優化
黑盒優化 + 引導 = 參數選擇？
大多數自動交易系統都有許多嵌入式參數，例如回溯期、進入和退出門檻值等。這就像移動平均交叉系統或任何依賴某種數據視窗進行計算的系統。例如，如果我對 MA 交叉系統使用快速和慢速指數濾波器，那麼我需要找出每個濾波器的最佳時間值。
找到這些參數可能很困難，因為交易證券只有一個歷史記錄。一種貨幣可能有 2 億個刻度或 200 萬個 1 分鐘數據點。這只是可能發生的情況的一種情況，代表了不斷發展的系列中的多種趨勢和轉折點。如果我真的想選擇最好的參數，似乎我想使用多個樣本來減少過度擬合。可以使用保留數據，但似乎最好使用自舉來獲取額外的歷史記錄以進行優化。
使用塊、移動塊或其他引導方法找到最佳交易參數或黑盒參數是否有問題？似乎是個好主意。對於非平穩、不斷發展的相關時間序列，最有效的引導方法是什麼？
提前致謝
阿米爾薩尼，
這裡有幾點我將如何進行：
- 我首先會考慮將您的時間序列劃分為不同的集群，以便不同的市場動態屬於不同的集群。
- 我猜你不會交易單一資產，因此你不會只優化單一股票或期權合約。我強烈反對優化每個資產的參數，而是優化一組資產。不要為 Google 導出一個優化的參數集，為 MS 導出另一個優化參數集，例如因為你很可能會過度擬合。
- 我會先將數據拆分為訓練數據，然後再將數據拆分為最後測試優化的數據。
- 然後我將繼續按日期（月、年或您選擇的任何內容）對時間序列進行分桶，然後分別優化每個桶，然後對跨桶的優化參數的穩定性進行統計測試。
- 還可以將您的策略結果與一組參數進行比較，並得出結果的穩定性。最後，您應該對未用於優化的數據進行統計測試。