- 保持簡單
- 那些經過時間考驗的方法
- 只要徹底執行
- 絕對能打敗那些花俏複雜的方法
這章介紹了幾個海龜式交易系統
全都是長線操作系統
1.ATR通道突破系統(ATR Channel Breakout)
- 使用ATR做為波動性衡量標準的波動通道系統
2.波林格突破(Bollinger Breakout)
- 使用標準差做為波動性衡量標準的波動通道系統
3.唐奇安趨勢(Donchian Trend)
- 有趨勢濾器的突破系統
4.定時出場唐奇安通道(Donchian Trend with Time Exit)
- 有趨勢濾器與定時出場的突破系統
5.雙重移動平均(Dual Moving Average)
- 這個系統在較快速的移動平均線跨過較緩慢的移動平均線時買進或賣出
- 和其它系統最大的不同處是
- 無論是長線或短線都一直留在市場上
6.三重移動平均(Triple Moving Average)
- 這個系統在較快速的移動平均線跨過較緩慢的移動平均線時買進或賣出
- 前提是移動方向要符合另一條非常緩慢的移動平均線所顯示的主要趨勢
[書上各系統的比較]
Chapter 11 要命的謊言與績效回測
歷史測試結果和實際交易績效出現差異的主要四個原因
1.交易人效應
- 這個效應是指某一方法在最近獲利甚多
- 其它交易人起而效尤使用類似方法
- 讓該方法效果變差的機會大增
2.隨機效應
- 歷史測試所顯示的績效
- 可能要比隨機取樣的勝算還要佳
3.最佳話悖論
- 在某一變數上所做的選擇降低了績效回測本身的預測值
4.過份符合或曲線符合
- 系統可能非常複雜根本沒有預測值
- 因為把它和歷史數據調整到極為接近
- 市場行為稍加改變就會造成明顯較差的結果
Chapter 12 穩固的基礎
- 用差勁的方法來交易
- 就像是暴風雨中站在小船上練習變戲法一樣
- 當然,還是可以做到
- 只是如果能站在平穩的地面上,變起戲法就容易多了
[ 測試的統計基礎 ]
從母體取樣進行推測的統計領域
同時也是歷史測試預測力的基礎
從母體抽樣來推論的做法
有兩個主要因素會影響統計有效性
分別是樣本大小以及該樣本能代表全體的程度是多少
許多交易人和新系統測試者只明白樣本大小的理論
但卻以為他指的只是測試中的交易筆數
他們不了解如果某些規則或概念只適用於少數情況
則就算測試了上千筆交易
測試的統計有效性還是會降低
他們也常忽略了樣本必須能代表母體這個必要性
因為沒有客觀分析則很難去衡量這一點
[ 現存測量值不夠穩健 ]
測量值不穩鍵可能會產生某一觀念的實用性被高估
或是因為比不上使用更穩健值所得到的結果而被人魯莽丟棄
如果將一小部分的資料稍加改變
而對統計量沒有重大影響
則該統計量就算可靠
[ 回歸年報酬率 ]
線性迴歸線及其代表的報酬率創造出一個新的測量值
把它稱為回歸年報酬率,簡稱RAR%
這項測量值對於測試的起始日和截止日敏感度低了許多
[ 4R指數(R-cubed):新的風險/報酬測量值 ]
4R指數用RAR%做為分子
分母則是一個新的測量值
把它稱為調整過長度的平均最大連續虧損
其包含兩個部分
平均最大連續虧損和長度調整
平均最大連續虧損的算法是把最大的五個連續虧損加總後除以5
長度調整則是將平均最大連續虧損的持續天數除以365
最後再把兩者相乘
EX:
如果 RAR% = 50% , 平均最大連續虧損 = 25% , 平均最大虧損長度 = 365天
則4R = 2.0 = 50% / ( 25% * 365/365 )
[ 穩健夏普指數(R-Shsrpe) ]
穩健夏普指數是將RAR%除以月報酬率的年化標準差
這項測量值對於資料變化比較不那麼敏感
[ 代表性樣本 ]
樣本交易和測試結果是否具未來代表性,有兩大決定因素
1.市場數
- 測試的市場越多就越可能納入市場各種波動與趨勢狀況
2.測試為期
- 跨較常時期的策是較能夠納入更多市場狀況
- 也比較可能涵蓋足以代表未來的過去時段
[ 樣本大小 ]
樣本大小的觀念很簡單
你需要夠大的樣本才能做出有效的統計推論
不過真正的挑戰並非決定需要多少樣本
在測試某一系統的新規則時
你必須設法測量出這條規則會影響結果的次數
如果在整個測試中該規則只發揮影響力四次
則你沒有統計基礎來決定這項規則是否有幫助
它很可能只是隨機出現
要解決這個問題有個方法
那就是設法將這項規則廣義化使其更常發揮作用
這將能增加樣本大小
也能提升測試對於這條規則的統計敘述價值
有兩種做法會讓小型樣本的問題更加惡化
1.單一市場最佳化
- 各別市場單獨進行的最佳化法很難用足夠的樣本來進行測試
- 因為單一市場所提供的交易機會並不多
2.複雜系統
- 複雜系統有諸多規則
- 而且很難決定某一規則發揮影響的次數或者影響的程度
- 因此使用複雜系統所進行的測試很難獲得可靠的統計敘述價值
[ 參數重組 ]
再考慮使用某個系統來交易之前
挑出幾個系統參數然後大幅改變一番
類似改為原數值的20%或25%
這是相當劇烈的變化
而當使用歷史資料進行測試到實際步入市場來交易時
就有可能遇到這種劇烈的變化
[ 滾動最佳化窗口 ]
這個做法能夠直接體會從測試走入實際交易的經驗
選個過去八或十年內的一個日期
將這一天之前的所有資訊最佳化
使用你平常會使用的最佳化方法,做出你平常會做的取捨
假裝你擁有的資訊只到那一天為止
當你決定了最佳參數之後
再使用最佳化之後兩年的資訊來模擬那些參數
看看接下來這幾年的績效如何
-------------------------------------------------------------
[海龜投資法則] 其它部分
上一篇 下一篇
PartⅠ:https://www.wantgoo.com/61739/11
PartⅡ:https://www.wantgoo.com/61739/12
PartⅢ:https://www.wantgoo.com/61739/13
如果覺得還可以請幫忙按個推薦吧:)
本文內容僅供參考，無任何買賣建議，投資人應謹慎評估，風險自負。
