Поиск оптимального f пo нормальному распределению
Сейчас мы разработаем метод поиска оптимального f по нормально распределенным данным. Как и формула Келли, это способ относится к параметрическим методам. Однако он намного мощнее, так как формула Келли отражает только два возможных результата события, а этот метод позволяет получить полный спектр результатов (при условии, что результаты нормально распределены). Удобство нормально распределенных результатов (кроме того факта, что в реальности они часто являются пределом многих других распределений) состоит в том, что их можно описать двумя параметрами. Формулы Келли дадут вам оптимальное f для бернуллиевых результатов, если известны два параметра: отношение выигрыша к проигрышу и вероятность выигрыша. Метод расчета оптимального f, о котором мы сейчас расскажем, также требует только два параметра – среднее значение и стандартное отклонение результатов. Вспомним, что нормальное распределение является непрерывным распределением. Для того, чтобы использовать этот метод, необходимо дискретное распределение. Далее вспомним, что нормальное распределение является неограниченным распределением. Первые два шага, которые мы должны сделать для нахождения оптимального f по нормально распределенным данным, – это определить, (1) на сколько сигма от среднего значения мы усекаем распределение и (2) на сколько равноотстоящих точек данных мы разделим интервал между двумя крайними точками, найденными в (1). Например, мы знаем, что 99,73% всех точек данных находятся между плюс и минус 3 сигма от среднего, поэтому можно использовать 3 сигма в качестве параметра для (1). Другими словами, мы рассматриваем нормальное распределение только между минус 3 сигма и плюс 3 сигма от среднего значения. Таким образом, мы охватываем 99,73% всей активности в пределах нормального распределения. Вообще, для этого параметра лучше использовать значение от 3 до 5 сигма. Что касается числа равноотстоящих точек данных (шаг 2), мы будем использовать число, как минимум, в десять раз большее количества стандартных отклонений, которое используется в (1). Если мы выберем 3 сигма для (1), тогда возьмем, по крайней мере, 30 равноотстоящих точек данных для (2). Это означает, что на горизонтальной оси следует отметить отрезок от минус 3 сигма до плюс 3 сигма и нанести на нем 30 равноотстоящих точек. Так как между минус 3 сигма и плюс 3 сигма находится 6 сигма и нам надо разместить на этом отрезке 30 равноотстоящих точек, мы должны разделить 6 на 30 ‑ 1, или 29. Это даст нам 0,2068965517. Первой точкой данных будет минус 3. Затем мы будем добавлять 0,2068965517 к каждой предыдущей точке, пока не достигнем плюс 3. И так нанесем 30 равноотстоящих точек данных между минус 3 и плюс 3. Нашей второй точкой данных будет ‑3 + 0,2068965517 =‑2,793103448, третьей точкой данных будет 2,79310344 + 0,2068965517 = ‑2,586206896, и так далее. Таким образом, мы зададим 30 точек на горизонтальной оси. Чем больше точек данных вы используете, тем лучше будет разрешение нормальной кривой. Использование количества точек в десять раз больше числа стандартных отклонений не является строгим правилом определения минимального числа точек данных. Нормальное распределение является непрерывным распределением. Однако мы должны сделать его дискретным, чтобы по нему найти оптимальное f. Чем большее число равноотстоящих точек данных мы используем, тем ближе наша дискретная модель будет к реальному непрерывному распределению. Почему не следует использовать слишком большое число точек данных? Чем больше точек данных вы будете использовать в нормальной кривой, тем больше времени понадобится для поиска оптимального f. Даже если вы будете использовать компьютер для поиска оптимального f, при большом количестве точек данных расчет займет достаточно много времени. Более того, каждая дополнительная точка данных увеличивает разрешение в меньшей степени, чем предыдущая точка. Мы будем называть описанные выше два вводных параметра ограничивающими параметрами (bounding parameters). Третий и четвертый шаги позволят определить среднюю арифметическую сделку и стандартное отклонение для рыночной системы, с которой вы работаете. Если у вас нет механической системы, можно получить эти числа из брокерских отчетов. Один из реальных плюсов рассматриваемого метода состоит в том, что для его использования не обязательно работать по механической системе, вам даже не нужны брокерские отчеты или торговые результаты в бумажной форме. Метод можно использовать, рассчитав два вводных параметра: среднюю арифметическую сделку (в пунктах или долларах) и стандартное отклонение сделок (в пунктах или долларах, в зависимости от того, что вы используете для средней арифметической сделки). Если стандартное отклонение сложно рассчитать, тогда просто попытайтесь понять, насколько, в среднем, сделка будет отличаться от средней сделки. Рассчитав среднее абсолютное отклонение, вы можете использовать уравнение (3.18) для преобразования оценочного среднего абсолютного отклонения в оценочное стандартное отклонение:
|
|
|
|
|
|
|
|
|
(3.18) S=M* 1/0,7978845609
|
|
|
=М* 1,253314137,
где S = стандартное отклонение;
М = среднее абсолютное отклонение.
Эти два параметра, среднее арифметическое средней сделки и стандартное отклонение сделок, мы будем называть действительными вводными параметрами. Теперь нам надо взять все равноотстоящие точки данных из шага (2) и найти их соответствующие ценовые значения, основываясь на среднем арифметическом значении и стандартном отклонении. Вспомним, что наши равноотстоящие точки данных выражены в стандартных единицах. Теперь для каждой из этих равноотстоящих точек данных мы найдем соответствующую цену:
(3.27) D = U + (S * Е),
где D = ценовое значение, соответствующее значению стандартной единицы;
Е = значение стандартной единицы;
S = стандартное отклонение;
U= среднее арифметическое.
После того как мы определили все ценовые значения, соответствующие каждой точке данных, мы можем сказать, что сконструировали распределение, к которому, как ожидается, будут стремиться точки данных.
Однако данный метод позволяет сделать намного больше. Мы можем включить два дополнительных параметра, которые позволят нам рассмотреть типы сценариев «что если». Эти параметры, которые мы назовем параметрами «что если», позволяют увидеть влияние изменения нашей средней сделки, или изменения дисперсии (стандартного отклонения) сделок.
Первый из этих параметров, называемый сжатием (shrink), затрагивает среднюю сделку. Сжатие – это просто множитель нашей средней сделки. Вспомните, что когда мы находим оптимальное f, то попутно получаем другие величины, которые являются полезными побочными продуктами оптимального f. Такие расчеты включают среднее геометрическое, TWR и среднюю геометрическую сделку. Сжатие является величиной, на которую мы умножаем среднюю сделку еще до того, как осуществляем поиск оптимального f. Следовательно, сжатие позволяет нам рассчитать оптимальное f для того случая, когда средняя сделка затронута сжатием, а также рассчитать новые побочные продукты. Предположим, вы торгуете в системе, которая в последнее время работала очень эффективно. Вы знаете, что рано или поздно система прекратит работать так же успешно, поэтому хотите знать, что произойдет, если средняя сделка будет уменьшена наполовину. Используя значение сжатия 0,5 (так как сжатие является множителем, то средняя сделка, умноженная на 0,5, будет равна половине средней сделки), вы можете найти оптимальное f, когда средняя сделка уменьшается наполовину. Вы сможете увидеть, как такие изменения затрагивают геометрическую среднюю сделку и другие величины. Используя значение сжатия 2, вы также сможете увидеть последствия удвоения средней сделки. Другими словами, параметр сжатия может также использоваться для увеличения вашей средней сделки. Более того, он позволяет вам взять неприбыльную систему (то есть систему со средней сделкой меньше нуля) и, используя отрицательное значение сжатия, посмотреть, что произойдет, если эта система станет прибыльной. Допустим, у вас есть система, которая показывает среднюю сделку ‑100 долларов. Если вы будете использовать значение сжатия ‑0,5, то получите оптимальное f для этого распределения со средней сделкой 50 долларов, так как ‑100 * * ‑0,5 = 50. Если бы мы использовали фактор сжатия ‑2, то получили бы распределение со средней сделкой 200 долларов. Следует крайне аккуратно использовать параметры «что если», так как они легко могут привести к неправильным результатам. Уже было упомянуто, что вы можете превратить систему с отрицательной арифметической средней сделкой в прибыльную систему. Это может привести к проблемам, если, например, в будущем, у вас по‑прежнему будет отрицательное ожидание. Другой параметр «что если» называется растяжением (stretch), но он не противоположен сжатию, как можно было бы подумать. Растяжение является множителем стандартного отклонения. Вы можете использовать этот параметр для определения влияния разброса на f и его побочные продукты. Растяжение всегда должно быть положительным числом, в то время как сжатие может быть положительным или отрицательным (пока средняя сделка, умноженная на сжатие, имеет положительное значение). Если вы хотите увидеть, что произойдет, когда ваше стандартное отклонение удвоится, просто используйте значение 2 для растяжения. Чтобы увидеть, что произойдет, если разброс уменьшится, используйте значение меньше 1.При использовании этого метода вы заметите, что, когда растяжение стремится к нулю, значения побочных продуктов увеличиваются, и, в результате, вы получаете более оптимистичную оценку будущего, и наоборот. Сжатие работает противоположным образом, так как при сжатии, стремящемся к нулю, мы получаем более пессимистичные оценки будущего, и наоборот. После того как мы зададим значения, которые будем использовать для растяжения и сжатия (сейчас и для одного, и для другого мы будем использовать единицу, то есть оставим действительные параметры без изменения), можно изменить уравнение (3.27):
(3.28) D = (U * Сжатие) + (S * E * Растяжение),
где D = значение цены, соответствующее значению стандартной единицы;
Е = значение стандартной единицы;
S = стандартное отклонение;
U = среднее арифметическое.
Подведем итоги. Первые два шага определяют ограничительные параметры (число сигма с каждой стороны от среднего, а также количество равноотстоящих точек данных, которое мы собираемся использовать в этом интервале).
Следующие два шага – это нахождение действительных вводных параметров (средней арифметической сделки и стандартного отклонения). Мы можем получить эти параметры эмпирически из результатов торговой системы или из брокерских отчетов. Можно также получить эти величины оценочным путем, но помните, что результаты в этом случае будут настолько точны, насколько точны ваши оценки. Пятый и шестой шаги позволяют определить факторы, которые надо использовать для растяжения и сжатия, если вы собираетесь использовать сценарий «что если», в противном случае просто используйте единицу как для растяжения, так и для сжатия. Седьмым шагом будет использование уравнения (3.28) для преобразования равноотстоящих точек данных из стандартных значений либо в пункты, либо в доллары (в зависимости от того, что вы использовали в качестве вводных данных для средней арифметической сделки и стандартного отклонения).
Восьмой шаг позволит найти вероятность, ассоциированную (associated) (находящуюся во взаимно однозначном соответствии) с каждой из равноотстоящих точек данных. Эта вероятность определяется уравнением 3.21):
Мы будем использовать уравнение (3.21) без оговорки «если Z < 0, тогда N(Z) = 1 ‑ N(Z)», так как нам надо знать, какова вероятность события, равного или превышающего заданное количество стандартных единиц.
Каждая точка данных имеет стандартное значение, определяемое как параметр Z в уравнении (3.21), а также значение, выраженное в долларах или пунктах. Существует еще одна переменная, соответствующая каждой равноотстоящей точке данных, – ассоциированная вероятность.
Алгоритм расчета
Алгоритм будет продемонстрирован на торговом примере, уже рассмотренном в этой главе. Так как наши 232 сделки выражены в пунктах, нам следует преобразовать их в соответствующие долларовые значения. Какой именно
рынок рассматривается, нам неизвестно, поэтому зададим произвольное значение в 1000 долларов за пункт. Таким образом, средняя сделка 0,330129 преобразуется в 0,330129 * 1000 долларов, или в 330,13 доллара. Стандартное отклонение 1,743232, умноженное на 1000 долларов за пункт, станет равно 1743,23 доллара. Теперь построим матрицу. Сначала мы должны определить диапазон (количество сигма от среднего), в который попадают данные. В нашем примере мы выберем 3 сигма, что означает диапазон от минус 3 сигма до плюс 3 сигма. Отметьте, что следует использовать одинаковое количество сигма слева и справа от среднего. Далее следует определиться с тем, на сколько равноотстоящих точек данных разделить полученный интервал. Выбрав 61, мы получим точку данных на каждой десятой части стандартной единицы. Таким образом, мы зададим столбец стандартных значений.
Теперь мы должны определить среднее арифметическое, которое будем использовать в качестве вводного данного. Мы определим его эмпирически из 232 сделок, в нашем случае оно равно 330,13 доллара. Далее мы найдем стандартное отклонение, которое также определим эмпирически из 232 сделок, оно будет равно 1743,23 доллара. Теперь рассчитаем столбец ассоциированных P&L, то есть определим P&L для каждого стандартного значения. Но до того как определять столбец ассоциированных P&L, мы должны задать значения для растяжения и сжатия. Так как сейчас мы не собираемся рассматривать сценарии «что если», то возьмем единицу как для растяжения, так и для сжатия.
Среднее арифметическое = 330,13
Стандартное отклонение = 1743,23
Растяжение = 1
Сжатие = 1
С помощью уравнения (3.28) можно рассчитать столбец ассоциированных P&L. Для этого возьмите каждое стандартное значение и подставьте в уравнение (3.28):
(3.29) D = (U * Сжатие) + (S * E * Растяжение),
где D = значение цены, соответствующее значению стандартной единицы;
Е = значение стандартной единицы;
S = стандартное отклонение;
U=среднее арифметическое.
При стандартном значении ‑3 ассоциированное P&L составляет:
D = (U * Сжатие) + (S * E * Растяжение) = (330,129 * 1) + (1743,232 * (‑3) * 1) = 330,129 + (‑5229,696) = 330,129 ‑ 5229,696 = ‑4899,567
Таким образом, ассоциированное P&L при стандартном значении ‑3 равно ‑4899,567. Теперь нам надо определить ассоциированное P&L для следующего стандартного значения, которое составляет ‑2,9, для чего решим то же уравнение (3.29), только на этот раз возьмем Е = ‑2,9. Теперь определим столбец ассоциированной вероятности. Ее можно рассчитать, используя стандартное значение в качестве вводного данного для Z в уравнении (3.21) без оговорки «если Z < О, тогда N(Z) = 1 ‑ N(Z)». При стандартном значении ‑3 (Z = ‑3) получаем:
N(Z) = N'(Z) * ((1,330274429 * Y^ 5) ‑ (1,821255978 * Y^ 4) +
+ (1,781477937 * Y ^ 3) ‑ (0,356563782 * Y^ 2 + (0,31938153 * Y))) Если Z < 0, тогда N(Z) = 1 ‑ N(Z), где Y =1/(1+0,2316419 *ABS(Z));
ABS() = функция абсолютного значения;
V N'(Z) = 0,398942 * EXP (‑ (Z^2/2));
ЕХР() = экспоненциальная функция. Таким образом:
N'(‑3) = 0,398942 * EXP (‑ ((‑3)^2/2)) = 0,398942 * ЕХР(‑ (9/2)) = 0,398942 * EXP (‑4,5) =0,398942*0,011109 =0,004431846678 Y = 1 / (1 + 0,2316419 * ABS(‑3)) = I/(1+0,2316419*3) =1/(1+ 0,6949257) =1/1,6949257 = 0,5899963639
N(‑3) = 0,004431846678 * ((1,330274429 * 0,5899963639 ^ 5) ‑
‑ (‑1,821255978 * 0,5899963639^ 4) + + (1,781477937 * 0,5899963639^3) ‑
‑ (0,356563782 * 0,589996363^ 2) + + (0,31938153 * 0,5899963639)) = 0,004431846678 * ((1,330274429 * 0,07149022693) ‑
‑ (1,821255978 * 0,1211706) + (1,781477937 * 0,2053752) ‑
‑ (0,356563782 * 0,3480957094) + (0,31938153 * 0,5899963639)) = 0,004431846678 * (0,09510162081‑ 0,2206826796+ 0,3658713876 ‑
‑0,1241183226 + 0,1884339414) =0,004431846678*0,3046059476 =0,001349966857
Отметьте, если Z имеет отрицательное значение (Z = ‑3), нам не надо менять N(Z) на N(Z) = 1 ‑ N(Z). Теперь для каждого значения в столбце стандартных значений будут соответствующие значения в столбце ассоциированных P&L и в столбце ассоциированной вероятности. Это показано в следующей таблице. После того как вы заполните эти три столбца, можно начать поиск оптимального f и его побочных продуктов.
| Стандартное значение | Ассоциированные P&L | Ассоциированная вероятность | Ассоциированное значение HPR при f= 0,01 |
| ‑3,0 | ($4899,57) | 0,001350 | 0,9999864325 |
| ‑2,9 | ($4725,24) | 0,001866 | 0,9999819179 |
| ‑2,8 | ($4550,92) | 0,002555 | 0,9999761557 |
| ‑2,7 | ($4376,60) | 0,003467 | 0,9999688918 |
| ‑2,6 | ($4202,27) | 0,004661 | 0,9999598499 |
| ‑2,5 | ($4027,95) | 0,006210 | 0,9999487404 |
| ‑2,4 | ($3853,63) | 0,008198 | 0,9999352717 |
| ‑2,3 | ($3679,30) | 0,010724 | 0,9999191675 |
| ‑2,2 | ($3504,98) | 0,013903 | 0,9999001875 |
| Продолжение | |||
| Стандартное значение | Ассоциированные P&L | Ассоциированная вероятность | Ассоциированное значение HPR при f= 0,01 |
| ‑2,1 | ($3330,66) | 0,017864 | 0,9998781535 |
| ‑2,0 | ($3156,33) | 0,022750 | 0,9998529794 |
| ‑1,9 | ($2982,01) | 0,028716 | 0,9998247051 |
| ‑1,8 | ($2807,69) | 0,035930 | 0,9997935316 |
| ‑1,7 | ($2633,37) | 0,044565 | 0,9997598578 |
| ‑1,6 | ($2459,04) | 0,054799 | 0,9997243139 |
| ‑1,5 | ($2284,72) | 0,066807 | 0,9996877915 |
| ‑1,4 | ($2110,40) | 0,080757 | 0,9996514657 |
| ‑1,3 | ($1936,07) | 0,096800 | 0,9996168071 |
| ‑1,2 | ($1761,75) | 0,115070 | 0,9995855817 |
| ‑1,1 | ($1587,43) | 0,135666 | 0,999559835 |
| ‑1,0 | ($1413,10) | 0,158655 | 0,9995418607 |
| ‑0,9 | ($1238,78) | 0,184060 | 0,9995341524 |
| ‑0,8 | ($1064,46) | 0,211855 | 0,9995393392 |
| ‑0,7 | ($890,13) | 0,241963 | 0,999560108 |
| ‑0,6 | ($715,81) | 0,274253 | 0,9995991135 |
| ‑0,5 | ($541,49) | 0,308537 | 0,9996588827 |
| ‑0,4 | ($367,16) | 0,344578 | 0,9997417168 |
| ‑0,3 | ($192,84) | 0,382088 | 0,9998495968 |
| ‑0,2 | ($18,52) | 0,420740 | 0,9999840984 |
| ‑0,1 | $155,81 | 0,460172 | 1,0001463216 |
| 0,0 | $330,13 | 0,500000 | 1,0003368389 |
| 0,1 | $504,45 | 0,460172 | 1,0004736542 |
| 0,2 | $678,78 | 0,420740 | 1,00058265 |
| 0,3 | $853,10 | 0,382088 | 1,0006649234 |
| 0,4 | $1027,42 | 0,344578 | 1,0007220715 |
| 0,5 | $1201,75 | 0,308537 | 1,0007561259 |
| Продолжение | |||
| Стандартное значение | Ассоциированные P&L | Ассоциированная вероятность | Ассоциированное значение HPR при f= 0,01 |
| 0,6 | $1376,07 | 0,274253 | 1,0007694689 |
| 0,7 | $1,550,39 | 0,241963 | 1,0007647383 |
| 0,8 | $1724,71 | 0,211855 | 1,0007447264 |
| 0,9 | $1899,04 | 0,184060 | 1,0007122776 |
| 1,0 | $2073,36 | 0,158655 | 1,0006701921 |
| 1,1 | $2247,68 | 0,135666 | 1,0006211392 |
| 1,2 | $2422,01 | 0,115070 | 1,0005675842 |
| 1,3 | $2596,33 | 0,096800 | 1,0005117319 |
| 1,4 | $2770,65 | 0,080757 | 1,0004554875 |
| 1,5 | $2944,98 | 0,066807 | 1,0004004351 |
| 1,6 | $3119,30 | 0,054799 | 1,0003478328 |
| 1,7 | $3293,62 | 0,044565 | 1,0002986228 |
| 1,8 | $3,467,95 | 0,035930 | 1,0002534528 |
| 1,9 | $3642,27 | 0,028716 | 1,0002127072 |
| 2,0 | $3816,59 | 0,022750 | 1,0001765438 |
| 2,1 | $3990,92 | 0,017864 | 1,000144934 |
| 2,2 | $4165,24 | 0,013903 | 1,0001177033 |
| 2,3 | $4339,56 | 0,010724 | 1,0000945697 |
| 2,4 | $4513,89 | 0,008198 | 1,0000751794 |
| 2,5 | $4688,21 | 0,006210 | 1,0000591373 |
| 2,6 | $4862,53 | 0,004661 | 1,0000460328 |
| 2,7 | $5036,86 | 0,003467 | 1,0000354603 |
| 2,8 | $5211,18 | 0,002555 | 1,0000270338 |
| 2,9 | $5385,50 | 0,001866 | 1,0000203976 |
| 3,0 | $5559,83 | 0,001350 | 1,0000152327 |
Побочные продукты при f= 0,01:
TWR= 1,0053555695
Сумма вероятностей = 7,9791232176
Среднее геометрическое = 1,0006696309
GAT = $328,09 доллара.
Оптимальное f надо искать следующим образом. Сначала вы должны определиться с методом поиска f. Можно просто перебрать числа от 0 до 1 с определенным шагом (например 0,01), используя итерационный метод, или применить метод параболической интерполяции, описанный в книге «Формулы управления портфелем». Вам следует определить, какое значение f (между 0 и 1) позволит получить наибольшее среднее геометрическое. После того как вы определитесь с методом поиска, следует найти ассоциированное P&L наихудшего случая. В нашем примере это значение P&L, соответствующее ‑3 стандартным единицам, то есть ‑4899,57.
Для того чтобы найти средние геометрические для значений f, которые вы будете перебирать в поиске оптимального, нужно преобразовать каждое значение ассоциированных P&L и вероятность в HPR. Уравнение (3.30) позволяет рассчитать HPR:
где L = ассоциированное значение P&L;
W = ассоциированное значение P&L наихудшего случая (это всегда отрицательное значение);
f= тестируемое значение f;
Р = ассоциированная вероятность.
Для f=0,01 найдем ассоциированное HPR при стандартном значении‑3. Ассоциированное P&L наихудшего случая составляет ‑4899,57. Поэтому HPR равно:
HPR = (1 + (‑4899,57 / (‑4899,57 / (‑0,01))))^ 0,001349966857 = (1 + (‑4899,57/489957))^ 0,001349966857 = (1 + (‑0,01))^ 0,00139966857 = 0,99^ 0,001349966857 = 0,9999864325
После того как мы найдем ассоциированные HPR для тестируемого f (0,01 в нашем примере), можно рассчитать TWR. TWR – это произведение всех HPR для данного значения f:
где N = общее число равноотстоящих точек данных;
HPR = HPR из уравнения (3.30), соответствующее точке данных i. Поэтому для нашего тестируемого значения f= 0,01 TWR равно:
TWR = 0,9999864325 * 0,9999819179 * ... * 1,0000152327 = 1,0053555695
Мы можем легко преобразовать TWR в среднее геометрическое, возведя TWR в степень, равную единице, поделенной на сумму всех ассоциированных вероятностей.
где N == число равноотстоящих точек данных;
R = ассоциированная вероятность точки данных i.
Если мы просуммируем значения столбца, который включает 61 ассоциированную вероятность, получим 7,979105. Поэтому среднее геометрическое при f= 0,01 равно:
G = 1,0053555695 ^ (1/7,979105) = 1,00535555695 ^ 0,1253273393 = 1,00066963
Мы можем также рассчитать среднюю геометрическую сделку (GAT). Это сумма, которую вы бы заработали в среднем на контракт за сделку, если бы торговали при этом распределении результатов и при данном значении f.
где G(f) = среднее геометрическое для данного значения f;
W = ассоциированное P&L наихудшего случая.
GAT = (1,00066963 ‑ 1) * (‑4899,57 / (‑0,01)) = 0,00066963 * 489957 = 328,09
Таким образом, в среднем на контракт можно ожидать выигрыша в 328,09 доллара. Теперь перейдем к следующему значению f, которое должно тестироваться в соответствии с выбранной процедурой поиска оптимального f. В нашем случае мы проверяем значения f от 0 до 1 с шагом 0,01, так что следующим тестируемым значением f будет 0,02. Рассчитаем новый столбец ассоциированных HPR, а также найдем TWR и среднее геометрическое. Значение f, которое в результате даст наивысшее среднее геометрическое, является оптимальным (для вводных параметров, которые мы использовали). Если бы для данного примера мы продолжили поиск оптимального f, то получили бы f= 0,744 (при расчете оптимального f используется шаг 0,001). Среднее геометрическое в этом случае равно 1,0265. Соответствующая средняя геометрическая сделка составит 174,45 доллара.
Следует отметить, что само по себе значение TWR не столь важно. Когда мы рассчитываем среднее геометрическое параметрически, как в этом примере, TWR просто является промежуточным шагом для получения этого среднего геометрического. Теперь мы можем рассчитать, каким было бы наше TWR после Х сделок, возведя среднее геометрическое в степень X. Поэтому если мы хотим рассчитать TWR для 232 сделок при среднем геометрическом 1,0265, то следует возвести 1,0265 в степень 232, что даст 431,79. В таком случае, при торговле с оптимальным f =0,744 можно ожидать прибыль 43079% ((431,79 ‑ 1) * 100) после 232 сделок. Еще одним побочным продуктом, который мы рассчитаем, будет порог геометрической торговли (2.02):
Порог геометрической торговли = 330,13/174,45 * ‑4899,57 / ‑0,744 = 12462,32
Отметьте, что значение средней арифметической сделки 330,13 доллара не является результатом, полученным с помощью этого метода, а используется как один из вводных параметров.
Мы можем преобразовать оптимальное f в количество контрактов для торговли с помощью уравнения:
(3.34) K=E/Q,
где К = число контрактов для торговли;
Е = текущий баланс счета.
(3.35) Q=W/(‑f),
где W = ассоциированное P&L наихудшего случая;
Отметьте, что переменная Q представляет собой число, на которое вы должны разделить баланс счета, чтобы узнать сколькими контрактами торговать, при этом баланс должен ежедневно корректироваться. Возвращаясь к нашему примеру: Q = ‑4899,57 / ‑0,744 = $6585,44
Следовательно, мы будем торговать 1 контрактом на каждые 6585,44 доллара на балансе счета. Для счета размером в 25 000 долларов это означает, что мы будем торговать:
К =25 000/6585,44 = 3,796253553
Так как мы не можем торговать дробными контрактами, то должны округлить это число 3,796253553 вниз до ближайшего целого числа. Поэтому для счета в 25 000 долларов мы будем торговать 3 контрактами. Причина, по которой мы всегда будем округлять вниз, а не вверх, состоит в том, что плата за нахождение ниже оптимального f меньше, чем плата за нахождение выше.
Отметьте, насколько чувствительна торговля оптимальным числом контрактов к наихудшему убытку. Наихудший убыток зависит только от того, на сколько стандартных отклонений вы отходите влево от среднего. Данный ограничительный параметр, интервал, выраженный в количестве стандартных отклонений, очень важен. В нашем расчете мы выбрали три сигма. Это означает, что мы допускаем проигрыш в три сигма. Однако проигрыш за пределами трех сигма может сильно нам повредить, если он выйдет слишком далеко за это значение. Поэтому вам следует быть очень осторожными с выбором этого ограничительного параметра. От величины интервала зависит очень многое. Заметьте, что для простоты изложения мы не учитывали комиссионные и проскальзывание. Если учитывать комиссионные и проскальзывание, то следует вычесть Х долларов комиссионных и проскальзывания из каждой сделки в самом начале. Затем следует рассчитать среднюю арифметическую сделку и стандартное отклонение на основе 232 измененных сделок и далее выполнить уже известную процедуру. Теперь рассмотрим сценарий «что если». Допустим, мы хотим посмотреть, что произойдет, если прибыль в средней сделке уменьшится вдвое (сжатие = 0,5). Далее предположим, что рынок становится очень волатильным и дисперсия увеличивается на 60% (растяжение = 1,6). Подставляя эти параметры в систему, мы можем посмотреть, как они влияют на оптимальное f, и скорректировать нашу торговлю до того, как эти изменения произойдут на самом деле. Таким образом, оптимальное f будет равно 0,262, что соответствует торговле 1 контрактом на каждые 31 305,92 доллара на балансе счета (так как P&L наихудшего случая сильно за‑
висит от растяжения и сжатия). Среднее геометрическое упадет до 1,0027, средняя геометрическая сделка уменьшится до 83,02 доллара, a TWR за 232 сделки будет равно 1,869. Такие изменения вызваны уменьшением средней сделки на 50% и увеличением стандартного отклонения на 60%, что вполне может произойти на практике. Также возможно, что будущее будет более благоприятно, чем прошлое. Мы можем проанализировать другую ситуацию. Допустим, мы хотим посмотреть, что произойдет, если наша средняя прибыль увеличится на 10%. Для этого следует ввести значение сжатия 1,1. Параметры «что если», растяжение и сжатие, крайне важны в управлении капиталом.
Чем ближе ваше распределение торговых P&L к нормальному, тем лучше будет работать метод. Проблема почти всех методов управления деньгами состоит в том, что следует учитывать определенный «коэффициент ухудшения». Здесь ухудшение – это разница между нормальным распределением и распределением, которое вы реально получаете. Разница между ними и есть коэффициент ухудшения, и чем больше этот коэффициент, тем менее эффективным становится метод.
С помощью вышеописанного метода мы определили, что торговля 1 контрактом на каждые 6585,44 доллара на балансе счета оптимальна. Однако если бы мы совершили эти сделки на практике и определили оптимальное f эмпирически, то оптимальным был бы 1 контракт на каждые 7918,04 доллара на балансе счета. Как можно видеть, использование нормального распределения сместило нас слегка вправо вдоль кривой f и привело к торговле несколько большим числом контрактов, чем предлагает эмпирический метод.
Однако, как мы увидим позже, многое говорит в пользу того, что будущее распределение цен будет нормальным. Когда мы покупаем или продаем опцион, предположение, что будущее распределение изменений цены базового инструмента будет нормальным, уже заложено в цену опциона. Точно так же можно сказать, что трейдеры, не использующие механические системы, получат в будущем результаты, которые нормально распределены.
В методе, описанном в этой главе, используются неприведенные данные. При использовании приведенных данных метод будет выглядеть следующим образом:
1. До того как данные нормированы, их следует привести к текущим ценам путем преобразования всех торговых прибылей и убытков в процентные прибыли и убытки с помощью уравнений с (2.10а) по (2.10в). Затем эти процентные прибыли и убытки следует умножить на текущую цену
2. Когда вы перейдете к нормированию этих данных, нормируйте приведенные данные, используя среднее и стандартное отклонение приведенных данных.
3. Далее, определите оптимальное f, среднее геометрическое и TWR. Средняя геометрическая сделка, средняя арифметическая сделка и порог геометрической торговли справедливы только для текущей цены базового инструмента. Когда цена базового инструмента изменяется, процедура должна быть проведена заново. Когда вы перейдете к повторному проведению процедуры с другой ценой базового инструмента, вы получите то же оптимальное f, среднее геометрическое и TWR. Однако средняя арифметическая сделка, средняя геометрическая сделка и порог геометрической торговли будут другими в зависимости от новой цены базового инструмента.
4. Количество контрактов для торговли, рассчитываемое с помощью уравнения (3.34), соответствующим образом изменится. P&L наихудшего случая, переменная W, используемая в уравнении (3.34), также изменится.
Из этой главы, мы узнали, как найти оптимальное f по распределению вероятности. Мы использовали нормальное распределение, так как оно описывает многие естественно происходящие процессы. Кроме того, с ним легче работать, чем со многими другими распределениями, так как можно рассчитать интеграл функции нормального распределения с помощью уравнения (3.21)[16]. Однако нормальное распределение зачастую является неполной моделью для распределения торговых прибылей и убытков. Какая модель будет приемлемой для наших целей? В следующей главе мы ответим на этот вопрос и будем полагаться на методы из главы 3 при работе с любым видом распределения вероятности независимо от того, существует интеграл функции распределения или нет.
Глава 4
Дата добавления: 2018-10-26; просмотров: 242; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!