سیستم معاملاتی

سیستم معاملاتی خود را بشناسید! (به اهتمام کاپیتان مهدی صفایی)

در این مطلب می خوانید(فهرست)

چکیده:
این مقاله برای معامله گران فعالی که از رویکرد سیستماتیک جهت پیشرفت پیروی می کنند و قصد دارند قبل از تخصیص سرمایه خطرات یا مزایای احتمالی قابل پیش بینی سیستم تجاری خود را بسنجند و به طور کامل درک کنند،نوشته شده است.
این نتیجه گیری ها برای همه ی بازه های زمانی وهمه ی سیستم های پارامتریک قابل استفاده است ، اگرچه مثالی که در اینجا به طور خاص در مورد آن بحث شده است یک سیستم خرید و فروش پایان روزی است.
هدف این مقاله کمک به معامله گران برای پاسخ به دو سوال اساسی است:
اول این که:
” در دراز مدت برآورد بازده ی خوب و معقول و در واقع برتری سیستم معاملاتی چه میزانی است ؟”
و دوم این که:
” برای رسیدن به این بازده ی مورد نظر دربلند مدت تا چه میزان شرایط احتمالی بد را باید در کوتاه مدت تحمل کرد ؟”
با استفاده از این اطلاعات ، معامله گر می تواند در صورتی که به سیستم معاملاتی خود سرمایه ای اختصاص داد و این سرمایه پس از یک دوره ی معامله گری فعال و با دقت، کمتر شد تصمیمات احتمالی و مبتنی براطلاعاتی درست را در پاسخ به این که آیا سیستم معاملاتی “ضرر ده” است و آیا باید خرید و فروش را متوقف کند ،بگیرد.
در این مقاله پس از توضیح فرض های اولیه ، تعاریف و روش ها ، به چگونگی و دلایل این که چرا سیستم های خرید و فروش معمولی به اشتباه به سمت این جهت گیری فکری که سیستم خروجی از عملیات داده کاوی، سودآور است ،می پردازیم.
بدون درک تأثیرات اساسی داده کاوی بر نتایج شبیه سازی گذشته ی بازار ، ممکن است به نتیجه گیری های نامناسب یا نادرستی برسیم.
هر یک از چندین روش داده کاوی موجود را به طور خلاصه بررسی خواهیم کرد.
تمرکز اصلی این مقاله ، مطرح کردن طرح کلی جایگزینی پارامترهای سیستم های معاملاتی (SPP) و کاربرد آن به عنوان یک روش ساده و در عین حال موثرجهت تخمین عملکرد به عنوان یک ابزار در مقابل روش های قدیمی چند مجهوله و پیچیده ی سنتی است.
به زبان ساده SPP روشی برای توزیع نتایج معیارهای عملکرد سیستم در فضای نمونه است. این روش یک ابزار عملی برای برآورد عملکرد سیستم معاملاتی است و همچنین ابزارهایی برای انجام تست های با اهمیت آماری فراهم می کند. SPP از قانون آماری بازگشت نسبی به میانگین داده ها استفاده می کند و بهره برداری از داده های گذشته ی بازار را به حداکثر می رساند.
در بحث بهینه سازی سیستم های معاملاتی، بازگشت نتایج به میانگین نتایج داده ها نشان می دهد که ترکیب خاص مقادیر پارامترهای بهینه سازی شده که منجر به به دست آمدن نتایج بسیار عالی و چشمگیر در شبیه سازی گذشته ی بازار می شود ، احتمالا در آینده مثل گذشته به سطحی این چنین فوق العاده از نتایج نخواهد رسید. ، SPP به جای بررسی میل به سمت میانگین در طول زمان از بهینه سازی ذاتی در توسعه ی سیستم های مبتنی بر پارامترهای معمولی بهره می برد تا شیوه ی توزیع نتایج بررسی فضای نمونه در جاها یی که ممکن است قانون اثربازگشت نتایج به سمت میانگین بر نتایج تست سیستم اثر بگذارد را بررسی کند.
پس از تعریف SPP در این مقاله ، دستورالعمل هایی برای استفاده از روش های تست سیستم های تجاری مبتنی بر پارامترهای گوناگون ارائه می دهیم. در این دستورالعمل ها روش های خاصی در مورد نحوه ی استفاده از این شیوه ها به منظور برآورد دامنه ی نتایج احتمالی بلند مدت و یا کوتاه مدت در آینده و همچنین آزمایش های آماری مهم گنجانده شده است.
این مقاله همچنین توضیح می دهد که چرا SPP روشی موثر و کار آمد است و چگونه می توان از اطلاعات احتمالا درست به دست آمده از آن در تصمیم گیری جهت مسائل مربوط به تخصیص سرمایه استفاده کرد.
یکی از نقاط قوت SPP این است که از نتایج کسب شده ی حاصل از آزمایشات سنجش عملکرد سیستم معاملاتی می توان برای یک برنامه ریزی واقع بینانه تربر مبنای احتمالات استفاده کرد.
بر خلاف روش های نمونه گیری تصادفی مانند بوت استرپ یا مونت کارلو (MCP) ، نتایج حاصل از آزمایش های مختلف پس از به کار گیری تغییرات تصادفی در SPP از مجموعه ای از قوانین ورود و خروج کمی متنوع تر بر روی داده های واقعی بازار استفاده می شود که در آن سیگنال های خرید و فروش با استفاده از نمونه های شبیه سازی شده ی واقعی ارزیابی می شوند.
در واقع ، SPP جنبه هایی از سیستم معاملاتی را بررسی می کند که ممکن است در معاملات واقعی باآن برخورد کنیم اما در شبیه سازی از دید ما پنهان مانده اند.
برای روشن تر شدن مفهوم SPP مثالی می آوریم که در آن از سیستم معاملاتی مبتنی بر حرکت نسبی(relative momentum ) استفاده شده است. پس از انجام بهینه سازی سنتی و سنجش همزمان اعتبار این سیستم معاملاتی ، از SPP برای بدست آوردن عملکرد سیستم معاملاتی در بلند مدت و کوتاه مدت استفاده می کنیم تا با روش سنتی مقایسه شود.
این آزمایش نشان می دهد که در مقایسه با اعتبار سنجی استاندارد یعنی به کار گیری فضای خارج از نمونه (OOS) ، SPP اطلاعات بسیار بیشتری را در اختیار معامله گر قرار می دهد.به این ترتیب که SPP با استفاده از تمام داده های موجود درگذشته ی بازار ، نتایج نمونه گیری بلندمدت و کوتاه مدت از معیارهای سیستم را ایجاد می کند در حالی که اعتبار سنجی همزمان به روش OOS تنها برآورد نقطه ای را در زیر مجموعه ای از داده های تاریخی بازار ارائه می دهد. SPP تصمیم گیری درست راامکان پذیر می کند در حالی که روش OOS در نهایت معامله گر را در دوراهی تصمیمات دوگانه ی برنده یا بازنده رها میکندو به این ترتیب شکست اجتناب ناپذیر خواهد بود. به همین دلیل SPP درک بسیار عمیق تری از چگونگی عملکرد سیستم معاملاتی به دست می دهد.
پس از اعمال آزمون بر مبنای روش SPP بر روی سیستم معاملاتی مبتنی بر حرکت نسبی(relative momentum ) خود به این نتیجه می رسیم که این سیستم در دراز مدت در صورت استفاده از روش خرید یک سهم و نگهداری آن(buy-and-hold) به سودآوری خوبی می رسد . با این حال ، تجزیه و تحلیل احتمالی SPP کوتاه مدت و بدترین حالت نشان می دهد که برای دستیابی به نتایج مناسب در طولانی مدت ، معامله گر باید بتواند که ضررهای کوچک یا رکود موقتی نتایج معاملات را بپذیرد. حال با استفاده از این اطلاعات ، تصمیم گیری برای سنجش حدودی میزان سرمایه ی مورد نیاز برای این سیستم معاملاتی انجام می شود.
این مقاله با یک سری نتایج کلیدی به پایان می رسد. در نهایت نقطه قوت SPP سادگی آن، سهولت در اجرا و واقع گرایی است. نویسنده امیدوار است که SPP از طریق ایجاد درک عمیق تر از شیوه ی کار سیستم معاملاتی وی و ارائه ی دیدگاهی واقعی تر از نتایج در آینده، به خواننده کمک کند تا شانس موفقیت خود را در معاملات خود در بازارها بیشتر کند.

۱- مقدمه

معامله گران معمولا قبل از در معرض خطر قرار دادن سرمایه شان ،برای برآورد و درک دقیق میزان سودآوری و ریسک های احتمالی مورد انتظار از یک سیستم معاملاتی از شبیه سازی داده های گذشته ی هر بازار استفاده می کنند.
متأسفانه ، بسیاری از معامله گران از عملکرد ضعیف سیستم معاملاتی شان که طبق انتظارمانند مراحل تست جواب نمی دهد ناامید می شوند چرا که بیش از حد به نتایج خوش بینانه ای رسیده بودند.
دلیل اصلی و اساسی به وجود آمدن کج فهمی و انتظارات بیش از حد خوش بینانه که تا حد زیادی دست کم گرفته می شود ، همان داده کاوی (DMB) است.
حتی اگر بدانیم که DMB نقش زیادی در بدست آمدن نتایج اشتباه یا انتظارات خلاف واقع در شبیه سازی بر اساس داده های گذشته ی بازار ها می گذارد ، اکثر معامله گران و تحلیل گران سطح متوسط بازارها تقریبا تنها به همین ابزارهای موجود ناکارآمد و ابتدایی دسترسی دارند. ابزارهای پیشرفته تر موجود در دسترس دانشگاهیان و متخصصان کمی است و کار با آنها برای اکثر توسعه دهندگان سطح متوسط سیستم های خرید و فروش بسیار پیچیده و سخت است. این مقاله با معرفی سیستم جایگزینی پارامترها (SPP) سعی در حل این مشکل دارد.با کمک SPP ، معامله گر سطح متوسط به یک ابزار ساده و در عین حال قدرتمند مجهز می شود تا به طور موثر تعصب نسبت به داده کاوی را کاهش دهد و با دقت بیشتری عملکرد سیستم تجاری را در آینده تخمین بزند.
با همه ی این تفاسیر قدرت SPP فراتر از کاهش تعصب نسبت به داده کاوی است. SPP جنبه های متفاوت سیستم معاملاتی را به دلیل تعامل قوانین سیستم ، اثرات نمونه کارها و داده های بازار بررسی می کند ،کاری که روش های دیگر نمی توانند بکنند. بنابراین SPP درکسب فهم بسیار عمیق تر از سود و زیان احتمالی قبل از تخصیص سرمایه به یک سیستم معاملاتی کمک می کند.

۲- الزامات پایه ، تعاریف و روش ها

تنها شرط استفاده از SPP همان طور که در این مقاله تعریف شده این است که سیستم تجاری باید کاملاً مبتنی بر قوانین باشد و در طی فرایند توسعه از پارامترهای بهینه شده استفاده کرده باشد.
فراهم بودن این الزامات ضروری است زیرا SPP از فرآیند بهینه سازی پارامترها و داده های مربوط به آنها استفاده می کند. بدین ترتیب SPP بیشترین کاربرد را در سیستم های معاملاتی مبتنی بر تجزیه و تحلیل تکنیکال دارد.
در این مقاله بسیاراز تعاریف و روشهای زیر استفاده شده است:
سیستم معاملات عددی: یک سیستم معاملاتی تعریف شده با واضح ، بدون ابهام و دارای قوانین کامل ورود و خروج که می تواند به صورت ماشینی کدگذاری شود. نتایج یک سیستم تجارت کمی را می توان به طور مستقل تولید و تأیید کرد. در این مقاله ذکرنام هرگونه اصطلاح سیستم تجاری حاکی از عددی بودن آن است.
سیستم تجاری مورد استفاده در این آزمایش long only است ، به این معنی که اصلا Short یا حتی معکوس(inverse) ندارد ,
از ETF ها برای انجام معاملات استفاده شده است. در مباحث مربوط به شبیه سازی معاملات بر روی داده های تاریخی ، استفاده ار سیستم های long only بسیار شایع است.
در این سری تست های انجام شده در مورد امکان وام گرفتن ، بازپرداخت سهام(callbacks) ، سود سهام پرداخت شده (dividend) و نرخ بهره ،پرداخت شده و از سود معاملات کسر شده است. سیستم تجاری مورد آزمایش ما بر اساس تحقیقات منتشر شده ی رسمی و با استفاده از شبیه سازی نمونه های واقع بینانه ی میزان مارجین ، اولویت بندی سیگنال های تجاری ، اندازه ی پوزیشن ها و محدودیت های موجود در پورتفولیو شبیه سازی شده است.

شاخص های معاملاتی:

در این آزمایشات در مجموع از ده ETF استفاده شده که شامل موارد زیر است:
SPDR S&P 500 ETF (SPY),
Russell 2000 ETF (IWM),
MSCI Emerging Markets ETF (EEM) ,
Core S&P Mid-Cap ETF (IJH),
QQQ ETF (QQQ),
SPDR Gold Shares ETF(GLD) ,
MSCI EAFE ETF (EFA),
۲۰+ Year Treasury Bond ETF (TLT),
US Real Estate ETF (IYR),
۱-۳ Year Treasury Bond ETF(SHY).

این ETF ها به این دلیل انتخاب شده اند که نقد شونده ترین ETF ها هستند که بیشتردسته های مختلف از انواع دارایی ها را پوشش می دهند.
تایم فریم داده های گذشته ی بازار جهت شبیه سازی:
دوره شبیه سازی تاریخی سیستم معاملات برای این تجزیه و تحلیل از ۱۱/۱۹/۲۰۰۵ آغاز می شود و در ۳۱/۵/۲۰۱۳ به پایان می رسد. تاریخ شروع دیتای گذشته ی بازار برای همه ی ETF های انتخاب شده یک سال قبل تر از ایجاد اولین سیگنال ورود تقریباً فراهم شده تا داده های تاریخی لازم را داشته باشد.

داده های ورودی:

برای تامین داده های OHLC روزانه ی بازار از داده های کمپانی Norgate Premium Data استفاده شده و قابلیت تقسیم بندی و تنظیم دارند.
برای پیش گیری از تحریف غیر خطی احتمالی بوجود آمده از نتایج حاصل از سیگنال های معاملاتی مبتنی برآن دسته از شاخص هایی که در تحلیل تکنیکال از درصد استفاده می کنند سود dividend ها را در نظر نمی گیریم. برای اینکه هرچه بیشتر واقع بین باشیم ، از اطلاعات سود سهام تاریخی یاهو استفاده شده است! مالیات و پرداخت های نقدی سود dividend در تاریخ سررسید تقسیم سود ، در محاسبات پورتفو در نظر گرفته شده است.

حق العمل ها و هزینه های معاملاتی:

۰٫۰۱ دلار برای هر سهم به عنوان کمیسیون در هر معامله و همچنین ۰٫۰۵٪ در هر طرف معامله به عنوان slippage برآورد شد و مد نظر قرار گرفت.
هر جا که نیاز شده ، نرخ روزانه ی مارجین از فرمول ۱٫۵٪ به اضافه ی نرخ روزانه ی صندوق های سرمایه گذاری فدرال ۲ که در طول شبیه سازی بین ۰٫۰۴٪ و ۵٫۴۱٪ متغیر است،از نتایج کسر می شود.
داده ها برای نرخ روز صندوق های سرمایه گذاری فدرال از وب سایت عمومی بانک فدرال رزرو نیویورک گرفته شده است. همه ی انواع سفارشات مورد استفاده Market-On-Open ، Market-On-Close یا Market-On-Stop بود. بنابراین هزینه ها و slippage ها شبیه به آنچه ممکن است یک معامله گر انتظار داشته باشد با آن برخورد کند ، مدلسازی شدند.

داده های خروجی:

چهار معیار مختلف سیستم ارزیابی شد:
۱) سود سالانه ی مرکب به علاوه ی dividend ،
۲) حداکثر سقوط ،
۳) نسبت اطلاعات سالانه (در مقابل dividend SPY ETF)
۴) انحراف معیار سالانه ی بازده روزانه.
برای اعتبارسنجی شبیه سازی در گذشته ی بازار ، آزمایش سنتی خارج از نمونه (OOS) برای مقایسه با روش تخمین عملکرد SPP مورد بحث در این مقاله استفاده شد.
در آزمایش OOS ، داده های بازار به ۸۰٪ training و ۲۰٪ validation تقسیم شده است ، که مجموعه ی validation شامل جدیدترین داده ها است.

۳- تعصب در داده کاوی

بسیاری از معامله گران با این ایده آشنا هستند که عملکرد سیستم تجاری در آینده احتمالاً بدتر از آنچه در شبیه سازی تاریخی دیده شده است ، می شود. با این حال ، ریشه های این عملکرد نامطلوب اغلب هنوز به خوبی درک نشده اند. یکی از دلایل عمده آن DMB است که با نام های دیگری از جمله تناسب با منحنی (curve-fitting) ، پردازش بیش از حد(over-fitting) ، جستجوی داده(data snooping) یا بهینه سازی بیش از حد(over-optimization) نیز شناخته می شود.
DMB در فرآیند معمول درونی توسعه ی سیستم خرید و فروش به کار گرفته شده است و هنوز تا حد زیادی ناشناخته است و باعث ایجاد سوء تفاهم میگردد و یا نادیده گرفته می شود.
این مورد ممکن است برای معامله گران خرده فروشی با دانش محدود در مورد آمار قابل درک نباشد.
توجه داشته باشید که بیلی و همکارانش در سال ۲۰۱۳ اثبات کردند که نشریات حرفه ای ممکن است اثرات DMB را نادیده بگیرند یا به آنها توجه می کنند. متأسفانه نادیده گرفتن این مسئله نتیجه ای را که منجر به عدم موفقیت سیستم معاملاتی در عملکرد خوب مربوط به شبیه سازی گذشته ی بازار یا بدتر از آن در معاملات زنده می شود را از بین نمی برد.

ربات معامله گر بورس چیست؟

۳٫۱- درک سوگیری داده کاوی

برای درک DMB ، ابتدا باید دو خصوصیت آن را که با روند توسعه سیستم های ماملاتی به شکل ذاتی همراه هستند را بشناسید:
اولی تصادفی بودن و دومی چندگانگی.
اثر تصادفی بودن و فرآیند جستجو منحصر به قوانین سیستم ارزیابی و داده های تاریخی بازار است و منجر به نتایج پر بازده می شود.
اولین خصیصه ی DMB یعنی تصادفی بودن ، به معنی مولفه ی حرکات تصادفی (random walk) داده های بازار است.
در هر سری از معاملات ، نتایج بدست آمده از عمل کردن بر اساس قوانین سیستم معاملاتی که بر روی مولفه ی حرکات تصادفی کار می کنند به یک اندازه مطلوب (خوش شانسی) یا نامطلوب (بدشانسی) می باشد. بنابراین نتایج عملکرد سیستم معاملاتی درنهایت دو فاکتور نسبتا ناشناخته را درخود دارد: مرز های طبیعی (inherent edge)و شانس.
دوره های خوش شانسی و بدشانسی باعث ایجاد تغییراتی در نتایج عملکرد طولانی مدت به دلیل وجود برتری(edge) در سیستم می شود.
پیش شرط دوم DMB مقایسه و انتخاب چندگانه ذاتی فرآیند معمول توسعه سیستم است.
در هر مرحله از توسعه ، قوانین و پارامترهایی از سیستم معاملاتی که بهترین عملکرد را دارند از نتایج شبیه سازی تاریخی انتخاب می شوند.
این فرآیند انتخاب به عنوان داده کاوی شناخته می شود.
به دلیل وجود مولفه ی تصادفی در بدست آمدن نتایج اندازه گیری ، قوانین انتخاب شده مسلما از فاکتور خوش شانسی استفاده کرده اند. با افزایش تعداد ترکیبات آزمایش شده احتمال این که کسب نتیجه ی مطلوب فقط به دلیل شانس باشد ، افزایش می یابد.
تقریباً همه پلتفرم های توسعه و طراحی سیستم های خرید و فروش از انواع مختلف الگوریتم های بهینه سازی جستجو استفاده می کنند و بنابراین توسعه دهنده را ، شاید ناآگاهانه ، به سمت داده کاوی سوق می دهند. مشکل ما دراینجا با خود روند داده کاوی برای یافتن بهترین سیستم معاملاتی با عملکرد مناسب نیست. در تلاش برای یافتن بهترین قوانین ورود یا خروج و بهترین ترکیب پارامترها برای رسیدن به اهداف مد نظر معامله گر داده کاوی یک روند طبیعی و شهودی است. در حقیقت ، طبق نظر آرونسون (۲۰۰۷) داده کاوی به هنگام استفاده از تجزیه و تحلیل تکنیکال “بهترین روش کسب دانش” است. مشکل اصلی عدم توجه به این است که نتایج حاصل از تست قوانین سیستم معاملاتی انتخاب شده ی ما به صورت شانسی بهتر نشان داده می شوند و احتمالاً همان میزان خوش شانسی در آینده تکرار نخواهد شد. در واقع ، قانون آماری بازگشت به میانگین نشانگر این است که در شبیه سازی داده های تاریخی به طور پراکنده سیستم تستینگ به دنبال نتایج و عملکردی نزدیک و شبیه به سطح ناشناخته و طولانی مدت برتری ذاتی است. این مورد در شکل ۱ نشان داده شده است.

شکل ۱: تأثیر شانس بر نتایج معاملات

سیستم معاملاتی خود ر ا بشناسید

۳٫۲- پیامدهای جهت گیری در داده کاوی

DMB دو پیامد دارد: اولی نتایج بدست آمده ی بهتر و دومی کارایی نداشتن این نتایج در انجام استنباط آماری درست با استفاده از روش های استاندارد.
هر دو پیامد می تواند منجر به تصمیم گیری های نادرست شوند.
یک سوال منطقی این است که بزرگی DMB تا چه اندازه می تواند باشد.
اگرچه مقدار DMB به قوانین سیستم معاملاتی و روش های تجزیه و تحلیل بکار گرفته شده در آن وبه داده های بازار ربط دارد ، اما این میزان می تواند بسیار بزرگ باشد. آرونسون (۲۰۰۷) دریافت که میزان بازده سالانه مورد نیاز برای غلبه بر DMB برای ۶۴۰۲ داده ی استخراج شده ی تاریخی شاخص S & P500 طی ۲۵ سال گذشته ، تقریباً ۱۵٪ در سطح α = ۰٫۰۵ معنی دار است و هیچ یک از موارد بررسی شده ی دیگر از نظر آماری حائز اهمیت نبودند.
به علاوه ، تلاش برای آزمایش دقت سنجی آماری نتایج حاصله با استفاده از روشهای استنباط آماری استاندارد ، هنگامی که داده ها دارای خطای سیستماتیک باشند معتبر نیست (چرا که DMB یک خطای سیستماتیک است).
استنباط آماری واقعی در زمینه داده کاوی نیاز به استفاده از فضای نمونه ای دارد که شامل اثر خوش شانسی هم باشد.

۳٫۳- کاهش تعصب داده کاوی

سوگیری و تعصب در داده کاوی یک مسئله ی سیستماتیک است و در ذات فرآیند معمولی توسعه ی سیستم ، مخفی است.
DMB را نمی توان با ارزیابی از طریق “بهترین” معیارهای عملکرد سیستم معاملاتی و یا با انجام یک شبیه سازی داده های تاریخی “عالی” کاهش داد . یعنی با اضافه کردن هزینه ی معاملات مدل شده به طور صحیح ، داده های بازار دقیق تنظیم شده ، عدم تعصب نگاه به جلو(no look-ahead bias) ، عدم تعصب ادراکی (no hindsight bias) ، عدم تعصب بقا (no survivorship bias)، اثرات مربوط به مدل سازی و تشکیل پورتفو ، در نظر گرفته شده موارد احتمالی وحذف ایرادات سهوی ، و غیره نمی توان انتظار داشت که DMB کم شود. تنها روشهای مناسب برای برآورد نحوه ی عملکرد یا ارزش آزمون DMB ، روشهایی هستند که خطای سیستماتیک را در نظر بگیرند.
یکی از این روش ها برآورد عملکرد و انجام تست بر روی یک نمونه از داده های مستقل است که به طور موثر عملکرد سیستم را پس از بازگشت به میانگین نتایج بررسی می کند. این روش به اعتبارسنجی میانه (cross-validation) معروف است.
روش دیگری برای سنجش اعتبار آزمایش ها ایجاد فضای نمونه ای است که در آن از حداکثر امکانات برای نشان دادن نقشی که خوش شانسی در داده کاوی بازی می کند استفاده شود. این ازمون به نام “ضد سوگیری” شناخته می شود. روش دیگر محاسبه ی ضریب تقلیل قیمتها برای سوگیری در داده کاوی است که برروی معیارهای نتایج آزمون های انجام شده به کار گرفته می شود. آرونسون (۲۰۰۷) هر یک از این روش ها را با جزئیات توضیح می دهد. نقاط قوت و ضعف کلیدی هر یک در جدول ۱ خلاصه شده است.

جدول ۱: مقایسه ی روشهای کاهش DMB

[TS_Advanced_Tables id=”46″]

۴- جایگزینی پارامترهای سیستم معاملاتی(SPP)

هر یک از روش های کاهش DMB که در بخش قبلی شرح داده شد، دارای محدودیت ها یا پیچیدگی های خاصی است. این بخش یک روش دیگر به نام جایگزینی پارامترهای سیستم معاملاتی (System Parameter Permutation) را ارائه می دهد.
SPP ابزاری عملی برای برآورد عملکرد سیستم تجارت و همچنین تست اهمیت آماری ارائه می دهد. SPP مشمول تعصب داده کاوی نیست و از رویکردهای بهینه سازی سیستم معاملاتی استاندارد که از قبل در نرم افزارهای توسعه ی سیستم های معاملاتی موجود است در آن استفاده می شود. به هر ترتیب SPP بسیار بیشتر از هر روشی برای کاهش DMB امکانات فراهم می کند.
SPP معامله گر را قادر می سازد تا به طور عینی این دو مورد راتعیین کند:
۱) عملکرد برتری ذاتی که در بلند مدت انتظار می رود.
۲) بدترین عملکرد مورد انتظار در کوتاه مدت.
با استفاده از این اطلاعات ، معامله گر می تواند براساس این داده ها تصمیم بگیرد که آیا سرمایه ای را به سیستم معاملاتی خود اختصاص دهد وآیا باید فعالانه معامله کند؟ ،یا آیا سیستم خراب است باید خرید و فروش را متوقف کند؟

۴٫۱- تعریف تغییر پارامتر سیستم

به زبان ساده ،در اصطلاح ، SPP یعنی تولید نتایج دریک فضای نمونه از عملکرد عددی سیستم با در نظر گرفتن فرایند بهینه سازی سیستم معاملاتی .
هر نقطه ی حاصله در یک نمودارنتایج بدست آمده ، نتیجه ی شبیه سازی معاملات بر روی داده های تاریخی بازار است که به طور دقیق اثرات پورتفو را مدل سازی می کند. با استفاده از روش توزیع در فضای شبیه سازی شده ی نمونه ، معامله گر قادر است یک سیستم معاملاتی را بر اساس هر متغیر عددی دل خواهی ارزیابی کند. پس از آن SPP از آمار توصیفی توزیع نمونه برداری برای رسیدن به نتایج و اندازه گیری های آماری استفاده می کند. برعکس روش بهینه سازی استاندارد ، SPP به همین سادگی ها بهترین پارامترهای به کار رفته در سیستم معاملاتی را انتخاب نمی کند بلکه از تمام داده های به کارگرفته شده ی موجود برای هر یک از مجموعه پارامترهای ارزیابی شده در هنگام بهینه سازی استفاده می کند. SPP از تمام اطلاعات موجود استفاده می کند، در حالی که بهینه سازی سنتی مجموعه پارامترها با بهترین عملکرد را انتخاب می کند و بقیه را رها می کند.

شکل ۲ این تفاوت را نشان می دهد.
شکل ۲: SPP در مقایسه با بهینه سازی سنتی

سیستم معاملاتی خود ر ا بشناسید

برای هر یک از متغیر های به کار رفته در سیستم معاملاتی مورد نظر ، خروجی SPP یک نمودارتوزیع نمونه ی شبیه سازی شده است که شامل نتایج خرید و فروش با استفاده از تمام ترکیبات مختلف عددی و پارامتریک به کار رفته در سیستم معاملاتی است که در آن میانگین به عنوان بهترین برآورد عملکرد واقعی سیستم معاملاتی در نظر گرفته شده است. این نتایج بسیار متفاوت از اعتبار سنجی متقابل یا روش عدم سوگیری در داده کاوی است که از یک توالی یکسان در خرید و فروش ها برای تخمین عملکرد سیستم معاملاتی جهت رسیدن به نتایج آزمایش در آنها استفاده می شود.
به دلایل مختلف زیر از نتایج عملکرد میانه به عنوان بهترین نتایج برای برآورد تخمین عملکرد سیستم در آینده استفاده می شود:
۱) اعداد میانه، تحت تاثیر تعصب داده کاوی نیستند زیرا هیچ انتخابی در کار نبوده است.
۲) هیچ فرضی از شکل نتایج توزیع مورد نیاز نیست.
۳) میانه در هنگام به کار گیری مقادیر عددی دورتر، مقاوم و مستحکم تر است.
۴٫۲ مراحل جایگزینی پارامتر های سیستم معاملاتی
به منظور رسیدن به نتایج توزیع هایی از معیارهای عملکرد سیستم معاملاتی در فضای نمونه ، تعدادی از محدوده های پارامتریک که از آنها انتظار می رود با جایگزینی یا تغییرشان ،سیستم معاملاتی عملکردی بهتر داشته باشد ، از پیش درمرحله ی آماده سازی ، جهت بهینه سازی تعیین می شود. روش های انتخاب دامنه ی پارامترها و نقطه نظرات مربوط به این بحث خارج از محدوده ی موار مطرح شده در این مقاله است. با این وجود برای تحقیقات بیشتر در مورد این مباحث پیشنهاد می شود به تحقیقات و مقالات کافمن (۲۰۱۳) و پاردو (۲۰۰۸) مراجعه کنید.
SPP این مراحل کلی را دنبال می کند:
۱) دامنه های اولیه جهت بررسی پارامترها برای سیستم معاملاتی توسط طراح و توسعه دهنده ی سیستم معاملاتی تعیین می شوند.
۲) هر بازه از پارامتر به تعدادی مشخص از نقاط مورد مشاهده تقسیم می شود (مقادیر خاص پارامتر).
۳) بهینه سازی کامل (تمام ترکیبات ممکن برای تغییرات مقدار پارامترها) با کمک شبیه سازی روی داده های تاریخی واقعی مبتنی بر پورتفو در دوره ی زمانی انتخاب شده انجام می شود.
۴) نتایج شبیه سازی شده برای هر یک از اجزای گوناگون سیستم برای بدست آمدن یک نتیجه ی توزیع برداری برای هریک از معیارهای عملکرد مورد نظر (به عنوان مثال CAR ، drawdown,Sharpe ratio و غیره) با هم ترکیب می شوند.
هر نقطه از یک نمودار نتایج حاصل از تاثیراجرای یکی انواع معیارهای موجود در سیستم معاملاتی است که به صورت یکسان روی داده های تاریخی شبیه سازی شده است .

شکل ۳: مراحل کلی جایگزینی پارامترهای سیستم معاملاتی

سیستم معاملاتی خود ر ا بشناسید

شکل ۳ روند کار را نشان می دهد. در این شکل، توزیع های فضای نمونه ی برداری برای چهار معیارعملکرد در تصویر نشان داده شده است. معامله گران می توانند تعداد مشخصی از معیارهای عملکرد ویژه را برای اهداف پژوهشی خاص خود انتخاب کنند. تابع توزیع تجمیعی (CDF) برای هر یک از معیارها ممکن است مستقیماً مورد بررسی قرار گیرد و برای تخمین عملکرد و استنباط آماری استفاده شود. باید مراقب باشید تا برای اطمینان از عدم ایجاد سوگیری و تعصب در نتیجه ی SPP ، محدوده های بررسی پارامترها را به شکلی آگاهانه از قبل انتخاب کنید. اگر SPP چندین بار با تغییر دامنه ی بررسی پارامترها تکرار شود تا نتیجه بهتری حاصل شود ،ایرادات داده کاوی در کار است و ممکن است تخمین SPP مغرضانه شود. از آنجا که هدف ما از به کار گیری SPPپرهیز از سوگیری است ، بنابراین چنین رویکردی نتیجه ای منفی در برخواهد داشت. بنابراین بسیار مهم است که توسعه دهنده یا طراح سیستم معاملاتی با توجه به این نکته ، فرایند توسعه ی سیستم معاملاتی را شروع کند.

۴٫۲٫۱- برآورد SPP از عملکرد سیستم تجاری در بلندمدت

معامله گر همواره به دنبال پاسخ دادن به این سوال است: “برآورد معقول برای عملکرد برتری های سیستم معاملاتی در بلند مدت کجاهاست؟”SPP می تواند به شکلی موثر به این سوال پاسخ دهد.
برای رسیدن به نتایج کار در طولانی مدت ، توزیع های فضای نمونه گیری با استفاده از تمام داده های موجود در بازار به شرح بالا ایجاد می شوند. استفاده ی هرچه بیشتر از تمام داده های موجود در بازار بهترین تقریب را دراز مدت امکان پذیر می سازد ، بنابراین هرچه اطلاعات تاریخی بازار بیشتر باشد ، نتایج دقیق تری حاصل می شود. برای هر معیار عملکرد مورد نظر ، از مقدار متوسط به عنوان بهترین برآورد عملکرد بی طرف استفاده می شود. معامله گر همچنین ممکن است بخواهد که اهمیت آماری برآورد نتایج SPP را در بلند مدت از نظر بازده مطلق(absolute return) یا نسبت به معیار(relative to a benchmark) آزمایش کند.
از آنجا که SPP توزیع های نمونه گیری دقیق و کاملی را ایجاد می کند ، مقادیر p و برآورد سطح اطمینان ممکن است مستقیماً از CDF مشاهده شود ، همان طور که در شکل ۴ نشان داده شده است.

مبانی الگوتریدینگ پیشرفته (۳) : طراحی دستی

شکل ۴: استفاده از عملکرد توزیع تجمعی برای استنباط آماری

سیستم معاملاتی خود ر ا بشناسید

مثال شکل ۴ نشان می دهد که در ۹۵٪ موارد ، مقدار واقعی در فاصله ای بالاتر از سطح ۵٪ سود مرکب سالانه (CAR) قرار گرفته است. این بدین معنی است که اندازه ی p برابر با ۰٫۰۵ است. بسته به اهدافی که مد نظر معامله گر است ، این عدد ممکن است رضایت بخش باشد یا نباشد. اگر معامله گر علاقه مند به عملکردی بهتراز این، مثلا با معیار ۱۰٪ باشد ، این تصویر کمی متفاوت تر خواهد بود. فقط در ۵۹٪ موارد ، مقدار عدد واقعی به دست آمده در بازه ای بالاتر از بازده ی معیار قرار گرفته است. این از نظر آماری به هیچ وجه قابل توجه نیست.

۴٫۲٫۲- برآورد عملکرد در کوتاه مدت و تجزیه و تحلیل بدترین حالت احتمالی

هرچند برآورد نتایج بلند مدت نشان می دهد که چه انتظاراتی از برتری سیستم معاملاتی در دراز مدت انتظار می رود ، اما ممکن است تغییرات کوتاه مدت نیز قابل توجه باشند. بنابراین ، معامله گر همچنین مایل است به این سوال نیز پاسخ دهد که: “برای دستیابی به این نتایج احتمالی در بلند مدت ، چه شرایط احتمالی بدتری را باید درکوتاه مدت تحمل کرد؟”هنگامی که دوره ی مالی کوتاه مدت مشخص شد ، SPP می تواند به طور موثر به این سوال پاسخ دهد.
زمان دوره ی مالی کوتاه مدت به ترجیحات و روانشناسی معامله گر ویا مشتریان و سرمایه گذاران بستگی دارد.در تحقیقات چخلوف و همکارانش (۲۰۰۳) اشاره شده که مدت زمان معمول برای برداشت از حساب هایی که توسط مدیران حساب مدیریت می شوند از یک تا دو سال است. در هر صورت ، معامله گر باید زمان دوره ی مالی کوتاه مدت را متناسب با اهداف تجاری تعیین کند. به طور کلی ، دوره های مالی کوتاه مدت دارای بازه ی عملکردی و گستره ی نتایج وسیع تری هستند.
مراحل زیر نحوه ی انجام SPP را برای مدت زمان کوتاه توضیح می دهد:
۱) تمام داده های تاریخی موجود بازار به بخش هایی تقسیم می شوند که طول آنها با مدت زمان کوتاه مدت برابر است(t). بسته به بازه ی زمانی سیگنال های معاملاتی ، هر بلوک زمانی ممکن است با بلوک زمانی قبلی هم پوشانی داشته باشد.
(مانند هر ماه در یک سال یا هر ساعت در یک روز). این منجر به مشخص شدن تعداد بلوک های زمانی می شود(m).
۲) مراحل ۱-۴ روند کلی SPP بر روی تمام بلوک های زمانی به طور مجزا انجام می شود. بنابراین اگر سیستمی ترکیبی از مقادیر پارامتر را داشته باشد ، در کل جایگزینی های بهینه سازی برای ایجاد و رسیدن به نتایج توزیع های نمونه برداری برای هر معیار عملکرد مورد نظر در بازه ی زمانی کوتاه مدت انتخاب شده ، در یک دوره ی زمانی بلند مدت انجام می شود.
شکل ۵ چگونگی روند این کار را نشان می دهد. باز هم ، نتایج توزیع در فضای نمونه برای چهار معیار عملکرد درتصویر نشان داده شده است. معامله گران می توانند تعداد مشخصی از معیارهای عملکرد خاص را برای اهداف خاص خود انتخاب کنند.

شکل ۵: شیوه ی کار SPP برای برآورد عملکرد در کوتاه مدت

سیستم معاملاتی خود ر ا بشناسید

توزیع های نمونه برداری حاصل از این فرآیند هر یک شامل نمونه های مستقل بیشتری با درجه تنوعی بالاتر از آن است که از روش فرآیند تخمین عملکرد بلند مدت SPP تولید شده است. با این حال هرفضای نمونه، متشکل از شبیه سازی یک بازه ی زمانی کوتاه تر است و بنابراین تعداد معاملات بسته شده ی موجود در هرفضای نمونه ی مستقل ، کمتر است. با معاملات بسته شده ی کمتر در هرفضای نمونه ، میزان خطای استاندارد مرتبط با هر فضای نمونه ی مستقل افزایش می یابد. با افزایش خطای استاندارد در هر نمونه ،میزان تغییرات در توزیع در هر فضای نمونه نیز افزایش می یابد.این افزایش تنوع را می توان در توابع چگالی احتمال مربوطه مشاهده کرد ، همان طور که در شکل ۶ نشان داده شده است.

شکل ۶: افزایش تنوع در عملکرد کوتاه مدت

سیستم معاملاتی خود ر ا بشناسید

با مشخص شدن نتایج توزیع ها در فضای نمونه، معامله گر ممکن است حالا راحت تر تصمیمی احتمالی و مبتنی بر اطلاعات اتخاذ کند که آیا اصلا می خواهد سرمایه را روی سیستم معاملاتی این چنین ریسک کند یا خیر. برای این کار ، معامله گر میزان احتمالی را که تعیین می کند بسیار دور تر از حد انتظار اما قابل تحمل به عنوان بدترین حالت خود در نظر می گیرد. (سطح معمول ۵٪ یا ۱٪ است). مجددا، ممکن است معامله گر بدترین حالت را از نظر سطح مطلوب اما قابل تحمل عملکرد تعیین کند. چه احتمال وچه سطح عملکرد بدترین حالت انتخاب شود ، CDF معیارهای انتخاب سیستم کوتاه مدت، مانند شکل ۷ بررسی می شوند. اگر معامله گر یا سرمایه گذارتوان تحمل بدترین شرایط احتمالی را نداشته باشد ، نباید سرمایه ای را به این سیستم معاملاتی اختصاص دهد

شکل ۷: ارزیابی “احتمال بدترین حالت”.

سیستم معاملاتی خود ر ا بشناسید

مثال آورده شده در شکل ۷ نشان می دهد که اگر معامله گر در بازه ی زمانی کوتاه مدت انتخاب شده ، ۵٪ از بازده ی سالانه یعنی ۵٫۵۱٪- را نتواند تحمل کند ، این سیستم معاملاتی نباید مورد استفاده قرار گیرد.
اگر شرایط بدترین حالت برای سرمایه گذارقابل تحمل باشد و سرمایه به سیستم تجارت اختصاص یابد ، از روی همان متفاوت ترین حالت یا حالت های احتمالی یا سطوح نتایج عملکرد ممکن است برای تعیین “خراب بودن” سیستم معاملاتی و یا “درست بودن” آن وتعیین زمان توقف معامله گری با این سیستم معاملاتی استفاده شود.
تصمیم گیری جهت توقف معامله گری سیستم باید با توجه به زمان دوره ی انتخابی کوتاه مدت اتخاذ شود. بنابراین مثلا اگر یک سال به عنوان دوره ی کوتاه مدت انتخاب شده است ، تصمیم گیری در مورد توقف ، فقط باید پس از یک سال انجام شود. بازهم با استفاده از مثال موجود در شکل ۷ ، اگر عملکرد بدتر از ۵۱/۵٪- در طی یک سال معامله بدتر باشد ، معامله گر ممکن است تصمیم بگیرد که انجام معاملات با این سیستم معاملاتی را متوقف کند زیرا شرایط پیشین در بدترین حالت نقض شده است. از هر تایم فریم یا احتمالی ممکن است در این تصمیم گیری استفاده شود. بنابراین SPP معامله گر را قادر می سازد تا روشی عینی برای کنترل ریسک را به برنامه معاملاتی خود اضافه کند.

۴٫۳- چرا جایگزینی پارامترهای سیستم معاملاتی موثر است؟

با استفاده از بهینه سازی سنتی ، تمام نتایج عملکرد سیستم معاملاتی از یک سری ازبهترین معاملات انتخاب شده در طی فرآیند بهینه سازی حاصل می شوند. به منظور ایجاد توزیع احتمالی ، معمولاً از روشهای تصادفی سازی با استفاده از نمونه برداری مجدد مانند bootstrap یا (Monte Carlo Permutation (MCP استفاده می شود.
چندین فرض مشکل ساز وجود دارد که با روش های نمونه برداری مجدد انجام می شود اما دو مورد شان در اینجا مورد توجه خاص هستند:
۱) نتیجه ی یک شبیه سازی تاریخی ، نماینده ی توزیع نتایج تجارت در آینده است.
۲) نتایج معاملاتی در فضای نمونه دربازار واقعی به همراه اندازه ی پوزیشن ها به طور دقیق مدل سازی می شوند.
بحث تعصب و سو گیری در داده کاوی قبلاً نشان داد که فرض شماره یک مسئله ساز است. فرض شماره دو نیز مسئله ساز است. اثرات نتایج به کار گیری پورتفو مانند قدرت خرید ، همبستگی بین نماد ها و همبستگی خودکار احتمالاً اجازه نمی دهد برخی از نتایج تست عملکرد سیستم معاملاتی در فضای نمونه در معاملات واقعی بازار رخ دهند.
به همین ترتیب ، این نوع از تصادفی سازی معاملات ،نتایج اتفاقات تصادفی پیش نیامده را کشف نمی کند.
در توالی اصلی و تک نمونه معاملات ممکن است در شرایط کمی متفاوت تر اتفاق افتاده باشد. این یک نتیجه طبیعی از نمونه برداری تصادفی است. بر خلاف نمونه برداری تصادفی ،نتایج تغییرات تصادفی در SPP از به کار گیری مجموعه ای از قوانین ورود و خروج متنوع در داده های واقعی بازار ناشی می شود که در آن سیگنال های خرید و فروش با استفاده از نمونه های شبیه سازی شده ی واقعی ارزیابی می شوند. در واقع ، SPP جنبه هایی ازکارآیی سیستم معاملاتی را بررسی می کند که در معاملات واقعی امکان دارد هنوز پنهان مانده باشند .
SPP برآورد نتایج قابل اعتماد ترعملکرد سیستم معاملاتی را با استفاده ازموارد زیر امکان پذیر می کند:
۱) استفاده از قانون آماری تمایل به سمت میانگین.
۲) استخراج حداکثر اطلاعات از داده های موجود در بازار.
برای شماره ۱ ، استفاده از تعداد زیادی ترکیب مقادیر پارامترها و روشهای مختلفی که روشن شدن اثرات تصادفی بودن را ممکن است امکان پذیر کند ، کاملا بررسی می کند و بنابراین اثرات تمایل به سمت میانگین نتایج اماری را تخمین می زند.
برای شماره ۲ ، استفاده از تمام داده های ممکن موجود درگذشته ی بازار تضمین می کند که نتایج عملکرد حاوی کم ترین خطای استاندارد ممکن است و سیستم در معرض متنوع ترین شرایط ممکن بازار قرار گرفته است.
هر دو این موارد با جزئیات بیشتری مورد بررسی قرار می گیرند.
۴٫۳٫۱ چگونه SPP ازخاصیت تمایل به سمت میانگین داده ها ی آماری استفاده می کند:
در بهینه سازی سیستم ، تمایل به سمت میانگین نشان می دهد که ترکیبی خاص از مقادیر پارامترهای بهینه سازی شده که منجر به عملکرد ی عالی در شبیه سازی روی داده های گذشته ی بازار می شود ، احتمالاً در آینده نتایج خوب و عالی خود را حفظ نخواهند کرد.
بحث تعصب و سوگیری در داده کاوی نشان داد که عملکرد بسیار عالی با گذشت زمان به سمت متوسط تغییر می کند ، زیرا میزان تأثیر شانس با گذشت زمان تغییر می کند. بررسی چگونگی تأثیر شانس بر عملکرد انواع سیستم های معاملاتی بسیار آموزنده و جالب است. به طور کلی ، خوش شانسی شامل ترکیبی از پیش آمدن معاملات در حرکت های مطلوب بازار و جلوگیری از پیش آمدن معاملات درحرکت های نامطلوب بازار است. یکی از روشهای کسب نتایج موفق در عملکرد سیستم معاملاتی، تعامل پارامترها بر روی داده های بازار است.
مقادیر پارامترها، زمان دقیق سیگنال های ورود و خروج را کنترل می کنند. ترکیبی از پارامترها ممکن است مجموعه ای بسیار مناسب از سیگنالهای ورود و خروج را ایجاد کند در صورتی که سایر ترکیبات مشابه ممکن است سیگنالهای بسیار نامطلوبی را در همان داده های بازار تولید کنند.
SPP توزیع نتایج عملکرد آماری را از تعداد زیادی از اجراهای شبیه سازی شده ی تاریخی منفرد ایجاد می کند که از داده های بازار مشابهی برای ترکیبات مختلف مقادیر پارامتر استفاده می کنند. توزیع شامل نتایج حاصل از ترکیبات سیگنال گوناگون ورودی و خروجی بسیار متفاوت در طول شبیه سازی است. تأثیر تمایل به بازگشت به سمت میانگین به درجات مختلف با تعداد زیادی از نمونه ها ، بر روی توزیع نتایج عملکرد واریانس سیستم معاملاتی ، همان طور که در شکل ۸ در زیر نشان داده شده است ، مشاهده می شود.

شکل ۸: توزیع نمونه تهیه شده توسط SPP

سیستم معاملاتی خود ر ا بشناسید

شیوه ی دیگری که شانس بر عملکرد سیستم تأثیر می گذارد ، تعامل بین زمان سیگنال های ورود و خروج در بازار و اثرات نمونه کارها مانند قدرت خرید ، همبستگی بین نماد های بازار زنده و همبستگی خودکار است. همانطور که توسط Krawinkel (2011) نشان داده شده است ، معاملاتی که به طور تصادفی حذف می شوند می توانند تأثیر زیادی بر نتایج عملکرد سیستم داشته باشند. با این حال ، هنوز هم این پدیده تا حد زیادی ناشناخته است و در موردش و کاوشی نشده است. SPP با استفاده از روش توزیع نتایج عملکرد ، به طور کامل و واقع بینانه به بررسی این اثر می پردازد. درروش SPP ، یک ترکیب از مقادیر پارامتریک ممکن است مجموعه ی معینی از معاملات را در تحت تاثیر قراردهد در حالی که یک تغییر جزئی در مقادیر پارامتریک ، ممکن است معاملاتی را که حذف نشده اند و یا سایر معاملات قبلی که حذف شده اند را تحت تاثیر قراردهد. از طریق این تعامل ، SPP بر معاملاتی که به طور تصادفی حذف شده اند و یا آن دسته ای که در نظر گرفته شده اند نیز تاثیر می گذارد. باز هم در اینجا تأثیر تمایل و رگرسیون به سمت میانگین در درجات مختلف بر روی نمودار توزیع نتایج عملکرد دیده می شود.

۴٫۳٫۲- چگونه SPP حداکثر اطلاعات را از داده های موجود بازار استخراج می کند؟

SPP با استفاده از تمام داده های موجود در بازار در شبیه سازی دیتای گذشته ی بازار ، خطای استاندارد میانگین (SEM) را به حداقل می رساند. با افزایش اندازه ی فضای نمونه ، SEM متناسب با ریشهی مربع اندازه ی فضای نمونه به دلایل ریاضی کاهش می یابد: . SEM = s/√n
اگرچه استفاده از تمام داده های موجود در بازار ویژگی منحصر به فرد SPP نیست ، اما از نقاط قوت آن است. در مقابل ، روش های دیگر اعتبار سنجی سنتی ، به نوعی باعث ایجاد در داده های تاریخی بازار می شوند.
تأثیر چنین چند پارگی و شکافی بر روی SEM می تواند زیاد باشد.جدول ۲ ، درصد تقریبی افزایش SEM را برای وضیت های مختلف تقسیم داده بر روی SPP نشان می دهد.

 

جدول ۲: افزایش SEM به دلیل تقسیم و چند پارگی داده های بازار

[TS_Advanced_Tables id=”47″]

 

بعلاوه ، اینوئه و کیلیان (۲۰۰۲) دریافتند که آزمونهای OOS و IS در صورت استفاده از مقادیر بحرانی مناسب جهت داده کاوی به یک اندازه قابل اعتماد هستند و آزمونهای IS با استفاده از تمام داده های بازار در صورت ایجاد تغییری غیر ساختاری در پارامتر دلخواه (تغییر در شرایط بازار).دارای مزایای بسیاری است. استفاده از تمام داده های موجود در بازاربه ما این اطمینان را می دهد که سیستم معاملاتی برای متنوع ترین شرایط ممکن بازار شبیه سازی شده است. با انجام این کار نمی توان تضمین کرد که شرایط بازاردر آینده مشابه شرایطی است که در طول آزمایش داده های تاریخی مشاهده می شود اما مسلما هر نوع تقسیم دیتای بازار، تضمین کننده ی از دست دادن اطلاعات و در نتیجه اختلال در رسیدن به نتایج صحیح آزمایشات است. بهترین نتایج از آزمونی روی اطلاعات شبیه سازی گذشته ی بازاربه دست می آید که از تمام داده های موجود در بازار در آن استفاده شده باشد.

مفهوم استحکام استراتژی معاملاتی چیست؟

۵- نمونه ی عملی SPP انجام شده در یک سیستم معاملاتی فرضی

از مفهوم حرکت نسبی(relative momentum) در سبک Blitz و Van Vliet ((2008 برای ایجاد یک سیستم معاملاتی نمونه استفاده شد زیرا تحقیقات قابل توجه و بسیاری صحت کاربرد این نوع از استراتژی ها را بر روی بسیاری از شاخص های مختلف تأیید کرده اند. (Asness و همکاران (۲۰۰۹)). بعلاوه ، اعتبار سنجی ها و آزمایشات بسیاری پس از انتشار و خارج از نمونه برای حرکت نسبی (relative momentum)موجود است (Asness et al (2009)) بنابراین می شود دوام و کارایی آن را تأیید کرد.

۵٫۱- تعمیم سیستم معاملاتی فرضی

مفهوم کلی سیستم معاملاتی حرکت نسبی (relative momentum) بر این اساس استوار است که :دارایی ها یا دسته هایی از شاخص ها با عملکرد بهتر در دوره فعلی ، تمایل به داشتن عملکرد بهتر در دوره ی بعدی نیز دارند.
تحقیقات نشان می دهد که این حرکت اندازه گیری شده ، طی ۳-۱۲ ماه بیشترین برتری را از خود نشان می دهند. مدل سیستم کلی ، نحوه ی اندازه گیری حرکت ، تعداد دارایی های تشکیل دهنده ی فضای نمونه ی آزمایش و زمان انتخاب شاخص های معاملاتی را تشریح می کند. به دلایل مطروحه در مباحث مدیریت ریسک ، یک حد ضررنیز به مدل کلی اضافه می شود. بنابراین مدل سیستم تعمیم یافته ی نشان داده شده در شکل ۹ شامل چهار پارامتر اصلی است.

شکل ۹: سیستم معاملاتی تعمیم یافته بر اساس حرکت نسبی (relative momentum) فرضی

سیستم معاملاتی خود ر ا بشناسید

اندیکاتور ROC برای اندازه گیری تغییرات درصدی حرکت، در طول دوره ی نگاه به گذشته (look-back) انتخاب شده است . زمان چرخش شاخص معاملاتی متناسب با آخرین روز معاملاتی هر ماه یکبار در هر روز مشخص شده است. در نهایت یک حد ضرر توقف درصدی هم به جهت رعایت اصول مدیریت ریسک با توجه به قیمت نقاط ورود درنظر گرفته شد. دامنه های تغییر پارامترها نیز با توجه به مفهوم سیستم تعمیم یافته تعریف شده اند. ترکیب پورتفولیو برای تنوع داشتن به ۲تا۵ مورد از شاخص های معاملاتی برتر ازبین ۱۰ شاخص محدود شده است. اندازه ی دوره ی نگاه به گذشته ی ROC با افزایش ۱۰ درصدی از ۶۰ روز معاملاتی (حدود ۳ ماه) تا ۲۵۱ روز معاملاتی (حدود یک سال) تغییر داده شده. دوره های ورود و خروج از معاملات انتخاب شده ،آخرین روز معاملات ماه ۵ +/- روز معاملاتی بود. در آخر هم اندازه ی حد ضرر با افزایش ۲٪ از ۱۰٪ تا ۲۰٪ تغییر یافت.
جزئیات این سیستم معاملاتی در جدول ۳ نشان داده شده است.

جدول ۳: جزئیات مربوط به سیستم معاملاتی (momentum)

[TS_Advanced_Tables id=”48″]

بهینه سازی کامل محدوده ی سنجش فوق، منجر به ایجاد ۴۲۲۴ ترکیب مختلف از مقادیر پارامترها ی متنوع می شود. روش اندازه گیری اندازه ی حجم هر مورد از معاملات استفاده از اندازه ی مارجین در هر پوزیشن بود.به صورت استاندارد به میزان ۱۰۰٪ مارجین و ۵٪ هم به شکل نقدی برا ی اطمینان بیشتر در نظر گرفته شده است.
سیستم معاملاتی این اجازه را دارد که تا ۹۵٪ از سرمایه ی معاملاتی را برای گرفتن سیگنالهای ورودی استفاده کند.

۵٫۲- نتایج بهینه سازی و کالیبراسیون خارج از نمونه (OOS)

در این بخش درباره ی آزمایش سنتی OOS انجام شده برروی سیستم معاملاتی بحث می شود. از تجزیه و تحلیل OOS برای مقایسه ی با SPP استفاده می شود.
این سیستم معاملاتی با استفاده از نسبت اطلاعاتی سالانه(annualized information ratio) در مقابل Dividend گیری پیاپی (vs. the dividend reinvested SPY ETF) به عنوان معیارسنجش عملکرد مناسب برای به حداکثر رساندن نتیجه ی بهینه سازی استفاده شد.در آزمون OOS از ۸۰٪ داده های تاریخی بازار موجود در نمونه (IS)استفاده شده و ۲۰٪ باقیمانده برای کالیبراسیون خارج از نمونه(OOS) اختصاص یافته است. نتایج در جدول ۴ نشان داده شده است.
جدول ۴: نتایج خارج از فضای نمونه ی(OOS) سیستم معاملاتی حرکت نسبی لحظه ای(Relative Momentum)

[TS_Advanced_Tables id=”49″]

دراین روش ، نتایج آزمون OOS ، به عنوان تنها منبع جهت برآورد بی طرفانه ی انتظارات از عملکردسیستم معاملاتی در آینده عمل می کنند و بنابراین تعیین کننده ی اندازه ی خطر سرمایه گذاری روی این سیستم معاملاتی نیز هست.
روش استاندارد در آزمایش OOS این گونه است که اگر عملکرد OOS> 50٪ عملکرد IS باشد ، سیستم معاملاتی مورد آزمایش قرار گرفته ، در آزمون اعتبار سنجی ،موفق محسوب می شود.
در این حالت ،اکثر معیارهای کسب شده ی سیستم بالای حد مورد نظر هستند اما میزان دیتای تاریخی برای سنجش بخش OOS هنوز بسیار کم است. به همین سبب ،این سیستم به دلیل غیر قابل قبول بودن نسبت اطلاعات OOS ، از روش اعتبار سنجی متداول استفاده نمی کند.

۵٫۳- برآورد بلند مدت SPP از عملکرد سیستم معاملاتی

در مرحله ی بعد ،آزمون SPP بر روی سیستم معاملاتی انجام شد. همان طور که در بخش ۴٫۲٫۱ مشخص شده است. برخلاف روش گفته شده ی قبلی ، SPP از تمام داده های موجود در بازار استفاده می کند و هنگامی که روی همان سیستم اعمال می شود ، اطلاعات بسیار بیشتری را در اختیار قرار می دهد.
جدول ۵ نتایج برآورد OOS سنتی را در مقایسه با نتیجه ی برآورد آزمایش SPP مربوطه با روش خرید و نگهداری(buy-and-hold) نشان می دهد (SPY ETF با سودگیری ازسرمایه گذاری مجدد dividendها).
چون هدف ما در به کارگیری این سیستم،رسیدن به نتایج عملکرد بهتر از معیار است ، بنابراین اهمیت آماری عملکرد بهتر، برای هر یک از پارامترهای سیستم (از طریق مقدار p) نیز نشان داده می شود.
معامله گر می تواند داده های جدول ۵ را برای تصمیم گیری در مورد اختصاص سرمایه به سیستم معاملاتی استفاده کند. به عنوان مثال ، معامله گر ممکن است بپرسد “آیا انتظار بی طرفانه ی تحقق ۸٫۹۴٪ سود CAR برای جبران drawdown 24.22٪- و انحراف معیار ۶۱/۱۵٪ سالانه کافی است؟”
آیا p-value =0.10 برای CAR آنقدر قابل توجه است که بتواند در عملکرد بهتر از معیار، قابل اطمینان باشد؟ ”
این سوالات را می توان با کمک نتایج حاصل از توزیع های نمونه گیری تولید شده توسط SPP پاسخ داد.

جدول ۵: برآورد بلند مدت SPP در مقابل OOS ونتایج معیار

[TS_Advanced_Tables id=”50″]

نتایج موجود در جدول ۵ از نقاط خاصی در امتداد توزیع نمونه برداری SPP گرفته شده است. برای چهار معیار از سیستم معاملاتی مورد بررسی در این مثال ، CDF ها (آبی رنگ) در شکل ۱۰ نشان داده شده اند که معامله گر می تواند با کمک آنها تخمین های احتمالی بیشتری بزند. نتایج سنجش معیارهای سیستم معاملاتی در محور y و تجمیع احتمال نتایج نیز در محور x نشان داده شده است. علاوه بر این ، برآورد SPP (قرمز) ، تخمین OOS (سبز) و محک (بنفش) روی هر نمودار CDF نمایش داده شده است. حد میانه ی توزیع فضای نمونه با خط سیاه عمودی نشان داده شده است.
نقطه ی تقاطع CDF و معیار اندازه گیری در امتداد محور x همان مقدار p (p-value)مطابق جدول شماره ۵ است.

شکل ۱۰: SPP های طولانی مدت CDF ، بدست آمده برای معیارهای انتخاب شده ی سیستم معاملاتی

سیستم معاملاتی خود ر ا بشناسید

۵٫۴ تجزیه و تحلیل احتمالی بدترین حالت SPP برای عملکرد یک سال تقویمی

در تحلیل بعدی یک سال تقویمی به عنوان دوره زمانی کوتاه مدت استفاده می شود. داده های تاریخی بازار برای هر سال کامل تقویمی موجود در داده ها ، به هفت بخش تقسیم شدند. فرآیند گفته شده در بخش ۴٫۲٫۲ ، بر اساس این داده ها برای ارزیابی شرایط پیش بینی شده در بدترین حالت برای هر دوره ی سال تقویمی به انجام رسیده است.

جدول ۶: SPP بر اساس سال تقویمی و سنجش بدترین حالت احتمالی در مقابل OOS و معیار

[TS_Advanced_Tables id=”51″]

در این آزمایش ، SPP پنج درصد (معادل p-value = 0.05) به عنواننتیجهی احتمالی در بدترین حالت انتخاب شد.
جدول ۶ همان نتایج برآورد OOS که در بالا آمده بود را در مقایسه با شرایط احتمالی SPP و دامنه ی معیار خرید و نگهداری(buy-and-hold) در هر هفت سال تقویمی کامل، در دوره ی شبیه سازی گذشته ی بازار نشان می دهد. این معامله گراست که باید تصمیم بگیرد که بدترین حالت برای هر سال تقویمی انجام شود یا خیر.
نتایج نشان داده شده در جدول ۶ ، برای دستیابی به انتظارات عملکرد بلند مدت SPP از سیستم معاملاتی نشان داده شده در جدول ۵ ،(بخش قبلی) قابل تحمل تر است.
به عنوان مثال ، معامله گر باید آماده ی پذیرش ۵٪ احتمال تحقق نسبت اطلاعاتی سالانه ی(annualized ratio)1.45- در هر سال تقویمی باشد و در عین حال ، به نتیجه ی مطلق منفی برسد یعنی ۱۳٪- =.CAR (این نتایج به میزان قابل توجهی زیر حد معیار و ضعیف هستند). شکل ۱۱ CDF ها (آبی) را برای چهار معیار سیستم معاملاتی انتخاب شده و همچنین تخمین SPP (قرمز) و تخمین OOS (سبز) را نشان می دهد. خط سیاه عمودی ، پنج درصد توزیع فضای نمونه ی احتمالی در بدترین حالت انتخاب شده را مشخص می کند و محدوده ی سال تقویمی را با یک نوار بنفش رنگ درامتداد محور y ها نشان می دهد.

شکل ۱۱: SPP های سال تقویمی به دست آمده برای CDF ها با توجه به معیارهای انتخاب شده ی سیستم معاملاتی

سیستم معاملاتی خود ر ا بشناسید

۵٫۵- بحث در مورد نتایج

مثال فوق نشان داد که ، در مقایسه با اعتبار سنجی متقابل استاندارد OOS ، روش SPP اطلاعات بسیار بیشتری را در اختیار معامله گر قرار می دهد. SPP توزیع های نمونه گیری بلندمدت و کوتاه مدتی از معیارهای سیستم معاملاتی را با استفاده از همه ی داده های تاریخی موجود بازار ایجاد می کند در حالی که اعتبار سنجی متقابل OOS تنها یک برآورد نقطه ای را در زیر مجموعه ی داده های تاریخی بازار ارائه می دهد. SPP تصمیم گیری بر اساس شرایط احتمالی آینده را امکان پذیر می کند در حالی که OOS سنتی معامله گر را به سمت مسیری دوگانه از موفقیت یا عدم موفقیت می برد. بنابراین مسلما SPP درک بسیار عمیق تری از چگونگی عملکرد سیستم معاملاتی فراهم می آورد.
SPP اعمال شده در سیستم معاملات شتاب نسبی(relative momentum) عملکرد طولانی مدت نسبت به معیار خرید و نگهداری (buy-and-hold)را با درجات مختلف از اهمیت آماری برای معیارهای مختلف سیستم نشان می دهد.
کلاا ، مقدار p معادل ۰٫۱۰ برای براورد عملکرد C A R عددی قابل توجه است. در مقابل ، ارزشی معادل ۰٫۰۰ برای حداکثر عملکرد سیستم نتیجه ای بسیار قابل توجه است و این نتایج در مجموع نشان می دهد که قدرت و خوبی حرکت نسبی (relative momentum) دراجتناب از هرگونه افت شدید (drawdown) است.
با این حال ،نتایج احتمالی تجزیه و تحلیل SPP در بدترین حالت برای عملکرد سال تقویمی نشان داد که برای دستیابی به خروجی طولانی مدت ، معامله گر باید توان داشته باشد که نتایج عملکرد احتمالی بسیار بد را در هر سال تقویمی بپذیرد. با استفاده از این اطلاعات ، تصمیم به تخصیص سرمایه ی احتمالی گرفته می شود.

۶- نتیجه گیری

برای هر معامله گر، ضروری است که قبل از تخصیص سرمایه کاملاً بفهمد چه انتظاری از یک سیستم معاملاتی دارد. بدون اطلاع از محدوده های احتمالی عملکرد مورد انتظار در آینده ، معامله گر یا مشتری مستعد کنار گذاشتن یک سیستم خوب در فشارروانی ناشی از سقوط های غیرمنتظره یا دوره های با نتایج ضعیف است. حتی بدتراز این وقتی است که سیستم باید با توجه به اطلاعات احتمالی که SPP ارائه داده است ، کنار گذاشته شود ،حال آن که سرمایه بر اساس انتظارات بیش از حد مثبت حاصل از روش های ارزیابی سنتی تخصیص یافته است.
اکثرا روش های توسعه ی سیستم های معاملاتی سنتی و معمول برآوردی یکسان از عملکرد و یا اندازه گیری اهمیت آماری را براساس یک توالی واحد از معاملات ارائه می دهند. با داشتن اطلاعاتی این چنین محدود از چنین برآوردی نقطه ای ، تصمیم گیری برای تعیین میزان سرمایه ، در بهترین حالت هم بسیار دشوار است. در مقابل ، SPP نتایجی برای توزیع فضای نمونه ای از معیارهای سیستم معاملاتی را ایجاد می کند که امکان برنامه ریزی واقعی تر بر اساس احتمالات را فراهم می کند.
نتیجتا” SPP یک روش ساده ، آسان و در عین حال واقع گرایانه جهت تخمین زدن حدود نتایج و عملکرد سیستم معاملاتی در آینده ارائه می دهد. وجود تعادل میان این سه عامل است که قدرت واقعی این روش را نشان می دهد. بنابرهمین دلایل است که SPP به طور گسترده ای توسط خریداران و فروشندگان و توسعه دهندگان سیستم های معاملاتی با پیشینه های مختلف قابل استفاده است و در بازار واقعی باعث سودآوری می شود.
مثالی که از سیستم معاملاتی آوردیم ، نشان داد که SPP تصویری متعادل و واضح تر از نتایج عملکرد مورد انتظار سیستم معاملاتی ارائه می دهد درصورتی که اعتبارسنجی استاندارد چنین خاصیتی ندارد. این مثال همچنین نشان داد که سیستم معاملاتی شتاب نسبی (relative momentum) در طولانی مدت بهتر از سیستم خرید و نگهداری (buy and- hold) است اما برای دستیابی به نتایج عملکرد خوب در بلند مدت ، معامله گر باید بتواند که کم کاری قابل توجه و رکود احتمالی در نتایج هر سال را بپذیرد . با استفاده از این اطلاعات ، تصمیمات مربوط به تخصیص سرمایه ی احتمالی گرفته می شود.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *