算法交易的稳健测度 - 基于Robert Pardo的书

Question

我正在优化算法策略。在从众多优化策略池中进行选择的过程中，我处于搜索（评估）策略稳健性的阶段。

按照Pardo博士的书“交易策略评估”第231页的指导原则，Pardo博士建议在数字3中将以下比率应用于优化数据：

“3。所有盈利模拟的总利润除以的比率 所有模拟的总利润显着为正“

问题：从优化结果来看，我无法正确理解帕尔多先生所说的“......所有模拟显着正面”;帕尔多先生的意思是什么？显着积极？

a。）95％置信水平？ b。）具有一定的p值？ c。）每个模拟的平均净利润减去它的标准差

尽管这句话看似“简单”，但我真的很想了解Pardo先生所说的话以及如何计算它，以便过滤最强大的算法策略。

Answer 1

分析算法模拟的优化配置文件的目的是能够过滤稳健的策略。

因此，该比率应该有助于我们发现仿真结果是否在正确的轨道上。

因此，我们希望对我们的结果施加一些“惩罚”，因此我们可以从可疑（非稳健）结果中选择强有力的案例。

我采取了以下惩罚措施（在帕尔多先生和其他消息来源的书中找到）。

a。）我们可以使用市场回报（年度值）作为基准，因此所有模拟结果都低于这个水平，可以从我们的分析中排除，

b。）其他一些基准来将那些“强劲”结果与那些更“可疑”的结果分开（例如，推导出每个结果一个标准偏差）

从（a）和（b），我们可以创建比率：

所有盈利模拟的总和除以被认为是稳健的盈利结果

比率应大于或等于1.

如果该比率等于1则表示我们的模拟结果给出了有趣的结果（我们正在分析该比率中的正值，但是应该总是将盈利结果与负结果进行比较）。

如果比率大于1，那么我们没有达到可能的情况，应将结果与其他优化测试进行比较。

在模拟交易算法时，没有结果是绝对的但是部分的，它的值与我们对算法的期望有关。

如果某人有更好的解释或想法或概念，您可能会觉得有趣，请分享，我很乐意阅读。

对所有人表示最好的问候。

Answer 2

关于主题的评论

尽管对该主题给予了应有的尊重（2008年发布），但健壮性一词具有它自己的含义 if-and-only-if 该声明也是澄清在哪个特定方面是测量的稳健性以及它将暴露的现象和测试了模型 - 审查中的反应（针对什么样的扰动 - 类型和规模 - 被测模型应该保持它的稳健行为，其测量是先验定义和量化的测试）。

在任何情况下，如果没有定义鲁棒性的这种背景，那么材料，无论是用任何粗体名称打印，都会发出声音 - 并且原谅我用简单的英语说话 - 就像一个公关故事，一个结束-dyped eZine标题或类似付费广告。

严格的定量模型评估，如果一个人努力进行优化（关于某些定义的量化目标），则需要更深入地了解主题，而不是公理性地发布一个简单的＆＃ 34;必须具备＆＃34;

的必要性

large-average && small-HiLo-range && small StDev。

任何严肃的定量建模工作，如果它不仅仅破坏消耗数十万个CPU 核心小时的深度参数空间＆＃39;扫描，应在主要TruTrading策略子空间的任一维度中包含严格的参数化决策 -

{ aSelectPOLICY, aDetectPOLICY, anActPOLICY, anAllocatePOLICY, aTerminatePOLICY }

如果不这样做，要么削弱模型，要么导致盲目信念，难以猜测，无论前者还是后者都是两个量子罪中的更大者。

对所引用的假设的评论

这本书在不费力地证明建筑的情况下说明：

The more的 robust trading strategy will have an optimization profile with a: 1. Large的 average profit 2. Small maximum-minimum的 range 3. Small standard的 deviation

是否正确？

现在请花一些时间来回顾这个4D动画视图的被测模型（其可视化被简化为四维以便于视觉感知），其中以上都不是真的。

<aMouseRightCLICK>.openPictureOnAnotherTab to see full HiRes picture details

基于当代最先进的自适应资金管理实践，这是不正确的，不管是因为参数化不良（因此人为地将模型引入了一个相当的＆＃34;公平利润＆＃34; aParamSetVectorSPACE的子空间） 或者由于实施最强大的利润助推器的主要错误概念或不良做法（包括缺乏这种做法） - 非常的资金管理模式子空间。

第1项变得无关紧要。

第2项与相反适用于所述的假设。

项目3 由于1＆amp;而不能产生任何相反的。 2以上。