Sistema de avaliação de posição de negociação

Como começar a negociar: Teste seu plano de negociação.
Uma parte integrante do processo de desenvolvimento é testar o plano de negociação para determinar sua expectativa - quanto dinheiro o sistema poderia ganhar em um mercado ao vivo? A maioria de nós já viu as advertências postadas em vários sites financeiros e literatura declarando: “Desempenho passado não é indicativo de resultados futuros.” Embora isso seja certamente verdadeiro em relação aos planos de negociação, existem medidas que você pode tomar para determinar se um plano é provável ter sucesso no futuro; ou seja, backtesting e teste de desempenho avançado.
Backtesting
O termo backtesting se refere ao teste de um sistema de negociação em dados históricos para ver como ele teria sido realizado durante esse período de tempo. A maioria das plataformas de negociação de hoje tem recursos robustos de backtesting, e você pode testar rapidamente ideias sem arriscar o dinheiro em sua conta de negociação. O backtesting pode ser usado para avaliar ideias simples, como o desempenho de um crossover de média móvel ou sistemas mais complexos com entradas e acionadores de variedade.
O ajuste de curva envolve ajustes ou otimização do sistema para criar a maior porcentagem de negociações vencedoras ou o maior lucro nos dados históricos usados ​​no período de teste. Embora faça um sistema parecer fantástico em resultados de backtesting, ele leva a sistemas não confiáveis, uma vez que os resultados são essencialmente personalizados para um período de tempo - no passado. Backtesting e otimização proporcionam muitos benefícios, mas é apenas parte do processo ao avaliar um sistema de negociação. O próximo passo é aplicar o sistema a novos dados históricos.
Dados no exemplo versus dados fora da amostra.
É benéfico reservar um período de dados históricos para fins de teste. Os dados históricos iniciais que você testa e otimiza são conhecidos como dados in-sample e o conjunto de dados que foi reservado é chamado de dados fora de amostra. Esse conjunto de dados "limpo" é uma parte importante do processo de avaliação, pois fornece uma maneira de testar a ideia em dados que não influenciaram o processo de otimização. Isso pode lhe dar uma idéia melhor de como o sistema funcionará no comércio ao vivo.
Uma vez que seu plano de negociação tenha sido avaliado usando dados dentro da amostra, você pode aplicá-lo aos dados fora da amostra. Se houver baixa correlação entre os testes dentro da amostra e fora da amostra, é provável que o sistema esteja super otimizado e não tenha um bom desempenho na negociação ao vivo. Se houver correlação forte, a próxima fase de avaliação é um tipo adicional de teste fora da amostra conhecido como teste de desempenho avançado.

CAMPO TÉCNICO.
O presente assunto refere-se, em geral, a uma reivindicação contingente europeia independente da trajetória e, em particular, a um sistema e a um método implementado por computador para avaliar as posições de negociação ótimas localmente para a reivindicação contingente europeia independente da trajetória.
FUNDO.
No atual ambiente de negócios competitivo, os bancos de investimento obtêm lucro negociando instrumentos financeiros, como derivativos. Um derivado é um contrato entre duas partes, ou seja, um comprador e um vendedor. O vendedor do contrato é obrigado a entregar ao comprador, um pagamento que depende do desempenho de um ativo subjacente. Em um exemplo, um derivativo pode ser uma opção escrita no ativo subjacente. O ativo subjacente pode ser um estoque, uma moeda ou uma mercadoria. Em alguns derivativos, os pagamentos devem ser entregues em um prazo fixo até o vencimento. Tais derivados são geralmente conhecidos como Reivindicações Contingentes Europeias (ECC). Exemplos de ECC incluem uma opção europeia de compra ou venda. O pagamento de uma opção de compra europeia pode ser matematicamente indicado por H = max [0, ST-K], em que (H) representa o retorno da opção de compra europeia, (K) representa preço de exercício e (ST) representa o preço de activo subjacente no momento do vencimento da opção de compra europeia. Além disso, o ECC pode ser uma opção independente do caminho, o que significa que seu pagamento depende apenas do preço do ativo subjacente no momento do vencimento.
Vender ou comprar uma opção sempre implica alguma exposição ao risco financeiro. No caso da opção de compra europeia, o detentor de uma opção paga um prêmio para comprar o ativo subjacente a um preço de exercício no momento do vencimento da opção. O preço de exercício é o preço contratado pelo qual o ativo subjacente pode ser comprado ou vendido no momento do vencimento da opção. Se o preço de mercado do ativo subjacente exceder o preço de exercício, é rentável para o detentor da opção comprar o ativo subjacente do vendedor da opção e depois vender o ativo subjacente ao preço de mercado para obter lucro. Como a opção de compra europeia oferece ao comprador o direito, mas não a obrigação de compra, o comprador pode, assim, ter a chance de obter um lucro potencialmente infinito ao custo de perder o valor que pagou pela opção, ou seja, o Prêmio. O vendedor, por outro lado, tem a obrigação de vender o ativo subjacente ao detentor pelo preço de exercício, que pode ser inferior ao preço de mercado do ativo subjacente na data de vencimento da opção. Portanto, para um vendedor de opções, o valor em risco é potencialmente infinito devido à natureza incerta do preço do ativo subjacente. Assim, os vendedores de opções geralmente usam várias estratégias de hedge para minimizar esse risco.
Este resumo é fornecido para introduzir conceitos relacionados à avaliação de posições de negociação ideais localmente em uma medida de mercado. Estes conceitos são descritos abaixo na descrição detalhada. Este resumo não pretende identificar características essenciais do objeto reivindicado, nem se destina a ser usado para determinar ou limitar o escopo do objeto reivindicado.
Um sistema de avaliação de posição de negociação para avaliar posições de negociação localmente ótimas em uma medida de mercado inclui um módulo de determinação de preço de opção configurado para determinar uma instância de tempo de negociação entre uma pluralidade de instâncias de tempo de negociação obtidas de um trader, um preço de opção escalado e uma opção escalonada preço de um activo subjacente de uma Reclamação Contingente Europeia (ECC) com base em dados de ECC e dados de mercado. Os dados do ECC compreendem dados associados ao ECC e ao ativo subjacente do ECC, e os dados de mercado compreendem taxa de retorno anualizada e volatilidade anualizada do ativo subjacente e taxa de juros de mercado. Com base no preço de opção escalonado e no preço de opção escalado deslocado, um módulo de avaliação de posição avalia uma posição de negociação na instância de tempo de negociação que minimiza a variação local de lucros e perdas para o negociante.
BREVE DESCRIÇÃO DOS DESENHOS.
A descrição detalhada é descrita com referência à (s) figura (s) anexa (s). Na (s) figura (s), o (s) dígito (s) mais à esquerda de um número de referência identifica o número em que o número de referência aparece pela primeira vez. Os mesmos números são usados ​​ao longo da (s) figura (s) para referenciar recursos e componentes. Algumas formas de realização de sistemas e / ou métodos de acordo com formas de realização da presente matéria são agora descritas, apenas a título de exemplo, e com referência à (s) figura (s) em anexo, em que:
FIG. 1 ilustra um ambiente de rede que implementa um sistema de avaliação de posição de negociação, de acordo com uma forma de realização do presente assunto.
FIG. 2a ilustra componentes do sistema de avaliação da posição de negociação, de acordo com uma forma de realização da presente matéria.
As FIGS. 2 b - 2 f ilustram um conjunto de dados exemplificativo para avaliar posições de negociação, e representações gráficas representando a comparação de uma variância local de lucros e perdas obtida pelo atual sistema de avaliação de posição de negociação e um sistema convencional.
FIG. 3 ilustra um método para avaliar posições de negociação que são localmente ótimas em uma medida de mercado, de acordo com uma incorporação da presente matéria.
DESCRIÇÃO DETALHADA.
A negociação de instrumentos financeiros, como um ECC independente de caminho e outros derivativos em redes de computadores, como a Internet, tornou-se uma atividade comum. Em geral, qualquer forma de negociação no mercado envolve um risco, assim como a negociação de ECC. O risco para um comprador de ECC é limitado ao prêmio que ele pagou a um vendedor de ECC. No entanto, o risco para o vendedor de ECC é potencialmente ilimitado, enquanto o lucro obtido pelo vendedor de ECC apenas da venda de ECC é limitado aos prêmios ganhos. Consequentemente, o vendedor de ECC pode cobrir seu risco negociando um ativo subjacente ao ECC. Tal ativo é doravante referido como ativo subjacente. As decisões comerciais tomadas pelo vendedor de ECC constituem a estratégia de cobertura do vendedor. O lucro / prejuízo líquido incorrido pelo vendedor de ECC no momento do vencimento da venda do ECC e do processo de hedge é chamado de erro de hedge. O erro de cobertura representa o risco do vendedor de ECC que o vendedor de ECC pode incorrer mesmo após a cobertura. Uma escolha judiciosa de uma estratégia de cobertura pelo vendedor de ECC pode levar a um menor risco residual.
As técnicas convencionais de cobertura são frequentemente postuladas em hipóteses irrealistas de que as negociações podem ser feitas continuamente a tempo. Quando tais técnicas são usadas em configurações realistas envolvendo múltiplas instâncias de tempo de negociação discretas, elas não fornecem posições de negociação que minimizem o risco para o negociador entre instâncias de tempo de negociação sucessivas.
O presente assunto descreve um sistema e um método implementado por computador para avaliar posições de negociação para um ECC independente de caminho. Tais posi�es de negocia�o s� avaliadas numa pluralidade de inst�cias de tempo discretas desde o momento do in�io do ECC at�ao tempo de maturidade. Essas posições de negociação fornecem uma variação local mínima de lucro / prejuízo para um trader, digamos, um vendedor de ECC. O termo variância local pode ser entendido como a variância do lucro e da perda para o comerciante entre instâncias de tempo de negociação sucessivas.
O cálculo da variância requer uma escolha de medida de probabilidade. Uma medida de probabilidade fornece a probabilidade de ocorrência de diferentes eventos financeiros e representa a quantificação de uma visão subjetiva das probabilidades relativas de vários eventos / cenários futuros. Cada participante do mercado pode usar uma medida de probabilidade diferente, refletindo suas próprias opiniões subjetivas. A percepção subjetiva coletiva de todos os participantes do mercado é capturada pela chamada medida de probabilidade de mercado (doravante referida como medida de mercado). As medidas de mercado atribuem probabilidades aos espaços do mercado financeiro com base nos movimentos reais do mercado. Embora uma medida de probabilidade neutra ao risco seja geralmente usada para fins de precificação das opções, a medida de mercado é a medida real na qual o mercado evolui. Assim, os vendedores / comerciantes lutam para minimizar o risco no mundo real, ou seja, a medida de mercado.
O sistema e o método, de acordo com o presente objeto, envolvem a avaliação de posições de negociação. As posições de negociação avaliadas pelo sistema e método atuais minimizam a variância local do lucro e da perda para um negociador na medida de mercado. O sistema como descrito aqui é um sistema de avaliação de posição de negociação.
Inicialmente, um banco de dados para armazenamento de dados associado ao ECC independente de caminho é mantido de acordo com uma implementação. O banco de dados pode ser um repositório externo associado ao sistema de avaliação de posição de negociação ou um repositório interno dentro do sistema de avaliação de posição de negociação. Na descrição a seguir, um ECC independente de caminho é referido como ECC, e os dados associados ao ECC independente de caminho ou ao ativo subjacente do ECC independente de caminho são referidos como dados ECC. Os dados do ECC podem incluir o ECC independente da trajetória definido pelo seu pagamento, tempo de início, prazo até o vencimento, prêmio, preço do ativo subjacente do ECC independente de trajetória no momento do início, que é conhecido como preço à vista, preço de exercício do ECC independente de caminho e os preços de mercado atuais das opções de compra e venda. Em um exemplo, os dados de ECC armazenados no banco de dados podem ser obtidos dos usuários, como traders.
Na implementação mencionada acima, o banco de dados é ainda preenchido com dados históricos, incluindo os preços históricos de mercado do ativo subjacente do ECC. Os preços históricos de mercado para o ativo subjacente podem ser obtidos automaticamente de uma fonte de dados, como o site da National Stock Exchange (NSE) em intervalos de tempo regulares, por exemplo, no final do dia e armazenados no banco de dados. Os dados armazenados no banco de dados podem ser recuperados sempre que as posições de negociação devem ser avaliadas. Além disso, os dados contidos em tal banco de dados podem ser atualizados, sempre que necessário. Por exemplo, novos dados podem ser adicionados ao banco de dados, dados existentes podem ser modificados ou dados não úteis podem ser excluídos do banco de dados.
Em uma implementação, a taxa de retorno e a volatilidade do ativo subjacente são calculadas com base nos dados históricos associados ao ativo subjacente. Para calcular a taxa de retorno e a volatilidade, os preços de mercado históricos do ativo subjacente para um período predefinido, digamos, últimos dois anos, são recuperados do banco de dados e retornos logados são calculados para o ativo subjacente com base nos preços históricos recuperados . Posteriormente, log-retornos são ajustados a uma distribuição de melhor ajuste para gerar uma pluralidade de cenários. A distribuição de melhor ajuste pode ser uma distribuição Normal, uma distribuição de Poisson, uma distribuição T ou qualquer outra distribuição conhecida que se ajuste melhor aos retornos de log. Os cenários, portanto, gerados podem incluir cenários já existentes que ocorreram no passado e outros cenários que não existiam no passado, mas que podem ter uma probabilidade de ocorrer no futuro. Os cenários, assim gerados, são ajustados a uma distribuição normal para calcular a taxa de retorno e a volatilidade do ativo subjacente. A taxa de retorno calculada e a volatilidade são posteriormente anualizadas. Em uma implementação, a distribuição de melhor ajuste pode ser determinada usando técnicas convencionais de estimativa de densidade paramétrica e técnicas de estimativa de densidade não-paramétrica.
Além disso, uma taxa de juros do mercado é calculada com base nos dados recuperados do ECC. A taxa de retorno anualizada computada, a volatilidade anualizada e a taxa de juros são armazenadas no banco de dados como dados de mercado. O banco de dados, portanto, contém os dados do ECC, os dados históricos e os dados de mercado. Os dados contidos no banco de dados podem ser recuperados pelo sistema de avaliação de posição de negociação para fins de avaliação de posições de negociação. Em uma implementação, os dados de mercado, como a taxa de retorno anualizada, a volatilidade anualizada e a taxa de juros também podem ser calculados em tempo real durante a avaliação da posição de negociação. A maneira pela qual a avaliação da posição de negociação ocorre é descrita a partir de agora.
Um comerciante pode fornecer uma pluralidade de instâncias de tempo de negociação a partir do momento do início até o momento do vencimento do ECC como entrada para o sistema de avaliação de posição de negociação para negociação de um ativo subjacente. Tais instâncias de tempo de negociação são as instâncias de tempo discretas em que o comerciante gostaria de negociar o ativo subjacente do ECC. Ao receber as informações do trader, tais como instâncias de tempo de negociação, o sistema de avaliação da posição de negociação recupera os dados ECC e os dados de mercado associados ao ativo subjacente do banco de dados. Para cada uma das instâncias de tempo de negociação especificadas pelo comerciante, o sistema de avaliação de posição de negociação avalia então uma posição de negociação que é localmente ótima na medida de mercado, ou seja, a posição de negociação que fornece variação local mínima de lucro e prejuízo para o negociante.
Para avaliar a posição de negociação em uma determinada instância de tempo de negociação, o sistema de avaliação de posição de negociação determina um preço de opção escalonado e um preço de opção escalado deslocado do ativo subjacente com base nos dados ECC recuperados e nos dados de mercado. Essa determinação do preço de opção escalonado e do preço de opção escalonado deslocado, em uma implementação, pode ocorrer usando um método de precificação Black-Scholes ou um método de precificação de Monte-Carlo. Posteriormente, a posição de negociação no ativo subjacente é avaliada com base no preço da opção escalonada e no preço da opção escalonado. A posição de negociação transmite ao comerciante do ECC, o número de unidades do activo subjacente a ser detido pelo comerciante do ECC em uma determinada instância de tempo de negociação até a próxima instância de tempo de negociação.
Assim, a posição de negociação avaliada em cada uma das instâncias de tempo de negociação especificadas a partir da data de início da ECC até o vencimento, permite ao trader atingir a variação mínima de lucros e perdas para o negociante, como um vendedor de ECC, da instância de tempo de negociação atual para a próxima instância de tempo de negociação. Como mencionado anteriormente, tal variação de lucro e perda da instância de tempo de negociação atual para a próxima instância de tempo de negociação é conhecida como variação local. Assim, a variância local mínima de lucros e perdas pode ser alcançada pela avaliação das posições de negociação em diferentes instâncias de tempo de negociação. Portanto, uma possibilidade de risco incorrida pelo comerciante, especialmente, o vendedor de ECC, é minimizada entre instâncias de tempo de negociação sucessivas. O vendedor de ECC, por exemplo, pode liquidar o ativo subjacente no momento do vencimento para entregar o pagamento ao comprador do ECC a um risco mínimo.
No presente assunto, as posições de negociação são avaliadas usando uma expressão analítica de forma fechada simples, que é fornecida na seção posterior. As posições negociadas avaliadas eficientemente minimizam a exposição ao risco para os comerciantes. Com base nas posições de negociação, um trader saberá quantas unidades do ativo subjacente devem ser mantidas em cada instância de tempo de negociação, de modo que a exposição ao risco do negociante seja minimizada entre as sucessivas instâncias de tempo de negociação.
A seguinte divulgação descreve o sistema e método de avaliação das posições de negociação que são localmente ótimas na medida de mercado. Embora aspectos do sistema e método descritos possam ser implementados em qualquer número de diferentes sistemas de computação, ambientes e / ou configurações, as formas de realização para o sistema de extração de informação são descritas no contexto do (s) seguinte (s) sistema (s) e método (s) exemplificativos .
FIG. 1 ilustra um ambiente de rede 100 que implementa um sistema de avaliao da posio de negociao 102, de acordo com uma forma de realizao do presente assunto. Em uma implementação, o ambiente de rede 100 pode ser um ambiente de rede pública, incluindo milhares de computadores pessoais, laptops, vários servidores, como servidores blade e outros dispositivos de computação. Noutra implementação, o ambiente de rede 100 pode ser um ambiente de rede privada com um número limitado de dispositivos de computação, tais como computadores pessoais, servidores, portáteis e / ou dispositivos de comunicação, tais como telemóveis e telefones inteligentes.
O sistema 102 de avaliao da posio de negociao conectado de modo comunicativo a uma pluralidade de dispositivos 104 - 1, 104 - 2, 104 - 3 do utilizador. . . 104 - N, colectivamente referidos como dispositivos de utilizador 104 e individualmente referidos como um dispositivo de utilizador 104, atrav de uma rede 106. Numa implementao, uma pluralidade de utilizadores, tais como comerciantes, pode utilizar os dispositivos de utilizador 104 para comunicar com o sistema de avaliao da posio de negociao 102.
O sistema 102 de avaliao da posio de negociao e os dispositivos 104 de utilizador podem ser implementados numa variedade de dispositivos de computao, incluindo servidores, um computador pessoal de secretia, um notebook ou computador portil, uma estao de trabalho, um computador mainframe, um portador e / ou dispositivo de comunicao. , como telefones celulares e smartphones. Além disso, em uma implementação, o sistema de avaliação de posição de negociação 102 pode ser um sistema de rede distribuído ou centralizado no qual diferentes dispositivos de computação podem hospedar um ou mais dos componentes de hardware ou software do sistema de avaliação de posição de negociação 102.
O sistema de avaliao da posio de negociao 102 pode ser ligado aos dispositivos de utilizador 104 atrav da rede 106 atrav de um ou mais links de comunicao. Os elos de comunicao entre o sistema 102 de avaliao da posio de negociao e os dispositivos 104 de utilizador s activados atrav de uma forma de comunicao desejada, por exemplo, via conexs de modem de linha telefica, ligaes por cabo, linhas de assinante digitais (DSL), sem fios ou links de satite, ou qualquer outra forma adequada de comunicação.
A rede 106 pode ser uma rede sem fios, uma rede com fios ou uma combinação das mesmas. A rede 106 também pode ser uma rede individual ou uma coleção de muitas dessas redes individuais, interconectadas entre si e funcionando como uma única rede grande, por exemplo, a Internet ou uma intranet. A rede 106 pode ser implementada como um dos diferentes tipos de redes, tais como intranet, rede de área local (LAN), rede de área alargada (WAN), a Internet e outras. A rede 106 pode ser uma rede dedicada ou uma rede partilhada, que representa uma associação dos diferentes tipos de redes que utilizam uma variedade de protocolos, por exemplo, Protocolo de Transferência de Hipertexto (HTTP), Protocolo de Controlo de Transmissão / Protocolo da Internet (TCP / IP), etc., para se comunicarem entre si. Além disso, a rede 106 pode incluir dispositivos de rede, tais como comutadores de rede, hubs, roteadores, para fornecer uma ligação entre o sistema de avaliação de posição de negociação 102 e os dispositivos de usuário 104. Os dispositivos de rede dentro da rede 106 podem interagir com o sistema de avaliação de posição de negociação 102, e os dispositivos de usuário 104 através dos links de comunicação.
O ambiente de rede 100 compreende ainda uma base de dados 108 comunicativamente acoplada ao sistema de avaliao da posio de negociao 102. A base de dados 108 pode armazenar todos os dados incluindo dados associados a um ECC e o seu activo subjacente vendido por um comerciante, indiferentemente referido como vendedor de ECC na presente descrição. Por exemplo, o banco de dados 108 pode armazenar um dado ECC 110, um dado histórico 112, e um dado de mercado 114. Como indicado anteriormente, os dados do ECC 110 incluem, mas não estão limitados a, um ECC independente da trajetória definido pelo seu retorno, tempo de início, tempo até o vencimento, prêmio, preço à vista do ativo subjacente do ECC, preço de exercício da dívida. ECC e preços de mercado atuais de opções de compra e venda. Os dados históricos 112 incluem preços históricos de mercado de um activo subjacente do ECC, e os dados de mercado 114 incluem taxa de retorno anualizada, volatilidade anualizada e taxa de juro.
Embora a base de dados 108 seja mostrada externa ao sistema de avaliao da posio de negociao 102, serapreciado por um especialista na tnica que a base de dados 108 tamb pode ser implementada internamente ao sistema 102 de avaliao da posio de negociao, em que os dados 110 de ECC, dados históricos 112, e os dados de mercado 114 podem ser armazenados dentro de um componente de memória do sistema de avaliação de posição de negociação 102.
De acordo com uma implementação do presente assunto, o sistema de avaliação de posição de negociação 102 inclui um módulo de avaliação de posição 116 que recupera os dados de ECC 110 e os dados de mercado 114 da base de dados 108 e avalia posições de negociação no ativo subjacente em uma pluralidade de transações instâncias de tempo. As posições de negociação avaliadas pelo sistema de avaliação de posição de negociação 102 são localmente ótimas na medida de mercado. Tais posições de negociação são designadas como posições de negociação localmente ótimas na presente descrição. A posição de negociação é indicativa do número de unidades do ativo subjacente a ser mantido pelo vendedor do ECC de uma determinada instância de tempo de negociação até a próxima instância de tempo de negociação. Essa posição de negociação minimiza o risco para o vendedor entre duas instâncias de tempo de negociação sucessivas. A maneira pela qual o sistema de avaliação de posição de negociação 102 avalia as posições de negociação é explicado em maior detalhe de acordo com a FIG. 2 a.
FIG. 2a ilustra vários componentes do sistema de avaliação da posição de negociação 102, de acordo com uma forma de realização da presente matéria.
Na referida forma de realização, o sistema de avaliação da posição de negociação 102 inclui um ou mais processador (es) 202, uma memória 206 acoplada ao (s) processador (es) 202 e interface (s) 204. O (s) processador (es) 202 pode ser implementado como um ou mais microprocessadores, microcomputadores, microcontroladores, processadores de sinal digital, unidades de processamento central, máquinas de estado, circuitos lógicos e / ou quaisquer dispositivos que manipulem sinais com base em instruções operacionais. Entre outras capacidades, o (s) processador (es) 202 estão configurados para buscar e executar instruções legíveis por computador e dados armazenados na memória 206.
A (s) interface (s) 204 pode (m) incluir uma variedade de interfaces de software e hardware, por exemplo, a (s) interface (ões) 204 podem permitir que o sistema de avaliação de posição de negociação 102 se comunique pela rede 106, e pode incluir uma ou mais interfaces para dispositivos periféricos (s), como um teclado, um mouse, uma memória externa, uma impressora, etc. Além disso, a (s) interface (ões) 204 pode incluir portas para conectar o sistema de avaliação de posição de negociação 102 com outros dispositivos de computação, tais como servidores web e bases de dados externas. A interface (204) pode facilitar múltiplas comunicações dentro de uma ampla variedade de protocolos e redes, tais como uma rede, incluindo redes com fios, por exemplo, LAN, cabo, etc., e redes sem fio, por exemplo, WLAN, satélite, etc.
A memória 206 pode incluir qualquer meio legível por computador conhecido na técnica incluindo, por exemplo, memória volátil, tal como memória de acesso aleatório estática (SRAM) e memória de acesso aleatório dinâmica (DRAM), e / ou memória não volátil, tal como memória somente leitura (ROM), ROM apagável programável, memórias flash, discos rígidos, discos ópticos e fitas magnéticas. A memória 206 também inclui módulo (s) 208 e dados 210. O módulo (s) 208 inclui rotinas, programas, objetos, componentes, estruturas de dados, etc., que executam tarefas particulares ou implementam tipos de dados abstratos particulares. O (s) módulo (s) 208 incluem ainda, além do módulo de avaliação de posição 116, um módulo de cálculo de parâmetro de mercado 212, um módulo de cálculo de taxa de juro 214, um módulo de determinação de preço de opção 216 e outro (s) módulo (s) 218.
Os dados 210 servem, entre outras coisas, como um repositio para armazenar dados processados, recebidos e gerados por um ou mais dos mdulos 208. Os dados 210 incluem os dados de ECC 110, os dados históricos 112, os dados de mercado 114, dados de preços 224 e outros dados 226. Os dados do ECC 110 contêm um ECC definido por seu pagamento, tempo de início, tempo até o vencimento do ECC, seu prêmio, preço à vista, preço de exercício e preço de mercado atual das opções de compra e venda. Os dados históricos 112 incluem preços históricos de mercado de um ativo subjacente do ECC. Os dados de mercado 114 incluem taxa de retorno anualizada, volatilidade anualizada e taxa de juros. Os dados de determinação de preços 224 incluem preço de opção escalado e preço de opção escalado deslocado. Os outros dados 226 incluem dados gerados como resultado da execução de um ou mais outros módulos 218.
Na presente forma de realização, os dados de ECC 110, os dados históricos 112 e os dados de mercado 114 estão representados para serem armazenados dentro dos dados 210, que é um repositório interno do sistema de avaliação de posição de negociação 102. Contudo, tal como descrito na forma de realização anterior, os dados do ECC 110, os dados históricos 112, e os dados de mercado 114 podem também ser armazenados na base de dados 108 que é externa ao sistema de avaliação da posição de negociação 102.
De acordo com o presente assunto, o módulo de cálculo do parâmetro de mercado 212 recupera dados históricos 112 para um período pré-definido, por exemplo, passado um ano, a partir dos dados 210. Conforme descrito anteriormente, os dados históricos 112 incluem preços históricos de mercado do activo subjacente. Com base nos dados históricos recuperados 112, o módulo de cálculo do parâmetro de mercado 212 calcula os retornos de registo do activo subjacente. Numa implementao, o mulo de computao de paretros de mercado 212 calcula os resultados de log utilizando a equao (1) fornecida abaixo:
em que, Rk representa um log-retorno do ativo subjacente para o período km, S k representa o preço histórico de mercado do ativo subjacente para k m period, e m representa uma parte dos dados históricos 112.
Subsequentemente ao cálculo dos retornos de log, o módulo de cálculo do parâmetro de mercado 212 é configurado para ajustar os retornos de log a uma distribuição de melhor ajuste. A distribuição de melhor ajuste pode ser uma distribuição Normal, uma distribuição de Poisson, uma distribuição T ou qualquer outra distribuição conhecida que se ajuste melhor aos retornos de log, para gerar uma pluralidade de cenários. O módulo de cálculo do parâmetro de mercado 212 ajusta então os cenários gerados a uma distribuição normal para calcular a taxa de retorno e a volatilidade do activo subjacente. A taxa de retorno calculada e a volatilidade são posteriormente anualizadas. Em uma implementação, a distribuição de melhor ajuste pode ser determinada usando técnicas convencionais de estimativa de densidade paramétrica e técnicas de estimativa de densidade não-paramétrica.
Além disso, o módulo de cálculo da taxa de juro 214 do sistema de avaliação da posição de negociação 102 está configurado para recuperar os dados do ECC 110 e calcular a taxa de juro do mercado com base nos dados recuperados do ECC 110. De acordo com uma implementação, o módulo de cálculo da taxa de juros 214 calcula a taxa de juros usando a equação (2) fornecida abaixo:
r = 1 T  n  K S 0 - C + P (2)
em que, r representa a taxa de juros, K representa o preço de exercício do ECC, T representa o prazo até o vencimento, C e P representam os preços de mercado atuais das opções de compra e venda e S o representa o preço à vista do ativo subjacente o ECC.
A taxa de retorno anualizada (μ), a volatilidade anualizada (σ) e a taxa de juros (r) são armazenadas como os dados de mercado 114 e podem ser recuperadas pelo sistema de avaliação de posição de negociação 102 durante a avaliação das posições de negociação. Alternativamente, a taxa de retorno anualizada (μ), a volatilidade anualizada (σ) e a taxa de juros (r) podem ser calculadas em tempo real durante a avaliação das posições de negociação. A maneira pela qual o sistema de avaliação de posição de negociação 102 avalia as posições de negociação é descrito daqui em diante.
O sistema de avaliao da posio de negociao 102 recebe uma pluralidade de instncias de tempo de negociao de um comerciante a partir do momento da inicializao at o tempo at o vencimento do ECC. As instâncias de tempo de negociação são as instâncias de tempo em que o negociador deseja negociar. No contexto do presente assunto, as instâncias de tempo de negociação são representadas matematicamente pela expressão (3).
Na equação acima, (T 0) representa a primeira instância de tempo de negociação, que também é conhecida como tempo de início, e (T n), representa a última instância de tempo de negociação, que também é chamada de tempo de vencimento.
Em cada uma das instâncias de tempo de negociação, o módulo de determinação de preço de opção 216 determina um preço de opção escalado e um preço de opção escalonado deslocado do ativo subjacente com base nos dados de ECC 110 e nos dados de mercado 114. O preço escalonado da opção pode ser entendido como o preço da opção calculado usando um preço escalado do ativo subjacente em qualquer instância de tempo de negociação. O fator de escala para o ativo subjacente é representado pelo termo e. Em um exemplo, o preço da opção escalado e o preço da opção escalonado podem ser determinados usando um método de precificação Black-Scholes ou um método de precificação de Monte-Carlo. Numa implementação para uma opção de compra europeia, o módulo de determinação do preço da opção 216 determina o preço da opção escalonada utilizando as equações (4), (5) e (6) fornecidas abaixo.
V (T i - 1,   S i - 1) =   S i - 1  N  (d 1) - K    - r  (T n - T i - 1)  N  ( d 2),   i ∈ (4)  em que, d 1 = ln (  S i - 1 K) + (r + σ 2 2)  (T n - T i - 1) σ  (T n - T i - 1),   i ∈ (5)  d 2 = ln (  S i - 1 K) + (r - σ 2 2)  (T n - T i - 1) σ  (T n - T i - 1),   i ∈ (6)
em que Tn e T i − 1 representam instâncias de tempo de negociação, e S i − 1 representa o preço escalonado do ativo subjacente em T i − 1, σ representa a volatilidade anualizada do ativo subjacente, μ representa a taxa de retorno anualizada do ativo ativo subjacente, r representa a taxa de juros, K representa o preço de exercício, δ i é a diferença de tempo entre duas instâncias de tempo de negociação consecutivas e N (d 1) e N (d 2) representa a função de distribuição cumulativa dos termos intermediários d 1 e d 2.
Na dita implementação, o módulo de determinação de preço de opção 216 determina o preço de opção escalonado deslocado do ativo subjacente usando a equação (7).
em que d 1 e d 2 são calculados utilizando as equações (5) e (6) fornecidas acima com.
O preco de opo escalado e o preco de opo com escala escalonada calculado pelo mdulo 216 de determinao de preo de opes podem ser armazenados como os dados de preco 224 dentro do sistema de avaliao da posio de negociao 102.
Com base no preço escalonado da opção e no preço escalonado da opção escalonado, o módulo de avaliação de posição 116 do sistema de avaliação de posição de negociação 102 é configurado para avaliar uma posição de negociação em cada uma das instâncias de tempo de negociação. As posições de negociação, assim, avaliadas são localmente ótimas na medida de mercado. As posições de negociação transmitem ao trader, o número de unidades do ativo subjacente a ser mantido até a próxima instância de tempo de negociação. Assim, a posição de negociação avaliada em uma determinada instância de tempo de negociação permite que o vendedor alcance uma variação local mínima de lucros e perdas. The position evaluation module 116 is configured to compute the trading position at a particular trading time instance using the equation (8) provided below.
wherein, Δ i * represents trading position that are locally optimum in the market measure at (i−1) th trading time instance,
represents the scaled option price of the underlying asset,
represents the scaled price of the underlying asset,
represents the shifted scaled option price of the underlying asset,
represents shifted scaled price of the underlying asset at a trading time instance T i−1 , and.
δ i is the time difference between two consecutive trading time instances.
The position evaluation module 116 evaluates the trading position at each trading time instance. At the time of maturity, the trader liquidates the computed trading positions and delivers the payoff to the buyer. In an example, a seller of the ECC gets premium (β) from the buyer and purchases Δ* 1 units of the underlying asset at price (S 0 ) at trading time instance (T 0 ). Thereafter, at trading time instance (T 1 ), the seller sells Δ* 1 units of the underlying asset at price (S 1 ) and repurchases Δ* 2 units of the underlying asset at price (S 1 ) and this continues till the time to maturity (T n ). The seller then, at the time of maturity (T n ) liquates the position, i. e., Δ* n , units of the underlying asset at price (S n ) and delivers the payoff (H) to the buyer of the ECC. Thus, according to the present subject matter, the trading positions that are locally optimum in the market measure are evaluated by using a simple analytical closed-form expression, i. e., the equation (8).
FIGS. 2 b - 2 f illustrate an exemplary data set for evaluating trading positions and graphical representations depicting comparison of local variance of profit and loss obtained by the present trading position evaluation system 102 and the conventional system. As shown in the FIG. 2 b, the data set 230 containing data related to an ECC written on an underlying asset, such as stock of State Bank of India, Maruti, Jindal Steel, and Bharat Heavy Electrical Limited is taken as input for evaluation of trading positions at a plurality of trading time instances. For example, ECC data 110 , such as time of initiation of the ECC and time to maturity of the ECC, and historical data 112 of the underlying asset for a defined period indicated in the data set 230 is received as input. Based on the data set 230 , trading positions at the plurality of trading time instances are evaluated separately by the trading position evaluation system 102 and the conventional system. In one implementation, the trading positions are computed assuming trading is performed at inter-trading duration of one day, five days, seven days, and forty-five days (Static). The inter-trading durations may be understood as the time period or time intervals between two trading time instances. The conventional system referred herein is a traditional hedging system based on Black-Scholes hedging strategy.
Based on the resulting trading positions, a local variance of profit and loss to the trader as obtained by the trading position evaluation system 102 and the conventional system is compared with one another. Such a comparison for each stock is illustrated in the form of graphical representations provided in FIGS. 2 c - 2 f. Specifically, FIG. 2 c illustrates comparison of the local variance of profit/loss obtained by the trading position evaluation system 102 and the conventional system for the underlying asset, i. e., stock of State Bank of India, at different trading time instances. Likewise, FIGS. 2 d - 2 f illustrate such a comparison for stocks of Maruti, Jindal Steel, and Bharat Heavy Electricals Limited, respectively. As clearly depicted in the FIGS. 2 c - 2 f, the local variance of profit/loss obtained by the present trading position evaluation system 102 is lower than the local variance obtained by the conventional system. Further, the FIGS. 2 c - 2 f also convey that the present trading position evaluation system 102 gets better than the conventional system as hedging is performed more discretely.
FIG. 3 illustrates a method 300 for evaluating the trading positions that are locally optimum in a market measure, in accordance to an embodiment of the present subject matter. The method 300 is implemented in computing device, such as a trading position evaluation system 102 . The method 300 may be described in the general context of computer executable instructions. Generally, computer executable instructions can include routines, programs, objects, components, data structures, procedures, modules, functions, etc., that perform particular functions or implement particular abstract data types. The method 300 may also be practiced in a distributed computing environment where functions are performed by remote processing devices that are linked through a communications network.
The order in which the method 300 is described is not intended to be construed as a limitation, and any number of the described method blocks can be combined in any order to implement the method 300 , or an alternative method. Furthermore, the method 300 can be implemented in any suitable hardware, software, firmware or combination thereof.
At block 302 , the method 300 includes retrieving ECC data 110 and market data 114 associated with an underlying asset of a path-independent ECC. The ECC data 110 may include the data associated with the ECC, such as its payoff (H), time of initiation (T 0 ), time to maturity (T n ), premium (β), spot price of the underlying asset of the ECC, strike price (K) of the ECC and current market prices of call and put options. The market data 114 includes annualized rate of return (μ) and annualized volatility (σ) of the underlying asset, and the interest rate (r) of the market.
At block 304 of the method 300 , a scaled option price and a shifted scaled option price of the underlying asset are determined. The scaled option price and the shifted scaled option price of the underlying asset are determined at a trading time instance based on the ECC data 110 and the market data 114 . The trading time instance is provided by a trader of the ECC. In accordance with one implementation of the present subject matter, the option price determination module 216 determines the scaled option price and the shifted scaled option price of the underlying asset based on equation (4), (5), (6), and (7) described in the previous section.
At block 306 of the method 300 , a locally optimum trading position in the underlying asset at the trading time instance is evaluated based on the scaled option price and the shifted scaled option price. The evaluated trading position is locally optimum in the market measure. Such a trading position is also referred as locally optimum trading position in the present description. In one implementation, the position evaluation module 116 evaluates the locally optimum trading position of the underlying asset based on the equation (8) described in the previous section.
The method blocks described above are repeated at each of a plurality of trading time instance provided by the trader to evaluate the trading position at each trading time instance. At the last trading times instance, the trader, such as the seller of the ECC liquidates the underlying asset and delivers the payoff to the buyer.
Although embodiments for methods and systems for evaluating trading positions that are locally optimum in the market measure have been described in a language specific to structural features and/or methods, it is to be understood that the invention is not necessarily limited to the specific features or methods described. Rather, the specific features and methods are disclosed as exemplary embodiments for evaluating the locally optimum trading positions in the market measure.

SAMSUNG C&T Trading & Investimento.
with our dreams,
connecting the world.
Employee Ranking System.
Position Grade System.
All employees are subject to an annual salary system, with differentiated remuneration based on education level, work experience, expertise, performance and other factors.
Avaliação.
Samsung C&T operates a fair and objective evaluation system to provide incentives based on performance and to enhance the competency of employees.
- Performance Appraisal : A quantitative evaluation of achievements in regard to set objectives (annual) - Competency Appraisal : A qualitative evaluation of individual capabilities (annual)
※ After sufficient interviews and feedback,
Appraisal results are used as criteria for deciding training program enrollment, remuneration, promotion, and department transfers.
Promotion System.
Employees with sufficient merit points will be eligible for promotion within the quota for their position grade. Top-performing employees may be promoted one to two years before fulfilling the minimum number of years required for any given position grade. Employees must meet the requirements in foreign language exam scores and completed in-house training programs to be promoted..
Samsung C&T.
- Samsung C&T.
- Affiliated Companies.
Copyright ⓒ 2013 Samsung C&T Corporation. Todos os direitos reservados.

4 estratégias de negociação ativas comuns.
Active trading is the act of buying and selling securities based on short-term movements to profit from the price movements on a short-term stock chart. A mentalidade associada a uma estratégia de negociação ativa difere da estratégia de compra e manutenção de longo prazo.
A estratégia buy-and-hold emprega uma mentalidade que sugere que os movimentos de preços a longo prazo superam os movimentos de preços no curto prazo e, como tal, os movimentos de curto prazo devem ser ignorados. Os operadores ativos, por outro lado, acreditam que os movimentos de curto prazo e capturando a tendência do mercado são onde os lucros são feitos.
Existem vários métodos usados ​​para realizar uma estratégia de negociação ativa, cada um com ambientes de mercado apropriados e riscos inerentes à estratégia.
Aqui estão quatro das estratégias de negociação ativas mais comuns e os custos internos de cada estratégia. (A negociação ativa é uma estratégia popular para aqueles que tentam superar a média do mercado. Para saber mais, confira Como superar o mercado.)
1. Dia de Negociação.
O day trading é talvez o estilo de negociação ativo mais conhecido. Muitas vezes é considerado um pseudônimo de negociação ativa em si. O dia de negociação, como o próprio nome indica, é o método de comprar e vender títulos dentro do mesmo dia. As posições são fechadas no mesmo dia em que são tomadas e nenhuma posição é mantida durante a noite. Tradicionalmente, o comércio diário é feito por traders profissionais, como especialistas ou criadores de mercado. No entanto, o comércio eletrônico abriu esta prática para os comerciantes novatos. (Para leitura relacionada, consulte Estratégias de negociação diurna para iniciantes.)
[Aprender qual estratégia vai funcionar melhor para você é um dos primeiros passos que você precisa dar como um aspirante a trader. Se você estiver interessado em day trading, o Day Trader Course da Investopedia Academy pode ensinar uma estratégia comprovada que inclui seis diferentes tipos de negócios. ]
2. Posicionar Negociação.
Alguns realmente consideram a negociação de posição uma estratégia de compra e manutenção e não negociação ativa. No entanto, a negociação de posição, quando feita por um trader avançado, pode ser uma forma de negociação ativa. A negociação de posição usa gráficos de prazo mais longo - em qualquer lugar de diário a mensal - em combinação com outros métodos para determinar a tendência da direção atual do mercado. Esse tipo de negociação pode durar de vários dias a várias semanas e, às vezes, mais, dependendo da tendência. Trend traders look for successive higher highs or lower highs to determine the trend of a security. By jumping on and riding the "wave," trend traders aim to benefit from both the up and downside of market movements. Os operadores de tendências procuram determinar a direção do mercado, mas não tentam prever nenhum nível de preço. Normalmente, os comerciantes de tendência saltam na tendência depois que ela se estabeleceu, e quando a tendência se rompe, eles geralmente saem da posição. Isso significa que, em períodos de alta volatilidade do mercado, a negociação de tendência é mais difícil e suas posições geralmente são reduzidas.
3. Negociação Swing.
Quando uma tendência quebra, os operadores de swing normalmente entram no jogo. No final de uma tendência, normalmente há alguma volatilidade de preços, à medida que a nova tendência tenta se estabelecer. Os negociadores de Swing compram ou vendem à medida que a volatilidade dos preços se instala. As negociações de Swing são geralmente realizadas por mais de um dia, mas por um período mais curto do que as negociações de tendência. Os operadores de swing geralmente criam um conjunto de regras de negociação baseadas em análises técnicas ou fundamentais. Essas regras comerciais ou algoritmos são projetados para identificar quando comprar e vender um título. While a swing-trading algorithm does not have to be exact and predict the peak or valley of a price move, it does need a market that moves in one direction or another. Um mercado com limite de faixa ou lateral é um risco para os comerciantes de swing. (Para mais, veja Introdução à Swing Trading.)
4. Escalpelamento.
Escalpelamento é uma das estratégias mais rápidas empregadas pelos comerciantes ativos. Inclui a exploração de várias lacunas de preços causadas por spreads bid-ask e fluxos de pedidos. A estratégia geralmente funciona fazendo o spread ou comprando ao preço de compra e vendendo ao preço de venda para receber a diferença entre os dois pontos de preço. Scalpers tentam manter suas posições por um curto período, diminuindo assim o risco associado à estratégia. Além disso, um scalper não tenta explorar grandes movimentos ou mover grandes volumes. Em vez disso, eles tentam tirar proveito de pequenos movimentos que ocorrem com frequência e movem volumes menores com mais frequência. Como o nível de lucros por negociação é pequeno, os cambistas buscam mais mercados líquidos para aumentar a frequência de seus negócios. E, ao contrário dos comerciantes de swing, os cambistas gostam de mercados tranquilos que não são propensos a movimentos repentinos de preços, de modo que podem, potencialmente, fazer o spread repetidamente nos mesmos preços bid / ask. (Para saber mais sobre essa estratégia de negociação ativa, leia Escalpelamento: Pequenos Lucros Rápidos Podem Adicionar.)
Custos Inerentes às Estratégias de Negociação.
Há uma razão para que estratégias de negociação ativas tenham sido empregadas apenas por traders profissionais. Não apenas ter uma corretora interna reduz os custos associados à negociação de alta frequência, mas também garante uma melhor execução do negócio. Comissões mais baixas e melhor execução são dois elementos que melhoram o potencial de lucro das estratégias. Compras significativas de hardware e software são normalmente necessárias para implementar com sucesso essas estratégias. além de dados de mercado em tempo real. Estes custos tornam o comércio ativo um pouco proibitivo para o operador individual, embora não seja totalmente inatingível.
The Bottom Line.
Os comerciantes ativos podem empregar uma ou várias das estratégias acima mencionadas. However, before deciding on engaging in these strategies, the risks and costs associated with each one need to be explored and considered. (For related reading, take a look at Risk Management Techniques for Active Traders .)

Trading position evaluation system

Quantas ações ou contratos você deve tomar por comércio? É uma questão crítica, a maioria dos traders realmente não sabe como responder corretamente.
Position sizing™ estratégias são a parte do seu sistema de negociação que responde a essa pergunta. Eles dizem a você "quanto & rdquo; para todo e qualquer comércio. Quaisquer que sejam seus objetivos, sua posição de dimensionamento e comércio; estratégia os alcança. Estratégias de dimensionamento de má posição são a razão por trás de quase todos os casos de blowouts de contas.
Van costumava se referir a esse conceito como gerenciamento de dinheiro, mas esse é um termo muito confuso. Quando pesquisamos na Internet, as únicas pessoas que usaram da maneira que Van usa foram os jogadores profissionais. O gerenciamento de dinheiro, conforme definido por outras pessoas, parece significar controlar seus gastos pessoais, ou dar seu dinheiro a outras pessoas para que elas gerenciem, ou arrisquem o controle, ou façam o ganho máximo - a lista continua e continua.
Para evitar confusões, Van optou por chamar a administração de dinheiro & quot; position sizing & trade;. & Quot; Position sizing™ strategies answer the question, "how big should I make my position for any one trade?"
O dimensionamento de posição é a parte do seu sistema de negociação que diz a você quanto. & Rdquo;
Uma vez que um trader tenha estabelecido a disciplina para manter seu stop loss em todos os negócios, sem dúvida a área mais importante de negociação é o dimensionamento de posições. A maioria das pessoas no mainstream de Wall Street ignora totalmente esse conceito, mas Van acredita que o tamanho da posição e a psicologia são responsáveis ​​por mais de 90% do desempenho total (ou 100% se todos os aspectos da negociação forem considerados psicológicos).
O dimensionamento de posição é a parte do seu sistema de negociação que informa quantas ações ou contratos devem ser usados ​​por negociação. O dimensionamento de má posição é a razão por trás de quase todos os casos de blowouts de contas. Preservation of capital is the most important concept for those who want to stay in the trading game for the long haul.
Por que o dimensionamento de posição é tão importante?
Imagine que você tivesse US $ 100.000 para negociar. Muitos traders (ou investidores, ou apostadores) simplesmente entrariam e decidiriam investir uma quantia substancial desse patrimônio (US $ 25.000 talvez?) Em uma determinada ação porque eles foram informados sobre isso por um amigo, ou porque soava como um ótimo Comprar. Talvez eles decidam comprar 10.000 ações de uma única ação, porque o preço é de apenas US $ 4,00 por ação (ou US $ 40.000).
Eles não têm saída pré-planejada ou idéia de quando vão sair do comércio se acontecer de ir contra eles e estão subseqüentemente arriscando muito seus US $ 100.000 iniciais desnecessariamente.
Para provar este ponto, fizemos muitos jogos simulados em que todos recebem os mesmos negócios. No final da simulação, 100 pessoas diferentes terão 100 diferentes equities finais, com exceção daqueles que vão à falência. E depois de 50 comércios, vimos ações finais que vão da falência a US $ 13 milhões - mas todos começaram com US $ 100.000, e todos obtiveram os mesmos negócios.
Position sizing and individual psychology were the only two factors involved —which shows just how important position sizing really is.
Suponha que você tenha uma carteira de US $ 100.000 e decida arriscar apenas 1% em uma ideia de negociação que você possui. Você está arriscando $ 1.000.
This is the amount RISKED on the trading idea (trade) and should not be confused with the amount that you actually INVESTED in the trading idea (trade).
Então, esse é o seu limite. Você decide RISCAR apenas US $ 1.000 em qualquer ideia (comércio). Você pode arriscar mais à medida que seu portfólio aumenta, mas você arrisca apenas 1% do seu portfólio total em qualquer ideia.
Agora, suponha que você decida comprar uma ação com preço de US $ 23,00 por ação e faça uma parada de proteção a 25% de distância, o que significa que, se o preço cair para US $ 17,25, você está fora do negócio. Seu risco por ação em dólares é de US $ 5,75. Como o seu risco é de US $ 5,75, você divide esse valor em sua alocação de 1% (US $ 1.000) e descobre que é possível comprar 173 ações, arredondadas para a ação mais próxima.
Resolva isso por si mesmo para que você entenda que, se você ficar fora desse estoque (ou seja, as ações caírem 25%), você perderá apenas US $ 1.000 ou 1% do seu portfólio. Ninguém gosta de perder, mas se você não tivesse a parada e as ações caíssem para US $ 10,00 por ação, seu capital começaria a desaparecer rapidamente.
Outra coisa a notar é que você estará comprando cerca de US $ 4.000 em ações. Mais uma vez, trabalhe por si mesmo. Multiplique 173 partes pelo preço de compra de US $ 23,00 por ação e você receberá US $ 3.979. Adicione comissões e esse número acaba sendo cerca de US $ 4.000.
Thus, you are purchasing $4,000 worth of stock, but you are only risking $1,000, or 1% of your portfolio.
E como você está usando 4% da sua carteira para comprar as ações (US $ 4.000), você pode comprar um total de 25 ações sem usar nenhum poder ou margem de empréstimo, como dizem os corretores.
Isto pode não soar como "sexy" & rdquo; como colocar uma quantia substancial de dinheiro em uma ação que "decola", & rdquo; mas essa estratégia é uma receita para o desastre e raramente acontece. Você deve deixá-lo nas mesas de jogo em Las Vegas, onde ele pertence.
Proteger seu capital inicial empregando estratégias efetivas de dimensionamento de posição é vital se você quiser negociar e permanecer nos mercados a longo prazo.
Van acredita que as pessoas que entendem de tamanho de posição e têm um sistema razoavelmente bom geralmente conseguem alcançar seus objetivos desenvolvendo a estratégia de dimensionamento de posição correta.
Tamanho da posição - quanto é suficiente?
Comece pequeno. Tantos operadores que negociam uma nova estratégia começam imediatamente a arriscar o valor total. A razão mais frequente dada é que eles não querem "perder" & rdquo; nesse grande comércio ou longa sequência de vitórias que pode estar ao virar da esquina. O problema é que a maioria dos traders tem uma chance muito maior de perder do que de ganhar enquanto aprendem as complexidades de negociar a nova estratégia. É melhor começar pequeno (muito pequeno) e minimizar a “taxa de matrícula paga”. para aprender a nova estratégia. Não se preocupe com os custos das transações (como comissões), apenas se preocupe em aprender a negociar a estratégia e seguir o processo. Once you’ve proven that you can consistently and profitably trade the strategy over a meaningful period of time (months, not days), you can begin to ramp up your position sizing strategies.
Manage losing streaks. Make sure that your position sizing algorithm helps you reduce the position size when your account equity is dropping. Você precisa ter maneiras objetivas e sistemáticas de evitar a “falácia do jogador”. The gambler’s fallacy can be paraphrased like this: after a losing streak, the next bet has a better chance of being a winner. Se esta é a sua crença, você será tentado a aumentar seu tamanho de posição quando você não deveria.
Não atenda a metas de lucro com base no tempo aumentando o tamanho da sua posição. Com demasiada frequência, os operadores aproximam-se do final do mês ou do final do trimestre e dizem: “Prometi a mim mesmo que faria“ X ”. dólares até o final deste período. A única maneira que eu posso fazer meu objetivo é dobrar (ou triplicar, ou pior) o tamanho da minha posição. Esse processo de pensamento levou a muitas perdas enormes. Atenha-se ao seu plano de dimensionamento de posição!
Esperamos que essa informação ajude a guiá-lo em direção a uma mentalidade que valorize a preservação do capital.
Eu falei com muitas pessoas que explodiram suas contas. I don’t think I've heard one person say that he or she took small loss after small loss until the account went down to zero. Sem falta, a história da conta aumentada envolveu tamanhos de posição inapropriadamente grandes ou movimentos de preço enormes e, às vezes, uma combinação dos dois. & mdash; D. R.Barton, Jr.
Uma maneira interativa de aprender mais sobre este tópico:
O dimensionamento de posição e comércio; Jogo de Simulação de Negociação.
This is a simulation game developed by Dr. Tharp and modeled after his famous marble game that he plays during workshops. Você não apenas aprende sobre dimensionamento de posição, mas também experimenta como grandes ganhos e grandes perdas afetam você. Isso ajuda você a entender melhor como reagir aos altos e baixos reais do mercado.
Tal como acontece com os negócios reais, há apenas uma posição de dimensionamento e comércio; pergunta a responder: "Quanto me arrisco em cada posição?" & rdquo; Gerencie adequadamente o seu risco e você estará no caminho dos lucros. Faça mal e você vai explodir sua conta.
The first levels of the game teach you position sizing™ strategies and the importance of large R-multiples. Se você ainda não conhece como os R-múltiplos funcionam, o jogo é uma ótima maneira prática de aprender. You'll also work with advanced systems concepts like probability vs. expectancy.
Conforme você avança, o jogo muda os sistemas, para que você possa experimentar o que é necessário para negociar probabilidades e expectativas diferentes. Começando no nível 5, você terá a opção de ir longo ou curto em uma negociação, o que significa que você pode ir com a probabilidade ou a expectativa. Hopefully, you'll learn how dangerous it is to bet against the expectancy, even though you get to "be right" mais frequentemente.
Nos níveis 6 a 10, você ganha R-múltiplos grandes deixando seus lucros em uma posição vencedora. Negociações perdidas acontecem rapidamente, mas as negociações vencedoras levam tempo para se desenvolver plenamente. Uma vez que uma negociação vencedora começa, você tem que decidir quanto arriscar. Você arrisca apenas uma parte de seus lucros para um ganho mais modesto, ou todos eles para uma chance na lua? Ao jogar, você aprenderá tudo sobre como suas emoções afetam sua negociação, o que ajuda a desenvolver a disciplina.
Para completar o jogo e passar por todos os dez níveis, você precisa provar sua proficiência em quatro áreas principais:
A importância dos R-múltiplos; A diferença entre expectativa e probabilidade; Permitir que os lucros corram sem deixá-los escapar; e usando dimensionamento de posição e comércio; estratégias para se certificar de que você tem um comércio de baixo risco.
O dimensionamento de posição e comércio; O jogo é projetado para conduzir esses princípios para casa, dando-lhe a experiência de fazer (ou perder) dinheiro em um ambiente seguro.
Try it out first. Os primeiros três níveis são gratuitos. Nenhum número de cartão de crédito é necessário e você não está comprometido em fazer uma compra. Baixe o jogo agora e comece. Clique aqui. (The game is downloaded to your computer. It is not yet mac or mobile compatible.)
Also these items are all about position sizing:
The Definitive Guide to Position Sizing Strategies: As the title implies this is THE definitive source on the topic. Comerciantes sérios usam este livro como um guia de referência contínuo para suas estratégias.
Uma Introdução ao Posicionamento de Estratégias de Dimensionamento Curso de Aprendizagem: Inclui atividades de aprendizagem audiovisuais e interativas que explicam esse assunto complicado em termos claros e fáceis de entender.
O resto do The Tharp Think Concepts:
Perfeccionismo, jogos de azar, perdas desnecessárias, não ser capaz de puxar o gatilho & hellip ;.
Estas são apenas algumas das questões que os comerciantes enfrentam nos mercados todos os dias. O que nos leva a pensar dessa maneira e como podemos aprender a nos tornar traders melhores e mais lucrativos? & hellip;. leia mais.
Todo mundo está procurando o Santo Graal nos mercados. Como você encontra o sistema de negociação ideal, a ação que vai decolar ou aquele grande vencedor com o seu nome?
Existem centenas, senão milhares, de sistemas de negociação que funcionam. Mas a maioria das pessoas, depois de comprar tal sistema, não seguirá o sistema ou o negociará exatamente como foi planejado. Por que não? & hellip; leia mais.
Risco para a maioria das pessoas parece ser um termo indefinido baseado em medo & ndash; é freqüentemente equacionado com a probabilidade de perder, ou outros podem pensar que estar envolvido em futuros ou opções é "arriscado". A definição de Van é bem diferente do que muitas pessoas pensam, leia mais.
Um dos segredos reais do sucesso comercial é pensar em termos de taxas de risco para recompensa toda vez que você faz uma negociação. Pergunte a si mesmo, antes de fazer uma troca, “Qual é o risco deste negócio? E a recompensa em potencial vale o risco potencial? & Rdquo; O que posso esperar que meu sistema de negociação faça por mim a longo prazo? & hellip;. leia mais.
Depois de vários anos pesquisando o dimensionamento de posições e o comércio; estratégias, o Dr. Van Tharp desenvolveu uma medida proprietária da qualidade de um sistema comercial que ele chama de Número de Qualidade do Sistema ou SQN. & hellip;. leia mais.
O mercado não deve a você ou a ninguém grandes riquezas. O mercado, no entanto, ocasionalmente provoca um grande número de pessoas com ganhos aparentemente fáceis (durante bolhas e outras manias) apenas para retirá-las novamente. Se você é sério sobre ser um bom operador, então você precisa abordar a prática de negociar com o mesmo nível de rigor com o qual você se aproximaria de qualquer empreendimento de alto nível. Leia mais.
Se você ainda não é assinante, inscreva-se no e-mail semanal de Van Tharp. A cada semana você receberá artigos informativos, dicas de negociação e uma atualização mensal sobre as condições do tipo de mercado. Além disso, você obterá as idéias mais recentes da Van antes de qualquer outra pessoa! Não há cobrança e não compartilhamos suas informações. Registration also includes the game download option mentioned above! Clique aqui.
Van Tharp, Instituto Van Tharp, Van Tharpe Learning, Position Sizing e IITM são marcas registradas da IITM, Inc nos Estados Unidos e em outros lugares.
SQN é uma marca comercial registrada do IITM, Inc.

Practical evaluation of the adaptive market following method.
Introdução.
The trading strategy presented in this article was first described by Vladimir Kravchuk in the "Currency speculator" magazine in 2001 - 2002. The system is based on the use of digital filters and spectral estimation of discrete time series.
A live chart of quote changes may have an arbitrary form. In mathematics, such functions are called non-analytic. The famous Fourier theorem implies that any function on a finite time interval can be represented as an infinite sum of sinusoidal functions. Consequently, any time signals can be uniquely represented by frequency functions, which are called their frequency spectra.
For non-random signals, the transition from the time-domain to frequency-domain representation (i. e., calculation of the frequency spectrum) is performed using the Fourier transform. Random processes are represented by the process' power spectral density (PSD), which is a Fourier transform not of the random process itself, but that of its autocorrelation function.
1. Theoretical aspects of the strategy.
Remember that filtering is a modification of the signal's frequency spectrum in the right direction. Such a conversion can amplify or weaken the frequency components in a certain range, suppress or isolate any particular of them. A digital filter is a digital system for converting signals defined only at discrete moments of time.
When working with digital filters and discrete time series, there are certain important aspects.
First, most popular technical tools (MA, RSI, Momentum, Stochastic, etc.) are based on changes in the frequency spectrum of the signal, and therefore, are digital filters. The gain of their transfer function depends on the frequency. However, this transfer function is disregarded by many. Therefore, most users do not know the direction in which the frequency spectrum of the signal fluctuates, and, therefore, do not understand the very nature of the indicator's impact on the signal. This complicates the adjustment of the indicator and interpretation of its values.
Second, the movement process of the currency quotes always looks like a discrete signal, the general properties of which must be taken into account when developing technical indicators. Thus, for example, the spectrum of a discrete signal is always a periodic function. Ignoring this property may cause unrecoverable distortion of the input time series.
Third, the spectral densities of price movements greatly differ in different markets. In such cases, users do not have a distinct algorithm for configuring the indicator parameters: instead, they have to select arbitrary parameters and test their consistency in practice.
Often there is a situation, when a preoptimized indicator or an expert, which has worked well yesterday, gives abnormally bad results today. This is due to the non-stationarity of time series. In practice, when comparing two PSD estimations calculated on two timeframes for one market, the amplitude of the spectral peaks shifts and changes its form. This can be interpreted as a manifestation of the Doppler effect, where moving the source of a harmonic wave relative to the receiver changes the wavelength. This proves the presence of a trend movement on the market again.
The purpose of the adaptive market following method is finding such reasonable minimum of technical tools that would allow creating an algorithm for trading with maximum profitability with minimum risk. This is achieved by several consecutive steps.
The spectral composition of price fluctuations of a specific market is studied. Non-recursive digital filters are adaptively configured. This procedure results in a set of optimized impulse response (impulse response function, IRF). The input time series is filtered, and finally a set of indicators is determined, which are considered further in the article. The trading algorithm is developed. The adaptive method can be applied to any markets. But it should be noted that the maximum size of an open position without loss of efficiency will be affected by capitalization and liquidity of a specific market chosen.
1.1. Selecting the spectral analysis method.
The development of a trading system based on the adaptive market following method begins with the study of the price movement spectrum of a particular instrument. Obviously, the final effectiveness of the entire system depends on the results of this stage.
The solution is seemingly evident: it is necessary to perform a spectral or harmonic analysis. But which method to choose? Nowadays, two main classes of spectral analysis methods are known: parametric and nonparametric.
Parametric methods of spectral analysis are the methods, where a certain spectral density model is defined and its parameters are estimated based on the observation results of the corresponding process over a limited time interval. At that, the original models can have various forms.
In particular, a spectral density of a time series represented as a rational function can serve as the source model. In this case, it is possible to implement an autoregressive model, a moving-average model, and an autoregressive-moving-average model. Therefore, different methodological approaches will be used when estimating the model parameters.
To solve this problem, we can also use the variational principle and the corresponding functional of the quality assessment. Here, the Lagrange multipliers will serve as the estimated parameters. This approach is applied in estimation of the spectral density by the maximum entropy method, which requires maximizing the entropy of the process according to the known separate values of the correlation function.
Nonparametric methods of spectral analysis , unlike the parametric ones, do not have any predetermined models. The most popular among them is the method, where the periodicity of the process is determined (i. e., the square of absolute value of the existing implementation's Fourier transform) at the initial stage. After this, the task is reduced to selecting the suitable window, which would meet certain requirements.
The Blackman–Tukey method is also widely used. It finds the Fourier transform of the weighted estimation of the correlation sequence for the analyzed time series.
Another approach lies in reducing the problem of estimating the spectral density of a time series to solving a fundamental integral equation, describing the Fourier transform of the analyzed time series through a random process with orthogonal increment.
According to the author of the proposed trading system, it is impossible to qualitatively evaluate the spectral density of the power of exchange rate fluctuations using the classic nonparametric methods of spectral estimation, which are based on calculation of the discrete Fourier transform of time series. The only way is to use the parametric methods of spectral analysis, which are able to obtain a consistent estimate of PSD for a relatively short discrete time sample, where the process is either stationary or it can be made so by removing the linear trend. Among the various parametric methods of spectral estimation, the maximum entropy method deserves the greatest attention.
1.2. Applied technical analysis tools.
The main difference of the presented strategy is the adaptive trend line. Its direction indicates the current trend direction.
Adaptive trend line is the low-frequency component of the input time series. It is obtained by the low-pass filter (LPF). The lower the cutoff frequency f c of LPF, the greater the smoothing of the trend line.
There is an internal connection between the points of the adaptive trend line, with the strength inversely proportional to the distance between them. The connection is only absent between the point values that have the distance between them equal to or greater than the so-called Nyquist interval of TN=1/(2 f c ). Consequently, a decrease in the cutoff frequency of the filter strengthens this connection, and the moment of the trend reversal is postponed.
The trading system uses two adaptive trend lines with different time frames to identify the trend.
FATL (Fast Adaptive Trend Line) . Requires LPF-1 filter for plotting. It suppresses high-frequency noise and market cycles with a very short period of oscillation.
SATL (Slow Adaptive Trend Line) . Requires LPF-2 filter for plotting. Unlike LPF-1, it lets the market cycles with a longer oscillation period through.
Parameters of the above filters (cutoff frequency f c and attenuation σ in the stop band) are calculated based on the estimates of the spectrum of the analyzed instrument. LPF-1 and LPF-2 provide attenuation in the stop band of at least 40dB. Their use has no effect on the amplitude and phase of the input signal in the passband. This property of digital filters provides effective noise suppression, and they generate less false signals compared to simple MAs.
From a mathematical point of view, the value of FATL(k) is the expected value of Close(k), where k is the number of the trading day.
RFTL (Reference Fast Trend Line) and RSTL (Reference Slow Trend Line) . They represent the values output by the digital filters LPF-1 and LPF-2 in response to the input signal, taken with delays equal to the corresponding Nyquist interval.
FTLM (Fast Trend Line Momentum) and STLM (Slow Trend Line Momentum) show the shifts of FATL and SATL. They are calculated similar to the Momentum indicator, but instead of the Close prices they use trend lines smoothed by the filtering. The resulting lines are more smooth and regular than those of the conventional Momentum.
The FTLM and STLM lines are calculated according to the rules of discrete mathematics. It is the difference between two adjacent independent points, limited to the band of the process. This requirement is often neglected in normal calculation of Momentum, and as a result, unrecoverable distortions appear in the spectrum of the input signal.
RBCI (Range Bound Channel Index) . It is calculated by a bandpass filter, which does the following:
delete low-frequency trend, formed from low-frequency spectral components with periods greater than T 2 = 1/ f c2 ; delete high-frequency noise, formed from high-frequency spectral components with periods less than T 1 = 1/ f c1 .
Periods Т 1 and Т 2 are selected so that the condition Т 2 > T 1 is met. At the same time, the f c1 and f c2 cutoff frequencies should be such that all the dominant market cycles fall into consideration.
Simply put, RBCI(k) = FATL(k) - SATL(k). Indeed, when RBCI approaches its local extremes, the prices approach the upper or lower boundary of the trading range (depending on whether it is a High or Low, respectively).
PCCI (Perfect Commodity Channel Index) . Its calculation formula: PCCI(k) = close(k) – FATL(k).
The method of its calculation is similar to that of the Commodity channel index (CCI). Indeed, CCI is the normalized difference between the current price and its moving average, and PCCI is the difference between the daily Close price and its expected value (taken from the FATL value, as mentioned earlier).
This means that the PCCI index is a high-frequency component of the price fluctuations, normalized to its standard deviation.
1.3. Rules for interpretation of the indicator signals.
Let us denote the main principles of the trading system .
It belongs to trend-based systems, with trading along the trend. The trend is identified using SATL.
The tools mentioned above should be interpreted according to these rules .
If the SATL line is directed upward, then an ascending trend is present in the market, if downward - descending. The appearance of local extremes indicates that the trend started to reverse. Intersection with RSTL is a sign that the trend has reversed completely. In this case, STML changes its sign.
Let us formulate the main trade signals from the above rules.
A reliable reversal signal appears at the beginning of a long-term trend: STLM falls, referring to the convergence of adaptive and reference "slow" trend lines (SATL and RSTL). During the formation of the signal, the price volatility sharply increases. This is a characteristic sign of a trend change. Therefore, PCCI must be considered when choosing the point for opening a trade. At a bearish signal, sell if the PCCI oscillator is above the -100 level when the last candle closes. If the PCCI value is below -100, do not open a trade, but wait for the oscillator to exceed this level.
Trade if the FATL, FTLM and RBCI indicators are moving synchronously. False signals are filtered out by the STLM indicator (its absolute value either grows or does not change). If STLM falls, this indicates a convergence of SATL and RSTL. At the same time, when a bearish signal is received from RBCI, it is checked if the market is oversold. The market entry price is selected equal to or better than the Open price of the bar following the signal bar.
The signal is formed when the composite wave cycle reaches the local minimum in the strong overbought area during a neutral or descending long-term trend. In a flat, the potential of movement caused by market cycles will be higher than the potential of the movement caused by volatility. If the trend is formed, the potential of movement based on market cycles will add up with the potential of the long-term trend.
The deal opening price is selected equal to or better than the Open price of the bar following the signal bar.
This signal is most often seen near the end point of the "fast" downward trend (FTLM value is near "0"). The system forms quite an accurate signal for a short trend movement.
This is a leading signal, preceding the trend reversal.
The market entry price is also selected equal to or better than the Open price of the candle following the signal candle.
The market entry price is also selected equal to or better than the Open price of the candle that appears after the signal candle.
The market entry price is also selected equal to or better than the Open price of the candle following the signal candle.
The selling price is higher than or equal to the Open price of the candle following the signal candle.
2. Building low-pass filters.
Now that we have outlined the main aspects of the strategy, it is time to proceed to the practical part of the work. And of course, we start this work by building a low-pass filter, since such filters are the basis of the strategy.
To build a low-pass filter, it is necessary to define its main parameters: the cutoff frequency and attenuation. And if the strategy's author clearly tells that the filter should provide attenuation in the stop band of at least 40dB, determining the cutoff frequency requires a spectral analysis of the instrument's price data.
As mentioned above, the author estimated the power spectral density using the maximum entropy method. This method belongs to parametric methods and is performed according to a mathematical model. The mathematical model will be built using the autoregression method.
2.1. Analysis of the power spectral density.
The CSpertrum class will be created to estimate the spectral density (the full code can be found in the attachment). During the initialization, it will be passed the instrument name, the working timeframe and the number of bars to be analyzed.
The calculations of the autoregressive function and power spectral density function will be carried out according to the method suggested by Victor. Those interested in details of the algorithm are advised to read this article. The result of the area spectral analysis function is an array of data, which can be represented as a graph for clarity.
The outbursts on the graph show the increase in signal power at a certain frequency. These outbursts need to be found to determine the frequency responses of the filters. To do this, add a public function GetPeriods to the CSpecrum class, which returns the periods for FATL and SATL when invoked.
Inside the function, the outbursts will be defined as fractals. For the period of the SATL filter, we determine the first outburst, which shows impulses with the lowest frequency. For FATL, we find the impulse with the highest frequency and power greater than -40dB, removing the "noise" impulses with a small amplitude and high frequency. In case the function is unable to find the periods for the filters, it returns false.
2.2. Calculating the coefficients of the low-pass filter.
Now that the filter frequencies are decided on, it is time to build the low-pass filters. The general formula of a digital filter is as follows.
Where y — filter output; x — array of source data; h k — impulse responses; N — the number of impulse responses.
The instrument's price data serve as the source data, the number of impulse responses is set equal to the Nyquist interval. The impulse responses themselves are yet to be calculated. The ideal impulse responses for a low-pass filter can be calculated using the formula.
Where f c and w c are the cutoff frequency.
Unfortunately, our world is far from ideal. Therefore, a "real" impulse response is required. A weight function w (n) is needed to calculate it. There are several types of weight functions. Here, the Blackman function is used, which has the form.
Where N is the number of filter elements.
To obtain the "real" impulse response, it is necessary to multiply the ideal impulse response with the corresponding weight function.
Now that the calculation formulas are defined, let us create the CFLF class, where the impulse responses will be calculated and the input data will be filtered. To calculate the coefficients of the impulse response, let use create a public function CalcImpulses, which is passed the filtering period. Then the function algorithm repeats the above formulas. After that, it normalizes the impulse responses, bringing their sum to "1".
2.3. Calculation of indicators FATL, SATL, RTFL, RSTL.
Once the impulse responses are obtained, we can proceed to calculation of the impulse indicator values. It will be convenient to obtain the values of the FATL, SATL, RFTL and RSTL indicators directly from the filter class.
Since different instances of the class will be used for the fast and slow filters, it is sufficient to create the AdaptiveTrendLine and ReferenceTrendLine functions in the class. The functions will be passed the used instrument, timeframe and shift relative to the current candle. The function will return the filtered value.
It should be noted that the ReferenceTrendLine function is essentially the same as the AdaptiveTrendLine function. The only difference is that ReferenceTrendLine is calculated with a shift value of the Nyquist period. Therefore, ReferenceTrendLine should calculate the Nyquist period and invoke AdaptiveTrendLine, specifying the appropriate shift relative to the current bar.
The other indicators used are derivatives of the obtained values and will be calculated below.
3. Creating a trading signals module for the MQL5 Wizard.
Today, I decided to digress from the usual way of writing experts and remind about the existence of the MQL Wizard in МetaТrader 5. This useful feature is a kind of constructor, which assembles an expert from premade modules. This allows you to easily create a new Expert Advisor, adding new features or removing unused ones. Therefore, I suggest embedding the considered Expert Advisor's decision-making algorithm into such a module. This method has already been discussed numerous times [4], [5]. Therefore, this article considers only the aspects related to the strategy.
Let us start by creating the CSignalATCF signal class based on the CExpertSignal, and include the previously created classes in it.
During the initialization, it is necessary to pass the module the instrument name, the used timeframe, the number of bars in history for the power spectral density analysis, as well as the number of bars for averaging (used in calculation of the RBCI and PCCI indicators). In addition, it is necessary to specify which of the patterns are to be used for opening positions. The general view of the module description will look as follows:
Now declare the required variables and functions:
Create a function for calculating indicator values:
Then code the patterns for opening and closing positions, specifying the corresponding weights (40 for closing and 80 for opening). Below is the function for opening long positions. The function for short positions is arranged similarly.
4. Creating the Expert Advisor with adaptive market following.
After creating the signal module, we can proceed to generation of the Expert Advisor. This article provides a detailed description of the process of creating an expert advisor using the Wizard. When creating the EA, only the trading signals module described above was used. In addition, trailing stop with a fixed number points was added. A fixed lot will be used when testing the strategy, which will allow evaluating the quality of the generated signals.
5. Testing the Expert Advisor.
Once the Expert Advisor is created, we can test the adaptive market following method in the Strategy Tester. When testing, it is mandatory to set the weight for opening the position at level 60 and the weight for closing the position at level 10.
5.1. Test without the use of stop loss, take profit and trailing stop.
To estimate the quality of the signals generated by the EA, the first test run was performed without the use of stop loss, take profit and trailing stop. Tests have been carried out on the H4 timeframe for 7 months of 2017.
Unfortunately, the first test showed that the application of the strategy without using stop loss is unprofitable.
The detailed analysis of the deals on the price chart showed two weak spots of the strategy:
The Expert Advisor is unable to close the deals during rapid rebounds in time, which leads to loss of profit and unprofitable closure of the potentially profitable deals. The EA handles large movements well, but opens a number of unprofitable deals during flat movements.
5.2. Test with the use of stop loss and trailing stop.
To minimize the losses on the first point, stop loss and trailing stop were applied.
The results of the second test showed a reduction in the position holding time, a slight increase in the ratio of profitable trades, and a general tendency towards profit.
Nevertheless, the share of losing trades was 39.26%. And the second problem was still present (losing trades in a flat).
5.3. Test with the use of stop orders.
To reduce the losses associated with series of unprofitable trades in flat movements, a test with the use of stop orders was performed.
As a result of the third test run, the number of trades was almost halved, while the total profit increased, and the share of profitable trades increased to 44.57%.
Conclusão.
The article considered the adaptive market following method. Testing has shown the potential of this strategy, but certain bottlenecks need to be eliminated for it to usable in the real market. Nevertheless, the method is viable. The source files and test results are provided in the attachment to the article.
Referências.
"Currency speculator", December 2000 - June 2001. Analysis of the Main Characteristics of Time Series. AR extrapolation of price - indicator for MetaTrader 5 MQL5 Wizard: How to create a module of trading signals Create Your Own Trading Robot in 6 Steps! MQL5 Wizard: New Version.
Programs used in the article:
Traduzido do russo por MetaQuotes Software Corp.