Ի՞նչ է Curve Fitting-ը (գերհարմարեցումը) թրեյդինգում
Curve fitting-ը, որը նաև կոչվում է գերհարմարեցում, թրեյդինգի ռազմավարությունը պատմական տվյալներին այնքան սեղմ հարմարեցնելն է, որ այն կրկնվող առավելության փոխարեն որսում է պատահական աղմուկը։ Արդյունքում backtest-ը հիանալի է ստացվում, իսկ իրական շուկայում ռազմավարությունը ձախողվում է, որովհետև կանոնները հարմարեցվել են անցյալին, ոչ թե շուկայի վարքագծին։
Տարբերությունը այստեղ իրական նշանակություն ունի։ Իրական առավելությունը նկարագրում է, թե ինչպես է գինն իրոք շարժվում․ հավասար high-երից վերև stop-երը կուտակվում են, ու գինը հաճախ նախ վերցնում է այդ liquidity-ն, հետո շրջվում։ Գերհարմարեցված կանոնների հավաքածուն նկարագրում է այն, ինչ արդեն տեղի է ունեցել կոնկրետ տվյալների շարքում․ «long միայն այն դեպքում, երբ sweep-ը լինում է երեքշաբթի, 9:52-ից 10:07-ի միջև»։
Առաջին մոտեցումը դիմանում է նոր տվյալներին։ Երկրորդը՝ ոչ, որովհետև անցյալի շահումները ստեղծած պայմանները պատահական համընկնում էին, ոչ թե պատճառահետևանքային կապ։
Սրան ենթարկվում են թե՛ հայեցողական, թե՛ մեխանիկական թրեյդերները։ Որքան շատ ես օպտիմալացնում՝ ավելի շատ պարամետրեր, ֆիլտրեր, «եթե սա եղավ, բաց թող» բացառություններ, այնքան ավելի լավ է երևում պատմական կորագիծը, բայց այնքան քիչ է այն ասում իրական առավելության մասին։ Թրեյդինգում curve fitting-ը հասկանալը տարբերությունն է այն համակարգի միջև, որը կարող է աստիճանաբար մեծացնել հաշիվը, և այն համակարգի, որը լուռ քայքայում է այն։
Ինչո՞ւ է տեղի ունենում Curve Fitting-ը
Գերհարմարեցումը հազվադեպ պատահար չէ։ Այն ցանկացած չվերահսկվող օպտիմալացման գործընթացի բնական արդյունքն է, որովհետև ծրագիրը միշտ կգտնի այնպիսի կարգավորումներ, որոնք համապատասխանում են իրեն տված նմուշին, այդ թվում՝ դրա աղմուկին։ Դրան սովորաբար բերում են չորս սովորություն.
- Չափից շատ պարամետրերի օպտիմալացում։ Յուրաքանչյուր ազատ փոփոխական՝ մուտքի տոկոս, ստոպի հեռավորություն, ֆիլտրի շեմ, նստաշրջանի պատուհան, համակարգին տալիս է անցյալը հիշողությամբ կրկնօրինակելու ևս մեկ աստիճան ազատություն։ Տասը պարամետրով կարելի է գրեթե ցանկացած կորագիծ հարմարեցնել։
- Լավագույն կարգավորումների ընտրություն միայն արդյունքից հետո։ Դու ստուգում ես 400 համադրություն, պահում ամենաբարձր եկամտաբերությամբ տարբերակը և մոռանում, որ 399-ը ձախողվել են։ Ընտրել ես ամենաբախտավոր կարգավորումը, ոչ թե ամենակայունը։
- Չափազանց քիչ տվյալների վրա ստուգում։ Երեք ամիս տևած bullish շարժման ընթացքում 40 գործարքի վրա հարմարեցված կանոնը սովորել է այդ ռեժիմը, ոչ թե շուկան։ Փոքր նմուշները գրեթե ամբողջությամբ աղմուկ են։
- Կանոններ ավելացնել՝ պատմական յուրաքանչյուր կորուստ ջնջելու համար։ Յուրաքանչյուր բացառություն, որը ավելացնում ես անցյալի կորցրած գործարքը բաց թողնելու համար, ռազմավարությունն ավելի կոշտ է կապում հենց այդ պատմության հետ և ավելի փխրուն դարձնում նոր տվյալների վրա։
Օգտակար մտավոր մոդել է ազատության աստիճանները համեմատել ապացույցի հետ։ Յուրաքանչյուր պարամետր և բացառություն մի ազատության աստիճան է, որը ռազմավարությունը կարող է ծախսել անցյալը հիշելու վրա, իսկ իսկապես չտեսնված նմուշում յուրաքանչյուր անկախ գործարք ապացույցի մեկ միավոր է։
Երբ ազատության աստիճանների թիվը մոտենում է գործարքների թվին, համակարգը կարող է հարմարեցվել գրեթե ցանկացած պատմության, և backtest-ը դադարում է տեղեկություն տալ։ Կայունությունը գալիս է այն ժամանակ, երբ ապացույցը զգալիորեն մեծ է այն ազատությունից, որը տվել ես կանոններին։
Դրա տակ թաքնված հոգեբանական պատճառը որոշակիության ցանկությունն է։ Հարթ, գրեթե կատարյալ եկամտաբերության կորագիծը անվտանգ է թվում, ու թրեյդերները սկսում են օպտիմալացնել հենց դրա ուղղությամբ՝ չհասկանալով, որ այդ հարթությունն ինքնին նախազգուշացման նշան է։ Ավելի վատ՝ օպտիմալացման ծրագիրը հաճույքով կստեղծի այդ հարթությունը, որովհետև ֆիքսված տվյալներին լավագույնս համապատասխանող կարգավորումները գտնելը հենց դրա գործն է։
ICT-ին հատուկ գերհարմարեցման թակարդները
ICT և Smart Money Concepts մոտեցումները հատկապես խոցելի են curve fitting-ի նկատմամբ, քանի որ շրջանակը հարուստ է հայեցողական բաղադրիչներով․ մուտքերը, ֆիլտրերը և կառուցվածքի ընթերցումը կարելի է հեշտությամբ ծռել՝ արդեն հայտնի գրաֆիկի արդյունքին համապատասխանեցնելու համար։
1. Մուտքի կանոնները անցյալի կառուցվածքներին չափից շատ հարմարեցնելը
Դու ուսումնասիրում ես շահած գործարքները և դրանցից հետադարձորեն կանոն հանում․ «Fair Value Gap (FVG) մուտքն աշխատում է, եթե gap-ի լրացումը վերցնեմ միայն 62.5%–ից 71.3% միջակայքում, երկրորդ մոմի վրա, երբ նախորդ swing-ը վերցրել է liquidity-ն»։ Այդ թվերը կարդացել ես հաղթող գործարքներից։ Դրանք նկարագրում են քո նմուշը, ոչ թե գնի շարժման մեխանիկան, և թարմ տվյալների վրա չեն պահպանվի։
2. Confluence-ը կուտակել այնքան, մինչև անցնեն միայն անցյալի հաղթողները
Ֆիլտր ավելացնելը խստություն է թվում, բայց յուրաքանչյուր նոր ֆիլտր ձագարը նեղացնում է դեպի այն կոնկրետ գործարքները, որոնց արդյունքն արդեն գիտես։ Եթե շարունակես շերտավորել Confluence-ի պայմանները՝ sweep, displacement, FVG, kill zone, օրական ուղղվածություն և SMT, մինչև պատմական բոլոր կորուստները ֆիլտրվեն, դու ճշգրտություն չես գտել։ Դու պարզապես արտագրել ես պատասխանների բանալին։
Իրական confluence-ը պետք է բարելավի սպասվող արդյունքը նոր տվյալների վրա, ոչ թե պարզապես կարգի բերի անցյալը։
3. Սկաները կամ ցուցիչը մեկ շուկայի և մեկ ժամանակահատվածի համար օպտիմալացնելը
Ցուցիչի հետադարձ հաշվարկի պատուհանը, ATR-ի բազմապատիկը կամ displacement-ի շեմը BTCUSDT-ի 2023 թվականի արդյունքը առավելագույնի հասցնելու համար կարգավորելու դեպքում ստանում ես այնպիսի պարամետրեր, որոնք հարմարեցված են հենց այդ մետաղադրամին, այդ տարվան և այդ տատանողականության ռեժիմին։ Անցիր EURUSD-ի կամ տատանվող եռամսյակի, և առավելությունը կվերանա, որովհետև պարամետրերը սովորել էին մեկ շուկայի աղմուկը։
4. Հայեցողական hindsight bias-ը replay-ի ժամանակ
Սա ամենալուռ թակարդն է։ Մոմերի replay-ի ժամանակ դու տեսնում ես, թե գինը ուր գնաց, հետո «գտնում» ես աշխատած Order Block-ը կամ կառուցվածքի break-ը և համոզում քեզ, որ իրական ժամանակում էլ կմտնեիր այդ գործարքի մեջ։ Դու սեփական տնային աշխատանքդ ստուգում ես՝ պատասխանները աչքիդ առաջ ունենալով։
Կառուցվածքն ակնհայտ է թվում միայն այն պատճառով, որ արդյունքն արդեն գիտես։ Եթե սա անես հարյուր replay մոմերի վրա, կկառուցես կանոնների հավաքածու, որը համապատասխանում է գրաֆիկի մասին քո իդեալականացված հիշողությանը, բայց ոչ մի ընդհանուր բան չունի իրական ժամանակի տվյալների հետ։
Քո ռազմավարությունը Curve Fit-ի ենթարկված լինելու նշանները
Գերհարմարեցումը հետքեր է թողնում։ Եթե backtest-ում սրանցից մի քանիսը կան, արդյունքին վերաբերվիր որպես կասկածելի, մինչև հակառակն ապացուցվի։
- Գրեթե կատարյալ եկամտաբերության կորագիծ։ Իրական առավելությունները կոտրտված են՝ ունեն drawdown-ներ, կորցրած գործարքների շարքեր և հարթ ժամանակահատվածներ։ Հարթ 45 աստիճանի գիծը սովորաբար նշանակում է, որ կանոնները հարմարեցվել են տվյալներին։
- Չափազանց փոքր նմուշ։ Մոտավորապես 100-ից քիչ գործարքը կամ միայն մեկ շուկայի ռեժիմ ընդգրկող ստուգումը ապացույց չէ, այլ աղմուկ՝ լավատեսական պիտակով։
- Շատ պարամետրեր և բացառություններ։ Հաշվիր ազատ փոփոխականներն ու հատուկ դեպքերի կանոնները։ Որքան շատ են դրանք, այնքան ավելի շատ է կորագիծը արտացոլում հարմարեցում, ոչ թե առավելություն։
- Out-of-sample արդյունքի կտրուկ վատացում։ Ամենահստակ նշանն է․ in-sample-ի ուժեղ արդյունքները փլվում են հենց այն պահին, երբ ստուգում ես այն տվյալների վրա, որոնցով ռազմավարությունը երբեք չէր հարմարեցվել։
Ամենահուսալի ստուգումը վերջին կետն է։ Կայուն ռազմավարությունը մոտավորապես նույն կերպ է աշխատում թե՛ ծանոթ, թե՛ չտեսնված տվյալների վրա։ Curve-fit ռազմավարությունը փայլուն է առաջինում և թույլ՝ երկրորդում։
Գործնական օրինակ․ In-Sample ընդդեմ Out-of-Sample
Պատկերացրու նույն գաղափարի երկու տարբերակ՝ նույն գործիքի վրա ստուգված։ Ստորև բերված թվերը օրինակային են և ցույց են տալիս օրինաչափությունը, ոչ թե կոնկրետ ուսումնասիրության արդյունք։
| Ռազմավարություն | Կանոններ / պարամետրեր | In-sample շահումների տոկոս | Out-of-sample շահումների տոկոս |
|---|---|---|---|
| Չափից շատ հարմարեցված | 9 պարամետր, 5 բացառություն, մեկ շուկա, մեկ տարի | ~80% | ~40% |
| Պարզ և կայուն | 3 պարամետր, առանց բացառությունների, մի քանի շուկա և տարի | ~52% | ~52% |
Չափից շատ հարմարեցված տարբերակը backtest-ում շատ ավելի լավ է թվում՝ 80% ընդդեմ 52%-ի, ու հենց դա է պահում անփորձ աչքը։ Բայց ծախսերը հաշվելուց հետո դրա out-of-sample ցուցանիշը նույնիսկ մետաղադրամ նետելու արդյունքից վատ է։ Կայուն տարբերակը տպավորիչ չէ, բայց հետևողական է՝ 52% in-sample և 52% out-of-sample։
Այս երկուսից միայն մեկն է գործնականում օգտագործելի, և դա տպավորիչ տեսք ունեցողը չէ։ Չտեսնված տվյալների վրա հետևողականությունը ամեն անգամ գերազանցում է in-sample-ի բարձր գագաթը։
Գործնական դասը սա է․ ռազմավարությունը գնահատիր իր ամենավատ ազնիվ ցուցանիշով, ոչ թե լավագույնս հարմարեցված արդյունքով։ Եթե out-of-sample շահումների տոկոսը in-sample-ից ցածր ընկնելու պահին դեն նետեիր չափից շատ հարմարեցված համակարգը, գուցե հաշիվդ կպահեիր։
Երկու սյուների տարբերությունը, ոչ թե առաջին սյան բարձրությունը, իրական չափումն է այն բանի, թե քո «առավելության» որ մասն է curve fitting, իսկ որը՝ ազդանշան։
Ինչպես խուսափել Curve Fitting-ից թրեյդինգում
Գերհարմարեցման ռիսկը զրոյացնել չես կարող, բայց կարգապահ գործընթացը այն կրճատում է շատ զգալի։ Աշխատի՛ր այս քայլերով՝ նշված հերթականությամբ։
- Օգտագործիր ավելի քիչ պարամետրեր և կանոններ։ Կայունը գերազանցում է կատարյալին։ Յուրաքանչյուր հեռացված փոփոխական մեկն է պակաս, որով համակարգը կարող է անցյալը հիշել։ Եթե կանոնը չի դիմանում պարզեցմանը, ամենայն հավանականությամբ այն աղմուկ էր։
- Ստուգիր մեծ նմուշի վրա՝ տարբեր ռեժիմներով։ Ընդգրկիր bullish, bearish և range պայմաններ, մի քանի տարի և մի քանի զույգ։ Առավելությունը, որը երևում է միայն մեկ ռեժիմում, այդ ռեժիմի նկարագրությունն է, ոչ թե իրական առավելություն։
- Պահիր out-of-sample տվյալներ, հետո արա forward test։ Պատմությունը բաժանիր․ մի մասով կարգավորիր կանոնները, իսկ մնացածի վրա գնահատիր դրանք՝ առանց որևէ փոփոխության։ Եթե արդյունքը պահպանվում է, սկսիր փոքր չափով և իրական շուկայում։ Իրական, չտեսնված տվյալներով forward արդյունքն այն միակ ստուգումն է, որի վրա շուկան չի կարող «արտահոսել» քո ռազմավարության մեջ։
- Walk-forward վավերացում։ Օպտիմալացրու շարժվող պատուհանի վրա, ստուգիր հաջորդ չտեսնված պատուհանը, առաջ շարժիր պատուհանը և կրկնիր։ Սա նմանակում է ժամանակի ընթացքում վերակարգավորումը և բացահայտում այն ռազմավարությունները, որոնք աշխատում են միայն ամբողջ պատմությունը միանգամից տեսնելու դեպքում։
- Նախընտրիր մեխանիկական կանոններ, որոնք հնարավոր չէ hindsight-ով աղավաղել։ Որքան ավելի օբյեկտիվ և կոդավորվող են մուտքերդ, այնքան դժվար է replay-ի ժամանակ ինքդ քեզ խաբելը։ Եթե կանոնը պահանջում է, որ «տեսնես» ճիշտ կառուցվածքը, այն կողմնակալության ենթակա է։
- Սպասիր, որ իրական արդյունքը backtest-ից վատ լինի։ Սահքը, spread-ը, բաց թողած մուտքերը և միջինին վերադառնալը բնականաբար վատացնում են արդյունքը։ Եթե backtest-ը ցույց է տալիս 60%, պլանավորիր իրականում 45–50%-ի շուրջ։ Եթե ռազմավարությունը գոյատևում է միայն backtest-ի թվի դեպքում, այն իրականում չի գոյատևում։
Bias-variance գաղափարը՝ պարզ լեզվով
Երկու ձախողման ձևերի միջև կա ճիշտ միջին կետ։ Չափից պարզ ռազմավարությունը չափազանց կոշտ է իրական օրինաչափությունը բռնելու համար, ու բաց է թողնում առավելությունը՝ բարձր bias։ Չափից բարդ ռազմավարությունը ծռվում է յուրաքանչյուր փոքր տատանման շուրջ, ներառյալ աղմուկը՝ բարձր variance, այսինքն՝ գերհարմարեցում։
Curve fitting-ը բարդության ծայրում է ապրում։ Նպատակը կայուն միջինն է․ բավականաչափ կառուցվածք՝ իրական վարքագիծը բռնելու համար, բայց այնքան քիչ, որ համակարգը չկարողանա պատահականությունը անգիր անել։
ICT-ի պաշտպանությունը․ replay՝ սառեցված աջ եզրով
Հայեցողական hindsight-ի դեմ ամենաարդյունավետ պաշտպանությունը ստուգման ընթացքում ապագան իսկապես անտեսանելի դարձնելն է։ Գրաֆիկի գործիքի մոմերի replay-ում թաքցրու ամեն ինչ որոշման մոմից աջ և գործարքի մասին որոշում ընդունիր՝ ուղղություն, մուտք, ստոպ, թիրախ, մինչև հաջորդ մոմը բացելը։ Գրանցիր արդյունքը, հետո առաջ շարժվիր։
Քանի որ արդյունքը չես տեսնում, չես կարող ընտրել այն Order Block-ը, որը «աշխատեց», կամ կառուցվածքը նորից նկարել՝ արդեն հայտնի արդյունքին համապատասխանեցնելու համար։ Այդպես replay-ը ինքնագովազդող վարժությունից վերածվում է ազնիվ նմուշի և դառնում ICT ռազմավարությունը ճիշտ ստուգելու հիմքը։
Սա համադրիր կանոնների վրա հիմնված ավտոմատ սկաների հետ, և կողմնակալության ևս մեկ շերտ կվերանա, քանի որ LiquidityScan-ի նման գործիքը կառուցվածքները հայտնաբերում է ֆիքսված չափանիշներով, ոչ թե այն բանի հիման վրա, ինչ դու հույս ունես տեսնել։
Սովորական սխալներ, որոնք գրեթե երաշխավորում են գերհարմարեցումը
- Ուղղակի backtest-ին օպտիմալացնելը։ Ամենաբարձր եկամտաբերությամբ պարամետրերի հավաքածուն իրական ռազմավարություն համարելը նշանակում է բախտի հետևից ընտրություն անել։ In-sample-ի լավագույն արդյունքը սովորաբար ամենաշատ հարմարեցվածն է։
- Out-of-sample ստուգումը բաց թողնելը։ Եթե պատմության յուրաքանչյուր գործարք ազդել է կանոնների վրա, դու չունես անկախ ապացույց, որ ռազմավարությունն աշխատում է։ Ունես միայն ապացույց, որ այն կարող է նկարագրել անցյալը։
- Կատարյալ եկամտաբերության կորագծին վստահելը։ Անթերի պատմական կորագիծը կարմիր դրոշ է։ Իրական առավելությունները անհարթ են։ Հարթությունը աղմուկին հարմարեցված ռազմավարության ստորագրությունն է։
Հաճախ տրվող հարցեր
Ո՞րն է տարբերությունը curve fitting-ի և օպտիմալացման միջև
Օպտիմալացումը ողջամիտ պարամետրերի ընտրությունն է, իսկ curve fitting-ը չափից շատ հեռացած օպտիմալացումն է, երբ կարգավորումները հարմարեցվում են նմուշի աղմուկին, ոչ թե իրական օրինաչափությանը։ Գործնական ստուգումը out-of-sample արդյունքն է․ առողջ օպտիմալացումը պահպանում է արդյունքը չտեսնված տվյալների վրա, իսկ curve fitting-ը փլվում է։ Որքան շատ պարամետր ես կարգավորում, այնքան բարակ է դառնում դրանց միջև սահմանը։
Որքա՞ն տվյալ է պետք գերհարմարեցումից խուսափելու համար
Ֆիքսված թիվ չկա, բայց ձգտիր ունենալ այնպիսի մեծ նմուշ, որը ներառում է շուկայի մի քանի ռեժիմ՝ սովորաբար մի քանի հարյուր գործարք bullish, bearish և range պայմաններում, մի քանի տարի և մեկից ավելի գործիք։ Կանոնը, որն աշխատում է միայն մեկ ռեժիմում կամ կարճ պատուհանում, գրեթե անկասկած հարմարեցված է հենց այդ ժամանակահատվածի աղմուկին։
Կարո՞ղ է հայեցողական ICT թրեյդինգը գերհարմարեցվել
Այո, և դա ավելի դժվար է նկատել։ Հայեցողական թրեյդերները գերհարմարեցնում են replay-ի ժամանակ hindsight-ի միջոցով՝ նշելով այն կառուցվածքը կամ Order Block-ը, որը աշխատեց, որովհետև արդյունքն արդեն հայտնի է, և կուտակելով confluence-ի ֆիլտրեր, մինչև անցնում են միայն անցյալի հաղթողները։ Սառեցված աջ եզրով replay-ը և մեխանիկական մուտքի չափանիշները հիմնական պաշտպանությունն են։
Ինչո՞ւ է իմ ռազմավարությունն աշխատում backtest-ում, բայց ձախողվում իրական շուկայում
Սովորական պատճառը curve fitting-ն է․ կանոնները ձևավորվել են անցյալի տվյալներով և չեն ընդհանրացվում։ Երկրորդական պատճառներն են իրական շուկայական շփումները՝ սահքը, spread-ը և բաց թողած մուտքերը, ինչպես նաև միջինին սովորական վերադարձը։ Ակնկալիր, որ իրական արդյունքը backtest-ից ցածր կլինի, և դիրքի չափը մեծացնելուց առաջ ստուգիր ռազմավարությունը out-of-sample ու forward տվյալների վրա։
Կապակցված որոնման ուղղություններ
Գերհարմարեցումը ստուգման խնդիր է, ու հաջորդ քայլերը պետք է լինեն ազնիվ ստուգումը, արդյունքների ճիշտ ընթերցումը և երկարաժամկետ առավելության կառուցումը։ Դիտարկիր դրանք այս հերթականությամբ։
- Ինչպես ճիշտ backtest անել ICT ռազմավարության համար՝ ամբողջական, կողմնակալությանը դիմակայող ստուգման գործընթացը, որին վերաբերում են այս հոդվածի նախազգուշացումները։
- Ինչպիսին է շահութաբեր թրեյդերի եկամտաբերության կորագիծը՝ իմացիր, թե ինչու է իրատեսական, անհարթ կորագիծը ավելի լավ, քան կասկածելիորեն կատարյալը։
- Արդյո՞ք Order Block-ները դեռ աշխատում են․ տվյալների վրա հիմնված շրջանակ 2026-ի համար՝ ինչպես գնահատել գաղափարի առավելությունը ապացույցներով, ոչ թե մեկ հարմարեցված արդյունքով։
- ICT թրեյդինգի օրագրի ձևանմուշը, որով պրոֆեսիոնալները կառուցում են առավելություն՝ հետևիր իրական և backtest արդյունքների տարբերությանը՝ գերհարմարեցումը վաղ նկատելու համար։
- Ռիսկի կառավարման 5 սխալ ICT թրեյդինգում՝ հաշվի մակարդակով այն սխալները, որոնք ավելի են խորացնում փխրուն, curve-fit համակարգի վնասը։
- Ինչպես գտնել քո առավելությունը ICT թրեյդինգում․ մասնագիտացման շրջանակ՝ կառուցիր կայուն, կրկնվող առավելություն, ոչ թե տվյալներին հարմարեցված համակարգ։
- FOMO-ն թրեյդինգում․ ինչու ես հետապնդում մուտքերը և ինչպես հաղթահարել դա՝ FOMO-ով թրեյդինգի հարակից դիտանկյունը։
- Ինչպիսի տեսք ունի պրոֆիտային թրեյդերի equity curve-ը — Հաջորդը՝ հասկացիր, թե ինչպես է իրական edge-ը արտահայտվում շահութաբերության կորում։