거래 전략 평가.
16 Pages 게시일 : 2014 년 8 월 3 일 최종 개정 : 2014 년 8 월 26 일
Campbell R. Harvey.
듀크 대학교 - Fuqua School of Business; 국가 조사국 (NBER); Duke Innovation & Entrepreneurship Initiative.
텍사스 A & M 대학교 재무 학부.
작성 날짜 : 2014 년 8 월 25 일
우리는 거래 전략을 평가할 수있는 새로운 도구를 제공합니다. 많은 전략과 전략의 조합이 시도 된 것으로 알려져있을 때, 우리는 이러한 여러 가지 시험에 대한 평가 방법을 조정해야합니다. Sharpe Ratios 및 다른 통계는 과장 될 것입니다. 우리의 방법은 구현이 간단하며 후보 거래 전략의 실시간 평가가 가능합니다.
키워드 : Sharpe ratio, 다중 테스트, Holm, BHY, Bonferroni, 전략 선택, Backtest, 이발, Sharpe Ratio, 데이터 마이닝, 기계 학습, Higgs Boson, 거래 전략, Out-of-Sample 테스트, In-Sample 테스트, FDR , FWER, Capital IQ, PBO.
JEL 분류 : G12, G14, G30, G00, C12, C20, B41.
Campbell Harvey (연락처 작성자)
듀크 대학교 - Fuqua School of Business ()
더럼, 노스 캐롤라이나 27708-0120.
국가 조사국 (NBER)
1050 Massachusetts Avenue.
Cambridge, MA 02138.
듀크 혁신 및 기업가 정신 이니셔티브 ()
215 Morris St., Suite 300
더럼, 노스 캐롤라이나 27701.
Texas A & M University, 재무부 ()
Wehner 401Q, MS 4353.
College Station, TX 77843-4218.
종이 통계.
관련 전자 잡지.
위험 관리 전자 저널.
이 주제에 대한 큐레이팅 된 기사를 보려면이 수수료 저널을 구독하십시오.
Behavioral & Experimental Finance 전자 저널.
이 주제에 대한 더 많은 큐레이터 기사를 보려면이 무료 저널을 구독하십시오.
자본 시장 : 시장 효율성 e 저널.
이 주제에 대한 큐레이팅 된 기사를 보려면이 수수료 저널을 구독하십시오.
뮤추얼 펀드, 헤지 펀드 및 투자 산업 전자 저널.
이 주제에 대한 큐레이팅 된 기사를 보려면이 수수료 저널을 구독하십시오.
계량 경제학 : 계량 경제 및 통계 방법 - 일반 전자 저널.
이 주제에 대한 큐레이팅 된 기사를 보려면이 수수료 저널을 구독하십시오.
계량 경제학 : 계량 경제학 모델 구성, 견적 및 선택 전자 저널.
이 주제에 대한 큐레이팅 된 기사를 보려면이 수수료 저널을 구독하십시오.
빠른 링크.
약.
쿠키는이 사이트에서 사용됩니다. 거부하거나 더 자세히 알아 보려면 쿠키 페이지를 방문하십시오. 이 페이지는 0.141 초에 apollo6에 의해 처리되었습니다.
거래 전략 평가하기
거래 전략을 수립하는 것은 성공적으로 거래하는 첫 번째 단계에 불과합니다.
그런 다음 실적을 평가하고 실제 계정에서이를 신뢰할 수 있는지 결정해야합니다. 너무 많은 관심이 전략을 수립하는 데 드는 반면, 전략이 좋은 것인지 알 수있는 방법은 놀랍지 않습니다. 대부분의 거래자는 순익, Sharpe 비율, 최대 삭감, 전반적인 정확도와 같은 일부 위험 조정 메트릭을 살펴 봅니다. 주가 곡선이 상당히 평탄 해 보인다면 it†™ s go good!
그러나 이것은 많은 중요한 측면을 무시하는 순진한 접근 방식 일 수 있습니다. 이 전략은 정확히 얼마나 위험한가요? 이 결과는 통계적으로 유의합니까? 내 시장 전략이 저조한 성과를 거두었습니까? 데모 계좌로 거래하면 얼마나 오래 살 수 있습니까?
이들은 당신이 살 거래를 고려하고있는 모든 전략을 스스로에게 물어볼 필요가있는 몇 가지 질문에 불과합니다.
We†™는이 질문에 응답하는 것을 시도하고, 더 많은 것을, 우리가 무역하는 전략에있는 신뢰 더주십시오. We†™ ll는 5 개의 종류로 전략 †™ s 성과를 분할합니다 : 수익성, 위험, 통계적인 중요성, 안정성 및 살아있는 성과.
이 기사에서는 fx 기반 전략과 관련된 처음 두 범주 인 Profitability and Risk를 다룹니다.
수익성.
수익성은 대부분의 상인이 제일 먼저 보는 것입니다. 그러나 вњњhowhow는 내 전략 이었습니까? †answer는 대답하기가 놀랄만큼 어려운 질문입니다. 그것은 20 %의 doesn†™ t가 당신에게 많이 이야기했다라고 말했습니다.
거래 비용 전후 20 %였습니까? 20 % 수익을 얻기 위해 어떤 유형의 삭감을해야합니까? 얼마나 오랜 기간 동안 걸렸습니까? 연율 화 된 경우 6 년 전 120 %를 만들었습니까?
수익성을 측정 할 때 기억해야 할 몇 가지 중요한 사항이 있습니다. 위험 조정 수익은 중요한 것입니다. 100 % 수익을 올리는 것은 당신이 в ™ ™ ¢ â, 다음은 위험 조정 수익률을 측정 할 때 고려해야 할 몇 가지 메트릭스입니다. 이익 대비 감소율 = 평균 순이익 / 최대 수익률 최대 수익률과 비교 한 실현 실현 금액입니다. RINA Index = 순이익 / (시장에서 평균 회수율 * 시간 비율) RINA 지수는 시장에서의 시간을 줄이고 고유 시장을 줄이는 전략에 대해 보상합니다. 위험. 비율은 100 이상이지만 200 이상은 이상적입니다. 평균 최대 불리한 여행 = 최대 미결 거래 감소의 평균 대부분의 거래자는 마감 된 거래 감소만을 고려하지만, 미결 거래 감소 또는 미결 직전의 최대 손실을 고려하는 것이 중요합니다. 당신은 적어도 거래 비용을 커버해야합니다 특히 낮은 시간대에 거래 할 때, 그것은 당신이 적어도 거래를 입력하는 비용을 만들 수 can†™ t 있다면 얼마나 수익성있는 전략입니다. 쉬운 대답은 Trade Per RPT = 당기 순이익 / 총 거래 건수를 살펴 보는 것입니다. 그러나 거래 비용이 실제로 얼마인지를 알아야합니다. 당신의 중개인이 2 pips일지도 모르는 동안, 더 정밀한 검사는 그것이 격렬하게 변화 할 수있는 것을 보여준다. 당신의 전략이 높은 휘발성의 시간을 거래하면, 당신의 “average” spread는 2 pips보다 훨씬 더 높을 것입니다. 실제로 거래 할 때 커미션과 미끄러짐이 어떤 것인지 알 필요가 있습니다. 위치 크기 조정의 영향 고정 된 로트 또는 고정 비율 위치 결정을 사용하든간에 수익에 큰 영향을 미칩니다. 고정 된 로트 또는 모든 거래에서 동일한 포지션 크기를 사용하면보다 직선적 인 성장률로 이어지며 고정 된 비율 (예 : 모든 거래에서 자본의 2 %를 위험에 처함)은 성장과 약세를 악화시킬 것입니다. 전략의 수익성에 대한 좋은 아이디어를 얻으려면 거래 계좌의 추가 및 빼기를 포함하여 거래 방법을 정확하게 모델링해야합니다. 아인슈타인이 말했듯이, њњњ њed interest interest interest world world world world world world world world world world world world world world world world world world world world world world world world world world world world world world world world world world world world world world world world world account
위험을 측정하는 것은 잘 설명되어 있지만 수익성보다 훨씬 어렵고 오해되는 주제입니다. 특히 최근의 Swiss National Bank в ™ ™ (SNB) 조치 및 ¢ ¢ ¿ ¡ ¡ ¡ ¡ ¢ ¢ â, ¢ ¢ â, ¬ â, ¢ ¢ â, ¬ â, ¢ ¢ â, ¬ â, ¬ â, ¬ â, ¬ â, ¬ â, ¬ â, ¬ â,
시장 위험 또는 시장 가격의 움직임으로 인한 손실의 위험은 거래자에게 가장 명백한 것입니다. 쉬운 응답은 “always에 해결책의 단지 부분 인 정지 loss†use를 사용하는 동안.
보다 활동적인 트레이더가 종종 간과하는 영역 중 하나는 다양한 전략 포트폴리오를 거래하는 이점입니다. 상관없는 거래를 거래하는 것은 시장 위험을 감소시키는 좋은 방법이며, 어떤 전략을 평가할 때 기존의 다른 전략과 어떻게 일치하는지 살펴 봐야합니다.
당신이 EUR / CHF가 길고 USD / CHF가 짧다면 2000 pip 이동에 대한 소식에 깨어 났을 것입니다.
유동성 리스크는 세계에서 가장 유동적 인 시장에서 일반적으로 걱정해야 할 사항이지만, 최근의 SNB 움직임은 많은 상인들이 자유 낙하시 자신의 직책을 떠날 수없는 이유를 보여주는 이유였습니다 . you†™ t가 무역에서 나갈 수있을 것이라는 점을 보장하는 확실한 방법 그러나 거기 당신의 위험을 감소시키기 위하여 당신이 할 수있는 한 쌍이있다. 진정한 미팅 데스크 STP / ECN 브로커 사용 대부분의 중개인은 STP (직통 처리) 또는 ECN 모델로 전환하고 있지만 여전히 거래자와 거래하는 중개인이 있습니다. ECN 중개인을 통해 유동성의 더 깊은 수영장, 더 나은 가격 및 유동성이 언제까지 건조 될 수 있는지 더 깊이 생각할 수있는 시장 심도 (DOM) 분석의 이점에 액세스 할 수 있습니다. 그러나, 이것은 isn†™ t 중요한 은행 공고와 같은 급격한 시장 사건에 다량 도움 도움이됩니다. 귀하의 계정 크기 최소화하기 в ™ ™ t는 항상 브로커에게 부정적인 계좌를 환급하는 것으로 계산되지만, 브로커 계좌에 입금되는 isn†™ t는 브로커가 수령하기가 매우 어렵습니다. 매우 큰 계정과 엄청난 손실이 발생하지 않는 한 개인적으로 브로커가 올 가능성은 거의 없습니다. 증거금 통화를 피하기 위해 충분한 계좌를 확보해야하지만 손실을 브로커에 실제로 입금되는 금액으로 제한 할 수 있습니다.
거래 상대방의 위험을 이해하는 중요성, 또는 돈을 인출 할 때 중개인이 더 이상 영업을하지 않을 위험성은 Alpari가 파산하고 FXCM†™의 많은 공표 된 문제를 포함하여 많은 fx 중개인의 문제로 다시 한번 풍부 해집니다. .
TradingHeroes의 휴 기무라 (Hugh Kimura)는 제 3 자 은행에서 거래의 대부분을 유지하고, 거래 이익을 철회하고, 여러 중개인이있는 계좌를 개설하는 등 중개인 위험을 회피하는 훌륭한 기사를 썼습니다.
가장 최근의 위기의 한 가지 이점은 중개인이 견고한 재무 기반을 갖고 있으며 막대한 손실을 견딜 수 있었던 것을 잘 보여주었습니다. 앞으로 나아가면 문제가있는 다른 브로커와의 브로커와의 돈을 신뢰하는 것이 더 안전한 방법입니다.
수익성과 위험을 이해하는 것은 라이브 거래 전략을 신뢰하는 첫 번째 부분 일뿐입니다. 다음 포스트에서 we†™ ll는 당신의 전략의 통계적인 중요성 그리고 안정성을 측정하는 방법 및 살아있는 무역 도중 시장과 동시에서 떨어졌을 때를 아는 방법을 설명합니다.
거래의 수익성, 위험 및 통계적 중요성은 어떻게 설명합니까?
TRAIDE를 확인하여 기계 학습을 사용하여 다음 전략을 수립하십시오!
거래 전략 평가하기
읽을 흥미 롭 군.
죄송합니다. 무엇인가 잘못되었습니다. 다시 시도하거나 의견을 보내서 문의하십시오.
지원 티켓을 성공적으로 제출했습니다.
지원팀이 곧 연락을 드릴 것입니다.
이 웹 사이트의 자료는 정보 제공의 목적으로 만 제공되며 판매 제안, 구매 권유 또는 보안 또는 전략에 대한 추천이나 보증을 구성하지 않으며 Quantopian이 투자 자문 서비스를 제공하겠다는 제안을 구성하지 않습니다.
또한이 자료는 보안 또는 특정 투자의 적합성과 관련하여 의견을 제시하지 않습니다. 여기에 포함 된 어떤 정보도 콴토 피안이나 그 계열사가 투자 자문을 제공하려고 시도하지 않으며, 콴토 피안 또는 그 계열사의 자문 역할을 수행하지 않으므로 투자 관련 행동 강령에 관여하거나 자제하는 제안으로 간주되어서는 안됩니다. 1974 년 개정 된 근로자 퇴직 소득 보장법 (Employee Retirement Income Security Act), 개인 퇴직 연금 또는 개별 퇴직 연금, 또는 본 자료에 제시된 자료에 대한 신탁 능력에 관한 자문을 제공해야합니다. 개인 퇴직자 또는 기타 투자자 인 경우 여기에 설명 된 투자 아이디어, 전략, 제품 또는 서비스가 귀하의 상황에 적합한 지 여부에 대해 Quantopian과 관련없는 재정 고문 또는 다른 신탁에게 문의하십시오. 모든 투자에는 원금 손실을 포함한 위험이 관련됩니다. Quantopian은 웹 사이트에 표현 된 견해의 정확성 또는 완전성에 대해 어떠한 보증도하지 않습니다. 견해는 변경 될 수 있으며 시장 상황이나 경제적 상황의 변화를 비롯하여 다양한 이유로 신뢰할 수 없게 될 수 있습니다.
이 웹 사이트의 자료는 정보 제공의 목적으로 만 제공되며 판매 제안, 구매 권유 또는 보안 또는 전략에 대한 추천이나 보증을 구성하지 않으며 Quantopian이 투자 자문 서비스를 제공하겠다는 제안을 구성하지 않습니다.
또한이 자료는 보안 또는 특정 투자의 적합성과 관련하여 의견을 제시하지 않습니다. 여기에 포함 된 어떤 정보도 콴토 피안이나 그 계열사가 투자 자문을 제공하려고 시도하지 않으며, 콴토 피안 또는 그 계열사의 자문 역할을 수행하지 않으므로 투자 관련 행동 강령에 관여하거나 자제하는 제안으로 간주되어서는 안됩니다. 1974 년 개정 된 근로자 퇴직 소득 보장법 (Employee Retirement Income Security Act), 개인 퇴직 연금 또는 개별 퇴직 연금, 또는 본 자료에 제시된 자료에 대한 신탁 능력에 관한 자문을 제공해야합니다. 개인 퇴직자 또는 기타 투자자 인 경우 여기에 설명 된 투자 아이디어, 전략, 제품 또는 서비스가 귀하의 상황에 적합한 지 여부에 대해 Quantopian과 관련없는 재정 고문 또는 다른 신탁에게 문의하십시오. 모든 투자에는 원금 손실을 포함한 위험이 관련됩니다. Quantopian은 웹 사이트에 표현 된 견해의 정확성 또는 완전성에 대해 어떠한 보증도하지 않습니다. 견해는 변경 될 수 있으며 시장 상황이나 경제적 상황의 변화를 비롯하여 다양한 이유로 신뢰할 수 없게 될 수 있습니다.
무역 전략 평가에 대한 양적 주장의 한계.
무역 전략 평가에 대한 양적 주장의 한계.
가격 행동 연구소.
정량적 거래 전략 평가의 주요 가정 중 하나는 유형 II 오류 (발견되지 않음)가 유형 I 오류 (거짓 발견)보다 바람직하다는 것입니다. 그러나 실무자들은 일부 진정한 거래 전략의 통계적 특성은 종종 무작위 매매 전략의 그것들. 따라서 p 해킹을 방지하기 위해 통계를 조정하면 테스트의 성능이 높지 않으면 Type II 오류가 증가합니다. 동시에 테스트의 힘은 불충분 한 표본과 변화하는 시장 조건으로 인해 제한됩니다. 또한 무작위 전략과 유사한 통계적 특성을 지닌 진정한 전략은 유리한 시장 여건으로 인해 지나치게 적합 할 수 있지만 시장 상황이 변하면 실패합니다. 이러한 사실은 거래 전략 평가에 대한 정량적 주장의 효과를 심각하게 제한합니다. 실무자들은 강력한 거래 전략을 식별 할 확률을 높이기 위해 몬테카를로 시뮬레이션 및 확률 적 모델링에 의지했지만 시장 상황의 변화, 선택 편향 및 데이터 스누핑으로 인해 이러한 방법에도 심각한 제한이 있습니다. 이 논문에서 우리는 거래 전략의 정량적 평가의 한계를 보여주는 두 가지 사례를 제시하며, 과 피팅 및 선택 편향에 대비하는 가장 효과적인 방법은 역 테스팅의 애플리케이션을 유사하지만 간단한 예측자를 사용하는 전략으로 제한하는 것이라고 주장한다 가격. 우리는 시장 상황이 언제 변화 하는지를 결정하는 것이 거래 전략 평가에 대한 양적 주장보다 근본적으로 더 중요하다고 주장합니다.
무역 전략 평가에 대한 양적 주장의 한계 & # 8211; 소개.
트레이더들은 실제 현금으로 포워드 샘플에 대한 트레이딩 전략을 테스트하는 것은 항상 사치 스럽지는 않습니다. 왜냐하면 시간이 걸리고 성능 저하의 경우 비용이 많이 들기 때문입니다. 따라서 거래자는 거래 전략의 견고성에 대한 사전 대책을 모색하고 정량 분석을 사용하는 것을 달성해야합니다. 일반적으로 거래 전략은 샘플 내 데이터에 대해 개발되고 샘플 밖의 데이터에 대해 유효성이 검사됩니다. 학계에서는 여러 번의 시험이있을 때 샘플 밖 유효성 검사의 효과가 제한적이라는 사실을 알고 있었지만 실무자 커뮤니티는 이러한 문제를 인식하는 데 시간이 많이 걸렸습니다.
학계의 3 개 논문은 최근 트레이딩 전략을 개발하고 평가할 때 백 타이트 오버 피팅 (backtest overfitting) 및 여러 번의 시험에 대한 실무자 커뮤니티의 인식을 증가 시켰습니다. 그러나이 논문의 결과는 지나친 시장 상황에 부합하는 진정한 전략에 대한 시장 상황 변화의 효과에 대한 중요한 문제가 아니라 과다 맞춤 및 선택 편견과 관련된 문제의 일부분만을 다루고 있습니다.
Harvey와 Liu (2015)는 Sharpe 비율을 조정하는 방법을 여러 가지 시도를 설명하기 위해 이발사 Sharpe 비율이라고 부릅니다. 예를 들어 설명 하겠지만 진정한 전략을 사용하지만 시장 상황이 바뀌면 이러한 조정은 유형 I 오류 (잘못된 발견)를 막을 수 없습니다. Bailey et al. (2014), 전략 개발에 수반되는 재판 횟수에 따라 과다한 위험을 평가하는 데 필요한 최소 백 테스트 길이를 결정하기위한 다른 방법이 제시됩니다. 이 방법은 또한 Bailey et al. 이 더 인정한 바와 같이 시장 상황의 변화라는 중요한 문제를 다루지 못한다. (2015). 두 가지 방법 모두 호의적 인 시장 상황에서 과충전 된 진정한 전략의 실패의 주요 원인을 다루지 않지만 기계 학습을 통해 개발 된 전략의 경우 가치가 있지만 시장 상황의 변화로 인해 실패합니다.
Novy-Marx (2016)에서, 다중 신호의 경우에는 순수 선택과 overfitting 편향과 이들의 그것들의 결합이 차별화된다. 고려해야 할 신호의 수에 따라 최적의 k-of-n 전략이라고하는 순수한 선택 및 신호 조합의 경우 T 통계의 중요 값이 제공됩니다. 이 논문은 초과 맞춤 및 선택 편향으로 인한 데이터 마이닝 편차를 수정하기위한 중요한 T - 통계 값을 제공합니다. 이 논문의 결과가 흥미 롭긴하지만, 1995 년 1 월에서 2014 년 12 월까지 실제 주식 데이터가있는 무작위 신호를 생성하는 데 기반을두고 있다는 단점이 있습니다. 무작위 신호를 결합하면 T 통계량이 높은 중요한 전략을 얻을 수 있습니다. 그러나 거래자들은 실제로 인기가없는 거래 규칙이 샘플 밖의 수익 예측에 어떻게 작용하는지에 관심이 있습니다. 이 논문에서 유형 II 오류가 무작위 신호를 결합하여 얻은 임계 값을 사용하여 데이터 마이닝 바이어스를 보정함으로써 어떻게 영향을 받는지 완전히 명확하지 않습니다. 실적이 좋을 확률이 높은 전략을 버리는 것은 기회 비용입니다. 결국, 상인의 직업은 끊임없이 전략을 분석하고 평가하는 것이 아니라 거래하는 것입니다.
앞서 언급 한 세 논문에서 결과의 중요한 기여는 과도기, 선택 편향 및 데이터 스누핑의 영향에 대한 인식을 높이는 것인데, 특히 거래 전략 발견에 대한 기계 학습 응용에 대한 관심이 다시 증가하는시기에 발생합니다. 그러나 실무자들은 진정한 거래 전략은 주로 긍정적 인 기대를 유지할 수 없기 때문에 시장 상황이 변할 때 실패한다는 것을 잘 알고 있습니다. 실무자의 전략 평가에서 정량적 방법의 채택이 느린 한 가지 이유는 제한된 효율성 때문입니다. 특히 이러한 방법이 전략 개발 프로세스를 안내하는 또 다른 측정 기준이되는 경우 더욱 그렇습니다. 이러한 경우, 데이터 마이닝 편향을 최소화하는 대신, 이러한 양적 방법은 사실 그것에 기여하는 또 다른 요소가됩니다.
학계 공동체의 노력 외에도 거래 전략 평가자는 과도기 문제, 선택 편향, 데이터 스누핑 문제를 다양한 임시 방법으로 처리하려고 시도해 왔습니다.
그의 유명한 책 Evidence-based Technical Analysis에서 David Aronson (2007)은 통계적 추론에 사용되는 샘플링 분포를 생성하기위한 부트 스트랩 및 몬테 카를로 순열 방법을 소개합니다. 부트 스트랩의 경우, 귀무 가설은 거래 전략 평균 수익률이 0이며 몬테카를로 순열의 경우 귀납 가설은 시장 수익 예측에 지능이 없다는 가설이다. Aronson은이 접근법이 독립적 인 시험에 유효하며 데이터 마이닝 편향의 두 가지 구성 요소 인과 피팅 및 선택 바이어스를 최소화하기위한 휴리스틱 세트를 제공함을 인정합니다 (Harris, 2015). 이러한 발견 적 방법에는 테스트 된 규칙의 수를 제한하고 표본 크기를 늘리며 상관 관계가있는 백 테스트 결과를 고려하고 아웃 라이어와 백 테스트 결과의 변이를 제한하는 방법이 포함됩니다. 그러나 이러한 휴리스틱 스는 진정한 거래 전략에 대한 시장 상황의 변화로 인한 악영향을 제한 할 수 없으며 이는 또한 실패의 주요 원인이기도합니다.
시스템 매개 변수 순열 (SPP)이라고하는 또 다른 방법과 최근의 변형 인 시스템 매개 변수 무작위 화 (SPR)가 Walton (2014)에 의해 제안되었습니다. 이 방법은 단기 및 장기 실행 예측을 평가하기위한 확률 론적 모델링 접근법을 적용하는 것과 관련이 있습니다. SPP의 주된 장점은 샘플 밖의 검증에 의존하지 않으며 데이터 스누핑 바이어스를 줄이는 반면 샘플이 크기 때문에 테스트의 힘이 증가한다는 것입니다. 그러나 SPP의 첫 번째 문제는 샘플링 분포를 생성하고 변경하기 위해 사전 시스템 범위를 선택해야한다는 것입니다. 이는 데이터 마이닝 바이어스가 오버 피팅으로 인해 발생할뿐만 아니라 선택 바이어스 때문에 발생하기 때문에 문제가됩니다. 대부분의 경우 선택 바이어스가 데이터 마이닝 편견의 주된 원인입니다. 예를 들어 전략에 다양한 매개 변수가없는 경우입니다. SPP의 두 번째 문제점은 여러 번의 시도에서 반복적으로 사용되는 경우 데이터 스누핑 (snooping)으로 인해 효과가 손실된다는 것입니다. 세 번째로 더 심각한 문제는 모든 테스트가 과거 데이터를 조건으로하고 시장 조건의 변화에 따라 유형 I 오류 확률이 높다는 것입니다. 따라서 SPP는 다음과 같은 중요한 질문에 답하지 않습니다 : 분석 과정에서 발생했던 것과 시장 상황이 근본적으로 다른 경우 전략 성과가 어떻게 영향을 줍니까? 예제를 통해 3.1에서 볼 수 있듯이 시장 상황의 막대한 변화로 인한 실패를 결정하기 위해 SPP가 할 수있는 일은 없습니다.
읽을 흥미 롭 군.
죄송합니다. 무엇인가 잘못되었습니다. 다시 시도하거나 의견을 보내서 문의하십시오.
지원 티켓을 성공적으로 제출했습니다.
지원팀이 곧 연락을 드릴 것입니다.
이 웹 사이트의 자료는 정보 제공의 목적으로 만 제공되며 판매 제안, 구매 권유 또는 보안 또는 전략에 대한 추천이나 보증을 구성하지 않으며 Quantopian이 투자 자문 서비스를 제공하겠다는 제안을 구성하지 않습니다.
또한이 자료는 보안 또는 특정 투자의 적합성과 관련하여 의견을 제시하지 않습니다. 여기에 포함 된 어떤 정보도 콴토 피안이나 그 계열사가 투자 자문을 제공하려고 시도하지 않으며, 콴토 피안 또는 그 계열사의 자문 역할을 수행하지 않으므로 투자 관련 행동 강령에 관여하거나 자제하는 제안으로 간주되어서는 안됩니다. 1974 년 개정 된 근로자 퇴직 소득 보장법 (Employee Retirement Income Security Act), 개인 퇴직 연금 또는 개별 퇴직 연금, 또는 본 자료에 제시된 자료에 대한 신탁 능력에 관한 자문을 제공해야합니다. 개인 퇴직자 또는 기타 투자자 인 경우 여기에 설명 된 투자 아이디어, 전략, 제품 또는 서비스가 귀하의 상황에 적합한 지 여부에 대해 Quantopian과 관련없는 재정 고문 또는 다른 신탁에게 문의하십시오. 모든 투자에는 원금 손실을 포함한 위험이 관련됩니다. Quantopian은 웹 사이트에 표현 된 견해의 정확성 또는 완전성에 대해 어떠한 보증도하지 않습니다. 견해는 변경 될 수 있으며 시장 상황이나 경제적 상황의 변화를 비롯하여 다양한 이유로 신뢰할 수 없게 될 수 있습니다.
이 웹 사이트의 자료는 정보 제공의 목적으로 만 제공되며 판매 제안, 구매 권유 또는 보안 또는 전략에 대한 추천이나 보증을 구성하지 않으며 Quantopian이 투자 자문 서비스를 제공하겠다는 제안을 구성하지 않습니다.
또한이 자료는 보안 또는 특정 투자의 적합성과 관련하여 의견을 제시하지 않습니다. 여기에 포함 된 어떤 정보도 콴토 피안이나 그 계열사가 투자 자문을 제공하려고 시도하지 않으며, 콴토 피안 또는 그 계열사의 자문 역할을 수행하지 않으므로 투자 관련 행동 강령에 관여하거나 자제하는 제안으로 간주되어서는 안됩니다. 1974 년 개정 된 근로자 퇴직 소득 보장법 (Employee Retirement Income Security Act), 개인 퇴직 연금 또는 개별 퇴직 연금, 또는 본 자료에 제시된 자료에 대한 신탁 능력에 관한 자문을 제공해야합니다. 개인 퇴직자 또는 기타 투자자 인 경우 여기에 설명 된 투자 아이디어, 전략, 제품 또는 서비스가 귀하의 상황에 적합한 지 여부에 대해 Quantopian과 관련없는 재정 고문 또는 다른 신탁에게 문의하십시오. 모든 투자에는 원금 손실을 포함한 위험이 관련됩니다. Quantopian은 웹 사이트에 표현 된 견해의 정확성 또는 완전성에 대해 어떠한 보증도하지 않습니다. 견해는 변경 될 수 있으며 시장 상황이나 경제적 상황의 변화를 비롯하여 다양한 이유로 신뢰할 수 없게 될 수 있습니다.
무역 전략 평가에 대한 양적 주장의 한계.
무역 전략 평가에 대한 양적 주장의 한계.
가격 행동 연구소.
정량적 거래 전략 평가의 주요 가정 중 하나는 유형 II 오류 (발견되지 않음)가 유형 I 오류 (거짓 발견)보다 바람직하다는 것입니다. 그러나 실무자들은 일부 진정한 거래 전략의 통계적 특성은 종종 무작위 매매 전략의 그것들. 따라서 p 해킹을 방지하기 위해 통계를 조정하면 테스트의 성능이 높지 않으면 Type II 오류가 증가합니다. 동시에 테스트의 힘은 불충분 한 표본과 변화하는 시장 조건으로 인해 제한됩니다. 또한 무작위 전략과 유사한 통계적 특성을 지닌 진정한 전략은 유리한 시장 여건으로 인해 지나치게 적합 할 수 있지만 시장 상황이 변하면 실패합니다. 이러한 사실은 거래 전략 평가에 대한 정량적 주장의 효과를 심각하게 제한합니다. 실무자들은 강력한 거래 전략을 식별 할 확률을 높이기 위해 몬테카를로 시뮬레이션 및 확률 적 모델링에 의지했지만 시장 상황의 변화, 선택 편향 및 데이터 스누핑으로 인해 이러한 방법에도 심각한 제한이 있습니다. 이 논문에서 우리는 거래 전략의 정량적 평가의 한계를 보여주는 두 가지 사례를 제시하며, 과 피팅 및 선택 편향에 대비하는 가장 효과적인 방법은 역 테스팅의 애플리케이션을 유사하지만 간단한 예측자를 사용하는 전략으로 제한하는 것이라고 주장한다 가격. 우리는 시장 상황이 언제 변화 하는지를 결정하는 것이 거래 전략 평가에 대한 양적 주장보다 근본적으로 더 중요하다고 주장합니다.
무역 전략 평가에 대한 양적 주장의 한계 & # 8211; 소개.
트레이더들은 실제 현금으로 포워드 샘플에 대한 트레이딩 전략을 테스트하는 것은 항상 사치 스럽지는 않습니다. 왜냐하면 시간이 걸리고 성능 저하의 경우 비용이 많이 들기 때문입니다. 따라서 거래자는 거래 전략의 견고성에 대한 사전 대책을 모색하고 정량 분석을 사용하는 것을 달성해야합니다. 일반적으로 거래 전략은 샘플 내 데이터에 대해 개발되고 샘플 밖의 데이터에 대해 유효성이 검사됩니다. 학계에서는 여러 번의 시험이있을 때 샘플 밖 유효성 검사의 효과가 제한적이라는 사실을 알고 있었지만 실무자 커뮤니티는 이러한 문제를 인식하는 데 시간이 많이 걸렸습니다.
학계의 3 개 논문은 최근 트레이딩 전략을 개발하고 평가할 때 백 타이트 오버 피팅 (backtest overfitting) 및 여러 번의 시험에 대한 실무자 커뮤니티의 인식을 증가 시켰습니다. 그러나이 논문의 결과는 지나친 시장 상황에 부합하는 진정한 전략에 대한 시장 상황 변화의 효과에 대한 중요한 문제가 아니라 과다 맞춤 및 선택 편견과 관련된 문제의 일부분만을 다루고 있습니다.
Harvey와 Liu (2015)는 Sharpe 비율을 조정하는 방법을 여러 가지 시도를 설명하기 위해 이발사 Sharpe 비율이라고 부릅니다. 예를 들어 설명 하겠지만 진정한 전략을 사용하지만 시장 상황이 바뀌면 이러한 조정은 유형 I 오류 (잘못된 발견)를 막을 수 없습니다. Bailey et al. (2014), 전략 개발에 수반되는 재판 횟수에 따라 과다한 위험을 평가하는 데 필요한 최소 백 테스트 길이를 결정하기위한 다른 방법이 제시됩니다. 이 방법은 또한 Bailey et al. 이 더 인정한 바와 같이 시장 상황의 변화라는 중요한 문제를 다루지 못한다. (2015). 두 가지 방법 모두 호의적 인 시장 상황에서 과충전 된 진정한 전략의 실패의 주요 원인을 다루지 않지만 기계 학습을 통해 개발 된 전략의 경우 가치가 있지만 시장 상황의 변화로 인해 실패합니다.
Novy-Marx (2016)에서, 다중 신호의 경우에는 순수 선택과 overfitting 편향과 이들의 그것들의 결합이 차별화된다. 고려해야 할 신호의 수에 따라 최적의 k-of-n 전략이라고하는 순수한 선택 및 신호 조합의 경우 T 통계의 중요 값이 제공됩니다. 이 논문은 초과 맞춤 및 선택 편향으로 인한 데이터 마이닝 편차를 수정하기위한 중요한 T - 통계 값을 제공합니다. 이 논문의 결과가 흥미 롭긴하지만, 1995 년 1 월에서 2014 년 12 월까지 실제 주식 데이터가있는 무작위 신호를 생성하는 데 기반을두고 있다는 단점이 있습니다. 무작위 신호를 결합하면 T 통계량이 높은 중요한 전략을 얻을 수 있습니다. 그러나 거래자들은 실제로 인기가없는 거래 규칙이 샘플 밖의 수익 예측에 어떻게 작용하는지에 관심이 있습니다. 이 논문에서 유형 II 오류가 무작위 신호를 결합하여 얻은 임계 값을 사용하여 데이터 마이닝 바이어스를 보정함으로써 어떻게 영향을 받는지 완전히 명확하지 않습니다. 실적이 좋을 확률이 높은 전략을 버리는 것은 기회 비용입니다. 결국, 상인의 직업은 끊임없이 전략을 분석하고 평가하는 것이 아니라 거래하는 것입니다.
앞서 언급 한 세 논문에서 결과의 중요한 기여는 과도기, 선택 편향 및 데이터 스누핑의 영향에 대한 인식을 높이는 것인데, 특히 거래 전략 발견에 대한 기계 학습 응용에 대한 관심이 다시 증가하는시기에 발생합니다. 그러나 실무자들은 진정한 거래 전략은 주로 긍정적 인 기대를 유지할 수 없기 때문에 시장 상황이 변할 때 실패한다는 것을 잘 알고 있습니다. 실무자의 전략 평가에서 정량적 방법의 채택이 느린 한 가지 이유는 제한된 효율성 때문입니다. 특히 이러한 방법이 전략 개발 프로세스를 안내하는 또 다른 측정 기준이되는 경우 더욱 그렇습니다. 이러한 경우, 데이터 마이닝 편향을 최소화하는 대신, 이러한 양적 방법은 사실 그것에 기여하는 또 다른 요소가됩니다.
학계 공동체의 노력 외에도 거래 전략 평가자는 과도기 문제, 선택 편향, 데이터 스누핑 문제를 다양한 임시 방법으로 처리하려고 시도해 왔습니다.
그의 유명한 책 Evidence-based Technical Analysis에서 David Aronson (2007)은 통계적 추론에 사용되는 샘플링 분포를 생성하기위한 부트 스트랩 및 몬테 카를로 순열 방법을 소개합니다. 부트 스트랩의 경우, 귀무 가설은 거래 전략 평균 수익률이 0이며 몬테카를로 순열의 경우 귀납 가설은 시장 수익 예측에 지능이 없다는 가설이다. Aronson은이 접근법이 독립적 인 시험에 유효하며 데이터 마이닝 편향의 두 가지 구성 요소 인과 피팅 및 선택 바이어스를 최소화하기위한 휴리스틱 세트를 제공함을 인정합니다 (Harris, 2015). 이러한 발견 적 방법에는 테스트 된 규칙의 수를 제한하고 표본 크기를 늘리며 상관 관계가있는 백 테스트 결과를 고려하고 아웃 라이어와 백 테스트 결과의 변이를 제한하는 방법이 포함됩니다. 그러나 이러한 휴리스틱 스는 진정한 거래 전략에 대한 시장 상황의 변화로 인한 악영향을 제한 할 수 없으며 이는 또한 실패의 주요 원인이기도합니다.
시스템 매개 변수 순열 (SPP)이라고하는 또 다른 방법과 최근의 변형 인 시스템 매개 변수 무작위 화 (SPR)가 Walton (2014)에 의해 제안되었습니다. 이 방법은 단기 및 장기 실행 예측을 평가하기위한 확률 론적 모델링 접근법을 적용하는 것과 관련이 있습니다. SPP의 주된 장점은 샘플 밖의 검증에 의존하지 않으며 데이터 스누핑 바이어스를 줄이는 반면 샘플이 크기 때문에 테스트의 힘이 증가한다는 것입니다. 그러나 SPP의 첫 번째 문제는 샘플링 분포를 생성하고 변경하기 위해 사전 시스템 범위를 선택해야한다는 것입니다. 이는 데이터 마이닝 바이어스가 오버 피팅으로 인해 발생할뿐만 아니라 선택 바이어스 때문에 발생하기 때문에 문제가됩니다. 대부분의 경우 선택 바이어스가 데이터 마이닝 편견의 주된 원인입니다. 예를 들어 전략에 다양한 매개 변수가없는 경우입니다. SPP의 두 번째 문제점은 여러 번의 시도에서 반복적으로 사용되는 경우 데이터 스누핑 (snooping)으로 인해 효과가 손실된다는 것입니다. 세 번째로 더 심각한 문제는 모든 테스트가 과거 데이터를 조건으로하고 시장 조건의 변화에 따라 유형 I 오류 확률이 높다는 것입니다. 따라서 SPP는 다음과 같은 중요한 질문에 답하지 않습니다 : 분석 과정에서 발생했던 것과 시장 상황이 근본적으로 다른 경우 전략 성과가 어떻게 영향을 줍니까? 예제를 통해 3.1에서 볼 수 있듯이 시장 상황의 막대한 변화로 인한 실패를 결정하기 위해 SPP가 할 수있는 일은 없습니다.
No comments:
Post a Comment