Berbicara tentang bagaimana mengoptimalkan beberapa model transaksi terprogram.

Berbicara tentang bagaimana mengoptimalkan beberapa model transaksi terprogram.

• Parameter Dataran Tinggi dan Parameter Kepulauan

Salah satu prinsip penting dalam pengoptimalan parameter adalah untuk mencapai dataran tinggi parameter dan bukan dataran tinggi parameter. Yang disebut dataran tinggi parameter, adalah bahwa ada rentang parameter yang lebih luas, dan model dapat mencapai hasil yang lebih baik dalam rentang parameter ini, umumnya membentuk distribusi yang hampir normal di pusat dataran tinggi. Yang disebut dataran tinggi parameter, adalah bahwa model hanya berkinerja lebih baik ketika nilai parameter berada dalam rentang yang sangat kecil, dan ketika parameter menyimpang dari nilai ini, ekspresi model akan sangat bervariasi.

• Gambar untuk parameter dataran tinggi

  Dengan menggunakan grafik dataran tinggi parameter dan grafik pulau parameter, asumsikan bahwa model perdagangan memiliki dua parameter, yaitu parameter 1 dan parameter 2, yang menghasilkan hasil performa tiga dimensi. Distribusi parameter yang baik harus merupakan grafik dataran tinggi parameter, sehingga kinerja keuntungan model dapat dijamin bahkan ketika pengaturan parameter menyimpang. Parameter seperti itu karena stabilitasnya yang kuat, dapat membuat model memiliki ketahanan yang lebih kuat ketika menghadapi berbagai macam situasi di masa depan.

  

  Secara umum, jika kinerja sistem parameter terdekat jauh berbeda dari kinerja parameter optimal, maka parameter optimal ini mungkin merupakan hasil dari over-sumbangan, yang secara matematis dapat dianggap sebagai solusi keanehan, bukan solusi yang sangat besar yang dicari. Dari sudut pandang matematis, keanehan tidak stabil, dan dalam situasi tidak pasti di masa depan, parameter optimal mungkin berubah menjadi parameter terburuk begitu karakteristik pasar berubah.

  Overfitting berkaitan dengan sampel yang dipilih, jika sampel yang dipilih tidak dapat mewakili karakteristik pasar secara keseluruhan, hanya untuk membuat hasil pengujian mencapai nilai yang diharapkan yang positif, praktik ini pasti adalah penipuan diri, dan hasil yang diperoleh adalah nilai parameter yang tidak valid dari overfitting. Sebagai contoh, dengan menganalisis parameter overfitting, model perdagangan mengalami peningkatan laba secara tiba-tiba pada nilai 35 dan 63 masing-masing, dan jika indikator yang sesuai dalam model dipilih sebagai parameter untuk 35 dan 63, model tersebut akan menghasilkan keuntungan yang terlihat sempurna, tetapi sebenarnya adalah efek pulau-pulau parameter yang khas.

  Kontradiksi utama dari overfitting dengan optimasi parameter adalah bahwa parameter optimal yang dioptimalkan hanya didasarkan pada sampel data sejarah yang telah terjadi, sedangkan pasar masa depan adalah perubahan dinamis, yang memiliki kesamaan dan variasi dibandingkan dengan pasar sejarah. Perancang model dapat menemukan parameter yang terbaik untuk model dalam sejarah, tetapi parameter ini tidak selalu berfungsi dengan baik dalam aplikasi model masa depan, bahkan parameter model yang terbaik dalam sejarah, yang mungkin berfungsi dengan buruk dalam perang model masa depan, bahkan membawa kerugian besar.

  Selain itu, dataran tinggi parameter dan kepulauan parameter juga seringkali memiliki hubungan yang lebih besar dengan jumlah transaksi. Jika jumlah transaksi model lebih sedikit, seringkali dapat ditemukan titik parameter yang sesuai sehingga model menguntungkan dalam beberapa transaksi ini, model yang menguntungkan setelah optimasi parameter ini mencerminkan kebetulan yang lebih kuat. Jika jumlah transaksi model lebih banyak, peluang keuntungan model menurun, dan lebih mencerminkan keharusan dan keteraturan keuntungan, maka ada dataran tinggi parameter. Model yang dioptimalkan ini adalah tujuan optimasi parameter.

• Cara mengoptimalkan parameter

  Setelah memahami dataran tinggi parameter dan dataran tinggi parameter, metode pengoptimalan parameter menjadi sangat penting, terutama ketika ada beberapa parameter dalam model (disebut sebagai dataran tinggi parameter), seringkali pengambilan nilai dari satu parameter akan mempengaruhi distribusi dataran tinggi parameter lainnya. Jadi bagaimana untuk mengoptimalkan dataran tinggi parameter?

  Salah satu metode ini adalah metode konvergensi bertahap. Pertama-tama mengoptimalkan satu parameter secara terpisah, mendapatkan nilai optimalnya dan kemudian mengoptimalkan parameter lain, mendapatkan nilai optimalnya dan kemudian mengoptimalkan parameter yang lain. Dengan demikian, loop sampai hasil optimalisasi tidak berubah. Misalnya, model perdagangan silang linier, dengan dua parameter independen masing-masing adalah siklus pendek linier N1 dan siklus panjang N2. Pertama-tama mengoptimalkan N2 menjadi 1, melakukan penyaringan uji coba untuk N1 dalam kisaran nilai 1 hingga 100, mencari nilai optimal, dan akhirnya mendapatkan nilai optimal 8 dan tetap; mengoptimalkan N2 antara 1200 dan mendapatkan nilai optimal 26 dan tetap; mengoptimalkan N1 lagi untuk putaran kedua, dan mendapatkan nilai optimal baru 10 dan tetap; akhirnya mengoptimalkan N2 dan tetapkan nilai 28.

  Metode lain adalah menggunakan platform desain perangkat lunak terprogram dengan kemampuan komputasi yang lebih kuat, langsung menghitung distribusi antara fungsi target dan himpunan parameter, kemudian mencari distribusi diferensial multi-dimensi, mendefinisikan batas diferensial, dengan nilai absolut diferensial yang lebih kecil dari batas yang sesuai dengan volume multi-dimensi terbesar, radius bola kerucut multi-dimensi tertinggi, dipilih sebagai parameter yang paling stabil.

  Selain metode pengoptimalan parameter, pemilihan sampel data juga merupakan faktor penting. Model yang mengikuti tren sebagai ide perdagangan berkinerja lebih baik pada saat pasar tren muncul, dan strategi yang menjual tinggi dan membeli rendah sebagai ide perdagangan berkinerja lebih baik pada pasar bergulir. Oleh karena itu, ketika mengoptimalkan parameter, perlu dengan tepat menghilangkan pasar yang sesuai dengan ide perdagangan untuk mempertimbangkan keuntungan, dan menambahkan data pasar yang tidak sesuai dengan ide strategi untuk mempertimbangkan kerugian.

  Sebagai contoh, pada awal tahun 2010 ketika pasar saham diluncurkan, dan pada paruh kedua tahun 2014 ketika pasar ekstrim bulls muncul, pasar saham berjangka adalah pasar yang sepihak. Tidak diragukan lagi, semua model tren akan menghasilkan hasil yang baik. Namun, jika kita memasukkan data pasar ekstrim ini ke dalam sampel untuk mengoptimalkan parameter, parameter model yang diperoleh tidak selalu optimal.

  Sebagai contoh, asumsikan bahwa suatu model memiliki dua parameter, parameter A memiliki hasil pengujian yang sangat baik pada periode waktu pasar satu sisi, dan umumnya pada periode waktu lain; parameter B lainnya memiliki hasil pengujian yang kurang baik pada periode pasar satu sisi, dan pada periode waktu lain memiliki kinerja yang lebih baik dari parameter A, dan distribusi antara setiap periode waktu adalah lebih seragam dari parameter A. Bahkan jika parameter A memiliki indikator komprehensif untuk pengujian data sampel secara keseluruhan, seperti risiko dan laba yang lebih tinggi daripada parameter B, kita juga cenderung memilih parameter B, karena parameter B relatif lebih stabil dan tidak bergantung pada sampel tertentu.

  Singkatnya, ketika membangun model perdagangan terprogram, pada satu sisi, model dapat dioptimalkan dengan parameter untuk membuat model lebih baik beradaptasi dengan pola fluktuasi harga dan meningkatkan laba atas investasi; di sisi lain, untuk mencegah terlalu banyak penyesuaian pada optimasi parameter, yang menyebabkan penurunan besar dalam kelayakan model terhadap perubahan pasar.

Dikutip dari Programmer Trader