Data Mining Data Mining Data Mining ist ein Prozess, der von Unternehmen genutzt wird, um Rohdaten in nützliche Informationen umzuwandeln. Durch die Verwendung von Software, um nach Mustern in großen Chargen von Daten zu suchen, können Unternehmen mehr über ihre Kunden lernen und entwickeln effektivere Marketing-Strategien sowie Umsatzsteigerung und senken die Kosten. Data Mining hängt von effektiven Datenerfassung und Lagerung sowie Computer-Verarbeitung. BREAKING DOWN Data Mining Lebensmittelgeschäfte sind bekannte Anwender von Data-Mining-Techniken. Viele Supermärkte bieten Kunden Kunden kostenlose Treuekarten, die ihnen Zugang zu reduzierten Preisen gewähren, die Nichtmitgliedern nicht zur Verfügung stehen. Die Karten machen es einfach für Geschäfte zu verfolgen, wer was kauft, wenn sie es kaufen und zu welchem Preis. Die Filialen können diese Daten dann nach deren Analyse für mehrere Zwecke nutzen, wie z. B. das Anbieten von Kundencoupons, die auf ihre Kaufgewohnheiten ausgerichtet sind, und die Entscheidung, wann sie Produkte zum Verkauf stellen oder wann sie zum vollen Preis verkauft werden sollen. Data Mining kann ein Grund zur Sorge sein, wenn nur ausgewählte Informationen, die nicht repräsentativ für die gesamte Stichprobengruppe ist, verwendet werden, um eine bestimmte Hypothese zu beweisen. Data Warehousing Wenn Unternehmen ihre Daten in einer Datenbank oder einem Programm zentralisieren, heißt das Data Warehousing. Mit einem Data Warehouse kann eine Organisation aus Segmenten der Daten für bestimmte Benutzer zu analysieren und zu nutzen. In anderen Fällen können Analysten jedoch mit der Art der gewünschten Daten beginnen und ein Data Warehouse basierend auf diesen Spezifikationen erstellen. Unabhängig davon, wie Unternehmen und andere Unternehmen ihre Daten organisieren, nutzen sie es, um Entscheidungsprozesse der Entscheidungsprozesse zu unterstützen. Data Mining-Software Data-Mining-Programme analysieren Beziehungen und Muster in Daten basierend auf dem, was Benutzer Anfrage. Zum Beispiel kann Data Mining-Software verwendet werden, um Klassen von Informationen zu erzeugen. Um zu veranschaulichen, stellen Sie sich vor, ein Restaurant möchte mit Data Mining zu bestimmen, wann sie bestimmte Specials bieten sollte. Es schaut auf die Informationen, die es gesammelt hat und schafft Klassen auf, wenn Kunden besuchen und was sie bestellen. In anderen Fällen finden Data Miners Informationen auf der Grundlage logischer Beziehungen, oder sie betrachten Assoziationen und sequenzielle Muster, um Rückschlüsse auf Trends im Konsumverhalten zu ziehen. Data Mining-Prozess Der Data-Mining-Prozess gliedert sich in fünf Stufen. Zuerst sammeln Organisationen Daten und laden sie in ihre Data-Warehouses. Als nächstes speichern und verwalten sie die Daten entweder auf internen Servern oder der Cloud. Business-Analysten, Management-Teams und IT-Profis Zugriff auf die Daten und bestimmen, wie sie es organisieren wollen. Dann, Anwendungs-Software sortiert die Daten auf der Grundlage der Ergebnisse der Nutzer, und schließlich stellt der Endbenutzer die Daten in einem einfach zu teilen-Format, wie ein Diagramm oder table. FXEZs Quantitative Research In R Mitglied seit Feb 2006 Status: Erfahrene Trader 19 yrs 299 Beiträge Optimierung der Handelsparameter und Backtesting R ist groß, weil alle Pakete für sie verfügbar (viele handelsbezogene Pakete), und seine vektorisiert so seine sehr schnell. Unten ist ein Beispiel für ein einfaches Handelssystem, aber der Code kann leicht für jedes System angepasst werden. Wenn Sie irgendwelche Ideen haben, um auszuprobieren, hier posten und wir können diesen Code leicht anpassen, um auszuprobieren. Wenn jemand beherrscht testen mehrere Zeitrahmen in R, bitte hier posten oder kontaktieren Sie mich. Ich habe ein paar Fragen an Sie. -) Dieser Beispielcode zur Optimierung einer EMA-Länge. Ich berechne EMA von H und L eines Paares, und wenn, wenn: niedrig von einer Bar gt ema H, Signal kaufen, wenn hohe lt ema L, Signal verkaufen sonst Signal 0 Die Ausgabe wird dann in eine Datei geschrieben. Auch Rückgabewerte sind gegen EMA-Länge aufgetragen: Angehängtes Bild (zum Vergrößern anklicken) Code, um dieses zu erzeugen: Nachdem wir nun die Testergebnisse der Rückkehr gegen EMA haben, können wir eine der besseren auswählen, um sie im Detail zu testen ). Der nachstehende Code zeigt 33 Rückkehr, mit einer Abzugstabelle: Von der Mulde bis zur Tiefe Länge zur Rückgewinnungswiederherstellung 1 2014-02-14 2014-02-27 2014-03-13 -0.0227 937 439 498 2 2013-08-07 2013-08 -12.3.2013 -0.0164 666 162 504 3 2013-09-11 2013-09-30 2013-03-04 -0.0161 822 632 190 4 2014-03-14 2014-03-28 2014-04-02 - 0.0151 602 466 136 5 2014-01-03 2014-01-10 2014-01-13 -0.0142 287 258 29 Angehängtes Bild (zum Vergrößern anklicken) Mitglied seit Aug 2011 Status: Mitglied 1.137 Beiträge Dont take it personally, thats not my intention but Ist dies eine schreckliche Art und Weise der Durchführung einer Optimierung. Eigentlich optimieren Sie nichts. Im Wesentlichen Ihr Code sucht die EMA-Periode, die am besten im nächsten Jahr zu wissen, im nächsten Jahr. Aus der Investopedia: DEFINITION der Look-Ahead Bias Bias, die durch die Verwendung von Informationen oder Daten in einer Studie oder Simulation, die nicht bekannt oder verfügbar waren, während der Analysezeitraum erstellt. Dies führt in der Regel zu ungenauen Ergebnissen in der Studie oder Simulation. Wenn Sie EMA 5 ablehnen, weil es schlechte Ergebnisse, die Sie lecken Informationen in die Vergangenheit gibt. Sie suchen nun eine EMA zu wissen, dass es nicht 5 auf zukünftigen Daten basiert. Dann wiederholen Sie das Hinzufügen weiterer Informationen in die Vergangenheit. Am Ende verwenden Sie EMA X, weil der Backtest fand es das Beste sein. Unter Verwendung von EMA X im ersten Handel wurde der Wert von X aus dem gesamten zukünftigen Datensatz abgeleitet. Ein weiteres Problem ist eine Art Überlebenschance. Sie lehnen alle armen Performer ab. Aber alphaomega zeigte es: wenn Sie eine Reihe von zufälligen Strategien nehmen eine ganze Menge von ihnen wird den Markt durch reine Chance übertreffen. Einer von ihnen wird quotthe bestquot sein. Es ist, wie Sie einen lotery Gewinner die Zahlen, die er spielte, um sie nächste Woche zu verwenden fragen. Sie überprüfen nicht, dass das, was Sie finden, verallgemeinert wird, indem Sie Out-of-sample Daten verwenden. Das letzte Problem sehe ich den Mangel an Daten. Sie verwenden 1 Jahr Daten. Dies ist nicht repräsentativ genug. Deshalb ist das Scannen der Parameter mit den ganzen Daten nie der richtige Weg. Sie müssen nur Informationen bis vor dem aktuellen Balken verwenden. Dies ist umso wichtiger, wenn Sie neuronale Netze verwenden. Sie sind sehr gut im Lernen auswendig aus dem Datenbestand. Keine Gier. Keine Angst. Nur Mathe. Die Optimierung der Handelsparameter und Backtesting R ist wegen all der Pakete, die für sie verfügbar sind (viele handelsbezogene Pakete), und ihre vektorisierten so seine sehr schnell. Unten ist ein Beispiel für ein einfaches Handelssystem, aber der Code kann leicht für jedes System angepasst werden. Wenn Sie irgendwelche Ideen haben, um auszuprobieren, hier posten und wir können diesen Code leicht anpassen, um auszuprobieren. Wenn jemand beherrscht testen mehrere Zeitrahmen in R, bitte hier posten oder kontaktieren Sie mich. Ich habe ein paar Fragen an Sie. -) Dieser Beispielcode zur Optimierung einer EMA-Länge. Ich berechne. Sie mit MAs die falsche Weise. Nicht in Details, aber ich kann Ihnen sagen, ich getestet MAs über einen Zeitraum von 20 Jahren und sie geben eine Kante mit einer Vielzahl von Parametern nur schneller MAs geben mehr Signale, sollten sie auf jedem Instrument zu arbeiten, sind einige mehr Trends, so dass Sie bessere Ergebnisse erhalten . Sowieso keine Indikatoren ist die beste, aber kompliziert zu Code. Sorry, das war mir klar. Sie beginnen mit etwas Geld. Das ist 1 Mal Ihre Kontostärke. Wenn Sie 1 von Ihrem Konto verlieren, verlieren Sie das 0,01-fache Ihres Kontos. Es bleibt 0,99 Mal Ihr Konto. Dieser Verlust hat Ihr Konto mit einem Faktor 0,99 multipliziert. Gleiche Sache, wenn Sie 1 gewinnen, wird Ihr Konto mit einem Faktor 1,01 multipliziert. (1-x) und (1x) die multiplikativen Faktoren sind, wobei x der Bruchteil des Kontos ist, das Sie riskieren. Sie sind unabhängig von der Kontogröße. Wenn Sie gewinnen, verlieren Sie Ihr Konto wird mit (1x) (1-x) multipliziert. Die Sequenz win-win-lose-win-verlieren-verlieren. Danke für die Klarstellungen. Ich schätze es. Ihr Punkt über die Unabhängigkeit der Begriffe in der Formel stecken mit mir, aber ich musste es mir durch Simulation (Im nicht gehen, um den Beweis) Post für eine Lücke, die nie auftauchte zu beweisen. Also die einzige Möglichkeit, diese Art von Schema funktioniert, ist, wenn Sie die Wette Fraktion (sagen, von 1 bis 1,5 bis 1,2, etc.) jeden Handel ändern. Und der einzige Fall, wo die Änderung der Wette auf jeden Handel sinnvoll ist, ist, wenn diese Wette Bruch Veränderung spiegelt eine erhöhte Erhöhung der zukünftigen Siegwahrscheinlichkeit aufgrund einer Abhängigkeit. Dies ist vergleichbar mit der Abhängigkeit eines finiten Blackjack-Schuhs, der fast leer und voll von Gesichtskarten ist. Im Gegensatz zur Blackjack-Chance erstellt ein Zufallsgenerator unabhängige Unentschieden. Also, wenn ich eine Simulation von WLWL Muster von x Länge, es war zwecklos, weil die bisherigen zieht dont Einfluss auf die Zukunft zieht in keiner Weise. In den Märkten gibt es einige Abhängigkeit zu bestimmten Zeiten. Fragen Sie einfach die FF-Händler, die ein Standard-Raster-System über Abhängigkeit, nachdem eine News-Ankündigung führt zu ihren schönen glatt-Equity-Kurve martingale Strategie gehen, kaufen, kaufen, kaufen den ganzen Weg nach unten, unten. Um das Systemquot zu schlagen, könnte ein Trader eine Strategie einsetzen, die immer Positionen wechselt (BSBSBS). Allerdings gibt es immer noch Zeiten, wo Sie die obligatorischen 14 Verluste in einer Reihe mit dieser Art von Schema. So viel Tagträumen über cant verlieren Pläne in Martingal Land, und zurück in die Realität. Hinsichtlich des Risikos pro Handel, basierend auf meiner Recherche, ist die optimale Lösung (insbesondere für den diskretionären Handel) dies: Ich verwende eine MM-Strategie, die der von alphaomega beschriebenen ähnlich ist. Ich denke, Händler, die aus dem Futures-Handel zu verstehen, wie das in der Praxis aufgrund der Losgröße Inflexibilität in Futures funktioniert. Das Hauptdefizit mit dieser Art von Plateau-Strategie ist, dass es toll, solange Sie nie die Größe verringern (siehe alphaomegas Bild). Wenn Sie die Größe verringern müssen, ist es schlechter als eine der Equity-Methode, weil Sie am Ende unter größeren Verluste auf höhere Handelsgröße, bis die Größe Abnahme tritt, und damit es auch länger dauert in den Drawdown, um wieder bis zu Aktienhöhen kommen, weil Ihre Größe bleibt am unteren Plateau. Sorte wie ein equity whipsaw. Dieses Papier kann von Interesse sein. Beachten Sie, dass es erfordert, um die Erwartung der Strategie kennen. Diese MM erhöht die Größe, wenn die Strategie unter der erwarteten Performance liegt. DD schnell wiederhergestellt werden. Aber Sie müssen wirklich sicher sein, der Rand, denn wenn die Strategie ist unterdurchschnittlich, weil der Markt ist zu weit von dem Regime der Arbeit der Strategie Sie over-Leverage einen (temporären) Verlierer. Sie müssen die Erwartung in Echtzeit wissen. Smart aber ziemlich gefährlich. Vielen Dank für die Veröffentlichung dieses Papiers. Es ist eine interessante Idee - ähnlich wie die Änderung der Wette Größe auf Zählkarten im Blackjack basiert. Doch wie Sie darauf hinweisen, ist es gefährlich. Im Nachhinein (nachdem Sie einen Systemtest auf historische Daten durchgeführt haben) ist die Erwartung im Wesentlichen der durchschnittliche Profit pro Handel über den gemessenen Zeitraum. Wenn wir mit der auf diese Weise gemessenen Erwartung anfangen, schauen wir voran oder schnüffeln Daten. Natürlich werden die Ergebnisse dieser MM-Strategie besser sein als nur die Verwendung eines festen Bruchteils des schwankenden Eigenkapitals (was keine Annahmen über zukünftige Ergebnisse ergibt). In gewisser Hinsicht sehe ich diese Methode ähnlich wie die Plateaumethode, wo Sie eine feste Größe tauschen, bis Sie ein höheres Plateau erreichen, außer dass das Plateau die Größe fest in einem Drawdown hält, der kleiner ist als die Plateaumenge, während diese Methode vermutlich wäre Erhöhen Sie die Größe während eines Drawdowns, weil es quotkowsquot, wo es am Ende Gleichheit weise - Daten Snooping Bias. Ich habe ein paar Ideen, um auf dieser über Simulation zu testen. Zum Beispiel, wenn wir das aktuelle Eigenkapital und fügen Sie einfach hinzu, um den erwarteten durchschnittlichen Gewinn aus dem nächsten Handel dann youre immer vorausgesetzt Eigenkapital erwartete Avg Gewinn so wetten Größe wird nur etwas größer sein, als basiert es auf aktuelle Eigenkapital. Solch ein kleiner Unterschied, ich frage mich, ob es überhaupt keinen Unterschied macht (wie erwartet macht es sehr wenig Unterschied) Allerdings ist der Artikel nicht die Anwendung der Hebelwirkung, die einige interessante Auswirkungen hat. Angesichts einer 5050-System mit Siegen von 15 Pips und Verluste von 10 Pips laufen mit den beiden MM-Strategien bekomme ich das folgende Ergebnis aus ab 1000 Bankguthaben. Beachten Sie, dass das oberste Diagramm den Prozentsatz des Eigenkapitals (POE), das mittlere Diagramm auf der Grundlage der Erwartung und das untere Diagramm die Erwartungsgröße bestimmt. Wenn kein Hebel verwendet wird (Hebel von 1), dann ist das Ergebnis ziemlich einfach zu Gunsten der Erwartung Dimensionierung. Wenn Sie eine gewisse Hebelwirkung (3x Leverage) anwenden, passiert etwas Interessantes, wenn man die beiden sich daraus ergebenden Eigenkapitalkurven über 3000 Trades vergleicht. (Periodenergebnis) 14007,17 Der Prozentsatz des Eigenkapitals (fester Fraktionalakt) übertrifft fast den Start und steigt in seiner Dominanz bis zu etwa 2000 Trades an Trades beginnt, auf einer absoluten Basis zu tun, und ganz dramatisch. Jede Ideen, warum dieses Phänomen könnte in Gegenwart von Hebelwirkung auftreten Attached Image (Klicken Sie, um zu vergrößern) Es ist auch erwähnenswert, dass, wenn Sie Hebel zu hoch drücken (10 in diesem Fall), die Erwartung Sizing bläst (schlägt Null Bank-Gleichgewicht) erste nach einigen wilden Schaukeln. Während ich es nicht mathematisch zeigen kann, ich glaube, ich kann verstehen, wie Sie zu den Beispiel-Equity-Kurven von Ihnen kommen mit den verschiedenen Ansätzen zur Positionsbearbeitung. Beim Vergleich eines abgestuften Prozesses der zunehmenden Verminderung der Positionsgröße gegenüber einem progressiven inkrementalen Prozess der zunehmenden Verringerung der Positionsgröße ist es das Verfahren der Einstellung, ob inkremental oder gestuft, was den Unterschied macht, der einfach durch eine Hebelwirkung vergrößert (verstärkt) wird, die über die gesamte Zeitreihe vorhanden ist . Zum Beispiel für Ihre Testreihe nehmen Sie einen endlichen Zeitabschnitt Teil einer Equity-Kurve während eines Drawdown (Beispiel A) und ein Drawup - (Beispiel B). Angenommen, die Häufigkeit der Handelsereignisse ist für beide Szenarien identisch. Mit anderen Worten, dass Trades perfekt synchronisiert sind, ob sie eine inkrementelle Positionsanpassungseinstellung oder eine gestufte Positionsmaßanpassung anwenden. Beispiel A - Stufenlösung Über dieses endliche Segment erzeugen wir ein Drawdown-Ergebnis, das aus dem Verlust jedes einzelnen Einzelhandelsergebnisses x die Anzahl der Trades resultiert. Unter einer gestuften Lösung wird daher eine gleichmäßige Positionsbestimmung bei jedem inkrementalen Handelsergebnis für jedes Trade-Ereignis entlang eines Schritts erzeugt, was zu einem einfachen Verfahren führt, indem einfach jeder gleiche Trade-Verlust x die Anzahl von Trades hinzugefügt wird, um ein Total-Drawdown-Ergebnis zu erzeugen. z. B. Ein Gesamtabzug von etwa 40. Beispiel A - Inkrementelle Lösung Unter dem gleichen finiten Segment erzeugt die Anpassung der Positionsbestimmung in Übereinstimmung mit einem Rückgang des Eigenkapitals bei jeder Handelsereignis eine schrittweise Abnahme der Positionsbestimmung bei jeder Handelsereignis über eine inkrementale Lösung Das gleiche endliche Segment. Das Ergebnis wird ein verringerter Gesamtabzug sein, wie über die Zeitreihen, jeder einzelne Verlust wird schrittweise niedriger, zB. Ein Total Drawdown von 30. Der durchschnittliche Gewinn für jede Veranstaltung wird eine schräge Verteilung zu produzieren. Der Einfluss der Hebelwirkung unter diesen beiden Bedingungen dient lediglich dazu, die Eigenkapitaldifferenz zwischen diesen beiden Ansätzen zu verstärken. Beispiel B - Stufenlösung Über dieses endliche Segment erzeugen wir ein Ergebnis, das aus dem Gewinn jedes einzelnen Einzelhandelsergebnisses x der Anzahl der Geschäfte resultiert. Unter einer gestuften Lösung wird daher eine gleichmßige Positionsbestimmung bei jedem inkrementalen Handelsergebnis über den Schritt hinweg erzeugt, was zu einem einfachen Verfahren führt, indem einfach jeder Handelsgewinn x die Anzahl von Geschäften addiert wird, um ein Gesamtgewinnergebnis zu erzeugen. z. B. Ein Gesamtgewinn von 40. Beispiel B - Inkrementelle Lösung Unter dem gleichen finiten Segment erzeugt die Anpassung der Positionskalibrierung in Übereinstimmung mit einer Erhöhung des Eigenkapitals bei jeder Handelsereignis in einer inkrementalen Lösung eine inkrementale Zunahme der Positionsbestimmung an jedem Handelstag Das gleiche endliche Segment. Das Ergebnis ist ein reduzierter Gesamtgewinn, da über die Zeitreihen, jeder einzelne Gewinn wird schrittweise höher. z. B. Ein Gesamtgewinn von 30. Der durchschnittliche Gewinn für jede Fachveranstaltung wird eine schiefe Verteilung ergeben. Ein gestuftes Verfahren der Einstellung dient dazu, die Flüchtigkeit der Rückkehr im Gegensatz zu einem inkrementalen Verfahren der Anpassung zu verstärken. Jede Form von Bias in einer Zeitreihe wird einfach durch Hebelwirkung vergrößert. Es gibt zwei breite Möglichkeiten, die Sie gehen können, um Performance-Renditen. Traden Sie ein einzelnes System, um die Vorurteile dieses singulären Ansatzes mit Hilfe von Leverage zu nutzen, um die seriellen Gewinne (oder Verluste) zu vergrößern oder die Diversifizierung als Grundlage zu nutzen, um Hebelwirkung zu vermeiden, aber die Verzerrung einer Sammlung nicht korrelierter Zeitreihen durch zerstörerische Störungen des Rauschens und der Summierung von nicht korrelierten Signalen. Der letztgenannte Ansatz ist statistisch in Bezug auf die Bereitstellung risikogewichteter Performance-Renditen stabiler. Quidquid latine dictum, altum videtur Mitglied seit Jan 2007 Status: development. 915 Beiträge Inspiriert von dieser raffinierten Grafik auf zufälligen Spaziergängen sowie den Kurven, die von alphaomega, Copernicus, PipMeUp, ezcurrency, 9047 und eventuell anderen veröffentlicht wurden, beschloss ich, meine eigenen eindimensionalen zufälligen Spaziergänge zu rollen. Ich habe auch beschlossen, etwas, das GoldTheHun hat über die Tafeln in mehreren Orten, darunter auch hier in jüngster Zeit zu übernehmen. Die Grundidee von eindimensionalen zufälligen Wanderungen ist wirklich gut beschrieben in diesem leicht zu Artikel oder Artikelreihe auf zufälligen Wanderungen auf MITS-Website zu verstehen. Im Wesentlichen haben wir einen Weg, um zu messen, wie weit ein eindimensionaler Zufallswanderweg wahrscheinlich von seinem Ausgangspunkt weggeht und diese Formel der sqrt (n) - Schritt ist, wobei quotnquot die Anzahl der Schritte ist und quotstext ist wie weit es ist Reist mit jedem Schritt nach oben oder unten -. Also, wenn jeder Schritt 0,001 oder 10 Pips ist und wir wissen wollen, wie weit unser quotpricequot über 100 Schritte (Balken) reichen wird, ist die Formel sqrt (100) 0,001, um etwas zu berechnen, das als root mean squared distance (rmsd) bezeichnet wird. Optisch sieht es so aus, wenn es als 1deviation-Band (weiß) und 2-Abweichungsband (gelb) über der Zeit gezeichnet wird. Beachten Sie, wie das Band langsam im Laufe der Zeit erweitert. Intuitiv ist dies sinnvoll, weil, wenn wir mehr Schritte machen, die Wahrscheinlichkeit zunimmt, dass sich der Bereich vergrößert. Attached Image (zum Vergrößern anklicken) Kann diese Information für Profit verwendet werden Ein Kerl, der eine Weile zurück auf EliteTrader namens Maestro (und Abogdan unter früheren Namen auf dem Brett) gebeten hielt, dass es getan werden könnte. Und auch GoldTheHun hier auf FF in jüngerer Zeit mit seinem Twist mit aktuellen ATR und Reichweite Projektionen. Als ich lief das folgende Skript (es ändert sich bei jeder Iteration aufgrund zufälliger Variation) aus 1000 Versuche 248 oder 24,8 waren außerhalb der weißen Bänder, während 75,2 waren innerhalb des weißen Bandes. 37 oder 1-0,037 96,3 innerhalb der äußeren gelben Banden waren. Diese Messungen erfolgten im letzten Schritt (Schritt 100). Vielleicht habe ich etwas gefunden. Ich habe einen Spaziergang mit winrate50 und RR1.3. Die Erwartung ist 0,15. Ich habe 300 Proben (Trades). Anstatt die gesamte Eigenkapitalhistorie zu regressieren, habe ich sie in 15 nicht überlappende Sequenzen von 20 Trades (15x20300) geschnitten. Ich nahm das durchschnittliche Eigenkapital bei jedem Schritt. Das ist die rote Linie. Ich regressed diesen Durchschnitt, um die schwarze Linie zu bekommen. Die Gleichung der Gerade ist y0.1572x-0.5063. Die Grundwahrheit ist y0.15x0. Was meinst du (Danke an Copernicus für die boostrap Idee) Attached Image (zum Vergrößern anklicken) Ich habe etwas gefunden. Ich habe einen Spaziergang mit winrate50 und RR1.3. Die Erwartung ist 0,15. Ich habe 300 Proben (Trades). Anstatt die gesamte Eigenkapitalhistorie zu regressieren, habe ich sie in 15 nicht überlappende Sequenzen von 20 Trades (15x20300) geschnitten. Ich nahm das durchschnittliche Eigenkapital bei jedem Schritt. Das ist die rote Linie. Ich regressed diesen Durchschnitt, um die schwarze Linie zu bekommen. Die Gleichung der Gerade ist y0.1572x-0.5063. Die Grundwahrheit ist y0.15x0. Was denken Sie (Danke an Copernicus für die boostrap Idee) estimate. png2140417 Das hat mich denken FXEZ. Gutes Zeug. Aufrechtzuerhalten.
No comments:
Post a Comment