กลยุทธ์การทดสอบ backtesting ประเภทใดคืออะไร?

มีสามวิธีหลักในการใช้กลยุทธ์การทดสอบย้อนกลับ: การใช้ข้อมูลราคาจริงแบ่งออกเป็นสามกลุ่มBootstrap ซึ่งใช้ข้อมูลราคาจริง แต่กลับมาใหม่อีกครั้งและการจำลอง Monte Carloมีปัญหาทางทฤษฎีที่แบ่งผู้สร้างระบบซึ่งวิธีการที่ดีที่สุดสิ่งที่สำคัญสำหรับผู้ค้าคือเขาจ้างกลยุทธ์การทดสอบย้อนหลังอย่างน้อยหนึ่งกลยุทธ์ในระบบของเขาก่อนที่จะไว้วางใจทุนการค้าของเขาปัญหาที่สำคัญในการเลือกกลยุทธ์การทดสอบย้อนกลับคือจำนวนการซื้อขายที่สร้างขึ้นจำเป็นต้องมีการซื้อขายอย่างน้อย 1,000 รายการในแต่ละขั้นตอนของงานของผู้สร้างระบบ

การใช้ข้อมูลราคาจริงแบ่งออกเป็นสามส่วนเป็นจุดเริ่มต้นปกติสำหรับผู้สร้างระบบส่วนใหญ่ระบบถูกสร้างขึ้นโดยใช้หนึ่งในสามของข้อมูลเมื่อมาถึงจุดนี้ผู้สร้างได้พบอัลกอริทึมที่ดูเหมือนจะสร้างผลกำไรเพียงพอโดยมีความเสี่ยงน้อยพอที่จะเสนอโอกาสที่ดีหนึ่งในสามของข้อมูลที่ใช้เพื่อเพิ่มประสิทธิภาพระบบ

หลังจากระบบได้รับการปรับให้เหมาะสมมันจะถูกนำไปใช้กับหนึ่งในสามของข้อมูลที่เหลือสิ่งนี้เรียกว่าการทดสอบนอกตัวอย่างและเป็นที่ที่ระบบส่วนใหญ่ล้มเหลวหากระบบยังคงมีผลลัพธ์ที่ดีในการซื้อขายอย่างน้อย 1,000 ครั้งผู้สร้างระบบจะมีระบบที่มีศักยภาพหากระบบสร้างการซื้อขายน้อยกว่า 1,000 รายการในการทดสอบนอกตัวอย่างผู้สร้างควรพิจารณากลยุทธ์การทดสอบย้อนกลับอีกครั้ง

bootstrapping เป็นวิธีการวาดข้อมูลบางอย่างจากชุดทั้งหมดการทดสอบวางข้อมูลกลับเข้ามาและวาดภาพข้อมูลเพิ่มเติมหรือการสุ่มตัวอย่างใหม่และการทดสอบซ้ำจำนวนเรซูเม่ที่เหมาะสมที่สุดคือ n

n ^{หรือ n ถึงพลังงาน n} th ^{โดยที่ n คือจำนวนข้อมูลในตัวอย่างดั้งเดิมสำหรับผู้ค้าที่มีแนวโน้มที่จะจัดการกับจุดข้อมูลอย่างน้อย 2,500 จุด mdash;250 วันต่อปีใน 10 ปี mdash;ที่ไม่สามารถใช้งานได้โชคดีที่เรซูเม่ 100 ตัวจะให้ความมั่นใจในระดับสูงว่าตัวอย่าง bootstrap จะสะท้อนข้อมูลต้นฉบับทำให้ผลลัพธ์น่าเชื่อถือหากการใช้ Resamples 100 รายการไม่ได้ให้การซื้อขาย 1,000 รายการผู้ค้าจะต้องทำการสุ่มตัวอย่างต่อไปจนกว่าเป้าหมายนั้นจะบรรลุหากเขาคาดหวังว่าระบบแทนที่จะเป็นเพียงการกลับมาของข้อมูลใหม่คือการจำลอง Monte Carlo (MC)วิธีนี้ใช้คอมพิวเตอร์เพื่อสร้างข้อมูลจำลองและจากนั้นระบบจะถูกทดสอบกับข้อมูลนั้นข้อได้เปรียบของการจำลอง MC คือเราสามารถสร้างข้อมูลจำนวนมากที่ไร้ขีด จำกัด ทำให้สามารถสร้างการซื้อขายได้ 10,000 ครั้งหรือการซื้อขายจำนวนอื่น ๆข้อดีอีกอย่างคือชุดข้อมูลใหม่แต่ละชุดไม่ได้เป็นตัวอย่างสิ่งนี้ให้โอกาสในการเพิ่มประสิทธิภาพและการทดสอบซ้ำ ๆเพียงเพิ่มประสิทธิภาพในชุดข้อมูลนี้จากนั้นใช้พารามิเตอร์ระบบเหล่านั้นกับข้อมูลถัดไปที่คอมพิวเตอร์สร้างขึ้น}

ข้อเสียของการจำลอง MC คือข้อมูลอาจไม่ได้มีฟังก์ชั่นการกระจายความน่าจะเป็นแบบเดียวกันกับที่ข้อมูลการซื้อขาย.ในโลกที่ดีที่สุดเท่าที่จะเป็นไปได้ควรใช้กลยุทธ์การทดสอบย้อนหลังทั้งสามในกระบวนการตรวจสอบระบบความสำเร็จในทั้งสามควรนำเสนอโอกาสที่จะประสบความสำเร็จในการซื้อขายในโลกแห่งความเป็นจริง