انتخاب بین یک مدل بیشبرازششده و یک طراحی استراتژی قوی، تفاوت بین سیستمی است که روی کاغذ بینقص به نظر میرسد و سیستمی که در واقع از هرج و مرج غیرقابل پیشبینی بازارهای واقعی جان سالم به در میبرد. در حالی که بیشبرازش با دنبال کردن نویزهای تاریخی، تله «فریب خوردن از تصادفی بودن» را ایجاد میکند، طراحی قوی بر اصول پایدار و انعطافپذیری تمرکز دارد.
مدلهای آماری که بیش از حد به یک مجموعه داده خاص گذشته وابسته هستند و به جای سیگنالهای معنادار بازار، نویزهای تصادفی را در نظر میگیرند.
رویکردی برای ساخت سیستمهای معاملاتی که سادگی و یکپارچگی ساختاری را در اولویت قرار میدهد تا عملکرد را در شرایط مختلف بازار تضمین کند.
| ویژگی | مدلهای سرمایهگذاری بیشبرازششده | طراحی استراتژی قوی |
|---|---|---|
| پیچیدگی | زیاد (پارامترهای بیش از حد) | کم (طراحی صرفهجویانه) |
| عملکرد بک تست | بازده بالا و عجیب و غریب | بازده متوسط و واقعبینانه |
| سازگاری با بازار | شکننده | مقاوم |
| منطق زیربنایی | صرفاً آماری | اقتصادی/رفتاری |
| تعداد متغیر | بسیاری (بیش از 10 شاخص) | تعداد کمی (۲-۴ شاخص) |
| حالت خرابی | فروپاشی کامل | تخریب برازنده |
| فلسفه طراحی | تطبیق با گذشته | آماده شدن برای آینده |
مدلهای بیشبرازششده اغلب مانند یک «جام مقدس» به نظر میرسند، زیرا طوری تنظیم شدهاند که کاملاً با نمودارهای تاریخی مطابقت داشته باشند. با این حال، این کمال یک سراب است؛ مدل اساساً پاسخهای یک آزمون قدیمی را حفظ کرده است، نه اینکه موضوع واقعی را یاد بگیرد. استراتژیهای قوی میپذیرند که آینده متفاوت از گذشته خواهد بود و حاشیه خطا را در نظر میگیرند.
یک استراتژی قوی عموماً اگر میانگین متحرک ۲۰ روزه را به ۲۲ روزه تغییر دهید، همچنان کار خواهد کرد و این نشان میدهد که ایده اصلی آن صحیح است. مدلهای بیشبرازششده به طور مشهوری شکننده هستند؛ اگر یک نقطه اعشار را در تنظیمات آنها تغییر دهید، کل منحنی عملکرد اغلب از هم میپاشد و ثابت میکند که سیستم به مجموعهای خاص از اتفاقات خوششانس متکی بوده است.
طراحی قوی با یک «چرا» شروع میشود - مانند این ایده که سرمایهگذاران به اخبار بد بیش از حد واکنش نشان میدهند. دادهکاوی با یک «چه» شروع میشود - جستجوی هر ترکیبی از شاخصهایی که اتفاقاً افزایش یافتهاند. بدون یک تکیهگاه منطقی، یک مدل فقط یک حدس شانسی است که به محض تغییر رژیمهای بازار، احتمال شکست آن بسیار زیاد است.
آزمون واقعی هر سیستمی این است که چگونه دادههایی را که قبلاً ندیده است، مدیریت میکند. مدلهای بیشبرازششده از هم میپاشند زیرا برای «نویز» دوره آموزش بهینه شدهاند. طرحهای قوی، کارایی «پیشرونده» را هدف قرار میدهند، به این معنی که آنها حتی با تکامل محیط خاص بازار، همچنان «سیگنال» وسیعتری را دریافت میکنند.
نرخ برد ۱۰۰٪ در بک تست نشانه خوبی است.
در واقع این یک پرچم قرمز بزرگ است. هیچ استراتژی معاملاتی واقعی همیشه برنده نمیشود؛ یک بک تست بینقص تقریباً همیشه به این معنی است که مدل به طور خاص برای جلوگیری از هر ضرر تاریخی برنامهریزی شده است، و آن را برای رویدادهای آینده بیفایده میکند.
استفاده از یادگیری ماشین به طور طبیعی از بیشبرازش جلوگیری میکند.
هوش مصنوعی و شبکههای عصبی مدرن در واقع بیشتر از مدلهای خطی ساده مستعد بیشبرازش هستند. بدون تکنیکهایی مانند منظمسازی یا رهاسازی، این مدلها در یافتن الگوها در نویزهای تصادفی فوقالعاده خوب هستند.
افزودن شاخصهای بیشتر، مدل را دقیقتر میکند.
در امور مالی کمی، معمولاً کمتر، بیشتر است. هر شاخص یا فیلتر اضافی که اضافه میکنید، احتمال اینکه مدل خود را به مجموعهای خاص از تاریخهای تاریخی محدود کنید که دیگر هرگز اتفاق نمیافتند را افزایش میدهد.
پیچیدگی معادل پیچیدگی است.
پیچیدگی در تحلیل، به معنای شناسایی یک حقیقت پایدار با سادهترین ابزار ممکن است. یک مدل پیچیده اغلب فقط فقدان درک را پشت دیواری از ریاضیات پنهان میکند.
اگر سیستمی میخواهید که بتواند عدم قطعیت معاملات زنده را مدیریت کند و سرمایه را در درازمدت حفظ کند، طراحی استراتژی قوی را انتخاب کنید. بیشبرازش یک دام خطرناک است که هر تحلیلگر جدی باید از آن اجتناب کند، زیرا احساس امنیت کاذبی ایجاد میکند که منجر به ضررهای قابل توجه میشود.
این مقایسه فنی، بدهبستانهای عملیاتی بین دادههای آزادی حرکت - که رفتارهای سیال و مهارنشده انسانی، دارایی یا مکانی را ثبت میکند - و محدودیتهای مجموعه دادههای ساختاریافته، طرحهای اعتبارسنجی سفت و سختی که برای اعمال ثبات پایگاه داده استفاده میشوند، را ارزیابی میکند. تصمیمگیری بین آنها مستلزم ایجاد تعادل بین پیشبینیپذیری ساختاری در برابر بینشهای غنی از فعالیت طبیعی و چندبعدی است.
انتخاب بین آزمایش آنلاین در مقیاس بزرگ و آزمایش مدل در مقیاس کوچک به معنای ایجاد تعادل بین اعتبارسنجی علّی خام در دنیای واقعی با تأیید الگوریتمی سریع و مقرون به صرفه است. در حالی که اجرای آزمایشهای زنده در میان پایگاههای کاربری عظیم، تأثیر واقعی کسب و کار و واقعیتهای رفتاری را آشکار میکند، آزمایش آفلاین در مقیاس کوچک، محیط کنترلشده و تکرارپذیر لازم برای تکرار سریع کد و دروازههای استقرار ایمن را فراهم میکند.
این مقایسه فنی، تفاوتهای عملیاتی بین آمارههای کافی و نمایش دادههای خام را تجزیه و تحلیل میکند. در حالی که دادههای خام هر نکته ظریف مشاهده شده را حفظ میکنند، آمارههای کافی آن مجموعه دادهها را به شکلی فشرده و بدون از دست دادن حتی یک ذره از اطلاعات مورد نیاز برای تخمین پارامترهای مدل شما، فشرده میکنند.
در دنیای تحلیلهای پرمخاطره، توانایی تشخیص الگوهای معنادار از نوسانات تصادفی، موفقیت را تعریف میکند. در حالی که استخراج سیگنال بر جداسازی بینشهای عملی با استفاده از فیلترهای ریاضی دقیق تمرکز دارد، تقویت نویز زمانی رخ میدهد که تحلیلگران واریانس تصادفی را با روندهای قابل توجه اشتباه میگیرند و اغلب منجر به خطاهای استراتژیک پرهزینه و مدلهای پیشبینی ناقص میشوند.
در حالی که فیلتر نویز، نوسانات تصادفی سطح پایین را حذف میکند تا روند اصلی مجموعه دادهها را روشن کند، استخراج سیگنال از دادههای پرت به طور فعال به دنبال نقاط دادهای شدید و ایزوله میگردد که ناهنجاریهای پنهان، خطاهای بحرانی سیستم یا پیشرفتهای ارزشمند را آشکار میکنند. دانستن زمان اعمال هر تکنیک، مانع از آن میشود که به طور تصادفی ارزشمندترین بینشهای دادهای خود را از دست بدهید.
