在数据科学和金融交易中,最持久的挑战之一是在模型复杂性和预测准确性之间取得正确的平衡。在数据科学中,过度配套发生在模型不仅了解培训数据中的真正底层模式,而且还了解噪音 - 导致对新数据的普遍化不佳。 什么是过度? 在数据科学中,模型构建过程中会出现过度装配。一个过于复杂的模型,例如一个具有太多的参数或试图捕捉训练集中的每分钟波动的模型,最终会记住数据,而不是学习底层信号。 在金融交易中,这个概念是相似的。交易者通常会对历史价格数据、精准规则和调节参数进行反测试,以压缩更高的回报。如果策略过度优化,以应对过去价格运动的特异性,它可能无法适应未来的市场变化。 为什么过度装备对交易者来说是件大事 过度配置在交易中特别昂贵,因为金融市场是噪音,不可预测的,并受到历史价格行动之外的无数因素的影响。与一些数据模式在时间的过程中相对稳定的受控环境不同,市场在响应经济变化,地缘政治事件和交易者的行为变化时演变。 例如,想象一个交易者设计一个基于特定的系统。 如果没有仔细验证,该策略可能会误导随机巧合为可靠信号。 虽然先进的指标可以丰富战略框架,但过度调整规则和门槛以匹配历史表现增加了过度配套的风险,当条件发生变化时,战略变得脆弱。 图表模式 Xhmaster formula indicator 图表模式 Xhmaster 公式指示器 数据科学的教训 数据科学提供结构化的方法来减轻过度装备,这些教训很好地转化为交易。 1、分享你的数据 在机器学习中,数据集通常被划分为训练和测试子集. 一个模型被训练在前者,并在后者进行评估以评估一般化。 交易者可以采用类似的思维方式,将数据分为样本期和非样本期。 2、规范化 在数据科学中,规范化技术惩罚过于复杂的模型,以防止它们过于紧密地适应噪音。 它可能超过一个具有复杂的入境和出境规则的肿胀,这些规则仅在过去的市场条件下有效。 蜡烛模板 蜡烛模板 3、交叉验证 交叉验证是一种方法,使用多种训练和测试分割来更有力地评估模型的性能。交易者可以通过在不同的市场,工具或时间框架上测试他们的策略来模拟这种情况。 四、避免弯曲 曲线匹配是指调整模型,以便它密切遵循历史数据。交易者经常在调整策略参数时意外地曲线匹配,以达到更好的后测试结果。这可能产生一种错误的信心感。 金融数据中的噪音作用 在数据科学中,噪音可以导致模型误导,除非过滤或考虑。交易者也必须认识到,许多显而易见的模式可能是随机性的文物。 一个实用的例子是使用图表模式. 头部和肩膀,三角形或旗帜等模式可能看起来很吸引人,但并非所有这些都具有预测能力。 接受概率思维 交易者需要采用概率思维,正如数据科学家接受预测本质上不确定,交易者必须将每一个战略信号视为概率,而不是确定性。 结论 在交易中过度装备的成本可能会严重,导致策略在后期看起来很出色,但在实时市场表现不佳。通过借用数据科学的教训 - 例如保留验证数据,简化设计,避免曲线匹配,并接受概率主义思维 - 交易者可以建立更具弹性的系统。认识到金融市场是复杂的,噪音和不断变化的,是避免过度装备的陷阱的第一步。 
 
 这个故事是由Jon Stojan在HackerNoon的商业博客计划下发布的。 这个故事是由Jon Stojan在HackerNoon的商业博客计划下发布的。

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

該音頻是用故事的原始語言製作的！

过度装备的成本:交易者可以从数据科学中学习的教训

About Author

註釋

標籤

这篇文章刊登在

Related Stories

Floki 的 Valhalla 成为印度环斯里兰卡赛事联合赞助商

Claude Sonnet 3.5 系统提示泄漏：法医分析

从论坛到信息流：社交媒体算法如何塑造数字互动

数字游民请注意：您需要了解泰国新推出的 DTV 签证

Floki 的 Valhalla 成为印度环斯里兰卡赛事联合赞助商

Claude Sonnet 3.5 系统提示泄漏：法医分析

从论坛到信息流：社交媒体算法如何塑造数字互动

数字游民请注意：您需要了解泰国新推出的 DTV 签证

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps