在策略參數優化時,如果無法得知參數集的目標函數分布,如何判斷參數是否穩健?

對於一個多參數,多時間框架,多市場的策略優化,其運算量是相當可觀的,窮舉法變得不太現實,替代的方法是使用一些Direct Search的方法,如遺傳演算法,模擬退火演算法,粒子群演算法等。然而,雖然這些演算法有較大概率得到最優值,但由於沒有遍歷全部參數集,使得我們很難判斷這個參數是否只是一個峰值或極端值,而不具備足夠的穩健特徵。我們如何既能快速找到最優參數,同時又能判斷參數本身是否穩健了?


參數與模型輸出的關係是否穩定平滑,這其實是一個鑑別模型好壞的一個很重要的依據。

在我有限的模型設計生涯里,如果遇到某個維度上有許多的局部極值,通常預示這個參數背後的假設有誤。

如果你發現模型的參數集合形成了一個多維的、有許多局部極致的域,那麼這個模型的假設很可能都錯了。

來值乎問我問題


參數是個筐,什麼都往裡裝。你的運算本來就是離線的,時間和快速性不應該成為主要考慮的因素。至於判斷參數穩健性的一般方法,梅騰天已經說得很完善了。當然,這是一般方法。如果題主要問「非一般」的方法。。。我也不知道。。。


網址,懶得引用了,題主見諒.

基於多目標優化策略的結構可靠性穩健設計

基於多目標優化策略的結構可靠性穩健設計


推薦閱讀:

結構化(多因子)風險模型中,怎樣理解因子暴露度,在實踐中如何得到它?
程序狗沒有金融學位申請Quant職位會遇到瓶頸么?

TAG:遺傳演算法 | 寬客Quant | 粒子群優化 | 量化交易 |