Избранное трейдера java
Каждый инвестор должен хотя бы просто знать одну из основных моделей – Capital Asset Pricing Model (CAPM).
Для тех, кто не знает — маленький финансовый урок :)
Вопрос в конце!
Вкратце, в чем ее суть:
Есть два типа риска:
1. индивидуальный (касающийся только отдельно взятой компании)
2. рыночный (затрагиваемый динамику всего рынка в целом)
Инвесторы должны быть компенсированы только за рыночный риск, т.к. индивидуальный риск можно полностью диверсифицировать при достаточном кол-ве инструментов. На примере портфеля с одинаковыми весами видно, что чем выше кол-во 'n', тем больше вариация портфеля зависит от средней ковариации между инструментами, нежели от индивидуальных значений.
Здравствуйте Уважаемые участники форума!
Обращаюсь к Вам за советом по такому вопросу:
Имеется торговая система, построенная с применением нейронных сетей, которая имеет 12 оптимизируемых параметров – вещественных чисел в диапазоне от -1 до 1.
В качестве эксперимента была проведена оптимизация этих параметров на фьючерсе на обыкновенные акции сбербанка на минутках. Количество точек данных для оптимизации -30000 (это примерно 2 месяца). После этого система проверялась на новых данных – 10000 точек.
Результаты оптимизации и проверки представлены на рисунке.
Светло-зеленая кривая – это эквити счета, ниже – график цены.
Зеленые и красные линии – это сделки, просто их очень много и там все сливается.
Собственно сам вопрос: Что будет эффективнее в реальной торговле – переоптимизация параметров раз в день на последних данных за 2 месяца (последние 30000 минутных свечей), или переоптимизация каждый час на последних 3000 минутных свечах, или пероптимизация каждые 5 минут, или еще какой то вариант? То есть интересует оптимальная частота оптимизации и размер обучающего набора данных. Причем наблюдается такая взаимосвязь: чем больше обучающий набор данных, тем меньше средняя доходность системы на обучающем наборе, но тем больше вероятность того что система будет показывать эту доходность на данных которые она не видела. И наоборот, чем меньше обучающий набор, тем больше средняя доходность на обучающем наборе и тем меньше вероятность, что система покажет прибыль на неизвестных данных.