اگر قیمت یک پیاده روی تصادفی است ، استفاده از توزیع دوتایی برای برآورد یک استراتژی معاملاتی اشکالی ندارد؟

جزئیات بیشتر در صورتی که این یک مشکل XY است: من می خواهم برخی از استراتژی ها را آزمایش کنم (فکر می کنم کدام یک مهم نیست ، فرض کنید فقط یک شاخص RSI معمولی) ، اگر من سود را به 1 ٪ برسانم و ضرر را به 1 ٪ متوقف کنم ، ومن 30 معاملات را اجرا می کنم ، احتمال دریافت 20 معاملات برنده در یک بازار پیاده روی تصادفی چیست؟

آنچه من سعی می کنم محاسبه کنم شانس مثبت کاذب است. زیرا در این مثال 20/30 = 66 ٪. و اگر بازار فقط تصادفی باشد ، حدس می زنم که همه استراتژی ها 50 ٪ خواهند داشت (اگر نسبت TP/SL 1: 1 باشد). بنابراین در ابتدا به نظر می رسد که یک پیاده روی تصادفی نیست اما این استراتژی الگویی را پیدا کرده است. اما چگونه می توانیم محاسبه کنیم که آیا این یک مثبت کاذب است؟منظورم این است که ، اگر 30 بار سکه را بچرخانیم ، می توانیم 20 سر هم داشته باشیم ، حتی در یک سکه منصفانه درست؟

I was thinking in using the binomial as reference, in that example n=30, p=0.5, and k=20, it gives the probability of k to n (k>= 20) از 2 ٪ بنابراین می توانیم بگوییم 2 ٪ احتمال وجود دارد که استراتژی مثبت کاذب را ارائه دهد؟

2 پاسخ 2

این ایده خوبی است که فرضیه "بدون محتوای اطلاعاتی" را در مورد قیمت ها برای داشتن سطح مرجع برای این فرضیه $ H_0 $ داشته باشید. بهترین ها احتمالاً این است که شبیه سازی های مونت کارلو را انجام دهید ، یعنی شبیه سازی هرچه بیشتر پیاده روی های تصادفی و ثبت کامل بازپرداخت ، از این رو احتمال این را خواهید داشت که استراتژی شما بهتر از این $ H_0 $ با شمارش است. درصد شبیه سازی مونت کارلو که از ایده شما بدتر می شود.

بگذارید دقیق تر باشم:

1. شما مجموعه زمانی تاریخی از قیمت های استراتژی خود را استفاده می کنید
2. شما ماتریس و روند کواریانس آن را تخمین می زنید
3. با استفاده از این دو آمار ، شما 10،000 مسیر قیمت سازگار را شبیه سازی می کنید
4. شما استراتژی خود را بر روی آنها اعمال می کنید
5. شما 10،000 pnl به دست می آورید
6. شما به همان اندازه که می خواهید نمرات را محاسبه می کنید (مانند نسبت شارپ)
7. شما نمره استراتژی خود را در مقابل این توزیع 10،000 نمره ، یعنی درصد این استراتژی ها که از شما بدتر هستند ، نمره می دهید
8. هرچه به 100 ٪ نزدیکتر باشد ، بهتر است.

آخرین اظهار نظر: می توانید مراحل 2 و 3 را بر اساس هر مدل تولیدی دیگر ، مانند Bootstrap یا GAN/AutoEncoder جایگزین کنید (از آنجا که امروزه یادگیری ماشین باید در هر پاسخی ذکر شود!).

$ begingroup $ متشکرم! من بیشتر در مورد نسبت شارپ و بوت استرپ و غیره جستجو خواهم کرد. منظورم این است که اگر پیاده روی تصادفی باید درست مثل اینکه یک سکه را به درستی بپیچید ، باشد؟همچنین آیا می توانید مرا برای مراحل 2 و 3 در جهت درست قرار دهید؟شاید برخی از منابع/آموزش خوب برای ایجاد آن قیمت های شبیه سازی شده $ endgroup $

$ begingroup $ binomial خوب است ، اما هرگز انعطاف پذیری مونت کارلو را به شما ارائه نمی دهد (به خصوص اگر می خواهید نوسانات یا کواریانس ها را حفظ کنید).$ endgroup $

$ begingroup $ اما فکر می کنم چیزی اشتباه است ، زیرا برخی از استراتژی ها 70 ٪ معاملات خوب را ارائه می دهند ، با استفاده از نسبت TP/SL = 1 ، ترکیب طولانی و کوتاه و با 100 معاملات. اگر دوتایی را با p = 0. 5 ، n = 100 و k = 70 محاسبه کنم ، می گوید که به عنوان مثال می توان به عنوان مثال یک سکه را دریافت کرد. این بدان معناست که این استراتژی مطمئناً با سکه و انجام کار خوبی انجام نمی شود؟و از این رو قیمت پیاده روی تصادفی نیست؟$ endgroup $

$ begingroup $ یک پیاده روی تصادفی با حرکت براون متفاوت است. قیمت ها با همان افزایش هر زمان بالا و پایین نمی روند. این افزایش ها به طور معمول توزیع می شوند تا هر یک از آنها اندازه متفاوتی داشته باشند.$ endgroup $

$ begingroup $ این درست است roz ، با این وجود می توان پیاده روی های تصادفی را با افزایش های مختلف طراحی کرد. در هر صورت به نظر می رسد یک شبیه سازی مونت کارلو (یا بوت استرپینگ سری زمانی) برای شبیه سازی قیمت مناسب تر باشد.$ endgroup $

آنچه شما توصیف می کنید یک دوتایی نیست. اتفاقاً در درصد بیان می شود اما درصد چیزی نیست که چیزی را به یک روند دوتایی تبدیل کند. در حالی که من نمی دانم که عملکرد احتمال در اینجا چیست ، آنچه شما ایجاد می کنید نوعی توزیع نسبت است. این بسیار مفید نخواهد بود زیرا مدل شما نشان نمی دهد که چگونه تولید می شود. آنچه می بینید نتایج است.

من پست دیگر شما را دیدم.

شما نمی توانید با استفاده از داده های تاریخی ، به تخمین مثبت کاذب بپردازید. مثبت کاذب وابسته به مدل است. فرضیه تهی و الگوی آماری شما میزان مثبت کاذب را تعیین می کند.

اگر به پاسخ لاله نگاه کنید ، آنچه او به شما می گوید واقعاً در مورد الگوسازی است. او فرض می کند که شما در حال ایجاد یک مدل تهی هستید. بر اساس سوال دیگر شما ، شما نیستید.

اگر از پیشنهاد Lehalle استفاده می کنید ، باید برای مقایسه های متعدد کنترل کنید. سوال دیگر شما حاکی از آن است که شما در جستجوی صدها مدل بالقوه هستید. پیشنهاد می کنم از چیزی مانند روش Holm-Bonferroni استفاده کنید. این بیشتر نتایج پستی شما را منفی می کند. می توانید آن را در Holm-Bonferroni پیدا کنید.

شما همچنین باید به مواردی مانند AIC برای انتخاب مدل ها نگاه کنید اما این بدان معنی است که شما عملکرد احتمال خود را می دانید. در AIC است.