результаты добавления в торговую модель

Пример 5 показывает результаты добавления в торговую модель, описанную в Примере 4, нового правила, которое снизило эффективность по каждой категории: проценту прибыльных моделей, средним результатам, средней прибыльной и средней убыточной модели. Основываясь на этих результатах, данное правило следует исключить.

Пример 5: Неудачное добавление правила

Общее число тестов 1000 100.0% $4,123
Прибыльные тесты 221 22.1 6,256
Убыточные тесты 699 69.9 (3,457)

Пример 6 демонстрирует результаты добавления в торговую модель правила, которое повысило эффективность по каждой категории: проценту прибыльных моделей, средним результатам, средней прибыльной и средней убыточной модели. На основе этих результатов данное правило следует включить в торговую модель.

Пример 6: Успешное добавление правила

Общее число тестов 1000 100.0% $5,798
Прибыльные тесты 457 45.7 8,981
Убыточные тесты 543 54.3 (1,876)

На Рисунке 5-6 линией А представлены результаты первой оптимизации. Линии В, С и D представляют различные исходы второго теста с одним усовершенствованием, внесенным в модель. Линия В отражает худший исход, потому что показывает более высокую среднюю, но гораздо большее стандартное отклонение. Линии С и D отличаются и обе лучше А, поскольку обе имеют более высокие средние и немного меньшие стандартные отклонения.

Форма тестового пространства

Несмотря на то, что форма тестового пространства кажется несколько замысловатым понятием, оно очень полезно. Тестовое пространство — это визуализация результатов тестовой связки в виде трехмерного графика. Худший из случаев, которые можно себе представить, будет напоминать горную гряду очень узких и высоких пиков прибыли. Почему это плохо? Такой модели будет не хватать устойчивости. Любой небольшой сдвиг параметра модели может изменить результаты модели с крупной прибыли на такой же крупный убыток. Такова природа неустойчивого модельного пространства. (См. Рис. 5-7)

Лучшим случаем, который можно представить, будет топ-модель, расположенная на вершине большого, пологого, постепенно снижающегося холма. Этот случай хорош, потому что данная модель будет очень устойчивой. Любой небольшой или даже большой сдвиг параметра модели снизит ее эффективность на 5-10 процентов. В этом преимущество устойчивой модели. Такая модель черпает свою устойчивость из относительной нечувствительности к изменениям параметров (См. Рис.5-8).

Идеальная оптимизация по одной переменной должна создавать линию эффективности по прибыли, которая снижается постепенно в обоих направлениях от своего пика прибыли. Идеальная оптимизация по двум переменным должна создавать круг с лучшей моделью в центре и ступенчатым снижением эффективности на расходящихся концентрических окружностях. Идеальная оптимизация по трем переменным должна создавать округлый холм с лучшей моделью на вершине и ступенчатым снижением эффективности на любых концентрических окружностях большего диаметра, расходящихся от вершины этого холма.