ΧΑΡΑΚΤΗΡΙΣΤΙΚΑ ΤΩΝ ΕΞΙΣΩΣΕΩΝ


Στα χρηματιστηριακά συστήματα, που χαρακτηρίζονται από περιορισμένα ιστορικά δεδομένα, θα πρέπει ένα υπολογιστικό μοντέλο πρόβλεψης να είναι χαμηλοδιάστατο, δηλαδή να μην περιλαμβάνει πάνω από δύο εξισώσεις.

Οι εξισώσεις πρέπει να υπόκεινται τους εξής σαφείς περιορισμούς :

α) Να δίνουν σημαντικό ποσοστό επιτυχίας.

Είτε σαν αναλογία κερδισμένων – χαμένων trades, είτε σαν ποσοστό κέρδους επί του επενδυμένου κεφαλαίου, είτε βέβαια και στα δύο.

β) Να δουλεύουν και σε bear και σε bull αγορά.

Ίσως η τάση που βρισκόμαστε τώρα, να διανύει σήμερα την τελευταία ημέρα της. Αν οι συναρτήσεις δεν προσαρμόζονται έγκαιρα στην νέα τάση που θα ανατείλει, το λάθος συμπέρασμα είναι αναπόφευκτο.

γ) Να αντλούν από ένα πολύ μικρό σύνολο τις αριθμητικές παραμέτρους που χρησιμοποιούν (κίνδυνος του over fitting).

Π.χ. ο δείκτης RSI μας δίνει 5.000 πιθανούς συνδυασμούς, αν έχουμε να διαλέξουμε ανάμεσα από 50 ημέρες Χ 100 μονάδες που είναι η κλίμακα του.
Μια εξίσωση με τόσους πολλούς συνδυασμούς πρέπει να χρησιμοποιείται μόνο ως βοηθητική. Από μόνη της είναι άχρηστη ως εργαλείο πρόβλεψης.

δ) Διασταύρωση αποτελεσμάτων με διαφορετικά κριτήρια.

Η επιτυχία σε ένα trade είναι περισσότερο εξασφαλισμένη όταν διασταυρωθεί η κίνηση από δύο ή παραπάνω διαφορετικές εξισώσεις.
Αν έχουμε 2 συστήματα δηλαδή, που μας δίνουν από 75% πιθανότητες να κερδίσουμε, είναι προτιμότερο από το να μας το πει ένα μόνο.

ε) Το σημαντικότερο κριτήριο είναι πως οι ίδιες προϋποθέσεις για κάθε σήμα εισόδου στην αγορά θα πρέπει να έχουν εμφανιστεί στο παρελθόν, σε ποσοστό περίπου 10% επί των εξεταζόμενων ημερών.

Δηλαδή σε μια περίοδο 2 ετών (500 συνεδριάσεις), να έχει εμφανιστεί τουλάχιστον 50 φορές, που σημαίνει κατά μέσο όρο 2-3 φορές κάθε μήνα).

Μόνο έτσι είμαστε σίγουροι πως έχει δοκιμαστεί σε όλες τις δυνατές κατευθύνσεις της αγοράς : σε ανοδική και σε καθοδική, σε μεγάλες διακυμάνσεις αλλά και σε ασήμαντες, σε περιόδους που η τάση είναι έντονη και σε άλλες που είναι αφανής.