MetaTrader 4 - Trading Matematica in Trading: come stimare Commercio Risultati Se ho intenzione di ingannare dalla casualità è meglio essere del bello (e innocuo) tipo. Nassim N. Taleb Introduzione: La matematica è la regina delle scienze Un certo livello di sfondo matematico è richiesto di qualsiasi operatore, e questa affermazione non ha bisogno di prove. La questione è solo: come possiamo definire questo livello minimo necessario per la crescita della propria esperienza di trading, trader spesso allarga la sua visione con una sola mano, la lettura di messaggi su forum o vari libri. Alcuni libri richiedono più basso livello di sfondo matematica di lettori, alcuni, al contrario, ispirano uno da studiare o rinfrescare le conoscenze quelli in un campo delle scienze puri o un'altra. Cercheremo di dare alcune stime e le loro interpretazioni in questo singolo articolo. Dei due mali Scegliere il almeno ci sono altri matematici del mondo di commercianti di successo. Questo fatto viene spesso usato come argomento per coloro che si oppongono calcoli complessi o metodi nel commercio. Possiamo dire contro di essa che il commercio non è solo la capacità di sviluppare regole di negoziazione (competenze analisi), ma anche capacità di osservare queste regole (disciplina). Inoltre, una teoria che avrebbe esattamente descrivere prezzi sui mercati finanziari non sono stati ancora creato ormai (penso che non verrà mai creata). La creazione della teoria (scoperta della natura matematica) dei mercati finanziari si avrebbe significato la morte di questi mercati che è un paradosso indecidibile, in termini di filosofia. Tuttavia, se ci troviamo di fronte alla domanda se per andare al mercato con non del tutto soddisfacente descrizione matematica del mercato o senza una descrizione a tutti, abbiamo scelto il male minore: Abbiamo scelto metodi di stima dei sistemi di trading. Qual è Anomalia di distribuzione normale Una delle nozioni di base della teoria della probabilità è la nozione di distribuzione normale (gaussiana). Perché è chiamato come questo Molti processi naturali si è rivelata distribuzione normale. In particolare, i processi più naturali, al limite, si riducono a distribuzione normale. Consideriamo un semplice esempio. Supponiamo di avere una distribuzione uniforme sull'intervallo da 0 a 100. distribuzione omogenea significa che la probabilità di cadere qualsiasi valore nell'intervallo e la probabilità di tale 3. 14 (Pi) cadrà è la stessa di quella di caduta 77 (il numero preferito con due sette). I computer moderni contribuiscono a generare una piuttosto buona sequenza pseudo-numero. Come possiamo ottenere distribuzione normale di questa distribuzione uniforme Si scopre che, se prendiamo ogni volta vari numeri casuali (per esempio, 5 numeri) di una distribuzione unica e trovare il valore medio di questi numeri (questo è chiamato a prendere un campione ) e se la quantità di tali campioni è grande, la distribuzione di recente ottenuto tenderà alla normalità. Il teorema limite centrale dice che questo riguarda non soltanto campioni prelevati da distribuzioni unici, ma anche ad una classe molto ampia di altre distribuzioni. Poiché le proprietà di distribuzione normale sono stati studiati molto bene, sarà molto più facile da analizzare i processi se sono rappresentati come un processo con distribuzione normale. Tuttavia, vedere per credere, in modo che possiamo vedere la conferma di questo teorema del limite centrale utilizzando un indicatore MQL4 semplice. Cerchiamo di lanciare tale indicatore in qualsiasi grafico con differenti N (quantità di campioni) valori e vediamo che la distribuzione di frequenza empirica diventa più liscia e levigata. Fig. 1. Indicatore che crea una distribuzione normale di uno uniforme. Qui, N indica quante volte abbiamo preso la media di pile5 numeri uniformemente distribuiti sull'intervallo da 0 a 100. Abbiamo ottenuto quattro grafici, molto simile in apparenza. Se li normalizziamo in qualche modo al limite (aggiunta ad una singola scala), otterremo un diversi realizzazioni della distribuzione normale standard. La mosca solo in questo unguento è che i prezzi sui mercati finanziari (per essere più esatti, incrementi dei prezzi e altri derivati di questi incrementi), in generale, non si adatta alla distribuzione normale. La probabilità di un evento piuttosto raro (per esempio, di prezzo decrescente da 50) sui mercati finanziari, mentre quella bassa, ma ancora notevolmente superiore a distribuzione normale. Questo è il motivo per cui si dovrebbe ricordare questo quando la valutazione dei rischi sulla base della distribuzione normale. Quantità trasforma in qualità Anche questo semplice esempio di modellazione distribuzione normale indica che la quantità di dati da elaborare conteggi per molto. I dati più iniziali ci sono, più precisa e valida il risultato è. Il numero più piccolo del campione è considerato di avere a superare i 30. Ciò significa che, se vogliamo stimare i risultati di mestieri (ad esempio, un Expert Advisor nel tester), la quantità di scambi inferiore a 30 non è sufficiente per rendere statisticamente affidabili conclusioni su alcuni parametri del sistema. I mestieri più analizziamo, minore è la probabilità è che questi traffici sono solo felicemente elementi di un sistema di negoziazione non molto affidabile strappati. Quindi, il profitto finale in una serie di 150 commerci offre più motivi per la messa in servizio del sistema di un sistema stimato solo su 15 commerci. Speranza matematica e dispersione come Stima del rischio Le due caratteristiche più importanti di una distribuzione sono speranza matematica (media) e dispersione. La distribuzione normale standard ha una speranza matematica uguale a zero. Al che, il centro di distribuzione si trova a zero, pure. Planarità o pendenza della distribuzione normale è caratterizzata dalla misura della diffusione di un valore casuale all'interno dell'area di speranza matematica. E 'la dispersione che ci mostra come i valori sono sparsi sulla valori casuali speranza matematica. speranza matematica può essere trovato in un modo molto semplice: Per insiemi numerabili, tutti i valori di distribuzione sono riassunte, la somma ottenuta diviso per la quantità di valori. Ad esempio, un insieme di numeri naturali è infinito, ma numerabile, poiché ogni valore può essere correlate ai suo indice (numero d'ordine). Per i set di innumerevoli, verrà applicata l'integrazione. Per stimare speranza matematica di una serie di mestieri, saremo riassumere tutti i risultati commerciali e di dividere l'importo ottenuto dalla quantità di commerci. Il valore ottenuto mostrerà il risultato medio atteso di ogni commercio. Se speranza matematica è positivo, abbiamo profitto in media. Se è negativo, si perde in media. Fig.2. Grafico di densità di probabilità di distribuzione normale. La misura della dispersione della distribuzione è la somma dei quadrati delle deviazioni del valore casuale dalla speranza matematica. Questa caratteristica della distribuzione è detta dispersione. Normalmente, speranza matematica per un valore distribuito casualmente si chiama M (X). Poi la dispersione può essere descritto come D (X) M ((X-M (X)) 2). La radice quadrata della dispersione si chiama deviazione standard. Viene anche definito come sigma (). È una distribuzione normale avente speranza matematica uguale a zero e deviazione standard pari a 1 denominato normale o gaussiana, distribuzione. Più alto è il valore della deviazione standard è il più mutevole la capitale commerciale è, maggiore è il suo rischio è. Se la speranza matematica è positivo (una strategia proficua) e pari a 100 e se la deviazione standard è pari a 500, rischiamo una somma, che è molte volte più grande, per guadagnare ogni dollaro. Ad esempio, abbiamo i risultati di 30 mestieri: Per trovare la speranza matematica per questa sequenza di scambi, cerchiamo di riassumere tutti i risultati e dividiamo questo per 30. Otterremo valore M media (X) pari a 4,26. Per trovare la deviazione standard, cerchiamo di sottrarre la media da ogni compravendite risultato, Piazza, e troviamo la somma dei quadrati. Il valore ottenuto viene diviso per 29 (la quantità di commerci meno uno). Così otterremo dispersione D pari a 9 353,623. Avendo generato radice quadrata della dispersione, si ottiene la deviazione standard, sigma, pari a 96.71. I dati di controllo sono riportati nella tabella seguente: (X-M (X)) 2 (Piazza della differenza) Quello che abbiamo ottenuto è la speranza matematica pari a 4.26 e la deviazione standard di 96.71. Non è il miglior rapporto tra il rischio e il commercio media. grafico dei profitti sotto lo conferma: Fig.3. Equilibrio grafico per operazioni effettuate. Non ho commerciale a caso Z-score Il presupposto stesso che il profitto ottenuto come risultato di una serie di compravendite è suoni casuali sardonico per la maggior parte dei commercianti. Dopo aver trascorso un sacco di tempo alla ricerca di un sistema di trading di successo e ha osservato che il sistema trovato ha già portato ad alcuni profitti reali su un periodo piuttosto limitato di tempo, il commerciante suppone di aver trovato un corretto approccio al mercato. Come può lui o lei per scontato che tutto questo era solo un casualità Quello è un po 'troppo spesso, soprattutto per i neofiti. Tuttavia, è essenziale per stimare i risultati oggettivamente. In questo caso, distribuzione normale, ancora una volta, viene in soccorso. Non sappiamo ciò che ci saranno ogni compravendite risultato. Possiamo solo dire che ci sia il profitto guadagno () o incontrarsi con perdite (-). Gli utili e le perdite si alternano in modo diverso per i diversi sistemi di negoziazione. Ad esempio, se il profitto atteso è 5 volte inferiore alla perdita attesa in attivazione di Stop Loss, sarebbe ragionevole presumere che fruttuosi scambi commerciali (commercio) prevarranno in modo significativo su quelle perdenti (- mestieri). Z - score permette di stimare quanto spesso fruttuosi scambi commerciali si alternano con la perdita di quelli. Z per un sistema di Borsa è calcolato con la seguente formula: dove: N - quantità totale degli scambi in una serie R - importo totale di una serie di fruttuosi scambi commerciali e perdere P 2WL W - quantità totale di fruttuosi scambi commerciali della serie L - importo totale di perdere traffici in serie. Una serie è una sequenza di vantaggi seguite da ogni altro (per esempio) o negativi, seguita da l'altro (per esempio, -). R conta la quantità di tale serie. Fig.4. Confronto di due serie di utili e perdite. In Fig. 4, una parte della sequenza dei profitti e delle perdite della Expert Advisor che ha preso il primo posto al Campionato Automated Trading 2006 sono mostrati in blu. Z-score del suo conto la concorrenza ha il valore di -3.85, probabilità di 99.74 è indicato tra parentesi. Ciò significa che, con una probabilità di 99.74, quotata questo account ha una dipendenza positiva tra loro (Z-score è negativo): un utile è stato seguito da un utile, una perdita è stato seguito da una perdita. E 'questo il caso Coloro che sono stati a guardare il campionato probabilmente ricordare che Roman Rich posto la sua versione di Expert Advisor MACD che si era spesso aperto tre trades in esecuzione nella stessa direzione. Una tipica sequenza di valori positivi e negativi del valore casuale nella distribuzione normale è mostrato in rosso. Possiamo vedere che queste sequenze sono diverse. Tuttavia, come possiamo misurare questa differenza Z-score rispondere a questa domanda: La vostra sequenza di profitti e perdite contengono più o meno strisce (redditizio o una serie di perdere) che ci si può aspettare per una sequenza veramente casuale senza alcuna dipendenza tra mestieri Se la Z - score è vicino a zero, non possiamo dire che commercia distribuzione differisce dalla distribuzione normale. Z-score di una sequenza di trading può informarci possibile dipendenza tra compravendite consecutivi. Al che, i valori di Z vengono interpretati nello stesso modo come la probabilità di deviazione da zero un valore casuale distribuita secondo la distribuzione normale standard (average0, sigma1). Se la probabilità di cadere un valore casuale distribuzione normale nell'intervallo 3 è 99.74, la caduta di questo valore al di fuori di questo intervallo con la stessa probabilità di 99.74 ci informa che questo valore casuale non appartiene a tale data distribuzione normale. Questo è il motivo per cui la regola del 3-sigma è come segue: un valore casuale normale devia dalla sua media da nessuna distanza superiore a 3-sigma. Segno di Z ci informa sul tipo di dipendenza. Inoltre significa che è più probabile che il commercio vantaggioso sarà seguita da perdente. Minus dice che il profitto sarà seguita da un utile, una perdita sarà seguita da una perdita di nuovo. Una piccola tabella seguente illustra il tipo e la probabilità di dipendenza tra traffici rispetto alla distribuzione normale. Probabilità di dipendenza, tipo di dipendenza da una dipendenza positiva tra mestieri significa che un profitto causerà un nuovo profitto, mentre una perdita causerà una nuova perdita. Una dipendenza negativo significa che un risultato sarà seguita da una perdita, mentre la perdita sarà seguita da un profitto. La dipendenza trovato ci permette di regolare la dimensione delle posizioni che devono essere aperti (idealmente) o addirittura saltare alcuni di loro e li apriamo solo virtualmente, al fine di assistere le sequenze commerciali. Tenere Periodo Returns (HPR) Nel suo libro, The Mathematics of Money Management. Ralph Vince utilizza la nozione di HPR (tenendo rendimenti di periodo). Un commercio portato a profitto del 10 ha il HPR10.101.10. Un commercio provocato una perdita del 10 ha la HPR1-0. 100.90. È inoltre possibile ottenere il valore di HPR per un commercio dividendo il valore di bilancio dopo il commercio è stato chiuso (BalanceClose) per il valore saldo al apertura del commercio (BalanceOpen). HPRBalanceCloseBalanceOpen. Così, ogni commercio ha sia un risultato in termini di denaro e di conseguenza espresso come HPR. Questo ci permetterà di confrontare i sistemi indipendentemente dalla dimensione dei contratti scambiati. Uno degli indici usati in tale confronto è la media aritmetica, AHPR (media tenendo rendimenti di periodo). Per trovare il AHPR, dobbiamo riassumere tutte le HPRs e dividere il risultato per il numero di compravendite. Consente di prendere in considerazione questi calcoli utilizzando l'esempio precedente di 30 mestieri. Supponiamo abbiamo iniziato a fare trading con 500 sul conto. Consente di fare una nuova tabella: AHPR sarà trovato come media aritmetica. E 'pari a 1,0217. In altre parole, abbiamo mediamente guadagniamo (1,0217-1) 1.002,17 per ogni scambio. E 'questo il caso se moltiplichiamo 2.17 da 30, vedremo che il reddito dovrebbe fare 65.1. Consente di moltiplicare l'importo iniziale di 500 da 65,1 e ottenere 325.50. Allo stesso tempo, il profitto reale rende (627,71-500) 50.010.025,54. Pertanto, la media aritmetica dei HPR non sempre consente di stimare un sistema correttamente. Insieme con la media aritmetica, Ralph Vince introduce la nozione di media geometrica che chiameremo GHPR (geometrico rendimenti holding period), che è praticamente sempre inferiore al AHPR. La media geometrica è il fattore di crescita per gioco ed è stato ritrovato dalla seguente formula: dove: N - quantità di commerci BalanceOpen - stato iniziale del conto BalanceClose - stato finale del conto. Il sistema di avere la più grande GHPR renderà i profitti più alti se abbiamo scambi sulla base del reinvestimento. Il GHPR di sotto di un significa che il sistema perderà soldi se abbiamo scambi sulla base del reinvestimento. Un buon esempio della differenza tra AHPR e GHPR può essere sashkens rappresentano la storia. Era il capo campionati per un lungo periodo. AHPR 9.98 impressiona, ma la finale GHPR-27.68 mette tutto in prospettiva. Sharpe Ratio efficienza degli investimenti è spesso stimata in termini di profitti dispersione. Uno di questi indici è Sharpe Ratio. Questo indice mostra come AHPR diminuito il tasso privo di rischio (RFR) si riferisce alla deviazione standard (SD) della sequenza HPR. Il valore di RFR è di solito presa come pari al tasso di interesse sui depositi del tasso di banca o di interesse sulle obbligazioni proprie. Nel nostro esempio, AHPR1.0217, SD (HPR) 0,17,607 mila, RFR0. dove: AHPR - periodo di detenzione media ritorna RFR - privo di rischio tasso di SD - deviazione standard. Indice di Sharpe (1.0217- (10)) 0.176070.02170.176070.1232. Per la distribuzione normale, oltre 99 dei valori casuali sono nell'intervallo 3 (sigmaSD) sul valore medio M (X). Ne consegue che il valore di indice di Sharpe superiore 3 è molto buona. In Fig. 5 di seguito, possiamo vedere che, se i risultati commerciali sono distribuiti normalmente e Sharpe ratio3, la probabilità di perdere è inferiore a 1 per il commercio in base alla regola del 3-sigma. Fig.5. Distribuzione normale dei risultati commerciali con la probabilità di perdere inferiore a 1. Il conto del partecipante chiamato RobinHood lo conferma: la EA ha fatto 26 mestieri al campionato Automated Trading 2006 senza alcuna perdita di uno tra di loro. Sharpe Ratio3.07 regressione lineare (LR) e il coefficiente di correlazione lineare (CLC) C'è anche un altro modo per stimare i risultati commerciali stabilità. Sharpe ratio permette di stimare il rischio della capitale è in funzione, ma possiamo anche cercare di stimare la curva di equilibrio laurea liscia. Se imponiamo i valori di equilibrio al momento della chiusura di ogni commercio, saremo in grado di tracciare una linea spezzata. Questi punti possono essere dotati di una certa linea retta che ci mostrerà la direzione media delle variazioni di capitale. Consideriamo un esempio di questa possibilità utilizzando il grafico equilibrio di Expert Advisor Phoenix4 sviluppato da Hendrick. Figura. 6. Equilibrio grafico della Hendrick, il Partecipante della Automated Trading Championship 2006. Dobbiamo trovare tali coefficienti a e b che questa linea va il più vicino possibile ai punti di essere montati. Nel nostro caso, x è il numero commercio, y è il valore di bilancio alla chiusura del commercio. Coefficienti di un dritto approssimazione si trovano di solito dal metodo dei minimi quadrati (metodo LS). Supponiamo di avere questo diritto con coefficienti e B conosciuto. Per ogni x, abbiamo due valori: y (x) axb ed equilibrio (x). Deviazione di equilibrio (x) da y (x) viene indicato come d (x) y (x) - Saldo (x). SSD (somma dei quadrati delle deviazioni) può essere calcolato come SDSumm. Trovare il rettilineo con il metodo LS significa ricerca di un tale e B che SD è minima. Questo diritto è anche il nome di regressione lineare (LR) per la sequenza data. Figura. 7. Balance valore di deviazione dalla retta di yaxb Dopo aver ottenuto coefficienti del rettilineo di yaxb utilizzando il metodo LS, siamo in grado di stimare la deviazione valore di bilanciamento dal trovata dritto in termini monetari. Se si calcola la media aritmetica per la sequenza d (x), saremo certi che (d (x)) è vicino a zero (per essere più precisi, è uguale a zero a qualche calcolo grado di precisione). Allo stesso tempo, l'SSD di SD non è uguale a zero e ha un certo valore limitato. La radice quadrata di SD (N-2) mostra la diffusione dei valori del bilanciamento del Grafico del rettilineo e permette di valutare i sistemi di negoziazione a valori identici dello stato iniziale del conto. Chiameremo questo parametro Errore LR standard. Qui di seguito sono valori di questo parametro per i primi 15 conti nel Campionato Automated Trading 2006: LR errore standard, tuttavia, il grado di approssimazione del grafico equilibrio di una scala può essere misurata in termini di denaro e termini assoluti. Per questo, possiamo usare tasso di correlazione. tasso di correlazione, r, misura il grado di correlazione tra due sequenze di numeri. Il suo valore può trovarsi all'interno della gamma di -1 a 1. Se r1, significa che due sequenze hanno un comportamento identico e la correlazione è positiva. Figura. 8. esempio la correlazione positiva. Se r-1, le due sequenze cambiate in opposizione, la correlazione è negativa. Figura. 9. esempio correlazione negativa. Se r0, significa che non vi è alcuna dipendenza trovato tra le sequenze. Va sottolineato che r0 non significa che non vi è alcuna correlazione tra le sequenze, si dice solo che tale correlazione non è stato trovato. Questo deve essere ricordato. Nel nostro caso, dobbiamo confrontare due sequenze di numeri:, -. Figura. 10. I valori di equilibrio e punti su regressione lineare. Di seguito è la rappresentazione tabella dei dati stessi: Consente indicare valori di bilanciamento come X e la sequenza dei punti sulla retta di regressione come Y. Per calcolare il coefficiente di correlazione lineare tra sequenze X e Y, è necessario trovare valori medi M (X) e M (Y) prima. Poi creeremo una nuova sequenza T (XM (X)) (YM (Y)) e calcolare il valore medio come M (T) cov (X, Y) M ((XM (X)) (YM (Y)) ). Il valore trovato di cov (X, Y) è chiamato covarianza di X e Y e mezzi speranza matematica del prodotto (X-M (X)) (Y-M (Y)). Per il nostro esempio, il valore di covarianza è di 21 253 775,08. Si prega di notare che M (X) e M (Y) sono uguali e hanno il valore di 21 382,26 ciascuna. Ciò significa che il bilanciamento valore medio e la media del rettilineo raccordo sono uguali. dove: X - Y Balance - regressione lineare M (X) - Equilibrio valore medio M (Y) - LR valore medio. L'unica cosa che resta da fare è calcolare Sx e Sy. Per calcolare Sx, troveremo la somma dei valori di (X-M (X)) 2, cioè trovare il SSD di X dal suo valore medio. Ricordate come abbiamo calcolato la dispersione e l'algoritmo del metodo di LS. Come si può vedere che sono tutti collegati. La SSD trovato sarà diviso per la quantità di numeri nella sequenza - nel nostro caso, 36 (da zero a 35) - ed estrarre la radice quadrata del valore risultante. Così abbiamo ottenuto il valore di Sx. Il valore di Sy sarà calcolato nello stesso modo. Nel nostro esempio, Sx5839. 098.245 e Sy4610. 181675. dove: N - quantità di commerci X - Y Balance - regressione lineare M (X) - Equilibrio valore medio M (Y) - LR valore medio. Ora siamo in grado di trovare il valore del coefficiente di correlazione come r21 253 775,08 (5839. 0982454610. 181.675) ,789,536583 millions. Questo è inferiore a uno, ma lontano da zero. Quindi, possiamo dire che il grafico equilibrio correlato con la linea di tendenza valutati come 0,79. In confronto ad altri sistemi, ci sarà gradualmente imparare ad interpretare i valori del coefficiente di correlazione. A pagina Rapporti del campionato, questo parametro è il nome di correlazione LR. L'unica differenza fatta per calcolare questo parametro, nel quadro del campionato è che il segno di correlazione LR indica la redditività del commercio. La questione è che siamo riusciti a calcolare il coefficiente di correlazione tra il grafico bilancia e del diritto. Ai fini del campionato, è stato calcolato per salire linea di tendenza, quindi, se la correlazione LR è sopra lo zero, il trading è redditizio. Se è sotto lo zero, si sta perdendo. A volte si verifica un effetto interessante dove le scarpe profitto conto, ma la correlazione è negativa LR. Questo può significare che il commercio sta perdendo, in ogni caso. Un esempio di tale situazione può essere visto Avers. L'utile netto totale pari fa 2 642, mentre LR AVOLA DI CONCORDANZA è -0.11. Non vi è alcuna correlazione probabile, in questo caso. Significa che non potremmo giudicare circa il futuro del conto. MAE e MFE ci dirà molto Ci viene spesso avvertiti: Tagliare le perdite e far crescere il profitto. Guardando i risultati commerciali finali, non possiamo trarre conclusioni circa se stop protettivi (Stop Loss) sono disponibili o se la fissazione di profitto è efficace. Noi vediamo solo la data posizione di apertura, la data di chiusura e il risultato finale - un utile o una perdita. Questo è come giudicare su una persona dalla sua nascita e di morte date. Senza sapere di profitti galleggiante durante la vita di tutti i commerci e di tutte le posizioni come un totale, non possiamo giudicare circa la natura del sistema di scambio. Quanto è rischioso esso Come è stato il profitto raggiunto era il profitto di carta perso risposte a queste domande può essere piuttosto ben fornita dai parametri MAE (massima avversa escursione) e MFE (massima escursione favorevole). Ogni posizione aperta (fino a quando non è chiuso) sperimenta continuamente le fluttuazioni di profitto. Ogni commercio ha raggiunto il suo massimo profitto e la sua perdita massima nel periodo compreso tra la sua apertura e la chiusura. MFE mostra il movimento massimo dei prezzi in una direzione favorevole. Rispettivamente, MAE mostra il movimento massimo dei prezzi in senso negativo. Sarebbe logico misurare entrambi gli indici in punti. Tuttavia, se sono stati scambiati diverse coppie di valute, dovremo esprimere in termini monetari. Ogni commercio chiuso corrisponde al suo risultato (ritorno) e due indici - MFE e MAE. Se il commercio ha portato profitto di 100, raggiungendo MAE -1000, questo non parla per questo commercia migliore. Disponibilità di molti mestieri ha prodotto un utile, ma avere grandi valori negativi del MAE per il commercio, ci informa che il sistema si siede appena fuori perdendo posizioni. Tale commercio è destinato al fallimento, prima o poi. Allo stesso modo, i valori di MFE possono fornire informazioni utili. Se una posizione è stata aperta in una giusta direzione, MFE per il commercio ha raggiunto 3000, ma il commercio è stato poi chiuso con conseguente profitto di 500, possiamo dire che sarebbe bene per elaborare il sistema di protezione profitto non fissata. Questo può essere Trailing Stop che possiamo muoversi dopo il prezzo se quest'ultimo si muove in una direzione favorevole. Se brevi profitti sono sistematici, il sistema può essere notevolmente migliorata. MFE ci dirà su questo. Per l'analisi visiva per essere più conveniente, sarebbe meglio usare rappresentazione grafica della distribuzione dei valori di MAE e MFE. Se imponiamo ogni commercio in un grafico, vedremo come il risultato è stato ottenuto. Per esempio, se abbiamo un altro guardare in rapporti di RobinHood che non ha ancora ha nessuna negoziazione perdere a tutti, vedremo che ogni commercio ha avuto un drawdown (MAE) da -120 a -2500. Figura. 11. distribuzione Trades sul piano della MAExReturns Inoltre, siamo in grado di tracciare una linea retta per adattarsi ai ritorni x distribuzione MAE con il metodo LS. In Fig. 11, si è mostrato in rosso e ha una pendenza negativa (i valori rette diminuiscono quando ci si sposta da sinistra a destra). Parametro di correlazione (profitti, MAE) -0.59 permette di stimare quanto vicino al dritto i punti sono distribuiti in tabella. Valore negativo mostra pendenza negativa della linea di montaggio. Se si guarda attraverso gli account di altri partecipanti, si vedrà che il coefficiente di correlazione è generalmente positiva. Nell'esempio precedente, la pendenza discendente della linea ci dice che tende ad ottenere sempre più prelievi in modo da non permettere di perdere mestieri. Ora possiamo capire quale prezzo è stato pagato per il valore del parametro LR Correlation1 ideale Allo stesso modo, siamo in grado di costruire un grafico della distribuzione dei rendimenti e MFE, così come trovare i valori di correlazione (profitti, MFE) 0,77 e la correlazione (MFE, MAE) -0.59. Correlazione (profitti, MFE) è positivo e tende a uno (0,77). Questo ci informa che la strategia cerca di non permettere lunghe sedute fuori profitti galleggianti. E 'più probabile che il profitto non è permesso di crescere abbastanza e commerci sono chiusi da Take Profit. Come si può vedere, le distribuzioni di MAE e MFE ci danno una stima visiva e dei valori di correlazione (profitti, MFE) e la correlazione (profitti, MAE) in grado di informarci circa la natura del trading, anche senza classifiche. I valori di correlazione (MFE, MAE), la correlazione (NormalizedProfits, MAE) e la correlazione (NormalizedProfits, MFE) nel campionato Partecipanti rapporti sono dati come informazioni aggiuntive. Commercio Risultato normalizzazione sviluppo di sistemi di negoziazione, di solito utilizzare dimensioni fisse per le posizioni. Questo consente una più facile ottimizzazione dei parametri di sistema, al fine di trovare quelli più ottimale a determinati criteri. Tuttavia, dopo sono stati trovati gli ingressi, la domanda logica si verifica: Quale sistema (Money Management, MM) gestione dimensionamento deve essere applicato. Le dimensioni delle posizioni aperto si riferisce direttamente alla quantità di denaro sul conto, in modo che non sarebbe ragionevole per il commercio sul conto con 5 000 nello stesso modo come in quella con 50 000. Inoltre, un sistema in grado di aprire posizioni, che non sono direttamente proporzionali. Insomma una posizione aperta sul conto con 50 000 non deve necessariamente essere di 10 volte di più rispetto a quello aperto su un deposito 5 000. misure di posizione possono anche variare a seconda della fase di mercato, i risultati delle ultime analisi diversi traffici, e così via. Così il sistema di gestione del denaro applicato può sostanzialmente modificare l'aspetto iniziale di un sistema di trading. Come possiamo quindi stimare l'impatto del sistema di gestione del denaro applicato Era utile o fatto solo peggiorare i lati negativi del nostro approccio commerciale Come possiamo confrontare i risultati commerciali su diversi conti hanno la stessa dimensione di deposito all'inizio Una possibile soluzione sarebbe normalizzazione dei risultati commerciali. dove: TradeProfit - utile per gli scambi di denaro termini TradeLots - dimensione della posizione (un sacco) MinimumLots - dimensione minima ammissibile di posizione. La normalizzazione sarà realizzato come segue: Noi dividere ogni compravendite risultato (utile o perdita) per il volume di posizione e poi moltiplicare per la dimensione minima consentita la posizione. Ad esempio, ordinare 4399142 BUY 2.3 sacco USDJPY è stata chiusa con il risultato di 4 056. 20 118.51 (swap) 4 174,71. Questo esempio è stato preso dal conto di GODZILLA (Nikolay Kositsin). Consente di dividere il risultato per 2,3 e moltiplicare per 0,1 (la dimensione minima consentita posizione), e ottenere un profitto di 4 056.202.3 0.1 176.36 e swap 5.15. questi sarebbero risultati per l'ordine di grandezza 0,1-lotto. Facciamo lo stesso con i risultati di tutti i mestieri e ci sarà quindi ottenere profitti normalizzate (NP). la prima cosa che pensiamo è trovare i valori di correlazione (NormalizedProfits, MAE) e la correlazione (NormalizedProfits, MFE) e confrontandole con la correlazione iniziale (profitti, MAE) e la correlazione (profitti, MFE). Se la differenza tra i parametri è significativo, il metodo applicato è variata probabilmente il sistema iniziale sostanzialmente. Si dice che l'applicazione di può uccidere un sistema redditizio, ma non può trasformare un sistema perdente in un proficuo. in campionato, l'account di TMR è una rara eccezione in cui cambiano correlazione (NormalizedProfits, MFE) Valore 0,23-,63 permesso il commerciante per chiudere in nero. Come possiamo Stimare l'aggressione strategys Possiamo beneficiare ancora di più dalle compravendite normalizzate in misura di come il metodo di MM influenze applicato la strategia. È evidente che aumentando la dimensione delle posizioni 10 volte causerà che il risultato finale sarà diverso da quello iniziale 10 volte. E cosa succede se cambiamo le dimensioni commerciali non da un determinato numero di volte, ma a seconda delle evoluzioni attuali risultati ottenuti dalle società fiduciarie-gestione sono di solito rispetto a un certo modello, di solito - a un indice azionario. Coefficiente Beta mostra da quante volte i conto dei cambiamenti di deposito rispetto all'indice. Se prendiamo i commerci normalizzati come un indice, saremo in grado di sapere quanto più volatili i risultati divennero rispetto al sistema iniziale (0,1-lotto compravendite). Così, prima di tutto, si calcola covarianza - COV (utili, NormalizedProfits). poi si calcola la dispersione delle negoziazioni normalizzati denominazione la sequenza di transazioni normalizzate come NP. Per questo, calcoleremo la speranza matematica di transazioni normalizzate di nome M (NP). M (NP) mostra il risultato medio commercio per compravendite normalizzate. Poi troveremo la SSD di mestieri normalizzati da M (NP), cioè ci sarà riassumere (NP-M (NP)) 2. Il risultato ottenuto sarà poi diviso per il numero di mestieri e nome D (NP). Questa è la dispersione dei contratti normalizzati. Consente di covarianza divario tra il sistema in misura, i profitti, e l'indice ideale, NormalizedProfits COV (utili, NormalizedProfits), con l'indice di dispersione D (NP). Il risultato sarà il valore del parametro che ci permetterà di stimare da quante volte più volatile la capitale è che i risultati dei mestieri originali (mestieri del campionato) rispetto ai commerci normalizzati. Questo parametro è chiamato denaro Compounding nelle relazioni. Esso mostra il livello di aggressività negoziazione in una certa misura. dove: I profitti - Andamento commercio NP - normalizzato risultati commerciali M (NP) - valore medio degli scambi normalizzati. L'errore standard LR sui conti dei vincitori, non era il più piccolo. At the same time, the balance graphs of the most profitable Expert Advisors were rather smooth since the LR Correlation values are not far from 1.0. The Sharpe Ratio lied basically within the range of 0.20 to 0.40. The only EA with extremal Sharpe Ratio3.07 turned not to have very good values of MAE and MFE. The GHPR per trade is basically located within the range from 1.5 to 3. At that, the Winners did not have the largest values of GHPR, though not the smallest ones. Extreme value GHPR12.77 says us again that there was an abnormality in trading, and we can see that this account experienced the largest fluctuations with LR Standard error9 208.08. Z-score does not give us any generalizations about the first 15 Championship Participants, but values of Zgt2.0 may draw our attention to the trading history in order to understand the nature of dependence between trades on the account. Thus, we know that Z-3.85 for Richs account was practically reached due to simultaneous opening of three positions. And how are things with ldamianis account Finally, the last column in the above table, Money Compounding, also has a large range of values from 8 to 50, 50 being the maximal value for this Championship since the maximal allowable trade size made 5.0 lots, which is 50 times more than the minimal size of 0.1 lot. However, curiously enough, this parameter is not the largest at Winners. The Top Threes values are 17.27, 28.79 and 16.54. Did not the Winners fully used the maximal allowable position size Yes, they did. the matter is, perhaps, that the MM methods did not considerably influence trading risks at general increasing of contract sizes. This is a visible evidence of that money management is very important for a trading system. The 15th place was taken by payday. The EA of this Participant could not open trades with the size of more than 1. 0 lot due to a small error in the code. What if this error did not occur and position sizes were in creased 5 times, up to 5.0 lots Would then the profit increase proportionally, from 4 588.90 to 22 944.50 Would the Participant then take the second place or would he experience an irrecoverable DrawDown due to increased risks Would alexgomel be on the first place His EA traded with only 1.0- trades, too. Or could vgc win, whose Expert Advisor most frequently opened trades of the size of less than 1.0 lot. All three have a good smooth balance graph. As you can see, the Championships plot continues whereas it was over Conclusion: Dont Throw the Baby Out with the Bathwater Opinions differ. This article gives some very general approaches to estimation of trading strategies. One can create many more criteria to estimate trade results. Each characteristic taken separately will not provide a full and objective estimate, but taken together they may help us to avoid lopsided approach in this matter. We can say that we can subject to a cross-examination any positive result (a profit gained on a sufficient sequence of trades) in order to detect negative points in trading. This means that all these characteristics do not so much characterize the efficiency of the given trading strategy as inform us about weak points in trading we should pay attention at, without being satisfied with just a positive final result - the net profit gained on the account. Well, we cannot create an ideal trading system, every system has its benefits and implications. Estimation test is used in order not to reject a trading approach dogmatically, but to know how to perform further development of trading systems and Expert Advisors. In this regard, statistical data accumulated during the Automated Trading Championship 2006 would be a great support for every trader. Static Support and Resistance in the Forex Market Traders can use support and resistance to grade market conditions, define trends, and enter positions. We discuss lsquostaticrsquo methods of support and resistance in the below article. We delve into pivot points, and psychological supportresistance analysis. One of the first aspects of technical analysis that most new traders learn is the field of support and resistance. After all, if price has hit a floor with which it may have difficulty breaking through (support) or a ceiling with which it may not be able to rise above (resistance) this can offer a plethora of trade ideas and setups. Unfortunately, most new traders learn one or two ways of identifying support or resistance and when they see that it doesnrsquot work all-of-the-time, they abandon such studies in hopes of finding lsquoholy grailsrsquo elsewhere. Well, holy grails donrsquot really exist. It often takes the new trader some time to learn this lesson the hard way: There is no strategy or approach or indicator that will allow a trader to always win, no matter how strong the analytical method being employed. Rather, trading is about probabilities and attempting to get them on your side or in your favor as much as humanely possible using this analysis. Support and resistance has a special role in this analysis. It can be used to grade market conditions, determine trends, identify entry and exit points along with a bevy of other options. In this article, wersquore going to look at the most popular ways of identifying lsquostaticrsquo support and resistance levels on the chart and in our next article wersquoll look at more dynamic methods like Fibonacci and Price Action. In the following three pieces, wersquoll take this a step further in showing how traders can properly use these levels in their analysis. This is one of the more common mannerisms of identifying support and resistance, and itrsquos also one of the oldest. Pivot points originated before computers became common in financial markets as floor traders need a quick and easy way to see if prices were lsquocheaprsquo or lsquoexpensive. rsquo So these floor traders developed a short-hand manner of getting support (cheap) and resistance (expensive) levels. These floor traders would take the previous dayrsquos high, low, and closing prices and would average these values together to find the lsquopivotrsquo for the next trading day. Price action trading above this pivot would be lsquobullishrsquo while prices below would be lsquobearish. rsquo While this is fine and good, it doesnrsquot tell us much about support or resistance yet so to take this a step further, traders would then multiply the pivot by two, and would then subtract the previous dayrsquos low to get the first level of resistance (R1). They can then do the same to find the first level of support (S1), multiplying the pivot value times two and then subtracting the previous dayrsquos high. After the R1 and S1 values are solved, traders can then move on to the next levels of support and resistance. To find the second level of resistance (R2), traders can add the pivot value to the difference between R1 and S1 and the second level of support could be found by subtracting the difference between R1 and S1 from the pivot value. The full equation is below: As you can see from the equation, pivot points use very basic math to find potential support and resistance levels. Luckily for traders, most charting packages will automatically do this math for us while plotting the support and resistance levels at appropriate intervals. Pivot Points can be generated for a variety of time frames, and the longer-term pivots will often work best as more traders may be seeing and reacting to those levels. As with most forms of technical analysis, the longer the term being used in the analysis the stronger the response that may be elicited. Pivot points of monthly and weekly flavors will often attract significant interest, and should be followed by traders even if using shorter-term hourly and four-hour charts. Monthly and Weekly Pivot Points can bring value on long as well as short time frames Created with MarketscopeTrading Station II prepared by James Stanley One of the most alluring aspects of technical analysis is the ability of statistics and mathematics to show patterns in human behavior. Nowhere is this more prominent than in the study of lsquopsychologicalrsquo levels in financial markets. Most human beings think in even rounded whole numbers. We canrsquot help it our species has evolved to value simplicity. As an example, ask someone how much they paid for their car or their jacket, or even their latte. Theyrsquoll likely round their answer up (or down) to the nearest round number. This type of rounding will often happen in markets as well as traders place their stops or entry orders at or around these levels in the same way that most human beings will respond when asked how much they paid for their coffee. We delved in the topic of psychological whole numbers in support and resistance identification in the article, The Hidden Patterns of Support and Resistance in the Forex Market. In the chart below, we look at the lsquoMajorrsquo and lsquoLess-Majorrsquo psychological support and resistance levels in GBPUSD. GBPUSD Weekly chart with lsquoMajor, rsquo and lsquoLess Majorrsquo levels identified Created with MarketscopeTrading Station II prepared by James Stanley As you can see, these levels can come up quite often in a market, particularly during strong trends as new prices run into fresh resistance levels (or support levels in the case of a down-trend). This study of support and resistance can be taken a step further with the lsquominorrsquo prices that are set in 25-pip increments known as the lsquominorrsquo psychological levels. In the chart below, wersquove moved down to the hourly chart in the same market looked at above (GBPUSD) with the addition of these more granular lsquominorrsquo levels: Hourly GBPUSD with Minor psychological levels added (25-pip increments) Created with MarketscopeTrading Station II prepared by James Stanley With psychological levels taking place every 25 pips, there are numerous opportunities for traders to lsquocatch swingsrsquo in a market. To put more power behind psychological levels or pivot points, traders can look for confluence amongst these analytical methods including the dynamic support and resistance mechanisms that wersquoll investigate in our next installment. --- Written by James Stanley Before employing any of the mentioned methods, traders should first test on a demo account. The demo account is free features live prices, and can be a phenomenal testing ground for new strategies and methods. Click here to sign up for a free demo account through FXCM. James is available on Twitter JStanleyFX Are you looking to take your trading to the next level The DailyFX 360 Course offers a full curriculum, along with private, weekly webinars in which we walk traders through dynamic market conditions using the education taught in the course. Would you like to trade alongside seasoned professionals throughout the trading day DailyFX On Demand gives you access to DailyFX Analysts during the most active periods of the trading day. Would you like to enhance your FX Education DailyFX has recently launched DailyFX University which is completely free to any and all traders Wersquove recently begun to record a series of Forex Videos on a variety of topics. Wersquod greatly appreciate any feedback or input you might be able to offer on these Forex videos:
No comments:
Post a Comment