우수한 프로그램 거래 시스템을 개발하고 그 시스템을 사용하여 수익을 얻는 것은 복잡한 과정입니다. 많은 문제가 발생할 수 있습니다. 예를 들어, 종종 투자자가 거래 전략을 실제로 사용하기 전에 전략의 수익성에 대해 매우 자신있게 있습니다. 전략의 역사 테스트 수익 곡선 도표가 평평하게 올라갈 수 있기 때문입니다. 그리고 실장 후, 자본 곡선은 거꾸로 굽습니다.
프로그래밍 된 거래 시스템의 설계 과정은 두 부분으로 구성되어 있으며, 두 부분 모두 과잉 맞춤을 일으킬 수 있습니다. 거래 시스템 설계의 첫 번째 부분은 완전한 거래 규칙 시스템을 형성하는 것입니다. 거래 규칙은 일반적으로 위아래와 아래아래로 형성됩니다. 두 가지 방법이 있습니다. 상향-하향 방법은 시장 상황에 대한 장기적인 관찰을 기반으로 규칙을 종합하고, 규칙의 기초를 기반으로 수량화된 거래 전략을 형성합니다. 이 과정은 오랜 거래 경험의 축적이 필요합니다. 하향-아래 방법은 시장 데이터를 기반으로 통계 분석을 수행하여 시장 특성이 형성되는 거래 전략을 수립합니다.
설계 거래 시스템의 목표는 미래의 실물 상황에서 수익을 창출하는 것이지, 아름다운 역사 테스트 곡선을 추구하는 것이 아니라, 과도하게 잘 맞는 거래 시스템은 아름다운 함정이다. 어떻게 이 함정에서 벗어날 수 있습니까? 우리는 거래 규칙의 형성과 거래 시스템을 개발하는 두 가지 측면에서 시작할 수 있다고 생각합니다. 현대 수학은 금융 시장의 데이터 분석에 따르면, 시간 가격 순서는 두 가지 부분으로 구성됩니다. 첫 번째 부분은 특정 항목으로 특정 규칙을 찾을 수 있습니다.
첫째, 역사 테스트 데이터 샘플 용량을 늘리고, 거래 횟수가 너무 적지 않도록 한다. 역사 테스트 데이터 양이 적다면, 설계된 시스템이 샘플 내에서 잘 작동하지만, 짧은 시간 동안의 테스트는 설득력이 없으며, 시스템의 미래 성능을 예측하기가 어렵다. 거래 규칙 제한이 너무 많아지기 때문에 거래 횟수가 적은 경우가 많으며, 손실 거래에 대한 필터링이 강하며, 전형적인 과도한 적합 행위이다.
둘째, 테스트를 할 때, 테스트된 데이터 샘플을 샘플 내 및 샘플 외부로 나누고, 시스템을 설계할 때 샘플 내 데이터를 사용하다가 샘플 외부 데이터로 테스트한 결과를 얻으면 효과가 크게 감소하면 이러한 시스템이 적합할 가능성이 높다.
셋째, 핵심 변수가 너무 많으면 안된다. 너무 많은 변수가 있는 시스템은 여러 자유도 시스템이며, 여러 변수를 최적화한 후 항상 아름다운 시스템을 얻을 수 있지만, 이러한 시스템의 신뢰성은 의심스럽다.
넷째, 시스템의 파라미터를 최적화할 때, 우리는 최적의 파라미터 근처의 파라미터를 조사할 필요가 있다. 만약 근접한 파라미터 시스템의 성능이 최적의 파라미터의 성능보다 크게 다르다면, 이 최적의 파라미터는 과도한 합성 결과일 가능성이 있다. 수학적으로 특이점 해산이라고 하며, 불안정하다. 시장의 특성이 약간 변하면, 최적의 파라미터는 최악의 파라미터가 될 수도 있다.
다섯째, 거래 시스템을 다른 품종에 사용해서 그 효용성을 관찰한다. 범용 거래 시스템은 드물지만, 한 품종에서 우수한 성능을 보이는 시스템은 다른 품종에서 적어도 이익을 얻을 수 있다. 다른 품종에서 수익성이 없다면, 그 시스템을 사용하는 과정에서 그 효용성에 주의를 기울여야 한다. 즉, 특정 품종의 특수한 상황에 과도하게 적합하지 않은가.