Противо трендовые модели на основе скользящих средних работали менее стабильно, чем модели следования за трендом. Многие из них демонстрировали меньшие убытки или даже некоторую прибыль в пределах выборки. Вне пределов выборки наблюдалась аналогичная картина, особенно в отношении модели на основе поддержки/сопротивления скользящих средних.
За исключением модели расхождения MACD, все осцилляторы приносили большие убытки. Почти всегда они работали хуже, чем случайные входы как в пределах, так и вне пределов выборки. Самой худшей была модель перекупленности/перепроданности RSI. В обеих частях выборки данных убытки при ее использовании были огромными, гораздо больше, чем ожидаемые убытки случайных входов.
С другой стороны, сезонные модели были однозначно лучше случайного входа. Хотя только одна из них дала реальную прибыль и в пределах, и вне пределов выборки, две из них были прибыльны вне пределов выборки, а убыток еще нескольких был гораздо меньше, чем ожидаемый убыток модели случайных входов.
Результаты простейшей лунной модели были неоднозначными. В пределах выборки большинство тестов показали убыток, который, тем не менее, был лучше ожидаемого убытка случайных входов. При этом модель на пресечении лунных средних была однозначно лучше случайного входа как в пределах, так и вне пределов выборки.
Хотя солнечные модели в пределах выборки работали лучше случайного входа, вне пределов выборки результаты были неоднородными и изменчивыми. Это также относится к моделям на основе циклов.
Впрочем, циклические модели при входе по лимитному приказу или по цене открытия в последние годы работали гораздо хуже, чем случайные входы. Как и в случае с моделями на основе пробоя, оптимизация здесь не играет роли; значимый уровень подгонки под исторические данные был обнаружен только в генетических моделях и нейронных сетях. Из- за огромного размера образца данных оптимизация одного двух параметров, необходимых для большинства моделей (за исключением генетической и нейронной сети) давала минимальный эффект вредной подгонки.
Как ни странно, модели на основе нейронных сетей довольно часто показывали неплохие (лучше случайных) результаты вне пределов выборки. В пределах выборки, естественно, эффективность нейросетей была потрясающей. Мы проводили коррекцию коэффициента корреляции, но и после коррекции корреляция оставалась значимой, сохраняя вне пределов выборки ощутимую реальную прогностическую ценность.
Результаты правил, разработанных с помощью генетических алгоритмов, были самыми лучшими. Великолепная эффективность, полученная в пределах выборки, сохранялась в длинных позициях и на данных вне выборки.
мЮВЮКН
