최적화 결과, 가장 낮은 손실 , 이익 요인 또는 내가 고려해야 할 다른 것 중에서 어떤 것을 선택하는 것이 가장 좋은지 알려주실 수 있으신가요?
감사해요!
이에 대한 내 경험을 공유하기 위해 이 6개 열에 대한 판별 분석을 수행하여 무작위 선택과 비교하여 어떤 설정이 앞으로 가장 잘 수행되는지 추측할 수 있는지 확인했으며 내 결론은 사용할 수 없다는 것입니다. 에이전트는 시장에 적응하고 현재 상황에 적응했는지 알 수 없는 상태에서 그렇지 않을 때 더 나쁜 것을 선택합니다. 제가 사용한 에이전트로 가장 많이 판별하는 컬럼은 트레이드 횟수였고, 최선의 선택은 트레이드 횟수, 이익, 드로다운 등과 일종의 미묘한 균형을 맞추는 것이었지만 명확한 규칙을 표현할 수는 없었습니다.
이제 저는 zzuegg가 제안하는 것을 시도하고 있습니다. 최적화에서 모든 수익성 있는 설정을 가져오고 최상의 설정을 유지하기 위해 과거에 테스트했습니다. 아이디어는 단기 및 장기 시장에 동시에 적용되는 설정을 갖는 것입니다. 상상할 수 있듯이 목표는 자동 최적화 를 만드는 것입니다.
이에 대한 내 경험을 공유하기 위해 이 6개 열에 대한 판별 분석을 수행하여 무작위 선택과 비교하여 어떤 설정이 앞으로 가장 잘 수행되는지 추측할 수 있는지 확인했으며 내 결론은 사용할 수 없다는 것입니다. 에이전트는 시장에 적응하고 현재 상황에 적응했는지 알 수 없는 상태에서 그렇지 않을 때 더 나쁜 것을 선택합니다. 제가 사용한 에이전트로 가장 많이 판별하는 컬럼은 트레이드 횟수였고, 최선의 선택은 트레이드 횟수, 이익, 드로다운 등과 일종의 미묘한 균형을 맞추는 것이었지만 명확한 규칙을 표현할 수는 없었습니다.
이제 저는 zzuegg가 제안하는 것을 시도하고 있습니다. 최적화에서 모든 수익성 있는 설정을 가져오고 최상의 설정을 유지하기 위해 과거에 테스트했습니다. 아이디어는 단기 및 장기 시장에 동시에 적용되는 설정을 갖는 것입니다. 상상할 수 있듯이 목표는 자동 최적화입니다.
IMO, 옵티마이저를 희망 생성기로 사용하는 것은 까다로운 비즈니스가 될 수 있습니다. Phillips가 항상 말하듯이 "시장이 최적화 기간 동안 했던 것과 똑같이 행동하기를 기대하는 것과 같습니다". 옵티마이저는 # sl_tp 또는 period_time을 기반으로(일반적으로) 맞춤 결과를 맞추는 크런처입니다. 직접 겪어보니, 최적화된 기간을 벗어나거나 향후 테스트에서 유망한 매개변수 의 할당이 제대로 수행되지 않는 것으로 의심됩니다.
IMO, 하나는 Optimizer와 독립적인 전략을 만들고 2010년 데이터에서 테스트하고 가능성이 있으면 2009,2008,2007... 등으로 이동해야 합니다. 지난 10년 동안 최고의 결과를 얻었더라도 여전히 냉정함을 유지해야 하며 성배가 없다고 생각해서는 안 됩니다. IMO, 시장에서 사용하는 모든 전략에는 예를 들어 통제할 수 없는 위험과 같은 위험이 따릅니다.
Phillip, Gordon, WHRoeder, BB 및 이 사이트의 다른 모든 재능 있는 분석가/프로그래머가 제공하는 것과 같은 도구에 대한 최선의 사용법인 IMO는 System-A가 System-B보다 <더 나은지> 비교하는 데 도움이 됩니다. 그렇다면 처음 실행할 때 10년 백 테스트를 통과하는 시스템을 만든 적이 있습니까? ... 아니 젠장. 그러나 최근에는 2010->2008년에 잘 작동하고 도중에 어딘가에서 중단되는 더 많은 시스템을 프로그래밍하고 있습니다. 이것은 RSI>80 && MA-1이 MA-2를 교차한 다음 매도하는 것처럼 보였던 초보자 교과서 프로그램과 비교할 때 진행 상황입니다. 백 테스터를 통해 그런 시스템을 촬영하면 99% 실패합니다. 그런 다음 대부분은 Optimizer를 통해 넣는 함정에 빠집니다.
새로 형성된 시스템을 사용하면 성능이 좋지 않은 짧은 기간을 살펴보고 시스템에서 제외하는 방법을 찾고 싶습니다. 그러나 내가 두려워하는 것은 그것이 커브 피팅의 또 다른 형태에 불과하다는 것입니다. 나는 단지 명백히 잘못된 것인 하드 코딩(월요일 1-5-2003=거래하지 않음)에 대해 말하는 것이 아닙니다. 모든 유형의 표시기 또는 발진기를 사용하는 것을 의미합니다. 시스템이 그렇게 실패할 때 가장 좋은 방법은 메모리에 작동하는 것을 기록하고 EA를 보관한 다음 처음부터 프로그래밍을 시작하는 것입니다.
새로 형성된 시스템을 사용하면 성능이 좋지 않은 짧은 기간을 살펴보고 시스템에서 제외하는 방법을 찾고 싶습니다. 그러나 내가 두려워하는 것은 그것이 커브 피팅의 또 다른 형태에 불과하다는 것입니다. 나는 단지 명백히 잘못된 것인 하드 코딩(월요일 1-5-2003=거래하지 않음)에 대해 말하는 것이 아닙니다. 모든 유형의 표시기 또는 발진기를 사용하는 것을 의미합니다. 시스템이 그렇게 실패할 때 가장 좋은 방법은 메모리에 작동하는 것을 기록하고 EA를 보관한 다음 처음부터 프로그래밍을 시작하는 것입니다.
예, 그리고 다양한 기울기 또는 ATR 수준에 따라 여러 개별 기간의 기록을 줄이려고 했지만 중단된 기간에 대한 최적화는 지난 3개월 동안의 최적화와 거의 비슷합니다. 커브 피팅 위험은 여전히 존재합니다. 첫날.
가장 이해하기 힘든 것은 지난 10년 동안 큰 범위 값으로 최적화했을 때 수익성이 있었던 에이전트에 도달하더라도 과거 데이터에 대해 얼마나 과도하게 최적화하고 있는지 여전히 확신할 수 없다는 것입니다. 거기에 도달하기 위해 수백 가지의 멋진 아이디어를 버리고 있었기 때문에 최적화 프로그램의 유전적 알고리즘이 하는 일과 정확히 일치합니다.
망치 위험 계산을 사용하는 방법은 기간(월별, 주별, 연간 등) 또는 일종의 증분(거래당, 10거래당 등)을 정의한 다음 해당 기간에 대한 통계를 수집하는 것입니다. . 결과 계산 결과가 의미하는 바(단위)와 관련하여 중요합니다.
때로는 올바른 질문을 하고 있는지 확인하는 데 먼저 초점을 맞추는 것이 도움이 됩니다.
예를 들어, 제 클라이언트는 월간 일정으로 운영됩니다. 그들은 매일 또는 매주 일에 신경 쓰지 않습니다. 그들에게는 월별 결과가 전부입니다. 따라서 제 경우에는 주간 결과 또는 거래당 기준으로 파산 위험을 계산하는 것은 나에게 아무 소용이 없습니다.
따라서 백테스트에서 해야 할 일은 월별 평균 수익률(이익, 손실, ROR 등)을 캡처하는 것입니다. 다음과 같은 것:
지표 파괴의 위험을 계산하려면 먼저 해당 기간에 대한 데이터를 수집해야 합니다. 이 예의 경우 월별 수익률 결과를 조합하고 평균 월별 ROR을 계산한 다음 해당 월별 수익률의 표준 편차를 계산해야 했습니다.
이 예에서 평균 월별 ROR은 8%의 표준 편차와 함께 12%였습니다...백테스트 결과에서 이것은 앞으로 황금색이어야 했지만 (보다시피) 그렇지 않았습니다. 참고 내 계정이 언제 망가질지 아는 데 관심이 없기 때문에(사소한 질문입니다) 파산 위험을 손실 위험(ROL)이라고 합니다. 고정된 양, 예를 들어 20%만큼 수중에서 계산됩니다.
따라서 표준 편차가 8%인 12% 월간 ROR은 시간의 약 6.5%(월말 이벤트의 6.5% 또는 약 15개월에 한 번)에서 계정 가치에서 7.4% 손실을 경험할 것으로 예상할 수 있음을 의미합니다. .
따라서 처음에는 설명할 수 없는 순방향 테스트 결과에 당황했지만, 백테스트 결과를 기반으로 이러한 월별 결과를 기대하는 것은 완벽하게 합리적이었습니다. 단 15개월 만에 내 계정의 최고점에서 마이너스 하락을 기대할 수 있습니다.
따라서 의미 있는 손실 평가 위험을 계산하려면 먼저 자신과 관련된 기간을 결정한 다음 RoR의 평균 및 표준 편차를 계산할 수 있는 형식으로 결과를 조합해야 합니다. 그 기간에.
백테스트에서 해당 데이터를 얻은 후에는 파손 위험(또는 제가 언급하고자 하는 손실 위험) 계산을 사용하여 수많은 통계 기반 분석을 수행할 수 있습니다.
이것은 50개 거래의 30개 그룹에 대한 내 결과입니다(2001년 3월 18일 - 2010년 12월 21일)
$700의 초기 보증금으로
흐르는 것에 대해 나는 다음을 계산했습니다.
=> 2.9%의 평균 ROR
=> 6.5%의 표준편차
(어느 쪽이 별로야.... 맞죠? )
이제 50개 거래의 각 그룹에 대해.. 내가 기대할 수 있는 손실의 최대 %는 다음과 같습니다. $0.1 X 50 X (20pips+3pip 스프레드) = $115
그리고 Sharpe만으로는 충분하지 않습니다. σ 값 자체는 주어진 Sharpe 값에서 ROL을 결정하는 데 중요합니다(이것은 잘 알려지지 않은 사실이지만 레버리지가 문제가 되는 근본적인 이유이며 CFTC가 최대 레버리지를 줄이는 이유입니다. 우리를).
이것이 "베타가 죽인다"는 주문이 존재하는 이유입니다. 세계 최고의 μ는 σ의 파멸 위험이 큽니다. 레버리지는 σ를 크게 만들고, 과도한 위치 크기 조정은 σ를 만들고 사람들은 큰 μ를 찾습니다.
그러나 큰 μ를 얻을 수 있는 유일한 방법은 σ를 크게 만드는 것뿐이라면 멸망할 운명입니다. 많은 사람들이 이해하거나 조사할 준비가 되어 있지 않은 수학적 확실성, 따라서 CFTC는 초보자가 큰 위치 크기를 늘릴 수 있는 능력을 빼앗아 σ가 얼마나 커질 수 있는지에 대해 제한을 두어 그들을 대신할 것입니다.
CFTC의 외환 레버리지 제어에 대해 많은 분노가 있지만 CFTC는 실제로 최악의 적으로부터 사람들을 구하려고 노력하고 있습니다.
세르게이라 :
이제 50개 거래의 각 그룹에 대해.. 내가 기대할 수 있는 손실의 최대 %는 다음과 같습니다. $0.1 X 50 X (20pips+3pip 스프레드) = $115
115/700 = 16.5%
나는 50 거래 세션당 그 이상을 잃을 수 없습니다
손실 위험을 계산할 때 이를 고려할 수 있는 방법이 있습니까?
손실 위험 자체는 확률 분포 이며 손실 가능성이 있는 최대 값($115)은 해당 분포의 한 지점에 불과합니다. 당신이 관심을 가질 수 있는 것은 그러한 시나리오가 얼마나 자주 발생하는지 아는 것입니다. 5년에 한 번 또는 5개월에 한 번 $115 손실을 경험하시겠습니까?
RoL을 사용하여 답변하는 질문입니다. "얼마나 자주 XYZ를 잃을 것으로 예상합니까?" 단계에 따라 허용되는 최대 RoL인 115달러를 잃을 가능성이 얼마나 되는지 묻고 답은 9%입니다.
아직도 이해가 안되는게 하나 있는데.... 이 계산에 영향을 주는 다른 요인은 없는건가요??
월 단위로 계산된 ROR 결과를 가져옵니다.
(논증을 위해) 한 달에 더 많은 거래가 있다고 가정해 보겠습니다. 더 높은 ROR을 얻을 수 있습니다.
예: 0 거래에 대해 0%를 얻습니다.
10번의 거래에 대해 5%(평균)
20번의 거래에 대해 10%(평균)
등등...
30개월의 기간 동안 ROR 분포에 값의 높은 스프레드가 있다고 가정해 보겠습니다(매월 거래 횟수가 완전히 다름)
평균 수익률이 10%이고 표준 편차가 20%이고 음수 ROR이 없도록(음수 거래를 가질 수 없습니다...)
이제 20%인 하나의 표준 편차가 손실될 위험을 계산하면 대략 37%가 됩니다.
여기 어디로 가는지 보이십니까?
나는 정말로 바보가 되려고 하는 것이 아니지만, 따르지 않습니다. 나는 당신이 여기에서 주장하는 주장을 이해하지 못합니다. 한 달에 10번, 한 달에 20번 동전을 던지면 지금까지의 동전 던지기 이력에 관계없이 앞면이 나올 확률은 항상 50/50입니다. 동전 던지기의 현실이 때때로 통계와 다르다는 사실이 통계를 무효로 만드는 것이 아니라 단지 유용성을 제한할 뿐입니다.
RoL을 계산하는 목적은 그것이 수학적으로 유효하지만 보장되지 않는 것입니다. 이는 거래 전략에서 표시(체계적) 위험을 포착하고 제시하는 데 더 나은 결과를 평가하는 방법인 지침일 뿐입니다. 하지만 기회는 기회일 뿐입니다. 당신이 손실을 경험하지 않을 기회가 있고 전체 손실을 경험할 기회가 있습니다.
RoL은 순위 정렬 및 거래 전략 및 최적화된 매개변수 선택에 적합한 방식으로 이 기회를 계산하는 데 도움이 됩니다. 그것은 미래를 예측할 수 없기 때문에 성배는 아니지만, 미래가 통계적으로 과거와 비교할 수 있다면 과거의 통계를 미래의 통계에 매핑하려고 시도할 정당한 주장이 있습니다(이것이 기상 모델러가 준비할 때 하는 일입니다) 미래 시장을 예측하는 것이 아니라 단지 미래 시장의 통계적 특성을 예측하기 위한 노력의 일환으로 모델의 앙상블을 통한 예측).
백테스트/포워드 테스트 특성화에 손실 위험 평가를 구현하기 위한 작업 과정에서 Chamness는 물론 Cox와 Miller의 방정식을 가져오고 몇 가지 간단한 변수 대체 및 (IMO) 유용한 통합 단계를 수행했습니다. 결과 방정식은 정규화된 ROR 기준으로 손실 위험을 기준으로 거래 전략 매개변수의 순위를 정하는 데 도움이 됩니다. (RAROC의 1과 유사)
백테스트/포워드 테스트 특성화에 손실 위험 평가를 구현하기 위한 작업 과정에서 Chamness는 물론 Cox와 Miller의 방정식을 가져오고 몇 가지 간단한 변수 대체 및 (IMO) 유용한 통합 단계를 수행했습니다. 결과 방정식은 정규화된 ROR 기준으로 손실 위험을 기준으로 거래 전략 매개변수의 순위를 정하는 데 도움이 됩니다. (RAROC의 1과 유사)
최적화 결과에서 최적의 설정을 결정하기가 어렵습니다.
최적화 결과, 가장 낮은 손실 , 이익 요인 또는 내가 고려해야 할 다른 것 중에서 어떤 것을 선택하는 것이 가장 좋은지 알려주실 수 있으신가요?
감사해요!
이에 대한 내 경험을 공유하기 위해 이 6개 열에 대한 판별 분석을 수행하여 무작위 선택과 비교하여 어떤 설정이 앞으로 가장 잘 수행되는지 추측할 수 있는지 확인했으며 내 결론은 사용할 수 없다는 것입니다. 에이전트는 시장에 적응하고 현재 상황에 적응했는지 알 수 없는 상태에서 그렇지 않을 때 더 나쁜 것을 선택합니다.
제가 사용한 에이전트로 가장 많이 판별하는 컬럼은 트레이드 횟수였고, 최선의 선택은 트레이드 횟수, 이익, 드로다운 등과 일종의 미묘한 균형을 맞추는 것이었지만 명확한 규칙을 표현할 수는 없었습니다.
이제 저는 zzuegg가 제안하는 것을 시도하고 있습니다. 최적화에서 모든 수익성 있는 설정을 가져오고 최상의 설정을 유지하기 위해 과거에 테스트했습니다. 아이디어는 단기 및 장기 시장에 동시에 적용되는 설정을 갖는 것입니다. 상상할 수 있듯이 목표는 자동 최적화 를 만드는 것입니다.
이에 대한 내 경험을 공유하기 위해 이 6개 열에 대한 판별 분석을 수행하여 무작위 선택과 비교하여 어떤 설정이 앞으로 가장 잘 수행되는지 추측할 수 있는지 확인했으며 내 결론은 사용할 수 없다는 것입니다. 에이전트는 시장에 적응하고 현재 상황에 적응했는지 알 수 없는 상태에서 그렇지 않을 때 더 나쁜 것을 선택합니다.
제가 사용한 에이전트로 가장 많이 판별하는 컬럼은 트레이드 횟수였고, 최선의 선택은 트레이드 횟수, 이익, 드로다운 등과 일종의 미묘한 균형을 맞추는 것이었지만 명확한 규칙을 표현할 수는 없었습니다.
이제 저는 zzuegg가 제안하는 것을 시도하고 있습니다. 최적화에서 모든 수익성 있는 설정을 가져오고 최상의 설정을 유지하기 위해 과거에 테스트했습니다. 아이디어는 단기 및 장기 시장에 동시에 적용되는 설정을 갖는 것입니다. 상상할 수 있듯이 목표는 자동 최적화입니다.
IMO, 옵티마이저를 희망 생성기로 사용하는 것은 까다로운 비즈니스가 될 수 있습니다. Phillips가 항상 말하듯이 "시장이 최적화 기간 동안 했던 것과 똑같이 행동하기를 기대하는 것과 같습니다". 옵티마이저는 # sl_tp 또는 period_time을 기반으로(일반적으로) 맞춤 결과를 맞추는 크런처입니다. 직접 겪어보니, 최적화된 기간을 벗어나거나 향후 테스트에서 유망한 매개변수 의 할당이 제대로 수행되지 않는 것으로 의심됩니다.
IMO, 하나는 Optimizer와 독립적인 전략을 만들고 2010년 데이터에서 테스트하고 가능성이 있으면 2009,2008,2007... 등으로 이동해야 합니다. 지난 10년 동안 최고의 결과를 얻었더라도 여전히 냉정함을 유지해야 하며 성배가 없다고 생각해서는 안 됩니다. IMO, 시장에서 사용하는 모든 전략에는 예를 들어 통제할 수 없는 위험과 같은 위험이 따릅니다.
Phillip, Gordon, WHRoeder, BB 및 이 사이트의 다른 모든 재능 있는 분석가/프로그래머가 제공하는 것과 같은 도구에 대한 최선의 사용법인 IMO는 System-A가 System-B보다 <더 나은지> 비교하는 데 도움이 됩니다. 그렇다면 처음 실행할 때 10년 백 테스트를 통과하는 시스템을 만든 적이 있습니까? ... 아니 젠장. 그러나 최근에는 2010->2008년에 잘 작동하고 도중에 어딘가에서 중단되는 더 많은 시스템을 프로그래밍하고 있습니다. 이것은 RSI>80 && MA-1이 MA-2를 교차한 다음 매도하는 것처럼 보였던 초보자 교과서 프로그램과 비교할 때 진행 상황입니다. 백 테스터를 통해 그런 시스템을 촬영하면 99% 실패합니다. 그런 다음 대부분은 Optimizer를 통해 넣는 함정에 빠집니다.
새로 형성된 시스템을 사용하면 성능이 좋지 않은 짧은 기간을 살펴보고 시스템에서 제외하는 방법을 찾고 싶습니다. 그러나 내가 두려워하는 것은 그것이 커브 피팅의 또 다른 형태에 불과하다는 것입니다. 나는 단지 명백히 잘못된 것인 하드 코딩(월요일 1-5-2003=거래하지 않음)에 대해 말하는 것이 아닙니다. 모든 유형의 표시기 또는 발진기를 사용하는 것을 의미합니다. 시스템이 그렇게 실패할 때 가장 좋은 방법은 메모리에 작동하는 것을 기록하고 EA를 보관한 다음 처음부터 프로그래밍을 시작하는 것입니다.
어쨌든 좋은 스레드 녀석. 나는 이것을 따르는 것을 정말로 즐긴다.
새로 형성된 시스템을 사용하면 성능이 좋지 않은 짧은 기간을 살펴보고 시스템에서 제외하는 방법을 찾고 싶습니다. 그러나 내가 두려워하는 것은 그것이 커브 피팅의 또 다른 형태에 불과하다는 것입니다. 나는 단지 명백히 잘못된 것인 하드 코딩(월요일 1-5-2003=거래하지 않음)에 대해 말하는 것이 아닙니다. 모든 유형의 표시기 또는 발진기를 사용하는 것을 의미합니다. 시스템이 그렇게 실패할 때 가장 좋은 방법은 메모리에 작동하는 것을 기록하고 EA를 보관한 다음 처음부터 프로그래밍을 시작하는 것입니다.
예, 그리고 다양한 기울기 또는 ATR 수준에 따라 여러 개별 기간의 기록을 줄이려고 했지만 중단된 기간에 대한 최적화는 지난 3개월 동안의 최적화와 거의 비슷합니다. 커브 피팅 위험은 여전히 존재합니다. 첫날.
가장 이해하기 힘든 것은 지난 10년 동안 큰 범위 값으로 최적화했을 때 수익성이 있었던 에이전트에 도달하더라도 과거 데이터에 대해 얼마나 과도하게 최적화하고 있는지 여전히 확신할 수 없다는 것입니다. 거기에 도달하기 위해 수백 가지의 멋진 아이디어를 버리고 있었기 때문에 최적화 프로그램의 유전적 알고리즘이 하는 일과 정확히 일치합니다.
아니, 우리는 힘든 일이 있어.
망치 위험 계산을 사용하는 방법은 기간(월별, 주별, 연간 등) 또는 일종의 증분(거래당, 10거래당 등)을 정의한 다음 해당 기간에 대한 통계를 수집하는 것입니다. . 결과 계산 결과가 의미하는 바(단위)와 관련하여 중요합니다.
때로는 올바른 질문을 하고 있는지 확인하는 데 먼저 초점을 맞추는 것이 도움이 됩니다.
예를 들어, 제 클라이언트는 월간 일정으로 운영됩니다. 그들은 매일 또는 매주 일에 신경 쓰지 않습니다. 그들에게는 월별 결과가 전부입니다. 따라서 제 경우에는 주간 결과 또는 거래당 기준으로 파산 위험을 계산하는 것은 나에게 아무 소용이 없습니다.
따라서 백테스트에서 해야 할 일은 월별 평균 수익률(이익, 손실, ROR 등)을 캡처하는 것입니다. 다음과 같은 것:
지표 파괴의 위험을 계산하려면 먼저 해당 기간에 대한 데이터를 수집해야 합니다. 이 예의 경우 월별 수익률 결과를 조합하고 평균 월별 ROR을 계산한 다음 해당 월별 수익률의 표준 편차를 계산해야 했습니다.
이 예에서 평균 월별 ROR은 8%의 표준 편차와 함께 12%였습니다...백테스트 결과에서 이것은 앞으로 황금색이어야 했지만 (보다시피) 그렇지 않았습니다. 참고 내 계정이 언제 망가질지 아는 데 관심이 없기 때문에(사소한 질문입니다) 파산 위험을 손실 위험(ROL)이라고 합니다. 고정된 양, 예를 들어 20%만큼 수중에서 계산됩니다.
따라서 표준 편차가 8%인 12% 월간 ROR은 시간의 약 6.5%(월말 이벤트의 6.5% 또는 약 15개월에 한 번)에서 계정 가치에서 7.4% 손실을 경험할 것으로 예상할 수 있음을 의미합니다. .
따라서 처음에는 설명할 수 없는 순방향 테스트 결과에 당황했지만, 백테스트 결과를 기반으로 이러한 월별 결과를 기대하는 것은 완벽하게 합리적이었습니다. 단 15개월 만에 내 계정의 최고점에서 마이너스 하락을 기대할 수 있습니다.
따라서 의미 있는 손실 평가 위험을 계산하려면 먼저 자신과 관련된 기간을 결정한 다음 RoR의 평균 및 표준 편차를 계산할 수 있는 형식으로 결과를 조합해야 합니다. 그 기간에.
백테스트에서 해당 데이터를 얻은 후에는 파손 위험(또는 제가 언급하고자 하는 손실 위험) 계산을 사용하여 수많은 통계 기반 분석을 수행할 수 있습니다.
이것은 50개 거래의 30개 그룹에 대한 내 결과입니다(2001년 3월 18일 - 2010년 12월 21일)
$700의 초기 보증금으로
흐르는 것에 대해 나는 다음을 계산했습니다.
=> 2.9%의 평균 ROR
=> 6.5%의 표준편차
(어느 쪽이 별로야.... 맞죠? )
이제 50개 거래의 각 그룹에 대해.. 내가 기대할 수 있는 손실의 최대 %는 다음과 같습니다. $0.1 X 50 X (20pips+3pip 스프레드) = $115
115/700 = 16.5%
나는 50 거래 세션 당 그 이상을 잃을 수 없습니다
손실 위험을 계산할 때 이를 고려할 수 있는 방법이 있습니까?
흐르는 것에 대해 나는 다음을 계산했습니다.
=> 2.9%의 평균 ROR
=> 6.5%의 표준편차
(어느 쪽이 별로야.... 맞죠? )
예, μ/σ 비율이 >1, 바람직하게는 최소 2가 되기를 원합니다.
그리고 Sharpe만으로는 충분하지 않습니다. σ 값 자체는 주어진 Sharpe 값에서 ROL을 결정하는 데 중요합니다(이것은 잘 알려지지 않은 사실이지만 레버리지가 문제가 되는 근본적인 이유이며 CFTC가 최대 레버리지를 줄이는 이유입니다. 우리를).
이것이 "베타가 죽인다"는 주문이 존재하는 이유입니다. 세계 최고의 μ는 σ의 파멸 위험이 큽니다. 레버리지는 σ를 크게 만들고, 과도한 위치 크기 조정은 σ를 만들고 사람들은 큰 μ를 찾습니다.
그러나 큰 μ를 얻을 수 있는 유일한 방법은 σ를 크게 만드는 것뿐이라면 멸망할 운명입니다. 많은 사람들이 이해하거나 조사할 준비가 되어 있지 않은 수학적 확실성, 따라서 CFTC는 초보자가 큰 위치 크기를 늘릴 수 있는 능력을 빼앗아 σ가 얼마나 커질 수 있는지에 대해 제한을 두어 그들을 대신할 것입니다.
CFTC의 외환 레버리지 제어에 대해 많은 분노가 있지만 CFTC는 실제로 최악의 적으로부터 사람들을 구하려고 노력하고 있습니다.
이제 50개 거래의 각 그룹에 대해.. 내가 기대할 수 있는 손실의 최대 %는 다음과 같습니다. $0.1 X 50 X (20pips+3pip 스프레드) = $115
115/700 = 16.5%
나는 50 거래 세션당 그 이상을 잃을 수 없습니다
손실 위험을 계산할 때 이를 고려할 수 있는 방법이 있습니까?
손실 위험 자체는 확률 분포 이며 손실 가능성이 있는 최대 값($115)은 해당 분포의 한 지점에 불과합니다. 당신이 관심을 가질 수 있는 것은 그러한 시나리오가 얼마나 자주 발생하는지 아는 것입니다. 5년에 한 번 또는 5개월에 한 번 $115 손실을 경험하시겠습니까?
RoL을 사용하여 답변하는 질문입니다. "얼마나 자주 XYZ를 잃을 것으로 예상합니까?" 단계에 따라 허용되는 최대 RoL인 115달러를 잃을 가능성이 얼마나 되는지 묻고 답은 9%입니다.
오 ...
아직도 이해가 안되는게 하나 있는데.... 이 계산에 영향을 주는 다른 요인은 없는건가요??
월 단위로 계산된 ROR 결과를 가져옵니다.
(논증을 위해) 한 달에 더 많은 거래가 있다고 가정해 보겠습니다. 더 높은 ROR을 얻을 수 있습니다.
예: 0 거래에 대해 0%를 얻습니다.
10번의 거래에 대해 5%(평균)
20번의 거래에 대해 10%(평균)
등등...
30개월의 기간 동안 ROR 분포에 값의 높은 스프레드가 있다고 가정해 보겠습니다(매월 거래 횟수가 완전히 다름)
평균 수익률이 10%이고 표준 편차가 20%이고 음수 ROR이 없도록(음수 거래를 가질 수 없습니다...)
이제 20%인 하나의 표준 편차가 손실될 위험을 계산하면 대략 37%가 됩니다.
여기 어디로 가는지 보이십니까?
나는 정말로 바보가 되려고 하는 것이 아니지만, 따르지 않습니다. 나는 당신이 여기에서 주장하는 주장을 이해하지 못합니다. 한 달에 10번, 한 달에 20번 동전을 던지면 지금까지의 동전 던지기 이력에 관계없이 앞면이 나올 확률은 항상 50/50입니다. 동전 던지기의 현실이 때때로 통계와 다르다는 사실이 통계를 무효로 만드는 것이 아니라 단지 유용성을 제한할 뿐입니다.
RoL을 계산하는 목적은 그것이 수학적으로 유효하지만 보장되지 않는 것입니다. 이는 거래 전략에서 표시(체계적) 위험을 포착하고 제시하는 데 더 나은 결과를 평가하는 방법인 지침일 뿐입니다. 하지만 기회는 기회일 뿐입니다. 당신이 손실을 경험하지 않을 기회가 있고 전체 손실을 경험할 기회가 있습니다.
RoL은 순위 정렬 및 거래 전략 및 최적화된 매개변수 선택에 적합한 방식으로 이 기회를 계산하는 데 도움이 됩니다. 그것은 미래를 예측할 수 없기 때문에 성배는 아니지만, 미래가 통계적으로 과거와 비교할 수 있다면 과거의 통계를 미래의 통계에 매핑하려고 시도할 정당한 주장이 있습니다(이것이 기상 모델러가 준비할 때 하는 일입니다) 미래 시장을 예측하는 것이 아니라 단지 미래 시장의 통계적 특성을 예측하기 위한 노력의 일환으로 모델의 앙상블을 통한 예측).
그것은 당신이 정말로 희망할 자격이 있는 최선에 관한 것입니다.
시간 내주셔서 감사합니다!! 정말 감사합니다
그래서 다음 테스트 결과에 의해 나는 단지 매우 운이 좋았습니까 ??
이 전체 기간 동안 연속 손실 거래의 최대 금액(50개 거래의 약 23개 그룹 중 - 전체를 하나의 테스트로 압축할 수 없음)은 41개(50개 거래의 2개 그룹으로 나눌 수 있음)
그런 드로우다운을 더 자주 봤어야 했나?
결국 내가 이 게임을 계속 "플레이"하면 9%의 확률로 스트라이크를 잃게 될까요?
이제 한 가지 더
이 보고서에 따르면
내가 수익성 있는 거래를 할 수 있는 평균 기회는 8.85%이고 손실 거래는 91.15%입니다.
따라서 이것에 따르면 50연패의 확률은 다음과 같습니다. 0.9115^50 = 0.97% ...
9%와는 거리가 꽤 멉니다... 이게 어떻게 가능할까요??
만약 내가 95.3%의 확률로 진다면 그것은 정확할 것이고, 그러한 비율로 나의 기대는 음수 O_O가 될 것입니다.
예= 0.953*(-23)+0.047*(247) = -10.31 핍 거래당 이익
내가 여기에서 본 한 가지는 당신이 분포를 가우스 분포의 기능적 형태로 돌리고 있다는 것입니다. 반면에 내 이해는 파멸 계산의 위험이 포아송/확률적 프로세스 기대치를 기반으로 파생되었다는 것입니다.
방정식의 유도를 이해하려면 다음 책을 읽는 것이 좋습니다. Cox와 Miller 의 Theory of Stochastic Processes
그들은 파멸 방정식의 위험에 대해 인용된 저자입니다.
백테스트/포워드 테스트 특성화에 손실 위험 평가를 구현하기 위한 작업 과정에서 Chamness는 물론 Cox와 Miller의 방정식을 가져오고 몇 가지 간단한 변수 대체 및 (IMO) 유용한 통합 단계를 수행했습니다. 결과 방정식은 정규화된 ROR 기준으로 손실 위험을 기준으로 거래 전략 매개변수의 순위를 정하는 데 도움이 됩니다. (RAROC의 1과 유사)
내가 여기에서 본 한 가지는 당신이 분포를 가우스 분포의 기능적 형태로 돌리고 있다는 것입니다. 반면에 내 이해는 파멸 계산의 위험이 포아송/확률적 프로세스 기대치를 기반으로 파생되었다는 것입니다.
방정식의 유도를 이해하려면 다음 책을 읽는 것이 좋습니다. Cox와 Miller 의 Theory of Stochastic Processes
그들은 파멸 방정식의 위험의 인용된 저자입니다.
백테스트/포워드 테스트 특성화에 손실 위험 평가를 구현하기 위한 작업 과정에서 Chamness는 물론 Cox와 Miller의 방정식을 가져오고 몇 가지 간단한 변수 대체 및 (IMO) 유용한 통합 단계를 수행했습니다. 결과 방정식은 정규화된 ROR 기준으로 손실 위험을 기준으로 거래 전략 매개변수의 순위를 정하는 데 도움이 됩니다. (RAROC의 1과 유사)
내가 하는 방식으로 처리하는 것이 잘못입니까(과시안 분포로)?
무거운 책 같아요
그러나 어쨌든 그것을 샀습니다 ... 파고 이해하려고 노력할 것입니다
감사해요 !
그것은 잘못된 것이 아닙니다. 단지 당신이 계산하고 있다고 생각하는 결과를 제공하지 않을 뿐입니다.
예를 들어 "1+1 = 2"라고 말하는 것은 잘못된 것이 아닙니다. 수학이 분명히 정확하기 때문입니다.
그러나 "1+1=2, 이것은 내 수학의 숫자가 2이기 때문에 6개월 안에 내 계정을 두 배로 늘릴 수 있다는 것을 의미합니다"라고 말하는 것은 잘못된 것입니다.
어쨌든 당신은 61페이지의 방정식 91로 이어지는 유도에 주의를 기울이고 싶을 것입니다.