ОПТИМИЗАЦИЯ СИСТЕМ

Оптимизация означает процесс отыскания набора параметров, который приводит к максимальной эффективности данной системы на опреде­ленном рынке. Основное предположение оптимизации состоит в том, что набор параметров, который проявил себя наилучшим образом в прошлом, имеет большую вероятность хорошей результативности и в будущем. (Вопрос о том, является ли это предположение верным, ад­ресован следующему разделу.)

ГЛАВА 20. тестирование и оптимизация торговых систем 705

Рисунок 20.2.

ШИРОКИЙ РАЗРЫВ МЕЖДУ ЦЕНОЙ СИГНАЛА

И РЕАЛЬНЫМ УРОВНЕМ ОТКРЫТИЯ ПОЗИЦИИ, ВЫЗВАННЫЙ

МНОГОЧИСЛЕННЫМИ ОСТАНОВКАМИ ТОРГОВ:

ДЕКАБРЬ 1994, КОФЕ

Основной вопрос, который должен рассматриваться при оптимиза­ции, заключается в том, какие критерии следовало бы использовать при определении наилучшей результативности. Часто наилучшую результа­тивность интерпретируют как максимальную прибыль. Однако подоб­ное определение не полно. В идеале при сравнении результативности следовало бы рассматривать четыре фактора.

1. Прибыль, выраженная в процентах. Прибыль, измеренная по отношению к активам, необходимым при торговле с помо­щью системы. Важность использования процентной прибыли, а не ее абсолютного значения, разбирается в гл. 21.

706 ЧАСТЬ 4. торговые системы и измерение эффективности торговли

2. Уровень риска. Кроме процентной доходности важно исполь­зовать некоторую меру колебания активов (напри-мер, изменчи­вость уровня доходности, максимальные теку-щие падения сто­имости активов). Кроме очевидных психоло-гических причин, со­стоящих в желании избегать наборов параметров и систем с высокой волатильностью, измере-ние риска важно, в частности, из-за того, что кто-то может выбрать неудачный стартовый день для начала торговли с помощью системы. В гл. 21 обсуждают­ся некоторые спо-собы измерения результативности, которые включают как процентную прибыль, так и оценку риска.

3. Устойчивость к изменению параметров. Недостаточно об­наружить набор параметров, дающий хорошую резуль-татив­ность. Кроме этого необходимо убедиться, что этот набор па­раметров не отражает случайные для системы ре-зультаты. Дру­гими словами, мы хотим определить, что сходный набор пара­метров также продемонстрирует хоро-шую результативность. Целью оптимизации является поиск широких областей хорошей результативности, а не единст-венный набор параметров с наи­лучшей результативностью.

Например, если при тестировании простой системы пробоя кто-то обнаружит, что набор параметров N = 7 демонстрирует наи­лучшее соотношение прибыли и риска, но эта результативность резко падает для наборов параметра М<5иМ>9, в то время как все наборы в диапазоне от N = 25 до N = 54 дают относи­тельно хороший результат, то было бы намного разумнее выбрать набор параметров из последнего диапазона. Почему? Потому что исключительная результативность набора N = 7 склоняет к мыс­ли о своеобразии исторических цен, которые вряд ли повторят­ся. Тот факт, что близкие наборы параметров дают слабую ре­зультативность, предполагает, что нет оснований для доверия к торговле при наборе параметров N = 7. Напротив, широкий ди­апазон стабильной результативности для наборов из области 25 < N < 54 предполагает, что набор, взятый из середины этого диапазона, скорее всего, приведет к успешной торговле. Определение прибыльных областей для системы с единственным параметром требует не больше труда, чем просмотр колонки цифр. В системе с двумя параметрами придется строить табли­цу измерений результативности, в которой колонки соответству­ют возрастающим значениям одного параметра, а строки — воз­растающим значениям второго. При таком способе придется визуально отыскивать зоны прибыльности. В случае системы с тремя параметрами может использоваться та же процедура, если один из параметров предполагает лишь небольшое количество дискретных значений. Например, в случае системы пересечения

ГЛАВА 20. тестирование и оптимизация торговых систем 707

скользящих средних с временной задержкой в качестве подтвер­ждающего правила, в которой тестируются три значения вре­менной задержки, можно было бы построить три двухмерные таблицы результативности — по одной для каждого из значений временной задержки. Обнаружение прибыльных областей для более сложных систем, однако, потребовало бы применения компьютеризированных процедур поиска.

4. Временная стабильность. Как уже было разобрано в преды­дущем разделе, важно убедиться в том, что хорошая результа­тивность для всего периода в целом действительно представля­ет весь период, а не отражает несколько изолированных интер­валов экстраординарной результативности.

Хотя введение различных измерений результативности в процеду­ру оптимизации даст более полную картину, оно при этом сильно зат­рудняет задачу. Скорее всего, многие трейдеры сочтут такую сложную процедуру оценки результативности непрактичной. В этом смысле трей­дер может найти утешение в том факте, что наборы параметров с наи­большим доходом, как правило, также демонстрируют и наименьшее те­кущее падение стоимости активов (речь идет о различных наборах па­раметров для одной системы). Следовательно, при оптимизации един­ственной системы измерение соотношения прибыль/риск или даже про­стое измерение прибыли будут приводить к результатам, похожим на те, что возникают и при более сложной оценке результативности. Таким образом, несмотря на то, что многофакторная оценка результативнос­ти теоретически предпочтительна, она часто оказывается необязатель­ной. Однако при сравнении наборов параметров из совершенно раз­личных систем, точные оценки риска, устойчивости к изменению пара­метров и временной устойчивости оказываются чрезвычайно важными.

Сказанное выше представляет собой теоретическую дискуссию по поводу концепций и процедур оптимизации и изначально подразуме­вает, что оптимизация улучшает будущую результативность системы. Тем не менее, как обсуждается в следующем разделе, жизнеспособность оптимизации — это большой вопрос.

Поиск по сайту: