我正在优化算法策略。在从众多优化策略中进行选择的过程中，我正处于搜索（评估）策略稳健性的阶段。
遵循 Pardo 博士在第 231 页中的“交易策略评估”一书中的指导方针，Pardo 博士建议在数字 3 中将以下比率应用于优化数据：
" 3. 所有盈利模拟的总利润除以所有模拟的总利润的比率显着正"
问题：从优化结果来看，我无法正确理解 Pardo 先生所说的“......所有模拟都非常积极”是什么意思；Pardo 先生所说的“非常积极”是什么意思？
a.) 置信度为 95%？b.) 具有一定的 p 值？c.) 每个模拟的平均净利润减去它的标准差的关系
尽管这句话可能看起来“简单”，但我真的很想了解 Pardo 先生所说的意思以及如何计算它，以便过滤最强大的算法策略。
分析算法模拟的优化配置文件的目的是能够过滤稳健的策略。
因此，该比率应该有助于我们发现模拟结果是否在正确的轨道上。
所以，我们想对我们的结果施加一些“惩罚”，这样我们就可以从那些可疑（不稳健）的结果中选择稳健的案例。
我得出了以下惩罚措施（在 Pardo 先生的书中和其他来源中找到）。
a.) 我们可以使用市场回报（年度价值）作为基准，因此所有结果低于该水平的模拟都可以排除在我们的分析之外，
b.) 一些其他基准来区分那些“稳健”的结果和那些更“可疑”的结果（例如，对每个结果推导一个标准偏差）
根据 (a) 和 (b)，我们可以创建比率：
所有盈利模拟的总和除以被认为稳健的盈利结果
该比率应大于或等于 1。
如果该比率等于 1，则意味着我们的模拟结果给出了有趣的结果（我们正在分析该比率的正值，但盈利结果也应始终与负结果进行比较）。
如果比值大于 1，那么我们还没有达到可能的场景，应该将结果与其他测试进行比较以进行优化。
在模拟交易算法时，没有任何结果是绝对的，而是部分的，它的价值与我们对算法的期望有关。
如果有人有更好的解释或想法或概念，您可能会觉得有趣，请分享，我很乐意阅读。
向所有人致以最诚挚的问候。
恕我直言（发表于 2008 年），稳健性一词有其自身的含义，当且仅当该声明还阐明了在哪些特定方面测量稳健性以及针对哪些现象对其进行暴露和测试被测模型的响应（针对什么样的干扰——类型和规模——被测模型应保持其稳健的行为，其测量值在测试之前被定义和量化）。
在任何情况下，如果没有定义这种健壮性的上下文，材料，无论是用任何粗体名称印刷，听起来——请原谅我用简单的英语说——就像公关故事，过度炒作-zine 标题或类似付费广告。
严肃的定量模型评估，如果一个人努力执行优化（关于某些定义的定量目标），则更需要对主题有更透彻的了解，而不是公理化地发布一个微不足道的“必备”命令
large-average && small-HiLo-range && small StDev.
任何严肃的量化建模工作，如果不只是破坏深度参数空间扫描所消耗的数十万 CPU核心小时，则应在主要 TruTrading 策略子空间的任一维度中纳入严肃的参数化决策 - -
{ aSelectPOLICY, aDetectPOLICY, anActPOLICY, anAllocatePOLICY, aTerminatePOLICY }
如果不这样做，要么会削弱模型，要么会导致盲目相信，很难猜测前者或后者是否是两个 Quant 罪中更大的一个。
该书指出，没有任何努力证明该结构，即：
The more robust trading strategywill have an optimization profile with a: 1. Largeaverageprofit 2. Small maximum-minimumrange3. Small standarddeviation
现在请花点时间查看这个被测模型的 4D 动画视图（其可视化被缩减为四个维度，以便于视觉感知），但以上都不成立。
<aMouseRightCLICK>.openPictureOnAnotherTab to see full HiRes picture details
基于当代最先进的自适应资金管理实践，这是不正确的，无论是由于参数化不良（因此人为地将模型引入 aParamSetVectorSPACE 的相当“平利润”子空间）还是由于实施有史以来最强大的利润助推器的主要错误概念或不良实践（包括缺乏实践） - 非常资金管理模型子空间。
第 1 项变得微不足道。
与所述假设相反，第 2 项的工作是正确的。
由于上面的 1 和 2，第 3 项只能产生相反的结果。