Trading Strategy Gradi Di Libertà

Gradi di libertà Quali sono i gradi di libertà gradi di libertà sono il numero di valori in uno studio che ha la libertà di variare. Sono comunemente discussi in relazione a varie forme di test di ipotesi in statistica, come un chi-quadrato. E 'essenziale per calcolare i gradi di libertà quando si cerca di capire l'importanza di una statistica chi quadrato e la validità dell'ipotesi nulla. SMONTAGGIO gradi di libertà, ad esempio, si consideri uno studente ha bisogno di prendere nove corsi di laurea, e ci sono solo nove corsi lo studente può prendere. In questo esempio, vi sono otto gradi di libertà lo studente è in grado di scegliere otto delle classi che sono disponibili, ma la nona classe è la sola classe sinistra, e lo studente deve iscriversi per graduare. Chi Quadrato Test Ci sono due diversi tipi di test quadrati chi: il test di indipendenza, che chiede una domanda di relazione, come ad esempio, C'è una relazione tra genere e punteggi SAT e il test di bontà di adattamento, che chiede qualcosa di simile Se una moneta è lanciata 100 volte, intende venire teste 50 volte e code 50 volte per queste prove, i gradi di libertà sono utilizzati per determinare se una certa ipotesi nulla può essere rifiutata in base al numero totale di variabili e campioni durante l'esperimento . Ad esempio, quando si considera studenti e naturalmente scelta, un campione di 30 o 40 studenti non è probabile abbastanza grande da generare dati significativi. Ottenere gli stessi o simili risultati di uno studio con un campione di 400 o 500 studenti è più valida. Storia di gradi di libertà Il concetto prima e più fondamentale di gradi di libertà è stato osservato nei primi anni del 1800, intrecciano nelle opere di matematico e astronomo Carl Friedrich Gauss. L'uso moderno e la comprensione del termine, già elaborata in sede di prima da William Sealy Gosset, uno statistico inglese, nel suo articolo La probabile errore di una media, pubblicato nel Biometrika nel 1908 sotto uno pseudonimo per mantenere il suo anonimato. Nei suoi scritti, Gosset non ha utilizzato specificamente i gradi di libertà termine. Egli, tuttavia, dare una spiegazione per il concetto in tutto il corso dello sviluppo di quello che sarebbe poi stata conosciuta come studenti t-distribuzione. Il termine effettivo non è stato reso popolare fino al 1922. biologo inglese e statistico Ronald Fisher ha iniziato ad usare i gradi di libertà termine quando ha iniziato la pubblicazione di report e dati sul suo lavoro sviluppando chi squares. I era veramente entusiasta della mia strategia Pilum due mesi fa. La ricerca era molto bello e tutto era pronto per il rock and roll. test demo è iniziata e non then8230 molto successo. Il Quantilator è (quasi) finito, che alla fine mi ha dato il tempo a girare indietro e rivedere quello che è successo con Pilum. Live trading demo di Pilum. 9 dicembre 2016 a Feb 7, 2017 Il risultato atteso è che avrei vinto 75 der Zeit. Trades erano infrequenti, quindi ho pensato che forse I8217m solo che hanno la sfortuna. Ma poi la mia percentuale di vincita è rimasto bloccato in tutto 50. test statistici semplici mi hanno detto che questo era improbabile che sia sfortuna. Ho usato il tempo di ricerca di versare sopra il mio codice di ricerca e di confrontarlo con mestieri dal vivo. Quello che ho trovato era che una sola riga di codice (AHHHHHHHHHHHHHHH) è stato erroneamente calcolando il mio prezzo di entrata, in modo drammatico sopravvalutando i profitti. Quando il vero, corretto questo risultato con le stesse impostazioni: Il backtest accurata di Pilum I8217ll essere honest8230 Mi piace la viziata backtest molto di più il nuovo, isn8217t backtest singola impostazione come buono, ma it8217s ancora trade-degno. Ci sono alcune caratteristiche che non mi piace e le caratteristiche che amo. Let8217s scavare in quelle. Quello che mi piace della frequenza degli scambi è molto basso. Su 19 mesi ci sono stati un totale di 43 Facharbeit. 43 mestieri per comprendono un backtest su 40 strumenti è un numero molto piccolo. Se weren8217t per il modello statistico backup la frequenza, non vorrei prendere in considerazione il test. Jedoch, ci sono 20.000 barre di ciascuno sui 44 strumenti. Es gibt 880.000 bar totali utilizzati per analizzare se il mio modello Pilum offre alcun valore predittivo. Le previsioni più preziosi, jedoch, sono anche eccezionalmente rari. That8217s perché I8217m non in grado di ottenere la frequenza della gestione ordinaria, che sarebbe potenzialmente smussare i rendimenti. Quello che mi piace miei sistemi precedenti come QB Pro e Dominari scambiato attivamente per relativamente piccole vittorie. costi di negoziazione hanno esercitato un impatto enorme sulle prestazioni complessive. Il backtest accurata di Pilum Ora guarda di nuovo alla curva di equità corretto (l'immagine a destra). Vedete il profitto finale di circa 0,14 That8217s un rendimento del 14 leva finanziaria nel corso di un 19 Monatszeitraum. L'assegnazione di 2: 1 oder 3: 1 leva su questa strategia potrebbe rendimenti medi annui di 15-25. Rilevamento rischio nascosto Una misura chiave del rischio è asimmetria. Non si può usare questo termine da soli, ma it8217s qualcosa maggior parte di voi già capito. Il problema maggiore riguarda le persone che commerciano Dominari era che il vincitore media relativa al perdente media era fortemente sbilanciata verso i perdenti. Dominari vince sulla maggior parte dei mesi, ma quando ha perso nel mese di dicembre è stato devastante. Ho implementato quello che pensavo fosse una fermata portafoglio dopo il 9 dicembre conseguenze. Poi ho avuto una piccola, ma ancora molto dolorosa, perdita nel mese di gennaio. Lo stop loss livello di portafoglio di 3 dovrebbe evitare scoppi futuri ora che so che cosa va storto. Credo ancora in Dominari. Aber, Io, ovviamente, ha perso il lavoro della maggior parte dell'anno a causa di quegli eventi. Sapendo che asimmetria è una buona misura di rischio scoppio (anche se you8217ve mai visto in un backtest, come è successo con Dominari), Pilum appare estremamente incoraggiante. Si tratta di un istogramma di profitti e perdite da giorni. Si dovrebbe notare un paio di cose. La barra più alto è a destra di 0. Ciò significa che il risultato più frequente è vincente. Il giorno più grande vincita è notevolmente migliore rispetto al giorno peggiore perdente. Il risultato peggiore è stata una perdita di 2. Il miglior risultato è guadagni vicino a 10 un tag einem einzigen (leva finanziaria). Questo è il profilo statistico di un'idea that8217s molto più probabile per afferrare una valanga di utili di quanto non lo è quello di ottenere soffiata fuori. Diventa ancora meglio sarebbe dire che i blu e rosso le curve di capitale sono altamente o vagamente correlati strettamente Look. Scrivendo questo post del blog mi ha fatto pensare attentamente la strategia di Pilum. Ho deciso che forse dovrei vedere se tutti i profitti sono provenienti da diverse impostazioni allo stesso tempo. There8217s molto poco rischio di sovradattamento dati come la mia strategia ha solo 1 grado di libertà. Le barre blu sono la curva di equità di impostazione 1. Le barre rosse sono per l'impostazione 2. Pensa che questi sono strettamente o vagamente correlati Se lei ha detto vagamente correlati, poi si sono corretti. Notate come ogni curva di equità mostra grandi salti di profitto. Hai notato come quei salti di profitto si verificano in giorni diversi, l'impostazione sale alle stelle blu su un solo giorno nel mese di novembre 2016. Lascia la curva di equità rosso soffocamento nella sua polvere. Dann aber, guarda cosa succede, come ho anticipato in dicembre. La curva rossa raggiunge drasticamente fino alla curva blu e addirittura supera esso. La correlazione tra le 2 strategie è solo 57. combinare più impostazioni in 1 portafoglio Si tratta di una curva di equità molto più bello correlazioni allentati sono un dono. La combinazione di due curve azionari sconnesse in una strategia unica rende le prestazioni molto, molto più agevole. Le percentuali di giorni che sono redditizi aumenta. Impostazione 1 è redditizio in 58,0 giorni. Impostazione 2 è redditizio in 53,5 giorni. Aber8230 combinando li rende Pilum redditizia su 68,2 giorni. Prima che fornisce anche altri dati, che mi mette in una posizione più forte per analizzare l'asimmetria strategy8217s. Guarda le istogrammi frequenza al di sotto. They8217re lo stesso tipo di istogrammi che vi ho mostrato nella prima parte di questo post. Come you8217ll avviso, hanno un aspetto molto diverso. Il risultato più probabile per un dato giorno è un piccolo vincitore La barra verde alto è il risultato di trading più probabile per un dato giorno con gli ordini pieni. Il giorno medio è un rendimento positivo di 0-1. La piccola barra rossa è il peggior giorno di negoziazione della strategia combinata. Le piccole barre verdi sono i migliori giorni di negoziazione della strategia combinata. Guardate quanto lontano a destra le barre verdi vanno. Il più grande vincitore è più di 3 volte la più grande perdita. Und, ci sono così tanti vincitori più grandi rispetto ai perdenti. vincitori giganti sono di gran lunga più probabile che le perdite comparabili. Ho subito spinto Pilum in trading dal vivo questa combinazione di due strategie. Mi aspetto che l'aggiunta di un secondo grado di libertà e l'esecuzione di circa 30 diverse versioni della strategia 8211, tutte con diverse impostazioni 8211 aggiungerà alle prestazioni e levigare ulteriormente i rendimenti. Dominari hasn8217t lavorato sul mio conto FXCM, che è molto difficile da accettare, perché le prestazioni manca sembra essere un problema di esecuzione sepolto. Pilum, jedoch, commercia molto di rado. It8217s improbabile che la qualità di esecuzione farà la differenza drammatica nei risultati a lungo termine. Inoltre, I8217m andando a convertire il conto FXCM alla negoziazione Pilum esclusivamente. Che saranno offerti come una strategia sulle Collective2 nelle prossime settimane, una società con la quale I8217ve lavorato a stretto contatto. I loro utenti sono più investitori, piuttosto che il commercio orientato 8211 they8217re molto più probabile per vedere la frequenza di trading a partire da una buona cosa. Ho il sospetto che la maggior parte delle persone qui hanno un parere diverso e vogliono vedere un sacco di azione di mercato. Uno dei più grandi appelli di strategie di trading meccanici è che ci sono un numero infinito di parametri e indicatori che uno sviluppatore può aggiungere a qualsiasi sistema. Il primo istinto di ogni nuovo operatore di sistema è tentare di migliorare un sistema di base aggiungendo un altro componente ad esso. Questo di solito si traduce in un sistema che sembra migliore in backtesting, ma non riesce a svolgere bene andare avanti. Quasi tutti gli operatori del sistema iniziano progettando over-complicate strategie, solo per scoprire che semplice è solitamente migliore. Come i commercianti di sistema continuano a sperimentare diverse strategie, molti vengono ad apprezzare che i sistemi troppo complicati sono più inclini a pregiudizio della curva-montaggio. strategie più semplice potrebbe sembrare meno impressionante estensivi, ma sono generalmente opzioni più robuste per il commercio di andare avanti. Confrontando Trading System a cucinare Gli autori di GESTALTU ha pubblicato un post in cui hanno confrontato lo sviluppo del sistema di trading per la cottura. La somiglianza che hanno identificato in entrambi i campi è che più ingredienti non equivale necessariamente ad una migliore risultato complessivo. L'articolo spiega che l'aggiunta di altri ingredienti per una ricetta probabilmente toglie il modo in cui gli ingredienti originali hanno lavorato insieme. In hnlicher Weise, l'aggiunta di ulteriori indicatori per una strategia probabilmente influenzare il modo in cui la strategia si esibisce in alcuni ambienti di mercato. L'autore descrive una strategia che ha sviluppato agli inizi della sua carriera che conteneva 37 diversi parametri. Con che molti input diversi, trovando una versione ottimizzata della strategia diventato quasi impossibile. Zustzlich, tutti i risultati dei test retrospettivi usando che molte variabili sono suscettibili di essere esposti a pregiudizi curva-montaggio. Limitare gradi di libertà dopo yesterday8217s abbiamo toccato i diversi modi in cui l'azione dei prezzi e gli indicatori tecnici possono essere esposti a curva-montaggio. In ogni caso, la chiave era di limitare i gradi di libertà del sistema. Il fatto che l'azione dei prezzi generalmente utilizzato meno parametri di indicatori tecnici rende l'azione dei prezzi meno probabilità di essere esposti a curva-montaggio. L'applicazione di questa logica, più in generale, i più parametri di una strategia ha, più probabile è quello di contenere un certo grado di curva-montaggio. Backtesting con parametri multipli Mentre backtesting strategie con un gran numero di parametri è certamente possibile, è esponenzialmente più difficile. Aumentando il numero di parametri richiede un campione di dimensioni molto più grandi per produrre backtesting che sono utili. Poiché risultati dei test retrospettivi da sistemi con più gradi di libertà sono più inclini a curva-montaggio, si può ragionevolmente supporre che proviene da sistemi con meno parametri sono più sana. Daher, possiamo avere più fiducia nel fatto che i sistemi di parametri più bassi continueranno a produrre risultati simili in movimento in avanti. Kostenlose trading-Strategien per e-MailTrading gradi di strategia di libertà da1 penso che vi sbagliate. Consente di discutere di esso. Il test richiede il numero di regole Andor restrizioni imposte dal sistema di negoziazione o di un metodo. Il numero di regole restrizioni eo viene utilizzato per calcolare il numero di gradi di libertà. che è necessario calcolare il valore t per il test t. C'è bisogno di un numero sufficiente di gradi di libertà per assicurare che il sistema non è finita-fit o sovra-ottimizzato per il mercato. Over-montaggio o eccesso di ottimizzazione significa che i parametri dei sistemi di negoziazione sono stati selezionati per lavorare su mercati specifici o in condizioni di mercato limitate. Una è improbabile per eseguire bene su altri mercati o quando le condizioni di mercato cambiano nel-fit o sistema di trading sopra ottimizzato. La maggior parte degli esperti concordano sul fatto che i sistemi di trading over-ottimizzati dovrebbero essere evitati. Il numero di gradi di libertà è il numero di transazioni meno il numero di restrizioni. Con troppo pochi commerci, la redditività del sistema o metodo può essere dovuto ad una disposizione possibilità di mestieri. I mestieri più, maggiore è il numero di gradi di libertà e il più probabile è che il profitto medio calcolato non è un colpo di fortuna statistico ma un numero reale che rischia di tenere in futuro. Per contare il numero di restrizioni, Thomas Hoffman (Babcock, Bruce. La Irwin Guida Business One Trading Systems. Richard D. Irwin, Inc. 1989, pag. 89) suggerisce di esaminare una normativa sistemi di negoziazione e contando tutte le condizioni che avrebbe cambiato il risultante dalle compravendite. Ad esempio, si supponga di avere un sistema commerciale che compra quando oggi vicino è minore di ieri vicino a una tendenza in su. Esso definisce una tendenza come quando una media mobile inferiore è maggiore di una media mobile più lunga. Per semplicità, si assume lato vendita è l'inverso, e non ci sono fermate. Il suo un semplice stop e sistema di inversione. La media condizione di cross-over spostando probabilmente essere contato come tre restrizioni: una per la stessa condizione, e uno per ciascun periodo di media mobile. Il modello di prezzo sarebbe un'altra restrizione per un totale di quattro restrizioni per il lato lungo. Ci sarebbe più quattro per il lato corto per un totale di otto restrizioni. Se ci fossero solo otto mestieri, per esempio, non ci sarebbero gradi di libertà, e non dovreste avere alcuna fiducia nel numero medio commercio, anche se fosse molto alto. D'altra parte, se ci fossero 100 mestieri, ci sarebbero 92 gradi di libertà, che dovrebbe dare molta più fiducia nel numero medio commercio. L a t test può essere espressa come un intervallo di confidenza per il commercio media: dove CI rappresenta l'intervallo di confidenza intorno al commercio media, t sono gli studenti statistica t, SD è la deviazione standard dei commerci, N è il numero di transazioni, e sqrt rappresenta radice quadrata. La statistica t dipende dal numero di gradi di libertà e il livello di confidenza. L'intervallo di confidenza significa che il commercio medio può essere compreso tra T - CI e T CI. Per il sistema sia vantaggioso a livello di confidenza specificato, il commercio media, T. deve essere maggiore di zero al limite inferiore, T - CI i. e. Se questa condizione è vero a livello di confidenza specificato, significa che il sistema o metodo è intrinsecamente vantaggioso soggetto alle assunzioni della prova. Una di queste ipotesi è che le proprietà statistiche dei mestieri rimangono gli stessi. In particolare, se il commercio medio e la sua deviazione standard rimangono invariati in futuro, i risultati continueranno ad essere valide. Tuttavia, i mercati cambiano e si evolvono nel corso del tempo, le proprietà della distribuzione statistica dei mestieri possono cambiare pure, così si richiede cautela nell'interpretazione dei risultati. Definire gradi di libertà Estimate varianza da un campione di 1 se la media della popolazione è noto Stato perché deviazioni dalla media campione non sono indipendenti Stato la formula generale per i gradi di libertà in termini di numero di valori e il numero di parametri stimati Alcuni stime sono basate su più informazioni di altri. Ad esempio, una stima della varianza basata su un campione di 100 si basa su più informazioni rispetto a una stima della varianza sulla base di un campione di 5. I gradi di libertà (df) della stima è il numero di pezzi indipendenti delle informazioni sulle quali la stima si basa. A titolo di esempio, consente di dire che sappiamo che l'altezza media di marziani è 6 e desideriamo stimare la varianza delle loro altezze. Abbiamo assaggiare casualmente un marziano e scoprire che la sua altezza è di 8. Ricordiamo che la varianza è definita come la media al quadrato la deviazione dei valori da dire la loro popolazione. Possiamo calcolare la deviazione quadratica del nostro valore di 8 dalla media popolazione di 6 per trovare una singola deviazione quadrata dalla media. Questo singolo deviazione quadrata dalla media, (8-6) 2 4, è una stima della media quadrato deviazione per tutti marziani. Pertanto, sulla base di questo esempio di uno, avremmo stima che la varianza della popolazione è 4. Questa stima si basa su un unico pezzo di informazioni e quindi ha 1 df. Se abbiamo provato un altro marziano e ottenuto un'altezza di 5, allora potremmo calcolare una seconda stima della varianza, (5-6) 2 1. Potremmo allora la media i nostri due stime (4 e 1) per ottenere una stima di 2,5. Poiché questa stima si basa su due pezzi di informazione indipendenti, ha due gradi di libertà. Le due stime sono indipendenti perché si basano su due marziani in modo indipendente e in modo casuale selezionati. Le stime non sarebbe indipendente se dopo il campionamento una marziana, abbiamo deciso di scegliere il suo fratello come la nostra seconda marziana. Come si sta probabilmente pensando, è piuttosto raro che sappiamo la media della popolazione quando stiamo valutando la varianza. Invece, dobbiamo innanzitutto stimare la media della popolazione (mu) con la media del campione (M). Il processo di stima della media colpisce i nostri gradi di libertà come illustrato di seguito. Tornando al nostro problema della stima della varianza nelle altezze marziani, lascia supporre che non sappiamo la media della popolazione e quindi dobbiamo stimarlo dal campione. Abbiamo provato due marziani e ha scoperto che le loro altezze sono 8 e 5. Pertanto M, la nostra stima della media della popolazione, è ora possiamo calcolare due stime della varianza: Stimato 1 (8-6,5) 2 2,25 Stima 2 (5-6.5 ) 2 2,25 Ora per la domanda chiave: sono questi due stime indipendenti la risposta è no, perché ogni altezza contribuito al calcolo del M. Dal momento che la prima altezza marziani di 8 influenzato M, ha influenzato anche Stima 2. Se la prima altezza era stata , per esempio, 10, allora M sarebbe stato 7,5 e 2 Stima sarebbe stato (5-7,5) 2 6.25 anziché 2.25. Il punto importante è che le due stime non sono indipendenti e quindi non ci sono due gradi di libertà. Un altro modo di pensare la non indipendenza è da considerare che se tu sapessi la media e una delle colonne sonore, si dovrebbe conoscere l'altro punteggio. Ad esempio, se uno il punteggio è 5 e la media è 6,5, si può calcolare che il totale dei due punteggi è 13 e, pertanto, che l'altro punteggio deve essere 13-5 8. In generale, i gradi di libertà per una stima è pari al numero di valori meno il numero di parametri stimati en route alla stima in questione. Nell'esempio marziani, ci sono due valori (8 e 5) e abbiamo dovuto stimare un parametro (mu) sulla strada per stimare il parametro di interesse (sigma 2). Pertanto, la stima della varianza possiede 2 - 1 1 grado di libertà. Se avessimo campionato 12 marziani, allora la nostra stima della varianza avrebbe avuto 11 gradi di libertà. Pertanto, i gradi di libertà della stima della varianza è uguale a N - 1, dove N è il numero di osservazioni. Ricordiamo dalla sezione variabilità che la formula per stimare la varianza in un campione è: Il denominatore di questa formula sono i gradi di libertà. Si prega di rispondere alle domande: Verso un palato più semplice il mio palato è più semplice di quanto non lo sia. Un giovane chef aggiunge e aggiunge e aggiunge al piatto. Come si invecchia, si inizia a togliere. Jacques Pepin, famoso chef francese Le attuali offerte serie di articoli con il concetto di decadimento delle prestazioni, che si verifica quando le prestazioni di una strategia di trading sistematico è materialmente peggio in applicazione di quanto apparisse durante i test. Abbiamo affrontato il concetto di arbitraggio nel nostro ultimo post, tracciando un parallelo con il fenomeno della scoperta multipla nel campo della scienza. In sostanza, abbiamo ipotizzato che molti sviluppatori di disegno da un corpo simile di ricerca saranno inciampare su applicazioni simili approssimativamente nello stesso tempo. Dal momento che questi investitori competono per raccogliere gli stessi o simili anomalie, ogni investitore raccogliere una quota minore di alfa disponibile. Abbiamo anche toccato ragioni per cui siamo sicuri che riflessivo strategie di asset allocation attiva è probabile che preservare la loro forte profilo di rendimento corretto per il rischio per il prossimo futuro. Ricordiamo che una varietà di impedimenti strutturali prevenire contemporanei grandi interessi i soldi come le pensioni, fondazioni, e altri grandi istituti di sfruttare questa opportunità di arbitraggio. Alla radice, queste piscine di capitale di grandi dimensioni sono vincolati dal gruppo-pensare, struttura aziendale, e le procedure di governance lento. Questi vincoli li escludono dal migrare la loro attenzione dalle tradizionali fonti di alfa (selezione i. E. Di sicurezza) per le fonti tattiche. Questo post inizia la nostra esplorazione del concetto di gradi di libertà nello sviluppo del sistema. I gradi di libertà termine ha significati leggermente diversi a seconda che il contesto è statistiche formali o sistemi meccanici. Mentre la progettazione del sistema Investment spesso attinge da entrambi i contesti, ai fini di questa serie vi skew molto più vicino a quest'ultimo. Essenzialmente, il numero di gradi di libertà in un sistema si riferisce al numero di parametri indipendenti nel sistema che possono influenzare i risultati. Quando ho scoperto che investono sistematica, la mia intuizione era quello di trovare il maggior numero di modi per misurare e filtrare serie storiche come potrebbe stare su un foglio di lavoro di Excel. Ero come un ragazzo che aveva gustato una bouillabaisse ispirato per la prima volta, e abbiamo dovuto cercare di replicare io stesso. Ma piuttosto che esplorare le sfumature infinite della cucina francese, ho appena buttato ogni immaginabile erba francese nel piatto in una sola volta. Vale a dire, uno dei miei primi progetti avevano non meno di 37 classificatori, tra cui filtri relativi a regressioni, medie mobili, slancio prime, gli indicatori tecnici come RSI e stocastico, così come tendenza più elaborato e significa filtri reversione come STI, DVI, DVO, e una miriade di altri tre e quattro sigle lettera. Ogni indicatore è stato finemente sintonizzato per valori ottimali al fine di massimizzare i rendimenti storici, e questi valori cambiato come ho ottimizzato contro diversi titoli. A un certo punto ho progettato un sistema per il commercio IWM con un ritorno storico superiore a 50 e un indice di Sharpe sopra 4. Questi sono i tipi di sistemi che eseguono incredibilmente bene col senno di poi e poi soffiare in produzione, e questo è esattamente quello che è successo. Il mio compagno applicato il sistema IWM per tempo le scorte degli Stati Uniti per un paio di settimane, e ha perso 25. Decine di ore e settimane di nottate al computer giù per lo scarico. Il problema con i sistemi complessi con molte parti in movimento è che essi richiedono di trovare il perfetto punto esatto di ottimizzazione in molte dimensioni diverse, nel mio caso, 37. Per capire cosa voglio dire con questo, immaginare cercando di creare un piatto gustoso con 37 differenti ingredienti. Come si potrebbe mai trovare la combinazione perfetta Un po 'di sale può portare fuori il sapore del rosmarino, ma potrebbe sopraffare l'olio al tartufo. Cosa fare Aggiungere più sale e più petrolio di tartufo Ma più olio di tartufo non può integrare il terrosità dei finferli. Si vede che non è abbastanza per trovare semplicemente l'optimum locale per ogni classificatore singolarmente, non più di quanto si può decidere la quantità ottimale di qualsiasi ingrediente di un piatto senza considerare il suo impatto sugli altri ingredienti. Questo perché, nella maggior parte dei casi, il segnale da un classificatore interagisce con altri classificatori in modo non lineare. Ad esempio, se si opera con due filtri in combinazione dire una croce media mobile e un oscillatore si non sono più preoccupato per la lunghezza ottimale della media mobile (s) o periodi di ricerca per il dell'oscillatore in modo indipendente, piuttosto, è necessario esaminare i risultati dell'oscillatore durante i periodi in cui il prezzo è al di sopra della media mobile, e di nuovo quando il prezzo è al di sotto della media mobile. Potreste scoprire che l'oscillatore si comporta in modo diverso quando il filtro media mobile è in uno stato di quanto non faccia in un altro stato. Per dare un'idea della portata di questa sfida, prendere in considerazione una semplificazione in cui ogni classificatore ha solo 12 possibili impostazioni, dire una gamma lookback di 1 a 12 mesi. 37 classificatori con 12 possibili scelte per classificatore rappresenta 6.6 x 1018 possibili permutazioni. Mentre un quintilione permutazioni può non sembrare una semplificazione, in considerazione che molti dei classificatori nel mio sistema IWM 37 dimensione avuto due o tre parametri della propria (breve lookback, lungo lookback, z punteggio, il valore p, ecc), e ogni di questi parametri è stato ottimizzato. Non importa trovare un ago in un pagliaio, questo è come trovare un particolare granello di sabbia sulla spiaggia. C'è un altro problema così: ogni volta che si divide il sistema in due o più stati si riducono per definizione il numero di osservazioni in ogni stato. Per illustrare, immaginate se ciascuno dei 37 classificatori nel mio sistema IWM aveva solo 2 stati lunghi o contanti. Poi ci sarebbero 237 137 miliardi di possibili stati di sistema. Ricordiamo che significatività statistica dipende dal numero di osservazioni, riducendo così il numero di osservazioni per stato del sistema riduce la significatività statistica dei risultati osservati per ogni stato, e anche per il sistema nel complesso. Per esempio, prendete un sistema scambiati ogni giorno con 20 anni di storia di prova. Se si divide un periodo di 20 anni (5000 giorni) in 137 miliardi di possibili stati, ciascuno Stato avrà in media solo 5.000.137 billion0.00000004 osservazioni per indicare chiaramente 20 anni di storia non è abbastanza avere alcuna fiducia in questo sistema si avrebbe bisogno di un test periodo di oltre 3 milioni di anni per ricavare significatività statistica. Come regola generale, i più gradi di libertà il modello dispone, maggiore è la dimensione del campione che è necessario per dimostrare la significatività statistica. Il contrario è anche vero: data la stessa dimensione del campione, un modello con un minor numero di gradi di libertà può avere maggiore significatività statistica. Nel mondo di investire, se siete alla ricerca di risultati di back-testato su due modelli di investimento con prestazioni simili, si dovrebbe generalmente avere più fiducia nel modello con un minor numero di gradi di libertà. Per lo meno, si può dire che i risultati di tale modello dovrebbe avere una maggiore significatività statistica, e una maggiore probabilità di produrre risultati della produzione che sono coerenti con quanto osservato nella simulazione. Quante ciotole di bouillabaisse che avrebbe dovuto provare per essere sicuri che youd ha trovato la perfetta combinazione di ingredienti A causa di questo, l'ottimizzazione, come cucinare, devono essere condotti in modo integrato che tiene conto di tutte le dimensioni del problema in una sola volta. E questa è la forza trainante dietro la strana realtà che spesso volte in tutto il mondo di investire, come con la cottura, novizi cercano complessità, mentre i veterani cercano semplicità. Questo è controintuitivo anche per i professionisti degli investimenti, che è il motivo per cui la progettazione del sistema ha una curva di apprendimento strana dove la tendenza è quella di muoversi molto rapidamente dal semplice approccio che si presentò alla negoziazione sistematica al primo posto (nel nostro caso Fabers lavorano insieme a The Chartist e Dorsey Wright) verso disegni estremamente complesse, ciascuna con un ambiente ottimale molto precisa. Alla fine si riconosce la follia di questa ricerca, e lavorare a ritroso verso la coerenza e semplicità. Naturalmente, semplice non significa facile, non più di quanto un principiante può seguire una semplice ricetta per ricreare un capolavoro culinario. Come scoprirete, riflessivo semplicità può essere ingannevolmente complesso. Vi daremo un esempio di che nel nostro prossimo articolo. Per il momento, si prega di passare il sale e il pepe. Scritto da GestaltU il Mercoledì, 5 Febbraio 2014 alle 5:30 del mattino. All'inizio progetto soggette a modifiche. Una delle domande un instrutor teme di più da un pubblico matematicamente sofisticato è, che cosa è esattamente gradi di libertà Non è che non c'è nessun risposta. La risposta matematica è una sola frase, il rango di una forma quadratica. Il problema sta traducendo che ad un pubblico la cui conoscenza della matematica non si estende oltre la matematica delle scuole superiori. E 'una cosa da dire che i gradi di libertà è un indice e di descrivere le modalità di calcolo per certe situazioni, ma nessuno di questi pezzi di informazioni dice quali gradi di libertà mezzi. In alternativa al rango di una forma quadratica, Ive ha sempre goduto di Jack Merce 1973 articolo del statistico americano Quali sono gradi di libertà 27, 227-228, in cui egli equipara gradi di libertà alla differenza di dimensionalità degli spazi dei parametri. Tuttavia, questa è una risposta parziale. E spiega che cosa gradi di libertà è per molti test chi-quadrato e dei gradi di libertà del numeratore per i test F, ma pretende molto fare anche con test t oppure i gradi di libertà del denominatore per i test F. Al momento, Im incline a definire i gradi di libertà come un modo di tenere il punteggio. Un insieme di dati contiene un numero di osservazioni, diciamo, n. Costituiscono n singole informazioni. Queste informazioni possono essere utilizzate sia per stimare i parametri o variabilità. In generale, ciascun elemento essendo stimato costi un grado di libertà. I restanti gradi di libertà sono utilizzati per stimare la variabilità. Tutto ciò che dobbiamo fare è contare correttamente. Un solo esempio: ci sono osservazioni, n. Theres un parametro (media) che deve essere stimato. Che lascia n-1 gradi di libertà per la stima della variabilità. Due campioni: ci sono n 1 n 2 osservazioni. Ci sono due modi per essere stimati. Che lascia n 1 n 2 -2 gradi di libertà per la stima della variabilità. One-way ANOVA con gruppi G: Ci sono n 1 ..n g osservazioni. Ci sono g significa essere stimato. Che lascia n 1 ..n g - g gradi di libertà per la stima della variabilità. Questo spiega per i gradi di libertà del denominatore per la statistica F. L'ipotesi nulla primaria fase di test da ANOVA è che i mezzi g popolazione siano uguali. L'ipotesi nulla è che vi è un singolo media. L'ipotesi alternativa è che ci sono g individuale significa. Pertanto, ci sono g-1 --that è g (H 1) meno 1 (H 0) - gradi di libertà per testare l'ipotesi nulla. Questo spiega per i gradi di libertà del numeratore per il rapporto F. C'è un altro modo di vedere i gradi di libertà del numeratore per il rapporto F. The null hypothesis says there is no variability in the g population means. There are g sample means. Therefore, there are g-1 degrees of freedom for assessing variability among the g means. Multiple regression with p predictors: There are n observations with p1 parameters to be estimated--one regression coeffient for each of the predictors plus the intercept. This leaves n-p-1 degrees of freedom for error, which accounts for the error degrees of freedom in the ANOVA table. The null hypothesis tested in the ANOVA table is that all of coefficients of the predictors are 0. The null hypothesis is that there are no coefficients to be estimated. The alternative hypothesis is that there are p coefficients to be estimated. herefore, there are p-0 or p degrees of freedom for testing the null hypothesis. This accounts for the Regression degrees of freedom in the ANOVA table. There is another way of viewing the Regression degrees of freedom. The null hypothesis says the expected response is the same for all values of the predictors. Therefore there is one parameter to estimate--the common response. The alternative hypothesis specifies a model with p1 parameters-- p regression coefficients plus an intercept. Therefore, there are p --that is p1 (H 1 ) minus 1 (H 0 )--regression degrees of freedom for testing the null hypothesis. Okay, so wheres the quadratic form Lets look at the variance of a single sample. If y is an n by 1 vector of observations, then The number of degrees of freedom is equal to the rank of the n by n matrix M. which is n-1. back to The Little Handbook of Statistical Practice Walk Forward Analysis: Degrees of Freedom, Adaptability and Survivability A few days ago I wrote a post about the inherent problems of walk forward analysis (WFA) and why this technique 8211 in itself 8211 does not constitute a holy grail for automated trading. Since this post I have done deeper research into the matter and 8211 by comparing results for several systems 8211 I have been able to find interesting relationships between the number of degrees of freedom and the survivability in walk forward analysis (using simple selection algorithms). Within this post I will expand on this topic, attempting to explain why systems that are given more freedom are able to exercise a better ability to adapt and why this ability causes fundamental problems that lead to unprofitable walk forward analysis. I will also go into why this tells us something fundamental about the inability of systems to evolve towards unknown market conditions and how we may possibly deal with this. As I went deeper into the area of walk forward analysis, it soon became clear that systems with successful WFA results have some very clear characteristics in common. The first obvious relationship between them was a very simple trading strategy setup, a higher trading frequency and a low number of possible parameter selections. Upon a closer analysis of the results it became clear that these systems were not changing dramatically over the course of the WFA but they were simply having small changes across a wide variety of market conditions. A closer look also revealed that the systems that give profitable WFA results tend to work only on pairs for which the inefficiency they trade seems to be practically ever-present, only failing under very specific market conditions and for short periods of time. The above is important because it spoke to me about a general lack of adaptability. What we have here are systems that trade in a very fixed way 8211 like a volatility breakout strategy does for example 8211 and the ability to survive the WFA comes from the fact that the efficiency exploited by the system changes little across the instrument it is trading. For example volatility breakout systems will find very profitable results in symbols like the EURUSD but they will fail bluntly on symbols where this inefficiency is not ever-present. such as the USDJPY. More clearly, these systems will be unable to fend periods when the market has changed, for example in the case of the GBPUSD after 2009, where the market changed to make volatility breakouts almost obsolete. Although WFA may show reduced drawdown such periods, it does become clear that the drawdown in itself is unavoidable and if lasted long enough it would potentially destroy the account. If a good ability to adapt was present, the drawdown would have been easily avoided at least after the first part of the drawdown period made changing market conditions evident. A system that adapts to changing market conditions should easily avoid drawdown periods longer than a few WFA window lengths, especially if there is a complete and dramatic market change. In my view, it would be foolish to believe that such systems are truly adapting, because they never need to adapt to a dramatic change that removes the inefficiency they trade from the market and when they have to, they fail . However this poses a big question which is how we can give a system a larger ability to adapt in order to see if it can truly tackle dramatic changes in market conditions. At this point I decided to try systems with larger degrees of freedom, especially those systems that could generate dramatic adaptations to changes in market behaviour. The most obvious initial test is to try a system that can 8220switch8221 the way in which it trades in a very dramatic manner a breakout strategy that can either fade or trade breakouts. The results of this experiment were very interesting because they showed that under competing opposite market strategies there are optimization periods where both can give profitable results but only one gives profitable results in the subsequent walk forward trading period. However there were also times when one of the two system switches was dominant, achieving profitable trading through several different periods at a time, only failing when the other strategy started to become dominant. In essence what we have when we introduce freedom that allows for a completely different trading logic to enter the picture is a system that is 8220split8221 in duality between what it can achieve through both trading techniques. Such a system has enough freedom to adapt to two opposing inefficiencies and it only fails when the ground is neutral between the two (as the result is equivalent to a guess since none of the two techniques is dominant). Perhaps the most dramatic effect is that the trading logic in fact changes in periods where you would expect it to, as the breakout inefficiency becomes less effective, the fadeout inefficiency becomes more predominant and the system starts to trade in a completely opposing manner. This is alike what traders generally call the 8220switch8221 a flip between two opposing market views that happens under changing market conditions. Clearly you have losing periods while this happens 8211 while the change takes place 8211 but if the change is long lasting you actually get a few periods of very good profitability. Obviously if the change is short lasting you hesitate between the two logics and you end up with drawdown accumulated on either case. The market is very efficient in this case because it fails to imitate its past behaviour. The above is only the beginning of the story but it does show that walk forward analysis success only seems to make sense when you give your system enough freedom to completely change the way in which it8217s trading. Using WFA to adapt a system that is 8220stuck8221 in a box is not a good idea because you8217re fooling yourself into thinking you have a true ability to adapt to market changes when you are simply observing a positive effect because the inefficiency you want to trade is practically constant under the pair you8217re analysing. By giving your system the ability to tap into logic that trades in a naturally opposing manner you ensure that you give your system the 8220ultimate choice8221 regarding the way in which it should be trading. Granted, the above is not easy to achieve and you will see that WFA fails bluntly under many different conditions when you increase degrees of freedom. However, profitable WFA is indeed possible for systems with very complex makeups (even genetic frameworks) but we will get into this topic on future posts. If you would like to learn more about trading systems and how you can learn to trade and analyse them please consider joining Asirikuy. a website filled with educational videos, trading systems, development and a sound, honest and transparent approach towards automated trading in general. Spero vi sia piaciuto questo articolo. o)