Список проголосовавших за комментарий "<strong><strong>Это просто подгонка под результат / кривая фиттинг...<br/> </strong></strong><p>Критика обоснованная. <br/> Переобучение — реальная проблема количественных моделей.</p><p>Как я минимизирую этот риск:</p><p>1. Out-of-sample тестирование: модели (ARIMA, GARCH, Монте-Карло) калибруются на данных до 2023 года, проверка — на периоде 2023–2026. Не «подгоняю под текущий график».</p><p>2. Ограничение параметров: в ARIMA не использую порядок выше (2,1,2), в GARCH — только GARCH(1,1). Меньше параметров = меньше риск переобучения.</p><p>3. Монте-Карло с реалистичными допущениями: 10 000 итераций, но с ограничениями по волатильности (на основе исторического 95% перцентиля) и корреляциям (например, серебро–USD, соя–погода).</p><p>4. Публикация ошибок: в полных отчётах указываю не только «цели», но и вероятности альтернативных сценариев. Если хедж активируется — это не «ошибка», а часть вероятностного фрейминга.</p><p>5. Пост-анализ: раз в квартал делаю сводку: сколько сценариев реализовалось в окне, где была расхождение и почему.</p><p>Это не гарантия. Это попытка систематизировать неопределённость.</p><p>Вопрос: какие метрики вы используете для оценки качества моделей? Есть ли у вас опыт с out-of-sample валидацией?</p>"