آموزش گام به گام برای صرفه جویی در یک استراتژی تجاری به ظاهر امیدوار

توجه داشته باشید از ویرایشگران Data Science: در حالی که ما به نویسندگان مستقل اجازه می دهیم مقالات را مطابق با قوانین و دستورالعمل های خود منتشر کنند ، ما سهم هر نویسنده را تأیید نمی کنیم. شما نباید بدون اینکه به دنبال مشاوره حرفه ای باشید ، به آثار نویسنده اعتماد کنید. برای جزئیات بیشتر به اصطلاحات خواننده ما مراجعه کنید.

این روزها تعداد برشی گوروس معاملات FX به صورت آنلاین توصیه های YouTube من را کور می کند. آیا گرفتن یک لامبورگینی در طلا بسیار آسان است؟در این وبلاگ ، من می خواهم به این موضوع بپردازم که چگونه یک استراتژی متقاطع متوسط متحرک قدیمی را بهینه کرده ام ، که قطعاً در مورد من کار نمی کند و سعی می کنم آن را به یک استراتژی سودآور تبدیل کنم. ما با ایجاد سیستم تجاری خود ، به دست آوردن داده های مورد نیاز خود ، تعریف منطق ورود خود ، ارزیابی عملکرد ، قبل از شروع بهینه سازی استراتژی خود ، شروع خواهیم کرد. بدون آزار و اذیت بیشتر ، اجازه دهید به آن شیرجه بزنیم. و مطمئناً لامبو من قبل از توجه به گاراژ من خواهد بود (به جز اینکه حتی گاراژ ندارم)

سلب مسئولیت: من در حال حاضر با این استراتژی تجارت نمی کنم ، و همچنین این وبلاگ مشاوره مالی نیست. لطفاً از آن در معرض خطر خود استفاده کنید.

تجارت منظم

سیستم معاملاتی ، یک کلمه بسیار فانتزی و پیچیده ، در واقع چیزی بیش از مجموعه ای از قوانین دقیق نیست که می تواند به طور خودکار منطق ورود و خروج را تعریف کند ، همه بدون هیچ گونه تلاش اختیاری انسانی. به دلیل ماهیت دقیق مجموعه های قانون ، آزمایش سیستماتیک را می توان با اطمینان با مجموعه داده های تاریخی ، با نام مستعار پشتوانه آزمایش کرد. با مشاهده رفتارهای آماری نماینده و مکرر در گذشته ، ما می توانیم سطح اطمینان را برای یک استراتژی تجارت سیستماتیک سودآوری کنیم.

یک سیستم معاملاتی اغلب از تعدادی از مؤلفه ها تشکیل شده است:

1. اتصال داده ها: داده ها پادشاه است. بدون داده ، ما قادر به توسعه و ارزیابی استراتژی نخواهیم بود. بهترین کاری که ما قادر به انجام آن خواهیم بود حدس زدن است. بسته به استراتژی تجارت خود ، ممکن است بتوانید با داده های روزانه کار کنید ، که می توانید به صورت رایگان از سایت هایی مانند https://www. investing.com/ به دست آورید. اگر در عوض در تجارت روزانه کار می کنید ، مانند من که قصد دارم در این سری از وبلاگ ها انجام دهم ، مطمئناً به داده های دانه ای بیشتری احتیاج دارید. برای انجام این کار ، شما باید داده های کارگزاران مانند Oanda ، کارگزاران تعاملی و غیره را به دست آورید.
2. مهندسی ویژگی: سری زمانی مالی کاملاً مشهور است که ناهمگن است (یک گفته آماری از واریانس متفاوت داده های اساسی). به این ترتیب ، سری زمانی قیمت خود قادر به ارائه منطق ورود و خروج قوی نخواهد بود. مهندسی ویژگی فرایندی است که در آن ویژگی های اضافی برای تعریف بعدی از منطق ورود و خروج ایجاد می شود. نمونه هایی از این ویژگی ها می توانند در حال حرکت به طور متوسط ، میانگین های متحرک نمایی و غیره باشند.
3. سیگنال ها و شرایط ورود: سیگنال ها و شرایط مفاهیم بسیار مشابه و در عین حال متفاوت هستند. به عنوان نمونه ، یک متقاطع MACD را بگیرید ، هر زمان که خطوط متقاطع باشد ، این یک سیگنال ورودی خواهد بود. با این حال ، موقعیتی تنها در صورت برآورده شدن تمام شرایط باز خواهد شد ، که می توان گفت قیمت برای تأیید روند باید بالاتر از میانگین دوره حرکت باشد.
4. خروج از سیگنال ها و شرایط: اگر ورود فرصتی برای فرود آمدن ما در ماه ایجاد می کند ، خروج تضمین می کند که سفینه فضایی ما به اندازه کافی ثابت است تا در کل سفر دوام بیاورد. خوب ، احتمالاً این استعاره خوب نیست ، اما منطق خروج خوب الاغهای ما را نجات می دهد. هنگامی که روندها از بخار خارج می شوند ، سود را قفل می کند. این ضرر و زیان ما را قبل از هرگونه تجارت از دست دادن ، ما را خیلی بد می کند. به طور کلی چهار مفهوم مختلف در مورد منطق خروج وجود دارد: (1) متوقف کردن ضرر ، (2) توقف از دست دادن ، (3) سودآوری و (4) زمان در بازار.

اکتساب داده ها

سیستم معاملاتی از نظر تئوری می تواند در هر نوع بازار یا کالاهای سیال با ارزش پولی ذاتی توسعه یابد. در این پست وبلاگ ، ما قصد داریم از GBP.usD به عنوان دارایی اساسی خود استفاده کنیم. ما تقریباً 6 سال از داده های 30 دقیقه ای را از ژانوی ه-2014 تا سپتامبر 2020 از API Oanda V20 گرفته ایم. این فرایند به معنای واقعی کلمه به همان اندازه ساده است (1) یک حساب کاربری در Oanda ایجاد کنید ، (2) یک نشانه دسترسی را در اینجا ایجاد کنید (و البته آن را با خیال راحت ذخیره کنید) ، و (3) دستورالعمل های ولادیمیر را در اینجا دنبال کنید. از طرف دیگر ، شما همچنین می توانید داده ها را از Backtrader ، که من به دنبال پوشش آن در یک پست وبلاگ دیگر هستم ، بدست آورید.

استراتژی تجارت اولیه

اکنون که داده های خود را مرتب کرده ایم ، وقت آن است که روی استراتژی خود کار کنیم. این بار قصد داریم از یک متقاطع متوسط در حال حرکت استفاده کنیم. اما برای ادویه چیزها ، به جای استفاده از فقط یک میانگین متحرک ساده (SMA) ، ما قصد داریم از میانگین متحرک مثلثی (TMA) استفاده کنیم. کاملاً شناخته شده است که SMA در برابر Outliers بسیار آسیب پذیر است. TMA از طرف دیگر خطوط روند صاف تر است. در حالی که داشتن میانگین در حال حرکت نرم تر باعث افزایش تاخیر بین حرکت قیمت و سیگنال ها می شود ، همچنین خطر شکستن کاذب را به حداقل می رساند زیرا یک روند قبل از بازدید سیگنال ورود بهتر تأیید می شود. بنابراین ، چگونه این TMA را محاسبه می کنیم؟TMA N- دوره در واقع فقط میانگین SMA N-N-PerioD است. به نظر می رسد مانند یک پیچ و خم زبان ، اما بگذارید برخی از فرمول های ریاضی را پرتاب کنم تا تصویر را بکشم:

به عبارت دیگر ، چند تفاوت اساسی بین TMA و SMA وجود دارد:

1. TMA به طور متوسط متوسط است. در حالی که SMA متوسط است.
2. TMA نسبت به SMA کندتر نسبت به تغییرات قیمت واکنش نشان می دهد.
3. TMA گاهی اوقات می تواند شما را در یک روند طولانی تر نگه دارد و سود بیشتری کسب می کند. و همان در سمت تلنگر.

بیایید به ترتیب دو سری TMA را برای مجموعه داده های 30 دقیقه ای خود با دوره 3 و 30 ایجاد کنیم. در حال حاضر ، ما می توانیم به طور تصادفی دوره ها را انتخاب کنیم و تا زمانی که به Optima نرسیم ، آنها را به صورت مرحله به مرحله بهینه می کنیم.

این اغلب ایده خوبی است که ما با منطق تجارت ساده شروع می کنیم و به آرامی پیچیدگی را افزایش می دهیم. به این ترتیب ، ما می توانیم قبل از اینکه استراتژی معاملاتی خود را بیش از حد انجام دهیم ، رفتار و پتانسیل استراتژی تجارت خود را بهتر درک کنیم. برای شروع ، اجازه دهید فقط سیگنال های ورودی را تعریف کرده و هنگام تولید سیگنال مخالف از آن خارج شوید:

• ورود طولانی: موقعیت باز 1 قطعه هنگامی که (1) سریع TMA از TMA آهسته عبور کرده است ، و (2) قیمت فعلی در بالای نوار کراس اوور است
• ورودی کوتاه: موقعیت باز 1 قطعه هنگامی که (1) TMA سریع از زیر TMA عبور کرده است ، و (2) قیمت فعلی در پایین نوار کراس اوور است

شهود پشت عدم ورود به نوار متقاطع ، آزمایش روند با اجازه نزدیک شدن به سری TMA کندتر و به طور بالقوه از بین بردن کاذب و تنها تجارت با روندهای بلند مدت است. همانطور که در نمودار بالا نشان داده شده است ، صبح روز 3 ژانویه 2014 یک مجموعه طولانی وجود داشت که با رسیدن به قیمت طولانی ورود ، هرگز تحریک نمی شود. شکستن کاذب به سرعت با یک روند پایین دنبال شد ، جایی که وقتی قیمت زیر قیمت پایین نوار متقاطع پایین می آید ، یک مجموعه کوتاه ایجاد شد.

ارزیابی و لغزش

با تدوین استراتژی اولیه ، اجازه دهید به عملکرد نگاهی بیندازید. ما از داده های اول ژانویه 2014 تا 31 دسامبر 2019 برای ارزیابی (به عنوان مثال داده های نمونه) استفاده خواهیم کرد و سال فوق العاده شگفت انگیز 2020 را برای تجزیه و تحلیل پیاده روی (داده های خارج از نمونه) نگه داریم. استراتژیاین مهم است که ما برای جلوگیری از بیش از حد و تقویت استحکام استراتژی نهایی خود ، یک پیاده روی را از پشتی خود نگه داریم. اگر در عوض ما تمام داده ها را در مجموعه داده های درون نمونه داشته باشیم ، ما برای هر تغییر روند در کل مجموعه داده های خود ، استراتژی خود را برای زمان بهینه می کنیم. اگرچه این می تواند نتیجه ارزیابی شگفت انگیز را ارائه دهد ، به هیچ وجه واقع بینانه نیست زیرا الگوی دقیق تکرار نمی شود. این وخامت قابل توجه در عملکرد استراتژی در داده های ناشناخته آینده بیش از حد نامیده می شود.

اگر استراتژی معاملاتی اولیه خود را در مجموعه داده های نمونه خود اعمال کنیم ، با فرض اینکه ما برای هر ورودی 1 قطعه GBP.usD را تجارت می کنیم (یعنی 100000 واحد واحد ارز) ، ما به ارقام زیر پایان خواهیم داد: