Wir sprechen über die Optimierung von Parametern für verschiedene programmatische Transaktionsmodelle.

Wir sprechen über die Optimierung von Parametern für verschiedene programmatische Transaktionsmodelle.

• Parameterplateau und Parameterinsel

Ein wichtiges Prinzip bei der Parameteroptimierung ist die Suche nach einem Parameterplateau und nicht nach einem Parameterisolat. Parameterplateau bedeutet, dass ein breiterer Parameterbereich vorhanden ist, in dem das Modell besser funktioniert und in der Regel eine annähernd normale Verteilung mit dem Zentrum des Plateaus bildet. Parameterisolat bedeutet, dass das Modell nur dann besser funktioniert, wenn sich der Parameterwert in einem sehr kleinen Bereich befindet, und wenn die Parameter von diesem Wert abweichen, wird die Darstellung des Modells signifikant verändert.

• Grafik für das Parameter Hochland

  Nehmen wir beispielsweise die Parameterplateau- und Parameter-Inselkarte. Nehmen wir an, dass ein Handelsmodell zwei Parameter enthält, Parameter 1 und Parameter 2, und wenn die beiden Parameter durchläufig getestet werden, ergibt sich ein dreidimensionales Ergebnis. Eine gute Parameterverteilung sollte Parameterplateau-Inten sein, so dass die Gewinnleistung des Modells auch dann gewährleistet ist, wenn die Parameter-Einstellungen abgelenkt sind.

  

  Im Allgemeinen kann der optimale Parameter, wenn die Leistung des nahegelegenen Parametersystems weit von der Leistung des optimalen Parametersystems abweicht, möglicherweise ein Ergebnis einer Übersummierung sein, die mathematisch als eine Seltsamkeitslösung angesehen werden kann, anstatt als eine sehr große Lösung. Aus mathematischer Sicht ist die Seltsamkeit instabil, und wenn sich die Merkmale des Marktes in Zukunft ändern, kann der optimale Parameter zum schlechtesten Parameter werden.

  Über-Fitness bezieht sich auf die ausgewählte Stichprobe, wenn die ausgewählte Stichprobe die allgemeinen Merkmale des Marktes nicht repräsentieren kann und die Parameter nur angepasst werden, um die Testresultate zu einem positiven Erwartungswert zu bringen. Dies ist zweifellos eine Selbsttäuschung, und die Parameterwerte, die man erhält, sind die Parameterwerte von Über-Fitness.

  Der Hauptunterschied zwischen Überanpassung und Parameteroptimierung besteht darin, dass die Optimierung von Modellparametern nur auf einer historischen Datenprobe basiert, die bereits stattgefunden hat, während die Zukunft dynamisch verändert wird. Modelldesigner können die Parameter finden, die das Modell in der Vergangenheit am besten aufweisen, aber diese Parameter werden nicht unbedingt in der Praxis des Modells in der Zukunft am besten auftreten, vielmehr die Parameter, die in der Praxis des Modells am besten auftreten, die in der Zukunft in der Modellkriege schlecht oder sogar mit erheblichen Verlusten auftreten können.

  Darüber hinaus hängen Parameterhöhen und Parameterinseln häufig mit der Anzahl der Transaktionen zusammen. Wenn die Anzahl der Transaktionen im Modell geringer ist, kann häufig ein geeigneter Parameterpunkt gefunden werden, der das Modell bei diesen Transaktionen profitieren lässt.

• Optimierung der Parameter

  Nach dem Verständnis von Parameterplateau und Parameterisolation ist es wichtig, die Methode zur Optimierung von Parametern zu verwenden, insbesondere wenn mehrere Parameter (im Folgenden Parametermengen genannt) im Modell vorhanden sind. Oft beeinflusst die Auswertung eines Parameters die Verteilung eines anderen Parameterplateaus. Wie wird dann die Parametermengen optimiert?

  Eine Methode ist die Schritt-zu-Schritt-Konvergenz-Methode. Zuerst wird ein Parameter einzeln optimiert, nach seinem optimalen Wert festgesetzt, dann wird ein anderer Parameter optimiert, um seinen optimalen Wert zu erhalten. So läuft es, bis das Optimierungsresultat nicht mehr ändert. Zum Beispiel ein einheitliches Kreuz- und Handel-Modell, bei dem die beiden unabhängigen Parameter jeweils einheitlich kurze Periode N1 und lange Periode N2 sind.

  Eine andere Methode ist die Verwendung einer programmatisierten Software-Design-Plattform mit starken Rechenfunktionen, um die Verteilung zwischen der Zielfunktion und der Parametergruppe direkt zu berechnen und dann nach der Verteilung der mehrdimensionalen Differenz zu suchen, um einen Differenzschwellenwert zu definieren, bei dem der absolute Wert der Differenz kleiner als der Grenzwert ist.

  Neben der Optimierung der Parameter ist auch die Auswahl der Datenproben ein wichtiger Faktor. Modelle, die als Trend-Trading Ideen dienen, funktionieren besser, wenn Trendmärkte auftauchen, und Strategien, die als Trend-Trading Ideen dienen, die als High-Buy-Low-Trading-Trading-Trading-Trading-Trading-Trading-Trading-Trading-Trading-Trading-Trading-Trading-Trading-Trading-Trading-Trading-Trading-Trading-Trading-Trading-Trading-Trading-Trading-Trading-Trading-Trading-Trading-Trading-Trading-Trading-Trading-Trading-Trading-Trading-Trading-Trading-Trading-Trading-Trading-Trading-Trading-Trading-Trading-Trading-Trading

  Bei den Aktien-Futures, zum Beispiel in den Jahren 2010 und 2014, in denen der Extreme-Bull-Markt entstand, sind die Aktien-Futures bis heute einseitig. Es besteht kein Zweifel, dass alle Trendmodelle gute Ergebnisse erzielen. Wenn wir jedoch auch diese Extreme-Marktdaten in die Probe einfließen lassen und die Parameter optimieren, sind die Modellparameter nicht unbedingt optimal.

  Nehmen wir zum Beispiel an, dass ein Modell zwei Parameter aufweist, bei denen Parameter A sehr gut in einer einseitigen Marktperiode funktioniert und in anderen Zeiten normal ist. Bei einem anderen Parameter B funktioniert Parameter A in einer einseitigen Marktperiode weniger gut als Parameter A in anderen Zeiten und die Verteilung der Parameter A zwischen den Zeiten ist relativ gleichmäßig. Auch wenn Parameter A für die Gesamtindikatoren der gesamten Probendaten wie Risiko-Rendite höher ist als Parameter B, bevorzugen wir Parameter B, da Parameter B relativ stabiler ist und nicht von einer bestimmten Stichprobe abhängt.

  Zusammenfassend lässt sich sagen, dass bei der Konstruktion von programmatisierten Handelsmodellen einerseits die Optimierung des Modells durch Parameter ermöglicht wird, um das Modell besser an das Modell der Preisschwankungen anzupassen und die Investitionsrendite zu erhöhen; andererseits soll verhindert werden, dass die Optimierung der Parameter übermäßig angepasst wird, was zu einer erheblichen Verringerung der Anwendbarkeit des Modells für Marktveränderungen führt.

Übertragen von Programmierer