اختبار نظام التداول إلى الأمام

كيفية بدء التداول: اختبار خطة التداول الخاصة بك.
جزء لا يتجزأ من عملية التنمية هو اختبار خطة التداول لتحديد توقعها - كم من المال يمكن أن يجعل النظام في السوق الحية؟ وقد شهد معظمنا التحذيرات المنشورة على مختلف المواقع المالية والأدب يعلن: "الأداء السابق ليس مؤشرا على النتائج المستقبلية". في حين أن هذا صحيح بالتأكيد على خطط التداول، وهناك تدابير يمكنك اتخاذها لتحديد ما إذا كان من المرجح أن خطة تنجح في المستقبل؛ أي اختبار الأداء المسبق واختبار الأداء إلى الأمام.
Backtesting.
مصطلح باكتستينغ يشير إلى اختبار نظام التداول على البيانات التاريخية لنرى كيف كان يمكن أن يؤديها خلال تلك الفترة الزمنية. معظم منصات التداول اليوم لديها قدرات باكتستينغ قوية، ويمكنك اختبار بسرعة الأفكار دون المخاطرة بالمال في حساب التداول الخاص بك. يمكن استخدام الاختبار الخلفي لتقييم الأفكار البسيطة، مثل كيفية أداء كروسوفر المتوسط ​​المتحرك أو أنظمة أكثر تعقيدا مع مدخلات ومشتغلات متنوعة.
ويشمل تركيب المنحنى التغيير والتبديل أو تحسين النظام لإنشاء أعلى نسبة من الصفقات الفائزة أو أكبر ربح على البيانات التاريخية المستخدمة في فترة الاختبار. على الرغم من أنه يجعل نظام نظرة رائعة في باكتستينغ النتائج، فإنه يؤدي إلى أنظمة لا يمكن الاعتماد عليها منذ النتائج هي أساسا مصممة خصيصا لفترة واحدة - في الماضي. تقدم باكتستينغ والتحسين العديد من الفوائد، ولكنها ليست سوى جزء من العملية عند تقييم نظام التداول. والخطوة التالية هي تطبيق النظام على البيانات التاريخية الجديدة.
في عينة مقابل خارج العينة البيانات.
من المفيد حجز فترة من البيانات التاريخية لأغراض الاختبار. البيانات التاريخية الأولية التي تقوم باختبارها وتحسينها تعرف باسم البيانات في العينة، ومجموعة البيانات التي تم حجزها تسمى البيانات خارج العينة. هذه المجموعة "النظيفة" من البيانات هي جزء مهم من عملية التقييم لأنها توفر وسيلة لاختبار الفكرة على البيانات التي لم تؤثر على عملية التحسين. هذا يمكن أن تعطيك فكرة أفضل عن كيفية أداء النظام في التداول المباشر.
مرة واحدة وقد تم تقييم خطة التداول الخاصة بك باستخدام البيانات في العينة، يمكنك تطبيقه على البيانات خارج العينة. إذا كان هناك ارتباط منخفض بين الاختبار في العينة وخارج العينة، فمن المرجح أن يكون النظام مفرطا في تحسينه ولن يؤدي أداء جيدا في التداول المباشر. وإذا كانت هناك علاقة قوية، فإن المرحلة التالية من التقييم هي نوع إضافي من الاختبارات خارج العينة المعروفة باسم اختبار الأداء إلى الأمام.

اختبار نظام التداول إلى الأمام
أميبروكر 5.10 يتميز التلقائي المشي إلى الأمام وضع الاختبار.
اختبار الأمام التلقائي للمشي هو تصميم النظام وتقنية التحقق من الصحة التي تقوم بتحسين قيم المعلمات على جزء سابق من بيانات السوق (& # 8221؛ في العينة & # 8221؛)، ثم تحقق من أداء النظام عن طريق اختباره إلى الأمام في الوقت المناسب على البيانات التي تلي شريحة التحسين (& # 8221؛ خارج العينة & # 8221؛). يمكنك تقييم النظام استنادا إلى مدى نجاحه في بيانات الاختبار (& # 8221؛ خارج العينة & # 8221؛)، وليس البيانات التي تم تحسينها. ويمكن تكرار العملية على فترات زمنية لاحقة. يوضح الرسم التوضيحي التالي كيفية عمل العملية.
والغرض من اختبار المشي إلى الأمام هو تحديد كلما كان أداء نظام التداول الأمثل هو واقعي أو نتيجة للمنحنى المناسب. ويمكن اعتبار أداء النظام واقعيا إذا كان له قيمة مسبقة وأداء جيد على بيانات السوق غير المرئية (خارج العينة). عندما يتم تصميم النظام بشكل صحيح، يجب أن يكون أداء التداول في الوقت الحقيقي بالنسبة لتلك التي كشفت أثناء التحسين. إذا كان النظام هو الذهاب الى العمل في التداول الحقيقي، فإنه يجب أولا اجتياز اختبار المشي إلى الأمام. وبعبارة أخرى، نحن لا نهتم حقا في عينة النتائج كما هي (أو ينبغي أن يكون) جيدة دائما. ما يهم هو خارج النظام عينة الأداء. هذا هو تقدير واقعي لكيفية عمل النظام في التداول الحقيقي، وسوف تكشف بسرعة أي قضايا منحنى المناسب. إذا كان الأداء خارج العينة ضعيفا فلا ينبغي أن تتداول مثل هذا النظام.
إن فرضية تنفيذ العديد من خطوات التحسين / الاختبارات على مر الزمن هو أن الماضي القريب هو أساس أفضل لاختيار قيم معلمات النظام من الماضي البعيد. ونأمل أن تكون قيم المعلمة المختارة على شريحة التحسين مناسبة تماما لظروف السوق التي تتبعها على الفور. هذا قد يكون أو قد لا يكون مثلما تذهب الأسواق من خلال دورة الدب / الثور، لذلك ينبغي توخي الحذر عند اختيار طول الفترة في العينة. للحصول على مزيد من المعلومات حول تصميم النظام والتحقق باستخدام إجراءات السير إلى الأمام وجميع القضايا المعنية، يمكننا أن نوصي كتاب هوارد باندي: & كوت؛ نظم التداول الكمية & كوت؛ (انظر الروابط على صفحة أميبروكر).
لاستخدام التحسين من الأمام إلى الأمام، يرجى اتباع الخطوات التالية:
بداية وتاريخ نهاية علامة بداية الفترة الأولية / نهاية.
سيتم نقل هذه الفترة إلى الأمام بخطوة حتى تصل النهاية إلى آخر تاريخ.
بشكل افتراضي & # 8220؛ إيسي مود & # 8221؛ هو الذي يبسط عملية إعداد المعلمات وف.
أ) يتبع الجزء خارج العينة عينة مباشرة في العينة.
ب) طول الجزء خارج العينة يساوي خطوة السير قدما.
بين الفترات. وضع التداول اليومي تعيين ستارت تاريخ الفترة التالية كما يلي اليوم بعد نهاية الفترة السابقة. وهذا يضمن.
لا يتم احتساب يوم الحدود مرتين عند الاختبار على البيانات اللحظية.
واجهة تسمح ل سيليكتيفيلي تعطيل في العينة وخارج مراحل العينة باستخدام مربعات الاختيار في أعلى (لأشياء خاصة مثل تشغيل باكتيستس متتابعة دون التحسين).
تنعكس جميع الإعدادات بشكل فوري في قائمة بريفيو التي تعرض جميع قطاعات إس / أوس التي تم إنشاؤها وتواريخها.
سوف تستخدم لفرز النتائج وإيجاد أفضل واحد. يمكن استخدام أي عمود مضمن.
(كما يظهر في إخراج التحسين)، أو يمكنك استخدام أي مقياس مخصص تحدده.
في باكتستر العرف. الافتراضي هو كار / مد، ولكن يمكنك تحديد أي مقياس مدمج آخر من التحرير والسرد.
يمكنك أيضا تايب-إن أي مقياس مخصص قمت بإضافته عبر واجهة باكتستر المخصصة.
إن-سامبل و أوت-أوف-سامبل مجتمعة أسهم.
وتتوافر الأسهم المجمعة في العينة والعينة خارجة عن طريق.
يتم ربط الأشرطة المركبة (فترات متتالية من داعش و أوس وتحجيمها للحفاظ على استمرارية خط رأس المال - وهذا النهج يفترض أنك تتضاعف بشكل عام الأرباح).
إيسكيتي "،" إن-سامبل إكيتي "، كولورريد، ستايلين)؛
أوزكيتي "،" خارج نطاق العينة الأسهم "، اللون الأخضر، نمط لين)؛
تقرير ملخص خارج العينة (جديد في 5.60)
الإصدار 5.60 يجلب تقرير موجز المشي إلى الأمام الذي يغطي جميع الخطوات خارج العينة. وهو مرئي في إكسبلورر إكسبلورر باعتباره آخر واحد ويحتوي على & كوت؛ بس & كوت؛ اكتب.
وحدثت تغييرات هامة في اختبار السير قدما للسماح بإصدار تقرير موجز عن العينة. التغيير الأهم هو أن كل اختبار لاحق من العينة يستخدم حقوق الملكية الأولية مساوية لخطوة الإنهاء السابقة. (سابقا كانت تستخدم الأسهم الأولية الثابتة). وهذا التغيير مطلوب للحساب السليم لجميع الإحصاءات / المقاييس في جميع أقسام الاختبار خارج العينة.
يعرض تقرير الملخص الملاحظة بأن المقاييس المضمنة تمثل جميع الخطوات خارج العينة بشكل صحيح، إلا أن المقاييس المخصصة الموجزة تتكون باستخدام طريقة يمكن تعريفها من قبل المستخدم:
1 قيمة الخطوة الأولى، 2 قيمة الخطوة الأخيرة، 3 سوم، 4 متوسط، 5 الحد الأدنى، 6 كحد أقصى.
يعرض تقرير الملخص الافتراضي قيمة الخطوة الأخيرة للمقاييس المخصصة ما لم يحدد المستخدم طريقة الجمع المختلفة في.
bo. AddCustomMetrics الآن معلمة اختيارية جديدة - كومبينميثود.
بول أدكوستمتريك (عنوان السلسلة، قيمة البديل، متغير [اختياري] لونغونليفالو، متغير [اختياري] شورتونيفالو، متغير [اختياري] ديكبلاسس = 2، [اختياري] فاريانت كومبينميثود = 2)
يضيف هذا الأسلوب المقياس المخصص إلى تقرير باكتست، باكتست & كوت؛ الملخص & كوت؛ وقائمة نتائج التحسين. العنوان هو اسم المقياس الذي سيتم عرضه في التقرير، القيمة هي قيمة المقياس، وسيطات اختيارية لونغوناليفالو، تسمح شورتونليفالو بتوفير قيم لأعمدة إضافية طويلة / قصيرة فقط في تقرير باكتست. الوسيطة الأخيرة يتحكم ديكبلاسس في عدد المنازل العشرية التي يجب استخدامها لعرض القيمة.
قيم كومبينميثود المدعومة هي:
1 قيمة الخطوة الأولى، - سيعرض تقرير الملخص قيمة المقياس المخصص من الخطوة الأولى خارج العينة.
2 قيمة الخطوة الأخيرة (افتراضي)، - سيعرض تقرير الملخص قيمة المقياس المخصص من آخر خطوة خارج العينة.
3 سوم، - سيعرض التقرير الموجز مجموع قيم المقياس المخصص من جميع خطوات العينة.
4 متوسط، - سيعرض التقرير الموجز متوسط ​​قيم المقياس المخصص من جميع خطوات العينة.
5 كحد أدنى، - سيعرض التقرير الموجز أصغر قيمة للمقياس المخصص من جميع خطوات العينة.
6 كحد أقصى. - سيعرض التقرير الموجز أكبر قيمة للمقياس المخصص من جميع خطوات العينة.
لاحظ أن بعض طرق حساب المقاييس معقدة وعلى سبيل المثال متوسطها لن يؤدي إلى التمثيل الصحيح رياضيا لجميع من اختبار العينة. ملخصات جميع المقاييس المضمنة صحيحة بشكل صحيح من خارج المربع (أي أنها * لا * المتوسطات، ولكن المقاييس المحسوبة بشكل صحيح باستخدام الطريقة المناسبة لقيمة معينة). هذا يتناقض مع المقاييس المخصصة، لأنها قابلة لتعريف المستخدم والأمر متروك للمستخدم لتحديد طريقة "الجمع"، ولا يزال قد يحدث أن أيا من الطرق المتاحة غير مناسبة.
ولهذا السبب يتضمن التقرير المذكرة التي توضح الطريقة التي استخدمها المستخدم لتعريف المقاييس المخصصة.

ما هو المشي إلى الأمام الأمثل؟
واحدة من أكبر القضايا مع تطوير النظام هو أن العديد من استراتيجيات التداول لا تصمد في المستقبل. وقد يرجع ذلك إلى عدة أسباب:
لا يستند النظام إلى فرضية صالحة تغيرت ظروف السوق بطريقة دراماتيكية تعطل الأماكن النظرية التي تم تطوير النظام لم يتم تطوير النظام واختبارها مع منهجية سليمة. فعلى سبيل المثال، (أ) الافتقار إلى المتانة في النظام بسبب البارامترات غير السليمة، و (ب) القواعد غير المتسقة والاختبار غير السليم للنظام باستخدام البيانات خارج العينة وفي العينة.
هناك العديد من الأساليب والمنهجيات لتقوية المتانة وزيادة احتمالية الأداء الإيجابي للحياة الحقيقية بما في ذلك:
ذروة تجنب عدد محدود من المعلمات الأمثل 3D الرسم البياني سطح تحليل مونتي كارلو تخليط البيانات المشي إلى الأمام & أمبير؛ المشي التحرك إلى الوراء.
واحدة من أكثر الطرق قوة لاختبار موثوقية نظام التداول والتأكد من أن البرنامج سيكون أعلى احتمال أداء جيدا في التداول الحقيقي الحقيقي هو استخدام المشي إلى الأمام الأمثل (وفو)، وهي الطريقة الأولى وصفها في كتاب & 8220؛ تصميم واختبار وتحسين أنظمة التداول & # 8221؛ بواسطة روبرتو باردو.
ما هو المشي إلى الأمام التحليل؟
والتحليل إلى الأمام سيرا على الأقدام هو عملية تحسين نظام التداول باستخدام مجموعة محدودة من المعلمات، ومن ثم اختبار أفضل مجموعة المعلمة الأمثل على البيانات خارج العينة. هذه العملية مشابهة لكيفية استخدام المتداول لنظام التداول الآلي في التداول الحقيقي الحقيقي. وتحول النافذة الزمنية في العينة إلى الأمام خلال الفترة التي يغطيها الاختبار خارج العينة، وتكرر العملية. في نهاية الاختبار، يتم استخدام جميع النتائج المسجلة لتقييم استراتيجية التداول.
وبعبارة أخرى، والتحليل قدما إلى الأمام لا الأمثل على مجموعة التدريب؛ اختبارات على فترة بعد مجموعة ومن ثم لفائف كل ذلك إلى الأمام ويكرر العملية. لدينا عدة فترات خارج العينة وننظر إلى هذه النتائج مجتمعة. اختبار المشي إلى الأمام هو تطبيق معين لأسلوب يعرف باسم التحقق من صحة الصليب. وهذا يعني أخذ شريحة من البيانات لتحسين النظام، وشريحة أخرى من البيانات للتحقق من صحتها. وهذا يعطي فترة خارج العينة أكبر ويسمح للمطور النظام لمعرفة مدى استقرار النظام مع مرور الوقت.
توضح الصورة أدناه إجراء تحليل السير إلى الأمام. ويتم إجراء التحسين على مدى فترة أطول (البيانات في العينة)، ثم يتم اختبار مجموعة المعلمات المحسنة على مدى فترة أقصر لاحقة (البيانات خارج العينة). يتم تحويل فترات التحسين والاختبار إلى الأمام، وتكرر العملية حتى يتم تحقيق حجم العينة المناسب.
من أجل إظهار مفهوم سنقوم في هذه المقالة على المشي قدما إلى الأمام الأمثل على نظام التداول اندلاع التقلبات (فبو). للاختبار سوف نستخدم العقود الآجلة الألمانية داكس، نينجاترادر، سغ البيانات التاريخية 1 دقيقة، وسوف نفترض 3 نقاط من الانزلاق لكل R / T التجارة لتغطية الاحتكاكات التجارية.
وتتكون العملية من ثلاث خطوات رئيسية:
تحديد الفترات داخل العينة وخارجها تحديد منطقة بارامترات قوية قم بتنفيذ السير قدما.
تعريف فترات العينة وخارج العينة.
وسوف نختار كما في العينة 1/1/2001 إلى 12/31/2009 لتصميم النظام وفي العينة الأمثل و 1/1/2010 إلى 12/31/2012 كما خارج عينة من العينة لتقييم في - عينة الأمثل المتانة وتنفيذ المشي إلى الأمام. وسوف نستخدم بعد ذلك نسبة 3: 1 ل وفو (المشي إلى الأمام الأمثل):
تحسين 2007 إلى 2009 والتحقق من الأداء خارج العينة في 2010 تحسين 2008 إلى 2010 والتحقق من الأداء خارج العينة في عام 2011 تحسين 2009 إلى 2011 والتحقق من الأداء خارج العينة في عام 2012.
حدد منطقة المعلمات القوية في فترة العينة.
في هذا القسم، سنحدد منطقة & # 8220؛ القوية & # 8221؛ من معلمات النظام. ونحن سوف تحسين فقط 3 معلمات النظام:
فترة الاستعادة من متوسط ​​فترة الاسترجاع السريع لمعدل التذبذب البطيء.
معلمات النظام الأخرى التي لن نقوم بتحسينها هي:
وقت البدء: 09:00 (غمت + 1) وقت الانتهاء: 22:00 (غمت + 1) آخر صفقة: 18:00 (غمت + 1) خطر الوقف: 2٪ الحد الأقصى للتداول في اليوم: 3 خروج عند الإغلاق: ترو.
تحسين دقة الرسم البياني.
كما يمكننا أن نرى متوسط ​​سون (نظام الجودة رقم) يميل إلى الانخفاض ونحن زيادة الفترة الزمنية من المخطط في دقائق. وسوف نختار 14 دقيقة لجميع المحاكاة في المستقبل.
لمزيد من المعلومات حول سون:
يمكن تنزيل رمز نينجاترادر ​​الخاص بجودة النظام هنا:
تعريف منطقة المعلمة القوية للمتوسطات.
من خلال مخطط سطح ثلاثي الأبعاد يمكننا تحديد منطقة المعلمة القوية على النحو التالي:
متوسط ​​بطيء: 12 إلى 30 دقيقة متوسط ​​سريع: 330 إلى 500 دقيقة.
نحدد & # 8220؛ قوية & # 8221؛ منطقة سطح المعلمة التي ليس لديها قمم كبيرة أو الوديان ولها عموما الأداء الجيد.
تعريف المعلمة القوية لمرشح التقلب.
كما يمكننا أن نرى منطقة قوية للمرشح هو ما بين 0.55 و 0.70 عندما يكون سون يتزايد ببطء.
الآن بعد أن حددنا منطقة المعلمات القوية فإنه يستحق أداء كامل في العينة الأمثل لنرى كيف كان النظام قد أجريت بين عامي 2001 و 2009.
وقد حقق النظام أرباحا صافية بلغت 120،000 دولار بين عامي 2001 و 2009 مع عامل ربح قدره 1.56، أداء 756 صفقة بمتوسط ​​41٪ من الصفقات مربحة. وتظهر الأنظمة بعض الخصائص المرغوب فيها مثل نسبة الفوز / الخسارة العالية البالغة 2.28.
المشي الأمثل إلى الأمام.
وكما هو متوقع، سنمضي قدما الآن في تحسين السير قدما.
الخطوة 1: سنعمل على التحسين بين 2007-2009 والعثور على أفضل المعلمات.
وأفضل المعايير للفترة 2007-2009 هي:
ونطبق هذه المعايير على فترة خارج العينة في عام 2010 مع النتائج التالية:
صافي الربح: 12،300 دولار.
عامل الربح: 1.38.
الخطوة 2: سنقوم بتحسين الفترة ما بين 2008-2010 ونجد أفضل المعايير.
وأفضل المعايير للفترة 2008-10 هي:
ونطبق هذه المعايير على فترة خارج العينة في عام 2011 مع النتائج التالية:
صافي الربح: 27،900 دولار.
عامل الربح: 1.61.
الخطوة 3: سنقوم بتحسين ما بين 2009-2011 والعثور على أفضل المعلمات.
وأفضل المعايير للفترة 2009-2011 هي:
ونطبق هذه المعايير على فترة خارج العينة في عام 2012 مع النتائج التالية:
صافي الربح: 17،540 دولارا.
عامل الربح: 1.58.
الاستنتاجات.
في هذه المقالة لقد أظهرنا كيفية تنفيذ المشي إلى الأمام الأمثل على النظام الميكانيكي لحظيا. وتتماشى نتائج السير قدما مع نتائج العينة، وهذا يبني الثقة في متانة الاستراتيجية.
لمزيد من المعلومات حول استراتيجيات التداول حسابي يرجى زيارة: vbosystems. info.
& # 8212؛ بواسطة آمون ليسيني من أنظمة فبو. أنظمة فبو هي مطور أنظمة التداول الآلي 100٪ مشفرة في نينجاترادر ​​التي يمكن أن تكون السيارات المتداولة في جميع فئات الأصول تقريبا. آمون ليسيني، مؤسس أنظمة فو، كان تاجر خاص لمدة 15 عاما ومدير كبير مع مختلف الشركات في إيطاليا. آمون & # 8217؛ s المصالح التجارية الرئيسية تكمن في مجال التقلبات وفتح نطاق مفتوح لأنظمة اللحظي. وهو يعيش في ميلانو مع زوجته وطفلين ويحب السفر عندما هو & # 8217؛ s لا تطوير أنظمة جديدة. آمون حاصل على شهادة في الهندسة الميكانيكية من جامعة البوليتكنيك في ميلانو.
حول نظام المؤلف ترادر ​​سوتشيس كونتريبوتور.
المؤلفون المساهمون هم مشاركون نشطون في األسواق المالية ويتنقلون بشكل كامل في التحليل الفني أو الكمي. انهم يرغبون في تبادل قصصهم، ورؤى واكتشاف نجاح نظام التاجر ونأمل أن تجعلك تاجر نظام أفضل. الاتصال بنا إذا كنت ترغب في أن يكون المؤلف المساهمة وتبادل رسالتك مع العالم.
الوظائف ذات الصلة.
استراتيجية محطمة أو تغيير السوق: التحقيق في الأداء الضعيف.
العثور على ما يعمل، وماذا لا تعمل.
التداول منحنى الأسهم & # 038؛ وراء.
منشورات شائعة.
كونورس 2-بيريودي رسي أوبديت فور 2013.
هذا مؤشر بسيط يجعل المال مرة أخرى ومرة ​​أخرى.
محفظة اللبلاب.
تحسين استراتيجية الفجوة البسيطة، الجزء 1.
كوبيرايت © 2017 بي كابيتال إفولوتيون ليك. - صمم من قبل تزدهر المواضيع | مدعوم من وورد.
الرجاد الدخول على الحساب من جديد. سيتم فتح صفحة تسجيل الدخول في نافذة جديدة. بعد تسجيل الدخول يمكنك إغلاقه والعودة إلى هذه الصفحة.

المشي إلى الأمام اختبار في ترادرسستوديو & ريج؛
بدلا من ذلك، نحن ندعوك لتحميل التجريبي.
من ترادرسوديو لمحاولة المشي إلى الأمام الاختبار!
المشي إلى الأمام الاختبار هو وسيلة قوية التي يتم استخدامها في التداول المالي لتحديد أفضل مجموعة من المعلمات لتحسين. هذا قد يبدو معقدا ولكن في الواقع هو & # 8217؛ ق مفهوم بسيط وقوي لمساعدتك على بناء أفضل أنظمة التداول حولها. انها & # 8217؛ s أيضا مفهوم أن ترادرسستوديو تنفذ بشكل جيد للغاية.
في كثير من الأحيان عند مناقشة أنظمة التداول، ونحن نتحدث عن متانة النظام. إن قدرة النظام على الأداء الجيد في جميع ظروف السوق مهمة. إذا كان لديك نظام جيد جدا خلال أسواق الاتجاه التصاعدي، لكنه يفقد مبالغ كبيرة من المال خلال أسواق الترند الهابط (مثل عام 2008)، فإننا نقول أن هذا النظام ليس قويا. هناك ظروف السوق التي من شأنها أن تجعل من القيام به حقا، سيئة حقا. إذا كنا قادرين على تصفية تلك الصفقات السيئة & # 8211؛ ربما إيقاف تشغيل النظام خلال الاتجاهات النزولية & # 8211؛ سوف نسميه النظام & # 8220؛ قوية & # 8221؛ لأنه يمكن تداولها بثقة في العديد من ظروف السوق.
يساعدنا اختبار المشي إلى الأمام على تحديد متانة النظام من خلال السماح لنا بتقسيم البيانات التاريخية إلى مجموعتين. & # 8220؛ في عينة البيانات & # 8221؛ هي البيانات التي نستخدمها لتحسين نظامنا. & # 8220؛ بيانات خارج العينة & # 8221؛ هي البيانات التي نستخدمها لاختبار نظامنا. يمكننا أن نسأل أسئلة افتراضية مثل & # 8220؛ إذا كنت تتداول هذا النظام بين عامي 2005 و 2007، كيف كان النظام الخاص بي قد أنجزت في عام 2008؟ & # 8221؛ هذه الأنواع من الأسئلة تساعد على اختبار قدرة النظام على العمل في ظل العديد من ظروف السوق المختلفة. إذا رأينا أن المعلمة المثلى للنوافذ في العينة أيضا جيدة في النوافذ خارج العينة، ثم يمكننا الحصول على ثقة أفضل في النظام & # 8217؛ ق الربحية المستقبلية. من الواضح أننا لا يمكن التنبؤ المستقبل والأرباح ليست مضمونة بأي وسيلة، ولكن يمكننا كسب الثقة والثقة في النظام. في بضع مقالات، لقد كتبت على نطاق واسع حول كيفية المشي إلى الأمام الاختبار هو حقا الأساس لتحديد نظام التداول & # 8217؛ ق المتانة. هذه المقالات التي نشرت في مجلة الآجلة، وتشمل & # 8220؛ الأمثل: تعليم الكلب القديم الخدع الجديدة & # 8221؛ و & # 8220؛ هل يمكن لنظامك القيام بالمشي & # 8220 ؛. أنا أوصي أن تأخذ من الوقت لقراءة هذه المقالات إذا كنت ترغب في معرفة المزيد عن المشي إلى الأمام التحليل (بعد قراءة هذه المادة بالطبع!).
بالنسبة إلى المهتمين، هناك مقالة رائعة عن استخدام & # 8220؛ باكتستينغ & # 8221؛ و & # 8220؛ اختبار الأمام & # 8221؛ على إنفستوبيديا. وتسلط هذه المقالة الضوء على الكيفية التي يختلف بها المفهومان بشكل واضح ولكنهما متعلقان أيضا.
ومن الجدير بالذكر أن أجهزة الكمبيوتر الحديثة قد تقدمت في تجهيز الطاقة لدرجة أننا يمكن أن نفعل الآن هذا النوع من التحليل على نطاق واسع لضمان أن لدينا أنظمة قوية. لقد كتبت عن هذا التقدم من أجهزة الكمبيوتر في مقال لمجلة الآجلة التي بعنوان & # 8220؛ تحليل نظام التداول: ثم والآن & # 8220؛. جميع التقنيات التي نناقشها على هذا الموقع هي تلك التي يمكنك تشغيلها على الكمبيوتر المنزلي أو الكمبيوتر المحمول. لا حاجة الأجهزة يتوهم!
المشي إلى الأمام اختبار على سبيل المثال.
في كثير من الأحيان، فمن الأفضل لتوضيح كيف يعمل مفهوم على سبيل المثال. كما هو الحال مع جميع الأمثلة لدينا، سوف نستخدم ترادرسستوديو لتسليط الضوء على كيفية عمل هذا المفهوم. لنفترض أن لديك نظام تداول بسيط جدا يتكون من النظر إلى مؤشر القوة النسبية (رسي) (مؤشر القوة النسبية) ل ميكروسوفت. دعونا نقول أن نظامنا مشفر لشراء عندما ينخفض ​​مؤشر القوة النسبية دون 50 وبيع عندما يرتفع مؤشر القوة النسبية فوق 50. ويحسب مؤشر القوة النسبية على مدى سلسلة من الأيام. ترميز هذا النظام هو تافهة في ترادرسوديو:
الآن نريد الإجابة على سؤال أساسي: ما عدد الأيام التي تنتج النتائج الأكثر ربحية؟ هل يجب حساب مؤشر القوة النسبية على مدى الأيام الثلاثة الماضية؟ الخمسة الماضية؟ يمكننا تشغيل النظام مع التجربة والخطأ، ولكن هذا هو مهمة تستغرق وقتا طويلا. يمكننا ضمان المتانة في النظام عن طريق القيام المشي قدما إلى الأمام على هذا الاختبار.
دعونا اختبار لمدة رسي طول من 1 إلى 30، يخطو 1 يوم في وقت واحد. سنستخدم 500 نافذة تدريبية (حوالي عامين) ونقوم بتشغيلها لمدة 250 (حوالي سنة واحدة، نظرا لأن السوق مفتوح حوالي 252 يوما في السنة). سنقوم بتحسين الحد الأقصى لنسبة صافي الربح إلى السحب. وبعبارة أخرى، سيقوم الكمبيوتر بحساب مؤشر القوة النسبية باستخدام أيام من 1 إلى 30 للسنة الأولى من البيانات. ومن ثم سوف تحصل على أفضل عدد من الأيام لتلك السنتين من البيانات (البيانات في عينة) واختبار كيف يعمل على مدى العام بعد (البيانات خارج العينة) والإبلاغ عن تلك النتائج. ثم، سوف تريدرزوديو تقدم علامة سنة واحدة. وهذا سوف ينزل عن أقدم سنة من البيانات وتشمل سنة واحدة من أحدث البيانات في مجموعة التدريب. سنقوم بعد ذلك بحساب العدد الأمثل من الأيام لتلك البيانات الجديدة. وسوف تجد بعد ذلك أفضل عدد من الأيام والاختبار في السنة التالية. هذه هي الطريقة التي حصلت على اختبار المشي إلى الأمام اسمها. نحن "المشي إلى الأمام" من خلال البيانات، واختبار كيف يقوم نظامنا في العينة ومن ثم خارج العينة.
ننقر أولا على زر المشي إلى الأمام الأمثل داخل ترادرسستوديو.
ثم وضعنا المعلمات كما وصفنا أعلاه.
يمكننا أن نرى كيف يعمل هذا النوع من التحليل من النتائج أدناه:
لدينا بداية التدريب وفترات نهاية التدريب التي هي ما يقرب من سنتين على حدة، ثم نحن اختبار لمدة سنة واحدة بعد لمعرفة كيف يقوم النظام. يمكننا أن نرى المعلمة الأمثل خلال العامين الأولين من الاختبار وكيف أن المعلمة أداء في العام بعد ذلك. هذا يسمح لنا لبناء أنظمة التداول أكثر قوة. يعمل التحسين التقليدي من خلال الإجابة على السؤال: على مدى السنوات العشرين الماضية كيف كان نظامي قد أجري تحت هذه المجموعة من المعلمات؟ المشكلة مع هذا السؤال الأساسي هو أن هذا لا يوفر أي نظرة على كيفية عمل النظام الخاص بك في المستقبل أو أي نظرة ثاقبة كيف كان النظام الخاص بك قد عملت على فترات زمنية أصغر في الماضي. في كثير من الأحيان، من الممكن أن يكون هناك نظام يعمل بشكل جيد جدا على مدى فترات طويلة جدا (ربما كان يضرب تجارة كبيرة حقا في عام 2011) ولكن عموما هو المتوسط ​​في أحسن الأحوال. يجب أن يجتاز نظام جيد اختبار السير إلى الأمام - بمعنى أنه يجب أن نكون قادرين على اختباره على أجزاء أصغر من البيانات التاريخية ونرى أن النظام يعمل بالفعل مع البيانات خارج العينة.
لماذا هذا مهم؟
الثقة في نظام مهم. لقد شهدت مرات عديدة عندما فقد الناس المال في حساباتهم التجارية لأنهم لم يتمكنوا من اتباع النظام أو لم يثق بهم. فهم نظام التداول الخاص بك والإيمان بها، هو حقا الفرق بين التجار الذين كسب المال وأولئك الذين لا. العديد من النظم لا تعمل، والمشي قدما إلى الأمام يساعدك على اكتساب الثقة في تلك التي تفعل وتلك التي لا. جميع التجار المهنية استخدام المشي إلى الأمام الاختبار في عملهم، وأوصي بشدة أن تفعل أيضا نفس الشيء!
إذا كنت ترغب في معرفة المزيد عن هذا المفهوم، وأنا أشجع بشدة لك لقراءة إدخالات بلوق على هذا الموضوع:
هذه الإدخالات تذهب على مثال أكثر تعقيدا من استخدام ترادرسستوديو للقيام بهذا النوع من التحليل.
أيضا، منذ التحسين هو الموضوع الذي كان حاسما جدا بالنسبة لي نفسي والتجار الآخرين على مر السنين، وأود أيضا أن نشجعكم على النظر في إلقاء نظرة على بعض الكتب حول هذا الموضوع من قبل الكتاب المحترمين مثل روبرت باردو.
حقوق الطبع والنشر © 2014-2015 ترادرسستوديو، وشركة جميع الحقوق محفوظة. ترادرسستوديو & ريج؛ هي علامة تجارية مسجلة لشركة ترادرسستوديو، Inc.
لا يجوز نسخ أي جزء من هذا الموقع بدون إذن صريح من المؤلف.