Overing de estratégia de negociação

Superação.

DEFINIÇÃO de 'Overfitting'

Overfitting é um erro de modelagem que ocorre quando uma função é muito ajustada a um conjunto limitado de pontos de dados. O overfitting do modelo geralmente assume a forma de um modelo excessivamente complexo para explicar as idiossincrasias nos dados em estudo. Na realidade, os dados freqüentemente estudados têm algum grau de erro ou ruído aleatório dentro dele. Assim, tentar fazer com que o modelo esteja em conformidade com dados pouco precisos pode infectar o modelo com erros substanciais e reduzir sua capacidade de previsão.

QUEBRANDO PARA BAIXO 'Overfitting'

Os profissionais financeiros devem sempre estar cientes dos perigos de superar um modelo baseado em dados limitados. Por exemplo, um problema comum é usar algoritmos de computador para pesquisar bancos de dados extensivos de dados históricos do mercado, a fim de encontrar padrões. Dado um estudo suficiente, muitas vezes é possível desenvolver teoremas elaborados que parecem prever coisas como retornos no mercado de ações com precisão precisa. No entanto, quando aplicado a dados fora da amostra, tais teoremas podem provar ser apenas uma sobreposição de um modelo para o que eram, na realidade, apenas ocorrências de chance. Em todos os casos, é importante testar um modelo com dados que estão fora da amostra usada para desenvolvê-lo.

Negociação quantitativa.

Investimentos quantitativos e idéias comerciais, pesquisas e análises.

Sexta-feira, 17 de novembro de 2017.

Otimizando estratégias de negociação sem superação.

podemos simular tantas séries de preços (todos seguindo o mesmo processo ARMA) como desejamos. Isso significa que podemos simular tantos negócios quanto queremos e obter parâmetros de negociação ótimos com uma precisão tão alta quanto quisermos. Isso é quase tão bom como uma solução analítica. (Veja o diagrama de fluxo abaixo que ilustra este procedimento - clique para ampliar.)

Curiosamente, o modo do K ótimo é 0 para qualquer mês. Isso certamente faz uma estratégia de negociação simples: apenas compre sempre que o retorno de log esperado seja positivo e vice-versa para calções. O CAGR é cerca de 4,5% assumindo custos de transação zero e execuções de preço médio. Aqui está a curva de retornos cumulativos:

Sobre os autores: Ernest Chan é o membro gerenciador da QTS Capital Management, LLC. Ray Ng é um estrategista quantitativo da QTS. Ele recebeu seu Ph. D. em física teórica de matéria condensada da McMaster University.

Próximas Oficinas do Dr. Ernie Chan.

Estarei moderando esta oficina on-line para Nick Kirk, um notável comerciante de criptografia e gerente de fundos, que ensinou este curso amplamente aclamado aqui e no CQF em Londres.

Este curso on-line se concentra em backtesting intradiário e estratégias de opções de portfólio. Não serão discutidas teorias de preços de opções irritantes, uma vez que a ênfase está na negociação de arbitragem.

19 comentários:

Você poderia incluir o Matlab para esta publicação?

Postagem interessante. Vejo isso como basicamente o mesmo que o reescremento do portfólio, mas aplicado ao comércio em vez da otimização de portfólio.

É possível enviar-me um e-mail para ernestepchan para códigos-fonte.

Não é realmente uma resampling, uma vez que a reamostragem significa que usamos dados históricos reais para gerar mais dados históricos. Aqui, nós simplesmente usamos o modelo que descreve os dados históricos para gerar mais dados históricos.

Muito boa ideia. A superposição é realmente um grande problema para o desenvolvimento de estratégias. Uma questão potencial em usar isso é o quão bem um pode modelar os processos de preço / volume subjacentes. Dependendo do sinal de um dependente, o processo pode não expressar o padrão ou pode ter um resultado diferente, em seguida, realizado em média no mercado.

- agrupar ações em grupos por algumas medidas de similaridade.

- dentro de cada grupo, avalie o sinal nas histórias combinadas de ações no grupo.

Sim, você apontou algumas limitações muito válidas sobre essa abordagem.

Obrigado por descrever como você abordou o problema com estratégias de ações! Isso faz sentido nesse contexto.

Ernie Talvez seja mais parecido do que você pensa. No reescremento de Michaud, você está estimando um modelo. Implícitamente, você está assumindo que os ativos seguem caminhadas aleatórias com erro normal multivariante (parâmetros mu e sigma como média e covariância). Então, você resmelha mais mus e sigmas, otimize um portfólio para cada um e, em seguida, a média dos pesos finais do portfólio.

John, posso ver a semelhança agora - obrigado.

Artigo muito interessante, Ernie. Eu tenho algumas perguntas e comentários.

1) Teoricamente, isso é possível, mas isso geralmente indica que o modelo da série temporal não é adequado aos preços subjacentes. Se verifiquemos que é um bom ajuste e ainda dá um mau desempenho no backtest, rejeitaremos a estratégia. Na prática, ainda não aconteceu.

É bom saber - obrigado Andrew!

Sugestão interessante - sim, a abordagem bayesiana faz sentido.

Ernie, obrigado pela sua escrita. Grande fã de seus livros. Alguns antecedentes: eu não tenho quant PhD, e certamente nenhum tipo de hedge fund. Eu sou apenas um engenheiro com habilidade de programação decente.

- Isso está efetivamente levando dinheiro de comerciantes menos sofisticados? Ou, eu estou andando na onda com dinheiro inteligente, que simplesmente não tem dúvidas quanto a perdas menores que realmente são bastante significativas para comerciantes de varejo?

- Por que os fundos de hedge / pessoas mais inteligentes não são arbitrados ou sugados do meu sistema?

- A partir de seus livros, parece que ele pode estar relacionado à capacidade & # 39; mas ainda não sei por que está realmente funcionando.

Obrigado por suas amáveis ​​palavras em meus livros, e ótimo para ouvir que você encontrou algumas boas estratégias!

Ernie - obrigado por seus comentários. Acima de tudo, estou muito surpreso com a simplicidade de algumas das estratégias implementadas (a maioria está baseada em momentum, com modificações em seus exemplos) - e como eles conseguem permanecer consistentemente no verde mesmo em mercados variados. Foi o que me fez questionar a economia real do comércio e de onde vem o dinheiro. Eu troco o FX do ponto principalmente, e estou curioso para ver quanto tempo eu poderei manter essa vantagem. Acho que eu conheço / informe de volta em um ano ou assim!

algotrading.

167 & # 32; пользователей находятся здесь.

МОДЕРАТОРЫ.

Bem-vindo ao Reddit,

a primeira página da internet.

e inscreva-se em uma das milhares de comunidades.

Это архивированный пост. Você está interessado em иолосовать или комментировать.

Quer adicionar à discussão?

помощь правила сайта центр поддержки вики реддикет mod guidelines связаться с нами.

приложенияи инструменты Reddit para iPhone Reddit para o site móvel Android кнопки.

Использование данного сайта означает, что вы принимаете & # 32; пользовательского соглашения & # 32; и & # 32; Политика конфиденциальности. &cópia de; 2018 reddit инкорпорейтед. Все права защищены.

REDDIT e o logotipo ALIEN são marcas registradas da reddit inc.

& pi; Processado pelo PID 29046 em & # 32; app-490 & # 32; em 2018-01-30 22: 07: 18.140178 + 00: 00 executando 515c9ce código do país: UA.

Estratégias de negociação que são projetadas e evitam Overfitting de Robert Carver.

"A QuantCon foi provavelmente a maior concentração de QI coletivo sob o mesmo teto na história da conferência financeira (tanto palestrantes quanto participantes). As palestras que fiz foram tecnicamente corretas e quase sem exceção apresentadas por palestrantes", declarou Robert Carver em Some Reflections. no QuantCon 2017.

Nossa próxima QuantCon será realizada em Nova York de 27 a 28 de abril. Os ingressos para early bird só estão à venda até 01/01/2018. Não perca nossos melhores preços para este evento - reserve já seu lugar!

Estratégias de negociação projetadas, não ajustadas por Robert Carver da QuantCon NYC 2017.

Em sua palestra, Robert explica o que o design de um sistema de negociação realmente envolve, explora por que o design pode ser melhor do que se encaixar e introduz algumas das ferramentas que você poderia usar. Ele também leva você através do processo de design para uma estratégia de negociação de exemplo, focada especificamente na sequência de tendências e como evitar overfitting. Ele caminha através de uma estrutura sólida que abrange o direcionamento de risco, os custos de compreensão, a regressão linear, o conhecimento tácito e outras condições importantes. Por fim, ele discute como podemos ter o melhor dos dois mundos: estratégias bem projetadas e ajustadas aos dados.

Early Bird Tickets já estão à venda para a QuantCon NYC 2018.

O QuantCon 2018 contará com vários oradores especialistas e se concentrará em como a ciência dos dados e a aprendizagem em máquina podem ajudar a melhorar suas estratégias de negociação. A conferência de dois dias consiste em oficinas, palestras, tutoriais e redes com os principais indivíduos no espaço de investimento quantitativo.

Os palestrantes confirmados de 2018 incluem:

Dra. Kathryn Kaminski, Cientista Visitante, Laboratório do MIT para Engenharia Financeira Dr. Stephen Malinak, Diretor de Dados e Analítica do Laboratório TruValue Dr. Ernest Chan, Membro Administrativo da QTS Capital Management, LLC. Tanya Beder, presidente e CEO da SBCC Group.

Para ver nossa programação completa, visite: quantcon.

O material deste site é fornecido apenas para fins informativos e não constitui uma oferta de venda, uma solicitação de compra ou uma recomendação ou endosso para qualquer segurança ou estratégia, nem constitui uma oferta de prestação de serviços de consultoria de investimento pela Quantopian.

Além disso, o material não oferece nenhuma opinião em relação à adequação de qualquer segurança ou investimento específico. Nenhuma informação contida neste documento deve ser considerada como uma sugestão para se envolver ou abster-se de qualquer curso de ação relacionado ao investimento, já que nenhuma das empresas atacadas ou nenhuma das suas afiliadas está a comprometer-se a fornecer conselhos de investimento, atuar como conselheiro de qualquer plano ou entidade sujeito a A Lei de Segurança de Renda de Aposentadoria do Empregado de 1974, conforme alterada, conta de aposentadoria individual ou anuidade de aposentadoria individual, ou dar conselhos em capacidade fiduciária em relação aos materiais aqui apresentados. Se você é um aposentadorio individual ou outro investidor, entre em contato com seu consultor financeiro ou outro fiduciário não relacionado a Quantopian sobre se qualquer idéia, estratégia, produto ou serviço de investimento descrito aqui pode ser apropriado para suas circunstâncias. Todos os investimentos envolvem risco, incluindo perda de principal. A Quantopian não oferece garantias sobre a precisão ou integridade das opiniões expressas no site. Os pontos de vista estão sujeitos a alterações e podem ter se tornado pouco confiáveis ​​por vários motivos, incluindo mudanças nas condições do mercado ou nas circunstâncias econômicas.

Deixe uma resposta Cancelar resposta.

O material deste site é fornecido apenas para fins informativos e não constitui uma oferta de venda, uma solicitação de compra ou uma recomendação ou endosso para qualquer segurança ou estratégia, nem constitui uma oferta de prestação de serviços de consultoria de investimento pela Quantopian.

Além disso, o material não oferece nenhuma opinião em relação à adequação de qualquer segurança ou investimento específico. Nenhuma informação contida neste documento deve ser considerada como uma sugestão para se envolver ou abster-se de qualquer curso de ação relacionado ao investimento, já que nenhuma das empresas atacadas ou nenhuma das suas afiliadas está a comprometer-se a fornecer conselhos de investimento, atuar como conselheiro de qualquer plano ou entidade sujeito a A Lei de Segurança de Renda de Aposentadoria do Empregado de 1974, conforme alterada, conta de aposentadoria individual ou anuidade de aposentadoria individual, ou dar conselhos em capacidade fiduciária em relação aos materiais aqui apresentados. Se você é um aposentadorio individual ou outro investidor, entre em contato com seu consultor financeiro ou outro fiduciário não relacionado a Quantopian sobre se qualquer idéia, estratégia, produto ou serviço de investimento descrito aqui pode ser apropriado para suas circunstâncias. Todos os investimentos envolvem risco, incluindo perda de principal. A Quantopian não oferece garantias sobre a precisão ou integridade das opiniões expressas no site. Os pontos de vista estão sujeitos a alterações e podem ter se tornado pouco confiáveis ​​por vários motivos, incluindo mudanças nas condições do mercado ou nas circunstâncias econômicas.

O material deste site é fornecido apenas para fins informativos e não constitui uma oferta de venda, solicitação de compra ou recomendação ou endosso para qualquer garantia ou estratégia, nem constitui uma oferta para fornecer consultoria de investimento ou outros serviços por meio de Quantopian. Além disso, o conteúdo do site não oferece nenhuma opinião com relação à adequação de qualquer segurança ou investimento específico.

A Quantopian não oferece garantias quanto à exatidão ou integridade das visões expressas no site. Os pontos de vista estão sujeitos a alterações e podem ter se tornado pouco confiáveis ​​por vários motivos, incluindo mudanças nas condições do mercado ou nas circunstâncias econômicas. Todos os investimentos envolvem risco - incluindo perda de principal. Você deve consultar um profissional de investimento antes de tomar qualquer decisão de investimento.

Como identificar as estratégias de negociação de superlotação.

Neste post, descrevemos as principais características e comportamentos das estratégias de negociação de overfit e os riscos que representam para os investidores e para os investidores da DARWIN.

As estratégias de negociação de overfit geralmente têm bom desempenho em ambientes de backtesting, criando a ilusão de que eles exploram a ineficiência do mercado sendo muito bem direcionados.

No entanto, quando implantados em um ambiente de negociação ao vivo, seu desempenho é desproporcionalmente diferente do que foi observado no backtesting, devido principalmente aos dados históricos de modelagem muito próximos.

Isso evita que tais estratégias se generalizem bem aos dados invisíveis no futuro, em detrimento dos comerciantes (lançando-os ao vivo com o capital) e dos investidores DARWIN (apoiando-os com o capital).

Para sua conveniência, esta postagem está organizada da seguinte maneira:

Tipos de Estratégias de Negociação de Overfit Características Típicas & amp; Comportamentos Como os comerciantes podem resolver Overfitting Como os investidores podem evitar DARWINs Overfit.

Tipos de estratégias de negociação de superposição.

Podemos generalizá-los em duas categorias principais:

Focada no modelo & # 8211; onde a estratégia se ajusta aos dados históricos de forma muito próxima e exibe alta variação quando testada em dados não vistos. Com foco no risco & # 8211; onde o desempenho de um modelo fraco é compensado com uma lógica de gerenciamento de risco irrealista, avessa a perdas.

No primeiro (centrado no modelo), uma estratégia de negociação normalmente funcionará muito bem em backtesting, mas estagnará por longos períodos de tempo (ou falhará completamente) em testes ao vivo.

Estratégias de Trading Overfit (focado no modelo)

Do ponto de vista do comerciante e do investidor, tais estratégias são fáceis de identificar visualmente; Os retornos irão, em algum momento, chegar a um ponto de inflexão onde eles não parecem mais serem semelhantes ao desempenho histórico.

No último (com foco no risco), uma estratégia de negociação demonstrará retornos lisos e muito consistentes no backtesting, bem como em testes ao vivo por um período de tempo, tornando tais estratégias mais perigosas do que as anteriores, pois são difíceis de identificar de olhar para apenas retorna gráficos.

Estratégias de Negociação de Overfit (focadas no risco)

Antes & amp; Depois (focado no risco)

Mais tarde na publicação, discutiremos certos atributos de investimento DARWIN que auxiliam comerciantes e investidores a isolar tais estratégias.

Características típicas e amp; Comportamentos.

Modelo focado.

Geralmente, é bastante direto identificar estratégias comerciais que se superponham aos dados históricos.

Em comparação com as fases de treinamento em backtests, suas fases de teste e desempenho ao vivo podem demonstrar:

Excesso de estagnação, maiores retiradas e / ou Uma reversão geral nas previsões de retorno.

Dos 12 atributos de investimento DARWIN disponíveis, esse comportamento é melhor aproveitado pela evolução do seguinte:

As pontuações baixas ou a evolução instável das pontuações nesses atributos (especialmente no comércio ao vivo) podem servir como um indicador útil na identificação de uma estratégia como super ajuste em backtests ou de outra forma.

Quando uma estratégia é superada para dados de treinamento, a evolução de suas pontuações para os atributos acima é provável que demonstre alta variação quando submetido a dados de teste e / ou em negociação ao vivo.

Normalmente, três combinações de pontuações para os atributos acima demonstram um desempenho consistente entre os backtests e o live trading (quando acompanhados pelos escores High Ex, High Mc, High Rs):

(Baixo Cp | Alto Os / Cs | Alto Pf | Alto R-) & # 8211; Uma vez que uma estratégia com bons resultados para estes no backtest é lançada ao vivo, se os escores para Os / Cs e R - diminuir progressivamente com o tempo, a probabilidade de a estratégia ser superada aumenta. (Moderado Cp | High La | High Pf) & # 8211; Se as pontuações altas para os La e Rs diminuírem progressivamente ao serem lançadas ao vivo, a probabilidade de a estratégia ser overfit aumenta.

Os comerciantes podem, portanto, se beneficiar do upload de backtests de estratégia de negociação para a plataforma Darwinex para análise.

Examinar a evolução das pontuações recebidas fornece uma camada valiosa de insight sobre como o desempenho simétrico é provável em backtesting versus negociação ao vivo.

Por exemplo, se uma evolução constante é observada em relação aos dados de treinamento, mas alta variação nos dados de teste, a probabilidade de a estratégia se generalizar bem aos dados não vistos na negociação ao vivo é baixa.

Evolução estável de risco & amp; Consistência de Duração.

Risco focado.

Nas estratégias de negociação em que a gestão do risco de aversão de perda compensa o menor tempo (e gera rendimentos não reais na prova de retorno), um ou mais dos seguintes comportamentos podem ser observados:

Negociações pouco temporizadas não estão fechadas por longos períodos de tempo. As ordens adicionais são abertas na mesma direção que os cronometrados com dificuldades na tentativa de recuperar a posição em preços melhorados de forma incremental. O excesso de alavancagem é empregado por troca na tentativa de recuperar posições perdedoras em preços melhorados incrementalmente.

Dos 12 atributos de investimento DARWIN disponíveis, esse comportamento é melhor aproveitado pelo seguinte:

A evolução das pontuações recebidas por esses atributos de investimento fornece uma visão valiosa sobre se uma estratégia irá compensar o tempo inferior ao empregar práticas de gerenciamento de risco aversas a perdas.

Além disso, pontuações baixas para Rs e Mc em particular adicionam uma forte confirmação de que o overfitting focado no risco é provavelmente o caso de uma estratégia.

La vs Cp vs Rs (Evolução dos Atributos de Investimento DARWIN)

Como os comerciantes podem resolver Overfitting.

Um post recente no blog & # 8211; DO & # 8217; e DONT & # 8217; s do MetaTrader 4 Backtesting & # 8211; detalha várias etapas que os comerciantes podem tomar para abordar e eliminar a superação de suas estratégias de negociação.

Como os investidores podem evitar DARWINs Overfit ou arriscados.

Conforme descrito em "Recursos típicos" & amp; Comportamentos & # 8221; acima, monitorando a evolução das pontuações de uma estratégia para:

pode ajudar DARWIN Investors a ter cautela com (ou evitar inteiramente), ambos os tipos de estratégias de negociação de overfit discutidas neste post.

Informações mais detalhadas sobre cada atributo de investimento estão disponíveis através da Seção de Educação.

[Recursos adicionais] (Vídeo) Como identificar estratégias de negociação de superposição.

Nesta publicação, vamos explicar as 3 principais vantagens de se tornar um provedor DARWIN. Mas antes de começar a ler, deixe-me fazer-lhe 3 perguntas simples: você é comerciante? Você é mesmo um comerciante talentoso? Você sonha em viver o seu talento comercial, mas não tem ativos sob gestão [& hellip;]

Este post apresenta uma série de melhores práticas para backtesting estratégias de negociação no testador de estratégia MetaTrader 4. Assista ao Webinar Gravando clicando aqui. Simulando corretamente o desempenho histórico de uma estratégia, aumenta a probabilidade de que ela se generalize bem para dados de mercado não vistos no futuro. Como tal, é importante que todo backtesting seja realizado de forma robusta, com cuidado [& hellip;]

Se, como investidor DARWIN, você tiver habilitada a opção de alavancagem, existe uma maneira de aumentar o seu valor de investimento no caso de você ter uma posição aberta rentável em determinado DARWIN. A título de exemplo, vamos supor que: Nós investimos € 5.000 em um DARWIN, o P / L aberto é de € 1.000. O [& hellip;]

Em um post anterior & # 8211; Modelagem Quantitativa para Traders Algoritmicos & # 8211; discutimos a importância da expectativa, variância, desvio padrão, covariância e correlação. Nesta postagem, discutiremos como esses conceitos podem ser aplicados aos ativos do DARWIN. Como exemplo prático, empregaremos uma série de testes estatísticos para avaliar se DARWIN $ DWC é [& hellip;]

Estratégias de backtesting e overfitting.

Por Jean-Marc,

Isso parece bem na teoria. Na prática, no entanto, o backtesting é muitas vezes enganador no sentido de que os retornos passados ​​(backtests) são geralmente muito melhores do que os rendimentos futuros (aqueles que você obtém quando você realmente investir seu dinheiro). Note-se que não me refiro a um caso de trapaça olhando os números durante o backtest, como as pessoas sem escrúpulos da F-Squared Investments fizeram. Por favor, veja a minha publicação em um erro de backtesting de $ 35 milhões para saber mais sobre essa história.

O problema a que me refiro surge de um princípio básico de estatística chamado overfitting. É talvez a questão mais importante a que se preocupam os estatísticos ao analisar uma reivindicação. Em certo sentido, isso se refere à velha piada que existem verdades, meias verdades, e depois há estatísticas e # 8221 ;. 😉

O que é Overfitting Anyway?

Overfitting é melhor explicado através de um exemplo simples. Deixe-se dizer que você joga um jogo de moedas com um amigo. Seu objetivo é conseguir 3 caras seguidas. As probabilidades matemáticas de alcançar isso são 1 / (2 * 2 * 2) = 12,5% em qualquer conjunto de 3 lançamentos de moedas.

Agora, vamos dizer que você continua tentando até que finalmente você tenha 3 cabeças seguidas. Talvez tenha tido sorte e você conseguiu o primeiro conjunto de 3 jogadas. Talvez você tenha que fazer 8 séries de 3 jogadas. Ou pior, você passou a ser # 8220; desafortunado e # 8221; e você teve que fazer 25 conjuntos de 3 lançamentos antes de finalmente ter 3 cabeças seguidas.

Aqui é a questão do milhão de dólares: você pode dizer com honestidade com um rosto direto que você finalmente descobriu, então a próxima vez que você jogue a moeda três vezes seguidas, você terá mais três cabeças? E depois repetir esse feito mais uma vez depois disso?

Claro que não. As probabilidades são sempre 1 em 8 ou 12,5% para qualquer conjunto de três lançamentos, não importa o que você conseguiu no passado.

O que dizer sobre o BackTesting de estratégia?

Deixe a aplicação dessa idéia ao processo de backtesting da estratégia de investimento. Digamos que você crie uma estratégia de negociação de ETFs e volte a testá-la nos últimos 10 anos. Você obtém resultados sem inspiração. Então você volta e modifica as regras um pouco. Talvez você modifique um de seus critérios de compra. Ou talvez seja o critério de venda. Talvez você selecione um universo diferente de ETFs para escolher, adicionando um & # 8220; bom desempenho & # 8221; ETF e removendo um & # 8220; mau desempenho & # 8221; um por exemplo. Há muitas maneiras de ajustar sua estratégia sempre que você iterar.

E então você tenta novamente, e você ainda obtém resultados pouco inspiradores, embora diferentes da primeira vez. Então, você tweak algo novamente, e experimentá-lo. Repita esse processo 20 ou mesmo 50 vezes, até que finalmente obtenha resultados convincentes & # 8211; digamos, um retorno anualizado de 25% ao longo do prazo de 10 anos. Uau, você acabou de encontrar um pote de ouro!

Agora, pergunte a si mesmo: como essa abordagem difere do exemplo de lançamento de moeda acima?

Você continuou tentando até obter os resultados que queria ver.

Por que o BackTesting é diferente de jogar uma moeda?

No exemplo de lançamento de moeda acima, você continua tentando até obter 3 cabeças seguidas. Toda vez que você joga a moeda, você faz um movimento ligeiramente diferente, que então lhe dá resultados diferentes (cabeça ou cauda). Eventualmente, você tem sorte e consegue três caras seguidas.

Da mesma forma, quando você ajustou sua estratégia de negociação da ETF através do teste de retorno, você essencialmente aprimorou sua abordagem, mudando uma regra aqui ou aí, para obter os resultados que deseja ver. Por enquanto, tudo bem. No entanto, você está usando o mesmo preço de dados e prazos em cada tentativa. Isso significa que, se você tentar, digamos, um milhão de vezes, é provável que, eventualmente, encontre o conjunto de regras fino ajustado que irá dizer-lhe para comprar seus ETF em seu ponto mais baixo absoluto e vendê-los nos pontos mais altos, porque o os dados nunca mudam. Mas os movimentos futuros de preços estão praticamente garantidos para ter comportamentos diferentes, então é improvável que seu conjunto perfeito de regras no passado, conjunto de dados fixo, seja útil.

Em outras palavras, ao fazer uma extensa mineração de dados, você encontra regras que tiveram um desempenho extremamente bom no passado, mas que, essencialmente, não possuem valor previsível futuro para o futuro.

Regras de escolha de mão, ações ou ETFs baseados no desempenho passado sempre levam a alguma forma de overfitting. Isso significa que o desempenho futuro não será previsível com base nos dados do passado. O problema não é com a abordagem de backtesting da estratégia em si, mas sim com o método de tentar e repetir nos mesmos dados até obter o que deseja, ao mesmo tempo que elimina os resultados que você não gosta. Backtesting isn & # 8217; t o problema. O método usado para avaliar sua estratégia é o problema. Mas não se preocupe, existem maneiras melhores. 🙂

Posts Relacionados.

A SEC recentemente multou US $ 35 milhões para a F-Squared Investments, por investidores enganadores com sua estratégia de rotação do AlphaSector ETF. Aparentemente, até mesmo os profissionais fazem teste de volta grave e hellip;

Os retornos anuais podem ser uma medida de desempenho útil, mas muitas vezes é enfatizado demais pela literatura de vendas de investimentos. É também por vezes usado de forma intercambiável com anualizado & hellip;

Maximum Drawdown (MDD) é uma medida muito importante de risco de investimento. Ele mede a maior queda percentual no valor de um portfólio de um & hellip;