Test your trading ideas

Had-had Platform dagangan

Oktober 18, 2015 oleh Shaun Overton 6 Komen

Posting ini telah dikarang oleh Ben Fulloon, seorang peniaga yang dihormati dan pelanggan OneStepRemoved.

Saya membangunkan strategi yang menggerunkan dengan nisbah pengeluaran 13.67. Sounds amazing, betul? Too bad that my trading platform overstated the results by more than double!

It’s important to learn about both your brokers and platforms limitations. Sometimes these intricacies only become apparent through time and experience. It’s so frustrating when your trading platform doesn’t function or report results as expected.

In this article I’ll point out two limitations of NinjaTrader 7, one bad limitation and one which can actually turn out surprisingly better for the trader in certain situations. Walau bagaimanapun, this is more to do with the broker I’m using and not the platform itself.

NinjaTrader is definitely not the only platform that has limitations: MetaTrader, TradeStation, X-Trader, Matlab, dan lain-lain. all have limitations for quantitative finance.

I’ll just be writing about NinjaTrader in this article to keep it fairly short and easy to read. I am also not intending to make out NinjaTrader as being a bad platform either. Tetapi, there are definitely some improvements that could be made to make it a lot easier and more convenient for quantitative traders to develop and trade strategies.

The first quirk relates to the broker I’m using. Secara khusus, it’s the day trade margins that I care about. These day trade margins end 15 minutes before the close of the session. For instance the ES (Emini S&P500) has a day trade margin of $500, which ends at 4:00pm CT that then reverts back to the full trading margin of $5060 before the session closes at 4:15pm CT. (Times stated are correct at time of Writing, The ES now closes at 4:00pm CT and the Day Trade margin ends at 3:45pm CT)

I’ll show you a screenshot of the results of a day trading strategy that I developed. This strategy trades the ES, NQ (Emini Nasdaq 100) and the YM (Emini Dow) all at the same time. The easiest way to exit on close with NinjaTrader is setting “Exit on Close” to true which will then exit on the close of the session.

According to the results the strategy makes a total of $332,771.60 dengan pengeluaran maksimum $25,912.27 sejak 2008 to now. This is a drawdown ratio of 12.84. That’s oustanding!

The issue is… and you knew there’d be a problem… is that the strategy exits at 4:15pm CT. Day trading margin ends at 4:00pm CT. The strategy is therefore highly likely to get a margin call with a small account size.

It makes sense to tweak the strategy to make best use of the day trading margin. Ninjatrader offers a custom session template, which in this case I made end at 4:00pm CT. The results of the custom session template is as follows.

The exact same strategy applied to the same instruments to avoid a margin call makes $335,819.30 dengan pengeluaran maksimum $24,560.51. This is a drawdown ratio of 13.67.

I didn’t change the strategy with the goal of improving the drawdown ratio AND the profit. But hey, I’ll take it. Finding a limitation in the platform can actually benefit you in some situations.

This strategy is based on trading 3 different instruments. The ES, the NQ and the YM. The problem is that I backtested it using an instrument list in NinjaTrader. What this means is they’re all tested separately. NinjaTrader then combines the test results for you as a total result like the results of the screenshots above.

Here’s what it looks like when you test them as an instrument list. This shows the different profits and drawdowns of the individual instruments.

Now at first glance it reads that the trader would have made $335,819.30 dengan pengeluaran maksimum $24,560.51 if they traded all three instruments together. Don’t you agree?

The problem is that this is incorrect. NinjaTrader doesn’t actually combine the results like you’d think. The trader still would have made roughly that money. Walau bagaimanapun, all the statistics aren’t quite correct.

To show this I recreated the exact same strategy however it will trade the ES, NQ and YM all at the same time instead of trading them separately like it does by default. These are the results when you program it into a multi-instrument strategy

It makes $335,915.30 which is roughly the same amount, but it has a maximum drawdown of $59,937.60 bukannya $24,560.51 it originally looked like it would be. This makes it a drawdown ratio of 5.60, which is a lot worse than the original 13.67.

If the trader decided to trade based upon the maximum drawdown of $24,560.51, they may get a nasty shock when the drawdown turns out to be twice as bad as they were expecting.

Incorrect calculations on such an important metric could jeopardize an account. You might assume that you can get away with half of the equity that’s actually required to trade the strategy. Oops?!?

The misleading statistics in NinjaTrader makes this strategy look really nice. But when the drawdown is more than double what it appeared that it would have been originally, you might get a nasty shock.

This is why it’s important to learn both your platforms and brokers limitations as early as possible. You don’t want to learn these limitations the hard way.

In a few weeks time, I’ll reveal a simple way to create multi-instrument strategies which show more accurate metrics. Stay tuned for my next article in the series.

Seni Pengukiran strategi perdagangan automatik

September 21, 2015 oleh Lior Alkalay 28 Komen

Untuk hampir setiap peniaga, ada satu, memakan semua soalan: Bagaimana anda boleh membina strategi yang menguntungkan?

Secara semula jadi, diharapkan Menyelam terus ke statistik dan mula crunching nombor-nombor. Namun, sebelum kita menyelidiki lebih jauh ke dalam selok-belok – dan Percayalah ada banyak-saya ingin bercakap sedikit tentang falsafah dan, Sesungguhnya, kaedah-kaedah di sebalik strategi yang baik.

Dengan semua nombor yang perlu boleh diramas, Hasilnya ialah, ianya disangkalkan lagi penting untuk mempunyai lakaran kasar idea-idea anda untuk membina strategi. Hanya dengan itu lakaran kasar di tangan boleh anda kemudian bergerak ke atas cetakan biru sebenarnya membina Bunyi, strategi berdaya maju.

Terdapat tiada strategi dagangan sempurna

Justeru itu, Mari kita mendapatkan sesuatu dengan sempurna jelas dan cara: Peraturan pertama anda perdagangan adalah untuk memahami bahawa strategi tidak sempurna. Tetapi jangan biarkan yang menghalang anda dari kerajinan yang terbaik mungkin strategi dagangan. Terdapat beberapa langkah sebelum anda mula merangka strategi anda.

Jika anda berharap untuk satu hari nanti akan dapat mengukur pasaran anda perlu terlebih dahulu mencari titik permulaan anda falsafah. Itulah penerimaan satu kebenaran tidak berubah-ubah yang anda mesti terlebih dahulu memeluk.

Sebelum anda Menyelam ke dalam amalan, data persamaan dan, sudah tentu, Wang, anda perlukan rujukan yang. Dan rujukan itu adalah semata-mata ini: Pasaran mempunyai denyutan jantung yang. Ini bermakna terdapat tiada strategi maka yang boleh meramal pasaran setiap masa. Ini kerana pasaran adalah tidak statik; Ia sentiasa bergerak dan peraturan sentiasa berubah.

Ramai, berkali-kali saya melihat peniaga-peniaga yang cuba untuk mengoptimumkan strategi mereka untuk akaun bagi tiap-tiap keadaan kemungkinan. Perkara seterusnya yang anda tahu, mereka bukan sahaja telah kehilangan arah tetapi mereka telah kehilangan pakej. Seperti yang saya telah katakan, strategi tunggal tidak berfungsi sepanjang masa. Oleh itu, membina strategi yang berjaya panggilan anda untuk meramalkan pasaran pada titik tertentu sangat spesifik. Lebih-lebih lagi, anda perlu mengenali "zon mati" di mana strategi ini bukanlah ramalan, dan Jadikan ia satu titik untuk tidak melibatkan diri.

Berpegang kepada peraturan-peraturan

Peraturan kedua anda untuk menghasilkan satu strategi perdagangan yang berdaya maju adalah untuk mempunyai penglibatan dalam peraturan jelas mekanikal. Yang, jelas syarat-syarat tentang Bilakah anda membuka perdagangan dan apabila anda menutup perdagangan. Dan anda perlu melekat dengan peraturan yang, tidak kira apa. Jika anda membenarkan apa-apa leeway anda benar-benar mengubah mekanisme, sekaligus menjadikan ia mustahil untuk mengukur.

Katakan anda kelihatan peraturan dalam penglibatan pertama seperti ini: Apabila 120 hari EMA melintasi di 60 EMA dari atas, anda membeli. Kali ini, walaupun, ternyata kepada anda yang pasangan anda sedang perdagangan masih bearish. Anda memutuskan bahawa anda tidak akan membuka perdagangan selepas semua.

Walaupun dalam hal ini ia adalah panggilan yang betul, anda telah diganggu dengan peraturan-peraturan. Oleh itu anda mendapat keputusan tidak satu hasil sampingan penapaian strategi anda. Sebaliknya, semuanya hasil daripada panggilan penghakiman anda. Apabila seorang peniaga boleh mempengaruhi penglibatan dalam kaedah-kaedah mereka menghapuskan keupayaan untuk menilai keberkesanannya. Lalu, mengapa pula yang tragedi?

Kerana ia bermakna anda tidak akan pernah tahu di mana anda benar-benar mendapat ia salah. Dan jika anda tidak pernah belajar dari kesilapan anda anda akan sentiasa menjadikan mereka. Inilah yang paling berbahaya, Walaupun maut, kesilapan, dan salah satu yang telah dibakar beribu-ribu peniaga-peniaga dengan apa yang dipanggil "baik strategi." Jadi, Jika anda ingin Pastikan strategi anda telah berjaya (dan tidak hanya secara rawak berjaya), berpegang kepada peraturan-peraturan.

Empat fasa pengujian

Jadi sekarang bahawa kita telah menetapkan falsafah Inilah masanya untuk turun kepada perniagaan. Bagaimana anda menguji sama strategi anda adalah bernilai melaksanakan atau tidak? Proses ujian membentuk empat fasa yang berbeza:

Dalam sampel ujian
Pengoptimuman
Keluar daripada sampel ujian
Percubaan MARA (Dgn kata lain. kertas perdagangan)

Dalam sampel ujian

Apabila anda berfikir tentang ujian strategi apa naluri datang ke minda? Kembali ujian, atau menguji strategi anda berdasarkan data sejarah. Tetapi manakala ujian belakang adalah salah satu daripada bahagian-bahagian yang lebih penting daripada ujian, Ia juga mungkin mencipta beberapa salah faham.

Sebagai contoh, Jika anda menguji strategi anda untuk menetapkan keseluruhan data, Bagaimana anda akan tahu bagaimana ia dilakukan apabila keadaan pasaran yang berubah? Untuk menangani masalah ini profesional menggunakan apa dipanggil dalam sampel Out-of-sampel.

Bagaimana anda melakukan ujian adalah agak mudah. Data sejarah terbahagi kepada dua bahagian, Dalam- Sampel dan luar sampel. Dalam sampel mewakili kira-kira 2/3 tempoh ujian semasa akaun keluar daripada sampel bagi baki 1/3. Anda boleh melihat bagaimana ia memainkan dalam ilustrasi di bawah.

In-contoh akan menjadi ujian awal strategi anda, run kering yang pertama, Jika anda akan. Jika strategi anda tidak berbuat baik dalam ujian sampel dalam, Ia bermakna anda mungkin telah longkang strategi itu dan kembali ke papan lukisan.

Walau bagaimanapun, Jika ujian In-sampel menunjukkan keluk pulangan menaik itulah berita baik! Ia bermakna anda punya sesuatu untuk bekerja dengan. Sekarang tiba masanya untuk mengetatkan skru, sama seperti seorang mekanik, dan dalam dunia perdagangan bermakna mengoptimumkan strategi anda.

Mengoptimumkan strategi dagangan anda

Sekarang, strategi mengoptimumkan mungkin adalah bahagian Tempahan matematik intensif ukiran daripada strategi. Walaupun matematik bukanlah forte anda, ianya cukup penting untuk tidak mengabaikan. Terdapat tiga kaedah yang kita boleh menggunakan: Korelasi, pulangan pengagihan dan pemasangan lengkung. Mari kita lihat bagaimana kita akan meletakkan mereka untuk menggunakan.

Sudah tentu, sebagai kajian kes, kami akan menggunakan strategi perdagangan paling mudah yang digunakan oleh peniaga untuk naik satu trend adalah salib purata bergerak. Purata bergerak merentasi kerja-kerja seperti ini: Jika purata bergerak pantas (tempoh singkat) yang lembab di atas bergerak purata (tempoh yang lebih lama) Itulah isyarat beli.

Sebaliknya, Jika purata bergerak cepat di bawah yang lembab bergerak purata maka itu adalah isyarat jual. Sekarang, Mari kita mengatakan bahawa kita membuat keputusan untuk membuka jawatan tetapi hanya jika parameter tertentu dipenuhi. Soalnya ialah bagaimana anda boleh tahu jika parameter tersebut akan, sebenarnya, yang optimum? Baik, Itulah di mana kaedah statistik yang kami akan dilayan oleh kemudahan.

Korelasi, Pulangan pengagihan dan pemasangan Curve

Kaedah pertama ialah korelasi. Pada dasarnya, anda menukar kepada set yang berbeza daripada parameter yang lebih baik menyambung ke pasaran. Biar saya yang rumit; dikatakan ujian atau percubaan pertama anda adalah 120 hari bagi purata panjang dan 30 hari bagi purata pendek (atau 120, 30). Kemudian anda diuji beberapa pilihan yang lebih banyak, Mari kita mengatakan 120, 14 dan kemudian 60, 30 hari.

Seterusnya anda membandingkan korelasi setiap set data. Lebih dekat dengan R² Pekali korelasi adalah untuk 1, yang lebih baik. Ini bermakna strategi ini adalah lebih baik meramalkan pasaran. Bagaimana jika anda mendapatkan satu nilai R adalah lebih dekat kepada -1?

Baik, baguslah begitu, terlalu, dengan cara tersendiri. Ia bermaksud anda harus boleh menjual bukannya membeli, kerana pasaran itu bergerak dalam arah yang berlawanan. (Sudah tentu, dengan pangkah MA tersebut ia adalah sangat mungkin untuk mendapatkan suatu -1 korelasi pula.)

Sekarang, Jika anda mendapat nilai yang dekat dengan 0 itu bukan senang. Itu isyarat bahawa terdapat hubung-kait yang tidak atau sangat sedikit antara strategi anda dan pasaran. Jika anda mempunyai keuntungan positif terlebih dahulu kembali ujian dan hubung kait 0 maka realiti kejayaan anda adalah rawak dan tidak menunjukkan.

Seperti yang anda lihat dari tiga pilihan, pilihan pertama kami adalah benar-benar terbaik kepada pasaran. Yang mencadangkan bahawa parameter kami memilih dalam kes tertentu ini adalah optimum.

Pengagihan pulangan

Selepas kami menyemak untuk melihat strategi yang lebih signifikan kepada pasaran terdapat satu lagi dimensi untuk mempertimbangkan. Katakan satu set parameter yang lebih baik kepada pasaran maka ianya lebih berjaya. Satu lagi set parameter tidak cukup sebagai berhubung kait tetapi perdagangan berjaya dilaksanakan hasil lebih secara purata setiap perdagangan.

Seperti yang dilihat dalam carta di atas, kita dapat melihat bahawa yang menjadikan wawasan untuk menarik. Parameter awal kami (120, 30) telah pengagihan pulangan yang lebih baik, makna pulangan setiap perdagangan adalah stabil dan bukannya turun naik. Dan masuk akal kerana ia mempunyai hubungan yang lebih tinggi dalam pasaran, seperti yang ditunjukkan oleh ujian pertama kami jadikan.

Sekarang, kita akan mendapat hasil yang menarik, dan satu lagi yang anda mungkin hadapi. Parameter pertama kami membuat pulangan lebih berterusan kerana hubungan tersebut kepada pasaran adalah lebih tinggi. Walau bagaimanapun, purata keuntungan yang diterima setiap perdagangan adalah lebih rendah berbanding satu set kedua nombor (120,14).

Ini adalah agak bingung memikirkan. Bagaimana anda akan menentukan, kemudian, strategi yang lebih baik? Adakah ia lebih baik untuk mendapat kurang satu perdagangan tetapi sentiasa atau untuk mendapatkan lebih banyak satu perdagangan tetapi kurang sentiasa?

Untuk menjawab soalan ini kita perlu bergerak ke ruji kami akhir dalam pengoptimuman. Itulah untuk membandingkan lengkung yang dicipta semasa menggunakan dua parameter dan melihat mana satu yang bekerja untuk keuntungan kami, Dgn kata lain. berterusan keuntungan yang kecil atau kurang malar laba yang lebih besar.

Membandingkan lengkung

Apabila kita overlay lengkung kami mendapat jawapan kami: Set pertama parameter (120,30) adalah masih lebih baik. Sementara yang mempunyai keputusan yang lebih rendah pada awal, turun-naik tinggi pilihan kedua bermaksud bahawa keputusan anda adalah lebih rawak.

Keacakan yang akhirnya akan membawa kepada satu strategi yang tidak cekap meramalkan pasaran. Walau bagaimanapun, Jika pulangan ke atas satu set kedua nombor adalah jauh lebih kemudian kepada pergolakan dalam pulangan mungkin tidak bernilai risiko.

Tetapi dalam kes ini, yang 120, 30 terbukti pulangan yang lebih lumayan di hujung, Justeru kami mengambil risiko kurang dan yang lebih ramalan di pasaran. Jadi, Sekarang bahawa kita sudah selesai pengoptimuman kami awal kita sudah bersedia untuk menguji strategi kami dengan fasa ujian keluar daripada sampel.

Out sampel ujian

Dengan menjalankan Out-of-sampel strategi selepas lain-lain ujian anda akan mendapat wawasan bernilai tentang bagaimana strategi anda bertindak balas kepada keadaan pasaran yang berbeza daripada yang pada mulanya dianggap.

Sekarang kita perlu menyemak keputusan masing-masing. Terdapat dua strategi yang berbeza (A dan B) yang telah diuji dengan kedua-dua dalam- dan keluar daripada sampel. Seperti yang anda lihat, Strategi A telah agak berjaya dalam-sampel (2/3) tetapi setelah disemak terhadap seluruh set data ia dilakukan agak buruk.

Berbeza, Strategi B telah dilakukan pada kedua-dua bahagian dalam- dan keluar daripada sampel, bermakna anda telah mendapat sesuatu yang berdaya maju. Oleh itu, ada kemungkinan besar bahawa strategi anda adalah apa setiap peniaga mahu – pembuat Wang.

Lulus untuk kertas perdagangan

Tahniah! Jika anda telah mencapai tahap ini maka anda telah berjaya menjana pulangan. Sekarang tiba masanya untuk mencuba strategi trading anda pada data langsung. Kita belum lagi trading dengan wang sebenar tetapi ia adalah perkara yang terdekat, dan akan memberi anda idea yang baik tentang bagaimana strategi anda akan melakukan live.

Anda mungkin mendapati bahawa terdapat masalah yang anda tidak notis pertama. Atau mungkin kemasukan atau keluar daripada setiap dagangan boleh dipertingkatkan dengan penunjuk lain. Ini adalah perkara-perkara yang anda mungkin hanya menemui apabila berdagang goes live. Selepas beberapa sampel yang mencukupi, sesuatu serupa panjang keluar daripada sampel dan – voilà – anda telah direka dengan strategi.

Shaun mengumpul percuma, 6-Senarai Semak langkah untuk membantu peniaga-peniaga yang membina sendiri automatik sistem pelaburan. Ia adalah satu yang beliau gunakan untuk QB Pro yang sama. Jika anda berasa terharu dengan mana harus memulakan strategi anda sendiri, maka edaran percuma itu adalah tempat yang logik untuk memulakan.

Dimensi pintu air masa dalam perdagangan

Julai 9, 2015 oleh Lior Alkalay 6 Komen

Blogosphere dagangan ini penuh dengan artikel tentang kepentingan masa perdagangan anda. Sudah tentu, ianya penting bagi; mengenal pasti trend yang betul, knowing when to open or close – all integral to the trade. But here is the thing, there’s another dimension and timing is only half the story. Anda lihat, in the real world, it’s not just about the timing of your entry and exit but also the time between. Malah, the duration of your trade matters a lot more than you might think. In this article I’ll discuss the various aspects in which time can affect both short and long term strategies.

Duration and Returns

Let’s consider a theoretical trading situation, looking at two strategies. The first is a high frequency one designed at gaining 1 PIP, with every trade taking a single second. We’ll call this Strategy A. The second strategy, Strategy B, is designed to generate a profit of 10 pips every 10 saat. So which is the better strategy? On paper, both should generate 60 pips per minute hence equal returns. But in the real world? Baik, that’s an entirely different story.

In real life, when you aggregate the results of the two strategies, you’re going to be in for a big surprise. Under Strategy A you had a profit of 50 pips after 1 minit. But under Strategy B you had a profit of 66 pips. Sekarang which strategy do you think is better? Sudah tentu, you’d pick B. Menariknya, setiap perdagangan, each strategy profited exactly as planned. Strategy A profited 1 pip and Strategy B profited 10 pips per trade.

So what made the difference? The time. As you can see below in the two charts, strategy A, when executed, took a little longer on average than initially expected. From the measurement of the duration of trades it clustered around 1.2 seconds per trade rather than 1 kedua. In Strategy B, the measurement of duration per trade, secara purata, is about 9 saat. When executed, Strategy B trades took less time than initially expected. Akhirnya, at the end of the day, Strategy B returned 66 pips or 32% more than Strategy A’s 50 pips. That means Strategy B is the superior choice.

Sekarang, let’s look at this a bit closer still. We’re going to take the duration of each of the trades executed and measure the standard deviation (a simple exercise in Excel). You would discover that in Strategy A, while the average might be 1 second per trade, sisihan piawai adalah tinggi. That suggests the cycles are not equal thus the strategy is less efficient. Sebaliknya, Strategy B has a low standard deviation, meaning most trades are close to 10 saat. Oleh itu, it has more predictable returns and, oleh itu, a more effective strategy. When you measure a strategy, understand that beyond returns and risk, the time each trade takes matters. And in fact, it can matter quite a lot.

Duration and Swing Trading

So now we understand how the nuances of time can affect the eventual returns of each strategy. Yet when it comes to longer duration trades (Dgn kata lain. minggu atau bulan) there is still another element. Dalam kes ini, it is the amount of time the trade has been positive.

Let’s look at another theoretical scenario. Kali ini, we have Strategies C and D, each has the identical duration of two weeks. Begitu juga, both have the same standard deviation of duration and roughly the same returns. But one strategy is riskier than the other. The question is which? The answer is the strategy that has been profitable for the least amount of time. Say you opened two trades; Strategy C was profitable for 12 daripada 14 days it took to reach its target. Strategy D had been negative for the first 12 days before producing steep returns in the last 2. Strategy D, kemudian, is clearly more risky because you are risking a loss for a longer time. This also suggests that, mungkin, the entry signal for Strategy D is not very well calibrated. Strategy C is clearly more effective and less risky, secara purata.

The Bottom Line

Sudah tentu, there are many more aspects to measuring time effectiveness in a trading strategy. There are also other dimensions to examine beyond just time. But the lesson here is clear. The next time you measure your own trading strategy remember that time isn’t just about timing.

Autokorelasi

Julai 5, 2015 oleh Shaun Overton 11 Komen

Ia adalah 4 hujung minggu bulan Julai. Isteri saya adalah menjalankan tugas petang ini dan anak bongsu saya napping. I can’t go outside for a run – it’s July in Texas (iaitu, incredibly hot) dan, what if the baby wakes up? The only ways to spend my holiday afternoon was either to a) watch TV or 2) dive into Michael Halls-Moore’s recent article, “Series Correlation in Time Series“.

I’m going to skip the math and keep this very layman friendly. There are some key take aways that even the most mathematically challenged traders can learn.

The Layman’s Guide to Correlation

Let’s go easy on the mathiness and remind ourselves what correlation is. Correlation is directly related to the angle between two points.

It’s easiest to understand in two dimensions because that’s what fits on a piece of paper or computer screen. The points (1,0) dan (2,0) share an angle of 0°. Pada asasnya, the points lie on the same line.

Correlation is directly related to the angle between two points. These points lay on the same line, so the angles between each other are 0°. The fact that they are on the same line makes them 100% correlated.

Correlation is the cosine of the angle between two points. Get out a calculator and try it. The cosine of 0° is 1.

cos(0) = 1.0, yang 100% korelasi.

Look at the image above. The points (1,0) dan (2,0) share the same line. Doesn’t it make sense that points on the same line are 100% correlated? Points that are less than 100% correlated lie on different lines.

To keep this intuitive, you probably know from trading that a 60% correlation is worth paying attention to, but it’s not very predictive. What does that mean geometrically?

We want to get the angle where cos⁻¹(θ) = 0.6. Please don’t get caught up on the cosine stuff. I just want you to realize how this relates to angles.

The angle with a 60% correlation is 53°. They're kind of close together, but not too close.

The angle with a 60% korelasi is 53°. They’re kind of close together, but not too close.

Those lines are pretty far apart. A 60% correlation between two forex pairs puts you in the same ballpark, but you’re hardly tracking pip for pip.

Forex prices are like points on the graphs above. 1 bar ago, 2 bar yang lalu… 16,000 bars ago the prices of EURUSD were 1.11342, 1.11297…. 1.31974. The historical data on EURUSD forms a point in space. Ia 16,000 dimensional space, which is completely incomprehensible mentally, but it’s still a point. That means you can draw a line to it!

We usually talk about correlations in forex by comparing two currency pairs. Most traders know that EUR/JPY and GBP/JPY are correlated. You’re drawing a line between 0 and the EURJPY point, then drawing a line between 0 and the GBPJPY point, then calculating the angle to determine the correlation.

The EURUSD example only lets us draw one line. What if we compare the EURUSD against itself with a lag? That would let us draw two EURUSD lines!

The memory function

Using the EURUSD example, you naturally expect a 100% correlation if you drew the same line twice. It’s the same series of prices. That on its own doesn’t tell us too much.

The idea of autocorrelation is to lag the prices. Right now is 15:00. I can take the prices from 15:00, 14:00 dan 13:00 and compare it with a one hour delay. The new delayed series are the prices from 14:00, 13:00 dan 12:00. A one hour gap is 99.9% correlated with the original price series.

Michael’s article encouraged me to look at bigger and bigger time lags.

The correlation of EURUSD decreases against itself as the time lag increases.

The number on the horizontal axis is the time lag, done in groups of 100. The vertical axis shows the correlation.

EURUSD loses all its information after around 3,000 hours of data. That’s about the point where the correlation function reaches 0%.

Autocorrelation is often called the memory function. Traders can use this to ask themselves the question, “How far back in time can I go and still obtain useful information?” I can tell you with high confidence that if you’re trading one hour charts, it’s useless to consider anything beyond 3,000 jam.

My personal threshold for significance is a 75% korelasi. EURUSD maintains that autocorrelation through 800 bars of data, which you can see on the chart if you zoom in closely.

The take-away for traders is that once you go past around 1,300 bars back, your information rapidly becomes less and less valuable.

Apa ’ s yang berlaku?

April 22, 2015 oleh Shaun Overton 9 Komen

Ia ’ s telah sebulan jendal-jendul takrif mana-mana. Kami membuat satu tan wang selepas bulan ’ s Fed pengumuman, hanya untuk memberikan semua kembali minggu depan. QB Pro pulih sebahagian keuntungan lebih awal, kemudian minggu ’ s digunakan mengambil balik semua sekali lagi. Ia ’ s telah menyakitkan.

Berita baik adalah bahawa the new changes to QB Pro are rolled out. Beberapa anda dihantar dalam e-mel yang bertanyakan mengenai matawang baru seperti GBPNZD dan AUDCAD yang terdapat dalam akaun anda. Kudos kepada anda untuk memberi perhatian yang rapat untuk perdagangan.

Jumlah matawang yang didagangkan dalam bakul adalah sehingga 16 pasangan. Manakala leverage maksimum tidak berubah pada 36:1 (masih sangat, sangat tinggi), leverage setiap pasangan adalah hanya 2.25:1. Kerugian masa depan seperti dari minggu lepas masih akan berlaku.

Perbezaan adalah bahawa saiz jawatan akan dikurangkan dengan lebih 2/3. Kesan daripada ditangkap dalam kehilangan perdagangan yang timbul kesan daripada kelemahan USD menurun dengan ketara. Kami ’ re kini dagangan gabungan AUD, CAD, CHF, EUR, GBP, JPY, NZD, USD dan XAG. Tiada satu Mata Wang harus menguasai prestasi.

Sistem juga tidak sangat baik di pasaran matawang yang timbul. Saya ’ m yang memegang menambah GOSOKKAN, MXN dan lain-lain sehingga saya boleh menentukan kesan spread pada keuntungan keseluruhan. Mereka ’ d lakukan menakjubkan jika kita boleh berdagang secara percuma!

Jangkaan prestasi jangka pendek bagi QB Pro

Kita ’ semula datang ke musim panas, Itulah apabila pasaran forex secara tradisional jatuh ke dalam suram. Bahawa ’ s secara amnya sesuatu yang baik untuk QB Pro. Pasaran whipsaw naik dan turun tanpa benar-benar berlaku di mana-mana.

Alternatif lain ialah bahawa Fed kenaikan kadar pada bulan Jun dan menghantar pasaran ke USD yang membeli kegilaan. Bahawa ’ berita baik juga s. Kebanyakan wang yang QB Pro dibuat dalam tempoh 8 bulan ini didorong oleh kekuatan USD. Kenaikan kadar akan melepaskan huru-hara dalam pasaran baru muncul dan ekuiti. Bahawa ’ s jenis keadaan tolak turun-naik ke kami baru melintasi, mencipta peluang bagi kita untuk perdagangan.

QB Pro 2.0 ISN ’ t yang berlaku

Saya ’ m amat kecewa. Selepas beberapa ribu dolar dalam pengaturcaraan perbelanjaan, dan tidak lagi di 100+ jam bahawa saya telah menghabiskan pengekodan diri saya, QB Pro 2.0 perubahan adalah basuh yang.

Saya mempunyai pemaju yang dipercayai audit kod saya pastikan saya wasn ’ t yang melakukan sesuatu yang bodoh seperti perdagangan di masa depan harga atau apa-apa. Dia mahupun diri saya menangkap apa-apa dari Disember sehingga Mac.

Pada penghujung bulan lepas, satu talian kod memusnahkan segalanya. Salah satu ciri-ciri utama saya adalah membuat keputusan bila untuk jaminan atas dagangan dan pergi ke arah yang berlawanan. Baik, Ia ternyata bahawa saya secara tidak sengaja diperkenalkan data yang mengintip dan menanya ke backtesting platform. Saya terlebih dahulu dikira apabila kehilangan perdagangan berlaku untuk mengira kebarangkalian.

Dalam Bahasa Inggeris, tujuan saya adalah untuk mengira “Jika hari ini yang rugi besar, lakukan sebaliknya esok.”

Apa yang saya sengaja dikodkan adalah “Jika esok adalah yang rugi besar, maka melakukan sebaliknya.” Jika hanya yang adalah mungkin!

Aku ’ t ingin muddle atas penerangan dengan contoh-contoh Kod. Memadai untuk mengatakan bahawa idea didn ’ t bersenam Bilakah saya mengambil dari keupayaan untuk melihat ke masa depan.

Terdapat beberapa ciri yang 2.0 sistem yang saya ingin menganalisa pada bulan-bulan akan datang, tetapi sekarang ia ’ s akan mengambil tempat duduk belakang.

Apa ’ s seterusnya?

Rancangan saya adalah untuk duduk ketat untuk beberapa minggu untuk memastikan bahawa pasangan yang baru bekerja yang. Apabila saya secara peribadi berpuas hati dengan kelakuan sistem, Saya berhasrat untuk meningkatkan jumlah modal dalam akaun saya.

Don ’ t memegang kaki saya ke dalam api. Bahagian ini adalah satu proses yang subjektif, Jadi saya boleh ’ t meletakkan jangka masa yang tepat ia. Jika dan apabila saya berpuas hati – dan ia ’ s akan sangat baik beberapa hari pertama – kemudian saya akan membuat keputusan untuk meningkatkan modal saya berisiko.

Jika dan apabila saya memilih untuk meningkatkan modal saya dalam akaun, Saya akan kemudian dibuka semula QB Pro kepada peniaga-peniaga baru.

PS: Saya berharap bahawa drawdowns yang menggalakkan sebahagian daripada anda untuk menarik keuntungan masa depan peluang membentangkan sendiri. Anda memakai ’ t ingin kehilangan lebih daripada apa yang anda selesa mengambil risiko.

Bagaimana untuk Menggunakan Mesin Pembelajaran Dagangan Anda

April 5, 2015 oleh Shaun Overton 2 Komen

Pembelajaran mesin membentangkan banyak kelebihan yang unik dan menarik untuk peniaga mencari kelebihan dalam pasaran. Hanya pada tahun lepas kita telah melihat sejumlah besar sumber-sumber daripada dana lindung nilai yang terbaik di dunia, seperti Bridgewater Associates, berdedikasi untuk menjelajah teknik.

Semasa menggunakan pembelajaran mesin atau kecerdasan buatan kelihatan sangat kompleks dan sukar untuk melaksanakan, masih ada cara untuk memanfaatkan keupayaan mereka tanpa perlu PhD dalam matematik atau sains.

Dalam post ini, kami akan pergi melalui 3 cara yang berbeza yang anda boleh menggunakan teknik dari pembelajaran mesin untuk memperbaiki perdagangan anda sendiri.

Petunjuk Pemilihan

Salah satu keputusan yang paling penting adalah memutuskan yang petunjuk untuk digunakan untuk perdagangan. Sama ada anda adalah seorang peniaga teknikal atau asas, atau anda hanya menggunakan tindakan harga untuk berdagang, kejayaan anda akan menjadi sebahagian besarnya bergantung kepada petunjuk yang anda gunakan dan bagaimana anda mengartikannya.

Nasib baik, terdapat banyak kaedah yang berbeza untuk memilih penunjuk anda dan ini dikenali sebagai "pemilihan ciri" di dunia mesin-pembelajaran.

Menggunakan Pokok Keputusan untuk Pilih Petunjuk anda

Pokok keputusan adalah algoritma yang sangat serba boleh yang mempunyai manfaat yang mudah ditafsirkan. Memandangkan dataset besar petunjuk dan pergerakan harga aset, pokok keputusan akan mencari petunjuk, dan nilai-nilai penunjuk, yang berpecah terbaik data antara kenaikan harga dan penurunan harga. Petunjuk lebih dekat dengan bahagian atas pokok itu dilihat sebagai peramal yang lebih baik daripada yang lebih dekat dengan bahagian bawah pokok, dan berikut cawangan tertentu akan membolehkan anda untuk dengan mudah mencari saling bergantungan dan hubungan antara petunjuk.

Pokok keputusan juga akan memberikan anda satu set peraturan yang boleh anda gunakan untuk berdagang berdasarkan petunjuk-petunjuk, tetapi anda mesti pastikan anda betul prun pokok dan ujian untuk overfitting.

Pokok keputusannya ialah yang kuat, alat visual yang boleh membantu anda membuat keputusan yang gabungan penunjuk untuk berdagang dan di nilai apa untuk berdagang mereka. Anda boleh mencari tutorial tentang bagaimana untuk membina strategi dengan pokok keputusan di sini atau untuk panduan yang lebih umum, dalam R di sini adalah sumber yang baik.

Pengoptimuman

Setelah anda mempunyai asas bagi strategi anda, langkah seterusnya adalah pengoptimuman, atau memilih nilai-nilai parameter yang betul untuk memaksimumkan peluang anda untuk berjaya. Banyak strategi mempunyai pelbagai parameter, seperti tetapan penunjuk, masuk dan keluar syarat, berhenti kerugian dan mengambil tahap keuntungan, dan kedudukan saiz, yang membuat "kekerasan" kaedah cuba setiap gabungan tunggal amat sukar dan memakan masa, jika pada semua walaupun mungkin.

Menyelesaikan jenis masalah adalah satu lagi bidang di mana pembelajaran mesin cemerlang.

Mengoptimumkan Strategi Menggunakan Algoritma Genetik

Algoritma genetik meniru proses pilihan semula jadi dengan mewujudkan satu set unik "anak" strategi yang mengandungi campuran terbaik "induk" strategi, dengan peluang mutasi rawak.

Proses ini bermula dengan pengekodan strategi anda ke dalam array. Sebagai contoh, ia boleh dibaca sebagai sesuatu seperti:

Petunjuk 1 Tempoh

Petunjuk 2 Tempoh

Beli Keadaan

Jual Keadaan

Risiko:Nisbah Ganjaran

Jika sesuatu 50 – 200 tempoh purata bergerak balas, dengan 50 pip untuk 100 nisbah risiko-untuk-ganjaran pip akan:

50 – tempoh Purata Bergerak

100 – tempoh Purata Bergerak

Petunjuk 1 melintasi di atas Petunjuk 2

Petunjuk 1 melintasi di bawah Petunjuk 2

50:100

Anda kemudian akan menjana penduduk yang besar strategi dengan variasi rawak parameter ini. Strategi semua mempunyai kombinasi bergerak tempoh purata, masuk dan keluar syarat, nisbah dan risiko-untuk-ganjaran.

Seterusnya, anda akan menguji penduduk ini dengan menjalankan setiap strategi ke atas satu set ujian dan memilih strategi utama berdasarkan metrik prestasi pilihan anda.

Akhirnya, anda secara rawak menggabungkan ciri-ciri strategi atas, dengan peluang kecil "mutasi" beberapa parameter, untuk melahirkan generasi baru "kanak-kanak" strategi. Anda kemudian ulangi prosedur penilaian dan sekali lagi mengawan strategi berprestasi tinggi dari generasi baru ini. Ini membawa kepada survival senario paling kuat di mana hanya strategi atas "hidup" untuk lulus bersama gen mereka kepada generasi akan datang

Ulangi proses ini banyak kali atau sehingga satu kriteria prestasi tertentu dicapai dan anda ditinggalkan dengan strategi yang teguh yang dibina dari generasi strategi berprestasi terbaik!

Anda perlu memastikan bahawa anda memilih metrik prestasi yang sesuai (seperti pulangan terlaras risiko) dan sentiasa menguji strategi akhir ke atas data yang tidak digunakan untuk membina strategi untuk memastikan bahawa anda tidak overfitting untuk satu set data yang tertentu.

Ini adalah satu kaedah yang sangat kuat dan mantap yang telah berjaya dalam pelbagai aplikasi, termasuk dunia perdagangan. Anda boleh mencari maklumat lebih lanjut di sini dan tutorial tentang bagaimana untuk melaksanakannya dalam R di sini.

Trading Live

Salah satu aspek yang lebih menarik daripada pembelajaran mesin mempunyai algoritma yang mampu untuk belajar dan menyesuaikan diri dengan keadaan pasaran yang berubah-ubah. Walau bagaimanapun, ini mewujudkan satu "kotak hitam" strategi yang, jika anda tidak benar-benar memahami bagaimana algoritma bekerja dan diuji sendiri, adalah amat sukar untuk percaya pada akaun live. Tidak tahu bila atau mengapa strategi yang memasuki perdagangan boleh menjadi satu cadangan yang menakutkan.

Walau bagaimanapun, ada cara untuk mendapatkan manfaat yang bijak, pendekatan algoritma sementara masih mengekalkan ketelusan dan pemahaman dalam strategi anda.

Persatuan Peraturan Pembelajaran

Persatuan Peraturan Pembelajaran adalah proses memperolehi satu set yang jelas, peraturan difahami dari corak didedahkan oleh algoritma mesin-pembelajaran.

Algoritma, seperti algoritma apriori yang, mencari yang dataset penunjuk, nilai penunjuk, dan pergerakan harga yang terhasil untuk menghasilkan satu set keadaan; pada dasarnya "jika-maka" penyata, yang membawa kepada keputusan tertinggi berbayar. Walau bagaimanapun, ia masih sukar untuk tahu di mana peraturan-peraturan yang datang dari, algoritma apriori yang memerlukan jumlah yang agak besar parameter yang akan ditala dan proses ini tidak meminjamkan sendiri juga kepada keadaan pasaran yang berubah-ubah.

Dengan Bantu diri, kami mengambil proses satu langkah ke hadapan dan membolehkan anda melihat corak ditemui oleh ensemble algoritma mesin-pembelajaran, dari mana anda boleh membuat kaedah-kaedah trading anda sendiri. Peraturan ini maka mudah untuk dilaksanakan dan diselaraskan untuk keadaan pasaran yang berubah-ubah, semua tanpa memerlukan apa-apa pengaturcaraan atau pengalaman matematik. Anda boleh mendapat manfaat daripada menggunakan algoritma mesin-pembelajaran untuk berdagang tetapi tetap mempertahankan ketelusan lengkap, memahami strategi anda, dan termasuk kepakaran domain anda sendiri dalam trading anda.

Menggunakan pembelajaran mesin dan kecerdasan buatan untuk mencari kelebihan dalam pasaran yang tidak perlu semata-mata hanya dimiliki oleh institusi kewangan yang terbesar. Apabila teknologi ini menjadi lebih mudah dan teknik-teknik ini lebih biasa, anda juga boleh menggunakan mesin pembelajaran untuk memperbaiki perdagangan anda.

Daripada Slaff

Ketua Pegawai Eksekutif / Co-pengasas

Inovance

QB Pro – Februari

Mac 2, 2015 oleh Shaun Overton 1 Komen

Bulan pertama penuh dengan semua pelanggan pada sistem was awesome. MAM yang diperolehi $45,199.63 semua akaun pelanggan. My company account made $1,247 atas imbangan bermula daripada $2,500.

Menarik balik keuntungan

Ingat bahawa anda perlu menarik balik apa-apa di atas paras risiko yang anda inginkan daripada akaun pada setiap bulan. Saya dikeluarkan $750 dari akaun peribadi saya pada hari Jumaat. Itulah jumlah keuntungan yang ditarik balik daripada $4,997.66 pada deposit tunggal $2,000. Jumlah keuntungan seumur hidup pada akaun adalah $5,997.66.

Sekarang saya telah dua bulan daripada modal risiko sepenuhnya mengetepikan, Saya akhirnya pada titik yang mana saya betul-betul selesa upping kira-kira pada risiko. Baki bermula untuk Mac 2015 adalah $3,000.

Rancangan masa depan adalah risiko di mana-mana daripada 20-50% keuntungan seumur hidup setiap bulan untuk pulangan kompaun tanpa risiko yang wipeout lengkap. Saya hanya melakukan perkara itu kerana saya mempunyai $4,000 diketepikan untuk permodalan semula akaun jika sesuatu yang buruk.

Tahap risiko

Saya memperoleh peniaga saya yang sedia ada dan konsensus dalam lingkungan meninggalkan tahap risiko yang tidak berubah untuk menjatuhkan risiko dengan ~ 25%. Saya meninggalkan leverage tidak berubah selepas pungutan suara, tetapi minggu depan ubah fikiran.

Ekuiti akaun adalah sekitar $120,000 pada masa yang (we started the month at $132,749.27). Menonton 5 kedudukan terbuka levered 58:1 on an account that size kept me awake at night. Perjanjian kita semua dibuat adalah bahawa ini adalah akaun risiko yang tinggi dan semua orang menerima risiko yang sangat nyata kerugian.

Saya tidak pernah dijangka mengumpul wang yang banyak (matlamat saya adalah 40k) dan ia serius diubah pemikiran saya. Bayaran prestasi yang lebih menguruskan 100k adalah besar. Seperti mana-mana ahli perniagaan bijak, Saya bercadang untuk melakukan segala-galanya dalam kuasa saya untuk terus mendapatkan perniagaan yang.

Terjemahan: Saya benar-benar, benar-benar, reaaaaally tidak mahu kehilangan wang anda.

Gambar di atas merupakan daripada sampel equity curve for the upcoming trading system running a maximum allowed leverage of 7:1. Ia QB Pro 2.0. Carta menunjukkan untung rugi dalam dolar lebih setahun dan tempoh setengah.

The tests were conducted in a custom backtester that I spent about 40 jam membangun. Pemaju telah diaudit kod di cari flukes untuk menjelaskan prestasi – kita tidak dapat menyangkal keputusan.

Kami telah bekerja pada menukar kod tersebut ke dalam MetaTrader 4 selama dua minggu sekarang. Apabila kod sedia, Saya akan melancarkannya dalam akaun demo untuk mengesahkan prestasi serupa pada data yang sama. Saya tidak mempunyai ETA pada perubahan. Percayalah apabila saya mengatakan ia adalah satu keutamaan.

Dengan andaian semua berjalan lancar (jari melintasi!) pada ujian tersokong dan demo perdagangan, maka langkah seterusnya adalah untuk berdagang secara langsung pada tetapan risiko yang sangat rendah. Matlamat saya adalah untuk menyimpan akaun anda hidup dan sihat sehingga saya dapat melancarkan sistem dikemaskini. Sebab itulah saya akhirnya diturunkan leverage dalam akaun MAM oleh 25%. Akaun Syarikat saya juga diturunkan leverage oleh 25% – Saya mengambil risiko yang sama seperti peniaga saya.

Risiko sejarah Filem Blow-Up pada 70:1 leverage adalah tidak dapat dikesan secara sejarah dengan versi 2.0. Itu berbanding dengan 8.5% monthly risk of blowing up that I told everyone before they started trading QB Pro.

Adalah risiko bulanan yang diharapkan daripada meniup 0%? Adakah Tidak! Sudah tentu tidak. Jika sebuah pusat Jenis bank Switzerland langkah berlaku dan anda mempunyai kedudukan yang dileveraj ke arah yang salah, baik, ia menyala keluar untuk strategi. Tiada jumlah ujian tersokong dapat melindunginya daripada jenis kehilangan.

Salah satu yang akan datang, perubahan utama kepada strategi ini adalah bahawa ia tidak akan semata-mata bermakna kembali. It should know when to throw in the towel and start trend trading instead of fighting it. Ini perubahan kritikal dan akan membolehkan saya untuk tidur sepenuhnya pada waktu malam. Prestasi perdagangan tidak akan semua atau apa-apa. Harapan saya adalah bahawa risiko akan berkurangan secara dramatik sambil menawarkan peniaga tahap yang sama pulangan berpotensi apabila ia boleh didapati.

Adakah saya perlu membuat taruhan ladang?

Jelas sekali tidak. Saya telah menjawab pertanyaan orang ini dan berpuas hati bahawa kereta itu adalah aset yang diperlukan (ia hanya duduk di sana, jadi mengapa tidak menjualnya?). Yang berkata, Saya mendapat amat saraf apabila saya mendapat e-mel seperti ini.

Saya bertanya kerana saya ingin menjual kereta saya untuk membuat wang untuk membiayai untuk akaun.

Risiko QB Pro kini berubah. Ia adalah lebih rendah daripada yang saya asalnya dipetik kerana leverage yang diturunkan, tetapi ia masih sangat besar. Jika anda berfikir tentang menambah wang ke dalam akaun, kemudian sila tidak menambah lebih banyak wang daripada yang anda sanggup untuk kehilangan.

Itu betul tidak kira strategi dagangan. Jika anda tidak boleh kehilangan, maka tidak risiko ia. Tempoh. Akhir cerita.

Jika anda telah memikirkan tentang menambah wang ke dalam akaun tetapi ia bukan tulen “punting wang”, iaitu, ia lebih seperti pelaburan, maka saya menggalakkan anda untuk bertahan sehingga versi 2.0 boleh didapati. I feel more comfortable managing those types of funds and would prefer that you hold off until I have something less historically risky to offer.

Bayaran MAM

Jika anda mempunyai soalan mengenai yuran yang dikenakan di dalam akaun anda, kemudian sila email info@quantbar.com. Saya ingin memastikan anda memahami bagaimana fi yang dikira jika anda mempunyai sebarang kebimbangan.

Ingatlah bahawa bayaran anda dikenakan berdasarkan akaun ekuiti dari akhir bulan untuk menamatkan asas. Ekuiti diambil kira Jan 31. Kami membuat keuntungan pada bulan Februari, jadi bayaran yang merupakan perbezaan di antara ekuiti yang menguntungkan pada Februari 27 dan Jan 31, dengan andaian itu atas watermark tinggi anda.

Ia tidak berdasarkan kepada perdagangan tutup imbangan. Kerana QB Pro mempunyai perdagangan terbuka pada Jan 31, yang imbangan laporan anda menjalankan dalam MetaTrader akan berbeza daripada ekuiti untung anda dibuat pada bulan Februari. Lagi, ini adalah disebabkan oleh hakikat bahawa perdagangan terbuka wujud pada Jan 31. Perbezaannya harus relatif kecil.

Jika anda melihat percanggahan utama seperti 50% keuntungan atau sesuatu, sila beritahu saya. Saya tahu satu contoh di mana perisian MAM tidak mengenal perubahan baki pelanggan sebagai deposit, jadi mereka telah ditandakan sebagai bukan keuntungan dan dia hampir mengenakan caj berlebihan. Jika anda lihat ralat, Saya sangat ingin betul. Saya bergantung kepada ketepatan perisian dan anda mengesan perbezaan adalah satu-satunya cara ia pernah akan diperbetulkan.

Penafian: Kursus Online menguasai Ltd., di mana saya yang 100% pemilik benefisial, tidak menerima pelanggan Amerika Syarikat dalam apa jua keadaan.

Memilih Strategi Kanan

November 12, 2014 oleh Eddie Flower 3 Komen

Peniaga menggunakan pelbagai strategi dalam pasaran, semua berdasarkan dua bentuk analisis: Analisis fundamental dan analisis teknikal. Walaupun institusi dan pedagang besar yang lain mungkin menggabungkan kedua-dua gaya analisis, peniaga-peniaga yang paling bebas bergantung pada strategi yang sebahagian besarnya berdasarkan analisis teknikal.

Mari kita lihat pada kedua-dua gaya analisis sebagaimana ia terpakai bagi perdagangan forex.

Analisis fundamental

Dalam pasaran saham, ekuiti peniaga kadang-kadang dapat menghargai syarikat (dan oleh itu meramalkan harga sahamnya) jika mereka tahu semua maklumat tentang syarikat yang. Ini kerana harga saham syarikat itu mencerminkan nilai harta yang diketahui. Dengan mengetahui syarikat, peniaga ekuiti yang mengetahui apa yang harga sahamnya harus.

Walau bagaimanapun, dalam pasaran tukaran mata wang asing dengan menggunakan analisis fundamental sahaja adalah jauh kurang berkesan, kerana ia adalah amat sukar untuk menghargai ekonomi negara keseluruhan dalam usaha untuk meramalkan nilai mata wang itu. Peniaga-peniaga forex yang paling digunakan secara eksklusif analisis teknikal.

Apabila analisis fundamental skala penuh digunakan untuk pasaran tukaran mata wang asing, ia paling sering digunakan sebagai satu cara untuk meramalkan trend jangka panjang. Dan, beberapa peniaga menggunakan data seperti siaran berita dalam jangka masa pendek untuk menjana perdagangan atau mengesahkan isyarat. Jadi, bersama-sama dengan analisis teknikal andalan mereka, beberapa peniaga menggabungkan data asas.

Berikut adalah beberapa petunjuk asas yang biasa digunakan oleh peniaga-peniaga forex:

★-Ladang gaji

★ Indeks Harga Pengguna (IHP)

★ Indeks Pengurus Pembelian (PMI)

★ Barang Tahan Lama Jualan

★ Jualan Runcit

Untuk hasil yang terbaik, peniaga celik juga memberi perhatian kepada pelbagai mesyuarat pegawai-pegawai kerajaan dan persidangan industri, dan tempat-tempat lain di mana sebut harga dan ulasan pasaran yang bergerak boleh didapati.

Mesyuarat dijadualkan untuk membincangkan inflasi, kadar faedah dan isu-isu lain yang secara langsung memberi kesan kepada harga matawang. Mesyuarat-mesyuarat dan persidangan yang sering dilaporkan dalam akhbar industri sebelum mereka mencapai media arus perdana. Acara penting untuk asas-asas berasaskan pedagang forex adalah Jawatankuasa Pasaran Terbuka Persekutuan (FOMC HARI ESOK KRITIS) sidang akhbar dan transkrip mesyuarat.

Peniaga Forex boleh mengikut mesyuarat dan persidangan dan menjadi pakar yang amat berpengetahuan, dan keuntungan dengan mengetahui kumpulan pemasaran yang lebih baik daripada kebanyakan orang lain.

Analisis teknikal

Analisis teknikal adalah setakat asas yang paling biasa untuk strategi forex. Dengan menggunakan analisis teknikal dalam forex adalah berbeza daripada dalam ekuiti, kerana tempoh masa forex adalah 24 jam di seluruh dunia manakala saham ramai yang tidak berdagang semalaman, jadi pergerakan harga mereka adalah berbeza.

Peniaga menggunakan pelbagai jenis sistem individu, sering dibina oleh pembekal EA berpengetahuan, dengan petunjuk yang berbeza. Berikut adalah beberapa petunjuk yang paling umum dan teori yang digunakan dalam analisis teknikal:

Gelombang Elliott ★

★ Parabolic SAR

★ Gann Teori

★ Nombor Fibonacci

★ Titik pangsi

Peniaga kraf banyak strategi yang berbeza berdasarkan analisis teknikal, terutamanya dengan menggabungkan beberapa indikator. Pemaju lain mewujudkan sistem dagangan berdasarkan belian mencari sejarah dan menjual pola yang dijangka akan berulang.

Membangunkan strategi peribadi

Peniaga-peniaga forex yang berjaya membangunkan dan mengemaskini strategi mereka dari masa ke masa. Beberapa peniaga memberi tumpuan kepada alat atau pengiraan tertentu, manakala pengguna lain pendekatan yang lebih luas dan eksperimen dengan gabungan analisa teknikal dan fundamental.

Banyak peniaga baru dengan bijak bermula dengan "perdagangan kertas" atau menggunakan akaun demo dengan Broker Tukaran. Dan, peniaga-peniaga yang berpengalaman hampir setiap kali membangunkan sistem baru dengan ujian tersokong sebelum mencuba mereka dalam masa nyata. Kurang berpengalaman boleh menyebabkan anda kehilangan modal anda, jadi ia adalah penting untuk mengambil masa untuk menjalankan amalan di hadapan melakukan wang yang ketara kepada mana-mana sistem perdagangan baru.

Tidak kira sama ada anda menggunakan petunjuk teknikal sahaja, atau menggabungkan asas-asas serta, jika anda mempunyai disiplin untuk belajar pasaran sasaran anda dan perdagangan dengan yakin manakala menguruskan risiko dengan berhati-hati, maka strategi anda mempunyai peluang yang sangat baik untuk berjaya.

Adakah anda bergantung kepada petunjuk teknikal? Penunjuk asas? Atau, gabungan kedua-duanya?

Kebarangkalian Peralatan Untuk Trading Forex Lebih Baik

Jun 16, 2014 oleh Eddie Flower 25 Komen

Dalam usaha untuk berjaya, peniaga-peniaga forex perlu tahu matematik asas kebarangkalian. Lagipun, sukar untuk mencapai dan mengekalkan keuntungan perdagangan tanpa terlebih dahulu mempunyai keupayaan untuk memahami nombor dan mengukur mereka.

Ramai pedagang menggunakan gabungan penunjuk kotak hitam untuk membangunkan dan melaksanakan peraturan perdagangan. Namun, perbezaan di antara "baik" peniaga dan satu besar adalah beliau memahami metrik dan kaedah untuk mengira prestasi dan keuntungan.

Kebarangkalian dan statistik adalah kunci ke arah membangunkan, menguji dan keuntungan daripada perdagangan forex. Dengan mengetahui satu alat kebarangkalian beberapa, lebih mudah untuk peniaga-peniaga untuk menetapkan matlamat perdagangan dari segi matematik, mewujudkan dan mengendalikan strategi perdagangan yang berkesan, dan menilai keputusan.

Ia membantu untuk mengkaji konsep yang paling asas kebarangkalian dan statistik untuk perdagangan forex. Dengan memahami matematik kebarangkalian, anda akan tahu logik yang digunakan oleh sistem perdagangan mekanikal dan penasihat pakar (DIA).

Taburan normal

Alat yang paling asas kebarangkalian dalam perdagangan forex adalah konsep taburan normal. Kebanyakan proses semula jadi yang dikatakan "normal."

"Pengedaran seragam" menunjukkan bahawa kebarangkalian beberapa kerana mana-mana sahaja pada kontinum adalah lebih kurang sama. Ini adalah jenis pengedaran yang akan terhasil daripada buatan menyebarkan objek sebagai sama rata yang mungkin di seluruh kawasan, dengan jumlah yang seragam Jarak di antara mereka.

Walau bagaimanapun, bukan taburan seragam, harga satu mata wang-pasangan mungkin akan ditemukan di daerah tertentu pada waktu tertentu. Ini adalah "pengedaran biasa,"Dan alat kebarangkalian boleh menunjukkan anggaran di mana harga yang mungkin dijumpai.

Taburan normal menawarkan peniaga forex kuasa ramalan mengenai kemungkinan bahawa harga mata wang-pasangan akan mencapai tahap tertentu dalam tempoh masa yang tertentu.

Komputer menggunakan penjana rawak nombor untuk mengira cara (purata) harga forex untuk menentukan taburan normal mereka.

Jika sebilangan besar harga sampel akan disemak, taburan normal akan membentuk bentuk lengkung loceng apabila diplotkan secara grafik. Jumlah lebih besar sampel, licin lengkung yang akan.

Kaedah-kaedah purata mudah adalah untuk membantu peniaga-peniaga, lagi kaedah-kaedah taburan normal menawarkan kuasa ramalan lebih berguna. Sebagai contoh, seorang peniaga mungkin mengira bahawa "purata" Langkah harga setiap hari sepasang forex adalah, berkata, 50 pips.

Namun, taburan normal juga boleh memberitahu peniaga kemungkinan bahawa langkah harga harian tertentu akan jatuh antara 30 dan 50 pips, atau antara 50 dan 70 pips.

Menurut peraturan taburan normal dan sisihan piawai, lebih kurang 68% sampel akan dikesan dalam tempoh satu sisihan piawai min (purata), dan kira-kira 95% akan ditemui dalam dua sisihan piawai daripada min. Akhirnya, ada 99.7% kemungkinan bahawa sampel tersebut akan jatuh dalam masa tiga sisihan piawai min.

Taburan normal dan sisihan piawai dalam fungsi penasihat pakar (DIA) dan peniaga-peniaga forex sistem perdagangan bantuan menilai kebarangkalian bahawa harga boleh bergerak jumlah tertentu dalam tempoh masa tertentu.

Namun, peniaga perlu berhati-hati apabila menggunakan konsep taburan normal sahaja untuk tujuan pengurusan risiko. Walaupun kebarangkalian sesuatu yang jarang berlaku (seperti penurunan harga 50%) mungkin kelihatan rendah, faktor pasaran yang tidak dijangka boleh membuat kemungkinan yang lebih tinggi daripada ia muncul semasa pengiraan taburan normal.

Kebolehpercayaan analisis bergantung kepada kuantiti dan kualiti data

Apabila model lengkung taburan normal, jumlah dan kualiti data harga input adalah sangat penting. Jumlah lebih besar sampel, licin lengkung yang akan. Juga, untuk mengelakkan kesilapan pengiraan yang disebabkan oleh data yang tidak mencukupi, ia adalah penting bahawa setiap pengiraan berdasarkan kepada sekurang-kurangnya tiga puluh sampel.

Jadi, untuk menguji strategi forex dagangan dengan menganggarkan hasil daripada perdagangan sampel, pemaju sistem mesti menganalisis sekurang-kurangnya 30 dagangan untuk mencapai kesimpulan-statistik dipercayai mengenai parameter yang diuji. Begitu juga, hasil daripada kajian 500 dagangan adalah lebih dipercayai dari yang dari analisis sahaja 50 dagangan.

Penyebaran dan jangkaan matematik untuk menganggarkan risiko

Kepada peniaga-peniaga forex, ciri-ciri yang paling penting dalam pengagihan adalah jangkaan matematiknya dan penyebaran. Jangkaan matematik untuk siri perdagangan adalah mudah untuk mengira: Hanya menambah sehingga semua keputusan perdagangan dan membahagikan jumlah itu dengan jumlah dagangan.

Jika sistem perdagangan yang menguntungkan, maka jangkaan matematik adalah positif. Jika jangkaan matematik adalah negatif, sistem adalah kehilangan secara purata.

The kecuraman saudara atau kebosanan lengkung taburan ditunjukkan dengan mengukur penyebaran atau penyebaran nilai-nilai harga di dalam kawasan jangkaan matematik. Biasanya, jangkaan matematik bagi apa-apa nilai-rawak diedarkan digambarkan sebagai M(X).

Jadi, serakan boleh ditakrifkan sebagai D(X) = M[(X-M(X)]².

Dan, punca kuasa penyebaran ini dipanggil sisihan piawainya, ditunjukkan dengan trengkas matematik sebagai sigma (p).

Penyebaran dan sisihan piawai adalah amat penting bagi pengurusan risiko dalam sistem perdagangan forex. Semakin tinggi nilai sisihan piawai, yang lebih tinggi akan menjadi pengeluaran potensi, dan semakin tinggi risiko. Begitu juga, nilai yang lebih rendah bagi sisihan piawai, yang lebih rendah akan menjadi pengeluaran manakala perdagangan sistem.

Sebagai contoh, Berikut adalah penilaian risiko sampel untuk ujian sistem perdagangan forex:

Perdagangan Jumlah X (Perdagangan Keuntungan atau Kerugian)

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

Dalam contoh di atas adalah berdasarkan bilangan minimum tiga puluh perdagangan untuk sampel yang mencukupi, ia adalah penting untuk ambil perhatian bahawa jangkaan matematik adalah positif, jadi strategi perdagangan forex memang menguntungkan.

Walau bagaimanapun, sisihan piawai adalah tinggi, Jadi, untuk mendapatkan setiap dolar peniaga itu mempertaruhkan jumlah yang lebih besar; sistem ini membawa risiko besar.

Berikut adalah seluruh matematik: Untuk menentukan jangkaan matematik untuk kumpulan perdagangan, menambah bersama semua keuntungan dan kerugian perdagangan ', kemudian dibahagikan dengan 30. Ini adalah nilai min M(X) bagi semua dagangan. Dalam kes ini, ia sama dengan keuntungan purata $4.26 setiap perdagangan. Sehingga kini, sistem nampak cerah.

Seterusnya, untuk mengira sisihan piawai bagi penyebaran, purata di atas $4.26 ditolak dari hasil setiap perdagangan, kemudian ia kuasa dua, dan jumlah semua kuasa dua ini ditambah bersama-sama. Jumlah wang yang dibahagikan oleh 29, iaitu jumlah perdagangan tolak 1.

Dengan menggunakan formula untuk Serakan (X) = M[(X-M(X)]² diberikan di atas, di sini merupakan semakan pengiraan dari perdagangan yang pertama dalam contoh kita:

Perdagangan 1: -17.08 - 4.26 = -21.34, dan (-21.34)² = 455.39

Pengiraan sama dilakukan untuk setiap perdagangan dalam siri ujian. Dalam contoh ini, serakan yang lebih siri yang sama 9,353.62 dan oleh definisi punca kuasa yang sama dengan sisihan piawai (p), yang dalam kes ini adalah $96.71.

Oleh itu peniaga forex yang melihat bahawa risiko untuk sistem tertentu ini adalah agak tinggi: Jangkaan matematik memang positif, dengan keuntungan min $4.26 setiap perdagangan, lagi sisihan piawai adalah tinggi berbanding dengan keuntungan yang.

Ia boleh dilihat bahawa peniaga itu mengambil risiko mengenai $96.71 untuk setiap peluang untuk mendapatkan $4.26 dalam keuntungan. Risiko ini boleh diterima, atau peniaga boleh memilih untuk mengubah suai sistem yang mencari risiko yang lebih rendah.

Z-skor

Di sebalik sifat berbahaya sistem perdagangan tertentu, peniaga-peniaga forex juga boleh menggunakan taburan normal dan sisihan piawai untuk mengira Z-skor, yang menunjukkan berapa kerap perdagangan yang menguntungkan akan berlaku yang berkaitan dengan kehilangan perdagangan.

Semasa proses membangunkan memenangi sistem trading forex, peniaga yang mungkin tertanya-tanya berapa ramai daripada dagangan menguntungkan dilihat semasa ujian adalah "rawak,"Dan berapa banyak perdagangan kalah berturut-turut mesti bertolak ansur untuk mencapai perdagangan memenangi.

Sebagai contoh, mari kita andaikan keuntungan dijangkakan purata dari sistem perdagangan forex diberikan adalah empat kali kurang daripada jumlah kerugian yang dijangka daripada setiap perintah stop-loss mencetuskan manakala perdagangan sistem ini.

Beberapa peniaga boleh menganggap bahawa sistem akan menang dari masa ke masa, selagi ada purata sekurang-kurangnya satu perdagangan yang menguntungkan bagi setiap empat perdagangan kehilangan. Namun, bergantung kepada pengagihan kemenangan dan kerugian, dalam perdagangan dunia sebenar sistem ini boleh menarik ke bawah terlalu mendalam untuk mendapatkan kembali dalam masa untuk pemenang seterusnya.

Taburan normal boleh digunakan untuk menjana Z-skor, kadang-kadang dipanggil skor yang standard, yang membolehkan peniaga menganggarkan bukan sahaja nisbah kemenangan kepada kerugian, tetapi juga berapa banyak kemenangan / kerugian yang mungkin berlaku berturut-turut.

A positif Z-skor yang merupakan nilai yang di atas min, dan Z-skor negatif mewakili nilai yang kurang daripada nilai purata. Untuk mendapatkan nilai ini, peniaga menolak min populasi daripada nilai mentah individu kemudian membahagikan perbezaan dengan sisihan populasi standard.

Pengiraan Markah piawai asas untuk skor yang mentah ditetapkan sebagai x adalah:

Z = (x - m) / p

Di mana μ adalah min populasi dan σ adalah sisihan populasi standard. Ia adalah penting untuk memahami bahawa mengira skor Z yang memerlukan peniaga tahu parameter penduduk, bukan sekadar ciri-ciri sampel yang diambil dari penduduk yang.

Z mewakili jarak antara min populasi dan skor mentah, dinyatakan dalam unit sisihan piawai. Jadi, untuk sistem perdagangan forex:

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

Apabila:

N adalah jumlah dagangan dalam siri;
R ialah jumlah siri menang dan kehilangan perdagangan;
P sama 2 x W x L
W adalah jumlah perdagangan menang dalam siri
L adalah jumlah kehilangan perdagangan dalam siri

Siri individu boleh diwakili oleh satu urutan berturut-turut plus atau kemudaratan (contohnya ++++ atau —). R mengira jumlah siri itu.

Z boleh menawarkan penilaian sama ada sistem perdagangan forex beroperasi pada-sasaran, atau berapa jauh mensasarkan-ia mungkin.

Apa yang penting, peniaga boleh menggunakan Z-skor untuk menentukan sama ada sistem perdagangan mengandungi siri lebih sedikit atau lebih banyak menang dan kalah daripada yang dijangkakan daripada urutan rawak dagangan– Dalam erti kata lain, sama ada hasil perdagangan berturut-turut bergantung pada satu sama lain.

Jika Z-skor adalah berhampiran 0, kemudian pengagihan hasil perdagangan adalah berhampiran taburan normal. Rata-rata daripada urutan dagangan boleh menunjukkan pergantungan antara keputusan yang perdagangan.

Ini kerana nilai rawak normal akan menyimpang dari nilai purata tidak lebih daripada tiga sigma (3 x p) dengan kepastian 99.7%. Sama ada nilai Z adalah positif atau negatif akan memaklumkan peniaga tentang jenis pergantungan: Nilai Z positif menunjukkan bahawa perdagangan yang menguntungkan akan disusuli dengan rugilah.

Dan, Z positif menunjukkan bahawa perdagangan yang menguntungkan akan disusuli dengan satu lagi menguntungkan, dan rugilah ia akan disusuli dengan kerugian lain. Ini pergantungan diperhatikan membolehkan trader forex mengubah saiz kedudukan bagi dagangan individu untuk membantu menguruskan risiko.

Nisbah Sharpe

Nisbah Sharpe, atau ganjaran-kepada-kepelbagaian nisbah, adalah salah satu alat kebarangkalian yang paling berharga untuk peniaga-peniaga forex. Seperti kaedah yang dinyatakan di atas, ia bergantung kepada menggunakan konsep taburan normal dan sisihan piawai. Ia memberikan peniaga kaedah untuk memeriksa prestasi sistem perdagangan oleh pelarasan bagi risiko.

Langkah pertama ialah untuk mengira Pulangan Tempoh Pegangan (HPR). Sebagai contoh, perdagangan yang menghasilkan keuntungan sebanyak 10% telah HPR yang dikira sebagai 1 + 0.10 = 1.10 manakala perdagangan yang kehilangan 10% dikira sebagai 1 - 0.10 = 0.90.

Begitu juga, HPR boleh dikira dengan membahagikan jumlah baki selepas perdagangan dengan jumlah sebelum-perdagangan. Pulangan Purata Tempoh Pegangan (AHPR) kemudiannya dikira dengan menjumlahkan semua individu pulangan pegangan-tempoh, kemudian membahagikan dengan jumlah dagangan.

AHPR dengan sendirinya menghasilkan purata aritmetik yang tidak betul menganggarkan prestasi sistem perdagangan forex dari masa ke masa. Sebaliknya, kecekapan pelaburan sistem perdagangan yang boleh dianggarkan lebih rapat dengan menggunakan Nisbah Sharpe yang, yang menunjukkan bagaimana AHPR tolak kadar bebas risiko pulangan pelaburan jangka panjang berkaitan dengan sisihan piawai bagi sistem perdagangan.

Nisbah Sharpe = [AHPR - (1 + KENDERAAN PELANCAR)] / SD

Apabila AHPR adalah purata pulangan tempoh pemegangan, RFR adalah kadar bebas risiko pulangan daripada "selamat" pelaburan seperti kadar faedah bank atau kadar T-bon jangka panjang, dan SD adalah sisihan piawai.

Sejak lebih daripada 99% semua nilai rawak akan jatuh dalam jarak ± 3σ sekitar nilai min M(X) untuk sistem perdagangan diberikan, lebih tinggi Nisbah Sharpe yang yang, yang lebih cekap sistem perdagangan.

Sebagai contoh, jika Nisbah Sharpe untuk keputusan perdagangan biasanya diedarkan adalah 3, ia menunjukkan bahawa kebarangkalian yang kalah adalah kurang daripada 1% setiap perdagangan, mengikut kaedah 3-sigma.

Konsep taburan normal, penyebaran, Z-skor dan Nisbah Sharpe telah dimasukkan ke dalam logaritma EA dan sistem perdagangan mekanikal, dan kegunaan mereka tidak kelihatan kepada kebanyakan peniaga.

Namun, dengan mengetahui bagaimana alat-alat asas kebarangkalian bekerja, peniaga-peniaga forex boleh memahami dengan lebih mendalam tentang bagaimana sistem automatik melaksanakan fungsi mereka, dan dengan itu meningkatkan kebarangkalian perdagangan memenangi.

Adakah anda sedang menggunakan alat kebarangkalian untuk meningkatkan peluang anda sendiri untuk berjaya?

Sistem Parameter Pilihatur Beats Perlombongan Data Bias

Mei 16, 2014 oleh Eddie Flower 6 Komen

Baru-baru ini, perspektif baru yang menarik telah muncul mengenai pembangunan perdagangan-sistem. Persatuan Kebangsaan Pengurus Pelaburan Aktif (NAAIM) mempunyai hanya mengumumkan yang $10,000 Anugerah Wagner untuk Dave Walton daripada StatisTrade untuk kerja-kerja perintis dalam meneroka kaedah baru untuk pembangunan perdagangan-sistem, yang dia memanggil Sistem Parameter Pilihatur (SPP).

Ia adalah satu hadiah yang mempunyai merit, sejak SPP kemas menyelesaikan isu lama yang berat sebelah perlombongan data.

Artikel ini akan merumuskan implikasi Sistem Parameter Pilihatur, dan kertas 33-halaman keseluruhan boleh dimuat turun di sini. SSP adalah menarik kerana ia membuka satu ufuk baru sepenuhnya dalam pembangunan perdagangan-sistem. Ia mempunyai kuasa untuk membantu meningkatkan peniaga galah ke peringkat seterusnya, jadi ia bernilai mengambil lihat yang teliti.

Ramai pedagang telah kecewa dengan prestasi sistem perdagangan yang tidak hidup sehingga jangkaan, dan ia seolah-olah bahawa berat sebelah data perlombongan (DMB) kebanyakannya untuk menyalahkan. Kesan DMB adalah salah faham dan dipandang remeh oleh kebanyakan peniaga dan pemaju sistem.

Quants institusi Malah yang berpengalaman menjadi mangsa kepada kesan DMB, dan sangat sedikit peniaga telah dapat mengatasinya. Nilai SPP terletak pada kuasanya untuk mengurangkan DMB dan membolehkan pemaju untuk berkesan bentuk sistem perdagangan mekanikal mengikut kebarangkalian kejayaan mereka di masa hadapan, tidak kejayaan lalu.

Sistem Parameter Pilihatur seolah-olah alat yang sempurna untuk peniaga-peniaga yang aktif hanya menggunakan sistem perdagangan mekanikal, dan ia dikatakan berkesan untuk sistem perdagangan menggunakan apa-apa tempoh masa. Ia membantu peniaga menjawab kedua-dua soalan asas:

Apakah jangkaan prestasi jangka panjang untuk sistem perdagangan diberikan?

Apakah yang paling teruk prestasi jangka pendek (Dgn kata lain. pengeluaran) yang mesti diterima untuk mencapai bahawa jangkaan prestasi jangka panjang?

Mentakrifkan parameter bagi Sistem Parameter Pilihatur

SPP ialah untuk digunakan hanya dengan sistem perdagangan mekanikal sepenuhnya menggunakan kaedah-kaedah dagangan algoritma kuantitatif. Jadi, ia sesuai untuk peniaga-peniaga hari ini.

Untuk mengekalkan penjelasan di dalam kertas mudah memenangi anugerah dan mudah-untuk-mengikuti, penulis menyimpan definisi dan arahan mudah.

Demi kesederhanaan, kajian utama penulis Sistem Parameter Pilihatur berdasarkan ETF menggunakan dagangan "lama" hanya, sejak seluar pendek akan menyukarkan andaian input mengenai saham yang dipinjam, panggilan balas, dividen, dan caj faedah. Penulis digunakan tempoh simulasi di dalam sejarah, kira-kira tujuh tahun setengah. Komisen dan kos-kos lain telah dikira pada tahap yang biasa.

Keputusan simulasi SPP bakar dihadkan kepada empat metrik: Pulangan tahunan dikompaun, pengeluaran maksimum, nisbah maklumat tahunan, dan sisihan piawai tahunan pulangan harian. Untuk membandingkan keberkesanan SPP dalam meramalkan prestasi perdagangan-sistem, simulasi juga disemak menggunakan warisan luar sampel (TIMUR) kaedah.

Bagaimana untuk mengurangkan data berat sebelah perlombongan?

Berat sebelah perlombongan Data, juga dikenali sebagai terlebih pengoptimuman, keluk-memasang atau lebih sesuai, adalah musuh pemaju perdagangan-sistem yang paling teruk.

Kebanyakan pemaju membina DMB ke dalam sistem mereka tanpa memahami apa yang ia dan bagaimana ia racun sistem. Akibatnya, sistem mereka pasti akan melakukan lebih teruk pada masa akan datang daripada ujian belakang sejarah akan mempunyai mereka percaya.

Isu-isu yang disebabkan oleh hasil DMB daripada prasyarat yang wujud semasa proses pembangunan sistem-, iaitu rambang dan pendekatan pelbagai-perbandingan. DMB menyebabkan metrik prestasi yang terhasil akan melambung di sebelah kejayaan.

Perlombongan data untuk mencari set terbaik daripada peraturan perdagangan bermakna bahawa pemaju berakhir dengan hanya keputusan terbaik prestasi sejarah, yang tidak sama dengan kaedah-kaedah bagi prestasi terbaik masa depan.

Malah, undang-undang ke arah regresi statistik min menunjukkan bahawa "nasib baik" masa lalu tidak mungkin akan berulang pada masa akan datang apabila menggunakan set yang sama peraturan perdagangan.

Pemaju sistem Savvy menggunakan pelbagai kaedah untuk mengurangkan DMB, termasuk merentas pengesahan dengan memeriksa prestasi sistem selepas regresi kepada min yang telah berlaku. Atau, mereka mungkin cuba untuk mengimbangi berat sebelah, atau membiak keputusan mereka dengan faktor deflasi dengan harapan untuk meneutralkan kesan berat sebelah perlombongan data.

Oleh itu, DMB mewujudkan sistematik, sukar-untuk-mengukur kesilapan dengan memberi tumpuan kepada hasil daripada tuah, manakala mengabaikan kemungkinan nasib buruk. Berbeza, Akaun Sistem Parameter Pilihatur untuk berlakunya nasib baik dan buruk.

Menggunakan Sistem Parameter Pilihatur untuk menentukan prestasi sistem

Batasan tebatan DMB bermakna pemaju sering mengalami ramalan yang tidak tepat mengenai prestasi sistem perdagangan masa depan. Berbeza, SPP menawarkan kaedah berguna untuk menganggarkan dengan tepat prestasi dan juga sebagai satu cara untuk menguji kepentingan statistik keputusan, bebas daripada bias perlombongan data.

Yang paling menarik, SPP berfungsi dengan baik bersama-sama alat pengoptimuman standard yang digunakan dalam komersil sedia pakej perisian dagangan.

Beyond mengelakkan isu-isu yang disebabkan oleh DMB, Sistem Parameter Pilihatur juga membolehkan peniaga dan pemaju secara objektif menyemak prestasi jangka panjang sistem perdagangan ini "kelebihan." Dan, ia membolehkan mereka untuk menentukan jangka pendek "kes terburuk" prestasi sistem ini. Bagi sistem sudah digunakan, SPP membantu menentukan bila dan sama ada kerja itu kaedah-kaedah lama tidak lagi.

Bagaimana kerja-kerja SPP

Sistem Parameter Pilihatur bekerja dengan menjana set besar taburan pensampelan metrik prestasi sistem ini. Setiap titik individu dalam keputusan pembahagian daripada simulasi sejarah kesan portfolio. Daripada taburan pensampelan, pemaju dan peniaga boleh menilai sistem berdasarkan sebarang metrik prestasi yang dikehendaki.

SPP menggunakan statistik dari ini taburan persampelan untuk menganggarkan prestasi sistem dan juga menyediakan ukuran penting statistik taburan.

Berbeza dengan kaedah pengoptimuman standard, Sistem Parameter Pilihatur tidak hanya memilih satu "ideal" set parameter yang akan digunakan untuk mewujudkan satu set peraturan perdagangan yang akan menjadi sejarah yang berjaya. Sebaliknya, Penggunaan SPP semua data prestasi untuk semua set parameter yang dinilai semasa pengoptimuman.

Bagi setiap metrik, SPP menjana taburan pensampelan yang menggabungkan hasil andaian-perdagangan dari semua kombinasi parameter. Pendekatan ini adalah jauh berbeza daripada pampasan DMB atau merentas pengesahan, kerana mereka menggunakan hanya kaedah hasil daripada satu "terbaik" set perdagangan dalam meramal prestasi sistem.

SPP bergantung kepada prestasi median dalam setiap pengedaran kerana beberapa sebab: (1) Median ini tidak dipengaruhi oleh DMB; (2) bentuk keluk taburan adalah tidak penting; dan (3) median yang tidak terjejas oleh titik terpencil.

Langkah-langkah untuk SPP

Untuk menjana taburan pensampelan prestasi metrik, pemaju perlu terlebih dahulu menentukan set yang sesuai adalah antara parameter untuk sistem perdagangan, kemudian buat satu taburan pensampelan. SPP adalah berdasarkan kepada langkah-langkah berikut:

1. Tentukan julat imbasan parameter untuk sistem;

2. Bahagikan julat parameter imbasan setiap individu ke nombor yang dikehendaki mata pemerhatian;

3. Melaksanakan pengoptimuman lengkap setiap kombinasi nilai-nilai parameter menggunakan simulasi sejarah dalam tempoh masa yang dipilih;

4. Combine together ini keputusan simulasi dari setiap varian dan setiap untuk membina taburan pensampelan mengenai setiap metrik prestasi yang dikehendaki, seperti pulangan tahunan kompaun (KERETA) dan pengambilan maksimum.

Dengan kaedah Sistem Parameter Pilihatur, setiap titik dalam taburan pensampelan berasal dari jangka simulasi mengikut varian sistem individu. Bergantung kepada masa dan kuasa yang ada untuk pengiraan sistem perdagangan pemaju, apa-apa bilangan metrik prestasi boleh diperiksa.

Fungsi taburan kumulatif (CDF) kemudiannya diperiksa bagi setiap metrik, untuk menganggarkan prestasi sistem dan tiba pada kesimpulan statistik.

Ia adalah sangat penting untuk memilih SPP parameter imbasan antara hati-hati untuk mengelakkan berat sebelah perlombongan data. Sebagai contoh, jika SPP diulang beberapa kali menggunakan julat imbasan yang berbeza untuk mencari keputusan yang lebih baik, maka ia boleh dijangkiti melalui barang berat sebelah yang positif.

Menggunakan SPP untuk menganggarkan prestasi jangka panjang sistem perdagangan

Soalan yang paling penting yang perlu dijawab oleh Sistem Parameter Pilihatur berkaitan prestasi jangka panjang sistem perdagangan diberikan. Yang paling tepat anggaran jangka panjang tersebut diperoleh daripada taburan pensampelan berdasarkan semua data pasaran boleh didapati. Seperti yang dinyatakan di atas, nilai median bagi taburan menawarkan anggaran prestasi terbaik bagi setiap metrik.

Juga, peniaga dan pemaju sistem boleh menguji kepentingan statistik anggaran prestasi, sama ada dari segi pulangan mutlak atau diukur berbanding penanda aras. Apabila menggunakan SPP, tahap keyakinan dan p-nilai boleh dianggarkan secara langsung dengan menggunakan CDF.

Sistem Parameter Pilihatur juga menganggarkan jangka pendek dan terburuk prestasi

Walaupun pemaju sistem perdagangan secara semula jadi memberi tumpuan kepada potensi sistem ini untuk keuntungan jangka panjang, SPP juga berguna untuk menganggarkan drawdowns yang mesti dialami untuk mencapai keuntungan tersebut.

• Semua data pasaran dibahagikan ke dalam blok masa yang sama dengan panjang tempoh masa jangka pendek yang dipilih (t);

• Blok masa mungkin bertindih dengan blok bersebelahan, bergantung kepada jangka masa yang dipilih untuk isyarat perdagangan, Contohnya. setiap jam dalam masa sehari, atau bulanan dalam tempoh setahun;

• Hasilnya ialah jumlah yang (m) blok masa;

• Langkah di atas tersenarai 1 melalui 4 dilaksanakan bagi semua (m) blok masa secara individu;

Seperti menganggarkan tempoh jangka panjang, panjang tempoh jangka pendek bergantung kepada pilihan pedagang dan objektif perdagangan.

Jadi, jika sistem perdagangan mempunyai (n) kombinasi parameter, dalam jumlah (m x n) pilih atur pengoptimuman dikira dari tempoh masa yang bersejarah t menjana taburan pensampelan bagi setiap makhluk metrik diperiksa semasa memilih jangka pendek jangka masa yang. Sama seperti dengan kajian prestasi jangka panjang, peniaga boleh memilih mana-mana nombor metrik untuk kajian jangka pendek.

Persampelan pengagihan daripada proses SPP jangka pendek menghasilkan sampel yang lebih individu yang mempunyai variasi yang lebih tinggi daripada yang dihasilkan oleh proses SPP jangka panjang. Walau bagaimanapun, setiap pengedaran mempunyai jangka masa yang lebih pendek dan oleh itu mewakili kurang dagangan tertutup dalam setiap sampel.

Jadi, ralat piawai bagi setiap sampel jangka pendek adalah lebih besar. Apabila kenaikan ralat piawai, perubahan taburan pensampelan juga meningkatkan.

Berbekalkan ini taburan pensampelan, seorang peniaga boleh membuat keputusan kebarangkalian yang didorong oleh kira-kira sama ada untuk berdagang satu sistem atau tidak. Pertama, peniaga memutuskan pada tahap kebarangkalian bahawa dia menganggap mustahil lagi boleh diterima sebagai senario kes terburuk, mungkin satu 1% kepada 5% kehilangan.

Atau, peniaga boleh menentukan kes yang paling teruk memandangkan tahap prestasi kurangnya-baik-lagi-yang-boleh diterima. CDF daripada taburan pensampelan jangka pendek kemudiannya diperiksa mengikut tahap yang dipilih prestasi diingini.

Jika peniaga tidak dapat atau tidak mahu bertolak ansur dengan kebarangkalian yang ditunjukkan kerugian, maka dia tidak patut menjual sistem yang. Oleh itu, Sistem Parameter Pilihatur menyediakan peniaga-peniaga dengan risiko penilaian dan pengurusan risiko alat objektif.

Mengapa SPP berfungsi dengan baik

Sistem Parameter Pilihatur bekerja kerana ia memanfaatkan undang-undang mengenai statistik regresi kepada min, bukannya tidak menghiraukan perkara itu kerana kebanyakan kaedah pengoptimuman sistem-lain lakukan. Serta, SPP mengambil kesempatan daripada kuasa pengkomputeran moden dengan cepat mengeluarkan dan menggunakan jumlah maksimum maklumat daripada semua data pasaran boleh didapati.

Kaedah pengoptimuman tradisional mengira metrik prestasi dari satu set terbaik daripada perdagangan ditemui semasa pengoptimuman. Namun, resampling rawak boleh menyebabkan andaian bermasalah dan berat sebelah perlombongan data.

Dengan menggunakan sejumlah besar gabungan parameter-nilai, SPP menganggarkan kesan min-regresi. Menggunakan semua data pasaran boleh didapati memastikan bahawa sistem yang terdedah kepada pelbagai jenis keadaan pasaran, dan keputusan mengandungi ralat piawai mungkin yang paling kecil.

Berbeza dengan resampling rawak, apabila menggunakan SPP variasi rawak mengakibatkan daripada mengubah masuk dan keluar peraturan bagi dagangan hipotesis menggunakan data pasaran sebenar. Oleh itu, Akaun SPP untuk kesan kedua-dua dagangan siap serta perdagangan secara rawak-dilangkau.

Dalam erti kata lain, Sistem Parameter Pilihatur membolehkan pembangun sistem perdagangan meneroka aspek sistem yang jika tidak kekal tersembunyi lagi boleh dilakukan dalam perdagangan sebenar.

SPP membuka pintu baru untuk peniaga-peniaga mekanikal

Secara tradisional, pemaju telah membina sistem perdagangan mereka menurut anggaran prestasi berdasarkan pengoptimuman titik tunggal dan langkah-langkah yang mempunyai pengertian statistik yang disimpulkan daripada bilangan yang terhad dagangan. Namun, Sistem Parameter Pilihatur menyediakan peniaga-peniaga dengan taburan pensampelan lebih berguna metrik prestasi, dan ia mencakupi semua dagangan sejarah, sama ada atau tidak mereka sebenarnya berlaku.

SPP boleh membantu peniaga-peniaga dengan yakin meramalkan kedua-dua keuntungan jangka panjang dan juga drawdowns jangka pendek. Yang paling menarik, ia boleh membantu pemaju sistem perdagangan kuantitatif mengelakkan data berat sebelah perlombongan yang merompak mereka daripada kedua-dua keyakinan dan keuntungan mereka.

Apakah kaedah yang anda gunakan untuk mengelakkan keluk pemasangan sistem?