Optimal F Forex

Uma estratégia de dimensionamento de posição de gerenciamento de dinheiro Optimal F por Ralph Vince 0 Descrição para OptimalF SID 512 Uma estratégia de dimensionamento de posição de gerenciamento de dinheiro Optimal F. Optimal F Money Management foi desenvolvido por Ralph Vince como uma maneira agressiva de aumentar o saldo da sua conta. Optimal F é simplesmente a quantidade ideal de capital que deve ser investida em cada comércio. Uma estratégia de dimensionamento da posição de gerenciamento de dinheiro Optimal F. Optimal F Money Management foi desenvolvido por Ralph Vince como uma maneira agressiva de aumentar o saldo da sua conta. Optimal F é simplesmente a quantidade ideal de capital que deve ser investida em cada comércio. O Optimal F tem a crítica 8282 da 8282 com uma das principais críticas, sendo que é muito arriscado. A estratégia de gerenciamento de dinheiro apresentada aqui se concentra nas questões práticas sobre como implementar o Optimal F para um sistema comercial real e, como tal, o comentário sobre a sabedoria de usar o Optimal-F está além do escopo desta estratégia de gerenciamento de dinheiro. Há uma abundância de recursos na internet que descrevem o Optimal F em grande detalhe. À medida que a fórmula Optimal-F usa o histórico de negociação do sistema no cálculo de 8217s, a primeira questão que primeiro consideramos é o que fazer antes que haja trades suficientes para que os resultados do Optimal-F sejam estatisticamente significativos. A solução mais simples 8211, a adotada aqui 8211, é esperar que as negociações X ocorram e, em seguida, use o valor Optimal-F real. Então, recalculamos o valor de Optimal-F após cada troca. Esta estratégia Optimal-F é controlada por duas variáveis: mintrades e defaultf. O valor de mintrades contém o número de negociações que devem ocorrer antes que o valor real do Optimal-F seja usado. Se o número de negociações for inferior a mintrades, o valor de defaultf é usado para calcular o tamanho da posição. Esses valores podem ser alterados na função PositionSize. Todas as encomendas são suportadas com este gerenciamento de dinheiro, mas para o caso de pedidos de parada e limite, essa administração de dinheiro espera passar pelos preços de parada e limite. O tamanho da posição real que é calculado é adequado para ações, mas com um pouco de ajuste pode ser usado para futuros ou forex. O cálculo de Optimal-F que é usado nesta gestão de dinheiro é extremamente ineficiente. A lógica para esta Estratégia de dimensionamento de posição: lógica de evento BuyMarket: lógica de evento BuyStop: lógica de evento BuyLimit: 2 de dezembro de 2010 middot 23 Comentários middot Gerenciamento de dinheiro Após a conferência de análise de risco e oportunidade que compareci no início deste mês, decidi testar o modelo e O software usado para implementá-lo (aplicativo java Vince 8216s e implementação Joshua Ulrich8217s R). A maioria das fórmulas matemáticas que suportam o modelo estão no livro Leverage Space Trading Model. Não vou parafrasear o livro e reproduzir todas as fórmulas aqui 8211, mas eu me referirei a algumas delas. Obter o livro provavelmente é uma boa idéia para uma melhor compreensão dos conceitos. A aplicação comercial do Modelo de espaço de alavanca é apresentada como uma generalização da fórmula de Kelly, que é bem ilustrada pelo exemplo de apostas de moeda (de acordo com o documento Vince8217s). Em um exemplo prático 8220trading8221, eu decidi olhar para os quatro Assistentes de Tendência Seguidores com os registros mais longos (que eu tenho): Campbell, Dunn, John Henry e Millburn. Todos os registros datam de 1985 (até o final de 2009). A questão que este teste tenta responder é esta: Como investidor a partir de 1985, qual teria sido a melhor alocação entre os quatro gestores. Nota: Aqui, 8220best8221 significa simplesmente o CAGR mais alto (we8217ll ver mais tarde que 8220best8221 pode ser definido de diferentes maneiras com base em Sua função de utilidade de preferências). Vou descrever os conceitos usando o simples exemplo de jogada de duas moedas e desenhar um paralelo com o aplicativo 8220real-world8221 nos quatro Assistentes de Tendência. Para um único fluxo de devoluções ou resultados de apostas, há um nível específico de alavancagem. Ou fração de capital, para arriscar em cada evento, o que maximiza o crescimento geométrico do patrimônio líquido. É o que o Optimal f se relaciona. No exemplo do trote de moeda com os seguintes parâmetros: Risco 1 unidade por cada aposta Tails: perder 1 Heads: win 2 A fração de capital apostada em cada aposta alterará a taxa de crescimento esperada conforme esta curva: esta foi coberta Extensivamente em outro lugar (como uma aplicação simples da fórmula de Kelly), então não vou repetir os detalhes aqui. O ponto principal é que .25 é o Optimal f (o que significa, nesse caso, que o empate 25 da maior perda em cada aposta maximizará o crescimento da participação comercial ao longo do tempo 8211 qualquer outro valor seria sub-ótimo). Observe que aqui a maior perda é igual a 100 do tamanho da aposta e, portanto, o Optimal f e a fração de capital para apostar são iguais. Este é um caso especial e podemos ver mais abaixo que estes geralmente são valores diferentes, especialmente na negociação. Adaptando este exemplo a um único histórico de Trend Following Wizard, podemos estabelecer a posteriori qual seria o ótimo f, de modo a maximizar o crescimento da curva patrimonial. A forma da curva é bastante semelhante, ele atinge cerca de 0,00. Note-se que aqui, o f ideal não representa a alavanca real ou a fração de capital a ser aplicada. Isto é devido à nomenclatura nas fórmulas usadas por Vince, onde cada retorno 8220 retomado8221 (ou HPR: Retorno do período de retenção) é expresso como: De fato, a alavancagem aplicada a cada retorno periódico (mensal) é: no caso de Dunn, A maior perda mensal é de 30,68. Um f de 1 equivaleria a alavancar cada retorno de período em um fator de 10.3068 3.26, que é a alavanca máxima que pode ser alcançada antes de atingir um patrimônio final zero (o HPR seria igual a 0 assim que ocorrer a maior perda). O montante de alavancagem real é independente da maior perda, mas expressar dessa maneira limita o valor para f entre 0 e 1. Isso é realmente apenas uma notação. A alavanca ideal para o histórico de Dunn pode ser derivada de Optimal f 0.5: alavanca ótima 0.50.3068 1.63. Isso efetivamente significa que um investidor teria conseguido o investimento de capital final mais alto possível em Dunn, redefinindo o tamanho da conta nocional para 163 do tamanho da conta real, todos os meses (isso é teórico à medida que ignora a (im) praticidade deste e impacto de Taxas, etc.). Qualquer outro valor, maior ou menor, resultaria em uma menor curva patrimonial. A 100 (sem alavancagem), o retorno da média geométrica mensal é 1.11 em alavanca de 163, o retorno médio torna-se 1.29 (que é o valor máximo possível). Claro que a redução também aumentaria (cerca de 60 MaxDD com uma alavancagem de cerca de cerca de 83 MaxDD com alavanca de 163). Cenários multi-componentes com lançamentos de moedas Após o nosso exemplo de moeda, let8217s agora consideram o caso de dois lançamentos simultâneos de moedas. O método requer um conjunto discreto de resultados e probabilidades associadas. No caso do simples exemplo de jogada de duas moedas, estas são fáceis de identificar: 2 Tails: perder 2, 25 probabilidade 1 Cauda e 1 Cabeça: ganho 1, 50 probabilidade 2 Cabeças: ganho 4, 25 probabilidade Usando este conjunto de resultados com O mesmo conceito que o anterior para otimização de f, isso agora nos dá uma curva tridimensional exibindo cada f combinação possível (cada lance simultâneo de moeda tem sua própria f). Cada combinação gera sua taxa de crescimento correspondente (que está relacionada ao Riqueza do Terminal, TWR). A combinação f que gera o TWR mais alto é a solução 8220optimal8221. No caso do lance de duas moedas, a combinação f ideal é (0,23, 0,23) 8211, o que significa que o empate 23 do capital em cada lance simultâneo de moedas (46 no total para cada período) resultaria na maior taxa de crescimento ( ao longo do tempo). Isto é simplesmente onde a curva pica no gráfico acima. A adição de um terceiro lançamento simultâneo de moedas simplesmente geraria uma curva 4-dimensional (com cada ponto representando a saída de taxa de crescimento do f-triplet) e assim por diante: a curva é sempre N1-dimensional, onde N é o número de componentes. Cenários multi-componentes com dados de negociação Let8217s agora olham nosso caso de teste com os quatro Assistentes de Tendência. Da mesma forma, precisamos de um conjunto discreto de resultados e probabilidades associadas para a nossa contribuição. Para isso, precisamos dividir a distribuição de dados e criar a Tabela de Probabilidade Conjunta (que contém cada possível combinação de resultados e sua probabilidade associada 8211 de forma semelhante aos 3 possíveis resultados identificados acima para o exemplo de moeda). Isso é efetivamente como o Vince elimina o conceito de entrada de correlação que pode ser usado em outros modelos, como otimização de variância média. O pseudo-código para construir a Tabela de Probabilidade Conjunta (JPT) é o seguinte: Bin cada fluxo de retorna do componente8217s (ou seja, cada conjunto de devoluções do Assistente) Calcule um único resultado para cada caixa (por exemplo, o retorno médio de todas as ocorrências caindo Naquela lixeira). Loop em cada período e: para cada componente, determine qual bin o período8217s retorna cair e atribuir o resultado bin a esse componente, para esse período. Registre a combinação de todos os resultados do bin (ou seja, para todos os componentes) para esse período e atribua-lhe a probabilidade: 1 número de períodos Se períodos diferentes tiverem a mesma combinação, estes podem ser agrupados (somando as probabilidades individuais 8211 como nos dois - Exemplo de montagem em que as combinações Head-Tail e Tail-Head são agrupadas em uma probabilidade de 50%). O JPT é a lista completa de combinação de resultados e probabilidade associada. Isso é um pouco difícil de explicar de forma concisa, e é desenvolvido com mais detalhes no livro Vince8217s. No entanto, os arquivos anexados no final desta publicação no apêndice 8220 técnico técnico devem ajudá-lo a retraçar essa lógica. Uma vez que o JPT é construído, ele pode ser usado como uma entrada para otimização f. Leverage Space Trading Model: Otimizando f com R O aplicativo java desenvolvido por Vince cria a Tabela de Probabilidade Conjunta a partir da importação da curva de equidade para cada componente. O 8220meat8221 do código do modelo de espaço de alavancagem está contido na implementação do R por Joshua Ulrich (da FOSS Trading). Este é o lugar onde a otimização é realmente executada (o aplicativo Java Vince8217s também implementa a otimização, mas a implementação R é muito mais rápida). Note que Josh tem uma postagem no blog sobre como criar o JPT. Então você pode usar somente o R, caso queira experimentar o modelo de espaço de alavancagem (não tenho certeza se o aplicativo java está livremente disponível). O pacote R LSPM precisa do JPT como uma entrada, bem como os parâmetros de otimização. Note-se que esta é a minha primeira incursão na R 8211 para que você definitivamente não precise ser nenhum especialista para executar esse tipo de teste. O fato de o aplicativo java gerar os comandos R diretamente foi útil, mas você provavelmente pode adicionar pelo exemplo8221 ao verificar o arquivo da sessão R no final da publicação (há mais documentos disponíveis no blog Josh8217s ou na página do projeto LSPM de qualquer maneira). Usando o JPT como uma entrada, o pacote LSPM executa a otimização, que estima o pico da curva 5-dimensional. Um algoritmo genético é usado para a otimização e após um número específico de iterações, o conjunto ideal de valores f é emitido pelo programa. Para os quatro assistentes, os respectivos valores óptimos de f são os seguintes: Campbell: 0,050767 Dunn: 0,000000 JWH: 0,322954 Millburn: 0,375109 Novamente, estes são valores de f, que apenas se relacionam com a alavancagem a ser aplicada, através da perda maior de cada componente8217s: Campbell : 0,050767 16,7 0,304 Dunn: 0,0 30,68 0 JWH: 0,322954 27,32 1,182 Millburn: 0,375109 14,12 2,657 Uma coisa interessante a notar é o fato de que alguns valores f podem ser atribuídos a 0. O que basicamente significa que o componente não agrega valor ao portfólio em relação à taxa de crescimento, cujo máximo é alcançado ao excluí-lo. Um investidor teria maximizado o crescimento geométrico de seu capital, redefinindo todos os meses o tamanho da conta nocional atribuído a cada gerente de acordo com os três fatores de alavancagem identificados acima. Por exemplo, a partir de 100 milhões de capital total, o primeiro mês verificaria 30,4 milhões atribuídos a Campbell, 118,2M a JWH e 265,7M a Millburn. Após o primeiro mês, o capital próprio teria aumentado de 22,9 para 122,9 milhões, o que seria re-alocado de acordo com os mesmos índices de alavancagem. Após 25 anos de repetição do mesmo processo mensalmente, os 100M se tornariam um valor teórico de 8230 411,4 bilhões graças a um retorno médio geométrico mensal de 2,81 (enquanto que uma divisão igual desalavancada em quatro gerentes 8211 com reequilíbrio mensal 8211 resultaria em um 8220paltry8221 3.9 Bilhão). Claro, essa melhora só é possível 8220in retrospectiva8221. A outra implicação deste aplicativo de exemplo é que o valor f ideal pode ditar um valor de alavancagem que pode ser maior do que o máximo permitido (seja por requisitos de margem ou negociação de ações em uma conta de caixa, etc.). O Leverage Space Model atende a isso, com a possibilidade de adicionar restrições de margem (eu não examinei isso ainda, mas esta publicação na negociação do FOSS fala sobre isso). Restrições de Drawdown Um dos principais problemas geralmente levantados com o conceito de f ideal é que a negociação para otimização da taxa de crescimento muitas vezes não é realista, pois gera níveis insustentáveis ​​de redução e volatilidade. A maioria dos investidores, comerciantes ou gerentes felizmente desistiria de algum retorno para permanecer em seus níveis aceitáveis ​​de volatilidade e redução. Eu não detalharei a fórmula aqui (I8217ll encaminhá-lo novamente para o livro), mas Vince apresenta uma maneira de calcular a probabilidade de uma redução específica. A principal idéia é introduzir uma restrição de risco ao modelo, de modo que em vez de otimizar exclusivamente a taxa de crescimento máxima, pode-se otimizar com uma restrição na redução. Por exemplo: Encontre os valores f ótimos para os quais a probabilidade de uma redução de 30 em 12 períodos não exceda 50. A curva n-dimensional é construída exatamente da mesma maneira, mas qualquer valor f que resulte em uma probabilidade de redução O limite de restrição é ignorado 8211, isso geralmente resultaria em todos os valores em torno do pico sendo descartado. Isso é exatamente o que eu executei nos mesmos quatro registros de fatos do Wizard e os valores f obtidos foram os seguintes: Campbell: f0.053919, alavancagem0.3229 Dunn: f0.002451, alavancagem0.007987 JWH: f0.297744, alavancagem 1.08984 Millburn : F0.237712, alavancagem 1.68351 O retorno mensal geométrico mensal cai para 2.68 (capital final de 282.7B). A figura Max Drawdown cai de 79 para 68. Lenta apesar da neve O principal problema de adicionar restrição de redução para a otimização é o aumento dramático no tempo de computação. Considerando que a primeira otimização para os valores f justos de crescimento simples levou segundos para 100 ou 1.000 iterações do algoritmo, acrescentando que a restrição de retirada tem um impacto significativo no tempo de computação. O LSPM usa outro pacote R: a neve. Para alavancar multiprocessadores com computação paralela para acelerar as coisas. Informações para os técnicos: Estou executando um processador Intel Core 2 Quad 2.40GHz e alveio três processadores para o processo de otimização 8211, mas o tempo de execução ocorreu em três horas decepcionantes para 100 iterações. Isso é apenas para quatro componentes e 300 períodos mensais. Inicialmente, tive a ideia de executar a curva de equidade diária de algumas centenas de componentes através do pacote LSPM, mas isso provavelmente precisará esperar pela melhoria da tecnologia. Eu entendo que isso se deve principalmente aos pesados ​​custos computacionais de avaliação da probabilidade de redução. Talvez uma computação de risco menos dispendiosa possa tornar o tempo de execução mais gerenciável. Primeiras impressões Este é um pouco de um post estendido (provavelmente o mais longo no blog até agora), mas espero que forneça uma ilustração passo a passo decente de alguns dos conceitos e como aplicá-los praticamente (há mais detalhes no 8220technical8221 apêndice abaixo). O modelo é realmente um método de alocação de portfólio alternativo e não consigo ver como ele poderia ser aplicado diretamente para determinar o dimensionamento da posição para um sistema de negociação. Isto é principalmente porque todos os retornos dos componentes devem ser divididos em períodos idênticos, enquanto os negócios de um único sistema se sobrepõem. Pode ser bem possível usar cada curva de equidade do instrumento8217s quando negociada através de um sistema específico. Algo para investigar o 8211, mas com os altos custos de computação, a execução da otimização em um grande portfólio diversificado pode ser quase impossível. Por outro lado, posso ver como o modelo pode ser útil para o gerente executando um programa composto por vários sistemas e querendo otimizar a alocação para cada sistema. Alternativamente, pode-se dividir o portfólio do sistema em várias classes de ativos (Finanças, Moedas, Energias, etc.) e otimizar a alocação para cada classe de ativos. Outro aspecto que vale a pena analisar é a utilidade do modelo em um modo de futuro (ou seja, para determinar a velocidade ideal para se aplicar a cada componente para os próximos períodos) e como isso pode ser usado configurado (em todo o histórico disponível naquele momento ou superior Uma janela de otimização de rolamento, qual o comprimento de dados a ser usado nessa janela). Isso seria, obviamente, dependente de como os retornos dos componentes são estável ao longo do tempo (como para qualquer aspecto do back-testing). Apêndice Técnico Abaixo está um material adicional para apoiar as explicações nesta publicação e ilustrar o processo passo a passo. Usei o aplicativo java para gerar tanto a Tabela de Probabilidade Conjunta como os comandos R para executar a otimização. O aplicativo requer um arquivo por componente, contendo a curva de equidade com dimensionamento de posição constante (ou seja, sem reinvestimento). Para os quatro registros de trilha do assistente, a curva de equidade é simplesmente a soma cumulativa dos retornos percentuais mensais (representativo de um tamanho de posição constante de 100). Abaixo estão os quatro arquivos CSV: Ao importar os arquivos, o compartimento do aplicativo retorna e gera o JPT: os parâmetros de otimização podem ser configurados através da segunda metade da tela abaixo: Os parâmetros da otimização acima definidos são: probabilidade máxima de Uma redução de 30 em 12 períodos deve ser inferior a 50. Os Ciclos Calculados Máximos de 8 é um número usado no cálculo da probabilidade de retirada. Como eu entendo, a probabilidade de retirada é extrapolada por um cálculo de 8 períodos e o tempo de computação aumenta exponencialmente com este número. O botão R gera as instruções R para serem executadas com o pacote LSPM. Abaixo está um arquivo contendo a sessão R que costumava executar o exemplo nas postagens. A primeira execução é um cálculo óptimo direto e f com 100 iterações. A segunda execução é a mesma com 1.000 iterações e a terceira execução é a otimização com restrição de redução. Você pode verificar a tabela de probabilidade conjunta (contida nos arranjos de resultados e probs) gerada a partir dos arquivos de entrada de registro de histórico, bem como o comando para executar em R. Ótimo post e explicação de f ideal, mas permita-me ser crítico. Espero que você perceba que esta análise é baseada em retrospectiva, economize o alto custo pelo reequilíbrio que a torna irreal. Além disso, o 8211 e eu acho que isso é mais importante. 8211 aumentar sua participação em um fundo não faz com que, em geral, o gerente do fundo aumente a alavancagem do tamanho da posição devido a problemas de liquidez. Só por isso, o método está separado da realidade. O IMO deste método de alocação é para quarterbacks da segunda-feira de manhã. Eu não vejo nenhum valor real aqui porque o desconto futuro é desconhecido. Os níveis futuros de retirada que não estão em linha com os usados ​​para alocar podem transformar este método altamente sub-ótimo. Eu ainda acho que o método de alocação de variância média faz mais sentido, fundamentalmente e na prática. Isto é o que eu penso. Bom trabalho por Rick, obrigado pelo comentário. Claro, eu percebo que o exemplo usado na publicação é baseado em retrospectiva, daí meu uso do tempo anterior condicional (8220 deveria ter sido 8221). Eu também ressaltei que este era apenas um exemplo teórico, pois a idéia de redefinir um tamanho de conta nocional mensalmente (e outras considerações) tornaria impraticável a impossibilidade. Este exemplo é usado mais para uma ilustração do modelo do que para qualquer aplicação prática 8220how-to-8221 no mundo real 8211 Eu não acho que a mensagem do post aparece como um conselho para aplicar esta estratégia. É o 8221 com investimentos em fundos potenciais. Por outro lado, acredito que o conceito LSPM poderia adicionar algum valor prático às alocações entre diferentes componentes de um programa de negociação ou sistema usado por um gerente de comerciante. Onde eu discordo com você está na distinção que você faz com o modelo Mean-Variance. A partir de um ponto de alto nível, o conceito é idêntico: colete dados históricos e otimize a alocação entre os diferentes componentes com base em dados históricos. Em seguida, aplique a atribuição no futuro. O MVO faz isso considerando reavivamentos aritméticos e variação de transparência, o LSPM faz isso considerando retornos geométricos e probabilidade de retirada (o que é possivelmente mais útil). Nem o modelo 8220 garante8221 que os dados passados ​​são representativos de dados futuros e ambos poderiam produzir alocações sub-ótimas para períodos futuros (você menciona que a retirada futura não é conhecida, mas tampouco são variância e covariância futura 8211, mas são usadas como entrada principal no MVO modelo). Finalmente, a conclusão da publicação menciona que se deve investigar como o modelo funciona em uma abordagem 8220 para o futuro (8220predicting8221 futuros valores ótimos com base em dados anteriores) 8211, que é realmente a única maneira de oferecer valor prático (eu não tenho certeza de muitos As pessoas se preocupam com esse tipo de modificações a posteriori8221 em dados passados). Esta problemática é idêntica a qualquer tipo de otimização baseada em dados históricos (incluindo MVO) e dependerá da estabilidade das entradas subjacentes. Isso é algo que eu vou olhar em uma publicação futura. Espero que isso esclareça as coisas. Ps: obrigado por usar a expressão quarta-feira de quarta-feira da manhã 8211 Eu não tinha a menor idéia do que significava antes Obrigado pela resposta. Ainda acho que o método que você apresentou não é realista, contrariamente ao MVO, que é realista. Você escreveu: 8220 Por exemplo, a partir de 100 milhões de capital total, o primeiro mês verificaria 30,4 milhões atribuídos a Campbell, 118,2M a JWH e 265,7M a Millburn.8221. Mas, com 100 milhões, você aloca um total de 414,3 milhões. Este é um fator de alavancagem de 4.143 e os cálculos não incluem o custo de juros sobre o empréstimo. Além disso, tentei anotar isso antes se um investidor aumentar a sua subscrição de um fundo que não se traduz imediatamente em um aumento proporcional nos lucros, porque o gestor do fundo não necessariamente aumenta o tamanho da posição de acordo com a liquidez e outras questões. No seu comentário sobre ambos os métodos que dependem de dados futuros, o MVO depende de quatities que podem ser não-estacionários (quase) para vários investimentos, como a média e a variância. Drawdown é um evento 8220black swan8221. Não pode ser previsto. Eu também tenho sérias dúvidas de que este método maximiza o crescimento geométrico independentemente de não ser prático, embora eu não tenha feito a matemática. Eu acho que seria bom comparar esse método com MVO, mas com valores equivalentes. Mais uma vez obrigado pela resposta. P. S. Por que você não trabalha para GS ainda. ) Oi Rick, apesar do fato de eu apresentar o exemplo sem qualquer consideração por implicações práticas (como os problemas que você menciona). A alavancagem poderia ser obtida através de financiamento nocional em vez de empréstimos de fundos (eu concordo que isso teria um impacto se os números de desempenho incluíssem interesse8230). Em termos de maximização do crescimento geométrico, estou bastante confiante de que sim. Eu sugiro que você leia o livro se você quiser verificar as Matemáticas 8211, mas essa parte é bastante sólida. GS Definitivamente, não, obrigado -) e obrigado por esta publicação na abordagem Vince8217s. A principal questão dessa abordagem parece ser a noção de perda máxima 82201. Mesmo quando você limita sua análise a retornos e perdas históricas (passadas) dos sistemas de gerentes, não está claro qual a perda máxima a ser adotada. Por que você tira a maior perda MENSAL? Por que não toma a maior perda semanal 8211, o que é mais provável menor e permite maior alavancagem?) Ou, se você preferir o lado mais seguro, pegue a maior perda trimestral 8211, o que provavelmente é maior e reduz sua alavancagem e risco8230. Por isso, até agora, essa noção de perda máxima parece ser totalmente obscura. O próprio Vince menciona algo como aplicar este conceito aos gerentes de sistemas de troca de amplificadores Obrigado novamente pela interessante publicação Cornelius, A perda máxima usada na fórmula é principalmente uma notação usada para f ligada entre 0 e 1, f representando efetivamente a proporção de Maior perda histórica de risco (ou seja, f0.5 significaria que você arrisca metade da maior perda por unidade de negociação por período). O fator de alavancagem real é amplamente independente dessa maior perda (exceto que não pode exceder a maior perda), mas sim vinculado ao fluxo completo de retornos. Aqui, usamos a maior perda mensal porque a freqüência do período foi mensal e é assim que a otimização é executada. Se usássemos períodos semanais, teríamos escolhido maiores perdas semanais. Claro, não há nada garantindo que as perdas futuras não excedam as perdas históricas (mesmo em uma linha de tempo infinita, isso certamente acontecerá) e o processo é apenas uma otimização posteriori 8211, de modo que de alguma forma precisa ser levado em consideração. Vince mencionou uma aplicação prática do conceito de forma mais robusta, que I8217ll cobrem em uma postagem posterior. O que é bom para se lembrar é que isso não resolve o problema de como decidir qual alavancagem a aplicar em dados futuros, apenas formaliza o impacto de alavancagem 8220 em impactos de desempenho, etc. dando uma estrutura mais quantitativa do que simplesmente executar back - Testes com diferentes níveis de alavancagem e medição do desempenho em cada caso (relações MAR, CAGR, etc.). Você ainda precisaria decidir qual alavancagem que você ficaria feliz em seguir em frente, com toda a incerteza sobre os dados futuros, que é um acaso educado 8220discretionary8221 em algum aspecto. Eu gosto de números e matemática 8211, exceto quando se torna difícil. Costumávamos ter uma grande loja de livros de negócios (na minha cidade) que tinha alguns livros de investimento especiais 8211 e alguns que não eram tão especiais que agora estão vendendo telas de ampliação de pintura de luxo. Os livros foram levados a uma casa de repouso, chamada amazon 8211, não há nada como a sensação de comprar um livro de capa dura para uma fortuna, sabendo o que é uma ótima compra que você fez. Para fazer uma torção, acredito que os principais ingredientes são o queijo e o leite assistidos por uma panela quente. A concepção de sistemas de negociação não é muito mais difícil. Leia o livro vince8217s uma e outra vez até que você o conheça para trás 8211, mas depois de ler o livro pardo8217s. Em seguida, obtenha alguns dados históricos 8211 (lotes, se você puder) e misture-o com o excel avançado que você colocou na prateleira superior no armário da vassoura. O resto que você pode resolver por si mesmo. Mas (voltando para o Vince), acho que alguns de vocês podem precisar de um descanso 8211, já que você está ficando um pouco agitado por esse maior desconto historico histórico sendo um alvo em movimento e uma estimativa não quantificável para o desempenho futuro. Você poderia facilmente tentar projetar sistemas de negociação que tenham um desconto maior conhecido durante um determinado período de tempo. Eu entendo comprar chamadas ou colocar opções opções podem ajudá-lo na sua missão. Eu pensei que tinha lido o livro Vince8217s completamente 8211, mas estou pronto para lê-lo novamente, como eu devo ter feito uma xícara de café quando eu deveria ter lido o capítulo que envolveu arriscar mais de um capital social. Eu apenas fiz isso com a minha conta de compras semanal foi um artigo muito útil 8211 e mereceu reações pensativas. Ps 8211 se você estiver gastando muito tempo no reequilíbrio do sistema, talvez uma curta estadia na unidade de reabilitação de ajuste de curva. Você pode estar testando variáveis ​​que têm pouco impacto sobre o desempenho e para aqueles que fazem testes para valores que são muito próximos uns dos outros. O livro atualizado da optimização de pardo8217s é um bom acompanhamento de seu livro original. É uma leitura muito sensata para estratégias de otimização e avaliação. Também pode ser útil ler em voz alta quando a sogra aparece durante o chá da tarde de domingo e os scones 8211 (apenas passando por você, como se faz quando em uma trilha de trinta milhas). O livro de Pardo8217 não é suficientemente grosso para suportar o sofá se uma perna cai em 8211, mas afortunado, a mãe-em-lei8217s é. Este post é extremamente benéfico para mim. Estou fazendo algumas pesquisas sobre o LSPM. Eu sei que o post é antigo 8211, mas espero que você veja minha pergunta. A minha pergunta é: você diz (na seção com restrições de redução) que: 8221 O retorno da média geométrica mensal cai para 2.688221 O arquivo R-Session, no entanto, mostra um valor de 1.027302 para G 8211 ou 8220bestvalit8221. De onde vem o 2.68. No seu primeiro exemplo (sem retirar), o seu 8220bestvalit8221 e retorno da média geométrica é o mesmo Verge, Glad you8217re aproveitando a postagem. Eu calculo o valor de 2,68 aplicando os pesos a cada componente do portfólio e calculando a curva de patrimônio (assim feito no Excel) O valor de 2,68 é o retorno mensal geométrico mensal com base no número de períodos e na quantidade final da curva do patrimônio líquido. Não sei por que o número é (ligeiramente) diferente do arquivo de sessão R. Talvez alguns problemas de arredondamento ou potencialmente um problema de digitação no Excel8230 Meus agradecimentos pelo trabalho que você compartilha aqui. Você disse: 8220 Isso é bastante diferente do conceito de dimensionamento de posição para cada comércio que seria gerado por um sistema de negociação ao negociar vários instrumentos, uma vez que os negócios poderiam se sobrepor (por exemplo, 3 negociações em ouro durante 1 troca de milho, etc.). O modelo LSP espera que todos os componentes tenham retornos expressados ​​em períodos seqüenciais e sincronizados. Como mencionei na publicação, pode haver algumas soluções alternativas que eu examinarei em outra publicação. - Jez8221 Eu me perguntava, portanto, se você não se importaria de compartilhar seus pensamentos sobre isso e como você tem considerado empregar o LSPM neste caso, onde os negócios se sobrepõem ou são planos dentro de qualquer HPR dado. Grant, não tenho trabalhado muito nessa publicação, mas a forma como eu pensava na época era usar cada mercado em um sistema como um fluxo diário de retornos (ou seja, como um sistema de mercado como Vince os chama). Um comércio plano durante qualquer HPR (diariamente, por exemplo) simplesmente teria um retorno de 0 para esse sistema de mercado. Ainda não testei isso. Verifique a lista dos mercados globais de futuros que a Wisdom Trading oferece acesso, desde o milho na África do Sul, o Palm Oil na Malásia até o Won coreano, o Real brasileiro ou o Kerosene japonês para citar alguns, é impressionante e ótimo Para se beneficiar da diversificação. Au. Tra. Sy blog, Systematic Trading, pesquisa e desenvolvimento, com um sabor de Trend Following. Descargo de responsabilidade: o desempenho passado não é necessariamente indicativo de resultados futuros. O comércio de futuros é complexo 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 tomado como conselho de investimento. Todo o conteúdo do site, não deve ser interpretado como uma recomendação para comprar ou vender qualquer instrumento financeiro ou de segurança, ou para participar de qualquer estratégia de negociação ou de investimento específica. As idéias expressas neste site são apenas as opiniões do autor. O autor pode ou não ter uma posição em qualquer instrumento financeiro ou estratégia acima referida. Qualquer ação que você toma como resultado de informações ou análises neste site é, em última instância, sua única responsabilidade. RESULTADOS DE DESEMPENHO HIPOTÉTICOS TEM MUITAS LIMITAÇÕES INERENTES, ALGUNS DESCRITOS ABAIXO. NENHUMA REPRESENTAÇÃO ESTÁ FAZENDO QUE QUALQUER CONTA VÁ OU SEJA PROBABILITÁVEL PARA ALCANÇAR LUCROS OU PERDAS SIMILARES ÀQUELES MOSTRADOS EM FATO, HÁ DIFERENÇAS FREQUENTEMENTE SHARP ENTRE RESULTADOS DE DESEMPENHO HIPOTÉTICOS E OS RESULTADOS REAIS ASSOCIADOS SUBSQUECIMENTAMENTE POR QUALQUER PROGRAMA PARTICULAR DE NEGOCIAÇÃO. UMA DAS LIMITAÇÕES DOS RESULTADOS DE DESEMPENHO HIPOTÉTICOS É QUE PREPARAM GERALMENTE COM O BENEFÍCIO DE HINDSIGHT. ADICIONALMENTE, O NEGOCIAÇÃO HIPOTÉTICA NÃO IMPORTA RISCOS FINANCEIROS, E NENHUM GRUPO DE NEGOCIAÇÃO HIPOTÉTICA PODE COMPLETAMENTE CONTA PARA O IMPACTO DO RISCO FINANCEIRO DE NEGOCIAÇÃO REAL. POR EXEMPLO, A CAPACIDADE DE PERDAS OU DE ADESIVO PARA UM PROGRAMA DE NEGOCIAÇÃO ESPECÍFICO EM ESPIRRO DE PERDAS DE NEGOCIAÇÃO SÃO PONTOS MATERIAIS QUE PODEM IGUALMENTE AFETAR EFECTUAR RESULTADOS REAIS DE NEGOCIAÇÃO. HÁ NOMBROSOS OUTROS FATORES RELACIONADOS COM OS MERCADOS EM GERAL OU NA EXECUÇÃO DE QUALQUER PROGRAMA DE NEGOCIAÇÃO ESPECÍFICO QUE NÃO PODE SER COMPLETAMENTE COMPTABILIZADO NA PREPARAÇÃO DE RESULTADOS DE DESEMPENHO HIPOTÉTICOS E TODOS OS QUE PODEMOS ADVERSAMENTE EFECTUAR OS RESULTADOS DE NEGOCIAÇÃO. ESTES TABELOS DE DESEMPENHO E RESULTADOS SÃO HIPOTÉTICOS DE NATUREZA E NÃO REPRESENTAM NEGOCIAÇÃO EM CONTAS REAIS. Copiar 2009-2012 Au. Tra. Sy blog 8211 Automated trading System mdash Sitemap mdash Desenvolvido por WordpressOptimal f forex management, yushin america stock market. Respostas às soluções de gráficos de Forex em ponto e forma Andy Steven 27 de junho de 2012 em am. Estou realmente feliz por ter encontrado esta informação. Now a days bloggers. When developing a system to manage money, you must ask yourself Should I build a track record that I cannot realis-tically expect to maintain in the future The Tradecisions Strategy Builder functionality is centered on money management as the main part of the trading process. Disciplined Trading with. Optimal f forex management: Includes a weekly bulletin describing financial conditions. Online ForexForeign Exchange Trading. Trade Currency with Competitive FX Rates and Over 182 Currency Crosses using the Online Trading Platform from Saxo. HI, Great post and explanation of optimal f but please allow me to be critical. I hope you realize that this analysis is based on hindsight, save the high cost for. yushin america stock market: Currency trading offers far more flexibility than other markets, but long-term success requires discipline in money management. Recommended reading for people interested in learning more about the forex market. Cheapest stocks to buy right now 2011: Optimal F. The Optimal F system of money management was devised by Ralph Vince, and hes written several books about this and other money management issues. The optimal portfolio concept falls under the modern portfolio theory. The theory assumes among other things that investors fanatically try to minimize risk while. Deixe uma resposta