Estratégia de reversão média em r

QuantStart.
Junte-se ao portal de membros privados da Quantcademy que atende à comunidade de comerciantes de varejo de varejo em rápido crescimento. Você encontrará um grupo bem informado de mentalistas quant pronto para responder suas perguntas comerciais mais importantes.
Confira meu ebook sobre o comércio de quant, onde eu ensino você como criar estratégias de negociação sistemáticas lucrativas com ferramentas Python, desde o início.
Dê uma olhada no meu novo ebook sobre estratégias de negociação avançadas usando análise de séries temporais, aprendizado de máquina e estatísticas bayesianas, com Python e R.
Por Michael Halls-Moore em 2 de junho de 2018.
Um tempo atrás, consideramos um modelo de negociação baseado na aplicação dos modelos da série temporal ARIMA e GARCH aos dados diários S & amp; P500. Mencionamos nesse artigo, bem como em outros artigos anteriores de análises de séries temporais, que eventualmente considerariamos as estratégias de negociação de reversão e a forma de construí-los.
Neste artigo, eu quero discutir um tópico chamado cointegração, que é um conceito de séries temporais que nos permite determinar se conseguimos formar um meio de reversão de ativos. Vamos abordar a teoria das séries temporais relacionadas à cointegração aqui e no próximo artigo, vamos mostrar como aplicar isso às estratégias comerciais reais usando a nova estrutura de backtesting de código aberto: QSTrader.
Vamos prosseguir discutindo a reversão média na tradicional estrutura de "negociação de pares". Isso nos levará ao conceito de estacionariedade de uma combinação linear de ativos, levando-nos finalmente a cointegração e testes de raiz unitária. Uma vez que esboçamos esses testes, simularemos várias séries temporais no ambiente estatístico R e aplicaremos os testes para avaliar a cointegração.
Estratégias de negociação de reversão média.
A idéia tradicional de um "comércio de pares" de reversão média é ao mesmo tempo, longos e curtos, dois ativos separados compartilhando fatores subjacentes que afetam seus movimentos. Um exemplo do mundo das ações pode ser longo McDonald's (NYSE: MCD) e Short Burger King (NYSE: BKW - antes da fusão com Tim Horton).
A razão para isso é que os preços das ações a longo prazo provavelmente estarão em equilíbrio devido aos amplos fatores do mercado que afetam a produção e o consumo de hambúrgueres. Uma interrupção de curto prazo para um indivíduo no par, como uma interrupção da cadeia de suprimentos que afete apenas o McDonald's, levaria a uma deslocação temporária em seus preços relativos. Isso significa que um comércio longo-curto realizado neste ponto de interrupção deve se tornar rentável, pois os dois estoques retornam ao seu valor de equilíbrio uma vez que a interrupção é resolvida. Esta é a essência do clássico "comércio de pares".
Na medida em que estamos interessados ​​em realizar a negociação de reversão média não apenas em um par de ativos, mas também cestas de ativos que estão separadamente interligados.
Para conseguir isso, precisamos de uma estrutura matemática robusta para identificar pares ou cestas de ativos que significam reverter da maneira descrita acima. É aqui que surge o conceito de séries de tempo cointegradas.
A idéia é considerar um par de séries temporais não estacionárias, como os ativos de MCD e BKW de forma aleatória, e formar uma combinação linear de cada série para produzir uma série estacionária, que tem uma média e variância fixas.
Esta série estacionária pode ter interrupções de curto prazo onde o valor vagueia longe da média, mas devido à sua estacionaridade, este valor retornará eventualmente à média. As estratégias de negociação podem fazer uso disso aniquilando / diminuindo o par no ponto de interrupção apropriado e apostando em uma reversão de longo prazo da série para sua média.
As estratégias de reversão médias, como esta, permitem uma ampla gama de instrumentos para criar as séries de tempo estacionárias "sintéticas". Certamente, não estamos restritos a ações de "baunilha". Por exemplo, podemos fazer uso do Exchange Traded Funds (ETF) que acompanha os preços das commodities, como petróleo bruto e cestas de empresas produtoras de petróleo. Portanto, há muitos marcos para identificar tais sistemas de reversão significativos.
Antes de aprofundar a mecânica das estratégias de negociação reais, que serão objeto do próximo artigo, devemos primeiro entender como identificar estatisticamente tais séries cointegradas. Para isso, utilizaremos técnicas da análise de séries temporais, continuando o uso da linguagem estatística R como em artigos anteriores sobre o tema.
Cointegração.
Agora que motivamos a necessidade de um quadro quantitativo para realizar a negociação média de reversão, podemos definir o conceito de cointegração. Considere um par de séries temporais, ambas não-estacionárias. Se tomarmos uma combinação linear específica dessas séries, às vezes pode levar a uma série estacionária. Esse par de séries seria então denominado cointegrado.
A definição matemática é dada por:
Cointegração.
Deixe $ \ $ e $ \ $ ser duas séries temporais não estacionárias, com constantes $ a, b \ in \ mathbb $, constantes. Se a série combinada $ a x_t + b y_t $ estiver estacionada, dizemos que $ \ $ e $ \ $ são cointegrados.
Embora a definição seja útil, não nos fornece diretamente um mecanismo para determinar os valores de $ a $ e $ b $, nem se essa combinação é, de fato, estatisticamente estacionária. Para este último, precisamos utilizar testes para raízes unitárias.
Teste de raiz unitária.
Em nossa discussão anterior de modelos de AR (p) autorregressivos, explicamos o papel da equação característica. Observamos que era simplesmente um modelo autorregressivo, escrito em forma de mudança para trás, definido como igual a zero. Resolver esta equação nos deu um conjunto de raízes.
Para que o modelo seja considerado estacionário, todas as raízes da equação devem exceder a unidade. Um modelo AR (p) com uma raiz igual à unidade - uma unidade raiz - não é estacionário. Os passeios aleatórios são processos AR (1) com raízes unitárias e, portanto, também não são estacionários.
Assim, para detectar se uma série temporal é estacionária ou não, podemos construir um teste de hipóteses estatísticas para a presença de uma unidade de raiz em uma série de séries temporais.
Vamos considerar três testes separados para as raízes das unidades: Augmented Dickey-Fuller (AFD), Phillips-Perron e Phillips-Ouliaris. Veremos que eles são baseados em suposições diferentes, mas todos estão testando o mesmo problema, a saber, a estacionaria da amostra da série de tempo testada.
Vamos agora dar uma breve olhada nos três testes por sua vez.
Teste Dickey-Fuller aumentado.
Dickey e Fuller [2] foram responsáveis ​​por apresentar o seguinte teste para a presença de uma unidade de raiz. O teste original considera uma série temporal $ z_t = \ alpha z_ + w_t $, em que $ w_t $ é ruído branco discreto. A hipótese nula é que $ \ alpha = 1 $, enquanto a hipótese alternativa é que $ \ alpha & lt; 1 $.
Disse e Dickey [6] melhoraram o teste Dickey-Fuller original levando ao teste Augmented Dickey-Fuller (ADF), no qual a série $ z_t $ é modificada para um modelo AR (p) de um modelo AR (1). Eu discuti o teste em um artigo anterior onde usamos o Python para calculá-lo. Neste artigo, realizaremos o mesmo teste usando R.
Teste Phillips-Perron.
O teste ADF assume um modelo AR (p) como uma aproximação para o exemplo da série temporal e usa isso para contabilizar as autocorrelações de ordem superior. O teste Phillips-Perron [5] não assume uma aproximação do modelo AR (p). Em vez disso, um método de suavização de kernel não paramétrico é utilizado no processo estacionário $ w_t $, o que permite que ele contabilize autocorrelação não especificada e heterocedasticidade.
Teste de Phillips-Ouliaris.
O teste Phillips-Ouliaris [4] é diferente dos dois testes anteriores, na medida em que está testando a evidência de cointegração entre os resíduos entre duas séries temporais. A principal idéia aqui é que testes como ADF, quando aplicados aos resíduos estimados de cointegração, não possuem as distribuições Dickey-Fuller sob a hipótese nula onde a cointegração não está presente. Em vez disso, essas distribuições são conhecidas como distribuições de Phillips-Ouliaris e, portanto, esse teste é mais apropriado.
Dificuldades com testes de raiz unitária.
Enquanto o teste ADF e Phillips-Perron são equivalentes assintóticamente, eles podem produzir respostas muito diferentes em amostras finitas [7]. Isso ocorre porque eles lidam com autocorrelação e heterocedasticidade de forma diferente. É necessário ter muito claro quais hipóteses estão sendo testadas para a aplicação desses testes e não para simplesmente aplicá-los cegamente a séries arbitrárias.
Além disso, os testes de raiz unitária não são excelentes para distinguir processos estacionários altamente persistentes de processos não estacionários. É preciso ter muito cuidado ao usá-los em determinadas formas de séries temporais financeiras. Isso pode ser especialmente problemático quando a relação subjacente que está sendo modelada (ou seja, a reversão média de dois pares similares), naturalmente, desmorona devido a mudanças de regime ou outras mudanças estruturais nos mercados financeiros.
Simulated Cointegrated Time Series com R.
Vamos agora aplicar os testes de raiz de unidades anteriores a alguns dados simulados que sabemos ser cointegrados. Podemos usar a definição de cointegração para criar artificialmente duas séries temporais não estacionárias que compartilham uma tendência estocástica subjacente, mas com uma combinação linear estacionada.
Nossa primeira tarefa é definir uma caminhada aleatória $ z_t = z_ + w_t $, onde $ w_t $ é ruído branco discreto. Dê uma olhada no artigo anterior sobre ruídos brancos e passeios aleatórios, se você precisar escovar esses conceitos.
Com a caminhada aleatória $ z_t $ vamos criar duas novas séries temporais $ x_t $ e $ y_t $ que ambos compartilham a tendência estocástica subjacente de $ z_t $, embora por diferentes montantes:
\ begin x_t & = & p z_t + w_ \\ y_t & = & q z_t + w_ \ end.
Se nós, então, tomamos uma combinação linear $ a x_t + b y_t $:
\ begin a x_t + b y_t & = & a (p z_t + w_) + b (q z_t + w_) \\ & = & (ap + bq) z_t + a w_ + b w_ \ end.
Vemos que só conseguimos uma série estacionária (que é uma combinação de termos de ruído branco) se $ ap + bq = 0 $. Podemos colocar alguns números para isso, para torná-lo mais concreto. Suponha $ p = 0,3 $ e $ q = 0,6 $. Depois de uma álgebra simples, vemos que se $ a = 2 $ e $ b = -1 $ nós possuímos $ ap + bq = 0 $, levando a uma combinação de séries estacionárias. Daí $ x_t $ e $ y_t $ são cointegrados quando $ a = 2 $ e $ b = -1 $.
Vamos simular isso em R para visualizar a combinação estacionária. Em primeiro lugar, desejamos criar e traçar a série de caminhada aleatória subjacente, $ z_t $:
Realização de uma caminhada aleatória, $ z_t $
Se traçamos o correlograma da série e suas diferenças, podemos ver poucas evidências de autocorrelação:
Correlogramas de $ z_t $ e a série diferida de $ z_t $
Portanto, esta realização de $ z_t $ claramente parece uma caminhada aleatória. O próximo passo é criar $ x_t $ e $ y_t $ a partir de $ z_t $, usando $ p = 0,3 $ e $ q = 0,6 $ e, em seguida, trace ambos:
Lote de $ x_t $ e $ y_t $ series, cada um baseado na caminhada aleatória subjacente $ z_t $
Como você pode ver, ambos parecem semelhantes. Claro que eles serão por definição - eles compartilham a mesma estrutura de caminhada aleatória subjacente de $ z_t $. Vamos agora formar a combinação linear, pentear, usando $ p = 2 $ e $ q = -1 $ e examinar a estrutura de autocorrelação:
Lote de pente - a série de combinações lineares - e seu correlograma.
É claro que o pente de série combinado se parece muito com uma série estacionária. Isto é esperado dada a sua definição.
Vamos tentar aplicar os testes de raiz de três unidades para a série de combinações lineares. Em primeiro lugar, o teste Augmented Dickey-Fuller:
O valor p é pequeno e, portanto, temos evidências para rejeitar a hipótese nula de que a série possui uma unidade de raiz. Agora, tentamos o teste Phillips-Perron:
Mais uma vez, temos um pequeno valor de p e, portanto, temos evidências para rejeitar a hipótese nula de uma unidade de raiz. Finalmente, tentamos o teste Phillips-Ouliaris (note que requer entrada de matriz dos constituintes da série subjacente):
Mais uma vez, vemos um pequeno valor p que indica evidências para rejeitar a hipótese nula. Por isso, é claro que estamos lidando com um par de séries que estão cointegradas.
O que acontece se criarmos uma combinação separada com, digamos $ p = -1 $ e $ q = 2 $?
Parcela de badcomb - a série de combinação linear "incorreta" - e seu correlograma.
Nesse caso, não temos provas suficientes para rejeitar a hipótese nula da presença de uma raiz unitária, conforme determinado pelo valor p do teste Dickey-Fuller aumentado. Isso faz sentido quando escolhemos arbitrariamente a combinação linear de $ a $ e $ b $ ao invés de configurá-los para os valores corretos de $ p = 2 $ e $ b = -1 $ para formar uma série estacionária.
Próximos passos.
Neste artigo, examinamos vários testes de raiz unitária para avaliar se uma combinação linear de séries temporais era estacionária, ou seja, se as duas séries estavam cointegradas.
Em futuros artigos, vamos considerar as implementações completas das estratégias de negociação de reversão média para as ações diárias e os dados dos ETF usando o QSTrader com base nestes testes de cointegração.
Além disso, expandiremos nossa análise para cointegração em mais de dois ativos, levando a estratégias de negociação que aproveitam as carteiras cointegradas.
Referências.
Apenas iniciando o comércio quantitativo?
3 razões para se inscrever para a lista de e-mails QuantStart:
1. Quant Trading Lessons.
Você terá acesso instantâneo a um curso de e-mail gratuito de 10 partes, repleto de sugestões e dicas para ajudá-lo a começar a negociação quantitativa!
2. Todo o conteúdo mais recente.
Todas as semanas, vou enviar-lhe um envoltório de todas as atividades no QuantStart para que você nunca mais perca uma postagem novamente.
Real, dicas de negociação viáveis, sem tonturas.

Estratégia de reversão média em r
The Sweet Spot for Mean Reversion ETF Estratégias.
por Michael R. Bryant.
Em seu recente livro, Howard Bandy discutiu o que ele chama de "ponto doce" para o desenvolvimento de sistemas de negociação de reversão média. 1 A idéia é que a combinação certa de comprimento da barra, período de espera, precisão do sistema e outras variáveis ​​tende a maximizar os retornos ajustados pelo risco. 2 Este artigo mostra como as estratégias de negociação de reversão médias que se encontram nesse ponto fácil podem ser desenvolvidas para fundos negociados em bolsa (ETFs) usando ferramentas automatizadas.
Usando o Adaptrade Builder, uma ferramenta de desenvolvimento de estratégia para o Windows, vou mostrar como os métodos de teste de estresse com a análise de Monte Carlo podem ser usados ​​como parte do processo de desenvolvimento para encontrar estratégias de reversão médias robustas para o FET S & P 500 (SPY) e o Selecione o setor SPDR * ETFs. Os arquivos de projeto do Builder, que incluem o código da estratégia, são fornecidos para cada exemplo.
Aterrar no Sweet Spot.
A idéia básica por trás do bom ponto do Dr. Bandy é que as boas estratégias de negociação devem usar um tamanho de barra curto e têm uma precisão bastante alta com um curto período de espera e baixa redução. O tamanho da barra curta e o período de retenção curto maximizam as oportunidades de retornos compostos, enquanto a alta precisão e a redução reduzida facilitam a recuperação das perdas. As últimas qualidades também facilitam a determinação da viabilidade da estratégia e determinam quando ela não está funcionando mais porque os padrões de perda típicos para sistemas de alta precisão tendem a ser relativamente curtos.
Com base nas diretrizes do Dr. Bandy, as seguintes características serão usadas neste artigo para definir os requisitos ótimos para estratégias de ETF de reversão média:
Por meio de reversão, estou me referindo a estratégias que tentam comprar abaixo do preço médio atual e vendem a um preço mais alto à medida que o preço reverte para a média. A idéia é comprar baixo e vender alto, em oposição aos sistemas de tendência, que tipicamente tentam comprar alto e vender mais alto.
Construindo com a análise de Monte Carlo.
No meu último artigo de boletim informativo, discuti o uso do teste de estresse na avaliação das estratégias de negociação e sua relação com a robustez e a superação de estratégias. Eu também mencionei que se fosse incorporado ao processo de construção, tenderia a levar a estratégias que exibissem robustez. Essa é a abordagem que será seguida aqui.
Resumidamente, o teste de estresse refere-se à avaliação de quão sensível é uma estratégia comercial para suas insumos e ambiente. Uma estratégia robusta - uma que não é excessiva para o mercado - será relativamente insensível às mudanças em seus valores de parâmetros de entrada e a outras mudanças em seu ambiente, como mudanças nos dados de preços.
A análise de Monte Carlo é a técnica utilizada para avaliar o efeito dessas mudanças. Os insumos da estratégia, os dados de preços e outros fatores são alterados aleatoriamente e o desempenho da estratégia é avaliado. Ao repetir este processo muitas vezes, é obtida uma distribuição de resultados. Os resultados dos dados originais representam um ponto na distribuição. Outros pontos na distribuição representam os resultados usando versões ligeiramente alteradas dos dados originais, o que pode gerar resultados mais ou menos favoráveis ​​do que os dados originais.
Os chamados resultados de Monte Carlo são os valores das medidas de desempenho (lucro líquido, vitórias percentuais, fator de lucro, etc.) que não são pior do que a maioria (tipicamente, 95%) das avaliações. Por exemplo, se o lucro líquido de Monte Carlo com 95% de confiança for de US $ 15.000, isso significa que 95% das avaliações tiveram um lucro líquido pelo menos tão grande quanto $ 15.000. Em outras palavras, existe uma chance de 95% de que o lucro líquido seja de pelo menos US $ 15.000, ou, ao contrário, há uma chance de 5% de que o lucro líquido seja inferior a US $ 15.000.
Quando uma estratégia de negociação é desenvolvida iterativamente em sucessivas gerações de modificação e teste, a construção baseada nos resultados de Monte Carlo tenderá a impulsionar a estratégia para uma que seja robusta, uma vez que apenas uma estratégia robusta terá bons resultados de Monte Carlo. O Adaptrade Builder automatiza esse processo, incluindo a avaliação dos resultados da estratégia utilizando os resultados de Monte Carlo de testes de estresse.
O primeiro exemplo é para o ETF SPDR S & amp; P 500 ETF (símbolo SPY). Foram utilizadas barras diárias de 1/4/1999 a 23/23/2018. O intervalo de data para construção foi definido em 1/4/1999 a 1/2/2018, com os primeiros 80% (1/4/1999 - 8/10/2008) utilizados para construção (isto é, na amostra) e dados restantes (8/11/2008 - 1/2/2018) utilizados para testes fora da amostra. Os dados restantes (1/3/2018 - 23/04/2018) foram reservados para validação. Todos os dados foram obtidos na TradeStation 9.
A lógica da estratégia era apenas por muito tempo, e 100% do capital próprio foi investido em cada comércio, com todos os lucros reinvestidos e US $ 0,015 por ação deduzidos por rodada para os custos de negociação.
O Adaptrade Builder usa um algoritmo de programação genética para desenvolver uma população de estratégias em sucessivas gerações. A chave para usar o Builder para encontrar estratégias que atendam aos nossos requisitos ótimos é configurar as chamadas métricas de construção, mostradas abaixo na Fig. 1.
Figura 1. As métricas de compilação no Builder definem o ponto de encontro da estratégia SPY.
A lista de Objetivos de Construção contém três métricas de propósito geral, todas as quais estão sendo maximizadas. Estes ajudam a orientar a população de estratégias para aqueles com alto lucro líquido, coeficiente de correlação e significância estatística, que são desejáveis ​​para qualquer estratégia. As qualidades específicas que estamos procurando (ou seja, a mancha doce) são definidas pelas Condições de Construção, que incluem as condições de desigualdade para o número de trades, barras médias em negociações e a porcentagem de vitórias.
Observe que a condição para o número de negociações é definida como um intervalo com base no número de anos de dados na amostra e o objetivo de ter entre 20 e 30 negócios por ano. Observe também que a porcentagem de negociações vencedoras está definida entre 65% e 85%. O limite superior foi adicionado porque as estratégias com uma porcentagem invulgarmente alta de negociações vencedoras geralmente não conseguem atender a alguma outra condição. A penalização de tais estratégias ajudará a conduzir a população em direção a estratégias que atendam a todas as condições, ao contrário de estratégias que satisfazem desproporcionalmente uma condição para a exclusão de outras. A mesma lógica foi usada na definição de um intervalo para o fator de lucro.
As outras condições - coeficiente de correlação, significância estatística, fator de lucro e fração de Kelly - não fazem parte de nossos requisitos específicos, mas foram adicionados para melhorar os resultados globais. O teste de estresse e as configurações de Monte Carlo usadas para este exemplo foram selecionadas na tela Opções de construção, conforme mostrado abaixo na figura 2.
Figura 2. As opções de análise e teste de esforço de Monte Carlo são selecionadas na guia Opções de construção.
Conforme mostrado na figura, foram utilizadas 99 iterações de Monte Carlo para cada análise. Isso significa que 99 testes de estresse foram realizados além da avaliação dos dados originais. Os 100 conjuntos de dados foram analisados ​​utilizando a análise de Monte Carlo para extrair os resultados com 95% de confiança, onde foram utilizados para avaliar as condições mostradas na Fig. 1. Os testes de estresse consistiram em aleatorizar os preços, randomizar os insumos da estratégia e aleatorizar o início Barra. Todas as três randomizações foram realizadas para cada teste de estresse.
Como cada estratégia foi avaliada 100 vezes (99 testes de estresse mais os dados originais) em cada geração, essa abordagem demorou cerca de 100 vezes o tempo que deveria ter tido testes de estresse e a análise de Monte Carlo não foi usada. Por esta razão, uma população relativamente pequena de apenas 100 membros foi usada para manter o tempo de solução razoável. A população evoluiu ao longo de 10 gerações, e uma opção foi definida para começar após 10 gerações se o lucro líquido no período fora da amostra fosse negativo.
O gráfico da curva de equidade da estratégia superior na população após 20 gerações (1 reconstrução) é mostrado abaixo na Fig. 3.
Figura 3. Curvas de capital para cada teste de estresse para a estratégia SPY final.
Cada curva na Fig. 3 representa um teste de estresse. Como pode ser visto, todas as diferentes curvas de equidade geralmente têm a mesma forma com resultados positivos fora da amostra. Os seguintes são alguns dos resultados de Monte Carlo com 95% de confiança correspondentes à Fig. 3.
Além do número de negócios, que é menos do que solicitado, a estratégia atende aos requisitos originais. A estratégia também passa no teste de validação. Quando a data de término é estendida até 23/04/2018, o lucro líquido total de Monte Carlo aumenta para US $ 67.015. A lógica de estratégia também satisfaz o requisito de uma estratégia de reversão média: ele entra em uma ordem limite e sai usando uma condição de indicador. A entrada limite significa que o mercado deve baixar o preço limite, então a estratégia está comprando baixa e vendendo depois que o mercado voltar.
É importante ter em mente que estes são resultados de Monte Carlo com 95% de confiança, o que significa que, por exemplo, 95% das avaliações do teste de estresse tinham um lucro líquido total pelo menos tão grande quanto $ 56.784. Se o teste de estresse é desligado e a estratégia é avaliada nos dados originais, a curva de equidade é como mostrado abaixo na Fig. 4.
Figura 4. Curva de capital para a estratégia SPY final sobre os dados originais.
Essa curva de patrimônio corresponde a um lucro líquido de $ 109.497, o que equivale a um retorno anual de 5.5%. Embora este seja apenas um retorno modesto, ele bate facilmente o retorno de compra e retenção de aproximadamente 1,8% no mesmo período e é alcançado sem alavancagem e com uma curva de ações cada vez maior ao longo de um período que inclui dois mercados ursos.
Um exemplo do SPDR do setor selecionado.
O segundo exemplo envolve a construção de uma estratégia sobre um portfólio de ETFs, que consiste nos SPDR do Select Sector. Esses ETFs dividem o índice S & P 500 em nove setores, de modo que cada estoque no S & amp; P 500 é colocado em um dos nove setores sem sobreposição. Os nove setores são Consumer Discretionary (símbolo XLY), Consumer Staples (XLP), Energy (XLE), Financial (XLF), Healthcare (XLV), Industrial (XLI), Materiais (XLB), Tecnologia (XLK) e Utilitários (XLU).
A maioria das mesmas configurações foram usadas para construir esta estratégia como no último exemplo. No entanto, como nove vezes mais dados de preço foram usados ​​na construção, reduzi o número de iterações de Monte Carlo de 99 para 5. As outras opções de construção foram as mesmas da Fig. 2, exceto a opção de reconstrução, que não entre no jogo. Para o dimensionamento da posição, 20% do patrimônio foram investidos em cada comércio. Como nem todos os mercados provavelmente estavam negociando ao mesmo tempo, essa configuração foi escolhida para fornecer tamanhos de posição adequados sem resultar em alavancagem (ou seja, excesso de investimento).
O período in-sample para esta compilação foi 1/4/1999 a 5/28/2009 com 29/5/2009 a 1/2/2018 como o período fora da amostra e 1/3/2018 a 4/23 / 2018 reservado para validação. O gráfico da curva de equidade de uma das principais estratégias na população após 10 gerações (sem reconstruções) é mostrado abaixo na Fig. 5.
Figura 5. Curvas de capital para cada teste de estresse para a estratégia de portfólio final Select SPDR Set.
Cada curva de equivalência patrimonial na Fig. 5 representa o patrimônio da carteira gerado a partir do back-testing em todos os nove mercados simultaneamente para um conjunto de configurações de teste de estresse (ou os dados originais). Alguns resultados resumidos de Monte Carlo são mostrados abaixo.
Ao contrário do exemplo anterior, os resultados não são substancialmente diferentes quando a análise de Monte Carlo é desativada e os resultados são avaliados em relação aos dados originais. Nesse caso, o lucro líquido total aumenta para US $ 205.140. Esta estratégia também passa o teste de validação. A curva de equidade para a estratégia apenas nos dados originais (sem teste de estresse), em que o período de validação está incluído, é mostrada abaixo na Fig. 6.
Figura 6. Curva de capital para a estratégia final do portfólio Select SPDR do setor nos dados originais.
Essa curva de equivalência patrimonial corresponde a um lucro líquido de US $ 249.431, o que equivale a um retorno anual de 9,5%, com o pior caso de redução de 21%. Como com o exemplo anterior, a lógica de estratégia entra longamente em uma ordem limite. A maioria das saídas é através de uma saída de destino, com outros negócios saindo com base em uma condição de indicador ou em uma parada de proteção.
Download dos arquivos do Projeto de Reversão Média: *
(clique com o botão direito do mouse, Salvar destino como arquivo. zip, requer o Adaptrade Builder para abrir.)
* Por motivos de licenciamento, os arquivos de projeto não incluem dados de preço.
O chamado "sweet spot" para estratégias de negociação recomendado pelo Dr. Bandy parece fornecer condições efetivas para construir significativas reverter as estratégias comerciais de forma automatizada usando uma ferramenta como o Adaptrade Builder. Foi possível encontrar estratégias que atinjam a maioria dos requisitos para ambos os exemplos: uma estratégia de mercado único para o mercado do ETF SPY e uma estratégia para um portfólio de ETFs, que consiste nos nove Setores SPDR selecionados. Ambas as estratégias superaram a compra e a retenção e manteve-se bem no teste de validação.
Para ambos os exemplos, o teste de estresse com análise de Monte Carlo foi empregado para aumentar as chances de encontrar estratégias robustas. Em comparação com o exemplo do portfólio, os resultados do teste de estresse para a estratégia do mercado único (SPY) foram substancialmente mais conservadores (menos favoráveis) do que os resultados dos dados originais. Embora parte disso seja devido ao teste de estresse mais rigoroso em comparação com o exemplo do portfólio, sugere que a estratégia SPY é menos robusta do que o exemplo do portfólio. Em geral, onde os resultados de Monte Carlo diferem marcadamente dos resultados nos dados originais, pode-se esperar que a melhor estimativa de resultados futuros esteja em algum lugar, embora isso dependa de quão conservador seja o teste de estresse e a análise de Monte Carlo .
Parece razoável que a estratégia de portfólio seja mais robusta do que a estratégia de mercado único, uma vez que a estratégia de portfólio foi construída em nove mercados diferentes e foi obrigada a trabalhar razoavelmente bem em uma variedade mais ampla de dados de preços. Foi construído nove vezes mais dados e tem cerca de nove vezes mais trades. O maior desempenho da estratégia de portfólio pode refletir o efeito positivo da diversificação em relação aos nove setores diferentes dos SPDRs.
Embora nenhuma das duas estratégias tenha cumprido o requisito para o número de negócios, pode ser possível encontrar estratégias que atinjam todos os requisitos se uma população maior for usada ou forem exigidos requisitos de reconstrução mais rigorosos, o que exigiria mais tempo de construção. Alternativamente, pode ser o caso de que tal estratégia não é provável devido aos requisitos conflitantes de alta precisão, freqüência comercial, curta duração do comércio e assim por diante. O melhor conjunto de condições de construção é aquele que explora plenamente o potencial do mercado enquanto permanece realista.
Combinando um conjunto de condições de construção úteis, como as fornecidas pelo Dr. Bandy, com recursos de robustez incorporados, como teste de estresse e análise de Monte Carlo, em uma ferramenta automatizada como o Builder deve fornecer uma estrutura sólida para o desenvolvimento de estratégias comerciais eficazes.
Bandy, Howard B., Mean Reversion Trading Systems, Blue Owl Press, Inc., Sioux Falls, SD, 2018, p. 138.
Bandy, Howard B., Modeling Trading System Performance, Blue Owl Press, Inc., Sioux Falls, SD, 2018, p. 154.
Este artigo apareceu na edição de abril de 2018 do boletim informativo do Adaptrade Software.
* O S & amp; P 500 ® e Select Sector SPDRs são marcas comerciais da The McGraw-Hill Companies, Inc.
OS RESULTADOS DE DESEMPENHO HIPOTÉTICOS OU SIMULADOS TÊM CERTAS LIMITAÇÕES INERENTES. DESEJO UM REGISTRO DE DESEMPENHO REAL, OS RESULTADOS SIMULADOS NÃO REPRESENTAM A NEGOCIAÇÃO REAL. TAMBÉM, DESDE QUE OS NEGÓCIOS NÃO SEJAM REALMENTE EXECUTOS, OS RESULTADOS PODEM TENER SOB OU COMENTÁRIOS COMPLEMENTARES PARA O IMPACTO, SE HAVER, DE CERTOS FATORES DE MERCADO, TAL COMO FALTA DE LIQUIDEZ. PROGRAMAS DE NEGOCIAÇÃO SIMULADOS EM GERAL SÃO TAMBÉM SUJEITOS AO FATO QUE ESTÃO DESIGNADOS COM O BENEFÍCIO DE HINDSIGHT. NENHUMA REPRESENTAÇÃO ESTÁ FAZENDO QUE QUALQUER CONTA VÁ OU SEJA PROBABILITÁVEL PARA ALCANÇAR LUCROS OU PERDAS SIMILARES ÀOS MOSTRADOS.
Se você quiser ser informado de novos desenvolvimentos, novidades e ofertas especiais do Adaptrade Software, por favor, junte-se à nossa lista de e-mail. Obrigado.
Copyright © 2004-2018 Adaptrade Software. Todos os direitos reservados.

Uma introdução ao comércio de reversão média e os 4 maiores desafios.
Uma introdução ao comércio de reversão média e os 4 maiores desafios.
A negociação média de reversão é muitas vezes referida como negociação de contra-tendência ou de reversão, que descrevem, mais ou menos, o mesmo tipo de estilo de negociação. Um comerciante de reversão médio procura o preço que se afastou significativamente do seu preço médio (médio); O comerciante de reversão média procura tendências insustentáveis.
Embora a maioria das pessoas prefira a abordagem de tendência, nunca me sinto confortável com a mentalidade geral de negociação de tendências e comecei a procurar operações de reversão média muito cedo. Escusado será dizer que fiquei queimando algumas vezes no início, já que este estilo comercial não é adequado para iniciantes absolutos devido aos desafios emocionais e psicológicos que coloca no comerciante. No seguinte artigo, damos uma olhada no comércio de reversão médio, quais são os aspectos mais negligenciados e quais desafios enfrentar um comerciante de reversão médio.
Negociação de reversão média - uma breve introdução.
Como dito acima, um comerciante de reversão médio está procurando oportunidades onde o preço se afastou significativamente de seu preço médio (ou médio). Normalmente, o preço médio é calculado usando uma média móvel e aplicando-a aos gráficos. Por exemplo, o gráfico abaixo mostra o gráfico diário EUR / USD e uma média móvel suavizada em 50 períodos.
Como você pode ver, o preço freqüentemente se afasta da média móvel azul e depois encaixa de volta. Se isso parecer muito bom para ser verdade, é. Claro, esses gráficos de retrospectiva com os traders perfeitos só contam a metade da história.
Clique para ampliar.
A captura de tela abaixo mostra o mesmo cronograma diário EUR / USD com a mesma média móvel. Mas desta vez, marquei todos os pullbacks que não o fizeram até a média móvel. E, é claro, se olharmos mais de perto, haveria muitas mais vezes quando o preço tentou uma reversão, mas falhou. Portanto, a negociação média de reversão é mais do que apenas uma negociação de volta para a média móvel e requer uma gestão de entrada muito rígida, abordagem de gerenciamento de risco e um caráter emocionalmente estável para evitar coisas como revenda ou negociação.
Clique para ampliar.
Os 4 principais desafios do comércio médio de reversão.
No que se segue, examinamos os aspectos mais comumente ignorados que tornam a negociação média mais difícil do que parece à primeira vista.
# 1 Como você determina a média?
Embora isso pareça muito óbvio, a maioria dos comerciantes nunca pensa nas implicações que sua escolha da média móvel tem em suas negociações. Vamos dar uma olhada no gráfico EUR / USD acima. Desta vez, aplicamos duas médias móveis diferentes: a média móvel 100 suavizada (SMA) em vermelho e 50 SMA em azul. As diferenças podem parecer insignificantes, mas para um comerciante de reversão médio, escolher a média móvel correta é uma das decisões mais importantes e também é muito pessoal e individual. Estas são as principais diferenças entre os dois tipos de médias móveis:
Como você pode ver, isso não é crítico e não há certo ou errado quando se trata de escolher uma média móvel para sua negociação. Em vez disso, quero destacar o fato de que a escolha da média móvel tem amplas conseqüências em seu estilo de negociação e deve ser feita com base em preferências pessoais e estilos de personagem.
Clique para ampliar.
# 2 Às vezes, o preço não reverte, mas a média móvel alcança o preço.
O segundo aspecto mais negligenciado e subestimado é que às vezes a inversão acontece muito devagar e, enquanto isso, a média móvel se aproxima do preço e, assim, reduz a recompensa: a proporção do comércio.
A captura de tela abaixo ilustra o ponto. Embora, à primeira vista, parece que a estratégia de reversão média funciona como um charme e um preço sempre retorna à média móvel, é importante entender que, às vezes, a média móvel alcança o preço mais rápido e pode reduzir a recompensa inicial: taxa de risco e, conseqüentemente, a expectativa de tal estratégia de negociação. Um comerciante então tem que decidir se ele deixa sua ordem de lucro inicial sem mudança ou se ele move seu lucro com a média móvel.
Clique para ampliar.
# 3 Reversão média contra captura de uma faca caindo.
Escolher tops e fundos pode ser uma coisa muito perigosa a fazer na negociação e os comerciantes amadores, especialmente, muitas vezes se envolvem em tal comportamento comercial, porque eles subestimam o fato de que o preço pode manter tendências muito mais do que eles pensam. Durante períodos de tendências duradouras e fortes, a reversão da média comercial pode muitas vezes levar a riscos significativos de perda sem tomar precauções. A captura de tela abaixo mostra o gráfico atual EUR / USD diário e levou preço cerca de 300 dias de negociação para finalmente se encontrar novamente com a média móvel.
Clique para ampliar.
Um comerciante de reversão médio não está aguardando com ordens pendentes em níveis predeterminados, como ficando na frente de um trem que se aproxima, mas espera até que o trem tenha chegado a um suporte e ofereça indícios de que vai para o outro lado.
# 4 Estabilidade emocional e disciplina.
Embora isso seja verdade para todos os tipos de negociação, é especialmente importante para comerciantes de reversão média. Pode levar muito tempo até ocorrer um sinal de negociação e muitas vezes você não verá todos os seus critérios de entrada, mas o preço ainda se volta para a média móvel. Ficar longe de saltar no final e não tentar perseguir um comércio é muito importante. Outras vezes, todos os seus critérios se alinham, mas o preço ainda continua em frente a você. Não cortar sua perda e adicionar a um perdedor é o que significa que os comerciantes de reversão costumam fazer porque acreditam que a reversão está atrasada.
Dica: os osciladores, como o STOCHASTIC, muitas vezes fornecem as implicações erradas para os comerciantes de reversão média. Os cenários de sobrecompra e sobrevenda são freqüentemente usados ​​como razões para entrar em negociações de contra-tendência, enquanto os preços de sobrecompra geralmente apenas sinalizam uma tendência muito forte - e não uma inversão em atraso.
Todos esses pontos destacam a complexidade e os desafios para o comércio de reversão médio e torna-se óbvio por que esse estilo pode não ser adequado para comerciantes amadores ou comerciantes que ainda estão lutando com o aspecto mental da negociação. No entanto, nem todos os comerciantes se sentem confortáveis ​​com uma estratégia de tendência seguinte; Portanto, é importante que você se audite para encontrar seu ajuste perfeito.
Sem comentários.
Publicar uma resposta Cancelar resposta.
Cursos de negociação.
Nós deixamos nossos empregos corporativos, viajamos pelo mundo, negociamos on-line e vivemos a vida em nossos termos.
Ajudamos outros comerciantes a alcançar seus sonhos.
Jornal de negociação.
Edgewonk Trading Journal.
Posts Populares.
Webinar gratuito comigo.
Links Rápidos.
Somos dois caras da Alemanha que ficaram cansados ​​dos 9-a-5 e embarcaram na jornada de toda a vida, trocando e viajando onde e quando quisermos.
Estamos apaixonados por devolver, pois não estaríamos perto de onde estamos hoje, sem a ajuda de outros comerciantes veteranos que nos ajudaram no início.
Se você considerar se juntar à nossa comunidade, nós nos sentimos honrados com sua confiança e teremos certeza de que cada minuto livre que tivermos será gasto para fazer com que seu investimento valha a pena.
Disclaimer de Risco.
Ebook de ação de preço (GRATUITO)
Digite seu e-mail e obtenha acesso imediato ao ebook de ação de preço.

Estratégia de reversão média em r
Eu sou novo tanto em Quantopian quanto na negociação em geral, mas eu tentei implementar uma estratégia de reversão média. Eu estou comprando ações de baixo desempenho e vendendo os estoques de alto desempenho todos os dias, ponderando o desempenho de tudo em relação às demais ações da carteira.
Neste ponto, estou tentando interpretar os resultados, mas não tenho certeza de como os resultados são do algoritmo e quanto são simplesmente uma conseqüência das ações que eu selecionei.
Se alguém tiver dúvidas, comentários ou sugestões, avise-me!
Me diverti muito aprendendo e trabalhando com a plataforma.
Estou olhando o código-fonte do seu algoritmo e não consigo seguir a lógica do seu loop final. Você pode adicionar algumas explicações / comentários ao trecho de código?
Claro, deixe-me tentar explicar o que estava tentando fazer.
Eu passo através de cada estoque que eu estou assistindo e calculo quantas dessas ações eu comprar ou vender com a minha posição atual, dinheiro e desempenho. O valor a comprar é o número máximo de ações que eu poderia comprar (caixa / preço de ações) ponderado pelo desempenho em relação às demais ações da minha carteira. O valor que queremos vender é o valor desse estoque que possuímos ponderado da mesma maneira.
Eu não estou 100% convencido da validade desta lógica (eu sinto que deveria estar ponderando os estoques que tiveram ganhos e perdas independentemente uns dos outros, mas eu ainda não o implementei). O meu raciocínio era que, se assumirmos que o estoque é significativo, é sensato comprar mais dos que tiveram um desempenho ruim e vender rapidamente mais do que estava funcionando bem. As ponderações foram minha maneira de expressar essa idéia.
A próxima parte implementa a compra e venda. Nós calculamos o quanto compraríamos ou vendemos para cada estoque, mas apenas compramos ou vendemos se a mudança de porcentagem normalizada for negativa ou positiva.
Nós também não queremos enviar uma ordem de compra ou venda, a menos que tenhamos atingido algum tipo de limite para o quanto isso mudou. Nos casos em que a mudança total foi muito pequena, apenas nos seguramos. Pode valer a pena considerar o desempenho das ações a partir do ponto em que compramos o caso em que estamos vendendo, mas eu não consegui testar isso.
Espero que seja útil, deixe-me saber se você tem outras questões.
Muito obrigado por essa resposta. Isso ajuda muito.
Feliz eu poderia ajudar!
Eu segui adiante e implementei as mudanças que eu estava pensando, e parece melhorar o algoritmo. Confira!
O material deste site é fornecido apenas para fins informativos e não constitui uma oferta de venda, uma solicitação de compra ou uma recomendação ou endosso para qualquer segurança ou estratégia, nem constitui uma oferta de prestação de serviços de consultoria de investimento pela Quantopian. Além disso, o material não oferece nenhuma opinião em relação à adequação de qualquer segurança ou investimento específico. Nenhuma informação contida neste documento deve ser considerada como uma sugestão para se envolver ou abster-se de qualquer curso de ação relacionado ao investimento, já que nenhuma das empresas atacadas ou nenhuma das suas afiliadas está a comprometer-se a fornecer conselhos de investimento, atuar como conselheiro de qualquer plano ou entidade sujeito a A Lei de Segurança de Renda de Aposentadoria do Empregado de 1974, conforme alterada, conta de aposentadoria individual ou anuidade de aposentadoria individual, ou dar conselhos em capacidade fiduciária em relação aos materiais aqui apresentados. Se você é um aposentadorio individual ou outro investidor, entre em contato com seu consultor financeiro ou outro fiduciário não relacionado a Quantopian sobre se qualquer idéia, estratégia, produto ou serviço de investimento descrito aqui pode ser apropriado para suas circunstâncias. Todos os investimentos envolvem risco, incluindo perda de principal. A Quantopian não oferece garantias sobre a precisão ou integridade das opiniões expressas no site. Os pontos de vista estão sujeitos a alterações e podem ter se tornado pouco confiáveis ​​por vários motivos, incluindo mudanças nas condições do mercado ou nas circunstâncias econômicas.
Eu pensei que tentaria testar o algoritmo contra os dez melhores dividendos da NYSE nos últimos doze meses, e obtive esse resultado: consideravelmente pior!
Desculpe, algo deu errado. Tente novamente ou contate-nos enviando comentários.
Você enviou um ticket de suporte com sucesso.
Nossa equipe de suporte estará em contato em breve.
O material deste site é fornecido apenas para fins informativos e não constitui uma oferta de venda, uma solicitação de compra ou uma recomendação ou endosso para qualquer segurança ou estratégia, nem constitui uma oferta de prestação de serviços de consultoria de investimento pela Quantopian.
Além disso, o material não oferece nenhuma opinião em relação à adequação de qualquer segurança ou investimento específico. Nenhuma informação contida neste documento deve ser considerada como uma sugestão para se envolver ou abster-se de qualquer curso de ação relacionado ao investimento, já que nenhuma das empresas atacadas ou nenhuma das suas afiliadas está a comprometer-se a fornecer conselhos de investimento, atuar como conselheiro de qualquer plano ou entidade sujeito a A Lei de Segurança de Renda de Aposentadoria do Empregado de 1974, conforme alterada, conta de aposentadoria individual ou anuidade de aposentadoria individual, ou dar conselhos em capacidade fiduciária em relação aos materiais aqui apresentados. Se você é um aposentadorio individual ou outro investidor, entre em contato com seu consultor financeiro ou outro fiduciário não relacionado a Quantopian sobre se qualquer idéia, estratégia, produto ou serviço de investimento descrito aqui pode ser apropriado para suas circunstâncias. Todos os investimentos envolvem risco, incluindo perda de principal. A Quantopian não oferece garantias sobre a precisão ou integridade das opiniões expressas no site. Os pontos de vista estão sujeitos a alterações e podem ter se tornado pouco confiáveis ​​por vários motivos, incluindo mudanças nas condições do mercado ou nas circunstâncias econômicas.
O material deste site é fornecido apenas para fins informativos e não constitui uma oferta de venda, uma solicitação de compra ou uma recomendação ou endosso para qualquer segurança ou estratégia, nem constitui uma oferta de prestação de serviços de consultoria de investimento pela Quantopian.
Além disso, o material não oferece nenhuma opinião em relação à adequação de qualquer segurança ou investimento específico. Nenhuma informação contida neste documento deve ser considerada como uma sugestão para se envolver ou abster-se de qualquer curso de ação relacionado ao investimento, já que nenhuma das empresas atacadas ou nenhuma das suas afiliadas está a comprometer-se a fornecer conselhos de investimento, atuar como conselheiro de qualquer plano ou entidade sujeito a A Lei de Segurança de Renda de Aposentadoria do Empregado de 1974, conforme alterada, conta de aposentadoria individual ou anuidade de aposentadoria individual, ou dar conselhos em capacidade fiduciária em relação aos materiais aqui apresentados. Se você é um aposentadorio individual ou outro investidor, entre em contato com seu consultor financeiro ou outro fiduciário não relacionado a Quantopian sobre se qualquer idéia, estratégia, produto ou serviço de investimento descrito aqui pode ser apropriado para suas circunstâncias. Todos os investimentos envolvem risco, incluindo perda de principal. A Quantopian não oferece garantias sobre a precisão ou integridade das opiniões expressas no site. Os pontos de vista estão sujeitos a alterações e podem ter se tornado pouco confiáveis ​​por vários motivos, incluindo mudanças nas condições do mercado ou nas circunstâncias econômicas.

Reversão média.
Qual é a "reversão média"
A reversão média é a teoria sugerindo que os preços e os retornos eventualmente se movem para a média ou a média. Esta média ou média pode ser a média histórica do preço ou retorno, ou outra média relevante, como o crescimento da economia ou o retorno médio de uma indústria.
BREAKING Down 'Reversão média'
Os retornos percentuais e os preços não são as únicas medidas consideradas como reversão média; taxas de juros ou mesmo a relação preço / lucro de uma empresa pode ser sujeita a esse fenômeno.
Uma reversão envolve o retorno de qualquer condição de volta a um estado anterior. Nos casos de reversão média, o pensamento é que qualquer preço que se afastar da norma de longo prazo voltará a retornar, retornando ao seu estado compreendido. A teoria está focada na reversão de mudanças apenas relativamente extremas, como o crescimento normal ou outras flutuações são uma parte esperada do paradigma.
A teoria da reversão média é utilizada como parte de uma análise estatística das condições do mercado e pode ser parte de uma estratégia de negociação global. Aplica-se bem às ideias de compra baixa e alta, ao tentar identificar uma atividade anormal que, teoricamente, retornará ao padrão normal.
O retorno a um padrão normal não é garantido, pois uma alta ou baixa inesperada pode ser uma indicação de uma mudança na norma. Tais eventos podem incluir, mas não estão limitados a, lançamentos de novos produtos ou desenvolvimentos no lado positivo, ou recorde e ações judiciais negativas.
Mesmo com eventos extremos, é possível que uma segurança experimente uma reversão média. Tal como acontece com a maioria das atividades de mercado, existem poucas garantias sobre como determinados eventos afetarão ou não o recurso geral de títulos específicos.
Negociação de reversão média.
O comércio médio de reversão parece aproveitar as mudanças extremas dentro do preço de uma determinada segurança, com base no pressuposto de que ela irá reverter para o estado anterior. Esta teoria pode ser aplicada tanto à compra como à venda, uma vez que permite que um comerciante aproveite os aumentos inesperados e economize na ocorrência de uma baixa anormal.