Exponential glidande medelvärde backtest

Enkla rörliga medelvärden - Trading backtests Vilka rörliga medelparametrar är bäst Den här sidan har ett hav av rörliga genomsnittliga backtests som jag utförde för DAX, SP500 och även USDEU (Forex). Dessa tester gjordes med olika signalstrategier: simpleexponential - och crossover-varianter och olika index för en tidsperiod på 1000 handelsdagar. Till skillnad från andra webbplatser testade jag alla glidande medelvärden för dagfönster från 1 till 1000 dagar, för övergångsstrategierna i kombination också. Dessa data är också unqiue när jag försökte utföra realistiska tester som simulerar buysell spridningen och skatterna för Jämförelse med en referens (buy hold) strategi. Ett snabbt reagerande fönstervärde ser bra ut i teorin och med ett enkelt test. Men spridningen, avgifter och skatter kommer att förstöra alla prestationer i praktisk tillämpning. Det är därför dessa realistiska tester är så värdefulla. Jag hoppas att den här webbplatsen kan hjälpa dig med dina affärer, njut av det. Först ska vi testa exponentiella medelvärden med dubbelkorsningssystem på DAX-indexet. Återigen använder vi de senaste 3750 handelsdagarna och testar varje kombination av SMA-värden 1- 1000 (utbytena där ema-kortet var högre än ema-highen utelämnades igen). Figur 1 visar resultaten av backtestet med utbytet på Z-axeln och som färg. Figur 2 visar en toppvy av backtestet. ABB. 1: EMA-para prestanda för DAX Abb. 2: EMA Par Performance (Top View) Resultaten ser mycket ut som backtesting med enkla glidande medelvärden, det finns en triangulär mountregion där de mycket bra avkastningarna ligger. Och i motsats till SMA-backtest är regionen inte lika ojämn, de verkar komma i tydligare vågor och innehåller mindre turbulenser. Det bästa EMA-paret (175 152) ger ett utbyte på 22,2, det vill säga lite under resultaten av de bästa enkla medelvärdena som hade 26,5. Benchmark vs Buy amp Håll handel på DAX Utbytet av buy and hold-strategin ligger vid 9,4 p. a. För att benchmarka alla resultat nedanför som är utelämnade i figur 3. Bild 3: EMA Par Performance större än BampH Bild 4: EMA Par Performance större än BampH (Zoom) Du kan se att Dest EMA-paren ligger igen i den gyllene Triangel, figur 4 visar en zoom av det. Vågorna är också väl synliga i figur 5. Jämfört med den gyllene triangeln i de enkla glidande medelvärdena verkar det enklare att träffa ett bra SMA-par, eftersom lågavkastningsregionerna ligger nästan fullständigt vid gränsen vid EMA-korta tidvatten under 50 dagar. Fig. 5: EMA-para prestanda större än BampH (3D-zoom) Bild 6: Prestanda jämförelse SMA281235 vs BampH Prestationsjämförelsen med DAX som referens i figur 6 visar att det exponentiella glidande paret 281 235 drar utbytet genom att korrekt signalera Nedåtgående trender. Fig. 7: EMAs 175 och 152 med DAX-kurva Optimalt exponentiellt glidande medelvärde mot avkastning underpresterande på handel med DAX I figur 6 kunde du inte se stora dagar med underpresterande jämfört med buy amp hold DAX, men det skulle också vara intressant att se Fördelning av underpresterande för EMAs. Fig. 8: EMA-par underpresterande för DAX Fig. 9: EMA-par underpresterande zoom Den genomsnittliga dagliga underprestanda (i fig. 8) ser väldigt annorlunda ut i denna backtest än med enkla medelvärden. De exponentiella glidande medelvärdena verkar vara starkare underpresterande med högre långa EMA-enheter (jämför fig 6 i Double Sma Crossover Index-backtest) men regionen i de mellanliggande timewindowsna (inklusive den gyllene triangeln) verkar bättre. I vår databas, eller använd ett förhållande mellan symboler genom att ange två symboler som sym1: sym2. Flyttande medelvärden - kan vara antingen enkla eller exponentiella för antal angivna dagar. Med en enda MA bestäms innehavet av värdet av Pris i förhållande till det rörliga genomsnittet. När två MAs används används fastigheten av förhållandet mellan de två rörliga genomsnittsvärdena. Innehav - Fonden som kan hållas kan vara densamma eller annorlunda än den fond som används för beräkningarna ovan. Till exempel kan du modellera köpförsäljning av en hyrd fond baserat på det rörliga genomsnittet av den obelönade fonden. Benchmark - SPY är standard men alla symboler kan användas. Statistik - Statistikerna innehåller tre volatilitetsåtgärder som du vill vara låga, Standardavvikelsen, Ulcerindex och Max Drawdown. Dessutom finns tre avkastning: riskåtgärder där högre är bättre. Dessa inkluderar Sharpe Ratio, Sortino Ratio och Martin Ratio. Från nyhetsskärmar ETF Market View från och med tisdag, mar 7 Viktig ansvarsfriskrivning: Informationen som tillhandahålls av ETFScreen är strikt för informationsändamål och ska inte tolkas som råd eller uppmaning att köpa eller sälja någon säkerhet. Ägaren till ETFScreen påtar sig inget ansvar som härrör från användningen av materialet som innehållet häri för några ändamål, inklusive investeringsändamål. Sekretesspolicy Ansvarsfriskrivning Användarvillkor Om du har en kommentar, vänligen kontakta oss. BackTesting Flytta medeltal Varför flytta medeltal Som en näringsidkare eller investerare är den enda anledningen till att undersöka glidande medelvärden att få kunskap för att öka vinsten. Liksom många andra tekniska indikatorer är rörliga medelvärden avsett att hjälpa oss att objektivt berätta marknadsstatusen vid vilken tidpunkt som helst. Detta hjälper oss att se igenom dagens känslor och göra rationella beslut, som vi berättar för kommer att leda till större vinster och eller färre förluster på lång sikt. Flyttande medelvärden (MAs) släpper prisserien för ett lager. MAs används oftast för att identifiera utvecklingen av marknadsriktningen och klassificeras som en trendföljande indikator. Detta betyder inte att MAs är endast för långsiktiga investerare. 8211 Kortsiktiga handlare använder dem också. Flytta medelvärden kan användas för att skärpa lager för bra kandidater, signal köpmöjligheter och erbjuda säljesignaler. Varför Backtest 8211 En historia Målet med backtesting är att ta reda på om glidande medelvärden verkligen leder till bättre resultat och vad är de mest lovande sätten att tillämpa MAs. Låt mig berätta en kort historia. Medan jag sammanställde resultaten för en av de rörliga genomsnittliga BackTesting Report-problemen, råkade jag besöka en vän. I hennes hus kom jag över en del läsningsmaterial från en välannonserad rabattmäklare. I det var en artikel som rådde sina kunder att använda en viss rörlig medellängd på ett visst sätt för att få de bästa resultaten. Jag hade mina omfattande tester mitt framför mig och jag kan säga att broker8217s metod inte lyckades få de bästa resultaten även om de nämnde en MA-längd som är användbar på andra sätt. Jag hade i mina handprovresultat som visade att sättet som mäklare tillämpade det rörliga genomsnittet hade en vinstgradering sämre än baslinjen när den testades på 7147 aktier över 14 års aktiemarknadsdata. Det var klart att mäklaren inte körde den typen av testning. It8217s upp till kunderna 8211 oss 8211 för att försvara oss själva och ta reda på vad som fungerar mot vad doesn8217t. Hur man beräknar MAs När backtesting flyttar medeltal är det första beslutet hur man beräknar glidande medelvärdet. Vill du ha ett enkelt glidande medelvärde (SMA) Eller något som är utformat för att spåra priset bättre, som ett exponentiellt glidande medelvärde (EMA) Du kan överväga ett experiment för att jämföra vinstpriserna för de två olika genomsnitten. Jag gjorde just det för ett par år sedan, och medan jag inte har resultaten att publicera kom jag bort med tanken att det inte gjorde stor skillnad om jag valde SMA eller EMA 8212 bara välj en och använd den konsekvent. Så för det här projektet väljer jag att använda enkla glidande medelvärden eftersom jag ser dem oftast i kommentar. För att faktiskt göra beräkningen åberopade jag den inbyggda funktionen som kom med TradeStation. (Valet av backtesting motor är ett annat beslut som är generellt nog att skriva om i ett annat inlägg.) Hur man använder MAs Nästa måste du fastställa hur exakt du vill tillämpa glidande medelvärden. Hur tolkar du förhållandet mellan pris och glidande medelvärde Vilka regler kommer du att använda för att bestämma när du ska köpa och sälja? Du behöver inte läsa länge om aktierna innan du hamnar på en hausseisk referens till en aktiehandel över dess 200-dagars glidande medelvärde eller dess 50 dagars glidande medelvärde, eller till och med den 10 eller 20 dagars MA. Eller råd om att köpa aktier när de passerar deras 50-dagars eller 200-dagars glidande medelvärde. Dessa är viktiga regler för testning i backtesting-motorn. Och då är det rörliga genomsnittliga crossover 8211 en klassisk metod för teknisk analys. Det gör tre olika sätt att använda glidande medelvärden för att testa. Går mer ingående, vissa handelstexter talar om lutningen av ett glidande medelvärde. Om du hakar tillbaka till algebra och ser MA som en linje, för att hitta sin sluttning skulle du välja två punkter på linjen och tillämpa den vanliga formeln (x2-x1) (y2-y1)). Detta ger upphov till frågan om hur långt ifrån varandra för att välja de två punkter som kan göra skillnad i resultat. Verkligen, eftersom MA används för att identifiera trenden, vill vi bara veta om den är sluttande upp eller ner. Då kan vi förenkla hela beräkningen genom att märka att om priset ligger över det glidande genomsnittet, måste det dra medeltalet, och ett pris under MA drar ner det. Således en annan anledning att testa effektiviteten av priset över det glidande genomsnittet. Parameterinställningar När du bestämmer dig för hur du använder MAs måste du välja ett urval av olika längder för att testa. Akta dig för överoptimering. Någonstans där ute finns en kille med backtesting resultat som visar 3895 vinst eller vad som helst med bara det rätta glidande medlet. Synd han vet inte vad MA kommer att producera dessa resultat i framtiden. Med det sagt måste du försöka mer än en längd för att se till att dina resultat är en fluke. Håll fast med standardinställningarna eller de som du hör mest om i media. Att hitta den perfekta parameterinställningen kommer inte att göra dig rik. Att hitta ett kluster av bra, robusta inställningar kan bara göra dig mycket bra men. Som en praktisk sak när backtesting tillåter tillräckligt med datafördröjning före mätning. Alla tester måste börja mäta på samma plats för jämförelse mellan äpplen och äpplen mellan olika MA längder. Om du till exempel testar ett 200-dagars glidande medelvärde tar det de första 200 dagarna av data för att beräkna den första punkten i det glidande medlet. Det betyder att den första dagen du kan få en signal är 200 dagar i datasetet. För att göra en rättvis jämförelse med t ex 10-dagars glidande medelvärde måste du se till att du inte räknar några signaler från 10-dagars glidande medelvärde innan 200-dagarna är redo att gå. Lyckligtvis har TradeStation ett sätt att ställa in 8220Maximum antal barstudier kommer referens8221 i 8220Properties for All8221-strategier som tvingar backtesting-motorn att vänta så länge före tabulering av data. Mer vinst från att köpa eller sälja Flytta genomsnittliga regler, och i synnerhet glidande genomsnittliga övergångsregler, diskuteras ofta som ett omvändningssystem. Det betyder att en signal, säger att MAs korsar uppåt är en köpsignal och då är motsatsen, säg MA-linjer som korsar ner, inte bara en säljsignal utan även avtryckaren att gå kort. Teoretiskt sett är that8217s bara bra men många människor inte intresserade av att korta marknaden. De letar efter tekniker för att hjälpa dem att köpa och kanske sälja. Även en person som regelbundet säljer och säljer kort kan använda olika tekniker för att köpa och sälja. Av dessa skäl är it8217s klokt att testa köpssignalerna separat från säljsignalerna. Detta utgör ett dilemma eftersom it8217s svårt att utvärdera en köpsignal isolerat. Ett sätt att göra detta är att använda tidsutgångar 8211 som går ut ur handeln eller säljer beståndet efter en viss tid förflutit. Jag valde att köra varje backtest tre gånger med tre olika tillfällen utgångar eftersom olika människor har olika stilar och olika behov. För att producera backtesting resultat som är användbara för att svänga handlare, avslutar jag efter 2 dagar. Att modellera handlare, 20 dagar. För att möta behoven hos aktiva investerare håller backtesting varje position i 200 dagar. Detta ger ett sätt att isolera köpssignalerna och ta reda på hur användbart det rörliga genomsnittet är för aktieköpare av olika temperament. Behovet av att definiera godhet En mycket viktig sak att överväga om du testar på glidande medelvärden för att ta reda på hur bra de gör på aktiemarknaden: Hur vet du vad som är bra Du behöver objektiva kriterier för framgång. Det innebär att identifiera nyckelstatistiken som vinstfrekvens, förväntadhet, hypotetiska kapitalvinster etc. Det betyder också att man ställer in standarder för acceptabel prestanda inom vart och ett av dessa områden. Ett exempel illustrerar varför detta är viktigt och varför det inte är så enkelt som det först framgår. Säg att dina test visar en vinstfrekvens på 55 för en viss indikator. Det kanske inte är så bra om 62 år av alla aktier gick upp under samma tidsperiod. Eller om endast 25 av aktierna ökade under denna tidsperiod skulle din 55-vinsthastighet vara spektakulär. Det som är bra beror på hur det jämförs med baslinjens prestanda under samma förutsättningar. Du kan ladda ner en gratis kopia av BackTesting Report Baseline-problemet genom att klicka här. För en meningsfull backtest måste du ha tillräckligt med data för att göra en statistiskt giltig jämförelse. I det läget betyder det 30 affärer. Även om du handlar bara ett instrument 8211 bara ett lager eller bara ett valutapar 8211 Jag tycker it8217s är viktigt att testa din handelsstrategi på många olika instrument för att bevisa dess robusthet. Jag gick överst med en extremt stor testuppsättning 8212 7147 aktier över 14 år 8212 för att se till att mina resultat skulle gälla under en mängd olika marknadsförhållanden. Du kan få din kopia av mina backtestingrapporter om att flytta genomsnittliga köpssignaler genom att klicka här.