“Mengapa tidak keputusan dagangan saya pernah seolah-olah sama dengan hasil ujian tersokong saya? Saya mengikuti sistem yang sempurna!”
Sesiapa yang pernah didagangkan strategi sistematik teliti backtested telah mungkin bertanya diri mereka soalan ini. Jawapannya adalah bahawa walaupun segala usaha yang anda dimasukkan ke dalam pengekodan dan ujian tersokong sistem anda, terdapat kemungkinan beberapa berat sebelah yang merayap di sengetkan keputusan anda.
Berat sebelah ujian tersokong datang dalam pelbagai bentuk dan saiz. Ada yang statistik, manakala yang lain adalah psikologi. Kebanyakan stem daripada percanggahan sangat sedikit. Mereka boleh menjadi sangat sukar untuk melihat, tetapi boleh memutarbelitkan jangkaan anda. Berat sebelah yang tidak terkawal boleh membawa anda untuk mempercayai bahawa sistem yang kalah adalah agak selamat.
Untuk mengekalkan berat sebelah ini daripada hasil ujian tersokong anda, ia adalah penting untuk mengetahui bentuk yang paling biasa dan bagaimana mereka boleh menjalar ke dalam ujian anda. Berikut adalah empat berat sebelah paling biasa yang saya menangkap diri saya bergelut dengan.
Data pengintipan Bias
Data pengintipan Bias juga dirujuk sebagai Optimization Bias atau Curve Fitting. Berat sebelah ini adalah hasil daripada penapisan parameter terlalu banyak untuk meningkatkan prestasi sistem ini pada set data tunggal. Seperti kebanyakan berat sebelah, Data pengintipan agak mudah difahami pada nilai muka, walau bagaimanapun, ia mempunyai kebiasaan halus menjalar masuk ke dalam pembangunan sistem.
Satu contoh yang biasa pengintipan data bermula sebagai usaha yang jujur untuk memperbaiki sistem yang. Anda kemudian menguji jika menambah petunjuk lain ke dalam campuran akan meningkatkan keputusan anda. Jika ia, maka anda menggabungkan bahawa penunjuk ke dalam sistem dan ujian menambah petunjuk lain. Hasilnya adalah satu sistem yang sempurna dioptimumkan untuk berdagang data yang tepat menetapkan anda diuji pada. Masalahnya ialah bahawa sistem ini hanya dioptimumkan untuk set data yang tertentu, yang telah berlaku.
Cara terbaik untuk mengelakkan pengintipan data, atau lengkung sesuai, adalah untuk menjaga sistem anda mudah, menggunakan sebagai beberapa parameter yang mungkin. Ia juga penting untuk backtest sistem anda pada banyak set data yang berbeza di seluruh pasaran yang berbeza dan tempoh masa.
Pandang-Hadapan Bias
Melihat-Hadapan Bias berlaku apabila keputusan ujian tersokong yang diputarbelitkan kerana keputusan perdagangan adalah berdasarkan maklumat yang tidak lagi tersedia. Ini biasanya berlaku kerana data tambahan termasuk secara tidak sengaja dan kami hanya tidak menyedarinya. Ralat ini sering sangat sedikit, itulah sebabnya mereka begitu mudah terlepas pandang. Mereka boleh, Walau bagaimanapun, mempunyai kesan yang dramatik terhadap keputusan keseluruhan.
Contoh-Pandang Hadapan Bias akan menggunakan set data keseluruhan untuk mengira parameter optimum untuk strategi dan kemudian menguji strategi pada set data yang menggunakan parameter. Kerana parameter telah dikira menggunakan keseluruhan set data, mereka secara teknikal menggunakan data masa depan untuk membuat keputusan perdagangan.
Kelangsungan Bias
Survivorship Bias menangani konsep bahawa banyak set data tidak termasuk aset yang tidak lagi disenaraikan. Hasilnya adalah bahawa set-set data hanya termasuk aset yang terselamat ke titik ini. Ini menjadikan mereka condong kepada sudut positif kerana mereka tidak termasuk aset yang tidak terselamat.
Satu contoh klasik Keberterusan Bias akan ujian tersokong strategi perdagangan saham dalam tempoh masa itu termasuk kemalangan dot-com. Jika saham yang muflis dalam kemalangan yang tidak termasuk dalam set data dan strategi anda akan menjadi perdagangan mereka, maka keputusan anda mungkin cenderung.
Cara terbaik untuk mengelakkan isu ini adalah untuk mengambil data yang bebas Keberterusan Bias. Pilihan lain adalah dengan menggunakan data yang lebih baru-baru ini atau pasaran yang kurang terdedah kepada Keberterusan Bias.
Toleransi Bias
Saya lihat ia menulis bahawa setiap peniaga berpendapat bahawa mereka akan dapat menahan dua kali pengeluaran yang mereka benar-benar akan dapat bertolak ansur. Ini adalah punca Toleransi Bias, yang merupakan seorang peniaga overestimating keupayaannya untuk bertolak ansur drawdowns. Kecenderungan ini adalah benar-benar psikologi.
Saya menyediakan contoh yang baik ini dalam post saya mengenai 3 Hari Tinggi / Rendah Min Sistem Pengambilan. Dalam post yang, Saya menegaskan bahawa sistem itu mempunyai pengeluaran keseluruhan hanya lebih 15%. Kedudukan yang kalah terbesar Sistem ini turun lebih 18%.
Walaupun ia adalah mudah untuk melihat pulangan keseluruhan sistem dan bersetuju bahawa ia adalah menguntungkan, ia adalah naif untuk berfikir bahawa ia tidak akan menjadi satu cabaran untuk berpegang kepada sistem pada titik rendah. Bayangkan duduk di atas 15% kerugian bagi kehidupan sistem anda dan memegang jawatan yang turun 18%. Anda pasti akan mempersoalkan sama ada pasaran telah berubah pada dasarnya dengan cara yang dibuat sistem anda tidak berkesan.
Cara terbaik untuk mengelakkan berat sebelah toleransi adalah untuk secara mendadak memandang rendah toleransi pengeluaran anda.
tinggalkan balasan