نحوه تست پشتی - آغازگر در مورد آنچه آنها را قابل اعتماد می کند

برای هر استراتژی سیستماتیک/ALGO مبتنی بر کم ، پشتی لازم است ، اما می تواند آسان باشد و اغلب مورد سوء استفاده قرار می گیرد. علاوه بر این ، هنگامی که ضعیف انجام می شود ، زیرا تعداد مشخصی درگیر است ، می تواند احساس قابلیت اطمینان و دقت را به شما بدهد.

آتانوو

بنیانگذار ، وارونه هوش مصنوعی

Atanuu بیش از 11 سال تجربه سرمایه گذاری دارد. او یک متخصص در زمینه SPAC ها (شرکت های اختصاصی با هدف) است که از سال 2015 در معاملات متعدد کار کرده است. وی همچنین بیش از 8 سال در PE ، VC و Spacs (1 دلار AUM) با Vedanta Capital کار کرده است. Antaanu دارای B. Tech و M. Tech در علوم مواد از IIT Bombay است. او از سرمایه گذاری به حدی لذت برد که تصمیم گرفت درست در خارج از دانشگاه و بدون هیچ گونه آموزش رسمی در امور مالی ، حرفه ای در مدیریت دارایی را دنبال کند. Atanuu از نزدیک اصول بنیامین گراهام و همچنین وارن بوفه را دنبال می کند و به دنبال الهام بخشیدن به آنها است.

وی گفت: "ما تا زمانی که شفافیت و افشای کافی وجود داشته باشد ، ما برای تجارت آلگو یا مخالف نیستیم. مدل های تجاری نمی توانند به یک جعبه سیاه که برای نور خورشید باز نیست ، تکیه کنند. بنابراین ، هر ادعایی که نمی تواند حسابرسی و تأیید شود مجاز نیست. » - مادابی پوری بوچ ، رئیس ، سبی

دانستن همه دلایل اظهار نظر بوچ در بالا دشوار است ، اما من گمان می کنم بخش بزرگی از آن مربوط به مشکلات مربوط به پشتی است.

برای هر استراتژی سیستماتیک/ALGO مبتنی بر کم ، پشتی لازم است ، اما می تواند آسان باشد و اغلب مورد سوء استفاده قرار می گیرد. علاوه بر این ، هنگامی که ضعیف انجام می شود ، زیرا تعداد مشخصی درگیر است ، می تواند احساس قابلیت اطمینان و دقت را به شما بدهد.

همبستگی های فریبنده

"یکی از اولین مواردی که در کتابهای درسی آمار مقدماتی تدریس می شود این است که همبستگی علیت نیست. این همچنین یکی از اولین مواردی است که فراموش شده است. "- توماس ساول

یک همبستگی فریبنده رابطه بین دو متغیر است که به نظر می رسد علّی اما وجود ندارد. این اغلب فقط نتیجه تصادف ساده است یا یک عامل سوم کشف نشده در بازی وجود دارد. همبستگی های فریبنده کریپتونیت استراتژی های Algo است.

به نمودار زیر نگاه کنید - مهم نیست که نظر شما در مورد نیکلاس کیج چقدر پایین باشد ، شما موافقت می کنید که هیچ راهی وجود ندارد که مردم خود را با غرق شدن در استخر بکشند فقط به این دلیل که او در آن سال در فیلم های زیادی ظاهر شد.

همبستگی های فریبنده ممکن است خنده دار باشد (می توانید https://www. tylervigen. com/spurious-corelations را بررسی کنید) اما پشتی ها موضوع خنده دار نیستند. آنها برای فهمیدن چگونگی عملکرد استراتژی در شرایط مختلف بسیار مهم هستند.

بنابراین ، دفعه بعد که از نتایج پشت پرده هیجان زده می شوید ، به دنبال موارد زیر باشید تا مطمئن شوید که در زندگی واقعی قابل تکرار هستند.

زباله در ، زباله بیرون

اول و مهمتر از همه ، هر مدل فقط به اندازه داده هایی که شما از آن تغذیه می کنید خوب است. اگر داده های شما دقیق نباشد ، مطمئناً مدل شما نخواهد بود - حداکثر باید مراقب باشید که داده های در نظر گرفته شده تمیز و دقیق باشند.

شرایط ایده آل

این به بهترین وجه با یک مثال قابل درک است. در حالی که پشتوانه یک استراتژی ، فقط می توان تصور کرد که فرد قادر به خروج با قیمت نزدیک است ، یا اگر یک استراتژی معاملاتی روز باشد ، هر چه قیمت در طول روز باشد. با این حال ، در واقعیت ، هزینه های زیادی فراتر از قیمت وجود دارد. نه تنها هزینه های واقعی ، مانند کارگزاری ، STT و غیره بلکه لغزش های پنهان مانند هزینه ضربه.

اگر کسی در بازار شرکت کند ، یکی از آن تأثیر می گذارد-به خصوص اگر کسی در سهام کوچک کلاهبرداری که غیرقانونی است ، برخورد کند. برای مقابله با این امر ، قطعاً باید هزینه های مستقیم در پشتی ها گنجانیده شود ، اما همچنین باید هزینه های تأثیرگذاری مدل شود.

حتی اگر همه اینها را انجام دهید ، مراقب باشید که این همیشه یک تخمین و در عمل باشد ، قیمت های تحقق یافته شما می تواند بسیار متفاوت باشد. بنابراین ، هر استراتژی مورد انتظار باید حاشیه ایمنی داخلی داشته باشد.

تعصب زنده ماندن

یک اشتباه آشکار که بسیاری از افراد مرتکب می شوند این است که شرکت ها را برای سرمایه گذاری در حین پشتیبان فقط مواردی در نظر گرفته شده که امروز تجارت می کنند ، در نظر بگیرند. اما پس از آن ، بسیاری از شرکت ها که از دوره Backtest به هم رفته اند ، نادیده می گیرد.

به عنوان مثال ، شرکت هواپیمایی Kingfisher امروز دیگر ذکر نشده است زیرا این اتفاق بیفتد. با این حال ، اگر در دوره 2007 تا 2018 (قبل از حذف آن) در حال بازگشت به ALGO خود هستید ، پس از آن شرکت هواپیمایی Kingfisher باید در جهان سهام برای انتخاب Algo در نظر گرفته شود.

با محرومیت از شرکتهای ورشکسته که دیگر در اطراف نیستند ، می توان در پشتی ها مزیت ناعادلانه ای به Algo داد. برای مقابله با این امر ، باید تمام شرکتهایی را که در دوره پشتیبان تجارت می کردند ، در نظر بگیریم.

بیش از حد

بیش از حد می تواند ناشی از انجام مدل شما در یک دوره خاص به دلیل شرایط خاص خاص باشد که ممکن است به طور کلی صحیح نباشد. بیایید بگوییم که شما یک استراتژی مبتنی بر حرکت را اجرا می کنید و فقط آن را در دوره ای که بسیار صعودی بود آزمایش کنید.

خوب ، پس از آن ، استراتژی شما بدیهی است که خوب عمل خواهد کرد ، اما در دراز مدت ، روند نزولی نیز وجود خواهد داشت. از آنجا که دوره شما به درستی انتخاب نشده است ، به اشتباه فکر خواهید کرد که سیستم بهتر از آنچه در واقع است ، باشد. علاوه بر این ، می توان پارامترهایی را اضافه کرد تا در هر دوره ، مدل عملکرد خوبی داشته باشد اما پس از آن این امر در معرض عملکرد واقعی است. از این رو ، باید تا حد ممکن پارامترها را امتحان کنید و از آن استفاده کنید و باید تا حد ممکن یک دوره را پشت سر بگذارد.

علاوه بر این ، باید طی چندین دوره مختلف آموزش و آزمایش کرد و استحکام سیستم را در سناریوهای مختلف بررسی کرد. داده ها

هنگام ایجاد مدل و سپس آزمایش عملکرد آن در گذشته ، باید مطمئن شوید که از اطلاعات مربوط به دوره آزمون استفاده نمی کنید.

به عنوان مثال ، بیایید امروز بگوییم (در اکتبر 2022) شما می خواهید عملکرد مدل خود را از 1-Jan-2020 تا 31-DEC-2020 آزمایش کنید.

سپس هنگام تولید نمونه کارها از 1 ژانوی ه-2020 ، شما نمی توانید از اطلاعاتی از بعد از 1 ژانوی ه-20 استفاده کنید ، حتی اگر از نظر فنی از زمان نشستن در اکتبر 2022 در دسترس شما باشد.

بعضی اوقات ، حتی ممکن است عمدی نباشد ، اما در حالی که در یک مدل پیچیده ممکن است از این موضوع غافل شود و در ارسال اطلاعات "نگاه" کند.

این بدیهی است که به الگویی با نتایج بسیار بالایی که در پشت سر هم انجام می شود منجر می شود که به سادگی در دنیای واقعی کار نمی کند ، مگر اینکه شما یک Soothsayer یا خدا باشید!

این به هیچ وجه یک لیست جامع نیست (زیرپوش ، تست های خارج از نمونه و غیره نیز ابزارهای قدرتمندی هستند) ، اما مکان خوبی برای شروع هنگام ارزیابی پشتی است. مطمئناً به شما در از بین بردن درصد زیادی از سیب های بد کمک می کند.

برای نتیجه گیری ، من می خواهم شما را با هشدار ترک کنم که حتی اگر یک پشتی از همه این آزمایشات و موارد دیگر عبور کند ، واقعیت این است که بازارها تکامل می یابند. حتی اگر مدل شما در گذشته قوی بود ، ممکن است در آینده نباشد. مانند هر مهارت ، شما باید آن را به روز کنید تا مطمئن شوید که این آزمایش زمان را پشت سر می گذارد.

وی گفت: "بیشتر مردم از آماری مانند یک مرد مست استفاده می کنند. بیشتر برای پشتیبانی از روشنایی "

(سلب مسئولیت: توصیه ها ، پیشنهادات ، دیدگاه ها و نظرات داده شده توسط کارشناسان خودشان هستند. اینها نمایانگر دیدگاه های زمان اقتصادی نیستند)

داستان های ET Prime را از دست ندهید! دوز روزانه به روزرسانی های تجاری خود را در WhatsApp دریافت کنید. اینجا کلیک کنید!