Algorithmische und mechanische Forex Strategien | OneStepRemoved

Was ist los?

von 9 Kommentare

Es wurde einen holprigen Monat definitionsgemäß. Wir haben eine Menge Geld im Gefolge der Fed-Ankündigung des letzten Monats, only to give it all back the next week. QB Pro recovered most of the earlier gains, then last week’s drawdown took it all back again. It’s been painful.

The good news is that the new changes to QB Pro are rolled out. Several of you sent in emails asking about new currencies like GBPNZD and AUDCAD appearing in your account. Kudos to you for paying close attention to the trading.

The total currencies traded in the basket is up to 16 pairs. While the max leverage is unchanged at 36:1 (still very, very high), the leverage per pair is only 2.25:1. Future losses like the one from last week will still occur.

The difference is that the size of the positions is reduced by over 2/3. The impact of getting caught in losing trades that are all reflective of USD weakness decreases significantly. We’re now trading a mix of AUD, CAD, CHF, EUR, GBP, JPY, NZD, USD and XAG. No one currency should dominate the performance.

The system also does extremely well on emerging market currencies. I’m holding off on adding RUB, MXN and others until I determine the impact of the spreads on overall profitability. They’d do amazing if we could trade for free!

Short term performance expectations for QB Pro

We’re coming into the summer, which is when the forex market traditionally falls into the doldrums. That’s generally a good thing for QB Pro. The markets whipsaw up and down without really going anywhere.

The alternative is that the Fed hikes rates in June and sends the market into a USD buying frenzy. That’s also good news. Most of the money that QB Pro made over the past 8 months was driven by USD strength. A rate hike would unleash chaos in emerging markets and equities. That’s the kind of condition to push volatility into our new crosses, creating opportunities for us to trade.

QB-Pro 2.0 isn’t happening

I’m extremely disappointed. After several thousand dollars in programming expenses, and not to mention the 100+ hours that I spent coding myself, the QB Pro 2.0 change is a wash.

I had a trusted developer audit my code to make sure I wasn’t doing something stupid like trading on future prices or anything. Neither him nor myself caught anything from December until March.

Towards the end of last month, a single line of code ruined it all. One of my key features was deciding when to bail on trades and go the opposite direction. Gut, it turned out that I accidentally introduced data snooping into the backtesting platform. I pre-calculated when losing trades occurred to calculate probabilities.

In plain English, my goal was to calculate “If today was a big loser, then do the opposite tomorrow.”

What I accidentally coded was “If tomorrow is a big loser, then do the opposite.” If only that were possible!

I don’t want to muddle up the explanation with code examples. Suffice it to say that the idea didn’t work out when I took away the ability to look into the future.

There are some features of the 2.0 system that I wish to analyze in the coming months, but for now it’s going to have to take a back seat.

What’s next?

My plan is to sit tight for a few weeks to ensure that the new pairs are working as intended. Whenever I am personally satisfied with the system behavior, I intend to increase the amount of capital in my account.

Don’t hold my feet to the fire. This part is a subjective process, so I can’t put a precise time frame on it. If and when I am satisfied – and it’s going very well the first few days – then I will make a decision about increasing my capital at risk.

If and when I choose to increase my capital in the account, I will then re-open QB Pro to new traders.

PS: I hope that the drawdowns encourage some of you to withdraw profits the next time the opportunity presents itself. You don’t want to lose more than you are comfortable risking.

Die richtige Strategie wählen

von 3 Kommentare

Händler verwenden eine Vielzahl von Strategien in den Märkten, alle basieren auf zwei Formen der Analyse: Fundamental analysis and technical analysis. Although institutions and other large traders often use a combination of these two analytical styles, most independent traders rely on strategies based largely on technical analysis.

Let’s take a look at both analytical styles as they apply to trading forex.

Fundamental analysis

In the stock markets, equities traders are sometimes able to value a company (and therefore predict its share price) if they know all the information about that company. That’s because the share price of the company reflects the value of its known assets. By knowing a company, the equity trader knows what its share price should be.

Jedoch, in forex markets using fundamental analysis alone is far less effective, because it’s extremely difficult to value an entire country’s economy in order to predict its currency’s value. Most forex traders use exclusively technical analysis.

When full scale fundamental analysis is applied to forex markets, it’s most often used as a way to predict longer-term trends. Und, some traders use data such as news releases in the short term to generate trades or confirm signals. Also, along with their mainstay technical analysis, some traders incorporate fundamental data.

Here are some of the fundamental indicators commonly used by forex traders:

★ Non-Farm Payroll

★ Consumer Price Index (CPI)

★ Purchasing Managers Index (PMI)

★ Durable Goods Sales

★ Retail Sales

For best results, savvy traders also pay attention to various meetings of government officials and industry conferences, and other venues where market-moving quotes and commentary can be found.

Meetings are scheduled to discuss inflation, interest rates and other issues that directly affect currency prices. These meetings and conferences are often reported in the industry press before they reach mainstream media. The important event for fundamentals-based forex traders is the Federal Open Market Committee (FOMC) press conference and meeting transcript.

Forex traders can follow meetings and conferences and become highly knowledgeable specialists, and profit by knowing a particular market better than most others.

Technical analysis

Technical analysis is by far the most common basis for forex strategies. Using technical analysis in forex is different than in equities, because the forex time frame is 24 hours worldwide whereas many stocks don’t trade overnight, so their price movements are different.

Traders use a huge variety of individualized systems, often built by knowledgeable EA providers, with many different indicators. Here are just a few of the most common indicators and theories used in technical analysis:

★ Elliott Waves

★ Parabolic SAR

★ Gann Theory

★ Fibonacci Numbers

★ Pivot points

Traders craft many different strategies based on technical analysis, especially by combining multiple indicators. Other developers create trading systems based on finding historical buying and selling patterns that are expected to be repeated.

Developing a personal strategy

Successful forex traders develop and fine-tune their strategies over time. Some traders focus on a particular tool or calculation, while others user a broader approach and experiment with a combination of technical and fundamental analysis.

Many new traders wisely start out by “paper trading” or using a demo account with a Forex-broker. Und, experienced traders almost invariably develop new systems with backtesting before trying them in real time. Lack of experience can cause you to lose your capital, so it’s important to take the time to practice before committing significant money to any new trading system.

Regardless of whether you use technical indicators alone, or incorporate fundamentals as well, if you have the discipline to learn your target markets and trade confidently while carefully managing risks, then your strategy has an excellent chance to succeed.

Do you rely on technical indicators? Fundamental indicators? Oder, a combination of both?

Wie zu gewinnen mit mechanischen Handelssystemen

von 13 Kommentare

Viel Tinte wurden zur Ermittlung der Ursachen für mechanisches trading Systeme versagen gewidmet., vor allem nach der Tat. Obwohl es widersprüchlich klingen mag (oder, für einige Händler, einfach schwachsinnig), der Hauptgrund, warum diese Handelssysteme scheitern, ist, da sie zu viel auf die Freisprech-beruhen, Fire-and-forget Art der mechanischen Handel. Algorithmen selbst fehlen, die Objektive menschliche Aufsicht und Intervention erforderlich, die Systeme, die in Schritt mit wechselnden Marktbedingungen entwickeln helfen.

Mechanisches trading Systeme versagen, oder Händler Fehler?

Statt beklagen einen Handel Systemfehler, Es ist konstruktiv zu prüfen, in dem Händler das Beste aus beiden Welten haben können: Das heißt, Händler können in den Genuss des Algorithmus verwaltet mechanische Handelssysteme, wie "Schnellfeuer" Automatische Hinrichtungen und Emotion-freie Handelsentscheidungen, zugleich noch ihre angeborene menschliche Fähigkeit, objektive nachzudenken, Scheitern und Erfolg.

Das wichtigste Element jeder Trader ist die menschliche Fähigkeit entwickeln sich. Händler können zu ändern und anzupassen, ihre Handelssysteme um weiter gewinnen, bevor Verluste finanziell oder emotional verheerend werden.

Wählen Sie die richtige Art und Menge der Marktdaten für die Prüfung

Erfolgreiche Händler verwenden ein System von sich wiederholenden Regeln Gewinne aus kurzfristigen Ineffizienzen auf dem Markt zu ernten. Für kleine, unabhängige Händler in die große Welt der Wertpapiere und Derivate-Handel, wo Spreads sind dünn und heftige Konkurrenz, die besten Chancen für Gewinne stammen aus Schmierblutungen Marktineffizienzen basierend auf einfache, Daten zu quantifizieren, dann handeln so schnell wie möglich.

Wenn ein Händler entwickelt und betreibt mechanische Handelssysteme basierend auf historischen Daten, Er hofft auf zukünftige Gewinne basiert auf der Idee, die aktuellen Markt-Ineffizienzen weiterhin. Entscheidet sich ein Händler falschen Daten festlegen oder die falsche Parameter verwendet, um die Daten zu qualifizieren, wertvolle Chancen können verloren gehen.. Zur gleichen Zeit, Sobald die Ineffizienz in erkannt historische Daten ist nicht mehr vorhanden, dann scheitert das Handelssystem. Die Gründe, warum er verschwunden, sind unwichtig an den mechanischen Händler. Nur die Ergebnisse der Frage.

mechanical trading rules

Wählen Sie die meisten relevanten Datensätze aus, bei der Auswahl des Datensatzes aus dem Erstellen und testen Sie mechanische Handelssysteme. Und, um zu testen, eine Probe, die groß genug ist, zu bestätigen, ob der handelnde in der Regel konsequent unter unterschiedlichsten Marktbedingungen funktioniert, ein Händler muss die längste praktische Periode von Testdaten verwendet werden..

Also, Es scheint angemessen, mechanische Handelssysteme basierend auf die längste mögliche historische Datensatz sowie den einfachsten Satz der Designparameter zu bauen. Robustheit gilt im Allgemeinen die Fähigkeit, viele Arten von Marktbedingungen zu widerstehen. Robustheit sollte in jedem System getestet für eine lange Zeit-Palette von historischen Daten und einfache Regeln berührt werden.. Langwierige Tests und Grundregeln sollten die umfangreichen Palette von möglichen Marktbedingungen in Zukunft widerspiegeln..

Alle mechanische Handelssystemen schlägt schließlich fehl, da historische Daten offensichtlich nicht alle künftigen Ereignisse enthält. Jedes System, basierend auf historischen Daten werden schließlich ahistorisch Bedingungen stoßen.. Menschliche Einsicht und Intervention verhindert, dass automatisierte Strategien aus den Schienen. Die Leute von Knight Capital wissen etwas über Live-trading im Notfall.

Einfachheit gewinnt durch seine Anpassungsfähigkeit

Erfolgreiche mechanische Handelssysteme sind wie lebendige, die Atmung der Organismen. Die Welt geologische Schichten sind gefüllt mit Fossilien von Organismen,, Obwohl ideal für kurzfristigen Erfolg während ihrer eigenen historischen Perioden, wurden auch für das langfristige Überleben und Anpassung spezialisiert.. Einfache algorithmische mechanische Handelssysteme mit menschlichen Führung sind am besten, da sie schnell unterziehen können, einfache Entwicklung und Anpassung an die veränderten Bedingungen in der Umgebung (Marktplatz zu lesen).

Einfache Handelsregeln reduzieren die mögliche Auswirkungen des Data Mining-bias. Vorspannung von Data-mining ist problematisch, weil es übertreiben kann, wie gut eine historische Regel unter zukünftigen Bedingungen angewendet werden soll, vor allem, wenn mechanische Handelssysteme auf knappen Fristen ausgerichtet sind. Einfache und robuste mechanische Handelssysteme sollte nicht durch die Zeitrahmen für Testzwecke verwendet betroffen. – Die Anzahl der Testpunkte gefunden innerhalb eines gegebenen Bereichs von historischen Daten sollte groß genug, um zu beweisen oder zu widerlegen, die Gültigkeit der zu testenden Handelsregeln. Gesondert angeführt, einfache, Robuste mechanische Handelssysteme werden Data Mining Voreingenommenheit überstrahlen..

Wenn ein Händler ein System mit einfachen Design-Parameter verwendet, wie die QuantBar-system, und testet es mithilfe des längsten entsprechenden historischen Zeitraums, dann werden die nur andere wichtigen Aufgaben, an die Disziplin der Handel des Systems und seine Überwachungsergebnisse geht nach vorn. Beobachtung ermöglicht die Entwicklung.

Andererseits, Händler, die mechanische Handelssysteme, gebaut aus einem komplexen Satz von mehreren Parametern laufen Gefahr, "Pre entwickelt sich" ihrer Systeme zu frühen Aussterben zu verwenden.

Bauen Sie ein robustes System, das die besten mechanischen Handel nutzt, ohne Beute fallen auf seine Schwächen

Es ist wichtig, nicht zu verwechseln die Robustheit der mechanische Handelssysteme mit ihrer Anpassungsfähigkeit. Systeme entwickelt werden basierend auf einer Vielzahl von Parametern führte zu gewinnenden Trades in historischen Zeiten – und sogar während der aktuellen beobachteten – oft beschrieben als 'robust'. D. h. keine Garantie, dass solche Systeme einmal erfolgreich optimiert werden können sie haben wurde Handel vergangene ihre "Flitterwochen-Periode.” Das ist eine erste Handelsperiode während dessen Bedingungen geschehen, auf denen das System beruhte, die zeitgleich mit eine bestimmte historische Epoche.

Einfache mechanische Handelssysteme sind leicht an neue Bedingungen angepasst, auch wenn die Ursachen der Marktplatz Änderung bleiben Sie unklar, und komplexe Systeme versagen. Wenn die Marktbedingungen ändern, wie sie es immer wieder tun, die Handelssysteme, die am ehesten weiter zu gewinnen sind diejenigen, die einfach und die meisten-leicht anpassbar an neue Bedingungen sind; ein wirklich robustes System zählt die Langlebigkeit vor allem hat.

Einfache algorithmische mechanische Handelssysteme mit menschlichen Führung sind am besten, da sie schnell unterziehen können, einfache Entwicklung und Anpassung an die veränderten Bedingungen in der Umgebung (Marktplatz zu lesen).

Leider, nach einer ersten Phase von Gewinne erleben, wenn Sie übermäßig komplexe mechanische Handelssysteme zu verwenden, Viele Händler fallen in die Falle des Versuchs zu zwicken diese Systeme zurück zum Erfolg. Dem Markt unbekannt, noch ändern, Bedingungen können bereits die gesamte Spezies mechanische Handelssysteme zum Aussterben verurteilt haben. Wieder, Einfachheit und Anpassungsfähigkeit an veränderte Bedingungen bieten die beste Hoffnung für das Überleben der trading-system.

Verwenden Sie eine objektive Messung um zu unterscheiden zwischen Erfolg und Misserfolg

Ein Händler zweithäufigste Sturz ist eine psychologische Bindung an seine oder ihre trading-system. Beim Auftreten von Fehlern Handelssystem, Es ist in der Regel, weil Händler eine eher subjektive als objektive Veranschaulichung eingeführt haben, insbesondere in Bezug auf Stop-Verluste während bestimmter Berufe.

Menschliche Natur treibt oft einen Händler eine emotionale Bindung an ein bestimmtes System zu entwickeln, vor allem wenn der Händler eine erhebliche Menge an Zeit und Geld in mechanische Handelssysteme mit vielen komplexen Teilen investiert hat die schwer zu verstehen sind.. Jedoch, Es ist von entscheidender Bedeutung für einen Händler außerhalb des Systems zu verstärken, um es objektiv zu betrachten.

In einigen Fällen, der Händler wird über den erwarteten Erfolg eines Systems wahnhafte, bis hin zu weiterhin eine natürlich-Verlust-System weit mehr als eine subjektive Analyse Handel erlaubt hätte. Oder, nach einer Zeit der fetten gewinnt, ein Händler kann "zu einem ehemals ausgezeichnete System verheiratet werden" noch während seiner Schönheit unter dem Druck der Verluste verblasst. Noch schlimmer, ein Händler kann in die Falle der selektive Auswahl der Tests Perioden oder statistischen Parameter für ein bereits-Verlust-System fallen., Aufrechterhaltung der falschen Hoffnung für das System Wert fortfahrende.

Ein objektiver Maßstab, z. B. mit Standardabweichung Methoden zur Bewertung der Wahrscheinlichkeit eines Stromausfalls, ist die einzige siegreiche Methode zur Feststellung, ob mechanische Handelssysteme wirklich gescheitert. Durch eine objektive Auge, Es ist einfach für einen Händler schnell vor Ort oder mögliche Fehler in mechanische Handelssysteme, und ein einfaches System schnell und einfach ein frisch ausgezeichneten System noch einmal schaffen angepaßt werden.

Die mangelnde mechanische Handelssysteme ist oft quantifiziert basierend auf einem Vergleich der aktuellen Verluste gemessen an den historischen Verluste und Rückschläge. Eine solche Analyse kann zu einem subjektiven führen., falsche Schlussfolgerung. Maximaler Verlust wird oft als die Schwellenwertmetrik verwendet, ein Händler ein System aufzugeben. Ohne Rücksicht auf die Art und Weise, durch die das System dieses Verlust-Niveau erreicht, oder die Länge der Zeit benötigt, um dieses Niveau zu erreichen, ein Händler sollte nicht folgern, dass das System ein Verlierer Auszahlungsbetrags allein auf der Grundlage.

Standardabweichung gegenüber Verlust als eine Metrik des Scheiterns

Tatsächlich, die beste Methode zur Vermeidung einer Gewinnsystem verwerfen ist mit einem Standard Objektive Messung die aktuelle oder letzten Verteilung der Erträge aus dem System erhalten beim tatsächlich Handeln es bestimmt. Vergleichen Sie, dass die Messung gegen die historische Verteilung der Erträge aus Rückvergleiche berechnet, Stromverteilung "verlieren" mechanische Handelssysteme sprengt beim Zuweisen eines festen Schwellenwerts entsprechend die Gewissheit, dass in der Tat normal, erwartet werden Verluste, und müssen deshalb entsorgt als fehlgeschlagen.

Also, zum Beispiel, davon ausgehen Sie, dass ein Händler der Gesamtkreditbetrag geltende ignoriert die signalisiert ein Problem und seine Ermittlungen ausgelöst hat. Stattdessen, Vergleichen Sie die aktuellen Durststrecke gegen die historische Verluste, die während dieses Handelssystem in historischen Test Zeiten eingetreten wäre. Je nachdem, wie konservativ ein Händler ist, er oder sie möglicherweise fest, dass über der aktuelle oder den letzten Verlust ist, sagen, die 95% Sicherheit Stufe impliziert durch zwei Standardabweichungen von der "normalen" historische Verlust-Ebene. Dies wäre sicherlich ein starken statistischen Zeichen, die das System schlecht ist, und hat daher nicht. Im Gegensatz dazu, verschiedener Händler mit größerer Risikobereitschaft kann Objektiv entscheiden, dass drei Standardabweichungen von der Norm (dh. 99.7%) die ist entsprechende Sicherheit für die Beurteilung eines Handelssystems als "fehlgeschlagene."

Der wichtigste Faktor für alle Handelssysteme’ Erfolg, ob manuell oder mechanisch, ist immer die menschliche Entscheidungsfindung Fähigkeit. Der Wert der gute mechanische Handelssysteme, wie alle guten Maschinen, Sie minimieren menschliche Schwächen und stärken Leistungen weit über denen erreichbar durch manuelle Methoden. Noch, Wenn richtig gebaut, Sie noch erlauben Kontrolle nach Urteil des Händlers und erlauben ihm, Hände weg von Hindernissen und potenzielle Fehler.

Obwohl ein Händler Math in Form einer statistischen Berechnung der standard-Distribution verwenden kann, um zu beurteilen, ob ein Verlust ist normal und akzeptabel historischen Aufzeichnungen zufolge, er oder sie ist noch menschliches Urteilsvermögen statt machen rein mechanische unter Berufung auf, Math basierende Entscheidungen basiert auf Algorithmen, die allein.

Händler können das Beste aus beiden Welten genießen.. Die Macht der Algorithmen und mechanische Handel minimiert die Auswirkungen der menschlichen Emotionen und Langsamkeit auf Bestellung und Ausführung, insbesondere im Hinblick auf die Aufrechterhaltung der Disziplin der Stop-Loss-Order. Es verwendet immer noch die objektive Beurteilung der Standardabweichung um menschliche Kontrolle über das Handelssystem zu behalten.

Seien Sie bereit für Veränderungen, und bereit sein, ändern Sie das Handelssystem

Zusammen mit der Objektivität zu erkennen, wann ändern mechanische Handelssysteme aus Sieger in Verlierer, ein Händler muss die Disziplin und Weitsicht, entwickeln und verändern die Systeme, damit sie fortfahren können, während die neuen Marktbedingungen zu gewinnen. In jeder Umgebung voller Veränderung, Je einfacher das system, schneller und einfacher wird seine Entwicklung sein.. Wenn eine komplexe Strategie schlägt fehl, Es kann leichter zu ersetzen als zu ändern sein, Während einige der einfachsten und am meisten-intuitive Systeme, wie die QuantBar-system, sind relativ leicht zu on-the-Fly zu ändern, um die Anpassung an zukünftige Marktbedingungen.

In der Zusammenfassung, Es kann gesagt werden, dass ordnungsgemäß baute mechanische Handelssysteme einfach und anpassungsfähig sein sollte, und geprüft nach die richtige Art und Menge der Daten, so dass sie robust genug, um Gewinne unter einer breiten Auswahl an Marktbedingungen zu produzieren. Und, ein Gewinnsystem muss von der entsprechenden Metrik der Erfolg beurteilt werden. Anstatt nur auf Maximale Verluststrecke Ebenen oder algorithmischen Handelsregeln, Entscheidung darüber, ob ein System gescheitert ist sollten nach menschlichen Ermessen des Händlers erfolgen, und basiert auf einer Bewertung der Anzahl der Standardabweichungen der aktuellen Leistungsfähigkeit des Systems, gemessen an seiner historischen-Test-Verluste. Wenn mechanische Handelssysteme ausführen fehlschlagen, der Händler sollte die notwendigen Änderungen statt festhalten an einem verlierenden System vornehmen..

Wie Sie wissen, wenn Ihr System versagt

von Hinterlasse einen Kommentar

One of the most frustrating aspects of quantitative trading is that most of the strategies we develop will end up failing. Experiencing system failure can be very difficult for a trader to handle on many levels. There will be a tough emotional and psychological impact to deal with, and there will also be financial losses to address.

Because system failure can be such a devastating event, we need to be prepared to recognize it as early as possible and have a plan to deal with it. System failure could be defined by drawdowns that are too large, drawdowns that are too long, or a general failure to create profits. Whatever definition you prefer, it is important to consider failure in quantitative terms, leaving subjective opinions out of the decision.

system failure

Dealing with system failure can be extremely difficult. The key is to avoid making it a subjective evaluation by pre-defining failure criteria.

Daniel Fernandez from Mechanical Forex wrote a post this week on how to define and quantify system failure. In diesem Beitrag, Daniel discusses having a specific definition for failure that accounts for sample size, relative performance, and performance relative to historic testing results. His point is that traders need to have a quantitative limit at which they will give up on a system.

Avoiding Subjective Assessments

Daniel makes a great point about traders who have an emotional attachment to their strategies ignoring statistical evidence that the system is failing:

When the attachment – due to economical, psychological reasons, etc – is too great, a trader will always have problems with saying that a system failed, because the burden of failure might be greater than the burden of financial loss if the system continues to trade.

When we spend a large amount of time developing our system, we can naturally become attached to them. Just like parents dealing with disciplining their young children, we will have to separate our desire for these systems to succeed from our ability to realistically interpret what is actually happening.

Failure is Relative

Whether you choose to compare your system to a benchmark, historical backtesting, or a monte carlo simulation, you should have a pre-defined limit for how far the system will be allowed to deviate from its expected results. This will help to eliminate any subjective opinions about how well a system is performing.

Sample Size Matters

It is also important to have a pre-defined limit for the Stichprobenumfang that you will consider statistically significant. Comparing a 5 trade sample to a 5000 trade backtest is obviously quite flawed, but you have to set a number of trades that you will consider to be a good representation of your strategy.

As the number of trades increases or decreases, so does the significance of the depth or length of a drawdown. It is your responsibility to define the point at which the number of trades crosses the threshold of significance.

The Blueprint for Creating Your Own Forex Strategy, Teil 2

von Hinterlasse einen Kommentar

Earlier this month, we looked at an article from Forex Crunch that covered the first three steps for building a new quantitative Forex strategy. Those first three steps covered brainstorming strategy ideas, defining the rules, and optimizing the parameters.

At that point we had a strategy that we had reason to believe would perform well in a trading situation. The next steps would involve properly testing our strategy in order to prove its value.

Forex-Strategie

After brainstorming, defining rules, and optimizing a new Forex strategy, the next steps involve rigorous testing.

Forex Crunch has since published the second three steps for creating a robust Forex system. This post focuses on testing the system that was created with the first three steps. It suggests starting with in-sample testing, then moving to out-of-sample testing, and then suggests some even deeper methods of testing.

The Most Important Point Regarding Testing

While there is plenty of great information in the article about the different types of testing that should be performed on a new Forex strategy, the most significant point that the article makes is actually stated in the introduction:

Relying on the CAR (compound annual return) figure is not always a good idea because this metric does not take into account the risk that was involved in producing those gains.

This point is extremely basic, which makes it easy to overlook. While a strong compound annual return is the end goal of every trader, we all know that there are many ways to arrive at a strong compound annual return, and some of them aren’t worth the effort.

In addition to compound annual return, we also need to be concerned with how the strategy performs from a risk perspective. Looking at statistics like maximum drawdown, Profit-Faktor, Sharpe ratio, and winning percentage gives us a better idea of how the strategy arrives at its compound annual return.

This bigger picture view will give us a more qualified overview of what trading the strategy will feel like. We can use that to determine if the amount of risk the strategy exposes our capital to is in our tolerable range.

Testing Forex Strategies

Testing on in-sample data is where we can fine tune our strategies in order to get the return and risk statistics into the desired range. Von dort aus, we move to out-of-sample testing where we attempt to replicate those statistics on a fresh data set.

There are also testing methods like Walk-Forward Optimization and Monte Carlo Simulations that can shed even more light onto how our new system can be expected to perform in live trading. The important thing to watch for during this testing phase is consistency. The strategy should perform similarly across all of these different types of testing.

If the strategy produces solid returns through a wide range of testing, it can be expected to produce similar results in live trading.

The Difference Between Optimization and Curve-Fitting

von Hinterlasse einen Kommentar

Optimization and curve-fitting are two terms that are very common among quantitative traders. They are so common that many traders confuse the terms, or use them as synonyms when they actually have very different meanings.

Michael Harris recently published a guest post on System Trader Success that broke down the meaning of each of these terms and explained how they interact with each other. He also shared a process for determining how likely a strategy was to be exposed to a curve-fitting bias that is based on how its parameters are utilized.

curve-fitting

Knowing the difference between optimization and curve-fitting can help you avoid exposing your strategy to backtesting biases.

Optimization vs. Curve-Fitting

Michael began by defining each of the two terms individually. What this shows us is that they have subtle differences with respect to each other. Here is how he explains it:

As already mentioned, curve fitting may involve optimization but the latter is a process with a much broader scope and includes many more possibilities than curve-fitting.

Michael looks at strategy optimization from the viewpoint of finding the best collection of entry and exit signals for a backtesting period. He explains that curve-fitting focuses more on the results than the signals that caused the result.

Is Curve-Fitting Really The Problem?

Another interesting point that Michael brings up is that there is no mathematical proof that optimized systems are more likely to fail because they are curve-fit. He suggests that it is possible for any optimized strategy to fail at any point, and that the strategy failure has nothing to do with what parameters the system uses.

He explains that a different form of bias is far more likely to cause a failure:

Dennoch, optimization that causes selection of entry and exit collections is in general a problematic process because it introduces survivorship bias.

Michael argues that in almost every case where an optimized strategy fails, Hinterbliebenenpension Voreingenommenheit is more likely to blame than a curve-fitting bias.

How To Gauge Optimized Trading Strategies

While Michael does not believe that curve-fitting failures are nearly as prevalent as many traders believe, he does discuss how some strategies are more likely to be exposed to curve-fitting than others. In order to gauge how likely an optimized strategy is to be exposed to curve-fitting, Michael divides them into three different classes.

The first class contains strategies where the optimized parameters define both the entry and exit signals. These strategies are the most vulnerable to curve-fitting.

The second class contains strategies where just the entry signals are defined by optimized parameters. These strategies are less likely to be exposed to curve-fitting than those in the first class.

The third class contains strategies where the optimized parameters define only the exit signals. These strategies are the least likely to be exposed to curve-fitting.

 

Have You Prepared For System Failure?

von Hinterlasse einen Kommentar

One of the misconceptions that many quantitative traders fall prey to is neglecting to consider that their strategy will eventually stop working. We are led to believe that once we develop and backtest a profitable strategy, we will simply be able to print money indefinitely. Jedoch, this is almost never the case.

Due to the unpredictable nature of financial markets, all systems and strategies will eventually fail. Am allerwenigsten, they will need to be adjusted. This means that developing a trading strategy is an ongoing process, not a one-time project.

system failure

Eventual system failure is inevitable for all types of strategies. Are you prepared for it to happen to you?

Daniel Fernandez from Mechanical Forex wrote a post on this topic earlier this week. He suggests that the ability to detect system failure with as little pain as possible is a pivotally important aspect of Forex strategy development. He explains why all quantitative strategies are bound to fail eventually:

Eventual system failure – what we can call system death – is an inevitable consequence of an edge developed on a finite amount of information on a market with potentially infinite variations.

Detecting System Failure

Fernandez made some particularly interesting points about the process of detecting potential system failure. In order to detect that a strategy no longer working, a trader will most likely have to go through a difficult losing period.

Through extensive Backtesting, walk-forward testing, and monte carlo simulations, a trader can establish parameters that describe a normal losing period for a given strategy. In order for that trader to determine system failure, they will have to trade through that normal losing period and then some.

The interesting concept that Fernandez brings up is that different strategies will have different conditions for those standard losing periods.

Low Win Ratio Strategies

Trading systems that are based on low winning percentages and high reward to risk ratios are expected to have long losing streaks. Daher, it would take an exceptionally long losing streak to signal that system failure is possible.

Fernandez also adds that these types of strategies often rely on a few very profitable trades to make up for lots of small losses. That means that missing one key trade could result in a false signal that the system has failed.

High Win Ratio Strategies

Strategies based on high winning percentages and low reward to risk ratios pose the exact opposite problem. They experience much shorter losing streaks, so they are able to identify system failure much sooner.

Natürlich, the losses that these types of systems do take are often very large. While it might be a short string of losses that identifies the system failure, those losses are likely going to be incredibly painful.

Best Strategies for Detecting Failure

Fernandez concludes that the systems that provide the least painful means of detecting system failure are strategies with moderate winning percentages and reward to risk ratios.

He suggests that systems with reward to risk ratios around 1 An 1 und winning percentages just over 50% are able to signal failure in the best manner. These types of strategies can signal failure quickly, without crippling the buying power of an account.

Trading Frequency

The last topic that Fernandez mentions is the trading frequency of a strategy. Wieder, he suggests targeting a middle-of-the-road approach.

The fact that high-frequency trading systems can run through long losing streaks quickly might be seen as an advantage. Fernandez points out that this can be a double edge sword. Short term disruptions in market behavior can lead to false signals of system failure.

 

Zu Fuß nach vorne-Optimierung: A More Detailed Explanation

von Hinterlasse einen Kommentar

Vor zwei Wochen, we looked at an example of using zu Fuß nach vorne-Optimierung by VBO Systems that tested a volatility breakout system. While this article was interesting from a nuts and bolts aspect, it left a lot on the table in terms of explanation.

The author has since expanded that post to include a more detailed explanation of exactly what we are trying to do with walk forward optimization. This new introduction to the article provides us with some details and background on why walk forward optimization is so effective.

zu Fuß nach vorne-Optimierung

Walk forward optimization allows up to test how a strategy would have traded in a live environment and evaluate which parameters would have performed best.

The article starts by listing some of the reasons that systems can lose their edge:

  • The system is not based on a valid premise
  • Market conditions have changed in a dramatic way that invalids the theoretical premises on which the system was developed
  • The system has not been developed and tested with a sound methodology. Zum Beispiel, (ein) lack of robustness in a system due to improper parameters, und (b) inconsistent rules and improper testing of the system using out-of-sample and in-sample data

It continues by explaining how a basic walk forward optimization is conducted:

Walk forward analysis is the process of optimizing a trading system using a limited set of parameters, and then testing the best optimized parameter set on out-of-sample data.

This process is similar to how a trader would use an automated trading system in real live trading. The in sample time window is shifted forward by the period covered by the out-of-sample test, and the process is repeated.

At the end of the test, all of the recorded results are used to assess the trading strategy.

In order to make sure the concept is understood, it is also explained another way:

Mit anderen Worten, walk forward analysis does optimization on a training set; tests on a period after the set and then rolls it all forward and repeats the process.

We have multiple out-of-sample periods and look at these results combined. Walk forward testing is a specific application of a technique known as Cross-validation.

It means taking a segment of data to optimize a system, and another segment of data to validate. This gives a larger out-of-sample period and allows the system developer to see how stable the system is over time.

As we covered in the previous post, there are three main aspects of this process:

  1. Definieren Sie in Beispiel und aus-der-Beispiel Zeiträume
  2. Definieren Sie einen robusten Parameterbereich
  3. Führen Sie zu Fuß nach vorne

Wie Sie sehen können, performing a walk forward optimization on a system that you are developing will help you to gain an understanding about how a system will perform in real time, while at the same time finding the optimal parameters for the strategy.

Zu Fuß nach vorne-Optimierung: In einfachem Englisch erklärt

von Hinterlasse einen Kommentar

Händler, die tendieren in Richtung quantitative Strategien sind in der Regel nerds.

Ich will das nicht in negativer Weise, weil ich mich man auch halte. Jedoch, Nerds haben eine Tendenz zu sprechen und zu schreiben, mit sehr viel komplexer Wörter und Sätze als eigentlich notwendig.

Aufgrund dieser Tendenz, Einsteiger Erklärungen können oft verwirrend für Anfänger zu verstehen sein..

Dies kommt besonders gut zum Thema zu Fuß nach vorne-Optimierung. Die meisten Artikel über das Thema sind sehr komplex und beinhalten einige hochrangige math. Dies kann sehr entmutigend für jemanden, der gerade in systematische Handelsstrategien.

walk forward optimization

Many quantitative traders have a hard time explaining walk forward optimization in simple terms.

VBO-Systeme einen sehr hilfreichen geschrieben Fallstudie mit walk forward-Optimierung diese Woche. They started by briefly explaining the three main steps of their walk forward optimization process:

  1. Definieren Sie in Beispiel und aus-der-Beispiel Zeiträume
  2. Definieren Sie einen robusten Parameterbereich
  3. Führen Sie zu Fuß nach vorne

Das ist einfach genug. Nächste, Sie spezifiziert, das System und die Daten, die sie für die Fallstudie verwenden würde:

Für diesen Test verwenden wir den FDAX und eine Volatilität breakout (VBO) Intraday-trading-system.

Wir verwenden NinjaTrader und CQG Vergangenheitsdaten 1 minute, unter der Annahme 3 Punkte der Schlupf für jeden R/T-Handel handelnde Reibungen zu decken.

Der erste Schritt in ihrem Prozess war, der in der Probe und aus der Probe Zeit identifizieren. Hier ist, wie sie es erklärt:

Wir entscheiden uns als Beispiel in 1/1/2001 An 12/31/2009 für Gestaltung und Probe Systemoptimierung und 1/1/2010 An 12/31/2012 als aus-der-Sample Zeitraum bewerten die in Beispiel Optimierung Robustheit und führen Sie zu Fuß nach vorne. Wir benutzen dann eine 3:1 Verhältnis bei der WFO (zu Fuß nach vorne-Optimierung):

  • Optimieren 2007 An 2009 und überprüfen Sie die Leistung aus der Probe in 2010
  • Optimieren 2008 An 2010 und überprüfen Sie die Leistung aus der Probe in 2011
  • Optimieren 2009 An 2011 und überprüfen Sie die Leistung aus der Probe in 2012

Der nächste Schritt besteht darin, die Parameter zu definieren, die sie suchen, um zu optimieren. Hier sind drei, die sie aufgelistet:

  • Lookback Periode des schnellen Durchschnitts
  • Lookback Periode des langsamen Durchschnitts
  • Volatilität-filter

Bisher, Dieses ist ein Recht einfacher Prozess gewesen., und VBO-Systeme macht einen guten Job, der ihrer Erklärungen einfach zu halten. Um den robusten Bereich für jeden dieser Parameter definieren, der Artikel verwendet ein 3D-Diagramm die gleitenden Durchschnitt Lookback Perioden zu identifizieren, die recht gut im Laufe der Beispieldaten ausführen. Der gleiche Vorgang wird angewendet auf ein statisches Diagramm die Volatilität Filterparameter bekommen.

Der letzte Schritt ist den Weg nach vorne mit den ermittelten Datenparametern über die definierten Daten Fristen ausführen. Im Grunde, Sie sehen nur die gleitende Durchschnitte und Volatilität Filter würde am besten funktioniert haben, auf jede der Perioden Beispieldaten, und testen Sie diese Parameter über die Fristen aus der Beispieldaten zu sehen, ob die Erträge Inline sind-Erwartungen.

Das Ergebnis dieser Fallstudie ist, dass jede der Perioden zu Fuß vorwärts Optimierung produzieren ähnliche Renditen auf das Gesamtsystem gibt für den gesamten in-Sample-Daten-Satz. Dies gibt Zusicherungen, dass die Strategie ein gewisses Maß an Robustheit hat.

Eine kurzfristige Bollingerband Breakout Strategie Idee für AAPL

von Hinterlasse einen Kommentar

Neben den beliebten Futures und Forex-Märkte, viele quantitative Händler gerne testen und ihre Strategien auf flüssige und aktive einzelne Aktien Handel.

AAPL ist einer der aktivsten Bestände in der Welt, sowohl in Bezug auf Volumen gehandelt und Berichterstattung. Es ist auch schon auf eine unglaubliche Bull Run in den letzten zehn Jahren. Eine Aktie, die so beliebt und berichtenswert gewesen ist, da AAPL hat gebunden ist, einige Strategien Brauch dafür ausgelegt.

Paststat.com widmet einen ganzen Abschnitt ihrer Website verschiedene quantitative Ideen, die Händler ermutigt werden zu nehmen und mögliche Strategien zu entwickeln. Einer ihrer letzten Artikel vorgestellten eine Idee für ein kurzfristigen Ausbruch-system speziell für den Handel AAPL.

Das grundlegende Konzept der Strategie ist, dass es eine long Position in AAPL jeder Zeit nimmt, die Aktie bricht aus und schließt über seine obere Bollinger-Band. Die Strategie enthält dann den Bestand für zwischen 1 und 5 Tage vor dem Verkauf. Die Strategie basiert auf einem Tageschart mit Bollinger Band-Einstellungen des 20 Gleitender Durchschnitt Zeitraum und 2 Standardabweichungen.

Bollinger Band-Ausbruch

Diese einfache Bollingerband Breakout Strategie entworfen für AAPL hat eine 82% Preise zu gewinnen und 1.48 Gewinn-Verhältnis in den letzten Jahren.

Der Artikel beschreibt das Diagramm sehr einfach von darin enthaltenen:

der Handel Quoten für die $AAPL sehnt sich in den nächsten 1/2/3/4/5 Handelszeitraum Tage wenn überhaupt $AAPL Nähe kreuzt über das obere Bollingerband

Der Artikel Backtests dieser Strategie aus dem Ausbruch im Dezember 2009 bis November 2013. In Anbetracht der Einfachheit der Strategie, die Ergebnisse sind wirklich beeindruckend.

Mithilfe eines Punkts Halt eines Tages, die Strategie produziert 22 Gewinner von 28 Facharbeit. Der durchschnittliche Gewinn auf eine gewinnende Handel 1.04% und ist der durchschnittliche Verlust auf einem verlierenden Handel 0.57%.

Wann wird der Zeitraum halten bis zu fünf Tage erhöht., die Strategie erhöht auf 23 gewinnt. Der durchschnittliche Gewinn auf diese preisgekrönte Handel wurde 2.69% und betrug der durchschnittliche Verlust auf einem verlierenden Handel 1.82%.

Der Artikel fährt fort, die Ergebnisse der einzelnen des Handwerks bekanntzugeben, die für den Zeitraum fünf-Tage-Betrieb-Ansatz im Laufe der Periode Backtesting protokolliert wurden. Dies wirklich unterstreicht die hohe Anzahl der Gewinn-Trades und die Tatsache, die die ausgezeichnete Facharbeit sind größer als die verlierenden trades.

Während dies sicherlich eine kleine Stichprobengröße, die anfängliche Backtesting-Ergebnisse zeigen, dass es lohnt, zu investieren einige weitere Zeit, dies in eine tatsächliche Strategie zu entwickeln. Es ist möglich, dass die Renditen auf verbessert werden könnte, durch die Implementierung einer Trend-Filter oder einige andere Bestätigungs-Indikator.

Es wäre sehr interessant zu sehen, weitere Tests der Handel dieser Strategie auf AAPL. Es wäre auch interessant zu testen es auf andere einzelnen Aktien, und zu versuchen, weiter zu verfeinern.