Robustesse Du Système De Négociation

Stress Testing pour Trading Stratégie Robustesse par Michael R. Bryant Dans l'article sur les stratégies de négociation multi-marché. J'ai discuté du concept de robustesse, que j'ai décrit comme insensible aux variations dans les données sur lesquelles la stratégie est basée. Construire un système commercial sur de multiples marchés est une façon d'augmenter la robustesse. Cependant, si vous avez déjà une stratégie et vous voulez voir comment il est robuste Test d'une stratégie de trading pour la robustesse est souvent désigné sous le nom d'analyse de sensibilité, ou plus familièrement comme des tests de stress. L'idée de base est de voir ce qui se passe lorsque de petits changements sont apportés aux intrants de la stratégie, aux données sur les prix ou à d'autres éléments de la stratégie ou de l'environnement commercial. Une stratégie robuste présente une réaction proportionnelle et relativement modérée à de tels changements, alors qu'une stratégie qui n'est pas robuste réagira de façon disproportionnée et échouera parfois purement et simplement lorsque de petits changements sont apportés à ses intrants ou à son environnement. Pourquoi est-ce important? Mettez simplement, la robustesse est importante parce que les marchés ne jamais rester le même. Prenez les entrées de stratégie, par exemple. Des entrées telles que la longueur de rétrospection d'une moyenne mobile pourraient être optimales au cours de la période de contre-test, mais pour l'avenir, des valeurs différentes pourraient être optimales. Nous voulons savoir dans quelle mesure la stratégie sera efficace lorsque les entrées ne sont plus optimales. Une façon d'aborder cela est de voir comment les résultats changent lorsque les valeurs d'entrée sont modifiées. Comme nous l'avons expliqué dans l'article précédent, l'idée de robustesse est liée à la superposition de la stratégie. Nous voulons nous assurer que la stratégie n'a pas été adaptée si bien au marché pendant le processus de développement qu'elle ne peut résister à aucun changement sur le marché. D'une manière générale, nous pouvons tester pour cela en changeant le marché, en changeant la stratégie, ou les deux. Une stratégie qui ne résiste pas bien à des changements relativement faibles n'est pas robuste et est susceptible d'être sur-ajustement. On ne devrait pas s'attendre à ce qu'une telle stratégie se déroule bien à l'avenir. Types de tests de stress Il existe de nombreuses façons différentes qu'une stratégie peut être stressé. Nous pouvons apporter des changements à la stratégie elle-même ou aux données sur les prix sur lesquelles nous la testons à nouveau. Nous pouvons changer les coûts de négociation, tels que le montant du glissement, ou changer le dimensionnement de position. En principe, tout ce qui affecte les résultats de la stratégie de back-testing peut être modifié. Dans cet article, les trois types de tests de stress suivants seront discutés: Modification des entrées de stratégie. Faire de petits changements aux prix individuels. Changer la barre de départ. La justification de la modification des intrants stratégiques a été discutée plus haut. Pour les modifier, un pourcentage sera choisi aléatoirement entre Max et Max, Max pouvant être de l'ordre de 1 ou 5. Ce pourcentage sera appliqué à la plage de valeurs pour chaque entrée. Par exemple, si l'on choisit la longueur de retour d'un indicateur de la plage de valeurs de 1 à 100, alors la plage serait 100 et le pourcentage de changement choisi au hasard serait appliqué à 100. Le montant du changement soit positif soit Négatif, serait alors ajouté à la valeur d'entrée originale pour la rendre plus ou moins élevée dans cette quantité. Eh bien également spécifier un montant minimum possible de changement, comme 1 pour le montant de changer une longueur de look-back indicateur. De cette façon, si le pourcentage de changement aléatoire est un petit nombre, l'entrée sera toujours modifiée. Une des façons dont une stratégie peut être sur-fit, et donc pas robuste, est si elle correspond trop étroitement à des prix spécifiques dans le back-test. Par exemple, si la stratégie entre longtemps sur un arrêt et plusieurs grands métiers rentables entrer au prix fort de la journée, qui devrait élever un drapeau rouge. À quoi ressembleraient les résultats si le niveau élevé avait été inférieur d'une tonalité à ces jours-là? Si un tel changement réduit les résultats, la stratégie n'est manifestement pas robuste. Une technique de test de stress pour détecter ce genre de dépassement est de faire des changements aléatoires sur les prix individuels et d'évaluer les résultats. Pour modifier aléatoirement les données de prix, bien utiliser deux paramètres. La première est la probabilité de changer un prix. Par exemple, si la probabilité est de 50, cela signifie qu'il y a 50 chances que tout prix - ouvert, élevé, bas, proche de chaque barre - soit modifié. Le deuxième paramètre est le changement de pourcentage maximum qui sera appliqué à un prix qui est modifié. Comme pour les valeurs d'entrée, le montant réel du changement est choisi au hasard entre - Max et Max, où Max est le changement de pourcentage maximum. La valeur de Max est prise en pourcentage de la moyenne vraie gamme sur les 100 dernières barres. Par exemple, si la portée vraie moyenne est de 10 points et que la variation de pourcentage maximale est de 20, la quantité de changement est un nombre choisi de façon aléatoire entre -2 et 2 points. Disons que le nombre réel est -1.25 points, et le prix de clôture est 1250.50. La fermeture modifiée serait alors 1249.25. Enfin, il est possible que la modification d'un prix va invalider le prix normal de commande, comme la réduction de l'ouverture de sorte que son dessous du faible. Pour éviter cela, les prix peuvent avoir besoin d'être ajustés après avoir fait le changement pour garder l'ouverture et fermer dans la gamme haute basse. La dernière méthode de test de stress qui sera discutée implique de changer la barre de départ. Il est probablement évident qu'une bonne stratégie ne devrait pas s'effondrer lorsque vous démarrez le back-test sur une barre différente. Il pourrait être moins évident comment cela peut se produire. Considérons une stratégie hypothétique qui entre longtemps sur un crossover moyen mobile. Il détient alors le commerce exactement cinq bars avant de sortir sur le marché. Mettre de côté la pertinence de la logique, imaginez ce que l'histoire du commerce pourrait ressembler sur un tableau des prix. Si la condition d'entrée en moyenne mobile utilise un croisement moyen à court terme au-dessus d'une moyenne à long terme, il est tout à fait possible que, dans une tendance ascendante soutenue, la condition d'entrée puisse être vraie pendant une longue période, Être supérieure à la moyenne à long terme de plusieurs barres consécutives. Si le back-test a été lancé pendant cette période, le premier métier entrerait dans la barre suivante après la barre de départ, et chaque transaction durerait cinq barres, suivi immédiatement de la prochaine entrée, et ainsi de suite. Considérez maintenant ce qui se passerait si la barre de départ était changée. Si la barre de départ était un bar plus tard, par exemple, toute la série de métiers serait décalée d'une barre vers la droite. Il est tout à fait possible que certaines de ces séries de métiers cinq-bar serait beaucoup plus rentable que d'autres, en fonction de la façon dont les métiers alignés avec tout cycle sous-jacent de tendance à cinq barres qui existait. Ainsi, selon la barre de départ, la stratégie pourrait être très rentable ou non rentable en raison de l'endroit où les métiers ont commencé et terminé. Il pourrait ne pas être évident au cours du développement que la logique de stratégie avait ce type de dépendance sur la barre de départ, en particulier pour les types plus complexes de la logique. Pour tester l'effet de la barre de départ, la barre sur laquelle le back-test de stratégie est démarré sera modifiée par un nombre aléatoire choisi entre 1 et N. Dans l'exemple ci-dessous, on a choisi N comme étant 300. Donc la barre de départ A été modifiée en ajoutant un nombre choisi au hasard entre 1 et 300 au nombre de barres de départ d'origine. Une approche Monte Carlo La variation des entrées, des prix ou de la barre de départ par un montant aléatoire ne fournit qu'une alternative à comparer aux résultats originaux. Pour obtenir une image plus complète de la robustesse d'une stratégie, nous pouvons répéter le processus plusieurs fois jusqu'à ce que nous ayons une distribution des résultats. D'une manière générale, la variance des variables d'entrée au hasard sur un grand nombre d'itérations afin de générer une distribution statistique des résultats pour la fonction qui dépend de ces entrées est appelée analyse de Monte Carlo. Dans ce cas, la fonction est la stratégie de négociation et les entrées de fonction sont les entrées de stratégie, les prix du marché et / ou la barre de départ. En répétant le test de stress à plusieurs reprises, nous nous retrouvons avec de multiples séries de résultats commerciaux. Pour comprendre comment fonctionne le processus de Monte Carlo, considérons l'exemple illustré à la Fig. 1. Figure 1. Courbe d'actions d'origine pour une stratégie de trading forex. La courbe d'équité représentée sur la Fig. 1 concerne une stratégie de négociation développée pour le marché des devises EURUSD sur les barres quotidiennes, avec un lot standard (100 000) par transaction et 50 par lot pour les coûts de négociation. C'est l'une des stratégies de bonus incluses avec Adaptrade Builder. Il a été développé en mars 2010. Les 100 derniers métiers ont été depuis la sortie, ce qui montre qu'il a bien résisté en temps réel hors de l'échantillon de suivi. Pour illustrer comment les résultats des tests de stress peuvent être analysés à l'aide d'une approche Monte Carlo, considérez les résultats de stress test de la stratégie de forex sur les données de prix, comme le montre la Fig. 2, qui représente un total de 20 courbes d'équité, dont 19 correspondent à un ensemble différent de données de prix modifiées de façon aléatoire. La série de prix initiale pour l'EURUSD a été modifiée 19 fois comme décrit ci-dessus, en utilisant une probabilité de changement de prix de 50 avec un changement de pourcentage maximum de 20. Avec la courbe originale, montrée comme la ligne verte plus épaisse, il ya un total de 20 Ensembles de résultats. Le nombre total a été maintenu aussi petit que possible à des fins illustratives plus d'itérations seront utilisées ci-dessous dans les exemples restants. Figure 2. Stress test de la stratégie de forex en modifiant les données de prix 19 fois. Le bénéfice net total correspondant à chaque courbe de capitaux propres de la Fig. 2 est la suivante: 147855.00 133286.00 87771.00 92707.00 132149.00 88384.00 126019.00 96581.00 105466.00 102946.00 86753.00 96127.00 116611.00 68459.00 109427.00 96242.00 111020.00 50201.00 130076.00 104181.00 La valeur la plus élevée, 147.855, correspond au fichier original des données de prix. La valeur la plus basse est 50,201. Dans une analyse de Monte Carlo, nous pouvons nous demander ce que le bénéfice net est susceptible d'être avec un degré de confiance spécifié étant donné la variation dans les résultats. Un niveau de confiance de 95 est typique, ce qui signifie qu'il y aurait une chance que le bénéfice net soit inférieur à notre valeur sélectionnée. Pour obtenir la valeur du bénéfice net à 95 points de confiance, la liste ci-dessus est triée du plus haut au plus bas, et la valeur 95 du chemin vers le bas de la liste est sélectionnée. Puisque nous avons 20 éléments dans la liste, nous sélectionnons le 19ème élément dans la liste triée, ce qui serait un bénéfice net de 68.459, c'est-à-dire la deuxième valeur la plus basse dans la liste. On peut interpréter ce résultat comme suit: si la randomisation des données de prix est représentative du genre de différences aléatoires que l'on pourrait s'attendre sur le marché, alors on peut s'attendre à ce que 95 du temps, le bénéfice net soit au moins 68.459. La même approche peut être appliquée à toute métrique de performance que nous pourrions vouloir suivre. Si la métrique est celle où une valeur inférieure est meilleure, telle que la réduction maximale, la liste serait triée dans l'ordre inverse avant de sélectionner la valeur 95 du chemin vers le bas de la liste. Exemples d'essais de contraintes Considérons maintenant un exemple plus représentatif, dans lequel 100 échantillons ont été générés pour l'analyse de Monte Carlo. Figue. La figure 3 montre les différentes courbes d'équité résultant de la variation du fichier de prix 99 fois (plus la courbe originale). Figure 3. Stress test de la stratégie de forex en variant les données de prix 99 fois, pour un total de 100 courbes d'équité. En appliquant l'approche de Monte Carlo aux résultats du test de contrainte, les résultats du tableau 1 ont été générés à 95% de confiance (montrés à côté des résultats des données originales pour comparaison). Tableau 1. Stress test de la stratégie de forex en faisant varier les données de prix. Comme on pouvait s'y attendre, les résultats de Monte Carlo résultant de la modification des données de prix montrent une réduction de la performance par rapport aux résultats pour les données de prix d'origine. Cependant, les résultats des tests de résistance sont toujours positifs, ce qui indique que la stratégie est au moins modérément robuste. Dans la Fig. 4, ci-dessous, la même approche a été appliquée aux valeurs d'entrée de la stratégie. Le pourcentage de modification a été fixé à 1, ce qui, pour de nombreuses entrées, signifiait que le montant minimum de changement était appliqué. Toutes les contributions ont été modifiées d'au moins le montant minimum pour chaque évaluation. La courbe d'équité d'origine est montrée près du haut du graphique comme la ligne verte plus épaisse. Comparé aux résultats des modifications de prix, la modification des entrées de stratégie a eu un effet plus important sur la performance. Figure 4. Stress test de la stratégie de change en variant les entrées de la stratégie 99 fois, pour un total de 100 courbes d'équité. Les résultats de Monte Carlo pour le même échantillon de mesures de performance comme ci-dessus sont présentés dans le tableau 2 ci-dessous, qui comprend les résultats pour les valeurs d'entrée originales. Tableau 2. Stress test de la stratégie de forex en faisant varier les intrants de la stratégie. Résultats de Monte Carlo, 95 Les résultats de la variation de la barre de départ pour la même stratégie de forex sont présentés ci-dessous à la Fig. 5. Par rapport aux résultats des deux autres tests, on observe relativement peu d'effet de la variation de la barre de départ, suggérant que la stratégie est essentiellement insensible à cette variable. Figure 5. Stress test de la stratégie de forex en variant la barre de départ 99 fois, pour un total de 100 courbes d'équité. Les résultats de Monte Carlo de ce test sont présentés dans le tableau 3 ci-dessous, où ils sont comparés aux résultats pour la barre de départ originale. Tableau 3. Stress test de la stratégie de forex en variant la barre de départ. Résultats Monte Carlo, 95 Résultats, Données Originales Il est également possible de modifier tout ensemble ou de modifier des combinaisons de variables, telles que la modification des entrées de stratégie en même temps que les données de prix. Dans la Fig. 6, ci-dessous, les trois tests de contrainte ont été réalisés ensemble. Cela signifie que les entrées de stratégie, les données sur les prix et la barre de départ ont été modifiées au hasard en même temps avant d'évaluer la stratégie. Figure 6. Stress test de la stratégie de forex en variant la barre de départ 99 fois, pour un total de 100 courbes d'équité. De toute évidence, cette combinaison de tests de résistance est un test sévère de la robustesse des stratégies. Une ou deux des courbes d'équité représentées sur la Fig. 6 semblent indiquer un bénéfice net négatif (ou presque). Seule une courbe d'équité se rapproche de la première. Les résultats de Monte Carlo basés sur ce test sont présentés ci-dessous dans le tableau 4. Tableau 4. Stress test de la stratégie de forex en faisant varier les données de prix, les intrants de stratégie et la barre de départ. Résultats de Monte-Carlo, 95 résultats, données originales Sommaire et conclusions L'ajustement est toujours une préoccupation lors de l'élaboration d'une stratégie de négociation. Ce que l'on appelle les tests de stress mesurent la robustesse d'une stratégie de trading, ce qui est une indication de la capacité d'adaptation de la stratégie. Alors que toute variable qui affecte les résultats d'une stratégie de négociation peut potentiellement faire l'objet d'un test de résistance, cet article a mis l'accent sur trois facteurs importants pour déterminer les résultats de back-test: les données de prix, tester. La stratégie utilisée pour illustrer chaque test de stress a démontré une robustesse modérée par rapport aux données de prix et aux valeurs d'entrée et une bonne robustesse par rapport à la barre de départ. Il est intéressant de noter que la stratégie de l'exemple avait un record de trois ans de résultats positifs de suivi en temps réel, mais dans certains cas, les résultats des tests de stress étaient pires que les résultats réels hors-échantillon de la stratégie. Cela suggère que les tests de stress peuvent avoir été trop sévères dans ces cas. Cela était particulièrement évident lorsque les trois tests étaient combinés, comme le montre la Fig. 6 et Tableau 4. Le test de contrainte pour les entrées de stratégie peut avoir été irréalistement strict en ce qu'il a modifié toutes les entrées pour chaque itération d'essai. Une meilleure approche peut être d'appliquer la même méthode utilisée pour modifier les données de prix, dans lequel un prix a été modifié avec une probabilité spécifiée. Plutôt que de modifier toutes les entrées à chaque fois, une probabilité pourrait être appliquée pour déterminer si une entrée donnée doit être modifiée. Si tel est le cas, il serait modifié de la manière décrite ci-dessus sinon, l'entrée serait non modifiée. Il a été montré comment les résultats des tests de stress pourraient être analysés en utilisant l'analyse de Monte Carlo. Cela nous a permis de quantifier les résultats et de fournir une estimation de la performance qui était généralement plus prudente que les résultats du contre-test sur la base des données originales. L'objet de l'article était de tester une stratégie commerciale après sa mise au point. En principe, cependant, la même approche pourrait être utilisée dans le cadre du processus d'élaboration de la stratégie. Dans Adaptrade Builder, les stratégies sont élaborées en fonction des performances testées à l'arrière de la période d'échantillonnage. Au lieu d'utiliser la performance obtenue à partir du back-testing de la stratégie sur les données d'origine, les résultats de Monte Carlo à 95 de confiance du test de stress pourrait être utilisé. Les meilleures stratégies de la population seraient celles ayant les meilleurs résultats Monte Carlo, ce qui tendrait à conduire la population vers des stratégies robustes. Malheureusement, si chaque analyse Monte Carlo était basée sur des simulations N, le processus de construction prendrait N fois plus longtemps en utilisant cette approche. Outre les tests hors échantillon et les autres méthodes décrites dans cette série d'articles, les tests de résistance fournissent un autre outil pour aider à identifier les stratégies de négociation robustes et éviter le sur-ajustement. S'ils sont appliqués dans le cadre du processus d'évaluation de la stratégie, les tests de stress peuvent aider à éliminer les stratégies qui sont trop sensibles aux changements dans l'environnement commercial, ce qui pourrait aider à éviter les pertes et augmenter vos chances de succès sur les marchés. Tous les tests de résistance ont été effectués à l'aide d'Adaptrade Builder. Cet article est paru dans le numéro de mars 2013 du bulletin Adaptrade Software. LES RÉSULTATS DE PERFORMANCE HYPOTHETIQUES OU SIMULÉS ONT CERTAINES LIMITATIONS INHÉRENTES. UNLIKE UN RAPPORT DE PERFORMANCE RÉELLE, LES RÉSULTATS SIMULÉS NE REPRÉSENTENT PAS DE COMMERCE RÉEL. AINSI, LES COMMERCES N'ONT PAS EFFECTUÉES REELLEMENT, LES RÉSULTATS PEUVENT ÊTRE SOUS-OU SUR-COMPENSÉS POUR L'INCIDENCE DE CERTAINS FACTEURS DE MARCHÉ, S'IL YA LIEU, COMME LE MANQUE DE LIQUIDITÉ. LES PROGRAMMES SIMULTANÉS DE COMMERCE EN GÉNÉRAL SONT ÉGALEMENT SUJETS AU FAIT QU'ILS SONT CONÇUS AVEC LE BÉNÉFICE DE HINDSIGHT. AUCUNE REPRÉSENTATION N'EST FAITE QUE TOUT COMPTE EST OU PEUT PROBABILITÉ D'OBTENIR DES BÉNÉFICES OU DES PERTES SIMILAIRES À CELLES INDIQUÉES. Si vous désirez être informé des nouveautés, des nouveautés et des offres spéciales d'Adaptrade Software, veuillez rejoindre notre liste de diffusion. Vous avez entendu parler de la façon dont les ordinateurs régneront sur le monde du commerce, comment les robots intelligents font des millions sur les marchés, et maintenant vous voulez construire votre owb tout - Puissant robot commercial qui peut tout conquérir. Eh bien, cet article ne promet pas la formule magique ou le Saint Graal à votre robot invincible, mais il est aussi proche qu'il obtient. PS. Les concepts de négociation mentionnés ici ne s'appliquent pas au négoce à haute fréquence (négociation en millisecondes). Rendez vos robots intelligents mais pas trop intelligents. Qu'est-ce que cela signifie pour Weather All Storms Afin que nos systèmes de négociation pour faire face à toutes les tempêtes, aka rester efficace dans des conditions de marché différentes, ils doivent s'adapter au marché. Cela implique une logique de négociation qui est efficace en différentes périodes, backtesting cadres qui minimisent les préjugés et des règles qui ne sont pas trop rigide. Ces critères peuvent être résumés en un seul mot: Robustesse. Qu'est-ce que la robustesse Définition officielle de la robustesse. En économie, la robustesse est la capacité d'un système d'échange financier à rester efficace sur différents marchés et conditions de marché différentes, ou la capacité d'un modèle économique à rester valide sous différentes hypothèses, paramètres et conditions initiales. Pour traduire cela en des mots plus simples: Un système commercial est robuste s'il peut rester efficace dans les conditions du marché changeantes Le codage, le test et l'évaluation des robots commerciaux de nos jours est peu coûteux. Types de robustesse Robustesse semble être un mot surutilisé. Beaucoup de gens parlent de la robustesse dans un système commercial sans référence spécifique à un seul type de robustesse. Il existe de nombreux types de robustesse, cet article parlera des sept principaux: Robustesse de la période Robustesse saisonnière Robustesse de l'instrument Robustesse de l'outil Robustesse de l'outil Robustesse du portefeuille Robustesse du portefeuille Robustesse de période Définition: Un système commercial est robuste à travers les périodes si elle peut rester efficace sur différentes périodes de marché . Périodes de marché peuvent être caractérisées en 2 types: générique et stratégique. Périodes de marché génériques Figure 1: Six périodes de marché génériques. La figure 1 montre les six principales périodes de marché génériques. Dans ce cas, nous analysons la performance de nos systèmes de négociation au cours de ces six périodes. Toutefois, notez que certaines tables génériques période du marché sont de 5 par 5 ou plus. 5 sur 5 8211 Axe Y: Très faible volatilité, faible volatilité, neutre, volatilité élevée, très volatilité 5 sur 5 8211 Axe X: forte tendance haussière, tendance haussière, fluctuation, tendance à la baisse, forte tendance à la baisse La classification 5 sur 5 est juste une variante de L'original 2 par 3, mais il n'y a rien de mal avec le 5 par 5 ou un classement plus grand. Si notre système commercial est efficace pendant les 6 périodes de base, cela signifie qu'il est robuste période. Périodes de marché stratégiques Les périodes de marché stratégiques sont définies par le commerçant. Cela dépend des conditions spécifiques qui influencent fortement l'actif que vous négociez. Bien entendu, ces conditions spécifiques varient selon les actifs. Par exemple, si nous négocions EURUSD, la politique monétaire de la Réserve fédérale américaine influencera fortement notre négociation. Par conséquent, nous analyserons 2 périodes stratégiques du marché: 1) Fed Easing 2) Fed Tightening. Si vous négociez des actions, un exemple serait 1) Juste avant la sortie des résultats 2) Juste après la publication des résultats Application à la négociation Cela signifie-t-il que si mon système de négociation n'est pas robuste période, il est non rentable C'est incorrect. Il ya beaucoup de systèmes de négociation qui sont conçus pour capturer une inefficacité du marché spécifique. Notre objectif ici est de comprendre les caractéristiques de nos systèmes de négociation afin que nous sachions comment et quand les déployer. Robustesse saisonnière Définition: Un système commercial est saisonnièrement robuste s'il est capable de rester efficace malgré les effets saisonniers. La robustesse saisonnière peut être considérée comme un sous-ensemble de Robustesse de Période. Un effet saisonnier est une anomalie de marché ou un effet économique qui semble être lié au calendrier. Nous disons qu'il existe des effets saisonniers sur le marché s'il existe des comportements répétitifs sur les marchés à travers le temps. Il existe cinq principaux types d'effets saisonniers: Intra-Day Effect: Comportement spécifique des marchés à certains moments de la journée. Day Effect: Comportement spécifique des marchés sur certains jours de la semaine. Mois Effet: Comportement spécifique des marchés sur certains mois de l'année. Effet trimestriel: Comportement spécifique des marchés sur une base trimestrielle. Effet pluriannuel: Le terme comprend parfois des effets pluriannuels, comme le cycle décennal (10 ans). Dans la plupart des cas, les effets saisonniers ne sont pas des prophéties auto-réalisatrices. Ils sont créés par les fondamentaux du marché. 1) Les marchés Forex sont plus actifs pendant certaines périodes de la journée en raison des chevauchements des marchés mondiaux. 2) Janvier Effet existe en raison de la réduction des impôts raisons. 3) Les marchés ont tendance à être plus calme sur la première moitié du premier vendredi de chaque mois en raison de la non-Farm Payrolls. Figure 2: Examen de l'effet de janvier. Crédits: aboutsmallcap Application à la négociation Pourquoi ne pas exploiter cette inefficacité récurrente Il est certainement possible, mais il ya plusieurs raisons cela pourrait être difficile: Timing et l'étendue des effets saisonniers sont instables Les participants du marché sont constamment à essayer d'exploiter les effets saisonniers. Ces actions influencent l'étendue et le comportement des effets saisonniers. Par conséquent, cela crée une situation dynamique où les effets saisonniers sont en constante évolution. Le coût du commerce est trop élevé L'effet saisonnier pourrait exister parce que le coût d'exploitation de l'effet est trop élevé. Le coût élevé agit comme une barrière naturelle pour protéger les effets saisonniers. Nous ne croyons pas que le marché est complètement efficace, mais nous croyons qu'il est efficace dans une certaine mesure. Dans de nombreux cas, il est difficile d'exploiter un effet saisonnier parce que l'efficacité est chiffrée. Par exemple, vous voudrez peut-être acheter une chevauchement (une structure d'options qui gagne en valeur lorsque la volatilité augmente) au cours de la paie non agricole, volatilité. Cependant, les vendeurs de la chevauchée ont pris en compte la volatilité élevée et ont donc fixé ce prix en prix straddle (primes d'option). Définition de la grille de temps Définition: Un système de négociation est un échéancier robuste s'il est capable de rester efficace lors de la négociation dans des délais différents. Le délai se rapporte à notre période de chandelier (1min, 5min, 15min, 1hour, Daily etc). Notre système de négociation est un échéancier robuste si sa stratégie de négociation sous-jacente est efficace dans des délais différents. Nous devons comprendre la robustesse des délais dans deux types de conditions de marché: 1) Notre actif se comporte comme un fractal à travers les délais. 2) Pas de comportement fractal. Scénario 1: Notre actif se comporte comme un fractal à travers les délais Non, nous ne nous référons pas au modèle de chandelier quand nous parlons de Fractals. Définition officielle des fractales. Une fractale est un phénomène naturel ou un ensemble mathématique qui présente un motif répétitif qui s'affiche à chaque échelle. Si la réplication est exactement la même à chaque échelle, elle est appelée un modèle auto-similaire. Pour simplifier: Une fractale est un motif qui se répète dans différents visuels ou échelles de temps. Figure 3: Fractales dans des périodes différentes Lorsque nous approfondissons les périodes inférieures, nous voyons que les formes (caractéristiques) de l'actif restent les mêmes. Notre système de négociation sera toujours chronométré robuste quand il négocie un actif qui se comporte comme un fractal à travers le temps. Si le marché se comporte de la même manière à chaque échéance, il ne devrait pas y avoir de différence dans notre comportement des systèmes de négociation. Scénario 2: Pas de comportement fractal Une règle générale est que le bruit (volatilité) augmente au fur et à mesure que nous atteignons le délai plus bas. Notre système de négociation sera robuste ici si sa logique sous-jacente est efficace malgré les différents niveaux de bruit et le comportement du marché à des intervalles de temps différents. Application à la négociation Si notre système de négociation est robuste, il fonctionne à tout moment. Cependant, cela ne signifie pas que nous restons indifférents au calendrier que nous négocions. Nous devrions négocier sur des délais plus bas. Cela permettra de maximiser le nombre de possibilités de négociation par heure. Imaginez une moyenne de 1 métier par 5 barres. Si vous faites le commerce sur la période de temps quotidienne, vous brûlerez 52 métiers par an (260 jours de la semaine 5). Si vous faites du commerce sur une période de 1 heure, vous pouvez tirer 1248 (260 24 5) métiers par an. Par conséquent, votre bénéfice sera 24 fois plus élevé (sans tenir compte des effets de la composition) Si nous négocions sur le calendrier le plus bas possible Selon la logique indiquée ci-dessus, si nous devrions négocier sur le calendrier le plus bas possible (1min pour MT4), nous devrions massivement Rentable droite Tristement et sans surprise, non. Il est peu probable qu'un système de négociation soit parfaitement robuste. Il est peu probable qu'un atout se comporte de manière fractale parfaite. Comme nous allons à des périodes plus basses, le bruit augmente. Le comportement des actifs devient plus imprévisible en raison des influences en temps réel des événements actuels, de la microstructure du marché et de la spéculation des acteurs du marché. Par conséquent, nous devrions choisir un calendrier qui équilibre la réduction du bruit et la maximisation des profits. Si notre système de négociation n'est pas robuste, nous devons comprendre quel calendrier convient le mieux à notre système de négociation dans différentes conditions de marché. Robustesse de l'instrument Définition: Un système de négociation est robuste pour tous les instruments (actifs) s'il peut rester efficace pour différents instruments. Un système de négociation est robuste instrument si elle fonctionne comme prévu sur les différents actifs. Cela signifie que les systèmes de négociation sous-jacents à la logique de négociation est de capturer une inefficacité qui existent dans de multiples actifs. Application à la négociation La robustesse des instruments n'est pas une mesure de la performance des systèmes de négociation. En fait, la plupart des systèmes de négociation ne sont pas robustes aux instruments. Les systèmes de négociation sont conçus pour capter des inefficiences spécifiques du marché et ces inefficiences ont tendance à être spécifiques à l'instrument. Ainsi, il n'est pas rare que la plupart des systèmes de négociation ne soient pas robustes aux instruments. Au lieu de viser la robustesse des instruments, nous devons comprendre comment nos systèmes de négociation fonctionnent dans des actifs différents. Cela nous permettra de découvrir des inefficacités communes dans différents actifs et de déployer notre portefeuille de systèmes de trading plus efficacement. Optimisation Robustesse Définition: Un système commercial est robuste dans l'optimisation si la fonction objectif du système commercial est maximisée tout en minimisant l'ajustement de la courbe. Avant d'expliquer en détail ce qu'est la robustesse d'optimisation, nous allons brièvement comprendre ce que l'optimisation, la fonction objective et l'ajustement de la courbe sont. Optimisation. Le processus dans lequel nous adaptons la structure et les règles d'un système de négociation pour maximiser ou minimiser sa fonction objective. Fonction objective . Il s'agit de la performance d'un backtest que nous essayons de maximiser ou de minimiser. Un moyen facile (et paresseux) de choisir une fonction objective est d'utiliser le profit net. C'est rarement une bonne idée. Dans la négociation, cette production devrait se composer de 3 choses 8211 récompense, la cohérence et le risque. Courbe d'ajustement . Le processus de restauration du système commercial si étroitement à des données historiques qu'il devient inefficace à l'avenir. Pourquoi L'avenir reflète rarement le passé Parce que l'avenir reflète rarement le passé, nous avons besoin d'un processus d'optimisation qui minimise l'ajustement des courbes. Cela augmentera les chances de succès de notre système commercial. Un système commercial passant par un tel processus peut être considéré comme l'optimisation robuste. Application aux tests Ceci nous amène à notre solution L'Optimisation de la marche vers l'avant. Définition selon Wikipedia: La stratégie de trading est optimisée avec des données d'échantillon pour une fenêtre de temps dans une série de données. Le reste des données est réservé aux tests hors échantillon. Une petite partie des données réservées suite aux données de l'échantillon est testée avec les résultats enregistrés. La fenêtre temporelle dans l'échantillon est décalée vers l'avant de la période couverte par le test hors échantillon et le processus est répété. À la fin, tous les résultats enregistrés sont utilisés pour évaluer la stratégie de négociation. Pour traduire en mots plus simples: Nous optimisons notre système de trading en utilisant une période (dans l'échantillon), et appliquons les paramètres optimisés à la période suivante (hors-échantillon). Répéter. Les performances du système de négociation sont rassemblées en utilisant toutes les périodes hors échantillon. Figure 4: Période d'échantillonnage et hors période d'échantillonnage 1) Optimisation du système de négociation à l'aide de l'échantillon A 2) Analyse des performances des systèmes de négociation dans l'échantillon sortant A 3) Optimisation du système de négociation à l'aide de l'échantillon B 4) Dans le cas de l'échantillon sortant B 5) Répéter pour les périodes C à E 6) Nous évaluerons la performance des systèmes de négociation dans les échantillons échangés A à E Le but de ce processus est d'examiner comment notre système commercial fonctionnera lorsqu'il est exécuté dans un territoire inconnu De l'échantillon). Paramètre Robustesse Définition. Un système commercial est paramétrable si sa performance ne change pas drastiquement en raison d'une légère modification des valeurs des paramètres. Si la logique de négociation sous-jacente est bonne, la modification légère des valeurs des paramètres ne devrait pas affecter significativement ses performances. Si la performance change drastiquement, le système de négociation présente des signes d'ajustement de la courbe. Application aux tests Les résultats d'une optimisation peuvent être visualisés dans un espace de paramètres de surface d'optimisation (si nous n'optimons que deux paramètres). Les axes x et y représentent nos deux paramètres. L'axe z représente notre fonction objective. Figure 5: Surface d'optimisation avec des pics spiky Figure 6: Surface d'optimisation avec des collines plates Les deux figures ci-dessus représentent la surface d'optimisation d'un système commercial qui utilise deux paramètres, une moyenne rapide et lente. Lorsque nous examinons cette surface d'optimisation, nous préférons les collines plates sur les pics spiky. Les collines plates indiquent peu de changement de performance, même si les valeurs des paramètres sont légèrement modifiées. Robustesse du portefeuille Définition: La robustesse du portefeuille se produit lorsqu'un groupe de systèmes de négociation peut rester efficace dans des conditions de marché différentes. Portfolio Robustness and Period Robustness are different as Portfolio Robustness focuses on the complementary effects of separate trading systems. Different trading systems have different strengths and weaknesses. They can be combined in a way to maximise our objective function of the portfolio in the long run. Application to Trading For illustration, assume we have two trading systems which are long term profitable but are negatively correlated to each other. Figure 7: Net equity curve of a portfolio of two robots By combining these two trading systems, we are able to cancel out the risk in their performance and achieve a net long run positive result with significantly lower risk. By applying this concept to a portfolio of different trading systems, we aim to achieve Portfolio Robustness. Conclusion This article serves to briefly introduce the seven main types of robustness. However, in order to truly have a good grasp on building great trading systems, you need these three elements: Trading System Design, Coding for Algorithmic Trading and Market Knowledge. Whats next Go Google these topics and get started AlgoTrading101 is the first comprehensive online course on algorithmic trading. Learn the fundamentals of algo trading and put your ideas into action along with more than 10,000 students. Learn more about us at AlgoTrading101 . Lucas Liew This dude runs AlgoTrading101, an algorithmic trading academy with over 13,000 students. Click on the Author link above to learn more about him. Navigation des articles