Sunday 26 November 2017

Mean Reversion Handel Systeme Howard Bandy Pdf


Ich bin fast fertig mit Howard Bandy8217s neues Buch, 8220MeanReversion Trading Systems 8211 Praktische Methoden für Swing Trading 8221. Während ich sehr selten überprüft Bücher hier auf Quantifizierbare Kanten, dieses eine wirklich abhebt und verdient etwas Aufmerksamkeit. Howard durchläuft jeden Schritt des Systementwicklungsprozesses. Er untersucht verschiedene Oszillatoren. Er prüft die Eingangsamputationen. Er diskutiert die Risikosteuerung. Und darüber hinaus liefert er Code für alles, was er in dem Buch abdeckt. Es ist 50 für das Buch, das ist ein lächerlich niedriger Preis. Es gibt Trading-Kurse, die viele Tausende von Dollar, dass don8217t so viel gute Informationen wie Howard8217s 8220Mean Reversion Trading Systems8221 Kosten. Die gesamte Codierung erfolgt im Amibroker, die ich leider nicht benutze. Aber da er es alles auflistet, können diejenigen, die andere Programme wie mich verwenden, es in Tradestation, R oder was auch immer, übersetzen. Und hier ist der Kicker für alle, die Amibroker verwendet 8211 Howard hat tatsächlich eine Web-Seite, wo Buch Käufer können Sie den Code ohne zusätzliche Kosten. Ich empfehle Howard auf seine Bemühungen. Wenn Sie ein Interesse an der Entwicklung Ihrer eigenen Handelssysteme haben, ist dieses Buch eine wunderbare Ressource, die ich empfehlen würde. 5 Kommentare: Ich habe dein Blog seit einiger Zeit verfolgt. Aber ich bin jetzt überrascht, denn Sie empfehlen die Arbeit von jemandem, der in seinem Buch behauptet, dass: (meanreversiontradingsystemsMRTS20AnalysisWM. pdf) Meiner Ansicht nach ist, dass die Länge der In-Stichprobenperiode so kurz wie praktisch sein sollte. Die einzige Möglichkeit, die Länge der In-Sample-Periode zu bestimmen, besteht darin, einige Tests auszuführen. Dies wird als Daten-Snooping bezeichnet. Die Länge der Out-of-Sample-Periode ist: Solange das Modell und der Markt synchron bleiben und Das System bleibt profitabel. Es gibt keine allgemeine Beziehung zwischen der Länge der Out-of-Sample-Periode und der Länge der In-Sample-Periode. So wählen wir die Out-of-Sample so lange, wie das Modell und der Markt synchron sind und die Profitabel bleibt. Sehr gute Arbeit. Ich frage mich, warum Sie solche Sachen billigen. Was haben Sie zu gewinnen. Oder vielleicht, weil ich respektiere Ihre Arbeit vielleicht haben Sie übersehen die Details. Der Stoff im Handel ist in den Details. Was für eine traurige Welt, wenn sie etwas Nettes über jemand anderes39s Arbeit holt eMail, die mich fragen, was ich zu gewinnen habe. Die Bewertung bekam ich ein nettes Dankeschön von Mr. Bandy, mit dem ich noch nie zuvor gesprochen habe. Während er einige Aspekte des Testens anders als ich betrachtet, habe ich kein Interesse daran, jeden Punkt, den er in seinem Buch macht, zu streiten. Für mich, wenn Sie wertvolle Ideen und Informationen aus einem Buch nehmen können, dann lohnt es sich. Diese ist mit ihnen gefüllt. Ich stehe bei meinem Bericht. Ich dachte, das Buch hatte viele tolle Infos. Es wurde durch tatsächliche Testergebnisse (eine Rarität) gesichert, und da er allen Code zur Verfügung stellt, können Händler die Ergebnisse überprüfen und die Ideen weiter auf eigene Faust erkunden. Diejenigen, die das Buch gelesen haben, können Kommentare (positiv oder negativ) unten schreiben. Ihr alle kennt meine Meinung. Statt traurig zu sein, sollten Sie vielleicht glücklich sein, dass sich jemand die Zeit genommen hat, Ihnen die Fehler in diesem Buch aufzuzeigen, die von grundlegender Natur sind, d. H. Kurvenanpassung, Optimierung, Datenschnüffeln und alles, was Unsinn macht. Ich fühle mich traurig. Die Welt ist nicht traurig, wenn wir gegen die Realität gehen, wir sollten einfach den Kurs ändern. Vielen Dank. Ich empfing Howard39s Buch gestern, und während ich haven39t es noch beendete, glaube ich, dass die 39data snooping39 Anmerkung ein Stückchen über der Oberseite ist. Howard ist ständig vorwarend über 39 zukünftige Lecks39 und Faux-Optimierung Techniken. Vielleicht sollte Mati tatsächlich das Buch kaufen, bevor es es auf seinem Niveau auflöst. Ich stieß auf diesen Kommentar und als jemand, der alle vier von Dr Bandy39s Bücher hat, fühlte ich, dass ich zu diesem Thema läuten sollte. Dr. Bandy ist ein starker Befürworter guter Systeme Entwicklung Praktiken und seine Schriften deutlich zu warnen, über die tatsächlichen Gefahren der Kurvenanpassung. Wer seinem Blog gefolgt ist oder sein Buch im Detail gelesen hat, wird die Nuancen hinter seinen erklärten Aussagen über die Stichprobenperiodenperiode vollständig verstehen, von der eine Person einen Fehler entdeckt hat. Dr. Bandy ist mein Lieblingsautor zum Thema quantitative Handelsansätze geworden. In diesem Blog werde ich untersuchen Markt Aktion und Quantifizierung meiner Ergebnisse. Mit Stimmungs-, Breiten-, Preis - und Volumenindikatoren - sowohl standardisiert als auch maßgeschneidert - werde ich versuchen, kurzfristige Kanten aufzudecken, die von den Marktteilnehmern genutzt werden könnten. Ich werde häufig fügen Meinung zu diesen Studien hinzu und können manchmal Post Meinungen ohne quantifizierbare Forschung hinter ihnen. The Quantifiable Edges Guide to Fed Tage Ebook Version 25 gtgtgtgtgtgtgt Haftungsausschluss ltltltltltltltltlt Der gesamte Inhalt dieser Seite dient nur zu Informationszwecken. Es ist keine Empfehlung oder Beratung zum Kauf oder Verkauf von Wertpapieren. Ich kann Positionen für mich oder Klienten in den Wertpapieren oder Industrien halten, die hier erwähnt werden. Es besteht ein sehr hohes Risiko im Handel mit Wertpapieren. Ihre Nutzung von Informationen auf dieser Website erfolgt ausschließlich auf eigenes Risiko. Rob Hanna Ich habe seit 2001 professionell gehandelt. Von Januar 2003 bis Februar 2007 erschien meine zweimonatliche Kolumne Rob Hannas Putting It All Together auf TradingMarkets. Ich habe die Durchführung quantitativer Forschung und Gestaltung Handelssysteme - vor allem konzentriert sich auf kurzfristige Kanten seit 2004. Mein Profil anzeigenDer Sweet Spot für Mean Reversion ETF-Strategien von Michael R. Bryant In seinem letzten Buch, diskutierte Howard Bandy, was er nennt die quotsweet Spotquot für die Entwicklung von mittleren Reversion Trading-Systemen. 1 Die Idee ist, dass die richtige Kombination aus Barlänge, Haltedauer, Systemgenauigkeit und anderen Variablen dazu tendiert, risikoadjustierte Renditen zu maximieren. 2 Dieser Artikel zeigt, wie Mittel Reverse Trading-Strategien, die in diesem Sweet Spot liegen, können für Exchange Traded Funds (ETFs) mit automatisierten Tools entwickelt werden. Verwenden von Adaptrade Builder. Ein Strategieentwicklungswerkzeug für Windows, Ill zeigen, wie Stresstests mit der Monte-Carlo-Analyse als Teil des Entwicklungsprozesses genutzt werden können, um robuste mittlere Reversionsstrategien für die SampP 500 (SPY) ETF und die Select Sector SPDR ETFs zu finden. Projektdateien für den Builder, die den Strategiecode enthalten, werden für jedes Beispiel bereitgestellt. Landing in der Sweet Spot Die Grundidee hinter Dr. Bandys Sweet Spot ist, dass gute Trading-Strategien sollten eine kurze Bar Größe und haben eine ziemlich hohe Genauigkeit mit einer kurzen Haltedauer und niedrigen Drawdown. Die kurze Balkengröße und die kurze Halteperiode maximieren die Chancen für zusammengesetzte Renditen, während die hohe Genauigkeit und der niedrige Drawdown die Erholung von Verlusten erleichtern. Die letztgenannten Qualitäten machen es auch leichter, die Durchführbarkeit der Strategie zu bestimmen und zu bestimmen, wann ihre nicht mehr funktionieren, da typische Losing Streaks für hochgenaue Systeme in der Regel relativ kurz sind. Basierend auf den Richtlinien von Dr. Bandys werden in diesem Artikel die folgenden Merkmale verwendet, um die optimalen Voraussetzungen für mittlere Reversions-ETF-Strategien zu definieren: Tägliche Balken 20 - 30 Trades pro Jahr Mindestens 65 gewinnende Trades Durchschnittliche Balken in Trades zwischen 1 und 4 By Mittlere Reversion, Im Bezug auf Strategien, die versuchen, unter dem aktuellen Durchschnittspreis kaufen und verkaufen zu einem höheren Preis, wie der Preis wieder auf den Mittelwert. Die Idee ist, niedrig zu kaufen und hoch zu verkaufen, im Gegensatz zu Trendfolgesystemen, die typischerweise versuchen, hoch zu kaufen und höher zu verkaufen. Gebäude mit Monte Carlo-Analyse In meinem letzten Newsletter-Artikel, diskutierte ich die Verwendung von Stresstests bei der Bewertung von Handelsstrategien und ihre Beziehung zu Robustheit und Strategie über-Anpassung. Ich erwähnte auch, dass es, wenn es in den Build-Prozess integriert würde, dazu neigen, zu Strategien zu führen, die Robustheit aufweisen. Das ist der Ansatz, der hier verfolgt werden. Kurz gesagt, Stresstests beziehen sich auf die Bewertung, wie empfindlich eine Handelsstrategie auf ihre Inputs und Umwelt ist. Eine robuste Strategie, die nicht überkompatibel zum Markt ist, ist relativ unempfindlich gegenüber Änderungen ihrer Eingangsparameterwerte und anderer Veränderungen in ihrer Umgebung, wie etwa Änderungen der Preisdaten. Monte Carlo Analyse ist die Technik zur Bewertung der Wirkung dieser Veränderungen. Die Strategien Inputs, Preis-Daten, und andere Faktoren werden zufällig verändert, und die Strategie-Performance wird ausgewertet. Durch mehrmaliges Wiederholen dieses Vorgangs erhält man eine Verteilung der Ergebnisse. Die Ergebnisse der ursprünglichen Daten repräsentieren einen Punkt der Verteilung. Andere Punkte auf der Verteilung stellen die Ergebnisse dar, aus denen leicht veränderte Versionen der ursprünglichen Daten verwendet werden, die zu Ergebnissen führen können, die mehr oder weniger günstig sind als die ursprünglichen Daten. Die so genannten Monte Carlo-Ergebnisse sind die Werte der Leistungsmaße (Nettogewinn, Prozentgewinne, Gewinnfaktor etc.), die nicht schlechter sind als die Mehrheit (typischerweise 95) der Bewertungen. Wenn beispielsweise der Nettogewinn von Monte Carlo bei 95 Vertrauen 15.000 beträgt, bedeutet dies, dass 95 der Bewertungen einen Nettogewinn von mindestens 15.000 haben. Mit anderen Worten, es gibt eine Chance, dass der Nettogewinn wird mindestens 15.000, oder umgekehrt theres eine 5 Chance der Nettogewinn wird weniger als 15.000. Wenn eine Handelsstrategie iterativ über aufeinanderfolgende Generationen von Modifikationen und Tests entwickelt wird, wird der Aufbau auf der Grundlage der Monte Carlo-Ergebnisse dazu tendieren, die Strategie zu einem robusten zu treiben, da nur eine robuste Strategie gute Monte Carlo-Ergebnisse haben wird. Adaptrade Builder automatisiert diesen Prozess, einschließlich der Auswertung der Strategieergebnisse unter Verwendung der Monte Carlo Ergebnisse von Stresstests. Das erste Beispiel ist für den SPDR SampP 500 Index ETF (Symbol SPY). Es wurden Tagesbalken von 141999 bis 4232013 verwendet. Der Zeitraum für den Bau wurde auf 141999 bis 122011 festgelegt, wobei die ersten 80 (141999 - 8102008) für den Aufbau (d. H. In Probe) und die verbleibenden Daten (8112008 - 122011) verwendet wurden. Die verbleibenden Daten (132011 - 4232013) wurden für die Validierung reserviert. Alle Daten wurden von TradeStation 9 bezogen. Die Strategie-Logik war lang-nur, und 100 des Eigenkapitals wurde auf jedem Handel investiert, wobei alle Gewinne reinvestiert wurden und 0,015 pro Aktie pro Umlauf für die Handelskosten abgezogen. Adaptrade Builder verwendet einen genetischen Programmieralgorithmus, um eine Population von Strategien über aufeinanderfolgende Generationen zu entwickeln. Der Schlüssel zur Verwendung von Builder, um Strategien zu finden, die unsere optimalen Anforderungen erfüllen, ist die Festlegung der sogenannten Build-Metriken, die in Abb. 1. Figure 1. Die Build-Metriken im Builder definieren den Sweet Spot für die SPY-Strategie. Die Liste der Build-Ziele enthält drei Allzweck-Metriken, die alle maximiert werden. Diese helfen, die Bevölkerung der Strategien auf diejenigen, die einen hohen Nettogewinn, Korrelationskoeffizienten und statistische Signifikanz, die für jede Strategie wünschenswert sind. Die spezifischen Qualitäten, die gesucht wurden (d. H. Der Sweet Spot), werden durch die Build-Bedingungen definiert, welche die Ungleichungsbedingungen für die Anzahl der Trades, die durchschnittlichen Bars in Trades und den Prozentsatz der Gewinne einschließen. Beachten Sie, dass die Bedingung für die Anzahl der Abschlüsse auf einen Bereich festgelegt wird, der auf der Anzahl der Jahre der In-Probe-Daten basiert und das Ziel, zwischen 20 und 30 Trades pro Jahr zu haben. Beachten Sie auch, dass der Prozentsatz der Gewinne Trades auf einen Bereich zwischen 65 und 85 festgelegt ist. Die obere Grenze wurde hinzugefügt, weil Strategien mit einem ungewöhnlich hohen Prozentsatz der Gewinne Trades in der Regel nicht erfüllen einige andere Bedingung. Eine Bestrafung solcher Strategien wird dazu beitragen, die Bevölkerung zu Strategien zu bewegen, die alle Bedingungen erfüllen, im Gegensatz zu Strategien, die unverhältnismäßig eine Bedingung zum Ausschluss von anderen erfüllen. Die gleiche Logik wurde für die Einstellung eines Bereichs für den Profitfaktor verwendet. Die anderen Bedingungen - Korrelationskoeffizient, statistische Signifikanz, Gewinnfaktor und Kelly-Anteil - sind nicht Teil unserer spezifischen Anforderungen, sondern wurden hinzugefügt, um die Gesamtergebnisse zu verbessern. Die Stresstests und Monte-Carlo-Einstellungen, die für dieses Beispiel verwendet wurden, wurden auf dem Bildschirm Build-Optionen ausgewählt, wie unten in Fig. 2. Abbildung 2. Die Optionen für Monte-Carlo-Analyse und Stresstests werden auf der Registerkarte "Erstellungsoptionen" ausgewählt. Wie in der Abbildung gezeigt, wurden für jede Analyse 99 Monte-Carlo-Iterationen verwendet. Das bedeutet, dass zusätzlich zur Auswertung der Originaldaten 99 Stresstests durchgeführt wurden. Die 100 Datensätze wurden unter Verwendung der Monte-Carlo-Analyse analysiert, um die Ergebnisse bei 95 Vertrauen zu extrahieren, wobei zur Bewertung der in Fig. 1. Die Stress-Tests bestand aus Randomisierung der Preise, Randomisierung der Strategie-Eingänge und Randomisierung der Start-Bar. Alle drei Randomisierungen wurden für jeden Stresstest durchgeführt. Da jede Strategie 100-mal (99 Stress-Tests plus die ursprünglichen Daten) bei jeder Generation ausgewertet wurde, dauerte dieser Ansatz etwa 100-mal so lange, wie es hätte Belastungstests und Monte-Carlo-Analyse nicht verwendet worden wäre. Aus diesem Grund wurde eine relativ kleine Population von nur 100 Mitgliedern verwendet, um die Lösungszeit angemessen zu halten. Die Bevölkerung entwickelte sich über 10 Generationen, und eine Option wurde eingestellt, um über 10 Generationen beginnen, wenn der Reingewinn in der Out-of-Sample-Periode war negativ. Die Eigenkapitalkurve von der Top-Strategie in der Bevölkerung nach 20 Generationen (1 Wiederaufbau) ist unten in Abb. 3. Figure 3. Eigenkapitalkurven für jeden Stresstest für die finale SPY-Strategie. Jede Kurve in Fig. 3 repräsentiert einen Stresstest. Wie ersichtlich, haben alle verschiedenen Eigenkapitalkurven die gleiche Form mit positiven Out-of-Sample-Ergebnissen. Im folgenden sind einige der Monte Carlo-Ergebnisse bei 95 Vertrauen entsprechend Fig. 3. Nettogewinn-durchschnittliche Bars in Trades Abgesehen von der Anzahl der Trades, die weniger als gefragt ist, entspricht die Strategie den ursprünglichen Anforderungen. Die Strategie gibt auch den Validierungstest weiter. Wenn das Enddatum auf 4232013 verlängert wird, erhöht sich der Nettogewinn von Monte Carlo auf 67.015. Die Strategielogik erfüllt auch die Forderung nach einer mittleren Reversionsstrategie: sie tritt bei einer Limit Order ein und beendet sie mit einer Indikatorbedingung. Die Grenze Eintrag bedeutet, dass der Markt auf den Grenzpreis kommen muss, so ist die Strategie zu kaufen niedrig und verkaufen, nachdem der Markt zurück geht. Es ist wichtig zu beachten, dass dies Monte Carlo Ergebnisse bei 95 Vertrauen sind, was bedeutet, dass zum Beispiel 95 der Belastungstest Auswertungen hatten einen Nettogewinn mindestens so groß wie 56.784. Wenn der Belastungstest abgeschaltet wird und die Strategie auf den ursprünglichen Daten ausgewertet wird, ist die Eigenkapitalkurve wie nachstehend in Figur 1 gezeigt. 4. Abbildung 4. Eigenkapitalkurve für die endgültige SPY-Strategie auf den ursprünglichen Daten. Diese Eigenkapitalkurve entspricht einem Reingewinn von 109.497, was einer Jahresrendite von 5,5 entspricht. Während dies nur eine bescheidene Rendite ist, schlägt es leicht die Buy-and-Hold-Rendite von rund 1,8 im gleichen Zeitraum und wird ohne Hebelwirkung und mit einer stetig wachsenden Eigenkapitalkurve über einen Zeitraum erreicht, der zwei Bärenmärkte umfasst. A Select Sector SPDR Beispiel Das zweite Beispiel beinhaltet das Erstellen einer Strategie über ein Portfolio von ETFs, die aus den Select Sector SPDRs bestehen. Diese ETFs teilen den SampP 500 Index in neun Sektoren auf, so dass jeder Bestand im SampP 500 in einen der neun Sektoren ohne Überlappung platziert wird. Die neun Sektoren sind Consumer Discretionary (Symbol XLY), Consumer Staples (XLP), Energy (XLE), Financial (XLF), Health Care (XLV), Industrial (XLI), Materialien (XLB), Technologie (XLK) und Utilities (XLU). Die meisten der gleichen Einstellungen wurden verwendet, um diese Strategie wie im letzten Beispiel zu erstellen. Da jedoch neunmal so viele Preisdaten im Build verwendet wurden, reduzierte ich die Anzahl der Monte-Carlo-Iterationen von 99 auf 5. Die anderen Build-Optionen waren die gleichen wie in Abb. 2 mit Ausnahme der Wiederherstellungsoption, die nicht ins Spiel kam. Für die Positionsbestimmung wurden 20 von Eigenkapital in jedem Handel investiert. Da nicht alle Märkte zur gleichen Zeit handelbar waren, wurde diese Einstellung gewählt, um ausreichende Positionsgrößen bereitzustellen, ohne eine Hebelwirkung (d. h. Überinvestition) zur Folge zu haben. Die Stichprobenperiode für diesen Build betrug 141999 bis 5282009 mit 5292009 bis 122012 als Out-of-sample-Zeitraum und 132012 bis 4232013 für die Validierung beiseite gelegt. Die Eigenkapitalkurve von einer der obersten Strategien in der Bevölkerung nach 10 Generationen (keine Wiederaufbau) ist unten in gezeigt. 5. Abbildung 5. Eigenkapitalkurven für jeden Stresstest für die endgültige Selektion SPDR Portfolio-Strategie. Jede Eigenkapitalkurve in Abb. 5 stellt das Portfolio-Eigenkapital dar, das aus Backtests auf allen neun Märkten gleichzeitig für einen Satz von Stresstest-Einstellungen (oder die ursprünglichen Daten) erzeugt wird. Einige Übersicht Monte Carlo Ergebnisse werden unten angezeigt. Total Net Profit Im Gegensatz zum vorherigen Beispiel sind die Ergebnisse nicht wesentlich unterschiedlich, wenn die Monte Carlo-Analyse ausgeschaltet wird und die Ergebnisse über die ursprünglichen Daten ausgewertet werden. In diesem Fall erhöht sich der Reingewinn auf 205.140. Diese Strategie leitet auch den Validierungstest weiter. Die Eigenkapitalkurve für die Strategie über die ursprünglichen Daten (ohne Belastungstest), in der die Validierungsperiode eingeschlossen ist, ist nachfolgend in 6 gezeigt. 6. Abbildung 6. Eigenkapitalkurve für die endgültige Selektion SPDR Portfolio-Strategie auf die ursprünglichen Daten. Diese Eigenkapitalkurve entspricht einem Nettogewinn von 249.431, was einer jährlichen Rendite von 9,5 mit einem Worst-Case-Drawdown von 21 entspricht. Wie im vorherigen Beispiel tritt die Strategielogik lange auf einen Limitauftrag ein. Die meisten Exits sind über ein Ziel-Exit, mit anderen Geschäften verlassen auf der Grundlage einer Indikator-Bedingung oder auf einem Schutz-Stop. Download Mean Reversion-Projektdateien: (Rechtsklick, Ziel speichern unter als. zip-Datei benötigt Adaptrade Builder zum Öffnen.) Lizenzierungsgründe enthalten Projektdateien keine Preisdaten. Die so genannte Sweet Spot für Handelsstrategien von Dr. Bandy empfohlen scheint effektive Bedingungen für den Aufbau von Mittelwerten Handelsstrategien in einer automatisierten Weise mit einem Tool wie Adaptrade Builder bieten. Es konnten Strategien gefunden werden, die die meisten Anforderungen für beide Beispiele erfüllen: eine einheitliche Marktstrategie für den SPY-ETF-Markt und eine Strategie für ein Portfolio von ETFs, bestehend aus den neun Select Sector SPDRs. Beide Strategien schlugen Buy-and-Hold und hielt sich gut in der Validierung Test. Für beide Beispiele wurden Stress-Tests mit Monte-Carlo-Analyse eingesetzt, um die Chancen für die Suche nach robusten Strategien zu erhöhen. Im Vergleich zum Portfolio-Beispiel waren die Stresstestergebnisse für die Single-Market-Strategie (SPY) wesentlich konservativer (weniger günstig) als die Ergebnisse der ursprünglichen Daten. Während einige davon aufgrund der strengeren Belastungstests im Vergleich zum Portfolio-Beispiel liegen, schlägt sie vor, dass die SPY-Strategie weniger robust als das Portfolio-Beispiel ist. In der Regel, wo die Monte Carlo Ergebnisse deutlich von den Ergebnissen auf den ursprünglichen Daten divergieren, könnte erwartet werden, dass die beste Schätzung der zukünftigen Ergebnisse wäre irgendwo dazwischen, obwohl das hängt davon ab, wie konservativ die Belastungstests und Monte Carlo-Analyse ist . Es erscheint vernünftig, dass die Portfoliostrategie robuster als die Binnenmarktstrategie wäre, da die Portfoliostrategie auf neun verschiedenen Märkten aufgebaut wurde und über ein breiteres Spektrum an Preisdaten hinweg gut funktionieren musste. Es wurde über neunmal so viele Daten gebaut und hat etwa neunmal so viele Trades. Die höhere Performance der Portfolio-Strategie kann die positive Auswirkung der Diversifizierung auf die neun verschiedenen Sektoren der SPDR widerspiegeln. Obwohl keine Strategie die Anforderung an die Anzahl der Trades erfüllt, kann es möglich sein, Strategien zu finden, die alle Anforderungen erfüllen, wenn eine größere Population verwendet wird oder strengere Wiederaufbauanforderungen eingesetzt werden, was mehr Buildzeit erfordern würde. Alternativ kann es sein, dass eine derartige Strategie aufgrund der widersprüchlichen Erfordernisse hoher Genauigkeit, Handelshäufigkeit, kurzer Handelsdauer und so weiter unwahrscheinlich ist. Die besten Baustellenbedingungen sind die, die das Marktpotential voll ausschöpfen und gleichzeitig realistisch bleiben. Die Kombination einer Reihe von nützlichen baulichen Bedingungen, wie die von Dr. Bandy, mit integrierten Robustheits-Features, wie Stress-Tests und Monte Carlo-Analyse, in einem automatisierten Tool wie Builder sollte eine solide Rahmenbedingungen für die Entwicklung wirksamer Handelsstrategien. Bandy, Howard B. Mittelwert Reversion Trading Systems. Blue Owl Press, Inc. Sioux Falls, SD, 2013, p. 138. Bandy, Howard B. Modellierung des Handelssystems. Blue Owl Press, Inc. Sioux Falls, SD, 2011, p. 154. Dieser Artikel erschien in der April 2013 Ausgabe des Adaptrade Software-Newsletters. Die SampP 500 und Select Sector SPDRs sind Warenzeichen der McGraw-Hill Companies, Inc. HYPOTHETISCHE ODER SIMULATIVE LEISTUNGSERGEBNISSE HABEN BESTIMMTE INHERENTE BESCHRÄNKUNGEN. EINE AKTUELLE LEISTUNGSAUFNAHME, SIMULATIVE ERGEBNISSE NICHT VERTRETEN. WENN DIE HÄNDE NICHT TATSÄCHLICH AUSGEFÜHRT WERDEN KÖNNEN, KÖNNEN DIE ERGEBNISSE AUSSERDEM AUF DIE AUSWIRKUNGEN AUF BESTIMMTE MARKTFAKTOREN ENTSTANDEN WERDEN KÖNNEN. SIMULATED HANDELSPROGRAMME IM ALLGEMEINEN SIND AUCH AUF DIE TATSACHE, DIE SIE MIT DEM VORTEIL VON HINDSIGHT ENTWERFEN. KEINE REPRÄSENTATION IST GEMACHT, DASS JEDE KONTO ODER GELTEND ZU ERWERBENDE GEWINNE ODER VERLUSTE VERÄNDERT WIRD. Wenn Sie über Neuentwicklungen, Neuigkeiten und Angebote von Adaptrade Software informiert werden möchten, können Sie sich gerne an unsere E-Mail-Liste wenden. Vielen Dank.

No comments:

Post a Comment