Test your trading ideas

取引プラットフォームの制限

10 月 18, 2015 によってショーンオバートン 6 コメント

この記事は、ベン Fulloon によって執筆されました, 尊敬されているトレーダーと OneStepRemoved にサブスクライバー.

ドローダウン比の素晴らしい戦略を開発しました。 13.67. 素晴らしいサウンド, 右? それは残念ですね 私の取引プラットフォームは二重以上に結果を誇張します!

それはあなたのブローカーとプラットフォームの制限の両方を学ぶことが重要です. 時には、これらの複雑さは、唯一の時間と経験を通じて明らかになります. あなたの取引プラットフォームは、機能やレポートの結果しない場合に予想されるように、それはとてもイライラ.

この記事では、NinjaTraderの2つの制約を指摘します 7, 実際に特定の状況ではトレーダーのための驚くほどより良いを回すことができるの悪い制限と1. しかし, これは私が使用しているブローカーではなく、プラットフォーム自体で行うことが多いです.

NinjaTraderは間違いなく限界を持っている唯一のプラットフォームではありません: メタトレーダー, 売買, X-トレーダー, Matlabの, など. すべての量的金融の制限があります.

私はかなり短く、読みやすいそれを維持するために、この記事でNinjaTraderについて書くことになります. 私もどちらか悪いのプラットフォームであるとしてNinjaTraderを作ることを意図するものではないのです. しかし, 定量的な開発するトレーダーやトレード戦略のためのそれは非常に簡単に、より便利にするために作ることができるいくつかの改善は間違いなくあります.

最初の癖は、私が使用しているブローカーに関連します. 具体的には, それは私が気にデイトレード・マージンです. この日の取引マージン終了 15 セッションの終了前に分. 例えば、ES (エミニS&P500) の日計り取引マージンが $500, これで終了 4:00その後の完全な取引マージンに戻り午後のCT $5060 セッションが終了する前に 4:15午後CT. (述べタイムズは記事の執筆時点で正確です, ESは、今で閉じ 4:00午後CTやデイトレードマージンがで終了 3:45午後CT)

私はあなたに私が開発した日の取引戦略の結果のスクリーンショットを紹介. この戦略は、ESの取引します, NQ (エミニナスダック 100) そして、YM (エミニダウ) すべて同時に. NinjaTraderと緊密に終了する最も簡単な方法は、どのセッションのクローズ時に終了し、次に意志をtrueに "閉じるに終了」を設定しています.

結果によれば、戦略は、の合計を作ります $332,771.60 最大ドローダウンと $25,912.27 以来、 2008 今. これは、のドローダウン比であります 12.84. それはoustandingです!

問題は...あなたは問題があると知っていました… 戦略はで終了するということです 4:15午後CT. 日の取引マージンがで終了 4:00午後CT. 戦略は、小さなアカウントサイズのマージンコールを取得することが可能性が高いです.

それは、一日の取引マージンを最大限に活用するための戦略を微調整することに意味が. Ninjatraderは、カスタムセッションテンプレートを提供しています, これはこのケースでは、私はで終了しました 4:00午後CT. 次のようにカスタムセッションテンプレートの結果があります.

マージンコールの作りを回避するために、同じ機器に適用まったく同じ戦略 $335,819.30 最大ドローダウンと $24,560.51. これは、のドローダウン比であります 13.67.

私は、ドローダウン比と利益の向上を目的とした戦略を変更していません. でもねえ, 買います. プラットフォームに制限を見つけることが実際にいくつかの状況であなたに利益をもたらすことができます.

この戦略は、取引に基づいています 3 異なる機器. ES, NQとYM. 問題は、私はバックテストそれがNinjaTraderに機器リストを使用していることです. これが意味することは、彼らはすべて個別にテストしているあります. NinjaTraderはその後、上記のスクリーンショットの結果などの総合結果としてあなたのためのテスト結果を組み合わせました.

ここでは、楽器のリストとしてそれらをテストするとき、それは次のようになります。. これは、個々の楽器の異なる利益とドローダウンを示しています.

今一見それはトレーダーが作ったであろうことを読み取り、 $335,819.30 最大ドローダウンと $24,560.51 彼らは一緒にすべての3つの機器を交換した場合. そう思いませんか?

問題は、これが間違っているということです. あなたが思うだろうようNinjaTraderは、実際に結果を結合しません. トレーダーは、まだおよそそのお金を作ったであろう. しかし, すべての統計情報は非常に正しくありません.

それは、ESを交換しますが、これを示すために、私は正確に同じ戦略を再作成しました, NQとYM同時にすべての代わりに、それはデフォルトではありませんように、それらを別々に取引. あなたは、マルチインストゥルメント戦略にそれをプログラムするときに、これらは結果であり、

それは作ります $335,915.30 これはほぼ同じ量であり、, それは、最大ドローダウンを持っています $59,937.60 代わりに $24,560.51 それは次のようになりますようにそれは、もともと見えました. これはそれのドローダウン比になります 5.60, オリジナルよりも多くの悪化しています 13.67.

トレーダーは、最大ドローダウンに基づいて取引をすることを決定した場合 $24,560.51, ドローダウンは、彼らが期待していたの倍悪いことが判明したとき、彼らは厄介なショックを受けること.

そのような重要なメトリックの誤った計算は、アカウントを危険にさらす可能性が. あなたが実際に戦略を取引するために必要なの株式の半分を離れて得ることができることを前提としていかもしれません. おっとっと?!?

NinjaTraderで誤解を招くような統計は、この戦略は本当に素晴らしい見えるのです. しかし、ドローダウンは、それが最初にあったであろうと思われた何倍以上である場合, あなたは厄介なショックを受けるかもしれません.

それは可能な限り早期にあなたのプラットフォームとブローカーの制限の両方を学ぶことが重要です理由です. あなたはこれらの制限に、ハードな方法を学習する必要はありません.

数週間の時間、, 私は、より正確な測定基準を示し、マルチインストゥルメント戦略を作成するための簡単な方法を明らかにします. シリーズの次回の記事をお楽しみに.

自動化された取引戦略を作り上げる術

9 月 21, 2015 によってリオル Alkalay 28 コメント

ほぼすべてのトレーダーのため, 1 つがあります。, すべてのかかる質問: 収益性の高い戦略を構築する方法?

当然のことながら, 1 つは統計のまっすぐに飛び込むし、数字の計算処理を開始を期待. まだ, 力学 – にさらに掘り下げ前と私を信じてたくさん-哲学について少しお話したいと, 確かに, ルール良い戦略の背後にあります。.

すべての数字で足りないこと, それは紛れもなくあなたのアイデア、戦略を構築するための大まかなスケッチをすることが重要. その素描だけで手にすることができます実際に音を構築するブループリントへ移動し、, 実行可能な戦略.

ない完璧な取引戦略があります。

そうは言っても, 完全に明確、道の何かを取得してみましょう: 取引の最初のルールは完璧な戦略を理解することです。. 最良の取引の可能な戦略をクラフトからあなたを停止させてはいけないが、. あなたもあなたの戦略の起草を開始する前に取るいくつかのステップがあります。.

1 日が希望される場合は最初哲学の出発点を見つける必要があります市場を測定することができます。. それはあなたを受け入れる必要があります最初単一不変の真理の受け入れ.

練習に飛び込む前に, 式にデータと, もちろんです, お金, 参照ポイントが必要. 基準点は単にこれと: 市場はハートビート. つまり、毎回市場を予測することができるフリーサイズの戦略はないです。. それは市場が静的ではないので; 常に動いているし、ルールは絶えず変化.

多く, 何度も考えられるあらゆる条件を考慮して自分の戦略を最適化しようとするトレーダーを見た。. あなたが知っている次の事, 彼らは、方向を失ってしまっただけでなく、彼らがバンドルを失ってしまった. 私が言った、, 1 つの戦略もすべての時間で動作しません。. このように, 特定の非常に特定のポイントで市場を予測するための呼び出し成功戦略の構築. さらに, 「デッドゾーン」戦略が予測されているを認識する必要があります。, それに従事しないようにポイント.

規則に固執します。

実行可能な取引戦略を生産する 2 番目の規則は明確な機械の婚約のルール、します。. それです, 貿易を開くときと閉じると貿易の条件をクリアします。. そのルールに固執する必要があります、, 何があっても. 機構を実際に変更する余裕ができるようにする場合, できるようになり、測定することは不可能.

たとえば、このような最初に見える婚約のルール: とき、 120 日 EMA を越える、 60 上から絵馬, 購入します。. 今度こそです, しかし, それは取引をしているペアは依然として弱気に表示されます。. すべての後の貿易を開くにことするつもりはないを決定します。.

右の呼び出しをこのインスタンスでだが、, 規則と干渉します。. 従ってあなたが得た結果は戦略の副産物ではないです。. 代わりに, 彼らは審判の判定の結果. その有効性を評価する能力がなくなるトレーダーが婚約のルールと干渉するとき. 何故、それが悲劇?

あなたは、本当にそれを取得して間違っているが分からないという. 学ぶかどうかは、決してあなたの過ちから、常に彼らにしてあげる. これは最も危険です, さらに致命的です, 落とし穴, 1 つはいわゆる「良い戦略」とトレーダーの何千もを燃やしているだから, あなたの戦略が成功したことを確認したい場合 (単にランダムに成功していないと), 規則に固執します。.

テストの 4 つの段階

仕事に取り掛かる時間だ今では哲学を確立したので. あなたの戦略は実装する価値があるかどうかをテストにはどのようにします。? テストプロセスは、4 つの異なるフェーズを構成します。:

サンプルテスト
最適化
サンプル外のテスト
フォワードテスト (すなわち. 紙の取引)

サンプルテスト

何が思わず頭に浮かぶストラテジのテストについて考えるとき? バックテストします。, 過去のデータに基づくあなたの戦略をテストまたは. しかし、テストのより重要な部分の 1 つは、バックテスト中, それはいくつかの誤解を作成することも.

たとえば, データのセット全体であなたの戦略をテストする場合, 市場の状況が変更されたときの実行方法を判断する方法? 取り組むためにこの問題の専門家を使用してサンプルのサンプルアウトと呼ばれる.

テストを実行する方法は比較的簡単です。. 過去のデータは、2 つの部分に分かれています, In- サンプルと出力のサンプル. についてのサンプルを表します 2/3 サンプル外ながらテスト期間の残りのアカウントします。 1/3. 次の図でどのようにプレーを見ることができます。.

サンプルは、戦略の予備テストになります, 最初のドライ実行, あなたがする場合. あなたの戦略は、サンプルテストでうまく行っていない場合, その戦略を捨て、振り出しに戻ってする必要がありますという.

しかし, それは良いニュースである場合のサンプルテストリターンの上昇カーブを示しています! それはで動作する何かを持っていることを意味します。. 今こそネジを締めます, メカニックと同じよう, つまり、取引の世界で最適化あなたの戦略と.

あなたの取引戦略の最適化

今のところ, 戦略の最適化戦略を彫刻の最も数学的に集中的な部分は、おそらく. 数学は得意ではない場合でも, 無視するのに十分なことが重要です。. 私たちを使用することができます 3 つの方法があります。: 相関関係, 戻り値の分布と曲線のあてはめ. どのように我々はそれらを使用するを置くを見てみましょう.

もちろんです, トレーダーを使用して乗る最も単純な取引戦略を用いて事例として傾向は移動平均クロスです。. このような作品の移動平均をクロスします。: もし高速移動平均 (短い期間) 上記の低速移動平均は (長い期間) 買いシグナルであります。.

逆に, 高速移動平均、移動平均以下の遅い場合は売り信号です。. 今のところ, たとえば、特定のパラメーターが満たされている場合ポジションだけを開くことにしました、. 問題は、どのように知ることができるかどうかこれらのパラメーターは、します。, 実際, 最適なもの? まあ, それは私たちの統計的手法が便利になるだろう、.

相関関係, 戻り値の分布と曲線のあてはめ

最初の方法は相関関係です。. 本質的に, 良い市場に関連するパラメーターの別のセットに切り替える. 詳しく述べさせてください。; 最初のテストまたは試用版のだったと言う 120 長い平均の日と 30 短い平均日 (または 120, 30). いくつかのより多くのオプションをテストし、, しましょう 120, 14 し、 60, 30 日.

次にそれぞれのデータセットの相関を比較します。. 近い、 R² 相関係数は、します。 1, 良い. つまり、この戦略は市場を予測で良い. R 値を取得する場合に近い -1?

まあ, それはいいですね, あまりにも, 独自の方法で. それは意味をなくするように販売購入, 市場は逆の方向に移動. (もちろんです, MA の十字を取得する非常に考えにくいと、 -1 相関とにかく。)

今のところ, 値を近くに取得する場合 0 とても良いではないです。. あなたの戦略と市場の no または少し相関関係があることを通知します。. 最初のバックテストとの相関関係に肯定的な利益を持っていた場合は 0 現実にはあなたの成功がランダムで示すとは限りませんし、.

3 つのオプションから見ることができます。, 私たちの最初の選択肢は実際に最高の市場に相関. 我々は、この特定のケースで選んだパラメーターが最適なことを示唆します。.

リターンの分布

我々は戦略が考慮する別の次元がある市場に良い相関を参照してくださいにチェック後. たとえば、1 組のパラメーターより良い市場に相関している従ってそれはより多くの成功. パラメーターの別のセットは相関ほどではありませんが、正常に実行された貿易 1 トレード当たり平均以上が得られます.

上記のグラフで見ると, 我々は興味深い洞察力を作る見ることができます。. 私たちの予備的なパラメーター (120, 30) リターンのより良い分布を持っていた, 1 トレード当たりの意味リターンが変動ではなく安定しました。. それは市場に高い相関を持っているので理にかなっていると, 我々が行った最初のテストによって示されるように.

今のところ, 興味深い結果が得られます, 遭遇する可能性のあります。. 私たちの最初のパラメーターは市場に相関が高かったので一定のリターンを作った. しかし, 数字の 2 番目のセットよりも戻り 1 トレード当たりの平均が低かった (120,14).

これは非常に不可解です。. どのように決定するだろう, その後、, どの方法が良い? それは良いが、常に 1 トレード当たり以下を獲得するまたは 1 トレード当たりが少なく常によりを得るために?

我々は最適化の私たちの最終的な主食に移動する必要がこの質問に回答するには. 2 つのパラメーターを使用して作成された曲線を比較して優位性を 1 つの作品を参照してください。, すなわち. 定数の小さい利益またはより少なく一定の大きな利益.

曲線の比較

私たちの答えを得る我々我々は、曲線をオーバーレイするとき: パラメーターの最初のセット (120,30) まだお勧め. 初めに劣る結果を持ちながら, 2 番目のオプションの高の変動を意味する、あなたの結果がよりランダム.

その乱数が最終的に市場を効率的に予測できない戦略につながる. しかし, 番号の 2 番目のセットのリターンは非常に優れていた場合にボラティリティを返します 可能性があります。 リスクの価値があります。.

この場合, 、 120, 30 最後に優れたリターンを証明しました。, 少ないリスクと市場でより予測されている私たちを補償. だから, 我々は予備的な最適化を終えた今、アウトのサンプルテスト段階と戦略をテストする準備ができました.

出力サンプル試験

サンプルのアウトを実行することによって戦略他テスト後は当初の考えよりも、戦略が異なる市場の状況に反応する方法についての貴重な洞察力を得るでしょう.

今、私たちはそれぞれの結果を確認する必要があります。. 2 つの戦略があります。 (A と B) 両方の使用をテストしました- アウトのサンプル. あなたが見ることができます。, 戦略 A のサンプルにかなり成功していた (2/3) かなり低い実行データセット全体と照合したら.

対照的に, 戦略 B をの両方の部分によく行っていた- アウトのサンプル, 君は何か実行可能な意味. このように, あなたの戦略は、すべてのトレーダーがほしい-、大きいチャンスがあるお金のメーカー.

紙の取引に卒業

お祝いの言葉! このレベルに達した場合にしてきたに成功しました。. 今ではライブ・データであなたの取引戦略を試してみる時間です。. 我々はまだ実際のお金で取引をしている最も近いものです。, どれだけうまくあなたの戦略をライブ行いますように良いアイデアを与える必要があります.

最初の通知にしていない不具合があることが分るかもしれない. おそらく各貿易の出入りを別の指標で改善されるだろうか. これらは、のみを発見するかもしれないときに取引ライブ行くこと. いくつかの適切なサンプリング後, サンプル外の長さと、ほら-に似た何か取引戦略を細工しました。.

ショーン一緒に無料, 6-ステップのチェックリスト独自ビルドのトレーダーを支援する自動取引システム. 彼は QB プロの使用するものと同じです。. あなたが感じている場合は独自の戦略を開始する場所に圧倒, その無料配布開始する論理的な場所は、します。.

取引時間の次元

7 月 9, 2015 によってリオル Alkalay 6 コメント

取引のブロゴスフィアはあなたのトレードのタイミングの重要性についての記事. 確かに, 重要です。; 右の傾向を識別します。, 近くに開いたりするときに知っている - 貿易へのすべての積分. しかし、ここでのものです, 別の次元とのタイミングがあります半分だけの話です. あなたが参照してください。, 現実の世界では, それはあなたの入口と出口のタイミングだけでなく、間の時間についてだけではありません. 実際, あなたの貿易の持続時間は、あなたが思っているよりも多くの重要. この記事で私は両方の短期および長期戦略に影響を与えることができ、その時間内の様々な側面を説明します.

期間と返品

のは、理論的な取引状況を考えてみましょう, 2つの戦略を見て. 最初は獲得に設計された高周波一つです 1 pip, すべての貿易は単一の第2を取ると. 我々は、この戦略Aと呼ぶことにします. 第2の戦略, 戦略B, の利益を生成するように設計され 10 ピップごと 10 秒. だから、これは良い戦略であります? 紙の上, 両方が生成する必要があります 60 したがって、毎分ピップ等しくリターン. しかし、現実の世界では? まあ, それは全く別の話です.

実生活では, あなたは、2つの戦略の結果を集計するとき, あなたは大きな驚きのためにあることになるだろう. 戦略Aの下にはの利益を持っていました 50 後ピップ 1 分. しかし、戦略Bの下で、あなたはの利益を持っていました 66 ピップ. 今のところ あなたが優れている戦略だと思います? もちろんです, あなたは、Bを選ぶと思います. 興味深いことに, 1 トレード当たり, 各戦略が利益を得ました まさに 予定通り. 戦略Aが利益を得ました 1 ピップと戦略Bが利益を得ました 10 取引あたりのピップ.

だから何が違いを作りました? 時間. 次の2つのチャートに下記見ることができるように, 戦略A, 実行された場合, 当初の予想よりも平均的に少し時間がかかりました. 取引の継続時間の測定から、周りのクラスタ化 1.2 取引あたりの秒数ではなく、 1 2 番目. 戦略Bでは, 取引あたりの所要時間の測定, 平均, です 9 秒. 実行されると、, 戦略Bの取引が当初の予想よりも時間がかかりました. 最終的に, 一日の終わりに, 戦略Bが返されます 66 ピップまたは 32% 戦略Aの以上 50 ピップ. それは戦略Bは優れた選択肢であることを意味します.

今のところ, ビット近いまだこれを見てみましょう. 私たちは、執行した取引のそれぞれの時間を取り、標準偏差を測定するつもりです (Excelで簡単なエクササイズ). あなたは戦略Aであることを発見するだろう, 平均は次のようになりますしながら、 1 毎秒貿易, 標準偏差が高い. それは、このような戦略はあまり効率的であるサイクルが等しくない示唆しています. 反対に, 戦略Bは低い標準偏差を持っています, ほとんどの取引が近接している意味 10 秒. したがって, それは、より予測可能なリターンを有し、かつ, それゆえ, より効果的な戦略. あなたは戦略を測定する場合, リターンとリスクを超えてそれを理解, 各取引が問題にかかる時間. そして、実際には, それは非常に多くの問題ではでき.

所要時間とスイングトレード

だから今、私たちは時間のニュアンスが各戦略の最終的なリターンに影響を与えることができる方法を理解します. しかし、それは長い期間の取引に来るとき (すなわち. 数週間または数ヶ月) 他の要素が依然として存在します. この場合, それは貿易が正の時間となっているされています.

それでは、他の理論的なシナリオを見てみましょう. 今度こそです, 我々は戦略CとDを持っています, それぞれ2週間の同一の持続時間を有します. 同様に, 両方の期間の同じ標準偏差とほぼ同じリターンを持っています. しかし、一つの戦略は、他よりもリスクの高いです. 質問があります? 答えは、最短の時間のために利益を上げてきた戦略であります. 次の2つの取引を開いたと言います; 戦略Cがために有益でした 12 の 14 それはその目標に到達するために要した日数. 戦略Dは最初陰性でした 12 最後に急なリターンを生成する前に、日 2. 戦略D, その後、, あなたが長い時間のために損失を危険にさらしているので、明らかに、より危険です. これはまた、ことを示唆しています, たぶん, 戦略Dのエントリ信号は非常によくキャリブレーションではありません. 戦略Cは明らかに、より効果的でリスクが少ないです, 平均.

ボトムライン

もちろんです, 取引戦略の時間有効性を測定することに、より多くの側面があります. ちょうど時間を超えて検討する他の寸法もあります. しかし、ここでの教訓は明らかです. あなたがあなた自身の取引戦略を測定次回はその時はちょうどタイミングではありません覚えています.

自己相関

7 月 5, 2015 によってショーンオバートン 11 コメント

それは週末を 7 月 4 日です。. 私の妻は、この午後用事を実行しているし、私の息子の昼寝. 私は、実行のために外に行くことができません – それはテキサス州の7月です (すなわち, 信じられないほど熱いです) と, 赤ちゃんがウェイクアップした場合にどのような? 私の休日の午後を過ごすための唯一の方法はどちらかにしました) テレビを見たり、 2) マイケル・ホール・ムーアの最近の記事に飛び込みます, “時系列で系列相関“.

私は数学をスキップして、この非常に素人友好を維持するつもりです. でも、ほとんどの数学的に挑戦トレーダーは学ぶことができるいくつかの重要なテイク遠かっがあります。.

相関関係に素人のガイド

それでは、mathinessで簡単に行ってみようとは何か相関関係を思い出します. 相関関係は、二つの点の間の角度に直接関連しています.

それはそれは、紙やパソコンの画面の一枚に収まるものだから、二次元で理解することが最も簡単です. 点数 (1,0) と (2,0) 0°の角度を共有. 基本的には, ポイントが同一線上に位置します.

相関関係は、二つの点の間の角度に直接関連しています. これらの点は同じ行に置きます, そう互いの間の角度が0°であります. 彼らは同じ行にあるという事実は、それらを作ります 100% 相関.

相関関係は、二つの点の間の角度のコサインであります. 電卓を取得し、それを試してみてください. 0°の余弦は、 1.

COS(0) = 1.0, あります。 100% 相関関係.

上の画像を見てください. 点数 (1,0) と (2,0) 同じ回線を共有します. それは同じライン上の点であることは意味がありません 100% 相関? 未満のポイント 100% 別の行に相関嘘.

この直感的なを維持するために, おそらく取引から知っていること 60% 相関がに注意を払う価値があります, それは非常に予測するものではないのです. それは幾何学的に何を意味します?

私たちはどこcos⁻¹角度を取得したいです(私) = 0.6. コサインのものに巻き込まないでください. 私はちょうどあなたがこの角度の関係を実現したいです.

と角度 60% correlation is 53°. They're kind of close together, あまりにも近くありません.

と角度 60% 相関関係 53°であり、. 彼らは一種の一緒に閉じています, あまりにも近くありません.

これらのラインはかなり遠く離れています. A 60% 2外国為替ペア間の相関関係は同じ球場に入ります, しかし、あなたはほとんどPIPのピップを追跡していないしています.

外国為替の価格は、上記のグラフ上の点のようなものです. 1 バー前, 2 前のバー… 16,000 バー前EURUSDの価格がありました 1.11342, 1.11297…. 1.31974. EURUSDの過去のデータは、空間内の点を形成. それは、します。 16,000 次元空間, これは精神的に完全に理解できないです, それはまだポイントです. それはあなたがそれに線を引くことができることを意味!

私たちは通常、2つの通貨ペアを比較することにより、外国為替での相関関係についての話. ほとんどのトレーダーは、ユーロ/円、英ポンド/円が相関していることを知っています. あなたが間に線を描画しています 0 そして、EURJPYポイント, その後の間に線を描きます 0 そして、GBPJPYポイント, 次に、相関関係を決定するために角度を算出します.

EURUSDの例では、私たちだけが1線を引くことができます. 私たちはラグで自身に対してEURUSDを比較した場合? それは、私たちは2 EURUSDの線を描く聞かせ!

メモリ機能

EURUSDの例を使用して, あなたは自然に期待します 100% 相関あなたは二度同じラインを引いた場合. それは価格の同じシリーズです. 自分自身でそれは私たちにあまりにも多くを教えてくれありません.

自己相関のアイデアは価格に遅れることです. 今のところです 15:00. 私はから価格を取ることができます 15:00, 14:00 と 13:00 1時間遅延と比較. 新しい遅延シリーズはから価格です 14:00, 13:00 と 12:00. 1時間のギャップがあります 99.9% 元の価格のシリーズと相関.

マイケルの記事では、ますます大きくタイムラグを見て私を奨励しました.

EURUSDの相関は、時間差が大きくなるようにそれ自体に対して減少します.

横軸の数値は時間差であります, のグループで行われ 100. 縦軸は相関を示します.

EURUSDは周りの後にすべての情報を失います 3,000 データの時間. 即ち、相関関数が到達点についてです 0%.

自己相関は、多くの場合、メモリ機能と呼ばれています. トレーダーらによると、自分自身に質問をするためにこれを使用することができます, “どの程度まで戻って時間に私が行くと、まだ有用な情報を得ることができます?” 私は、高い信頼度であなたを伝えることができます1時間チャートを取引している場合, それは超えて何かを検討しても無駄です 3,000 時間.

重要性のための私の個人的な閾値があります 75% 相関関係. EURUSDはを通してその自己相関を維持 800 データのバー, あなたが密接にズームインするとき、あなたは、チャート上で見ることができます.

トレーダーのための持ち帰りは、あなたの周りに過去の行く一度ということです 1,300 バックバー, あなたの情報は急速に少なく貴重になります.

どうなっているのですか?

4 月 22, 2015 によってショーンオバートン 9 コメント

それはどんな定義によるでこぼこ月をされています。. 先月の連銀発表の余波でお金のトンを作りました。, 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 ペア. 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, スイスフラン, ユーロ (EUR), 英国ポンド, 円, 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 プロ 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. まあ, 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.

あなたの取引に機械学習を使用する方法

4 月 5, 2015 によってショーンオバートン 2 コメント

Machine learning presents many unique and compelling advantages for traders looking for an edge in the market. Just in the last year we have seen a huge amount of resources from the world’s top hedge funds, like Bridgewater Associates, dedicated to exploring these techniques.

While using machine learning or artificial intelligence seems incredibly complex and difficult to implement, there are still ways to leverage their capabilities without needing a PhD in math or science.

この記事で, we’ll go through 3 different ways that you can use techniques from machine learning to improve your own trading.

Indicator Selection

One of the most important decisions is deciding on which indicators to use to trade. Whether you are a technical or fundamental trader, or you just use price action to trade, your success is going to be largely dependent on the indicators that you use and how you interpret them.

幸いにも, there are many different methods for selecting your indicators and this is known as “feature selection” in the machine-learning world.

Using a Decision Tree to Select Your Indicators

Decision trees are very versatile algorithms that have the benefit of being easily interpretable. Given a large dataset of indicators and the price movement of the asset, a decision tree will find the indicators, and indicator values, that best split the data between price increases and price decreases. Indicators closer to the top of the tree are seen as better predictors than those closer to the bottom of the tree, and following a particular branch will allow you to easily find interdependencies and relationships between the indicators.

The decision tree will also give you a set of rules that you can use to trade based on those indicators, but you must be sure to properly prune the tree and test for overfitting.

The decision tree is a powerful, visual tool that can help you decide which combinations of indicators to trade and at what values to trade them. You can find a tutorial on how to build a strategy with a decision tree ここで or for a more general guide, in R ここで is a good resource.

最適化

Once you have the basis for your strategy, the next step is optimization, or choosing the correct parameter values to maximize your chance of success. Many strategies have a wide variety of parameters, such as indicator settings, the entry and exit conditions, stop loss and take profit levels, and position sizing, that make “brute force” methods of trying every single combination extremely difficult and time consuming, if at all even possible.

Solving these types of problems is another area where machine learning excels.

Optimizing a Strategy Using Genetic Algorithms

Genetic algorithms mimic the process of natural selection by creating a unique set of “child” strategies that contains a mixture of the best “parent’” strategies, with a chance of random mutation.

The process begins by encoding your strategy into an array. For example it could read as something like:

インジケーター 1 期間

インジケーター 2 期間

Buy Condition

Sell Condition

リスク:Reward Ratio

Where a 50 – 200 period moving average cross, とともに 50 pip to 100 pip risk-to-reward ratio would be:

50 – period Moving Average

100 – period Moving Average

インジケーター 1 crosses above Indicator 2

インジケーター 1 crosses below Indicator 2

50:100

You would then generate a large population of strategies with random variations of these parameters. These strategies all have different combinations of moving average periods, entry and exit conditions, and risk-to-reward ratios.

次, you would test this population by running each strategy over a test set and selecting the top strategies based on a performance metric of your choice.

最後に, you randomly combine the traits of the top strategies, with a small chance of “mutating” some of the parameters, to create a new generation of “child” strategies. You then repeat the evaluation procedure and once again mate the top performing strategies from this new generation. This leads to a survival of fittest scenario where only the top strategies “survive” to pass along their genes to the next generation

Repeat this process a large number of times or until a certain performance criteria is reached and you are left with a very robust strategy built from generations of the best performing strategies!

You do have to make sure that you select an appropriate performance metric (such as risk-adjusted return) and always test the final strategy over data that wasn’t used to build the strategy to ensure that you aren’t overfitting to a particular data set.

This is a very powerful and robust method that has been successful in a wide variety of applications, including the world of trading. You can find a more detailed description ここで and a tutorial on how to implement it in R ここで.

Live Trading

One of the more attractive aspects of machine learning is having an algorithm that is able to learn and adapt to changing market conditions. しかし, this creates a “blackbox” strategy that, if you do not completely understand how the algorithms work and thoroughly tested it yourself, is very difficult to trust on a live account. Not knowing when or why a strategy is entering a trade can be a scary proposition.

しかし, there are ways to get the benefits of an intelligent, algorithmic approach while still maintaining transparency and understanding in your strategy.

Association Rule Learning

Association Rule Learning is the process of deriving a set of clear, understandable rules from the patterns uncovered by a machine-learning algorithm.

Algorithms, like the Apriori algorithm, search a dataset of indicators, indicator values, and the resulting price movement to produce a set of conditions; basically “if-then” statements, that lead to the highest-performing results. しかし, it’s still difficult to know exactly where these rules are coming from, the Apriori algorithm requires a fairly large number of parameters to be tuned and this process does not lend itself well to changing market conditions.

と TRAIDE, we took the process one step further and allow you to see the patterns found by an ensemble of machine-learning algorithms, from which you can create your own trading rules. These rules are then easy to implement and adjusted to changing market conditions, all without requiring any programming or mathematical experience. You are able to get the benefits of using machine-learning algorithms to trade while still maintaining complete transparency, an understanding of your strategy, and including your own domain expertise in your trading.

Using machine learning and artificial intelligence to find an edge in the market does not need to be exclusively owned by only the largest financial institutions. As this technology becomes more accessible and these techniques more common, you too can use machine learning to improve your trading.

Tad Slaff

CEO/Co-founder

Inovance

QB プロ – 2 月

3 月 2, 2015 によってショーンオバートン 1 コメント

システム上のすべてのクライアントで最初完全な月は凄かった. 獲得した MAM $45,199.63 すべてのクライアントアカウント. 私の会社のアカウントが作られました $1,247 の開始残高に $2,500.

利益を撤回

あなたは毎月のアカウントのうち、ご希望の危険レベルを超えて何かを撤回すべきであることを忘れないでください. 私は削除しました $750 金曜日に私の個人アカウントから. それは総撤退利益です $4,997.66 単一の預金の $2,000. アカウントの合計生涯利益があります $5,997.66.

今、私はリスク資本の2ヶ月は完全に確保されていること, 私は危険にバランスを増額完全に快適だ時点で、最終的です. 3月の開始残高 2015 は $3,000.

今後はどこからでもリスクになっています 20-50% 完全なワイプアウトを危険にさらすことなくリターンを配合するために、月単位で生涯利益の. 私が持っているので、私は唯一のことをやっています $4,000 物事が悪くなる場合アカウントの資本増強するために確保さ.

危険水準

私は私の既存のトレーダーをポーリングし、コンセンサスは変わらないリスクレベルを残してから〜25％のリスクを落とすの範囲でした. 私が投票した後も変更されず、レバレッジを残しました, しかし、来週は私の心を変えました.

アカウント資本は周りでした $120,000 当時の (我々はで月開始しました $132,749.27). 鑑賞 5 レバレッジオープンポジション 58:1 サイズは夜に目を覚まし私を保っアカウントで. 我々はすべての取り決めが、これは危険性の高いアカウントであることだったと誰もが損失の非常に現実的なリスクを受け入れます.

私はそのくらいのお金を調達することが期待することはありません (私の目標は40Kでした) それは真剣に私の考えを変えたです. でも、100Kの管理実績報酬は相当なものです. 任意のインテリジェントなビジネスマンのように, 私は継続的にそのビジネスを得るために私の力で全力を尽くすつもり.

翻訳: 私は本当に, 本当に, reaaaaallyあなたのお金を失いたくありません.

上の画像は表し サンプル外 の最大許容レバレッジを実行して、今後の取引システムのためのエクイティ・カーブ 7:1. それはQBプロです 2.0. チャートは一年半にわたりドルで損益を示しています.

テストは私が過ごしたカスタムbacktesterで行いました 40 開発時間. 開発者は、パフォーマンスを説明する吸虫を探しているコードを監査しています – 我々は結果を反証することができていません.

私たちは、メタトレーダーにコードを変換するに取り組んできました 4 今2週間. コードは準備ができているときはいつでも, 私は、同じデータに同一の性能を確認するためにデモ口座でそれを起動します. 私は変更にETAを持っていません. 私はそれが最優先だと言うとき私を信頼.

すべてがうまくいくと仮定すると、 (指が交差します!) バックテストとデモ取引の, 次のステップは非常にリスクの低い設定に生き、それを取引することになります. 私の目標は、私が更新されたシステムをロールアウトすることができるよになるまで生きていると健康、あなたのアカウントを維持することです. 私は最終的によりMAM口座にレバレッジを下げた理由です 25%. 私の会社のアカウントもによってレバレッジを下げ 25% – 私はトレーダーと同じリスクを取っています.

爆発の歴史的なリスクについて 70:1 レバレッジはバージョンと歴史に基づき検出されません 2.0. それはと比較しています 8.5% 彼らは取引を開始する前に、私はみんなに言ったことを爆破の毎月のリスクQBプロ.

爆破の期待毎月のリスクであります 0%? いいえ! コースではないです。. 動きのスイスの中央銀行のタイプが発生した場合、あなたは間違った方向にレバレッジポジションを持っています, まあ, それは戦略のために点灯しています. バックテストのいかなる量は損失のそのタイプを防ぐことはできません.

今後の一つ, 戦略の重要な変更は、それが純粋に戻す意味されないことです. それは、タオルでスローするときに知っていて、代わりにそれを戦うのトレンド取引を開始する必要があります. この重要な変化と私は完全に夜に眠ることができます. 取引実績は、全か無かではありません. 私の期待は、それが利用可能なときはいつでもトレーダーの潜在的な収益の同じレベルを提供しながら、リスクは劇的に減少するということです.

私は農場を賭ける必要があります?

明らかではありません. 車は余分な資産であることを私はこの人の問い合わせに答えて満足していました (それはそこに座っています, なぜそれを販売しません?). ということで, 私が取得します 極端に神経質 私はこのようなメールを取得するとき.

私が口座に資金を供給するためにお金を稼ぐために私の車を販売したいので、私は聞いていますのよ.

QBプロのリスクは、現在変更されていません. レバレッジが低下するので、それは私が最初に引用されたよりも低いです, それはまだ非常に実質的です. あなたのアカウントにお金を追加することを考えている場合, その後、 あなたが失うことを喜んでいるよりも多くのお金を追加しないでください.

それは関係なく、取引戦略の真のです. あなたはそれを失うことができない場合, それを危険にさらすしないでください. 期間. 物語の終わり.

あなたのアカウントにお金を追加する方法について考えてきたが、それは純粋ではない場合 “お金をパント”, すなわち, それは投資のようなより多くのです, 私はバージョンまで延期することをお勧めしたいです 2.0 利用可能です. 私は、資金のこれらのタイプを管理するより快適に感じ、私はあまり歴史的に危険な申し出に何かを持ってまで、あなたがオフに保持することを好むだろう.

MAM料金

あなたのアカウントに請求される料金に質問がある場合, then please email info@quantbar.com. 私はあなたが任意の懸念がある場合は手数料の計算方法を理解しておくようにしたいです.

あなたの料金は、アカウントに基づいて充電されることに注意してください株式月の端から端までの基礎. アカウントの資本は月に取られます 31. 私たちは月に利益を得ました, そう料金は2月に株式の間に有益な違いがあります 27 そして、ヤン 31, それはあなたの高いウォーターマークより上だと仮定すると.

これは、クロージング取引に基づくものではありません バランス. QB Proは月にオープン取引を持っていたので 31, 、 バランス あなたはメタトレーダーで実行するレポートが異なります株式あなたは月に作られた利益. もう一度, これは、オープントレードが月に存在していたという事実によるものです 31. 違いは比較的軽微であるべき.

次のような主要な矛盾が表示された場合 50% 利益か何かの, その後、私に教えてください. MAMソフトウェアが預金としてクライアントのバランスの変化を認識しなかった場合は私は1つのインスタンスを知っています, ので、代わりに利益としてマークされ、彼はほとんど過充電されました. あなたは、エラーが表示された場合, 私は非常にそれを右にしたいです. 私は、ソフトウェアの精度に依存だと不一致をスポッティングあなたはそれが今までに修正されるだろう唯一の方法です.

免責事項: Dominariオンラインコース株式会社, 私はそのうち 100% 実質所有者, どのような状況の下で、米国のクライアントを受け入れません.

正しい戦略を選択します

11 月 12, 2014 によってエディ・花 3 コメント

Traders use a variety of strategies in the markets, all based on two forms of analysis: 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.

しかし, 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. と, some traders use data such as news releases in the short term to generate trades or confirm signals. だから, 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

★ パラボリック SAR

★ ギャン 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 外国為替ブローカー. と, 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? または, a combination of both?

確率良い外国為替取引ツール

6 月 16, 2014 によってエディ・花 25 コメント

成功するために, 外国為替トレーダーは、確率の基本的な数学を知っている必要があります。. 結局その程度です, 数字を理解し、それらを測定する機能をせず取引利益を維持することは困難です。.

多くのトレーダーは、ブラックボックスインジケーターの組み合わせを使用して開発および取引ルールを実装. まだ, 「良い」トレーダーと偉大な 1 つの違いは、メトリックとパフォーマンスと利益を計算するための方法の理解.

確率と統計を開発する鍵は、します。, テストおよび外国為替の取引から利益を得る. いくつか確率ツールを知ることによって, トレーダーは数学用語で目標の取引を設定する方が簡単です。, 作成し、効果的な取引戦略を動作, 結果の評価.

確率と統計外国為替取引のための最も基本的な概念を確認すると便利です。. 確率の数学を理解すること, 機械的なトレーディングシステム、専門家のアドバイザーで使用されるロジックを知っているよ (EA).

正規分布

外国為替取引における確率の最も基本的なツールは、正規分布の概念. 最も自然なプロセスが「通常配布される。"と述べた

連続的にどこでもされる数の確率がほぼ等しいことを意味する「一様分布」. これは人工的に領域にわたってオブジェクトをできるだけ均等に広がってからなる分布の一種, それらの間の間隔の均一な量で.

しかし, 一様分布ではなく, 通貨ペアの価格は、任意の時点で特定の領域内可能性が発見されます。. これはその「正規分布です。,「確率のツールは、その価格が見つかりませんする可能性が近似を示すことができると.

正規分布は、外国為替トレーダー通貨ペアの価格が特定の時間枠の中に、特定のレベルに到達することの可能性について予言する力.

コンピューターの手段を計算する乱数ジェネレーターを使用して、 (平均値) 正規分布を決定するために外国為替の価格の.

サンプル価格はチェックの数が多い場合, 正規分布となるグラフィカルに印刷時の鐘型曲線の形. サンプル数が大きいほど, 滑らかなカーブになります.

単純平均のルールがトレーダーに役立つ, まだ正規分布の規則はより有用な予言する力を提供します。. たとえば, トレーダーは、外国為替ペアの「平均」毎日価格の動きである計算可能性があります。, 言う, 50 ピップ.

まだ, 正規分布が、間、特定の毎日の価格の動きが落ちる可能性のトレーダーに伝えることができます。 30 と 50 ピップ, または間 50 と 70 ピップ.

正規分布と標準偏差の規則に従って, 約 68% サンプルの平均値の標準偏差を 1 に示されて (平均), 約 95% 2 つの標準偏差の平均の内にある、. 最後に, ある、 99.7% サンプル平均の 3 つの標準偏差の内で落ちる可能性.

エキスパートアドバイザーの正規分布と標準偏差関数 (EA) 取引システム外国為替トレーダーの評価価格が一定期間中に一定量を移動可能性がありますに役立つと.

まだ, トレーダーは、リスク管理の目的のためだけで正規分布の概念を使用するとき注意が必要. でも、まれな事象の確率 (価格の低下など 50%) 低いかもしれません, 予期せぬ市場の要因は、それは正規分布の計算中に表示されるよりもはるかに高い可能性を作ることができます。.

分析の信頼性データの質と量に依存します。

正規分布曲線をモデリングするとき, 量と入力価格データの品質は非常に重要です. サンプル数が大きいほど, 滑らかなカーブになります. また, 不十分なデータから計算エラーを回避するには, それぞれの計算が少なくとも 30 サンプルに基づいて判断することが重要です。.

だから, サンプルの結果の推定による外国為替取引戦略をテストするための取引します。, システム開発者する必要があります少なくとも分析 30 テストされているパラメーターに関する統計学的に信頼性の高い結論に達するために取引. 同様に, 研究からの結果 500 取引が唯一の分析からのそれらより高い信頼性 50 取引.

分散とリスクを予測する数学的期待値

外国為替トレーダーのため, 分布の最も重要な特徴は、その数学的期待値と分散. 取引の一連の数学的期待値は計算しやすい: すべてのトレード結果を追加し、取引の数で割ります.

取引システムは収益性の高い場合, 数学的期待値は肯定的なします。. 数学的期待値が負の場合, システムは平均を失っています。.

相対的な傾斜または分布曲線の平坦度、広がりや数学的期待値の領域内で価格の値の分散を測定することにより表示されます。. 通常, ランダムに分散値を数学的期待値は M として記載されて(X).

だから, 分散は、D として定義することができます。(X) = M[(X M(X)]².

と, 分散の平方根は標準偏差と呼ばれる, シグマとして数学的な短縮形で表示 (Σ).

分散と標準偏差は外国為替取引システムのリスク管理で非常に重要. 標準偏差の値が高い, より高い潜在的なドローダウンとなります, リスクが高い. 同様に, 標準偏差の値が小さい, システムを取引しながら、ドローダウンは低くなります.

たとえば, 以下は外国為替取引システムのテストのサンプルのリスク評価です。:

トレード数 X (貿易の利得または損失)

1 -17.08
2 -41.00
3 147.80
4 -159.97
5 216.97
6 98.30
7 -87.75
8 -27.83
9 12.34
10 48.14
11 -60.92
12 10.62
13 -125.43
14 -27.82
15 88.02
16 32.94
17 54.82
18 -160.10
19 -83.37
20 118.40
21 145.65
22 48.43
23 77.39
24 57.49
25 67.75
26 -127.10
27 -70.19
28 -127.60
29 31.31
30 -12.55

上記例では適切なサンプルの 30 の取引の最小数に基づく, 数学的期待値は肯定的に注意することが重要です。, 外国為替取引の戦略は確かに有益であるので.

しかし, 標準偏差が高い, だからトレーダーごとのドルを得るために危険にさらしているはるかに大きい量; このシステムは、重大なリスクを運ぶ.

ここでは、数学の残りの部分: 取引のこのグループの数学的期待値を決定するには, すべての取引の利益と損失を加算します。, を割ります 30. これは平均値 M です。(X) すべての取引のため. この場合, 利得の平均値に相当する場合します。 $4.26 1 トレード当たり. これまでのところ, システムは有望に見える.

次, 分散の標準偏差を計算するには, 上記の平均 $4.26 各取引の結果から減算します。, 2 乗されますし、, これらのすべての正方形の合計が一緒に追加されますと. 合計で除算します。 29, マイナス取引の総数であります。 1.

分散の式を用いて (X) = M[(X M(X)]² 上で与えられる, ここでは、私たちの例では最初の取引から計算のチェック:

貿易 1: -17.08 – 4.26 = -21.34, と (-21.34)² = 455.39

テストシリーズの各貿易の同じ計算を実行します。. この例では, シリーズ equals を分散 9,353.62 定義によってその平方根は標準偏差と等しいと (Σ), この例では $96.71.

従って外国為替トレーダーはこの特定のシステムのリスクがかなり高いことを見る: 数学的期待値は確かに肯定的です, 平均利益 $4.26 1 トレード当たり, まだ標準偏差はその利益と比較すると高い.

それはトレーダーがの危険にさらしていることを見ることができます。 $96.71 それぞれの機会を獲得するため $4.26 利益で. このリスクは許容されることがあります。, トレーダー検索ではリスクが低いシステムを変更するか.

Z スコア

特定の取引システムの危険性を超えて, 外国為替トレーダーは、Z スコアを計算するのに、正規分布と標準偏差も使用できます。, どのくらいの頻度を示す収益性の高い取引が負けトレードに関連して発生します。.

受賞外国為替取引システムの開発プロセスの中に, トレーダーことがありますどのように多くのテスト中に見て利益がある取引の"ランダムだったのだろうか,」と、取引を獲得を達成するためにどのように多くの連続負けトレードを容認する必要があります。.

たとえば, 平均予想特定外国為替取引システムからの利益は、このシステムを取引しながらトリガーストップ・ロス注文ごとから予想損失額よりも 4 倍未満と仮定します。.

一部のトレーダーは、システムが時間をかけて勝つことを仮定してよい, 各 4 つの負けトレードの少なくとも 1 つの有益な貿易の平均がある限り、. まだ, wins と損失の分布によってください。, 実世界の取引中にこのシステムが描き下ろしすぎて次の勝者の時間で回復するには.

正規分布を使用して Z スコアを生成できます。, 呼ばれる標準スコア, トレーダーだけでなく勝損失の比率を推測することができます。, どのように多くの勝利/損失が連続して発生する可能性が.

正の Z スコアは上記の平均値を表します, 負の Z スコアが平均値を表し. この値を取得するには, トレーダーは個々の生値から母集団の平均を減算し、母集団の標準偏差の違いで除算.

基本スコアとして x が指定された生のスコアの計算:

Z = (x-μ) / Σ

Μ は母集団の平均、σ は標準偏差. Z スコアの計算では、トレーダーが人口のパラメーターを知っている必要があることを理解することが重要です。, その母集団から採取した試料の特性だけではなく.

Z を表し、母集団の平均と生のスコア間の距離, 標準偏差の単位で表される. だから, 外国為替取引システムの:

Z = [N x (R – 0.5) – P] / [(P x (P – N)] / (N- 1)]½

とき:

一連の中に、N は総トレード数です。;
R は勝利し、負けトレードのシリーズの合計数です。;
P に等しい 2 x 幅 x 長さ
W は、シリーズの中に勝ちトレード数の合計は、します。
L は一連の中に負け数の合計

個々の系列にプラスまたはマイナスの連続を表されます。 (たとえば ++++ または —). R はそのようなシリーズの数をカウントします。.

Z は、外国為替取引システムがターゲット上を動作しているかどうかの評価を提供できます。, またはどの程度までオフのターゲットがあります.

同様に重要な, トレーダーは Z スコアを使用して取引のランダムシーケンスから予想以上に取引システムが勝者と敗者の数が少ない以上のシリーズを含むかどうかを確認できます。– 他の言葉で, 連続取引の結果が互いに独立かどうか.

Z スコアが近い場合 0, トレードの結果の分布は正規分布に近いし、. 取引の一連のスコアはこれらの取引の結果の間の依存関係を示すことがあります。.

これは通常のランダムな値が平均値から逸脱しない以上 3 シグマで、します。 (3 x σ) 確信を持って 99.7%. 依存関係の種類について業者に通知が Z 値が正または負であるかどうか: 敗者続く貿易黒字が正の Z 値を示します.

と, 正の Z を示します別の収益性の高い 1 つ続く貿易黒字, 別の損失、敗者が続きますと. この観測の依存関係により、個々の取引のポジションのサイズを変化させ、リスクの管理に役立つ外国為替トレーダー.

シャープレシオ

シャープ・レシオ, または報酬の変動比率, 外国為替トレーダーのための確率ツールの最も貴重なの一つは、します。. 上記の方法と同様に, それは正規分布と標準偏差の概念を適用することに依存しています。. それはトレーダーを与えるリスクを調整することによって取引システムのパフォーマンスをチェックする方法.

保有期間のリターンを計算するのには、まずです。 (IPs). たとえば, 貿易の利益につながった 10% HPR としてを計算します。 1 + 0.10 = 1.10 一方、貿易を失う 10% としてを計算されます。 1 – 0.10 = 0.90.

同様に, HPR を前に貿易額後の貿易バランス量で除して計算できます。. 平均保留期間を返します (AHPR) すべて個々の保有期間のリターンを加算することによって計算されます。, トレード数で割る.

AHPR 自体によって生成時間をかけて取引システムの性能を適切に見積もる可能性がありますいないする算術平均. 代わりに, 取引システムの投資効率をより密接にシャープレシオを使用して推定できます。, 長期的な投資リターンのリスクフリーレートマイナス AHPR が取引システムの標準偏差がどのように関連するかを示しています.

シャープ・レシオ = [AHPR- (1 + RFR)] / SD

AHPR が平均保有期間を返す, RFR は銀行の金利など「安全」への投資からのリターンのリスクフリーレートまたは長期国債金利, SD は標準偏差と.

以来、以上 99% すべてのランダムな値 ±3σ M の平均値の周りの距離になります。(X) 特定の取引システム, シャープレシオが高い, 効率的な取引システム.

たとえば, 通常分散トレード結果のシャープ・レシオがある場合 3, それは失うことの確率があることを示します未満 1% 1 トレード当たり, 3 シグマのルールに従って.

正規分布の概念, 分散, Z スコアとシャープレシオが EAs と機械的な取引システムの対数に組み込まれています, その有用性、ほとんどのトレーダーに表示されません。.

まだ, これらの基本的な確率ツールのしくみを知ることによって, forex の貿易業者がその機能を実行しますどのように自動化されたシステムのより深い理解を持つことができます。, それにより勝ちトレードの確率を高めると.

現在使用の確率ツールの成功のためのあなた自身のチャンスを高めるため?

システムパラメーター置換データマイニングバイアスを打つ

5 月 16, 2014 によってエディ・花 6 コメント

最近, an interesting new perspective has emerged regarding trading-system development. The National Association of Active Investment Managers (NAAIM) has just announced 、 $10,000 Wagner Award for Dave Walton of StatisTrade for his pioneering work in exploring a new method for trading-system development, which he calls System Parameter Permutation (SPP).

It’s a well-merited prize, since SPP neatly solves the age-old issue of data mining bias.

This article will summarize the implications of System Parameter Permutation, and the entire 33-page paper can be downloaded ここで. SSP is exciting because it opens up an entirely new horizon in trading-system development. It has the power to help boost quant traders to the next level, so it’s worth taking a careful look.

Many traders have been frustrated by trading system performance that doesn’t live up to expectations, and it seems that data-mining bias (DMB) is mostly to blame. The effects of DMB are misunderstood and underestimated by most traders and system developers.

Even well-seasoned institutional quants fall prey to the effects of DMB, and very few traders have been able to overcome it. The value of SPP lies in its power to mitigate DMB and allow developers to effectively design mechanical trading systems according to their probability of future success, not past success.

System Parameter Permutation seems the perfect tool for active traders who only use mechanical trading systems, and it’s said to be effective for trading systems using any time frame. It helps traders answer these two fundamental questions:

What is the long-term performance expectation for a given trading system?

What is the worst-case short-term performance (すなわち. ドローダウン) that must be tolerated in order to achieve that long-term performance expectation?

Defining the parameters for System Parameter Permutation

SPP is intended to be used only with fully-mechanical trading systems using quantitative algorithmic trading rules. だから, it’s perfect for today’s traders.

In order to keep the explanation in his award-winning paper simple and easy-to-follow, the author keeps the definitions and instructions simple.

For the sake of simplicity, the author’s primary study of System Parameter Permutation was based on ETFs using “long” trades only, since shorts would complicate the input assumptions regarding borrowed shares, callbacks, dividends, and interest charges. The author used a historical simulation period of about seven and a half years. Commissions and other costs were calculated at typical levels.

The results of the SPP-fueled simulations were limited to four metrics: Compounded annual returns, maximum drawdown, annualized information ratio, and the annualized standard deviation of daily returns. To compare the effectiveness of SPP in predicting trading-system performance, the simulations were also checked using legacy out-of-sample (OOS) メソッド.

How to mitigate data mining bias?

Data mining bias, also called over-optimization, curve-fitting or over-fitting, is a trading-system developer’s worst enemy.

Most developers build DMB into their systems without understanding what it is and how it poisons systems. 結果として, their systems are doomed to perform worse in the future than historical back-testing would have them believe.

The issues caused by DMB result from the preconditions inherent during the system-development process, namely randomness and the multiple-comparison approach. DMB causes the resulting performance metrics to be inflated on the side of success.

Data mining in order to find the best set of trading rules means that developers end up with only the best results of historical performance, which are not the same as the rules for best future performance.

実際, the law of statistical regression toward the mean indicates that the “good luck” of the past is unlikely to be repeated in the future when using that same set of trading rules.

Savvy system developers use various methods to mitigate DMB, including cross-validation by examining system performance after regression to the mean has already occurred. または, they may attempt to compensate for bias, or multiply their results by a deflation factor in hopes of neutralizing the effects of data mining bias.

このように, DMB creates systematic, difficult-to-quantify errors by focusing on the results from good luck, while ignoring the likelihood of bad luck. 対照的に, System Parameter Permutation accounts for the occurrence of both good and bad luck.

Using System Parameter Permutation to determine system performance

The limitations of DMB mitigation mean that developers often suffer from inaccurate predictions about trading system performance going forward. 対照的に, SPP offers a handy method for accurately estimating performance as well as a way to test the statistical significance of results, free of data mining bias.

すべてのベスト, SPP works very well alongside the standard optimization tools used in commercially-available trading software packages.

Beyond avoiding the issues caused by DMB, System Parameter Permutation also enables traders and developers to objectively check the performance of a trading system’s long-term “edge.” And, it allows them to determine a system’s short-term “worst case” performance. For systems already in use, SPP helps determine when and whether the old rules no longer work.

How SPP works

System Parameter Permutation works by generating a large set of sampling distributions of a system’s performance metrics. Each individual point in the distribution results from a historical simulation of portfolio effects. From these sampling distributions, developers and traders can evaluate the system based on any desired performance metrics.

SPP uses the statistics from these sampling distributions to estimate the system’s performance as well as providing measurements of the statistical significance of the distributions.

In contrast to standard optimization methods, System Parameter Permutation does not merely pick a single “ideal” set of parameters to be used to create a set of trading rules that would have been historically successful. 代わりに, SPP uses すべて the performance data for すべて sets of parameters that were evaluated during the optimization.

For each metric, SPP generates a sampling distribution that incorporates the hypothetical-trade results from all combinations of parameters. This approach is far different from DMB compensation or cross-validation, since those methods use only the result of a single “best” set of trades in order to predict the system’s performance.

SPP relies on the median performance in each distribution for several reasons: (1) The median is not influenced by DMB; (2) the shape of the distribution curve is unimportant; と (3) the median is unaffected by outliers.

The steps to SPP

To generate the performance-metric sampling distributions, a developer must first determine an appropriate set of parameter ranges for the trading system, then create a sampling distribution. SPP is based on the following steps:

1. Determine the scan ranges of the parameters for the system;

2. Divide each individual parameter scan range into the desired number of observation points;

3. Perform exhaustive optimization of every possible combination of parameter values using a historical simulation during the chosen time period;

4. Combine together these simulated results from each and every variant to build a sampling distribution regarding each desired performance metric, such as compound annual return (CAR) and maximum drawdown.

With the System Parameter Permutation method, each point in the sampling distribution is derived from the simulation run according to an individual system variant. Depending upon the time and computing power available to the trading system developer, any number of performance metrics may be checked.

The cumulative distribution function (CDF) is then examined for each metric, in order to estimate system performance and arrive at statistical inferences.

It’s critically important to choose SPP parameter scan ranges carefully to avoid data mining bias. たとえば, if SPP is repeated several times using different scan ranges in search of better results, then it may become infected by a positive bias.

Using SPP to estimate the long-term performance of a trading system

The most important question to be answered by System Parameter Permutation regards the long-term performance of a given trading system. The most accurate long-run estimates are obtained from the sampling distributions based on all available market data. 上記のよう, the median value of the distribution offers the best performance estimate for each metric.

また, traders and system developers can test the statistical significance of these performance estimates, whether in terms of absolute returns or measured against a benchmark. When using SPP, confidence levels and p-values can be estimated directly by using the CDF.

System Parameter Permutation also estimates short-term and worst-case performance

Even though trading system developers are naturally focused on a system’s potential for long-term gains, SPP is also useful for estimating the drawdowns which must be endured in order to achieve those gains.

• All market data are divided into blocks of time equal to the length of the chosen short-term time period (t);

• These time blocks may overlap with adjoining blocks, depending on the time-frame chosen for trading signals, 例えば. hourly within a day, or monthly within a year;

• The result is a number (m) of time blocks;

• The above-listed Steps 1 を通じて 4 are performed for all (m) time blocks individually;

As with estimating the long-term periods, the length of the short-term periods depends on the trader’s preferences and trading objectives.

だから, if a trading system has (n) combinations of parameters, in total (m x n) optimization permutations are calculated from a historical time period t to generate a sampling distribution for each metric being examined during the chosen short-term time-frame. Just as with the long-term performance study, the trader may choose any number of metrics for short-term study.

Sampling distributions from the short-term SPP process produce far more individual samples that have a higher variation than those generated by the long-term SPP process. しかし, each distribution has a shorter time-frame and therefore represents fewer closed trades in each sample.

だから, the standard error of each short-term sample is greater. When the standard error increases, the variation of the sampling distribution likewise increases.

Armed with these sampling distributions, a trader can make probability-driven decisions about whether to trade a system or not. 最初, the trader decides on a probability level that he or she considers improbable yet tolerable as a worst-case scenario, perhaps a 1% 宛先 5% 損失.

または, the trader may determine the worst case in view of the least-favorable-yet-most-tolerable performance level. The CDF of the short-term sampling distribution is then examined according to the chosen level of performance desired.

If the trader is unable or unwilling to tolerate the indicated probability of loss, then he or she should not trade that system. このように, System Parameter Permutation provides traders with an objective risk-assessment and risk-management tool.

Why SPP works so well

System Parameter Permutation works because it leverages the statistical law regarding regression to the mean, instead of ignoring it as most other system-optimization methods do. 同様, SPP takes advantage of modern computing power to quickly extract and utilize the maximum amount of information from all available market data.

Traditional optimization methods calculate performance metrics from the single best set of trades discovered during optimization. まだ, random resampling can result in problematic assumptions and data mining bias.

By using a large number of parameter-value combinations, SPP estimates the effect of mean-regression. Using all the available market data ensures that the system is exposed to the widest range of market conditions, and the results contain the smallest possible standard error.

In contrast to random resampling, when using SPP the random variations result from changing the entry and exit rules for hypothetical trades using actual market data. このように, SPP accounts for the effects of both completed trades as well as randomly-skipped trades.

他の言葉で, System Parameter Permutation lets trading system developers explore aspects of a system which otherwise would remain hidden yet possible during real trading.

SPP opens new doors for mechanical traders

伝統的, developers have built their trading systems according to estimates of performance based on single-point optimization and measures of statistical significance inferred from a limited number of trades. まだ, System Parameter Permutation provides traders with more useful sampling distributions of performance metrics, and it accounts for all historical trades, whether or not they actually occurred.

SPP can help traders confidently predict both long-term gains as well as short-term drawdowns. すべてのベスト, it can help quantitative trading system developers avoid data mining bias which robs them of both their confidence and profits.

What methods do you use to avoid curve fitting a system?