Strumenti gratuiti
Laboratorio di overfitting
Questo laboratorio costruisce una serie di prezzi che non ha alcun vantaggio per costruzione, prova molte impostazioni di incrocio di medie mobili sul primo 70% e tiene la migliore. Poi esegue la stessa impostazione sul restante 30%, che la ricerca non ha mai visto. Più impostazioni prova, più il miglior risultato in-sample sembra buono, e meno quel risultato dice su qualsiasi cosa al di fuori del campione.
Estratte a caso da 878 coppie veloce/lenta (veloce 2–50, lenta 10–200).
Imposta sia la serie sia quali impostazioni vengono tracciate.
La serie simulata.
Dati SIMULATI: un random walk indicizzato da 100, in cui ogni rendimento di barra è estratto con media zero. Non viene mostrato alcuno strumento reale.
Migliore impostazione in-sample—
Il suo rendimento in-sample—
Stessa impostazione out-of-sample—
Mediana in-sample, tutte le provate—
Mediana out-of-sample, tutte le provate—
Rendimenti in-sample di ogni impostazione provata.
Miglior rendimento in-sample man mano che si provano più impostazioni.
Come funziona
La serie ha 1.500 barre. Ogni barra moltiplica il prezzo precedente per uno più un rendimento casuale estratto da una distribuzione normale con media zero, quindi nessuna regola può avere un vantaggio su di essa se non per caso. Le prime 1.050 barre sono la parte in-sample; le ultime 450 sono out-of-sample.
Ogni impostazione è una coppia di medie mobili semplici. A ogni chiusura mantiene la posizione quando la media veloce è sopra la lenta e resta fuori dal mercato altrimenti; mentre è in posizione, guadagna il rendimento della barra successiva. Non assume mai posizioni short e non ci sono costi. Ogni impostazione viene valutata a partire dalla barra 200, quando esiste la media più lunga.
Perché il miglior risultato in-sample cresce
Il rendimento in-sample di ogni impostazione è in parte frutto della fortuna. Scegliere il valore più alto tra molte estrazioni significa scegliere quello più fortunato, e il massimo di 500 estrazioni è quasi sempre superiore al massimo di 10. Per questo la curva sale man mano che si provano più impostazioni, mentre il risultato out-of-sample del vincitore resta disperso attorno allo stesso valore di quello di tutti gli altri.
Perché esistono i test out-of-sample e walk-forward
Testare su dati che la ricerca non ha mai toccato è il controllo più semplice di questo effetto. Il test walk-forward lo ripete: sceglie le impostazioni su una finestra, le testa sulla successiva, sposta avanti entrambe e giudica solo le finestre di test cucite insieme. Nessuno dei due dimostra che una regola funzioni; mostrano quanta parte di un risultato in-sample è sopravvissuta al contatto con dati su cui non è stata adattata. Gli strumenti di backtesting di Analess sono progettati attorno ai controlli out-of-sample, walk-forward e Monte Carlo; la pagina delle funzionalità li descrive e la roadmap ne mostra i tempi.