|
昨天我们说了建模测试的环境，突出几个关键字：各品种等资金分配（手数固定），全品种建模，无参数优化，引入日频振幅或ATR控制止损等。其实都是为了提升模型的可信程度，让样本容量尽可能大，让幸存者偏差尽可能少。 今天简单谈谈合理的目标函数。我在大概2年前建模的时候，眼睛里只有净利润，因为当时手工交易实际上频率很高，带来的单笔回撤不大，而且手工交易难成长期贯穿的体系，所以利润是第一追求目标，认为模型一定要达到极高的收益，忽略了回撤。 后来开始关注收益风险比。从这时开始，我们开始考虑每一次交易中，利润从最高点回撤到最低点的过程。我们同时看到，如果单一追求利润，可能导致单笔交易利润贡献不稳定，以及在盘整震荡时期的资金曲线回撤很大。 当我们观察到现象，就可以采取应对措施了，比如模型本体的平仓条件信号过慢，我们用回落幅度追踪止损加速其平仓信号值发出。再比如，我们调整任何一个模块的时候，都可以观察其是否有能力降低每一次的利润回落速度，我们称之为平均回撤。 与平均回撤对应的是：调整后收益风险比。这个目标函数相当有趣，在我们看来它才是真正的风险（回撤）表达方式，它不仅考虑最坏的那一次或者那段时间，而是考虑每一段时间，每一次的利润回吐。当我们用各种方法调升调整后收益风险比的同时，最大回撤也得到控制，收益风险比得到提升。 再后来我们关注了夏普比率，理论上夏普比率越大，就说明获得同样投资收益率的波动性比较小，也意味着投资回报率的可复制性也越高。但是鉴于测试样本的不足，以及夏普比率仅是对每一次平仓后的收益做分析，对于价格回撤这个动作的控制依然不足，所以它作为参考指标之一。 胜率呢？胜率我们作为不同类型模型的判别标准，比如趋势类胜率在35%左右，震荡类胜率在65%左右，而胜率在同一类模型中，是没有太重要的评比意义的。 交易次数呢？理论上交易次数不能太多，但是恰巧交易次数是模型和行情发生了一次“关系”，如果发生了很多次“关系”，依然能够保持较好的收益风险比，我们是不是可以更加确信这个模型的稳健呢？显然是这样，所以在较高的手续费率设置下（这个问题昨天忘记说明，我们通常设置万5~万10的费率+开平各1跳滑点），只要资金曲线稳健，交易次数多一些，没有太大问题。 在等手数开仓的测试环境下，我们还会考虑一个目标函数，资金曲线的R平方值，R-square来描述数据对模型的拟合程度的好坏，在资金曲线测试中，是资金曲线和直线的拟合度指标。R平方值可以表示出你的模型是否基业长青，还是说在某些时段出现了严重衰减。R平方值在同一个类型模型中，差别不大，在模型迭代过程中，可能由于我们多品种的关系，差别也不大。但是在针对单品种测试中，和复杂模型测试中，R平方值有模型鉴别能力。 健全的测试环境，健康的目标函数，是程序化交易模型逐渐走上正规的起点。 当然你的水平逐渐提高时，还可以构建复杂目标函数，它是几个传统目标函数的组合关系，或者仅是权重打分。利于迭代模型和一些机器优化。 |
|
|
