過剰学習は避けられませんが、その程度は戦略によって異なります。したがって、それがどの程度発生したかを判断できるようにすることは有益でしょう。組合せ対称交差検証法（Combinatorially Symmetrical Cross Validation、CSCV）は、David H. Baileyらによって書かれた学術論文「The Probability of Backtest Overfitting」で紹介されている手法で、戦略のパラメータを最適化する際に、過剰学習の程度を推定するために使用することができます。
新しい記事「MQL5における組合せ対称交差検証法」はパブリッシュされました:
この記事では、ストラテジーテスターの低速&完全アルゴリズムを使用してストラテジーを最適化した後に過剰学習が発生する可能性の程度を測定するために、純粋なMQL5における組合せ対称交差検証法の実装を紹介します。
自動化されたストラテジーを作るとき、それは何らかの方法で改良する必要がある、任意の指標に基づくルールのアウトラインから始めることがあります。この精緻化のプロセスでは、選択した指標のパラメータ値を変えて複数のテストを実施します。そうすることで、利益やその他の指標を最大化する指標値を見つけることができます。この方法の問題点は、金融時系列にノイズが多く、ある程度の楽観的バイアスが生じることです。過剰学習と呼ばれる現象です。
過剰学習は避けられませんが、その程度は戦略によって異なります。したがって、それがどの程度発生したかを判断できるようにすることは有益でしょう。組合せ対称交差検証法（Combinatorially Symmetrical Cross Validation、CSCV）は、David H. Baileyらによって書かれた学術論文「The Probability of Backtest Overfitting」で紹介されている手法で、戦略のパラメータを最適化する際に、過剰学習の程度を推定するために使用することができます。
この記事では、MQL5におけるCSCVの実装を実演し、それをエキスパートアドバイザー(EA)にどのように適用できるかを例を通して紹介します。
作者: Francis Dube