Теория Обучение Литература Статьи Лучшие брокеры Forex

МЕТОДОЛОГИЯ ТЕСТИРОВАНИЯ

Ниже приводятся шаги, необходимые для эволюционного создания модели входа, основанной на шаблонах правил, используемых в этом исследовании:

1. Выберите произвольную хромосому с 12 элементами. Она представляет собой потенциальное решение (случайное и, вероятно, не очень хорошее).

2. Поставьте в соответствие каждому параметру правил определенное число, чтобы получить три полностью определенных правила (одно для каждого гена), и определите значение ИСТИНА/ЛОЖЬ для всех дней во временном ряду.

3. Обработайте ценовые данные день за днем. Если в данный день все три правила возвращают значение ИСТИНА и если нет текущей длинной (или короткий) позиции, то модель получает рыночный приказ на покупку (или продажу) при завтрашнем открытии.

4. Если имеется позиция, используйте стандартную стратегию выхода для осуществления выхода.

5. Оцените торговую эффективность потенциального решения. Для этого определите «пригодность решения» как соотношение риск/прибыль в годовом выражении — величина, которая фактически является значением {-критерия.

6. Сообщите генетическому оптимизатору, насколько пригодно (в вышеупомянутом смысле) потенциальное решение (хромосома). Это позволит генетическому оптимизатору обновить популяцию хромосом.

7. Если решение отвечает определенным критериям, то следует сгенерировать сводку эффективности системы и другую информацию и сохранить эти данные в файле для последующего рассмотрения.

8. Повторять вышеупомянутые шаги снова и снова до тех пор, пока не пройдет достаточное число «поколений».

Так как вышеупомянутые шаги повторяются, решения или «поколения», созданные генетическим оптимизатором, в среднем становятся лучше и лучше. Большое количество отдельных эффективных решений появится в течение эволюционного процесса. Большинство решений будет записано в файле, созданном в ходе неоднократного выполнения первых семи вычислительных шагов. Ниже будет рассмотрен код, написанный на C++, который осуществляет вышеупомянутые шаги.

Из-за природы правил, вероятно, будет различным поведение моделей при открытии длинных и коротких позиций. В связи с этим модели входа для длинных позиций найдены и проверены отдельно от моделей входа для коротких позиций. Эффективность модели оценивается на всем портфеле. Цель состоит в том, чтобы найти набор правил, которые обеспечивают наилучшую эффективность торговли всем портфелем финансовых инструментов. Процедура, используемая здесь, отличается от наших более ранних исследований (Katz, McCormick, февраль 1997), где поиск оптимальных правил проводился на каждом рынке в отдельности -— подход, в большей степени подверженный эффектам «вредной» подгонки под исторические данные. Напомним вывод, полученный в отношении нескольких моделей, которые были первоначально оптимизированы на индивидуальных инструментах: при использовании одной модели для всех рынков без оптимизации или настройки под отдельный рынок эффективность данной модели может существенно понизиться.

C++ код описывает шаблоны правил и стратегию торговой системы. Шаблоны правил определяются с помощью функции Rules. Аргументы v1, v2, v3 и v4 (четыре числа, которые содержит каждый ген) несут всю информацию, требуемую для реализации шаблонов правил. Аргумент v1 используется для выбора требуемого шаблона правила из 10 доступных; аргументы v2, v3 и v4 используются для определения требуемых параметров каждого правила (направления сравнения, периоды скользящих средних и т.д.). Затем правило оценивается на всех днях, и оценки (1 для ИСТИНА, 0 для ЛОЖЬ) помещаются в вектор cms, возвращающий результаты функции.

Макрос BiasedPosScale (x, а) используется для создания соответствия между целыми числами от 0 до 1000 и непрерывным диапазоном от 0 до а.

Макрос используется, чтобы вычислить периоды обратного обзора для определения ценовых экстремумов и периоды скользящих средних v2, v3 или v4, значения которых получены из генетического алгоритма и пронумерованы целыми числами от 0 до 1000. Соответствие между номерами от 1 до 1000 и числами из диапазона от 0 до а нелинейно — оно устроено так, чтобы можно было более детально исследовать меньшие значения параметров. Например, предположим, что период скользящего среднего изменяется от 2 до 100 дней. Необходимо с одинаковой точностью производить выбор лучшего решения между периодами 2, 3 и 4 и периодами 30, 50 и 90. Точность поиска должна быть выше для маленьких чисел. Это связано с тем, что изменение периода скользящего среднего от 2 до 5 дней сильнее повлияет на результаты торговли, чем изменение от 50 до 60.

Макрос LinearScale (x, а, b) выполняет линейную адресацию целочисленного диапазона 0 ... 1000 к диапазону а ... . Макрос обычно используется при вычислении порогов или отклонений. В коде шаблона правила все параметры вычислены внутри функции Rules, а не внутри ГА. Генетическии алгоритм имеет инструкцию генерировать числа в диапазоне от 0 до 1000, за исключением элементов хромосом 1, 5 и 9, которые являются первыми числами в каждом гене и используются в качестве селекторов шаблонов правил. Масштабирование проводится внутри функции Rules, так как шаблоны для различных видов правил имеют различные диапазоны изменения параметров и контрольных значений.

Процесс эволюции торговых систем начинается со случайного выбора значений хромосомы. Генетический оптимизатор выбирает два члена популяции и спаривает их (исходя из определения скрещивания, нормы мутации и размера гена). Затем полученное потомство возвращается как потенциальное решение. Когда компоненту ГА сообщают об эффективности полученного решения, он сравнивает ее с наименее пригодным членом популяции. Если пригодность потомства больше, чем у наименее пригодного члена, то ГА заменяет наименее пригодный член решения полученным потомством. Этот процесс повторяется в течение нескольких поколений и осуществляется с помощью программной оболочки (не приведенной в данной книге), которая, в свою очередь, делает повторные запросы к функции Model для моделирования торговли и оценки пригодности системы.

Код функции Model почти идентичен используемому в более ранних главах. До цикла индексации дней, в котором генерируются приказы для торговли, функция Rules вызывается три раза (один раз для каждого гена), и результаты помещаются во временные ряды rule1, rule2 и ruleЗ. При этом также подсчитывается средний истинный диапазон за последние 50 дней, поскольку это необходимо для стандартного выхода и оценки правил. Внутри цикла оценивание правил производится для текущего дня (rulel[cb], rule2[cb], rule3[cb]), и если все оценки возвращают значение ИСТИНА, то генерируется сигнал на покупку (или продажу, если исследуются входы в короткую позицию). Входы запрограммированы стандартным способом для каждого из трех тестируемых приказов. В эволюционном процессе используются только данные из выборки.

Выходные данные, полученные от программной оболочки, позволяют выбрать желаемое решение, которое можно использовать в торговле отдельно или в группе моделей. Решения могут быть легко сформулированы как понятные правила для оценки их «физического смысла» и использования их в качестве элементов других систем.

Содержание Далее  


По нашей оценке, на 11.10.2018 г. лучшими брокерами являются:

• для торговли валютамиNPBFX;

• для торговли бинарными опционамиBinomo;

• для инвестирования в ПАММы и др. инструменты – Альпари;

• для торговли акциямиRoboForex Stocks (более 8700 инструментов – на счете R Trader).



Лучшие
брокеры:
        Альпари           Exness           Binomo
Кнопочка ТИЦ      Брокер «Альпари»      Брокер «Exness»      Брокер «Binomo»

Яндекс.Метрика