Wyniki
zakończonych niedawno badań empirycznych systemu
hierarchicznego o dwóch poziomach były prezentowane między innymi
w formie wykresów charakterystyk obrazujących zależności
końcowych zysków od parametru sterującego działaniem strategii.
Niezależnie od ich przydatności z punktu widzenia podjęcia
ewentualnej decyzji o realnej grze systemem 2-Level, mają one
również wartości poznawcze. Należy do nich inspiracja dla
powstawania nowych koncepcji uczenia systemów na wyższych
poziomach.
Przypomnę
krótko, że na blogu omawiam na bieżąco rozwój prac w zakresie
tworzenia systemu trójpoziomowego. Jednym z założeń
tego systemu jest optymalizacja parametru m czyli rozmiaru
zbioru danych dla optymalizacji parametru p na niższym
poziomie. W pierwszym, intuicyjnym podejściu dla optymalizacji m
rozsądnie jest przyjąć funkcję kryterium analogiczną, a
najlepiej wręcz identyczną, jak w przypadku doboru p.
Przegląd takich funkcji kryteriów miał miejsce przy okazji
empirycznej oceny systemu 2-Level dla EURUSD, a ich ogólny schemat w
postaci ilorazu zysk/ryzyko został omówiony tutaj.
Jednak
wzrokowa analiza wykresów charakterystyk nasuwa alternatywne
podejście do oceny rezultatów strategii w funkcji m. A może
nawet nie tyle inne, co będące uogólnieniem i syntezą
poprzednich. Przypomnijmy sobie, że gładkość linii
charakterystyki jest postrzegana jako przesłanka na rzecz
stabilności wyników strategii, a jej miarę w postaci odchyleń
modułów sąsiednich wartości omówiliśmy tutaj. Zarazem
warto zauważyć, że na wykresach poszczególnych charakterystyk
mogą występować fragmenty bardziej lub mniej „poszarpane”, co
oznacza że ich gładkość może być traktowana jako własność o
charakterze lokalnym.
A
w efekcie powstaje konkretna propozycja funkcji kryterium, która
będzie uwzględniać już nie tylko punktową wartość proporcji
zysku do ryzyka, ale również weźmie pod uwagę zróżnicowanie
tego ilorazu w otoczeniu rozpatrywanej wartości m. I
oczywiście wartość ta, jako miara niestabilności strategii,
będzie umieszczana w mianowniku, aby uwzględnić jej negatywny
wpływ na docelową ocenę jakości.
Pozostaje
już tylko dodatkowa uwaga o konieczności – niestety- wprowadzenia
parametru określającego wielkość tego otoczenia, który to
parametr oznaczę literą L. Do tego proponuję proste
oznaczenie sekwencji wyników operatora u,
która
to sekwencja stanowi zbiór wejściowy do wyznaczenia proponowanej
funkcji kryterium, dla której oznaczenia wybrałem literę J
A
zakres dopuszczalnych wartości m, dla których jest sens ją
wyznaczać jest oczywiście ograniczany od góry i od dołu właśnie
na podstawie promienia L otoczenia, w jakim mierzymy zmienność
charakterystyki
I
to właściwie tyle, jeśli chodzi o propozycję miary
uwzględniającej zarówno relację zysku do ryzyka strategii, jak i
jej stabilności w funkcji dobieranego parametru.
Chciałem tylko zwrócić uwagę, że do diffmod poprzednio braliśmy CG. Właśnie ze względu na operacje arytmetyczne na G/R musiałem przejść na logarytmy zamiast dzielenia, inaczej wyjdą dziwne patologie.
OdpowiedzUsuńFaktycznie, jest to modyfikacja w stosunku do oryginalnego wykorzystania miary gładkości. Można więc, patrząc na wzór na J, w mianowniku liczyć ilorazy samej funkcji G. Natomiast, abstrahując od konkretnych przypadków, można sobie wyobrazić miarę, gdzie w mianowniku liczylibyśmy różnice samego R. Czyli brali pod uwagę maksymalizację zysku (licznik) oraz minimalizację wrażliwości obsunięć ze względu na parametr m. Jak widać, kombinacji jest tutaj bardzo dużo, trzeba tylko coś wybrać no i weryfikować empirycznie, tak jak to my robimy...
Usuń