Проверка небольшого преимущества системы с помощью моделирования Монте-Карло

От случайных исходов к распределению

Моделирование Монте-Карло может превратить последовательность случайных исходов выигрыш-или-проигрыш в закономерное распределение возможных результатов системы.

Короткие последовательности всё равно могут давать подряд одинаковые исходы даже при известной долгосрочной доле прибыльных сделок, поэтому 100 сделок не обязаны содержать ровно 35 прибыльных.

Две гипотетические системы

Гипотетическая система с 35% прибыльных сделок, прибылью 2000 на выигрышах и убытком 1000 на проигрышах дала средний результат 45% на 50000 испытаниях по 1000 сделок. В той же симуляции как минимум безубыточными оказались 84% траекторий, а полное обнуление произошло лишь в 35 из 50000 испытаний, или 0.07%.

Вторая гипотетическая система дала средний результат 380% на 50000 испытаниях по 1000 сделок, при этом 5% испытаний завершились убытком, а риск разорения составил 1.66%.

Тонкие выборки и последующие результаты

Моделирование Монте-Карло, построенное лишь на нескольких исторических сделках, ненадёжно, потому что входная выборка слишком тонкая.

Сильная оптимизация правил под исторические данные может сделать последующий результат моделирования Монте-Карло вводящим в заблуждение независимо от смоделированного распределения.

Если live-результаты или более поздние результаты не лучше, или если рыночная динамика изменилась с момента исходного анализа, процедура состоит в том, чтобы пересмотреть другие варианты.