Opsies handel stelsel genetiese algoritme pdf

Algoritmiese Handel. Ontwikkel handelstelsels met MATLAB. Algoritmiese handel is 'n handelsmetode wat berekeningsalgoritmes gebruik om handelbesluite te neem, gewoonlik in elektroniese finansiële markte. Toegepas in koopkant - en verkoopkantoorinstellings, vorm algoritmiese handel die basis van hoëfrekwensiehandel, FOREX-handel, en gepaardgaande risiko - en uitvoeringsanalities. Bouers en gebruikers van algoritmiese handelsaansoeke moet ontwikkel, rugsteun en wiskundige modelle ontplooi wat markbewegings opspoor en ontgin. 'N Effektiewe werksvloei behels: Ontwikkeling van handelsstrategieë, die gebruik van tegniese tydreeks, masjienleer en nie-lineêre tydreeks-metodes. Toepassing van parallel - en GPU-rekenwerk vir tyddoeltreffende terugtoetsing en parameteridentifisering. Berekening van wins en verlies en die uitvoer van risiko-ontleding. Uitvoering van uitvoeranalitiese, soos markimpakmodellering, transaksiekoste-analise, en ysberg-opsporing. Integreer strategieë en analise in produksie-handelsomgewings. Lopende vorentoe-analise: MATLAB gebruik om jou handelsmetode terug te toets 35:15 - Webinar Cointegration and Pairs Trading with Econometrics Toolbox 61:27 - Webinar MATLAB Produksieserwer vir Finansiële Aansoeke 38:28 - Webinar Aan die gang met Trading Toolbox, Deel 1: Koppel Interaktiewe Makelaars 7:22 - Video CalPERS Analiseer Geldmarkdinamika om Intraday Handelsgeleenthede te identifiseer - Gebruikersverhaal Kwantitatiewe Trading: Hoe om jou eie Algoritmiese Handelsonderneming te bou, deur Ernest Chan - Boek Algoritmiese Handel - Oorsig Algoritmiese Handels Kode en Ander Hulpbronne - Lêer Exchange Finansiële Analise & amp; Trading - MathWorks Consulting. Trading Toolbox Funksies - Dokumentasie Klassifikasie Leerder App - Statistiek en Machine Learning Toolbox App movavg: Leidende en laer bewegende gemiddeldes grafiek - Finansiële Toolbox Funksie skerp: Bereken Sharpe verhouding - Finansiële Toolbox Funksie gaoptimset: Creëer genetiese algoritme opsies struktuur - Global Optimization Toolbox Funksie Cointegration Testing - Ekonometrie Toolbox Funksies Neurale Netwerk Tydreeks Gereedskap - Neurale Netwerk Toolbox Dokumentasie. Kies jou land om vertaalde inhoud te kry waar beskikbaar en sien plaaslike geleenthede en aanbiedinge. Op grond van jou ligging, beveel ons aan dat jy kies:. U kan ook 'n plek kies uit die volgende lys: Kanada (Engels) Verenigde State (Engels) België (Engels) Denemarke (Engels) Deutschland (Deutsch) España (Español) Finland (Engels) Frankryk (Français) Ierland (Engels) Italia (Italiano) Luxemburg Nederland (Engels) Noorweë (Engels) Österreich (Deutsch) Portugal (Engels) Swede (Engels) Switserland Deutsch English Français Verenigde Koninkryk (Engels) Australië (Engels) Indië (Engels) Nieu-Seeland (Engels) 中国 (简体 中文) 日本 (日本语) 한국 (한국어) Probeer of koop. Kry ondersteuning.

MathWorks. Versnel die tempo van ingenieurswese en wetenskap. MathWorks is die voorste ontwikkelaar van wiskundige rekenaar sagteware vir ingenieurs en wetenskaplikes. Algoritmiese Trading System Design & Implementering. AlgorithmicTrading. net is 'n derdeparty-handelstelselontwikkelaar wat spesialiseer in geoutomatiseerde handelsstelsels, algoritmiese handelsstrategieë en kwantitatiewe handelsanalise. Ons bied twee afsonderlike handelsalgoritmes aan kleinhandelaars en professionele beleggers. Kyk na ons algoritmiese handelsvideo-blog waar ons hoofontwikkelaar die prestasie van 61017 & ndash; 8817 met behulp van ons outomatiese handelsstelsel. Besoek ons ​​Algoritmic Trading Blog om alle vertoningsvideo's vir 2016-2017 YTD te sien. Handelstermyne en opsies behels 'n aansienlike risiko van verlies en is nie geskik vir alle beleggers nie. Begin vandag in Algoritmiese Handel. Die Swing Trader Hoogtepunte. Ons Swing Trading metode verhandel die S & P 500 Emini Futures (ES) en Tien Jaar Nota (TY). Dit is 'n 100% outomatiese handelsstelsel wat outomaties uitgevoer kan word met die beste pogings deur verskeie NFA Registered Brokers. Dit kan ook geïnstalleer en gelaai word op die Tradestation platform. Die volgende data dek die loop-vorentoe (buite-monster) tydperk wat 101 15-9 1717 dek. Futures Trading behels aansienlike risiko van verlies en is nie geskik vir alle beleggers nie. Vorige prestasie is nie 'n aanduiding van toekomstige prestasie nie. Hierdie data neem aan dat 1 eenheid ($ 15,000) gedurende die hele tydperk onder analise (nie-saamgestelde) verhandel is. * Verliese kan die maksimum aftrek oorskry.

Dit word gemeet van piek tot dal, sluiting tot sluiting. Vorige prestasie is nie 'n aanduiding van toekomstige prestasie nie. Die Swing Trader Maandelikse P L. Bedrywe wat in Oktober 2015 begin, word as Walk-Forward Out-of-Sample beskou, terwyl bedrywighede voor Oktober 2015 as getoets beskou word. Die wins verlies wat gegee word, is gebaseer op 'n $ 15,000-rekeningverhandeling 1-eenheid op die Swing Trader. Hierdie data is nie-saamgestelde. * Verliese kan die maksimum aftrek oorskry. Dit word gemeet van piek tot dal, sluiting tot sluiting. Vorige prestasie is nie 'n aanduiding van toekomstige prestasie nie. CFTC RULE 4.41: Die resultate is gebaseer op gesimuleerde of hipotetiese prestasie resultate wat sekere inherente beperkings het. In teenstelling met die resultate wat in 'n werklike prestasierekord getoon word, verteenwoordig hierdie resultate nie werklike handel nie. Aangesien hierdie bedrywe nie eintlik uitgevoer is nie, kan hierdie resultate onder of vergoed wees vir die impak van sekere markfaktore, soos 'n gebrek aan likiditeit, indien enige. Gesimuleerde of hipotetiese handelsprogramme in die algemeen is ook onderworpe aan die feit dat hulle ontwerp word met die voordeel van agterna. Geen voorstelling word gemaak dat enige rekening winste of verliese soortgelyk aan dié wat getoon word of waarskynlik sal bereik of waarskynlik sal bereik nie. Basiese beginsels van Algoritmiese Handel. Algoritmiese handel, ook bekend as Quant Trading, is 'n handelsstyl wat markvoorspellingsalgoritmes gebruik om potensiële ambagte te vind. Daar is verskeie subkategorieë van kwantitatiewe verhandeling om hoëfrekwensiehandel (HFT), Statistiese Arbitrage en Markvoorspellingsanalise in te sluit.

By AlgorithmicTrading. net fokus ons op die ontwikkeling van geoutomatiseerde handelsstelsels wat swaai-, dag - en opsiebedrywighede plaas om voordeel te trek uit verskeie markinvloeddoeltreffendhede. Ons bied tans twee Futures Trading Systems aan wat handel oor die ES & TY termynkontrakte. Lees verder om vir jouself te sien hoe die implementering van 'n professioneel-ontwerpte algo-handelstelsel voordelig kan wees vir jou beleggingsdoelwitte. Ons is nie geregistreerde kommoditeitsverkoopsadviseurs nie en beheer dus nie kliëntrekenings direk nie & ndash; Ons handel egter beide handelsstelsels met ons eie kapitaal deur gebruik te maak van een van die outomatiese handelstransaksiemakelaars. Algoritmiese Handelsvoorbeeld. Futures Trading metode: Die Swing Trader Pakket. Hierdie pakket maak gebruik van ons beste presterende algoritmes sedert ons gaan woon. Besoek die swing handelaar bladsy om pryse, volledige handel statistieke, volledige handelslys en meer te sien. Hierdie pakket is ideaal vir die skeptici wat verlang om 'n robuuste stelsel te verhandel wat goed gevaar het in blinde vooruitgang buite-monster-verhandeling. Moeg van oor optimistiese terug getoetse modelle wat nooit lyk asof dit werk wanneer verhandel word nie? As dit so is, oorweeg hierdie swart bokshandelstelsel. Dit is ons gewildste handelsalgoritme te koop. Besonderhede oor Swing Trader System. Futures & amp; Opsies Handelsmetode: Die S & P Crusher v2 Pakket. Hierdie pakket gebruik sewe handelsstrategieë om u rekening beter te diversifiseer. Hierdie pakket maak gebruik van swaaibedrywe, dagbedrywe, ysterkondore en gedekoproepe om voordeel te trek uit verskeie marktoestande. Hierdie pakket verhandel in eenheidgroottes van $ 30,000 en is in Oktober 2016 aan die publiek beskikbaar gestel.

Besoek die S & P Crusher-produkbladsy om die getoetsde resultate te sien gebaseer op handelsverslae. Besonderhede oor die S & P Crusher. Om die noodsaaklikheid van outomatiese handelstelsel ontwerp te dek. Veelvuldige Algoritmiese Handelsstelsels Beskikbaar. Kies uit een van ons handelsstelsels & ndash; óf The Swing Trader of die S & P Crusher. Elke bladsy toon die volledige handelslys, insluitend postoptimalisering, uitstapresultate. Hierdie swart boks, gerekenariseerde handelsstelsels is ten volle outomaties om alfa te genereer terwyl die risiko probeer word om die risiko te verminder. Meervoudige handelsalgoritmes wat saamwerk. Ons kwantitatiewe handelsmetodologie het ons in diens van verskeie algo tradingstrategieë om u motorhandelrekening beter te diversifiseer. Kom meer te wete deur 'n besoek aan ons handelsstrategieë ontwerp metodologie bladsy. Handel gedurende Beer & amp; Bull Markets. Na ons mening is die sleutel tot die ontwikkeling van 'n algoritmiese handelsstelsel wat werklik werk, om verskeie marktoestande te verantwoord. Op enige stadium kan die mark oorgaan van 'n bul-tot-mark-mark. Deur 'n agnostiese posisie op die mark te volg, probeer ons om beter te presteer in beide Bull & amp; Dra marktoestande. Volledig geoutomatiseerde handelsstelsels.

U kan ons algoritmiese sagteware outomaties verhandel deur 'n outomatiese uitvoermakelaar (met beste pogings) te gebruik. Ons het verskeie makelaars vir u om van te kies. Verwyder emosionele gebaseerde besluite uit jou handel deur gebruik te maak van ons outomatiese handelsstelsel. Werk algoritmiese handelswerk? Volg die daaglikse vordering van ons kwantitatiewe handelsalgoritmes met die OEC-makelaarprogram. U ontvang ook daaglikse verklarings van die NFA Geregistreerde skoonmaakfirma. U kan elkeen van u transaksies vergelyk met die handelslys wat ons aan die einde van elke dag plaas. Volledige algoritmiese handelsvoorbeelde word opgelaai vir almal om te sien. Die volledige handelslys kan gesien word deur die algoritmiese handelsblad te besoek vir die stelsel wat u verhandel. Wil jy sekere stellings van lewende rekeninge sien? Besoek die lewendige opbrengs & amp; stellings bladsy. Veelvuldige Kwantitatiewe Trading Strategieë. Ons kwantitatiewe handelsstelsels het verskillende verwagtings gebaseer op die voorspellings-algoritmes wat gebruik word. Ons outomatiese Trading Systems sal swaai ambagte, dag handel, yster condors & amp; gedek oproepe.

Hierdie 100% Quant Strategies is suiwer gebaseer op tegniese aanwysers en patroonherkenningsalgoritmes. Ons Outomatiese Handelsagteware help om u emosies van handelsmerk te verwyder. Meerdere handelsalgoritmes word verhandel as deel van 'n groter algoritmiese handelsstelsel. Elke algoritmiese handelsmetode wat aangebied word, het verskillende sterk punte en swakpunte. Hul sterkpunte en swakpunte word geïdentifiseer op grond van drie potensiële markstate: sterk, sywaarts en Down bewegende markte. Die yster-kondoorhandelmetode presteer beter in sywaartse en opwaartse bewegende markte, terwyl die tesourie-nota-algoritme uitblink in afwaartse bewegende markte. Op grond van die terugtoets word verwag dat die momentum-algoritme tydens die bewegende markte goed sal presteer. Checkout die volgende versameling video's, waar elke handelsalgoritme aangebied word, word hersien deur ons hoofontwikkelaar. Die sterk punte van elke handelsalgo is hersien saam met dit se swakhede. Meerdere tipes handelsstrategieë word in ons outomatiese handelssoftware gebruik. Dagbedrywe word ingeskryf & amp; het dieselfde dag verlaat, terwyl die swermbedrywighede 'n langertermynhandel sal verrig gebaseer op verwagtinge vir die S & P 500-tendens hoër of laer in die intermediêre termyn. Opsiesbriewe word geplaas op die S & P 500 Wekelijkse opsies op termynkontrakte, wat gewoonlik op 'n Maandag plaasvind en tot Vrydag se verstryking. Swing Trading Strategies. Die volgende Swing Trading Strategies plaas rigtingskommelings op die S & P 500 Emini Futures (ES) en die Tienjaar Nota (TY). Hulle word gebruik in beide die geoutomatiseerde handelsstelsels wat ons bied om voordeel te trek uit langtermyn-tendense wat ons markvoorspellingsalgoritmes verwag. Futures Swing Trading metode # 1: Momentum Swing Trading Algoritme. Die Momentum Swing Trading-metode plaas swaaibedrywighede op die Emini S & P Futures, wat voordeel trek uit marktoestande wat daarop dui dat 'n intermediêre termyn hoër beweeg. Hierdie handelsalgoritme word in beide ons outomatiese handelsstelsels gebruik: Die S & P Crusher v2 & amp; Die Swing Trader.

Futures Swing Trading metode # 2: Tien Jaar Tesourie Nota Algoritme. Die Tesourie Nota (TY) Handelsmetode plaas swaarhandel op die Tienjaar Nota (TY). Aangesien die TY tipies omgekeerd na die breër markte beweeg, skep hierdie metode 'n swaaibedrag wat soortgelyk is aan die S & P 500. Hierdie T-Note-algo het positiewe verwagtings vir afwaartse marktoestande. Hierdie handelsalgoritme word in beide ons outomatiese handelsstelsels gebruik: Die S & P Crusher v2 & amp; Die Swing Trader. Dag Trading Strategies. Die volgende dag handelstrategieë plaas daghandel op die S & P 500 Emini Futures (ES). Hulle tree byna altyd in die eerste 20 minute nadat die aandelemarkte oopgemaak het en gaan uit voordat die markte sluit. Stewige stokke word te alle tye benut. Futures Day Trading metode # 1: Dag Trading Kort Algoritme. Die Short Day Trading-metode plaas daghandel op die Emini S & P Futures wanneer die mark swakheid in die oggend toon (verkies 'n groot gaping). Hierdie handelsmetode word gebruik in die S & P Crusher v2 outomatiese handelsstelsel. Futures Day Trading metode # 2: Breakout Day Trading Algoritme. Die Breakout Day Trading-metode plaas daghandel op die Emini-S & P Futures wanneer die mark sterkte in die oggend toon. Hierdie termynhandelmetode word gebruik in die S & P Crusher v2 outomatiese handelsstelsel. Futures Day Trading metode # 3: Morning Gap Day Trading Algoritme. Die Morning Gap Day Trading-metode plaas kort dagbedrywighede op die Emini S & P Futures wanneer die mark 'n groot gaping het, gevolg deur 'n kort tydperk van swakheid. Hierdie handelsmetode word gebruik in die S & P Crusher v2 outomatiese handelsstelsel.

Opsies Trading Strategies. Die volgende opsies handel strategieë versamel premie op die S & P 500 Emini Weeklikse Opsies (ES). Hulle word in ons S & P Crusher v2 gebruik om voordeel te trek uit sywaarts, af en op bewegende marktoestande. Een voordeel vir handelsopsies met ons algoritmiese handelsstrategieë is dat hulle in 'n outomatiese handelsomgewing ondersteun word deur een van die outo-eksekusie makelaars te gebruik. Opsies Trading metode # 1: Iron Condor Trading Algoritme. Die Iron Condor Options Trading-metode is perfek vir die individu wat 'n hoër getoets per handelswins koers wil hê, of wat eenvoudig premium op die S & P 500 Emini Futures wil koop deur Iron Condors te verkoop. Wanneer ons algoritmes 'n sywaartse of opwaartse dryfende marktoestand verwag, sal hierdie stelsel 'n Iron Condor-handel skep. Hierdie metode word gebruik in een van ons Outomatiese Trading Systems: Die S & P Crusher v2. Opsies Handelsmetode # 2: Gedekte Oproepe Opsies Algoritme. Die gedek Opsies Opsies Trading metode verkoop uit geld gedek oproepe teen die momentum algoritmes Long ES swing handel, premie te versamel en help verliese te verminder indien die mark beweeg teen ons momentum algoritme posisie. Wanneer verhandel met die Momentum Swing Trading Algorithm - soos in die S & P Crusher & amp; ES TY Futures Trading Systems, dit skep 'n gedekte oproep posisie. Wanneer verhandel in die Bearish Trader Trading System, word die oproepe verkoop sonder om gedek te word en is dus kort kort. In beide gevalle & ndash; as 'n standpunt algoritme & ndash; Dit presteer goed in sywaartse en afwaartse bewegende marktoestande. Hierdie metode word gebruik in een van ons Outomatiese Trading Systems: Die S & P Crusher v2. Alhoewel elkeen van hierdie handelstrategieë alleen verhandel kan word, word hulle die beste verhandel in 'n breër versameling handelsalgoritmes & ndash; soos gesien in een van ons outomatiese handelssystemen soos The Swing Trader. Handelsalgoritmes wat werklik werk? Hierdie algoritmiese handelsvideo reeks word gedoen sodat ons kliënte elke week die besonderhede van elke handel kan sien. Kyk elkeen van die volgende algoritmiese handelsvideo's om in reële tyd te sien hoe ons handelsalgoritmes verrig. Voel vry om ons AlgorithmicTrading. net Reviews & amp; Persvrystellings bladsy om te sien wat ander oor ons sê. Kry prestasieopdaterings vanaf AlgorithmicTrading. net deur by ons nuusbrief aan te sluit. Wat skei algoritmiese handel uit ander tegniese handelstegnieke?

Tans lyk dit asof almal 'n mening het oor Tegniese Handelstegnieke. Hoof & amp; Skouerpatrone, MKB-kruiskruis, VWAP-verskille, die lys word aangeskakel. In hierdie video blogs ontleed ons hoofontwerpingenieur 'n paar voorbeelde van handelsstrategieë wat aanlyn gevind word. Hy neem hul Trading Tips, kodes dit en doen 'n eenvoudige terugtoets om te sien hoe effektief hulle werklik is. Na die ontleding van hul aanvanklike resultate optimaliseer hy die kode om vas te stel of 'n kwantitatiewe benadering tot handel die aanvanklike bevindings kan verbeter. As jy nuut is op algoritmiese handel, sal hierdie video blogs baie interessant wees. Ons ontwerper gebruik eindige staatsmasjiene om hierdie basiese handelswenke te kodeer. Hoe verskil algoritmiese handel van tradisionele tegniese handel? Eenvoudig gestel, Algoritmic Trading vereis presisie en gee 'n venster in 'n algoritmespotensiaal wat gebaseer is op rugtoetsing wat beperkings het. Op soek na gratis algoritmiese handel handleiding & amp; Hoe om video's te maak? Kyk na verskeie opvoedkundige video aanbiedings deur ons hoofontwerper oor algoritmiese handel, insluitend 'n video wat ons Quant Trading Design Methodology en 'n Algoritmiese Trading Tutorial insluit. Hierdie handelsmetodevideo's bevat algoritmiese handelskodering voorbeelde en stel u voor vir ons benadering om die markte te verhandel deur kwantitatiewe analise te gebruik. In hierdie video's sal jy baie redes sien waarom geoutomatiseerde handel afneem om jou emosies van handel te verwyder. Besoek ons ​​Educational Trading Videos-bladsy om 'n volledige lys opvoedkundige media te sien. Begin vandag met een van ons outomatiese handelsstelsels. Moenie misloop nie. Sluit aan by diegene wat reeds met AlgorithmicTrading.

net handel. Begin vandag met een van ons algoritmiese handelspakkette. Meerdere outomatiese handelsuitvoeringsopsies is beskikbaar. Ons handelsalgoritmes kan outomaties uitgevoer word deur een van die NFA-geregistreerde outomatiese uitvoermakelaars (met beste pogings) te gebruik, of hulle kan op u eie rekenaar verhandel word met behulp van MultiCharts of Tradestation. Die FOX-groep is 'n onafhanklike bemarkingsfirma geleë in die ikoniese Chicago Board of Trade-gebou in die hart van die finansiële distrik van die stad. Hulle is geregistreer by die NFA en kan ons algoritmes outomaties uitvoer met die beste pogings. Interaktiewe makelaars is 'n NFA-geregistreerde makelaar wat ons algoritmes met beste pogings outomaties kan uitvoer. Daarbenewens ondersteun hulle Kanadese kliënte. As jy verkies om die algoritmes op jou eie rekenaar uit te voer, is MultiCharts die voorkeurverspreidingsplatform vir outomatiese uitvoer. Dit bied groot voordele vir handelaars, en bied beduidende voordele bo kompeterende platforms. Dit kom met 'n hoë-definisie kaart, ondersteuning vir 20+ data feeds en 10 + makelaars, dinamiese portefeulje-metode metode toetsing, EasyLanguage ondersteuning, interaktiewe prestasie verslagdoening, genetiese optimalisering, mark skandeerder en data replay. TradeStation is die bekendste vir die analise sagteware en elektroniese handel platform wat dit bied aan die aktiewe handelaar en sekere institusionele handelaars markte wat kliënte in staat stel om hul eie persoonlike aandele, opsies en opsies te ontwerp, te toets, te optimaliseer, te moniteer en te outomatiseer. termynhandelstrategieë. Tradestation is 'n ander opsie vir individue wat ons algoritmes op hul eie rekenaar wil verhandel. QuantStart. Sluit aan by die Quantcademy privaat-lidmaatskapportaal wat voorsiening maak vir die vinnig groeiende kleinhandel-kwantumhandelaarsgemeenskap.

U sal 'n kundige, gelyke groep kwantitatiewe handelaars vind wat gereed is om u mees dringende kwantitatiewe handelsvrae te beantwoord. Kyk na my ebook oor kwantitatiewe handel waar ek jou leer hoe om winsgewende sistematiese handelstrategieë te bou met Python-gereedskap, van nuuts af. Kyk na my nuwe ebook oor gevorderde handelstrategieë deur gebruik te maak van tydreeksanalise, masjienleer en Bayesiaanse statistiek, met Python en R. Deur Michael Halls-Moore op 19 April 2013. In hierdie artikel wil ek u bekend maak met die metodes waarmee ek self winsgewende algoritmiese handelsstrategieë identifiseer. Ons doel vandag is om in detail te verstaan ​​hoe om sulke stelsels te vind, te evalueer en te selekteer. Ek sal verduidelik hoe identifiserende strategieë soveel oor persoonlike voorkeur gaan as dit gaan oor metodeprestasie, hoe om die tipe en hoeveelheid historiese data vir toetsing te bepaal, hoe om 'n handelsmetode te evalueer en uiteindelik hoe om voort te gaan na die backtesting fase en metode implementering. Identifiseer u eie persoonlike voorkeure vir handel. Om 'n suksesvolle handelaar te wees - hetsy diskresioneel of algoritmies - is dit nodig om jouself 'n paar eerlike vrae te stel. Handel bied jou die vermoë om geld te verloor teen 'n kommerwekkende tempo, dus moet jy jou so goed ken as wat jy nodig het om jou gekose metode te verstaan. Ek sou sê die belangrikste oorweging in die handel is om bewus te wees van jou eie persoonlikheid. Handel, en veral algoritmiese handel, vereis 'n beduidende mate van dissipline, geduld en emosionele losbandigheid. Aangesien u 'n algoritme vir u handel verrig, moet u besluit om die metode nie te meng wanneer dit uitgevoer word nie. Dit kan baie moeilik wees, veral in periodes van verlengde drawdown. Baie strategieë wat in 'n rugtoets baie winsgewend bewys word, kan egter deur eenvoudige inmenging verwoes word. Verstaan ​​dat as jy die wêreld van algoritmiese handel wil betree, jy emosioneel getoets sal word en om suksesvol te wees, is dit nodig om hierdie probleme deur te werk! Die volgende oorweging is een van die tyd. Het jy 'n voltydse werk? Werk jy deeltyds? Werk jy van die huis af of het jy elke dag 'n lang pendel? Hierdie vrae sal help om die frekwensie van die metode wat u moet soek, te bepaal.

Vir dié van u in voltydse indiensneming, mag 'n intraday futures metode nie gepas wees nie (ten minste totdat dit ten volle outomaties is!). U tydsbeperkings sal ook die metode van die metode dikteer. As jou metode gereeld verhandel word en afhanklik is van duur nuusvoere (soos 'n Bloomberg-terminale), moet jy duidelik realisties wees oor jou vermoë om dit suksesvol te bestuur terwyl jy by die kantoor is! Vir diegene met baie tyd, of die vaardighede om jou metode te outomatiseer, sal jy dalk wil kyk na 'n meer tegnies hoëfrekwensiehandel (HFT) metode. My oortuiging is dat dit nodig is om voortdurend navorsing te doen in u handelsstrategieë om 'n konsekwent winsgewende portefeulje te behou. Min strategieë bly vir ewig onder die radar. Dus sal 'n beduidende gedeelte van die tyd wat aan handel toegeken word, voortgaan met die uitvoering van deurlopende navorsing. Vra jouself af of jy bereid is om dit te doen, aangesien dit die verskil kan wees tussen sterk winsgewendheid of 'n stadige afname in verliese. U moet ook u handelskapitaal oorweeg. Die algemeen aanvaarde ideale minimum bedrag vir 'n kwantitatiewe metode is 50,000 USD (ongeveer £ 35,000 vir ons in die Verenigde Koninkryk). As ek weer begin het, sou ek met 'n groter bedrag begin, waarskynlik nagenoeg 100,000 USD (ongeveer £ 70,000). Dit is omdat transaksiekoste uiters duur kan wees vir middel - en hoëfrekwensie-strategieë en dit is nodig om genoeg kapitaal te hê om hulle te absorbeer in tye van aftrek. As jy dit oorweeg om met minder as 10 000 USD te begin, moet jy jouself beperk tot lae frekwensie-strategieë wat in een of twee bates verhandel, aangesien transaksiekoste vinnig in jou opbrengste sal eet. Interaktiewe makelaars, wat een van die vriendelikste makelaars is aan diegene met programmeringsvaardighede, as gevolg van die API, het 'n kleinhandelrekening minimum van 10,000 USD. Programmeringsvaardigheid is 'n belangrike faktor in die skep van 'n outomatiese algoritmiese handelsmetode. Om kundig te wees in 'n programmeertaal soos C + +, Java, C #, Python of R, sal u in staat stel om die end-to-end data stoor, backtest enjin en uittrekselsisteem self te skep.

Dit het 'n aantal voordele, waarvan die hoof die vermoë het om ten volle bewus te wees van alle aspekte van die handelsinfrastruktuur. Dit laat jou ook toe om die hoër frekwensie strategieë te ondersoek, aangesien jy in volle beheer van jou "tegnologie-stapel" sal wees. Terwyl dit beteken dat jy jou eie sagteware kan toets en foute kan uitskakel, beteken dit ook meer tyd bestee om infrastruktuur te koördineer en minder op die implementering van strategieë, ten minste in die vroeëre deel van jou algo-handelsloopbaan. Jy kan vind dat jy gemaklik is in Excel of MATLAB en die ontwikkeling van ander komponente kan uitkontrakteer. Ek sal dit egter nie aanbeveel nie, veral vir diegene met 'n hoë frekwensie. Jy moet jouself afvra wat jy wil bereik deur algoritmiese handel. Het jy belangstelling in 'n gereelde inkomste, waardeur jy hoop verdien om inkomste uit jou handelsrekening te verdien? Of is jy geïnteresseerd in 'n langtermyn kapitaalwins en kan jy bekostig om te handel sonder om fondse in te teken? Inkomste afhanklikheid sal die frekwensie van jou metode dikteer. Meer gereelde inkomste-onttrekkings sal 'n hoër frekwensiehandelmetode met minder wisselvalligheid benodig (dws 'n hoër Sharpe-verhouding). Langtermyn-handelaars kan 'n meer gematigde handelsfrekwensie bekostig. Ten slotte, moenie mislei word deur die idee om in 'n kort tydjie uiters ryk te word nie! Algo-handel is NIE 'n vinnige-vinnige skema nie. As dit iets is, kan dit 'n swak vinnige skema wees. Dit vereis wesenlike dissipline, navorsing, ywer en geduld om suksesvol te wees vir algoritmiese handel. Dit kan maande neem, indien nie jare nie, om konstante winsgewendheid te genereer. Sourcing Algoritmiese Trading Ideas. Ten spyte van algemene opvattings tot die teendeel, is dit eintlik redelik maklik om winsgewende handelsstrategieë op te spoor in die publieke domein.

Handelingsidees is nooit meer geredelik beskikbaar as vandag nie. Akademiese finansiële joernale, voordrukkers, handelsbladsye, handelsforums, weeklikse handelstydskrifte en spesialistekste bied duisende handelsstrategieë waarmee u idees gebaseer kan word. Ons doelwit as kwantitatiewe handel navorsers is om 'n metode pyplyn te vestig wat ons sal voorsien van 'n stroom van volgehoue ​​handelsidees. Ideaal gesproke wil ons 'n metodiese benadering tot die verkryging, evaluering en implementering van strategieë wat ons in die gesig staar, skep. Die doel van die pyplyn is om 'n konsekwente hoeveelheid nuwe idees te genereer en om 'n raamwerk vir die verwerping van die meerderheid van hierdie idees te bied met die minimum emosionele oorweging. Ons moet baie versigtig wees om nie kognitiewe vooroordeel te beïnvloed nie. Dit kan so eenvoudig wees dat jy 'n voorkeur vir een bateklas bo 'n ander het (goud en ander edelmetale kom in gedagte) omdat hulle as eksoties beskou word. Ons doel moet altyd wees om konsekwent winsgewende strategieë te vind, met positiewe verwagting. Die keuse van die bateklas moet gegrond wees op ander oorwegings, soos handelskapitaalbeperkings, makelaarsfooie en hefboomvermoëns. As jy heeltemal onbekend is met die konsep van 'n handelsmetode, is die eerste plek om te kyk, met gevestigde handboeke. Klassieke tekste bied 'n wye verskeidenheid eenvoudiger, meer eenvoudige idees waarmee u vertroud kan raak met kwantitatiewe handel. Hier is 'n keuse wat ek aanbeveel vir diegene wat nuut is op kwantitatiewe handel, wat geleidelik meer gesofistikeerd word soos u deur die lys werk: Vir 'n langer lys van kwantitatiewe handelsboeke, besoek asseblief die QuantStart-leeslys. Die volgende plek om meer gesofistikeerde strategieë te vind, is met handelsforums en handel blogs. Nog 'n waarskuwing: Baie handelsblogs maak staat op die konsep van tegniese analise.

Tegniese analise behels die gebruik van basiese aanwysers en gedragsielkunde om tendense of omkeerpatrone in batepryse te bepaal. Ondanks die feit dat dit baie gewild is in die algehele handelsruimte, word tegniese ontleding as ietwat ondoeltreffend beskou in die kwantitatiewe finansiële gemeenskap. Sommige het voorgestel dat dit nie beter is om 'n horoskoop te lees of teeblare te bestudeer in terme van die voorspellende krag nie! In werklikheid is daar suksesvolle individue wat van tegniese ontleding gebruik maak. As kwanties met 'n meer gesofistikeerde wiskundige en statistiese gereedskapskassie tot ons beskikking, kan ons egter die effektiwiteit van sulke "TA-gebaseerde" strategieë maklik evalueer en datagebaseerde besluite neem, eerder as om ons emosionele oorwegings of voorvattings te baseer. Hier is 'n lys van gerespekteerde algoritmiese handelsblogs en forums: Sodra u enige ervaring ondervind het om eenvoudige strategieë te evalueer, is dit tyd om na die meer gesofistikeerde akademiese aanbiedinge te kyk. Sommige akademiese joernale sal moeilik wees om toegang te verkry, sonder hoë ledegeld of eenmalige koste. As u 'n lid of alumnus van 'n universiteit is, moet u toegang tot sommige van hierdie finansiële joernale hê. Anders kan jy kyk na pre-print bedieners, wat is internet repositories van laat konsepte van akademiese vraestelle wat ondergaan peer review. Aangesien ons net belangstel in strategieë wat ons suksesvol kan herhaal, weer toets en winsgewendheid verkry, is 'n eweknie-hersiening van minder belang vir ons. Die groot nadeel van akademiese strategieë is dat hulle dikwels ook verouderd kan wees, duidelike en duur historiese data benodig, handel in illikiede bateklasse of nie in fooie, glip of verspreiding deelneem nie. Dit kan ook onduidelik wees of die handelsmetode met markorders uitgevoer moet word, bestellings beperk of of dit stopverliese ens bevat. Dit is dus absoluut noodsaaklik om die metode self so goed moontlik te herhaal, dit weer te toets en in realistiese transaksiekoste te voeg wat soveel aspekte van die bateklasse insluit wat jy wil handel. Hier is 'n lys van die gewildste pre-gedrukte bedieners en finansiële joernale wat u idees kan gebruik van: Wat van jou eie kwantitatiewe strategieë? Dit vereis gewoonlik (maar nie beperk nie tot) kundigheid in een of meer van die volgende kategorieë: Mark mikrostruktuur - Vir veral hoër frekwensie strategieë kan mens gebruik maak van markmikrostruktuur, dit wil sê begrip van die bestellingsboekdinamika om winsgewendheid te genereer. Verskillende markte sal verskillende tegnologiese beperkings, regulasies, markdeelnemers en beperkinge hê wat almal beskikbaar is vir uitbuiting via spesifieke strategieë.

Dit is 'n baie gesofistikeerde area en kleinhandelpraktisyns sal dit moeilik vind om mededingend te wees in hierdie ruimte, veral omdat die kompetisie groot, goedgekapitaliseerde kwantitatiewe verskansingsfondse met sterk tegnologiese vermoëns insluit. Fondsstruktuur - Beleggingsfondse, soos pensioenfondse, private beleggingsvennootskappe (verskansingsfondse), handelsraadadviseurs en onderlinge fondse, word beperk deur beide swaar regulasies en hul groot kapitaalreserwes. So sekere konsekwente gedrag kan uitgebuit word met diegene wat meer aanloklik is. Byvoorbeeld, groot fondse is onderhewig aan kapasiteitsbeperkings as gevolg van hul grootte. As hulle dus 'n aantal sekuriteite vinnig moet aflaai (verkoop), sal hulle dit moet versteur om te verhoed dat hulle die mark verplaas. Gesofistikeerde algoritmes kan hiervan voordeel trek, en ander eienaardighede, in 'n algemene proses bekend as fondsstruktuur arbitrage. Masjienleer kunsmatige intelligensie - Algoritmes vir masjienleer het die afgelope jaar in die finansiële markte meer algemeen geword. Klassifikators (soos Naive-Bayes, et al.) Nie-lineêre funksie-ooreenkomste (neurale netwerke) en optimaliseringsroetines (genetiese algoritmes) is almal gebruik om baanpaaie te voorspel of om handelstrategieë te optimaliseer. As u 'n agtergrond in hierdie area het, kan u insig hê in hoe bepaalde algoritmes op sekere markte toegepas kan word. Daar is natuurlik baie ander areas vir kwanties om te ondersoek. Ons sal bespreek hoe om met persoonlike strategieë in detail in 'n latere artikel te verskyn. Deur voortdurend hierdie bronne te monitor op 'n weeklikse of selfs daaglikse basis, stel u jouself op om 'n konsekwente lys van strategieë uit 'n verskeidenheid bronne te ontvang. Die volgende stap is om vas te stel hoe om 'n groot deelversameling van hierdie strategieë te verwerp ten einde die tyd en terugtesting van hulpbronne te vermy op strategieë wat waarskynlik nie nutteloos sal wees nie. Evaluering van handelsstrategieë. Die eerste, en waarskynlik mees voor die hand liggende oorweging is of u die metode eintlik verstaan. Sou u die metode noukeurig kan verduidelik of benodig dit 'n reeks voorbehoude en eindelose parameter lyste? Daarbenewens het die metode 'n goeie, soliede basis in werklikheid? Kan u byvoorbeeld wys op 'n gedragsrasionaal of fondsstruktuurbeperking wat die patroon (s) wat u probeer uitbuit, veroorsaak? Sou hierdie beperking 'n verandering in die regime inhou, soos 'n dramatiese regulasie-omgewing ontwrigting? Berus die metode op komplekse statistiese of wiskundige reëls?

Is dit van toepassing op enige finansiële tydreeks of is dit spesifiek vir die bateklas dat dit beweer word winsgewend te wees? U moet gedurig oor hierdie faktore dink wanneer u nuwe handelsmetodes evalueer, anders kan u 'n aansienlike hoeveelheid tyd mors om te toets en onvolhoubare strategieë te optimaliseer. Sodra jy vasgestel het dat jy die basiese beginsels van die metode verstaan, moet jy besluit of dit by jou voorgenome persoonlikheidsprofiel pas. Dit is nie so vaag 'n oorweging soos dit klink nie! Strategieë sal aansienlik verskil in hul prestasie eienskappe. Daar is sekere persoonlikheidstipes wat meer beduidende periodes van aftrek kan hanteer, of bereid is om groter risiko vir groter opbrengs te aanvaar. Ten spyte van die feit dat ons as kwanties soveel moontlik kognitiewe vooroordeel uitskakel en 'n metode onbevredigend moet kan evalueer, sal vooroordele altyd inbeweeg. Daarom het ons 'n konsekwente, onemotionele manier nodig om die prestasie van strategieë te assesseer. . Hier is die lys van kriteria wat ek 'n moontlike nuwe metode oordeel deur: Metodologie - Is die metode momentum gebaseer, gemiddelde terugkeer, markneutraal, rigtinggewend? Is die metode afhanklik van gesofistikeerde (of komplekse!) Statistiese of masjienleertegnieke wat moeilik verstaanbaar is en 'n PhD in statistiek benodig? Stel hierdie tegnieke 'n beduidende aantal parameters voor, wat kan lei tot optimalisasie vooroordeel? Is die metode waarskynlik 'n verandering in die regime (dws moontlike nuwe regulering van finansiële markte) weerstaan? Sharpe Ratio - Die Sharpe-verhouding karakteriseer heuristies die beloning risiko verhouding van die metode. Dit bepaal hoeveel opbrengs jy kan bereik vir die vlak van onbestendigheid wat deur die ekwiteitskromme verduur word. Natuurlik moet ons die tydperk en frekwensie bepaal wat hierdie opbrengste en onbestendigheid (dws standaardafwyking) gemeet word. 'N Hoër frekwensie-metode vereis groter steekproefnemingstempo van standaardafwyking, maar 'n korter algehele metingstyd, byvoorbeeld. Hefboomfinansiering - vereis die metode beduidende hefboom om winsgewend te wees? Benodig die metode die gebruik van afgeleide afgeleide kontrakte (termynkontrakte, opsies, ruiltransaksies) om 'n opgawe te maak?

Hierdie hefboomkontrakte kan swaar onbestendigheid karakteriseer en kan dus maklik tot marge-oproepe lei. Het u die handelskapitaal en die temperament vir sulke onbestendigheid? Frekwensie - Die frekwensie van die metode is nou gekoppel aan jou tegnologie-stapel (en dus tegnologiese kundigheid), die Sharpe-verhouding en die algehele vlak van transaksiekoste. Alle ander kwessies wat oorweeg word, hoër frekwensie strategieë vereis meer kapitaal, is meer gesofistikeerd en moeiliker om te implementeer. As jy egter jou terugtestende enjin is gesofistikeerd en foutloos is, sal hulle dikwels baie hoër Sharpe-verhoudings hê. Vlugtigheid - Vlugtigheid is sterk verwant aan die "risiko" van die metode. Die Sharpe-verhouding kenmerk dit. Hoër volatiliteit van die onderliggende bateklasse, indien onverskroefd, lei dikwels tot hoër volatiliteit in die ekwiteitskurwe en dus kleiner Sharpe-verhoudings. Ek aanvaar natuurlik dat die positiewe wisselvalligheid ongeveer gelyk is aan die negatiewe wisselvalligheid. Sommige strategieë kan groter afwaartse wisselvalligheid hê. U moet bewus wees van hierdie eienskappe. Wins Verlies, Gemiddelde Wins Verlies - Strategieë sal verskil in hul oorwinning verlies en gemiddelde wins verlies eienskappe. 'N Mens kan 'n baie winsgewende metode hê, selfs al is die aantal verlore ambagte die aantal wenbedrywe oorskry. Momentumstrategieë is geneig om hierdie patroon te hê omdat hulle staatmaak op 'n klein aantal "groot treffers" om winsgewend te wees. Gemiddelde terugkeerstrategieë het geneig om teenstrydige profiele te hê waar meer van die ambagte "wenners" is, maar die verliese kan redelik ernstig wees. Maksimum Drawdown - Die maksimum drawdown is die grootste algehele piek-tot-deur persentasie daling op die ekwiteitskurwe van die metode. Momentumstrategieë is welbekend om te ly aan periodes van verlengde drawdowns (as gevolg van 'n reeks baie inkrementele verliese). Baie handelaars sal opgee in tydperke van verlengde aftrek, alhoewel historiese toetse voorgestel het, is dit "besigheid soos gewoonlik" vir die metode. U sal moet bepaal watter persentasie uittreksel (en oor watter tydperk) u kan aanvaar voordat u opgehou met die verhandeling van u metode. Dit is 'n hoogs persoonlike besluit en moet dus versigtig oorweeg word.

Kapasiteit Likiditeit - Op die kleinhandelvlak, as jy nie in 'n hoogs illikiede instrument handel nie (soos 'n kleinkapitalisasie), hoef jy nie jouself baie te bekommerd te maak met die metodekapasiteit nie. Kapasiteit bepaal die skaalbaarheid van die metode vir verdere kapitaal. Baie van die groter verskansingsfondse ly aan beduidende kapasiteitsprobleme aangesien hul strategieë toeneem in kapitale toekenning. Parameters - Sekere strategieë (veral dié wat in die masjienleergemeenskap voorkom) vereis 'n groot aantal parameters. Elke ekstra parameter wat 'n metode vereis, laat dit meer kwesbaar vir optimalisasie vooroordeel (ook bekend as 'kromme pas'). Jy moet probeer om strategieë te beoordeel met so min parameters as moontlik, of maak seker dat jy genoeg data het om jou strategieë te toets. Maatstaf - Byna alle strategieë (tensy gekenmerk as "absolute opbrengs") word gemeet teen sekere prestasie maatstaf. Die maatstaf is gewoonlik 'n indeks wat 'n groot steekproef van die onderliggende bateklas kenmerk wat die metode handel. As die metode grootskaalse Amerikaanse aandele verhandel, sal die S & P500 'n natuurlike maatstaf wees om jou metode te meet. U sal die terme "alpha" en "beta" hoor, toegepas word op strategieë van hierdie tipe. In latere artikels sal ons hierdie koëffisiënte in diepte bespreek. Let daarop dat ons nie die werklike opbrengs van die metode bespreek het nie. Hoekom is dit? In isolasie bied die opbrengste ons eintlik beperkte inligting oor die effektiwiteit van die metode. Hulle gee jou nie insig in hefboom, wisselvalligheid, maatstawwe of kapitale vereistes nie. So word strategieë selde beoordeel op hul opbrengs alleen.

Oorweeg altyd die risiko-eienskappe van 'n metode voordat jy na die opbrengste kyk. Op hierdie stadium sal baie van die strategieë wat uit jou pyplyn gevind word, uit die hand verwerp word, aangesien dit nie aan jou kapitaalvereistes, hefboombeperkings, maksimum onttrekkingsverdraagsaamheid of volatiliteitsvoorkeure sal voldoen nie. Die strategieë wat bly, kan nou oorweeg word vir terugtoetsing. Maar voordat dit moontlik is, is dit nodig om een ​​finale verwerpingskriterium te oorweeg - dit van beskikbare historiese data om hierdie strategieë te toets. Verkryging van historiese data. Deesdae is die omvang van die tegniese vereistes oor bateklasse vir historiese data-stoor aansienlik. Om mededingend te bly, belê beide die koopkant (fondse) en die verkoopkant (beleggingsbanke) swaar in hul tegniese infrastruktuur. Dit is noodsaaklik om die belangrikheid daarvan te oorweeg. In die besonder, ons stel belang in tydigheid, akkuraatheid en stoorvereistes. Ek sal nou die basiese beginsels van die verkryging van historiese data en hoe om dit te stoor, uiteensit. Ongelukkig is dit 'n baie diep en tegniese onderwerp, dus ek sal nie alles in hierdie artikel kan sê nie. Ek sal egter baie meer hieroor skryf in die toekoms, aangesien my vorige bedryfservaring in die finansiële bedryf hoofsaaklik besig was met die verkryging van finansiële data, berging en toegang. In die vorige afdeling het ons 'n metodepyplyn opgestel wat ons toegelaat het om sekere strategieë te verwerp op grond van ons eie verwerpingskriteria. In hierdie afdeling sal ons meer strategieë filter op grond van ons eie voorkeure vir die verkryging van historiese data. Die hoofoorwegings (veral op kleinhandelspraktisynsvlak) is die koste van die data, die stoorvereistes en u vlak van tegniese kundigheid. Ons moet ook die verskillende tipes beskikbare data bespreek en die verskillende oorwegings wat elke tipe data op ons sal plaas. Kom ons begin met die bespreking van die tipe data wat beskikbaar is en die sleutelkwessies wat ons sal moet oorweeg: Fundamentele data - Dit sluit data in oor makro-ekonomiese tendense, soos rentekoerse, inflasiesyfers, korporatiewe aksies (dividende, voorraadverskille), SEC-filings, korporatiewe rekeninge, verdienstesyfers, gewasverslae, meteorologiese data ens. Hierdie data word dikwels gebruik om waardeer maatskappye of ander bates op 'n fundamentele basis, dit wil sê via 'n manier van verwagte toekomstige kontantvloei. Dit sluit nie voorraadprysreeks in nie.

Sommige fundamentele data is vrylik beskikbaar van regeringswebwerwe. Ander langtermyn historiese fundamentele data kan baie duur wees. Bergingsvereistes is dikwels nie baie groot nie, tensy duisende maatskappye gelyktydig bestudeer word. Nuusdata - Nuusdata is dikwels kwalitatief van aard. Dit bestaan ​​uit artikels, blog boodskappe, mikroblog boodskappe ("tweets") en redaksionele. Masjienleertegnieke soos klassifiseerders word dikwels gebruik om sentiment te interpreteer. Hierdie data is ook dikwels vrylik beskikbaar of goedkoop, via inskrywing op mediaverkope. Die nuwer "NoSQL" dokument stoor databasisse is ontwerp om hierdie soort ongestruktureerde, kwalitatiewe data te stoor. Bateprysdata - Dit is die tradisionele data-domein van die kwantum. Dit bestaan ​​uit tydreekse van batepryse. Aandele (aandele), vaste inkomste produkte (effekte), kommoditeite en buitelandse wisselkoerse is almal in hierdie klas. Daaglikse historiese data is dikwels eenvoudig om te verkry vir die eenvoudiger bateklasse, soos aandele. Sodra akkuraatheid en netheid ingesluit is en statistiese vooroordeel verwyder word, kan die data duur word. Daarbenewens bevat tydreeksdata dikwels beduidende stoorvereistes, veral wanneer intradagdata oorweeg word. Finansiële Instrumente - Aandele, effekte, termynkontrakte en die meer eksotiese afgeleide opsies het baie verskillende eienskappe en parameters. So is daar geen "een grootte pas alles" databasis struktuur wat hulle kan akkommodeer. Betekenisvolle versorging moet gegee word aan die ontwerp en implementering van databasisstrukture vir verskeie finansiële instrumente. Ons sal die situasie breedvoerig bespreek wanneer ons 'n sekuriteitsmeesterdatabasis in toekomstige artikels bou.

Frekwensie - Hoe hoër die frekwensie van die data, hoe groter die koste en stoorvereistes. Vir lae-frekwensie strategieë is daaglikse data dikwels voldoende. Vir hoëfrekwensie-strategieë kan dit nodig wees om bosluisvlakdata en selfs historiese afskrifte van spesifieke handelsuitruilbestellingsboekdata te verkry. Die implementering van 'n stoorenjin vir hierdie tipe data is baie tegnologies intensief en slegs geskik vir diegene met 'n sterk programmerings tegniese agtergrond. Maatstawwe - Die strategieë wat hierbo beskryf word, word dikwels vergelyk met 'n maatstaf. Dit manifesteer gewoonlik as 'n addisionele finansiële tydreeks. Vir aandele is dit dikwels 'n nasionale aandele maatstaf, soos die S & P500 indeks (US) of FTSE100 (UK). Vir 'n vaste inkomste fonds is dit nuttig om te vergelyk met 'n mandjie effekte of vaste inkomste produkte. Die "risikovrye koers" (dws toepaslike rentekoers) is ook 'n ander algemeen aanvaarde maatstaf. Alle kategorieë van bateklasse het 'n gunstige maatstaf, dus dit sal nodig wees om dit op grond van u spesifieke metode te ondersoek, indien u belangstelling in u eksterne metode wil verkry. Tegnologie - Die tegnologie stapels agter 'n finansiële data stoor sentrum is kompleks. Hierdie artikel kan net die oppervlak krap oor wat betrokke is by die bou van een. Dit is egter die middelpunt van 'n databasis-enjin, soos 'n Relasionele Databasisbestuurstelsel (RDBMS), soos MySQL, SQL Server, Oracle of 'n Document Storage Engine (dws "NoSQL"). Dit is toeganklik via die "Business Logic" - program kode wat die databasis navraag doen en toegang verleen tot eksterne hulpmiddels, soos MATLAB, R of Excel. Dikwels word hierdie besigheidslogika in C ++, C #, Java of Python geskryf. U moet hierdie inligting ook êrens, op u eie persoonlike rekenaar of op afstand via internetbedieners, aanbied.

Produkte soos Amazon Web Services het die afgelope jaar dit eenvoudiger en goedkoper gemaak, maar dit sal steeds beduidende tegniese kundigheid vereis om op 'n goeie manier te bereik. Soos gesien kan word, sal 'n metode wat deur die pyplyn geïdentifiseer is, nodig wees om die beskikbaarheid, koste, kompleksiteit en implementeringsbesonderhede van 'n bepaalde stel historiese data te evalueer. U mag vind dat dit nodig is om 'n metode wat uitsluitlik gebaseer is op historiese data oorwegings, te verwerp. Dit is 'n groot area en spanne van PhD's werk op groot fondse om seker te maak dat pryse akkuraat en tydig is. Moenie onderskat die probleme van die skep van 'n robuuste datasentrum vir jou backtesting doeleindes! Ek wil egter sê dat baie backtesting platforms hierdie data outomaties vir u kan verskaf - teen 'n koste. Dit sal dus baie van die implementeringspyn van jou af wegneem, en jy kan suiwer konsentreer op implementering en optimalisering van die metode. Gereedskap soos TradeStation beskik oor hierdie vermoë. My persoonlike siening is egter om intern so veel as moontlik te implementeer en om dele van die stapel uit te brei na sagtewareverkopers. Ek verkies hoër frekwensie strategieë as gevolg van hul aantreklike Sharpe-verhoudings, maar hulle is dikwels styf gekoppel aan die tegnologie-stapel, waar gevorderde optimalisering van kritieke belang is. Noudat ons die probleme rondom historiese data bespreek het, is dit tyd om te begin met die implementering van ons strategieë in 'n backtesting engine. Dit sal die onderwerp wees van ander artikels, aangesien dit 'n ewe groot gebied van bespreking is! Net aan die begin met kwantitatiewe handel? 3 redes om in te teken op die QuantStart e-pos lys: 1. Quant Trading Lessons. Jy kry direkte toegang tot 'n gratis 10-deel e-kursus met wenke en wenke om jou te help om met kwantitatiewe handel te begin! 2. Al die nuutste inhoud. Elke week stuur ek jou 'n wrap van alle aktiwiteite op QuantStart, sodat jy nooit weer 'n pos sal misloop nie.

Echte, handige kwantitatieve handel wenke met geen onzin. SnowCron. com. GRATIS E. Mail-klasse. Met behulp van genetiese algoritme winsgewende FOREX Trading metode te skep. Genetiese Algoritme in Cortex Neurale Netwerke Sagteware Feedforward Backpropagation Neurale Netwerk Aansoek vir genetiese berekenings gebaseer Forex trading. Hierdie voorbeeld gebruik konsepte en idees van die vorige artikel. Lees dus eers die genetiese algoritme van die neurale netwerk in FOREX Trading Systems, hoewel dit nie verpligtend is nie. Lees in die eerste plek die disclaimer. Dit is 'n voorbeeld van die gebruik van Cortex Neural Networks Software-genetiese algoritme-funksionaliteit, nie 'n voorbeeld van hoe om winsgewende handel te doen nie. Ek is nie jou goeroe nie, en ek moet ook nie verantwoordelik wees vir jou verliese nie. Cortex Neural Networks Software het neurale netwerke daarin, en FFBP wat ons bespreek het, is net een manier om 'n forex-handelsstrategie te kies. Dit is 'n goeie tegniek, kragtig en wanneer dit behoorlik toegepas word, baie promising. Dit het egter 'n probleem - om die Neurale Netwerk te leer, moet ons die verlangde uitset ken.

Dit is redelik maklik om te doen wanneer ons die benadering benoem, maar ons neem net die "regte" waarde van 'n funksie, want ons weet wat dit behoort te wees. Wanneer ons neurale netwerkvooruitskatting doen, gebruik ons ​​die tegniek (beskryf in vorige artikels) van die Neurale Netwerk oor die geskiedenis. As ons voorspel, sê 'n wisselkoers, weet ons (tydens die opleiding) wat die korrekte voorspelling is . Wanneer ons egter 'n handelsstelsel bou, het ons geen idee wat die regte handelsbesluit is nie, selfs as ons die wisselkoers ken! Trouens, ons het baie forex-handelsstrategieë wat ons op enige tydstip kan gebruik, en ons moet 'n goeie een vind - hoe? Wat moet ons voed as die gewenste uitset van ons Neurale Net? As jy ons vorige artikel gevolg het, weet ons dat ons bedrieg het om hierdie probleem te hanteer. Ons het die Neurale Netwerk geleer om die voorspelling van wisselkoerse (of wisselkoersgebaseerde aanwysers) te doen, en toe gebruik hierdie voorspelling om handel te doen. Toe, buite die Neurale Netwerk deel van die program, het ons 'n besluit geneem oor watter Neurale Netwerk die beste is. Genetiese algoritmes kan direk met hierdie probleem hanteer, hulle kan die probleem oplos wat as "die beste handelsseine gevind word" oplos. In hierdie artikel gaan ons Cortex Neural Networks Software gebruik om so 'n program te skep. Die gebruik van genetiese algoritme. Genetiese Algoritmes is baie goed ontwikkel, en baie uiteenlopend. As jy alles oor hulle wil leer, stel ek voor dat jy Wikipedia gebruik, aangesien hierdie artikel slegs handel oor wat Cortex Neural Networks Software kan doen. Met Cortex Neural Networks Software, kan ons 'n Neurale Netwerk skep wat 'n mate van insette, sê, waardes van 'n aanduider, en lewer 'n mate van uitvoer, sê handelssande (koop, verkoop, hou.) En stop verlies neem winsvlakke vir posisies om oopgemaak te word. Natuurlik, as ons hierdie Neurale Netwerk se gewigte ewekansig saai, sal handelresultate vreeslik wees. Kom ons sê egter ons het 'n dosyn van sulke NN's geskep. Dan kan ons die prestasie van elkeen toets, en kies die beste een, die wenner. Dit was die "eerste generasie" van NN's. Om voort te gaan na die tweede generasie, moet ons ons wenner toelaat om te "vermeerder", maar om te voorkom dat u identiese kopieë kry, laat ons 'n paar willekeurige geluide by die afstammelinge se gewigte voeg. In die tweede generasie het ons ons eerste generasie wenner en dit is onvolmaakte (gemuteerde) afskrifte.

Kom ons toets weer. Ons sal 'n ander wenner hê, wat BETER is as enige ander neurale netwerk in die generasie. En so aan. Ons laat wenners net toe om te broei en losers uit te skakel, net soos in die werklike evolusie. Ons sal ons beste handelsnetwerk ontvang, sonder enige voorafgaande kennis oor wat die handelsstelsel (genetiese algoritme) moet wees. Neurale Netwerk Genetiese Algoritme: Voorbeeld 0. Dit is die eerste genetiese algoritme voorbeeld, en 'n baie eenvoudige een. Ons gaan stap vir stap deur om alle truuks te leer wat die volgende voorbeelde sal gebruik. Die kode bevat kommentaar, dus laat ons net fokus op sleutelmomente. Eerstens het ons 'n neurale netwerk geskep. Dit gebruik lukrake gewigte, en is nog nie onderrig nie. Dan, in siklus, maak ons ​​14 kopieë daarvan, met MUTATION_NN fumction. Hierdie funksie maak 'n kopie van 'n bron-neurale netwerk, en voeg lukrake waardes van 0 tot (in ons geval) 0.1 by alle gewigte. Ons hou handvatsels tot die gevolglike 15 NN's in 'n skikking, ons kan dit doen, aangesien die handvatsel net 'n heelgetal nommer is. Die rede waarom ons 15 NN's gebruik, het niks met handel te doen nie: Cortex Neural Networks Software kan gelyktydig tot 15 lyne op 'n grafiek opstel. Ons kan verskillende benaderings tot die toets gebruik. Eerstens kan ons die leerstel gebruik, alles alles dadelik. Tweedens kan ons toets, sê 12000 resords (uit 100000), en loop deur die leerstel van begin tot einde. Dit sal leerlinge anders maak, aangesien ons na Neurale Netwerk soek wat op enige gegewe deel van data winsgewend is, nie net op die hele stel nie. Die tweede benadering kan ons probleme, as data verander, van begin tot einde. Dan sal die netwerk ontwikkel, die vermoë kry om te handel aan die einde van die datastel, en die vermoë om te handel aan die begin verloor.

Om die probleem op te los, gaan ons ewekansige 12000 rekordsfragmente uit data neem en dit aan die Neurale Netwerk voed. Hieronder voeg ons een kind vir elke netwerk, met effens verskillende gewigte. Let wel, dat 0.1 vir mutasie tange nie die enigste keuse is nie, as die feit, selfs hierdie parameter kan met behulp van genetiese algoritme geoptimaliseer word. Nuwe geskep NN's word bygevoeg na 15 bestaande. Op hierdie manier het ons 30 NN's in 'n skikking, 15 oud en 15 nuwe. Dan gaan ons die volgende siklus van toetse doen, en verloorders van albei geslagte doodmaak. Om te toets, pas ons Neurale Netwerk toe op ons data, om uitsette te produseer, en dan toetsfunksie te noem, wat hierdie uitsette gebruik om handel te simuleer. Resultate van verhandeling word gebruik om te besluit, watter NN's die beste is. Ons gebruik 'n interval van nLearn records, van nStart na nStart + nLearn, waar nStart 'n ewekansige punt binne leerstel is. Die onderstaande kode is 'n truuk. Die rede waarom ons dit gebruik, is om die feit te illustreer dat die genetiese algoritme genetiese algoritme kan skep, maar dit sal nie noodwendig die beste wees nie, en ook om voor te stel dat ons die resultaat kan verbeter as ons beperkinge tot die leer impliseer proses. Dit is moontlik dat ons handelsstelsel baie goed werk op lang ambagte, en baie arm op kort, of andersom. As, sê, lang ambagte is BAIE goed, kan hierdie genetiese algoritme wen, selfs met groot verliese op kort transaksies. Om dit te vermy, gee ons meer gewig aan lang transaksies in vreemde en kort handel in selfs siklusse. Dit is net 'n voorbeeld, daar is geen waarborg dat dit iets sal verbeter nie. Meer hieroor, in bespreking oor regstellings. Tegnies, jy hoef dit nie te doen nie, of kan dit anders maak. Voeg wins by 'n gesorteerde skikking. Dit gee 'n invoegposisie terug, dan gebruik ons ​​hierdie posisie om Neural Network-handvatsel by te voeg. Winning en toetsing van winste aan nie-gesorteerde skikkings. Nou het ons data vir huidige Neurale Netwerk by dieselfde skaalindeks as sy wins.

Die idee is om te kom na verskeidenheid NN's, gesorteer volgens winsgewendheid. Aangesien array sorteer volgens wins is, om 12 van die netwerke te verwyder, wat minder winsgewend is, moet ons net NNs 0 tot 14 verwyder. Handelsbesluite is gebaseer op die waarde van die neurale netwerk sein. Uit hierdie oogpunt is die program identies aan voorbeelde uit vorige artikel. FOREX Handelsmetode: Bespreek voorbeeld 0. Kom ons kyk eers na die kaarte. Die eerste grafiek vir wins tydens die eerste iterasie is glad nie goed nie, soos verwag word, die Neurale Netwerk verloor geld (image evolution_00_gen_0.png gekopieer na eerste iterasie van die "Images" gids): Die beeld vir wins op siklus 15 is beter, soms kan die genetiese algoritme regtig vinnig leer: Let egter op die versadiging op 'n winskurwe. Dit is ook interessant om te kyk na die manier waarop individuele winste verander, met inagneming van die krommetal, sê, 3 is nie altyd vir dieselfde Neurale Netwerk nie, aangesien hulle die hele tyd gebore en beëindig word: Let ook daarop dat die klein outeur geoutomatiseerde handelsstelsel swak is op kort transaksies, en baie beter oor die langtermyn, wat dalk of nie verband hou met die feit dat die dollar in vergelyking met die euro gedaal het gedurende daardie tydperk nie. Dit kan ook iets te doen het met parameters van ons aanwyser (miskien moet ons verskillende tydperk vir kortbroek hê) of die keuse van aanwysers. Hier is die geskiedenis na 92 ​​en 248 siklusse: Tot ons verbasing het die genetiese algoritme heeltemal misluk. Kom ons probeer om uit te vind hoekom, en hoe om die situasie te help. Eerstens, is nie elke generasie veronderstel om beter te wees as die vorige een nie? Die antwoord is nee, ten minste nie binne die model wat ons gebruik het nie. As ons ALLE leerstellings gelyktydig geneem het en dit herhaaldelik gebruik om ons NN's te leer, dan ja, hulle sal op elke generasie verbeter.

In plaas daarvan het ons ewekansige fragmente (12000 rekords betyds) geneem en dit gebruik. Twee vrae: waarom die stelsel misluk op ewekansige fragmente van leerstel, en hoekom het ons nie die hele leerstel gebruik nie? Goed. Om die tweede vraag te beantwoord, het ek gedoen. NN's het grootliks verrig - op leerstel. En hulle het misluk om toetse te stel, om dieselfde rede misluk dit wanneer ons FFPB-leer gebruik het. Om dit anders te stel, het ons NN's oorskool, hulle het geleer hoe om te oorleef in die omgewing waaraan hulle gewoond is, maar nie buite nie. Dit gebeur baie in die natuur. Die benadering wat ons in plaas daarvan geneem het, was daarop gemik om dit te vergoed deur NN's te dwing om goed te werk aan enige willekeurige fragment van die datastel, sodat hulle hopelik ook op 'n onbekende toetsstel kon optree. In plaas daarvan het hulle misluk op toetse sowel as op leerstelle. Stel jou voor dat diere in 'n woestyn woon. Baie son, glad nie sneeu nie. Dit is 'n metafor vir riserende markte, aangesien ons NN se data die rol van die omgewing speel.

Diere het geleer om in 'n woestyn te bly. Stel jou voor diere, wat in 'n koue klimaat leef. Sneeu en geen son nie. Wel, hulle het aangepas. In ons eksperiment het ons egter ons NN's in 'n woestyn, in sneeu, in die water, op die bome willekeurig geplaas. deur hulle aan te bied met verskillende fragmente van data (ewekansig stygend, val, plat.). Diere het gesterf. Of om dit anders te stel, het ons die beste Neurale Netwerk gekies vir willekeurige datastel 1, wat sê, was vir stygende mark. Daarna het ons aan die wenners en hul kinders 'n dalende mark se data voorgelê. NN's het swak gevaar, ons het die beste van arm kunstenaars, miskien, een van die mutante kinders, wat die vermoë verloor het om op die stygende mark te handel, maar die vermoë gehad om met een te val. Toe draai ons die tafel weer, en weer, ons het die beste presteerder gehad - maar die beste onder arme kunstenaars. Ons het eenvoudig nie aan ons NN's 'n kans gegee om universeel te word nie. Daar is tegnieke wat die genetiese algoritme toelaat om nuwe inligting te leer sonder om prestasie op ou inligting te verloor. (Diertig kan diere in die somer en in die winter, reg? So evolusie kan herhaalde veranderinge hanteer). Ons kan hierdie tegnieke later bespreek, alhoewel hierdie artikel meer handel oor die gebruik van Cortex Neural Networks Software, as om 'n suksesvolle forex-outomatiese handelsstelsel te bou. Neurale Netwerk Genetiese Algoritme: Voorbeeld 1. Nou is dit tyd om te praat oor regstellings. 'N Eenvoudige genetiese algoritme wat ons tydens die vorige stap geskep het, het twee groot foute.

Eerstens het dit versuim om met wins te handel. Dit is ok, ons kan probeer om gedeeltelik opgeleide stelsel te gebruik (dit was winsgewend aan die begin). Die tweede fout is meer ernstig: ons het geen beheer oor dinge wat hierdie stelsel doen nie. Byvoorbeeld, dit kan leer om winsgewend te wees, maar met groot onttrekkings. Dit is 'n bekende feit dat evolusie in die werklike lewe gelyktydig meer as een parameter kan optimaliseer. Byvoorbeeld, ons kan 'n dier kry wat vinnig kan hardloop en bestand wees teen koue. Hoekom nie probeer om dieselfde te doen in ons forex outomatiese handel stelsel? Dit is wanneer ons regstellings gebruik, wat niks anders as die stel addisionele strawwe is nie. Sê, ons stelsel handel met drawdown 0.5, terwyl ons dit wil bevestig tot 0 - 0.3 interval. Om die stelsel te "vertel" dat dit 'n fout gemaak het, verminder ons die wins (een wat gebruik word om te bepaal, watter genetiese algoritme gewen het) tot die mate wat eweredig is aan die grootte van DD. Dan sorg die evolusie-algoritme vir die res. Daar is min faktore wat ons in ag wil neem: ons wil min of meer gelyke koop - en verkoopbedrywighede hê, ons wil meer winsgewende bedrywighede hê, as gevolg van mislukkings, wil ons dalk die winsgrafiek hê om wees lineêr en so aan. In evolution_01.tsc implementeer ons 'n eenvoudige stel korreksies. In die eerste plek gebruik ons ​​'n groot aantal vir 'n aanvanklike regstelling waarde. Ons vermenigvuldig dit tot 'n klein (gewoonlik tussen 0 en 1) waardes, afhangende van die "straf" wat ons wil toepas. Dan vermenigvuldig ons ons wins tot hierdie regstelling.

As gevolg hiervan word die wins reggemaak, om te reflekteer hoeveel die genetiese algoritme ooreenstem met ons ander kriteria. Dan gebruik ons ​​die resultaat om 'n wenner neurale netwerk te vind. FOREX Handelsmetode: Bespreek voorbeeld 1. Voorbeeld 1 werk baie beter as voorbeeld 0. Tydens die eerste 100 siklusse het dit baie geleer, en die winskaartjies lyk gerusstellend. Maar soos in voorbeeld 0, is lang handel baie winsgewend, wat waarskynlik beteken dat daar 'n probleem in ons benadering is. Nietemin het die stelsel 'n balans gevind tussen paar teenstrydige aanvanklike toestande: Daar is 'n paar positiewe dinamika, beide in die leer stel en, belangriker, in die toets stel. Soos vir verdere leer, kan ons by siklus 278 sien dat ons stelsel oorgeoefen is. Dit beteken dat ons steeds vordering het met die stel van leer: Maar toets stel toon swakheid: Dit is 'n algemene probleem met NNs: wanneer ons dit leer leer stel, leer dit om dit te hanteer, en soms leer dit te goed - in die mate wanneer dit prestasie op toetsset verloor. Om die probleem te hanteer, word 'n "tradisionele" oplossing gebruik: ons soek steeds na die Neurale Netwerk, wat die beste presteer om die toets te stel, en dit stoor, die vorige beste een oorskryf, elke keer wanneer die nuwe piek bereik word. Dit is dieselfde benadering, wat ons gebruik het in FFBP-opleiding, behalwe hierdie keer moet ons dit self doen (kode byvoeg, wat op soek is na 'n beste neurale netwerk op 'n toetsstel, en SAVE_NN bel, of gewig van neurale netwerk na 'n lêer). Op hierdie manier, as jy ophou met jou opleiding, sal jy die beste presteerder OP TESTING SET gestoor en wag vir jou. Let ook daarop dat dit nie die maksimum is nie. wins wat jy na is, maar optimale prestasie, so oorweeg om korreksies te gebruik wanneer jy op soek is na 'n beste uitvoerder op 'n toetsstel. Genetiese Algoritme vir FOREX Tegniese Analise: Waar nou? Nadat jy jou wenner Neural Network gekry het, kan jy die stappe wat in vorige artikel beskryf is, volg om gewigte van die Neurale Netwerk uit te voer en dit te gebruik in jou real-time trading platform, soos Meta Trader, Trade Station en so aan. Alternatiewelik kan jy fokus op ander maniere om die Neurale Netwerk te optimaliseer, in teenstelling met die FFBP-algoritme, kan jy dit help om leer - en toetsstelle te gebruik en volg opeenvolgende leer.