WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 5 | 6 ||

«THE ENCYCLOPEDIA OF TRADING STRATEGIES JEFFREY OWEN KATZ, Ph.D. DONNA L. McCORMICK McGraw-Hill New York San Francisco Washington, D.C. Auckland Bogota Caracas Lisbon London Madrid Mexico City Milan ...»

-- [ Страница 7 ] --

если в длинной позиции сеть указывает, что рынок близок к максимуму следующих нескольких дней, то имеет смысл выйти из позиции, пока рынок не начал падать. Если в короткой позиции сеть показывает, что цены будут расти, то также следует выходить из позиции, не дожидаясь убытков при реальном движении рынка. Первый тест из приведенных ниже исследует поведение нейронной сети, прогнозирующей обращенный во времени Медленный %К в сочетании с модифицированной стратегией выхода. Нейронная сеть, генерирующая собственный сигнальный выход, не может быть применена отдельно от других стратегий выхода, поскольку она не всегда будет подавать сигнал на закрытие позиции. Сеть создана для генерации сигналов входа, т.е. она подает сигнал, когда есть вероятность, что рынок поведет себя определенным образом. При этом отсутствие сигнала не означает, что на рынке не может произойти чего-то важного. Когда мы занимаем позицию на рынке, то в какой-то момент из нее придется выходить, причем выход нельзя отложить до того времени, когда будет предсказано значимое событие. В этом случае МССВ гарантирует, что любая сделка будет иметь защитную остановку управления капиталом и ограничение времени, обеспечивающие выход. Нейронная сеть может обеспечить улучшение данной стратегии, иногда предсказывая разворот рынка против занятой позиции. Таким образом, часть убыточных сделок может превратиться в прибыльные. Второй набор тестов (для длинных и коротких позиций) использует генетический алгоритм для разработки правил генерации сигнала выхода. Правила используются подобно нейронной сети, т.е. создают допол ЧАСТЬ III ИССЛЕДОВАНИЕ выходов нительные к МССВ сигналы выхода в моменты, когда вероятен разворот рынка. Шаблоны правил и методология генерации идентичны использованным для генерации входов в гл. 12. Эти дополнительные выходы, как можно надеяться, улучшат эффективность системы за счет выхода с прибылью из некоторых потенциально убыточных сделок и ограничения убытков в других сделках. С помощью вышеописанных методов могут быть разработаны более сложные выходы, не рассмотренные в данной главе. Например, нейронную сеть можно использовать для генерации не только собственно выходов, но и для определения уровней защитных лимитных остановок. Для этого же можно применить генетические алгоритмы. Нейронные сети хорошо себя зарекомендовали как прогностический инструмент для получения сигналов входа. В пределах выборки прибыль была невероятной, вне пределов выборки — гораздо выше прибыли случайных входов (хотя торговля портфелем в целом была убыточной). Таким образом, была продемонстрирована реальная прогностическая ценность. Использование подобных прогнозов для того, чтобы закрывать позиции до разворота рынка, должно повысить эффективность торговли, даже если это коснется весьма небольшого количества сделок. То же самое относится и к правилам, полученным генетическими методами. При этом не следует ожидать чудесного роста эффективности, поскольку в любом случае система будет генерировать немного дополнительных сигналов выхода, которые будут влиять на считанные сделки, возможно, в положительную сторону. Таким образом, общее улучшение будет невелико. Поскольку для нижеприведенных тестов правила разрабатываются заново, то, возможно, будет обнаружено больше случаев эффективного применения сигналов выхода, чем было обнаружено для сигналов входа.

МЕТОДОЛОГИЯ ТЕСТИРОВАНИЯ НЕЙРОННОГО КОМПОНЕНТА СТРАТЕГИИ ВЫХОДОВ Мы используем наибольшую из двух лучших нейронных сетей, обученных прогнозированию обращенного во времени Медленного %К. Предварительная обработка и логика принятия решений идентичны использованным в гл. 11. Используется сеть 18-14-4-1 (18 нейронов в первом слое, 14 в первом промежуточном, 4 во втором промежуточном и 1 на выходе). Параллельно используется МССВ. В дополнение к условиям выходов МССВ вводится условие: если прогнозируемое значение обращенного во времени Медленного %К выше некоего порога, т.е. положение рынка относительно ценового диапазона ближайшего будущего высоко, то система выходит из длинной позиции. Подобным же образом, если прогноз показывает, что рыночная цена находится вблизи нижней границы диапазона цен ближайшего будущего, то система выходит из любой корот ГЛАВА СОЧЕТАНИЕ выходов с ИСКУССТВЕННЫМ ИНТЕЛЛЕКТОМ кой позиции. Выходы, запускаемые сигналами нейронной сети, производятся по цене закрытия соответствующего дня.

static void Model (float *parms, float *dt, float *opn, float *hi, float *lo, float *cls, float *vol, float *oi, float *dlrv, int nb, TRDSIM &ts, float *eqcls) { // // // // // // // // // // // // // // // // Выполняет случайные входы с модифицированным стандартным выходом, улучшенным с помощью "сигнального выхода", основанного на нейропредсказателе для обратного Медленного %К. File = x21mod01.c parms - набор [1..MAXPRM] параметров dt - набор [l..nb] дат в формате ГГММДД орn - набор [1..nb] цен открытия hi - набор [1..nb] максимальных цен 1о - набор [l..nb] минимальных цен cls - набор [1..nb] цен закрытия vol - набор [l..nb] значений объема oi - набор [1..nb] значений открытого интереса dlrv - набор [l..nb] средних долларовой волатильности nb - количество дней в наборе данных ts - ссылка на класс торгового симулятора eqcls - набор [1..nb] уровней капитала по ценам закрытия // объявляем локальные переменные static int rc, cb, neontracts, maxhold, signal, ranseed;

static float mmstp, ptlim, limprice, stpprice, entryprice;

static int entryposted, entrybar;

static float exitatr[MAXBAR+1], prd[KAXBAR+1], rnum, thresh;

static long iseed;

// копируем параметры в локальные переменные для удобного обращения thresh = parms[1];

// порог выходных значений нейронной сети ranseed = parms[2];

// используется для инициализации случайной // последовательности maxhold = 10;

// период максимального удержания позиции ptlim =4.5;

// целевая прибыль в единицах среднего истинного // диапазона mmstp = 1.5;

// защитная остановка в единицах среднего истинного // диапазона // выполняем вычисления по всему объему данных AvgTrueRangeS(exitatr,hi,lo,cls,50,nb);

// средний истинный // диапазон для выхода NeuralForecast(prd, cls, nb) ;

// прогнозы // запускаем генератор случайных чисел //... используем различные случайные последовательности для каждого рынка //... ts.model() возвращает индекс рынка (SP-1, YX-2,...) iseed = - (ranseed + 10 * ts.model{)};

rnum = ran2(&iseed);

// проходим через дни, чтобы смоделировать реальную торговлю for(cb = 1;

cb <= nb;

cb++) ( // не открываем позиций до начала периода выборки //... то же самое, что установка MaxBarsBack в TradeStation if(dt[cb] < IS_DATE) { eqcls[cb] = О.Э;

continue;

] // выполняем ожидающие приказы и считаем кумулятивный капитал rc = ts.update (opn [cb], hi [cb], lo [cb], cls [cb], cb) ;

if(rc != 0) nrerror("Trade buffer overflow");

ЧАСТЬ III ИССЛЕДОВАНИЕ выходов eqcls[cb] = ts.currentequity(EQ_CLOSETOTAL);

// считаем количество контрактов для позиции //... мы хотим торговать эквивалентом долларовой волатильности //... 2 новых контрактов на S&P-500 от 12/31/98 ncontracts = RoundToInteger(5673.О / dlrv[cb]);

if(ncontracts < 1) ncontracts = 1;

// избегаем устанавливать приказы на дни с ограниченной торговлей if(hi[cb+l] == lo[cb+l]) continue;

// генерируем "стандартные" случайные сигналы входа signal = 0;

rnum = ran2(siseed);

if (rnum < 0.025) signal = -1;

// случайный короткий вход else if (rnum > 0.975) signal = 1;

// случайный длинный вход // входим в сделки по цене открытия entryposted = 0;

if(ts.position() <= 0 && signal == 1) ( ts.buyopen('l', ncontracts);

entryposted = -1;

entryprice = opn[cb+l];

entrybar = cb + 1;

} else if (ts.position)) >= 0 && signal == -1) ( ts.sellopen('2', ncontracts);

entryposted = -1;

entryprice = opn[cb+l];

entrybar = cb + 1;

) // выходим из сделок, используя модифицированный стандартный выход // вместе с нейросетевым выходом if(entryposted > 0) ( // инициализация и выходы для длинных позиций в день входа limprice = entryprice + ptlim * exitatr[cb];

stpprice = entryprice - iranstp * exitatr[cb] ;

ts.exitlonglimit('A', limprice);

ts.exitlongstop('В', stpprice);

if(prd[cb] > thresh) ts.exitlongclose('C' ) ;

) else if(entryposted < 0) { // инициализация и выходы для коротких позиций в день входа limprice = entryprice - ptlim * exitatr[cb);

stpprice = entryprice + mmstp * exitatr[cb];

ts.exitshortlimit('D', limprice);

ts.exitshortstop('E', stpprice);

if(prd[cb] < 100.0-thresh) ts.exitshortclose('F') ;

} else [ // выходы после дня входа if(ts.position() > 0} { // длинные позиции ts.exitlonglimit('G', limprice);

ts.exitlongstop('H', stpprice);

if(cb-entrybar >= maxhold || prd[cb] > thresh) ts.exitlongclose('I');

} else if (ts.position() < 0) { // короткие позиции ts.exitshortlimit('J', limprice);

ts.exitshortstop('K', stpprice);

if (cb-entrybar >= maxhold || prd[cb] < 100.0-thresh) ts.exitshortclose('L') ;

} ГЛАВА СОЧЕТАНИЕ выходов с ИСКУССТВЕННЫМ ИНТЕЛЛЕКТОМ } // обрабатываем следующий день } ) Вышеприведенный фрагмент кода описывает логику стратегии выходов. Параметры ptlim и mmstp имеют значения 4,5 и 1,5 соответственно, поскольку эти значения давали лучшую эффективность при торговле портфелем (см. табл. 14-1 в гл. 14). Параметр thresh, т.е. значение порога для выходов на основе нейронного прогноза, подвергается оптимизации. Логика дополнительного выхода видна в блоке «if», где сравниваются порог и прогноз, выданный сетью. Если условие выполняется, то по цене закрытия дня отдается приказ на выход из сделки. Параметр thresh прогоняется от 50 до 80 с шагом 2.

РЕЗУЛЬТАТЫ ТЕСТИРОВАНИЯ НЕЙРОННОГО ВЫХОДА Результаты базовой системы В табл. 15-1 приведены результаты работы МССВ. Порог был установлен достаточно высоко, чтобы сеть не генерировала никаких выходов. Эта таблица идентична табл. 14-1 при оптимальных значениях фиксированной защитной остановки и целевой прибыли. В таблице: ВЫБ — часть образца данных (В — в пределах, ВНЕ — вне пределов выборки);

ПРИБДЛ — общая прибыль длинных сделок, в тысячах долларов;

ПРИБКР — общая прибыль коротких сделок, в тысячах долларов;

Ф.ПРИБ — фактор прибыли;

ДОХ % — прибыль в процентах годовых;

Р/ПРИБ — годовое соотношение риска/прибыли;

ВЕР — ассоциированная вероятность статистической достоверности;

СДЕЛ — число сделок на всех рынках в составе портфеля;

ПРИБ% — процент прибыльных сделок;

$СДЕЛ — средняя прибыль/убыток со сделки;

ДНИ — средняя длительность сделки в днях. Между эффективностью системы в пределах и вне пределов выборки существует очевидная взаимосвязь. Средняя сделка принесла убыток $1581 в пределах и $1580 вне пределов выборки;

процент прибыльных сделок на обеих выборках составил 39%. Соотношения риск/прибыль составили —1,46 в пределах и —1,45 вне пределов выборки.

Результаты торговли портфелем с нейронным выходом Табл. 15-2 представляет собой стандартную таблицу результатов оптимизации. В ней приведены результаты торговли портфелем финансовых инструментов для всех значений порога, а также результаты решения, которое было оптимальным в пределах выборки, полученные на данных вне выборки.

ЧАСТЬ III ИССЛЕДОВАНИЕ выходов В пределах выборки было получено улучшение общих результатов за счет применения дополнительного нейронного выхода. Средняя прибыль в сделке достаточно медленно изменялась при изменениях значения порога. Наилучшее значение порога составило 54, средняя сделка при этом приносила убыток в $832. Процент прибыльных сделок составил 41%, годовое соотношение риска/прибыли —0,87. Таким образом, внедрение нейронного выхода значительно повысило эффективность торговли по сравнению с результатами, приведенными в табл. 15-1. Вне пределов выборки, впрочем, улучшения не наблюдалось: эффективность не особо отличалась от работы базовой МССВ. Когда исследовалась работа нейронных сетей для генерации входов, эффективность при переходе на данные вне пределов выборки падала весьма резко — видимо, нечто подобное произошло и в этом тесте, где в качестве элемента стратегии выходов использовалась та же нейронная сеть. Результаты тестирования нейронных выходов на различных рынках В табл. 15-3 приводятся результаты торговли с использованием оптимальной МССВ и дополнительного нейронного сигнала выхода на различных рынках. Было использовано оптимальное значение порога (54) согласно табл. 15-2. Значительная прибыль как в пределах, так и вне пределов выборки была получена только на рынке живых свиней. Ряд рынков (например, немецкая марка и иена) показали значительную прибыль в пределах выборки, но были убыточны вне ее пределов. В длинных позициях рынки NYFE и неэтилированного бензина были прибыльны как в пределах, так и вне пределов выборки — это можно объяснить и статистическим артефактом, поскольку в пределах выборки в длинных позициях многие рынки приносили прибыль.

Таблица 15—1.

Эффективность базовой МССВ, предназначенной для использования в сочетании с нейронной сетью, прогнозирующей сигналы выхода Ф.ПРИБ ВЫБ В ВНЕ ПРИБДЛ ПРИБКР дох% Р/ПРИБ ВЕР СДЕЛ ПРИБ% $СДЕЛ ДНИ -1976 - -4073 - 0.83 0. -10.3 -21. -1.46 -1. 1.0000 0. 3826 39 -1581 - 8 ГЛАВА СОЧЕТАНИЕ выходов с ИСКУССТВЕННЫМ ИНТЕЛЛЕКТОМ Таблица 15—2.

Эффективность торговли портфелем при сочетании МССВ и нейронного сигнала выхода для различных значений параметра порога МЕТОДОЛОГИЯ ТЕСТИРОВАНИЯ ГЕНЕТИЧЕСКОГО КОМПОНЕНТА ВЫХОДОВ Поскольку практически очевидна необходимость отдельных наборов правил для длинных и коротких позиций, мы провели два теста. В первом тесте система генерирует случайные входы в длинные позиции (сигналы к открытию коротких позиций игнорируются), а для выходов применяется МССВ, а также отдельные правила, которые разрабатываются генетическим алгоритмом. Во втором тесте все входы в длинные позиции игнорируются, открываются только короткие позиции. Делается попытка разработать правила, хорошо работающие в качестве дополнения к МССВ для коротких сделок.

static void Model {float *parms, float *dt, float *opn, float *hi, float *lo, float *cls, float *vol, float *oi, float *dlrv, int nb, TRDSIM &ts, float *eqcls) { // // // // // // // Выполняет случайные входы с модифицированным стандартным выходом и с дополнительным генетически развитым "сигнальным выходом" File = x21mod01.c parms - набор [1..MAXPRM] параметров dt - набор [1..nb] дат в формате ГГММДД орn - набор [ 1..nb] цен открытия hi - набор [1..nb] максимальных цен ЧАСТЬ III ИССЛЕДОВАНИЕ выходов // // // // // // // // lo cls vol oi dlrv nb ts eqcls — — — — набор [l..nb] минимальных цен набор [l..nb] цен закрытия набор [l..nb] значений объема набор [l..nb] значений открытого интереса набор [l..nb] средних долларовой волатильности количество дней в наборе данных ссылка на класс торгового симулятора набор [l..nb] уровней капитала по ценам закрытия // объявляем локальные переменные static int rc, cb, ncontracts, maxhold, signal, ranseed;

static float iranstp, ptlim, limprice, stpprice, entryprice;

static int entryposted, entrybar, exitsignal, modeltype;

static int rulel[MAXBAR+1], rule2[MAXBAR+1], rule3[MAXBAR+1];

static float exitatr[MAXBAR+1], rnum, thresh;

static long iseed;

// копируем параметры в локальные переменные для удобного обращения ranseed = parms[14];

// используется для инициализации случайной // последовательности modeltype = parms[15];

// 1=длинные позиции, 2=короткие позиции maxhold = 10;

// период максимального удержания позиции ptlim =4.5;

// целевая прибыль в единицах среднего истинного диапазона mmstp = 1.5;

// защитная остановка в единицах среднего истинного диапазона // выполняем вычисления по всему объему данных, включая правила AvgTrueRangeS{exitatr,hi,lo,cls,50,nb);

// средний истинный диапазон для / / выхода Rules{opn, hi, lo, cls, vol, oi, exitatr, nb, parms [1], parms[2], parms[3], parms [4], rulel);

Rules (opn, hi, lo, cls, vol, oi, exitatr, nb, parms[5], parms[6], parms[7], parms[8], rule2);

Rules (opn, hi, lo, cls, vol, oi, exitatr, nb, parms[9], parms[10], parms[11], parms[12], rule3);

// запускаем генератор случайных чисел //... используем различные случайные последовательности для каждого рынка //... ts.model() возвращает индекс рынка (SP=1, YX=2,...) iseed = -(ranseed + 10 * ts.model());

rnum = ran2(&iseed);

// проходим через дни, чтобы смоделировать реальную торговлю for(cb = 1;

cb <= nb;

cb++) ( // не открываем позиций до начала периода выборки //... то же самое, что установка MaxBarsBack в TradeStation if(dt[cb] < IS_DATE) ( eqcls[cb] = 0.0;

continue;

] // выполняем ожидающие приказы и считаем кумулятивный капитал rc = ts.update(opn[cb], hi[cb], lo[cb], cls[cb),cb);

if(rc != 0) nrerror("Trade buffer overflow");

eqcls[cb] = ts.currenteguity(EQ_CLOSETOTAL);

// считаем количество контрактов для позиции //... мы хотим торговать эквивалентом долларовой волатильности //... 2 новых контрактов на S&P-500 от 12/31/98 ncontracts = RoundToInteger(5673.0 / dlrv[cb]);

if(ncontracts < 1) ncontracts = 1;

// избегаем устанавливать приказы на дни с ограниченной торговлей if(hi[cb+l] == lo[cb+l]) continue;

ГЛАВА СОЧЕТАНИЕ выходов с ИСКУССТВЕННЫМ ИНТЕЛЛЕКТОМ // генерируем "стандартные" случайные сигналы входа signal = 0;

rnum = ran2 (Stiseed) ;

if (rnum < 0.025 && modeltype == 2) signal = -1;

// случайный короткий вход else if (rnum > 0.975 && modeltype == 1) signal = 1;

// случайный длинный вход // входим в сделки по цене открытия entryposted = 0;

if(ts.position() <= 0 && signal == 1) ( ts.buyopen('1', ncontracts);

entryposted = 1;

entryprice = opn[cb+l];

entrybar = cb + 1;

} else if(ts.position() >= 0 && signal == -1) { ts.sellopen('2', ncontracts);

entryposted = -1;

entryprice = opn[cb+l] ;

entrybar = cb + 1;

} // выходим из сделок, используя модифицированный стандартный выход // вместе с нейросетевым выходом exitsignal = rulel[cb] && rule2[cb] && rule3[cb];

if(entryposted > 0} { // инициализация и выходы для длинных позиций в день входа limprice = entryprice + ptlim * exitatr[cb];

stpprice = entryprice - mmstp * exitatr[cb];

ts.exitlonglimit{'A', limprice);

ts.exitlongstop('B', stpprice);

if(exitsignal) ts.exitlongclose('C') ;

} else if{entryposted < 0) { // инициализация и выходы для коротких позиций в день входа limprice = entryprice - ptlim * exitatr[cb];

stpprice = entryprice + mmstp * exitatr[cb),• ts.exitshortlimit('D', limprice);

ts.exitshortstop('E', stpprice);

if(exitsignal) ts.exitshortclose('F') ;

} else ( // выходы после дня входа if(ts.position()> 0) [ // длинные позиции ts.exitlonglimit('G', limprice) ;

ts.exitlongstop('H', stpprice);

if(cb-entrybar >= maxhold)|| exitsignal) ts.exitlongclose('I') ;

} else if(ts.position() < 0) [ // короткие позиции ts.exitshortlimit('J', limprice);

ts.exitshortstop('K', stpprice);

if(cb-entrybar >= maxhold || exitsignal) ts.exitshortclose('L');

} ) } // обрабатываем следующий день } ЧАСТЬ III ИССЛЕДОВАНИЕ выходов Таблица 15—3.

Эффективность торговли МССВ в сочетании с нейронным сигналом выхода в пределах и вне пределов выборки на различных рынках Вышеприведенный код демонстрирует логику как входов, так и выходов. Параметр modeltype управляет выбором длинных или коротких позиций для тестирования. Параметры ptlim и mmstp задают соответственно целевую прибыль и защитную остановку;

они фиксированы на тех же уровнях, что и в предыдущем тесте нейронной сети. Каждое из трех пра ГЛАВА СОЧЕТАНИЕ выходов с ИСКУССТВЕННЫМ ИНТЕЛЛЕКТОМ вил рассчитывается как серия значений ИСТИНА/ЛОЖЬ, и если все три принимают значение ИСТИНА, то подается сигнал на выход exitsig. В текст программы добавлен оператор if, который подает сигнал на выход по цене закрытия, если (if) все три правила дают значение ИСТИНА (exitsig = ИСТИНА). Эволюция правил для длинных и коротких позиций проводилась аналогично эволюции правил для входов, описанной в гл. 12. Использовались 12 хромосом с тремя генами-правилами каждая. Для получения правил выхода из длинных и коротких позиций проводится эволюция 2500 поколений с использованием OptEvolve. Затем для тестирования в пределах и вне пределов выборки отбирались по 10 лучших длинных и коротких решений.

10 лучших решений с базовой стратегией выхода В табл. 15-4 приведены 10 лучших значений для длинных и коротких позиций. Обозначения в таблице: НОМЕР— номер решения, ВЕР— вероятность статистической достоверности (в этих числах пропущена, но предполагается десятичная точка), $СДЕЛ — средняя прибыль/убыток со сделки, СДЕЛ — общее количество проведенных сделок, Ф.ПРИБ — фактор прибыли, ДОХ% — доходность в процентах годовых. Лучшее из решений для длинных позиций было обнаружено в 845 поколении эволюционного процесса, а для коротких — в 1253 поколении. В отличие от теста моделей входа ни одно из генетически полученных решений не обеспечило прибыли, но, согласно табл. 15-5, сочетание генетических сигналов с базовой стратегией выходов привело к явному улучшению результатов. Правила, соответствующие хромосомам из табл. 15-4, звучат следующим образом. Правила для выхода из длинной позиции: если цена закрытия текущего дня выше экспоненциального скользящего среднего (ЭСС) цен закрытия с периодом 12 дней, но ниже ЭСС с периодом 49 дней и текущий день представляет собой новый шестидневный максимум, то из длинной позиции следует выходить. Правила, таким образом, ищут ситуацию, где на фоне долгосрочного падающего тренда наблюдается кратковременный рост цен, достигший своего максимума и готовый завершиться, после чего должно возобновиться падение — весьма подходящий момент для выхода из длинной позиции. Правила для короткой позиции гласят, что выходить следует в случае, когда цена закрытия текущего дня выше 16-дневного ЭСС и 22-дневного простого скользящего среднего цен закрытия, а индикатор конвергенции/ дивергенции скользящих средних (MACD) падает. Данный MACD использует ЭСС с периодом 6 дней для быстрого компонента и ЭСС с периодом ЧАСТЬ III ИССЛЕДОВАНИЕ выходов Таблица 15—4.

Лучшие 10 решений для длинных и коротких позиций, полученные в процессе эволюции Решения для длинных позиций НОМЕР ВЕР $СДЕЛ СДЕЛ Ф.ПРИБ ДОХ% 845 1752 1804 1464 1755 1591 1584 637 1810 706728 712448 737793 728199 729060 761321 733418 750316 739410 -324 -350 -354 -379 -382 -384 -394 -397 -399 - 1972 1947 1994 1944 1934 1999 1925 1974 1944 0.96 0.96 0.96 0.96 0.96 0.96 0.96 0.96 0.96 0. -4.9 •4.4 -5.0 -5.0 -5.1 -4.5 -4.8 -5.2 -5.0 -5. Решения для коротких позиций НОМЕР ВЕР $СДЕЛ СДЕЛ Ф.ПРИБ ДОХ% 1253 1758 1183 1379 1129 472 1833 1816 1881 999842 999695 998990 999639 999211 999161 999161 999834 998851 -1645 -1646 -1717 -1755 -1756 -1757 -1757 -1764 -1764 - 1959 1943 1885 1920 1885 1885 1885 1932 1869 0.78 0.80 0.81 0.79 0.81 0.81 0.81 0.79 0.82 0. -10.2 -10.1 -10.1 -9.9 -10.1 -10.2 -10.2 -10.3 -9.9 -10. 10 дней для медленного компонента. Таким образом, система выходит в тех случаях, когда после сглаживания рынок все еще производит впечатление падающего, но последняя цена закрытия пробивает вверх два скользящих средних, что может быть признаком начала нового повышающегося тренда. Результаты выходов по описанным правилам для длинных и коротких позиций В табл. 15-5 приведены результаты торговли с помощью 10 лучших решений (длинные и короткие позиции), использующих МССВ и генетически разработанные сигналы выхода. Входы в рынок были случайными. В таблице отдельно показаны результаты длинных и коротких позиций. Дан ГЛАВА СОЧЕТАНИЕ выходов с ИСКУССТВЕННЫМ ИНТЕЛЛЕКТОМ Таблица 15—5.

Длинные позиции ТЕСТ Эффективность МССВ с добавлением генетически разработанных правил сигнала выхода при случайном, входе в сделки ПРИБДЛ ПРИБКР Ф.ПРИБ СТАНД ГЕН СТАНД ГЕН в в ВЫ ПРИБ ДОХ%.

Р/ПРИБ ВЕР СДЕЛ ПРИБ* $СДЕЛ ДНИ ВНЕ ВНЕ -1324 -1324 -640 -640 -942 -942 -845 - 0 0 0 0.93 0.96 0.89 0. -7.3 -4.9 -13.2 -15. -0.35 -0.17 -0.61 -0. 0.8628 0.7067 0.8938 0. 1923 1972 830 41 -688 43 -324 39 -1135 41 - 8 7 8 Короткие позиции ТЕСТ СТАНД ГЕН СТАНД ГЕН в в ВЫБ ПРИБ ПРИБДП ПРИБКР Ф.ПРИБ ДОХ%. Р/ПРИБ ВЕР СДЕЛ ПРИБ% $СДЕЛ ДНИ ВНЕ ВНЕ -3850 -3223 -1497 - 0 -3850 0 -3223 0 -1497 0 - 0.80 0.78 0.82 0. -9.9 -10.3 -20.4 -18. -1.09 -1.15 -1.02 -0. 0.9997 0.9998 0.9818 0. 1847 1959 792 37 37 38 -2084 -1645 -1890 - 8 6 8 ные также разбиты по номеру теста и по виду выборки. Символы В и ВНЕ означают результаты тестов на данных в пределах выборки и вне пределов выборки соответственно. СТАНД означает тест с использованием только МССВ, ГЕН — тест МССВ в сочетании с генетически разработанными правилами. В длинных позициях в пределах выборки добавление правил значительно снизило средний убыток в сделке — с $688 до $324. Процент прибыльных сделок повысился с 41 до 43%. Годовое соотношение риска/прибыли улучшилось с —0,35 до —0,17. Вне пределов выборки эффект генетически разработанных сигналов выхода сохранился, хотя и в меньшей степени. Средний убыток в сделке снизился с $1135 до $990. Процент прибыльных сделок повысился с 39 до 41 %.Соотношение риска/прибыли улучшилось с —0,61 до —0,60. В общем, добавление генетически разработанных правил к стандартной стратегии выходов себя оправдало. В отличие от нейронных сигналов выхода эффект сохранился вне пределов выборки, т.е. подгонка под исторические данные и избыточная оптимизация не имели решающего значения. В коротких позициях как в пределах, так и вне пределов выборки отмечен подобный положительный эффект. В пределах выборки добавление генетически разработанного сигнала выхода снизило средний убыток в сделке с $2084 до $1645. Процент прибыльных сделок не изменился. Как ни странно, годовое соотношение риска/прибыли ухудшилось с —1,09 до — 1,15. Вне пределов выборки средний убыток в сделке значительно уменьшился: с $1890 до $1058. Процент прибыльных сделок вырос с 38 до 40%, а годовое соотношение риска/прибыли улучшилось с —1,02 до —0,73. Как и ранее, добавление генетически найденного правила выхода к системе МССВ доказало свою эффективность и вне пределов выборки.

ЧАСТЬ III ИССЛЕДОВАНИЕ выходов Эффективность длинных позиций на различных рынках В табл. 15-6 приведена информация о работе системы МССВ совместно с генетически разработанными правилами выхода из длинных позиций на различных рынках. Как в пределах, так и вне пределов выборки были выгодны несколько рынков: NYFE, сырой нефти, неэтилированного бензина и живых свиней. Другие рынки были прибыльными в пределах выборки и убыточными вне пределов выборки, или наоборот. Взаимосвязь между результатами торговли в пределах и вне пределов выборки была низкой.

Таблица 15—6. Эффективность системы МССВ с добавлением генетически разработанных правил выхода. Длинные позиции. Сравнительные данные по различным рынкам ГЛАВА СОЧЕТАНИЕ выходов с ИСКУССТВЕННЫМ ИНТЕЛЛЕКТОМ Эффективность коротких позиций на различных рынках В табл. 15-7 приведены результаты выходов из коротких позиций, произведенных на основе МССВ и правил выхода, разработанных с помощью генетических алгоритмов. Здесь связь между эффективностью в пределах и вне пределов выборки была более выраженной. Особенно примечательна прибыль в обеих выборках, полученная на рынке иены. Также были прибыльны рынки сырой нефти, неэтилированного бензина, откормленного скота, живых свиней, соевой муки и кофе.

Таблица 15—7.

Эффективность системы МССВ с добавлением генетически разработанных правил выхода. Короткие позиции. Сравнительные данные по различным рынкам ЧАСТЬ III ИССЛЕДОВАНИЕ выходов ЗАКЛЮЧЕНИЕ Вышеприведенные тесты продемонстрировали ряд важных фактов. Вопервых, нейронные сети вне пределов выборки продемонстрировали меньшую устойчивость, чем генетически разработанные правила. Это, несомненно, связано с большим числом параметров в нейронной сети по сравнению с моделями на основе правил. Иными словами, нейронные сети страдали от избыточной подгонки под исторические данные. Кроме того, было показано, что добавление сложного сигнала выхода, будь то нейронная сеть или набор правил, полученных с помощью генетической эволюции, может значительно улучшить стратегию выходов. При использовании более устойчивых генетических правил полученные преимущества сохранились и при работе вне пределов выборки. Нейронная сеть и шаблоны правил были изначально предназначены для работы в системах входов и проявили себя достаточно хорошо при генерации редких сигналов входа. В стратегии выходов были бы предпочтительны правила, генерирующие сигналы значительно чаще. Существует обоснованное мнение, что набор шаблонов правил, специально предназначенный для разработки сигналов выхода, был бы гораздо более эффективен. То же самое относится и к нейронным сетям. ЧТО МЫ УЗНАЛИ? Избыточная подгонка под исторические данные вредна не только при создании входов, но также и выходов. Сложные технологии, включая генетические алгоритмы, могут быть эффективно использованы для улучшения стратегий выхода. Даже грубые попытки улучшения выходов, подобные приведенным здесь, могут улучшить среднюю прибыль в сделке на сотни долларов.

Заключение Мы прошли долгий путь с начала изучения стратегий входов и выходов. Иногда дорога была тяжелой и безрадостной, иногда удивительной и полной надежд. Как всегда после долгого пути, хочется собраться с мыслями и ответить на вопросы: «Что же мы узнали?» и «Как это можно применить?». Ответом на первый вопрос может служить детальное рассмотрение наших результатов: начиная с открытий, сделанных при анализе поведения портфеля на целых классах моделей, и переходя к специфическим комбинациям моделей и приказов, к отдельным рынкам и оптимальным методам торговли на них. Исследованный в данной книге материал можно уподобить виду с самолета, летящего в темноте: с большой высоты видны только темные пространства (классы моделей, приносящих убытки) и светлые пятна (классы моделей, работающих хорошо или по крайней мере лучше, чем генератор случайных сделок). С этой высоты видна эффективность моделей относительно всего портфеля торгуемых рынков. Затем самолет снижается. Становится видно больше деталей — видно, что самые яркие скопления образованы источниками света с разной яркостью (сочетаниями моделей и приказов с различной эффективностью). В темных пространствах также попадаются маленькие изолированные точки света (удачные комбинации моделей и приказов на фоне массы убыточных). На этом уровне видны также участки, находящиеся в полутьме (сочетания моделей и приказов, приносящих убытки, но работающих лучше, чем модель случайных сделок, что дает надежду на улучшение в сочетании с качественными правилами выхода). В конце концов приближается посадка. Можно заглянуть в светлые точки и увидеть их внутреннюю структуру, т.е. отдельные рынки, где лучше всего работают данные комбинации моделей и приказов. Теперь обратимся ко второму вопросу: как это можно применить. Очевидно, что путем определения устойчиво прибыльных (в пределах и вне пределов выборки) сочетаний моделей, приказов и рынков можно создать хорошую стратегию торговли портфелем. К этому моменту будет ясно, что в течение полета мы увидели и узнали достаточно много для того, чтобы создать ЗАКЛЮЧЕНИЕ эффективный портфель торговых систем и финансовых инструментов. В качестве иллюстрации такой портфель будет создан и протестирован со стандартной стратегией выхода.

КРУПНЫЙ ПЛАН Мы полностью исследовали каждый из классов моделей входа (т.е. все следующие за трендом модели на основе скользящих средних, все модели на основе пробоев, все малые нейронные сети). Все тесты по каждой из этих групп усреднялись для данных в пределах и вне пределов выборки. С большим отрывом лидировала генетическая модель: только она давала устойчивую прибыль в усреднении по всем тестам ($3271). За ней по показателям усредненных результатов следовали малые нейронные сети. Нейронные сети разделяются на крупные и малые, поскольку для крупных сетей проблема подгонки под исторические данные представляет огромную сложность. В тестах каждая модель испытывалась с одной крупной и одной малой сетью. Вне пределов выборки малые нейронные сети в среднем приносили убыток в $860 со сделки. Это, несомненно, лучше, чем результат модели случайных входов, когда убытки составляли в среднем более $2000 при стандартном отклонении около $400. Далее в порядке убывания эффективности следуют сезонные модели. В среднем все тесты сезонных моделей приводили к потере $966 со сделки. Затем следуют три вида моделей на основе скользящих средних (на пересечении, угле наклона и поддержке/сопротивлении). В среднем в сделке они приносили убыток в $ 1500 — это вполне сравнимо с убытком $2100, ожидаемым от чисто случайных входов. Иными словами, модели на основе скользящих средних были лишь немного лучше случайных входов. Эффективность всех прочих моделей была близкой к случайной, а модели на основе циклов, как оказалось, работали даже хуже случайных входов. В пределах выборки прибыльными были генетические модели ($12 533 в средней сделке), все нейронные сети ($8940 — мелкие и $13 082 — крупные) и все модели на основе пробоев ($1537). Вне пределов выборки прибыльными остались только генетические модели, нейронные сети работали лучше случайных входов (хотя из-за подгонки под исторические данные их показатели заметно ухудшились), а эффективность моделей пробоев упала до случайного уровня («вредная» оптимизация не может быть единственной причиной такого результата). Далее в пределах выборки в порядке убывания эффективности следуют модели поддержки/сопротивления на основе скользящих средних (средний убыток $300 в сделке) и сезонные модели (средний убыток $671). Затем следовали лунные и солнечные модели (средний убыток $1076 и $1067 соответственно). Модели на основе скользящих средних прино ЗАКЛЮЧЕНИЕ сили убыток от $1300 до $1700. Модели на основе осцилляторов и циклов приводили к убыткам более $2000 со сделки, что не лучше, чем результат генератора случайных входов. Интересно, что вне пределов выборки сохранили эффективность генетическая модель и малые нейронные сети. Такие модели чрезвычайно способны к подгонке под исторические данные и часто проваливаются в тестах вне выборки и при реальной торговле. Кроме того, некоторый торговый потенциал был проявлен редко исследуемыми сезонными моделями. При этом наиболее популярные методики (скользящие средние, осцилляторы, циклы) были среди худших как в пределах, так и вне выборки. Примечательно, что модели на основе пробоев в среднем хорошо работали в прошлом, но теперь их эффективность снизилась до уровня модели случайных входов. В табл. С-1 приведена прибыль в процентах годовых (первая строка для каждой комбинации модели и приказа) и средняя прибыль в сделке (вторая строка), полученные при использовании стандартной стратегии выхода. Приведенные данные относятся к эффективности торговли портфелем в целом. Описания моделей (левый столбец) соответствуют использовавшимся в этой книге. Последние шесть строк в таблице служат основой для сравнения различных моделей между собой. Они получены при использовании случайных входов и базовой стратегии выходов. СредДОХ % означает среднюю доходность в процентах годовых на основе нескольких последовательностей случайных входов;

СтОтклДОХ% — стандартное отклонение доходности. Сред $СДЕЛ — средняя прибыль/ убыток в сделке на основе нескольких последовательностей случайных входов и СтОткл $СДЕЛ — стандартное отклонение средней прибыли в сделке. Модели на основе пробоя были уникальны тем, что приносили прибыль в пределах выборки при почти всех сочетаниях модели и приказа. За исключением пробоев волатильности, эти модели работали гораздо лучше случайных входов, хотя и были убыточны вне пределов выборки — убыток был менее $1000, иногда менее $300 (средний убыток модели случайных входов составил около $2000). Иными словами, системы на основе пробоев в целом были лучше случайных входов. Но вне пределов выборки они работали гораздо хуже, чем случайные входы. Средний убыток в сделке превышал $5000, как будто поведение рынка было специально настроено на затруднение работы этих систем. Модели на основе скользящих средних, следующие за трендом (модели пересечения и угла наклона), в пределах выборки работали немного лучше случайных входов — убытки были достаточно серьезными, но почти всегда менее $2000. Ни одна из систем не была достаточно эффективной, и вне пределов выборки картина, в общем, не изменилась, несмотря на большую волатильность результатов: большинство сочетаний работали лучше, чем случайные входы, но все-таки приносили убытки.

ЗАКЛЮЧЕНИЕ Таблица С-1.

Результаты торговли портфелем для всех исследованных моделей со всеми видами входов ЗАКЛЮЧЕНИЕ Таблица С-1.

Результаты торговли портфелем для всех исследованных моделей со всеми видами входов (продолжение) ЗАКЛЮЧЕНИЕ Таблица С-1.

Результаты торговли портфелем для всех исследованных моделей со всеми видами входов (продолжение) ЗАКЛЮЧЕНИЕ Противотрендовые модели на основе скользящих средних работали менее стабильно, чем модели следования за трендом. Многие из них демонстрировали меньшие убытки или даже некоторую прибыль в пределах выборки. Вне пределов выборки наблюдалась аналогичная картина, особенно в отношении модели на основе поддержки/сопротивления скользящих средних. За исключением модели расхождения MACD, все осцилляторы приносили большие убытки. Почти всегда они работали хуже, чем случайные входы как в пределах, так и вне пределов выборки. Самой худшей была модель перекупленности/перепроданности RSI. В обеих частях выборки данных убытки при ее использовании были огромными, гораздо больше, чем ожидаемые убытки случайных входов. С другой стороны, сезонные модели были однозначно лучше случайного входа. Хотя только одна из них дала реальную прибыль и в пределах, и вне пределов выборки, две из них были прибыльны вне пределов выборки, а убыток еще нескольких был гораздо меньше, чем ожидаемый убыток модели случайных входов. Результаты простейшей лунной модели были неоднозначными. В пределах выборки большинство тестов показали убыток, который, тем не менее, был лучше ожидаемого убытка случайных входов. При этом модель на пресечении лунных средних была однозначно лучше случайного входа как в пределах, так и вне пределов выборки. Хотя солнечные модели в пределах выборки работали лучше случайного входа, вне пределов выборки результаты были неоднородными и изменчивыми. Это также относится к моделям на основе циклов. Впрочем, циклические модели при входе по лимитному приказу или по цене открытия в последние годы работали гораздо хуже, чем случайные входы. Как и в случае с моделями на основе пробоя, оптимизация здесь не играет роли;

значимый уровень подгонки под исторические данные был обнаружен только в генетических моделях и нейронных сетях. Из-за огромного размера образца данных оптимизация одногодвух параметров, необходимых для большинства моделей (за исключением генетической и нейронной сети) давала минимальный эффект «вредной» подгонки. Как ни странно, модели на основе нейронных сетей довольно часто показывали неплохие (лучше случайных) результаты вне пределов выборки. В пределах выборки, естественно, эффективность нейросетей была потрясающей. Мы проводили коррекцию коэффициента корреляции, но и после коррекции корреляция оставалась значимой, сохраняя вне пределов выборки ощутимую реальную прогностическую ценность. Результаты правил, разработанных с помощью генетических алгоритмов, были самыми лучшими. Великолепная эффективность, полученная в пределах выборки, сохранялась в длинных позициях и на данных вне выборки.

ЗАКЛЮЧЕНИЕ Обобщение Многие из моделей были описаны как «значительно превосходящие случайные входы». Эти модели могли бы стать прибыльными в сочетании с улучшенной стратегией выходов. В части III книги стало очевидно, что при использовании случайного входа хорошая стратегия выхода способна повысить прибыль (или снизить убытки) примерно на $1000 в средней сделке. Это означает, что при хорошем выходе модели, терпевшие убытки в несколько сот долларов, могут стать прибыльными. Как было сказано выше, путь был долгим, порой трудным и обескураживающим. Но при этом взгляд с высоты сумел обнаружить много потенциально прибыльных моделей входа. Кроме того, было обнаружено немало сюрпризов: так, несмотря на ужасную репутацию и опасную тенденцию к подгонке под исторические данные, наилучшими вне пределов обучающей или эволюционной выборки оказались именно нейронные сети и генетические модели. Другим сюрпризом оказалось то, что некоторые из наиболее популярных торговых подходов — например, пересечения скользящих средних и стратегии на основе осцилляторов — оказались в числе наихудших всего с несколькими исключениями. Примечательны были также результаты исследования циклических моделей, от которых ожидали хорошей, если не идеальной работы на основе их теоретического изящества. Но, возможно, ввиду их популярности, даже при солидной математической реализации эффективность этих моделей была низкой. СВЕТЛЫЕ ТОЧКИ Проводилось исследование эффективности торговли целым портфелем для каждого из трех видов приказов на вход (вход по цене открытия, по лимитному и стоп-приказу). Эффективность в пределах и вне пределов выборки оценивалась по отдельности. Наилучшая эффективность вне пределов выборки была показана генетическими моделями в длинных позициях. Вход по цене открытия был особенно прибылен (прибыль в процентах годовых — 64,2% в пределах и 41,0% вне пределов выборки). Эта модель была прибыльна также при входе по лимитному приказу и по стоп-приказу, принося высокие средние прибыли в сделке. Однако данная модель генерировала сделки очень редко (что можно исправить более сложными версиями подобных моделей). В порядке убывания эффективности вне пределов выборки следующей была комбинация модели пересечения сезонных средних с подтверждением при входе по стоп-приказу. Подобно длинным позициям генетической модели, она была прибыльна и в пределах, и вне пределов выборки: в пределах выборки средняя прибыль в сделке составила $846 при ЗАКЛЮЧЕНИЕ доходности 7,4%;

вне пределов выборки средняя прибыль в сделке $1677 при доходности 9,5%. Другие сезонные модели также работали хорошо. Вне пределов выборки простая сезонная модель на основе пересечения также была прибыльной. Затем идет модель на основе точки разворота под управлением нейронной сети 16-10-1в коротких позициях. Эта модель давала прибыль везде и со всеми входами: вне пределов выборки при входе по цене открытия модель показала доходность 9,3% годовых, причем средняя сделка принесла $580 прибыли;

в пределах выборки данные показатели составили 35,2% и $8448 соответственно. Далее, модель на обращенном во времени Медленном %К также показывала прибыль, особенно со входом по стоп-приказу. Вне пределов выборки доходность составила 6,1%, а средняя прибыль в сделке $362. В пределах выборки эти показатели равнялись 22,5% и $6764 соответственно. Обратите внимание на значительное ухудшение результатов при переходе к данным вне пределов выборки: хотя это свидетельствует о подгонке под исторические данные, система осталась прибыльной и вне выборки, и, таким образом, она может использоваться в реальной торговле. Еще одна модель, прибыльная на обеих выборках данных, — это модель расхождения MACD, особенно при входе по лимитному приказу. Вне выборки ее доходность составила 6,1% при средней прибыли в сделке, равной $985. В пределах выборки эти показатели составили 6,7% и $1250 соответственно. И наконец, среди моделей, показавших прибыль как в пределах, так и вне пределов выборки, следует упомянуть модель поддержки/сопротивления на основе простых скользящих средних с входом по стоп-приказу: вне выборки ее годовая доходность составила 6,4% при средней прибыли в сделке $482. В пределах выборки эти показатели составили 5,8% и $227 соответственно. Почти все оставшиеся модели приносили убытки вне выборки, а многие — даже в пределах выборки. Единственным исключением была модель на основе пробоев волатильности, ограниченная валютными рынками, которая работала весьма хорошо (в пределах выборки — 12,4% в год, $3977 со сделки, вне пределов выборки — 8,5% и $2106 соответственно). Обобщение Несмотря на то что большинство остальных сочетаний моделей и входов были убыточны вне пределов выборки, во многих случаях убыток был меньше, чем ожидаемый убыток системы случайных входов. Видимо, существует ряд моделей, далеких от идеала и требующих дальнейшей разработки, но способных в пределах выборки давать прибыль, сохраняя вне выборки приемлемые статистические показатели.

ЗАКЛЮЧЕНИЕ СВЕТЛЫЕ ТОЧКИ ВБЛИЗИ До этого момента мы обсуждали только работу моделей, тестируемых на целом портфеле. При тестировании было сделано множество замечаний, касающихся особенностей работы той или иной системы на определенных рынках. Зачастую отмечалось, что данная модель, видимо, работает на этих рынках хорошо, а другие модели на них же — плохо. Нет сомнений, что путем подбора лучших сочетаний моделей и рынков можно создать портфель систем для торговли портфелем рынков. При изложении результатов тестов в данной книге были отмечены хорошие сочетания рынков и моделей без дополнительной оптимизации параметров. Портфель формировался на основе статистической значимости в пределах выборки. Целью был поиск оптимального сочетания модели и входа для каждого из рынков в составе портфеля. Если для данного рынка потенциально подходило несколько моделей, то лишние отбрасывались по признакам сложности (чем сложнее модель, тем меньше к ней доверие), плохой работы с целым портфелем и подобных факторов. Специфические комбинации, отобранные в результате, включают весь спектр различных осцилляторов, скользящих средних, лунных и солнечных моделей, сезонных моделей и нейронных сетей;

не включены только генетические алгоритмы, поскольку в наших тестах генетические системы совершали очень редкие сделки. При этом на рынках, хорошо работавших в пределах выборки, система обычно вообще не торговала вне выборки — прибыль вне выборки была получена на совершенно других рынках. Это не означает, что поведение системы вне пределов выборки было плохим — просто, если рынок был прибылен в одной части, то в другой почти не использовался. Малое количество сделок, характерное для генетической модели, было обусловлено специфическими свойствами данного набора правил и способов их сочетания в сигналах покупки и продажи. При некоторых изменениях наборов правил, особенно в количестве используемых правил и их сочетаний, можно в корне изменить настройку алгоритмов на редкие события. Для некоторых рынков иногда невозможно было найти предпочтительную модель. В таких случаях подбиралась модель, плохо работавшая на рынке в целом, но приносившая прибыль на одном-двух «трудных» рынках. Например, модель перекупленности/перепроданности RSI с входом по лимитному приказу на портфеле работала плохо, но на рынках золота и серебра — приемлемо (в пределах выборки годовая доходность 27,3 и 3,9%, а средняя сделка — $9446 и $4164 по золоту и серебру соответственно). Вне пределов выборки доходность в процентах годовых составила 23,6% (золото) и 51,7% (серебро), средние прибыли в сделках — $12 194 и $24 890 соответственно. Одна из крупных нейронных сетей, которые, по-видимому, были переоптимизированы, была протестирована на трех рынках пшеницы, где ЗАКЛЮЧЕНИЕ ни одна другая модель не давала статистически значимых результатов. При этом крупная нейронная сеть, предсказывающая точки разворота и торгующая только длинными позициями с входом по лимитному приказу, дала статистически значимые результаты на каждом из рынков пшениц (более 40% годовой прибыли и более $15 000 со средней сделки в пределах выборки). Как ни странно, несмотря на большой размер сети и опасность «вредной» подгонки под исторические данные, вне пределов выборки модель показала доходность 24% и в среднем заработала $5000 на каждом из рынков пшеницы. Циклическая модель, едва ли работавшая на каком-либо рынке, успешно торговала S&P 500, показав годовую доходность 15,3% при средней прибыли в сделке $4613 в пределах выборки. Вне пределов выборки эта модель показала доходность 21,4% годовых при средней прибыли в сделке $4698. Следует отметить, что по данным нашего прошлого исследования (Katz, McCormick, май 1997), циклическая модель весьма успешно работает на рынке S&P 500.

Рисунок С-1.

График изменения капитала для множественного портфеля систем и рынков.

ЗАКЛЮЧЕНИЕ Когда для каждого рынка было найдено хорошее сочетание модели и входа, мы провели анализ эффективности рынков в пределах и вне пределов выборки. Был построен график изменения капитала, покрывающий оба периода (рис. С-1). Мы были удивлены, обнаружив, что вне пределов выборки торговля портфелем систем и рынков принесла прибыль в размере 625% годовых! Так как сочетания рынков и моделей подбирались по их статистической значимости в пределах выборки, то полученная доходность 544% годовых в пределах выборки была в некоторой степени ожидаемой. Тем не менее вероятность получения такой прибыли в пределах выборки составляет всего-навсего 1 из 3 000 000 000 000 000 000, т.е. 3 X10 18. Даже если проводить объемную оптимизацию с десятками тысяч тестов, то результат будет все равно статистически чрезвычайно достоверен. Вне пределов выборки вероятность случайно получить такое соотношение риска/прибыли или годовой доход равна 1 к 40 миллионам — здесь даже после коррекции на широчайшую оптимизацию статистическая достоверность результата будет чрезвычайно велика. На самом деле вне пределов выборки оптимизация не проводилась. В пределах выборки все системы оптимизировались на целом портфеле. Параметры моделей ни разу не подвергались коррекции для работы на выбранных специфических рынках, и использовалась только стандартная стратегия выходов. Использование лучших из стратегий выходов, описанных в части III, могло бы очень значительно улучшить эффективность в целом. Таким образом, несмотря на то что большинство систем не работают и большинство тестов показывают убытки, достаточно обширный поиск может привести к созданию стратегии торговли портфелем, способной без всякого преувеличения дать звездные результаты.

Pages:     | 1 |   ...   | 5 | 6 ||



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.