Relação de sharpe forex

relação de sharpe forex

Em vez de tentar ganhar relação de sharpe forex dinheiro rapidamente, devemos tentar obter um lucro constante. Estratégias que apostam semanalmente ou diariamente não podem garantir isso porque a avaliação da estratégia será feita automaticamente em poucas negociações. Por exemplo, uma estratégia com um Relação de sharpe forex de 20 dias que mantenha posições abertas por uma média de 10 dias só pode ter cerca de 10 negociações verdadeiramente independentes por ano. Quaisquer que sejam os resultados da estratégia, não se pode confiar em que eles benefícios do cartão forex repitam no futuro. Por outro lado, uma estratégia que aposta na escala do tick pode facilmente fazer milhares de negociações verdadeiramente independentes e, portanto, é muito mais provável que os resultados se repitam no futuro.

No entanto, há a desvantagem de que os movimentos serão muito pequenos, superando a dispersão e a comissão é quase impossível. Nosso método nos permite prever alguns carrapatos à frente com mais de 60 de precisão consistentemente por períodos muito longos. isso ainda não é suficiente para se fazer uma estratégia lucrativa porque os negócios custam mais do que produzem. No entanto, já estamos vencendo o spread e uma boa parte da comissão e há algumas indicações quanto a melhorias futuras.

A rede LSTM A rede LSTM é um algoritmo que lida com problemas de séries temporais como reconhecimento de speach ou composição musical automática e é ideal para forex, que é uma série temporal muito longa. Como em muitas estratégias, observamos um determinado período no passado do instrumento e, com base nesse período, tentaremos prever em que direção o instrumento se moverá no futuro próximo.

O que outras estratégias realmente prevêem pode ser diferente, algumas podem prever um nível no o melhor sistema livre de negociação forex colocar um take-profit e outras prevêem algo como o fator lucro rebaixamento, aplicativo de negociação livre forex para blackberry é sempre uma maneira de decidir se deve ser longo ou curto, nada realmente importa além de um gerenciamento de contas adequado. Com o LSTM, não precisamos usar nenhum indicador porque ele vai construir seus próprios indicadores que estão totalmente escondidos de nós.

Precisamos apenas alimentar o movimento passado para assinalar os movimentos, um de cada vez, durante o período que escolhemos e irá prever o movimento seguinte. Naturalmente, suas previsões não serão boas, mas, para cada previsão, mediremos o erro e, com base nesse erro, melhoraremos a rede para que as previsões futuras sejam mais precisas.

Isso significa que o algoritmo se adapta constantemente e nunca será pior do que se fizesse previsões aleatórias. O gráfico abaixo mostra como a qualidade das previsões evolui ao longo de dois meses de treinamento ao prever se os próximos dez ticks serão positivos ou negativos. Então, como isso funciona realmente. No nível dos carrapatos, o algoritmo funciona muito bem e, ao analisar cerca de 100 carrapatos, podemos prever até cinco carrapatos com precisão superior a 60 e a precisão também é constante.

Os melhores resultados são obtidos filtrando algum ruído com barras de estilo renko com um tamanho de aproximadamente 0,25 pips. Na prática, "treinamento on-line", o que significa que estamos constantemente atualizando a rede, é absolutamente crucial. Não parece haver uma única rede fixa de LSTM que forneça previsões precisas por mais de um par de meses de cada vez, e geralmente é menor do que isso. Em outras escalas de tempo, os resultados são os piores, pelo menos recentemente.

Os resultados na escala horária de tempo são realmente bons se voltarmos para 2003-2006, mas desde então, o algoritmo não é melhor do que aleatório. A estratégia A rede LSTM não prevê tanto movimentos precisos quanto uma probabilidade de que o próximo movimento seja positivo ou negativo.

Portanto, apostar apenas quando a probabilidade prevista é muito alta ou muito baixa aumenta o desempenho. É quando decidimos abrir uma posição. Em seguida, fechamos a posição quando as previsões se invertem. Existem mais algumas otimizações, como apostar apenas em determinados momentos do dia. Embora as previsões tendam a ser melhores em horas de pouca atividade, o intervalo mais alto que ocorre durante as horas ocupadas as torna mais lucrativas, em média. Finalmente, uma otimização sorrateira é apenas abrir e fechar posições quando o spread é muito pequeno. No EURUSD, o spread com dukascopy nos últimos seis meses foi geralmente de apenas 0,1 pips e a restrição de negociações para um spread menor diminui muito os custos de negociação, embora não funcione sempre.

Isso também é problemático quando a estratégia não consegue se livrar de uma posição ruim porque o spread é muito grande. RESULTADOS Como eu disse no começo, fazer mais lucro do que negociar custos é muito difícil com negociação de alta frequência. Para avaliar nossa estratégia, comparei-a a uma estratégia que abre posições opostas em cada tick e, portanto, está sujeita apenas aos custos de negociação. Chamo isso de estratégia de hedge puro. Os resultados são obtidos nos últimos seis meses. Os resultados mostram que somos capazes de superar uma boa parte dos custos de negociação. Além disso, os resultados são obtidos através de uma quantidade tão grande de negociações que podemos seguramente assumir que são reproduzíveis.

No entanto, não podemos, até agora, lucrar com essa estratégia. Mesmo com as menores comissões oferecidas pela dukascopy, com um grande depósito ou volume de negócios, os custos ainda seriam de 1 dólar por milhão negociados. A esperança para essa estratégia é que ela possa ser usada para identificar os pontos de entrada saída ideais em uma escala de tempo muito pequena, enquanto outra estratégia negocia em uma escala de tempo maior.

Também há grandes esperanças de que a estratégia possa ser melhorada ao ponto de se tornar lucrativa. várias táticas ainda valem a pena ser testadas, como usar redes mais complexas, diferentes algoritmos de treinamento e olhar para trás no passado para cada previsão.

Se você tiver alguma dúvida, sinta-se à vontade para postar um comentário. Redes neurais para negociação algorítmica. Previsão simples de séries temporais. ATUALIZAÇÃO IMPORTANTE: Esta é a primeira parte das minhas experiências na aplicação de aprendizado profundo ao financiamento, em particular ao comércio algorítmico. Eu quero implementar o sistema de negociação do zero baseado apenas em abordagens de aprendizado profundo, então para qualquer problema que tenhamos aqui (previsão de preço, estratégia de negociação, gerenciamento de risco) usaremos diferentes variações de redes neurais artificiais (RNAs) e verificaremos o quão bem elas podem lidar com isso.

Agora pretendo trabalhar nas próximas seções: Eu recomendo fortemente que você verifique o código e o IPython Notebook neste repositório. Nesta primeira parte, quero mostrar como MLPs, CNNs e RNNs podem ser usados para previsão de séries temporais financeiras.

Mapa do Site | Direitos Autorais ©