Поиск с приоритетом шагов

Поиск с приоритетом шагов сканирует в одно время одну переменную, а выбранное значение сохраняется постоянным для каждого из следующих сканирований, в целях снижения отрицательного воздействия на эффективность. Рассмотрим предыдущий тестовый набор из 4 переменных:

МА1 от 1 до 15 с шагом 1 =15 шагов
МА2 от 5 до 101 с шагом 2 = 49 шагов
VB1 от 0 до 500 с шагом 10 = 51 шаг
VB2 от 0 до 500 с шагом 10 =51 шаг

То, что по временным затратам делало решетчатый поиск непригодным для проведения данного теста, то для метода поиска с приоритетом шагов вполне по силам. Тестовый прогон будет состоять всего из 166 тестов (15+49+51+51=166), а это совсем другое дело. Как это делается? И в чем недостаток этого метода?

Первая переменная считается наиболее важной и сканируется первой, при постоянных значениях каждой из трех остальных переменных. Константы для трех других переменных могут выбираться случайно или априорно. Так называемый «серединный» подход использует в качестве констант середину каждого диапазона сканирования. Первое сканирование будет таким:

В первом сканировании все возможные значения МА1 оцениваются при постоянных значениях МА2, VB1 и VB2. Каково значение допущения, что МА1 является самой важной переменной? Первый тест будет определять оптимальное значение МА1, которое затем будет сохраняться постоянным в последующих сканированиях второй, третьей и четвертой переменной.

Например, допустим, что первый шаг этого теста определил топ-модель со значением МА1, равным 5. Следующий шаг, сканирование второй переменной, будет проводиться с помощью следующих комбинаций:

Это сканирование, в свою очередь, определит оптимальное значение для МА2. Это оптимальное значение, например, 29, в дальнейшем будет использовано в третьем и четвертом сканированиях.

Два преимущества поиска с приоритетом шагов — скорость и оценка относительного влияния каждой переменной. Наиболее значимая переменная модели — та, которая оказывает наибольшее влияние на эффективность. Допустим, что сканирование МА1 дало следующие результаты:

В этом же тесте сканирование VB1 дает следующие прибыли и убытки:

Различные значения МА1 привели к серьезному изменению прибылей и убытков, в то время как различные значения VB1 привели к небольшим изменениям. Вывод из этого — в данной модели МА1 является более значимой переменной, чем VB1.

Это может привести к двум следствиям. Возможно, полосы волатильности (volatility bands) слабо помогают данной торговой модели. Возможно, их можно убрать. При разработке модели действует принцип «меньшее-лишнее». Безусловно, учитывая небольшое изменение, которое давали разные значения переменной VB1, нет достаточных причин проводить более глубокий поиск. Учитывая небольшое число тестов, требуемых для выполнения этого поиска, затраты на него невелики.

С другой стороны, недостаток скрупулезности, вызываемый очень ограниченным диапазоном поиска с приоритетом шагов, в некоторых случаях может оказаться большим недостатком, особенно если при пошаговом поиске обнаруживается, что каждая переменная существенно влияет на эффективность.