Aguarde Se você precisar de informações adicionais para ver como o TradeMiner pode ajudá-lo na sua negociação. O Software TradeMiner identifica tendências sazonais e ciclos de mercado históricos Uma metodologia cientificamente documentada: ajuste os critérios para obter resultados imediatos de tendências históricas A digitalização de tendências sazonais históricas é feita simplesmente interagindo com o parágrafo como mostrado acima. Procure tendências por mês ou para um símbolo específico Defina a precisão histórica mínima (ou seja, 80 porcentagem de vitória histórica em dez anos significaria que pelo menos 8 dos últimos 10 anos teriam que estar em linha com a tendência sazonal). Estreito Ou Expanda os dias de negociação. Isso indica a duração do número de dias que você deseja que a tendência seja (ou seja, 15 dias de negociação para 45 dias de negociação está procurando tendências que duram três semanas a nove semanas). Selecione quantos anos olhar para trás. Esta opção permite que você defina o número mínimo de anos que o TradeMiner voltará a encontrar tendências históricas. Os filtros eliminam as tendências sobrepostas (ou seja, as tendências que começam no mesmo dia, mas terminam em dias diferentes ou se se sobrepõem.) Selecionar Dig Now irá analisar a base de dados histórica e identificar as tendências e ciclos que atendam aos seus critérios. O TradeMiner classificará os resultados históricos de acordo com um sistema de classificação proprietário. Este sistema classifica as escolhas com maiores ganhos históricos no menor período de tempo, com a menor quantidade de risco histórico. A classificação de pontuação funciona em uma escala de zero a cinco, e inclui uma chave de código de cores fácil de ler. Analisar gráficos A variedade de gráficos no TradeMiner permite que você veja os resultados dos anos anteriores, identifique o risco histórico vs. recompensa e veja os registros comerciais detalhados das tendências dos últimos anos. Veja visualmente a tendência histórica e veja os resultados dos últimos anos. Em TradeMiner você pode selecionar qualquer um dos seguintes gráficos e eles aparecerão na janela de gráfico maior maior. Esta visão maior fornece detalhes adicionais para qualquer comércio escolhido. Gráfico de patrimônio histórico Risco histórico vs recompensa Detalhes do comércio ano a anoData Mining a Forex Majors Strategy Devido às características únicas de diferentes pares de moedas, muitas estratégias quantitativas de Forex são projetadas com um par de moedas específicas em mente. Embora isso possa produzir muitas estratégias de negociação lucrativas, também há vantagens em desenvolver estratégias que podem ser negociadas em vários pares de moedas. Isso introduz um elemento de diversificação que pode fornecer um nível adicional de proteção contra desvantagem. Daniel Fernandez publicou recentemente um sistema que ele projetou para negociar em cada um dos quatro maiores de Forex. Seu objetivo era encontrar um sistema que teria produzido um histórico de 20 anos de negociação rentável em EURUSD, GBPUSD, USDJPY e USDCHF. Daniel usa uma abordagem de mineração de dados para desenvolver uma estratégia para negociar as quatro principais divisas. Para construir seu sistema, Daniel usou seu software de mineração de dados para definir sinais de entrada e saída que teriam produzido uma estratégia de negociação lucrativa em cada um dos quatro pares de moedas nos últimos 20 anos. O que ele aparece é uma combinação de três regras baseadas em preços que formam a base de sua estratégia Forex Majors. Daniel8217s Forex Majors Strategy Daniel8217s A estratégia Forex Majors é muito simples na medida em que sempre tem uma posição, longa ou curta, em cada um dos quatro pares de moedas que negocia. Baseia todas as suas negociações em gráficos diários. A estratégia vai longa quando as três condições seguintes são atendidas: a estratégia é curta quando as três condições seguintes são atendidas: como você pode ver, a estratégia é basicamente uma estratégia otimizada seguindo a estratégia. Isso faz sentido, porque Daniel afirma no início de seu artigo que a tendência de longo prazo seguindo as estratégias são geralmente as melhores estratégias para negociar múltiplos mercados. Uma regra adicional que a estratégia de Daniel8217s usa é uma parada-perda baseada em ATR. A perda de parada fixa é definida em 180 da ATR de 20 dias. Se a perda de parada for disparada, a estratégia permanece fora do mercado até que um sinal seja gerado na direção oposta. O teste indica que a reintrodução em um sinal na mesma direção afetou negativamente o desempenho. Backtesting Performance Os resultados de backtesting que Daniel incluiu em sua publicação mostram que a estratégia foi bastante lucrativa. Produziu um índice de ganhos de 45, um fator de lucro de 1,38, e um índice de recompensa para risco de 1,68. A maior preocupação de Daniel8217 sobre a estratégia foi que o período de retirada máxima representava um tempo muito longo. De acordo com os números de Daniel8217s, o retorno anual médio foi de 9,67. Isso consistiu em 16 anos rentáveis, 4 anos perdidos e um ano que basicamente se rompeu. O melhor ano foi um retorno de 37,76, eo pior ano foi uma perda de 20,2. Daniel observa que este sistema não representaria uma boa estratégia autônoma por causa de seus retornos em relação a remessas máximas. No entanto, ele sugere que poderia ser um pedaço interessante de uma estratégia maior e multi-sistema. Teste de dados Mining Backtesting Data Mining Neste artigo, considere duas práticas relacionadas que são amplamente utilizadas por comerciantes chamados Backtesting e Data Mining. Estas são técnicas que são poderosas e valiosas se as usarmos corretamente, no entanto, os comerciantes costumam abusá-las. Portanto, também, explore duas armadilhas comuns dessas técnicas, conhecidas como o problema da hipótese múltipla e sobreposição e como superar essas armadilhas. Backtesting é apenas o processo de utilização de dados históricos para testar o desempenho de alguma estratégia comercial. Backtest geralmente começa com uma estratégia que gostaríamos de testar, por exemplo comprando GBPUSD quando ele cruza acima da média móvel de 20 dias e vendendo quando ele cruza abaixo dessa média. Agora, podemos testar essa estratégia observando o que o mercado avança, mas isso levaria muito tempo. É por isso que usamos dados históricos que já estão disponíveis. Mas espere, aguarde, eu ouço você dizer. Você não poderia trapacear ou, pelo menos, ser tendencioso porque você já sabe o que aconteceu no passado. Isso é definitivamente uma preocupação, então um backtest válido será aquele em que não estamos familiarizados com os dados históricos. Podemos realizar isso escolhendo períodos de tempo aleatórios ou escolhendo muitos períodos de tempo diferentes para realizar o teste. Agora eu posso ouvir outro grupo de vocês dizendo: Mas todos esses dados históricos, sentados lá, esperando para serem analisados, são tentadores. Talvez não haja segredos profundos naquele dado, esperando apenas geeks como nós para descobri-lo. Seria tão errado para nós examinar esses dados históricos primeiro, analisá-lo e ver se podemos encontrar padrões escondidos dentro dele. Este argumento também é válido, mas nos leva a uma área cheia de perigo. O mundo da Mineração de Dados Mineração de Dados envolve a pesquisa de dados para localizar padrões e encontrar correlações possíveis entre variáveis. No exemplo acima, envolvendo a estratégia de média móvel de 20 dias, acabamos de apresentar esse indicador particular, mas suponha que não tivéssemos idéia do tipo de estratégia que queríamos testar, quando a mineração de dados é útil. Poderíamos pesquisar através de nossos dados históricos sobre GBPUSD para ver como o preço se comportou depois que cruzou muitas médias móveis diferentes. Poderíamos controlar também os movimentos de preços em relação a muitos outros tipos de indicadores e ver quais correspondem a grandes movimentos de preços. O assunto da mineração de dados pode ser controverso porque, como eu discuti acima, parece um pouco como trapacear ou olhar para frente nos dados. A mineração de dados é uma técnica científica válida. Por um lado, o método científico afirma que deveria fazer uma hipótese primeiro e, em seguida, testá-la contra os nossos dados, mas, por outro lado, parece apropriado explorar alguns dos dados primeiro, a fim de Sugerir uma hipótese. Então, o que é certo. Podemos observar as etapas do Método Científico para obter uma pista sobre a origem da confusão. O processo em geral parece assim: Observação (dados) Experiência de predição de hipóteses (dados) Observe que podemos lidar com dados durante as etapas de Observação e Experiência. Então, ambas as visualizações estão corretas. Devemos usar dados para criar uma hipótese sensata, mas também testamos essa hipótese usando dados. O truque é simplesmente garantir que os dois conjuntos de dados não sejam os mesmos. Nunca devemos testar nossa hipótese usando o mesmo conjunto de dados que usamos para sugerir nossa hipótese. Em outras palavras, se você usar a mineração de dados para criar idéias de estratégia, certifique-se de usar um conjunto diferente de dados para testar essas idéias. Agora, bem, volte a atenção para as principais dificuldades de usar a mineração de dados e backtesting incorretamente. O problema geral é conhecido como sobre otimização e eu prefiro quebrar esse problema em dois tipos distintos. Estes são o problema da hipótese múltipla e a superposição. De certo modo, são maneiras opostas de fazer o mesmo erro. O problema da hipótese múltipla envolve a escolha de muitas hipóteses simples, enquanto a superposição envolve a criação de uma hipótese muito complexa. O Problema de Hipóteses Múltiplas Para ver como esse problema surge, vamos voltar ao nosso exemplo em que testámos a estratégia da média móvel de 20 dias. Suponhamos que backtest a estratégia contra dez anos de dados do mercado histórico e eis que adivinhe o que os resultados não são muito encorajadores. No entanto, sendo negociadores bruscos e caídos como estamos, decidimos não desistir tão facilmente. E quanto a uma média móvel de dez dias. Isso pode resultar um pouco melhor, então vamos fazer o teste. Executamos outro backtest e achamos que os resultados ainda não são estelares, mas eles são um pouco melhores do que os resultados de 20 dias. Nós decidimos explorar um pouco e executar testes semelhantes com médias móveis de 5 dias e 30 dias. Finalmente, ocorre-nos que, na verdade, poderíamos testar todas as médias móveis até certo ponto e ver como elas funcionam. Então, testamos os 2 dias, 3 dias, 4 dias, e assim por diante, até a média móvel de 50 dias. Agora, certamente, algumas dessas médias irão funcionar mal e outras irão funcionar bastante bem, mas terá que haver uma delas, o que é o melhor absoluto. Por exemplo, podemos achar que a média móvel de 32 dias mostrou ser o melhor desempenho durante este período particular de dez anos. Isso significa que há algo especial sobre a média de 32 dias e que devemos estar confiantes de que ele vai funcionar bem no futuro. Infelizmente, muitos comerciantes assumem que isso é o caso, e eles simplesmente param sua análise neste momento, pensando que Eles descobriram algo profundo. Eles caíram na armadilha do Problema de Hipóteses Múltiplas. O problema é que não há nada incomum ou significativo sobre o fato de que alguma média acabou por ser a melhor. Afinal, testámos quase cinquenta deles contra os mesmos dados, então espere encontrar alguns bons artistas, apenas por acaso. Isso não significa que há nada de especial sobre a média móvel em particular que ganhou neste caso. O problema surge porque testámos múltiplas hipóteses até encontrarmos uma que funcionou, em vez de escolher uma única hipótese e testá-la. Existe uma boa analogia clássica. Poderíamos apresentar uma única hipótese, como Scott, é ótimo em virar cabeças para uma moeda. A partir disso, podemos criar uma previsão que diz: Se a hipótese for verdadeira, Scott poderá virar 10 cabeças seguidas. Então, podemos realizar um experimento simples para testar essa hipótese. Se eu puder virar 10 cabeças seguidas, na verdade não provará a hipótese. No entanto, se eu não conseguir cumprir essa façanha, definitivamente refutará a hipótese. Como fazemos experimentos repetidos que não conseguem refutar a hipótese, nossa confiança em sua verdade cresce. Essa é a maneira correta de fazê-lo. No entanto, e se tivéssemos inventado 1.000 hipóteses, em vez de que a única coisa a respeito de mim fosse uma boa moeda. Poderíamos fazer a mesma hipótese sobre 1.000 pessoas diferentes. Eu Ed, Cindy, Bill, Sam, etc. Ok, agora vamos testar nossas múltiplas hipóteses. Pedimos todas as 1000 pessoas para virar uma moeda. Provavelmente haverá cerca de 500 pessoas que viraram as cabeças. Todos os outros podem ir para casa. Agora, pedimos a essas 500 pessoas que voltem novamente, e desta vez cerca de 250 virarão as cabeças. Na terceira virada, cerca de 125 pessoas viraram as cabeças, na quarta, cerca de 63 pessoas ficaram, e no quinto flip há cerca de 32. Essas 32 pessoas são bastante incríveis. Não. Eles ficaram virados cinco cabeças seguidas. Se nós virar cinco Mais vezes e elimina a metade das pessoas em média, vamos acabar com 16, depois com 8, depois com 4, depois com 2 e, finalmente, com uma pessoa que virou dez cabeças seguidas. Seu Bill Bill é uma flange fantabulous de moedas. Ou ele? Bem, nós realmente não sabemos, e esse é o ponto. Bill pode ter ganhado nosso concurso por pura chance, ou ele pode muito bem ser o melhor flipper de cabeças neste lado da galáxia Andrómeda. Do mesmo jeito, não sabemos se a média móvel de 32 dias do nosso exemplo acima apenas funcionou bem em nosso teste por pura chance, ou se realmente há algo especial sobre isso. Mas tudo o que foi feito até agora é encontrar uma hipótese, a saber, que a estratégia de média móvel de 32 dias é lucrativa (ou que Bill é uma grande moeda). Nós ainda não experimentamos essa hipótese ainda. Então, agora que entendemos que nós realmente não descobrimos nada significativo ainda sobre a média móvel de 32 dias ou sobre a habilidade de Bill para virar moedas, a pergunta natural a perguntar é o que devemos fazer em seguida. Como eu mencionei acima, muitos comerciantes nunca percebem que lá É um próximo passo necessário. Bem, no caso de Bill, você provavelmente pergunta, Aha, mas ele pode virar dez cabeças seguidas novamente. No caso da média móvel de 32 dias, queremos testá-lo novamente, mas certamente não contra a mesma amostra de dados que Costumávamos escolher essa hipótese. Nós escolheríamos outro período de dez anos e veremos se a estratégia funcionou também. Poderíamos continuar a fazer esse experimento quantas vezes quisermos até que o nosso fornecimento de novos períodos de dez anos estivesse vazado. Nós nos referimos a isso como fora do teste da amostra, e é a maneira de evitar essa armadilha. Existem vários métodos de teste, um dos quais é validação cruzada, mas nós não entraremos nesses muitos detalhes aqui. A superposição é realmente uma espécie de reversão do problema acima. No exemplo de hipóteses múltiplas acima, analisamos muitas hipóteses simples e escolhemos o que melhor se apresentou no passado. Na superposição, primeiro olhamos para o passado e então construímos uma única hipótese complexa que se encaixa bem com o que aconteceu. Por exemplo, se eu olhar para a taxa USDJPY nos últimos 10 dias, talvez eu vejo que o fechamento diário fez isso: para cima, para cima, para baixo, para cima, para cima, para cima, para baixo, para baixo, para baixo, para cima. Tenho isso Veja o padrão Sim, eu também não. Mas se eu quisesse usar esses dados para sugerir uma hipótese, eu poderia surgir. Minha incrível hipótese: se o preço de fechamento subir duas vezes seguidas, depois, por um dia, ou se for diminuído por três dias consecutivos, devemos comprar, mas se o preço de fechamento subir três dias seguidos devemos vender , Mas se ele sobe três dias seguidos e depois três dias seguidos, devemos comprar. Huh Soa como uma hipótese espalhafica. Mas se tivéssemos usado essa estratégia nos últimos 10 dias, teríamos estado em todos os negócios que fizemos. O Overfitter usa backtesting e mineração de dados de forma diferente do que os fabricantes de hipóteses múltiplas. O overfitter não apresenta 400 estratégias diferentes para testar. De jeito nenhum O Overfitter usa ferramentas de mineração de dados para descobrir apenas uma estratégia, não importa o quão complexo, que teria tido o melhor desempenho durante o período de backtesting. Vai funcionar no futuro Não é provável, mas sempre podemos manter o ajuste do modelo e testar a estratégia em diferentes amostras (fora do teste de amostra novamente) para ver se o nosso desempenho melhora. Quando nós deixamos de melhorar o desempenho e a única coisa que está aumentando é a complexidade do nosso modelo, então sabemos que nós cruzamos a linha para superação. Então, em resumo, vimos que a mineração de dados é uma maneira de usar nossos dados históricos de preços para sugerir uma estratégia de negociação viável, mas que devemos estar cientes das armadilhas do problema de hipóteses múltiplas e da superposição. A maneira de garantir que não caímos nessas armadilhas é testar nossa estratégia usando um conjunto de dados diferente do que usamos durante a exploração de mineração de dados. Nós geralmente nos referimos a isso como fora dos testes de amostra. Um problema com a mineração de dados é que os comerciantes tendem a usar diferentes tipos de filtros para procurar um padrão. O problema com isso é que qualquer sinal é composto a partir dos diferentes sinais sinusoidais, então, ao aplicar filtros diferentes em um sinal, com certeza, acabaremos com um padrão. Muitos estudos foram feitos com base no padrão de preços, principalmente com base na mineração de dados, a questão será a suposição de que o futuro reflete o passado, a resposta é talvez. Temos 5050 chances. A porcentagem pode ser aumentada ao estudar esse padrão em diferentes dados. Se quisermos aumentar essa porcentagem, precisamos saber qual é a causa desse padrão, ao saber a causa desse padrão, teríamos uma vantagem na negociação. Por exemplo, vou fazer essa suposição, let8217s dizem que a primeira sexta-feira de cada mês, devido aos novos lotes de comerciantes, tendem a sair de suas negociações pela manhã antes da notícia e entram novamente após a notícia, então existe um padrão de venda e Comprando em determinado momento. Nós poderíamos usar essa informação para nosso benefício, aplicando algum tipo de comércio de hedge, então entramos com compra e venda antes da notícia. Depois, depois da notícia, só vendemos para quem quer comprar e não deseja manter uma posição durante as novidades e nós deixamos a compra até o preço voltar, isso pode ser aplicado a taxa de juros de limpeza, ou outra instalação 8230 bla bla. Esta é apenas uma teoria. Estou usando isso para dizer que o medo e a ganância têm um tempo no mercado. Então, o que cria os padrões de preços é o medo e a ganância, agora se isolarmos o padrão e conhecemos a causa por trás desse padrão, como no exemplo anterior, o medo das notícias ou a liquidação da conta no final do mês. coisas assim. Então poderíamos, em teoria, prever o futuro, as duas primeiras postagens são copiadas deste site, todos os artigos de Scott Percival valem a pena ler Excelente Thread MiniMe Junte-se a nós, faça o download do MetaTrader 5 Copyright 2000-2017, MQL5 Ltd.
No comments:
Post a Comment