다른 유형의 백 테스트 전략은 무엇입니까?

backtesting 전략에 대한 세 가지 주류 접근법이 있습니다. 실제 가격 데이터를 세 그룹으로 나눈;실제 가격 데이터를 사용하지만 리 샘플링하는 부트 스트랩;몬테 카를로 시뮬레이션.시스템 빌더를 가장 좋은 방법으로 나누는 이론적 문제가 있습니다.거래자에게 중요한 것은 거래 자본을 신뢰하기 전에 자신의 시스템에 대한 백 테스트 전략 중 하나 이상을 올바르게 사용한다는 것입니다.백 테스트 전략을 선택하는 데 중요한 문제는 생성 된 거래 수입니다.시스템 빌더의 작업의 각 단계마다 최소 1,000 개의 거래가 필요합니다.이 시스템은 데이터의 첫 번째 3 분의 1을 사용하여 생성됩니다.이 시점에서 건축업자는 좋은 전망을 제공 할 수있는 충분한 위험으로 충분한 이익을 창출하는 것으로 보이는 알고리즘을 발견했습니다.데이터의 두 번째 3 분의 1은 시스템을 최적화하는 데 사용됩니다.이를 샘플 외부 테스트라고하며 대부분의 시스템이 실패합니다.시스템이 여전히 1,000 개 이상의 거래에서 좋은 결과를 가지고 있다면 시스템 빌더는 실행 가능한 시스템을 가지고 있습니다.시스템이 샘플 외 테스트에서 1,000 개 미만의 거래를 생성하는 경우, 빌더는 또 다른 백 테스트 전략을 고려해야합니다.더 많은 데이터, 리 샘플링 및 리테스트.이상적인 리 샘플의 수는 n

n

또는 n ~ n th

전력으로, 여기서 n은 원래 샘플의 데이터 수입니다.최소 2,500 개의 데이터 포인트를 다루고있는 상인의 경우 mdash;10 년에 걸쳐 일년에 250 일 mdash;그것은 실용적이지 않습니다.다행히 100 개의 리 샘플은 부트 스트랩 샘플이 원래 데이터를 반영하여 결과를 신뢰할 수 있다는 높은 수준의 신뢰를 제공 할 것입니다.100 개의 리 샘플을 사용하는 경우 필요한 1,000 개의 거래를 제공하지 않으면 거래자는 데이터의 리샘플링이 아니라 시스템을 신뢰할 수 있도록 시스템을 기대할 때까지 목표를 달성 할 때까지 계속 리샘플링해야합니다.Monte Carlo (MC) 시뮬레이션입니다.이 방법은 컴퓨터를 사용하여 시뮬레이션 된 데이터를 생성 한 다음 해당 데이터에서 시스템을 테스트합니다.MC 시뮬레이션의 장점은 무한한 양의 데이터를 생성하여 10,000 개의 거래 또는 기타 수의 거래를 생성 할 수 있다는 것입니다.또 다른 장점은 각각의 새로운 데이터 세트가 샘플을 벗어났다는 것입니다.이것은 반복적 인 최적화 및 테스트 실행을 수행 할 수있는 기회를 제공합니다.이 데이터 세트에서 단순히 최적화 한 다음 컴퓨터가 생성하는 다음 데이터에 해당 시스템 매개 변수를 적용합니다.

MC 시뮬레이션의 단점은 데이터가 거래 데이터와 정확히 동일한 확률 분포 함수를 가질 수 없으므로 결과를 왜곡시킬 수 있다는 것입니다..가능한 모든 세상에서, 세 가지 백 테스트 전략을 모두 시스템을 심사하는 과정에서 사용해야합니다.세 가지 모두에서의 성공은 실제 거래에서 매우 높은 성공 가능성을 제공해야합니다.