تجارة الرياضيات

دفاعا عن النهج الكمي للأسواق المالية لدي شعور أن هناك بعض بعد انتشار الاعتقاد الخاطئ خفية عن البحوث التي تعتمد على البيانات في الأسواق المالية، وسوف تتخذ هذا المقال: يبحث ألفا لا يوجد حتى خاطئة: توقعات السوق الملغومة بيانات لماذا هي أسوأ من غير مجدية القاضي أولمرت (تظهر أيضا في موقعه على الانترنت: المرتزقة التاجر) كنقطة انطلاق للمناقشة. المادة ذاتها ولدت كما التشدق ضد هذه المادة على ياهو المالية: لماذا مملة صاعد. الذي 8220؛ infers8221. فرصة 89٪ من العمل صعودي على SP استنادا إلى عينة من 18 حالات سابقة حيث كان لدينا ما شابه 8220؛ vol8221 منخفضة. الأن. والآن، اسمحوا لي أن أقول بوضوح أن المادة ياهو لا يمكن الدفاع عنها لعدد من الأسباب في رأيي (على سبيل المثال لا الحصر: صغير جدا حجم العينة، أي تحليل متانة، أي ذكر لعدد المحاكمات التي تم تشغيلها)، وذلك في هذا وأنا أتفق مع السيد أولمرت. لكن السيد أولمرت يذهب أبعد من ذلك ويفسر لماذا أسواق الأسهم لا يمكن أن يكون 8220؛ boring8221. الآن: 8220؛ وأثرت على مسار المحتمل لأسواق الأسهم مباشرة من مسار الديون والعملة الأسواق (والتي هي نقيض مملة الآن). [8230]؛ 8220؛ هدوء ما قبل العاصفة مملة، 8221؛ ربما. عادي مملة مملة القديم؟ آه، no.8221. [8230]؛ وينتقل في نهاية المطاف منتقديه لاستخراج البيانات في الأسواق المالية بشكل عام: 8220؛ أسواق بعيدة كل البعد عن البساطة. في الواقع كانت معقدة للغاية. على هذا النحو، والتنبؤات القائمة على استخراج البيانات من متغير واحد أو واحدة التاريخي مراقبة نمط اختار الكرز تكاد تكون دائما أسوأ من غير مجدية لأنها تتجاهل التقاء جوهر factors.8221. [8230]؛ 8220، وعندما يتعلق الأمر التنبؤ المخرجات المرتقبة من الأنظمة المعقدة، وتقريبا كل أشكال التفكير الإحصائي وحيد المتغير هي flawed.8221. [8230]؛ 8220، والطريقة الوحيدة لتجنب الحصول على ينخدع بيانات زائفة أو التفكير السطحي هو وضع كدح حقيقي في فهم حقا ما يدفع الأسواق وماذا ... وبمجرد الانتهاء من ذلك فهم لا تحتاج إلى الكرز اختيار أو البيانات المتعلقة بالألغام لأن لديك شيء أفضل : القدرة على تقييم لمجموعة من العوامل الرئيسية في الوقت الحاضر، حيث أنها تؤثر على علاقات السوق المهمة هنا وnow.8221. الآن، في حين أوافق على أن الأسواق المالية هي معقدة للغاية، وأنه من السهل جدا أن ينخدع، وأعتقد أن هذه التصريحات حول استخراج البيانات هي صبي عام أيضا. باستخدام متغير تاريخي واحد أو مع الأخذ بعين الاعتبار تأثير عوامل متعددة يقول شيئا على الإطلاق في حد ذاته على كيف جيدة التوقع هو (ومع 8220؛ prediction8221، أود أن أشير إلى أي نوع من الاستدلال الإحصائي حول مستقبل). بشكل عام، لتكون قادرة على جعل التنبؤ ببعض قيمة واحدة لديها لتحديد خصائص معينة (المتغيرات) التي تجمع بين بطريقة معينة لديهم بعض القدرة على التنبؤ على أحداث مستقبلية. وهذا ينطبق على أي مجال ولأي طريقة التنبؤ، سواء كان ذلك AI أو المنطق البشري. الجزء الصعب بطبيعة الحال هو العثور على هذه الميزات والجمع بينهما. وعند النظر إلى الأمور على هذا النحو، فإن كاتب المقال ياهو هو مجرد يدعي أن (تعريف معين من) على مستوى منخفض من التقلبات لديه بعض القوة التفسيرية على العوائد المستقبلية. ما السيد أولمرت يستجيب هو أن الأسواق السياسة النقدية والديون والعملة بدلا ميزات أفضل للاستخدام، استنادا إلى خبرته ورؤيته للعالم. هل هذا حقا ما يختلف من استخراج البيانات يتم بشكل صحيح؟ السؤال الكبير هو ما إذا كان 8220، understanding8221. أسباب ديناميات معينة في السوق هي عامل رئيسي في جعلها forecastable لدرجة معينة (لاحظ علامات الاقتباس في 8220؛ understanding8221؛). أنا لا أعتقد أن هذا هو الحال. لجعل بالتوازي مع عالم الفيزياء، الفيزياء بالتأكيد لا أفهم لماذا دائما تتبع بعض الامور قانون معين. بل مراقبة سلوك معين، وأنها محاولة لوصف ذلك. إذا على طول الطريق أنها يمكن أن تجد نوعا من التفسير لذلك، كان ذلك أفضل. ولكن سيكون هناك دائما مبلغ إضافي قدره 8220؛ why8221. الأمر الذي يتطلب إجابة (لماذا التفاح تسقط نحو الأرض - & GT؛؟ الجاذبية - & GT، لماذا الجاذبية موجودة - & GT؛؟ النسبية - & GT، الخ). بالطبع فرق أساسي مع الفيزياء هو أن الأسواق المالية لا يمكن وصفها بالكامل من المعادلات، ويجري نتائج التفاعلات المعقدة المليارات من الناس. من الناحية العملية هذا يعني أنه مع النهج القائم على البيانات التي لدينا لوضع المزيد من الاهتمام في وضع إطار لتقييم القدرة على التنبؤ الفعلية من أي نموذج، والتي أيضا سيكون من الصعب العمل 8220؛ forever8221 ؛. لكن صعوبات مماثلة تنطبق على أي نوع من التداول تقديرية. في نفس الحقيقة أن هناك الكثير من العوامل في اللعب (وبالتالي الكثير من الضوضاء) يجعل من الصعب على الدماغ على تحليل الوضع بموضوعية، وبالتأكيد العديد من التحيزات المعرفية التي تؤثر علينا لا أميل المساعدة. لذلك لدينا 8220؛ understanding8221. من أسباب تحركات السوق غير قادر على الذهاب حقا إلى هذا الحد. مثلا ونحن قد نفهم أن عدم كفاءة بعض موجود لأن بعض المؤسسات العاملة في ظل بعض القيود، ولكننا لن نعرف متى هذه القيود ستبقى في مكانها أو عند بعض المنافسين سيتحسن على هذا عدم الكفاءة تخفيض هامش الربح لدينا أو حتى التسبب في الأسواق تتصرف في وسيلة غير متوقعة تماما. مع هذا أنا لا أريد أن أقول أن استخدام بعض حرية التصرف غير المجدي بدلا ايم مجرد محاولة للقول أن هناك مكانا لكل من في التداول وأنا لا أرى أي ثنائية هنا. النقي (القيام به بشكل صحيح) البحوث التي تعتمد على البيانات ونقية ماكرو / تقديرية تقدم البحوث إلى مجموعتين مختلفتين من الفرص التي يمكن أن تتداخل في بعض الحالات. ربما التداول تقديرية يمكن أن يكون أكثر استجابة للتغيير ديناميكيات السوق، في حين أن النهج القائم على البيانات قد يكون قوته في قابلية العمليات إلى الأسواق المختلفة وكيفية قياس الكمي هو عليه. وعلى أي حال أعتقد اعتقادا قويا أن أي تحليل البيانات مدفوعة ليست سوى جيدة مثل الفكر وضعنا في ذلك، وكذلك أي نوع من التداول تقديرية يمكن أن تستفيد فقط من الاستفادة من بعض التحليل الكمي. التعليق على النقطة الأخيرة التي جاء بها السيد أولمرت: 8220؛ ومع ذلك، فإننا قضاء ما يقرب من الساعة صفر على استخراج البيانات، مع عدم وجود مصلحة في عبارات مثل 8220، وعلى مدى السنوات الماضية X، فعل هذا SP X في المئة من time.8221. لماذا هذا التناقض؟ لأن الأسواق بحر معقدة من دوامات والمتغيرات المتشابكة وهذا هو السائقين التاريخية وعلاقات السبب والنتيجة النوعية هي التي لها قيمة دائمة. فإنه ليس من إخراج جدول الذي يهم الكرز القائم على نمط التقاط تفتقر فكرة عن ما خلق النتائج ولكن العلاقات النوعية التي تعزى حقا أن العلاقة السببية مشتركة من النتائج المختلفة، على أساس كل حالة على حدة، مع كبير جدا إشارة إلى التاريخ وcontext.8221. أوافق على أن ما يهم حقا هو العثور على بعض 8220؛ relationships8221. التي لديها القدرة على التنبؤ حقيقية على المستقبل. ولكن كيف يجد المرء هذه العلاقات أمر معقد وعلى المرء أن يحفر في تفاصيل كل حالة على حدة لمعرفة ما إذا كان تحليل له بعض القيمة، لأن عموما إخراج جدول يمكن أن تكون جيدة أو سيئة مثل أي علاقات النوعية قد يتصور المرء أن يعقد. خوارزميات أجل مطابقة في أسواق اليوم التي تهيمن عليها algos عالية التردد، وغرفة للأرباح غير HF (والأهم من ذلك، غير HF-علم) عموما يتحدث تخفيض الرجال. تأثير الأداء النسبي للHF ومن المرجح أن يكون أكبر وأصغر من متوسط ​​تجارتك وأقصر فترة عقد الخاص بك. ومع ذلك، في تجربتي هذا لا يجب أن يكون ضروريا القضية: ببساطة، كما هو الحال في أي عمل لديك للتكيف مع المنافسين وفي هذه الحالة طريقة واحدة للقيام بذلك هو لدفع المزيد من الاهتمام وتحسين الجانب إعدام التداول الخاص بك . هذه ليست دائما قابلة للتنفيذ بسهولة (انظر 8220؛ الطابع الزمني fraud8221، التي أبلغ عنها Zerohedge)، ولكن هناك بعض الفواكه منخفضة شنقا التي يمكن التقاطها كخطوة أولى. إذا كان هذا البيان قد يبدو نوع من الغموض لك، ولدي مثال على أساس تجربتي التي تؤيد ذلك وأعتقد أنه يمكن أن يكون مفيدا للآخرين (في حين نأمل أن لا وجود الكثير من تأثير على استراتيجيات بلدي). بينما كل ما عندي من النماذج ومؤتمتة بالكامل، ما زلت أحب أن ننظر إلى الأسواق وخاصة في الكتب النظام عندما يجري تنفيذ أوامري. الشيء الذي لاحظته منذ بعض الوقت عندما كان تداول العقود الآجلة 30y السندات الأمريكية أنه كلما تم تنفيذ أوامري الحد، كنت على الفور في حيرة. ما يعنيه هذا هو موضح بشكل أفضل من خلال مثال. أقول إن كان لدينا كتاب الترتيب الذي بدا مثل هذا: وأن طلبي حد بيع أدرج في تلك 134،6 750. كلما الأول قد أعدم، فإن منتصف السعر ثم تتحرك على الفور ضدي، وسيكون الكتاب ثم ننظر بشيء من هذا القبيل: أساسا ما كان يحدث هو أن طلبي كان دائما واحدة من آخر ليتم تنفيذها، وبالتالي فإن حقيقة وحصلت شغل يعني أنه لم تكن هناك المزيد من العروض (عروض) في مستواي، وسيكون أفضل أسعار البيع والشراء تتحرك صعودا ( لأسفل) علامة واحدة. وكشف تحقيق سريع على موقع CME أن السبب لهذا كان نوع النظام مطابقة ALGO المستخدمة من قبل الصرف. أول في، أولا خارج (FIFO) البرودة؛ الصقيع. ما هو خوارزمية مطابقة؟ خوارزمية مطابقة هي تقنية لتخصيص كميات مطابقة، وتستخدم عندما أمر المعتدي مباريات مع واحد أو عدة أوامر يستريح. تطبيق خوارزميات لكلا مطابقة صريح وضمني. في راجيف Ranjans الموقع يمكنك العثور على إدخال أكثر تعمقا لطلب المطابقة الخوارزميات (فضلا عن موارد أخرى على تداول / البرودة؛ الصقيع HFT). في المثال أعلاه، وقد أوعز نموذج التداول الخاص بي لإرسال طلب الحد فقط عندما كان سعر قريب بما فيه الكفاية لمستواي المطلوب، الأمر الذي جعل لي دائما واحدة من آخر للانضمام إلى قائمة الانتظار، وبالتالي واحدة من آخر المراد شغلها، وفقا إلى نموذج FIFO. من الناحية العملية، وهذا ما يعني هو أنني أعدم دائما في أسوأ السيناريوهات المحتملة، وهذا هو عندما يكون السعر سوف يستمر في الاتجاه المعاكس لطلبي، وفي الوقت نفسه أنا لم ينفذ قط في أفضل السيناريوهات، وهذا هو عندما يكون السعر سيكون 8220؛ touch8221. مستواي ثم عكس مرة أخرى في صالحي. كما يمكنك أن تتخيل، وكان الحل بسيط بالنسبة لي أن أبعث أوامر الحد (عندما تعمل تحت FIFO algos مطابقة) في أقرب وقت ممكن، ولكن بصفة عامة، هذه الملاحظة يمكن أن توحي أشياء مختلفة لأشخاص مختلفين. لتجار اليوم الذي لا يجري تداول بطريقة آلية، تعمل تحت FIFO خوارزميات المطابقة يمكن في كثير من الأحيان يعني زيادة تلك الأقصى تنفيذ الضارة عن طريق القراد واحد (والتي يمكن أن يكون الكثير جدا، وهذا يتوقف على ما يقوم به واحد)، ما لم يكن قادرا على لعب واحدة حوله. على نحو مماثل لهذه الحالة، وهناك حالات أخرى عندما البرودة؛ الصقيع مطابقة النظام في استخدام والحرف التنفيذ في عام يمكن أن تصبح هامة مثل الاستراتيجيات / الأفكار التجارية نفسها. مثال آخر على الاستفادة الجيدة من أجل خوارزميات المطابقة يمكن أن يكون ذلك من تاجر تعمل تحت خوارزمية مطابقة تناسبية. نموذجية من اليورو دولار (IR) الآجلة. إذا كنت تريد حقا تعبئة القرعة X، هل يمكن أن ترسل فقط للحد الذي هو أكبر إلى حد ما من X مع مبلغ إضافي يجري تمليها كيف عدوانية تريد / الحاجة إلى أن تكون واحدة تملأ محاولة لإلغاء الكثير المتبقية (شروط: من بالطبع من خلال ذلك انك تخاطر الفعلي التي شغلها في كل الكثير، لذلك لا تأخذ فقط كلمة بلدي في هذا كونه الممارسات الجيدة، وتفعل ذلك على مسؤوليتك الخاصة). دفع بطبيعة الحال الانتباه إلى خوارزمية مطابقة هو مجرد خدش السطح من العالم عالية التردد. ولكن أعتقد أن في بعض الحالات لها وسيلة سهلة 8220؛ scratch8221. يجب القيام به واحد يمكن أن تضيف مباشرة بعض القيمة. لإبرام هذا المنصب، واسمحوا لي أن أقول بوضوح أن للجيدا كيف محاكاة السوق لدينا هي، والحرف الإعدام غير قادر دائما أن تكون على غرار مسبقا. هذا لا يعني أننا يجب أن تتخلى عن محاولة لجعل المحاكاة واقعية (ومحافظا إلى حد ما) ممكن، على سبيل المثال من حيث تعبئة وانزلاق (هيريس آخر لطيفة على ما هو انزلاق الأستاذ تاكر بالش). بدلا من ذلك، علينا أن نتذكر فقط أنه لا يوجد بديل حقيقي للشخصية الأولى الملاحظة المباشرة والتفاعل مع العالم. الكل في الكل، هو سوفت تأتي حقا بمثابة مفاجأة هذه الملاحظة البسيطة هي أداة قوية، ويجري ذلك في خطوة هي الأولى من المنهج العلمي. اختيار ميزة في الخوارزميات التداول في الآونة الأخيرة لقد كنت تبحث عن وسيلة أكثر منهجية للالتفاف overfitting وفي سعيي وجدت أنه من المفيد لاقتراض بعض التقنيات من مجال التعلم الآلي. إذا كنت تفكر في ذلك، خوارزمية التداول هي مجرد شكل من أشكال AI تطبيقها على الأسعار السلسلة. هذا البيان، على الرغم من المحتمل وضوحا، يضعنا في موقف لتطبيق عدد من التقنيات آلة التعلم لدينا تصميم استراتيجيات التداول. توسيع نطاق ما مناقشتها هنا (وهنا)، على ما يبدو بديهية أن المزيد من الميزات في نموذج، قد يكون متحدثا أكثر عموما نموذج تخضع لoverfitting. وتعرف هذه المشكلة مثل التحيز التباين مفاضلة وعادة ما يتم تلخيصها من الرسم البياني على اليمين. كما يزيد من تعقيد، تعيين الأداء في التدريب زيادات في حين يحط قوة التنبؤ ماذا يكون ربما أقل بديهية غير أن السمات المحددة المستخدمة في العلاقة مع ديناميات التنبؤ تلعب دورا رئيسيا في تحديد ما إذا كنا overfitting البيانات السابقة. بحيث أظهر السلوك الخطأ في الرسم البياني هو مجرد التعميم. شيء مثير للاهتمام بشكل خاص هو أن استخدام نفس ميزة (على سبيل المثال في تطبيقنا مؤشرا، وجني الأرباح أو إيقاف آلية الخسارة، الخ) قد تكون أو لا تسبب overfitting وفقا لديناميات نحن نحاول لتناسب. والسبب وراء ذلك هو أن بعض الظواهر (أو في بعض الأحيان حتى المتغيرات من نفس الظاهرة) ببساطة غير قادر على وصفها بعض الميزات. وكمثال على ذلك، تخيل أنك تحاول التنبؤ المبيعات في المستقبل من متجر ملابس رياضية في أستراليا. A 8220؛ good8221. ميزة الاستخدام يمكن أن يكون هذا الموسم من السنة، و(مثلا) أوسيس حريصون بشكل خاص في الرياضات المائية وذلك الينابيع والصيف تميل إلى إظهار أفضل مبيعات لهذا العام. الآن تخيل محاولة للتنبؤ المبيعات في المستقبل من متجر ملابس رياضية مماثلة تقع في مكان ما في الولايات المتحدة. قد يكون هذا هو الحال الذي لا يملك الأفضلية لأي موسم معين، كما هو الحال في فصل الصيف لممارسة الرياضات المائية، وفي الشتاء يذهبون التزلج على مواطني الولايات المتحدة. في هذا السيناريو الجديد، نموذج باستخدام فصل من السنة كسمة من المرجح أن يؤدي إلى نموذج overfitted بسبب القوى المحركة المختلفة. العودة إلى الأسواق المالية، يمكن أن مثال على ذلك هو كيف تميل آلية وقف الخسارة إلى أن (بصفة عامة وفقا لتجربتي) ميزة جيدة للالاستراتيجيات التالية الاتجاه، ولكن ليس لاستراتيجيات متوسط-الارتداد (وبالعكس من أجل الربح المستهدف أوامر). وثمة تفسير محتمل لهذا يمكن أن يكون أن الاتجاهات تم وصفها بشكل جيد بسبب عدم وجود حركات سلبية كبيرة، ولكن توسيع نطاقها الكامل غير قادر على أن تكون معروفة مسبقا (ولكن هذا هو مجرد لي محاولة لترشيد استنتاجاتي التجريبية). لذلك، كيف يمكن فهم أي ميزات جيدة المرشحين؟ لحسن الحظ بالنسبة لنا، وهناك مجموعة كاملة من التقنيات المتقدمة في مجال التعلم آلة لتشغيل اختيار الميزة. أوصي ورقة 2003 التالية لمحة عامة عن الطرق: مقدمة لاختيار متغير وميزة إيزابيل جويون. وينبغي أيضا أن تغطي أي نص تعلم آلة بعض التقنيات، كما هو الحال في الدرجة الاستثنائية ستنفوردس] آلة التعلم في كورسيرا أي القراء توصية أخرى (أو تعليق) هي بالطبع موضع ترحيب كبير. المقدرات أداء قلص هذا هو متابعة سريعة على مشاركتي السابقة على تطبيع Quantile. بدلا من مجرد إزالة X كبار quantile من العوائد / يتداول عند تحسين المعلمات للاستراتيجية الفضاء، كانت وجهة نظري في الآونة الأخيرة لإزالة العلوية والسفلية X quantiles، وذلك باستخدام فعال قلصت من قوة مقدر من الأداء بدلا من مقدر نفسها. من مزايا ومتماثل لتلك التي تمت مناقشتها في الوظيفة السابقة، طالما يسمح backtest للحصول على نماذج واقعية للتنفيذ الصفقات على سبيل المثال إذا كنت تستخدم أوامر وقف والحانات التجارة (في مقابل وضع علامة البيانات)، وربما كنت ترغب في إضافة مبلغ انزلاق في بعض الطريق يتناسب مع حجم شريط (المواصفات المطلوبة لأن النمذجة المحافظ أوامر الحد هو أسهل لتحقيق) . التشذيب من أسوأ عوائد هو مفيد خاصة في حالة استراتيجيات وجود خسائر كبيرة واحدة (مثل هي استراتيجيات متوسط-الارتداد من نوع عادة)، في حين التشذيب أفضل العوائد هو أكثر فائدة لاستراتيجيات مع أيام إيجابية كبيرة (مثل الاستراتيجيات التالية الاتجاه) . اثنين (الكثير) البدائل الممكنة هي: - to الحفاظ autocorrelations من عوائد للاستراتيجية، يمكن للمرء أن تقرر إزالة كتل من الصفقات / أيام، بدلا من الصفقات الفردية / أيام (بطريقة مماثلة لما يفعل المرء عندما إلباس الحذاء كتل من الصفقات / يوم). - to الحفاظ على عدد من العينات في نتائجنا بدلا من إزالة الجزء العلوي (أسوأ) يوما، يمكن للمرء أن تحل محلها مع إيجابية (خسارة) يوما المتوسط ​​/ متوسط. شيء آخر هو أن نلاحظ أنه إذا كان قياس الأداء الخاص بك يجعل استخدام الأمراض المنقولة جنسيا الانحراف (كما في حالة لنسبة شارب)، وتقليم ذيول العائدات من حساب لها من المرجح أن يؤدي إلى المبالغة في تقدير الأداء. وأخيرا، هيريس رمز ماتلاب: normalise_excess_pnl = 1؛ normalisation_quantile = 0.98؛ إذا normalise_excess_pnl best_daily_pnl = quantile (pnl_daily، normalisation_quantile)؛ worst_daily_pnl = quantile (pnl_daily، 1-normalisation_quantile)؛ pnl_daily (pnl_daily & GT؛ = best_daily_pnl) = []؛ Underfitting، misfitting وفهم أشعة الفا السائقين في حين overfitting هو بالتأكيد تحديا، التي تقع على الطرف المقابل هو أيضا إمكانية. الإبلاغ عن جزء من مقابلة وليام Echkardt من مجلة المستقبل (الذي أنصح قراءته كاملا من هنا): 8220، وأنا يمكن أن نتحدث أكثر قليلا عن الإفراط المناسب، إن لم يكن أسلوبي الملكية الشخصية. أولا وقبل كل شيء أحب [المدى] الإفراط المناسب ليس بسبب منحنى المناسب هو مصطلح من تحليل الانحدار غير الخطية في تركيب المنحنى. فمن حيث لديك الكثير من البيانات وكنت تركيب البيانات تشير إلى بعض المنحنى. حسنا، أنت لا تفعل ذلك مع العقود الآجلة. من الناحية الفنية لا يوجد هنا من المناسب منحنى. لا ينطبق هذا المصطلح. ولكن ما يمكنك القيام به هو يمكنك الإفراط في نوبة. السبب في أنني أحب الأجل على مدى تناسب بدلا من منحنى تناسب هو أن الإفراط في صالح البرامج التي يمكنك أيضا تحت مناسبا. الناس الذين لا أمثل هم دون سن fitting.8221. Underfitting وMisfitting إذا أردنا استخدام جود العدد الكافي من درجات الحرية، بحيث نظامنا هو لا تفرق بين بعض التغيرات الرئيسية في سلوك الأسواق، ثم ما نقوم به هو underfitting. وهناك مثال تافهة من underfitting يمكن أن يكون شراء الأسهم عشوائي من الكون السهم عند نقطة عشوائية في الوقت المناسب، وعقده لفترة زمنية عشوائية. والاحتمال الآخر هو أننا لا تستخدم المتغيرات الصحيحة (أو لدينا المتغيرات اليمنى ولكن نحن استخدامها بطريقة سيئة) يتيح نسمي هذا misfitting. تخيل نموذجا على BTPs الإيطالية التي تبدو في أسعار النفط الخام ويتجاهل انتشار مع السندات الألمانية تماما (الآن، يمكن أن يكون هناك حتى بعض العلاقة بين استغلال BTPs والنفط الخام، مجرد محاولة لجعل نقطة). بشكل واضح، ما يجعل متغير 8220؛ right8221. لنموذج معين وأصل معين هو قابل للجدل للغاية. وعلى غرار ما يقال عن overfitting، أنا لا أعتقد أننا يمكن أن نقول بسهولة بالأرقام المطلقة ما إذا كان النموذج هو معيب مع underfitting أو misfitting (باستثناء حالات واضحة جدا). بدلا من ذلك، أود أن العقل من حيث احتمال وجود أفضل نماذج المواصفات التي نحن تجاهل، على سبيل المثال يمكن أن يكون هناك عامل رئيسي هذا النموذج لدينا هو حساسة بشكل خاص لوأننا لا يمثل (سواء من حيث الأصل المحدد نطبق نموذج أو من حيث الأسواق الديناميكية الحالية). أو يمكن أن يكون هذا هو الحال الذي نحن نستخدم بعض المتغيرات التي ترتبط فقط إلى عامل حقيقي، ولكن ليست سائق ألفا الفعلي. تقنيات لأداء هذا النوع من التحليل تشمل PCA والتحليل العاملي. ولكن وفقا لما واحد بالضبط هل يمكن تطبيق العديد من التقنيات الكمية الأخرى (على مستوى المحفظة، شيء من هذا القبيل تجمع سوق قدمت من ديفيد Varadi يبدو واعدا). وبطبيعة الحال (وللأسف)، علينا أن نأخذ في الاعتبار أن أكثر نعمل هذا النوع من التحليل اللاحق، والأرجح أردنا أن يذهب أحد الطرفين (underfitting / misfitting) إلى أخرى (overfitting). ذيول الدهون وتغيير ديناميكيات السوق في جزء آخر من المقابلة المذكورة أعلاه، السيد Echkardt يتعلق بدقة عدد درجات الحرية لعدد من الصفقات في backtest لدينا، بحجة أن واحد يحتاج الى مزيد من الصفقات مما كان متوقعا في 8220، world8221 التمويه. بسبب ذيول الدهون الأسواق العوائد. بينما أنا أتفق مع العلاقة النوعية بين درجات الحرية وعدد الصفقات، ولست متأكدا وأنا أتفق مع العلاقة الكمية التامة بين المتغيرين. والسبب في ذلك ذو شقين: 1) انها ليست دائما ممكن لتحديد بالضبط العدد الفعلي للدرجات الحرية المستخدمة أو كم بعد فوات الأوان أننا تتدفق النمذجة لدينا (كما هو مبين في مشاركتي السابقة)؛ 2) أعتقد الدهون ذيول ليست سوى جزء من القصة. جزء كبير آخر هو التغيرات المستمرة أن الأسواق تمر الحوض الصغير (تحت شكل heteroskedasticity ولكن ليس فقط). تخيل أنك اختبار نموذج 2 سنوات من البيانات، وذلك لأن النموذج هو نموذج عالية التردد نسبيا (وهكذا تنتج عددا كبيرا جدا من الصفقات) كنت تعتقد انك حراسة نفسك من overfitting. ما يمكن تجاهل أن باختباره نموذج على نافذة زمنية قصيرة نسبيا، يمكن أن لم نجرب ذلك ضد ظروف السوق المختلفة. قد يكون جيدا أنه منذ 2.5 سنوات وكانت أسواق مختلفة بعض الشيء، وكان النموذج الخاص بك لا طائل منه، مما يعني أنه بمجرد تغير الأسواق مرة أخرى سوف تفقد حافة الخاص. على سبيل المثال يمكن أن يكون نموذجا يأخذ تدري الاستفادة من بعض سلوك السوق ولدت من بنك الاحتياطي الفيدرالي كونها معلقة على مثل هذه الفترة الزمنية الطويلة. هذا هو شكل آخر من أشكال overfitting إذا كنت تريد، ولكن واحدة التي لا يمكن للاستأثرت به مجرد النظر في عدد من الصفقات في مقابل عدد من النماذج المعلمات. وبسبب هذا، [إيد] أحب دائما لاختبار أي استراتيجية جديدة بشأن البيانات التاريخية قدر الإمكان. في ما يخص هذا، وأنا في خلاف جزئي مع الدكتورة تشان، الذي يقول إنه نادرا ما تختبر استراتيجيات مع البيانات القديمة من 2007 (اقرأ المزيد هنا: إن العلم الزائف من اختبار الفرضية). كل الأمور الأخرى متساوية، وأجد الاستراتيجية التي عملت بشكل جيد لفترة طويلة إلى أن تكون أكثر احتمالا للعمل في المستقبل القريب من استراتيجية الذين عملوا بشكل جيد على مدى التاريخ القصير (الذي لا يعني ان هناك شيئا ما بدأ العمل مؤخرا فقط غير قادر على الاستمرار في العمل). أيضا، حتى إذا كان لديك شيء أن بدأت العمل مؤخرا فقط، وجود نظرة على كيف تصرف عندما لم تؤدي حقا بالتأكيد أن نقدم بعض الأفكار المثيرة للاهتمام وخاصة إذا كنت غير متأكد بشأن ما الدافع الرئيسي وراء ألفا الخاص بك هو حقا. أشعة الفا السائقين وهذا يقودني إلى النقطة النهائية قبل اختتام هذا المنصب طويلة: هل لدينا حقا لفهم ما نموذجنا يقوم به، وما هو نوع من عدم الكفاءة نحن استغلال؟ شخصيا، أعتقد أن فهم سائق الكامنة وراء ألفا لدينا هو بالتأكيد زائد كبيرة، كما أنه يتيح لك مراقبة سلوك السائق الوزراء، والتي بدورها يمكن أن تعطيك بعض الأفكار العملية في الأوقات العصيبة مباشرة. ومع ذلك، هذا ليس دائما أعتقد ما يكفي من الأموال ضليع في الرياضيات خلال الانهيار 07-08: انهم كانوا يعلمون تماما للسائق وراء استراتيجياتها ARB الأسهم القانون الأساسي، لكنها لا تزال حوصروا في التدفقات أوامر وعمليات التصفية القسرية. مثال آخر يمكن أن يكون جيدا ضربة المتابعة من LTCM. المغزى من القصة هو أن يمكن أن يكون هناك دائما طبقة إضافية من التعقيد لم يتم النظر فيها، بحيث (جزئيا) فهم سائق أشعة الفا لدينا قد لا توفر أي نوع من الاتجاه الصعودي إضافية. لذلك، على الرغم من أن لطيفة أنا لا نرى أنه من الضروري أن نفهم الدافع الحقيقي وراء تقدم ألفا في أن التحليل الإحصائي لدينا يعطينا ما يكفي من الثقة للتجارة استراتيجيتنا. Schwagers سوق معالجات سلسلة تقدم مؤيد من كلا الجانبين، تحت أسماء DE شو وجافري Woodriff. يمكنك قراءة المزيد عن وجهات نظرهم في ما بعد وليام Huas في التكيف التاجر: طرق فرقة مع جافري Woodriff. أو إلقاء نظرة على هذا المنصب QUSMAs لمثال أكثر تعمقا من Woodriffs النهج: ممارسة أنشطة جافري Woodriff شيء (كندة)