Quels sont les différents types de stratégies de backtesting?
Il existe trois approches traditionnelles des stratégies de backtesting: en utilisant des données réelles de prix divisées en trois groupes;Bootstrap, qui utilise des données de prix réelles mais les résume;et la simulation Monte Carlo.Il y a des problèmes théoriques qui divisent les constructeurs de systèmes sur quelle méthode est la meilleure.Ce qui est important pour le commerçant, c'est qu'il emploie correctement au moins une des stratégies de backtesting de son système avant de lui faire confiance à son capital commercial.Un problème critique dans le choix d'une stratégie de backtesting est le nombre de métiers générés;Au moins 1 000 transactions sont nécessaires dans chaque phase du travail du constructeur de systèmes.
En utilisant des données réelles de prix, divisées en trois parties, est le point de départ habituel pour la plupart des constructeurs de systèmes.Le système est créé en utilisant le premier tiers des données.À ce stade, le constructeur a trouvé des algorithmes qui semblent générer suffisamment de bénéfices avec un risque suffisamment petit pour offrir de bonnes perspectives.Le deuxième tiers des données est utilisé pour optimiser le système.
Une fois le système optimisé, il sera appliqué au tiers restant des données.C'est ce qu'on appelle les tests hors échantillon, et c'est là que la plupart des systèmes échouent.Si le système a encore de bons résultats sur au moins 1 000 métiers, le constructeur du système a un système viable.Si le système génère moins de 1 000 transactions dans les tests hors échantillon, le constructeur doit considérer une autre stratégie de backtesting.
Bootstrap est une méthode pour dessiner certaines données de l'ensemble total, tester, remettre les données et tirerPlus de données, ou rééchantillonnage et retestement.Le nombre idéal de réseaux est n n , ou n à la puissance n th , où n est le nombre de données dans l'échantillon d'origine.Pour un commerçant qui traite probablement avec au moins 2 500 points de données et MDASH;250 jours par an sur 10 ans et mdash;Ce n'est pas pratique.Heureusement, 100 réseaux fourniront un niveau élevé de confiance que l'échantillon bootstrap reflètera les données d'origine, ce qui rend les résultats fiables.Si la prise de 100 résultats ne fournit pas les 1 000 transactions nécessaires, le trader doit continuer à rééchantillonner jusqu'à ce que cet objectif soit atteint s'il s'attend à ce que le système, plutôt que le simple rééchantillonnage des données, soit fiable.
La dernière méthode de stratégies de backtestingest la simulation Monte Carlo (MC).Cette méthode utilise un ordinateur pour générer des données simulées, et le système est ensuite testé sur ces données.L'avantage de la simulation MC est que l'on peut créer des quantités illimitées de données, permettant à une génération de 10 000 métiers ou de tout autre nombre de transactions.Un autre avantage est que chaque nouvel ensemble de données est hors de l'échantillon.Cela offre la possibilité de faire des courses d'optimisation et de tests répétés;Optimisez simplement sur cet ensemble de données, puis appliquez les paramètres du système aux données suivantes que l'ordinateur génère.
Un inconvénient de la simulation MC est que les données peuvent ne pas avoir exactement la même fonction de distribution de probabilité que les données de trading ont, ce qui pourrait biaiser les résultats.Dans le meilleur de tous les mondes possibles, les trois stratégies de backtesting devraient être utilisées dans le processus de vérification du système.Le succès dans les trois devrait offrir une très grande probabilité de succès dans le commerce du monde réel.