SMA 200 Walk Forward Résultats Nous avons parcouru un long chemin. La stratégie de négociation collective initiale prévoyait la nécessité de recourir à une stratégie complexe de gestion de l'argent. Une stratégie de négociation de gamme simple a émergé qui a rendu compliquées étapes inutiles. Les tests effectués à partir de 2011 ont montré que les meilleures chances de gagner un profit proviennent des paramètres suivants sur l'EURUSD: 30 minutes graphique Le prix dépasse 1,5 ou plus des 200 SMA Buysell sur le marché sur une attente de retour à la SMA Les tests ont montré un bénéfice net hypothétique De 1 310 trading 1 lot standard par signal. En supposant que vous êtes à l'aise en utilisant l'effet de levier 10: 1, qui rend un rendement annuel de 13,1. Un effet de levier plus élevé augmente le rendement à risque accru. Un effet de levier inférieur diminue le rendement à risque réduit. Avancer les résultats Les résultats de la marche vers l'avant sont rentables C'est un énorme soulagement, surtout compte tenu de la quantité d'efforts mis dans la recherche. La chose qui m'a le plus déçu, cependant, est la baisse énorme dans le nombre de métiers. La stratégie initiale a placé 60 métiers dans une période de 12 mois. Le test de marche avant n'a été échangé que 22 fois. La courbe des capitaux propres présente un décalage important entre les métiers. Le test aveugle montre un profit. La courbe des capitaux propres rend évident que rien ne se produit pour de grandes périodes de temps. Plus de six mois passent entre le premier commerce le 19 janvier 2012, et le prochain commerce le 29 Juin. Par la suite, le rythme s'accélère. Septembre 2012 a montré la plus grande activité avec 12 métiers total 8211 plus de la moitié de l'activité de l'année 8217s est arrivé dans ce mois individuel. Le résultat brut est un bénéfice de 580. Le coût de la négociation, en supposant un écart 2 pip, est de 440. Le rendement final est de 140, ou un rendement de 1,4 sur l'effet de levier 10: 1. Les résultats pour les tests de marche en avant, comme le montre NinjaTrader Trading efficacité de la marche 2012 résultats avant L'efficacité de l'entrée L'efficacité de sortie La baisse substantielle du nombre de métiers se rapporte à quelque chose que nous connaissions déjà. La stratégie de négociation a besoin de volatilité afin de trouver des occasions de négociation. Chaque fois que la volatilité chute, ce que les courtiers forex se lamentent à la conférence de Magnates Forex à Londres, le nombre de possibilités commerciales diminue, trop. Le test de marche avant indique que c'est une excellente stratégie à garder dans ma poche pour quand la volatilité reprend plus tard cette année. Il résistait aux données aveugles. Bien que le facotr bénéfice plus élevé résulte probablement de la petite taille de l'échantillon, il se sent rassurant lorsque les métriques améliorer sur les données aveugles. Je me suis permis de tricher légèrement où j'ai testé le réglage 1 en 2012 au lieu de la 1.5. La performance a montré une baisse similaire dans le nombre de métiers et dans le bénéfice. Toutefois, il est important de noter que les chiffres de cet ensemble d'échantillons se sont améliorés. J'aime cette stratégie parce qu'elle est stable. Si vous modifiez le paramètre de 1,3 à 1,5, cela n'entraîne pas un changement brusque en U dans la performance. En d'autres termes, il est stable et prévisible. Je me sentirais beaucoup moins confiant dans les résultats si les changements mineurs dans les paramètres ont donné des bénéfices énormément différents ou des pertes. Les changements violents dans les résultats des petits changements sont liés à la théorie du chaos. Ce n'est pas un trait souhaitable dans un système algorithmique. Les améliorations futures de la stratégie pourraient relier la volatilité au paramètre d'entrée. Lorsque la volatilité est faible, le seuil de 1,5 peut baisser à 1. Comme la volatilité augmente, une bande de 2 pourrait donner de meilleurs résultats dans des scénarios extrêmes. Une prochaine étape évidente serait de relier le mouvement de la bande à la volatilité de l'EURUSD elle-même. Après-pensées Cette série a finalement conduit à une stratégie commerciale rentable. Si vous souhaitez lire le voyage, alors je suggère de lire les articles séquentiellement Nice travail Quelle métrique serait-vous utiliser pour déterminer la volatilité souhaitée pour exécuter cette stratégie Mes premières pensées sont d'utiliser VIX comme proxy rapide et facile pour définir une volatilité appropriée B: et. Mais, il ya beaucoup qui peuvent aller mal avec ce type de configuration. L'autre solution est de construire la distribution de volatilité dans le graphe que j'ai créé dans Excel 8211 à l'intérieur du code. La stratégie pourrait alors utiliser des écarts types pour répondre dynamiquement à l'environnement. C'est la meilleure solution dans ma tête. Le principal obstacle est de décider de procéder au travail. Ne pourriez-vous pas appliquer la stratégie à un portefeuille de marchés (ou classes d'actifs) IOW, il ya toujours la volatilité nécessaire à trouver quelque part. Je suppose, cela nécessiterait de tester la stratégie sur différents marchés et classes d'actifs8230.obviously. C'est la prochaine étape du processus. I8217m va commencer avec USD paires. J'aime le forex car it8217s exceptionnellement rare pour les devises aller bust. Stocks, d'autre part, obtenir radié tous les jours. Je suis venu avec un moyen plus facile de faire la chose écart-type. Plus à venir8230 Laisser un commentaire Annuler la réponseLe Walk Forward Analyzer est maintenant gratuit Allez à la page de téléchargement pour obtenir votre copie gratuite Comment savez-vous si votre conseiller expert est vraiment rentable MetaTraders Stratégie Tester ne vous donne pas l'image entière Êtes-vous le commerce basé sur trop Optimiste backtests et déçu de constater que votre conseiller expert est de perdre de l'argent dans le commerce en direct Voulez-vous savoir si votre conseiller expert est rentable, rapidement et facilement, sans perdre de l'argent The Walk Forward Analyzer pour MetaTrader The Walk Forward Analyseur utilise MetaTraders propre stratégie Tester pour effectuer une analyse de marche avant. En utilisant les paramètres et paramètres de test fournis par l'utilisateur. Le logiciel est facile à utiliser, et peut vous fournir une analyse complète marche avant dans une fraction du temps qu'il faudrait pour vous de le faire manuellement. Une analyse de marche avant détermine si un conseiller expert est rentable lors de la négociation avec des paramètres optimisés sur les données hors de l'échantillon. Tout conseiller expert peut produire un résultat d'optimisation impressionnant, mais le vrai test est de savoir si ces résultats seront retenus lors de tests sur les données futures. Le Walk Forward Analyzer effectue ce processus plusieurs fois sur des mois et des années de données historiques, vous donnant une image précise de la véritable performance de votre conseiller expert. À la fin d'une analyse de marche avant, vous serez présenté avec un rapport détaillé d'analyse de marche avant, montrant les résultats de l'essai et des courses d'optimisation, le profitloss total de test, et le rapport d'efficacité de marche avant. Qui est une mesure de la robustesse de votre système commercial est. Voir l'analyseur de marche en action Si vous n'êtes pas familier avec la procédure d'analyse de marche avant, lisez ce qui est Analyse de marche avant pour découvrir pourquoi il est la meilleure méthode pour déterminer la robustesse et la rentabilité potentielle de votre système commercial. Backtesting et Forward Testing: l'importance de la corrélation Les traders qui sont désireux d'essayer une idée de trading sur un marché en direct font souvent l'erreur de compter entièrement sur les résultats de backtesting à Déterminer si le système sera rentable. Alors que le backtesting peut fournir aux commerçants des informations précieuses, il est souvent trompeur et il n'est qu'une partie du processus d'évaluation. Les tests hors-échantillon et les tests de performances avancés fournissent une confirmation supplémentaire concernant l'efficacité des systèmes et peuvent montrer un système de vraies couleurs avant que de l'argent réel ne soit en ligne. Une bonne corrélation entre les résultats de test de backtesting, hors de l'échantillon et de performance avant est vital pour déterminer la viabilité d'un système de trading. Backtesting Basics Le backtesting fait référence à l'application d'un système de négociation à des données historiques pour vérifier comment un système aurait fonctionné au cours de la période La période spécifiée. Beaucoup de plates-formes de négociation d'aujourd'hui support backtesting. Les traders peuvent tester des idées avec quelques frappes et obtenir un aperçu de l'efficacité d'une idée sans risquer des fonds dans un compte de trading. Le backtesting permet d'évaluer des idées simples, comme la façon dont un crossover moyen mobile fonctionnerait sur des données historiques, ou des systèmes plus complexes avec une variété d'entrées et de déclencheurs. Tant qu'une idée peut être quantifiée, elle peut être testée. Certains commerçants et investisseurs peuvent demander l'expertise d'un programmeur qualifié pour développer l'idée sous une forme vérifiable. Typiquement, cela implique un programmeur codant l'idée dans le langage propriétaire hébergé par la plate-forme de négociation. Le programmeur peut incorporer des variables d'entrée définies par l'utilisateur qui permettent au commerçant de tordre le système. Un exemple de ceci serait dans le système simple de croisement de moyenne mobile noté ci-dessus: le commerçant serait capable d'entrer (ou de changer) les longueurs des deux moyennes mobiles utilisées dans le système. Le commerçant pourrait backtest pour déterminer quelles longueurs de moyennes mobiles aurait effectué le meilleur sur les données historiques. (Obtenez plus d'informations dans le Tutoriel de négociation électronique.) Études d'optimisation De nombreuses plates-formes de négociation permettent également des études d'optimisation. Cela implique d'entrer une plage pour l'entrée spécifiée et de laisser l'ordinateur faire les calculs pour déterminer ce que l'entrée aurait effectué le mieux. Une optimisation multi-variable peut faire le calcul pour deux ou plusieurs variables combinées pour déterminer quels niveaux ensemble aurait obtenu le meilleur résultat. Par exemple, les commerçants peuvent indiquer au programme quelles entrées ils aimeraient ajouter à leur stratégie, ceux-ci seraient alors optimisés à leur poids idéal compte tenu des données historiques testées. Backtesting peut être passionnant dans la mesure où un système non rentable peut souvent être magiquement transformé en une machine à faire de l'argent avec quelques optimisations. Malheureusement, en peaufinant un système pour atteindre le plus haut niveau de rentabilité passée conduit souvent à un système qui fonctionnera mal dans le commerce réel. Cette sur-optimisation crée des systèmes qui ont l'air bien sur le papier seulement. Curve fitting est l'utilisation de l'analyse d'optimisation pour créer le plus grand nombre de métiers gagnants avec le plus grand profit sur les données historiques utilisées dans la période d'essai. Bien qu'il semble impressionnant dans les résultats de backtesting, l'ajustement de la courbe mène à des systèmes peu fiables puisque les résultats sont essentiellement conçus sur mesure uniquement pour ces données et cette période. Backtesting et l'optimisation de fournir de nombreux avantages à un commerçant, mais ce n'est qu'une partie du processus lors de l'évaluation d'un système commercial potentiel. Une prochaine étape consiste à appliquer le système aux données historiques qui n'ont pas été utilisées dans la phase de backtesting initiale. (La moyenne mobile est facile à calculer et, une fois tracée sur un graphique, est un puissant outil de repérage des tendances visuelles. Lors de l'essai d'une idée sur les données historiques, il est avantageux de réserver une période de données historiques à des fins de test. Les données historiques initiales sur lesquelles l'idée est testée et optimisée sont appelées les données dans l'échantillon. L'ensemble de données qui a été réservé est connu sous le nom de données hors échantillon. Cette configuration est une partie importante du processus d'évaluation car elle fournit un moyen de tester l'idée sur les données qui n'ont pas été un composant dans le modèle d'optimisation. En conséquence, l'idée n'aura pas été influencée de quelque façon que ce soit par les données hors de l'échantillon et les commerçants seront en mesure de déterminer la façon dont le système pourrait fonctionner sur de nouvelles données, c'est-à-dire dans le commerce réel. Avant de lancer un backtesting ou une optimisation, les traders peuvent réserver un pourcentage des données historiques à réserver aux tests hors échantillon. Une méthode consiste à diviser les données historiques en troisièmes et à séparer un tiers pour les tests hors échantillon. Seules les données de l'échantillon doivent être utilisées pour le test initial et toute optimisation. La figure 1 montre un intervalle de temps où un tiers des données historiques est réservé aux tests hors échantillon et les deux tiers sont utilisés pour le test dans l'échantillon. Bien que la figure 1 représente les données hors échantillon au début du test, des procédures typiques auraient la partie hors échantillon précédant immédiatement la performance en avant. Figure 1: Une ligne de temps représentant la longueur relative des données dans l'échantillon et hors de l'échantillon utilisées dans le processus de backtesting. Une fois qu'un système commercial a été développé à l'aide de données dans l'échantillon, il est prêt à être appliqué aux données hors échantillon. Les traders peuvent évaluer et comparer les résultats de performance entre les données de l'échantillon et celles de l'échantillon. La corrélation fait référence aux similitudes entre les performances et les tendances globales des deux ensembles de données. Les paramètres de corrélation peuvent être utilisés pour évaluer les rapports sur le rendement des stratégies créés au cours de la période de test (une caractéristique fournie par la plupart des plateformes de négociation). Plus la corrélation entre les deux est forte, meilleure est la probabilité qu'un système fonctionne bien dans les tests de performance et de trading en direct. La figure 2 illustre deux systèmes différents qui ont été testés et optimisés sur des données dans l'échantillon, puis appliqués à des données hors échantillon. Le graphique de gauche montre un système qui était clairement courbe-ajusté pour fonctionner bien sur les données dans l'échantillon et complètement échoué sur les données hors de l'échantillon. Le graphique de droite montre un système qui a bien fonctionné sur les données à l'intérieur et hors de l'échantillon. Figure 2: Deux courbes d'équité. Les données commerciales avant chaque flèche jaune représentent le test dans l'échantillon. Les opérations générées entre les flèches jaune et rouge indiquent les tests hors de l'échantillon. Les opérations après les flèches rouges proviennent des phases de test de performance avant. S'il y a peu de corrélation entre les tests dans l'échantillon et hors de l'échantillon, comme le diagramme gauche de la figure 2, il est probable que le système a été trop optimisé et qu'il ne donnera pas de bons résultats dans le trading en direct. S'il existe une forte corrélation dans la performance, comme le montre le diagramme à droite de la figure 2, la phase suivante de l'évaluation implique un autre type de test hors échantillon, connu sous le nom de tests de performance avancés. (Pour en savoir plus sur la prévision, se reporter à Prévision financière: La méthode bayésienne.) Fournit aux commerçants un autre ensemble de données hors échantillon pour évaluer un système. Les tests de performance prospectifs sont une simulation de la négociation réelle et impliquent de suivre la logique système dans un marché en direct. Il est également appelé le commerce de papier puisque tous les métiers sont exécutés sur le papier, c'est-à-dire, les entrées commerciales et les sorties sont documentées avec tout profit ou perte pour le système, mais aucun métier réel n'est exécuté. Un aspect important des tests de performance avant est de suivre la logique des systèmes autrement, il devient difficile, sinon impossible, d'évaluer avec précision cette étape du processus. Les commerçants doivent être honnêtes au sujet de toutes les entrées commerciales et les sorties et d'éviter les comportements comme la cerise picking métiers ou non, y compris un commerce sur papier en rationalisant que je n'aurais jamais pris ce commerce. Si le commerce avait eu lieu suivant la logique du système, il devrait être documenté et évalué. De nombreux courtiers offrent un compte de négociation simulée où les métiers peuvent être placés et les profits et pertes correspondants calculés. L'utilisation d'un compte de négociation simulé peut créer une atmosphère semi-réaliste sur laquelle pratiquer le commerce et évaluer davantage le système. La figure 2 présente également les résultats des tests de performances avancés sur deux systèmes. Encore une fois, le système représenté dans le graphique de gauche ne réussit pas bien au-delà du test initial sur les données dans l'échantillon. Le système montré dans le graphique de droite, cependant, continue à bien performer à travers toutes les phases, y compris les essais de performance avant. Un système qui affiche des résultats positifs avec une bonne corrélation entre les tests de performances dans l'échantillon, hors de l'échantillon et en avant est prêt à être mis en œuvre sur un marché en direct. Le backtesting Bottom Line est un outil précieux disponible dans la plupart des plateformes de trading. Le fait de diviser les données historiques en plusieurs ensembles afin de fournir des tests dans l'échantillon et hors de l'échantillon peut fournir aux commerçants un moyen pratique et efficace d'évaluer une idée et un système commercial. Puisque la plupart des commerçants emploient des techniques d'optimisation dans le backtesting, il est important d'évaluer ensuite le système sur les données propres pour déterminer sa viabilité. Poursuivre les tests hors de l'échantillon avec des tests de performance avant fournit une autre couche de sécurité avant de mettre un système sur le marché risquer de l'argent réel. Des résultats positifs et une bonne corrélation entre les contrôles de backtesting dans l'échantillon et hors de l'échantillon et les tests de performance prospectifs augmentent la probabilité qu'un système fonctionne bien dans le trading réel. (Pour un aperçu complet de l'analyse technique, voir Analyse technique: Introduction.)
No comments:
Post a Comment