[发明专利]用于资产管理和交易的基于类的分布式进化算法

说明书

相关申请交叉引用

本申请基于35USC 119(e)要求2009年4月28日提交的名称为“Distributed Evolutionary Algorithm for Stock Trading”的美国临时申请号61/173581以及2009年4月28日提交的名称为“Distributed Evolutionary Algorithm for Stock Trading”的美国临时申请号61/173582的权益，在此通过引用将两者的内容全文并入。

背景技术

复杂的金融趋势和模式分析处理通常利用超级计算机、大型机或功能强大的工作站和PC完成，它们通常位于公司的防火墙内，并且由该公司的信息技术(IT)组拥有和操作。在这种硬件和运行该硬件的软件方面的投资是巨大的。维护(修复、调整、打补丁)和操作(电气，安全数据中心)这种基础架构的成本同样巨大。

股票价格的波动通常是不可预测的，但是偶尔呈现出可预测模式。基因算法(GA)被公知为已经在股票分类中使用。根据一种理论，在任何给定时间，5％的股票遵循一种趋势。基因算法因此有时被使用来将股票分类为遵循或不遵循趋势，并且取得一些成功。

作为基因算法的超集的进化算法在穿越混沌搜索空间时是良好的。如同Koza，J.R 1992年在MIT会议上发表的“Genetic Programming：On the Programming of Computers by Means of Natural Selection”中已经示出，进化算法可以被使用来在断言注释时进化完整的程序。进化算法的基本元素是环境、基因模型、适应性函数(fitness function)以及复制函数。环境可以是任何问题陈述的模型。基因可以由用于管理在所述环境内管理其行为的规则集定义。规则是要在所述环境中执行的动作所遵循的条件列表。适应性函数可以利用进化规则集正在与所述环境进行协商的成功程度定义。适应性函数由此用于评估每个基因在所述环境中的适应度(fitness)。复制函数通过将规则与所述父基因中的最适应的父基因混合来生成新基因。在每代中，创建新的群体(population)。

在所述进化过程的开始，通过将形成基因的构件块或字母放置在一起，完全随机地创建组成所述初始群集的基因。在基因编程时，所述字母是一组条件和动作，该一组条件和动作组成在所述环境内管理所述基因的行为的规则。一旦建立起群集，就使用所述适应性函数来对该群集进行评估。具有最高适应度的基因随后被使用来在被称作复制的过程中创建下代。通过复制，父基因的规则被混合，并且有时被变异(即，在规则中进行随机变化)来创建新的规则集。该新的规则集随后被分配给将作为所述新代的成员的子基因。在一些具体实现中，上代中的最适应成员(称为精英)也被复制到下代。

发明内容

根据本发明的一个实施例，一种联网计算机系统，包括一个或多个服务器计算机以及多个客户端计算机，多个客户端计算机中的每个被指派为不同的类，其中每个类由指示符的子集定义。每个客户端计算机部分包括存储器、通信端口和处理器。每个客户端服务器中的存储器可被操作来存储多个基因，每个基因由一组条件以及与客户端计算机被指派的类相关联的指示符的子集来表征。每个客户端计算机中的通信端口持续周期性地接收与存储在存储器中的基因相关联的数据。每个客户端计算机中的处理器通过将该客户端计算机的每个基因所提供的解与周期性接收的和该基因相关联的数据进行比较来评估该基因的性能特性。由此，每个基因的性能特性利用每个周期性接收的数据而被更新和改变。基因的性能特性定义其适应度。

在一个实施例中，与每个基因相关联的数据是历史交易数据，并且每个基因所提供的解是由该基因推荐的交易。在一个实施例中，指示符的子集中的至少两个是重叠的指示符。在一个实施例中，丢弃其适应度在覆盖第一时间段的评估之后被确定为小于第一预定阈值的基因。在周期性地接收到新数据时，剩余(存留的)基因继续由它们的客户端计算机评估。

在一个实施例中，在第一评估时间段中存留的基因响应于来自服务器计算机的指令而继续由客户端计算机在一个或多个附加时间段内进行评估。在每个附加时间段期间，丢弃适应度小于阈值的基因。当服务器请求时，在一个或多个评估时间段中存留的基因被存储在精英基因池中，以供服务器选择。与多个时间段对应的用于评估基因的适应度的阈值可以相等或者可以不相等。