很多深度学习模型，会通过最大回撤来评估模型的风险控制能力，其中包括很多传统量化的也是用这个指标，当然量化金融领域有很多指标来评估风险控制能力！最大回撤其实是个不错的指标，它表示你的模型在不准的时候，最大能让你亏损多少！所以，有很多投资模型会在代码里加上止损的部分！从深度学习的角度来讲，我们是不赞成如此的！原因很简单，基本上如果你的系统会让你达到止损线而没有提出卖出信号，那么它是不合格的，不应该存在如此硬的止损代码，你需要修改的是你的整个系统！我们常见的模型评估参数还有夏普比率、索提诺比率等。那么这些所谓的最大回撤，夏普比率，索提诺比率是否能很好的评估模型的抗风险能力呢？答案还是在于模型的泛化能力！
如果你训练了一个LSTM的模型用于预测股价，你的最大回撤非常小，这让你非常开心，但是泛化能力怎么测试，有人说我实盘了6个月，我的模型非常好，我赚了20%的收益，今年虽然可以不用干了，我仍然想做到30%！在第七个月的时候，你的股票跌了50%！而你的模型没有任何反应，它仍然提示你持有！到第八个月的时候，你又亏掉了50%!你还应该相信你的模型吗？明显你的模型是不可靠的！大部分模型对股灾的响应非常滞后，导致基本上已经亏掉所有利润，甚至开始亏损。那么我们应该如何测试模型对股灾的泛化能力呢？很简单，在你的训练数据集里不要包括所有股灾的数据集，并把股灾的数据集做交叉测试！并且，你需要把模型对股灾的响应度最好的收敛作为你模型的参数！前面我们提到了，模型会多点收敛！你可能觉得它不工作，事实上在这多个收敛结果中，选取最好的作为你的预测参数是非常靠谱的！怎么来解释这个事情？我们可以理解为条条大路通罗马, 也可以理解为同一种内功驱动的不同招式！就像每个人炒股都有不同的章法！泛化能力是唯一的试金石。
这里我们讲的风险控制仅仅是从模型的角度来讲的，或者说从深度学习的角度来讲的，实际上我们需要一个风险控制系统，不仅仅从股票的OHLCV以及模型的收益来判断！我们一定是一个结合的系统，需要将宏观数据结合起来建立风控模型！但是我们仅仅在做简单的预测模型时去考虑到风险控制，这就已经能让我们收益更加稳定。
总体来说，这篇文章其实只有一个中心思想，风控，风控还是风控！你在构建系统的任何一个部分的时候，优先考虑的仍然是风险。风险控制是永远优先于利润的！先保住本金是所有投资的核心艺术！
请移步我的星球：AI量化(https://t.zsxq.com/RvfY37y) 星球限时免费，如需加入，请私信我获得免费邀请码！
零基础学习Python与深度学习应用请关注星球：Python与深度学习 https://t.zsxq.com/bUFayZ3
微信公众号：QTechAI
网友评论