Оценка использующая группу моделей

из "Разработка,тестирование и оптимизация торговых систем "

Топ-модель в этом примере — это модель, использующая 6-дневную скользящую среднюю и приносящая прибыль 12,500. В изолированном виде модель выглядит неплохо. Но при рассмотрении в контексте все выглядит иначе. Один шаг в сторону любого из соседних тестов, 5-дневной или 7-дневной скользя-шей средней, показывает резкое падение эффективности до убытка ( 500) и небольшой прибыли ( 3,000), соответственно. При двух шагах в любую сторону эффективность катастрофически падает до убытков ( 8,000) и ( 13,000). [c.97]
Есть и другой пик эффективности — при 13-дневной скользящей средней, дающей прибыль 7,000. Это намного меньше предыдущего пика 12,500. Однако с учетом окружающих тестовых результатов этот пик выглядит более привлекательно. Один шаг в любую сторону приводит к прибылям 6,500 и 5,500, соответственно. Два шага дают прибыли 6,000 и 4,500, соответственно. Этот пик с каждой стороны окружен прибылями, сопоставимыми с пиковой эффективностью. Следовательно, этот второй пик скорее всего будет более устойчивой моделью, чем первый пик. [c.97]
Здесь важно отметить, что 1 -дневный шаг для скользящей средней с небольшим периодом не равнозначен 1 -дневному шагу при большом периоде. Например, период 5-дневной скользящей средней примерно на 17% меньше периода 6-дневной средней. Период 7-дневной скользящей средней примерно на 17% больше периода 6-дневной средней. Однако в случае 13-дневной средней первый 17-процентный шаг вниз приводит к 1 1-дневной средней, а 17-процентный шаг вверх — к 15 -дневной средней. Важно понимать это различие между шагами, выраженными в процентах и в абсолютных числовых значениях, особенно, когда предстоит сканировать диапазоны, представленные большими числами. [c.97]
Некоторые методы оценки будут выбирать модель, приносящую 12,500, вместо приносящей 7,000 (при условии, что оценивание происходит по прибыли). Однако существует метод, уменьшающий эффект изолированных пиков эффективности, посредством усреднения модели по двум ее ближайшим соседям. Затем усредненная модель оценивается заново. Такое сглаживание обычно сокращает влияние изолированных, а следовательно — неустойчивых, моделей. [c.98]
Этот сглаженный кандидат предпочтительнее первого сглаженного кандидата. [c.98]

Вернуться к основной статье