Necesidad de pruebas de datos fuera de la muestra de estrategias de cuantificación

La necesidad de probar datos fuera de la muestra en estrategias de cuantificación.

• No: 01

  La vida humana, desde el niño hasta el adulto, desde el adulto hasta el viejo, es en realidad un proceso continuo de cometer errores, corregir y cometer errores, casi nadie puede ser una excepción. Tal vez ha cometido muchos errores que ahora parecen de bajo nivel; o tal vez ha perdido muchas oportunidades de subir al tren, como: bienes raíces, Internet, moneda digital, etc...

  Hasta que el que escuchaba dice: "No debí haberlo hecho"... "Si... yo sólo"...

  La pregunta que me planteé durante mucho tiempo no se me salió de la cabeza, y que me di cuenta poco a poco. En realidad, no era algo que mereciera temor, ya que en ese momento cada elección, ya sea correcta o incorrecta, nos alejaría de los resultados predeterminados y nos llevaría a una parte desconocida; y nuestra reflexión, más allá de los datos históricos, nos abría a la perspectiva de Dios.

• No:02

  He visto muchos sistemas de negociación con un porcentaje de éxito de más del 50% cuando se retrasa. Con una tasa de ganancia tan alta, también se puede tener un ratio de ganancias y pérdidas de más de 1: 1. Pero, sin excepción, estos sistemas, una vez que se aplican a la mesa real, son básicamente perdedores.

  

  Sin embargo, la transacción es una cosa tan compleja que, en retrospectiva, es incomparablemente clara, pero si no tomamos el ángulo de la perspectiva de Dios, volvemos al principio y seguimos sin saberlo. Esto pone a prueba el problema de las raíces cuantitativas y las limitaciones de los datos históricos.

• No: 03

  Sin embargo, en el caso de datos limitados, ¿cómo hacer el mejor uso posible de los datos limitados para realizar una verificación completa de las estrategias de transacción?

  El principio básico de la prueba de repetición es: entrenar el modelo con un período anterior de datos históricos más largo, y luego examinar el modelo con datos relativamente más cortos, y luego mover continuamente hacia atrás la ventana de extracción de datos, repitiendo los pasos de entrenamiento e inspección.

  

  1, datos de entrenamiento: 2000-2001, datos de pruebas: 2002; 2, datos de entrenamiento: 2001-2002; datos de pruebas: 2003; 3, datos de entrenamiento: 2002-2003, datos de pruebas: 2004; 4. Datos de capacitación: de 2003 a 2004, datos de pruebas: de 2005. 5. Datos de entrenamiento: 2004 a 2005, datos de pruebas: 2006;

  ... y así sucesivamente...

  Finalmente, los resultados de los ensayos de 2002, 2003, 2004, 2005, 2006 y... fueron estadísticos para evaluar el desempeño de las estrategias.

  El siguiente gráfico muestra cómo se puede explicar intuitivamente el principio de la prueba de propulsión:

  

  El gráfico anterior muestra los dos métodos de prueba de propulsión respectivamente.

  La primera: cada vez que se hace una prueba, los datos son más cortos y se hace más pruebas. El segundo tipo: cada vez que se realiza un ensayo, los datos son más largos y se realizan menos pruebas.

  En aplicaciones prácticas, se pueden realizar varias pruebas, cambiando la longitud de los datos de prueba, para determinar la estabilidad del modelo frente a datos no estables.

• No:04

  El principio básico de la verificación cruzada es dividir la totalidad de los datos en N partes, entrenar con N-1 partes de cada vez y probar con el resto.

  

  Divide los años 2000 a 2003 en cuatro secciones por año. El proceso de verificación cruzada es el siguiente: 1, datos de entrenamiento: 2001-2003, datos de pruebas: 2000; 2, datos de entrenamiento: 2000-2002, datos de pruebas: 2003; 3, Datos de entrenamiento: 2000, 2001, 2003, datos de pruebas: 2002; 4. Datos de entrenamiento: 2000, 2002, 2003, datos de pruebas: 2001.

  

  Como se muestra en el gráfico anterior, la mayor ventaja de la verificación cruzada es el aprovechamiento completo de los datos limitados, cada uno de los datos de entrenamiento también es un dato de prueba.

  Los resultados de las pruebas de modelos son a menudo poco fiables cuando los datos de precios no son estables. Por ejemplo, si se entrena con datos de 2008 y se prueba con datos de 2005, es probable que el entorno del mercado de 2008 haya cambiado mucho en comparación con 2005, por lo que los resultados de las pruebas de modelos no son confiables.

  2, Similar al primer punto, en la verificación cruzada, si el modelo de entrenamiento con los datos más recientes y el modelo de prueba con los datos más antiguos, no es muy lógico en sí mismo.

• No:05

  Además, cuando se examinan los modelos de estrategias cuantitativas, tanto la comprobación por propulsión como la comprobación por cruce se encuentran con problemas de superposición de datos.

  

  En el desarrollo de modelos de estrategia de negociación, la mayoría de los indicadores técnicos se basan en datos históricos de cierta longitud. Por ejemplo, si se utiliza un indicador de tendencia para calcular los datos históricos de los últimos 50 días y el siguiente día de negociación se calcula los datos de los 50 días anteriores, los datos de los dos indicadores son los mismos durante 49 días, lo que hace que el cambio del indicador sea poco notable cada dos días adyacentes.

  

  La superposición de datos puede tener los siguientes efectos:

  1, los cambios lentos en los resultados de los pronósticos del modelo provocan cambios lentos en las tenencias, lo que a menudo llamamos retraso de los indicadores.

  2, Algunos valores estadísticos no están disponibles para la prueba de resultados del modelo, y los resultados de algunas pruebas estadísticas son poco confiables debido a la correlación de secuencias causada por la repetición de datos.

• No:06

  Las buenas estrategias de negociación deberían ser rentables en el futuro. Las pruebas fuera de la muestra, además de detectar objetivamente las estrategias de negociación, ahorran más tiempo a los clientes amplios.

  En la mayoría de los casos, el uso directo de los parámetros óptimos de todas las muestras es muy peligroso para entrar en combate.

  Si se distinguen todos los datos históricos antes del momento en que se optimizan los parámetros, se dividen en datos dentro de la muestra y datos fuera de la muestra, primero se optimiza el parámetro con los datos dentro de la muestra y luego se realiza una prueba fuera de la muestra con los datos fuera de la muestra, se puede clasificar este error y, al mismo tiempo, se puede verificar si la estrategia optimizada se aplica a los mercados futuros.

• No:07

  Al igual que las transacciones, nunca podemos atravesar el tiempo para tomar una decisión correcta sin un solo error. Si hay la mano de Dios o la capacidad de atravesar el futuro, entonces sin pruebas, las transacciones en línea directas pueden ser un recipiente lleno.

  Sin embargo, incluso con una historia de grandes volúmenes de datos, la historia parece ser extremadamente escasa frente a un futuro infinito e impredecible. Por lo tanto, los sistemas de negociación basados en la historia, impulsados de abajo hacia arriba, finalmente se hundirán con el tiempo.

  

• No:08

  Nuestro objetivo es cambiar el actual círculo cuantitativo, que no tiene productos, está cerrado y está lleno de estafadores, para crear un círculo cuantitativo más puro.

  

  Compartir es una actitud, es más una sabiduría.

El hotel está en línea Por Hukybo