تجارت متوسط در حال حرکت مبتنی بر شواهد

مقالات موجود در این وبلاگ همواره تلاش کرده اند تا حد ممکن از نظر ریاضی و آماری دقیق باشند. من معتقدم که این هدف بیشتر اوقات به دست آمده است. با این حال ، شاید یک چارچوب یکپارچه و مبهم از آنچه که انجام می دهد و یک روش تجاری موفق را تشکیل نمی دهد ، وجود نداشته باشد. خوشبختانه ، من اخیراً در حال خواندن تجزیه و تحلیل فنی مبتنی بر شواهد زیبا توسط دیوید آرونسون هستم ، که دقیقاً چنین چارچوبی را ارائه می دهد. در این مقاله من مفاهیمی را که در این کتاب توضیح داده شده است در یک روش متوسط معاملات در بازار فارکس استفاده می کنم.

کتاب آرونسون خواندن سریع نیست. این صفحات 500 دلار+$ است و بسیاری از مفاهیم ریاضیات و آماری را که معمولاً در علوم سخت مانند فیزیک و نجوم استفاده می شود ، با هم ترکیب می کند. در واقع ، تجزیه و تحلیل فنی مبتنی بر شواهد (همانطور که آرونسون آن را می نامد) موازی با نجوم و به ویژه کیهان شناسی است: ما فقط یک تحقق جهان داریم که می توانیم مشاهده کنیم ، زیرا فقط یک تحقق مالی داریمتاریخچه بازار. بنابراین ما باید اقدامات لازم را انجام دهیم تا نتیجه آنالیزهای خود از نظر آماری سالم باشد.

من نمی خواهم کتاب را در اینجا خلاصه کنم ، زیرا این امر غیر ممکن خواهد بود. در عوض ، من قصد دارم برخی از مفاهیمی را که آرونسون در متن بازار فارکس مطرح می کند ، تکرار کنم. به عنوان یک تمایز دهنده با توجه به بسیاری از تحلیل های قبلی در این وبلاگ ، من می خواهم به جای بازه زمانی روزانه ، بازه زمانی ساعتی را در نظر بگیرم. این دو مزیت دارد: 1) این اجازه می دهد تا هر قانونی را که ما با آن روبرو خواهیم شد ، سریعتر به تست کند (اگرچه این در این پست تحت پوشش قرار نمی گیرد) و 2) این امکان را به شما می دهدبدون اینکه خیلی به گذشته برویم ، وقتی پویایی بازار به طور بالقوه با امروز متفاوت بود.

راه اندازی آزمایشی

در این مقاله ، من به جفت ارز EUR/USD متمرکز شدم و به لطف چارچوب API Oanda که در جای دیگر شرح داده شده بود ، اطلاعات مربوط به قیمت تاریخی (طبق معمول) را بازیابی کردم. در یک مقاله پیگیری ، نتایج این تجزیه و تحلیل را برای جفت های مختلف ارز مقایسه می کنم. من به طور خودسرانه 5000 دلار ساعت معاملاتی قبل از 22 $ $ ND ، 2021 $ $ در نظر گرفتم.

اولین قدم در تجزیه و تحلیل فنی مبتنی بر شواهد که توسط آرونسون شرح داده شده است ، محاسبه تغییر قیمت ساعتی برای هر یک از دوره های زمانی در نظر گرفته شده است. این به سادگی تفاوت بین قیمت نزدیک و قیمت باز است. در مرحله بعد ، ما باید حرکت قیمت را از بین ببریم ، یعنی تغییر متوسط قیمت را از تغییر هر دوره زمانی حذف کنیم. این امر به اجتناب از بیش از حد عملکرد یک قانون تجارت کمک می کند زیرا این قانون دارای تعصب است که اتفاق می افتد با روند قیمت در دوره پس زمینه مطابقت دارد.

شکل زیر توزیع چگالی تغییرات قیمت محروم در دوره پشتی را نشان می دهد. همانطور که انتظار می رفت ، این توزیع در صفر است. صادقانه بگویم ، در طول مدت طولانی جفت های فارکس (بر خلاف بازار سهام) تمایل به تمایل تقریباً مساوی برای حرکت به عنوان پایین دارند ، بنابراین تغییر متوسط قیمت حتی بدون دفع آن تقریباً صفر است. با این حال من این مرحله را برای قوام انجام دادم.

شکل زیر نشان می دهد که تغییر قیمت کاهش یافته در بالا برای هر یک از ساعات 5000 دلاری که در مجموعه داده های پشتی در نظر گرفته شده است ، مورد بحث قرار می گیرد. همانطور که انتظار می رفت ، هیچ ترجیح واضحی نسبت به یک طرف یا طرف دیگر وجود ندارد.

قاعده تجارت

مرحله بعدی تعریف یک قانون تجارت ، یعنی سیستمی است که می خواهد به شما بگوید چه زمانی وارد یک تجارت شوید و از آن خارج شوید و همچنین نحوه ورود به آن (طولانی یا کوتاه). در این مقاله ، من بر اساس یکی از ساده ترین قوانین ممکن ، بر اساس یک میانگین متحرک ساده بحث می کنم. با توجه به میانگین دوره متحرک $ n $ ، هر زمان که قیمت بالاتر از میانگین متحرک باشد ، سیگنال طولانی (1 $+) دریافت می کنید ، در غیر این صورت سیگنال کوتاه (1 $ $) می گیرید. بازده برای یک دوره زمانی معین (یک ساعت در این مورد) به سادگی توسط محصول این سیگنال معاملاتی و تغییر قیمت در آن دوره داده می شود.

این قانون متوسط معاملات در حال حرکت فقط یک پارامتر واحد دارد ، یعنی دوره $ n $ از میانگین حرکت ساده. شکل زیر میانگین بازده ساعتی این قانون را به عنوان تابعی از $ N $ نشان می دهد ، که بر روی مجموعه داده های پشتی تعریف شده در بالا محاسبه شده است.

همانطور که ممکن است انتظار داشته باشد که در این منحنی سر و صدایی کاملاً وجود داشته باشد ، با این حال دوره هایی در محدوده تقریبی $ n در [50 ، 80] $ تمایل به انجام بهترین عملکرد دارند ، با میانگین بازده ساعتی 0. 10 دلار - 0. 15 $ پیپ. کنجکاو است که مشاهده کنیم که اگر ما این قانون را معکوس کنیم (وقتی قیمت زیر میانگین متحرک باز شد) ، بازده متوسط مثبت مشابهی را برای $ n simeq 190 $ دریافت می کنیم. این همچنین توسط آرونسون مشاهده شده است ، تا حدی که نویسنده هر قانون و برعکس آن را در کتاب خود آزمایش کرده است.

شکل زیر عملکرد ساعتی EUR/USD را در طول دوره پشتی نشان می دهد ، به همراه میانگین حرکت ساده با بالاترین بازده مورد انتظار ، با یک دوره N = 81 $.

از این طرح ، همانطور که در بالا توضیح داده شد ، پس از آن می توان سیگنال تجارت ارائه شده توسط این قانون را به عنوان تابعی از زمان محاسبه کرد. این در شکل زیر نمایش داده می شود.

همانطور که انتظار می رود ، سیگنال این قانون متوسط معاملات در حال حرکت بین+1 $ و 1 $ $ پرش می کند. سایر قوانینی که می خواهم تحقیق کنم سه سیگنال ممکن از جمله ارزش 0 $ خنثی را دارند.

اهمیت آماری

اکنون می توانیم ، در اصل ، اهمیت آماری بازده مورد انتظار ارائه شده توسط این قانون را در مجموعه داده های پشتی محاسبه کنیم. با این حال این جایی است که یک عامل دیگر در حال بازی است ، که آرونسون در کتاب خود Data Minig Bias را می نامد. مفهوم اصلی این تعصب این است که پارامتر خاص $ n = 81 $ که در بالا انتخاب کردیم ممکن است واقعاً بهینه نباشد ، بلکه به سادگی نتیجه یک اجرای خوش شانس از قانون ما بر روی مجموعه داده های پشتی است. این احتمال بیشتر اتفاق می افتد که قوانین/پارامترهای بیشتری که با آنها آزمایش می کنیم.

به منظور برآورد تأثیر تعصب داده کاوی تعدادی از رویکردها وجود دارد. ساده ترین $-$ که در اینجا $ پذیرفته شده است-$ صرفاً اجرای این قانون با پارامتر انتخاب شده در مجموعه داده دیگر ، جدا کردن از مجموعه داده های پشتی است. در این پست من مجموعه دیگری از 5،000 دلار فواصل زمانی ساعتی پس از 22 $ $ ND ، 2021 $ $ را در نظر گرفتم (مجموعه داده های پشتی از دوره های ساعتی 5000 دلار قبل از همان تاریخ ساخته شده است). این مجموعه داده به دلایل واضح از نمونه (OOS) نامیده می شود. بازده مورد انتظار قانون معاملات متوسط در حال حرکت در مجموعه داده OO S-0. 0435 $ PIPS است. این پایین تر از بازگشت PIPS $ 0. 15 $ است که ما در مجموعه داده های پشتی قرار گرفتیم ، همانطور که انتظار می رود. نه تنها این ، این بازده متوسط نیز منفی است ، و این نشان می دهد که در واقع الگویی که در طول پشتی مشخص کردیم نتیجه شانس است و به مجموعه داده OOS منتقل نمی شود.

با این وجود ، با این وجود ، بازده OOS هنوز مثبت بود (این برای سایر قوانینی خواهد بود که من در پست های پیگیری بررسی خواهم کرد) ، سؤال دیگری که ما باید به آن پاسخ دهیم این است که آیا بازده مورد انتظار از نظر آماری معنی دار است یا به سادگی با نوسان تصادفی سازگار است. باز هم ، ما واقعاً به جواب در این مورد خاص اهمیت نمی دهیم ، زیرا میانگین بازده منفی است. اما وقتی یک قانون دیگر بازده مثبتی در مجموعه داده OOS فراهم کند ، ما می خواهیم پاسخی به این سؤال داشته باشیم.

طبق معمول ، روش های مختلفی برای نزدیک شدن به این مشکل وجود دارد. در اینجا من از یک تکنیک عددی استفاده کردم که به آن تغییر شکل bootstrap گفته می شود. بدون اینکه به جزئیات زیادی بپردازید ، ابتدا در محوریت آرایه بازده ساعتی تشکیل شده است تا میانگین بازده صفر باشد. سپس ، در تولید مجموعه ای از استخراج های تصادفی با جایگزینی آرایه بازده ساعتی محور.

شکل زیر توزیع چگالی بازده میانگین ساعت محور محاسبه شده با روش bootstrap (1500 دلار تغییر شکل) و همچنین میانگین بازده اندازه گیری شده با قانون ما در مجموعه داده OOS (خط عمودی قرمز) را نشان می دهد.

علاوه بر توزیع چگالی اندازه گیری شده ، من همچنین برآورد چگالی هسته آن (منطقه زرد) و بهترین تناسب گاوسی آن (منحنی نارنجی) را نشان می دهم. منحنی های زرد و نارنجی کاملاً مشابه هستند ، نشان می دهد که توزیع چگالی کاملاً نزدیک به یک گاوسی است. با توجه به قضیه محدودیت مرکزی ، این تعجب آور نیست.

برای بازده متوسط اندازه گیری شده در مجموعه داده OOS از نظر آماری قابل توجه است ، ما به خط عمودی قرمز نیاز داریم تا از سمت راست این توزیع دور باشد. در این حالت در وسط قرار می گیرد ، دلالت بر این دارد که عملکرد شناسایی شده (منفی) ما با نوسان تصادفی سازگار است و از نظر آماری معنی دار نیست. برای استفاده از توضیحات دقیق تر ، فرضیه تهی رد نشده است.

از همین نوع محاسبه می توان برای تخمین فاصله اطمینان برای بازده متوسط اندازه گیری شده در مجموعه داده OOS نیز استفاده کرد. در این حالت می توان گفت که بازده مورد انتظار شامل فاصله $ [-0. 2225 ، 0. 1467] $ با اطمینان 90 $ $ است.

نتیجه گیری

در کتاب خود آرونسون هزاران قانون معاملات را در مورد داده های بازار سهام پشت سر گذاشت. او یکی از این قوانین را برای ارائه بازده آماری قابل توجه پیدا نکرد. خوشبختانه ، من دریافتم که در بازار فارکس برخی از قوانین معاملاتی (از جمله قانون معاملات متوسط در حال حرکت در اینجا مورد بحث) وجود دارد که حداقل در چند جفت ارز ، بازده آماری قابل توجهی را تولید می کنند. من در مورد این نتایج در یکی از مقاله های بعدی بحث خواهم کرد.

با تشکر از خواندن! لطفاً اگر می خواهید با انتشارات من به روز بمانید ، مشترک شوید و مطالب تکمیلی را دریافت کنید. اگر می خواهید موضوعی را برای من پیشنهاد دهید تا در یک پست آینده تحصیل کنم ، لطفاً این کار را در اینجا انجام دهید.

در فیسبوک به اشتراک بگذارید توییت

ما را دنبال کنید