우수한 체계화된 거래 시스템을 개발하여 그 시스템을 사용하여 어느 정도의 이익을 얻는 것은 복잡한 과정이며, 이 과정에서 많은 문제가 발생할 수 있다. 예를 들어, 종종 투자자는 실제 거래 전략을 사용하기 전에 전략의 역사 테스트 수익 곡선의 그래프가 평평해지기 때문에 전략의 수익성에 대해 매우 확신합니다. 실제 이후에는 자본 곡선이 아래로 기울어지고, 사람들을 기쁘게하지 않습니다. 이러한 현상의 중요한 이유는 과도한 적합성입니다. 과도한 적합성이라고 불리는 것은 본 데이터에 대한 묘사의 정확도가 높고 샘플 외부 데이터에 대한 설명의 정확도가 낮다는 것을 의미합니다.
절차적 거래 시스템의 설계 과정은 두 부분으로 이루어져 있으며, 이 두 부분 모두 과도한 적합성을 초래할 수 있다. 거래 시스템 설계의 첫 번째 부분은 완전한 거래 규칙 체계를 형성하는 것이다. 거래 규칙 형성은 일반적으로 상에서 아래로 그리고 아래에서 위로 두 가지 방법이 있다: 상에서 아래로 접근하는 방법은 시장 현상에 대한 장기적인 관찰에 기초하여 규칙을 요약하는 방법, 그리고 그 규칙에 기초하여 오랜 거래 경험을 축적하는 과정을 필요로 하는 수치화된 거래 전략을 형성하는 방법; 하위에서 원칙적인 접근법은 시장 데이터에서 출발하여 새로운 시장 특성을 형성하는 전략을 통계적으로 분석하는 방법이다.
디자인 거래 시스템의 목표는 미래의 실제 시장에서 수익을 창출하는 것이 아니라 아름다운 역사 테스트 곡선을 추구하는 것이 아니라, 과도하게 적합한 거래 시스템은 매우 아름다운 함정이다. 이 함정에서 벗어나는 방법은 무엇입니까? 우리는 거래 규칙의 형성과 거래 시스템 개발에서 두 가지 측면에서 시작할 수 있다고 생각합니다. 금융 시장의 현대 수학 데이터 분석은 시간 가격 순서가 두 가지 부분으로 구성되어 있음을 보여줍니다. 첫 번째 부분은 특정 항목이며, 점점 더 특정 규칙을 찾을 수 있습니다. 두 번째 부분은 무작위 항목이며, 불확실성의 규칙은 확실하지 않으며, 어떤 현상이 발생하는 것은 확률입니다.
첫째, 역사 테스트 데이터 샘플 용량을 증가시켜 거래의 수를 너무 많이 피한다. 만약 역사 테스트 데이터가 적다면, 설계된 시스템이 표본 내에서 잘 작동하지만 짧은 기간의 테스트는 설득력이 없으며, 시스템의 미래 성능을 예측하는 것이 어렵습니다. 그리고 거래 규칙의 제한을 너무 많이 증가시키는 것으로 인해 거래의 수가 너무 적은 경우 손실 거래에 대한 과잉 압축이 전형적인 과도한 적합성 행동입니다.
두 번째, 테스트를 할 때, 테스트되는 데이터 샘플을 샘플 내와 샘플 외부로 나누고, 시스템 설계시 샘플 내 데이터를 사용하여 샘플 외부 데이터를 사용하여 테스트한 시스템을 테스트합니다. 효과가 크게 감소하면 이러한 시스템이 적합 할 가능성이 높습니다.
세번째, 핵심 파라미터가 너무 많으면 안되는데, 파라미터가 너무 많으면 자유도가 많고, 여러 파라미터를 최적화한 후에 항상 아름다운 시스템을 만들지만, 그런 시스템의 신뢰성은 의심스러운 것이다.
넷째, 시스템의 매개 변수를 최적화할 때, 우리는 최적의 매개 변수에 가까운 매개 변수를 고려해야 한다. 만약 근접의 매개 변수 시스템의 성능이 최적의 매개 변수 성능보다 크게 떨어지면, 이 최적의 매개 변수는 수학적으로 특이점 해소라고 불리는 과도한 합의 결과일 수 있으며, 불안정하다. 시장의 특성이 약간 변하면 최적의 매개 변수가 최악의 매개 변수가 될 수 있다.
다섯째, 거래 시스템을 다른 품종에 적용하여 그 효용을 관찰한다. 만능 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 효용성, 즉 특정 품종의 특수한 시장에 지나치게 적합하지 않은지에 주의해야 한다.