|
||||||||
Какой брокер лучше? Альпари Just2Trade R Trader Intrade.bar Сделайте свой выбор! | ||||||||
Какой брокер лучше? Just2Trade Альпари R Trader | ||||||||
Девять этапов моделирования торговли с помощью ТИР1. Выработка гипотезы. Начните с обдумывания поведения рынка и, исходя из тщательных наблюдений и законов логики, выстройте гипотезу. В нашей книге вы найдете более сотни подобных гипотез (технических индикаторов рынка), каждая из которых имеет точную формулировку. 2. Сбор данных. Разыщите как можно больше исторических данных по интересующему вас финансовому инструменту. Обилие обработанной информации обеспечивает большую статистическую значимость полученных результатов. 3. Проверка данных. Тщательно проверив данные, удостоверьтесь в том, что в них не содержится грубых ошибок. Простейший способ проверки – построение графиков, на которых всегда хорошо видны выбросы и нехарактерные движения. Полученные данные следует сравнить с информацией из независимых источников. Качественные данные – необходимое условие результативного тестирования индикаторов. 4. Сегментация данных. Разделите базу данных на интервалы – годы, кварталы, месяцы. Первый сегмент сделайте более крупным, чем прочие. 5. Оптимизация. Изучите первый сегмент и выделите специфические параметры, способные увеличить эффективность соотношения вознаграждение/риск в этом временном периоде. Под оптимизацией понимают систематический поиск наилучшего параметра индикатора – наилучшего, то есть дающего самую высокую и постоянную прибыль при наименьшем падении капитала. Оптимальный параметр для первого сегмента подыскивается путем простого подбора: в выбранной формуле индикатора величина параметра варьируется, и таким образом подыскивается его значение, при котором размер прибыли относительно риска (максимального падения капитала) оказывается наибольшим. Напомним, что оптимизация должна проводиться исключительно в пределах наиболее раннего по времени сегмента данных. Этот первый сегмент, используемый для поиска наилучшего специфического параметра, принято называть данными в пределах выборки; данные более позднего времени, до сих пор не подвергавшиеся анализу, именуются данными вне пределов выборки. Наиболее ранние из данных вне пределов выборки будут в свое время использованы для продолжения проверки (этап 6). На этапе 5 необходимо выделить специфический параметр, связанный с оптимальным соотношением вознаграждение/риск, однако фиксировать информацию об эффективности, исходя из данных в пределах выборки, не следует. Результаты, описывающие эффективность параметра, могут быть подсчитаны только после проведения анализа данных вне выборки (то есть на этапе 9). 6. Продолжение тестирования. Найденный оптимальный параметр индикатора (полученный на этапе 5) проверяется на следующем, ближайшем к настоящему моменту, временном сегменте данных, не использовавшихся в процессе подбора параметра, вне пределов выборки. Данные об эффективности фиксируются для дальнейшего подсчета результатов (этап 9). 7. Добавление. Сложите сегмент, использовавшийся для проверки параметра (на этапе 6) с самым ранним сегментом (этап 5). После каждой такой операции количество данных в выборке должно увеличиваться, вне выборки – соответственно, сокращаться. 8. Многократное повторение процедуры, проведенной на этапах 5, 6 и 7, прекращающееся с исчезновением группы данных вне выборки. Начните процесс оптимизации, описанный в пункте 5, используя данные, только что (после этапа 6) вошедшие в выборку, – количество данных в выборке на этот раз будет больше, нежели на этапе 5. Повторив оптимизацию (см. этап 5), проверьте полученный параметр на следующем сегменте данных вне выборки (см. этап 6). Наконец и этот сегмент (а именно тот, с которым мы работали в пункте 6) присоединяется к общей базе данных (из пункта 5). Этапы 5, 6 и 7 повторяются до тех пор, пока количество данных вне выборки не будет исчерпано и мы не придем к сегменту данных, соответствующему настоящему моменту. Подобная операция может показаться трудоемкой, однако в сравнении с проверкой в реальном времени, когда за день тестированию подвергается поведение индикатора в течение одного дня, она выглядит быстрой и необременительной. 9. Оценка результатов. Если анализируемые данные не случайны, а количество сегментов достаточно велико, в ходе тестирования вы получите достойную доверия информацию о поведении и эффективности выбранного индикатора в течение ряда лет. Вы узнали, насколько прибыльным и стабильным оказался индикатор, и теперь имеете возможность из нескольких прошедших проверку индикаторов выбрать один для наиболее успешной работы в реальном времени. Ваша гипотеза, таким образом, прошла объективную проверку, по результатам которой она может быть либо принята, либо отвергнута. В случае если параметр, протестированный на материале всей совокупности данных вне выборки, оказался эффективным, следует провести последнюю оптимизацию на базе всех имеющихся данных и получить значение параметра для последующего использования в реальном времени. Однако не стоит пропускать описанные выше девять этапов и сразу переходить к тесту на основе всех имеющихся данных, так как при этом вы не получите важнейшую информацию о слабых и сильных сторонах индикатора, равно как и об эволюции, которую он претерпевает с течением времени. Проводя моделирование, вы можете оставлять в выборке все просмотренные данные независимо от того, насколько они устарели. Законы рынка устанавливаются людьми, а человеческая природа мало меняется с течением лет. Старые данные, таким образом, могут быть весьма значимыми, а поведенческие модели, характерные для прошлого, – иметь тенденцию к повторению. И наоборот: для ускорения процесса допустимо систематически удалять из выборки некоторое количество данных, относящихся к наиболее раннему периоду, заменяя их равным количеством данных из сегмента вне выборки. Иными словами, для выявления специфического параметра может использоваться «скользящее окно» установленной длины. Если допустить, что основные характеристики рынка существенно меняются с течением времени, стремление аналитика систематически опускать наиболее «древние» исторические данные представляется обоснованным. Описанный нами процесс тестирования представляет технический анализ как метод, обладающий высокой степенью научной точности. В случае если полученный на материале данных в выборке параметр дает хорошие результаты применительно к данным вне выборки, использование индикатора в ближайшем будущем, очевидно, в высокой степени оправдано. Несомненно, убедиться в пригодности или неэффективности индикатора в ходе анализа исторических данных куда приятнее, чем получить аналогичную информацию в реальном времени и с реальными деньгами. Инвестор выигрывает независимо от того, верной или ошибочной оказалась гипотеза. По мнению Томаса Эдисона, отвергнутая теория – это полезнейшая информация, поскольку позволяет сконцентрировать внимание на явлениях и методах, изучение которых может дать положительный результат. Сам процесс моделирования, позволяя более пристально взглянуть на поведение рынка, служит источником многочисленных новых идей.
|
||||||||
|