- Capital líquido
- Rebaixamento
Distribuição
Símbolo | Operações | Sell | Buy | |
---|---|---|---|---|
WINQ24 | 291 | |||
WINM24 | 166 | |||
WINV24 | 8 | |||
25
50
75
100
125
150
175
200
225
250
275
300
|
25
50
75
100
125
150
175
200
225
250
275
300
|
25
50
75
100
125
150
175
200
225
250
275
300
|
Símbolo | Lucro bruto, USD | Loss, USD | Lucro, USD | |
---|---|---|---|---|
WINQ24 | 1K | |||
WINM24 | 756 | |||
WINV24 | -147 | |||
2.5K
5K
7.5K
10K
13K
15K
18K
20K
|
2.5K
5K
7.5K
10K
13K
15K
18K
20K
|
2.5K
5K
7.5K
10K
13K
15K
18K
20K
|
Símbolo | Lucro bruto, pips | Loss, pips | Lucro, pips | |
---|---|---|---|---|
WINQ24 | 3.6K | |||
WINM24 | 5K | |||
WINV24 | -165 | |||
20K
40K
60K
|
20K
40K
60K
|
20K
40K
60K
|
- Depósito carregado
- Rebaixamento
A slippage média baseada em estatísticas de contas real de diferentes corretoras é especificada em pontos. Depende da diferença entre as cotações do provedor de "XPMT5-PRD" e do assinante, bem como de atrasos na execução de ordens. Quanto menor o valor, melhor a qualidade da cópia.
XPMT5-PRD
|
1.68 × 2155 | |
GenialInvestimentos-PRD
|
1.98 × 48 | |
Rico-PRD
|
5.59 × 406 | |
ThrusterLABS WINB3.TSP utiliza uma abordagem complexa resultado da combinação de diferentes estratégias de operação utilizando-se os atuais melhores robôs da bolsa brasileira, projetados pela Robotizz Xperience.
A ThrusterLABS desenvolve métodos exclusivos de otimização, chamados WFNSA - Walk Forward Neighborhood Statistical Analysis, que é composto pelas sequintes etapas lógicas sequenciais:
1. Macro-meso-micro otimização sequencial à exaustão dos parâmetros de neogicação dos experts Robotizz nos dados históricos do IBOV;
2. Obtenção de um big data amostral de centenas de milhares a milhões de backtests para cada robô, passando por todos os modais operacoinais como long e/ou short, melhoras horários/dias para negociação, gerenciamento de risco, também pelos parâmetros nucleares de funcionamento dos algoritmos (médias, indicadore, price action) até ao ajuste fino de take profit/stoploss.
3. Todas as simulações, nos seus diferente estágios de execução, utilizam um training períod (in-sample) vs. walk-forward (out-of-sample) de no mínimo 30 a 50%. Um critério estatístico combinatório é aplicado para obtenção das melhores configurações, levando-se em conta ambos os resultados obtidos.
4. O melhor cluster médio de resultado- conjunto de resultados positivos, com relativa variabilidade dos parâmetros em análise, é definido, pelos seus valores médios, como o setup de configuração para próxima etapa. Não se adota o melhor resultado mas sim aqueles valore médios que são representativos do cluster, visando eliminar overfiting.
5. Uma vez determinado o valor médio do cluster vencedor, as faixas de configuração em relação à média adoatada na etapa anterior são expandidas entre 5 a 15%, além do teste em um timeframe inferior e superior. Tal abordagem - Análise Estatística de Vizinhança, visa avaliar a robustez confiabilidade da configuração média obtida, estressando seus valores pela expansão das faixas possíveis, sendo testadas todas as possibilidades novamente. Caso todas as iterações da vizinhança decorrente do setup medio obtido na etapa anterior seja vitoriosa (SQN Van Tharp mínimo de 2.0 e médio superior a 3.5, em ambos in-sample e out-of-sample), a configuração para operação ótima do robô em estudo está aprovada e passa a se aplicada em conta real.
6. A metodologia por fim submete uma amostragem aleatória e também dos melhores, médios e piores resultados da vizinhança a uma análise de Equity Chart e Trade Analysis no Quant Analyzer, buscando insights valiosos e específicos desta ferramenta.