در مقاله‌‌ی پیشین از سری مقالات مرتبط با بهینه یابی به شرح و  بررسی «بهینه‌یابی و ذات استراتژی معاملاتی» پرداختیم.، در این مقاله به شرح و بررسی «برازش، مرگ پنهان یک استراتژی معاملاتی» می‌پردازیم.

در صورت برقراری شرایط معاملات الگوریتمی در بازار هدف برای سنجش بازده استراتژی‌های معاملاتی می‌توانید از سفارش کد پایتون، سفارش کد mql و … برای کد کردن و بهینه یابی استراتژی‌های خود استفاده کنید. و در عین حال سوای امکان سفارش اکسپرت می‌توانید از سفارش اندیکاتور برای دریافت یک نمایش گرافیکی از محاسبات استراتژی خود بهره ببرید.

– – –

در این مقاله نخست به این سوال خواهیم پرداخت که برازش یا overfitting چیست در مقالات قبلی اشاره های جزئی به این اصطلاح داشتیم که در این مقاله بسیار دقیق تر و عمیق تر به آن خواهیم پرداخت.

بسیاری از اعمال ما در جهان معاملاتی مبتنی بر پیش بینی است. چرا که پیوسته در حال تعمیم گذشته به آینده هستیم. در این گذشته ما اغلب به دنبال عواملی هستیم که از الگویی قابل پیش‌بینی تبعیت می‌کنند با این کار بسط یا تعمیم ما به آینده از اعتبار بیشتری برخوردار خواهد بود.

در چنین پروسه‌ای ما نسبت به اطلاعات گذشته اشراف کامل داریم و بر اساس آن اصولی را تنظیم می‌کنیم. یک استراتژی یا مدل معاملاتی اساسا یک پیش‌بینی است. قطاری که با سوخت گذشته به سوی آینده حرکت می‌کند. هر پیش بینی دارای ریسک مشخصی است. یکی از ابعاد ریسک را ریسک تجربی یا Empirical Risk می‌نامیم.

ریسک تجربی نوعی از ریسک است که از اختلال کارکرد استراتژی بر روی داده های گذشته استخراج شده، یعنی داده هایی که به آن‌ها اشراف کامل داریم.

بُعد دیگر ریسک یک پیش بینی True Risk یا ریسک حقیقی آن است. هنگامی که یک پیش بینی بر روی داده هایی حقیقی، خارج از آن ها که بر اساسشان ساخته و پرداخته شده، مورد سنجس قرار بگیرد ما به ریسک حقیقی آن پی خواهیم برد. در حوزه‌ی آمار برای اشاره به این داده‌ها از اصطلاح داده های نمونه و داده های خارج از نمونه استفاده می‌شود که ما برای ساده تر شدن فهم مسئله در جهان معاملاتی از اصطلاح داده های گذشته و داده های حقیقی استفاده و پیش بینی را یک استراتژی معاملاتی قلمداد خواهیم کرد. این که ریسک یک استراتژی به کمک چه عاملی به شکل دقیق محاسبه می‌شود مبحث مفصل دیگری است که به عنوان استراتژیست باید بدان بپردازید. با توجه به اینکه ریسکی مربوط به یک موضوع واحد را به دو گروه تقسیم کردیم بدیهی است که ریسک حقیقی و ریسک تجربی یک استراتژی همیشه در تطابق کامل نیستند در غیر این صورت دلیلی برای این تقسیم‌بندی وجود نداشت. میزان شباهت ریسک تجربی و ریسک حقیقی را می‌توانیم با یک نمود ریاضیاتی ساده بررسی کنیم :

(ER(Empirical Risk) / TR(True Risk

بدیهی است که هرچه حاصل این کسر به یک نزدیک‌تر باشد اختلاف میان ریسک حقیقی و ریسک تجربی نیز کمتر است این بدان معنی است که نتایج پیش بینی ما بر روی داده های گذشته و داده های حقیقی و دیده نشده دارای همبستگی است و ارزیابی ما دارای اعتبار بالاتری است. هدف یک کارشناس ارزیابی و بهینه‌یابی استراتژی نزدیک کردن هرچه بیشتر این کسر به عدد یک است یعنی کاهش اختلاف میان ریسک تجربی و ریسک حقیقی.

با این تفاسیر می‌توان گفت در یک پروسه‌ی ‌بهینه یابی موفق علاوه بر بهبود عملکرد استراتژی شرط نزدیک بودن این نسبت یه یک نیز برآورده خواهد شد.

روش های مختلفی برای محاسبه‌ی این نسبت پیش از ورود به معاملات واقعی وجود دارد برای مثال می‌توانیم داده های قیمتی گذشته را به دو دسته تقسیم کنیم. از یک مجموعه جهت بهینه‌یابی(سنجش ریسک تجربی) و از مجموعه ی دیگر جهت سنجش عملکرد استراتژی(سنجش ریسک حقیقی) استفاده کنیم. نکته ی مهم در این روش آن است که به قسمت دوم یعنی قسمتی که برای سنجش عملکرد استراتژی کنار گذاشته‌ایم به عنوان یک تست یک بار مصرف نگاه کنیم. پس از تست استراتژی بر روی این مجموعه‌ی داده به هیچ عنوان اجازه ی تنظیم دوباره و بهینه‌یابی استراتژی را نخواهیم داشت. کاربرد یک منبع معتبر آموزش بهینه یابی می‌تواند بسیار به پروسه‌ی بهینه یابی کمک می‌کند. همچنین می‌توان از سفارش کد بهینه یابی و نرم افزار بهینه یابی نیز بهره برد.

تمامی این موارد برای مواجهه با عارضه‌ای خطرناک به نام overfitting یا برازش است. برازش هنگامی اتفاق می‌افتد که مقدار نسبت مذکور به شکل قابل توجهی کاهش پیدا می‌کند یا به عبارت دیگر اختلاف میان ریسک تجربی یا ریسک حقیقی آنچنان افزایش پیدا می‌کند که استراتژی ما عملا توانایی تعمیم به داده های حقیقی را از دست می‌دهد. دلیل مشخص این اتفاق آن است که مدل یا استراتژی معاملاتی ما به اندازه ای با ویژگی های یک مجموعه داده سازگاری پیدا کرده که قدرت تعمیم عمومی خود را از دست داده است.

بر اساس آموزش بهینه یابی، برازش نوعی از اختلاف است که میان عملکرد استراتژی معاملاتی در محیط توسعه و ارزیابی با عملکرد واقعی آن به وجود می آید. همانطور که ازطریق نسبت بالا قابل مشاهده است این انحراف در یک طیف تبیین می‌شود به این معنی که اختلاف میان ریسک تجربی و ریسک حقیقی یک استراتژی یا به بیان دیگر عملکرد گذشته و عملکرد حقیقی می‌تواند به شکلی فاجعه بار عظیم و یا کوچک باشد.

اختلاف بزرگ به قطع حاکی از برازش است و به مرگ استراتژی منجر خواهد شد اما اختلافات کوچک دوره ی تشخیص را طولانی کرده و آن را دشوار می‌سازند چرا که می‌توانند حاکی از برازش جزئی و یا تصادفی بودن بازار باشد. برازش جزئی در بلند مدت، با هزینه ای بالا عدم اعتبار و مرگ یک استراتژی را تایید خواهد کرد. چه برای روند ارزیابی یک استراتژی معاملاتی و چه برای پروسه ی بهینه‌یابی آن فهم برازش و راه های مقابله و تشخیص آن حیاتی است. با شناخت این مفهوم انتخاب پرسود ترین و سازکار ترین مجموعه پارمتر ها و سنجش کیفیت استراتژی معاملاتی ممکن خواهد شد. استفاده از یک منتع مناسب آموزش بهینه یابی چگونگی این تنظیمات را بزای ما بسیار راحت‌تر می‌کند.

– – –

در صورت برقراری شرایط معاملات الگوریتمی در بازار هدف، سوای این بحث که می‌توان استراتژی‌های معاملاتی خود را به وسیله‌ی سفارش کد پایتون یا سفارش کد mql و سفارش اکسپرت کد کرد و در پروسه‌ی بک تست اعتبار سنجی نمود. همچنین می‌توان از طریق سفارش اندیکاتور به آن‌ها یک جنبه‌ی نمایشی نمایان‌تری برای تسهیل تحلیل در سابقه‌ی نماد داد.

– – –

در مقاله‌ی بعدی به بررسی «چگونه برازش ناخواسته یا اصطلاحا overfitting را در بک‌تست یک استراتژی معاملاتی تشخیص دهیم؟» می‌پردازیم که به راه های تشخیص برازش خواهیم پرداخت و به زودی محصولاتی مرتبط با تحلیل و بهینه‌یابی استراتژی های معاملاتی در اختیار شما عزیزان قرار خواهد‌ گرفت.