Apuntes sobre el documento de David Walton basado en las optimizaciones de un sistema de trading mediante la permutación de los parámetros del sistema en una estrategia de trading.
Dirigido a los operadores activos que siguen un enfoque sistemático para la generación de alfa y desean comprender a fondo los posibles riesgos y beneficios que se esperan de un sistema de comercio antes de la asignación de capital.
Objetivo de la permutación de los parámetros del sistema.
El objetivo de este modelo es llegar a una idea clara y concisa sobre nuestro sistema y responder a varias preguntas:
- 1- ¿Cuál es la estimación de rendimiento razonable de este sistema?
- 2- ¿Qué tan sobre optimizado de ajuste de curvas está el sistema?
- 3- Mi nueva estrategia tiene alguna ventaja real.
Principalmente explica el documento de las permutaciones de los parámetros del sistema (SPP) como un método de estimación de rendimiento simple pero efectivo, como alternativa a la validación cruzada tradicional o compensación Data Mining Bias más complejo.
En los términos más sencillos, SPP es un método para generar distribuciones de muestreo de los parámetros de rendimiento del sistema. El método proporciona un enfoque práctico para estimar el rendimiento de un sistema de trading, así como para llevar a cabo las pruebas de significación estadística. SPP aprovecha la ley estadística de la regresión hacia la media y maximiza el uso de datos históricos del mercado.
En la optimización del sistema, la regresión hacia la media indica que la combinación específica de valores de los parámetros optimizados que dio lugar a un rendimiento extremo en la simulación histórica será probabilísticamente no poder mantener el mismo nivel de rendimiento extremo en el futuro.
En lugar de examinar la regresión hacia la media con el tiempo, SPP aprovecha las optimización es para generar unas distribución es de muestreo sobre las expectativas del rendimiento donde los efectos de regresión a la media pueden ser examinados a través de variantes del sistema mediante distintas combinaciones de parámetros.
El único requisito para poder aplicar las permutaciones de los parámetros del sistema (SPP) es que debe tener unas reglas claras y objetivas programables mediante un lenguaje de código, y que están optimizados durante el proceso de desarrollo de la estrategia. Este requisito es necesario porque SPP hace uso de la optimización de los parámetros y de los datos históricos incluidos en la estrategia.
Especificaciones de los datos en el test.
1- Periodo y plazo de simulación en los datos históricos:
El periodo de prueba de este análisis comprende desde 06/2003 hasta 06/2020.
2- Temporalidad del gráfico.
El periodo del gráfico utilizado será 4 horas.
3 – Fuente de datos de entrada.
Utilizaré datos de Dukascopy OHLC de 1 minuto con la integración del administrador de datos.
4- Comisiones y gastos.
Spread 2 puntos y Comisión por lote de 5€.
5- Gestión del dinero y capital.
La estrategia está probada con un capital de 10.000€ con un mini lote fijo de 0.10.
6- Activo en la prueba.
La divisa EUR/USD
7 – Evaluación de 4 métricas importantes :
- Beneficio neto.
- Máxima pérdida en porcentaje total histórica.
- Promedio de porcentaje de ganancia por año.
- Sharpe ratio.
Búsqueda de estrategia.
Software utilizado StrategyQuant X, estrategia de ruptura, función objetivo maximizar el Sharpe Ratio.
Realizo una búsqueda de estrategias con el motor genético de strategyquant con una condiciones de indicadores pre definidas para encontrar estrategias de ruptura en el activo. Después de generar unos cientos de estrategias haremos una segunda prueba a las estrategias con datos de 1 minuto un proceso más lento para comprobar que de las pruebas con precios de apertura a las pruebas con datos de 1 minuto las diferencias en las estrategias no sean demasiado grandes..
Prueba multi símbolo y multi periodo.
El siguiente paso será una prueba multi símbolo y multi periodo para comprobar como se adapta la estrategia a mercados correlacionados con movimientos similares y periodos de tiempo parecidos. La estrategia esta probada en los siguientes mercados:
- EURJPY H4.
- GBPUSD H4.
- AUDUSD H4.
- NZDUSD H4.
- USDCHF H4.
- EURUSD H3
- EURUSD H5
En un total de 7 mercados sólo dos el NZDUSD y AUDUSD la estrategia no se comporta bien en los demás es estable y ascendente.
Una vez que vemos que la estrategia parece ser lo suficientemente robusta en estas pruebas haremos una optimización de todo el periodo 05/2003 a 31/12/2017 para su desempeño respecto a la mediana en el conjunto de optimizaciones.
Optimización de parámetros significativos.
Optimizaré 5 parámetros a la estrategia para ver como se comporta si obtiene mejoras y que tan desviada está la estrategia de mejor SHARPE ratio, de su mediana en todas las optimizaciones que hace el programa.
- Periodo del máximo o mínimo de ruptura de vela.
- Barras valida de la orden hasta su cancelación.
- Salida por tiempo cada x Barras.
- Beneficio del ATR coeficiente multiplicador.
- Pérdida por ATR coeficiente.
Resultados del modelo de permutación de los parámetros del sistema.
El software ha hecho 2136 optimizaciones genéticamente donde el 100% de estos rangos de optimización son mayores que 0. El promedio de todas la estrategias probadas es de 11546.91€, y la mejor optimización es de 18731.33.
Ahora basándonos en este test de permutación de parámetros del sistema nos preguntaremos:
¿Está la estrategia ajustada de curvas y que rendimiento puedo esperar de ella?
Para ello nos arroja la siguiente gráfica donde podemos observar la mediana de cada distribución del proceso por los ratios del modelo.
A simple vista el Beneficio neto según la teoría de regresión a la media podríamos esperar que en vez de 15965.48€ obtengamos la media de su distribución que es 12158.02€. Lo interesante es ver que la mediana de porcentaje de ganadoras es mucho más alta que la estrategia original y lo mismo ocurre con la desviación estándar es mucho más baja que la original.
Esto es una manera sencilla de no crear falsas expectativas sobre un sistema y se puede sacar en una hoja de cálculo o con cualquier otro programa. Deberíamos de exportar el conjunto de optimizaciones y realizar una tabla donde graficar las distribuciones de las optimizaciones.
En el siguiente paso podemos podríamos realizar un Walk Forward con datos fuera de la muestra para ver como se comporta con nuevos datos y ver el modelo de permutación de los parámetros del sistema en los años siguientes. Eso lo dejaremos para otro articulo si te resulta interesante lo leído hasta aquí comenta y nos ponemos manos a la obra. 😉