Estratégia de negociação de entrada aleatória

Blog - Últimas Notícias.
Analistas técnicos passam muitas horas agonizando sobre os melhores produtos de entrada e os melhores sistemas para seguir tendências. Mas, francamente, todo esforço vale a pena? Meu teste não prova; entradas aleatórias são tão boas quanto qualquer outra.
"Whipsaw Song", de Ed Seykota, contém suas regras de negociação em suas letras:
Montar seus vencedores Cortar suas perdas Gerenciar seu risco Usar paradas Atenha-se ao sistema Arquive as notícias.
E se um sistema de acompanhamento de tendências seguir todas as seis dessas regras, mas usar entradas aleatórias para entrar em uma negociação? Tal método pode ser lucrativo?
Se as entradas aleatórias podem produzir um lucro, então deve dar aos profissionais uma tendência de grande confiança nos princípios básicos da boa negociação estabelecidos acima. E certamente é muito mais difícil ajustar demais esse sistema aos dados.
O sistema: Eu configurei um sistema simples de acompanhamento de tendências para testar entradas aleatórias como segue.
Entrada: Se não houver posição em um determinado instrumento, faça um: seja longo ou curto em uma base aleatória. Os números aleatórios são produzidos de 1 a 20: se 1 é produzido pelo gerador de números aleatórios, então uma posição longa é tomada, se 2, então uma posição curta. Para qualquer outro número, nenhuma ação é executada.
Embora não haja posição em um instrumento, esse processo é repetido diariamente até que uma posição seja tomada. Assim, há períodos em que não há posição em determinado instrumento. Como pode ser apreciado, aumentando o intervalo de números aleatórios (entre 1 e 50, por exemplo), você pode forçar períodos mais longos de abstinência e menos negociações gerais no portfólio.
Saída: Uma parada ATR de 5 à direita baseada em uma ATR média simples de 20 dias. Quando uma posição é interrompida, ela eventualmente será reinserida longa ou curta conforme as regras de entrada acima. ATR é o intervalo médio verdadeiro - uma medida da recente volatilidade de um instrumento.
Gerenciamento de risco: consistia em limitar o tamanho da posição inicial na entrada. Na entrada 0,375% por valor da carteira será arriscado (volatilidade ajustado, dimensionamento fixo de posição fracionária baseado na distância até a parada). Nenhuma outra tentativa será feita para limitar o risco.
Carteira: A carteira consistia num sortido equilibrado de mais de 25 futuros, 3 obrigações, 3 moedas, 3 energia, 4 cereais, 3 taxas de juro, 3 metais, 2 macios e 3 índices de acções.
Execuções de teste: executei 1000 testes. Eu poderia ter executado 5000 ou 500.000, mas suspeito que as estatísticas gerais seriam pouco.
Não há juros ganhos em saldos de caixa não utilizados. Desistência: 7% Comissão por contrato: US $ 7 Data de início: 1º de janeiro de 1990 Data de término: 1º de fevereiro de 2013 Capital inicial: US $ 40.000.000.
A média de estatísticas nos 1.000 testes realizados foi a seguinte:
Percentagem de testes rentáveis: 100% CAGR (taxa de crescimento anual composta - ou seja, este é o retorno): 2.42% MAR (CAGR médio dividido por empate médio - uma relação dor / ganho): 0.19 Max Peak to Valley Draw Down ( maior perda no valor da carteira em qualquer período): 14,11% Número de negócios: 1.995 R Squar (suavidade dos retornos): 83 Desvio padrão (mensal anualizado): 5 Duração comercial vencedora (dias): 145 Perder duração comercial (dias): 52 .
Conclusão.
A conclusão é que quase qualquer forma de seguir a tendência funcionou muito bem nas últimas décadas. Eu pareço ter demonstrado que, desde que as tendências realmente existam, quase qualquer método de entrada funcionará, desde que combinado com uma saída que permita que os lucros corram e reduzam as perdas.
Outros testes mostraram como os resultados podem ser melhorados através de medidas como a adição de um filtro de longo prazo, de modo que as negociações sejam realizadas apenas na direção da tendência de longo prazo. Quando tal filtro é aplicado, os resultados agregados se assemelham muito aos índices históricos de retorno e risco-recompensa da tendência seguindo a comunidade CTA como um todo, enfatizando que os métodos exatos de entrada não são importantes. A indústria como um todo não é melhor em escolher pontos de entrada do que meu sistema aleatório.
O jogo, sem dúvida, tornou-se mais difícil ao longo dos anos por uma série de razões, incluindo o crescente número de jogadores nos mercados. Os anos de 2001 e 2012 provaram-se excepcionalmente difíceis e poucos sistemas seguindo a tendência (entrada aleatória ou não) foram capazes de lucrar em mercados tão agitados e sem tendência.
O que o futuro guarda? Quem sabe, mas é bom estar preparado. Se surgirem tendências fortes e duradouras, esses sistemas voltarão a lucrar. Se não, eles não vão. É tão simples quanto isso.
Meu objetivo ao testar entradas aleatórias juntamente com uma saída que segue a tendência era muito deliberada. Para testar se a tendência segue os dados de mercado que tenho ao meu comando.
Meu objetivo não era testar a eficácia de entradas aleatórias juntamente com saídas aleatórias, o que, mesmo intuitivamente, percebi que seria um jogo de soma zero. Tampouco era para testar se entradas aleatórias (com ou sem paradas) seriam lucrativas ou de outra forma em um mercado paralelo - mais uma vez, mesmo intuitivamente, percebi que elas não seriam.
O experimento consistiu em testar tendências seguindo em uma ampla base de mercados, onde quase por definição haveria períodos de tendência e períodos de movimento de ligar / desligar lateralmente, seguindo a tendência de mortal a longo prazo.

Entrada aleatória.
Estamos aqui para ajudar. Apenas deixe-nos saber o que você precisa. Nós trabalhamos muito duro para manter as coisas positivas em nossa comunidade. Não toleramos comportamentos rudes, trolling ou fornecedores publicitários em publicações. Acreditamos firmemente e incentivamos o compartilhamento. O Santo Graal está dentro de você, podemos ajudá-lo a encontrá-lo. Esperamos que nossos membros participem e se tornem parte da comunidade. Ajude-se ajudando os outros.
Você precisa se registrar para visualizar o conteúdo dos tópicos e começar a contribuir para a nossa comunidade. É grátis e simples.

Forex Mecânico
Negociação no mercado de câmbio usando estratégias de negociação mecânicas.
Jornada de um comerciante de Forex: Estudando resultados de negociação aleatórios no EUR / USD.
Forex é talvez o mercado mais difícil de negociar nos tempos financeiros modernos. É um mercado sem viés fixo de longo prazo, sem central de câmbio, requisitos de baixa entrada e alavancagem muito alta, a combinação absolutamente perfeita de eficiência e fácil acesso que o torna um investimento de alto risco para os comerciantes de varejo. Como a maioria dos traders de varejo de Forex perdem seu investimento inicial, não é muito difícil pensar que a maioria dos comerciantes não tenha uma vantagem estatística e simplesmente negocie de maneira pseudo-aleatória, o que acaba gerando um passeio aleatório negativamente tendencioso. o longo prazo consome seu capital devido aos custos de spread. No entanto, é certamente possível que muitos destes retalhistas gerem algum retorno a médio / longo prazo com base simplesmente na sorte. Hoje vamos dar uma olhada em como uma amostra de traders usando entradas aleatórias se comportaria, qual seria sua distribuição estatística e por que é razoável esperar que a maioria dos traders em FX perca dinheiro quando se envolver em entradas aleatórias, independentemente de seu comportamento de gerenciamento de dinheiro.
Para estudar negociações aleatórias, codifiquei um sistema simples que entra em negociações com base em uma determinada probabilidade de entrada. Os negócios têm uma chance de 50/50 de serem longos / curtos e uma negociação tem uma probabilidade geral de 10% de ser inserida em qualquer bar de 1H. Os negócios são contabilizados com um lucro fixo de 100 pip e 50 pip stop-loss (um risco de 1: 2 para recompensar o índice mais favorecido pelo aconselhamento na internet) e o tamanho do lote permanece constante em 0,1 lotes por negociação com um balanço inicial de 100.000. Isso representa um risco de 0,05% do capital inicial por negociação, que é a abordagem bastante conservadora que alguém novo no mercado com 100K estaria mais racionalmente inclinado a adotar (não que esse seja o caso para muitos operadores reais). Eu então procedi a executar o sistema 10.000 vezes, a fim de obter uma distribuição convergente dos resultados de negociação que seriam esperados desta amostragem. Os testes foram realizados em dados do EUR / USD de 2000 a 2014, dando-nos 14 anos de negociação sob as condições acima mencionadas.
Há muitos resultados interessantes dentro do esquema de negociação acima. A imagem acima mostra um sistema de amostra executado a partir dos 10.000 gerados. Este é talvez um dos resultados mais típicos, o comerciante passa por um passeio aleatório negativamente tendencioso que tem períodos de lucro espúrio que tendem a durar cerca de 3-6 meses, mas que, finalmente, resolver negativamente, sempre atingindo novas mínimas de capital. Não é de surpreender que o risco seja tão baixo e o spread seja tão pequeno (apenas 3 pips) que o viés negativo geral não seja suficiente para conduzir qualquer um dos testes de 10K a um cenário de falência. Mesmo se estivéssemos negociando com um risco de 10x (0,5% do capital inicial por negociação), ainda assim evitaríamos uma redução em dez anos de cerca de 95% das contas de negociação.
No entanto, existem muitos outros casos em que somos mais facilmente enganados pela aleatoriedade. Dê uma olhada no segundo cenário, em que temos um período de cerca de três anos em que a conta obteve muito lucro, embora a negociação tenha sido completamente aleatória. Isso pode explicar por que uma parte significativa dos traders pode acreditar que eles têm algum tipo de vantagem, mas acabam perdendo completamente à medida que o viés negativo natural da caminhada aleatória começa a se confirmar. Certamente, a probabilidade de tais desvios aumenta à medida que os desvios aumentam / mais, mas ainda é provável que existam, mesmo em faixas de até 2 a 3 anos. A probabilidade de ter um ano positivo dentro de 10 anos de negociação aleatória é de fato significativamente alta, cerca de 50% das contas experimentaram tal cenário. Uma sequência de vitórias consecutivas de 3 anos é muito menos provável, embora ainda seja bem possível (cerca de 5% de probabilidade).
É realmente esclarecedor olhar para a distribuição de lucros (em pips desde que estamos negociando lotes constantes) para os testes de 10K. Podemos ver que os resultados não são normalmente distribuídos (falha um teste de Shapiro-Wilk), pois há caudas significativamente gordas, devidas principalmente ao caráter dos dados de FX que, por si só, não são normalmente distribuídos. A maior frequência dentro do teste é em torno de uma perda de 5000 pips, uma vez que a média de negociações é de cerca de 2.500, o que representa um viés negativo próximo de 2 pips, que é o 70% do spread que você esperaria se tornar evidente dentro dos parâmetros de teste, uma vez que a aleatoriedade permite que isso aconteça. Sob um teste muito mais longo, esperaríamos que a média convergisse para uma perda de 3 pip / trade, mas provavelmente não antes que os fundos da conta ficassem esgotados.
Observe, entretanto, que algumas frações de testes realmente geram um lucro significativo dentro de um intervalo de 10 anos. Temos cerca de 1% dos casos que acabam em território positivo e destes temos pelo menos 0,01% que acaba com um lucro acima de 5000 pips. A duração mínima do período de rebaixamento ainda é bastante alta (1140 dias) e o coeficiente máximo de correlação de Pearson ainda é bastante baixo (0,84). Na verdade, essas duas variáveis ​​constituem um método bastante poderoso para distinguir resultados aleatórios de resultados com uma vantagem, já que a obtenção de resultados aleatórios com valores além do desvio padrão 4x da média para esses valores seria extremamente improvável, já que os sistemas seriam extremamente linear e suas perdas são muito raras para que sejam o produto de um passeio aleatório. No entanto, ainda é claro a partir desses resultados que alguém negociando aleatoriamente pode alcançar um lucro, mesmo após um intervalo de 10 anos, mostrando por que você ainda pode ser enganado incrivelmente bem por aleatoriedade.
Quando você usa outra posição ou esquemas de gerenciamento de dinheiro, no final você obtém algo semelhante, embora você possa controlar quão extremas as variações são no curto prazo, de acordo com o funcionamento da sua administração de dinheiro. Por exemplo, se você estiver usando um tipo de gerenciamento de dinheiro do tipo Martingale, poderá tornar os cenários perdedores muito mais proeminentes enquanto aumenta a probabilidade de longos períodos de vitórias. No final, isso age simplesmente como uma maneira de fazer uma aposta com as mesmas probabilidades gerais que a caminhada aleatória negativamente tendenciosa na qual o risco e a recompensa são muito mais extremos, algo bastante semelhante pode ser alcançado aumentando as apostas na caminhada aleatória regular abordagem.
A partir daqui você pode ver que a negociação aleatoriamente não implica que você vai perder dinheiro a longo prazo. Embora esta seja a maior probabilidade (cerca de 99%), é verdade que você ainda pode obter lucros negociando aleatoriamente se tiver sorte, mesmo em um período de 10 anos. Devido a isso, é importante ter cuidado para não negociar sistemas que estão sendo enganados apenas pela aleatoriedade e para garantir que seus sistemas de negociação e / ou resultados manuais tenham uma vantagem estatística verdadeira que seria extremamente improvável ao seguir um sistema aleatório. cenário de negociação. Exercícios como este & # 8211; construindo distribuições de resultados aleatórios & # 8211; são muito úteis, pois permitem que você veja com facilidade como um comerciante pode ser enganado pela aleatoriedade a curto prazo e como diferentes parâmetros para o teste podem ter um efeito dramático nas probabilidades gerais e resultados de curto prazo.
Se você gostaria de aprender mais sobre negociação e como você também pode desenvolver sistemas que tenham resultados históricos acima daqueles esperados da aleatoriedade, por favor considere juntar-se a Asirikuy, um site repleto de vídeos educacionais, sistemas de negociação, desenvolvimento e uma abordagem sólida, honesta e transparente. negociação automatizada em geral. Espero que tenha gostado deste artigo ! : o)

Backtesting uma estratégia de negociação EUR / USD usando uma parada móvel ATR.
Neste artigo mostrarei os resultados do meu backtest de uma estratégia de negociação EUR / USD. O que é interessante sobre este teste é que usei um sinal de entrada aleatório. Eu também usei um trailing stop baseado no ATR para fechar as posições.
Os resultados mostram que uma estratégia de negociação de entrada aleatória pode ser lucrativa usando um stop móvel.
Mercado e Prazo.
Eu estou usando o meu par forex favorito, o EUR / USD, e negociando no prazo de 4 horas. Cada execução da análise é superior a 10.000 períodos de 4 horas. O estudo vai de maio de 2006 a outubro de 2012.
Sinal de entrada.
Boas entradas de negociação são geralmente consideradas uma parte importante da negociação. Eu concordo fortemente com isso, no entanto, diferentes tipos de entradas funcionam bem em diferentes tipos de mercados. Não é possível dizer o que o mercado vai fazer, portanto, as melhores entradas podem resultar em negociações não lucrativas.
Neste teste eu usei um gerador de números aleatórios para acionar as entradas de negociação. O melhor da entrada aleatória é que podemos testá-la repetidamente nos mesmos dados históricos. Por ser uma entrada aleatória, os resultados variam consideravelmente. No entanto, repetindo o teste muitas vezes, obtemos um bom nível de consistência.
Este método de repetir uma análise é muitas vezes referido como um método de Monte Carlo após o famoso cassino. Já gravei um vídeo do YouTube sobre o uso do Excel para criar um simulador de Monte Carlo.
Saia do sinal.
Cada negociação é encerrada usando um stop móvel. Paradas de arrasto tendem a ser associadas à tendência seguindo as estratégias de tipo. Eu não uso uma meta de lucro.
O trailing stop é calculado com base no Average True Range (ATR). O ATR é uma medida da recente volatilidade do mercado. Eu então multiplico o ATR por um fator para calcular a distância de parada à direita. Este método de calcular o stop-loss é muitas vezes chamado de saída do candelabro e foi desenvolvido e popularizado por Chuck LeBeau e Dr. Alexander Alder. Na minha análise estou usando um período de 20 ATR.
Por exemplo: para uma negociação longa com um ponto de entrada é 1.3500, um ATR de 45 pips e um multiplicador de 2. O stop-loss será 1.3500 & # 8211; (0,0045 * 2) = 1,3410. À medida que a posição de negociação se move para o lucro, a parada móvel se moverá com ela para garantir o lucro.
Simulações
Para cada fator ATR, executei a análise 100 vezes.
Para esses resultados, comparei três métricas diferentes. Em primeiro lugar, o lucro médio gerado durante os testes. Em segundo lugar, o fator de lucro, que é o valor absoluto do valor total das negociações vencedoras dividido pelo valor total dos negócios perdidos. Por fim, calculei a porcentagem de testes que eram lucrativos.

Estratégia de negociação de entrada aleatória
Blog Au. Tra. Sy, pesquisa e desenvolvimento de Trading Sistemático, com um sabor de Trend Following.
Disclaimer: O desempenho passado não é necessariamente indicativo de resultados futuros. A negociação de futuros é complexa e apresenta o risco de perdas substanciais; como tal, pode não ser adequado para todos os investidores. O conteúdo deste site é fornecido apenas como informação geral e não deve ser considerado como recomendação de investimento. Todo o conteúdo do site, não deve ser interpretado como uma recomendação para comprar ou vender qualquer título ou instrumento financeiro, ou para participar de qualquer estratégia específica de negociação ou investimento. As idéias expressas neste site são unicamente as opiniões do autor. O autor pode ou não ter uma posição em qualquer instrumento financeiro ou estratégia citada acima. Qualquer ação que você tome como resultado de informações ou análises neste site é, em última instância, de sua exclusiva responsabilidade.
OS RESULTADOS DE DESEMPENHO HIPOTÉTICOS TÊM MUITAS LIMITAÇÕES INERENTES, ALGUNS DOS QUAIS SÃO DESCRITOS ABAIXO. NENHUMA REPRESENTAÇÃO ESTÁ SENDO FEITA QUE QUALQUER CONTA PODERÁ OU POSSIBILITAR LUCROS OU PERDAS SEMELHANTES AOS MOSTRADOS; DE FATO, HÁ DIFERENÇAS FREQUENTEMENTE DIFERENCIADAS ENTRE OS RESULTADOS DE DESEMPENHO HIPOTÉTICOS E OS RESULTADOS REALIZADOS SUBSEQÜENTEMENTE ATINGIDOS POR QUALQUER PROGRAMA DE NEGOCIAÇÃO PARTICULAR. UMA DAS LIMITAÇÕES DOS RESULTADOS DE DESEMPENHO HIPOTÉTICOS É QUE ELES SÃO GERALMENTE PREPARADOS COM O BENEFÍCIO DE HINDSIGHT. ALÉM DISSO, A NEGOCIAÇÃO HIPOTÉTICA NÃO ENVOLVE O RISCO FINANCEIRO, E NENHUM REGISTRO DE NEGOCIAÇÃO HIPOTÉTICA PODE COMPLETAMENTE CONTA PARA O IMPACTO DO RISCO FINANCEIRO DE NEGOCIAÇÃO REAL. POR EXEMPLO, A CAPACIDADE PARA SUPORTAR PERDAS OU ADERIR A UM PROGRAMA DE NEGOCIAÇÃO EM PARTICULAR DENTRO DA NEGOCIAÇÃO DE PERDAS SÃO PONTOS MATERIAIS QUE TAMBÉM PODEM AFETAR DE ACORDO, DE FORMA ALTA, OS RESULTADOS DA NEGOCIAÇÃO. EXISTEM NUMEROSOS OUTROS FATORES RELACIONADOS COM OS MERCADOS EM GERAL OU PARA A IMPLEMENTAÇÃO DE QUALQUER PROGRAMA DE NEGOCIAÇÃO ESPECÍFICO QUE NÃO PODE SER TOTALMENTE CONSIDERADO PARA A ELABORAÇÃO DE RESULTADOS DE DESEMPENHO HIPOTÉTICOS E TODOS OS QUE PODEM AFETAR COM ANTECEDÊNCIA OS RESULTADOS DA NEGOCIAÇÃO.
ESTAS TABELAS DE DESEMPENHO E RESULTADOS SÃO HIPOTÉTICOS NA NATUREZA E NÃO REPRESENTAM A NEGOCIAÇÃO EM CONTAS REAIS.

EUR / USD Backtested & # 8211; Indicadores Técnicos e Entrada Aleatória.
Este artigo é o segundo de uma série que investiga como a entrada aleatória efetiva pode estar em uma estratégia de negociação. Neste artigo, estou procurando combinar um fator de entrada aleatório com indicadores técnicos para ver se ele torna o sistema mais confiável.
Mercado e Prazo.
Como no artigo anterior, estou usando o par EUR / USD forex. O EUR / USD é o par de moedas mais amplamente negociado e tem os custos de transação mais baixos. O EUR / USD representa o equilíbrio de força entre a zona do euro, a maior zona monetária única do mundo e os EUA, a maior economia do mundo. Entre eles, eles representam quase metade de toda a economia mundial.
Historicamente, o EUR / USD tem sido um bom mercado para os traders. O par tem apresentado tendências frequentes, à medida que as diferenças nas taxas de crescimento econômico e na política monetária movimentam as duas moedas em direções diferentes.
Os backtests usam o período de 4 horas e estou testando 10.000 períodos, entre 2006 e 2012.
Saia do sinal.
As negociações são encerradas usando um stop móvel. O trailing stop usa um múltiplo do ATR. Isso permite que o trailing stop reaja dinamicamente às condições de mercado. Quando o mercado é volátil, o stop móvel é maior e, quando o mercado está silencioso, o stop móvel é menor.
Simulações
As simulações analisam 4 cenários:
& # 8220; Com a tendência & # 8221; & # 8211; negócios longos só entraram acima do SMA de 34 períodos, operações de curto prazo apenas abaixo. Esta é uma definição muito simples de uma tendência, mas eu esperava que isso conseguisse uma pequena melhoria nos resultados. & # 8220; Contra a tendência & # 8221; & # 8211; as negociações longas entraram abaixo do 34 SMA, operações de curto prazo somente acima. Eu esperava que esse cenário piorasse os resultados. & # 8220; Quando o mercado está calmo & # 8221; & # 8211; comércios entraram aleatoriamente em ambas as direções quando o mercado está dentro de Bollinger Bands de 1 desvio padrão. Se o mercado está negociando dentro de um desvio padrão da média, ele tem muito espaço para se mover em qualquer direção. Eu esperava que esse cenário fosse uma melhoria em relação ao cenário de entrada puramente aleatório. & # 8220; Quando o mercado não está em extremos & # 8221; & # 8211; negociações entraram aleatoriamente em ambas as direções quando o mercado está dentro de Bollinger Bands de 2 desvios padrão. Sempre que o mercado está fora do Bollinger Bands, é um preço extremo comparado ao passado recente. Eu esperava ver uma pequena melhora em relação ao cenário de entrada puramente aleatório.
Para cada um desses cenários, testei uma parada de trilha ATR usando um multiplicador de 1, 2, 3 e 4.
Cada cenário foi testado 4 vezes.
Você pode conferir o vídeo que acompanha no YouTube.

Aprenda a negociar o mercado.
NIAL FULLER.
Trader profissional, autor e treinador de negociação.
Nial Fuller é um trader profissional, autor e amp; treinador que é considerado & # 8216; A Autoridade & # 8217; em negociação de ação de preço. Em 2016, a Nial venceu a competição Million Dollar Trader. Ele tem um público mensal de 250.000 comerciantes e já ensinou mais de 20.000 alunos. Leia mais & # 8230;
Estudo de Caso & # 8211; Entrada aleatória & # 038; Recompensa de risco em Forex Trading.
Um estudo de caso de entrada aleatória & amp; Recompensa de risco.
Nas últimas duas semanas, conduzi um experimento de negociação para provar um ponto a qualquer um que estivesse em dúvida sobre o poder da recompensa de risco combinada com as estratégias de negociação de ações de preço. Este artigo o levará a uma jornada em minha mente e provará a você que se você simplesmente implementar uma recompensa de risco adequada e tiver uma disposição para aprender uma estratégia de negociação de alta probabilidade como ação de preço, terá todos os ingredientes para se tornar consistentemente lucrativo comerciante forex. Este artigo irá abrir seus olhos, sugiro que você leia, comece a aprender sobre os conceitos discutidos.
Para primeiro demonstrar e provar o poder da recompensa de risco, decidi entrar aleatoriamente em 20 negociações nas últimas 2 semanas no EURUSD, GBPUSD e AUDUSD em uma conta de demonstração. Nenhuma configuração de ação de preço foi usada, nem havia qualquer método ou estratégia de qualquer tipo implementado ao entrar no mercado. Os parâmetros eram simplesmente inserir um dos três pares de moedas acima, num total de 20 vezes em 10 dias de negociação, usando um stop loss de 50 pips e um alvo de 100 pips para cada trade, fazendo uma recompensa de risco de 1 a 2 em cada setup . Eu não "baguncei" qualquer negociação depois que ela foi inserida, eu empreguei o set puro e esqueci a negociação forex neste experimento; Eu simplesmente entrei e deixei o mercado fazer sua parte, para provar o poder da recompensa de risco. (Observe que o 20º ofício estava em ponto de equilíbrio no momento da redação deste artigo e eu não tive tempo de esperar que ele fosse fechado, eu o contei como um vencedor, atualizarei este artigo se ele acabar se tornando um perdedor quando fecha, embora isso não altere nenhuma das implicações ou insights deste artigo.)
Embora esse experimento visasse provar o poder da recompensa de risco, ele também pretendia provar o poder das estratégias de negociação de ações de preço combinadas com a recompensa de risco. Meus resultados mostraram um pequeno lucro após entrar aleatoriamente 20 vezes com uma recompensa de risco de 1 para 2 em cada negociação, isto depois de ter perdido 12 de 20 negociações. Isso significa que minha porcentagem vencedora para esta série de negociações foi de 40%, então perdi em 60% dos negócios e ganhei em apenas 40%, como você pode ver pelo histórico de negociações abaixo, esse modelo de entrada aleatória combinado com um risco de 1 para 2 recompensa ainda lucrou cerca de US $ 200, isso sem nenhuma vantagem aplicada.
Qual é a lição a aprender aqui?
Embora o histórico de comércio acima certamente prove o verdadeiro poder da recompensa de risco, temos que nos perguntar quanto melhor poderíamos fazer aplicando uma vantagem real no mercado, como a vantagem que temos das configurações de ação de preço de negociação. Quando combinados com experiência e educação, as estratégias de negociação de ação de preço podem certamente fornecer configurações de negociação que proporcionam a você uma probabilidade superior a 50% no mercado, presumindo que você aplique discrição e não negocie em excesso. Então, se assumirmos que podemos atingir pelo menos uma taxa de ganho de 50% usando estratégias simples de ação de preço como as que eu ensino, e usar uma recompensa de risco de pelo menos 1 para 2 em cada negociação, durante uma série de 20 negociações onde arriscamos $ 50 por negociação, teríamos um lucro de $ 500 ($ 1000 em ganhos & # 8211; $ 500 em perdas).
Então, sabemos que as estratégias de recompensa de risco funcionam, não há dúvidas sobre isso; você entra aleatoriamente no mercado e se você fizer pelo menos 2 vezes o risco em suas negociações vencedoras, você provavelmente irá equilibrar ou virar um pequeno lucro em uma série de negociações. Quando combinamos esse conhecimento do poder do risco para recompensar com uma vantagem de alta probabilidade como ação de preço, o que temos é uma estratégia profissional de administração e negociação de dinheiro que, quando combinada com a educação e discrição adequadas, gerará uma série de pelo menos 20 trades ou mais.
Os traders profissionais sabem que seus vencedores têm que superar seus perdedores para ganhar dinheiro, porque a maioria dos traders profissionais só ganha cerca de 50% do tempo. Se você não tem vantagem no mercado que pode levá-lo ao ponto de ganhar, pelo menos, cerca de 50% de seus negócios, você provavelmente vai apenas quebrar sobre qualquer série de negociações, supondo que você ainda implementar uma recompensa de risco de pelo menos 1 2. A maioria dos comerciantes não implementa adequadamente a recompensa de risco; eles obtêm lucros de menos de 2 vezes o risco, o que os obriga, inerentemente, a ter uma porcentagem de ganhos muito alta para ganhar dinheiro. Tomando um lucro de menos de 2 vezes o risco, você está basicamente colocando as probabilidades contra você, porque você então terá que ganhar mais de 50% de seus negócios para ganhar dinheiro, e a maioria das estratégias de negociação não lhe dará uma vantagem. permite que você conquiste consistentemente mais de 50% dos seus negócios.
Uma configuração de ação de preço de alta qualidade permite que você defina e esqueça sua negociação e, ao mesmo tempo, oferece a você mais de 50% de chance de ganhar qualquer configuração. O que isto significa é que com ação de preço e recompensa de risco você tem uma maneira quase livre de estresse de negociar o mercado; você pode esperar pacientemente por configurações de ação de preço óbvias que se desenvolvem a partir de áreas confluentes e / ou em mercados de tendência, insira uma recompensa de risco de 1 a 2 e vá embora até a negociação ser fechada. Se você realmente fizer isso com disciplina, tomando apenas medidas óbvias de ação de preço e implementando rigidamente uma recompensa de risco de 1 a 2, você se tornará lucrativo em uma série de negociações.
A chave é não desanimar se você acertar alguns perdedores ou tornar-se confiante demais se você acertar alguns vencedores. E se você perder nos primeiros 8 negócios de 20? Veja os resultados da minha experiência de negociação acima; Você percebeu que eu perdi em 9 negociações seguidas antes de bater uma série de vencedores? Isso é chamado de negociação, e às vezes você vai bater uma série de perdedores ou uma série de vencedores, mas você não pode deixar isso influenciar o seu plano de negociação forex, você tem que ter uma perspectiva de longo prazo e lembrar-se de que sua vantagem com recompensa de risco, precisa de tempo para jogar fora.
Obter o treinamento adequado é a chave.
Além de ser capaz de controlar suas emoções e permanecer disciplinado o suficiente em uma base consistente para não alavancar ou negociar em excesso e implementar recompensa de risco adequada em cada negociação, a maior variável que pode influenciar seu sucesso comercial é saber se você sabe ou não o que sua vantagem é e quando você deve trocá-lo. Isto é onde a educação de forex adequada em uma estratégia de negociação de alta probabilidade como ação de preço vem dentro Eu tenho com sucesso usando configurações de ação de preço simples mas eficazes para negociar os mercados agora há anos e eu ensinar outros comerciantes exatamente como eu comércio na minha curso de negociação forex. Meu curso e seus ensinamentos não apenas oferecem uma estratégia de negociação, mas também mostram quando usar a estratégia e como o mercado deve ser antes de você entrar.
Quando você combina minhas configurações de ação de preço com um conhecimento profundo de implementação de recompensa de risco e um domínio de negociação de gráficos de preço simples de baunilha, você começará a pensar como um profissional especializado. Comerciantes profissionais vêem o mercado de uma maneira completamente diferente dos amadores; eles não complicam mais nada. Primeiro, eles verificam o mercado para ver se sua borda comercial está presente; se não estiver presente, eles saem do computador ou não olham para os gráficos por um período de tempo, normalmente pelo menos 4 horas. Se a borda comercial estiver presente, eles passarão para o próximo fator a ser verificado; se uma recompensa de risco de pelo menos 1 a 2 é logicamente alcançável. Se uma recompensa de risco de 1 a 2 é atingível, então eles entram no negócio e vão embora, é isso. A razão pela qual um operador profissional pensa e comercializa assim é porque não se apega a nenhum negócio; eles sabem que cada negociação é apenas uma dentre uma série de muitas que devem ser realizadas para que sua vantagem seja resolvida. Comerciantes amadores são apanhados em cada negociação; eles reagem à emoção de cada perdedor ou vencedor, porque eles simplesmente não podem ver a floresta para as árvores, normalmente devido à falta de experiência e discernimento.
O meu curso de trading e a comunidade de traders de ação de preço dão a você a percepção necessária para se tornar um trader discricionário de ação de preço bem-sucedido. A experiência é algo que você deve desenvolver por conta própria com as ferramentas e a formação que eu ofereço. Quando você combina as estratégias de ação de preço e recompensa de risco que eu ensino com uma boa dose de auto-disciplina e experiência de negociação, não há virtualmente nada que possa ficar no seu caminho, exceto sua própria falta de autocontrole. Se você gostaria de saber mais sobre como eu negocio o mercado com configurações de ação de preço e cenários de recompensa de risco, por favor, confira meu curso de negociação forex de ação de preço.

Estratégia de negociação de entrada aleatória
Afiliação: Dipartimento di Economia e Impresa, Universitá di Catania, Catania, Itália.
Alessandro Pluchino.
Afiliações: Dipartimento di Fisica e Astronomia, Università di Catania, Catania, Itália, INFN sezione di Catania, Catania, Itália.
Andrea Rapisarda.
Afiliações: Dipartimento di Fisica e Astronomia, Università di Catania, Catania, Itália, INFN sezione di Catania, Catania, Itália.
Dirk Helbing.
Afiliação: ETH Zurique, Zurique, Suíça.
Neste artigo, exploramos o papel específico da aleatoriedade nos mercados financeiros, inspirados pelo papel benéfico do ruído em muitos sistemas físicos e em aplicações anteriores a sistemas socioeconômicos complexos. Após uma breve introdução, estudamos o desempenho de algumas das estratégias de negociação mais utilizadas na previsão da dinâmica dos mercados financeiros para diferentes índices internacionais de bolsa de valores, com o objetivo de compará-las ao desempenho de uma estratégia completamente aleatória. A este respeito, os dados históricos para FTSE-UK, FTSE-MIB, DAX e S & amp; Os índices P500 são levados em conta por um período de cerca de 15 a 20 anos (desde sua criação até hoje).
Citação: Biondo AE, Pluchino A, Rapisarda A, Helbing D (2013) As Estratégias de Negociação Aleatória são Mais Bem-sucedidas que as Técnicas? PLoS ONE 8 (7): e68344. doi: 10.1371 / journal. pone.0068344.
Editor: Alejandro Raul Hernandez Montoya, Universidade Veracruzana, México.
Direitos autorais: © 2013 Biondo et al. Este é um artigo de acesso aberto distribuído sob os termos da Licença de Atribuição da Creative Commons, que permite uso, distribuição e reprodução irrestritos em qualquer meio, desde que o autor e a fonte originais sejam creditados.
Financiamento: Os autores não têm apoio ou financiamento para relatar.
Interesses concorrentes: Os autores declararam que não existem interesses concorrentes.
Introdução.
Na física, tanto no nível clássico quanto quântico, muitos sistemas reais funcionam bem e mais eficientemente devido ao papel útil de um ruído fraco aleatório [1] - [6]. Mas não apenas os sistemas físicos se beneficiam da desordem. De fato, o ruído tem uma grande influência na dinâmica de células, neurônios e outras entidades biológicas, mas também em sistemas ecológicos, geofísicos e socioeconômicos. Seguindo essa linha de pesquisa, investigamos recentemente como estratégias aleatórias podem ajudar a melhorar a eficiência de um grupo hierárquico para enfrentar o princípio de Peter [7] - [9] ou uma instituição pública como um Parlamento [10]. Outros grupos exploraram com sucesso estratégias semelhantes em jogos de minorias e Parrondo [11], [12], na avaliação de desempenho de portfólio [13] e no contexto do leilão duplo contínuo [14].
Recentemente Taleb foi brilhantemente discutido em seus livros de sucesso, como o acaso e os cisnes negros governam nossa vida, mas também o comportamento da economia e do mercado financeiro além de nossas expectativas ou controle pessoal e racional. Na verdade, a aleatoriedade entra em nossa vida cotidiana, embora dificilmente a reconheçamos. Portanto, mesmo sem ser cético tanto quanto Taleb, pode-se facilmente afirmar que muitas vezes entendemos mal os fenômenos que nos rodeiam e somos enganados por aparentes conexões que são apenas devido à fortuna. Os sistemas econômicos são inevitavelmente afetados pelas expectativas, presentes e passadas, já que as crenças dos agentes influenciam fortemente sua dinâmica futura. Se hoje surgiu uma expectativa muito boa sobre o desempenho de qualquer segurança, todos tentariam comprá-la e essa ocorrência implicaria um aumento em seu preço. Então, amanhã, essa garantia teria um preço maior do que hoje, e esse fato seria apenas a consequência da própria expectativa do mercado. Essa profunda dependência das expectativas fez com que economistas financeiros tentassem construir mecanismos para prever os preços futuros dos ativos. O objetivo deste estudo é precisamente verificar se esses mecanismos, que serão descritos em detalhes nas próximas seções, são mais eficazes para prever a dinâmica do mercado em comparação com uma estratégia completamente aleatória.
Em um artigo anterior [17], motivado também por alguns experimentos intrigantes em que uma criança, um chimpanzé e dardos foram utilizados com sucesso para investimentos remunerativos [18], [19], já encontramos algumas evidências a favor de estratégias aleatórias para o FTSE - Mercado de ações do Reino Unido. Aqui vamos estender esta investigação para outros mercados financeiros e para novas estratégias de negociação. O artigo está organizado da seguinte forma. A seção 2 apresenta uma breve introdução ao debate sobre a previsibilidade nos mercados financeiros. Na Seção 3, introduzimos a série histórica financeira considerada em nosso estudo e realizamos uma análise de retificação em busca de possíveis correlações de algum tipo. Na Seção 4, definimos as estratégias de negociação usadas em nossas simulações, enquanto na Seção 5 discutimos os principais resultados obtidos. Finalmente, na Seção 6, extraímos nossas conclusões, sugerindo também algumas implicações políticas contraintuitivas.
Expectativas e Previsibilidade nos Mercados Financeiros.
Como Simon [20] apontou, os indivíduos assumem sua decisão com base em um conhecimento limitado sobre seu ambiente e, assim, enfrentam altos custos de busca para obter informações necessárias. No entanto, normalmente, eles não podem reunir todas as informações que deveriam. Portanto, os agentes agem com base na racionalidade limitada, o que leva a vieses significativos na maximização da utilidade esperada que eles buscam. Em contraste, Friedman [21] defendeu a abordagem do agente racional, que considera que o comportamento dos agentes pode ser melhor descrito assumindo sua racionalidade, uma vez que os agentes não-racionais não sobrevivem à competição no mercado e são expulsos dele. Portanto, nem os vieses sistemáticos na utilidade esperada, nem a racionalidade limitada podem ser usados ​​para descrever os comportamentos dos agentes e suas expectativas.
Sem qualquer receio de contradição, pode-se dizer que hoje em dia dois modelos principais de referência de expectativas foram amplamente estabelecidos na literatura econômica: o modelo de expectativas adaptativas e o modelo de expectativa racional. Aqui não daremos nenhuma definição formal desses paradigmas. Para os nossos propósitos, é suficiente recordar sua justificativa. O modelo de expectativas adaptativas baseia-se em uma série ponderada de valores retrospectivos (de modo que o valor esperado de uma variável é o resultado da combinação de seus valores passados). Em contraste, o modelo de expectativas racionais hipotetiza que todos os agentes têm acesso a todas as informações disponíveis e, portanto, conhecem exatamente o modelo que descreve o sistema econômico (o valor esperado de uma variável é a previsão objetiva fornecida pela teoria). Essas duas teorias remontam a contribuições muito relevantes, entre as quais apenas nos referimos a Friedman [21], [22], Phelps [23] e Cagan [24] para expectativas adaptativas (vale a pena notar que a noção de “ expectativas adaptativas ”foi introduzido pela primeira vez por Arrow e Nerlove [25]). Para expectativas racionais, nos referimos a Muth [26], Lucas [27] e Sargent-Wallace [28].
Os mercados financeiros são frequentemente tomados como exemplo de dinâmicas complexas e volatilidade perigosa. Isso de alguma forma sugere a ideia de imprevisibilidade. No entanto, devido ao papel relevante desses mercados no sistema econômico, um amplo corpo de literatura foi desenvolvido para obter algumas previsões confiáveis. De fato, a previsão é o ponto chave dos mercados financeiros. Desde Fama [29], dizemos que um mercado é eficiente se ocorrer uma arbitragem perfeita. Isso significa que o caso de ineficiência implica a existência de oportunidades para lucros inexplorados e, é claro, os operadores operariam imediatamente posições longas ou curtas até que qualquer outra possibilidade de lucro desaparecesse. Jensen [30] afirma precisamente que um mercado deve ser considerado eficiente em relação a um conjunto de informações, se for impossível obter lucros por negociação com base nesse conjunto de informações. Isso é consistente com Malkiel [31], que argumenta que um mercado eficiente reflete perfeitamente todas as informações na determinação dos preços dos ativos. Como o leitor pode entender facilmente, a parte mais importante dessa definição de eficiência depende da integridade do conjunto de informações. De fato, Fama [29] distingue três formas de eficiência de mercado, de acordo com o grau de completude do conjunto informativo (ou seja, “fraco”, “semiforte” e “forte”). Assim, traders e analistas financeiros buscam continuamente expandir seu conjunto de informações para obter a oportunidade de escolher a melhor estratégia: esse processo envolve tanto agentes em flutuações de preço que, ao final do dia, pode-se dizer que sua atividade é reduzida a um palpite sistemático. A globalização completa dos mercados financeiros ampliou esse processo e, com o tempo, estamos experimentando décadas de extrema variabilidade e alta volatilidade.
Keynes argumentou, há muitos anos, que a racionalidade dos agentes e da psicologia de massa (os chamados "espíritos animais") não devem ser interpretados como se fossem a mesma coisa. O Autor apresentou o famoso exemplo do concurso de beleza para explicar a lógica subjacente aos mercados financeiros. Em sua Teoria Geral [32] ele escreveu que “o investimento baseado em expectativas genuínas de longo prazo é tão difícil que dificilmente é praticável. Aquele que o tenta certamente deve levar dias muito mais trabalhosos e correr riscos maiores do que aquele que tenta adivinhar melhor do que a multidão como a multidão se comportará; e, dada inteligência igual, ele pode cometer erros mais desastrosos. Em outras palavras, a fim de prever o vencedor do concurso de beleza, deve-se tentar interpretar a beleza preferida do júri, em vez de prestar atenção no ideal da beleza objetiva. Nos mercados financeiros é exatamente a mesma coisa. Parece impossível prever preços de ações sem erros. A razão é que nenhum investidor pode saber de antemão a opinião “do júri”, ou seja, de uma massa de investidores ampla, heterogênea e muito substancial, que reduz qualquer previsão possível a apenas um palpite.
Apesar de considerações como essas, a chamada Hipótese dos Mercados Eficientes (cuja principal fundamentação teórica é a teoria das expectativas racionais), descreve o caso de mercados perfeitamente competitivos e agentes perfeitamente racionais, dotados de toda informação disponível, que escolhem as melhores estratégias ( já que, de outra forma, o mecanismo competitivo de compensação os colocaria fora do mercado). Há evidências de que essa interpretação de um mecanismo de arbitragem perfeito em pleno funcionamento não é adequada para analisar os mercados financeiros, como, por exemplo: Cutler et al. [33], que mostra que grandes movimentos de preços ocorrem mesmo quando pouca ou nenhuma nova informação está disponível; Engle [34], que relatou que a volatilidade dos preços está fortemente correlacionada temporalmente; Mandelbrot [35], [36], Lux [37], Mantegna e Stanley [38], que argumentam que as flutuações de curto prazo dos preços não são normais; ou por último, mas não menos importante, Campbell e Shiller [39], que explicam que os preços podem não refletir com precisão as avaliações racionais.
Muito interessante, uma infinidade de modelos de agentes heterogêneos foram introduzidos no campo da literatura financeira. Nesses modelos, diferentes grupos de comerciantes coexistem, com diferentes expectativas, influenciando-se mutuamente por meio das conseqüências de seus comportamentos. Mais uma vez, nossa discussão não pode ser exaustiva aqui, mas podemos mencionar proveitosamente pelo menos contribuições de Brock [40], [41], Brock e Hommes [42], Chiarella [43], Chiarella e He [44], DeGrauwe e cols. . [45], Frankel e Froot [46], Lux [47], Wang [48] e Zeeman [49].
Parte dessa literatura refere-se à abordagem, denominada “sistemas de crenças adaptativas”, que tenta aplicar a não-linearidade e o ruído aos modelos de mercado financeiro. A incerteza intrínseca sobre fundamentos econômicos, juntamente com erros e heterogeneidade, leva à idéia de que, além do valor fundamental (ou seja, o valor descontado atual dos fluxos esperados de dividendos), os preços das ações flutuam de forma imprevisível devido a fases de otimismo ou pessimismo. para as fases correspondentes de tendência de alta e tendência de baixa que causam crises de mercado. Como esse tipo de comportamento errático pode ser gerenciado para otimizar uma estratégia de investimento? A fim de explicar a atitude muito diferente adotada pelos agentes para escolher estratégias ao negociar nos mercados financeiros, uma distinção é feita entre fundamentalistas e cartistas. Os primeiros baseiam suas expectativas sobre os preços dos ativos futuros sobre os fundamentos do mercado e fatores econômicos (ou seja, variáveis ​​micro e macroeconômicas, como dividendos, lucros, crescimento econômico, taxas de desemprego, etc.). Por outro lado, os últimos tentam extrapolar tendências ou características estatisticamente relevantes de séries passadas de dados, a fim de prever os caminhos futuros dos preços dos ativos (também conhecidos como análise técnica).
Dado que a interação destes dois grupos de agentes determina a evolução do mercado, escolhemos aqui focar no comportamento dos grafistas (uma vez que uma análise qualitativa dos fundamentos macroeconômicos é absolutamente subjetiva e difícil de avaliar), tentando avaliar a ex-investidora individual capacidade preditiva - ante. Assumindo a falta de informação completa, a aleatoriedade desempenha um papel fundamental, uma vez que a eficiência é impossível de ser alcançada. Isto é particularmente importante para sublinhar que a nossa abordagem não depende de qualquer forma do paradigma da Hipótese dos Mercados Eficientes acima mencionado. Mais precisamente, estamos buscando a resposta para a seguinte questão: se um trader assumir a falta de informação completa em todo o mercado (isto é, a imprevisibilidade da dinâmica dos preços das ações [50] - [53]), estratégia de negociação executar, em média, tão bem como estratégias de negociação bem conhecidas? Passamos da evidência de que, como cada agente depende de um conjunto de informações diferente para construir suas estratégias de negociação, nenhum mecanismo eficiente pode ser invocado. Em vez disso, uma rede complexa de comportamento de auto-influência, devido à circulação assimétrica de informações, desenvolve suas ligações e gera comportamentos de manada para seguir alguns sinais cuja credibilidade é aceita.
Crises financeiras mostram que os mercados financeiros não estão imunes a falhas. Seu sucesso periódico não é gratuito: eventos catastróficos queimam valores enormes em dólares e os sistemas econômicos em grave perigo. Os comerciantes estão tão certos de que estratégias elaboradas se encaixam na dinâmica dos mercados? A nossa simulação simples irá realizar uma análise comparativa do desempenho de diferentes estratégias de negociação: os nossos traders terão que prever, dia a dia, se o mercado irá subir (tendência 'alta') ou para baixo (tendência 'bearish'). As estratégias testadas são: o Momentum, o RSI, o UPD, o MACD e um completamente aleatório.
Os teóricos das expectativas racionais imediatamente apostariam que a estratégia aleatória perderia a concorrência, pois não está fazendo uso de nenhuma informação, mas, como mostraremos, nossos resultados são bastante surpreendentes.
Análise Detectada da Série de Índices.
Consideramos quatro índices muito populares de mercados financeiros e, em particular, analisamos as seguintes séries temporais correspondentes, mostradas na Figura 1:
Expandir Figura 1. Evolução temporal de quatro índices importantes do mercado financeiro (com intervalos de tempo de 3714 a 5750 dias).
De cima para baixo, mostramos o índice FTSE UK All-Share, o índice FTSE MIB All-Share, o índice DAX All-Share e o índice S & amp; Índice P 500. Veja o texto para mais detalhes.
Em geral, a possibilidade de prever séries temporais financeiras tem sido estimulada pelo achado de algum tipo de comportamento persistente em alguns deles [38], [54], [55]. O principal objetivo da presente seção é investigar a possível presença de correlações nas quatro séries financeiras anteriores do mercado de ações da Europa e dos EUA todos os índices de ações. Neste contexto, calcularemos o expoente de Hurst dependente do tempo usando a técnica de média móvel desmistificada (DMA) [56]. Vamos começar com um resumo do algoritmo DMA. O procedimento computacional é baseado no cálculo do desvio padrão ao longo de uma determinada série temporal definida como.
onde é a média calculada em cada janela de tempo de tamanho. Para determinar o expoente de Hurst, a função é calculada para valores crescentes dentro do intervalo, sendo o comprimento da série temporal, e os valores obtidos são reportados como uma função de um gráfico log-log. Em geral, exibe uma dependência da lei de potência com o expoente, ou seja,
Em particular, se, um tiver uma correlação negativa ou um comportamento anti-persistente, enquanto um tiver uma correlação positiva ou um comportamento persistente. O caso de corresponde a um processo browniano não correlacionado. No nosso caso, como primeiro passo, calculamos o expoente de Hurst considerando a série completa. Esta análise é ilustrada nas quatro parcelas da Fig. 2. Aqui, um ajuste linear aos gráficos log-log revela que todos os valores do índice H de H obtidos desta forma para as séries temporais estudadas são, em média, muito próximos. para 0,5. Este resultado parece indicar uma ausência de correlações em grandes escalas de tempo e uma consistência com um processo aleatório.
Expandir a Figura 2. Análise detetada para as quatro séries do mercado financeiro mostradas na Figura 1.
O comportamento da lei de potência do desvio padrão de DMA permite derivar um índice de Hurst que, em todos os quatro casos, oscila em torno de 0,5, indicando uma ausência de correlações, em média, ao longo de grandes períodos de tempo. Veja o texto.
Por outro lado, é interessante calcular o expoente de Hurst localmente no tempo. Para realizar esta análise, consideramos subconjuntos da série completa por meio de janelas deslizantes de tamanho, que se movem ao longo da série com o intervalo de tempo. Isso significa que, a cada vez, calculamos o interior da janela deslizante mudando com a Eq. (1). Assim, seguindo o mesmo procedimento descrito acima, uma sequência de valores de expoente de Hurst é obtida em função do tempo. Na Fig. 3 mostramos os resultados obtidos para os parâmetros,. Neste caso, os valores obtidos para o expoente de Hurst diferem muito localmente de 0,5, indicando assim a presença de correlações locais significativas.
Expandir a Figura 3. Dependência temporal do índice de Hurst para as quatro séries: em escalas de tempo menores, correlações significativas estão presentes.
Esta investigação, que está de acordo com o que foi encontrado anteriormente na Ref. [56] para o índice Dax, parece sugerir que as correlações são importantes apenas em uma escala temporal local, enquanto elas cancelam a média em períodos de longo prazo. Como veremos nas próximas seções, esse recurso afetará o desempenho das estratégias de negociação consideradas.
Descrição das Estratégias de Negociação.
No presente estudo, consideramos cinco estratégias de negociação definidas da seguinte forma:
Estratégia Aleatória (RND) Esta estratégia é a mais simples, já que o trader correspondente faz sua previsão no tempo completamente ao acaso (com distribuição uniforme). Momentum (MOM) Estratégia Esta estratégia é baseada no chamado indicador de momentum, ou seja, a diferença entre o valor e o valor, onde é um dado intervalo de negociação (em dias). Então, se, o comerciante prevê um incremento do índice de fechamento para o dia seguinte (ou seja, ele prevê isso) e vice-versa. Nas seguintes simulações, consideraremos dias, já que este é um dos mais utilizados para o indicador de momento. Veja ref. [57] Estratégia do Índice de Força Relativa (RSI) Esta estratégia é baseada em um indicador mais complexo chamado "RSI". É considerada uma medida da força de negociação recente da ação e sua definição é:, onde está a relação entre a soma dos retornos positivos e a soma dos retornos negativos ocorridos nos últimos dias anteriores. Uma vez calculado o índice RSI para todos os dias incluídos em uma janela de tempo imediatamente anterior à hora, o trader que segue a estratégia RSI faz sua previsão com base em uma possível reversão da tendência de mercado, revelada pelo a chamada 'divergência' entre a série temporal original e a nova série RSI. Uma divergência pode ser definida referindo-se a uma comparação entre a série de dados original e a série RSI gerada, e é o sinal de negociação mais significativo fornecido por qualquer indicador de estilo do oscilador. É o caso quando a tendência significativa entre dois extremos locais mostrada pela tendência do RSI é orientada na direção oposta à tendência significativa entre dois extremos (no mesmo intervalo de tempo) mostrados pela série original. Quando a linha RSI se inclina de maneira diferente da linha da série original, ocorre uma divergência. Veja o exemplo na Fig. 4: dois máximos locais seguem duas tendências diferentes inclinadas de forma oposta. No caso mostrado, o analista interpretará essa divergência como uma expectativa otimista (já que o oscilador RSI diverge da série original: ela começa a aumentar quando a série original ainda está diminuindo). In our simplified model, the presence of such a divergence translates into a change in the prediction of the sign, depending on the bullish or bearish trend of the previous days. In the following simulations we will choose days, since - again - this value is one of the mostly used in RSI-based actual trading strategies. See Ref. [57]. Up and Down Persistency (UPD) Strategy This deterministic strategy does not come from technical analysis. However, we decided to consider it because it seems to follows the apparently simple alternate “up and down” behavior of market series that any observer can see at first sight. The strategy is based on the following very simple rule: the prediction for tomorrow market’s behavior is just the opposite of what happened the day before. If, e. g., one has , the expectation at time for the period will be bullish: , and vice versa. Moving Average Convergence Divergence (MACD) Strategy The ‘MACD’ is a series built by means of the difference between two Exponential Moving Averages (EMA, henceforth) of the market price, referred to two different time windows, one smaller and one larger. In any moment t , . In particular, the first is the Exponential Moving Average of taken over twelve days, whereas the second refers to twenty-six days. The calculation of these EMAs on a pre-determined time lag, x , given a proportionality weight , is executed by the following recursive formula: with , where . Once the MACD series has been calculated, its 9-days Exponential Moving Average is obtained and, finally, the trading strategy for the market dynamics prediction can be defined: the expectation for the market is bullish (bearish) if ( ). See Ref. [57]. Expand Figure 4. RSI divergence example.
A divergence is a disagreement between the indicator (RSI) and the underlying price. By means of trend-lines, the analyst check that slopes of both series agree. When the divergence occurs, an inversion of the price dynamic is expected. In the example a bullish period is expected.
Results of Empirically Based Simulations.
For each one of our four financial time series of length (in days), the goal was simply to predict, day by day and for each strategy, the upward (bullish) or downward (bearish) movement of the index at a given day with respect to the closing value one day before: if the prediction is correct, the trader wins, otherwise he/she looses. In this connection we are only interested in evaluating the percentage of wins achieved by each strategy, assuming that - at every time step - the traders perfectly know the past history of the indexes but do not possess any other information and can neither exert any influence on the market, nor receive any information about future moves.
In the following, we test the performance of the five strategies by dividing each of the four time series into a sequence of trading windows of equal size (in days) and evaluating the average percentage of wins for each strategy inside each window while the traders move along the series day by day, from to . This procedure, when applied for , allows us to explore the performance of the various strategies for several time scales (ranging, approximatively, from months to years).
The motivation behind this choice is connected to the fact that the time evolution of each index clearly alternates between calm and volatile periods, which at a finer resolution would reveal a further, self-similar, alternation of intermittent and regular behavior over smaller time scales, a characteristic feature of turbulent financial markets [35], [36], [38], [58]. Such a feature makes any long-term prediction of their behavior very difficult or even impossible with instruments of standard financial analysis. The point is that, due to the presence of correlations over small temporal scales (as confirmed by the analysis of the time dependent Hurst exponent in Fig. 3), one might expect that a given standard trading strategy, based on the past history of the indexes, could perform better than the others inside a given time window. But this could depend much more on chance than on the real effectiveness of the adopted algorithm. On the other hand, if on a very large temporal scale the financial market time evolution is an uncorrelated Brownian process (as indicated by the average Hurst exponent, which result to be around for all the financial time series considered), one might also expect that the performance of the standard trading strategies on a large time scale becomes comparable to random ones. In fact, this is exactly what we found as explained in the following.
In Figs. 5–8, we report the results of our simulations for the four stock indexes considered (FTSE-UK, FTSE-MIB, DAX, S & P 500). In each figure, from top to bottom, we plot: the market time series as a function of time; the correspondent ‘returns’ series, determined as the ratio ; the volatility of the returns, i. e. the variance of the previous series, calculated inside each window for increasing values of the trading window size (equal to, from left to right, , , and respectively); the average percentage of wins for the five trading strategies considered, calculated for the same four kinds of windows (the average is performed over all the windows in each configuration, considering different simulation runs inside each window); the corresponding standard deviations for the wins of the five strategies.
Expand Figure 5. Results for the FTSE-UK index series, divided into an increasing number of trading-windows of equal size (3,9,18,30), simulating different time scales.
From top to bottom, we report the index time series, the corresponding returns time series, the volatility, the percentages of wins for the five strategies over all the windows and the corresponding standard deviations. The last two quantities are averaged over 10 different runs (events) inside each window.
From top to bottom, we report the index time series, the corresponding returns time series, the volatility, the percentages of wins for the five strategies over all the windows and the corresponding standard deviations. The last two quantities are averaged over 10 different runs (events) inside each window.
From top to bottom, we report the index time series, the corresponding returns time series, the volatility, the percentages of wins for the five strategies over all the windows and the corresponding standard deviations. The last two quantities are averaged over 10 different runs (events) inside each window.
From top to bottom, we report the index time series, the corresponding returns time series, the volatility, the percentages of wins for the five strategies over all the windows and the corresponding standard deviations. The last two quantities are averaged over 10 different runs (events) inside each window.
Observing the last two panels in each figure, two main results are evident:
The average percentages of wins for the five strategies are always comparable and oscillate around , with small random differences which depend on the financial index considered. The performance of of wins for all the strategies may seem paradoxical, but it depends on the averaging procedure over all the windows along each time series. In Fig. 9 we show, for comparison, the behavior of the various strategies for the four financial indexes considered and for the case (the score in each window is averaged over different events): as one can see, within a given trading window each single strategy may randomly perform much better or worse than , but on average the global performance of the different strategies is very similar. Moreover, referring again to Figs. 5–8, it is worth to notice that the strategy with the highest average percentage of wins (for most of the windows configurations) changes from one index to another one: for FTSE-UK, the MOM strategy seems to have a little advantage; for FTSE-MIB, the UPD seems to be the best one; for DAX, the RSI, and for the S & P 500, the UPD performs slightly better than the others. In any case the advantage of a strategy seems purely coincidental. The second important result is that the fluctuations of the random strategy are always smaller than those of the other strategies (as it is also visible in Fig. 9 for the case ): this means that the random strategy is less risky than the considered standard trading strategies, while the average performance is almost identical. This implies that, when attempting to optimize the performance, standard traders are fooled by the “illusion of control” phenomenon [11], [12], reinforced by a lucky sequence of wins in a given time window. However, the first big loss may drive them out of the market. On the other hand, the effectiveness of random strategies can be probably related to the turbulent and erratic character of the financial markets: it is true that a random trader is likely to win less in a given time window, but he/she is likely also to loose less. Therefore his/her strategy implies less risk, as he/she has a lower probability to be thrown out of the game. Expand Figure 9. The percentage of wins of the different strategies inside each time window - averaged over 10 different events - is reported, in the case N w = 30, for the four markets considered.
As visible, the performances of the strategies can be very different one from the others inside a single time window, but averaging over the whole series these differences tend to disappear and one recovers the common outcome shown in the previous figures.
Conclusions and Policy Implications.
In this paper we have explored the role of random strategies in financial systems from a micro-economic point of view. In particular, we simulated the performance of five trading strategies, including a completely random one, applied to four very popular financial markets indexes, in order to compare their predictive capacity. Our main result, which is independent of the market considered, is that standard trading strategies and their algorithms, based on the past history of the time series, although have occasionally the chance to be successful inside small temporal windows, on a large temporal scale perform on average not better than the purely random strategy, which, on the other hand, is also much less volatile. In this respect, for the individual trader, a purely random strategy represents a costless alternative to expensive professional financial consulting, being at the same time also much less risky, if compared to the other trading strategies.
This result, obtained at a micro-level, could have many implications for real markets also at the macro-level, where other important phenomena, like herding, asymmetric information, rational bubbles occur. In fact, one might expect that a widespread adoption of a random approach for financial transactions would result in a more stable market with lower volatility. In this connection, random strategies could play the role of reducing herding behavior over the whole market since, if agents knew that financial transactions do not necessarily carry an information role, bandwagon effects could probably fade. On the other hand, as recently suggested by one of us [59], if the policy-maker (Central Banks) intervened by randomly buying and selling financial assets, two results could be simultaneously obtained. From an individual point of view, agents would suffer less for asymmetric or insider information, due to the consciousness of a “fog of uncertainty” created by the random investments. From a systemic point of view, again the herding behavior would be consequently reduced and eventual bubbles would burst when they are still small and are less dangerous; thus, the entire financial system would be less prone to the speculative behavior of credible “guru” traders, as explained also in [60]. Of course, this has to be explored in detail as well as the feedback effect of a global reaction of the market to the application of these actions. This topic is however beyond the goal of the present paper and it will be investigated in a future work.
Agradecimentos
We thank H. Trummer for DAX historical series and the other institutions for the respective data sets.
Author Contributions.
Conceived and designed the experiments: AEB AP AR DH. Performed the experiments: AEB AP AR. Analyzed the data: AEB AP AR. Wrote the paper: AEB AP AR DH.