对于机械系统问题的可能解决方案
对我们在上节中提及的问题的最显而易见的解决方法就是除去机械系统的不灵活性。一个好的出发点就是考虑为已被固定参数所定义的规则寻找更为高效的替代物。这些固定参数包括诸如为评估市场行为而事先确定的已完成交易期间的数目n,或为了估计有效突破而设定的货币价格或价格百分比之类的限制性因素。
针对灵活参数系统
正如其名表示的那样,灵活参数系统将根据市场行为调整自己的参数。例如,在一个没有发展方向的不断波动的市场中,系统将要求一个被放松地进入市场或退出市场的触发点。相反,如果是在一个指向性市场中,这样的触发点就将被紧缩。
灵活参数系统与固定参数系统不同之处在于它并不期望市场遵守自已规则的原理。相反,它会调整自已的规则以适应市场的变化。从交易与资金管理的观点来看,发展这样的系统是特别有帮助的。尽管如何建立灵活参数系统超过了本书的范围,但是说明这种系统是可以被设计出来的事实就已经足够了。神经网络(neural networks)就是这样的例子。它们通过实例学习,使自已适应变化着的市场条件,而不是期望市场调整以适应一系列预设而又不可变更的规则。
使用最新结果作为未来的预测值
假设交易者无法为机械系统注入灵活性那么他就不得不对这个固定参数系统进行充分利用。
一种可能的解决方法就是使用这个固定参数系统在最近的过去产生的业绩参数。“最近的过去”的定义取决于交易者的交易范围。如果交易者使用以每周数据为基础的系统，那么就将会比那些使用每日数据系统的交易者在定义“最近的过去”时考虑更长的历史时期。类似地,如果交易者依赖每天产生多个信号的系统，那么他对于“最近的过去”的理解也将与使用每日数据系统的交易者不同。
这里的假设为“最近的过去是未来最好的估计量”。只要没有理由怀疑市场行为发生了基本改变,这一点就是正确的。然而,最近的市场行为与这种稳定性假设相悖,那么过去的市场行为就不再能够映射未来。在这种情况下,交易者就必须确定并使用那些在改变发生之后的环境中最优的参数。这一点可以通过被称为曲线拟合或是最优化的过程而得以实现。
曲线拟合或最优化系统的作用
曲线拟合系统或是为系统找到最优参数的过程需要使用一系列不同的参数对某个历史时期的系统进行回溯检验。理论上,被挑选用以分析的时期必须对目前的市场条件具有代表性。这样才能确保参数的最优性不是仅仅针对被检验的时期。为了检查这一点，可以在另一个样本期间内检验机械规则。假如原先被认为最优的参数的确是最优的,则它们将在新的样本期间产生较好的结果。
例如,交易者将希望通过使用所有可行的空头或多头移动平均值的合并来回溯检验双平均移动线交叉系统。交易者将浏览审视交易结果,挑选出产生最高获利指数的结合点。接着,他将在另外一个样本时期内再次进行检验,以确定结果的一贯性。假如某一个结合点在两个样本期间产生了较好的业绩,交易者就有理由确认它的最优性。下部分对最优化的规则进行了总结。
最优化规则
按照最优化观点，个系统的参数数量越大，那么这个系统就越复杂。即使只是一个最优化的参数失效，整个系统的表现都会受到伤害。结果是,系统的最优化参数数量越少,最优化可能的结果就越稳健。这种赞成简化机械系统原理的观点是很有说服力的。
任何曲线拟合过程的隐含假设是:在某时期内最优的一系列参数将继续在未来表现为最优。然而，假如现有市场条件与样本期间的市场条件已经基本不同了,那么就将导致早前回溯检验的结果无效。在这种情况下,分析者的职责就是使用改变后的价格历史作为新的分析基础来重复最优化过程。
对市场条件改变的问题的一种解决办法是使用尽可能长时期的历史数据。这样做使交易者可以在不同的市场条件下检验系统表现。例如,平均移动线交叉系统可能在趋势市场中表现良好,而却可能在侧向发展的市场中遭受到双重的损害。因此，理想的最优化研究必须在涵盖趋势市场与侧向市场条件的样本期间内进行。总体来说,样本期间的时间不能少于5年。而回溯检验的完成交易数则不得少于30个。
一旦最优参数建立,下一步工作就是对这些参数进行向前或是样本期以外的检验。向前或样本期以外的检验是针对迟于原来样本期间的期间。例如,最优参数是通过对1980~1985年间的数据的分析得出的,那么向前检验将对于这些最优参数在随后期间(如1986 ~ 1990年)内的效力进行检验。这个过程使分析者可以判断这些最优参数是否具有稳健性。如果最优参数被发现在1980~ 1985年期间和1986~1990年期间是同样有效的,那么交易者就有理由相信这些参数在未来的有效性。
