Using genetic programming to device a betting exchange trading strategy

No Thumbnail Available
Journal Title
Journal ISSN
Volume Title
School of Science | Master's thesis
Checking the digitized thesis and permission for publishing
Instructions for the author
Date
2010
Major/Subject
Ohjelmistotekniikka
Mcode
T-106
Degree programme
Language
fi
Pages
78
Series
Abstract
Genetic programming is a machine learning method. A betting exchange is similar to a stock exchange but for backing and laying bets. This thesis examines the use of genetic programming for devising a profitable trading strategy based on technical analysis for betting exchange trading concerning football results. The odds data used in this thesis was divided into training, validation and testing sets. The training set was used to construct and optimize a strategy, the validation set was used to select a good strategy and the testing set to test its performance. The inputs to the strategy implementation program to be optimized with genetic programming were the match's earlier implied probabilities and statistics calculated on the basis of these. The program output was a trading rule indicating when it is profitable to open or close the position. The position had to be closed at the latest when the match started. Thus the match result did not affect the result of the trading. The fitness function was the trading profit less the penalty which occurred if the trading was not active enough. The profitable strategy sought as the primary goal was not found. The profitable strategy in the training set was no longer profitable when it was used in the independent validation or testing set. Attempts were made to improve the results by demanding more active trading from the program by means of tightening the terms of the penalty in the fitness function and through the semantic restrictions set in the genetic programs, but better results were not achieved. The betting market is probably a random walk-like process to a great extent, because simple, frequent and regular patterns in the odds data would probably be detected by the genetic programming. Also the large bid/offer spread between the odds made it more difficult to find a profitable strategy.

Geneettinen ohjelmointi on eräs koneoppimismenetelmä. Vedonlyöntipörssit ovat osakepörssien kaltaisia kauppapaikkoja, mutta vetojen lyömiseen ja vastaanottamiseen. Tässä työssä tutkittiin geneettisen ohjelmoinnin soveltuvuutta löytää tuottava ns. tekniseen analyysiin perustuva kaupankäyntistrategia vedonlyöntipörssin jalkapallo-ottelutulosten vedonlyönnissä tehtävään kaupankäyntiin. Käytössä ollut kerroindata jaettiin koulutus-, validointi- ja testausjoukkoon. Koulutusjoukkoa käytettiin strategian rakentamiseen ja optimointiin, validointijoukkoa hyvän strategian valikointiin ja testausjoukkoa sen suorituskyvyn testaamiseen. Geneettisen ohjelmoinnin avulla optimoitava, strategian toteuttava ohjelma sai syötteenä ottelun aiempia implisiittisiä todennäköisyyksiä sekä niistä laskettuja tilastollisia tunnuslukuja ja tuotti tuloksena kaupankäyntiohjeen, kannattaako avata tai sulkea positio. Positio tuli sulkea viimeistään ottelun alkaessa. Näin itse ottelun lopputuloksella ei ollut vaikutusta kaupankäynnin lopputulokseen. Hyvyysfunktio oli kaupankäynnin tuotto vähennettynä rangaistuksella, joka aiheutui, jos kaupankäynti ei ollut riittävän aktiivista. Ensisijaisen tavoitteen mukaista tuottavaa strategiaa ei löydetty, vaan koulutusjoukkoon sovellettu tuottava strategia ei enää ollut tuottava, kun sitä sovellettiin siitä riippumattomaan validointi- tai testausjoukkoon. Tuloksia yritettiin parantaa vaatimalla ohjelmalta aktiivisempaa kaupankäyntiä hyvyysfunktion rangaistuksen ehtoja kiristämällä sekä geneettisille ohjelmille asetetuin semanttisin rajoituksin, mutta parempia tuloksia ei saavutettu. Vedonlyöntimarkkina todennäköisesti noudattaa pitkälti satunnaiskulun kaltaista prosessia, sillä yksinkertaiset, usein toistuvat ja säännönmukaiset kuviot kerroindatassa olisi geneettinen ohjelmointi todennäköisesti havainnut. Myös suuri kerrointarjousten välinen ero (spread) vaikeutti tuottavan strategian löytämistä.
Description
Supervisor
Tarhio, Jorma
Thesis advisor
Oksanen, Kenneth
Keywords
genetic programming, geneettinen ohjelmointi, evolutionary computation, evoluutiolaskenta, trading, kaupankäynti, betting, vedonlyönti, exchange, pörssi
Other note
Citation