Problemas de reciclagem

Um exemplo de reciclagem ou re-otimização ao configurar sistemas de negociação

Algo traders e desenvolvedores enfrentam o fenômeno da superotimização ao selecionar os parâmetros dos sistemas de negociação automatizados. A superotimização é um processo no qual modelos ou estratégias se tornam excessivamente adaptados aos dados históricos e perdem sua eficácia em novos dados.

A superotimização de estratégias de negociação automatizadas pode ocorrer por vários motivos:

Esforçando-se por altos resultados com base em dados históricos: os comerciantes podem ajustar seus modelos ou estratégias com muito cuidado para combinar perfeitamente os dados passados. Isso pode fazer com que o modelo funcione bem em dados históricos, mas se adapte mal às novas condições de mercado.
Usando modelos complexos: às vezes, os desenvolvedores de sistemas de negociação usam modelos matemáticos muito complexos ou algoritmos que podem ser muito sensíveis a pequenas alterações nos dados. Tais modelos muitas vezes acabam sendo ineficazes em condições reais de negociação.
Falta de dados ou sua qualidade: se os dados nos quais o modelo é treinado forem limitados ou de baixa qualidade, isso pode forçar os algoritmos de seleção de parâmetros a recorrer à superotimização para obter resultados aceitáveis.
Instabilidade do mercado: os mercados financeiros são muito dinâmicos e são influenciados por muitos fatores. Estratégias que funcionaram bem no passado podem se tornar ineficazes devido a mudanças nas condições de mercado.

É importante entender que a superotimização pode levar à deterioração da eficácia das estratégias na prática e ao aumento dos riscos.

Maneiras de resolver o problema da superotimização

A ironia da tarefa de re-otimização é que haverá muitos resultados nos resultados da otimização que mostrarão excelentes resultados no futuro. Isso é um fato, pois se após 5 anos tentarmos otimizar nosso sistema em todo o site, certamente encontraremos os parâmetros que formam uma curva uniforme e ascendente do saldo de nossa conta. Claro, isso se aplica apenas a sistemas com adaptabilidade suficiente. Acontece que já temos os parâmetros necessários (capazes de ganhar em novos dados) para o nosso sistema de negociação-só precisamos selecioná-los)

Expandir a amostra de dados fornece uma imagem mais representativa do comportamento do sistema em várias condições de mercado, o que reduz o risco de sobreajuste. Você pode usar personagens adicionais ou apenas uma história mais profunda do personagem.
O teste paralelo de vários conjuntos de Parâmetros com pequenos desvios ajuda a identificar valores ótimos e determinar a zona de resistência do sistema a alterações nos parâmetros de entrada. Ou seja, use vários conjuntos de Parâmetros de uma só vez e teste vários sistemas simultaneamente, deslocando os parâmetros em ambas as direções. Por exemplo, se estamos tentando selecionar um período de média móvel e testar o parâmetro 100, então mais dois sistemas idênticos com os parâmetros 95 e 105 devem participar do teste ao mesmo tempo.
O uso de critérios especiais de otimização focados na estabilidade operacional possibilita selecionar as configurações de sistema mais confiáveis, capazes de mostrar resultados estáveis em condições reais de negociação.

Assim, embora seja impossível eliminar completamente a superotimização, a aplicação de uma abordagem integrada à seleção de parâmetros e avaliação de resultados possibilita a criação de um sistema de negociação capaz de se adaptar às mudanças nas condições do mercado e demonstrar resultados estáveis a longo prazo.