Optimisation séquentielle

L'optimisation séquentielle est une nouvelle méthode d'optimisation disponible à la fois comme nouveau type d'optimisation et comme nouveau contrôle dans StrategyQuant X 132.

Comment cela fonctionne-t-il ?

Supposons que nous ayons une stratégie avec 5 paramètres : Param1, Param2, Param3, Param4, Param5.

L'optimisation standard utilise la force brute ou l'optimisation génétique pour passer en revue toutes les combinaisons possibles de valeurs pour ces cinq paramètres et utilise la variante ayant la meilleure aptitude.

Problèmes d'optimisation standard

1. Conduit facilement à un surajustement
   La meilleure variante est choisie en fonction de l'aptitude, mais il ne peut s'agir que d'une valeur aberrante qui correspond aux données fournies, et non d'une région stable. Il est également impossible de définir ce qu'est une région stable si l'on optimise en fonction de plus de deux paramètres à la fois.
2. Elle peut être lente ou ne pas couvrir tout l'espace des paramètres. si de nombreux paramètres sont optimisés
   Si chacun de vos cinq paramètres a 100 valeurs possibles, il y a 100 x 100 x 100 x 100 x 100 combinaisons possibles.

Comment fonctionne l'optimisation séquentielle ?

De manière séquentielle. Il optimise ces cinq paramètres en cinq étapes, l'une après l'autre.

Le processus d'optimisation séquentielle se déroule donc comme suit :

Étape 1 - le premier paramètre Param1 est optimisé.
Les autres paramètres sont laissés à leur valeur initiale.
Le résultat est la valeur optimale (la plus stable) de Param1

Étape 2 - le deuxième paramètre Param2 est optimisé.
Il utilise la valeur optimale pour Param1 (calculée dans l'étape précédente, les autres paramètres sont laissés à leurs valeurs initiales.
Le résultat est la valeur optimale (la plus stable) de Param2.

Étape 3 ...
Étape 4 ...

Étape 5 - le cinquième paramètre Param5 est optimisé.
Il utilise la valeur optimale pour Param1, Param2, Param3, Param4 calculée dans les étapes précédentes.
Le résultat est la valeur optimale (la plus stable) de Param5, qui complète l'optimisation des cinq paramètres.

Comment la valeur stable d'un paramètre est-elle choisie ?

Une autre différence majeure par rapport à l'optimisation standard est la manière dont le processus d'optimisation choisit la valeur optimale du paramètre à chaque étape.

Au lieu de choisir la variante ayant la meilleure aptitude, il choisit la variante qui se trouve au milieu de la meilleure zone stable telle que définie dans la configuration.

La zone stable est la zone où le nombre défini de résultats n'est pas inférieur à % de la meilleure aptitude de cette région.

Il choisit ainsi la valeur stable, et non la meilleure.

Que se passe-t-il si la zone stable n'est pas trouvée ?

Il peut arriver qu'aucune zone stable ne soit trouvée pour un paramètre spécifique. Dans ce cas, la valeur originale est utilisée.

Ce principe est également utilisé dans la nouvelle vérification croisée : si aucune zone stable n'est trouvée pour un pourcentage donné des paramètres, la stratégie est refusée.

Note - Dépendance à l'égard des paramètres originaux

Notez que le processus d'optimisation n'optimise qu'un seul paramètre à la fois - par exemple, à l'étape 1, seul le paramètre 1 est optimisé et les autres paramètres utilisent les valeurs d'origine.

Cela signifie que le résultat de ce type d'optimisations dépend également des valeurs originales.

Il est possible que le résultat de l'optimisation à chaque étape (ainsi que la zone stable et la valeur choisie qui en résultent) soit différent si des valeurs originales différentes sont utilisées au départ.