Die Notwendigkeit von Tests außerhalb der Stichproben für Quantifizierungsstrategien

Big Data in der Praxis. Die Notwendigkeit, Daten außerhalb der Stichprobe zu testen, ist eine Quantifizierungsstrategie.

• Nr. 01

  Das Leben eines Menschen, von klein bis groß, von alt bis alt, ist eigentlich ein Prozess des ständigen Fehlers, der Korrektur und des Fehlers, von dem kaum jemand ausgenommen werden kann. Vielleicht haben Sie viele, jetzt niedrig erscheinende Fehler gemacht; oder vielleicht haben Sie viele Möglichkeiten verpasst, wie Immobilien, Internet, digitale Währung usw....

  Dann sagt derjenige, der gehört hat: "Ich sollte nicht"... "Wenn... ich würde...?"

  Ich hatte diese Frage lange nicht loswerden können, bis ich es später begriff. Tatsächlich war es nichts zu befürchten, denn jede Wahl, ob richtig oder falsch, führte uns von einem vorbestimmten Ergebnis in Richtung des Unbekannten; und unsere Reflexion eröffnete uns nur die Perspektive Gottes außerhalb der historischen Daten.

• NO:02

  Ich habe viele Handelssysteme gesehen, bei denen die Erfolgsquote bei der Rückprüfung von mehr als 50% liegt. Bei einer so hohen Gewinnquote kann es auch zu einem Gewinn-Verlust-Verhältnis von mehr als 1:1 kommen. Aber es gibt keine Ausnahme, dass diese Systeme, sobald sie auf die realen Teller gestellt werden, grundsätzlich verlustreich sind.

  

  Trotzdem ist der Handel eine verworrene Sache, die im Nachhinein unvergleichlich klar ist, aber wenn wir nicht mit dem Blickwinkel Gottes zurückkehren und zu Beginn nicht wissen, was passiert ist, dann ist das die Grenzen der Quantifizierungsprobleme und der historischen Daten. Wenn man also nur begrenzte historische Daten verwendet, um das Handelssystem zu untersuchen, ist es schwer, das Problem des Fahrrads mit dem Rückspiegel zu vermeiden.

• Nr. 03:

  Aber wie kann man die begrenzten Daten möglichst gut nutzen, um die Transaktionsstrategien umfassend zu überprüfen? Es gibt in der Regel zwei Methoden: Schub- und Cross-Checking.

  Die Grundprinzipien des Prozessionsprüfens: Das Modell wird mit längeren historischen Daten trainiert und mit relativ kürzeren Daten geprüft, um dann die Datenfenster immer wieder rückwärts zu bewegen und die Schritte des Trainings und der Prüfung zu wiederholen.

  

  1. Daten zur Ausbildung: 2000-2001; Daten zu Tests: 2002; 2. Daten über die Ausbildung: 2001-2002; Daten über die Tests: 2003. 3. Daten zur Ausbildung: 2002-2003, Daten zu Tests: 2004; 4. Trainingsdaten: 2003-2004; Testdaten: 2005; 5. Trainingsdaten: 2004 bis 2005, Testdaten: 2006;

  ... und so weiter.

  Zu guter Letzt werden die Testresultate für (die Jahre 2002, 2003, 2004, 2005, 2006...) statistisch erfasst, um die Strategieleistung zu bewerten.

  Die folgenden Abbildungen zeigen eine intuitive Erklärung für das Prinzip der Propulsionsprüfung:

  

  Die Abbildung zeigt die beiden Methoden der Schubprüfung.

  Die erste ist, dass die Testdaten bei jedem Test relativ kurz und die Tests häufiger sind. Der zweite ist, dass bei jedem Test die Testdaten länger und die Tests weniger sind.

  In praktischen Anwendungen können mehrere Tests durchgeführt werden, um zu beurteilen, wie stabil ein Modell in Bezug auf nicht gleichbleibende Daten ist.

• Die Kommission

  Die Grundprinzipien des Cross-Checks: Teilen Sie alle Daten gleich in N Teile, trainieren Sie jedes Mal mit einem Teil von N-1, und prüfen Sie den Rest.

  

  Die Jahre 2000 bis 2003 wurden in vier Teile gegliedert. Die Operationsprozesse für die Überprüfung sind wie folgt: 1, Training Daten: 2001-2003, Testdaten: 2000; 2. Training Daten: 2000-2002, Testdaten: 2003 3. Trainingsdaten: 2000, 2001, 2003, Testdaten: 2002; 4. Trainingsdaten: 2000, 2002, 2003, Testdaten: 2001

  

  Wie oben gezeigt, ist der größte Vorteil von Cross-Checking die vollständige Nutzung begrenzter Daten, wobei jede Trainingsdaten auch Testdaten sind.

  1. Die Ergebnisse von Modellversuchen sind oft unzuverlässig, wenn die Preisdaten nicht stabil sind. Zum Beispiel, mit Daten aus dem Jahr 2008 trainiert und mit Daten aus dem Jahr 2005 getestet. Es ist sehr wahrscheinlich, dass sich die Marktumgebung im Jahr 2008 im Vergleich zu 2005 stark verändert hat, so dass die Ergebnisse von Modellversuchen nicht zuverlässig sind.

  2. Ähnlich wie bei der ersten, ist es im Cross-Checking selbst nicht sehr logisch, wenn man das Trainingsmodell mit der neuesten Datenmenge anstelle des Testmodells mit der älteren Datenmenge ausführt.

• Die Kommission

  Bei der Prüfung von quantitativen Strategiemodellen gibt es auch Probleme mit Datenüberschneidungen, sowohl bei der Propulsionsprüfung als auch bei der Kreuzprüfung.

  

  Bei der Entwicklung von Handelsstrategiemodellen basieren die meisten technischen Indikatoren auf historischen Daten einer bestimmten Länge. Zum Beispiel, wenn ein Trendindikator die historischen Daten der letzten 50 Tage berechnet, und am nächsten Handelstag die Daten der vorherigen 50 Tage berechnet werden, dann sind die Daten der beiden Indikatoren für 49 Tage gleich, was dazu führt, dass sich die Veränderungen des Indikators an jedem benachbarten Tag kaum bemerkbar machen.

  

  Überschneidungen von Daten können folgende Auswirkungen haben:

  1. Eine langsame Veränderung der Ergebnisse der Modellvorhersage führt zu einer langsamen Veränderung der Lagerhaltung, was wir oft als Verzögerung der Indikatoren bezeichnen.

  2. Einige statistische Werte für die Prüfung der Modellresultate sind nicht verfügbar, was die Ergebnisse von einigen statistischen Prüfungen unzuverlässig macht, da sie durch die Sequenzverknüpfung der doppelten Daten verursacht werden.

• Nr. 06

  Eine gute Handelsstrategie sollte in Zukunft profitabel sein. Außensample-Tests sparen Zeit und sind nicht nur eine effiziente Möglichkeit, die Handelsstrategie objektiv zu testen.

  In den meisten Fällen ist es sehr gefährlich, sich direkt mit den optimalen Parametern der gesamten Probe in den Kampf zu begeben.

  Wenn man alle historischen Daten vor dem Zeitpunkt der Optimierung unterscheidet und sie in In-Sample- und Outsample-Daten unterteilt, um zuerst die Optimierung der Parameter mit In-Sample-Daten durchzuführen und dann die Outsample-Tests mit Outsample-Daten durchzuführen, kann man diesen Fehler sortieren und gleichzeitig prüfen, ob die optimierten Strategien für die Zukunft des Marktes geeignet sind.

• Nr. 07:

  Wie beim Handel können wir niemals durch die Zeit gehen, um für uns selbst eine fehlerfreie richtige Entscheidung zu treffen. Wenn es eine Hand Gottes oder die Fähigkeit gibt, aus der Zukunft zurückzukehren, dann ist es ungetestet.

  Doch selbst mit einer Geschichte voller Daten zeigt sich die Geschichte in der Gegenwart einer endlosen und unvorhersehbaren Zukunft extrem knapp. Daher sinkt ein Handelssystem, das auf der Grundlage der Geschichte von unten nach oben gedrängt wird, mit der Zeit. Denn es gibt keine endlose Zukunft. Daher muss ein vollständiges positives Erwartungshandelssystem durch seine inneren Prinzipien / Logik unterstützt werden.

  

• Nr. 08:

  Wir (Erfinder der Quantitative Handelsplattform) wollen den heutigen quantitativen Kreislauf, der von trockenen, verschlossenen und betrügerischen Kreisen geprägt ist, verändern und einen reinen quantitativen Kreislauf schaffen.

  

  Teilen ist eine Einstellung, vielmehr eine Weisheit!

Der Großherz ist online Schriftsteller Hukybo