Мультирыночная мультипериодная оптимизация

Структура мультирыночной мультипериодной оптимизации аналогична структуре мультирыночного мультипериодного теста, описанного в предыдущей главе. Ее цель — получить более точное представление о прибыли и риске, исходя из эффективности модели с оптимальными параметрами (См. Рис. 7-4).

Чтобы определить универсальность и устойчивость торговой модели, ее оптимизируют на диверсифицированной корзине рынков. Чем больше рынков, на которых модель может торговать, тем она полезней. Не столь очевидно то, что чем больше рынков, на которых модель может торговать хорошо, тем она устойчивей. Тестирование на более широкой базе обеспечивает большую статистическую валидность. Есть и другое соображение. Торговая модель, которая может давать хорошие результаты на диверсифицированной корзине рынков, чаще основана на более общем принципе ценового поведения. Модель, эффективная лишь на одном рынке, всегда вызывает подозрения, если только она не была с самого начала предназначена для работы на этом рынке.

Также проводится оптимизация модели на наборе разных временных параметров. Тренды меняются. Волатильность меняется. Ликвидность меняется. Фундаментальные условия спроса и предложения тоже меняются. Следовательно, модель, торгующая хорошо лишь на некоторых временных периодах и плохо — на остальных, требует дальнейших исследований. Была ли ценовая активность в периоды плохой эффективности модели исключительно неблагоприятна для нее? Если да, то, возможно, модель все еще требует переосмысления. Если ценовая активность была нормальной, но просто непредусмотренной, то возможно наличие какого-то изъяна в строении модели. Подобным образом, могла иметь место ценовая активность, исключительно благоприятная для данной торговой модели. При таких условиях эффективность торговой модели окажется хорошей. Но поскольку эти условия были исключением, такую эффективность нельзя считать типичной.

Как будет выглядеть такой оптимизационный тест? Для одного рынка он будет следующим:

Примените этот же 5-периодный тест, состоящий из 128 сканирований, к остальным 9 рынкам, входящим в корзину: кофе, хлопок, сырая нефть, золото, грудинная свинина, соевые бобы, S&P500, сахар и швейцарские франки.

Общее число сканирований для 10-рыночной 5-периодной оптимизации — 4800.

Как модель реагирует на оптимизацию?

Первый шаг — необходимо посмотреть, какова реакция модели на оптимизацию. Всегда существует шанс, что параметры модели, выбранные априори на первом тесте, действительно будут оптимальными. Однако вероятность этого для 10-рыночного 5-периодного теста крайне мала. Это одна из причин объема и диапазона такого тестового цикла; он должен быть достаточно широким, чтобы обеспечить оптимальные параметры в рамках его границ.

Средняя эффективность мультирыночной мультипериодной оптимизации должна улучшаться по сравнению с эффективностью мультирыночного мультипериодного теста. Маловероятно, что выбранное случайно на первом тесте значение (параметра) даст пиковую эффективность. Это особенно очевидно при оптимизации нескольких переменных. Часто между несколькими переменными существует много взаимосвязей: вся степень этой синергии, измеряемой прибылью, оптимизацией, как правило, не раскрывается. По этим причинам околопиковый показатель прибыльности может быть обнаружен лишь в процессе мультирыночной мультипериодной оптимизации. В этом и состоит функция оптимизации.

Например, предположим, что средняя годовая прибыль для 1-рыночного 5-периодного теста составляет $2,000. Разумно было бы ожидать для 1-рыночной 5-периодной оптимизации данного рынка более высокой годовой прибыли. К тому же, подобного улучшения годовой прибыли следует ожидать при оптимизации каждого рынка.

Эффективность всех тестов в каждой отдельной оптимизации следует рассматривать в связке, и она должна удовлетворять статистическому критерию, обеспечивающему валидность результатов. Как минимум 30% всех тестов в оптимизации должны быть равны или выше заранее заданного минимального порога эффективности, основанного на тестах более широкого диапазона. Более высокий процент прибыльных моделей в оптимизации указывает на более устойчивую торговую модель. Очень низкий процент прибыльных моделей может быть всего лишь всплеском прибыли и статистической аномалией, с малой или вовсе отсутствующей предсказательной ценностью.

Должны быть свидетельства того, что выбранная топ-модель окружена другими моделями с хорошими результатами и поэтому не является изолированным всплеском прибыли. Каждая оптимизация должна охватывать достаточно большую выборку данных и группу диапазонов сканирования переменных, которые обеспечат статистически значимое число степеней свободы. Каждую оптимизацию следует разрабатывать таким образом, чтобы она генерировала статистически валидное число сделок. Торговая эффективность должна удовлетворять важнейшему критерию равномерного распределения по выборке данных.