Trading Strategy Optimization
매매 전략은 매매 컨셉, 아이디어, 과거 시장 움직임에 대한 관찰 등을 통해 개발되며, 매매 시스템으로 발전합니다.
일상생활에서도 어떤 작업을 원하면, 그 작업을 효율적으로 수행할 수있는 최적의 솔루션을 찾습니다.
그래서, 매매 전략을 개발할 때도 마찮가지로 현재 전략의 최적할 수 있는 솔루션인 시스템 최적화 이용합니다.
많은 실행가능한 입력변수의 조합을 테스트하여, 최적의 성과를 나타낸 결과 값을 도출해 냅니다.
|
What is strategy optimization?
전략 최적화는 정의된 기준으로 최적의 매개 변수에 대한 검색을 실행합니다. 전략 내 테스트하고자하는 변수의 범위를 지정하여 테스트해 볼 수 있습니다. 이로써, 과거 데이타에 기초한 입력값의 변화에 따른 성과변화를 확인할 수 있습니다. |
|
|
Extensive Choice of Optimization
Types
MultiCharts는 유전자 알고리즘 최적화 도구 뿐만 아니라, 강력한 전진분석 도구도 제공합니다. 각각의 옵티마이즈 타입은 특정 작업을 수행하는데 초점이 맞춰져 있어서, 장단점이 있습니다. 사용자는 각각 해당 기능별로 사용할 수 있고, 심층적인 전략 성과분석을 위해 조합하여 사용할 수도 있습니다. |
|
|
Exhaustive (Brute-Force) Optimization
Strategy optimization 은 좋은 매개 변수를 찾아줍니다.
사용자가 선택한 기준으로 테스트된 최고값으로 모든 잠재적인 조항들을 완벽하게 조사합니다 . |
|
사용자는 순이익을 극대화하거나, drawdown을 최소화하거나, 또는 적절한 거래 횟수의 결과를 갖는 변수를 찾을 수 있습니다. 최적화를 실행하는데 소요되는 시간은 테스트 입력변수에 따른 테스트 조합의 수에 비례합니다. 따라서, 변수의 개수, 변수별 테스트 범위 내 회수등에 따라 테스트 경우 수가 결정됩니다. 테스트 횟수가 많아질수록, 최적화 실행 시간은 늘어나게 됩니다.
최고의 입력변수를 찾기위해, 적당한 테스트 매개 변수와 테스트 범위를 지정하는 것이 중요합니다. 변수의 개수를 적절히하고, 구간 값도 전략에 맞게 정하여 테스트를 할 경우, 최적화 작업이 용이해 집니다. 또한, MultiCharts 최적화에서 사용 가능한 모든 CPU에 분산하여 연산을 하므로, 사용자 컴퓨터의 코어의 수가 많을수록 최적화 실행 속도도 빨라집니다. 이와 같이, 여러개의 CPU를 동시에 활용하여 연산하는 기법을 멀티 스레딩이라고합니다. |
|
Exhaustive optimization vs. Genetic optimization 전수 검사를 통한 최적화 vs. 유전자 알고리즘에 의한 최적화
각각의 최적화 방법에 따라 장단점이 있습니다. 사용자의 필요에 따라, 선택하여 최적화를 할 수 있습니다.
멀티 쓰레딩 기법을 사용하더라도, 전수검사를 통한 최적화 방법은 많은 시간이 소요됩니다. 전수검사를 통한 최적화 방법은 모든 경우의 수를 테스트 함으로써 정확한 최적의 값을 찾을 수 있다는 장점이 있습니다. 그러나, 테스트를 다 실행하기까지 너무 오랜 시간이 걸린다는 단점이 있습니다. 그렇게 때문에 실행 가능한 수준의 테스트를 함으로써 이러한 단점을 해결 할 수 있습니다.
일정범위를 변수를 지정해서 테스트를 하다보면, 부적절한 범위를 테스트하여 전체적인 숲을 보지 못하는 우를 범할 수 있습니다. Genetic optimization은 이러한 문제를 해결하기 위해 개발되었으며, 사용자에게 새로운 최적화 기법을 제공합니다. |
|
|
|
Optimization Report
최적화 보고서는 최적화 결과를 보여주며, 여러개의 기준에 의해 결과를 필터링 할 수 있습니다.
예를 들어, 수익금액 크며, 연속손실 금액은 작은 순으로 결과값을 보고 싶다면...
그림과 같이 1번째 정렬 기준에 Net Profit, 내림차순을 하고, 2번째 정렬 기준에 Drawdown, 오름차순으로 설정을 하면 됩니다. |
|
Custom Fitness Function Optimization
사용자는 전략 최적화를 위한 사용자 정의 검색 기준을 설정할 수 있습니다. 이와 같은 기능으로 1 가지 기준에 의한 결과값이 아닌 다수의 기준을 사용함으로써, 테스트 결과를 더욱 효율적으로 분석할 수 있습니다. 예를 들어, 매매 수익 금액이 최대이고, 연속 손실금액이 최적이며, 평균 손익 금액이 최대인 전략을 찾을 수 있습니다.
또한, 전수 검사를 통한 최적화 및 유전자 알고리즘에 의한 최적화에서 더 나아가,사용자 지정 함수를 이용하여 최적화를 실행할 수 있으며, 전략 포트폴리오 또한 백테스팅 가능합니다. |
|
|
|
3D Optimization Graphs
3 차원 최적화 그래프는 테스트 결과를 비주얼하게 확인할 수 있도록 해주며, 변수에 따른 성능 변화를 한눈에 파악할 수 있도록 도와 줍니다. 3 차원 최적화 그래프를 통해 robust한 변수 구간대를 확인 할 수 있으며, 이러한 기능을 통해 커브-피팅, 과최적화 여부를 확인해 볼수도 있습니다.
만약 파라미터의 작은 변화에도 성과가 급격하게 변화한다면, robust한 전략이라고 하기 힘듭니다. 기존에 최적화를 실행한 결과자료에 덧붙여서 분석할 수 있으며, 사용자가 찾아낸 최적값을 여러 테스트를 통해 확인해 볼 수 있습니다. |
예를 들어, 유전자 알고리즘을 이용한 최적화를 하거나, 전체 테스트 구간을 최적화한 값을 비교해서, 전략의 범용성을 평가해 볼 수 있습니다.
최적화 보고서상의 모든 기준항목을 가지고, 3차원 표면분석을 할 수 있습니다.
예를 들어, net profit, percent profitable, max drawdown 등과 같은 값을 분석 할 수 있습니다.
3차원 그래프상에 마우스를 올려놓으면, 입력값과 출력값이 표시됩니다.
