Blog

Ujian balik (backtest) multi-timeframe membocorkan masa depan melalui bar timeframe lebih tinggi yang sedang terbentuk, yang harga penutupan akhirnya belum wujud lagi. Anda tidak boleh mencapai keyakinan hanya dengan menyemak kod — ia perlu diuji. Kami mengulangi semula peraturan bar-tertutup bot langsung dengan tepat, kemudian membuktikan tiada kebocoran dengan ujian anjakan-masa-depan: ganggu setiap bar masa depan dan sahkan setiap isyarat serta dagangan masa lalu kekal sama tepat sehingga bit terakhir. 25/25 semakan pariti, dan ujian ini benar-benar berkesan.

Kelebihan GPU berbanding CPU tumbuh dengan saiz kelompok — 54.5x pada satu kombo setiap panggilan hingga 359.6x pada 61 dalam prapengiraan penunjuk pelbagai jangka masa kami — kerana sapuan kecil tidak dapat mengamortisasi overhead pelancaran kernel dan pemindahan. Kami menguraikan tajuk utama 167x kepada kemenangan algoritma 27x yang turut membantu CPU dan kemenangan perkakasan 6.2x, menunjukkan kelebihan sebenar GPU-berbanding-CPU-terbaik hanyalah 3.2x untuk jangka masa tunggal dan 6.2x untuk pelbagai jangka masa, dan memberikan panduan keputusan tentang berapa lebar sapuan perlu sebelum GPU berbaloi dibeli.

GPU Metal Apple tiada float64. Alih backtest tervektor kepadanya secara naif dan WMA prefix-sum yang menggoda itu melimpah fp32 — ralat relatif maksimum 211× — namun ia tetap berjalan dan memulangkan angka yang kelihatan munasabah. Penyelesaiannya bukan ketepatan lebih tinggi; ia adalah rumusan yang berbeza: konvolusi berjendela terus, selamat-fp32 sehingga 8×10⁻⁷ dan 55.9× lebih pantas daripada numba benang-tunggal. Perangkap itu, aritmetiknya, dan cara membuktikan anda tidak terjebak.

Carian drill-down / multi-fideliti (ASHA, successive halving, Hyperband) menyaring ribuan konfigurasi secara murah dan hanya menaikkan taraf konfigurasi yang terselamat kepada penilaian penuh yang mahal. Ini adalah pempercepatan yang tulen — tetapi ia runtuh secara senyap jika kedudukan pada fideliti rendah tidak sepadan dengan kedudukan pada fideliti tinggi. Kami mengukur korelasi kedudukan-fold: pada satu fold, Spearman ρ boleh serendah 0.03 (kedudukan hampir rawak), meningkat kepada 0.43, 0.67, 0.78, 0.91 apabila fold bertambah. Penyelesaiannya ialah satu pintu gerbang wajib — ukur ρ(murah, penuh) dahulu, dan naikkan secara automatik fideliti minimum kepada tahap pertama di mana ρ ≥ 0.5.

Apabila satu backtest itu murah, Sobol scrambled yang 'bodoh' menang dari segi throughput mentah — sampler pintar (TPE, CMA-ES, ASHA) menanggung cukai ask/tell Python yang menjatuhkan mereka 20x, jadi mereka menilai jauh lebih sedikit titik pada wall-clock yang sama dan kalah. Jadikan setiap penilaian mahal (multi-TF + lipatan walk-forward) dan titik persilangan itu berbalik. Kami mengukur kedua-dua rejim, dan sebab mengapa fideliti kedudukan-lipatan (fold-rank fidelity) (ρ@1 meningkat 0.03→0.43) adalah prasyarat untuk pruning memberi hasil.

Bukan semua parameter sama kosnya untuk dicari. Parameter sesebuah strategi terbahagi kepada paksi mahal (penunjuk — dikira semula merentasi keseluruhan siri) dan paksi murah (ambang keputusan — satu laluan O(n) ke atas isyarat prakira). Oleh sebab penunjuk invarian terhadap ambang, anda mengiranya sekali dan menyapu beribu-ribu konfigurasi ambang pada ~5,600 cfg/s — kira-kira 1,600x lebih murah daripada mengira semula bagi setiap konfigurasi. Satu penilaian harga semula terhadap sumpahan kedimensian.

Kami menanda aras lapan enjin backtest pada satu sapuan parameter yang sama — 150k bar, 80 kombinasi silang HMA, pariti kiraan dagangan dikunci pada 2707. Dua daripada rangka kerja dipacu peristiwa yang paling popular ternyata lebih perlahan daripada gelung pandas yang ditulis tangan, manakala enjin tervektor/terkompil menjalankan kerja yang sama ~13,000× lebih pantas. Satu kajian tentang overhed per-bar yang pustaka popular memang tidak pernah dibina untuk melunaskan.