Ssb Handelssystem

Trading ein System entwickelt in TSSB Zu diesem Zeitpunkt haben wir noch nicht eine einfache und elegante Methode für den Echtzeit-Handel eines Systems in TSSB entwickelt abgeschlossen. Allerdings gibt es mehrere mögliche (wenn auch zugegebenermaßen unbequeme) Möglichkeiten, diese Systeme in der aktuellen Inkarnation des Programms zu handeln: Wenn Sie den Tagesabschluss für den nächsten Tag durchführen und die Trainingszeit Ihres Systems nicht überhöht ist (schnell Trainingszeit ist die häufigste Situation), dann würden Sie aktualisieren die Marktgeschichte am Ende des Tages, aber mit zwei zusätzlichen lsquofakersquo Marktaufzeichnungen. Führen Sie den Befehl TRAIN aus, und führen Sie den Befehl WRITE DATABASE aus. Dies erzeugt eine Standardtextdatei, die unter anderem die vorhergesagte Marktbewegung für den nächsten Tag enthält. Die durch Training erzeugte Protokolldatei führt die Schwellenwerte für die Aufnahme von Long - und Short-Positionen auf. Vergleichen Sie die vorhergesagte Marktbewegung mit diesen Schwellen und nehmen Sie eine entsprechende Position ein. Diese Methode ist ein Ärgernis, weil der Benutzer fake lsquotomorrowrsquo Datensätze an die Marktgeschichte Datei (en) anhängen muss. Aber der Vorteil dieser Methode ist, dass die volle Macht aller TSSB Modelle und Komitees in den Handelsentscheidungen aufgerufen werden kann. Über die Notwendigkeit für zwei gefälschte Aufzeichnungen. Gehen Sie davon aus, dass wir eine Tagesprognose machen. (Anpassung nach Bedarf für andere Ziele.) TSSB prognostiziert die Änderung von morgen früh auf den nächsten Morgen. Angenommen, wir haben den Handelstag 10 abgeschlossen. Wir prognostizieren die Änderung vom offenen Tag 11 zum offenen Tag 12. Wieder nehmen wir an, wir haben gerade Tag 10 geschlossen. Dann kann der aktuellste Fall in der Datenbank Tag 8 sein , Die als Ziel die Änderung von Tag 9 zu Tag 10, und der jüngste Tag, den wir haben, ist Tag 10. Es gibt keine Möglichkeit, dass Tag 9 in der Datenbank sein könnte, weil es die offenen Tag 11 und wir brauchen würde Sind noch nicht da. Also am Ende von Tag 10, müssten wir zwei gefälschte Datensätze (nur Duplikat Tag 10) für Tag 11 und Tag 12 anfügen. Auf diese Weise wird der jüngste Datensatz in der Datenbank für Tag 10, die die vorhergesagte enthalten wird Tag 11 bis Tag 12 ändern, basierend auf der Geschichte, die am Tag 10 endet. Dies ist natürlich das, was wir für den Echtzeithandel brauchen. Wenn Ihr Handelssystem nur Indikatoren umfasst, die in einem Programm wie TradeStation (Sie importiert sie in TSSB, die einfach ist) berechnet werden kann und wenn Ihr TSSB-System nur einfache Konstrukte wie lineare Regression, Hauptkomponenten und durchschnittlich oder eingeschränkt beinhaltet Komitees, ist es sehr einfach, sie in TradeStation in einem kurzen EasyLanguage Skript zu programmieren. Die von TSSB erstellte Protokolldatei enthält alle erforderlichen Gewichte und Schwellenwerte. Auf diese Weise können einfache Handelssysteme, die in TSSB entwickelt wurden, auf herkömmlicheren Plattformen aktiv gehandelt werden, obwohl einige Busyworks erforderlich sind, die TSSB-Protokolldatei zu lesen und die entsprechenden Zahlen in EasyLanguage oder irgendein anderes Handelsinstrument zu schreiben, das gewünscht wird. Dies sind die einzigen beiden Möglichkeiten mit der aktuellen Version von TSSB. Dennoch entwerfen wir derzeit eine einfach zu bedienende TradeStation-Schnittstelle. Der Benutzer entwickelt ein Handelssystem in TSSB und exportiert dann den gesamten Satz von Regeln (Modelle, Komitees, Schwellen, usw.) in einer einzigen Datei. Diese Datei würde automatisch gelesen, wenn TradeStation startet, und der Benutzer würde dann Zugriff auf einen einzelnen Indikator in TradeStation haben, der den Wert 1 annimmt, wenn eine lange Position zu öffnen ist, -1, wenn eine kurze Position geöffnet werden soll, und 0 Wenn der Händler neutral sein soll. Ein Lieferdatum für diese TradeStation-Schnittstelle ist abhängig von der Finanzierung von TSSB-Benutzern. Wir sind in der Lage, ein Angebot für diese Erweiterung zu liefern. Interessenten sollten sich mit David Aronson über die Vertragsseite in Verbindung setzen. Trading-Kosten in die Modellentwicklung und Performance-Ergebnisse einfließen Trading-Kosten können einen tiefgreifenden Einfluss auf die Natur von optimierten Modellen haben, und ihre Wirkung sollte in die gemeldeten Performancezahlen einbezogen werden. Zum Beispiel werden signifikante Handelskosten Modelle, die weniger, aber zuverlässiger Handel im Vergleich zu Modellen, die ohne Berücksichtigung der Handelskosten entwickelt zu fördern. Auch, wenn ein entwickeltes Handelssystem macht zahlreiche Trades, Slippage und Provisionen können leicht umwandeln ein hoch profitables System in ein System zu verlieren. Hidden-Markov-Modelle für die Regime-Klassifizierung Die Erwartung eines einzigen Modells zur wirksamen Handhabung vieler verschiedener Marktregimes (hohe gegenüber niedrige Volatilität, starke Trends gegenüber flachen Märkten usw.) ist unrealistisch. Die besten Vorhersagesysteme sind auf ein einziges Regime spezialisiert. Unsere aktuelle Methode zur Definition von Regimen (über Oracles, Ereignis-Triggering und geteilte lineare Modelle) verwendet eine feste Schwelle auf einer Variablen. Diese Methode, während respektabel und nützlich, ist nicht optimal. Es wäre viel besser, Regime Definitionen auf mehrere Variablen, mit ihrer Korrelation berücksichtigt. Auch erlauben HMM-Modelle Übergangswahrscheinlichkeiten, die Whipsaws an der Grenze verschiedener Regime abschrecken. Durch die Verwendung optimal geschätzter Wahrscheinlichkeiten, dass ein Regime wirksam bleibt oder in ein anderes übergeht, können wir eine schnelle, sich wiederholende Verlagerung von Regimen und Regimen vermeiden, eine Fähigkeit, die TSSB derzeit nicht besitzt. Relative Stärke-Indikatoren Von Gary Anderson im Janus-Faktor beschrieben (Bloomberg Press 2012) Unsere ersten Untersuchungen in dieser faszinierenden Familie relativer Leistungsindikatoren zeigen ein großes Versprechen. Wir schlagen vor, der TSSB-Bibliothek mindestens die grundlegendsten Mitglieder dieser Familie hinzuzufügen. Sie würden eine leistungsfähige Erweiterung für die Entwicklung von Handelsstrategien sein, die auf Ranking-Sektoren oder einzelnen Themen innerhalb eines Aktienuniversums basieren. Vertrauensbänder auf geplotteten Eigenkapitalkurven anzeigen Es wäre schön, Vertrauensbänder auf den von uns gezeichneten Aktienkurven zu überlagern. Dies würde es dem Benutzer ermöglichen, die Relevanz von Out-of-Sample-Equity-Kurven visuell zu beurteilen. Wenn zum Beispiel die Kurve eindrucksvoll ist und die Vertrauensbänder eng sind, würde der Benutzer gefördert werden. Wenn jedoch das untere Vertrauensband nahezu flach ist oder sogar einen Verlust zeigt, wäre der Benutzer durch eine schnell ansteigende Eigenkapitalkurve nicht annähernd so beeindruckt. Entwickeln von Modellen, die auf einer Benchmark-Performance basieren Viele Entwickler glauben, dass man langfristige Markttrends bei der Entwicklung eines Handelssystems nutzen sollte. Zum Beispiel könnte man Long-Positionen beim Handel von Aktienmärkten, die eine langfristige Aufwärts-Bias. Jedoch, viele andere glauben, dass die Beseitigung der Position-Vorspannung Auswirkungen der säkularen Trend zeigt die wahre prädiktive Macht der Modelle. Unter dieser Philosophie sollten Modelle entwickelt werden, die die Leistung maximieren, ohne Trends zu nutzen. Es gibt Methoden, um die Leistungsfähigkeit eines Handelssystems in zwei Komponenten zu trennen: durch günstige Positionen, die den säkularen Trend nutzen und die aufgrund der wahren Vorhersagekraft sind. Derzeit gründet TSSB die Indikatorauswahl sowie die optimierten Handelsschwellen auf die Summe dieser beiden Mengen. Wir schlagen vor, die Option der TSSB zu wählen, die Indikatoren und Handelsschwellen auf der Grundlage der wahren Vorhersagekraft allein, unkontaminiert durch Positions-Bias aufgrund des Trends. Dies geschieht durch die Optimierung der Performance im Vergleich zu einer Benchmark, die auf der Interaktion zwischen Trend und Position Bias basiert. P-Werte für die OOS-Performance auf der Grundlage von Aktienkurven Um die Performance eines Handelssystems richtig beurteilen zu können, müssen wir zwei Größen berechnen: eine unvoreingenommene Schätzung der zukünftigen Performance und die Wahrscheinlichkeit (p-Wert), die ein wirklich wertloses System wäre Haben durchgeführt, sowie unser System hat im Back-Testing. TSSB hat derzeit mehrere hervorragende Algorithmen für die Bereitstellung von unvoreingenommene Schätzungen der zukünftigen Performance. Es hat auch mehrere Methoden zur Berechnung von p-Werten: Ein Monte-Carlo-Permutationstest schätzt p-Werte, wenn das Ziel eines Tages voraussieht. Dieser Test ist ungültig für Look-Aheads, die länger als einen Tag sind. Der Tapered-Block-Bootstrap und der stationäre Bootstrap in TSSB können theoretisch jeden Blick vorausschauen, aber in der Praxis sind sie notorisch unzuverlässig. Permutationstraining liefert p-Werte für den gesamten historischen Datensatz. Aber es ist extrem langsam, manchmal unverschämt langsam. Da es auch historische Daten vor der Walkforward-OOS-Periode enthält, auf der sich unvorhersehbare zukünftige Leistungsabschätzungen basieren, kann sie irreführend sein. Angenommen, wir wollen unser System mit Daten aus 1995-2012 entwickeln und wir wollen, dass der Walkforward-Test im Jahr 2005 beginnt. Wir können feststellen, dass der p-Wert signifikant ist und die OOS-basierte erwartete zukünftige Performance hervorragend ist. Das klingt vielversprechend. Aber was ist, wenn der signifikante p-Wert strikt aus den Vor-2005-Daten stammt? Die Daten, die den guten p-Wert lieferten, und die Daten, die die gute unvoreingenommene Leistungsabschätzung lieferten, überlappen sich nicht. Somit sehen wir, dass keine der TSSBs aktuelle Methoden zur Schätzung von p - Werte sind ideal. Wir schlagen vor, eine weitere Alternative hinzuzufügen: Basis-p-Werte auf der in der OOS-Periode erhaltenen Eigenkapitalkurve. Dies verarbeitet Ziele mit beliebiger Vorausschau-Distanz, und es stellt sicher, dass die p-Werte auf dem gleichen Zeitraum basieren, der für unvoreingenommene Schätzungen der zukünftigen Leistung verwendet wurde. Als endgültiger Bonus, wird dies auch handeln OOS-Typ-Portfolios, wenn auch nicht so gut wie Walkforward Permutation im nächsten Abschnitt beschrieben. Walkforward-Tests mit Permutation Unser bestehendes Permutationstraining ist eine leistungsfähige Methode zur Schätzung von p-Werten für die Trainingsleistung. Dies entkoppelt jedoch die p-Werte aus der erwarteten zukünftigen Leistung, die durch Walkforward-Tests erzeugt wird. Dieser Effekt, der in P-Werten für die OOS-Leistung auf der Grundlage von Eigenkapitalkurven beschrieben ist, ist problematisch. Mit anderen Worten, Permutationstraining berechnet p-Werte basierend auf der gesamten verfügbaren Marktgeschichte (Training plus OOS-Perioden), während Walkforward-Schätzungen erwartete zukünftige Performance nur auf der OOS-Periode basiert. Es ist nicht gut, dass sie getrennte Zeiträume haben. Idealerweise sollten beide die gleiche Zeitspanne abdecken, um zu vermeiden, dass eine Situation eines signifikanten p-Wertes strikt aus der Aktivität, die dem OOS-Zeitraum vorangeht, erhalten wird. Eine Lösung für dieses Problem wäre die Ausweitung der Permutation auf Walkforward-Tests. Dies würde direkt die unvoreingenommene Schätzung der zukünftigen Performance mit p-Werten für sie verknüpfen. Außerdem kann Permutationstraining p-Werte für Portfolios nicht berechnen, die aufgrund der Out-of-Sample-Performance der Komponentenhandelssysteme ausgewählt werden. Eine Walkforward-Permutation würde diese Begrenzung durch eine korrekte und effiziente Kompensation der Selektionsvorspannung, die der Portfolio-Konstruktion innewohnt, überwinden. Was ist der Vorteil der Walkforward-Permutation über die Berechnung von p-Werten auf der Grundlage von Eigenkapitalkurven, wie oben beschrieben, einfach gesagt werden die p-Werte, die durch Walkforward-Permutation berechnet werden, in den meisten Fällen genauer als diejenigen, die mittels Eigenkapitalkurven berechnet werden. Dieser Unterschied kann in einigen Situationen erheblich sein. Anmerkung zu P-Werten für OOS-Performance auf Basis von Eigenkapitalkurven im Vergleich zu Walkforward-Tests mit Permutation Die beiden oben beschriebenen Optionen haben im Wesentlichen dieselben Dinge: Sie berechnen p-Werte für die OOS-Periode, die die aktuelle Version von TSSB im Allgemeinen nicht gut machen kann Sinn. Sie berücksichtigen Selektions-Bias von OOS-Typ-Portfolios, die die aktuelle Version von TSSB überhaupt nicht tun kann. Sie erfüllen diese Aufgaben jedoch vollkommen unabhängig voneinander und haben jeweils ihre eigenen Vor - und Nachteile: Das Equity-Curve-Verfahren wird sehr viel schneller durchführen als das Walkforward-Permutationsverfahren. Das Equity-Kurvenverfahren erleichtert das Plotten von Konfidenzbändern auf Eigenkapitalkurven. (Diese beiden Aufgaben teilen sich viel Code, so dass die Programmierung gleichzeitig wäre effizient.) In den meisten Fällen wird das Permutationsverfahren p-Werte, die wesentlich genauer sind (weniger zufällige Fehler in ihrer Berechnung) als die Equity-Kurve-Methode, machen Sie wertvoller. Die untere Linie Unterschied zwischen den beiden Methoden ist ein Kompromiss zwischen Ausführungsgeschwindigkeit und Qualität der Ergebnisse. Logistische und Ridge-Regression Hierbei handelt es sich um fast lineare Modelle, die die Vorteile der gewöhnlichen linearen Regression (viel weniger zu überspielen als die meisten nichtlinearen Modelle leichte Interpretierbarkeit) teilen, aber hinsichtlich ihrer Fähigkeit, weniger als ideale Daten zu behandeln (verrauschte Ziele), anspruchsvoller sind Und korrelierte Prädiktoren). Verbessertes OPSTRING-Modell Unser derzeitiges OPSTRING-Modell kann durch die Beseitigung mathematisch sinnloser Kandidaten erheblich verbessert werden, bevor sie in die Genpoolpopulation für die Bewertung und die mögliche Reproduktion gehen. Dies wird die Effizienz des genetischen Optimierungsalgorithmus verbessern. Zum Beispiel kann die aktuelle Version von OPSTRINGs in TSSB durch zufälliges Pech einen Begriff wie XgtX1quot in einer Population enthalten. Offensichtlich kann X niemals X plus eins überschreiten. Dies ist ein Unsinn Begriff, weil es immer falsch ist. Es wird schließlich aus dem Genpool ausgesät werden, aber bis dies geschieht, werden Rechenressourcen verschwendet, um damit umzugehen. Offene Positionen mit Limitaufträgen Die in der aktuellen TSSB-Bibliothek zur Verfügung stehenden Ziele gehen davon aus, dass bei einem Börsengang sofort ein Marktauftrag eröffnet wird. Wir könnten Ziele hinzufügen, die auf ein Handelssignal reagieren, indem wir eine Limit-Order ausgeben, die ausgeführt werden kann oder auch nicht. Supercomputer-Performance auf einem PC via CUDA-Verarbeitung Moderne nVidia Video-Display-Karten machen ihre massive parallele Rechenleistung zur Verfügung der Benutzer über das, was sie eine CUDA-Schnittstelle nennen. Die besten nichtlinearen Modelle wie allgemeine neuronale Netze der Regression können extrem langsam trainieren, was sie für sehr große Probleme unpraktisch macht. Programmierung CUDA-Implementierungen der besten Modelle können das Training um einen Faktor von Hunderten oder sogar Tausenden beschleunigen, wodurch die Trainingszeit von Stunden auf Sekunden reduziert wird. Mehr Leistungsstatistik TSSB berechnet und druckt derzeit eine begrenzte Anzahl von Leistungsstatistiken für entwickelte Handelssysteme. Andere kommerzielle Produkte zeigen eine große Anzahl von Statistiken. Wir könnten der Ergebnisdatei weitere Statistiken hinzufügen. Mehr Optimierungskriterien für Portfolios TSSB wählt derzeit Portfolio-Mitglieder durch Maximierung der Sharpe Ratio. Dies ist sehr gut, aber viele Benutzer möchten andere Optimierungskriterien, wie die Maximierung der Rendite-to-Drawdown Ratios beschäftigen. LR Forex Freedom Extreme 4.4 profitable forex Strategie LR Forex Freedom Extreme 4.4 ist nicht schwierig System auch für Anfänger zu verstehen. Dieses Handelssystem ist mit Pfeilen ausgestattet, die über die Richtung des Eintritts in den Markt berichten. Diese Strategie eignet sich für jedes Währungspaar, aber besser zu bevorzugen Majoren. Handel besser auf Zeitrahmen M5 und oben. Merkmale von LR Forex Freedom Extreme 4.4 Strategieart: Indikatorplattform: Metatrader4 Währungspaare: Jeder, empfohlen Majors Handelszeit: Rund um die Uhr Zeitrahmen: M5 oder höher, empfohlen H1 Empfohlener Broker: Alpari Regeln für den Markteintritt von LR Forex Freedom Extrem 4.4 1. Wenn ein roter oder gelber Pfeil nach oben zeigt (roter Pfeil - stärkeres Signal) 2. Indikator RSI (14) muss über Stufe 50 liegen. 3. Anzeige ODSTWave ist grün 1. Konservativ - wenn die Anzeige ODSTWave rot leuchtet. Aggressiv - wenn ein Pfeil nach unten zeigt 1. Wenn ein roter oder gelber Pfeil nach unten zeigt (roter Pfeil - stärkeres Signal) 2. Indikator RSI (14) muss unterhalb des Pegels 50 liegen 3. Indikator ODSTWave ist rot 1. Konservativ - Indikator ODSTWave wird grün 2. Aggressiv - wenn Sie den Pfeil nach oben sehen In den Archiven LRForexFreedom4.4.rar: Kostenloser Download LR Forex Freedom 4.4 Bitte warten, wir bereiten Ihren Link vor