Kostenlose Werkzeuge

Overfitting-Labor

Dieses Labor baut eine Preisreihe, die per Konstruktion keinen Vorteil hat, probiert viele Einstellungen für Crossovers gleitender Durchschnitte auf den ersten 70% davon und behält die beste. Dann führt es genau diese Einstellung auf den verbleibenden 30% aus, die die Suche nie gesehen hat. Je mehr Einstellungen es probiert, desto besser sieht das beste In-Sample-Ergebnis aus und desto weniger sagt dieses Ergebnis über irgendetwas außerhalb der Stichprobe aus.

Probierte EinstellungenZufällig gezogen aus 878 Schnell/Langsam-Paaren (schnell 2–50, langsam 10–200).

SeedLegt sowohl die Reihe als auch die Auswahl der gezogenen Einstellungen fest.

Die simulierte Reihe.

SIMULIERTE Daten: ein Random Walk, ab 100 indexiert, bei dem jede Balkenrendite mit einem Mittelwert von null gezogen wird. Kein reales Instrument wird gezeigt.

Beste Einstellung In-Sample—

Ihre Rendite In-Sample—

Dieselbe Einstellung Out-of-Sample—

Median In-Sample, alle probiert—

Median Out-of-Sample, alle probiert—

In-Sample-Renditen jeder probierten Einstellung.

Beste In-Sample-Rendite, wenn mehr Einstellungen probiert werden.

Past performance — actual or hypothetical — is not indicative of future results.

These results are based on simulated or hypothetical performance results that have certain inherent limitations. Unlike the results shown in an actual performance record, these results do not represent actual trading. Also, because these trades have not actually been executed, these results may have under- or over-compensated for the impact, if any, of certain market factors, such as lack of liquidity. Simulated or hypothetical trading programs in general are also subject to the fact that they are designed with the benefit of hindsight. No representation is being made that any account will or is likely to achieve profits or losses similar to those shown.

Read our full Disclaimers, including risk and hypothetical performance

So funktioniert es

Die Reihe hat 1.500 Balken. Jeder Balken multipliziert den vorherigen Kurs mit eins plus einer zufälligen Rendite aus einer Normalverteilung mit einem Mittelwert von null, sodass keine Regel auf ihr einen Vorteil haben kann außer durch Zufall. Die ersten 1.050 Balken sind der In-Sample-Teil; die letzten 450 sind Out-of-Sample.

Jede Einstellung ist ein Paar einfacher gleitender Durchschnitte. Bei jedem Schlusskurs hält sie eine Position, wenn der schnelle Durchschnitt über dem langsamen liegt, und ist andernfalls aus dem Markt; solange sie die Position hält, erzielt sie die Rendite des nächsten Balkens. Sie geht nie short, und es fallen keine Kosten an. Jede Einstellung wird ab Balken 200 bewertet, sobald der längste Durchschnitt existiert.

Warum das beste In-Sample-Ergebnis steigt

Die In-Sample-Rendite jeder Einstellung beruht teilweise auf Glück. Den größten Wert aus vielen Ziehungen auszuwählen, heißt, die glücklichste zu wählen, und der größte Wert aus 500 Ziehungen ist fast immer größer als der größte aus 10. Deshalb klettert die Kurve, je mehr Einstellungen probiert werden, während das Out-of-Sample-Ergebnis des Siegers um dieselbe Stelle streut wie alle anderen.

Warum es Out-of-Sample- und Walk-Forward-Tests gibt

Ein Test auf Daten, die die Suche nie berührt hat, ist die einfachste Prüfung dieses Effekts. Walk-Forward-Tests wiederholen ihn: Einstellungen auf einem Fenster wählen, auf dem nächsten testen, beides vorwärts verschieben und nur die aneinandergereihten Testfenster beurteilen. Keines beweist, dass eine Regel funktioniert; sie zeigen, wie viel eines In-Sample-Ergebnisses den Kontakt mit Daten überstand, auf die es nicht angepasst war. Die Backtesting-Werkzeuge von Analess sind um Out-of-Sample-, Walk-Forward- und Monte-Carlo-Prüfungen herum konzipiert; die Funktionsseite beschreibt sie, und die Roadmap zeigt ihren Zeitplan.