这是使您的算法面向未来的3个步骤

Vivek Gadodia

在本系列的前一部分中，我们看到了一些重要的因素需要处理，例如算法的性质，牢记算法的可伸缩性以及时间框架如何影响算法。

在这一部分中，我们将继续讨论一个更重要的问题-算法是否会像过去一样发挥作用。

未来可能与过去相似，但与过去不同。有所不同，在这里我们将了解其中一些。

创建算法是一个分为四个部分的系列。这里是：

第2部分：为什么可扩展性，系统性质和时间范围对于创建算法很重要

现在，让我们看看另外三个用于创建算法的参数：

退货的一致性：

算法收益是否集中在一两个周期内，还是在几年中平均分配？假设从2012年到2018年的回溯测试显示总回报率为250％，按年计算的回报为：-60％，-10％，280％，100％，-50％和-10％。

这表明六年中有两年为期正回报。而且，另一个回溯测试表明，回报率分别为30％，45％，20％，80％，-10％和85％，这使我们有六个正五年。

我们应该在第一天选择第二个，因为在第二种情况下，我们生存下来并坚持使用该系统的机会更高。此外，如果在第一年的回溯测试中，也就是第一年本身利用2倍杠杆，我们的资本将耗尽，即爆破。

对收益的定向贡献：

在这里，我们将深入研究从多边交易中获得多少算法收益以及从空头交易中获得多少收益。这是一项关键指标，经验丰富的对冲基金经理在评估一种算法策略时会考虑。

假设如果80％的回报来自多头，而20％来自做空–原因可能是数据的周期长于空头，或者参数的设计偏向于长期。

如果将来市场格局发生变化并且在下降趋势中花费的时间比过去更多，该怎么办？因此，我希望有一个系统，其中50％的贡献来自多面，而相等的来自短边。或者，尽可能接近50，例如60 – 40也不错。

优化：

这也称为微调。首先是要确定要优化的内容。假设我们要优化回报风险比，即CAR / MDD比（年回报率/最大亏损复合值）。

在移动平均交叉算法中，我们首先运行变化的指标值，例如，我们还将检查10、15、25和30而不是20个快速移动平均。这给了我们五种组合。

在慢速移动平均值中，我们将检查40、45、50、55和60。再有五个组合。总计，我们得到5X5，即25种组合。

对于每种组合，该软件将为我们提供最高的CAR / MDD比和最低的CAR / MDD比性能。然后，我们可以看到各种平均值如何影响奖励风险比。

在这里，有一个难题。我们应该选择最佳价值还是选择最佳价值区域？假设10、60的组合给出的奖励/风险比为3，而15、45、20,40和25、40的组合给出的奖励/风险为2。

可能10、60的结果可能是运气。就像我们过去看到的那样，选择20、40可能会使我们将来更接近2的奖励风险。因此，我们可能会得到与回测所显示的相似的收益状况。

这就是我们感兴趣的，我们的算法在未来能够生存和发展，而不仅仅是纸上的练习，我们在智力上激发了自己。

这是关于编写算法的4部分系列文章的第3部分。作者是Dravyaniti Consulting LLP的联合创始人。