Jeg har backtestet tusenvis av strategier. Leksjonen jeg lærte på den harde måten: Overtilpasning koster deg dollar. Nå bruker jeg kryssvalidering for å hjelpe til med å slå tilbake. Her er koden for å gjøre det (på 2 minutter):

Hvis du ikke er kjent med kryssvalidering: • Reduserer risikoen for overtilpasning i modeller • Innebærer oppdeling av data i delmengder • Estimerer modellens ytelse på usette data Det brukes i all data science. Nå kan du bruke den til handel med VectorBT PRO. La oss gå!

La oss importere VBT PRO og de få bibliotekene som er relevante for vår analyse.

Hent dataene til din favorittressurs. Vi bruker AAPL.

Deretter setter vi opp en «splitter», som deler et datoområde inn i mindre segmenter etter et valgt skjema.

Kommandoen splitter.plots().show_png() resulterer i følgende visualisering:

Deretter lager vi en funksjon for å gjennomføre en handelsstrategi innenfor et spesifisert datoområde ved å bruke et enkelt parametersett, og returnere én nøkkelparameter. Vår strategi vil være en enkel EMA-crossover kombinert med en ATR trailing stop.

Ved å dekorere (eller pakke inn) funksjonen vår med 'parameterisert', gjør vi det mulig for 'objective' å akseptere en liste med parametere og utføre dem på tvers av alle kombinasjoner.

La oss analysere resultatene ved å segmentere de raske og langsomme EMA-periodene. Den fremhever den minimale variasjonen i Sharpe-forholdet fra treningen til testsettet over minst 50 % av splittene, hvor blått indikerer en positiv endring.

Resultatet er et varmekart som viser de ulike Sharpe-forholdene på tvers av kombinasjonene av langsom og rask periode.

Selv om du kanskje har utviklet en lovende strategi på papiret, er kryssvalidering viktig for å bekrefte dens jevne resultater over tid og for å sikre at det ikke bare er et resultat av tilfeldige svingninger. Bruk teknikkene du har lært her på din egen strategi.