Качество фин модел оценить сложно, поскольку мы не знаем что мы должны получить в итоге, как должен выглядеть результат. В отличии от например модели классификации фоток кошек и собак.
Одно из решений а) создать цель искуственно, где ее параметры точно известны б) разобрать цель, превратив в случайный, зашумленный сигнал, в) используя модель восстановить цель назад и сравнить с исходной.
Мы получаем простой и быстрый тест. Необходимое, но не достаточное условие для проверки модели. Если она не может восстановить цель назад, пробовать ее на реальных данных смысла нет. Это экономит много времени.
На графике искуственая цель, цены премиумов для различных периодов, волатильностей и страйков, используя распределения близкие к реальным рыночным
код. Эта цель затем превращается в случайный сигнал, и восстанавливается.
промежуточная цель — эквити и её характеристики (шарп, ёмкость, масштабируемость)
Sergey Pavlov, сделать единую общую модель заложив конечный результат как прибыль, слишком сложно.
Мне кажется проще разбить задачу на шаги, множество небольших моделей использовать (напр. модель предсказания цен опционов). Которые, в конечном этапе, можно обьединить в более крупную модель/систему.
Sergey Pavlov, и, эквити часто сложно использовать напрямую, например для инвестиций используя фин отчетность и долгосрочное инвестирование на 1-3 года. Слишком мало данных и много шума.
Эквити напрямую заложить можно на алготрейдинг и т.п. задачи.
Но это сложно сделать, модель получится огромной, с десятками параметров, без понимания как она работает.
Мне таки видится лучше разбить на модули, и затем уже из готовых модулей собрать конечную систему с оптимизацией на прибыли.