<< Пред. стр.

стр. 45
(общее количество: 46)

ОГЛАВЛЕНИЕ

След. стр. >>

999581 1916 0.80 -10.0




10 дней для медленного компонента. Таким образом, система выходит в
тех случаях, когда после сглаживания рынок все еще производит впечат-
ление падающего, но последняя цена закрытия пробивает вверх два сколь-
зящих средних, что может быть признаком начала нового повышающего-
ся тренда.


Результаты выходов по описанным правилам для длинных и
коротких позиций
В табл. 15-5 приведены результаты торговли с помощью 10 лучших реше-
ний (длинные и короткие позиции), использующих МССВ и генетически
разработанные сигналы выхода. Входы в рынок были случайными. В таб-
лице отдельно показаны результаты длинных и коротких позиций. Дан-
373
СОЧЕТАНИЕ выходов с ИСКУССТВЕННЫМ ИНТЕЛЛЕКТОМ
ГЛАВА 15




Эффективность МССВ с добавлением генетически разрабо-
Таблица 15—5.
танных правил сигнала выхода при случайном, входе в сделки
Длинные позиции
ДОХ%. СДЕЛ ПРИБ*
ВЕР ДНИ
$СДЕЛ
Р/ПРИБ
ВЫ6 ПРИБ ПРИБКР Ф.ПРИБ
ТЕСТ ПРИБДЛ
в -0.35 41
0 0.93 -7.3 1923
0.8628
-1324 -1324 -688 8
СТАНД
в -0.17 43
0 0.96 -4.9 1972 -324
0.7067
-640 -640 7
ГЕН
-0.61 0.8938 830 39 -1135
-942 0 0.89 -13.2 8
ВНЕ -942
СТАНД
-0.60
ВНЕ 854 41
0.8903
0 -15.8 -990 7
ГЕН -845 -845 0.89

Короткие позиции
ДОХ%. Р/ПРИБ ДНИ
СДЕЛ ПРИБ% $СДЕЛ
ВЕР
ВЫБ Ф.ПРИБ
ПРИБ ПРИБДП ПРИБКР
ТЕСТ
в 1847 37
0 -3850 0.9997 -2084
0.80 -9.9 -1.09
-3850
СТАНД 8
в 0 -3223 0.9998
0.78 1959 37
-3223 -10.3 -1.15 -1645 6
ГЕН
ВНЕ 0 -1497 0.82 -20.4 792 38
0.9818
СТАНД -1497 -1.02 -1890 8
ВНЕ
ГЕН 841
0 -889 40
0.9325
-889 0.86 -18.2 -0.73 -1056 6




ные также разбиты по номеру теста и по виду выборки. Символы В и ВНЕ
означают результаты тестов на данных в пределах выборки и вне преде-
лов выборки соответственно. СТАНД означает тест с использованием толь-
ко МССВ, ГЕН — тест МССВ в сочетании с генетически разработанными
правилами.
В длинных позициях в пределах выборки добавление правил значи-
тельно снизило средний убыток в сделке — с $688 до $324. Процент при-
быльных сделок повысился с 41 до 43%. Годовое соотношение риска/при-
были улучшилось с —0,35 до —0,17. Вне пределов выборки эффект гене-
тически разработанных сигналов выхода сохранился, хотя и в меньшей
степени. Средний убыток в сделке снизился с $1135 до $990. Процент при-
быльных сделок повысился с 39 до 41 %.Соотношение риска/прибыли улуч-
шилось с —0,61 до —0,60. В общем, добавление генетически разработан-
ных правил к стандартной стратегии выходов себя оправдало. В отличие
от нейронных сигналов выхода эффект сохранился вне пределов выбор-
ки, т.е. подгонка под исторические данные и избыточная оптимизация не
имели решающего значения.
В коротких позициях как в пределах, так и вне пределов выборки от-
мечен подобный положительный эффект. В пределах выборки добавле-
ние генетически разработанного сигнала выхода снизило средний убы-
ток в сделке с $2084 до $1645. Процент прибыльных сделок не изменился.
Как ни странно, годовое соотношение риска/прибыли ухудшилось с
—1,09 до — 1,15. Вне пределов выборки средний убыток в сделке значитель-
но уменьшился: с $1890 до $1058. Процент прибыльных сделок вырос с 38
до 40%, а годовое соотношение риска/прибыли улучшилось с —1,02 до
—0,73. Как и ранее, добавление генетически найденного правила выхода
к системе МССВ доказало свою эффективность и вне пределов выборки.
ИССЛЕДОВАНИЕ выходов
ЧАСТЬ III
374



Эффективность длинных позиций на различных рынках
В табл. 15-6 приведена информация о работе системы МССВ совместно с
генетически разработанными правилами выхода из длинных позиций на
различных рынках. Как в пределах, так и вне пределов выборки были
выгодны несколько рынков: NYFE, сырой нефти, неэтилированного бен-
зина и живых свиней. Другие рынки были прибыльными в пределах вы-
борки и убыточными вне пределов выборки, или наоборот. Взаимосвязь
между результатами торговли в пределах и вне пределов выборки была
низкой.

Эффективность системы МССВ с добавлением генетически
Таблица 15—6.
разработанных правил выхода. Длинные позиции. Сравни-
тельные данные по различным рынкам
375
СОЧЕТАНИЕ выходов с ИСКУССТВЕННЫМ ИНТЕЛЛЕКТОМ
ГЛАВА 15




Эффективность коротких позиций на различных рынках
В табл. 15-7 приведены результаты выходов из коротких позиций, произ-
веденных на основе МССВ и правил выхода, разработанных с помощью
генетических алгоритмов. Здесь связь между эффективностью в преде-
лах и вне пределов выборки была более выраженной. Особенно примеча-
тельна прибыль в обеих выборках, полученная на рынке иены. Также были
прибыльны рынки сырой нефти, неэтилированного бензина, откормлен-
ного скота, живых свиней, соевой муки и кофе.


Эффективность системы МССВ с добавлением генетически
Таблица 15—7.
разработанных правил выхода. Короткие позиции. Сравни-
тельные данные по различным рынкам
ИССЛЕДОВАНИЕ выходов
376 ЧАСТЬ III



ЗАКЛЮЧЕНИЕ
Вышеприведенные тесты продемонстрировали ряд важных фактов. Во-
первых, нейронные сети вне пределов выборки продемонстрировали
меньшую устойчивость, чем генетически разработанные правила. Это,
несомненно, связано с большим числом параметров в нейронной сети по
сравнению с моделями на основе правил. Иными словами, нейронные сети
страдали от избыточной подгонки под исторические данные. Кроме того,
было показано, что добавление сложного сигнала выхода, будь то нейрон-
ная сеть или набор правил, полученных с помощью генетической эволю-
ции, может значительно улучшить стратегию выходов. При использова-
нии более устойчивых генетических правил полученные преимущества
сохранились и при работе вне пределов выборки.
Нейронная сеть и шаблоны правил были изначально предназначены
для работы в системах входов и проявили себя достаточно хорошо при
генерации редких сигналов входа. В стратегии выходов были бы предпоч-
тительны правила, генерирующие сигналы значительно чаще. Существу-
ет обоснованное мнение, что набор шаблонов правил, специально пред-
назначенный для разработки сигналов выхода, был бы гораздо более эф-
фективен. То же самое относится и к нейронным сетям.


ЧТО МЫ УЗНАЛИ?
Избыточная подгонка под исторические данные вредна не
только при создании входов, но также и выходов.
Сложные технологии, включая генетические алгоритмы, мо-
гут быть эффективно использованы для улучшения стратегий
выхода.
Даже грубые попытки улучшения выходов, подобные приве-
денным здесь, могут улучшить среднюю прибыль в сделке на
сотни долларов.
Заключение




Мы прошли долгий путь с начала изучения стратегий входов и выходов.
Иногда дорога была тяжелой и безрадостной, иногда удивительной и пол-
ной надежд. Как всегда после долгого пути, хочется собраться с мыслями
и ответить на вопросы: «Что же мы узнали?» и «Как это можно приме-
нить?». Ответом на первый вопрос может служить детальное рассмотре-
ние наших результатов: начиная с открытий, сделанных при анализе по-
ведения портфеля на целых классах моделей, и переходя к специфичес-
ким комбинациям моделей и приказов, к отдельным рынкам и оптималь-
ным методам торговли на них.
Исследованный в данной книге материал можно уподобить виду с са-
молета, летящего в темноте: с большой высоты видны только темные про-
странства (классы моделей, приносящих убытки) и светлые пятна (клас-
сы моделей, работающих хорошо или по крайней мере лучше, чем гене-
ратор случайных сделок). С этой высоты видна эффективность моделей
относительно всего портфеля торгуемых рынков.
Затем самолет снижается. Становится видно больше деталей — вид-
но, что самые яркие скопления образованы источниками света с разной
яркостью (сочетаниями моделей и приказов с различной эффективнос-
тью). В темных пространствах также попадаются маленькие изолирован-
ные точки света (удачные комбинации моделей и приказов на фоне мас-
сы убыточных). На этом уровне видны также участки, находящиеся в по-
лутьме (сочетания моделей и приказов, приносящих убытки, но работаю-
щих лучше, чем модель случайных сделок, что дает надежду на улучше-
ние в сочетании с качественными правилами выхода).
В конце концов приближается посадка. Можно заглянуть в светлые
точки и увидеть их внутреннюю структуру, т.е. отдельные рынки, где луч-
ше всего работают данные комбинации моделей и приказов. Теперь об-
ратимся ко второму вопросу: как это можно применить. Очевидно, что
путем определения устойчиво прибыльных (в пределах и вне пределов
выборки) сочетаний моделей, приказов и рынков можно создать хорошую
стратегию торговли портфелем. К этому моменту будет ясно, что в тече-
ние полета мы увидели и узнали достаточно много для того, чтобы создать
378 ЗАКЛЮЧЕНИЕ




эффективный портфель торговых систем и финансовых инструментов. В
качестве иллюстрации такой портфель будет создан и протестирован со
стандартной стратегией выхода.


КРУПНЫЙ ПЛАН
Мы полностью исследовали каждый из классов моделей входа (т.е. все сле-
дующие за трендом модели на основе скользящих средних, все модели на
основе пробоев, все малые нейронные сети). Все тесты по каждой из этих
групп усреднялись для данных в пределах и вне пределов выборки.
С большим отрывом лидировала генетическая модель: только она да-
вала устойчивую прибыль в усреднении по всем тестам ($3271).
За ней по показателям усредненных результатов следовали малые ней-
ронные сети. Нейронные сети разделяются на крупные и малые, поскольку
для крупных сетей проблема подгонки под исторические данные пред-
ставляет огромную сложность. В тестах каждая модель испытывалась с
одной крупной и одной малой сетью. Вне пределов выборки малые ней-
ронные сети в среднем приносили убыток в $860 со сделки. Это, несом-
ненно, лучше, чем результат модели случайных входов, когда убытки со-
ставляли в среднем более $2000 при стандартном отклонении около $400.
Далее в порядке убывания эффективности следуют сезонные модели.
В среднем все тесты сезонных моделей приводили к потере $966 со сделки.
Затем следуют три вида моделей на основе скользящих средних (на
пересечении, угле наклона и поддержке/сопротивлении). В среднем в сдел-
ке они приносили убыток в $ 1500 — это вполне сравнимо с убытком $2100,
ожидаемым от чисто случайных входов. Иными словами, модели на осно-
ве скользящих средних были лишь немного лучше случайных входов.
Эффективность всех прочих моделей была близкой к случайной, а
модели на основе циклов, как оказалось, работали даже хуже случайных
входов.
В пределах выборки прибыльными были генетические модели ($12 533
в средней сделке), все нейронные сети ($8940 — мелкие и $13 082 — круп-
ные) и все модели на основе пробоев ($1537). Вне пределов выборки при-
быльными остались только генетические модели, нейронные сети рабо-
тали лучше случайных входов (хотя из-за подгонки под исторические дан-
ные их показатели заметно ухудшились), а эффективность моделей про-
боев упала до случайного уровня («вредная» оптимизация не может быть
единственной причиной такого результата).
Далее в пределах выборки в порядке убывания эффективности следу-
ют модели поддержки/сопротивления на основе скользящих средних
(средний убыток $300 в сделке) и сезонные модели (средний убыток $671).
Затем следовали лунные и солнечные модели (средний убыток $1076
и $1067 соответственно). Модели на основе скользящих средних прино-
ЗАКЛЮЧЕНИЕ 379




сили убыток от $1300 до $1700. Модели на основе осцилляторов и циклов
приводили к убыткам более $2000 со сделки, что не лучше, чем результат
генератора случайных входов.
Интересно, что вне пределов выборки сохранили эффективность ге-
нетическая модель и малые нейронные сети. Такие модели чрезвычайно
способны к подгонке под исторические данные и часто проваливаются в
тестах вне выборки и при реальной торговле. Кроме того, некоторый тор-
говый потенциал был проявлен редко исследуемыми сезонными моделя-
ми. При этом наиболее популярные методики (скользящие средние, ос-
цилляторы, циклы) были среди худших как в пределах, так и вне выбор-
ки. Примечательно, что модели на основе пробоев в среднем хорошо ра-
ботали в прошлом, но теперь их эффективность снизилась до уровня мо-
дели случайных входов.
В табл. С-1 приведена прибыль в процентах годовых (первая строка
для каждой комбинации модели и приказа) и средняя прибыль в сделке
(вторая строка), полученные при использовании стандартной стратегии
выхода. Приведенные данные относятся к эффективности торговли порт-
фелем в целом. Описания моделей (левый столбец) соответствуют исполь-
зовавшимся в этой книге. Последние шесть строк в таблице служат ос-
новой для сравнения различных моделей между собой. Они получены при
использовании случайных входов и базовой стратегии выходов.
СредДОХ % означает среднюю доходность в процентах годовых на осно-
ве нескольких последовательностей случайных входов; СтОтклДОХ% —
стандартное отклонение доходности. Сред $СДЕЛ — средняя прибыль/
убыток в сделке на основе нескольких последовательностей случайных
входов и СтОткл $СДЕЛ — стандартное отклонение средней прибыли в
сделке.
Модели на основе пробоя были уникальны тем, что приносили при-
быль в пределах выборки при почти всех сочетаниях модели и приказа.
За исключением пробоев волатильности, эти модели работали гораздо
лучше случайных входов, хотя и были убыточны вне пределов выборки —
убыток был менее $1000, иногда менее $300 (средний убыток модели слу-
чайных входов составил около $2000). Иными словами, системы на осно-
ве пробоев в целом были лучше случайных входов. Но вне пределов вы-
борки они работали гораздо хуже, чем случайные входы. Средний убы-
ток в сделке превышал $5000, как будто поведение рынка было специаль-
но настроено на затруднение работы этих систем.
Модели на основе скользящих средних, следующие за трендом (моде-
ли пересечения и угла наклона), в пределах выборки работали немного
лучше случайных входов — убытки были достаточно серьезными, но поч-
ти всегда менее $2000. Ни одна из систем не была достаточно эффектив-
ной, и вне пределов выборки картина, в общем, не изменилась, несмотря
на большую волатильность результатов: большинство сочетаний работа-
ли лучше, чем случайные входы, но все-таки приносили убытки.
ЗАКЛЮЧЕНИЕ
380



Результаты торговли портфелем для всех исследованных
Таблица С-1.
моделей со всеми видами входов
ЗАКЛЮЧЕНИЕ 381



Результаты торговли портфелем для всех исследованных
Таблица С-1.
моделей со всеми видами входов (продолжение)
382 ЗАКЛЮЧЕНИЕ




Результаты торговли портфелем для всех исследованных
Таблица С-1.
моделей со всеми видами входов (продолжение)
ЗАКЛЮЧЕНИЕ 383



Противотрендовые модели на основе скользящих средних работали
менее стабильно, чем модели следования за трендом. Многие из них де-
монстрировали меньшие убытки или даже некоторую прибыль в преде-
лах выборки. Вне пределов выборки наблюдалась аналогичная картина,
особенно в отношении модели на основе поддержки/сопротивления
скользящих средних.
За исключением модели расхождения MACD, все осцилляторы при-
носили большие убытки. Почти всегда они работали хуже, чем случай-
ные входы как в пределах, так и вне пределов выборки. Самой худшей
была модель перекупленности/перепроданности RSI. В обеих частях вы-
борки данных убытки при ее использовании были огромными, гораздо
больше, чем ожидаемые убытки случайных входов.
С другой стороны, сезонные модели были однозначно лучше случай-
ного входа. Хотя только одна из них дала реальную прибыль и в пределах,
и вне пределов выборки, две из них были прибыльны вне пределов вы-
борки, а убыток еще нескольких был гораздо меньше, чем ожидаемый
убыток модели случайных входов.
Результаты простейшей лунной модели были неоднозначными. В пре-
делах выборки большинство тестов показали убыток, который, тем не
менее, был лучше ожидаемого убытка случайных входов. При этом мо-
дель на пресечении лунных средних была однозначно лучше случайного
входа как в пределах, так и вне пределов выборки.
Хотя солнечные модели в пределах выборки работали лучше слу-
чайного входа, вне пределов выборки результаты были неоднородны-
ми и изменчивыми. Это также относится к моделям на основе циклов.
Впрочем, циклические модели при входе по лимитному приказу или по
цене открытия в последние годы работали гораздо хуже, чем случай-
ные входы. Как и в случае с моделями на основе пробоя, оптимизация
здесь не играет роли; значимый уровень подгонки под исторические
данные был обнаружен только в генетических моделях и нейронных
сетях. Из-за огромного размера образца данных оптимизация одного-
двух параметров, необходимых для большинства моделей (за исключе-
нием генетической и нейронной сети) давала минимальный эффект
«вредной» подгонки.
Как ни странно, модели на основе нейронных сетей довольно часто
показывали неплохие (лучше случайных) результаты вне пределов выбор-
ки. В пределах выборки, естественно, эффективность нейросетей была
потрясающей. Мы проводили коррекцию коэффициента корреляции, но
и после коррекции корреляция оставалась значимой, сохраняя вне пре-
делов выборки ощутимую реальную прогностическую ценность.
Результаты правил, разработанных с помощью генетических алго-
ритмов, были самыми лучшими. Великолепная эффективность, получен-
ная в пределах выборки, сохранялась в длинных позициях и на данных
вне выборки.
384 ЗАКЛЮЧЕНИЕ




Обобщение
Многие из моделей были описаны как «значительно превосходящие слу-
чайные входы». Эти модели могли бы стать прибыльными в сочетании с
улучшенной стратегией выходов. В части III книги стало очевидно, что при
использовании случайного входа хорошая стратегия выхода способна
повысить прибыль (или снизить убытки) примерно на $1000 в средней
сделке. Это означает, что при хорошем выходе модели, терпевшие убыт-
ки в несколько сот долларов, могут стать прибыльными.
Как было сказано выше, путь был долгим, порой трудным и обескура-
живающим. Но при этом взгляд с высоты сумел обнаружить много потен-
циально прибыльных моделей входа. Кроме того, было обнаружено не-
мало сюрпризов: так, несмотря на ужасную репутацию и опасную тен-
денцию к подгонке под исторические данные, наилучшими вне пределов
обучающей или эволюционной выборки оказались именно нейронные

<< Пред. стр.

стр. 45
(общее количество: 46)

ОГЛАВЛЕНИЕ

След. стр. >>