Adaptiva glidande medelvärde trade

av Michael R. Bryant Tekniska indikatorer är en av de grundläggande delarna i systematisk handel. Indikatorer, såsom rörliga medelvärden eller stokastik, kan ses som omvandlingar av ingångsserierna (vanligtvis pris eller volym) som är utformade för att accentuera en viss aspekt av marknaden, såsom dess trend eller cyklicalitet. Medan grundläggande för de flesta systematiska handelsmetoderna, undviker många handlare de vanligaste indikatorerna, såsom enkla rörliga medelvärden och relativ styrindikatorn (RSI), i tron ​​att marknaden har anpassat sig till användningen, vilket minskar deras effektivitet. Ett sätt att kompensera effekten av marknadseffektivitet på lönsamheten hos tekniska indikatorer är att ändra dem på ett meningsfullt sätt. Chande och Krolls VIDYA-indikator 1 är exempelvis ett exponentiellt rörligt medelvärde där utjämningsfaktorn är beroende av marknadsvolatilitet, så att den effektiva återkallslängden reduceras när volatiliteten ökar. I den här artikeln utvecklar jag en utvidgning av det adaptiva utseende-tillvägagångssättet och visar hur man applicerar det på en mängd olika indikatorer med bara några extra linjer kod. De resulterande indikatorerna ger större mångsidighet än tidigare indikatorer och kan stämma överens med en statistisk syn på marknaderna. Anpassa Look Back längd Med tanke på att marknaderna ständigt förändras är det vettigt att försöka anpassa sig till förändringarna så mycket som möjligt. De flesta tekniska indikatorerna har ursprungligen utvecklats med en fast återkallslängd, till exempel antalet barer i ett enkelt glidande medelvärde. Ett antal författare har föreslagit att anpassning av återkallslängden till marknadsvolatilitet. För Variable Index Dynamic Average (VIDYA) - indikatorn användes till exempel Chande och Kroll flera olika mätvärden, inklusive ett volatilitetsindex baserat på en normaliserad standardavvikelse för pris där högre värden i indexet resulterade i en lägre effektiv återkänningslängd . Tanken var att under perioder med högre volatilitet skulle det rörliga genomsnittet vara mer lyhörd på marknaden. Under perioder med lägre volatilitet var ett längre glidande medel mer konsekvent med marknadens beteende. Kaufman tog en något annorlunda inställning. 2 Tanken bak hans Kaufman Adaptive Moving Average (KAMA) var att under höga volatilitetsperioder är det mer sannolikt att du får sågsågad när marknaden svänger fram och tillbaka vilket resulterar i upprepade förluster. För att undvika det brukade han ha en längre period för det glidande genomsnittet under perioder av rådig prisåtgärd så att genomsnittet skulle vara mindre mottagligt för marknadsvolatiliteten, vilket resulterade i färre omkastningar. Under trendande marknadsåtgärder minskade perioden för glidande medelvärde så att handelarna kunde reagera snabbare mot förändringar i riktning. För att mäta quotchoppinessquot använde Kaufman det så kallade effektivitetsförhållandet (ER) som mäter det absoluta värdet av prisförändringen över återkallstiden dividerat med summan av de absoluta värdena för prisförändringarna i överensstämmelse med samma period. Om till exempel nettopriset är noll - priset är detsamma vid periodens slut som i början - då kommer ER att vara noll. I det här fallet är marknaden helt ineffektiv eftersom den kan flytta mycket från bar till bar, men det går inte någonstans. Om däremot marknaden rör sig stadigt i en riktning (antingen upp eller ner), så att varje stapel flyttar bidrar till nettoförändringen i priset, kommer ER att vara 1. I detta fall är marknaden helt effektiv i att alla prisbeloppet för barer bidrar till trenden. Generellt sett kommer ER att ligga mellan 0 och 1. En annorlunda bild av anpassningsbara backbacklängder Medan många olika mätvärden kunde - och har varit - används för att anpassa utkikslängderna, tar effektivitetsförhållandet en grundläggande aspekt av marknaden åtgärd nämligen skillnaden mellan trender och cykliskt beteende. Höga värden på ER innebär en starkt trendande marknad, vilket betyder mycket liten cyklisk rörelse, och låga värden på ER innebär liten trend och därmed mer cyklisk rörelse (förutom vid liten rörelse alls). Detta tenderar att stödja Kaufmans tillvägagångssätt. Hans beslut att använda längre återkallslängder i hakiga marknader baseras emellertid på (1) antagandet att man anpassade utkikslängden för ett glidande medelvärde, och (2) tanken att det glidande medlet används för att utlösa en handel inresa eller utresa. En alternativ synvinkel är den som John Ehlers förespråkar genom sitt arbete med att tillämpa signalbehandlingsmetoder för handel. 3 Hans uppfattning är mer i linje med att man försöker mer noggrant modellera den del av marknaden av intresse (t ex trendkomponenten eller cykelkomponenten). Ur det synvinkel bör ett glidande medelvärde på en hackig marknad använda en kortare kollisionslängd för att mer exakt fånga den högre frekvensen som representeras av choppinessen, medan i en starkt trenderande marknad är en längre kollisionslängd mer förenlig med marknadsrörelsen. En tredje synpunkt är den som jag antar här, nämligen en mer statistisk. Först tillåter vi inte att anta något mer än absolut nödvändigt om indikatorn i fråga och hur den kan användas. I synnerhet, låt oss inte anta att indikatorn i fråga är ett glidande medelvärde och låter inte antas att det tillämpas på priset. Det kan till exempel vara RSI av volatilitet eller det rörliga medlet av den stokastiska volymen. Indikatorn kan användas tillsammans med andra indikatorer som en del av en större regel för inresa eller utgång, snarare än för sig själv. Med denna mer statistiskt inriktade syn är målet att skapa handelsregler som har statistisk validitet, vilket innebär att de passar prisåtgärden väl utan övermontering. Antag inte att vi vet hur marknaderna fungerar tillräckligt bra för att fatta specifika beslut om huruvida kollisionslängden ska öka eller minska med något som effektivitetsförhållandet. Vi har snarare en anledning att tro att effektivitetsförhållandet kan ha relevans och vi vill därför inkludera det som en variabel, men vi lämnar den till marknaden för att berätta om och hur det passar in. Statistisk testning brukar berätta för oss om handelsstrategin som innehåller indikatorn är statistiskt giltig eller om dess överpassning dvs, är ogiltig eftersom den passar ljudet snarare än marknadens signal. En mer mångsidig anpassningsbar back-back Med hänsyn till den föregående diskussionen kommer den adaptiva utkikslängd som utvecklas här att baseras på effektivitetsförhållandet (ER) och kommer att använda en parameter för att bestämma förhållandet mellan ER och back-backlängden. Överväga särskilt följande ekvation: VER kvadrat (ER - (2 ER - 1) 2. (1 - TrendParam) 0.5) där VER är variabelt effektivitetsförhållande och TrendParam är trendparametern som kan ta några positiva eller negativt värde och som bestämmer huruvida bländringslängden ökar eller minskar med ökande ER. Detta är i huvudsak bara ett sätt att vända ER-förhållandet beroende på trendparametern. Som visas nedan, istället för att skala utjämningskonstanten av ER, som Chande och Kroll och Kaufman i huvudsak gör, använder vi VER. Med positiva värden för TrendParam varierar VER positivt med ER, medan VER med negativa värden av TrendParam varierar negativt med ER. Med TrendParam lika med noll är VER lika med 1 för alla värden på ER. Torget tas för att bättre skala värdena för användning som en multiplikator, som förklaras nedan. För att beräkna den adaptiva kollisionslängden med hjälp av denna ekvation multiplicerar vi det ursprungliga värdet av utjämningskonstanten, Alpha, vilket motsvarar den ursprungliga kollisionslängden, av VER: VAlpha Alpha VER, i vilken VAlpha är den adaptiva utjämningskonstanten, och Alpha är det ursprungliga värdet av utjämningskonstanten. Relationen mellan utjämningskonstanten och utkikslängden är densamma som för det exponentiella rörliga medlet, nämligen i vilket N är utkikslängden och Alpha är utjämningskonstanten. Denna ekvation kan också skrivas för N när det gäller Alpha, eftersom den adaptiva utkikslängden är därförKaufman Adaptive Moving Average Trading Strategy (Setup 038 Filter). I. Trading Strategy Developer: Perry Kaufman (Kaufman Adaptive Moving Average 8211 KAMA). Källa: Kaufman, P. J. (1995). Smarter Trading. Förbättra prestanda vid förändring av marknader. New York: McGraw-Hill, Inc. Koncept: Handelsstrategi baserad på ett adaptivt brusfilter. Forskningsmål: Prestationsverifiering av inställningen och filtret. Specifikation: Tabell 1. Resultat: Figur 1-2. Trade Setup: Long Trades: Det Adaptive Moving Average (AMA) dyker upp. Korta affärer: Det adaptiva flyttande medelvärdet avtar. Obs! AMAs trendlinje tycks stoppa när marknaderna inte har någon riktning. När marknadsutvecklingen tränger upp AMA-trendlinjen. Handel: Långa affärer: Ett köp i slutet är placerat efter en hausseinställning. Korta affärer: En försäljning vid slutet är placerad efter en bearish setup. Trade Exit: Tabell 1. Portfölj: 42 terminsmarknader från fyra stora marknadssektorer (råvaror, valutor, räntor och aktieindex). Data: 32 år sedan 1980. Testplattform: MATLAB. II. Känslighetsprov Alla 3-D-diagram följs av 2-D-konturdiagram för vinstfaktor, Sharpe-förhållande, Ulcer Performance Index, CAGR, Maximal Drawdown, Procent lönsam handel och Gem. Vinn genomsnittspris Förlustförhållande. Den slutliga bilden visar känslighet för Equity Curve. Testade Variabler: ERLength amp FilterIndex (Definitioner: Tabell 1): Figur 1 Portfölj Prestanda (Input: Tabell 1 Kommission Ampel Slippage: 0). AMA (ERLength) är det adaptiva rörliga genomsnittet över en period av ERLength. ERLength är en bländningsperiod för effektivitetsförhållandet (ER). ERi abs (Directioni Volatilityi), där 8220abs8221 är absolutvärdet. Directioni Closei Closei ERLength, Volatilityi (abs (DeltaClosei), ERLength), där 82208221 är summan över en period av ERLength, DeltaClosei Closei Closei 1. FastMALength är en period av snabbrörande medelvärdet. SlowMALength är en period av det långsamma glidmedlet. AMAi AMAi 1 ci (Closei AMAi 1), där ci (ERi (Fast Slow) Slow) 2, Fast 2 (FastMALength 1), Slow 2 (SlowMALength 1). Index: I ERLength 2, 100, Steg 2 FastMALength 2 SlowMALength 30 Långa trader: Om AMAi gt AMAi 1 amp AMAi 1 lt AMAi 2 blir MinAMA AMAi 1 (Adaptive Moving Average med en pivot vid MinAMA). Korta affärer: AMAi lt AMAi 1 amp AMAi 1 gt AMAi 2 och MaxAMA AMAi 1 (Adaptive Moving Average avtar med en pivot vid MaxAMA). Index: I Filteri FilterIndex StdDev (AMAi AMAi 1, N), där StdDev är standardavvikelsen för serier över N-perioder. N 20 (standardvärde). Index: I FilterIndex 0.0, 1.0, Steg 0.02 N 20 Långa affärer: Ett köp i slutet placeras när AMAi gt AMAi 1 amp (AMAi MinAMA) gt Filteri. Korta affärer: En försäljning i slutet är placerad när AMAi lt AMAi 1 amp (MaxAMA AMAi) gt Filteri. Index: I Stop Loss Exit: ATR (ATRLength) är den genomsnittliga True Range över en period av ATRLength. ATRStop är en multipel av ATR (ATRLength). Långa affärer: Ett försäljningsstopp är placerat vid ATR ATR (ATRLength) ATRStop. Korta affärer: Ett köpstopp placeras vid ATR (ATRLength) ATRStop. ATRLängd 20 ATRStop 6 ERLength 2, 100, Step 2 FilterIndex 0.0, 1.0, Step 0.02Ideally vill du att en filtrerad signal ska vara både smidig och lagfri. Lag orsakar förseningar i dina affärer, och ökad fördröjning i dina indikatorer resulterar vanligtvis i lägre vinster. Med andra ord, sena komnar får vad som är kvar på bordet efter att festet redan har börjat. Det är därför som investerare, banker och institutioner världen över frågar efter Jurik Research Moving Average (JMA). Du kan ansöka det precis som du skulle ha något annat populärt glidande medelvärde. Men JMAs förbättrade timing och jämnhet kommer att förbluffa dig. Den ihåliga grå linjen i diagrammet simulerar prisåtgärder som börjar i ett lågt handelsintervall och sedan luckor till ett högre handelsintervall. Eftersom ingen gillar att vänta på sidled, kommer ett perfekt ljudreducerande filter (grön linje) att röra sig smidigt längs mitten av det första handelsområdet och sedan hoppa till mitten av det nya handelsområdet nästan omedelbart.