Mekanisk Trading Strategier

Trading Strategies and Models. Trading Strategier og Modeller. Andre Trading Strategies. CCI Correction En strategi som bruker ukentlig CCI å diktere en trading bias og daglig CCI å generere handelssignaler. CVR3 VIX Market Timing Utviklet av Larry Connors og Dave Landry, dette er en strategi som bruker overextended readings i CBOE Volatility Index VIX for å generere kjøp og salg signaler for SP 500.Gap Trading Strategies Ulike strategier for handel basert på åpningspris gaps. Ichimoku Cloud En strategi som bruker Ichimoku Cloud til å sette trading bias, identifisere korrigeringer og signal kortvarige vendepunkter. Å utvikle øyeblikk En strategi som bruker en tre-trinns prosess for å identifisere trenden, venter på korrigeringer i den trenden og deretter identifisere reverseringer som signalerer en slutt på korreksjonen. Narrow Range Day NR7 Utviklet av Tony Crabel, den smale rekkevidde dagstrategien ser etter sammentrekninger for å forutse rekkeviddeutvidelser. Forhåndsskanningskode inkludert det som tweaks denne strategien ved å legge til Aroon - og CCI-kvalifiseringer. Frekvens over 50-dagers SMA En strategi som bruker breddeindikatoren, prosent over 50-dagers glidende gjennomsnitt, for å definere tonen for det brede markedet og identifisere korreksjoner. Ferie-effekt Hvordan markedet har utført tidligere til store amerikanske helligdager og hvordan det kan påvirke handelsbeslutninger. RSI2 En oversikt over Larry Connors mener reverseringsstrategi ved hjelp av 2-års RSI. Faber s Sektorrotasjonshandel Strategi Basert på forskning fra Mebane Faber, kjøper denne sektorens rotasjonsstrategi de beste resultatene og rebalanser en gang per month. Six Month Cycle MACD Utviklet av Sy Harding, kombinerer denne strategien seks måneders bull-bear syklus med MACD signaler for timing. Stochastic Pop and Drop Utviklet av Jake Berstein og modifisert av David Steckler, bruker denne strategien Gjennomsnittlig Directional Index ADX og Stochastic Oscillator for å identifisere prispopper og breakouts. Slope Performance Trend Bruke skråindikatoren for å kvantifisere den langsiktige trenden og måle relative perfeksjon ormance for bruk i en handelsstrategi med de ni sektorene SPDRs. Swing Charting Hva Swing Trading er, og hvordan det kan brukes til profitt under visse markedsforhold. Tendenskvantifisering og Asset Allocation Denne artikkelen viser diagrammer hvordan man definerer langsiktige trendomkastninger som en prosess ved å utjevne prisdataene med fire forskjellige prosentvis pris-oscillatorer. Chartister kan også bruke denne teknikken til å kvantifisere trendstyrke og bestemme eiendelsallokering. Hvorfor Mekanisk Trading Systems Fail. Training deg selv til å være en fullt systematisk handelsmann er vanskelig. Dyden til en godt - designet trading system er at sanntidsresultater kommer inn som backtest fører deg til å forvente Utfordringen med et mekanisk handelssystem er deg. Du må handle nøyaktig som systemet dikterer for å duplisere testresultater For noen følger hver enkelt system diktat er umulig Her er noen av de vanlige fallgruvene til mekaniske handelssystemer. Fooling rundt med nye ideer Mekaniske handelssystemer ofte n mislykkes fordi næringsdrivende ikke kan motstå fiddling med systemkomponenter enten indikatorer eller regler De fleste handelssystemer er aldri helt ferdige De utvikler seg mens handelsmannen eksperimenterer med nye ideer Problemet med nye teknikker er at folk er utålmodige og prøver å passe den nye ideen inn i et eksisterende system uten å fullstendig teste det eller noen ganger uten å teste det i det hele tatt. Backtesting til du blir blå i ansiktet For å finne den perfekte parameteren for din indikator på verdipapirene dine, kan du bruke utallige timer-backtesting. Du oppdager aldri de ideelle parameterne enn Markedsvolatilitetskift, og parameteren er ikke lenger optimal. Mange indikatorprøver snurrer bare hjulene. Indikatorens nøyaktighet er ikke 100 prosent pålitelig til å begynne med, og fiddling med indikatorer gir aldri nøyaktighetsproblemet. Før du bruker en zillionstime legge til eller perfeksjonere indikatorer, husk at målet ditt er å ikke ha den perfekte indikatoren målet ditt er å tjene penger. Ikke k Nå tidsrammen Teknisk analyse inneholder regler som er gyldige i sammenheng med sin egen tidsramme, men fungerer mye mindre godt i en annen tidsramme. Praktiserende selvsabotasje Selv om et mekanisk system gir tillit til det eventuelle resultat - og tapsprofilen over en viss tid har den ulempen av at det noen ganger er feil i en enkelt handel. Noen ganger kan du se feil handel som kommer, noe som gjør at du vil overstyre signalet. Å overstyre tekniske signaler kalles diskresjon. Diskresjon er et uskyldig lydende ord, men det er faktisk dynamitt. Å utøve skjønn betyr at du forlater dine hardt opptjente, høyt sannsynlige systematiske handelssignaler til fordel for personlig vurdering. Fordi du ikke kan teste dommen, er den eneste måten å vurdere skjønnsmessige overstyringer, å holde en dagbok og skriv ned hver overstyring du vil gjøre Hvert så ofte, gå tilbake og gjør en ærlig regnskap for din vurdering En handelsdagbok har mange fordeler. Du får ideer om tillegg t o systemet ditt for å overvinne en mangel Dagboken blir en ønskeliste Da du leser den tekniske litteraturen, kan du se en perle når du kommer over det. Det er løsningen på et problem på din ønskeliste. Du kan oppdage at øyet ditt oppdaget mønstre som mattebaserte indikatorer ikke fanger Hvis du hadde en følelse av at du skulle stoppe ut en posisjon, men indikatorene dine ikke var enige, og i ettertid kan du se et mønster som var riktig, du kan ha et skjult talent for mønstre. Du oppdag personlige egenskaper du ikke visste om deg selv og kanskje eller ikke. En vanlig oppfatning er at du så en kontinuerlig trend fordi du ønsket å se det og forsettlig ignorert reverseringsvarsler fra andre indikatorer som var til stede på chartparing Backtesting og live trading system utførelse Etter en million handler. Systematiske handelsfolk bruker nesten alltid backtesting for å vurdere fortidens resultater av en handelsalgoritme. Dette er et utrolig verdifullt verktøy som det tillater oss å skaffe en En ide om hvordan en handelsalgoritme ville ha utført tidligere uten å måtte handle et system for lengre tidsperioder. Men hele bruken av backtesting er avhengig av hvor godt simuleringene modeller forbi ytelse og derfor er den åpen for mange fallgruvene som oppstår fra flere praktiske bekymringer På grunn av det ovenfor er det svært viktig å utføre live backtesting sammenligninger hvor en live handlet periode er sammenlignet med en backtest av den samme perioden for å se om resultatene, uavhengig av om de er positive eller negative match. I dag s innlegg Jeg ønsker å diskutere en analyse av live backtesting konsistens Jeg har laget bruk av data fra mer enn 1 million live trades tatt fra mer enn to tusen Asirikuy opprettet systemer. Det er flere måter som en backtest kan gjøre fortiden ser bedre ut enn hva det ville har virkelig vært som i ekte handel er det vanligvis likviditet, timing og spre bekymringer som generelt er svært vanskelig å ta hensyn til i b Akkitesting I Forex trading er historisk likviditetsdata svært vanskelig å få, mens slipping er nesten umulig å utgjøre på grunn av det faktum at historisk tilkoblingshastighet og responstider er ukjente. Tick-data kan lindre spredningsproblemet som kryssdata inneholder budsøkdata, men dette er megler spesifikk og kan sjelden oppnås for en bestemt megler i mer enn noen år. Hvis simuleringer utføres uten hensyn til noen av de ovennevnte uten likviditetsdata, forutsatt perfekte henrettelser og med konstante sprekker, er det derfor viktig å se om disse forutsetningene egentlig er føre til akseptable kamper 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 egen regning har vi vært i stand til å samle en database med millioner av handler sammen med t arvinge reelle inngangs - og utgangspriser som vi kan sammenligne med våre backtests for å se hvor godt våre simuleringer representerer den siste tiden. Først av alt kan vi se om vår backtesting og live trading logikk faktisk er identisk og for det andre kan vi se om de ovennevnte problemene er relaterte med glid - og spredningskostnader påvirker vår handel på en betydelig negativ måte. Vi har analysert totalt 76.813 signaler som er utført på tvers av mange ulike handelsregnskap. For hvert signal beregner vi de gjennomsnittlige inngangs - og utgangsprisene ved å bruke data fra alle handler som var tatt på grunn av dette signalet, og dette gjør det mulig for oss å anslå hvor mye inngang og utgang avviklet på en gunstig eller ugunstig måte. I gjennomsnitt var vår avviksavvik i forhold til næravvik, bestemmer gunstighet i forhold til handelsretning for hvert tilfelle -1 37 pips, noe som betyr at i gjennomsnitt hver handel utførte 1 37 pips mindre gunstig enn forventet av våre simuleringer, kan dette forestilles som å betale et 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 sannsynligvis gode estimater for disse symbolene, og forsinkelsene i utførelsen vi får, er enten gunstige eller lave nok, slik at de ikke er viktige. 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 hoved gjennomsnitt per handel er negativ Årsaken til det ovenstående skyldes både at GBPJPY er mye mer flyktig enn de andre parene, og fordi vi bruker en spredning på 5 pips for dette symbolet som, som vist i det ovenstående beviset, sannsynligvis er for lavt Selv om 5 pips i s 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 timene ikke er de samme og selv for den svært negative GBPJPY ser det ut til å være noen timer når avvik har en tendens til å være positiv. Du kan også se noen tilfeller der avvik er svært positive, for eksempel GBPUSD-handelen åpnet klokken 8 dette er hovedsakelig knyttet til det faktum at handler åpnet på dette timen har møtt positive nyheter som helhet ved en tilfeldighet og potensielt også møtt noen viktige markedsflytende 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 de konsekvens av disse sjeldne hendelsene som skjedde for å favorisere noen strategier mer enn andre, med bare hell, jeg forventer at disse avvikene blir lavere og lavere som en funksjon av tid, noe som gir oss en mye jevnere kurve etter noen år med handel. Av samme grunn må vi ta mer tid og samle flere data før vi vurderer noen handlinger som kan involvere direkte bruk av denne informasjonen, for eksempel gruvesystemer som handler i timevis når avvikene 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 på de fleste symboler som en Fakta om faktum og at høyere likviditetssymboler viser lavere avvik enn lavere likviditetssymboler ikke overraskende, siden disse kostnadsøkningene hovedsakelig er relatert til forsinkelsesforsinkelser og spredningsutvidelser. Vi har nå kodet noen skript for å utføre analysen ovenfor hver uke, så vi vil kunne hold oppdaterte faner på 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 kan du vurdere å bli med på et nettsted fylt med utdanningsvideoer, handelssystemer, utvikling og en lyd, ærlig og gjennomsiktig tilnærming til automatisert.