Cómo dividir Properfectamente los datos para el desarrollo de estrategias

La mayoría de las estrategias de negociación no fracasan por una mala lógica.
Fracasan debido a mala división de datos.

Una estrategia puede parecer impecable en las pruebas retrospectivas. Curva de renta variable suave. Factor de beneficio elevado. Reducción mínima.
¿Pero una vez desplegado en vivo? Se colapsa.

¿Por qué?

Debido a que fue entrenado en todo.

En este vídeo, desmenuzo la forma correcta de estructurar los datos a la hora de crear estrategias, para que realmente las entiendas:

• Qué En la muestra representa realmente

• Cómo Validación en la muestra difiere de Fuera de Muestra

• Por qué Verdadero fuera de muestra es la prueba de robustez más potente

• Cómo evitar el sesgo oculto en la optimización genética

• Cómo configurar las divisiones de datos en función de los regímenes de volatilidad

• Por qué basarse en menos datos puede crear estrategias más sólidas

También aprenderás:

• Cuántos datos reservar para Fuera de Muestra

• Evaluar la OOS durante la generación o después

• Cómo establecer condiciones de validación realistas

• Por qué la mayoría de los operadores se sobreajustan sin saberlo

Si quiere estrategias que sobrevivan a condiciones de mercado imprevistas -no sólo que parezcan buenas en las pruebas retrospectivas-, esto es esencial.

El objetivo es sencillo:
Construir sobre datos limitados. Validar en lo que la estrategia nunca ha visto.

Vea el vídeo completo y aprenda a estructurar sus datos de forma profesional.