آزمایش یک استراتژی حرکت ساده

چند هفته به عقب ، من مشترکین خود را به ایمیل ارسال کردم که ایده استراتژی حرکت را که در وب سایت جاناتان کینلی یافت می شود ، برجسته کردم. در مقاله اصلی ، کد Easylanguage را برای این استراتژی پیدا خواهید کرد.

من کد را با ورودی های پیش فرض آن بارگذاری کردم و این منحنی سهام را دریافت کردم.

خیلی زیبا نیستمن یک خواننده Easylanguage Mastery داشتم که به من ایمیل بدهم تا بگویم "این منحنی سهام به معنای این است که استراتژی تله است."

من فکر می کنم این نظر نکته را از دست داده است.

آنچه ما در اینجا داریم یک ایده است - نه یک سیستم معاملاتی کامل. آنچه ارائه شد ، یک مفهوم حرکت بود که می تواند به قلب یک سیستم تجاری تبدیل شود. من استراتژی پیشنهادی حرکت را یک ایده کلیدی می نامم ، که فقط ممکن است پس از برخی کارها به یک سیستم تجارت تبدیل شود.

برای داشتن یک سیستم معاملاتی ممکن است مجبور شویم ورودی ها را بهینه کنیم ، فیلترها را اضافه کنیم و توقف های مختلفی را آزمایش کنیم. سپس ممکن است ما یک سیستم معاملاتی داشته باشیم.

این ایده خوبی است که ایده های کلیدی را که در اینترنت پیدا می کنید و آنها را کشف کنید تا ببینید آیا می توانید چیز مفیدی را استخراج کنید.

اولین کاری که من برای کشف پتانسیل این ایده اصلی انجام دادم ، آزمایش عملکرد در سایر بازارهای اصلی شاخص که دوست دارم تجارت کنم. در اینجا منحنی سهام برای Nasdaq ، Dow و E-Mini S& P است. من 5 دلار برای کمیسیون ها و دو کنه از لغزش در هر تجارت رفت و برگشت کسر می کنم.

بهینه سازی ورودی ها

نمودارهای سهام بالا نشانه خوبی است. چرا؟تمام منحنی های سهام در بازارهای مختلف (مشابه) مثبت باقی می مانند. با این حال ، به خاطر داشته باشید ، بازارهای شاخص سهام دارای تعصب جانبی طولانی هستند. این بدان معناست که ایجاد یک منحنی سهام خوب در سمت طولانی نسبتاً آسان است. به خصوص هنگامی که ما در محل کار نداریم ، این شرایطی است که ما در اینجا داریم.

من قصد دارم بازار Dow (ym) را به جلو انتخاب کنم. چرا؟به نظر نمی رسد دلیل واقعی به غیر از عملکرد DOW در وسط دو مورد دیگر باشد.

بعد ، بیایید ورودی ها را بهینه کنیم. من از ویژگی بهینه سازی Tradestation استفاده خواهم کرد و 40 ٪ آخرین داده های قیمت را برای بخش داده های خارج از نمونه ما حذف می کنم. اولین پارامترهای بهینه سازی ، مواردی است که با استراتژی ارائه می شود.

ورودی ها برای بهینه سازی:

1. ndayshigh (1-10 مرحله 1)
2. Ibslag (1-5 مرحله 1)
3. Ibstrigger (. 1 -. 9 مراحل . 05)

من همچنین یک ارزش از دست دادن توقف فاجعه بار 2000 دلار به استراتژی اضافه کردم.

بهینه سازی این ورودی ها 850 ترکیب را تولید کرد. اولین کاری که من انجام دادم این بود که نتایج خود را بر اساس شاخص Tradestation در تمام داده ها سازماندهی کردم. تمام داده ها به معنای داده های درون نمونه و خارج از نمونه هستند.

ایده اصلی چقدر قوی است؟

یکی از اولین کارهایی که من انجام دادم سازماندهی بهینه سازی با سود خالص به ترتیب نزولی بود. نتیجه گیری این است که همه 850 ترکیب سودآور بوده است ، که اشاره می کند که این ایده کلیدی قوی است. یعنی ترکیبات مختلفی از مقادیر وجود دارد که نتایج مثبتی به همراه دارد. اگر فقط برخی از ترکیبات را به دست آوردیم و سود خالص مثبت داشت ، می توان گفت که ایده های کلیدی کمتر قوی است. اگر فقط تعداد معدودی از ترکیبات تولید سود خالص مثبت ، می توانیم بگوییم که ایده اصلی قوی نیست و احتمالاً ایده اصلی ما را رها می کند.

محور y سود خالص است. محور x همه 850 ترکیب است. هر ترکیبی مثبت است.

بهينه سازي

بعد ، من ورودی Ndayshigh را مرور کردم. من متوجه شدم که این مقدار 1 یا 10 مقدار در نزدیکی بالا دارد.

بسیاری از ndayshigh با مقدار 10 یا 1.

برای نگاهی بهتر به Ndayshighi که من توسط Ndayshigh سازماندهی کردم و آن را با میانگین سود در هر تجارت مقایسه کردم. می بینید که ارزش بالاتر Ndayshigh سود بیشتری در هر تجارت ایجاد می کند. مقادیر پایین تر سود متوسط در هر تجارت نزدیک به 100 دلار دارند. من دوست دارم هنگام تجارت در میله های روزانه ، مقادیر بالاتری را ببینم.

مقادیر ndayshigh بالاتر (بیشترین در محور x باقی مانده است) سود متوسط بالاتری در هر تجارت (محور y)

براساس اطلاعات فوق ، ده را به عنوان بازپرداخت برای ndayshigh انتخاب کردم.

سپس دو مقدار دیگر را بهینه کردم:

من گزارش بهینه سازی را توسط شاخص Tradestation سازماندهی کردم. بسیاری از ترکیبات خوب به نظر می رسید. این به من رسید که آنچه را که فکر می کردم منحنی سهام خوب است انتخاب کردم. من در مورد Ibslag از دو و Ibstrigger 75 تصمیم گرفتم.

بنابراین ، اکنون مقادیر بهینه سازی شده زیر را داریم:

در زیر یک نمودار سهام از ایده اصلی با مقادیر بهینه سازی شده آورده شده است.

متوجه خواهید شد که ما 40 ٪ آخر داده های قیمت را خارج از نمونه رزرو کرده ایم. بنابراین ، تراکم از آن داده ها برای بهینه سازی استفاده نکرد. با این حال ، ما از عملکرد خارج از نمونه در ترکیب با داده های درون نمونه استفاده کردیم تا به تصمیم گیری بهینه سازی کمک کنیم. ایده در اینجا این است که ما می خواهیم مقادیری را انتخاب کنیم که بازده مناسبی را در نتایج درون نمونه و خارج از نمونه ایجاد کند.

نتیجه

با نگاهی به نمودار سهام ، می توانید پیشرفت گسترده ای را در منحنی سهام شروع ما مشاهده کنید. در طی این بهینه سازی ، بسیاری از بهینه سازی های مختلف خوب به نظر می رسید ، که این یک نشانه مثبت است که ممکن است این استراتژی به آینده ادامه دهد.

از طرف منفی ، مقادیر بهینه سازی شده را گرفتم و آنها را در بازارهای مرتبط دیگر (es و nq) اعمال کردم. با این حال ، نتایج در آن بازارها قابل معامله نبود. این استراتژی ها مثبت باقی مانده اند ، که خوب است ، اما من دوست داشتم که آنها عملکرد بهتری داشته باشند. آیا این بدان معنی است که استراتژی ym محکوم است؟

با این حال ، من تست های دیگر vlidation مانند تست مونت کارلو ، آزمایش فاصله اطمینان ، آزمایش واریانس و تست نویز را انجام می دهم تا اعتماد به نفس خود را در این استراتژی تقویت کنم. آزمون واقعی همیشه عملکرد داده های غیب آینده در سال 2021 و بعد از آن خواهد بود.

با سایر بازارهای (es و nq) ، ممکن است مجموعه ای متفاوت از ورودی ها بهتر عمل کنند. اضافه کردن فیلترها ممکن است نتایج بهتری کسب کند. اما در اینجا متوقف نشوید. در مورد بازارهای دیگر چطور؟ما به IMM نگاه کردیم ، اما این تنها یک نمونه از آنچه این مفهوم کلیدی ممکن است قادر به تولید باشد ، است. آیا چیزی قابل اجرا پیدا خواهید کرد؟من نمی دانم. اما ما به این ماده اصلی این مقاله می رسیم ، بدون آزمایش دقیق ، خیلی سریع ایده را رد نکنید. شما فقط ممکن است یک سیستم تجاری عالی را دور بیندازید.