Trading System Monte Carlo Simulação

Bet Smarter With The Monte Carlo Simulation Em finanças, há uma quantidade razoável de incerteza e risco envolvido com a estimativa do valor futuro de números ou valores devido à grande variedade de resultados potenciais. A simulação de Monte Carlo (MCS) é uma técnica que ajuda a reduzir a incerteza envolvida na estimativa de resultados futuros. O MCS pode ser aplicado a modelos complexos, não-lineares ou usado para avaliar a precisão e o desempenho de outros modelos. Também pode ser implementado em gerenciamento de risco, gerenciamento de portfólio, derivados de preços, planejamento estratégico, planejamento de projetos, modelagem de custos e outros campos. (Para saber mais, leia Monte Carlo Simulation With GBM.) Definição MCS é uma técnica que converte incertezas nas variáveis ​​de entrada de um modelo em distribuições de probabilidade. Ao combinar as distribuições e selecionar aleatoriamente os valores deles, ele recalcula o modelo simulado muitas vezes e traz a probabilidade da saída. O MCS permite que várias entradas sejam usadas ao mesmo tempo para criar a distribuição de probabilidade de uma ou mais saídas. Diferentes tipos de distribuições de probabilidade podem ser atribuídos às entradas do modelo. Quando a distribuição é desconhecida, o que representa o melhor ajuste pode ser escolhido. O uso de números aleatórios caracteriza MCS como um método estocástico. Os números aleatórios devem ser independentes, não há correlação entre eles. O MCS gera a saída como um intervalo em vez de um valor fixo e mostra a probabilidade de o valor de saída ocorrer no intervalo. Algumas Distribuições de Probabilidade de Uso Comum na Distribuição MCS NormalGaussian - Distribuição contínua aplicada em situações onde a média e o desvio padrão são dados e a média representa o valor mais provável da variável. É simétrico em torno da média e não está limitado. (Para leitura relacionada, veja Os Usos e Limites de Volatilidade.) Distribuição Lognormal - Distribuição contínua especificada pela média e desvio padrão. Isto é apropriado para uma variável variando de zero a infinito, com aspereza positiva e com logaritmo natural normalmente distribuído. Distribuição triangular - Distribuição contínua com valores fixos mínimos e máximos. É limitado pelos valores mínimo e máximo e pode ser simétrico (o valor médio mais provável médio) ou assimétrico. Distribuição Uniforme - Distribuição contínua delimitada por valores mínimos e máximos conhecidos. Em contraste com a distribuição triangular, a probabilidade de ocorrência dos valores entre o mínimo eo máximo é a mesma. Distribuição exponencial - Distribuição contínua usada para ilustrar o tempo entre ocorrências independentes, desde que a taxa de ocorrências seja conhecida. (Para obter mais informações, consulte Localizar o ajuste correto com distribuições de probabilidade.) Matemática por trás do MCS Considere que temos uma função de valor real g (X) com função de freqüência de probabilidade P (x) (se X é discreto) ou densidade de probabilidade Função f (x) (se X for contínuo). Então, podemos definir o valor esperado de g (X) em termos discretos e contínuos, respectivamente: Gráfico de sensibilidade Um gráfico de sensibilidade pode ser muito útil quando se trata de analisar o efeito das entradas na saída. O que diz é que as vendas unitárias representam 62 da variância no EBITD simulado, custos variáveis ​​para 28,6 e preço unitário para 9,4. A correlação entre vendas unitárias e EBITD e entre preço unitário e EBITD é positiva ou um aumento nas vendas unitárias ou preço unitário levará a um aumento no EBITD. Os custos variáveis ​​e EBITD, por outro lado, estão negativamente correlacionados e, ao diminuir os custos variáveis, aumentaremos o EBITD. Copyright ind Tenha em atenção que definir a incerteza de um valor de entrada por uma distribuição de probabilidade que não corresponde ao real e a amostragem dele dará resultados incorretos. Além disso, a suposição de que as variáveis ​​de entrada são independentes pode não ser válida. Os resultados enganosos podem vir de entradas que são mutuamente exclusivas ou se uma correlação significativa for encontrada entre duas ou mais distribuições de entrada. Observe também que o número de testes não deve ser muito pequeno, pois pode não ser suficiente para simular o modelo, fazendo com que o agrupamento de valores ocorra. The Bottom Line A técnica MCS é direta e flexível. Não pode eliminar a incerteza e o risco, mas pode torná-los mais fáceis de entender ao atribuir características probabilísticas às entradas e saídas de um modelo. Pode ser muito útil para determinar diferentes riscos e fatores que afetam as variáveis ​​previstas e, portanto, pode levar a previsões mais precisas. O capital de giro é uma medida da eficiência da empresa e da saúde financeira de curto prazo. O capital de giro é calculado. A Agência de Proteção Ambiental (EPA) foi criada em dezembro de 1970 sob o presidente dos Estados Unidos, Richard Nixon. O. Um regulamento implementado em 1 de janeiro de 1994, que diminuiu e eventualmente eliminou as tarifas para incentivar a atividade econômica. Um padrão contra o qual o desempenho de um fundo de segurança, fundo mútuo ou gerente de investimentos pode ser medido. Carteira móvel é uma carteira virtual que armazena informações do cartão de pagamento em um dispositivo móvel. 1. O uso de vários instrumentos financeiros ou capital emprestado, como a margem, para aumentar o retorno potencial de um investimento. Se você ainda está procurando uma vantagem nos mercados, os sistemas de negociação mecânica são a melhor maneira de obtê-lo. Saber mais. Software de negociação para o Monte Carlo Analysis Execute a análise de Monte Carlo em seu sistema ou método de negociação existente para melhorar a precisão do teste do sistema e para ajudar a evitar o ajuste de curvas. Market System Analyzer (MSA) é um aplicativo independente do Windows que inclui um recurso de simulação Monte Carlo fácil de usar. O software pode ser aplicado a qualquer sistema ou método comercial, independentemente do mercado ou prazo. Quando combinado com os recursos de dimensionamento de posição da MSA, a análise de Monte Carlo pode melhorar substancialmente a estimativa de taxa de retorno e redução de custos do seu sistema. O que é Monte Carlo Analysis A análise de Monte Carlo é uma técnica computacional para avaliar o impacto da variação aleatória em parâmetros de modelos de simulação. Na análise de Monte Carlo, as variáveis ​​aleatórias de um modelo são representadas por distribuições estatísticas, que são amostradas aleatoriamente para produzir a saída dos modelos. Ao usar a análise de Monte Carlo para simular o comércio, a distribuição comercial, conforme representada pela lista de negócios, é provada para gerar uma seqüência comercial. Cada uma dessas seqüências é analisada e os resultados são classificados para determinar a probabilidade de cada resultado. Desta forma, um nível de probabilidade ou confiança é atribuído a cada resultado. A análise de Monte Carlo é particularmente útil para estimar a redução máxima do pico para o vale. Gerar uma melhor estimativa do levantamento possibilita avaliar melhor o risco de um sistema ou método comercial. Ao usar uma abordagem de Monte Carlo para calcular a redução, a seqüência histórica dos negócios é randomizada e a taxa de retorno e redução são calculadas para a seqüência aleatória. O processo é então repetido várias centenas ou mil vezes. Olhando os resultados em conjunto, podemos achar, por exemplo, que em 95 das seqüências, a redução foi menor que 30 quando 4 do capital foram arriscados em cada comércio. Nós interpretaríamos isso para significar que há 95 chances de que a redução seja menor que 30 quando 4 arrisque em cada comércio. A análise de Monte Carlo é fácil de aplicar no Market System Analyzer. No Market System Analyzer, a análise Monte Carlo é realizada quando o comando Monte Carlo Analysis é selecionado no menu Análise. O menu Análise contém o comando Monte Carlo Analysis. A análise é realizada na seqüência atual de transações usando as opções e configurações de análise aplicadas à seqüência atual, incluindo configurações de dimensionamento de posição, regras de dependência e assim por diante. O número de amostras para a análise pode ser inserido na guia Opções da caixa de diálogo Configuração de Análise. Neste contexto, quotsamplequot significa uma seqüência de negócios selecionados aleatoriamente. O padrão é 500 amostras, o que significa que os resultados de Monte Carlo serão baseados em 500 seqüências comerciais aleatórias. Os resultados serão exibidos na janela de Resultados de Monte Carlo ao nível de confiança inserido na guia Opções. Um exemplo é mostrado abaixo. Exemplo de resultados de análise de Monte Carlo gerados pelo Market System Analyzer. Neste exemplo, o patrimônio da conta inicial foi de 10.000, e um método de dimensionamento da posição fixa com um delta de 3000 foi aplicado. A seção rotulada quotKey Results em Select Confidence Levelsquot lista a taxa de retorno, a redução do pior caso, a taxa de retorno-retirada e a proporção Sharpe modificada em uma variedade de níveis de confiança. Observe, por exemplo, que se você exigir um nível de confiança maior, a taxa de retorno prevista será menor e a redução do pior caso será maior. A seção inferior (não mostrada) lista os resultados de simulação de Monte Carlo ao nível de confiança selecionado pelo usuário de 95. Por exemplo, os resultados podem mostrar um retorno sobre o patrimônio inicial de 900 com confiança 95 e um fator de lucro de 1,60 com confiança 95. Para aprender a analisar e explorar a dependência comercial usando Market System Analyzer, clique no botão Próximo na parte inferior da página ou vá até a loja online abaixo para comprar sua própria cópia do MSA. Baixe uma versão de teste totalmente funcional do Market System Analyzer. Avalie o MSA por até 30 dias. Clique aqui para baixar agora sem compromisso. Para um artigo geral sobre a análise de Monte Carlo, clique aqui. Para obter uma lista completa de artigos comerciais disponíveis, selecione o link Biblioteca de artigos à esquerda. Se você gostaria de ser informado de novos desenvolvimentos, novidades e ofertas especiais do Adaptrade Software, junte-se à nossa lista de e-mail. Obrigado por Michael R. Bryant A análise de Monte Carlo é uma técnica computacional que permite incluir as propriedades estatísticas de um modelo de parâmetros em uma simulação. Na análise de Monte Carlo, as variáveis ​​aleatórias de um modelo são representadas por distribuições estatísticas, que são amostradas aleatoriamente para produzir a saída dos modelos. O resultado é, portanto, também uma distribuição estatística. Comparado com métodos de simulação que não incluem amostragem aleatória, o método de Monte Carlo produz resultados mais significativos, que são mais conservadores e também tendem a ser mais precisos quando usados ​​como previsões. Ao usar o uso da análise de Monte Carlo para simular a negociação, a distribuição comercial, conforme representada pela lista de negócios, é amostrada para gerar uma seqüência comercial. Cada uma dessas seqüências é analisada e os resultados são classificados para determinar a probabilidade de cada resultado. Desta forma, um nível de probabilidade ou confiança é atribuído a cada resultado. Sem a análise de Monte Carlo, a abordagem padrão para o cálculo da taxa histórica de retorno, por exemplo, seria analisar a seqüência atual dos negócios usando, por exemplo, o dimensionamento fixo da posição fracionada. Pode verificar-se que a taxa de retorno sobre a sequência foi de 114. Com a análise de Monte Carlo, por outro lado, são analisadas centenas ou milhares de diferentes seqüências de negócios e a taxa de retorno é expressa com um qualificador de probabilidade. Por exemplo, a taxa de retorno determinada pela análise de Monte Carlo pode ser de 83 com confiança 95. Isso significa que, de todas as milhares de seqüências consideradas, 95 apresentaram taxas de retorno maiores ou iguais a 83. A análise de Monte Carlo é particularmente útil para estimar a redução máxima do pico para o vale. Na medida em que a retirada é uma medida útil de risco, melhorar o cálculo da retirada permitirá avaliar melhor um sistema ou método de negociação. Embora não possamos prever como o mercado diferirá amanhã do que vimos no passado, sabemos que será diferente. Se calcularmos a redução máxima com base na seqüência histórica dos negócios, baseamos nossos cálculos em uma seqüência de negócios que sabemos que não serão repetidos exatamente. Mesmo que a distribuição de trades (no sentido estatístico) seja a mesma no futuro, a sequência desses negócios é em grande parte uma questão de chance. O cálculo da redução em função de uma determinada seqüência é algo arbitrário. Além disso, a seqüência de negócios tem um efeito muito grande na redução calculada. Se você escolher uma seqüência de negócios onde cinco perdas ocorrem em uma linha, você poderia obter uma redução muito grande. Os mesmos negócios organizados em uma ordem diferente, de modo que as perdas são uniformemente dispersas, podem ter uma redução desprezível. Ao usar uma abordagem de Monte Carlo para calcular a redução, a seqüência histórica dos negócios é randomizada e a taxa de retorno e redução são calculadas para a seqüência aleatória. O processo é então repetido várias centenas ou mil vezes. Olhando os resultados em conjunto, podemos achar, por exemplo, que em 95 das seqüências, a redução foi menor que 30 quando 4 do capital foram arriscados em cada comércio. Nós interpretaríamos isso para significar que há 95 chances de que a redução seja menor que 30 quando 4 arrisque em cada comércio. Em geral, existem duas maneiras de gerar a seqüência de trades em uma simulação de Monte Carlo. Uma opção é construir cada sequência de trades por amostragem aleatória dos mesmos negócios como na sequência atual, com cada troca incluída uma vez. Este método de amostragem da distribuição comercial é conhecido como seleção aleatória sem substituição. Outro método de amostragem possível é a seleção aleatória com substituição. Se esse método fosse usado, os negócios seriam selecionados aleatoriamente da lista original de negócios, independentemente de o comércio ter sido ou não selecionado. Na seleção com substituição, um comércio pode ocorrer mais de uma vez na nova seqüência. O benefício da seleção sem substituição é que ele duplica exatamente a distribuição de probabilidade da seqüência de entrada, enquanto que a seleção com substituição pode não. A desvantagem para a seleção sem substituição é que as seqüências amostradas aleatoriamente estão limitadas ao número de trades na seqüência de entrada. Se você tem uma seqüência curta de negócios (digamos, menos de 30 negócios), isso pode limitar a precisão de determinados cálculos, como a redução. Um exemplo baseado na amostragem sem substituição é mostrado abaixo. A negociação é simulada usando o dimensionamento da posição fixa começando com um patrimônio da conta de 10.000. Cada simulação emprega 500 seqüências comerciais (amostras). A primeira seção de resultados na figura mostra os principais resultados, como a taxa de retorno, em uma série de níveis de confiança. Observe, por exemplo, que os retornos mais baixos estão previstos para maiores níveis de confiança. Exemplo de resultados de análise de Monte Carlo.