یک روند چیست و آیا ساختار بازار مبتنی بر روند یا مسطح است؟

طبق یکی از تعاریف Merriam-Webster ، یک روند حرکت کلی در طول زمان یک تغییر آماری قابل تشخیص و همچنین یک منحنی آماری است که منعکس کننده چنین تغییری است. در ریاضیات ، روندها را می توان با استفاده از معادلات مختلف - خطی ، لگاریتمی ، چند جمله ای و غیره توصیف کرد. نوع روند واقعی بر اساس انتخاب مدل عملکردی آن با روشهای آماری یا با هموار سازی سری زمانی اولیه ایجاد می شود.

در اقتصاد ، یک روند جهت کلی شاخص های اقتصادی است. معمولاً در چارچوب تحلیل فنی در نظر گرفته می شود که حاکی از جهت حرکت قیمت یا مقادیر شاخص است. به گفته چارلز داو ، یک صعود (روند صعودی) توسط هر اوج بعدی در یک نمودار بالاتر از موارد قبلی مشخص می شود ، در حالی که یک روند نزولی (روند نزولی) به این معنی است که هر قسمت بعدی باید پایین تر از موارد قبلی باشد (به تئوری DOW مراجعه کنید). اگر نمودار به پهلو برود ، این به معنای یک حرکت مسطح است. در صورت وجود روند صعودی ، یک خط روند دو یا چند قیمت پایین قیمت را به هم متصل می کند (خط در زیر نمودار قرار دارد که گویی پشتیبانی و فشار آن را بصری می کند). در صورت وجود روند نزولی ، یک خط روند دو یا چند قله قیمت را به هم متصل می کند (خط در بالای نمودار قرار دارد که گویی مقاومت می کند و آن را به صورت بصری فشار می دهد). خطوط روند به عنوان پشتیبانی (برای صعود) و خطوط مقاومت (برای روند نزولی) عمل می کنند.

با این حال ، این شرایطی نیست که ما به آنها علاقه مندیم بلکه توانایی سودآوری از آنها است. اصطلاحات فوق نشان نمی دهد که چگونه می توانند از نظر ریاضی رسمیت پیدا کنند. همه تعاریف مشهور نسبتاً مبهم به نظر می رسند و می توانند بیش از یک راه تفسیر شوند. به نوبه خود ، علم دقت را دوست دارد. یک تعریف باید واضح ، قابل درک باشد و فقط یک تفسیر داشته باشد ، به طوری که هرکسی که از این روش استفاده می کند قادر به تولید نتایج شخص دیگری است که قبلاً از همان روش استفاده کرده است.

اصول اولیه استراتژی معاملاتی

برای حرکت به سمت مفاهیم یک روند و مسطح ، ابتدا باید اصول را درک کنیم ، یعنی آنچه باید برای کسب درآمد انجام شود. هر استراتژی معاملاتی باید بازپرداخت مورد انتظار بالاتر از 0 را داشته باشد. آنهایی که با ریاضی آشنا هستند ، نیازی به توضیح دیگری ندارند ، اما من هنوز هم آنها را ارائه می دهم. به عبارت ساده ، بازپرداخت مورد انتظار (انتظار ریاضی سود) متوسط سود است. به طور طبیعی ، متوسط سود باید از 0 بیشتر باشد. اگر برابر با 0 باشد ، ما هیچ سود کسب نمی کنیم. اگر زیر 0 باشد ، پس پول خود را از دست می دهیم.

بازپرداخت مورد انتظار شامل احتمال معامله سودآور ، متوسط سود و ضرر متوسط است. معادله ساده است: احتمال سود با متوسط سود ضرب می شود. احتمال از دست دادن ضرب شده توسط میانگین ضرر از نتیجه به دست آمده تقسیم می شود.

• م - بازپرداخت انتظار می رود ،
• P (TP) - احتمال معامله سودآور ،
• P (SL) - از دست دادن احتمال معامله ،
• TP - متوسط معامله سودآور ،
• SL - متوسط معامله از دست دادن.

این بدان معناست که اگر احتمال معامله سودآور 50 ٪ باشد و میانگین اندازه یک معامله سودآور برابر با اندازه یک معامله باخت باشد ، ارزش مورد انتظار 0 به این معنی است که ما چیزی کسب نمی کنیم. به عنوان مثال ، میانگین اندازه معاملات برنده و از دست دادن 10 دلار است ، سپس M = (50*10)-(50*10) = 0. بازپرداخت مورد انتظار برای متغیر تصادفی معمولی توزیع شده 0 است (این یک واقعیت ریاضی است). در مقاله قبلی من ، مجموعه قیمت های قیمت ، مؤلفه تصادفی و "سر و صداها" ، من در نظر گرفتم که توزیع افزایش در بازارهای واقعی بسیار شبیه به حالت عادی است و به طرز مشکوکی شبیه به پیاده روی تصادفی است.

برای سودآوری ، ما باید احتمال معامله سودآور را افزایش دهیم یا اندازه متوسط معامله سودآور را افزایش داده و اندازه متوسط معامله از دست رفته را کاهش دهیم. فرض کنید که ما احتمال معامله سودآور را تا 60 ٪ افزایش می دهیم ، در حالی که متوسط معامله سودآور برابر با میانگین معامله از دست دادن = 10 دلار است. پس از اتمام 100 معاملات ، ما M = (60*10)-(40*10) = 200 دلار درآمد کسب خواهیم کرد. اگر احتمال معامله سودآور یکسان باشد ، ما سود پایدار خواهیم گرفت. به طور مشابه ، اگر میانگین اندازه معامله سودآور را افزایش دهیم ، میانگین اندازه معامله را از دست بدهیم و احتمال 50 ٪ را ترک کنیم ، ما نیز سود پایدار خواهیم گرفت.

این جایی است که بسیاری از معامله گران ، به ویژه تازه واردان ، اغلب شروع به تجربه تعصب شناختی می کنند. آنها فکر می کنند: "خوب ، من به سادگی اندازه متوسط یک معامله سودآور را دو برابر بزرگتر از اندازه متوسط معامله از دست می دهم و موقعیت ها را باز می کنم. مثلاً در تقاطع میانگین های متحرک" (الگوریتم ورود در اینجا مهم نیست)بشرآنها ناخودآگاه می خواهند به نتیجه دست یابند: M = (50*20)-(50*10) = 500 دلار ، اما در واقعیت آنها فقط بازپرداخت مورد انتظار M = (33،3*20) را دریافت می کنند-(66،6*10)= 0 یا احتمالاً ضرر ناشی از گسترش و کمیسیون. من در این مقاله گسترش و کمیسیون ها را در نظر نمی گیرم زیرا آنها در اینجا مهم نیستند. برخی از معامله گران دیگر ممکن است در دام مخالف قرار بگیرند: آنها ممکن است تصمیم بگیرند که دو برابر سود کمتر از ضرر کسب کنند ، زیرا طبق مشاهدات آنها ، معاملات سودآور باید بیشتر در این مورد انجام شود. در نتیجه ، آنها به دلیل کمیسیون ها و گسترش نیز ضرر می کنند ، زیرا معلوم می شود که بازپرداخت واقعی چنین سیستمی M = (66،6*10) است-(33،3*20) = 0. به این ترتیب ، ما می توانیم ضرر توقف را تا حد زیادی افزایش دهیم و سود را کاهش دهیم و احتمال کسب سود را به 90-99 ٪ و بالاتر برساند ، اما تمام این سود در نهایت با ضرر جبران می شود. این همچنین شامل تمام سیستم های Martingale است که بازپرداخت مورد انتظار را تغییر نمی دهد زیرا 0 باقی مانده است ، در حالی که دریافت ضرر فقط ممکن است در زمان به تأخیر بیفتد.

این اتفاق می افتد زیرا هیچ الگوی سودآوری در واقع یافت نشده است. در عوض ، یک معامله گر معاملات را بر اساس یک پیاده روی تصادفی انجام می دهد. بازپرداخت پیش بینی شده یک پیاده روی تصادفی 0 است. اگر بازپرداخت مورد انتظار 0 باشد ، احتمال معامله سودآور 50 ٪ باقی می ماند. تنها مواردی که تغییر می کند نسبت ها است (از این پس ، من به این "تعادل 50 ٪" اشاره می کنم). بنابراین ما یا ضمن کاهش اندازه آن ، احتمال معامله سودآور را افزایش می دهیم ، یا اندازه سودآور را کاهش می دهیم و ضمن افزایش اندازه آن ، احتمال معامله سودآور را کاهش می دهیم. ما باید به نوعی این "تعادل 50 ٪" را بشکنیم و فراتر از بازپرداخت مورد انتظار صفر باشیم. شایان ذکر است که توسعه یک سیستم از دست دادن به همان اندازه دشوار است. معامله گران به دلیل کمیسیون و سپرده محدود متحمل ضرر می شوند.

از شمع تا بلوک

از آنجا که ما تغییرات قیمت را در نقاط (حداقل تغییر قیمت ممکن) اتفاق می افتد و سود به چند امتیاز قیمت آن بستگی دارد ، ما باید از روش استاندارد نمایندگی قیمت ها به شکل شمع/میله دور شویم زیرا آنها تا حد زیادی تحریف می کنندتصویر و درک این روند را دشوار می کند. بیایید با توجه به حرکت قیمت در نقاط ، به روش نمایش برویم. در این مقاله ، من از نشانگر خود استفاده خواهم کرد که بعد از حرکت قیمت تعداد مشخصی از امتیاز ، بلوک هایی را ایجاد می کند. شاخص در زیر وصل شده است. با این حال ، شما می توانید از هر روش دیگری استفاده کنید. شکل 1 نحوه ساخت بلوک ها را نشان می دهد. بلوک ها می توانند از هر اندازه ، از یک نقطه تا بی نهایت در افزایش یک نقطه باشند. اگر اندازه بلوک 10 امتیاز باشد ، بلوک بسته می شود پس از حرکت 10 امتیاز به صورت عمودی و هر بلوکی شکل می گیرد. این بلوک قادر به بسته شدن 10 امتیاز به بالا یا پایین است. این بلوک دارای قیمت های باز ، بالا ، پایین و نزدیک است که در توابع با همتایان شمع آنها مشابه است. در نظر بگیرید که یک بلوک یک قدم است. این بعداً مهم خواهد بود.

برای حرکت به سمت مفهوم روند ، باید نوعی نمونه داشته باشیم. در پیاده روی تصادفی ، هر مرحله بعدی به مرحله قبلی بستگی ندارد ، این فرایند هیچ حافظه ای ندارد و احتمال تغییر مرحله بعدی تغییر جهت آن 50 ٪ است. اما آیا پیاده روی تصادفی مبتنی بر روند یا مسطح است؟بیایید نگاهی به نمودار پیاده روی تصادفی در شکل 2 بیندازیم.

اگر بخواهیم ، می توانیم مناطق و مناطق مسطح را در شکل 2 بیابیم ، اما در واقعیت این یک نمودار پیاده روی تصادفی است که توسط شمع H1 نمونه برداری شده است. احتمال حرکت هر مرحله بعدی به سمت بالا یا پایین در اینجا 50 ٪ است و به جهت گام قبلی بستگی ندارد. هنگام توسعه مفهوم یک روند ، من از پیاده روی تصادفی به عنوان مبنای استفاده خواهم کرد ، زیرا ، همانطور که قبلاً نوشتم ، بازپرداخت مورد انتظار در این مورد 0 است. این از این واقعیت است که احتمال هر مرحله بعدی تغییر یا حفظ جهت خوددر اینجا 50 ٪ است. ضرر متوسط همیشه بدون در نظر گرفتن تعدادی از مراحل یک موقعیت ، برابر با متوسط سود باقی می ماند. احتمال حدس زدن جهت نیز 50 ٪ است. بنابراین ، من فرض خواهم کرد که نمودار پیاده روی تصادفی نه بر اساس روند و نه در مسطح است. تصادفی است

اکنون نمونه ای داریم که می توانیم یک سری قیمت را با آن مقایسه کنیم ، در حالی که تصمیم می گیریم این سری قیمت مبتنی بر روند یا مسطح باشد.

توسعه مدل مرجع

شکل 2 نمودار پیاده روی تصادفی نمونه برداری شده توسط شمع H1 را نشان می دهد. چنین بازنمایی خیلی بصری نیست و درک فرایند را تحریف می کند. بیایید کد منبع آن را نشان داده شده در شکل 3 در نظر بگیریم. من این سری را در قالب CSV در زیر وصل کرده ام. می توانید آن را در ترمینال بارگیری کنید.

شکل 3 نمودار پیاده روی تصادفی را با مرحله 1 امتیاز و همان نمودار به شکل بلوک هایی با اندازه 1 امتیاز نشان می دهد. بلوک ها مراحل را قابل مشاهده تر می کنند. از همه جهات دیگر ، نمودارها یکسان هستند. از آنجا که فرض می کنیم که پیاده روی تصادفی مرجعی برای تعریف ماهیت روند یک سری قیمت است ، بیایید نمودار توزیع چگالی احتمال افزایش پیاده روی تصادفی را برای مقایسه سری قیمت واقعی با مرجع بسازیم. این مشکل را می توان با استفاده از عملکرد گاوسی به صورت تحلیلی حل کرد. با این حال ، راه حل چندان بصری نیست. حتی کسانی که با ریاضی آشنا هستند ممکن است معنای هر فرم توزیع به دست آمده را کاملاً درک نکنند. به منظور ساخت چگالی احتمال مرجع ، از قوانین ترکیبی و ساخت یک جدول استفاده خواهم کرد. قطعه آن در شکل 4 نمایش داده شده است. جدول کامل اکسل در زیر وصل شده است.

جدول به ما این امکان را می دهد تا ارزیابی کنیم که چقدر پیاده روی تصادفی در 40 مرحله به صورت عمودی پیش می رود. نسبت QS (در معادله جدول) اجازه می دهد تا تعداد نمونه هایی را که جدول برای آن ساخته شده است تنظیم کنید. به عنوان مثال ، جدول برای 100000 نمونه ساخته شده است. ستون "مراحل عمودی" دارای تعداد مراحل عملکرد به صورت عمودی است ، در حالی که ستون "احتمال رویداد ٪" فرکانس این مراحل عمودی را نشان می دهد. به عنوان مثال ، این فرآیند در کل 40 مرحله انجام می دهد و قادر به طی 40 مرحله به بالا یا پایین است ، ما 100000 نمونه (اندازه گیری) داریم. به طور متوسط ، این فرآیند 40 مرحله عمودی 0. 00000009 بار از 100000 حرکت می کند. 38 مرحله 0. 0000036 بار انجام می شود ، در حالی که 36 مرحله از 100000 0. 00007 بار ساخته شده است. بنابراین ، با تنظیم آرایه مقدار در ستون "احتمال رویداد ٪" ، می توانیم نمودار توزیع چگالی احتمال افزایش را که در شکل 5 نمایش داده شده است ، بسازیم.

جدول به ما امکان می دهد توزیع چگالی احتمال افزایش مرجع را در 40 مرحله برای فرآیند با تغییر جهت و احتمال ادامه هر مرحله بعدی برابر با 50 ٪ بدست آوریم. برای اطمینان از صحت همه چیز ، می توانیم توزیع چگالی احتمال را برای پیاده روی تصادفی اندازه گیری کرده و آن را با مرجع مقایسه کنیم. اندازه گیری ها برای پیاده روی تصادفی که قطعات آن در شکل 2 و 3 نمایش داده می شود انجام می شود. من چند مرحله عمودی عملکرد را در 40 مرحله و 100000 نمونه (اندازه گیری) اندازه گیری می کنم. نتایج در شکل 6 نشان داده شده است. محور х دامن ه-40 را نشان می دهد. 0. 40 مرحله عمودی ، در حالی که محور y تعداد وقایع برای هر تعداد از مراحل عمودی را مشخص می کند.

توزیع مرجع برای 100000 نمونه 40 مرحله هر کدام (محاسبه شده با جدول) به رنگ قرمز نشان داده می شود ، در حالی که هیستوگرام سفید نشان می دهد 100000 نمونه از پیاده روی تصادفی تولید شده در واقع اندازه گیری شده است. همانطور که می بینیم ، توزیع مرجع و هیستوگرام تقریباً یکسان هستند. انحرافات ناچیز است. هرچه نمونه های بیشتری استفاده کنیم ، مقادیر اندازه گیری شده دقیق تر با موارد مرجع مطابقت دارند. اکنون ما می توانیم تعریف کنیم که توزیع سری با مرجع چقدر متفاوت است. با توجه به توزیع احتمال افزایش در حال حاضر می توانم فرض کنم که سری مورد تجزیه و تحلیل با پیاده روی تصادفی تا حد ممکن مطابقت دارد. من توضیح خواهم داد که چرا بعداً این کار ضروری است.

توزیع افزایش در بازار واقعی

برای انجام اندازه گیری ها ، بیایید از نمودار GBPUSD واقعی استفاده کنیم و آن را به یک نمودار بلوک با اندازه بلوک 0. 00022 تبدیل کنیم. همانطور که در مثال بالا ، محاسبه کنید که قیمت با استفاده از 100000 نمونه به طور عمودی در 40 مرحله حرکت کرده و آن را با مرجع در شکل 7 مقایسه کنید.

مانند گذشته ، توزیع مرجع به رنگ قرمز نشان داده شده است ، در حالی که اندازه گیری شده به رنگ سفید نشان داده شده است. اکنون به ساده سازی که قبلاً معرفی کرده ام نیاز دارم (ترکیبی به جای عملکرد گاوسی). می بینیم که توزیع افزایش GBPUSD نسبت به صفر متقارن است. تقارن نسبت به صفر نشانگر عدم تمایل متمایز به سمت بالا یا پایین آمدن است. این بدان معناست که احتمال هر بلوک بالا که توسط بلوک پایین دنبال می شود ، برابر است با احتمال هر بلوک پایین که توسط بلوک UP دنبال می شود. به عبارت دیگر ، هیچ تمایل قابل مشاهده ای به سمت حرکت قیمت رو به بالا یا نزولی وجود ندارد.

نمودار توزیع GBPUSD پایین تر و گسترده تر از مرجع بسیار جالب تر است. این نشان می دهد که ، در طی 40 مرحله ، قیمت صفر بسیار کمتر از آنچه که باید برای پیاده روی تصادفی عبور می کند و غالباً از نظر عمودی بلوک های بیشتری عبور می کند. این بدان معنی است که احتمال هر مرحله بعدی که جهت خود را تغییر می دهد کمی کمتر از 50 ٪ است. نمودار نشان می دهد که احتمال یک بلوک UP که توسط یک بلوک بالا دیگر دنبال می شود ، از 50 ٪ بیشتر است ، همانطور که احتمال یک بلوک پایین که توسط یک بلوک پایین دیگر دنبال می شود.

چگونه این می تواند برای ما استفاده شود؟بیایید معادله بازپرداخت مورد انتظار را به یاد بیاوریم که به ما امکان ارزیابی سود را می دهد. کل مسئله سودآوری این است که اگر احتمال ورود "صحیح" بیش از 50 ٪ باشد ، ما در سود خود باقی می مانیم ، مشروط بر اینکه میانگین ضرر برابر با متوسط سود باشد. برای سودآوری ، باید "تعادل 50 ٪" را بشکنیم. در حال حاضر ، من احتمال دقیق وارونگی را ارزیابی نکرده ام. می توان آن را با استفاده از نمودار محاسبه کرد ، اما اگر فرض کنیم که احتمال ادامه در این نمودار 55 ٪ است ، در حالی که احتمال معکوس 45 ٪ است و متوسط سود با میانگین ضرر مطابقت دارد و برابر با 10 مرحله است (اندازه مرحله 0. 00022*10 = 0. 0022) ، سپس بازپرداخت مورد انتظار M = (55*0. 0022)-(45*0. 0022) = 0. 121-0. 099 = 0. 022. به نوبه خود ، این بدان معنی است که پس از انجام 100 معاملات ، ما با سود 0. 022 باقی خواهیم ماند. اگر 0. 1 قطعه را در GBPUSD تجارت کنیم ، این به معنای 220 دلار سود است.

با دانستن اینکه احتمال ادامه روند بیش از 50 ٪ است ، می توانیم از یک استراتژی ادامه روند استفاده کنیم ، یعنی پس از یک بلوک بالا بخریم. به عبارت دیگر ، اگر احتمال ادامه روند بیش از 50 ٪ باشد ، ما از یک استراتژی پیروی از روند استفاده می کنیم و سود می گیریم. برعکس ، اگر بدانیم که احتمال معکوس بیشتر از 50 ٪ است (بلوک های بالایی بیشتر توسط موارد پایین دنبال می شوند) ، ما هر بار که یک بلوک بالا بسته می شود ، موقعیت فروش را باز می کنیم و با استفاده از یک مسطح سود می گیریم (ضدروند) استراتژی.

تعریف روند/تخت

Trend/Flat Definition مستقیماً به استراتژی ما برای سودآوری در یک بازار خاص بستگی دارد. اگر در صورت پیاده روی تصادفی ، احتمال ادامه روند 50 ٪ و پیاده روی تصادفی نه بر اساس روند و نه در مسطح است:

در صورت حرکت روند ، احتمال ادامه روند از احتمال برگشت روند فراتر می رود. اگر قیمت 10 امتیاز حرکت کند ، با احتمال بیش از 50 ٪ ، 10 امتیاز دیگر در همان جهت حرکت می کند.

در صورت حرکت صاف، احتمال برگشت روند از احتمال ادامه روند بیشتر است. اگر قیمت 10 واحد حرکت کند، آنگاه معکوس می شود و 10 واحد دیگر در جهت مخالف با احتمال بیش از 50 درصد حرکت می کند.

اگر قیمت به صورت بلوک (همانطور که در بالا توضیح دادم) هر کدام 10 امتیاز نشان داده شود، آنگاه حرکت روند پیشنهاد می کند پس از بسته شدن هر بلوک صعودی بعدی، خرید را باز کنید و پس از هر بلوک نزولی بعدی، فروش را باز کنید. برعکس، حرکت مسطح پیشنهاد می کند پس از هر بلوک صعودی، فروش را باز کنید و بعد از هر بلوک نزولی، خرید کنید.

به عبارت دیگر، اگر بازار در روند است، به سادگی در جهت آن معامله کنید. اگر بازار صاف است، معکوس معامله کنید. اگر بازار نه روندی دارد و نه ثابت است، وارد آن نشوید.

در اینجا من نمی گویم که نمی توان از راه رفتن تصادفی پول درآورد. این موضوع برای مطالعه جداگانه و کامل است.

بررسی بیانیه

جملات به ظاهر منطقی گاهی نادرست از آب در می آیند. پس بیایید نتیجه گیری را با استفاده از یک مدل ساده بررسی کنیم. برای انجام این کار، 2 فرآیند با احتمال معکوس 80٪ (شکل 8) و 20٪ (شکل 9) ایجاد کنید.

شکل 8 نشان می دهد که توزیع چگالی احتمال اندازه گیری شده بسیار باریک تر از مرجع است. این فرآیند اغلب به صفر برمی گردد. شکل 9 نشان می دهد که توزیع چگالی احتمال اندازه گیری شده بسیار گسترده تر از مرجع است. روند خیلی کمتر به صفر برمی گردد. از این رو، می توانیم نتیجه بگیریم که عملیات انجام شده قبلی درست است، همانطور که منطق این است. اگر احتمال معکوس کمتر از 50٪ باشد، توزیع گسترده تر از مرجع است، و سپس از این منطق می توان برای تجزیه و تحلیل درجه ترند بودن یک ابزار خاص استفاده کرد. در اینجا من مفهوم "روند بودن" را معرفی می کنم که به طور کمی نشان دهنده تمایل روند به ادامه روند است.

تخمین درجه ترند بودن ابزار

با داشتن یک مقدار مرجع، می توانیم میزان روند هم فریم های زمانی مختلف یک ابزار و هم ابزارهای مختلف را در مقادیر مطلق تخمین بزنیم. اما ابتدا باید روشی برای مقایسه مقادیر مطلق ایجاد کنیم. من دو روش پیشنهاد می کنم:

1. با انحراف چگالیبشرطیف وسیعی از دامنه ها را انتخاب کنید و تعداد آنها را برای مرجع در این محدوده قرار دهید. سپس همین کار را برای مقادیر اندازه گیری انجام دهید. مقدار مرجع را با اندازه گیری شده تقسیم کنید تا واحدهای مطلق دریافت شود. اگر مقدار بیش از 1 باشد ، سریال از طبیعت روند است ، اگر کمتر از 1 باشد ، این سریال مسطح است. به عنوان مثال ، کل دامنه دامن ه-40 است. 0. 40. هیچ نکته ای برای شمارش تعداد مقادیر د ر-40 وجود ندارد. 40 ، زیرا 100 ٪ از مقادیر در آنجا قرار می گیرند ، بنابراین بیایید ارزش دیگری بگیریم. با توجه به تئوری احتمال "حدود 68 ٪ از مقادیر توزیع عادی در فاصله بیش از یک انحراف استاندارد σ از میانگین قرار دارند ؛ حدود 95 ٪ از مقادیر در دو انحراف استاندارد قرار دارند ، در حالی که 99. 7 ٪ می تواننددر بیش از سه انحراف استاندارد یافت نمی شود ". یعنیتعریف این است که چه تعداد از حوادث در یک محدوده خاص قرار می گیرند و این را با توزیع عادی مقایسه می کنند. با این حال ، من انحراف استاندارد را در کار خود اندازه گیری نکردم زیرا لازم نیست. بنابراین ، من از اعداد مطلق استفاده خواهم کرد. من روش زیر را ترجیح می دهم:
   • در مرجع ، درصد نمونه ای را که به آن علاقه مند هستیم تعیین کنید. به عنوان مثال ، ما به 80 ٪ نمونه ها علاقه مندیم. این بدان معنی است که باید دامنه این 80 ٪ نمونه ها را در آن تعریف کنیم. مثال ما دارای 100000 نمونه است ، به این معنی که 80 ٪ 80،000 نمونه است. بیایید دامنه دامنه این 80 000 نمونه را در آن محاسبه کنیم. 84. 6 ٪ از نمونه ها در محدود ه-8 قرار می گیرند. 8 ، در حالی که 73. 18 ٪ از نمونه ها در محدود ه-6 قرار می گیرند. 6. 84. 6 ٪ به 80 ٪ نزدیک است ، بنابراین تعریف کنید که چند نمونه در محدود ه-8 قرار می گیرد. 8 - اینها 84،614 نمونه هستند.
   • حال بیایید تعریف کنیم که چند نمونه در محدود ه-8 قرار می گیرند. 8 در توزیع ساخته شده برای این سریال با احتمال معکوس 80 ٪. در مورد ما ، دامنه دارای 100000 نمونه است. 84،614/100،000 = 0. 8416. بنابراین ، درجه مدری برای نمودار در شکل 8 0. 8416 است.
   • درجه نمودار روند نمودار را در شکل 9 بررسی کنید. دامن ه-8. 8 ویژگی 52،034 نمونه ، بنابراین ما درجه روند سریال را با احتمال 20 ٪ برگشت 84،614/52،325 = 1. 617 بدست می آوریم.
2. با دامنه متوسطبشراز قضیه حد مرکزی ، می توان نتیجه گرفت که متوسط دامنه عمودی پیاده روی تصادفی متناسب با قدرت 0. 5 از تعداد مراحل است. پیش از این ، من جدول را برای ساخت توزیع مرجع تا حدی در شکل 4 نشان داده ام. جدا از موارد دیگر ، این سلول "بلوک متوسط به صورت عمودی" را محاسبه می کند که تعداد متوسط مراحل عمودی را که توسط پیاده روی تصادفی مرجع گذشت ، محاسبه می کند. این تعداد به عنوان مجموع ستون "فرکانس دامنه" برای دامنه 0. 40 مرحله عمودی تقسیم شده به تعداد نمونه ها یافت شد (در اینجا 100000 است). در جدول ، این مقدار 5. 0148 است. این بدان معنی است که میانگین پیاده رو ی-5. 0148 می گذرد. 5. 0148 مراحل عمودی برای 40 مرحله به طور متوسط. این متناسب با قدرت 0. 437 از تعداد مراحل است. انحراف از قدرت 0. 5 از این واقعیت ناشی می شود که ما فقط 40 قدم برداریم و قضیه ملوان مست می گوید که پیاده روی تصادفی باید تقریباً متناسب با قدرت 0. 5 تعداد مراحل باشد. با استفاده از جدول ، مقدار دقیق مراحل را به دست آورده ایم.
   • اگر میانگین تعداد مراحل عمودی تصویب شده توسط فرآیند را با احتمال معکوس 50 ٪ نمایش داده شده در شکل 2 و 3 اندازه گیری کنیم ، 5. 0363 دریافت خواهیم کرد. بیایید درجه مدرک سریال را با احتمال معکوس 50 ٪ تعریف کنیم. برای انجام این کار ، مقدار مرجع را با یک اندازه گیری شده 5. 0148/5. 0363 = 0. 9957 تقسیم کنید. همانطور که می بینیم ، مدرک مدرک تقریباً 1 است که نشان می دهد این سریال تا حد امکان به پیاده روی تصادفی نزدیک است و منطق ما صحیح است.
   • با احتمال معکوس 80 ٪ ، درجه روند را برای فرآیند محاسبه کنید. برای انجام این کار ، دامنه متوسط آن را اندازه گیری کنید. برابر با 1. 6495 است. در مرحله بعد ، مقدار اندازه گیری شده را با مرجع یک 1. 6495/5. 0148 = 0. 3289 تقسیم کنید. مقدار بسیار پایین تر از 1 است به این معنی که سری مورد تجزیه و تحلیل دارای روند کمتری است.
   • با احتمال معکوس 20 ٪ ، درجه روند را برای فرآیند محاسبه کنید. برای انجام این کار ، دامنه متوسط آن را اندازه گیری کنید. برابر با 9. 95 است. در مرحله بعد ، مقدار اندازه گیری شده را بر اساس مرجع یک 9. 95/5. 0148 = 1. 98 تقسیم کنید. این مقدار تقریباً 2 برابر بیشتر از 1 است که نشان می دهد سری مورد تجزیه و تحلیل دارای مدرک دانشگاهی بالایی است.

با داشتن چنین ابزاری ، می توانیم به طور مستقیم درجه های مدرک را در مقیاس های مختلف (بازه های زمانی) یک ابزار مقایسه کنیم و از نظر بصری پارامترهای آماری آن را ارزیابی کنیم. به عنوان نمونه ، بیایید از همان 2 فرآیند با احتمال معکوس 20 ٪ و 80 ٪ استفاده کنیم و پارامترهای آماری آنها را در مقیاس های مختلف ارزیابی کنیم. پیش از این ، من از اندازه بلوک برابر با 1 امتیاز استفاده کردم. اکنون با ضرب هر اندازه بلوک بعدی با نسبت 1. 1 ، بلوک هایی با اندازه بیشتر ایجاد می کنم. بنابراین ، من چندین مقیاس با اندازه بلوک 1 دریافت خواهم کرد. 1. 1 ؛1. 21 ؛1. 33. 6. 12. شکل 10 نشان می دهد که چگونه با افزایش مقیاس برای فرآیند با احتمال معکوس 80 ٪ تغییر می کند. شکل 11 با احتمال معکوس 20 ٪ همان فرآیند را نشان می دهد.

در شکل 10 و 11 ، کوچکترین مقیاس (1 نقطه) در سمت چپ قرار دارد ، در حالی که بزرگترین آن در سمت راست در محور X قرار دارد. محور Y دارای مدرک گرایش ابزار با استفاده از درجه "متوسط دامنه" است. در شکل 10 ، جایی که فرآیند احتمال معکوس 80 ٪ در ابتدا مسطح است ، اولین ستون هیستوگرام از روند کمتری برخوردار است ، اما با افزایش مقیاس ، روند به 1 (مقدار پیاده روی تصادفی مرجع) تمایل دارد. این نشان می دهد که ، با وجود احتمال معکوس در کوچکترین مقیاس زیاد است ، در مقیاس های بزرگتر که در آن فرآیند "حافظه" را از دست می دهد و به پیاده روی تصادفی تبدیل می شود ، یکسان نیست. شکل 11 یک تصویر مشابه را نشان می دهد. اگر در ابتدا این روند دارای مدرک بالایی از 2. 053 باشد ، کاهش می یابد و به مقدار مرجع پیاده روی تصادفی در مقیاس های بزرگتر تمایل دارد.

شکل 10 و 11 نشان می دهد که این فرایند فقط در کوچکترین مقیاس "حافظه" دارد و با افزایش مقیاس بیشتر و بیشتر شبیه پیاده روی تصادفی می شود. این نتیجه گیری توسط ایجاد سری پشتیبانی می شود. هنگام تولید این دو فرآیند ، فقط جهت قدم قبلی در نظر گرفته شد. مراحل باقیمانده در نظر گرفته نشده است ، بنابراین اثر "حافظه" به سرعت با افزایش مقیاس از بین می رود.

ایجاد وابستگی مدرک روند به تعداد مراحل

بازارهای واقعی با سری تولید شده مصنوعی متفاوت است. تشخیص الگوهای نیاز به ابزارهای تجزیه و تحلیل بیشتری دارد. بنابراین ، نه تنها برای تجزیه و تحلیل درجه روند در تعداد مشخصی از مراحل مفید خواهد بود بلکه ارزیابی می کند که چگونه روند بازار با افزایش تعداد مراحل عبور شده تغییر می کند. از آنجا که جداول مرجع می تواند برای تعداد متفاوتی از مراحل ساخته شود ، ما می توانیم به طور همزمان نه تنها نحوه رفتار این ابزار با افزایش اندازه مرحله ، بلکه با افزایش تعداد مراحل نیز رفتار کنیم. شکل 12 پویایی درجه گرایش GBPUSD را برای 10،000 نمونه با اندازه بلوک 0. 00314 نشان می دهد ، برای تعداد مراحل 10 تا 100. ستون چپ ترین ستون برای 10 مرحله ساخته شده است ، در حالی که سمت راست برای 100 ساخته شده استمراحلدر هر ستون هیستوگرام ، تعداد مراحل 2 افزایش می یابد.

مطابق شکل 12 ، در مقیاس فعلی ، روند گرایش GBPUSD بیش از 1 و در محدوده 1. 133-1. 166 بسته به تعداد مراحلی که تجزیه و تحلیل برای آن انجام می شود ، نوسان می کند. شکل 13 نشان می دهد که چگونه درجه مدری با افزایش مقیاس تغییر می کند. این نمودار برای 10،000 نمونه 40 مرحله ، برای اندازه های مرحله از 0. 00021 تا 0. 00495 ساخته شده است. ستون هیستوگرام چپ برای اندازه بلوک 0. 00021 ساخته شده است ، در حالی که هر ستون هیستوگرام بعدی از 1. 1 بار قبلی فراتر می رود.

شکل 13 نشان می دهد که چگونه درجه روند با افزایش مقیاس پایین می آید. در حالی که برای کوچکترین مقیاس برابر با 1. 425 است ، در حال حاضر به 1 تمایل دارد و در بزرگترین آن برابر با 1. 062 است. در حالی که مقیاس افزایش می یابد ، رفتار GBPUSD شباهت بیشتری به رفتار یک سری مصنوعی با احتمال 20 ٪ دارد.

این رویکرد به ما امکان می دهد تا به صورت پویا سرعت تغییر مدرک روند تجارت را ارزیابی کنیم. انیمیشن زیر پویایی توزیع چگالی احتمال افزایش برای سهام AMD نسبت به توزیع مرجع را نشان می دهد. شمع های بازه زمانی M1 به عنوان پایه استفاده می شوند. این انیمیشن برای 40 مرحله ، 1000 نمونه ساخته شده است. اندازه بلوک بسته به نوسانات متوسط فعلی به صورت پویا تغییر می کند.

بر خلاف GBPUSD ، توزیع تراکم احتمال افزایش AMD متقارن به صفر نیست. مؤلفه روند صعودی به وضوح وجود دارد. این بدان معناست که احتمال ادامه روند کمی بیشتر است که یک قدم به سمت بالا با یک قدم به سمت بالا در مقایسه با موردی که یک قدم رو به پایین با یک مرحله به سمت پایین دنبال می شود ، دنبال شود. این بدان معنی است که باز کردن معاملات خرید با چنین ابزاری منطقی تر است. در این حالت ، حتی در هنگام ورود به بازار در نقاط تصادفی ، سودآور است.

آیا ساختار بازار مبتنی بر روند است یا مسطح؟

با توجه به همه موارد فوق ، ممکن است یک سؤال بپرسیم ، آیا بازارها عمدتا روند ، مسطح یا تصادفی هستند. پاسخ به این سؤال به ما این امکان را می دهد تا تعریف کنیم که کدام استراتژی و تجزیه و تحلیل را اعمال کنیم. من بیش از 30 جفت ارز ، بیش از 50 سهام از بازار روسیه و ایالات متحده و همچنین بازارهای رمزنگاری و کالا را تجزیه و تحلیل کرده ام. بازارهای کالا شامل فلزات ، انرژی و غذا بودند. بر اساس تحقیقات من ، می توانم نتیجه بگیرم که:

• بیشتر جفت های ارز توسعه یافته روند ضعیفی دارند که با افزایش مقیاس و حجم معاملات کاهش می یابد. به عنوان مثال ، EURUSD کمتر از GBPUSD مرسوم است. چگالی توزیع احتمال در فارکس نزدیک به توزیع عادی است.
• بورس سهام نسبت به ارزها مرسوم تر است اما با افزایش مقیاس ، روند مد روز هنوز کاهش می یابد. در حال توسعه دارایی های فعال تر از دارایی شرکت های توسعه یافته مرسوم است. هرچه یک شرکت کمتر به توسعه و هرچه پتانسیل کمتری داشته باشد ، سهام آن نیز کمتر مرسوم است. دارایی های کاملاً "بی علاقه" می توانند یک حرکت مسطح را نشان دهند. هرچه نقدینگی ابزار بالاتر باشد ، درجه روند نیز پایین تر است. تجزیه و تحلیل توزیع روند در زمینه مقیاس ما را قادر می سازد تا ساختار جریان سرمایه را درک کنیم. فرض کنید که یک سهام در مقیاس کوچکتر و مسطح در یک سطح بزرگ تر است. این نشان می دهد که شرکت در حال توسعه نیست ، در حالی که پول فقط برای کوتاه مدت سرمایه گذاری می شود. به عبارت دیگر ، فرم های توزیع نشان می دهد که آیا ابزاری از سرمایه گذاری است یا ماهیت صرفاً سوداگرانه. بنابراین ، نمودار امکان ارزیابی رتبه اعتباری یک شرکت ، البته به روش غیرمستقیم را فراهم می کند.
• بازار کالاها بسته به تقاضای فعلی برای مواد اولیه و سطح تولید ، از روند و ابزارهای مسطح برخوردار است. اگر تقاضا در حالی که تولید بدون تغییر باقی می ماند ، رشد می کند ، این ساز مرسوم تر می شود. به همین ترتیب ، اگر تقاضا کاهش یابد ، درجه روند نیز رشد می کند که سطح محصول بدون تغییر باقی می ماند. اگر عرضه و تقاضای کالا به تعادل نزدیک باشد ، حرکت آن مسطح تر می شود.
• ارزهای رمزپایه در مرحله افزایش علاقه و افزایش گردش مالی مرسوم تر هستند. آنها با کاهش علاقه عمومی مسطح تر می شوند. در نتیجه ، قیمت کل تاریخ آنها به پیاده روی تصادفی تمایل دارد. اما به محض شروع موج جدید ، ساز دوباره مد روز می شود.

در اینجا می توانیم نتیجه گیری های گسترده تری را به دست آوریم ، اما این موضوع برای مقاله دیگری است.

در زیر چند نمودار که ویژگی های ابزارهای تجاری را توصیف می کند.

• هنگامی که هیجان در مورد ارز رمزنگاری فروکش می کند ، BTCUSD صاف می شود. جالب اینجاست که توزیع چگالی احتمال برای بیت کوین نسبت به صفر متقارن است با وجود این واقعیت که از نظر بصری به نظر می رسد که بیت کوین دارای یک صعود است.
• سهام AMD و AAPL به طور مداوم با چند غوطه وری جزئی گرایش دارند. توزیع چگالی احتمال نسبت به صفر در جهت حرکات رو به بالا به سمت راست منتقل می شود. علاوه بر این ، از نظر بصری مشخص است که این سهام روند صعودی پایدار دارند.
• روغن حتی با افزایش مقیاس ، به طور کلی گرایش دارد.
• در EURUSD ، مدرک تقریباً در مقیاس های بزرگ ناپدید می شود. ساز در بعضی از مقیاس ها صاف می شود. به طور کلی ، بیشتر از سایرین به توزیع تراکم احتمال پیاده روی تصادفی تمایل دارد.
• رهبران بازار روسیه شبیه به یکدیگر هستند - روندهای پایدار در مقیاس کوچک و تقریباً هیچ روند در مقیاس بزرگ.

چرا یک ساز در مقیاس کوچکتر و مسطح تر در یک مورد بیشتر است؟در مقاله بعدی سعی خواهم کرد دلایل چنین رفتاری را توضیح دهم. من الگوریتم را بر اساس تحقیقات فعلی توسعه می دهم و می بینم که آیا سودآور است یا خیر.

نتیجه

مفاهیم روند و مسطح را می توان به روشنی و کاملاً تعریف کرد. علاوه بر این ، می توان درجه گرایش سازهای مختلف و همچنین یک ابزار واحد را در مقیاس های مختلف مقایسه کرد. چنین تحلیلی به ما امکان می دهد تا ویژگی ها و ویژگی های ابزارها را ارزیابی کنیم و الگوریتم های معاملاتی را با توجه به رفتار فردی هر ساز انجام دهیم.

با دانستن ویژگی های آماری یک ساز و تغییر آنها در طول زمان ، می توانیم هنگام تهیه یک الگوریتم معاملاتی از بهینه سازی پارامترها خلاص شویم. در عوض ، ما می توانیم اندازه گیری ها را انجام دهیم و بسته به ویژگی های آماری یک ابزار معامله شده ، پارامترهای الگوریتم معاملاتی را عمداً تغییر دهیم.

در زیر پرونده هایی با سابقه 20 ٪ ، 50 ٪ و 80 ٪ نمودارهای معکوس احتمال وجود دارد. علاوه بر این ، یک پرونده اکسل برای ساخت توزیع مرجع و همچنین بلوک های ساختمان شاخص مورد استفاده برای تجزیه و تحلیل وجود دارد.

الگوریتم شاخص توسط ماکسیم رومانوف تهیه شده است ، کد شاخص توسط کنستانتین گروزدف ایجاد شده است.< Pan> با دانستن ویژگی های آماری یک ساز و تغییر آنها در طول زمان ، می توانیم هنگام تهیه یک الگوریتم تجاری از بهینه سازی پارامترها خلاص شویم. در عوض ، ما می توانیم اندازه گیری ها را انجام دهیم و بسته به ویژگی های آماری یک ابزار معامله شده ، پارامترهای الگوریتم معاملاتی را عمداً تغییر دهیم.