مدلسازی شرایط معاملاتی
بکتستها از دادههای تاریخی، کارمزدهای پیکربندیشده صرافی و فرضیات اجرای قابلاعمال استفاده میکنند. پوشش داده، نرخ تأمین سرمایه (funding)، لغزش قیمت (slippage) و تأثیر بازار میتوانند نتیجه را بهطور قابلتوجهی تغییر دهند.
بکتست و اعتبارسنجی
ایده را آزمایش کنید. شواهد را بررسی کنید.
کارخانه، کد استراتژی را با استفاده از دادههای تاریخی و کارمزدها و فرضیات اجرای تنظیمشده آزمایش میکند. ابزارهای بهینهسازی پایداری پارامترها را بررسی میکنند، در حالی که یک تحلیلگر هوش مصنوعی شواهد را ارزیابی کرده و گام بعدی را پیشنهاد میدهد.
کارخانه استراتژی را در حال فعالیت ببینید.
نمونهی نمایشی · نه یک نتیجهی زنده
ببینید عاملهای هوش مصنوعی چگونه یک استراتژی را میسازند و بازبینی میکنند.
عاملهای هوش مصنوعی ایده را توسعه میدهند، کد مینویسند و نتایج آزمون را ارزیابی میکنند. یافتههای بازبینی میتوانند استراتژی را برای یک تکرار دیگر به مرحله توسعه بازگردانند.
مسیر را ببینید، نه فقط نقطه پایان را.
یک نمودار تصویری از منحنی سرمایه، فراز و نشیبهای مسیر را نشان میدهد. پیش از تفسیر نتیجه، افت سرمایه (drawdown) و هزینههای معاملاتی را بررسی کنید.
پوزیشنهای باز را در تصویر نگه دارید.
سرمایه حساب را با موجودی معاملات بستهشده مقایسه کنید. یک پوزیشن باز میتواند پیش از بسته شدن معامله، سرمایه را تغییر دهد.
- توصیف کنید
- ساخت و تأیید
- بکتست
- آزمون تنش
- معامله آزمایشی
ارزش خالصموجودی معاملات بستهشدهافت سرمایه
بازده خالص—
حداکثر افت سرمایه—
نقطه بازرسی—
چیزی بیش از یک بازده را بررسی کنید
منحنی سرمایه (equity curve)، افتهای سرمایه، توزیع بازده و معاملات جداگانه را مطالعه کنید. دوره، حجم نمونه و فرضیات را در کنار شاخصهای کلی بررسی کنید.
بررسی استحکام نتیجه
تحلیل حساسیت، بهینهسازی پیشرونده (walk-forward) و اعتبارسنجی با دادههای نگهداشتهشده (holdout) بررسی میکنند که نتایج خارج از پارامترها و بازههای آموزشی انتخابشده چگونه تغییر میکنند.
فرضیات را کنار نتیجه نگه دارید.
یک نمودار جذاب نقطه شروعی برای بازبینی است. هزینههای معاملاتی را با مزیت مورد انتظار مقایسه کنید، رفتار خارج از نمونه (out-of-sample) را بررسی کنید و به دنبال تمرکز نتیجه در تعداد کمی از معاملات یا دورهها باشید.
ورودیها
دوره داده، صرافی، کارمزدها
آزمونها
بکتست، پیشروی (walk-forward)، نگهداشتهشده (holdout)
شواهد
شاخصها، معاملات، یادداشتهای بازبینی
بگذارید دادههای بعدی، انتخابهای پیشین را به چالش بکشند.
آزمون پیشرونده (walk-forward) روی یک بازهٔ زمانی پیشین برازش میشود و روی بازهٔ بعدی ارزیابی میشود. بخش نگهداشتهشده (holdout) بیرون از پنجرههای بهینهسازی نگه داشته میشود.
تاریخهای واقعی تقسیمبندی و تعداد معاملات را بررسی کنید. استفادهٔ مکرر از بازخورد دادههای نگهداشته در تلاشهای متعدد میتواند استقلال آن را تضعیف کند.
برازشاعتبارسنجینگهداشته
یک هزینهٔ کوچک میتواند مزیتی بزرگ را از بین ببرد.
هرچه استراتژی بیشتر معامله کند، نتیجهٔ آن بیشتر به مفروضات اجرا وابسته میشود. کنترل اسلیپیج را جابهجا کنید تا همان نتیجهٔ ناخالص را تحت هزینههای متفاوت ببینید.
- گردش معاملات
- کل ارزش اسمی معاملهشده نسبت به سرمایهٔ اولیه؛ هر خرید و فروش محاسبه میشود.
- کارمزدها و اسلیپیج
- کارمزدهای پیکربندیشدهٔ صرافی و مفروضات قیمتی را در گزارش واقعی بررسی کنید.
- نتیجهٔ خالص
- مزیت باقیمانده را با افت سرمایه، حجم نمونه و نتایج خارج از نمونه مقایسه کنید.
ببینید هزینههای اجرا چگونه نتیجه را تغییر میدهند.
بازده ناخالص
هزینههای مدلسازیشده
خالص پس از این هزینهها
مفروضات نمونه: بازده ناخالص ۱۲٪، ارزش اسمی تجمعی معاملهشده برابر با ۴۰ برابر سرمایهٔ اولیه، و کارمزد ۲ واحد پایه به ازای ارزش اسمی معاملهشده. هزینهها = گردش معاملات × (کارمزد + اسلیپیج)؛ ۱ واحد پایه = ۰٫۰۱٪. نمونهای خطی است؛ بهره مرکب، نرخ فاندینگ و اثر بازار را شامل نمیشود.
پرسشها، پاسخ داده شده.
پرسشها و پاسخهای بیشترآیا یک بکتست خوب بازدههای آینده را تضمین میکند؟
خیر. بکتستها فرضی هستند و به داده، فرضیات و انتخاب حساساند. اعتبارسنجی به بررسی نقاط ضعف کمک میکند؛ ریسک معاملهگری را از بین نمیبرد.
آیا کارمزدها نرخهای زنده حساب من هستند؟
خیر. اینها مقادیر پیشفرض شبیهسازی پیکربندیشده هستند. سطح حساب صرافی و قواعد ابزار شما ممکن است متفاوت باشد. پیش از تفسیر نتیجه، فرضیات را بررسی کنید.
آزمون گامبهگام رو به جلو (walk-forward) و اعتبارسنجی داده نگهداشتهشده (holdout) چه تفاوتی دارند؟
آزمون گامبهجلو بهطور تکراری روی دادههای قبلی برازش میکند و روی پنجرههای بعدی ارزیابی میکند. اعتبارسنجی نگهداشتهشده، پارامترهای انتخابشده را روی یک دوره ذخیرهشده خارج از آن پنجرههای بهینهسازی بررسی میکند. تاریخهای واقعی، تعداد معاملات و گزارشها را بررسی کنید؛ استفاده مکرر از بازخورد داده نگهداشتهشده میتواند استقلال آن را کاهش دهد.
علاوه بر بازده کل، به چه نتایجی باید توجه کنم؟
کاهش سرمایه (drawdown)، هزینههای معاملاتی، تعداد و توزیع معاملات، دورههای نگهداری و نتایج خارج از نمونه را بررسی کنید. به وابستگی به تعداد کم معاملات یا یک دوره بازار خاص توجه کنید. یک بازده بالا بهتنهایی نحوه کسب آن یا زیانهای در طول مسیر را توضیح نمیدهد.
چرا بهجای حفظ بهترین تنظیم، پارامترهای نزدیک را آزمایش کنیم؟
تنظیمی که عالی به نظر میرسد در حالی که موارد مشابه اطراف آن ضعیف عمل میکنند، ممکن است ناپایدار باشد. تحلیل حساسیت نشان میدهد نتیجه چگونه در اطراف پارامترهای انتخابشده تغییر میکند. آن را همراه با شواهد گامبهجلو و نگهداشتهشده بهکار ببرید تا بسنجید آیا الگو فراتر از یک نتیجه انتخابشده است یا نه.
چرا دو آزمون پیشین از ایدهای مشابه میتوانند نتایج متفاوتی داشته باشند؟
ابزارهای مالی، دورههای داده، بازههای کندل، قواعد ورود و خروج، هزینهها یا فرضهای اجرای متفاوت میتوانند نتیجه را تغییر دهند. پیش از تفسیر یک تفاوت بهعنوان بهبود، پیکربندی و دادههای موجود را همراه با سوابق معاملات مقایسه کنید.
با پرسشی شروع کنید که ارزش آزمایش داشته باشد.
استراتژیهای منتشرشده را بررسی کنید یا یک فضای کاری باز کنید تا با عاملهای هوش مصنوعی استراتژی خود را بسازید، آزمایش کنید و زیر نظر بگیرید.
Stratmill یک پلتفرم استراتژیهای معاملاتی مبتنی بر هوش مصنوعی است، نه مشاوره مالی یا کارگزاری. نتایج پسآزمایی و معاملات کاغذی فرضی هستند. معاملهگری با خطر زیان همراه است.