More and more volume on the nowadays markets is being traded by the bots. Algorithms, which simply process the market price signal and decide to either buy, sell or idle. But how can an algorithm which yield earnings when applied to the stock market be found? In this thesis we are proposing a novel concept of looking for algorithmic trading bots by employing genetic algorithms and supervised learning, namely classification, for expressing the actions an algorithm shall take. We assume there are repetitive patterns present in the markets which can be taken an advantage of. In order to describe such a pattern, one can take some subset of the features generated out of the market signal and try to express a potential earning pattern via classification algorithms. Then we can quickly see during the training over some subset of features whether it is a good subset or not. Furthermore we enhance the concept by generated functions which extract the knowledge from selected subset of features which shall ease the classification complexity and increase the final accuracy. As we have to find the best possible combination of some feature subset together with the set of randomly generated functions which are extracting knowledge, we decided to employ genetic algorithms to efficiently navigate through such a large search space. In the third chapter, we provide results from our experiments. Furthermore, in the last chapter we are proposing an architecture for a foundation which can be used for sharing earning trading bots among the general public.
Immer mehr Volumen auf den heutigen Märkten wird von Bots gehandelt - Algorithmen, die einfach das Marktpreis-Signal verarbeiten und entscheiden, ob sie kaufen, verkaufen oder im Leerlauf bleiben. Aber wie kann ein Algorithmus Erträge erzielen, wenn er an der Börse angewandt wird? In dieser Arbeit schlagen wir ein neuartiges Konzept vor, nach algorithmischen Trading-Bots zu suchen, indem genetische Algorithmen und überwachtes Lernen, insbesondere die Klassifizierung, verwendet werden, um die Aktionen auszudrücken, die ein Algorithmus ausführen soll. Wir gehen davon aus, dass sich in den Märkten repetitive Muster finden, die man nutzen kann. Um ein solches Muster zu beschreiben, kann man eine Teilmenge der aus dem Marktsignal erzeugten Merkmale erzeugen und versuchen, über Klassifikationsalgorithmen ein potentielles Gewinnmuster auszudrücken. Dann können wir während des Trainings über eine Teilmenge von Merkmalen schnell sehen, ob es eine gut gewählte Teilmenge ist oder nicht. Darüber hinaus erweitern wir das Konzept um generierte Funktionen, die das Wissen aus einer ausgewählten Teilmenge von Merkmalen extrahieren, die die Klassifikationskomplexität erleichtern und die Endgenauigkeit erhöhen sollen. Da wir die bestmögliche Kombination einiger Feature-Subsets zusammen mit dem Satz zufällig generierter Funktionen, die Wissen extrahieren, finden müssen, haben wir uns dafür entschieden, genetische Algorithmen zu verwenden, um effizient durch einen solch großen Suchraum zu navigieren. Im dritten Kapitel liefern wir Ergebnisse aus unseren Experimenten. Darüber hinaus schlagen wir im letzten Kapitel eine Architektur für eine Grundaufbau vor, die für die gemeinsame Nutzung von gewinnerzielenden Handelsbots in der Öffentlichkeit genutzt werden kann.
