Optimización de caja negra + Bootstrapping = ¿Selección de parámetros?

Question

La mayoría de los sistemas de trading automatizados tienen una serie de parámetros incorporados, como los periodos de retroceso, los umbrales de entrada y salida, etc. Esto es como el sistema de cruce de medias móviles o cualquiera de los sistemas que dependen de algún tipo de ventana de datos para los cálculos. Por ejemplo, si utilizo un filtro exponencial rápido y lento para un sistema de cruce de medias móviles, entonces necesito averiguar los mejores valores de tiempo para cada uno de estos filtros.

Encontrar estos parámetros puede ser difícil porque sólo hay un historial del valor negociado. Una sola divisa puede tener 200 millones de ticks o 2 millones de puntos de datos de 1 minuto. Esto es sólo un escenario de lo que podría haber ocurrido y representa múltiples tendencias y puntos de inflexión en una serie en evolución. Si quiero elegir realmente los parámetros que serían mejores, parece que querría utilizar múltiples muestras para reducir el sobreajuste. Es posible utilizar datos retenidos, pero parece que sería mejor utilizar bootstrapping para obtener historias adicionales para optimizar.

¿Existe algún problema al utilizar los métodos de bloque, bloque móvil u otros métodos de bootstrap para encontrar los parámetros óptimos de negociación o los parámetros de la caja negra? Parece una buena idea. ¿Cuáles son los métodos bootstrap más eficaces para las series temporales no estacionarias y dependientes de la evolución?

Gracias de antemano

Answer 1

Amirsani,

Aquí hay un par de puntos sobre cómo procedería yo:

• En primer lugar, intentaría dividir sus series temporales en diferentes grupos, lo suficiente como para que las diferentes dinámicas del mercado se incluyan en diferentes grupos.

• Supongo que no se va a negociar un solo activo y por lo tanto no se va a optimizar sobre una sola acción o contrato de opciones. Yo trataría de desalentar la optimización de los parámetros sobre cada activo individual, sino sobre un conjunto de activos. No derives un conjunto de parámetros optimizados para Google y otro para MS, por ejemplo, porque lo más probable es que te sobreajustes.

• Yo empezaría por dividir primero los datos en datos de entrenamiento y luego los datos en los que se prueban las optimizaciones al final.

• Entonces, yo procedería a agrupar las series temporales por fechas (meses, años o lo que usted elija) y luego optimizaría cada cubo por separado y luego realizaría pruebas estadísticas sobre la estabilidad de sus parámetros optimizados a través de los cubos.

• Compare también los resultados de su estrategia entre cubos con un conjunto de parámetros y deduzca cuán estables son los resultados. Al final deberías realizar pruebas estadísticas sobre los datos no utilizados para las optimizaciones.