Warten Sie, wenn Sie zusätzliche Informationen benötigen, um zu sehen, wie TradeMiner Sie in Ihrem Handel unterstützen kann. TradeMiner Software identifiziert historische saisonale Trends und Marktzyklen Eine wissenschaftlich dokumentierte Methodik: Anpassung der Kriterien, um sofortige Ergebnisse der historischen Trends zu erhalten Das Scannen nach historischen saisonalen Trends erfolgt einfach durch Interaktion mit dem Absatz, wie oben gezeigt. Suche nach Trends nach Monat oder für ein bestimmtes Symbol Definieren Sie die minimale historische Genauigkeit (dh 80 historische Win-Prozentsätze über zehn Jahre würden bedeuten, dass mindestens 8 der letzten 10 Jahre mit dem saisonalen Trend übereinstimmen müssten) Oder Erweitern Sie die Handelstage. Dies zeigt die Dauer der Anzahl der Tage an, die der Trend haben soll (dh 15 Handelstage bis 45 Handelstage suchen nach Trends, die drei Wochen bis neun Wochen dauern). Wählen Sie aus, wie viele Jahre Sie zurückschauen möchten. Mit dieser Option können Sie die Mindestanzahl der Jahre festlegen, die TradeMiner zurückblicken wird, um historische Trends zu finden. Bei der Auswahl von Dig Now wird die Historische Datenbank durchsucht und die Trends und Zyklen identifiziert, die Ihren Kriterien entsprechen. TradeMiner wird die historischen Ergebnisse nach einem proprietären Ranking-System. Dieses System rangiert die Picks mit den größten historischen Gewinnen in kürzester Zeit mit dem geringsten historischen Risiko. Das Score-Ranking arbeitet auf einer Skala von null bis fünf und enthält eine leicht zu lesende, farbcodierte Taste. Analysieren von Diagrammen Die Vielfalt der Diagramme in TradeMiner ermöglicht es Ihnen, die Ergebnisse der vergangenen Jahre zu sehen, historische Risiken und Belohnungen zu identifizieren und detaillierte Handelsprotokolle der letzten Jahre zu sehen. Sehen Sie sich den historischen Trend an und sehen Sie sich die Ergebnisse der vergangenen Jahre an. In TradeMiner können Sie eine der folgenden Charts auswählen und sie werden im unteren größeren Chart-Fenster angezeigt. Diese größere Ansicht bietet und zusätzliche Details für jede gewählte Handel. Historische Equity Grafik Historische Risiko vs Belohnung Year-by-Year Trade DetailsData Mining eine Forex Majors-Strategie Aufgrund der einzigartigen Eigenschaften der verschiedenen Währungspaare, viele quantitative Forex-Strategien sind mit einem bestimmten Währungspaar im Auge. Während dies viele rentable Handelsstrategien produzieren kann, gibt es auch Vorteile für die Entwicklung von Strategien, die über mehrere Währungspaare gehandelt werden können. Dies führt zu einem Element der Diversifizierung, die ein zusätzliches Maß an Abwärtsschutz bieten kann. Daniel Fernandez veröffentlichte kürzlich ein System, das er entworfen hatte, um auf jedem der vier Forex Majors zu handeln. Sein Ziel war es, ein System zu finden, das eine 20-jährige Erfolgsbilanz mit profitablem Handel auf EURUSD, GBPUSD, USDJPY und USDCHF erzielt hätte. Daniel verwendet einen Data-Mining-Ansatz zur Entwicklung einer Strategie für den Handel der vier Forex Majors. Um sein System zu konstruieren, verwendete Daniel seine Data-Mining-Software, um Eingangs - und Ausgangssignale zu definieren, die eine rentable Handelsstrategie auf jedem der vier Währungspaare in den letzten 20 Jahren erzeugt hätten. Was er kommt, ist eine Kombination aus drei Preis-Regeln, die die Grundlage für seine Forex-Majors-Strategie bilden. Daniel8217s Forex Majors Strategie Daniel8217s Forex Majors Strategie ist sehr einfach, dass es immer eine Position, entweder lang oder kurz, in jedem der vier Währungspaare, die es handelt. Es basiert alle seine Trades auf Tages-Charts. Die Strategie geht lange, wenn die folgenden drei Bedingungen erfüllt sind: Die Strategie ist kurz, wenn die folgenden drei Bedingungen erfüllt sind: Wie Sie sehen können, ist die Strategie im Grunde ein optimierter Trend nach der Strategie. Dies macht Sinn, weil Daniel am Anfang seines Artikels erklärt, dass langfristige Tendenzen nach Strategien in der Regel die besten Strategien für den Handel mehrere Märkte sind. Eine weitere Regel, die Daniel8217s Strategie nutzt, ist ein ATR-basierter Stop-Loss. Der feste Stop-Loss wird auf 180 der 20-Tage-ATR eingestellt. Wenn der Stop-Loss ausgelöst wird, bleibt die Strategie ausserhalb des Marktes, bis ein Signal in die entgegengesetzte Richtung erzeugt wird. Die Prüfung zeigt, dass eine erneute Eingabe auf ein Signal in der gleichen Richtung die Leistung negativ beeinflusst hat. Backtesting Performance Die Backtesting-Ergebnisse, dass Daniel in seinem Beitrag enthalten, zeigen, dass die Strategie war ziemlich profitabel. Sie erzielte eine Gewinnquote von 45, einen Gewinnfaktor von 1,38 und ein Lohn-Risiko-Verhältnis von 1,68. Daniel8217s größte Sorge über die Strategie war, dass der maximale Drawdown-Zeitraum eine sehr lange Zeit darstellte. Nach Daniel8217s Zahlen, die durchschnittliche jährliche Rendite war 9,67. Diese bestand aus 16 rentablen Jahren, 4 Jahre verlängert, und ein Jahr, das im Grunde sogar brach. Das beste Jahr war eine Rendite von 37,76, und das schlechteste Jahr war ein Verlust von 20,2. Daniel bemerkt, dass dieses System keine gute eigenständige Strategie darstellen würde, da es seine Rendite im Verhältnis zu maximalen Drawdowns wiedergibt. Allerdings schlägt er vor, dass es ein interessantes Stück einer größeren, Multi-System-Strategie sein könnte. Backtesting Data Mining Backtesting Data Mining In diesem Artikel auch einen Blick auf zwei verwandte Praktiken, die weithin von Händlern genannt Backtesting und Data Mining. Dies sind Techniken, die mächtig und wertvoll sind, wenn wir sie richtig verwenden, aber Händler oft missbrauchen sie. Daher auch gut erforschen zwei häufige Fallstricke dieser Techniken, bekannt als die multiple Hypothese Problem und Overfitting und wie diese Tücken zu überwinden. Backtesting ist nur der Prozess der Verwendung von historischen Daten, um die Leistung von einigen Trading-Strategie zu testen. Backtesting beginnt in der Regel mit einer Strategie, die wir testen möchten, zum Beispiel den Kauf GBPUSD, wenn es über den 20-Tage gleitenden Durchschnitt kreuzt und verkaufen, wenn es unter diesem Durchschnitt überschreitet. Jetzt könnten wir diese Strategie testen, indem wir beobachten, was der Markt voranschreitet, aber das würde lange dauern. Deshalb verwenden wir bereits vorhandene historische Daten. Aber warten Sie, warten Sie höre ich Sie sagen. Couldnt Sie betrügen oder zumindest voreingenommen, weil Sie bereits wissen, was passiert in der Vergangenheit Das ist definitiv ein Anliegen, so dass ein gültiger Backtest wird ein, in dem wir arent vertraut mit den historischen Daten. Wir können dies durch die Wahl zufälliger Zeitperioden oder durch die Auswahl von vielen verschiedenen Zeitperioden, in denen die Durchführung der Prüfung. Jetzt kann ich hören, eine andere Gruppe von Ihnen sagen, Aber alle, dass historische Daten nur sitzen dort warten, analysiert werden ist verlockend ist es nicht Vielleicht gibt es tiefe Geheimnisse in der Daten nur darauf warten, dass Geeks wie wir es zu entdecken. Wäre es so falsch für uns, diese historischen Daten zuerst zu untersuchen, sie zu analysieren und zu sehen, ob wir in ihnen verborgene Muster finden können. Dieses Argument ist auch gültig, aber es führt uns in ein Gebiet voller Gefahr. Die Welt von Data Mining Data Mining beinhaltet das Durchsuchen von Daten, um Muster zu lokalisieren und mögliche Korrelationen zwischen Variablen zu finden. In dem obigen Beispiel, in dem die 20-tägige gleitende Durchschnittsstrategie involviert ist, haben wir gerade diesen speziellen Indikator aus dem Blauen herausgefunden, aber wir hatten keine Ahnung, welche Art von Strategie wir testen wollten. Wir konnten unsere historischen Daten auf GBPUSD durchsuchen, um zu sehen, wie sich der Preis verhielt, nachdem er viele verschiedene gleitende Durchschnitte überschritten hatte. Wir konnten die Kursbewegungen auch auf viele andere Indikatortypen hin untersuchen und sehen, welche den großen Kursbewegungen entsprechen. Das Thema Data Mining kann umstritten sein, weil, wie ich oben besprochen habe, scheint es ein bisschen wie Betrug oder Blick nach vorne in die Daten. Ist Data Mining eine gültige wissenschaftliche Technik Einerseits sagt die wissenschaftliche Methode, dass sie zuerst eine Hypothese machen und dann gegen unsere Daten testen müssten, aber andererseits erscheint es angebracht, einige Daten zu erforschen, Schlagen eine Hypothese vor. Also, was ist richtig Wir können uns die Schritte in der wissenschaftlichen Methode für einen Hinweis auf die Quelle der Verwirrung. Der Prozess sieht im Allgemeinen so aus: Beobachtung (Daten) Hypothese Vorhersage Experiment (Daten) Beachten Sie, dass wir mit Daten während der Beobachtung und Experiment Stufen befassen können. Also beide Ansichten sind richtig. Wir müssen Daten verwenden, um eine vernünftige Hypothese zu erstellen, aber wir testen auch diese Hypothese anhand von Daten. Der Trick ist einfach, um sicherzustellen, dass die beiden Sätze von Daten sind nicht die gleichen Wir müssen nie testen unsere Hypothese mit dem gleichen Satz von Daten, die wir verwendet, um unsere Hypothese. Mit anderen Worten, wenn Sie Data Mining verwenden, um mit Strategien Ideen, stellen Sie sicher, dass Sie einen anderen Satz von Daten, um Backtest Ideen. Nun wenden wir unsere Aufmerksamkeit auf die wichtigsten Fallstricke der Verwendung von Data Mining und Backtesting falsch. Das allgemeine Problem ist als Über-Optimierung bekannt und ich ziehe es vor, dieses Problem in zwei verschiedene Typen zu brechen. Dies sind die multiple Hypothese Problem und Overfitting. In gewissem Sinne sind sie entgegengesetzte Wege, den gleichen Fehler zu machen. Das Mehrfachhypothesenproblem beinhaltet die Auswahl vieler einfacher Hypothesen, während die Überarbeitung die Schaffung einer sehr komplexen Hypothese beinhaltet. Das Mehrfachhypothesenproblem Um zu sehen, wie dieses Problem auftaucht, gehen wir zurück zu unserem Beispiel, wo wir die 20-tägige gleitende Durchschnittsstrategie getestet haben. Nehmen wir an, dass wir Backtest die Strategie gegen zehn Jahre historische Marktdaten und lo und schauen erraten, was die Ergebnisse sind nicht sehr ermutigend. Allerdings, wie wir sind rau und stürmisch Händler, entscheiden wir, nicht so schnell aufzugeben. Was ist mit einem zehn Tage gleitenden Durchschnitt Das könnte ein wenig besser funktionieren, so können backtest es Wir führen einen anderen Backtest und wir finden, dass die Ergebnisse immer noch arent stellar, aber theyre ein wenig besser als die 20-Tage-Ergebnisse. Wir beschließen, ein wenig zu erkunden und führen Sie ähnliche Tests mit 5-Tage-und 30-Tage gleitenden Durchschnitten. Schließlich kommt es zu uns, dass wir eigentlich nur jeden einzelnen gleitenden Durchschnitt bis zu einem gewissen Punkt testen und sehen können, wie sie alle ausführen. So testen wir die 2 Tage, 3 Tage, 4 Tage, und so weiter, bis zu den 50-Tage gleitenden Durchschnitt. Nun sicherlich einige dieser Mittelwerte werden schlecht durchführen, und andere werden ziemlich gut durchführen, aber es wird eine von ihnen sein, die das absolute Beste ist. Zum Beispiel können wir feststellen, dass die 32-Tage gleitenden Durchschnitt erwies sich als die beste Performer in diesem besonderen Zeitraum von zehn Jahren. Bedeutet dies, dass es etwas Besonderes über die 32-Tage-Durchschnitt und dass wir zuversichtlich sein, dass es auch in der Zukunft gut sein wird Leider viele Händler davon ausgehen, dass dies der Fall sein, und sie nur stoppen ihre Analyse an dieser Stelle, denken, dass Sie haben etwas Tiefes entdeckt. Sie sind in die Multiple Hypothesis Problem Fallstricke gefallen. Das Problem ist, dass es überhaupt nichts ungewöhnliches oder signifikantes über die Tatsache, dass einige durchschnittlich als die besten. Schließlich haben wir fast fünfzig von ihnen gegen die gleichen Daten getestet, so dass wir erwarten, ein paar gute Performer zu finden, nur durch Zufall. Es bedeutet nicht, theres etwas Besonderes über die einzelnen gleitenden Durchschnitt, dass in diesem Fall gewonnen. Das Problem entsteht, weil wir mehrere Hypothesen getestet haben, bis wir einen gefunden haben, der funktionierte, anstatt eine einzelne Hypothese zu wählen und sie zu testen. Heres eine gute klassische Analogie. Wir könnten kommen mit einer einzigen Hypothese wie Scott ist groß auf spiegelnde Köpfe auf einer Münze. Daraus können wir eine Vorhersage erstellen, die besagt: Wenn die Hypothese stimmt, wird Scott in der Lage sein, 10 Köpfe in einer Reihe zu schlagen. Dann können wir ein einfaches Experiment durchführen, um diese Hypothese zu testen. Wenn ich 10 Köpfe in einer Reihe Flip kann es tatsächlich nicht beweisen, die Hypothese. Allerdings, wenn ich nicht erreichen kann dieses Kunststück es definitiv widerlegt die Hypothese. Wenn wir wiederholte Versuche machen, die der Hypothese nicht widersprechen, so wächst unser Vertrauen in seine Wahrheit. Das ist der richtige Weg, es zu tun. Allerdings, was wäre, wenn wir mit 1.000 Hypothesen, anstatt nur der eine über mich war ein guter Münze Flipper Wir könnten die gleiche Hypothese über 1.000 verschiedene Menschen. Mich, Ed, Cindy, Bill, Sam, etc. Ok, jetzt können Sie testen unsere mehrere Hypothesen. Wir bitten alle 1000 Leute um eine Münze zu drehen. Es wird wahrscheinlich etwa 500, die Köpfe Kopf. Alle anderen können nach Hause gehen. Jetzt fragen wir die 500 Leute, um wieder zu kippen, und dieses Mal werden 250 die Köpfe kippen. Auf der dritten Flip-Flop etwa 125 Menschen Flip Köpfe, auf der vierten etwa 63 Personen sind links, und auf der fünften Flip gibt es etwa 32. Diese 32 Menschen sind alle ziemlich erstaunlich arent sie Theyve alle kippte fünf Köpfe in einer Reihe Wenn wir Flip fünf Mehrmals und eliminieren die Hälfte der Menschen jedes Mal im Durchschnitt, werden wir am Ende mit 16, dann 8, dann 4, dann 2 und schließlich eine Person links, wer hat zehn Köpfe in einer Reihe gespielt. Seine Bill Bill ist ein fantabulous Flipper von Münzen Oder ist er Well wir wirklich nicht wissen, und das ist der Punkt. Bill kann unseren Wettbewerb aus reiner Chance gewonnen haben, oder er kann sehr wohl der beste Flipper von Köpfen dieser Seite der Andromeda-Galaxie sein. Aus dem gleichen Grund wissen wir nicht, ob der 32-tägige gleitende Durchschnitt aus unserem Beispiel oben nur in unserem Test durch reine Chance, oder wenn es wirklich etwas Besonderes ist. Aber alles, was wir bisher getan haben, besteht darin, eine Hypothese zu finden, dass die 32-tägige gleitende Durchschnittsstrategie rentabel ist (oder dass Bill ein großer Münzflipper ist). Wir haben diese Hypothese noch nicht getestet. So, jetzt, dass wir verstehen, dass wir havent wirklich etwas Wesentliches aber über die 32-Tage gleitenden Durchschnitt oder über Rechnungen Fähigkeit, Münzen zu spiegeln entdeckt, ist die natürliche Frage zu fragen, was sollten wir als nächstes tun Wie ich bereits erwähnt, viele Händler nie erkennen, dass es Ist ein nächster Schritt überhaupt erforderlich. Nun, im Falle von Bill youd wahrscheinlich fragen, Aha, aber kann er Flip zehn Köpfe in einer Reihe wieder Im Falle der 32-Tage gleitenden Durchschnitt wollen wed es noch einmal testen, aber sicher nicht gegen die gleichen Daten-Probe, die Wir haben diese Hypothese gewählt. Wir würden eine weitere zehnjährige Periode wählen und sehen, ob die Strategie genauso gut funktionierte. Wir konnten dieses Experiment so oft fortsetzen, wie wir es wollten, bis unser Angebot an neuen Zehnjahreszeiten ausblieb. Wir verweisen auf dieses als aus der Probe-Prüfung, und seine die Art und Weise, um diese Fallstricke zu vermeiden. Es gibt verschiedene Methoden für solche Tests, von denen eine Cross-Validierung ist, aber wir kommen nicht in so viel Detail hier. Overfitting ist wirklich eine Art Umkehrung des oben genannten Problems. In der mehrfachen Hypothese Beispiel oben, schauten wir auf viele einfache Hypothesen und wählte die, die am besten in der Vergangenheit. Im Überbauen betrachten wir zuerst die Vergangenheit und konstruieren dann eine einzige komplexe Hypothese, die gut zu dem passt, was passiert ist. ZB wenn ich den USDJPY Rate während der letzten 10 Tage betrachte, könnte ich sehen, daß die täglichen Schließungen dieses taten: oben, oben, unten, oben, oben, oben, unten, unten, unten, oben. Got it Sehen Sie das Muster Ja, ich auch nicht. Aber wenn ich diese Daten verwenden wollte, um eine Hypothese vorzuschlagen, könnte ich kommen. Meine erstaunliche Hypothese: Wenn der Schlusskurs zweimal in Folge steigt dann für einen Tag, oder wenn es geht für drei Tage in einer Reihe, die wir kaufen sollten, aber wenn der Schlusskurs bis drei Tage in Folge sollten wir verkaufen , Aber wenn es nach oben geht drei Tage in Folge und dann nach drei Tagen in einer Reihe sollten wir kaufen. Huh Klingt wie eine whacky Hypothese richtig Aber wenn wir diese Strategie in den letzten 10 Tagen verwendet hätten, hätten wir bei jedem einzelnen Trade, den wir gemacht haben, Recht gehabt. Der Overfitter verwendet Backtesting und Data Mining anders als die multiplen Hypothesenhersteller. Der Overfitter kommt nicht mit 400 verschiedenen Strategien zum Backtest. Kein Weg Der Overfitter nutzt Data-Mining-Tools, um herauszufinden, nur eine Strategie, egal wie komplex, das hätte die beste Leistung über die Backtesting-Periode haben. Wird es in der Zukunft funktionieren Nicht wahrscheinlich, aber wir konnten immer halten das Modell und testen die Strategie in verschiedenen Proben (aus der Probe-Test wieder), um zu sehen, ob unsere Leistung verbessert. Wenn wir aufhören, Leistungsverbesserungen und das einzige, was steigt, ist die Komplexität unseres Modells, dann wissen wir, dass wir die Linie in Überformat überquerte. Zusammenfassend sehen wir, dass Data Mining eine Möglichkeit ist, unsere historischen Kursdaten zu verwenden, um eine praktikable Handelsstrategie vorzuschlagen, aber wir müssen uns der Fallstricke des multiplen Hypothesenproblems und der Overfitting bewusst sein. Der Weg, um sicherzustellen, dass wir nicht zum Opfer fallen, um diese Fallstricke ist, unsere Strategie mit einem anderen Datensatz als die, die wir während unserer Data-Mining-Exploration verwendet Backtest. Wir beziehen uns allgemein auf dieses als aus der Probeprüfung heraus. Ein Problem mit Data Mining ist, dass Trader dazu neigen, unterschiedliche Filter zu verwenden, um nach einem Muster zu suchen. Das Problem mit diesem ist, dass jedes Signal aus den verschiedenen sinusförmigen Signalen zusammengesetzt ist, also wenn Sie verschiedene Filter auf ein Signal anwenden, werden wir sicherlich am Ende mit einem Muster. Viele Studien wurden über das Preis-Muster getan, sind meist auf Data Mining basieren, wird die Frage, die Annahme, dass die Zukunft spiegeln die Vergangenheit, die Antwort ist vielleicht. Wir haben eine 5050 Chance. Kann der Prozentsatz durch das Studium dieses Musters auf verschiedene Daten erhöht werden. Wenn wir sogar diesen Prozentsatz erhöhen wollen, müssen wir wissen, was die Ursache dieses Musters ist, indem wir die Ursache dieses Musters kennen, hätten wir einen Vorteil im Handel. Zum Beispiel werde ich diese Annahme machen, let8217s sagen, dass der erste Freitag eines jeden Monats aufgrund der Neuigkeiten viele Händler neigen dazu, ihre Trades am Morgen verlassen, bevor die Nachrichten und geben Sie wieder nach den Nachrichten, so gibt es ein Muster des Verkaufs und Kauf zu bestimmten Zeit. Könnten wir diese Informationen zu unserem Vorteil durch die Anwendung einer Art von Hedge-Handel, so dass wir mit beiden kaufen und verkaufen vor den Nachrichten. Dann nach den Nachrichten, die wir nur verkaufen, die wollen kaufen und didn8217t wollen eine Position in den Nachrichten halten und wir lassen den Kauf, bis der Preis zurückkommt, könnte dies auf Sägezins oder ein anderes Set 8230 bla bla angewendet werden. Das ist nur eine Theorie. Ich benutze es, um zu sagen, dass Furcht und Gier eine Zeit auf dem Markt haben. Also, was schafft das Preis-Muster sind die Angst und Gier, jetzt, wenn wir das Muster zu isolieren und wissen, die Ursache hinter diesem Muster wie im vorherigen Beispiel Angst aus den Nachrichten oder Abrechnung des Kontos am Ende des Monats. Sachen wie diese. Dann könnten wir in der Theorie die Zukunft vorherzusagen, die ersten beiden Post von dieser Seite kopiert werden alle Artikel von Scott Percival sind lesenswert Lesezeichen Lesezeichen Mister Wong YiGG. de Google del. icio. us Digg
No comments:
Post a Comment