اولین بار در دهه 1950 توسط جورج سی لین شرح داده شد ، نوسان ساز "مستقل" برای ردیابی و استفاده از حرکت بازار به عنوان یک شاخص معاملاتی.� تئوری استفاده موفقیت آمیز آن به دو فرض متکی است (دومی که از نظر منطقی از اولی پیروی می کند): (1) اوراق بهادار در بازارهای روایت رو به بالا/رو به پایین تمایل به نزدیک شدن به بالا/پایین دامنه معاملات خود و (2) به عنوان یک رو به بالا/روند نزولی ، اوراق بهادار شروع به بسته شدن بیشتر از ارتفاعات/پایین ترین آنها می کند.

ساخت و ساز

خود نوسان ساز با رتبه بندی صدک ، ٪ k توصیف می شود ، و این نشان می دهد که در یک محدوده معاملات خاص ، امنیت در هر روز معینی تجارت را می بندد.� بنابراین یک دوره مشخص می شود ، و اندازه گیری به صورت ساده محاسبه می شود:

cl � = نزدیک [امروز] � کمترین پایین [در ٪ k دوره]

HL = بالاترین بالاترین [در ٪ k دوره] - کمترین پایین [در دوره k k]

به طور معمول ، این اندازه گیری از داده های بیش از حد داده ها برای تجارت با اطمینان برخوردار است.� در عمل ، یک یا دو محاسبات میانگین سیگنال برای ساخت متغیر تجارت ، ٪ d انجام می شود.� به اصطلاح �fast� تصادفی از یک درجه از این محاسبه هموار سازی استفاده می کند ، در حالی که درجه دوم (صاف کردن داده های صاف) یک متغیر معاملاتی "Slow" را فراهم می کند.

٪ d [سریع] = میانگین حرکت ٪ k برای دوره m

٪ d [آهسته] = میانگین حرکت ٪ d [سریع] برای دوره های n

با ساخت و ساز ، باید توجه داشته باشید که سیگنال های سریع تصادفی "NOISIER"-اما "کسانی که به زمان واقعی نیز نزدیک هستند.

در عمل استفاده کنید

به دنبال شهودی از فرضیات روند بازار که در بالا ذکر شد ، استراتژی های معاملاتی به سیگنال نوسان ساز برای خرید سیگنال ها و اوج برای فروش سیگنال ها متکی هستند.� بسیاری از استراتژی های پیچیده ابداع شده است که سیگنال نوسان ساز را فقط یکی از بسیاری از شاخص های فنی درج می کند (به عنوان مثال: با استفاده از یک صعود کم صدک از یک تصادفی سریع و آهسته برای نشان دادن یک موقعیت طولانی ، در حالی که میانگین حرکت دوگانه (متوسط ساده است.) متقاطع برای فروش سیگنال ها.� ابتدایی ترین سیستم تجارت متناسب با فرضیات اصلی به سادگی سیگنال ٪ D را ردیابی می کند [کند یا سریع] و هنگامی که یک آستانه خاص به وارونه و یک سیگنال فروش منتقل می شود ، هنگام عبور از آستانه جداگانه به نزولی ، یک سیگنال خرید را فراهم می کند. واد

در این مدل استفاده کنید

پیکربندی مدل

واضح است که سیگنال معاملات نوسان ساز بسیار وابسته به عوامل زیادی است - حداقل 5 پارامتر زیر باید مشخص شود:

پارامترهای پیشنهادی از منابع آنلاین

دو مجموعه از پارامترهای پیشنهاد شده توسط دو وب سایت نمودار آنلاین نشان داده شده است که در زیر برای شاخص S& P500 ارزیابی شده و با استراتژی خرید و نگهداری در دوره های زمانی یکسان مقایسه شده است.

به نظر می رسد پارامترهای incrediblecharts.com در بازارهای قوی، استراتژی خرید و نگه داری را به شدت ضعیف عمل می کنند، در حالی که در بازارهای ضعیف، مزیت کمی یا بدون مزیت ارائه می دهند. به نظر می رسد پارامترهای asianinvestor.com در کاهش زیان در بازارهای نزولی به خوبی کار می کنند، اما باز هم در زمان های بازگشت مطلوب سهام، عملکرد ضعیفی دارند.

نتایج بهینه سازی خود ما

یکی از اهداف این پروژه این است که تعیین کنیم آیا می توانیم مجموعه ای از پارامترهای معاملاتی را طوری بهینه کنیم که استراتژی معاملاتی نوسانگر ممکن است مزیتی برای خرید و نگه داشتن سرمایه گذاران در دوره های زمانی قوی و ضعف ارائه دهد. به همین دلیل، ما مدل را با استفاده از داده های S& P500 از سال 1965 تا 1998 بهینه می کنیم و از 5 سال گذشته به عنوان یک آزمون خارج از نمونه استفاده می کنیم، زیرا این دوره زمانی شامل روندهای افزایشی و کاهشی شدید در سطح شاخص است.

از آنجایی که تابع حل کننده اکسل در بهینه سازی 5 متغیر در چنین برگه ای محاسباتی بسیار مشکل داشت، ما به صورت دستی حد آستانه را تنظیم کردیم و بازه های زمانی %K و دو %D را بهینه کردیم تا بازده مورد انتظار (فقط طولانی) را به حداکثر برسانیم. استراتژی معاملاتی - به خودی خود کار ساده ای نیست، زیرا ماکزیمم های محلی زیادی پیدا می شود (بسیار وابسته به نقطه شروع تکرار). جای تعجب نیست که بهینه ساز برای برازش داده های درون نمونه، هیچ هموارسازی میانگین غلتشی (هر دو مقدار %D مرتبط با 1 روز) را انتخاب کرد. اگرچه ما این مرزها را در بیش از حد برازش می دانیم و ممکن است احتمال کمتری برای داشتن قدرت پیش بینی داشته باشیم، ما تا حد ممکن کمترین تعامل انسانی را در تعیین پارامترها می خواستیم و بنابراین از این نتایج استفاده کردیم.

برای هر دو آستانه 70/30، بهینه ساز پارامترهای 15،1،1 را برای %K، %D(1) و %D(2) به ترتیب تنظیم کرد (پارامترهای بهینه برای بهینه سازی 80/20 بسیار نزدیک به این موارد بودند. همچنین). این پارامترها برای پیش بینی داده های نمونه از 1998-2002 به عنوان یک دوره کامل و سال به سال (در زیر نشان داده شده است):

نوسانات نشان داده شده در بالا، نوسانات سالانه بازده روزانه است. در طول دوره پیش بینی 5 ساله، هر دو استراتژی معاملاتی بلند مدت و کوتاه مدت از سبد خرید و نگهداری ساده در شاخص S& P500 بهتر عمل می کنند. با نگاه دقیق تر به تجزیه (سال به سال)، بیشتر ارزش افزوده در معاملات مربوط به سال 2000 است، زمانی که S& P زمین خود را از دست داد، اما استراتژی های معاملاتی سود بردند. جدا از سال 2000، روش فقط طولانی مدت بازدهی مشابهی را برای خرید و نگهداری نشان داد، اما با نوسان کمتر (منتظر می رود، زیرا سبد معاملاتی هر روز در بازار نیست و هیچ ریسکی برای روزهای خارج از بازار ثبت نمی کند). روش بلند-کوتاه همان نوسانات خرید و نگه داشتن را دارد، زیرا با نادیده گرفتن جهت، مقدار بازده در هر روز یکسان است (لنگ-کوتاه همیشه در بازار است).

در مورد بهینه سازی نظر دهید

با این حال، ما توجه می کنیم که این بهینه سازی بسیار دقیق نیست. از آنجایی که تنها هدف در بهینه ساز، حداکثر کردن بازده بود، هیچ تضمینی در مورد ثبات پارامترها نداریم.� در واقع، این راه حل به تعداد روزهای موجود در پنجره %K بسیار حساس است، موردی که ما را نسبت به سختی پیش بینی هایمان عصبی می کند. سایر راه حل های حداکثر محلی که شامل امتیازات معاملاتی میانگین غلتکی غیر واحدی (%D) می شدند. و به طور کلی نسبت به تغییرات کوچک در هر یک از پارامترها حساسیت کمتری داشتند، اما پیش بینی می شد که کمتر از خرید و نگهداری باشند. استراتژیاساساً، ما تشخیص می دهیم که بخش عمده ای از سود در این استراتژی معاملاتی نسبت به سبد خرید و نگهداری از چند زمان بندی تصادفی بازار ناشی می شود (تعدیل آستانه ها حتی اندکی باعث تغییرات عمده در سود/زیان پیش بینی شده می شود).

علاوه بر این، این سوال مطرح می شود که از چه دوره زمانی باید برای آموزش مدل در مقابل پیش بینی استفاده کنیم. ما تصمیم گرفتیم تا آنجایی که ممکن است داده ها را به صورت نمونه ای انجام دهیم، اما متوجه شدیم که شاید حداقل به چندین سال نیاز داشته باشیم تا مدل پیش بینی شده هم بازار روند صعودی و هم نزولی را به دست آورد.

یکی دیگر از موارد مهم قابل ذکر، انتخاب شاخص S& P500 به عنوان محل معاملات است. توانایی معامله مستقیم یک شاخص یک پدیده نسبتاً جدید در بازارهای سهام ایالات متحده است و ما خطر پیش بینی بازده های خارج از نمونه را در یک دوره با استفاده از مدل تنظیم شده به دیگری تشخیص می دهیم.

تطبیق این استراتژی

که قبلاً ذکر شد، متخصصان نوسانگرهای تصادفی از این ابزار فقط به عنوان یک سلاح در یک استراتژی بزرگتر و پیچیده تر استفاده می کنند. به نظر می رسد مدل فعلی ما در بازارهای با روند نزولی بهترین عملکرد را دارد - و شاید برای استراتژی ای که پول را برای دوره های زمانی از بازار خارج می کند باید انتظار داشت. ما مطمئن هستیم که قابلیت های پیش بینی این استراتژی را می توان با استفاده از یک پلتفرم غیر مبتنی بر اکسل که قادر به انجام (1) وظایف بزرگ تر و (2) بررسی های حساسیت محلی برای جلوگیری از بهینه سازی های فراپایدار است، بهبود بخشید.

هنگامی که مسائل مربوط به زمان محاسبات حل شد، سطوح محتاطانه پیچیدگی را می توان اضافه کرد - احتمالاً با استفاده از یک تصادف سریع و آهسته و تطبیق قوانین معاملاتی برای نیاز به عبور از این دو، علاوه بر تعیین آستانه های صدک.

نظرات نهایی

در حالی که ما در این تمرین یک ماشین پول را کشف نکردیم، به هیچ وجه انتظار نداشتیم. شاید بزرگترین درسی که آموخته شد محدودیت های اکسل بود. ایده ای که با کمی نمک در نظر گرفتیم تا اینکه خودمان مدلی ساختیم که به زمان محاسباتی قابل توجهی نیاز داشت. یکی دیگر از نکات مهم این استراتژی تجاری، نتیجه اجرای یک روال بهینه سازی از یک موضع کاملاً عینی است. ما تشخیص می دهیم که فقدان هموارسازی داده های مورد نظر بهینه سازی ممکن است لزوماً منجر به ایده ای تا حدودی مشابه با بیش برازش شود. در این راستا، ما کاملاً علاقه مند هستیم که بهینه سازی را روی پلتفرمی انجام دهیم که قادر به اجتناب از این موضوع باشد (خواه از طریق استفاده از تحلیل حساسیت درون بهینه ساز، یا حتی صرفاً یک بهینه سازی خالص با استفاده از تمام 5 متغیر). در نهایت، ما این مدل و تجزیه و تحلیل را صرفاً نقطه شروعی در توسعه یک استراتژی قوی توصیف می کنیم، در این منظر، پروژه خود در کشف مسائل مهم درگیر در ساخت یک مدل تحلیل تکنیکال آموزنده بود.