Ssb Trading System

Negociando um sistema desenvolvido no TSSB Neste momento, ainda não completamos um método simples e elegante para o comércio em tempo real de um sistema desenvolvido no TSSB. No entanto, existem várias formas possíveis (embora, sem dúvida, estranhas) de trocar esses sistemas na atual encarnação do programa: Se você estiver fazendo compras no final do dia para os movimentos do próximo dia e o tempo de treinamento do seu sistema não é excessivo (rápido O tempo de treinamento é a situação mais comum), então você atualizaria o histórico de mercado no final do dia, mas com dois registros de mercado adicionais da lsquofakersquo. Execute o comando TRAIN e execute o comando WRITE DATABASE. Isso produzirá um arquivo de texto padrão contendo, entre outras coisas, o movimento de mercado previsto para o próximo dia. O arquivo de log produzido por treinamento listará os limites para a tomada de posições longas e curtas. Compare o movimento do mercado previsto com esses limiares e tome uma posição em conformidade. Este método é um incômodo porque o usuário deve anexar registros falsos de lsquotomorrowrsquo ao (s) arquivo (s) do histórico de mercado. Mas a vantagem deste método é que o poder total de todos os modelos e comitês do TSSB pode ser invocado nas decisões comerciais. Sobre a necessidade de dois registros falsos. Suponha que estamos fazendo previsões de um dia antes. (Ajustar conforme necessário para outras metas.) O TSSB prevê a mudança de amanhã de manhã para a manhã seguinte. Por exemplo, suponha que tenhamos fechado o dia de negociação 10. Previsto a mudança desde o dia 11 ao aberto do dia 12. Novamente, suponha que acabemos de fechar o dia 10. Então, o caso mais recente no banco de dados pode ser o dia 8 , Que tem como alvo a mudança do dia 9 ao dia 10 e o dia mais recente que temos é o dia 10. Não há como o dia 9 poderia estar no banco de dados, porque precisaria do dia 11 e nós Ainda não existe. Assim, no final do dia 10, precisamos anexar dois registros falsos (apenas duplicados dia 10) para o dia 11 e dia 12. Desta forma, o registro mais recente no banco de dados será para o dia 10, que incluirá o previsto Mudança do dia 11 ao dia 12 com base no histórico que termina no dia 10. Isto, é claro, é o que precisamos para o comércio em tempo real. Se o seu sistema de negociação envolve apenas indicadores que podem ser computados em um programa como o TradeStation (você os importou para o TSSB, o que é fácil) e se o seu sistema TSSB envolve apenas construções simples, como regressão linear, componentes principais e média ou restrita Comitês, é muito simples programá-los para o TradeStation em um breve script do EasyLanguage. O arquivo de log produzido pelo TSSB fornece todos os pesos e limiares necessários. Desta forma, os sistemas de negociação simples desenvolvidos no TSSB podem ser negociados ativamente em plataformas mais convencionais, embora seja necessário trabalhar com o arquivo de log TSSB e digitar as figuras apropriadas no EasyLanguage ou qualquer outra ferramenta de negociação desejada. Estas são as únicas duas possibilidades com a versão atual do TSSB. No entanto, estamos atualmente projetando uma interface TradeStation fácil de usar. O usuário desenvolverá um sistema de negociação no TSSB e, em seguida, exportará todo o conjunto de regras (modelos, comitês, limiares, etc.) em um único arquivo. Este arquivo seria lido automaticamente quando a TradeStation começar, e o usuário teria acesso a um único indicador na TradeStation que leva o valor 1 quando uma posição longa deve ser aberta, -1 quando uma posição curta deve ser aberta e 0 Quando o comerciante deve ser neutro. Uma data de entrega para esta interface da TradeStation depende do financiamento dos usuários do TSSB. Podemos fornecer uma cotação para esse aprimoramento. As partes interessadas devem entrar em contato com David Aronson através da página do contrato. Incluir custos de negociação no desenvolvimento de modelos e resultados de desempenho Os custos de negociação podem ter um impacto profundo na natureza dos modelos otimizados, e seus efeitos realmente devem ser incluídos nos números de desempenho relatados. Por exemplo, os custos significativos de negociação favorecerão os modelos que fazem negócios menos, mas mais confiáveis, em comparação com os modelos desenvolvidos sem contabilizar os custos de negociação. Além disso, se um sistema comercial desenvolvido faz inúmeros negócios, o deslizamento e as comissões podem facilmente converter um sistema altamente lucrativo em um sistema perdedor. Modelos de Markov ocultos para a classificação de regime Esperando um modelo único para lidar eficazmente com vários regimes de mercado diferentes (alta versus baixa volatilidade, tendências fortes versus mercados planos, etc.) não é realista. Os melhores sistemas de previsão são especializados em um único regime. Nosso método atual de definição de regimes (via Oracles, desencadeamento de eventos e modelos lineares divididos) emprega um limite fixo em uma variável. Este método, embora respeitável e útil, não é ótimo. Seria muito melhor basear definições de regime em variáveis ​​múltiplas, com sua correlação levada em consideração. Além disso, os modelos de HMM permitem probabilidades de transição, o que desencoraja whipsaws no limite de diferentes regimes. Ao empregar probabilidades estimadas otimamente de que um regime permanecerá em vigor ou se mudará para outro, podemos desencorajar a mudança rápida e repetitiva de dentro e fora dos regimes, uma capacidade que o TSSB atualmente não possui. Indicadores de Força Relativa Descrito por Gary Anderson em The Janus Factor (Bloomberg Press 2012) Nossas explorações iniciais nesta fascinante família de indicadores de desempenho relativo mostram uma promessa considerável. Proponemos adicionar pelo menos os membros mais fundamentais desta família à biblioteca TSSB. Eles seriam um poderoso aprimoramento para o desenvolvimento de estratégias de negociação que se baseiam em setores de classificação ou em questões individuais dentro de um universo de ações. Exibição de bandas de confiança nas curvas de equidade plotadas Seria bom superar as faixas de confiança nas curvas de equidade que traçamos. Isso permitiria ao usuário avaliar visualmente a relevância das curvas de equidade fora de amostra. Por exemplo, se a curva é impressionante e as faixas de confiança são apertadas, o usuário seria encorajado. No entanto, se a banda de confiança mais baixa for próxima do plano, ou mesmo mostra uma perda, o usuário não ficaria tão impressionado com uma rápida e crescente curva de equidade. Desenvolver modelos com base no desempenho comparado. Muitos desenvolvedores acreditam que se deve aproveitar as tendências do mercado a longo prazo ao desenvolver um sistema comercial. Por exemplo, pode-se favorecer posições longas ao negociar mercados de ações que têm um viés a longo prazo. No entanto, muitos outros acreditam que a remoção dos efeitos de tendência secular revela o verdadeiro poder preditivo dos modelos. Sob esta filosofia, os modelos devem ser desenvolvidos que maximizem o desempenho sem aproveitar as tendências. Existem métodos para separar o desempenho de um sistema de negociação em dois componentes: isso devido a favorecer posições que aproveitam a tendência secular, e isso devido ao verdadeiro poder preditivo. Atualmente, o TSSB baseia sua seleção de indicadores bem como seus limiares de negociação otimizados no total dessas duas quantidades. Proponemos adicionar a opção de TSSB escolhendo indicadores e limiares de negociação com base no verdadeiro poder preditivo sozinho, não contaminado pelo viés de posição devido à tendência. Isso será feito otimizando o desempenho em relação a um benchmark baseado na interação entre tendências e viés de posição. P-valores para o desempenho OOS com base em curvas de equidade Para avaliar adequadamente o desempenho de um sistema de negociação, precisamos calcular duas quantidades: uma estimativa imparcial do desempenho futuro e a probabilidade (p-value) que um sistema realmente inútil Realizou-se, assim como nosso sistema fez back-testing. O TSSB atualmente possui vários algoritmos excelentes para fornecer estimativas imparciais do desempenho futuro. Ele também possui vários métodos para calcular valores de p: Um teste de permutação de Monte-Carlo estimado p-valores quando o alvo se parece um dia. Este teste é inválido para look-aheads maior que um dia. O bootstrap de bloco cônico e o bootstrap estacionário no TSSB podem teoricamente lidar com qualquer look-ahead, mas, na prática, eles não são confiáveis. O treinamento de permutação fornece valores de p para todo o conjunto de dados históricos. Mas é extremamente lento, às vezes é proibitivamente lento. Além disso, porque inclui dados históricos antes do período de OOS avançado em que se baseiam estimativas de desempenho futuras imparciais, pode ser enganosa. Por exemplo, suponha que desejemos desenvolver nosso sistema usando os dados de 1995-2012 e queremos que o teste walkforward comece em 2005. Podemos achar que o valor p é significativo e o desempenho futuro esperado baseado em OOS é excelente. Isso parece promissor. Mas e se o valor p significativo for estritamente dos dados anteriores a 2005 Os dados que proporcionaram o bom valor p e os dados que proporcionaram a boa estimativa de desempenho imparcial não se sobrepõem. Assim, vemos que nenhum dos métodos atuais do TSSB para estimar p Os valores são ideais. Sugerimos adicionar outra alternativa: p-valores base na curva de patrimônio obtida no período OOS. Isso irá lidar com alvos com qualquer distância de olhar para frente, e garante que os valores de p sejam baseados no mesmo período de tempo que foi usado para estimativas imparciais do desempenho futuro. Como um bônus final, isso também irá lidar com carteiras de tipo OOS, embora não tão bem quanto a permutação walkforward descrita na próxima seção. Teste de Walkforward com permutação O nosso treinamento de permutação existente é uma maneira poderosa de estimar os valores de p para o desempenho do treinamento-conjunto. No entanto, isso desacopla os valores de p do desempenho futuro esperado produzido por testes avançados. Este efeito, descrito em valores P para o desempenho OOS com base em curvas de equidade acima, é problemático. Em outras palavras, o treinamento de permutação calcula p-valores com base em todo o histórico de mercado disponível (treinamento mais períodos de OOS), enquanto o teste avançado estima o desempenho futuro esperado com base apenas no período OOS. Não é bom que eles sejam períodos de tempo separados. Idealmente, ambos devem cobrir o mesmo período de tempo para evitar que uma situação de um p-valor significativo seja obtida estritamente da atividade que precedeu o período OOS. Uma solução para este problema seria a extensão da permutação para testes avançados. Isso uniria diretamente a estimativa imparcial do desempenho futuro para os valores de p para ele. Além disso, o treinamento de permutação não pode calcular os valores de p para as carteiras que são selecionadas com base no desempenho fora da amostra dos sistemas de negociação de componentes. A permutação Walkforward superaria essa limitação compensando corretamente e eficientemente o viés de seleção inerente à construção do portfólio. Qual é a vantagem da permutação walkforward sobre o cálculo de p-valores com base em curvas de equidade, conforme descrito acima. Simplificando, os valores de p calculados pela permutação walk-forward serão na maioria dos casos mais precisos do que os calculados por meio de curvas de equidade. Essa diferença pode ser substancial em algumas situações. Nota sobre os valores P para o desempenho OOS com base em curvas de equidade versus teste Walkforward com permutação. As duas opções descritas acima fazem essencialmente as mesmas coisas: eles calculam os valores de p para o período OOS, que a versão atual do TSSB não pode fazer bem em um estado geral Sentido .. Eles levam em consideração o viés de seleção de carteiras de tipo OOS, que a versão atual do TSSB não pode fazer. No entanto, eles executam essas tarefas de maneiras completamente não relacionadas e cada uma tem suas próprias vantagens e desvantagens: o método da curva de ações será executado muito mais rápido do que o método de permutação walk-forward. O método da curva de equidade facilita o planejamento de bandas de confiança nas curvas de equidade. (Essas duas tarefas compartilham muito código, portanto, programar-los simultaneamente seria eficiente). Na maioria das situações, o método de permutação fornecerá valores de p que são consideravelmente mais precisos (menos erro aleatório em sua computação) do que o método da curva de equidade, tornando Eles são mais valiosos. A diferença de linha de fundo entre os dois métodos é uma compensação entre a velocidade de execução e a qualidade dos resultados. Regressão logística e Ridge Estes são modelos quase lineares que compartilham os benefícios da regressão linear comum (muito menos propensos a superar do que a interpretação fácil dos modelos não-lineares), mas que são mais sofisticados em termos de sua capacidade de lidar com dados menos do que ideais (alvos ruidosos E preditores correlacionados). Modelo OPSTRING melhorado Nosso modelo OPSTRING atual pode ser grandemente melhorado, eliminando candidatos matematicamente inúteis antes de entrar no pool de população genética para avaliação e reprodução potencial. Isso melhorará a eficiência do algoritmo de otimização genética. Por exemplo, a versão atual do OPSTRINGs no TSSB pode, por sorte aleatória, incluir um termo como XgtX1quot em uma população. Obviamente X nunca pode exceder X mais um. Este é um termo sem sentido porque é sempre falso. Eventualmente, será eliminado do pool de genes, mas até que isso ocorra, os recursos computacionais serão desperdiçados lidar com ele. Posições abertas com ordens limitadas Os objetivos disponíveis na atual biblioteca TSSB assumem que, quando um comércio é sinalizado, é aberto imediatamente com uma ordem de mercado. Poderíamos adicionar alvos que respondam a um sinal comercial, emitiendo uma ordem limite que pode ou não ser executada. Desempenho do supercomputador em um PC via processamento CUDA As placas de vídeo modernas nVidia tornam o seu enorme poder de processamento paralelo disponível para os usuários através do que chamam de interface CUDA. Os melhores modelos não-lineares, como as redes neurais de regressão geral, podem ser extremamente difíceis de treinar, tornando-os impraticáveis ​​para problemas muito grandes. Programação As implementações CUDA dos melhores modelos podem acelerar o treinamento por um fator de centenas, ou mesmo milhares, reduzindo o tempo de treinamento de horas a segundos. Mais estatísticas de desempenho O TSSB atualmente calcula e imprime um conjunto limitado de estatísticas de desempenho para sistemas de negociação desenvolvidos. Outros produtos comerciais exibem uma vasta gama de estatísticas. Poderíamos adicionar mais estatísticas ao arquivo de resultados dos programas. Mais critérios de otimização para carteiras O TSSB atualmente seleciona os membros do portfólio, maximizando a Razão de Sharpe. Isso é excelente, mas muitos usuários gostariam de empregar outros critérios de otimização, como a maximização dos índices de retorno ao drawdown. LR Forex Freedom Extreme 4.4 estratégia de forex lucrativa LR Forex Freedom Extreme 4.4 não é um sistema difícil para até mesmo um novato entender. Este sistema comercial está equipado com setas que informam sobre a direção da entrada no mercado. Esta estratégia é adequada para qualquer par de moedas, mas é melhor dar preferências. Comercialize melhor nos prazos M5 e acima. Características do LR Forex Freedom Extreme 4.4 Tipo de estratégia: Indicador Plataforma: Metatrader4 Pares de moedas: Qualquer, recomendado Tempo de negociação de Majors: ao redor do tempo Horário: M5 ou superior, recomendado H1 Corretora recomendada: Alpari Regras de entrada no mercado pela LR Forex Freedom Extreme 4.4 1. Quando uma flecha vermelha ou amarela apontando para cima (seta vermelha - sinal mais forte) 2. Indicador RSI (14) deve estar acima do nível 50 3. Indicador ODSTWave está verde 1. Conservador - quando o indicador ODSTWave ficará vermelho 2. Agressivo - quando aparece uma flecha apontando 1. Quando uma seta vermelha ou amarela apontando para baixo (seta vermelha - sinal mais forte) 2. Indicador RSI (14) deve estar abaixo do nível 50 3. Indicador ODSTWave é vermelho 1. Conservador - quando a Indicador ODSTWave fica verde 2. Agressivo - quando você vê a flecha apontando para cima Nos arquivos LRForexFreedom4.4.rar: Download grátis LR Forex Freedom 4.4 Aguarde, preparamos seu link