ое решение, в среднем, выиграет в три раза больше, чем белое решение! Вы можете возразить, отметив, что мы не реинвестируем по тому же сценарию каждый раз, и можно добиться большего, если всегда выбирать наивысшее арифметическое математическое ожидание для каждого представленного набора. Мы будем принимать решение, основываясь на большем арифметическом математическом ожидании, только в том случае, если не собираемся реинвестировать вообще. Но так как почти всегда деньги, которыми мы рискуем сегодня, будут снова с риском вложены в будущем, а деньги, выигранные или проигранные в прошлом, влияют на то, чем мы можем рисковать сегодня (среда геометрических следствий), для максимизации долгосрочного роста капитала мы должны принимать решения, исходя из среднего геометрического. Даже если сценарии, которые будут представлены завтра, не будут такими же, как сегодня, используя наибольшее среднее геометрическое, мы всегда максимизируем наши решения. Это аналогично процессу зависимых попыток, например игре в «очко». Каждая раздача изменяет вероятности, поэтому оптимальная ставка изменяется, чтобы максимизировать долгосрочный рост. Помните, чтобы максимизировать долгосрочный рост, мы должны рассматривать текущую игру как неограниченную во времени. Другими словами, следует рассматривать каждую отдельную ставку, как будто она повторяется бесконечное число раз, если необходимо максимизировать рост в течение долгой последовательности ставок в нескольких играх. Давайте обобщим все вышесказанное: когда результат события оказывает влияние на результат(ы) последующего события(ий), нам следует выбирать наибольшее геометрическое ожидание. В редких случаях, когда результат не влияет на последующие события, следует выбирать наибольшее арифметическое ожидание. Математическое ожидание (арифметическое) не учитывает зависимость результатов внутри каждого сценария и поэтому может привести к неверному заключению, когда рассматривается реинвестирование в геометрической среде. Использование предложенного метода в планировании сценария поможет вам правильно выбрать сценарий, оценить его результаты и вероятности их осуществления. Этот метод внутренне более консервативен, чем размещение на основе наибольшего арифметического математического ожидания. Уравнение (3.05) показывает, что среднее геометрическое никогда не может быть больше среднего арифметического. Таким образом, этот метод никогда не будет более рискованным, чем метод наибольшего арифметического математического ожидания. В асимптотическом смысле (долгосрочном) это не только лучший метод размещения, так как вы получаете наибольший геометрический рост, он также более безопасен, чем размещение по наибольшему арифметическому математическому ожиданию, которое неизменно смещает вас вправо от пика кривойf.
Так как реинвестирование почти всегда имеет место в реальной жизни (до того дня, когда вы уйдете на пенсию),[17] то есть вы снова будете использовать деньги, которые использовали сегодня, мы должны принимать решения, исходя из того, что такая возможность представится тысячи раз, для того чтобы максимизировать рост. Мы должны принимать решения таким образом, чтобы максимизировать геометрическое ожидание. Более того, так как результаты большинства событий влияют на результаты последующих событий, нам следует принимать решения и размещать средства, основываясь на максимальном геометрическом ожидании, что может привести к решениям, которые не всегда очевидны.
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. Для каждой ячейки у нас будет ассоциированная вероятность, рассчитанная как общее число элементов (сделок) в этой ячейке, деленное на общее число элементов (сделок) во всех ячейках. Для каждой ячейки у нас будет ассоциированный результат, рассчитанный по центральной точке ячейки. Например, у нас есть 3 ячейки и 10 сделок. Первую ячейку мы определим для P&L от -1000 долларов до -100 долларов. В этой ячейке будет два элемента. Следующая ячейка предназначена для сделок от -100 до 100 долларов, она вмещает 5 сделок. Наконец, в третью ячейку попадут 3 сделки, которые имеют P&L от 100 до 1000 долларов.
Ячейка | Ячейка | Сделки | Ассоциированная | Ассоциированный |
вероятность | результат | |||
-1000 | -100 | 2 | 0,2 | -550 |
-100 | 100 | 5 | 0,5 | 0 |
100 | 1000 | 3 | 0,3 | 550 |
Теперь нам нужно решить уравнение (4.16), где каждая ячейка представляет отдельный сценарий. Таким образом, для случая с 3 ячейками оптимальное f составляет 0,2, или 1 контракт на каждые 2750 долларов 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 примере с 3 ячейками, у нас была сделка с проигрышем в 1000 долларов. Такая сделка попадает в ячейку -1000 до -100 долларов и поэтому будет записана как 550 долларов (средняя точка ячейки), но мы можем разместить в ячейки те же данные следующим образом:
Ячейка | Ячейка | Сделки | Ассоциированная вероятность | Ассоциированный результат |
-1000 | -1000 | 1 | 0,1 | -1000 |
-999 | -100 | 1 | 0,1 | -550 |
-100 | 100 | 5 | 0,5 | 0 |
100 | 1000 | 3 | 0,3 | 550 |
Теперь оптимальное f составляет 0,04, или 1 контракт на каждые 25 000 долларов 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 не обязательно 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.
Какое оптимальное f лучше?
Мы знаем, что можно найти оптимальное f, используя эмпирический подход, а также используя некоторые параметрические методы как для ячеистых, так и для неячеистых данных. Мы также знаем, что можно привести данные к текущей цене. Какое оптимальное f действительно оптимально — полученное по приведенным или неприведенным данным?
Неприведенное эмпирическое оптимальное f рассчитывается на прошлых данных. Эмпирический метод для нахождения оптимального f, описанный в главе 1, даст оптимальное f, которое реализовало бы наивысший геометрический рост по прошлому потоку результатов. Однако нам надо определить, какое значение оптимального f использовать в будущем (особенно в следующей сделке), учитывая, что у нас нет достоверной информации об исходе следующей сделки. Мы точно не знаем, будет это прибыль (тогда оптимальное f будет 1) или убыток (тогда оптимальное f будет 0). Мы можем выразить результат следующей сделки только распределением вероятности. Лучшим подходом для трейдеров, применяющих механическую систему, будет расчет f путем использования параметрического метода с помощью регулируемой функции распределения, описанной в этой главе, с приведенными или неприведенными данными. Если есть значительное различие в использовании приведенных данных по сравнению с неприведенными, тогда, вероятно, расчеты сделаны по слишком большой истории сделок, или же данных на уровне текущих цен недостаточно. Для несистемных трейдеров лучшим может оказаться подход планирования сценария.
Теперь вы имеете представление как об эмпирических, так и параметрических методах, а также о некоторых гибридных методах поиска оптимального f. В следующей главе мы рассмотрим проблему поиска оптимального f (параметрическим способом) для случая, когда одновременно открыто несколько позиций.