Поиск оптимального f по ячеистым данным
Теперь мы рассмотрим поиск оптимального f и его побочных продуктов по ячеистым данным. Этот подход также является гибридом параметрического и эмпирического метода и аналогичен процессу поиска оптимального f по различным сценариям; только на этот раз мы будем использовать среднюю точку ячейки.
Например, у нас есть 3 ячейки и 10 сделок. Первую ячейку мы определим для P&L от –1000 долл. до –100 долл. В этой ячейке будет два элемента. Следующая ячейка предназначена для сделок от –100 до 100 долл., она вмещает пять сделок. Наконец, в третью ячейку попадут три сделки, которые имеют P&L от 100 до 1000 долл.
Ячейка | Сделки | Ассоциированная вероятность | Ассоциированный результат | |||
От | –1000 | до | –100 | 2 | 0,2 | –550 |
От | –100 | до | 100 | 5 | 0,5 | 0 |
От | 100 | до | 1000 | 3 | 0,3 | 550 |
Теперь нам нужно решить уравнение (4.16), где каждая ячейка представляет отдельный сценарий. Таким образом, для случая с тремя ячейками оптимальное f составляет 0,2, или 1 контракт на каждые 2750 долл. на счете (наш проигрыш наихудшего случая будет средней точкой первой ячейки, или (–$1000 + –$100) / / 2 = –$550)).
Этот метод можно использовать в реальной торговле, хотя он и недостаточно точен, поскольку допускает, что наибольший проигрыш находится в середине наихудшей ячейки, а это не совсем верно. Часто полезно иметь одну лишнюю ячейку, чтобы включить проигрыш наихудшего случая.
Допустим, как и в приме- ре с тремя ячейками, у нас была сделка с проигрышем в 1000 долл. Такая сделка попадает в ячейку –1000 до –100 долл. и поэтому будет записана как 550 долл. (средняя точка ячейки), но мы можем разместить в ячейки те же данные следующим образом:
Ячейка Сделки | Ассоциированная вероятность | Ассоциированный результат | ||||
От | –1000 | до | –1000 | 1 | 0,1 | –1000 |
От | –999 | до | –100 | 1 | 0,1 | –550 |
От | –100 | до | 100 | 5 | 0,5 | 0 |
От | 100 | до | 1000 | 3 | 0,3 | 550 |
Теперь оптимальное f составляет 0,04, или 1 контракт на каждые 25 000 долл. на счете. Вы видите, насколько приблизителен этот метод? Поэтому, хотя этот метод даст нам оптимальное f для ячеистых данных, надо понимать, что потеря информации при размещении данных в ячейки может сделать результаты настолько неточными, что они станут бесполезными. Если бы у нас было больше точек данных и больше ячеек, метод был бы намного точнее.
Фактически, если бы у нас было бесконечное количество данных и бесконечное число ячеек, метод был бы абсолютно точным (если бы данные в каждой из ячеек были равны средним точкам соответствующих ячеек, то этот метод также был бы точным).
Другой недостаток предлагаемого метода заключается в том, что среднее значение ячейки необязательно расположено в центре ячейки. В реальности среднее значение элементов в ячейке будет ближе к моде всего распределения, чем к средней точке ячейки. Следовательно, полученная дисперсия будет больше, чем есть на самом деле.
Существуют способы корректировки, но и они могут быть неточными. Проблему можно было бы преодолеть, и результаты были бы точными при бесконечном количестве элементов (сделок) и бесконечном количестве ячеек.
Если у вас есть достаточно большое количество сделок и достаточно большое количество ячеек, вы можете использовать этот метод с большей уверенностью. Вы также можете провести тесты «что если», изменяя число элементов в различных ячейках, чтобы получить более точное приближение.
- Оформление отчета по практике по ГОСТу 2021/2022
- Оформление ВКР по ГОСТу
- Как составить бизнес-план своими силами
- Оформление эссе по ГОСТу
- Оформление презентации по ГОСТу
- Оформление статьи по ГОСТу
- Оформление дипломной работы по ГОСТ 2021/2022
- Оформление курсовой работы по ГОСТу
- Оформление контрольной работы по ГОСТу