Jaké jsou různé typy strategií zpětného testování?
Existují tři hlavní přístupy ke strategiím zpětného testování: použití skutečných cenových údajů rozdělených do tří skupin; bootstrap, který používá skutečná data o cenách, ale přejmenovává je; a simulace Monte Carlo. Existují teoretické problémy, které rozdělují tvůrce systému podle toho, která metoda je nejlepší. Důležité pro obchodníka je to, že správně používá alespoň jednu ze strategií zpětného testování svého systému, než mu důvěřuje obchodní kapitál. Kritickým problémem při výběru strategie zpětného testování je počet generovaných obchodů; v každé fázi práce tvůrce systému je třeba nejméně 1 000 obchodů.
Použití skutečných cenových údajů rozdělených do tří částí je obvyklým počátečním bodem pro většinu tvůrců systému. Systém je vytvořen pomocí první třetiny dat. V tomto okamžiku tvůrce našel algoritmy, které zřejmě vytvářejí dostatečný zisk s malým rizikem, které nabízí dobré vyhlídky. Druhá třetina dat se používá k optimalizaci systému.
Po optimalizaci systému bude aplikován na zbývající třetinu dat. Tomu se říká testování mimo vzorek a to je místo, kde většina systémů selže. Pokud má systém stále dobré výsledky v nejméně 1 000 obchodech, má tvůrce systému životaschopný systém. Pokud systém vygeneruje méně než 1 000 obchodů při testování mimo vzorek, měl by tvůrce zvážit jinou strategii zpětného testování.
Bootstrapping je metoda načtení některých dat z celkové sady, testování, vložení dat zpět a načtení dalších dat nebo převzorkování a opakované testování. Ideální počet převzorkování je n n nebo n k n- té síle, kde n je počet dat v původním vzorku. Pro obchodníka, který pravděpodobně řeší alespoň 2 500 datových bodů - 250 dní v roce po dobu 10 let - to není praktické. Naštěstí 100 vzorků poskytne vysokou úroveň jistoty, že vzorek bootstrapu bude zrcadlit původní data, a výsledky tak budou spolehlivé. Pokud 100 odběrů neposkytne potřebných 1 000 obchodů, musí obchodník pokračovat v převzorkování, dokud nebude tohoto cíle dosaženo, pokud očekává, že systém bude spolehlivý, nikoli pouze převzorkování dat.
Poslední metodou strategií zpětného testování je simulace Monte Carlo (MC). Tato metoda používá počítač ke generování simulovaných dat a systém je pak na těchto datech testován. Výhodou simulace MC je, že lze vytvořit neomezené množství dat, což umožňuje generovat 10 000 obchodů nebo jakýkoli jiný počet obchodů. Další výhodou je, že každá nová sada dat je mimo vzorek. To nabízí příležitost provádět opakované optimalizační a testovací běhy; jednoduše optimalizujte tuto datovou sadu a poté tyto systémové parametry aplikujte na další data, která počítač vygeneruje.
Nevýhodou simulace MC je, že data nemusí mít přesně stejnou distribuční funkci pravděpodobnosti, jakou mají obchodní data, což by mohlo vést ke zkreslení výsledků. V nejlepším ze všech možných světů by měly být při revizi systému použity všechny tři strategie zpětného testování. Úspěch ve všech třech by měl nabídnout velmi vysokou pravděpodobnost úspěchu v obchodování v reálném světě.