文章 "经典策略重构（第14部分）：多策略分析"

新评论
 

新文章 经典策略重构（第14部分）：多策略分析已发布：

在本文中，我们继续探讨如何构建多策略组合体系，并使用 MT5 遗传算法优化器对策略参数进行调优。本次我们使用 Python 对数据进行分析，结果表明：我们的模型能更准确地预判哪一个策略会表现更优，其预测精度高于直接预测市场收益率。然而，当我们使用这些统计模型对应用程序进行测试时，性能却大幅下滑。我们随后发现，遗憾的是，遗传优化器偏向了高度相关的策略，这促使我们修改方案：将投票权重固定，转而让优化器专注于优化指标参数。

利用人工智能构建交易策略时，很多环节都可能出问题。本次的情况是：遗传优化器 “钻了框架的漏洞”，选出了相关性最高的策略组合。单纯从数学角度看，这其实是一种 “聪明” 的选择：当主要选用的策略彼此相关时，优化器更容易预判账户的整体盈亏。

我最初预期，遗传优化器会给高收益策略分配更高权重，给低收益策略分配更低权重。但由于我们只有 3 套策略可选，且优化只执行了一次，因此不能排除这一结果纯属偶然。也就是说，如果我们改用更慢速、更全面的优化算法重新优化投票权重，优化器或许就不会选出高度相关的策略。 

这一发现促使我重新设计策略参数的优选方案。我们应该先将所有策略的投票权重固定为 1。这样可以强制遗传优化器只专注于寻找各指标的最优参数。后续验证会证明：这套改进方案明显优于最初的设计。使用两套相关策略进行多策略分析，无法带来真正的提升。因此，我们总结出多策略分析更合理的目标定义：如何优选收益互不相关的多策略，从而最大化账户收益？ 


作者：Gamuchirai Zororo Ndawana

新评论