Indicadores de negociação matemática

O Murrey Math Trading System traduzi comentários neste indicador em inglês (veja o indicador traduzido em anexo). Além disso, use o Descrição do Sistema de Negociação (arquivo html zipado, também em inglês) para obter mais informações. Quando você liga o indicador ao gráfico, você verá muitas linhas: 1. Linha 88 1080 08 (Suporte final e resistência final). Essas linhas são as mais fortes em relação ao apoio e resistência. 2. Linha 78 (fraca, lugar para parar e inverter). Esta linha é fraca. Se de repente o preço estava indo muito rápido e muito longe e pára em torno desta linha, significa que o preço irá reverter muito em breve. Se o preço não parou perto desta linha, este preço continuará o movimento para a linha 88. 3. Linha 18 (fraca, lugar para parar e inverter). Esta linha é fraca. Se de repente o preço estava indo muito rápido e muito longe e pára em torno desta linha, significa que o preço irá reverter muito em breve. Se o preço não parou perto desta linha, esse preço continuará o movimento até a linha 08. 4. Linha 28 e 68 (Pivot, Reverse) Essas duas linhas produzem a linha 48 apenas para a força para reverter o movimento do preço. 5. Linha 58 (Top of Trading Range) O preço está gastando cerca de 40 do tempo no movimento entre as linhas 58 e 38. Se o preço estiver se movendo perto da linha 58 e parando perto da linha durante os 10 a 12 dias, então Isso significa que é necessário vender nesta zona de bônus (algumas pessoas estão fazendo assim), mas se o preço mantendo a tendência de ficar acima de 58 linhas, isso significa que o preço será acima. Mas se o preço cair abaixo de 58 linhas significa que o preço continuará a cair para o próximo nível de resistência. 6. Linha 38 (parte inferior da faixa de negociação). Se o preço estiver abaixo desta linha e na tendência de alta significa que será muito difícil para o preço quebrar esse nível. Se o preço quebrou esta linha durante a tendência de alta e permaneça acima durante os 10 a 12 dias, isso significa que o preço estará acima desta linha durante o 40 do seu tempo movendo-se entre esta linha e a linha 58. 7. Linha 48 (Major SupportResistance Line). É a principal linha de apoio e resistência. Este nível é melhor para a nova venda ou compra. É o forte nível de suporte do preço acima de 48. É a linha de resistência fina se o preço estiver abaixo desta linha de 48. Alex. Piech. FinGeR: eu tenho um indicador de mudança para um melhor teste. Oi Alex, sou fervoroso defensor deste sistema e agradeço sua contribuição. Qual é a diferença entre a versão fixa e a anterior, além da maioria dos obviuos que é corrigido. O que devo executar. Estou usando MMatLine com o objetivo de fazer backtesting, mas não tenho fé em backtesting. No entanto, mostrará alguns raeson para usar isso como uma ferramenta de análise. Mantenha-me informado de quaisquer avanços, já que não consigo me conectar com esse fio. Cumprimentos. Junte-se a nós, faça o download do MetaTrader 5 Copyright 2000-2016, MQL5 Ltd. MetaTrader 4 - Trading Mathematics in Trading: Como estimar os resultados do comércio Se eu for enganado pela aleatoriedade, melhor ser do tipo lindo (e inofensivo). Nassim N. Taleb Introdução: a matemática é a rainha das ciências É requerido um certo nível de formação matemática de qualquer comerciante, e esta declaração não precisa de provas. O assunto é apenas: como podemos definir este nível mínimo exigido. No crescimento de sua experiência comercial, o comerciante geralmente amplia sua visão sozinho, lendo postagens em fóruns ou vários livros. Alguns livros requerem um nível inferior de fundo matemático dos leitores, alguns, pelo contrário, inspiram um a estudar ou a escovar os conhecimentos em um campo de ciências puras ou outro. Vamos tentar dar algumas estimativas e suas interpretações neste único artigo. De Dois Malos Escolha o Menor Há mais matemáticos no mundo do que comerciantes bem-sucedidos. Esse fato é freqüentemente usado como um argumento por aqueles que se opõem a cálculos ou métodos complexos na negociação. Podemos dizer contra isso que a negociação não é apenas capacidade de desenvolver regras de negociação (habilidades de análise), mas também a capacidade de observar essas regras (disciplina). Além disso, uma teoria que descreva exatamente os preços nos mercados financeiros ainda não foi criada (acho que nunca será criada). A criação da teoria (descoberta da natureza matemática) dos próprios mercados financeiros significaria a morte desses mercados, que é um paradoxo indecidível, em termos de filosofia. No entanto, se enfrentarmos a questão de se ir ao mercado com descrição matemática não bastante satisfatória do mercado ou sem qualquer descrição, escolhemos o menos mal: Escolhemos métodos de estimação de sistemas de negociação. O que é anormalidade da distribuição normal Uma das noções básicas na teoria da probabilidade é a noção de distribuição normal (gaussiana). Por que ele é chamado assim Muitos processos naturais acabaram por ser normalmente distribuídos. Para ser mais exato, os processos mais naturais, no limite, reduzem a distribuição normal. Consideremos um exemplo simples. Suponhamos que tenhamos uma distribuição uniforme no intervalo de 0 a 100. A distribuição uniforme significa que a probabilidade de cair qualquer valor no intervalo e a probabilidade de que 3. 14 (Pi) caia é a mesma que a queda de 77 (meu número favorito Com dois sevens). Computadores modernos ajudam a gerar uma sequência de número de pseudorandom bastante boa. Como podemos obter a distribuição normal desta distribuição uniforme. Acontece que, se tomarmos cada vez vários números aleatórios (por exemplo, 5 números) de uma distribuição única e encontremos o valor médio desses números (isto é chamado para tirar uma amostra ) E se a quantidade de tais amostras for ótima, a distribuição recentemente obtida tenderá a ser normal. O teorema do limite central diz que isso se relaciona não apenas com amostras tiradas de distribuições únicas, mas também com uma grande variedade de outras distribuições. Uma vez que as propriedades da distribuição normal foram estudadas muito bem, será muito mais fácil analisar os processos se forem representados como um processo com distribuição normal. No entanto, ver é acreditar, para que possamos ver a confirmação deste teorema do limite central usando um simples indicador MQL4. Deixe-nos lançar este indicador em qualquer gráfico com diferentes valores de N (quantidade de amostras) e verifique se a distribuição de freqüência empírica se torna mais suave e suave. Figura 1. Indicador que cria uma distribuição normal de um uniforme. Aqui, N significa quantas vezes usamos a média dos números uniformemente distribuídos da pilha5 no intervalo de 0 a 100. Obtivemos quatro gráficos, de aparência muito semelhante. Se os normalizarmos de alguma forma no limite (adjunto a uma única escala), obteremos várias realizações da distribuição normal padrão. A única mosca nesta pomada é que o preço nos mercados financeiros (para ser mais exato, incrementos de preços e outros derivados desses incrementos), em geral, não se enquadra na distribuição normal. A probabilidade de um evento bastante raro (por exemplo, de redução de preços em 50) nos mercados financeiros é, enquanto baixa, mas ainda consideravelmente maior do que na distribuição normal. É por isso que se deve lembrar disso ao estimar os riscos com base na distribuição normal. Quantidade transformada em qualidade Mesmo este exemplo simples de modelagem de distribuição normal mostra que a quantidade de dados a serem processados ​​é muito importante. Quanto mais dados iniciais existem, mais preciso e válido é o resultado. O número mais pequeno na amostra é considerado superior a 30. Isso significa que, se quisermos estimar os resultados das negociações (por exemplo, um consultor especialista no testador), a quantidade de negócios abaixo de 30 é insuficiente para tornar estatisticamente confiável Conclusões sobre alguns parâmetros do sistema. Quanto mais negociações analisamos, menos a probabilidade é que esses negócios sejam apenas elementos felizmente arrebatados de um sistema comercial não muito confiável. Assim, o lucro final em uma série de 150 negócios oferece mais motivos para colocar o sistema em serviço do que um sistema estimado em apenas 15 negócios. Expectativa matemática e dispersão como estimativa de risco As duas características mais importantes de uma distribuição são a expectativa matemática (média) e a dispersão. A distribuição normal padrão tem uma expectativa matemática igual a zero. Com isso, o centro de distribuição também está localizado em zero. A platidez ou inclinação da distribuição normal é caracterizada pela medida da propagação de um valor aleatório dentro da área de expectativa matemática. É a dispersão que nos mostra como os valores se espalham sobre os valores aleatórios da expectativa matemática. A expectativa matemática pode ser encontrada de forma muito simples: para conjuntos contáveis, todos os valores de distribuição são resumidos, sendo a soma obtida dividida pela quantidade de valores. Por exemplo, um conjunto de números naturais é infinito, mas contabilizado, pois cada valor pode ser agrupado com seu índice (número de ordem). Para conjuntos incontáveis, a integração será aplicada. Para estimar a expectativa matemática de uma série de negócios, resumiremos todos os resultados do comércio e dividiremos o valor obtido pela quantidade de negócios. O valor obtido mostrará o resultado médio esperado de cada comércio. Se a expectativa matemática é positiva, nós ganhamos em média. Se é negativo, perdemos em média. Figura 2. Gráfico da densidade de probabilidade da distribuição normal. A medida da disseminação da distribuição é a soma de desvios quadrados do valor aleatório de sua expectativa matemática. Essa característica da distribuição é chamada de dispersão. Normalmente, a expectativa matemática de um valor distribuído aleatoriamente é denominada M (X). Em seguida, a dispersão pode ser descrita como D (X) M ((X-M (X)) 2). A raiz quadrada da dispersão é chamada de desvio padrão. Também é definido como sigma (). É uma distribuição normal com expectativa matemática igual a zero e desvio padrão igual a 1 que se denomina distribuição normal ou gaussiana. Quanto maior o valor do desvio padrão, quanto maior for o capital comercial, maior será o risco. Se a expectativa matemática for positiva (uma estratégia rentável) e igual a 100 e se o desvio padrão for igual a 500, arriscamos uma soma, que é várias vezes maior, para ganhar cada dólar. Por exemplo, temos os resultados de 30 trades: para encontrar a expectativa matemática para esta seqüência de negócios, vamos resumir todos os resultados e dividir isso em 30. Obteremos o valor médio M (X) igual a 4.26. Para encontrar o desvio padrão, deixe-nos subtrair a média de cada resultado de trades, quadrado e encontre a soma de quadrados. O valor obtido será dividido por 29 (a quantidade de negociações menos uma). Então, obteremos dispersão D igual a 9 353.623. Tendo gerado a raiz quadrada da dispersão, obtemos desvio padrão, sigma, igual a 96,71. Os dados de verificação são dados na tabela abaixo: (X-M (X)) 2 (Praça da Diferença) O que obtivemos é a expectativa matemática igual a 4,26 e desvio padrão de 96,71. Não é a melhor relação entre o risco e o comércio médio. O gráfico de lucro abaixo confirma isso: Fig.3. Gráfico de saldo para negociações feitas. Eu troco aleatoriamente Z-Score A própria suposição que o lucro obtido como resultado de uma série de negócios é sons aleatórios sardonicamente para a maioria dos comerciantes. Tendo passado muito tempo buscando um sistema comercial bem sucedido e observou que o sistema encontrado já resultou em alguns lucros reais em um período de tempo bastante limitado, o comerciante supõe ter encontrado uma abordagem adequada ao mercado. Como ele pode assumir que tudo isso era apenas uma aleatoriedade. Isso é um pouco grosso, especialmente para novatos. No entanto, é essencial estimar os resultados de forma objetiva. Nesse caso, a distribuição normal, novamente, vem ao resgate. Não sabemos o que haverá cada resultado de comércio. Só podemos dizer que ganhamos lucro () ou nos encontramos com perdas (-). Os lucros e as perdas alternam de diferentes maneiras para diferentes sistemas de negociação. Por exemplo, se o lucro esperado for 5 vezes menor do que a perda esperada ao desencadear o Stop Loss, seria razoável presumir que os negócios lucrativos (trades) prevalecerão significativamente sobre os perdedores (- trades). Z - Score nos permite estimar a frequência com que os negócios lucrativos são alternados com os perdedores. Z para um sistema de negociação é calculado pela seguinte fórmula: onde: N - quantidade total de negócios em uma série R - quantidade total de séries de negociações rentáveis ​​e perdidas P 2WL W - quantidade total de negócios rentáveis ​​na série L - valor total De perder trocas na série. Uma série é uma seqüência de vantagens seguidas umas às outras (por exemplo,) ou desvios seguidos um para o outro (por exemplo, -). R conta a quantidade de tais séries. Fig.4. Comparação de duas séries de lucros e perdas. Na Fig. 4, uma parte da seqüência de lucros e perdas do Consultor Especialista que assumiu o primeiro lugar no Automated Trading Championship 2006 é mostrada em azul. Z-score de sua conta de competição tem o valor de -3,85, a probabilidade de 99,74 é entre parênteses. Isso significa que, com uma probabilidade de 99,74, os negócios nesta conta tiveram uma dependência positiva entre eles (o escore Z é negativo): um lucro foi seguido por um lucro, uma perda foi seguida por uma perda. É este o caso. Aqueles que estavam assistindo o Campeonato provavelmente lembrariam que Roman Rich colocou sua versão do Consultor Expert MACD que freqüentemente abriu três negociações correndo na mesma direção. Uma sequência típica de valores positivos e negativos do valor aleatório na distribuição normal é mostrada em vermelho. Podemos ver que essas seqüências diferem. No entanto, como podemos medir essa diferença, o Z-score responde a esta pergunta: sua sequência de lucros e perdas contém mais ou menos tiragens (séries lucrativas ou perdidas) do que você pode esperar para uma seqüência realmente aleatória sem qualquer dependência entre trades Se o Z - score é próximo a zero, não podemos dizer que a distribuição de comércio difere da distribuição normal. A pontuação Z de uma seqüência de negociação pode nos informar sobre a possível dependência entre negociações consecutivas. Com isso, os valores de Z são interpretados da mesma maneira que a probabilidade de desvio de zero de um valor aleatório distribuído de acordo com a distribuição normal padrão (média0, sigma1). Se a probabilidade de cair um valor aleatório normalmente distribuído dentro do intervalo de 3 é 99,74, a queda desse valor fora deste intervalo com a mesma probabilidade de 99,74 nos informa que esse valor aleatório não pertence a essa distribuição normal dada. É por isso que a regra de 3 sigma é lida da seguinte forma: um valor aleatório normal se desvia da sua média em apenas uma distância de 3 sigma. O sinal de Z nos informa sobre o tipo de dependência. Além disso, é muito provavelmente que o comércio lucrativo será seguido por uma perda. Minus diz que o lucro será seguido por um lucro, uma perda será seguida por uma perda novamente. Uma pequena tabela abaixo ilustra o tipo e a probabilidade de dependência entre os negócios em comparação com a distribuição normal. Probabilidade de Dependência, Tipo de Dependência Uma dependência positiva entre negócios significa que um lucro causará um novo lucro, enquanto que uma perda causará uma nova perda. Uma dependência negativa significa que um lucro será seguido por uma perda, enquanto a perda será seguida por um lucro. A dependência encontrada nos permite regular os tamanhos de posições a serem abertas (idealmente) ou mesmo pular algumas delas e abri-las apenas praticamente para assistir as seqüências comerciais. Retornos do período de retenção (HPR) Em seu livro, The Mathematics of Money Management. Ralph Vince usa a noção de HPR (retornos do período de espera). Um comércio resultou em lucro de 10 tem o HPR10.101.10. Um comércio resultou em uma perda de 10 com o HPR1-0. 100.90. Você também pode obter o valor da HPR para uma negociação dividindo o valor do saldo depois que o comércio foi fechado (BalanceClose) pelo valor do saldo na abertura do trade (BalanceOpen). HPRBalanceCloseBalanceOpen. Assim, cada comércio tem um resultado em termos de dinheiro e um resultado expresso como HPR. Isso nos permitirá comparar sistemas de forma independente sobre o tamanho dos contratos negociados. Um dos índices utilizados nessa comparação é a média aritmética, AHPR (retornos médios do período de espera). Para encontrar o AHPR, devemos resumir todos os HPRs e dividir o resultado pela quantidade de trades. Vamos considerar esses cálculos usando o exemplo acima de 30 trades. Suponhamos que começamos a negociar com 500 na conta. Vamos fazer uma nova tabela: AHPR será encontrado como a média aritmética. É igual a 1.0217. Em outras palavras, ganhamos em média (1.0217-1) 1002.17 em cada comércio. É este o caso Se multiplicarmos 2.17 por 30, veremos que a renda deve fazer 65,1. Vamos multiplicar o valor inicial de 500 por 65.1 e obter 325.50. Ao mesmo tempo, o lucro real faz (627.71-500) 50010025.54. Assim, a média aritmética de HPR nem sempre nos permite estimar um sistema corretamente. Junto com a média aritmética, Ralph Vince introduz a noção de média geométrica que devemos chamar GHPR (retornos do período de espera geométrico), que é praticamente sempre menor que o AHPR. A média geométrica é o fator de crescimento por jogo e é encontrada pela seguinte fórmula: onde: N - quantidade de negociações BalanceOpen - estado inicial da conta BalanceClose - estado final da conta. O sistema que possui o maior GHPR fará os maiores lucros se negociarmos com base no reinvestimento. O GHPR abaixo de um significa que o sistema perderá dinheiro se negociarmos com base no reinvestimento. Uma boa ilustração da diferença entre AHPR e GHPR pode ser o histórico da conta sashkens. Ele foi o líder dos campeonatos por um longo tempo. AHPR 9.98 impressiona, mas o GHPR-27.68 final coloca tudo em perspectiva. Razão Sharpe A eficiência dos investimentos é muitas vezes estimada em termos de dispersão de lucros. Um desses índices é Sharpe Ratio. Este índice mostra como o AHPR diminuiu pela taxa livre de risco (RFR) refere-se ao desvio padrão (SD) da sequência HPR. O valor da RFR geralmente é considerado igual à taxa de juros em depósito no banco ou taxa de juros sobre obrigações de tesouraria. No nosso exemplo, AHPR1.0217, SD (HPR) 0.17607, RFR0. Onde: AHPR - período de espera médio retorna RFR - taxa livre de risco SD - desvio padrão. Sharpe Ratio (1.0217- (10)) 0.176070.02170.176070.1232. Para distribuição normal, mais de 99 dos valores aleatórios estão dentro do intervalo de 3 (sigmaSD) sobre o valor médio M (X). Segue-se que o valor de Sharpe Ratio superior a 3 é muito bom. Na Fig. 5 abaixo, podemos ver isso, se os resultados do comércio são distribuídos normalmente e Sharpe Ratio3, a probabilidade de perder é inferior a 1 por comércio de acordo com a regra de 3 sigma. Fig.5. Distribuição normal dos resultados do comércio com a probabilidade de perda de menos de 1. A conta do participante chamado RobinHood confirma isso: sua EA fez 26 negociações no Automated Trading Championship 2006 sem perder uma entre elas. Razão Sharpe3.07 Regressão Linear (LR) e Coeficiente de Correlação Linear (CLC) Existe também uma outra maneira de estimar a estabilidade dos resultados comerciais. Sharpe Ratio nos permite estimar o risco que o capital está executando, mas também podemos tentar estimar o grau suave da curva de equilíbrio. Se importamos os valores de equilíbrio no fechamento de cada comércio, poderemos desenhar uma linha quebrada. Esses pontos podem ser equipados com uma certa linha reta que nos mostrará a direção média das mudanças de capital. Consideremos um exemplo desta oportunidade usando o gráfico de saldo do Expert Advisor Phoenix4 desenvolvido por Hendrick. FIG. 6. Gráfico de saldo de Hendrick, Participante do Automated Trading Championship 2006. Devemos encontrar esses coeficientes a e b que essa linha seja o mais próxima possível dos pontos que estão sendo instalados. No nosso caso, x é o número comercial, y é o valor do saldo no fechamento do comércio. Coeficientes de uma aproximação direta são geralmente encontrados pelo método dos mínimos quadrados (método LS). Suponhamos que tenhamos esse direito com coeficientes conhecidos e b. Para cada x, temos dois valores: y (x) axb e balance (x). O desvio do equilíbrio (x) de y (x) será denotado como d (x) y (x) - balance (x). SSD (soma de desvios quadrados) pode ser calculado como SDSumm. Encontrar o método straight by LS significa procurar por a e b que SD é mínimo. Este recto também é chamado de regressão linear (LR) para a seqüência dada. FIG. 7. Desvio do valor do equilíbrio do straight of yaxb Tendo obtido os coeficientes da linha reta de yaxb usando o método LS, podemos estimar o desvio do valor do saldo do recto em termos monetários. Se calcularmos a média aritmética para a seqüência d (x), estaremos certos de que (d (x)) é próximo de zero (para ser mais exato, é igual a zero para algum grau de precisão de cálculo). Ao mesmo tempo, o SSD de SD não é igual a zero e tem um certo valor limitado. A raiz quadrada de SD (N-2) mostra a propagação de valores no gráfico de saldo sobre a linha reta e permite estimar sistemas de negociação em valores idênticos ao estado inicial da conta. Ligaremos para este parâmetro LR Standard Error. Abaixo estão os valores deste parâmetro para as primeiras 15 contas no Automated Trading Championship 2006: LR Standard Error, No entanto, o grau de aproximação do gráfico do saldo para um straight pode ser medido em termos de dinheiro e termos absolutos. Para isso, podemos usar a taxa de correlação. A taxa de correlação, r, mede o grau de correlação entre duas seqüências de números. Seu valor pode estar dentro do intervalo de -1 a 1. Se r1, significa que duas seqüências têm comportamento idêntico e a correlação é positiva. FIG. 8. Exemplo de correlação positiva. Se r-1, as duas seqüências mudam em oposição, a correlação é negativa. FIG. 9. Exemplo de correlação negativa. Se r0, significa que não existe nenhuma dependência entre as seqüências. Deve-se enfatizar que r0 não significa que não haja correlação entre as seqüências, apenas diz que tal correlação não foi encontrada. Isso deve ser lembrado. No nosso caso, temos que comparar duas seqüências de números:, -. FIG. 10. Valores do equilíbrio e pontos na regressão linear. Abaixo está a representação da tabela dos mesmos dados: Permite designar valores de equilíbrio como X e a seqüência de pontos na linha de regressão linear como Y. Para calcular o coeficiente de correlação linear entre as seqüências X e Y, é necessário encontrar valores médios M (X) e M (Y) primeiro. Então, vamos criar uma nova seqüência T (XM (X)) (YM (Y)) e calcular seu valor médio como M (T) cov (X, Y) M ((XM (X)) (YM (Y)) ). O valor encontrado de cov (X, Y) é denominado covariância de X e Y e significa expectativa matemática do produto (X-M (X)) (Y-M (Y)). Para o nosso exemplo, o valor da covariância é 21 253 775.08. Observe que M (X) e M (Y) são iguais e têm o valor de 21 382,26 cada. Significa que o valor médio da Equilíbrio e a média da linha reta são iguais. Onde: X - Balanço Y - regressão linear M (X) - Valor médio de equilíbrio M (Y) - Valor médio LR. O único que resta ser feito é o cálculo de Sx e Sy. Para calcular Sx, encontraremos a soma dos valores de (X-M (X)) 2, ou seja, encontre o SSD de X a partir do seu valor médio. Lembre-se de como calculamos a dispersão e o algoritmo do método LS. Como você pode ver, eles estão todos relacionados. O SSD encontrado será dividido pela quantidade de números na sequência - no nosso caso, 36 (de zero a 35) - e extrai a raiz quadrada do valor resultante. Então obtivemos o valor de Sx. O valor de Sy será calculado da mesma maneira. No nosso exemplo, Sx5839. 098245 e Sy4610. 181675. Onde: N - quantidade de negociações X - Saldo Y - regressão linear M (X) - Valor médio de equilíbrio M (Y) - Valor médio de LR. Agora, podemos encontrar o valor do coeficiente de correlação como r21 253 775.08 (5839. 0982454610. 181675) 0.789536583. Isto está abaixo de um, mas longe de zero. Assim, podemos dizer que o gráfico do saldo se correlaciona com a linha de tendência avaliada como 0,79. Em comparação com outros sistemas, gradualmente aprenderemos a interpretar os valores do coeficiente de correlação. Na página Relatórios do Campeonato, este parâmetro é chamado de correlação LR. A única diferença feita para calcular este parâmetro dentro do quadro do Campeonato é que o signo de correlação LR indica a rentabilidade comercial. A questão é que poderíamos calcular o coeficiente de correlação entre o gráfico do saldo e qualquer reta. Para fins do Campeonato, foi calculado para a linha de tendência ascendente, portanto, se a correlação LR for acima de zero, a negociação é lucrativa. Se estiver abaixo de zero, está perdendo. Às vezes, um efeito interessante ocorre onde a conta senta lucro, mas a correlação LR é negativa. Isso pode significar que a negociação está perdendo, mesmo assim. Um exemplo de tal situação pode ser visto em Avers. O lucro líquido total faz 2 642, enquanto que LR orrelação é -0,11. Provavelmente não há correlação, neste caso. Isso significa que simplesmente não conseguimos avaliar o futuro da conta. MAE e MFE nos farão muito Muitas vezes nos advertem: reduzir as perdas e deixar crescer o lucro. Olhando para os resultados finais do comércio, não podemos tirar conclusões sobre se o protetor pára (Stop Loss) está disponível ou se a fixação do lucro é efetiva. Nós só vemos a data de abertura do cargo, a data de encerramento e o resultado final - um lucro ou uma perda. Isto é como julgar sobre uma pessoa por suas datas de nascimento e morte. Sem saber sobre lucros flutuantes durante toda a vida comercial e sobre todas as posições como um total, não podemos julgar a natureza do sistema comercial. Quão arriscada é isso Como o lucro alcançou O lucro do papel perdeu As respostas a essas perguntas podem ser bem fornecidas pelos parâmetros MAE (Excursão adversa máxima) e MFE (Excursão máxima favorável). Todas as posições abertas (até fechar) continuamente experimentam flutuações de lucro. Todo comércio atingiu seu máximo lucro e sua perda máxima durante o período entre a abertura e o fechamento. MFE mostra o movimento máximo dos preços em uma direção favorável. Respectivamente, MAE mostra o movimento de preço máximo em uma direção adversa. Seria lógico medir ambos os índices em pontos. No entanto, se os diferentes pares de moedas fossem negociados, teremos que expressá-lo em termos de dinheiro. Todo comércio fechado corresponde ao resultado (retorno) e dois índices - MFE e MAE. Se o comércio resultou em lucro de 100, MAE atingindo -1000, isso não fala melhor para estes negócios. A disponibilidade de muitos negócios resultou em lucros, mas com grandes valores negativos de MAE por comércio, nos informa que o sistema apenas senta perder posições. Essa negociação está pronta para falhar mais cedo ou mais tarde. Da mesma forma, os valores do MFE podem fornecer algumas informações úteis. Se uma posição foi aberta em uma direção certa, o MFE por comércio atingiu 3000, mas o comércio foi fechado, resultando no lucro de 500, podemos dizer que seria bom elaborar o sistema de proteção de lucros unfixed. Isso pode ser Trailing Stop, podemos nos mover depois do preço se o último se mover em uma direção favorável. Se os lucros baixos forem sistemáticos, o sistema pode ser significativamente melhorado. A MFE nos informará sobre isso. Para que a análise visual seja mais conveniente, seria melhor usar a representação gráfica da distribuição de valores de MAE e MFE. Se importamos cada comércio em um gráfico, veremos como o resultado foi obtido. Por exemplo, se tivermos outro olhar sobre os Relatórios de RobinHood, que não tiveram trocas perdidas, veremos que cada comércio tinha uma redução (MAE) de -120 para -2500. FIG. 11. Distribuição de negócios no plano de MAExReturns Além disso, podemos desenhar uma linha direta para ajustar a distribuição Return x MAE usando o método LS. Na Fig. 11, é mostrado em vermelho e tem uma inclinação negativa (os valores diretos diminuem quando se deslocam da esquerda para a direita). Parameter Correlation (Lucros, MAE) -0,59 nos permite estimar o quão perto dos pontos diretos são distribuídos no gráfico. O valor negativo mostra inclinação negativa da linha de montagem. Se você olhar através de outras contas Participantes, você verá que o coeficiente de correlação geralmente é positivo. No exemplo acima, a inclinação descendente da linha nos diz que ela tende a obter cada vez mais rebaixos para não permitir a perda de trades. Agora, podemos entender o preço pago pelo valor ideal do parâmetro LR Correlation1. De forma semelhante, podemos construir um gráfico de distribuição de Retornos e MFE, bem como encontrar os valores de Correlação (Lucros, MFE) 0,77 e Correlação (MFE, MAE) -0,59. Correlação (Lucros, MFE) é positiva e tende a um (0,77). Isso nos informa que a estratégia tenta não permitir longas sessões de lucros flutuantes. É mais provável que o lucro não seja permitido crescer o suficiente e os negócios sejam fechados pelo Take Profit. Como você pode ver, as distribuições de MAE e MFE nos dão uma estimativa visual e os valores de correlação (lucros, MFE) e correlação (lucros, MAE) podem nos informar sobre a natureza da negociação, mesmo sem gráficos. Valores de Correlação (MFE, MAE), Correlação (NormalizedProfits, MAE) e Correlação (NormalizedProfits, MFE) nos Participantes do Campeonato Os relatórios são fornecidos como informações adicionais. Normalização de resultados comerciais No desenvolvimento de sistemas de negociação, geralmente eles usam tamanhos fixos para posições. Isso permite uma otimização mais fácil dos parâmetros do sistema, a fim de encontrar aqueles mais ótimos em determinados critérios. No entanto, depois que as entradas foram encontradas, a questão lógica ocorre: o sistema de gerenciamento de dimensionamento (Money Management, MM) deve ser aplicado. O tamanho das posições abertas relaciona-se diretamente com a quantia de dinheiro na conta, por isso não seria razoável negociar na conta com 5.000 da mesma forma que naquela com 50 000. Além disso, um sistema pode abrir posições, que Não são diretamente proporcionais. Quero dizer, uma posição aberta na conta com 50 000 não deve ser necessariamente 10 vezes mais do que a aberta em um depósito de 5 000. Os tamanhos de posição também podem variar de acordo com a atual fase de mercado, com os resultados das últimas análises de negócios, e assim por diante. Portanto, o sistema de gerenciamento de dinheiro aplicado pode essencialmente alterar a aparência inicial de um sistema comercial. Como podemos estimar o impacto do sistema de gerenciamento de dinheiro aplicado. Era útil ou simplesmente piorava os lados negativos da nossa abordagem comercial? Como podemos comparar os resultados do comércio em várias contas com o mesmo tamanho de depósito no início? Uma possível solução Seria a normalização dos resultados do comércio. Onde: TradeProfit - lucro por comércio em termos de dinheiro TradeLots - tamanho da posição (lotes) Lotes Mínimos - tamanho mínimo permitido da posição. A normalização será realizada da seguinte forma: dividiremos cada resultado de negociação (lucro ou perda) pelo volume da posição e depois multiplicaremos pelo tamanho mínimo permitido da posição. Por exemplo, ordem 4399142 COMPRAR 2,3 lotes USDJPY foi fechado com o lucro de 4 056. 20 118,51 (swaps) 4 174,71. Este exemplo foi tirado da conta de GODZILLA (Nikolay Kositsin). Permite dividir o resultado em 2,3 e multiplicar por 0,1 (o tamanho de posição mínimo permitido) e obter um lucro de 4 056.202.3 0.1 176.36 e swaps 5.15. these would be results for the order of 0.1-lot size. Let us do the same with results of all trades and we will then obtain Normalized Profits (NP). the first thing we think about is finding values of Correlation(NormalizedProfits, MAE) and Correlation(NormalizedProfits, MFE) and comparing them to the initial Correlation(Profits, MAE) and Correlation(Profits, MFE). If the difference between parameters is significant, the applied method has likely changed the initial system essentially. They say that applying of can kill a profitable system, but it cannot turn a losing system into a profitable one. in the Championship, the account of TMR is a rare exception where changing Correlation(NormalizedProfits, MFE) value from 0.23 to 0.63 allowed the trader to close in black. How Can We Estimate the Strategys Aggression We can benefit even more from normalized trades in measuring of how the MM method applied influences the strategy. It is obvious that increasing sizes of positions 10 times will cause that the final result will differ from the initial one 10 times. And what if we change the trade sizes not by a given number of times, but depending on the current developments Results obtained by trust-managing companies are usually compared to a certain model, usually - to a stock index. Beta Coefficient shows by how many times the account deposit changes as compared to the index. If we take normalized trades as an index, we will be able to know how much more volatile the results became as compared to the initial system (0.1-lot trades). Thus, first of all, we calculate covariance - cov(Profits, NormalizedProfits). then we calculate the dispersion of normalized trades naming the sequence of normalized trades as NP. For this, we will calculate the mathematical expectation of normalized trades named M(NP). M(NP) shows the average trade result for normalized trades. Then we will find the SSD of normalized trades from M(NP), i. e. we will sum up (NP-M(NP))2. The obtained result will be then divided by the amount of trades and name D(NP). This is the dispersion of normalized trades. Lets divide covariance between the system under measuring, Profits, and the ideal index, NormalizedProfits cov(Profits, NormalizedProfits), by the index dispersion D(NP). The result will be the parameter value that will allow us to estimate by how many times more volatile the capital is than the results of original trades (trades in the Championship) as compared to normalized trades. This parameter is named Money Compounding in the Reports. It shows the trading aggression level to some extent. where: Profits - trade results NP - normalized trade results M(NP) - mean value of normalized trades. The LR Standard error in Winners accounts was not the smallest. At the same time, the balance graphs of the most profitable Expert Advisors were rather smooth since the LR Correlation values are not far from 1.0. The Sharpe Ratio lied basically within the range of 0.20 to 0.40. The only EA with extremal Sharpe Ratio3.07 turned not to have very good values of MAE and MFE. The GHPR per trade is basically located within the range from 1.5 to 3. At that, the Winners did not have the largest values of GHPR, though not the smallest ones. Extreme value GHPR12.77 says us again that there was an abnormality in trading, and we can see that this account experienced the largest fluctuations with LR Standard error9 208.08. Z-score does not give us any generalizations about the first 15 Championship Participants, but values of Zgt2.0 may draw our attention to the trading history in order to understand the nature of dependence between trades on the account. Thus, we know that Z-3.85 for Richs account was practically reached due to simultaneous opening of three positions. And how are things with ldamianis account Finally, the last column in the above table, Money Compounding, also has a large range of values from 8 to 50, 50 being the maximal value for this Championship since the maximal allowable trade size made 5.0 lots, which is 50 times more than the minimal size of 0.1 lot. However, curiously enough, this parameter is not the largest at Winners. The Top Threes values are 17.27, 28.79 and 16.54. Did not the Winners fully used the maximal allowable position size Yes, they did. the matter is, perhaps, that the MM methods did not considerably influence trading risks at general increasing of contract sizes. This is a visible evidence of that money management is very important for a trading system. The 15th place was taken by payday. The EA of this Participant could not open trades with the size of more than 1. 0 lot due to a small error in the code. What if this error did not occur and position sizes were in creased 5 times, up to 5.0 lots Would then the profit increase proportionally, from 4 588.90 to 22 944.50 Would the Participant then take the second place or would he experience an irrecoverable DrawDown due to increased risks Would alexgomel be on the first place His EA traded with only 1.0- trades, too. Or could vgc win, whose Expert Advisor most frequently opened trades of the size of less than 1.0 lot. All three have a good smooth balance graph. As you can see, the Championships plot continues whereas it was over Conclusion: Dont Throw the Baby Out with the Bathwater Opinions differ. This article gives some very general approaches to estimation of trading strategies. One can create many more criteria to estimate trade results. Each characteristic taken separately will not provide a full and objective estimate, but taken together they may help us to avoid lopsided approach in this matter. We can say that we can subject to a cross-examination any positive result (a profit gained on a sufficient sequence of trades) in order to detect negative points in trading. This means that all these characteristics do not so much characterize the efficiency of the given trading strategy as inform us about weak points in trading we should pay attention at, without being satisfied with just a positive final result - the net profit gained on the account. Well, we cannot create an ideal trading system, every system has its benefits and implications. Estimation test is used in order not to reject a trading approach dogmatically, but to know how to perform further development of trading systems and Expert Advisors. In this regard, statistical data accumulated during the Automated Trading Championship 2006 would be a great support for every trader. MATHEMATICAL TRADING INDICATORS The mathematical trading methods provide an objective view of price activity. It helps you to build up a view on price direction and timing, reduce fear and avoid overtrading. Furthermore, these methods tend to provide signals of price movements prior to their occurring in the market. The tools used by the mathematical trading methods are moving averages and oscillators. (Oscillators are trading tools that offer indications of when a currency is overbought or oversold). Though there are countless mathematical indicators, here we will cover only the most important ones. Simple and Exponential Moving Average (SMA 8211 EMA) Moving Average Convergence-Divergence (MACD) Bollinger Bands The Parabolic System, Stop-and-Reverse (SAR) RSI (Relative Strength Index) Moving Average A moving average is an average of a shifting body of prices calculated over a given number of days. A moving average makes it easier to visualize market trends as it removes or at least minimizes 8211 daily statistical noise. It is a common tool in technical analysis and is used either by itself or as an oscillator. There are several types of moving averages, but we will deal with only two of them: the simple moving average (SMA) and the exponential moving average (EMA). Simple moving average (SMA) Definition The simple moving average is an arithmetic mean of price data. It is calculated by summing up each interval8217s price and dividing the sum by the number of intervals covered by the moving average. For instance, adding the closing prices of an instrument for the most recent 25 days and then dividing it by 25 will get you the 25 day moving average. Though the daily closing price is the most common price used to calculate simple moving averages, the average may also be based on the midrange level or on a daily average of the high, low, and closing prices. Advantages Moving average is a smoothing tool that shows the basic trend of the market. It is one of the best ways to gauge the strength a long-term trend and the likelihood that it will reverse. When a moving average is heading upward and the price is above it, the security is in an uptrend. Por outro lado, uma média móvel inclinada para baixo com o preço abaixo pode ser usada para sinalizar uma tendência de queda. Drawbacks It is a follower rather than a leader. Its signals occur after the new movement, event, or trend has started, not before. Therefore it could lead you to enter trade some late. It is criticized for giving equal weight to each interval. Some analysts believe that a heavier weight should be given to the more recent price action. Example You can see from the chart below examples of two simple moving averages 8211 5 days (Red), 20 days (blue). Exponential Moving Average (EMA) The exponential moving average (EMA) is a weighted average of a price data which put a higher weight on recent data point. Characteristics The weighting applied to the most recent price depends on the specified period of the moving average. The shorter the EMA period, the more weight will be applied to the most recent price. An EMA can be specified in two ways: as a percentage-based EMA, where the analyst determines the percentage weight of the latest period8217s price, or a period-based EMA, where the analyst specifies the duration of the EMA, and the weight of each period is calculated by formula. The latter is the more commonly used. Main Advantages compared to SMA Because it gives the most weight to the most recent observations, EMA enables technical traders to react faster to recent price change. As opposed to Simple Moving Average, every previous price in the data set is used in the calculation of EMA. While the impact of older data points diminishes over time, it never fully disappears. This is true regardless of the EMA8217s specified period. The effects of older data diminish rapidly for shorter EMAs than for longer ones but, again, they never completely disappear. Example You can see from the chart below the difference between SMA (in blue) and EMA (in green) calculated over a 20-day period. MACD (Moving Average Convergence-Divergence) The moving average convergence-divergence indicator (MACD) is used to determine trends in momentum. Calculation It is calculated by subtracting a longer exponential moving average (EMA) from a shorter exponential moving average. The most common values used to calculate MACD are 12-day and 26-day exponential moving average. Based on this differential, a moving average of 9 periods is calculated, which is named the 8222signal line8221. MACD 12-day moving average 26-day moving average gt Exponential Weighted Indicator Signal Line Moving Average (MACD) gt Average Weighted Indicator Interpretation Due to exponential smoothing, the MACD Indicator will be quicker to track recent price changes than the signal line. Therefore, When the MACD crossed the SIGNAL LINE: the faster moving average (12-day) is higher than the rate of change for the slower moving average (26-day). It is typically a bullish signal, suggesting the price is likely to experience upward momentum. Conversely, when the MACD is below the SIGNAL LINE: it is a bearish signal, possibly forecasting a pending reversal. Example of a MACD You can see from the chart below example of a MACD. The MACD Indicator is represented in green and the Signal Line in Blue. Bollinger Bands Bollinger Bands were developed by John Bollinger in the early 1980s. They are used to identify extreme highs or lows in price. Bollinger recognized a need for dynamic adaptive trading bands, whose spacing varies based on the volatility of the prices. During period of high volatility, Bollinger bands widen to become more forgiving. During periods of low volatility, they narrow to contain prices. Calculation Bollinger Bands consist of a set of three curves drawn in relation to prices: The middle band reflects an intermediate-term trend. The 20 day 8211 simple moving average (SMA) usually serves this purpose. The upper band is the same as the middle band, but it is shifted up by two standard deviations, a formula that measures volatility, showing how the price can vary from its true value The lower band is the same as the middle band, but it is shifted down by two standard deviations to adjust for market volatility. Bollinger Bands establish a Bandwidth, a relative measure of the width of the bands, and a measure of where the last price is in relation to the bands. Lower Bollinger Band SMA 8211 2 standard deviations Upper Bollinger Band SMA 2 standard deviations. Middle Bollinger Band 20 day 8211 simple moving average (SMA). Interpretation The probability of a sharp breakout in prices increases when the bandwidth narrows. When prices continually touch the upper Bollinger band, the prices are thought to be overbought triggering a sell signal. Conversely, when they continually touch the lower band, prices are thought to be oversold, triggering a buy signal. Example of Bollinger Bands You can see from the chart below the Bollinger Bands of the SampP 500 Index, represented in green. The Parabolic System, Stop-and-Reverse (SAR) The parabolic SAR system is an effective investor8217s tool that was originally devised by J. Welles Wilder to compensate for the failings of other trend-following systems. Description The Parabolic SAR is a trading system that calculates trailing 8222stop-losses8221 in a trending market. The chart of these points follows the price movements in the form of a dotted line, which tends to follow a parabolic path. Interpretation When the parabola follows along below the price, it is providing buy signals. When the parabola appears above the price, it suggests selling or going short. The stop-losses dots are setting the levels for the trailing stop-loss that is recommended for the position. In a bullish trend, a long position should be established with a trailing stop that will move up every day until activated by the price falling to the stop level. In a bearish trend, a short position can be established with a trailing stop that will move down every day until activated by the price rising to the stop level. The parabolic system is considered to work best during trending periods. It helps traders catch new trends relatively early. If the new trend fails, the parabola quickly switches from one side of the price to the other, thus generating the stop and reverse signal, indicating when the trader should close his position or open an opposing position when this switch occurs. Example of an SAR parabolic study You can see from the chart below in green the Parabolic System applied to the USDJPY pair. Relative Strength Index (RSI) The RSI was developed by J. Welles Wilder as a system for giving actual buy and sell signals in a changing market. Definition RSI is based on the difference between the average of the closing price on up days vs. the average closing price on the down days, observed over a 14-day period. That information is then converted into a value ranging from 0 to 100. When the average gain is greater than the average loss, the RSI rises, and when the average loss is greater than the average gain, the RSI declines. Interpretation The RSI is usually used to confirm an existing trend. An uptrend is confirmed when RSI is above 50 and a downtrend when it8217s below 50.It also indicates situations where the market is overbought or oversold by monitoring the specific levels (usually 30 and 70) that warn of coming reversals. An overbought condition (RSI above 70) means that there are almost no buyers left in the market, and therefore prices are more likely to decline as those who previously bought will now take their profit by selling. An oversold condition (RSI below 30) is the exact opposite. Example of RSI You can see in red from the chart below the Relative Strength Index of the GBPUSD pair.