2019年12月8日 星期日

逆選擇效應 & 影響因子法

通常我們在一開始優化交易策略的時候

我們的一些交易策略參數,可能對我們的交易數量(Trade Number)有很大的影響

舉例來說,一個 MA 策略的週期參數,變大交易量就變少、變小交易量就變大

所以在還沒有進資金管理 MAE/MFE 優化之前,會發生一件事情

就是如果策略很難優化,大多數參數都是賠錢的,優化的時候會發生 逆選擇效應 


因為你的策略參數很難優化,交易量大就是輸更多

所以優化過程會慢慢收斂到交易數量少、沒有賠很多的情況

這時候優化過程會失去本來的目的,被強勢的引導到交易數量少的情況



對於這種在優化過程會遇到很強烈的逆選擇效應的情形

我們可以使用所謂的【影響因子法】對於這種很強烈影響的參數

以指數形式乘上我們要優化的目標

舉例來說,如果你要優化報酬,你可以考慮:


這種是很常見在 系統模擬 中使用的方式

用以加強/或是衡量整體交互影響會存在網路級別的正回饋、負回饋的情況

有時候前面的這一項會因為量級問題,所以需要乘上一個係數做調整

如過你的目標項(也就是淨報酬 Net Profit)優化過程變化很大

你也可以考慮用其他代替,例如 Profit Factor , Recovery Factor




關於影響因子的選擇,通常是在 0.6 ~ 0.8 之間

你可以自己嘗試,看到什麼情況對你初步優化就能降低逆選擇效應發生

知名的交易策略評估指標 SQN Value

採用的就是: 




大家可以考慮看看,並且留意優化過程中是否遇到 逆選擇效應的問題

SQN Value 在優化過程中間的特色以後我在寫文章細講

這在 Meta Trader 中可以使用 Custom Max 很容易的設計





 如果你想了解更多這方面的資訊,可以閱讀下列書籍與文章:

 Kennedy, James. "Swarm intelligence." Handbook of nature-inspired and innovative computing. Springer, Boston, MA, 2006. 187-219.

Castellano, Claudio, Santo Fortunato, and Vittorio Loreto. "Statistical physics of social dynamics." Reviews of modern physics 81.2 (2009): 591.

Gilbert, Nigel, and Klaus Troitzsch. Simulation for the social scientist. McGraw-Hill Education (UK), 2005.

這個處理方式的最早起源來自於衡量社會影響力理論:

Latané, Bibb. "The psychology of social impact." American psychologist 36.4 (1981): 343.

沒有留言:

張貼留言