NeuroShell Trader Professional позволяет использовать генетические алгоритмы для быстрого и качественного решения следующих оптимизационных задач, стоящих перед трейдером:

• Поиск наилучших торговых правил
• Обнаружение оптимальных пороговых значений для принятия решений при торговле
• Выбор наилучших индикаторов
• Выбор наилучших параметров индикаторов
• Выбор наилучших стоп-цен и лимитных цен

NeuroShell Trader Professional включает в себя оптимизатор торговых стратегий, который подберает параметры систем с помощью генетических алгоритмов даже если они не используют нейронные сети! Например, Вы можете выбрать традиционную торговую стратегию (используя, скажем, моменты пересечений (crossovers) и прорывов (breakouts)) и подобрать для нее оптимальные параметры. Также, с помощью оптимизатора можно избавиться от бесполезных правил, если Вы задали их несколько. Чтобы больше узнать о торговых стратегиях, обратитесь к описанию Мастера торговой стратегии.

NeuroShell Trader Professional также имеет возможность оптимизировать входы нейронной сети. Генетические алгоритмы уже использовались для поиска набора входов для нейросети и другими программными продуктами, но NeuroShell Trader Professional может находить еще и оптимальные параметры для индикаторов, а также пороги покупки/продажи при тренировке на получение прибыли. Чтобы больше узнать о прогнозах, обратитесь к описанию Мастера прогноза.

Чем генетические алгоритмы отличаются от других алгоритмов оптимизации?

Чаще всего используемые сегодня для решения аналогичных задач методы оптимизации представляют собой просто методы полного перебора, что означает, что для определения наилучшей перебираются все возможные комбинации. Это подход обеспечивает очень точный результат, так как Вы обречены найти наилучшую комбинацию переменных - в конечном итоге. Однако, это очень неэффективный подход, поскольку если только количество комбинаций превышает несколько тысяч, их полный перебор начинает требовать недопустимо много времени. Вот почему пользователи оптимизаторов с полным перебором вынуждены ограничивать число используемых переменных и количество значений, которые эти переменные могут принимать.

Напротив, генетический алгоритм не пробует каждую возможную комбинацию. Вместо этого он пытается подбираться все ближе и ближе к лучшему решению, разумно ограничивая объем перебора. Как следствие этого, можно использовать гораздо больше переменных, и можно позволить поиск среди всех значений каждой из переменных. Если Вы дадите генетическому алгоритму слишком много переменных, оптимизация все же может занять достаточно большое время, но за это время будет проделано гораздо больше работы.

Используются и другие методы оптимизации, более эффективные, чем методы полного перебора. Однако, если они не используют генетические алгоритмы, они, как правило, просматривают в одно время лишь какую-то одну часть пространства поиска. Генетические алгоритмы просматривают десятки или сотни областей пространства поиска одновременно. Это означает, что они гораздо менее подвержены "застреванию" в локальных минимумах, чем другие алгоритмы. (Локальные минимумы представляют собой неплохие решения, из которых оптимизатор "не может выбраться", чтобы найти лучшие решения.)