Simulação De Média Móvel

Estratégias de negociação comumente empregadas por comerciantes que gostam de aplicar análise técnica na coleta de ações muitas vezes usam médias móveis como um sinal de compra ou venda. No meu exemplo abaixo, eu investiguei uma grande variedade de estratégias de média móvel para o Índice Industrial Dow Jones para o período de 1930 a 2008 Descrição da estratégia: Compre quando a média móvel de x dias se situa acima da média móvel do dia-y e fecha a posição Quando ocorre o oposto. A estratégia parece certamente muito atraente quando apresentado com o direito estoque no momento certo, mas quando aplicá-lo mecanicamente por um longo tempo, podemos ver que ele claramente não funciona. Pelo contrário, ele leva a um não-desempenho estatisticamente significativo para um simples buy-and hold. Buy-and-hold vs estratégia com otimização de x450 dias e y1875 dias ainda underperforms um simples buy-and hold. A razão do baixo desempenho deve estar no fato de que as ações da SampP geraram um retorno significativo nos últimos 80 anos. Quando interrompemos esses retornos em um padrão aparentemente aleatório (como quando aplicamos a estratégia de média móvel), isso claramente leva a um desempenho inferior significativo. Aqui novamente os detalhes para a estratégia ótima (que é ainda pior do que um buy-and-hold): x: 450 dias y: 1875 dias outperformancepa: -0.81151 outperformancepaleveraged: 3.9124 strategyperformancepa: 4.7239 strategyperformancepaleveraged: 9.4479 buyholdperformancepa: 5.5354 strategyperformance: 372.65 strategyperformanceleveraged : 745.29 buyholdlongdayspct: 75.796 buyholdlongdayspct: 100 strategyavgtradeduration: 2728 strategywinningtrades: 4 strategywinningtradespct: 50 strategymaxdrawdown: -18.169 strategymaxwin: 208.52 besttradestart: 16946 worsttradeend: 17639 worsttradenumber: 17639 besttradeest: 5 besttradestart: 19335 besttradeend: 26545 besttradenumber: 7 periodspa: 365: Best Forex Rebates, ganhe dinheiro adicional gratuito como você comércio. Funciona com todos os tipos de steeiagtrs ou sistemas. Se você acha que só pode ganhar com dinheiro de apenas lucros em sua conta, bem you039re errado. Com abatimentos forex, você ganha dinheiro se você ganhar um comércio ou perder um comércio. Dando-lhe assim 2 fluxos de renda, um dos lucros em sua conta e um de seus descontos. Eu não tenho certeza Concordo com isso Eu corri um teste de volta com o SPX e um simples MA de 200 dias (Compre no dia seguinte fechar se o índice cruza acima do MA, vender se ele cruza abaixo ). Eu comecei em 1942, que é a data mais antiga que eu tenho e eu usei o índice SampP 500 Tot Return, mas eu tenho resultados relativos semelhantes usando o índice unadjusted. COMPRAR AMP HOLD CAR: 11.05 Max Drawdown: -55.20 Índice de úlcera: 11.78 200-DAY MA CAR: 12.19 Max Drawdown: -21.07 Índice de úlcera: 6.09 Portanto, certamente parece que usar um MA é uma boa estratégia. Se nada mais é reduz Max Drawdown. Moving médias: quais são eles Entre os mais populares indicadores técnicos, médias móveis são usados ​​para medir a direção da tendência atual. Cada tipo de média móvel (comumente escrito neste tutorial como MA) é um resultado matemático que é calculado pela média de um número de pontos de dados passados. Uma vez determinada, a média resultante é então plotada em um gráfico, a fim de permitir que os comerciantes olhar para os dados suavizados, em vez de se concentrar nas flutuações do preço do dia-a-dia que são inerentes a todos os mercados financeiros. A forma mais simples de uma média móvel, apropriadamente conhecida como média móvel simples (SMA), é calculada tomando-se a média aritmética de um dado conjunto de valores. Por exemplo, para calcular uma média móvel básica de 10 dias, você adicionaria os preços de fechamento dos últimos 10 dias e dividiria o resultado por 10. Na Figura 1, a soma dos preços dos últimos 10 dias (110) é Dividido pelo número de dias (10) para chegar à média de 10 dias. Se um comerciante deseja ver uma média de 50 dias, em vez disso, o mesmo tipo de cálculo seria feito, mas incluiria os preços nos últimos 50 dias. A média resultante abaixo (11) leva em conta os últimos 10 pontos de dados, a fim de dar aos comerciantes uma idéia de como um activo é fixado o preço em relação aos últimos 10 dias. Talvez você está se perguntando por que os comerciantes técnicos chamam essa ferramenta de uma média móvel e não apenas uma média regular. A resposta é que, à medida que novos valores se tornam disponíveis, os pontos de dados mais antigos devem ser eliminados do conjunto e novos pontos de dados devem entrar para substituí-los. Assim, o conjunto de dados está em constante movimento para contabilizar novos dados à medida que fica disponível. Este método de cálculo garante que apenas as informações atuais estão sendo contabilizadas. Na Figura 2, uma vez que o novo valor de 5 é adicionado ao conjunto, a caixa vermelha (representando os últimos 10 pontos de dados) move-se para a direita eo último valor de 15 é eliminado do cálculo. Como o valor relativamente pequeno de 5 substitui o valor alto de 15, você esperaria ver a média da diminuição do conjunto de dados, o que faz, nesse caso de 11 para 10. O que as médias móveis parecem uma vez MA foram calculados, eles são plotados em um gráfico e, em seguida, conectado para criar uma linha média móvel. Estas linhas de curvas são comuns nos gráficos de comerciantes técnicos, mas como eles são usados ​​podem variar drasticamente (mais sobre isso mais tarde). Como você pode ver na Figura 3, é possível adicionar mais de uma média móvel a qualquer gráfico ajustando o número de períodos de tempo usados ​​no cálculo. Essas linhas curvas podem parecer distrativas ou confusas no início, mas você vai crescer acostumado com eles como o tempo passa. A linha vermelha é simplesmente o preço médio nos últimos 50 dias, enquanto a linha azul é o preço médio nos últimos 100 dias. Agora que você entende o que é uma média móvel e o que parece, bem introduzir um tipo diferente de média móvel e analisar como ele difere da mencionada média móvel simples. A média móvel simples é extremamente popular entre os comerciantes, mas como todos os indicadores técnicos, ele tem seus críticos. Muitos indivíduos argumentam que a utilidade do SMA é limitada porque cada ponto na série de dados é ponderado o mesmo, independentemente de onde ele ocorre na seqüência. Os críticos argumentam que os dados mais recentes são mais significativos do que os dados mais antigos e devem ter uma maior influência no resultado final. Em resposta a essa crítica, os comerciantes começaram a dar mais peso aos dados recentes, o que desde então levou à invenção de vários tipos de novas médias, a mais popular das quais é a média móvel exponencial (EMA). Média móvel exponencial A média móvel exponencial é um tipo de média móvel que dá mais peso aos preços recentes, na tentativa de torná-lo mais responsivo (média móvel ponderada, média móvel ponderada e qual é a diferença entre um SMA e um EMA) Novas informações. Aprender a equação um pouco complicada para o cálculo de um EMA pode ser desnecessário para muitos comerciantes, uma vez que quase todos os pacotes gráficos fazer os cálculos para você. No entanto, para você geeks matemática lá fora, aqui está a equação EMA: Ao usar a fórmula para calcular o primeiro ponto da EMA, você pode notar que não há valor disponível para usar como o EMA anterior. Este pequeno problema pode ser resolvido iniciando o cálculo com uma média móvel simples e continuando com a fórmula acima a partir daí. Fornecemos uma planilha de exemplo que inclui exemplos reais de como calcular uma média móvel simples e uma média móvel exponencial. A diferença entre a EMA ea SMA Agora que você tem uma melhor compreensão de como a SMA ea EMA são calculadas, vamos dar uma olhada em como essas médias são diferentes. Ao olhar para o cálculo da EMA, você vai notar que mais ênfase é colocada sobre os pontos de dados recentes, tornando-se um tipo de média ponderada. Na Figura 5, o número de períodos utilizados em cada média é idêntico (15), mas a EMA responde mais rapidamente aos preços em mudança. Observe como a EMA tem um valor maior quando o preço está subindo, e cai mais rápido do que o SMA quando o preço está em declínio. Esta responsividade é a principal razão pela qual muitos comerciantes preferem usar o EMA sobre o SMA. O que significam os diferentes dias As médias móveis são um indicador totalmente personalizável, o que significa que o usuário pode escolher livremente o período de tempo que desejar ao criar a média. Os períodos de tempo mais comuns utilizados nas médias móveis são 15, 20, 30, 50, 100 e 200 dias. Quanto menor o intervalo de tempo usado para criar a média, mais sensível será às mudanças de preços. Quanto mais tempo o intervalo de tempo, menos sensível ou mais suavizado, a média será. Não há um frame de tempo certo para usar ao configurar suas médias móveis. A melhor maneira de descobrir qual funciona melhor para você é experimentar com uma série de diferentes períodos de tempo até encontrar um que se enquadra a sua strategy. July 28, 2014 Yang Xu Pesquisa chave, Tactical Asset Allocation Research A menção de análise técnica em Os salões da academia pode causar angústia séria. O desprezo pela análise técnica provavelmente decorre da crença de que os mercados podem ser ineficazes. A outra razão pelos pesquisadores acham que a análise técnica difícil de engolir é o ceticismo relacionado à mineração de dados e os estudos de metanálise. Que sugerem que a maioria das regras técnicas de negociação são simplesmente beliche. Estranhamente, as estratégias de momentum transversal, ou estratégias que classificam títulos em momento relativo em um determinado momento, são amplamente publicadas em revistas acadêmicas de primeira linha. Por que o momentum é considerado um tópico válido para discutir, enquanto outras regras de negociação técnicas bem conhecidas, como simples tendência de seguir as regras são consideradas heresia, é um pouco estranho. Decidimos que era hora de torturar a regra simples de negociação média móvel e determinar se é simplesmente uma perda de tempo ou algo que devemos considerar em nossos programas de investimento. A configuração do nosso estudo A inspiração para este estudo decorreu de uma curiosidade que tínhamos depois de ler o seguinte artigo sobre Paridade de Risco Intertemporal: Paridade de risco intertemporal é uma estratégia que reequilibra entre um ativo de risco e dinheiro, a fim de atingir uma constante Nível de risco ao longo do tempo. Quando aplicado a equities e comparado a uma estratégia do buy and hold é sabido melhorar a relação de Sharpe e reduzir drawdowns. Utilizamos simulações de Monte Carlo com base em vários modelos paramétricos de séries temporais da família GARCH, para analisar a importância relativa de uma série de efeitos na explicação desses benefícios. Descobrimos que o agrupamento de volatilidade com retornos constantes e as caudas gordas são os dois efeitos com maior poder explicativo. Os resultados são ainda mais fortes se houver uma relação negativa entre retorno e volatilidade. Por outro lado, se a razão de Sharpe permanecer constante ao longo do tempo, o único benefício resultaria de um efeito de diversificação do risco inter-temporal que é pequeno e tem uma contribuição insignificante. Utilizando dados históricos, também simulamos o que teria sido o desempenho da estratégia quando aplicado a ações, títulos corporativos, títulos públicos e commodities. Descobrimos que os benefícios da estratégia são mais importantes para ações e títulos corporativos de alto rendimento, que mostram a maior volatilidade de agrupamento e caudas gordas. Para títulos do governo e títulos de grau de investimento, que mostram pouca aglomeração de volatilidade, os benefícios da estratégia têm sido menos importantes. Os resultados do trabalho são promissores, mas sempre re-backtest estudos porque o diabo está nos detalhes. Nessa situação, o artigo também inspirou uma estrutura para testar a regra da média móvel no contexto de simulações. Estratégia 1: Comprar e manter o SampP500. Estratégia 2: Quando a média móvel de 20 dias está acima da média móvel de 252 dias, risco-caso contrário, risco-off. Testamos as estratégias em quatro ambientes de simulação diferentes: 1. Uma distribuição normal 3. GARCH com ruído de T-student 4. Dados históricos bootstrapping Dados em simulação: 01-01-1990 a 12-31-2013, valor-peso diário total do mercado Retorno e LIBOR de US Dollar de 3 meses da Bloomberg. Dados em bootstrapping: 01-01-1929 a 12-31-2013, diariamente valor-peso excesso de mercado retorno do site francês t-bill do site francês. Como funciona a simulação Utilizamos modelos estocásticos para simular o retorno excessivo diário do SampP500. Estes modelos fazem várias suposições sobre a natureza dos retornos de estoque diários (vamos explicar os detalhes abaixo para cada modelo). O seguinte artigo tem mais informações sobre cada modelo. A volatilidade anualizada empiricamente anualizada do retorno diário SampP500 durante esse período de tempo é de 18,5 os retornos anualizados de SampP500 em excesso de livre de risco nesse mesmo período é de 7,5. Para fins de modelagem, simulamos o retorno em excesso SampP500 de uma Distribuição Normal N (7.5, 18.5), que é o nosso modelo de simulação base. O modelo GARCH eo modelo de ruído GARCH T-student também são introduzidos. Esses modelos destinam-se a captar a observação empírica de que os retornos mensais de ações são normalmente distribuídos. O GARCH tenta capturar o agrupamento de volatilidade e GARCH T capta os efeitos de GARCH mais um efeito de cola gorda. Esses 2 efeitos refletem melhor as observações empíricas sobre os retornos mensais das ações. Foram simulados 500 cenários Monte-Carlo em cada um dos modelos. Após a simulação, nós também olhamos para um modelo de bootstrap8221 empírico, que extrai dados da distribuição real de retornos históricos de estoque. Selecionamos aleatoriamente 1200 dias de dados diários consecutivos para cada execução de simulação (500 simulações). Distribuição Normal Em um mundo normalmente distribuído, as regras da média móvel são aproximadamente iguais a comprar e manter a vantagem óbvia. O gráfico abaixo destaca algo que as estatísticas sumárias não capturam de verdade: MA mata o lado positivo Os resultados são resultados hipotéticos e NÃO são um indicador de resultados futuros e NÃO representam retornos que qualquer investidor realmente atingiu. Os índices não são gerenciados, não refletem taxas de administração ou de negociação, e não é possível investir diretamente em um índice. Informações adicionais sobre a construção desses resultados estão disponíveis mediante solicitação. Os resultados são resultados hipotéticos e NÃO são um indicador de resultados futuros e NÃO representam retornos que qualquer investidor realmente atingiu. Os índices não são gerenciados, não refletem taxas de administração ou de negociação, e não é possível investir diretamente em um índice. Informações adicionais sobre a construção desses resultados estão disponíveis mediante solicitação. GARCH Em um mundo com volatilidade agrupada, regras de média móvel ainda underwhelm o investidor tático. Os resultados são resultados hipotéticos e NÃO são um indicador de resultados futuros e NÃO representam retornos que qualquer investidor realmente atingiu. Os índices não são gerenciados, não refletem taxas de administração ou de negociação, e não é possível investir diretamente em um índice. Informações adicionais sobre a construção desses resultados estão disponíveis mediante solicitação. O gráfico abaixo destaca uma conclusão semelhante a partir de cima: MA mata o lado positivo. Os resultados são resultados hipotéticos e NÃO são um indicador de resultados futuros e NÃO representam retornos que qualquer investidor realmente atingiu. Os índices não são gerenciados, não refletem taxas de administração ou de negociação, e não é possível investir diretamente em um índice. Informações adicionais sobre a construção desses resultados estão disponíveis mediante solicitação. GARCH com a distribuição do estudante T Que sobre o fat-tails Mesmo com as caudas gordas, movendo-se as réguas das médias don8217t adicionam o valor, na margem. Os resultados são resultados hipotéticos e NÃO são um indicador de resultados futuros e NÃO representam retornos que qualquer investidor realmente atingiu. Os índices não são gerenciados, não refletem taxas de administração ou de negociação, e não é possível investir diretamente em um índice. Informações adicionais sobre a construção desses resultados estão disponíveis mediante solicitação. Nada impressionante do histograma. Os resultados são resultados hipotéticos e NÃO são um indicador de resultados futuros e NÃO representam retornos que qualquer investidor realmente atingiu. Os índices não são gerenciados, não refletem taxas de administração ou de negociação, e não é possível investir diretamente em um índice. Informações adicionais sobre a construção desses resultados estão disponíveis mediante solicitação. Live Data Bootstrapping As 3 simulações acima envolvem um computador gerando 8220fake8221 retornos de ações que têm características que acreditamos refletir a realidade (distribuição normal, caudas gordas, cluster, vol, etc). Evidentemente, uma outra abordagem de simulação envolve simular a partir da distribuição real dos preços das ações. Usando a distribuição real de retornos, descobrimos que as regras de média móvel são significativamente melhores do que comprar e manter. Os resultados são resultados hipotéticos e NÃO são um indicador de resultados futuros e NÃO representam retornos que qualquer investidor realmente atingiu. Os índices não são gerenciados, não refletem taxas de administração ou de negociação, e não é possível investir diretamente em um índice. Informações adicionais sobre a construção desses resultados estão disponíveis mediante solicitação. Os resultados são resultados hipotéticos e NÃO são um indicador de resultados futuros e NÃO representam retornos que qualquer investidor realmente atingiu. Os índices não são gerenciados, não refletem taxas de administração ou de negociação, e não é possível investir diretamente em um índice. Informações adicionais sobre a construção desses resultados estão disponíveis mediante solicitação. Os resultados são resultados hipotéticos e NÃO são um indicador de resultados futuros e NÃO representam retornos que qualquer investidor realmente atingiu. Os índices não são gerenciados, não refletem taxas de administração ou de negociação, e não é possível investir diretamente em um índice. Informações adicionais sobre a construção desses resultados estão disponíveis mediante solicitação. Os resultados são resultados hipotéticos e NÃO são um indicador de resultados futuros e NÃO representam retornos que qualquer investidor realmente atingiu. Os índices não são gerenciados, não refletem taxas de administração ou de negociação, e não é possível investir diretamente em um índice. Informações adicionais sobre a construção desses resultados estão disponíveis mediante solicitação. Os resultados são resultados hipotéticos e NÃO são um indicador de resultados futuros e NÃO representam retornos que qualquer investidor realmente atingiu. Os índices não são gerenciados, não refletem taxas de administração ou de negociação, e não é possível investir diretamente em um índice. Informações adicionais sobre a construção desses resultados estão disponíveis mediante solicitação. Por que os resultados do Bootstrap são tão diferentes dos resultados modelados Um argumento é a mineração de dados. Esta é sempre uma hipótese alternativa viável. Outro argumento é que a simulação dos preços das ações a partir de um modelo baseado em certos parâmetros nunca pode realmente capturar a distribuição dos retornos reais das ações. Os resultados de bootstrapping parecem sugerir que as regras de negociação média móvel representam uma promissora regra de negociação técnica no mundo real, 8221 apesar do fato de que existem legiões de pesquisadores sugerindo que a análise técnica é beliche. Nota: Este site não fornece nenhuma informação sobre nossos ETFs de investimento de valor ou nossos ETFs de investimento de momentum. Consulte este site. Junte-se a milhares de outros leitores e inscreva-se no nosso blog. Lembre-se de que o desempenho passado não é um indicador de resultados futuros. Por favor, leia nossa declaração de exoneração de responsabilidade completa. As opiniões e opiniões aqui expressas são do autor e não refletem necessariamente as opiniões de Alpha Architect, suas afiliadas ou seus funcionários. Este material foi-lhe fornecido apenas para fins informativos e educacionais e não constitui uma oferta ou solicitação de uma oferta ou qualquer aconselhamento ou recomendação para comprar quaisquer valores mobiliários ou outros instrumentos financeiros e não pode ser interpretado como tal. As informações factuais aqui apresentadas foram obtidas ou derivadas de fontes acreditadas pelo autor e Alpha Architect como confiáveis, mas não é necessariamente abrangente e não é garantida quanto à sua precisão e não deve ser considerada como uma representação ou garantia , Expressa ou implícita, quanto à exactidão ou integridade das informações, nem as informações anexas devem servir de base para qualquer decisão de investimento. Nenhuma parte deste material pode ser reproduzida de qualquer forma ou referida em qualquer outra publicação, sem a permissão expressa por escrito da Alpha Architect. Sobre o autor O Sr. Xu é atualmente um sócio gerente de Alpha Architect, onde lidera o grupo de mercados de capital e auxilia na pesquisa quantitativa. O Sr. Xu tem habilidades únicas relacionadas à grande análise de dados. Sua pesquisa recente investiga vários algoritmos proprietários de negociação, modelos táticos de alocação de ativos e modelos de seleção de segurança de longo prazo. Antes de ingressar no Alpha Architect, o Sr. Xu foi Analista Principal de Dados no Capital One, onde foi membro da equipe de análise de dados do Basel II. O Sr. Xu graduou-se da universidade de Drexel com um M. S. Em Finanças, e da Universidade de Negócios Internacionais e Economia em Pequim, China, onde obteve uma Licenciatura em Economia. Autregressivo Moving-Average Simulação (Primeira Ordem) A Demonstração é definido de tal forma que a mesma série aleatória de pontos é usado não importa Como as constantes e são variadas. No entanto, quando o botão quotrandomizequot é pressionado, uma nova série aleatória será gerada e usada. Manter a série aleatória idêntica permite ao usuário ver exatamente os efeitos na série ARMA de mudanças nas duas constantes. A constante é limitada a (-1,1) porque a divergência da série ARMA resulta quando. A Demonstração destina-se apenas a um processo de primeira ordem. Os termos AR adicionais permitiriam a geração de séries mais complexas, enquanto que os termos MA adicionais aumentariam o alisamento. Para uma descrição detalhada dos processos ARMA, ver, por exemplo, G. Box, G. M. Jenkins e G. Reinsel, Análise de séries temporais: Previsão e Controlo. 3a ed. Englewood Cliffs, NJ: Prentice-Hall, 1994. LINKS RELACIONADOS