با ۶۵۰ میلیون چه ماشینی بخرم

با ۶۵۰ میلیون چه ماشینی بخرم : راه حل ترجیحی من استفاده از یک پنجره در حال گسترش است، مانند شکل ۹.۴۵ فرض کنید فکر می کنید حداقل به یک سال زمان نیاز دارید تا سیستم خود را متناسب کنید. در مرحله بعد شما بر روی اولین سال داده های سال ۱۹۹۰ برازش می کنید و سپس تغییرات حاصل را در سال دوم، ۱۹۹۱ آزمایش می کنید.

سپس در مرحله سه از شکل ۹، در سال ۱۹۹۲ با استفاده از تغییرات برازش داده های سال های ۱۹۹۰ و ۱۹۹۱. برای آزمایش سال ۱۹۹۳، شما از بهترین تغییرات برازش شده با استفاده از ۱۹۹۰، ۱۹۹۱ و ۱۹۹۲ استفاده می کنید. این تا سال ۲۰۰۰ ادامه می یابد، زمانی که از داده های ده سال گذشته برای انتخاب بهترین تغییر استفاده می کنید.

با ۶۵۰ میلیون چه ماشینی بخرم : از آنجا که شما فقط با استفاده از گذشته مناسب هستید، تقلب نمی کنید. شما همچنین تا جایی که «قانونی» می توانید از گذشته استفاده می کنید، بنابراین هیچ چیز هدر نمی رود. تنها مشکل این روش این است که اگر دنیا تغییر کند، همچنان از داده‌های بالقوه نامربوط گذشته استفاده می‌کنید.

برای جلوگیری از این امر، زمانی که سابقه کافی برای انجام این کار دارید، می توانید بر روی داده های پنج یا ده سال گذشته قرار دهید و سال های قبل را کنار بگذارید. این یک پنجره چرخان است. ۴۶ همانطور که شکل ۱۰ نشان می دهد که یک پنجره غلتان پنج ساله تا سال ۱۹۹۶ مشابه پنجره در حال گسترش است.

با ۶۵۰ میلیون چه ماشینی بخرم : در این مرحله شما باید ۱۹۹۰ را کنار بگذارید و فقط از سال های ۱۹۹۱ تا ۱۹۹۵ برای مطابقت با بهترین تغییرات استفاده کنید. طول پنجره باید به اندازه کافی کوتاه باشد تا تغییرات در ساختار بازار را نشان دهد، اما به اندازه کافی طولانی باشد تا نتایج آماری قابل توجهی به دست آورد.

همانطور که بعداً خواهید دید، اغلب به چندین دهه داده نیاز دارید تا مدل‌ها را مطابقت دهید، که استفاده از پنجره‌های چرخشی را مشکل‌ساز می‌کند. ۴۵. گاهی اوقات به آن اتصالات لنگر می گویند. ۴۶. ​​یکی دیگر از اصطلاحات پرکاربرد برای این، راه رفتن به جلو است. ۵۷ فصل سوم. متناسب با شکل ۹: گسترش خارج از نمونه هم کارآمد و هم صادق است.

با ۶۵۰ میلیون چه ماشینی بخرم : هر ردیف نشان دهنده اتصال و آزمایش انجام شده برای یک سال خاص است. شکل ۱۰: ارائه نمونه با تغییر شرایط سازگار است، اما مطمئن شوید که داده های کافی برای اهمیت آماری دارید هر سال از داده های گذشته برای تناسب استفاده می کنید. تا پنج سال ارزش دارد.

هر ردیف نشان دهنده اتصال و آزمایش انجام شده برای یک سال خاص است. ۵۸ معامله سیستماتیک هنگامی که اتصالات خراب می شود اکنون اجازه دهید یک مثال عینی از عملکرد ضعیف برازش را بررسی کنیم. من قصد دارم بهترین نوع از قانون معاملات زودهنگام زیان‌دهی را که در فصل یک معرفی کردم برای اجرای قرارداد آتی طلای CME، از میان منوی احتمالی ۹۰ تغییر انتخاب کنم.

با ۶۵۰ میلیون چه ماشینی بخرم : جو در حکایت قبلی من آزمایش می کرد. به خاطر داشته باشید که اگر من یک قانون معاملاتی پنج پارامتری داشتم و به هر پارامتر اجازه می دادم یکی از ده مقدار گسسته را بگیرد، آنگاه ۱۰۰۰۰ تغییر را آزمایش می کردم! زمانی که حداقل یک سال اطلاعات داشته باشم، بالاترین عملکرد را بر اساس نسبت شارپ (SR) از ۱۲ ماه گذشته پیدا می کنم.

سپس با استفاده از داده های ۱۲ ماه گذشته، عملکرد سال بعد را آزمایش می کنم. سپس این روند هر سال تکرار می شود. شما باید این را به عنوان یک آزمون پشت سر هم یکساله تشخیص دهید. به نظر شما کدام یک از گزینه های زیر بهترین عملکرد را به من می دهد؟ ۱. انتخاب بهترین تنوع: هر سال از بهترین واریاسیون سال قبل استفاده می کنم.

با ۶۵۰ میلیون چه ماشینی بخرم : انتخاب یک تغییر تصادفی: با نادیده گرفتن برازش خود، هر سال یک تغییر را به طور تصادفی انتخاب می کنم. از آنجایی که تصادفی بودن هر انتخاب بر نتایجی که من این آزمایش را چندین بار اجرا می‌کنم تأثیر می‌گذارد و میانگین عملکرد را می‌گیرد.

حفظ همه تغییرات: باز هم با نادیده گرفتن تناسب خود، همه ۹۰ تغییرات را حفظ می کنم و از میانگین وزنی یکسانی از پیش بینی های آنها استفاده می کنم. اگر از طرفداران پر و پا قرص برازش هستید، نتایج ناامیدکننده هستند. انتخاب بهترین قانون هر سال نسبت به سال قبل به من یک SR نسبتاً ضعیف ۰.۰۷ می دهد.

با ۶۵۰ میلیون چه ماشینی بخرم : اگر من به سراغ گزینه دوم بروم و هر سال در اول ژانویه یک قانون تصادفی را انتخاب کنم، به طور متوسط ​​شارپ ۰.۲ دریافت می کنم.بهترین گزینه این است که انتخاب تغییرات قوانین معاملاتی را به طور کامل فراموش کنید و ترکیبی برابر از همه آنها را اجرا کنید.

این SR 0.33 را به دست می دهد که برای یک نوع قانون معاملاتی که روی یک ابزار اجرا می شود بسیار خوب است. این نتایج می تواند تصادفی باشد، اما من نتایج مشابهی را در مورد ابزارهای مختلف و قوانین معاملاتی دریافت می کنم. چرا فیتینگ اینقدر بد عمل می کند؟ اولاً انتخاب فقط یک تغییر برای اجرا در هر زمان بوی اعتماد به نفس بیش از حد می دهد.

با ۶۵۰ میلیون چه ماشینی بخرم : همانطور که به زودی خواهید دید، ما به ندرت شواهد کافی مبنی بر اینکه یک قانون قطعا بهتر از دیگری است داریم. ثانیاً یک سال داده برای تصمیم گیری اینکه کدام قانون تجارت بهترین است، کاملاً ناکافی است. من این مشکل را با تطبیق با تاریخچه یک ابزار واحد، قراردادهای آتی طلا، بدتر می کنم.

در نهایت، مانند جو، من تغییرات بسیار زیادی را آزمایش می کنم. ۴۷. برای کسانی که علاقه مند هستند، این بر اساس سیستم “A و B” تعریف شده در ضمیمه B است. مقادیر برای B (مقدار توقف ضرر) اعداد صحیح از ۱ تا ۱۰ خواهد بود. برای گرفتن طول روندهای مختلف از آنجایی که من فقط می‌خواهم به قوانین پیروی از روند (زیان‌گیران اولیه) نگاه کنم.

با ۶۵۰ میلیون چه ماشینی بخرم : فقط مقادیر A (هدف سود) را تکرار می‌کنم که برابر یا بزرگ‌تر از B هستند: A = 1 × B، ۱.۵ × B، ۲ × B، . ۵ × B. این ۹۰ تغییر ممکن را در همه به دست می دهد. ۵۹ فصل سوم. تناسب خطرات انتخاب قوانین مشکل تست چندگانه – حتی برخی از قوانین تصادفی خوب به نظر می رسند.

چرا آزمایش تعداد زیادی از قوانین و تغییرات معاملات بسیار خطرناک است؟ جدا از تلاشی که انجام می‌دهید، به احتمال زیاد به طور تصادفی یک قانون ضعیف را انتخاب کنید. برای اینکه ببینید چرا اینجا یک آزمایش است. بیایید فرض کنیم من سعی می کنم به کیمیاگری برسم و قوانین سودآوری را در جایی که وجود ندارد پیدا کنم.

با ۶۵۰ میلیون چه ماشینی بخرم : من مجموعه ای از تعداد معینی از قوانین معاملاتی احتمالی دارم که همه آنها میانگین بازدهی واقعی مورد انتظار صفر دارند، اگرچه در یک سناریوی واقعی من از قبل این را نمی دانم! قوانین کاملاً دلخواه هستند و بازده آنها از داده‌های تصادفی ایجاد می‌شود.

برای هر آزمون، من یک سال داده بازگشتی برای هر قانون موجود در مجموعه خود دریافت می‌کنم، مانند مثال آتی طلا در بالا، و همه قوانینی را که نسبت شارپ آنها (SR) است، انتخاب می‌کنم. ) در آن سال بالاتر از حداقل سطح معین است. اگر هیچ قانونی SR بالاتر از آستانه نداشته باشد، من هیچ یک را انتخاب نمی کنم.

با ۶۵۰ میلیون چه ماشینی بخرم : تمام قوانینی که در آزمون قبول می شوند حفظ خواهند شد (حتی اگر ۵۰ مورد باشد!). از آنجایی که داده‌های زیربنایی تصادفی هستند، باید چندین بار داده‌های جدید تولید کنم و سپس آزمایش را تکرار کنم تا نتایج معنی‌داری به دست بیاورم. سپس میانگین تعداد قوانین پذیرفته شده را با توجه به حداقل سطح مشخص و اندازه استخر موجود اندازه می‌گیرم.

همانطور که جدول ۳ نشان می دهد، حتی اگر سختگیر باشم و حداقل SR بسیار بالایی را ۲.۰ تنظیم کنم، اگر به اندازه کافی از آنها تست کنم، باز هم چند قانون بد را انتخاب می کنم. جدول ۳: اگر قوانین کافی را آزمایش کنید، برخی از قوانین بد همیشه از بین می روند تعداد قوانین آزمایش شده در استخر حداقل نسبت شارپ جدول میانگین تعداد قوانین پذیرفته شده از مجموعه قوانین بی سود دلخواه را نشان می دهد.

با ۶۵۰ میلیون چه ماشینی بخرم : با توجه به اندازه های مختلف استخر (ردیف ها)، که برای بررسی اینکه آیا نسبت شارپ آنها از حداقل برش (ستون ها) بیشتر است یا خیر، آزمایش شده است. ۴۸. بسیاری از مثال‌های این فصل از بازده‌های روزانه خیالی انواع مختلف قوانین تجارت دلخواه استفاده می‌کنند.

این بازده های جعلی به طور تصادفی با نوع ویژگی هایی که من می خواهم ایجاد می شوند: میانگین مورد انتظار، انحراف استاندارد (که نسبت شارپ را از آن دریافت می کنیم)، و در صورت لزوم همبستگی با سایر تغییرات. سپس این تست ها را بارها اجرا می کنم و میانگین نتیجه را گزارش می کنم، بنابراین پاسخ تحت تأثیر نحوه بیرون آمدن هر سری از اعداد تصادفی قرار نمی گیرد. ۶۰ تجارت سیستماتیک در این صورت عملاً از چه قطع SR باید استفاده کنم؟

با ۶۵۰ میلیون چه ماشینی بخرم : از آنجایی که هیچ یک از قوانین خیالی واقعاً سودآور نیستند، من هیچ کدام را نمی پذیرم.اما در موقعیت‌های مناسب واقعی، نمی‌توانیم نوار را خیلی بالا بگذاریم یا حتی قوانین خوب کنار گذاشته می‌شوند. به هر حال، یک SR واقعی برای یک قانون معاملاتی واقعی، که روی یک ابزار آزمایش شده است.

احتمالاً حدود ۰.۳۰ است. بیایید فرض کنیم با ۵ درصد شانس انتخاب حداقل یک قانون که واقعاً بی‌سود بود خوشحال می‌شوم. همچنین در دنیای واقعی من معمولا بیش از یک سال داده دارم، بنابراین بیایید ببینیم تاریخچه اضافی چه تأثیری بر یافته های من دارد. جدول ۴ تمام نتایج را نشان می دهد. همانطور که ممکن است حدس زده باشید که طول سری بازگشت در اینجا بسیار مهم است.

با ۶۵۰ میلیون چه ماشینی بخرم : تاریخچه بیشتر به معنای شانس کمتری است که یک قانون SR صفر به رگه خوش شانسی برسد، بنابراین می توانم برش را پایین تر تنظیم کنم. با این حال، حتی با ۳۰ سال داده، من نمی‌توانم بیش از تعداد انگشت شماری از قوانین را آزمایش کنم، و حتی در آن صورت، زمانی که بسیاری از تغییرات کاملاً خوب فقط نسبت شارپ واقعی ۰.۳ دارند، این برش بسیار زیاد است.