поиск оптимального сочетания модели и входа для каждого из рынков в составе портфеля

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 определенных рынках. Зачастую отмечалось, что данная модель, видимо, работает на этих рынках хорошо, а другие модели на них же — плохо. Нет сомнений, что путем подбора лучших сочетаний моделей и рынков можно создать 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 пределах выборки. Целью был поиск оптимального сочетания модели и входа 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 доверие), плохой работы с целым портфелем и подобных факторов. Специфические комбинации, отобранные в результате, включают весь спектр различных осцилляторов, скользящих средних, лунных и солнечных моделей, сезонных моделей и нейронных сетей; не включены только генетические алгоритмы, поскольку в наших тестах генетические системы совершали очень редкие сделки. При этом на рынках, хорошо работавших в пределах выборки, система обычно вообще не торговала вне выборки — прибыль вне выборки была получена на совершенно других рынках. 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 генетической модели, было обусловлено специфическими свойствами данного набора правил и способов их сочетания в сигналах покупки и продажи.

При некоторых изменениях наборов правил, особенно в количестве используемых правил и их сочетаний, можно в корне изменить настройку алгоритмов на редкие события.

Для некоторых рынков иногда невозможно было найти предпочтительную модель. В таких случаях подбиралась модель, плохо работавшая на рынке в целом, но приносившая прибыль на одном- двух трудных рынках. 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 соответственно) . 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 переоптимизированы, была протестирована на трех рынках пшеницы, где ни одна другая модель не давала статистически значимых результатов. При этом крупная нейронная сеть, предсказывающая точки разворота и торгующая только длинными позициями с входом по лимитному приказу, дала статистически значимые результаты на каждом из рынков пшениц (более 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.