Tssb (síntese e reforço do sistema de negociação)
Incremento de síntese do sistema de negociação.
Processo de Desenvolvimento de Produtos para Calçados.
Estratégias de negociação informatizadas têm sido, portanto, para vários anos mais alguns investidores podem. Elite Expert Trader é uma carteira de Expert Advisors (sistemas automatizados de negociação) para o mercado Forex.
. Alimentos para impulsionar o sistema imunológico: Food & amp; Notícias de saúde: Food World News.
: Apesar da notoriedade da vitamina C para impulsionar o nosso sistema imunológico.
E SISTEMAS DE NEGOCIAÇÃO EM PAÍSES COM ECONOMIAS EM TRANSIÇÃO Síntese dos resultados de estudos de caso realizados na Federação Russa.
Os recursos prontos para uso do SoftShoe e completamente abertos.
Recicle Compressor de Gás.
Projeto de máquinas determinísticas de sistemas de negociação com estrito.
Sistemas de Negociação Baseada no Modelo Preditivo, Parte 1.
Negociar instrumentos financeiros de maneira objetiva e sistemática tem inúmeras vantagens em relação às abordagens subjetivas:
Sistemas de negociação automatizados projetados inteligentemente podem e frequentemente superam o desempenho de negociações orientadas para o ser humano devido a vários vieses e emocionalismos cognitivos. Um programa eficaz de mineração de dados pode descobrir padrões sutis no comportamento do mercado que a maioria dos humanos não teria chance de ver. Um sistema automatizado é absolutamente repetível, enquanto um sistema controlado por seres humanos está sujeito a caprichos humanos. A consistência da tomada de decisões é uma rentabilidade vital a longo prazo. A repetibilidade também é valiosa porque permite o exame de negociações para estudar a operação e talvez melhorar o desempenho por meio de filtragem de sinal. Os sistemas de negociação automatizados mais bem projetados são passíveis de análise estatística rigorosa, que pode avaliar medidas de desempenho, como o desempenho futuro esperado, e a probabilidade de que o sistema tenha existido devido à boa sorte, e não ao poder real. A operação desacompanhada é possível.
Sistemas de negociação automatizados são geralmente usados para uma ou ambas as duas aplicações. O TSSB (Trading System Synthesis and Boosting) é um programa de última geração capaz de gerar as duas aplicações: (1) um sistema de negociação completo e independente que toma todas as decisões de negociação e (2) um modelo que pode ser usado para filtrar as negociações de um sistema de negociação existente para melhorar o desempenho. Nós nos referimos a isso como "impulsionar". Muitas vezes, é o caso de selecionar inteligentemente um subconjunto dos sinais gerados por um sistema comercial existente, e rejeitar os outros, podemos melhorar a relação risco / recompensa.
Duas abordagens para negociação automatizada.
Se o objetivo do usuário é o desenvolvimento de um sistema de negociação independente ou um sistema de filtragem para melhorar o desempenho de um sistema comercial existente, existem duas abordagens comuns para seu desenvolvimento e implementação: (1) regras baseadas em regras IF / THEN por um humano) e modelagem preditiva.
Um sistema de negociação baseado em regras requer que o usuário especifique as regras exatas que tomam decisões comerciais, embora um ou mais parâmetros associados a essas regras possam ser otimizados pelo software de desenvolvimento. Aqui está um exemplo simples de um sistema de negociação baseado em algoritmo:
Se a média móvel de curto prazo dos preços exceder a média móvel de longo prazo dos preços, ENTÃO mantenha uma posição longa durante a próxima barra.
O algoritmo acima declara explicitamente a regra que decide as posições barra a barra, embora a definição exata de "curto prazo" e "longo prazo" seja deixada em aberto. O desenvolvedor pode usar o software para encontrar distâncias de lookback de média móvel que maximizam alguma medida de desempenho. Programas como o TradeStation® incluem uma linguagem proprietária (neste caso, EasyLanguage®), através da qual o desenvolvedor pode especificar regras de negociação.
Com a ampla disponibilidade de computadores desktop de alta velocidade, uma abordagem alternativa para o desenvolvimento de sistemas de negociação tornou-se viável. A modelagem preditiva emprega software matematicamente sofisticado para examinar indicadores derivados de dados históricos, como preço, volume e interesse aberto, com o objetivo de descobrir padrões repetitivos que tenham poder preditivo. Um modelo preditivo é essencialmente uma fórmula matemática ou lógica que relaciona esses padrões a uma variável prospectiva chamada variável-alvo ou dependente, como o retorno do mercado na próxima semana. Esta é a abordagem usada pelo TSSB e tem várias vantagens sobre o desenvolvimento de sistemas baseados em algoritmos:
O software de modelagem inteligente utilizando o aprendizado de máquina pode descobrir padrões que são tão complexos ou enterrados sob ruídos aleatórios que nenhum ser humano jamais poderia vê-los. Uma vez que um sistema de negociação de modelos preditivos é desenvolvido, geralmente é fácil ajustar sua operação para ajustar a relação risco / recompensa para se adequar a aplicações que variam em um amplo espectro. Pode obter um trade-off desejado entre numerosos sinais com menor probabilidade de sucesso e menos sinais com maior probabilidade de sucesso. Isso é feito ajustando um limite que converte as previsões do modelo em sinais discretos de compra e venda. Um software bem projetado permite que o desenvolvedor ajuste o grau de automação empregado na descoberta de sistemas de negociação. Desenvolvedores experientes podem manter um grande controle sobre o processo e colocar seu conhecimento para trabalhar, criando sistemas com certas propriedades desejadas, enquanto desenvolvedores inexperientes podem tirar proveito da automação maciça, permitindo que o software tenha controle majoritário. Em geral, a modelagem preditiva é mais passível de análise estatística avançada do que o desenvolvimento de sistemas baseados em regras. Algoritmos de análise sofisticados para testar a solidez estatística de suas descobertas podem ser incorporados ao processo de geração de modelos mais facilmente do que podem ser incorporados em sistemas baseados em regras especificadas por humanos. Modelagem preditiva de uma disciplina matemática bem desenvolvida para extrair o máximo de informações de um conjunto de dados que complementam a intuição humana. A intuição é capaz de propor séries de dados e formas de transformá-las em uma grande lista de indicadores candidatos. A modelagem preditiva, mesmo em sua forma mais simples, a regressão linear é superior à intuição humana ao selecionar os melhores candidatos e combiná-los em uma previsão. Houve mais de 150 estudos acadêmicos comparando especialistas humanos com modelos estatísticos que atestam esse fato.
Modelagem Preditiva.
A abordagem de modelagem preditiva para o desenvolvimento de sistemas comerciais depende de uma propriedade básica do movimento dos preços de mercado: todos os mercados contêm padrões que tendem a se repetir ao longo do histórico e, portanto, podem ser usados para prever atividades futuras. Por exemplo, sob algumas condições, pode-se esperar que uma tendência continue até que o movimento esteja esgotado. Sob outras condições, um padrão diferente se manifesta: uma tendência é mais provável de ser seguida por uma retração em relação ao preço médio recente. Um modelo preditivo estuda dados históricos do mercado e tenta descobrir as características que discriminam esses dois padrões.
O objetivo da modelagem preditiva é encontrar padrões que se repetem com frequência suficiente para serem lucrativos. Uma vez descoberto, o modelo estará atento para que o padrão volte a ocorrer. Com base em observações históricas, o modelo será capaz de prever se o mercado subirá em breve, cairá ou permanecerá o mesmo. Essas previsões podem ser traduzidas em decisões de compra / venda por meio da aplicação de limites às previsões do modelo.
Indicadores e metas.
Os modelos preditivos normalmente não funcionam com dados brutos do mercado. Em vez disso, os preços de mercado e outras séries, como o volume, são geralmente transformados em duas classes de variáveis chamadas indicadores e metas. Esses são os dados usados pelo modelo durante seu treinamento, teste e uso final em tempo real. É na definição dessas variáveis que o desenvolvedor exerce sua própria influência no sistema de negociação.
Indicadores são variáveis que parecem estritamente de trás para frente no tempo. Ao negociar em tempo real, como em qualquer barra, um indicador será computável, assumindo que temos dados de preço históricos suficientes para satisfazer a definição do indicador. Por exemplo, alguém pode definir um indicador chamado tendência como a variação percentual do preço de mercado do fechamento de uma barra cinco barras atrás para o fechamento dessa barra. Enquanto conhecermos esses dois preços, podemos calcular esse indicador de tendência. O TSSB pode calcular mais de cem tipos de indicadores que quantificam vários recursos do comportamento do mercado.
Os alvos são variáveis que parecem estritamente avançadas no tempo. (Na modelagem de regressão clássica, o alvo é freqüentemente chamado de variável dependente.) Os alvos revelam o comportamento futuro do mercado. Podemos calcular alvos para dados históricos desde que tenhamos um número suficiente de barras futuras para satisfazer a definição do alvo. Obviamente, porém, quando estamos realmente negociando o sistema, não podemos conhecer os alvos a menos que tenhamos uma bola de cristal fenomenal. Por exemplo, podemos definir um indicador chamado day_return como a variação percentual do mercado, do aberto do dia seguinte para o aberto do dia seguinte ao seguinte. Se tivermos um registro histórico de preços, podemos calcular esse destino para cada barra, exceto as duas últimas no conjunto de dados. O TSSB pode calcular uma variedade de tipos de variáveis de destino.
Em resumo, a ideia fundamental por trás da modelagem preditiva é que os indicadores podem conter informações que podem ser usadas para prever alvos. A tarefa do modelo preditivo é encontrar e explorar qualquer informação desse tipo.
Obtenha o livro.
& # 8212; Por David Aronson
David Aronson é um pioneiro em aprendizado de máquina e desenvolvimento de sistemas de negociação não-linear e reforço / filtragem de sinais. Aronson é co-designer da TSSB (Trading System Synthesis and Boosting), uma plataforma de software para o desenvolvimento automatizado de sistemas de negociação baseados em modelos preditivos estatisticamente sólidos. Ele trabalha neste campo desde 1979 e é um técnico de Chartered Market certificado pela The Market Technicians Association desde 1992. Ele era professor adjunto de finanças e ensinava regularmente a alunos de MBA e de engenharia financeira um curso de pós-graduação em análise técnica, mineração de dados e análise preditiva. Seu livro lançado recentemente, Statistically Sound Machine Learning para Algorithmic Trading of Financial Instruments, é uma análise detalhada do desenvolvimento de sistemas de negociação baseados em modelos preditivos usando o TSSB.
Sobre o autor System Trader Success Contributor.
Autores contribuintes são participantes ativos nos mercados financeiros e totalmente envolvidos em análises técnicas ou quantitativas. Eles desejam compartilhar suas histórias, insights e descobertas no System Trader Success e esperam fazer de você um melhor operador de sistema. Entre em contato conosco se você quiser ser um autor colaborador e compartilhar sua mensagem com o mundo.
Tssb (síntese e reforço do sistema de negociação)
Pioneira em aprendizado de máquina & amp; desenvolvimento de sistema de negociação não-linear e reforço de sinal / filtragem desde 1979.
Iniciou o Raden Research Group em 1982 e supervisionou o desenvolvimento do PRISM (Pattern Recognition Information Synthesis Modeling).
Técnico Chartered Market certificado pela The Market Technicians Association desde 1992.
Trader proprietário de ações para Spear, Leeds e Kellogg 1997 - 2002.
Professor adjunto de finanças ministrando curso de pós-graduação em análise técnica, data mining e análise preditiva para estudantes de MBA e engenharia financeira de 2002 a 2011.
Autor de "Análise Técnica Baseada em Evidências", publicado por John Wiley & amp; Sons 2006. Primeiro livro popular para lidar com viés de mineração de dados e Método de Permutação de Monte Carlo para gerar p-valores livres de viés.
Co-designer do TSSB (Trading System Synthesis and Boosting), uma plataforma de software para o desenvolvimento automatizado de sistemas de negociação baseados em modelos preditivos estatisticamente sólidos.
Autor & amp; editor de Estatisticamente Aprendizagem de Máquina de Som para o Comércio Algorítmico de Instrumentos Financeiros: Desenvolvendo Sistemas de Negociação Baseada em Modelo Preditivo Usando TSSB.
Proposta de um método para purificação de indicadores e Pure VIX.
Inovou o conceito de aumento de sinal: usando o aprendizado de máquina para melhorar o desempenho das estratégias existentes.
Estabilidade da Correlação da Janela Móvel e seu Uso na Avaliação de Indicadores, Journal of the Market Technicians Association, primavera de 1992 pp. 21-28 Filtros de Sinais de Reconhecimento Padrão, Associação de Técnicos do Mercado, Primavera 1991, pp.42-51 O Método de Células de Indicador Avaliação, A Enciclopédia de Indicadores Técnicos de Mercado, capítulo 15, de Colby e Meyers, Dow Jones-Irwin, 1988 Inteligência Artificial / Reconhecimento de Padrões Aplicados à Previsão de Tendências do Mercado Financeiro, Journal of the Market Technicians Association, maio de 1985 pp. 91-132 Artificial Inteligência & amp; Reconhecimento de Padrões para Auxiliar o Analista de Mercado, Análise Financeira e de Software de Investimento, tutorial em três partes, Verão, Outono & amp; Edição de inverno de 1984. Cibernética, A Abordagem de Negociação para os anos 80, Commodities Magazine, janeiro de 1980. Análise Técnica Baseada em Evidências: Aplicando o Método Científico e a Inferência Estatística em Sinais de Negociação. John Wiley & amp; Sons, novembro de 2006 Purified Sentiment Indicators para o mercado de ações publicado no Journal of Technical Analysis, 2010.
Os interesses externos de David incluem esqui, caminhadas, tricô e trompete de jazz.
Dr. Timothy Masters tem um PhD em estatística, com especializações em estatística aplicada e computação numérica. Ele é o autor de quatro livros altamente conceituados sobre inteligência artificial ("Practical Neural Network Recipes em C ++", "Signal and Image Processing with Neural Networks", "Advanced Algorithms for Neural Networks", "Neural, Novel e Hybrid Algorithms for Time Series Prediction").
O Dr. Masters trabalha na área de negociação automatizada de instrumentos financeiros desde 1995. Antes disso, desenvolveu software para aplicações de engenharia biomédica e sensoriamento remoto. Sua pesquisa atual se concentra em algoritmos para controlar o viés de mineração de dados, a fim de avaliar de forma justa o potencial de desempenho dos sistemas automatizados de negociação no mercado. Ele também está desenvolvendo ferramentas gráficas e analíticas para ajudar os operadores financeiros a entender melhor a dinâmica do mercado.
Seus interesses externos incluem música (ele toca teclado, violino e baixo em várias bandas) e as artes marciais (ele é um faixa preta de segundo grau estudando Washin-Ryu Karate com o Mestre Hidy Ochiai).
Sistemas de Negociação Baseados no Modelo Preditivo Parte II.
A idéia fundamental por trás da modelagem preditiva é que os indicadores podem conter informações que podem ser usadas para prever uma variável prospectiva, chamada de alvo. A tarefa de um modelo preditivo é encontrar e explorar qualquer informação desse tipo.
Data tendência volatilidade day_return.
19950214 0,251 1,572 0,144.
19950215 0,101 1,778 0,055.
19950216 -0,167 2,004 -0,013.
Suponha que forneçamos vários anos desses dados para um modelo e solicitamos que ele aprenda como prever day_return, o retorno a um dia, de dois indicadores, um chamado tendência e outro de volatilidade. Na linguagem do aprendizado de máquina, esse processo é chamado de treinamento de modelo. Então, podemos calcular em uma data posterior, a partir de preços recentes, essa tendência = 0,225 e a volatilidade = 1,244 a partir desse dia. O modelo treinado pode então fazer uma previsão de que a variável alvo day_return será 0.152. (Estes são todos os números inventados.) Com base nesta previsão de que o mercado está prestes a subir substancialmente, podemos optar por tomar uma posição longa.
Convertendo Previsões para Decisões Comerciais.
A intuição nos diz que devemos colocar mais fé em previsões extremas do que em previsões mais comuns perto do centro do intervalo de previsão do modelo. Se um modelo prevê que o mercado aumentará em 0,001% amanhã, não estaríamos tão inclinados a assumir uma posição comprada como se o modelo previsse um aumento de 5,8%. Esta intuição está correta, porque nossa pesquisa mostrou que, em geral, existe uma grande correspondência entre a magnitude de uma previsão e a probabilidade de sucesso do comércio associado. Previsões de grande magnitude são mais prováveis de sinalizar movimentos lucrativos do mercado do que previsões de pequena magnitude. O método padrão para tomar decisões comerciais com base em movimentos previstos do mercado é comparar a previsão com um limite fixo. Se a previsão for maior ou igual a um limite superior (geralmente positivo), ocupe uma posição longa. Se a previsão for menor ou igual a um limite inferior (geralmente negativo), ocupe uma posição curta. O período de espera para uma posição está implícito na definição do alvo. Isso será discutido em detalhes em nosso livro Statistically Sound Machine Learning para Algorithmic Trading of Financial Instruments (SSML). Deve ser óbvio que o limite determina uma compensação no número de negociações versus a taxa de precisão das negociações. Se definirmos um limiar próximo de zero, a magnitude das previsões excederá frequentemente o limiar e uma posição será tomada com frequência. Tais negociações carregam uma taxa relativamente alta de falha. Por outro lado, se definirmos um limiar que esteja longe de zero, os movimentos previstos do mercado apenas raramente estarão além do limite, portanto, os negócios serão raros, mas terão uma taxa de sucesso relativamente alta. Já observamos que há uma grande correspondência entre a magnitude de uma previsão e a probabilidade de sucesso de uma transação. Assim, escolhendo um limite apropriado, podemos controlar se temos um sistema que negocie com frequência, mas com precisão medíocre, ou um sistema que negocie raramente, mas com excelente precisão.
O TSSB escolhe automaticamente os limites ótimos, longos e curtos, escolhendo-os de modo a maximizar o fator de lucro para sistemas longos e sistemas curtos separadamente. Fator de lucro, uma métrica comum do desempenho do sistema de negociação é a relação entre os ganhos totais em negócios bem-sucedidos e o total de perdas em negócios com falha. A fim de evitar situações degeneradas em que há apenas uma negociação ou poucas negociações, o usuário especifica um número mínimo de negócios que devem ser tomados, seja como um número absoluto ou como uma fração mínima de barras. Além disso, o TSSB tem a opção de usar dois limites de cada lado (longo e curto) para produzir dois conjuntos de sinais, um definido para negociações de "confiabilidade normal" e um conjunto mais conservador para negociações de "alta confiabilidade". Finalmente, em muitos aplicativos, o TSSB imprime tabelas que mostram números de desempenho que seriam obtidos com limites variados.
A computação de limites e a interpretação dos resultados comerciais com base em previsões relativas a esses limites são tópicos avançados que serão discutidos em detalhes no SSML. Por enquanto, o leitor precisa entender apenas os seguintes conceitos:
O usuário especifica as variáveis do indicador com base no histórico observado recente e as variáveis de meta que retratam o movimento de preço futuro. O TSSB recebe dados de mercado históricos brutos (preços e talvez outros dados, como volume) e gera um extenso banco de dados de variáveis de indicador e destino. Um ou mais modelos são treinados para prever o alvo, dado um conjunto de indicadores. Em outras palavras, o modelo aprende a usar a informação preditiva contida nos indicadores para prever o futuro como exemplificado pelo alvo. Toda vez que uma previsão é feita, o valor numérico dessa previsão é comparado a um limite longo ou superior. Se a previsão for maior ou igual ao limite longo, uma posição longa é tomada. Da mesma forma, a previsão é comparada a um limite curto ou inferior, que quase sempre será menor que o limite longo. Se a previsão for menor ou igual ao limite curto, uma posição curta é tomada. O período de espera para uma posição é inerente à variável de destino. Isso é discutido em detalhes no SSML. O TSSB reportará resultados para sistemas longos e curtos separadamente, assim como resultados líquidos para os sistemas combinados.
Testando o Sistema de Negociação.
O TSSB fornece a capacidade de executar muitos testes de um sistema de negociação ou filtragem de modelos preditivos. As metodologias de teste disponíveis serão discutidas em detalhes SSML. No entanto, para que o leitor possa compreender o desenvolvimento e a avaliação do sistema de negociação / filtragem elementar apresentados no próximo capítulo, discutiremos agora duas metodologias gerais de teste: validação cruzada e teste de walkforward. Esses são os padrões primários em muitas previsões.
aplicativos, e ambos estão disponíveis no TSSB em uma variedade de formas.
O princípio subjacente à grande maioria das metodologias de teste, incluindo aquelas incluídas no TSSB, é que o conjunto de dados históricos completo disponível para o desenvolvedor é dividido em subconjuntos separados. Um subconjunto, chamado conjunto de treinamento ou conjunto de desenvolvimento, é usado para treinar o modelo preditivo. O outro subconjunto, chamado de conjunto de testes ou conjunto de validação, é usado para avaliar o desempenho do modelo treinado. (Observe que a distinção entre os termos conjunto de testes e conjunto de validação não é consistente entre especialistas, portanto, a convenção cada vez mais comum é usá-los de forma intercambiável. O mesmo vale para o conjunto de treinamento e o conjunto de desenvolvimento.)
A chave aqui é que nenhum dado que participa do treinamento do modelo pode participar de sua avaliação de desempenho. Em condições bastante gerais, essa separação mutuamente exclusiva garante que o desempenho medido no conjunto de testes seja uma estimativa imparcial do desempenho futuro. Em outras palavras, embora o desempenho observado quase certamente não seja exatamente igual ao desempenho que será visto no futuro, ele não tem um viés sistemático em relação a valores otimistas ou pessimistas. Ter uma estimativa imparcial do desempenho futuro é um dos dois principais objetivos de uma operação de desenvolvimento e teste do sistema de negociação. O outro objetivo é ser capaz de realizar um teste de significância estatística para estimar a probabilidade de que o nível de desempenho alcançado possa ter sido devido à boa sorte. Este conceito avançado está além do escopo desta breve visão geral, mas é discutido em profundidade no SSML.
Nos primeiros dias de construção e teste de modelos, quando os computadores de alta velocidade não estavam prontamente disponíveis, a divisão dos dados em um conjunto de treinamento e um conjunto de testes era feita exatamente uma vez. O desenvolvedor normalmente treinaria o modelo usando dados por meio de uma data vários anos antes da data atual e, em seguida, testaria o modelo em dados subsequentes, terminando com os dados mais recentes disponíveis. Este é um uso extremamente ineficiente dos dados. O TSSB disponibiliza testes de validação cruzada e walkforward. Essas técnicas dividem os dados disponíveis em conjuntos de treinamento e conjuntos de testes muitas vezes e agrupam as estatísticas de desempenho em uma única estimativa imparcial da capacidade real do sistema de comércio baseado em modelo. Esta reutilização extensiva dos dados para treinamento e testes faz uso eficiente do histórico de mercado precioso e limitado.
Teste de Walkforward.
O teste Walkforward é direto, intuitivo e amplamente usado. O princípio é que nós treinamos o modelo em um bloco relativamente longo de dados que termina um tempo considerável no passado. Testamos o modelo treinado em uma seção relativamente curta de dados que segue imediatamente o bloco de treinamento. Em seguida, deslocamos os blocos de treinamento e teste para frente no tempo em um valor igual ao comprimento do bloco de teste e repetimos as etapas anteriores. O teste Walkforward termina quando chegamos ao final do conjunto de dados. Calculamos o valor do desempenho líquido agrupando todas as negociações do bloco de teste. Aqui está um exemplo simples de teste de walkforward:
1) Treine o modelo usando dados de 1990 a 2007. Teste o modelo em dados de 2008.
2) Treine o modelo usando dados de 1991 a 2008. Teste o modelo em dados de 2009.
3) Treine o modelo usando dados de 1992 a 2009. Teste o modelo em dados de 2010.
Agrupar todas as negociações dos testes de 2008, 2009 e 2010. Essas negociações são usadas para calcular uma estimativa imparcial do desempenho do modelo.
A principal vantagem do teste walkforward é que ele imita a vida real. A maioria dos desenvolvedores de sistemas automatizados de negociação recicla periodicamente ou refina seu modelo. Assim, os resultados de um teste walkforward simulam os resultados que teriam sido obtidos se o sistema tivesse sido efetivamente negociado. Este é um argumento convincente em favor desta metodologia de teste.
Outra vantagem do teste walkforward é que ele reflete corretamente a resposta do modelo à não-estacionariedade no mercado. Todos os mercados evoluem e mudam seu comportamento ao longo do tempo, às vezes girando através de vários regimes diferentes. Falando livremente, essa mudança na dinâmica do mercado e, portanto, nas relações entre as variáveis do indicador e do destino, é chamada de não-estacionariedade. Os melhores modelos preditivos têm um grau significativo de robustez contra tais mudanças, e o teste walkforward nos permite avaliar a robustez de um modelo.
A capacidade do TSSB de usar uma variedade de comprimentos de blocos de teste facilita avaliar a robustez de um modelo em relação à não-estacionariedade. Suponha que um modelo alcance excelentes resultados de walkforward quando o bloco de teste é muito curto. Em outras palavras, o modelo nunca é solicitado a fazer previsões de dados que estão muito além da data em que o bloco de treinamento terminou. Agora, suponha que o desempenho de walkforward se deteriore se o bloco de teste ficar mais longo. Isso indica que o mercado está mudando rapidamente de maneiras que o modelo não é capaz de manipular. Esse modelo é arriscado e exigirá um treinamento freqüente para manter as condições atuais do mercado. Por outro lado, se o desempenho walkforward se mantiver bem com o aumento do comprimento do bloco de teste, o modelo é robusto contra a não-estacionariedade. Este é um atributo valioso de uma abordagem baseada em modelos preditivos para o desenvolvimento de sistemas de negociação. Observe a Figura 1 na próxima página, que descreve o posicionamento dos blocos de treinamento e teste (períodos) ao longo do eixo do tempo. A figura 1 acima mostra duas situações.
A seção superior da figura descreve walkforward com blocos de teste muito curtos. A seção inferior mostra blocos de teste muito longos. Pode ser útil executar vários testes walkforward de comprimentos variados de blocos de teste, a fim de avaliar o grau em que o modelo de previsão é robusto contra a não-estacionariedade.
O teste Walkforward tem apenas uma desvantagem em relação aos métodos de teste alternativos, como validação cruzada: é relativamente ineficiente quando se trata de usar os dados disponíveis. Somente casos após o final do primeiro bloco de treinamento são usados para testes. Se você estiver disposto a acreditar que os indicadores e metas estão razoavelmente parados, isso é um desperdício de dados trágico. A validação cruzada, discutida na próxima seção, aborda essa fraqueza.
Validação cruzada.
Em vez de segregar todos os casos de teste no final do bloco de dados históricos, como é feito com o teste walkforward, podemos distribuí-los uniformemente por todo o histórico disponível. Isso é chamado de validação cruzada. Por exemplo, podemos testar da seguinte forma:
1) Treinar usando dados de 2006 a 2008. Teste o modelo em dados de 2005.
2) Treinar usando dados de 2005 a 2008, excluindo 2006. Teste o modelo em dados de 2006.
3) Treinar usando dados de 2005 a 2008, excluindo 2007. Teste o modelo em dados de 2007.
4) Treinar usando dados de 2005 a 2008, excluindo 2008. Teste o modelo em dados de 2008.
Essa idéia de reter blocos de dados "testados" internos durante o treinamento com os dados ao redor é ilustrada na Figura 2 abaixo. Na validação cruzada, cada etapa é comumente chamada de dobra.
A vantagem óbvia da validação cruzada sobre o teste walkforward é que cada caso disponível se torna um caso de teste em algum momento. No entanto, existem várias desvantagens a serem observadas. O problema potencial mais sério é que a validação cruzada é sensível à não-estacionariedade. Em um teste de walkforward, apenas casos relativamente recentes servem como assuntos de teste. Mas, na validação cruzada, os casos que remontam ao início do conjunto de dados contribuem para os resultados de desempenho do teste. Se o comportamento do mercado nos primeiros dias foi tão diferente do que nos dias posteriores que a relação entre os indicadores e a meta mudou seriamente, incorporar os resultados dos testes daqueles primeiros dias pode não ser aconselhável.
Outra desvantagem é mais filosófica do que prática, mas é digna de nota. Ao contrário de um teste de walkforward, a validação cruzada não imita o comportamento real de um sistema de negociação. Na validação cruzada, com exceção da última dobra, estamos usando dados do futuro para treinar o modelo que está sendo testado. Na vida real, esses dados não seriam conhecidos no momento em que os casos de teste são processados. Alguns céticos vão levantar as sobrancelhas, mesmo quando feito corretamente, é legítimo, fornecendo estimativas de desempenho quase imparciais. Finalmente, os problemas de sobreposição, discutidos na próxima seção, são mais problemáticos na validação cruzada do que nos testes walkforward.
As discussões de validação cruzada e teste de walkforward que acabamos de apresentar assumem que cada caso é independente de outros casos. Em outras palavras, a suposição é que os valores das variáveis para um caso não estão relacionados aos valores de outros casos no conjunto de dados. Infelizmente, esta quase nunca é a situação. Casos próximos um do outro tenderão a ter valores semelhantes de indicadores e / ou metas. Isso geralmente ocorre de uma ou ambas as maneiras a seguir:
Muitas das metas disponíveis no TSSB são mais avançadas do que apenas a próxima barra. Por exemplo, suponha que nossa meta seja a tendência do mercado nas próximas dez barras. Essa é a quantidade que desejamos prever para tomar decisões comerciais. Se esse valor for alto em um determinado dia, indicando que o mercado está tendendo para cima nos dez dias subsequentes, então, com toda a probabilidade, esse valor também será alto no dia seguinte, e provavelmente foi alto no dia anterior. Mudar para frente ou para trás um dia ainda deixa uma sobreposição de nove dias na janela de segmentação de dez dias. Essa correlação caso a caso em dados de série temporal é chamada de correlação serial. Na maioria dos sistemas de negociação, os indicadores analisam um considerável período de tempo. Por exemplo, um indicador pode ser a tendência do mercado nos últimos 50 dias, ou uma medida de volatilidade nos 100 dias anteriores. Como resultado, os indicadores mudam muito lentamente ao longo do tempo. Os valores dos indicadores para um determinado dia são quase idênticos aos valores em dias próximos, antes e depois.
Esses fatos têm várias implicações importantes. Como os indicadores mudam apenas lentamente, as previsões do modelo também mudam lentamente. Portanto, as posições de mercado mudam lentamente; se uma previsão estiver acima de um limite, tenderá a permanecer acima do limite para várias barras. Por outro lado, se uma previsão estiver abaixo de um limite, ela tenderá a permanecer abaixo desse limite por algum tempo. Se o destino estiver olhando para frente em mais de uma barra, o que resulta em correlação serial, conforme discutido acima, o resultado da correlação serial nas posições e nos destinos é uma correlação serial nos retornos do sistema de negociação. Isso invalida imediatamente os testes de significância estatística mais comuns, como o teste t, o bootstrap comum e o teste de permutação de Monte-Carlo. O TSSB inclui vários testes de significância estatística que podem diminuir o impacto da correlação serial. Em particular, o bootstrap estacionário e o bootstrap de bloco cônico serão discutidos em outro lugar no SSML. Infelizmente, ambos os testes se baseiam em suposições que geralmente são instáveis. Voltaremos a esse problema em mais detalhes posteriormente, quando os testes estatísticos forem discutidos. Por enquanto, entenda que os alvos que olham para frente mais de uma barra geralmente impedem testes de significância ou forçam a pessoa a confiar em testes com validade questionável.
A falta de independência em indicadores e metas tem outra implicação, esta potencialmente mais séria do que apenas invalidar testes de significância. A legitimidade dos resultados dos testes em si pode ser prejudicada por preconceitos. Felizmente, esse problema é facilmente resolvido com uma opção de TSSB chamada OVERLAP. Seus detalhes são discutidos em SSML. Por enquanto, vamos simplesmente explorar a natureza do problema.
O problema ocorre perto dos limites entre os dados de treinamento e os dados de teste. A situação mais simples é para o teste de walkforward, porque existe apenas um limite (em movimento). Suponha que a meta envolva o movimento do mercado dez dias no futuro. Considere o último caso no bloco de treinamento. Seu alvo envolve os primeiros dez dias após o início do bloco de teste. Este caso, como todos os casos de conjunto de treinamento, desempenha um papel no desenvolvimento do modelo preditivo. Agora, considere o caso que o segue imediatamente, o primeiro caso no bloco de teste. Como já foi observado, seus valores indicadores serão muito semelhantes aos valores do indicador do caso anterior. Assim, a previsão do modelo também será semelhante à do caso anterior. Como o alvo olha para frente dez dias e avançamos apenas um dia, deixando uma sobreposição de nove dias, o objetivo para esse caso de teste será semelhante ao objetivo do caso anterior. Mas o caso anterior, que é praticamente idêntico a este caso de teste, participou do treinamento do modelo! Portanto, temos um forte preconceito para que o modelo faça um bom trabalho ao prever esse caso, cujos indicadores e metas são semelhantes ao caso de treinamento. O resultado é um viés otimista, o pior tipo. Nossos resultados de teste excederão os resultados que seriam obtidos de um teste honesto.
Este efeito-limite se manifesta de maneira adicional na validação cruzada. Obviamente, ainda temos o efeito que acabamos de descrever quando estamos perto do final da seção inicial do conjunto de treinamento e do início do teste. Esta é a borda esquerda das regiões vermelhas na Figura 2. Mas também temos um efeito de contorno quando estamos perto do final do conjunto de teste e do início da parte posterior do conjunto de treinamento. Esta é a borda direita de cada região vermelha. Como antes, os casos próximos uns dos outros, mas em lados opostos do limite do conjunto de treinamento / conjunto de testes, têm valores semelhantes para os indicadores e a meta, o que resulta em um viés otimista na estimativa de desempenho. A linha inferior é que o viés devido à sobreposição no limite entre os dados de treinamento e os dados de teste é um problema sério para ambos os testes de validação cruzada e walkforward. Felizmente, o usuário pode invocar a opção OVERLAP para aliviar esse problema.
Pegue o livro.
& # 8212; Por David Aronson
David Aronson é um pioneiro em aprendizado de máquina e desenvolvimento de sistemas de negociação não-linear e reforço / filtragem de sinais. Aronson é co-designer da TSSB (Trading System Synthesis and Boosting), uma plataforma de software para o desenvolvimento automatizado de sistemas de negociação baseados em modelos preditivos estatisticamente sólidos. Ele trabalha neste campo desde 1979 e é um técnico de Chartered Market certificado pela The Market Technicians Association desde 1992. Ele era professor adjunto de finanças e ensinava regularmente a alunos de MBA e de engenharia financeira um curso de pós-graduação em análise técnica, mineração de dados e análise preditiva. Seu livro lançado recentemente, Statistically Sound Machine Learning para Algorithmic Trading of Financial Instruments, é uma análise detalhada do desenvolvimento de sistemas de negociação baseados em modelos preditivos usando o TSSB.
Sobre o autor System Trader Success Contributor.
Autores contribuintes são participantes ativos nos mercados financeiros e totalmente envolvidos em análises técnicas ou quantitativas. Eles desejam compartilhar suas histórias, insights e descobertas no System Trader Success e esperam fazer de você um melhor operador de sistema. Entre em contato conosco se você quiser ser um autor colaborador e compartilhar sua mensagem com o mundo.
Tssb (síntese e reforço do sistema de negociação)
Incremento de síntese do sistema de negociação.
Processo de Desenvolvimento de Produtos para Calçados.
Estratégias de negociação informatizadas têm sido, portanto, para vários anos mais alguns investidores podem. Elite Expert Trader é uma carteira de Expert Advisors (sistemas automatizados de negociação) para o mercado Forex.
. Alimentos para impulsionar o sistema imunológico: Food & amp; Notícias de saúde: Food World News.
: Apesar da notoriedade da vitamina C para impulsionar o nosso sistema imunológico.
E SISTEMAS DE NEGOCIAÇÃO EM PAÍSES COM ECONOMIAS EM TRANSIÇÃO Síntese dos resultados de estudos de caso realizados na Federação Russa.
Os recursos prontos para uso do SoftShoe e completamente abertos.
Recicle Compressor de Gás.
Projeto de máquinas determinísticas de sistemas de negociação com estrito.
Pioneira em aprendizado de máquina & amp; desenvolvimento de sistema de negociação não-linear e reforço de sinal / filtragem desde 1979.
Iniciou o Raden Research Group em 1982 e supervisionou o desenvolvimento do PRISM (Pattern Recognition Information Synthesis Modeling).
Técnico Chartered Market certificado pela The Market Technicians Association desde 1992.
Trader proprietário de ações para Spear, Leeds e Kellogg 1997 - 2002.
Professor adjunto de finanças ministrando curso de pós-graduação em análise técnica, data mining e análise preditiva para estudantes de MBA e engenharia financeira de 2002 a 2011.
Autor de "Análise Técnica Baseada em Evidências", publicado por John Wiley & amp; Sons 2006. Primeiro livro popular para lidar com viés de mineração de dados e Método de Permutação de Monte Carlo para gerar p-valores livres de viés.
Co-designer do TSSB (Trading System Synthesis and Boosting), uma plataforma de software para o desenvolvimento automatizado de sistemas de negociação baseados em modelos preditivos estatisticamente sólidos.
Autor & amp; editor de Estatisticamente Aprendizagem de Máquina de Som para o Comércio Algorítmico de Instrumentos Financeiros: Desenvolvendo Sistemas de Negociação Baseada em Modelo Preditivo Usando TSSB.
Proposta de um método para purificação de indicadores e Pure VIX.
Inovou o conceito de aumento de sinal: usando o aprendizado de máquina para melhorar o desempenho das estratégias existentes.
Estabilidade da Correlação da Janela Móvel e seu Uso na Avaliação de Indicadores, Journal of the Market Technicians Association, primavera de 1992 pp. 21-28 Filtros de Sinais de Reconhecimento Padrão, Associação de Técnicos do Mercado, Primavera 1991, pp.42-51 O Método de Células de Indicador Avaliação, A Enciclopédia de Indicadores Técnicos de Mercado, capítulo 15, de Colby e Meyers, Dow Jones-Irwin, 1988 Inteligência Artificial / Reconhecimento de Padrões Aplicados à Previsão de Tendências do Mercado Financeiro, Journal of the Market Technicians Association, maio de 1985 pp. 91-132 Artificial Inteligência & amp; Reconhecimento de Padrões para Auxiliar o Analista de Mercado, Análise Financeira e de Software de Investimento, tutorial em três partes, Verão, Outono & amp; Edição de inverno de 1984. Cibernética, A Abordagem de Negociação para os anos 80, Commodities Magazine, janeiro de 1980. Análise Técnica Baseada em Evidências: Aplicando o Método Científico e a Inferência Estatística em Sinais de Negociação. John Wiley & amp; Sons, novembro de 2006 Purified Sentiment Indicators para o mercado de ações publicado no Journal of Technical Analysis, 2010.
Os interesses externos de David incluem esqui, caminhadas, tricô e trompete de jazz.
Dr. Timothy Masters tem um PhD em estatística, com especializações em estatística aplicada e computação numérica. Ele é o autor de quatro livros altamente conceituados sobre inteligência artificial ("Practical Neural Network Recipes em C ++", "Signal and Image Processing with Neural Networks", "Advanced Algorithms for Neural Networks", "Neural, Novel e Hybrid Algorithms for Time Series Prediction").
O Dr. Masters trabalha na área de negociação automatizada de instrumentos financeiros desde 1995. Antes disso, desenvolveu software para aplicações de engenharia biomédica e sensoriamento remoto. Sua pesquisa atual se concentra em algoritmos para controlar o viés de mineração de dados, a fim de avaliar de forma justa o potencial de desempenho dos sistemas automatizados de negociação no mercado. Ele também está desenvolvendo ferramentas gráficas e analíticas para ajudar os operadores financeiros a entender melhor a dinâmica do mercado.
Seus interesses externos incluem música (ele toca teclado, violino e baixo em várias bandas) e as artes marciais (ele é um faixa preta de segundo grau estudando Washin-Ryu Karate com o Mestre Hidy Ochiai).
Sistemas de Negociação Baseados no Modelo Preditivo Parte II.
A idéia fundamental por trás da modelagem preditiva é que os indicadores podem conter informações que podem ser usadas para prever uma variável prospectiva, chamada de alvo. A tarefa de um modelo preditivo é encontrar e explorar qualquer informação desse tipo.
Data tendência volatilidade day_return.
19950214 0,251 1,572 0,144.
19950215 0,101 1,778 0,055.
19950216 -0,167 2,004 -0,013.
Suponha que forneçamos vários anos desses dados para um modelo e solicitamos que ele aprenda como prever day_return, o retorno a um dia, de dois indicadores, um chamado tendência e outro de volatilidade. Na linguagem do aprendizado de máquina, esse processo é chamado de treinamento de modelo. Então, podemos calcular em uma data posterior, a partir de preços recentes, essa tendência = 0,225 e a volatilidade = 1,244 a partir desse dia. O modelo treinado pode então fazer uma previsão de que a variável alvo day_return será 0.152. (Estes são todos os números inventados.) Com base nesta previsão de que o mercado está prestes a subir substancialmente, podemos optar por tomar uma posição longa.
Convertendo Previsões para Decisões Comerciais.
A intuição nos diz que devemos colocar mais fé em previsões extremas do que em previsões mais comuns perto do centro do intervalo de previsão do modelo. Se um modelo prevê que o mercado aumentará em 0,001% amanhã, não estaríamos tão inclinados a assumir uma posição comprada como se o modelo previsse um aumento de 5,8%. Esta intuição está correta, porque nossa pesquisa mostrou que, em geral, existe uma grande correspondência entre a magnitude de uma previsão e a probabilidade de sucesso do comércio associado. Previsões de grande magnitude são mais prováveis de sinalizar movimentos lucrativos do mercado do que previsões de pequena magnitude. O método padrão para tomar decisões comerciais com base em movimentos previstos do mercado é comparar a previsão com um limite fixo. Se a previsão for maior ou igual a um limite superior (geralmente positivo), ocupe uma posição longa. Se a previsão for menor ou igual a um limite inferior (geralmente negativo), ocupe uma posição curta. O período de espera para uma posição está implícito na definição do alvo. Isso será discutido em detalhes em nosso livro Statistically Sound Machine Learning para Algorithmic Trading of Financial Instruments (SSML). Deve ser óbvio que o limite determina uma compensação no número de negociações versus a taxa de precisão das negociações. Se definirmos um limiar próximo de zero, a magnitude das previsões excederá frequentemente o limiar e uma posição será tomada com frequência. Tais negociações carregam uma taxa relativamente alta de falha. Por outro lado, se definirmos um limiar que esteja longe de zero, os movimentos previstos do mercado apenas raramente estarão além do limite, portanto, os negócios serão raros, mas terão uma taxa de sucesso relativamente alta. Já observamos que há uma grande correspondência entre a magnitude de uma previsão e a probabilidade de sucesso de uma transação. Assim, escolhendo um limite apropriado, podemos controlar se temos um sistema que negocie com frequência, mas com precisão medíocre, ou um sistema que negocie raramente, mas com excelente precisão.
O TSSB escolhe automaticamente os limites ótimos, longos e curtos, escolhendo-os de modo a maximizar o fator de lucro para sistemas longos e sistemas curtos separadamente. Fator de lucro, uma métrica comum do desempenho do sistema de negociação é a relação entre os ganhos totais em negócios bem-sucedidos e o total de perdas em negócios com falha. A fim de evitar situações degeneradas em que há apenas uma negociação ou poucas negociações, o usuário especifica um número mínimo de negócios que devem ser tomados, seja como um número absoluto ou como uma fração mínima de barras. Além disso, o TSSB tem a opção de usar dois limites de cada lado (longo e curto) para produzir dois conjuntos de sinais, um definido para negociações de "confiabilidade normal" e um conjunto mais conservador para negociações de "alta confiabilidade". Finalmente, em muitos aplicativos, o TSSB imprime tabelas que mostram números de desempenho que seriam obtidos com limites variados.
A computação de limites e a interpretação dos resultados comerciais com base em previsões relativas a esses limites são tópicos avançados que serão discutidos em detalhes no SSML. Por enquanto, o leitor precisa entender apenas os seguintes conceitos:
O usuário especifica as variáveis do indicador com base no histórico observado recente e as variáveis de meta que retratam o movimento de preço futuro. O TSSB recebe dados de mercado históricos brutos (preços e talvez outros dados, como volume) e gera um extenso banco de dados de variáveis de indicador e destino. Um ou mais modelos são treinados para prever o alvo, dado um conjunto de indicadores. Em outras palavras, o modelo aprende a usar a informação preditiva contida nos indicadores para prever o futuro como exemplificado pelo alvo. Toda vez que uma previsão é feita, o valor numérico dessa previsão é comparado a um limite longo ou superior. Se a previsão for maior ou igual ao limite longo, uma posição longa é tomada. Da mesma forma, a previsão é comparada a um limite curto ou inferior, que quase sempre será menor que o limite longo. Se a previsão for menor ou igual ao limite curto, uma posição curta é tomada. O período de espera para uma posição é inerente à variável de destino. Isso é discutido em detalhes no SSML. O TSSB reportará resultados para sistemas longos e curtos separadamente, assim como resultados líquidos para os sistemas combinados.
Testando o Sistema de Negociação.
O TSSB fornece a capacidade de executar muitos testes de um sistema de negociação ou filtragem de modelos preditivos. As metodologias de teste disponíveis serão discutidas em detalhes SSML. No entanto, para que o leitor possa compreender o desenvolvimento e a avaliação do sistema de negociação / filtragem elementar apresentados no próximo capítulo, discutiremos agora duas metodologias gerais de teste: validação cruzada e teste de walkforward. Esses são os padrões primários em muitas previsões.
aplicativos, e ambos estão disponíveis no TSSB em uma variedade de formas.
O princípio subjacente à grande maioria das metodologias de teste, incluindo aquelas incluídas no TSSB, é que o conjunto de dados históricos completo disponível para o desenvolvedor é dividido em subconjuntos separados. Um subconjunto, chamado conjunto de treinamento ou conjunto de desenvolvimento, é usado para treinar o modelo preditivo. O outro subconjunto, chamado de conjunto de testes ou conjunto de validação, é usado para avaliar o desempenho do modelo treinado. (Observe que a distinção entre os termos conjunto de testes e conjunto de validação não é consistente entre especialistas, portanto, a convenção cada vez mais comum é usá-los de forma intercambiável. O mesmo vale para o conjunto de treinamento e o conjunto de desenvolvimento.)
A chave aqui é que nenhum dado que participa do treinamento do modelo pode participar de sua avaliação de desempenho. Em condições bastante gerais, essa separação mutuamente exclusiva garante que o desempenho medido no conjunto de testes seja uma estimativa imparcial do desempenho futuro. Em outras palavras, embora o desempenho observado quase certamente não seja exatamente igual ao desempenho que será visto no futuro, ele não tem um viés sistemático em relação a valores otimistas ou pessimistas. Ter uma estimativa imparcial do desempenho futuro é um dos dois principais objetivos de uma operação de desenvolvimento e teste do sistema de negociação. O outro objetivo é ser capaz de realizar um teste de significância estatística para estimar a probabilidade de que o nível de desempenho alcançado possa ter sido devido à boa sorte. Este conceito avançado está além do escopo desta breve visão geral, mas é discutido em profundidade no SSML.
Nos primeiros dias de construção e teste de modelos, quando os computadores de alta velocidade não estavam prontamente disponíveis, a divisão dos dados em um conjunto de treinamento e um conjunto de testes era feita exatamente uma vez. O desenvolvedor normalmente treinaria o modelo usando dados por meio de uma data vários anos antes da data atual e, em seguida, testaria o modelo em dados subsequentes, terminando com os dados mais recentes disponíveis. Este é um uso extremamente ineficiente dos dados. O TSSB disponibiliza testes de validação cruzada e walkforward. Essas técnicas dividem os dados disponíveis em conjuntos de treinamento e conjuntos de testes muitas vezes e agrupam as estatísticas de desempenho em uma única estimativa imparcial da capacidade real do sistema de comércio baseado em modelo. Esta reutilização extensiva dos dados para treinamento e testes faz uso eficiente do histórico de mercado precioso e limitado.
Teste de Walkforward.
O teste Walkforward é direto, intuitivo e amplamente usado. O princípio é que nós treinamos o modelo em um bloco relativamente longo de dados que termina um tempo considerável no passado. Testamos o modelo treinado em uma seção relativamente curta de dados que segue imediatamente o bloco de treinamento. Em seguida, deslocamos os blocos de treinamento e teste para frente no tempo em um valor igual ao comprimento do bloco de teste e repetimos as etapas anteriores. O teste Walkforward termina quando chegamos ao final do conjunto de dados. Calculamos o valor do desempenho líquido agrupando todas as negociações do bloco de teste. Aqui está um exemplo simples de teste de walkforward:
1) Treine o modelo usando dados de 1990 a 2007. Teste o modelo em dados de 2008.
2) Treine o modelo usando dados de 1991 a 2008. Teste o modelo em dados de 2009.
3) Treine o modelo usando dados de 1992 a 2009. Teste o modelo em dados de 2010.
Agrupar todas as negociações dos testes de 2008, 2009 e 2010. Essas negociações são usadas para calcular uma estimativa imparcial do desempenho do modelo.
A principal vantagem do teste walkforward é que ele imita a vida real. A maioria dos desenvolvedores de sistemas automatizados de negociação recicla periodicamente ou refina seu modelo. Assim, os resultados de um teste walkforward simulam os resultados que teriam sido obtidos se o sistema tivesse sido efetivamente negociado. Este é um argumento convincente em favor desta metodologia de teste.
Outra vantagem do teste walkforward é que ele reflete corretamente a resposta do modelo à não-estacionariedade no mercado. Todos os mercados evoluem e mudam seu comportamento ao longo do tempo, às vezes girando através de vários regimes diferentes. Falando livremente, essa mudança na dinâmica do mercado e, portanto, nas relações entre as variáveis do indicador e do destino, é chamada de não-estacionariedade. Os melhores modelos preditivos têm um grau significativo de robustez contra tais mudanças, e o teste walkforward nos permite avaliar a robustez de um modelo.
A capacidade do TSSB de usar uma variedade de comprimentos de blocos de teste facilita avaliar a robustez de um modelo em relação à não-estacionariedade. Suponha que um modelo alcance excelentes resultados de walkforward quando o bloco de teste é muito curto. Em outras palavras, o modelo nunca é solicitado a fazer previsões de dados que estão muito além da data em que o bloco de treinamento terminou. Agora, suponha que o desempenho de walkforward se deteriore se o bloco de teste ficar mais longo. Isso indica que o mercado está mudando rapidamente de maneiras que o modelo não é capaz de manipular. Esse modelo é arriscado e exigirá um treinamento freqüente para manter as condições atuais do mercado. Por outro lado, se o desempenho walkforward se mantiver bem com o aumento do comprimento do bloco de teste, o modelo é robusto contra a não-estacionariedade. Este é um atributo valioso de uma abordagem baseada em modelos preditivos para o desenvolvimento de sistemas de negociação. Observe a Figura 1 na próxima página, que descreve o posicionamento dos blocos de treinamento e teste (períodos) ao longo do eixo do tempo. A figura 1 acima mostra duas situações.
A seção superior da figura descreve walkforward com blocos de teste muito curtos. A seção inferior mostra blocos de teste muito longos. Pode ser útil executar vários testes walkforward de comprimentos variados de blocos de teste, a fim de avaliar o grau em que o modelo de previsão é robusto contra a não-estacionariedade.
O teste Walkforward tem apenas uma desvantagem em relação aos métodos de teste alternativos, como validação cruzada: é relativamente ineficiente quando se trata de usar os dados disponíveis. Somente casos após o final do primeiro bloco de treinamento são usados para testes. Se você estiver disposto a acreditar que os indicadores e metas estão razoavelmente parados, isso é um desperdício de dados trágico. A validação cruzada, discutida na próxima seção, aborda essa fraqueza.
Validação cruzada.
Em vez de segregar todos os casos de teste no final do bloco de dados históricos, como é feito com o teste walkforward, podemos distribuí-los uniformemente por todo o histórico disponível. Isso é chamado de validação cruzada. Por exemplo, podemos testar da seguinte forma:
1) Treinar usando dados de 2006 a 2008. Teste o modelo em dados de 2005.
2) Treinar usando dados de 2005 a 2008, excluindo 2006. Teste o modelo em dados de 2006.
3) Treinar usando dados de 2005 a 2008, excluindo 2007. Teste o modelo em dados de 2007.
4) Treinar usando dados de 2005 a 2008, excluindo 2008. Teste o modelo em dados de 2008.
Essa idéia de reter blocos de dados "testados" internos durante o treinamento com os dados ao redor é ilustrada na Figura 2 abaixo. Na validação cruzada, cada etapa é comumente chamada de dobra.
A vantagem óbvia da validação cruzada sobre o teste walkforward é que cada caso disponível se torna um caso de teste em algum momento. No entanto, existem várias desvantagens a serem observadas. O problema potencial mais sério é que a validação cruzada é sensível à não-estacionariedade. Em um teste de walkforward, apenas casos relativamente recentes servem como assuntos de teste. Mas, na validação cruzada, os casos que remontam ao início do conjunto de dados contribuem para os resultados de desempenho do teste. Se o comportamento do mercado nos primeiros dias foi tão diferente do que nos dias posteriores que a relação entre os indicadores e a meta mudou seriamente, incorporar os resultados dos testes daqueles primeiros dias pode não ser aconselhável.
Outra desvantagem é mais filosófica do que prática, mas é digna de nota. Ao contrário de um teste de walkforward, a validação cruzada não imita o comportamento real de um sistema de negociação. Na validação cruzada, com exceção da última dobra, estamos usando dados do futuro para treinar o modelo que está sendo testado. Na vida real, esses dados não seriam conhecidos no momento em que os casos de teste são processados. Alguns céticos vão levantar as sobrancelhas, mesmo quando feito corretamente, é legítimo, fornecendo estimativas de desempenho quase imparciais. Finalmente, os problemas de sobreposição, discutidos na próxima seção, são mais problemáticos na validação cruzada do que nos testes walkforward.
As discussões de validação cruzada e teste de walkforward que acabamos de apresentar assumem que cada caso é independente de outros casos. Em outras palavras, a suposição é que os valores das variáveis para um caso não estão relacionados aos valores de outros casos no conjunto de dados. Infelizmente, esta quase nunca é a situação. Casos próximos um do outro tenderão a ter valores semelhantes de indicadores e / ou metas. Isso geralmente ocorre de uma ou ambas as maneiras a seguir:
Muitas das metas disponíveis no TSSB são mais avançadas do que apenas a próxima barra. Por exemplo, suponha que nossa meta seja a tendência do mercado nas próximas dez barras. Essa é a quantidade que desejamos prever para tomar decisões comerciais. Se esse valor for alto em um determinado dia, indicando que o mercado está tendendo para cima nos dez dias subsequentes, então, com toda a probabilidade, esse valor também será alto no dia seguinte, e provavelmente foi alto no dia anterior. Mudar para frente ou para trás um dia ainda deixa uma sobreposição de nove dias na janela de segmentação de dez dias. Essa correlação caso a caso em dados de série temporal é chamada de correlação serial. Na maioria dos sistemas de negociação, os indicadores analisam um considerável período de tempo. Por exemplo, um indicador pode ser a tendência do mercado nos últimos 50 dias, ou uma medida de volatilidade nos 100 dias anteriores. Como resultado, os indicadores mudam muito lentamente ao longo do tempo. Os valores dos indicadores para um determinado dia são quase idênticos aos valores em dias próximos, antes e depois.
Esses fatos têm várias implicações importantes. Como os indicadores mudam apenas lentamente, as previsões do modelo também mudam lentamente. Portanto, as posições de mercado mudam lentamente; se uma previsão estiver acima de um limite, tenderá a permanecer acima do limite para várias barras. Por outro lado, se uma previsão estiver abaixo de um limite, ela tenderá a permanecer abaixo desse limite por algum tempo. Se o destino estiver olhando para frente em mais de uma barra, o que resulta em correlação serial, conforme discutido acima, o resultado da correlação serial nas posições e nos destinos é uma correlação serial nos retornos do sistema de negociação. Isso invalida imediatamente os testes de significância estatística mais comuns, como o teste t, o bootstrap comum e o teste de permutação de Monte-Carlo. O TSSB inclui vários testes de significância estatística que podem diminuir o impacto da correlação serial. Em particular, o bootstrap estacionário e o bootstrap de bloco cônico serão discutidos em outro lugar no SSML. Infelizmente, ambos os testes se baseiam em suposições que geralmente são instáveis. Voltaremos a esse problema em mais detalhes posteriormente, quando os testes estatísticos forem discutidos. Por enquanto, entenda que os alvos que olham para frente mais de uma barra geralmente impedem testes de significância ou forçam a pessoa a confiar em testes com validade questionável.
A falta de independência em indicadores e metas tem outra implicação, esta potencialmente mais séria do que apenas invalidar testes de significância. A legitimidade dos resultados dos testes em si pode ser prejudicada por preconceitos. Felizmente, esse problema é facilmente resolvido com uma opção de TSSB chamada OVERLAP. Seus detalhes são discutidos em SSML. Por enquanto, vamos simplesmente explorar a natureza do problema.
O problema ocorre perto dos limites entre os dados de treinamento e os dados de teste. A situação mais simples é para o teste de walkforward, porque existe apenas um limite (em movimento). Suponha que a meta envolva o movimento do mercado dez dias no futuro. Considere o último caso no bloco de treinamento. Seu alvo envolve os primeiros dez dias após o início do bloco de teste. Este caso, como todos os casos de conjunto de treinamento, desempenha um papel no desenvolvimento do modelo preditivo. Agora, considere o caso que o segue imediatamente, o primeiro caso no bloco de teste. Como já foi observado, seus valores indicadores serão muito semelhantes aos valores do indicador do caso anterior. Assim, a previsão do modelo também será semelhante à do caso anterior. Como o alvo olha para frente dez dias e avançamos apenas um dia, deixando uma sobreposição de nove dias, o objetivo para esse caso de teste será semelhante ao objetivo do caso anterior. Mas o caso anterior, que é praticamente idêntico a este caso de teste, participou do treinamento do modelo! Portanto, temos um forte preconceito para que o modelo faça um bom trabalho ao prever esse caso, cujos indicadores e metas são semelhantes ao caso de treinamento. O resultado é um viés otimista, o pior tipo. Nossos resultados de teste excederão os resultados que seriam obtidos de um teste honesto.
Este efeito-limite se manifesta de maneira adicional na validação cruzada. Obviamente, ainda temos o efeito que acabamos de descrever quando estamos perto do final da seção inicial do conjunto de treinamento e do início do teste. Esta é a borda esquerda das regiões vermelhas na Figura 2. Mas também temos um efeito de contorno quando estamos perto do final do conjunto de teste e do início da parte posterior do conjunto de treinamento. Esta é a borda direita de cada região vermelha. Como antes, os casos próximos uns dos outros, mas em lados opostos do limite do conjunto de treinamento / conjunto de testes, têm valores semelhantes para os indicadores e a meta, o que resulta em um viés otimista na estimativa de desempenho. A linha inferior é que o viés devido à sobreposição no limite entre os dados de treinamento e os dados de teste é um problema sério para ambos os testes de validação cruzada e walkforward. Felizmente, o usuário pode invocar a opção OVERLAP para aliviar esse problema.
Pegue o livro.
& # 8212; Por David Aronson
David Aronson é um pioneiro em aprendizado de máquina e desenvolvimento de sistemas de negociação não-linear e reforço / filtragem de sinais. Aronson é co-designer da TSSB (Trading System Synthesis and Boosting), uma plataforma de software para o desenvolvimento automatizado de sistemas de negociação baseados em modelos preditivos estatisticamente sólidos. Ele trabalha neste campo desde 1979 e é um técnico de Chartered Market certificado pela The Market Technicians Association desde 1992. Ele era professor adjunto de finanças e ensinava regularmente a alunos de MBA e de engenharia financeira um curso de pós-graduação em análise técnica, mineração de dados e análise preditiva. Seu livro lançado recentemente, Statistically Sound Machine Learning para Algorithmic Trading of Financial Instruments, é uma análise detalhada do desenvolvimento de sistemas de negociação baseados em modelos preditivos usando o TSSB.
Sobre o autor System Trader Success Contributor.
Autores contribuintes são participantes ativos nos mercados financeiros e totalmente envolvidos em análises técnicas ou quantitativas. Eles desejam compartilhar suas histórias, insights e descobertas no System Trader Success e esperam fazer de você um melhor operador de sistema. Entre em contato conosco se você quiser ser um autor colaborador e compartilhar sua mensagem com o mundo.
Комментариев нет:
Отправить комментарий