Optimal F Forex

Eine optimale F-Geld-Management-Position Dimensionierung Strategie von Ralph Vince 0 Beschreibung für OptimalF SID 512 Eine optimale F Geldmanagementposition Sizing-Strategie. Optimale F Money Management wurde von Ralph Vince als eine aggressive Möglichkeit, Ihren Kontostand wachsen entwickelt. Optimal F ist einfach die optimale Menge an Kapital, die in jedem Handel investiert werden sollte. Eine optimale F Geldmanagementposition Sizing-Strategie. Optimale F Money Management wurde von Ralph Vince als eine aggressive Möglichkeit, Ihren Kontostand wachsen entwickelt. Optimal F ist einfach die optimale Menge an Kapital, die in jedem Handel investiert werden sollte. Optimale F hat es8217s Kritiker 8211 mit einer der Hauptkritik, dass es zu riskant ist. Die hier vorgestellte Geldmanagementstrategie konzentriert sich auf die praktischen Fragen, wie man Optimal F für ein echtes Handelssystem implementieren kann, und als solcher Kommentar über die Weisheit, Optimal-F zu nutzen, liegt außerhalb des Umfangs dieser Geldmanagementstrategie. Es gibt viele Ressourcen im Internet, dass Discus Optimal F im Detail. Da die Optimal-F-Formel die Handelsgeschichte des Systems in der Berechnung verwendet, ist die erste Frage, die wir zuerst in Betracht ziehen müssen, bevor es genügend Trades für die Ergebnisse von Optimal-F gibt, statistisch aussagekräftig zu sein. Die einfachste Lösung 8211, die hier angenommene 8211, besteht darin, darauf zu warten, dass X-Trades auftreten, und dann den realen Optimal-F-Wert verwenden. Danach berechnen wir den Wert von Optimal-F nach jedem Trade neu. Diese Optimal-F-Strategie wird durch zwei Variablen gesteuert: mintrades und defaultf. Der Wert von mintrades enthält die Anzahl der Transaktionen, die auftreten müssen, bevor der reale Wert von Optimal-F verwendet wird. Wenn die Anzahl der Trades kleiner als mintrades ist, wird der Wert von defaultf verwendet, um die Größe der Position zu berechnen. Diese Werte können in der Funktion Positionsgröße geändert werden. Alle Bestellungen werden mit diesem Geld-Management unterstützt, aber für den Fall der Stop-und Limit-Bestellungen dieser Geld-Management erwartet, dass die Stop-und Limit Preise weitergegeben werden. Die tatsächliche Position Größe, die berechnet wird, ist für Aktien geeignet, aber mit ein wenig Feinabstimmung kann es für Futures oder Forex verwendet werden. Die Berechnung von Optimal-F, die innerhalb dieses Geldmanagements verwendet wird, ist äußerst ineffizient. Die Logik für diese Position Sizing-Strategie: BuyMarket Event-Logik: BuyStop-Event-Logik: BuyLimit Event-Logik: 2. Dezember 2010 middot 23 Kommentare middot Money Management Nach der Risk-Opportunity-Analyse Konferenz, die ich Anfang dieses Monats besuchte, entschied ich mich, das Modell zu testen und Die Software verwendet, um es zu implementieren (Vince 8216s Java-App und Joshua Ulrich8217s R Umsetzung). Die meisten mathematischen Formeln, die das Modell unterstützen, sind im Buch Leverage Space Trading Model. Ich werde das Buch nicht paraphrasieren und alle Formeln hier 8211 wiedergeben, aber ich werde auf einige von ihnen verweisen. Getting das Buch ist wahrscheinlich eine gute Idee für ein besseres Verständnis der Konzepte. Die Trading-Anwendung des Leverage-Space-Modells wird als eine Verallgemeinerung der Kelly-Formel dargestellt, die durch das Beispiel des Münzwurfs (nach Vince8217s Papier) gut illustriert wird. In einem praktischen Beispiel 8220trading8221 habe ich beschlossen, die vier Trendfolger-Assistenten mit den längsten Schienenaufzeichnungen (die ich habe) zu betrachten: Campbell, Dunn, John Henry und Millburn. Alle Track-Records gehen zurück bis 1985 (bis Ende 2009). Die Frage, die dieser Test zu beantworten versucht, ist: Als Investor von 1985, was wäre die beste Zuteilung zwischen den vier Managern gewesen Hinweis: Hier bedeutet 8220best8221 einfach das höchste CAGR (we8217ll siehe später, dass 8220best8221 auf verschiedene Weise definiert werden kann Ihre Einstellungen Utility-Funktion). Ich beschreibe die Konzepte mit dem einfachen Zwei-Münzen-Beispiel und zeichne eine Parallele mit der Anwendung 8220real-world8221 auf die vier Trendfolger-Assistenten. Für einen einzigen Strom von Renditen oder wetten outcomesprobabilities, gibt es eine bestimmte Höhe der Hebelwirkung. Oder Bruchteil des Kapitals, um auf jedem Ereignis zu riskieren, das das geometrische Wachstum des Eigenkapitals maximiert. Dies ist, was Optimal f bezieht sich auf. Im Beispiel des Münzwurfs mit den folgenden Parametern: Risiko 1 Einheit für jede Wette Schwänze: verlieren 1 Köpfe: gewinnen 2 Der Bruchteil des eingesetzten Kapitals bei jeder Wette ändert die erwartete Wachstumsrate gemäß dieser Kurve: Dies wurde abgedeckt Weitgehend anderswo (als eine einfache Anwendung der Kelly Formel), so werde ich nicht wiederholen die Details hier. Der wichtigste Punkt ist, dass 0,25 ist die optimale f (was bedeutet, in diesem Fall, dass Staking 25 des größten Verlustes auf jede Wette wird das Wachstum des Handelseinsatzes über die Zeit 8211 maximieren alle anderen Wert wäre sub-optimal). Beachten Sie, dass hier der größte Verlust gleich 100 der Einsatzgröße ist und somit der Optimal f und der Bruchteil des Kapitals gleich sind. Dies ist ein Sonderfall und wir sehen weiter unten, dass diese in der Regel unterschiedliche Werte sind, vor allem im Handel. Durch Anpassen dieses Beispiels an einen einzelnen Trendfolgen-Assistenten-Track Record können wir a posteriori festlegen, was das optimale f wäre, um das Wachstum der Eigenkapitalkurve zu maximieren. Die Form der Kurve ist ziemlich ähnlich, sie peak bei etwa f0.5. Beachten Sie, dass hier die optimale f nicht die tatsächliche Hebelwirkung oder den Bruchteil des eingesetzten Kapitals darstellt. Dies beruht auf der Nomenklatur in den von Vince verwendeten Formeln, wobei jede Rückgabe von 8220leveraged8221 (oder HPR: Halteperiodenrendite) ausgedrückt wird als: In der Tat ist die Hebelwirkung, die auf jede periodische (monatliche) Rendite angewendet wird: Im Fall von Dunn, Der größte monatliche Verlust ist 30,68. Ein f von 1 wäre gleichbedeutend mit der Hebelwirkung jedes Periodenrücklaufs um einen Faktor von 10.3068 3.26, was die maximale Hebelwirkung ist, die erreicht werden kann, bevor ein Null-End-Equity erreicht wird (das HPR wäre gleich 0, sobald der größte Verlust auftritt). Die tatsächliche Hebelwirkung ist unabhängig vom größten Verlust, drückt sie aber so aus, dass sie den Wert für f zwischen 0 und 1 begrenzt. Dies ist wirklich nur eine Notation. Die optimale Hebelwirkung für den Dunn-Track Record kann von Optimal abgeleitet werden f 0.5: Optimaler Hebel 0.50.3068 1.63. Dies bedeutet effektiv, dass ein Investor die höchstmögliche endgültige Eigenkapitalinvestition in Dunn erreicht hätte, indem er die monatliche Kontogröße auf 163 der tatsächlichen Kontengröße monatlich zurücksetzt (dies ist theoretisch, da sie die (praktische) Anwendbarkeit dieser und der Auswirkungen ignoriert Gebühren, etc.). Jeder andere Wert, höher oder niedriger, hätte zu einer niedrigeren Eigenkapitalkurve geführt. Bei 100 (ohne Leverage) beträgt die monatliche geometrische Mittelrendite 1,11 bei 163 Leverage, die mittlere Rendite beträgt 1,29 (was der maximale Wert ist). Natürlich würde auch der Drawdown zunehmen (rund 60 MaxDD bei 100 Leverage gegenüber rund 83 MaxDD bei 163 Leverage). Multikomponenten-Szenarien mit Münzeinwürfen Nach dem Beispiel des Münzwurfs betrachten wir nun den Fall zweier gleichzeitiger Münzwurfs. Das Verfahren erfordert einen diskreten Satz von Ergebnissen und assoziierten Wahrscheinlichkeiten. Im Fall des einfachen Zwei-Münzen-Beispiels sind diese leicht zu identifizieren: 2 Schwänze: verlieren 2, 25 Wahrscheinlichkeit 1 Schwanz und 1 Kopf: Verstärkung 1, 50 Wahrscheinlichkeit 2 Köpfe: Verstärkung 4, 25 Wahrscheinlichkeit Verwenden dieses Satzes von Ergebnissen mit Das gleiche Konzept wie oben für die f-Optimierung, gibt es nun eine dreidimensionale Kurve, die jede mögliche f-Kombination anzeigt (jede gleichzeitige Münzwurf hat ihre eigene f). Jede Kombination erzeugt ihre entsprechende Wachstumsrate (die mit dem Terminal Reichtum Relative, TWR verwandt ist). Die f-Kombination, die den höchsten TWR erzeugt, ist die 8220optimal8221-Lösung. In dem Fall des Zwei-Münzen-Werfens ist die optimale f-Kombination (0,23, 0,23) 8211, was bedeutet, daß das Anhäufen 23 des Kapitals auf jedem gleichzeitigen Münzwurf (insgesamt 46 für jede Periode) die höchste Wachstumsrate im Laufe der Zeit). Dies ist einfach, wo die Kurve Spitzen in der Tabelle oben. Das Hinzufügen einer dritten gleichzeitigen Münzenwürze würde einfach eine 4-dimensionale Kurve erzeugen (wobei jeder Punkt die Wachstumsratenausgabe des f-Triplets darstellt) und so weiter: Die Kurve ist immer N1-dimensional, wobei N die Anzahl der Komponenten ist. Mehrkomponentenszenarien mit Handelsdaten Let8217s sehen Sie sich nun unseren Testfall mit den vier Trendfolger-Assistenten an. Ähnlich brauchen wir einen diskreten Satz von Ergebnissen und die damit verbundenen Wahrscheinlichkeiten für unseren Input. Dazu müssen wir die Datenverteilung binden und die Joint-Probability-Tabelle (die jede mögliche Ergebniskombination und ihre assoziierte Wahrscheinlichkeit 8211 ähnlich zu den 3 möglichen Ergebnissen, die oben für das Beispiel der Münzen beschrieben wurden, enthält) erstellen. Dies ist effektiv, wie Vince entfernt mit dem Konzept der Korrelation Eingang, die in anderen Modellen wie Mittelwert-Optimierung verwendet werden kann. Der Pseudocode zum Erstellen der Joint-Probability-Tabelle (JPT) lautet wie folgt: Bin jeder Komponente8217s Rückgabewert (dh jede Wizardmenge von Rückgängen) Berechnen Sie ein einzelnes Ergebnis für jedes Bin (zB die mittlere Rückkehr aller fallenden Instanzen In diesem Behälter). Schleife durch jede Periode und: Bestimmen Sie für jede Komponente, welches Bin die Periode8217s zurückfallen, und ordnen Sie das Bin-Ergebnis zu dieser Komponente für diesen Zeitraum zu. Notieren Sie die Kombination aller Bin-Ergebnisse (dh für alle Komponenten) für diesen Zeitraum und ordnen Sie ihm die Wahrscheinlichkeit zu: 1 Anzahl Perioden Wenn verschiedene Perioden die gleiche Kombination haben, können diese zusammengefasst werden (indem die einzelnen Wahrscheinlichkeiten 8211 wie in den beiden zusammengefasst werden - Münzwerfungs-Beispiel, bei dem die Kopf-Schwanz - und Schwanzkopf-Kombinationen zu einer bei 50 Wahrscheinlichkeit gruppiert sind). Die JPT ist die vollständige Liste der Ergebnis Kombination und die damit verbundene Wahrscheinlichkeit. Dies ist ein bisschen schwierig zu erklären, in einer prägnanten Art und Weise, und es ist ausführlich in Vince8217s Buch entwickelt. Allerdings sollten die Dateien am Ende dieses Beitrags in der 8220technical8221 Anhang sollte Ihnen helfen, diese Logik zurückverfolgen. Sobald das JPT aufgebaut ist, kann es als Eingang für die f-Optimierung verwendet werden. Leverage Space Trading-Modell: Optimierung von f mit R Die von Vince entwickelte Java-App erstellt die Joint-Probability-Tabelle aus dem Import der Eigenkapitalkurve für jede Komponente. Der 8220meat8221 des Leverage-Space-Modellcodes ist in der R-Implementierung von Joshua Ulrich (von FOSS Trading) enthalten. Dies ist, wo die Optimierung tatsächlich ausgeführt wird (Vince8217s Java-Anwendung implementiert auch die Optimierung, aber die R-Implementierung ist viel schneller). Beachten Sie, dass Josh hat einen Blog-Beitrag, wie die JPT zu erstellen. So dass Sie möglicherweise nur R verwenden können, sollten Sie mit dem Leverage Space Modell experimentieren wollen (ich bin nicht sicher, dass die Java-App frei verfügbar ist). Das R-LSPM-Paket benötigt die JPT als Eingabe sowie die Optimierungsparameter. Beachten Sie, dass dies mein erster Ausflug in R 8211 ist, so dass Sie definitiv nicht brauchen, um ein Experte, um diese Art von Test laufen. Die Tatsache, dass die Java-Anwendung die R-Befehle direkt generiert, war hilfreich, aber Sie können wahrscheinlich 8220learn durch example8221 durch Überprüfen der R-Session-Datei am Ende der Post (es gibt mehr doc auf Josh8217s Blog oder die LSPM-Projekt-Seite sowieso). Unter Verwendung der JPT als Eingabe läuft das LSPM-Paket die Optimierung ab, die die Spitze der 5-dimensionalen Kurve schätzt. Ein genetischer Algorithmus wird für die Optimierung verwendet und nach einer bestimmten Anzahl von Iterationen wird der optimale Satz von f-Werten durch das Programm ausgegeben. Für die vier Assistenten sind die jeweiligen optimalen f-Werte wie folgt: Campbell: 0,050767 Dunn: 0,000000 JWH: 0,322954 Millburn: 0,375109 Wiederum sind dies f-Werte, die sich nur auf die anzuwendende Hebelwirkung beziehen, über jeden größeren Verlust der Komponente8217: Campbell : 0,050767 16,7 0,304 Dunn: 0,0 30,68 0 JWH: 0,322954 27,32 1,182 Millburn: 0,375109 14,12 2,657 Eine interessante Bemerkung ist die Tatsache, daß manche f-Werte 0 zuordnen können. Was im Wesentlichen bedeutet, dass die Komponente dem Portfolio keine Wertschöpfung in Bezug auf die Wachstumsrate hinzufügt, welches Maximum erreicht wird, wenn es ausgeschlossen wird. Ein Investor hätte das geometrische Wachstum seines Kapitals maximiert, indem er jeden Monat die fiktive Kontogröße, die jedem Manager zugewiesen wurde, gemäß den drei oben genannten Hebelfaktoren zurücksetzt. Zum Beispiel, beginnend mit 100 Millionen Gesamtkapital, würde der erste Monat 30.4M zugewiesen Campbell, 118.2M zu JWH und 265.7M zu Millburn. Nach dem ersten Monat hätte sich das Eigenkapital um 22,9 auf 122,9 Mio. erhöht, das dann nach den gleichen Hebelverhältnissen neu zugeordnet werden würde. Nach 25 Jahren, die denselben Prozeß monatlich wiederholten, würde die 100M zu einer theoretischen Zahl von 8.230 411,4 Milliarden dank einer monatlichen geometrischen Mittelrückkehr von 2,81 (während eine unleveraged gleiche Aufspaltung über vier Manager 8211 mit monatlicher Neugewichtung 8211 zu einem 8220paltry8221 3,9 führen würde Milliarde). Natürlich ist diese Verbesserung nur 8220in hindsight8221 möglich. Die andere Implikation von dieser Beispielanwendung ist, dass der optimale f-Wert einen Leverage-Wert diktieren kann, der höher als der maximal zulässige Wert sein kann (sei es durch Margin-Anforderungen oder Aktienhandel in einem Cash-Konto usw.). Die Leverage-Space-Modell für diese, mit der Möglichkeit der Zugabe von Rand Einschränkungen (Ich habe noch nicht in diese noch aber dieser Post auf FOSS Handel Gespräche darüber). Drawdown-Einschränkungen Eines der Hauptprobleme, die in der Regel mit dem Konzept des optimalen f aufgeworfen werden, besteht darin, dass der Handel für Wachstumsratenoptimierung oft nicht realistisch ist, da er unzureichende Abwärtsströme und Volatilität erzeugt. Die meisten Anleger, Händler oder Manager würden gerne eine gewisse Rückkehr in ihren akzeptablen Ebenen der Volatilität und Drawdown aufgeben. Ich werde die Formel hier nicht detaillieren (ich verweise Sie auf das Buch wieder), aber Vince präsentiert eine Möglichkeit der Berechnung der Wahrscheinlichkeit eines bestimmten Drawdown. Die Grundidee besteht darin, eine Risikobeschränkung für das Modell einzuführen, so dass anstelle der optimalen Optimierung für maximale Wachstumsrate man mit einer Einschränkung des Drawdowns optimieren kann. Zum Beispiel: Finden Sie die optimalen f-Werte, für die die Wahrscheinlichkeit einer 30-Absenkung über 12 Perioden nicht größer als 50 ist. Die n-dimensionale Kurve ist genau so aufgebaut, aber alle f-Werte, die zu einer Wahrscheinlichkeit des Drawdowns führen Wird die Einschränkungsschwelle ignoriert 8211 dies würde normalerweise dazu führen, dass alle Werte um den Peak verworfen werden. Dies ist genau das, was ich lief auf den gleichen vier Wizard Track-Datensätze und die f-Werte wurden wie folgt: Campbell: f0.053919, Leverage0.3229 Dunn: f0.002451, Leverage0.007987 JWH: f0.297744, Leverage 1.08984 Millburn : F0.237712, Hebelwirkung 1.68351 Die monatliche geometrische mittlere Rendite sinkt auf 2,68 (endgültiges Eigenkapital von 282,7B). Die Max Drawdown-Zahl sinkt von 79 auf 68. Langsam trotz des Schnees Das Hauptproblem des Hinzufügens der Drawdown-Einschränkung für die Optimierung ist der dramatische Anstieg der Rechenzeit. Während die erste Optimierung für die einfachen wachstumsoptimalen f-Werte für 100 oder 1.000 Iterationen des Algorithmus Sekunden benötigte, hat die Addition des Drawdown-Constraints einen erheblichen Einfluss auf die Rechenzeit. Das LSPM verwendet ein anderes R Paket: Schnee. Um Multi-Prozessoren mit Parallel-Computing zu nutzen, um die Geschwindigkeit zu beschleunigen. Info für die Techniker: Ich betreibe einen Intel Core 2 Quad Prozessor 2.40GHz und habe dem Optimierungsprozeß 8211 drei Prozessoren zugewiesen, aber die Laufzeit kam zu enttäuschenden drei Stunden für 100 Iterationen. Dies ist nur für vier Komponenten und 300 monatlichen Perioden. Ich hatte ursprünglich die Idee, die tägliche Eigenkapitalkurve von ein paar hundert Bestandteilen durch das LSPM Paket laufen zu lassen, aber das muss wohl warten, bis sich die Technologie verbessert hat. Ich verstehe, dass dies vor allem auf die hohen Rechenkosten für die Bewertung der Wahrscheinlichkeit des Drawdowns zurückzuführen ist. Vielleicht könnte eine weniger kostspielige Risikoberechnung die Laufzeit überschaubarer machen. Erste Eindrücke Dies ist ein bisschen eine erweiterte post (wahrscheinlich die längste auf dem Blog so weit), aber es hoffentlich bietet eine anständige Schritt-für-Schritt-Illustration von einigen der Konzepte und wie sie praktisch anzuwenden (es gibt mehr Details in der 8220technical8221 Anhang unten). Das Modell ist wirklich eine alternative Portfolio-Allokation-Methode und ich kann nicht sehen, wie es direkt angewendet werden könnte, um Positionsgröße für ein Handelssystem zu bestimmen. Dies liegt vor allem daran, dass alle Komponenten-Rückgaben über identische Perioden aufgeteilt werden müssen, während sich Trades von einem einzigen System überlappen. Es könnte gut möglich sein, jede instrument8217s-Eigenkapitalkurve zu verwenden, wenn sie über ein bestimmtes System gehandelt wird. Etwas zu untersuchen 8211 aber mit den hohen Berechnungskosten, läuft die Optimierung über ein großes diversifiziertes Portfolio könnte alles andere als unmöglich. Auf der anderen Seite kann ich sehen, wie das Modell für den Manager nützlich sein könnte, der ein Programm aus mehreren Systemen ausführt und die Zuordnung zu jedem System optimieren möchte. Alternativ könnte man das Systemportfolio in mehrere Assetklassen (Financials, Currencies, Energies etc.) aufteilen und die Zuordnung zu jeder Assetklasse optimieren. Ein weiterer Aspekt, der wertvoll ist, ist, wie nützlich das Modell in einem zukunftsorientierten Modus ist (dh, um ein optimales Fließverhalten für jede Komponente für die nächsten Perioden zu bestimmen) und wie dies konfiguriert werden kann (über die gesamte Geschichte, die zu diesem Zeitpunkt verfügbar ist Ein Rolling-Optimierungsfenster Welche Länge der zu verwendenden Daten in diesem Fenster). Dies wäre offensichtlich davon abhängig, wie stabil die Komponente zurückkehrt im Laufe der Zeit (wie für jeden Aspekt der Back-Testing). Technischer Anhang Im Folgenden finden Sie einige zusätzliche Informationen, um die Erläuterungen in diesem Beitrag zu unterstützen und das schrittweise darzustellen. Ich habe die Java-Anwendung, um sowohl die Joint-Probability-Tabelle und die R-Befehle zur Ausführung der Optimierung zu generieren. Die App benötigt eine Datei pro Komponente, die die Eigenkapitalkurve mit konstanter Positionsgröße enthält (dh keine Reinvestition). Für die vier Wizard-Track-Records ist die Equity-Kurve einfach die kumulative Summe der monatlichen Prozent-Renditen (repräsentativ für eine konstante Positionsgröße von 100). Im Folgenden sind die vier CSV-Dateien aufgelistet: Beim Importieren der Dateien biet die App den Zeitraum zurück und generiert die JPT: Die Optimierungsparameter können über die zweite Hälfte des Bildschirms unten konfiguriert werden: Die Parameter der oben definierten Optimierung sind: maximale Wahrscheinlichkeit Ein 30-Drawdown über zwölf Perioden muss kleiner als 50 sein. Die maximalen kalkulierten Zyklen von 8 ist eine Zahl, die in der Berechnungswahrscheinlichkeitsberechnung verwendet wird. Wie ich es verstehe, wird die Drawdown-Wahrscheinlichkeit aus einer 8-Periodenrechnung extrapoliert und die Rechenzeit steigt exponentiell mit dieser Zahl an. Die R-Taste erzeugt die R-Befehle, die mit dem LSPM-Paket ausgeführt werden sollen. Unten ist eine Datei mit der R-Sitzung, die ich verwendet, um das Beispiel in den Posts. Der erste Lauf ist eine gerade optimale f-Berechnung mit 100 Iterationen. Der zweite Lauf ist derselbe mit 1.000 Iterationen und der dritte Lauf ist die Optimierung mit Drawdown-Einschränkung. Sie können überprüfen, die gemeinsame Wahrscheinlichkeitstabelle (enthalten in den Ergebnissen und probs Arrays), die von den Track Record-Eingabedateien sowie den Befehl, um in R. Great Post und Erklärung der optimale f aber lassen Sie mich bitte kritisch. Ich hoffe, Sie erkennen, dass diese Analyse auf Rückblick basiert, sparen die hohen Kosten für die Rebalancing, die es unrealistisch macht. Darüber hinaus 8211 und ich denke, das ist wichtiger 8211 Erhöhung Ihrer Beteiligung an einem Fonds nicht dazu führen, dass im Allgemeinen der Fondsmanager seine Position Größe Hebel aufgrund der Liquidität Probleme zu erhöhen. Nur deshalb ist die Methode von der Realität losgelöst. IMO diese Methode der Allokation ist für Montag Morgen Quarterbacks. Ich sehe keinen wirklichen Wert hier, weil der zukünftige Drawdown unbekannt ist. Zukünftige Drawdown-Level, die nicht mit denen übereinstimmen, die verwendet werden, können diese Methode sehr suboptimal machen. Ich denke immer noch, dass die Mittel-Varianz-Methode der Allokation sinnvoller ist, sowohl grundsätzlich als auch in der Praxis. Das ist was ich denke. Tolle Arbeit, obwohl Rick, Vielen Dank für den Kommentar. Natürlich begreife ich, dass das Beispiel, das in der Post verwendet wird, auf Rücksicht beruht, daher meine Verwendung der vergangenen bedingten Anspannung (8220wouldly8221). Ich habe auch hervorgehoben, dass dies nur ein theoretisches Beispiel war, da die Idee, eine fiktive Kontogröße jeden Monat zurückzusetzen (und andere Erwägungen), es unpraktisch machbar machen würde. Dieses Beispiel ist mehr für eine Illustration des Modells als für jede Anwendung 8220how-to8221 in der realen Welt 8211 Ich glaube nicht, dass die Nachricht der Post kommt als ein Rat, diese Strategie anzuwenden 8220as is8221 mit potenziellen Fondsinvestitionen. Auf der anderen Seite, ich glaube, das LSPM-Konzept könnte einige praktische Wert auf Zuweisungen zwischen den verschiedenen Komponenten eines Handelsprogramms oder System von einem Traderfund-Manager verwendet hinzuzufügen. Wo ich nicht einverstanden mit Ihnen ist auf die Unterscheidung, die Sie mit dem Mittel-Varianz-Modell. Von einem High-Level-Punkt aus ist das Konzept identisch: Sammeln von historischen Daten und Optimierung der Zuordnung zwischen den verschiedenen Komponenten auf der Grundlage dieser historischen Daten. Dann wenden Sie die Zuweisung vorwärts. MVO macht dies durch die Betrachtung von arithmetischen Renditen und Varianzkovarianz, LSPM tut dies, indem sie die geometrische Rückkehr und die Wahrscheinlichkeit des Drawdowns (was wohl mehr nützlich ist). Weder das Modell 8220garantiert8221, dass vergangene Daten für zukünftige Daten repräsentativ sind und beide zu suboptimalen Zuweisungen für zukünftige Perioden führen könnten (Sie erwähnen, dass ein zukünftiger Drawdown nicht bekannt ist, aber weder zukünftige Varianz und Kovarianz 8211 noch als Haupteingang im MVO verwendet werden Modell). Schließlich wird in der Schlußfolgerung erwähnt, daß man untersuchen sollte, wie sich das Modell auf einem 8220-Ansatz (8220predicting8221 künftigen optimalen Werten auf der Basis vergangener Daten) verhält, der tatsächlich der einzige praktische Wert ist (ich bin nicht sicher, Menschen für diese Art von a posteriori 8220predictions8221 auf vergangenen Daten). Dieses Problem ist mit jeder Art von Optimierung auf der Grundlage von historischen Daten (einschließlich MVO) identisch und wird von der Stabilität der zugrunde liegenden Eingaben abhängen. Dies ist etwas, was ich in einem zukünftigen Beitrag zu suchen. Hoffe, das klärt Dinge. Ps: Danke für die Verwendung des Ausdrucks Monday Morning quarterbacks 8211 Ich hatte keine Ahnung, was es bedeutete vor Danke für die Antwort. Ich denke immer noch die Methode, die Sie präsentiert ist unrealistisch im Gegensatz zu MVO, die realistisch ist. Sie schrieb: 8220 Zum Beispiel, beginnend mit 100 Millionen Gesamtkapital, würde der erste Monat 30.4M zugewiesen Campbell, 118.2M zu JWH und 265.7M zu Millburn.8221 Aber beginnend mit 100 Millionen Sie zuzuteilen insgesamt 414,3 Millionen. Dies ist ein Hebel-Faktor von 4.143 und Berechnungen enthalten keine Zinsaufwendungen für das Darlehen. Darüber hinaus habe ich versucht, dies zu notieren, bevor ein Anleger sein Abonnement auf einen Fonds erhöht, der nicht sofort auf eine proportionale Gewinnsteigerung umsetzt, weil der Fondsmanager die Positionsgröße aufgrund der Liquidität und anderer Probleme nicht unbedingt entsprechend erhöht. Bei Ihrer Anmerkung über beide Methoden, die auf zukünftigen Daten angewiesen sind, beruht MVO auf Quaitys, die sich nicht stationär (fast) für verschiedene Investitionen, wie Mittelwert und Varianz, befinden können. Drawdown ist ein 8220blaues swan8221 Ereignis. Es kann nicht vorhergesagt werden. Ich habe auch ernsthafte Zweifel, dass diese Methode maximiert geometrischen Wachstum unabhängig davon, dass nicht praktisch, obwohl ich nicht die Mathematik getan haben. Ich denke, es wäre gut, diese Methode mit MVO vergleichen, aber auf äquivalente Mengen. Nochmals vielen Dank für die Antwort. P. S. Warum Sie don8217t Arbeit für GS noch. ) Hallo Rick, trotz der Tatsache, dass ich das Beispiel ohne Rücksicht auf praktische Implikationen (wie die Themen, die Sie erwähnt). Die Hebelwirkung könnte durch eine fiktive Finanzierung statt einer Finanzierung von Krediten erreicht werden (ich bin damit einverstanden, dass dies eine Auswirkung haben würde, wenn die Performance-Zahlen interest8230 enthalten). Was die Maximierung des geometrischen Wachstums angeht, bin ich ziemlich zuversichtlich, dass es funktioniert. Ich schlage vor, Sie lesen das Buch, wenn Sie doppelklicken Sie die Maths 8211 aber dieser Teil ist ziemlich solide. GS Bestimmt nein danke -) und danke für diesen Beitrag auf Vince8217s Ansatz Das Hauptproblem in diesem Ansatz scheint die Vorstellung von 8220maximum loss8221 zu sein. Selbst wenn Sie Ihre Analyse auf historische (vergangene) Erträge und Verluste von Managersystemen beschränken, ist es unklar, welchen maximalen Verlust Sie nehmen. Warum nehmen Sie den größten MONATLICHEN Verlust ein Warum nehmen Sie nicht den größten wöchentlichen Verlust 8211, dass8217s wahrscheinlich kleiner ist und höhere Hebelwirkung zulässt - Oder, wenn Sie die sicherere Seite bevorzugen, nehmen Sie die größte vierteljährliche Verlust 8211 that8217s wahrscheinlich größer und reduziert Ihre Hebelwirkung und risk8230 Also, für mich bis jetzt, diese Vorstellung von maximalem Verlust scheint völlig unklar. Hat Vince selbst etwas erwähnt, wie man dieses Konzept den Managern anp Handelssysteme anwendet Danke nochmal für den interessanten Beitrag Cornelius, Der maximale Verlust, der in der Formel verwendet wird, ist hauptsächlich eine Notation, die verwendet wird, um f zwischen 0 und 1 zu f, wobei f effektiv das Verhältnis von darstellt (Dh f0.5 bedeutet, dass Sie den halben größten Verlust pro Handelseinheit pro Periode riskieren). Der tatsächliche Leverage-Faktor ist weitgehend unabhängig von diesem größten Verlust (außer dass er nicht den größten Verlust übersteigen kann), sondern eher an den Gesamtstrom der Renditen gebunden. Hier haben wir monatlich größten Verlust, weil die Periodenhäufigkeit monatlich wurde und das ist, wie die Optimierung ausgeführt wird. Wenn wir wöchentliche Zeiträume verwendet hätten, hätten wir die größten wöchentlichen Verluste ausgewählt. Natürlich gibt es keine Garantie dafür, dass künftige Verluste historische Verluste nicht überschreiten werden (in der Tat auf unendlicher Zeitachse dies sicher passieren wird) und der Prozess ist nur eine posteriori Optimierung 8211, so dass dies irgendwie berücksichtigt werden muss. Vince erwähnte eine praktische Anwendung des Konzepts in einer robusteren Weise, die ich in einem späteren Post abdeckte. Was gut zu beachten ist, ist, dass dies nicht lösen das Problem, wie zu entscheiden, welche Hebelwirkung auf zukünftige Daten anzuwenden, es nur formalisiert die 8220measurement8221 der Hebelwirkung auf performancedrawdown, etc. geben einen quantitativen Rahmen als einfach nur Back - Tests mit unterschiedlichen Hebelstärken und Messung der Leistung in jedem Fall (MAR-Verhältnisse, CAGR, etc.). Sie müssten noch entscheiden, welche Hebelwirkung Sie glücklich sein würden, vorwärts zu gehen, mit aller Ungewissheit über zukünftige Daten 8211, die ein gebildeter 8220discretionary8221 Vermutung in irgendeiner Hinsicht ist. Ich genieße Zahlen und Mathematik 8211 außer, sobald es schwierig wird. Wir hatten eine große Business-Buch-Shop (in meiner Stadt), die einige spezielle Investment-Bücher 8211 hatte und einige, die nicht so besonders war es jetzt verkauft upmarket malen amp Fliesen. Die Bücher zu einem Ruheheim namens amazon 8211 geführt wurden, gibt es nichts wie das Gefühl der Kauf eines Hardcover Buch für ein Vermögen zu wissen, was ein großer Kauf Sie gemacht haben. Um ein omlette Ich glaube, die wichtigsten Zutaten sind Käse und Milch durch eine heiße Pfanne unterstützt. Gestaltung von Handelssystemen ist nicht viel schwieriger. Lesen Sie vince8217s Buch wieder und wieder, bis Sie es rückwärts wissen 8211 aber, nachdem Sie pardo8217s Buch gelesen haben. Dann erhalten Sie einige historische Daten 8211 (viel, wenn Sie können) und mischen Sie es mit diesem erweiterten Excel Sie setzen sich auf dem obersten Regal im Besenschrank. Der Rest können Sie für sich selbst erarbeiten. Aber (gehen zurück zu Vince) Ich denke, einige von Ihnen könnten einen Rest 8211 benötigen, wie Sie immer ein wenig über diese größte historische Equity-Drawdown ein bewegtes Ziel und unquantifiable Schätzung für zukünftige Leistung aufgeregt werden. Könnten Sie leicht ausprobieren Handelssysteme, die eine bekannte größte Drawdown haben über einen bestimmten Zeitraum. Ich verstehe, Kauf zu kaufen und oder Optionen Optionen können Sie in Ihrer Suche unterstützen. Ich dachte, ich hatte gelesen Vince8217s Buch gründlich 8211 aber ich bin ganz eingestellt, um es wieder zu lesen 8211 wie ich eine Tasse Kaffee gemacht haben, wenn ich das Kapitel, das Risiko mehr als one8217s Eigenkapital beteiligt haben sollte. Ich mache das nur mit meiner wöchentlichen einkaufsrechnung es war ein sehr nützlicher artikel 8211 und verdiente nachdenklich resendet. Ps 8211, wenn Sie zu viel Zeit auf das Ausgleichen des Systems, vielleicht einen kurzen Aufenthalt in der Kurvenanpassung Reha-Einheit verbringen. Können Sie testen Variablen, die wenig Einfluss auf die Leistung haben, und für diejenigen, die Tests für Werte, die weit zu einander zu schließen sind. Pardo8217s aktualisiertes Buch über Optimierung ist ein ziemlich gutes Follow-up zu seinem ursprünglichen Buch. Es ist eine sehr sinnvolle Lektüre für Optimierungs - und Evaluierungsstrategien. Kann es auch nützlich sein, laut zu lesen, wenn die Schwiegermutter für Sonntag Nachmittag Tee und Scones 8211 (nur Passing Sie uderstand, wie man tut, wenn auf einer dreißig Meile re-Route). Pardo8217s Buch ist nicht ganz dick genug für propping das Sofa, wenn ein Bein fällt 8211 aber glücklicherweise die Mutter-in-law8217s ist Dieser Beitrag ist sehr vorteilhaft für mich. Ich mache einige Forschung auf LSPM. Ich weiß, die Post ist alt 8211 aber hoffe, dass Sie meine Frage zu sehen. Meine Frage ist: Sie sagen (im Abschnitt mit Drawdown-Einschränkungen), dass: 8221 Die monatliche geometrische Mittelrückgabe fällt auf 2.688221 Die R-Session-Datei zeigt jedoch einen Wert von 1.027302 für G 8211 oder 8220bestvalit8221. Woher kommt die 2.68 kommen. In Ihrem ersten Beispiel (ohne Drawdown) Ihre 8220bestvalit8221 und geometrische mittlere Rückkehr ist die gleiche Verge, Glad you8217re genießen die Post. Ich berechnete die 2,68-Zahl durch die Anwendung der Gewichte auf jede Portfolio-Komponente und die Berechnung der Eigenkapitalkurve (getan, so in Excel) Die 2,68-Zahl ist die monatliche geometrische durchschnittliche Rendite basierend auf Anzahl der Perioden und endgültige Equity-Kurve Betrag. Nicht sicher, warum die Nummer (etwas) anders ist als die R-Sitzungsdatei. Vielleicht einige Rundung Fragen oder möglicherweise ein Tippfehler in Excel8230 Mein Dank für die Arbeit, die Sie hier teilen. Sie sagten: 8220Dies ist ganz anders als das Konzept der Positionsbearbeitung für jeden Handel, der von einem Handelssystem generiert würde, wenn mehrere Instrumente gehandelt würden, während Trades sich überschneiden könnten (zB 3 Trades in Gold während eines Handels mit Mais usw.). Das LSP-Modell erwartet, dass alle Komponenten in sequentiellen und synchronisierten Perioden ausgegeben werden. Wie ich in der Post erwähnt, könnte es einige Workarounds, die ich in einem anderen Beitrag zu suchen. - Jez8221 Ich fragte mich daher, wenn Sie wouldn8217t Meinung teilen Ihre Gedanken auf diesem und wie haben Sie erwägt, die Verwendung von LSPM in diesem Fall, wo Trades überschneiden oder flach sind innerhalb eines bestimmten HPR. Grant, habe ich nicht zu viel gearbeitet, da diese Post, aber die Art, wie ich damals dachte war der Einsatz jeden Marktes in einem System als tägliche Strom von Renditen (dh als Markt-System wie Vince nennt sie). Ein flacher Handel während irgendeines HPR (täglich zum Beispiel) würde einfach eine Rückkehr von 0 für dieses Marktsystem haben. Ich habe dies nicht geprüft .. Prüfen Sie die Liste der globalen Futures-Märkte Wisdom Trading bieten Zugang zu, von Mais in Südafrika, Palmöl in Malaysia zu Korean Won, Brazilian Real oder Japanisch Kerosin, um nur einige zu nennen, ist es beeindruckend und großartig Von der Diversifizierung profitieren. Au. Tra. Sy Blog, Systematic Trading Forschung und Entwicklung, mit einem Geschmack von Trend folgend. Disclaimer: Die Wertentwicklung in der Vergangenheit ist nicht unbedingt ein Indikator für zukünftige Ergebnisse. Futures-Handel ist komplex und stellt das Risiko von erheblichen Verlusten als solche, kann es nicht für alle Anleger geeignet sein. The content on this site is provided as general information only and should not be taken as investment advice. All site content, shall not be construed as a recommendation to buy or sell any security or financial instrument, or to participate in any particular trading or investment strategy. The ideas expressed on this site are solely the opinions of the author. The author may or may not have a position in any financial instrument or strategy referenced above. Any action that you take as a result of information or analysis on this site is ultimately your sole responsibility. HYPOTHETISCHE LEISTUNGSERGEBNISSE HABEN VIELE INHERENTE EINSCHRÄNKUNGEN, EINIGE VON DIESEN WERDEN BESCHRIEBEN. NO REPRESENTATION IS BEING MADE THAT ANY ACCOUNT WILL OR IS LIKELY TO ACHIEVE PROFITS OR LOSSES SIMILAR TO THOSE SHOWN IN FACT, THERE ARE FREQUENTLY SHARP DIFFERENCES BETWEEN HYPOTHETICAL PERFORMANCE RESULTS AND THE ACTUAL RESULTS SUBSEQUENTLY ACHIEVED BY ANY PARTICULAR TRADING PROGRAM. EINE DER GRENZEN DES HYPOTHETISCHEN Ergebnisse ist, dass sie in der Regel mit dem Vorteil der NACHSICHT vorbereitet. IN ADDITION, HYPOTHETICAL TRADING DOES NOT INVOLVE FINANCIAL RISK, AND NO HYPOTHETICAL TRADING RECORD CAN COMPLETELY ACCOUNT FOR THE IMPACT OF FINANCIAL RISK OF ACTUAL TRADING. Zum Beispiel, DIE FÄHIGKEIT VERLUSTE AUSHÄLT ODER EINEN BESTIMMTEN TRADING PROGRAMM TROTZ TRADING VERLUSTE zu halten sind materielle Punkte, die sich auch negativ auf IST-Trading-Ergebnisse beeinflussen können. THERE ARE NUMEROUS OTHER FACTORS RELATED TO THE MARKETS IN GENERAL OR TO THE IMPLEMENTATION OF ANY SPECIFIC TRADING PROGRAM WHICH CANNOT BE FULLY ACCOUNTED FOR IN THE PREPARATION OF HYPOTHETICAL PERFORMANCE RESULTS AND ALL WHICH CAN ADVERSELY AFFECT TRADING RESULTS. THESE PERFORMANCE TABLES AND RESULTS ARE HYPOTHETICAL IN NATURE AND DO NOT REPRESENT TRADING IN ACTUAL ACCOUNTS. copy 2009-2012 Au. Tra. Sy blog 8211 Automated trading System mdash Sitemap mdash Powered by WordpressOptimal f forex management, yushin america stock market. Responses to Forex Point-and-Figure Charting Solutions Andy Steven June 27th, 2012 at am. I am really glad I have found this info. Now a days bloggers. When developing a system to manage money, you must ask yourself Should I build a track record that I cannot realis-tically expect to maintain in the future The Tradecisions Strategy Builder functionality is centered on money management as the main part of the trading process. Disciplined Trading with. Optimal f forex management: Includes a weekly bulletin describing financial conditions. Online ForexForeign Exchange Trading. Trade Currency with Competitive FX Rates and Over 182 Currency Crosses using the Online Trading Platform from Saxo. HI, Great post and explanation of optimal f but please allow me to be critical. I hope you realize that this analysis is based on hindsight, save the high cost for. yushin america stock market: Currency trading offers far more flexibility than other markets, but long-term success requires discipline in money management. Recommended reading for people interested in learning more about the forex market. Cheapest stocks to buy right now 2011: Optimal F. The Optimal F system of money management was devised by Ralph Vince, and hes written several books about this and other money management issues. The optimal portfolio concept falls under the modern portfolio theory. The theory assumes among other things that investors fanatically try to minimize risk while. Hinterlasse eine Antwort