Während ich mag, wo diese Frage geht, würde ich vorschlagen, um es ein wenig konkreter. Welche Teile des Backtesting-Prozesses möchten Sie lernen, Dies kann überall reichen von nur Schätzung einer normalen Rendite, wo das Portfolio zurück aus Ihrer Strategie bereits gegeben werden, um die Umsetzung einer vollständigen Portfolio-Formulierung algorithmisch gegeben. Ndash Constantin Um ehrlich zu sein, weiß ich nicht viel über Backtesting. Mir wurde gesagt, dass ich während meines Praktikums neue Strategien unterstützen oder den aktuellen Kurs verbessern muss. So möchte ich ein bisschen mehr über das Thema wissen, bevor ich anfange. Was sind die verschiedenen Teile davon. Ndash Maxime Dec 30 14 at 21:31 Die allgemeine Idee Für Aktienwerte wird ein einfacher Backtest typischerweise aus zwei Schritten bestehen: Berechnung der Portfolio-Rendite, die aus Ihrer Portfolio-Formationsregel (oder Handelsstrategie) resultiert Asset Pricing-Modell Schritt 2 ist einfach eine Regression und rechnerisch sehr einfach in Matlab. Was ist schwieriger ist die Umsetzung von Schritt 1, die Sie benötigen, um sehr bequem in Matlab werden, und es gibt verschiedene Möglichkeiten, dies zu tun. Wenn Sie wissen, wie eine OLS-Regression in Matlab zu tun ist, sollten Sie sich auf alle Arten von Matrixmanipulationen konzentrieren. Implementierung in Matlab Portfolio-Formulierung und Renditeberechnung Um Ihnen ein Beispiel dafür zu geben, wie eine primitive Handelsstrategie in Matlab implementiert werden könnte, können wir monatliche Rendite-Daten und eine einheitliche Haltedauer von einem Monat auf n Vermögenswerte über k Perioden annehmen, wobei i in und k im . Angenommen, keine Änderungen in der Zusammensetzung Ihres Stock Universums, Ihre returns Matrix X ist von Dimensionen k mal n. X begin x amp dots amp x amp dots amp x vdots amp ddots amp vdots amp ddots amp vdots x amp dots amp x amp dots amp x vdots amp ddots amp vdots amp ddots amp vdots amp dots amp amp dots amp x end Wo zurückkehrt Werden als x frac-1 berechnet. Unter der Annahme, dass es sich bei Ihrem Selektionskriterium um eine Art Lagerbestand handelt, die in monatlicher Häufigkeit zur Verfügung steht, haben Sie auch eine Merkmalsmatrix C. Dann können Sie einen Algorithmus schreiben, der diejenigen Einträge in C identifiziert, die Ihr Selektionskriterium erfüllen (zB einen bestimmten Schwellwert überschreiten) ) Und ersetzen Sie die entsprechenden Einträge (wobei i und t gleich sind) einer Indikatormatrix I (die als Nullmatrix unter Verwendung der Nullenfunktion initialisiert wurde) mit Einsen. Sie können dann die Einträge von I mit denen der Rendite-Matrix X multiplizieren, um eine Matrix R zu erhalten, die die aus Ihren Beständen resultierenden Renditen angibt. Sie können dann den Mittelwert der Nicht-Null-Einträge für jede Zeile von R berechnen, um Ihren Vektor von Portfolio-Renditen zu erhalten. Risikoanpassung und Identifikation von anormalen Renditen In Schritt 2 vergleichen Sie diesen Vektor mit den normalen Renditen aus der Regressionsschätzung eines Asset-Pricing-Modells wie dem Fama-French-Modell. Indem Sie den normalen Rückgabewektor aus Ihrem Portfolio-Rückgabewert subtrahieren, bestimmen Sie, ob Ihre Handelsstrategie zu einer positiven anomalen Rendite geführt hat. Empfehlungen Wenn Sie neu in Matlab sind, schlage ich Ihnen persönlich vor, dass Sie sich ausreichend mit dieser vereinfachten Strategie vertraut machen, bevor Sie einige der vereinfachenden Annahmen (wie einheitliche Haltedauer und Periodizität) und fortgeschrittene Implementierungen vornehmen. Auch hier möchte ich betonen, dass dies erfordert, dass Sie sehr komfortabel mit Matlab und vor allem die verschiedenen Möglichkeiten, um Matrizen zu manipulieren, die einige Zeit dauern kann. Wenn Sie nicht benötigen, um Matlab für Ihr Praktikum zu verwenden und Ergebnisse schnell erhalten möchten, können Sie Schritt 1 in Excel stattdessen tun, die langweilig ist, aber nicht die (lohnende) erste Investition, die Sie für Matlab machen müssen. Um sich mit Matlab vertraut zu machen, bin ich sicher, dass Sie bereits die extrem gute Dokumentation, die mit ihm kommt, entdeckt haben. Das ist für mich die einzige wertvollste Ressource und wahrscheinlich nützlicher als irgendwelche finanzspezifischen Ressourcen (mit denen ich warten würde, bis Sie mit Matlab selbst vertraut sind). Alles, was erforderlich ist, um die normale Rendite zu bestimmen, ist eine OLS-Regression und ein rudimentäres Verständnis von Asset-Pricing-Modellen. Beantwortet Dec 30 14 um 22: 20Posted in Trading-Strategien Fonds A, B, C repräsentieren alle verfügbaren öffentlichen Fonds in der hypothetischen BigData-Biologie-Cloud-Computing-Teilsektor (BBCC-Sektor). In diesem Beispiel führt Fonds B so schlecht, dass es im Jahr 4 geschlossen wurde. Nun, die Durchführung einer Studie auf dem BBCC-Sektor, die Analysten finden historische Daten für die Fonds A und C, nur. Infolgedessen werden sie eine durchschnittliche Leistung von 9 p. a. Im BBCC-Bereich. Ein realer Investor, der in den BBCC-Sektor investiert, der seine Investitionen gleichmäßig auf alle verfügbaren Fonds (A, B und C) verteilt, hätte jedoch 5 pa. a. nur. Das ist etwa die Hälfte der Leistung der Analysten. Diese Art von Fehler passiert einfach und so oft. Überlebensbias und historisches Backtesting Ein ähnlicher Effekt tritt häufig auf, wenn Menschen versuchen, eine überlegene Handelsstrategie in historischen Marktdaten zu finden. Oft sehen Sie den folgenden Algorithmus für die Anpassung von Parametern einer Handelsstrategie: Daten Historische Marktdaten Wählen Sie die Werte x1 bis xn für Parameter der Handelsstrategie S Wenn die Performance (S (x1, xn), Data) maximal alle möglichen Werte von (x1 , Xn) stoppen und zurückgeben x1 bis xn Diese Strategie S (x1, xn) wird klar auf den vorhandenen historischen Daten durchgeführt. Aber das sagt nichts über die zukünftige Performance der Strategie aus. Und in der Regel wird die Strategie nicht gut in die Zukunft. Wie können Sie besser machen Ein besserer Ansatz folgt aus der Aufteilung der Daten in ein Training - und ein Test-Set. Der resultierende Algorithmus wäre: Datenanalyse der Hälfte der historischen Marktdaten Datatest andere Hälfte der historischen Marktdaten Wählen Sie die Werte x1 bis xn für Parameter der Handelsstrategie S Wenn Leistung (S (x1, xn), Datatraining) maximal alle möglichen Werte von ( X1, xn) Wenn die Leistung (S (x1, xn), Datatest) gut stoppen und zurückgeben 8220Performance von S ist gut mit Parametern: 8221 x1 bis xn stoppen und zurückgeben 8220Strategy S ist eine schlechte Strategie8221 In diesem Fall ist die Handelsstrategie S Wird auf einem Trainingssatz der historischen Daten optimiert und die Leistung des Testsets ist auch gut. Das bedeutet noch nicht, dass sich die daraus resultierende Strategie auch in Zukunft gut entwickeln wird. Aber zumindest hat es gut auf unsichtbare Daten. Nun kann dieser Algorithmus mit 8220Strategy S zurückkehren ist eine schlechte Strategie8221, die für die meisten Menschen unbefriedigend sein wird. Die meisten Menschen werden dann entwickeln mehr und mehr Strategien S1 8230 Sm, bis der Algorithmus zurückgibt 8220Performance von S ist gut 82308221. Aber, ist dies wirklich eine gute Strategie Wenn Sie eine Antwort darauf wollen, stellen Sie sicher, dass Sie einige der historischen Daten für reservieren Eine Validierung und überprüfen Sie Ihre Strategie auf diese unsichtbaren Daten. Für die Optimierung einer Trading-Strategie benötigen Sie also mindestens drei Datensätze: Trainingsset, Testset und Validierungsset. Auch dies wird nicht sagen, über die Leistung Ihrer Trading-Strategie in der Zukunft. Aber es ist ein guter Hinweis, wenn Ihre Strategie geht diese harte Strategie-Optimierung. Survivorship Bias und Fett Schwänze Ein weiteres Merkmal, das falsche Ansichten über die Performance von finanziellen Vermögenswerten oder Handelsstrategien schafft sind Fettschwänze. Es gibt verschiedene Arten von Handelsstrategien, die Arbitrage auf dem Markt zu nutzen scheinen. Z. B. Volatilität Arbitrage-Fonds waren beliebt vor ein paar Jahren. Sie sind gut auf historische Daten und sie liefern ein stabiles Einkommen ohne Risiko. Aber plötzlich passiert etwas: Plötzlich ist die Aufführung von ein paar Jahren für immer vorbei. Dies könnte auch mit Strategien geschehen, die risikofrei wie Geldmarktfonds wahrgenommen werden: Geldmarktfonds können auch riskant sein (Quelle: Handelsblatt) Fazit Die Überlebensbias macht die Leistungsbewertung von Fonds und Handelsstrategien erheblich komplizierter. Und selbst wenn Sie alles richtig machen, könnte Ihre Leistung von einer Marktveränderung getroffen werden, wie wir für Geldmarktfonds im Jahr 20082009 gesehen haben. Die Suche nach freiem Mittagessen auf dem Finanzmarkt ist schwer. Viele Finanzverträge kommen mit dem Recht auf vorzeitiges Recht. Solche vorzeitigen Ausübungsrechte sind ein klarer Vorteil für den Optionsinhaber. Aber diese Rechte schaffen für die Vertragsparteien optimale Stoppprobleme. Ist das wirklich ein Vorteil Im Folgenden werde ich Ihnen ein kleines Beispiel aus meiner letzten Shopping-Tour zeigen und was wir daraus für die Gestaltung von Finanzprodukten lernen können. Ein optimales Stoppen ist erforderlich, um frühzeitige Ausübungsrechte zu nutzen. Hintergrund Viele Arten von gehandelten finanziellen Optionen beinhalten frühe Ausübung Rechte. Beispiele sind Indexoptionen, die oft früh ausübbar sind. Menschen nennen diese Put - oder Call-Optionen amerikanische Optionen im Gegensatz zu europäischen Optionen, die erst bei Fälligkeit ausübbar sind. Diese Funktion ist auch bei vielen Optionsscheinen und vielen OTC-Kontrakten üblich. Noch komplexer sind z. B. Wandelschuldverschreibungen, wo auch der Emittent die Umwandlung erzwingen kann. Das Hauptargument für frühe Ausübung Bestimmungen ist, dass die Kunden gerne Wahlmöglichkeiten haben. Daher argumentieren die Menschen oft, dass man sollte immer Struktur Finanzinstrumente in einer Weise, dass der Inhaber kann früh 8211 das Produkt würde zu einem höheren Preis zu verkaufen. Aber das ist nicht immer so. Z. B. Die Kosten der frühen Ausübung Merkmal ist nicht richtig in vielen Lebensversicherungsverträgen und in vielen Hypotheken vertreten. Wenn die Versicherungsnehmer beginnen würden, ihre Politik rationaler auszuüben, könnten die Versicherungsunternehmen in tiefe Schwierigkeiten geraten. Optimales Stoppen Auf der Suche nach frühen Trainingsentscheidungen möchte ich Ihnen ein anschauliches Beispiel geben: Einen guten Parkplatz bei einem großen Supermarkt finden. In vielen Supermärkten finden Sie einen Parkplatz wie folgt: Übliche Situation an einem Supermarkt Parkplatz Sie fahren langsam in Richtung des Supermarktes und an jeder leeren Stelle (1) müssen Sie entscheiden, parken (Übung) oder weiter. Die Fortsetzung der Suche entwickelt das Risiko, dass Sie nicht finden, einen besseren Ort und Sie haben eine weitere volle Runde fahren. Eine einfache Lösung für dieses Problem ist, nehmen Sie einfach die erste leere Stelle. In einem einfachen numerischen Beispiel finden wir, dass diese Strategie die folgende Verteilung der Entfernung zum Markt ist: Histogramm der Verteilung der Entfernung zum Supermarkt mit der einfachen Strategie: Nehmen Sie die erste leere Stelle. (10.000 Simulationen) Dieses Beispiel verwendet 10.000 Monte-Carlo-Simulationen, um einen Parkplatz zu finden. Da es in diesem Beispiel nur 10 Chancen gibt, dass jeder Punkt leer ist, finden wir oft einen sehr schlechten Platz (z. B. mehr als 1.000 von 10.000 Parks im Abstand von 20) und manchmal finden wir überhaupt keinen Platz Als Abstand 40). Weniger als 200 finden Sie den besten Platz mit Entfernung 1. Wenn wir dieses Ergebnis verbessern wollen, können wir ein Optimierungsproblem schaffen, das die erwartete Entfernung zum Supermarkt minimiert. Ich habe dieses Schreiben ein wenig ThetaML, die Sie im Anhang unten finden. Nun stellen wir fest, dass die Maximierungsstrategie darin besteht, die ersten vier Punkte (Entfernung 17 bis 20) zu passieren und dann den nächsten leeren Punkt zu nehmen. Diese verlassen uns mit niemandem Parken in einer Entfernung von 17 oder weiter. Die Wahrscheinlichkeit des Erhaltens des besten Punktes bei Abstand 1 ist höher 8211 über 200 Simulationen enden hier. Aber das kommt auf Kosten: Mehr als 1.800 Simulationen finden überhaupt keinen Platz und müssen für eine weitere Runde gehen: Histogramm der Verteilung der Distanz zum Supermarkt mit der optimalen Strategie: Nehmen Sie den ersten leeren Platz mit geringerem Abstand ein Als 17. (10.000 Simulationen) Eine bessere Lösung Ok, ich investierte viel Wissen und Programmierung in die Optimierung der Übungsstrategie am Parkplatz. Ist dies das beste, was wir tun können Es gibt tatsächlich eine bessere Lösung durch Umstellung des Parkplatzes: Umgeordnet Parkplatz Jetzt ist die einfache Strategie: Nehmen Sie die erste leere Spot Renditen zu einem viel besseren Ergebnis: Histogramm der Verteilung der Entfernung zum Supermarkt Mit einer besseren Parkplatz-Layout und die einfache Strategie: Nehmen Sie die erste leere Stelle. (10.000 Simulationen) Mehr als 1.000 der 10.000 Simulationen finden den besten Platz bei einer Distanz von 1. Weniger als 200 finden einen schlechten Punkt im Abstand von 20 und nur 1.200 finden überhaupt keinen Punkt. Das ist viel besser als die vorherige 8220optimal8221 Lösung. Und ich muss nicht meinen Laptop mitnehmen, um die optimale Trainingsstrategie bei jedem Einkauf zu finden. Ich wünschte, Parkplatz Architekten könnten sehen, diese8230 Diese Idee auf dem Markt für Finanzoptionen, was können wir tun Vielleicht wollen die Anleger nicht zu kaufen American Typ frühen Ausübung Optionen. Sie könnten lieber Lookbacks, die eine maximale Auszahlung garantieren. Denken Sie darüber nach ThetaML-Simulationscode, der das optimale Stopp-Problem löst. Betrachtet man Finanzinstrumente, findet man oft den Begriff der impliziten Volatilität. In diesem Beitrag wollen wir beschreiben, was es ist und was man damit machen kann. Wir beginnen mit der Erfrischung des Begriffs historische Volatilität und dann erklären wir die implizite Volatilität. Ein Beispiel des deutschen DAX mit realen Daten schließt diesen Beitrag ab. Historische Volatilität Historische Volatilität misst die Abweichung der Vermögensrenditen von ihrem historischen Durchschnitt. Es ist eine Beispielschätzung, die Zeiteinheit hat und von der Länge der historischen Abtastperiode abhängt. Als die Vermögenswertrückkehr zurzeit bezeichnen, wird die historische Volatilität von for berechnet als wo der Mittelwert über dem Zeitraum liegt. Um die Stichprobenabschätzung zu erhalten, wird die Zahl durch ihr Vergleichspaar ersetzt, wobei wir die Summe der quadrierten Abweichungen durch den Verlust des Freiheitsgrades von der Verwendung des Stichprobenmittels bei der Berechnung getrennt haben. Für die Probenahme in täglichen und monatlichen Zeitintervallen wird die annualisierte historische Volatilität beziehungsweise. Historische Volatilität kann nützlich sein in Fällen wie Benchmarking historische Leistungen, Beurteilung des Verhaltens der ökonomischen Variablen, Berechnung historischer Risikomaßnahmen, und so weiter. Da historische Volatilität die Zahl ist, die wir aus dem Blick in die vergangenen realisierten Daten erhalten, kann es nicht so sinnvoll sein, wenn wir versuchen, das zukünftige Verhalten von Anlagenrenditen vorherzusagen. Dieses ist, wann und warum wir die implizite Volatilität haben, d. h. die Volatilitätszahl, die von den Marktpreisen impliziert wird. Implizite Volatilität Bezeichnen. , Eine Reihe von Marktpreisen für gehandelte Optionen auf Vermögenswerte, wird die implizite Volatilität durch Setzen des Marktpreises auf den theoretischen Preis erreicht, wobei das Argument als Optionspreis der aktuelle Vermögenspreis die Option time-to-maturiy ist , Der risikolose Zinssatz und so weiter. Da die einzige Unbekannte die Volatilitätszahl ist, können wir die inverse Preisfunktion lösen, um die implizite Volatilität mit der Bisektion oder der Newton-iterativen Methode zu erhalten. Die erhaltenen impliziten Volatilitäten enthalten Informationen über die Marktbewertung von zukünftigen Preisbewegungen und sind somit eine zukunftsgerichtete Risikomessung. Hier finden Sie einen kleinen Löser für implizite Volatilitäten in VBA. Beispiel: Deutscher DAX Die folgenden Grafiken zeigen die VDAX-NEW implizite Volatilitätsindex im Vergleich zu den DAX-historischen Volatilitäten. Der implizite Volatilitätsindex ist ein guter Prädiktor für die historischen Volatilitäten. (Zum Vergrößern anklicken) Wir können sehen, dass die implizite Volatilität von VDAX New und die 21-tägige historische Volatilität in der dargestellten Zeit ähnliche Werte aufweist. Meistens ist die implizite Volatilität etwas höher als die historische Volatilität. (Zum Vergrößern anklicken) Die Grafik oben zeigt den VDAX um 21 Tage und die 21-tägige historische Volatilität. Auf diese Weise können wir sehen, wie gut der VDAX als Prädiktor der historischen Volatilität agiert. Wir sehen, dass außer den unvorhergesehenen Spikes die implizite Volatilität ein guter Prädiktor für (zukünftige) historische Volatilitäten sein kann. Nun, ein ähnliches Diagramm mit 1 Jahr Zeithorizonten: (Zum Vergrößern anklicken) Mit einem einjährigen Horizont ist das Verhältnis zwischen historischer Volatilität und impliziter Volatilität nicht so offensichtlich. Eine eingehende Untersuchung der Vorhersagbarkeit der historischen Volatilität durch implizite Volatilität findet sich auch hier im Wilmott Magazine. Fazit Während die historische Volatilität die Größe der Variationen der Vergangenheit beschreibt, beschreibt die implizite Volatilität die Größe der Variationen der Futures, die durch die gehandelten Optionspreise impliziert werden. Modellrisiko ist das Risiko, dass die Marktmodelle im Investment Banking die Realität nicht richtig widerspiegeln. Dieses Risiko wird oft vernachlässigt oder einfach ignoriert. Aber es ist eines der wichtigsten Risiken, wie wir in den Fehlpreisen von CDO, ABS, MBS usw. zu Beginn der Finanzkrise sehen konnten (frühe Arbeiten sahen dies bereits im Jahr 2004). Modellrisiko wird unterschätzt Aus der Physik ist klar, dass ein Modell nie die volle Realität erfasst. Es beschreibt immer nur Teile der Realität. Aber jedes gute Modell hat die Eigenschaft, falsifizierbar zu sein. Die derzeit verwendeten Modelle in der Physik wie allgemeine Relativitätstheorie und Quantenmechanik sind falsifizierbar und wurden in den letzten Jahrzehnten herausgefordert: Beide Theorien liefern extrem präzise Prognosen und wurden nicht gefälscht. In der Finanz - und Finanzmathematik ist die Situation anders. Viele Theorien wie CAPM, Markowitz Portfolio-Optimierung, Black-Scholes-Optionspreise, Chartanalyse und andere wurden entwickelt und alle diese Theorien sind mehr oder weniger erfolgreich. Aber ein genauer Blick zeigt, dass die Modellergebnisse immer ungenau oder sogar falsch sind. Das bedeutet, während in der Physik gute Theorien falsifizierbar sein müssen, in der Finanzierung sind alle Theorien falsch. Selbst die einfachsten Annahmen wie: 8220Menschen lieber mehr Geld weniger Geld8221 sind nicht immer wahr. In manchen Fällen bevorzugen die Leute weniger Geld, z. B. Aus ethischen Gründen. Was können wir tun, über Modell-Risiko Dies ist eine Frage. Zuerst müssen Sie die Grenzen Ihrer Modelle kennen. Herausforderung Modell Annahmen. Liquidität, Transaktionskosten, Steuern, Kontrahentenrisiko, operatives Risiko 8211 All dies wird oft ignoriert. Modellierung 1. Backtest Ihr Modell mit historischen Daten: Bevorzugte Daten im Backtest, die bei der Kalibrierung der Eingabedaten nicht verwendet wurden 1. Fügen Sie die Parameterschätzung im Backtest ein: Die Parameter sollten zeitlich konstant sein und das Schätzverfahren sollte statistisch signifikant sein. Z. B. Versuchen, ein GARCH (1,1) - Modell zu simulieren und die jetzt bekannten Parameter aus der Simulation zu schätzen. Sie werden überrascht sein, wie viele Beobachtungen für eine stabile Parameterschätzung erforderlich sind. Betonen Sie Ihr Modell. Sehen Sie Ihre Modellleistung in Crashszenarien, Hochvolatilitätsregimen oder extremen Korrelationen von 1 bzw. -1. Überwachen Sie Ihre Modellleistung: Die Modellleistung muss regelmäßig gemessen werden 1. Andernfalls verpassen Sie wichtige Marktverschiebungen, z. In Korrelationen. Verwenden Sie mehr als ein Modell. Verwenden Sie ein Portfolio von Modellen und beobachten Sie die Extreme 3,4, 5,7. Versuchen Sie, Benchmark mit einem Modell mit sehr wenigen Annahmen. In vielen Fällen können Grenzen auf den Preis einer Option ohne ein begrenztes Marktmodell erhalten werden. Statische Absicherung kann Einblicke liefern, ohne die Marktdynamik zu berücksichtigen. Simulationsbasierte Absicherungen 6 können Preise und Risiken in einem anspruchsvollen Marktmodell liefern. Vergewissern Sie sich, dass Ihre Modellimplementierungen numerisch gesund sind. Und dann müssen Sie an unbekannte zukünftige Ereignisse denken. Das muss kreativ sein, wie ich im vorherigen Artikel geschrieben habe: Risikomanagement muss kreativ sein. Schlussfolgerung Finanzen ist eine Wissenschaft über people8217s Verhalten und damit nicht so streng wie z. B. Physik. Alle Finanzmodelle haben enge Grenzen und Sie müssen große Sorgfalt mit ihnen ausüben. Die Kenntnis der Beschränkungen Ihrer Modelle wird Ihnen helfen, ein nachhaltiges Geschäftsmodell aufrechtzuerhalten. Detailliert von RegulatorMatlabTrading Dieser Beitrag ist, wie wichtig es ist, verschiedene Arten von Optimierungsmethoden wie genetische Algorithmen und Parallelisierung verwenden, um Ergebnisse schneller zu erhalten. Genetische Algorithmen Optimierung Trotz der Tatsache, dass das genetische (evolutionäre) Algorithmusprinzip in den MathWorks-Webinars sehr gut erklärt ist, wird es in den Beispielen jedoch nur zur Optimierung der Wahl einer Strategiegruppe aus einem Satz verwendet. Dies ist ein gutes Beispiel für die Verwendung dieser Algorithmen, aber es passiert, dass es notwendig ist, viele Variablen mit erheblichen Intervallen für eine Strategie, die Sie nicht durch mit einer Iteration und die Parallelisierung von Prozessen 8211 Berechnungen kann mehrere Tage dauern . Sicherlich gibt es Strategien in der letzten Phase der Optimierung. Wenn wir fast sicher wissen, dass die Trading-Strategie erfolgreich ist, können wir für mehrere Tage warten oder mieten Sie den gesamten Cluster - das Ergebnis könnte sich lohnen. Allerdings, wenn wir die Ergebnisse einer sperrigen Strategie abschätzen und entscheiden müssen, ob es sich lohnt, die Zeit zu verbringen, dann können genetische Algorithmen perfekt geeignet sein. Wir bieten die Möglichkeit, drei Methoden zur Optimierung der Strategie in WFAToolbox zu verwenden: Lineare Methode 8211 Es ist eine übliche Art der Sortierung, in der Sie alle Zwischenergebnisse (suboptimal) sehen werden. Es gibt maximale Genauigkeit. Parallel-Methode 8211 werden alle Kernel Ihrer CPU verwendet. Es ist nicht erlaubt, Zwischenergebnisse zu sehen, aber erheblich beschleunigt den Betrieb. Es gibt maximale Genauigkeit während Erhöhung der Berechnungsgeschwindigkeit. Genetische Methode 8211 verwendet es den evolutionären Optimierungsalgorithmus. Es erlaubt, suboptimale Werte zu sehen, gibt aber das Ergebnis nahe am besten. Seine nicht eine sehr genaue Methode, aber seine genaue genug für den ersten Lauf der Strategie. Sehr schnell. Wir werden oft gefragt, ob WFAToolbox - Walk-Forward Analysis Toolbox für MATLAB die Möglichkeit hat, die GPU in Berechnungen zu verwenden. Leider ist GPU nicht für alle Aufgaben geeignet und seine Verwendung ist sehr spezifisch. Um es zu benutzen, müssen Sie die Logik und den Code der einzelnen Strategien für Grafikkerne testen. Leider, aufgrund dieser Nicht-Universalität der Methode kann man nicht verwenden GPU in WFAToolbox. Weiterführend Teil 2 der Diskussion von Problemen und Lösungen in der Prüfung und Analyse der algorithmischen Handelsstrategie in MATLAB, lade ich Sie zu diesem Beitrag über das Problem der Nichtverfügbarkeit der Visualisierung der Prozesse in modernen Software-Lösungen für das Testen von Handelssystemen zu lesen. Visualisierung des Testprozesses In meiner Arbeitserfahrung analysierte ich häufig andere populäre Plattformen für das Trading-Strategie-Testen. Wie zum Beispiel TradeStation. MetaStock. Multicharts etc. und ich war immer überrascht, wie wenig Aufmerksamkeit für die Visualisierung des Testprozesses bezahlt wurde. Die Sache ist, dass, wenn wir nicht sehen, die Ergebnisse der Zwischen-, suboptimale Werte der optimierten Parameter, wir oft wegwerfen Gold zusammen mit dem Schmutz. Die Sache ist, weil eine übermäßig breite Stichprobe, die Strategie passt die Parameter, wie wir entweder sehen, eine perfekte Strategie, die im wirklichen Leben scheitert oder sehen Sie ein oder zwei Angebote, die angeblich die besten sind, weil es solche Zeitintervalldaten, wo die gewählt wurde Beste Handelsstrategie wäre Buy-and-Hold, aber warum sind dann andere Strategien notwendig für die Visualisierung des Trading-Strategie-Testprozess in MATLAB (im Webinar vorgeschlagen) Als Ergebnis, ohne zu sehen, Zwischenergebnisse, müssen wir 171blindly187 ändern Sie die Parameter zu versuchen Um die besseren Daten zu erhalten oder sehen Sie sie in einigen 3D oder 4D (Farbe ist die 4. Dimension), wie in Webinaren vorgeschlagen. Die Analyse der Werte in den N-dimensionalen Räumen kann auf jeden Fall eine Alternative sein, hat aber mehrere Einschränkungen: Was passiert, wenn es mehr als 4 Dimensionen Wenn Sie sehen, welche Signale und mit welcher Frequenz sie in der Preisklasse erscheinen, haben Sie fast alle Notwendige visuelle Darstellung Ihrer Strategie: die Häufigkeit der Transaktionen, ihre Rentabilität (Einkommenskurve), die Genauigkeit der Öffnung, die Ähnlichkeit mit anderen suboptimalen Werten usw., die nicht über die Leistung im N-dimensionalen Raum gesagt werden können, wo alle nützlichen Informationen Ist in der Tat, dass der optimale Wert nicht nur eine ist, sondern es gibt einen ganzen Bereich von suboptimalen Werten in einem oder mehreren Bereichen. Während Optimierung einer Strategie in WFAToolbox 8211 Walk-Forward Analysis Toolbox für MATLAB174. Wenn ein neuer optimaler Wert gefunden wird, werden die Trading-Strategiesignale in der Periode in-sample und out-of-sample sofort auf dem Chart angezeigt, so dass Sie immer kontrollieren können, welchen Bereich von Optionen Sie zuweisen sollten, und Sie können auch die Optimierung anhalten Ohne auf das Ende des Tests warten, wie es klar wird, dass etwas schief ging oder alles in Ordnung ist. Hallo, mein Name ist Igor Volkov. Ich entwickle seit 2006 algorithmische Handelsstrategien und habe in mehreren Hedgefonds gearbeitet. In diesem Artikel möchte ich die Schwierigkeiten auf dem Weg der MATLAB Trading Strategies Entwickler während der Prüfung und Analyse zu diskutieren, sowie mögliche Lösungen zu diskutieren. Seit 2007 nutze ich MATLAB zum Testen von Algorithmusstrategien, und ich bin zu dem Schluss gekommen, dass es sich dabei nicht nur um das geeignetste Forschungswerkzeug handelt, sondern auch um das mächtigste, weil es die Verwendung von komplexen statistischen und ökonometrischen Modellen, Maschine-Lernen, digitale Filter, Fuzzy-Logik, etc, indem Toolbox. Die MATLAB-Sprache ist recht einfach und gut dokumentiert, so dass selbst ein Nichtprogrammierer (wie ich) es beherrschen kann. Wie alles begann. Es war 2008 (wenn ich mich nicht irre), als das erste Webinar über den algorithmischen Handel in MATLAB mit Ali Kazaam veröffentlicht wurde, das das Thema der Optimierung einfacher Strategien basierend auf technischen Indikatoren, etc. trotz eines ziemlich 8220chaotic8221-Codes enthielt, waren Werkzeuge interessant Genug zu bedienen. Sie dienten als Ausgangspunkt für die Erforschung und Verbesserung eines Test - und Analysemodells, das es erlaubte, die gesamte Kraft der Werkzeugkästen und die Freiheit der MATLAB-Aktionen während der Schaffung der eigenen Handelsstrategien zu nutzen und gleichzeitig den Prozess zu kontrollieren Der Tests und die erhaltenen Daten und ihre anschließende Analyse würde ein wirksames Portfolio von robusten Handelssystemen wählen. Anschließend wurden die Mathworks-Webinare jedes Jahr aktualisiert und allmählich mehr und mehr interessante Elemente eingeführt. So wurde im Jahr 2010 das erste Webinar zum Paarenhandel (statistisches Arbitrage) unter Verwendung der Econometric Toolbox abgehalten, obwohl die Toolbox für Testen und Analysen gleich geblieben ist. Im Jahr 2013 erschien Trading Toolbox von Mathworks, die erlaubt, MATLAB an verschiedene Broker für die Ausführung ihrer Anwendungen zu verbinden. Obwohl es automatische Lösungen für die Durchführung der Transaktionen gab, könnte MATLAB von diesem Punkt an ein System für die Entwicklung von Handelsstrategien mit einem vollen Zyklus betrachtet werden: von der Datenverladung bis zur Ausführung automatisierter Handelsstrategien. Warum sollte jeder Algotrader Reinly the Wheel Allerdings hat Mathworks nicht eine komplette Lösung für das Testen und Analysieren der Strategien 8211 angeboten, die Codes, die Sie von Webinaren erhalten konnten, waren die einzigen Elemente eines vollständigen Systemtests, und es war notwendig, sie zu modifizieren , Passen Sie sie an und fügen Sie sie zur GUI für Benutzerfreundlichkeit hinzu. Es war sehr zeitaufwendig und stellte so eine Frage: Was auch immer die Strategie war, es muss durch denselben Test - und Analyseprozess gehen, der es erlauben würde, als stabil und nutzbar zu klassifizieren, also warum sollte jeder Algotrader das Rad neu erfinden und schreiben Seinen eigenen Code für die richtigen Test-Strategien in MATLAB Also die Entscheidung wurde getroffen, um ein Produkt, das ermöglichen würde, um den gesamten Prozess im Zusammenhang mit der Prüfung und Analyse von algorithmischen Handelsstrategien mit einer einfachen und benutzerfreundlichen Schnittstelle. Zuerst möchte ich die folgenden Fragen beantworten: Was mit dem Blog passiert ist 1. Jev Kuznetsov ist nicht der Eigentümer mehr Der Blog wurde von unserem Freund, Jev Kuznetsov, der zu seinem anderen Blog tradingwithpython. blogspot verschoben hat gekauft. Er kam zu dem Schluss, dass Python besser ist als MATLAB für den Handel, den ich für falsch halte. MATLAB bleibt eine der besten Software der Welt für algorithmische Handelszwecke IMHO (Ich habe einige Tatsachen über dieses zwar für zukünftige Diskussion). 2. Wir haben die Marke verändert Von diesem Moment wird der Blog MatlabTrading genannt werden, was viel verständlicher ist in Bezug auf die Themen, die es enthalten wird. Außerdem wurde der Domänenname in matlabtrading anstelle des ursprünglichen matlab-trading. blogspot geändert. Obwohl die alte Domäne immer noch von dem primären Domänennamen weiterleitet. Was passiert mit dem Blog 1. Mehr Beiträge und Artikel Wir hoffen, das Leben in diesem Blog zu bringen, indem wir relevante Inhalte ein - oder zweimal pro Woche posten. In den ersten Monaten werden wir vor allem die Artikel und Videos posten, die wir bereits haben, um es unseren Lesern einfacher zu machen, nach Informationen über eine Ressource zu suchen und vernetzen zu können. Dann haben wir Pläne, Beiträge über praktische Aspekte des algorithmischen Handels in MATLAB zu schreiben. Wie schafft man moderne automatische Handelsstrategien wie: Statistische Arbitrage Paare Handel bedeuten Reversion marktneutrale Handelsstrategien auf Cointegration bollinger Bands kalman Filter etc für Rohstoffe, Aktien und Forex basiert. Trend nach Strategien mit Jurik Moving Average und anderen anspruchsvollen digitalen Filtern Vorhersage Strategien mit maschinellem Lernen (Support Vector Machines) und andere Methoden Erstellen Sie robuste Trading-Strategien mit visuellen Walk-forward-Tests Geld-Management für die Reinvestition Ihres Kapitals (Wissenschaft, wie man 1M von 10K zu bekommen In einem Jahr mit maximaler, aber geschätzter Risiko - und Schweißbelastung). Vielleicht nach der Lektüre dieses youve dachte, das wird ein weiterer dummer Artikel für die armen Jungs suchen, wie man reich durch den Handel auf Forex und all das werden. Nun, das ist völlig falsch Wir arbeiten in MATLAB, und die Mehrheit von uns sind Wissenschaftler und Experten in diesem Aspekt, so dass alles ernst ist. 2. Mehr Interaktivität Ich werde glücklich sein, wenn wir alle über Kommentare in Beiträgen beziehen können. Abonnieren Sie unsere News, um über die neuesten Beiträge und Veranstaltungen informiert zu werden. Später haben wir Pläne, Google Hangouts Webinare zu machen. Dont miss it, klicken Sie auf Follow-Button an der oberen rechten Ecke zu unserer Community beitreten. Was möchten Sie in unseren Blogbeiträgen lesen? Welche Themen können Sie vorschlagen? Schreiben Sie hier in den Kommentaren. In meinem früheren Post kam ich zu dem Schluss, dass die Nähe zu engen Paaren Handel ist nicht so profitabel, wie es früher vor 2010 war. Ein Leser wies darauf hin, dass es sein könnte, dass Mittel-wiederkehrende Natur der Spreads nur in Richtung kürzere Zeitskalen verschoben . Ich habe zufällig die gleiche Idee zu teilen, so dass ich beschlossen, diese Hypothese zu testen. Dieses Mal wird nur ein Paar getestet: 100 SPY vs -80 IWM. Backtest wird auf 30-Sekunden-Bar-Daten von 11.2011 bis 12.2012 durchgeführt. Die Regeln sind einfach und ähnlich wie Strategie, die ich in der letzten Post getestet: Wenn Bar Rückgabe des Paares 1 auf z-Score übersteigt, den nächsten Balken. Das Ergebnis sieht sehr hübsch aus: Ich halte dies für ausreichend, um zu beweisen, dass es in der 30-Sekunden-Skala noch genügend Mittelwert-Reversion gibt. Wenn Sie denken, dass diese Tabelle zu gut ist, um wahr zu sein, ist das leider tatsächlich der Fall. Es wurden keine Transaktionskosten oder Bid-Ask-Spannen berücksichtigt. In der Tat, ich würde bezweifeln, dass es keinen Gewinn nach der Subtraktion aller Handelskosten übrig. Doch diese Art von Charts ist die Karotte baumelt vor meiner Nase, halten mich gehen. Schlechte Nachrichten alle, nach meinen Berechnungen, (die ich aufrichtig hoffe, sind falsch) ist das klassische Paar Handel ist tot. Manche Leute würden stark widersprechen, aber hier ist, was ich gefunden habe: Lets nehmen eine hypothetische Strategie, die auf einem Korb von etfs funktioniert: SPY, XLY, XLE, XLF, XLI, XLB, XLK, IWM, QQQ, DIA Von diesen etfs 90 einzigartig Paare gebildet werden können. Jedes Paar ist marktneutral aufgebaut. Strategie Regeln: An jedem Tag, für jedes Paar, berechnen z-Score basierend auf 25-Tage-Standardabweichung. Wenn z-Score gt Schwelle, gehen Sie kurz, schließen nächsten Tag Wenn z-Score lt-Schwelle gehen lange, schließe nächsten Tag Um es ganz einfach, die Berechnung erfolgt ohne Kapitalmanagement (man kann bis zu 90 Paare im Portfolio haben An jedem Tag). Auch Transaktionskosten werden nicht berücksichtigt. Um es einfach auszudrücken, verfolgt diese Strategie eine eintägige Umkehrung der Marktneutralspreads. Hier werden die Ergebnisse für mehrere Schwellen simuliert: Egal welche Schwelle verwendet wird, die Strategie ist 2008 sehr erfreulich, ziemlich gut von 2009 und völlig wertlos ab Anfang 2010. Dies ist nicht das erste Mal, dass ich auf diese Veränderung im Mittelrückgang gestoßen bin Verhalten in etfs. Egal, was Ive versuchte, hatte ich kein Glück bei der Suche nach einem Paar Handelsstrategie, die auf ETFs Vergangenheit 2010 arbeiten würde. Mein Fazit ist, dass diese Arten von einfachen stat-arb-Modelle nur dont schneiden Sie es nicht mehr.
No comments:
Post a Comment