Pasirinkimas tarp perteklinio pritaikymo modelio ir tvirtos strategijos yra skirtumas tarp sistemos, kuri popieriuje atrodo tobulai, ir tokios, kuri iš tikrųjų išgyvena nenuspėjamą realių rinkų chaosą. Nors perteklinis pritaikymas sukuria „atsitiktinumo apgaunamų“ spąstus, vaikydamasis istorinio triukšmo, tvirtas dizainas orientuotas į ilgalaikius principus ir lankstumą.
Statistiniai modeliai, kurie pernelyg tiksliai pritaikyti konkrečiam praeities duomenų rinkiniui, fiksuojantys atsitiktinį triukšmą, o ne prasmingus rinkos signalus.
Prekybos sistemų kūrimo metodas, kuriame pirmenybė teikiama paprastumui ir struktūriniam vientisumui, siekiant užtikrinti našumą įvairiomis rinkos sąlygomis.
| Funkcija | Pernelyg pritaikyti investavimo modeliai | Tvirtas strategijos dizainas |
|---|---|---|
| Sudėtingumas | Aukštas (pertekliniai parametrai) | Žemas (tausus dizainas) |
| Atgalinio testavimo našumas | Egzotiška, didelė grąža | Vidutinė, reali grąža |
| Rinkos prisitaikymas | Trapus | Atsparus |
| Pagrindinė logika | Grynai statistinis | Ekonominis / elgesio |
| Kintamųjų skaičius | Daug (daugiau nei 10 rodiklių) | Nedaug (2–4 rodikliai) |
| Gedimo režimas | Visiškas žlugimas | Grakštus degradavimas |
| Dizaino filosofija | Pritaikymas prie praeities | Pasiruošimas ateičiai |
Pernelyg pritaikyti modeliai dažnai atrodo kaip „šventasis gralis“, nes jie buvo suderinti taip, kad idealiai atitiktų istorines diagramas. Tačiau šis tobulumas yra miražas; modelis iš esmės įsiminė seno testo atsakymus, o ne išmoko tikrąjį dalyką. Tvirtos strategijos priima mintį, kad ateitis atrodys kitaip nei praeitis, ir numato paklaidos ribą.
Tvirta strategija paprastai vis tiek veiks, jei 20 dienų slenkamąjį vidurkį pakeisite į 22 dienų slenkamąjį vidurkį, o tai parodys, kad pagrindinė idėja yra pagrįsta. Per daug pritaikyti modeliai yra žinomi dėl savo trapumo; jei jų nustatymuose pakoreguosite bent vieną tašką, visa našumo kreivė dažnai sugrius, įrodydama, kad sistema rėmėsi konkrečiu laimingų sutapimų rinkiniu.
Tvirtas dizainas prasideda nuo „kodėl“ – pavyzdžiui, idėjos, kad investuotojai per daug reaguoja į blogas naujienas. Duomenų gavyba prasideda nuo „ko“ – ieškant bet kokio rodiklių derinio, kuris netyčia pakilo. Be loginio pagrindo modelis tėra laimingas spėjimas, kuris labai tikėtinai žlugs, kai tik pasikeis rinkos režimai.
Tikrasis bet kurios sistemos išbandymas yra tai, kaip ji tvarko anksčiau nematytus duomenis. Per daug pritaikyti modeliai žlunga, nes yra optimizuoti mokymo laikotarpio „triukšmui“. Tvirti modeliai siekia „einant į priekį“ efektyvumo, o tai reiškia, kad jie ir toliau fiksuoja platesnį „signalą“ net ir kintant konkrečiai rinkos aplinkai.
100 % laimėjimo rodiklis atliekant atgalinį testavimą yra geras ženklas.
Tai iš tiesų yra didelis įspėjamasis ženklas. Jokia prekybos strategija nelaimi visada; idealus praeities testas beveik visada reiškia, kad modelis buvo specialiai užprogramuotas taip, kad būtų išvengta visų istorinių nuostolių, todėl jis tampa nenaudingas ateities įvykiams.
Mašininio mokymosi naudojimas natūraliai padeda išvengti per didelio pritaikymo.
Šiuolaikiniai dirbtinio intelekto ir neuroniniai tinklai iš tikrųjų yra labiau linkę į perteklinį pritaikymą nei paprasti tiesiniai modeliai. Be tokių metodų kaip reguliavimas ar iškritimas, šie modeliai yra itin geri randant atsitiktinio triukšmo modelius.
Pridėjus daugiau indikatorių, modelis tampa tikslesnis.
Kiekybiniuose finansuose mažiau paprastai yra daugiau. Kiekvienas papildomas rodiklis ar filtras, kurį pridedate, padidina tikimybę, kad jūs tiesiog susiaurinate savo modelį iki konkretaus istorinių datų rinkinio, kuris niekada nepasikartos.
Sudėtingumas lygus rafinuotumui.
Analizės sudėtingumas – tai nuolatinės tiesos nustatymas naudojant kuo paprastesnį įrankį. Sudėtingas modelis dažnai tiesiog slepia supratimo stoką už matematikos sienos.
Rinkitės patikimą strategijos dizainą, jei norite sistemos, kuri galėtų susidoroti su realios prekybos neapibrėžtumu ir ilgainiui išsaugoti kapitalą. Per didelis pritaikymas yra pavojingas spąstas, kurio turėtų vengti kiekvienas rimtas analitikas, nes jis suteikia klaidingą saugumo jausmą, dėl kurio patiriami dideli nuostoliai.
Astrologinės prognozės susieja dangaus ciklus su žmonių patirtimi siekiant simbolinės reikšmės, o statistinės prognozės analizuoja empirinius istorinius duomenis, kad įvertintų būsimas skaitines vertes. Šiame palyginime nagrinėjamas skirtumas tarp senovinės, archetipais pagrįstos asmeninių apmąstymų sistemos ir modernios, duomenimis pagrįstos metodologijos, naudojamos objektyviam sprendimų priėmimui versle ir moksle.
Šis palyginimas nagrinėja intriguojančią prarają tarp senovinių dangaus stebėjimų ir šiuolaikinės prognozinės analizės. Astrologiniai tranzitai naudoja planetų ciklus asmeninio augimo fazėms interpretuoti, o gyvenimo įvykių tikimybių modeliai remiasi dideliais duomenimis ir statistiniais algoritmais, kad numatytų konkrečius etapus, tokius kaip karjeros pokyčiai ar sveikatos priežiūros poreikiai.
Nors retrospektyvinė analizė veikia kaip organizacijos galinio vaizdo veidrodis, analizuodama istorinius įrašus, kad suprastų praeities sėkmes ir nesėkmes, ateities prognozavimo modeliai žvelgia pro priekinį stiklą, derindami statistinius algoritmus ir mašininį mokymąsi, kad numatytų būsimus rinkos pokyčius, klientų veiksmus ir veiklos kliūtis.
Pasirinkimas tarp aukšto dažnio duomenų ir apibendrintų duomenų yra esminis kompromisas analitikoje. Nors neapdoroti, per sekundę gaunami sandoriai ir jutiklių srautai suteikia neprilygstamą tiesioginio elgesio ir rinkos mikrostruktūrų matomumą, suspausti laiko apibendrinimai pašalina didžiulį statistinį triukšmą ir didelius infrastruktūros poreikius, kad būtų galima atskleisti aiškias, struktūrines ilgalaikes tendencijas.
Pasirinkimas tarp automatinio modelių sekimo ir rankinio eksperimentų sekimo iš esmės lemia duomenų mokslo komandos greitį ir atkuriamumą. Nors automatizavimas naudoja specializuotą programinę įrangą, kad sklandžiai užfiksuotų kiekvieną hiperparametrą, metriką ir artefaktą, rankinis sekimas priklauso nuo žmogaus kruopštumo naudojant skaičiuokles arba „markdown“ failus, todėl reikia rasti griežtą kompromisą tarp sąrankos greičio ir ilgalaikio keičiamo tikslumo.
