Д.Катс.Д.Маккормик.Энциклопедия торговых стратегий. Донна л. Маккормик
 Скачать 5.96 Mb.
|
|
СВЕТЛЫЕ ТОЧКИ ВБЛИЗИ До этого момента мы обсуждали только работу моделей, тестируемых на целом портфеле. При тестировании было сделано множество замечаний, касающихся особенностей работы той или иной системы на определен- ных рынках. Зачастую отмечалось, что данная модель, видимо, работает на этих рынках хорошо, а другие модели на них же — плохо. Нет сомне- ний, что путем подбора лучших сочетаний моделей и рынков можно со- здать портфель систем для торговли портфелем рынков. При изложении результатов тестов в данной книге были отмечены хорошие сочетания рынков и моделей без дополнительной оптимизации параметров. Портфель формировался на основе статистической значимости в пре- делах выборки. Целью был поиск оптимального сочетания модели и вхо- да для каждого из рынков в составе портфеля. Если для данного рынка потенциально подходило несколько моделей, то лишние отбрасывались по признакам сложности (чем сложнее модель, тем меньше к ней дове- рие), плохой работы с целым портфелем и подобных факторов. Специ- фические комбинации, отобранные в результате, включают весь спектр различных осцилляторов, скользящих средних, лунных и солнечных мо- делей, сезонных моделей и нейронных сетей; не включены только гене- тические алгоритмы, поскольку в наших тестах генетические системы совершали очень редкие сделки. При этом на рынках, хорошо работав- ших в пределах выборки, система обычно вообще не торговала вне вы- борки — прибыль вне выборки была получена на совершенно других рын- ках. Это не означает, что поведение системы вне пределов выборки было плохим — просто, если рынок был прибылен в одной части, то в другой почти не использовался. Малое количество сделок, характерное для гене- тической модели, было обусловлено специфическими свойствами данно- го набора правил и способов их сочетания в сигналах покупки и продажи. При некоторых изменениях наборов правил, особенно в количестве ис- пользуемых правил и их сочетаний, можно в корне изменить настройку алгоритмов на редкие события. Для некоторых рынков иногда невозможно было найти предпочтитель- ную модель. В таких случаях подбиралась модель, плохо работавшая на рынке в целом, но приносившая прибыль на одном-двух «трудных» рын- ках. Например, модель перекупленности/перепроданности RSI с входом по лимитному приказу на портфеле работала плохо, но на рынках золота и серебра — приемлемо (в пределах выборки годовая доходность 27,3 и 3,9%, а средняя сделка — $9446 и $4164 по золоту и серебру соответствен- но) . Вне пределов выборки доходность в процентах годовых составила 23,6% (золото) и 51,7% (серебро), средние прибыли в сделках — $12 194 и $24 890 соответственно. Одна из крупных нейронных сетей, которые, по-видимому, были пе- реоптимизированы, была протестирована на трех рынках пшеницы, где ЗАКЛЮЧЕНИЕ 387 ни одна другая модель не давала статистически значимых результатов. При этом крупная нейронная сеть, предсказывающая точки разворота и тор- гующая только длинными позициями с входом по лимитному приказу, дала статистически значимые результаты на каждом из рынков пшениц (бо- лее 40% годовой прибыли и более $15 000 со средней сделки в пределах выборки). Как ни странно, несмотря на большой размер сети и опасность «вредной» подгонки под исторические данные, вне пределов выборки модель показала доходность 24% и в среднем заработала $5000 на каждом из рынков пшеницы. Циклическая модель, едва ли работавшая на каком-либо рынке, успеш- но торговала S&P 500, показав годовую доходность 15,3% при средней при- были в сделке $4613 в пределах выборки. Вне пределов выборки эта мо- дель показала доходность 21,4% годовых при средней прибыли в сделке $4698. Следует отметить, что по данным нашего прошлого исследования (Katz, McCormick, май 1997), циклическая модель весьма успешно рабо- тает на рынке S&P 500. Рисунок С-1. График изменения капитала для множественного портфеля систем и рынков. 388 ЗАКЛЮЧЕНИЕ Когда для каждого рынка было найдено хорошее сочетание модели и входа, мы провели анализ эффективности рынков в пределах и вне пре- делов выборки. Был построен график изменения капитала, покрывающий оба периода (рис. С-1). Мы были удивлены, обнаружив, что вне пределов выборки торговля портфелем систем и рынков принесла прибыль в размере 625% годовых! Так как сочетания рынков и моделей подбирались по их статистической значимости в пределах выборки, то полученная доходность 544% годовых в пределах выборки была в некоторой степени ожидаемой. Тем не менее вероятность получения такой прибыли в пределах выборки составляет всего-навсего 1 из 3 000 000 000 000 000 000, т.е. 3 X10 18 . Даже если прово- дить объемную оптимизацию с десятками тысяч тестов, то результат бу- дет все равно статистически чрезвычайно достоверен. Вне пределов вы- борки вероятность случайно получить такое соотношение риска/прибы- ли или годовой доход равна 1 к 40 миллионам — здесь даже после коррек- ции на широчайшую оптимизацию статистическая достоверность резуль- тата будет чрезвычайно велика. На самом деле вне пределов выборки оптимизация не проводилась. В пределах выборки все системы оптими- зировались на целом портфеле. Параметры моделей ни разу не подверга- лись коррекции для работы на выбранных специфических рынках, и ис- пользовалась только стандартная стратегия выходов. Использование луч- ших из стратегий выходов, описанных в части III, могло бы очень значи- тельно улучшить эффективность в целом. Таким образом, несмотря на то что большинство систем не работают и большинство тестов показывают убытки, достаточно обширный поиск может привести к созданию стратегии торговли портфелем, способной без всякого преувеличения дать звездные результаты. |