Inclinação da Esperança Uma Introdução à Negociação e Inteligência Artificial (pelo Sr. Assistente) Esta é uma breve cartilha sobre a aplicação de Inteligência Artificial (AI) técnicas para suas atividades de negociação. AI pode trazer uma nova abordagem e uma perspectiva diferente para quem está disposto a investir tempo e esforço para aprender a combinar algumas habilidades de programação simples e conhecimentos comerciais comuns. Primeiro, vou admitir plenamente que, embora eu não sou um especialista em comércio ou inteligência artificial, eu sei um pouco sobre ambos, que é provavelmente apenas o suficiente para ser perigoso. Além disso, vou fazer a afirmação de que ser um programador medíocre e um comerciante semi-qualificados coloca você à frente de qualquer programadores de classe mundial que não sabem nada sobre negociação, ou comerciantes de alto nível que não entendem os conceitos básicos, vantagens e limitações De AI. Pense sobre suas habilidades atuais e onde o maior bang para o tempo investido reside. Se você comprar comercial comercialização AI software para economizar algum esforço, esperar que apenas atirando alguns dados e alguns indicadores pré-selecionados não será muito produtivo. AI em um sentido de negociação é um programa de computador que tem a capacidade de alterar ou adaptar a forma como ele processa dados, ao longo do tempo ou como novas informações torna-se disponível, ou mesmo como o programa é executado várias vezes. Esta capacidade diferencia-o de programas como o Excel. Executando um programa de AI muitas vezes, mais e mais, normalmente melhora os resultados como o programa aprende de seus erros, enquanto executando Excel repetidamente dá-lhe o mesmo resultado. Os programas de AI sintetizam uma saída apropriada para a qual não há dados existentes, mas usam situações históricas semelhantes para decidir o que é mais provável de ocorrer. Este primário irá analisar quatro tipos de IA: sistemas especialistas, redes neurais (NN), otimização de colônias de formigas (ACO) e Máquinas de Suporte Vectorial (SVM). Julgando apenas pelo número de livros e artigos sobre o tema, NN são os tipos mais freqüentemente de AI aplicados à negociação e é a revisão mais detalhada aqui sinta-se livre para pular diretamente para a seção sobre NN se você só quer ler o mais popular tema. E uma vez que desenvolver, treinar e usar AI é uma tarefa intensa em tempo, poucas pessoas que usam AI lhe dirão muito sobre seus sucessos ou fracassos. A maioria dos papéis e livros vêm de fontes acadêmicas, não de comerciantes. O que os comerciantes sabem provavelmente será altamente proprietário. Felizmente, pesquisar em qualquer termo no campo AI produzirá uma riqueza de links e muito mais informações do que você jamais poderia ler. Sistemas especializados são criados por programadores especialmente treinados que coletam e categorizam os conhecimentos, opiniões e experiências de várias pessoas que têm experiência de primeira mão em um campo específico. Os sistemas de especialistas encontraram ampla aplicação em áreas tão diversas como diagnóstico médico, reparo automotivo e otimização de fabricação. Um sistema especialista, seja usado na negociação ou em outro lugar, será essencialmente o mesmo que ter a pessoa mais experiente sênior trancado em seu computador, por isso eles são tão valiosos quanto qualquer outra Propriedade Intelectual. Aplicando sistemas especializados à negociação, por exemplo, se você quisesse construir um sistema especializado para negociar títulos de mercados emergentes, você entrevistaria os melhores operadores de títulos EM disponíveis, perguntando-lhes quais eventos, dados, configurações e acionadores particulares que usam para negociar (E isso só poderia ser feito inteiramente em casa). Claro que o especialista deve ser capaz de descrever com precisão o porquê e como dos negócios que fazem, ou o sistema falhará. Os sistemas especialistas podem ser usados em combinação com outras técnicas de IA, tais como Redes Neurais. As Redes Neurais (NN, também chamadas de Redes Neurais Artificiais, ANN) imitam de alguma forma primitiva a maneira como os humanos usam axônios, neurônios e dendritos para processar informações e tomar decisões. Os sinais recebidos pelos dendritos são processados pelo neurosoma e enviados ao longo do axônio para outras células. Em um neurônio real, os processos eletroquímicos desencadeiam uma reação dos dendritos aos axônios. A mente humana é relatada para ter aproximadamente 86 bilhões de neurônios. Num neurônio artificial, os dados de entrada (um ou mais sinais) são operados por funções matemáticas lineares comuns, tais como adição e multiplicação, no entanto, Neurônio, existe uma função de transferência complexa que pode realizar operações não lineares no sinal. À medida que mais e mais elementos neurais são paralelos ou em cascata em arranjos cada vez mais complexos, o poder de processamento computacional aumenta exponencialmente. Um NN bastante simples pode executar operações incrivelmente complexas que estão além da capacidade de entender a maioria dos usuários. Mesmo em níveis relativamente baixos de complexidade NN muitas vezes desafiam a compreensão, e podem ser pensados como caixas negras que você colocar em alguns dados, eo NN produz informações processadas, mas o usuário nunca será capaz de entender como o NN vai de A para B Um NN é composto por apenas um ou dois a centenas de neurônios artificiais, interligados por vários caminhos que têm pesos que ajustam a força do sinal aplicado a cada entrada. Em um programa de computador NN os neurônios e caminhos são representados por níveis de sinal, que são informações binárias no computador que executa o software AI. Normalmente, os sinais de saída são normalizados ou restringidos para a gama de -1 a 1, ou 0 a 1, por conveniência, enquanto os sinais de entrada podem ocasionalmente exceder esse intervalo. Um desenho de um neurônio artificial é mostrado abaixo. Vários neurônios idênticos serão interconectados para construir a rede neural completa. Cada neurônio é composto de duas seções um verão que adiciona os sinais de entrada em um único sinal e uma função de ativação que converte o sinal somado em um sinal transformado por uma curva de transferência específica. As curvas de transferência típicas são mostradas no desenho abaixo, com o sinal de entrada no eixo X eo sinal de saída resultante no eixo Y, para três funções possíveis. Observe que a entrada pode se estender além da faixa de -1 a 1 mostrada na plotagem. Uma função de ativação não linear A soma dos sinais de entrada é transformada no sinal de saída através de uma das três funções de transferência A saída é limitada a um intervalo de 0 a 1, enquanto a faixa de entrada é ilimitada De Inteligência Artificial e Sistemas Inteligentes por NP Padhy O próximo desenho é de um NN simples. Observe que há três camadas. A camada de entrada é meramente uma série de pontos de conexão para distribuir sinais de entrada para os neurônios na camada oculta. A camada oculta faz a maior parte do processamento. A camada de saída organiza os vários sinais intermediários em um valor numérico, geralmente no intervalo de 0 a 1, ou em um sinal binário, como comprar ou vender. Nesta rede, todas as interligações possíveis foram feitas, embora nem sempre seja esse o caso. Uma pequena Rede Neural I1, I2, I3, I4 são Entradas, O8 e O9 são saídas, os Ws são fatores de pesagem Os Elementos 1 a 4 são basicamente pontos de ligação, os Elementos 5 a 9 são neurônios únicos como mostrado acima De Redes Neurais para Econômico e Financeiro Modelagem por Andrea Beltratti Durante o processo de desenvolvimento, conjuntos de dados e metas são apresentados ao NN em um processo chamado aprendizagem. O NN é inicializado com alguns valores aleatórios nos campos variáveis e é dado um número apropriado de neurônios. Durante a aprendizagem, as várias vias, os valores de pesagem e o número de camadas e neurónios ocultos serão variados de uma maneira específica e calculado um valor de erro global. O valor de erro representa o quão longe a saída típica é da meta. Escolher os melhores dados e objetivos apropriados é uma parte importante de construir um NN bem sucedido. NN excel no reconhecimento de padrões e otimização de padrões, embora não necessariamente ao mesmo tempo. Por exemplo, NN pode ser ensinado a reconhecer placas de licença em fotos, e desfocar a imagem para tornar os números de licença indistinta. Esta é uma forma de reconhecimento de padrões começar com muitas fotografias diferentes de placas, digitá-los de alguma forma para que o NN pode trabalhar com eles, e apresentá-los ao NN. Isso é treinamento. O treinamento com fotos de amostra adicionais é continuado até que o NN possa reconhecer qualquer nova foto. Isso é chamado de generalização. O NN tomou alguns aspectos das fotos e sintetizou (aprendeu) um algoritmo que identificará uma placa de licença em uma foto que nunca viu antes, com números e letras em uma nova seqüência, num ângulo com o qual não está familiarizado, E em uma escala que nunca usou. Inversamente, se mostrado uma placa retangular do tamanho correto com números e letras impressos nele, por exemplo um sinal de rua, o NN reconhecerá que não é uma placa de licença. Outra aplicação potencial é o reconhecimento de rostos humanos, para fotografia ou segurança. NN foram aplicados frequentemente para reduzir a fraude do cartão de crédito e para identificar candidatos da bancarrota. As redes neurais parecem ter tido altos e baixos em popularidade. Falhas importantes foram encontradas várias vezes, as pessoas perdem o interesse, e então alguém descobre uma solução para o problema. Dois grandes avanços na tecnologia NN foram capacidades não lineares e rotinas de otimização. Ambos os avanços são críticos para o uso de NNs no ambiente de negociação. Muitos problemas requerem recursos não-lineares para uma solução. Aqui está uma negociação NN simples relações imaginárias entre ouro, títulos e ações. O NN categoriza pontos em gráficos de uma estratégia do intermarket que olhe o ouro passado e os preços da ligação para decidir se comprar estoques. Uma rede linear separará os sinais de compra e venda em duas regiões de acordo com uma linha reta simples e funcionará mal. Uma rede não-linear mais complexa, como o NN mostrado, separará os sinais de compra e venda de acordo com uma fórmula muito mais complicada. Naturalmente, a relação do intermarket não é estática e que deve ser permitida para ao usar um sistema como este para negociar. Uma simples Rede Neural usando uma estratégia intermercado para comprar ou vender ações Decisões lineares típicas de um sistema baseado em regras simples Capacidade de decisão não-linear da rede neural simples Redes neurais podem gerar relacionamentos muito mais complexos com muitas mais variáveis NN do mundo real são geralmente distantes Mais complexa do que a nossa simples rede acima. Você pode ter muitas dúzias ou centenas de entradas, eo NN pode encontrar relacionamentos extremamente sutis entre esses insumos que escapam até de observadores de mercado astutos. Por exemplo, você pode usar as taxas de juros históricas para muitos títulos diferentes, suas mudanças de 30 e 60 dias, e quão longe os preços atuais são de várias médias móveis. Você pode querer usar um período de tempo que se estende para trás antes de as taxas de juros começaram um mercado urso secular em 1980. Dados diários, semanais ou mensais, em seguida, é emparelhado com um objetivo (comprar, vender, segurar). Se houver um padrão escondido em todo o ruído, eventualmente o NN vai encontrá-lo. O NN também pode encontrar todas as possíveis correlações espúrias ou temporárias e tentar negociar com eles experiência e compreensão de ambos os mercados e NN vai ajudar a evitar esses tipos de armadilhas. Optimização de colônias de formigas As formigas têm individualmente apenas alguns milhares de células cerebrais e são bastante mudo, mas muitas formigas formam sociedades complexas como um grupo que podem caçar para comer, estabelecer casas complexas e fazer guerra, a colônia é coletivamente altamente inteligente. A otimização de colônias de formigas é uma categoria do que é chamado inteligência de enxame. A inteligência de Swarm é exibida por formigas, cupins, abelhas e vespas, aves e peixes, mas usaremos formigas em nosso estudo. Formigas secretam um produto químico chamado um feromônio que são extremamente sensíveis a, tão baixo quanto algumas moléculas. Quando as formigas de uma colônia batem em se comerciam feromonas. À medida que se movimentam pelo bairro dos colonos, eles periodicamente depositam pequenos vestígios do produto químico, à medida que o tempo passa, o produto químico quebra até que não seja mais detectável por outra formiga. Como formigas repetidamente viajar de uma fonte de alimento para o ninho e volta novamente, a trilha de feromonas torna-se reforçada, e mais formigas segui-lo. Uma chave para o comportamento das formigas é o quão rápido o sinal químico se enfraquece, uma fonte de alimento empobrecida não atrairá formigas forrageadoras. Uma segunda chave não é todas as formigas seguirão a trilha química dominante algumas formigas sempre buck o sistema e tentar novos caminhos. Como a principal fonte de alimento é consumida, os caminhos mais fracos começarão a ser usados com mais freqüência. Como isso pode ser aplicado a problemas reais? Uma área que este tipo de IA tem sido aplicada a problemas de vendedores ambulantes, que tentam otimizar processos como entrega de correio e coleta de lixo. Um programa ACO utilizará caminhos aleatórios conectando todos os pontos possíveis que desejamos visitar, e depositar um pequeno sinal representando o feromônio ao longo de cada caminho. As formigas simuladas percorrerão os caminhos, e os caminhos mais rápidos exibirão os sinais de feromônio mais fortes. Além dos problemas de tipo viajante, o ACO foi aplicado a outras situações de roteamento e programação. ACO pode ser útil para otimizar as datas de investimentos periódicos, tais como contribuições mensais para um 401k, custo médio dólar, ou recompra de ações. Formigas encontrando o caminho mais curto via feromônios De Inteligência Artificial e Sistemas Inteligentes por NP Padhy Uma formiga simulada explorando vários caminhos para chegar a um destino De Inteligência Artificial e Sistemas Inteligentes por NP Padhy Suporte Máquinas Vector SVM são um tipo de software AI Que executam a classificação em um conjunto de dados. O SVM pode categorizar dados como alcistas ou com baixa, por exemplo. Eles diferem de NN em que, enquanto um SVM pode categorizar dados como alta ou bearish, um NN também pode gerar uma saída numérica, como o ganho médio nessas condições é 14. SVM software é semelhante a NN e aprender a usar um tipo vai Ser útil na migração para o outro. As porcas e os parafusos O software comercial para os sistemas do AI descritos está prontamente disponível, com os custos que funcionam de sub 100 a multi 1000. Alguns destes pacotes de software são projetados especificamente como sistemas negociando. Existem alguns pacotes gratuitos que foram lançados que podem ser utilizáveis, mas em geral eles são provavelmente mais problemas do que a poupança justificaria. Você precisará de dados para treinar e avaliar seu sistema de AI. Há uma abundância de serviços livres do gráfico mas os dados usable reais são surpreendentes encontrar difícil. Os dados de OHLC para a maioria dos estoques e índices estão disponíveis no Yahoo e outros provedores para nada, mas é notoriamente errado e propenso a viés de sobrevivência. Norgate (premiumdata. net/) é um passo acima do Yahoo / Google para dados EOD. Os dados intraday para estoques e índices são praticamente apenas disponíveis através de assinaturas. Planeje gastar muito mais tempo encontrando e corrigindo erros do que gastará no download, especialmente se você confiar em dados gratuitos. Os dados históricos para indicadores complexos como largura e porcentagem acima de médias móveis também são bastante difíceis de encontrar. É muito comum fazer batota ao usar sistemas de negociação mecânicos você executar o software alguns minutos antes do fechamento, assumindo que os preços de fechamento e volume não vai mudar muito. AI não é excepção. Se você é rápido você pode começar afastado com ele, mas se leva 15 minutos para processar os dados e alguns minutos para entrar na sua ordem você provavelmente não vai obter os resultados (como em) que você esperava quando você executou o programa usando dados de fechamento . Você provavelmente precisará fazer algum pré-processamento de dados. Por exemplo, se uma entrada para o seu sistema de AI é o quão longe o preço de fechamento no SampP é de sua EMA de 50 dias, você provavelmente terá que fazer o cálculo de EMA de 50 dias no Excel. Não é muito difícil, mas se você tem meia dúzia de índices e oito médias móveis, juntamente com quatro períodos RSI diferentes e um par de cálculos Bollinger Band, tudo feito mais de 20 anos de dados, de repente a pequena planilha se tornou um monstro e você será Desejando que você tivesse um computador mais rápido. E isso é antes mesmo de começar a executar o software AI. Uma crítica comum da AI é que você não será capaz de determinar facilmente como o software veio com qualquer saída gerada. É uma caixa preta nesse sentido que você fornecer dados de entrada e treinar seu sistema, e para fora vem as direções de negociação. Você não pode olhar sob o capô e ver que o sistema é atualmente sensível a RSI e distância da Bollinger Band, porque amanhã o sistema será sensível ao MACD e largura. Você pode enganar o sistema aplicando dados falsos que você tenha intencionalmente alterado para ver o que é sensível a, mas esta é uma abordagem de espingarda que é difícil e demorado. Os dados para o software AI (exceto para sistemas especialistas, que normalmente são consultas) são organizados em entradas (dados históricos) e saídas (ou metas ou desempenho histórico). As planilhas são normalmente usadas para organizar os dados e os objetivos. Quanto dados são necessários Depende de como claramente definido e estável quaisquer correlações são para os objetivos especificados. Se um conjunto de dados produz um sinal de compra enquanto outro conjunto idêntico de dados em um momento diferente produz uma venda, um NN será confundido e gerará informações inúteis quando essa situação for encontrada durante a operação. Uma regra comum é de cerca de 2000 pontos de dados são necessários para dados diários que é de cerca de oito anos. Considere também que as previsões horárias não geram bem a partir de dados diários. Às vezes menos dados é melhor, se for cuidadosamente selecionado para ser representativo de muitos ambientes de mercado diferentes. Se você fornecer dados demais, ou não for cuidadoso durante o treinamento, é possível sobre-treinar o software AI, onde se torna curva-ajustado para situações muito específicas e não vai generalizar bem. Os dados são geralmente divididos em três grupos chamados treinamento, validação e teste. A execução de dados de treinamento através da IA faz com que os algoritmos de softwares ajustem os parâmetros internos para que as melhores saídas globais correspondam aos objetivos, enquanto os dados de validação são monitorados para ver se o NN está se tornando overtrained. Os dados de teste são usados para cenários do tipo "se", como o ambiente de mercado atual. Pode levar um milhão de execuções através dos dados para conseguir um ajuste razoável entre os objetivos especificados e o que o IA gera para esses dados de entrada. Aqui está um pequeno conjunto de dados para o treinamento de um NN para avaliar cavalos de corrida. Um conjunto de dados de amostra para um horserace handicapping NN para 29 corridas seis entradas relevantes estão nas colunas azuis e resultados de corrida histórica está na última coluna vermelha From JustNN user manual O NN criado para determinar o tempo necessário para cavar buracos De JustNN manual de usuários Geralmente O software AI irá definir a porcentagem de dados em teste vs validação. Uma diretriz está na área de 85 para treinamento eo restante em validação. É fundamental que haja alguma relação entre os dados de entrada e os objetivos. Se os dados de entrada não têm relação com as saídas, ou o relacionamento muda significativamente com o tempo, o software de IA não será capaz de generalizar bem você obterá algum sinal de saída, mas será inútil para negociação. Por exemplo, você poderia treinar um NN para reconhecer um padrão de cabeça e ombros (HampS), o NN será capaz de aprender o padrão, mas se HampS não tem nenhum valor na previsão de futuros retornos o NN será inútil. É possível ter mais de um programa AI executando simultaneamente sobre os mesmos dados. Você pode então observar as múltiplas saídas para ver se existem algumas características comuns dos dados, isto é chamado de votação, ou um comitê. Considere seus objetivos de negociação ao decidir se deve usar classificação ou tipos de previsão de AI. É muito mais difícil para um programa de AI para gerar com precisão uma saída de 4 ganho ao longo da próxima semana do que é para gerar uma saída do mercado provavelmente vai subir nos próximos três a seis dias. E, finalmente, a lógica fuzzy não faz parte da IA, mas pode funcionar muito bem com ela. Lógica fuzzy é um conjunto de números que lhe permitem alguma margem de manobra são uma gama de possibilidades. Por exemplo, você deseja acionar um comércio quando um preço toca um ponto específico, como uma média móvel. Mas o que se o preço é 0,05 distância É que perto o suficiente Números nítidos, aqueles que costumamos trabalhar com, dizer não, eles não são os mesmos. Números difusos permitem que alguns fatores fudge maneira acima, perto e tocar têm significados específicos na lógica fuzzy, eo conceito pode ser muito útil quando você não quer a exatidão dos números normais. AI tem sido aplicada à negociação por uma série de instituições e fundos, com sucesso variado. É provavelmente uma suposição segura vários hedge funds estão usando, mas como outras técnicas se ele funciona eles não vai se gabar sobre isso, e se ele falhou eles não mente você vai para baixo o mesmo caminho beco sem saída. Para o pequeno investidor de varejo típico representará um investimento significativo em tempo de aprendizagem e desenvolvimento, sem qualquer garantia de que os resultados serão de qualquer forma proporcional ao tempo gasto. Mas para mim esta é uma grande oportunidade, quanto mais difícil for desenvolver, depurar e executar programas, mais provável é que apenas alguns comerciantes tentem tirar proveito do software AI. Talvez o campo de IA tenha sido escolhido limpo, ou talvez não inteiramente. Eu vejo isso como a chance de tirar uma pequena fatia de uma torta muito grande. Compartilhe este post: Lista de Lojas Forex Bucket (Market Makers apenas) Eu fui atingido por XM por uma cotação roque em 17 de Junho, quando GBPUSD estava subindo rapidamente. Eu tinha uma parada de venda no lugar para 1.5680 no caso do mercado recuou. Eles exerceram-lo quando dizem que ocorreu derrapagem e auto colocado diretamente com o mercado. A linha da companhia é que o comércio foi executado durante um anúncio de notícia principal que viu um movimento de 96pip em GBPUSD e que algum deslizamento pode ser esperado. O que eles não dizem é claro que foi um aumento de 96pip na taxa de mercado não uma queda. Enquanto qualquer comerciante iria aceitar alguma derrapagem - no caso do meu comércio-lo. Eles admitem que eles são criadores de mercado há muito tempo em seu indicador de tendência FAQ. That, está ajudando ou ferindo Continuando a partir do meu post anterior sobre médias móveis, let8217s dar uma olhada em usar uma média móvel como um indicador de tendência. Novamente, aqui está um material da parte não publicada de meu livro, sobre como usar a inclinação de uma média móvel como um indicador de tendência e um olhar para um indicador de tendência média móvel triplo padrão. Existem muitos livros e metodologias de negociação que sugerem que algum tipo de indicador de tendência média móvel pode ser uma ferramenta útil. A idéia geralmente apresentada é que, em uma tendência de alta, o upswings será maior do que as downswings, para que os comerciantes devem usar uma ferramenta para identificar a tendência de alta e, em seguida, comércio apenas com essa tendência. Como essas idéias são tão comuns na literatura comercial, vale a pena investigar aqui. O que estamos procurando em um indicador de tendência Primeiro, pense sobre o que você precisa ver a partir de um indicador de tendência para torná-lo útil. Embora possa haver respostas diferentes a esta pergunta, sugiro que todas elas são provavelmente alguma variação: os negócios longos devem funcionar melhor quando o indicador mostra uma tendência de alta ea condição de tendência de baixa deve produzir um ambiente mais favorável para negócios curtos. Uma maneira simples de testar isso seria identificar o indicador de tendência e, em seguida, categorizar todos os dias de acordo com se o indicador rotula-los de tendência de alta, tendência de baixa ou neutra. (Observe que se você está testando isso matematicamente, você precisa atribuir as barras atuais retornam à condição anterior. Por exemplo, imagine uma situação em que um dia de grande aumento transforma o indicador de tendência para uma tendência de alta. Se você incluir esse dia na tendência de alta Designação, você vai assumir que você estava segurando uma posição longa dos dias anteriores fechar, o que só é possível se você soubesse o que iria acontecer no dia seguinte com antecedência. Este é um ajuste pequeno, mas crítico e uma referência a este Erro potencial). Uma vez categorizados os dias de acordo com a condição da tendência, podemos medir o retorno médio ea volatilidade para cada grupo. Se o indicador de tendência fornecer informações úteis, devemos ser capazes de ver alguma diferença entre os dois grupos. Idealmente, os dias de tendência de alta teriam um maior retorno médio e talvez uma maior probabilidade de fechamento do que nos dias de tendência de baixa. Inclinação de uma única média móvel Considere um indicador de tendência muito simples: a inclinação de uma média móvel. Imediatamente, nós enfrentamos a pergunta da média móvel ubiquitous: Que comprimento da média movente mudando o comprimento da média movente, nós podemos fazer geralmente uma tendência flip para cima ou para baixo em quase toda a barra, assim que há um elemento arbitrário a esta definição . A média de 50 períodos é comumente usada nesta capacidade, por isso vamos limitar o nosso teste para esta uma escolha. Muitos outros comprimentos foram testados, mas apenas os 50 são apresentados aqui. Outra questão a considerar é que, embora um comerciante pode facilmente identificar a inclinação de uma média móvel visualmente, fazê-lo de forma estruturada, quantitativa é um pouco mais difícil. Neste caso, traçamos uma linha de regressão linear através dos últimos cinco pontos de dados, igualmente ponderados, da própria média e usamos a inclinação dessa linha de regressão linear como indicador de tendência. A tabela 16.20 mostra os resultados de um teste de um indicador de tendência de inclinação média móvel de 50 períodos que mostra retornos excedentes (neste caso, o retorno excedente é o retorno bruto para o grupo de sinal menos o retorno bruto para todas as barras) para cima e para baixo Tendência em relação a todos os dias neste teste. Além disso, calculamos duas medidas de volatilidade: o desvio padrão dos retornos brutos (e não os excessos) e a média dos períodos históricos de 20 dias Volatilidade para cada conjunto. Por último, calcula-se o percentual de dias que fecham para cada categoria. Os resultados não são impressionantes para este indicador de tendência. Considerando a coluna aleatória primeiro para entender melhor a linha de base, observamos um retorno negativo excessivo para a tendência de baixa e um retorno positivo para a condição de tendência de alta, com uma chance ligeiramente maior de fechar (51,7 por cento dos dias em condições de alta tendência versus 51,4 Volatilidade é ligeiramente mais alta para a tendência de baixa, mas aproximadamente na linha em todos os grupos. Para as ações, encontramos algo surpreendente: a tendência de baixa mostra um muito grande, quase 2 por cento, positivo O excesso de retorno, enquanto a tendência de alta mostra bem mais de 1% de excesso de retorno negativo, isso é exatamente o oposto do que devemos ver se o indicador de alta tendência é válido. De fato, para as ações, isso sugere que podemos ser melhores Condição de tendência de baixa porque estaríamos alinhados com um vento de safra estatístico favorável Os futuros mostram uma situação que é mais parecida com o que seria de esperar, com um retorno excessivo negativo bastante grande para a tendência de baixa e um grande retorno positivo positivo para a tendência de alta. Forex, paradoxalmente bastante, olha mais como equidades, mas os retornos excedentes reais são muito pequenos, e não são estatisticamente significativos. Lag mata Como isso pode ser Se você tentar este experimento si mesmo, colocar uma média móvel 50-período em um gráfico, e apenas olho-lo, você verá que a inclinação da média móvel identifica grandes trades tendência. Ele vai pegar cada comércio de tendência estendida e irá mantê-lo no comércio para o movimento inteiro, para o movimento todo e, em seguida, alguns. E theres a fricção. O problema é o atraso, o mesmo problema que qualquer indicador derivado enfrenta. Se baseadas em médias móveis, linhas de tendência, linhas de regressão linear ou extrapolações de dados existentes, elas podem responder a mudanças na direção de impulso dos preços somente após essas mudanças terem acontecido. Um indicador de inclinação média móvel também obterá whipsawed freqüentemente quando o mercado é plana ea média é rapidamente lançando para cima e para baixo. É possível introduzir uma banda em torno da média móvel para filtrar algum deste ruído, mas isto será à custa de fazer sinais válidos vir ainda mais tarde. A Figura 16.23 ilustra o problema com uma média móvel de 50 períodos aplicada a um gráfico diário do Índice de Dólar dos EUA. Teria sido um pouco rentável para negociar este indicador de tendência simples sobre este gráfico em particular, mas observe quanta parte do movimento é desistido antes do indicador virar. O gráfico começa com o mercado em uma tendência de alta (média móvel se inclinando para cima), e quase um terço do gráfico inteiro tem que ser retraced antes que a média móvel vira para baixo. Uma vez que os fundos do mercado em novembro, um rali substancial segue antes que o indicador da tendência flips acima. Esta defasagem, aliada ao fato de que os mercados tendem a fazer reversões acentuadas de fundos e tops, reduz muito a utilidade desta ferramenta como um indicador de tendência. Múltiplas médias móveis Outra idéia comum é usar a posição de duas ou mais médias móveis para confirmar uma mudança de tendência. Por exemplo, três médias móveis de comprimentos diferentes poderiam ser aplicadas a um gráfico e o mercado poderia ser considerado em uma tendência de alta quando as médias estiverem na ordem correta, significando que a média mais curta seria acima da média de comprimento médio e Ambos estarão acima da média móvel de longo prazo, com as condições inversas sendo usadas para uma tendência de baixa. Esse tipo de plano permite períodos significativos de tempo quando a tendência é indefinida, por exemplo, quando a média de média duração está acima da média de longo prazo, mas a média mais curta está entre os dois. Este, como todos os cruzamentos de média móvel, é atraente visualmente porque o olho é sempre atraído para grandes vencedores, para as tendências claras que esta ferramenta pega. No entanto, como todos os cruzamentos de média móvel, os whipsaws corroer todos os lucros na maioria dos mercados, deixando a ferramenta sem borda quantificável. Além disso, as médias mais móveis costumam introduzir mais lag, sem melhora mensurável em comparação com um cruzamento simples de média móvel. Um dos mais populares indicadores de tendência de média móvel hoje é baseado em médias móveis simples de 10, 20 e 50 períodos. Os comerciantes que usam esta ferramenta são ditos para fazer longos comércios somente quando indica uma tendência ascendente e ao short somente quando indica uma tendência de baixa. É razoável perguntar como o mercado se comporta em ambas as condições. A Tabela 16.21 mostra que os comerciantes que usam esta ferramenta em Equities (e é usado principalmente por comerciantes de ações) irão consistentemente se encontrar no lado errado do mercado, combatendo a tendência estatística subjacente. Basta colocar, estoques são mais propensos a ir para baixo quando esta ferramenta sinaliza uma tendência de alta, e até quando ele sinaliza um downtrendtraders usá-lo como prescrito estão fazendo exatamente a coisa errada. Para as outras classes de ativos, a mensagem é mista. Há possivelmente uma borda em futuros, particularmente no lado curto, e forex olha mais aleatório do que o teste real gerado aleatoriamente. Pelo menos nesta amostra de mercados, este teste sugere que os comerciantes que confiam nessa ferramenta de tendência ou em ferramentas derivadas dela provavelmente terão um tempo difícil superando esses ventos contrários. Share this: This is8230a rather 10,000 foot view IMO. It8217s well-known that an SMA is a laggy indicator (with lag n/2). What an SMA has going for it is that it8217s smooth8211it in and of itself does not haphazardly change slope randomly, so a faster indicator crossing above a simple moving average is probably the best way to use it. On the other hand, indicators such as an EMA, or Ehlers8217s FRAMA (one of the first indicators I investigated on my blog), are more responsive, but have their own issues (responding to what To the randomness/mean reversion at the front of the data). The bigger issue I8217ve found, however, is determining what constitutes a slope as going 8220up8221 or 8220down8221 in a timely fashion, and keep the security8217s price history in mind, without being unnecessarily laggy. Agreed8230 this was just intended to be a very high level look at a tool a lot of people are using. Though we all know about the lag, I don8217t think many people realize that an indicator like this so consistently puts you on the wrong side of trades in stocks, so that8217s a valuable message imo. Não necessariamente. I have also shared some simple rules that do show an edge, and I8217ll continue to do so in the near future. Hello Great work I got two questions though: 1) would you get better results by using a shorter moving average (eg 9 period moving average) 2) in what you refer to as 8220equities8221, there might be stocks which perform consistently better than others. So those are the ones Im gonna trade. What do you mean by 8220equities8221 Is that the SPY This is the 1st time im reading your blog. Congrats Will be coming back soon Thank you for your kind words on my blog. I8217m glad you found something useful here. 1. I looked at short and long MAs8230 there8217s a tradeoff with both and shorter isn8217t necessarily better here. 2. Maybe8230 but there8217s a lot of natural variation just due to randomness. I would not be at all confident that the ones that performed best in backtest would be the ones you should trade, at least not without a lot of work and support. To me, that8217s a dangerous direction to think in. Hey Adam Will your book be available through Amazon As for 2: OK. but let s say you get great results in ur backtests trading what you refer to as equities. in that case, what would u trade The spy. See8230from my tests, i believe it is hard to find a strategy that will work for the majority of stocks. some strategies performance better in banking stocks, Others do better in energy stocks and so on. So perhaps8230since you r trading out of the usa8230Maybe u should run specific backtests on sector etfs instead of just running it on equities. Please tell me what u think It8217s Been a while since i last came across such a decent blog Interesting post, I am just trying to make sure I understand the tables correctly. Using Table 16.20 as an example: So the average bar across the entire data set closed up by .023 (2.3 bps), and when the slope of the 50-period MA indicated a downtrend the average bar closed up by 3.051 (305.1 bps), leading to a mean excess return of 3.028 (305.1-2.3 bps) I think you are looking at the standard deviation row, which is a measure of volatility. Mean excess return is given as a separate row in the tables so you don8217t have to subtract to find that number. I think I got confused because you said 8221 the downtrend shows a very large, over 3 percent, positive excess return, while the uptrend shows well over a 1 percent negative excess return8221 On table 16.20 the Mean Excess Return for Equities in the 8220Down8221 mode is only 177.2 bps (1.77). Did you mean to use this number instead of saying 3 percent The mean excess return in the 8220Up8221 mode shows as -129.6 bps so I see where you got the second part of the quote from (8220while the uptrend shows well over a 1 percent negative excess return8221) Have you done any work on price momentum It seems to be the most academically accepted market inefficiency. Yes, quite a bit. It is one of the main tools I use. (See my recent post adamhgrimes/blog/what-works/ for a very high level perspective.) This is interesting8230this is similar to 82203 ducks8221 trading strategy by Captain Currency8230which uses the same 60 bar average applied to 3 different timeframes82304 hour, 1 hour, 5 min8230they all are used as different filters82304 hour timeframe moving average is used as a 8220trend filter8221, like your slope example (best slope equals best trend)82301 hour timeframe moving average is used as a 8220line in the sand8221, trade only when price is still below this line (in the 1 hour timeframe the slope is irrelevant8230it8217s more to keep you on 8220trending side8221 of the market)8230.and the 5 min is used for entry, trading below last major swing8230if price is below all three moving averages on all timeframes8230When you think about it on one chart8230it8217s more like trading only when price is below the 60 MA with and good slope and it8217s still below its 20 MA 8230on the 4 hour chart8230it would be interesting to see you analyze this type of system8230just a slight twist Great stuff Adam. Obrigado. Again confirms that we should ignore the chimera8217s and focus on buying/selling pressure and price momentum.
No comments:
Post a Comment