Handelssystem Stresstests

Stress-Tests Was ist Stress-Testing Stress-Tests ist eine Simulationstechnik oft in der Bankenbranche verwendet. Es wird auch für Asset - und Liability-Portfolios verwendet, um ihre Reaktionen auf unterschiedliche finanzielle Situationen zu bestimmen. Zusätzlich werden Stresstests verwendet, um festzustellen, wie bestimmte Stressoren ein Unternehmen, eine Branche oder ein bestimmtes Portfolio beeinflussen werden. Stress-Tests sind in der Regel Computer-generierte Simulationsmodelle, die hypothetische Szenarien zu testen, aber sehr individuelle Stresstests Methodik wird auch oft genutzt. BREAKING DOWN Stress-Tests Stress-Tests ist eine nützliche Methode, um festzustellen, wie ein Portfolio während einer Periode der Finanzkrise Tarif. Stress-Tests wird am häufigsten von Finanz-Profis für die regulatorische Berichterstattung und auch für Portfolio-Risikomanagement verwendet. Regulatory Stress Testing Nach der Finanzkrise von 2008 wurde die regulatorische Berichterstattung für die Finanzindustrie und speziell die Banken mit einem breiteren Fokus auf Stresstests und Kapitaladäquanz vor allem aufgrund des Dodd-Frank-Gesetzes 2010 erheblich erweitert. Ab 2011 erforderten neue Regelungen in den Vereinigten Staaten die Einreichung von Comprehensive Capital Analysis and Review (CCAR) - Dokumentationen für die Bankenbranche. CCAR-Dokumentation erfordert Banken, ihre internen Verfahren für das Management von Kapital zu melden und Banken sind verpflichtet, verschiedene Stress-getestete Szenarien enthalten. Zusätzlich zur CCAR-Berichterstattung müssen systematisch wichtige Banken in den Vereinigten Staaten als zu groß eingestuft werden, um vom Financial Stability Board, das typischerweise diejenigen mit mehr als 50 Milliarden an Vermögenswerten ausfallen zu lassen, Stress-getestetes Reporting über die Planung eines Insolvenzszenarios vorzuschlagen. In der jüngsten Berichterstattung der Regierungen dieser Banken im Jahr 2016 gab es acht zu groß, um systemisch wichtige Banken ausfallen zu lassen. Derzeit ist BASEL III auch für globale Banken in Kraft. Dies ist ein globaler Berichtstresstest, der eine Dokumentation der Bankkapitalwerte erfordert, die spezifische Anforderungen für Stresstests verschiedener Krisenszenarien enthält. Stress-Tests für das Risikomanagement Im Investment-Portfolio-Management wird Stress-Tests auch häufig für die Bestimmung Portfolio-Risiko und die Festlegung von Hedging-Strategien, um Verluste zu mildern verwendet. Portfolio-Manager verwenden interne proprietäre Stress-Tests-Programme zu verwalten und zu testen ihre Portfolios gegen Marktereignisse und potenzielle Ereignisse. Asset - und Liability-Matching-Stress-Tests sind auch weit verbreitet im Business-und Investment Management. Asset and Liability Matching Stress-Tests können von Unternehmen verwendet werden, um eine ordnungsgemäße interne Kontrollen und Verfahren zu gewährleisten. Renten-und Versicherungs-Portfolios auch stark nutzen Stresstests, um effiziente Ströme von Cash-Flow und Auszahlungen zu gewährleisten. Arten von Stress-Tests Die Verwendung von Monte-Carlo-Simulation ist eine der bekanntesten Methoden der Stresstests. Diese Art von Stresstests kann für die Modellierung von Wahrscheinlichkeiten verschiedener Ergebnisse mit spezifischen Variablen verwendet werden. Faktoren, die in der Monte-Carlo-Simulation berücksichtigt werden, beinhalten oft verschiedene ökonomische Variablen. Unternehmen können sich auch an professionell verwaltete Risikomanagement - und Softwareanbieter für verschiedene Arten von Stresstests wenden. Moodys Analytics ist ein Beispiel für ein ausgelagertes Stresstestprogramm, das für Portfolio-Stress-Tests verwendet werden kann. Backtesting Was ist Backtesting Backtesting ist der Prozess der Prüfung einer Handelsstrategie auf relevante historische Daten, um ihre Durchführbarkeit sicherzustellen, bevor der Händler jedes tatsächliche Kapital riskiert. Ein Händler kann den Handel einer Strategie über einen angemessenen Zeitraum simulieren und die Ergebnisse auf dem Niveau der Rentabilität und des Risikos analysieren. BREAKING DOWN Backtesting Wenn die Ergebnisse die notwendigen Kriterien erfüllen, die für den Trader akzeptabel sind, kann die Strategie dann mit einem gewissen Maß an Vertrauen implementiert werden, dass es zu Gewinnen führen wird. Wenn die Ergebnisse weniger günstig sind, kann die Strategie modifiziert, angepasst und optimiert werden, um die gewünschten Ergebnisse zu erzielen, oder sie kann vollständig verschrottet werden. Eine bedeutende Menge des Volumens, das am heutigen Finanzmarkt gehandelt wird, erfolgt durch Händler, die irgendeine Art von Computerautomation verwenden. Dies gilt insbesondere für Handelsstrategien, die auf einer technischen Analyse beruhen. Backtesting ist ein integraler Bestandteil der Entwicklung eines automatisierten Handelssystems. Sinnvolles Backtesting Wenn es richtig gemacht wird, kann Backtesting ein unschätzbares Werkzeug sein, um Entscheidungen darüber zu treffen, ob eine Trading-Strategie genutzt werden soll. Der Abtastzeitraum, an dem ein Backtest durchgeführt wird, ist kritisch. Die Dauer des Stichprobenzeitraums sollte so lang sein, dass Zeiträume unterschiedlicher Marktkonditionen einschliesslich Aufwärtstrends, Abwärtsbewegungen und gebietsbezogener Handel enthalten sind. Die Durchführung eines Tests an nur einer Art von Marktbedingungen kann zu einzigartigen Ergebnissen führen, die unter anderen Marktbedingungen nicht gut funktionieren, was zu falschen Schlussfolgerungen führen kann. Die Stichprobengröße in der Anzahl der Trades in den Testergebnissen ist ebenfalls entscheidend. Wenn die Stichprobenanzahl zu gering ist, ist der Test möglicherweise nicht statistisch signifikant. Eine Probe mit zu vielen Trades über einen zu langen Zeitraum kann zu optimierten Ergebnissen führen, bei denen sich eine überwältigende Anzahl von Gewinntrades um einen bestimmten Marktzustand oder Trend, der für die Strategie günstig ist, verschmelzen. Dies kann auch dazu führen, dass ein Händler irreführende Schlussfolgerungen zieht. Keep it real Ein Backtest sollte die Realität so gut wie möglich reflektieren. Die Handelskosten, die ansonsten von den Händlern als einzeln betrachtet betrachtet werden können, können einen erheblichen Einfluss haben, wenn die Gesamtkosten über die gesamte Backtesting-Periode berechnet werden. Diese Kosten umfassen Provisionen, Spreads und Slippage, und sie könnten den Unterschied zwischen bestimmen, ob eine Handelsstrategie rentabel ist oder nicht. Die meisten Backtesting-Softwarepakete enthalten Methoden, um diese Kosten zu berücksichtigen. Vielleicht ist die wichtigste Metrik mit Backtesting verbunden ist die Strategien der Robustheit. Dies wird erreicht, indem die Ergebnisse eines optimierten Rücktests in einer bestimmten Abtastzeitperiode (als In-Probe bezeichnet) mit den Ergebnissen eines Backtests mit der gleichen Strategie und Einstellungen in einer anderen Abtastzeitperiode (bezeichnet als out - Der Probe). Wenn die Ergebnisse ähnlich profitabel sind, kann die Strategie als gültig und robust angesehen werden und ist bereit, in Echtzeit-Märkten implementiert zu werden. Wenn die Strategie im Out-of-Sample-Vergleich fehlschlägt, dann braucht die Strategie eine weitere Entwicklung, oder sie sollte ganz aufgegeben werden. Stress Testing Systems. Lernen über Monte-Carlo-Simulationen Wenn wir automatisierte Handelssysteme entwickeln, die auf die langfristige Kapitalproduktion ausgerichtet sind, stehen wir oft vor einer sehr einfachen und erschreckenden Frage. Wie können wir sicherstellen, dass unsere Systeme langfristig rentabel bleiben und wie wir wissen, wann unsere Systeme nicht rentabel sind? Die Antworten auf diese Fragen sind nicht sehr einfach und sicher gibt es keine Möglichkeit, in der wir sicherstellen können, dass ein System profitabel bleiben wird, da wir einfach nicht wissen, die Zukunft. Allerdings gibt es mehrere Möglichkeiten, wie wir eine Idee haben, wenn ein System aufhört zu arbeiten, mit dem robustesten ein die Anwendung der sehr langfristigen Stress-Testsimulationen zu sehen, was die Systeme am schlechtesten Ergebnisse sein könnte. Heute werde ich Ihnen die Welt der Monte-Carlo-Simulationen vorstellen, eine sehr leistungsfähige Methode, die es uns ermöglicht, genaue Schätzungen davon zu erhalten, was die 8220würstmöglichen Ergebnisse8221 unserer Strategien sein könnten. Die Monte-Carlo-Simulation ist eine Art von Prognoseverfahren, bei dem ein gegebenes 8220experiment8221, das von einem 8220random Faktor8221 abhängt, sehr oft getestet wird. Der einfachste Weg, um die Monte-Carlo-Verfahren zu veranschaulichen ist, eine Prozedur vorzustellen, die zwei Ergebnisse mit gleicher Wahrscheinlichkeit hat. Stellen Sie sich vor, wir haben eine Münze werfen, 50 Chance, Köpfe und 50 Chance bekommen immer Schwänze. Wenn Sie eine Münze viele Male werfen, ist es offensichtlich, dass Sie nicht Kopf-Schwänze-Köpfe-Schwänze Art Reihenfolgen die ganze Zeit aber Sequenzen erhalten, die Kopf-Kopf-Köpfe-Schwänze oder etwas von dieser Art in der Tat entstehen können. Eine Monte Carlo Simulation führt einfach Tausende von Münzwürfen durch und gibt Ihnen die erwarteten Läufe von Köpfen und Schwänzen, die Sie erwarten würden, wenn Sie dies auf lange Sicht getan haben. Wir können sagen, dass Monte-Carlo-Simulationen erlauben uns zu sehen, inwieweit eine bestimmte Reihe von individuellen zufälligen Wahrscheinlichkeitsaussichten vorübergehend von ihrem langfristigen statistischen Ergebnis unterscheiden können (was wir annehmen, um sicher zu sein). Wenn wir Trading-Systeme bewerten, bedeutet dies, dass wir unseren Siegesprozentsatz, den durchschnittlichen Gewinn und den durchschnittlichen Verlust nehmen und eine Monte-Carlo-Simulation von etwa X-Trades ausführen, die X-mal ausgewertet werden (z. B. 100 K-getrennte Läufe von 200 Trades). Unter Verwendung dieser sehr großen Anzahl von Trades können wir wissen, was die 8220worst konsekutiven verlierenden run8221 und 8220worst ziehen8221 unserer Strategie könnte die statistische Zufälligkeit der kurzfristigen Ergebnisse gegeben werden. Dies gibt uns einige sehr wichtige Informationen, wie wir jetzt wissen, was das 8220worst Verhalten8221 unseres Systems sein könnte, bevor es von seinen wahren langfristigen statistischen Eigenschaften abweicht. Zum Beispiel, wenn Sie ein System, das eine vorhergesagte 24 maximale aufeinander folgenden verlieren Lauf innerhalb einer Monte-Carlo-Simulation hat und es schließlich 26 erreicht, dann wissen Sie, dass Ihr System zu riskant geworden, um gehandelt werden, weil es begonnen hat, abweichen dramatisch aus dem langen Erwarteten Monte Carlo-Abweichungen. Bis jetzt in Asirikuy haben wir eine 8220double rule8221 verwendet, um unsere Worst-Case-Szenarien zusammenzustellen. Für Systeme mit einem Risiko von Belohnungen in der Nähe von 1: 1 (von etwa 1: 2 bis 2: 1) richtet sich die 8220-Verdopplungsregel8221 ziemlich gut mit Monte-Carlo-Simulationen aus, da das schlechteste Drawdown-Szenario in der Regel dem doppelten maximalen Drawdown entspricht - Tests. Dies bedeutet, dass unsere aktuelle Annäherung sicher gut ist, obwohl Monte-Carlo-Simulationen uns zusätzliche Verfeinerung in dieser Hinsicht geben. Die Zahl der aufeinanderfolgenden Verlust Trades ist sehr hoch in Monte-Carlo-Simulationen und in der Tat ein System kann bis zu 22-25 aufeinander folgenden Verluste in sehr langfristig, wie durch diese Simulationen gezeigt. (Oben die Ergebnisse einer 200-Handels-Teilmenge einer 100.000-Euro-Handelsroute Monte Carlo Teycanani EURUSD-Simulation gezeigt) (die grüne Linie ist der Spitzenwert für die gegebene Handelsnummer, während die rote die niedrigste Spitze für diese Handelsnummer ist Die 100K läuft)). Eine sehr interessante Beobachtung kommt, wenn man sehr schräge Systeme mit dieser Art von Simulation zu bewerten. Systeme wie Megadroid 8211 mit sehr hohen Gewinnraten und schlechte Risiko-Gewinn-Verhältnis 8211 geben insgesamt Zahlen in Monte Carlo von 7-9 aufeinander folgenden Verluste über 100 K-Trades mit einer sehr hohen Wahrscheinlichkeit von mit mindestens 4 aufeinander folgenden verlieren Trades innerhalb der ersten 10 K-Trades Und drei aufeinanderfolgende Verluste sind fast eine Gewissheit, die alle 1K-Trades. Obwohl solche Läufe ziemlich selten sind, geschehen sie, was zeigt, warum 8211 wie ich vor 8211 gesagt habe, halte ich meinen Stand gegen die Verwendung dieser Art von Systemen, da alles darauf hinweist, dass sie Ihr Konto länger wischen werden. Da Sie nicht aufhören können, sie laufen, bevor sie (wie Sie nur wissen, dass sie aufgehört zu arbeiten, wenn sie Ihr Konto abwischen) sind diese sehr unsound all-or-nothing-Typen Strategien. Berücksichtigen Sie, dass dies davon ausgeht, dass die Simulationen dieser Systeme zuverlässig sind, etwas sehr unwahrscheinlich aufgrund ihrer niedrigen Gewinn-Gewinn-Ziele, was bedeutet, dass Wisch-Szenarien können sogar viel häufiger als das, was durch die Simulationen dargestellt wird, dargestellt. Ein sehr wichtiger Teil der Monte-Carlo-Simulationen ist, um sicherzustellen, dass der schlimmste Fall zu senken bleibt in einem kleinen Teil des Eigenkapitals, so dass Sie sicherstellen können, dass, wenn ein schlimmster Fall passiert, können Sie aufhören, das System zu handeln und auf andere Strategien zu bewegen Noch arbeiten. In Systemen mit solider Trading-Taktik und kontrolliertem Risiko ist dies immer dann der Fall, wenn man feststellen kann, dass das System nicht mehr regelmäßig arbeitet, sondern nur bei der doppelten historischen Höchstbelastung in Backtests, was bedeutet, dass man tatsächlich mit einem sehr guten Stück aufhören und wechseln kann Ihr Eigenkapital noch vorhanden. Mit einem Portfolio weiter erhöht Ihre Chancen, dies zu tun, wie Sie möglicherweise in der Lage, eine Verlieren Strategie ohne harte Verluste in Kapital zu ändern, wie die anderen Systeme, die 8220keep working8221 nehmen Sie das Konto aus der Drawdown. Da die Wahrscheinlichkeit, daß viele Systeme gleichzeitig fehlschlagen, sehr klein ist, werden die Chancen, die Teile, Es gibt eine Wahrheit, die wir hier verstehen müssen: Handelssysteme können und scheitern manchmal, wenn sich die Marktbedingungen über ihre Anpassungsfähigkeit hinaus verändern. Das Wichtigste ist, dass ihre Ausfälle implizieren Equity-Wisch-outs ermöglicht es uns, einfach zu ändern, die Systeme, die Arbeit für neue Systeme, die Arbeit oder für ältere Systeme, die weiterhin genau durchzuführen arbeiten gestoppt haben. Es geht nicht darum, ein System zu haben, das 8220last für immer8221 ist (da davon ausgegangen wird, dass dies unrealistisch wäre), sondern darüber, dass viele robuste Systeme mit einer geringen Wahrscheinlichkeit zu scheitern gekoppelt mit einer klaren Kriterien, die uns wissen lässt, wann immer eine Strategie beginnt zu unterdurchführen, so dass Wir können es ändern. Monte-Carlo-Simulationen erlauben es uns, genau das zu tun, ein klares Kriterium zu entwickeln, wann ein System scheitern könnte und welches Verhalten wir längerfristig erwarten könnten, wenn es darum geht, Verluste zu verlieren, Gewinne zu erzielen usw. Nächste Woche werde ich wahrscheinlich ein Video für Asirikuy erklären Wie man Monte-Carlo-Simulationen durchführt und welche Schlussfolgerungen wir daraus über unsere Handelssysteme und ihre langfristigen Profit - und Auslosungsmerkmale ziehen können. Wenn Sie mehr über meine Arbeit erfahren möchten und wie Sie auch Ihre eigenen langfristigen rentablen Systeme verwenden können, die auf soliden Handelstaktiken basieren, denken Sie bitte an Asirikuy. Eine Website mit Bildungs-Videos, Handelssysteme, Entwicklung und eine solide, ehrliche und transparente Ansatz für automatisierte Handel im Allgemeinen gefüllt. Ich hoffe, Sie genossen diesen Artikel. O) Vielen Dank für Ihren Kommentar: o) Die grüne Linie repräsentiert den maximalen Nettogewinn für diesen Handel (zB Handel Nr. 2 auf jeder 200 Teilmenge) auf einer 100K 8211 200 Handels-Simulation, während die rote Linie den Spitzenverlust dafür darstellt Handel. Die blaue Linie repräsentiert die letzte 200 Handels-Teilmenge. Sie könnten die greenred Linien als 8220best8221 und 8220worst8221 Fall-Szenarien jeweils für jede 200 Trade-Stichprobe, eine 8220nevelope8221, die die system8217s natürlichen langfristigen statistischen Grenzen für 8220any8221 200 Trade-Subset bestimmt. Natürlich werde ich erklären, alle diese Konzepte viel besser während der nächsten week8217s Videos. Nochmals vielen Dank für Ihren Kommentar: o) PS. Ich änderte den Text ein wenig, um besser zu erklären, die oben: o) Hallo Daniel, ok jetzt i8217m sehr erfreut zu sehen, Sie haben über montecarlo Simulation gesprochen. Wie ich vor ein paar Tagen gesagt habe, benutze ich diese Simulation, um nicht nur zu verstehen, welche die obere und untere Zeile meines Systems sind, sondern auch die 95 (- 2 dev. st aus dem Mittel) oder 99 (-3dev. st von der mittleren) Wahrscheinlichkeit der möglichen Ergebnisse. Also, in meinem Diagramm habe ich 4 Zeilen, wie Sie oben gezeichnet haben, die mir helfen zu verstehen, wenn das Verhalten meines Systems innerhalb des Vertrauensintervalls von 95 oder 99 ist. Ein sehr interessanter Aspekt dieser Technik ist, dass Sie sehen können Dass, wenn Sie ein System mit Profi-Faktor gt1 haben (oder mit anderen Worten eine positive mathematische Erwartung), in der langen Zeit, können Sie immer wieder von einem DD. Vielen Dank für Ihre Beiträge. I8217m sehr abgestimmt mit Ihren Methoden über den Handel. Andrea Vielen Dank für Ihren Kommentar: o) Ich bin froh, dass Ihnen dieser Artikel gefallen hat. Die dargestellten Linien sind in der Tat für ein 95 Konfidenzintervall, das 8211, wie Sie erwähnen, 2 Standardabweichungen umfasst. Am nächsten Woche8217s Asirikuy Video werde ich decken viele dieser Konzepte auch Lehre Asirikuy Mitglieder, wie ihre eigenen Simulationen laufen. Es kann auch plausibel sein, einen Abschnitt der Website zu starten, in dem wir die Monte-Carlo-Simulationen der verschiedenen Strategien einbeziehen werden. Wie Sie Monte Carlo Simulationen erwähnen, sind leistungsfähige Werkzeuge, um zu verstehen, was die Zukunft halten kann, wenn das System seinen langfristigen statistischen Eigenschaften treu bleibt. Monte-Carlo-Simulationen ermöglichen es uns, unsere Systeme wesentlich besser zu verstehen und damit unsere Erfolgschancen zu erhöhen. Wie Sie sagen, ist es auch interessant zu beobachten, dass 8211 als ein Casino 8211 ein System mit einer positiven Flanke immer gewinnt, ungeachtet der kurzfristigen 8220negativen Abweichungen8221, die aus der Zufälligkeit der kurzfristigen Statistiken resultieren. Monte Carlo Simulationen sagen uns, dass kurzfristige Ergebnisse zufällig, aber langfristige Statistiken sind nicht: o) Ich sicherlich hoffe, Sie werden meine Zukunft Artikel auf Monte Carlo Simulationen sowie alle Inhalte, die ich für Asirikuy entwickeln werden. Nochmals vielen Dank für Ihren Kommentar 8230 helfen Ihnen, die Worst-Case-Merkmale Ihres Systems zu bewerten, dann könnten Sie prüfen, diesen Beitrag zu lesen, wo ich einige der Grundlagen der Monte Carlo Verfahren erklären und wie dies führt zum 8230