ซื้อขาย คณิตศาสตร์

ในการป้องกันของวิธีการเชิงปริมาณเพื่อตลาดการเงิน ฉันมีความรู้สึกว่ามีบางอย่างที่ลึกซึ้งเข้าใจผิดยังแพร่กระจายเกี่ยวกับการวิจัยที่ขับเคลื่อนด้วยข้อมูลในตลาดการเงินเราจะนำบทความนี้: ที่กำลังมองหาอัลฟาไม่ได้ผิด: ทำไมข้อมูลขุดคาดการณ์ตลาดเป็นยิ่งกว่าไร้ประโยชน์โดยผู้พิพากษา Litle (ยังปรากฏใน เว็บไซต์ของเขารับจ้าง Trader) เป็นจุดเริ่มต้นสำหรับการอภิปราย บทความตัวเองเกิดเป็นพูดจาโผงผางกับบทความเกี่ยวกับการเงิน yahoo: ทำไมน่าเบื่อรั้น ซึ่งอ้างถึงโอกาส 89% ของการกระทำรั้นใน SP ขึ้นอยู่กับตัวอย่างของ 18 รายก่อนหน้านี้ที่เรามีอัตราต่ำที่คล้ายกันในขณะนี้ ตอนนี้ให้ฉันอย่างชัดเจนบอกว่าบทความ Yahoo เป็นแก้ตัวไม่ได้สำหรับจำนวนของเหตุผลในความคิดของฉัน (พูดถึงไม่กี่: วิธีที่ขนาดของกลุ่มตัวอย่างขนาดเล็กเกินไปการวิเคราะห์ความแข็งแรงไม่มีการกล่าวถึงตัวเลขของการทดลองไม่มีที่ถูกเรียกใช้) ดังนั้นในเรื่องนี้ ผมเห็นด้วยกับนาย Litle อย่างไรก็ตามนาย Litle นอกเหนือไปจากนี้และอธิบายว่าทำไมตลาดทุนไม่สามารถที่น่าเบื่อตอนนี้: วิถีศักยภาพของตลาดทุนเป็นผลกระทบโดยตรงจากวิถีของตราสารหนี้และตลาดสกุลเงิน (ซึ่งตรงข้ามของน่าเบื่อตอนนี้) [] ความสงบก่อนพายุน่าเบื่ออาจจะ ธรรมดาเก่าที่น่าเบื่อน่าเบื่อ? อาไม่ [] และในที่สุดก็ย้ายเขาวิจารณ์การทำเหมืองข้อมูลในตลาดการเงินโดยทั่วไป: ตลาดที่อยู่ห่างไกลจากง่าย ในความเป็นจริงพวกเขามีความซับซ้อนมาก เช่นการคาดการณ์บนพื้นฐานของการทำเหมืองข้อมูลของตัวแปรทางประวัติศาสตร์เดียวหรือการสังเกตรูปแบบเชอร์รี่เลือกเดียวมักจะเลวร้ายยิ่งกว่าไร้ประโยชน์เพราะพวกเขาไม่สนใจหลักบรรจบกันของปัจจัย [] เมื่อมาถึงผลการทำนายอนาคตของระบบที่ซับซ้อนแทบทุกรูปแบบของการคิดทางสถิติตัวแปรเดียวที่มีข้อบกพร่อง [] วิธีเดียวที่จะหลีกเลี่ยงการหลอกโดยข้อมูลปลอมหรือความคิดตื้น ๆ ที่จะนำไขมันข้อศอกจริงในการทำความเข้าใจอย่างแท้จริงสิ่งที่ผลักดันตลาดและทำไม ... และเมื่อคุณมีความเข้าใจว่าคุณไม่จำเป็นต้องเชอร์รี่เลือกหรือเหมืองข้อมูลเพราะคุณมีสิ่งที่ดีกว่าการ ความสามารถในการประเมินการชุมนุมของปัจจัยสำคัญในปัจจุบันที่ส่งผลกระทบต่อความสัมพันธ์ที่เป็นตลาดที่สำคัญที่นี่และเดี๋ยวนี้ ตอนนี้ในขณะที่ผมยอมรับว่าตลาดการเงินที่มีความซับซ้อนมากและที่ง่ายมากที่จะหลงกลผมเชื่อว่างบเหล่านี้เกี่ยวกับการทำเหมืองข้อมูลเป็นตาดที่กว้างเกินไป การใช้ตัวแปรประวัติศาสตร์เดียวหรือคำนึงถึงอิทธิพลของปัจจัยหลายพูดว่าอะไรอย่างต่อวิธีการที่ดีในการทำนายเป็น (และมีการคาดการณ์ผมหมายถึงชนิดของการอนุมานทางสถิติใด ๆ ในอนาคต) โดยทั่วไปจะสามารถที่จะทำให้การคาดการณ์ที่มีค่าบางอย่างหนึ่งที่มีการระบุคุณสมบัติบางอย่าง (ตัวแปร) ที่รวมกันในวิธีการบางอย่างมีอำนาจเหนือการคาดการณ์เหตุการณ์ในอนาคต นี้เป็นจริงสำหรับทุกสาขาและสำหรับวิธีการคาดการณ์ใด ๆ ไม่ว่าจะเป็นเอไอหรือเหตุผลของมนุษย์ ส่วนที่ยากของหลักสูตรคือการหาคุณลักษณะเหล่านี้และรวมพวกเขา มองไปที่สิ่งที่วิธีนี้ผู้เขียนบทความ Yahoo เป็นเพียงการอ้างว่า (ความหมายบางอย่างของ) ในระดับต่ำจากความผันผวนมีอำนาจบางอธิบายมากกว่าผลตอบแทนในอนาคต สิ่งที่นาย Litle มีการตอบสนองก็คือว่านโยบายการเงินและตลาดตราสารหนี้สกุลเงินแทนที่จะเป็นคุณสมบัติที่ดีกว่าการใช้ขึ้นอยู่กับประสบการณ์และมุมมองของโลก นี้เป็นจริงที่แตกต่างจากการทำอย่างถูกต้องการทำเหมืองข้อมูล? คำถามใหญ่คือการทำความเข้าใจว่าสาเหตุของการเปลี่ยนแปลงของตลาดบางอย่างเป็นปัจจัยสำคัญในการทำให้พวกเขา forecastable ในระดับหนึ่ง (โปรดสังเกตคำพูดในความเข้าใจ) ฉันไม่เชื่อว่านี่จะเป็นกรณีที่ เพื่อให้ขนานกับโลกของฟิสิกส์ฟิสิกส์แน่นอนไม่เคยเข้าใจว่าทำไมบางสิ่งที่เป็นไปตามกฎหมายบางอย่าง แต่พวกเขาสังเกตเห็นพฤติกรรมบางอย่างและพวกเขาพยายามที่จะอธิบายมัน ถ้าไปตามทางที่พวกเขาสามารถหาคำอธิบายการจัดเรียงของบางอย่างสำหรับมันที่ดีกว่า แต่มีจะเป็นเพิ่มอีกเหตุผลที่ต้องใช้คำตอบ (ทำไมแอปเปิ้ลลดลงไปสู่​​พื้นดิน - & gt;? แรงโน้มถ่วง - & gt; ทำไมแรงโน้มถ่วงอยู่ - & gt;? สัมพัทธภาพ - & gt; ฯลฯ ) แน่นอนแตกต่างที่สำคัญกับฟิสิกส์คือการที่ตลาดการเงินไม่สามารถอธิบายได้ทั้งหมดโดยสมการที่เป็นผลของการปฏิสัมพันธ์ที่ซับซ้อนของพันล้านคน จากจุดปฏิบัติของมุมมองนี้หมายความว่าด้วยวิธีการที่ขับเคลื่อนด้วยข้อมูลที่เราจะต้องใส่ความสนใจมากขึ้นในการพัฒนากรอบการประเมินการใช้พลังงานคาดการณ์ที่เกิดขึ้นจริงของรูปแบบใดซึ่งแทบจะทำงานตลอด แต่ปัญหาที่คล้ายกันนำไปใช้กับชนิดของการตัดสินใจซื้อขายใด ๆ ความจริงที่เดียวกันมากว่ามีปัจจัยหลายอย่างในการเล่น (และด้วยเหตุนี้เสียงมาก) ทำให้มันยากสำหรับสมองของเราที่จะวิเคราะห์สถานการณ์อย่างเป็นกลางและแน่นอนอคติทางความคิดหลายอย่างที่มีผลต่อเราไม่ช่วยเหลือ ดังนั้นความเข้าใจของเราในสาเหตุของการเคลื่อนไหวของตลาดจริงๆลาดเทไปที่ไกล เช่น. เราอาจจะเข้าใจว่าการขาดประสิทธิภาพบางอย่างที่มีอยู่เพราะบางสถาบันดำเนินงานภายใต้ข้อ จำกัด บางอย่าง แต่เราเคยทราบว่านานข้อ จำกัด เหล่านี้จะอยู่ในสถานที่หรือเมื่อคู่แข่งบางคนจะเลือกในการขาดประสิทธิภาพนี้การลดอัตรากำไรของเราหรือแม้กระทั่งก่อให้เกิดตลาดการปฏิบัติตนใน วิธีที่คาดเดาไม่ได้โดยสิ้นเชิง ด้วยเหตุนี้ฉันไม่อยากจะบอกว่าการใช้ดุลยพินิจบางอย่างไม่มีจุดหมายค่อนข้างอิ่มเพียงแค่พยายามที่จะยืนยันว่ามีสถานที่สำหรับทั้งในการซื้อขายและฉันเห็นคู่ที่นี่ไม่มี บริสุทธิ์ (ทำอย่างถูกต้อง) การวิจัยที่ขับเคลื่อนด้วยข้อมูลและแมโครบริสุทธิ์ / วิจัยนำไปสู่​​การตัดสินใจที่จะสองชุดที่แตกต่างกันของโอกาสที่ยังสามารถทับซ้อนกันในบางสถานการณ์ อาจจะตัดสินใจซื้อขายสามารถตอบสนองต่อการเปลี่ยนแปลงของตลาดที่เปลี่ยนแปลงในขณะที่วิธีการที่ขับเคลื่อนด้วยข้อมูลอาจมีความแข็งแรงของเขาในการพกพาของการดำเนินงานไปยังตลาดที่แตกต่างกันและในวิธีการเชิงปริมาณมันเป็น และในกรณีใด ๆ ผมเชื่อมั่นว่าการวิเคราะห์ที่ขับเคลื่อนด้วยข้อมูลใด ๆ ที่เป็นเท่านั้นที่ดีเป็นความคิดที่เราใส่ลงในนั้นและเช่นเดียวกันประเภทของการค้าการตัดสินใจใด ๆ เท่านั้นที่สามารถได้รับประโยชน์จากการใช้ของการวิเคราะห์เชิงปริมาณ แสดงความคิดเห็นในจุดสุดท้ายนำโดยนาย Litle: แต่เราใช้จ่ายประมาณศูนย์เวลาในการทำเหมืองข้อมูลที่มีความสนใจเหมือนในงบกว่าปีที่ผ่านมา X ไม่มี SP ได้ร้อยละ X ของเวลา ทำไมทางตรงกันข้ามนี้หรือไม่? เพราะตลาดเป็นทะเลที่ซับซ้อนของการหมุนและตัวแปรที่เชื่อมต่อกันและเป็นคนขับรถทางประวัติศาสตร์และความสัมพันธ์ที่ทำให้เกิดผลกระทบเชิงคุณภาพเป็นสิ่งที่มีค่าที่ยั่งยืน มันไม่ได้เป็นผลลัพธ์ของสเปรดชีทที่เรื่องเชอร์รี่รูปแบบตามการเลือกขาดความเข้าใจเป็นสิ่งที่สร้างผล แต่ความสัมพันธ์เชิงคุณภาพอย่างแท้จริงส่วนที่เป็นสาเหตุร่วมกันของผลต่าง ๆ บนพื้นฐานกรณีโดยกรณีที่มีขนาดใหญ่มาก พยักหน้าให้ประวัติศาสตร์และบริบท ผมยอมรับว่าสิ่งที่สำคัญคือการหาแน่นอนความสัมพันธ์บางอย่างที่มีอำนาจในการทำนายจริงผ่านอนาคต แต่วิธีหนึ่งที่พบว่าความสัมพันธ์เหล่านี้เป็นเรื่องที่ซับซ้อนและมีการขุดในรายละเอียดของแต่ละกรณีจะพบว่าการวิเคราะห์มีค่าบางอย่างเพราะการพูดโดยทั่วไปการส่งออกของสเปรดชีตสามารถเป็นสิ่งที่ดีหรือไม่ดีเท่าที่ความสัมพันธ์เชิงคุณภาพใด ๆ หนึ่งอาจคิดว่าจะถือ ขั้นตอนวิธีการสั่งซื้อที่ตรงกัน ในตลาดปัจจุบันที่โดดเด่นด้วย algos ความถี่สูง, ห้องพักสำหรับผลกำไรที่ไม่-HF (และที่สำคัญไม่ตระหนักถึง HF) คนทั่วไปพูดที่ลดลง ผลกระทบของประสิทธิภาพสัดส่วน HF มีแนวโน้มที่จะมีขนาดใหญ่กว่าขนาดเล็กที่มีการซื้อขายเฉลี่ยของคุณและระยะเวลาที่สั้นกว่าการถือครองของคุณ อย่างไรก็ตามในประสบการณ์ของผมนี้ไม่จำเป็นต้องเป็นสิ่งที่จำเป็นกรณี: เพียงแค่ใส่ในขณะที่ธุรกิจใด ๆ ที่คุณต้องปรับให้เข้ากับคู่แข่งและในกรณีนี้เป็นหนึ่งในวิธีการทำก็คือการให้ความสนใจมากขึ้นและปรับปรุงด้านการดำเนินการของการค้าของคุณ . นี้ไม่เสมอไปได้อย่างง่ายดาย (ดูการทุจริตการประทับเวลาที่มีการรายงานโดย Zerohedge) แต่มีบางผลไม้แขวนต่ำที่สามารถเลือกเป็นขั้นตอนแรก หากคำสั่งนี้อาจจะฟังดูชนิดของคลุมเครือกับคุณผมมีตัวอย่างขึ้นอยู่กับประสบการณ์ของผมที่สนับสนุนและที่ฉันคิดว่าอาจจะมีประโยชน์กับคนอื่น ๆ (ในขณะที่หวังว่าจะไม่ได้มีมากเกินไปของผลกระทบต่อกลยุทธ์ของฉัน) ในขณะที่ทุกรุ่นของฉันโดยอัตโนมัติอย่างเต็มที่ก็ยังชอบที่จะมองไปที่ตลาดและโดยเฉพาะอย่างยิ่งเมื่อการสั่งซื้อหนังสือคำสั่งของฉันจะถูกดำเนินการ สิ่งที่ผมสังเกตเห็นค่อนข้างบางเวลาที่ผ่านมาเมื่อการซื้อขายฟิวเจอร์ส 30y พันธบัตรสหรัฐว่าเมื่อใดก็ตามคำสั่งขีด จำกัด ของฉันถูกประหารชีวิตผมทันทีที่สูญเสีย สิ่งนี้หมายความว่าจะมีการอธิบายที่ดีขึ้นโดยตัวอย่าง บอกได้เลยว่าเ​​รามีหนังสือคำสั่งที่มองเช่นนี้ และวงเงินเพื่อขายของฉันถูกรวมอยู่ในบรรดา 750 134.6 เมื่อใดก็ตามที่ผมได้รับการดำเนินการในช่วงกลางราคาก็จะย้ายทันทีกับฉันและหนังสือเล่มนี้แล้วจะมีลักษณะบางอย่างเช่นนี้ โดยทั่วไปสิ่งที่เกิดขึ้นก็คือว่าคำสั่งของฉันได้เสมอหนึ่งที่ผ่านมาที่จะดำเนินการเพื่อให้ความจริงง่ายๆที่มันก็เต็มไปด้วยความหมายว่าไม่มีข้อเสนอเพิ่มเติม (เสนอราคา) ที่ระดับของฉันและการเสนอราคาที่ดีที่สุดและข้อเสนอที่จะย้ายขึ้นไป ( ลง) หนึ่งเห็บ การตรวจสอบอย่างรวดเร็วในเว็บไซต์ CME เปิดเผยว่าสาเหตุของเรื่องนี้อยู่ที่ประเภทของการจับคู่คำสั่งอัลโกถูกนำมาใช้โดยการแลกเปลี่ยน ครั้งแรกใน, First Out (FIFO) อัลโก วิธีการจับคู่คืออะไร? ขั้นตอนวิธีการจับคู่เป็นเทคนิคในการจัดสรรที่ตรงกับปริมาณที่ใช้เมื่อมีการสั่งซื้อรุกรานตรงกับหนึ่งหรือหลายคำสั่งที่พักผ่อน อัลกอริทึมนำไปใช้กับทั้งสองทันทีและโดยนัยที่ตรงกัน ในเว็บไซต์ Rajeev Ranjans คุณสามารถหาแนะนำเพิ่มเติมในเชิงลึกการสั่งซื้อขั้นตอนวิธีการจับคู่ (เช่นเดียวกับแหล่งข้อมูลอื่น ๆ ใน HFT / อัลโกซื้อขาย) ในตัวอย่างข้างต้นรูปแบบการซื้อขายของฉันได้รับคำสั่งให้ส่งคำสั่ง จำกัด เฉพาะเมื่อราคาถูกใกล้พอที่จะระดับที่ต้องการของฉันซึ่งมักจะทำให้ผมคนสุดท้ายที่จะเข้าร่วมคิวและด้วยเหตุหนึ่งที่ผ่านมาจะเต็มไปตาม กับกระบวนทัศน์ FIFO ในแง่การปฏิบัติสิ่งที่นี้หมายถึงคือการที่ฉันได้รับการดำเนินการมักจะอยู่ในสถานการณ์ที่เลวร้ายที่สุดนั่นคือเมื่อราคาจะยังคงอยู่ในทิศทางที่ตรงข้ามของการสั่งซื้อของฉันและในเวลาเดียวกันผมก็ไม่เคยดำเนินการในสถานการณ์ที่ดีที่สุดนั่นคือ เมื่อราคาจะแตะระดับของฉันแล้วย้อนกลับกลับมาอยู่ในความโปรดปรานของฉัน ในขณะที่คุณสามารถจินตนาการการแก้ปัญหาที่ง่ายสำหรับฉันคือการส่งคำสั่งขีด จำกัด ของฉัน (เมื่อใช้งานภายใต้การจับคู่ algos FIFO) เร็วที่สุดเท่าที่เป็นไปได้ แต่โดยทั่วไปพูดสังเกตนี้สามารถแนะนำสิ่งที่แตกต่างกับคนที่แตกต่างกัน สำหรับผู้ค้าวันที่ไม่ได้รับการซื้อขายในแบบอัตโนมัติในการดำเนินงานภายใต้ FIFO ขั้นตอนวิธีการจับคู่มักจะหมายถึงคนที่เพิ่มขึ้นสูงสุดดำเนินการไม่พึงประสงค์โดยหนึ่งเห็บ (ซึ่งอาจจะเป็นค่อนข้างมากทั้งนี้ขึ้นอยู่กับสิ่งที่เราจะทำ) ถ้าผู้ใดสามารถที่จะเล่น รอบ ๆ มัน. เช่นเดียวกันกับกรณีนี้มีสถานการณ์อื่น ๆ เมื่อคำสั่งที่ตรงกับอัลโกในการใช้งานและธุรกิจการค้าดำเนินการโดยทั่วไปจะกลายเป็นที่สำคัญเป็นกลยุทธ์ / ความคิดตัวเองค้า ตัวอย่างของการใช้ประโยชน์จากการสั่งซื้อขั้นตอนวิธีการจับคู่อื่นอาจเป็นที่ของผู้ประกอบการในการดำเนินงานภายใต้วิธีการจับคู่ตามสัดส่วน ตามแบบฉบับของยูโรดอลลาร์ (IR) ฟิวเจอร์ส ถ้าคุณอยากเติมจำนวนมาก X คุณก็สามารถส่งคำสั่งซื้อที่ค่อนข้างใหญ่กว่า X กับจำนวนเงินพิเศษจะถูกกำหนดโดยวิธีการที่ก้าวร้าวคุณต้องการ / จำเป็นต้องและเต็มไปครั้งเดียวพยายามที่จะยกเลิกการจำนวนมากที่เหลือ (หมายเหตุ: การของ แน่นอนโดยทำเช่นนี้คุณมีความกระตือรือร้นในการเสี่ยงที่จะถูกเติมเต็มในจำนวนทั้งหมดดังนั้นเพียงแค่อยากใช้คำของฉันเกี่ยวกับเรื่องนี้เป็นแนวปฏิบัติที่ดีและทำมันที่มีความเสี่ยงของคุณเอง) แน่นอนให้ความสนใจกับวิธีการจับคู่เป็นเพียงรอยขีดข่วนพื้นผิวของโลกสูงความถี่ แต่ฉันคิดว่าในบางสถานการณ์ของมันรอยขีดข่วนง่ายที่จะทำและคนที่โดยตรงสามารถเพิ่มค่าบางอย่าง เพื่อสรุปบทความนี้ให้ฉันอย่างชัดเจนกล่าวว่าสำหรับวิธีการที่ดีจำลองการตลาดของเราคือการดำเนินธุรกิจการค้ามักจะไม่สามารถสร้างแบบจำลองก่อน นี้ไม่ได้หมายความว่าเราควรจะให้ขึ้นพยายามที่จะทำให้เป็นจริงจำลอง (และค่อนข้างหัวโบราณ) ที่เป็นไปได้เช่น ในแง่ของการเติมและการลื่นไถล (ริโพสต์ดีในสิ่งที่ลื่นไถลโดยศทักเกอร์ Balch) แต่เราก็ควรจะจำไว้ว่าไม่มีจริงแทนสำหรับการสังเกตมือแรกส่วนบุคคลและการมีปฏิสัมพันธ์กับโลก ทั้งหมดในทุกจริงๆมันไม่ควรมาเป็นแปลกใจที่สังเกตง่ายๆเป็นเครื่องมือที่มีประสิทธิภาพเป็นมันขั้นตอนแรกของวิธีการทางวิทยาศาสตร์ เลือกคุณสมบัติในขั้นตอนวิธีการซื้อขาย เมื่อเร็ว ๆ นี้ฉันได้รับการมองหาวิธีที่เป็นระบบมากขึ้นจะได้รับรอบ overfitting และในการแสวงหาของฉันฉันพบว่ามันมีประโยชน์ที่จะยืมเทคนิคบางอย่างจากเครื่องสนามการเรียนรู้ หากคุณคิดเกี่ยวกับมันขั้นตอนวิธีการซื้อขายเป็นเพียงรูปแบบของเอไอนำไปใช้กับราคาชุด คำสั่งนี้แม้ว่าจะเห็นได้ชัดอาจจะทำให้เราอยู่ในตำแหน่งที่จะใช้จำนวนของเทคนิคเครื่องเรียนรู้ที่จะกลยุทธ์การซื้อขายของเราออกแบบ การขยายสิ่งที่กล่าวถึงที่นี่ (และที่นี่) ดูเหมือนว่าใช้งานง่ายที่คุณสมบัติอื่น ๆ อีกมากมายในรูปแบบอื่น ๆ โดยทั่วไปการพูดรูปแบบอาจจะเป็นเรื่องที่อิง ปัญหานี้เป็นที่รู้จักกันการปิดอคติแปรปรวนและสรุปโดยปกติกราฟด้านขวา ขณะที่การเพิ่มขึ้นของความซับซ้อนที่มีประสิทธิภาพในการฝึกอบรมที่กำหนดเพิ่มขึ้นในขณะที่กำลังการทำนาย degrades อาจจะเป็นอะไรที่ใช้งานง่ายน้อยก็คือค​​ุณลักษณะเฉพาะใช้ในความสัมพันธ์กับการเปลี่ยนแปลงที่จะคาดการณ์มีบทบาทสำคัญในการพิจารณาว่าเราจะ overfitting ข้อมูลที่ผ่านมา เพื่อให้พฤติกรรมที่แสดงให้เห็นข้อผิดพลาดในกราฟเป็นเพียงลักษณะทั่วไป สิ่งที่น่าสนใจโดยเฉพาะอย่างยิ่งคือการใช้คุณลักษณะเดียวกันมาก (เช่นในโปรแกรมของเราเป็นตัวบ่งชี้ผลกำไรที่จะใช้หรือหยุดการสูญเสียกลไก ฯลฯ ) อาจจะหรืออาจไม่ก่อให้เกิดอิงตามการเปลี่ยนแปลงที่เรากำลังพยายามที่จะพอดี เหตุผลที่อยู่เบื้องหลังนี้คือปรากฏการณ์บางอย่าง (หรือบางครั้งแม้แต่สายพันธุ์ของปรากฏการณ์เดียวกัน) ก็ไม่สามารถอธิบายได้ด้วยคุณสมบัติบางอย่าง เป็นตัวอย่างที่คิดว่าคุณกำลังพยายามที่จะคาดการณ์ยอดขายในอนาคตของการจัดเก็บ sportwear ในออสเตรเลีย คุณลักษณะที่ดีที่จะใช้อาจจะเป็นฤดูกาลของปีในขณะที่ (พูด) Aussies มีความกระตือรือร้นโดยเฉพาะในกีฬาทางน้ำและอื่น ๆ ในช่วงฤดู​​ร้อนสปริงและมีแนวโน้มที่จะแสดงให้เห็นถึงยอดขายที่ดีที่สุดสำหรับปี ตอนนี้คิดว่าพยายามที่จะคาดการณ์ยอดขายในอนาคตของร้าน sportwear ที่คล้ายกันอยู่ที่ไหนสักแห่งในสหรัฐอเมริกา มันอาจจะเป็นกรณีที่พลเมืองของสหรัฐอเมริกาไม่ได้มีการตั้งค่าสำหรับฤดูกาลใด ๆ โดยเฉพาะอย่างยิ่งในขณะที่ในช่วงฤดู​​ร้อนที่พวกเขาฝึกกีฬาทางน้ำและในช่วงฤดู​​หนาวที่พวกเขาไปเล่นสกี ในสถานการณ์ใหม่นี้เป็นรูปแบบที่ใช้ในฤดูกาลปีนี้เป็นคุณลักษณะที่มีแนวโน้มที่จะส่งผลในรูปแบบ overfitted เพราะการเปลี่ยนแปลงพื้นฐานที่แตกต่างกัน กลับไปยังตลาดการเงินเป็นเช่นนี้อาจจะเป็นวิธีการที่กลไกการหยุดการสูญเสียมีแนวโน้มที่จะได้รับ (โดยทั่วไปการพูดและตามประสบการณ์ของฉัน) เป็นคุณลักษณะที่ดีสำหรับกลยุทธ์แนวโน้มการดังต่อไปนี้ แต่ไม่ได้สำหรับกลยุทธ์หมายถึงการพลิกกลับ (และ viceversa กำไรเป้าหมาย คำสั่งซื้อ) คำอธิบายที่เป็นไปได้ของเรื่องนี้อาจเป็นไปได้ว่าแนวโน้มจะมีการอธิบายอย่างดีจากกรณีที่ไม่มีการเคลื่อนไหวที่ไ​​ม่พึงประสงค์ใหญ่ แต่นามสกุลเต็มของพวกเขาไม่สามารถเป็นที่รู้จักก่อน (แต่นี้เป็นเพียงฉันพยายามที่จะหาเหตุผลเข้าข้างตนเองผลการวิจัยเชิงประจักษ์ของฉัน) ดังนั้นวิธีที่คุณเข้าใจซึ่งมีผู้สมัครที่มีคุณสมบัติที่ดี? โชคดีที่เรามีทั้งกลุ่มของเทคนิคการพัฒนาในด้านการเรียนรู้ในการใช้งานเครื่องเลือกคุณลักษณะ ผมขอแนะนำต่อไปนี้กระดาษ 2,003 สำหรับภาพรวมของวิธีการ: บทนำการเลือกตัวแปรและคุณลักษณะโดยอิสซาเบล Guyon ข้อความของเครื่องการเรียนรู้ใด ๆ นอกจากนี้ยังควรจะครอบคลุมบางส่วนของเทคนิคที่เป็นมันไม่โดดเด่นระดับ Stanfords เครื่องการเรียนรู้ใน Coursera ผู้อ่านข้อเสนอแนะอื่น ๆ (หรือความคิดเห็น) เป็นหลักสูตรที่ได้รับการต้อนรับเป็นอย่างมาก ตัดประมาณประสิทธิภาพ นี้เป็นวิธีที่รวดเร็วติดตามการโพสต์ของฉันก่อนหน้าในการฟื้นฟู Quantile แทนการลบเพียง quantile X ด้านบนของผลตอบแทน / ธุรกิจการค้าเมื่อการเพิ่มประสิทธิภาพพื้นที่พารามิเตอร์ strategys วิธีการที่ผ่านมาของฉันได้รับในการลบบนและด้านล่าง X quantiles เพื่อให้ได้อย่างมีประสิทธิภาพโดยใช้ประมาณการการตัดที่มีประสิทธิภาพของการปฏิบัติงานแทนการประมาณการของตัวเอง ข้อได้เปรียบที่มีส่วนให้กับผู้ที่กล่าวถึงในบทความก่อนหน้านี้ตราบใดที่ backtest ของคุณช่วยให้การสร้างแบบจำลองที่เหมือนจริงของการดำเนินการเช่นการซื้อขาย ถ้าคุณใช้คำสั่งหยุดและบาร์ค้​​า (เมื่อเทียบกับติ๊กข้อมูล) คุณอาจต้องการที่จะเพิ่มปริมาณของการลื่นไถลในบางวิธีสัดส่วนกับขนาดของแถบ (สเปคที่จำเป็นเพราะการสร้างแบบจำลองอนุรักษ์นิยมของการสั่งซื้อวงเงินที่จะง่ายต่อการบรรลุ) ความ . ตัดออกผลตอบแทนที่เลวร้ายที่สุดคือโดยเฉพาะอย่างยิ่งที่มีประโยชน์ในกรณีของกลยุทธ์ที่มีการสูญเสียที่ยิ่งใหญ่เพียงครั้งเดียว (เช่นกลยุทธ์หมายถึงการพลิกกลับของชนิดมักจะบางส่วน) ในขณะที่การตัดแต่งผลตอบแทนที่ดีที่สุดคือมีประโยชน์มากสำหรับกลยุทธ์ที่มีวันบวกขนาดใหญ่ (เช่นแนวโน้มการดังต่อไปนี้กลยุทธ์) . สอง (หลาย) สายพันธุ์ที่เป็นไปได้: หากต้องการรักษา autocorrelations ของผลตอบแทน strategys หนึ่งสามารถตัดสินใจที่จะลบบล็อกของธุรกิจการค้า / วันแทนการซื้อขายแต่ละคน / วัน (ในลักษณะคล้ายกับสิ่งที่หนึ่งไม่เมื่อ bootstrapping บล็อกของธุรกิจการค้า / วัน) หากต้องการรักษาจำนวนตัวอย่างในผลของเราแทนการลบด้านบน (ที่เลวร้ายที่สุด) วันหนึ่งสามารถแทนที่ด้วยค่าเฉลี่ย / เฉลี่ยบวก (แพ้) วันที่ อย่างอื่นที่จะต้องทราบก็คือว่าถ้าวัดประสิทธิภาพของคุณจะทำให้การใช้งานของส่วนเบี่ยงเบนมาตรฐาน (แล้วแต่กรณีสำหรับอัตราส่วนชาร์ป) ตัดหางของผลตอบแทนจากการคำนวณที่มีแนวโน้มที่จะส่งผลในการประเมินค่าสูงของประสิทธิภาพการทำงานที่ ในที่สุดริรหัส Matlab: ----------- normalise_excess_pnl = 1; normalisation_quantile = 0.98; ถ้า 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 และความเข้าใจไดรเวอร์ alphas ในขณะที่อิงแน่นอนท้าทายตกมากตรงข้ามนอกจากนี้ยังมีความเป็นไปได้ รายงานส่วนหนึ่งของการให้สัมภาษณ์ของว​​ิลเลียม Echkardt จากนิตยสารฟิวเจอร์ส (ซึ่งผมอยากจะแนะนำให้อ่านในเต็มรูปแบบจากที่นี่): ฉันสามารถพูดคุยเล็ก ๆ น้อย ๆ เพิ่มเติมเกี่ยวกับในช่วงที่เหมาะสมหากไม่ได้เทคนิคการเป็นเจ้าของส่วนตัวของฉัน แรกของทั้งหมดที่ผมชอบ [ระยะ] ในช่วงที่เหมาะสมมากกว่าการปรับเส้นโค้งเพราะกระชับโค้งเป็นคำที่มาจากการวิเคราะห์การถดถอยที่ไม่ใช่เชิงเส้น มันเป็นที่ที่คุณมีข้อมูลจำนวนมากและคุณจะกระชับจุดข้อมูลบางส่วนโค้ง ดีที่คุณไม่ได้ทำด้วยฟิวเจอร์ส ในทางเทคนิคมีเส้นโค้งกระชับที่นี่ไม่มี คำที่ใช้ไม่ได้ แต่สิ่งที่คุณสามารถทำได้คือการที่คุณสามารถเกินพอดี เหตุผลที่ผมชอบมากกว่าระยะพอดีมากกว่าโค้งพอดีคือการที่แสดงให้เห็นว่าในช่วงพอดีว่าคุณยังสามารถภายใต้พอดี คนที่ไม่ได้อยู่ภายใต้การเพิ่มประสิทธิภาพการกระชับ Underfitting และ Misfitting ถ้าเราจะใช้จำนวนไม่เพียงพอขององศาอิสระเพื่อให้ระบบของเราไม่ได้แยกความแตกต่างระหว่างการเปลี่ยนแปลงที่สำคัญบางอย่างในพฤติกรรมของตลาดแล้วสิ่งที่เรากำลังทำคือการ underfitting ตัวอย่างเล็ก ๆ น้อย ๆ ของ underfitting อาจจะซื้อหุ้นสุ่มจากจักรวาลหุ้นที่จุดสุ่มในเวลาและถือมันสำหรับช่วงเวลาที่สุ่ม เป็นไปได้ก็คือการที่เราไม่ได้ใช้ตัวแปรที่เหมาะสม (หรือเรามีตัวแปรที่เหมาะสม แต่เราจะใช้พวกเขาในทางที่ไม่ดี) ช่วยให้เรียก misfitting นี้ ลองจินตนาการถึงรูปแบบใน BTPs อิตาลีที่มีลักษณะที่ราคาน้ำมันดิบและทั้งหมดละเว้นการแพร่กระจายพันธบัตรเยอรมัน (ตอนนี้มีแม้อาจจะมีบางความสัมพันธ์ระหว่าง BTPs โหว่และน้ำมันดิบเพียงแค่พยายามที่จะทำให้จุด) เห็นได้ชัดว่าสิ่งที่ทำให้สิทธิตัวแปรสำหรับรูปแบบที่กำหนดและเป็นสินทรัพย์ที่ได้รับการพิสูจน์เป็นอย่างมาก ในทำนองเดียวกันกับสิ่งที่อิงกล่าวว่าสำหรับผมไม่คิดว่าเราสามารถบอกได้อย่างง่ายดายในแง่แน่นอนไม่ว่าจะเป็นรูปแบบเป็นข้อบกพร่องที่มี underfitting หรือ misfitting (ยกเว้นกรณีที่เห็นได้ชัดมาก) แต่ผมชอบที่จะให้เหตุผลในแง่ของการดำรงอยู่เป็นไปได้ของสเปครุ่นที่ดีกว่าที่เราจะไม่สนใจเช่น อาจจะเป็นปัจจัยที่สำคัญที่รูปแบบของเราเป็นสำคัญโดยเฉพาะการและที่เราไม่ได้คิดเป็น (ทั้งในแง่ของสินทรัพย์ที่เฉพาะเจาะจงเราใช้รูปแบบหรือในแง่ของการตลาดการเปลี่ยนแปลงในปัจจุบัน) หรือมันอาจจะเป็นกรณีที่เราจะใช้ตัวแปรบางอย่างที่มีการเชื่อมโยงเท่านั้นที่จะเป็นปัจจัยจริง แต่ไม่ได้คนขับอัลฟาที่เกิดขึ้นจริง เทคนิคในการดำเนินการชนิดของการวิเคราะห์นี้ ได้แก่ PCA และการวิเคราะห์ปัจจัย แต่ตามสิ่งหนึ่งที่ไม่ตรงหลายเทคนิคเชิงปริมาณอื่น ๆ ที่สามารถนำมาใช้ (ในระดับผลงานบางอย่างเช่นการจัดกลุ่มการตลาดที่นำเสนอจากเดวิด Varadi ดูเหมือนว่ามีแนวโน้ม) แน่นอน (และขออภัย) เราจะต้องเก็บไว้ในใจว่ายิ่งเราทำงานชนิดของการวิเคราะห์ posteriori นี้มีโอกาสมากขึ้นเราจะไปหนึ่งมาก (underfitting / misfitting) อื่น ๆ (overfitting) หางไขมันและการเปลี่ยนแปลงการเปลี่ยนแปลงของตลาด ในส่วนของการให้สัมภาษณ์ดังกล่าวข้างต้นอีกนาย Echkardt เกี่ยวข้องอย่างเคร่งครัดจำนวนขององศาอิสระจำนวนของธุรกิจการค้าใน backtest เราเถียงว่าหนึ่งต้องการซื้อขายมากขึ้นกว่าที่คาดไว้ในโลกเสียนเพราะหางไขมันของผลตอบแทนตลาด ในขณะที่ผมเห็นด้วยกับความสัมพันธ์ระหว่างคุณภาพองศาอิสระและจำนวนของธุรกิจการค้า, ผมไม่แน่ใจว่าผมเห็นด้วยกับความสัมพันธ์เชิงปริมาณอย่างเข้มงวดระหว่างสองตัวแปร เหตุผลนี้เป็นสองเท่า: 1) มันไม่เสมอไปได้ที่ว่าปริมาณจำนวนขององศาอิสระถูกนำมาใช้หรือเท่าใดย้อนหลังเราจะเทลงในการสร้างแบบจำลองของเรา (ตามที่กล่าวไว้ในโพสต์ก่อนหน้าของฉัน); 2) ฉันคิดว่าไขมันหางเป็นเพียงส่วนหนึ่งของเรื่อง อีกส่วนหนึ่งที่ใหญ่คือการเปลี่ยนแปลงอย่างต่อเนื่องว่าตลาดไปราง (ภายใต้รูปทรงของ heteroskedasticity แต่ไม่เท่านั้น) ลองนึกภาพคุณทดสอบแบบจำลองในช่วง 2 ปีที่ผ่านมาของข้อมูลและว่าเป็นเพราะรูปแบบเป็นรูปแบบที่ค่อนข้างความถี่สูง (และผลิตจำนวนที่สูงมากของการซื้อขาย) คุณคิดว่าคุณดูแลตัวเองของคุณจาก overfitting สิ่งที่คุณอาจจะไม่สนใจก็คือว่ามีการทดสอบรูปแบบมากกว่าหน้าต่างเวลาสั้น ๆ คุณอาจไม่ได้ทดสอบมันกับสภาวะตลาดที่แตกต่างกัน มันอาจจะดีว่า 2.5 ปีที่ผ่านมาตลาดค่อนข้างแตกต่างกันและรูปแบบของคุณก็ไม่มีประโยชน์ซึ่งหมายถึงว่าทันทีที่ตลาดมีการเปลี่ยนแปลงอีกครั้งคุณจะสูญเสียขอบของคุณ ตัวอย่างเช่นอาจจะเป็นรูปแบบที่เป็นต้นเหตุของการใช้ประโยชน์จากพฤติกรรมของตลาดบางส่วนเกิดจากการที่เฟดถือในช่วงระยะเวลาดังกล่าวเป็นเวลานาน นี่คือรูปแบบของการ overfitting ถ้าคุณต้องการที่อื่น แต่อย่างใดอย่างหนึ่งซึ่งไม่สามารถคิดโดยเพียงแค่มองไปที่จำนวนของธุรกิจการค้าเทียบกับจำนวนพารามิเตอร์รุ่น ด้วยเหตุนี้ Id มักจะชอบที่จะทดสอบกลยุทธ์ใหม่ ๆ กับข้อมูลทางประวัติศาสตร์มากที่สุดเท่าที่เป็นไปได้ ในการไปถึงนี้ผมอยู่ในความขัดแย้งบางส่วนกับดรจันทร์ที่กล่าวว่าเขาไม่ค่อยทดสอบกลยุทธ์กับข้อมูลเก่ากว่า 2007 (อ่านรายละเอียดเพิ่มเติมที่นี่: The Pseudo-วิทยาศาสตร์ของสมมติฐานการทดสอบ) ทุกสิ่งอื่น ๆ เหมือนกันผมพบว่ากลยุทธ์ที่ทำงานได้ดีเป็นเวลานานจะมีโอกาสมากขึ้นในการทำงานในอนาคตอันใกล้กว่ากลยุทธ์ที่ทำงานดีกว่ามีประวัติสั้น ๆ (ซึ่งไม่ได้หมายความว่าสิ่งที่เริ่มทำงานเมื่อเร็ว ๆ นี้ ลาดเทให้ทำงาน) นอกจากนี้แม้ว่าคุณจะมีบางสิ่งบางอย่างที่เริ่มต้นทำงานเมื่อเร็ว ๆ นี้มีดูที่วิธีการที่จะประพฤติเมื่อมันจริงๆไม่ได้ดำเนินการอย่างแน่นอนสามารถนำเสนอข้อมูลเชิงลึกที่น่าสนใจบางอย่างโดยเฉพาะอย่างยิ่งถ้าคุณไม่แน่ใจในสิ่งที่คนขับที่อยู่เบื้องหลังอัลฟาของคุณจริงๆคือ ไดรเวอร์ Alphas นี้นำไปสู่​​ฉันไปที่จุดสุดท้ายก่อนที่จะสรุปโพสต์นี้ยาว: เราจริงๆต้องเข้าใจสิ่งที่รูปแบบของเราจะทำและสิ่งที่ชนิดของการขาดประสิทธิภาพเราจะใช้ประโยชน์จาก? ส่วนตัวผมคิดว่าการทำความเข้าใจไดรเวอร์พื้นฐานของอัลฟาของเราอย่างแน่นอนบวกใหญ่ในขณะที่มันช่วยให้คุณโดยตรงตรวจสอบพฤติกรรมของคนขับรถที่สำคัญซึ่งจะสามารถให้ข้อมูลเชิงลึกในทางปฏิบัติในช่วงเวลาที่มีปัญหา แต่นี้ไม่เคยคิดว่าเพียงพอของเงิน quant ในช่วงวิกฤต 07-08: พวกเขาตระหนักดีของคนขับที่อยู่เบื้องหลังของพวกเขาตลาดหุ้นสถิติกลยุทธ์ ARB แต่พวกเขายังคงได้รับการติดอยู่ในกระแสคำสั่งซื้อและบังคับ Liquidations อีกตัวอย่างหนึ่งดีอาจจะระเบิดขึ้นของ LTCM คุณธรรมของเรื่องคือว่ามีเสมออาจจะมีการเพิ่มเติมชั้นของความซับซ้อนไม่ได้รับการพิจารณาเพื่อให้ (บางส่วน) การทำความเข้าใจคนขับ alphas ของเราอาจจะไม่ได้มีการเพิ่มเติมใด ๆ กลับหัวกลับหาง ดังนั้นถึงแม้ว่ามีความสุขฉันไม่คิดว่ามันจำเป็นที่จะเข้าใจคนขับจริงที่อยู่เบื้องหลังอัลฟาของเราให้การวิเคราะห์ทางสถิติของเราจะช่วยให้เรามีความเชื่อมั่นมากพอที่จะค้ากลยุทธ์ของเรา Schwagers ตลาดที่มีการจัดชุดพ่อมดผู้สนับสนุนของทั้งสองฝ่ายภายใต้ชื่อของเด ชอว์และ Jaffray Woodriff คุณสามารถอ่านเพิ่มเติมเกี่ยวกับมุมมองของพวกเขาในการโพสต์วิลเลียม HUAS ในการปรับตัวของผู้ซื้อขาย: วิธีทั้งมวลกับ Jaffray Woodriff หรือมีลักษณะที่โพสต์นี้ QUSMAs สำหรับตัวอย่างเพิ่มเติมในเชิงลึกของวิธีการ Woodriffs: การทำสิ่ง Jaffray Woodriff (Kinda)