Designing Stock Market Trading Systems With And Without Soft Computing Pdf

Stop-Loss Orders: Hilfe oder Hindernis Teil 1 von 3 Hintergrund Bruce Vanstone ist Assistant Professor an der Bond University in Australien. Er absolvierte sein Doktorat in Computational Finance im Jahr 2006 und ist ein regelmäßiger Moderator und Herausgeber der akademischen Arbeit an Börsenhandelssystemen. Bruce berät auch Porter Capital Management bei der Gestaltung von mechanischen, regelbasierten Handelssystemen. Weitere Informationen finden Sie unter trading. it. bond. edu. au. Bruce hat einen kontroversen Blick auf die Wirksamkeit der Stop-Verluste und ich habe ihn gebeten, eine Reihe von Artikeln auf seiner Forschung basiert schreiben. Designing Börse Trading Systems von Bruce Vanstone und Tobias Hahn Dr. Bruce Vanstone hat einen Doktortitel in Computational Finance und ist Assistant Professor an der Bond University in Australien. Tobias Hahn studiert Promotion an der Bond University. Dieses Buch führt Sie durch die Autoren bewährte Methode für den Aufbau regelbasierter Börsenhandelssysteme. Es unterscheidet sich von anderen Büchern darin, dass es eine wissenschaftliche Annäherung zum Entwickeln der Handelssysteme nimmt, basiert auf, was andere vorher getan haben. Es ist nicht nötig, von vorne anzufangen oder das Rad neu zu erfinden. Ihre Methodik zeigt Ihnen, wie Sie bestehende Forschung testen, wie Sie sie nutzen können, indem Sie sie zu einem regelbasierten Handelssystem entwickeln und mit künstlichen Intelligenztechniken verbessern. Die in diesem Buch beschriebenen Ideen und Methoden wurden von Hedgefonds genutzt, um ihre Handelssysteme aufzubauen. Jetzt können Sie sie auch verwenden Einleitung Viele Händler und Investoren platzieren Stop Loss Aufträge als Teil ihrer täglichen Investitionstätigkeit. Praktisch alle Trading-Bücher empfehlen die Verwendung von Haltestellen, mit vielen Aussagen wie Trading ohne Stopps ist wie das Fahren ohne einen Sicherheitsgurt. Das Argument für die Verwendung von Stop-Loss-Regeln scheint inhärent solide, aber es scheint keine wirkliche Beweise dafür, dass Anschläge sind die Sicherheit Vorteile, die viele Händler erwarten. In Bezug auf mittel - bis langfristige Aktienhandelssysteme (die die Mehrheit der Anleger und Händler zu decken scheinen) kann es gut sein, dass Anschläge mehr Schaden als gut verursachen. Als Händler sind wir es gewohnt, einen anfänglichen Stop-Loss auf einem Trade zu haben , Und gratulieren uns, wenn der Halt uns Geld spart, da der Handel sehr schnell nach Süden geht. Obwohl eine Stop-Loss-Regel uns vor Schäden an bestimmten Geschäften retten kann, scheint es zweifelhaft, ob diese positive Wirkung tatsächlich vorliegt, wenn wir sie auf Portfolioebene messen. Es gibt eine Reihe von spezifischen Gründen, warum dies der Fall sein kann, den ich später in dieser Serie berühren werde. Als Händler sollten wir nicht wirklich auf die Rückkehr jedes einzelnen Handels konzentrieren, eher sollten wir auf die Gesamtrendite unseres Portfolios konzentrieren. Eine große Menge meiner empirischen Tests scheint ein Mismatch zwischen Stop-Performance auf einer einzelnen Handelsebene und Stop-Performance auf Portfolioebene zu zeigen. In dieser Reihe von Artikeln möchte ich zeigen, die Missverhältnis, dass Anschläge erscheinen, und zeigen Ihnen einen Weg, um in der Lage, dies für sich selbst zu testen. Dieser Artikel ist Teil 1 einer 3-teiligen Serie. In diesem Artikel werde ich ein Beispiel-System einzuführen, und zeigen, wie das System mit und ohne eine Vielzahl von Stopps Benchmark, und statistisch analysieren die Ergebnisse. Sie können dann diesen Prozess verwenden, um die Wirkung Stopps sind auf Ihrem eigenen individuellen Handelssystem zu benchmark, um festzustellen, ob Sie tatsächlich profitieren von Stopps nutzen. Messung der Auswirkungen von Stopps Um die Auswirkungen von Stopps auf ein Handelssystem zu messen, ist es notwendig, die Auswirkungen zu berücksichtigen, die sowohl auf einzelne Trades als auch auf spezifische Portfolios aus diesen Trades zurückzuführen sind. Um die Auswirkungen zu beurteilen, die auf einzelne Trades hindeuten, können wir die Veränderungen in den folgenden Bereichen festlegen und messen: Trade daily mean return () durchschnittliche Rendite pro Tag Durchschnittliche Anzahl der Tage Trades sind offen Um die rohen Trades zu messen, die durch die Ein - und Ausstiegsregeln signalisiert werden, Anfänglich unbegrenztes Eigenkapital und eine nominale Investition von 10.000 pro Handel an. Um die Auswirkungen auf die einzelnen Portfolios zu beurteilen, können wir die Portfoliostrategie anpassen und messen: APR (Annual Percentage Return) und Max DD (Maximum Drawdown) hat erlitten. Sharpe Ratio - zeigt die Höhe des Risikos genommen pro Einheit der Rückkehr. Unter Berücksichtigung der risikofreien Ratenanpassung ist das Sharpe Ratio ein Maß dafür, wie volatile Portfolio-Renditen erzielt wurden. (Als Beispiel könnten zwei verschiedene Händler jeweils eine Rendite von 20 erreicht haben, wobei das Sharpe Ratio für den Trader am höchsten ist, der dieses Ergebnis mit der geringsten Volatilität erzielt hat.) Beim Benchmarking eines Portfolios ist es wichtig zu berücksichtigen Des eingesetzten Eigenkapitals. In diesem Fall wird ein relativ einfacher Prozentsatz des Eigenkapitalmodells verwendet. Wir weisen jedem Handel von einem Anfangskapital von 1.000.000 zwei verfügbare Eigenmittel zu. Durch die Überwachung der oben genannten Variablen, können wir die Kennzahlen, die aus einem Satz von Handelsregeln gewonnen werden. Wir können dann Stopps zu den Handelsregeln hinzufügen und diesen Vorgang wiederholen. Dies ermöglicht es uns, empirisch die Effekte zu messen, die die Stopps auf diese Schlüsselmetriken haben. Wir können dann statistisch bestimmen, ob das Portfolio-Ergebnis durch die Addition der Stop-Regeln verbessert wurde. Fallstudie Die Mehrheit der Händler wäre am besten als mittelständische bis längerfristige Aktieninvestoren beschrieben. Das bedeutet im Wesentlichen, dass sie Stammaktien handeln und jede Aktie von mehreren Monaten bis zu mehreren Jahren halten sollen. Typischerweise nennt sich diese Investorengruppe als Trendhändler, deren Ziel es ist, so lange wie möglich einen Trend zu identifizieren und zu reiten. Häufig liefern ein oder mehrere einfache (oder exponentielle) gleitende Mittelwerte Ein - und Ausgänge. Normalerweise handelt es sich bei dieser Gruppe nur um die lange Seite. Aus diesem Grund habe ich als Beispielsystem ein 60-Tage-ema-Crossover-System gewählt. Ein 60-Tage-Ema-Crossover-System kauft, wenn der Preis über eine 60-Tage-Ema kreuzt und verkauft, wenn der Preis unter einer 60-Tage-Ema kreuzt. Ein Beispielhandel ist unten in Figur 1 gezeigt. Die rosa Linie repräsentiert den Wert des EMA (60). Abbildung 1: Beispiel eines 60-tägigen EMA-Crossover-Handels Die für die Fallstudie gewählten Daten sind die Bestandteile des ASX200 (seit Auflage April 2000) bis Ende 2009. Wo möglich, habe ich diese Daten für Delisting - und Code-Änderungen angepasst Und die Handelsergebnisse beinhalten eine Vergütung für Transaktionskosten. Um die Überlebenschance zu adressieren, werden Kaufsignale nur auf Bestände ausgegeben, die Bestandteil des ASX200 waren, an dem Tag, an dem das Signal erzeugt wurde. Denken Sie daran, das Ziel ist nicht zu bestimmen, ob diese sind wünschenswert Regeln für den Handel ist es uns zu ermöglichen, wählen und emulieren die grundlegenden Eigenschaften der Art von Aktien, dass die Mehrheit der Händler und Investoren in der ASX200 konzentriert sind. Keine Haltestellen Zuerst müssen wir die Kauf - und Verkaufsregeln ohne Zwischenstopp benchmarken. Dies gibt uns eine Grundlinie, um die Leistung der Haltestellen, die wir vorstellen werden, zu vergleichen. Raw Trades Die wichtigsten Merkmale der Roh-Trades durch Kauf / Verkauf von 10.000 Wert von Aktien jedes Mal, wenn die Kauf / Verkauf Bedingungen auftreten, sind: Daily Mean Return 0,61, Durchschnittliche Anzahl der Tage Trades sind offen 21.44 Später, wenn wir eine Vielzahl von Stop einzuführen Kombinationen zu den Kauf - / Verkaufsregeln, können wir die Effekte messen, die sie mit dieser Grundlinie haben. Portfolio Die Schlüsselmerkmale dieses Portfolios sind: APR 2.63, MAX DD -34.63, Sharpe Ratio 0.31 Jetzt wissen wir, wie viel Potenzial in den Regeln (APR) liegt, wie riskant diese Regeln sind (DD) und Ein Maß für das Gesamtrisiko für diese spezifische Rendite (Sharpe Ratio). Später, wenn wir eine Vielzahl von Stopp-Kombinationen zu den Kauf / Verkauf-Regeln einführen, können wir die Auswirkungen messen, die sie mit dieser Baseline haben. Initial Percentage Stops Viele Händler verwenden einfach einen festen Prozentsatz, um ihren Stop-Level-Preis zu bestimmen. Als Beispiel könnte ein Händler sagen, ich setze einen Stop-Loss 5 unter meinem Eintrittspreis. Hier testen wir alle anfänglichen Stop-Loss-Prozentsatzschwellen von 1 - 10 in Schritten von 1 für alle durch die ema-Crossover-Regeln erzeugten Trades. Die Auswirkungen, die diese ersten Anschläge auf die Rückkehr und das Risiko haben, wird als nächstes präsentiert. Raw Trades Aus der Tabelle vorgestellt, ist es klar, dass keine der Stop-Methoden getestet verbessert die NO STOP LOSS Portfolios täglichen Mittelwert zurück. Dies ist wie erwartet, da definitionsgemäß eine anfängliche Stop-Loss-Regel den Verkauf mit Verlust beinhaltet. Um festzustellen, ob dieser Ansatz unser Risiko verringert hat, testen wir in einem Portfolio. Portfolio Aus dieser Tabelle können wir sehen, dass keine der Stop-Methoden die NO STOP LOSS Portfolios APR verbessert haben. Außerdem war keine der Stop-Loss-Einstellungen in der Lage, das Sharpe-Verhältnis zu verbessern. Einige der höheren Prozentsatzstops erreichen ähnliche maximale Drawdown, aber keine der Stop-Loss-Einstellungen war in der Lage, die Sharpe-Verhältnis zu verbessern. Im Wesentlichen haben alle Kombinationen von Stop-Loss getestet weniger Rückgang und waren riskanter. Implikationen Zum statistischen Vergleichen der Portfolioergebnisse können wir die ANOVA-Prozedur verwenden, die es uns ermöglicht, gleichzeitig alle unter der NO STOP LOSS-Bedingung erzeugten Trades mit allen Sätzen von Handelsmöglichkeiten aus den 10 Stop-Loss-Kombinationen zu vergleichen. Dies erlaubt uns zu bestimmen, ob es statistische Signifikanz in unseren Ergebnissen gibt. Die Ergebnisse zeigen, daß kein Nutzen aus einer der Stoppkombinationen erhalten wurde. Ich habe eine detaillierte Erklärung der Anwendung des ANOVA-Verfahrens in diesem Artikel gezielt weggelassen, damit wir uns auf die Auswirkungen von Stopverlusten konzentrieren können. Jene Leser, die daran interessiert sind, das Benchmarking von Handelssystemen mittels statistischer Methoden zu verfolgen, finden Sie in diesem Buch und in vielen anderen nützlichen Prozeduren in meinem Buch Designing Stockmarket Trading Systems (mit und ohne Soft Computing). Zusammenfassung In diesem Artikel habe ich die Ergebnisse einer einfachen EMA-Crossover-Strategie benchmarkiert. Als nächstes wurde die Strategie mit einer Vielzahl von anfänglichen Prozentsatz-basierten Stopps getestet, um zu sehen, ob das Hinzufügen dieser Stopps in der Lage war, das Risiko in der Strategie zu verringern. Es wurde festgestellt, dass alle getesteten Stationen das Risiko erhöhten und die Rückkehr der ursprünglichen Strategie reduzierten. Im nächsten Artikel. Ich teste Prozente-basierte Schleppleisten und ATR-basierte Schleppleisten zu sehen, ob diese Arten von Haltestellen können das Strategie-Risiko zu verringern. Designing Börse Trading Systems von Bruce Vanstone und Tobias Hahn Dr. Bruce Vanstone hat einen Doktortitel in Computational Finance und ist Assistant Professor an der Bond University in Australien. Tobias Hahn studiert Promotion an der Bond University. Dieses Buch führt Sie durch die Autoren bewährte Methode für den Aufbau regelbasierter Börsenhandelssysteme. Es unterscheidet sich von anderen Büchern darin, dass es eine wissenschaftliche Annäherung zum Entwickeln der Handelssysteme nimmt, basiert auf, was andere vorher getan haben. Es ist nicht nötig, von vorne anzufangen oder das Rad neu zu erfinden. Ihre Methodik zeigt Ihnen, wie Sie bestehende Forschung testen, wie Sie sie nutzen können, indem Sie sie zu einem regelbasierten Handelssystem entwickeln und mit künstlichen Intelligenztechniken verbessern. Die in diesem Buch beschriebenen Ideen und Methoden wurden von Hedgefonds genutzt, um ihre Handelssysteme aufzubauen. Jetzt können Sie sie auch verwenden