Eu testei 1000s de estratégias. A lição que aprendi da maneira difícil: O overfitting vai te fazer perder $$$. Agora eu uso validação cruzada para ajudar a combater isso. Aqui está o código para fazer isso (em 2 minutos):

Caso não esteja familiarizado com a validação cruzada: • Reduz o risco de overfitting em modelos • Envolve a partição de dados em subconjuntos • Estima o desempenho do modelo em dados não vistos É utilizada em todas as ciências de dados. Agora você pode usá-la para negociar com o VectorBT PRO. Vamos lá!

Vamos importar o VBT PRO e as poucas bibliotecas relevantes para a nossa análise.

Obtenha os dados do seu ativo favorito. Vamos usar AAPL.

Em seguida, vamos configurar um "divisor", que divide um intervalo de datas em segmentos menores de acordo com um esquema escolhido.

O comando splitter.plots().show_png() resulta na seguinte visualização:

Em seguida, criaremos uma função para executar uma estratégia de negociação dentro de um intervalo de datas especificado, usando um único conjunto de parâmetros, retornando uma métrica chave. Nossa estratégia será um simples cruzamento de EMA combinado com um stop móvel ATR.

Ao decorar (ou envolver) a nossa função com `parameterized`, permitimos que `objective` aceite uma lista de parâmetros e os execute em todas as combinações.

Vamos analisar os resultados segmentando os períodos de EMA rápida e lenta. Isso destaca a variação mínima no índice de Sharpe do conjunto de treino para o conjunto de teste em pelo menos 50% das divisões, onde o azul indica uma mudança positiva.

O resultado é um mapa de calor que mostra os vários índices de Sharpe nas combinações de períodos lentos e rápidos.

Embora você possa ter desenvolvido uma estratégia promissora no papel, a validação cruzada é essencial para confirmar seu desempenho consistente ao longo do tempo e garantir que não seja apenas o resultado de flutuações aleatórias. Aplique as técnicas que você aprendeu aqui à sua própria estratégia.