무역 전략 수학
거래의 수학.
거래의 수학.
이것은 리셉션 카테고리의 일환 인 First Steps 포럼 내에서의 거래에 관한 토론입니다. 안녕하세요 여러분, 저는 포럼을 많이 읽었으며 다양한 거래 설정 및 전략을 연구 해 왔습니다. .
높은 구매, 높은 판매 - 낮은 판매, 낮은 구매.
당신이 원하는만큼 간단하거나 복잡하게 만들 수 있습니다. 전자를 염두에두고, 대부분의 거래자들은 정말로 중요한 두 가지 비율 만 있다는 것에 동의합니다. 당신을 위해 일하는 사람과 부유 한 사람보다 부자가 될 것입니다. 비율은 무엇입니까? 두 가지 모두 여기에 설명되어 있습니다.
참고 사항 : 저는 T2W Admin의 스탭 중 한 명입니다 - 저는 중재자가 아닙니다!
개 밖에는 책이 남자의 가장 친한 친구이고,
개 안에, 그것은 너무 어둡습니다. - G 마르크스.
생명을 위험에 처하게하고 호그의 사지를 두드리는 '나는'두려운 말을 언급합니다. 용감한 용감한 사람.
참고 사항 : 저는 T2W Admin의 스탭 중 한 명입니다 - 저는 중재자가 아닙니다!
당신이 원하는만큼 간단하거나 복잡하게 만들 수 있습니다. 전자를 염두에두고, 대부분의 거래자들은 정말로 중요한 두 가지 비율 만 있다는 것에 동의합니다. 당신을 위해 일하는 사람과 부유 한 사람보다 부자가 될 것입니다. 비율은 무엇입니까? 두 가지 모두 여기에 설명되어 있습니다.
기본 이자율.
내가 plonker 수 있습니다 (그 덕분에!)하지만, 똑같이, 나는 귀하의 게시물이 도움이되는 방법을 볼 수 없다 - 또는 그것은 내 모순이 무엇입니까? 이것은 결국 첫 번째 단계 포럼이며, 제공된 링크에서 언급 된 비율은 새로운 상인이 파악하는 가장 중요한 것으로 거의 보편적으로 받아 들여지고 있습니다. 적어도 초기 단계에서는 그렇습니다. 그래서 제가 틀렸다면, 다른 모든 상인들도 마찬가지입니다! OP와 나 자신이 무엇이 잘못 되었는가와 이유를 밝혀 내고 올바른 길로 나아가려면 스티키를 적절하게 수정할 수있는 입장에서야합니다.
참고 사항 : 저는 T2W Admin의 스탭 중 한 명입니다 - 저는 중재자가 아닙니다!
거래 전략 계산
2017 년 1 월 19 일
주식 거래 전략 수학 I
마지막 기사 인 Stock Trading Strategy Signature에서 트레이딩 전략 모델, 방정식을 제시했습니다. 이것은 평생 동안 포트폴리오의 전체 거래 활동을 재개하는 데 사용되는 또 다른 표현 인 보수 매트릭스 (payoff matrix)에서 파생됩니다. 이 모델에는 흥미로운 특성이 있습니다.
그것은 3 개의 숫자로 모든 주식 거래 전략의 총 결과를 재개합니다.
총 포트폴리오 성과 A (t)는 전략의 수명 (n ∙ u ∙ PT) 동안 획득 된 모든 거래에서 생성 된 모든 이익과 손실을 더한 초기 자본 A (0)와 같습니다. 그리고 PT는 거래 당 순 평균 수익률입니다.
그것은 payoff 행렬 방정식과 같은 결과를 갖는다 : A (t) = A (0) + Σ (H * ΔP). 만들기 : Σ (H. * Δ P) = n ∙ u ∙ PT. 사실상, 보수 곡선 Σ (H. * Δ P)를 기본 구성 요소로 분해하고 일부 셔플 링을 사용하면 얻을 수있는 것입니다.
보수 행렬은 그 자체로 흥미로운 모델입니다. 당신은 주식 포트폴리오 P에 거래 전략 H를 적용했습니다. 가격 차이 Δp를 사용하면 총 생성 된 손익 : Σ (H * ΔP)을 얻게됩니다.
이 일반화는 괜찮았다. 그러나 그것은 그 안에 들어있는 것을주지 않았습니다. 그것은 일종의 블랙 박스였습니다. 그것은 옳은 대답을 주었다. 그러나 그 구성에 대해서는 아무 것도주지 않았습니다. 최종 결과 만.
이것은 A (t) = A (0) + n ∙ u ∙ PT가 빛나는 지점입니다. 그것은 지불 행렬의 산출물이 거래 당 순 평균 이윤을 곱한 베팅의 수와 동등하다고 말합니다. 거래 단위 u (베팅 크기)는 사용자가 설정 한 숫자입니다. 무역에 투입된 달러 금액. 방정식 : u = q ∙ p.
따라서 n / u는 포트폴리오 수명 기간 동안 취해진 모든 거래의 총 비용 또는 가치가됩니다. 여기에는 모든 닫힌 거래와 아직 열어 둔 거래가 포함됩니다.
결과 행렬은 모든 거래의 총 비용을 줄 수는 없으며 전체 이익만을 제공 할 수 있습니다. 하지만 여기에 두 개의 숫자가 있습니다 : n ∙ u, 그리고 당신은 그것을 가지고 있습니다.
그것은 또한 전략의 수명 동안 얼마나 많은 돈이 시장에 투입 될 것인가를 보여줍니다. 초기 거래 계좌 A (0)를 훨씬 초과합니다. 의도는 교역이다. 가능한 한 여러 번 앞으로 전체 재고를 반전하십시오. 거래 계정은 폐쇄 된 거래에서 얻은 수익금으로 지속적으로 보충됩니다.
그럼에도 불구하고, 우리는 이익의 원천을 놓치고 있습니다. 그것들은 모든 판매 이후에 남아있는 것으로, 보수 행렬의 산출물을 의미합니다. 다음과 같이 쓸 수 있습니다. A (t) = A (0) + 총 매출액 - 총 비용. 총 판매액은 결정하기 쉽습니다. 총 판매 = Σ (H. * Δ P) + n ∙ u. 총 이익과 모든 거래 비용. 포트 폴리 오의 구성이나 기간. 또한, 상인으로서의 당신의 목표는 : Σ (H. * Δ P) / n ∙ u> 1.0. 어떤 비즈니스와 마찬가지로 매출이 비용을 초과하기를 원합니다.
u ∙ PT는 거래 당 평균 순이익 인 x_bar와 같은 의미입니다. 따라서 다음과 같이 변환 할 수도 있습니다. A (t) = A (0) + 총 판매 - 총 비용, ~.
A (t) = A (0) + n ∙ (x_bar + u) - n ∙ u.
우리는 이제 보수 모델이 밝힐 수없는 것을 가지고 있습니다. 측정 단위로 거래 단위를 사용하는 부산물. 다음 표현식을 모두 동일하게 만듭니다.
그들은 모두 같은 수로 끝납니다 : 거래 간격 동안 생성 된 총 이익 또는 손실, 포트폴리오의 수명.
이것이 n에 대한 강조점을 취하는 방식에 유의하십시오. 평균 거래 간격을 짧게할수록 결과에 더 많은 영향을 줄 수 있습니다. 단기간에 거래하고자하는 경우, 더 많이 거래 할 준비를하십시오.
방정식 : A (t) = A (0) + n ∙ u ∙ PT는 또한 거래 단위를 사용함으로써 거래 전략을 확장 가능하게 만든다고 명시합니다.
거래 단위를 두 배로 늘리고 수익을 두 배로 늘리십시오. 원하는대로 위 또는 아래로 확장 할 수 있습니다. 분명히 한계가 있습니다. 우리는 실현 가능하고 실용적인 측면에 머물러 있어야합니다. 그래서, 100 달러짜리 거래 단위 또는 주식의 일일 거래량보다 큰 거래 단위를 잊어 버리십시오. 다른 곳과 마찬가지로, 우리는 상식을 유지해야합니다. 무역은 가치 있고 실현 가능해야하며 시장에서 실행 가능해야합니다.
이 새로운 표현을 사용하는 것은 무엇입니까?
이제 지불 매트릭스를 사용하여 합리적인 추정을 할 수 있습니다. 당신의 장기간의 백 테스트가 가치를 가질 수 있다는 것을 암시하며, 앞으로 무엇이 올 것인가를 대표 할 수 있습니다. 그것은 분명히 당신이 백 테트에서 속임수를 쓰지 않았다고 가정합니다.
. 계속됩니다.
스포일러. 다음 부분은 자신의 자동 거래 전략의 생존을 바라 보는 방식에 엄청난 영향을 미쳐야합니다. 제안을 놓치지 마세요.
만들어진. 2017 년 1 월 19 일 © Guy R. Fleury. 판권 소유.
거래 전략 계산
8/8 : 위의 상승선이 너무 높습니다 (과매 수).
7/8 : 빠른 역방향 회선 (약함)
6/8 : 피벗 반대 방향 선.
5/8 : 상위 거래 범위.
4/8 : 주요 반전 라인.
3/8 : 낮은 거래 범위.
2/8 : 피벗 반대 방향 선.
1/8 : 빠른 역방향 라인 (약함)
0/8 : 가장 심한 라인이 하강 (과다)
명백하게 원래의 MM 학습 프리젠 테이션 (25MB)을 비롯한 다양한 포럼에서 Murrey 수학에 관한 정보를 게시합니다.
13.2 Murrey Math Lines AFL.
Intraday 설정 : 당신이 intraday 거래 때 이것을 선택하십시오. 시스템은 그 날의 최고치와 최저치를 사용하여 MML을 그립니다. 모든 일중 시간대에 가장 적합합니다.
패턴 인식 :이 기능이 추가되어 더 확실하게 거래 할 수 있습니다. MML이 단지 지원과 저항 일 뿐이라는 것을 알고 있듯이, 우리는 다음 행동의 가능한 방향에 대해 약간의 확인이 필요합니다.
13-11-2011 Modififed Murrray 수학 AFL은 제목에 중요한 지지점과 저항을 보여 주어 낮과 밤에 목표물로 사용할 수 있습니다.
13.3 AFL에 대한 가격 예측. 만약?
13.3 Murrey 수학 라인 거래 - 안전한 거래.
MML은 지원 및 저항이기 때문에 높은 확률로 설정해야합니다.
다음은 안전한 거래를위한 접근법입니다. 하루 중 중요도가 높거나 낮을 때까지 기다렸다가 (하루 중 최고 또는 최저), 8/8 또는 0/8로 이동을 기다리십시오.
주의 : MML은 지원과 저항 뿐이며 예측 기능이 없기 때문에 항상 정지 손실이 발생하는지 확인하십시오!
두피의 수학.
참고 : 아래의 Mathematica 모델을 볼 수 없다면 무료 Wolfram CDF 플레이어를 다운로드 할 수 있으며이 플러그인이 필요할 수도 있습니다.
완전한 Mathematica CDF 파일을 여기에서 다운로드 할 수도 있습니다.
이 포스트에서 저는 고주파 거래 회사들이 널리 사용하는 전략의 일종 인 스캘핑 (scalping)의 측면을 탐구하고자합니다.
나는 스캘핑 전략을 책의 다른쪽에 제한 주문을 게시함으로써 작은 이익을 추구하고자하는 전략으로 정의 할 것이다. 내가 정의한대로 스캘핑은 마켓팅과 같은 전략이다. 책 한쪽에. 그래서, 어떤 주어진 시간에, 우리는 긴 바이어스를 가질 수 있으므로 제한된 구매 주문서로 들어가보십시오. 이 값이 채워지면 몇 차례 틱의 수익을 내면서 이후의 제한 판매 주문을 종료합니다. 반대로 제한 판매 주문을 입력하고 제한 구매 주문을 종료 할 수 있습니다.
이 전략은 두 가지 중요한 요소에 의존합니다.
(i) 우리가 길거나 짧을 선호할지 여부를 순간적으로 알려주는 알파 신호.
(ii) 실행 전략, 또는 무역 표현 & # 8221;
이 기사에서는 후자에 초점을 맞추기 위해 이미 알파 생성 모델을 이미 가지고 있다고 가정합니다 (자세한 내용은 이후 게시물에서 자세히 설명합니다).
상인이 직위를 입력하는 데 사용할 수있는 몇 가지 방법이 있습니다. 우리가 여기에서 고려할 가장 간단한 접근법은 내부 입찰가 / 물가에 하나 또는 하나의 제한 주문을 배치하는 것입니다. & # 8211; 그래서 다른 말로하면 우리는 입찰을 통해 구매하고 물음에 대해 팔려고합니다. (그리고 적어도 입찰가의 스프레드를 얻고 싶습니다.)
이 방법의 문제점 중 하나는 대기 시간에 민감하다는 것입니다. 제한 주문은 대기열 뒤쪽의 제한 주문 서적에 가입하고 이전 주문이 가득 차면 천천히 앞쪽으로 나아갑니다. 시장이 제한된 구매 주문으로 돌아 오는 시간을 사면 그 가격에 더 이상 판매자가 없을 수 있습니다. 이 경우 시장 거래가 중단되고 더 높은 가격의 입찰가가 주문에 우선적으로 적용되며 채워지지는 않습니다. 반대로, 귀하는 채워지는 마지막 주문 중 하나 일 수 있습니다. 그 후에는 시장이 낮은 입찰가로 거래되고 귀하의 지위는 물 아래로 즉시 떨어집니다.
이 단순한 모델은 대기 시간이 그처럼 중요한 이유를 설명합니다. & # 8211; 가능한 한 빨리 큐의 맨 앞으로 가까이 가고 싶습니다. 이를 발행하고 주문하고 제한 주문서에 넣는 데 걸리는 시간을 최소화함으로써이를 수행합니다. 이는 하드웨어 (공동 배치 서버, 광섬유 연결) 및 소프트웨어 최적화를 수반하며 일반적으로 즉각적 또는 취소 (IOC) 주문의 사용을 포함합니다. HFT 회사가 주문 우선 순위를 얻기 위해 IOC 주문을 사용하는 것은 논쟁의 여지가 많으며 결과적으로 높은 가격을 지불하게 될 수도있는 전통적인 투자자에 의한 시스템을 게임으로 간주합니다.
또 다른 접근법은 가격 책정 포인트에서 주문 주문을 위 아래로 제한하여 시장 거래가 있기 훨씬 전에 우선 순위를 정하는 것입니다. 계층화 계층화는 복잡성을 증가시키는 매우 복잡한 실행 전략입니다.
표준 소매 플랫폼을 사용하여 모든 상인이 사용할 수있는 주문 유형 인 단일 한도 주문을 고려하는 데 자신을 한정하십시오.
제가 설명했듯이, 우리는 어느 시점에서든 당신이 길고 짧은 것을 선호하는지, 그러므로 당신이 입찰이나 오퍼를하고자하는지 여부를 알고 있다고 가정하고 있습니다. 문제는 귀하가 주문한 가격에 따라 귀하의 위험을 제한하는 방법은 무엇입니까? 즉, 우리는 이익 목표를 논의하고 손실을 막습니다. 물론 위험과 수익에 관한 것입니다.
두피에 걸릴 위험과 반환.
위험을 고려하여 시작할 수 있습니다. 가늠자에 대한 가장 큰 위험은 한 번 채워지면 시장이 자기 손실을 유발해야 할 때까지 시장이 자신의 입장에 위배된다는 것입니다. 그가 자신의 중지 손실을 너무 세게 설정하면 처음에는 수익이 나지 않지만 퇴장하지 않으면 이익을 보였을 것입니다. 반대로 정지 손실을 너무 느슨하게 설정하면 위험 보상 비율은 매우 낮습니다. & # 8211; 단일 손실 생성 무역은 다수의 작고 수익성있는 거래로 이익을 근절 할 수 있습니다.
이제 보상에 대해 생각해보십시오. 상인이 자신의 이익 목표를 설정하는 데 너무 야심 차면 자신의 위치가 표시되는 이익을 실현하지 못할 수도 있습니다. & # 8211; 시장은 되돌릴 수 있었고, 초기에 수익을 낼 수있는 위치에 손실을 남겼습니다. 반대로, 목표를 너무 세게 설정하면 상인은 가끔씩 큰 손실의 영향을 극복하기 위해이기는 무역에서 너무 많은 잠재력을 포기할 수 있습니다.
이것은 스칼라에 대한 중요한 관심사임이 분명하다. 사실 무역 탈퇴 규칙은 진입 규칙보다 중요하거나 더 중요하다. 그러면 어떻게해야할까요?
스컬 핑을위한 이론적 틀.
시장 수익률이 일반적으로 분배된다는 오히려 영웅적인 가정을 세우자 (실제로 경험적 연구에서 우리는 그들이 적어도 '출발점이 아님'). 그리고 우리의 상인이 한도 주문으로 가득 차 있다고 가정하고 자신의 이익 목표를 설정하고 손실 한도 주문을 중단 할 위치를 결정하려고합니다. X의 기본 보안의 현재 가격을 감안할 때, scalper는 P tick의 이익 목표와 q tick의 stop loss level을 결정하려고합니다. 이 임계 값은 거래를 종료하기 위해 제한 주문을 게시해야하는 가격을 결정합니다. 우리는 이것을 다음과 같이 리턴으로 변환 할 수 있습니다.
위쪽에 : Ru = Ln [X + p] & # 8211; Ln [X]
그리고 단점 : Rd = Ln [X-q] & # 8211; Ln [X]
이 상황은 아래 차트에 설명되어 있습니다.
수익성이있는 영역은 배포판의 RHS에있는 음영 처리 된 영역입니다. 시장이이 가격 이상으로 거래된다면, 우리는 돈을 벌게 될 것입니다 : 정확한 진드기, 적은 거래 수수료 및 수수료. 반대로 유통 시장의 LHS에 음영 처리 된 시장에서 시장 거래가 이루어지면 q 틱 (커미션 추가)을 잃게됩니다.
우리의 가정 하에서, RHS 음영 처리 된 영역에서 끝날 확률은 다음과 같습니다.
probWin = 1 & # 8211; NormalCDF (Ru, mu, sigma),
여기서 μ와 σ는 분포의 평균 및 표준 편차입니다.
돈을 잃을 확률, 즉 분포의 LHS의 음영 영역은 다음과 같이 주어진다.
probLoss = NormalCDF (Rd, mu, sigma),
여기서 NormalCDF는 가우시안 분포의 누적 분포 함수입니다.
따라서 무역에서 기대되는 이익은 다음과 같습니다.
예상 수익 = p * probWin & # 8211; q * probLoss.
예상 수익률, 즉 수익성이 높은 거래의 비율은 다음과 같습니다.
WinRate = probWin / (probWin + probLoss)
스트레치 이익 목표를 설정하면 p는 커질 것이고 분포의 RHS에있는 음영 영역 인 probWin은 작아 질 것이므로 winRate는 낮을 것입니다. 이 시나리오에서 우리는 큰 이득을 얻을 확률이 낮습니다. 반대로 p를 1 tick으로 설정하고 정지 손실 q를 말하자면 20 tick으로 설정하면 RHS의 음영 영역은 확률 밀도의 절반 가까이를 나타내며 음영 처리 된 LHS는 약 5의 음영 만 포함합니다 %. 이 경우 우리의 승리율은 91 %입니다.
WinRate = 50 % / (50 % + 5 %) = 91 %
이 시나리오에서 우리는 빈번하고 작은 이익을 내며 가끔 큰 손실을 입습니다.
그래서 중요한 질문은 : 우리는 어떻게 p와 q, 이익 목표를 선택하고 손실을 멈출 것인가? 그게 그렇게 중요한 건가? 결정은 무엇에 달려 있습니까?
스캘핑 전략 모델링.
우리는 이미 보았 듯이, 우리가 원하는 이익의 크기와 우리가 용인 할 수있는 손실의 크기와 그것의 확률 사이에 상충 관계가 있음을 알아 차림으로써이 질문들을 해결할 수 있습니다 손익 발생. 그 확률은 가우시안이라고 여기는 기본 확률 분포에 의존합니다.
이제 서로 다른 가격 수준에서 승리하거나 패할 확률을 결정하는 정규 분포 또는 가우스 분포에는 두 개의 매개 변수가 있습니다. 수익률 프로세스의 평균, 뮤 또는 표류, 시그마의 변동성.
짧은 시간 간격 동안 변동성의 영향은 드리프트로 인한 영향보다 더 큰 영향을 미칩니다. 그 이유는 간단합니다. 변동성은 시간의 제곱근에 비례하고 드리프트는 선형으로 비례합니다. 작은 시간 간격에서 드리프트는 공정 변동성에 비해 현저히 작아집니다. 그러므로 우리는 뮤가 프로세스 평균은 관심이 없다는 것을 0으로 가정하고 독점적으로 σ, 휘발성에 초점을 맞출 수 있습니다.
고려해야 할 다른 요소는 무엇입니까? 자, 최저 가격 움직임이 있습니다. 이것은 1 tick 일 수도 있고, 그 tick의 달러 가치입니다. 이 값에서 우리는 우리의 위쪽과 아래쪽의 수익률 Ru와 Rd를 얻을 수 있습니다. 마지막으로 커미션을 고려하여 순 거래 P & L에 수수료를 환급해야합니다.
여기에 E-mini 선물 계약을 모범으로 사용하는 모델의 간단한 공식이 나와 있습니다.
periodVolatility = annualVolatility / Sqrt [nMinsPerDay / BarSizeMins];
tgtReturn = nTicksPT * minMove / currentPrice; tgtDollar = nTicksPT * tickValue;
ES 계약의 경우 최저 가격 이동은 0.25이고 틱 값은 $ 12.50입니다. 우리가 거래하는 기간의 크기로 연간 변동성을 측정한다는 것을 주목하십시오 (다음 예제에서 15 분 막대).
시나리오 분석.
예상 수익 및 성공률이 수익 목표에 따라 달라지는 방식과 손실 손실 한도를 정하는 방법에 대해 살펴 보겠습니다. 다음 인터랙티브 그래픽에서 우리는 다양한 수준의 변동성이 결과에 미치는 영향을 평가할 수 있습니다.
막대 크기와 휘발성에 의해 기대되는 이익.
휘발성에 의한 예상 승률.
승리율 (및 기대 이익)이 정상적으로 분배되는 것과는 거리가 멀다는 점에 유의하십시오. 이는 그 자체가 시시각각 인 변동성으로 급진적으로 변하기 때문입니다.
매우 낮은 수준의 변동성, 약 5 %의 경우, 우리는 두 번의 틱의 타이트한 이윤 목표를 설정하고 약 10 틱의 정지 손실을 설정하여 예상 P & L을 극대화하는 데 최선을 다하는 것으로 보입니다. 우리의 승리율은이 수준에서 매우 높습니다. & # 8211; 약 90 % 이상. 다시 말해서, 변동성이 낮 으면 우리의 목표는 많은 수의 작은 이익을 창출하는 것입니다.
그러나 변동성이 약 15 %로 증가함에 따라 이익 목표를 약 10 ~ 11 틱까지 늘릴 필요가 있음이 분명합니다. 예상되는 P & L의 분포는 몇 가지 다른 전략 옵션을 제안합니다 : 약 30 틱의 더 큰 정지 손실을 설정하거나 다른 방향으로 향할 수 있거나 아마도 매우 낮은 정지 손실을 설정할 수 있습니다 단 1-2 틱. 이 이후의 전략은 사실 저 변동성 전략의 이미지입니다. 변동성 수준이 높을 때 가끔씩 큰 이익을 얻으려고하고 반복적 인 소액 손실을 지속 할 대가를 지불하려고합니다. 우리의 승리율은 50 %를 훨씬 상회하지만 당연히 감소합니다.
변동성이 여전히 20 % 또는 30 % 이상으로 증가함에 따라 이익 목표를 높이고 중지 손실 한도를 강화함으로써 가끔 큰 이익을 목표로하는 것 외에는 대안이 없다는 것이 분명 해집니다. 이 전략 시나리오에서 우리의 승리율은 훨씬 낮을 것입니다. & # 8211; 약 30 % 이하.
비 & # 8211; 가우스 모델.
이제 일반적으로 자산 수익률이 일반적으로 분배되지 않는다는 우려를 해결해 보겠습니다. 특히, 수익의 경험적 분포는 '꼬리 꼬리'를 갖는 경향이 있는데, 즉 극한 사건의 확률은 등가 정규 분포보다 훨씬 높습니다.
Extreme Value Distribution에서 뚱뚱한 꼬리 분포에 널리 사용되는 모델입니다. pdf :
플롯 [EvaluateTable [PDF [ExtremeValueDistribution [, 2], x],>], 채우기 축]
EVD의 매개 변수를 설정하려면 평균 및 분산이 평균 = 0 및 표준 편차 인 등가 가우스 분포의 값과 일치하도록 정렬해야합니다. 금후:
GED를 사용하는 모델 버전의 코드는 다음과 같습니다.
periodVolatility = annualVolatility / Sqrt [nMinsPerDay / BarSizeMins];
β = Sqrt [6] * periodVolatility / Pi;
tgtReturn = nTicksPT * minMove / currentPrice; tgtDollar = nTicksPT * tickValue;
이제 우리는 Gaussian 버전에 대해 플롯 한 EVD 버전의 모델과 동일한 플롯을 생성 할 수 있습니다.
막대 크기와 휘발성에 따른 기대 이익 & # 8211; 극단적 가치 분배.
휘발성에 의한 예상 승률 & # 8211; 극단적 가치 분배.
다음으로 우리는 모델의 Gaussian과 EVD 버전을 비교하여 서로 다른 가정이 예상 승률에 미치는 영향을 이해합니다.
손절매와 이익 목표로 예상 승률.
보시다시피, 중간 수준의 변동성, 최대 약 18 %까지 매년, 예상 수익률은 정규 분포보다 극단적 인 수익 분배를 가정하면 실제로 더 높습니다. 정규 분포를 사용하는 경우 실제로는 실제 수익률 분포가 극한값에 가깝다면 Win Rate를 과소 평가합니다. 즉, 수익률에 대한 가우스 분포의 가정은 실제로 보수적입니다.
반면에, 높은 수준의 변동성에서 정규성 가정은 & # 8211;을 넘는 경향이 있습니다. 수익률이 극단적 인 가치 분포를 실제로 따르는 경우 예상되는 환율을 추정합니다. 그러나 앞서 지적한 바와 같이, 높은 수준의 변동성에 대해서는 우리는 스캘핑 전략을 매우 실질적으로 수정하는 것을 고려할 필요가 있습니다. 더 큰 이익 목표를 세우거나 더 가파른 정지를 설정하거나 변동성이 정상 수준으로 떨어질 때까지 거래를 중지해야합니다. 대부분의 스 칼파는 두 번째 옵션을 선호합니다. 첫 번째 옵션은 다음과 같이 파업하지 않습니다. 이 접근법을 취하면 변동성이 높아지는 기간에 두피를 두피하려고 할 때, 반환 분포의 대체 가정에 따른 예상 승률의 차이는 부적합합니다.
휘발성이 20 % 미만이고 두피 모델에서 가우스 분포를 사용하는 경우에만 두피를 사용하려고하면 & # 8211; 다시 말해서, 정상 승계는 예상 승률의 예상치를 보수적으로 보냄으로써 귀하의 전략을 돕고 아프게합니다.
대안으로, 당신이 변동성의 수준에 관계없이 전략을 교환하고 싶다면, 내가 한 것처럼 극한 가치 분포와 같은 것을 사용하십시오. 그것은 예상 된 Win Rate의 추정치를 변경합니다. 모델이 생성되지만 모델의 구조가 변경되거나 무효화됩니다. 변동성이 증가한 상황과 관련하여 가정과는 다른, 틀림없이 더 현실적인 가정입니다.
몬테 - 카를로 시뮬레이션 분석.
& # 8217; 몇 가지 시뮬레이션 분석을 수행하여 두 가지 대안 모델에 대한 기대 수익률 및 평균 거래 PL 분포를 이해할 수 있습니다. 먼저 1,000 개의 거래 샘플을 생성하고 평균 거래 PL 및 수익률을 계산하는 생성기를 코딩합니다.
가우스 모델.
periodVolatility = annualVolatility / Sqrt [nMinsPerDay / BarSizeMins];
tgtReturn = nTicksPT * minMove / currentPrice; tgtDollar = nTicksPT * tickValue;
이제 10 개의 무작위 표본을 생성 할 수 있습니다. 000 시뮬레이션이 실행되고 예를 들어 5 분 막대의 ES를 사용하여 2 개의 틱의 PT와 & # 8211의 SL을 사용하여 승률의 히스토그램을 그립니다. 20 틱, 연간 변동성 15 % 가정.
극한 가치 분배 모델.
다음으로 모델의 Extreme Value Distribution 버전에서도 동일한 작업을 수행 할 수 있습니다.
periodVolatility = annualVolatility / Sqrt [nMinsPerDay / BarSizeMins];
β = Sqrt [6] * periodVolatility / Pi;
tgtReturn = nTicksPT * minMove / currentPrice; tgtDollar = nTicksPT * tickValue;
결론.
이 분석의 주요 결론은 다음과 같습니다.
Scalping은 본질적으로 변동성 거래입니다 최적의 이익 목표 설정은 손절매 한도가 현재의 시장 변동성 수준에 따라 근본적인 변동성에 크게 의존하고 동적으로 처리해야합니다 변동성이 낮은 경우 우리는 타이트한 수익 목표를 설정해야합니다 넓은 스톱 손실 한계가 있으며, 2 ~ 3 틱의 작은 이익을 얻을 수 있습니다. 변동성이 커지면서 우리는 그 위치를 뒤집을 필요가 있습니다. 더 많은 야심 찬 수익 목표를 세우고 긴장된 목표를 세우고 때로는 큰 승리를 노립니다.
8/8 : 위의 상승선이 너무 높습니다 (과매 수).
7/8 : 빠른 역방향 회선 (약함)
6/8 : 피벗 반대 방향 선.
5/8 : 상위 거래 범위.
4/8 : 주요 반전 라인.
3/8 : 낮은 거래 범위.
2/8 : 피벗 반대 방향 선.
1/8 : 빠른 역방향 라인 (약함)
0/8 : 가장 심한 라인이 하강 (과다)
명백하게 원래의 MM 학습 프리젠 테이션 (25MB)을 비롯한 다양한 포럼에서 Murrey 수학에 관한 정보를 게시합니다.
13.2 Murrey Math Lines AFL.
Intraday 설정 : 당신이 intraday 거래 때 이것을 선택하십시오. 시스템은 그 날의 최고치와 최저치를 사용하여 MML을 그립니다. 모든 일중 시간대에 가장 적합합니다.
패턴 인식 :이 기능이 추가되어 더 확실하게 거래 할 수 있습니다. MML이 단지 지원과 저항 일 뿐이라는 것을 알고 있듯이, 우리는 다음 행동의 가능한 방향에 대해 약간의 확인이 필요합니다.
13-11-2011 Modififed Murrray 수학 AFL은 제목에 중요한 지지점과 저항을 보여 주어 낮과 밤에 목표물로 사용할 수 있습니다.
13.3 AFL에 대한 가격 예측. 만약?
13.3 Murrey 수학 라인 거래 - 안전한 거래.
MML은 지원 및 저항이기 때문에 높은 확률로 설정해야합니다.
다음은 안전한 거래를위한 접근법입니다. 하루 중 중요도가 높거나 낮을 때까지 기다렸다가 (하루 중 최고 또는 최저), 8/8 또는 0/8로 이동을 기다리십시오.
주의 : MML은 지원과 저항 뿐이며 예측 기능이 없기 때문에 항상 정지 손실이 발생하는지 확인하십시오!
두피의 수학.
참고 : 아래의 Mathematica 모델을 볼 수 없다면 무료 Wolfram CDF 플레이어를 다운로드 할 수 있으며이 플러그인이 필요할 수도 있습니다.
완전한 Mathematica CDF 파일을 여기에서 다운로드 할 수도 있습니다.
이 포스트에서 저는 고주파 거래 회사들이 널리 사용하는 전략의 일종 인 스캘핑 (scalping)의 측면을 탐구하고자합니다.
나는 스캘핑 전략을 책의 다른쪽에 제한 주문을 게시함으로써 작은 이익을 추구하고자하는 전략으로 정의 할 것이다. 내가 정의한대로 스캘핑은 마켓팅과 같은 전략이다. 책 한쪽에. 그래서, 어떤 주어진 시간에, 우리는 긴 바이어스를 가질 수 있으므로 제한된 구매 주문서로 들어가보십시오. 이 값이 채워지면 몇 차례 틱의 수익을 내면서 이후의 제한 판매 주문을 종료합니다. 반대로 제한 판매 주문을 입력하고 제한 구매 주문을 종료 할 수 있습니다.
이 전략은 두 가지 중요한 요소에 의존합니다.
(i) 우리가 길거나 짧을 선호할지 여부를 순간적으로 알려주는 알파 신호.
(ii) 실행 전략, 또는 무역 표현 & # 8221;
이 기사에서는 후자에 초점을 맞추기 위해 이미 알파 생성 모델을 이미 가지고 있다고 가정합니다 (자세한 내용은 이후 게시물에서 자세히 설명합니다).
상인이 직위를 입력하는 데 사용할 수있는 몇 가지 방법이 있습니다. 우리가 여기에서 고려할 가장 간단한 접근법은 내부 입찰가 / 물가에 하나 또는 하나의 제한 주문을 배치하는 것입니다. & # 8211; 그래서 다른 말로하면 우리는 입찰을 통해 구매하고 물음에 대해 팔려고합니다. (그리고 적어도 입찰가의 스프레드를 얻고 싶습니다.)
이 방법의 문제점 중 하나는 대기 시간에 민감하다는 것입니다. 제한 주문은 대기열 뒤쪽의 제한 주문 서적에 가입하고 이전 주문이 가득 차면 천천히 앞쪽으로 나아갑니다. 시장이 제한된 구매 주문으로 돌아 오는 시간을 사면 그 가격에 더 이상 판매자가 없을 수 있습니다. 이 경우 시장 거래가 중단되고 더 높은 가격의 입찰가가 주문에 우선적으로 적용되며 채워지지는 않습니다. 반대로, 귀하는 채워지는 마지막 주문 중 하나 일 수 있습니다. 그 후에는 시장이 낮은 입찰가로 거래되고 귀하의 지위는 물 아래로 즉시 떨어집니다.
이 단순한 모델은 대기 시간이 그처럼 중요한 이유를 설명합니다. & # 8211; 가능한 한 빨리 큐의 맨 앞으로 가까이 가고 싶습니다. 이를 발행하고 주문하고 제한 주문서에 넣는 데 걸리는 시간을 최소화함으로써이를 수행합니다. 이는 하드웨어 (공동 배치 서버, 광섬유 연결) 및 소프트웨어 최적화를 수반하며 일반적으로 즉각적 또는 취소 (IOC) 주문의 사용을 포함합니다. HFT 회사가 주문 우선 순위를 얻기 위해 IOC 주문을 사용하는 것은 논쟁의 여지가 많으며 결과적으로 높은 가격을 지불하게 될 수도있는 전통적인 투자자에 의한 시스템을 게임으로 간주합니다.
또 다른 접근법은 가격 책정 포인트에서 주문 주문을 위 아래로 제한하여 시장 거래가 있기 훨씬 전에 우선 순위를 정하는 것입니다. 계층화 계층화는 복잡성을 증가시키는 매우 복잡한 실행 전략입니다.
표준 소매 플랫폼을 사용하여 모든 상인이 사용할 수있는 주문 유형 인 단일 한도 주문을 고려하는 데 자신을 한정하십시오.
제가 설명했듯이, 우리는 어느 시점에서든 당신이 길고 짧은 것을 선호하는지, 그러므로 당신이 입찰이나 오퍼를하고자하는지 여부를 알고 있다고 가정하고 있습니다. 문제는 귀하가 주문한 가격에 따라 귀하의 위험을 제한하는 방법은 무엇입니까? 즉, 우리는 이익 목표를 논의하고 손실을 막습니다. 물론 위험과 수익에 관한 것입니다.
두피에 걸릴 위험과 반환.
위험을 고려하여 시작할 수 있습니다. 가늠자에 대한 가장 큰 위험은 한 번 채워지면 시장이 자기 손실을 유발해야 할 때까지 시장이 자신의 입장에 위배된다는 것입니다. 그가 자신의 중지 손실을 너무 세게 설정하면 처음에는 수익이 나지 않지만 퇴장하지 않으면 이익을 보였을 것입니다. 반대로 정지 손실을 너무 느슨하게 설정하면 위험 보상 비율은 매우 낮습니다. & # 8211; 단일 손실 생성 무역은 다수의 작고 수익성있는 거래로 이익을 근절 할 수 있습니다.
이제 보상에 대해 생각해보십시오. 상인이 자신의 이익 목표를 설정하는 데 너무 야심 차면 자신의 위치가 표시되는 이익을 실현하지 못할 수도 있습니다. & # 8211; 시장은 되돌릴 수 있었고, 초기에 수익을 낼 수있는 위치에 손실을 남겼습니다. 반대로, 목표를 너무 세게 설정하면 상인은 가끔씩 큰 손실의 영향을 극복하기 위해이기는 무역에서 너무 많은 잠재력을 포기할 수 있습니다.
이것은 스칼라에 대한 중요한 관심사임이 분명하다. 사실 무역 탈퇴 규칙은 진입 규칙보다 중요하거나 더 중요하다. 그러면 어떻게해야할까요?
스컬 핑을위한 이론적 틀.
시장 수익률이 일반적으로 분배된다는 오히려 영웅적인 가정을 세우자 (실제로 경험적 연구에서 우리는 그들이 적어도 '출발점이 아님'). 그리고 우리의 상인이 한도 주문으로 가득 차 있다고 가정하고 자신의 이익 목표를 설정하고 손실 한도 주문을 중단 할 위치를 결정하려고합니다. X의 기본 보안의 현재 가격을 감안할 때, scalper는 P tick의 이익 목표와 q tick의 stop loss level을 결정하려고합니다. 이 임계 값은 거래를 종료하기 위해 제한 주문을 게시해야하는 가격을 결정합니다. 우리는 이것을 다음과 같이 리턴으로 변환 할 수 있습니다.
위쪽에 : Ru = Ln [X + p] & # 8211; Ln [X]
그리고 단점 : Rd = Ln [X-q] & # 8211; Ln [X]
이 상황은 아래 차트에 설명되어 있습니다.
수익성이있는 영역은 배포판의 RHS에있는 음영 처리 된 영역입니다. 시장이이 가격 이상으로 거래된다면, 우리는 돈을 벌게 될 것입니다 : 정확한 진드기, 적은 거래 수수료 및 수수료. 반대로 유통 시장의 LHS에 음영 처리 된 시장에서 시장 거래가 이루어지면 q 틱 (커미션 추가)을 잃게됩니다.
우리의 가정 하에서, RHS 음영 처리 된 영역에서 끝날 확률은 다음과 같습니다.
probWin = 1 & # 8211; NormalCDF (Ru, mu, sigma),
여기서 μ와 σ는 분포의 평균 및 표준 편차입니다.
돈을 잃을 확률, 즉 분포의 LHS의 음영 영역은 다음과 같이 주어진다.
probLoss = NormalCDF (Rd, mu, sigma),
여기서 NormalCDF는 가우시안 분포의 누적 분포 함수입니다.
따라서 무역에서 기대되는 이익은 다음과 같습니다.
예상 수익 = p * probWin & # 8211; q * probLoss.
예상 수익률, 즉 수익성이 높은 거래의 비율은 다음과 같습니다.
WinRate = probWin / (probWin + probLoss)
스트레치 이익 목표를 설정하면 p는 커질 것이고 분포의 RHS에있는 음영 영역 인 probWin은 작아 질 것이므로 winRate는 낮을 것입니다. 이 시나리오에서 우리는 큰 이득을 얻을 확률이 낮습니다. 반대로 p를 1 tick으로 설정하고 정지 손실 q를 말하자면 20 tick으로 설정하면 RHS의 음영 영역은 확률 밀도의 절반 가까이를 나타내며 음영 처리 된 LHS는 약 5의 음영 만 포함합니다 %. 이 경우 우리의 승리율은 91 %입니다.
WinRate = 50 % / (50 % + 5 %) = 91 %
이 시나리오에서 우리는 빈번하고 작은 이익을 내며 가끔 큰 손실을 입습니다.
그래서 중요한 질문은 : 우리는 어떻게 p와 q, 이익 목표를 선택하고 손실을 멈출 것인가? 그게 그렇게 중요한 건가? 결정은 무엇에 달려 있습니까?
스캘핑 전략 모델링.
우리는 이미 보았 듯이, 우리가 원하는 이익의 크기와 우리가 용인 할 수있는 손실의 크기와 그것의 확률 사이에 상충 관계가 있음을 알아 차림으로써이 질문들을 해결할 수 있습니다 손익 발생. 그 확률은 가우시안이라고 여기는 기본 확률 분포에 의존합니다.
이제 서로 다른 가격 수준에서 승리하거나 패할 확률을 결정하는 정규 분포 또는 가우스 분포에는 두 개의 매개 변수가 있습니다. 수익률 프로세스의 평균, 뮤 또는 표류, 시그마의 변동성.
짧은 시간 간격 동안 변동성의 영향은 드리프트로 인한 영향보다 더 큰 영향을 미칩니다. 그 이유는 간단합니다. 변동성은 시간의 제곱근에 비례하고 드리프트는 선형으로 비례합니다. 작은 시간 간격에서 드리프트는 공정 변동성에 비해 현저히 작아집니다. 그러므로 우리는 뮤가 프로세스 평균은 관심이 없다는 것을 0으로 가정하고 독점적으로 σ, 휘발성에 초점을 맞출 수 있습니다.
고려해야 할 다른 요소는 무엇입니까? 자, 최저 가격 움직임이 있습니다. 이것은 1 tick 일 수도 있고, 그 tick의 달러 가치입니다. 이 값에서 우리는 우리의 위쪽과 아래쪽의 수익률 Ru와 Rd를 얻을 수 있습니다. 마지막으로 커미션을 고려하여 순 거래 P & L에 수수료를 환급해야합니다.
여기에 E-mini 선물 계약을 모범으로 사용하는 모델의 간단한 공식이 나와 있습니다.
periodVolatility = annualVolatility / Sqrt [nMinsPerDay / BarSizeMins];
tgtReturn = nTicksPT * minMove / currentPrice; tgtDollar = nTicksPT * tickValue;
ES 계약의 경우 최저 가격 이동은 0.25이고 틱 값은 $ 12.50입니다. 우리가 거래하는 기간의 크기로 연간 변동성을 측정한다는 것을 주목하십시오 (다음 예제에서 15 분 막대).
시나리오 분석.
예상 수익 및 성공률이 수익 목표에 따라 달라지는 방식과 손실 손실 한도를 정하는 방법에 대해 살펴 보겠습니다. 다음 인터랙티브 그래픽에서 우리는 다양한 수준의 변동성이 결과에 미치는 영향을 평가할 수 있습니다.
막대 크기와 휘발성에 의해 기대되는 이익.
휘발성에 의한 예상 승률.
승리율 (및 기대 이익)이 정상적으로 분배되는 것과는 거리가 멀다는 점에 유의하십시오. 이는 그 자체가 시시각각 인 변동성으로 급진적으로 변하기 때문입니다.
매우 낮은 수준의 변동성, 약 5 %의 경우, 우리는 두 번의 틱의 타이트한 이윤 목표를 설정하고 약 10 틱의 정지 손실을 설정하여 예상 P & L을 극대화하는 데 최선을 다하는 것으로 보입니다. 우리의 승리율은이 수준에서 매우 높습니다. & # 8211; 약 90 % 이상. 다시 말해서, 변동성이 낮 으면 우리의 목표는 많은 수의 작은 이익을 창출하는 것입니다.
그러나 변동성이 약 15 %로 증가함에 따라 이익 목표를 약 10 ~ 11 틱까지 늘릴 필요가 있음이 분명합니다. 예상되는 P & L의 분포는 몇 가지 다른 전략 옵션을 제안합니다 : 약 30 틱의 더 큰 정지 손실을 설정하거나 다른 방향으로 향할 수 있거나 아마도 매우 낮은 정지 손실을 설정할 수 있습니다 단 1-2 틱. 이 이후의 전략은 사실 저 변동성 전략의 이미지입니다. 변동성 수준이 높을 때 가끔씩 큰 이익을 얻으려고하고 반복적 인 소액 손실을 지속 할 대가를 지불하려고합니다. 우리의 승리율은 50 %를 훨씬 상회하지만 당연히 감소합니다.
변동성이 여전히 20 % 또는 30 % 이상으로 증가함에 따라 이익 목표를 높이고 중지 손실 한도를 강화함으로써 가끔 큰 이익을 목표로하는 것 외에는 대안이 없다는 것이 분명 해집니다. 이 전략 시나리오에서 우리의 승리율은 훨씬 낮을 것입니다. & # 8211; 약 30 % 이하.
비 & # 8211; 가우스 모델.
이제 일반적으로 자산 수익률이 일반적으로 분배되지 않는다는 우려를 해결해 보겠습니다. 특히, 수익의 경험적 분포는 '꼬리 꼬리'를 갖는 경향이 있는데, 즉 극한 사건의 확률은 등가 정규 분포보다 훨씬 높습니다.
Extreme Value Distribution에서 뚱뚱한 꼬리 분포에 널리 사용되는 모델입니다. pdf :
플롯 [EvaluateTable [PDF [ExtremeValueDistribution [, 2], x],>], 채우기 축]
EVD의 매개 변수를 설정하려면 평균 및 분산이 평균 = 0 및 표준 편차 인 등가 가우스 분포의 값과 일치하도록 정렬해야합니다. 금후:
GED를 사용하는 모델 버전의 코드는 다음과 같습니다.
periodVolatility = annualVolatility / Sqrt [nMinsPerDay / BarSizeMins];
β = Sqrt [6] * periodVolatility / Pi;
tgtReturn = nTicksPT * minMove / currentPrice; tgtDollar = nTicksPT * tickValue;
이제 우리는 Gaussian 버전에 대해 플롯 한 EVD 버전의 모델과 동일한 플롯을 생성 할 수 있습니다.
막대 크기와 휘발성에 따른 기대 이익 & # 8211; 극단적 가치 분배.
휘발성에 의한 예상 승률 & # 8211; 극단적 가치 분배.
다음으로 우리는 모델의 Gaussian과 EVD 버전을 비교하여 서로 다른 가정이 예상 승률에 미치는 영향을 이해합니다.
손절매와 이익 목표로 예상 승률.
보시다시피, 중간 수준의 변동성, 최대 약 18 %까지 매년, 예상 수익률은 정규 분포보다 극단적 인 수익 분배를 가정하면 실제로 더 높습니다. 정규 분포를 사용하는 경우 실제로는 실제 수익률 분포가 극한값에 가깝다면 Win Rate를 과소 평가합니다. 즉, 수익률에 대한 가우스 분포의 가정은 실제로 보수적입니다.
반면에, 높은 수준의 변동성에서 정규성 가정은 & # 8211;을 넘는 경향이 있습니다. 수익률이 극단적 인 가치 분포를 실제로 따르는 경우 예상되는 환율을 추정합니다. 그러나 앞서 지적한 바와 같이, 높은 수준의 변동성에 대해서는 우리는 스캘핑 전략을 매우 실질적으로 수정하는 것을 고려할 필요가 있습니다. 더 큰 이익 목표를 세우거나 더 가파른 정지를 설정하거나 변동성이 정상 수준으로 떨어질 때까지 거래를 중지해야합니다. 대부분의 스 칼파는 두 번째 옵션을 선호합니다. 첫 번째 옵션은 다음과 같이 파업하지 않습니다. 이 접근법을 취하면 변동성이 높아지는 기간에 두피를 두피하려고 할 때, 반환 분포의 대체 가정에 따른 예상 승률의 차이는 부적합합니다.
휘발성이 20 % 미만이고 두피 모델에서 가우스 분포를 사용하는 경우에만 두피를 사용하려고하면 & # 8211; 다시 말해서, 정상 승계는 예상 승률의 예상치를 보수적으로 보냄으로써 귀하의 전략을 돕고 아프게합니다.
대안으로, 당신이 변동성의 수준에 관계없이 전략을 교환하고 싶다면, 내가 한 것처럼 극한 가치 분포와 같은 것을 사용하십시오. 그것은 예상 된 Win Rate의 추정치를 변경합니다. 모델이 생성되지만 모델의 구조가 변경되거나 무효화됩니다. 변동성이 증가한 상황과 관련하여 가정과는 다른, 틀림없이 더 현실적인 가정입니다.
몬테 - 카를로 시뮬레이션 분석.
& # 8217; 몇 가지 시뮬레이션 분석을 수행하여 두 가지 대안 모델에 대한 기대 수익률 및 평균 거래 PL 분포를 이해할 수 있습니다. 먼저 1,000 개의 거래 샘플을 생성하고 평균 거래 PL 및 수익률을 계산하는 생성기를 코딩합니다.
가우스 모델.
periodVolatility = annualVolatility / Sqrt [nMinsPerDay / BarSizeMins];
tgtReturn = nTicksPT * minMove / currentPrice; tgtDollar = nTicksPT * tickValue;
이제 10 개의 무작위 표본을 생성 할 수 있습니다. 000 시뮬레이션이 실행되고 예를 들어 5 분 막대의 ES를 사용하여 2 개의 틱의 PT와 & # 8211의 SL을 사용하여 승률의 히스토그램을 그립니다. 20 틱, 연간 변동성 15 % 가정.
극한 가치 분배 모델.
다음으로 모델의 Extreme Value Distribution 버전에서도 동일한 작업을 수행 할 수 있습니다.
periodVolatility = annualVolatility / Sqrt [nMinsPerDay / BarSizeMins];
β = Sqrt [6] * periodVolatility / Pi;
tgtReturn = nTicksPT * minMove / currentPrice; tgtDollar = nTicksPT * tickValue;
결론.
이 분석의 주요 결론은 다음과 같습니다.
Scalping은 본질적으로 변동성 거래입니다 최적의 이익 목표 설정은 손절매 한도가 현재의 시장 변동성 수준에 따라 근본적인 변동성에 크게 의존하고 동적으로 처리해야합니다 변동성이 낮은 경우 우리는 타이트한 수익 목표를 설정해야합니다 넓은 스톱 손실 한계가 있으며, 2 ~ 3 틱의 작은 이익을 얻을 수 있습니다. 변동성이 커지면서 우리는 그 위치를 뒤집을 필요가 있습니다. 더 많은 야심 찬 수익 목표를 세우고 긴장된 목표를 세우고 때로는 큰 승리를 노립니다.
Comments
Post a Comment