《超越技术分析》 作 者：图莎尔·钱德

系统最优化的问题是过去的价格形态不会在将来以完全相同的 方式重复出现。市场间的相关性也是如此。尽管在历史数据上可以 看出较大范围的相关性，但是事件间的时间滞后，以及相关性所造 成的影响程度是不同的。

我们还必须解决其他一些矛盾。例如，我们必须选择用来优化 交易系统参数值的时间周期。我们很快便会发现，这些参数的值取 决于测试月期的长度。我们还必须决定以后隔多长时间重新对系统 进行最优化，并规定最优值的有效期。 

例如，我们可以决定使用3年的历史数据来优化自己的系统，并 在3个 月后重新计算。于是，一种方案就是在3个 月后用最新的可获 得的3年数据重新优化。这跟重新训练神经系统是一样的。如果我们 的确对系统做了重新优化，那么就必须决定怎么处理使用交易系统 前一套参数值而进入的交易。 

我们还必须决定是否在所有市场上使用相同的系统参数。如 果不是的话，就需要分别在每个市场上对系统最优化。在那种情况下，我们必须为自己交易的每个市场上的每个系统规定一套重复优 化和重复校准的程序。所有这些工作都值得吗?决定性的测试结果 都不支持交易者去寻找 “ 最佳 ” 或 “ 最优 ” 变量。 

看下面使用真实德国马克期货合约所做的测试。展期日 (rollover date)为 到期前一个月的21号 。为了简便，我们只交易一 份合约，滑移价差和佣金量是100美元，初始资金管理是1500美元。 我们使用移动平均交叉系统的一个改进版本，交易时间不是在交叉 时，而是在交叉后价格出现5日 突破时。因此，如果短期移动平均高 于长期移动平均，那么在高点之上的5日 突破会触发一个多头入场。 出场策略非常简单，在第20个交易日收盘时出场。这个任意指定的 交易系统，具有一个引人注目的特点，那就是短期移动平均和长期 移动平均的长度是可以最优化的。 

通过把短期移动平均的长度固定为收盘价的3日 简单移动平均 ， 我们将计算过程进行了简化。长期简单移动平均的长度在20~50日 之间变动，增量为5日 。测试周期从1983年11月 14日 到1989年11月 21 日。在观察各种模型的业绩时向未来延伸了 3、 6、 9和 12个 月。如表 3.6和表3.7所示，无法预测模型在将来一段时间会怎么样。相对等级 因周期不同而不同，没有任何的一致性。 

我们接下来测试一下这种假想：如果最优化周期接近实际交易 周期，预测将更具可靠性。然而，如表3.8和表3.9所示，仍然没有办 法可以预测在随后的周期中这种模型会发生什么。这应当是预料之 中的，因 为在我们的最优化模型和市场力量之间没有因果关系。而 且我们只是将模型拟合于历史数据，所以我们不能获取所有驱动市

场的基本面力量和心理力量。无以为奇，我们仅仅依靠历史数据来 预测将来的能力仍是比较蹩脚的。 

让我们进一步进行讨论。由于我们不能获取任何因呆关系 ， 所以在一个市场上进行的优化对其他市场作用很小甚至没有。如表 3.10所示，在一个交易市场(德国马克)上对系统最优化对于提高 其他市场业绩没有任何作用。

 任何最优化演练都有其潜在的益处。第一个益处就是对交易 系统不具获利性时的市场行情的认识。对于我们建立的任何规则 ， 都会发现产生亏损的市场运动。这是因为市场在触发了交易信号之 后，却向相反的方向运动。

第二个益处是理解模型背后的一般性思想。例如，我们可以测 试模型是在趋势市场中获利还是在无趋势市场中获利。我们在设计 这些规则具有获利性时，是假设市场处于特定的行情之中。优化练 习使我们检测自己的假设是否正确。