Perdagangan-strategi-dengan-etfs-bulanan-rotasi

Perdagangan-strategi-dengan-etfs-bulanan-rotasi

Labview-fpga-moving-average
Options-trading-diary
Pilihan-trading-in-fidelity-ira


Trading-strategy-tester-for-forex-descargar Apa-adalah-leverage-dalam-forex-terms Option-trading-historical-prices Pilihan-biaya perdagangan saham Online-share-trading-comparison-india Simple-moving-average-to-forecast-demand

7 Strategi Perdagangan ETF Terbaik untuk Pemula Dana yang diperdagangkan di bursa (ETFs) sangat ideal untuk memulai investor karena banyak keuntungan mereka menyukai rasio biaya rendah. Likuiditas melimpah Berbagai pilihan investasi, diversifikasi, ambang investasi rendah, dan seterusnya (untuk lebih melihat Keuntungan dan Kerugian ETF). Fitur ini juga menjadikan kendaraan ETF sempurna untuk berbagai strategi perdagangan dan investasi yang digunakan oleh pedagang dan investor baru. Berikut adalah tujuh strategi perdagangan ETF terbaik kami untuk pemula yang disajikan tanpa urutan tertentu. 1. Dollar-Cost Averaging Kita mulai dengan strategi yang paling dasar terlebih dahulu. Rata-rata biaya dolar adalah teknik untuk membeli sejumlah aset tetap dolar tertentu pada jadwal reguler, terlepas dari perubahan biaya aset. Pemula investor biasanya adalah orang muda yang telah bekerja di angkatan kerja selama satu atau dua tahun dan memiliki penghasilan stabil dari mana mereka dapat menghemat sedikit setiap bulannya. Investor semacam itu harus mengambil beberapa ratus dolar setiap bulannya dan bukannya memasukkannya ke dalam rekening tabungan dengan bunga rendah, mereka harus menginvestasikannya di ETF atau sekelompok ETF. Ada dua keuntungan utama investasi periodik tersebut untuk pemula. Yang pertama adalah menanamkan disiplin tertentu pada proses penghematan. Seperti banyak perencana keuangan merekomendasikan, sangat penting untuk membayar diri Anda terlebih dahulu. Apa yang Anda capai dengan menabung secara teratur. Yang kedua adalah dengan menginvestasikan jumlah dolar tetap yang sama di ETF setiap bulan dengan premis dasar fitur rata-rata biaya dolar, Anda akan mengumpulkan lebih banyak unit ketika harga ETF rendah dan unit yang lebih sedikit ketika harga ETF tinggi, sehingga rata-rata mengeluarkan biaya Dari kepemilikan Anda Seiring waktu, pendekatan ini bisa melunasi mahal, selama satu menempel pada disiplin. Misalnya, Anda telah menginvestasikan 500 pada setiap bulan pertama dari bulan September 2012 sampai Agustus 2015 di SPDR SampP 500 ETF (SPY). Sebuah ETF yang melacak indeks SampP 500. Jadi, ketika unit SPY diperdagangkan pada 136,16 pada bulan September 2012, 500 akan menarik Anda 3,67 unit, namun tiga tahun kemudian, ketika unit diperdagangkan mendekati 200, investasi bulanan sebesar 500 akan memberi Anda 2,53 unit. Selama periode tiga tahun Anda akan membeli total 103,79 unit SPY (berdasarkan harga penutupan yang disesuaikan dengan dividen dan perpecahan). Pada harga penutupan 210,59 pada 17 Agustus 2015, unit-unit ini akan bernilai 21.857,14, untuk rata-rata pengembalian tahunan hampir 13. 2. Alokasi Asset Allocation Asset. Yang berarti mengalokasikan sebagian portofolio ke berbagai kategori aset seperti saham, obligasi, komoditas dan uang tunai untuk tujuan diversifikasi, adalah alat investasi yang hebat. Ambang investasi yang rendah untuk sebagian besar ETFsgenerally sesedikit 50 per bulan membuat mudah bagi pemula untuk menerapkan strategi alokasi aset dasar, tergantung pada cakrawala waktu investasinya dan toleransi risiko. Sebagai contoh, investor muda dapat diinvestasikan dalam ETF ekuitas ketika mereka berusia 20-an karena cakrawala waktu investasi yang panjang dan toleransi risiko tinggi. Tapi saat memasuki usia 30-an dan memulai perubahan siklus hidup utama seperti memulai keluarga dan membeli rumah, mereka mungkin beralih ke campuran investasi yang kurang agresif seperti 60 di ETF ekuitas dan 40 di ETF obligasi. 3. Swing Trading Swing trading adalah perdagangan yang berusaha memanfaatkan ayunan saham atau instrumen lain seperti mata uang atau komoditas. Mereka bisa pergi dari beberapa hari ke beberapa minggu untuk menyelesaikannya, tidak seperti perdagangan hari yang jarang dibuka semalam (lihat Pro amp Cons Perdagangan Hari Perdagangan Vs Swing). Atribut ETF yang membuat mereka cocok untuk perdagangan ayunan adalah diversifikasi dan spread bidaskenya yang ketat. Selain itu, karena ETF tersedia untuk berbagai kelas investasi dan berbagai sektor, seorang pemula dapat memilih untuk menukar ETF yang didasarkan pada kelas sektor atau aset dimana dia memiliki keahlian atau pengetahuan tertentu. Misalnya, seseorang dengan latar belakang teknologi mungkin memiliki keuntungan dalam memperdagangkan teknologi ETF seperti PowerShares QQQ Trust Series 1 (QQQ). Yang melacak Nasdaq-100, atau iShares U.S. Technology ETF (IYW). Seorang pedagang pemula yang secara ketat melacak pasar komoditas mungkin lebih memilih untuk menukar salah satu dari banyak ETF komoditas yang tersedia, seperti PowerShares DB Commodity Index Tracking Fund (DBC). Karena ETF biasanya keranjang saham atau aset lainnya, mereka mungkin tidak menunjukkan tingkat pergerakan harga ke atas yang sama dengan satu saham di pasar bull. Tapi dengan cara yang sama, diversifikasi mereka juga membuat mereka kurang rentan dibandingkan saham tunggal ke pergerakan turun yang besar. Ini memberikan beberapa perlindungan terhadap erosi modal, yang merupakan pertimbangan penting bagi pemula. 4. ETF Rotasi Sektor juga mempermudah para pemula untuk melakukan rotasi sektor. Berdasarkan berbagai tahapan siklus ekonomi (lihat Rotasi Sektor: The Essentials). Sebagai contoh, anggap seorang investor telah diinvestasikan di sektor bioteknologi melalui ETIS Bioteknologi Nasdaq (IBB). Dengan total pengembalian 327 selama lima tahun sebelumnya (per 21 Agustus 2015), investor mungkin ingin mengambil keuntungan dalam ETF ini dan diputar ke sektor yang lebih defensif seperti konsumen (berdasarkan pada premis bahwa pasar ekonomi dan bull Siklus sudah diperpanjang sampai Agustus 2015). Hal ini dapat dengan mudah dilakukan dengan membeli ETF seperti Consumer Staples AlphaDEX Fund (FXG). 5. Short Selling Short selling. Penjualan keamanan pinjaman atau instrumen keuangan, biasanya merupakan usaha yang cukup berisiko bagi sebagian besar investor dan karenanya bukan hal yang paling harus dilakukan oleh pemula (lihat Bagaimana Berencana Adalah Penjualan yang Buruk). Namun, short selling melalui ETF lebih baik untuk mengkonsors saham individual karena risiko short dari short squeeze - skenario perdagangan di mana sebuah keamanan atau komoditas yang telah mengalami korsleting lebih cepat - serta biaya pinjaman yang jauh lebih rendah. (Dibandingkan dengan biaya yang dikeluarkan untuk mencoba short stock dengan bunga pendek yang tinggi). Pertimbangan mitigasi risiko ini penting bagi seorang pemula. Penjualan pendek melalui ETF juga memungkinkan trader untuk memanfaatkan tema investasi yang luas. Dengan demikian, seorang pemula tingkat lanjut (jika ada oksimoron yang jelas) yang terbiasa dengan risiko korsleting dan ingin memulai posisi pendek di pasar negara berkembang dapat melakukannya melalui iShares MSCI Emerging Markets ETF (EEM). Namun, perlu diketahui bahwa kami sangat menyarankan agar para pemula menjauh dari ETF terbalik berlipat ganda atau leverage. Yang mencari hasil sama dengan dua atau tiga kali kebalikan dari perubahan harga satu hari dalam indeks, karena tingkat risiko yang jauh lebih tinggi yang melekat pada ETF ini. (Untuk lebih lanjut, lihat ETF Penjualan Pendek oleh Investasi Fidelity.) 6. Pertaruhan Terhadap Tren Musiman ETF juga merupakan alat yang baik bagi pemula untuk memanfaatkan tren musiman. Mari kita pertimbangkan dua tren musiman yang terkenal. Yang pertama disebut menjual pada bulan Mei dan pergi fenomena. Ini mengacu pada fakta bahwa ekuitas A.S. secara historis sedang dilakukan selama periode enam bulan bulan Mei-Oktober, dibandingkan dengan periode November-April. Tren musiman lainnya adalah kecenderungan emas untuk menguat pada bulan September dan Oktober, berkat permintaan yang kuat dari India menjelang musim pernikahan dan festival lampu Diwali, yang biasanya turun antara pertengahan Oktober dan pertengahan November. Kecenderungan kelemahan pasar yang luas dapat dimanfaatkan dengan mengendurkan SPDR SampP 500 ETF (SPY) sekitar akhir April atau awal bulan Mei, dan menutup posisi short pada akhir Oktober, tepat setelah pasar swam khas bulan tersebut telah terjadi. . Seorang pemula juga bisa memanfaatkan kekuatan emas musiman dengan membeli unit ETF emas yang populer, seperti SPDR Gold Trust (GLD) atau Comex Gold Trust (IAU). Di akhir musim panas dan menutup posisi setelah beberapa bulan. Perhatikan bahwa tren musiman tidak selalu terjadi seperti yang diperkirakan, dan stop-loss umumnya direkomendasikan untuk posisi perdagangan semacam itu untuk menutupi risiko kerugian besar. 7. Hedging Seorang pemula kadang-kadang perlu melakukan lindung nilai atau melindungi terhadap risiko penurunan dalam portofolio substansial, mungkin yang telah diperoleh sebagai hasil warisan. Misalnya, Anda telah mewarisi portofolio chip biru A.S. yang cukup besar dan khawatir dengan risiko penurunan yang besar dalam ekuitas A.S. Salah satu solusinya adalah dengan membeli opsi put. Namun, karena kebanyakan pemula tidak terbiasa dengan strategi perdagangan opsi, strategi alternatif adalah untuk memulai posisi short di ETF pasar luas seperti SPDR SampP 500 (SPY) atau SPDR Dow Jones Industrial Average Unit Seri 1 (DIA). Jika pasar menurun seperti yang diharapkan, posisi ekuitas blue chip Anda akan dilindung nilai secara efektif karena penurunan portofolio Anda akan diimbangi oleh kenaikan dalam posisi ETF yang singkat. Perhatikan bahwa keuntungan Anda juga akan dibatasi jika pasar bergerak maju, karena keuntungan dalam portofolio Anda akan diimbangi oleh kerugian dalam posisi ETF yang pendek. Namun demikian, ETF menawarkan metode lindung nilai yang relatif mudah dan efisien. The Bottom Line Exchange-traded funds memiliki banyak fitur yang menjadikannya instrumen ideal untuk memulai trader dan investor. Beberapa strategi perdagangan ETF yang sangat sesuai untuk pemula adalah rata-rata biaya dolar, alokasi aset, perdagangan ayunan, rotasi sektor, short selling, tren musiman dan lindung nilai. Teori ekonomi tentang pengeluaran total dalam perekonomian dan pengaruhnya terhadap output dan inflasi. Ekonomi Keynesian dikembangkan. Kepemilikan aset dalam portofolio. Investasi portofolio dilakukan dengan harapan menghasilkan laba di atasnya. Ini. Rasio yang dikembangkan oleh Jack Treynor bahwa langkah-langkah pengembalian yang diperoleh melebihi yang bisa diperoleh tanpa risiko. Pembelian kembali saham beredar (repurchase) oleh perusahaan untuk mengurangi jumlah saham yang beredar di pasaran. Perusahaan. Pengembalian pajak adalah pengembalian pajak yang dibayarkan kepada individu atau rumah tangga bila kewajiban pajak sebenarnya kurang dari jumlah tersebut. Nilai moneter semua barang jadi dan jasa yang dihasilkan dalam batas negara dalam jangka waktu tertentu. Strategi dan Strategi Perdagangan Model dan Strategi Perdagangan Lainnya Strategi Koreksi CCI Strategi yang menggunakan CCI mingguan untuk mendikte bias trading dan CCI harian untuk menghasilkan Sinyal perdagangan CVR3 VIX Market Timing Dikembangkan oleh Larry Connors dan Dave Landry, ini adalah strategi yang menggunakan pembacaan terlalu banyak dalam Indeks Volatilitas CBOE (VIX) untuk menghasilkan sinyal jual dan beli strategi Strategi Sampling 500 Gap Berbagai strategi untuk perdagangan berdasarkan pembukaan Kesenjangan harga Ichimoku Cloud Strategi yang menggunakan Ichimoku Cloud untuk mengatur bias trading, mengidentifikasi koreksi dan sinyal titik balik jangka pendek Moving Momentum Strategi yang menggunakan tiga langkah proses untuk mengidentifikasi tren, menunggu koreksi dalam tren itu dan kemudian mengidentifikasi Pembalikan yang menandakan berakhirnya koreksi Narrow Range Day NR7 Dikembangkan oleh Tony Crabel, hari sempit Rategy mencari kisaran kontraksi untuk memprediksi rentang ekspansi. Kode pemindaian lanjutan mencakup tweak strategi ini dengan menambahkan kualifikasi Aroon dan CCI Persen di atas strategi SMA 50 hari yang menggunakan indikator luas, persen di atas rata-rata pergerakan 50 hari, untuk menentukan nada pasar yang luas dan mengidentifikasi koreksi Pre- Efek Holiday Bagaimana pasar telah melakukan sebelum liburan utama AS dan bagaimana hal itu dapat mempengaruhi keputusan perdagangan. RSI2 Gambaran umum Larry Connors039 adalah strategi pengembalian yang rata-rata menggunakan Strategi Perdagangan Rotasi Sektor RSI Faber039 berdasarkan riset dari Mebane Faber, strategi rotasi sektor ini membeli sektor dengan kinerja terbaik dan saldo ulang sekali per bulan Siklus Siklus Enam Bulan Dikembangkan oleh Sy Harding , Strategi ini menggabungkan siklus banteng enam bulan dengan sinyal MACD untuk timing Stochastic Pop and Drop Dikembangkan oleh Jake Berstein dan dimodifikasi oleh David Steckler, strategi ini menggunakan Average Directional Index (ADX) dan Stochastic Oscillator untuk mengidentifikasi harga muncul dan breakout Slope Trend Kinerja Menggunakan indikator kemiringan untuk mengukur tren jangka panjang dan mengukur kinerja relatif untuk digunakan dalam strategi perdagangan dengan sembilan sektor SPDR Swing Charting Apa itu Swing Trading dan bagaimana penggunaannya terhadap keuntungan dalam kondisi pasar tertentu Tren Kuantifikasi dan Alokasi Aset Artikel ini menunjukkan bagan bagaimana menentukan pembalikan tren jangka panjang sebagai proses dengan merapikan pr Data es dengan empat Osilator Persentase Harga berbeda. Chartists juga dapat menggunakan teknik ini untuk mengukur kekuatan tren dan menentukan alokasi aset. Mengembangkan Strategi Rotasi Menggunakan ETF Sangat Diversifikasi Saat meneliti internet akhir pekan lalu untuk meneliti beberapa strategi rotasi ETF, saya menemukan sebuah situs bernama Vector Grader (yang penulis tidak berafiliasi ) Yang mempresentasikan strategi untuk berputar di antara beragam koleksi ETF berdasarkan kinerja harga sebelumnya. Saya telah menguji sistem semacam itu di blog saya dan baru-baru ini menerbitkan sebuah artikel yang menyediakan analisis tentang jenis sistem perdagangan ini. ETFs dalam strategi Vector Grader, bagaimanapun, jauh lebih beragam daripada sistem yang pernah saya uji sebelumnya. Strategi rotasi yang berhasil pada kelompok ETF yang sangat beragam sulit ditemukan karena perbedaan volatilitas ETF yang mendasarinya. Namun, dengan menerapkan faktor kompensasi volatilitas pada ETF ini, saya dapat mengembangkan strategi rotasi yang didukung dengan hasil yang berhasil: Total pengembalian lebih dari 500 sejak 1 Januari 2007 CAGR lebih dari 26 penarikan maksimum hanya 13,2 rasio Sharpe 1,51 Linearitas Dari 8,1 rasio pertumbuhan 3,11. Dua nilai terakhir ini adalah metrik khusus yang penulis gunakan untuk mengevaluasi backtests sistem perdagangan. Keranjang ETF Situs Vector Grader mengusulkan perdagangan ETF berikut dalam strategi rotasi bulanan: IWM. IShares Russell 2000 ETF (ekuitas kecil AS ekuitas) IVV. IShares SampP 500 saham besar AS) PUS. IShares MSCI EAFE Index (ekuitas internasional) ICF. IShares Cohen amp Steever Realty Majors (real estat) DBC. PowerShares DB Komoditi (komoditas) VWO. Vanguard FTSE Emerging Markets (pasar negara berkembang) IAU. IShares Gold Trust (emas) TLT. IShares 20 Treasury (obligasi AS yang berjangka panjang) SHY. IShares 1-3 Tahun Treasury (obligasi pendek) Untuk pengujian yang dijelaskan dalam artikel ini, data harga yang disesuaikan dengan dividen untuk semua ETF ini telah diunduh melalui Yahoo Finance ke dalam spreadsheet Excel. Untuk kemudahan, harga bulanan digunakan. Masalah dengan keragaman Hal pertama yang diteliti penulis adalah rata-rata standar deviasi harga rata-rata untuk ETF ini. Nilai ini bervariasi secara luas seperti yang ditunjukkan pada tabel di bawah ini: Strategi rotasi untuk menghasilkan sinyal beli di antara ETF ini akan mengalami masalah dalam menghitung berbagai volatilitas. Apa yang mungkin tampak seperti ayunan harga yang besar untuk IVV atau TLT mungkin tidak biasa bagi ICF atau VWO. Dengan kata lain, sulit menciptakan seperangkat aturan yang berlaku untuk semua ETF di keranjang untuk menghasilkan sinyal rotasi yang andal. Kompensasi Volatilitas terhadap Penyelamatan Volatilitas ETF yang mendasar dapat dan harus dikompensasikan. Sebuah algoritma sederhana dikembangkan oleh penulis. Rata-rata deviasi standar rata-rata setiap ETF (ETF volatility) dihitung. Fluktuasi ETF semuanya rata-rata memberikan volatilitas total. Dengan membagi volatilitas total oleh volatilitas ETF masing-masing ETF, faktor kompensasi volatilitas masing-masing dihitung untuk setiap ETF. Misalnya, volatilitas IWM ditentukan menjadi 20,88 selama periode backtest. Rata-rata semua volatilitas semua ETF (kecuali SHY) adalah 21,38. Dengan demikian, faktor kompensasi volatilitas IWM adalah 21,38 20,88 1,02. Faktor ICF adalah 0,71, mencerminkan volatilitas yang lebih tinggi dari rata-rata, dan faktor untuk TLT adalah 1,48, mencerminkan volatilitas yang lebih rendah dari rata-rata. SHY dikecualikan dari kompensasi karena dimaksudkan untuk bertindak sebagai pemberhentian uang tunai dan bukan bagian dari rotasi. Dengan menggunakan faktor kompensasi volatilitas dalam sistem rotasi. Sistem rotasi ETF penulis didasarkan pada pembelian ETF yang memiliki kinerja harga terbaik selama periode waktu tertentu. Penulis artikel terbaru membahas periode lookback 85 hari. Salah satu penulis posting blog membahas periode lookback tiga bulan. Dalam sistem yang diusulkan dari artikel ini, penulis menghitung kinerja harga 1 bulan, 3 bulan, dan 6 bulan, serta volatilitas 6 bulan, dan membobot masing-masing untuk menghasilkan peringkat total untuk setiap ETF. Penulis kemudian menerapkan analisis skenario, yang dibahas di bawah ini, untuk menentukan berapa banyak dari keempat faktor ini harus dihitung dalam menghitung rangking total. Dalam menghitung nilai kinerja, penulis mengandalkan logaritma natural kinerja harga. Misalnya, kinerja harga 1 bulan adalah log alami dari rasio harga bulan ini terhadap harga bulan lalu. Kinerja 3 bulan adalah jumlah pertunjukan log 1 bulan selama tiga bulan sebelumnya. Demikian pula, kinerja 6 bulan adalah jumlah dari kinerja log 1 bulan selama 6 bulan sebelumnya. Terakhir, volatilitas 6 bulan adalah standar deviasi dari 6 bulan sebelumnya dari kinerja log 1 bulan. Faktor kompensasi volatilitas ikut bermain dengan menyesuaikan kinerja log 1 bulan. Penulis hanya melipatgandakan kinerja log masing-masing 1 bulan dari masing-masing ETF dengan faktor kompensasi volatilitas masing-masing. Hasilnya adalah bahwa volatilitas kinerja log 1 bulan kompensasi dari semua ETF sama. Sebagai contoh, pada bulan Desember 2006, kinerja logOpen 1 bulan VWO adalah -0.00937. Faktor kompensasi volatilitas untuk VWO adalah 0,81 karena volatilitasnya yang lebih tinggi. Kinerja log 1 bulan dikalikan dengan nilai ini untuk menguranginya menjadi -0.00758, yang secara efektif menurunkan volatilitas rata-rata. Bila kinerja log 1 bulan dari semua ETF disesuaikan dengan cara ini, mereka semua menunjukkan volatilitas yang sama persis. Dengan menggunakan data kompensasi, sekarang strategi rotasi yang sesuai bisa diterapkan. Penerapan sistem ke data kompensasi Sistem ini menentukan kinerja 1 bulan, 3 bulan, dan 6 bulan yang volatilitas, serta volatilitas 6 bulan dari masing-masing ETF. Masing-masing parameter ini berada di peringkat 1 sampai 9 dengan menggunakan fungsi Excel RANK. Rangking ini dibobot dan ditambahkan untuk sampai pada peringkat akhir sebagai berikut: Peringkat kinerja 1 peringkat 1 Weight2 peringkat kinerja 3 bulan Weight3 rambu kinerja 6 bulan Level 4 volatilitas 6 bulan Total Rank. ETF peringkat teratas dibeli dan ditahan selama satu bulan. Pada akhir bulan, nilai-nilai dikalkulasi ulang dan sebuah sinyal baru diberikan. Dari 90 bulan, sinyal tetap sama sebanyak 44 kali. Sembilan kali ada dasi untuk ETF teratas dalam kasus tersebut, sama-sama saham dolar dari kedua ETF dibeli. Analisis skenario: hasilnya Bobot yang harus diberikan pada masing-masing dari empat parameter kinerja (kinerja 1 bulan, 3 bulan, 6 bulan dan volatilitas 6 bulan) menciptakan masalah optimasi 4 dimensi. Alih-alih mencoba mengoptimalkan sistem dengan maksimal, penulis berusaha untuk mencoba beberapa skenario sederhana dan melihat apa yang muncul. Penulis mencari tiga hal: tingkat pengembalian yang tinggi, risiko rendah, dan iii kinerja berprinsip di seluruh parameter. Jika hanya satu set bobot kecil yang menyediakan sistem yang bagus, maka akan diragukan lagi bahwa sistem akan terus melakukannya di masa depan. Namun, jika sistem tersebut berjalan dengan baik dalam berbagai bobot, maka akan meningkatkan kemungkinan sistem akan terus tampil di masa depan. Berikut adalah hasil skenario dari beberapa bobot yang berbeda: Skenario pengujian strategi rotasi penulis Perhatikan bahwa penarikan sistem bahkan kurang dari ETF TLT long bond. Berikut adalah kinerja sistem berdasarkan analisis penulis yang digambarkan pada skala log dibandingkan dengan kurva pertumbuhan ideal. Sistem memeluk kurva ideal dengan ketat, menunjukkan hasil yang konsisten dari tahun ke tahun. Parameter khusus penulis untuk rasio linieritas dan pertumbuhan mencoba untuk mengukur seberapa jauh kurva ekuitas sistem menyimpang dari kurva pertumbuhan eksponensial (compounded) yang sempurna. Intensitas 8,38 adalah kuadrat rata-rata akar dari perbedaan antara dua kurva ini dan sangat rendah dibandingkan dengan sistem lain yang telah diuji oleh penulis ini. Rasio pertumbuhannya adalah CAGR dibagi dengan linearitas. Ini lebih dari 3, yang juga sangat tinggi. Keranjang ETF yang beragam dapat digunakan dalam strategi rotasi jika strategi tersebut mengkompensasi varians volatilitasnya. Strategi yang dibahas di atas memberikan tingkat pengembalian yang tinggi dengan risiko rendah selama periode backtest. Data untuk ETF ini terbatas pada akhir tahun 2006 dan menghasilkan waktu backtest yang relatif singkat hanya tujuh tahun. Ini meninggalkan beberapa pertanyaan mengenai ketahanan sistem ini dari waktu ke waktu. Penulis dapat menyelidiki apakah reksa dana sejenis memiliki data pada tahun 1990an untuk pengujian lebih lanjut terhadap sistem rotasi ETF yang beragam dan volatilitas. Pengungkapan: Saya adalah SSO yang panjang. Saya menulis artikel ini sendiri, dan ini mengungkapkan pendapat saya sendiri. Saya tidak menerima kompensasi untuk itu (selain dari Seeking Alpha). Saya tidak memiliki hubungan bisnis dengan perusahaan yang sahamnya disebutkan dalam artikel ini. Tentang artikel ini: Memperbaiki Model Perdagangan Rotasi ETF Sederhana Pada artikel minggu lalu yang berjudul, 8220Backtesting Sistem Rotasi ETF Dasar di Excel Free Download 8220, Dan menghadirkan model perdagangan rotasi sederhana yang dapat diterapkan oleh seseorang dengan sedikit pengetahuan di Excel. Yang saya sukai dari model trading seperti ini adalah kesederhanaan. Seringkali kesederhanaan mengalahkan komplikasi. Sistem sederhana seringkali memiliki satu karakteristik penting. Mereka sering mengeluarkan Anda dari pasar saat pasar beruang dan membuat Anda kembali naik siklus banteng berikutnya. Artinya, jika Anda cukup disiplin untuk benar-benar mengikuti peraturan, yang tentunya merupakan keseluruhan topik lainnya. Apakah model perdagangan yang disajikan sempurna Tentu saja tidak. Melihat kurva ekuitas itu tidak terlalu mulus. Ini secara pribadi bukan sesuatu yang akan saya jual. Namun, semoga artikel ini memberi Anda beberapa gagasan tentang apa yang mungkin dilakukan dengan hanya menggunakan Excel. Pada titik ini saya ingin melihat apakah kita dapat membuat beberapa perbaikan dalam model perdagangan. Alih-alih menggunakan Excel I8217m akan menggunakan layanan backtesting on-line yang disebut ETFReplay. Layanan web ini memungkinkan Anda membuat model perdagangan dan mendukungnya dalam portofolio ETF. Situs web mengenakan biaya bulanan untuk menggunakan layanan mereka, namun sangat masuk akal. Akan jauh lebih cepat bagi saya untuk menguji perubahan saya menggunakan layanan ini daripada menggunakan Excel. Ini adalah layanan yang sama yang digunakan saat membuat portofolio Ivy-10. Pertama, saya akan menciptakan portofolio asli Dan8217 dengan ETFReplay untuk melihat apakah kita mendapatkan hasil yang serupa. Sebagai pengingat, berikut adalah kurva ekuitas asli dari artikel. Model perdagangan adalah garis ekuitas biru. Baseline Excel Based Model (Garis Biru) Berikut adalah hasil model yang sama dibuat di ETFReplay. Garis ekuitas hijau adalah model perdagangan kami sementara garis biru adalah SPY (baseline). ETFReplay Based Model (garis hijau) Seperti yang Anda lihat, garis ekuitas tampak sangat mirip. Versi ETFReplay tidak berakhir lebih tinggi karena kenyataan backtest saya berjalan sepanjang tahun 2014. Ini memberi saya keyakinan bahwa model Excel dan model ETF identik dalam logika perdagangan. Membuat Baseline Saya akan menggunakan hasil ETFReplay sebagai dasar kami untuk membandingkan hasil masa depan kami. Untuk melakukan ini, kita memerlukan segmen data dalam sampel untuk diuji. Tanggal tersebut akan melalui tahun 2012. Ini memberi kami lebih dari 100 perdagangan untuk segmen data sampel kami. Hasil baseline kami ada di bawah. Dalam Contoh Baseline 8211 Klik Untuk Memperbesar Dalam Hasil Baseline Sampel 8211 Klik Untuk Memperbesar Modifikasi 1: Diversifikasi dan Filter Trend Ketika saya melihat penarikan (31,4) dan melihat kurva ekuitas model asli, kita dapat melihatnya tidak terlalu mulus. Ada ayunan besar. Lihatlah mengintip besar di tahun 2011 yang turun drastis. Saya ingin menghaluskannya. Untuk melakukan ini, saya akan menggunakan beberapa gagasan dari model rotasi Ivy-10. Pertama, alih-alih hanya berdagang hanya peringkat teratas ETF I8217m yang akan memilih dua top. Ini akan memberikan beberapa diversifikasi karena tingkat pengembalian kita bisa didasarkan pada satu ETF. Selanjutnya, I8217m akan menambahkan filter simple moving average (SMA) 5 bulan. Ini adalah panjang filter yang sama yang digunakan pada Ivy-10. Menambahkan filter SMA ini akan memaksa model perdagangan untuk hanya membeli ETF saat ia mengalami pasar bull. Untuk backtest kami ETF SHY akan dibeli jika ETF peringkat teratas tidak dapat dibeli karena berada di bawah filter SMA. SHY adalah Barclays Low Treasury Treasury. Ini akan menjadi setara kas kita. Singkatnya, kami mengubah kedua pengaturan ini: Membeli dua ETF terbaik yang melakukan pembelian hanya jika ETF diperdagangkan di atas rata-rata pergerakan sederhana 5 bulan Berikut adalah hasil saat menambahkan dua perubahan kami. Dalam Modifikasi Sampel 1 8211 Klik Untuk Memperbesar Dalam Modifikasi Sampel 1 Hasil 8211 Klik untuk Memperbesar Ini adalah perbaikan besar karena kita melihat kelancaran kurva ekuitas. Kita bisa melihat ini dalam penarikan yang berlangsung dari 31 menjadi hanya 17. Perhatikan pengembalian tahunan juga meningkat dari 13 menjadi 16. Ada satu modifikasi lain yang ingin saya buat. Modifikasi 2: Menyesuaikan Skor Skor Skor peringkat adalah metode yang kami gunakan untuk menentukan peringkat kinerja setiap ETF untuk menentukan kinerja terbaik. Sistem dasar hanya menghitung pengembalian 5 bulan. Dalam studi masa lalu, saya menemukan bahwa menggunakan periode jangka pendek dan periode jangka panjang dapat membantu memperbaiki kinerja sistem secara keseluruhan. Dengan demikian, saya ingin memperluas metode pemeringkatan dengan melihat pengembalian 3 bulan (1 triwulan) dan pengembalian 20 hari (1 bulan perdagangan). Saya hanya mengambil rata-rata dua nilai tersebut untuk menghasilkan skor peringkat. Menerapkan perubahan sederhana ini menghasilkan hasil berikut pada segmen data sampel kami. Dalam Modifikasi Sampel 2 8211 Klik Untuk Memperbesar Dalam Modifikasi Sampel 2 Hasil 8211 Klik untuk Memperbesar Ini menghasilkan kenaikan sekitar 1 dalam pengembalian tahunan namun tidak melakukan apa pun untuk mengubah penarikan maksimum. Hasil Sampingan Sampel Sekarang, mari menerapkan model baru kami pada hasil di luar sampel kami. Hasil out-of-sample akan berakhir pada tanggal 31 Desember 2014. Tampaknya kami membuat ekuitas baru tertinggi. Untuk tahun 2013 dan 2014 model perdagangan mengembalikan imbal hasil masing-masing 12,9 dan 4,4. Kita bisa melihat CAGR terakhir kita adalah 15,9 dan penarikan maksimum kita tinggal di 17,6. Kesimpulan Dengan sedikit modifikasi kecil, kita bisa memperbaiki model perdagangan ini sampai pada titik di mana sebenarnya bisa diperdagangkan dengan uang sungguhan. Pada titik ini, saya merasa ada cukup banyak perdagangan di segmen di luar sampel. Perhatikan hasil sampel kami terdiri dari 170 dan total out-of-sample kami memiliki total 202 transaksi. Ini berarti kita hanya memiliki sekitar 32 perdagangan di segmen data di luar sampel. Akan lebih baik jika ada lebih banyak perdagangan yang masuk dan itu berarti kita duduk ketat dan menonton model ini setidaknya satu tahun lagi. Tentang Penulis Jeff Swanson Jeff adalah pendiri System Trader Success - sebuah majalah inBox yang didedikasikan untuk berbagi gagasan dan konsep hebat dari dunia sistem perdagangan otomatis. Baca selengkapnya Google
Non-qualified-stock-options-wiki
Options-auto-trading-service