Portfolio Optimalisering Trading Strategier

Optimering av energiportefølje og handelsstrategier Innledning Den optimale utformingen av handels - og porteføljestyringsstrategier i henhold til individuelle risikoavkastningsmål er nøkkelen til at bedrifter lykkes i kraft - og gasshandel. For å møte disse målene på en praktisk og konsekvent måte er det uunnværlig å benytte seg av kraftige kvantitative tilnærminger. Vårt kurs Energiporteføljeoptimalisering og handelsstrategier vil gi deg den nødvendige kunnskapen og praktisk erfaring for å kunne sette opp og anvende disse konseptene i organisasjonen. Kurset presenteres i fellesskap med vår partner KYOS. Målgrupper Dette kurset tar sikte på et bredt spekter av fagfolk som er aktive innen energi - og finanssektoren, inkludert ledere, handelsmenn, eiendomsutviklere, portefølje - og risikostyrere og regulatorer. Alle som ønsker å utvikle en praktisk forståelse av optimalisering av energiporteføljen og handelsstrategier basert på beste praksis, vil tjene på kurset. Kurset presenteres på en dag, delt inn i morgen og ettermiddag økter. Gjennom morgenmøtet vil deltakerne få bakgrunnskunnskap om egenskapene til europeiske energi - og gassmarkeder. Denne sesjonen dekker relevante markedsstrukturer og markedslikviditetsproblemer samt porteføljestrukturer langs forsyningskjeden og rådende risikoeksponeringer. Videre er det innført viktige mål i risikostyring og risikoreduksjon. Dette inkluderer justering av den enkelte risikotoleranse og forretningsstrategi, samt tildeling av risikokapital og begrensning av risiko. Endelig vil deltakerne lære om egenskapene og mekanismene til spesifikke fysiske og finansielle kontraktstrukturer som kreves for å håndtere energiporteføljer, alt fra standardiserte til mer fleksible instrumenter. Ettermiddagsøkten bygger på dette fundamentet og gir detaljert innsikt i grunnleggende og mer avanserte handels - og dynamiske sikringsteknikker i ufullstendige markeder. Endelig vil kursdeltakere lære hvordan man optimaliserer og overvåker porteføljer og handelsstrategier i praksis basert på det velbegrunnede økonomiske bruksbegrepet. Hele kurset har et sterkt fokus på anvendelighet og gir mange førstehåndseksempler og casestudier som: Daglig makt - og gassporteføljeoptimalisering, Optimal bruk av lagrings - og svingkontrakter, Optimale handelsstrategier for usikker fornybar innmating . En deltakersertifikat vil bli utstedt for hver deltaker. Krav Kurset krever ingen spesifikk forhåndskunnskap. Instruktørene er vant til å presentere de underliggende konseptene samt de praktiske eksemplene på en intuitiv måte. Klikk her for å laste ned brosjyren vår (inkludert kursdetaljer, pris, dato og plassering). Porteføljeoptimalisering Excel porteføljeoptimaliseringsmal for finansielle eiendeler og forretningsporteføljer. Optimal porteføljevekting for porteføljer for porteføljer for optimalisering av porteføljer av finansielle investeringer eller forretningsmessige eiendeler for å maksimere returnere og minimere drawdown risiko. Risikovurderingsalternativer og porteføljedynamikk kan justeres for å analysere optimalisering på porteføljer basert på spesifikke forretningsbehov, ekstrapoleringer og preferanser. Porteføljeadministrasjon assisteres med teknisk analyse, inkludert indikatorparameteroptimalisering med tilbaketestet totalavkastning for å etablere optimale handelsstrategier på individuelle investeringer og porteføljenivåer. Nøkkelfunksjoner i Excel Portfolio Optimization-malen inkluderer: En enkel og logisk datainngang og arbeidsflyt er utstyrt med tilpasningsalternativer ledsaget av integrert hjelpinformasjon. Innspillet har plass til opptil 100 verdipapirer eller forretningsmessige kontantstrømdata fra hvilke nåværende porteføljeviktninger, avkastning og risikokorrelasjoner beregnes. Historiske priser for økonomiske sikkerhetsdata kan lastes ned gratis fra Internett med den medfølgende markedsdataoverføringsløsningen. Markedsdataoppløsningen for å laste ned økonomiske sikkerhetsprisdata gir også detaljert avkastningsanalyse og statistikk for å sammenligne to verdipapirer eller verdipapirer med referanseindekser. Et verdivurderingsalternativ sammenligner en diskontert kontantstrømvurdering av markedsverdipapirer basert på konsensusanalytikerens inntjeningsforventninger for å avgjøre om aksjene er under eller overvaluert ved å sammenligne med markedsverdi. Minimum og maksimum vekting begrensninger kan spesifiseres for hvert aktiv for den optimaliserte porteføljen for å reflektere forpliktelser og kapitalallokering begrensninger. Korrelasjonsmatrisen og porteføljedynamikken beregnet fra inngangsdata kan modifiseres før du kjører optimaliseringsprosessen. Dette gir muligheter for antagelser om fremtidige trender og relasjoner som skal regnskapsføres i den optimale porteføljen. Porteføljerisiko for optimalisering kan baseres på total volatilitet under Sharpe-forholdet eller nedsiderisiko eller halvavvik under en målrente under Sortino-forhold. Optimalisering kan gjøres på Sharpe - eller Sortino-forholdet, så vel som retur, risiko og Omega-forholdet som analyserer andelen oppadgående til nedre returvolum. Resultatene lagres for både minimums - og maksimumsnivåer, slik at de resulterende porteføljene kan lastes og vises uten å kreve ytterligere optimaliseringsprosesser. Ekstra opsjoner tillater fleksibilitet og tilpasning av analyse som beregning av mengder for å anvende et nominelt kapitalbeløp likt for investeringer og eksporterende resultater til en frittstående filer. Eksisterende og optimaliserte porteføljer kan spesifiseres med både lange og korte posisjoner som enten lang, alle korte eller longshort blandede hvor den optimale blandingen av lange og korte posisjoner er identifisert. Sammenligningen mellom den nåværende og optimaliserte porteføljen vises grafisk, samt enhetskjøp og salgskvoter som kreves for hver investering i porteføljen. Et målavkastning som samsvarer med inngangsperiodiciteten kan spesifiseres som sannsynligheten for å oppnå er beregnet og vist ved bruk av Monte Carlo-simulering. Rollback-back-funksjonen gjør det mulig å spesifisere periodiske optimaliseringer innen den historiske perioden for å analysere de etterfølgende effektene av optimeringene på porteføljens ytelse. Teknisk analyse med Kjøp og Selg signaler og tilbaketestet total avkastning gevinst utføres for den samlede porteføljen og hver investering. Konfigurerbare tekniske analyseindikatorer inkluderer: Simple Moving Average (SMA), Endringshastighet (ROC), Moving Average ConvergenceDivergence (MACD), Relative Strength Index (RSI) og Bollinger Bands. Automatisk optimalisering av tekniske indikatorperiodekonstanter finner parametrene som maksimerer tilbakeprøvet avkastning både for individuelle investeringer og overordnede porteføljenivåer. Tekniske analyseresultater viser sammenligningen av tilbakeprøvd totalavkastning mellom ingen handling og signalhandel for den totale porteføljen, nåværende og optimal portefølje som indekser og de enkelte investeringer. Disse resultatene kan brukes i sammenheng med de siste observasjonsindikatorskjermflaggene og signaler for å etablere optimale handelsstrategier for porteføljen. Krav - Excel 97-2016 - Excel 2004, 2011 eller 2016 USD 26,00 Sikker behandling (Last ned oppdatert 2016-06-23) Porteføljeoptimalisering Inngang og opsjoner En uavhengig Excel-mal lar markedsdata sikres automatisk nedlasting for flere symboler over lang tid perioder i daglige, ukentlige og månedlige frekvenser for optimaliseringsinngang. Realtidsdata kan lastes ned og logges til angitte tidsintervaller for intradaganalyse og handel. Alternativt kan andre økonomiske eller forretningsdata angis eller kopieres til inngangen og spesifiseres som kontantstrømverdier, priser eller avkastning. Et investeringskapitalbeløp kan påføres og settes lik for hver av investeringene som en startfordeling for å analysere nye strategier. Nåværende aktivvekting beregnes ellers av antall enheter i hver investering og den siste enhetsprisen. Korte posisjoner er representert av negative enheter og kan sameksistere med lange stillinger. Muligheter for å begrense optimalisert portefølje til minimums - og maksimumsvektinger for hver investering. Returvolatilitet kan vurderes under Sharpe, Sortino og Omega ratio-metodene. Den risikofri lånerenten og målrenten kan også defineres for forholds - og sannsynlighetsanalyse. Korrelasjonsmatrise for portefølje Korrelasjonsmatrisen for porteføljen opprettes automatisk fra dataene som er lagt inn eller lastet ned. Volatilitetsmålinger beregnet i korrelasjonsmatrisen gjenspeiler de angitte risikostillingene, for eksempel generelle standardavvik, nedside eller halvavvik. Både downside og upside volatilitet beregnes og vises for hver investering og brukes sammen med korrelasjon i optimaliseringsprosessen. Et alternativ kan velges for å endre korrelasjonsmatrisen før optimaliseringsprosessen utføres. Hvis prognosen eller forventet forventet avkastning er tilgjengelig for investeringene, kan de erstattes i korrelasjonsmatrisen for å få optimaliseringsgrunnlaget vekten på fremadrettede forventninger. Hvis verdier er modifisert i korrelasjonsmatrisen, leveres en beregningsfunksjon for å beregne referanseforhold for optimaliseringsprosessen. Resultater for analyse av porteføljeoptimalisering Porteføljeoptimaliseringsresultatene viser viktige endringer som kreves i porteføljen for å oppnå den optimale avkastnings - og risikoprofilen som er etablert. Tilleggsanalyse viser nøkkelforholdsverdier og - komponenter samt sannsynlighetsanalyse for målreturtærskler. Antall enheter for hver investering brukes til å beregne de nødvendige kjøps - og salgskvantumene for å balansere porteføljen til de optimale vektene. Figurvisualiseringer gir den totale avkastnings sammenligningen i observasjonsperioden mellom start av de optimaliserte porteføljene og benchmarkinvesteringen. Ytre grenseverdiene for den effektive grensen vises med alle mulige porteføljeviktingssett som kan velges og lastes avhengig av ønsket risikoredigerings profilinnstillinger. Teknisk analyse utføres for hver investering i porteføljen og konsolideres på porteføljenivå for å rapportere screeningsflagger og signaler basert på de etablerte tekniske indikatorparametrene og de siste observasjonsverdiene. Teknisk analyse Indikatoroptimalisering Teknisk analyse på fem sentrale indikatorer SMA, ROC, MACD, RSI og Bollinger Bands kan kjøres på hver investering, samt start og optimaliserte porteføljer som indekser. Periodens konstante parametere kan automatisk optimaliseres for å maksimere tilbaketestet totalavkastning på signalhandel for individuelle investeringer eller verdipapirer, samt for hele porteføljen for å etablere et sett med parametere som gir den beste overordnede strategien. Resultatene viser verdiskapende handelsstrategiens avkastning og siste observasjonsskjermflagg for hver indikator. Tekniske analyseplanleggingsdiagrammer kjøper og selger signaler, indikatortrender og totalavkastning for hver av de tekniske indikatorene. Returnerer gjennom Excel-porteføljen optimaliseringsmal beregnes automatisk i henhold til dette, avhengig av om lange eller korte posisjoner er angitt. MetaTrader 4 - Eksempler Porteføljehandel i MetaTrader 4 Magnus ab integro saeclorum nascitur ordo Publius Vergilius Maro, Eclogues Innledning Porteføljeprinsippet er kjent fra lenge siden. Ved å diversifisere midlene i flere retninger, skaper investorer sine porteføljer, reduserer den samlede taprisikoen og gjør inntektsveksten mer jevn. Portefølje teorien har fått fart i 1950 da den første porteføljematematiske modellen har blitt foreslått av Harry Markowitz. I 1980-årene har et forskergruppe fra Morgan Stanley utviklet den første spredningsstrategien som baner vei for gruppen markeds nøytrale strategier. Dagens porteføljeorientering er mangfoldig og kompleks, noe som gjør det nesten umulig å beskrive alle porteføljestrategier i en enkelt artikkel. Derfor vil bare en liten rekke spekulative strategier sammen med deres mulige implementering i MetaTrader 4-plattformen bli vurdert her. Noen definisjoner brukt i denne artikkelen er som følger: Portefølje (kurv, syntetisk instrument) sett av stillinger på flere handelsinstrumenter med beregnede optimale volumer. Posisjoner forblir åpne for en stund, spores som en og lukket med et felles økonomisk resultat. Portefølje (kurv, syntetisk instrument) justering endrer settet av porteføljeinstrumenter og eller deres volumer for å minimere tap eller fikse mellomresultater. Syntetisk volum antall syntetiske posisjoner (antall ganger porteføljen ble kjøpt eller solgt). Virtuelt profittresultat som kan oppnås når du holder posisjon innenfor et bestemt tidsintervall. Klassiske investeringsporteføljer blir vanligvis brukt på aksjemarkeder. En slik tilnærming passer imidlertid ikke til Forex mye, siden de fleste porteføljer er spekulative her. De er opprettet og handlet litt annerledes. Når det gjelder Forex, er porteføljehandelen egentlig en multi-valuta-handel, men ikke alle multi-valuta strategier er portefølje. Hvis symboler handles uavhengig og ingen total resultatdynamikk spores, er dette et multi-symbol trading. Hvis flere uavhengige systemer handler på en enkelt handelskonto, er dette en strategiportefølje. Her vil vi vurdere en porteføljehandel i smal forstand når en syntetisk posisjon utgjøres av flere symboler og styres etterpå. Prinsipper Porteføljens utvikling består av de to faser: valg av symboler og beregning av partier og retninger for dem. Her diskuteres bare noen få enkle porteføljeutviklingsmetoder sammen med algoritmprøver. Spesielt foreslår vi den vanlige minste kvadratmetoden (OLS) og hovedkomponentanalysen (PCA) som grunnlag. Mer informasjon finner du her: Når du utvikler en portefølje, er det vanligvis nødvendig å definere ønsket porteføljediagramoppførsel. Porteføljediagram representerer endringene i totalresultatet for alle posisjoner som inngår i porteføljen innen et bestemt tidsintervall. Porteføljeoptimalisering er et søk på en kombinasjon av partier og retninger som passer best til ønsket porteføljeadferd. For eksempel, avhengig av vår oppgave, kan det være nødvendig for en portefølje å få tilbake til gjennomsnittsverdien eller attributter av en tydelig merket trend eller diagrammet skal lignes på et diagram over en funksjon. Tre porteføljetyper (trend, flat, funksjon): En portefølje kan representeres med følgende ligning: A, B, C. er tidsserier som svarer til porteføljesymbolene k1, k2, k3. er symbolpartier (positiv kjøp, negativ selgning) F målfunksjon (sett av verdier i tidsseriepoeng) Dette er en multivariabel lineær regresjonsligning med null konstant sikt. Dens røtter kan lett bli funnet ved hjelp av OLS. Først og fremst bør tidsserier gjøres sammenlignbare, noe som betyr at prispoeng skal bringes til en innskuddsvaluta. I dette tilfellet representerer hvert element i hver timeserie en virtuell profittverdi av et enkelt parti av det aktuelle symbolet på et bestemt tidspunkt. Preliminær prislogaritmisering eller bruk av prisforskjeller anbefales vanligvis i statistiske applikasjonsoppgaver. Det kan imidlertid være unødvendig og til og med skadelig i vårt tilfelle siden kritiske generelle symboldynamikkdata vil bli ødelagt underveis. Målfunksjonen definerer porteføljediagrammetypen. Målfunksjonsverdiene skal foreløpig beregnes i hvert punkt tilsvarende. For eksempel, når du utvikler en enkel voksende portefølje (trendportefølje), vil målporteføljen ha verdiene 0, 1S, 2S, 3S osv. Der S er en økning i pengeværdien, som porteføljen skal økes på hver linje på et forhåndsbestemt intervall. OLS-algoritmen legger til A-, B-, C.-tidsserier slik at deres totale sum ser ut til å gjenta målfunksjonsdiagrammet. For å oppnå dette minimerer OLS-algoritmen summen av kvadrert avvik mellom serie summen og målfunksjonen. Dette er en standard statistisk oppgave. Ingen detaljert forståelse av algoritmen er nødvendig siden du kan bruke et ferdigbibliotek. Det kan også skje at målfunksjonen bare inneholder nullverdier (flat portefølje). I dette tilfellet bør en ekstra forholds sumgrense legges til (for eksempel: k1 k2 k3. 1) for å unngå å løse en regresjonsligning med nullrøtter. Alternativet er å flytte en ligningstegn til høyre, noe som gjør det til en målfunksjon som mottar forholdet -1, mens de resterende betingelsene optimaliseres som vanlig. I dette tilfellet er vi likeverdige kurven med instrumenter til et valgt instrument, og dermed skape en spredt portefølje. Endelig kan den mer avanserte PCA-algoritmen brukes til å utvikle slike porteføljer. Det anvender instrumentkovariansmatrisen for å beregne koeffisientvektoren som svarer til punktglove-tverrsnitt-hyperplanet med minimumsresidansvariantene for porteføljene. Igjen, du trenger ikke å forstå algoritmen i detaljer her, siden du kan bruke et ferdigbibliotek. Algoritmer Nå er det på tide å implementere alle ideene beskrevet ovenfor ved hjelp av MQL-språk. Vi vil bruke et velkjent ALGLIB matematikkbibliotek tilpasset MT4. Noen ganger kan det oppstå problemer under installasjonen, så jeg vil dvele mer på det. Hvis flere terminaler er installert på en PC, er det svært viktig å finne den riktige datafappen siden kompilatoren ikke ser biblioteket hvis det er plassert i en annen terminals datafelt. Installere ALGLIB-bibliotek: Last ned biblioteket (mql5encode11077), pakke ut zip-filen, åpne, mappe og finn Math-katalogen inni lanseringen av etarader 4-plattformen, som biblioteket skal legges til, velg menykommandoen: Åpne filmappen Åpne MQL4 og Inkluder undermappe kopi Matematikkmappe til Inkluder mappe på terminalen, kontroller resultatene:.mhq-filer skal være inne i MQL4IncludeMathAlglib. Den første nøkkelfasen: Konvertering av tidsserier fra prispoeng til innskuddskurs. For å oppnå dette må vi skrive en spesiell funksjon for å beregne en kontraktspris til enhver tid. Den konvensjonelle MarketInfo-funksjonen er ikke godt egnet for dette, siden den gir en korrekt poengpris bare for den siste kartlinjen. Problemet er at avvik uunngåelig vises i historien, da poengprisene på noen symboler endres hele tiden. Derfor er det viktig å nøyaktig konvertere datarier for å unngå betydelige ubalanser i porteføljen. Eksempelfunksjonen som beregner kontraktsprisen er vist nedenfor: Denne funksjonen vil alltid bli brukt i fremtiden. Det fungerer med valutapar, indekser, futures og CFDer. Dessuten vurderer det også symbolprefikser og postfiks (FXprefix, FXpostfix) brukt av noen meglere. Resultatet konverteres til en målvaluta (ChartCurrency). Hvis vi multipliserer den returnerte funksjonsverdien med dagens symbolpris, får vi prisen på symbolene en masse. Etter å ha summert alle kontraktspriser i porteføljen vurderer mye, får vi prisen på hele porteføljen. Hvis vi multipliserer funksjonsverdien med en prisforskjell i tid, mottar vi fortjeneste eller tap som genereres under denne prisendringen. Det neste trinnet er å beregne det virtuelle resultatet for alle individuelle partskontrakter. Beregningen er implementert som et todimensjonalt array hvor den første dimensjonen er en poengindeks i det beregnede intervallet, mens den andre dimensjonen er en symbolindeks (den andre dimensjonsstørrelsen kan begrenses av et visst tall som vet at mengden av symboler i porteføljen vil åpenbart ikke overstige den): Først bør vi lagre startpriser for alle symboler (på venstre grense av det beregnede intervallet). Deretter beregnes forskjellen mellom de opprinnelige og endelige prisene til hvert punkt av det beregningsfulle intervallet og multipliseres med kontraktsprisen. Hver gang skifter vi til høyre ved et tidsintervall i sløyfen: I det ovennevnte kodefragmentet forløper nulltids-tiden for de beregnede intervaller, grensenid for den beregnede intervallerens høyre grense, Timeframe antall minutter i en arbeidslinje tidsramme, poeng totalt antall detekterte poeng i det beregnede intervallet. Tidsangivelsen strenge samsvarsregel brukes i eksemplet ovenfor. Hvis en bar for en bestemt tidslabel er fraværende selv ved ett symbol, hoppes en posisjon over og et skift blir gjort til neste. Managing time labels er svært viktig for foreløpig data forberedelse, siden data feiljustering på forskjellige symboler kan føre til alvorlige forvrengninger i porteføljen. Prøveporteføljen data for tre symboler og en uavhengig funksjon (kvadratparabola): Nå som vi har utarbeidet data, er det på tide å sende dem til optimaliseringsmodellen. Optimaliseringen skal utføres ved hjelp av LRBuildZ, LSFitLinearC og PCABuildBasis-funksjoner fra ALGLIB-biblioteket. Disse funksjonene er kort beskrevet i selve biblioteket, samt på det offisielle prosjektets nettsted: alglibdataanalysislinearregression. php og her: alglibdataanalysisprincipalcomponentsanalysis. php. Først må du sørge for å inkludere biblioteket: Deretter bør kodefragmentet som vurderer modellfunksjonene settes for hver optimaliseringsmodell. Først kan vi undersøke prøveutviklingsmodellen: I begynnelsen kan dette virke komplisert, men i utgangspunktet er alt enkelt. I starten beregnes den lineære trendfunksjonen, og dens verdier er plassert i MODEL-arrayet. ModellGrowth-parameteren setter vekstverdien for hele beregningsintervallet (verdien, som porteføljen skal vokse i innskuddsvalutaen). ModelAbsolute og ModelPhase parametrene er valgfrie og har ingen betydning i dagens fase. Matrisen er opprettet for beregninger (MATRIX). Data om den virtuelle fortjenesten til alle kontrakter fra EQUITY-array, samt målfunksjonsverdiene fra MODEL-arrayet lastes ned til siste rad i matrisen. Antallet av uavhengige regresjonslikningsvariabler lagres i variabler. LRBuildZ-funksjonen kalles etterpå for å utføre beregning. Deretter skrives regresjonsligningsrøttene til ROOTS-array ved hjelp av LRUnpack-funksjonen. Alle komplekse matte er plassert inne i biblioteket, mens du kan bruke de ferdige funksjonene. Hovedproblemet er teknisk teknisk her og relatert til å sette alle anrop korrekt og bevare dataene under forberedelsene. Det samme kodefragmentet kan brukes til enhver funksjon. Bare erstatt MODEL array innholdet med målfunksjonen din. Eksempel på kvadratrotsparabolfunksjon beregning er vist nedenfor: Nedenfor er et eksempel på en mer kompleks funksjon som representerer summen av en lineær trend og harmoniske svingninger: I eksemplet ovenfor er det mulig å styre en trendstørrelse (ved hjelp av ModelGrowth-parameteren) og svingning amplitude (ved hjelp av ModelAmplitude parameter). Antall oscillasjonssykluser er satt av ModelCycles, mens oscillasjonsfaseforskyvning utføres ved hjelp av ModelPhase. I tillegg skal det vertikale skiftet utføres for å la funksjonen være lik null på nullpunkt for å sikre at beregningene er korrekte: Disse eksemplene gjør det enkelt å utvikle en tilpasset funksjon. Du kan opprette en hvilken som helst funksjonstype, avhengig av oppgave og tradingoppsett. Jo mer kompleks funksjonstypen er, desto vanskeligere er det å velge den beste løsningen, siden markedet ikke er forpliktet til å følge funksjonen. Her er funksjonen bare en tilnærming. Du trenger ikke en målfunksjon for å skape spredning og returnere flate porteføljer. Hvis du for eksempel vil opprette et spredt mellom to symbolkurver, lastes den optimaliserte kurven ned til hoveddelen av matrisen, mens referansekurven brukes som målfunksjon og lastes ned til siste kolonne i matrisen som totalt beløp: Nedenfor er en eksplisitt porteføljeberegning hvor LSFitLinearC-funksjonen gjør porteføljen så symmetrisk som mulig rundt null innenfor det beregnede intervallet: Nedenfor er enda et viktig eksempel på beregning av en flat portefølje med minimumsvariancen ved hjelp av PCA-metoden. Her beregner PCABuildBasis-funksjonen forholdene slik at porteføljediagrammet forblir så komprimert i beregningsintervallet som mulig: Hvis du føler deg overveldet av alle disse mattekonseptene, vær ikke bekymret. Som jeg allerede har sagt, trenger du ikke å forstå alle matematiske detaljer for å utvikle og bruke porteføljer. Vanligvis ser trinnsekvensen ut som følger: Beregning av virtuelt overskudd for porteføljesymboler med enkeltpartier Grafberegning og handel ved hjelp av porteføljen Nå som vi har oppnådd ROOTS-utvalg av optimale forhold ved hjelp av en rekke prosedyrer, er det på tide å endre forholdene i massevis. For å gjøre dette trenger vi normalisering: skalering og avrunding. Innstilling av en nødvendig skala gjør det veldig praktisk å handle. Avrunding er nødvendig for å bringe kapasiteten i samsvar med meglerkravene. Noen ganger anbefales det å utføre normalisering ved totalmarginal av porteføljen, men denne metoden har alvorlige ulemper (siden marginen på de enkelte symbolene varierer og kan endres). Derfor er det mye mer fornuftig å utføre normalisering med en porteføljepris eller volatilitet. Nedenfor er et enkelt eksempel på normaliseringsalgoritmen av porteføljeprisen: Her er porteføljeprisen lik med den nødvendige via proporsjonene. PortfolioValue kreves porteføljepris, totalverdier total porteføljepris med standardforhold, skalaomfangskvalitetsforhold, LotsDigits-masse kapasitet, LOTS-utvalg av masseverdiene egnet for handel. Mange verdier danner den endelige porteføljestrukturen. Positive partier tilsvarer en lang posisjon, mens negative deler til en kort en. Å vite porteføljestrukturen, kan vi plotte sin kart og utføre handelsvirksomhet med porteføljen. Nedenfor er en utvalgsporteføljestruktur etter normalisering: Porteføljediagrammet er bare tegnet av Lukk priser og vises i en separat indikator undervindu. For å bygge porteføljediagrammet må vi beregne hver kartlinje på samme måte som virtuelle profitt for separate symboler tidligere har blitt beregnet. Men nå er de oppsummert vurderer tildelte mange: I dette kodefragmentet kan vi se at diagrammet er tegnet mellom de innledende og endelige stengene: drawbegin og drawend. Porteføljeværdien er lik summen av overskuddsslutt ved alle symboler beregnet som prisforskjell multiplisert med en kontraktspris og tidligere beregnet del. Jeg har hoppet over tekniske aspekter relatert til indikatorbuffere, formatering og lignende. Prøveberedd porteføljeindikator er beskrevet i avsnittet nedenfor. Her kan du undersøke prøveporteføljegrafkonstruksjonen (indikatorbunnsundervindu) med målfunksjonsgrafen vedlagt: Her brukes kvadratrotparabolen symmetrisk i forhold til referansepunktet (ModelAbsolutetrue) som målfunksjon. Beregnede intervallgrenser vises som røde prikkede linjer, mens porteføljediagrammet har en tendens til å bevege seg langs målfunksjonslinjen både inn og ut av det beregnede intervallet. Du kan utføre teknisk analyse av porteføljediagrammer som ligner på ordinære symbolprisdiagrammer, inkludert bruk av bevegelige gjennomsnitt, trendlinjer og nivåer. Dette utvider analytiske og handelsmuligheter, slik at du kan velge porteføljestrukturen for å danne et bestemt handelsoppsett på porteføljediagram, for eksempel korreksjon etter en trendimpuls, trendsviktning, en flat, overkjøpt-oversold, konvergensdivergens, breakout, nivå konsolidering og andre oppsett. Handelsoppsettskvaliteten påvirkes av porteføljesammensetning, optimaliseringsmetode, målfunksjon og valgt historikk segment. Det er nødvendig å kjenne porteføljens volatilitet for å velge et passende handelsvolum. Siden porteføljediagrammet i utgangspunktet er basert på en innskuddsvaluta, kan du vurdere et porteføljevariasjonsområde og potensiell drawdown-dybde direkte i den aktuelle valutaen ved å bruke krysshår markørmodus og trekke. Et handelssystem bør være basert på porteføljeadferdighetsegenskaper og oppsettstatistikk. Inntil nå har vi ikke nevnt det faktum at porteføljens adferd kan endres dramatisk utenfor optimaliseringsintervallet. En flat kan bli en trend, mens en trend kan bli en reversering. Et handelssystem bør også vurdere at porteføljeeiendommene er tilbøyelige til å endres over tid. Dette problemet vil bli diskutert nedenfor. Handelsvirksomhet med portefølje består av en engangs buyingselling av alle porteføljesymboler med beregnet volumer. For mer bekvemmelighet vil det være rimelig å ha en spesialkonsulent til å utføre alt det rutinemessige arbeidet, blant annet å skaffe seg porteføljestrukturdata, forberede syntetiske posisjoner, spore oppføringsnivåer, fikseringsresultat og begrensningstap. Vi vil anvende følgende vilkår vedrørende EA-operasjonen: lang syntetisk porteføljeposisjon og kort syntetisk porteføljeposisjon (hvor lange stillinger erstattes med korte og omvendt). EA skal kunne samle posisjoner, spore syntetiske volumer, samt utføre portefølje netting og transformasjon. Prøven EA vurderes i neste avsnitt, selv om strukturen ikke er forklart på grunn av artikkelvolumbegrensningene. Nedenfor er eksemplet minimalistisk grensesnitt for en portefølje EA: Noen ganger er det nødvendig å bygge ikke en, men flere porteføljer. I det enkleste tilfellet er det nødvendig for å sammenligne to porteføljer. Noen oppgaver krever en hel porteføljeserie som skal bygges på et enkelt historie segment som resulterer i et sett med porteføljer som inneholder visse mønstre. For å gjennomføre slike oppgaver er algoritmgenererende porteføljer i henhold til en bestemt mal nødvendig. Eksemplet med å implementere en slik indikator finnes i neste avsnitt. Her skal vi bare beskrive de mest kritiske operasjonsfunksjonene. Vi må arrangere en strukturgruppe for å lagre dataene for flere porteføljer, for eksempel: I dette kodefragmentet angir DIMSIZE den maksimale størrelsen for lagring av porteføljer. Strukturen er organisert på følgende måte: symbol porteføljesymbol array, mye lot array for porteføljesymboler, formel tekst streng med porteføljens ligning, retning portefølje retning (lang eller kort), filter filter attributt (includedexcluded). Bruke strukturen array er mer praktisk og rimelig enn å bruke separate arrays. Strukturen array kan også opprettes for lagring av porteføljegrafbufferarrayer: Porteføljer innenfor settet varierer etter deres symbolkombinasjoner. Disse kombinasjonene kan defineres på forhånd eller genereres i henhold til visse regler. Arbeide med et sett med porteføljer kan inneholde flere trinn, avhengig av en oppgave. La oss se på følgende trinnsekvenser her: Beregning av diagrammer for separate porteføljer Først beregnes separate porteføljer i et sett i henhold til tidligere beskrevne prinsipper. Kombinere porteføljer på nullpunkt er nødvendig for enkel analyse. For å gjøre dette, er et punkt, der alle porteføljer er lik null, valgt. Omvendte porteføljer i forhold til nullnivå kan også være nyttige for å forenkle analysen. Fallende porteføljer blir voksende etter at mange er omvendt. Filtreringsporteføljer innenfor et sett betyr å velge de beste porteføljene etter noe kriterium, for eksempel en veksthastighet, avvik fra null, posisjon innenfor et sett i forhold til andre porteføljer. Så, de beste porteføljene valgt og kjempet i en kurv av porteføljer, eller en superportefølje (overordnet posisjon av porteføljer). Bildet nedenfor illustrerer disse trinnene: En vertikal skift brukes til å kombinere porteføljer. Porteføljen reverseres når multiplikert med -1. Endelig brukes et filter ved sortering og prøvetaking av verdier. Ingen detaljert beskrivelse av disse algoritmene er gitt her for å unngå en stor mengde rutinekode. Nedenfor er et utvalg sett av porteføljer konstruert etter de nevnte prinsippene: Grafen viser et sett av porteføljer beregnet ved PCA-modell med en kort periode. De beregnede intervallgrensene vises som de røde punkterte linjene. Her ser vi utvidelsen av porteføljesettet på begge sider av optimaliseringsintervallet. Nullpunktet er valgt i venstre optimeringsintervallgrense, mens øyeblikkene for reversering i forhold til null og filterapplikasjonen er markert med de lilla prikkede linjene. Den tykke linjen skisserer superporteføljen bestående av de mest aktive porteføljene og har dermed en anstendig løp fra nullpunktet. Kombinere porteføljer gir ytterligere muligheter for analyse og utvikling av handelsstrategier, for eksempel diversifisering mellom porteføljer, spredninger mellom porteføljer, konvergensdivergens av porteføljene, venter på vridning av porteføljesett, flytting fra en portefølje til en annen og andre tilnærminger. Implementeringseksempler Metodene beskrevet i gjeldende artikkel er implementert som en porteføljeindikator og en semi-automatisert EA. Her finner du instruksjonene, last ned kildekoden og tilpass den til dine behov: Portfolio Modeller porteføljeutvikler og optimizer. Den har flere optimaliseringsmodelltyper med konfigurerbare parametere. Dessuten kan du legge til egne modeller og målfunksjoner. Det er også grunnleggende verktøy for teknisk analyse av porteføljer, samt ulike kartformateringsalternativer. Portefølje Multigraph-generator av porteføljesett med samme modeller og parametere og tilleggsalternativer for porteføljetransformasjon og filtrering samt opprettelse av en superportefølje. Porteføljeforvalter EA for å jobbe med porteføljer og superporteføljer. Den opererer i sammenheng med porteføljens indikator og tillater åpning og styring av syntetiske posisjoner, samt har porteføljekorrigeringsfunksjonalitet og automatisk tradingmodus basert på grafiske linjer med virtuelle ordrer. Handelsstrategier Det er mange handelsstrategier basert på bruk av syntetiske instrumenter. La oss vurdere noen grunnleggende ideer som kan være nyttige når du oppretter en porteføljehandelsstrategi. Samtidig må vi ikke glemme risikoer og begrensninger. Den klassiske tilnærmingen til å generere en portefølje er å identifisere undervurderte eiendeler med et vekstpotensial og inkludere dem i porteføljen med forventning om økning. Porteføljens volatilitet er alltid lavere enn summen av volatiliteter av instrumentene som følger med. Denne tilnærmingen er bra for aksjemarkedet, men det er av begrenset bruk på Forex siden valutaer vanligvis ikke viser vedvarende vekst, i motsetning til aksjer. Nedenfor er Warren Buffetts langsiktige portefølje: Når du arbeider med standard investeringsporteføljer, er det nødvendig å nøye vurdere nåværende aktivstatus for å kjøpe den under prisnedgangen. Det første og enkleste alternativet for spekulativ porteføljehandel er et parhandel som skaper et spredning av to korrelerende symboler. På Forex er denne tilnærmingen betydelig begrenset, siden selv høyt korrelerende valutapar ikke har noen samordning, og kan derfor vesentlig avvike over tid. I dette tilfellet håndterer vi et ødelagt spredning. Dessuten blir slik handel med handel en syntetisk kryssfrekvens, da par med en felles valuta vanligvis inngår i en spredning. Denne typen parhandel er en veldig dårlig ide. Etter å ha åpnet motsatt posisjoner ved spredning, må vi noen ganger vente veldig lenge før kurver konvergerer igjen. Nedenfor er et eksempel på høyt korrelerende par og deres gradvise og uunngåelige divergens: Utviklingen av denne tilnærmingen er en multilateral spread trading når tre og flere valutapar inngår i spredning. Dette er allerede bedre enn parhandel siden det er lettere å skape et jevnere spredning med flere kombinasjonsalternativer. Men de samme risikoene forblir: et spred kan avvike og ikke konvergere igjen. Det er mye lettere å oppnå god spredningsavkastning på et stille marked, men sterke grunnleggende nyheter forårsaker en rask og irreversibel avvik etter en stund. Interessant, hvis vi øker antall instrumenter i et spred, øker divergenssannsynligheten også, da jo flere valutaer er involvert, desto større er sannsynligheten for at noe skjer i løpet av en pressemelding. Venter på at spredningen skal konvergere igjen ville være en ekstremt skadelig strategi, siden dette bare fungerer på et stille, flatt marked. Nedenfor er en sammendrag av flersidig spredegang under en pressemelding: Spread trading har flere muligheter på aksje - eller valutamarkedet dersom det er en grunnleggende sammenheng mellom eiendeler. Det er imidlertid fortsatt ingen garantier for spaltgap på utbyttedato eller i løpet av terminskontraktens utløp. Spreads kan også bestå av markedsindekser og futures, men dette krever behandling av valutahandel. En avansert gren av spredningshandelen er representert ved en multi-lås når syklisk relaterte valutapar (for eksempel EURUSD-GBPUSD-EURGBP) er valgt og brukes til å danne en balansert spredning. I dette tilfellet har vi et perfekt spredning som er umulig å handle siden totale spreads og provisjoner er for høye. Hvis vi prøver å ubalanse mye litt, blir grafen mer trendaktig som motsier seg spredning av handel, mens kostnadene forblir høye nok, noe som gjør denne tilnærmingen meningsløs. Nedenfor er et eksempel på en balansert multi-lås. Den totale spredningen er vist som to røde linjer: Spredte handelsnederlag gjør at vi bytter til trendmodeller. Ved første øyekast synes alt å være harmonisk nok her: identifisere trenden, gå inn under en korreksjon og avslutte med fortjeneste på høyere nivåer. Nedenfor er et eksempel på en god trendmodell: Trendsmodeller kan imidlertid vise seg å være ikke så enkle og praktiske til tider. Noen ganger, en portefølje nekter å vokse videre og noen ganger blir det svakt. I dette tilfellet håndterer vi en ødelagt trend. Dette skjer ganske ofte på korte og mellomstore modeller. Handelseffektiviteten avhenger sterkt av markedsfasen her. Når markedet er trendy, fungerer systemet bra. Hvis markedet er flatt eller spesielt volatilt, kan det forekomme mange tap. Nedenfor ser du en skarp trendutførelse: Disse ulempene gjør at vi vurderer tradisjonelle tilnærminger. Nå kan vi se på spredningsbrudd og trend-omvendt handelsmetoder. Den vanlige antagelsen er at siden vi ikke kan unngå porteføljens ustabilitet, bør vi lære å bruke den. For å kunne utvikle et spredningsbruddssettingsoppsett, må vi opprette en svært kompakt kort periodespredning med minimal volatilitet i påvente av sterk bevegelse. The more we compress the portfolio volatility, the stronger it bursts out. For accelerated spread breakout, it is possible to form a setup before beginning trade sessions and before the news selecting certain intervals of a quiet market. PCA optimization method is best suited for volatility compression. In this setup, we do not know in advance, in which direction the breakout is to occur, therefore, the entry is already defined when moving from the spread boundaries. Below is a sample exit from the short-period spread channel with the spread channel boundaries highlighted: The method advantages: short-period spreads are frequent on charts and the volatility after the breakout often exceeds the spread corridor width. The drawbacks: spreads are expanded during news releases and a saw may form when the price moves up and down a few times. The conservative entry can be proposed as an alternative after exiting a spread corridor during the correction to the corridor boundary if possible. In order to create a trend reversal setup, a trend model is created, as well as turning movements and portfolio price levels are tracked. The movement direction is clearly defined but we do not know in advance when the trend reverses. An internal trend line crossing, reverse correction and roll-back are tracked for a conservative entry. Touching an external trend line and a roll-back are tracked for an aggressive entry. Below is an example of a trend portfolio with the external and internal lines displayed: The method advantages: good entry price, convenience, extreme price instability works in favor of the setup. Disadvantages: portfolio price may go up the trend due to fundamental reasons. In order to improve the situation, we may enter in fractional volumes from multiple levels. A similar setup can be implemented using square root parabolic function model. The setup is based on a well-known property: when the price reaches a theoretical limit of a market distribution range, its further movement is hindered. Like in other cases, the target optimization function is adjusted for the current market distribution. If the markets had featured normal Gaussian distribution, the time-based square root law would have always worked perfectly but since the market distribution is fractal and non-stationary in its nature, the situational adjustment is required. You can find more about market distributions in the following books by Edgar Peters: Chaos and Order in the Capital Markets Fractal Market Analysis Below is an example of a portfolio moving away from the parabolic function: This setup is perfect for adapting to mid-term volatility. However, just like in case of a trend setup, a portfolio price may move upwards due to fundamental factors. The market is not obliged to follow any target function behavior, but neither it is obliged to deviate from it as well. Some degree of freedom and duality remain at all times. All trade setups are not market-neutral in the absolute sense but are based on some form of technical analysis. The dual nature of trend and flat can be seen below. A trend model looks similar to an uneven flat on a bigger scale: Apart from symbol combination and model type, location of estimated interval boundaries is of great importance when developing a portfolio. When configuring the portfolio, it might be useful to move the boundaries and compare the results. Good choice of boundaries allows finding portfolios that are more suitable in terms of a trading setup. If a portfolio position enters a drawdown, it is possible to correct the portfolio without closing existing positions. Shifting the boundaries changes the portfolio curve adapting it to a changing situation. Positions should be corrected accordingly after re-arranging the portfolio. This does not mean that the drawdown will decrease in a moment, but the corrected portfolio might become more efficient. Next, lets consider some properties of portfolio sets and their possible applications in trading systems. The first property of portfolio sets to catch the eye is a set expansion, or divergence of portfolios with distance from the zero point. It would be only natural and reasonable to use this property for trading: buying rising portfolios and selling falling ones. Below is a sample expanding set of portfolios: The second property portfolio set compression (convergence) is opposite to the previous one. It happens after an expansion. Expansion and compression cycles suggest that this behavior can be used to open synthetic positions in anticipation of returning to the center of the set after reaching an alleged highest degree of expansion. However, the expansion highest degree always vary, and it is impossible to predict the final boundaries of the set curves expansion. Below is a sample compressing set of portfolios: Applying various target functions, filtration parameters, reversals and combinations provides good opportunities for experimenting and searching for efficient trading setups. Generally, all setups can be divided into two classes: trading breakouts and trading roll-backs. Below is an example of the first type trading setup with a reversal and shift of a portfolio set: A sample roll-back trading setup based on the multi-trend model is provided below: Another recurring portfolio property is a set twist (self-crossing). Typically, this corresponds to a change of a market trend. If we trade in anticipation of an expansion of portfolios, a twist is a negative effect requiring the set re-arrangement. For other strategies, crossing of some portfolio curves can be used to identify promising and played-out portfolios. Besides, it is necessary to consider a distance traveled, levels, position in a set and position relative to the target function. Below is an example of a set twisting multiple times: We have not focused out attention on the volume management issue up until now, though this is a critical part of any trading system. Generally, we can describe the following approaches: trading a single synthetic position (the simplest case) dividing the volumes (extended entry by levels) adding to a rising portfolio (pyramiding by trend) adding to a portfolio in a drawdown (position averaging) adding to a portfolio after a correction (finishing method) adding to a portfolio after a reversal (expansive strategy) adding to new portfolios (portfolio consolidation) combined approach (combining several approaches) Specific volume management method should be selected considering trading system features. When planning a profit and a drawdown, your calculations should be based on a portfolio volatility. In the simplest case, the portfolio volatility can be evaluated as the movement range of its graph within a certain segment. It is much better to evaluate volatility not only within the optimization interval but on the previous history as well. Knowing the portfolio volatility, it is possible to calculate a theoretical value of the maximum total drawdown at a series of positions. Traditionally, we caution against too frequent aggressive volume adding. The total funds allocated for a portfolio coverage on a trading account should be able to withstand unfavorable movement considering all additional positions. Multi-portfolio trading means systematic portfolio selection and consolidation. If one portfolio is bought and another one is added to it, this may have a positive diversification effect if the portfolios have noticeable differences. But if portfolios are correlating, this may have a negative effect, since they both may find themselves in a drawdown in case of an unfavorable movement. Normally, you should avoid adding correlating portfolios. At first glance, trading spread between two correlating portfolios may seem to be very promising but closer examination shows that such spreads are no different from usual spreads since they are not stationary. Various exit strategies can be applied in multi-portfolio trading, including: closing by total result of all portfolios closing a group of portfolios by the groups total result closing by certain portfolios targets and limits. For some strategies, the entry point is of critical importance. For example, if a strategy applies extreme prices before a trend reversal or correction, a period suitable for entry is very short. Other strategies are more reliant on the optimal calculation of a position adding system and portfolio selection principle. In this case, individual portfolios may enter a drawdown, but other (more efficient) portfolios within the consolidated series adjust the overall result. Conclusion Portfolio trading advantages: optimization allows you to create a portfolio curve according to your preferences, as well as form a desired trading setup and trade it similar to trading symbols on a price chart. However, unlike trading portfolios, buying and selling conventional assets leave traders in passive position (since they are only able to accept the current price chart or avoid using it). Besides, as the situation evolves, traders can adjust their portfolios to new market conditions. Portfolio trading drawbacks: standard pending orders are not applicable, more stringent minimum volume requirements, bigger spreads on 30 and lower charts, hindered intraday scalping, no OHLC data, not all indicators can be applied to portfolios. Generally, this is a rather specific approach in trading. Here we have only made an introductory overview of the portfolio properties and working methods. If you want to perform deeper studies of portfolio trading systems, I recommend using the MetaTrader 5 platform for that, while market distribution properties should be studied in specialized statistical packages. Advarsel: Alle rettigheter til disse materialene er reservert av MQL5 Ltd. Kopiering eller utskrift av disse materialene helt eller delvis er forbudt.