Symulacje odwracania pozycji – proste spostrzeżenia na temat wpływu parametru

W poprzedniej części przedstawiłem formuły arkusza kalkulacyjnego wyznaczające odwrócenia pozycji w strategii antytrendowej. Wraz z analogicznymi formułami dla strategii podążającej za trendem pozwoliło to na skonstruowanie arkusza symulującego działania graczy dla przykładowych zbiorów rekordów OHLC i zadanych z góry, choć z możliwością modyfikacji, parametrów odległości odwrócenia. Skoro jest narzędzie, to proponuję teraz zobaczyć jak działa w praktyce a przy okazji wysnuć jakieś, miejmy nadzieję ciekawe, wnioski.

Bez zbędnego rozgadywania się przejdę do opisu danych służących do wykonania przykładowych obliczeń. Rozpatrujemy stale kurs funta brytyjskiego względem dolara amerykańskiego na interwałach tygodniowych, czyli GBPUSD10080. Horyzont czasowy obejmuje cały rok 2011 i pierwsze półrocze 2012, co łącznie daje zbiór rekordów w liczbie 78. Odpowiednie formuły we wszystkich opracowanych już i omówionych zakładkach arkusza zostają więc rozszerzone na odpowiedni zakres wierszy poprzez operację przeciągania. Tutaj drobna dygresja – przy siedmiu zakładkach staje się to już dość żmudną i irytującą czynnością, którą zatem w przyszłości warto będzie jakoś zautomatyzować. Ale na razie, przy pierwszych eksperymentach, jakoś musimy się przemęczyć.

Proponuję rzut oka na zakładkę quotes, w której jak pamiętamy oprócz danych wejściowych czyli kursów BID (i automatycznie wyliczanych kursów ASK) znajdują się parametry opisujące właściwości danej pary walutowej, jak również decydujące o przebiegu symulacji. Najistotniejsze tutaj to: początkowa wartość parametru progowego, czyli inaczej odległości do poziomu odwrócenia, oraz krok, z jakim parametr ten będzie zwiększany. Pamiętamy że wykonujemy symulację działania strategii dla wielu wartości tego parametru jednocześnie, aby móc porównywać ich efekty.

 

Tych wartości w obecnej wersji arkusza jest dokładnie 9, zajmując kolumny od B do J we wszystkich zakładkach realizujących właściwe symulacje. Oznacza to że w tym eksperymencie parametr odwrócenia przyjmuje wartości od 50 do 450. Oczywiście uwzględniając minimalny krok notowań stwierdzamy, że odległości od Open do poziomu odwrócenia realnie będą wynosić od 0.0050 do 0.0450.

Przechodzimy zatem do wyników symulacji, zaczynając od strategii podążającej czyli zakładki Foll. Przypomnieć należy ponadto, że symulacja realizowana jest z zastosowaniem neutralnej wartości początkowej, które to podejście opisywałem tutaj.

  

Poniżej zrzut ekranu pokazujący jej fragment w postaci wybranych zakresów wierszy: początkowych i końcowych.

 

Od razu rzuca się w oczy spostrzeżenie: dla małych wartości parametru następuje szybkie wejście na określoną pozycję a następnie częste odwrócenia pozycji. Im większa wartość tego parametru, tym rzadziej mają miejsce odwrócenia. Dla największej rozpatrywanej wartości 450 pozycja neutralna była utrzymana przez cały okres symulacji.

Zanim omówię to zjawisko popatrzmy jeszcze na analogiczny widok dla strategii antytrendowej czyli zakładkę Cont.

 

Jak widać, zjawisko analogiczne, jedynie pozycje inne. Zresztą po chwili zastanowienia fakt ten staje się oczywisty: tam gdzie gracz podążający ustawia stopy, tam antytrendowiec limity. Zatem obaj będą równie często (lub równie rzadko) odwracać pozycje. A jeśli jeden z nich pozostanie na pozycji neutralnej do końca, to i drugi nigdy z niej nie wyjdzie.

Całość arkusza można znaleźć pod tym adresem. Natomiast czytelnikowi należy się wyjaśnienie, dlaczego tak się rozgaduję nad, bądź co bądź, banalnym faktem – w końcu jest oczywiste, że jak się zlecenie stop czy limit postawi odpowiednio daleko, to nigdy nie zostanie ono zrealizowane. Otóż jest to podyktowane zamiarem przygotowania gruntu pod zagadnienia empirycznej optymalizacji parametrów strategii.

Optymalizacji podlegać będą różne wielkości, jednak generalnie wszystkie one będą pewnymi miarami zysku. A jakiekolwiek by one nie były, mają jedną wspólną cechę – dla pozycji stale neutralnej przyjmują wartość 0 (słownie: zero). Czego konsekwencją jest, między innymi, to że kres górny zbioru wartości funkcji celu będzie zawsze liczbą nieujemną, co ma swoje ważne konsekwencje dla algorytmów realizujących takie optymalizacje. Ale zanim do tego dojdziemy czeka nas jeszcze wiele etapów, tak teoretycznych, jak i obliczeniowych.