<<
>>

Заключение

Мы прошли долгий путь с начала изучения стратегий входов и выходов. Иногда дорога была тяжелой и безрадостной, иногда удивительной и полной надежд. Как всегда после долгого пути, хочется собраться с мыслями и ответить на вопросы: «Что же мы узнали?» и «Как это можно применить?».
Ответом на первый вопрос может служить детальное рассмотрение наших результатов: начиная с открытий, сделанных при анализе поведения портфеля на целых классах моделей, и переходя к специфическим комбинациям моделей и приказов, к отдельным рынкам и оптимальным методам торговли на них.

Исследованный в данной книге материал можно уподобить виду с самолета, летящего в темноте: с большой высоты видны только темные пространства (классы моделей, приносящих убытки) и светлые пятна (классы моделей, работающих хорошо или по крайней мере лучше, чем генератор случайных сделок). С этой высоты видна эффективность моделей относительно всего портфеля торгуемых рынков.

Затем самолет снижается. Становится видно больше деталей — видно, что самые яркие скопления образованы источниками света с разной яркостью (сочетаниями моделей и приказов с различной эффективностью). В темных пространствах также попадаются маленькие изолированные точки света (удачные комбинации моделей и приказов на фоне массы убыточных). На этом уровне видны также участки, находящиеся в полутьме (сочетания моделей и приказов, приносящих убытки, но работающих лучше, чем модель случайных сделок, что дает надежду на улучшение в сочетании с качественными правилами выхода).

В конце концов приближается посадка. Можно заглянуть в светлые точки и увидеть их внутреннюю структуру, т.е. отдельные рынки, где лучше всего работают данные комбинации моделей и приказов. Теперь обратимся ко второму вопросу: как это можно применить. Очевидно, что путем определения устойчиво прибыльных (в пределах и вне пределов выборки) сочетаний моделей, приказов и рынков можно создать хорошую стратегию торговли портфелем.

К этому моменту будет ясно, что в течение полета мы увидели и узнали достаточно много для того, чтобы создать

378

ЗАКЛЮЧЕНИЕ

эффективный портфель торговых систем и финансовых инструментов. В качестве иллюстрации такой портфель будет создан и протестирован со стандартной стратегией выхода.

КРУПНЫЙ ПЛАН

Мы полностью исследовали каждый из классов моделей входа (т.е. все следующие за трендом модели на основе скользящих средних, все модели на основе пробоев, все малые нейронные сети). Все тесты по каждой из этих групп усреднялись для данных в пределах и вне пределов выборки.

С большим отрывом лидировала генетическая модель: только она давала устойчивую прибыль в усреднении по всем тестам ($3271).

За ней по показателям усредненных результатов следовали малые нейронные сети. Нейронные сети разделяются на крупные и малые, поскольку для крупных сетей проблема подгонки под исторические данные представляет огромную сложность. В тестах каждая модель испытывалась с одной крупной и одной малой сетью. Вне пределов выборки малые нейронные сети в среднем приносили убыток в $860 со сделки. Это, несомненно, лучше, чем результат модели случайных входов, когда убытки составляли в среднем более $2000 при стандартном отклонении около $400.

Далее в порядке убывания эффективности следуют сезонные модели. В среднем все тесты сезонных моделей приводили к потере $966 со сделки.

Затем следуют три вида моделей на основе скользящих средних (на пересечении, угле наклона и поддержке/сопротивлении). В среднем в сделке они приносили убыток в $ 1500 — это вполне сравнимо с убытком $2100, ожидаемым от чисто случайных входов. Иными словами, модели на основе скользящих средних были лишь немного лучше случайных входов.

Эффективность всех прочих моделей была близкой к случайной, а модели на основе циклов, как оказалось, работали даже хуже случайных входов.

В пределах выборки прибыльными были генетические модели ($12 533 в средней сделке), все нейронные сети ($8940 — мелкие и $13 082 — крупные) и все модели на основе пробоев ($1537).

Вне пределов выборки прибыльными остались только генетические модели, нейронные сети работали лучше случайных входов (хотя из-за подгонки под исторические данные их показатели заметно ухудшились), а эффективность моделей пробоев упала до случайного уровня («вредная» оптимизация не может быть единственной причиной такого результата).

Далее в пределах выборки в порядке убывания эффективности следуют модели поддержки/сопротивления на основе скользящих средних (средний убыток $300 в сделке) и сезонные модели (средний убыток $671).

Затем следовали лунные и солнечные модели (средний убыток $1076 и $1067 соответственно). Модели на основе скользящих средних прино

ЗАКЛЮЧЕНИЕ

379

сили убыток от $1300 до $1700. Модели на основе осцилляторов и циклов приводили к убыткам более $2000 со сделки, что не лучше, чем результат генератора случайных входов.

Интересно, что вне пределов выборки сохранили эффективность генетическая модель и малые нейронные сети. Такие модели чрезвычайно способны к подгонке под исторические данные и часто проваливаются в тестах вне выборки и при реальной торговле. Кроме того, некоторый торговый потенциал был проявлен редко исследуемыми сезонными моделями. При этом наиболее популярные методики (скользящие средние, осцилляторы, циклы) были среди худших как в пределах, так и вне выборки. Примечательно, что модели на основе пробоев в среднем хорошо работали в прошлом, но теперь их эффективность снизилась до уровня модели случайных входов.

В табл. С-1 приведена прибыль в процентах годовых (первая строка для каждой комбинации модели и приказа) и средняя прибыль в сделке (вторая строка), полученные при использовании стандартной стратегии выхода. Приведенные данные относятся к эффективности торговли портфелем в целом. Описания моделей (левый столбец) соответствуют использовавшимся в этой книге. Последние шесть строк в таблице служат основой для сравнения различных моделей между собой. Они получены при использовании случайных входов и базовой стратегии выходов.

СредДОХ % означает среднюю доходность в процентах годовых на основе нескольких последовательностей случайных входов; СтОтклДОХ% — стандартное отклонение доходности. Сред $СДЕЛ — средняя прибыль/ убыток в сделке на основе нескольких последовательностей случайных входов и СтОткл $СДЕЛ — стандартное отклонение средней прибыли в сделке.

Модели на основе пробоя были уникальны тем, что приносили прибыль в пределах выборки при почти всех сочетаниях модели и приказа. За исключением пробоев волатильности, эти модели работали гораздо лучше случайных входов, хотя и были убыточны вне пределов выборки — убыток был менее $1000, иногда менее $300 (средний убыток модели случайных входов составил около $2000). Иными словами, системы на основе пробоев в целом были лучше случайных входов. Но вне пределов выборки они работали гораздо хуже, чем случайные входы. Средний убыток в сделке превышал $5000, как будто поведение рынка было специально настроено на затруднение работы этих систем.

Модели на основе скользящих средних, следующие за трендом (модели пересечения и угла наклона), в пределах выборки работали немного лучше случайных входов — убытки были достаточно серьезными, но почти всегда менее $2000. Ни одна из систем не была достаточно эффективной, и вне пределов выборки картина, в общем, не изменилась, несмотря на большую волатильность результатов: большинство сочетаний работали лучше, чем случайные входы, но все-таки приносили убытки.

380

ЗАКЛЮЧЕНИЕ

Таблица С-1. Результаты торговли портфелем для всех исследованных моделей со всеми видами входов В выборке Вне выборки Среднее Открутив Лимитный приказ Стон приказ ?Тнрытнв Лнииlllt-Й

приказ Ст*П-

приквз выбор™ выборки Пробой канала по цене закрытия -90 33 1066 -14

671 -10 2G9 16

503 -12 -486 Пробой ММ/ММ 82 36 1556 430 -16

-912 -72 -15 -798 15 690 -11 -594 Пробой волагкпьносТи 27 4075 49

3616 12 931 -20 7371 -17 -2094 -23

-5272 29 Э074 -20 -4912 Пробой волатильности» длинные поэцииИ 53 4 ЮС -15 -1640 53 4100 -15 1640 Пробой юпатильностх.

валютные рынки 36 3977 16 21 ОС 36 3977 1S 2106 Пробой волатильности. с фильтром ADX вв 45 7 С -20 -2415 6Й '?S70 -20 -2415 Пересечение

пес -1765 -926 -1045 -23 ? 1628 -21 -1213 -20 -1337 -1245 -21 -1393 Пересечение

ЭСС -1570 -705 -1534 -20 -1269 -22 -1755 -20 -1223 -1270 -21 -1416 Пересеченав

тсспв -1666 -890 -1720 -22 -1984 -16 1265 -23 -2715 -1425 -21 -1968 Пнлеснчнчив АСС -10 -1942 -769 -1731 -22 -1798 -19 -1071 -24 -2350 1461 -22 -1740 Наклон

пес -10 -T6S7 -906 -10 -1076 -22 -1083 -19 615 -24 -2528 -1216 -22 -1409 ЭСС -10 -2137 -10 -1629 -1389 -23 -1714 -20 1096 -21 1199 -16SS -21 -1336 Наклон! ТССПВ -10 -1642 -1365 -1203 -23 -164Т -19 -1561 -91 1470 -15 -1100 Ннчлоч АСС -10

-2353 -10 1531 1ЕУЗ -23 -18Т2 -23 -1Э91 -23 -2002 ? 1829 -23 -1755 ticc-on -АО -2220 -10 -1630 -10 -1120 -23 -3221 -21 -1917 -21 -1731 -10 -1657 -21 -2290 эсс-оп -10 -2350 -10 -1005 -1171 -26 -2471 -23 2214 -23 ?3126 -10 13С9 -23 -260Л геспв-оп -10 -2405 -1869 -1246 -21 1В21 -17 971 -20 1Э43 -1840 19 -1378 АСС-ОП -10 -1865 -1488 -1033 -23 -2222 -23 -2254 -21 -1604 -10 -1462 -22 -2027 ЗАКЛЮЧЕНИЕ

381

Таблица С-1. Результаты торговли портфелем для всех исследованных моделей со всеми видами входов (продолжение) Вне iweocfu Средни ОТкраШн Открытие "i...-н:??>" СТтаП- В Вн»

Выборке аыборни псс-Подо./еопр. -10 -10 4 -20 -17 15 -5 -а -1099 -В44 -1962 -1512 492 -572 -997 эсС-Подд7оопр. ? 0 0 0 0 0 0 0 ? 0 0 0 0 0 0 а ТССПВ-Подд./сопв -в -3 9 -13 -14 -22 -1 -16 -641 -261 1015 -144Д -1067 -3566 -29 -2032 АСС-ПопД./оопр, ? 0 0 0 0 0 0 0 ? 0 0 0 0 0 0 0 Перекупл./ Переярод -10 -10 -10 -24 -24 -23 -10 -23 Оохастнч ост. -367? -3228 -2586 -3130 -2504 -2650 -1829 -2761 Перекупи,/ Лерепоод -10 -10 10 -21 -16 •21 -10 -20 RSI -7073 -4093 -6876 -3537 -1976 -3624 -6015 3113 Счиасгич, 10 • 10 10 -24 •23 • 24 10 23 ChfналЬнВЯ Ill+Hmt -2656 -1в13 -2026 -2324 -13Э0 -1968 -2165 -1874 MACD -10 -10 -В 22 -21 -19 -9 -21 -1606 -1210 -1476 -1239 -1434 -533 -1498 -1075 Стохастич, -10 -10 -10 -22 '21 -20 -10 -21 раскомдонма -3245 -2443 1QQ6 1259 -31*2 -2176 -2899 -2673 RSI • 10 -9 -7 -22 -19 -20 9 -20 ряекотдення -227S -1529 -1309 -Э065 -3400 -Э9Э5 -1705 -3133 MACD 26 12 37 2 20 -S 22 5 рясхПлчданме 1ЭЭЭ 1250 2062 140 965 -5Н9 1566 179 Сеаонгае -10 -4 -1 -6 -2 а -5 0 Перес еченив -1127 -424 -179 -30Q -56 -S77 73 Сезонный -Ч -7 3 14 -14 -16 -4 -15 ИМЛуЛьС -757 275 -952 -785 -1750 -517 -1162 Пересечение -10 -7 6 -14 -21 20 -4 -5 С подтвержденном -1195 -832 846 -1512 -3406 1677 - 394 -1081 Пересечение;с -10 -9 -2 -20 -23 1 ? 7 -14 лодтв*р.*дением и -1669 -1696 -229 -2545 -2542 95 -1198 1697 инверсией Лунное -9 -6 -6 -1А -10 -10 -7 -12 Пересечение -1297 -406 -6S6 -894 -643 -702 -793 -746 Лунная -10 -10 -9 -16 -20 -е -9 -14 -2410 -1560 1288 131S -1942 -372 -1753 -1210 382

ЗАКЛЮЧЕНИЕ

Таблица С-1.

Результаты торговли портфелем для всех исследованных моделей со всеми видами входов (продолжение) в выбили 8н* выборки Среднее 1>и::.ти|! Дичитнын

ПрпкЛэ Прикаа Открытие Лимитный

приказ Стоп-приказ выборке Вне

выборку Пересечение с подтверждением -12Е1 -656 234 -21 -3465 -21 -3896 -19 -2449 -557 -20 -3270 Пересечение с подтвержден нам и инверсией -1Б46 -10 -1078 -996 -21 -2937 -21 -3203 -20 -2995 -1207 -21 -3045 Солнечный провой -1631 -1619 -62 -22 -22fi4 -22 -2966 -14 -1329 -1067 -19 -2190 циклический мин./макс. -10 1329 -10 -1037 -1245 -23 -3741 -23 -3551 -16 -944 -1204 -20 2745 Обращен. Медл. »К сеть 16-6-1 193

6917 162 7679 164 6764 -233 .4.4 1 362 176 71Д7 -67 ООрящвн, Медл. КК сеть 13-14-4-1 535 7080 517 6203 329 6304 -16 -1214 -17 -961 ? 1 е

-1154 470 7196 -17 -1110 Точна илчнирсчн. дл. сд, сеть 18-10-1 311 9318 ЗШ 9373 237 ИНУЮ -17

2327 -16 -2197 -11 -2Н6А 295 9773 -16 -3464 Точна рл jHopoTii. дл. с д. сеть 18-20-6-1 766 18536 Г 42 19669 15392 -13 -2001 -13 -1866 -518 660 17516 -1469 Точна разворота кор. сд. сеть 18-10-1 207 844S 209 6701 175 12553 12

зво 405 -1138 197 9901 5 Точна разворота нйр. сд. сеть. 18-20-6-1 602 1*680 604

18905 367 6320 -19 -6314 -20 -5163 -22 -2076 531 14592 -21 -4184 Генетическая модель,

длинные сделки 92 17264 66 14846 42 16247 63 10231 ее

14920 12 4246 63 16119 64

9799 Генетическая модель,

норогкке сделки 55 11929 7424 23 7493 -10 -2711 -3351 -13 -3704 32 8949 -11 -3255 Базовая

(случайный нлод!

СредДОХМ

Ст0тклД0>№ -11.3 Э.8 11.1

3.6 -10,3 2.6 -22.6 -22.0 -18.0 -10.9

3.3 -20,9 Ср«а*СДЕЛ СтОткл КДЕЛ -2243 304 -1930 477 --д>да 391 -1&63 -3056 -1493 -2071 391 ^2137 ЗАКЛЮЧЕНИЕ

383

Противотрендовые модели на основе скользящих средних работали менее стабильно, чем модели следования за трендом. Многие из них демонстрировали меньшие убытки или даже некоторую прибыль в пределах выборки. Вне пределов выборки наблюдалась аналогичная картина, особенно в отношении модели на основе поддержки/сопротивления скользящих средних.

За исключением модели расхождения MACD, все осцилляторы приносили большие убытки. Почти всегда они работали хуже, чем случайные входы как в пределах, так и вне пределов выборки. Самой худшей была модель перекупленности/перепроданности RSI. В обеих частях выборки данных убытки при ее использовании были огромными, гораздо больше, чем ожидаемые убытки случайных входов.

С другой стороны, сезонные модели были однозначно лучше случайного входа. Хотя только одна из них дала реальную прибыль и в пределах, и вне пределов выборки, две из них были прибыльны вне пределов выборки, а убыток еще нескольких был гораздо меньше, чем ожидаемый убыток модели случайных входов.

Результаты простейшей лунной модели были неоднозначными. В пределах выборки большинство тестов показали убыток, который, тем не менее, был лучше ожидаемого убытка случайных входов. При этом модель на пресечении лунных средних была однозначно лучше случайного входа как в пределах, так и вне пределов выборки.

Хотя солнечные модели в пределах выборки работали лучше случайного входа, вне пределов выборки результаты были неоднородными и изменчивыми. Это также относится к моделям на основе циклов. Впрочем, циклические модели при входе по лимитному приказу или по цене открытия в последние годы работали гораздо хуже, чем случайные входы. Как и в случае с моделями на основе пробоя, оптимизация здесь не играет роли; значимый уровень подгонки под исторические данные был обнаружен только в генетических моделях и нейронных сетях. Из-за огромного размера образца данных оптимизация одного-двух параметров, необходимых для большинства моделей (за исключением генетической и нейронной сети) давала минимальный эффект «вредной» подгонки.

Как ни странно, модели на основе нейронных сетей довольно часто показывали неплохие (лучше случайных) результаты вне пределов выборки. В пределах выборки, естественно, эффективность нейросетей была потрясающей. Мы проводили коррекцию коэффициента корреляции, но и после коррекции корреляция оставалась значимой, сохраняя вне пределов выборки ощутимую реальную прогностическую ценность.

Результаты правил, разработанных с помощью генетических алгоритмов, были самыми лучшими. Великолепная эффективность, полученная в пределах выборки, сохранялась в длинных позициях и на данных вне выборки.

384

ЗАКЛЮЧЕНИЕ

Обобщение

Многие из моделей были описаны как «значительно превосходящие случайные входы». Эти модели могли бы стать прибыльными в сочетании с улучшенной стратегией выходов. В части III книги стало очевидно, что при использовании случайного входа хорошая стратегия выхода способна повысить прибыль (или снизить убытки) примерно на $1000 в средней сделке. Это означает, что при хорошем выходе модели, терпевшие убытки в несколько сот долларов, могут стать прибыльными.

Как было сказано выше, путь был долгим, порой трудным и обескураживающим. Но при этом взгляд с высоты сумел обнаружить много потенциально прибыльных моделей входа. Кроме того, было обнаружено немало сюрпризов: так, несмотря на ужасную репутацию и опасную тенденцию к подгонке под исторические данные, наилучшими вне пределов обучающей или эволюционной выборки оказались именно нейронные сети и генетические модели. Другим сюрпризом оказалось то, что некоторые из наиболее популярных торговых подходов — например, пересечения скользящих средних и стратегии на основе осцилляторов — оказались в числе наихудших всего с несколькими исключениями. Примечательны были также результаты исследования циклических моделей, от которых ожидали хорошей, если не идеальной работы на основе их теоретического изящества. Но, возможно, ввиду их популярности, даже при солидной математической реализации эффективность этих моделей была низкой.

<< | >>
Источник: Джеффри Оуэн Кац, Донна Л. МакКормик . Энциклопедия торговых стратегий / Пер, с англ. — М.: Альпина Паблишер. — 400 с. . 2002

Еще по теме Заключение:

  1. Отрицательное заключение и заключение с ограничениями
  2. Отрицательное заключение и заключение с ограничениями
  3. МАКЕТ АУДИТОРСКОГО ЗАКЛЮЧЕНИЯ Безоговорочно положительное аудиторское заключение
  4. ЗАКЛЮЧЕНИЕ
  5. IX. Заключение
  6. ЗАКЛЮЧЕНИЕ
  7. ЗАКЛЮЧЕНИЕ
  8. Положительное заключение
  9. Положительное заключение
  10. выводы И ЗАКЛЮЧЕНИЕ
  11. Раздел VI ЗАКЛЮЧЕНИЕ