Mechanical-trading-system-forex

Mechanical-trading-system-forex

Perencanaan kursus pelatihan-strategi
Online-stock-market-trading-malaysia
Pilihan tarif pajak-untuk-tidak memenuhi syarat


Pilihan-trading-nasdaq Opsi perpajakan-of-stock Indikator volatilitas perdagangan Option-trading-account-singapura Option-trading-sites Hukum-trading-binary-option

MetaTrader Expert Advisor Cara Menang Dengan Sistem Perdagangan Mekanis Banyak tinta telah dikhususkan untuk menunjukkan penyebab kegagalan sistem perdagangan mekanis, terutama setelah kejadian. Meskipun kelihatannya bersifat oxymoronic (atau, bagi beberapa pedagang, hanya tolol), alasan utama mengapa sistem perdagangan ini gagal adalah karena mereka terlalu bergantung pada sifat bebas-tangan, api dan melupakan sifat perdagangan mekanis. Algoritma sendiri tidak memiliki pengawasan dan intervensi manusia yang obyektif yang diperlukan untuk membantu sistem berkembang selaras dengan perubahan kondisi pasar. Kegagalan sistem perdagangan mekanis, atau kegagalan pedagang Alih-alih meratapi kegagalan sistem perdagangan, semakin konstruktif untuk mempertimbangkan cara-cara di mana para pedagang dapat memiliki yang terbaik dari kedua dunia: Artinya, para pedagang dapat menikmati keuntungan dari sistem perdagangan mekanis yang dikelola algoritma. , Seperti eksekusi otomatis cepat-cepat dan keputusan perdagangan bebas emosi, sambil tetap memanfaatkan kapasitas bawaan manusia mereka untuk berpikir objektif tentang kegagalan dan kesuksesan. Unsur terpenting dari trader manapun adalah kemampuan manusia untuk berevolusi. Pedagang dapat mengubah dan menyesuaikan sistem perdagangan mereka agar terus menang sebelum kerugian menjadi hancur secara finansial atau emosional. Pilih jenis dan jumlah data pasar yang tepat untuk pengujian Pedagang yang berhasil menggunakan sistem peraturan berulang untuk mendapatkan keuntungan dari inefisiensi jangka pendek di pasar. Bagi pedagang kecil dan independen di dunia perdagangan sekuritas dan derivatif, di mana spread tipis dan persaingan ketat, peluang terbaik untuk mendapatkan keuntungan berasal dari ketidakefisienan pasar yang didasarkan pada data yang sederhana dan mudah dihitung, kemudian mengambil tindakan secepat mungkin. Ketika seorang trader mengembangkan dan mengoperasikan sistem perdagangan mekanis berdasarkan data historis, dia mengharapkan keuntungan masa depan berdasarkan gagasan bahwa inefisiensi pasar saat ini akan berlanjut. Jika seorang trader memilih kumpulan data yang salah atau menggunakan parameter yang salah untuk memenuhi syarat data, peluang berharga mungkin akan hilang. Pada saat bersamaan, begitu inefisiensi yang terdeteksi dalam data historis sudah tidak ada lagi, maka sistem perdagangan gagal. Alasan mengapa lenyap tidak penting bagi pedagang mekanik. Hanya hasilnya saja. Pilihlah kumpulan data yang paling relevan saat memilih kumpulan data untuk membuat dan menguji sistem perdagangan mekanis. Dan, untuk menguji sampel yang cukup besar untuk memastikan apakah peraturan perdagangan bekerja secara konsisten di bawah berbagai kondisi pasar, trader harus menggunakan periode uji terpanjang dari data uji. Jadi, tampaknya tepat untuk membangun sistem perdagangan mekanis berdasarkan kumpulan data historis terpanjang dan juga seperangkat parameter desain yang paling sederhana. Kekokohan umumnya dianggap kemampuan untuk menahan banyak jenis kondisi pasar. Kekokohan harus melekat pada sistem yang diuji dalam rentang waktu yang panjang dari data historis dan aturan sederhana. Pengujian panjang dan aturan dasar harus mencerminkan kondisi pasar potensial terluas di masa depan. Semua sistem perdagangan mekanis pada akhirnya akan gagal karena data historis jelas tidak mengandung semua kejadian di masa depan. Setiap sistem yang dibangun berdasarkan data historis pada akhirnya akan menghadapi kondisi ahistoris. Wawasan dan intervensi manusia mencegah strategi otomatis agar tidak berjalan dari rel. Orang-orang di Knight Capital tahu sesuatu tentang snafus perdagangan hidup. Kesederhanaan menang dengan kemampuan beradaptasi Sistem perdagangan mekanis yang sukses seperti organisme hidup dan bernafas. Strata geologi dunia dipenuhi dengan fosil organisme yang, walaupun cocok untuk kesuksesan jangka pendek selama periode sejarah mereka sendiri, terlalu khusus untuk bertahan dan adaptasi jangka panjang. Sistem perdagangan mekanis sederhana algoritmik dengan panduan manusia adalah yang terbaik karena mereka dapat mengalami evolusi cepat dan mudah serta adaptasi terhadap perubahan kondisi di lingkungan (baca pasar). Aturan perdagangan sederhana mengurangi potensi dampak bias data-mining. Bias dari data mining bermasalah karena dapat melebih-lebihkan seberapa baik aturan historis akan diterapkan dalam kondisi di masa depan, terutama bila sistem perdagangan mekanis difokuskan pada kerangka waktu yang singkat. Sistem perdagangan mekanis yang sederhana dan kokoh tidak dipengaruhi oleh kerangka waktu yang digunakan untuk tujuan pengujian. Jumlah titik uji yang ditemukan dalam kisaran data historis tertentu masih harus cukup besar untuk membuktikan atau membantah keabsahan peraturan perdagangan yang sedang diuji. Dengan kata lain, sistem perdagangan mekanis yang sederhana dan sederhana akan lebih cemerlang daripada bias data-mining. Jika trader menggunakan sistem dengan parameter desain sederhana, seperti sistem QuantBar. Dan mengujinya dengan menggunakan periode waktu sejarah terpanjang yang tepat, maka satu-satunya tugas penting lainnya adalah menempuh disiplin perdagangan sistem dan memantau hasilnya ke depan. Pengamatan memungkinkan evolusi. Di sisi lain, pedagang yang menggunakan sistem perdagangan mekanis yang dibangun dari serangkaian parameter multi kompleks berisiko mengembangkan sistem mereka menjadi kepunahan dini. Membangun sistem yang kuat yang memanfaatkan perdagangan mekanik terbaik, tanpa menjadi mangsa kelemahannya Yang penting untuk tidak membingungkan ketangguhan sistem perdagangan mekanis dengan kemampuan beradaptasi mereka. Sistem yang dikembangkan berdasarkan banyak parameter menyebabkan perdagangan yang menang selama periode historis dan bahkan selama periode pengamatan saat ini sering digambarkan sebagai robust. Itu bukan jaminan bahwa sistem semacam itu dapat berhasil di-tweak begitu mereka melakukan perdagangan melewati masa bulan madu mereka.8221 Itu adalah periode perdagangan awal dimana kondisi terjadi bersamaan dengan periode sejarah tertentu yang mendasari sistem tersebut. Sistem perdagangan mekanis sederhana mudah disesuaikan dengan kondisi baru, bahkan ketika akar penyebab perubahan pasar tetap tidak jelas, dan sistem yang rumit akan gagal. Ketika kondisi pasar berubah, seperti yang terus-menerus dilakukan, sistem perdagangan yang paling mungkin terus menang adalah produk yang sederhana dan mudah disesuaikan dengan kondisi baru, sistem yang benar-benar kuat adalah sistem yang memiliki umur panjang di atas segalanya. Sistem perdagangan mekanis sederhana algoritmik dengan panduan manusia adalah yang terbaik karena mereka dapat mengalami evolusi cepat dan mudah serta adaptasi terhadap perubahan kondisi di lingkungan (baca pasar). Sayangnya, setelah mengalami periode keuntungan awal saat menggunakan sistem perdagangan mekanis yang terlalu rumit, banyak pedagang jatuh ke dalam perangkap untuk mencoba mengubah sistem tersebut kembali ke kesuksesan. Pasar tidak diketahui, namun berubah, kondisi mungkin telah menentu bahwa seluruh spesies sistem perdagangan mekanis mengalami kepunahan. Sekali lagi, kesederhanaan dan kemampuan beradaptasi terhadap perubahan kondisi menawarkan harapan terbaik untuk bertahan hidup dari setiap sistem perdagangan. Gunakan pengukuran yang obyektif untuk membedakan antara kesuksesan dan kegagalan Seorang pedagang yang paling banyak jatuh biasa adalah keterikatan psikologis pada sistem perdagangannya. Ketika kegagalan sistem perdagangan terjadi, biasanya karena pedagang telah mengadopsi sudut pandang subjektif dan bukan objektif, terutama berkaitan dengan stop-loss selama perdagangan tertentu. Sifat manusia sering mendorong seorang pedagang untuk mengembangkan keterikatan emosional pada sistem tertentu, terutama ketika pedagang telah menginvestasikan sejumlah besar waktu dan uang ke dalam sistem perdagangan mekanis dengan banyak bagian rumit yang sulit untuk dimengerti. Namun, sangat penting bagi trader untuk melangkah keluar dari sistem agar bisa menganggapnya objektif. Dalam beberapa kasus, pedagang menjadi delusional tentang keberhasilan sistem yang diharapkan, bahkan sampai pada titik untuk terus memperdagangkan sistem yang jelas-kehilangan jauh lebih lama daripada yang akan diberikan oleh analisis subjektif. Atau, setelah periode kemenangan gemuk, seorang pedagang mungkin akan menikah dengan sistem yang sebelumnya menang meskipun kecantikannya memudar di bawah tekanan kerugian. Lebih buruk lagi, seorang trader mungkin jatuh ke dalam perangkap secara selektif memilih periode pengujian atau parameter statistik untuk sistem yang sudah kalah, untuk mempertahankan harapan palsu bagi sistem yang melanjutkan nilainya. Ukuran objektif, seperti menggunakan metode standar deviasi untuk menilai probabilitas kegagalan saat ini, adalah satu-satunya metode pemenang untuk menentukan apakah sistem perdagangan mekanis benar-benar gagal. Melalui mata obyektif, mudah bagi trader untuk segera mengetahui kegagalan atau potensi kegagalan dalam sistem perdagangan mekanis, dan sistem yang sederhana dapat dengan cepat dan mudah disesuaikan untuk menciptakan sistem yang baru saja menang. Kegagalan sistem perdagangan mekanis sering dihitung berdasarkan perbandingan kerugian saat ini bila diukur terhadap kerugian historis atau penarikan. Analisis semacam itu dapat menyebabkan kesimpulan subyektif dan salah. Penarikan maksimum sering digunakan sebagai metrik ambang batas dimana trader akan meninggalkan sebuah sistem. Tanpa mempertimbangkan cara sistem mencapai tingkat penarikan, atau lamanya waktu yang dibutuhkan untuk mencapai tingkat itu, trader tidak boleh menyimpulkan bahwa sistem tersebut adalah pecundang berdasarkan penarikan saja. Standar deviasi versus penarikan sebagai metrik kegagalan Sebenarnya, metode terbaik untuk menghindari membuang sistem yang menang adalah dengan menggunakan standar pengukuran objektif untuk menentukan distribusi pengembalian saat ini atau yang baru dari sistem yang diperoleh saat benar-benar memperdagangkannya. Bandingkan pengukuran yang melawan distribusi pengembalian historis yang dihitung dari pengujian balik, sambil menetapkan nilai ambang tetap sesuai dengan kepastian bahwa kehilangan distribusi sistem perdagangan mekanis saat ini memang berada di luar kerugian normal yang harus-diperkirakan sebelumnya, dan karenanya harus menjadi Dibuang sebagai gagal Jadi, misalnya, anggaplah bahwa trader mengabaikan tingkat penarikan saat ini yang telah memberi isyarat masalah dan memicu penyelidikannya. Sebaliknya, bandingkan penurunan beruntun saat ini terhadap kerugian historis yang akan terjadi saat memperdagangkan sistem itu selama periode uji historis. Bergantung pada seberapa konservatifnya pedagang, dia mungkin menemukan bahwa kerugian saat ini atau akhir-akhir ini di luar, katakanlah, tingkat kepastian yang diimplikasikan oleh dua standar deviasi dari tingkat kerugian historis yang normal. Ini tentu akan menjadi tanda statistik yang kuat bahwa sistem berkinerja buruk, dan karena itu gagal. Sebaliknya, pedagang yang berbeda dengan selera risiko yang lebih besar dapat memutuskan secara obyektif tiga standar deviasi dari norma (yaitu 99,7) adalah tingkat kepastian yang tepat untuk menilai sistem perdagangan karena gagal. Faktor yang paling penting untuk kesuksesan sistem perdagangan apapun, baik manual maupun mekanis, selalu merupakan kemampuan pengambilan keputusan manusia. Nilai sistem perdagangan mekanis yang bagus adalah, seperti semua mesin bagus, mereka meminimalkan kelemahan manusia dan memberdayakan prestasi jauh melampaui yang dapat dicapai melalui metode manual. Namun, bila dibangun dengan benar, mereka tetap mengizinkan kontrol yang kuat sesuai dengan pertimbangan pedagang dan membiarkan dia menghindari rintangan dan potensi kegagalan. Meskipun seorang pedagang dapat menggunakan matematika dalam bentuk perhitungan statistik distribusi standar untuk menilai apakah kerugian itu normal dan dapat diterima menurut catatan sejarah, dia masih mengandalkan penghakiman manusia daripada membuat keputusan mekanis murni berbasis matematika. Berdasarkan algoritma saja. Pedagang bisa menikmati yang terbaik dari kedua dunia. Kekuatan algoritma dan perdagangan mekanis meminimalkan efek emosi dan keterlambatan manusia dalam penempatan dan eksekusi pesanan, terutama yang berkaitan dengan mempertahankan disiplin stop-loss. Masih menggunakan penilaian obyektif deviasi standar untuk mempertahankan kontrol manusia atas sistem perdagangan. Bersiaplah untuk perubahan, dan bersiaplah untuk mengubah sistem perdagangan Seiring dengan objektivitas untuk mendeteksi kapan sistem perdagangan mekanik berubah dari pemenang menjadi pecundang, trader juga harus memiliki disiplin dan pandangan ke depan untuk berevolusi dan mengubah sistem sehingga mereka dapat terus menang. Selama kondisi pasar baru. Di lingkungan mana pun yang penuh dengan perubahan, sistem yang lebih sederhana, evolusi yang lebih cepat dan mudah. Jika strategi yang kompleks gagal, mungkin akan lebih mudah untuk mengganti daripada memodifikasinya, sementara beberapa sistem yang paling sederhana dan paling intuitif, seperti sistem QuantBar. Relatif mudah untuk memodifikasi on-the-fly agar bisa beradaptasi dengan kondisi pasar masa depan. Singkatnya, dapat dikatakan sistem perdagangan mekanis yang dibangun dengan benar harus sederhana dan mudah disesuaikan, dan diuji sesuai dengan jenis dan jumlah data yang tepat sehingga cukup kuat untuk menghasilkan keuntungan dalam berbagai kondisi pasar. Dan, sistem kemenangan harus dinilai berdasarkan metrik kesuksesan yang sesuai. Alih-alih hanya mengandalkan aturan perdagangan algoritmik atau tingkat penarikan maksimum, keputusan tentang apakah suatu sistem telah gagal harus dilakukan sesuai dengan pertimbangan pedagang manusia, dan berdasarkan penilaian terhadap jumlah penyimpangan standar kinerja sistem saat ini bila diukur terhadap Kerugiannya yang bersejarah. Jika sistem perdagangan mekanis gagal dilakukan, trader harus melakukan perubahan yang diperlukan alih-alih menempel pada sistem yang hilang. Hi Trader mates 8211 Saya hanya mengikuti pendekatan Suppl-Demand Sam Seiden8217s ditambah dengan analisis Candlestick 8211 bekerja seperti sihir murni. Saya mengikuti peraturan emas untuk meredakan kerugian dan membiarkan keuntungan berjalan8221. Telah berdagang seperti ini selama 6 tahun dengan PERTUMBUHAN INCREMENTAL PERTAMA bulan ke bulan (terkadang kecil, terkadang besar, tapi selalu berdetak ke atas). Bagi saya ini adalah kunci sederhana8221 untuk sukses dalam jangka menengah sampai jangka panjang. Lambat dan mantap memenangkan balapan. Dimana indikator itu untuk per jam di mana ia memecat sebuah tongkat masuk sebelum Can8217 menemukannya di mana pun, apakah masih bekerja Ini seperti grafik di bawah dan Anda tahu untuk masuk pada lilin berikutnya untuk satu waktu lilin untuk jumlah keuntungan itu, Aku ingat beberapa saat kembali melihat banyak hal darimu, tapi sejak saat itu aku melihatnya dan kupikir aku akan mencobanya. Merancang Strategi Perdagangan yang Kuat: Praktik Terbaik dalam Perdagangan Dari Brett: Pos praktek terbaik ini datang kepada kita. Dari Edward Heming, yang merupakan penulis blog trading Lord Tedders. Dia membahas beberapa aspek pengembangan strategi perdagangan mekanis yang andal dan juga mencakup pro dan kontra perdagangan mekanis. Perhatikan bahwa Henry Carstens juga telah menyediakan serangkaian artikel tentang topik pengembangan sistem perdagangan. Yang paling saya sukai dari artikel Lord Tedders adalah wawasan bahwa meneliti gagasan sistem merupakan cara terbaik untuk mendapatkan nuansa pasar. Untuk alasan itu, ia bahkan bisa menguntungkan pedagang discretionary. Mereka yang ingin mendapatkan beberapa manfaat dari pengujian sistem tanpa tantangan pemrograman dapat dilihat pada program Odds Maker yang dikembangkan oleh Ide Perdagangan atau dapat mengikuti saran dari Bonnie Lee Hill dan menggunakan platform pengujian menu drop-down yang tersedia melalui Ensign Software. Dengan alat seperti itu, lebih mudah dari sebelumnya untuk benar-benar menentukan apakah gagasan Anda memberi Anda keunggulan kinerja. Terima kasih untuk Edward untuk posting wawasan. Salah satu pertanyaan yang sering saya dapatkan tentang desain strategi adalah, bagaimana Anda merancang strategi perdagangan mekanis yang kuat8221 Untuk memahami bagaimana membangun sebuah strategi mekanis yang kuat, penting untuk memahami strategi mekanis yang kuat. Strategi mekanis hanyalah sebuah aliran keputusan kuantitatif yang menghasilkan robot 82201 atau pedagang sendiri untuk menentukan ukuran posisi, entri, pintu keluar dan berhenti seluruhnya dengan cara yang benar-benar lepas dari mode 8211 dengan kata lain jika Anda memiliki sistem mekanis yang bekerja, masukan Anda adalah Tidak dibutuhkan (atau jika begitu sampai tingkat yang sangat terbatas). Selain itu, agar strategi mekanis menjadi kuat, ia harus memanfaatkan tepi 8220trading8221. Ini bisa berupa apa saja dari sisi statistik (trending) ke tepi eksekusi (arbitrase). Selanjutnya, strategi ini harus bertahan dalam periode perdagangan yang ekstensif secara historis (setidaknya beberapa ratus) dan harus bertahan dalam perdagangan masa depan (yang dapat disimulasikan). Sistem mekanis memiliki beberapa keunggulan yang dimiliki oleh pedagang bebas, seperti kemampuan untuk melakukan analisis kuantitatif dan data mining dengan cepat dan melampaui periode sejarah yang diperluas. Selain itu, sistem mekanis dapat mengurangi beberapa tekanan emosional yang menyertai perdagangan bebas (discretionary trading) 8211 khususnya di kalangan pedagang baru. Namun, penting untuk mengenali bahwa perdagangan mekanik memiliki beberapa kelemahan juga. Yang pertama adalah Anda harus dapat mengukur setiap keputusan perdagangan yang akan dibuat sistem, kedua sistem mekanis harus disesuaikan secara berkala (seperti pedagang bebas menyesuaikan metode mereka) baik melalui adaptif, optimalisasi, atau diversifikasi yang melekat . Terakhir, sistem mekanis hanya bekerja jika seseorang memasukkan sejumlah besar waktu dan usaha yang dibutuhkan untuk memprogram, menguji, debug, dan terus menyesuaikannya. Untuk merancang strategi mekanis, penting untuk mempertimbangkan tiga hal sebelum hal lainnya: 1) tujuan Anda untuk sistem itu, 2) pasar Anda, 3) jangka waktu Anda. Setelah Anda menentukan ini, mudah untuk menemukan metodologi penting Anda karena hanya ada 4 cara untuk memperdagangkan pasar: 1) perdagangan tren, 2) perdagangan momentum, 3) pemulihan ke trading rata-rata, 4) dan perdagangan fundamental. Setelah Anda menentukan tujuan, pasar, kerangka waktu dan metode Anda siap untuk mencoba menyusun strategi pertama Anda. Banyak dari Anda mungkin berpikir pada saat ini, bagaimana jika saya tidak tahu barang apa itu8221 Jika Anda sudah menjadi pedagang discretionary berpengalaman, ini seharusnya tidak terlalu sulit. Namun, jika Anda tidak memiliki pengalaman yang luas Anda harus menemukan metode yang sesuai. Metode ini bisa sesederhana moving average cross longshort hingga serumit jaringan syaraf kolaboratif yang senantiasa menyesuaikan diri yang dioptimalkan secara genetis setiap hari. Cara terbaik bagi trader yang belum berpengalaman untuk membangun sistem baru adalah dengan menguji ide. Hal ini bisa dilakukan dengan dua cara 8211 secara visual atau pemrograman. Bagi seseorang tanpa pengalaman pemrograman yang ekstensif, yang terbaik adalah memulai dengan apa yang saya sebut 8220candle oleh candle8221 back testing. Hal ini dilakukan dengan mengambil ide (seperti crossover rata-rata bergerak) dan mengujinya dengan data historis pada pasar dan kerangka waktu yang diberikan dengan memindahkan grafik Anda ke depan dari masa lalu ke masa depan dan memperdagangkan cara sistem akan tidak memiliki pengetahuan masa depan. Dari pasar. Metode ini adalah bagaimana saya menguji sepuluh strategi pertama saya 8220, 8 di antaranya, saya tetap terus melakukan perdagangan hari ini (termasuk dua yang dirancang oleh Phil McGrew yang saya uji dengan menggunakan metode ini dan masih melakukan perdagangan hari ini). Namun, saya harus menguji hampir lima puluh atau enam puluh gagasan untuk sampai pada sepuluh strategi yang berhasil, dan akhirnya memperbaiki prosesnya sampai saya menemukan empat dari sepuluh sistem yang saya temukan dapat diperdagangkan. Untuk memberi contoh bagaimana memakan waktu proses ini, saya menguji sepuluh strategi ini secara ekstensif sering melihat lebih dari 2 tahun 15 menit dan ratusan perdagangan jutaan dolar. Saya menghabiskan hampir 700 jam nyata untuk melakukan pengujian ini (dan I8217m cukup cepat dengan grafik dan excel). Kedengarannya seperti banyak pekerjaan yang benar Nah, itu juga memberi saya perasaan untuk pasar yang hampir sama baiknya dengan telah menukar pasar tersebut secara real time. Setelah melakukan ini untuk beberapa lama, saya merasa bahwa harus ada cara yang lebih efektif untuk menguji gagasan. Dan ada 8211 pengujian program. Pengujian terprogram lagi bisa sangat mudah 8211 sebuah silang rata-rata bergerak sederhana adalah hal yang mudah untuk diprogram di hampir semua bahasa pemrograman. Namun, kesulitan yang bisa menghancurkan trader program awal hampir tak ada habisnya. Banyak paket perdagangan populer tidak melacak posisi ekuitas Anda dengan tanda centang, namun dilacak oleh bar (dan jika Anda membaca berita harian, Anda bisa membayangkan masalahnya). Juga, gagasan yang telah saya uji secara ekstensif dengan tangan terkadang sulit diprogram. Saya memiliki begitu banyak pengalaman di mana saya menggunakan konsep kritis (bahkan dengan sedikit pun tingkatnya) dan ini akhirnya memberikan hasil yang jauh berbeda dari pada pengujian tangan saya. Tanpa sepengetahuan bahwa itu adalah kode yang tidak benar, mungkin saya salah menipu banyak ide perdagangan yang sebenarnya benar. Selain itu, pada tingkat perdagangan terprogram ini, sangat penting untuk mempertimbangkan faktor-faktor yang meminimalkan input (tingkat kebebasan) dan penggunaan input fleksibel. Contohnya adalah memanfaatkan stopkontak ATR 3 bukan stop 60 pip sehingga karena harga dan volatilitas pasar berfluktuasi, stop Anda tidak dibawa keluar karena kebisingan acak. Cara lain untuk memperbaiki ketangguhan strategi Anda termasuk memanfaatkan pengisian dan komisi yang realistis dan memastikan bahwa pesanan limit Anda benar-benar telah terisi (ini tidak mudah untuk diuji dalam beberapa perangkat lunak sebagaimana mestinya). Optimalisasi adalah alat lain yang berguna untuk dipertimbangkan pada saat ini dalam strategi pengujian karir Anda. Ini adalah pedang yang kuat namun dua pedang. Penggunaan algoritma genetika dan teknik serupa 8220hill climbing8221 adalah cara yang umum untuk memastikan bahwa pengoptimalan Anda tidak memberi Anda satu titik anomali, namun ada beberapa nilai masukan serupa yang mengelilingi masukan Anda yang menghasilkan grafik ekuitas serupa. Berjalan maju pengujian adalah alat lain yang berguna yang dapat membantu Anda mencapai hasil yang realistis dan melihat sendiri apakah sebuah strategi akan berhasil pada data yang tidak dioptimalkan (mirip dengan masa depan). Semakin jauh ke dalam perdagangan program, setelah mengalami banyak kesulitan, saya merasa bahwa saya harus bisa menguji lebih dari satu gagasan sekaligus. Sebenarnya, idealnya saya ingin menguji banyak gagasan, beberapa kerangka waktu dan banyak pasar. Sekarang ini adalah pekerjaan yang saya terlibat dalam merancang dan saya merasa bahwa ini akan membantu saya menganalisis pasar dengan kecepatan dan ketepatan yang akan membawa perdagangan saya ke tingkat berikutnya. Inilah arena perancang strategi terbaik, di mana data mining statistik, analisis pasar, analisis kerangka waktu, analisis teknis, analisis fundamental, dan pengelolaan uang dikombinasikan dengan pengujian evolusioner yang realistis ke dalam satu paket tunggal. Seperti yang bisa Anda lihat, pengujian dan trading terprogram yang canggih merupakan arena yang kompleks. Saya sendiri masih belajar dan sama sekali tidak menganggap diri saya seorang ahli. Kabar baiknya adalah bahwa pembuatan dan penerapan strategi mekanis yang sukses dapat dilakukan dengan cara sesederhana atau sesulit yang Anda pilih. Bagaimanapun, strategi yang sangat sederhana yang diuji dan dirancang dengan lilin oleh backtesting lilin masih menjadi dasar metodologi trading saya. Dari Brett: Perhatikan saran Edwards: mulailah dari yang kecil, jaga agar tetap bisa dilakukan, dan kemudian membangun keahlian Anda. Ide terbaik Anda akan berasal dari pengamatan intensif, namun beberapa gagasan terbaik adalah yang paling sederhana dan paling mudah. Baru-baru ini saya mengeposkan sebuah panggilan untuk para pedagang dan pemrogram yang ingin berkolaborasi dengan ini bisa menjadi salah satu cara yang menjanjikan untuk memulai Brett Steenbarger, Ph.D. Meningkatkan Kinerja Pedagang (Wiley, 2006), Pelatih Perdagangan Harian (Wiley, 2009), dan Trading Psychology 2.0 (Wiley, 2015) dengan minat untuk menggunakan pola historis di pasar untuk Cari tepi trading Saya juga tertarik dengan peningkatan kinerja di kalangan trader, memanfaatkan penelitian dari para ahli di berbagai bidang. Saya mengambil cuti dari blogging mulai Mei 2010 karena peran saya di hedge fund makro global. Blogging dilanjutkan pada bulan Februari, 2014, bersamaan dengan posting reguler ke Twitter dan StockTwits (steenbab). Saya mengajar terapi singkat sebagai Clinical Associate Professor di SUNY Upstate di Syracuse, dengan penekanan khusus pada terapi yang berfokus pada solusi untuk kesehatan mental. Co-editor The Art and Science of Brief Psychotherapies (American Psychiatric Press, 2012). Lihat profil lengkapku Berlangganan Twitter Trader Blog ArchiveComparing Backtesting dan live trading system execution: Setelah satu juta perdagangan Pedagang sistematis hampir selalu menggunakan backtesting untuk menilai kinerja algoritma trading masa lalu. Ini adalah alat yang sangat berharga karena memungkinkan kita untuk mendapatkan gagasan tentang bagaimana algoritma perdagangan akan dilakukan di masa lalu tanpa harus benar-benar menukar sistem dalam jangka waktu yang lama. Namun, keseluruhan kegunaan backtesting bergantung pada seberapa baik simulasi tersebut menghasilkan kinerja masa lalu dan oleh karena itu terbuka terhadap banyak jebakan yang muncul dari beberapa masalah praktis. Karena hal tersebut di atas sangat penting untuk melakukan perbandingan livebacktesting dimana periode live traded dibandingkan dengan backtest pada periode yang sama persis untuk melihat apakah hasil 8211 terlepas dari apakah mereka memiliki hubungan positif atau negatif 8211. Pada posting hari ini saya ingin membahas analisis konsistensi livebacktesting yang telah saya buat dengan menggunakan data dari lebih dari 1 juta live trading yang diambil dari lebih dari dua ribu sistem yang diciptakan Asirikuy. Ada beberapa cara di mana backtest bisa membuat masa lalu terlihat lebih baik daripada seperti apa sebenarnya. Dalam real trading biasanya ada likuiditas, timing dan spread concern yang pada umumnya sangat sulit untuk dipertimbangkan dalam backtesting. Dalam data likuiditas perdagangan Forex historis sangat sulit didapat, sementara selip hampir tidak mungkin dihitung karena kecepatan koneksi historis dan waktu respons tidak diketahui. Data Tick dapat meringankan kekhawatiran penyebaran 8211 sebagai data tick termasuk data bidask 8211 tapi ini broker spesifik dan jarang bisa didapat untuk broker tertentu selama lebih dari beberapa tahun. Jika simulasi dilakukan tanpa memperhatikan data di atas 8211 tanpa data likuiditas, dengan asumsi eksekusi sempurna dan dengan spread konstan 8211 maka penting untuk melihat apakah asumsi tersebut benar-benar menghasilkan kecocokan yang dapat diterima antara backtesting dan live trading. Jika salah satu dari asumsi tersebut menyebabkan masalah signifikan maka simulasi perlu dibuat lebih pesimis agar sesuai dengan kenaikan biaya ini. Berkat fakta bahwa kami memiliki ratusan pengguna yang memperdagangkan ribuan strategi perdagangan di akun mereka sendiri, kami dapat mengumpulkan database dengan jutaan perdagangan bersamaan dengan harga masuk dan keluar sebenarnya yang dapat kami bandingkan dengan backtests kami untuk melihat bagaimana Baik simulasi kami mewakili masa lalu. Pertama-tama kita bisa melihat apakah backtesting dan live trading logic kita memang identik dan kedua, kita dapat melihat apakah isu-isu di atas terkait dengan selip dan spread cost memang mempengaruhi trading kita secara signifikan negatif. Kami telah menganalisis total 76.813 sinyal yang telah dieksekusi di banyak akun perdagangan yang berbeda. Untuk setiap sinyal, kami menghitung rata-rata harga masuk dan keluar 8211 menggunakan data dari semua perdagangan yang diambil karena sinyal 8211 dan ini memungkinkan kami memperkirakan berapa banyak entri dan keluar yang menyimpang dengan cara yang menguntungkan atau tidak menguntungkan. Rata-rata deviasi total kami (deviasi terbuka ditambah deviasi dekat, menentukan favorability dengan mempertimbangkan arah perdagangan untuk setiap kasus) adalah -1,37 pips, yang berarti rata-rata setiap perdagangan mengeksekusi 1,37 pips kurang baik daripada yang diantisipasi oleh simulasi kami, ini dapat dibayangkan sebagai pembayaran Selain itu 1,37 pips per perdagangan dalam spread cost. Gambar pertama di posting ini menunjukkan hasil dengan pasangan. Di sini kita dapat benar-benar melihat bahwa untuk 4 dari 6 pasang, kami memiliki penyimpangan yang benar-benar menguntungkan (EURJPY 0,3, EURUSD 0,81, GBPUSD 2,05, USDJPY 1,17), yang berarti bahwa spread yang kami gunakan dalam simulasi kami mungkin merupakan estimasi yang baik untuk simbol dan penundaan ini. Dalam pelaksanaan yang kita dapatkan baik menguntungkan atau cukup rendah karena tidak menjadi masalah secara signifikan. Namun ada dua kasus dengan hasil negatif, yang pertama adalah USDCHF (-1,53) dan yang kedua adalah GBPJPY (-8,78). Dalam kasus pertama, penyimpangan tidak terlalu tinggi, namun pada saat kedua, hasilnya sangat negatif, mungkin sebagian besar alasan mengapa rata-rata utama per perdagangan kita negatif. Alasannya di atas adalah baik karena fakta bahwa GBPJPY jauh lebih tidak stabil sehingga pasangan lainnya dan karena kita menggunakan spread 5 pips untuk simbol ini yang 8211 seperti yang ditunjukkan oleh bukti di atas 8211 yang paling mungkin terlalu rendah. Meski 5 pips berada di atas rata-rata pasar Oanda yang tersebar untuk simbol ini maka tidak memberi cukup ruang untuk kerugian tambahan akibat selip dan pelebaran. Gambar kedua menunjukkan deviasi ketika dibagi oleh perdagangan dibuka pada jam yang berbeda. Jelas bahwa semua jam tidak sama dan bahkan untuk GBPJPY yang sangat negatif tampaknya ada beberapa jam ketika penyimpangan cenderung positif. Anda juga dapat melihat beberapa kasus di mana penyimpangan sangat positif 8211 misalnya perdagangan GBPUSD dibuka pada jam 8 8211 ini terutama terkait dengan fakta bahwa perdagangan yang dibuka pada jam ini telah menghadapi berita positif secara keseluruhan secara kebetulan dan berpotensi juga menghadapi beberapa hal penting Market moving events seperti Brexit atau kartu flash GBP secara positif. Namun, sepertinya tidak mungkin penyimpangan semacam itu akan bertahan dalam jangka waktu yang sangat lama, karena ini mungkin konsekuensi dari kejadian langka ini yang terjadi pada beberapa strategi daripada yang lain hanya dengan keberuntungan belaka. Saya berharap penyimpangan ini menjadi lebih rendah dan lebih rendah sebagai fungsi waktu, memberi kita kurva yang jauh lebih mulus setelah beberapa tahun melakukan perdagangan. Untuk alasan yang sama ini, kita perlu meluangkan lebih banyak waktu dan mengumpulkan lebih banyak data sebelum kita mempertimbangkan tindakan yang mungkin melibatkan penggunaan informasi ini secara langsung (seperti sistem pertambangan yang diperdagangkan pada jam ketika penyimpangan diharapkan menguntungkan). Hal di atas sudah menunjukkan bahwa biaya penyebaran simulasi mungkin perlu ditingkatkan secara signifikan untuk GBPJPY dan mungkin hanya cukup untuk USDCHF. Ini juga menunjukkan bahwa eksekusi kita bagus di seluruh papan 8211 pada kebanyakan simbol karena sebenarnya 8211 dan bahwa simbol likuiditas yang lebih tinggi menunjukkan penyimpangan yang lebih rendah daripada simbol likuiditas yang lebih rendah (tidak mengherankan karena kenaikan biaya ini sebagian besar terkait dengan penundaan pelaksanaan dan penyebaran pelebaran). Kami sekarang telah mengkodekan beberapa skrip untuk melakukan analisis di atas setiap minggu sehingga kami dapat terus memperbarui tab tentang bagaimana sistem kami dijalankan dan apakah simulasi kita sesuai dengan eksekusi tersebut atau tidak. Jika Anda ingin mempelajari lebih lanjut tentang komunitas kami dan bagaimana Anda juga bisa membuat strategi perdagangan algoritmik Anda, pertimbangkan untuk bergabung dengan Asirikuy. Sebuah situs yang berisi video pendidikan, sistem perdagangan, pengembangan dan pendekatan yang jujur, jujur ​​dan transparan terhadap strategi trading.strategi otomatis.
Dekat-trading-forex-sinyal
Reporting-of-stock-options