Backtesting -trading- กลยุทธ์ ใน MATLAB

Backtesting -trading- กลยุทธ์ ใน MATLAB

ค้นหา - หุ้น ที่มี รายสัปดาห์ ตัวเลือก
Forex- เรียน สิงคโปร์
10 - H4 - Bollinger   วง กลยุทธ์


Forex- เสมือน การซื้อขาย บัญชี Forex- อิจฉา - EA- ความคิดเห็น Bollinger วง - ebook ดาวน์โหลด Betfair -trading- กลยุทธ์ ม้า Forex เกม ดาวน์โหลด ฟิวเจอร์ส และ ตัวเลือก การซื้อขาย -on- icicidirect

ในขณะที่ฉันชอบที่คำถามนี้จะไปฉันจะแนะนำให้ทำคอนกรีตเล็ก ๆ น้อย ๆ คุณต้องการเรียนรู้อะไรบ้างในส่วนของกระบวนการทำ backtesting ช่วงนี้สามารถประเมินได้จากที่ใดโดยประมาณเพียงผลตอบแทนตามปกติซึ่งผลตอบแทนจากกลยุทธ์ของคุณจะได้รับการปรับใช้กฎการก่อให้เกิดพอร์ตการลงทุนแบบเต็มรูปแบบ ndash Constantin Dec 30 14 at 21:06 จะซื่อสัตย์ฉัน don t ทราบมากเกี่ยวกับ backtesting. ฉันได้รับแจ้งว่าฉันจะต้องทำ backtest กลยุทธ์ใหม่หรือปรับปรุงหลักสูตรปัจจุบันในระหว่างการฝึกงานของฉัน ดังนั้นฉันต้องการทราบข้อมูลเพิ่มเติมเกี่ยวกับเรื่องก่อนที่จะเริ่มต้น อะไรคือส่วนต่างๆของมัน backdest ง่ายๆโดยทั่วไปจะประกอบด้วยสองขั้นตอน: การคำนวณผลตอบแทนของพอร์ตการลงทุนที่เกิดจากกฎการสร้างพอร์ตการลงทุนของคุณ (หรือกลยุทธ์การซื้อขาย) ความเสี่ยงในการปรับพอร์ตการลงทุนโดยใช้ รูปแบบการกำหนดราคาสินทรัพย์ขั้นตอนที่ 2 เป็นเพียงการถดถอยและการคำนวณง่ายมากใน Matlab สิ่งที่ยากกว่าคือการใช้ขั้นตอนที่ 1 ซึ่งจะทำให้คุณรู้สึกสะดวกสบายใน Matlab และมีวิธีต่างๆในการทำเช่นนี้ ถ้าคุณรู้วิธีการถดถอย OLS ใน Matlab สิ่งที่คุณควรเน้นคือ manipulations เมทริกซ์ทุกชนิด การสร้าง Matlab Portfolio และการคำนวณผลตอบแทนเพื่อให้ตัวอย่างของวิธีการใช้กลยุทธ์การซื้อขายแบบดั้งเดิมใน Matlab ให้สมมติว่าข้อมูลการคืนเงินรายเดือนและระยะเวลาการถือครองสม่ำเสมอของหนึ่งเดือนกับสินทรัพย์ n ในช่วง k ที่ i in และ k เข้า สมมติว่าไม่มีการเปลี่ยนแปลงในองค์ประกอบของจักรวาลสต็อกของคุณเมทริกซ์ผลตอบแทนของคุณ X มีขนาด k เท่า n X เริ่มต้น amp x amp จุดแอมป์ amp amp x amp จุดแอมป์ x vdots amp ddots amp vdots amp ddots amp vdots x จุดแอมป์ amp amp x amp จุดแอมป์ x vdots amp ddots amp vdots amp ddots amp vdots x จุดแอมป์ amp amp amp x amp จุดแอมป์ x end ที่ส่งกลับ จะคำนวณเป็น x frac -1 สมมติว่าเกณฑ์การคัดเลือกของคุณเป็นลักษณะของหุ้นที่มีอยู่ในความถี่รายเดือนคุณจะมีลักษณะเป็นเมทริกซ์ C. จากนั้นคุณสามารถเขียนอัลกอริทึมที่ระบุรายการเหล่านั้นใน C ซึ่งตรงกับเกณฑ์การเลือกของคุณ (เช่นเกินเกณฑ์ที่กำหนด ) และแทนที่รายการที่ตรงกัน (โดยที่ i และ t เหมือนกัน) ของเมตริกซ์ตัวบ่งชี้ I (ซึ่งได้รับการเตรียมใช้งานเป็นเมทริกซ์เป็นศูนย์โดยใช้ฟังก์ชันศูนย์) กับข้อมูล จากนั้นคุณสามารถคูณรายการของ I โดยผลตอบแทนของเมทริกซ์ X เพื่อให้ได้เมทริกซ์ R ซึ่งแสดงถึงผลตอบแทนที่เกิดจากการถือครองของคุณ จากนั้นคุณสามารถคำนวณค่าเฉลี่ยของรายการที่ไม่ใช่ศูนย์สำหรับแต่ละแถวของ R เพื่อดูเวกเตอร์ของผลตอบแทนของพอร์ตโฟลิโอ การปรับความเสี่ยงและการระบุผลตอบแทนที่ผิดปกติในขั้นตอนที่ 2 คุณเปรียบเทียบเวกเตอร์นี้กับผลตอบแทนตามปกติที่ได้จากการประมาณความถดถอยของแบบจำลองการกำหนดราคาทรัพย์สินเช่นแบบจำลอง Fama - ฝรั่งเศส โดยการลบเวคเตอร์ผลตอบแทนปกติออกจากเวคเตอร์ผลตอบแทนของพอร์ตลงทุนคุณจะทราบได้อย่างไรว่ากลยุทธ์การซื้อขายของคุณส่งผลให้ผลตอบแทนที่เป็นบวกผิดปกติซึ่งเป็นสิ่งที่ youre เล็งไว้ ข้อเสนอแนะหากคุณเป็นคนใหม่ของ Matlab ผมขอแนะนำให้คุณทำความคุ้นเคยกับมันให้เพียงพอเพื่อใช้กลยุทธ์แบบง่ายก่อนที่จะผ่อนคลายสมมติฐานที่เรียบง่าย (เช่นระยะเวลาการถือครองและระยะเวลาสม่ำเสมอ) และดำเนินการเพื่อการใช้งานที่มีความซับซ้อนมากขึ้น อีกครั้งสิ่งที่ฉันต้องการเน้นคือการนี้คุณจะต้องสะดวกสบายมากกับ Matlab และโดยเฉพาะอย่างยิ่งวิธีการต่างๆในการจัดการการฝึกอบรมซึ่งอาจใช้เวลาสักครู่ ถ้าคุณไม่จำเป็นต้องใช้ Matlab สำหรับการฝึกงานของคุณและต้องการให้ได้ผลเร็วคุณสามารถทำขั้นตอนที่ 1 ใน Excel แทนซึ่งน่าเบื่อ แต่ไม่จำเป็นต้องมีการลงทุนครั้งแรก (คุ้มค่า) ที่คุณต้องทำเพื่อ Matlab เพื่อทำความคุ้นเคยกับ Matlab ผมแน่ใจว่าคุณได้ค้นพบเอกสารที่ดีเยี่ยมที่ได้รับมาแล้ว ที่ฉันเป็นทรัพยากรที่มีค่าที่สุดเพียงอย่างเดียวและน่าจะเป็นประโยชน์มากกว่าทรัพยากรที่เฉพาะเจาะจงมากขึ้นเฉพาะด้านการเงิน (ซึ่งฉันจะรอจนกว่าคุณจะคุ้นเคยกับ Matlab) ทั้งหมดที่จำเป็นในการกำหนดผลตอบแทนตามปกติคือการถดถอย OLS และความเข้าใจพื้นฐานของรูปแบบการกำหนดราคาทรัพย์สิน ตอบ Dec 30 14 at 22: 20Backtesting ตรวจสอบแบบจำลองทางการเงินของคุณด้วยข้อมูลย้อนหลังการทำ Backtesting เป็นกรอบข้อมูลที่ใช้ข้อมูลในอดีตเพื่อตรวจสอบรูปแบบทางการเงินรวมทั้งกลยุทธ์การซื้อขายและรูปแบบการบริหารความเสี่ยง ขึ้นอยู่กับเป้าหมายของการตรวจสอบการใช้มืออาชีพทางการเงินมากกว่าหนึ่งตัวบ่งชี้หรือวิธีการวัดประสิทธิภาพของรูปแบบทางการเงิน การทำ Backtesting เป็นไปอย่างต่อเนื่องในการซื้อขายและการบริหารความเสี่ยง เป็นผลให้มีจำนวนของเทคนิค backtesting โดยเฉพาะที่เฉพาะเจาะจงกับทั้งสองพื้นที่ ในการซื้อขายเทคนิคการทำ backtesting ทั่วไป ได้แก่ การทดสอบในตัวอย่างกับการทดสอบที่ไม่ได้เป็นตัวอย่างการวิเคราะห์เดินไปข้างหน้าหรือการเพิ่มประสิทธิภาพแบบเดินหน้าการวิเคราะห์ระดับตราสารเทียบกับการประเมินระดับพอร์ตโฟลิคในการจัดการความเสี่ยงการทำ backtesting มักใช้กับมูลค่า - - เสี่ยง (VaR) และเป็นที่รู้จักกันว่า VaR backtesting มีวิธีการวัด VaR backtesting เช่น Basels traffic light test การทดสอบ Binomial Kupiecs สัดส่วนของการทดสอบความล้มเหลว Kupiecs เวลาจนถึงการทดสอบความล้มเหลวครั้งแรก Christoffersens การทดสอบแบบผสมผสานการทดสอบแบบผสม Christoffersens เงื่อนไขการทดสอบความเป็นอิสระอิสระ Haas เวลาระหว่างความล้มเหลวหรือการทดสอบ Kupiec ผสมระหว่างเวลา Haas ระหว่างความล้มเหลว ทดสอบเลือก CountryMatlabTrading โพสต์นี้เป็นเรื่องเกี่ยวกับความสำคัญของการใช้วิธีการเพิ่มประสิทธิภาพแบบต่างๆเช่นอัลกอริทึมทางพันธุกรรมและ parallelisation เพื่อให้ได้ผลลัพธ์ได้เร็วขึ้น แม้ว่าขั้นตอนวิธีทางพันธุกรรม (วิวัฒนาการ) จะอธิบายได้เป็นอย่างดีในการสัมมนาทางเว็บของ MathWorks ในตัวอย่าง แต่จะใช้สำหรับการเพิ่มประสิทธิภาพของกลุ่มกลยุทธ์จากชุดเท่านั้น นี่เป็นตัวอย่างที่ดีของการใช้อัลกอริทึมเหล่านี้อย่างไรก็ตามมันเกิดขึ้นว่ามีความจำเป็นที่จะต้องกำหนดตัวแปรหลายตัวแปรด้วยช่วงเวลาที่สำคัญสำหรับกลยุทธ์หนึ่ง ๆ คุณจะไม่ได้รับผลกระทบใด ๆ กับการวนซ้ำหนึ่งครั้งและการคำนวณแบบคู่ขนานของกระบวนการ 8211 อาจใช้เวลาหลายวัน . แน่นอนว่ามีกลยุทธ์ในขั้นตอนสุดท้ายของการเพิ่มประสิทธิภาพ เมื่อเราแทบจะรู้ว่ากลยุทธ์การซื้อขายประสบความสำเร็จเราสามารถรออีกหลายวันได้หรือเช่ากลุ่มทั้งหมด - ผลอาจจะคุ้มค่า อย่างไรก็ตามถ้าเราต้องการประมาณผลของกลยุทธ์ขนาดใหญ่และตัดสินใจว่าคุ้มค่ากับการใช้เวลาหรือไม่แล้วขั้นตอนวิธีเชิงพันธุกรรมอาจเหมาะอย่างยิ่ง เรามีความเป็นไปได้ที่จะใช้สามวิธีในการเพิ่มประสิทธิภาพของกลยุทธ์ใน WFAToolbox: วิธี Linear 8211 เป็นโหมดปกติในการจัดเรียงซึ่งคุณจะเห็นผลการค้นหาระดับกลาง (suboptimal) ทั้งหมด ให้ความแม่นยำสูงสุด ใช้วิธีการแบบขนาน 8211 เมล็ดทั้งหมดของ CPU ของคุณ ไม่อนุญาตให้เห็นผลลัพธ์ระดับกลาง แต่เพิ่มความเร็วในการดำเนินการอย่างมาก ให้ความแม่นยำสูงสุดระหว่างการเพิ่มความเร็วในการคำนวณ วิธีทางพันธุกรรม 8211 ใช้ขั้นตอนวิธีการเพิ่มประสิทธิภาพเชิงวิวัฒนาการ ช่วยให้สามารถมองเห็นค่าต่ำสุดได้ แต่ให้ผลลัพธ์ใกล้เคียงกับสิ่งที่ดีที่สุด ไม่ใช่วิธีที่ถูกต้อง แต่แม่นยำมากพอสำหรับการเริ่มใช้กลยุทธ์ เร็วมาก. เรามักถูกถามว่า WFAToolbox - Walk-Forward Analysis Toolbox สำหรับ MATLAB มีความสามารถในการใช้ GPU ในการคำนวณได้หรือไม่ แต่น่าเสียดายที่ GPU ไม่เหมาะกับงานทั้งหมดและการใช้งานมีความเฉพาะเจาะจงมาก เพื่อที่จะใช้คุณต้องปรับตรรกะและรหัสของแต่ละกลยุทธ์สำหรับการทดสอบแกนกราฟิก แต่น่าเสียดายที่เนื่องจากความไม่แพร่หลายของวิธีการดังกล่าวไม่สามารถใช้ GPU ใน WFAToolbox ได้ ส่วนที่ 2 ของการสนทนาเกี่ยวกับปัญหาและแนวทางแก้ไขในการทดสอบและวิเคราะห์ยุทธศาสตร์การค้าอัลกอริทึมใน MATLAB ผมขอเชิญคุณอ่านโพสต์นี้เกี่ยวกับปัญหาที่เกิดขึ้นไม่ได้ในกระบวนการสร้างภาพของกระบวนการต่างๆในโซลูชันซอฟต์แวร์ที่ทันสมัยสำหรับการทดสอบระบบการซื้อขาย ในประสบการณ์การทำงานของฉันฉันมักจะวิเคราะห์แพลตฟอร์มยอดนิยมอื่น ๆ สำหรับการทดสอบกลยุทธ์การซื้อขาย เช่น TradeStation MetaStock Multicharts ฯลฯ และฉันรู้สึกประหลาดใจเสมอที่ความสนใจเพียงเล็กน้อยในการสร้างภาพของขั้นตอนการทดสอบ เป็นสิ่งที่เมื่อเราไม่เห็นผลของค่ากลางขั้นต่ำที่ต่ำสุดของพารามิเตอร์ที่ดีที่สุดเรามักจะทิ้งทองและสิ่งสกปรก เรื่องนี้เกิดขึ้นเนื่องจากการสุ่มตัวอย่างแบบกว้างเกินไปกลยุทธ์นี้จะปรับพารามิเตอร์ตามวิธีที่เราเห็นว่าเป็นกลยุทธ์ที่สมบูรณ์แบบซึ่งล้มเหลวในชีวิตจริงหรือเห็นข้อเสนอหนึ่งหรือสองข้อซึ่งควรจะเป็นที่ดีที่สุดเพราะได้รับเลือกข้อมูลช่วงเวลาดังกล่าวที่ กลยุทธ์การซื้อขายที่ดีที่สุดคือการซื้อและระงับ แต่เหตุใดจึงต้องมีกลยุทธ์อื่น ๆ ที่จำเป็นสำหรับการแสดงกระบวนการทดสอบกลยุทธ์การซื้อขายใน MATLAB (ที่เสนอในการสัมมนาทางเว็บ) ดังนั้นไม่พบผลลัพธ์ขั้นกลางเราต้องปรับเปลี่ยนพารามิเตอร์เพื่อลอง เพื่อให้ได้ข้อมูลที่ดีขึ้นหรือดูใน 3D หรือ 4D บางส่วน (สีคือมิติที่ 4) ตามที่เสนอในการสัมมนาผ่านเว็บ การวิเคราะห์ค่าในช่องว่างมิติ N สามารถเป็นทางเลือกได้ แต่มีข้อ จำกัด หลายประการ: ถ้ามีมากกว่า 4 มิติเมื่อคุณเห็นสัญญาณและความถี่ที่ปรากฏในช่วงราคาคุณมีเกือบทั้งหมด การแสดงผลที่จำเป็นของกลยุทธ์ของคุณ: ความถี่ของการทำธุรกรรมความสามารถในการทำกำไรของพวกเขา (เส้นโค้งรายได้) ความถูกต้องของการเปิดความคล้ายคลึงกับค่าต่ำสุดอื่น ๆ ฯลฯ ที่ไม่สามารถพูดเกี่ยวกับประสิทธิภาพในพื้นที่ N มิติที่มีข้อมูลที่เป็นประโยชน์ทั้งหมด คือในความเป็นจริงว่าค่าที่เหมาะสมไม่ได้เป็นเพียงหนึ่งเดียว แต่มีทั้งช่วงของค่าต่ำสุดในพื้นที่หนึ่งหรือมากกว่า ในขณะที่การเพิ่มประสิทธิภาพกลยุทธ์ใน WFAToolbox 8211 Walk-Forward Analysis Toolbox for MATLAB174 เป็นค่าที่เหมาะสมใหม่จะพบสัญญาณกลยุทธ์การค้าในระยะเวลาในตัวอย่างและออกจากตัวอย่างทันทีปรากฏในแผนภูมิเพื่อให้คุณสามารถควบคุมสิ่งที่ช่วงของตัวเลือกที่คุณควรกำหนดและคุณยังสามารถหยุดการเพิ่มประสิทธิภาพ โดยไม่ต้องรอให้จบการทดสอบเนื่องจากเป็นที่ชัดเจนว่ามีบางอย่างผิดพลาดหรือทุกอย่างเรียบร้อยดีสวัสดีฉันชื่อ Igor Volkov ฉันได้รับการพัฒนากลยุทธ์การซื้อขายอัลกอริธึมตั้งแต่ปีพ. ศ. 2549 และเคยทำงานในกองทุนเฮดจ์ฟันด์หลายแห่ง ในบทความนี้ฉันต้องการจะพูดคุยเกี่ยวกับปัญหาที่เกิดขึ้นระหว่างทางนักพัฒนากลยุทธ์การซื้อขายของ MATLAB ในระหว่างการทดสอบและวิเคราะห์ตลอดจนนำเสนอแนวทางที่เป็นไปได้ ฉันได้ใช้ MATLAB สำหรับการทดสอบกลยุทธ์ขั้นตอนวิธีมาตั้งแต่ปี 2007 และฉันได้ข้อสรุปว่านี่ไม่ใช่เครื่องมือการวิจัยที่สะดวกที่สุด แต่ยังมีประสิทธิภาพมากที่สุดเนื่องจากทำให้การใช้โมเดลทางสถิติและ econometric ซับซ้อนเครือข่ายประสาท, การเรียนรู้ด้วยเครื่อง, ตัวกรองแบบดิจิตอล, ตรรกะคลุมเครือ, ฯลฯ โดยการเพิ่มกล่องเครื่องมือ ภาษา MATLAB ค่อนข้างง่ายและได้รับการจัดทำเป็นเอกสารไว้อย่างดีดังนั้นแม้แต่โปรแกรมที่ไม่ใช่ (เช่นฉัน) สามารถควบคุมได้ ทุกอย่างเริ่มต้นแล้ว มันเป็นปี 2008 (ถ้าฉันไม่เข้าใจผิด) เมื่อการสัมมนาทางเว็บเรื่องแรกเกี่ยวกับการค้าอัลกอริธึมใน MATLAB กับ Ali Kazaam ได้รับการเผยแพร่แล้วซึ่งครอบคลุมหัวข้อการเพิ่มประสิทธิภาพของกลยุทธ์ง่ายๆตามตัวชี้วัดทางเทคนิค ฯลฯ แม้ว่าจะมีโค้ด 8220chaotic8221 พอที่จะใช้ พวกเขาทำหน้าที่เป็นจุดเริ่มต้นของการวิจัยและการปรับปรุงรูปแบบการทดสอบและการวิเคราะห์ซึ่งจะช่วยให้สามารถใช้กล่องเครื่องมือและอิสรภาพของการดำเนินการของ MATLAB ในระหว่างการสร้างกลยุทธ์การค้าของตนเองได้ในขณะเดียวกันก็จะช่วยให้สามารถควบคุมกระบวนการนี้ได้ ของการทดสอบและข้อมูลที่ได้รับและการวิเคราะห์ในภายหลังของพวกเขาจะเลือกพอร์ตการลงทุนที่มีประสิทธิภาพของระบบการซื้อขายที่มีประสิทธิภาพ ต่อมาการสัมมนาผ่านเว็บของ Mathworks ได้รับการอัปเดตเป็นประจำทุกปีและได้มีการนำเสนอองค์ประกอบที่น่าสนใจมากขึ้นเรื่อย ๆ ดังนั้นการสัมมนาทางเว็บครั้งแรกเกี่ยวกับการซื้อขายคู่ (การเก็งกำไรทางสถิติ) โดยใช้กล่องเครื่องมือ Econometric Toolbox จัดขึ้นในปี 2010 แม้ว่ากล่องเครื่องมือทดสอบและการวิเคราะห์จะยังคงเหมือนเดิม ในปี 2013 กล่องเครื่องมือการซื้อขายจาก Mathworks ปรากฏขึ้นซึ่งอนุญาตให้เชื่อมต่อ MATLAB กับโบรกเกอร์ที่แตกต่างกันเพื่อใช้งานแอพพลิเคชันของตน แม้ว่าจะมีโซลูชั่นอัตโนมัติสำหรับการทำธุรกรรม แต่จากจุดนี้ MATLAB อาจเป็นระบบการพัฒนากลยุทธ์การซื้อขายแบบเต็มรูปแบบตั้งแต่การโหลดข้อมูลจนถึงการดำเนินกลยุทธ์การซื้อขายอัตโนมัติ ทำไมควรทุก Algotrader Reinvent ล้อ แต่ Mathworks ไม่ได้นำเสนอโซลูชั่นที่สมบูรณ์สำหรับการทดสอบและการวิเคราะห์กลยุทธ์ 8211 รหัสเหล่านั้นที่คุณจะได้รับจาก webinars เป็นองค์ประกอบเฉพาะของการทดสอบระบบเต็มรูปแบบและมันก็จำเป็นต้องปรับเปลี่ยนพวกเขา , ปรับแต่งและเพิ่มลงใน GUI เพื่อความสะดวกในการใช้งาน มันต้องใช้เวลามากดังนั้นจึงตั้งคำถามว่าอะไรคือยุทธศาสตร์ที่ต้องทำผ่านกระบวนการเดียวกันในการทดสอบและการวิเคราะห์ซึ่งจะช่วยให้สามารถจำแนกได้ว่ามีเสถียรภาพและใช้งานได้ดี 8211 ดังนั้นทำไมทุกคนควรปรับแต่งล้อเลื่อนและเขียนใหม่ hisher รหัสของตัวเองสำหรับกลยุทธ์การทดสอบที่เหมาะสมใน MATLAB ดังนั้นจึงตัดสินใจที่จะสร้างผลิตภัณฑ์ที่จะช่วยให้สามารถทำกระบวนการทั้งหมดที่เกี่ยวข้องกับการทดสอบและวิเคราะห์กลยุทธ์การซื้อขายแบบอัลกอลิกึมโดยใช้อินเทอร์เฟซที่ใช้งานง่ายและใช้งานง่าย ประการแรกฉันต้องการจะตอบคำถามต่อไปนี้: เกิดอะไรขึ้นกับบล็อก 1. Jev Kuznetsov ไม่ใช่เจ้าของอีกต่อไปบล็อกถูกซื้อจากเพื่อนของเรา Jev Kuznetsov ผู้ซึ่งย้ายไปที่ blog tradingwithpython.blogspot คนอื่น ๆ ของเขา เขาสรุปว่า Python ดีกว่า MATLAB เพื่อการค้าซึ่งถือว่าผิด MATLAB ยังคงเป็นหนึ่งในซอฟต์แวร์ที่ดีที่สุดในโลกสำหรับการค้าอัลกอริทึม IMHO (ฉันมีข้อเท็จจริงบางอย่างเกี่ยวกับเรื่องนี้แม้ว่าสำหรับการอภิปรายในอนาคต) 2. เราเปลี่ยนแบรนด์จากช่วงเวลานี้บล็อกจะเรียกว่า MatlabTrading ซึ่งเป็นเรื่องที่เข้าใจง่ายมากขึ้นเกี่ยวกับหัวข้อที่จะมี นอกจากนี้ชื่อโดเมนได้ถูกเปลี่ยนเป็น matlabtrading แทนการเริ่มต้นการซื้อขาย matlab-blogspot แม้ว่าโดเมนเดิมจะยังคงเปลี่ยนเส้นทางจากชื่อโดเมนหลักก็ตาม สิ่งที่จะเกิดขึ้นกับบล็อก 1. บทความและบทความอื่น ๆ เราหวังว่าจะนำชีวิตไปสู่บล็อกนี้โดยการโพสต์เนื้อหาที่เกี่ยวข้องสัปดาห์ละครั้งหรือสองครั้ง ในช่วง 2-3 เดือนแรกเราจะโพสต์บทความและวิดีโอเหล่านั้นส่วนใหญ่ที่เรามีอยู่แล้วเพื่อให้ผู้อ่านที่รักของเราสามารถค้นหาข้อมูลเกี่ยวกับทรัพยากรหนึ่ง ๆ และเชื่อมโยงกับเนื้อหาเหล่านั้นได้ง่ายขึ้น จากนั้นเรามีแผนจะเขียนบทความเกี่ยวกับแง่มุมเชิงปฏิบัติของการซื้อขายอัลกอริทึมใน MATLAB วิธีการสร้างกลยุทธ์การซื้อขายอัตโนมัติแบบใหม่ ๆ เช่นการซื้อขายคู่ค้าทางสถิติหมายถึงการผันกลับของตลาดกลยุทธ์การซื้อขายที่เป็นกลางตามวงการ bollinger cointegration band kalman เป็นต้นสำหรับสินค้าโภคภัณฑ์หุ้นและ Forex (Support Vector Machines) และวิธีการอื่น ๆ สร้างกลยุทธ์การซื้อขายที่มีประสิทธิภาพโดยใช้การจัดการเงินในการทดสอบการเดินไปข้างหน้าเพื่อการลงทุนเงินทุนของคุณใหม่ (วิทยาศาสตร์เกี่ยวกับวิธีรับ 1 ล้านจาก 10 พันล้านบาท) ในปีที่มีคะแนนสูงสุด แต่ประเมินความเสี่ยงและรางวัลเหงื่อ) บางทีหลังจากอ่านเรื่องนี้ youve คิดว่านี้เป็นไปได้อีกบทความโง่สำหรับคนจนเหล่านั้นกำลังมองหาวิธีที่จะกลายเป็นคนรวยผ่านการซื้อขายในอัตราแลกเปลี่ยนและสิ่งที่ เราเป็นคนที่ทำงานใน MATLAB และส่วนใหญ่ของเราคือนักวิทยาศาสตร์และผู้เชี่ยวชาญในด้านนี้ดังนั้นทุกสิ่งทุกอย่างจึงเป็นเรื่องร้ายแรง 2 การโต้ตอบมากขึ้นฉันจะมีความสุขถ้าเราทุกคนสามารถเกี่ยวข้องผ่านความเห็นในการโพสต์ สมัครรับข่าวสารของเราเพื่อรับการแจ้งเตือนเกี่ยวกับโพสต์และกิจกรรมใหม่ ๆ หลังจากนี้เรามีแผนที่จะจัดสัมมนาทางเว็บของ Google แฮงเอาท์ อย่าพลาดคลิกปุ่ม "ติดตาม" ที่มุมขวาบนเพื่อเข้าร่วมชุมชนของเรา สิ่งที่คุณต้องการอ่านในโพสต์บล็อกของเราคุณสามารถแนะนำหัวข้อใดได้โปรดเขียนที่นี่ในความคิดเห็น ในการโพสต์ก่อนหน้านี้ฉันได้ข้อสรุปว่าการซื้อขายคู่ใกล้ชิดกับคู่ค้าไม่เป็นผลกำไรในวันนี้เหมือนกับที่เคยเป็นมาก่อนปี 2553 ผู้อ่านชี้ว่าอาจเป็นไปได้ว่าลักษณะการกระจายตัวของค่าเฉลี่ยที่กระจายไปนี้ก็เปลี่ยนไปตามช่วงเวลาที่สั้นลง . ฉันก็ตัดสินใจที่จะทดสอบสมมติฐานนี้ ขณะนี้มีเพียงหนึ่งคู่เท่านั้นที่ได้รับการทดสอบ: 100 SPY vs -80 IWM Backtest ดำเนินการกับข้อมูลแถบ 30 วินาทีตั้งแต่ 11.2011 ถึง 12/2012 กฎมีความเรียบง่ายและคล้ายคลึงกับกลยุทธ์ที่ฉันทดสอบในโพสต์ครั้งล่าสุด: ถ้าการส่งคืนบาร์ของคู่นั้นสูงกว่า 1 ใน z-score ให้ทำการซื้อขายแถบถัดไป ผลดูสวยมาก: ฉันคิดว่านี่เป็นหลักฐานเพียงพอที่ยังคงมีค่าเฉลี่ยการพลิกกลับในระดับ 30 วินาที หากคุณคิดว่าแผนภูมินี้ดีเกินกว่าที่จะเป็นจริง ไม่ได้มีการพิจารณาต้นทุนการทำธุรกรรมหรือการแพร่กระจายราคาเสนอถาม ในความเป็นจริงฉันจะสงสัยว่าจะมีผลกำไรใด ๆ เหลือหลังจากหักค่าใช้จ่ายในการซื้อขายทั้งหมดแล้ว ยังคงแผนภูมิชนิดนี้คือแครอท dangling หน้าจมูกของฉันทำให้ฉันไป ข่าวดีทุกคนตามการคำนวณของฉัน (ซึ่งฉันหวังเป็นอย่างยิ่งว่าไม่ถูกต้อง) การซื้อขายคู่แบบคลาสสิกตายแล้ว บางคนจะไม่เห็นด้วยอย่างยิ่ง แต่นี่คือสิ่งที่ฉันพบ: ให้ใช้กลยุทธ์สมมุติที่ทำงานบนตะกร้าของ etfs: SPY, XLY, XLE, XLF, XLI, XLB, XLK, IWM, QQQ, DIA จาก etfs เหล่านี้ 90 ที่ไม่ซ้ำกัน คู่สามารถทำ คู่แต่ละคู่ถูกสร้างขึ้นเพื่อกระจายเป็นกลาง กฎของกลยุทธ์: ในแต่ละวันสำหรับแต่ละคู่คำนวณค่า z ตามค่าส่วนเบี่ยงเบนมาตรฐาน 25 วัน ถ้า z-score gt threshold ให้ไปสั้น ๆ ใกล้วันถัดไปถ้า z-score lt-threshold ยาวไปแล้วให้ปิดในวันถัดไปเพื่อให้ง่ายขึ้นการคำนวณทำได้โดยไม่มีการจัดการเงินทุนใด ๆ (สามารถมีได้ถึง 90 คู่ใน portfolio ในแต่ละวัน) ค่าใช้จ่ายในการทำธุรกรรมจะไม่รวมอยู่ด้วย หากต้องการใช้กลยุทธ์นี้เพียงอย่างเดียวกลยุทธ์นี้จะติดตามการคืนค่าเฉลี่ยของตลาดกลางวันหนึ่ง นี่คือผลลัพธ์ที่จำลองขึ้นสำหรับเกณฑ์หลายข้อไม่ว่าเกณฑ์ใดที่ใช้กลยุทธ์นี้มีผลกำไรสูงในปีพ. ศ. 2551 ซึ่งนับว่าค่อนข้างไร้ค่าตั้งแต่ต้นปี 2010 นี่ไม่ใช่ครั้งแรกที่ฉันเจอการเปลี่ยนแปลงนี้ในการคืนค่าเฉลี่ย พฤติกรรมใน etfs ไม่ว่าฉันพยายามอะไรฉันก็ไม่มีโชคในการหาคู่ค้ากลยุทธ์ที่จะทำงานใน ETFs ที่ผ่านมา 2010 ข้อสรุปของฉันคือรูปแบบเหล่านี้ง่าย stat - arb เพียง dont ตัดมันมากขึ้น
Bnr -forex- สำนัก
ตัวอย่าง เคลื่อนไหว เฉลี่ย พยากรณ์