Поговорим о том, как оптимизировать параметры нескольких программируемых моделей.

Поговорим о том, как оптимизировать параметры нескольких программируемых моделей.

• Параметровые плато и параметровые острова

Одним из важных принципов в оптимизации параметров является стремление к параметровой плоскости, а не к параметровой изоляции. Так называемая параметровая плоскость означает, что существует более широкий диапазон параметров, в пределах которого модель может добиться лучших результатов.

• Диаграмма для параметров высокогорья

  Например, параметровые платографии и параметровые островные карты. Предположим, что в торговой модели есть два параметра, параметры 1 и 2, и после прохождения тестов по двум параметрам получается трехмерная картина результатов. Хорошее распределение параметров должно быть параметровым платографическим графиком, и даже если параметры настроены на отклонения, то прибыльные результаты модели могут быть гарантированы. Такие параметры, благодаря своей стабильности, могут сделать модель более отзывчивой, когда она столкнется с различными видами действий в будущей реальной жизни.

  

  В целом, если характеристики системы близких параметров значительно отличаются от характеристик оптимальных параметров, то оптимальный параметр может быть результатом чрезмерного суммирования, который математически можно считать редкостным, а не поисковым. С математической точки зрения, редкости нестабильны, и в будущем, при неопределенности, оптимальный параметр может стать худшим, как только изменятся рыночные характеристики.

  Сверхподходящая выборка связана с тем, что если выбранная выборка не может представлять общую характеристику рынка, то для того, чтобы получить положительные ожидаемые результаты тестирования, необходимо скорректировать параметры. Это, несомненно, самообман, и получается неэффективное значение параметров сверхподходящих. Например, при анализе параметров сверхподходящих, в торговых моделях наблюдается резкое увеличение доходности на значениях 35 и 63 соответственно.

  Основное противоречие с параметровой оптимизацией заключается в том, что оптимальные параметры для оптимизации модельных параметров основаны только на образцах исторических данных, которые уже произошли, а будущие рынки динамически изменяются, имея как сходство, так и вариацию по сравнению с историческими рынками. Дизайнеры моделей могут найти параметры, которые модели будут выполнять лучше в истории, но это не обязательно будет лучшим параметром в практическом применении модели в будущем, а тем более лучшим параметром в истории, который может плохо работать в будущей модельной войне или даже привести к значительным потерям.

  Кроме того, параметровые плато и параметровые острова часто имеют большую связь с количеством сделок. Если количество сделок модели меньше, часто можно найти подходящую параметровую точку, которая сделает модель выгодной на всех этих сделках, и прибыль модели после оптимизации таких параметров отражает более сильную случайность. Если количество сделок модели больше, случайность прибыли модели снижается, и больше отражает неизбежность и закономерность прибыли, то существует параметровое плато.

• Методы оптимизации параметров

  После понимания параметровой плоскости и параметровой изоляции, методы оптимизации параметров выглядят важными, особенно когда в модели присутствует несколько параметров (далее - параметровые наборы), часто выбор значения одного параметра влияет на распределение другого параметрового плоскости. Так как же оптимизировать параметровые наборы?

  Один из методов - это последовательное свертывание; то есть, сначала оптимизировать один параметр отдельно, после получения его оптимального значения фиксировать, а затем оптимизировать другой параметр, после получения его оптимального значения фиксировать. Так продолжается, пока результаты оптимизации не изменятся. Например, в однолинейной кросс-торговой модели два независимых параметра - среднелинейный короткий цикл N1 и длинный цикл N2 - не изменятся.

  Другой способ - использовать программируемую программную платформу с более мощными вычислительными функциями, чтобы напрямую вычислить распределение между целевой функцией и параметровой массивом, затем искать распределение многомерной дифференции, определить пороговую величину дифференции, абсолютная величина дифференции меньше, чем в пределах порогового диапазона.

  В дополнение к методам оптимизации параметров, выбор образцов данных также является важным фактором. Модели, которые следуют трендам в качестве торговых идей, лучше работают при появлении трендовых рынков, а стратегии, которые продают высоко и покупают низко, лучше работают в волатильных рынках. Поэтому при оптимизации параметров необходимо надлежащим образом исключить рынки, которые совпадают с торговыми идеями, чтобы учитывать прибыль, и увеличить данные о рынках, которые не совпадают с стратегическими идеями, чтобы учитывать убытки.

  Например, в начале 2010 года, когда был запущен фондовый фьючерс, и во второй половине 2014 года, когда появился экстремальный бычий рынок, фондовые фьючерсы были односторонними. Несомненно, все трендовые модели будут иметь хороший эффект. Однако, если мы также включим данные об экстремальных рынках в образцы для оптимизации параметров, то полученные параметры модели не обязательно будут оптимальными.

  Например, предположим, что у модели есть два параметра, в которых результат теста параметра А работает очень хорошо в одностороннем периоде времени, а в других периодах работает в общем; другой параметр B работает хуже параметра А в одностороннем периоде времени, а в других периодах работает лучше параметра А, и распределение параметров А между различными периодами времени равномерно. Даже если параметр А в целом по всей выборке данных тестирует более высокие комплексные показатели, такие как риск и рентабельность, чем параметр Б, мы также предпочитаем параметр B, так как параметр B относительно более стабилен и не зависит от конкретной выборки.

  В целом, при построении программированных торговых моделей, с одной стороны, можно оптимизировать улучшенную модель с помощью параметров, чтобы модель лучше адаптировалась к моделям ценовых колебаний и повысила доходность инвестиций; с другой стороны, следует предотвратить чрезмерное приспособление к оптимизации параметров, что приводит к значительному снижению пригодности модели к изменениям рынка.

Перенаправлено с программируемого трейдера