Handels System Monte Carlo Simulation

Wette schlauer mit der Monte-Carlo-Simulation In der Finanzwelt gibt es eine faire Menge an Unsicherheit und Risiko bei der Schätzung der künftigen Wert von Zahlen oder Mengen aufgrund der Vielzahl von potenziellen Ergebnissen beteiligt. Monte Carlo Simulation (MCS) ist eine Technik, die hilft, die Unsicherheit bei der Schätzung zukünftiger Ergebnisse zu reduzieren. MCS kann auf komplexe, nicht lineare Modelle angewendet oder zur Bewertung der Genauigkeit und Leistung anderer Modelle verwendet werden. Es kann auch in Risikomanagement, Portfolio-Management, Preisgestaltung Derivate, strategische Planung, Projektplanung, Kostenmodellierung und anderen Bereichen implementiert werden. (Um mehr zu erfahren, lesen Sie Monte Carlo Simulation mit GBM.) Definition MCS ist eine Technik, die Unsicherheiten in Eingangsvariablen eines Modells in Wahrscheinlichkeitsverteilungen umwandelt. Durch Kombinieren der Verteilungen und zufälliges Auswählen von Werten von diesen, berechnet es das simulierte Modell viele Male und bringt die Wahrscheinlichkeit der Ausgabe hervor. MCS ermöglicht es, mehrere Eingänge gleichzeitig zu verwenden, um die Wahrscheinlichkeitsverteilung von einem oder mehreren Ausgängen zu erzeugen. Den Eingängen des Modells können unterschiedliche Typen von Wahrscheinlichkeitsverteilungen zugeordnet werden. Wenn die Verteilung unbekannt ist, kann diejenige gewählt werden, die die beste Anpassung darstellt. Die Verwendung von Zufallszahlen charakterisiert MCS als eine stochastische Methode. Die Zufallszahlen müssen unabhängig voneinander sein. MCS erzeugt die Ausgabe als Bereich statt eines festen Wertes und zeigt an, wie wahrscheinlich der Ausgabewert im Bereich auftreten soll. Einige häufig verwendete Wahrscheinlichkeitsverteilungen in MCS NormalGaussian Distribution - Kontinuierliche Verteilung in Situationen, in denen der Mittelwert und die Standardabweichung angegeben sind, und der Mittelwert repräsentiert den wahrscheinlichsten Wert der Variablen. Es ist symmetrisch um den Mittelwert und ist nicht beschränkt. (Für verwandte Erkenntnisse siehe Die Verwendungen und Grenzen der Volatilität.) Lognormal Distribution - Kontinuierliche Verteilung durch Mittelwert und Standardabweichung angegeben. Dies ist für eine Variable von Null bis unendlich, mit positiver Schiefe und mit normal verteiltem natürlichen Logarithmus geeignet. Dreieckverteilung - Kontinuierliche Verteilung mit festen Mindest - und Höchstwerten. Sie ist durch die minimalen und maximalen Werte begrenzt und kann entweder symmetrisch (der wahrscheinlichste Mittelwert des mittleren Medians) oder asymmetrisch sein. Einheitliche Verteilung - Kontinuierliche Verteilung begrenzt durch bekannte Mindest - und Höchstwerte. Im Gegensatz zur Dreiecksverteilung ist die Wahrscheinlichkeit des Auftretens der Werte zwischen Minimum und Maximum gleich. Exponentialverteilung - Ununterbrochene Verteilung, die verwendet wird, um die Zeit zwischen unabhängigen Auftreten zu veranschaulichen, vorausgesetzt die Rate des Vorkommens ist bekannt. (Weitere Informationen finden Sie unter Finden der richtigen Anpassung mit Wahrscheinlichkeitsverteilungen.) Die Mathematik hinter MCS Betrachten wir, dass wir eine reellwertige Funktion g (X) mit der Wahrscheinlichkeitsfrequenzfunktion P (x) haben (wenn X diskret ist) oder die Wahrscheinlichkeitsdichte Funktion f (x) (wenn X stetig ist). Dann können wir den erwarteten Wert von g (X) in diskreter und kontinuierlicher Weise definieren: Empfindlichkeits-Diagramm Eine Empfindlichkeits-Tabelle kann sehr nützlich sein, wenn es darum geht, die Wirkung der Eingänge auf den Ausgang zu analysieren. Was heißt, dass 62% der Abweichung im simulierten EBITD, variable Kosten für 28,6 und Einheitspreis für 9,4 Einheiten für den Absatz verantwortlich sind. Die Korrelation zwischen Absatz und EBITD sowie zwischen Stückpreis und EBITD ist positiv oder ein Anstieg der Stück - oder Stückpreise führt zu einer Steigerung des EBITD. Variable Kosten und EBITD andererseits sind negativ korreliert und durch sinkende variable Kosten werden wir das EBITD steigern. Copyright ind Achten Sie darauf, dass die Festlegung der Unsicherheit eines Eingabewertes durch eine Wahrscheinlichkeitsverteilung, die nicht dem tatsächlichen entspricht, und die Probenahme daraus falsche Ergebnisse liefern wird. Darüber hinaus ist die Annahme, dass die Eingangsvariablen unabhängig sind, nicht gültig. Irreführende Ergebnisse können von Eingängen kommen, die sich gegenseitig ausschließen oder wenn eine signifikante Korrelation zwischen zwei oder mehr Eingangsverteilungen gefunden wird. Beachten Sie außerdem, dass die Anzahl der Versuche nicht zu klein sein sollte, da es möglicherweise nicht ausreicht, das Modell zu simulieren, was dazu führt, dass die Clusterung der Werte auftritt. Die Bottom Line Die MCS Technik ist einfach und flexibel. Sie kann nicht Ungewißheit und Risiko auslöschen, sie kann sie jedoch leichter verständlich machen, indem sie den Ein - und Ausgängen eines Modells probabilistische Merkmale zuordnet. Es kann sehr nützlich sein, um verschiedene Risiken und Faktoren zu bestimmen, die prognostizierte Variablen beeinflussen, und daher kann es zu genaueren Vorhersagen führen. Working Capital ist ein Maß für die Effizienz eines Unternehmens und seine kurzfristige finanzielle Gesundheit. Das Working Capital wird berechnet. Die Environmental Protection Agency (EPA) wurde im Dezember 1970 unter US-Präsident Richard Nixon gegründet. Das. Eine Verordnung, die am 1. Januar 1994 durchgeführt wurde, verringerte und schließlich beseitigte Tarife, um Wirtschaftstätigkeit zu fördern. Ein Maßstab, an dem die Wertentwicklung eines Wertpapier-, Investmentfonds - oder Anlageverwalters gemessen werden kann. Mobile Brieftasche ist eine virtuelle Brieftasche, die Zahlungskarteninformationen auf einem mobilen Gerät speichert. 1. Die Verwendung von verschiedenen Finanzinstrumenten oder Fremdkapital wie Marge, um die potenzielle Rendite einer Investition zu erhöhen. Wenn Sie immer noch auf der Suche nach einem Vorteil in den Märkten, sind mechanische Handelssysteme der beste Weg, um es zu bekommen. Mehr erfahren. Trading Software für Monte Carlo Analyse Führen Sie Monte Carlo Analyse auf Ihrem bestehenden Handelssystem oder Methode, um die Genauigkeit Ihrer System-Tests zu verbessern und zu verhindern, Kurvenanpassung zu verbessern. Market System Analyzer (MSA) ist eine eigenständige Windows-Anwendung, die eine einfach zu bedienende Monte-Carlo-Simulation enthält. Die Software kann auf jedes Handelssystem oder jede Methode unabhängig von Markt oder Zeitrahmen angewendet werden. In Kombination mit der Position Sizing Features von MSA, Monte Carlo Analyse kann erheblich verbessern die Schätzung Ihrer Systeme wahrscheinlich Rendite und Drawdown. Was ist Monte Carlo-Analyse Monte Carlo-Analyse ist eine Berechnungsmethode für die Bewertung der Auswirkungen der zufälligen Variation in einer Simulation Modelle Parameter. In der Monte-Carlo-Analyse werden die Zufallsvariablen eines Modells durch statistische Verteilungen repräsentiert, die zufällig abgetastet werden, um die Modelle auszugeben. Wenn die Monte-Carlo-Analyse verwendet wird, um den Handel zu simulieren, wird die Handelsverteilung, wie durch die Liste der Trades dargestellt, abgetastet, um eine Handelssequenz zu erzeugen. Jede derartige Sequenz wird analysiert und die Ergebnisse werden sortiert, um die Wahrscheinlichkeit jedes Ergebnisses zu bestimmen. Auf diese Weise wird jedem Ergebnis ein Wahrscheinlichkeits - oder Konfidenzniveau zugeordnet. Monte-Carlo-Analyse ist besonders hilfreich bei der Schätzung der maximalen Peak-to-Tal-Drawdown. Eine bessere Schätzung des Drawdowns ermöglicht eine bessere Bewertung des Risikos eines Handelssystems oder einer Handelsmethode. Bei der Verwendung eines Monte-Carlo-Ansatzes zur Berechnung des Drawdowns wird die historische Sequenz von Trades randomisiert und die Rendite und der Drawdown für die randomisierte Sequenz berechnet. Der Vorgang wird dann mehrere hundert oder tausendmal wiederholt. Betrachtet man die Ergebnisse in Aggregat, könnten wir zum Beispiel finden, dass in 95 der Sequenzen war der Drawdown weniger als 30, wenn 4 des Eigenkapitals auf jedem Handel riskiert wurde. Wir würden interpretieren, dass dies bedeutet, dass es eine Chance, dass der Drawdown wird weniger als 30, wenn 4 ist auf jedem Handel riskiert. Monte Carlo Analyse ist einfach in Market System Analyzer anwenden. Im Market System Analyzer wird die Monte-Carlo-Analyse durchgeführt, wenn der Monte-Carlo-Analyse-Befehl aus dem Menü Analyse ausgewählt wird. Das Menü Analysis enthält den Befehl Monte Carlo Analysis. Die Analyse wird auf der aktuellen Abfolge von Trades durchgeführt, unabhängig davon, welche Analyseoptionen und Einstellungen auf die aktuelle Sequenz angewendet wurden, einschließlich Positionsgrößeneinstellungen, Abhängigkeitsregeln und so weiter. Die Anzahl der Samples für die Analyse kann auf der Registerkarte "Optionen" des Dialogfelds "Analyse-Setup" eingegeben werden. In diesem Zusammenhang bedeutet quotsamplequot eine zufällig ausgewählte Sequenz von Trades. Der Standardwert ist 500 Samples, was bedeutet, dass die Ergebnisse von Monte Carlo auf 500 zufälligen Handelssequenzen basieren. Die Ergebnisse werden im Fenster "Monte Carlo Results" mit der auf der Registerkarte "Optionen" eingegebenen Vertrauensstufe angezeigt. Ein Beispiel wird unten gezeigt. Beispiel für Monte Carlo Analyse Ergebnisse von Market System Analyzer generiert. In diesem Beispiel betrug das Ausgangskonto-Eigenkapital 10.000, und es wurde ein Festlegungsverhältnis-Bestimmungsverfahren mit einem Delta von 3000 angewandt. Der Abschnitt "Key-Ergebnisse bei Select Confidence Levelsquot" listet die Rendite, das Worst-Case-Drawdown, das Return-Drawdown-Verhältnis und das modifizierte Sharpe-Verhältnis bei einer Reihe von Konfidenzniveaus auf. Beachten Sie z. B., dass, wenn Sie ein höheres Konfidenzniveau verlangen, die vorhergesagte Rendite niedriger sein wird und der Worst-Case-Drawdown höher sein wird. Der untere Abschnitt (nicht gezeigt) listet die Monte-Carlo-Simulationsergebnisse bei dem vom Benutzer ausgewählten Konfidenzniveau von 95 auf. Beispielsweise könnten die Ergebnisse eine Rendite auf das Eigenkapital von 900 mit 95 Vertrauen und einen Gewinnfaktor von 1,60 mit 95 Vertrauen zeigen. Um zu erfahren, wie Sie die Handelsabhängigkeit mithilfe von Market System Analyzer analysieren und ausschöpfen können, klicken Sie unten auf der Seite auf die Schaltfläche Next (Weiter) oder besuchen Sie den Online-Store unten, um Ihre eigene Kopie von MSA zu erwerben. Laden Sie eine voll funktionsfähige Testversion von Market System Analyzer herunter. Bewerten Sie MSA für bis zu 30 Tage. Klicken Sie hier, um unverbindlich herunterzuladen. Für einen allgemeinen Artikel über Monte Carlo Analyse, klicken Sie hier. Eine vollständige Liste der verfügbaren Handelsartikel finden Sie auf der linken Seite. Wenn Sie über Neuentwicklungen, Neuigkeiten und Angebote von Adaptrade Software informiert werden möchten, können Sie sich gerne an unsere E-Mail-Liste wenden. Danke an Michael R. Bryant Die Monte-Carlo-Analyse ist eine Berechnungsmethode, die es ermöglicht, die statistischen Eigenschaften von Modellparametern in eine Simulation aufzunehmen. In der Monte-Carlo-Analyse werden die Zufallsvariablen eines Modells durch statistische Verteilungen repräsentiert, die zufällig abgetastet werden, um die Modelle auszugeben. Die Ausgabe ist daher auch eine statistische Verteilung. Im Vergleich zu Simulationsverfahren, die keine Zufallsstichproben enthalten, liefert die Monte Carlo-Methode aussagekräftigere Resultate, die konservativer sind und in der Regel genauer sind, wenn sie als Prognosen verwendet werden. Bei der Verwendung von Monte Carlo-Analysen zum Simulieren des Handels wird die Handelsverteilung, wie sie durch die Liste von Trades dargestellt ist, abgetastet, um eine Handelssequenz zu erzeugen. Jede derartige Sequenz wird analysiert und die Ergebnisse werden sortiert, um die Wahrscheinlichkeit jedes Ergebnisses zu bestimmen. Auf diese Weise wird jedem Ergebnis ein Wahrscheinlichkeits - oder Konfidenzniveau zugeordnet. Ohne die Monte-Carlo-Analyse wäre der Standardansatz zum Berechnen der historischen Rendite beispielsweise die Analyse der derzeitigen Abfolge von Trades unter Verwendung der festen fraktionalen Positionsbestimmung. Es könnte festgestellt werden, dass die Rendite über die Sequenz 114 war. Mit der Monte-Carlo-Analyse werden hingegen Hunderte oder Tausende von verschiedenen Sequenzen von Trades analysiert und die Rendite mit einem Wahrscheinlichkeitsqualifizierer ausgedrückt. Zum Beispiel könnte die Rendite, die durch die Monte-Carlo-Analyse bestimmt wurde, 83 mit 95 Vertrauen sein. Dies bedeutet, dass von allen Tausenden von betrachteten Sequenzen 95 Renditeraten von größer oder gleich 83 aufwiesen. Die Monte-Carlo-Analyse ist besonders hilfreich bei der Schätzung des maximalen Sink-Sinkens. Soweit Drawdown ein nützliches Maß für das Risiko darstellt, wird es durch eine verbesserte Berechnung des Drawdowns möglich sein, ein Handelssystem oder eine Methode besser zu bewerten. Obwohl wir nicht vorhersagen können, wie sich der Markt morgen von dem unterscheidet, was wir in der Vergangenheit gesehen haben, wissen wir, dass es anders sein wird. Wenn wir den maximalen Drawdown auf der Grundlage der historischen Abfolge von Trades berechnen, basieren unsere Berechnungen auf einer Abfolge von Trades, die wir wissen, nicht genau wiederholt werden. Auch wenn die Verteilung der Trades (im statistischen Sinne) in der Zukunft dieselbe ist, ist die Reihenfolge dieser Trades weitgehend Zufall. Die Berechnung des Drawdowns auf der Grundlage einer bestimmten Sequenz ist etwas willkürlich. Darüber hinaus hat die Sequenz der Trades einen sehr großen Einfluss auf den berechneten Drawdown. Wenn Sie eine Abfolge von Trades auswählen, bei denen fünf Verluste in einer Reihe auftreten, könnten Sie einen sehr großen Drawdown erhalten. Die gleichen Trades, die in einer anderen Reihenfolge angeordnet sind, so dass die Verluste gleichmäßig verteilt sind, können einen vernachlässigbaren Abzug haben. Bei der Verwendung eines Monte-Carlo-Ansatzes zur Berechnung des Drawdowns wird die historische Sequenz von Trades randomisiert und die Rendite und der Drawdown für die randomisierte Sequenz berechnet. Der Vorgang wird dann mehrere hundert oder tausendmal wiederholt. Betrachtet man die Ergebnisse in Aggregat, könnten wir zum Beispiel finden, dass in 95 der Sequenzen war der Drawdown weniger als 30, wenn 4 des Eigenkapitals auf jedem Handel riskiert wurde. Wir würden interpretieren, dass dies bedeutet, dass es eine Chance, dass der Drawdown wird weniger als 30, wenn 4 ist auf jedem Handel riskiert. Im Allgemeinen gibt es zwei Möglichkeiten, die Abfolge von Trades in einer Monte-Carlo-Simulation zu generieren. Eine Option besteht darin, jede Abfolge von Trades durch Zufallsstichproben der gleichen Trades wie in der aktuellen Sequenz zu konstruieren, wobei jeder Trade einmal enthalten ist. Dieses Verfahren zur Probenahme der Handelsverteilung wird als Zufallsauswahl ohne Ersatz bezeichnet. Eine weitere mögliche Stichprobenmethode ist zufällige Auswahl mit Ersatz. Wenn diese Methode verwendet würde, würden Trades zufällig aus der ursprünglichen Liste der Trades ausgewählt, ohne Rücksicht darauf, ob der Handel bereits ausgewählt worden war oder nicht. Bei Auswahl mit Ersatz kann ein Handel mehrmals in der neuen Reihenfolge auftreten. Der Vorteil der Auswahl ohne Ersatz ist, dass sie genau die Wahrscheinlichkeitsverteilung der Eingangsfolge dupliziert, wohingegen Auswahl mit Ersetzen nicht möglich ist. Der Nachteil der Auswahl ohne Ersatz ist, dass die zufällig abgetasteten Sequenzen auf die Anzahl der Trades in der Eingabesequenz beschränkt sind. Wenn Sie eine kurze Abfolge von Trades haben (z. B. weniger als 30 Trades), kann dies die Genauigkeit bestimmter Berechnungen wie dem Drawdown beschränken. Ein Beispiel, das auf einer Probenahme ohne Austausch basiert, ist unten gezeigt. Der Handel wird unter Verwendung einer festen Verhältnispositionskalierung, beginnend mit einem Konto-Eigenkapital von 10.000, simuliert. Jede Simulation verwendet 500 Trade-Sequenzen (Samples). Der erste Ergebnisabschnitt in der Figur zeigt wichtige Ergebnisse, wie die Rendite, bei einer Reihe von Konfidenzniveaus. Beachten Sie beispielsweise, dass niedrigere Renditen für höhere Konfidenzniveaus vorhergesagt werden. Beispiel für Monte Carlo Analyse Ergebnisse.