سیستم های معاملاتی مبتنی بر مدل پیش بینی، قسمت 1

داد و ستد ابزارهای مالی به شیوه سیستماتیک عینی دارای مزایای متعددی نسبت به رویکردهای ذهنی است:

• سیستم های معاملاتی خودکار طراحی شده هوشمندانه می توانند و اغلب به دلیل سوگیری های شناختی و احساس گرایی مختلف، بهتر از تجارت مبتنی بر انسان عمل می کنند.
• یک برنامه داده کاوی موثر می تواند الگوهای ظریفی را در رفتار بازار کشف کند که بیشتر انسان ها شانس دیدن آنها را ندارند.
• یک سیستم خودکار کاملاً قابل تکرار است، در حالی که یک سیستم انسان محور تابع هوس های انسانی است. ثبات تصمیم گیری سودآوری بلندمدت حیاتی است. تکرارپذیری نیز ارزشمند است زیرا امکان بررسی معاملات را به منظور مطالعه عملکرد و شاید بهبود عملکرد از طریق فیلتر سیگنال فراهم می کند.
• بیشتر سیستم های معاملاتی خودکار که به درستی طراحی شده اند، قابل تجزیه و تحلیل های آماری دقیق هستند که می توانند معیارهای عملکردی مانند عملکرد مورد انتظار آینده و احتمال اینکه سیستم ممکن است به دلیل خوش شانسی و نه قدرت واقعی به وجود آمده باشد را ارزیابی کند.
• عملیات بدون مراقبت امکان پذیر است.

سیستم های معاملاتی خودکار معمولاً برای یک یا هر دو کاربرد استفاده می شوند. TSSB (Trading System Synthesis and Boosting) یک برنامه پیشرفته است که می تواند هر دو کاربرد را ایجاد کند: (1) یک سیستم معاملاتی کامل و مستقل که تمام تصمیمات معاملاتی را می گیرد و (2) مدلی که ممکن استبرای فیلتر کردن معاملات یک سیستم معاملاتی موجود به منظور بهبود عملکرد استفاده شود. ما از این به عنوان "تقویت" یاد می کنیم. اغلب اتفاق می افتد که با انتخاب هوشمندانه زیرمجموعه ای از سیگنال های تولید شده توسط یک سیستم معاملاتی موجود، و رد کردن سایرین، می توانیم نسبت ریسک / پاداش را بهبود بخشیم.

دو رویکرد برای تجارت خودکار

خواه هدف کاربر توسعه یک سیستم معاملاتی مستقل باشد یا یک سیستم فیلترینگ برای افزایش عملکرد یک سیستم معاملاتی موجود، دو رویکرد مشترک برای توسعه و اجرای آن وجود دارد: (1) قوانین مبتنی بر قوانین (قوانین IF/THEN پیشنهاد شده است). توسط انسان) و مدل سازی پیش بینی.

یک سیستم معاملاتی مبتنی بر قوانین مستلزم آن است که کاربر قوانین دقیقی را که تصمیمات تجاری را اتخاذ می کند، مشخص کند، اگرچه ممکن است یک یا چند پارامتر مرتبط با این قوانین توسط نرم افزار توسعه بهینه شود. در اینجا یک مثال ساده از یک سیستم معاملاتی مبتنی بر الگوریتم آورده شده است:

اگر میانگین متحرک کوتاه مدت قیمت ها از میانگین متحرک بلندمدت قیمت ها بیشتر شود، در طول نوار بعدی موقعیت طولانی را حفظ کنید.

الگوریتم فوق صریحاً قانونی را بیان می کند که مواضع بار را به دست می آورد ، اگرچه تعریف دقیق "کوتاه مدت" و "بلند مدت" باز است. توسعه دهنده ممکن است از نرم افزار برای یافتن مسافت های متوسط در حال حرکت استفاده کند که حداکثر اندازه گیری عملکرد را به حداکثر می رساند. برنامه هایی مانند TradeStation® شامل یک زبان اختصاصی (EasyLanguage® در این مورد) است که توسط آن توسعه دهنده می تواند قوانین تجارت را مشخص کند.

با در دسترس بودن گسترده رایانه های رومیزی با سرعت بالا ، یک رویکرد جایگزین برای توسعه سیستم تجارت امکان پذیر شده است. مدل سازی پیش بینی کننده از نرم افزار پیشرفته ریاضی برای بررسی شاخص های حاصل از داده های تاریخی مانند قیمت ، حجم و علاقه باز استفاده می کند ، با هدف کشف الگوهای قابل تکرار که دارای قدرت پیش بینی کننده هستند. یک مدل پیش بینی در اصل یک فرمول ریاضی یا منطقی است که این الگوهای را به یک متغیر آینده نگر به نام یک متغیر هدف یا وابسته ، مانند بازگشت بازار در هفته آینده مرتبط می کند. این رویکردی است که توسط TSSB استفاده می شود و چندین مزیت نسبت به توسعه سیستم مبتنی بر الگوریتم دارد:

• نرم افزار مدل سازی هوشمند با استفاده از یادگیری ماشین می تواند الگوهای پیچیده ای را کشف کند یا تحت نویز تصادفی دفن شود که هیچ انسانی هرگز نتواند آنها را ببیند.
• پس از توسعه یک سیستم معاملاتی مدل پیش بینی ، معمولاً می توان عملکرد آن را برای تنظیم نسبت ریسک/پاداش به برنامه های متناسب با طیف گسترده ای تنظیم کرد. این می تواند تجارت مطلوب را بین سیگنال های بی شماری با احتمال کمتر موفقیت و سیگنال های کمتری با احتمال بیشتر موفقیت بدست آورد. این کار با تنظیم آستانه ای که پیش بینی های مدل را به سیگنال های خرید و فروش گسسته تبدیل می کند ، انجام می شود.
• نرم افزار خوب طراحی شده به توسعه دهنده اجازه می دهد تا میزان اتوماسیون به کار رفته در کشف سیستم های معاملاتی را تنظیم کند. توسعه دهندگان باتجربه می توانند کنترل زیادی بر روی فرآیند حفظ کنند و دانش خود را برای ایجاد سیستم هایی با خاصیت خاص مورد نظر خود قرار دهند ، در حالی که توسعه دهندگان بی تجربه می توانند از اتوماسیون گسترده استفاده کنند و به این نرم افزار اجازه می دهند کنترل اکثریت را داشته باشند.
• به طور کلی ، مدل سازی پیش بینی کننده برای تجزیه و تحلیل آماری پیشرفته نسبت به توسعه سیستم مبتنی بر قوانین قابل تحمل است. الگوریتم های تجزیه و تحلیل پیشرفته برای آزمایش صدای آماری اکتشافات آن می توانند در فرآیند تولید مدل راحت تر از آنچه که می توانند در سیستم های مبتنی بر قوانین مشخص شده انسان گنجانند ، گنجانند.
• مدل سازی پیش بینی کننده یک رشته ریاضی به خوبی توسعه یافته برای استخراج حداکثر اطلاعات از یک مجموعه داده که تعارف شهود انسان را تعریف می کند. شهود قادر به ارائه سری داده ها و روش های تبدیل آنها به لیست بزرگی از شاخص های نامزد است.
• مدل سازی پیش بینی کننده ، حتی ساده ترین شکل آن ، رگرسیون خطی در انتخاب بهترین نامزدها و ترکیب آنها در یک پیش بینی برتر از شهود انسان است. بیش از 150 مطالعه در مورد مقایسه کارشناسان انسانی با مدلهای آماری که به این واقعیت تأیید شده اند ، وجود داشته است.

مدل سازی پیش بینی کننده

رویکرد مدل سازی پیش بینی کننده برای توسعه سیستم معاملاتی به یک خاصیت اساسی حرکت قیمت بازار متکی است: کلیه بازارها حاوی الگویی هستند که تمایل به تکرار در طول تاریخ دارند ، و از این رو اغلب می توان برای پیش بینی فعالیت های آینده استفاده کرد. به عنوان مثال ، در برخی شرایط می توان روند را ادامه داد تا این حرکت خسته نشود. در شرایط دیگر ، الگوی متفاوتی آشکار می شود: یک روند به احتمال زیاد با بازپس گیری به سمت میانگین قیمت اخیر دنبال می شود. یک مدل پیش بینی کننده داده های بازار تاریخی را مطالعه می کند و سعی در کشف ویژگی هایی دارد که این دو الگوی را تبعیض می کند.

هدف از مدل سازی پیش بینی ، پیدا کردن الگویی است که اغلب به اندازه کافی تکرار می شوند تا سودآور باشند. پس از کشف ، این مدل در جستجوی الگوی مجدد خواهد بود. بر اساس مشاهدات تاریخی ، این مدل قادر خواهد بود پیش بینی کند که آیا بازار به زودی افزایش می یابد ، سقوط می کند یا تقریباً یکسان باقی می ماند. این پیش بینی ها را می توان با استفاده از آستانه در پیش بینی های مدل به تصمیمات خرید و فروش ترجمه کرد.

شاخص ها و اهداف

مدل های پیش بینی کننده معمولاً با داده های بازار خام کار نمی کنند. در عوض ، قیمت بازار و سری های دیگر ، مانند حجم ، معمولاً به دو کلاس متغیرها به نام شاخص ها و اهداف تبدیل می شوند. این داده های مورد استفاده در مدل در طول آموزش ، آزمایش و استفاده نهایی در زمان واقعی است. در تعریف این متغیرها است که توسعه دهنده تأثیر خود را در سیستم تجارت اعمال می کند.

شاخص ها متغیرهایی هستند که به موقع کاملاً به عقب به نظر می رسند. هنگام تجارت در زمان واقعی ، از هر نوار مشخصی ، یک شاخص قابل محاسبه خواهد بود ، با فرض اینکه ما داده های قیمت تاریخی کافی را در اختیار داریم تا تعریف شاخص را برآورده کنیم. به عنوان مثال ، شخصی ممکن است شاخصی به نام Trend را به عنوان درصد تغییر قیمت بازار از نزدیک یک نوار پنج بار قبل به بسته این نوار تعریف کند. تا زمانی که این دو قیمت را می دانیم ، می توانیم این نشانگر روند را محاسبه کنیم. TSSB می تواند بیش از صد نوع شاخص را محاسبه کند که ویژگی های بی شماری از رفتار بازار را تعیین می کند.

اهداف متغیرهایی هستند که به موقع به جلو به نظر می رسند.(در مدل سازی رگرسیون کلاسیک ، هدف اغلب به عنوان متغیر وابسته گفته می شود.) اهداف رفتار آینده بازار را نشان می دهد. ما می توانیم اهداف را برای داده های تاریخی محاسبه کنیم تا زمانی که تعداد کافی از میله های آینده را برای برآورده کردن تعریف هدف داشته باشیم. بدیهی است ، اگرچه ، وقتی واقعاً در حال تجارت هستیم ، نمی توانیم اهداف را بشناسیم مگر اینکه یک توپ کریستالی پدیده ای داشته باشیم. به عنوان مثال ، ما ممکن است شاخصی به نام Day_retu را به عنوان تغییر درصد بازار از باز روز بعد به روز بعد از روز بعد تعریف کنیم. اگر سابقه تاریخی قیمت ها داشته باشیم ، می توانیم این هدف را برای هر نوار به جز دو مورد آخر در مجموعه داده محاسبه کنیم. TSSB می تواند انواع مختلفی از متغیرهای هدف را محاسبه کند.

به طور خلاصه ، ایده اساسی در مورد مدل سازی پیش بینی کننده این است که شاخص ها ممکن است حاوی اطلاعاتی باشند که می توانند برای پیش بینی اهداف استفاده شوند. وظیفه مدل پیش بینی یافتن و بهره برداری از چنین اطلاعاتی است.

کتاب را دریافت کنید

- توسط دیوید آرونسون

دیوید آرونسون پیشگام در یادگیری ماشین و توسعه سیستم تجارت غیرخطی و افزایش سیگنال/فیلتر کردن سیگنال است. Aronson به عنوان همکار TSSB (سنتز سیستم تجارت و تقویت) یک بستر نرم افزاری برای توسعه خودکار سیستم های معاملاتی مبتنی بر مدل پیش بینی آماری صدا است. وی از سال 1979 در این زمینه کار کرده است و از سال 1992 یک تکنسین بازار منشور است که از سال 1992 مجوز انجمن تکنسین های بازار را دارد. داده کاوی و تجزیه و تحلیل پیش بینی. کتاب اخیراً منتشر شده او ، یادگیری ماشین آماری صدا برای تجارت الگوریتمی ابزارهای مالی ، نگاهی عمیق به توسعه سیستم های معاملاتی مبتنی بر مدل پیش بینی با استفاده از TSSB است.

مشارکت کننده تسلط EasyLanguage

درباره نویسنده

چرا باید یک معامله گر الگوریتمی شوید؟

بهترین نکات من برای جلوگیری از برازش منحنی هنگام ساختن یک سیستم معاملاتی

زمان طولانی مدت: مطالعه قیمت روزانه S& P (به روز رسانی برای سال 2022)

شاید من مصرف کننده هدف نباشم، اما زمان لازم برای خواندن کتاب یا دفترچه راهنما را ندارم. چگونه این نرم افزار با سایر گزینه های رایگان/ارزان مانند TradeStation مقایسه می شود؟من نتوانستم جدول مقایسه یا بیانیه واضحی از مزایا پیدا کنم.

سلام استنبسیار متفاوت از TradeStation است. در واقع، آنها اهداف کاملا متفاوتی را دنبال می کنند. به طور کلی نرم افزار TSSB یک پلت فرم معاملاتی، برنامه نمودار یا یک محیط توسعه نیست که شما به عنوان یک برنامه نویس، کد بنویسید. در عوض، TSSB یک ابزار مستقل برای تحقیق در سیستم های معاملاتی مبتنی بر مدل پیش بینی آماری از طریق یادگیری ماشینی است. این بیشتر شبیه Adaptrade Builder است تا TradeStation. به طور خلاصه، این یک ابزار مستقل است.

نویسندگان چرخ را دوباره کشف کردند. این برنامه ها برای مدت طولانی در دسترس هستند. آنچه آنها به عنوان مدل سازی پیش بینی توصیف کردند، فرآیندی به نام داده ردیابی است که به نظر می رسد پیش بینی باشد، اما اساساً یک سوگیری آماری از استفاده چندباره از داده ها است. احتمالاً به همین دلیل است که آنها چنین برنامه ای را به صورت رایگان ارائه می دهند و می خواهند هزینه های مشاوره بالایی را دریافت کنند زیرا اگر برنامه می توانست پول دربیاورد آنها آن را پس نمی دادند. به طور کلی، این مقاله/تبلیغات ناامید کننده بود و کیفیت این وب سایت از بین رفته است.

متاسفم که احساس می کنید کیفیت سایت مطابق با استانداردهای شما نیست. من خوشحال بودم که خوانندگانم را در معرض مفهوم مدل سازی پیش بینی به عنوان راهی برای کشف لبه های بازار و/یا ساختن مدل های معاملاتی کامل قرار دادم. در مورد نرم افزار، من خوشحالم که چنین ابزار تحقیق رایگانی وجود دارد. واضح است که کار زیادی روی آن انجام شده است و راهنمای کاربر بسیار گسترده است. ای کاش سالها پیش همچین چیزی داشتممن مطمئن نیستم که چگونه یک ابزار رایگان، که می تواند به توسعه سیستم های معاملاتی کمک کند، به عنوان «خراب شده؟» در نظر گرفته شود. FYI، من هیچ پولی از کتاب یا نرم افزار کسب نمی کنم. شاید اگر انتقاد خاصی روی نرم افزار دارید، نویسنده بتواند مستقیماً پاسخ دهد.

با عرض پوزش، کیفیت این وب سایت پس از مقاله "بهترین شاخص بورس" و همچنین قبل از آن، علائم افت کیفیت را نشان داد.

من به انتقاد خاصی از نرم افزار اشاره کردم که به نظر می رسد شما آن را از دست داده اید و نویسنده از صحبت در مورد آن اجتناب کرده است و این یک سوگیری اطلاعاتی است.

وی گفت: "آنچه آنها به عنوان مدل سازی پیش بینی توصیف می کردند ، فرایندی به نام داده های حلقوی است که به نظر می رسد پیش بینی کننده است اما در اصل یک تعصب آماری از استفاده از داده ها بارها است.

خوشحالم که شما انتقاد را جدی می گیرید. من فکر می کنم وقتی مقاله ها را نوشتید ، وبلاگ شما بهتر بود و هیچ مشارکت کننده ای نداشتید.

با تشکر از نوشتن بابمن مشارکت کنندگان دارم که مطالب را برای ارائه دیدگاه های مختلف می نویسند ، زیرا آرزو می کنم STS فراتر از دانش و تجربه شخصی من باشد.

پست باب فاش می کند که او به TSSB یا کتاب نگاه نکرده است. او درک می کند که داده کاوی باعث تعصب از نگاه های مکرر به داده ها می شود. این واقعیت که هیچ نرم افزاری دیگر که من از آن آگاه هستم با این مشکل سر و کار ندارد ، انگیزه اصلی برای ایجاد TSSB بود. من حاوی روشهای آماری دقیق برای تولید نتایج بی طرفانه و تست های اهمیت آماری است که نسبت به تعصب داده کاوی قوی هستند. دومی ، آزمون جابجایی مونت کارلو برای اولین بار توسط نویسنده من دکتر تیم مسترز برای ، که دارای دکترای آمار و محاسبات عددی است ، پیشنهاد شد. بنابراین کل نکته TSSB مقابله با مشکلی است که باب به درستی به آن اشاره می کند.

دو مقاله ای که من ارسال کردم به این مشکل اشاره نکرد اما در کتاب و نرم افزار ما به درمان گسترده ای داده می شود.

تست های مونت کارلو نمی توانند با تعصب استخراج داده ها مقابله کنند زیرا آنها نمی توانند سیستم های کاملاً مناسب را رد کنند. نه شما و نه اربابان از این امر آگاه نیستید ، اما ما این کار را انجام می دهیم زیرا در واقع تجارت می کنیم.

وی گفت: "محدودیت اصلی تجزیه و تحلیل مونت کارلو این است که اگر نتایج اولیه شما منحنی باشد - متناسب با نتایج شما مزخرف خواهد بود. تجزیه و تحلیل مونت کارلو فقط در مواردی که برای یک سیستم معاملاتی صوتی اعمال می شود و نه به یک مجهز بودن ، خوب است. "

همچنین من تعجب می کنم که شما داده های موردعلاقه و تعصب اطلاعات را با هم مخلوط کنید. اینها دو مقوله متفاوت هستند. برنامه شما در واقع با اجرای تعصب در مورد داده ها کار می کند و آزمایشات آماری شناخته شده ای به غیر از آزمون آبگرم برای مقابله با آن وجود ندارد. تمام آنچه شما می توانید یک قانون برتر را در جهان از قوانینی که با آنها سر و کار دارید وجود دارد ، اما غیرممکن است بدانید که کدام یک است. اگر از آزمایشی اطلاع دارید که می تواند تعیین کند که آیا یک قانون تجارت خاص در آینده کار خواهد کرد و این فقط نتیجه داده های داده نیست ، لطفاً به ما اطلاع دهید تا بتوانیم با استکهلم تماس بگیریم و شما را برای جایزه نوبل معرفی کنیم.

جو می توانید به من بگویید که درک شما از نحوه استفاده TSSB از روش مونت کارلو چیست. از پاسخ شما به نظر می رسد که به فکر برنامه دیگری از مونت کارلو هستید که ما از آن استفاده نمی کنیم. من خوشحالم که بیشتر پاسخ می دهم اما ابتدا می بینم که آیا در همان صفحه هستیم یا خیر.

من با آزمون آبگرم هانسن آشنا هستم. در واقع من آن را در اولین کتاب من تجزیه و تحلیل فنی مبتنی بر شواهد (ویلی 2006) صفحات 329-330) بحث کردم

با تشکر دیوید آرونسون

سلام دوباره باب (با عرض پوزش در مورد جو) آیا می توانید به من بگویید که می دانید تفاوت بین تعصب داده کاوی و تعصب snooping داده ها است.

"آیا می توانید به من بگویید که درک شما از نحوه استفاده TSSB از روش مونت کارلو چیست."

ما با دکتر کارشناسی ارشد آشنا هستیم و می دانیم که او فرضیات مختلف و بی اساس مختلفی را انجام می دهد ، مانند مثال که تمام جفت شدن تصادفی بازده سیستم با بازده خام روزانه به همان اندازه محتمل است ، چیزی که در این مورد خاص به آمار باطنی می رسد. سپس روشهای وی فقط در مورد سیستم هایی که تمام وقت سرمایه گذاری می شوند اعمال می شود ، در غیر این صورت با توجه به بازده خام روزانه در MC یا بوت استرپ ، معنی ندارد. همانطور که شخصی در آمازون درباره کتاب شما اظهار داشت ، این آکروباتیک آماری است زیرا هیچ چارچوب نظری صدا وجود ندارد که زیربنای آن باشد.

"سلام دوباره باب (با عرض پوزش در مورد جو) آیا می توانید به من بگویید که می دانید تفاوت بین تعصب داده کاوی و تعصب تعصب داده است."

این وارونگی بار است. شما ادعا می کنید که می توانید با این موارد مقابله کنید ، بنابراین لطفاً به ما کمک کنید تا تمایز را روشن کنیم. بدیهی است ، شما از دو اصطلاح به طور متناوب استفاده می کنید که صحیح نیست.

برای نتیجه گیری ، اگر روشهای آماری شما کار می کرد ، فقط منطقی خواهد بود که آنها را مخفی نگه داشته باشد. در غیر این صورت ، آشکار کردن آنها به عموم و دادن نرم افزار به صورت رایگان کاری نیست که شخصی با لبه انجام دهد.

در واقع بیشتر افراد در زمینه یادگیری ماشین و داده کاوی از اصطلاحات متناوب استفاده می کنند. رابرت هانسن در جدیدترین مقاله خود در مورد اسپا (2010) انجام می دهد. من به تازگی ریاست مسیر یادگیری ماشین کنفرانس برای معامله گران در شیکاگو را که توسط Terrapin حمایت می شود و در آنجا نیز سخنرانان از آنها به طور متناوب استفاده می کردند ، ریاست کردم. در حالی که من در کتاب خود در سال 2006 ، بین داده کاوی و داده های تفریحی داده تمایز قائل شدم ، بعداً مربوط به به دست آوردن فرضیه ها از مقالات تحقیقاتی دیگران بود ، من پیدا کردم که دیگران این تمایز را ندادند. به نظر می رسد شما بسیار مهم است. من دعوت می کنم اگر در این صورت اهمیت نمی دهید ، تفاوت را توضیح دهم.

شما در مورد نوع تست های جابجایی مونت کارلو که در TSSB استفاده می شود ، فرضیات اشتباه کرده اید. به نظر می رسد شما فکر می کنید که ما سفارش معاملات تولید شده توسط یک سیستم معاملاتی بیش از حد را به دست می آوریم. علاوه بر این ، فرضیات شما در مورد کار فعلی دکتر کارشناسی ارشد نیز اشتباه است. مقاله قبلی وی ، که در وب سایت رودخانه هود ارسال شده است ، هیچ ارتباطی با تست پیشرفته تر MCP استفاده شده در TSSB ندارد. این آخرین نسخه در حوزه عمومی قرار نگرفته است.

نسخه آزمون MCP که در کتاب من در مورد تجزیه و تحلیل فنی مبتنی بر شواهد در سال 2006 مورد بحث قرار گرفته است ، آزمون آبگرم هانسن و بررسی واقعیت سفید همه به یک روش محدود هستند. آنها برای یادگیری ماشین کار نمی کنند ، که شامل یک جستجوی هدایت شده از طریق فضای فرضیه است. این تست ها فقط در صورتی کار می کنند که جستجو یا جامع یا تصادفی باشد. دقیقاً به همین دلیل است که آزمون MCP در TSSB گنجانیده شده است تا تحت شرایط یک جستجوگر هدایت شده (یادگیری ماشین) معتبر باشد.

پست های قبلی شما نشان می دهد که نظرات شما وارد شده است و هرگونه تلاش دیگر برای اصلاح خطاهای شما بی ثمر خواهد بود. من حرف آخر را برای شما می گذارم همانطور که به نظر می رسد به آن احتیاج دارید. من شک ندارم که آن را نیز با نادرستی و توهین پر خواهد کرد. در آندیوید آرونسون

در زیر پاسخ دکتر تیموتی استاد است. او بیشتر پاسخ نخواهد داد.

باب کل نکته تست های آماری مانند MCPT در TSSB را از دست داده است. او در ادعای اینکه متناسب بودن منحنی ، یادگیری سر و صدا به جای الگوهای معتبر ، و غیره ، درست است ، منجر به تعصب خوش بینانه در ارقام عملکرد می شود. اما آنچه او به نظر نمی رسد درک کند این است که اصلی ترین نیروی محرک طراحی TSSB ، شکست دادن این مشکل دقیق است! نسخه MCPT مستند شده در چندین مقاله نوشته شده توسط من و در دسترس بصورت آنلاین ، یک طراحی اولیه است ، در برخی از برنامه های کاملاً تعریف شده اما در یک محیط گسترده تر بی ارزش است.(مقاله به وضوح این موضوع را بیان می کند ، و برخی از قوانین اساسی را برای زمان و کاربرد آن وضع می کند.) این الگوریتم متعاقباً تصفیه شده است تا بسیار قوی تر باشد ، و این نسخه تصفیه شده است که در TSSB گنجانیده شده است.

به معنای کلی ، در اینجا نحوه عملکرد یک آزمون MCPT به درستی طراحی شده است. تصریح می کند که فرایند توسعه یک سیستم تجاری مبتنی بر مدل (مدل های آموزشی و کمیته ها ، تنظیم آستانه ، انتخاب بهترین مجریان ، و et cetera) شکل های عملکردی مغرضانه را تولید می کند. اگر مدل ها بیش از حد قدرتمند باشند و داده ها را بیش از حد افزایش دهند ، این تعصب می تواند شدید باشد. بنابراین برای ارزیابی و حساب کردن این موضوع ، ما عمداً هرگونه قدرت پیش بینی کننده در داده ها را از بین می بریم. این کار ممکن است با جابجایی تصادفی در بازار انجام شود ، اهداف مجاز نسبت به شاخص ها ، جابجایی حرکت پیش بینی شده بازار نسبت به آستانه های بهینه شده یا از هر روش دیگری که هر یک از آنها مزایا و محدودیت های خود را دارند ، انجام می شود. اگر این کار تعداد زیادی از بار (صدها یا هزاران) انجام شود ، می توانیم میزان تحمیل عملکرد سیستم را ارزیابی کنیم. به عنوان مثال ، اگر می بینیم که نتایج عملکرد به دست آمده از داده های واقعی بسیار فراتر از آنچه از داده های مجاز تولید می شود ، می توانیم اطمینان داشته باشیم که سیستم توسعه یافته ما دارای قدرت واقعی در بالا و فراتر از آن است که توسط تعصب ذاتی در چرخه توسعه تولید می شود.

این موضوعات با جزئیات بیشتری در کتاب یادگیری عملکرد آماری صدا مورد بحث قرار گرفته است. صفحات 161-178 یک MCPT خاص را برای غربالگری سریع و شدید شاخص ها برای قدرت پیش بینی توصیف می کند. صفحه 206 MCPT دیگری را توصیف می کند که می تواند برای آزمایش قدرت پیش بینی واقعی (که در بالا و فراتر از هر تعصب داده کاوی) از یک مدل فردی استفاده می شود. صفحات 299-312 یک MCPT بسیار قدرتمند را توصیف می کند که اثرات تعصب داده کاوی را در کل زنجیره تصمیم گیری (مدل ها ، کمیته ها ، اوراکل ها) به طور کامل از بین می برد تا بتواند قابلیت های واقعی سیستم را ارزیابی کند. در حقیقت ، صفحات 302-305 توضیح می دهد که چگونه حتی می تواند تعامل بین تعصب بازار بلند مدت و سیستم های معاملاتی را که در موقعیت های کوتاه مدت آنها نامتوازن هستند ، حساب کند. سرانجام ، بخش "Data Snooping ... Friend یا Foe" در صفحه 444 یک بحث بزرگ درباره موضوعات مربوطه ارائه می دهد.

من چندین بار در کتاب به این نکته اشاره می کنم که بسیاری از این الگوریتم ها پیشرفت های اخیر هستند و فاقد توجیه نظری دقیق هستند. از طرفی من دکترای آمار ریاضی دارم. من پنج کتاب در این زمینه تالیف کرده ام، که همه آنها در مطبوعات حرفه ای همتایان نقدهای مثبتی دریافت کرده اند (و عموماً نظرات بسیار مثبتی در سایت بسیار کمتر معتبر Amazon.com دارند). و من از سال 1995 به طور مداوم به عنوان مشاور حرفه ای در جامعه تجارت بازار کار کرده ام. می گویم که از الگوریتم های موجود در TSSB در کار خود استفاده می کنم و به صحت آنها اطمینان کامل دارم. من نمی توانم تضمین کنم که آنها در هر شرایط ممکن کاملاً صحیح هستند، اما تجربه من این بوده است که آنها در هر برنامه ای که من آنها را در آن اعمال کرده ام قابل اعتماد هستند.

در آخر این را بگویم که اگر کسی نقد فنی خاصی به هر کدام از این الگوریتم ها دارد خوشحال می شوم این انتقاد را بشنوم و اگر به نظرم معتبر است به نوعی پاسخ خواهم داد. در واقع ممکن است منتقدان به من در بهبود برنامه کمک کنند. من همیشه مشتاق انتقاد سازنده هستم. از سوی دیگر، من به کلیات مبهم مانند "او نمی داند در مورد چه چیزی صحبت می کند" پاسخ نمی دهم. این امر به ویژه در صورتی صادق است که انتقاد از جانب کسی باشد که آشکارا حتی کتاب یا برنامه را مطالعه نکرده و از این رو فقط در حال حدس و گمان است. بحث هایی از این قبیل به نفع هیچ کس نیست.

به عنوان مثال، اگر ببینیم که نتایج عملکرد به دست آمده از داده های واقعی بسیار بیشتر از نتایج حاصل از داده های تغییر یافته است، می توانیم مطمئن باشیم که سیستم توسعه یافته ما قدرت واقعی بالاتر و فراتر از آن دارد که توسط سوگیری ذاتی در چرخه توسعه تولید می شود."

باز هم، هر دوی شما سعی دارید من را به انتقاد ساده متهم کنید، اما حقیقت این است که من چندین بار سعی کردم به شما توضیح دهم که یک سیستم کاملاً منحنی بر اساس آزمایشات شما همیشه خوب به نظر می رسد. بنابراین شما اساساً به هیچ چیز نمی رسید. این یک مشکل اساسی در شبیه سازی MC است و مهم نیست که چگونه آن را تغییر دهیم، در آنجا وجود خواهد داشت.

«پست های قبلی ما نشان می دهد که نظرات شما ریشه دار است و هر تلاش دیگری برای اصلاح اشتباهات شما بی ثمر خواهد بود.”

این را در مورد پست های شما می خواستم بگویم. شبیه سازی MC می تواند سیستم های تصادفی و بد را رد کند، اما سیستم هایی که به خوبی برازش شده اند، انواعی که توسط نرم افزار شما یا سایر نرم افزارهای یادگیری ماشین تولید می شوند را رد نمی کند، و به نظر می رسد که شما به روش یا اصلاحی در آن تکیه می کنید که کار نمی کند.

اگر از روشی اطلاع دارید که تضمین می کند سیستمی که نرم افزار شما تولید می کند در داده های غیب در حالت رو به جلو کار خواهد کرد ، لطفاً به ما اطلاع دهید. شما این کار را نمی کنید زیرا هیچ کس این کار را نمی کند. شما تعصب استخراج داده ذاتی در سیستم بد را کاهش می دهید و بهترین سیستم های متناسب را حفظ می کنید زیرا MC ، مهم نیست که چگونه اصلاح شود ، نمی تواند آن را رد کند.

من واضح بوده ام ، بنابراین لطفاً مرا متهم نکنید که مبهم بودن یا فقط انتقاد از کار شما. شما اساساً چیزی ندارید و آن را می دانید.

بحث جالب - به ویژه از آنجا که به نظر می رسد باب در تلاش است تا کلاهبرداری دیگری را افشا کند ، که منظره مالی از آن پر شده است. متأسفانه ، در حالی که من ساختگی نیستم ، دکتری ندارم. در ریاضیات یا آمار. این نکات خاص بحث را تا حدودی بر سر من می گذارد. اگر مفسران احساس کنند ارزش این کار را دارند ، علاقه مند به توضیحات مربوط به آن نکات خاص هستم.

بحث بسیار جالب! حیف است که بسیار شخصی شده است. من فکر می کنم DataSnooping یکی از بزرگترین مشکل پشتی است و باید بیشتر مورد بحث قرار گیرد.

استدلال به نفع دیوید این است که به نظر می رسد جعفری وودریف (یکی از موفق ترین مدیران پرچین) کارهای مشابهی را انجام می دهد: به صفحه 152 از جادوگر بازار صندوق پرچین Schwager مراجعه کنید. در اینجا وودریف توضیح می دهد که او به تفاوت نتایج بین مدل در داده های واقعی و داده ها با اختلالات تصادفی نگاه می کند. این به نظر می رسد بسیار شبیه به رویکرد شما است ، آیا دیوید نیست؟

همچنین یک مقاله جالب اخیر در SSRN (ID = 2308659) وجود دارد ، که به نظر می رسد به نفع استدلال باب است.

[…] سیستم های معاملاتی مبتنی بر مدل پیش بینی ، قسمت 1 |معامله گر سیستم ... […]

باب ، شما به عنوان جایگزینی برای روش MC پیشنهاد می کنید؟

چگونه می توانیم فرآیندهای ارائه شده در این متن را بهبود بخشیم؟

اگرچه من دکترای آمار را در اختیار ندارم ، اما این موضوع را نسبتاً عمیق مطالعه کرده ام. من همچنین کتاب TSSB Aronson و Master (هنوز) را نخوانده ام ، اما آنچه را که کارشناسی ارشد قبلاً در مورد استفاده از MCP برای ارزیابی سیستم های معاملاتی و همچنین EBTA آرونسون منتشر کرده بود ، خوانده ام.

من پست وبلاگ fxhackers را بر اساس پیوندی که باب در نظر ارسال کرده بود خواندم. آرونسون کاملاً درست می گوید که به نظر می رسد باب نمی داند تست های MCP Master واقعاً چگونه کار می کنند. آن پست وبلاگ، باب، صحبت های کلی درباره روش های مونت کارلو را پیشنهاد کرد. متأسفانه معنای اصطلاح مونت کارلو بیش از حد بارگذاری شده است. طبق ویکی پدیا: «روش های مونت کارلو کلاس گسترده ای از الگوریتم های محاسباتی هستند که برای به دست آوردن نتایج عددی به نمونه گیری تصادفی مکرر متکی هستند.»این در آمار به عنوان نمونه گیری مجدد شناخته می شود. روش های زیادی برای نمونه گیری مجدد وجود دارد، از جمله بوت استرپ، jacknife و جایگشت.

روشی که در fxhackers مورد بحث قرار گرفت در واقع یک بوت استرپ ساده با استفاده از مجموعه ای از نتایج تجارت از یک آزمون برگشتی است. اصطلاح مونت کارلو در این مورد به سادگی به معنای مرتب سازی مجدد تصادفی نتایج تجارت فردی است. این روش ساده لوحانه ترین استفاده از نمونه گیری مجدد است که برای ارزیابی سیستم معاملاتی وجود دارد. بنابراین، اگر باب معتقد است که تست های MCP استاد انجام می دهند، انتقاد او را دریافت می کنم.

اما آزمون های MCP Master بسیار متفاوت از یک کاربرد ساده تر از ترتیب دهی مجدد تصادفی است که در نتایج تجارت اعمال می شود. این یک پیامد ناخوشایند قالب وبلاگ و نظرات است که بحث ها اغلب به بحث بر سر کلیات تنزل می یابد، به خصوص زمانی که فردی که بحث می کند به وضوح حتی خود را با محتوایی که درباره آن بحث می کند آشنا نکرده است. تست های MCP در جایی که با برنامه مناسب هستند قدرتمند هستند.

با این گفته، من معتقدم که اصل MCP در کاربرد آن در یک سیستم معاملاتی واقعی بسیار محدود است (حداقل آنچه تا کنون خوانده ام. انتقاد من این است که (همانطور که استادان به راحتی اذعان می کنند) سیستم معاملاتی باید با الزامات طراحی دقیق مطابقت داشته باشد. به طور خاص، من هنوز یک برنامه نمونه برداری مجدد برای یک سیستم معاملاتی در چارچوب یک سبد واقعی (چند ابزار، محدودیت های حاشیه، محدودیت های اندازه موقعیت و غیره) ندیده ام. کتاب TSSB بهبودهایی را برای کارهای قبلی ارائه می دهد و همانطور که گفتم، باید آن را بخوانم.