Top 100 Forex Comerciantes Estatística Matemática

A OANDA usa cookies para tornar nossos sites fáceis de usar e personalizados para nossos visitantes. Os cookies não podem ser usados ​​para identificá-lo pessoalmente. Ao visitar o nosso site, você aceita o uso de cookies da OANDA8217 de acordo com nossa Política de Privacidade. Para bloquear, excluir ou gerenciar cookies, visite aboutcookies. org. A restrição de cookies impedirá que você se beneficie de algumas das funcionalidades do nosso site. Baixe a nossa conta Mobile Select Apps: Top 100 Forex Traders Statistics Revise os dias de estratégias de negociação forex bem sucedidas e mal sucedidas As seguintes estatísticas são calculadas a partir das atividades de negociação forex nas últimas 24 horas de dois grupos de comerciantes OANDA: os 100 melhores mais rentáveis ​​e ( Opcionalmente) os 100 melhores comerciantes rentáveis. Como esses comerciantes de forex são selecionados. Esses comerciantes de forex não são selecionados exclusivamente em seu montante total de lucros e ganhos realizados, pois isso desviaria os resultados em hedge funds e grandes contas institucionais. Em vez disso, os comerciantes de divisas são amostrados de uma ampla gama de saldos de contas, do micro, ao institucional. What8217s mostrado nestes gráficos Por padrão, as estatísticas são mostradas apenas para os 100 comerciantes de Forex mais lucrativos. Verifique Mostrar comerciantes menos rentáveis ​​para mostrar estatísticas para os comerciantes não lucrativos, que são mostrados em uma cor mais clara. As seguintes estatísticas são mostradas para cada um dos nossos pares de moedas mais negociados nas últimas 24 horas. Eles são calculados a partir do número total de negócios colocados por cada grupo de comerciantes. A direção (porcentagem de trades longo vs. curto) A rentabilidade (porcentagem de negócios lucrativos versus não lucrativos) Duração média para todas as transações lucrativas e não lucrativas colocadas por cada grupo. Prompt de lucro médio por unidade em pips. O que eu posso descobrir a partir desses gráficos Enquanto este gráfico não pode prever as tendências futuras, it8217 é um instantâneo interessante nas últimas 24 horas. Quando você compara os dois tipos de comerciantes de forex, procure tendências. Qual grupo está segurando seus negócios por mais tempo Eles estão tomando uma direção particular Os comerciantes ganham mais de alguns pares As seguintes ferramentas fornecem mais informações sobre as atividades do dia-a-dia dos comerciantes de OANDA8217: OANDA Forex Order Book S como comerciantes menos rentáveis ​​169 1996 - 2017 OANDA Corporation. Todos os direitos reservados. A família de marcas OANDA, fxTrade e OANDAs fx são de propriedade da OANDA Corporation. Todas as outras marcas registradas que aparecem neste site são propriedade de seus respectivos proprietários. A negociação com alavancagem em contratos de moeda estrangeira ou outros produtos off-exchange na margem traz um alto nível de risco e pode não ser adequado para todos. Recomendamos que você considere cuidadosamente se o comércio é apropriado para você à luz de suas circunstâncias pessoais. Você pode perder mais do que você investir. As informações sobre este site são de natureza geral. Recomendamos que você procure conselhos financeiros independentes e assegure-se de compreender plenamente os riscos envolvidos antes da negociação. Negociar através de uma plataforma online traz riscos adicionais. Consulte aqui nossa seção legal. As apostas de propagação financeira estão disponíveis apenas para os clientes da OANDA Europe Ltd que residem no Reino Unido ou na República da Irlanda. CFDs, capacidades de cobertura MT4 e rácios de alavancagem superiores a 50: 1 não estão disponíveis para residentes dos EUA. A informação neste site não é dirigida a residentes em países onde sua distribuição ou uso por qualquer pessoa seria contrária à legislação ou regulamentação local. A OANDA Corporation é uma negociante de câmbio mercantil e varejista registrada da Comissão de Futuros com a Commodity Futures Trading Commission e é membro da National Futures Association. Não: 0325821. Por favor, consulte a NFA FOREX INVESTOR ALERT, onde apropriado. OANDA (Canadá) Corporation As contas ULC estão disponíveis para qualquer pessoa com uma conta bancária canadense. OANDA (Canadá) Corporation A ULC é regulada pela Organização Reguladora do Indústria do Investimento do Canadá (OCRCVM), que inclui o banco de dados do conselheiro on-line da IIROCs (Relatório do conselheiro da IIROC) e as contas dos clientes são protegidas pelo Fundo Canadense de Proteção ao Investidor dentro dos limites especificados. Uma brochura que descreve a natureza e os limites da cobertura está disponível mediante solicitação ou em cipf. ca. A OANDA Europe Limited é uma empresa registrada na Inglaterra número 7110087, e tem sua sede no Floor 9a, Tower 42, 25 Old Broad St, Londres EC2N 1HQ. É autorizado e regulado pela Autoridade de Conduta Financeira160. Não: 542574. OANDA Asia Pacific Pte Ltd (Co. Reg. No 200704926K) possui uma Licença de Serviços de Mercados de Capitais emitida pela Autoridade Monetária de Singapura e também é licenciada pela International Enterprise Singapore. A OANDA Australia Pty Ltd 160 é regulada pela Comissão de Valores Mobiliários e Investimentos da ASIC (ABN 26 152 088 349, AFSL nº 412981) e é o emissor dos produtos e / ou serviços neste site. É importante para você considerar o atual Guia de Serviços Financeiros (FSG). Declaração de divulgação do produto (PDS). Termos de conta e outros documentos OANDA relevantes antes de tomar decisões de investimento financeiro. Estes documentos podem ser encontrados aqui. OANDA Japan Co. Ltd. Primeiro Diretor de Negócios Financeiros de Tipo I do Kanto Local Financial Bureau (Kin-sho) Nº 2137 do Instituto de Futuros Financeiros número 1571. Negociação FX e CFDs na margem é de alto risco e não é adequado para todos. As perdas podem exceder o investimento. MetaTrader 4 - Negociação de Matemática na negociação: Como estimar os resultados do 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 declaração não precisa de provas. O assunto é apenas: como podemos definir este 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 inferior de fundo matemático dos leitores, alguns, pelo contrário, inspiram um a estudar ou a 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 Há 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 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 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). Computadores modernos ajudam a gerar uma sequência de número de pseudorandom 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 ótima, a distribuição recentemente obtida tenderá a ser normal. O teorema do limite central diz que isso se relaciona não apenas com amostras tiradas 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 os 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 simples indicador MQL4. 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 derivados 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 ​​é muito importante. 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 contabilizado, pois cada valor pode ser agrupado com seu índice (número de ordem). Para conjuntos incontáveis, a integração será aplicada. Para estimar a expectativa matemática de uma série de negócios, resumiremos todos os resultados do comércio e dividiremos o valor 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 é 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). Em seguida, 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 o valor médio M (X) igual a 4.26. Para encontrar o desvio padrão, deixe-nos subtrair a média de cada resultado de trades, quadrado e encontre a soma de quadrados. O valor obtido será dividido por 29 (a quantidade de negociações menos uma). Então, obteremos dispersão D igual a 9 353.623. Tendo gerado a 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 troco 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 comercial 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. Nesse 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 as perdas alternam de diferentes maneiras para diferentes sistemas de negociação. Por exemplo, se o lucro esperado for 5 vezes menor do 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 negócios em uma série R - quantidade total de séries de negociações rentáveis ​​e perdidas P 2WL W - quantidade total de negócios rentáveis ​​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 seqüência 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 (o escore Z é negativo): um lucro foi seguido por um lucro, uma perda foi seguida por uma perda. É este 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 se desvia 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 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 nessa comparação é a média aritmética, AHPR (retornos médios do período de espera). Para encontrar o AHPR, devemos resumir todos os HPRs e dividir o resultado pela quantidade de trades. Vamos considerar esses 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 de 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 maior GHPR fará os maiores lucros 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 por um longo 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 o AHPR diminuiu pela taxa livre de risco (RFR) refere-se ao desvio padrão (SD) da sequência HPR. O valor da 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 de perda 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 uma 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 suave 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 essa 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. 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 straight by LS significa procurar por a e b que SD é mínimo. Este recto também é chamado de regressão linear (LR) para a seqüência dada. FIG. 7. Desvio do valor do equilíbrio do straight of yaxb Tendo obtido os coeficientes da linha reta de yaxb usando o método LS, podemos estimar o desvio do valor do saldo do recto 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 em oposição, a correlação é negativa. FIG. 9. Exemplo de correlação negativa. Se r0, 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 tal correlação não foi encontrada. Isso deve ser lembrado. No nosso caso, temos que comparar duas seqüências de números:, -. FIG. 10. Valores do equilíbrio e pontos na regressão linear. Abaixo está a representação da tabela dos mesmos dados: Permite designar valores de equilíbrio como X e a seqüência de pontos na linha de regressão linear 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. 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 dos valores de (X-M (X)) 2, ou seja, 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 tendência 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 signo de correlação LR indica a rentabilidade comercial. A questão é que poderíamos calcular o coeficiente de correlação entre o gráfico do saldo e qualquer reta. 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 senta lucro, mas a correlação LR é negativa. Isso pode significar que a negociação está perdendo, mesmo assim. Um exemplo de tal situação pode ser visto em Avers. O lucro líquido total faz 2 642, enquanto que LR orrelação é -0,11. Provavelmente não há correlação, neste caso. Isso significa que simplesmente não conseguimos avaliar o futuro da conta. MAE e MFE nos farão muito Muitas vezes nos advertem: 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. Nós 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 isso Como o lucro alcançou O lucro do papel perdeu As respostas a essas perguntas podem ser bem fornecidas pelos parâmetros MAE (Excursão adversa máxima) e MFE (Excursão máxima favorável). Todas as posições abertas (até fechar) continuamente experimentam flutuações de lucro. Todo comércio atingiu seu máximo lucro e sua perda máxima durante o período entre a abertura e o fechamento. MFE mostra o movimento máximo dos preços em uma direção favorável. Respectivamente, MAE mostra o movimento de preço máximo em uma direção adversa. Seria lógico medir ambos os índices em 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 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 muitos negócios resultou em lucros, mas com grandes valores negativos de MAE por comércio, nos informa que o sistema apenas senta perder posições. 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 em uma 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. A 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 trocas perdidas, veremos que cada comércio tinha 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 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 cada vez 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, bem como encontrar os valores de Correlação (Lucros, MFE) 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 de MAE e 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, a fim de 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. Portanto, o sistema de gerenciamento de dinheiro aplicado pode essencialmente alterar a aparência inicial de um sistema comercial. 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 então 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 (Lucros, 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 a alteração do índice de Correlação (NormalizedProfits, MFE) de 0,23 a 0,63 permitiu que o comerciante fechasse em preto. Como podemos estimar a agressividade das estratégias Podemos beneficiar ainda mais de trocas normalizadas na mensuração de como o método de MM aplicado influencia 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 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 tradições normalizadas de M (NP), ou seja, resumiremos (NP-M (NP)) 2. O resultado obtido será então 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. Isso mostra o grau de agressão comercial em certa medida. Onde: lucros - resultados comerciais NP - resultados comerciais normalizados M (NP) - valor médio dos negócios normalizados. O erro padrão LR nas contas dos vencedores não foi o menor. At the same time, the balance graphs of the most profitable Expert Advisors were rather smooth since the LR Correlation values are not far from 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.