Что такое фондовая биржа

Как торговать на бирже

Что такое фондовая биржа

Как стать успешным трейдером

Стратегии биржевой торговли

Лучшие биржевые брокеры

Стратегии биржевой торговли

Лучшие биржевые брокеры

Лучший Форекс-брокер – компания «Альпари». Более 2 млн. клиентов из 150 стран. На рынке – с 1998 года. Выгодные торговые условия, ECN-счета с доступом к межбанковской ликвидности и моментальным исполнением, спреды – от 0 пунктов, кредитное плечо – до 1:1000, положительные отзывы реальных трейдеров.

Пардо Р. Разработка, тестирование, оптимизация торговых систем для биржевого трейдера

Боб Пардо работает над оптимизационными проблемами многие годы. Будучи автором тестовой программы широкого применения Advanced Trader и разработчиком многочисленных торговых стратегий, он вне всякого сомнения обладает всеми необходимыми знаниями для рассмотрения процесса оптимизации со всех сторон – с точки зрения разработки, тестирования и получения результатов.

Какой брокер лучше?         Альпари         Just2Trade         R Trader         Intrade.bar        Сделайте свой выбор!
Какой брокер лучше?   Just2Trade   Альпари   R Trader

Основы оптимизации

Технология оптимизации проста, однако, она требует осторож¬ности и аккуратности (См. Рис. 7-1). У оптимизации есть пять составляющих: (1) отбор параметров модели и (2) установка диа¬пазонов их сканирования; (3) должен быть установлен объем вы¬борки; (4) для нахождения лучшей модели должен быть задан правильный метод оценки; (5) должен быть выбран критерий оценки тестового прогноза в целом.

Отбор параметров

В процессе оптимизации следует использовать параметры моде¬ли, оказывающие наибольшее влияние на ее эффективность. Ес¬ли параметр слабо влияет на эффективность, нет оснований делать его кандидатом на оптимизацию. Вместо этого ему следует присвоить на время оптимизации фиксированное значение (константу).

Если относительная значимость параметров модели неизвест¬на, для ее определения необходим дополнительный шаг. Про¬стейший способ сделать это – сканировать пригодный (реле¬вантный) диапазон параметров для каждой переменной модели, один за раз. Если сканирование этого диапазона параметров по¬казывает сильное изменение, то этот параметр значим. Если же сканирование показывает небольшое изменение эффективности или отсутствие такового, данная переменная не является значи¬мой. Кроме того, при этом возникает вопрос, нужна ли вообще эта переменная в торговой модели. Опираясь на результаты предварительного сканирования, вы можете зафиксировать зна¬чения подобных параметров или исключить их из модели.

Выбор диапазона сканирования

При выборе пригодного диапазона для тестирования параметра руководствуйтесь двумя принципами. Первое, диапазон должен соответствовать данному индикатору, правилу или модели. Дру¬гими словами, сканирование диапазона от 1 до 1000 дней для краткосрочной скользящей средней противоречит понятию краткосрочности (обычно от 3 до 10 дней) и выходит далеко за рамки обычного диапазона, применяемого для скользящих сред¬них (например, от 3 до 200 дней). Для краткосрочной скользя¬щей средней более разумным был бы диапазон сканирования от 1 до 13 дней.

Необходимо контролировать и время вычислений, требуемое тем или иным диапазоном сканирования. Это становится осо¬бенно важным при сканированиях нескольких переменных. Для сканирования диапазона скользящих средних от 1 до 13 дней с шагом 2 требуется всего семь тестов, что с точки зрения времени вычислений незначительно, независимо от скорости выполне¬ния отдельных тестов. Сканирование диапазона от 1 до 200 с ша¬гом 1 требует уже 200 тестов, что более чем в 28 раз больше, чем при первом сканировании. И это теряет смысл, если данный па¬раметр слабо влияет на эффективность или если сканируемые значения выходят за рамки нормального диапазона.

Размер шага, с которым сканируется диапазон, важен не толь¬ко с точки зрения потребности в машинном времени. Слишком тщательное сканирование переменной может израсходовать не только компьютерное время; оно может по невнимательности привести вас к «настраиванию на кривую», особенно если вами не были приняты надлежащие меры предосторожности от выбо¬ра всплеска прибыли вместо холма прибыли. Валидным было бы сканирование краткосрочной скользящей средней от 1 до 13 дней с шагом 1 день.

Сканирование долгосрочной скользящей средней от 10 до 200 Дней с шагом 1 день будет повышать вероятность подстраивания под кривую, снижать валидность результатов и увеличивать время на получение результатов. Причина этого в том, что 5-про¬центное изменение этой средней при длине 100 дней дает сред¬ние с периодами 95 и 105. Сравните это с 5-процентным измене¬нием при периоде 20 дней, которое дает 19-дневную и 21-днев-ную средние. Тесты на периоде 100 чаще в 5 раз.

Выбор данных

Отбор подходящих данных подчиняется двум правилам: объем выборки должен быть достаточно большим, чтобы обеспечить статистическую валидность, и выборка должна включать доста¬точно широкий диапазон рыночных условий. Эти факторы так¬же взаимозависимы. Объем тестовых данных должен быть доста¬точным для генерации статистически значимой выборки сделок. В идеале, в выборке должно быть как минимум 30 сделок, и чем больше, тем лучше.

Некоторые правила «потребляют» данные, сокращая число степеней свободы, следовательно, объем выборки данных и чис¬ло генерируемых сделок должен быть достаточно большим, что¬бы удовлетворять ограничениям со стороны торговой модели и процесса оптимизации.

Рассмотрим следующий пример. Торговая модель, использу¬ющая 2 скользящих средних, тестируется на выборке данных за 200 дней. Самая длинная скользящая средняя может иметь пе¬риод 50 дней. Для ее вычисления используются данные за 50 дней, что приводит к «потреблению» 50 степеней свободы. При этом остается лишь 150 дней, которые могут генерировать сиг¬налы. Если генерируется 5 сделок, мы имеем 2 скользящих сред¬них, стоп-лосс, и т.д... (т.е., 5 правил продуцируют 5 сделок). Следовательно, этот тест должен быть либо отменен, либо мо¬дифицирован. Модифицировать его можно путем увеличения числа точек данных в выборке, сокращения периода длинной скользящей средней в данном тесте или исключением ограни¬чивающих правил.

Выполнение второго принципа может оказаться более труд¬ным. Выборка данных должна быть репрезентативной относи¬тельно рынка в целом. Она должна содержать как можно больше типов тренда, паттернов и ситуаций: бычьих, медвежьих, застой¬ных и цикличных. Она также должна содержать максимально возможное число различных уровней волатильности: высоких, средних и низких.

Руководствуйтесь этими принципами. Включайте как можно более разнообразные ценовые данные и используйте объем вы¬борки, соответствующий стилю данной модели. Это правило на¬ибольшей и максимально обшей возможной выборки. Если дан¬ный подход оказывается непрактичным, берите как можно боль¬ше данных, подобных текущим рыночным условиям. Это прави¬ло наиболее пригодной доступной выборки.

Выбор метода оценки модели

Принципы выбора метода оценки – целевой функции или тес¬тового критерия – уже были подробно описаны в Главе 5, «По¬иск и оценка». На этой стадии оптимизации необходимо выбрать метод оценки. Цель – использовать метод оценки, отбирающий в процессе оптимизации наиболее устойчивую модель. В зависи¬мости от требований, предъявляемых разными типами торговых моделей, методы оценки тоже могут быть разными.

Выбор метода оценки тестовых результатов

Результаты оптимизации тоже требуют оценки. В первую оче¬редь, необходимо оценить их на статистическую значимость. Вспомните, что 1% всех тестов будет иметь «высокую значи¬мость», а 5% всех тестов будут статистически «значимыми». Это означает, что если найдена топ-модель, и лишь 1% или пример¬но 1% всего тестового прогона оказывается прибыльным, то, по всей вероятности, данная топ-модель в статистическом плане является несостоятельной, а потому, скорее всего, не будет до¬статочно устойчивой. Аналогично, если лишь 5% всего теста бу¬дут иметь предельно-допустимую прибыльность, такая топ-мо-дель также скорее всего будет статистической аномалией, не имеющей достаточной устойчивости.

Следовательно, чтобы иметь к найденным топ-моделям ка¬кое-то доверие, средний результат всех тестов должен быть при¬быльным, и результат на одно стандартное отклонение ниже среднего тоже должен быть прибыльным. Чем выше процент очень прибыльных моделей, тем выше вероятность, что эта тор¬говая модель состоятельна, если, конечно, тестовый диапазон был достаточно широким. У хорошей модели много прибыльных комбинаций параметров.

Второй способ оценки оптимизационного прогона – по «форме» пространства результатов. Если топ-модель представляет всплеск прибыли, что является другим типом аномалии, то от нее следует отказаться. При минимальной смене параметров та¬кая модель превращается из прибыльной в убыточную. На Рис. 7-2 прибыль системы торгующей «по пробою» резко возрастает и падает в окрестности 75-процентной волатильности, формируя неустойчивый всплеск прибыли.

Процесс оптимизации должен отбирать топ-модель, распола¬гающуюся на вершине плавно снижающегося «холма прибыли». Эффективность такой модели будет показывать лишь небольшое сокращение прибыли при небольших и средних изменениях па¬раметров. У очень устойчивых моделей даже очень сильное изменение параметров может привести лишь к значительному сниже¬нию прибыли, но не к убытку. Это обеспечивает стабильность результатов в реальной торговле. Такая модель с большой вероят¬ностью будет эффективнее других моделей при более широком разнообразии будущих ценовых паттернов. На Рис. 7-3 прибыль торговой системы, использующей принцип пробоя, постепенно растет и снижается как функция от переменной процента вола¬тильности, формируя большую устойчивую область.

Резюме

Хорошая оптимизация должна начинаться с отбора включаемых в нее переменных – тех, которые наиболее значимы для резуль¬татов. Далее, для отобранных переменных должны быть опреде¬лены подходящие диапазоны сканирования, как можно более широкие и распределенные таким образом, чтобы избежать не¬желательного смещения. Необходимо определить надлежащий объем выборки данных, чтобы охватить как можно больше цено¬вых паттернов и трендов. Для выбора наиболее устойчивой моде¬ли необходимо использовать правильный метод оценки модели. Наконец, для выбора модели, которая условиях реальной торгов¬ли скорее всего будет иметь лучшую эффективность, необходимо использовать правильный критерий оценки тестовой связки. Ва¬лидная оптимизация может быть обеспечена лишь посредством выполнения всех этих шагов.
Содержание Далее

Что такое фондовая биржа