Trading Strategia Ottimizzazione Matlab

La maggior parte dei sistemi di negoziazione hanno una serie di parametri incorporati, parametri quali il periodo di lookback, le soglie di ingresso e di uscita, e così via. I lettori del mio blog (per esempio qui e qui) e il mio libro sarebbe sapere la mia opinione sulla ottimizzazione dei parametri: non sono un grande fan di esso. Questo è perché credo serie finanziarie è troppo non stazionario per permettere di dire quello che era ottimale nel backtest è necessariamente ottimale in futuro. La maggior parte dei commercianti che conosco preferiscono operare una strategia che non è sensibile a piccole variazioni dei parametri, o in alternativa, una strategia senza parametri che è effettivamente una media di modelli con parametri diversi. Detto questo, se si può scambiare un solo modello con uno specifico insieme di parametri, è razionale a chiedere come si possa scegliere il migliore (ottimale) insieme di parametri. Molti modelli commerciali hanno un buon numero di parametri, ed è piuttosto oneroso per trovare i valori ottimali di tutti questi parametri contemporaneamente. Recentemente, Ron Schoenberg ha pubblicato un articolo sulla rivista Futures che dettagli un modo per ottenere questo risultato con solo una piccola quantità di potenza di calcolo. La tecnica chiave che Ron usa è cubica polinomio della superficie PampL in funzione dei parametri. Ron utilizza la strategia VIX RSI a Larry Connors libro breve termine Trading Strategies che funzionano come un esempio. Questa strategia ha 5 parametri da ottimizzare, ma Ron deve solo calcolare la PampL per 62 diversi set di parametri, e l'intera procedura richiede solo 58 secondi. Anche se Ron ha confermato che la maggior parte dei parametri che Connors raccolte vengono vicina al valore ottimale, egli ha trovato qualche sorpresa: e cioè che l'RSI del periodo di 3 o 4 è molto più redditizio che i 2 che Connors usato, almeno nel periodo di backtest . Ora, per una vera prova di questa ottimizzazione, sarebbe utile se Ron eseguita questa ottimizzazione trattenendo alcuni dati out-of-campione, e vedere se questi parametri sono ancora ottimali in quanto i dati trattenuti set. Da quando ha fatto fare questo, abbiamo bisogno di aspettare un altro anno per scoprire noi stessi 11 commenti: Parlando di dati out-of-campione, hai un forte parere sui test Cabina avanti So Robert Pardo è un grande fautore di esso come strumento di adattarsi ai cambiamenti del mercato (vale a dire non stazionari). D'altra parte avete Dunn che commercializza lo stesso sistema con stessi parametri. Recentemente ho anche incontrato Ralph Vince Leverage modello spaziale del portafoglio che suona come una promettente alternativa al processo di ottimizzazione - con una superficie di prestazioni e prelievo - ma solo guardando il lato di gestione del denaro delle cose (cioè le dimensioni posizione invece di scelta del parametro) . La cosa bella è che si dovrebbe consentire l'ottimizzazione del sistema multiplo. Ce l'hai qualche idea su questo Grazie per i link utili comunque. Il fallimento di generalizzare out-of-campione è di solito un problema con i modelli che tendono ad essere troppo dotato, come le reti neurali. I modelli che sono stati a guardare, variazioni su modelli proposti da Connors e Alvarez nei loro libri, sono modelli molto semplici e mi don39t si aspettano loro di avere qualsiasi problema out-of-campione. Ho fatto avanti testare il modello nella rivista Futures. Il modello è stato ottimizzato sui dati 1993-2003, e poi ho eseguito il modello sui dati dal 2003 al 2009. I risultati sono stati simili. Questo è stato riportato nell'articolo Futures Magazine. Wouldn39t questo si qualifica come un test di out-of-campione del modello di Ron, Le mie scuse - mi ha fatto trascurare il paragrafo che citato in avanti test. Le tabelle ha dimostrato che i parametri ottimali calcolati in backtest producono buoni risultati nel test di out-of-sample. Tuttavia, fatto di ottimizzare l'intero insieme di parametri sui dati out-of-sample, e vedere se quello che hai scelto nel periodo di permanenza nel campione rimane ottimale nel test in avanti per esempio vediamo che Factor53 è ottimale nel backtest. Ma Factor54 è ottimale out-of-campione invece. E chi può dire che, dato un diverso periodo out-of-campione nel 2010, Factor52 won39t essere ottimale Quindi se mi sono state scambiate questa strategia, shouldn39t ho Trade 3 modelli con Factor52, 3, e 4 contemporaneamente solo per media su tutto il futuro eventuali parametri ottimali Jez, Grazie per la vostra Leverage menzionare Spazio Portfolio. Mi sono imbattuto in haven39t prima e studierò che prima di commentare. Ernie Si effettua un buon punto che il punto ottimale in un periodo di tempo non è il punto ottimale in un altro periodo di tempo. That39s chiaramente uno dei punti deboli a qualsiasi esperimento con i dati finanziari storici. Tuttavia, se l'obiettivo è quello di ottenere i migliori numeri che il passato ha da offrire nel più breve lasso di tempo, si can39t battere un esperimento statisticamente progettato. Se stiamo parlando di un approccio commerciale quantificata allora stiamo parlando di ottenere e utilizzare i numeri migliori, vale a dire, i numeri dimostrato di essere più utile in passato. Ma come sono sicuro che siete a conoscenza, un esperimento progettato è più che sui risultati ottimali. Ogni esperimento contiene un centinaio di domande e risposte, e ogni esperimento dà luogo a domande che può essere risolta soltanto con ulteriori sperimentazioni. Si potrebbe perdere se stessi per un anno dare un'occhiata a tutti gli aspetti di un singolo esperimento 200 di prova. Quando si analizzano spread (il calcolo del coefficiente di cointegrazione, aplying il test di mean reversion e stimare l'emivita spread) si usa prezzi di registro o prezzi in dollari Siamo spiacenti per la pubblicazione di un commento a parlare di altri argomenti. Ciao Anon, io uso i prezzi in dollari, ma io credo che don39t conta molto. Ernie Chiedo solo quale sistema si usa back testing e per il montaggio dei dati polinomiale cubica si usa Matlab cs96ai, io uso Matlab per il mio backtesting. Per quanto riguarda la misura cubica, si può chiedere della carta originale che ho citato gli autori. (Ovviamente si può fare che in Matlab troppo, ma ho fatto non eseguono questa ricerca me stesso.) Ernie Caro Ernie, Grazie per il libro. E 'davvero buono. Sto cercando di implementare alcuni dei programmi e fare qualche prova di nuovo. Io ho don39t MATLAB come ho scoperto di essere molto costoso per il mio trading di avvio. C'è un altro che si sarebbe raccomandare. Sto cercando di programmare in R, ma è molto lento in questo momento. Avete tutti i vostri esempi in Excel, per caso. Ancora una volta, grazie per il libro e ho gradito la lettura e cercando di attuare alcuni di essi. Vina, La ringrazio per i complimenti. Si può essere in grado di trovare alcuni sostituti di Excel (per esempio un lettore ha detto su questo blog che vi è un test ADF Excel per stazionarietà da qualche parte). Tuttavia, molte delle strategie sono difficili da implementare in Excel. That39s perché molti quants usano Matlab per backtesting invece. Certamente R è una buona alternativa troppo. (Guest blogger Paul Teetor quale è possibile cercare su questo blog ha alcuni programmi di esempio R pubblicati.) Buona fortuna, ErnieImproving sistemi di trading tecnici utilizzando una nuova procedura algoritmo genetico MATLAB a base di recenti studi sui mercati finanziari suggeriscono che l'analisi tecnica può essere uno strumento molto utile nel predire la tendenza. Sistemi di negoziazione sono ampiamente utilizzati per la valutazione del mercato tuttavia, ottimizzazione dei parametri di questi sistemi ha suscitato poco interesse. In questo lavoro, per esplorare le potenzialità del commercio digitale, vi presentiamo un nuovo strumento MATLAB basato su algoritmi genetici lo strumento è specializzata in ottimizzazione dei parametri delle norme tecniche. Esso utilizza la potenza degli algoritmi genetici per generare soluzioni rapide ed efficienti in termini commerciali reali. Il nostro strumento è stato testato ampiamente su dati storici di un fondo che investe UBS nei mercati azionari emergenti attraverso il nostro sistema tecnica specifica. I risultati mostrano che la nostra proposta GATradeTool sorpassa comunemente usato, non adattativi, strumenti software rispetto alla stabilità di ritorno e salvare l'intero periodo di campionamento di tempo. Tuttavia, abbiamo fornito la prova di un possibile effetto dimensioni della popolazione in termini di qualità delle soluzioni. governa i mercati finanziari di previsione Gli algoritmi genetici investimenti tecnici 1. Introduzione commercianti Todayrsquos e analisti finanziari richiedono strumenti veloci ed efficienti in un mercato finanziario senza scrupoli. Le battaglie in commercio sono ora condotta principalmente alla velocità del computer. Lo sviluppo di nuove tecnologie software e la comparsa di nuovi ambienti software (ad esempio MATLAB) forniscono la base per risolvere i problemi finanziari difficili in tempo reale. MATLABrsquos vasta funzionalità built-in matematica e finanziaria, il fatto che è sia un linguaggio di programmazione interpretato e compilato e la sua indipendenza dalla piattaforma rendono adatto per lo sviluppo di applicazioni finanziarie. Le prove sui rendimenti guadagnati da norme tecniche, comprese le strategie di momentum (ad esempio, 14. 15. 16. 16. 25 xA0andxA020), in movimento regole media e altri sistemi di negoziazione 6. 2. 9 xA0andxA024 in grado di supportare l'importanza dell'analisi tecnica. Tuttavia, la maggior parte di questi studi hanno ignorato il problema di ottimizzazione dei parametri, lasciando loro aperta alle critiche di snooping dei dati e la possibilità di sopravvivenza di polarizzazione 7. 17 xA0andxA08. Tradizionalmente i ricercatori hanno usato le specifiche ad hoc delle regole di negoziazione. Essi utilizzano una configurazione popolare di default o in modo casuale provare un paio di diversi parametri e selezionare il meglio con criteri basati sul ritorno principalmente. Papadamou e Stephanides 23. implementato un nuovo toolbox MATLAB a base per la negoziazione tecnica computerizzata che ha incluso una procedura per problemi di ottimizzazione dei parametri. Tuttavia, il punto debole della procedura di ottimizzazione è il tempo: la funzione obiettivo (ad es profitto) isnrsquot una semplice funzione errore quadratico ma complicata (ogni ottimizzazione iterazione passa attraverso i dati, genera segnali di trading, calcola profitti, ecc). Quando i set di dati sono grandi e si vorrebbero riottimizzare il sistema spesso e hanno bisogno di una soluzione al più presto possibile, poi provare tutte le soluzioni possibili per ottenere il migliore sarebbe un compito molto noioso. Gli algoritmi genetici (gas) sono più adatti in quanto essi svolgono ricerche casuali in modo strutturato e convergono molto veloce su popolazioni di soluzioni vicino ottimali. La GA vi darà un set (popolazione) di soluzioni ldquogoodrdquo. Gli analisti sono interessati ad ottenere un paio di buone soluzioni il più velocemente possibile, piuttosto che la soluzione a livello globale migliore. La soluzione a livello globale migliore esiste, ma è altamente improbabile che esso continuerà ad essere il migliore. Lo scopo di questo studio è mostrare come algoritmi genetici, una classe di algoritmi di calcolo evolutivo, può essere impiegata per migliorare le prestazioni e l'efficienza dei sistemi di negoziazione computerizzati. Non è lo scopo qui di fornire una giustificazione teorica o empirica per l'analisi tecnica. Dimostriamo il nostro approccio in un particolare compito di previsione sulla base di mercati azionari emergenti. Questo documento è organizzato come segue. impieghi precedenti è presentato nella sezione 2. I set di dati e la nostra metodologia sono descritti nella sezione 3. I risultati empirici sono discussi nella sezione 4. Conclusioni segue Sezione 5. 2. impieghi precedenti Vi è un grande corpo di lavoro GA in informatica e ingegneria campi, ma poco lavoro è stato fatto per quanto riguarda le aree di business correlati. Ultimamente, c'è stato un crescente interesse per l'uso GA in economia finanziaria, ma finora non vi è stata poca ricerca in materia di trading automatico. A nostra conoscenza il primo documento pubblicato collega gli algoritmi genetici per gli investimenti è stato da Bauer e Liepins 4. Bauer 5 nel suo libro ldquoGenetic Algoritmi e Investment strategiesrdquo offerto indicazioni pratiche riguardo a come gas, potrebbero essere utilizzati per sviluppare strategie di trading interessanti sulla base di informazioni fondamentali. Queste tecniche possono essere facilmente estesi ad altri tipi di informazioni, come i dati tecnici e macroeconomici così come i prezzi del passato. Secondo Allen e Karjalainen 1. algoritmo genetico è un metodo appropriato per scoprire le regole commerciali tecnici. Fernaacutendez-Rodriacuteguez et al. 11 con l'adozione di algoritmi genetici di ottimizzazione in una semplice regola di trading fornire la prova per l'utilizzo corretto di gas dalla Borsa di Madrid. Alcuni altri studi interessati sono quelli di Mahfoud e Mani 18 che ha presentato un nuovo sistema basato su genetica algoritmo e lo ha applicato al compito di prevedere le future prestazioni dei singoli titoli da Neely et al. 21 e Oussaidene et al. 22 che applicata programmazione genetica alla previsione dei cambi e ha riportato un certo successo. Una delle complicanze nell'ottimizzazione GA è che l'utente deve definire una serie di parametri quali il tasso di crossover, dimensioni della popolazione e tasso di mutazione. Secondo De Jong 10 che ha studiato gli algoritmi genetici per l'ottimizzazione funzione buone prestazioni GA richiede un'alta probabilità di crossover (inversamente proporzionale alla dimensione della popolazione) e una dimensione della popolazione moderata. Goldberg 12 e 19 Markellos suggeriscono che un insieme di parametri che funziona bene in molti problemi è un parametro di crossover 0,6, la dimensione della popolazione 30 e parametro di mutazione 0,0333. Bauer 4 ha eseguito una serie di simulazioni su problemi di ottimizzazione finanziari e ha confermato la validità di suggerimenti Goldbergrsquos. Nel presente studio eseguiremo uno studio di simulazione limitata testando varie configurazioni dei parametri per il sistema commerciale prescelto. Ci sarà anche fornire la prova per GA proposto confrontando il nostro strumento con altri software tools. Strategy ottimizzazione Ci sono due, tra i molti, difficoltà di esecuzione di questo script MatlabR. Il primo è di codifica. La mia opinione personale è che non richiede sforzo erculeo per simulare strategie di trading non banali (o qualsiasi sistemi complessi) in MatlabR e fare in modo che la simulazione è corretta. Semplicemente non c'è processo facile o strumento a disposizione per controllare in modo sistematico e automatico e il test per la correttezza degli script. Peggio ancora, la maggior parte non può quantstraders codice. Non sanno niente di test del software. In pratica, la maggior parte delle quantstraders semplicemente thinkassumefantasy che il loro codice è corretto. In realtà, molti programmatori nel settore finanziario non può codificare né. (I buoni vanno a GOOG, MFT, AAPL8230 o start-up.) Ancora più importante, la seconda difficoltà, che questa discussione si concentra su, è la prestazione. Credo che sia più che evidente che, in generale, l'esecuzione di script MatlabR è molto lento. MatlabR esegue ed interpreta una riga per riga dello script. Per il nostro script di ottimizzazione strategia di negoziazione algoritmica, i colli di bottiglia sono: Ogni simulazione strategia è lento a causa di loop su tempi (o le date, o zecche). Dobbiamo simulare la strategia molte volte in ogni iterazione DE. Corriamo molti queste iterazioni DE come nel algoritmo genetico. In altre parole, se si tenta di codificare fino alla pseudo-codice di cui sopra MatlabR, potrebbero essere necessari giorni, se non del tutto, a venire con i risultati. Se la vostra strategia di trading funziona con i dati tick-by-tick, poi, è senza speranza. Per accelerare il processo, si può eseguire l'algoritmo evoluzione differenziale in parallelo su una griglia. MatlabR fa permettono di parallelizzare il codice. Tuttavia, realisticamente, non ho mai visto alcun quantstraders che scrivono codice MatlabR parallelo. Anche se avessero voluto farlo, pochi, se del caso, compresa la programmazione multi-threaded concorrente per ottenere il codice giusto. Inoltre, possiamo semplicemente abbandonare MatlabR di alcuni linguaggi di programmazione vera e propria, per esempio CCJava. Codice Aderito corre sempre più veloce di script. (Per favore. Non VBA. Solo i manager usano) Algo Quant affronta il problema di ottimizzazione di trading strategia per consentire una facile codifica di una strategia di trading complesso in Java. Per codificare una strategia, un quanttrader mette semplicemente insieme i componenti, ad esempio segnali, la matematica, i gestori di eventi, dalla libreria. Ottimizzare una strategia o di un portafoglio eseguendo l'algoritmo di ottimizzazione evoluzione differenziale in parallelo. Io dimostrare le prestazioni di Algo Quant utilizzando una semplice strategia di crossover media mobile. Questa strategia mantiene due medie mobili, una media in rapido movimento e una media mobile lenta. Quando la media in rapido movimento attraversa la media lento movimento dal basso, entriamo in una posizione lunga quando la media in rapido movimento attraversa la media lento movimento dall'alto, entriamo in una posizione corta. Ci sono evidenze teoriche ed empiriche per dimostrare che entrambe le dimensioni veloce e lento finestra mobile non dovrebbe essere troppo grande. Vedere corso Haksuns nota lezione 6. La maggior parte dei commercianti di scegliere le dimensioni veloce e lento finestra mobile da 1) indovinare, 2) per sentito dire, 3) backtesting (con qualche più o meno scelti a caso i parametri) in Bloomberg. Alcuni commercianti ricalibrare periodicamente l'aggiornamento dei parametri. Consente di provare prima l'approccio sentito dire. Una scelta popolare è (50, 200). I simulare questa strategia di trading dei futures S038P 500, VFINX, 200.011-2.011.531 con i dati di Yahoo. Il codice sorgente è qui. Ecco l'P038L generato utilizzando Algo Quant. Abbiamo: pnl 50,4 Sharpe 0,080,829 mila omega 1,285,375 mila Non vi è alcuna ragione per cui (50, 200) è il parametro ottimale impostare o che addirittura funziona affatto. Intuitivamente, se aggiorniamo periodicamente la coppia (maggiore flessibilità), si potrebbe potenzialmente generare un P038L migliore. Per esempio, ho commercio questo Moving strategia di crossover media semplice utilizzando i parametri ottimali dinamicamente tarati ogni 3 mesi utilizzando i dati negli ultimi 12 mesi. Per la funzione obiettivo per determinare ottimalità, io uso omega. Il codice sorgente è qui. Come previsto, questa strategia calibrata in modo dinamico non genera (molto) meglio P038L di strategia staticamente utilizzando i parametri indovinato in modo casuale. Abbiamo: pnl 106.65 Sharpe 0,309,824 mila omega 2,816,514 mila In termini di prestazioni (velocità di calcolo), ci sono voluti 32,5 minuti (1954877 ms) per terminare la simulazione per anni 10 e mezzo sulla mia workstation (dual E5520 2.27GHz) con la memoria 12GB. (Come nota a margine, utilizzando l'altra parallela forza bruta algoritmo ha preso solo 6,6 minuti o 395334 ms.) Il nostro algoritmo evoluzione differenziale parallelo gestisce un pool di 16 set di parametri. In ciascuna delle 80 iterazioni, corro 16 simulazioni in parallelo, uno per ogni nucleo. L'immagine mostra che il mio computer sta lavorando sodo, utilizzando tutte le sue risorse per cercare i set di parametri storicamente ottimali. Ripetendo questa procedura di simulazione-test-e-pick in MatlabR potrebbe probabilmente prendere giorni, se non per sempre. Come un disclaimer, non pretendo che questa strategia SMA2Crossover calibrato in modo dinamico genera alpha sul futuro S038P500. In realtà, mi è capitato di scegliere (F 3, L 12) per caso. Il mio punto è quello di confrontare le prestazioni Algo Quants del parallelo evoluzione differenziale sull'ottimizzazione strategia a quella di MatlabR. 5 Commenti Quant commerciante su 2011-05-31 alle 05:11 pmGap-on-Open Trading strategia redditizia 5 agosto 2014 da Pawel Dopo un po 'più a lungo, QuantAtRisk è tornato al lavoro. Come un operatore algo ho sempre tentato di testare una strategia di trading gap-on-aperto. Ci sono stati vari motivi in ​​piedi dietro di esso, ma il più popolare era sempre omni-discusso: notizie goodbad sul titolo. E che il prezzo delle azioni skyrocketeddropped giù nei giorni seguenti. Quando ci avviciniamo tali pattern di prezzo, si parla di trigger o eventi scatenati. Il nucleo delle attività algorithm8217s è l'identificazione grilletto e intraprendere azioni appropriate: andare lungo o corto. That8217s esso. In entrambi i casi si vuole fare i soldi. In questo post ci progettare le condizioni iniziali per la nostra strategia di trading gap-on-aperto che funge da trigger e noi backtest uno scenario realistico di scommettere il nostro denaro su quei titoli che hanno aperto più alto il giorno di negoziazione successivo. Il nostro obiettivo è quello di trovare il periodo di detenzione più ottimale per tali commerci chiuso con un utile. La nostra strategia può essere backtested utilizzando qualsiasi portafoglio N-asset. Qui, per semplicità, cerchiamo di utilizzare un sottoinsieme casuale di 10 titoli (portfolio. lst) essendo una parte di una corrente di Dow Jones: AXP CSCO DIS IBM JNJ KO NKE PG UTX XOM in Matlab, abbiamo recuperare i prezzi delle azioni di Google Finanza provider di dati accessibili tramite Quandl8217s Matlab API (vedi questo post per la sua messa a punto in Matlab). Abbiamo iniziare a scrivere il nostro codice di backtesting principale come segue: Gap su Open Trading strategia Recupero di prezzi delle azioni tramite Quandl e strategia di backtesting (c) 2014 Pawel Lachowicz, QuantAtRisk chiaro tutti vicino tutti i modelli fnameportfolio. lst CLC parametro 1 (anni) parm11 ndaysparm1365 ldaydatenum ( 2014/08/05) recupero superiore di borsa, Thp, Tlp, Tcp, N, ntdaysFetchQuandl (fname, Ndays, lday) dove si usa una funzione di pre-progettato di FetchQuandl per importare 4 prezzo serie separata di ciascuno stock8217s aperti (Top ), alta (Thp), basso (TLP), e vicino (TCP) prezzi giornalieri: la funzione Top, Thp, Tlp, Tcp, N, ntdaysFetchQuandl (fname, Ndays, Lday) Leggi l'elenco dei componenti del Dow Jones fileid fOPEN (fname ) tmp textSCAN (fileid, s) fclose (fileid) componentstmp una lista come una matrice di celle Read nell'elenco dei ticker e codici interni da Quandl xlsread (QuandlStockCodeListUS. xlsx) quandlctext (:, 1) ancora una volta, come una lista in una cella serie quandlcodetext (:, 3) corrispondente Quandls Codice Prezzo recuperare i dati di stock per ultimo Ndays date2datestr (lday, aAAA-mM-gG) da date1datestr (Lday-Ndays, aAAA-mM-dd) a Rop Tcp scansione di tutti i ticker e recuperare i dati da Quandl per i1: lunghezza (componenti) per J1: lunghezza (quandlc) if (strcmp (componenti, quandlc)) fprintf (4.0f sn, i, quandlc) fts0 FTS, headersQuandl. get (quandlcode, tipo, FinTS. AUTHCODE, PutHereYourQuandlCode. startdate, date1, enddate, date2) cpfts2mat (fts. Close, 1) Tcp cp vicino prezzo serie opfts2mat (fts. Open, 1) Top op aperta prezzo serie hpfts2mat (fts. High, 1) lpfts2mat Thp prezzo CV elevato ( fts. Low, 1) Tlp lp basso prezzo Rcp cp (2: ntdayslength () finale TCP end-1,2) -1 ritorno della serie end end end cp nLength (componenti) Si prega di notare: fine, 2).cp (1 che, in linea 12 abbiamo specificato numero di anni, vale a dire fino a che punto la nostra backtest dovrebbe essere esteso a ritroso nel tempo (o il numero di giorni di calendario vedi linea 13) dal giorno specificato nella riga 14 (ultimo giorno). In primo luogo, cerchiamo di progettare la strategia di trading. Abbiamo la scansione contemporaneamente quattro prezzo serie per ogni stock separatamente. Definiamo il grilletto strategy8217s come segue: cioè se un prezzo delle azioni aperto nel giorno t era superiore al prezzo di chiusura nel giorno t-1 e prezzi più bassi su giorno T è stato superiore al prezzo più elevato nel giorno t-1. Avendo che, prendiamo una decisione BUY LONG Noi compriamo quello stock il giorno successivo al suo prezzo di mercato (prezzo di chiusura). Questo approccio dovrebbe rimuovere il bias slittamento in modo efficace (vedere di più su slittamento nella compravendita di azioni qui). Ora, corriamo il backtest su ogni azione e ogni commercio aperto. Selezioniamo il secondo parametro (parm2) per un certo numero di giorni, vale a dire per quanto tempo teniamo lo stock. Nel seguente pezzo di codice, lasciamo a vendere lo stock afterbetween da 1 a 21 giorni di calendario (pm fine settimana o nei giorni festivi periodo di tempo): pre-definito matrice per backtest risultati finali dei risultati per parm20: 20 Cr per i1: N solo per uno scopo di tracciare dei prezzi della serie se (i1) aperta (colore blu) terreno (Top (:, 1), Top (:, 2),), tenere premuto su una stretta trama (colore rosso) (TCP (:, 1), Tcp (:, 2), r) tenere in alto (trama di colore verde) (Thp (:, 1), Thp (:, 2) ylabel (AXP Le quotazioni di US) fine, g) xlabel (Giorni) Tbuy per t2: ntdays definire gli indicatori ind1Tcp (t-1,2) CP (t-1) giorno ind2Thp (t-1,2) HP (t-1) giorno ind3Top (t, 2) op su (t) giorno ind4Tlp (t , 2) lp su (t) giorno rilevare grilletto se (ind1ltind3) ampamp (ind2ltind4) tracciando solo per AXP se (i1) tenere su terreno (Top (t, 1), Top (t, 2), o), data di fine un tdayTop grilletto (t, 1) nextbusdatebusdate (tday, 1) trova successivo di contrattazione TbuyTbuy fine nextbusdate fine Tsellbusdate (Tbuyparm2,1) Qui, nelle linee 57 e 60 abbiamo costruito serie tempo la memorizzazione delle informazioni fisiche in quei giorni. Ora, li useremo per controllare il prezzo su trade8217s aprono e si chiudono e ricavare profitti e perdite per ogni stock: R per k1: lunghezza (Tbuy) jfind (Tbuy (k) Tcp (:, 1)) pbuyTcp (j, 2 ) jfind (Tsell (k) Tcp (:, 1)) psellTcp (j, 2) ret (psellpbuy-1) ritorno per compRprod commercio RR RET fine (R1) -1 rendimento composto per azione CRCR compr fine resultsresults fine cR Nel anello interno (linee 24-75, vale a dire il monitoraggio di un numero di azioni in portafoglio dell'indice i, qui da 1 a 10) abbiamo catturare tutti i mestieri per stock (linee 63-70) e calcolare un rendimento composto multi-periodo (linea 72), come se ci sono state scambiate tale stock esclusivamente utilizzando il nostro modello. Ad esempio, per le azione i1 (AXP) dal nostro portafoglio, il nostro codice visualizza 1-anno-serie: dove giorni che soddisfano i nostri criteri di attivazione sono state indicate con marcatori open-cerchio. Se ora si ri-eseguire il backtest fare una sostituzione dolce in linea 24 ora di essere: possiamo trovare che, in esecuzione attraverso alcune linee extra di codice come definito: la figura (2) stelo ((00:20), 100results) xlabel ( Tenere periodo giorni) ylabel (AXP: rendimento composto) si ottiene un risultato interessante: Il grafico rivela che per AXP, negli ultimi 251 giorni (dal Aug4 2014 all'indietro), abbiamo avuto 16 inneschi quindi 16 mestieri e, a sorpresa, a prescindere dal periodo di detenzione , il rendimento composto da tutti i mestieri chiuse era altamente positivo (redditizio). Questo non è il caso se si considera, per esempio, i4, IBM magazzino: sottolinea Questo risultato che per diversi periodi di detenzione (e diversi scorte naturalmente) alcuni indicatori di trading aggiuntivi dovrebbero essere applicati a limitare le perdite (ad esempio gli obiettivi di profitto). Se ci siamo scambiati tutto l'assortimento usando il nostro gap-on-aperta Modello, ci ritroveremmo con risultato molto incoraggiante: dove per ogni periodo di detenzione abbiamo esposto l'oltre 10 titoli rendimento composto media. Tenendo conto del up-trend globale dei mercati azionari degli Stati Uniti tra agosto del 2013 e il 2014, questa strategia è vale il suo esame con eventuali ulteriori modifiche (ad esempio considerando breve o entrambi i trigger lunghe e corte, FX serie temporali, ecc). Qualcuno saggio una volta disse: A volte si vince. A volte si impara. In algo commercio di tutti noi impariamo a vincere. Nel prossimo post8230 marginale Value-at-Risk per il portafoglio manager vogliono saperne di più su portafogli in MATLAB Clicca qui circa il fondatore Pawel Lachowicz, PhD. Quantitative Risk Analyst della Bank of New York Mellon. Digital Signal Processing Expert. Scienziato dati. appassionato Blockchain. Python avvocato. Scrittore e fotografo. Traveler e concorrente della metropolitana. Con sede a Wroclaw, in Polonia. Per richieste professionali non esitate a contattarmi direttamente. Seguire Qar sul Web