عملية تطوير استراتيجية التداول

عملية تطوير استراتيجية التداول

أنواع استراتيجيات التداول الفنية
أعلى منتدى وسطاء الفوركس
التنوع في مكان العمل واستراتيجية الإدماج


السلحفاة نظام التداول ميتاستوك خيارات الأسهم المكتسبة الطلاق تجارة البرمجيات شراء إشارات بيع دروس الفوركس دي الروبوت التجارة ناسخة خدمة النقد الاجنبى مثلث، جدول، إقتدى، فوريكس

تطوير نموذج. تطوير. إن الهدف الأساسي من البحث الكمي لفريق إيمينيورلد هو تطوير نماذج استثمارية قوية في بيئات السوق المتغيرة. فريقنا من المهنيين البحث هو المسؤول عن صياغة وتقييم وتنفيذ الأفكار التجارية. باحثون إمينيورلد هي المسؤولة عن تحديد وتقييم استراتيجيات التداول التي لديها القدرة على توليد عوائد مطلقة في إطار منهجية كمية ومنهجية. 1 - يوافق على الأسواق العالمية التي يتعين إدراجها في حافظة النظام التجاري؛ 2. مراقبة السيولة، وتكاليف التنفيذ وعمق التداول وهيكل الصرف. 3 - يحدد الإطار الذي سيجري في إطاره كل مشروع، بما في ذلك؛ والهدف من المشروع، جنبا إلى جنب مع مقاييس لتحديد النجاح / الفشل متانة الاختبار بما في ذلك أنواع الإجهاد والمعلمات حساسية اختبار لأداء نوعية البيانات المتاحة للمشروع البنية التحتية اللازمة لضمان التنفيذ الدقيق لهيكل الرصد اليومي بعد التنفيذ. 4 - يوافق على تمويل حسابات الملكية لاختبار صحة الاستراتيجيات الجديدة. نهجنا الكمي والمنهجي. ويجب أن تتكيف جميع المشاريع مع النمذجة المحوسبة الرسمية. هذه النماذج الرسمية تتحكم في جميع جوانب التداول بما في ذلك المواقف الاتجاهية في كل سوق، والتعرض للمخاطر في كل موقف ومخصصات المخاطر ضمن الحافظة الشاملة. يجب التعبير عن استراتيجيات التداول كميا، مما يجبر التفكير الدقيق في الطبيعة الدقيقة للخصائص التي صممت الاستراتيجية للاستيلاء عليها؛ لا تعتمد أي استراتيجية تداول على أي مفتاح & # 8220؛ واحد & # 8221؛ شخص؛ والالتزام المنضبط بالاستراتيجيات الجيدة البحث متأصل في هذه العملية ويضمن الموضوعية؛ إن & # 8220؛ سوتشيس & # 8221؛ من استراتيجية التداول يمكن قياسها بشكل ملموس. التقاط وتخزين وتحليل كميات كبيرة من البيانات في الوقت الحقيقي. تغذية البيانات الزائدة من مصادر متعددة ليتم تحليلها ومراجعتها من قبل موظفي الدعم البحثي لضمان الدقة؛ أن البنية التحتية التكنولوجية يجب أن تكون متسامحة عن طريق الحفاظ على الوقت الحقيقي، أنظمة الكمبيوتر عن بعد الساخنة التي يمكن أن تتولى في حالة الفشل في النظم الأولية. المؤسسات، وصناديق التحوط، كتاس، والمجموعات التجارية الملكية والتجار المهنية جميعا احتياجات مختلفة. الأداء حسب فئة الأصول. - آرثر آش من إعلان بارا. الأداء حسب فئة الأصول. مثير للإعجاب. روابط مفيدة. كوبيرايت & كوبي؛ 2011 إمينيورلد. كل الحقوق محفوظة. 7 أساسيات لتطوير استراتيجية التداول الخوارزمية. بقلم بريان فليتشر. 1. إدارة المخاطر. عند صياغة استراتيجية التداول، تأكد من التفكير في مدى ما لديك في خطر في جميع الأوقات. قياس وتتبع مجموع المخاطر المفتوحة الخاصة بك في جميع الأوقات عن طريق حساب كم كنت سوف تفقد يجب إيقاف جميع مواقفك بها. يمكنك القيام بذلك عن طريق قياس وضبط المخاطر حسب الموقف والمحفظة الشاملة الخاصة بك. وهذا يعني أنك تعرف كم من المال سوف تخسر، بنسبة مئوية من إجمالي حقوق الملكية الحساب الخاص بك، إذا تم إيقاف كل من الصفقات الخاصة بك بها. دعونا ننظر في طريقة واحدة للقيام بذلك على سبيل المثال استراتيجية بسيطة. لنفترض أنك تخاطر بنسبة 0.5٪ من إجمالي حقوق الملكية في كل صفقة جديدة. تستخدم إستراتيجية المثال نقطة توقف بناء على أقل سعر للفترات X الأخيرة في الفترة الزمنية Y. هذا. في الأسواق البطيئة الحركة والجانبية، سوف تقترب المحطة من السعر وتخفيض المخاطر مع مرور الوقت. في التحركات مكافئ لصالحك، فإن السعر والمخاطر المفتوحة الخاصة بك تتحرك أسرع بكثير من توقف زائدة الخاص بك. المخاطر المفتوحة على التجارة يمكن أن تتحرك من .5٪ إلى مضاعفات عدد أعلى من ذلك. وبدون آلية لتقليل المخاطر بشكل أكبر على هذه التجارة، يمكنك أن تواجه عمليات سحب كبيرة في أسهمك ونفسك إذا كانت التجارة تعيد بسرعة جميع مكاسبها. خصوصا عندما يكون لديك صفقات متعددة على كل الاستفادة من نفس الخطوة. بالنسبة إلى تجار ألغو، فإن هذا الاكتشاف يعني أننا بحاجة إلى خوارزمية لحساب المخاطر المفتوحة على كل موقف وخطر محفظتك بشكل عام. كيف يمكن أن نفعل ذلك؟ حسنا، هل يمكن أن تضيف في خوارزمية مصممة خصيصا لهذه الظروف التي يمكن أن تتحرك إما توقف أو تقليل المواقف عندما تتجاوز المخاطر عتبة معينة ومن ثم تحسين هذه المعلمات في باكتستينغ. المخاطر لكل تجارة = X٪ من إجمالي حقوق الملكية. سيؤدي ذلك إلى التحكم في مقدار المخاطر التي تواجهها في البداية على كل صفقة. الحد الأقصى لمخاطر التجارة الفردية = X٪ (التحرك يتوقف أو يقلل من المراكز) يجب أن يكون هذا العدد مساويا أو أكبر من الرقم أعلاه. الحد الأقصى لمخاطر المحفظة = Y٪ (التحرك يتوقف أو يقلل من المراكز) إذا كانت استراتيجيتكم تتداول الكثير من الأدوات، فإن هذه المعلمة يمكن أن تبقي على مجموع مخاطر المحفظة في الاختيار هنا مثال مرئي يظهر إجمالي مخاطر المحفظة لاستراتيجية نموذجية في جميع أنحاء باكتست: الصورة التي تم إنشاؤها باستخدام برامج التداول بلوكس. تعلمت عن ذلك بالطريقة الصعبة عندما كنت نفط طويلا في عام 2008. لقد استخدمت مؤشرا متخلفا على المدى الطويل. في بلدي باكستيستس واسعة، لم اعتبرت السيطرة على المخاطر على الأرباح المفتوحة كما يتحرك مكافئ مثل أن ويرن. وكانت استراتيجيتي موثوقة في معظم الأحيان في أسواق بطيئة ومتقلبة ولكنها تتجه. عندما كنت طويل النفط في عام 2008 على الطريق إلى أكثر من 140 $ / برميل، كان مبهجا. ومع ذلك، في الوقت نفسه، وأسرع ارتفع، وأكثر قلقا حصلت على النظر في مدى بعيدا توقف بلدي. أتذكر أنه يأمل أن تتعزز لإعطاء توقف بلدي بعض الوقت للحاق بها. كان لدي عنصر جني الأرباح، ولكن نظرا لحجم العقد الكبير في سوق العقود الآجلة، وكنت محدودة جدا في كم أنا يمكن أن تقلل من موقعي. بعد أن توقفت عن ذلك الموقف، وأنا على يقين من تنفيذ تغييرات على نظام بلدي التي تقاس ومراقبة المخاطر من خلال ضبط توقف بلدي عندما تجاوز خطر مستوى معين على المواقف الفردية. كريتد ويث ماركيتسكوب / ترادينغ ستاتيون إي. الأداء السابق ليس مؤشرا على النتائج المستقبلية. 2. اختيار السوق، الإطار الزمني وبناء محفظة. سيكون للإطار الزمني (m1، h1، إلخ) تأثير على الأسواق المحتملة للنظر في نظام التداول الخاص بك، منصة باكتستينغ، الموارد القائمة على السحابة المطلوبة، أبي المستخدمة، وإذا كانت هناك حاجة إلى خدمات التخصيص. وقد تتطلب المحفزات المستندة إلى أنظمة التردد العالي أو التنفيذ على القضبان أو القضبان 1m حلا قائما على السحابة للسماح بزيادة حجم قدرة الحوسبة من أجل الاختبار المسبق والتحسين للحصول على أفضل النتائج. وتشمل بعض منصات التداول خوارزمية طرف ثالث هذا كجزء من مجموعتها. سوف قوة الحوسبة جنبا إلى جنب مع محرك باكتستينغ الأمثل للاستفادة من ذلك يوفر لك قدرا كبيرا من الوقت في عملية وضع استراتيجية لأي نظام التداول. أولئك الذين يدرسون استراتيجية عالية التردد سوف ترغب في النظر في نظام الإنتاج الذي هو كولوكاتد أقرب إلى خوادم الوسيط الخاص بك ممكن ومتكامل عبر فيكس أبي لضمان تلقي جميع التحديثات السعر كما يتم دفع جميع الاقتباسات بدلا من سحب كما في التداول محطة أو فوركسكونكت أبي. عند الحصول على ملء بالسعر الذي تريده أو أفضل الأمور الكثير لربحيتك، وضمان الكمون قليلا في الهندسة المعمارية الخاصة بك، ورمز، وموقع الخادم ممكن تعطيك أفضل فرصة للحصول على قدر من السيولة في الوقت المحدد الذي تحتاجه ذلك. يقدم الشركاء فس فسكوم خدمات التخصيص لأي حاجة: بعض السماسرة تقدم عمولات مخفضة لكبار التجار. إذا استراتيجيتكم يولد أكثر من 50 مليون حجم افتراضيا في الشهر في حجم التداول أو أن تبدأ مع رأس المال المخاطر 150K $، يمكنك الحصول على عمولات مخفضة من 25-55٪ مع حساب فكسم التاجر النشط على سبيل المثال. فهم خصائص السيولة الكامنة في كل سوق كما يتيح لك معرفة كيفية تحجيم استراتيجية الخاص بك هو. السيولة بالسعر الذي تريده ليست موردا غير محدود ويمكن أن تختلف قليلا اعتمادا على السوق، والوقت من اليوم والظروف. لدينا سمات دليل التجار ناجحة لديه بعض البيانات الكبيرة المتعلقة بهذا. أنظمة التردد المنخفض عادة ما تعطي هامش أكبر للخطأ عندما يتعلق الأمر بتقديرات الانزلاق. ويعني العدد الأدنى من إجمالي الصفقات في الاختبارات الخلفية أن المحاسبة عن الانزلاق في التنفيذ تؤثر على الربحية الإجمالية أقل من استراتيجيات تردد أعلى بكثير. إذا كانت إستراتيجيتك تستخدم أوامر إيقاف الاستراحة استنادا إلى قنوات سعرية أو نوع من المؤشرات المتخلفة لإصدار أمر، فإن تقليل وقت الاستجابة المحتمل لن يكون له تأثير كبير إلا في حالات معينة معينة في الإستراتيجية. السرعة لم تتحسن يملأ تحصل على أي توقف أو حدود التي كانت تجلس على خوادم السماسرة. يمكن أن يكون للأسواق الفردية اختلافات واسعة في الأداء. قد تكون بعض النطاقات ملزمة لفترات طويلة في حين أن البعض الآخر يمر على المسيل للدموع. وبسبب هذا، فإن عددا صغيرا من األسواق في محفظتك يمكن أن يؤدي إلى عوائد أكثر تقلبا من محفظة أكبر ومتنوعة من األسواق واالستراتيجيات. ثم هناك بعض الأسواق التي قد تضيف فوائد التنويع لمحفظتك مثل أوسد / زار باستخدام استراتيجية تردد أقل بكثير، ولكن قد لا تكون مربحة عند استخدام الأطر الزمنية القصيرة، اعتمادا على الاستراتيجية الخاصة بك. 3. الاستفادة من أنواع الطلب المتقدم. وهناك عدد كبير من التجار يستخدمون فقط أوامر السوق للحصول على الدخول والخروج من صفقاتهم. في ظروف السوق النموذجية، فإن معظم سيكون سعيدا مع يملأ أنها تتلقاها. ومع ذلك، في الأسواق السريعة حيث هناك الكثير من عدم اليقين، ومقدمي السيولة تميل إلى إرسال ونقلت أوسع لحماية أنفسهم والأسعار يمكن أن تتحرك بسرعة كبيرة. يمكن أن تكون الاستراتيجيات القائمة على الاختراق والزخم عرضة للانزلاق إذا تم تشغيل الصفقات عند مستويات المقاومة قد تم إخراجها وتدفق النظام ثقيل في اتجاه واحد. فقط استخدام أوامر وقف لدخول الصفقات ضمان التنفيذ، ولكن يترك خطر الانزلاق الخاص بك مفتوحة على مصراعيها. يمكن استخدام أوامر دخول النطاق لدخول التجارة ضمن نطاق مقبول، ولكن رفض الطلبات حيث يعتبر الانزلاق غير مقبول. قد تواجه بعض الاستراتيجيات الانزلاق الصفر أو حتى الانزلاق الإيجابي إذا تم استخدام أوامر الحد أو ملء أو قتل أوامر. مثال على ذلك قد يكون معدل تكرار عالية التردد أو استراتيجية تستند إلى الحدث. وقد یفترض إجراء الاختبار الأولي 100٪ إعدام علی کل صفقة، ولکن الواقع قد یکون مختلفا في الأسواق السریعة. خلاصة القول: فهم ما هي أنواع النظام المتاحة لك وكيف يمكن أن تساعدك على الحصول على التنفيذ المتفوق. أمثلة أنواع الأوامر. مثال أوامر التداول. 4. موقف التحجيم. هناك طريقتان شائعتان لحجم المواقف: ثابت حجم الصفقة على أساس ثابت: تداول نفس حجم اللوت بغض النظر عن الزوج التحوط الموقف القائم على المخاطر: يتم احتساب المخاطر لكل التجارة على أساس وضع وقف الخسارة. ثابت موقف الكثير التحجيم. هذا النهج مشهور لدى العديد من التجار، ولكن القيود في هذا النهج يمكن أن تؤدي إلى زيادة الوزن في الأسواق الأكثر تقلبا ونقص الوزن في الأسواق الأقل تقلبا. ويمكن أن تؤدي الاختلافات في أسعار الصرف إلى اختلافات كبيرة في حجم التجارة الافتراضية. الموقف القائم على المخاطر التحجيم. العديد من الأنظمة الآلية التي أرى اليوم لديها مبلغ وقف الخسارة الثابتة في نقاط لكل موقف. أنا لست من محبي هذا النهج كما أعتقد أنه يمكن أن يؤدي إلى وضع توقف قريبة جدا في الأسواق المتقلبة وبعيدة جدا في الأسواق الهادئة. المخاطر في التجارة هي أيضا في جميع أنحاء الخريطة مع هذا النهج. يعتبر تحديد حجم المخاطر استنادا إلى المخاطر المخاطر لكل صفقة حيث تكون المخاطرة مساوية لسعر الدخول ناقصا التوقف المبدئي. وسيعمل النهج المتطور على تحديد متوسط ​​الأسعار الفريدة والحديثة في كل سوق لتحديد تحديد موضع التوقف. طريقة واحدة للقيام بذلك هي لحساب متوسط ​​المدى الحقيقي لفترات X الماضية ووضع المحطة الأولية متعددة من هذا العدد بعيدا عن الإدخال. وستعمل هذه الطريقة على تحقيق التوازن الديناميكي بين المخاطر التي تواجهها في كل سوق تتداول فيه استنادا إلى التقلبات الفريدة لكل سوق. هنا حساب لتقلب الموقف استنادا التحجيم: (إجمالي حقوق الملكية * المخاطر لكل صفقة تجارية) / (فترة X أتر بالنقاط * إزاحة أتر * قيمة النقطة لكل 1K لوت)) = حجم التداول في 1K الكثير. إجمالي حقوق الملكية = 100 ألف دولار أمريكي. المخاطر لكل تجارة = 1٪ X فترة أتر بنقاط = 50. قيمة النقطة لكل 1K لوت = $ 0.10. 133.333 = حجم الصفقة في 1K الكثير (جولة إلى 133 لتقديم 133K ور / أوسد التجارة) وفي األسواق المتقلبة، قد ينخفض ​​متوسط ​​أسعار األسعار لكل شريط، بغض النظر عن اإلطار الزمني، بشكل كبير في أوقات عدم اليقين ويؤدي إلى أسواق سريعة الحركة وكثير من الضوضاء غير المتجهة، مما يؤدي إلى هز العديد من التجار. ومع ذلك، إذا كنت تستخدم أتر (متوسط ​​المدى الحقيقي) الأخيرة لكل سوق والاستفادة من عدة من ذلك لتحديد سعر وقف الخاص بك، وأعتقد أنك أعطي إعطاء التجارة فرصة أفضل للنجاح عن طريق تصفية الضوضاء على المدى القصير ( التقلب). وعلى الجانب الآخر، تأتي صفقاتي التجارية المفضلة دائما في أسواق هادئة، مع نطاقات تداول ضيقة. استخدام أتر الأخيرة لحجم المواقف الخاصة بك يؤدي إلى توقف أكثر حجما وأكبر حجم الموقف في الأسواق مع انخفاض الأسعار النسبية. هذا الأسلوب أيضا يمنحك الاستفادة من وجود موقف ثابت التحجيم الموقف في كل سوق كنت التجارة، مما يؤدي إلى محفظة أكثر توازنا وتنوعا. إذا لم تكن متقلبة في كل تقلب في السوق لتحديد حجم الموضع، فقد يكون التقلب من أحد المواقف أكبر من صفقاتك الأخرى عدة مرات. لا تأخذ كلمتي لذلك، باكتست ودراسة النتائج عن كثب. تذكر رغم ذلك، باكتستينغ له حدوده والأداء الماضي ليس مؤشرا على النتائج في المستقبل. أول شيء تحتاجه هو البيانات. وأعتقد أنه من المهم لاختبار ما كنت التجارة والتجارة ما اختبار. ويعني الطابع اللامركزي لسوق العملات الأجنبية أن كل وسيط من المرجح أن يكون له تاريخ تاريخي مختلف وينتشر. فكسم تقدم بيانات تاريخية واسعة لجميع الصكوك مجانا عبر موقعنا أبي فوركسكونكت أو من خلال التطبيق التاريخي تنزيل البيانات. سوف بعض منصات التداول خوارزمية طرف ثالث توفر الوصول إلى البيانات التاريخية فكسم أيضا، ولكن قد لا يكون لدينا مجموعة كاملة من البيانات. إذا كنت تستخدم أحد هذه العناصر وتريد المزيد من البيانات لإجراء اختبار احتياطي، فيمكنك إضافة ملفات البيانات بهذه الخيارات. إنه شيء واحد لديك فكرة عظيمة لاستراتيجية التداول ومن ثم الحصول عليها مشفرة للتداول المباشر، ولكن إذا كنت مجرد القفز إلى التداول المباشر أو استخدام باكتستس غير واقعية، وكنت من المرجح أن يكون وقتا صعبا التعامل مع الأول الخاص بك تقليص القوات. إذا لم تكن نتائجك السابقة واقعية أو استخدمت افتراضات خاطئة مثل افتراض التنفيذ الأمثل لكل عملية تداول، فقد تجد أن نتائجك المباشرة تختلف كثيرا عن نتائج الاختبارات السابقة. محرك باكتستينغ مصممة بشكل ممتاز يمكن أن تساعدك على اكتشاف ما يعمل وماذا لا قبل وضع أي أموال على الخط، على الرغم من أن الأداء الماضي ليس مؤشرا على الأداء في المستقبل. يجب أن تكون قادرا على استكشاف الاختلافات المختلفة للمعلمات وفحص إحصاءات الأداء، ومشاهدة نتائج الأداء المرئي، ومشاهدة التجارة حسب الأداء التجاري على الرسم البياني. سوف منصات باكتستينغ الأكثر تطورا لديها القدرة على فحص وتحسين النتائج عبر العديد من الأسواق في نفس الوقت. في رأيي، وهذا مهم جدا في اكتشاف الاستراتيجيات التي تناسب العديد من الأسواق المختلفة، حيث يتم إدارة المخاطر لحافظة كاملة من المناصب. إذا لم تتمكن من تحسين إستراتيجية التداول الخاصة بك، فإن الاحتمالات هي أنك ستحصل على إستراتيجية لن تكون جيدة بقدر ما يمكن. على الجانب الآخر، إذا كنت الإفراط في تحسين، هل يمكن أن ينتهي مع استراتيجية التي تؤدي بشكل جيد فقط على البيانات التاريخية. ما هو المفتاح هو إيجاد توازن بين هذه العناصر. أكبر خطر كنت سوف تواجه عند تحسين الاستراتيجية الخاصة بك مع باكتستينغ هو منحنى المناسب. أنا & [رسقوو]؛ م حذرا دائما من الأنظمة التي تم الأمثل مع العديد من المتغيرات المختلفة أو فقط الأمثل في سوق واحدة. طريقة أخرى، تريد الحد من درجات الحرية للنظام الخاص بك. والمزيد من المعلمات نظام التداول الخاص بك، يصبح من السهل جدا لتحسين تماما المعلمات على التاريخ الماضي السعر مع نتائج مذهلة من المرجح أن مجرد ضجيج وليس نمط قابل للتكرار. يمكن أن يؤدي اختبار استراتيجيتك في سوق واحدة فقط إلى التأثير نفسه. منذ كنت محاكاة النتائج فقط على تيار سعر واحد، وسوف يكون من السهل جدا لتجاوز المعلمات الخاصة بك إلى البيانات الماضية مع نتائج باكتستد لا يصدق، ولكن أهمية إحصائية قليلا. في تجربتي وبحوث العديد من التجار الناجحين النظم، وكثير استخدام أنظمة بسيطة جدا مع عدد قليل من المعلمات لتجنب هذا الخطر. إن الحفاظ على منطقتك الإستراتيجية البسيطة سيساعدك أيضا على تقليل وقت الاستجابة الكلي عند اتخاذ قرارات التداول. إذا كان النظام الخاص بك فقط لمعالجة 6 نقاط التفتيش بدلا من 10 على سبيل المثال، ثم سوف تعزز احصائيات التنفيذ الخاص بك إذا كنت تتداول استراتيجية نشطة جدا. 7. تحمل المخاطر. كل شخص لديه مجموعة فريدة من الظروف والتخلص منها: سنهم ودخلهم ونفقاتهم ورأس المال المخاطر، والرغبة في المخاطرة العامة، وما إذا كانوا متفائلين أو متشائمين بشكل عام. ونتيجة لذلك، يجب على كل شخص تحديد نوع المخاطر التي يمكن التعامل معها. إذا كان لديك القليل من رأس المال المخاطر، قد يكون أفضل نهج لعدم التداول على الإطلاق ومواصلة توفير المال. معظم التجار ألغو متفائلون ويعتقدون أنها يمكن أن تحقق نتائج أفضل من جو المتوسط ​​الخاص بك. وهذا يمكن أن يؤدي إلى العديد من الخطط التجارية جريئة مع ارتفاع المخاطر التي قد تمحى بسرعة كبيرة بسبب الخسائر أو من قبل التجار الوصول إلى نقطة عمه النفسية في احتمال حدوث مزيد من الخسائر. أستطيع أن أؤكد لكم أنه من الصعب أن تكون متفائلا كما كنت في بداية التداول عندما كنت 'يجلس في منتصف سحب كبير. انها مثل عندما أنا [[رسقوو]؛ م جائع حقا وتناول الطعام في الخارج. أنا عادة النظام طريقة أكثر من الغذاء يمكنني التعامل معها. ومع ذلك، أنا لا أدرك هذا حتى أنا & [رسقوو]؛ م محشوة وأنا & [رسقوو]؛ حصلت 1 أو 2 أكثر التاكو الجلوس على لوحة بلدي. في تجربتي، وهذا يشبه تنفيذ أول استراتيجية الآلي الخاص بك. استراتيجية تجعل 20٪ في السنة عندما باكتستينغ لطيف، ولكن الرجل، 40٪ في السنة سيكون أفضل بكثير وكل ما علي القيام به هو أن تكون على استعداد لقبول سحب أكبر! قبل أن أبدأ صندوقي، أتذكر دراسة نتائج أداء العديد من المستشارين تجارة السلع المنهجية، والتي هي نفا تنظم مديري الأموال. العديد من كتا التي كانت موجودة منذ فترة طويلة كان كبيرا حقا، ولكن أداء متقلب في السنوات القليلة الأولى ولكن بعد ذلك أصبح أكثر تحفظا بكثير. إذهب واستنتج. انها رأيي أن التسامح المخاطر الحقيقية الخاصة بك هو المرجح أقل مما كنت أعتقد أنه هو. ألا ننسى أبدا أن البقاء على قيد الحياة والحفاظ على رأس المال هو الشيء الأكثر أهمية للنظر، وليس كم كنت يمكن أن تجعل في كل عام على أساس باكتيستس الخاص بك. عند تشغيل الاستراتيجية الخاصة بك العيش، نتوقع أن تجربة كاملة الطيف الكامل من العواطف. ومع ذلك، أعتقد أنه من المهم أن لا تتخذ قرارات التسرع استنادا إلى مشاعرك عن طريق السماح للخوف أو الأمل يؤدي إلى خطر مفرط أخذ أو محاولة تخريب الاستراتيجية الخاصة بك وجعل الصفقات على المشاعر لديك. يمكن أن تؤدي المشاعر القوية من الخوف أو الجشع إلى اتخاذ قرارات سيئة عند تداول الأنظمة. أجهزة الكمبيوتر لا يجب التعامل مع هذا، وبالتالي فإن أفضل استراتيجية للتعامل مع هذا في رأيي هو العثور على نظام تجاري قوي، والتمسك به، والاستفادة من عملية البحث قبل إجراء أية تغييرات. يمكن أن تساعدك مشاعرك على تحديد نقاط الضعف والفرص المحتملة في نظام التداول الخاص بك. إذا كان تقلب أداء التداول الخاص بك هو ترك خوفك في كل وقت، والحد من المخاطر الخاصة بك. ربما ترى حركة كنت نأسف في عداد المفقودين. الاستماع إلى هذا الأسف والاستفادة من باكتيستس لاستكشاف طرق لتعديل النظام الخاص بك لضمان أنك لا تفوت هذا النوع من الفرص في المستقبل. عندما أعطيت الكثير من الأرباح على تجارة النفط بلدي، وكنت مشمئزاز جدا. وأدى ذلك إلى إجراء تعديلات على نظام التداول الذي أدى إلى تحسين إدارة المخاطر بشكل عام على مخاطر التجارة المفتوحة الفردية. ضع كل شيء معا. وفيما يلي بعض المعلمات التي يجب مراعاتها عند تصميم إستراتيجية خوارزمية اتجاهية: مخاطر الدخول في التجارة. # من أتر نظرة إلى الوراء فترات # أتر متعددة (مضاعفة هذه الأوقات # من أتر نظرة إلى الوراء فترات لوقف التنسيب) فلتر التجارة (إن وجد) أدخل الصفقات الجديدة فقط عند استيفاء الشرط التالي (بمعنى أن الاتجاه صاعد بناء على المتوسطات المتحركة المزدوجة) إدراج معلمات للمؤشر الفني المفضل لديك إضافة أي منطق آخر للتحجيم داخل / خارج الصفقات (وقف زائدة، أخذ الأرباح في X أتر، وما إلى ذلك) الحد الأقصى لمخاطر التجارة الفردية. الحد األقصى لمخاطر التجارة الفردية = X٪) النظر في قمم األسهم أو تقليل األسعار الحد الأقصى لمخاطر المحفظة. الحد األقصى لمخاطر الحافظة =٪٪) أنظر إلى أعلى القيم أو المخاطر المعلمات الهامة الأخرى لل باكتستينغ: ويمكن حساب ذلك من حيث النقاط أو من حيث النسبة المئوية من سعر التعبئة الخاص بك إلى أدنى / أعلى سعر في شريط تم شغل التجارة على. ما هو رأيك ضروري لتطوير وإدارة استراتيجية ألغو؟ الأسئلة والتعليقات وردود الفعل هي موضع ترحيب. إسقاط لي خط في إنستروكوردايليفس. للانضمام إلى قائمة التوزيع، يرجى ملء هذا النموذج. نتائج الأداء البدني لديها العديد من القيود التي لا تزال موجودة، وبعضها موضح أدناه. لا يتم تمثيل أي إنغ أن أي حساب سوف أو من المرجح أن يحقق الأرباح أو الخسائر مماثلة لتلك التي تظهر. في الواقع، هناك فروق شاسعة بين نتائج الأداء الظاهري والنتائج الفعلية التي تحققت لاحقا من قبل أي برنامج تجاري معين. واحدة من حدود نتائج الأداء البدني هي أنها تم إعدادها بشكل عام مع الاستفادة من الألفة. في أدي-تيون، التداول البدني لا ينطوي على المخاطر المالية، وليس سجل التداول الظاهري يمكن أن يكون حسابا كاملا من إم-باكت من المخاطر المالية في التداول الفعلي. على سبيل المثال، القدرة على تحمل الخسائر أو في وجود برنامج تجاري معين على الرغم من الخسائر التجارية هي النقاط المادية التي يمكن أيضا أن تؤثر بشكل مباشر على نتائج التداول الفعلية. هناك عوامل أخرى ذات صلة بالأسواق بشكل عام أو إلى التنفيذ. من أي برنامج تجاري محدد لا يمكن محاسبته بشكل كامل في إعداد نتائج الأداء البدني وكل ذلك يمكن أن يؤثر تأثيرا سلبيا على نتائج التداول الفعلية. يتم تقديم أي آراء أو أخبار أو أبحاث أو تحليلات أو أسعار أو معلومات أخرى تحتوي على هذا الموقع كتعليق عام للسوق، ولا تشكل نصيحة استثمارية. لن تتحمل مجموعة فكسم المسؤولية عن أي خسارة أو ضرر، بما في ذلك على سبيل المثال لا الحصر، أي خسارة في الأرباح، والتي قد تنشأ بشكل مباشر أو غير مباشر من استخدام أو الاعتماد الوارد في أرقام التداول، أو في أي تحليل مصاحب للمخططات. يوفر ديليفكس الأخبار الفوركس والتحليل الفني على الاتجاهات التي تؤثر على أسواق العملات العالمية. الأحداث القادمة. التقويم الاقتصادي الفوركس. الأداء السابق ليس مؤشرا على النتائج المستقبلية. ديليفكس هو موقع الأخبار والتعليم من إيغ المجموعة. عملية تدريجية لتطوير استراتيجية تجارة مربحة باستمرار. استراتيجية التداول الحالية تهب. حان الوقت للبحث عن واحدة جديدة. هذا ما يعتقده الكثير من التجار عندما لا يشاهدون نتائج مربحة باستمرار. ما ربما لا تدرك هو أن لديك كل الأدوات؛ انها مجرد مسألة صقل. في هذه المقالة سوف أطلعكم على نهج خطوة بخطوة لخلق وضبط استراتيجية التداول المخصصة تناسب شخصيتك. إذا كنت قد وضعت خطة أو تعمل حاليا على واحد، وهذه العملية يمكن أن تساعدك على كشف المناطق المحددة التي تحتاج إلى ضبط دقيق. هيا بنا نبدأ! قطعة من خطة التداول الرابحة. يجب أن تتناسب استراتيجية التداول الخاصة بك مع خطة التداول الخاصة بك مثل البيسبول يناسب في قفاز الماسك، بشكل مريح. قد تتساءل ما هو الفرق بين خطة التداول واستراتيجية التداول في المقام الأول. خطة التداول الخاصة بك هي خطة عملك واستراتيجية التداول الخاصة بك هي جزء من خطة التداول الخاصة بك. أنا تقسيم خطة التداول إلى جزأين. القسم 1: إيدولوجيا السوق. يجب أن تكون ضمن هذه الخطة أهدافك المحددة، وربما اقتباس محفز الذي يعمل كمصدر إلهام الخاص بك، والإيديولوجية الخاصة بك نحو الأسواق. هذا القسم من خطتك مهم لأنه يعطي الاتجاه الخاص بك والتوجيه، وهو أمر مفيد بشكل خاص من خلال الأوقات الصعبة (كما سيكون هناك بعض). القسم 2: استراتيجية التداول. هذا هو القسم الذي سنعالجه اليوم. إذا لم تكن قد أكملت القسم 1 يمكنك أن تقرأ عن تطوير أهداف التداول وأهميتها في بلدي الشروع في العمل. يجب أن تكون استراتيجية التداول الفائزة مفصلة بشكل لا يصدق. ولا بد من التفكير في كل نتيجة محتملة واستخلاصها من أجل تحقيق النجاح. في كثير من الأحيان، مرة واحدة تاجر يضع التجارة خطتهم والموضوعية الخروج من النافذة. كما يقول المثل، حظا تفضل أعدت. حتى تأخذ من الوقت لتطوير الاستراتيجية الخاصة بك قبل اتخاذ تلك التجارة الحية الأولى. مخطط لاستراتيجية التداول الرابحة. قد تحتوي خطة التداول على استراتيجيات متعددة، ولكن أوصي أولا من خلال الذهاب إلى عملية تطوير كامل وضبط استراتيجية واحدة قبل الانتقال إلى ثانية. مرة واحدة لديك استراتيجية الأولى إلى النقطة حيث يمكنك تصور الاجهزة في نومك وأدخل الصفقات الخاصة بك دون تردد كنت على استعداد لبناء استراتيجيات إضافية. تعيين حدود المخاطر الخاصة بك في الوقت الذي فتح حساب التداول الخاص بك: ماكس الخسارة اليومية: كم كنت على استعداد لانقاص في يوم واحد قبل أن تتوقف عن التداول؟ (قاعدة الإبهام: لا يزيد عن 5٪ من رأس مال التداول الخاص بك) ماكس ماكس بير تريد: إلى أي مدى تشعرون بالراحة في المخاطرة في كل صفقة تجارية؟ (قاعدة الإبهام: 1٪ من إجمالي رأس مال التداول) تحديد الأسواق وأوقات اليوم الذي سوف تتداول فيه: اختيار السوق: ما هي السوق والمركبات التجارية يناسب أهدافك وشخصيته؟ في حين أن هناك دائما سوق مفتوحة في مكان ما، يركز أفضل التجار على عدد قليل من الأوقات المحددة ومحددة لتداولها. هناك مركبات أخرى هناك إلى جانب الأسهم المشتركة، خيارات، العقود الآجلة، وفوركس. ما يعمل للتاجر واحد قد لا تعمل بالنسبة لك، والعكس بالعكس. اختيار الوقت: ماذا يسمح الجدول الزمني الخاص بك لوقت التداول؟ دمج التداول في الجدول الزمني المحموم بالفعل ربما يعني دمج العمل والأسرة والترفيه. عند البدء لأول مرة أوصي التمسك الإطار الزمني أكبر من الرسم البياني اليومي بدلا من القفز إلى التداول اليوم. وذلك لأن التحركات تستغرق وقتا أطول لتطوير. يمكنك بناء استراتيجية وصبرك في نفس الوقت. تذكر أن السرعة لا تعني بالضرورة المزيد من الأرباح. في معظم الحالات انها الأطر الزمنية الأكبر التي تدفع أكبر المكافآت. منهجية الخاص بك هو مجرد قطعة صغيرة من نظام التداول الفوز. نتائج النجاح من التنفيذ المثالي. عند البحث من خلال مؤشرات مختلفة، ودراسات التحليل الفني ومعايير التحليل الأساسية تذكر K.I.S.S & # 8211؛ أبق الأمور بسيطة يا غبي. اختيار مؤشر: تبدأ بالسعر والحجم. فتح منصة التداول الخاصة بك وإزالة كافة المؤشرات من الشاشة. في الواقع، إزالة كل شيء باستثناء شمعدان أو الرسم البياني الشريطي للسوق الذي كنت قد اخترت للتجارة. مشاهدة حركة السعر ودراسة أنماط حجم لمدة أسبوعين. طباعة الرسوم البيانية اليومية وتحديد نقاط انعطاف. وهذا هو، نقطة عندما يبدأ السوق تتحرك. العودة والبحث عن الاتجاهات في حجم وشمعدانات مماثلة أو تشكيلات شريط التي تحدث مرارا وتكرارا. مرة واحدة كنت قد حددت عددا من أنماط مماثلة يمكنك ثم إدخال ومؤشر للمساعدة في تصفية التحركات الكاذبة والمساعدة في تحديد أفضل الإدخالات. فيبوناتشي التصحيحات، والسوق الداخلية، وشمعدان الرسوم البيانية هي الأدوات الثلاثة التي تشكل أساس المنهجية الخاصة بي. تطوير هيكل قواعد التداول. في ما يلي بعض الأمثلة على قواعد التداول العامة التي أستخدمها: 1. خطة التجارة الخاصة بك والتجارة خطتك. 2. إبقاء الأمور بسيطة. 3. فقط مكان الصفقات عندما كنت في حالة هادئة، بارد، وجمعها. لا تتاجر إن لم يكن في هذه الحالة الذهنية. 4. كن انتقائية مع الصفقات الخاصة بك! 5. لا مطاردة الصفقات. 6. لا تشتري قمم، لا تبيع أدنى مستوياتها. 7. لا تدع الفائز الكبير تتحول إلى خاسر. 8. إذا كان السوق لا يعمل كما كان متوقعا في البداية، والخروج. 9. لا تضيف أبدا إلى موقف خاسر. 10. فهم علم النفس من السلوك البشري هو أكثر أهمية من فهم الاقتصاد. 11. أنت وحدك تكون مسؤولة عن كل التجارة. 12. الموقف يؤثر السلوك حتى تبقى موقفا ايجابيا. 13. اعتنق الآراء بشكل فضفاض. 14. لا تسكن على الصفقات الماضية. 15 - كن مستعدا للتكيف مع تغير ظروف السوق. إنشاء حجم الموقف الخاص بك. إذا كانت أسواق عقود التداول مثل الخيارات والعقود الآجلة، تبدأ بعقد واحد. ومع ذلك، بمجرد أن تتطور يشعر للأسواق سيكون أكثر فائدة للانتقال إلى اثنين. هذا لأن لديك الآن القدرة على توسيع نطاق والتي يمكن أن تحسن بشكل كبير العائد الخاص بك. إذا تداول الأسهم، استخدم المعادلة التالية لتحديد عدد الأسهم لشراء. الأسهم موقف حساب: $ خطر لكل التجارة / $ وقف. على سبيل المثال إذا تم تعيين المخاطر الخاصة بك في التجارة إلى 100 $، وكنت تخطط لوضع 5 $ وقف على التجارة يسمح لك لشراء 20 سهم ($ 100 / $ 5 = 20). الأشياء التي يجب أن تحسب قبل وضع كل التجارة: الأيدي أسفل هذا هو أهم جزء من الاستراتيجية الخاصة بك، وتحديد الدخول الخاص بك، ووقف، والهدف قبل وضع التجارة سوف تبقى لكم موضوعي والتفكير بوضوح كما تبدأ التجارة تتكشف. الحسابات لمساعدة غرامة لحن استراتيجية التداول الخاصة بك. مرة واحدة كنت قد وضعت بعض الصفقات مع الاستراتيجية الخاصة بك يمكنك البدء في تحليل البيانات. حساب تجارة الورق هو وسيلة رائعة لقرص وضبط، ولكن التحول إلى حساب التداول الحية سوف تغيير النتائج الخاصة بك (وهذا يمكن أن يكون جيدا أو سيئا). كلما زاد عدد البيانات كلما كان ذلك أفضل، كقاعدة من مكان الإبهام لا يقل عن 100 صفقة مع الإعداد المحدد الخاص بك قبل تحليل البيانات. استخدم هذه الحسابات للمساعدة في تحليل بياناتك: الفوز والخسارة٪: عدد الفائزين / المجموع # من الصفقات. فقدان٪ = 100 & # 8211؛ الفوز٪ متوسط W / L $ المبلغ: مجموع الصفقات المربحة / المجموع # من الصفقات الرابحة. مجموع الخسائر الصفقات / المجموع # من الخسائر الصفقات. متوسط W / L عقد الوقت: متى يمكنك البقاء في الفائز مقابل الخاسر، والعثور على بقعة حلوة. نسبة المكافأة / المخاطر: متوسط. W / متوسط L. (كم من الفائزين يضربون الخاسرين) التوقع: [(W٪ x المتوسط ​​W) - (L٪ x متوسط ​​L)] - عمولة الدوران. (متوسط ​​المبلغ الذي يمكن أن تتوقعه للفوز (أو فضفاض) في التجارة. تتبع الخسارة الربح، والعمولة، الفائزين اليومية والخاسرين، والأرباح الأسبوعية، والإعدادات التجارية الفردية. وهذا سوف تساعدك على اكتشاف الاتجاهات في التداول الخاص بك وتهذيب أكثر من ذلك. في منصبي أفكار لبناء مجلة التداول الشخصية الخاصة بك أوضح بعض الطرق الأخرى لجعل هذه العملية أسهل. أدوات لضبط غرامة استراتيجية التداول الخاصة بك. ترادينغ جورنال سبريادشيتس - أفضل جداول بيانات التداول حولها. ستوك تيكر - أداة عظيمة على شبكة الإنترنت لتحليل متعمق. فينفيز - بلدي فرز الأسهم المفضلة. جينغ - يجعل التقاط لقطات نسيم. لكي تصبح ناجحا يجب أن تركز على التداول بشكل فعال وليس على الربح / الخسارة. إجراء البحوث الخاصة بك، ومن ثم التصرف. استخدم هذا النهج خطوة بخطوة والأدوات أعلاه لتوجيه لكم في وضع استراتيجية التي هي مربحة باستمرار مع مرور الوقت. الاشتراك / الاتصال. الانضمام إلى النشرة وتلقي التحديثات مع الأخبار والتحليلات والأفكار التجارية. وسطاء متميزون. © 2017 ترادرس لوغ. ينطوي التداول على مخاطر كبيرة من الخسارة وغير مناسبة لجميع الأفراد. الأداء السابق لا يدل على النتائج المستقبلية. بناء استراتيجيات أفضل! الجزء الثالث: عملية التنمية. هذا هو الجزء الثالث من سلسلة بناء استراتيجيات أفضل. في الجزء السابق نحن & # 8217؛ ناقش 10 عدم الاستغلال الأكثر استغلالا في السوق وقدم بعض الأمثلة على استراتيجيات التداول الخاصة بهم. في هذا الجزء نحن & # 8217؛ ليرة لبنانية تحليل العملية العامة لتطوير نظام التداول القائم على نموذج. كل شيء تقريبا، يمكنك القيام استراتيجيات التداول في (على الأقل) طريقتين مختلفتين: هناك & # 8217؛ s الطريقة المثلى، وهناك & # 8217؛ s الطريقة الحقيقية. نبدأ مع عملية التنمية المثالية، مقسمة إلى 10 خطوات. نموذج التنمية الاستراتيجية القائمة على نموذج. الخطوة 1: النموذج. حدد أحد أوجه القصور المعروفة في السوق المدرجة في الجزء السابق، أو اكتشاف واحدة جديدة. هل يمكن مقلة العين من خلال منحنيات السعر والبحث عن شيء مشبوهة التي يمكن تفسيرها من قبل سلوك السوق معين. أو على العكس من ذلك، تنظر حول نمط السلوك وتحقق ما إذا كان يمكنك العثور عليه ينعكس في الأسعار. إذا كنت اكتشاف شيء جديد، ويشعر دعوة لنشره هنا! ولكن كن حذرا: نماذج من أوجه القصور غير الموجودة (مثل موجات إليوت) تفوق بالفعل أوجه القصور الحقيقية بمقدار كبير. ومن غير المرجح أن يظل عدم الكفاءة الحقيقي مجهولا حتى يومنا هذا. وبمجرد أن تقرر نموذجا، تحديد أي منحنى السعر منحنى أنها سوف تنتج، ووصف ذلك مع صيغة كمية أو على الأقل معايير نوعية. ستحتاج إلى الخطوة التالية. وكمثال على ذلك نحن & # 8217؛ استخدام نموذج دورات من الجزء السابق: (لا ينبغي الاستهانة بالدورات، إذ يشاع أن أحد أنجح الأموال في التاريخ & # 8211؛ جيم سيمونز & # 8217؛ صندوق النهضة ميدالية & # 8211؛ يستغل دورات في منحنيات الأسعار بتحليل أطوالها (C i)، مراحل (D i) والسعة (منظمة العفو الدولية) مع نموذج ماركوف المخفية دون & # 8217؛ ر تقلق، ونحن سوف تستخدم نهجا أبسط إلى حد ما في مثالنا.) الخطوة 2: البحث. معرفة ما إذا كان الشذوذ الافتراضي يظهر حقا في منحنيات سعر الأصول التي تريد التجارة. لهذا تحتاج أولا البيانات التاريخية كافية من الأصول المتداولة & # 8211؛ D1، M1، أو القراد البيانات، اعتمادا على الإطار الزمني من الشذوذ. إلى أي مدى يعود؟ بقدر الإمكان، حيث كنت ترغب في معرفة عمر الشذوذ الخاص وظروف السوق التي يظهر فيها. كتابة السيناريو للكشف وعرض الشذوذ في بيانات الأسعار. وبالنسبة لنموذج دوراتنا، سيكون هذا الطيف الترددي: ور / أوسد طيف الترددات، دورة السعة مقابل طول دورة في الحانات. تحقق من كيفية تغير الطيف على مدى أشهر وسنوات. مقارنة مع الطيف من البيانات العشوائية (مع زورو يمكنك استخدام وظيفة ديترند لمنحنيات الأسعار العشوائية). إذا لم تجد أي علامات واضحة على الشذوذ، أو لا فرق كبير للبيانات العشوائية، وتحسين طريقة الكشف الخاص بك. وإذا كنت لا تزال لا تنجح، فارجع إلى الخطوة 1. الخطوة 3: الخوارزمية. كتابة خوارزمية أن يولد إشارات التجارة للشراء في اتجاه الشذوذ. وعادة ما يكون عدم كفاءة السوق تأثيرا ضعيفا جدا على منحنى الأسعار. لذلك يجب أن تكون خوارزمية جيدة حقا في تمييزه عن الضوضاء العشوائية. وفي الوقت نفسه ينبغي أن تكون بسيطة قدر الإمكان، والاعتماد على عدد قليل من المعلمات الحرة ممكن. في مثالنا مع نموذج الدورات، السيناريو يعكس الموقف في كل وادي وذروة منحنى جيبية التي تمتد قبل الدورة المهيمنة: هذا هو جوهر النظام. الآن هو & # 8217؛ ق وقت أول باكتست. الأداء الدقيق لا يهم كثيرا في هذه المرحلة & # 8211؛ just determine whether the algorithm has an edge or not. Can it produce a series of profitable trades at least in certain market periods or situations? If not, improve the algorithm or write a another one that exploits the same anomaly with a different method. But do not yet use any stops, trailing, or other bells and whistles. They would only distort the result, and give you the illusion of profit where none is there. Your algorithm must be able to produce positive returns either with pure reversal, or at least with a timed exit. In this step you must also decide about the backtest data . You normally need M1 or tick data for a realistic test. Daily data won’t do. The data amount depends on the lifetime (determined in step 2) and the nature of the price anomaly. Naturally, the longer the period, the better the test – but more is not always better. Normally it makes no sense to go further back than 10 years, at least not when your system exploits some real market behavior. Markets change extremely in a decade. Outdated historical price data can produce very misleading results. Most systems that had an edge 15 years ago will fail miserably on today’s markets. But they can deceive you with a seemingly profitable backtest. Step 4: The filter. No market inefficiency exits all the time. Any market goes through periods of random behavior. It is essential for any system to have a filter mechanism that detects if the inefficiency is present or not. The filter is at least as important as the trade signal, if not more – but it’s often forgotten in trade systems. This is our example script with a filter: We apply a bandpass filter centered at the dominant cycle period to the price curve and measure its amplitude. If the amplitude is above a threshold, we conclude that the inefficiency is there, and we trade. The trade duration is now also restricted to a maximum of 10 cycles since we found in step 2 that dominant cycles appear and disappear in relatively short time. What can go wrong in this step is falling to the temptation to add a filter just because it improves the test result. Any filter must have a rational reason in the market behavior or in the used signal algorithm. If your algorithm only works by adding irrational filters: back to step 3. Step 5: Optimizing (but not too much!) All parameters of a system affect the result, but only a few directly determine entry and exit points of trades dependent on the price curve. These ‘adaptable’ parameters should be identified and optimized. In the above example, trade entry is determined by the phase of the forerunning sine curve and by the filter threshold, and trade exit is determined by the exit time. Other parameters – such as the filter constants of the DominantPhase and the BandPass functions – need not be adapted since their values do not depend on the market situation. Adaption is an optimizing procdure, and a big opportunity to fail without even noticing it. Often, genetic or brute force methods are applied for finding the “best” parameter combination at a profit peak in the parameter space. Many platforms even have “optimizers” for this purpose. Although this method indeed produces the best backtest result, it won’t help at all for the live performance of the system. In fact, a recent study (Wiecki et.al. 2016) showed that the better you optimize your parameters, the worse your system will fare in live trading! The reason of this paradoxical effect is that optimizing to maximum profit fits your system mostly to the noise in the historical price curve, since noise affects result peaks much more than market inefficiencies. Rather than generating top backtest results, correct optimizing has other purposes: It can determine the susceptibility of your system to its parameters. If the system is great with a certain parameter combination, but loses its edge when their values change a tiny bit: back to step 3. It can identify the parameter’s sweet spots . The sweet spot is the area of highest parameter robustness, i.e. where small parameter changes have little effect on the return. They are not the peaks, but the centers of broad hills in the parameter space. It can adapt the system to different assets, and enable it to trade a portfolio of assets with slightly different parameters. It can also extend the lifetime of the system by adapting it to the current market situation in regular time intervals, parallel to live trading. This is our example script with entry parameter optimization: The two optimize calls use a start value ( 1.0 in both cases) and a range ( 0.7..2.0 ) for determining the sweet spots of the two essential parameters of the system. You can identify the spots in the profit factor curves (red bars) of the two parameters that are generated by the optimization process: Sine phase in pi/4 units Amplitude threshold in pips. In this case the optimizer would select a parameter value of about 1.3 for the sine phase and about 1.0 (not the peak at 0.9) for the amplitude threshold for the current asset (EUR/USD). The exit time is not optimized in this step, as we’ll do that later together with the other exit parameters when risk management is implemented. Step 6: Out-of-sample analysis. Of course the parameter optimization improved the backtest performance of the strategy, since the system was now better adapted to the price curve. So the test result so far is worthless. For getting an idea of the real performance, we first need to split the data into in-sample and out-of-sample periods. The in-sample periods are used for training, the out-of-sample periods for testing. The best method for this is Walk Forward Analysis. It uses a rolling window into the historical data for separating test and training periods. Unfortunately, WFA adds two more parameters to the system: the training time and the test time of a WFA cycle. The test time should be long enough for trades to properly open and close, and small enough for the parameters to stay valid. The training time is more critical. Too short training will not get enough price data for effective optimization, training too long will also produce bad results since the market can already undergo changes during the training period. So the training time itself is a parameter that had to be optimized. A five cycles walk forward analysis (add “ NumWFOCycles = 5; ” to the above script) reduces the backtest performance from 100% annual return to a more realistic 60%. For preventing that WFA still produces too optimistic results just by a lucky selection of test and training periods, it makes also sense to perform WFA several times with slightly different starting points of the simulation. If the system has an edge, the results should be not too different. If they vary wildly: back to step 3. Step 7: Reality Check. Even though the test is now out-of-sample, the mere development process – selecting algorithms, assets, test periods and other ingredients by their performance – has added a lot of selection bias to the results. Are they caused by a real edge of the system, or just by biased development? Determining this with some certainty is the hardest part of strategy development. The best way to find out is White’s Reality Check. But it’s also the least practical because it requires strong discipline in parameter and algorithm selection. Other methods are not as good, but easier to apply: Montecarlo . Randomize the price curve by shuffling without replacement, then train and test again. Repeat this many times. Plot a distribution of the results (an example of this method can be found in chapter 6 of the Börsenhackerbuch). Randomizing removes all price anomalies, so you hope for significantly worse performance. But if the result from the real price curve lies not far east of the random distribution peak, it is probably also caused by randomness. That would mean: back to step 3. Step 8: Risk management. Your system has so far survived all tests. Now you can concentrate on reducing its risk and improving its performance. Do not touch anymore the entry algorithm and its parameters. You’re now optimizing the exit. Instead of the simple timed and reversal exits that we’ve used during the development phase, we can now apply various trailing stop mechanisms. على سبيل المثال: Instead of exiting after a certain time, raise the stop loss by a certain amount per hour. This has the same effect, but will close unprofitable trades sooner and profitable trades later. This is our example script with the initial timed exit replaced by a stop loss limit that rises at every bar: The for(open_trades) loop increases the stop level of all open trades by a fraction of the initial stop loss distance at the end of every bar. Of course you now have to optimize and run a walk forward analysis again with the exit parameters. If the performance didn’t improve, think about better exit methods. Step 9: Money management. Money management serves three purposes. First, reinvesting your profits. Second, distributing your capital among portfolio components. And third, quickly finding out if a trading book is useless. Open the “Money Management” chapter and read the author’s investment advice. If it’s “invest 1% of your capital per trade”, you know why he’s writing trading books. He probably has not yet earned any money with real trading. Suppose your trade volume at a given time t is V(t) . If your system is profitable, on average your capital C will rise proportionally to V with a growth factor c : When you follow trading book advices and always invest a fixed percentage p of your capital, so that V (t) = p C(t) , your capital will grow exponentially with exponent p c : Unfortunately your capital will also undergo random fluctuations, named Drawdowns . Drawdowns are proportial to the trade volume V(t) , and it can also be shown from statistical considerations that the maximum drawdown depth D max grows proportional to the square root of time t : So, with the fixed percentage investment: You can see that around the time T = 1/(q p) 2 a drawdown will eat up all your capital C(T) , no matter how profitable your strategy is and how you’ve choosen p ! That’s why the 1% rule is a bad advice. And why I suggest to clients not to raise the trade volume proportionally to their accumulated profit, but to its square root – at least when capital is mainly used for buffering drawdowns. Then, as long as the strategy does not deteriorate, they keep a safe distance from a margin call. Dependent on whether you trade a single asset and algorithm or a portfolio of both, you can calculate the optimal investment with several methods. There’s the OptimalF formula by Ralph Vince , the Kelly formula by Ed Thorp , or mean/variance optimization by Harry Markowitz . Usually you won’t hard code reinvesting in your strategy, but calculate the investment volume externally, since you might want to withdraw or deposit money from time to time. This requires the overall volume to be set up manually, not by an automated process. A formula for proper reinvesting and withdrawing can be found in the Zorro manual. Step 10: Preparation for live trading. You can now define the user interface of your trading system. Determine which parameters you want to change in real time, and which ones only at start of the system. Provide a method to control the trade volume, and a ‘Panic Button’ for locking profit or cashing out in case of bad news. Display all trading relevant parameters in real time. Add buttons for re-training the system, and provide a method for comparing live results with backtest results, such as the Cold Blood Index. Make sure that you can supervise the system from whereever you are, for instance through an online status page. Don’t be tempted to look onto it every five minutes. But you can make a mighty impression when you pull out your mobile phone on the summit of Mt. Ararat and explain to your fellow climbers: “Just checking my trades.” The real strategy development. So far the theory. All fine and dandy, but how do you really develop a trading system? Everyone knows that there’s a huge gap between theory and practice. This is the real development process as testified by many seasoned algo traders: Step 1. Visit trader forums and find the thread about the new indicator with the fabulous returns. Step 2. Get the indicator working with a test system after a long coding session. Ugh, the backtest result does not look this good. You must have made some coding mistake. Debug. Debug some more. Step 3. Still no good result, but you have more tricks up your sleeve. Add a trailing stop. The results now look already better. Run a week analysis. Tuesday is a particular bad day for this strategy? Add a filter that prevents trading on Tuesday. Add more filters that prevent trades between 10 and 12 am, and when the price is below $14.50, and at full moon except on Fridays. Wait a long time for the simulation to finish. Wow, finally the backtest is in the green! Step 4. Of course you’re not fooled by in-sample results. After optimizing all 23 parameters, run a walk forward analysis. Wait a long time for the simulation to finish. Ugh, the result does not look this good. Try different WFA cycles. Try different bar periods. Wait a long time for the simulation to finish. Finally, with a 19-minutes bar period and 31 cycles, you get a sensational backtest result! And this completely out of sample! Step 5. Trade the system live. Step 6. Ugh, the result does not look this good. Step 7. Wait a long time for your bank account to recover. Inbetween, write a trading book. I’ve added the example script to the 2016 script repository. In the next part of this series we’ll look into the data mining approach with machine learning systems. We will examine price pattern detection, regression, neural networks, deep learning, decision trees, and support vector machines. 34 thoughts on “Build Better Strategies! Part 3: The Development Process” I smell a book written by Italians…. Thanks for a great series of articles – I’m looking forward to testing out the concepts you’ve discussed. However, I failed at the first hurdle when I noticed my frequency spectrum over October 2015 didn’t match yours. Then I noticed the EURUSD spectrum says XAGUSD in the corner 🙂 Indeed, seems I’ve uploaded the wrong image. WOW, look forward to the upcoming articles. You do such a great job condensing a great deal of info into simple and easy to read articles. This is probably one of the best post and most important post I have read in the field. I have read some books about strategy development which are not as good as this post. You could write a book hehe … but I see you dont which means you win 🙂 These are great articles. شكرا لكم. I’m curios to understand beside these modeling strategies, are you aware of quantitative strategies that takes into consideration broader set of more diverse datasets, like looking at economic indicators or social sentiment and combining with historical prices of different assets categories. نعم فعلا. We did a couple model-based systems for clients that got additional information from the VIX or the COTR. I cannot say that using these datasets drastically improved profits, but in some cases they worked well for filters or for determining trend. Dear Jcl, thank you so much for this blog and for your efforts in the Zorro community. I am just approaching it, and it looks like this could be really the environment where > 10 years of “puzzled” research come together! This post is very fine, but I would ask you to go into some details about at least one point. You say: “The precise performance does not matter much at this point – just determine whether the algorithm has an edge or not”. How do you define and measure this edge? You might agree this is no trivial question, and you teach me how many ways there are to define and measure it (somebody suggesting to make it at the “signal” rather than “entry” level, see Peterson…). For instance, if you apply your very first script to EURUSD, 1H, from 2011 to 2015, you get in the performance result a 0.98 profit factor, and average yearly loss of 5%, a Sharpe of -0.16. How do you decide to go on with research? Which are the parameters that you suggest for the first backtests? Is there a parameter-less measure of the edge? Is a SAR “system” really the best set-up for measuring edge, or this comes for instance by the application of an indicator/signal/entry logic + a filter? These questions are where, due to the “combinatorial complexity” of possibilities (and theories around) I still start driving into the fog… شكرا جزيلا! هذا سؤال وجيه. You’ll normally write an algorithm step by step, from a first simple and raw version to the final version. At some point you have to decide whether to continue, or go back and try different ways. So you’re permanently backtesting variants. You will not necessarily get good total profits at first. But when the method has an edge, it should at least be profitable in certain market periods and situations. That’s the periods and situations that you then analyze in more detail, for finding out why your algorithm works there and not elsewhere, and how you could detect them or filter them out. There is no simple formula, every algorithm has a different approach. The same inefficiency can be exploited with thousands of different algorithms. Maybe 90% them do not work at all because they react to slow or are too sensitive to noise or for other reasons. You must always be prepared to abandon an algorithm when you can not find at least a temporary clear edge within a reasonable amount of time. Thank you Jcl, very useful. I am still puzzled, though. Surely your good systems could provide a benchmark for testing some of the measures around, like the e-ratio by C. Faith, or the “acrary edge test”, and perhaps still more (information gain and the like). I think that some statistic about “signals” (before going into rules, see again Peterson) could be very valuable, also when for instance looking into data mining for finding inefficiencies. Zorro seems the ideal environment for making such tests. And, perhaps you would agree, if we want to be strict and a bit “scientific”, we should try to avoid the use of “fat words” like “edge”, if we cannot measure it. But your “hacker” approach seems very sound and productive (more than analysis paralysis, which is often my problem, surely!). Really enjoyed this series of articles, thanks man! Just an FYI, for more complex parameter optimization problems I would consider multimodal global optimization algorithms over unimodal local optimization algorithms because of the characteristics of the fitness landscape and the presence non stationarity optima / regimes 🙂 This is a different philosophy of parameter optimization. Multimodal optimization finds a local maximum in an irregular fitness landscape, while unimodal optimization finds the global maximum in a rather regular landscape. Clearly, the former gets higher performance in backtests. But the question is if a system will be robust and profitable in real trading when it has an irregular fitness landscape and was optimized at a local peak. I think: no. But this would be indeed an interesting question to check out, and maybe the topic of a future study and blog post. jcl – First off, congrats on developing quality content! I am fortunate enough to have stumbled into this and it’s going to keep me busy for sometime. One question (among many others 🙂 I have. You say “But do not yet use any stops, trailing, or other bells and whistles. They would only distort the result..”. In my backtests of an intraday trading system, I am using fixed stop loss and profit target and is an outcome from every training interval. My assumption was, these tie into the ADR (daily range or volatility) of the recent market conditions and hence should be tuned. However, I would love to hear your inputs on this and if this creates more curve fitting risk that I don’t see. Thanks again for putting this altogether! Yes, you can and should absolutely use volatility dependent stops and tune them. But I suggest not to do that in the early stage when you just want to find out if your algorithm works at all. Tuning and complex exits just makes it more difficult to decide if there really is an “edge”, or “alpha”, or “truth”, or whatever you call it, to your entry algorithm. Do you have any news about the following (a dead link): a new article was posted on the Financial Hacker blog: بناء استراتيجيات أفضل! Part 4: Data Mining. In 1996, Deep Blue was the first computer to win the chess championship. It took 20 more years until the leading Go player Lee Sedol was defeated by a computer program, AlphaGo. كان الأزرق العميق نظاما يستند إلى نموذج مع قواعد الشطرنج هاردويريد. AlphaGo is a data-mining system, a deep … You received this e-mail because you asked to be notified when new articles are posted. شكرا & أمب؛ Best Regards! القراصنة المالية. Sorry for that – it was an glitch by hitting a wrong button. I had started the article, but then something came up and I had not yet the time to finish it. But I’ll do that soon. I did the Really-out-of-sample (ROOS) Test with 2015 historical data. My PF>1 and SR. <1 and it give 2000pips at the end of the year. However the equity curve is flat with R=0.00. I dont know if it make sense to go back to step 1 and try to improve R with risk control or if such a result is an indicator that my strategy has no edge from the beginning. I know it is dificult to say with just such info but I just wonder as a global question how bad or how go the ROOS has to be to keep using the strategy or to abandon it. Maybe the rule is that the strategy has to give the same results during 2015 as the backtest during the whole 2014? The R2 value is not really relevant here, since R2 is a long-term parameter that needs a longer equity curve than only one year. There are two other questions that a ROOS test can answer: Does the result look very different to the results from any year before? And would you have started trading this system in January when you knew the end result in December? Good to know that R2 isnt that important. 🙂 These are actually really good questions. Even Z12 taken a bad year can look not that good to go live with it. My DD, PF and MI and SR of the year in the ROOS are similar to the backtest result because there is also a flat period on the backtest too which produces similar DD. The question is if this flat period will keep on going and since I dont know yet how to filter it, it is like throwing a coin to go life. Could it be possible to use Cold Blood Index during the ROOS? Yes, the CBI works for the ROOS period just as for live trading. The long flat periods are due to the filter – it’s not optimal here. This is not a commercial quality system, it’s only for demonstration. شكرا على الاجابة. I have an extrange situation now tho. My strategy past the ROOS test for the assets I prepare in the training period but I do not have any parameters optimized because I want to control the number of pips on risk per trade. However if I apply WFO then it is a disaster ( or almost ). On one side it can be due to overfitting ofc but then I do not know how the strategy can pass ROSS. On the other side I noticed in the performance report a big unbalance between long and short trades after the WFO. It looks like the most stable PF is obtained for a parameter value which actually produces only trades in one direcction and at the end, the result isnt that good. Can detrend solve that problem? Should the training consider the PF stability of long and short trades? If I understood you right, your strategy passed the ROOS test with default parameters, but after optimizing with WFO it failed. The ROOS test must be done after WFO, not before. Otherwise it can be just a lucky selection of parameter default values. A long/short asymmetry after WFO is probably an artifact caused by a strong trend during the training periods. In that case you should indeed detrend the trade results in training. Yes thats correct. I did not do WFO or parameter optimization the first time and I prepared the strategy so but then I begun again with a WFO to compare the strategies and in that case I got such a bad result. It is good to know that ROOS has to be done after WFO and that WFO is mandatory. I detrended it and the problem was still there. It was indeed an artifact because I found out that the trades were placed in the wrong side for some of the assets due to a too big rollover so I probably updated the asset list on a wrong day. مقال جميل. Just beginning my algorithmic trading journey and I often refer back to this article when developing. You mention that “Your algorithm must be able to produce positive returns either with pure reversal, or at least with a timed exit.” It seems that the suggestion here is to leave the trade after a reversal is detected, or when, let’s say, n candles have passed since the entry of the trade. Is this not highly dependent on how you define 1) a reversal and 2) the size n? It seems that this too also introduces some selection bias into the initial steps of developing an algorithm. No, with “reversal” I mean a trade reversal, not a price reversal. The algorithm opens a short trade, and this closes a long position, or vice versa. Most algorithms are symmetric, so they can go long or short. Exceptions are long-only strategies for stocks or ETFs. They do not reverse, so you need some other means for closing a trade. In most cases the algorithm still produces a native close signal that is the opposite of the open signal. If not, you must use a timed exit. For determining n, you normally plot a price profile at trade entry. Zorro has a function for plotting such a profile. n is then a point after the price turns back. Jcl thanks for the prompt reply! It looks like a simple straight forward process. Find an indicator which gives a SR>1 on a test with a simple script in some assets and you are ready to go. The question could be: Is there a certain minimun amount of assets which have to give good results with the simple script in order to ensure that it has an edge or is it enough if just one/two/three assets produce good results? I said that the process looks simple because it gets kind of more complicate when more assets and algos has to be added. In the tutorial it is written that at least 10 algos and 10 assets have to be combined in order to create a robuts strategy. I struggle in this part because eventhough I can find some algos which behave ok with the reversal script, I am not sure what is the right way to proceed when it is time to combine them. Has this step-by-step framework protocol been empirically studied to determine its efficacy/reliability? How many systems generated and undergone such robustness tests using the whole procedure described above, have turned out to be profitable under live forward tests (and for how long)? Can we quantify all the results of the number of systems that failed these tests vs. the number of systems that have passed? Are there verified real accounts to provide evidence of efficacy for this particular framework? Has anybody attempted to compare this framework to Michael Harris’ [advertisement link removed] ? Please, advertise your software on your own website, not on my blog. شكرا لكم. & # 8211؛ Assuming the question was serious: This article is not about a new invented “framework” for trade systems, or something like that. I’m describing the standard process of building a software model. This works in a similar way with any predictive model, not necessarily for trading. Nice article, thanks JCL. Just one note on money management. According to Magdon-Ismail scaling of the expected MDD with T undergoes a phase transition from T to √T to log T as µ changes from negative to zero to positive. A drawdown will eat up all your capital C(T) at some time, but it’ll take more time. For example for a system with Kelly 12.5 it won’t take 40 years (for √T scaling) but something like 1 million years (for log T scaling). This is correct; in the strong sense the √T scaling is only valid for systems with neither positive nor negative expectancy. But there are more factors involved. Magdon-Ismail considered a drift term µ > 0, which increases the time until crash, but did not consider a (very likely) autocorrelation of the results, which reduces the time until crash. So with assuming a √T scaling you’re more on the safe side than with log T.
نظام التداول التوليف
تكنيك مربى العملات الأجنبية الخادم