Andrei malkov forex trading

Eu leio com interesse um documento mais antigo. Os Modelos de Mudança de Markov podem prever o Excesso de Devoluções de Câmbio por Dueker e Neely do Federal Reserve Bank of St. Louis. Tenho um gosto por modelos de Markov escondidos devido ao seu grande sucesso nas aplicações de reconhecimento de fala, mas confesso que nunca consegui criar um modelo HMM que superasse os indicadores técnicos simples. Eu culpo que tanto a minha própria falta de criatividade quanto o fato de a HMM terem muitos parâmetros que precisam ser ajustados aos dados históricos, o que o torna vulnerável ao viés de bisbilhotagem dos dados. Por isso, aproximei este artigo com a grande esperança de que os especialistas possam me ensinar a aplicar o HMM corretamente para financiar. O objetivo do modelo é simples: prever o excesso de retorno de uma taxa de câmbio ao longo de um período de 8 dias. (O retorno excessivo neste contexto é medido pela variação da taxa de câmbio menos o diferencial de taxa de juros entre a base e as moedas de cotação do par de moedas). Se o excesso esperado for maior do que um limite (chamado filtro no papel) Então vá por muito tempo. Se for inferior a um outro limiar, fique curto. Embora a previsão esteja em um retorno de 8 dias, a decisão de negociação é feita diariamente. O excesso de retorno é assumido como tendo uma distribuição de Student-t de 3 parâmetros. Os 3 parâmetros são a média, o grau de liberdade e a escala. O parâmetro de escala (que controla a variância) pode alternar entre um valor alto e baixo com base em um modelo de Markov. O grau de liberdade (que controla a curtose, a. k.a. espessura das caudas) também pode alternar entre 2 valores com base em outro modelo de Markov. A média é linearmente dependente dos valores assumidos pelo grau de liberdade e a escala, bem como outra variável de Markov que alterna entre 2 valores. Portanto, a média pode assumir 8 valores distintos. Os 3 modelos de Markov são independentes. A distribuição do aluno-t é mais apropriada para os retornos financeiros de modelagem do que a distribuição normal, devido à permissão para caudas pesadas. Os autores também acreditam que este modelo captura o intervalo entre períodos de alta e baixa volatilidade, com a conseqüente mudança de preferência (diferentes retornos médios) para moedas seguras versus arriscadas, um fenômeno bem demonstrado no período entre agosto de 2017 a janeiro de 2017. Os parâmetros dos modelos de Markov e as distribuições do aluno-t são estimados no período na amostra (1974-1981) para cada par de moedas, a fim de minimizar o desvio acumulado dos retornos em excesso de zero. Há um total de 14 parâmetros a serem estimados. Após essas estimativas, também precisamos estimar os 2 limiares de negociação ao maximizar o retorno na amostra da estratégia de negociação, assumindo custos de transação de 10 pontos base por comércio. Com este grande número (16 no total) de parâmetros, receio ver os resultados fora da amostra (1982-2005). Incrível, estes são muito melhores do que eu esperava: os rendimentos anualizados variam de 1,1 a 7,5 para 4 principais pares de moedas. Os índices de Sharpe não são tão impressionantes: variam de 0,11 a 0,71. Claro, quando os pesquisadores relatam resultados fora da amostra, deve-se tomar isso com um grão de sal. Se os resultados fora da amostra não fossem bons, eles não estariam informando deles, e eles teriam mudado o modelo subjacente até que sejam obtidos resultados fora da amostra. Portanto, é realmente para nós implementar esse modelo, aplicá-lo Para dados após 2005 e para mais pares de moedas, para descobrir se existe realmente algo aqui. Na verdade, essa é a razão pela qual eu prefiro ler papéis mais antigos - para permitir a possibilidade de testes verdadeiros fora da amostra imediatamente. O que você acha que pode ser feito para melhorar este modelo, eu suspeito que, como primeiro passo, pode-se ver se os estados estimados de Markov correspondem razoavelmente ao que os comerciantes consideram como regimes de risco ou de risco. Se o fizerem, independentemente do uso desse modelo como gerador de sinal, ele pode pelo menos gerar bons indicadores de risco. Caso contrário, talvez o modelo de Markov oculto precise ser substituído por um modelo de Markov que esteja condicionado a indicadores observáveis. 35 comentários: você recebeu um erro de digitação no título do documento. A palavra quotreservesquot deve ser substituída por retornos. Cara, fiquei muito confuso quando vi o título de que escreveu, estava pensando, por que na Terra alguém se preocuparia com a previsão de excesso de reservas de divisas. Seu comentário sobre quotout de testes de amostra em documentos de pesquisa não está realmente sendo tão fora de amostra É um ponto em que eu não acho que muitas pessoas entendem o problema que você levantou, e acho que esse é um ponto muito importante. Aagold, obrigado por apontar isso. Na verdade, o erro de digitação estava na pré-impressão original, e por isso eu copiei Ernie Ernie, para não questionar suas capacidades de quant, mas você está sugerindo seriamente um modelo com que muitos parâmetros se encaixam tem alguma aplicabilidade à negociação, eu digo isso como comerciante de quant Com mais de 14 anos de experiência na indústria e executando minha própria empresa intermediária. Para mim, este artigo é absoluto nonesense e os ratios de Sharpe mencionados são muito baixos, mesmo em seu próprio quotout de backtests da amostra para justificar a tomada desse papel a sério. AsiaProp, na verdade, os 16 parâmetros não são tantos como eles soam. 14 deles são para ajustar a própria série de tempo: são independentes da estratégia de negociação. Apenas 2 dos parâmetros são usados ​​para otimizar o retorno da estratégia. Os índices de Sharpe relatados na pesquisa acadêmica são quase sempre baixos. Se forem altos, eles não serão publicados. Nosso trabalho como comerciantes é levar essas pesquisas como inspiração e ajustá-las em estratégias práticas. Obrigado novamente por todo seu trabalho duro. No topo do seu blog e livro, ganhei uma ótima visão apenas lendo suas conversas com outros comentaristas em seu site. Em um tópico de comentários anterior do outro dia, você mencionou que uma grande parcela de seus retornos em 2017 veio de estratégias de reversão média no mercado FX. Eu estava pensando se você emprega qualquer tipo de modelo de mudança de regime em sua negociação FX para determinar se você quer ser alocado principalmente em suas estratégias de momentum ou reversão média Zack, Não, eu não usei nenhum modelo de mudança de regime. Nunca encontrei que esses modelos funcionassem fora da amostra. Ernie Você leu este artigo antes, qualquer comentário Olá Anon, Não, eu não vi esse artigo, mas colocarei isso na minha lista de leitura. Além disso, Chris Neely, o autor do artigo que descrevi, me mencionou esse outro documento relevante: E seu site: apenas falando de uma perspectiva acadêmica, em vez da HMM simples, talvez algo parecido com o Modelo de Máxima Entropia de Markov Oculto, pode funcionar melhor. Dave, por que você acha que a entropia máxima funciona bem. Parece ser apenas outro método para estimar a Parâmetros. Ernie não tenho evidências empíricas e a previsão financeira não é realmente minha área de especialização. É só isso em minhas poucas tentativas de usar o aprendizado da máquina para previsões financeiras, eu aprendi que a quantidade de ruído tende a inundar todas as tendências que o mercado possa ter. Como resultado, a maioria dos alunos tende a ter um desempenho realmente ruim, possivelmente devido ao excesso de ajuste aos dados de treinamento. Então, uma das minhas idéias é usar técnicas como Maximum Entropy para reduzir o grau de sobreposição. No entanto, na verdade não tentei isso. Oi ernie: Atualmente estou lendo seu livro chamado quotquantitative tradingquot, e já programado e tentou MATHLAB para backtesting. No entanto, os resultados são diferentes da MetaTrader Strategy testerOptimization. No MT4, tenho centenas de passes que concordam com a maioria dos meus negócios reais (felizmente), mas o último não é tão positivo. Eu uso o mesmo conjunto de dados, que eu rastreio de 2001-2009. A principal razão pela qual MATHLAB é que eu gostaria de empregar Sharpe Ratio. Geralmente, no MT4, escolher meus parâmetros é bastante fácil, direto. Eu escolho os com os melhores retornos de remoção mínima e, em seguida, executo cópias separadas deles. Depois de ler seu livro, eu estava pensando em escolher parâmetros com: 1) Remessão mínimo 2) Melhores retornos e adicionar um terceiro critério, Sharpe Ratio. Desta forma, eu sinto que posso aumentar meus retornos, não. A fórmula parece complicada, mas, no entanto, não é prejudicial tentar. O que você acha E, graças a ele, o Anon, quando você disse que os resultados do Matlab diferem da Metatrader, você pode ser mais específico. Você está certo de que a lógica dos dois programas é idêntica. Você pode empregar a relação de Sharpe em qualquer programa que você escolher, não necessariamente. Matlab. É apenas um retorno médio dividido pelo desvio padrão. Ernie, eu também pensei que a relação Sharpe ainda poderia ser empregada em qualquer programa. É realmente limitado apenas a Mathlab Ernie Chan disse. Oi Anon, quando você disse que os resultados da Matlab são diferentes do Metatrader, você pode ser mais específico. Você tem certeza de que a lógica dos dois programas é idêntica. Sim, estou realmente certo. Ok, eu sou mais específico. Minha estratégia é extremamente simples, mas lucrativa (pelo menos para mim) - apenas 2 linhas de lógica, 2 parâmetros inteiros. Não consigo ver como ou por que essa lógica simples difere muito, entre os dois. A diferença é que no MT4 eu consigo centenas de passes, mas em MATHLAB, eu só passo cerca de 50 passes. No MATHLAB, um dos testes de teste de 1 ano retorna um saldo de 200K do capital inicial de 10K, mas em MT4, os saldos estão dentro do alcance de 50K-100K, para todas as passagens. Mais uma coisa, no MT4, o tempo das barras é considerado dentro do testador. Não preciso voltar a programar nada. Mas em MATHLAB, eu tenho que separar este conjunto de dados. Talvez seja por isso que a diferença Thx novamente por sua amável ajuda. Oi Ruthstein, sim, é provável que erros na preparação de dados sejam o que causou as diferenças. No Metatrader, os dados são instalados como parte do programa. Mas a Matlab é uma plataforma de computação geral, bem como uma calculadora. Você precisa ter muito cuidado na preparação de dados para entrada no Matlab. Ernie Hi ernie, muito obrigado por seus comentários. Alguém me ajudou com seu plug-in para a parte do tempo e houve um erro muito pequeno na preparação do tempo em MATHLAB. Ainda assim, os resultados permanecem inconsistentes. Mas, surpreendentemente, a Ratio de Sharpe é quase o mesmo valor para os 5 melhores passes de redução mínima, mas não em termos de lucros. No lado positivo, isso torna as escolhas mais fáceis do que antes, já que eu apenas decidi em termos de redução mais segura, uma vez que a proporção de sharpe para todos eles é bastante aceitável. Mais uma vez, obrigado pela sua amável ajuda e devo dizer que o seu livro é uma boa leitura. Não tenho dúvidas de que eu compro novamente seu próximo livro, oi Ruthstein, fico feliz por ter encontrado um bug. Se a lógica de programação for a mesma em Matlab e MT, então os únicos resultados de razão podem ser diferentes é que os dados de entrada estão errados. Ernie Ernies, quando você vem para os EUA para ensinar a classe Quantitative Trading Anon, cabe ao organizador das oficinas, a revista Technical Analyst. Se você estiver interessado, solicite uma oficina de Nova York ou Chicago em trainingtechnicalanalyst. co. uk Ernie Hi, você pode publicar um link para o seu Blog na The Currency Trading Community Nossos membros irão apreciá-lo. Os membros incluem: comerciantes de moeda, moeda e especialistas e profissionais de Forex Trading. É fácil de fazer, basta cortar e colar o link e ele automaticamente liga de volta ao seu site. Você também pode adicionar artigos, notícias e vídeos, se desejar. Envie-me um e-mail se precisar de ajuda ou gostaria que eu faça isso por você. Sinta-se à vontade para compartilhar o tempo que desejar. A comunidade de troca de moeda: vortscurrencies Espero que você considere compartilhar conosco. Obrigado, James Kaufman, editor Estou tentando usar a função HMM da Matlab39 para fazer alguns modelos simples. Ainda estou tentando entender como usar todas as funções para fazer a previsão. Diga que eu tenho uma série temporal de retorno diário, eu mudo para Up, Flat ou Down (1, 0, -1) como minha observação. Diga que eu tenho um modelo simples de 2 estados. Agora, posso colocar toda a série de observação junto com alguns valores de suposições iniciais para probabilidade de emissão e probabilidade de transição para estimar a matriz de transição e probabilidade de emissão. TRANSEST2, EMISEST2 hmmtrain (seq, TRANSGUESS, EMISGUESS) Agora, com estas duas matrizes, o que você faz para criar a nova predição. Você apenas executa seq, estados que geram (1, TRANS, EMIS) para gerar 1 número que é o seu próximo Seqüência de observação e chamá-lo de sua predição Anon, não estou familiarizado com a função Matlab específica que você usa (eu uso um pacote gratuito em vez disso), mas em geral, sim, se você quiser prever a próxima variável de medição, isso é o que você faz . Em outras aplicações, os comerciantes estão mais interessados ​​na variável de estado (por exemplo, uma relação de hedge, que não é diretamente observável e, portanto, quotiddenquot), e a predição da variável de estado seria o foco. Ernie Obrigado Ernie. Essas funções são fornecidas pela caixa de ferramentas Matlab Statistics. Existem cinco funções disponíveis lá. Hmmgenerate 8212 Gera uma seqüência de estados e emissões de um modelo de Markov hmmestimate 8212 Calcula as estimativas de máxima verossimilhança de probabilidades de transição e emissão de uma seqüência de emissões e uma seqüência conhecida de estados hmmtrain 8212 Calcule as estimativas de máxima verossimilhança de probabilidades de transição e emissão de uma seqüência de Emissões hmmviterbi 8212 Calcule o caminho de estado mais provável para um modelo de Markov oculto hmmdecode 8212 Calcula as probabilidades de estado posterior de uma seqüência de emissões Em relação ao seu comentário sobre Previsão das Variáveis ​​de Estado, a realidade é que não temos idéia de quais são os estados e quantos Deveria ser assim, as pessoas simplesmente assumirem alguns estados arbitrários, o cenário do tipo Somente, Rainy, Cloudyquot ou ie (RiskOn, RiskOff, RiskNeutral). Para que eu obtenha os estados mais prováveis, eu preciso usar a função Viterbi. Probabilidade de hmmviterbi (seq, TRANS, EMIS). Mas eu precisarei primeiro descobrir aquela matriz de probabilidade TRANS, EMIS dada nossa própria seq. De observações. TRANSEST2, EMISEST2 hmmtrain (seq, TRANSGUESS, EMISGUESS) Afinal, parece que haverá um pouco de estimar o trabalho de adivinhação aqui. Você estima a matriz de probabilidade e usa a matriz de probabilidade estimada para deduzir seus estados. Depois de todo esse trabalho duro, o que você pode encontrar é um monte de números de Estado que eles chamam de quão mais provável de estado dado o que aconteceu. Pergunta é como o usamos AGORA para a previsão futura Estou faltando alguma coisa aqui Anon, Para determinar o que é um estado Variável deve ser, muitas vezes você precisa de algum conhecimento de domínio. Isto é, Você precisa de mais do que o HMM para restringir seu modelo. Um bom exemplo é dado no Capítulo 3 do meu novo livro, que ilustra o uso do HMM na busca da relação de cobertura de um par de ETFs de co-integração. A variável de estado escolhida neste caso não é arbitrária. Além disso, neste caso, o objetivo não é prever a próxima medição, embora você possa optar por fazê-lo. Eu acho que este artigo de Jerry Hong vale a pena ler para você, muito interessante (no HMM e SVM). Eecs. berkeley. eduPubsTechRpts2018EECS-2018-63.pdf Oi Laurent, eu realmente li este artigo antes. Na verdade, alguns colaboradores e eu tentamos replicar e ampliar os resultados para mais ações. O esforço foi um fracasso e reforçou a minha opinião de que as técnicas de aprendizado de máquinas que aprendem diretamente regras não são adequadas para negociação. Ernie Isso é interessante. Eu implementei minha versão do modelo markov e backtests me deu resultados de uma taxa média de 66 vitórias em um período de negociação por hora durante um período acumulado de 5 anos. Em seguida, apliquei um método ppmc para esses resultados e a taxa de ganhos aumentou para uma média de 83. Em termos de negociação real, eu negociei há 7 meses e o índice médio de ganhos é de 69 usando ambos os métodos. Ele melhora com o tempo e adapta-se de forma semelhante às condições de mercado em mudança, de modo que estou confiante nele. De qualquer forma apenas dizendo que é possível fazer isso. Obrigado por seu relatório de sucesso com o modelo HMM Por PPMC, você quer dizer filtro de partículas Monte Carlo Oi Ernie, Você mencionou no seu livro que você usou quotBuy na estratégia gapquot em negociação ao vivo. Como você lida com um caso em que não há tradesquotes para um ou mais instrumentos durante a sessão de pré-sessão Analisando dados históricos, esse caso às vezes é verdadeiro. Outro problema ocorre quando existem tradesquotes, mas são muito antigas, por exemplo, o timestamp é igual a 08:55 am. Eu serei grato pela ajuda Oi, Ernie, você mencionou em seu livro que você usou quotBuy na estratégia gapquot em negociação ao vivo. Como você lida com um caso em que não há tradesquotes para um ou mais instrumentos durante a sessão de pré-sessão Analisando dados históricos, esse caso às vezes é verdadeiro. Outro problema ocorre quando existem tradesquotes, mas são muito antigas, por exemplo, o timestamp é igual a 08:55 am. Eu serei grato pela ajuda Todo o backtesting intradía deve ser feito com citações em vez de trades. As citações estão sempre presentes às 9h30. Bem, uma vez que a pesquisa do assunto se relaciona diretamente com a oportunidade de ganhar dinheiro, é totalmente inútil esperar qualquer tipo de contribuição de feedback útil: os tolos contribuem, os inteligentes ganham dinheiro. Se alguém tiver uma idéia de trabalho, é muito simples de validar - ganhar dinheiro com a alternativa seria contribuir e ter muita conversa legal. Lendo a memória de forex com cadeias de Markov de cinco dias. Imagine sua experiência no metrô. Você pega o primeiro trem que você pode pegar e passar por um número aleatório de paradas em uma direção aleatória, depois transferir para outro trem. Você vai por outro número de estações e repita o processo. Suas viagens têm um componente aleatório (suas decisões aleatórias) e um determinista (as rotas de metrô e os horários, que estão conectados rígidamente). Em seguida, suponha que suas transferências o encontrem em um trem expresso com uma parada no final da rota. De repente, apesar de ter contribuído significativamente para onde você se encontra agora, o elemento aleatório desapareceu. Seu destino está definido. Você rapidamente viajará até o final da linha e partirá. Como se verifica, esse processo se assemelha bastante ao dos mercados cambiais. Nos mercados financeiros, situações semelhantes também acontecem, exceto que o critério de Markov é o horário do metrô e as barras no gráfico de preços se tornam estações. Aqui, a Wersquoll examina esses processos no contexto do mercado forex em um horário diário, com todos os cálculos relacionados ao encerramento do dia de negociação. Seguindo uma visão geral das cadeias de Markov e uma discussão dessa maneira única de ver o mercado, a Wersquoll demonstra um algoritmo para construir um modelo simplificado para pesquisas independentes. Cadeias de Markov em FX Milhões de operações de negociação são realizadas diariamente no mercado forex. Quando a maioria de seus participantes compartilha pontos de vista diferentes, o mercado se move de lado, mas, se existe um sentimento prevalecente, testemunhamos um desenvolvimento de preços estável. No decorrer deste desenvolvimento, todos os dias tem uma certa conexão com todos os dias anteriores. Esta é uma memória de preços que se torna mais fraca à medida que o mercado se dedica ao tempo. Em matemática, tais relacionamentos correspondem aos processos de Markov, e as próprias seqüências são chamadas de cadeias de Markov. Andrey Markov (1856-1922) era um matemático russo que se especializava em processos estocásticos, e muitas de suas contribuições se prestam bem ao mercado financeiro. A pesquisa de séries de movimentos de preços com base no modelo dinâmico não linear permitiu formalizar o critério de Markov para o mercado cambial e determinar os pontos nos quais esses processos começam a se desenvolver com alta probabilidade. Uma das principais coisas sobre este modelo é a conclusão de que as cadeias de mercado de cinco dias são mais estáveis ​​e previsíveis. Como tal, eles fornecem a base mais forte para uma abordagem comercial. O resultado do modelo é a função de sentimento digital d (t) que assume um valor 1 para o movimento ascendente, -1 para o movimento descendente e 0 para a ausência de qualquer sentimento distinto. Essas cadeias se conformam de acordo com duas regras: se outra cadeia é identificada indo na mesma direção que uma cadeia já está sendo construída, ela adicionada à cadeia anterior. Isso aumenta o seu comprimento atual em cinco dias. Se o receptor for uma corrente na direção oposta, ele cancela a corrente anterior e estabelece outra direção. Sobre o autor