Phân tích và chỉ số

Bootstrap

Bởi Jarosław Wasiński (EN) • Đã xuất bản: 23 Th10 2026

Phương pháp ước tính bất định bằng lấy mẫu quan sát có hoàn lại nhiều lần từ mẫu sẵn có rồi tính lại thống kê như trung bình. Các ước tính thu được giúp mô tả biến thiên lấy mẫu. Bootstrap cơ bản ở mức quan sát cần giả định độc lập phù hợp; dữ liệu phụ thuộc có thể cần lấy mẫu theo khối. Nó không tạo khủng hoảng không có trong dữ liệu hay tự chứng minh lợi thế chiến lược.

Ví dụ. Mẫu [−1R, −1R, +2R] có trung bình 0R. Một mẫu bootstrap có thể là [−1R, +2R, +2R], trung bình 1R. Lần lấy mẫu lại đơn lẻ này minh họa cơ chế; không đủ tính khoảng tin cậy.

Cách hoạt động

Quy định thống kê, số lần lấy mẫu lại, phương pháp khoảng và hạt giống ngẫu nhiên. Khi lỗ thành cụm hoặc vị thế chồng lấn, lấy mẫu từng giao dịch có thể phá phụ thuộc liên quan. Bootstrap theo khối cần cơ sở cho độ dài và cách tạo khối.

Sai lầm thường gặp

Không coi nhiều mẫu lặp hơn là bộ dữ liệu thực lớn hơn. Lấy mẫu lại không sửa lỗi dữ liệu, chi phí bỏ khỏi kiểm thử lịch sử hay việc chọn mô hình tốt nhất bằng cùng lịch sử.

Tìm hiểu thêm

Trong khóa học: 15.4 Kiểm thử lịch sử và kiểm thử tiến về sau — phương pháp, bằng chứng và cạm bẫy; 15.9 Nhật ký Forex — bội số R, kỳ vọng, SQN và MAE/MFE. Nguồn: SciPy: bootstrap .

Kiểm tra mô phỏng

So độ ổn định qua các hạt giống và số vòng lặp, giữ phương pháp cố định. Ghi cách xử lý khối, khoảng trống và kết quả cực đoan. Nhiễu mô phỏng thấp không chứng minh mẫu đại diện thị trường tương lai.

Câu hỏi thường gặp

Bootstrap và Monte Carlo có đồng nghĩa không?

Không. Monte Carlo là nhóm phương pháp mô phỏng rộng hơn. Bootstrap có thể dùng mô phỏng ngẫu nhiên nhưng điểm xuất phát là mẫu thực nghiệm.

Một triệu mẫu lặp có phải một triệu giao dịch mới không?

Không. Chúng xử lý cùng mẫu thực nghiệm mà không thêm lịch sử thị trường mới.

← Quay lại bộ thuật ngữ đầy đủ