Tradestation ตัวเลือก Backtesting

การสนับสนุนด้านการจัดการข้อมูลในระดับสถาบันมีการใช้โซลูชันการใช้งานกลยุทธ์การวิเคราะห์ข้อมูล: - หุ้นตัวเลือกฟิวเจอร์สสกุลเงินตะกร้าและเครื่องมือสังเคราะห์ที่กำหนดเองได้รับการสนับสนุน - มีฟีดข้อมูลแอบแฝงต่ำมาก (ความเร็วในการประมวลผลนับล้านข้อความต่อวินาทีในเทราไบต์) - C และ based - backtesting กลยุทธ์และการเพิ่มประสิทธิภาพ - การดำเนินการโบรกเกอร์หลายสนับสนุนสัญญาณซื้อขายแปลงเป็นคำสั่ง FIX QuantFACTORY - การจัดการข้อมูลระดับสถาบัน backtesting กลยุทธ์การใช้งานโซลูชัน: - QuantDEVELOPER - กรอบและ IDE สำหรับการพัฒนากลยุทธ์การค้าการแก้จุดบกพร่อง backtesting และการเพิ่มประสิทธิภาพพร้อมใช้งานเป็นภาพ สตูดิโอปลั๊กอิน - QuantDATACENTER - ช่วยในการจัดการคลังข้อมูลที่ผ่านมาและจับภาพข้อมูลตลาดแบบเรียลไทม์หรือต่ำมากจากผู้ให้บริการและการแลกเปลี่ยน - QuantENGINE - ช่วยในการปรับใช้และดำเนินการกลยุทธ์ที่สร้างไว้ล่วงหน้า - ข้อมูลหลายหน่วย โบรกเกอร์หลายรายได้รับการสนับสนุน Managem ข้อมูลระดับสถาบัน ระบบการจัดการการดำเนินงานของ backtesting - OpenQuant - C และ VisualBasic ระบบระดับผลงาน backtesting และการซื้อขาย, multi - asset, การทดสอบระดับ intraday, การเพิ่มประสิทธิภาพ, WFA ฯลฯ โบรกเกอร์หลายและฟีดข้อมูลที่สนับสนุน - QuantTrader - สภาพแวดล้อมการค้าการผลิต - QuantBase - การจัดการข้อมูลแบบรวมศูนย์ - QuantRouter - ข้อมูลและคำสั่งการกำหนดเส้นทางการจัดการข้อมูลระดับสถาบัน backtesting กลยุทธ์การใช้งานโซลูชัน: - โซลูชันหลายสินทรัพย์ฟีดข้อมูลหลายสนับสนุนฐานข้อมูลสนับสนุนชนิดของ RDBMS ใด ๆ ที่ให้อินเตอร์เฟซ JDBC เช่น Oracle, Microsoft SQL Server, Sybase, MySQL ฯลฯ - ลูกค้าสามารถใช้ IDE กับสคริปต์ในกลยุทธ์ทั้งใน Java, Ruby หรือ Python หรือสามารถใช้กลยุทธ์ของตัวเอง IDE - การดำเนินการของโบรกเกอร์หลายตัวได้รับการสนับสนุนการซื้อขายสัญญาณที่แปลงเป็นคำสั่ง FIX Institutional - การจัดการข้อมูลแบบย้อนหลัง (backtesting strategy) การแก้ปัญหาการใช้งาน: - โซลูชัน multi-asset (forex, options, futures, หุ้น, ETFs, สินค้าโภคภัณฑ์, เครื่องมือสังเคราะห์และการแพร่กระจายอนุพันธ์แบบกำหนดเองเป็นต้น) สนับสนุนฟีดข้อมูลหลาย ๆ ชุด - กรอบการพัฒนากลยุทธ์การซื้อขาย, debugging, backtesting และการเพิ่มประสิทธิภาพ - รองรับการดำเนินการของโบรกเกอร์หลายรายสัญญาณการซื้อขายที่แปลงเป็นคำสั่ง FIX (IB, JPMorgan, FXCM ฯลฯ ) แพลตฟอร์มซอฟต์แวร์เฉพาะที่รวมข้อมูล Tradestations สำหรับการตรวจสอบย้อนกลับและการซื้อขายอัตโนมัติ: - ข้อมูลรายวัน (หุ้นสำหรับ 43 ปี, ฟิวเจอร์ส 61 (การวิเคราะห์ทางเทคนิค) การสนับสนุนภาษาการเขียนโปรแกรม EasyLanguage - สนับสนุนหุ้นสหรัฐ ETFs , Futures, ดัชนีสหรัฐ, หุ้นเยอรมัน, ดัชนีเยอรมัน, อัตราแลกเปลี่ยนฟรีสำหรับลูกค้าโบรกเกอร์ Tradestation - 249.95 รายเดือนสำหรับผู้ที่ไม่ใช่มืออาชีพ (แพลตฟอร์มซอฟต์แวร์ Tradestation เท่านั้นโดยไม่ต้องนายหน้าซื้อขายหลักทรัพย์) - 299.95 รายเดือนสำหรับมืออาชีพ (แพลตฟอร์มซอฟต์แวร์ Tradestation เท่านั้นโดยไม่ต้องนายหน้าซื้อขายหลักทรัพย์) แพลตฟอร์มซอฟต์แวร์สำหรับ backtesting และการซื้อขายอัตโนมัติ: - สนับสนุนกลยุทธ์ dailyintraday, การทดสอบระดับผลงานและการเพิ่มประสิทธิภาพ, การสร้างแผนภูมิ, การสร้างภาพ, การรายงานแบบกำหนดเอง, การวิเคราะห์แบบมัลติเธรด, การสร้างแผนภูมิ 3D, การวิเคราะห์ WFA เป็นต้น - ดีที่สุดสำหรับการทำ backtesting - เชื่อมโยงโดยตรงกับ eSignal, โบรกเกอร์เชิงโต้ตอบ, IQFeed, myTrack, FastTrack, QP2, TC2000, ฟีดใด ๆ ที่รองรับ DDE, MS, txtfiles และอื่น ๆ (Yahoo Finance ) - ค่าธรรมเนียมเพียงครั้งเดียว 279 สำหรับ Standard edition หรือ 339 สำหรับ Professional Edition แพลตฟอร์มซอฟต์แวร์เฉพาะสำหรับ backtesting และการซื้อขายอัตโนมัติ: - ระบบ backtesting ระดับผลงานและการซื้อขาย, multi-asset, การทดสอบระดับ intraday, การเพิ่มประสิทธิภาพ, visualization เป็นต้น - ช่วยให้การรวม R, การซื้อขายอัตโนมัติในภาษาสคริปต์ Perl ที่มีฟังก์ชั่นพื้นฐานทั้งหมดที่เขียนขึ้นในภาษา C ซึ่งจัดเตรียมไว้สำหรับตำแหน่งที่ตั้งของเซิร์ฟเวอร์ร่วมกับ FXCM และ Interactive Brokers สนับสนุนฟรี FXCM, 100 ต่อเดือนสำหรับแพลตฟอร์ม IB ติดต่อ Salesseertrading สำหรับตัวเลือกอื่น ๆ แพลตฟอร์มซอฟต์แวร์เฉพาะสำหรับ backtesting และ auto-trading: - รองรับกลยุทธ์ dailyintraday การทดสอบและเพิ่มประสิทธิภาพระดับพอร์ตการลงทุน - ดีที่สุดสำหรับ backtesting สัญญาณราคา (การวิเคราะห์ทางเทคนิค), C scripting - รองรับซอฟต์แวร์ที่รองรับ - จัดการฟีดข้อมูลการใช้กลยุทธ์ ฯลฯ - 799 ต่อใบอนุญาต 150 ปี ค่าธรรมเนียมหลังจากแพลตฟอร์มซอฟต์แวร์เฉพาะสำหรับ backtesting การเพิ่มประสิทธิภาพการระบุแหล่งที่มาประสิทธิภาพและการวิเคราะห์: - Axioma หรือส่วนที่ 3 การวิเคราะห์ปัจจัยการผลิตการสร้างแบบจำลองความเสี่ยงการวิเคราะห์วงจรตลาดแพลตฟอร์มซอฟต์แวร์เฉพาะสำหรับ backtesting และการซื้อขายอัตโนมัติ: - ดีที่สุดสำหรับ backtesting สัญญาณราคา (การวิเคราะห์ทางเทคนิค) สนับสนุนกลยุทธ์ dailyintraday การทดสอบระดับพอร์ตการลงทุนและการเพิ่มประสิทธิภาพ - Turtle Edition - backtesting engine, กราฟ, รายงาน, การทดสอบ EoD - Professional Edition - รวมทั้งตัวแก้ไขระบบ, เดินหน้าวิเคราะห์, การทดสอบแบบมัลติเธรดเป็นต้น - Pro Plus Edition - รวมทั้งแผนภูมิพื้นผิว 3 มิติ, การเขียนสคริปต์เป็นต้น - Builder Edition - IB API, ดีบั๊ก ฯลฯ - Turtle Edition 990 - Professional Edition 1,990 - Pro Plus Edition 2,990 - Builder Edition 3,990 แพลตฟอร์มซอฟต์แวร์เฉพาะสำหรับการทำ backtesting และการซื้อขายอัตโนมัติ: - สนับสนุนกลยุทธ์รายวัน, การทดสอบระดับผลงานและการเพิ่มประสิทธิภาพ, การสร้างแผนภูมิ, การสร้างภาพ, การรายงานที่กำหนดเอง ฯลฯ - เหมาะสำหรับการทำ backtesting สัญญาณราคา (การวิเคราะห์ทางเทคนิค) - ลิงก์โดยตรงไปยังโบรกเกอร์เชิงโต้ตอบ, MB Trading, TD Ameritrade, FXCM และอื่น ๆ - ข้อมูลมาก่อน m ไฟล์ข้อความ, eSignal, Google Finance, การเงินของ Yahoo, IQFeed และอื่น ๆ - ฟังก์ชันพื้นฐาน (ฟังก์ชัน EoD) - ฟรี - ฟังก์ชันขั้นสูง - เช่าจากใบอนุญาตอายุการใช้งาน 50 เดือนหรือ 995 ใบแพลตฟอร์มซอฟต์แวร์เฉพาะสำหรับ backtesting และการซื้อขายอัตโนมัติ: - ดีที่สุดสำหรับ backtesting (การวิเคราะห์ทางเทคนิค) สนับสนุนกลยุทธ์ dailyintraday, การทดสอบระดับผลงานและการเพิ่มประสิทธิภาพ, การสร้างแผนภูมิ, การสร้างภาพข้อมูล, การรายงานแบบกำหนดเอง - สนับสนุน C และ Visual Basic - เชื่อมโยงโดยตรงกับโบรกเกอร์เชิงโต้ตอบ, IQFeed, txtfiles และอื่น ๆ (Yahoo Finance ) - ใบอนุญาตถาวร - 499 - สัญญาเช่า 50 ต่อเดือนแพลตฟอร์มซอฟต์แวร์เฉพาะสำหรับ backtesting และการซื้อขายอัตโนมัติ: - สนับสนุนกลยุทธ์รายวัน, การทดสอบระดับผลงานและการเพิ่มประสิทธิภาพ, การสร้างแผนภูมิ, การสร้างภาพ, การรายงานที่กำหนดเอง - สัญญาณทางเทคนิคและพื้นฐานการสนับสนุนหลายสินทรัพย์ - 245 สำหรับเวอร์ชันขั้นสูง (ผู้ให้บริการข้อมูลฟรี) - 595 สำหรับเวอร์ชันพรีเมี่ยม (สนับสนุนผู้ให้บริการข้อมูลและโบรกเกอร์หลายราย) แพลตฟอร์มซอฟต์แวร์เฉพาะสำหรับการทำ backtesting และการซื้อขายอัตโนมัติ: - สนับสนุนกลยุทธ์รายวัน, การทดสอบและเพิ่มประสิทธิภาพระดับพอร์ตโฟลิท - เหมาะที่สุดสำหรับการทำ backtesting การวิเคราะห์ทางเทคนิค) - สร้างข้อมูลสำหรับหุ้น, ฟิวเจอร์สและอัตราแลกเปลี่ยน (หุ้นสหรัฐทุกวันตั้งแต่ปี 1990, ฟิวเจอร์สทุกวัน 31 ปี, อัตราแลกเปลี่ยนจากปี 1983 เป็นต้น) - ราคาตั้งแต่ 45 เดือนถึง 295 เดือน (ราคาขึ้นอยู่กับความพร้อมใช้งานของข้อมูล) แพลตฟอร์มซอฟต์แวร์เฉพาะ สำหรับ backtesting และการซื้อขายอัตโนมัติ: - ใช้ภาษา MQL4 ซึ่งใช้ในการค้าตลาด forex - สนับสนุนโบรกเกอร์ forex หลายรายและฟีดข้อมูล - รองรับ การจัดการหลายบัญชีแพลตฟอร์มซอฟต์แวร์เฉพาะสำหรับ backtesting และการซื้อขายอัตโนมัติ: - สนับสนุนกลยุทธ์ dailyintraday, การทดสอบระดับผลงานและการเพิ่มประสิทธิภาพ - ดีที่สุดสำหรับ backtesting สัญญาณราคา (การวิเคราะห์ทางเทคนิค), การสนับสนุนภาษาการเขียนโปรแกรม EasyLanguage - สนับสนุนข้อมูลหลาย feeds (Bloomberg, Thomson Reuters, CSI, CQG, eSignal เป็นต้น) การสนับสนุนโดยตรงสำหรับโบรกเกอร์หลายราย (Interactive Brokers เป็นต้น) - Multicharts 797 ต่อปี - ชีวิต Multicharts 1,497 - Multicharts Pro 9,900 (ข้อมูล Bloomberg Thomson Reuters เป็นต้น) เครื่องมือทดสอบหลังเว็บที่ใช้ทดสอบ กลยุทธ์การเลือกหุ้น: - หุ้นสหรัฐ ETFs (รายวัน) - ข้อมูลพื้นฐานในช่วงเวลาตั้งแต่ปี 1999 - กลยุทธ์ longshort, signalfundamentals ขับเคลื่อนสัญญาณ - ออกแบบ - 139 เดือน - ผู้จัดการ - 199 เดือน - ฟังก์ชันการทำงานที่สมบูรณ์แบบผลงาน Analytics โดยใช้ข้อมูลตลาดความถี่สูง: - ผลิตภัณฑ์นี้มีไว้สำหรับการใช้งานของผู้ค้ารายใหญ่ในระดับปานกลางถึงต่ำ การคำนวณทั้งหมดทำโดยใช้ข้อมูลตลาดความถี่สูงซึ่งเป็นประโยชน์สำหรับผู้ค้ารายใหญ่และผู้ค้ารายใหญ่ - การทำ backtesting ในวันพรุ่งนี้การบริหารความเสี่ยงพอร์ตโฟลิคการคาดการณ์และการเพิ่มประสิทธิภาพในทุกวินาทีราคานาทีชั่วโมงสิ้นวัน อินพุตรุ่นที่สามารถควบคุมได้ทั้งหมด - ตลาดข้อมูล 8k ติ๊กแหล่งข้อมูลตั้งแต่ปีพ. ศ. 2555 (หุ้นดัชนี ETF ที่ขายใน NASDAQ) ลูกค้าสามารถอัปโหลดข้อมูลการตลาดของตนเอง (เช่นหุ้นจีน) - 40 ตัวชี้วัดพอร์ตโฟลิโอ (VaR, ETL, alpha, beta, Sharpe ratio, Omega ratio ฯลฯ ) - สนับสนุน R, Matlab, Java Python - การเพิ่มประสิทธิภาพพอร์ตโฟลิโอ 10 เครื่องมือ backtesting จากเว็บ: - ราคาหุ้นสหรัฐ (dailyintraday) ข้อมูลจาก QuantQuote - ข้อมูล forex จาก FXCM - สนับสนุน Trader Interactive โบรกเกอร์สำหรับการเฝ้าดูสดเครื่องมือ backtesting เว็บ: - หุ้นสหรัฐและ ETFs ราคา (dailyintraday) ตั้งแต่ปี 2002 - ข้อมูลพื้นฐานจาก Morningstar (กว่า 600 เมตริก) - สนับสนุน Interactive โบรกเกอร์สำหรับการซื้อขายสด เครื่องมือการทำ backtesting ที่ใช้เว็บ: - ใช้กลยุทธ์การจัดสรรสินทรัพย์ข้อมูลง่ายตั้งแต่ปีพ. ศ. 2535 - โมเมนตัมของโมเมนตัมเวลาและกลยุทธ์เฉลี่ยในการเคลื่อนย้าย ETFs - กลยุทธ์การเก็บสต็อค Simple Momentum และ Simple Value - ใช้เครื่องมือ backtesting แบบเว็บ - ได้ถึง 25 ปีสำหรับ 49 ฟิวเจอร์สและหุ้น SP500 - กล่องเครื่องมือใน Python และ Matlab - Quantiacs เป็นเจ้าภาพการแข่งขันทางการค้าที่มีการลงทุนด้วยการลงทุนตั้งแต่ 500,000 ถึง 1 ล้านนายหน้า Backtest เสนอเว็บที่มีประสิทธิภาพและใช้งานง่ายแบบย้อนหลัง ftware: - Backtest ในสองคลิก - เรียกดูไลบรารีกลยุทธ์หรือสร้างและเพิ่มประสิทธิภาพกลยุทธ์ของคุณ - การซื้อขายกระดาษการซื้อขายอัตโนมัติและอีเมลเรียลไทม์ - 1 ต่อ backtest และน้อยกว่าเครื่องมือ backtesting ตาม WebCloud: - FX (ForexCurrency) ข้อมูลที่สำคัญ คู่จะกลับไปที่ 2007 - SecondMinuteHourlyDaily บาร์ - ซื้อขายอยู่กับโบรกเกอร์ใด ๆ ที่ใช้ Metatrader 4 เป็น backtest เว็บของเครื่องมือ backtesting ที่ใช้ในการทดสอบการเลือกปัจจัยการเลือกและกลยุทธ์การจัดสรรสินทรัพย์: - ปัจจัยส่วนได้หลายที่มีอัลฟาพิสูจน์แล้วกว่ามาตรฐานหมวกตลาด , จักรวาลการลงทุนหลายตัวกรองการบริหารความเสี่ยง - กลยุทธ์การจัดสรรสินทรัพย์ backtests การปันส่วนสินทรัพย์ผสมและการเลือกปัจจัยลงในพอร์ตโฟลิโอฟรีบนจักรวาล SP 100 - จักรวาลการลงทุนในสหรัฐฯ 50 ล้านหรือ 480 ปี - กว้างขึ้นหุ้นในสหราชอาณาจักรของสหราชอาณาจักรกลยุทธ์การจัดสรรสินทรัพย์เครื่องมือ backtestingscreening บนเว็บ : - มากกว่า 10 000 หุ้นสหรัฐประวัติจนถึง 20 ปี - เกณฑ์ทางเทคนิคพื้นฐาน - ฟรี - ฟังก์ชันที่ จำกัด (1 ปี ไม่มีข้อมูลที่บันทึกไว้ backtests ฯลฯ ) - 50 เดือน - เต็มรูปแบบสภาพแวดล้อมซอฟต์แวร์ฟรีสำหรับการคำนวณทางสถิติและกราฟิกจำนวนมาก quants ต้องการใช้สำหรับสถาปัตยกรรมเปิดพิเศษและความยืดหยุ่น: - การจัดการข้อมูลที่มีประสิทธิภาพและสถานที่จัดเก็บกราฟิก สิ่งอำนวยความสะดวกสำหรับการวิเคราะห์ข้อมูลได้อย่างง่ายดายขยายผ่านแพคเกจ - นามสกุลที่แนะนำ - quantstrat, Rmetrics, quantmod, quantlib, PerformanceAnalytics, TTR ผลงาน portfolioSim, backtest ฯลฯ MATLAB - ภาษาระดับสูงและสภาพแวดล้อมแบบโต้ตอบสำหรับการคำนวณทางสถิติและกราฟิก: - ขนาน และการประมวลผลแบบ GPU การทำ backtesting และการเพิ่มประสิทธิภาพความเป็นไปได้ในการผสานรวม ฯลฯ - ราคาที่ขอได้ที่นี่ BacktestingXL Pro เป็นโปรแกรมเสริมสำหรับการสร้างและทดสอบกลยุทธ์การซื้อขายของคุณใน Microsoft Excel 2010 และ 2013: - ผู้ใช้สามารถใช้ VBA เพื่อสร้างกลยุทธ์สำหรับ BacktestingXL Pro ความรู้ VBA เป็นทางเลือกผู้ใช้สามารถสร้างกฎการซื้อขายในสเปรดชีตโดยใช้รหัสย้อนหลังที่ทำไว้ล่วงหน้าแบบมาตรฐาน - รองรับการใช้งาน Pyramiding, Shortlong Limit, การคำนวณค่าคอมมิชชั่น, การติดตามทุน, การควบคุมค่าใช้จ่ายนอกบ้าน, การกำหนดราคาเองของ buysell - รายงานจากหลายรายงาน - 74.95 สำหรับ BacktestingXL Pro ฟรีการเขียนโปรแกรมภาษาโอเพนซอร์ส, สถาปัตยกรรมแบบเปิด, ยืดหยุ่น, ขยายได้ง่ายผ่านทางแพ็คเกจ: - FactorWave เป็นเครื่องมือง่ายๆในการใช้เครื่องมือ backtesting บนเว็บสำหรับการลงทุนด้านปัจจัย: - ช่วยให้ผู้ใช้สามารถผสมผสานปัจจัย ETFoptionsfuturesequity หลาย ๆ อันที่มีอัลฟาที่ผ่านการพิสูจน์มาแล้ว market-cap benchmarks - ฟรี - ETFStock Screener มี 5 ปัจจัย - 149 ตัวเลือกตัวเลือกฟรี screener, กลยุทธ์ฟิวเจอร์ส, vix กลยุทธ์เครื่องมือ backtesting เว็บ: - ใช้งานง่ายเครื่องมือ backtesting รายการระดับบนเว็บเพื่อทดสอบความแรงของญาติและค่าเฉลี่ยเคลื่อนที่ กลยุทธ์เกี่ยวกับ ETFs - หลายประเภทของกลยุทธ์ฟรีฟังก์ชั่น backtesting สมบูรณ์ 34,99 รายเดือนฟรีเว็บ b - ข้อมูลจาก ValueLine จาก 1986-2014 - ราคาและข้อมูลพื้นฐาน 1700 หุ้นการทดสอบความละเอียดรายเดือนในฟอรัมที่ฉันอ่านมีคนแนะนำกลยุทธ์ที่คล้ายคลึงกับที่ฉันได้ค้นคว้าใน อดีต กฎของพวกเขาเป็นเรื่องง่าย: ขาย Bull Put Spread ในวันพฤหัสบดีที่ 20 พ. ย. ในเวลาทำการซึ่งจะหมดอายุในสัปดาห์หน้าการประท้วงระยะสั้นต้องมีอย่างน้อย 100 คะแนนจากราคาสปอตไลท์ในปัจจุบันขายตามแนวตั้งเมื่อถึง 0.05 จัดสรรให้ 50 ผลงานของคุณไป การค้านี้ กลยุทธ์นี้จะบอกกล่าวกับความเชื่อที่ว่า SPX ไม่สามารถเคลื่อนที่ได้มากกว่า 100 จุดในหน้าต่างวันที่ 8 และปริมาณรายสัปดาห์นั้นมีราคาแพง เมื่อมองจากช่วง 15 ปีที่ผ่านมาฉันพบว่านี่เป็นเรื่องจริง 99.31 ครั้ง มี 26 กรณีจากตัวอย่างที่ 3752 ที่ตลาดขยับลงมากกว่า 100 จุด หลายครั้งในช่วงวิกฤติในปีพ. ศ. 2551 ถึงปีพศ. 2544 แต่เป็นช่วงเวลาล่าสุดในเดือน ต. ค. 2014 โชคดีสำหรับกลยุทธ์นี้มันไม่ได้เกิดขึ้นในวันพฤหัสบดีที่ผ่านมา ต่อไปนี้เป็นกฎสำหรับกลยุทธ์นี้: ฉันเลือก 10:00 น. ในวันพฤหัสบดีเพื่อวางการค้า โปรดทราบว่าความลื่นไถลและค่าคอมมิชชั่นจะถูกนำมาพิจารณาด้วย ฉันได้ทดสอบกลยุทธ์นี้ตั้งแต่เดือนมกราคม 2551 จนถึงเดือน ธ . ค. 2014 ผลการวิจัยมีแนวโน้มดี โดยภาพรวมการค้านี้มีผลการดำเนินงานเป็นอย่างดีในปีพ. ศ. 2554 ก่อนปี 2554 เป็นไปอย่างราบรื่น ส่วนใหญ่เป็นเพราะในขณะที่มีการหมดอายุรายสัปดาห์ไม่มีการนัดหยุดงานเพียงพอในการหมดอายุเหล่านั้นเพื่อหาธุรกิจที่สอดคล้องกัน มากเวลามันก็นั่งออกจากตลาดและการซื้อขายหมดอายุรายเดือน ในระหว่างช่วงเวลาที่เกิดขึ้นในปีพ. ศ. 2551 และในขณะที่ยุทธศาสตร์มีการเบิกจ่ายครั้งใหญ่ในระหว่างเหตุการณ์นั้นในภาพใหญ่มันทำได้ดีทีเดียว แต่มันยากที่จะสรุปได้ว่ามันนั่งออกตลาด 75 ของเวลาในช่วงเวลานี้ ตั้งแต่ปี 2554 เป็นต้นมาการค้าขายก็เริ่มดีขึ้น กำลังเข้าสู่การค้าทุกสัปดาห์ตามจุดนี้ นอกจากนี้ยังอยู่ระหว่างการวิ่งวัวดังนั้นการค้าเป็นลมที่ด้านหลังของมัน แต่คุณสามารถดู drawdowns (แผนภูมิล่าง) มีขนาดค่อนข้างเล็ก แต่ทำไม 100 จุดผมคิดว่ามันถูกเลือกสำหรับเหตุผลที่ตลาดเกือบจะไม่เคยย้ายที่มากในช่วงเวลานั้น (99.31 จำ) แต่คะแนน 100 คะแนนในวันนี้ (5 ย้าย) แตกต่างจาก 100 จุดในปี 2009 (8-13 ย้าย) ดังนั้นฉันต้องดูเปอร์เซ็นต์การเคลื่อนไหว ฉันทดสอบ 4.5, 5, 6 และ 7 20pt Spread ตามแนวตั้ง 4.5 จาก Portfolio Spot Margin PM ต้องมีอัตรากำไร 16 กว่า RegT และ 1.6 margin จะเป็นไปตามที่กำหนดไว้ แต่ขอบของ PM มีความลื่นกว่าของอื่น ๆ เมื่อตลาดลดลงความต้องการของมาร์จินจะเพิ่มขึ้น รายละเอียดของ PM margining มีความซับซ้อนมากขึ้น 8211 แต่เพื่อความเรียบง่ายและเนื่องจากฉันไม่สามารถคำนวณอัตรากำไรขั้นต้นได้ฉันจะสมมติว่าเป็นเปอร์เซ็นต์คงที่ของ RegT margin สั้นทำให้ I8217m มุ่งเน้นไปที่การวางสั้น ๆ เนื่องจากการโทรสั้น ๆ มีสัดส่วนเล็กลงกับผลกำไรโดยรวม การโทรมีราคาถูกมากเมื่อเทียบกับที่วางและกะเหรี่ยงรายงานว่าขายได้ครึ่งหนึ่งของจำนวนสายที่โทร I8217m แน่ใจว่าจะเพิ่มบรรทัดล่างของเธอ แต่สำหรับความเรียบง่ายฉันจะปล่อยให้พวกเขาออกตอนนี้ ต่อไปนี้แสดงรายละเอียดความเสี่ยงของ SPX 1875 สั้น ๆ ตั้งแต่ต้นเดือนเมษายนเป็นต้นไปการค้านี้มีมูลค่าเพิ่มขึ้น 600 ถ้า SPX ปิดเหนือ 1875 ใน 52 วัน แต่มองไปที่ PL ในชิ้นราคาคุณสามารถดูได้อย่างรวดเร็วเพียงแค่การค้านี้ looses ค่าเป็นตลาดลดลง หากตลาดลดลง -12 การค้าจะอยู่ภายใต้น้ำโดย 7.4k ที่จริงมันเลวร้ายยิ่งกว่าที่มันไม่ได้คำนึงถึงการเปลี่ยนแปลงใด ๆ vega เนื่องจากการลดลง เมื่อเทียบกับ PM margining มูลค่าที่ -12 ลดลงจะต้องสูงกว่าสภาพคล่องสุทธิของบัญชี 821s ของคุณ ดังนั้นหากคุณมีพอร์ตโฟลิโอ 1M คุณสามารถทำสัญญาได้ 135 สัญญา แต่เนื่องจากการลดลงของตลาดหรือความผันผวนการคำนวณของคุณ -12 จะเพิ่มขึ้นและคุณจะอยู่ในสถานะใกล้เคียงเท่านั้น I8217m กฎการทดสอบจะไม่พยายามที่จะทำซ้ำอย่างสมบูรณ์แบบการค้า Karen8217s ตั้งแต่ที่เป็นไปไม่ได้ 8211 แต่แทนที่จะมุ่งเน้นไปที่การมีชีวิตของการขายสั้นทำให้ โดยเฉพาะอย่างยิ่ง: ขายใช้กำไร 50 จากมาร์เก็ตขายที่ 2SD ขายวางระหว่าง 40-56 วันที่หมดอายุเปิด 1 การค้าต่อสัปดาห์ ลองนึกถึงวันลดลงใหญ่ การค้าแต่ละครั้งใช้การจัดสรรทางการค้า 25 รายการ (หรือ 12.5 ของมาร์จิน) จับเฉพาะธุรกิจการค้าแบบเปิด 4 แบบต่อครั้งปิดทำต้นเมื่อถึง 80 ของกำไรการคืนสินค้าจะรวมกัน ฉันประมาณขอบ PM เป็น 30 ของ Reg-T (2X สิ่งที่ฉันพบข้างต้น) ภายใต้สถานการณ์ที่เหมาะควรปิดธุรกิจการค้าที่ 80 กำไรในประมาณ 4 สัปดาห์ สั้นทำให้ 8211 ไม่มีการปรับครั้งแรกที่ฉันต้องการจะดูเพียงวิธีการที่ไม่ดีสั้นทำให้สามารถ หากคุณกำลังหลับอยู่ที่ล้อและไม่ได้ทำอะไรเพื่อปกป้องตำแหน่งของคุณบัญชีของคุณจะถูกตัดจำหน่ายอย่างชัดเจนและรวดเร็ว โปรดทราบว่านี่คือที่ขอบ 50 แต่ผมได้เห็นแม้โดยใช้ 25 ขอบเมื่อตั้งค่าการค้าที่น่าจะมีผลในการโทรมาร์จิ้น สั้นทำให้ 8211 ขายที่ 30 PITM 70 ความน่าจะเป็น OTM เป็นสิ่งสำคัญเพื่อ Karen8217s กลยุทธ์ (หรือ 30 ITM) มันสมเหตุสมผล เมื่อถึงจุดนั้นรังสีเริ่มเร่งขึ้น การทดสอบนี้จะเป็นการปิดการค้าขายเมื่อถามว่าเดลต้าของการหยิบใส่คือ gt 0.30 หรือประมาณ 30 ITM ชัดเจนเพียงอย่างเดียวนี้ช่วยป้องกันตำแหน่งได้อย่างมาก มีหลายหยดใหญ่ (-30-50) แต่โดยรวมแล้วกลยุทธ์นี้มีผลกำไรค่อนข้างมากเนื่องจากระยะเวลาค่อนข้างยาวในช่วงปี 2013-2014 สั้นทำให้ 8211 Roll ลดลงที่ 30 PITM แต่กะเหรี่ยงไม่เพียงแค่ปิดเธอทำให้เธอม้วนพวกเขาลงบางครั้งเพิ่มตำแหน่งเหล่านั้น (ตามที่ฉันเข้าใจ) และขายสายมากขึ้นเพื่อช่วยให้การสูญเสีย การทดสอบนี้แสดงให้เห็นถึงผลของการกลิ้งการวางและวางการค้าอื่น ๆ 2SD เมื่อถึงวันหมดอายุเดียวกัน เป็นเรื่องน่าสนใจที่จะต้องทราบว่าเรื่องนี้ทำให้เรื่องแย่ลง ชอบหยิบเหรียญขึ้นหน้าลูกกลิ้งอบไอน้ำ ความผิดพลาดในปี 2008 เริ่มต้นหายไปจาก 75 ค่าบัญชี หยดที่ตามมาจะมีขนาดใกล้เคียงกันกับที่ไม่มีม้วน ข้อสรุปข้อมูลของปีพ. ศ. 2551/2552 ต้องใช้เกลือเม็ดเนื่องจากไม่มีการค้าประเวณี ถ้าความล้มเหลวของปี 2008 เกิดขึ้นในวันนี้ผมคิดว่าผลจะดีขึ้นเล็กน้อยเนื่องจากคุณสามารถกระจายความเสี่ยงความผันผวนของคุณมากกว่าหมดอายุได้ ฉันรู้สึกประหลาดใจที่เห็นว่าการรีดทำให้เรื่องแย่ลง นี่ไม่ใช่กลยุทธ์ของ Karen8217s เธอยังขายสาย แต่ฉัน don8217t รู้วิธีการโทรเหล่านั้นสามารถทำให้ช่องว่างเหล่านั้น รายงานว่าชาวกะเหรี่ยงมีผลกำไรในปีพ. ศ. 2551 แต่ฉันไม่แน่ใจว่าจะเปิดเผยว่าอย่างไร I8217m ไม่แน่ใจว่าเธอทำตามกฎเดียวกันหรือไม่ เธอน่าจะติดตามเทรนด์และซื้อขายสายโทรศัพท์ที่น้อยลงในระหว่างทาง และอาจมีขนาดเล็กลง ยังมีต่อ. ชี้ให้เห็นว่าพวกที่ TastyTrade ไม่ได้ทำกลยุทธ์ SunnySide Up กับหุ้นที่มียอดขายเฉลี่ยน้อยกว่า 2 ล้านราย ฉัน don8217t เรียกคืนนี้ในวิดีโอ แต่เห็นได้ชัดว่ามันเป็นความรู้ทั่วไปสำหรับผู้ที่ปฏิบัติตามการแสดง นี่เป็นแผนภูมิที่แก้ไขเมื่อพิจารณาปริมาณในบัญชี สิ่งแรกที่ควรทราบก็คือการค้า ISRG ไม่รวมอยู่ด้วยและบัญชีแสดงผลกำไร มีธุรกิจการค้าน้อยลง แต่โดยรวมฉันเห็นอัตราชนะ 93 (25 ชนะมากกว่า 27 ธุรกิจการค้า) ความสูญเสียที่สำคัญอย่างหนึ่งคือ NFLX ในขณะที่ประสิทธิภาพการทำงานลดลงไปยังจุดที่การกู้คืนได้อย่างรวดเร็วสวย สิ่งที่ควรทราบก็คือผลลัพธ์เหล่านี้ใกล้เคียงกับสิ่งที่ TT นำเสนอในส่วนวิดีโอของพวกเขา สำหรับ grins นี่เป็นผลการดำเนินงาน 3 ปีโดยมีเกณฑ์ตั้งต้นอยู่ที่ 50 และระดับเสียงที่ 2M: การลดลงอย่างมากนี้ไม่ใช่ NFLX (การลดลงมาก่อน) แต่ GMCR แทน 27 ธุรกิจการค้ามี 73 มีอัตราส่วนชนะ 86 แต่กลับเฉลี่ยสูงขึ้น ฉัน don8217t ปกติตาม TastyTrade ไม่ได้เพราะพวกเขาไม่ได้เนื้อหาที่ดี แต่เพียงฉัน don8217t มีเวลา แต่หลายครั้งที่กลยุทธ์ SunnySide Up นี้ข้ามโต๊ะของฉัน ตอนแรกฉันดูวิดีโออธิบายการค้า ฉันสนใจ อธิบายถึงการเติบโตของรายได้ที่มีผลประกอบการที่ดีแม้ว่าจะมีการเรียกสั้น ๆ สั้น ๆ ฉันซื้อขายกระดาษบางอย่างและได้เห็นการระเบิดขนาดใหญ่ (GMCR) ฉันคิดว่านี่เป็นวิธีที่มีความเสี่ยงสำหรับฉันมาก จากนั้นก็ข้ามโต๊ะของฉันอีกหลายเดือนต่อมาฉันคิดว่าฉันจะทำตามธุรกิจการค้ากระดาษอีกสักสองสามเล่มและฉันก็เห็นความสูญเสียที่ยิ่งใหญ่อีกครั้ง (SPLK ครั้งนี้) แต่ขนาดตัวอย่างของฉันค่อนข้างเล็กและบางทีฉันอาจเลือกไม่ถูกต้อง สิ่งหนึ่งที่ทำให้ฉันรำคาญกับวิดีโอคือมันขาดรายละเอียด พวกเขาให้พารามิเตอร์และสถิติบางอย่าง แต่ don8217t แสดงเส้นโค้ง PL หรือ drawdowns พิจารณาว่ามีตำแหน่งสั้น ๆ ที่เปลือยเปล่าผมพบว่าเรื่องนี้น่าสงสัย ให้ทดสอบ การค้านี้เกี่ยวข้องกับการซื้อการแพร่กระจายการโทรผ่าน ATM และการขายแบบเปลือยเปล่าซึ่งเป็น 84 OTM เมื่อใกล้หมดอายุ การโทรที่เปลือยเปล่าจำเป็นต้องมีเครดิตเพียงพอที่จะจ่ายสำหรับการแพร่กระจาย การซื้อขายจะถูกวางไว้ก่อนการประกาศรายได้และการค้าจะปิดทำการในวันถัดไป ตัวอย่างการใช้ LULU เพื่อแสดงโครงสร้าง ตามที่อธิบายไว้ในวิดีโอรายได้สามารถไปได้ 3 วิธีคือขึ้นลงหรือไม่เลย การค้านี้ช่วยให้คุณสามารถวางเดิมพันบนสองของเหล่านั้นจับความผันผวน แต่ใบคุณสัมผัสมากในวันที่สาม ส่วนใหญ่ของรายได้กล่าวว่าอยู่ในความคาดหวังของผู้ผลิตตลาด การวางสายเปลือย 84 OTM วางไว้ที่ด้านนอกของ SD ที่คาดไว้ 1 SD ฉัน don8217t โดยเฉพาะอย่างเช่นตำแหน่งที่ไม่ได้รับการป้องกันในเหตุการณ์ไบนารีเช่นนี้ แต่เป็นการตั้งค่าที่ดี การค้าที่อร่อยแสดงผลต่อไปนี้สำหรับการทดสอบมูลค่าธุรกิจ 3 ปี ดูเหมือนว่าผลลัพธ์ที่ดี แต่ทราบว่าพวกเขา don8217t พูดคุยเกี่ยวกับทั้งสอง loosing ค้าและไม่ฉันจับว่าพวกเขาจัดสรรธุรกิจการค้า เป็นสัญญา 1 สัญญาต่อการค้าหรือไม่เกิน X ของอัตรากำไรต่อการค้า I8217 คิดว่าพวกเขาต้องการที่จะเสี่ยงกับจำนวนเงินที่เท่ากันต่อการค้า เนื่องจากพวกเขากล่าวถึงหุ้นที่มีราคาแพงมากและส่วนต่างของราคาเหล่านี้สูงมาก I8217 จะคิดเป็นกำไรขั้นต้นสูงสุดที่ 20k ต่อการค้า I8217 พยายามที่จะติดกับพารามิเตอร์เช่นเดียวกับ TT พวกเขากล่าวถึงนี้จะทำงานเฉพาะในหุ้นที่มีราคาแพง แต่ฉัน didn8217t จับราคาเกณฑ์ดังนั้นฉันจะเริ่มต้นด้วยพื้นฐานต่ำสุดของ 100 ฉันยังจะใช้เดลต้าในระยะสั้นโทรเป็นพร็อกซี่สำหรับ ITM ไม่สมบูรณ์ แต่ใกล้จะหมดอายุยิ่งใกล้ตัวเลขเหล่านี้มากขึ้น นี่คือเส้นโค้งกำไรและขาดทุนในช่วง 3 ปีที่ผ่านมาซึ่งสิ้นสุดในช่วง 730 (ในขณะที่ฉันมีข้อมูลจนถึงวันนี้) นี่ไม่ใช่ผลเชอร์รี่ นี่เป็นเพียงข้อมูลล่าสุด 3 ปีจากจุดข้อมูลล่าสุดที่ฉันมี That8217s ลดลงชันสวยเนื่องจากรายได้ ISRG8217s ฉันตรวจสอบผลลัพธ์ใน TOS8217s ย้อนกลับ: แน่ใจว่า TOS ยืนยันผลลัพธ์ของฉัน นอกจากนี้ TOS ยังแสดงอันดับ IV ประมาณ 85 สำหรับ ISRG ในวันนั้น ฉันคิดว่าทุกบัญชีนี่คือการค้าที่ตกลงกันได้ดีในพารามิเตอร์ของพวกเขา แต่มันก็พัดไป 3 ปีมูลค่าของกำไรในชั่วข้ามคืน ถ้าฉันเปลี่ยนเกณฑ์ราคาเริ่มต้นที่ 50 ฉันได้รับผลดังต่อไปนี้: นั่งหินมากขึ้น แต่อย่างน้อยผลกำไร จากความอยากรู้อยากเห็นฉันยังมองที่การค้านี้ในช่วง 5 ปีที่ผ่านมา น่าแปลกที่การตั้งค่าทางการค้าเหล่านี้หายากมากเมื่อ 3 ปีก่อน มีเพียง wasn8217t พอเสนอราคาในการโทรสั้น ๆ จากสิ่งที่ฉันสามารถมองเห็น สรุปผมยอมรับอย่างอิสระว่าผมค่อนข้างเป็นคนระมัดระวังเมื่อพูดถึงการซื้อขาย ฉันชอบเหตุการณ์รายได้ แต่การค้านี้ทำให้ฉันกังวลใจ ประการแรกผลตอบแทนที่ไม่ดี ฉันชอบคืน 2 คืน แต่การตั้งค่าทางการค้าหายาก ประการที่สองมีความสูญเสียที่มีขนาดใหญ่มาก (ISRG, GOOG, GMCR, CMG, NFLX) ที่สามารถครอบงำผลกำไรใด ๆ ที่คุณอาจมี เมื่อ 3 ปีของกำไรสามารถทำลายล้างด้วยการค้าที่ไม่ดี 1 thats ดีเพียง that8217s การตั้งค่าการค้าฉัน don8217t ชอบ ธุรกิจการค้าที่ไม่ดีอาจเกิดขึ้นในการตั้งค่าอื่น ๆ และมีผลกระทบที่คล้ายกัน แต่เป็นเวลาข้ามคืน ไม่มีความเป็นไปได้ในการจัดการการค้านี้ภายในเวลาทำการของตลาด สัปดาห์นี้เราจะดูความหมายที่แสดงถึงความผันผวนของธุรกิจการค้าเหล็ก ความผันผวนโดยนัยคือตัวบ่งชี้ที่ดีเกี่ยวกับเวลาหรือสถานที่ที่จะเข้าสู่การซื้อขายได้เริ่มต้นด้วยการพิจารณาความผันผวนโดยนัยของตัวเลือกการใช้งานตู้เอทีเอ็มสำหรับ RUT สำหรับการหมดอายุสามเดือนแรกในช่วง 9 ปีที่ผ่านมา: เดือนหน้าเป็นมั่นเหมาะ มีความผันผวนมากขึ้นตามคาด แต่เดือนที่ 2 และ 3 จะติดตามกันอย่างใกล้ชิด เราสามารถเห็นได้ว่าค่าต่ำสุดคือประมาณ 15 และค่าสูงสุดอยู่ในบริเวณใกล้เคียง 70 โปรดทราบว่าฉันกำลังคำนวณความผันผวนโดยนัยของห่วงโซ่อุปทานเป็นค่าเฉลี่ยถ่วงน้ำหนักของเครื่อง ATM option8217s IVs การทดสอบเหล่านี้จะใช้เกณฑ์ต่อไปนี้: 0.10, 0.125, 0.15, 0.175, 0.20, 0.225, 0.25, 0.30, 0.40, 0.5, 0.6, 0.7 หมายเหตุตามกราฟแสดงเราไม่ควรคาดหวังว่าธุรกิจการค้าใด ๆ ที่มี IV ต่ำกว่า 0.10 การใช้ค่านี้ทำหน้าที่เป็นการตรวจสอบความถูกต้องของผลลัพธ์ IVs Greater Than Threshold การทดสอบครั้งแรกใช้ IV เป็นเกณฑ์ขั้นต่ำในการเข้าสู่ระบบการค้า ตัวอย่างเช่นธุรกิจการค้าที่มี IV ต่ำสุด 25 จะไม่เข้าสู่การค้าเมื่อเขียนบทความนี้ (IV ประมาณ 16 ปี) แถวบนสุดเป็นแบบ IV สิ่งแรกที่ควรทราบก็คือการค้าที่ต้องการ IV เหนือ 30 เป็นสิ่งที่ยากมากที่จะมาด้วย การซื้อขายมากกว่า 30 ครั้งเกิดขึ้นน้อยกว่า 14 ครั้งในช่วง 10 ปีที่ผ่านมา ข้อมูลที่แสดงด้านบนสำหรับธุรกิจการค้าระดับสูงเหล่านี้น่าสนใจ แต่ไม่สามารถนับได้เนื่องจากจำนวนประชากรที่ต่ำมาก แต่น่าสนใจที่จะทราบว่าอาจมีข้อได้เปรียบสำหรับการค้าเดลต้าต่ำมี IVs สูงมากในธุรกิจการค้าเดลต้าสูง โดยทั่วไปฉันจะบอกว่ามีผลเล็กน้อยเมื่อใช้ IV เป็นเกณฑ์การเข้า แต่เพียงผู้เดียวจนกว่าจะเริ่ม IV ขึ้นเหนือ 22.5 ระหว่างสี่ของ 22.5 และ 30 มีขนาดตัวอย่างที่สำคัญและเกณฑ์ที่สี่โดยเฉพาะอย่างยิ่งที่ต่ำกว่า deltas ดูเหมือนว่าจะเป็นประโยชน์ต่อการค้า ผลตอบแทนที่คาดว่าจะสูงกว่าค่า IV ขั้นต่ำดูกราฟของผลตอบแทนตามที่คาดไว้โดยใช้เกณฑ์ขั้นต่ำ IV ที่เราสามารถดูรูปแบบคู่ ขั้นแรกสำหรับธุรกิจการค้าที่สูงมาก (ซึ่งหาได้ยากมาก) การทำกำไรของ Front Month ในระดับต่ำจะทำผลได้ดีเช่นเดียวกับการทำ deltas ทั้งหมดในเดือนที่ 3 แต่อีกครั้งนี้ขึ้นอยู่กับขนาดตัวอย่างขนาดเล็กมาก ประการที่สองผู้ค้าหลายรายมักทราบว่าธุรกิจการค้าของ condor เมื่อ IV อยู่ภายใต้ 8216X8217 ไม่คุ้มค่า ขณะที่ฉันเขียนเรื่องนี้ VIX และ RVX อยู่ในระดับที่ต่ำมากและความคิดเห็นนี้เป็นความรู้สึกที่ใช้กันบ่อยๆ แต่ตามข้อมูลนี้ก็ไม่ได้จริงๆยืนขึ้น การค้าขายในระดับต่ำสุดทำได้ดี แต่เราต้องรอการทดสอบอีกสักสองสามครั้งเพื่อให้แน่ใจว่าผลกระทบของพวกเขาเกิดจากการค้าขายในระดับต่ำและไม่ได้รับการสนับสนุนจากธุรกิจการค้าระดับสูงอื่น ๆ IVs ต่ำกว่าเกณฑ์ตอนนี้ให้ดูที่สถานการณ์ย้อนกลับถ้าเราวางเกณฑ์บนในรายการ IV ของการค้า การปรับปรุงปัจจัยการผลิตโดยระดับ IV สูงสุด (IV ในคอลัมน์) ตอนนี้เราจะเห็นว่าธุรกิจการค้า IV ที่ต่ำมากเป็นเรื่องยากที่จะได้รับยกเว้นเดือนหน้า การตั้งค่าเกณฑ์สูงสุดที่ 4 อาจเป็นผลเสียต่อธุรกิจการค้าส่วนหน้าของเดลต้าระดับสูง แต่ส่วนใหญ่ผลกระทบก็คือส่วนเล็กน้อย เดือนหน้าธุรกิจการค้าระดับต่ำ (ต่ำกว่า 18 ปี) มีประสิทธิภาพดีกว่าข้อมูลพื้นฐานซึ่งแสดงให้เห็นว่าอาจมีธุรกิจการค้าไอซีที่ดีในสภาพแวดล้อมที่มีความผันผวนต่ำ ธุรกิจการค้าส่วนใหญ่ในเดือนที่สองมีผลกระทบเล็กน้อย แต่เดือนที่สามดูเหมือนจะมีการปรับปรุงที่ไม่สำคัญในธุรกิจการค้าที่มี IV น้อยกว่า 20. IV ระหว่างเกณฑ์ขณะนี้เราสามารถมองไปที่รวมเกณฑ์ล่างและบนและดูว่ารูปแบบใด ๆ ที่เกิดขึ้น การเพิ่มผลกำไรระหว่างช่วง Bounded IV หากคุณต้องการซื้อขายในช่วงที่เฉพาะเจาะจงสภาพแวดล้อมของ IV ที่ต่ำกว่าจะให้คุณเพิ่มขึ้นอย่างแท้จริง นอกจากนี้ยังมีบางสถานการณ์ที่ดีในเดือนหน้ากับ IVs ระหว่าง 25 และ 50 หากคุณต้องการซื้อขายในช่วง IV ที่สูงมากคุณจะต้องรอเป็นเวลานานเพื่อเริ่มต้นการค้า แต่คุณควรแนะนำให้ใช้ การค้าเดือนย้อนหลัง จากตารางนี้เราจะเห็นการปรับปรุงที่ใหญ่ที่สุดคือ IV ระหว่าง 13 ถึง 18: Lower Delta ในเดือนใด ๆ IV ระหว่าง 18 ถึง 20: การซื้อขายเดลต้าเดือนหน้าต่ำมากหรือการซื้อขายเดลต้าต่ำในเดือนที่สาม IV ระหว่าง 20 ถึง 30: ไม่มีผู้ชนะที่ชัดเจน ธุรกิจการค้าส่วนใหญ่มีผลกระทบเล็กน้อย IV ระหว่าง 30 ถึง 50: เดือนหน้าต่ำสุดของเดือนที่สี่มากกว่า 50: การค้าในเดือนที่สาม So8230 เราสามารถใช้วิธีนี้เพื่อช่วยในการเลือกตำแหน่งที่ดีขึ้น ผลตอบแทนที่คาดว่าจะได้รับจากช่วง IV ที่ จำกัด ด้านบนเป็น heatmap ของผลตอบแทนที่คาดหวังของการค้าทั้งหมดที่มีความผันผวนโดยนัย bounded ธุรกิจการค้าที่มีจำนวนน้อยมากของธุรกิจการค้าจะเป็นวงกลมสีแดง แต่ละคอลัมน์มีสีตามที่นักแสดงที่ดีที่สุดและแย่ที่สุดสำหรับช่วง IV หมายเหตุแนวโน้มในเดือนหลัง: การค้า delta สูงดำเนินการเลวร้ายยิ่งและเลวร้ายยิ่งขึ้นเป็นช่วง IV จะเพิ่มขึ้นยกเว้นระดับสุดขีด วันนี้ IVs ของ RUT มีจำนวน 15.3, 16.6 และ 17.9 ตามที่เขียนไว้ พวกเขาทั้งหมดตรงเต็มที่ในคอลัมน์ที่สอง ตามข้อมูลนี้อาจเป็นประโยชน์มากที่สุดในการเข้าสู่การค้าระหว่างเดือนกับ Deltas ระหว่างวันที่ 15 ถึง 22 หรือการค้าเดือนหลังกับที่ราบลุ่มต่ำกว่า 22 สำหรับผมแล้วการกระจายนี้จะช่วยลดความเชื่อที่ว่าไม่มีผลตอบแทนที่ดีใน สภาพแวดล้อมที่มีความผันผวนต่ำ ในความเป็นจริงตามข้อมูลนี้การค้าเดือนหน้าในช่วงเดลต้า 13 ถึง 20 ดำเนินการเหล่านั้นใน 20 ถึง 25 ค่อนข้างตรงข้ามกับสิ่งที่ฉันเข้าใจมากที่จะเชื่อ แต่การค้าเหล่านี้ล้วนหมดหวังและโดยทั่วไปแล้วจะไม่ได้รับการปฏิบัติ 8230 ข้อสรุปสภาพแวดล้อมของ Low IV อาจไม่เลวร้ายเท่าที่หลายคนดูเหมือนจะเรียกร้อง ในความเป็นจริงในช่วงกลางเดือนที่สี่ได้แสดงให้เห็นว่ามีประสิทธิภาพแย่ลงเล็กน้อย แต่ในทั้งสองกรณี IV อาจเป็นเครื่องมือที่มีประโยชน์มากในการเลือกเดือนที่ต้องการเข้าร่วม เชื่อหรือไม่ว่าการทดสอบนี้พาฉันไปสักพัก ฉันคิดว่ามันจะเป็นเรื่องเล็กน้อยที่จะใช้ แต่ฉันยังคงหานักเก็ตที่น่าสนใจเพื่อตรวจสอบ (รวมถึงการทำ refactoring เป็นจำนวนมาก) แต่ความพยายามนี้คุ้มค่าและฉันก็สามารถรอทดสอบแนวคิดเหล่านี้ได้ทั่วทั้งฐานกว้างขึ้น ไฟล์ทดสอบ: ตัวเลือก Backtesting algo ตัวเลือก Backtesting algo ฉันต้องการคำแนะนำ ฉันต้องการแพลตฟอร์มหรือซอฟต์แวร์ที่สามารถทดสอบกลยุทธ์ตัวเลือก (ง่าย ๆ ) ของฉันได้ ฉันเคยใช้ซอฟต์แวร์การซื้อขายอัตโนมัติมาแล้วหลายประเภทมาก่อน อย่างไรก็ตามทุกคนไม่ใช่ตัวเลือกที่เป็นมิตร สิ่งที่ฉันหมายถึงโดยที่กลยุทธ์ของฉันจะกลับมาเป็นเวลาหลายปีและการค้าที่ตัวเลือกเงินที่จุดในเวลาที่ ดังนั้นฉันต้องเลือกโซ่ทั้งหมดย้อนเวลากลับ อย่างไรก็ตามแพคเกจการทดสอบย้อนหลังทั้งหมดที่ฉันใช้ไปจนถึงตอนนี้ต้องการให้ฉันเพิ่มเครื่องมือทั้งหมดลงในรายการเครื่องมือหรือเพิ่มเครื่องมือทั้งหมดที่ฉันต้องการทดสอบ ลองจินตนาการว่า 10 ครั้งหมดอายุเป็นเวลา 12 เดือนเป็นเวลา 10 ปี ดังนั้นผมจึงสงสัยว่ามีผู้ให้บริการหรือซอฟต์แวร์ที่จะช่วยให้ฉันสามารถติดตามประสิทธิภาพของพอร์ตโฟลิโอของตัวเลือกต่างๆในโหมด backtesting ได้หรือไม่ อีกครั้งไม่มีอะไรเย็น ไม่มีการซื้อขายแบบเรียลไทม์ที่จำเป็น มันเป็นเพียงเพื่อให้แน่ใจว่าสิ่งที่ฉันต้องการเป็นจริงการทำงาน Real-time trading I can implement later with the TradeLink, or even raw InteractiveBrokers API, etc. Have you tried ThinkOrSwim (TOS ) I use TOS for all my options trading. They have an OnDemand feature, which is a replay of the market that you could use to backtest. Also, they have Thinkback feature, which is more of a static testing tool than the OnDemand tool. I think you might find what you are looking for on TOS. Successful Backtesting of Algorithmic Trading Strategies - Part I This article continues the series on quantitative trading, which started with the Beginners Guide and Strategy Identification. Both of these longer, more involved articles have been very popular so Ill continue in this vein and provide detail on the topic of strategy backtesting . Algorithmic backtesting requires knowledge of many areas, including psychology, mathematics, statistics, software development and marketexchange microstructure. I couldnt hope to cover all of those topics in one article, so Im going to split them into two or three smaller pieces. What will we discuss in this section Ill begin by defining backtesting and then I will describe the basics of how it is carried out. Then I will elucidate upon the biases we touched upon in the Beginners Guide to Quantitative Trading. Next I will present a comparison of the various available backtesting software options. In subsequent articles we will look at the details of strategy implementations that are often barely mentioned or ignored. We will also consider how to make the backtesting process more realistic by including the idiosyncrasies of a trading exchange . Then we will discuss transaction costs and how to correctly model them in a backtest setting. We will end with a discussion on the performance of our backtests and finally provide an example of a common quant strategy, known as a mean-reverting pairs trade . Lets begin by discussing what backtesting is and why we should carry it out in our algorithmic trading. What is Backtesting Algorithmic trading stands apart from other types of investment classes because we can more reliably provide expectations about future performance from past performance, as a consequence of abundant data availability. The process by which this is carried out is known as backtesting . In simple terms, backtesting is carried out by exposing your particular strategy algorithm to a stream of historical financial data, which leads to a set of trading signals . Each trade (which we will mean here to be a round-trip of two signals) will have an associated profit or loss. The accumulation of this profitloss over the duration of your strategy backtest will lead to the total profit and loss (also known as the PL or PnL). That is the essence of the idea, although of course the devil is always in the details What are key reasons for backtesting an algorithmic strategy Filtration - If you recall from the article on Strategy Identification. our goal at the initial research stage was to set up a strategy pipeline and then filter out any strategy that did not meet certain criteria. Backtesting provides us with another filtration mechanism, as we can eliminate strategies that do not meet our performance needs. Modelling - Backtesting allows us to (safely) test new models of certain market phenomena, such as transaction costs, order routing, latency, liquidity or other market microstructure issues. Optimisation - Although strategy optimisation is fraught with biases, backtesting allows us to increase the performance of a strategy by modifying the quantity or values of the parameters associated with that strategy and recalculating its performance. Verification - Our strategies are often sourced externally, via our strategy pipeline . Backtesting a strategy ensures that it has not been incorrectly implemented. Although we will rarely have access to the signals generated by external strategies, we will often have access to the performance metrics such as the Sharpe Ratio and Drawdown characteristics. Thus we can compare them with our own implementation. Backtesting provides a host of advantages for algorithmic trading. However, it is not always possible to straightforwardly backtest a strategy. In general, as the frequency of the strategy increases, it becomes harder to correctly model the microstructure effects of the market and exchanges. This leads to less reliable backtests and thus a trickier evaluation of a chosen strategy. This is a particular problem where the execution system is the key to the strategy performance, as with ultra-high frequency algorithms. Unfortunately, backtesting is fraught with biases of all types. We have touched upon some of these issues in previous articles, but we will now discuss them in depth. Biases Affecting Strategy Backtests There are many biases that can affect the performance of a backtested strategy. Unfortunately, these biases have a tendency to inflate the performance rather than detract from it. Thus you should always consider a backtest to be an idealised upper bound on the actual performance of the strategy. It is almost impossible to eliminate biases from algorithmic trading so it is our job to minimise them as best we can in order to make informed decisions about our algorithmic strategies. There are four major biases that I wish to discuss: Optimisation Bias . Look-Ahead Bias . Survivorship Bias and Psychological Tolerance Bias . Optimisation Bias This is probably the most insidious of all backtest biases. It involves adjusting or introducing additional trading parameters until the strategy performance on the backtest data set is very attractive. However, once live the performance of the strategy can be markedly different. Another name for this bias is curve fitting or data-snooping bias. Optimisation bias is hard to eliminate as algorithmic strategies often involve many parameters. Parameters in this instance might be the entryexit criteria, look-back periods, averaging periods (i. e the moving average smoothing parameter) or volatility measurement frequency. Optimisation bias can be minimised by keeping the number of parameters to a minimum and increasing the quantity of data points in the training set. In fact, one must also be careful of the latter as older training points can be subject to a prior regime (such as a regulatory environment) and thus may not be relevant to your current strategy. One method to help mitigate this bias is to perform a sensitivity analysis . This means varying the parameters incrementally and plotting a surface of performance. Sound, fundamental reasoning for parameter choices should, with all other factors considered, lead to a smoother parameter surface. If you have a very jumpy performance surface, it often means that a parameter is not reflecting a phenomena and is an artefact of the test data. There is a vast literature on multi-dimensional optimisation algorithms and it is a highly active area of research. I wont dwell on it here, but keep it in the back of your mind when you find a strategy with a fantastic backtest Look-Ahead Bias Look-ahead bias is introduced into a backtesting system when future data is accidentally included at a point in the simulation where that data would not have actually been available. If we are running the backtest chronologically and we reach time point N, then look-ahead bias occurs if data is included for any point Nk, where k0. Look-ahead bias errors can be incredibly subtle. Here are three examples of how look-ahead bias can be introduced: Technical Bugs - Arraysvectors in code often have iterators or index variables. Incorrect offsets of these indices can lead to a look-ahead bias by incorporating data at Nk for non-zero k. Parameter Calculation - Another common example of look-ahead bias occurs when calculating optimal strategy parameters, such as with linear regressions between two time series. If the whole data set (including future data) is used to calculate the regression coefficients, and thus retroactively applied to a trading strategy for optimisation purposes, then future data is being incorporated and a look-ahead bias exists. MaximaMinima - Certain trading strategies make use of extreme values in any time period, such as incorporating the high or low prices in OHLC data. However, since these maximalminimal values can only be calculated at the end of a time period, a look-ahead bias is introduced if these values are used - during - the current period. It is always necessary to lag highlow values by at least one period in any trading strategy making use of them. As with optimisation bias, one must be extremely careful to avoid its introduction. It is often the main reason why trading strategies underperform their backtests significantly in live trading. Survivorship Bias Survivorship bias is a particularly dangerous phenomenon and can lead to significantly inflated performance for certain strategy types. It occurs when strategies are tested on datasets that do not include the full universe of prior assets that may have been chosen at a particular point in time, but only consider those that have survived to the current time. As an example, consider testing a strategy on a random selection of equities before and after the 2001 market crash. Some technology stocks went bankrupt, while others managed to stay afloat and even prospered. If we had restricted this strategy only to stocks which made it through the market drawdown period, we would be introducing a survivorship bias because they have already demonstrated their success to us. In fact, this is just another specific case of look-ahead bias, as future information is being incorporated into past analysis. There are two main ways to mitigate survivorship bias in your strategy backtests: Survivorship Bias Free Datasets - In the case of equity data it is possible to purchase datasets that include delisted entities, although they are not cheap and only tend to be utilised by institutional firms. In particular, Yahoo Finance data is NOT survivorship bias free, and this is commonly used by many retail algo traders. One can also trade on asset classes that are not prone to survivorship bias, such as certain commodities (and their future derivatives). Use More Recent Data - In the case of equities, utilising a more recent data set mitigates the possibility that the stock selection chosen is weighted to survivors, simply as there is less likelihood of overall stock delisting in shorter time periods. One can also start building a personal survivorship-bias free dataset by collecting data from current point onward. After 3-4 years, you will have a solid survivorship-bias free set of equities data with which to backtest further strategies. We will now consider certain psychological phenomena that can influence your trading performance. Psychological Tolerance Bias This particular phenomena is not often discussed in the context of quantitative trading. However, it is discussed extensively in regard to more discretionary trading methods. It has various names, but Ive decided to call it psychological tolerance bias because it captures the essence of the problem. When creating backtests over a period of 5 years or more, it is easy to look at an upwardly trending equity curve, calculate the compounded annual return, Sharpe ratio and even drawdown characteristics and be satisfied with the results. As an example, the strategy might possess a maximum relative drawdown of 25 and a maximum drawdown duration of 4 months. This would not be atypical for a momentum strategy. It is straightforward to convince oneself that it is easy to tolerate such periods of losses because the overall picture is rosy. However, in practice, it is far harder If historical drawdowns of 25 or more occur in the backtests, then in all likelihood you will see periods of similar drawdown in live trading. These periods of drawdown are psychologically difficult to endure. I have observed first hand what an extended drawdown can be like, in an institutional setting, and it is not pleasant - even if the backtests suggest such periods will occur. The reason I have termed it a bias is that often a strategy which would otherwise be successful is stopped from trading during times of extended drawdown and thus will lead to significant underperformance compared to a backtest. Thus, even though the strategy is algorithmic in nature, psychological factors can still have a heavy influence on profitability. The takeaway is to ensure that if you see drawdowns of a certain percentage and duration in the backtests, then you should expect them to occur in live trading environments, and will need to persevere in order to reach profitability once more. Software Packages for Backtesting The software landscape for strategy backtesting is vast. Solutions range from fully-integrated institutional grade sophisticated software through to programming languages such as C, Python and R where nearly everything must be written from scratch (or suitable plugins obtained). As quant traders we are interested in the balance of being able to own our trading technology stack versus the speed and reliability of our development methodology. Here are the key considerations for software choice: Programming Skill - The choice of environment will in a large part come down to your ability to program software. I would argue that being in control of the total stack will have a greater effect on your long term PL than outsourcing as much as possible to vendor software. This is due to the downside risk of having external bugs or idiosyncrasies that you are unable to fix in vendor software, which would otherwise be easily remedied if you had more control over your tech stack. You also want an environment that strikes the right balance between productivity, library availability and speed of execution. I make my own personal recommendation below. Execution CapabilityBroker Interaction - Certain backtesting software, such as Tradestation, ties in directly with a brokerage. I am not a fan of this approach as reducing transaction costs are often a big component of getting a higher Sharpe ratio. If youre tied into a particular broker (and Tradestation forces you to do this), then you will have a harder time transitioning to new software (or a new broker) if the need arises. Interactive Brokers provide an API which is robust, albeit with a slightly obtuse interface. Customisation - An environment like MATLAB or Python gives you a great deal of flexibility when creating algo strategies as they provide fantastic libraries for nearly any mathematical operation imaginable, but also allow extensive customisation where necessary. Strategy Complexity - Certain software just isnt cut out for heavy number crunching or mathematical complexity. Excel is one such piece of software. While it is good for simpler strategies, it cannot really cope with numerous assets or more complicated algorithms, at speed. Bias Minimisation - Does a particular piece of software or data lend itself more to trading biases You need to make sure that if you want to create all the functionality yourself, that you dont introduce bugs which can lead to biases. Speed of Development - One shouldnt have to spend months and months implementing a backtest engine. Prototyping should only take a few weeks. Make sure that your software is not hindering your progress to any great extent, just to grab a few extra percentage points of execution speed. C is the elephant in the room here Speed of Execution - If your strategy is completely dependent upon execution timeliness (as in HFTUHFT) then a language such as C or C will be necessary. However, you will be verging on Linux kernel optimisation and FPGA usage for these domains, which is outside the scope of this article Cost - Many of the software environments that you can program algorithmic trading strategies with are completely free and open source. In fact, many hedge funds make use of open source software for their entire algo trading stacks. In addition, Excel and MATLAB are both relatively cheap and there are even free alternatives to each. Now that we have listed the criteria with which we need to choose our software infrastructure, I want to run through some of the more popular packages and how they compare: Note: I am only going to include software that is available to most retail practitioners and software developers, as this is the readership of the site. While other software is available such as the more institutional grade tools, I feel these are too expensive to be effectively used in a retail setting and I personally have no experience with them. Backtesting Software Comparison Description: High-level language designed for speed of development. Wide array of libraries for nearly any programmatic task imaginable. Gaining wider acceptance in hedge fund and investment bank community. Not quite as fast as CC for execution speed. Execution: Python plugins exist for larger brokers, such as Interactive Brokers. Hence backtest and execution system can all be part of the same tech stack. Customisation: Python has a very healthy development community and is a mature language. NumPySciPy provide fast scientific computing and statistical analysis tools relevant for quant trading. Strategy Complexity: Many plugins exist for the main algorithms, but not quite as big a quant community as exists for MATLAB. Bias Minimisation: Same bias minimisation problems exist as for any high level language. Need to be extremely careful about testing. Development Speed: Pythons main advantage is development speed, with robust in built in testing capabilities. Execution Speed: Not quite as fast as C, but scientific computing components are optimised and Python can talk to native C code with certain plugins. Cost: FreeOpen Source Description: Mature, high-level language designed for speed of execution. Wide array of quantitative finance and numerical libraries. Harder to debug and often takes longer to implement than Python or MATLAB. Extremely prevalent in both the buy - and sell-side. Execution: Most brokerage APIs are written in C and Java. Thus many plugins exist. Customisation: CC allows direct access to underlying memory, hence ultra-high frequency strategies can be implemented. Strategy Complexity: C STL provides wide array of optimised algorithms. Nearly any specialised mathematical algorithm possesses a free, open-source CC implementation on the web. Bias Minimisation: Look-ahead bias can be tricky to eliminate, but no harder than other high-level language. Good debugging tools, but one must be careful when dealing with underlying memory. Development Speed: C is quite verbose compared to Python or MATLAB for the same algorithmm. More lines-of-code (LOC) often leads to greater likelihood of bugs. Execution Speed: CC has extremely fast execution speed and can be well optimised for specific computational architectures. This is the main reason to utilise it. Cost: Various compilers: LinuxGCC is free, MS Visual Studio has differing licenses. Different strategies will require different software packages. HFT and UHFT strategies will be written in CC (these days they are often carried out on GPUs and FPGAs ), whereas low-frequency directional equity strategies are easy to implement in TradeStation, due to the all in one nature of the softwarebrokerage. My personal preference is for Python as it provides the right degree of customisation, speed of development, testing capability and execution speed for my needs and strategies. If I need anything faster, I can drop in to C directly from my Python programs. One method favoured by many quant traders is to prototype their strategies in Python and then convert the slower execution sections to C in an iterative manner. Eventually the entire algo is written in C and can be left alone to trade In the next few articles on backtesting we will take a look at some particular issues surrounding the implementation of an algorithmic trading backtesting system, as well as how to incorporate the effects of trading exchanges. We will discuss strategy performance measurement and finally conclude with an example strategy. Just Getting Started with Quantitative Trading