Berbincang tentang bagaimana untuk mengoptimumkan parameter beberapa model urus niaga berprogram

Berbincang tentang bagaimana untuk mengoptimumkan parameter beberapa model urus niaga berprogram

• Dataran tinggi parameter dan pulau parameter

Satu prinsip penting dalam pengoptimuman parameter adalah untuk mencapai dataran tinggi parameter dan bukan pengasingan parameter. Yang disebut dataran tinggi parameter, adalah bahawa terdapat rentang parameter yang lebih luas, dan model dapat mencapai kesan yang lebih baik dalam rentang parameter ini, biasanya membentuk pembahagian yang hampir normal di pusat dataran tinggi. Yang disebut pengasingan parameter, adalah bahawa model berfungsi dengan lebih baik hanya apabila nilai parameter berada dalam beberapa rentang yang sangat kecil, dan apabila parameter menyimpang dari nilai ini, ekspresi model akan berubah dengan ketara.

• Gambar untuk parameter dataran tinggi

  Sebagai contoh, jika model dagangan mempunyai dua parameter, iaitu parameter 1 dan parameter 2, maka apabila kedua-dua parameter diuji melalui, maka hasil persembahan akan dihasilkan dalam bentuk gambar tiga dimensi. Pembahagian parameter yang baik adalah parameter yang menunjukkan bahawa walaupun parameter tersebut telah dialihkan, prestasi keuntungan model masih dapat dijamin. Oleh kerana parameter tersebut adalah stabil, ia boleh menjadikan model ini lebih responsif apabila menghadapi pelbagai jenis perdagangan dalam peperangan masa depan. Tetapi jika hasil prestasi selepas parameter menunjukkan bahawa apabila banyak parameter yang dialihkan berlaku, prestasi keuntungan model akan berubah dengan lebih besar, kerana parameter ini sering beradaptasi dengan prestasi yang tidak baik, dan bertindak balas terhadap persekitaran dagangan yang sukar untuk diwujudkan dalam pasaran.

  

  Secara amnya, jika prestasi sistem parameter terdekat jauh berbeza dengan prestasi parameter optimum, maka parameter optimum ini mungkin merupakan hasil dari over-summing, yang secara matematik boleh dianggap sebagai penyelesaian keanehan, dan bukan penyelesaian nilai yang sangat besar yang dicari. Dari segi matematik, keanehan tidak stabil, dan dalam keadaan tidak pasti di masa depan, apabila ciri pasaran berubah, parameter optimum mungkin menjadi parameter terburuk.

  Kecocokan berlebihan berkaitan dengan sampel yang dipilih, jika sampel yang dipilih tidak dapat mewakili ciri-ciri keseluruhan pasaran, hanya untuk membuat keputusan ujian mencapai nilai yang diharapkan yang positif, amalan ini pasti menipu diri sendiri, dan nilai parameter yang diperoleh adalah parameter yang tidak sesuai. Sebagai contoh, dengan menganalisis parameter kecocokan berlebihan, model dagangan menunjukkan fenomena kenaikan keuntungan secara tiba-tiba pada nilai 35 dan 63 masing-masing, dan pendapatan model kelihatan sempurna jika parameter yang sesuai dalam model dipilih dengan 35 dan 63, tetapi sebenarnya adalah kesan pulau-pulau parameter yang khas.

  Perbezaan utama antara pemasangan berlebihan dan pengoptimuman parameter adalah bahawa parameter optimum yang dioptimumkan untuk model hanya berdasarkan sampel data sejarah yang telah berlaku, sementara pasaran masa depan adalah perubahan dinamik, yang mempunyai persamaan dan juga variasi berbanding pasaran sejarah. Pereka model dapat mencari parameter yang terbaik untuk model dalam sejarah, tetapi parameter ini tidak semestinya terbaik dalam aplikasi sebenar model masa depan, lebih-lebih lagi parameter model yang terbaik dalam sejarah, yang mungkin akan menunjukkan prestasi yang buruk dalam peperangan model masa depan, atau bahkan membawa kerugian yang besar. Sebagai contoh, memilih parameter yang dapat menangkap gelombang perdagangan besar dalam sejarah, tetapi menetapkan model dengan nilai parameter seperti itu tidak bermakna model akan menunjukkan prestasi yang baik dalam sejarah, dan penggunaan parameter yang lebih baik dalam sejarah mungkin tidak membantu model masa depan.

  Di samping itu, dataran tinggi parameter dan kepulauan parameter juga sering dikaitkan dengan jumlah transaksi. Jika jumlah transaksi model lebih sedikit, titik parameter yang sesuai sering dapat dijumpai untuk menjadikan model menguntungkan dalam beberapa transaksi ini, dan model yang mendapat keuntungan apabila parameter ini dioptimumkan mencerminkan kebetulan yang lebih kuat. Jika jumlah transaksi model lebih banyak, peluang keuntungan model menurun, dan lebih banyak mencerminkan keharusan dan keteraturan keuntungan, maka terdapat dataran tinggi parameter. Model yang dioptimumkan parameter ini adalah tujuan pengoptimuman parameter.

• Cara untuk mengoptimumkan parameter

  Setelah memahami dataran tinggi parameter dan pulau parameter, kaedah pengoptimuman parameter menjadi penting, terutamanya apabila terdapat beberapa parameter dalam model (selepas ini disebut sebagai set parameter), sering kali pengambilan nilai satu parameter akan mempengaruhi pengagihan dataran tinggi parameter yang lain. Jadi bagaimana untuk mengoptimumkan set parameter?

  Salah satu kaedah adalah kaedah penghampiran beransur-ansur; iaitu mengoptimumkan satu parameter secara berasingan, mendapatkan nilai optimumnya dan kemudian mengoptimumkan parameter yang lain untuk mendapatkan nilai optimumnya dan kemudian mengikatnya; begitu berputar sehingga hasil pengoptimumannya tidak berubah lagi. Contohnya, model perdagangan silang berpusat yang mempunyai dua parameter bebas iaitu jangka pendek N1 dan jangka panjang N2 masing-masing. Pertama, N2 ditetapkan sebagai 1, N1 diuji dengan pilihan ujian dalam julat nilai dari 1 hingga 100, parameter optimum dicari, parameter optimum akhirnya diperoleh 8 kali dan ditetapkan; N2 dioptimumkan antara 1200 hingga 26 kali, dan nilai optimum ditetapkan; sekali lagi, N1 dioptimumkan untuk pusingan kedua, dan nilai optimum baru diperoleh 10 kali dan ditetapkan; dan akhirnya N2 dioptimumkan dengan nilai 28 kali dan ditetapkan.

  Kaedah lain adalah menggunakan platform reka bentuk perisian berprogram dengan fungsi pengiraan yang lebih kuat, untuk mengira secara langsung perpecahan antara fungsi sasaran dan set parameter, kemudian mencari perpecahan pelbagai dimensi, menentukan ambang perbezaan yang mana nilai mutlak perpecahan kurang daripada ambang ambang batas yang sepadan dengan jumlah berbilang dimensi terbesar, radius bola dalam pelbagai dimensi tertinggi, dipilih sebagai parameter yang paling stabil.

  Di samping kaedah pengoptimuman parameter, pemilihan sampel data juga merupakan faktor penting. Model yang mengikuti trend sebagai idea dagangan berkinerja lebih baik apabila pasaran trend muncul, dan strategi yang menjual tinggi dan membeli rendah sebagai idea dagangan berkinerja lebih baik dalam pasaran yang bergolak. Oleh itu, ketika pengoptimuman parameter, perlu menghapuskan pasaran yang sesuai dengan idea dagangan untuk mempertimbangkan keuntungan, dan menambah data pasaran yang tidak sesuai dengan idea strategi untuk mempertimbangkan kerugian.

  Sebagai contoh, pada awal tahun 2010 apabila pasaran saham diperkenalkan dan pada separuh kedua tahun 2014 apabila pasaran bullish melampau muncul, pasaran hadapan saham adalah satu sisi. Tidak ada keraguan bahawa semua model trend akan mendapat kesan yang baik. Walau bagaimanapun, jika kita memasukkan data pasaran melampau ini ke dalam sampel untuk mengoptimumkan parameter, parameter model yang diperoleh tidak semestinya yang terbaik.

  Sebagai contoh, andaikan satu model mempunyai dua parameter, hasil ujian parameter A sangat baik dalam tempoh masa pasaran tunggal, tetapi lebih baik pada tempoh masa lain; hasil ujian parameter B yang lain kurang baik dalam tempoh pasaran tunggal, tetapi lebih baik pada tempoh masa lain, dan pembahagian parameter A lebih seragam di antara setiap tempoh masa. Walaupun parameter A adalah lebih baik daripada parameter B kerana parameter B adalah lebih stabil dan tidak bergantung pada sampel tertentu.

  Ringkasnya, apabila membina model dagangan terprogram, pada satu pihak, anda boleh mengoptimumkan model dengan parameter untuk membuat model lebih sesuai dengan model turun naik harga dan meningkatkan pulangan pelaburan; di sisi lain, anda juga perlu mengelakkan pemasangan parameter yang dioptimumkan yang berlebihan, yang menyebabkan penurunan besar dalam kesesuaian model terhadap perubahan pasaran.

Dipindahkan dari Pedagang Program