타키는 흥분했다. 가장 수용 가능한 결과를 얻을 수 있는 저장소의 백분율을 선택하기만 하면 됩니다.
MM 없이 작동하는 동안 시스템의 알려진 매개변수를 기반으로 선택해야 합니다. 노벨상이 아닌 것 같습니다. 적어도 이 간단한 버전에서는.
그리고 최적의 MM 방식을 구현해 봅시다.
NS용 기능의 파생에서 Ezhev와 유사한 것을 한 번 본 적이 있습니다.
따라서 우리는 오픈 포지션을 유지하는 시간에 대한 상대 가격 증분 x=dS/S와 자본 dK/K=Lever*x의 상대적 증분을 가지고 있습니다. 여기서 레버는 거래 레버리지입니다.
그런 다음 다음 단계에서 자본 증분: K[1]=K[0]*(1+p*|x|*Lever), 여기서 1/2+р는 TS에 의해 올바르게 예측된 가격 움직임의 확률입니다. 시간 t 이후의 이익은 K[t]/K[0]=(1+p*|x|*Lever)^t입니다. 아이덴티티의 오른쪽과 왼쪽 부분의 로그를 취하고 모든 뇌물을 "성공"과 "실패"로 나누면 평균 이익을 얻습니다(대괄호 <>는 일부 큰 샘플에 대한 가치를 평균화하는 절차를 나타냄).
사실 이 표현식의 오른쪽은 Lever 레버리지 값에 비해 최대화해야 하는 매우 기능적인 부분입니다.구별 짓다이것은 Lever에 의한 표현이며 0과 같으면 올바른 예측 p 및 x = dS/S(사실, 뇌물의 변동성) 백분율의 평균 값의 함수로 최적 값을 찾습니다.
레버=2p/<|x|> 또는 분포 밀도 함수의 모양 고려(예: 뇌물 분포의 뚱뚱한 꼬리는 위험 증가):
Lever=2ra/<|x|> , 여기서 a=<|x|>^2/<x^2> = 가우스 분포의 경우 0.8, 지수 분포의 경우 0.25(Forex의 경우 가장 가능성 있음).
거래 레버리지의 결과 값은 가능한 모든 특정 TS에 대한 최대 수입을 제공합니다. 레버 의 증가 또는 감소는 수익률을 음의 방향으로 변경합니다. 최적의 MM입니다!
예를 들어, 올바르게 추측된 부호의 백분율이 50+1%이고 dS=50포인트(거래당 평균 뇌물 액수)인 차량의 경우 평균 수익률 K[i]/에 대해 다음 그래프를 얻습니다. 거래 레버리지의 기능으로 거래당 K[i-1]:
저것들. 최적의 레버리지는 4이며, 100번의 시장 진입 중 51번 우리가 흑자를 유지하는 경우입니다. 올바르게 추측된 항목의 비율이 높을수록 최적의 레버가 더 커집니다.
이 모든 것이 하나의 악기에 해당됩니다. 다중 통화 포트폴리오에 대해 얻은 결과를 일반화하려면 각 상품에 대해 개별적으로 거래 내역을 갖고 금전적 수익률에 반비례하여 자본화 정도를 선택해야 합니다. 이렇게 하면 포트폴리오에 대한 각 개별 상품의 영향이 균등해지고 각각에 대한 개별 손실이 완화됩니다.
포트폴리오의 위험은 포트폴리오에 포함된 상품 수의 근에 따라 감소하므로 각 자산의 자본화(레버)가 비례하여(최적값에 비해) 증가하여 총 위험은 동일하게 유지될 수 있음을 상기시켜 드리겠습니다. 이렇게 하면 하나의 상품으로 작업하는 것과 비교하여 동일한 보증금으로 포트폴리오 전체의 수익성이 증가합니다.
Скажем так, если сравнить Ваш подход с моим, получится сравнение жадного алгоритма с более точной эвристикой при оптимизации. Вынос вышеупомянутых параметров в целевую функцию позволит увеличить прибыль.
내가 이해하는 바에 따르면, 당신은 실제로 모든 다양한 종속성을 목적 함수에 "밀착"함으로써 경험적 "이익 공식"을 얻고 싶어합니다. 또는 이렇게 추론하여 얻을 수 있습니다. 결과적으로 입력 값을 대체하고 일종의 "최적" 솔루션을 얻으십시오. 이것도 나쁘지 않은데 개념적 차원에서 접근 방식이 많이 다르고 그런 공식의 존재가 나로서는 여전히 의심스럽다.
선형 계획법의 관점에서 모델을 살펴보는 것은 흥미로울 것입니다.
예, 곧 포스팅할 것 같습니다. 그러나 그것이 즉시 모두 맞을지는 의문입니다. 그러니 저를 꾸짖지 마세요. 저는 그저 온갖 종류의 과학적 지혜와 속임수를 배우고 있을 뿐입니다 . :에 대한)
이 모든 것이 하나의 악기에 해당됩니다. 다중 통화 포트폴리오에 대해 얻은 결과를 일반화하려면 각 상품에 대해 개별적으로 거래 내역을 갖고 금전적 수익률에 반비례하여 자본화 정도를 선택해야 합니다. 이렇게 하면 포트폴리오에 대한 각 개별 상품의 영향이 균등해지고 각각에 대한 개별 손실이 완화됩니다.
포트폴리오 분석기도 있습니다 :) .
저것들. 포트폴리오에 대한 최적의 자본화 정도를 즉시 찾을 수 있습니다. 그런 다음 짝에 비례하여 퍼뜨리면 전체 포트폴리오에 대한 학위를 얻을 수 있습니다.
내가 이해하는 바에 따르면, 당신은 실제로 모든 다양한 종속성을 목적 함수에 "밀착"함으로써 경험적 "이익 공식"을 얻고 싶어합니다. 또는 이렇게 추론하여 얻을 수 있습니다. 결과적으로 입력 값을 대체하고 일종의 "최적" 솔루션을 얻으십시오. 이것도 나쁘지 않은데 개념적 차원에서 접근 방식이 많이 다르고 그런 공식의 존재가 나로서는 여전히 의심스럽다.
음 ... 아니 :)
하지만 비교를 계속하면 탐욕스러운 알고리즘이 30분 만에 작성되고 출산까지 정확한 휴리스틱이 ... 뇌가 끓을 수 있습니다. 이미 운이 좋은 것입니다.
그리고 존경받는 커뮤니티는 Ralph Vince의 책 "A New Approach to Money Management . Structure of Asset Allocation between different Investment Instruments"에 대해 어떻게 생각합니까?
도움이 될 수 있어서 기쁩니다. 한 가지 기능을 더 명확히 할 시간이 없었습니다. 일반적으로 모델의 순서가 증가하면 오류가 증가합니다. 그러나 이러한 모델이 예측하는 방식과 가격 시리즈에 대한 올바른 식별이 실제로 불가능하다는 점을 감안할 때 특히 그러한 미묘함에 긴장하지 않을 수 있습니다.
내가 이것을 정리할 것이다! 고액 주문을 사용할 때 때때로 성능 문제가 발생합니다. 더 생각하기가 무서울 것입니다. -)
정확도에 대해서는 특별히 걱정하지 않습니다. 아직 초기 단계입니다.
작업에 관해서는 - 가입하면 즉시 명확해질 것입니다.
매우 재미있을 것입니다. 비슷한 생각을했지만 지금까지 경험이 충분하지 않고 여전히 알고리즘을 만지작 거리고 있습니다 ....
명확히 하자면, 수익성 있는 TS와 서로 다른 자본화로 동일하거나 동일한 수익을 내는 여러 개의 상호 관련되지 않은 상품이 있습니다. 하나의 도구로 작업하는 경우를 고려하십시오. 소득 곡선(CA)은 최소 자승법에 의해 직선으로 그려질 수 있습니다. 그러면 TS의 소득은 직선의 기울기의 접선에 비례하고 위험은 무차원 값에 비례하며 이 직선에서 CA 포인트의 표준편차를 자본금액으로 나눈 비율입니다. 이 악기에 걸었습니다. 선택한 MM에 따라 위험 수준 R% 를 수락합니다.
이제 하나의 상품에 대한 경매에 참가한 자본을 모든 상품의 수에 따라 n개의 동일한 부분으로 나눕니다. 그러면 각 상품의 수입은 n 배 감소하고 위험은 동일하게 유지되고 서로 상관되지 않습니다. 이러한 포트폴리오의 경우 총 수익률은 단일 포지션을 자본화할 때 소득과 가산되며 각 상품에 대한 CA의 표준 편차는 확률 변수로 합산되며 첫 번째 근사값에서 다음과 같습니다. 총 위험에 대해 R %/SQRT(n) 의 추정치를 제공하는 제곱합의 근입니다(위의 위험 정의 참조). 그러나 MM에 따르면 우리는 R% 이상의 위험을 감수할 수 있으며, 이를 통해 SQRT(n) 배만큼 초기 자산에 비해 포트폴리오 자본금을 늘릴 수 있습니다! 소득은 차례로 포지션 자본화에 비례합니다. 따라서 자본을 n개의 상관되지 않은 상품으로 분할함으로써 위험을 증가시키지 않고 n 배의 근으로 총 포지션 의 수익성 을 증가시킨다고 주장할 수 있습니다.
사실 증명이 필요했던 것입니다. 물론 포트폴리오의 시가총액을 늘리지 않음으로써 위험을 줄일 수 있는 것도 사실이며, 포트폴리오 거래가 수익성을 높이는 데 필요하지 않다고 공식적으로 주장할 수도 있습니다. 하지만 이들은 본질적으로 동일한 것의 양면입니다. 동전.
위의 사진은 100개 및 10개 상품(파란색 선)과 구성 상품 중 하나(빨간색)로 구성된 포트폴리오의 주식 성장 사진입니다. 동일한 수익률로 상품 수가 증가함에 따라 위험이 어떻게 감소하는지 확인할 수 있습니다.
타키는 흥분했다. 가장 수용 가능한 결과를 얻을 수 있는 저장소의 백분율을 선택하기만 하면 됩니다.
MM 없이 작동하는 동안 시스템의 알려진 매개변수를 기반으로 선택해야 합니다. 노벨상이 아닌 것 같습니다. 적어도 이 간단한 버전에서는.
타키는 흥분하지 않았다.
당신의 접근 방식을 내 접근 방식과 비교하면 탐욕적인 알고리즘과 최적화에서 더 정확한 휴리스틱을 비교할 수 있다고 가정해 보겠습니다.
목적 함수에서 위의 매개변수를 제거하면 수익이 증가합니다.
선형 계획법의 관점에서 모델을 살펴보는 것은 흥미로울 것입니다.
타키는 흥분했다. 가장 수용 가능한 결과를 얻을 수 있는 저장소의 백분율을 선택하기만 하면 됩니다.
MM 없이 작동하는 동안 시스템의 알려진 매개변수를 기반으로 선택해야 합니다. 노벨상이 아닌 것 같습니다. 적어도 이 간단한 버전에서는.
그리고 최적의 MM 방식을 구현해 봅시다.
NS용 기능의 파생에서 Ezhev와 유사한 것을 한 번 본 적이 있습니다.
따라서 우리는 오픈 포지션을 유지하는 시간에 대한 상대 가격 증분 x=dS/S와 자본 dK/K=Lever*x의 상대적 증분을 가지고 있습니다. 여기서 레버는 거래 레버리지입니다.
그런 다음 다음 단계에서 자본 증분: K[1]=K[0]*(1+p*|x|*Lever), 여기서 1/2+р는 TS에 의해 올바르게 예측된 가격 움직임의 확률입니다. 시간 t 이후의 이익은 K[t]/K[0]=(1+p*|x|*Lever)^t입니다. 아이덴티티의 오른쪽과 왼쪽 부분의 로그를 취하고 모든 뇌물을 "성공"과 "실패"로 나누면 평균 이익을 얻습니다(대괄호 <>는 일부 큰 샘플에 대한 가치를 평균화하는 절차를 나타냄).
<ln(K[t]/K[0])>=t*<( 1/2+p)*ln(1+|x|*레버)+(1/2-p)*ln(1-| x|*레버 )>
사실 이 표현식의 오른쪽은 Lever 레버리지 값에 비해 최대화해야 하는 매우 기능적인 부분입니다. 구별 짓다 이것은 Lever에 의한 표현이며 0과 같으면 올바른 예측 p 및 x = dS/S(사실, 뇌물의 변동성) 백분율의 평균 값의 함수로 최적 값을 찾습니다.
레버=2p/<|x|> 또는 분포 밀도 함수의 모양 고려(예: 뇌물 분포의 뚱뚱한 꼬리는 위험 증가):
Lever=2ra/<|x|> , 여기서 a=<|x|>^2/<x^2> = 가우스 분포의 경우 0.8, 지수 분포의 경우 0.25(Forex의 경우 가장 가능성 있음).
거래 레버리지의 결과 값은 가능한 모든 특정 TS에 대한 최대 수입을 제공합니다. 레버 의 증가 또는 감소는 수익률을 음의 방향으로 변경합니다. 최적의 MM입니다!
예를 들어, 올바르게 추측된 부호의 백분율이 50+1%이고 dS=50포인트(거래당 평균 뇌물 액수)인 차량의 경우 평균 수익률 K[i]/에 대해 다음 그래프를 얻습니다. 거래 레버리지의 기능으로 거래당 K[i-1]:
저것들. 최적의 레버리지는 4이며, 100번의 시장 진입 중 51번 우리가 흑자를 유지하는 경우입니다. 올바르게 추측된 항목의 비율이 높을수록 최적의 레버가 더 커집니다.
이 모든 것이 하나의 악기에 해당됩니다. 다중 통화 포트폴리오에 대해 얻은 결과를 일반화하려면 각 상품에 대해 개별적으로 거래 내역을 갖고 금전적 수익률에 반비례하여 자본화 정도를 선택해야 합니다. 이렇게 하면 포트폴리오에 대한 각 개별 상품의 영향이 균등해지고 각각에 대한 개별 손실이 완화됩니다.
포트폴리오의 위험은 포트폴리오에 포함된 상품 수의 근에 따라 감소하므로 각 자산의 자본화(레버)가 비례하여(최적값에 비해) 증가하여 총 위험은 동일하게 유지될 수 있음을 상기시켜 드리겠습니다. 이렇게 하면 하나의 상품으로 작업하는 것과 비교하여 동일한 보증금으로 포트폴리오 전체의 수익성이 증가합니다.
TheXpert에게
Скажем так, если сравнить Ваш подход с моим, получится сравнение жадного алгоритма с более точной эвристикой при оптимизации. Вынос вышеупомянутых параметров в целевую функцию позволит увеличить прибыль.
내가 이해하는 바에 따르면, 당신은 실제로 모든 다양한 종속성을 목적 함수에 "밀착"함으로써 경험적 "이익 공식"을 얻고 싶어합니다. 또는 이렇게 추론하여 얻을 수 있습니다. 결과적으로 입력 값을 대체하고 일종의 "최적" 솔루션을 얻으십시오. 이것도 나쁘지 않은데 개념적 차원에서 접근 방식이 많이 다르고 그런 공식의 존재가 나로서는 여전히 의심스럽다.
선형 계획법의 관점에서 모델을 살펴보는 것은 흥미로울 것입니다.
예, 곧 포스팅할 것 같습니다. 그러나 그것이 즉시 모두 맞을지는 의문입니다. 그러니 저를 꾸짖지 마세요. 저는 그저 온갖 종류의 과학적 지혜와 속임수를 배우고 있을 뿐입니다 . :에 대한)
중성자 에게
흥미로운 정보입니다, 나는 생각할 시간을 가지고 있고, 사업을 서두를 때입니다 :o(
이 모든 것이 하나의 악기에 해당됩니다. 다중 통화 포트폴리오에 대해 얻은 결과를 일반화하려면 각 상품에 대해 개별적으로 거래 내역을 갖고 금전적 수익률에 반비례하여 자본화 정도를 선택해야 합니다. 이렇게 하면 포트폴리오에 대한 각 개별 상품의 영향이 균등해지고 각각에 대한 개별 손실이 완화됩니다.
포트폴리오 분석기도 있습니다 :) .
저것들. 포트폴리오에 대한 최적의 자본화 정도를 즉시 찾을 수 있습니다. 그런 다음 짝에 비례하여 퍼뜨리면 전체 포트폴리오에 대한 학위를 얻을 수 있습니다.
이 솔루션은 정확하다고 주장하지 않지만 IMHO에서는 작동합니다.
TheXpert에게
내가 이해하는 바에 따르면, 당신은 실제로 모든 다양한 종속성을 목적 함수에 "밀착"함으로써 경험적 "이익 공식"을 얻고 싶어합니다. 또는 이렇게 추론하여 얻을 수 있습니다. 결과적으로 입력 값을 대체하고 일종의 "최적" 솔루션을 얻으십시오. 이것도 나쁘지 않은데 개념적 차원에서 접근 방식이 많이 다르고 그런 공식의 존재가 나로서는 여전히 의심스럽다.
음 ... 아니 :)
하지만 비교를 계속하면 탐욕스러운 알고리즘이 30분 만에 작성되고 출산까지 정확한 휴리스틱이 ... 뇌가 끓을 수 있습니다. 이미 운이 좋은 것입니다.
그리고 존경받는 커뮤니티는 Ralph Vince의 책 "A New Approach to Money Management . Structure of Asset Allocation between different Investment Instruments"에 대해 어떻게 생각합니까?
포트폴리오의 개념이 반드시 다른 통화 쌍과 연관되는 것은 아니기 때문에
저는 다음과 같은 방법으로 포트폴리오 분석에 접근했습니다.
1. N 거래 전략을 선택하고 M 통화에 대한 전문가 준비
2. 손실률이 <50%인 최대 수익성을 위해 기록에 최적화했습니다.
3. 전략 테스터에서 매일 csv 파일로 저장되었던 코드를 각 Expert Advisor에 삽입:
여기서 LastBallance는 데이터를 저장할 때 Expert Advisor가 도달한 최대 잔액입니다.
4. 결과적으로 N * M개의 파일을 받았습니다.
5. Excel에 모든 것을 로드하고 매일의 수입(손실)을 계산합니다.
6. 전체 테스트 기간 동안 각 전략에 대한 상대 손익의 최대값을 %로 계산합니다.
7. 전체 테스트 기간 동안 여러 전략의 포트폴리오에 대한 상대 소득 및 손실의 최대값을 %로 계산했습니다.
이 단계에서 내가 직접 포트폴리오를 구성했습니다.
나는 다음과 같이 행동했다.
- 어떤 전략이든 취했다
- 가장 큰 단점을 발견한 날
- 그날 최소 수익이 나는 전략을 찾고 있었다.
- 그런 다음 이미 두 가지 전략에 따라 매일 데이터를 요약했습니다.
- 다음 전략을 추가했습니다.
그 결과, 포트폴리오 거래가 총 손실을 줄이고 소득 곡선을 평평하게 할 수 있다는 확신을 갖게 되었습니다.
(어떤 이유로 많은 사람들은 포트폴리오 거래가 수익성을 높일 수 있다고 생각합니다).
앞으로 포트폴리오를 자동으로 선택하는 프로그램(대부분 스크립트)을 작성할 계획입니다.
엑셀을 사용하지 않고
아누비스 에게
도움이 될 수 있어서 기쁩니다. 한 가지 기능을 더 명확히 할 시간이 없었습니다. 일반적으로 모델의 순서가 증가하면 오류가 증가합니다. 그러나 이러한 모델이 예측하는 방식과 가격 시리즈에 대한 올바른 식별이 실제로 불가능하다는 점을 감안할 때 특히 그러한 미묘함에 긴장하지 않을 수 있습니다.
내가 이것을 정리할 것이다! 고액 주문을 사용할 때 때때로 성능 문제가 발생합니다. 더 생각하기가 무서울 것입니다. -)
정확도에 대해서는 특별히 걱정하지 않습니다. 아직 초기 단계입니다.
매우 재미있을 것입니다. 비슷한 생각을했지만 지금까지 경험이 충분하지 않고 여전히 알고리즘을 만지작 거리고 있습니다 ....
ps 그리고 어떤 종류의 닫힌 섹션? 평범한 "필사자"가 거기에 갈 수 있습니까? =)
...어째서인지 많은 사람들은 포트폴리오 거래가 수익성을 높여야 한다고 생각합니다.
그렇지 않니?
명확히 하자면, 수익성 있는 TS와 서로 다른 자본화로 동일하거나 동일한 수익을 내는 여러 개의 상호 관련되지 않은 상품이 있습니다. 하나의 도구로 작업하는 경우를 고려하십시오. 소득 곡선(CA)은 최소 자승법에 의해 직선으로 그려질 수 있습니다. 그러면 TS의 소득은 직선의 기울기의 접선에 비례하고 위험은 무차원 값에 비례하며 이 직선에서 CA 포인트의 표준편차를 자본금액으로 나눈 비율입니다. 이 악기에 걸었습니다. 선택한 MM에 따라 위험 수준 R% 를 수락합니다.
이제 하나의 상품에 대한 경매에 참가한 자본을 모든 상품의 수에 따라 n개의 동일한 부분으로 나눕니다. 그러면 각 상품의 수입은 n 배 감소하고 위험은 동일하게 유지되고 서로 상관되지 않습니다. 이러한 포트폴리오의 경우 총 수익률은 단일 포지션을 자본화할 때 소득과 가산되며 각 상품에 대한 CA의 표준 편차는 확률 변수로 합산되며 첫 번째 근사값에서 다음과 같습니다. 총 위험에 대해 R %/SQRT(n) 의 추정치를 제공하는 제곱합의 근입니다(위의 위험 정의 참조). 그러나 MM에 따르면 우리는 R% 이상의 위험을 감수할 수 있으며, 이를 통해 SQRT(n) 배만큼 초기 자산에 비해 포트폴리오 자본금을 늘릴 수 있습니다! 소득은 차례로 포지션 자본화에 비례합니다. 따라서 자본을 n개의 상관되지 않은 상품으로 분할함으로써 위험을 증가시키지 않고 n 배의 근으로 총 포지션 의 수익성 을 증가시킨다고 주장할 수 있습니다.
사실 증명이 필요했던 것입니다. 물론 포트폴리오의 시가총액을 늘리지 않음으로써 위험을 줄일 수 있는 것도 사실이며, 포트폴리오 거래가 수익성을 높이는 데 필요하지 않다고 공식적으로 주장할 수도 있습니다. 하지만 이들은 본질적으로 동일한 것의 양면입니다. 동전.
위의 사진은 100개 및 10개 상품(파란색 선)과 구성 상품 중 하나(빨간색)로 구성된 포트폴리오의 주식 성장 사진입니다. 동일한 수익률로 상품 수가 증가함에 따라 위험이 어떻게 감소하는지 확인할 수 있습니다.