Binlerce stratejiyi geriye test ettim. Zor yoldan öğrendiğim ders: Aşırı donanım size $$$ kaybettirir. Şimdi karşılık vermek için çapraz doğrulama kullanıyorum. İşte bunu yapacak kod (2 dakika içinde):

Çapraz doğrulamaya aşina değilseniz: • Modellerde aşırı uyum riskini azaltır • Verileri alt kümelere bölmeyi içerir • Görünmemiş veriler üzerinde model performansını tahmin eder Tüm veri bilimlerinde kullanılır. Şimdi VectorBT PRO ile işlem yapmak için kullanabiliyorsunuz. Gidelim!

VBT PRO ve analizimizle ilgili birkaç kütüphaneyi içe aktaralım.

Favori varlığınızın verilerini alın. AAPL kullanacağız.

Sonra, bir tarih aralığını seçilmiş bir şemaya göre daha küçük segmentlere bölen bir "bölücü" kuracağız.

splitter.plots().show_png() komutu aşağıdaki görselleştirmeyi sağlar:

Sonra, tek bir parametre seti kullanarak belirli bir tarih aralığında işlem stratejisini yürüten bir fonksiyon oluşturacağız ve bir anahtar metrik döndüreceğiz. Stratejimiz, basit bir EMA crossover ile ATR trailing stop kombinasyonu olacak.

Fonksiyonumuzu 'parametreli' ile süsleyerek (veya sararak), 'objective' parametre listesini kabul edip tüm kombinasyonlarda çalıştırmasını sağlarız.

Sonuçları hızlı ve yavaş EMA dönemlerini segmentlere ayırarak analiz edelim. Eğitimden test setine kadar en az %50'sinde Sharpe oranındaki minimum farkı vurguluyor; burada mavi pozitif bir değişimi gösteriyor.

Sonuç, yavaş ve hızlı dönem kombinasyonları arasında çeşitli Sharpe oranlarını gösteren bir ısı haritasıdır.

Kağıt üzerinde umut verici bir strateji geliştirmiş olsanız da, çapraz doğrulama, zaman içinde tutarlı performansını doğrulamak ve bunun sadece rastgele dalgalanmaların sonucu olmadığını kesin etmek için gereklidir. Burada öğrendiğiniz teknikleri kendi stratejinize uygulayın.