Объединение скользящих средних и психологических уровней в стратегии следования за трендом.
Комбинирование стратегий и индикаторов - всегда верный путь к надежной технической или количественной торговой системе. В этой статье мы продолжаем поиски комбинирования различных элементов в надежде найти надежную систему. Мы будем кодировать и обсуждать скользящие средние и концепцию психологических уровней, а затем объединять их вместе, чтобы сформировать интересные сигналы.
На данный момент результаты торговли больше не будут публиковаться, поскольку они зависят от затрат, проскальзывания, характера алгоритмов, управления рисками и множества других переменных. Это может ввести читателя в заблуждение, и поэтому я буду описывать только функции индикаторов, их сигналы и способы расчета доходности, а также их анализ. Единственное кормление с ложечки здесь будет представлять код индикатора и то, как рассчитать производительность.
Я только что опубликовал новую книгу после успеха предыдущей книги под названием «Новые технические индикаторы в Python». В новой книге представлено более полное описание и добавление стратегий со страницей Github, посвященной коду. Если вы чувствуете, что это вас заинтересует, не сомневайтесь, также можно приобрести PDF-версию, вы можете связаться со мной в Linkedin.
Концепция скользящих средних
Скользящие средние помогают нам подтверждать тренд и управлять им. Они являются наиболее известными техническими индикаторами, и это связано с их простотой и их проверенной репутацией по добавлению ценности к анализу. Мы можем использовать их для поиска уровней поддержки и сопротивления, стопов и целей, а также для понимания основного тренда. Такая универсальность делает их незаменимым инструментом в нашем торговом арсенале.
Как следует из названия, это ваше простое простое средство, которое используется повсюду в статистике и практически в любой другой части нашей жизни. Это просто общие значения наблюдений, разделенные на количество наблюдений. С математической точки зрения это можно записать как:
Чтобы закодировать простую скользящую среднюю, мы можем следовать этому синтаксису в Python, убедившись, что мы определили основные функции манипуляции, также показанные ниже:
# The function to add a certain number of columns
def adder(Data, times):
for i in range(1, times + 1):
z = np.zeros((len(Data), 1), dtype = float)
Data = np.append(Data, z, axis = 1)
return Data
# The function to deleter a certain number of columns
def deleter(Data, index, times):
for i in range(1, times + 1):
Data = np.delete(Data, index, axis = 1)
return Data
# The function to delete a certain number of rows from the beginning
def jump(Data, jump):
Data = Data[jump:, ]
return Data
def ma(Data, lookback, close, where):
Data = adder(Data, 1)
for i in range(len(Data)):
try:
Data[i, where] = (Data[i - lookback + 1:i + 1, close].mean())
except IndexError:
pass
# Cleaning
Data = jump(Data, lookback)
return Data
Еще одна еще более динамичная скользящая средняя - экспоненциальная. Его идея состоит в том, чтобы придать больший вес более свежим значениям, чтобы уменьшить отставание между ценой и средним значением.
Обратите внимание, как экспоненциальная скользящая средняя ближе к ценам, чем простая, когда тренд сильный. Это связано с тем, что он придает больший вес последним значениям, чтобы среднее не оставалось очень большим. Чтобы закодировать функцию в Python, которая выводит этот тип среднего, вы можете использовать следующий фрагмент:
def ema(Data, alpha, lookback, what, where):
alpha = alpha / (lookback + 1.0)
beta = 1 - alpha
# First value is a simple SMA
Data = ma(Data, lookback, what, where)
# Calculating first EMA
Data[lookback + 1, where] = (Data[lookback + 1, what] * alpha) + (Data[lookback, where] * beta)
# Calculating the rest of EMA
for i in range(lookback + 2, len(Data)):
try:
Data[i, where] = (Data[i, what] * alpha) + (Data[i - 1, where] * beta)
except IndexError:
pass
return Data
Если вас интересуют настроения рынка и моделирование настроений институциональных трейдеров, ознакомьтесь со статьей ниже:
Концепция психологических уровней
Психологические уровни играют важную роль в любом анализе. Причина этого в том, что мысленно им уделяется больше внимания, чем другим уровням. Например, какую цену вы бы больше запомнили, если бы столкнулись с ней? 1.1500 по EURUSD или 1.3279 по GBPUSD? По психологическим уровням мы говорим либо о круглых числах (например, 1,2000 по паре EURUSD), либо о простых номинальных числах (например, 1,000 USDCHF или 100 долларов по акциям Apple).
Ясно, что круглые числа - первая часть психологической цены. Другая часть - просто значение. Например, номинальная стоимость или уровень номинала, такой как 1.000 по USDCHF или 100.00 по USDJPY, считается номинальным уровнем. Основная идея состоит в том, что на этих уровнях участники рынка могут размещать свои ордера, следовательно, может произойти определенная реакция.
Наша цель - разработать алгоритм, который торгует всякий раз, когда рынок достигает психологического уровня. Это делается с помощью очень простой функции цикла в Python, обсуждаемой позже.
def psychological_levels_scanner(Data, trend, signal, buy, sell):
# Adding buy and sell columns
Data = adder(Data, 15)
# Rounding for ease of use
Data = rounding(Data, 4)
# Scanning for Psychological Levels
for i in range(len(Data)):
if Data[i, 3] == 0.6000 or Data[i, 3] == 0.6100 or Data[i, 3] == 0.6200 or Data[i, 3] == 0.6300 or \
Data[i, 3] == 0.6400 or Data[i, 3] == 0.6500 or Data[i, 3] == 0.6600 or Data[i, 3] == 0.6700 or \
Data[i, 3] == 0.6800 or Data[i, 3] == 0.6900 or Data[i, 3] == 0.7000 or Data[i, 3] == 0.7100 or \
Data[i, 3] == 0.7200 or Data[i, 3] == 0.7300 or Data[i, 3] == 0.7400 or Data[i, 3] == 0.7500 or \
Data[i, 3] == 0.7600 or Data[i, 3] == 0.7700 or Data[i, 3] == 0.7800 or Data[i, 3] == 0.7900 or \
Data[i, 3] == 0.8000 or Data[i, 3] == 0.8100 or Data[i, 3] == 0.8200 or Data[i, 3] == 0.8300 or \
Data[i, 3] == 0.8400 or Data[i, 3] == 0.8500 or Data[i, 3] == 0.8600 or Data[i, 3] == 0.8700 or \
Data[i, 3] == 0.8800 or Data[i, 3] == 0.8900 or Data[i, 3] == 0.9000 or Data[i, 3] == 0.9100 or \
Data[i, 3] == 0.9200 or Data[i, 3] == 0.9300 or Data[i, 3] == 0.9400 or Data[i, 3] == 0.9500 or \
Data[i, 3] == 0.9600 or Data[i, 3] == 0.9700 or Data[i, 3] == 0.9800 or Data[i, 3] == 0.9900 or \
Data[i, 3] == 1.0000 or Data[i, 3] == 1.0100 or Data[i, 3] == 1.0200 or Data[i, 3] == 1.0300 or \
Data[i, 3] == 1.0400 or Data[i, 3] == 1.0500 or Data[i, 3] == 1.0600 or Data[i, 3] == 1.0700 or \
Data[i, 3] == 1.0800 or Data[i, 3] == 1.0900 or Data[i, 3] == 1.1000 or Data[i, 3] == 1.1100 or \
Data[i, 3] == 1.1200 or Data[i, 3] == 1.1300 or Data[i, 3] == 1.1400 or Data[i, 3] == 1.1500 or \
Data[i, 3] == 1.1600 or Data[i, 3] == 1.1700 or Data[i, 3] == 1.1800 or Data[i, 3] == 1.1900 or \
Data[i, 3] == 1.2000 or Data[i, 3] == 1.2100 or Data[i, 3] == 1.2300 or Data[i, 3] == 1.2400 or \
Data[i, 3] == 1.2500 or Data[i, 3] == 1.2600 or Data[i, 3] == 1.2700 or Data[i, 3] == 1.2800 or \
Data[i, 3] == 1.2900 or Data[i, 3] == 1.3000 or Data[i, 3] == 1.3100 or Data[i, 3] == 1.3200 or \
Data[i, 3] == 1.3300 or Data[i, 3] == 1.3400 or Data[i, 3] == 1.3500 or Data[i, 3] == 1.3600 or \
Data[i, 3] == 1.3700 or Data[i, 3] == 1.3800 or Data[i, 3] == 1.3900 or Data[i, 3] == 1.4000 or \
Data[i, 3] == 1.4100 or Data[i, 3] == 1.4200 or Data[i, 3] == 1.4300 or Data[i, 3] == 1.4400 or \
Data[i, 3] == 1.4500 or Data[i, 3] == 1.4600 or Data[i, 3] == 1.4700 or Data[i, 3] == 1.4800 or \
Data[i, 3] == 1.4900 or Data[i, 3] == 1.5000 or Data[i, 3] == 1.5100 or Data[i, 3] == 1.5200 or \
Data[i, 3] == 1.5300 or Data[i, 3] == 1.5400 or Data[i, 3] == 1.5500 or Data[i, 3] == 1.5600 or \
Data[i, 3] == 1.5700 or Data[i, 3] == 1.5800 or Data[i, 3] == 1.5900 or Data[i, 3] == 1.6000 or \
Data[i, 3] == 1.6100 or Data[i, 3] == 1.6200 or Data[i, 3] == 1.6300 or Data[i, 3] == 1.6400 or \
Data[i, 3] == 1.6500 or Data[i, 3] == 1.6600 or Data[i, 3] == 1.6700 or Data[i, 3] == 1.6800 or \
Data[i, 3] == 1.6900 or Data[i, 3] == 1.7000 or Data[i, 3] == 1.7100 or Data[i, 3] == 1.7200 or \
Data[i, 3] == 1.7300 or Data[i, 3] == 1.7400 or Data[i, 3] == 1.7500 or Data[i, 3] == 1.7600 or \
Data[i, 3] == 1.7700 or Data[i, 3] == 1.7800 or Data[i, 3] == 1.7900 or Data[i, 3] == 1.8000:
Data[i, signal] = 1
return Data
Очевидно, что приведенный выше код может использовать какой-то лучший способ определения психологического уровня, такой как метод по модулю, деление на 5 или поиск значений, где последние две цифры - это двойной ноль. Однако идея состоит в том, чтобы показать, что даже с упрощенным синтаксисом мы можем прийти к тому, что пытаемся сделать.
На приведенном выше графике также показан график сигналов для значений USDCHF H3. Мы можем заметить, что в среднем сигналы имеют тенденцию быть хорошими из-за того, что они возникают вокруг ключевых точек разворота. Это, конечно, не является устойчивым и невыгодным само по себе, но с точки зрения стоимости это определенно дополнение.
Если вы хотите увидеть больше технических индикаторов, ознакомьтесь со статьей ниже:
Торговля паттерном« Бутерброд с палкой - Полное руководство.
Полное введение и тест на истории паттерна Бутерброд с палкой . kaabar-sofien.medium.com»
Создание сигналов
Как и в случае с любым надлежащим методом исследования, цель состоит в том, чтобы протестировать стратегию и убедиться в том, стоит ли использовать ее в качестве дополнения к нашей уже существующей торговой системе или нет.
Первый шаг - создание правил торговли. Когда система купит, а когда откроет короткую позицию? Другими словами, когда подается сигнал, который сообщает системе, что текущий рынок пойдет вверх или вниз?
Мы можем выбрать следующие торговые условия:
- Открывайте длинную позицию (покупайте), когда рынок выше краткосрочной скользящей средней и наблюдается психологический уровень, т. е. рынок закрылся на круглом уровне.
- Открывайте короткую позицию (продавайте), когда рынок ниже своей краткосрочной скользящей средней и наблюдается психологический уровень, т. е. рынок закрылся на круглом уровне.
На приведенной выше диаграмме показаны сигналы, генерируемые системой. Мы должны учитывать частоту сигналов при разработке торгового алгоритма. Функцию сигнала, используемую для генерации триггеров на основе условий, упомянутых выше, можно найти в этом фрагменте:
def signal(Data, ma_column, psychological_level_column, buy, sell):
Data = adder(Data, 20)
for i in range(len(Data)):
if Data[i, 3] > Data[i, ma_column] and Data[i, psychological_level_column] == 1 and abs(Data[i, 3] - Data[i, ma_column]) < 0.0010:
Data[i, buy] = 1
elif Data[i, 3] < Data[i, ma_column] and Data[i, psychological_level_column] == 1 and abs(Data[i, 3] - Data[i, ma_column]) < 0.0010:
Data[i, sell] = -1
return Data
Теперь пришло время увидеть интуицию анализа стратегии. Помните, что результаты бэк-тестирования больше не будут предоставляться, но приведенные ниже будут гораздо более полезными.
Рамки оценки стратегии
Получив сигналы, мы теперь знаем, когда алгоритм разместил бы свои заказы на покупку и продажу, что означает, что у нас есть приблизительная копия прошлого, где мы можем контролировать наши решения без предвзятости. Мы должны смоделировать, как стратегия работала бы в наших условиях. Это означает, что нам нужно рассчитать доходность и проанализировать показатели производительности. В этом разделе мы попытаемся охватить самое главное и предоставить основу. Сначала мы можем начать с самого простого показателя - отчета о прибылях и убытках. Когда мы тестируем нашу систему на исторических данных, мы хотим увидеть, принесла ли она деньги или потеряла деньги. В конце концов, это игра на богатство. Это можно сделать путем расчета прибылей и убытков, валовой и чистой прибыли, а также построения графика капитала, который представляет собой просто временные ряды нашего баланса с учетом совершенного алгоритма, который инициирует заказы на покупку и продажу на основе стратегии. Прежде чем мы это увидим, мы должны убедиться в следующем, поскольку мы хотим, чтобы фреймворк подходил везде:
В приведенной выше таблице говорится, что нам нужен индикатор или генератор сигналов в столбце 4 или 5 (помните, индексирование в Python начинается с нуля). Сигнал покупки (константа = 1) в столбце с индексом 6 и сигнал короткой продажи (константа = -1) в столбце с индексом 7. Это гарантирует, что оставшаяся часть приведенного ниже кода работает так, как должна работать. Причина этого в том, что в данных OHLC у нас уже заняты первые 4 столбца, поэтому нам остается 1 или 2 столбца для размещения наших индикаторов, прежде чем появятся два столбца сигналов. Использование функции удаления, показанной выше, может помочь вам достичь этого порядка, если индикаторы занимают более 2 столбцов.
Первым шагом к построению кривой капитала является расчет прибылей и убытков по отдельным сделкам, которые мы совершаем. Для простоты мы можем рассматривать покупку и продажу по ценам закрытия. Это означает, что когда мы получаем сигнал от индикатора или паттерна при закрытии, мы инициируем сделку при закрытии до тех пор, пока не получим другой сигнал, по которому мы выходим и инициируем новую сделку. В реальной жизни мы делаем это в основном при следующем открытии, но, как правило, на FX нет большой разницы. Код, который необходимо определить для столбцов прибыли / убытка, приведен ниже:
def holding(Data, buy, sell, buy_return, sell_return):for i in range(len(Data)):
try:
if Data[i, buy] == 1:
for a in range(i + 1, i + 1000):
if Data[a, buy] != 0 or Data[a, sell] != 0:
Data[a, buy_return] = (Data[a, 3] - Data[i, 3])
break
else:
continue
elif Data[i, sell] == -1:
for a in range(i + 1, i + 1000):
if Data[a, buy] != 0 or Data[a, sell] != 0:
Data[a, sell_return] = (Data[i, 3] - Data[a, 3])
break
else:
continue
except IndexError:
pass
# Using the function
holding(my_data, 6, 7, 8, 9)
Это даст нам столбцы 8 и 9, заполненные результатами валовых прибылей и убытков по заключенным сделкам. Теперь нам нужно преобразовать их в совокупные числа, чтобы рассчитать кривую собственного капитала. Для этого мы используем следующую функцию индексатора:
def indexer(Data, expected_cost, lot, investment):
# Charting portfolio evolution
indexer = Data[:, 8:10]
# Creating a combined array for long and short returns
z = np.zeros((len(Data), 1), dtype = float)
indexer = np.append(indexer, z, axis = 1)
# Combining Returns
for i in range(len(indexer)):
try:
if indexer[i, 0] != 0:
indexer[i, 2] = indexer[i, 0] - (expected_cost / lot)
if indexer[i, 1] != 0:
indexer[i, 2] = indexer[i, 1] - (expected_cost / lot)
except IndexError:
pass
# Switching to monetary values
indexer[:, 2] = indexer[:, 2] * lot
# Creating a portfolio balance array
indexer = np.append(indexer, z, axis = 1)
indexer[:, 3] = investment
# Adding returns to the balance
for i in range(len(indexer)):
indexer[i, 3] = indexer[i - 1, 3] + (indexer[i, 2])
indexer = np.array(indexer)
return np.array(indexer)
# Using the function for a 0.1 lot strategy on $10,000 investment
expected_cost = 0.5 * (lot / 10000) # 0.5 pip spread
investment = 10000
lot = 10000
equity_curve = indexer(my_data, expected_cost, lot, investment)
Приведенный ниже код используется для создания диаграммы. Обратите внимание, что функция индексатора вычисляет доходность, используя оценочную стоимость транзакции, следовательно, кривая капитала, которая должна быть построена, теоретически не содержит комиссий.
plt.plot(equity_curve[:, 3], linewidth = 1, label = 'EURUSD) plt.grid() plt.legend() plt.axhline(y = investment, color = 'black’, linewidth = 1) plt.title(’Strategy’, fontsize = 20)
Теперь пора начать оценивать производительность с помощью других мер.
Я быстро представлю основные коэффициенты и показатели, прежде чем представить полную функцию производительности, которая выводит их все вместе. Следовательно, приведенные ниже обсуждения носят в основном информационный характер, если вас интересует код, вы можете найти его в конце.
Hit ratio = 42.28 % # Simulated Ratio
Коэффициент попадания чрезвычайно прост в использовании. Это просто количество прибыльных сделок по сравнению с общим количеством заключенных сделок. Например, если в течение 5 лет у нас было 1359 сделок и 711 из них были прибыльными, то наш коэффициент совпадения (точность) составляет 711/1359 = 52,31%.
Чистая прибыль - это просто последнее значение кривой капитала за вычетом комиссий за вычетом начального баланса. Это просто добавленная стоимость суммы, которую мы инвестировали вначале.
Net profit = $ 1209.4 # Simulated Profit
Показатель чистой прибыли - это ваша прибыль на ваши инвестиции или собственный капитал. Если вы начали с 1000 долларов, а в конце года на вашем балансе будет 1300 долларов, то вы заработали бы здоровые 30%.
Net Return = 30.01% # Simulated Return
Быстрый взгляд на среднюю прибыль по сделкам и средний убыток может помочь нам лучше управлять нашими рисками. Например, если наша средняя прибыль составляет 1,20 доллара, а средний убыток - 4,02 доллара, то мы знаем, что что-то не так, поскольку мы рискуем слишком большими деньгами в обмен на слишком маленькую прибыль.
Average Gain = $ 56.95 per trade # Simulated Average Gain Average Loss = $ -41.14 per trade # Simulated Average Loss
После этого мы можем рассчитать две меры:
- Теоретическое соотношение риска и прибыли: это желаемое отношение средней прибыли к средним потерям. Коэффициент 2,0 означает, что мы нацелены вдвое больше, чем рискуем.
- Реализованное соотношение риска и прибыли: это фактическое отношение средней прибыли к средним потерям. Коэффициент 0,75 означает, что мы нацелены на три четверти того, чем мы рискуем.
Theoretical Risk Reward = 2.00 # Simulated Ratio Realized Risk Reward = 0.75 # Simulated Ratio
Коэффициент прибыли - это относительно быстрый и простой метод расчета прибыльности стратегии. Он рассчитывается как общая валовая прибыль по сравнению с общим валовым убытком в абсолютных значениях, следовательно, интерпретация коэффициента прибыли (также называемого на жаргоне индексом рентабельности корпоративных финансов) - это размер прибыли на 1 доллар убытков. Формула коэффициента прибыли:
Profit factor = 1.34 # Simulated Profit Factor
Ожидание - это гибкий показатель, представленный известным Лораном Бернатом, который складывается из среднего выигрыша / проигрыша и отношения попаданий. Он обеспечивает ожидаемую прибыль или убыток по фигуре в долларах, взвешенной по коэффициенту попадания. Процент выигрыша - это то, что мы называем коэффициентом попадания в приведенной ниже формуле, и, следовательно, коэффициент проигрыша равен 1 - коэффициенту совпадения.
Expectancy = $ 1.33 per trade # Simulated Expectancy
Еще один интересный показатель - количество сделок. Это просто для того, чтобы понять частоту наших сделок.
Trades = 3697 # Simulated Number
Теперь мы готовы отображать все вышеперечисленные показатели одновременно. После вычисления функции индексатора мы можем использовать приведенную ниже функцию производительности, чтобы получить нужные нам показатели:
def performance(indexer, Data, name):
# Profitability index
indexer = np.delete(indexer, 0, axis = 1)
indexer = np.delete(indexer, 0, axis = 1)
profits = []
losses = []
np.count_nonzero(Data[:, 7])
np.count_nonzero(Data[:, 8])
for i in range(len(indexer)):
if indexer[i, 0] > 0:
value = indexer[i, 0]
profits = np.append(profits, value)
if indexer[i, 0] < 0:
value = indexer[i, 0]
losses = np.append(losses, value)
# Hit ratio calculation
hit_ratio = round((len(profits) / (len(profits) + len(losses))) * 100, 2)
realized_risk_reward = round(abs(profits.mean() / losses.mean()), 2)
# Expected and total profits / losses
expected_profits = np.mean(profits)
expected_losses = np.abs(np.mean(losses))
total_profits = round(np.sum(profits), 3)
total_losses = round(np.abs(np.sum(losses)), 3)
# Expectancy
expectancy = round((expected_profits * (hit_ratio / 100)) \
- (expected_losses * (1 - (hit_ratio / 100))), 2)
# Largest Win and Largest Loss
largest_win = round(max(profits), 2)
largest_loss = round(min(losses), 2)
# Total Return
indexer = Data[:, 10:12]
# Creating a combined array for long and short returns
z = np.zeros((len(Data), 1), dtype = float)
indexer = np.append(indexer, z, axis = 1)
# Combining Returns
for i in range(len(indexer)):
try:
if indexer[i, 0] != 0:
indexer[i, 2] = indexer[i, 0] - (expected_cost / lot)
if indexer[i, 1] != 0:
indexer[i, 2] = indexer[i, 1] - (expected_cost / lot)
except IndexError:
pass
# Switching to monetary values
indexer[:, 2] = indexer[:, 2] * lot
# Creating a portfolio balance array
indexer = np.append(indexer, z, axis = 1)
indexer[:, 3] = investment
# Adding returns to the balance
for i in range(len(indexer)):
indexer[i, 3] = indexer[i - 1, 3] + (indexer[i, 2])
indexer = np.array(indexer)
total_return = (indexer[-1, 3] / indexer[0, 3]) - 1
total_return = total_return * 100
print('-----------Performance-----------', name)
print('Hit ratio = ', hit_ratio, '%')
print('Net profit = ', '$', round(indexer[-1, 3] - indexer[0, 3], 2))
print('Expectancy = ', '$', expectancy, 'per trade')
print('Profit factor = ' , round(total_profits / total_losses, 2))
print('Total Return = ', round(total_return, 2), '%')
print('')
print('Average Gain = ', '$', round((expected_profits), 2), 'per trade')
print('Average Loss = ', '$', round((expected_losses * -1), 2), 'per trade')
print('Largest Gain = ', '$', largest_win)
print('Largest Loss = ', '$', largest_loss)
print('')
print('Realized RR = ', realized_risk_reward)
print('Minimum =', '$', round(min(indexer[:, 3]), 2))
print('Maximum =', '$', round(max(indexer[:, 3]), 2))
print('Trades =', len(profits) + len(losses))
# Using the function
performance(equity_curve, my_data, 'EURUSD)
Это должно дать нам что-то вроде следующего:
-----------Performance----------- EURUSD Hit ratio = 42.28 % Net profit = $ 1209.4 Expectancy = $ 0.33 per trade Profit factor = 1.01 Total Return = 120.94 % Average Gain = $ 56.95 per trade Average Loss = $ -41.14 per trade Largest Gain = $ 347.5 Largest Loss = $ -311.6Realized RR = 1.38 Minimum = $ -1957.6 Maximum = $ 4004.2 Trades = 3697 # All of the above are simulated results and do not reflect the presented strategy or indicator
Заключение и важный отказ от ответственности
Не забывайте всегда проводить тесты на исторических данных. Вы всегда должны верить, что другие люди неправы. Мои индикаторы и стиль торговли могут работать на меня, но может не на вас.
Я твердо убежден, что нельзя кормить с ложечки. Я научился на практике, а не копируя. Вы должны понять идею, функцию, интуицию, условия стратегии, а затем разработать (даже лучше) одну из них самостоятельно, чтобы вы протестировали и улучшили ее, прежде чем принимать решение о том, чтобы применить ее вживую или отказаться от нее. Мой выбор не предоставлять результаты бэк-тестирования должен побудить читателя больше изучить стратегию и больше работать над ней. Таким образом, вы сможете поделиться со мной своей лучшей стратегией, и мы вместе разбогатеем.
Подводя итог, можно ли сказать, что стратегии, которые я предлагаю, реалистичны? Да, но только путем оптимизации среды (надежный алгоритм, низкие затраты, честный брокер, надлежащее управление рисками и управление заказами). Предусмотрены ли стратегии исключительно для торговли? Нет, это нужно для стимулирования мозгового штурма и получения новых торговых идей, поскольку мы все устали слышать о перепроданности RSI как о причине для открытия короткой позиции или о преодолении сопротивления как о причине идти долго. Я пытаюсь представить новую область под названием «Объективный технический анализ», в которой мы используем достоверные данные для оценки наших методов, а не полагаемся на устаревшие классические методы.
Если вас также интересуют другие технические индикаторы и использование Python для создания стратегий, то мой бестселлер по техническим индикаторам может вас заинтересовать:
