Skip to main content
Дорожка Monte Carlo simulation
16 / 26
Поиск по архивуБиблиотека
Библиотека

2010выпуск C0344-49

Календарь для робастности walk-forward и оценки методом Монте-Карло

Редакционная позиция: относитесь к оценке системы как к календарю, а не как к охоте за трофеями. Зафиксируйте двухлетнюю in-sample подгонку, выдержите отсев на робастность, пройдите следующие шесть месяцев, затем сделайте ресэмплинг этого невидимого пути до следующей даты повторного теста.

  • Сначала выберите окна in-sample и out-of-sample, затем ищите параметры только на стороне in-sample.
  • Двухлетние блоки in-sample и следующие шесть месяцев out-of-sample образуют разбиение 80/20, которое подразумевает реоптимизацию каждые шесть месяцев.
  • Тест на робастность отфильтровывает 676 пар lookback, а не ранжирует их по пиковой чистой прибыли, затем walk-forward анализ применяет каждую оставшуюся пару только к соответствующему невидимому шестимесячному окну.
  • Моделирование Монте-Карло делает ресэмплинг сшитой out-of-sample дневной доходности, чтобы набросать диапазон эквити на следующие шесть месяцев, затем цикл повторяется.
Записи этого разбора3 записи
Текущая дорожкаMonte Carlo simulation51 разборRobustness testing80 разборовWalk-forward analysis119 разборов

Оценка как календарь

Редакционная позиция: оценка системы — это календарь, а не охота за трофеями. Зафиксируйте двухлетнюю in-sample подгонку, выдержите отсев на робастность, пройдите следующие шесть месяцев, затем сделайте ресэмплинг этого невидимого пути до следующей даты повторного теста.

Процедура оценки на основе правил сначала выбирает окна in-sample и out-of-sample, затем ищет параметры только на стороне in-sample. In-sample — это историческое окно, зарезервированное для поиска параметров. Out-of-sample — это невидимое окно, зарезервированное для оценки.

Окна идут раньше поиска

Конструкция окон использует двухлетние блоки in-sample и следующие шесть месяцев как out-of-sample — разбиение 80/20, которое подразумевает реоптимизацию каждые шесть месяцев.

После выбора in-sample процедура строит walk-forward путь эквити на невидимых данных, затем использует моделирование Монте-Карло, чтобы сделать ресэмплинг этого пути, набросать диапазон эквити на следующие шесть месяцев и повторить цикл через шесть месяцев.

Правило сокращают до перебора

Предыдущее регрессионное правило с тремя аргументами сократили до двух lookback после того, как член наклона показал самый слабый вклад. Фильтр длинного горизонта и динамический сайзинг убрали до повторного теста.

Два целочисленных входа правила перебираются от 5 до 30, что даёт 676 комбинаций, которые фильтруют, а не ранжируют по пиковой чистой прибыли.

Тест на робастность фильтрует комбинации

Тест на робастность требует преодолеть барьер периода, затем оставляет только винрейт и отношения win/loss между 20-м и 80-м процентилями. Этот шаг отсекает около 90 процентов комбинаций до потолка профит-фактора. Профит-фактор — это валовая прибыль, делённая на валовый убыток.

Моделирование Монте-Карло из 1,000 прогонов по 126 независимым сделкам аппроксимирует профит-фактор по винрейту и среднему win/loss, чтобы комбинации с подразумеваемым значением выше 2 можно было отбросить.

Оставшиеся пары оценивают по тому, лежат ли они на высокой, локально плоской поверхности чистой прибыли в двухпараметрическом пространстве, а не на изолированном пике.

Walk-forward анализ сшивает невидимый путь

Каждую оставшуюся пару применяют только к соответствующему невидимому шестимесячному окну, а эти дневные изменения эквити сшивают в один out-of-sample путь.

Моделирование Монте-Карло набрасывает следующий диапазон

Форвардные пути делают ресэмплинг этих out-of-sample дневных доходностей с возвращением на протяжении 126 сессий, 1,000 раз, при допущении независимости, которое позднее помечают для проверки автокорреляции.

Редакционная позиция: диапазон после ресэмплинга — это набросок следующих шести месяцев на этом невидимом пути, а не приз за пиковую in-sample пару. Следующая дата повторного теста — часть того же календаря.

Шестимесячный итоговый капитал Монте-Карло

Трейдер должен увидеть, что скользящий форвард-тест по-прежнему оставляет мёртвую систему: медиана 1,000 шестимесячных повторных выборок завершается на $98,918.96 при старте $100,000, а самый слабый итог — $52,711.13. Эти цифры — напечатанная статистика моделирования рядом с веером прогнозных кривых капитала, а не прослеживание пересекающихся траекторий.
Трейдер должен увидеть, что скользящий форвард-тест по-прежнему оставляет мёртвую систему: медиана 1,000 шестимесячных повторных выборок завершается на $98,918.96 при старте $100,000, а самый слабый итог — $52,711.13. Эти цифры — напечатанная статистика моделирования рядом с веером прогнозных кривых капитала, а не прослеживание пересекающихся траекторий.SPY · 126 trading days

Каждая повторная выборка — 126 торговых дней, отобранных с возвращением из сшитых вневыборочных дневных доходностей SPY. В источнике также указан максимальный итоговый капитал в районе mid-$160,000s, но извлечённые цифры повреждены, поэтому этот исход опущен, а не восстановлен.

Не является инвестиционной рекомендацией. Исторический материал не подтверждает актуальную результативность метода.
16 из 26 в дорожке «Monte Carlo simulation»
201252-59 с.Дальше про «Monte Carlo simulation»Рассматривайте представление оптимизации как протокол оценкиГотовую стратегию можно открыть в представлении оптимизации, где у каждого параметра есть значения start, stop и step, которые тестировщик может изменить.
Все разборы дорожки · 26 разборов
  1. 1989Ценовые ряды с известным смещением для оценки систем
  2. 1989Построение синтетических цен из карт хаоса с holdout-проверкой
  3. 1991Замыкание контура обратной связи в симуляциях аукционного рынка
  4. 1994Оценка восьмилетних электоральных режимов
  5. 1995Построение эквити против плеча на ресэмплированных сделках
  6. 1995Леверидж по акциям из сложной доходности и стоимости маржи
  7. 1996Построение и оптимизация профилей размера позиции по волатильности
  8. 1996Построение правил фейда на основе эмпирической гистограммы отклонений
  9. 1998Волатильность траектории доходности и бремя восстановления
  10. 1999Проверки Монте-Карло за пределами одной исторической траектории
  11. 2002Траектории эквити методом Монте-Карло из винрейта и профит-фактора
  12. 2003Проверка небольшого преимущества системы с помощью моделирования Монте-Карло
  13. 2003Оцените механическую торговую систему со стоп-лосс ордером и симуляцией Монте-Карло
  14. 2005Оценка ротации по рангам моментума при портфельных ограничениях
  15. 2009Ограниченный риск и rank-rotation при построении портфеля
  16. 2010Календарь для робастности walk-forward и оценки методом Монте-Карло
  17. 2012Рассматривайте представление оптимизации как протокол оценки
  18. 2013Вход, выход и воздержание как одна проверяемая процедура
  19. 2014Оценка границ стопа и цели перед фейдом крупных движений
  20. 2014Оценка системных выходов, когда рынки становятся шумнее
  21. 2015Синтетики с памятью для спектров доминантного цикла
  22. 2015Построение прогнозов подразумеваемой волатильности на следующую сессию путём переупорядочивания закрытий
  23. 2016Механические системы как завод с контрольными воротами
  24. 2017Four-sleeve границы annual-loss методом Монте-Карло
  25. 2018Когда выводить механическую систему с лимитами просадки Монте-Карло
  26. 2020Рассматривайте проектирование механической системы как жизненный цикл повторной валидации
По областиПроектирование систем203 разбораПо году2010169 разборов
Все 51 разбор с записью «Monte Carlo simulation»
Тоже про «Monte Carlo simulation»5 разборов
1989Ценовые ряды с известным смещением для оценки систем2002Траектории эквити методом Монте-Карло из винрейта и профит-фактора2003Проверка небольшого преимущества системы с помощью моделирования Монте-Карло2012Рассматривайте представление оптимизации как протокол оценки2016Механические системы как завод с контрольными воротами