Kurze Zusammenfassung
Dieses Video beschreibt einen vierstufigen Prozess zur Entwicklung und Validierung von Trading-Strategien. Der Prozess umfasst die Bewertung der In-Sample-Performance, die Durchführung von Monte-Carlo-Permutationstests, Walk-Forward-Tests und Walk-Forward-Monte-Carlo-Permutationstests. Ziel ist es, Strategien zu identifizieren, die nicht nur in historischen Daten gut abschneiden, sondern auch eine hohe Wahrscheinlichkeit haben, in der Zukunft profitabel zu sein.
- Bewertung der In-Sample-Performance einer Trading-Strategie.
- Durchführung von Monte-Carlo-Permutationstests, um die Wahrscheinlichkeit von Data-Mining-Bias zu bewerten.
- Durchführung von Walk-Forward-Tests, um die Strategie in simulierten realen Handelsbedingungen zu testen.
- Durchführung von Walk-Forward-Monte-Carlo-Permutationstests, um die Robustheit der Walk-Forward-Ergebnisse zu bewerten.
Einführung in den Strategieentwicklungs-Prozess
Der Sprecher stellt einen vierstufigen Prozess zur Entwicklung von Trading-Strategien vor, der aus In-Sample-Exzellenz, In-Sample-Monte-Carlo-Permutationstest, Walk-Forward-Test und Walk-Forward-Monte-Carlo-Permutationstest besteht. Er wird ein Beispiel durchgehen und die Konzepte verallgemeinern, damit Zuschauer sie mit ihren eigenen Strategien ausprobieren können.
Bewertung einer Trading-Strategie
Der Sprecher demonstriert, wie er eine Trading-Strategie bewertet, indem er einen Moving-Average-Crossover als Beispiel verwendet. Er lädt Candlestick-Daten, berechnet schnelle und langsame gleitende Durchschnitte und erstellt ein Signal, das die Position der Strategie an jeder Bar angibt. Durch die Multiplikation des Positionssignals mit den verschobenen Renditen erhält man eine Rendite für jede Bar, die der Strategie zuzuschreiben ist. Diese Renditen werden verwendet, um objektive Funktionen wie den Profitfaktor oder die Sharpe Ratio zu berechnen.
Donchian Channel Breakout Strategie
Der Sprecher wechselt von einem Moving-Average-Crossover zu einer Donchian Channel Breakout Strategie. Die Strategie geht Long, wenn der aktuelle Schlusskurs der höchste über einen bestimmten Zeitraum ist, und Short, wenn der aktuelle Schlusskurs der niedrigste über einen bestimmten Zeitraum ist. Ein Grid Search wird verwendet, um den besten Lookback-Wert zu finden, der in diesem Fall 19 mit einem Profitfaktor von 1,08 ist.
In-Sample-Performance und Overfitting
Der Sprecher betrachtet die In-Sample-Performance und stellt zwei Fragen: Ist sie exzellent und ist sie offensichtlich überangepasst? Er betont, dass die Ergebnisse in der Entwicklungsphase sehr gut sein sollten. Wenn die Ergebnisse verdächtig gut sind, ist die Strategie wahrscheinlich überangepasst. Wenn die Ergebnisse nicht exzellent sind, sollte man die Strategie weiter verbessern.
In-Sample Monte Carlo Permutation Test
Der Sprecher erklärt den In-Sample-Monte-Carlo-Permutationstest, um festzustellen, ob die In-Sample-Performance hauptsächlich auf Data-Mining-Bias zurückzuführen ist. Die Nullhypothese ist, dass die Strategie wertlos ist. Der Test beinhaltet die Optimierung der Strategie auf vielen Permutationen der Daten und den Vergleich der Ergebnisse mit den Ergebnissen auf den realen Daten.
Permutationsalgorithmus
Der Sprecher erklärt den Algorithmus zur Generierung von Permutationen der Preisdaten. Die Funktion permutiert die relativen Preise, während die statistischen Eigenschaften der Daten erhalten bleiben. Der Algorithmus berücksichtigt auch den Fall von mehreren Märkten.
Anwendung des In-Sample Permutationstests
Der Sprecher demonstriert, wie der In-Sample-Permutationstest angewendet wird. Er lädt die Daten, optimiert die Strategie und führt den Permutationstest durch. Der P-Wert wird berechnet, um die Wahrscheinlichkeit zu bestimmen, dass der reale Profitfaktor hauptsächlich auf Data-Mining-Bias zurückzuführen ist.
Overfitting Beispiel mit Entscheidungsbaum
Der Sprecher zeigt ein Beispiel für eine überangepasste Strategie mit einem Entscheidungsbaum. Der Entscheidungsbaum wird mit sehr niedrigen Mindeststichproben pro Blatt trainiert, was zu einer Überanpassung führt. Der In-Sample-Permutationstest zeigt, dass das Modell auf den Permutationen genauso gut oder besser abschneidet wie auf den realen Daten, was darauf hindeutet, dass die Strategie wertlos ist.
Bedeutung des In-Sample Permutationstests
Der Sprecher erklärt, warum der In-Sample-Permutationstest wichtig ist. Out-of-Sample-Daten werden ungültig, sobald sie verwendet werden. Der Test hilft, schlechte Ideen zu erkennen, bevor Out-of-Sample-Daten verschwendet werden.
Walk Forward Test
Der Sprecher geht zum Walk-Forward-Test über. Die Strategie wird auf einem bestimmten Zeitraum optimiert und dann auf dem nächsten Zeitraum getestet. Dies wird wiederholt, um die Strategie in simulierten realen Handelsbedingungen zu testen.
Walk Forward Permutation Test
Der Sprecher erklärt den Walk-Forward-Permutationstest. Der Test beinhaltet die Generierung von Permutationen der Daten nach dem ersten Trainingszeitraum und die Durchführung des Walk-Forward-Tests auf den Permutationen. Der P-Wert wird berechnet, um die Wahrscheinlichkeit zu bestimmen, dass die Walk-Forward-Ergebnisse durch Zufall entstanden sind.
Schlussfolgerung und Empfehlungen
Der Sprecher kommt zu dem Schluss, dass die Donchian Channel Strategie mit einem optimierten Lookback den Walk-Forward-Permutationstest nicht bestanden hat. Er empfiehlt, stabile Lookback-Werte zu verwenden und die Strategie mit dem gewählten Lookback zu verbessern. Er betont die Bedeutung von Permutationstests und gibt eine Buchempfehlung. Er betont, dass kein Prozess kugelsicher ist, aber dies ist der Prozess, den er verwendet, um Trading-Strategien zu entwickeln und zu validieren.
