Принципы работы с оптимизатором и основные способы избежать подгонки. - страница 3

 

Зачем закономерности нужна стационарность? Допустим у нас есть рабочая закономерность. Распределение ее появления во времени жестко не нормально. Основные характеристики этой закономерности тоже не стационарны и плывут со временем. Ну и что? Главное условие лишь одно, - что бы она и дальше продолжала появляться, а не исчезла. Просто наше МО будет нестационарным, но по прежнему положительным, а это главное. Другой вопрос, что не стационарность серьезно усложняет поиск этих самых закономерностей. Мы не можем опираться на стандартные методы статистики для ее идентификации и в процессе использования. Например, если она, появлялась каждый день на протяжении последнего года, а сегодня вдруг исчезла, статистика скажет - закономерность больше не работает. Но это не так, потому что она появляется тогда, когда ей вздумается, и не обязана генерировать стационарные характеристики. Это ее свойство на фундаментальном уровне определяет необходимость переоптимизации алгоритмов. Потому что так или иначе, мы работаем с фиксированными параметрами, которые идеально соответствуют заданной закономерности лишь на истории. Завтра она будет немножко другая, а это значит, что произойдет сдвиг от экстремума нашей подгонки.

И вопрос всех вопросов лишь в том, что бы пережить завтрашний сдвиг. И мы можем выжить используя относительно устойчивые закономерности, либо (и) достаточно грубые (простые) методы идентификации и работы с ними , что бы их грубая оценка позволяла изменяться самой закономерности в достаточно широких пределах.

Это и есть мое обоснование, почему простые методы как правило оказываются эффективнее сложных, и почему вообще становится возможным заработать на рынке.

 
ask: Словестная эквилибристка и не более того. Вы уж определитесь у вас ряды нестационарные или с закономерностями. А то психика как-то не осиливает словосочетание: "закономерности нестационарных рядов" Вы уже, я так понимаю, нашли закономерности нестационарных рядов?


Я тут покопался и нашел -

Стационарность — свойство процесса не менять свои характеристики со временем.

Таким образом, нестационарный ряд меняет свои характеристики со временем. Но это не означает, что в нем не может быть закономерностей.

Вы путаете нестационарный, финансовый ряд с хаотическим рядом. В хаотическом ряду не может быть закономерностей, а в нестационарном ряду, который меняет свои характеристики со временем, может быть. Более того, могут присутствовать закономерности, которые будут предопределять эти изменения.

В финансовых рядах даже на первый взгляд видны некоторые закономерности -

Явно выраженное движение вверх и вниз в виде тренда. Закономерность? - закономерность.

Явно выраженное неопределенное боковое движение в виде флета. Закономерность? - закономерность.

Фигуры в виде "голова и плечи", "флаги" и прочее. Закономерность? - закономерность.

Ну и много еще чего другое......)))))

 
C-4:

Зачем закономерности нужна стационарность? Допустим у нас есть рабочая закономерность. Распределение ее появления во времени жестко не нормально. Основные характеристики этой закономерности тоже не стационарны и плывут со временем. Ну и что? Главное условие лишь одно, - что бы она и дальше продолжала появлятся, а не исчезла. Просто наше МО будет нестационарным, но по прежнему положительным, а это главное. Другой вопрос, что нестационарность серьезно усложняет поиск этих самых закономерностей. Мы не можем опираться на стандартные методы статистики для ее идентификации и в процессе исползования. Например, если она, закономерность, появлялась каждый день на протяжении последнего года, а сегодня вдруг исчезла, статистика скажет - закономерность больше не работатет. Но это не так, потому что она появляется тогда, когда ей вздумается, и необязана генерировать стационарные характеристики. Это ее свойство на фундаментальном уровне определяет необходимость переоптимизации алгоритмов. Потому что так или иначе, мы работаем с фиксированными параметрами, которые идеально соотвествуют заданой закономерности лишь на истории. Завтра закономерность будет немножко другая, а это значит, что произойдет сдвиг от экстремума нашей подгонки.


это и есть квазистационарность - изменение мо в определенном диапазоне. Может быть речь нетолько об мо, но в данном контексте оно нас больше всего интересует

C-4:

И вопрос всех вопросов лишь в том, что бы пережить завтряшний сдвиг. И мы можем выжить используя относительно устойчивые закономерности, либо (и) достаточно грубые (простые) методы идентификации и работы с ними , что бы их грубая оценка позволяла изменяться самой закономерности в достаточно широких пределах.

Это и есть мое обоснование, почему простые методы как правило оказываются эффективнее сложных, и почему вообще становится возможным заработать на рынке.

так может быть супер сложный метод, но достаточно грубо оценивающий закономерность)) Тут скорее вопрос в кол-ве параметров системы и чувствительности результата к их измненению. Если при небольшом изменении параметра результат меняется это не есть гуд. Есть и другие признаки. Здесь только недавно об этом писал https://www.mql5.com/ru/forum/137614/page5

 
Avals:
попробуйте остаток не всегда брать, а выборочно-кусочно. Если вы умеете определять начало и конец таких кусков на ряде (само-собой не постфактум), то этого будет достаточно для торговли. Если нет, то модель менять
Еще раз: не бывает стационарных кусов.
 
faa1947:
Еще раз: не бывает стационарных кусов.


Ещё раз: входя в сделку вы хотите получать положительное мо и не более заранее определенных потерь? Это и есть квазистационарные участки от входа в сделку до выхода. И они само собой на торгуемом ценовом ряде.

Приращения эквити - квазистационарны с положительным мо меняющимся желательно в небольших пределах. Иначе нафиг не нужна такая эквити и система ее порождающая

 

faa1947: Еще раз: не бывает стационарных кусов.

К примеру, тренд - это стационарный кусок или нет?
 
Avals:


Ещё раз: входя в сделку вы хотите получать положительное мо и не более заранее определенных потерь? Это и есть квазистационарные участки от входа в сделку до выхода.

В этом суть данного топика.

По факту - квазистационарна, по прогнозу - нестационарна. Тестирование, включая форвард-тест - квазистационарно, а будущее нестационарно, а посему тестирование ни о чем не говорит. Надо переводить будущий котир в квазистационарное состояние. Это можно сделать только моделируя нестационарность, хотя бы частично.

 
faa1947:

Это можно сделать только моделируя нестационарность, хотя бы частично.

кто же против, моделируйте)) Только всё равно моделируя изменение рынкета опираться приходится на его статистику в прошлом и на какую-то неизменную модель. Т.е. меняются только параметры этой модели исходя из ближайшей истории. Адаптивность нормальное свойство ТС :)
 
И все-таки, интересно, тренд - это стационарный кусок или нет?
 
Avals:
кто же против, моделируйте)) Только всё равно моделируя изменение рынкета опираться приходится на его статистику в прошлом и на какую-то неизменную модель. Т.е. меняются только параметры этой модели исходя из ближайшей истории. Адаптивность нормальное свойство ТС :)
Адаптивность само собой и она не решает проблему нестационарности. Существует целый ряд приемов и методов моделирования нестационарности. В результате, как минимум, удается уменьшить размах нестационарного остатка.