ພວກເຮົາມີບັນຫາ. ລະບົບການຄ້າອັດຕະໂນມັດຂອງພວກເຮົາມີຄຸນນະສົມບັດທີ່ຄາດວ່າຈະມີ: ການຄາດຄະເນດິນໄດ້ກວດສອບ, ການທົດສອບ backtest ແມ່ນດີ, ແລະເລີ່ມຕົ້ນ, ມັນໄດ້ຮັບເງິນ. ແຕ່ໃນໄລຍະເວລາ, ມັນໄດ້ຮ້ອນ. ຂຸດຄົ້ນບໍ່ແພງຂະຫນາດນ້ອຍທີ່ເກັບຂື້ນຢ່າງວ່ອງໄວຫຼາຍກ່ວາການປະຫຍັດຢ່າງງ່າຍດາຍສາມາດຕອບສະຫນອງ. ນີ້ແມ່ນບໍ່ມີ bug ໃນລະຫັດ. ມັນເປັນຄວາມຮູ້ສຶກບໍ່ເສຍຄ່າພື້ນຖານກ່ຽວກັບສິ່ງທີ່ສໍາຄັນໃນການຜະລິດ. ຄວາມຄິດເຫັນທີ່ The Expected Value Trap ການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມ E[profit] = Σ(probability_i × outcome_i) If this number is positive, you should take the trade. If you can make this number bigger, you should optimize for it. ນອກເຫນືອໄປຈາກການຜະລິດ, ການຄາດຄະເນດິນດີຕ້ອນຮັບການປັບປຸງນີ້ມີຄຸນນະສົມບັດທີ່ແຕກຕ່າງກັນ: . it doesn't account for the path you take to reach that expected value ຂໍຂອບໃຈວ່າທ່ານຈະສະແດງໃຫ້ເຫັນສິ່ງທີ່ຂໍຂອບໃຈກັບ scenario ທີ່ແທ້ຈິງຈາກລະບົບຂອງພວກເຮົາ. ລະບົບ Blooding ວິທີການຂອງພວກເຮົາໄດ້ຖືກອອກແບບມາເພື່ອກວດສອບການຊໍາລະເງິນໃນຕະຫຼາດ volatile. ຮູບແບບຈະ: ການທົບທວນຄືນທີ່ອາດສາມາດຂອງການຄາດຄະເນດິນຟ້າອິນເຕີເນັດສໍາລັບທຸກຄົນ ການປັບປຸງ ຂະ ຫນາດ ການ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນູນ ການປະຕິບັດການທຸລະກິດເພື່ອຊອກຫາສະຖານທີ່ spread ໃນຖານະເປັນເອກະສານ, ຄ່າໃຊ້ຈ່າຍທີ່ຄາດຄະເນດິນແມ່ນ positively positive. ວັນ 1-3: ໄດ້ຮັບ spike ຂະຫນາດໃຫຍ່, ໄດ້ຮັບ $ 15,000 ວັນ 4-12: ການຫຼຸດຜ່ອນຂະຫນາດນ້ອຍທຸກມື້, total -$8,000 ວັນ 13-14: ອື່ນໆ spike, ໄດ້ຮັບ $ 12,000 ວັນ 15-28: ການປິ່ນປົວຂະຫນາດໃຫຍ່, total -$11,000 ການຄາດຄະເນດິນດີຕ້ອນຮັບຂອງພວກເຮົາມີການຄາດຄະເນດິນດີຕ້ອນຮັບຂອງພວກເຮົາມີການຄາດຄະເນດິນດີຕ້ອນຮັບຂອງພວກເຮົາມີການຄາດຄະເນດິນດີຕ້ອນຮັບ. ພວກເຮົາບໍ່ມີ. ດາວນ໌ໂຫລດ The Difference: A Simulation ສໍາລັບການລັກສະນະທີ່ຄາດວ່າການຄວບຄຸມຄວາມປອດໄພເຫຼົ່ານີ້ເປັນສິ່ງທີ່ສໍາຄັນ, ກະລຸນາຂອບໃຈວ່າພວກເຮົາມີສອງສະຖານທີ່ການຄ້າໃນຕະຫຼາດเดียวกันໃນໄລຍະຫນຶ່ງປີ: ການຄາດຄະເນດິນດີຕ້ອນຮັບ: ການຄາດຄະເນດິນດີຕ້ອນຮັບ: ການຄາດຄະເນດິນດີຕ້ອນຮັບ: ການຄາດຄະເນດິນດີຕ້ອນຮັບ: ການຄາດຄະເນດິນດີຕ້ອນຮັບ: ການຄາດຄະເນດິນດີຕ້ອນຮັບ: Strategy A (EV Maximization) ຄໍາຮ້ອງສະຫມັກຕະຫຼາດຕະຫຼາດເຊັ່ນດຽວກັນ, ແຕ່ມີຂະຫນາດ Kelly fractional (40% ຂອງການຍົກເລືອດ) ແລະການຫຼຸດຜ່ອນທີ່ໃຊ້ CVaR ໃນໄລຍະໄລຍະປະສິດທິພາບສູງ. Strategy B (Risk-Controlled) ການຄົ້ນຄວ້າທີ່ດີທີ່ສຸດຂອງການຝຶກອົບຮົມຂອງພວກເຮົາແມ່ນການຝຶກອົບຮົມ, ການຝຶກອົບຮົມ, ການຝຶກອົບຮົມແລະການຝຶກອົບຮົມ. ຂໍຂອບໃຈວ່າການເດີນທາງຫຼາຍກ່ວາ $ 500k ໄດ້ເຂົ້າໄປໃນຂະນະທີ່ການເດີນທາງຫຼາຍກ່ວາ $ 146k ໄດ້. ມັນແມ່ນພຽງແຕ່ $ 136k, ແລະ 29 ຂອງ 100 ການເດີນທາງຫຼຸດຜ່ອນພາຍໃຕ້ຄຸນຄ່າເລີ່ມຕົ້ນ. ພາສາລາວ In a backtest, you might have gotten lucky and seen one of those winner paths. In production, you get one random draw. ການຄາດຄະເນດິນດີຕ້ອນຮັບຂອງພວກເຮົາແມ່ນການຄາດຄະເນດິນດີຕ້ອນຮັບຂອງພວກເຮົາ. ການຄາດຄະເນດິນດີຕ້ອນຮັບຂອງພວກເຮົາແມ່ນການຄາດຄະເນດິນດີຕ້ອນຮັບ. ການຄາດຄະເນດິນດີຕ້ອນຮັບ: ການຄາດຄະເນດິນດີຕ້ອນຮັບແມ່ນການຄາດຄະເນດິນດີຕ້ອນຮັບ. ລາຄາທີ່ຄາດຄະເນດິນດີຕ້ອນຮັບບໍ່ໄດ້ຮັບ ປະເພດ: Risk of Ruin ນີ້ແມ່ນບັນຫາຂອງຜູ້ຊ່ຽວຊານມືອາຊີບ, formalized ໂດຍ criterion Kelly. ເຖິງແມ່ນວ່າມີຄຸນນະພາບທີ່ຄາດຄະເນດິນດີ, ຖ້າຫາກວ່າຂະຫນາດຂອງສະຖານທີ່ຂອງທ່ານແມ່ນບໍ່ດີ, ທ່ານ ຂໍຂອບໃຈ ປະເພດ Will ຄຸນນະສົມບັດ: ທ່ານມີ $ 100,000 ຄຸນນະສົມບັດແລະການຄ້າທີ່ມີປະສິດທິພາບການຊື້ 60% ທີ່ either double your bet or loses it. ຄຸນນະສົມບັດທີ່ຄາດຄະເນດິນດີຕ້ອນຮັບແມ່ນສະດວກ (+20%). ແຕ່ຫຼັງຈາກນັ້ນ, ຖ້າຫາກວ່າທ່ານໄດ້ຊື້ທັງຫມົດ, ທ່ານມີປະສິດທິພາບ 40% ຂອງການຫຼິ້ນທັງຫມົດໃນການຄ້າທໍາອິດ. Kelly ເວົ້າວ່າຂະຫນາດການລົງທຶນທີ່ດີທີ່ສຸດແມ່ນ: kelly_fraction = (p * b - q) / b # where p = win probability, q = loss probability, b = odds ແຕ່ນີ້ແມ່ນສິ່ງທີ່ພວກເຮົາມີຄວາມຮູ້ໃນການຜະລິດ: . even Kelly is too aggressive ເປັນຫຍັງ? ເປັນຫຍັງ: ການຄາດຄະເນສະດວກຂອງທ່ານແມ່ນບໍ່ມີຫຍັງ (ລວມທັງ) ການປ່ຽນແປງຕະຫຼາດ ( 60% Edge ຂອງທ່ານແມ່ນ 52%) ລະບົບການເຊື່ອມໂລຫະທີ່ແຕກຕ່າງກັນໃນໄລຍະຄວາມກົດດັນ (ໃນເວລາທີ່ທ່ານຕ້ອງການຫຼາຍທີ່ສຸດ) You can’t rebalance instantly (slippage, latency, impact market) ພວກເຮົາໄດ້ເລີ່ມຕົ້ນການນໍາໃຊ້ Kelly fractional (25-50% ຂອງການລົງທະບຽນ Kelly ອັດຕະໂນມັດ) ໃນຂະນະທີ່ຄ່າໃຊ້ຈ່າຍໃນໂລກທີ່ແທ້ຈິງຂອງການ overestimating ຄວາມງາມຂອງທ່ານແມ່ນ catastrophic. 2. Instability ຂະຫນາດນ້ອຍໃນເຫດຜົນ Extreme ມັງກອນຫນຶ່ງ, ລະບົບຂອງພວກເຮົາ crashed ໃນເວລາທີ່ອຸປະກອນສະພາບແວດລ້ອມທີ່ເຂັ້ມແຂງ. ບໍ່ແມ່ນການ crash software, ແຕ່ການຄອມພິວເຕີ. ພວກເຮົາ ກໍາ ລັງເຮັດທຸລະກິດໃນ 2012. ພວກເຮົາ ກໍາ ລັງເຮັດທຸລະກິດໃນ 2012. ພວກເຮົາ ກໍາ ລັງເຮັດທຸລະກິດໃນ 2012. ພວກເຮົາ ກໍາ ລັງເຮັດທຸລະກິດໃນ 2012. ການຄົ້ນຄວ້າ: ພວກເຮົາມີການປັບປຸງສໍາລັບສະຖາບັນທີ່ຄາດວ່າຈະໄດ້. ແຕ່ສະຖາບັນທີ່ທັນສະໄຫມມີຄຸນນະສົມບັດທີ່ແຕກຕ່າງກັນ. ຄຸນນະສົມບັດທີ່ແຕກຕ່າງກັນໂດຍປົກກະຕິຈະຖືກປັບປຸງຢ່າງງ່າຍດາຍ. matrix covariance ຂອງທ່ານ, ທີ່ຖືກຄັດເລືອກຢ່າງກວ້າງຂວາງຢ່າງກວ້າງຂວາງ, ທີ່ຖືກສ້າງຕັ້ງຂຶ້ນຈາກປີປີ, ຈະເປັນບໍ່ມີປະໂຫຍດ. ການປິ່ນປົວໄດ້ບໍ່ໄດ້ດີກວ່າການຄາດຄະເນການຄາດຄະເນ. ມັນໄດ້ : regularization from sklearn.covariance import LedoitWolf # Instead of sample covariance cov_matrix = np.cov(returns.T) # Use shrinkage towards structured estimator lw = LedoitWolf() cov_matrix_robust = lw.fit(returns).covariance_ ການຄາດຄະເນດິນດີຕ້ອນຮັບຂອງພວກເຮົາແມ່ນການຄາດຄະເນດິນດີຕ້ອນຮັບຂອງພວກເຮົາ. ປະເພດ Time Horizon Mismatch ນີ້ແມ່ນບັນຫາທີ່ບໍ່ສະແດງໃຫ້ເຫັນໃນ backtests: ການຄຸ້ມຄອງຄຸນນະພາບທີ່ຄາດຄະເນດິນດີຕ້ອນຮັບໃຫ້ເຫັນວ່າທ່ານສາມາດຄາດຄະເນດິນດີຕ້ອນຮັບຢ່າງກວ້າງຂວາງສໍາລັບການຄຸນນະພາບຂອງຈໍານວນຂະຫນາດໃຫຍ່ເພື່ອເຮັດວຽກ. ໃນການຜະລິດ, ທ່ານບໍ່ສາມາດ. ພວກເຮົາມີຄວາມຊອກຫານີ້ໃນເວລາທີ່ລະບົບຂອງພວກເຮົາກໍາລັງສະແດງໃຫ້ເຫັນຄຸນນະພາບທີ່ຄາດຄະເນດຽວກັນທີ່ເຂັ້ມແຂງໃນໄລຍະ Windows 90 ມື້, ແຕ່ຫຼຸດຜ່ອນເງິນໃນໄລຍະ Windows 30 ມື້. ບໍລິສັດຂອງພວກເຮົາໄດ້ກວດສອບການເຮັດວຽກຂອງພວກເຮົາມີປະຈໍາເດືອນ. ການກວດສອບປະສິດທິພາບຂອງພວກເຮົາມີການກວດສອບປະສິດທິພາບຂອງພວກເຮົາມີການກວດສອບປະສິດທິພາບຂອງພວກເຮົາມີການກວດສອບປະສິດທິພາບຂອງພວກເຮົາມີການກວດສອບປະສິດທິພາບຂອງພວກເຮົາມີການກວດສອບປະສິດທິພາບ. ການຄາດຄະເນດິນຟ້າອິນເຕີເນັດ, ການຄາດຄະເນດິນຟ້າອິນເຕີເນັດ, ການຄາດຄະເນດິນຟ້າອິນເຕີເນັດ ພວກເຮົາມີຄວາມຕ້ອງການທີ່ຈະເພີ່ມຄວາມກົດດັນທີ່ເຫມາະສົມໃນໄລຍະເວລາສໍາລັບການ optimization ຂອງພວກເຮົາ: def optimize_with_horizon_constraint(scenarios, max_horizon_days=30): """ Optimize not just for long-term EV, but for probability of positive returns within operational time horizon """ # Standard expected value ev = np.mean(scenarios) # But also: what'sthe probability we're profitable # within our actual time horizon? rolling_returns = pd.Series(scenarios).rolling(max_horizon_days).sum() prob_profitable_in_horizon = (rolling_returns > 0).mean() # Penalize strategies with low short-term win probability # even if long-term EV is great if prob_profitable_in_horizon < 0.6: return ev * 0.5 # Heavily discount return ev ມັນເປັນສິ່ງທີ່ຈໍາເປັນຕ້ອງໄດ້ຮັບການຍອມຮັບຂອງສະຖາບັນທີ່ມີຄຸນນະພາບການຄາດຄະເນດິຈິຕອນຕ່ໍາກວ່າ, ແຕ່ມີຄຸນນະພາບສູງກວ່າທີ່ຈະສະແດງໃຫ້ເຫັນປະສິດທິພາບພາຍໃຕ້ຄວາມຈໍາກັດການປະຕິບັດຂອງພວກເຮົາ. ວິທີການ optimize ຫຼັງຈາກການຝຶກອົບຮົມທີ່ເຂັ້ມແຂງ, here is what we learned to optimize for: Risk-Adjusted Returns ກັບ CVaR ໃນຖານະເປັນຜູ້ຊ່ຽວຊານຂອງການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມ import cvxpy as cp # Decision variable: position sizes positions = cp.Variable(n_assets) # Scenarios returns scenario_returns = get_price_scenarios() # shape: (n_scenarios, n_assets) portfolio_returns = scenario_returns @ positions # CVaR constraints alpha = 0.05 # 5% tail var = cp.Variable() u = cp.Variable(n_scenarios) constraints = [ u >= 0, u >= -(portfolio_returns - var), ] cvar = var + cp.sum(u) / (n_scenarios * alpha) # Optimize for return while constraining tail risk objective = cp.Maximize(cp.sum(portfolio_returns) / n_scenarios - lambda_risk * cvar) ມັນເປັນການຄາດຄະເນດິນດີຕ້ອນຮັບທີ່ຄາດຄະເນດິນດີຕ້ອນຮັບທີ່ຄາດຄະເນດິນດີຕ້ອນຮັບທີ່ຄາດຄະເນດິນດີຕ້ອນຮັບທີ່ຄາດຄະເນດິນດີຕ້ອນຮັບທີ່ຄາດຄະເນດິນດີຕ້ອນຮັບ 2. ຄວາມເຂັ້ມແຂງກັບ Model Error ພວກເຮົາມີຄວາມຮູ້ສຶກວ່າຮູບແບບຂອງພວກເຮົາມີຄວາມຜິດພາດແລະການປັບປຸງສໍາລັບ ໃນຖານະເປັນຄວາມບໍ່ຈໍາເປັນທີ່ເຫມາະສົມ: ຫນ້າທໍາອິດ # Instead of single expected return estimate mu_estimated = historical_returns.mean() # Assume uncertainty mu_lower_bound = mu_estimated - 2 * historical_returns.std() / np.sqrt(len(historical_returns)) # Optimize for worst-case in uncertainty range # (Robust optimization / minmax approach) ການປິ່ນປົວຈາກການຄາດຄະເນ Parameter Overconfident ປະເພດ: Kelly-Constrainted Position Size ພວກເຮົາມີຄວາມງ່າຍດາຍຄວາມຮ້ອນຂະຫນາດຂອງສະຖານທີ່ໂດຍຜ່ານ criterion Kelly, ເຊັ່ນດຽວກັນກັບການ optimizer ຕ້ອງການຫຼາຍກວ່າ: def kelly_position_limit(edge, volatility, capital, max_kelly_fraction=0.25): """ edge: expected return per unit risk volatility: standard deviation of returns max_kelly_fraction: fraction of theoretical Kelly to actually use """ kelly_full = edge / (volatility ** 2) kelly_fraction = capital * kelly_full * max_kelly_fraction return kelly_position ພວກເຮົານໍາໃຊ້ 25% Kelly ໃນຖານະເປັນຄວາມຈໍາກັດທີ່ເຂັ້ມແຂງ. Yes, this reduces expected value. It also ensures we will still be trading next month. ຜະລິດຕະພັນ Mindset ການປ່ຽນແປງຈາກການຄາດຄະເນດິນດີຕ້ອນຮັບກັບການຄາດຄະເນດິນດີຕ້ອນຮັບແມ່ນ philosophical: ການຄາດຄະເນດິນດີຕ້ອນຮັບ: "What strategy has the highest expected return?" Research mindset ການຄາດຄະເນດິນຟ້າອິນເຕີເນັດທີ່ຄາດຄະເນດິນຟ້າອິນເຕີເນັດ Production mindset ນີ້ແມ່ນການປ່ຽນແປງທີ່ພວກເຮົາມີ: ການທົດສອບ Backtests: ການທົດສອບເດືອນທີ່ດີທີ່ສຸດເພີ່ມຂຶ້ນ, ບໍ່ພຽງແຕ່ການປະໂຫຍດປະມານ ຂະ ຫນາດ ການ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນູນ ຂະບວນການ Risk: Track CVaR ໃນມື້, ບໍ່ພຽງແຕ່ P&L ການຢັ້ງຢືນຮູບແບບ: ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນູນ ສະ ຫນັບ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ການຄາດຄະເນດິນຟ້າອາກາດ: ການຄາດຄະເນດິນຟ້າອາກາດ Code Paths for "model is completely wrong" scenarios ວິທະຍາໄລ ຄ່າໃຊ້ຈ່າຍທີ່ຄາດຄະເນດິນດີຕ້ອນຮັບແມ່ນຄາດຄະເນດິນດີຕ້ອນຮັບ. ມັນງ່າຍດາຍ, intuitive, ແລະການຄາດຄະເນດິນດີຕ້ອນຮັບ ມັນຍັງບໍ່ພຽງພໍ. ໃນການຜະລິດ, ທ່ານບໍ່ມີການຄ້າກັບການປະໂຫຍດ probabilities. ທ່ານມີການຄ້າກັບ: ຄ່າໃຊ້ຈ່າຍຂອງຕົນເອງ Imperfect ຜະລິດຕະພັນທີ່ປ່ຽນແປງ ການຄວບຄຸມທີ່ບໍ່ແມ່ນໃນ backtest ຂອງທ່ານ ຄຸນນະພາບທາງດ້ານສຸຂະພາບຂອງການເບິ່ງຄຸນນະພາບຂອງຄຸນນະພາບຂອງຄຸນນະພາບຂອງຄຸນນະພາບຂອງຄຸນນະພາບຂອງຄຸນນະພາບຂອງຄຸນນະພາບຂອງຄຸນນະພາບຂອງຄຸນນະພາບ ລະບົບທີ່ຜ່ານມາແມ່ນບໍ່ແມ່ນສະຖານທີ່ທີ່ມີຄຸນນະພາບສູງທີ່ສຸດ; ພວກເຂົາເຈົ້າແມ່ນສະຖານທີ່ທີ່ມີຄຸນນະພາບສູງທີ່ສຸດໃນເວລາທີ່ມາດຕະຖານບໍ່ມີຕົວແທນ, ການຕະຫຼາດປ່ຽນແປງ, ແລະ swans ສີດໍາສະແດງໃຫ້ເຫັນ. Optimize for survival first. Profitability second. ຄ່າໃຊ້ຈ່າຍທີ່ຄາດວ່າເປັນສ່ວນຫນຶ່ງຂອງການຄາດຄະເນດຽວກັນ, ແຕ່ມັນບໍ່ແມ່ນຜົນປະໂຫຍດ objective.
