Д.Катс.Д.Маккормик.Энциклопедия торговых стратегий. Донна л. Маккормик
 Скачать 5.96 Mb.
|
|
ГЛАВА 15 СОЧЕТАНИЕ выходов с ИСКУССТВЕННЫМ ИНТЕЛЛЕКТОМ 375 Эффективность коротких позиций на различных рынках В табл. 15-7 приведены результаты выходов из коротких позиций, произ- веденных на основе МССВ и правил выхода, разработанных с помощью генетических алгоритмов. Здесь связь между эффективностью в преде- лах и вне пределов выборки была более выраженной. Особенно примеча- тельна прибыль в обеих выборках, полученная на рынке иены. Также были прибыльны рынки сырой нефти, неэтилированного бензина, откормлен- ного скота, живых свиней, соевой муки и кофе. Таблица 15—7. Эффективность системы МССВ с добавлением генетически разработанных правил выхода. Короткие позиции. Сравни- тельные данные по различным рынкам 376 ЧАСТЬ III ИССЛЕДОВАНИЕ выходов ЗАКЛЮЧЕНИЕ Вышеприведенные тесты продемонстрировали ряд важных фактов. Во- первых, нейронные сети вне пределов выборки продемонстрировали меньшую устойчивость, чем генетически разработанные правила. Это, несомненно, связано с большим числом параметров в нейронной сети по сравнению с моделями на основе правил. Иными словами, нейронные сети страдали от избыточной подгонки под исторические данные. Кроме того, было показано, что добавление сложного сигнала выхода, будь то нейрон- ная сеть или набор правил, полученных с помощью генетической эволю- ции, может значительно улучшить стратегию выходов. При использова- нии более устойчивых генетических правил полученные преимущества сохранились и при работе вне пределов выборки. Нейронная сеть и шаблоны правил были изначально предназначены для работы в системах входов и проявили себя достаточно хорошо при генерации редких сигналов входа. В стратегии выходов были бы предпоч- тительны правила, генерирующие сигналы значительно чаще. Существу- ет обоснованное мнение, что набор шаблонов правил, специально пред- назначенный для разработки сигналов выхода, был бы гораздо более эф- фективен. То же самое относится и к нейронным сетям. ЧТО МЫ УЗНАЛИ? Избыточная подгонка под исторические данные вредна не только при создании входов, но также и выходов. Сложные технологии, включая генетические алгоритмы, мо- гут быть эффективно использованы для улучшения стратегий выхода. Даже грубые попытки улучшения выходов, подобные приве- денным здесь, могут улучшить среднюю прибыль в сделке на сотни долларов. Заключение Мы прошли долгий путь с начала изучения стратегий входов и выходов. Иногда дорога была тяжелой и безрадостной, иногда удивительной и пол- ной надежд. Как всегда после долгого пути, хочется собраться с мыслями и ответить на вопросы: «Что же мы узнали?» и «Как это можно приме- нить?». Ответом на первый вопрос может служить детальное рассмотре- ние наших результатов: начиная с открытий, сделанных при анализе по- ведения портфеля на целых классах моделей, и переходя к специфичес- ким комбинациям моделей и приказов, к отдельным рынкам и оптималь- ным методам торговли на них. Исследованный в данной книге материал можно уподобить виду с са- молета, летящего в темноте: с большой высоты видны только темные про- странства (классы моделей, приносящих убытки) и светлые пятна (клас- сы моделей, работающих хорошо или по крайней мере лучше, чем гене- ратор случайных сделок). С этой высоты видна эффективность моделей относительно всего портфеля торгуемых рынков. Затем самолет снижается. Становится видно больше деталей — вид- но, что самые яркие скопления образованы источниками света с разной яркостью (сочетаниями моделей и приказов с различной эффективнос- тью). В темных пространствах также попадаются маленькие изолирован- ные точки света (удачные комбинации моделей и приказов на фоне мас- сы убыточных). На этом уровне видны также участки, находящиеся в по- лутьме (сочетания моделей и приказов, приносящих убытки, но работаю- щих лучше, чем модель случайных сделок, что дает надежду на улучше- ние в сочетании с качественными правилами выхода). В конце концов приближается посадка. Можно заглянуть в светлые точки и увидеть их внутреннюю структуру, т.е. отдельные рынки, где луч- ше всего работают данные комбинации моделей и приказов. Теперь об- ратимся ко второму вопросу: как это можно применить. Очевидно, что путем определения устойчиво прибыльных (в пределах и вне пределов выборки) сочетаний моделей, приказов и рынков можно создать хорошую стратегию торговли портфелем. К этому моменту будет ясно, что в тече- ние полета мы увидели и узнали достаточно много для того, чтобы создать 378 ЗАКЛЮЧЕНИЕ эффективный портфель торговых систем и финансовых инструментов. В качестве иллюстрации такой портфель будет создан и протестирован со стандартной стратегией выхода. КРУПНЫЙ ПЛАН Мы полностью исследовали каждый из классов моделей входа (т.е. все сле- дующие за трендом модели на основе скользящих средних, все модели на основе пробоев, все малые нейронные сети). Все тесты по каждой из этих групп усреднялись для данных в пределах и вне пределов выборки. С большим отрывом лидировала генетическая модель: только она да- вала устойчивую прибыль в усреднении по всем тестам ($3271). За ней по показателям усредненных результатов следовали малые ней- ронные сети. Нейронные сети разделяются на крупные и малые, поскольку для крупных сетей проблема подгонки под исторические данные пред- ставляет огромную сложность. В тестах каждая модель испытывалась с одной крупной и одной малой сетью. Вне пределов выборки малые ней- ронные сети в среднем приносили убыток в $860 со сделки. Это, несом- ненно, лучше, чем результат модели случайных входов, когда убытки со- ставляли в среднем более $2000 при стандартном отклонении около $400. Далее в порядке убывания эффективности следуют сезонные модели. В среднем все тесты сезонных моделей приводили к потере $966 со сделки. Затем следуют три вида моделей на основе скользящих средних (на пересечении, угле наклона и поддержке/сопротивлении). В среднем в сдел- ке они приносили убыток в $ 1500 — это вполне сравнимо с убытком $2100, ожидаемым от чисто случайных входов. Иными словами, модели на осно- ве скользящих средних были лишь немного лучше случайных входов. Эффективность всех прочих моделей была близкой к случайной, а модели на основе циклов, как оказалось, работали даже хуже случайных входов. В пределах выборки прибыльными были генетические модели ($12 533 в средней сделке), все нейронные сети ($8940 — мелкие и $13 082 — круп- ные) и все модели на основе пробоев ($1537). Вне пределов выборки при- быльными остались только генетические модели, нейронные сети рабо- тали лучше случайных входов (хотя из-за подгонки под исторические дан- ные их показатели заметно ухудшились), а эффективность моделей про- боев упала до случайного уровня («вредная» оптимизация не может быть единственной причиной такого результата). Далее в пределах выборки в порядке убывания эффективности следу- ют модели поддержки/сопротивления на основе скользящих средних (средний убыток $300 в сделке) и сезонные модели (средний убыток $671). Затем следовали лунные и солнечные модели (средний убыток $1076 и $1067 соответственно). Модели на основе скользящих средних прино- ЗАКЛЮЧЕНИЕ 379 сили убыток от $1300 до $1700. Модели на основе осцилляторов и циклов приводили к убыткам более $2000 со сделки, что не лучше, чем результат генератора случайных входов. Интересно, что вне пределов выборки сохранили эффективность ге- нетическая модель и малые нейронные сети. Такие модели чрезвычайно способны к подгонке под исторические данные и часто проваливаются в тестах вне выборки и при реальной торговле. Кроме того, некоторый тор- говый потенциал был проявлен редко исследуемыми сезонными моделя- ми. При этом наиболее популярные методики (скользящие средние, ос- цилляторы, циклы) были среди худших как в пределах, так и вне выбор- ки. Примечательно, что модели на основе пробоев в среднем хорошо ра- ботали в прошлом, но теперь их эффективность снизилась до уровня мо- дели случайных входов. В табл. С-1 приведена прибыль в процентах годовых (первая строка для каждой комбинации модели и приказа) и средняя прибыль в сделке (вторая строка), полученные при использовании стандартной стратегии выхода. Приведенные данные относятся к эффективности торговли порт- фелем в целом. Описания моделей (левый столбец) соответствуют исполь- зовавшимся в этой книге. Последние шесть строк в таблице служат ос- новой для сравнения различных моделей между собой. Они получены при использовании случайных входов и базовой стратегии выходов. СредДОХ % означает среднюю доходность в процентах годовых на осно- ве нескольких последовательностей случайных входов; СтОтклДОХ% — стандартное отклонение доходности. Сред $СДЕЛ — средняя прибыль/ убыток в сделке на основе нескольких последовательностей случайных входов и СтОткл $СДЕЛ — стандартное отклонение средней прибыли в сделке. Модели на основе пробоя были уникальны тем, что приносили при- быль в пределах выборки при почти всех сочетаниях модели и приказа. За исключением пробоев волатильности, эти модели работали гораздо лучше случайных входов, хотя и были убыточны вне пределов выборки — убыток был менее $1000, иногда менее $300 (средний убыток модели слу- чайных входов составил около $2000). Иными словами, системы на осно- ве пробоев в целом были лучше случайных входов. Но вне пределов вы- борки они работали гораздо хуже, чем случайные входы. Средний убы- ток в сделке превышал $5000, как будто поведение рынка было специаль- но настроено на затруднение работы этих систем. Модели на основе скользящих средних, следующие за трендом (моде- ли пересечения и угла наклона), в пределах выборки работали немного лучше случайных входов — убытки были достаточно серьезными, но поч- ти всегда менее $2000. Ни одна из систем не была достаточно эффектив- ной, и вне пределов выборки картина, в общем, не изменилась, несмотря на большую волатильность результатов: большинство сочетаний работа- ли лучше, чем случайные входы, но все-таки приносили убытки. 380 ЗАКЛЮЧЕНИЕ Таблица С-1. Результаты торговли портфелем для всех исследованных моделей со всеми видами входов ЗАКЛЮЧЕНИЕ 381 Таблица С-1. Результаты торговли портфелем для всех исследованных моделей со всеми видами входов (продолжение) 382 ЗАКЛЮЧЕНИЕ Таблица С-1. Результаты торговли портфелем для всех исследованных моделей со всеми видами входов (продолжение) ЗАКЛЮЧЕНИЕ 383 Противотрендовые модели на основе скользящих средних работали менее стабильно, чем модели следования за трендом. Многие из них де- монстрировали меньшие убытки или даже некоторую прибыль в преде- лах выборки. Вне пределов выборки наблюдалась аналогичная картина, особенно в отношении модели на основе поддержки/сопротивления скользящих средних. За исключением модели расхождения MACD, все осцилляторы при- носили большие убытки. Почти всегда они работали хуже, чем случай- ные входы как в пределах, так и вне пределов выборки. Самой худшей была модель перекупленности/перепроданности RSI. В обеих частях вы- борки данных убытки при ее использовании были огромными, гораздо больше, чем ожидаемые убытки случайных входов. С другой стороны, сезонные модели были однозначно лучше случай- ного входа. Хотя только одна из них дала реальную прибыль и в пределах, и вне пределов выборки, две из них были прибыльны вне пределов вы- борки, а убыток еще нескольких был гораздо меньше, чем ожидаемый убыток модели случайных входов. Результаты простейшей лунной модели были неоднозначными. В пре- делах выборки большинство тестов показали убыток, который, тем не менее, был лучше ожидаемого убытка случайных входов. При этом мо- дель на пресечении лунных средних была однозначно лучше случайного входа как в пределах, так и вне пределов выборки. Хотя солнечные модели в пределах выборки работали лучше слу- чайного входа, вне пределов выборки результаты были неоднородны- ми и изменчивыми. Это также относится к моделям на основе циклов. Впрочем, циклические модели при входе по лимитному приказу или по цене открытия в последние годы работали гораздо хуже, чем случай- ные входы. Как и в случае с моделями на основе пробоя, оптимизация здесь не играет роли; значимый уровень подгонки под исторические данные был обнаружен только в генетических моделях и нейронных сетях. Из-за огромного размера образца данных оптимизация одного- двух параметров, необходимых для большинства моделей (за исключе- нием генетической и нейронной сети) давала минимальный эффект «вредной» подгонки. Как ни странно, модели на основе нейронных сетей довольно часто показывали неплохие (лучше случайных) результаты вне пределов выбор- ки. В пределах выборки, естественно, эффективность нейросетей была потрясающей. Мы проводили коррекцию коэффициента корреляции, но и после коррекции корреляция оставалась значимой, сохраняя вне пре- делов выборки ощутимую реальную прогностическую ценность. Результаты правил, разработанных с помощью генетических алго- ритмов, были самыми лучшими. Великолепная эффективность, получен- ная в пределах выборки, сохранялась в длинных позициях и на данных вне выборки. 384 ЗАКЛЮЧЕНИЕ Обобщение Многие из моделей были описаны как «значительно превосходящие слу- чайные входы». Эти модели могли бы стать прибыльными в сочетании с улучшенной стратегией выходов. В части III книги стало очевидно, что при использовании случайного входа хорошая стратегия выхода способна повысить прибыль (или снизить убытки) примерно на $1000 в средней сделке. Это означает, что при хорошем выходе модели, терпевшие убыт- ки в несколько сот долларов, могут стать прибыльными. Как было сказано выше, путь был долгим, порой трудным и обескура- живающим. Но при этом взгляд с высоты сумел обнаружить много потен- циально прибыльных моделей входа. Кроме того, было обнаружено не- мало сюрпризов: так, несмотря на ужасную репутацию и опасную тен- денцию к подгонке под исторические данные, наилучшими вне пределов обучающей или эволюционной выборки оказались именно нейронные сети и генетические модели. Другим сюрпризом оказалось то, что неко- торые из наиболее популярных торговых подходов — например, пересе- чения скользящих средних и стратегии на основе осцилляторов — оказа- лись в числе наихудших всего с несколькими исключениями. Примеча- тельны были также результаты исследования циклических моделей, от которых ожидали хорошей, если не идеальной работы на основе их тео- ретического изящества. Но, возможно, ввиду их популярности, даже при солидной математической реализации эффективность этих моделей была низкой. СВЕТЛЫЕ ТОЧКИ Проводилось исследование эффективности торговли целым портфелем для каждого из трех видов приказов на вход (вход по цене открытия, по лимитному и стоп-приказу). Эффективность в пределах и вне пределов выборки оценивалась по отдельности. Наилучшая эффективность вне пределов выборки была показана ге- нетическими моделями в длинных позициях. Вход по цене открытия был особенно прибылен (прибыль в процентах годовых — 64,2% в пределах и 41,0% вне пределов выборки). Эта модель была прибыльна также при вхо- де по лимитному приказу и по стоп-приказу, принося высокие средние прибыли в сделке. Однако данная модель генерировала сделки очень ред- ко (что можно исправить более сложными версиями подобных моделей). В порядке убывания эффективности вне пределов выборки следую- щей была комбинация модели пересечения сезонных средних с подтвер- ждением при входе по стоп-приказу. Подобно длинным позициям гене- тической модели, она была прибыльна и в пределах, и вне пределов вы- борки: в пределах выборки средняя прибыль в сделке составила $846 при ЗАКЛЮЧЕНИЕ 385 доходности 7,4%; вне пределов выборки средняя прибыль в сделке $1677 при доходности 9,5%. Другие сезонные модели также работали хорошо. Вне пределов выборки простая сезонная модель на основе пересечения также была прибыльной. Затем идет модель на основе точки разворота под управлением ней- ронной сети 16-10-1в коротких позициях. Эта модель давала прибыль везде и со всеми входами: вне пределов выборки при входе по цене открытия модель показала доходность 9,3% годовых, причем средняя сделка при- несла $580 прибыли; в пределах выборки данные показатели составили 35,2% и $8448 соответственно. Далее, модель на обращенном во времени Медленном %К также пока- зывала прибыль, особенно со входом по стоп-приказу. Вне пределов вы- борки доходность составила 6,1%, а средняя прибыль в сделке $362. В пре- делах выборки эти показатели равнялись 22,5% и $6764 соответственно. Обратите внимание на значительное ухудшение результатов при перехо- де к данным вне пределов выборки: хотя это свидетельствует о подгонке под исторические данные, система осталась прибыльной и вне выборки, и, таким образом, она может использоваться в реальной торговле. Еще одна модель, прибыльная на обеих выборках данных, — это мо- дель расхождения MACD, особенно при входе по лимитному приказу. Вне выборки ее доходность составила 6,1% при средней прибыли в сделке, равной $985. В пределах выборки эти показатели составили 6,7% и $1250 соответственно. И наконец, среди моделей, показавших прибыль как в пределах, так и вне пределов выборки, следует упомянуть модель поддержки/сопротив- ления на основе простых скользящих средних с входом по стоп-приказу: вне выборки ее годовая доходность составила 6,4% при средней прибыли в сделке $482. В пределах выборки эти показатели составили 5,8% и $227 соответственно. Почти все оставшиеся модели приносили убытки вне выборки, а мно- гие — даже в пределах выборки. Единственным исключением была мо- дель на основе пробоев волатильности, ограниченная валютными рынка- ми, которая работала весьма хорошо (в пределах выборки — 12,4% в год, $3977 со сделки, вне пределов выборки — 8,5% и $2106 соответственно). Обобщение Несмотря на то что большинство остальных сочетаний моделей и входов были убыточны вне пределов выборки, во многих случаях убыток был меньше, чем ожидаемый убыток системы случайных входов. Видимо, существует ряд моделей, далеких от идеала и требующих даль- нейшей разработки, но способных в пределах выборки давать прибыль, сохраняя вне выборки приемлемые статистические показатели. |