Trading System Aktie Kurva

Att få Lean And Mean. Trading Equity Curve. by Oscar Cagigas. En handelssystem som ger konsekvent vinst är en målare Men om det slutar ge dig de resultat du vill, är det bäst att sluta använda det Vi tar en titt. ett handelssystems eget kapital sjunker under det glidande genomsnittet, kommer de flesta handlare att avaktivera sitt system för att begränsa sin skada eller ta bort någon komponent i en portfölj som inte fungerar lika bra som de andra. Men det finns ett annat sätt att minska risker, drawdown och möjligheten till portföljförstöring. SKRIVA EN SIMULERAD MILJÖ I den här artikeln kommer jag att demonstrera flera tester du kan utföra för att handla egenkapitalkurvan i ditt system. Jag körde flera tester med hjälp av ett enkelt, trendigt efterföljande handelssystem som är Donchianbaserat Själva systemet är inte relevant för denna artikel eftersom du kan använda något handelssystem. Portföljen jag valde att handla är en blandning av slumpmässigt valda varor enligt följande. ESignal tickers är i parentes. Australisk dollar AUD A0-FX. Eurodo llar EUR A0-FX. Lean hogs HE F. Hetar olja HO F. Palladium PA F. Platinum PT F. Brent råvaror QM F. Swiss franc USDCHF A0-FX. Resultatobligationer ZB F. Soybeans ZS F.10-åriga statsobligationer ZN F. När handlas individuellt genererar vissa av dessa varor förluster i systemet När en eller flera av dessa marknader börjar förlora dragkraft eller desynkroniserar med systemets logik försöker jag identifiera tekniker som kan tillämpas för att minska systemets risk. FIGUR 1 BENCHMARK SIMULATION Från januari 2004 januari 2012 producerade systemet cirka 450 000 i vinst. Fortsatt i juli-utgåvan av Technical Analysis of Stocks Commodities. Excerpted från en artikel som ursprungligen publicerades i juli 2013-numret av Technical Analysis of Stocks Commodities magazine Alla rättigheter reserverad Copyright 2013, Teknisk Analys, Inc. by Michael R Bryant. En penninghanteringsteknik som ibland kan förbättra tradingprestandan är att ändra positionens storlek baserat på överkorsningar av ett glidande medelvärde av aktiekurvan. sic idé är att antingen handla mer eller färre kontrakt när aktiekurvan korsar över eller under dess rörliga genomsnitt. Det finns minst två grundläggande sätt att implementera denna idé En är att sluta handla när kapitalkurvan passerar över eller under sitt glidande medelvärde och att återuppta handel på en crossover i motsatt riktning Detta är den mest grundläggande och vanliga metoden Du skulle normalt sluta handla när kapitalkurvan passerar under det glidande genomsnittet om ditt system eller metod tenderar att producera streck av vinster och förluster, så att när det börjar förlora, det är bäst att sluta handla tills det börjar vinna igen. Om din system eller metod tenderar att återgå till medelvärdet - efter flera vinster börjar det att förlora och vice versa - du skulle normalt sluta handla efter att eget kapital korsat över det rörliga genomsnittet. Beroendeanalys kan användas för att avgöra om ditt system har någon av dessa tendenser med statistisk signifikans. En mer subtil metod för att införa eget kapital cu rve trading är också möjligt I stället för att starta och stoppa handel på överkors av aktiekurvan kan du minska eller öka positionens storlek vid glidande medelvärdeövergångar. Exempelvis kan du öka positionens storlek för den valda metoden med X när aktiekursen överstiger över det glidande medelvärdet Du kan också minska positionsstorleken med Y när eget kapital korsar under det glidande genomsnittet. Mer specifikt, anta att du använde fast fraktionell positionering och bestämde dig för att öka positionsstorlek 50 när eget kapital korsat över glidande medelvärde och minska positionsstorleken med 30 när eget kapital korsat under det rörliga genomsnittet. I det här fallet skulle positionstorleken vara antingen 50 högre eller 30 lägre än det värde som bestäms av den fasta fraktionsmetoden i sig. Alternativt kan du ändra positionsstorleken vid övergångar i en riktning men inte den andra. Till exempel kan du öka positionsstorleken 40 på korsningar över det glidande medlet och standarden fast fraktvärde vid korsningar under det glidande genomsnittet. För att illustrera, överväga de tradingresultat som visas nedan. Aktiekurvan visas i rött med ett 10-års glidande medelvärde i grön. Stångdiagrammet under aktiekurvan visar antalet kontrakt som bestäms genom att ta ett kontrakt för varje 3000 av eget kapital. Original egenkapitalkurva och antal kontrakt före tillämpning av aktiekurvaövergångsregel Aktiekurvan visas i rött Ett 10-års glidande medelvärde av aktiekurvan är i grön. Notera att aktiekurvan tenderar för att vara genuin återhämtning det vill säga en serie vinster följs av en serie förluster som följs av en annan serie vinster osv. Detta återspeglas i antalet kontrakt som stiger och faller dramatiskt på flera ställen. En handel Mönster av denna typ tyder på att det kan vara bättre att sluta handla när kapitalkurvan passerar över sitt glidande medelvärde förutse att en återföring till förluster och återuppta handeln när aktiekurvan faller under dess glidande medelvärde förutse en reversering till vinner Genom att tillämpa detta tillvägagångssätt för handelsserien som visas ovan framgår egenkapitalkurvan nedan. Equitykurva och antal kontrakt med egenkapitalkurvaövergångsregeln tillämpad Trading stoppas vid överkorsningar över de glidande genomsnittliga återupptagna transaktionerna på crossovers under det glidande medlet Aktiekurvan visas i rött Ett 10-årigt glidande medelvärde av aktiekurvan är i grön. Inte bara ger denna förändring en gradvis stigande kapitalkurva med mer vinst och lägre nedräkning men det gör det med färre affärer De tomma områdena i stapeldiagrammet under aktiekurvan indikerar de affärer som hoppas över. Antalet kontrakt för de branscher som tas tar tenderar att öka mycket smidigare än tidigare, utan de dramatiska stigningarna och droppen i den ursprungliga kurvan. En liknande men mer subtil effekt kan uppnås genom att öka och eller sänka positionsstorleken i förhållande till det värde som bestäms av dollarns eget kapitalbelopp per c avlägsna 3000 i exemplet på korsningar av det rörliga genomsnittet. Om du vill bli informerad om nya nyheter, nyheter och specialerbjudanden från Adaptrade Software, var vänlig och gå med i vår e-postlista Tack. Random data Utvärdering av handelns kapitalkurva. Alla hatar drawdowns de perioderna när du förlorar pengar medan handel Om bara det fanns ett sätt att minska deras svårighetsgrad och längd. Vissa verkar det som att handeln med aktiekurvan är svaret. Grundtanken är att när du gör illa minska din exponering eller ta bort den helt medan du fortfarande spårar din virtuella pl vad du skulle ha gjort utan störningar När din virtuella pl har återställt dig staplar du tillbaka till ditt system Tanken är att du kommer att få färre förluster medan ditt system är avstängt Det låter för bra för att vara sant så är det Syftet med detta inlägg är att försöka svara på den frågan. Det här är något som jag har tittat på tidigare, liksom andra, med blandade resultat. Men alla analyser Jag har sett eller gjort själv har involverat att titta på backtests av system baserat på faktiska ekonomiska data Jag tror att för att korrekt utvärdera denna teknik måste vi använda stora mängder av slumpmässiga data som inte påverkas av fluke av hur några tillbaka tester kommer ut Det här kommer också att göra det möjligt för oss att hitta vilka villkor som kommer att bidra till att handeln med aktiehandelskurver eller inte. Det här är det andra inlägget i en serie om att använda slumpmässiga data. Det första inlägget är här. Hur handlar vi kapitalkurvan. kommer att anta att du är ganska bekant med den grundläggande idén om aktiekurvehandel Om inte, då är det förmodligen värt att pröva denna utmärkta artikel från futures magazine. An trading curve trading överläggning kommer att bestå av följande komponenter. Ett sätt att identifiera att systemet är gör dåligt och kvantifiera genom hur mycket. A-regel för att bryta handelssystemet givet hur illa det gör. En andra regel för att regearing systemet när den virtuella kontotkurvan gör bättre. Jag har sett två huvudsakliga sätt att identifiera att systemet gör dåligt Den första är att använda en enkel drawdown-figur Så, till exempel, om din drawdown överstiger 10 så kan du vidta åtgärder. Ibland snarare än den absoluta drawdownen, är nedräkningen sedan den höga i någon ny period. Den andra variationen är att använda ett glidande medelvärde eller något annat liknande filter i kontokurvan Om din kontokurva faller under det glidande genomsnittet, tar du handling. Det finns andra variationer där ute, i synnerhet märkte jag att den utmärkta Jon Kinlay-bloggen hade en mer komplicerad variant. För att försämra ditt system kan du i stort sett säga att du avleder allt på en gång eller gradvis vanligtvis om vi dyker under rörelsen Medelvärdet av en kapitalkurva föreslås det att du sänker din position helt. Men om du använder den aktuella drawdownen som din indikator, så kan du gradvis avta neddragning då med ytterligare 20 för totalt 40 när du träffar en 20 drawdown och så vidare. Notera att denna nedbrytning kommer att vara utöver det vanliga avspelet bör du alltid göra när du förlorar pengar om du förlorar 10, då borde du härska ditt system med 10 oavsett huruvida du använder en kapitalkurvshandel. regel är normalt omvända av avgörande regel och process. Prior forskning. Tanken att handla kapitalkurvan är något som verkar ha kringgått akademiska forskare om de inte kallar det något annat - skriv in om du vet om någon bra forskning så snarare än någon formell litteraturöversikt jag hade en snabb titt på den första sidan av google. Negativ eller åtminstone ingen klar fördel. Varför slumpmässiga data. Jag personligen finner ovanstående forskning intressant, men inte definitivt på ett eller annat sätt Min huvudsakliga fråga är att allting gjordes på olika finansiella instrument och olika typer av handelssystem, vilket oupphörligt gav olika resultat. Det kan bero på att det finns något speciellt för de instrument där aktiekurvhandeln fungerade, men det är mer sannolikt att det bara är dumt tillfälle. Det är lite mer troligt att olika typer av handelsregler kommer att ge olika resultat och vi kommer att undersöka detta nedan. Jag tror personligen att vi inte t kan utvärdera denna typ av överlay utan att använda slumpmässiga data. genererar avkastning för olika godtyckliga handelsstrategier kan vi då bedöma huruvida den genomsnittliga kapitalkurvan kommer att bli bättre. En annan fördel med att använda slumpmässiga data till utvärdera ett överlagringssystem för kapitalkurver är att vi undviker eventuellt övermontering Om vi ​​kör en version av överlaget på vårt system och det fungerar inte, är det väldigt frestande att prova en annan variation tills det fungerar. överlagringsparametrar på grund av urvalet men det här är lite arbete och vi vet verkligen inte om vi har rätt parametrar för den strategin framåt eller om de bara råkade vara bäst för den backtest som vi körde. Slutligen använder vi slumpmässiga data innebär att vi kan upptäcka vad det viktigaste kännetecknet för ett handelssystem är som tillåter handel med egenkapitalkurven att fungera, eller inte. Utforma testet. Vilken överlagsmetod. Det finns förmodligen ett oändligt antal metoder för att göra en kapitalkurvhandel överlagring som jag berörde bara ett par ovan Men för att undvika att göra denna redan långa inlägg storleken på en encylopedia kommer jag att begränsa mig till att testa en metod. I alla fall tror jag inte att resultaten för andra meth ods kommer att vara väsentligt annorlunda. Jag kommer att fokusera på det mest populära, glidande medelvärdet, metoden. När aktiekurvan sjunker under den s N dag glidande medeltalet, stäng av systemet Fortsätt beräkna den virtuella kurvan och den rör sig i genomsnitt under den här perioden När den virtuella kurvan går tillbaka över det s glidande medelvärdet, stäng sedan systemet tillbaka. lämnar oss bara med frågan om N Futures-tidningen använder 10, 25 och 40 dagar och för att göra livet enkelt, kommer jag göra detsamma Men för mig verkar det åtminstone mycket korta perioder. För dessa snabbare N-handelskostnader kan väl överväga någon fördel vi får och jag kommer att undersöka det senare. Också det vore trevligt att undvika 3 års förlust i trenden efter det som hände mellan 2011 och 2013 Eftersom vi använder slumpmässiga data som vi kan göra så länge vi gillar att vi kan använda längre rörelser medelvärden som inte skulle ge oss meningsfulla resultat om vi testade några få kontokurvor som bara var 20 år långa. Så jag använder N 10, 25, 40, 64, 128, 256, 512. På arbetsdagar 2 veckor, 5 veckor , 8 veckor, 3 månader, 6 månader, 1 år, 2 år cumx, mavx, idx. returnerar 1 om cumx mavx vid idx, 0 otherwise. if cumx idx mavx idx returnera 1 0 return 0 0.def applyoverlay x, Nlength tillämpa ett equity curve filter overlay. x är en pd tidsserie av returns. Nlength är mav att tillämpa. Returnerar en ny x med plana fläckar. om Nlength NOOVERLAY returnerar x. Nlength mavx, idx för idx i intervall len x. kan bara gälla med en fördröjning. Vilka kriterier. Ett bra sätt att tänka på aktiekurvhandel är att det är lite som att köpa försäkringar eller i ekonomiska termer en put-option på systemets prestanda Om ditt system gör dåligt då försäkringspolicyen förhindrar att du förlorar för mycket. En av mina favoritkort är TINSTAAFL Om vi ​​köper försäkring eller ett alternativ, då borde det vara en kostnad för det Eftersom vi inte betalar någon form av explicit premie, måste kostnaden komma in i form av att förlora något på ett implicit sätt Det här kan vara en lägre genomsnittlig avkastning eller något annat som är mer subtilt Det betyder inte att aktiekurvan är automatiskt en dålig sak - det beror på om du värderar den lägre maximala utbetalningen mer än den implicit premie du ger upp. Detta förutsätter att vi får en lägre maximal drawdown - som vi kommer se senare är det inte alltid fallet. Jag kan tänka på ett antal sätt att utvärdera prestanda som försöker balansera risk och belöna Tyvärr är den vanligaste Sharpe Ratio inte lämplig här Volatiliteten i aktiekurvan med överlagringen kommer att vara, för att använda en teknisk term, konstig - speciellt för stora N Långa perioder utan avkastning kommer att kombineras med perioder då avkastningens standardavvikelse är normal. Så kurvens volatilitet med en Överlagring kommer alltid att vara lägre men det blir inte en väldefinierad statistik. Högre statistiska moment kommer också att drabbas. Istället ska jag använda den metriska avkastningen. För att vara exakt kommer jag att se vilken effekt som läggs på överlägget på följande konturkurva statistik. Enastående årlig avkastning. Enastående drawdown. Maximum drawdown. Average årlig avkastning genomsnittlig drawdown. Average årlig avkastning maximal drawdown. Observera att returavdrag är ett bra mått på prestanda, eftersom det är oväsentligt om du dubblar din hävstång då denna åtgärd kommer att vara oförändrad. Min plan är att generera en slumpmässig kontotkurva och sedan mäta alla ovanstående. Då ska jag vidarebefordra det genom kapitalöverlagring och omvärdering av statistiken. För att bara notera att för det mesta av detta inlägg vann jag inte överväga kostnader För små N, eftersom vi stänger hela vår strategi och sedan startar om det potentiellt varje vecka, kan det vara enormt Mot slutet kommer jag att ge dig en uppfattning om hur känsliga resultaten är för kostnaderna för olika handelsinstrument. Vilka kurvor för egenkapital. För övrigt är processen för att använda slumpmässiga data. Identifiera de viktiga egenskaperna hos de verkliga data som du behöver för att modellera. Kalibrera mot några verkliga data. Skapa en process som producerar slumpmässiga data med nödvändiga egenskaper. Producera slumpmässiga data, och gör vad som helst du behöver göra. Notice att en uppenbar dange r av denna process gör slumpmässiga data som är för bra I ett extremt fall med tillräckliga frihetsgrader kan du äntligen skapa slumpmässiga data som ser ut exakt som de data du kalibrerade den mot. Det finns en balans mellan att ha slumpmässiga data som är realistiska nog för de tester du kör och överkalibrerad. Vilka egenskaper av ett handelssystemets avkastning kommer att påverka hur bra en kurvöverlagring kommer att fungera Som i mitt tidigare inlägg kommer jag att producera avkastningar som har ett visst volatilitetsmål - som inte påverkar resultat. De kommer också att ha en viss förväntad Sharpe-förhållande. Med en negativ Sharpe Ratio-kurvan bör det vara fantastiskt - det kommer att stänga av det dåliga systemet. Med ett högt positivt Sharpe-förhållande kommer de förmodligen inte att ha någon effekt åtminstone för stor nog. i mitten att saker kommer att bli mer intressanta jag ska testa Sharpe-förhållanden från -2 till 2. Min intuition är att skew är viktigt här. Negativa skew strategier kan se deras korta, skarpa, losa ses minskad Positiv skevning, som trendstrategier som tenderar att se långsamma blödningar i kapital kan förbättras med en överlagring och det verkar vara en gemensam åsikt bland dem som gillar sådana system, jag ska testa skev från -2 medeltal för en kort volatilitet eller arbitrage system till 1 som är typiskt för en snabb trend efterföljande system. Finalt tror jag att autokorrelering av avkastning kan vara nyckel Om vi ​​tenderar att få förluster en efter en då kan kurvan handel hjälpa till att stänga av ditt system innan förlusterna blir dåliga . Först då för kalibreringssteget behöver vi några faktiska avkastningar av reala handelssystem. Systemen jag är intresserade av är handelsreglerna som beskrivs i min bok och i det här inlägget är en uppsättning trend som följer regelvariationer exponentiellt viktad glidande medelvärde, eller EWMAC för kort och en bärregel. Första skev Det stiliserade faktum är den trenden som följer, särskilt snabb trend efter, är positiv skev. Vi skulle dock inte förvänta oss att denna effekt uppträder vid frekvensen Jag är mycket snabbare än den typiska innehavsperioden. Oöverträffade dagliga avkastningar visar ingen signifikant skev även för de allra snabbaste reglerna. Vid en veckofrekvens har de allra snabbaste variationerna 2,8 och 4,16 av EWMAC en skev på omkring 1 0 vid en månadsfrekvens varianter 8,32 och 16,64 går med i det positiva skevpartiet med de två långsammaste variationerna med kanske hälften. Kyrkan ser inte något av det negativa skev du kan förvänta dig från att säga att du bara ska bära, även om det verkligen är en positiv skevstrategi. Där Det finns mycket forskning som visar att trenden enligt reglerna ger avkastning som vanligtvis är negativt autokorrelerade, t ex och det senare dokumentet föreslår att aktier har en månadsautokorrelation på cirka 0 2, medan trenden efter autokorrelationer kommer i närheten -0 3 Carry verkar inte ha en betydande autokorrelation. Min slutsats är att för realistiska kapitalkurvor är det inte tillräckligt för att generera dagliga avkastningar med viss standardavvikelse och skew Vi behöver generera några sak som har vissa egenskaper vid en lämplig tidsskala och vi behöver också generera autokorrelerade avkastningar. Jag ska visa effekten av varierande skev mellan -2 och 1, autokorrelation mellan -0 3 och 0 3 och Sharpe-förhållandet mellan -1 och 2 . Hur modellerar vi. I det föregående inlägget visade jag hur man genererar skevade slumpmässiga data Nu måste vi göra något lite snyggare Det här avsnittet är lite tekniskt och du kanske vill hoppa över om du inte bryr dig om var slumpmässiga data kommer ifrån så länge som den har rätt egenskaper. Det klassiska sättet att modellera en autokorrelerad process är att skapa en autoregressiv AR1-modellnotering. Jag ignorerar högre autoregression för att undvika överkalibrering av modellen. Detta förutsätter att andra, tredje ordningens autokorrelationer följer samma mönster som de skulle i en AR1-modell. Så är vår modell. Rho r t-1 et. Where Rho är önskad autokorrelation och et är vår felprocess här är det skev gaussiskt buller. Introduktion av autokorrelation förspänner de andra stunderna i distributionen Jag har inkluderat korrigeringar för detta som fungerar för rimliga nivåer av abs rho 0 8 Det är osannolikt att du ser något som denna nivå i ett verkligt handelssystem. Denna python-kod visar hur slumpmässiga data är produceras och kontrollerar att den har rätt egenskaper. Nu, hur hanterar vi olika beteenden vid olika frekvenser Det finns mycket komplicerade sätt att hantera detta som att använda en Brownian Bridge, men det enklaste är att generera avkastning i en tidsskala som är lämplig till indikatorns hastighet Detta innebär att varje vecka returneras för bära och snabba EWMAC-regler 2,4 och 4,8 och månatligen för långsammare EWMAC-regler Om du handlar om en mycket snabb handelsregel bör du generera dagliga data om du ser en klar returmönster vid den frekvensen. Jag använder dagliga avkastningar för resten av det här inlägget, men jag har kontrollerat att de fortfarande håller sant vid vecko - och månadsfrekvenser med hjälp av egenkapitalkurvefilterutkikningar minst 3 gånger längre än frekvensen av avkastningen vi genererar. För att återskapa ska jag prova olika lookbacks för aktiekurvefiltret och jag kommer att vara GENERATERANDE avkastning med skev mellan -2 och 1, autokorrelation mellan -0 4 och 0 4 , och Sharpe-förhållandet mellan -1 och 2. Jag kommer att hålla standardavvikelsen av avkastningen konstant eftersom det bara kommer att ändra den totala skalaen för varje process och inte påverka resultaten jag kommer att se på resultaten med daglig avkastning. Resultaten won t vara signifikanta annorlunda med andra perioder. Alla koden du behöver är här. Särskilda förhållanden. I det här avsnittet kommer jag att variera Sharpe-förhållandet medan du håller skev och autokorrelationen fixerad till noll, respektive noll. Scenariotype VaryingSharpeRatio periodlength 1 daily returns. Average annual returnera. Alle av de tomter som följer har samma format Varje rad visar en annan nivå av returkaraktäristiska Sharpe-förhållandet i detta fall x-axeln visar aktiekurvefiltret N dagräkning som vi använder för m medeltal Observera att N 1000, som alltid är på högra sidan, betyder att vi inte använder ett filter alls. Y-axeln visar medelvärdet av statistik av intresse i detta fall genomsnittlig årlig avkastning över alla de slumpmässiga kapitalkurvorna vi genererar och filtrerar. Den goda nyheten är att om du vet att du är handelssystem är skräp, då tillämpar du ett kapitalkurvsystem, helst med stort N, förbättras prestanda. Om du visste att ditt system var skräp, så förstås naturligtvis istället för att använda ett komplicerat filter För att stänga av det skulle du inte bry dig om att göra det. Men för alla lönsamma kapitalkurvor minskar aktiekurvehandeln, snarare än ökar, din avkastning. Enastående drawdown. Again för system som bryts jämnt eller förlorar pengar är den genomsnittliga nedräkningen lägre med en Aktiekurvehandelssystem, som du kanske förväntar dig igen, speciellt för stora N Men för lönsamma system finns det ingen fördel, och genomsnittliga drawdowns kan till och med vara lite sämre. Maximal drawdown. For lönsamma system th ere kanske är en blygsam minskning av maximal drawdown för små värden på N För förlustsystem är den största minskningen av drawdown för stora värden på N även om alla filter är bättre än none. Average årliga avkastning genomsnittliga drawdown. Let nu försöka tillsammans returnerar och drar ner i en enkel statistik För olönsamma system gör överläggningen ingen skillnad För lönsamma system minskar den nedräkningsjusterade avkastningen bulten på höger sida av SR 2 0-linjen är en artefakt orsakad av det faktum vi inte kan beräkna den här statistiken när den genomsnittliga nedräkningen är noll. Den årliga avkastningen maximala drawdownen. Denna statistik berättar för samma historia För ett lönsamt system som tillämpar en egenkapitalkurva minskar genomsnittet avkastningsgraden för genomsnittlig avkastning med snabbare överlagringar små N förmodligen värre och de skulle vara mycket, mycket sämre med handelskostnader tillämpas Om du har ett system som definitivt förlorar pengar så applicerar en överlagring, av eventuell lookback, kommer att mildra dina förluster. I det här avsnittet kommer jag att variera Skew samtidigt som Sharpe-förhållandet och autokorrelationen är fasta vid en och noll respektive. Scenariotyp VarierandeSkew periodlängd 1 daglig avkastning. Enastående årlig avkastning genomsnittlig drawdown. To spara tid, hoppar vi framåt till den beräknade statistiken Bluntly min intuition var fel skev gör ingen skillnad Överlagret skadar avkastningen för alla skevvärden som visas här. En vanlig årlig avkastning maximalt drawdown. There är en liknande historia för maximal draw back. In det här avsnittet kommer jag att variera autokorrelationen samtidigt som skev och Sharpe Förhållandet fastställs till noll och en respektive. En stor årlig avkastning. Välhänger vi har ett resultat Om du har negativ eller noll autokorrelation lägger du till en kapitalkurvöverlagring så att avkastningen blir mycket värre Men om du har en positiv autokorrelation förbättras det , med snabbare överlagringar gör bäst, kom ihåg att vi ignorerar kostnaderna här Det här är meningslöst Om allt har något positivt autokorrelation då vill vi träna nd följ det. Men som vi redan har diskuterat trenden följande system verkar ha negativ autokorrelation Så det ser ut som kurvor överlagringar är ett nej för en trend som följer system. Average drawdown. Again drawdowns förbättras endast om autokorrelationen är positiv De är mycket värre om det är negativt noterat att genomsnittliga drawdowns är mindre för negativt autokorrelerade system anyway. Maximum drawdown. There är en liknande bild för maximal drawdown. Average årlig avkastning genomsnittlig drawdown. I ve lagt till fler rader till denna plot scenariotyp VaryingAutoMore för att se om vi kan hitta en jämn punkt där du borde använda en kurvöverlagring. Det ser ut som om autokorrelering är 0 2 eller högre, med en N längd på 40 dagar eller mindre. Kom ihåg att jag inte har inkluderat kostnader i någon av dessa beräkningar För information den årliga omsättningen som tillkommer varje system med aktiekurvefiltret sträcker sig från omkring 23 för längd 10 till 1 2 för längd 512 med de billigaste terminerna I trade sta ndardised kostnad på 0 001 SR enheter per år, för något liknande NASDAQ detta är inte ett stort problem, vilket minskar genomsnittlig avkastning med N längd 10 med omkring 1. Se kapitel 12 i min bok för detaljer om hur jag beräknar omsättning och standardiserade kostnader. Men låt oss se resultaten med en dyrare framtid, den australiensiska räntan framtid, med en kostnad på cirka 0 03 SR enheter per år. Med kostnaderna är mindre N ser mycket värre jag d föreslår att på denna kostnadsnivå behöver du en positiv autokorrelation av minst 0 2 innan jämnt överväger att handla egenkapitalkurvan. Enastående årlig avkastning maximalt drawdown. As innan det ser ut att en autokorrelation på 0 1 eller mer kommer att räcka för att använda kapitalkurvhandel men om vi tillämpar kostnader som tidigare får vi den här bilden. och bara en högre autokorrelation kommer att göra. Tanken att du enkelt kan förbättra en lönsam aktiekurva genom att lägga till ett enkelt glidande medelfilter är förmodligen fel Det här resultatet är robust över olika positiva skarvförhållanden och nivåer av skew Använd ett kortare rörligt medelvärde för filtret är sämre än att använda en långsammare, även om vi ignorerar kostnaderna. Det finns ett undantag Om din handelsstrategis avkastning visar en positiv autokorrelation då applicerar ett filter med relativt kort glidande medelvärde sannolikt att förbättra din avkastning , men bara om dina handelskostnader är tillräckligt låga. Men om din strategi är en trend som följer strategi har den förmodligen negativ autokorrelation, och tillämpningen av filtret kommer att bli en oupplösad katastrof. Det här är det andra inlägget i en serie om att använda slumpmässiga data Det första inlägget är här Nästa post på portföljoptimering finns här.