Data Mining eine Forex Majors-Strategie Aufgrund der einzigartigen Eigenschaften der verschiedenen Währungspaare, viele quantitative Forex-Strategien sind mit einem bestimmten Währungspaar im Auge. Während dies viele rentable Handelsstrategien produzieren kann, gibt es auch Vorteile zu entwickelnden Strategien, die über mehrere Währungspaare gehandelt werden können. Dies führt zu einem Element der Diversifizierung, die ein zusätzliches Maß an Abwärtsschutz bieten kann. Daniel Fernandez veröffentlichte kürzlich ein System, das er entworfen hatte, um auf jedem der vier Forex Majors zu handeln. Sein Ziel war es, ein System zu finden, das eine 20-jährige Erfolgsbilanz mit profitablem Handel auf EURUSD, GBPUSD, USDJPY und USDCHF erzielt hätte. Daniel verwendet einen Data-Mining-Ansatz, um eine Strategie für den Handel der vier Forex-Majors zu entwickeln. Um sein System zu konstruieren, verwendete Daniel seine Data-Mining-Software, um Eingangs - und Ausgangssignale zu definieren, die eine rentable Handelsstrategie auf jedem der vier Währungspaare in den letzten 20 Jahren erzeugt hätten. Was er kommt, ist eine Kombination aus drei Preis-Regeln, die die Grundlage für seine Forex Majors-Strategie bilden. Daniel8217s Forex Majors Strategie Daniel8217s Forex Majors Strategie ist sehr einfach, dass es immer eine Position, entweder lang oder kurz, in jedem der vier Währungspaare, die es handelt. Es basiert alle seine Trades auf Tages-Charts. Die Strategie geht lange, wenn die folgenden drei Bedingungen erfüllt sind: Die Strategie ist kurz, wenn die folgenden drei Bedingungen erfüllt sind: Wie Sie sehen können, ist die Strategie im Grunde ein optimierter Trend nach der Strategie. Dies macht Sinn, weil Daniel am Anfang seines Artikels erklärt, dass langfristige Tendenzen nach Strategien in der Regel die besten Strategien für den Handel mehrere Märkte sind. Eine weitere Regel, die Daniel8217s Strategie nutzt, ist ein ATR-basierter Stop-Loss. Der feste Stop-Loss wird auf 180 der 20-Tage-ATR eingestellt. Wenn der Stop-Loss ausgelöst wird, bleibt die Strategie ausserhalb des Marktes, bis ein Signal in die entgegengesetzte Richtung erzeugt wird. Testen bedeutet, dass eine erneute Eingabe eines Signals in der gleichen Richtung die Leistung negativ beeinflusst. Backtesting Performance Die Backtesting-Ergebnisse, dass Daniel in seinem Beitrag enthalten, zeigen, dass die Strategie war ziemlich profitabel. Sie erzielte eine Gewinnquote von 45, einen Gewinnfaktor von 1,38 und ein Lohn-Risiko-Verhältnis von 1,68. Daniel8217s größte Sorge über die Strategie war, dass der maximale Drawdown-Zeitraum eine sehr lange Zeit darstellte. Nach Daniel8217s Zahlen, die durchschnittliche jährliche Rendite war 9,67. Diese bestand aus 16 rentablen Jahren, 4 Jahren zu verlieren, und ein Jahr, das im Grunde sogar brach. Das beste Jahr war eine Rendite von 37,76, und das schlechteste Jahr war ein Verlust von 20,2. Daniel bemerkt, dass dieses System keine gute eigenständige Strategie darstellen würde, da es sich um eine Rückkehr im Verhältnis zu maximalen Drawdowns handelt. Allerdings schlägt er vor, dass es ein interessantes Stück einer größeren, Multi-System-Strategie sein könnte. Cloud Data-Mining in Asirikuy: Suche nach Handelssystemen in einer Community-Umgebung Wenn Sie nach Trading-Systeme mit Data-Mining suchen, werden Sie Bald mit Problemen im Zusammenhang mit der rechnerischen Intensität der Aufgabe. Selbst einfache Logikräume (wie zwei preiswirksame Regeln) können Millionen von potentiellen Systemkombinationen enthalten, und das Testen von allen ist grundlegend für das Finden von Strategien für den Handel. Allerdings ist das Finden von Systemen auf realen Daten nur der Anfang des Problems, da die Feststellung, ob diese Kombinationen aufgrund von Data-Mining-Bias (DMB) oder wahren historischen Ineffizienzen entstanden, noch mehr Rechenleistung erfordert. Heute werde ich darüber sprechen, wie wir uns entschlossen haben, das Problem der rechnerischen Intensität in Asirikuy anzugehen und wie wir eine Cloud-Data-Mining-Implementierung entwickelt haben, die es uns ermöglicht, nach neuen Systemen als Handelsgemeinschaft zu suchen Uns als Ganzes, die uns helfen, besser zu verstehen, die Art und Weise, in der Data Mining funktioniert und ermöglicht es uns, Optionen, die sonst zu teuer für eine einzelne Person zu erkunden wäre zu erkunden. Ich werde mit einer kurzen Beschreibung des Problems an der Hand, nach unserer Lösung und die potenziellen Vorteile, die es uns freuen. Warum ist Data Mining so teuer Stellen Sie sich vor, Sie wollten ein System finden, das auf 25 Jahre täglicher Daten funktioniert (erfüllt einige statistische Vorgaben) und Sie möchten Ihren Suchraum auf Systeme beschränken, die 2 preiswirksame Regeln verwenden (einfache Vergleiche zwischen OHLC-Daten ), Die OHLC-Werte mit Verschiebungen zwischen 1 und 50 mit einer Schrittweite von 2 enthalten. Sie wissen, dass Sie das Risiko pro Trade einschränken möchten, so dass das System, das Sie erzeugen möchten, einen Stoploss haben muss, der zwischen 0,5 und 2-mal täglich variieren kann ATR mit 0,5 Schritten. Diese einfache Reihe von Optionen bietet Ihnen fast 150 Millionen mögliche Systeme, die Sie benötigen, um zu testen, um einige Statistiken zu erhalten und wissen, ob das System ist oder isn8217t lohnt sich für Live-Trading. Mit etwas wie unsere ursprüngliche Kantu-Implementierung (die etwa 3 Millisekunden für jeden Test dauert) würde Ihnen etwa 5 Tage, um den Test abzuschließen. Mit PKantu, unserer neuesten Implementierung, die OpenCL und GPUs für Back-Tests verwendet, dauert es etwa 50 Minuten (0,0056 Millisekunden pro Test). Sie würden dann denken, dass PKantu das Problem löst, weil es uns ermöglicht, schnell Ergebnisse zu erzielen, auch für große Logikräume, aber hier geht es auch darum, dass wir, um zu wissen, ob ein System den Handel wert ist, auch DMB auswerten müssen . Die Auswertung von DMB beinhaltet die Erzeugung vieler zufälliger Datenreihen unter Verwendung von Bootstrapping mit Austausch und dem Abbau auf diesen Daten, was bedeutet, dass Sie das obige Experiment N mal durchführen müssen, wobei N die Anzahl der zufälligen Datenreihen ist, die Sie ausführen möchten auf. Da Sie Ihre Ergebnisse konvergieren wollen 8211 erreichen eine stabile Verteilung von Systemen, die auf zufälligen Daten 8211 erzeugt wird, das bedeutet in der Regel die Erzeugung von Systemen über 50-100 Datenreihen, was die Rechenkosten erheblich erhöht. Unter Verwendung des obigen Beispiels dauert das Untersuchen von DMB auf PKantu (50 zufällige Datenreihen) ungefähr 2 Tage des computationalen Knirschens. Wenn Sie auf der Suche nach Erzeugung von Systemen auf niedrigeren Zeitrahmen oder auf größeren Logikräumen sind, dann betrachten Sie die Knirschperioden von Wochen oder Monaten, um eine Analyse ordnungsgemäß durchzuführen, ohne Garantie, dass die Ergebnisse zu etwas führen werden. Auf der anderen Seite, wenn Sie eine Handelsgemeinschaft haben, ist die Durchführung von einzelnen Data-Mining-Bemühungen sehr sub-optimal, da wir wahrscheinlich Interesse an ähnlichen Dingen sind. Wenn dies der Fall ist, dann macht es viel Sinn, rechnerische Macht zu verbinden und sich auf die Lösung einer Reihe von Problemen zu konzentrieren, die für die Gemeinschaft als Ganzes relevant sind, was zur Ermittlung und Bewertung neuer Systeme für den Livehandel beiträgt. In diesem Sinne haben wir eine Cloud Data-Mining-Schnittstelle entwickelt, die es Asirikuy-Mitgliedern ermöglicht, Data-Mining-Anstrengungen durchzuführen, die der gesamten Community zugute kommen. Der Server verfügt über eine Datenbankimplementierung, die alle relevanten Experimente enthält und die Person, die einen Beitrag leisten möchte, nur ein Skript ausführen muss, das automatisch das Experiment erhält, das ausgeführt werden muss, und es auf dem Computer von Person8217 ausführt. Jede Person trägt mit einem Systemgenerierung laufen auf realen oder zufälligen Daten auf einmal, und diese Ergebnisse werden dann an den Server gesendet, automatisch angehängt und automatisch analysiert, um Ergebnisse zu generieren, die leicht gesehen und analysiert werden können durch die ganze Gemeinschaft. Da die Analyse von DMB von der Konvergenz der Verteilung der auf Zufallsdaten erzeugten Systeme abhängt, hilft jeder zusätzliche Beitrag, die Ergebnisse zu verfeinern und uns neue Informationen zu geben. Auf diese Weise Menschen donâ € ™ t müssen die Zeit nehmen, um zu analysieren appendstoreindex ihre eigenen Ergebnisse, aber sie können einfach dazu beitragen, rohe Rechenleistung und die Cloud-Umgebung, die wir bei Asirikuy erstellt haben, macht den Rest. Am Ende können wir Dinge laufen lassen, die für eine einzelne Person nicht durchführbar sind. Wir können innerhalb von nur wenigen Tagen (auch wenn nur 10 Personen dazu beitragen) Ergebnisse für viele verschiedene Experimente erzielen, und wir können auch Anstrengungen unternehmen, um Ergebnisse zu erzielen Für ein einziges Experiment mit hohen Rechenkosten (zum Beispiel ein Logikraum mit 1800 Millionen Systemen). Das Beste ist, dass die Anstrengungen zentralisiert sind, und deshalb müssen wir 20 Mal die gleichen Experimente durchführen (was passiert, wenn alle die Dinge selber machen), aber Experimente werden einmal zentral durchgeführt und dann kann jeder von dem Nutzen profitieren Ergebnisse. Darüber hinaus sind die Ergebnisse ordnungsgemäß innerhalb einer Datenbank-Implementierung organisiert, so ist es sehr einfach, Statistiken für Experimente zu erhalten. Diese Cloud-Data-Mining-Anstrengung wird der Eckstein des Asirikuy Trading System Repository sein, das Handelssysteme aus dem Data-Mining (verifiziert, um echte historische Ineffizienzen repräsentiert) abzuhalten und es Mitgliedern erlaubt, ein Portfolio auszuwählen, das zu ihren eigenen Trading-Zielen passt. Unser Systemrepository wird das Thema einer zukünftigen Post: o). Wenn Sie mehr über Data-Mining erfahren möchten und wie Sie auch zu einer Cloud-basierten Data-Mining-Anstrengung beitragen können, ziehen Sie bitte an Asirikuy teil. Eine Website mit Bildungs-Videos, Handelssysteme, Entwicklung und eine solide, ehrliche und transparente Ansatz für automatisierte Handel im Allgemeinen gefüllt. Ich hoffe, Sie genossen diesen Artikel. O)
No comments:
Post a Comment