Trading System Robusthet

Hem robusta handelssystem är målet för trendföljare. Robust Trading Systems är målet för trendföljare. Du kan alltid hitta galen annonser lovande handelssystem med hög avkastning och 100 framgångsrika plockar toppar och bottnar. Dessa så kallade system uppnår sina resultat genom att Använda många regler och många undantag De var helt utvecklade eller kurva-passade Reglerna är alltid överoptimerade. Ser bra ut på papper bara allt du får De vann t eller håller sig till den verkliga världen. En bra trend efter handelssystemet måste vara robust Det finns fem allmänna kriterier för system robusthet. Sensibilitetsanalys på systemregler parametrar. Test på många marknader. Systemövergripande riskanalys. Systemkonsekvens. Kan trend beskrivas i enkla och logiska termer. Ett handelssystem med högst tre till fem parametrar för att optimera är ideal Parametrar är den kvantitativa delen av de regler eller villkor som måste uppfyllas. Test på många marknader. En signifikant indikation på robusthet är att använda ett system optimerat för en marknad på många olika marknader utan att ändra några parametrar Om ett system optimerat på SP 500 kan handla en Japan-fond, en liten cap fond och en tillväxtmarknad fond, är förtroendet för det systemet ökad. Systemövergripande riskanalys. Systemövergripande riskanalys föreställer alla sätt system kan genomföra sina mål Tänk igenom alternativen. Konsekvent avkastning visar ett system över många branscher utnyttjar en kant Ordet kant används på samma sätt som ett kasino har en kant på roulette, över ett stort antal affärer, ett system med en kant gör pengar. Kan trenden följa beskrivas i enkla och logiska termer. Ett system måste förklaras i enkla och logiska termer Om ett system beror på månens fas eller på exponentiala glidande medelvärdet av Fibonacci-oscillatorn, avvisa systemet. Du måste förstå grunden för ett system s framgång. Träffa följande produkter. Michael Covel Trend Följande produkter.1996-17 Trend Efterföljande All Rights Reserved Contact. Trend Following, TurtleTrader, är varumärken som tjänstemärken för Trend Följande Andra varumärken och servicemärken som visas på Trend Following-nätverket av webbplatser kan vara ägda av Trend Following eller av andra parter, inklusive tredje part som inte är anslutna till Trend Following. och information om Trend Following-nätverket av webbplatser får inte kopieras, skrivas ut eller omfördelas utan skriftligt tillstånd från Michael Covel och Trend. Men skriftligt tillstånd är enkelt och typiskt tillåtet. Syftet med denna webbplats är att uppmuntra till fri utbyte av idéer över investeringar, risker, ekonomi, psykologi, mänskligt beteende, entreprenörskap och innovation Hela innehållet på denna webbplats är baserat på Michael Covels åsikter, om inget annat anges. Enskilda artiklar baseras på respektive upphovsmanns åsikter, som kan behålla upphovsrätten som noteras Informationen på denna webbplats är avsedd som en delning av kunskap och i bildning från Michael Covels forskning och erfarenhet. Informationen i detta dokument är inte avsedd att användas som en inbjudan till investeringar med någon rådgivare profilerad. Alla uppgifter på denna webbplats är direkt från CFTC, SEC, Yahoo Finance, Google och avslöjande dokument från ledare som nämns här Vi antar att alla uppgifter är korrekta, men tar inget ansvar för fel, utelämnanden eller skriftliga fel som görs av källor. Trend Efterföljande marknader och säljer olika investeringsforsknings - och investeringsinformationsprodukter Läsare är ensam ansvariga för urval av aktier, valutor , optioner, råvaror, terminskontrakt, strategier och övervakning av sina mäklarkonton. Trend Efter det att dess dotterbolag, anställda och agenter inte begär eller utför affärer eller ger investeringsrådgivning och inte är registrerade som mäklare eller rådgivare med någon federal eller statlig myndighet Läs vår fullständiga ansvarsfriskrivning. Visa Michael Covel s film nu Den enda trenden efter dokumentär. Stress Tes ting för handelsstrategi Robustness. by Michael R Bryant. I artikeln om handelsstrategier på flera marknader diskuterade jag begreppet robusthet, som jag beskrev som okänslighet för variationer i de data som strategin bygger på. Att bygga ett handelssystem över flera marknader är ett sätt att öka robustheten Men vad händer om du redan har en strategi och du vill se hur robust det är. Att testa en handelsstrategi för robusthet kallas ofta sensitivitetsanalys eller mer i vardagen som stresstest. Grundtanken är att se vad som händer när små förändringar görs i strategins ingångar, prisdata eller andra delar av strategin eller handelsmiljön. En robust strategi uppvisar en proportionell och relativt dämpad reaktion på sådana förändringar, medan en strategi som inte är robust kommer att reagera oproportionerligt och ibland misslyckas direkt när små förändringar görs på dess ingångar eller miljö. Varför är detta viktigt. Men det är bara robusthet viktigt eftersom t Marknaderna förblir aldrig samma. Ta in strategierna, till exempel Ingångar som utkikslängden för ett glidande medelvärde kan vara optimala under backtestperioden, men framåt kan olika värden vara optimala. Vi vill veta hur bra strategin kommer att fungera när ingångarna inte längre är optimala Ett sätt att ta itu med är att se hur resultaten ändras när inmatningsvärdena ändras. Som förklaras i den tidigare artikeln är tanken på robusthet relaterad till strategisk övermontering. Vi vill ha för att se till att strategin inte har passat så tätt på marknaden under utvecklingsprocessen att det inte kan klara några förändringar på marknaden Generellt sett kan vi testa på det genom att byta marknad, förändra strategin eller båda en strategi Det går inte bra att relativt små förändringar inte är robusta och sannolikt kommer att vara överpassade. En sådan strategi bör inte förväntas göra bra i framtiden. Typer av stressprovning. Det finns många olika sätt att en strategi kan stresstestas Vi kan göra ändringar i själva strategin eller till de prisuppgifter som vi testar om. Vi kan ändra handelskostnaderna, till exempel mängden glidning eller ändra positionering. Principiellt är allt som påverkar Strategiska backtestresultat kan varieras I den här artikeln kommer följande tre typer av stresstest att diskuteras. Konfigurering av strategin inputs. Making små förändringar till individuella priser. Koppling av startfältet. Motiveringen för att ändra strategins ingångar diskuterades ovan För att ändra dem kommer en procentandel att väljas slumpmässigt mellan - Max och Max, där Max kan vara i storleksordningen 1 eller 5. Denna procentandel kommer att tillämpas på värdena för värden för varje ingång. Till exempel om vi väljer utseendet längd för en indikator från intervallet värden från 1 till 100, då skulle intervallet vara 100 och den slumpmässigt valda förändringsprocenten skulle appliceras till 100. Ändringsmängden, antingen positiv eller negativ, skulle då läggas till ursprung al input värde för att göra det högre eller lägre med det beloppet Vi ska också ange ett minimalt möjligt förändringsbelopp, till exempel 1 för att mängden ska ändra en indikator back-back längd På så sätt, om den slumpmässiga förändringsprocenten är ett litet tal, input kommer ändå att ändras. En väg som en strategi kan vara överpassad, och därför inte robust, är om den passar för nära till specifika priser i backtestet. Om strategin går in på ett stopp och flera stora lönsamma affärer går till dagens höga pris, vilket borde höjas med en röd flagga. Hur skulle resultaten se ut om höjden hade varit en kryssare lägre på de dagarna. Om en sådan liten förändring skulle förstöra resultaten är strategin tydlig inte robust En stresstestteknik för att upptäcka den typen av övermontering är att göra slumpmässiga ändringar av individuella priser och utvärdera resultaten. För att slumpmässigt ändra prisuppgifterna använder vi två inställningar. En är sannolikheten att ändra ett pris. Till exempel , om sannolikheten är 50, den där ns there sa 50 chans att något pris - öppet, högt, lågt, stäng av varje stapel - kommer att ändras. Den andra inställningen är den maximala procentuella förändringen som kommer att tillämpas på ett pris som ändras. Som med ingångsvärdena, den faktiska mängden av ändringen är slumpmässigt vald mellan - Max och Max, där Max är den maximala procentuella prisförändringen. Värdet på Max tas i procent av det genomsnittliga sanna intervallet över de senaste 100 barerna. Om exempelvis det genomsnittliga sanna intervallet är 10 poäng och den maximala procentuella förändringen är 20, då ändringsbeloppet är ett slumpmässigt valt nummer mellan -2 och 2 poäng Låt oss säga att det faktiska numret är -1 25 poäng och slutkursen är 1250 50 Den modifierade stängningen skulle då vara 1249 25 Slutligen är det möjligt att byte av ett pris kommer att ogiltiggöra den normala prisbeställningen, till exempel att minska den öppna så att den sitter under den låga. För att förhindra det, kan priserna behöva justeras efter att ändringen hållits öppen och stäng inom det höga låga intervallet Den senaste stresstestmetoden som kommer att diskuteras innebär att man ändrar startfältet. Det är troligt uppenbart att en bra strategi inte ska falla ifrån varandra när du startar backtestet på en annan stapel. Det kan vara mindre uppenbart hur detta kan hända. Tänk på en hypotetisk strategi som går lång på ett glidande medelvärde. Det handlar sedan om handeln exakt fem barer innan man lämnar på marknaden. Att lägga bort logikens lämplighet, föreställ dig vad handelshistoriken kan se ut på ett prisschema. Om det rörliga genomsnittliga inmatningsvillkoret använder en kortfattad terminsgenomsnittskorsning över ett långsiktigt genomsnitt är det helt möjligt att inträdesvillkoren kan vara sann under lång tid, dvs det kortsiktiga genomsnittet kan vara högre än det långsiktiga genomsnittet för många barer i en row. If backtestet startades under den perioden skulle den första handeln komma in på nästa stapel efter startfältet och varje handel varade fem barer, följde omedelbart av nästa post, och så vidare. Tänk nu på vad som skulle hända om startfältet ändrades. Om startfältet var en stapel senare skulle till exempel hela serien av affärer flyttas en stapel till höger. Det är helt möjligt att några av de fem serieerna - bar-branschen skulle vara mycket mer lönsamma än andra beroende på hur affärerna anpassades till någon underliggande fembar trendcykel som existerade. Beroende på startfältet kan strategin vara mycket lönsam eller olönsam beroende på var affärerna startade och slutade Det kan inte vara uppenbart under utveckling att strategidogiken hade denna typ av beroende på startfältet, speciellt för mer komplicerade typer av logik. För att testa för effekten av startfältet, är den stapel som strategin bakprovet är startade kommer att varieras med ett slumpmässigt tal valt mellan 1 och N I exemplet nedan valdes N för att vara 300 Så startfältet varierades genom att lägga till ett slumpmässigt valt nummer mellan 1 och 300 till ursprunglig startfält number. A Monte Carlo Approach. Om ingångarna, priserna eller startfältet med en slumpmässig mängd ger endast ett alternativ att jämföra med de ursprungliga resultaten. För att få en mer komplett bild av hur robust en strategi är kan vi upprepa processen många gånger tills vi har en fördelning av resultat I allmänhet varierar ingångsvariablerna slumpmässigt över ett stort antal iterationer för att generera en statistisk fördelning av resultat för funktionen som beror på dessa ingångar, kallas Monte Carlo-analys. I detta fall funktionen är handelsstrategin och funktionens ingångar är strategins ingångar, marknadspriser och eller startfältet. Genom att upprepa stresstestet många gånger slutar vi med flera uppsättningar handelsresultat. För att förstå hur Monte Carlo-processen fungerar, anser vi att exempel som visas i figur 1.Figur 1 Originalkapitalkurva för en valutahandelstrategi. Aktiekurvan som avbildas i figur 1 är en handelsstrategi som utvecklats för EURUSD-valutamarknaden Det är en av bonusstrategierna som ingår i Adaptrade Builder. Den utvecklades i mars 2010 De senaste 100 branscherna eller så har varit sedan release, vilket visar att Det har hunnit bra i realtidspåföljande spårning. För att illustrera hur stresstestresultat kan analyseras med hjälp av ett Monte Carlo-tillvägagångssätt, överväga resultaten av stresstestning av forexstrategin på prisdata, som visas i Fig 2 , som visar totalt 20 aktiekurvor, varav 19 motsvarar en annan uppsättning slumpmässigt modifierade prisuppgifter. Den ursprungliga prisserien för EURUSD modifierades 19 gånger som beskrivits ovan, med användning av en sannolikhet för prisförändring på 50 med maximalt procentuell förändring av 20 Tillsammans med den ursprungliga kurvan, som visas som den tjockare gröna linjen finns det totalt 20 uppsättningar resultat. Det totala antalet hålls så litet som möjligt för illustrativa ändamål, mer iterationer kommer att användas nedan i re maining examples. Figure 2 Stress testa forex-strategin genom att ändra prisdata 19 gånger. Den totala nettovinsten som motsvarar varje aktiekurva i Fig 2 är som följer.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. Det högsta värdet, 147 855, motsvarar den ursprungliga filen med prisdata Det lägsta värdet är 50 201 I en Monte Carlo-analys, vi kan fråga vad nettoresultatet sannolikt kommer att vara med en viss grad av förtroende med tanke på variationen i resultaten. En konfidensnivå på 95 är typisk, vilket innebär att det skulle finnas en 5 chans att nettovinsten är lägre än vårt valda värde till få värdet av nettovinsten vid 95 konfidens, listan ovan är sorterad från högsta till lägsta och värdet 95 av vägen nerför listan väljs. Eftersom vi har 20 artiklar i listan väljer vi den 19: e posten i den sorterade listan , vilket skulle vara ett nät p rofit på 68 459 dvs det näst lägsta värdet i listan. Vi kan tolka detta resultat enligt följande om randomiseringen av prisuppgifterna är representativ för den typ av slumpmässiga skillnader vi kan förvänta oss på marknaden, då kan vi förvänta oss att 95 av tiden , kommer nettovinsten att vara minst 68 459. Samma tillvägagångssätt kan tillämpas på varje prestationsmått som vi kanske vill spåra Om metriska är en där ett lägre värde är bättre, till exempel maximal drawdown, skulle listan sorteras i motsatt riktning beställa innan du väljer värdet 95 av vägen nerför listan. Exemplar av stressprovning. Nå överväga ett mer representativt exempel, där totalt 100 prover genererades för Monte Carlo-analysen Fig 3 visar de olika kapitalkurvorna som följer av att man varierar prisfil 99 gånger plus den ursprungliga kurvan. Steg 3 Stress testar forexstrategin genom att ändra prisdata 99 gånger, för totalt 100 egenkapitalkurvor. Använda Monte Carlo-tillvägagångssättet till resultaten för stresstestet, t han resulterar i att tabell 1 genererades vid 95 förtroende visat bredvid resultaten för de ursprungliga data för jämförelse. Tabel 1 Stress testa forexstrategin genom att ändra prisdata. Som förväntat resulterar Monte Carlo från att ändra prisuppgifterna en reduktion i prestanda jämfört med resultaten för den ursprungliga prisdata. Stresstestresultaten är dock fortfarande positiva, vilket tyder på att strategin är åtminstone måttligt robust. I fig 4 nedan har samma tillvägagångssätt tillämpats på strateginångsvärdena Modifieringen procenten sattes till 1, vilket för många ingångar innebar att minsta förändringsbeloppet tillämpades. Alla inmatningarna modifierades med åtminstone minimibeloppet för varje utvärdering. Den ursprungliga aktiekurvan visas nära toppen av diagrammet eftersom tjockare , grön linje Jämfört med resultaten för prisändringar, hade modifieringen av strategins ingångar en starkare effekt på prestanda. Steg 4 Stress testa forexstrategin genom att variera sträckan gy-ingångarna 99 gånger, för totalt 100 egenkapitalkurvor. Monte Carlo-resultaten för samma prov av prestandametri som ovan visas i tabell 2 nedan, vilket inkluderar resultaten för de ursprungliga inmatningsvärdena. Tabell 2 Stresstestning av forexstrategin genom att variera strategin inputs. Monte Carlo Results 95. Resultaten från att ändra startfältet för samma forexstrategi visas nedan i Fig. 5 Jämfört med resultaten från de andra två testen ses relativt liten effekt från att variera startfältet , vilket tyder på att strategin för det mesta är okänslig för denna variabel. Figur 5 Stresstestning av forexstrategin genom att variera startfältet 99 gånger, för totalt 100 aktiekurvor. Monte Carlo-resultaten från detta test visas i tabell 3 nedan, där de är jämförda med resultaten för den ursprungliga startfältet. Tabell 3 Stresstestning av forexstrategin genom att variera startfältet. Monte Carlo Resultat, 95.Results, Original Data. It s också möjligt att ändra allt tillsammans er eller att modifiera kombinationer av variabler, såsom modifiering av strateginsignalerna samtidigt som prisdata I fig 6 nedan utfördes alla tre stresstest tillsammans. Detta betyder att strateginångarna, prisdata och startfältet slumpmässigt modifierades samtidigt som man utvärderar strategin. Steg 6 Stress testar forexstrategin genom att ändra startfältet 99 gånger, för totalt 100 aktiekurvor. Klart är denna kombination av stresstester ett strängt test av strategins robusthet. En eller två av aktiekurvorna som visas i Fig. 6 verkar visa en netto negativ eller nästan så nettovinst. Endast en egenkapitalkurva närmar sig den ursprungliga. Monte Carlo-resultaten baserat på detta test visas nedan i Tabell 4. Tabel 4 Stresstestning av forexen strategi genom att ändra prisdata, strateginivåer och startbar. Monte Carlo Results, 95.Results, Original Data. Summary och Conclusions. Over-fitning är alltid en angelägenhet när man utvecklar en handelsstrategi Så kallat stresstest s mäter hur robust en handelsstrategi är, vilket är en indikation på huruvida strategin är överfylld. Även om en variabel som påverkar en handelsstrategins resultat kan potentiellt vara föremål för ett stressprov, fokuserade denna artikel på tre viktiga faktorer vid bestämning av backtestresultatet resulterar prisdata, strategins s-värden och startfältet för backtestet. Strategin använde sig för att illustrera varje stresstest påvisat måttlig robusthet med avseende på prisdata och ingångsvärden och god robusthet med respektera startfältet Det är värt att notera att exempelstrategin hade en treårig rekord av positiva spårningsresultat i realtid, men i vissa fall var stresstestresultaten sämre än de resultat som uppnåddes i realtid av strategin Detta föreslår att stresstesterna kan ha varit för svåra i dessa fall. Detta var särskilt uppenbart när alla tre testen kombinerades, såsom visas i Fig 6 och Tabell 4. Stresstestet för stra Tegy-ingångar kan ha varit orealistiskt strikta eftersom det modifierade alla ingångar för varje testteeration. Ett bättre tillvägagångssätt kan vara att använda samma metod som används för att modifiera prisdata, där ett pris modifierades med en viss sannolikhet snarare än att ändra alla ingångar varje gång, en sannolikhet kunde tillämpas för att bestämma om en given ingång skulle modifieras. Om så skulle ändras på sätt som beskrivits ovan annars skulle ingången omodifieras. Det visades hur stresstestresultaten kunde analyseras med användning av Monte Carlo-analys Detta gjorde det möjligt för oss att kvantifiera resultaten och ge en uppskattning av prestanda som i allmänhet var mer konservativ än resultaten av back-testet baserat på originaldata. Fokusen på artikeln var att testa en handelsstrategi efter att den hade utvecklats I Principen kan dock samma tillvägagångssätt användas som en del av strategiprocessen. I Adaptrade Builder utvecklas strategierna baserat på den omprövade prestandan i provperioden I stället för att använda prestanda som erhållits genom att testa teststrategin på de ursprungliga uppgifterna, kan Monte Carlo-resultaten med 95 förtroende från stresstestet användas. De översta strategierna i befolkningen skulle vara de som har det bästa Monte Carlo-resultat, vilket skulle tendera att driva befolkningen mot robusta strategier. Tyvärr, om varje Monte Carlo-analys baserades på N-simuleringar, skulle byggprocessen ta N gånger så länge med detta tillvägagångssätt. Utöver provtagning och andra test metoder som diskuteras i den här serien av artiklar, ger stresstestning ett annat verktyg för att identifiera robusta handelsstrategier och undviker övermontering. Om det tillämpas som en del av strategiprocessen kan stresstestning hjälpa till att eliminera strategier som är alltför känsliga för förändringar i handeln miljö som kan bidra till att undvika förluster och öka dina chanser att lyckas på marknaderna. Alla stresstester utfördes med hjälp av Adaptrade Builder. Den här artikeln framkom i mars 2013-numret av Adaptrade Software-nyhetsbrevet. HYPOTETISKA ELLER SIMULERADE RESULTATRESULTAT HAR VISSA NÄRVÄNDIGA BEGRÄNSNINGAR, OM NÅGOT FAKTISKT RESULTATREKORD, SIMULERADE RESULTAT FÖRFÖLJER INTE DIREKT HANDEL HÄR, SOM HANDELARNA HAR INTE FAKTISKT TILLVERKATS, RESULTATEN KAN FÖRSÖKAS ELLER ÖVERKÖPAS FÖR IMPAKTEN, OM NÅGON AV SÄRSKILDA MARKNADSFAKTORER, SOM SÅ TILLGÄNDER AV LIKVIDITETSIMULERADE HANDELSPROGRAM I ALLMÄNNA ÄR ÄVEN ÄR FAKTA ATT DE DESIGNERAS MED DEN FÖRDELNING AV HINDSIGHT NÅGON REPRESENTATION SKA GÖR ATT NÅGON KONTO VIL ELLER ÄR LIKTIGT FÖR ATT FÖRVÄNDA RESULTAT ELLER TILLVERKNINGAR SOM LIKNADT TILL DESS VISNING. Om du vill bli informerad om nya nyheter, nyheter och specialerbjudanden från Adaptrade Software, var vänlig och följ med i vår e-postlista Tack.7 Typer av Trading Robustness Bygg robotar som väder alla Storms. Building Invincible Robot. Så du hört hur datorn kommer att ru le handelsvärlden, hur intelligenta robotar gör miljontals på marknaderna och nu vill du bygga din owb allmäktiga handelsrobot som kan erövra alla Tja, den här artikeln kommer inte att lova den magiska formeln eller heliga graden till din oövervinnerliga robot, men det är så nära som det blir. PS Handelsbegrepp som nämns här gäller inte för handel med högfrekventa handelar i millisekunder. Gör dina robotar intelligenta men inte för intelligenta. Vad betyder det för Weather All Storm. För att våra handelssystem ska kunna väder alla stormar, aka förblir effektiva under olika marknadsförhållanden, de behöver anpassa sig till marknaden Detta medför handelslogik som är effektiv i olika perioder, backtesting ramar som minimerar bakåtblickande bias och regler som inte är alltför rigid. Detta kriterier kan vara sammanfattas i ett ord Robustness. What är robusthet. Officiell definition av robusthet I ekonomi är robusthet möjligheten att ett finansiellt handelssystem ska förbli effektivt under olika marknader s och olika marknadsvillkor eller möjligheten av en ekonomisk modell att förbli giltig under olika antaganden, parametrar och initiala villkor. För att översätta det till enklare ord. Ett handelssystem är robust om det kan förbli effektivt vid förändrade marknadsförhållanden. Kodning, testning och utvärdering av handelsrobotar dessa dagar är billigt. Typer av robusthet. Robusthet verkar vara ett överanvändt ord Många talar om robusthet i ett handelssystem utan specifika hänvisningar till en enda typ av robusthet. Det finns många typer av robusthet, denna artikel kommer att prata om huvudsakliga seven. Period Robustness. Seasonal Robustness. Timeframe Robustness. Instrument Robustness. Optimisation Robustness. Parameter Robustness. Portfolio Robustness. Period Robustness. Definition Ett handelssystem är robust över perioder om det kan förbli effektivt under olika marknadsperioder. Marknaden kan karakteriseras in i 2 typer generiska och strategiska. Generiska marknadstider. Figur 1 sex generiska marknadstider. Fig re 1 visar oss de sex huvudsakliga marknadsperioderna I det här fallet analyserar vi våra handelssystems resultat under dessa sex perioder. Observera dock att vissa generiska marknadsperiodstabeller är 5 av 5 eller större.5 av 5 Y-axlar Mycket låg volatilitet, låg volatilitet, neutral, hög volatilitet, mycket hög volatilitet.5 med 5 X-axel Stark Uptrend, Uptrend, Ranging, Downtrend, Strong Downtrend. Klassificeringen 5 till 5 är bara en variation av originalet 2 av 3 men Det finns inget fel med 5 till 5 eller någon större klassificering. Om vårt handelssystem är effektivt under de sex grundläggande perioderna, betyder det att det är period robust. Strategiska marknadstider. Strategiska marknadsperioder definieras av näringsidkaren Detta beror på specifika villkor som starkt påverkar tillgången du handlar Naturligtvis varierar dessa specifika villkor för olika tillgångar. Till exempel, om vi handlar EURUSD, kommer den amerikanska centralbankens penningpolitik att kraftigt påverka vår handel. Därför kommer vi att analysera 2 str ategiska marknadsperioder 1 Fed Easing 2 Fed Stramning Om du handlar aktier, skulle ett exempel vara 1 Precis före intjäningsfrisättning 2 Strax efter inlösen av utlåning. Tillämpning till Trading. Detta innebär att om mitt handelssystem inte är period robust är det olönsamt . Det är felaktigt Det finns gott om handelssystem som är utformade för att fånga en viss ineffektivitet på marknaden. Vårt mål är att förstå våra handelssystem s egenskaper så att vi vet hur och när de ska distribueras. Säsongens robusthet. Definition Ett handelssystem är säsongsmässigt robust om det kan hålla sig effektivt trots säsongseffekter. Säsongens robusthet kan betraktas som en delmängd av Period Robustness. En säsongseffekt är någon marknadsavvikelse eller ekonomisk effekt som verkar vara relaterad till kalendern. Vi säger att det finns säsongseffekter i marknaden om det finns repetitivt beteende på marknaderna över tiden Det finns fem huvudtyper av säsongseffekter. Intresserad dagseffekt Specifikt beteende på marknaden s på vissa tider av dagen. Dagseffekt Specifikt beteende på marknader på vissa dagar i veckan. Effekt Effekt Specifikt beteende av marknaderna på vissa månader av året. Kvalitetseffekter Särskilt beteende på marknaderna kvartalsvis. Mångårig effekt termen inkluderar ibland fleråriga effekter, t ex 10-åriga decadalcykeln. I de flesta fall är säsongsbetonade effekter inte självförnöjda profetior. De skapas av marknadens fundamentals.1 Forexmarknaderna är mer aktiva under vissa tider på dagen på grund av globala marknaden överlappar.2 Januari Effekt existerar på grund av skattereducerande skäl.3 Marknader tenderar att vara tystare under den tidigare hälften av den första fredagen i varje månad på grund av icke-lantbrukslöner. Figur 2 Undersöker januariffekten Credits. Application to Trading. Varför kan vi inte utnyttja denna återkommande ineffektivitet Det är definitivt möjligt, men det finns flera anledningar att det kan vara svårt. Timing och omfattning av säsongseffekter är instabila. Marknadsdeltagare försöker ständigt att utnyttja säsongseffekter Dessa åtgärder påverkar säsongseffekternas omfattning och beteende Därför skapar detta en dynamisk situation där säsongseffekterna ständigt förändras. Handelsförhållandet är för högt. Säsongseffekten kan existera eftersom kostnaden för att utnyttja effekten är för högt Den höga kostnaden fungerar som ett naturligt hinder för att skydda säsongseffekterna. Vi tror inte att marknaden är helt effektiv, men vi tror att den är effektiv i viss utsträckning. I många fall är det svårt att utnyttja en säsongseffekt eftersom effektivitet är prissatt i Till exempel kanske du vill köpa en övergripande en optionsstruktur som ökar i värde när volatiliteten ökar under icke-lantbrukslön, eftersom du förväntar dig högre volatilitet. Säljarna av släden har emellertid medfört hög volatilitet och därmed prissatta detta i snedställda prisalternativet Premiums. Timeframe Robustness. Definition Ett handelssystem är tidsram robust om det kan hålla sig effektivt vid handel med olika tidsramar. Timeframe refererar till vår ljusstakeperiod 1min, 5min, 15min, 1hour, Daglig osv. Våra handelssystem är tidsramar robusta om dess underliggande handelsstrategi är effektiv i olika tidsramar. Vi behöver förstå tidsramar robusthet i två typer av marknadsförhållanden.1 Vår tillgång uppför sig som en fraktal över tidsramarna.2 Ingen fraktal beteende. Scenario 1 Vår tillgång beter sig som en fraktal över tidsramar. Nu hänvisar vi inte till ljusstaken mönstret när vi talar om Fractals. Officiell definition av fraktal En fraktal är ett naturfenomen eller en matematisk uppsättning som uppvisar ett upprepande mönster som visas i varje skala Om replikationen är exakt densamma i varje skala kallas det ett självliknande mönster. För att förenkla det är en fraktal ett mönster som upprepar sig i olika visuella eller tid skalor. Figur 3 Fractaler i olika tidsramar. När vi zoomar in i de nedre tidsramarna ser vi att egenskaperna hos egenskaperna hos tillgången förblir densamma. Vår tradition ng-systemet kommer alltid att vara tidsram robust när det handlar om en tillgång som uppträder som en fraktal över tidsramen Om marknaden beter sig på samma sätt vid varje tidsram, borde det inte vara någon skillnad i vårt handelssystems beteende. Scenario 2 Inget fraktalt beteende . En allmän tumregel är att ljudvolatiliteten ökar när vi går till den lägre tidsramen. Vårt handelssystem kommer att vara tidsramat robust här om dess underliggande logik är effektiv trots de olika ljudnivåerna och marknadsbeteendet vid olika tidsramar. Applikation till handel. Om vårt handelssystem är tidsramat robust fungerar det vid varje tidsram. Men det betyder inte att vi förblir likgiltiga med den tidsram vi handlar. Vi bör handla på lägre tidsramar. Detta kommer att maximera antalet handelsmöjligheter per gång. Föreställ dig att det är 1 handel per 5 barer Om du handlar på Daglig tidsram, kommer du att branda 52 affärer om året 260 vardagar 5 Om du handlar på 1 Timme tidsram kan du avfyra 1248 260 24 5 trades a ye ar Därför kommer din vinst att vara 24 gånger högre utan att beakta effekterna av sammansättning. Ska vi handla på lägsta möjliga tidsram. När vi följer den ovan angivna logiken, om vi skulle handla på lägsta möjliga tidsram 1min för MT4, borde vi vara massivt lönsamma rätt Det är osannolikt att det är osannolikt att ett handelssystem är perfekt tidsram robust Det är osannolikt att en tillgång uppträder på ett perfekt fraktalt sätt När vi går till lägre tidsramar ökar bruset. Satsens beteende blir mer oförutsägbart på grund av att till realtidsinflytande från nuvarande händelser, marknadsmikrostruktur och spekulation av marknadsaktörer. Därför bör vi välja en tidsram som balanserar brusreducering och vinstmaksimering. Om vårt handelssystem inte är tidsramat robust måste vi förstå vilken tidsram som passar bäst för our trading system in different market conditions. Instrument Robustness. Definition A trading system is robust across instruments assets if it ca n remain effective across different instruments. A trading system is instrument robust if it performs as expected across different assets This means that the trading system s underlying trading logic is capturing an inefficiency that exist in multiple assets. Application to Trading. Instrument robustness is not a gauge of a trading system s performance In fact, most trading systems are not instrument robust Trading systems are designed to capture specific market inefficiencies and these inefficiencies tend to be instrument specific Thus, it is not unusual that most trading systems are not instrument robust. Instead of aiming for instrument robustness, we should understand how our trading systems work in different assets This will allow us to discover common inefficiencies in different assets and deploy our portfolio of trading systems more effectively. Optimisation Robustness. Definition A trading system is robust in optimisation if the trading system objective function is maximised while mi nimising curve fitting. Before we explain in detail what Optimisation Robustness is, let s briefly understand what optimisation, objective function and curve fitting are. Optimisation The process where we adjust the structure and rules of a trading system to maximise or minimise its objective function. Objective Function This is the performance output of a backtest that we are trying to maximise or minimise. An easy and lazy way to choose an objective function is to use Net Profit This is rarely a good idea In trading, this output should consist of 3 things reward, consistency and risk. Curve Fitting The process of catering the trading system so closely to historical data that it becomes ineffective in the future. Why Because the future rarely reflects the past. Because the future rarely reflects the past, we need an optimisation process that minimises curve fitting This will increase the odds of success of our trading system A trading system going through such a process can be said to be opt imisation robust. Application to Testing. This brings us to our solution The Walk Forward Optimisation. Definition according to Wikipedia. The trading strategy is optimised with in-sample data for a time window in a data series The remainder of the data are reserved for out-of-sample testing A small portion of the reserved data following the in-sample data is tested with the results recorded The in-sample time window is shifted forward by the period covered by the out-of-sample test, and the process repeated At the end, all of the recorded results are used to assess the trading strategy. To translate into simpler words. We optimise our trading system using one period in-sample , and apply the optimised parameters to the next period out-of-sample Repeat The performance of the trading system is collated using all the out-of-sample periods. Figure 4 In-sample and out-of-sample periods.1 Optimise trading system using In-Sample A.2 Test trading system s performance in Out-Sample A.3 Optimise tradi ng system using In-Sample B.4 Test trading system s performance in Out-Sample B.5 Repeat for Period C to E.6 We will evaluate the trading system s performance in Out-Sample A to E. The aim of this process is to examine how will our trading system perform when executed in unknown territory out-of-sample. Parameter Robustness. Definition A trading system is parameter robust if its performance does not change drastically due to slight change in parameter values. If the underlying trading logic is sound, changing the parameter values slightly should not significantly affect its performance If the performance changes drastically, the trading system exhibits signs of curve fitting. Application to Testing. The results of an optimisation can be viewed in an optimisation surface parameter space if we are only optimising two parameters The x-axis and y-axis represents our two parameters The z-axis represents our objective function. Figure 5 Optimisation Surface with spiky peaks. Figure 6 Optimisation Su rface with flat hills. The two figures above represents the optimisation surface of a trading system that uses two parameters, a fast moving average and a slow one When we examine this optimisation surface, we prefer flat hills over spiky peaks Flat hills indicate little change in performance even if we shift the parameter values slightly. Portfolio Robustness. Definition Portfolio Robustness occurs when a group of trading systems are able to remain effective in different market conditions. 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. 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 What s 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.This dude runs an algorithmic trading academy with over 13,000 students Click on the Author link above to learn more about him. Post navigation.