Backtesting Des Stratégies De Trading Dans Matlab

Bien que j'aime où cette question va, je suggère de la rendre un peu plus concrète. Quelles parties du processus de backtesting aimeriez-vous apprendre? Cela peut aller de n'importe quelle estimation d'un retour normal, où le portefeuille renvoie de votre stratégie sont déjà donnés à la mise en œuvre d'une règle de constitution de portefeuille complète algorithmically. Ndash Constantin Dec 30 14 at 21:06 Pour être honnête je don39t savoir beaucoup de backtesting. On m'a dit que je devrais de nouvelles stratégies de backtest ou d'améliorer une actuelle pendant mon stage. Je voudrais donc en savoir un peu plus sur le sujet avant de commencer. Quelles sont les différentes parties de celui-ci. Ndash Maxime Dec 30 14 at 21:31 L'idée générale Pour les titres de participation, un backtest simple se compose généralement de deux étapes: Calcul du rendement du portefeuille résultant de votre règle de constitution de portefeuille (ou stratégie de négociation) Modèle d'évaluation des actifs L'étape 2 est simplement une régression et très simple en mathématiques dans Matlab. Quoi de plus délicat est la mise en œuvre de l'étape 1, qui vous obligera à être très à l'aise dans Matlab, et il existe différentes façons de le faire. Si vous savez comment faire une régression OLS dans Matlab, ce que vous devez se concentrer sur toutes sortes de manipulations matricielles. Mise en œuvre dans Matlab Formation de portefeuille et calcul des rendements Pour vous donner un exemple de la façon dont une stratégie de négociation primitive pourrait être mise en œuvre dans Matlab, supposons des données de retour mensuelles et une période de détention uniforme d'un mois sur n actifs sur k périodes, où i in et k dans . En supposant aucun changement dans la composition de votre univers d'actions, votre matrice de retour X est de dimensions k fois n. X ampères x ampères ampères ampères ampères ampères vdots ampères ddots ampères vdots ampères ddots ampères vdots x ampères dots ampères x ampli dots ampères vdots ampères ddots ampères vdots ampères ddots amp vdots x ampères dots ampères x ampli dots ampères x fin Où retourne Sont calculés sous la forme x frac-1. En supposant que votre critère de sélection est une caractéristique de stock qui est disponible à la fréquence mensuelle, vous aurez également une matrice de caractéristiques C. Vous pouvez ensuite écrire un algorithme qui identifie les entrées en C qui répondent à votre critère de sélection (par exemple, ) Et remplacer les entrées correspondantes (où i et t sont identiques) d'une matrice indicatrice I (qui a été initialisée comme matrice zéro à l'aide de la fonction zéros) avec ones. Vous pouvez alors multiplier les entrées de I par celles de la matrice de retours X pour obtenir une matrice R qui indique les rendements résultant de vos avoirs. Vous pouvez ensuite calculer la moyenne des entrées non nulles pour chaque ligne de R pour obtenir votre vecteur de rendements de portefeuille. Ajustement des risques et identification des rendements anormaux À l'étape 2, vous comparez ce vecteur aux rendements normaux obtenus à partir de l'estimation de régression d'un modèle de tarification de l'actif tel que le modèle Fama-français. En soustrayant le vecteur retour normal de votre portefeuille retourne le vecteur, vous déterminez si votre stratégie de négociation a abouti à un rendement anormal positif, ce qui est ce que vous viser. Recommandations Si vous êtes nouveau dans Matlab, je vous suggère personnellement de vous familiariser suffisamment avec cette stratégie simpliste avant de relâcher certaines des hypothèses simplificatrices (telles que la périodicité et la périodicité) et de procéder à des implémentations plus sophistiquées. Encore une fois, ce que je voudrais souligner, c'est que cela nécessite que vous soyez très à l'aise avec Matlab et surtout les différentes façons de manipuler les matrices, ce qui peut prendre un certain temps. Si vous n'avez pas besoin d'utiliser Matlab pour votre stage et que vous souhaitez obtenir des résultats rapides, vous pouvez faire l'étape 1 dans Excel, ce qui est fastidieux, mais ne nécessite pas l'investissement initial (utile) que vous devez faire pour Matlab. Pour vous familiariser avec Matlab, je suis sûr que vous avez déjà découvert la documentation extrêmement bonne qui vient avec elle. C'est, pour moi, la ressource la plus précieuse et probablement plus utile que toute autre ressource financière spécifique (avec laquelle j'attendrais jusqu'à ce que vous soyez familier avec Matlab lui-même). Tout ce qui est nécessaire pour déterminer le rendement normal est une régression OLS et une compréhension rudimentaire des modèles de tarification des actifs. Répondue Déc 30 14 à 22: 20 Backtesting succès des stratégies de négociation algorithmique - Partie I Cet article continue la série sur le commerce quantitatif, qui a commencé avec le Guide des débutants et l'identification de la stratégie. Ces deux articles plus longs, plus impliqués ont été très populaires pour mal continuer dans cette veine et fournir des détails sur le thème du backtesting de stratégie. Le backtesting algorithmique nécessite des connaissances dans de nombreux domaines, y compris la psychologie, les mathématiques, la statistique, le développement de logiciels et la microstructure de marketexchange. Je ne pouvais pas espérer couvrir tous ces sujets dans un article, donc je vais les diviser en deux ou trois morceaux plus petits. Ce que nous allons discuter dans cette section mal commencer par la définition de backtesting et puis je vais décrire les bases de la façon dont il est effectué. Ensuite, je vais élucider sur les préjugés dont nous avons parlé dans le Guide des débutants sur le commerce quantitatif. Ensuite, je vais vous présenter une comparaison des différentes options de logiciel de backtesting disponibles. Dans les articles suivants, nous examinerons les détails des implémentations de stratégies qui sont souvent à peine mentionnées ou ignorées. Nous examinerons également comment rendre le processus de backtesting plus réaliste en incluant les idiosyncrasies d'un échange commercial. Ensuite, nous discuterons des coûts de transaction et comment les modéliser correctement dans un paramètre de backtest. Nous allons terminer par une discussion sur la performance de nos backtests et enfin fournir un exemple d'une stratégie quanti commune, connu comme un commerce de paires de moyenne-reverting. Commençons par discuter ce que le backtesting est et pourquoi nous devrions le réaliser dans notre trading algorithmique. Qu'est-ce que Backtesting Algorithmique trading se distingue des autres types de classes d'investissement, car nous pouvons plus fiables fournir des attentes sur les performances futures des performances passées, en raison de la disponibilité abondante des données. Le processus par lequel ceci est réalisé est connu comme backtesting. En termes simples, backtesting est effectuée en exposant votre algorithme de stratégie particulière à un flux de données financières historiques, ce qui conduit à un ensemble de signaux commerciaux. Chaque opération (que nous entendons ici être un aller-retour de deux signaux) aura un profit ou une perte associée. L'accumulation de ce profitloss sur la durée de votre backtest stratégie entraînera le profit total et la perte (également connu sous le PL ou PnL). C'est l'essence de l'idée, bien que bien sûr le diable est toujours dans les détails Quelles sont les raisons clés pour backtesting une stratégie algorithmique Filtration - Si vous vous souvenez de l'article sur l'identification de la stratégie. Notre objectif au stade de la recherche initiale était de mettre en place un pipeline de stratégie et de filtrer toute stratégie qui ne répondait pas à certains critères. Backtesting nous fournit un autre mécanisme de filtration, car nous pouvons éliminer les stratégies qui ne répondent pas à nos besoins de performance. Modélisation - Le backtesting nous permet de tester (en toute sécurité) de nouveaux modèles de certains phénomènes du marché, tels que les coûts de transaction, le routage des ordres, la latence, la liquidité ou d'autres problèmes de microstructure du marché. Optimisation - Bien que l'optimisation de la stratégie soit lourde de biais, le backtesting nous permet d'augmenter la performance d'une stratégie en modifiant la quantité ou les valeurs des paramètres associés à cette stratégie et en recalculant sa performance. Vérification - Nos stratégies sont souvent obtenues à l'externe, via notre pipeline de stratégie. Backtesting d'une stratégie assure qu'il n'a pas été incorrectement mis en œuvre. Bien que nous ayons rarement accès aux signaux générés par des stratégies externes, nous aurons souvent accès aux paramètres de performance tels que les caractéristiques de Sharpe Ratio et Drawdown. Nous pouvons donc les comparer à notre propre mise en œuvre. Backtesting fournit une foule d'avantages pour le trading algorithmique. Cependant, il n'est pas toujours possible de revoir directement une stratégie. En général, à mesure que la fréquence de la stratégie augmente, il devient plus difficile de modéliser correctement les effets de la microstructure sur le marché et les échanges. Cela conduit à des backtests moins fiables et donc à une évaluation plus délicate d'une stratégie choisie. C'est un problème particulier où le système d'exécution est la clé de la performance de la stratégie, comme avec les algorithmes de fréquence ultra-haute. Malheureusement, le backtesting est lourd de biais de tous types. Nous avons abordé certaines de ces questions dans des articles précédents, mais nous allons maintenant en discuter en profondeur. Biais affectant les backtests de stratégie Il existe de nombreux biais qui peuvent affecter la performance d'une stratégie backtestée. Malheureusement, ces biais ont tendance à gonfler les performances plutôt que de les nuire. Ainsi, vous devriez toujours considérer un backtest comme une limite supérieure idéalisée sur la performance réelle de la stratégie. Il est presque impossible d'éliminer les préjugés de la négociation algorithmique, il est donc notre devoir de les minimiser au mieux pour prendre des décisions éclairées au sujet de nos stratégies algorithmiques. Je voudrais discuter de quatre biais majeurs: le biais d'optimisation. Prévision des préjugés. Préjugé de survie et biais de tolérance psychologique. Biais d'optimisation C'est probablement le plus insidieux de tous les biais de backtest. Il s'agit d'ajuster ou d'introduire des paramètres de trading supplémentaires jusqu'à ce que la performance de la stratégie sur l'ensemble de données de backtest soit très attrayante. Cependant, une fois en direct, la performance de la stratégie peut être nettement différente. Un autre nom pour ce biais est l'ajustement de la courbe ou le biais de snooping des données. Le biais d'optimisation est difficile à éliminer car les stratégies algorithmiques impliquent souvent de nombreux paramètres. Les paramètres dans ce cas peuvent être les critères entryexit, les périodes de rétrospection, les périodes de moyenne (c'est-à-dire le paramètre de lissage moyen mobile) ou la fréquence de mesure de la volatilité. Le biais d'optimisation peut être minimisé en maintenant le nombre de paramètres au minimum et en augmentant la quantité de points de données dans l'ensemble d'apprentissage. En fait, il faut également faire attention à ce dernier, car les anciens points de formation peuvent être soumis à un régime antérieur (comme un environnement réglementaire) et peuvent donc ne pas être pertinents pour votre stratégie actuelle. Une méthode pour aider à atténuer ce biais est d'effectuer une analyse de sensibilité. Cela signifie que l'on peut varier les paramètres de façon incrémentielle et tracer une surface de performance. Le raisonnement sonore et fondamental pour les choix de paramètres devrait, avec tous les autres facteurs considérés, conduire à une surface de paramètre plus lisse. Si vous avez une surface très performante, cela signifie souvent qu'un paramètre ne reflète pas un phénomène et est un artefact des données d'essai. Il existe une vaste littérature sur les algorithmes d'optimisation multidimensionnelle et il s'agit d'un domaine de recherche très actif. Je ne m'attarderai pas là-dessus, mais gardez-le à l'arrière de votre esprit lorsque vous trouvez une stratégie avec un backtest fantastique Look-Ahead Bias Look-ahead bias est introduit dans un système de backtesting lorsque les données futures accidentellement inclus à un point de la Où ces données n'auraient pas été disponibles. Si nous faisons chronologiquement le backtest et que nous atteignons le point de temps N, alors le biais d'anticipation se produit si les données sont incluses pour tout point Nk, où k0. Les erreurs de biais prospectives peuvent être incroyablement subtiles. Voici trois exemples de la façon dont le biais prospectif peut être introduit: Bugs techniques - vecteurs Arrays dans le code ont souvent des itérateurs ou des variables d'index. Des décalages incorrects de ces indices peuvent conduire à un biais prospectif en incorporant des données à Nk pour des valeurs non nulles k. Calcul des paramètres - Un autre exemple courant de biais prospectif se produit lors du calcul des paramètres de stratégie optimale, par exemple avec des régressions linéaires entre deux séries temporelles. Si l'ensemble des données (y compris les données futures) est utilisé pour calculer les coefficients de régression et donc rétroactivement appliqué à une stratégie de négociation à des fins d'optimisation, des données futures sont incorporées et un biais de prospective existe. MaximaMinima - Certaines stratégies de trading utilisent des valeurs extrêmes à n'importe quelle période, comme l'incorporation des prix élevés ou bas dans les données OHLC. Cependant, étant donné que ces valeurs minimales maximales ne peuvent être calculées qu'à la fin d'une période de temps, un biais de prospection est introduit si ces valeurs sont utilisées pendant la période courante. Il est toujours nécessaire de décaler les valeurs de highlow par au moins une période dans toute stratégie commerciale en faisant usage d'eux. Comme avec le biais d'optimisation, il faut être extrêmement prudent pour éviter son introduction. C'est souvent la raison principale pour laquelle les stratégies de trading sous-performent leurs backtests significativement dans le commerce en direct. Préjugé de survie Le biais de survie est un phénomène particulièrement dangereux et peut conduire à des performances significativement gonflées pour certains types de stratégies. Il se produit lorsque les stratégies sont testées sur des ensembles de données qui ne comprennent pas l'univers complet des actifs antérieurs qui peuvent avoir été choisis à un moment donné, mais ne considèrent que ceux qui ont survécu à l'heure actuelle. À titre d'exemple, envisager de tester une stratégie sur une sélection aléatoire des actions avant et après la chute du marché de 2001. Certains stocks technologiques ont fait faillite, tandis que d'autres ont réussi à rester à flot et même prospéré. Si nous avions restreint cette stratégie uniquement aux stocks qui ont traversé la période de tirage du marché, nous introduirions un biais de survie parce qu'ils ont déjà démontré leur succès pour nous. En fait, il ne s'agit là que d'un autre cas spécifique de biais prospectif, car les informations futures sont intégrées dans les analyses passées. Il existe deux façons principales d'atténuer le biais de survie dans vos backtests de stratégie: Survivance Bias Free Datasets - Dans le cas des données d'équité, il est possible d'acheter des ensembles de données qui incluent des entités délocalisées, même si elles ne sont pas bon marché et ont tendance à être utilisées par les entreprises institutionnelles . En particulier, les données de Yahoo Finance n'est pas libre de survie, et cela est couramment utilisé par de nombreux commerçants de détail. On peut également négocier sur des classes d'actifs qui ne sont pas sujettes à un biais de survie, comme certaines marchandises (et leurs dérivés futurs). Utiliser des données plus récentes - Dans le cas des actions, l'utilisation d'un ensemble de données plus récentes atténue la possibilité que la sélection de titres choisis soit pondérée pour les survivants, tout simplement parce qu'il y a moins de risque de clôture globale des stocks dans des périodes plus courtes. On peut aussi commencer à construire un jeu de données de survivance-bias gratuit en collectant des données à partir du point actuel. Après 3 à 4 ans, vous disposerez d'un ensemble solide de données sur les actions qui vous permettront de tester d'autres stratégies. Nous allons maintenant considérer certains phénomènes psychologiques qui peuvent influencer vos performances commerciales. Biais de tolérance psychologique Ce phénomène particulier n'est pas souvent discuté dans le contexte du commerce quantitatif. Cependant, il est largement discuté en ce qui concerne les méthodes de négociation plus discrétionnaires. Il a des noms différents, mais Ive décidé de l'appeler biais de tolérance psychologique, car il capte l'essence du problème. Lors de la création de backtests sur une période de 5 ans ou plus, il est facile de regarder une courbe ascendante tendance des actions, de calculer le rendement annuel composé, le ratio Sharpe et même les caractéristiques de tirage et être satisfait des résultats. À titre d'exemple, la stratégie pourrait posséder un retrait relatif maximal de 25 et une durée maximale de retrait de 4 mois. Ce ne serait pas atypique pour une stratégie de momentum. Il est facile de se convaincre qu'il est facile de tolérer de telles périodes de pertes parce que l'image globale est rose. Toutefois, dans la pratique, il est beaucoup plus difficile Si des tirages historiques de 25 ou plus se produisent dans les backtests, alors vous verrez probablement des périodes de rabais similaires dans le commerce en direct. Ces périodes de retrait sont psychologiquement difficiles à endurer. J'ai observé de première main ce que peut être un retrait prolongé, dans un cadre institutionnel, et ce n'est pas agréable - même si les backtests suggèrent que de telles périodes se produiront. La raison pour laquelle je l'ai qualifié de biais est que souvent une stratégie qui aurait autrement réussi est arrêté de trading pendant les périodes de tirage prolongé et donc conduira à une sous-performance significative par rapport à un backtest. Ainsi, même si la stratégie est de nature algorithmique, les facteurs psychologiques peuvent encore avoir une forte influence sur la rentabilité. Le takeaway est de s'assurer que si vous voyez des tirages d'un certain pourcentage et la durée dans les backtests, alors vous devriez s'attendre à ce qu'ils se produisent dans les environnements commerciaux en direct, et devra persévérer afin d'atteindre la rentabilité une fois de plus. Paquets de logiciel pour le backtesting Le paysage de logiciel pour le backtesting de stratégie est vaste. Les solutions vont du logiciel sophistiqué de niveau institutionnel entièrement intégré à des langages de programmation tels que C, Python et R où presque tout doit être écrit à partir de zéro (ou plugins appropriés obtenus). En tant que négociants quantitatifs, nous sommes intéressés par le solde d'être en mesure de posséder notre pile de technologie de négociation par rapport à la vitesse et la fiabilité de notre méthodologie de développement. Voici les principales considérations pour le choix du logiciel: Compétence de programmation - Le choix de l'environnement sera dans une grande partie descendre à votre capacité à programmer des logiciels. Je dirais que le fait d'avoir le contrôle de la pile totale aura un effet plus important sur votre PL à long terme que l'externalisation autant que possible à un logiciel de fournisseur. Cela est dû au risque de bugs externes ou d'idiosyncrasies que vous ne parvenez pas à réparer dans le logiciel de fournisseur, qui autrement serait facilement remédié si vous aviez plus de contrôle sur votre pile de technologie. Vous voulez également un environnement qui établit le bon équilibre entre productivité, disponibilité de la bibliothèque et rapidité d'exécution. Je fais ma propre recommandation ci-dessous. Capacité d'exécutionBroker Interaction - Certains logiciels de backtesting, tels que Tradestation, sont directement liés à un courtage. Je ne suis pas un fan de cette approche comme la réduction des coûts de transaction sont souvent une grande composante d'obtenir un ratio Sharpe plus élevé. Si vous êtes lié à un courtier particulier (et Tradestation vous force à le faire), alors vous aurez plus de difficulté à passer à un nouveau logiciel (ou un nouveau courtier) si nécessaire. Interactive Brokers fournit une API qui est robuste, mais avec une interface légèrement obtuse. Personnalisation - Un environnement comme MATLAB ou Python vous donne une grande souplesse lors de la création de stratégies de quelque chose car ils fournissent des bibliothèques fantastiques pour presque toutes les opérations mathématiques imaginables, mais permettent également une personnalisation étendue si nécessaire. Complexité de la stratégie - Certains logiciels ne sont pas coupés pour le nombre lourd crunching ou la complexité mathématique. Excel est un tel logiciel. Bien qu'il soit bon pour des stratégies plus simples, il ne peut pas vraiment faire face à de nombreux atouts ou des algorithmes plus compliqués, à la vitesse. Bias Minimisation - Un morceau particulier de logiciel ou de données se prêter davantage aux biais commerciaux Vous devez vous assurer que si vous voulez créer toutes les fonctionnalités vous-même, que vous ne présenter des bugs qui peuvent conduire à des biais. Vitesse de développement - On ne devrait pas avoir à passer des mois et des mois la mise en œuvre d'un moteur de backtest. Le prototypage ne devrait prendre que quelques semaines. Assurez-vous que votre logiciel n'entrave pas votre progrès dans une grande mesure, juste pour saisir quelques points de pourcentage supplémentaires de vitesse d'exécution. C est l'éléphant dans la salle ici Vitesse d'exécution - Si votre stratégie dépend entièrement de la rapidité d'exécution (comme dans HFTUHFT) alors une langue telle que C ou C sera nécessaire. Cependant, vous verrez l'optimisation du noyau Linux et l'utilisation FPGA pour ces domaines, ce qui est en dehors de la portée de cet article Coût - Beaucoup des environnements logiciels que vous pouvez programmer des stratégies de trading algorithmique avec sont complètement libres et open source. En fait, de nombreux fonds spéculatifs utilisent des logiciels open source pour leurs piles de trading entier. En outre, Excel et MATLAB sont à la fois relativement bon marché et il ya même des alternatives gratuites à chacun. Maintenant que nous avons énuméré les critères avec lesquels nous devons choisir notre infrastructure logicielle, je veux courir à travers certains des paquets plus populaires et comment ils comparent: Note: Je vais seulement inclure le logiciel qui est disponible à la plupart des praticiens de détail et Les développeurs de logiciels, car c'est le lectorat du site. Alors que d'autres logiciels sont disponibles tels que les outils de grade plus institutionnels, je pense que ces sont trop chers pour être effectivement utilisé dans un cadre de détail et je n'ai personnellement aucune expérience avec eux. Backtesting Software Comparison Description: Langage de haut niveau conçu pour la vitesse de développement. Large éventail de bibliothèques pour presque toutes les tâches programmatiques imaginables. Obtenir une acceptation plus large dans les fonds de couverture et la communauté des banques d'investissement. Pas aussi rapide que CC pour la vitesse d'exécution. Exécution: les plugins Python existent pour les grands courtiers, tels que Interactive Brokers. Ainsi backtest et le système d'exécution peuvent tous faire partie de la même pile tech. Personnalisation: Python a une communauté de développement très saine et est une langue mature. NumPySciPy fournissent des outils de calcul rapide et d'analyse statistique pertinents pour la négociation quantitative. Complexité de la stratégie: De nombreux plugins existent pour les algorithmes principaux, mais pas aussi grande qu'une communauté quantique pour MATLAB. Minimisation du biais: Les mêmes problèmes de minimisation du biais existent que pour tout langage de haut niveau. Il faut faire très attention aux tests. Vitesse de développement: Pythons principal avantage est la vitesse de développement, avec robuste dans construit dans les capacités de test. Vitesse d'exécution: Pas tout à fait aussi rapide que C, mais les composants informatiques scientifiques sont optimisés et Python peut parler au code C natif avec certains plugins. Coût: FreeOpen Source Description: Langue mature et de haut niveau conçue pour la vitesse d'exécution. Large éventail de finances quantitatives et de bibliothèques numériques. Plus difficile à déboguer et prend souvent plus de temps à mettre en œuvre que Python ou MATLAB. Extrêmement répandu à la fois dans le buy-and-sell-side. Exécution: La plupart des API de courtage sont écrites en C et Java. Ainsi, de nombreux plugins existent. Personnalisation: CC permet un accès direct à la mémoire sous-jacente, ce qui permet d'implémenter des stratégies ultra-hautes fréquences. Stratégie Complexité: C STL fournit une large gamme d'algorithmes optimisés. Presque tous les algorithmes mathématiques spécialisés possèdent une mise en œuvre CC libre et open-source sur le Web. Bias Minimisation: Look-ahead biais peut être difficile à éliminer, mais pas plus difficile que d'autres langages de haut niveau. De bons outils de débogage, mais il faut être prudent lorsque l'on traite avec la mémoire sous-jacente. Vitesse de développement: C est assez verbeux par rapport à Python ou MATLAB pour le même algorithmm. Plus de lignes de code (LOC) conduit souvent à une plus grande probabilité de bugs. Vitesse d'exécution: CC a une vitesse d'exécution extrêmement rapide et peut être bien optimisé pour des architectures de calcul spécifiques. C'est la raison principale pour l'utiliser. Coût: Divers compilateurs: LinuxGCC est gratuit, MS Visual Studio a des licences différentes. Différentes stratégies nécessitent des logiciels différents. Les stratégies HFT et UHFT seront écrites en CC (ces jours-ci, elles sont souvent réalisées sur GPU et FPGA), tandis que les stratégies d'équité directionnelle à basse fréquence sont faciles à mettre en œuvre dans TradeStation, en raison de la nature unique de la logistique. Ma préférence personnelle est pour Python car elle fournit le bon degré de personnalisation, la vitesse de développement, la capacité d'essai et la vitesse d'exécution pour mes besoins et stratégies. Si j'ai besoin de quelque chose de plus rapide, je peux passer à C directement à partir de mes programmes Python. Une méthode favorisée par de nombreux commerçants quantiques est de prototype de leurs stratégies en Python et ensuite convertir les sections d'exécution plus lents à C de manière itérative. Finalement, l'algo entier est écrit en C et peut être laissé seul pour le commerce Dans les prochains articles sur le backtesting nous allons jeter un oeil à certains problèmes particuliers entourant la mise en œuvre d'un algorithme trading backtesting système, ainsi que la façon d'intégrer les effets de Échanges commerciaux. Nous discuterons de la mesure du rendement de la stratégie et nous conclurons enfin par une stratégie exemplaire. Cliquez ci-dessous pour en savoir plus. L'information contenue sur ce site web est l'opinion des auteurs individuels basée sur leur observation personnelle, leur recherche et leurs années d'expérience. L'éditeur et ses auteurs ne sont pas des conseillers en placement, des avocats, des CPA ou d'autres professionnels des services financiers enregistrés et ne rendent pas de conseils juridiques, fiscaux, comptables, de placement ou autres services professionnels. L'information offerte par ce site Web est seulement l'éducation générale. Parce que chaque situation factuelle des individus est différente, le lecteur devrait chercher son conseiller personnel. Ni l'auteur ni l'éditeur n'assument aucune responsabilité ou responsabilité pour des erreurs ou omissions et n'a aucune responsabilité ni responsabilité envers une personne ou une entité à l'égard des dommages causés ou prétendument causés directement ou indirectement par les informations contenues sur ce site. À utiliser à vos risques et périls. En outre, ce site Web peut recevoir une compensation financière des sociétés mentionnées par la publicité, les programmes d'affiliation ou autrement. Les tarifs et offres des annonceurs affichés sur ce site Web changent fréquemment, parfois sans préavis. Alors que nous nous efforçons de maintenir des informations exactes et en temps opportun, les détails de l'offre peuvent être périmés. Les visiteurs doivent donc vérifier les modalités de ces offres avant de participer à ces offres. L'auteur et son éditeur renoncent à la responsabilité de la mise à jour des informations et déclinent la responsabilité du contenu, des produits et des services de tiers, y compris lorsqu'ils sont accessibles par le biais d'hyperliens et / ou d'annonces sur ce site. Analyse Walk-Forward: Utilisation de MATLAB pour tester votre stratégie commerciale. Les gestionnaires ou les investisseurs peuvent trouver qu'ils se heurtent à la limitation de backtest leurs idées de négociation. Ou les cadres de backtesting existants ne peuvent pas être utilisés pour tester pleinement leurs idées de trading. Une complexité croissante des données de marché, des stratégies de négociation et des cadres de backtesting est une question difficile. Dans ce webinaire, vous apprendrez comment MATLAB peut soutenir le prototypage et le développement de l'analyse prospective afin de tester vos idées de trading, en commençant par obtenir des données de marché, mettre en œuvre la stratégie de négociation, le cadre de test et l'analyse des performances. Vous verrez comment MATLAB fournit une plate-forme unique qui permet la solution efficace d'analyse de marche avant. Avec MATLAB, vous pouvez explorer, analyser et visualiser efficacement vos données. Grâce à ce webinaires, vous apprendrez: Les enjeux difficiles sur le développement de stratégies de trading Différents types de backtesting cadre Différents types de méthode d'optimisation qui peut être utilisé pour l'optimisation des paramètres de négociation La stratégie de base de négociation de la paire basée sur Bollinger Band Le calcul des indicateurs techniques et métriques de performance L'importance de l'informatique parallèle pour l'évolutivité Ce webinaire s'adresse aux professionnels de la finance, aux chercheurs et aux analystes quantitatifs, aux négociants et aux gestionnaires de portefeuille dont l'accent est mis sur l'analyse quantitative, le développement de la stratégie commerciale ou la recherche sur l'équité. Veuillez consacrer environ 45 minutes à la présentation et à la session d'AQ. Nous enregistrerons ce webinaire, donc si vous ne pouvez pas le faire pour la diffusion en direct, inscrivez-vous et nous vous enverrons un lien pour le regarder à la demande. À propos du présentateur Kawee Numpacharoen est un gestionnaire de produits financiers de MathWorks. Avant de se joindre à MathWorks, Kawee a travaillé chez Phatra Securities en tant que vice-président senior au département de négociation d'actions et de dérivés. Kawee a obtenu un B. S. En génie électrique de King Mongkuts Institute of Technology Ladkrabang, M. S. En ingénierie financière de l'Université du Michigan, Ann Arbor, et un Ph. D. En mathématiques de l'Université Mahidol. Focus sur le produit Boîte à outils financière 8482 MATLAB 174 Boîte à outils parallèle 8482 Boîte à outils 8482