Оптимизация

Для описания оптимизационного процесса можно использовать несколько одинаково необходимых терминов: тестовая связка (test batch), тестовый прогон (test run), сканирование перемен¬ных, вычислительный процесс и т.д. В этой книге слово оптими¬зация будет означать отбор параметров. Цель оптимизации – найти значения параметров модели, которые будут давать пико¬вую эффективность торговли в реальном времени.

Заметьте, что акцент сделан на «пиковую эффективность» торговли и торговли именно в реальном времени. Такое фокуси¬рование может показаться очевидным; к сожалению, на практи¬ке многие оптимизаторы на самом деле не достигают данных це¬лей. Такие пользователи программного обеспечения для трей¬динга по недоразумению полагают, что результат оптимизации, дающий наибольшую прибыль, и торговая модель, имеющая пи-ковую эффективность в реальной торговле, есть одно и то же.

Такой сценарий возможен. Однако если оптимизация исполь¬зует недостаточную выборку данных, то она скорее всего даст слишком маленькую выборку сделок, чтобы обеспечить статис¬тическую значимость. Если оптимизация выполнена на нерепре-зентативной выборке данных, модель с большой вероятностью покажет плохие результаты, когда неожиданно столкнется с дру¬гими условиями рынка или тренда. Если число степеней свобо¬ды ограничено слишком многими условиями, статистическая валидность результатов оказывается под вопросом. Если топ-мо¬дель, найденная во время оптимизации, представляет «всплеск» прибыли, а не вершину пологого округлого холма, при смене це¬новых паттернов данная модель будет малоустойчивой. Если мо¬дель не подвергалась форвардному тестированию, нельзя быть в достаточной степени уверенным в ее способностях торговать в реальном времени. Модель, являющаяся результатом небрежной и неполной оптимизации, скорее всего приведет при реальном трейдинге к существенным убыткам.

Когда оптимизацию пытаются проводить, игнорируя надле¬жащие статистические принципы и процедуры, такая оптимиза¬ция может быстро деградировать до явления, обычно называемо¬го «настройкой на кривую» (curve fitting). Среди разработчиков статистических моделей широко известно, что увеличивая число переменных, можно построить кривую, которая будет соответст¬вовать любому числу точек данных. Поскольку кривая, получен¬ная с помощью процедур моделирования, слишком точно наст¬роена на прошлые данные, нет никаких гарантий того, что она будет хорошо предсказывать будущее движение. Точность наст¬ройки отнюдь не предполагает лучшей предсказательной силы. В нашей работе часто все как раз наоборот.

При использовании статистического метода модель, которая лучше всего соответствует большой и репрезентативной выборке данных при достаточном числе степеней свободы, имеет устой¬чивые параметры и прошла форвардный анализ, будет лучшим предсказателем будущего поведения рынка.

Содержание

Далее