Estratégia de negociação overfitting

Evitando overfitting.

Eu li o artigo.

mql5 / pt / articles / 652 - MQL5 Cookbook: Reduzindo o efeito do overfitting e lidando com a falta de cotações.

e realmente testei alguns de seus resultados, mas eles não são especialmente impressionantes (uma das suposições feitas no artigo sobre a falta de necessidade de testes futuros é, na minha opinião, diretamente errada). Então eu estava pensando, que tipo de técnicas podem ser usadas para evitar overfitting?

Eu li o artigo.

mql5 / pt / articles / 652 - MQL5 Cookbook: Reduzindo o efeito do overfitting e lidando com a falta de cotações.

e realmente testei alguns de seus resultados, mas eles não são especialmente impressionantes (uma das suposições feitas no artigo sobre a falta de necessidade de testes futuros é, na minha opinião, diretamente errada). Então eu estava pensando, que tipo de técnicas podem ser usadas para evitar overfitting?

Está bem. Com base no meu design de EA, eu otimizo a entrada em um intervalo que é lógico e não em um grande intervalo.

Não otimize nada.

Isso soa como matar um bug com uma bazuca, não é? Quero dizer, em vez de encontrar uma solução razoável, você simplesmente não usa uma ferramenta disponível. Além disso, se essa é a resposta, por que quase todos os EA apresentados no mercado fornecem resultados de otimização?

Eu entendo que uma é reduzir o número de parâmetros a serem otimizados para o mínimo. Mas eu posso estar errado!

Eu concordo absolutamente. Na verdade, o que estou tentando fazer é obter o valor de diferentes parâmetros ajustando apenas um. Por exemplo, o período lento do MACD por período rápido * 2, mas não sei se esse é o caminho certo.

Está bem. Por exemplo, se minha estratégia é vender / comprar quando o alcance diário exceder certos pips. Então eu usei o atr no cronograma diário. Ao otimizar eu insiro valores de 80 a 120 por cento do atr diário. Eu não vou otimizar de 10 a 300 para encontrar os parâmetros de entrada de ajuste de curva.

Mais uma vez outra resposta lógica.

E quanto ao intervalo de dados do histórico otimizado? Se eu estou tentando desenvolver um EA que deve estar ativo e funcionando sem modificações por um mês, qual deve ser a quantidade de dados históricos usados ​​para sua otimização?

Isso soa como matar um bug com uma bazuca, não é? Quero dizer, em vez de encontrar uma solução razoável, você simplesmente não usa uma ferramenta disponível. Além disso, se essa é a resposta, por que quase todos os EA apresentados no mercado fornecem resultados de otimização?

Artigo agradável. Concordo com o primeiro comentário do RaptorUK "Não otimize nada". Caso contrário, você terá problemas para explicar como otimizar corretamente. A maioria de nós concorda que existe um ajuste de curva. No entanto, a maioria também discordaria sobre como evitá-lo.

Alguém pode pegar um simples SMA_CrossOver Price, criar um allot de Optimization_Switches por exemplo Periods, BarCounts, Stoploss, TakeProfit, TimeOfDay, etc. Cada um deles pode acabar tendo aproximadamente 100_steps. Isso é 100 * 5 [ou provavelmente 100 quadrados] resultados diferentes, com apenas alguns poucos acima, e voilà, você tem uma estratégia lucrativa sma que mais do que provavelmente não seria rentável em testes ao vivo.

Há muito material diferente sobre como otimizar isso, então novamente me leva ao princípio do KISS.

Como doshur sugere, você pode tentar otimizar com small_range de onde você começou. Algumas pessoas podem sugerir passos maiores, em vez de passar por 1, usar 10 ou 100, etc. Algumas pessoas podem sugerir que você otimize em um tamanho pequeno de intervalo de datas e, em seguida, avance em grande intervalo de datas. Algumas pessoas podem sugerir que você otimize em um grande tamanho de intervalo de datas e, em seguida, avance em pequenos intervalos de datas. Algumas pessoas podem sugerir que você otimize todos os dados disponíveis. Algumas pessoas podem sugerir que você precisa de um grande número de negociações.

Qual método alguém usa, geralmente depende de sua visão de mundo forex. Uma das visões mais populares sobre a otimização é o bullet # 4, em que você otimiza por cerca de quatro meses e, em seguida, executa um back-test pelas próximas duas semanas ou mais após a otimização end_date. Obviamente, alguém que usa esse método acredita que os comportamentos de mercado são short_live e precisa de otimização constante para permanecer no caminho certo. E isso é apenas um exemplo de forex world_view.

O que eu acredito sobre otimização é isso [não otimizar não funciona para você]: eu vou ter que usar um exemplo com simuladores de blackjack para ilustrar. Vamos dizer que eu queria saber um bom valor para ter seguro enquanto eu estava contando os cartões. Então eu simulo um par de milhões de mãos de blackjack e os resultados são os seguintes.

2______________ (é melhor contar para o seguro porque tem a barra mais longa)

Como você pode ver, 2 dá o melhor resultado porque tem a maior ___bar___ ou o número de vitórias nessa contagem. Mas o que é importante aqui é que os vizinhos número 1 e 3 são os segundos melhores. Seguido por 0 e 4 em ambas as asas. Essa ideia de um cluster é o que me dá confiança para selecionar 2 como ótimo.

No entanto, com a maioria das otimizações de forex, os resultados normalmente não criam essa forma de curva com um pico.

Claramente number1 cria os melhores resultados, mas isso não inspira muita confiança de mim.

Para resumir, não otimize, observe o mercado ou pense em uma estratégia, codifique-a e deve funcionar na primeira execução. Caso contrário, pense em outra coisa. Se ele funcionar na primeira execução, procure otimizar levando em consideração o efeito de cluster. Use todos os dados disponíveis para testes, aceite qualquer falha e siga em frente.

POR FAVOR, APOIE A BUSCA ALFA.

Obrigado pelo seu apoio.

Otimizando Estratégias de Negociação sem Overfitting.

20 de novembro de 2017 1:36.

A otimização dos parâmetros de uma estratégia de negociação via backtesting tem um grande problema: normalmente, não há negociações históricas suficientes para alcançar significância estatística. Quaisquer que sejam os parâmetros ideais encontrados, é provável que sofram de viés de espionagem de dados, e pode não haver nada de otimista sobre eles no período fora da amostra. É por isso que a otimização de parâmetros de estratégias de negociação geralmente não agrega nenhum valor.

Por outro lado, otimizar os parâmetros de um modelo de séries temporais (como um ajuste de máxima verossimilhança para um modelo autorregressivo ou GARCH) é mais robusto, já que os dados de entrada são preços, não negócios, e temos preços abundantes. Felizmente, há maneiras inteligentes de aproveitar a facilidade de otimizar os modelos de séries temporais para otimizar os parâmetros de uma estratégia de negociação.

Uma maneira elegante de otimizar uma estratégia de negociação é utilizar os métodos da teoria do controle ótimo estocástico - elegante, isto é, se você é matematicamente sofisticado e capaz de resolver analiticamente a equação de Hamilton-Jacobi-Bellman (HJB) (ver Cartea et al. Mesmo assim, isso só funcionará quando a série temporal subjacente for bem conhecida, como o processo contínuo Ornstein-Uhlenbeck (UO) subjacente a todas as séries de preços de reversão à média.

Esse processo de UO é representado nitidamente por uma equação diferencial estocástica. Além disso, as equações do HJB normalmente podem ser resolvidas exatamente apenas se a função objetivo for de uma forma simples, como uma função linear. Se a sua série de preços for representada nitidamente por um processo OU, e seu objetivo for a maximização do lucro, que é uma função linear da série de preços, a teoria de controle otimizada estocástica lhe dará a estratégia analítica ideal: com entrada exata e Limites de saída fornecidos como funções dos parâmetros do processo OU.

Não há mais necessidade de encontrar esses limiares ótimos por tentativa e erro durante um tedioso processo de backtest, um processo que convida overfitting para um número escasso de negócios. Como indicamos acima, os parâmetros do processo OU podem ser ajustados de forma bastante robusta aos preços e, de fato, há uma solução analítica de máxima verossimilhança para esse ajuste, dada em Leung et. al.

Mas e se você quiser algo mais sofisticado do que o processo de OU para modelar sua série de preços ou exigir uma função de objetivo mais sofisticada? E se, por exemplo, você quiser incluir um modelo GARCH para lidar com a volatilidade variável no tempo e otimizar o índice de Sharpe? Em muitos casos, não há representação como uma equação diferencial estocástica contínua e, portanto, não há equação HJB a ser resolvida. Felizmente, ainda há uma maneira de otimizar sem overfitting.

Em muitos problemas de otimização, quando uma solução analítica ótima não existe, muitas vezes se volta para simulações. Exemplos de tais métodos incluem simulated annealing e Markov Chain Monte Carlo (MCMC). Aqui, faremos o mesmo: se não conseguirmos encontrar uma solução analítica para nossa estratégia de negociação ideal, mas pudermos encaixar muito bem nossa série de preços subjacente em um modelo de série temporal padrão, como o ARMA, podemos simplesmente simular muitas instâncias de a série de preços subjacente.

Vamos backtest nossa estratégia de negociação em cada instância da série de preços simulados e encontrar os melhores parâmetros de negociação que mais freqüentemente geram o maior índice de Sharpe. Esse processo é muito mais robusto do que aplicar um backtest na série temporal real, porque há apenas uma série de preços reais, mas podemos simular quantas séries de preços (todas seguindo o mesmo processo ARMA) que desejamos. Isso significa que podemos simular quantos negócios quisermos e obter parâmetros de negociação ideais com a maior precisão que desejarmos. Isso é quase tão bom quanto uma solução analítica. (Veja o fluxograma abaixo que ilustra este procedimento.)

Aqui está um exemplo um pouco trivial desse procedimento. Queremos encontrar uma estratégia ótima que negocie o AUDCAD a cada hora. Primeiro, ajustamos um modelo AR (1) + GARCH (1,1) aos dados usando o log midprices. O ajuste da máxima verossimilhança é feito usando uma janela móvel de um ano de preços históricos, e o modelo é reajustado a cada mês. Usamos o Econetrics Toolbox do MATLAB para esse ajuste. Assim que a sequência de modelos mensais for encontrada, podemos usá-los para prever o preço médio do log no final das barras horárias, bem como a variação esperada dos retornos de log. Assim, uma estratégia de negociação simples pode ser testada: se o retorno esperado do log na próxima barra for maior que K vezes a volatilidade esperada (raiz quadrada da variação) dos retornos de log, compre o AUDCAD e segure por uma barra, e vice-versa . Mas qual é o K ideal?

Seguindo o procedimento descrito acima, cada vez que montamos um novo modelo AR (1) + GARCH (1, 1), usamos isso para simular os preços de log para as barras horárias do mês seguinte. Na verdade, simulamos isso 1.000 vezes, gerando 1.000 séries temporais, cada uma com o mesmo número de barras por hora em um mês. Então, nós simplesmente percorremos todo o valor razoável de K e lembramos qual K gera o maior índice de Sharpe para cada série temporal simulada. Escolhemos o K que na maioria das vezes resulta na melhor proporção de Sharpe entre as 1.000 séries temporais simuladas (ou seja, escolhemos o modo de distribuição dos Ks ótimos na série simulada). Esta é a sequência de Ks (uma para cada mês) que usamos para o nosso backtest final. Abaixo está uma amostra de distribuição de Ks ideais para um mês específico e a distribuição correspondente das proporções de Sharpe:

Curiosamente, o modo do K ótimo é 0 para qualquer mês. Isso certamente contribui para uma estratégia de negociação simples: basta comprar sempre que o retorno de log esperado for positivo e vice-versa para curtos. O CAGR é de cerca de 4,5%, assumindo custos de transação zero e execuções de preço intermediário. Aqui está a curva de retornos cumulativos:

Você pode exclamar: "Isso não pode ser o ideal, porque eu posso trocar barras horárias da AUDCAD com retornos muito melhores e taxa de Sharpe!" Naturalmente, ótimo neste caso significa apenas ótimo dentro de um certo universo de estratégias e assumindo um modelo de série de preços AR (1) + GARCH (1, 1) subjacente. Nosso universo de estratégias é bastante simplista: basta comprar ou vender com base em se o retorno esperado excede um múltiplo da volatilidade esperada. Mas este procedimento pode ser estendido para qualquer modelo de série de preço que você assuma e qualquer universo de estratégias que você possa criar. Em todos os casos, reduz muito a chance de overfitting.

Overfitting.

DEFINIÇÃO de 'Overfitting'

Overfitting é um erro de modelagem que ocorre quando uma função é muito ajustada a um conjunto limitado de pontos de dados. O overfitting do modelo geralmente assume a forma de um modelo excessivamente complexo para explicar as idiossincrasias nos dados em estudo. Na realidade, os dados frequentemente estudados apresentam algum grau de erro ou ruído aleatório dentro dele. Assim, tentar fazer com que o modelo esteja em conformidade com dados pouco precisos pode infectar o modelo com erros substanciais e reduzir sua capacidade de previsão.

QUEBRANDO PARA BAIXO 'Overfitting'

Profissionais financeiros devem sempre estar cientes dos perigos de overfitting de um modelo baseado em dados limitados. Por exemplo, um problema comum é usar algoritmos de computador para pesquisar bancos de dados extensivos de dados históricos do mercado, a fim de encontrar padrões. Com base em estudos suficientes, muitas vezes é possível desenvolver teoremas elaborados que parecem prever coisas como retornos no mercado de ações com exatidão. No entanto, quando aplicados a dados fora da amostra, tais teoremas podem provavelmente ser apenas um overfitting de um modelo para o que, na realidade, eram apenas ocorrências aleatórias. Em todos os casos, é importante testar um modelo com dados que estão fora da amostra usada para desenvolvê-lo.

20 & # xA0; & # x2013; & # xA0; Sobrecarga estatistica e performance de backtest.

No campo das finanças matemáticas, um backtest & rdquo; é o uso de dados históricos de mercado para avaliar o desempenho de uma estratégia de negociação proposta. É relativamente simples para um sistema de computadores atual explorar milhares, milhões ou até bilhões de variações de uma estratégia proposta, e escolher a variante de melhor desempenho como a melhor & rdquo; estratégia & ldquo; na amostra & rdquo; (isto é, no conjunto de dados de entrada). Infelizmente, esse tipo de & ldquo; ótimo & rdquo; estratégia muitas vezes executa muito mal "fora da amostra & rdquo; (isto é, em outro conjunto de dados), porque os parâmetros da estratégia de investimento foram super adaptados aos dados dentro da amostra, uma situação conhecida como overtest overfitting & rdquo ;. Embora a matemática do overtest overfitting tenha sido examinada em vários estudos teóricos recentes, aqui buscamos uma análise mais tangível desse problema, na forma de uma ferramenta de simulador on-line. Dada uma série de tempo de passeio aleatório de entrada, a ferramenta desenvolve um & ldquo; & rdquo; ótimo & rdquo; Uma variante de uma estratégia simples, explorando exaustivamente todos os valores de parâmetros inteiros entre um punhado de parâmetros. Este & ldquo; ótimo & rdquo; estratégia é overfit, desde que por definição um passeio aleatório é imprevisível. Em seguida, a ferramenta testa o resultado & ldquo; ideal & rdquo; estratégia em uma segunda série temporal de passeio aleatório. Na maioria das corridas usando nossa ferramenta on-line, o & ldquo; ótimo & rdquo; A estratégia derivada da primeira série temporal apresenta um desempenho ruim na segunda série temporal, demonstrando como é difícil não sobrecarregar um backtest. Oferecemos esta ferramenta online para facilitar mais pesquisas nesta área.

Backtest overfitting; Demonstração; Investimentos; Estratégia ótima; Estratégia otimizada; SEBO; Viés de seleção ; Proporção de Sharpe; Sobrecarga estatística.

Direitos autorais & copy; 2015 ISTE Press Ltd. Publicado por Elsevier Ltd. Todos os direitos reservados.

Estratégias de negociação que são projetadas e evitam Overfitting de Robert Carver.

"A QuantCon foi provavelmente a maior concentração de QI coletivo sob o mesmo teto na história da conferência financeira (tanto palestrantes quanto participantes). As palestras que fiz foram tecnicamente corretas e quase sem exceção apresentadas por palestrantes", declarou Robert Carver em Some Reflections. na QuantCon 2017.

Nosso próximo QuantCon será realizado em Nova York entre os dias 27 e 28 de abril. Os ingressos para os madrugadores estão apenas à venda até 01/01/2018. Não perca nossos melhores preços para este evento - reserve já seu lugar!

Estratégias de Negociação Projetadas, Não Equipadas por Robert Carver da QuantCon NYC 2017.

Em sua palestra, Robert explica o que o design de um sistema comercial envolve, explora por que o design pode ser melhor do que se encaixar e introduz algumas das ferramentas que você poderia usar. Ele também leva você através do processo de design para uma estratégia de negociação de exemplo, focada especificamente na sequência de tendências e como evitar overfitting. Ele caminha por uma estrutura sólida que abrange o direcionamento de risco, os custos de compreensão, a regressão linear, o conhecimento tácito e outras condições importantes. Finalmente, ele discute como podemos ter o melhor dos dois mundos: estratégias que são bem projetadas e também ajustadas aos dados.

Ingressos Early Bird já estão à venda na QuantCon NYC 2018.

O QuantCon 2018 contará com vários oradores especialistas e se concentrará em como a ciência de dados e o aprendizado de máquina podem ajudar a melhorar suas estratégias de negociação. A conferência de dois dias consiste em workshops, palestras, tutoriais e networking com os principais indivíduos no espaço de investimento quantitativo.

Os palestrantes confirmados de 2018 incluem:

Dra. Kathryn Kaminski, Cientista Visitante, Laboratório do MIT para Engenharia Financeira Dr. Stephen Malinak, Diretor de Dados e Analítica do Laboratório TruValue Dr. Ernest Chan, Membro Administrativo da QTS Capital Management, LLC. Tanya Beder, Presidente e CEO do Grupo SBCC.

Para ver nossa programação completa, visite: quantcon.

O material deste site é fornecido apenas para fins informativos e não constitui uma oferta de venda, uma solicitação de compra ou uma recomendação ou endosso para qualquer segurança ou estratégia, nem constitui uma oferta para fornecer serviços de consultoria de investimento pela Quantopian.

Além disso, o material não oferece opinião com relação à adequação de qualquer investimento específico ou de segurança. Nenhuma informação aqui contida deve ser considerada como uma sugestão para se envolver ou se abster de qualquer ação relacionada ao investimento, já que nenhuma das empresas da Quantopian ou de suas afiliadas está prestando consultoria de investimento, atuando como consultora de qualquer plano ou entidade sujeita a o Employee Retirement Income Security Act de 1974, conforme alterado, conta de aposentadoria individual ou anuidade de aposentadoria individual, ou dar conselhos em uma capacidade fiduciária com relação aos materiais aqui apresentados. Se você for um investidor individual ou outro investidor, entre em contato com seu consultor financeiro ou outro fiduciário não relacionado com a Quantopian sobre se qualquer ideia, estratégia, produto ou serviço de investimento descrito aqui pode ser apropriado para suas circunstâncias. Todos os investimentos envolvem risco, incluindo perda de principal. A Quantopian não garante a exatidão ou integridade das opiniões expressas no site. As opiniões estão sujeitas a alterações e podem ter se tornado não confiáveis ​​por várias razões, incluindo mudanças nas condições de mercado ou circunstâncias econômicas.

O material deste site é fornecido apenas para fins informativos e não constitui uma oferta de venda, uma solicitação de compra ou uma recomendação ou endosso para qualquer segurança ou estratégia, nem constitui uma oferta para fornecer serviços de consultoria de investimento pela Quantopian.

Além disso, o material não oferece opinião com relação à adequação de qualquer investimento específico ou de segurança. Nenhuma informação aqui contida deve ser considerada como uma sugestão para se envolver ou se abster de qualquer ação relacionada ao investimento, já que nenhuma das empresas da Quantopian ou de suas afiliadas está prestando consultoria de investimento, atuando como consultora de qualquer plano ou entidade sujeita a o Employee Retirement Income Security Act de 1974, conforme alterado, conta de aposentadoria individual ou anuidade de aposentadoria individual, ou dar conselhos em uma capacidade fiduciária com relação aos materiais aqui apresentados. Se você for um investidor individual ou outro investidor, entre em contato com seu consultor financeiro ou outro fiduciário não relacionado com a Quantopian sobre se qualquer ideia, estratégia, produto ou serviço de investimento descrito aqui pode ser apropriado para suas circunstâncias. Todos os investimentos envolvem risco, incluindo perda de principal. A Quantopian não garante a exatidão ou integridade das opiniões expressas no site. As opiniões estão sujeitas a alterações e podem ter se tornado não confiáveis ​​por várias razões, incluindo mudanças nas condições de mercado ou circunstâncias econômicas.

O material deste site é fornecido apenas para fins informativos e não constitui uma oferta para vender, uma solicitação de compra ou uma recomendação ou endosso para qualquer segurança ou estratégia, nem constitui uma oferta para fornecer consultoria de investimento ou outros serviços por Quantopian. Além disso, o conteúdo do site não oferece nenhuma opinião com relação à adequação de qualquer segurança ou investimento específico.

A Quantopian não oferece garantias quanto à exatidão ou integridade das visões expressas no site. As opiniões estão sujeitas a alterações e podem ter se tornado não confiáveis ​​por várias razões, incluindo mudanças nas condições de mercado ou circunstâncias econômicas. Todos os investimentos envolvem risco - incluindo perda de principal. Você deve consultar um profissional de investimento antes de tomar qualquer decisão de investimento.

Como identificar as estratégias de negociação de superlotação.

Neste post, descrevemos as principais características e comportamentos das estratégias de negociação de overfit e os riscos que representam para os investidores e para os investidores da DARWIN.

As estratégias de negociação de overfit geralmente têm bom desempenho em ambientes de backtesting, criando a ilusão de que eles exploram a ineficiência do mercado sendo muito bem direcionados.

No entanto, quando implantados em um ambiente de negociação ao vivo, seu desempenho é desproporcionalmente diferente do que foi observado em backtesting, devido principalmente à modelagem de dados históricos muito de perto.

Isso impede que tais estratégias generalizem bem dados não vistos no futuro, em detrimento tanto dos investidores (lançando-os ao vivo com capital) quanto dos investidores DARWIN (apoiando-os com capital).

Para sua conveniência, esta postagem está organizada da seguinte maneira:

Tipos de Estratégias de Negociação de Overfit Características Típicas & amp; Comportamentos Como os comerciantes podem resolver Overfitting Como os investidores podem evitar DARWINs Overfit.

Tipos de Estratégias de Negociação de Overfit.

Podemos generalizá-los em duas categorias principais:

Focada no modelo & # 8211; onde a estratégia ajusta os dados históricos muito de perto e exibe alta variação quando testada em dados não vistos. Focado em risco & # 8211; onde o desempenho de um modelo fraco é compensado com uma lógica de gerenciamento de risco irrealista, avessa a perdas.

No primeiro (focado no modelo), uma estratégia de negociação normalmente funciona muito bem em backtesting, mas ou fica estagnada por longos períodos de tempo (ou falha totalmente) em testes ao vivo.

Estratégias de Trading Overfit (focado no modelo)

Do ponto de vista do comerciante e do investidor, tais estratégias são fáceis de identificar visualmente; Os retornos chegarão, em algum momento, a um ponto de inflexão, onde eles não mais parecerão semelhantes ao desempenho histórico.

Neste último (focado no risco), uma estratégia de negociação demonstrará retornos suaves e muito consistentes no backtesting, bem como em testes ao vivo por um período de tempo, tornando tais estratégias mais perigosas do que as anteriores, pois são difíceis de identificar apenas retorna gráficos.

Estratégias de Negociação de Overfit (focadas no risco)

Antes & amp; Depois (focado no risco)

Posteriormente no post, discutiremos certos atributos de investimento da DARWIN que ajudam os investidores e investidores a isolar tais estratégias.

Recursos típicos & amp; Comportamentos

Focada no modelo.

Geralmente é bastante simples para identificar estratégias de negociação que se ajustam a dados históricos.

Em comparação com as fases de treinamento em backtests, suas fases de teste e performance ao vivo podem demonstrar:

Excesso de estagnação, perdas maiores e / ou uma reversão geral nos retornos previstos.

Dos 12 atributos de investimento DARWIN disponíveis, esse comportamento é melhor capturado pela evolução do seguinte:

As pontuações baixas ou a evolução instável das pontuações nesses atributos (especialmente no comércio ao vivo) podem servir como um indicador útil na identificação de uma estratégia como super ajuste em backtests ou de outra forma.

Quando uma estratégia é excessiva para os dados de treinamento, é provável que a evolução de suas pontuações para os atributos acima demonstre alta variância quando submetida a dados de teste e / ou em negociação ao vivo.

Normalmente, três combinações de pontuações para os atributos acima demonstram um desempenho consistente entre os backtests e o live trading (quando acompanhados pelos escores High Ex, High Mc, High Rs):

(Baixo Cp | Alto Os / Cs | Alto Pf | Alto R-) & # 8211; Uma vez que uma estratégia com boas pontuações para estas no backtest é lançada ao vivo, se as pontuações para Os / Cs e R - diminuírem progressivamente ao longo do tempo, a probabilidade de a estratégia ser super ajustada aumenta. (Moderado Cp | Alta La | Alta Pf) & # 8211; Se as pontuações altas para os La e Rs diminuírem progressivamente ao serem lançadas ao vivo, a probabilidade de a estratégia ser overfit aumenta.

Os comerciantes podem, portanto, se beneficiar do upload de backtests de estratégia de negociação para a plataforma Darwinex para análise.

Examinar a evolução das pontuações recebidas fornece uma camada valiosa de insight sobre como o desempenho simétrico é provável em backtesting versus negociação ao vivo.

Por exemplo, se a evolução constante é observada em relação aos dados de treinamento, mas a alta variação nos dados de teste, a probabilidade de a estratégia generalizar bem para dados não vistos no comércio ao vivo é baixa.

Evolução estável de risco & amp; Duração Consistência.

Focado no risco.

Em estratégias de negociação em que o gerenciamento de risco avesso à perda compensa o mau momento (e gera retornos irrealistas em backtesting), um ou mais dos seguintes comportamentos podem ser observados:

Negociações mal cronometradas não são fechadas por longos períodos de tempo. Ordens adicionais são abertas na mesma direção das mal programadas na tentativa de recuperar a posição a preços incrementalmente melhores. O excesso de alavancagem é empregado por negociação na tentativa de recuperar posições perdedoras. incrementalmente melhores preços.

Dos 12 atributos de investimento DARWIN disponíveis, esse comportamento é melhor capturado pelo seguinte:

A evolução das pontuações recebidas para esses atributos de investimento fornece uma visão valiosa sobre se uma estratégia compensará o tempo inferior empregando práticas de gerenciamento de riscos aversos a perdas.

Além disso, pontuações baixas para Rs e Mc em particular adicionam uma forte confirmação de que o overfitting focado no risco é provavelmente o caso de uma estratégia.

La vs Cp vs Rs (Evolução dos Atributos de Investimento DARWIN)

Como os comerciantes podem resolver Overfitting.

Um post recente no blog & # 8211; DO & # 8217; e DONT & # 8217; s do MetaTrader 4 Backtesting & # 8211; detalha vários passos que os negociadores podem tomar para tratar e eliminar o sobreajuste de suas estratégias de negociação.

Como os investidores podem evitar DARWINs Overfit ou arriscados.

Conforme descrito em "Recursos típicos" & amp; Comportamentos & # 8221; acima, monitorando a evolução das pontuações de uma estratégia para:

pode ajudar DARWIN Investors a ter cautela com (ou evitar inteiramente), ambos os tipos de estratégias de negociação de overfit discutidas neste post.

Informações mais detalhadas sobre cada atributo de investimento estão disponíveis na Seção de Educação.

[Recursos Adicionais] (Vídeo) Como Identificar Estratégias de Negociação de Overfit.

Neste post, vamos explicar as 3 principais vantagens de se tornar um provedor DARWIN. Mas antes de começar a ler, deixe-me fazer 3 perguntas simples: você é um profissional? Você é mesmo um comerciante talentoso? Você sonha em viver do seu talento comercial, mas não tem ativos sob gestão [& hellip;]

Este post apresenta uma série de melhores práticas para backtesting estratégias de negociação no testador de estratégia MetaTrader 4. Assista ao Webinar Gravando clicando aqui. Simulando corretamente o desempenho histórico de uma estratégia, aumenta a probabilidade de que ela se generalize bem para dados de mercado não vistos no futuro. Como tal, é importante que todo backtesting seja realizado de forma robusta, com cuidado [& hellip;]

Se, como investidor da DARWIN, você tiver a opção de alavancagem ativada, existe uma maneira de aumentar seu valor de investimento no caso de ter uma posição aberta lucrativa em um determinado DARWIN. A título de exemplo, vamos supor que: Nós investimos € 5.000 em um DARWIN, o P / L aberto é de € 1.000. O [& hellip;]

Em um post anterior & # 8211; Modelagem Quantitativa para Traders Algoritmicos & # 8211; discutimos a importância da Expectativa, Variância, Desvio Padrão, Covariância e Correlação. Nesta postagem, discutiremos como esses conceitos podem ser aplicados aos ativos do DARWIN. Como exemplo prático, empregaremos uma série de testes estatísticos para avaliar se DARWIN $ DWC é [& hellip;]