अल्गोरिदमिक ट्रेडिंग बाजारातील सहभागींना व्यापार ओळखण्यासाठी आणि कार्यान्वित करण्यासाठी संगणक-आधारित नियम वापरण्याची परवानगी देते. लाइव्ह मार्केटमध्ये वापरण्यापूर्वी ऐतिहासिक मार्केट डेटा विरुद्ध रणनीती तपासली जाऊ शकते. तथापि, सशक्त ऐतिहासिक कामगिरीचा अर्थ असा नाही की भविष्यात रणनीती चांगली कामगिरी करेल.

मुख्य कारणांपैकी एक म्हणजे ओव्हरफिटिंग. असे घडते जेव्हा ट्रेडिंग धोरण ऐतिहासिक डेटाशी इतके जवळून समायोजित केले जाते की ते टिकून राहण्याच्या ऐवजी भूतकाळातील विशिष्ट नमुने कॅप्चर करते. चाचणी दरम्यान धोरण अत्यंत यशस्वी दिसू शकते परंतु बाजार परिस्थिती बदलते तेव्हा खूप भिन्न परिणाम देतात.

शोध घेणाऱ्या प्रत्येकासाठी हा धोका समजून घेणे महत्त्वाचे आहे काहीतरी ट्रेडिंग विशेषतः जेव्हा मोठे डेटासेट आणि एकाधिक पॅरामीटर्स वापरून धोरणे विकसित केली जातात.

अल्गोरिदमिक ट्रेडिंगमध्ये ओव्हरफिटिंग म्हणजे काय?

जेव्हा एखादी रणनीती एखाद्या विशिष्ट ऐतिहासिक डेटासेटसाठी जास्त प्रमाणात तयार केली जाते तेव्हा ओव्हरफिटिंग होते. बाजार परिस्थिती आणि किमतीच्या हालचालींमधील पुनरावृत्ती करण्यायोग्य संबंध ओळखण्याऐवजी, प्रणाली यादृच्छिक चढउतार किंवा डेटामध्ये समाविष्ट असलेल्या असामान्य घटनांना प्रतिसाद देऊ शकते.

उदाहरणार्थ, समजा, व्यापारी अनेक वर्षांच्या ऐतिहासिक किमती वापरून धोरण विकसित करतो. प्रारंभिक नियम मध्यम परिणाम देतात. व्यापारी नंतर एंट्रीची परिस्थिती, निर्गमन पातळी, निर्देशक आणि कालावधी बदलत राहते जोपर्यंत ऐतिहासिक परतावा अपवादात्मकपणे उच्च होत नाही.

सुधारित परिणाम खात्रीशीर दिसू शकतात, परंतु अतिरिक्त नियम ऐतिहासिक गोंगाटासाठी धोरणास बसणारे असू शकतात. जेव्हा नवीन बाजार डेटा सादर केला जातो, तेव्हा धोरण यापुढे समान परिणाम देऊ शकत नाही. म्हणूनच अनेक नवशिक्या गंभीर भांडवल करण्यापूर्वी त्यांच्या कल्पनांची छोट्या, वास्तविक स्थितींसह चाचणी घेतात आणि त्यासाठी पहिली पायरी असते डीमॅट खाते उघडा विश्वासार्ह ब्रोकरसह, जेणेकरुन केवळ बॅकटेस्टवर न पाहता थेट बाजारातील कामगिरीवर धोरण ठरवले जाऊ शकते.

ओव्हरफिटिंग का शोधणे कठीण होऊ शकते

ओव्हरफिटिंग ओळखणे विशेषतः कठीण असू शकते कारण अधिक समायोजन केल्यामुळे धोरण अधिक चांगले बनू शकते. बॅकटेस्ट आकर्षक परतावा, सातत्यपूर्ण सिग्नल आणि तुलनेने कमी तोट्याचे व्यवहार दर्शवू शकते.

तथापि, हे परिणाम आत्मविश्वासाची दिशाभूल करणारी भावना निर्माण करू शकतात. ऐतिहासिक डेटा बाजारातील परिस्थितीच्या विशिष्ट संचाचे प्रतिनिधित्व करतो आणि त्या परिस्थितीत चांगले कार्य करणारी रणनीती अस्थिरता, तरलता किंवा गुंतवणूकदाराची वागणूक बदलते तेव्हा समान वर्तन करू शकत नाही.

अनेक चेतावणी चिन्हे सूचित करू शकतात की एखादी रणनीती ओव्हर-ऑप्टिमाइझ केलेली असू शकते:

• पुनरुत्पादित करणे कठीण वाटणारे अपवादात्मक बॅकटेस्टेड रिटर्न.


• मोठ्या संख्येने तांत्रिक मापदंड किंवा अटी.


• एका विशिष्ट ऐतिहासिक कालावधीत मजबूत कामगिरी.


• भिन्न डेटासेटवर चाचणी केली असता लक्षणीय बिघाड.


• अगदी अचूक प्रवेश किंवा निर्गमन मूल्यांवर अवलंबून राहणे.


• केवळ मागील परिणाम सुधारण्यासाठी वारंवार केलेले बदल.

ही चिन्हे आपोआप सिद्ध होत नाहीत की एखादी रणनीती ओव्हरफिट आहे. तथापि, ते सूचित करतात की थेट बाजारपेठेतील धोरणावर अवलंबून राहण्यापूर्वी पुढील चाचणी आवश्यक असू शकते.

बॅकटेस्टिंग आणि रिअल ट्रेडिंग मधील फरक

बॅकटेस्टिंगमध्ये रणनीती कशी कामगिरी केली असती हे तपासण्यासाठी ऐतिहासिक बाजार डेटावर ट्रेडिंग नियमांचा संच लागू करणे समाविष्ट आहे. हे धोरणाचा अभ्यास करण्यासाठी उपयुक्त आहे, परंतु ते थेट व्यापारात उपस्थित असलेल्या प्रत्येक स्थितीचे पुनरुत्पादन करू शकत नाही.

वास्तविक बाजारपेठांमध्ये अशा घटकांचा समावेश असतो ज्यांचे अचूक मॉडेलिंग करणे कठीण असू शकते. यामध्ये व्यवहार खर्च, बिड-आस्क स्प्रेड, तरलता, अंमलबजावणी विलंब आणि अचानक किमतीच्या हालचालींचा समावेश आहे. त्यामुळे बॅकटेस्ट वास्तविक कामगिरीपेक्षा भिन्न परिणाम देऊ शकते.

लाइव्ह ट्रेडिंग ऐतिहासिक चाचणीपेक्षा वेगळे का असू शकते हे खालील घटक स्पष्ट करतात:

या घटकांचा विचार केल्यास धोरणाचे मूल्यमापन अधिक वास्तववादी होऊ शकते. खर्च आणि अंमलबजावणी बद्दल वाजवी गृहीतके नंतर व्यवहार्य राहणारी धोरण आदर्श बॅकटेस्टिंग परिस्थितीवर कमी अवलंबून असते.

डेटा स्नूपिंग धोका कसा वाढवू शकतो

डेटा स्नूपिंग तेव्हा होते जेव्हा मोठ्या संख्येने धोरणे, निर्देशक किंवा पॅरामीटर संयोजनांची समान ऐतिहासिक डेटासेटवर चाचणी केली जाते. पुरेशा भिन्नतेची चाचणी घेतल्यास, काही पूर्णपणे योगायोगाने यशस्वी दिसू शकतात.

उदाहरणार्थ, डेव्हलपर मूव्हिंग ॲव्हरेज, स्टॉप-लॉस लेव्हल्स आणि एंट्री कंडिशनच्या शेकडो संयोजनांची चाचणी घेऊ शकतो. जरी कोणाचाही खरा फायदा नसला तरीही, काही संयोजन असामान्यपणे मजबूत ऐतिहासिक परिणाम देऊ शकतात.

यापैकी एक संयोजन निवडणे कारण ते सर्वोत्कृष्ट कामगिरी करते त्यामुळे ऐतिहासिक नशिबामुळे निवडलेली रणनीती होऊ शकते. जेव्हा रणनीती सुधारण्यासाठी आणि मूल्यमापन करण्यासाठी समान डेटा वारंवार वापरला जातो तेव्हा समस्या अधिक होते. प्रत्येक समायोजन त्या डेटासेटसाठी धोरण अधिकाधिक अनुकूल बनवू शकते.

ओव्हरफिटिंगचा धोका कमी करण्याचे मार्ग

ओव्हरफिटिंग पूर्णपणे काढून टाकले जाऊ शकत नाही, परंतु विशिष्ट पद्धती ऐतिहासिक डेटावर खूप जास्त अवलंबून असलेली धोरण तयार करण्याचा धोका कमी करू शकतात. शिस्तबद्ध चाचणी प्रक्रियेत खालील चरणांचा समावेश असू शकतो:

1. धोरण तुलनेने सोपे ठेवा: नियम जोडणे टाळा जोपर्यंत त्यांचा स्पष्ट उद्देश आणि आर्थिक किंवा बाजार तर्क नसतो.


2. स्वतंत्र विकास आणि चाचणी डेटा: धोरण विकसित करण्यासाठी एक डेटासेट वापरा आणि न पाहिलेल्या डेटावर त्याच्या कामगिरीचे मूल्यांकन करण्यासाठी दुसरा वापरा.


3. नमुना बाहेरील चाचणी वापरा: विकासादरम्यान वापरल्या गेलेल्या डेटावरील धोरणाचे मूल्यांकन करा.


4. विविध बाजार परिस्थिती विचारात घ्या: अस्थिरता आणि किंमत ट्रेंडच्या विविध स्तरांसह चाचणी कालावधी.


5. ट्रेडिंग खर्चासाठी खाते: संभाव्य कामगिरीचा अंदाज लावताना ब्रोकरेज फी, कर, स्प्रेड आणि इतर संबंधित खर्च समाविष्ट करा.


6. अत्याधिक पॅरामीटर ऑप्टिमायझेशन टाळा: अत्यंत तंतोतंत मूल्यांची आवश्यकता असलेले धोरण बाजारातील बदलांसाठी अधिक संवेदनशील असू शकते.

हे उपाय भविष्यातील कामगिरीची हमी देत ​​नाहीत. त्यांचा उद्देश विकासादरम्यान वापरल्या जाणाऱ्या ऐतिहासिक डेटासेटच्या पलीकडे उपयोगी राहू शकणाऱ्या रणनीतीमध्ये वैशिष्ट्ये आहेत की नाही याचे अधिक वास्तववादी मूल्यांकन प्रदान करणे हा आहे.

तंत्रज्ञान आणि मानवी निरीक्षणाची भूमिका

ऑटोमेशन पूर्वनिर्धारित सूचना त्वरीत कार्यान्वित करू शकते, परंतु त्या सूचना बाजारातील परिस्थिती बदलण्यासाठी योग्य आहेत की नाही हे निर्धारित करत नाही. जोपर्यंत ते नियम बदलले जात नाहीत किंवा सिस्टीम बंद केली जात नाही तोपर्यंत एक सिस्टीम त्याच्या प्रोग्राम केलेल्या नियमांचे पालन करत राहील.

हे स्वयंचलित ट्रेडिंगचा एक महत्त्वाचा भाग बनवते. विकासक आणि व्यापाऱ्यांना कार्यप्रदर्शन, अंमलबजावणी गुणवत्ता, बाजार परिस्थिती आणि अनपेक्षित वर्तन यांचे पुनरावलोकन करावे लागेल.

ए ट्रेडिंग खाते ब्रोकर आणि ट्रेडिंग सेटअपवर अवलंबून, मार्केटमध्ये प्रवेश प्रदान करू शकतो, ज्याद्वारे अल्गोरिदम-व्युत्पन्न ऑर्डर अंमलात आणल्या जाऊ शकतात. तथापि, स्वयंचलित अंमलबजावणीमुळे रणनीती, त्याची गृहीतके आणि संभाव्य धोके समजून घेण्याची गरज दूर होत नाही.

निष्कर्ष

अल्गोरिदमिक स्ट्रॅटेजी डेव्हलपमेंटमध्ये ओव्हरफिटिंग हा एक महत्त्वाचा धोका आहे कारण प्रभावशाली बॅकटेस्ट केलेले परिणाम कधीकधी पुनरावृत्ती करण्यायोग्य बाजार संबंधांऐवजी ऐतिहासिक आवाज प्रतिबिंबित करू शकतात. जेव्हा विकासक एकाच डेटासेटचा वापर करून असंख्य पॅरामीटर्स वारंवार ऑप्टिमाइझ करतात तेव्हा धोका वाढू शकतो.

विचार करणारे कोणीही काहीतरी ट्रेडिंग त्यामुळे हेडलाइन बॅकटेस्ट रिटर्न्सच्या पलीकडे पहावे. न पाहिलेल्या डेटावर चाचणी करणे, बाजारातील विविध नियमांचा विचार करणे, व्यापार खर्चाचा हिशेब ठेवणे आणि अनावश्यक गुंतागुंत मर्यादित करणे अधिक संतुलित मूल्यांकन प्रदान करू शकते.

ए ट्रेडिंग खाते बाजार सहभाग सक्षम करते, परंतु अंतर्निहित रणनीतीची गुणवत्ता हा वेगळा विचार केला जातो. ऑटोमेटेड ट्रेडिंग निर्णयांवर अवलंबून राहण्यापूर्वी अल्गोरिदम कसा विकसित केला आणि तपासला गेला हे समजून घेणे महत्त्वाचे आहे.