یک مثال کاربردی برای یک استراتژی برگشت پذیر/میانگین DAX30

هر تجزیه و تحلیل باید با یک منحنی سهام سودآور که بر روی رژیم های مختلف بازار و طی چند سال (تجزیه و تحلیل می تواند توسط دوره ها تقسیم شود ، آغاز شود ، در این مثال فقط یک سال پوشش داده می شود).

یافتن استراتژی های سودآور با پیش بینی معقول ، تلاش آسانی نیست ، بنابراین هر منبعی که سودآوری را بهبود بخشد و کاهش قیمت را کاهش دهد ، ارزش کاوش دارد.

در این مقاله ، من قصد دارم از طریق استفاده از فیلترهای آماری در مورد بهینه سازی استراتژی صحبت کنم.

فیلترهای آماری - همراه با آنالیز پارامتری مونت کارلو - ساده ترین راه برای بهینه سازی یک استراتژی معاملاتی هستند.

استفاده از آمار آسان تر است و می توان برای تغییر اندازه یا فیلتر کردن/در برخی از عملیات ها استفاده کرد. این رویکرد فقط به مجموعه داده های نتیجه از پشتی نیاز دارد اگرچه یک بررسی نهایی از طریق موتور خودکار پشتی توصیه می شود.

شایان ذکر است که این فرایند منحصراً سودآوری و/یا منحنی سهام عدالت را برطرف نمی کند ، اما ممکن است اثر جانبی مثبت کاهش تعداد معاملات اعدام شده نیز داشته باشد ، که به طور موثری برخی از هزینه ها را از بین می برد و استرس روانی اپراتور را کاهش می دهد. در صورت طراحی استراتژی برای اجرای صلاحیت -.

در این مثال ، یک استراتژی اختیاری مورد تجزیه و تحلیل قرار می گیرد. این استراتژی حول محور تنظیم مجدد/تنظیم مجدد/نوسانات کنترل شده با ریسک و تنظیم شده برای ابزارهای DAX30® (آینده یا CFD) طراحی شده است.

هر استراتژی و هر ابزار/دارایی را می توان به روشی مشابه مورد تجزیه و تحلیل قرار داد ، زیرا فیلترها می توانند برای هر تنظیم استفاده شوند.

طراحی فیلترها بیشتر از یک علم است و شامل میزان زیادی از مشاهده داده ها است. مشاهده داده ها شامل خواندن داده ها و نمودارهای واقعی و ایجاد نمودارهای کمکی برای شناسایی و جداسازی عواملی است که ممکن است تأثیر آن بر سودآوری یا منحنی حقوق صاحبان سهام باشد.

داده ها باید با در نظر گرفتن آنچه که هر پارامتر یا تنظیم از نظر زمینه بازار چه معنی دارد ، تفسیر شود. این به معنای نقش فعال هنگام خواندن داده ها است ، زیرا باید فرضیه های اولیه ایجاد شود تا بعداً با تجزیه و تحلیل آماری بیشتر تأیید یا رد شود.

بهینه سازی لزوماً با سودآوری سروکار ندارد. ممکن است اهداف بهینه سازی برای صاف کردن منحنی سهام وجود داشته باشد. یک منحنی سهام دوستانه از طریق اهرم یا اعتبار مالی بسیار ساده تر است ، در حالی که کاهش شدید منحنی سهام عدالت می تواند به راحتی سرمایه ما را در معرض خطر شدید قرار دهد.

داده های ورودی

این تجزیه و تحلیل با داده های حاصل از یک برگه دستی از استراتژی آغاز می شود - همین کار برای تجارت خودکار اعمال می شود -. این داده ها به عنوان یک فایل CSV در تجزیه و تحلیل گنجانیده شده است.

این مقاله به طور انحصاری با تجزیه و تحلیل آماری نتایج Backtest سروکار دارد. با وجود چند دستور برای نشان دادن چگونگی افزودن ستون های کلیدی ، فرض می کنم که هر کسی که علاقه مند به استفاده از این مفاهیم باشد ، می داند چگونه تجزیه و تحلیل آماری را کدگذاری کند.

منحنی سهام در مقابل شرایط بازار

پشتی می تواند شما را به سمت کشف مجدد استراتژی خود سوق دهد و اغلب رفتارها و تعصبات پنهان را در استراتژی نشان می دهد که جزئی از تعریف اصلی نیست.

بررسی بصری منحنی سهام در برابر دارایی/ابزار اساسی برای تعیین اینکه آیا همبستگی بالقوه بین شرایط خاص بازار و رفتار منحنی سهام وجود دارد ، بسیار مهم است. تعداد زیادی از موارد را می توان بررسی کرد: روند اساسی ، قدرت/شیب روند ، شرایط بیش از حد و بیش از حد ، نوسانات ، حجم ، شرایط بازار بازه های زمانی بالاتر و غیره - فقط برای ذکر چند مورد -.

برخی از موارد را می توان اندازه گیری کرد (نوسانات توسط ATR قابل اندازه گیری است) ، اما برخی دیگر نمی توانند (روند ، قدرت روند یا رژیم بازار ممکن است ذهنی باشد). برای مواردی که نمی توان آنها را اندازه گیری کرد ، می توان اظهار نظر یا کد را به صورت دستی در مجموعه داده ها گنجانید.

ترسیم منحنی سهام

اولین اقدام به داده ها ، ترکیب ستون سهام تجمعی از استراتژی است. با فرض اینکه داده های شما قبلاً در یک داده پانداس به نام داده ها گنجانیده شده است ، دستور زیر ستون جدیدی را اضافه می کند که منحنی سهام را فراهم می کند.

اگرچه انتظار می رود ستون سود سود/ضرر یورو باشد ، اما Backtest تعدیل شده است تا 1 € با یک امتیاز مطابقت داشته باشد ، بنابراین این ستون در واقع سود در نقاط ابزار در هر تجارت را نشان می دهد. سود واقعی را می توان با تعریف تعداد قراردادهای آینده که در آن اداره می شوند به راحتی بدست آورید - یا در صورت استفاده از این استراتژی با استفاده از ابزارهای CFD - اندازه زیادی.

منحنی عدالت استراتژی در شکل 2 نشان داده شده است. محور X نشان دهنده معاملات اجرا شده و محور y سود تجمعی در امتیازات است. این منحنی برای درک بصری مکانیک استراتژی ، از جمله تعداد خسارات متوالی و برد و پیروزی/ضرر نسبی در امتیاز برای هر تجارت خوب است. نمایندگی مربوط به منحنی سهام در زمان است اما مطابقت ندارد زیرا معاملات در طول زمان به صورت خطی توزیع نمی شوند.

هر دو نمودار معنی دار هستند ، اولین مورد روی دنباله معاملات تمرکز می کند و مورد دوم با گذشت زمان ایده ای در مورد توسعه سهام ارائه می دهد.

از نمودارها می توان متوجه شد که در نیمه اول سال اجرای این استراتژی سودآور بوده است. بازار حدود 2000 امتیاز کاهش یافته است و این استراتژی توانسته است 1250 امتیاز از آن جنبش را به دست آورد. در سه ماهه بعدی این استراتژی توانسته است امتیاز سود 500/600 اضافی را در خود جای دهد.

نیمه دوم سال برعکس بوده است که اصلاً سودآور نیست. این سقوط 500/600 امتیاز تهاجمی را جمع کرده است. تجزیه و تحلیل نمودار و تنظیمات ورود به بزرگترین معاملات استنباط می کنیم که معاملاتی که سعی می کنند حرکات بزرگتر را ضبط کنند ممکن است از دست بدهند. از اعدام پشتی ، من همچنین این احساس ذهنی را داشتم که معاملات ماندگار تمایل به بازنده دارند ، در حالی که بهترین معاملات به سرعت به اهداف سود می رسند. این در واقع مطابق با اصول اساسی مورد استفاده در استراتژی است: نوسانات و میانگین برگشت.

احساسات ذهنی نمی توانند یک استراتژی را دوباره تعریف کنند ، اما آنها منجر به مشروعیت برای تجزیه و تحلیل بیشتر می شوند زیرا بخشی از دانش بازار اپراتور هستند (که اغلب اکتشافی است).

امتیازات برنده/ضرر در مقابل مدت زمان تجارت

همانطور که بحث شد ، یک سؤال که پیش می آید این است که آیا مدت تجارت با احتمال پیروزی/ضرر تجارت ارتباط دارد. یک روش ساده برای تجزیه و تحلیل این امر ، استفاده از یک طرح پراکندگی است که اندازه تجارت را در محور Y و مدت زمان تجارت در محور x جلب می کند. در این مثال ، من معاملات برنده را به رنگ آبی و معاملات باخت به رنگ قرمز ترسیم کرده ام. ستون های اضافی به راحتی گنجانیده شده اند:

داده ها [‘tradesize '] = abs (داده ها [‘ s/l'] - داده ها [‘t/p ']) داده ها [" معامله "] = داده ها [‘ closetime "] - داده ها [" OpenTime "]

تعریف اندازه تجارت کمی دلخواه است و به همان اندازه معتبر است که ضرر متوقف شود یا امتیاز سود کسب کند.

طبقه بندی معاملات برنده و از دست دادن آسان است ، شما فقط باید یک قاب داده جدید پانداس فیلتر شده برای هر سری نمودار تولید کنید.

به وضوح مشاهده می شود که بیشتر معاملات در مساحت 400 امتیاز / 5000 دقیقه تقریباً متمرکز شده اند. در خارج از این محدوده ، فقط 13 مشاهده وجود دارد.

من با Outliers شروع می کنم زیرا تجزیه و تحلیل آنها آسان تر است. فیلتر کردن آنها به تمرکز روی منطقه ای که معاملات متمرکز است کمک می کند.

من قبلاً اشاره کردم که ما نگران احساسات ذهنی بودیم که به آن اشاره کردند:

1. معاملات اندازه بزرگتر ممکن است سودآور نباشد.
2. معاملات طولانی مدت در حال از دست دادن است.

از نمودار ، متوجه می شوم که معاملات اندازه بزرگتر در این مورد خاص سودآور بوده است. فقط شش معاملات برای اندازه تجارت بزرگتر از 400 انجام شده بود و از این شش معاملات ، دو نفر از بین رفتند. با این حال ، لازم به ذکر است که شش مشاهده احتمالاً اندازه نمونه ای بسیار کوچک برای به دست آوردن نتایج آماری مرتبط است.

با توجه به فرضیه دوم ، از کل معاملات با مدت زمان بیشتر از 5000 دقیقه ، 7 نفر از دست دادند و 3 تجارت برنده شدند. باز هم ، 10 معاملات ممکن است نمونه کافی برای استخراج اطلاعات نباشد ، بنابراین اگر می توان استراتژی را برای جلوگیری از این معاملات تعریف کرد ، ایمن تر خواهد بود.

حتی با این تجزیه و تحلیل ساده ، یک فیلتر اول می تواند به عنوان یک فرضیه انتخاب شود. من آنچه را که در منطقه ای که چگالی بیشتری وجود دارد ، تجزیه و تحلیل خواهم کرد. در واقع ، ما معاملات بسته شده ای را انتخاب خواهیم کرد که بیش از 180 دقیقه طول می کشد - ارزش پس از برخی از تکرارها انتخاب شده است -. در مورد CFDS ، هزینه های مبادله ای را نیز از بین می برد.

در آینده ، اگر تجارت بیشتر از دوره تسویه حساب باشد ، ممکن است از پرداخت قراردادها جلوگیری کند. ما همچنین می توانیم فیلترهای دیگر مانند تحمیل محدودیت 100 امتیاز در از دست دادن تجارت را ارزیابی کنیم. این امر به افزایش اهرم با اعتماد به نفس کمک می کند زیرا ما با ضررهای توقف بزرگتر تجارت نمی کنیم.

عدم مشاهدات برای معاملات بزرگ و مدت زمان طولانی تر می تواند منجر به نتایج پر سر و صدا شود زیرا تعداد مشاهدات در آن مناطق اندک است و از این رو مستعد تغییرپذیری بیشتر است.

من در ابتدا فیلتر زمان تجارت را درج خواهم کرد. تجزیه و تحلیل دقیق نیست زیرا من اطلاعاتی در مورد آنچه اتفاق می افتد هنگام بسته شدن معاملات به موقع ندارم. آنها ممکن است به سود یا ضرر جزئی منجر شوند. من در ابتدا فرض می کنم که برنده ها و ضررها جبران می شوند. ایده کاهش مدت تجارت جذاب است. به طور شهودی ممکن است منحنی های سهام نرم و صاف تری ایجاد کند ، هزینه ها (به ویژه هزینه های مبادله در CFDS) را کاهش داده و عملیات را ساده کند.

این نتایج را می توان بعداً با یک پشتی جدید تأیید کرد ، در حالت ایده آل بر روی مجموعه ای از داده های تازه - i. e. یک سال متفاوت برای جلوگیری از بیش از حد -.

شکل 6 و 7 دو زیر مجموعه از شرایط را نشان می دهد که جهان را برای معاملات به ترتیب کمتر از 5000 دقیقه و 180 دقیقه محدود می کند. در هر دو مورد ، اما به ویژه در مورد دوم می توان دید که آبی بر رنگ قرمز حاکم است.

این بیانیه را می توان با ترسیم منحنی سهام عدالت 180 دقیقه ای اثبات کرد.

در این منحنی سهام ، من فرض می کنم که از دست دادن و برنده شدن معاملات در هنگام تعطیل شدن آنها بعد از 180 دقیقه ، در بین خود جبران می شود. این ممکن است صحیح باشد یا نه ، اما مطمئناً آنها ممکن است در پیش بینی تأثیر بگذارند.

پیام اصلی این رویکرد ساده این است که به نظر می رسد سهام عدالت در هنگام پیگیری این مسیر بهبود می یابد. بنابراین ارزش دارد که وقت خود را برای پشتوانه بیشتر این سناریو بگذرانید.

پشتوانه سناریوی تجارت وقت

اکنون که به نظر می رسد بسته شدن معاملات زودرس پس از 180 دقیقه می تواند منجر به منحنی سهام بهبود یافته شود ، ما تجزیه و تحلیل می کنیم که واقعاً اتفاق می افتد. برای انجام این کار ، یک موتور پشتی سفارشی برنامه ریزی شده است (در واقع فقط چند خط کد در پایتون است) وارد معاملات در هنگام معامله و بازگشت به نتایج برای SL ، TP یا Time-Out.

همانطور که در شکل 9 نشان داده شده است ، این پشتوانه جدید نتیجه واقعی تر اما هنوز هم بهبود یافته است.

در حالی که منحنی به اندازه نظری خوب نیست ، اما پیشرفت قابل توجهی حاصل شده است. در استراتژی اصلی ، حداکثر کاهش 750 امتیاز بزرگ بود که برای 30/40 معاملات به طول انجامید.

با استفاده از این فیلتر ساده ، ما کاهش را به 300 امتیاز کاهش می دهیم ، 60 ٪ کاهش می یابد. فیلتر سطح سود مشابهی را نسبت به استراتژی اصلی فراهم می کند.

یک کاهش محدود ، که به طور موثری یک منحنی سهام نرم و صاف را ارائه می دهد ، مهمترین جنبه یک استراتژی است. حتی وقتی سودهای کمتری حاصل می شود. سود را می توان به راحتی از طریق اهرم مالی یا اعتبار با منحنی سهام ایمن تر کاهش داد.

شکل 10 مقایسه بین هر دو استراتژی (بدون و با فیلتر) را نشان می دهد. اگرچه نسبت شارپ برای هر دو استراتژی محاسبه می شود تا تعیین کند که کدام یک بهتر است ، در این حالت مشخص است که فیلتر استراتژی را بهبود می بخشد.

نسبت شارپ ریسک (انحراف استاندارد) در مقابل سودآوری را نشان می دهد و می تواند به عنوان رقم شایستگی یک استراتژی معین یا مدیر صندوق مورد استفاده قرار گیرد. در حالی که من در این مقاله نسبت شارپ را پوشش نخواهم داد ، لازم به ذکر است زیرا این امر برای اندازه گیری صحیح هر دو استراتژی و مقایسه در برابر دیگران اعمال می شود.

خلاصه

در این مقاله ، مفهوم استفاده از فیلترهای آماری ساده برای بهبود سودآوری و/یا کاهش قیمت ارائه شده است. کل فرآیند منطقی شامل تجزیه و تحلیل داده ها ، ترسیم منحنی سهام ، برخی فرضیه های اولیه و آزمایش تکراری آن داده ها است.

ارتباط منحنی و منحنی عدالت برجسته شده و مقایسه نهایی نتایج به دست آمده ارائه شده است.

در حالی که مثال بسیار ساده است و فاقد کاوش در فیلترهای بیشتر یا یک رویکرد ریاضی تر برای بهینه سازی نتایج است ، اما به هدف نشان دادن استفاده از فیلترهای آماری در یک راه آسان برای پیگیری می رسد. همچنین نشان می دهد که چگونه گاهی اوقات مشاهده داده های ساده و مجموعه محدودی از توطئه ها و تکرارها می توانند یک استراتژی را بدون ریاضیات پیچیده بهبود بخشند.