多种可视化工具¶

FinOL 提供了一套可视化工具，以促进对数据驱动的 OLPS 研究进行全面评估。以下是一些例子：

损失可视化对于理解模型在训练和验证过程中的表现至关重要。它帮助识别过拟合和欠拟合问题，从而更好地调整超参数。

可视化超参数优化过程可以提供不同参数如何影响模型性能的见解。这有助于选择最有效的参数以改善结果。

利润是交易的最终目标，因此 DCW 轨迹直接展示了方法随时间变化的累计收益。更高且更稳定的 DCW 曲线表明在长期内稳步积累利润的能力更强。

DMDD 可视化展示了一段时间内投资组合价值的最大回撤。这一指标对于评估与 OLPS 方法相关的风险至关重要，因为它突显了潜在的重大损失。通过分析 DMDD 轨迹，研究人员可以更好地理解不同 OLPS 方法的下行风险，从而做出更明智的风险管理和资本配置决策。

TCW 指标在现实交易成本下评估盈利能力。它通过根据每个周期的换手额扣除相应的成本来惩罚投资组合再平衡。较低的 TCW 表示由于增加的再平衡量而导致的性能恶化更大。通过考虑现实世界的摩擦，TCW 提供了一种实际评估，补充了数据驱动 OLPS 方法的原始盈利指标。

综合雷达图为 OLPS 方法的多个性能指标提供了可视化表示。通过在一个视图中展示这些指标，它允许对不同方法的优缺点进行轻松比较。这个可视化帮助研究人员快速评估哪些方法在特定维度上表现优异。