问基于Robert的算法交易的鲁棒测度

EN

分析算法仿真的优化轮廓是为了能够过滤鲁棒策略。

因此，如果仿真结果在正确的轨道上或不正确的话，这一比率将有助于我们发现。

因此，我们想对我们的结果施加一些“惩罚”，这样我们就可以从可疑的(不是稳健的)结果中选择有力的案例。

我谈到了以下惩罚措施(见Pardo先生的书和其他资料来源)。

a.)我们可以用一个市场回报(年价值)作为基准，所以所有结果低于这个水平的模拟都可以排除在我们的分析之外，

b.)其他一些基准，将那些“稳健”的结果与那些更“可疑”的结果分开(例如，对每个结果推断一个标准差)。

根据(a)和(b)项，我们可以制定以下比率：

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具有有趣的结果(我们正在分析该比率中的正值，但盈利的结果也应与负值相比较)。

如果比率大于1，那么我们还没有达到可能的场景，并且应该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，而是局部的，它的值与我们对算法的期望有关。

如果有人有一个更好的解释，想法或概念，你可能会觉得有趣，请分享，我很乐意阅读它。

向大家问好。

关于这一主题的评论

对于这一主题(2008年出版)，“if-and-only-if”一词有其自身的含义，该声明还阐明了特定方面是所测量的稳健性，以及针对哪些现象需要暴露和测试模型--被审查模型的反应(针对什么样的扰动--类型和规模-被测试的模型是否应保持其稳健行为-其衡量标准都是预先定义和量化的-测试)。

在任何情况下，如果这种稳健性的上下文没有被定义，材料，不管是用任何粗体的名字，发音--请原谅我用简单的英语说话--就像一个公关故事，一个过度炒作的电子杂志标题，或者是一个付费广告。

严肃的定量模型评估( )，如果一个人致力于执行优化(相对于某个定义的量化目标)，则需要对该主题有更深入的洞察，而不是以公理的方式发布一个琐碎的“必须的”命令。

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

任何严肃的定量建模工作，如果不只是破坏消耗了数十万CPU核心时间的深参数空间扫描，就必须在主TruTrading策略子空间的任一维度中包含一个严肃的参数化决策

{ aSelectPOLICY, aDetectPOLICY, anActPOLICY, anAllocatePOLICY, aTerminatePOLICY }

如果不这样做，要么会削弱模型，要么会导致盲目的信念，很难猜测前者或后者是否都是更大的数量罪过。

关于被引假说的注记

这本书说，没有任何努力来证明这一结构，即：

The more robust trading strategywill have an optimization profile with a: 1. Largeaverageprofit 2. Small maximum-minimumrange3. Small standarddeviation

这是正确的吗？

现在，请花点时间回顾一下这个4D动画的模型正在测试的视图(视觉化被简化为四个维度，以更容易的视觉感知)，其中没有上述任何一个是正确的。

<aMouseRightCLICK>.openPictureOnAnotherTab to see full HiRes picture details

​

​

基于当代最先进的适应性货币管理实践，这是不正确的，无论是由于，一个糟糕的参数化(因此人为地将模型引导到一个相当“平缓”的aParamSetVectorSPACE子空间)，或者是由于一个主要的错误概念或一个糟糕的实践(包括缺乏)，实施有史以来最强大的利润促进器--非常资金管理模式的子空间。

项目1完全变成insignificant。

第2项的工作原理与相反，与所述的假设相反。

由于上面的1&2项，第3项只能产生相反的。