امروز خیلی کوتاه با معادله ای حاصل کار یکی از تحسین برانگیز ترین نوابغ جهان آشنا خواهیم شد

تصویری که مشاهده می‌کنید از دست نوشته های این دانشمند نابغه و مربوط به شرح این فرمول نیست. یکی از مشهور ترین معادلات ریاضی و فیزیک یک معادله‌ی عظیم نگاشته شده در دفتری کهنه نیست بلکه در تصویر زیر خلاصه می‌شود :

این معادله نرخ تبدیل ماده (m) به انرژی (E) را تبیین می کند. مفهوم آن به زبان ساده  این است که در ازای از بین رفتن مقدار مشخص ماده، مقدار مشخصی انرژی تولید می‌شود. تمام ماهیت وجودی این معادله متشکل از دو متغیر  و یک عدد از پیش شناخته شده یعنی سرعت نور است.

هنگامی که در دبیرستان مشغول به تحصیل بودم یکی از اساتید فیزیک که در مقطع دکتری فلسفه ی علم تحصیل می‌کرد جمله ای گفت که مدت ها ذهن من را مشغول کرد. او گفت که نیوتون یک ساده‌انگار بود و همین مسئله نشان دهنده‌ی نبوغ اوست.

در آن مقطع از زمان این جمله مفهوم چندانی برای من نداشت بعد ها پس از آشنایی با کار فیزیکدان ها و محققین برجسته‌ی دیگر از جمله ریچارد فاینمن متوجه مفهوم عمیق ساده‌انگاری شدم. دلیلی وجود دارد که تمامی این افراد برجسته همیشه به دنبال ارائه ساده ترین نتایج هستند. چه کسی این موضوع را انکار میکند که ساده و کافی ترکیبی نبوغ آمیز است. ایجاد ساختاری پیچیده از عهده هرکس برخواهد آمد ولی ایجاد ساختاری ساده اما کافی یا به بیان دیگر کارآمد تنها از نبوغ سرچشمه می‌گیرد.

سال ها قبل فیلسوفی به نام ولیام اکاماصلی را مطرح کرد که با وجود منتقدینش هنوز سنگ بنای محکمی برای گسترش علم و تولید دانش محسوب می‌شود. این اصل مهم را که با نام تیغ اکام (occam’s razor) می‌شناسیم به در این جمله خلاصه می‌شود:
بین دو توجیه متفاوت برای یک مجموعه از مشاهدات همیشه توجیه ساده تر را انتخاب کن.

سادگی به نظر مفهومی کیفی با دنباله ای طولانی از معانی متفاوت است مفهومی که با وجود گذشت سال ها هنوز ضعف افراد را در درک آن مشاهده می‌کنم هنگامی که از سادگی سخن میگوییم از نوعی معماری صحبت می‌کنیم، نوعی معماری که در آن تمام اصول در بهینه ترین حالت خود هستند. معماری ساده انگارانه لزوما به ساخت ساده ترین ها ختم نخواهد شد.

باید چیز هارا تا جای ممکن ساده ساخت، اما نه ساده تر. منسوب به آلبرت انیشتین

توصیه ی من به شما آن است که در این مفهوم تامل کنید و در هنگام توسعه‌ی استراتژی های خود این معماری فکری را سرلوحه کار خود قرار دهید چراکه این نوعی از معماریست که در ذات طبیعت وجود دارد و شاید بازار ها طبیعی ترین و ملموس ترین نمود تمایلات انسانی ما باشند. اما چرا به این مبحث پرداختم؟
استراتژی های معاملاتی ما مدل هایی ساده شده از جهان واقعی هستند و ما طی پروسه ای آن هارا ارزیابی کرده و وارد مرحله‌ی بهینه‌یابی می‌شویم. این دو مرحله شاید مشکل ترین و پرچالش ترین مراحل توسعه ی یک استراتژی باشند. بسیاری از استراتژی ها با نتایجی بسیار خوب از این مراحل خارج شده و در تعامل با جهان واقعی معاملات با شکست مواجه می‌شوند. مشکل کار آنجاست که ما با وجود بهره بردن از انبوه معیار های آماری و ریاضیاتی هنوز از تشخیص درست نویز و سیگنال عاجز هستیم. با افزایش اطلاعات ما نسبت به یک استراتژی احتمال آن وجود دارد که شکاف موجود بین واقعیات و آنچه می‌دانیم نیز رو به افزایش گذارد.

مهم‌ترین هدف بهینه‌‎یابی آن است که یک استراتژی معاملاتی را با کمک نتایج گذشته نگر همگام با حرکت بازار به رقص درآورد و اما تجربه به من ثابت کرده که حرکات موزون بی نقص و سودده یک استراتژی با بازار نتایج خوبی به همراه نخواهد داشت. همانطور که یاماموتو می‌گوید ” کمال زیبا نیست. در جایی از چیز هایی که انسان ها می‌سازند من میخواهم جراحت ، شکست، بی‌نظمی و آشفتگی را مشاهده کنم“.

مشکل ازجایی شروع می‌شود که این نتایج قابل قبول در معاملات واقعی تکرار نخواهند شد. مهم ترین هدف بهینه‌یابی استراتژی های معاملاتی انتخاب پارامتر های مطلوب است. باید بین نتایج به دست آمده از تست گذشته و داده های خارج از نمونه (معاملات واقعی) همبستگی وجود داشته باشد و تشخیص پارامتر هایی که این همبستگی را حفظ خواهند کرد مهم ترین وظیفه‌ی کارشناس بهینه‌یابی ست. در پروسه ی بهینه‌یابی سادگی به معنای اجزای متغیر کمتر است.  هر چه اجزای متحرک و متغیر یک استراتژی کمتر باشند اعتبار نتایج بهینه یابی و تست گذشته‌نگر بالاتر خواهد بود. اما دلیل آن چیست؟ هنگامی استراتژی را با تیغ اکام اصلاح میکنیم توانایی آن را برای رقص با نویز بازار محدود می‌کنیم. این کاریست که احتمال (overfitting) را کاهش می‌دهد. برازش یا overfitting زمانی اتفاق می افتد که مدل ما آنچنان با داده های نمونه سازگار شده که توانایی بسط خود را به داده های خارج از نمونه از دست می‌دهد. برای روبرویی با این چالش ابزار های متفاوتی در دست داریم اما شاید موثر ترین و منطقی ترین آن ها ساده انگاری در توسعه‌ی استراتژی ها و حذف قسمت های متحرک غیر ضروری باشد. به یاد داشته باشید که هرچه توانایی استراتژی در تطبیق با نویز بازار محدود تر باشد نتایج معتبر تر خواهند بود این موضوع ممکن است گیج کننده به نظر برسد، نتایج واقع نگرانه به اندازه ی نتایجی که دچار برازش و درحد کمال هستند مساعد نیستند اما به قطع احتمال تکرار بالاتری دارند. باید بدانید که پیچیدگی ، فضای چند بعدی و محاسباتی که بر روی مفروضات اشتباه بنا شده اند همه و همه از مهم ترین عوامل مرگ یک مدل محاسباتی در جهان واقعی هستند . برای درک بهتر این مفهوم شما را به  این کتاب ارجاع می‌دهم:

By Nate Silver The Signal and the Noise: Why So Many Predictions Fail-but Some Don’t