多種可視化工具¶

FinOL 提供了一套可視化工具，以促進對數據驅動的 OLPS 研究進行全面評估。以下是一些例子：

損失可視化對於理解模型在訓練和驗證過程中的表現至關重要。它幫助識別過擬合和欠擬合問題，從而更好地調整超參數。

可視化超參數優化過程可以提供不同參數如何影響模型性能的見解。這有助於選擇最有效的參數以改善結果。

利潤是交易的最終目標，因此 DCW 軌跡直接展示了方法隨時間變化的累積收益。更高且更穩定的 DCW 曲線表明在長期內穩步積累利潤的能力更強。

DMDD 可視化展示了一段時間內投資組合價值的最大回撤。這一指標對於評估與 OLPS 方法相關的風險至關重要，因為它突顯了潛在的重大損失。通過分析 DMDD 軌跡，研究人員可以更好地理解不同 OLPS 方法的下行風險，從而做出更明智的風險管理和資本配置決策。

TCW 指標在現實交易成本下評估盈利能力。它通過根據每個周期的換手額扣除相應的成本來懲罰投資組合再平衡。較低的 TCW 表示由於增加的再平衡量而導致的性能惡化更大。通過考慮現實世界的摩擦，TCW 提供了一種實際評估，補充了數據驅動 OLPS 方法的原始盈利指標。

綜合雷達圖為 OLPS 方法的多個性能指標提供了可視化表示。通過在一個視圖中展示這些指標，它允許對不同方法的優缺點進行輕鬆比較。這個可視化幫助研究人員快速評估哪些方法在特定維度上表現優異。