U znanosti o podacima i finansijskom trgovanju, jedan od najozbiljnijih izazova je postizanje prave ravnoteže između složenosti modela i preciznosti predviđanja. U znanosti o podacima, prekomjerno prilagođavanje događa se kada model uči ne samo prave osnovne obrasce u podacima o obuci, već i buku – što dovodi do loše generalizacije na novim, nevidljivim podacima. Slično tome, trgovci mogu biti žrtva prekomjerno prilagođavanja kada njihove strategije postanu previše finito prilagođene prošlim tržišnim uslovima, ne uspevajući se držati u živom trgovanju. Razumijevanje troškova prekomjerno prilagođavanja – i kako to izbjeći – može pomoći trgovcima da izgrade robusnije, pouzdane Šta je overfitting? U znanosti o podacima, overfitting nastaje tokom procesa izgradnje modela. Model koji je previše složen - kao što je onaj s previše parametara ili onaj koji pokušava uhvatiti svaku minutnu fluktuaciju u setu za obuku - završava pamćenjem podataka umjesto učenja osnovnog signala. U finansijskom trgovanju, koncept je analogan. Trgovci često backtest strategije protiv povijesnih podataka o cijeni, rafiniranje pravila i podešavanja parametara da stisne veće prinose. Ako je strategija previše optimizovana za idiosinkracije prošlih kretanja cena, to može ne prilagoditi budućim promjenama tržišta. Zašto je prekomjerno važno za trgovce Za razliku od nekih kontrolisanih okruženja u kojima obrasci podataka ostaju relativno stabilni tijekom vremena, tržišta se razvijaju kao odgovor na ekonomske promene, geopolitičke događaje i promene u ponašanju trgovaca. Trgovinski sistem koji se previše usko uklapa u povijesne podatke može tumačiti slučajne fluktuacije kao značajne signale - što dovodi do pogrešnih odluka. Na primer, zamislite trgovca koji dizajnira sistem zasnovan na određenim bez pažljivog potvrđivanja, strategija može pogrešiti slučajne slučajnosti za pouzdane signale. Sličan problem nastaje sa ovisnošću o složenim pokazateljima kao što je Dok napredni pokazatelji mogu obogatiti strateške okvire, pretjerano usklađivanje pravila i pragova kako bi se uskladili s istorijskim rezultatima povećava rizik od pretjeranog prilagođavanja, čineći strategiju krhkom kada se uslovi mijenjaju. Karte patenata Indikator formule Xhmaster Karte patenata Indikator formule Xhmaster Pouke iz nauke podataka Znanost podataka nudi strukturirane pristupe za ublažavanje preopterećenja, a te lekcije dobro se prevode u trgovanje. • Podijelite svoje podatke U strojnom učenju, skupovi podataka često su podijeljeni u podskupove obuke i testiranja. Model se obučava na prvom i procjenjuje na drugom kako bi se procijenila generalizacija. Trgovci mogu usvojiti sličan način razmišljanja tako što će podatke razdvojiti u periodima u uzorku i izvan uzorka. Strategija može biti razvijena koristeći podatke iz jednog vremenskog okvira, a zatim strogo testirana na drugom, kako bi se osiguralo da nije samo preopterećena na određeni period. Regularizacija U znanosti o podacima, tehnike regularizacije kažnjavaju previše složene modele kako bi ih spriječile da se previše čvrsto prilagode buke. Trgovci mogu primijeniti analogni princip favorizirajući jednostavnija pravila strategije nad previše složenim kombinacijama. može nadmašiti jednu natečenu sa zapletenim pravilima ulaska i izlaska koja su radila samo u prošlim tržišnim uvjetima. Svijeće Patterns Svijeće Patterns Križna validacija Uskrsna validacija je metoda u kojoj se koriste višestruke obuke i ispitivanja za procjenu performansi modela robusnije. Trgovci to mogu simulirati testiranjem svojih strategija na različitim tržištima, instrumentima ili vremenskim okvirima. Ako strategija radi robusno u različitim uslovima, manje je vjerojatno da će biti pretjerana. Ako se slabosti pojave u višestrukim scenarijima, to je znak da strategija može biti previše usko prilagođena. 4. izbegavajte krivulje Upravljanje krivuljama odnosi se na prilagođavanje modela tako da se čvrsto pridržava povijesnih podataka. Trgovci često slučajno krivuljuju kada prilagođavaju parametre strategije kako bi postigli bolje rezultate backtesta. To može stvoriti lažan osjećaj poverenja. Umjesto da stalno prilagođavaju parametre dok backtest ne izgleda savršeno, trgovci bi trebali dati prioritet logičkim, teorijski opravdanim pravilima, čak i ako proizvode skroman, ali stabilan performanse. Uloga buke u finansijskim podacima Finansijski podaci su po prirodi bučni. Slučajne fluktuacije cijena često zatvaraju prave signale. U znanosti o podacima, buka može dovesti do zavaravanja modela osim ako se filtrira ili uzima u obzir. Trgovci, takođe, moraju prepoznati da mnogi očigledni obrasci mogu biti artefakti slučajnosti. Robustan pristup zahtijeva razlikovanje između slučajne buke i značajnih trendova. Jedan praktičan primer leži u korišćenju grafikonskih uzoraka. Uzorci kao što su glava i ramena, trokutovi ili zastave mogu izgledati vizualno privlačni, ali ne i svi nose prediktivnu moć. Preuzimanje verovatnog razmišljanja Trgovci moraju usvojiti probabilističko razmišljanje. Baš kao što naučnik podataka prihvaća da su predviđanja u osnovi neizvesna, trgovci moraju tretirati svaki strateški signal kao probabilistički, a ne deterministički. Uređaj trgovine može ukazivati na veću vjerojatnost dobitka, ali uspjeh nikada nije zagarantovan. Ovaj način razmišljanja smanjuje psihološki trošak povlačenja i jača prakse upravljanja rizikom. Zaključak Troškovi prekomjerne opreme u trgovini mogu biti ozbiljni, što dovodi do strategija koje izgledaju sjajno u pozadini, ali slabo funkcioniraju na živim tržištima. Pozajmljivanjem lekcija iz znanosti o podacima – kao što su rezerviranje podataka o validaciji, pojednostavljenje dizajna, izbjegavanje uklapanja krivina i prihvaćanje verovatnog razmišljanja – trgovci mogu izgraditi otpornije sustave. Prepoznavanje da su financijska tržišta složena, bučna i stalno se kreću prvi je korak ka izbjegavanju zamki prekomjerne opreme. 
 
 Ova priča je distribuirana kao izdanje Jon Stojan u okviru HackerNoon's Business Blogging Program. Ova priča je distribuirana kao izdanje Jon Stojan u okviru HackerNoon's Business Blogging Program.

This story contains new, firsthand information uncovered by the writer.

Ovaj audio je proizveden na originalnom jeziku priče!

Troškovi prekomjerne opreme: lekcije koje trgovci mogu naučiti iz nauke o podacima

About Author

KOMENTARI

HANG TAGS

OVAJ ČLANAK JE PREDSTAVLJEN U

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps