몇 가지 프로그래밍 거래 모델의 매개 변수를 최적화하는 방법에 대해 이야기합니다.

몇 가지 프로그래밍 거래 모델의 매개 변수를 최적화하는 방법에 대해 이야기합니다.

• 파라미터 고원 및 파라미터 섬

매개 변수 최적화의 중요한 원칙은 매개 변수 고원보다는 매개 변수 고원을 추구하는 것이다. 매개 변수 고원이라고 불리는 것은, 더 넓은 매개 변수 범위가 존재하고, 이 매개 변수 범위에서 모델은 더 나은 효과를 얻을 수 있다는 것을 의미한다. 일반적으로 매개 변수 값이 매우 작은 범위 안에 있을 때만 모델이 더 잘 수행하고, 매개 변수 값이 그 값에서 벗어날 때 모델의 표현은 현저하게 변한다.

• 그래프의 매개 변수 고원

  매개 변수 고원 지표와 매개 변수 고도 지표의 예로, 거래 모델에 두 개의 매개 변수, 매개 변수 1 및 매개 변수 2가 있다고 가정하면, 두 매개 변수에 대한 탐색 테스트를 거친 후 3차원 성과가 나옵니다. 좋은 매개 변수 분포는 매개 변수 고도 지표가어야하며, 매개 변수 설정에 오차가 있을 때에도 모델의 수익 성과가 보장될 수 있습니다. 이러한 매개 변수들은 안정성이 강하기 때문에 모델이 미래의 실전에서 모든 종류의 시장을 마주할 때 더 강한 대응력을 가질 수 있습니다. 그러나 매개 변수 탐색 후의 성과가 매개 변수와 같은 매개 변수 고도 지표에 오차가 발생하면 모델의 수익 성과가 크게 변하면, 이러한 매개 변수 성능이 변동하기 때문에, 실제 거래 환경의 변화에 적응하는 것은 종종 어렵습니다.

  

  일반적으로, 근방의 매개 변수 체계의 성능이 최적의 매개 변수 성능과 크게 다르면, 최적의 매개 변수는 과잉 합의 결과물이 될 수 있으며, 수학적으로 찾고자 하는 극대값이 아닌 특이점 해법으로 간주될 수 있다. 수학적으로, 특이점은 불안정하며, 미래의 불확실성 상황에서 시장 특성이 변하면 최적의 매개 변수가 최악의 매개 변수로 변할 수 있다.

  과도한 적합성은 선택된 표본과 관련이 있으며, 선택된 표본이 시장의 전반적인 특성을 나타내지 못하면 테스트 결과가 긍정적 인 기대값에 도달하도록 하기 위해 매개 변수를 조정하는 것은 의심할 여지없이 자부심입니다. 이 방법은 과도한 적합성의 유효하지 않은 매개 변수 값을 얻을 수 있습니다. 예를 들어, 매개 변수 과도한 적합성을 분석함으로써 거래 모델의 값 35 및 63에 각각 수익률이 급증하는 현상이 나타납니다.

  과도한 적합성과 매개 변수 최적화의 주요 모순은 모델 매개 변수 최적화의 최적화된 매개 변수가 이미 발생한 역사 데이터 표본에만 기초하고 있고, 미래 시장은 역동적인 변화이며, 역사적 시장에 비해 유사함과 변동성을 모두 가지고 있다는 것이다. 모델 설계자는 모델이 역사적으로 가장 잘 수행하는 매개 변수를 찾을 수 있지만, 이 매개 변수는 미래의 모델 실제 응용에서 반드시 가장 잘 수행하지 않을 수도 있고, 더욱이 역사적으로 가장 잘 수행하는 매개 변수를 얻을 수도 있으며, 미래의 모델 전쟁에서 매우 나쁜 매개 변수를 수행할 수도 있고, 심지어는 큰 손실을 초래할 수도 있다. 예를 들어, 역사적으로 큰 파도를 포착할 수 있는 매개 변수를 선택하지만, 이러한 매개 변수 값을 설정하는 것은 모델이 미래에 그렇게 잘 수행할 수 있다는 것을 의미하지 않는다. 이 매개 변수 역사적으로 가장 좋은 매개 변수를 적용하는 것은 아마도 미래 모델에 도움이 되지 않을 것이다.

  또한, 매개 변수 고원과 매개 변수 고립도 종종 거래의 수와 더 큰 관계가 있다. 모델의 거래의 수가 적으면, 적절한 매개 변수를 찾을 수 있는 경우가 많으며, 이러한 매개 변수 최적화된 모델의 이익은 더 강한 우연성을 나타낸다. 모델의 거래의 수가 많으면 모델의 이익의 우연성이 감소하고, 더 많은 매개 변수 최적화의 목적이 있는 모델이 수행되는 경우, 이윤의 필연성과 규칙성을 나타내는 매개 변수 고지가 존재한다.

• 매개 변수를 최적화하는 방법

  파라미터 고원과 파라미터 고원들을 이해한 후, 파라미터 최적화 방법은 매우 중요해 보인다. 특히 모델에 여러 개의 파라미터 (파라미터 집합) 이 존재할 때, 종종 하나의 파라미터의 값이 다른 파라미터 고원의 분포에 영향을 미친다. 그렇다면 파라미터 집합을 최적화하는 방법은 무엇입니까?

  한 가지 방법은 단계적 융합 방법이다. 즉, 먼저 한 매개 변수를 개별적으로 최적화하여 최적값을 얻어서 고정하고, 그 다음 다른 매개 변수를 최적화하여 최적값을 얻어서 고정한다. 이렇게 순환하여 최적화 결과가 더 이상 변하지 않을 때까지 순환한다. 예를 들어, 평선적 교차 거래 모델, 두 독립된 매개 변수는 각각 평선적 짧은 주기 N1과 긴 주기 N2이다. 먼저 N2를 1로 고정하고, N1을 1에서 100까지의 수치 범위에서 테스트 필터를 통해 최적값을 찾고, 최종적으로 최적값을 8으로 고정한다.

  또 다른 방법은 강력한 계산 기능을 갖춘 프로그래밍 소프트웨어 설계 플랫폼을 활용하여 목표 함수와 변수 집합 사이의 분포를 직접 계산하고, 다차원 분포의 분포를 검색하여, 분포의 절댓값을 정의하고, 절댓값이 절댓값보다 작을 때 해당 다차원 부피 최대, 다차원 내구 반경 최대, 가장 안정적인 매개 변수값으로 선택된다.

  매개 변수 최적화 방법 이외에도 데이터 샘플 선택도 중요한 요소이다. 트렌드를 추적하는 모델은 트렌드 시장이 발생했을 때 더 잘 수행하고, 높은 판매와 낮은 구매 전략은 변동 시장에서 더 잘 수행한다. 따라서 매개 변수 최적화에서는 수익을 고려하기 위해 일치하는 시장을 적절히 제거하고, 손실을 고려하기 위해 키스하지 않는 전략 아이디어를 증가시키는 것이 필요합니다.

  예를 들어, 주식 선물은 상장 초기 2010년과 극단적인 황금 시장이 등장한 2014년 하반기부터 현재까지 주식 선물은 일방적인 시장이다. 의심할 여지 없이 모든 트렌드 모델은 좋은 효과를 얻을 것이다. 그러나 우리가 이러한 극단적인 시장 데이터를 샘플에 넣고 매개 변수 최적화를 한다면, 얻을 모델 매개 변수는 최적의 것이 될 필요는 없다.

  예를 들어, 어떤 모델이 두 가지 매개 변수를 가지고 있다고 가정하면, 매개 변수 A의 테스트 결과는 일방적인 시점의 시점에 매우 잘 작동하고 다른 시점의 시점에 일반적으로 수행됩니다. 다른 매개 변수 B의 테스트 결과는 일방적인 시점의 시점에 매개 변수 A보다 덜 작동하고 다른 시점의 시점에 매개 변수 A보다 더 잘 작동합니다. 심지어 매개 변수 A가 전체 샘플 데이터 테스트의 종합 지표, 예를 들어 위험 수익이 B 매개 변수보다 높더라도, 우리는 매개 변수 B를 선택하는 경향이 있습니다. 왜냐하면 매개 변수 B는 상대적으로 더 안정적이기 때문에 특정 샘플에 의존하지 않습니다.

  요약하자면, 프로그래밍 거래 모델을 구축할 때, 한편으로는, 모델이 가격 변동의 패턴에 더 잘 적응하여 투자 수익을 높이기 위해 매개 변수를 최적화하여 모델을 개선할 수 있으며, 다른 한편으로는 매개 변동에 대한 모델의 적용성을 크게 감소시키는 매개 변동에 대한 과도한 적합성을 방지해야합니다.

프로그램 트레이더에서 가져온