назад Оглавление вперед


[Старт] [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [ 14 ] [15] [16] [17] [18] [19] [20] [21] [22] [23] [24] [25] [26] [27] [28] [29] [30] [31] [32] [33]


14

Прибыли&убытки

Прибыли&убытки

$14000

$14,500

$14000

$15,000

$14000

$13,000

$14000

$13500

$12,000

Различные значения МА1 привели к серьезному изменению прибылей и убытков, в то время как различные значения VB1 привели к небольшим изменениям. Вывод из этого - в данной модели МА1 является более значимой переменной, чем VB1.

Это может привести к двум следствиям. Возможно, полосы волатильности (volatility bands) слабо помогают данной торговой модели. Возможно, их можно убрать. При разработке модели действует принцип «меньшее-лишнее». Безусловно, учитывая небольшое изменение, которое давали разные значения переменной VB1, нет достаточных причин проводить более глубокий поиск. Учитывая небольшое число тестов, требуемых для выполнения этого поиска, затраты на него невелики.

С другой стороны, недостаток скрупулезности, вызываемый очень ограниченным диапазоном поиска с приоритетом шагов, в некоторых случаях может оказаться большим недостатком, особенно если при пошаговом поиске обнаруживается, что каждая переменная существенно влияет на эффективность.

Поиск методом прямого спуска (Direct Descent Search)

Поиск методом прямого спуска - один из многих очень быстрых методов направленного поиска. Главное отличие направленного поиска от поиска на решетке - это то, что может быть названо «информированной избирательностью» («enlighten selectivity*). Поиск на решетке последовательно рассматривает каждого кандидата в тестовой группе. Направленный поиск отыскивает путь к наивысшей эффективности в тестовой группе и доводит его до логического завершения. В течение этого он отбрасывает эффективность, которая меньше уже найденной, отдает предпочтение лучшей эффективности и двигается в этом «направлении» в рамках набора тестов или модельного пространства, как его иногда называют. Графически эта идея представлена на Рисунке 5-2. Достоинство «информированной избирательности», встроенной в методы направленного поиска, в том, что обычно она делает эти

>к >

к 4

к t

* Ч

•••>

О 25 50 75 100 125 150 175 200 225 250

Рис. 5-2. Поиск методом прямого спуска - две переменные.

методы очень быстрыми. Метод направленного поиска может потребовать расчета всего 5-10% всех возможных моделей, в то время как метод поиска на решетке рассчитывает число всех комбинаций.

Поиск метолом прямого спуска может также страдать недостатком скрупулезности. Не проверяя каждую модель, претендующую на роль лучшей, этот метод сопряжен с риском пропустить топ-модель. Поиск методом градиентного спуска также требует непрерывности модельного пространства. Этот метод может ошибочно выбирать локальный максимум в качестве глобального максимума. То есть, он может выбрать топ-модель для конкретной области пространства переменных и остановить поиск; следовательно, он упустит топ-модель для всего пространства.

Сочетание локального решетчатого поиска с методом направленного поиска - одна из вариаций на тему комбинирования некоторых лучших моментов обоих методов способом, призванным компенсировать слабые стороны каждого из них. Этот метод быстрее, чем поиск по узлам решетки, и медленнее, чем чистый направленный поиск. Он менее тщателен, чем поиск по узлам решетки, и более тщателен, чем направленный поиск. Он менее подвержен попаданию в локальный максимум, чем направленный поиск.



Рис. 5-3. А. Случайные стартовые точки. В. Равноудаленные стартовые точки.

Многоточечный направленный поиск отбирает группу различных стартовых точек. Они могут выбираться несколькими способами, например, случайным выбором из пространства переменных или путем деления пространства переменных на равные по величине сегменты и выбора в качестве точки входа «центра» каждого сегмента. (См. Рисунок 5-3). Затем данный поиск входит в пространство переменных в своей первой точке входа и ищет лучщую модель в этой области. Если данный поиск после выполнения определенного заранее заданного числа шагов не дает кандидата, удовлетворяющего критерию эффективности, поиск на решетке в локальной области прекращает-

ся и перемешается на следующую стартовую точку. Если же данный кандидат действительно удовлетворяет минимальному критерию эффективности, то далее выполняется поиск на решетке в этой локальной области модельного пространства. Мы находим топ-модель и запоминаем ее. Затем поиск переходит к следуюшей стартовой точке, и этот процесс повторяется. Если модель, удовлетворяющая критерию эффективности, найдена, то в этой области выполняется поиск на решетке, и топ-модель, обнаруженная здесь, сравнивается с топ-моделью, найденной в предыдущих поисках. Если она лучше, то становится новой топ-моделью. Если же она не столь хороша, то мы ее отвергаем. Многоточечный направленный поиск продолжается таким образом до тех пор, пока не будут исследованы все точки входа.

Этот комбинированный метод поиска быстрее, чем поиск на решетке, и медленнее, чем чистый направленный поиск. Он более тщателен, чем чистый направленный поиск, и менее тщателен, чем поиск на решетке. Он с меньшей вероятностью примет локальный максимум за глобальную топ-модель, чем чистый метод направленного поиска. Аналитик может выбрать столько стартовых точек, сколько сочтет целесообразным; в своем крайнем случае, когда каждая точка решетки является стартовой точкой, данный метод становится аналогичным методу поиска на решетке, но еще более медленным.

Методы генетического поиска

Методы генетического поиска - наиболее продвинутые и сложные из новых методов, разработанных на сегодня. Есть свидетельства, что они быстрее и достоверней, чем все предыдущие. Описание подробностей их действия не входит в рамки данной книги. Однако в связи с их превосходством знание о их существовании может оказаться полезным.

Методы генетического поиска являются методами направленного поиска, но включение «мутаций» (то есть нестандартных случайных шагов в области пространства переменных, отклоняющихся от пути направленного поиска) снижает вероятность выбора локального максимума в качестве глобальной топ-модели. Поскольку для пространства торговых моделей характерно обилие экстремумов, надежность генетических методов делает их перспективными в исследовании торговых моделей.



Общие проблемы методов поиска

У методов направленного поиска в целом есть несколько недостатков. Поскольку метод направленного поиска не оценивает каждого кандидата, существует риск недостаточной точности. Направленный поиск гораздо более тщателен, чем пошаговый поиск. Но он менее точен, чем поиск на решетке. Опыт многоточечного направленного поиска в сочетании с методом поиска на решетке свидетельствует, что таким комбинированным методом можно находить модели, входящие по эффективности в лучшие 10-20%.

Вторая и, возможно, более серьезная проблема методов направленного поиска состоит в том, что они не всегда гарантируют нахождение истинного пика, называемого глобальным максимумом, но могут ошибочно принимать за него локальный максимум. Глобальный максимум - это самая эффективная модель во всей тестовой группе, а локальный максимум - самая эффективная модель в «локальной области» тестовой группы (см. Рисунок 5-4). Ошибочное принятие локального максимума за глобальный может происходить по причинам, связанным с особенностями метода поиска и «формой пространства переменных». У такого метода будут возникать проблемы «пикообразной» переменной, группой моделей с очень большим числом пиков эф-

Глобальный максимум

О 25 50 75

100 120 150 175 200 225 250

Переменная 1

Рис. 5-4. Шпилеобразное пространство - одна переменная.

$15,000

Глобальный максимум

ПЕРЕМЕННАЯ 1

Рис. 5-5. Глобальный максимум - две переменные.

фективности, окруженных глубокими впадинами. Рассматривая применение методов направленного поиска, важно помнить об этих проблемах.

Значение метода оценки

Любой метод поиска должен иметь некоторый способ определения того, является ли торговая модель «хорошей», чтобы принять ее или отвергнуть. Хорошей торговой моделью может быть модель с максимальной прибылью, с максимальной прибылью на сделку, с максимальным процентом выигрышей или с комбинацией трех этих показателей. Такой метод определения качества торговой модели называется методом оценки. В статистике он также известен как целевая функция. Хорошая торговая модель зависит отнюдь не только от чистой прибыли. На самом деле, хорошая модель - это комплекс показателей.

При использовании методов поиска очень важным оказывается тип оценивания. Поскольку методы поиска, по определению, в процессе поиска лучшего пути постоянно принимают торговые

[Старт] [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [ 14 ] [15] [16] [17] [18] [19] [20] [21] [22] [23] [24] [25] [26] [27] [28] [29] [30] [31] [32] [33]