Sistema comercial baseado no uso da análise técnica de um experimento computacional

Sistema de negociação baseado no uso da análise técnica de um experimento computacional
Estudos anteriores destacam a influência dos métodos de análise técnica na busca de ganhos excepcionais no contexto do mercado financeiro. Com base nesse cenário, o objetivo principal deste trabalho é analisar o desempenho das técnicas de média movente simples, média móvel, MACD e Triple Screen em um sistema de negociação real que incluiu 198 ações negociadas no Brasil. Este artigo estuda o poder da previsibilidade de tais métodos usando várias combinações de períodos, taxas de corretagem e uma política de Stop-Loss e os compara com a estratégia de compra e retenção. Os resultados indicam que, embora as técnicas estudadas conduzam a uma alta probabilidade de obter um retorno que exceda o valor do investimento, eles têm pouco poder de previsibilidade no mercado brasileiro. Em relação à estratégia de compra passiva, apenas a menor parte dos resultados obtidos supera os resultados da estratégia de compra e retenção.
Escolha uma opção para localizar / acessar este artigo:
Verifique se você tem acesso através de suas credenciais de login ou sua instituição.

Sistema de negociação de ações com base na otimização multi-objetivo de enxames de partículas de indicadores técnicos em dados de mercado de fim de dia.
Os comerciantes de ações consideram vários fatores ou objetivos na tomada de decisões. Além disso, eles diferem na importância que atribuem a cada um desses objetivos. Isso requer uma ferramenta que possa oferecer uma compensação ideal entre diferentes objetivos, um problema resolvido de maneira adequada por um sistema de otimização multi-objetivo (MOO).
Este artigo tem como objetivo investigar a aplicação de otimização multi-objetivo para negociação histórica de ações no final do dia. Apresentamos um sistema de comércio de ações que utiliza a otimização de enxames de partículas multi-objetivos (MOPSO) de indicadores técnicos financeiros. Usando dados de mercado de fim de dia, o sistema otimiza os pesos de vários indicadores técnicos em duas funções objetivas, ou seja, lucro percentual e relação Sharpe.
O desempenho do sistema foi comparado ao desempenho dos indicadores técnicos, ao desempenho do mercado e ao desempenho de outro sistema de negociação de ações que foi otimizado com o algoritmo NSGA-II, um método MOO baseado em algoritmos genéticos. Os resultados mostram que o sistema funcionou bem em dados de treinamento e fora da amostra. Em termos de lucro percentual, o sistema superou a maioria, se não todos, dos indicadores em estudo e, em alguns casos, até mesmo superou o próprio mercado. Em termos de razão de Sharpe, o sistema apresentou consistentemente melhor desempenho do que todos os indicadores técnicos. O sistema MOPSO proposto também se apresentou muito melhor do que o sistema otimizado pelo NSGA-II.
O sistema proposto forneceu uma diversidade de soluções para as duas funções objetivas e é bastante robusto e rápido. Esses resultados mostram o potencial do sistema como uma ferramenta para tomar decisões de negociação de ações.
Escolha uma opção para localizar / acessar este artigo:
Verifique se você tem acesso através de suas credenciais de login ou sua instituição.

GA_an_application_to_technical_trading_system_design. pdf.
Interesses relacionados.
Classificação e Estatísticas.
Opções de compartilhamento.
Ações de documentos.
As páginas 2 a 7 não são mostradas nesta pré-visualização.
Documentos recomendados.
Documentos semelhantes a GA_an_application_to_technical_trading_system_design. pdf.
Documentos sobre Algoritmo Genético.
Mais de bola Sutta.
Menu de Rodapé.
Legal.
Mídia social.
Direitos autorais e cópia; 2017 Scribd Inc.. Procure livros. Site móvel. Diretório do site. Idioma do site:
Você tem certeza?
Esta ação pode não ser possível desfazer. Você tem certeza que quer continuar?
Tem certeza de que deseja excluir esta lista?
Tudo o que você selecionou também será removido de suas listas.
Este livro também será removido de todas as suas listas.
Nós temos títulos com curadoria que achamos que você adorará.

Um Estudo Comparativo de Estratégias Técnicas de Negociação Usando um Algoritmo Genético.
Luís Lobato Macedo, autor Pedro Godinho, Maria João Alves.
As abordagens tradicionais para o estudo da análise técnica (TA) geralmente se concentram no desempenho de um único indicador, o que parece ser curto em alcance e profundidade. Utilizamos um algoritmo genético (GA) para otimizar as estratégias de negociação nos três principais mercados Forex, a fim de verificar a adequação das estratégias e regras de TA para obter retornos consistentemente superiores, comparando os indicadores de impulso, tendência e ruptura. Os indicadores com os parâmetros gerados através da nossa GA superam de forma consistente os indicadores equivalentes aplicando parâmetros comumente usados ​​pelo setor comercial. Os mercados EUR / USD e GBP / USD têm valores de retorno interessantes antes dos custos de negociação. A inclusão de spreads e comissões enfraquece substancialmente os retornos, sugerindo que, sob um conjunto mais realista de pressupostos, esses mercados poderiam ser eficientes. Os indicadores de tendência geram melhores resultados e o GBP / USD se qualifica como o mercado mais lucrativo. Diferentes retornos agregados em diferentes mercados podem ser evidências de estádios de maturação distintos sob uma perspectiva de mercado de eficiência em evolução. Nosso GA é capaz de procurar um espaço de solução mais amplo do que as configurações tradicionais e oferece a possibilidade de recuperar dados latentes, evitando assim a convergência prematura.
1. Introdução.
Este trabalho analisa a relevância da análise técnica (AT) como uma ajuda à negociação forex e tem como objetivo avaliar a viabilidade do uso de indicadores TA para obter desempenhos superiores e inferir conclusões sobre a eficiência do mercado. Em um artigo recente, Cavalcante et al. (2016) avaliam a aplicação de métodos de inteligência computacional. Eles cobrem um amplo espectro de técnicas aplicadas à otimização em finanças e mostram sua adequação para esse tipo de problemas complexos. Em Aguilar-Rivera et al. (2015), os algoritmos genéticos (GAs) são sugeridos como ferramentas muito boas para resolver problemas de negociação financeira, em particular problemas de otimização de indicadores TA. Nesse contexto, foi natural, com o objetivo deste trabalho, desenvolver um GA projetado para otimizar os parâmetros dos indicadores. Uma das principais preocupações foi expandir o número de indicadores testados, a fim de compreender melhor a validade do TA nos mercados cambiais. As principais contribuições do artigo são: (1) a estrutura GA, que permite testar uma vasta gama de diferentes indicadores TA com a possibilidade de recuperar material genético latente; (2) reunindo evidências da eficiência dos mercados cambiais, particularmente quando se considera custos de negociação; e (3) encontrar evidências de diferenças na maturidade do mercado e oportunidades comerciais disponíveis, apoiando a hipótese de mercado adaptativo (AMH) retratada por Andrew Lo.
A mídia e a literatura especializada da indústria relataram a maior relevância da AT nos mercados financeiros. Nos últimos dez anos, este tópico foi abordado de uma perspectiva mais científica, p. Reitz (2006), Menkhoff e Taylor (2007), Aronson (2007), Kirkpatrick e Dahlquist (2011), Falbo e Pelizzari (2011) e Fang et al. (2014). Mas, apesar do papel significativo da AT na indústria comercial, seus proponentes enfrentam dificuldades em aceitar seus postulados da academia. Isso poderia ser em parte devido à mentalidade dominante predominante em finanças, a hipótese de mercado eficiente (EMH), uma teoria postulada por Fama (1965a, b, 1970), Fama et al. (1969) usado como uma suposição para fins de otimização de TA, e. Taylor (1989). Isso também pode ser devido a alguma natureza subjetiva de TA (padrões de gráfico, Elliott Wave Theory, Gann) e a falta de credibilidade resultante - Lo et al. (2000). Ainda assim, a EMH não podia explicar tais fenômenos como o pastoreio, a existência de magnatas comerciais ou panais de mercado / falhas, críticas criadas pelos behavioristas, apoiadas pela existência de preconceitos - Tversky e Kahneman (1974), Kahneman e Tversky (1979) - e inconsistências no comportamento humano - Tversky e Kahneman (1981) - que prejudicaram a própria suposição de racionalidade. Mais recentemente, uma tentativa de reconciliação dos dois foi apresentada pelo AMH-Lo (2004, 2005) - onde os mercados são vistos em diferentes estágios de desenvolvimento em relação à eficiência. Consideramos a possibilidade de que os mercados tenham uma natureza própria, um DNA específico, que evolua com o tempo, adaptando-se a novas circunstâncias à medida que a entrada de novos investidores e a saída dos antigos prosseguem. Nas palavras de Lo "(.) No âmbito da AMH, as estratégias de investimento passam por ciclos de retorno e perda em resposta às mudanças nas condições de negócios, ao número de concorrentes que entram e saem da indústria e ao tipo e magnitude das oportunidades de lucro disponíveis". A AMH explica como os períodos de eficiência do mercado são seguidos por períodos de ineficiência relativa, permitindo oportunidades de lucro e vice-versa. Investidores e arbitragens reagem à consciência dessas oportunidades, mudando seu comportamento e a estrutura global do mercado até que essas oportunidades não subsistam. O medo e a ganância também são reconhecidos como forças motrizes com um papel importante na evolução da natureza dos mercados, impulsionando a entrada / saída de agentes do mercado e suas ações. A evidência empírica que apoia a AMH está estabelecida em Neely et al. (2009).
As duas últimas décadas foram férteis na pesquisa sobre técnicas de otimização aplicadas para financiamento, p. Meade e Salkin (1989), Lee e Eom (1989), Suganya e Pai (2012), Hsu (2014). Os resultados importantes são baseados em modelos inspirados em TA em relação aos mercados cambiais (Olson 2004; Schulmeister 2008, 2009) e uso de GA (Lo et al., 2000, Hryshko e Downs 2004; Chiam et al., 2009; Pavlova e Parhizgari 2011; Mendes et al., 2012; Godinho 2012). Alguns artigos novos - Pavlova e Parhizgari (2011), Bajgrowicz e Scaillet (2012), Lin et al. (2011), Chen (2010), Fang et al. (2014), Kuang et al. (2014) - questionar o valor da AT na obtenção de retornos excessivos em excesso de forma empiricamente sustentada, especialmente quando se consideram os custos de negociação. No entanto, a maioria dos artigos publicados da TA se concentra em um conjunto único ou reduzido de indicadores técnicos, deixando muitos não mencionados ou não testados.
Kuang et al. (2014) estudam o uso de indicadores de TA nos mercados emergentes de Forex, concluindo que os lucros acima do normal são uma ilusão causada pelo viés de snooping de dados. Resultados semelhantes são relatados em Fang et al. (2014), onde um teste fora da amostra de técnicas TA no mercado de ações não mostra evidências de poder preditivo TA. Uma conclusão interessante, semelhante à nossa própria, é encontrada em Yu et al. (2013), onde o uso de médias móveis e sistemas de breakout mostra valores de retorno importantes nos mercados de ações emergentes na Ásia, mas, depois de considerar os custos de negociação, esses lucros desaparecem. Pavlova e Parhizgari (2011) usam um GA aplicado a carteiras de ações para tentar encontrar a utilidade das estratégias de negociação de impulso para melhorar o retorno. A GA permite uma melhoria dos retornos anuais de 2-6%, um ganho que pese depois que os custos de negociação são levados em consideração, já que as carteiras não aparecem gerar retornos anormais. Bajgrowicz e Scaillet (2012) sugerem "(.) Um investidor nunca teria podido selecionar ex ante as futuras regras de melhor desempenho". Eles questionam seriamente o valor econômico das técnicas de TA, alegando que bons números de retorno podem ser uma conseqüência do snooping de dados. Conclusões semelhantes que apoiam a EMH são expressas em Chen et al. (2009), referentes aos mercados de ações asiáticos. Na negociação de futuros, Yen e Hsu (2010) examinaram o retorno das técnicas TA aplicadas em dez mercados. Seus resultados sugerem eficiência no mercado em nove deles.
Neste artigo, aplicamos um GA em um conjunto de dados na amostra: as soluções obtidas nesta fase de treinamento são determinadas como conjuntos de parâmetros indicadores. Cada conjunto de parâmetros é então aplicado como uma estratégia de negociação para dados fora da amostra e os resultados são analisados ​​em relação a uma medida de retorno. Os dados utilizados para treinar o modelo de negociação não são os mesmos dados usados ​​para testar o modelo, o que nos permite evitar o potencial espionagem de dados. O objetivo do modelo não é prever as taxas de câmbio.
O resto do artigo está organizado da seguinte forma. A Seção 2 apresenta o modelo de negociação, incluindo os indicadores de TA selecionados e seus pressupostos, a configuração do cromossoma e a descrição do algoritmo GA. Na Sect. 3, os resultados empíricos são apresentados e discutidos. O artigo termina com a Sect. 4, onde as conclusões são desenhadas e novas linhas de pesquisa são discutidas.
2 O Modelo de Negociação.
O modelo tenta replicar o ambiente de negociação no mercado cambial com indicadores típicos de TA e estratégias comerciais comumente usadas pelo setor. O objetivo é obter e comparar soluções otimizadas em três categorias de TA diferentes - impulso, tendência e ruptura - e avaliar quais produzem melhores resultados médios. Uma solução consiste em um indicador (pertencente a uma dessas categorias) com uma determinada configuração para seus parâmetros.
Devido à complexidade da tarefa de otimização, foi escolhida uma técnica metaheurística. Um algoritmo genético é uma técnica adequada para atingir o objetivo proposto. Ele pode facilmente incorporar a multidimensionalidade do problema, ou seja, pode otimizar simultaneamente a estrutura da solução (seleção do indicador TA) e os parâmetros da solução (parâmetros do indicador). Além disso, o fator de aleatoriedade na geração da população e a variação dos parâmetros podem ajudar a evitar a armadilha da convergência óptima e prematura local no processo de otimização, ao mesmo tempo em que a população evolui para produzir soluções com melhor ajuste. Nossa metodologia parece mais adequada ao objetivo em questão do que outras metaheurísticas aplicadas ao forex, como redes neuronais artificiais (ANNs), e. Andreou et al. (2002); programação genética (GP), p. ex. Neely e Weller (2003), Wilson e Banzhaf (2010); evolução gramatical (GE), e. Brabazon e O'Neill (2004). Isso ocorre porque os GAs permitem a otimização de parâmetros de indicadores de AT isolados. O GP é melhor para otimizar as regras de TA, combinando-as em estruturas mais complexas e até mesmo projetando sistemas comerciais inteiros. As ANNs são mais adequadas para o reconhecimento de padrões, estabelecendo relações em constante evolução através de modelos complexos de entrada e saída. GP ou GE são mais úteis para encontrar novas regras otimizadas, o que não é o objetivo em mente - assumimos deliberadamente as regras de negociação como predefinidas e estáveis, pois são as regras usadas pelo setor comercial que queremos verificar. Além disso, com o GP ou a GE, surgiram novas regras de negociação que não têm relação com a filosofia da TA.
2.1 Pressupostos.
O estudo concentra-se em três grandes mercados cambiais: EUR / USD, GBP / USD e USD / JPY. Usamos cotações diárias. 1 Ao longo do artigo, os cruzamentos de moeda são expressos sob o formato de código ISO 4217 ("BBB / CCC", onde "BBB" = Moeda base e "CCC" = moeda contadora). As quantidades negociadas são designadas na moeda base. Um lote padrão comercializa 100.000 unidades monetárias básicas, com alavancagem de 1: 100, o que significa que, para cada lote negociado, alocamos o equivalente a 1000 unidades monetárias base para margem, expressas em contrapartida. O diferencial de taxa de juros, para computação de rolagem, é definido como a diferença aritmética entre as taxas de juros diárias da moeda base e do contador. Os rolamentos são calculados no final do dia (tempo t) e multiplicados pelo respectivo preço de fechamento para se tornarem expressos em termos de moeda corrente. Para simplificação, os lucros absolutos, percentual em ponto (pip), margens, desvios-padrão e custos de negociação são designados em contra-moeda. Em qualquer momento t, o sinal de negociação elaborado por um indicador atribui uma posição de negociação \ (Y_ \) (longo, curto ou fora do mercado, indicado pelos sinais "1", "-1" e "0" , respectivamente) no início do tempo \ (t + 1 \). A diferença entre \ (Y_ \) e \ (Y_ \) define a ação a realizar no tempo \ (t + 1 \). Por exemplo, se \ (Y_ = -1 \) e \ (Y_ = -1 \), a posição curta permanece inalterada e nenhuma ação é tomada; se \ (Y_ = -1 \) e \ (Y_ = + 1 \) a posição é invertida de uma posição curta para uma posição longa e 2 lotes de 100.000 unidades monetárias são comprados (\ (Y_ - Y_ = + 2 \) ); se \ (Y_ = -1 \) e \ (Y_ = 0 \), isso implica uma mudança de uma posição curta de 1 lote para uma situação fora do mercado comprando 1 lote (\ (Y_ - Y_ = +1 \)) em \ (t + 1 \), e assim por diante. Os preços de execução em \ (t + 1 \) são, por hipótese, tomados ao preço de abertura. Para calcular MDD e o RoE em termos percentuais, consideramos um tamanho da conta de negociação inicial (patrimônio) de unidades monetárias de 50.000,00 para os mercados EUR / USD e GBP / USD, 5.000.000,00 unidades para USD / JPY. Por cada período, o tamanho da conta reinicia com os valores de capital mencionados. Sempre que uma conta atinge valor zero, uma ordem é desencadeada para limpar todas as posições abertas e sair do mercado.
2.2 Exemplo de Aplicação de Indicadores e Cálculo de RoE.
Apresentamos um exemplo do cálculo de uma solução RoE (Tabela 1). Para fins de simplificação, restringimos o período de transações em potencial a um período de 15 dias e ignoramos os custos de negociação. SMA (n) representa uma média móvel simples com uma janela móvel de n observações.
Cálculo do ROE de uma solução.
Indicadores técnicos e seus parâmetros.
Double SMA crossover.
Double EMA crossover.
Triple SMA crossover.
Mudar a divergência média de convergência (MACD)
Índice de movimento direcional (DMI)
Índice de força relativa (RSI)
Oscilador estocástico (SO)
Rácio verdadeiro médio (ATR)
Bandas de Bollinger (BB)
Fechar preço EMA \ (\ pm \ hbox \ sigma \)
Double break break.
Regras de negociação (momento t, para produzir efeitos em t + 1)
Double SMA crossover.
Double EMA crossover.
Triple SMA crossover.
Mudar a divergência média de convergência (MACD)
Índice de movimento direcional (DMI)
Índice de força relativa (RSI)
Oscilador estocástico (SO)
Rácio verdadeiro médio (ATR)
Bandas de Bollinger (BB)
Fechar preço EMA \ (\ pm \ hbox \ sigma \)
Double break break.
\ (Y_ = 1 \): posição longa.
\ (Y_ = 0 \): fora do mercado.
\ (Y_ = -1 \): posição curta.
2.3 Indicadores técnicos.
Consideramos indicadores TA de três categorias: tendência, impulso e breakout. Em relação à categoria de tendência, os indicadores basearam-se principalmente em médias móveis de cruzamento: cruzamento médio móvel simples duplo, cruzamento médio exponencial de média móvel, cruzamento médio móvel simples triplo, índice de movimento direcional e divergência de convergência média móvel. O objetivo desses indicadores é retratar em certa medida a tendência de movimento de preços. Dentro da categoria momentum foram considerados os seguintes indicadores: índice de força relativa, Williams '% R e oscilador estocástico. O objetivo desses indicadores é medir a velocidade do preço sob o pressuposto de que os preços intensos se movem em uma direção, para criar uma situação de mercado de sobrecompra ou sobrevenda, geralmente são seguidos por uma reação de preço, com a direção de reversão do mercado. Indicadores de Breakout usam bandas ao redor do preço. Sua lógica é que, quando o preço corta alguns desses limiares (superior / inferior), um grande movimento é a construção na direção do preço. Consideramos o alcance real médio (ATR), as Bandas Bollinger, o preço de fechamento, a média móvel exponencial +/- k desvios-padrão e a dupla desdobração média exponencial. Todos os indicadores, parâmetros, restrições e regras de negociação associadas são apresentados nas Tabelas 2 e 3. Para um conhecimento detalhado de todos os indicadores, parâmetros e regras de negociação de TA envolvidas neste estudo, recomendamos (Colby 2003).
\ (\ alpha _ = \ frac> = \) relação entre pesos de observações no tempo \ (t-1 \) e tempo t, (número real, \ (0 & lt; \ alpha _ \ le 1 \)), no computação de uma média móvel exponencial para o indicador i;
\ (n_ = \) comprimento da janela em movimento (número inteiro positivo) para o cálculo do indicador i;
\ (ub_ = \) limite superior ou limite (número real) no indicador i;
\ (lb_ = \) limite inferior ou limite (número real) no indicador i,
\ (k_ = \) número de desvios-padrão (número real positivo) para o cálculo do indicador i.
2.4 Configuração do cromossoma.
Representação (codificação) de uma única solução genérica de uma categoria hipotética, onde o indicador 2 está ativo e os indicadores 1 e 3 estão inativos (indicadores latentes)
Esta configuração permite mais flexibilidade do que o uso de um único indicador, porque proporciona uma oportunidade para o intercâmbio de indicadores e, portanto, mais diversidade no processo de otimização. Escolhemos usar a otimização de indicadores individuais e não uma combinação de dois ou mais para que a validade de cada indicador de TA único possa ser discernida.
2.5 Algoritmo Estrutura e Otimização Fundamentação.
Calendários de janela de rolagem.
Para cada mercado, categoria de indicador e período de tempo (como mostrado na Fig. 2), nosso algoritmo genético produzirá um conjunto de N soluções otimizadas, cada uma resultante de uma execução independente, \ (n = 1, N \). Consideramos \ (N = 50 \) para cada um dos 16 timespans. O objetivo é avaliar o retorno médio (ROE) de cada conjunto para tirar conclusões. Uma solução é composta por um indicador ativo e seus parâmetros.
2.5.1 Algoritmo.
É uma tarefa difícil definir o tamanho mais apropriado de uma população e um número adequado de iterações em um GA. Enquanto pequenas populações e / ou pequenas quantidades de iterações correm o risco de cobrir o espaço da solução (sendo preso na óptima local), grandes populações e / ou um grande número de iterações podem exigir um esforço computacional excessivo. Schaffer et al. (1989) concluiu que, para uma série representativa de múltiplos algoritmos genéticos, um tamanho apropriado da população deve ser estabelecido entre 20 e 30. Um resultado semelhante foi relatado por Haupt e Haupt (2000), que argumentam que os pequenos tamanhos de população combinados com maiores taxas de mutação melhor desempenho, não só obtendo melhores resultados, mas também fazendo um tempo de execução mais curto. Papadamou e Stephanides (2007) também sugeriram uma população de 30 como um tamanho de população adequado para GAs aplicados à análise de indicadores TA, levando em consideração o desempenho e o esforço computacional.
Comparação do desempenho GA com diferentes tamanhos populacionais (30, 50, 100 e 200). Cada linha representa o desempenho médio de uma amostra de 10 corridas independentes para cada cenário populacional no mercado EUR / USD.
i = Número de iterações, \ (i = 1, \ ldots, I \)
\ (\ hbox (i) \) = População por mercado para cada categoria de indicadores TA no final da iteração i.
\ (S_ = j \ mathrm \) solução (estratégia de negociação) na iteração \ (i; i = 1, \ ldots, I; j = 1, \ ldots, J \);
No final, considerando todos os mercados, categorias e períodos, devemos ter um conjunto de 7200 estratégias de negociação otimizadas (\ (S ^) \) cobrindo todos os cenários (\ (N \ cdot \ # \ textit \ cdot \ # \ textit \ cdot \ # \ textit \) = 50 * 3 * 3 * 16 = 7200), para serem testados com dados fora da amostra.
2.5.2 Crossover e Mutação.
Operador de cruzamento: uma solução obtida por crossover onde o indicador 1 torna-se ativo (selecionado aleatoriamente). O material genético dos indicadores 2 e 3 permanece latente.
O algoritmo compara o valor EF da prole com o valor do elemento de referência eo melhor deles é selecionado para integrar a população da próxima iteração. Então, o algoritmo aplica mutação com certa probabilidade para esta solução. A solução obtida após a mutação substitui a solução original na população da próxima iteração somente se tiver um melhor valor EF. O algoritmo escolhe a próxima solução \ ((2>) \) como elemento de referência e repete o procedimento até que todas as soluções J da população atual tenham sido avaliadas contra J descendentes alternativas.
\ (\ Delta \ alpha _, \ Delta ub_, \ Delta lb_ \ in] -0.05000; +0.05000 [\), seguindo uma função de probabilidade de densidade uniforme.
\ (\ Delta n_ \ in \, \) com a mesma probabilidade de escolher cada elemento.
\ (\ Delta k_ \ in] -0.50000; +0.50000 [\), seguindo uma função de probabilidade de densidade uniforme.
3 Resultados empíricos e discussão.
RSI: \ (n = 14 \); limiar superior = 70%; Limiar inferior = 30%
Williams '% R: \ (n = 10 \); limiar superior = -20%; Limiar inferior = -80%
Mover crossovers médios: \ (n_1 = 5 \) (curto prazo - uma semana de negociação); \ (n_2 = 20 \) (médio prazo - um mês de negociação); e se necessário \ (n_3 = 60 \) (longo prazo - três meses de negociação)
Para as EMAs, considere tudo \ (\ alpha = 0,8 \)
\ (CP \ pm k \ sigma: n = 5 \); all \ (k = 1; \ alpha = 0,8 \)
3.1 Retorno da estratégia de negociação sem custos de negociação.
Retornar (%) das soluções otimizadas, na amostra sem custos, do semestre \ (1> \) de 2001 para o semestre \ (2> \) de 2008. No topo, entre parênteses, são apresentados o semestral médio retorna (%) para cada cruzada cruzada de moeda / categoria TA. O fundo, o meio e o topo das caixas representam os percentis 25, 50 e 75, respectivamente; as bigodes superior e inferior representam o máximo e o mínimo, respectivamente, excluindo outliers; outliers são representados por '+'
Retornar (%) das soluções otimizadas, fora da amostra sem custos.
Retornar (%) do indicador de AT preeminente, fora da amostra sem custos, de \ (1> \) semestre de 2003 para o semestre \ (2> \) 2010. Entre colchetes são apresentados os ROs médios (%) para cada combinação cruzada de moeda / categoria TA. O fundo, o meio e o topo das caixas representam os percentis 25, 50 e 75, respectivamente; as bigodes superior e inferior representam o máximo e o mínimo, respectivamente, excluindo outliers; outliers são representados por '+'
Nesta figura, é possível ver o valor médio no meio de cada caixa. O fundo da caixa representa o quartil inferior (\ (25> \) percentil de RoEs), o que significa que 25% de todos os RoEs ficam abaixo desse valor, enquanto o topo da caixa representa o quartil superior (\ (75> \) valor RoE percentil), o que significa que 75% de todas as observações RoE são menores do que essa marca. Os bigodes inferiores e superiores representam os valores mínimo e máximo, excluindo os valores atípicos. Os outliers são representados com cruzes (sinal de mais) e representam valores extremos, menos de 1,5 vezes do quartil inferior ou superiores a 1,5 vezes do quartil superior. No topo de cada figura, entre parênteses, são mostrados os valores médios de RoE para cada combinação de moeda cruzada / categoria TA. Podemos ver como o procedimento de otimização produz resultados muito diferentes pelo mercado, o que nos permite concluir que cada mercado tem suas próprias singularidades e características inerentes, promovendo ou impedindo a exploração de oportunidades de negociação lucrativas da TA, em sintonia com a AMH de Lo.
A Tabela 4 apresenta a rentabilidade dos dados fora da amostra, por semestre. A tabela é organizada pelo mercado e, dentro de cada mercado, temos três colunas com as rentabilidades médias por categoria TA seguidas pelos respectivos valores médios de retorno. Abaixo da mediana fica o respectivo valor de p para o teste não paramétrico de Wilcoxon, onde "\ (\ hbox _ \): A mediana é estatisticamente igual a zero" e "\ (\ hbox _ \): a mediana não é estatisticamente igual a zero ", para avaliar a significância estatística das medidas de tendência central. Um p-valor muito pequeno é indicativo contra a hipótese nula. Em uma quarta coluna de cada mercado, apresenta-se a variação do preço do semestre correspondente da primeira moeda em relação à segunda.
Em relação às rentabilidades médias, é notável como todas as categorias de TA produzem resultados positivos globais fora da amostra. Estes retornos semestrais positivos mostram consistência, em particular com referência ao mercado GBP / USD. Este mercado produz os melhores resultados, com tendências com base em rentabilidades ficando bem adiante. Ao comparar resultados baseados em estratégias de TA com variação de preços, podemos ver no mercado EUR / USD que os resultados médios são consistentemente melhores quando o EUR se valoriza em relação ao USD. Em quatro dos 11 semestres em que o EUR sobe em relação ao USD, todas as categorias de TA apresentam bons ROEs normais, enquanto o mesmo acontece apenas uma vez nos cinco semestres em que o dólar se valoriza em relação ao euro. Os outros semestres apresentam resultados mistos, dependendo da categoria TA. O mesmo é verdade em relação ao GBP / USD quando o GBP se aprecia em relação ao USD, embora a categoria de tendência se comporte positivamente em alguns casos, quando ocorre o contrário (veja \ (2005 \ hbox 2> \) e \ (2008 \ hbox 2> \ ) semestres). No mercado USD / JPY não há uma tendência definida - quando o JPY se aprecia fortemente em relação ao USD (2003-2, 2004-2, 2008-1, 2008-2 ou 2010-2), os retornos comerciais variam de perdas pesadas para lucros fortes. Os resultados mistos são alcançados quando o USD se aprecia contra o JPY.
Excesso de retornos (%) das soluções otimizadas em relação ao indicador de AT preeminente de cada período, fora da amostra sem custos, de \ (1> \) semestre 2003 para o semestre \ (2> \) 2010. Entre colchetes são apresentados os retornos em excesso médios (%) para cada cruzamento de moeda / categoria de TA. O fundo, o meio e o topo das caixas representam os percentis 25, 50 e 75, respectivamente; as bigodes superior e inferior representam o máximo e o mínimo, respectivamente, excluindo outliers; outliers são representados por '+'
Correlações de retorno fora da amostra entre as categorias TA, pelo mercado.
Correlações de retorno fora da amostra entre os mercados, divididas por categoria TA.
MDD (%) para as soluções otimizadas, na amostra sem custos, de \ (1> \) semestre 2001 para o semestre \ (2> \) 2008. Entre parênteses são apresentados os MDDs médios (%) para cada cruzamento de moeda de combinação / Categoria TA. O fundo, o meio e o topo das caixas representam os percentis 25, 50 e 75, respectivamente; as bigodes superior e inferior representam o máximo e o mínimo, respectivamente, excluindo outliers; outliers são representados por '+'
MDD (%) para as soluções otimizadas, fora da amostra sem custos, de \ (1> \) semestre 2003 para o semestre \ (2> \) 2010. Entre parênteses são apresentados os MDDs médios (%) para cada combinação cross-cross / TA categoria. O fundo, o meio e o topo das caixas representam os percentis 25, 50 e 75, respectivamente; as bigodes superior e inferior representam o máximo e o mínimo, respectivamente, excluindo outliers; outliers são representados por '+'
Uma comparação dos retornos médios fora da amostra com os retornos médios de um grande conjunto (10.000) de soluções aleatórias também foi realizada. Essas soluções foram geradas criando aleatoriamente sinais de posição comercial fora dos três possíveis ("+1", "-1" ou "0" para designar posições longas, curtas ou fora do mercado), cada uma com a mesma probabilidade de sendo selecionado. Todas as médias de soluções aleatórias são muito próximas de zero e nossos resultados fora da amostra apresentam figuras cumulativas significativamente melhores. No que diz respeito ao poder preditivo dos indicadores de TA, os resultados globais fora da amostra sem custos (Tabela 4) apresentam valores um tanto atraentes para o período de oito anos, com a maioria dos períodos mostrando resultados positivos em todos os mercados. O retorno varia dentro dos mercados e com o tipo de estratégia aplicada. O USD / JPY apresenta marcas mais baixas em quase todas as categorias, sugerindo menos oportunidades de lucro comercial sustentado. Esse fato também pode sugerir um maior nível de desenvolvimento do mercado em termos de eficiência - uma noção consistente com a AMH teorizada por Andrew Lo. Entre os três tipos de estratégias de negociação, a categoria tendência parece produzir o melhor resultado.
Retornar (%) das soluções otimizadas, fora de amostra, com custos.
Na Tabela 5, a variação do preço versus as correlações de retorno da categoria TA mostram no EUR / USD e USD / JPY como os retornos estão negativamente correlacionados com a variação do preço do USD, ou seja, os ROEs em todas as categorias tendem a ser positivos quando o preço do USD diminui em relação à outra moeda. No GBP / USD existe uma forte correlação positiva da variação do preço do GBP e da categoria de impulso TA (equivalente a uma forte correlação negativa da variação do preço do USD e da categoria de momentum), mas essa tendência não é válida em relação às demais categorias de TA: a correlação varia de -0.332 com tendência para \ (+ \) 0.612 com momentum e correlação quase zero com categorias de estratégia de breakout.
Retornar (%) do indicador de AT preeminente em cada período, fora da amostra, com custos, de \ (1> \) semestre de 2003 para o semestre \ (2> \) 2010. Entre colchetes são apresentados a média \ ( \ hbox s \) (%) para cada categoria cruzada de cruzamento de combinação / TA. O fundo, o meio e o topo das caixas representam os percentis 25, 50 e 75, respectivamente; as bigodes superior e inferior representam o máximo e o mínimo, respectivamente, excluindo outliers; outliers são representados por '+'
Excesso de retornos das soluções otimizadas em comparação com o indicador de AT preeminente de cada período, fora da amostra, com custos, de \ (1> \) semestre 2003 para o semestre \ (2> \). Entre parênteses são apresentados o rendimentos de excesso médio (%) para cada cruzamento de moeda cruzada / categoria TA. O fundo, o meio e o topo das caixas representam os percentis 25, 50 e 75, respectivamente; as bigodes superior e inferior representam o máximo e o mínimo, respectivamente, excluindo outliers; outliers são representados por '+'
Em relação ao risco, medido pelo MDD (Fig. 8, 9), podemos ver como os resultados na amostra parecem estar muito mais concentrados em torno da mediana. Os valores MDD fora da amostra são mais difundidos e apresentam um número consideravelmente maior de valores atípicos do que nos resultados da amostra. A divergência entre os níveis de risco na amostra e fora da amostra, mostrada pelos sistemas de tendência e tendência versus sistemas de breakout, aumenta em MDD fora de amostra. Isso pode sugerir estratégias de breakout (que apresentam menos riscos) possuem características inerentes de mitigação de risco que podem confiar, por exemplo, na capacidade do gerador de sinal para reagir prontamente à mudança de preço, e com isso evitar movimentos de mercado mais efetivos e desfavoráveis. Quando colocados na perspectiva de um mercado, podemos reconhecer que o USD / JPY mostra melhores porcentagens de MDD, qualificando-se como o mercado menos arriscado. The GBP/USD shows signs of being the riskiest of all studied markets, but it should not be forgotten this is the market that allows greatest return, so we may detect a direct relation between risk and return applied to the use of TA.
3.2 Trading Strategy Return Considering Spreads and Rollover Costs.
In the simulation with costs we have considered spreads of 2 pips and rollover costs of 0.2 pips for the EUR/USD and GBP/USD markets; 200 and 20 pips respectively for the USD/JPY market. These spreads are to be taken on a per turn basis, i. e., they are in reference to a single market’s action of buying or selling. Rollover costs are added (subtracted) to (from) unfavorable (favorable) interest rate differentials.
With the inclusion of reasonable trading costs (Table 7 ), we notice how apparently attractive out-of-sample profits simply disappear. The medians of the observed results remain, in general, statistically different from zero, but the aggregate average returns suffer deeply. An exception seems to be the GBP/USD market, with the use of trend strategies, which still presents some interesting results. The outcomes suggest these markets might be, considering more realistic assumptions, relatively efficient. We can see in Figs. 10 and 11 how the returns of optimized solutions remain superior compared to those of the correspondent preeminent indicators applying the industry parameters. In spite of that, the inclusion of trading costs in our analysis suggests a decline of the excess returns of the strategies provided by the GA compared to figures without costs, with the exception of momentum and breakout techniques in the GBP/USD market, where there is a small improvement in RoE’s (compare Fig. 7 with 11 ).
MDD (%) for the optimized solutions, out-of-sample, with costs, from \(1 >\) semester 2003 to the \(2 >\) semester 2010. In brackets are presented the average MDDs (%) for each combination currency cross/TA category. The bottom , middle and top of the boxes represent the 25th, 50th and 75th percentiles, respectively; the top and bottom whiskers stand for the maximum and minimum, respectively, excluding outliers; outliers are represented by ‘+’
Momentum and trend strategies’ risk levels remain close to each other. Breakout systems seem to produce consistently smaller MDD values. Nevertheless, the inclusion of trading costs only increases the MDD by about 1.5–2 percentage points, a change that does not acutely affect average risk levels (Fig. 12 ).
4 Concluding Remarks.
Some important conclusions emerge from this study, which may be summarized as follows. The proposed GA presents a good advantage in comparison to the most commonly used GAs: a wide set of solutions in the search process with the possibility of genetic material recovery from shadow indicators allows greater diversity of inherited genetic material and prevents a precocious convergence in the optimization process. The use of a large number of in-sample/out-of-sample timespans with reference to the overall trading period minimizes the likelihood of obtaining results misled by data mining. For the aggregate period of 2003–2010, the out-of-sample results obtained from the optimized solutions outperform substantially the corresponding most frequently used TA indicators with traditional industry parameters. Results vary widely within the considered markets and the TA trading strategy categories—which suggests not all kinds of trading strategies present the same predictive power; and not all markets perform equally or show the same inner characteristics. This may be a symptom of the existence of different stages of efficiency development, an idea compatible with Andrew Lo’s AMH. The inclusion of trading costs dramatically changes the landscape in terms of average return—the majority of results turns negative, and the existence of profitable trading opportunities seems elusive when considering more realistic assumptions. This suggests markets may be more efficient than return without costs implied, an observation showing strong evidence in favor of the EMH for the three major Forex markets. There is also a negative correlation between USD price variation and TA categories RoEs, with a few exceptions in the GBP/USD market.
The somewhat interesting return figures and the statistical significance of attained results do not provide the conditions or sustenance to assert the validity of TA as an effective isolated tool in trading activities within the three major Forex markets, particularly when considering more realistic terms. This may be seen as an argument in favor of market efficiency. Shmilovici et al. ( 2009 ) also tested efficiency in several Forex markets concluding in favor of market efficiency, particularly when dealing with intraday data. Also Ozturk et al. ( 2016 ) tested the EUR/USD and GBP/USD with crossover, Bollinger Bands and divergence TA indicators, reaching similar results to the presented in this article – limited positive results and profits in 60% of the number of trades, but without trading costs. Our findings are consistent with Kuang et al. ( 2014 ) and Fang et al. ( 2014 ), that conclude there are no strong evidences of TA indicator’s predictive power. We may also see in Yu et al. ( 2013 ) how the inclusion of trading costs affects return, turning profits into losses, just as shown in our article.
In spite of several limitations, it is our conviction the article’s emerging ideas may stimulate further work and provide a contribution in the field of Operational Research applied to Finance. An interesting follow-up would be assessing the predictive power of TA in other markets such as Stock, Bonds or Commodities, or evaluating how the application of similar techniques to fundamental analysis may produce a good Investment model.
Daily data provided by Dukascopy Bank SA, Swiss Forex Bank & Marketplace; dukascopy/ .
Referências.
Informações sobre direitos autorais.
Autores e afiliações.
Luís Lobato Macedo 1 4 author Pedro Godinho 2 4 Maria João Alves 3 4 1. AT – Autoridade Tributária e Aduaneira, Sub-Direcção Geral de Cobrança (Revenue & Customs, Deputy Directorate-General for Tax Collection) Lisbon Portugal 2. Monetary and Financial Studies Research Group (GEMF) University of Coimbra Coimbra Portugal 3. Institute of System & Computer Engineering (INESC) at Coimbra Rua Antero de Quental Coimbra Portugal 4. Faculty of Economics University of Coimbra Coimbra Portugal.
Sobre este artigo.
Recomendações personalizadas.
Cite o artigo.
.RIS Papers Reference Manager RefWorks Zotero.
.BIB BibTeX JabRef Mendeley.
Compartilhe o artigo.
Cite o artigo.
.RIS Papers Reference Manager RefWorks Zotero.
.BIB BibTeX JabRef Mendeley.
Compartilhe o artigo.
Índice.
Mais de 10 milhões de documentos científicos ao seu alcance.
Switch Edition.
&cópia de; 2017 Springer International Publishing AG. Parte de Springer Nature.