Простой Грааль для curve-fitting

Добрый вечер, коллеги!

Все мы в разное время занимались подгонкой (curve-fitting) и всегда с разным успехом.
Главное в подгонке — убедить себя в том, что подогнанное решение будет работать и в будущем.

С этим есть большие сложности.

Субоптимальные алгоритмы для максимизации эквити можно легко получить на любом интервале. Вне зависимости от типа модели исполнения — маркетной, лимитной etc. Я специально пишу «субоптимальные», поскольку в полном объеме решение задачи максимизации эквити практически невозможно получить без квантового компьютера или чего-то в таком роде — такое решение неизбежно будет зависеть от огромного перебора данных. К счастью, приближения к идеальному решению получаются достаточно просто.

Тем не менее, все субоптимальные алгоритмы, максимизирующие результат эквити, начинают сразу косячить за пределами окна оптимизации. У меня не получилось побороть этот феномен, ну и я не слышал, чтобы кто-то в мире смог как-то его побороть.
Да, есть масса способов аутотренинга, вроде WTF WFT тестов, но это не более, чем способ убедить себя в успехе (IMHO).

Тем не менее — варианты есть.

У меня получилось изготовить алго с хорошим продолжением за пределами окна оптимизации путем перехода от максимизации E (матожидания, ну или результата) к максимизации E/DD (оно же, деленное на максимальную просадку).

К сожалению, мне неизвестен ни один легкий способ изготовления субоптимальных алгоритмов, максимизирующих E/DD. Я умею решать эту задачу только в достаточно узком классе алго — и меня это устраивает. Возможно вам, коллеги, удастся найти исчерпывающее решение.

Как-то так

С уважением