Портфель формировался на основе статистической значимости в пределах выборки. Целью был поиск оптимального сочетания модели и входа для каждого из рынков в составе портфеля. Если для данного рынка потенциально подходило несколько моделей, то лишние отбрасывались по признакам сложности (чем сложнее модель, тем меньше к ней доверие), плохой работы с целым портфелем и подобных факторов. Специфические комбинации, отобранные в результате, включают весь спектр различных осцилляторов, скользящих средних, лунных и солнечных моделей, сезонных моделей и нейронных сетей не включены только генетические алгоритмы, поскольку в наших тестах генетические системы совершали очень редкие сделки. При этом на рынках, хорошо работавших в пределах выборки, система обычно вообще не торговала вне выборки — прибыль вне выборки была получена на совершенно других рынках. Это не означает, что поведение системы вне пределов выборки было плохим — просто, если рынок был прибылен в одной части, то в другой почти не использовался. Малое количество сделок, характерное для генетической модели, было обусловлено специфическими свойствами данного набора правил и способов их сочетания в сигналах покупки и продажи. При некоторых изменениях наборов правил, особенно в количестве используемых правил и их сочетаний, можно в корне изменить настройку алгоритмов на редкие события. [c.386]
Необходимо соблюдать нормы применения других форм тестирования, включая медицинское обследование, использование детектора лжи, тесты на наличие наркотических средств и генетическое исследование. [c.65]
Первое издание было осуществлено в. 1990 г. с тех пор многое изменилось. Были изучены новые концепции, внедрены различные нелинейные технологии. Ввиду того что назначение книги как общего введения в проблему остается неизменно полезным, а эмпирический материал убедительным, явилась идея дополнить ее описаниями недавних достижений. Однако я был поставлен перед выбором. Я уже написал вторую книгу — Фрактальный анализ рынка , которая была более методична, чем Хаос и порядок на рынках капитала . Во Фрактальном анализе рынка я обсуждал более всесторонние тесты, чем те, что были доступны в 1990 г. Если бы я включил их во второе издание Хаоса и порядка , то оно стало бы копией другой книги. В то же время я хотел затронуть новые технологии, такие, как генетические алгоритмы и нечеткая логика, и их подробное обсуждение сделало бы книгу слишком длинной, громоздкой. [c.11]
Специфика нейросети состоит в необходимости проведения очень тщательной настройки ее многочисленных параметров (числа узлов, критериев останова, скорости обучения, коэффициентов импульса и скрытых весовых соотношений), что требует большого числа экспериментов, тестов и высокого искусства пользователя-аналитика. Другое ограничение нейросетей — это их работа только с числами и бинарными данными, причем данные должны быть масштабированы или нормализованы. Явным достоинством техники является возможность достижения высочайшей точности анализа (особенно в сочетании с другими методами, например с использованием генетических алгоритмов). [c.458]
Еще один важный момент — оптимизация параметров моделей. При проведении тестов часто необходимо настраивать параметры некоторых компонентов (например, модели входа, выхода или их частей), чтобы обнаружить наилучший набор параметров и/или увидеть, как поведение модели меняется со сменой параметров. Возможно проведение нескольких видов оптимизации параметров модели. При ручной оптимизации пользователь задает параметр, который будет варьироваться, и пределы его изменения причем пользователь может одновременно управлять двумя или более параметрами, получая результаты в виде таблицы, показывающий влияние значений параметров на показатели системы. Другой метод — лобовая оптимизация, существующая в нескольких разновидностях наиболее часто — это прогонка каждого из параметров через все возможные значения. Если параметров много и их границы широки, прогонка может растянуться на годы. При этом лобовая оптимизация может быть вполне приемлема при малом количестве параметров и узких пределах их значений. Другие методы лобовой оптимизации не столь полны и не всегда способны найти оптимальный набор параметров, но работают гораздо быстрее. Последний из методов, используемый для мощной оптимизации (а в неумелых руках — для подгонки параметров под выигрыш в прошлом), — это генетические алгоритмы. Подходящий генетический алгоритм может быстро обнаружить хороший ответ (пусть даже не общий оптимум) даже из большого числа параметров с широкими пределами значений. Генетический оптимизатор — важный инструмент в арсенале разработчика торговых систем, но использоваться он должен осторожно, поскольку существует возможность подгонки , т.е. получения набора параметров, подогнанного под исторические данные, который име- [c.17]
Торговые симуляторы могут сильно различаться по таким показателям, как мощность, емкость и скорость. Скорость важна при выполнении многих тестов или проведении сложных оптимизаций, например генетических. Скорость также важна при разработке систем для портфельной торговли или при использовании длинных внутридневных серий данных с тысячами сделок и сотнями тысяч числовых данных. В некоторых случаях от скорости симулятора зависит сама возможность проведения анализа ряд задач требует поистине огромного объема расчетов, недоступного для медленных программ. Емкость симуляторов определяет ограничения объема задач (количество баров данных, которое может загружаться или объем кода самой системы). Мощность симулятора — показатель, определяющий, как сложные тесты и задания могут выполняться на базах данных цен товаров или на целых портфелях, что важно для серьезной профессиональной торговли. Достаточно мощный симулятор требуется, например, для использования многих торговых моделей, приведенных в этой книге. [c.41]
Как и в предыдущих тестах, использовалась генетическая оптимизация параметров. Все 100 комбинаций, кроме одной, были прибыльными в пределах выборки 88 дали прибыль более 20%. Это демонстрирует устойчивость системы к изменению параметров. Наилучшие результаты были следующими множитель ширины среднего истинного диапазона — 2,6 период скользящей средней — 8 период среднего истинного диапазона — 34. При этих параметрах в пределах выборки прибыль составила 68,3%, вероятность случайности результатов менее 0,0005 (0,035 после оптимизации). Совершено 872 сделки, из них 47% прибыльных. Средняя сделка принесла прибыль около 4500. Вне пределов выборки система понесла 2415 убытков и только 36% из 373 сделок были прибыльными. Прибыль составила — 20,9% — один из худших результатов вне выборки. Очевидно, в прошлом ADX был более полезен, чем в недавнее время. [c.125]
В части II в центре внимания был выбор времени входа в рынок. Была исследована степень эффективности различных методологий при ответе на следующий всеобъемлющий вопрос когда, где и как входить в рынок. Были проведены исследования самых разнообразных торговых подходов от рыночных циклов до активности солнечных пятен, от простейших торговых правил до продвинутых генетических алгоритмов и нейронных сетей. Для того чтобы сделать достаточно справедливое сравнение методов входа, во всех тестах преднамеренно использовалась простая стандартная стратегия выхода из рынка. В сделках использовалась фиксированная защитная остановка, выход по лимитному приказу при достижении целевой прибыли, а также выход по рыночному приказу по истечении определенного количества дней. В части III в центре внимания будет находиться проблема выхода из рынка. Мы постараемся восполнить недостаток интереса к стратегиям выхода в литературе, посвященной биржевой торговле. [c.307]
Второй набор тестов (для длинных и коротких позиций) использует генетический алгоритм для разработки правил генерации сигнала выхода. Правила используются подобно нейронной сети, т.е. создают допол- [c.361]
Нейронные сети хорошо себя зарекомендовали как прогностический инструмент для получения сигналов входа. В пределах выборки прибыль была невероятной, вне пределов выборки — гораздо выше прибыли случайных входов (хотя торговля портфелем в целом была убыточной). Таким образом, была продемонстрирована реальная прогностическая ценность. Использование подобных прогнозов для того, чтобы закрывать позиции до разворота рынка, должно повысить эффективность торговли, даже если это коснется весьма небольшого количества сделок. То же самое относится и к правилам, полученным генетическими методами. При этом не следует ожидать чудесного роста эффективности, поскольку в любом случае система будет генерировать немного дополнительных сигналов выхода, которые будут влиять на считанные сделки, возможно, в положительную сторону. Таким образом, общее улучшение будет невелико. Поскольку для нижеприведенных тестов правила разрабатываются заново, то, возможно, будет обнаружено больше случаев эффективного применения сигналов выхода, чем было обнаружено для сигналов входа. [c.362]
Лучшее из решений для длинных позиций было обнаружено в 845 поколении эволюционного процесса, а для коротких — в 1253 поколении. В отличие от теста моделей входа ни одно из генетически полученных решений не обеспечило прибыли, но, согласно табл. 15-5, сочетание генетических сигналов с базовой стратегией выходов привело к явному улучшению результатов. [c.371]
Вышеприведенные тесты продемонстрировали ряд важных фактов. Во-первых, нейронные сети вне пределов выборки продемонстрировали меньшую устойчивость, чем генетически разработанные правила. Это, несомненно, связано с большим числом параметров в нейронной сети по сравнению с моделями на основе правил. Иными словами, нейронные сети страдали от избыточной подгонки под исторические данные. Кроме того, было показано, что добавление сложного сигнала выхода, будь то нейронная сеть или набор правил, полученных с помощью генетической эволюции, может значительно улучшить стратегию выходов. При использовании более устойчивых генетических правил полученные преимущества сохранились и при работе вне пределов выборки. [c.376]
С большим отрывом лидировала генетическая модель только она давала устойчивую прибыль в усреднении по всем тестам ( 3271). [c.378]
Интересно, что вне пределов выборки сохранили эффективность генетическая модель и малые нейронные сети. Такие модели чрезвычайно способны к подгонке под исторические данные и часто проваливаются в тестах вне выборки и при реальной торговле. Кроме того, некоторый торговый потенциал был проявлен редко исследуемыми сезонными моделями. При этом наиболее популярные методики (скользящие средние, осцилляторы, циклы) были среди худших как в пределах, так и вне выборки. Примечательно, что модели на основе пробоев в среднем хорошо работали в прошлом, но теперь их эффективность снизилась до уровня модели случайных входов. [c.379]
Для поиска оптимальных параметров путем оптимизации с лобовым подходом потребовалось бы провести 2041 тест, т.е. около 56 минут работы TradeStation согласно опыту прошлого тестирования небольшой выборки. Генетический оптимизатор справился с заданием за минуту. Кроме того, генетический оптимизатор был остановлен после проведения всего лишь 133 тестов, что должно значительно ухудшить его результат. [c.55]
Поскольку модель на пробое волатильности имеет три параметра, для данного теста был использован метод генетической оптимизации. При помощи генетической оптимизации множитель величины среднего истинного диапазона bw-подбирался в пределах 1,5 — 4,5 с шагом 0,1 период среднего истинного диапазона atrlen тестировался в пределах от 5 до 50 с шагом 1 период скользящей средней malen подбирался в пределах от 1 до 25 с шагом 1. Генетическая оптимизация поводилась в объеме 100 генера- [c.118]
Тест 10. Пробой волатилъности с входом по лимитному приказу только длинные позиции. Лучшая из исследованных моделей (тест 8) была модифицирована для работы только с длинными позициями. Оптимизация параметров проводилась генетическим алгоритмом. При помощи генетической оптимизации множитель ширины среднего истинного диапазона bwподбирался в пределах 1,5 —4,5 с шагом 0,1 период среднего истинного диапазона atrlen прогонялся от 5 до 50 с шагом в 1 период скользящей средней malen подбирался в пределах 1 — 25 с шагом 1. Генетическая оптимизация проводилась в объеме 100 поколений . [c.122]
Поскольку практически очевидна необходимость отдельных наборов правил для длинных и коротких позиций, мы провели два теста. Впервомтес-те система генерирует случайные входы в длинные позиции (сигналы к открытию коротких позиций игнорируются), а для выходов применяется МССВ, а также отдельные правила, которые разрабатываются генетическим алгоритмом. Во втором тесте все входы в длинные позиции игнорируются, открываются только короткие позиции. Делается попытка разработать правила, хорошо работающие в качестве дополнения к МССВ для коротких сделок. [c.367]