Mekanisk Trading System Forex

MetaTrader Expert Advisor Hvordan å vinne med mekaniske handelssystemer Meget blekk har vært viet til å finne frem til årsakene til mekaniske handelssystemfeil, spesielt etter det faktum. Selv om det kan virke oksymoronisk (eller, for noen handelsmenn, bare moronske), er hovedgrunnen til at disse handelssystemene mislykkes, fordi de stoler for mye på håndfri, brann og glem natur av mekanisk handel. Algoritmer selv mangler det objektive menneskelige tilsyn og intervensjon som er nødvendig for å hjelpe systemene utvikle seg i takt med endrede markedsforhold. Mekanisk handelssystemssvikt eller svikt i handelsbransjen I stedet for å svikte på et handelssystemssvikt, er det mer konstruktivt å vurdere hvordan handelsmenn kan få det beste fra begge verdener: Det vil si at handelsmenn kan nyte fordelene ved algoritmstyrte mekaniske handelssystemer , som for eksempel automatiske henrettelser med hurtige brann og følelsesfrie handelsbeslutninger, mens de fremdeles bruker sin medfødte menneskelige evne til å tenke på feil og suksess. Det viktigste elementet i enhver næringsdrivende er den menneskelige evnen til å utvikle seg. Traders kan endre og tilpasse sine handelssystemer for å fortsette å vinne før tap blir økonomisk eller følelsesmessig ødeleggende. Velg riktig type og mengde markedsdata for testing. Vellykkede handelsmenn bruker et system med repeterende regler for å høste gevinster fra kortvarige ineffektiviteter i markedet. For små, uavhengige forhandlere i den store verden av verdipapirer og derivathandel, hvor spreads er tynne og konkurranseharde, kommer de beste mulighetene for gevinster fra å oppdage markedets ineffektivitet basert på enkle data som er enkle å kvantifisere, og så raskt som mulig mulig. Når en næringsdrivende utvikler og driver mekaniske handelssystemer basert på historiske data, håper han eller hun på fremtidige gevinster basert på ideen om at dagens markedseffektivitet vil fortsette. Hvis en forhandler velger feil datasett eller bruker feil parametere for å kvalifisere dataene, kan verdifulle muligheter gå tapt. Samtidig, når ineffektiviteten oppdaget i historiske data ikke lenger eksisterer, mislykkes handelssystemet. Årsakene til at det forsvant er ubetydelig for den mekaniske handelsmannen. Bare resultatene betyr noe. Velg de mest relevante datasettene når du velger datasett hvorfra du skal opprette og teste mekaniske handelssystemer. Og for å kunne teste et utvalg som er stort nok til å bekrefte om en handelsregel fungerer konsistent under et bredt spekter av markedsforhold, må en næringsdrivende bruke den lengste praktiske perioden med testdata. Så det virker som hensiktsmessig å bygge mekaniske handelssystemer basert på både det lengste mulige historiske datasettet og det enkleste settet med designparametere. Robusthet betraktes generelt som evnen til å motstå mange typer markedsforhold. Robusthet bør være iboende i ethvert system som testes på tvers av et langsomt utvalg av historiske data og enkle regler. Langvarig testing og grunnleggende regler bør gjenspeile den bredeste rekke potensielle markedsforhold i fremtiden. Alle mekaniske handelssystemer vil etter hvert mislykkes fordi historiske data åpenbart ikke inneholder alle fremtidige hendelser. Ethvert system som er bygd på historiske data vil etter hvert møte historiske forhold. Menneskelig innsikt og intervensjon hindrer automatiserte strategier fra å løpe av skinnene. Folkene på Knight Capital vet noe om live trading snafus. Enkelhet vinner med tilpasningsevne Vellykkede mekaniske handelssystemer er som levende, pustende organismer. Verdens geologiske lag er fylt med fossiler av organismer som, selv om de var ideell for kortsiktig suksess i sine historiske tidsperioder, var for spesialiserte for langsiktig overlevelse og tilpasning. Enkle algoritmiske mekaniske handelssystemer med menneskelig veiledning er best fordi de kan gjennomgå rask, enkel utvikling og tilpasning til endringsforholdene i miljøet (les markedsplass). Enkle handelsregler reduserer den potensielle effekten av data-mining bias. Forstyrrelser fra datautvinning er problematisk fordi det kan overstige hvor godt en historisk regel vil gjelde under fremtidige forhold, spesielt når mekaniske handelssystemer er fokusert på korte tidsrammer. Enkle og robuste mekaniske handelssystemer bør ikke påvirkes av tidsrammer som brukes til testformål. Antall testpunkter som finnes innenfor et gitt utvalg av historiske data, bør fortsatt være store nok til å bevise eller motbevise gyldigheten av handelsreglene som testes. Uttrykt forskjellig, vil enkle, robuste mekaniske handelssystemer skygge data-mining bias. Hvis en forhandler bruker et system med enkle designparametere, for eksempel QuantBar-systemet. og tester det ved å bruke den lengste passende historiske tidsperioden, vil de eneste andre viktige oppgavene være å holde fast ved disiplinen med å handle systemet og overvåke resultatene fremover. Observasjon muliggjør evolusjon. På den annen side, handlerne som bruker mekaniske handelssystemer bygget fra et komplekst sett med flere parametere, risikerer å forutvikle sine systemer til tidlig utryddelse. Bygg et robust system som utnytter det beste av mekanisk handel, uten å falle i bytte til svakhetene. Det er viktig å ikke forveksle robustheten i mekaniske handelssystemer med tilpasningsevne. Systemer utviklet basert på en rekke parametre førte til å vinne handler i historiske perioder, og selv i de nåværende observerte periodene beskrives ofte robuste. Det er ingen garanti for at slike systemer kan bli vellykket tweaked når de har vært handel forbi deres bryllupsreise periode.8221 Det er en første handelsperiode hvor vilkårene skjer sammenfallende med en bestemt historisk periode som systemet var basert på. Enkle mekaniske handelssystemer er lett tilpasset nye forhold, selv når de grunnleggende årsakene til markedsendringer forblir uklare, og komplekse systemer blir korte. Når markedsforholdene endres, som de kontinuerlig gjør, er handelssystemene som mest sannsynlig vil fortsette å vinne de som er enkle og lettest tilpassbare til nye forhold, et virkelig robust system er en som har lang levetid fremfor alt. Enkle algoritmiske mekaniske handelssystemer med menneskelig veiledning er best fordi de kan gjennomgå rask, enkel utvikling og tilpasning til endringsforholdene i miljøet (les markedsplass). Dessverre, etter å ha opplevd en innledende periode med gevinster ved bruk av altfor komplekse mekaniske handelssystemer, faller mange handelsmenn inn i fellen for å forsøke å tilpasse disse systemene til suksess. Markedene ukjent, men endring, forholdene kan allerede ha dømt hele arten av mekaniske handelssystemer til utryddelse. Igjen, enkelhet og tilpasningsevne til endrede forhold gir det beste håpet på overlevelse av ethvert handelssystem. Bruk en objektiv måling for å skille mellom suksess og fiasko. En handelssammensetning mest vanlige fall er et psykologisk vedlegg til hans eller hennes handelssystem. Når trading-system feil oppstår, er det vanligvis fordi handelsmenn har vedtatt en subjektiv snarere enn objektiv synspunkt, spesielt med hensyn til stopp-tap under bestemte bransjer. Menneskets natur driver ofte en næringsdrivende for å utvikle et følelsesmessig vedlegg til et bestemt system, spesielt når handelsmannen har investert betydelig tid og penger i mekaniske handelssystemer med mange komplekse deler som er vanskelige å forstå. Men det er kritisk viktig for en næringsdrivende å gå utenfor systemet for å vurdere det objektivt. I noen tilfeller blir forhandleren forvirret om et systems forventede suksess, til og med for å fortsette å handle et åpenbart tapende system langt lenger enn en subjektiv analyse ville ha tillatt. Eller etter en periode med fett vinner, kan en handler bli gift med et tidligere vinnende system, selv om skjønnheten hans falmer under presset av tap. Verre, en forhandler kan falle i fellen for selektivt å velge testperioder eller statistiske parametere for et allerede tapt system, for å opprettholde et falskt håp for systemets fortsatte verdi. En objektiv målestokk, som for eksempel bruk av standardavviksmetoder for å vurdere sannsynligheten for nåværende feil, er den eneste vinnende metoden for å avgjøre om mekaniske handelssystemer virkelig har mislyktes. Gjennom et objektivt øye er det enkelt for en næringsdrivende å raskt oppdage feil eller potensiell svikt i mekaniske handelssystemer, og et enkelt system kan raskt og enkelt tilpasses for å skape et nytt vinnende system igjen. Manglende mekaniske handelssystemer blir ofte kvantifisert basert på en sammenligning av de nåværende tapene målt mot de historiske tapene eller nedskrivningene. En slik analyse kan føre til en subjektiv, feilaktig konklusjon. Maksimal drawdown brukes ofte som grenseverdien som en forhandler vil forlate et system. Uten å vurdere måten systemet har nådd utvinningsnivået, eller hvor lang tid det kreves for å nå det nivået, bør en næringsdrivende ikke konkludere at systemet er en taper basert på en drawdown alene. Standardavvik kontra nedtelling som feilfaktor Faktisk er den beste metoden for å unngå å kaste bort et vinnende system, å bruke en objektiv målestandard for å bestemme gjeldende eller nylig distribusjon av avkastning fra systemet som oppnås mens det faktisk handles. Sammenligne denne måling mot den historiske fordeling av avkastning beregnet fra back-testing, mens tildeling av en fast terskelverdi i henhold til sikkerheten om at den nåværende taper distribusjonen av mekaniske handelssystemer faktisk er utenfor normale forventede tap og derfor burde være kasseres som mislykket. Så for eksempel, anta at en næringsdrivende ignorerer det nåværende drawdownnivået som har signalisert et problem og utløst sin undersøkelse. I stedet sammenligner den nåværende tapestrengen mot de historiske tapene som ville ha oppstått under handel med systemet under historiske testperioder. Avhengig av hvor konservativ en forhandler er, kan han eller hun oppdage at det nåværende eller siste tapet er utover, si det 95-sikkerhetsnivået som følger med to standardavvik fra det normale historiske tapnivået. Dette ville sikkert være et sterkt statistisk tegn på at systemet utfører dårlig, og har derfor mislyktes. I motsetning til dette kan en annen næringsdrivende med større appetitt for risiko objektivt bestemme at tre standardavvik fra normen (dvs. 99,7) er riktig sikkerhetsnivå for å bedømme et handelssystem som mislykket. Den viktigste faktoren for enhver trading system8217 suksess, enten manuell eller mekanisk, er alltid den menneskelige beslutningsevne. Verdien av gode mekaniske handelssystemer er at de, som alle gode maskiner, minimerer menneskelige svakheter og gir resultater langt over de som er mulige gjennom manuelle metoder. Likevel, når de er riktig bygget, tillater de fortsatt fast kontroll i henhold til handelsdommer og lar ham eller henne å fjerne tyder på hindringer og potensielle feil. Selv om en næringsdrivende kan bruke matte i form av en statistisk beregning av standardfordeling for å vurdere om et tap er normalt og akseptabelt i henhold til historiske poster, er han eller hun fortsatt avhengig av menneskelig vurdering i stedet for å lage rentemekaniske, mattebaserte beslutninger basert på algoritmer alene. Traders kan nyte det beste fra begge verdener. Kraften til algoritmer og mekanisk handel minimerer effekten av menneskelig følelse og tardiness på ordreplassering og utførelse, spesielt med hensyn til å opprettholde stopp-tap disiplin. Den bruker fortsatt den objektive vurderingen av standardavvik for å beholde menneskelig kontroll over handelssystemet. Vær forberedt på forandring og vær forberedt på å bytte handelssystem Sammen med objektiviteten til å oppdage når mekaniske handelssystemer skifter fra vinnere til tapere, må en næringsdrivende også ha disiplin og fremsyn for å utvikle og forandre systemene slik at de kan fortsette å vinne under nye markedsforhold. I et hvilket som helst miljø fylt med forandring, jo enklere systemet, jo raskere og enklere vil evolusjonen bli. Hvis en kompleks strategi feiler, kan det være lettere å erstatte enn å endre det, mens noen av de enkleste og mest intuitive systemene, som for eksempel QuantBar-systemet. er relativt enkle å endre på fly for å tilpasse seg fremtidige markedsforhold. I sammendraget kan det sies at ordentlige mekaniske handelssystemer skal være enkle og tilpasningsdyktige, og testet i henhold til riktig type og mengde data slik at de vil være robuste nok til å produsere gevinster under et stort utvalg av markedsforhold. Og et vinnende system må dømmes av riktig metrisk for suksess. I stedet for å bare stole på algoritmiske handelsregler eller maksimale drawdownnivåer, må enhver beslutning om hvorvidt et system har mislyktes, gjøres i henhold til den menneskelige dommernes dom og basert på en vurdering av antall standardavvik for systemets nåværende ytelse når den måles mot dets historiske test tap. Hvis mekaniske handelssystemer ikke klarer å utføre, skal næringsdrivende gjøre de nødvendige endringene i stedet for å holde seg fast i et tapende system. Hei Trader-vennene 8211 Jeg følger bare Sam Seiden8217s Suppl-Demand-tilnærming kombinert med Lysestakeanalyse 8211 fungerer som ren magi. Jeg følger den gylne regelen om å redusere tap og gi overskudd til run8221. Har vært trading som dette i 6 år med konsekvent INCREMENTAL GROWTH måned etter måned (noen ganger liten, noen ganger stor, men alltid tikkende oppover). For meg er disse 8220simple keys8221 å lykkes på mellomlang og lang sikt. Sakte og stødig vinner løpet. Hvor8217 er den indikatoren for timen hvor den utløser en oppføring, en pinne før Can8217t finner den hvor som helst, virker den fortsatt. Den har som en bunngraf og let8217s du vet å komme inn på neste lys for en candle8217s tid for den mengden profitt, Jeg husket en stund tilbake å se mye om det fra deg, men har ikke sett det siden, og jeg tror jeg skulle prøve det. Hilsen Design en robust mekanisk handelsstrategi: En best praksis i handel fra Brett: Denne beste praksisposten kommer til oss fra Edward Heming, som er forfatteren av Herren Tedders trading blog. Han diskuterer noen få aspekter ved å utvikle en pålitelig mekanisk handelsstrategi og dekker også fordelene og ulemperne med mekanisk handel. Legg merke til at Henry Carstens også har gjort tilgjengelig en serie artikler om emnet for å utvikle handelssystemer. Det jeg liker mest om Lord Tedders-artikkelen er innsiktet i at det å undersøke systemideer er en fin måte å få en følelse av på markedet. Av den grunn kan det til og med være til nytte for den skjønnsmessige næringsdrivende. De som ønsker å få noen av fordelene med systemtesting uten utfordringene ved programmering kan se på Odds Maker-programmet utviklet av Trade Ideas, eller kan følge råd fra Bonnie Lee Hill og benytte rullegardinmeny-testplattformen som er tilgjengelig gjennom Ensign Software. Med slike verktøy er det enklere enn noensinne å virkelig avgjøre om ideene dine gir deg en ytelsekvalitet. Takk til Edward for det innsiktsfulle innlegget. Et av spørsmålene jeg ofte blir spurt om strategisk design er, 8220 hvordan lager du en robust mekanisk handelsstrategi8221 For å forstå hvordan man bygger en robust mekanisk strategi er det viktig å forstå hva en robust mekanisk strategi er. En mekanisk strategi er rett og slett en kvantifisert beslutningsstrøm som fører enten en 8220trading robot8221 eller handelsmannen til å bestemme posisjonsstørrelse, oppføringer, utganger og stopper alt i en helt håndfri måte 8211 med andre ord hvis du har et fungerende mekanisk system, er inngangen din ikke nødvendig (eller i så liten grad). I tillegg, for en mekanisk strategi å være robust, må den kapitalisere på en 8220trading edge8221. Dette kan være alt fra en statistisk kant (trending) til en utførelseskant (arbitrage). Videre må denne strategien holde seg over en omfattende periode av virksomheter historisk (minst flere hundre) og må holde fast i fremtidig handel (som kan simuleres). Et mekanisk system har flere fordeler som diskretionære handelsfolk ikke gjør, for eksempel muligheten til å utføre kvantitativ og data mining analyse raskt og over utvidede historiske perioder. I tillegg kan mekaniske systemer lindre noen av de følelsesmessige nødene som følger med diskretionær handel 8211 spesielt blant nye handelsmenn. Det er imidlertid viktig å innse at mekanisk handel har flere ulemper også. Det første var at du må kunne kvantifisere hver handelsbeslutning som systemet vil gjøre, for det andre må det mekaniske systemet periodisk justeres (akkurat som en skjønnsmessig næringsdrivende justerer metodene sine) enten gjennom iboende tilpasning, optimalisering eller diversifisering . Til slutt fungerer mekaniske systemer bare hvis man legger i den enorme mengden tid og krefter som kreves for å programmere, teste, feilsøke og kontinuerlig justere det. For å designe en hvilken som helst mekanisk strategi er det viktig å vurdere tre ting før noe annet: 1) målet ditt for det systemet, 2) ditt marked, 3) din tidsramme. Når du har bestemt dette, er det lett å finne din grunnleggende metodikk fordi det bare er 4 måter å handle på noe marked: 1) trend trading, 2) momentum trading, 3) reversering til gjennomsnittlig handel, 4) og grunnleggende handel. Når du har bestemt ditt mål, marked, tidsramme og metode, er du klar til å forsøke å sette sammen din første strategi. Mange av dere tenker sannsynligvis på dette tidspunktet, hva hvis jeg ikke vet noe av det? S8221 Hvis du allerede er en erfaren skjønnsmessig handler, bør dette ikke vise seg å være altfor vanskelig. Men hvis du ikke har lang erfaring, må du finne en metode som fungerer. Denne metoden kan være så enkel som en bevegelig gjennomsnittlig kryss langvarig til like komplisert som et kontinuerlig justering av samarbeidende neurale nettverk som genetisk reoptimeres daglig. Den aller beste måten for uerfarne handelsmenn å bygge et nytt system er å teste ideer. Dette kan gjøres på to måter 8211 visuelt eller programmatisk. For noen uten omfattende programmeringserfaring, ville det være best å begynne med det jeg kaller 8220candle ved candle8221 back testing. Dette utføres ved å ta en ide (for eksempel et gjennomsiktig gjennombrudd) og teste det med historiske data på det gitte markedet og tidsrammen ved å flytte diagrammer fra fortiden inn i fremtiden og handle hvordan systemet ville 8211 uten fremtidig kunnskap av markedene. Denne metoden er hvordan jeg testet mine første ti 8220strategies8221, hvorav fire jeg fortsatt fortsetter å handle i dag (inkludert to som ble designet av Phil McGrew som jeg testet ved hjelp av denne metoden og fortsatt handler i dag). Imidlertid måtte jeg teste nesten femti eller seksti ideer for å komme ned til de ti strategiene som virker, og til slutt forfine prosessen til jeg hadde funnet fire av de ti systemene jeg fant omsettelige. For å gi deg et eksempel på hvor tidskrevende denne prosessen er, testet jeg disse ti strategiene mye, ofte på over 2 år med 15 minutters barer og 8220executing8221 hundrevis av handler. Jeg brukte nesten 700 ekte timer med å gjøre denne testingen (og I8217m ganske rask med et diagram og utmerke seg). Det høres ut som mye arbeid, vel det var, men det ga meg også en følelse for de markedene som er nesten like gode som å ha handlet disse markedene i sanntid. Etter å ha gjort dette for en stund, følte jeg at det måtte være en mer effektiv måte å teste ideer på. Og det er 8211 programmatisk testing. Programmatisk testing igjen kan være veldig lett 8211 En enkel glidende gjennomsnittlig kryss er en enkel ting å programmere på nesten hvilket som helst programmeringsspråk. Men vanskelighetene som kan ødelegge den begynnende programmatiske næringen er nesten uendelige. Mange populære handelspakker sporer ikke egenkapitalposisjonen ved å markere, men det er sporet bar for bar (og hvis du kan handle daglige barer, kan du forestille deg problemene). Også, ideer som jeg hadde testet mye i hånden, var også vanskelige å programmere. Jeg har hatt så mange opplevelser der jeg miscoded et kritisk konsept (selv i liten grad), og dette endte med å gi drastisk forskjellige resultater enn min håndtesting. Uten kjennskap til at det var koden som var feil, kunne jeg ha falt avskediget mange handelsideer som faktisk var gyldige. I tillegg er det på dette nivået av programmatisk handel svært viktig å vurdere faktorer for å minimere innganger (grader av frihet) og å bruke fleksible innganger. Et eksempel på dette ville være å benytte en 3 ATR-stopp i stedet for en 60 pip-stopp, slik at når prisene og volatiliteten i markedet svinger, blir stoppet ditt ikke tatt ut på grunn av tilfeldig støy. Andre måter du kan forbedre robustheten til strategien din er å benytte realistiske fyllinger og provisjoner og sørge for at dine grenseordrer faktisk hadde blitt fylt (dette er ikke så lett å teste i noen programvare som det burde være). Optimalisering er et annet nyttig verktøy for å vurdere på dette tidspunktet i din strategi testing karriere. Dette er et kraftig, men tokantet sverd. Utnyttelse av genetiske algoritmer og lignende 8220hill climbing8221 teknikker er en vanlig måte å sikre at optimaliseringen ikke gir deg et enkeltpunktsangrep, men heller at det er lignende inngangsverdier som omgir dine innganger som gir tilsvarende egenkapitalgrafer. Gå fremover testing er et annet nyttig verktøy som kan hjelpe deg med å oppnå realistiske resultater og se selv om en strategi ville ha vært vellykket på data som ikke var optimalisert (ligner fremtiden). Går videre til programmatisk handel, etter å ha opplevd mange fallgruver, føler jeg at jeg burde kunne teste mer enn en ide om gangen. Faktisk vil jeg helst prøve mange ideer, over flere tidsrammer og flere markeder. Akkurat nå er dette arbeidet jeg er involvert i å designe, og jeg føler at dette vil hjelpe meg å analysere markedene med den hastigheten og presisjonen som vil ta min handel til neste nivå. Dette er arenaen til de beste strategiske designerne, hvor statistisk datautvinning, markedsanalyse, tidsrammeanalyse, teknisk analyse, grunnleggende analyse og pengestyring kombineres med realistisk evolusjonerende testing i en enkelt pakke. Som du kan se er avansert programmatisk testing og handel en kompleks arena. Jeg selv lærer fortsatt og på ingen måte anser meg selv en ekspert. Den gode nyheten er at vellykket, robust mekanisk strategiopprettelse og implementering kan gjøres på så enkelt eller så komplisert måte som du velger. Tross alt er de svært enkle strategiene som testes og er designet med stearinlys ved stearinlysprøvning, fortsatt en hjørnestein i handelsmetoden min. Fra Brett: Legg merke til Edwards råd: start små, hold den mulig, og bygg ferdighetene dine. Dine beste ideer kommer fra intensiv observasjon, men noen av de beste ideene er enkleste og enkleste. Ive nylig postet en samtale for handelsmenn og programmerere som ønsker å samarbeide dette kan være en lovende måte å komme i gang med Brett Steenbarger, Ph. D. Forfatter av Psychology of Trading (Wiley, 2003), Enhancing Trader Performance (Wiley, 2006), Daily Trading Coach (Wiley, 2009) og Trading Psychology 2.0 (Wiley, 2015) med interesse i å bruke historiske mønstre i markeder finn en handelskant. Jeg er også interessert i ytelsesforbedring blant handelsmenn, og drar på forskning fra eksperter på ulike felt. Jeg tok permisjon fra blogging fra mai 2010 på grunn av min rolle i et globalt makro hedgefond. Blogging gjenopptas i februar 2014, sammen med vanlig innlegging til Twitter og StockTwits (steenbab). Jeg underviser kort terapi som klinisk lektor ved SUNY Upstate i Syracuse, med særlig vekt på løsningsfokuserte terapier for psykisk velvære. Medredaktør av The Art and Science of Brief Psychotherapies (American Psychiatric Press, 2012). Se min komplette profil Abonner på Twitter Trader Blog ArchiveComparing Backtesting og lever trading system gjennomføring: Etter en million bransjer Systematic handelsfolk nesten alltid bruke backtesting å vurdere fortidens ytelse av en handelsalgoritme. Dette er et utrolig verdifullt verktøy som gir oss mulighet til å få en ide om hvordan en handelsalgoritme ville ha utført tidligere uten å måtte handle et system for lengre perioder. Men hele bruken av backtesting er avhengig av hvor godt simuleringene modellen forbi ytelsen, og derfor er den åpen for mange fallgruver som kommer fra flere praktiske bekymringer. På grunn av det ovenfor er it8217s svært viktig å utføre livebacktesting sammenligninger hvor en live-handlet periode er sammenlignet med en backtest av den samme perioden for å se om resultatene 8211, uansett om de er positive eller negative 8211 match. På today8217s innlegg Jeg vil diskutere en analyse av livebacktesting konsistens Jeg har laget bruk av data fra mer enn 1 million live-bransjer hentet fra mer enn to tusen Asirikuy-opprettede systemer. Det finnes flere måter som en backtest kan gjøre fortiden ser bedre ut enn hva det egentlig ville vært som. I reell handel er det vanligvis likviditet, timing og spredning av bekymringer som generelt er svært vanskelig å ta hensyn til ved backtesting. I Forex trading er historiske likviditetsdata svært vanskelig å få, mens slipping er nesten umulig å regne på grunn av det faktum at historiske tilkoblingshastigheter og responstider er ukjente. Tick-data kan lindre spredningsbehovet 8211, da kryssdata inneholder budsjettdata 8211, men dette er megler-spesifikt og kan sjelden oppnås for en bestemt megler i mer enn noen få år. Hvis simuleringer utføres uten hensyn til noen av de ovennevnte 8211 uten likviditetsdata, antas perfekt henrettelser og med konstante spredninger 8211 så er det kritisk å se om disse forutsetningene virkelig fører til akseptable samsvar mellom backtesting og live trading. Hvis noen av disse forutsetningene fører til betydelige problemer, må simuleringene gjøres mer pessimistiske for å tilpasse seg disse økte kostnadene. Takket være det faktum at vi har hundrevis av brukere som handler tusenvis av handelsstrategier i sine egne kontoer, har vi kunnet samle en database med millioner av handler sammen med deres reelle inngangs - og utgangspriser som vi kan sammenligne med våre backtests for å se hvordan vel våre simuleringer representerer den siste tiden. Først av alt kan vi se om vår backtesting og live trading logikk er faktisk identisk og for det andre kan vi se om de ovennevnte problemene knyttet til slippage og spredningskostnader påvirker vår handel på en betydelig negativ måte. Vi har analysert totalt 76.813 signaler som har blitt utført over mange ulike handelsregnskap. For hvert signal beregner vi de gjennomsnittlige inngangs - og utgangsprisene 8211 ved å bruke data fra alle handler som ble tatt på grunn av dette signalet 8211, og dette tillater oss å estimere hvor mye inngang og utgang avvikes på en gunstig eller ugunstig måte. I gjennomsnitt var vår totale avvik (åpen avvik i tillegg til nær avvik, bestemmelse av fordeler i forhold til handelsretning for hvert tilfelle) -1,37 pips, noe som betyr at hver handel utført 1,37 pips mindre gunstig enn forventet av våre simuleringer, kan dette forestilles som å betale en tillegg 1,37 pips per handel i spredningskostnader. Det første bildet i dette innlegget viser resultatene etter par. Her kan vi faktisk se at for 4 av 6 par har vi faktisk gunstige avvik (EURJPY 0.3, EURUSD 0.81, GBPUSD 2.05, USDJPY 1,17), noe som betyr at spredene vi bruker i våre simuleringer, er trolig gode estimater for disse symbolene og forsinkelsene i gjennomføring vi får er enten gunstig eller lav nok til ikke å saken på en betydelig måte. Det er imidlertid to saker med negative resultater, den første er USDCHF (-1,53) og den andre er GBPJPY (-8,78). I det første tilfellet er avviket ikke veldig høyt, men i det andre har vi et resultat som er enormt negativt, sannsynligvis står for hovedårsaken til at vårt hovedmiddel per handel er negativt. Årsaken til det ovenstående skyldes både at GBPJPY er mye mer flyktig som de andre parene, og fordi vi bruker en spredning på 5 pips for dette symbolet som er 8211, som vist ved overbevisning 8211 sannsynligvis for lavt. Selv om 5 pips er over gjennomsnittlig Oanda-markedsspredning for dette symbolet, gir det ikke nok plass til ytterligere tap på grunn av glidning og utvidelse. Det andre bildet viser avvikene når splittet av handler åpnet på forskjellige timer. Det er tydelig at alle timer ikke er det samme, og selv for den svært negative GBPJPY synes det å være noen timer når avvik har en tendens til å være positiv. Du kan også se noen tilfeller der avvikene er svært positive. 8211 for eksempel GBPUSD-handler åpnet klokken 8 8211. Dette er hovedsakelig knyttet til at handler som ble åpnet på denne tiden, har møtt positive nyheter som helhet ved en tilfeldighet og potensielt også møtt noen viktige Markedsbevegende hendelser som Brexit eller GBP-flashkortet positivt. Det er imidlertid lite sannsynlig at slike avvik vil vare over en betydelig lang periode, da de sannsynligvis er konsekvensen av disse sjeldne hendelsene som skjedde for å favorisere noen strategier mer enn andre ved bare lykke. Jeg forventer at disse avvikene blir lavere og lavere som en funksjon av tiden, noe som gir oss en mye jevnere kurve etter noen år med handel. Av samme grunn må vi ta mer tid og samle inn flere data før vi vurderer handlinger som kan innebære direkte bruk av denne informasjonen (for eksempel gruvesystemer som handler i timevis når avvik forventes å være gunstige). Ovennevnte viser allerede at våre simuleringsutbredelseskostnader sannsynligvis må økes betydelig for GBPJPY og kanskje bare moderat for USDCHF. Det viser også at utførelsen vår har vært god over hele linjen 8211 på de fleste symboler, faktisk 8211, og at høyere likviditetssymboler viser lavere avvik enn lavere likviditetssymboler (ikke overraskende siden disse kostnadsøkningene hovedsakelig er relatert til forsinkelsesforsinkelser og spredning utvidende). Vi har nå kodet noen skript for å utføre analysen ovenfor hver uke, slik at vi8217ll kan holde oppdaterte faner om hvordan våre systemer utfører og hvorvidt våre simuleringer stemmer overens med disse henrettelsene. Hvis du vil lære mer om samfunnet vårt og hvordan du også kan lage dine egne algoritmiske handelsstrategier, vær så snill å vurdere å bli med Asirikuy. et nettsted fylt med pedagogiske videoer, handelssystemer, utvikling og en lyd, ærlig og gjennomsiktig tilnærming til automatiserte trading. strategies.