Одна из наиболее вероятных причин использования оптимизации состоит в том, что она помогает найти наилучшие параметры системы за определенный исторический период на рынке. Простым примером может послужить проверенный и надежный способ торговли, основанный на простом пересечении скользящих средних. Например, если 10-дневное скользящее среднее пересекает 40-дневное скользящее среднее снизу вверх, то вы покупаете. Если 10-дневное скользящее среднее пересекает 40-дневное скользящее среднее сверху вниз, то вы продаете. Эта система имеет три параметра. Первый - это период краткосрочной скользящей средней. Второй - период более долгосрочной скользящей средней. Третий - это тип скользящей средней, который вы используете. Предположим, каждый из этих трех параметров определен: продолжительность краткосрочной скользящей средней - 10 дней, долгосрочной скользящей средней - 40 дней, а тип скользящей средней, которую вы используете, - простая1 (в отличие от смещенной, взвешенной, или экспоненциальной2).
Если мы применим этот метод к ежедневному графику цен рынка бондов за последние пять лет, то получим следующие показатели:
Чистая прибыль $29.000
Число торгов 32
Число выигрышей 12
Число убытков 20
% выигрышей 37,5%
Средний выигрыш $5.200
Средний убыток $ 1.700
Средняя торговля $906
Коэффициент выигрыш/проигрыш 3,08
Наибольшее падение капитала $11.593
Это основная статистика. В общем, картина не самая блестящая, но вполне солидная. Однако эти показатели не базируются на оптимальных параметрах. Что произойдет, если мы пожелаем произвести оптимизацию параметров, чтобы получить максимальную прибыль? Тогда мы должны оптимизировать все три параметра одновременно, чтобы установить их наилучшую комбинацию. Поэтому я протестировал разные значения для скользящих средних с периодом от 4 до 19с приращением в 1. Для долгосрочной скользящей средней были испытаны числа от 20 до 50 с приращением 1. Каждый из этих тестов затем был проверен для различных видов скользящих средних: простой, смещенной, экспоненциальной и взвешенной.