Genetica


Tramite questo tipo di ottimizzazione è possibile trovare i parametri ottimali nei vari periodi in-sample attraverso un meccanismo di riproduzione che è molto simile a quello che avviene in natura.


Avvaliamoci di questa semplice rappresentazione grafica:



Come si può vedere dall'esemplificazione, le migliori due combinazioni di ciascun ciclo di ottimizzazione (elemento 1 ed elemento 2) vengono incrociate fra di loro generando una combinazione di parametri ibrida e figlia delle due combinazioni a monte (elemento 3 nell'esempio). Questa combinazione avrà parte dei parametri dell'elemento 1 e parte dell'elemento 2.
Ma non finisce qui, in quanto nell'ambito del meccanismo di ottimizzazione genetica non ci si ferma all'adozione di questa nuova combinazione di parametri ibridi, ma si effettua un ulteriore passaggio (o messa in stress del test, come si suol dire); fra l'elemento 3 e l'elemento 4 è previsto infatti l'inserimento di una mutazione casuale in uno o più parametri al fine di simulare quanto avviene realmente in natura e nella biologia in generale. Tale mutazione casuale se da un lato può apparentemente ridurre le prestazioni del sistema durante l'applicazione out-of-sample (dal momento che si tratta di un elemento distorsivo e perturbante), d'altro lato fortifica enormemente la robustezza del test e della stessa equity line che ne deriva, specialmente se questa riesce a produrre buoni e stabili risultati nonostante questa interferenza random.
 

Privacy Policy  Cookie Policy