Blog

Çok zaman dilimli backtestler, henüz oluşmakta olan ve nihai kapanışı daha var olmayan bir üst zaman dilimi barı üzerinden geleceği sızdırır. Bu konuda güvene sadece kod incelemesiyle ulaşamazsınız — test etmeniz gerekir. Canlı botun closed-bar kuralını birebir yeniden üretiyor, ardından geleceği kaydıran bir probe ile sızıntı olmadığını kanıtlıyoruz: gelecekteki her barı bozup geçmişteki her sinyalin ve işlemin bit bit değişmediğini doğruluyoruz. 25/25 parite kontrolü ve probe'un gerçekten ısırığı var.

GPU'nun CPU'ya karşı üstünlüğü batch boyutuyla büyüyor — çoklu zaman dilimli gösterge ön hesaplamamızda çağrı başına tek kombinasyonda 54.5x'ten 61 kombinasyonda 359.6x'e — çünkü küçük bir tarama, kernel başlatma ve aktarım ek yükünü amorti edemiyor. Manşetlik bir 167x'i, CPU'ya da aynı şekilde yarayan 27x'lik bir algoritmik kazanç ile 6.2x'lik bir donanım kazancına ayrıştırıyoruz; gerçek GPU-en-iyi-CPU üstünlüğünün tek zaman diliminde yalnızca 3.2x, çokluda 6.2x olduğunu gösteriyoruz ve bir GPU'ya yatırım yapmaya değmesi için bir taramanın ne kadar geniş olması gerektiğine dair bir karar rehberi veriyoruz.

Apple'ın Metal GPU'sunda float64 yok. Vektörleştirilmiş bir backtest'i buna naif şekilde taşıyın ve cazip prefix-sum WMA fp32'yi taşırır — maksimum bağıl hata 211× — ama yine de çalışır ve makul görünen sayılar döndürür. Çözüm daha fazla hassasiyet değil; farklı bir formülasyon: doğrudan pencereli konvolüsyon, 8×10⁻⁷ hassasiyetiyle fp32-güvenli ve tek iş parçacıklı numba'dan 55.9× daha hızlı. Tuzak, aritmetik ve içine düşmediğinizi nasıl kanıtlarsınız.

Drill-down / çoklu sadakat araması (ASHA, successive halving, Hyperband) binlerce konfigürasyonu ucuza eler ve yalnızca hayatta kalanları pahalı tam değerlendirmeye terfi ettirir. Bu gerçek bir hızlanmadır — ama düşük sadakatli sıralama yüksek sadakatli olanla uyuşmadığında sessizce çöker. Fold-sıralama korelasyonunu ölçtük: tek fold'da Spearman ρ 0.03 olabiliyor (neredeyse rastgele sıralıyor), fold sayısı arttıkça 0.43, 0.67, 0.78, 0.91'e tırmanıyor. Çözüm tek bir zorunlu kapı — önce ρ(ucuz, tam) ölçün ve minimum sadakati ρ ≥ 0.5 olan ilk basamağa otomatik yükseltin.

Tek bir backtest ucuz olduğunda, aptal karıştırılmış Sobol ham verimde kazanır — akıllı örnekleyiciler (TPE, CMA-ES, ASHA) onları 20 kat geriye düşüren bir Python ask/tell vergisi öder, bu yüzden eşit duvar saatinde çok daha az nokta değerlendirir ve kaybederler. Her değerlendirmeyi maliyetli hale getirin (multi-TF + walk-forward katları) ve kesişme noktası tersine döner. Her iki rejimi de ölçtük, ve kat-sıralama sadakatinin (ρ@1'in 0.03'ten 0.43'e yükselmesi) neden budamanın karşılığını vermesi için bir ön koşul olduğunu da.

Tüm parametrelerin arama maliyeti aynı değildir. Bir stratejinin parametreleri pahalı bir eksene (göstergeler — tüm seri üzerinde yeniden hesaplanır) ve ucuz bir eksene (karar eşikleri — önceden hesaplanmış sinyaller üzerinde O(n) bir geçiş) ayrılır. Göstergeler eşiklerden bağımsız olduğu için onları bir kez hesaplar ve binlerce eşik konfigürasyonunu ~5,600 cfg/s hızıyla tararsınız — her konfigürasyonda yeniden hesaplamaya göre kabaca 1,600x daha ucuz. Boyutluluk lanetinin yeniden fiyatlandırılması.

Sekiz backtest motorunu tek ve aynı parametre taramasında kıyasladık — 150k bar, 80 HMA kesişim kombinasyonu, işlem sayısı paritesi 2707'de kilitlendi. En popüler olay güdümlü çerçevelerden ikisi, elle yazılmış bir pandas döngüsünden daha yavaş kaldı; buna karşın vektörleştirilmiş/derlenmiş bir motor aynı işi ~13,000× daha hızlı çalıştırdı. Popüler kütüphanelerin amorti etmek için asla tasarlanmadığı bar başına ek yükün bir incelemesi.