جامعه اتصال

Lean موتور بازرگانی الگوریتمی منبع باز است. تأسیس در سال 2013 Lean توسط یک جامعه جهانی 80+ مهندس و قدرت بیش از دوجین صندوق های تامینی امروز ساخته شده است.

رقابت لیگ آلفا: استخر جایزه هفتگی 1000 دلار

واجد شرایط بودن جریانهای آلفا هفتگی دوباره یادآوری کنید

بحث فیلتر توسط برچسب ها

سفیران جامعه

با کمک به دیگران ، اعتبار Cloud Cloud را به دست آورید ، هر هفته ما اعتبار AirDrop را به فعال ترین اعضای جامعه می پردازیم.

220،243 Quants.

اکنون آنلاین

وصل بمون

با آخرین به روزرسانی ها با هشدارهای ایمیل یا پیوستن به سرور Discord ما در ارتباط باشید.

بازده های شگفت انگیز = استراتژی انتخاب سهام برتر + استراتژی برتر در و خارج

آغاز شده توسط:

سرمایه گذار پیتر گونتر

بازده Algo Superior را می توان نتیجه دو مؤلفه تصور کرد: یک استراتژی عالی در مورد "چه سهام برای خرید" (مؤلفه انتخاب سهام ، SEL) و "زمان هوشمندانه" (مؤلفه In & out ، I/O) در مورد زمانی که ما در بازار "در" بازار هستیم و سهام را در مقابل وقتی که از بازار خارج هستیم و دارایی های جایگزین مانند اوراق بهادار داریم ، نگه می داریم. ما اغلب در بهینه سازی SEL تمرکز می کنیم و تمایل به غفلت از I/O داریم. بنابراین ، برای بحث مهم در مورد تاکتیک های اخیر I/O ، به اینجا مراجعه کنید.

تمرکز این موضوع: ترکیبات بهینه SEL + I/O ارزش آن را دارد که به طور جداگانه SEL و I/O را بهینه کنیم. با این حال ، بازده نهایی نهایی نیز با هم افزایی خاص یا ناهماهنگی بین دو مؤلفه تعیین می شود. بنابراین ، به نظر می رسد که ما برای شناسایی جفت های بهینه SEL + I/O ، که تمرکز نهایی این موضوع است ، کار سختی را برای آزمایش جداگانه (همه ممکن) انجام نمی دهیم. من حساب می کنم که یک مرحله مقدماتی می تواند تمام گنجینه های پنهان SEL و I/O از این انجمن و فراتر از آن باشد تا ببینم چه ورودی هایی برای ترکیبات موجود است.

هدف نهایی بیایید با هم ثروتمند شویم ، چرا نه؟

مطالب موجود در این وب سایت فقط برای اهداف اطلاعاتی ارائه شده است و پیشنهادی برای فروش ، درخواست خرید یا توصیه یا تأیید برای هرگونه امنیت یا استراتژی را تشکیل نمی دهد ، و همچنین پیشنهادی برای ارائه خدمات مشاوره سرمایه گذاری توسط QuantConnect ندارد. علاوه بر این ، این مطالب با توجه به مناسب بودن هرگونه امنیت یا سرمایه گذاری خاص هیچ عقیده ای ارائه نمی دهد. QuantConnect هیچ تضمینی در مورد صحت یا کامل بودن نظرات بیان شده در وب سایت ندارد. این نظرات در معرض تغییر است و ممکن است به دلایل مختلف از جمله تغییر در شرایط بازار یا شرایط اقتصادی غیرقابل اعتماد باشد. تمام سرمایه گذاری ها شامل ریسک ، از جمله از دست دادن مدیر است. شما باید قبل از تصمیم گیری در مورد سرمایه گذاری با یک متخصص سرمایه گذاری مشورت کنید.

مطالب موجود در این وب سایت فقط برای اهداف اطلاعاتی ارائه شده است و پیشنهادی برای فروش ، درخواست خرید یا توصیه یا تأیید برای هرگونه امنیت یا استراتژی را تشکیل نمی دهد ، و همچنین پیشنهادی برای ارائه خدمات مشاوره سرمایه گذاری توسط QuantConnect ندارد. علاوه بر این ، این مطالب با توجه به مناسب بودن هرگونه امنیت یا سرمایه گذاری خاص هیچ عقیده ای ارائه نمی دهد. QuantConnect هیچ تضمینی در مورد صحت یا کامل بودن نظرات بیان شده در وب سایت ندارد. این نظرات در معرض تغییر است و ممکن است به دلایل مختلف از جمله تغییر در شرایط بازار یا شرایط اقتصادی غیرقابل اعتماد باشد. تمام سرمایه گذاری ها شامل ریسک ، از جمله از دست دادن مدیر است. شما باید قبل از تصمیم گیری در مورد سرمایه گذاری با یک متخصص سرمایه گذاری مشورت کنید.

بحث خوب در اینجا گای فلوری و پیتر گونتر. در حالی که نمی گویند که این استراتژی خوب یا بد است ، گای فلوری یک نکته غیرقابل انکار را بیان می کند که آنچه مهم است عملکرد واقعی یا خارج از نمونه است ، و ما می توانیم قبول کنیم که 2022 برای این استراتژی بسیار افتضاح بود ، همانطور که در نوامبر وجود داشت2021

حداقل بخشی از این امر به این دلیل است که ، از قضا ، یک پشتی طولانی تر ، پشتی بهتر ایجاد نمی کند. و ، CAGR در کل دوره در واقع یک اندازه گیری بسیار ضعیف از عملکرد است. خیلی بهتر است که یک استراتژی را آزمایش کنید (این برای هر مدل بر اساس داده های تاریخی ، نه فقط مدل های معاملاتی) با استفاده از مجموعه های آموزشی ، مجموعه های اعتبار سنجی و مجموعه های نگهدارنده به دنبال بسیاری از انتخاب های مختلف طبقه بندی ، و سپس با استفاده از یک متریک عملکردی که انجام می شود ، بسیار بهتر است. بازده و کاهش در محاسبه آن را شامل می شود (یا به عنوان مثال ، متریک که CAGR را به حداکثر می رساند ضمن اینکه واریانس CAGR سال به سال را به حداقل می رساند). همانطور که بود ، Backtest Backtest 2008-2021 که توسط CAGR رتبه بندی شده است ، نمی تواند کمک کند اما خیلی بهتر این بود که به چندین دوره 3 ساله در آن بازه زمانی نگاه کنیم ، و این مدل را برای عملکرد آن از طرف دیگر تنظیم می کند (نه لزوماً بلافاصله بعدی)دوره ها ، به دنبال مجموعه ای از نتایج که بدون در نظر گرفتن دوره زمانی اعتبار سنجی به عملکرد قوی دست یافته است.

علاوه بر روش آزمایشی که در بالا توضیح داده شد ، من به آنچه می بینم به عنوان یک سوال اساسی تر از طراحی الگوریتم ... به سادگی بیان شده (هرچند که گاهی اوقات برای دستیابی به آن دشوار است) استفاده می کنم و به دنبال سوراخ می شوید یا "چه چیزی را از بین می برد؟"در این مورد ، همانطور که در نظرات قبلی گفتم ، من معتقدم که فرضیات دوقلوی 1) ادامه همبستگی منفی بین بازده سهام و بازده اوراق. و 2) فرض مداوم تورم پایین مقصر احتمالی بود.

اکنون که ما یک سناریوی استرس (امسال) با فرضیات منفجر شده داریم ، اکنون انتخاب یک بازه زمانی مانند ژانویه 2019 - سپتامبر 2022 به عنوان مجموعه آموزش ما مفید خواهد بود ، و سپس به عقب برگردیم و مدل را در بخش های قسمتهای آزمایش کنید2008-2020 بازه زمانی. ممکن است این باشد که ما نتایج مناسبی کسب می کنیم ، ممکن است نباشیم. من هنوز آن را امتحان نکرده ام. و سپس می توانیم بپرسیم "اکنون این چیز را می کشد؟" و ببینیم چه چیزی ممکن است به دست بیاوریم. استاندارد من در این شرایط استاگلاسیون ALA ژاپن از 30 سال گذشته است ... اگر این اتفاق افتاد ، چگونه می توانیم انتظار داشته باشیم که این مدل پاسخ دهد؟

این به نظر می رسد معقول است ، مارک کوست. آیا در حال حاضر روی این نوع تست ها کار می کنید و آیا خوشحال می شوید که نتایج را در این موضوع به اشتراک بگذارید؟این مطالب بسیار جالبی است که باید به آن نگاه کنیم.

همانطور که قبلاً ذکر شد ، من دو تغییر زیر را بیان کردم:

• در صورت وجود آمار ، TMF یا TLT را تجارت نکنید. وارونگی قابل توجه عملکرد
• اگر تورم بیش از 6 ٪ باشد ، TMF یا TLT را تجارت نکنید

این اجتناب از بیشتر پیش بینی سال 2022 است و به نظر می رسد که بر عملکرد 2008-2022 تأثیر نمی گذارد. با این حال ، من فراموش کردم که تجزیه و تحلیل عملکرد را در سال 2002-2010 انجام دهم.

با توجه به متریک عملکرد ، من هنوز در تلاش برای یافتن یک راه حل خوب هستم. برای مقایسه عملکرد رژیم ها/نمونه هایی که در حال حاضر استفاده می کنم

• فاصله اطمینان 95 ٪ از نسبت نورد 1-y Sortino (در مراحل روزانه)
• فاصله اطمینان 95 ٪ نورد 1-Y (ترکیبی از بازده سالانه / حداکثر-drawdow. totalperiod)

آیا می توانید ALGO را با تغییرات Santa24 خود به اشتراک بگذارید؟

I think that people have different argumentation angles here. A quick metaphor might help to disentangle. Let’s use a car: > Guy Fleury asserts that the car has crashed and concludes that the engine (the signals) is faulty and an airbag is required. > I note that the engine was working fine and that the car’s features are the engine, a gas pedal (in selection), and a brake pedal (out selection). I argue and show that it was the brake pedal, not the engine, that was not working properly. > Santa24 notes that the brake pedal can be fixed by a certain means. >مارک کوست استدلال می کند که ماشین باید بیشتر آزمایش شود ، به عنوان مثالدر زیر بخش های جاده یا جاده های کاملاً متفاوت اما شاید حتی روی یخ یا آب. وی پیشنهاد می کند که این خودرو فقط در صورتی کاملاً قابل اعتماد است که بتواند بر همه این شرایط مختلف تسلط داشته باشد.

من فقط باید آخرین ماشین را رانندگی کنم

بله ، موتور شکست خورد ، ماشین سقوط کرد (در کل) و کیسه هوا وجود نداشت. اما کیسه های هوا ممکن است کافی نبوده است. در حال حاضر ، سیگنال کامپوزیت استراتژی IN& OT برای هدف اصلی برای محافظت از پیش بینی ها بود. این حتی مانترا استراتژی بود: سیگنال پایین می رود ، شما از سهام خارج می شوید. سیگنال بالا می رود ، شما به عقب حرکت می کنید. زیرا وقتی بازار در حال افزایش نبود ، شما در اوراق قرضه یا معادل های نقدی با انتظارات بازده کم بودید. در سال گذشته ، سیگنال (موتور یا هر چیز دیگری) 86 ٪ از زمان اشتباه بود. این باعث می شود فرضیات ترکیب سیگنال معیوب و نیاز به ترمیم ، طراحی مجدد یا حداقل ارزیابی مجدد داشته باشد.

من در حال حاضر استراتژی Inc & Out را به عنوان یک مورد کلاسیک از منحنی متناسب با Extreme می بینم. این در حالی که در وب سایت Quantopian ساخته شده بود ، تغییرات و ترفندهایی داشت. سیگنال های معاملاتی آن نسبت به آنچه باید دوره های آموزش و اعتبار سنجی آن را قبل از اکتبر 2020 در نظر گرفته شود ، تنظیم شده است. بر اساس معیارهای نمونه کارها که توسط آن شبیه سازی ها قبل از اکتبر 2020 تولید شده است ، به نظر می رسید خوب کار می کند ، از جمله CAGR-WISE.

این نسخه خاص در اکتبر سال 2020 به QuantConnect منتقل شد و همچنین تغییرات بسیار کمی داشت. ما می توانیم در نظر بگیریم که از اکتبر 2020 تا اکتبر 2021 (یک سال کامل) ، این استراتژی بیشتر تصفیه شده و اعتبار آن و فاز پیاده روی آن را داشت (یک سال برای آن بیش از حد کافی است). آیا باید این چیزها را طراحی کنیم تا آنها را سالها در حالت پیاده روی قرار دهیم؟در یک مقطع ، این استراتژی ها باید به صورت زنده بروند وگرنه دور ریخته شوند.

در پست قبلی من ، من نمی خواستم خیلی خشن باشم ، به همین دلیل من هنگام توصیف استراتژی Inc & Out از اصطلاح "پیاده روی به جلو" استفاده کردم. آنچه من قصد داشتم از آن استفاده کنم "زندگی زنده" پس از یک سال استراتژی "راه رفتن به جلو" منتهی به اکتبر 2021 بود. این استراتژی از اکتبر 2021 به موقع منجمد شده است و بنابراین هر شبیه سازی تا اکتبر 2022 مانند این است که اگر این معامله را انجام داده باشداستراتژی با عواقب آن (خوب یا بد) زندگی می کند.

یک شبیه سازی ساده از اکتبر 2021 تا اکتبر 2022 برای نشان دادن اینکه این استراتژی به وضوح بیش از حد بود ، کافی بود. این منطقی ترین توضیحات است. از آنچه که باید مرحله زنده آن باشد ، این استراتژی از نرخ پیروزی 86 ٪ قبل از اکتبر 2021 به نرخ ضر ر-86 ٪ از اکتبر 2021 تا اکتبر 2022 رسید. این بدان معنی است که 86 ٪ از سیگنال های معاملاتی اشتباه یا اشتباه بوده اند. این موارد به دنبال معیارهای نمونه کارها نبودند ، به خصوص اگر تجارت زنده باشد.

این استراتژی هرچه باشد یا تا اکتبر 2021 بوده است ، برای شخصی که آن چیز را از اکتبر 2021 تا اکتبر 2022 به صورت زنده معامله کرده است ، اهمیتی ندارد. این فقط یک فاجعه بود ، یک خراب قطار واقعی ، یک ناوشکن نمونه کارها ، نهتکرار

آنچه اکنون می توان انجام داد ، طراحی مجدد ، یک بازسازی کلی است. ما می توانیم از اطلاعاتی که طی آن 14 سال به دست آمده است استفاده کنیم. اما در مرحله اول ، نیاز به نشان دادن اینكه سیگنال تصمیم گیری در مورد تجارت کامپوزیت دارای ارزش است ، نه از نوع تصادفی یك بار در حالی ، اما از دیدگاه آماری قابل توجه است. با این حال ، ممکن است داده های کافی برای ایجاد این پرونده وجود نداشته باشد.