Os 100 melhores comerciantes de forex estatísticas de matemática

MetaTrader 4 - Trading Mathematics in Trading: Como estimar resultados de comércio Se eu for enganado pela aleatoriedade, melhor ser do tipo lindo (e inofensivo). Nassim N. Taleb Introdução: a matemática é a rainha das ciências É requerido um certo nível de formação matemática de qualquer comerciante, e esta afirmação não precisa de provas. O assunto é apenas: como podemos definir esse nível mínimo exigido. No crescimento de sua experiência comercial, o comerciante geralmente amplia sua visão sozinho, lendo postagens em fóruns ou vários livros. Alguns livros requerem um nível mais baixo de fundo matemático dos leitores, alguns, pelo contrário, inspiram alguém a estudar ou escovar os conhecimentos em um campo de ciências puras ou outro. Vamos tentar dar algumas estimativas e suas interpretações neste único artigo. De Dois Malos Escolha o Menor Existem mais matemáticos no mundo do que comerciantes bem-sucedidos. Esse fato é freqüentemente usado como um argumento por aqueles que se opõem a cálculos ou métodos complexos na negociação. Podemos dizer contra isso que a negociação não é apenas a capacidade de desenvolver regras de negociação (habilidades de análise), mas também a capacidade de observar essas regras (disciplina). Além disso, uma teoria que descreva exatamente os preços nos mercados financeiros ainda não foi criada (acho que nunca será criada). A criação da teoria (descoberta da natureza matemática) dos próprios mercados financeiros significaria a morte desses mercados, que é um paradoxo indecidível, em termos de filosofia. No entanto, se enfrentarmos a questão de se ir ao mercado com uma descrição matemática não bastante satisfatória do mercado ou sem qualquer descrição, escolhemos o menos mal: Escolhemos métodos de estimação de sistemas de negociação. O que é anormalidade da distribuição normal Uma das noções básicas na teoria da probabilidade é a noção de distribuição normal (gaussiana). Por que ele é chamado assim Muitos processos naturais acabaram por ser normalmente distribuídos. Para ser mais exato, os processos mais naturais, no limite, reduzem a distribuição normal. Consideremos um exemplo simples. Suponhamos que tenhamos uma distribuição uniforme no intervalo de 0 a 100. A distribuição uniforme significa que a probabilidade de cair qualquer valor no intervalo e a probabilidade de que 3. 14 (Pi) caia é a mesma que a queda de 77 (meu número favorito Com dois sevens). Os computadores modernos ajudam a gerar uma sequência de número pseudo-aleatório bastante boa. Como podemos obter a distribuição normal desta distribuição uniforme. Acontece que, se tomarmos cada vez vários números aleatórios (por exemplo, 5 números) de uma distribuição única e encontremos o valor médio desses números (isto é chamado para tirar uma amostra ) E se a quantidade de tais amostras for excelente, a distribuição recentemente obtida tenderá a ser normal. O teorema do limite central diz que isso se relaciona não apenas com amostras de distribuições únicas, mas também com uma grande variedade de outras distribuições. Uma vez que as propriedades da distribuição normal foram estudadas muito bem, será muito mais fácil analisar processos se forem representados como um processo com distribuição normal. No entanto, ver é acreditar, para que possamos ver a confirmação deste teorema do limite central usando um indicador MQL4 simples. Deixe-nos lançar este indicador em qualquer gráfico com diferentes valores de N (quantidade de amostras) e verifique se a distribuição de freqüência empírica se torna mais suave e suave. Figura 1. Indicador que cria uma distribuição normal de um uniforme. Aqui, N significa quantas vezes usamos a média dos números uniformemente distribuídos da pilha5 no intervalo de 0 a 100. Obtivemos quatro gráficos, de aparência muito semelhante. Se os normalizarmos de alguma forma no limite (adjunto a uma única escala), obteremos várias realizações da distribuição normal padrão. A única mosca nesta pomada é que o preço nos mercados financeiros (para ser mais exato, incrementos de preços e outros derivativos desses incrementos), em geral, não se enquadra na distribuição normal. A probabilidade de um evento bastante raro (por exemplo, de redução de preços em 50) nos mercados financeiros é, enquanto baixa, mas ainda consideravelmente maior do que na distribuição normal. É por isso que se deve lembrar disso ao estimar os riscos com base na distribuição normal. Quantidade transformada em qualidade Mesmo este exemplo simples de modelagem de distribuição normal mostra que a quantidade de dados a serem processados ​​conta para muito. Quanto mais dados iniciais existem, mais preciso e válido é o resultado. O número mais pequeno na amostra é considerado superior a 30. Isso significa que, se quisermos estimar os resultados das negociações (por exemplo, um consultor especialista no testador), a quantidade de negócios abaixo de 30 é insuficiente para tornar estatisticamente confiável Conclusões sobre alguns parâmetros do sistema. Quanto mais negociações analisamos, menos a probabilidade é que esses negócios sejam apenas elementos felizmente arrebatados de um sistema comercial não muito confiável. Assim, o lucro final em uma série de 150 negócios oferece mais motivos para colocar o sistema em serviço do que um sistema estimado em apenas 15 negócios. Expectativa matemática e dispersão como estimativa de risco As duas características mais importantes de uma distribuição são a expectativa matemática (média) e a dispersão. A distribuição normal padrão tem uma expectativa matemática igual a zero. Com isso, o centro de distribuição também está localizado em zero. A platidez ou inclinação da distribuição normal é caracterizada pela medida da propagação de um valor aleatório dentro da área de expectativa matemática. É a dispersão que nos mostra como os valores se espalham sobre os valores aleatórios da expectativa matemática. A expectativa matemática pode ser encontrada de forma muito simples: para conjuntos contáveis, todos os valores de distribuição são resumidos, sendo a soma obtida dividida pela quantidade de valores. Por exemplo, um conjunto de números naturais é infinito, mas contabilizável, pois cada valor pode ser agrupado com seu índice (número de ordem). Para conjuntos não contáveis, a integração será aplicada. Para estimar a expectativa matemática de uma série de negócios, resumiremos todos os resultados do comércio e dividiremos o montante obtido pela quantidade de negócios. O valor obtido mostrará o resultado médio esperado de cada comércio. Se a expectativa matemática é positiva, nós ganhamos em média. Se for negativo, perdemos em média. Figura 2. Gráfico da densidade de probabilidade da distribuição normal. A medida da disseminação da distribuição é a soma de desvios quadrados do valor aleatório de sua expectativa matemática. Essa característica da distribuição é chamada de dispersão. Normalmente, a expectativa matemática de um valor distribuído aleatoriamente é denominada M (X). Então a dispersão pode ser descrita como D (X) M ((X-M (X)) 2). A raiz quadrada da dispersão é chamada de desvio padrão. Também é definido como sigma (). É uma distribuição normal com expectativa matemática igual a zero e desvio padrão igual a 1 que se denomina distribuição normal ou gaussiana. Quanto maior o valor do desvio padrão, quanto maior for o capital comercial, maior será o risco. Se a expectativa matemática for positiva (uma estratégia rentável) e igual a 100 e se o desvio padrão for igual a 500, arriscamos uma soma, que é várias vezes maior, para ganhar cada dólar. Por exemplo, temos os resultados de 30 trades: para encontrar a expectativa matemática para esta seqüência de negócios, vamos resumir todos os resultados e dividir isso em 30. Obteremos valor médio M (X) igual a 4.26. Para encontrar o desvio padrão, deixe-nos subtrair a média de cada resultado de negociação, quadrúplicar e encontrar a soma de quadrados. O valor obtido será dividido por 29 (a quantidade de negociações menos uma). Então, obteremos a dispersão D igual a 9 353.623. Tendo gerado raiz quadrada da dispersão, obtemos desvio padrão, sigma, igual a 96,71. Os dados de verificação são dados na tabela abaixo: (X-M (X)) 2 (Praça da Diferença) O que obtivemos é a expectativa matemática igual a 4,26 e desvio padrão de 96,71. Não é a melhor relação entre o risco e o comércio médio. O gráfico de lucro abaixo confirma isso: Fig.3. Gráfico de saldo para negociações feitas. Eu negoço aleatoriamente Z-Score A própria suposição que o lucro obtido como resultado de uma série de negócios é sons aleatórios sardonicamente para a maioria dos comerciantes. Tendo passado muito tempo buscando um sistema de negociação bem-sucedido e observou que o sistema encontrado já resultou em alguns lucros reais em um período de tempo bastante limitado, o comerciante supõe ter encontrado uma abordagem adequada ao mercado. Como ele pode assumir que tudo isso era apenas uma aleatoriedade. Isso é um pouco grosso, especialmente para novatos. No entanto, é essencial estimar os resultados de forma objetiva. Neste caso, a distribuição normal, novamente, vem ao resgate. Não sabemos o que haverá cada resultado de comércio. Só podemos dizer que ganhamos lucro () ou nos encontramos com perdas (-). Os lucros e perdas alternam de diferentes maneiras para diferentes sistemas de negociação. Por exemplo, se o lucro esperado for 5 vezes menor que a perda esperada ao desencadear o Stop Loss, seria razoável presumir que os negócios lucrativos (trades) prevalecerão significativamente sobre os perdedores (- trades). Z - Score nos permite estimar a frequência com que os negócios lucrativos são alternados com os perdedores. Z para um sistema de negociação é calculado pela seguinte fórmula: onde: N - quantidade total de negociações em uma série R - quantidade total de séries de negociações rentáveis ​​e perdidas P 2WL W - quantidade total de negócios lucrativos na série L - valor total De perder trocas na série. Uma série é uma seqüência de vantagens seguidas umas às outras (por exemplo,) ou desvios seguidos um para o outro (por exemplo, -). R conta a quantidade de tais séries. Fig.4. Comparação de duas séries de lucros e perdas. Na Fig. 4, uma parte da sequência de lucros e perdas do Consultor Especialista que assumiu o primeiro lugar no Automated Trading Championship 2006 é mostrada em azul. Z-score de sua conta de competição tem o valor de -3,85, a probabilidade de 99,74 é entre parênteses. Isso significa que, com uma probabilidade de 99,74, os negócios nesta conta tiveram uma dependência positiva entre eles (Z-score é negativo): um lucro foi seguido por um lucro, uma perda foi seguida por uma perda. Este é o caso. Aqueles que estavam assistindo o Campeonato provavelmente lembrariam que Roman Rich colocou sua versão do Consultor Expert MACD que freqüentemente abriu três negociações correndo na mesma direção. Uma sequência típica de valores positivos e negativos do valor aleatório na distribuição normal é mostrada em vermelho. Podemos ver que essas seqüências diferem. No entanto, como podemos medir essa diferença, o Z-score responde a esta pergunta: sua sequência de lucros e perdas contém mais ou menos tiragens (séries lucrativas ou perdidas) do que você pode esperar para uma seqüência realmente aleatória sem qualquer dependência entre trades Se o Z - score é próximo a zero, não podemos dizer que a distribuição de comércio difere da distribuição normal. A pontuação Z de uma seqüência de negociação pode nos informar sobre a possível dependência entre negociações consecutivas. Com isso, os valores de Z são interpretados da mesma maneira que a probabilidade de desvio de zero de um valor aleatório distribuído de acordo com a distribuição normal padrão (média0, sigma1). Se a probabilidade de cair um valor aleatório normalmente distribuído dentro do intervalo de 3 é 99,74, a queda desse valor fora deste intervalo com a mesma probabilidade de 99,74 nos informa que esse valor aleatório não pertence a essa distribuição normal dada. É por isso que a regra de 3 sigma é lida da seguinte forma: um valor aleatório normal desvia-se da sua média em apenas uma distância de 3 sigma. O sinal de Z nos informa sobre o tipo de dependência. Além disso, é muito provavelmente que o comércio lucrativo será seguido por uma perda. Minus diz que o lucro será seguido por um lucro, uma perda será seguida por uma perda novamente. Uma pequena tabela abaixo ilustra o tipo e a probabilidade de dependência entre os negócios em comparação com a distribuição normal. Probabilidade de Dependência, Tipo de Dependência Uma dependência positiva entre negócios significa que um lucro causará um novo lucro, enquanto que uma perda causará uma nova perda. Uma dependência negativa significa que um lucro será seguido por uma perda, enquanto que a perda será seguida por um lucro. A dependência encontrada nos permite regular os tamanhos de posições a serem abertas (idealmente) ou mesmo pular algumas delas e abri-las apenas praticamente para assistir as seqüências comerciais. Retornos do período de retenção (HPR) Em seu livro, The Mathematics of Money Management. Ralph Vince usa a noção de HPR (retornos do período de espera). Um comércio resultou em lucro de 10 tem o HPR10.101.10. Um comércio resultou em uma perda de 10 com o HPR1-0. 100.90. Você também pode obter o valor da HPR para uma negociação, dividindo o valor do saldo depois que o comércio foi fechado (BalanceClose) pelo valor do saldo na abertura do trade (BalanceOpen). HPRBalanceCloseBalanceOpen. Assim, cada comércio tem um resultado em termos de dinheiro e um resultado expresso como HPR. Isso nos permitirá comparar sistemas de forma independente sobre o tamanho dos contratos negociados. Um dos índices utilizados em tal comparação é a média aritmética, AHPR (período de espera médio retorna). Para encontrar o AHPR, devemos resumir todos os HPRs e dividir o resultado pela quantidade de trades. Vamos considerar estes cálculos usando o exemplo acima de 30 trades. Suponhamos que começamos a negociar com 500 na conta. Vamos fazer uma nova tabela: AHPR será encontrado como a média aritmética. É igual a 1.0217. Em outras palavras, ganhamos em média (1.0217-1) 1002.17 em cada comércio. É este o caso Se multiplicarmos 2.17 por 30, veremos que a renda deve fazer 65,1. Vamos multiplicar o valor inicial de 500 por 65.1 e obter 325.50. Ao mesmo tempo, o lucro real faz (627.71-500) 50010025.54. Assim, a média aritmética da HPR nem sempre nos permite estimar um sistema corretamente. Junto com a média aritmética, Ralph Vince introduz a noção de média geométrica que devemos chamar GHPR (retornos do período de espera geométrico), que é praticamente sempre menor que o AHPR. A média geométrica é o fator de crescimento por jogo e é encontrada pela seguinte fórmula: onde: N - quantidade de negociações BalanceOpen - estado inicial da conta BalanceClose - estado final da conta. O sistema que possui o GHPR maior será o maior lucro se negociarmos com base no reinvestimento. O GHPR abaixo de um significa que o sistema perderá dinheiro se negociarmos com base no reinvestimento. Uma boa ilustração da diferença entre AHPR e GHPR pode ser o histórico da conta sashkens. Ele foi o líder dos campeonatos há muito tempo. AHPR 9.98 impressiona, mas o GHPR-27.68 final coloca tudo em perspectiva. Razão Sharpe A eficiência dos investimentos é muitas vezes estimada em termos de dispersão de lucros. Um desses índices é Sharpe Ratio. Este índice mostra como AHPR diminuiu pela taxa livre de risco (RFR) refere-se ao desvio padrão (SD) da sequência HPR. O valor do RFR geralmente é considerado igual à taxa de juros em depósito no banco ou taxa de juros sobre obrigações de tesouraria. No nosso exemplo, AHPR1.0217, SD (HPR) 0.17607, RFR0. Onde: AHPR - período de espera médio retorna RFR - taxa livre de risco SD - desvio padrão. Sharpe Ratio (1.0217- (10)) 0.176070.02170.176070.1232. Para distribuição normal, mais de 99 dos valores aleatórios estão dentro do intervalo de 3 (sigmaSD) sobre o valor médio M (X). Segue-se que o valor de Sharpe Ratio superior a 3 é muito bom. Na Fig. 5 abaixo, podemos ver isso, se os resultados do comércio são distribuídos normalmente e Sharpe Ratio3, a probabilidade de perder é inferior a 1 por comércio de acordo com a regra de 3 sigma. Fig.5. Distribuição normal dos resultados do comércio com a probabilidade perdedora de menos de 1. A conta do participante chamado RobinHood confirma isso: sua EA fez 26 negociações no Automated Trading Championship 2006 sem perder uma entre elas. Razão Sharpe3.07 Regressão Linear (LR) e Coeficiente de Correlação Linear (CLC) Existe também outra maneira de estimar a estabilidade dos resultados comerciais. Sharpe Ratio nos permite estimar o risco que o capital está executando, mas também podemos tentar estimar o grau de equilíbrio da curva de equilíbrio. Se importamos os valores de equilíbrio no fechamento de cada comércio, poderemos desenhar uma linha quebrada. Esses pontos podem ser equipados com uma certa linha reta que nos mostrará a direção média das mudanças de capital. Consideremos um exemplo desta oportunidade usando o gráfico de saldo do Expert Advisor Phoenix4 desenvolvido por Hendrick. FIG. 6. Gráfico de saldo de Hendrick, Participante do Automated Trading Championship 2006. Devemos encontrar esses coeficientes a e b que esta linha seja o mais próxima possível dos pontos que estão sendo instalados. No nosso caso, x é o número comercial, y é o valor do saldo no fechamento do comércio. Os coeficientes de uma aproximação direta são geralmente encontrados pelo método dos mínimos quadrados (método LS). Suponhamos que tenhamos esse direito com coeficientes conhecidos e b. Para cada x, temos dois valores: y (x) axb e balance (x). O desvio do equilíbrio (x) de y (x) será denotado como d (x) y (x) - balance (x). SSD (soma de desvios quadrados) pode ser calculado como SDSumm. Encontrar o método direto por LS significa procurar por a e b que SD é mínimo. Este recto também é chamado de regressão linear (LR) para a sequência dada. FIG. 7. Desvio do valor do equilíbrio da linha reta do yaxb Tendo obtido os coeficientes da linha direta de yaxb usando o método LS, podemos estimar o desvio do valor do saldo em relação ao recheado em termos monetários. Se calcularmos a média aritmética para a seqüência d (x), estaremos certos de que (d (x)) é próximo de zero (para ser mais exato, é igual a zero para algum grau de precisão de cálculo). Ao mesmo tempo, o SSD de SD não é igual a zero e tem um certo valor limitado. A raiz quadrada de SD (N-2) mostra a propagação de valores no gráfico de saldo sobre a linha reta e permite estimar sistemas de negociação em valores idênticos ao estado inicial da conta. Ligaremos para este parâmetro LR Standard Error. Abaixo estão os valores deste parâmetro para as primeiras 15 contas no Automated Trading Championship 2006: LR Standard Error, No entanto, o grau de aproximação do gráfico do saldo para um straight pode ser medido em termos de dinheiro e termos absolutos. Para isso, podemos usar a taxa de correlação. A taxa de correlação, r, mede o grau de correlação entre duas seqüências de números. Seu valor pode estar dentro do intervalo de -1 a 1. Se r1, significa que duas seqüências têm comportamento idêntico e a correlação é positiva. FIG. 8. Exemplo de correlação positiva. Se r-1, as duas seqüências mudam de oposição, a correlação é negativa. FIG. 9. Exemplo de correlação negativa. Se r0, isso significa que não existe nenhuma dependência entre as seqüências. Deve-se enfatizar que r0 não significa que não haja correlação entre as seqüências, apenas diz que essa correlação não foi encontrada. Isso deve ser lembrado. No nosso caso, temos que comparar duas seqüências de números:, -. FIG. 10. Valores de equilíbrio e pontos na regressão linear. Abaixo está a representação da tabela dos mesmos dados: designa valores de equilíbrio como X e a seqüência de pontos na linha de regressão direta como Y. Para calcular o coeficiente de correlação linear entre as seqüências X e Y, é necessário encontrar valores médios M (X) e M (Y) primeiro. Então, vamos criar uma nova seqüência T (XM (X)) (YM (Y)) e calcular seu valor médio como M (T) cov (X, Y) M ((XM (X)) (YM (Y)) ). O valor encontrado de cov (X, Y) é denominado covariância de X e Y e significa expectativa matemática do produto (X-M (X)) (Y-M (Y)). Para o nosso exemplo, o valor da covariância é 21 253 775.08. Observe que M (X) e M (Y) são iguais e têm o valor de 21 382,26 cada. Isso significa que o valor médio da Equilíbrio e a média da linha reta são iguais. Onde: X - Balanço Y - regressão linear M (X) - Valor médio de equilíbrio M (Y) - Valor médio LR. O único que resta ser feito é o cálculo de Sx e Sy. Para calcular Sx, encontraremos a soma de valores de (X-M (X)) 2, isto é, encontre o SSD de X a partir do seu valor médio. Lembre-se de como calculamos a dispersão e o algoritmo do método LS. Como você pode ver, eles estão todos relacionados. O SSD encontrado será dividido pela quantidade de números na sequência - no nosso caso, 36 (de zero a 35) - e extrai a raiz quadrada do valor resultante. Então obtivemos o valor de Sx. O valor de Sy será calculado da mesma maneira. No nosso exemplo, Sx5839. 098245 e Sy4610. 181675. Onde: N - quantidade de negociações X - Saldo Y - regressão linear M (X) - Valor médio de equilíbrio M (Y) - Valor médio de LR. Agora podemos encontrar o valor do coeficiente de correlação como r21 253 775.08 (5839 0982454610. 181675) 0.789536583. Isto está abaixo de um, mas longe de zero. Assim, podemos dizer que o gráfico do saldo se correlaciona com a linha de tendências avaliada como 0,79. Em comparação com outros sistemas, gradualmente aprenderemos a interpretar os valores do coeficiente de correlação. Na página Relatórios do Campeonato, este parâmetro é chamado de correlação LR. A única diferença feita para calcular este parâmetro dentro do quadro do Campeonato é que o sinal de correlação LR indica a rentabilidade comercial. A questão é que podemos calcular o coeficiente de correlação entre o gráfico do saldo e qualquer direto. Para fins do Campeonato, foi calculado para a linha de tendência ascendente, portanto, se a correlação LR for acima de zero, a negociação é lucrativa. Se estiver abaixo de zero, está perdendo. Às vezes, um efeito interessante ocorre onde a conta salva lucro, mas a correlação LR é negativa. Isso pode significar que a negociação está perdendo, mesmo assim. Um exemplo dessa situação pode ser visto em Avers. O Lucro Líquido Total faz 2 642, enquanto LR orrelation é -0,11. Provavelmente não há correlação, neste caso. Isso significa que simplesmente não conseguimos avaliar o futuro da conta. MAE e MFE nos direm muito Muitas vezes somos avisados: reduzir as perdas e deixar crescer o lucro. Olhando para os resultados finais do comércio, não podemos tirar conclusões sobre se o protetor pára (Stop Loss) está disponível ou se a fixação do lucro é efetiva. Só vemos a data de abertura do cargo, a data de encerramento e o resultado final - um lucro ou uma perda. Isto é como julgar sobre uma pessoa por suas datas de nascimento e morte. Sem saber sobre lucros flutuantes durante toda a vida comercial e sobre todas as posições como um total, não podemos julgar a natureza do sistema comercial. Quão arriscada é? Como foi alcançado o lucro? O lucro do papel perdeu As respostas a essas perguntas podem ser bastante bem fornecidas pelos parâmetros MAE (Excursão adversa máxima) e MFE (Excursão máxima favorável). Todas as posições abertas (até que seja fechada) continuamente experimentam flutuações nos lucros. Todo comércio atingiu seu lucro máximo e sua perda máxima durante o período entre a abertura e o fechamento. MFE mostra o movimento máximo de preços em uma direção favorável. Respectivamente, MAE mostra o movimento de preço máximo em uma direção adversa. Seria lógico medir ambos os índices nos pontos. No entanto, se os diferentes pares de moedas fossem negociados, teremos que expressá-lo em termos de dinheiro. Todo comércio fechado corresponde ao resultado (retorno) e a dois índices - MFE e MAE. Se o comércio resultou em lucro de 100, MAE atingindo -1000, isso não fala melhor para estes negócios. A disponibilidade de muitas negociações resultou em lucros, mas com grandes valores negativos de MAE por comércio, nos informa que o sistema apenas senta posições perdedoras. Essa negociação está pronta para falhar mais cedo ou mais tarde. Da mesma forma, os valores do MFE podem fornecer algumas informações úteis. Se uma posição foi aberta na direção certa, o MFE por comércio atingiu 3000, mas o comércio foi fechado, resultando no lucro de 500, podemos dizer que seria bom elaborar o sistema de proteção de lucros unfixed. Isso pode ser Trailing Stop, podemos nos mover depois do preço se o último se mover em uma direção favorável. Se os lucros baixos forem sistemáticos, o sistema pode ser significativamente melhorado. O MFE nos informará sobre isso. Para que a análise visual seja mais conveniente, seria melhor usar a representação gráfica da distribuição de valores de MAE e MFE. Se importamos cada comércio em um gráfico, veremos como o resultado foi obtido. Por exemplo, se tivermos outro olhar sobre os Relatórios de RobinHood, que não tiveram nenhum tipo de negociação perdida, veremos que cada negociação teve uma redução (MAE) de -120 para -2500. FIG. 11. Distribuição de negócios no plano de MAExReturns Além disso, podemos desenhar uma linha direta para ajustar a distribuição Return x MAE usando o método LS. Na Fig. 11, é mostrado em vermelho e tem uma inclinação negativa (os valores diretos diminuem quando se deslocam da esquerda para a direita). Parameter Correlation (Lucros, MAE) -0,59 nos permite estimar o quão perto dos pontos diretos são distribuídos no gráfico. O valor negativo mostra a inclinação negativa da linha de montagem. Se você olhar através de outras contas Participantes, você verá que o coeficiente de correlação geralmente é positivo. No exemplo acima, a inclinação descendente da linha nos diz que ela tende a obter mais e mais rebaixos para não permitir a perda de trades. Agora, podemos entender o preço pago pelo valor ideal do parâmetro LR Correlation1. De forma semelhante, podemos construir um gráfico de distribuição de Retornos e MFE, além de encontrar os valores de Correlação (Multas), 0.77 e Correlação (MFE, MAE) -0,59. Correlação (lucros, MFE) é positiva e tende a um (0,77). Isso nos informa que a estratégia tenta não permitir longas sessões de lucros flutuantes. É mais provável que o lucro não seja permitido crescer o suficiente e os negócios sejam fechados pelo Take Profit. Como você pode ver, as distribuições do MAE e do MFE nos dão uma estimativa visual e os valores de Correlação (Lucros, MFE) e Correlação (Lucros, MAE) podem nos informar sobre a natureza da negociação, mesmo sem gráficos. Valores de Correlação (MFE, MAE), Correlação (NormalizedProfits, MAE) e Correlação (NormalizedProfits, MFE) nos Participantes do Campeonato Os relatórios são fornecidos como informações adicionais. Normalização de resultados comerciais No desenvolvimento de sistemas de negociação, geralmente eles usam tamanhos fixos para posições. Isso permite uma otimização mais fácil dos parâmetros do sistema para encontrar aqueles mais ótimos em determinados critérios. No entanto, depois que as entradas foram encontradas, a questão lógica ocorre: o sistema de gerenciamento de dimensionamento (Money Management, MM) deve ser aplicado. O tamanho das posições abertas relaciona-se diretamente com a quantia de dinheiro na conta, por isso não seria razoável negociar na conta com 5.000 da mesma forma que naquela com 50 000. Além disso, um sistema pode abrir posições, que Não são diretamente proporcionais. Quero dizer, uma posição aberta na conta com 50 000 não deve ser necessariamente 10 vezes mais do que a aberta em um depósito de 5 000. Os tamanhos de posição também podem variar de acordo com a atual fase de mercado, com os resultados das últimas análises de negócios, e assim por diante. Assim, o sistema de gerenciamento de dinheiro aplicado pode essencialmente alterar a aparência inicial de um sistema de negociação. Como podemos estimar o impacto do sistema de gerenciamento de dinheiro aplicado. Era útil ou simplesmente piorava os lados negativos da nossa abordagem comercial? Como podemos comparar os resultados do comércio em várias contas com o mesmo tamanho de depósito no início? Uma possível solução Seria a normalização dos resultados do comércio. Onde: TradeProfit - lucro por comércio em termos de dinheiro TradeLots - tamanho da posição (lotes) Lotes Mínimos - tamanho mínimo permitido da posição. A normalização será realizada da seguinte forma: dividiremos cada resultado de negociação (lucro ou perda) pelo volume da posição e depois multiplicaremos pelo tamanho mínimo permitido da posição. Por exemplo, ordem 4399142 COMPRAR 2,3 lotes USDJPY foi fechado com o lucro de 4 056. 20 118,51 (swaps) 4 174,71. Este exemplo foi tirado da conta de GODZILLA (Nikolay Kositsin). Permite dividir o resultado em 2.3 e multiplicar por 0.1 (o tamanho de posição mínimo permitido) e obter um lucro de 4 056.202.3 0.1 176.36 e swaps 5.15. Estes seriam resultados para a ordem de 0.1-tamanho do lote. Deixe-nos fazer o mesmo com os resultados de todos os negócios e, em seguida, obteremos lucros normalizados (NP). A primeira coisa que pensamos é encontrar valores de Correlação (NormalizedProfits, MAE) e Correlação (NormalizedProfits, MFE) e compará-los à Correlação inicial (Benefícios, MAE) e Correlação (Lucros, MFE). Se a diferença entre parâmetros é significativa, o método aplicado provavelmente mudou o sistema inicial essencialmente. Eles dizem que a aplicação de pode matar um sistema rentável, mas não pode transformar um sistema perdedor em um lucrativo. No Campeonato, a conta da TMR é uma exceção rara, onde o valor de Correlação (NormalizedProfits, MFE) mudando de 0.23 a 0.63 permitiu que o comerciante fechasse em preto. Como podemos estimar a agressividade das estratégias Podemos beneficiar ainda mais das trocas normalizadas na mensuração de como o método de MM aplicado influenciou a estratégia. É óbvio que o aumento do tamanho das posições 10 vezes fará com que o resultado final seja diferente do inicial 10 vezes. E se mudarmos o tamanho do comércio não por um determinado número de vezes, mas dependendo dos desenvolvimentos atuais, os resultados obtidos pelas empresas de gerenciamento de confiança geralmente são comparados a um determinado modelo, geralmente, a um índice de ações. O Coeficiente Beta mostra por quantas vezes o depósito da conta muda em relação ao índice. Se tomarmos negociações normalizadas como um índice, poderemos saber quanto mais volátil os resultados se tornaram em comparação com o sistema inicial (negociações de lote de 0,1). Assim, antes de tudo, calculamos a covariância - cov (Lucros, NormalizedProfits). Então calculamos a dispersão de tradições normalizadas que nomeiam a sequência de negociações normalizadas como NP. Para isso, calcularemos a expectativa matemática de negócios normalizados denominados M (NP). M (NP) mostra o resultado médio do comércio para negociações normalizadas. Então, encontraremos o SSD de negociações normalizadas de M (NP), ou seja, resumiremos (NP-M (NP)) 2. O resultado obtido será dividido pela quantidade de trades e nome D (NP). Esta é a dispersão dos negócios normalizados. Permite dividir a covariância entre o sistema sob medição, Lucros e o índice ideal, NormalizedProfits cov (Profits, NormalizedProfits), pela dispersão do índice D (NP). O resultado será o valor do parâmetro que nos permitirá estimar em quantas vezes mais volátil o capital é que os resultados das negociações originais (negociações no Campeonato) em comparação com os negócios normalizados. Esse parâmetro é chamado Money Compounding nos Relatórios. Ele mostra o nível de agressão comercial até certo ponto. Onde: lucros - resultados comerciais NP - resultados de comércio normalizados M (NP) - valor médio dos negócios normalizados. O erro padrão LR nas contas dos vencedores não foi o menor. Ao mesmo tempo, os gráficos de equilíbrio dos consultores de especialistas mais lucrativos eram bastante suaves, pois os valores de Correlação LR não estão longe de 1,0. The Sharpe Ratio lied basically within the range of 0.20 to 0.40. The only EA with extremal Sharpe Ratio3.07 turned not to have very good values of MAE and MFE. The GHPR per trade is basically located within the range from 1.5 to 3. At that, the Winners did not have the largest values of GHPR, though not the smallest ones. Extreme value GHPR12.77 says us again that there was an abnormality in trading, and we can see that this account experienced the largest fluctuations with LR Standard error9 208.08. Z-score does not give us any generalizations about the first 15 Championship Participants, but values of Zgt2.0 may draw our attention to the trading history in order to understand the nature of dependence between trades on the account. Thus, we know that Z-3.85 for Richs account was practically reached due to simultaneous opening of three positions. And how are things with ldamianis account Finally, the last column in the above table, Money Compounding, also has a large range of values from 8 to 50, 50 being the maximal value for this Championship since the maximal allowable trade size made 5.0 lots, which is 50 times more than the minimal size of 0.1 lot. However, curiously enough, this parameter is not the largest at Winners. The Top Threes values are 17.27, 28.79 and 16.54. Did not the Winners fully used the maximal allowable position size Yes, they did. the matter is, perhaps, that the MM methods did not considerably influence trading risks at general increasing of contract sizes. This is a visible evidence of that money management is very important for a trading system. The 15th place was taken by payday. The EA of this Participant could not open trades with the size of more than 1. 0 lot due to a small error in the code. What if this error did not occur and position sizes were in creased 5 times, up to 5.0 lots Would then the profit increase proportionally, from 4 588.90 to 22 944.50 Would the Participant then take the second place or would he experience an irrecoverable DrawDown due to increased risks Would alexgomel be on the first place His EA traded with only 1.0- trades, too. Or could vgc win, whose Expert Advisor most frequently opened trades of the size of less than 1.0 lot. All three have a good smooth balance graph. As you can see, the Championships plot continues whereas it was over Conclusion: Dont Throw the Baby Out with the Bathwater Opinions differ. This article gives some very general approaches to estimation of trading strategies. One can create many more criteria to estimate trade results. Each characteristic taken separately will not provide a full and objective estimate, but taken together they may help us to avoid lopsided approach in this matter. We can say that we can subject to a cross-examination any positive result (a profit gained on a sufficient sequence of trades) in order to detect negative points in trading. This means that all these characteristics do not so much characterize the efficiency of the given trading strategy as inform us about weak points in trading we should pay attention at, without being satisfied with just a positive final result - the net profit gained on the account. Well, we cannot create an ideal trading system, every system has its benefits and implications. Estimation test is used in order not to reject a trading approach dogmatically, but to know how to perform further development of trading systems and Expert Advisors. In this regard, statistical data accumulated during the Automated Trading Championship 2006 would be a great support for every trader. Static Support and Resistance in the Forex Market Traders can use support and resistance to grade market conditions, define trends, and enter positions. We discuss lsquostaticrsquo methods of support and resistance in the below article. We delve into pivot points, and psychological supportresistance analysis. One of the first aspects of technical analysis that most new traders learn is the field of support and resistance. After all, if price has hit a floor with which it may have difficulty breaking through (support) or a ceiling with which it may not be able to rise above (resistance) this can offer a plethora of trade ideas and setups. Unfortunately, most new traders learn one or two ways of identifying support or resistance and when they see that it doesnrsquot work all-of-the-time, they abandon such studies in hopes of finding lsquoholy grailsrsquo elsewhere. Well, holy grails donrsquot really exist. It often takes the new trader some time to learn this lesson the hard way: There is no strategy or approach or indicator that will allow a trader to always win, no matter how strong the analytical method being employed. Rather, trading is about probabilities and attempting to get them on your side or in your favor as much as humanely possible using this analysis. Support and resistance has a special role in this analysis. It can be used to grade market conditions, determine trends, identify entry and exit points along with a bevy of other options. In this article, wersquore going to look at the most popular ways of identifying lsquostaticrsquo support and resistance levels on the chart and in our next article wersquoll look at more dynamic methods like Fibonacci and Price Action. In the following three pieces, wersquoll take this a step further in showing how traders can properly use these levels in their analysis. This is one of the more common mannerisms of identifying support and resistance, and itrsquos also one of the oldest. Pivot points originated before computers became common in financial markets as floor traders need a quick and easy way to see if prices were lsquocheaprsquo or lsquoexpensive. rsquo So these floor traders developed a short-hand manner of getting support (cheap) and resistance (expensive) levels. These floor traders would take the previous dayrsquos high, low, and closing prices and would average these values together to find the lsquopivotrsquo for the next trading day. Price action trading above this pivot would be lsquobullishrsquo while prices below would be lsquobearish. rsquo While this is fine and good, it doesnrsquot tell us much about support or resistance yet so to take this a step further, traders would then multiply the pivot by two, and would then subtract the previous dayrsquos low to get the first level of resistance (R1). They can then do the same to find the first level of support (S1), multiplying the pivot value times two and then subtracting the previous dayrsquos high. After the R1 and S1 values are solved, traders can then move on to the next levels of support and resistance. To find the second level of resistance (R2), traders can add the pivot value to the difference between R1 and S1 and the second level of support could be found by subtracting the difference between R1 and S1 from the pivot value. The full equation is below: As you can see from the equation, pivot points use very basic math to find potential support and resistance levels. Luckily for traders, most charting packages will automatically do this math for us while plotting the support and resistance levels at appropriate intervals. Pivot Points can be generated for a variety of time frames, and the longer-term pivots will often work best as more traders may be seeing and reacting to those levels. As with most forms of technical analysis, the longer the term being used in the analysis the stronger the response that may be elicited. Pivot points of monthly and weekly flavors will often attract significant interest, and should be followed by traders even if using shorter-term hourly and four-hour charts. Monthly and Weekly Pivot Points can bring value on long as well as short time frames Created with MarketscopeTrading Station II prepared by James Stanley One of the most alluring aspects of technical analysis is the ability of statistics and mathematics to show patterns in human behavior. Nowhere is this more prominent than in the study of lsquopsychologicalrsquo levels in financial markets. Most human beings think in even rounded whole numbers. We canrsquot help it our species has evolved to value simplicity. As an example, ask someone how much they paid for their car or their jacket, or even their latte. Theyrsquoll likely round their answer up (or down) to the nearest round number. This type of rounding will often happen in markets as well as traders place their stops or entry orders at or around these levels in the same way that most human beings will respond when asked how much they paid for their coffee. We delved in the topic of psychological whole numbers in support and resistance identification in the article, The Hidden Patterns of Support and Resistance in the Forex Market. In the chart below, we look at the lsquoMajorrsquo and lsquoLess-Majorrsquo psychological support and resistance levels in GBPUSD. GBPUSD Weekly chart with lsquoMajor, rsquo and lsquoLess Majorrsquo levels identified Created with MarketscopeTrading Station II prepared by James Stanley As you can see, these levels can come up quite often in a market, particularly during strong trends as new prices run into fresh resistance levels (or support levels in the case of a down-trend). This study of support and resistance can be taken a step further with the lsquominorrsquo prices that are set in 25-pip increments known as the lsquominorrsquo psychological levels. In the chart below, wersquove moved down to the hourly chart in the same market looked at above (GBPUSD) with the addition of these more granular lsquominorrsquo levels: Hourly GBPUSD with Minor psychological levels added (25-pip increments) Created with MarketscopeTrading Station II prepared by James Stanley With psychological levels taking place every 25 pips, there are numerous opportunities for traders to lsquocatch swingsrsquo in a market. To put more power behind psychological levels or pivot points, traders can look for confluence amongst these analytical methods including the dynamic support and resistance mechanisms that wersquoll investigate in our next installment. --- Escrito por James Stanley Antes de empregar qualquer um dos métodos mencionados, os comerciantes devem primeiro testar em uma conta demo. A conta de demonstração possui recursos gratuitos em tempo real e pode ser um campo de testes fenomenal para novas estratégias e métodos. Clique aqui para se inscrever para uma conta de demonstração gratuita através do FXCM. James está disponível no Twitter JStanleyFX Você está procurando levar sua negociação para o próximo nível. O Curso DailyFX 360 oferece um currículo completo, juntamente com seminários web privados e semanais nos quais caminhamos comerciantes através de condições de mercado dinâmicas usando a educação ministrada no curso. Você gostaria de trocar junto com profissionais experientes ao longo do dia de negociação. O DailyFX On Demand dá acesso a Analistas DailyFX durante os períodos mais ativos do dia de negociação. Would you like to enhance your FX Education DailyFX has recently launched DailyFX University which is completely free to any and all traders Wersquove recently begun to record a series of Forex Videos on a variety of topics. Wersquod aprecia muito qualquer comentário ou entrada que você possa oferecer nesses vídeos Forex: