استراتيجية التداول دخول عشوائي

بلوق - آخر الأخبار.
المحللون الفنيون يقضون الكثير من ساعة مؤلمة على أفضل تقنيات الدخول وأفضل النظم للاتجاه التالي. ولكن، بصراحة، هو كل جهد يستحق كل هذا العناء؟ اختباري لا يثبت. إدخالات عشوائية هي جيدة مثل أي.
إد سيكوتا في "سوط ويبساو" يحتوي على قواعده في التداول في كلماتها:
ركوب الفائزين الخاص بك قطع الخسائر الخاصة بك إدارة المخاطر الخاصة بك استخدام توقف عصا للنظام ملف الأخبار.
ماذا لو كان نظام متابعة الاتجاه يتبع كل ستة من هذه القواعد ولكن يستخدم إدخالات عشوائية لدخول التجارة؟ هل يمكن أن تكون هذه الطريقة مربحة؟
إذا كانت الإدخالات العشوائية يمكن أن تنتج ربحا ثم يجب أن تعطي الاتجاه التالي الممارسين قدرا كبيرا من الثقة في المبادئ الأساسية للتجارة جيدة المنصوص عليها أعلاه. ومن المؤكد أن هناك صعوبة كبيرة في الإفراط في ملاءمة مثل هذا النظام إلى البيانات.
النظام: أقوم بإعداد نظام بسيط لمتابعة الاتجاه لاختبار إدخالات عشوائية كما يلي.
دخول: إذا لم يكن هناك موقف في صك معين، واتخاذ واحد: إما طويلة أو قصيرة على أساس عشوائي. يتم إنتاج الأرقام العشوائية من 1 إلى 20: إذا تم إنتاج 1 بواسطة مولد رقم عشوائي، ثم يتم اتخاذ موقف طويل، إذا 2، ثم وضعية قصيرة. لأي رقم آخر لا يتم اتخاذ أي إجراء.
في حين لا يوجد موقف في صك، وتكرر هذه العملية يوميا حتى يتم اتخاذ موقف. وبالتالي هناك فترات لا يوجد فيها موقف في صك معين. كما يمكن أن يكون موضع تقدير، من خلال زيادة مجموعة عدد عشوائي (إلى ما بين 1 و 50 بالمثال) يمكنك فرض فترات أطول من الامتناع عن ممارسة الجنس وأقل الصفقات عموما في المحفظة.
الخروج: نقطة توقف 5 أتر بناء على متوسط ​​أتر بسيط لمدة 20 يوما. عندما يتم إيقاف الموقف، سيتم في نهاية المطاف إعادة إدخال إما طويلة أو قصيرة وفقا لقواعد دخول أعلاه. أتر هو المدى الحقيقي المتوسط ​​- وهو مقياس للتذبذب الأخير للأداة.
إدارة المخاطر: وقد تألف ذلك من الحد من حجم الموقع المبدئي عند الدخول. عند الإدخال سوف يتم المخاطرة بنسبة 0.375٪ من قيمة المحفظة (تعديل التقلب، تحديد حجم كسور ثابت على أساس المسافة إلى المحطة). ولن تبذل أي محاولة أخرى للحد من المخاطر.
المحفظة: تتكون المحفظة من مجموعة متوازنة من أكثر من 25 العقود الآجلة، 3 السندات، 3 عملات، 3 الطاقة، 4 الحبوب، 3 أسعار الفائدة، 3 المعادن، 2 سوفتس و 3 مؤشرات الأسهم.
تشغيل الاختبار: ركضت 1000 اختبار. أنا يمكن أن يكون تشغيل 5000 أو 500،000 ولكن أظن أن الإحصاءات الإجمالية سوف تختلف قليلا.
لا توجد فوائد على الأرصدة النقدية غير المستخدمة الانزلاق: 7٪ عمولة لكل عقد: 7 دولار أمريكي تاريخ البدء: 1 يناير 1990 تاريخ الانتهاء: 1 فبراير 2018 رأس المال المبدئي: 40،000،000 دولار أمريكي.
وجاء متوسط ​​الإحصاءات المتعلقة ب 000 1 اختبار على النحو التالي:
النسبة المئوية للاختبارات المربحة: معدل النمو السنوي المركب بنسبة 100٪ (معدل النمو السنوي المركب - أي العائد): 2.42٪ متوسط ​​معدل النمو السنوي المركب مقسوما على متوسط ​​السحب - نسبة الألم إلى الكسب): 0.19 أقصى ذروة إلى وادي السحب ( (14.11٪) عدد الصفقات: 1،995 R معدل (نعومة العوائد): 83 الانحراف المعياري (الشهري السنوي): 5 مدة التداول (أيام) الرابحة: 145 خسارة مدة التداول (أيام): 52 .
استنتاج.
والاستنتاج هو أن ما يقرب من أي شكل من أشكال الاتجاه التالي قد عمل بشكل جيد جدا على مدى العقود القليلة الماضية. يبدو لي أن أثبتت أن الاتجاهات المتاحة فعلا موجودة، تقريبا أي طريقة الدخول سوف تعمل طالما جنبا إلى جنب مع الخروج الذي يتيح الأرباح تشغيل وخفض الخسائر قصيرة.
وأظهرت اختبارات أخرى كيف يمكن تحسين النتائج من خلال تدابير مثل إضافة مرشح على المدى الطويل، بحيث يتم اتخاذ الصفقات فقط إذا كان في اتجاه الاتجاه على المدى الطويل. عندما يتم تطبيق هذا المرشح، فإن النتائج الإجمالية تشبه إلى حد كبير العائدات التاريخية ونسب المخاطر والمكافأة للاتجاه الذي يتبع المجتمع كتا ككل، مع التأكيد على أن طرق الإدخال الدقيق ليست مهمة. الصناعة ككل ليس أفضل في التقاط نقاط الدخول من نظامي عشوائي.
وقد أصبحت اللعبة بلا شك أكثر صعوبة على مر السنين لعدد من الأسباب، بما في ذلك تزايد عدد اللاعبين في الأسواق. وقد أثبتت سنوات عامي 2001 و 2018 قساوة استثنائية، وكان عدد قليل من الأنظمة التالية الاتجاه (دخول عشوائي أو غير ذلك) قادرة على الربح في هذه الأسواق متقطع وعديم الاتجاه.
ماذا يحمل المستقبل؟ من يدري، بل هو أيضا أن تكون مستعدة. وإذا ما ظهرت اتجاهات قوية وطويلة الأمد، ستعود هذه النظم مرة أخرى بالربح. إن لم يكن، فإنها لن. انها بسيطة مثل هذا حقا.
كان موضوعي في اختبار إدخالات عشوائية مقترنة بخروج من الاتجاه التالي متعمدا جدا. لاختبار ما إذا كان الاتجاه التالي يعمل على هذه البيانات السوق كما لدي في أمر بلدي.
كان كائن بلدي لا لاختبار فعالية الإدخالات العشوائية إلى جانب مخارج عشوائية، والتي حتى حدسي أدركت أن تكون لعبة مجموع صفر. كما أنه لا يمكن اختبار ما إذا كانت الإدخالات العشوائية (مع أو بدون توقفات) ستكون مربحة أو غير ذلك في سوق جانبية - مرة أخرى، حتى حدسي أدركت أنها لن تكون.
كانت التجربة لاختبار الاتجاه التالي على قاعدة واسعة من الأسواق، حيث تقريبا من خلال تعريف سيكون هناك فترات تتجه بقوة وفترات من جانبية الحركة على / قبالة، الاتجاه القاتل إلى المدى الطويل التالية.

يرجى التحقق من أنك إنسان.
الرجاء النقر "أنا لست روبوت" للمتابعة.
تم رفض الوصول إلى هذه الصفحة لأننا نعتقد أنك تستخدم أدوات التشغيل الآلي لتصفح الموقع.
قد يحدث ذلك كنتيجة لما يلي:
تم تعطيل جافا سكريبت أو حظرها بواسطة إضافة (حاصرات الإعلانات على سبيل المثال) متصفحك لا يدعم ملفات تعريف الارتباط.
يرجى التأكد من تمكين جافا سكريبت وملفات تعريف الارتباط في المتصفح وأنك لا تحظر تحميلها.
الرقم المرجعي: # 10e0fdb0-إيف-11e7-9a3e-e350c6a630d2.

ور / أوسد باكتستد & # 8211؛ المؤشرات الفنية والدخول العشوائي.
هذه المقالة هي الثانية في سلسلة التحقيق كيف يمكن إدخال عشوائي فعال في استراتيجية التداول. في هذه المقالة أنا أبحث في الجمع بين عامل دخول عشوائي مع المؤشرات الفنية لمعرفة ما إذا كان يجعل النظام أكثر موثوقية.
السوق والإطار الزمني.
كما هو الحال في المقالة السابقة أنا باستخدام زوج العملات ور / أوسد. و ور / أوسد هو زوج العملات الأكثر تداولا على نطاق واسع ولديه أدنى تكاليف المعاملات. يمثل ور / أوسد ميزان القوة بين منطقة اليورو، العالم أكبر منطقة عملة واحدة والولايات المتحدة، أكبر اقتصاد في العالم. فهي تمثل فيما بينها تقريبا نصف الاقتصاد العالمي بأسره.
تاريخيا، كان ور / أوسد سوقا جيدة للتجار. وكثيرا ما اتجه الزوج إلى الاختلافات في معدلات النمو الاقتصادي والسياسة النقدية تحريك عملتين في اتجاهات مختلفة.
وتستند الاختبارات الخلفية على الإطار الزمني 4 ساعات وأنا اختبار 10000 فترات، بين عامي 2006 و 2018.
إشارة الخروج.
يتم الخروج من الصفقات باستخدام وقف زائدة. ويستند وقف زائدة على عدة من أتر. وهذا يسمح لموقف زائدة للرد بشكل حيوي لظروف السوق. وعندما يكون السوق متقلبا، سوف تتزايد نقطة الوقف وعندما يكون السوق هادئا، ستنخفض المحطة الخلفية.
المحاكاة.
وتبحث المحاكاة في 4 سيناريوهات:
& # 8220؛ مع الاتجاه & # 8221؛ & # 8211؛ الصفقات الطويلة التي دخلت فقط فوق 34 فترة سما، الصفقات قصيرة أدناه فقط. هذا هو تعريف بسيط جدا للاتجاه ولكن كنت أتوقع هذا لتحقيق تحسن طفيف في النتائج. & # 8220؛ ضد هذا الاتجاه & # 8221؛ & # 8211؛ تداولات طويلة دخلت فقط تحت 34sma، الصفقات قصيرة أعلاه فقط. كنت أتوقع هذا السيناريو لجعل النتائج أسوأ. & # 8220؛ عندما يكون السوق هادئا & # 8221؛ & # 8211؛ الصفقات دخلت عشوائيا في كلا الاتجاهين عندما يكون السوق ضمن البولنجر باندز من 1 الانحراف المعياري. إذا كان السوق يتداول ضمن 1 الانحراف المعياري للمتوسط ​​لديه الكثير من الغرفة للتحرك في أي من الاتجاهين. كنت أتوقع أن يكون هذا السيناريو تحسنا على سيناريو الدخول العشوائي البحت. & # 8220؛ عندما لا يكون السوق في أقصى الحدود & # 8221؛ & # 8211؛ الصفقات دخلت عشوائيا في كلا الاتجاهين عندما يكون السوق داخل البولنجر باند من 2 الانحرافات المعيارية. كلما كان السوق خارج البولنجر باند هو في سعر المدقع مقارنة مع الماضي القريب. كنت آمل أن أرى تحسنا طفيفا على سيناريو الدخول العشوائي البحت.
لكل من هذه السيناريوهات لقد اختبرت توقف أتر زائدة باستخدام مضاعف من 1 و 2 و 3 و 4.
وقد تم اختبار كل سيناريو 4 مرات.
يمكنك الاطلاع على الفيديو المصاحب على يوتوب.
نتائج الاختبارات على نطاق واسع التقى توقعاتي. كانت أتر 1 و 3 سيناريوهات أتر مرة أخرى الأكثر ربحية وأنا سوف تركز على هذه.
ل # أتر وقف زائدة كل من & # 8220؛ مع الاتجاه & # 8221؛ و & # 8220؛ عندما يكون السوق هادئا & # 8221؛ أظهرت السيناريوهات تحسنا صغيرا ولكن ملحوظا في نسبة الاختبارات الفائزة. ومع ذلك، أظهر كل من هذين السيناريوهين انخفاضا طفيفا في متوسط ​​الربح الإجمالي.
بالنسبة ل 3 أتر توقف زائدة، فإن فترة 34 سما لم يحسن الربحية. ومع ذلك، فإن & # 8220؛ عندما يكون السوق هادئا & # 8221؛ فإن السيناريو أظهر زيادة طيبة في عدد المحاكاة التي كانت مربحة.
الاستنتاجات والاختبارات المستقبلية.
النتائج مشجعة بالنسبة لي وتبين أن الدخول العشوائي والمؤشرات الفنية يمكن الجمع بين لخلق استراتيجيات التداول أكثر فعالية. الأدلة في هذه الاختبارات تشير إلى أن المؤشرات الفنية يمكن أن تجعل إشارات الدخول العشوائي أكثر موثوقية. على الرغم من هذا لا توجد استراتيجيات في هذا الاختبار الذي أود أن تنظر بنشاط التداول.
ومع ذلك، أنا مهتم جدا في كيفية وقف زائدة يساعد على الحفاظ على غالبية الاستراتيجيات مربحة. أنا مهتم أيضا في كيف يمكن استخدام عامل عشوائي في باكتيستس محاكاة في المستقبل وربما في التداول المباشر.
مقالات أخرى قد يعجبك.
كل تاجر يجب أن يفهم حافة في التداول. إذا كان لدينا ميزة، لدينا & هيليب؛
// يمكن لجميع التجار الاستفادة من اختبار استراتيجيات التداول الخاصة بهم. فإنه يمكن تسليط الضوء على نقاط القوة و هيليب؛
// في هذه المقالة سوف تظهر نتائج باكتست بلدي من ور / أوسد و هيليب.
Tradinformed.
3 أفكار حول & لدكو؛ ور / أوسد باكتستد & # 8211؛ المؤشرات الفنية والدخول العشوائي & رديقو؛
وهذه هي الطريقة الوحيدة التي يمكن بها بناء نظام تجاري قوي. لماذا لا تستخدم أتر مقرها أخذ الربح أيضا؟ لذلك من يمكنك وضع معا في نظام واحد أتر على أساس وقف الخسارة وجني الأرباح. أنا & # 8217؛ م التدوين هنا:
مهلا، شكرا للتعليق. أنا عادة ما تستخدم أهداف الربح ولكن أردت أن تكون هذه استراتيجية وقف زائدة نقية. مدونتك تبدو جيدة، I & # 8217؛ m التالية في ووردبريس.
شكرا لك لإضافة لي! لقد أضفتك إلى مدونتي أيضا. محاولة متابعة الصفقات بلدي وإذا كان لديك بعض الاقتراحات فقط اكتب لي!
التعليقات مغلقة.
وتلتزم ترادينفورمد لمساعدة التجار على تطوير مهاراتهم والبقاء في صدارة المنافسة. انظر كيف يمكنك أن تتعلم ل باكتست الاستراتيجيات الخاصة بك والحصول على أفكار تجارية جديدة.
3 مربحة استراتيجيات التداول إيشيموكو كيفية حساب مؤشر بسار باستخدام إكسيل كيفية حساب مؤشر سوبيرترند باستخدام إكسيل الرئيسية حساب فيبوناتشي تصحيحات تلقائيا، مربحة هيكين العشي تجارة نظام التداول دليل استراتيجية آخر المشاركات.
(1) إيبوك (2) إكونوميك داتا (1) إكونوميك غراوث (2) إكونوميك تريدرس المكتبة (4) إكسيل ترادينغ (6) جداول بيانات غوغل (1) كيفية باكتست (2) (1) التداول في التداول (1) التداول في التداول (1) التداول في التداول (1) التداول في التداول (1) (24) غير مصنف (2)
سانتا كلوز رالي باكتست نموذج والجنيه. 14.81 10 في 1 حزمة و جنيه. 84.08 & بوند؛ 54.14 4 في 1 حزمة و جنيه. 32.24 & جنيه؛ 25.14 نموذج الانفصال والجنيه؛ 14.81.
21 المؤشرات الفنية والجنيه الإسترليني؛ 4.49 باختصار قصيرة باكيست نموذج باستخدام إكسل و جنيه. 8.44 متقدم باكتست نموذج و جنيه؛ 14.81 21 المزيد المؤشرات الفنية والجنيه الإسترليني؛ 4.49.
فيكس التقلب S & P 500 الدخول والجنيه. 14.81 4 في 1 حزمة والجنيه؛ 32.24 & جنيه؛ 25.14 طويلة باختصار باكتست نموذج باستخدام إكسل و جنيه. 8.44.
وتلتزم ترادينفورمد لمساعدة التجار على تطوير مهاراتهم والبقاء في صدارة المنافسة. انظر كيف يمكنك أن تتعلم ل باكتست الاستراتيجيات الخاصة بك والحصول على أفكار تجارية جديدة.

استراتيجية تداول الإدخال العشوائي
الانتماء: ديبارتيمنتو دي إكونوميا e إمبريزا، Universitá دي كاتانيا، كاتانيا، إيتالي.
أليساندرو بلوشينو.
الانتماءات: ديبارتيمنتو دي فيسيكا e أسترونوميا، ونيفرزيتي دي كاتانيا، كاتانيا، إيتالي، إنفن سيزيون دي كاتانيا، كاتانيا، إيتالي.
أندريا رابيساردا.
الانتماءات: ديبارتيمنتو دي فيسيكا e أسترونوميا، ونيفرزيتي دي كاتانيا، كاتانيا، إيتالي، إنفن سيزيون دي كاتانيا، كاتانيا، إيتالي.
ديرك هيلبينغ.
الانتماء: إيث زيورخ، زيورخ، سويسرا.
في هذه الورقة نستكشف الدور المحدد للعشوائية في الأسواق المالية، مستوحاة من الدور المفيد للضوضاء في العديد من النظم المادية والتطبيقات السابقة للنظم الاجتماعية والاقتصادية المعقدة. بعد مقدمة قصيرة، ندرس أداء بعض من استراتيجيات التداول الأكثر استخداما في التنبؤ ديناميات الأسواق المالية لمختلف مؤشرات البورصة الدولية، بهدف مقارنتها بأداء استراتيجية عشوائية تماما. في هذا الصدد، البيانات التاريخية ل فتس-أوك، فتس-ميب، داكس، و S & أمب؛ تؤخذ مؤشرات P500 في الاعتبار لفترة حوالي 15-20 سنة (منذ إنشائها حتى اليوم).
الاقتباس: بيوندو إ، بلوشينو A، رابيساردا A، هلبينغ D (2018) هل استراتيجيات التداول العشوائي أكثر نجاحا من الآحاد الفنية؟ بلوس وان 8 (7): e68344. دوى: 10.1371 / journal. pone.0068344.
المحرر: أليخاندرو راؤول هرنانديز مونتويا، جامعة فيراكروزانا، المكسيك.
حقوق الطبع والنشر: © 2018 بيوندو إت آل. هذه مقالة مفتوحة الوصول موزعة وفقا لشروط ترخيص كريتيف كومونس أتريبوتيون والتي تسمح بالاستخدام غير المقيد والتوزيع والاستنساخ في أي وسيط، بشرط أن يقيد المؤلف الأصلي والمصدر الأصلي.
التمويل: ليس لدى المؤلفين أي دعم أو تمويل للإبلاغ.
تضارب المصالح: أعلن المؤلفون أنه لا توجد مصالح متنافسة.
المقدمة.
في الفيزياء، على حد سواء على المستوى الكلاسيكي والكمي، العديد من النظم الحقيقية تعمل بشكل جيد وأكثر كفاءة بسبب الدور المفيد للضوضاء ضعيفة عشوائية [1] - [6]. ولكن ليس فقط النظم الفيزيائية تستفيد من الاضطراب. في الواقع، الضجيج له تأثير كبير على ديناميات الخلايا والخلايا العصبية والكيانات البيولوجية الأخرى، ولكن أيضا على النظم الإيكولوجية والجيوفيزيائية والاجتماعية والاقتصادية. بعد هذا البحث، قمنا مؤخرا بالتحقيق في كيفية استراتيجيات عشوائية يمكن أن تساعد على تحسين كفاءة مجموعة هرمية من أجل مواجهة مبدأ بيتر [7] - [9] أو مؤسسة عامة مثل البرلمان [10]. وقد نجحت مجموعات أخرى في استكشاف استراتيجيات مماثلة في ألعاب الأقليات و باروندو [11]، [12]، في تقييم أداء الحافظة [13] وفي سياق المزاد المزدوج المستمر [14].
في الآونة الأخيرة ناقش طالب ببراعة في كتبه الناجحة [15]، [16] كيف الفرصة والبجعات السوداء تحكم حياتنا، ولكن أيضا الاقتصاد وسلوك السوق المالي وراء توقعاتنا الشخصية والعقلانية أو السيطرة عليها. في الواقع، العشوائية يدخل في حياتنا اليومية على الرغم من أننا بالكاد ندرك ذلك. لذلك، حتى من دون التشكيك بقدر طالب، يمكن للمرء أن يدعي بسهولة أننا غالبا ما يساء فهم الظواهر من حولنا، وتنخدع اتصالات واضحة التي هي فقط بسبب الحظية. فالنظم الاقتصادية تتأثر حتما بالتوقعات، سواء كانت حاضرة أو سابقة، لأن معتقدات العملاء تؤثر تأثيرا قويا على ديناميكياتها في المستقبل. وإذا ظهرت اليوم توقعات جيدة جدا بشأن أداء أي أمن، فإن الجميع سيحاول شرائه، وهذا يعني ضمنا زيادة في سعره. ثم غدا، سيكون سعر هذا الأمن أعلى من اليوم، وهذه الحقيقة ستكون مجرد نتيجة لتوقعات السوق نفسها. هذا الاعتماد العميق على التوقعات جعل الاقتصاديين الماليين في محاولة لبناء آليات للتنبؤ بأسعار الأصول في المستقبل. والهدف من هذه الدراسة هو بالتحديد التحقق مما إذا كانت هذه الآليات، التي سيتم وصفها بالتفصيل في الأقسام التالية، أكثر فعالية في التنبؤ بديناميكيات السوق مقارنة باستراتيجية عشوائية تماما.
في مقال سابق [17]، ودافع أيضا بعض التجارب المثيرة للاهتمام حيث تم استخدام طفل، الشمبانزي والسهام بنجاح للاستثمارات المجزية [18]، [19]، وجدنا بالفعل بعض الأدلة لصالح استراتيجيات عشوائية ل FTSE - سوق الأسهم في المملكة المتحدة. هنا سنقوم بتوسيع هذا التحقيق إلى الأسواق المالية الأخرى واستراتيجيات التداول الجديدة. ويتم تنظيم هذه الورقة على النحو التالي. ويقدم القسم 2 مقدمة موجزة للمناقشة حول إمكانية التنبؤ في الأسواق المالية. في القسم 3 نحن نقدم سلسلة من الوقت المالي النظر في دراستنا وإجراء تحليل متجذر في البحث عن الارتباطات المحتملة من نوع ما. في القسم 4 نحدد استراتيجيات التداول المستخدمة في المحاكاة لدينا بينما، في القسم 5، نناقش النتائج الرئيسية التي تم الحصول عليها. وأخيرا، في القسم 6، نستخلص استنتاجاتنا، مما يشير أيضا إلى بعض الآثار غير المتوقعة للسياسات.
التوقعات والتنبؤ في الأسواق المالية.
وكما أشار سايمون [20]، فإن الأفراد يتخذون قرارهم على أساس معرفة محدودة عن بيئتهم وبالتالي يواجهون تكاليف بحث عالية للحصول على المعلومات اللازمة. ومع ذلك، عادة، فإنها لا يمكن جمع كل المعلومات التي ينبغي. لذلك، يعمل الوكلاء على أساس عقلانية محصورة، مما يؤدي إلى تحيزات كبيرة في تعظيم الاستفادة المتوقعة التي يسعون إليها. في المقابل، دافع فريدمان [21] عن نهج العقل الرشيد، الذي يعتبر أن سلوك الوكلاء يمكن وصفه على أفضل وجه بافتراض عقلانيته، لأن العوامل غير المنطقية لا تنجو من المنافسة في السوق ويتم إخراجها منه. ولذلك، لا يمكن استخدام التحيزات المنهجية في المنفعة المتوقعة، ولا العقلانية مقيدة لوصف سلوك وكلاء وتوقعاتهم.
دون أي خوف من التناقض، يمكن للمرء أن يقول أنه في الوقت الحاضر اثنين من النماذج المرجعية الرئيسية من التوقعات قد تم تأسيسها على نطاق واسع في الأدب الاقتصادي: نموذج توقعات التكيف ونموذج التوقع العقلاني. هنا لن نعطي أي تعريف رسمي لهذه النماذج. ولأغراضنا، يكفي أن نذكر مبرراتها. يعتمد نموذج التوقعات التكيفية على سلسلة مرجحة بطريقة ما من القيم المتخلفة (بحيث تكون القيمة المتوقعة للمتغير هي نتيجة لمزيج قيمه السابقة). وعلى النقيض من ذلك، يفترض نموذج التوقعات العقلانية أن جميع الوكلاء لديهم إمكانية الوصول إلى جميع المعلومات المتاحة، وبالتالي، يعرفون بالضبط النموذج الذي يصف النظام الاقتصادي (القيمة المتوقعة للمتغير هي التنبؤ الموضوعي الذي توفره النظرية). إن هذين النظريين يرجعان إلى مساهمات ذات صلة جدا، نذكر منها فقط فريدمان [21]، [22]، فيلبس [23]، وكاجان [24] للتوقعات التكيفية (ومع ذلك تجدر الإشارة إلى أن فكرة " التوقعات التكيفية "من قبل أرو و نيرلوف [25]). بالنسبة للتوقعات العقلانية نشير إلى موث [26]، لوكاس [27]، و سارجنت-والاس [28].
وكثيرا ما تؤخذ الأسواق المالية كمثال للديناميات المعقدة والتقلبات الخطيرة. وهذا يقترح بطريقة أو بأخرى فكرة عدم القدرة على التنبؤ. ومع ذلك، ونظرا للدور ذي الصلة لتلك الأسواق في النظام الاقتصادي، تم تطوير مجموعة واسعة من الأدبيات للحصول على بعض التنبؤات يمكن الاعتماد عليها. والواقع أن التنبؤ هو النقطة الرئيسية في الأسواق المالية. منذ فاما [29]، نقول أن السوق فعال إذا حدث التحكيم المثالي. وهذا يعني أن حالة عدم الكفاءة تعني وجود فرص للأرباح غير المستغلة، وبطبيعة الحال، فإن التجار سيعملون على الفور في مراكز طويلة أو قصيرة حتى يختفي أي احتمال آخر للربح. وينص جنسن [30] تحديدا على أن السوق تعتبر فعالة فيما يتعلق بمجموعة المعلومات إذا كان من المستحيل تحقيق الأرباح عن طريق التداول على أساس تلك المعلومات المحددة. ويتفق ذلك مع مالكيل [31]، الذي يقول إن السوق الفعال يعكس تماما جميع المعلومات في تحديد أسعار الأصول. وكما يستطيع القارئ فهمه بسهولة، فإن الجزء الأهم من هذا التعريف للكفاءة يعتمد على اكتمال مجموعة المعلومات. في الواقع، فاما [29] يميز ثلاثة أشكال من كفاءة السوق، وفقا لدرجة اكتمال المجموعة الإعلامية (وهي "ضعيفة"، "شبه قوية"، و "قوية"). وهكذا، فإن التجار والمحللين الماليين يسعون باستمرار إلى توسيع مجموعة المعلومات الخاصة بهم للحصول على فرصة لاختيار أفضل استراتيجية: هذه العملية تنطوي على وكلاء كثيرا في تقلبات الأسعار التي، في نهاية المطاف، يمكن للمرء أن يقول أن نشاطهم يتم تخفيض إلى تخمين منهجي. وعززت العولمة الكاملة للأسواق المالية هذه العملية، وفي نهاية المطاف، نشهد عقود من التقلب الشديد والتقلب الشديد.
وقد قال كينز، قبل سنوات عديدة، أن عقلانية العوامل وعلم النفس الجماعي (ما يسمى "الأرواح الحيوانية") لا ينبغي أن تفسر كما لو كانت نفس الشيء. وقدم المؤلف مثالا على مسابقة الجمال الشهيرة جدا لشرح المنطق تحت الأسواق المالية. وكتب في نظريته العامة [32] أن "الاستثمار القائم على توقعات حقيقية طويلة الأجل أمر صعب للغاية بحيث لا يكون ممكنا عمليا. ومن الذي يحاول أن يقود بالتأكيد أيام أكثر شاقة وأكثر بكثير من المخاطر الذي يحاول تخمين أفضل من الحشد كيف سيتصرف الحشد؛ وبإعطاء معلومات استخباراتية متساوية، فإنه قد يخطئ أخطاء أكثر خطورة. "وبعبارة أخرى، من أجل التنبؤ بالفائز في مسابقة الجمال، يجب على المرء أن يحاول تفسير الجمال المفضل للجنة التحكيم، بدلا من الالتفات إلى المثل الأعلى للجمال الموضوعي. في الأسواق المالية هو بالضبط نفس الشيء. يبدو من المستحيل توقع أسعار الأسهم دون أخطاء. والسبب هو أنه لا يمكن لأي مستثمر أن يعرف مسبقا رأي "هيئة المحلفين"، أي كتلة واسعة الانتشار وغير متجانسة وكبيرة جدا من المستثمرين، مما يقلل من أي توقع محتمل لمجرد التخمين.
وعلى الرغم من اعتبارات من هذا القبيل، فإن ما يسمى بفرضية السوق الفعالة (التي تمثل خلفيتها النظرية الرئيسية نظرية التوقعات العقلانية)، تصف حالة الأسواق التنافسية تماما والعوامل المنطقية تماما، التي تمنح كل المعلومات المتاحة، الذين يختارون أفضل الاستراتيجيات ( وإلا فإن آلية المقاصة التنافسية ستضعها خارج السوق). هناك أدلة على أن هذا التفسير لآلية التحكيم الكاملة تعمل بشكل كامل ليست كافية لتحليل الأسواق المالية، على سبيل المثال: كوتلر إت آل. [33]، الذي يظهر أن تحركات الأسعار الكبيرة تحدث حتى عندما تكون المعلومات الجديدة قليلة أو معدومة؛ إنجل [34] الذي ذكر أن تقلب الأسعار يرتبط ارتباطا زمنيا بقوة؛ ماندلبروت [35]، [36]، لوكس [37]، مانتيغنا وستانلي [38] الذين يجادلون بأن تقلبات الأسعار قصيرة الأجل غير طبيعية؛ أو أخيرا وليس آخرا، كامبل وشيلر [39] الذين يفسرون أن الأسعار قد لا تعكس بدقة التقييمات العقلانية.
ومن المثير للاهتمام أن عددا كبيرا من نماذج العوامل غير المتجانسة قد تم إدخاله في مجال الأدبيات المالية. في هذه النماذج، تتعايش مجموعات مختلفة من التجار، مع توقعات مختلفة، تؤثر على بعضها البعض عن طريق عواقب سلوكياتهم. مرة أخرى، لا يمكن أن تكون مناقشاتنا شاملة هنا، ولكن يمكننا أن نذكر على نحو مثمر مساهمات بروك [40] و بروك و هومز [42] و تشياريلا [43] و تشياريلا و [44] و ديغرو إت آل . [45]، فرانكل وفروت [46]، لوكس [47]، وانغ [48]، وزيمان [49].
ويشير جزء من هذه الكتابات إلى النهج الذي يطلق عليه "نظم المعتقدات التكيفية"، الذي يحاول تطبيق اللاخطية والضوضاء على نماذج الأسواق المالية. إن عدم اليقين الجوهري حول الأساسيات الاقتصادية، جنبا إلى جنب مع الأخطاء وعدم التجانس، يؤدي إلى فكرة أنه بغض النظر عن القيمة الأساسية (أي القيمة الحالية المخصومة للتدفقات المتوقعة من الأرباح)، تتقلب أسعار الأسهم بشكل غير متوقع بسبب مراحل التفاؤل أو التشاؤم وفقا إلى المراحل المقابلة من الاتجاه الصعودي والاتجاه الهابط الذي يسبب أزمات في السوق. كيف يمكن إدارة هذا النوع من السلوك غير المنتظم من أجل تحسين استراتيجية الاستثمار؟ ولتوضيح الموقف المختلف جدا الذي يعتمده الوكلاء في اختيار الاستراتيجيات عند التداول في الأسواق المالية، يتم التمييز بين الأصوليين والرسامين. وتحدد التوقعات السابقة توقعاتها بشأن أسعار الأصول المستقبلية بناء على أساسيات السوق والعوامل الاقتصادية (أي متغيرات الاقتصاد الجزئي والكلوي، مثل توزيعات الأرباح، والأرباح، والنمو الاقتصادي، ومعدلات البطالة، وما إلى ذلك). وعلى العكس من ذلك، تحاول الدول األخيرة استقراء الاتجاهات أو الخصائص ذات الصلة إحصائيا من سلسلة البيانات السابقة، من أجل التنبؤ بالمسارات المستقبلية لأسعار الأصول (المعروف أيضا باسم التحليل الفني).
وبالنظر إلى أن تفاعل هاتين المجموعتين من العوامل يحدد تطور السوق، نختار هنا للتركيز على سلوك المخططين (نظرا لأن التحليل النوعي لأساسيات الاقتصاد الكلي هو موضوعي تماما ويصعب تقييمه)، في محاولة لتقييم السابق للمستثمر الفردي - قدرة تنبؤية. على افتراض عدم وجود معلومات كاملة، العشوائية تلعب دورا رئيسيا، لأنه من المستحيل الوصول إلى الكفاءة. ويكتسي هذا الأمر أهمية خاصة من أجل التأكيد على أن نهجنا لا يعتمد على أي شكل من أشكال نموذج فرضيات الأسواق الفعالة المشار إليه أعلاه. وبشكل أدق، نحن نسعى للإجابة على السؤال التالي: إذا كان التاجر يفترض عدم وجود معلومات كاملة من خلال جميع الأسواق (أي عدم القدرة على التنبؤ بديناميات أسعار الأسهم [50] - [53])، استراتيجية التداول أداء، في المتوسط، كما جيدة استراتيجيات التداول المعروفة؟ وننتقل من الأدلة إلى أنه نظرا لأن كل وكيل يعتمد على مجموعة معلومات مختلفة من أجل بناء استراتيجياته التجارية، فإنه لا يمكن التذرع بأي آلية فعالة. بدلا من ذلك، شبكة معقدة من السلوك المؤثر ذاتيا، بسبب الدوران غير المتماثلة من المعلومات، ويطور صلاته ويولد سلوكيات القطيع لمتابعة بعض الإشارات التي يتم قبول مصداقيتها.
وتظهر الأزمات المالية أن الأسواق المالية ليست في مأمن من الفشل. إن نجاحهم الدوري ليس مجانيا: فالأحداث الكارثية تحرق قيم هائلة بالدولار والأنظمة الاقتصادية في خطر شديد. هل التجار على يقين من أن استراتيجيات مفصلة تناسب ديناميات الأسواق؟ سوف محاكاة بسيطة لدينا إجراء تحليل مقارن لأداء استراتيجيات التداول المختلفة: سيكون لدينا التجار للتنبؤ، يوما بعد يوم، إذا كان السوق سوف ترتفع (الاتجاه "الصاعد") أو أسفل (الاتجاه "الهبوطي"). استراتيجيات اختبار هي: الزخم، ومؤشر القوة النسبية، و أوبد، و ماسد، واحد عشوائي تماما.
سوف يراهن نظريات التوقعات العقلانية على أن الاستراتيجية العشوائية ستفقد المنافسة لأنها لا تستفيد من أي معلومات، ولكن كما سنبين، نتائجنا مثيرة للدهشة تماما.
تحليل متسلسل للمسلسل الزمني للمؤشر.
ونحن نعتبر أربعة مؤشرات شعبية جدا من الأسواق المالية وعلى وجه الخصوص، ونحن تحليل السلاسل الزمنية المقابلة التالية، كما هو مبين في الشكل 1:
توسيع الشكل 1. التطور الزمني لأربعة مؤشرات هامة للأسواق المالية (مع مرور الوقت من 3714 إلى 5750 يوما).
من الأعلى إلى الأسفل، نعرض مؤشر فتس أوك آل-شير، ومؤشر فوتسي ميب آل-شير، ومؤشر داكس آل-شير، ومؤشر S & أمب؛ P 500. أنظر للنص لمزيد من التفاصيل.
بشكل عام، تم تحفيز إمكانية التنبؤ بسلسلة زمنية مالية نتيجة لإيجاد نوع من السلوك المستمر في بعضها [38]، [54]، [55]. والغرض الرئيسي من هذا القسم هو التحقيق في احتمال وجود علاقات متبادلة في السلسلة المالية الأربعة السابقة لسوق الأسهم الأوروبية والأمريكية جميع مؤشرات الأسهم. في هذا الصدد، سنقوم بحساب الأسير هورست التي تعتمد على الوقت باستخدام تقنية المتوسط ​​المتحرك (دما) [56]. دعونا نبدأ بملخص خوارزمية دما. ويستند الإجراء الحسابي إلى حساب الانحراف المعياري على طول سلسلة زمنية معينة تعرف بأنها.
حيث يتم حساب المتوسط ​​في كل نافذة زمنية من الحجم. من أجل تحديد أس هورست، يتم حساب الدالة لزيادة القيم داخل الفاصل الزمني، كونها طول السلسلة الزمنية، ويتم الإبلاغ عن القيم التي تم الحصول عليها كدالة على مؤامرة لوغ-لوغ. بشكل عام، يظهر الاعتماد على القانون السلطة مع الأس، أي.
على وجه الخصوص، إذا كان المرء لديه علاقة سلبية أو السلوك المضاد للاستمرار، في حين إذا كان واحد لديه ارتباط إيجابي أو السلوك المستمر. حالة يتوافق مع عملية براونية غير مترابطة. في حالتنا، كخطوة أولى، قمنا بحساب الأس هورست النظر في سلسلة كاملة. ويوضح هذا التحليل في المؤامرات الأربع في الشكل 2. وهنا تكشف خطي خطية لمخططات لوغ-لوغ أن جميع قيم مؤشر هورست H الذي تم الحصول عليه بهذه الطريقة بالنسبة للمسلسلات الزمنية المدروسة هي في المتوسط ​​قريبة جدا إلى 0.5. ويبدو أن هذه النتيجة تشير إلى عدم وجود ارتباطات على جداول زمنية كبيرة والاتساق مع عملية عشوائية.
قم بتوسيع الشكل 2. تحليل متعمق لسلسلة الأسواق المالية الأربعة المبينة في الشكل 1.
ويسمح سلوك قانون الطاقة في الانحراف المعياري ل دما باستخلاص مؤشر هورست الذي يتذبذب في جميع الحالات الأربع حوالي 0.5، مما يشير إلى غياب الارتباطات في المتوسط ​​على مدى فترات زمنية كبيرة. انظر النص.
من ناحية أخرى، فمن المثير للاهتمام لحساب هورست الأس محليا في الوقت المناسب. من أجل إجراء هذا التحليل، ونحن نعتبر مجموعات فرعية من سلسلة كاملة عن طريق انزلاق النوافذ من الحجم، والتي تتحرك على طول سلسلة مع خطوة زمنية. وهذا يعني أنه، في كل مرة، نقوم بحساب داخل نافذة انزلاق عن طريق تغيير مع في مكافئ (1). وبالتالي، وبعد نفس الإجراء الموصوف أعلاه، يتم الحصول على سلسلة من قيم الأسير هيرست كدالة من الزمن. في الشكل 3 نعرض النتائج التي تم الحصول عليها للمعلمات،. في هذه الحالة، القيم التي تم الحصول عليها لأسير هورست تختلف كثيرا محليا من 0.5، مما يدل على وجود ارتباطات محلية كبيرة.
توسيع الشكل 3. اعتماد الوقت من مؤشر هيرست للسلاسل الأربع: على جداول زمنية أصغر، وجود ارتباطات كبيرة موجودة.
هذا التحقيق، والذي يتماشى مع ما تم العثور عليه سابقا في المرجع. [56] لمؤشر داكس، تشير إلى أن الارتباطات مهمة فقط على نطاق زمني محلي، في حين أنها تلغي المتوسط ​​على مدى فترات طويلة الأجل. كما سنرى في الأقسام التالية، وهذه الميزة تؤثر على أداء استراتيجيات التداول النظر فيها.
وصف استراتيجيات التداول.
في هذه الدراسة نعتبر خمس استراتيجيات تجارية محددة على النحو التالي:
استراتيجية عشوائية (رند) هذه الاستراتيجية هي أبسط واحد، لأن التاجر مراسل يجعل له / لها التنبؤ في الوقت تماما عشوائيا (مع توزيع موحد). استراتيجية الزخم (مام) تستند هذه الاستراتيجية إلى ما يسمى بمؤشر "الزخم"، أي الفرق بين القيمة والقيمة، حيث تكون فترة تداول معينة (بالأيام). ثم، إذا، التاجر يتوقع زيادة مؤشر إغلاق لليوم التالي (أي أنه يتوقع أن) والعكس بالعكس. في المحاكاة التالية سوف ننظر في أيام، لأن هذا هو واحد من الوقت الأكثر استخداما لمؤشر الزخم. انظر المرجع. [57]. مؤشر القوة النسبية (رسي) الاستراتيجية تستند هذه الاستراتيجية إلى مؤشر أكثر تعقيدا يسمى 'رسي'. وهو يعتبر مقياسا لقوة التداول الأخيرة للسهم وتعريفه هو: حيث هي النسبة بين مجموع العائدات الإيجابية ومجموع العوائد السلبية التي حدثت خلال الأيام الماضية من قبل. وبمجرد حساب مؤشر القوة النسبية لجميع الأيام المدرجة في فترة زمنية معينة من الطول الذي يسبق مباشرة الوقت، فإن التاجر الذي يتبع استراتيجية مؤشر القوة النسبية يجعل التنبؤ له على أساس احتمال عكس اتجاه السوق، التي كشف عنها ما يسمى ب "التباعد" بين السلسلة الزمنية الأصلية ومؤشر القوة النسبية الجديد واحد. ويمكن تعريف الاختلاف الذي يشير إلى المقارنة بين سلسلة البيانات الأصلية وسلسلة مؤشر القوة النسبية المتولدة، وهي الإشارة التجارية الأكثر أهمية التي يسلمها أي مؤشر على غرار مذبذب. وهذا هو الحال عندما يكون الاتجاه السائد بين اثنين من الاستبانة المحلية التي يظهرها مؤشر القوة النسبية موجها في الاتجاه المعاكس للاتجاه الكبير بين اثنين من إكستريما (في نفس الوقت تأخر) التي تظهر في السلسلة الأصلية. عندما ينحدر خط رسي بشكل مختلف عن خط السلسلة الأصلي، يحدث اختلاف. انظر إلى المثال في الشكل 4: اثنين من ماكسيما المحلية تتبع اتجاهين مختلفين المنحدرين معاكس. في الحالة الموضحة، يفسر المحلل هذا الاختلاف كتوقعات صعودية (حيث أن مؤشر القوة النسبية يتذبذب من السلسلة الأصلية: يبدأ في الزيادة عندما لا تزال السلسلة الأصلية تتناقص). في نموذجنا المبسط، فإن وجود مثل هذا الاختلاف يترجم إلى تغيير في التنبؤ بالعلامة، اعتمادا على الاتجاه الصاعد أو الهبوطي للأيام السابقة. في المحاكاة التالية سوف نختار أيام، منذ - مرة أخرى - هذه القيمة هي واحدة من الأكثر استخداما في استراتيجيات التداول الفعلي القائم على مؤشر القوة النسبية. انظر المرجع. [57]. استراتیجیة الاستمرارية لأعلى وأسفل (أوبد) ھذه الاستراتیجیة الحتمیة لا تأتي من التحلیل الفني. ومع ذلك، قررنا أن ننظر فيه لأنه يبدو أن يتبع السلوك البديل على ما يبدو بسيطة "صعودا وهبوطا" لسلسلة السوق أن أي مراقب يمكن أن نرى من النظرة الأولى. وتستند الاستراتيجية على قاعدة بسيطة جدا التالية: التنبؤ لسلوك السوق غدا هو عكس ما حدث في اليوم السابق. إذا كان، على سبيل المثال، واحد، والتوقع في الوقت المناسب للفترة سيكون صعودي:، والعكس بالعكس. إستراتيجية التقارب المتوسط ​​المتحرك (ماسد) إن سلسلة "ماسد" هي سلسلة مبنية عن طريق الفرق بين متوسطين متحركين أسيين (إما، من الآن فصاعدا) لسعر السوق، ويشار إلى نافذتين زمنيتين مختلفتين، واحدة أصغر وأخرى أكبر. في أي لحظة t،. على وجه الخصوص، الأول هو المتوسط ​​المتحرك الأسي لأكثر من اثني عشر يوما، في حين يشير الثاني إلى ستة وعشرين يوما. ويتم حساب هذه القيم إما على فترة زمنية محددة سلفا، x، بالنظر إلى وزن التناسب، بواسطة الصيغة العودية التالية: مع، حيث. وبمجرد حساب سلسلة الماكد، يتم الحصول على المتوسط ​​المتحرك الأسي لمدة 9 أيام، وأخيرا يمكن تحديد استراتيجية التداول لتنبؤ ديناميات السوق: التوقع للسوق صعودي (هبوطي) إذا (). انظر المرجع. [57]. قم بتوسيع الشكل 4. مثال على التباين رسي.
الاختلاف هو الاختلاف بين المؤشر (رسي) والسعر الأساسي. من خلال خطوط الاتجاه، والتحقق من المحقق أن المنحدرات من كلا السلسلة تتفق. وعندما يحدث الاختلاف، من المتوقع حدوث انعكاس للدينامية السعرية. في المثال يتوقع فترة صعودية.
نتائج المحاكاة التجريبية.
ولكل واحد من أربعة سلاسل زمنية مالية من الطول (بالأيام)، كان الهدف ببساطة التنبؤ، يوما بعد يوم، ولكل استراتيجية، والحركة الصاعدة (الصعودية) أو الهبوطية (الهبوطية) للمؤشر في يوم معين مع فيما يتعلق بالقيمة الختامية قبل يوم واحد: إذا كان التنبؤ صحيحا، يفوز التاجر، وإلا فإنه / انها يفقد. في هذا الصدد، نحن مهتمون فقط بتقييم النسبة المئوية من الانتصارات التي تحققت من خلال كل استراتيجية، على افتراض أن - في كل مرة خطوة - التجار يعرفون تماما التاريخ الماضي للمؤشرات ولكن لا تملك أي معلومات أخرى، ولا يمكن أن تمارس أي تأثير على والسوق، ولا تتلقى أي معلومات عن التحركات المستقبلية.
في ما يلي، نقوم باختبار أداء الاستراتيجيات الخمس بقسمة كل سلسلة من السلاسل الزمنية الأربعة على سلسلة من نوافذ التداول ذات الحجم المتساوي (بالأيام) وتقييم متوسط ​​نسبة الانتصارات لكل إستراتيجية داخل كل نافذة بينما يتحرك المتداولون على طول سلسلة يوما بعد يوم، من إلى. هذا الإجراء، عند تطبيقها ل، يسمح لنا لاستكشاف أداء استراتيجيات مختلفة لعدة جداول زمنية (تتراوح، تقريبا، من أشهر إلى سنوات).
ويرتبط الدافع وراء هذا الاختيار إلى حقيقة أن تطور الوقت لكل مؤشر يتناوب بشكل واضح بين الهدوء والفترات المتقلبة، والتي في دقة أكثر من شأنه أن يكشف عن مزيد من، مماثلة ذاتيا، والتناوب من السلوك المتقطع والمنتظم على نطاقات زمنية أصغر، سمة مميزة من الأسواق المالية المضطربة [35]، [36]، [38]، [58]. هذه الميزة تجعل أي التنبؤ على المدى الطويل من سلوكهم صعبة للغاية أو حتى المستحيل مع أدوات التحليل المالي القياسية. والسبب في ذلك هو أنه نظرا لوجود علاقات متبادلة على نطاقات زمنية صغيرة (كما أكدها تحليل المعادلة الزمنية المعتمدة على الزمن في الشكل 3)، يمكن للمرء أن يتوقع أن استراتيجية تجارية معيارية معينة، تستند إلى تاريخ الماضي فهرس، يمكن أن تؤدي أفضل من الآخرين داخل نافذة زمنية معينة. ولكن هذا يمكن أن تعتمد أكثر بكثير على فرصة من على الفعالية الحقيقية للخوارزمية المعتمدة. من ناحية أخرى، إذا كان على المدى الزمني كبير جدا تطور السوق المالية هو عملية براونية غير مترابطة (كما هو مبين من متوسط ​​أسير هورست، والتي تنتج لتكون حول لجميع السلاسل الزمنية المالية النظر فيها)، يمكن للمرء أن يتوقع أيضا أن فإن أداء استراتيجيات التداول القياسية على نطاق زمني كبير يصبح مقارنة لتلك العشوائية. في الواقع، هذا هو بالضبط ما وجدنا كما هو موضح في ما يلي.
في الأشكال. 5-8، نورد نتائج المحاكاة الخاصة بنا لمؤشرات الأسهم الأربعة التي تم النظر فيها (فتس-أوك، فتس-ميب، داكس، S & أمب؛ P 500). في كل شخصية، من أعلى إلى أسفل، نحن مؤامرة: سلسلة الوقت في السوق كدالة من الزمن. سلسلة "عوائد" المراسل، التي تحدد كنسبة؛ the volatility of the returns, i. e. the variance of the previous series, calculated inside each window for increasing values of the trading window size (equal to, from left to right, , , and respectively); the average percentage of wins for the five trading strategies considered, calculated for the same four kinds of windows (the average is performed over all the windows in each configuration, considering different simulation runs inside each window); the corresponding standard deviations for the wins of the five strategies.
Expand Figure 5. Results for the FTSE-UK index series, divided into an increasing number of trading-windows of equal size (3,9,18,30), simulating different time scales.
From top to bottom, we report the index time series, the corresponding returns time series, the volatility, the percentages of wins for the five strategies over all the windows and the corresponding standard deviations. The last two quantities are averaged over 10 different runs (events) inside each window.
From top to bottom, we report the index time series, the corresponding returns time series, the volatility, the percentages of wins for the five strategies over all the windows and the corresponding standard deviations. The last two quantities are averaged over 10 different runs (events) inside each window.
From top to bottom, we report the index time series, the corresponding returns time series, the volatility, the percentages of wins for the five strategies over all the windows and the corresponding standard deviations. The last two quantities are averaged over 10 different runs (events) inside each window.
From top to bottom, we report the index time series, the corresponding returns time series, the volatility, the percentages of wins for the five strategies over all the windows and the corresponding standard deviations. The last two quantities are averaged over 10 different runs (events) inside each window.
Observing the last two panels in each figure, two main results are evident:
The average percentages of wins for the five strategies are always comparable and oscillate around , with small random differences which depend on the financial index considered. The performance of of wins for all the strategies may seem paradoxical, but it depends on the averaging procedure over all the windows along each time series. In Fig. 9 we show, for comparison, the behavior of the various strategies for the four financial indexes considered and for the case (the score in each window is averaged over different events): as one can see, within a given trading window each single strategy may randomly perform much better or worse than , but on average the global performance of the different strategies is very similar. Moreover, referring again to Figs. 5–8, it is worth to notice that the strategy with the highest average percentage of wins (for most of the windows configurations) changes from one index to another one: for FTSE-UK, the MOM strategy seems to have a little advantage; for FTSE-MIB, the UPD seems to be the best one; for DAX, the RSI, and for the S & P 500, the UPD performs slightly better than the others. In any case the advantage of a strategy seems purely coincidental. The second important result is that the fluctuations of the random strategy are always smaller than those of the other strategies (as it is also visible in Fig. 9 for the case ): this means that the random strategy is less risky than the considered standard trading strategies, while the average performance is almost identical. This implies that, when attempting to optimize the performance, standard traders are fooled by the “illusion of control” phenomenon [11], [12], reinforced by a lucky sequence of wins in a given time window. However, the first big loss may drive them out of the market. On the other hand, the effectiveness of random strategies can be probably related to the turbulent and erratic character of the financial markets: it is true that a random trader is likely to win less in a given time window, but he/she is likely also to loose less. Therefore his/her strategy implies less risk, as he/she has a lower probability to be thrown out of the game. Expand Figure 9. The percentage of wins of the different strategies inside each time window - averaged over 10 different events - is reported, in the case N w = 30, for the four markets considered.
As visible, the performances of the strategies can be very different one from the others inside a single time window, but averaging over the whole series these differences tend to disappear and one recovers the common outcome shown in the previous figures.
Conclusions and Policy Implications.
In this paper we have explored the role of random strategies in financial systems from a micro-economic point of view. In particular, we simulated the performance of five trading strategies, including a completely random one, applied to four very popular financial markets indexes, in order to compare their predictive capacity. Our main result, which is independent of the market considered, is that standard trading strategies and their algorithms, based on the past history of the time series, although have occasionally the chance to be successful inside small temporal windows, on a large temporal scale perform on average not better than the purely random strategy, which, on the other hand, is also much less volatile. In this respect, for the individual trader, a purely random strategy represents a costless alternative to expensive professional financial consulting, being at the same time also much less risky, if compared to the other trading strategies.
This result, obtained at a micro-level, could have many implications for real markets also at the macro-level, where other important phenomena, like herding, asymmetric information, rational bubbles occur. In fact, one might expect that a widespread adoption of a random approach for financial transactions would result in a more stable market with lower volatility. In this connection, random strategies could play the role of reducing herding behavior over the whole market since, if agents knew that financial transactions do not necessarily carry an information role, bandwagon effects could probably fade. On the other hand, as recently suggested by one of us [59], if the policy-maker (Central Banks) intervened by randomly buying and selling financial assets, two results could be simultaneously obtained. From an individual point of view, agents would suffer less for asymmetric or insider information, due to the consciousness of a “fog of uncertainty” created by the random investments. From a systemic point of view, again the herding behavior would be consequently reduced and eventual bubbles would burst when they are still small and are less dangerous; thus, the entire financial system would be less prone to the speculative behavior of credible “guru” traders, as explained also in [60]. Of course, this has to be explored in detail as well as the feedback effect of a global reaction of the market to the application of these actions. This topic is however beyond the goal of the present paper and it will be investigated in a future work.
شكر وتقدير.
We thank H. Trummer for DAX historical series and the other institutions for the respective data sets.
Author Contributions.
Conceived and designed the experiments: AEB AP AR DH. Performed the experiments: AEB AP AR. Analyzed the data: AEB AP AR. Wrote the paper: AEB AP AR DH.
المراجع.
1. Kirkpatrick S, Gelatt CD, Vecchi MP (1983) Optimization by Simulated Annealing. Science 220: 671–680. 2. Benzi R, Parisi G, Sutera A, Vulpiani A (1982) Stochastic resonance in climatic change. Tellus 34: 10–16. 3. Gammaitoni L, Hanggi P, Jung P, Marchesoni F (1989) Stochastic Resonance. Reviews of Modern Physics, 70 (1): 223–287. 4. Mantegna R, Spagnolo B (1996) Noise enhanced stability in an unstable system. فيز. Rev. Lett. 76: 563–566. 5. Caruso F, Huelga SF, Plenio MB (2018) Noise-Enhanced Classical and Quantum Capacities in Communication Networks. فيز. Rev. Lett. 105(198): 190501. 6. Van den Broeck C, Parrondo JMR, Toral R (1994) Noise-Induced Non-equilibrium Phase Transition. Physical Review Letters 73: 3395. 7. Peter LJ, Hull R (1969) The Peter Principle: Why Things Always Go Wrong. New York: William Morrow and Company. 8. Pluchino A, Rapisarda A, Garofalo C (2018) The Peter Principle revisited: a computational study. Physica A 389: 467–472 Available: oldweb. ct. infn. it/cactus/peter-links. html. 9. Pluchino A, Rapisarda A, Garofalo C (2018) Efficient promotion strategies in hierarchical organizations. Physica A 390: 3496–3511. 10. Pluchino A, Rapisarda A, Garofalo C, Spagano S, Caserta M (2018) Accidental Politicians: How Randomly Selected Legislators Can improve Parliament Efficiency. Physica A, 2018 390: 3944–3954 Available: pluchino. it/Parliament. html. 11. Satinover JB, Sornette D (2007) ‘Illusion of control’ in Time-Horizon Minority and Parrondo Games. يورو. فيز. J. B 60: 369–384. 12. Satinover JB, Sornette D (2009) Illusory versus Genuine Control in Agent-Based Games. يورو. فيز. J. B. 67: 357–367. 13. Gilles D, Sornette D, Woehrmann P (2009) Look-Ahead Benchmark Bias in Portfolio Performance Evaluation. Journal of Portfolio Management 36(1): 121–130. 14. Farmer JD, Patelli P, Zovko II (2005) The predictive power of zero intelligence in financial markets, PNAS. 102: 2254–2259. 15. Taleb NN (2005) Fooled by Randomness: The Hidden Role of Chance in the Markets and in Life. New York: Random House. 16. Taleb NN (2007) The Black Swan: The Impact of the Highly Improbable. New York: Random House. 17. Biondo AE, Pluchino A, Rapisarda A (2018) The Beneficial Role of Random Strategies in Social and Financial Systems. Journal of Statistical Physics 151: 607–622 doi: 10.1007/s10955-013-0691-2. 18. Wiseman R (2007) Quirkology. London: Macmillan. 19. Porter GE (2004) The long term value of analysts advice in the Wall Street Journals investment dartboard contest. J. Appl. Finance 14: 720. 20. Simon HA (1957) Models of Man. نيويورك: وايلي. 21. Friedman M (1956) A Theory of the Consumption Function. Princeton, NJ: Princeton University Press. 22. Friedman M (1968) The Role of Monetary Policy. The American Economic Review 58(1): 1–17. 23. Phelps E (1967) Phillips Curve Expectations of Ination, and Output Unemployment Over Time. Economica 34(135): 254–281. 24. Cagan P (1956) The Monetary Dynamics of Hyperination. In Friedman M, editor. Studies in the Quantity Theory of Money. شيكاغو: مطبعة جامعة شيكاغو. 25. Arrow KJ, Nerlove M (1958) A Note on Expectations and Stability. Econometrica 26: 297–305. 26. Muth JF (1961) Rational Expectation and the Theory of Price Movements. Econometrica 29: 315–335. 27. Lucas RE (1972) Expectations and the Neutrality of Money. Journal of Economic Theory 4: 103–124. 28. Sargent TJ, Wallace N (1975) Rational Expectations, the Optimal Monetary Instrument, and the Optimal Money Supply Rule. Journal of Political Economy 83(2): 241–254. 29. Fama EF (1970) Efficient Capital Markets: a Review of Theory and Empirical Work. Journal of Finance 25: 383–423. 30. Jensen M (1978) Some anomalous evidence regarding market efficiency. Journal of Financial Economics 6: 95–101. 31. Malkiel B (1992) Efficient market hypothesis. New Palgrave Dictionary of Money and Finance. London: Macmillan. 32. Keynes JM (1936) The General Theory of Unemployment, Interest, and Money. London: Macmillan. 157 p. 33. Cutler DM, Poterba JM, Summers LH (1989) What moves stock prices? Journal of Portfolio Management 15(3): 4–12. 34. Engle R (1982) Autoregressive conditional heteroscedasticity with estimates of the variance of UK ination, Econometrica. 50: 987–1008. 35. Mandelbrot BB (1963) The variation of certain speculative prices. Journal of Business 36: 394–419. 36. Mandelbrot BB (1997) Fractals and Scaling in Finance. New York: Springer. 37. Lux T (1996) The stable Paretian hypothesis and the frequency of large returns: an examination of major German stocks. Applied Financial Economics 6: 463–475. 38. Mantegna RN, Stanley HE (1996) Introduction to Econophysics: Correlations and Complexity in Finance. كامبريدج: مطبعة جامعة كامبريدج. 39. Campbell JY, Shiller R (1998) The Dividend-Price Ratio and Expectations of Future Dividends and Discount Factors. Review of Financial Studies 1: 195–227. 40. Brock WA (1993) Pathways to Randomness in the Economy: Emergent Non-Linearity and Chaos in Economics and Finance. Estudios Económicos 8: 3–55. 41. Brock WA (1997) Asset Prices Behavior in Complex Environments. In: Arthur WB, Durlauf SN, Lane DA, editors. The Economy as an Evolving Complex System II. Reading, MA: Addison-Wesley. 385–423 p. 42. Brock WA, Hommes CH (1997) A Rational Route to Randomness. Econometrica 65: 1059–1095. 43. Chiarella C (1992) The Dinamics of Speculative Behavior. Annals of Operations Research 37: 101–123. 44. Chiarella C, He T (2002) Heterogeneous Beliefs, Risk and Learning in a Simple Asset Pricing Model. Computational Economics - Special issue: Evolutionary processes in economics 19(1): 95–132. 45. DeGrauwe P, DeWachter H, Embrechts M, (1993) Exchange Rate Theory. Chaotic Models of Foreign Exchange Markets. Blackwell. 46. Frankel JA, Froot KA (1988) Chartists, Fundamentalists and the Demand for Dollars. Greek Economic Review 10: 49–102. 47. Lux T (1995) Herd Behavior, Bubbles and Crashes. The Economic Journal 105: 881–896. 48. Wang J (1994) A Model of Competitive Stock Trading Volume. Journal of Political Economy 102: 127–168. 49. Zeeman EC (1974) The Unstable Behavior of Stock Exchange. Journal of Mathematical Economics 1: 39–49. 50. Black F, Scholes M (1973) The Valuation of Options and Corporate Liabilities, Journal of Political Economy. 81: 637–654. 51. Merton RC (1973) Theory of Rational Option Pricing. Bell Journal of Economics and Management Science 4: 141–183. 52. Cox JC, Ingersoll JE, Ross SA (1985) A Theory of the Term Structure of Interest Rates, Econometrica. 53: 385–408. 53. Hull JC, White A (1987) The Pricing of Options on Assets with Stochastic Volatilities. Journal of Finance 42: 281–300. 54. Gabaix X, Gopikrishnan P, Plerou V, Stanley HE (2003) A theory of power-law distributions in financial market uctuations. Nature 423: 267–72. 55. Livan G, Inoue J, Scalas E (2018) On the non-stationarity of financial time series: impact on optimal portfolio selection. Journal of Statistical Mechanics. doi:10.1088/1742-5468/2018/07/P07025. 56. Carbone A, Castelli G, Stanley HE (2004) Time dependent Hurst exponent in financial time series. Physica A 344: 267–271. 57. Murphy JJ (1999) Technical Analysis of the Financial Markets: A Comprehensive Guide to Trading Methods and Applications. New York Institute of Finance. 58. Krawiecki A, Holyst JA, Helbing D (2002) Volatility clustering and scaling for financial time series due to attractor bubbling. Physical Review Letters 89, 158701. 59. Helbing D, Christen M (2018) Physics for Financial Markets. Available: tinyurl/d3j5bgs. 60. Tedeschi G, Iori G, Gallegati M (2018) Herding effects in order driven markets: The rise and fall of gurus. مجلة السلوك الاقتصادي & أمب؛ Organization 81: 82–96 doi:10.1016/j. jebo.2018.09.006.
PLOS is a nonprofit 501(c)(3) corporation, #C2354500, and is based in San Francisco, California, US.

Random entry trading strategy

A while ago, I used a quote from Winton manager and trend Follower David Harding (found in this interview) saying:
If you put in stops and run your profits and trade randomly you make money; and if you put in targets and no stops, and you trade randomly you lose money. So the old saw about cutting losses and running profits has some truth to it.
The quote was used to illustrate a post stating that a large driver of Trend Following returns is based on the mechanics of those systems (“ cut your losses short, let your winners run “) which therefore benefit from the right tail of market return distributions – which are “fatter” than the usually assumed normal distribution – and avoid the left tail.
“Trade randomly” ؟ Like the proverbial dart-throwing monkey ? It seems so…
In effect, Harding is saying that entry points do not matter so much: a random entry coupled with a smart exit strategy would make money.
Random Trading To the Test.
I once met with a fund manager, who described his strategy as very similar to that random system in the Harding quote. What was really important to them was the position sizing for each new signal, as well as the exit strategy. The entry signal direction was “irrelevant” .
I found this puzzling at the time and have been wanting to test this idea since then, to verify whether a “random trading” system could indeed be profitable.
The system tested here is composed of random entries with additional “classic” components: a volatility-based fixed fractional money management and volatility-based trailing stop exits.
The system first “tosses a coin” to decide whether to go long or short the market. An initial stop is set below/above the entry price at a distance equal to a fixed multiple of the volatility measure. That entry-stop distance is used to calculate the position size, so that the risk per trade (amount lost if trade gets stopped out) is equal to the fixed percentage of account equity. Every day, the trailing stop is adjused so that it is never further than the fixed multiple of the volatility measure. The stop always gets closer to the market and never gets adjusted further away from the market (i. e. if the market turns back toward the stop, the stop level does not change). When the position hits the trailing stop level, it gets closed and a new position is open. The direction of that new position is again determined by a new coin-toss.
Test Parameters and Results.
For this test, I used fairly standard parameter values:
Volatility Measure: 39-day (exponential) ATR Stop Distance: 2 ATR Risk per Trade: 1% of Account Equity.
The portfolio used for this test is a subset of the one used in the State of Trend Following report, basically all those instruments that I have data for going back to the start of the test: in January 1990 (click for the exact list).
Since this is a random experiment, I generated multiple test outputs (200), all based on the same parameters, and averaged their monthly returns to create a composite equity curve, which performance summary statistics can be seen below:
The 2-ATR stop level is somehow an arbitrary choice and I wanted to check whether this bore an impact on the test results.
I ran a further test, stepping the ATR-multiple for stop calculation from 2 to 10. Each ATR-multiple set was run 200 times again and averaged to give a composite equity curve.
Normalizing these 9 composite equity curves (for equal monthly standard deviation) and averaging them produced a “super-composite” equity curve composed of 2000 random tests (equally split between ATR-multiples ranging from 2 to 10).
The performance summary statistics of this “super-random-composite” equity curve are below:
Note how the diversification and rebalancing over several ATR-multiple stop levels have a substantial impact on the Max Drawdown and volatility.
Both equity curves are charted below:
All in all, not too bad for “monkey-style” تجارة! It goes to show that signal entries, which most beginning traders/system developers focus so much on, are not so important after all…
Update: follow-up post tackling other aspects of randomness in trading systems and clarifying subjects such as averaging and commissions/slippage: Further Musings on Randomness.
Credits/Additional Reading : The concept of random entries with trailing stops has actually been discussed before. It seems like it was introduced by Van Tharp in his Trade your Way to Financial Freedom book, and mentioned on this article by Chuck Le Beau, where he expands on the concept of “Chandelier Exit” (name for volatility-based trailing stops).
Thanks and credits also to user “sluggo” on the Trading Blox forum, who published a similar study four years ago, and some code which I reused most of for this study. Note that his study found an opposite result, showing a turn in profitability (downwards) of random systems after 1997 (portfolio and parameter values are different though), so you might want to run your own test to verify this concept for yourself…
43 Comments so far ↓
ملصق ممتاز. اشكرك على مجهودك.
سؤال واحد. Is the ATR value used for the trailing stop fixed at the time of entry or updated while the position is open?
docdan – The ATR value is re-calculated every day.
Excellent post as usual. I get exactly the same feeling about entries, they explain a very small part of a TF system profitability. I think that trading with the trend is more than enough. I understood that when I read Mandelbrot.
Exits, position sizing and (most importantly) learning to deal with DD is what counts. I have had the pleasure to speak with a few of the Market Wizards, they have given me some very useful advice….absolute none about entries though. It is also curious to know that in the seminars I have attended, entries are among the first and most asked questions.
Indeed great post as usual. I came to the same conclusion during one of my back testing analysis. I fixed the entry point and tested several exit strategies. Then I fixed the exit strategy; and tested several entry points.
The excellent exit strategy will always result into a profitable system. Unlike poor exit; it will mostly destroy any entry point strategy.
By the way; MFE and the MAE are a very good tool to find/modify the system stop or exit point.
What were the parameters for trailing stop? ثنإكس.
شكرا على المشاركة. Did your system consider pyramiding entries ? That might change results a bit though I guess the overall takeaway will remain the same.
This is interesting but not enough information is provided to come to a conclusion. I would like that you kindly provide the following:
(2) commission rate.
(3) Buy&hold performance for the combined set.
I highly doubt it that after inclusion of commission and slippage this system can beat buy & معلق.
I can’t fully agree exit is more important than entry. Take simple channel breakout for example. If you fix the breakout days, and change exit days to 15 days, 20 days, or 30 days, you will see the performance difference is not that dramatic. But if you change the breakout days from 20 days, 50 days, 100 days, and fix the exit days, you will see huge performance difference. Your article only show random entry can have profit. But it can’t show exit is more important than entry. In my opinion, if want to design an excellent system, the entry is the key, just use simple 20-days low as exit and some exit filter (high volatility exit), this simple exit is better than ATR trailing stop most of the time at least from my testing because it does a better job to make profit fly.
@Mirec – trailing stops are based on 2-ATR for the first study and a range of 2 to 10 ATR for the composite curve.
I did not compute the exact Win rate as I only output the equity curves, due to the high number of tests and trades. However, I just re-ran a dozen random tests and all of them show a Win rate of roughly 36% – quite typical of a Trend Following (obviously the Win/Loss ratio is > 1).
Simulation was friction-less (no commission, no slippage)
Not sure if Buy-and-Hold is the best benchmark for this strategy since it goes both long and short, but it would be worth the comparison. I’ll try and see what I can come up with.
@Jing, Agree that entries are not completely irrelevant. The goal of the post was not to show that exits were more or less important than entries. It was merely to illustrate Harding’s argument with a test, and yes, it seems random entries can be profitable when adding stops and no profit targets…
But I do not think that entries are “the key”. As Pretorian was saying, not many Market Wizards give advice regarding entries, but rather on position sizing and money management, which – to me – also includes letting profits run (as your 20-day exit would).
Yes, I fully agree position sizing, money management and make profit fly is more important because these concept is the most “robust”. For entries, you can optimize it to fit historical curve, but no one can guarantee this entry will work excellent in future, so excellent entry may be susceptible to curve fitting. But position sizing, money management and make profit fly are more robust and universal, not matter how markets change, these concepts are very robust. After 20 years, a previous excellent entry rule may not work well but money management and make profit fly always work.
I ran a quick test with simple Buy-and-Hold of the same 22 instruments.
I normalized the results with the curves in the post for equal monthly returns standard deviation and the CAGR is 5.29% with a MaxDD of 80.34%.
Of course the comparison is not 100% realistic as the strategies in the post are tested without friction (whereas a real-life strategy like this would be subject to commissions and slippage unlike a simple Buy and Hold).
One more question. So actually you have just one stop? (the initial stoploss is the same as the trailing stop?).
Isnt the standart ATR 14 days not 39?
Is it so difficult to include commissions in your test? If you can backtest, it should be easy to include a fixed commission rate. Most backtesters have the option already, no need to do anything.
There is no way for us to know how realistic are these tests unless there is commission included.
How many trades were there on the average per run?
Totally agree that the money management is the key….It is funny concept but indeed the money management is the CEO of multiple trading system. So let’s make sure the best CEO is always on our side ;)
But going back to entries and exit strategies. In the post; random entry represented multiple entry strategies (Note that different strategies not changing only parameters) while fixing the exit point. And indeed the result was a profitable system.
Now let’s consider the other way around; testing fixed entry (even basket of proven entry point’s strategies like in the state of trend following report) and work out random exit strategies. Meaning selling or holding randomly! The system will just result into losses for sure, which confirms the point of this post.
Trend following is based on the concept of letting profit run and cutting losses short; and the only way to do that is by controlling the exit not the entry!
But definitely; I would give importance to both entry and exit (in live trading) to give me as much as possible of positive mathematically expectancy. And then design a money management system that can give me as much as possible of geometric mean of return.
I hope everything is fine with your website now.
Your analysis is impressive but it only tells the average performance of “monkey style” trading for a large number of instruments. It does not tell what the percentage of traders is who will underperform this average and more importantly the percentage of those who will fail. This is because, what you calculated is not the performance of a specific system but an average of many systems trading many futures contracts.
I have seen similar discussions in several forums recently and I have prepared an analysis to illustrate the issues involved:
Apart from a few teething issues, website seems to be running fine now – شكر.
@Mirec: 14-day is a standard value indeed. Note that the exponential moving average smoothing constant in Trading Blox is calculated in a different way from the more specific Wilder ATR moving average such that:
TB/classic EMA Days = (Wilder Days x 2) – 1.
Wilder Days = (Normal EMA Days + 1) / 2.
So, a 39-day TB ATR is equal to a 20-day Wilder ATR, which is a fairly standard value also.
@Rick: not difficult at all to include friction costs (with Trading Blox anyway). This (omission) is actually a choice to avoid making assumptions on commissions and slippage amounts, which is variable for every trader based on size, broker, market, etc. (and which can definitely have a non-negligible impact as previously discussed in here and here).
So, I usually prefer to leave this out of the equation (at the risk of making the “raw” results less realistic) and let the readers interpret the results based on their friction costs assumptions. I agree that not much information was provided to do this, though. Number of trades and round-turns per million would be a good starter and I’ll check these for the test above.
For this specific study though, I simply wanted to test whether random entries + money management with volatility-based sizing and trailing stops could exhibit a positive tendency (which they do), as opposed to a fully random system, which should exhibit random results (i. e. neutral tendency of it goes long as frequently as it goes short). This does not mean that the system is profitable/tradeable in real-life though.
I was actually thinking of writing a follow-up post that will address some of these issues. Stay tuned…
@Ali, random exits, I’ll probably test in the follow-up post.
@Michael: I purposely ran many tests to calculate an average to detect the tendency of such systems. The performance of an individual system/trader is not statistically representative of the underlying process at play. Same concept goes for the use of multiple instruments – as I was saying in a diversification post:
Every trade/instrument can be seen as a particle composed of a (large) random element and a smaller edge that we try to extract via a mechanical system.
This is the way I see diversification: by adding a large number of mostly random elements, you can ensure that random moves have some cancelling effect on each other. All that is left is to collect the small edge from all the instruments via your preferred trading strategy(ies).
I do think that entries have their importance in system design but I would tend to believe – As David Harding does – that they have less impact on overall system returns, in the context of Trend Following systems at least – something I’ll try to test out in a follow-up post.
Hi Jez, excellent post. شكرا لنشره.
Since you posted the average returns of the multiple tests in both cases, I was wondering if you could give some numbers on what were the worst cases, and best cases, or a chart with all the various performances of each run, for each case, in order to see how consistent is the return over time with a single test and an average. Alternatively, just to understand what is the worst and best drawdown and returns you found in your tests would be also useful.
Thanks again for your work!
“I do think that entries have their importance in system design but I would tend to believe – As David Harding does – that they have less impact on overall system returns, in the context of Trend Following systems at least – something I’ll try to test out in a follow-up post.”
This is a very interesting statement but it needs to be proven, I think you have already agreed to that. My point is that, IMO of course, this cannot be proved by diversification and/or random entries because these are “many systems methods” and performance results are averages.
I also think, as others have already commented, that you should include commissions in your studies. You can use IB commission levels as representative. This is important because as I have demonstrated recently in a response to an article by Bespoke Group about the performance of a simple system based on buying on the close – selling on the open of next day, for SPY, total ruin is possible due to commissions only, although studies without commissions show spectacular returns. You can find the study here: bit. ly/ib69sQ.
I am looking forward to more of your tests regarding trend-following entries.
I do not understand your point about averaging. To me, averaging a random process is absolutely necessary to squeeze out the randomness and detect the central tendency (and other aspects such as dispersion, etc.).
Without averaging many random runs, but instead relying on one random run, there is no way to understand how much randomness played a part in the results achieved, just by looking at the results.
This is why I think it is vital to average when running random tests.
If you think about it, this is exactly the same concept as when you run a test of a strategy on one single instrument: you still want to generate many trades for that market-system in order to detect a tendency and not be mis-led by the (mostly random) outcome of one trade only. A back-test on many trades will allow to determine the tendency of that market-system.
I do not see the difference with running many back-tests and averaging their results to detect the tendency of the strategy, ie instead of “averaging” the partly-random outcomes of many trades on one instrument, I “average” the partly-random outcomes of many systems (which happen to be trading multiple instruments because this is the style of trading I want to test – but I do not see how this impacts the overall concept of “averaging a large number of random test”).
I didn’t say that averaging is not useful. I just said it may be misleading in some context. I will give an example:
Let us say that in a possible parallel universe there are only 4 fund managers with the following average yearly returns:
What is the meaning of saying that the average yearly return of managers in that world is 3.5%? Even if we state the standard deviation of 11.03?
A more informative statement would be to say that 75% of advisors, or 1 out of 4 have failed.
Now as far as my specific comment maybe you didn’t read my blog ( bit. ly/goBvuF).
Along with the good tests you did I believe you should also calculate the number of systems that fail on the average because when you use random entries, you get many possible systems based on the tossing sequences obtained. Should we assume that the returns are normally distributed? I have not seen such study. What about if the distribution is skewed and a large percentage of those systems fail? Maybe systems that were lucky enough to have the right tossing sequence were profitable. That depends on the size of trades and of stop-losses.
I do not know the answers. This is why I asked. I did not question the use of averages and standard deviations. I question the shape of the distribution of the returns of the many possible systems the tossing a coin generate for the specific data you used.
The same burst of activity at the Trading Blox Forum 4 years ago, which created the code you ran for this blog entry, actually tested THREE hypotheses:
H1. (Random entries) + (trailing stop exits) are profitable, even after $100/contract slippage and commission are charged.
H2. (Trend following entries) + (random exits) are profitable after C&S are charged.
H3. (random entry timing) + (random exit timing) but not random direction-of-trade, is profitable after C&S. On randomly chosen entry date, enter in the direction of a classical trend detection indicator such as MACD etc. Then exit at a random exit date. This is profitable.
All three of them were found profitable, even with $100/contract C&S, when the trend following parameters / trailing stop parameters are set to very long term trading, and the stop widths are commensurately wide.
These three test results suggest some conclusions:
C1. “Good entries” are not required for profitability.
C2. “Good exits” are not required for profitability.
C3. Neither “good entries” nor “good exits” are required for profitability.
By the way, some of the charts of these results on the Blox Forum are awesome! bit. ly/i5LTNH ; bit. ly/dLMD2y.
In the first link you gave only the exists are random. The entries are rule-based.
In the second link, they are talking about a trade direction filter.
Unless I missed something, there are no cases of random entry.
None of your 4 conclusions appear to be derivatives of those links.
@Pumpernickel: Thanks for the pointer on these TB threads. Seems I only caught the first instalment of what became a “randomness mini-series” on the TB forum (I had not seen these additional 2 posts, only an earlier one, which I linked to in the Credits section of the post, and where only random entries where discussed.
Shame I did not find it earlier though, as the number of comments and questions on this post pushed me to prepare a follow-up post with more random logic testing, and that study/code could have been useful to look at/reuse the code. Well, the code for these other random systems was not too difficult to write and it is good in a way though, as this additional testing will not have been impacted by the hindsight knowledge of the results from my predecessors.
My next tests are also slightly different (#1: random entries and profit targets, #2: random entries (direction) and random exits, #3: MA cross-over entries and random exits, #4: MA cross-over entries and target profits), so hopefully they will complement the findings on these TB threads.
The one that seems to overlap is MA entries with random exits, but in my test the return is so small compared to the volatility that I cannot see much statistical significance in the results.
The other difference is that I did not consider any commission/slippage, as discussed in comments above…
@Rick: check the other thread (linked to in credits section of the post) for the study by sluggo on random entries.
Rick, there were three conclusions (not 4 as you typed). Among the many useful Blox Forum posts on the topic, here are three specific messages by 3 different authors, that contain test results which support the three conclusions above.
Please take a few minutes to surf around the Forum, looking at old threads and old topics. There is quite a bit of great stuff there, waiting to be (re)discovered. Heck, you may even decide to join.
Note that H3/C3 use random entry *timing* and random exit *timing*, but on the randomly chosen entry date, they always trade in the *direction* of the (long term) trend. They use a bullish-or-bearish indicator to suggest whether it’s best to enter long or enter short on that date.
C1: One guy claims the system lost money 100% of the time and another claims it made money 100% of the time but CAGR is very small.
I think the positive bias some people got may be attributed to several factors, including not properly rolling contracts.
In C1 I do not see any conclusive evidence of random-entry/ATR exit making money. I see conflicting reports and low returns.
In C2, it is claimed that pure random entry exits were profitable only 2 times out of 50. They used an ADX burst and other entry methods to fix that.
In C3, I think the claims are wired. The input data are first filtered using moving averages.
As a conclusion, I don’t see where you got your conclusions. These posts prove nothing, save the fact that in most cases exhibit a wrong approach. I also sense some desperate attempts to prove something is working the reason for which are not very clear.
Neither C1 – C2 nor the posts by Jez have proved that random entry/ATR exit is a profitable trend-following system. Jez did not use commissions and never stated how many runs are unprofitable out of the 200 he ran.
Hello Jez, Good study. The take away is valid.
However, I would like to emphasize one defect in the study as already pointed out by Michael.
Your choice of averaging monthly returns over multiple random realizations actually BIAS the volatility (and hence the drawdown statistic) DOWNWARD significantly. This is just simple statistical artifact.
As an illustration, I performed a simple simulation. Let’s say we have a strategy with monthly return which TRULY follows Normal distribution with mean 1.5% and standard deviation of 10%. We sample it for 100 months. Then we repeat the sampling 200 times. What you did basically was to average the each month return based on 200 sampling. This gives 100 averaged monthly returns. This averaged return, will still have the same mean value of the strategy. However, the volatility is greatly reduced by the averaging process. Consequently, the drawdown figure is reduced also.
The picture shown in the following link highlight my point. The black bold line is the resulting equity curve from the averaged monthly return.
If you are into R programming, you can replicate the simple study with the following codes:
Indeed, for the averaged monthly return, the sample average is 1.509% and the volatility is greatly reduced to 0.77%.
Of course, the strategy you are testing do not produce monthly returns that is normally distributed. However, the impact of averaging randomly produced monthly returns on BIASING the drawdown downward is still valid.
In light of that issue, I think the Performance Stats which remain valid are CAGR and Average Monthly Rtn.
For the risks measure, I suggest you calculate the average of maximum drawdowns of each sampling. It will also be useful to get the distribution of the drawdowns, e. g. 10% percentile, 25% percentile, median, etc.
I wanted to clarify something about bet sizing technique.
When I came across this post I went back to my copy of the complete turtle trader and looked up the mechanics of this technique.
When you are using this ATR (or “N”) technique on futures, as I understand it, you are taking the cost of buying the future on a per point basis and multiplying it by the number of points that make up the ATR.
Then you multiply that number by the size you want your stop loss (let’s say 2ATR’s) to be and then divide by the amount by % of your total portfolio that you want to risk.
But what if you wanted to use this strategy on a stock instead?
Would you just divide the amount of equity you are willing to risk (say 1%) by the 2ATR stop number or would it require some other calculation?
Great post – look forward to hearing from you.
In essence, this is how you would do it to “translate” the rule directly to stocks instead of futures.
Coincidentally, a post was created on the TB forum a few days ago, discussing a very similar issue (maybe started by you under a different avatar):
which highlights potential problems linked to the fact that stocks do not have embedded leverage and this position sizing technique “could” result in total allocation going over the available equity.
Making averages could be misleading. Sometimes it is best to visualize all 200-500 colored equity curves in one picture to see the robustness. Do you have something of this sort.
Agree, averages could be the tree that hides the forest (although I really wanted to test for a central tendency here) – unfortunately I do not have these multiple equity curves available – آسف.
It appears that the trailing stop distance of 2 x ATR was arbitary. The comparison against the mix of stop distances shows that 2 x ATR is better than a mix between 2 and 10 x ATR. However, it doesn’t show whether 2 x ATR is optimal.
Has anyone run the same test with suitable sample sizes to compare the performance of 1 x ATR vs 2 x ATR vs 3 x ATR etc to try to pinpoint the optimal trailing stop distance?
Not that I am aware of, but that would be a good idea for a next post! I did do something similar with Profit Targets a while back though: automated-trading-system/profit-targets-trend-following/
I was wondering if you would be able to supply a simple bell curve of CAGR and MAXDD. I would like to see where the range and majority of the CAGR and MAXDD lies.
The methodology I used for this test was actually to average all the random simulation iterations on a monthly basis (ie to simulate re-balancing) instead of running all simulations on their own and averaging their end results. As such, I do not have such CAGR/MaxDD data… But if you are interested you might want to check that post: automated-trading-system/trading-diversification-free-lunch/
which shows the spread of CAGR/MaxDD for another randomized test (to do with portfolio selection that one).
Hi, I am having trouble working out how you use the ATR. When I look at an ATR indicator, the figure is something like 0.0019, so how do you convert this into the number of pips for the stoploss?
Usually an ATR-based stop is just a way to place the stop price N number of ATRs from the entry price.
& # 8211؛ Buy Long EURUSD at 1.31 (this is not a recommendation! ;-)
& # 8211؛ Calculate the ATR, maybe get a value like 0.01.
& # 8211؛ Set the stop so that stop price is Buy_Price – N x ATR: if N = 1, stop price = 1.30 (1.31 – 0.01), if N = 3, stop price = 1.28, etc. (note that for Short Positions you’d have Sell_Price + N x ATR)
This is a fairly neat way to adjust the stop taking into consideration the recent volatility of the instrument (as opposed to a fixed % amount, etc.)
Thanks for the reply Jez. So, right now EUR/USD is 1.32338. ATR is 0.00092. So:
Stop price = 1.32338 – (2 x 0.00092)
Stop price = 1.32338 – 0.00184.
Stop price = 1.32154.
That’s a stop loss of just 18.4 pips I think?
It doesn’t seem enough… Or is it just that the ATR is low right now?
ATR value sounds low but it depends on the period used to calculate it (ie an ATR(5) on 1-min bar will be much slower than an ATR(20) on daily bars).
Otherwise calc looks good.
Being new to trading i am a bit puzzled with these stops. Does adapting the trailing stop daily mean setting a new order each day with a new trailing stop? Doesn’t this mean that the trailing stop will only be met if the intraday change exceeds f. e. 2 ATR? So, you create each day a new high from which to the trailing is done. Is this meaningfull?
I suppose the stop and trailing stop also meant in this text is always 2 ATR? Or is this only the initial stop?
شكرا لمساعدتك.
Newone, the trailing stops typically do not “go down” (ie it basically trails the price by being at most 2/3/5 ATRs away: every time the price makes a new high – for a long position – the stop is placed 2/3/5 ATRs away but when the price goes back down, the stop does not)
Jez, thank you very much for this information. I understand u probably place new orders daily, but keep the stops in place in case the price dropped, and u raise the stops in case the prise rose. How about doing this on a monthly basis? Isn’t this more safe in order to prevent unnessasarry stop-out due to whipsawwing?
I’m trying to follow trends using turbo’s. Do you know turbo’s or speeders? We have them in europe, it’s basically following for example a stock using a hedge (leverage). I think this is more understandeable then options and futures. You can never loose more than you invested either. What is your idea about trading such products? I don’t find much information on the net about opinions on trading these.
شكرا على معلوماتك. I think your site is very informative and inspiring to people new to the business like myself :)
ترك تعليق (إلغاء)
تحديثات مجانية.
منشورات شائعة.
بحث Au. Tra. Sy بلوق.
غلوبال فوتشرز بروكر.
au. Tra. Sy بلوق، منهجية البحوث التداول والتنمية، مع نكهة تريند التالية.
تنويه: الأداء السابق ليس بالضرورة مؤشرا للنتائج المستقبلية. العقود الآجلة معقدة وتعرض لخسائر كبيرة. على هذا النحو، قد لا تكون مناسبة لجميع المستثمرين. يتم توفير المحتوى على هذا الموقع كمعلومات عامة فقط، وينبغي ألا يؤخذ على أنه نصيحة استثمارية. كل محتوى الموقع، لا يجوز تفسيره على أنه توصية لشراء أو بيع أي أداة مالية أو مالية، أو للمشاركة في أي استراتيجية تجارية أو استثمار معينة. الأفكار الواردة في هذا الموقع هي فقط آراء المؤلف. قد يكون للمؤلف أو ليس لديه موقف في أي أداة مالية أو استراتيجية المشار إليها أعلاه. أي عمل تقوم به نتيجة لمعلومات أو تحليل على هذا الموقع هو في نهاية المطاف مسؤوليتك الوحيدة.
نتائج الأداء البدني لديها العديد من القيود الأصيلة، وبعض ما هو موضح أدناه. لا يتم تمثيل أي حساب أو سيكون من المرجح تحقيق الأرباح أو الخسائر مماثلة لتلك التي تظهر. في الواقع، هناك فروق شاسعة بين نتائج الأداء الظاهري والنتائج الفعلية التي تحققت لاحقا من قبل أي برنامج تجاري معين. واحدة من حدود نتائج الأداء البدني هي أنها تم إعدادها بشكل عام مع الاستفادة من الألفة. بالإضافة إلى ذلك، التداول البدني لا ينطوي على المخاطر المالية، ولا سجل التداول الظاهري يمكن أن يكون حسابا كاملا لتأثير المخاطر المالية للتجارة الفعلية. على سبيل المثال، القدرة على تحمل الخسائر أو إلى وجود برنامج تجاري معين على الرغم من الخسائر التجارية هي النقاط المادية التي يمكن أيضا أن تؤثر تأثيرا سلبيا على نتائج التداول الفعلية. هناك عوامل أخرى هامة تتعلق بالأسواق بشكل عام أو بتنفيذ أي برنامج تجاري محدد لا يمكن محاسبته بشكل كامل في إعداد نتائج الأداء الظاهري وكل ما يمكن أن يؤثر تأثيرا سلبيا على نتائج التداول.
هذه الجداول الأداء والنتائج هي هيبوتيثيكال في الطبيعة ولا تعبر عن التداول في الحسابات الفعلية.