Quiz połączony z przewodnikiem · Średni Poziom

Sztuczna inteligencja w quizie dotyczącym handlu algorytmicznego

Przejrzyj niepewność wolumenową badania VWAP, symulację NYSE, poślizg cen, weryfikację chronologiczną i ograniczenia wyników analizy historycznej.

Powiązane ścieżki prowadząceAI w handlu algorytmicznym
Pytanie 1 z 8

Czym jest „overfitting” w kontekście modeli handlowych?

Podgląd każdego pytania8 pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

  1. Czym jest „overfitting” w kontekście modeli handlowych?
    • Model, który pasuje do szumu historycznego i zawodzi w przypadku danych bieżących
    • Handel zbyt wieloma akcjami na raz
    • Używanie zbyt dużej ilości pamięci komputera
    • Kupowanie przecenionych akcji
  2. Jaki jest główny cel algorytmów wykonawczych, takich jak VWAP i TWAP?
    • Aby przewidzieć przyszłoroczne ceny
    • Aby realizować duże zamówienia, minimalizując wpływ na rynek
    • Do szyfrowania danych handlowych
    • Aby wyeliminować całe ryzyko
  3. Dlaczego dane dotyczące rynku finansowego określane są jako „niestacjonarne”?
    • To nigdy się nie zmienia
    • Jest przechowywany w jednym miejscu
    • Jego wzorce statystyczne zmieniają się w czasie
    • To zawsze wzrasta
  4. What uncertainty did Busseti and Boyd incorporate into their VWAP execution model?
    • A guaranteed future price for every share
    • A perfect forecast of market-wide returns
    • A signal that removes transaction costs
    • Imperfect knowledge of total market volume during the execution schedule
  5. What data did the cited VWAP execution study use for its simulation validation?
    • Real NYSE market data
    • A guaranteed future price for every share
    • Only synthetic data from a single stock
    • A set of central-bank press releases
  6. What result did Busseti and Boyd report for their simulated VWAP solution?
    • A guaranteed 10% trading profit for every investor
    • A 10% reduction in VWAP-deviation RMSE versus the standard static solution
    • A 10% reduction in losses for every market regime
    • Zero slippage under all order sizes
  7. Why use chronological train and test splits for trading models?
    • To ensure every period has identical prices
    • To increase the number of assets
    • To reduce leakage from future market information into past predictions
    • To remove transaction costs automatically
  8. Why include transaction costs and slippage in a backtest?
    • They always improve returns
    • They are only relevant for HFT
    • They replace out-of-sample testing
    • They can materially change whether a signal is economically usable