Falar sobre como otimizar os parâmetros de vários modelos de negociação programatizados

Falar sobre como otimizar os parâmetros de vários modelos de negociação programatizados

• Parâmetros Planalto e Parâmetros Ilhas

Um princípio importante na otimização de parâmetros é a busca por um plano de parâmetros e não por um ilhéu de parâmetros. O chamado plano de parâmetros significa que há uma faixa de parâmetros mais ampla e que o modelo pode obter melhores resultados dentro dessa faixa de parâmetros, geralmente formando uma distribuição aproximada normal no centro do plano de parâmetros.

• Gráfico de parâmetros de planalto

  Por exemplo, se um modelo de negociação tiver dois parâmetros, os parâmetros 1 e 2, quando os dois parâmetros são testados, obtém-se um resultado tridimensional. Uma boa distribuição de parâmetros deve ser o parâmetro de negociação, mesmo quando a configuração dos parâmetros é desviada, o desempenho de ganho do modelo ainda pode ser garantido.

  

  Em geral, se o desempenho de um sistema de parâmetros próximos for muito diferente do desempenho do parâmetro ideal, então esse parâmetro ideal pode ser um resultado de uma superação e, matematicamente, pode ser considerado uma solução singular, e não uma solução de grande valor. Do ponto de vista matemático, a singularidade é instável e, em situações de incerteza futura, o parâmetro ideal pode se tornar o parâmetro pior assim que as características do mercado mudarem.

  O excesso de adequação está relacionado com a amostra selecionada, quando a amostra selecionada não representa as características gerais do mercado, apenas para fazer com que o resultado do teste atinja o valor esperado positivo. Essa prática é, sem dúvida, um auto-engano, e o valor do parâmetro obtido é o parâmetro de um excesso de adequação inválido. Por exemplo, ao analisar o excesso de adequação dos parâmetros, o modelo de negociação apresenta um fenômeno de ganho acelerado nos valores 35 e 63, respectivamente, e o rendimento do modelo parece perfeito se o parâmetro correspondente do modelo for selecionado com 35 e 63, mas na verdade é o típico efeito ilha de parâmetros.

  A principal contradição entre o excesso de ajustamento e a otimização de parâmetros é que os parâmetros ideais obtidos pelo modelo são baseados apenas em amostras de dados históricos que já ocorreram, enquanto os mercados futuros são dinâmicos, com semelhanças e variações em relação aos mercados históricos. O designer do modelo pode encontrar os parâmetros que o modelo apresentou de melhor forma em sua história, mas esse parâmetro não necessariamente se mostrará o melhor em sua aplicação real no futuro.

  Além disso, o planalto de parâmetros e o ilhéu de parâmetros também costumam ter uma relação maior com o número de transações. Se o número de transações do modelo for menor, muitas vezes é possível encontrar um ponto de parâmetro adequado para que o modelo seja lucrativo em todas as transações, e o modelo ganha mais acidentalmente quando o parâmetro é otimizado. Se o número de transações do modelo for maior, a acidentalidade dos lucros do modelo diminui, e há um planalto de parâmetros que mais reflete a inevitabilidade e regularidade dos lucros.

• Métodos de otimização de parâmetros

  Após a compreensão do plano de parâmetros e do isolamento de parâmetros, o método de otimização de parâmetros é importante, especialmente quando há vários parâmetros (a seguir denominados conjuntos de parâmetros) no modelo. Muitas vezes, a tomada de valor de um parâmetro afeta a distribuição do plano de parâmetros de outro parâmetro. Então, como otimizar o conjunto de parâmetros?

  Um método é o método de convergência gradual; ou seja, primeiro se otimiza um parâmetro individualmente, obtendo-se o seu valor ideal e fixado, e depois se otimiza o outro parâmetro para obter o seu valor ideal e fixado. Assim, o ciclo continua até que o resultado da otimização não mude. Por exemplo, um modelo de negociação de compra e venda cruzada uniforme, com dois parâmetros independentes, respectivamente, um período curto N1 e um período longo N2.

  Outro método é usar uma plataforma de software programado com recursos de computação mais fortes para calcular diretamente a distribuição entre a função alvo e o conjunto de parâmetros, e, em seguida, buscar a distribuição de diferença multidimensional, definindo um limiar de diferença, cujo valor absoluto de diferença é menor que o valor do limiar. O maior volume multidimensional correspondente, o maior raio de esfera multidimensional, é escolhido como o parâmetro mais estável para ser valorizado.

  Além do método de otimização de parâmetros, a seleção de amostras de dados também é um fator importante. Os modelos que seguem tendências como ideias de negociação funcionam melhor quando o mercado está em tendência, e as estratégias que compram alto e baixo como ideias de negociação funcionam melhor em mercados oscilantes. Portanto, é necessário eliminar adequadamente os mercados que coincidem com as ideias de negociação para considerar o lucro e aumentar os dados de mercados que não seguem as ideias de negociação para considerar o prejuízo.

  Como exemplo, os futuros de índices de ações, desde o início do mercado em 2010 e a segunda metade de 2014, quando surgiu um mercado de extrema alta. Sem dúvida, todos os modelos de tendências têm bons resultados. No entanto, se também inserirmos esses dados de mercados extremos na amostra para a otimização de parâmetros, os parâmetros do modelo obtidos não são necessariamente os melhores.

  Por exemplo, se um modelo tiver dois parâmetros, o parâmetro A tem resultados muito bons em um período de mercado unilateral, mas em outros períodos de tempo, e o parâmetro B tem resultados piores em outros períodos de tempo, e a distribuição entre os parâmetros A é uniforme. Mesmo que o parâmetro A tenha um índice de risco maior que o parâmetro B, preferimos o parâmetro B, pois o parâmetro B é relativamente mais estável e não depende de uma amostra específica.

  Em suma, quando se constrói um modelo de negociação programática, pode-se, por um lado, otimizar o modelo por parâmetros para melhor adaptá-lo aos padrões de flutuação de preços e aumentar o retorno do investimento; por outro lado, evitar a adaptação excessiva ao otimização de parâmetros, resultando em uma redução significativa da adequação do modelo às mudanças do mercado.

Traduzido por Traders Programatizados