Livro de estratégias de negociação de curto prazo

Livro de estratégias de negociação de curto prazo
Compra de compra em PDF.
Ciência do Ambiente Total.
Destaques.
O mulching de plástico aumenta o rendimento, a qualidade dos frutos e a eficiência no uso da água.
Poluição potencial por coberturas de plástico: microplásticos, ftalatos, agroquímicos.
O mulching de plástico pode promover a degradação do solo e a repelência da água do solo.
Processos biogeoquímicos em solos com cobertura vegetal são incompletamente compreendidos.
Os impactos da cobertura morta de plástico nos serviços ecossistêmicos precisam de mais atenção.
O mulching de plástico tornou-se uma prática agrícola globalmente aplicada, por seus benefícios econômicos instantâneos, como maior produtividade, safras mais precoces, melhor qualidade dos frutos e maior eficiência no uso da água. No entanto, o conhecimento da sustentabilidade do mulching plástico permanece vago em termos de perspectiva ambiental e agronômica. Esta revisão discute criticamente a compreensão atual do impacto ambiental do uso da cobertura plástica, vinculando o conhecimento dos benefícios agrícolas e a pesquisa sobre o ciclo de vida das coberturas plásticas com implicações diretas e indiretas para a qualidade do solo a longo prazo e serviços ecossistêmicos. Os efeitos adversos podem advir de aditivos plásticos, aumento do escoamento de pesticidas e resíduos plásticos que provavelmente se fragmentam em microplásticos, mas permanecem quimicamente intactos e se acumulam no solo, onde podem absorver agroquímicos sucessivamente. A quantificação de microplásticos no solo continua sendo um desafio devido à falta de técnicas analíticas apropriadas. O custo e o esforço de recuperar e reciclar os filmes usados ​​podem compensar os benefícios mencionados a longo prazo. No entanto, avaliações agronômicas comparativas e de longo prazo ainda não foram realizadas. Além disso, as coberturas plásticas têm o potencial de alterar a qualidade do solo, deslocando a biocenose edáfica (por exemplo, para fungos micotoxigênicos), acelerar o metabolismo C / N eventualmente esgotando os estoques de matéria orgânica do solo, aumentar a repelência da água do solo e favorecer a liberação de gases de efeito estufa. Um processo substancial de compreensão das interações entre o microclima do solo, o suprimento de água e a atividade biológica sob cobertura plástica ainda é escasso, mas necessário para estimar os riscos potenciais para a qualidade do solo a longo prazo. Atualmente, os agricultores baseiam principalmente sua decisão de aplicar coberturas de plástico, em vez de benefícios esperados a curto prazo, do que na consideração de consequências a longo prazo. A pesquisa interdisciplinar futura deve, portanto, obter uma compreensão mais profunda dos incentivos para os agricultores e da percepção pública, tanto do ponto de vista psicológico quanto econômico, a fim de desenvolver novas estratégias de apoio para a transição para uma produção de alimentos mais favorável ao meio ambiente.
Resumo gráfico.
Escolha uma opção para localizar / acessar este artigo:
Verifique se você tem acesso através de suas credenciais de login ou de sua instituição.

Análise de habilidades.
Um blog dedicado a discutir estratégias de negociação baseadas em sistemas.
Resenha: "Estratégias de Negociação de Curto Prazo que Funcionam" # 8221; por Larry Connors.
Recentemente, recebi uma cópia de "Estratégias de Negociação de Curto Prazo que Funcionam" # 8221; por Larry Connors e pensei em postar um comentário. O livro cobre muitos assuntos que passei muito tempo olhando nos últimos dois anos. Eu entendo que parte do livro vem de artigos anteriores postados pelo Sr. Connors no site da TradingMarkets & # 8211; então, para alguns, pode ser material que você já leu.
No geral, achei o livro um prazer. Bem escrito, curto e direto ao ponto. A maioria dos livros de negociação que eu leio, francamente, são bastante inúteis porque eles não contêm nenhum teste. Connors faz questão de discutir uma estratégia e depois mostrar os testes. Obviamente, o backtesting só pode levá-lo até agora, mas é um bom ponto de partida. Mais importante ainda, o livro me deu algumas idéias novas para explorar & # 8211; algo que todos podem usar de tempos a tempos. Embora o livro possa cobrir muito material bem elaborado para projetistas de sistemas avançados, acho que o livro seria um excelente ponto de partida para alguém interessado em aprender sobre a negociação de sistemas.
Como uma nota lateral, eu amo o formato do livro. É um livro grande, fino e de capa dura. Faz o prazer de ler e me lembra da minha infância Tintin e Asterix & amp; Livros Obelix.
Nesta resenha, analisarei resumidamente cada capítulo, mas não discutirei as regras específicas da estratégia, pois acho que isso seria injusto para o autor. Também vou começar a confirmar os testes descritos no livro e postar algum acompanhamento sobre os sistemas e se consegui reproduzir os resultados e como a estratégia foi feita recentemente.
Capítulo 1 & # 8211; Introdução: Não há muito a dizer aqui.
Capítulo 2 & # 8211; Pense diferente & # 8211; Regra 1 & # 8211; Buy Pullbacks, Not Breakouts: Este capítulo faz o argumento convincente de que os pullbacks de compra, estatisticamente, funcionaram muito melhor do que comprar breakouts. Embora isso não seja novidade para mim, o capítulo apresenta algumas informações interessantes.
Capítulo 3 & # 8211; Regra 2 & # 8211; Compre o mercado depois que ele é descartado; Ressuscitado: Basicamente um reverso do capítulo anterior que continua a reversão à média como um argumento de estratégia.
Capítulo 4 & # 8211; Compre ações acima da média móvel de 200 dias, e não abaixo: Este capítulo mostra como a compra de ações / ETFs acima de 200dma tem uma vantagem significativa sobre a compra de ações abaixo de seus 200dma.
Capítulo 5 e 8211; Regra 4 & # 8211; Use o VIX para sua vantagem & Compre o medo, venda a ganância: Apresenta um sistema básico de VIX em forma de contorno (coberto mais em capítulos posteriores). A ideia básica é comprar quando o VIX é esticado.
Capítulo 6 & # 8211; Regra 5 & # 8211; Stops Hurt: Este capítulo apresenta estatísticas convincentes sobre o quanto as paradas de diferentes tipos (paradas de tempo,% de perda, trailing) prejudicam os sistemas de negociação. E isso é sem dúvida verdade. Uma questão que tenho com essa abordagem é que não tenho certeza se a maioria das pessoas poderia sobreviver aos levantamentos causados ​​por essa abordagem. Uma segunda questão é que não ter paradas tira algumas técnicas de dimensionamento de posição bastante atrativas, como uma porcentagem em risco ou uma parada baseada em ATR. Seu argumento seria, sem dúvida, que eles prejudicam o desempenho geral do sistema, mas, em minha experiência limitada, descobri que você pode obter mais retorno de um sistema usando o dimensionamento de posição. Você também pode traduzir isso em tamanho de posição de opções também.
Capítulo 7 & # 8211; Regra 6 & # 8211; Vale a pena manter as posições durante a noite: aqui o Sr. Connor aponta, novamente, usando estatísticas, que a maioria dos ganhos é feita de um dia para o outro em vez de intraday. Assim, ele argumenta que se deve realizar durante a noite para maximizar os lucros.
Capítulo 8 & # 8211; Negociação com Drops Intra-Day & # 8211; Aumentando ainda mais as bordas: este capítulo mostra como a compra com um preço-limite abaixo do preço aberto pode melhorar significativamente a borda de um sistema. Obviamente, haverá menos negócios à medida que a porcentagem abaixo do aberto aumentar, mas o Sr. Connors mostra como tanto o percentual correto quanto o ganho médio por negócio sobem. Coisas definitivamente interessantes que vou usar.
Capítulo 9 & # 8211; O RSI de 2 períodos & # 8211; O Santo Graal dos Indicadores do Trader ?: Eu odeio o título deste capítulo & # 8211; sempre que vejo a frase "Santo Graal" # 8221; Eu imediatamente penso comigo mesmo que está prestes a falhar. Mas, independentemente disso, este capítulo fornece uma visão abrangente da potência do indicador RSI (2). Eu cobri uma quantia justa neste blog, então eu não acho que muito mais precisa ser dito. Este capítulo também inclui a estratégia de RSI cumulativo que eu mesmo testarei no próximo dia.
Capítulo 10 e # 8211; Double 7 & # 8217; s Estratégia: Não há muito que eu possa dizer sobre este capítulo sem revelar a estratégia & # 8211; apresenta uma boa estratégia de negociação simples para o SPY quando está acima dos seus 200dma.
Capítulo 11 & # 8211; A Estratégia do Fim do Mês: Michael, no Marketsci, tem percorrido território semelhante & # 8211; Connors apresenta uma estratégia para se concentrar no final do mês como um sistema.
Capítulo 12 & # 8211; 5 Estratégias para cronometrar o mercado: Este capítulo aborda, não surpreendentemente, 5 estratégias. Ele constrói a estratégia VIX Stretch e, em seguida, mostra outra estratégia VIX, uma estratégia TRIN, outra estratégia RSI cumulativa e, finalmente, uma estratégia curta para o SPY. Todos são interessantes.
Capítulo 13 & # 8211; Estratégias de Saída: Aqui, o Sr. Connors analisa diferentes estratégias de saída e suas qualidades. Estas incluem: saída com base no tempo, primeira saída próxima, nova saída alta, fechar acima de uma saída de média móvel e a saída RSI (2). O autor fornece uma análise detalhada de cada saída. Uma crítica do livro aqui: ele não inclui estatísticas sobre a primeira saída fechada e a nova saída alta.
Capítulo 14 e 8211; A Mente: Eu pensei que este capítulo iria me entediar, mas eu achei surpreendentemente interessante. Em vez de continuar com o clássico & # 8220; negociação na zona & # 8221; abordagem que tem sido abordada inúmeras vezes, o autor estrutura o capítulo como uma série de questões relacionadas à negociação de sistemas. Exemplo: & # 8220; Você perde dinheiro por oito dias consecutivos e você tem várias posições longas à medida que o mercado está implodindo. O que você faz? Sair? & # 8221; Minha reação a muitas das perguntas (não aquela porque eu tenho uma resposta) foi "hmmm". Eu não tenho uma boa resposta & # 8221 ;. Então, mais comida para o pensamento. Há também uma longa entrevista com Richard J. Machowicz, um ex-SEAL da Marinha, que pode ser de interesse para algumas pessoas, mas não para mim.
Bem escrito e fácil de entender & # 8211; mesmo para alguém sem muita experiência de negociação. Idéias de estratégia muito interessantes & # 8211; me deu muitas áreas para explorar. Favoritos: Estratégia RSI cumulativa e Double 7 & # 8217; s. Também interessante: o capítulo sobre estratégias de saída.
Os sistemas são um pouco carentes de detalhes. Estamos entrando no final do dia em que o sinal é gerado ou no dia seguinte? Embora isso possa ser um pouco óbvio ao olhar para os gráficos que mostram entradas e saídas, acho que os designers de sistemas iniciantes podem achá-lo confuso. Os gráficos que mostram os negócios de amostra não mostram datas & # 8211; por isso, se você programou o sistema e deseja verificar novamente os resultados, é preciso fazer algumas suposições, como "Quando o QQQQ estava entre 52.50 e 52 em torno do 22º dia de um determinado mês? & # 8221;
Na verdade, acho que isso é um problema, em geral, quando as pessoas descrevem estratégias de negociação em geral. Eu adoraria que houvesse algum padrão, como:
& # 8211; Cálculo de indicador (se apropriado): n / a.
& # 8211; Buy on: Aberto do dia seguinte a um sinal.
& # 8211; Tamanho da Posição: Patrimônio Atual dividido pelo número de posições.
& # 8211; Cálculo de indicador: n / a.
& # 8211; Vender em: Aberto do dia seguinte a um sinal.
Grande parte do trabalho no livro girou em torno de ações / ETFs acima de 200DMA & # 8211; e assim, não há um grande número de estratégias que funcionem atualmente. Como mencionado acima, os sistemas não usam stops. Isso pode ser irrealista para muitas pessoas e limita suas opções de dimensionamento de posição. Basta dizer "pegue seu patrimônio e divida-o pelo número de posições" # 8221; mantém simples, mas também não dá ideia, para o comerciante, de quanto arriscar.
A maioria desses negativos é muito pequena & # 8211; e eu recomendo fortemente o livro. Para o designer do sistema iniciante, este livro seria indespenável. Para o designer experiente, você provavelmente encontrará uma joia ou duas que despertarão algumas de suas próprias ideias.
Relacionado
Pós-navegação.
Deixe uma resposta Cancelar resposta.
Este é um ótimo livro ... Estou feliz por ter encontrado. Connors é ótimo - eu também aprendi muito sobre as estratégias de negociação de fundos de hedge de outros dois grandes livros. Segredos negociando do fundo de cobertura revelados. Por Robert Dorfman. E Richard Rms & # 8217; Pare e ganhe dinheiro & # 8230; .. ambos são fascinantes e muito informativos. Você deve vê-los se você gosta de ler os bastidores sobre os fundos de hedge e quais métodos eles usam para negociar.
boa revisão, eu li a edição anterior antes, e comprei e comprei sistemas de negociação do grupo connors. Por outro lado, acho que eles fazem um bom trabalho prático que é simples e fácil de aplicar. Enquanto os padrões persistirem, os comerciantes que seguem sua pesquisa definitivamente vão ganhar dinheiro consistentemente.
Minha principal crítica é como a pesquisa se relaciona com a mineração de dados - essencialmente essa é a metodologia usada para criar a maioria dos sistemas de negociação sem muita justificativa ou integração teórica. Grande parte da pesquisa funciona muito bem em ações de grande capitalização, como a S & P500 e a Nasdaq, mas se saíam mal nas ações da russell 2000, small caps e também commodities. Eles capitalizam a natureza contrária desses investimentos que tem sido induzida pela intensa concorrência e pelo aumento do volume.
Este comportamento é devido ao & # 8220; calculando a média & # 8221; ou processo de escalonamento usado para comprar ações por fundos mútuos, bem como os programas de arbitragem de índices que enfocam principalmente o S & amp; P500. Observe que esses dois fatores em grande parte não existem nos mercados de commodities e nos índices mais novos, como o Russell 2000. Como consequência, tendem a tender muito mais, e as estratégias de desvanecimento são perigosas. Minha preocupação é o que acontecerá quando tivermos uma saída de dinheiro líquido do mercado de ações e um colapso de mesas de negociação proprietárias e fundos que se concentram em arbitragem (como estamos tendo agora). Talvez isso signifique que grandes estoques e índices tenderão mais no futuro do que no passado.
Em conclusão, procurar indicadores sagrados do graal com parâmetros fixos pode ser um conselho perigoso, e apenas uma abordagem adaptativa pode salvar alguém de mudar abruptamente as condições. Talvez um método bruto de fazer isso seja usar uma média móvel do desempenho de uma cesta de estratégias baseadas na tendência contrária, e vender quando a curva de capital estiver abaixo de uma média móvel longa.
Excelentes comentários & # 8211; Concordo que um único conjunto de parâmetros é perigoso porque o mercado muda com o tempo. Rob, da Quantifiable Edge, e Mike, da MarketSci, mostraram que o mercado recompensava a compra de máximas mais altas até que não o fizesse. cerca de 1980, se eu me lembro corretamente. Assim, qualquer estratégia que tenha trabalhado nessa propriedade (tendência) parou de funcionar. Agora estamos em um período de reversão à média, mas quem sabe se isso será mantido. Uma coisa que Rob olha que eu gosto é apenas rodando dois sistemas simples & # 8211; aquele que compra um alto-alto e outro que o vende. O resultado é que você pode ter uma cabeça melhor quando um deles começa a falhar. Esta abordagem é semelhante à sua técnica de negociação de curva de capital que você delineia. Então a próxima pergunta se torna o que alguém faz para adaptar ou mudar uma estratégia. Obviamente, você pode ter duas estratégias diferentes para cada mercado e negociá-las de acordo. Outras abordagens poderiam ser ajustar o tamanho da posição ou ajustar / estender os parâmetros do sistema para exigir configurações mais extremas (no caso de, digamos, uma estratégia de reversão à média).
Tudo isso, é claro, sofrerá com viés de mineração de dados & # 8211; que, na minha opinião, é muito difícil de se locomover. Mas eu não uso estratégias como um santo graal & # 8211; Eu reconheço que eles falham (o tempo todo), e precisam ser adaptados, e, finalmente, no final do dia, eles realmente só oferecem probabilidade & # 8211; não é um resultado.
Eu acho interessante que você diga que os métodos não têm muita justificativa para o porquê deles funcionarem. Dois comentários sobre isso:
1. O mercado é sempre multivariado & # 8211; então, atribuir uma razão para o comportamento é, no final do dia, apenas uma suposição de por que algo funciona. A realidade é que existem provavelmente centenas de razões pelas quais o mercado se comporta da mesma forma que "# 8211"; portanto, para mim, não acho interessante olhar para isso. A forma mais simples disso é no final do dia, você terá CNBC dar-lhe a razão pela qual o mercado foi para cima ou para baixo. Normalmente, é um dos motivos. Pode ou não estar certo ou errado.
2. Você dá um ótimo motivo (na verdade, alguns) para o motivo pelo qual os sistemas podem funcionar. Então lá vai você! Você já está com fio.
No final do dia, os instrumentos financeiros ou tendência ou reverter média & # 8211; O truque, na minha opinião, é descobrir o que eles estão fazendo e então projetar sistemas para negociá-los.
Muito obrigado pelo seu comentário atencioso & # 8211; coisas boas.
Onde posso fazer o download gratuito & # 8220; estratégias de negociação de curto prazo que funcionam ”por Larry Connors.
Você não pode. Você tem que comprar.
Recebi o livro na véspera de ano novo e codifiquei três estratégias de longo prazo usando o Profunds ULTRA ETF, usando o Double 7 (também em TASC, janeiro de 2009), o RSI2 e o RSI2 cumulativo em cada uma das estratégias. É claro que as regras do livro não funcionaram e eu tive que desenvolver outras regras, mas consegui alguns números de desempenho muito fortes usando números EOD e comprando e vendendo no aberto do dia seguinte para 2008 com abril e julho até dezembro sendo muito forte.
Essas estratégias definitivamente valem a pena se o mercado continuar com a reversão à média com muita volatilidade. No entanto, é difícil ajustar essas estratégias, pois há poucos dados. Decidi sintonizar três ETFs e depois testá-los em todos os retornos. Não é bem assim que eu aprendi a fazer back testing (prefiro pegar meus dados históricos e dividi-los em dois conjuntos de dados & ndash; um para ajuste e outro para avaliar os dados ajustados).
Eu ainda não descobri uma estratégia curta que funcione usando esses indicadores. Eu estava esperando para desenvolver uma estratégia (long / short) usando os seguintes ETFs (UCD, UCO, ULE, UGL, EWV, EFU, EEV, EWV, AGQ, YCL) que não têm contrapartes do urso.
De qualquer forma, estou muito feliz por ter encontrado este livro, usar suas idéias para o desenvolvimento de meus próprios sistemas e tentar aplicar essas técnicas. No entanto, a prova em termos de dólares ganhos nas estratégias não chegou.
Comentários interessantes Mike & # 8211; Codifiquei as estratégias enquanto lia e descobri que a maioria delas estava dentro da margem de erro em termos de desempenho.
Em termos do lado curto & # 8211; Esse foi um dos meus pontos que o livro não tem muitas estratégias curtas. Agora, tendo dito isso, outros sugeriram o uso de ETFs curtos para fazer o trabalho. Meu problema com isso é que os ETFs curtos são essencialmente quebrados & # 8211; então é improvável que isso funcione.
Finalmente, como mencionei, "# 8211; Eu acho que é um ótimo livro para geração de idéias & # 8211; Eu não acho que nenhum desses sistemas deva ser usado diretamente no livro. Também é um bom livro em termos de fazer sua mente girar em torno da reversão.
Obrigado pelo comentário!
Feed do Twitter.
@OfficeInsider Pena que teria resolvido um problema que tenho na minha mesa agora 5 horas atrás @OfficeInsider O que é esse recurso destacado em & quot; & quot; & quot; Novo & quot; em Powerpoint para o Mac ("Rendering for Embedded ... twitter / i / web / status / 9 ... 8 horas atrás @jessicameher @HubSpot @InVisionApp Isso importa, pois ambos não são muito bons? Pelo menos Invision tem o & quot; direito & quot; para falar sobre cor 1 semana atrás RT @billmaher: Ouvi a palavra "tragédia" 100 vezes já sobre o tiroteio na escola - não realmente, pela definição clássica: tragédia é f… 1 semana atrás @ edb87 Parenthood é a mesma criança, em seguida, jogando para cima ou deixando meio-comido, Tums pegajoso apertou nos assentos 1 semana atrás.
Postagens recentes.
Sobre este blog & # 8230 ;.
Meu nome é Damian e tenho estado envolvido no comércio de ações, futuros e moedas há mais de 10 anos. Atualmente moro com minha esposa, meu filho Max e dois cães fora de Boston, Massachusetts. Também fui um colaborador do InVivo Analytics, o fantástico blogue de Teresa Lo sobre mercados. Eu posso ser alcançado em droskill no gmail dot com.
Este blog pretende ser uma maneira de registrar minha própria exploração de sistemas informatizados de negociação financeira.
As opiniões expressas neste site são exclusivamente do operador do site e não representam necessariamente recomendações sobre ações ou portfólio. Nenhuma recomendação de investimento está sendo oferecida. Por favor, realize sua própria pesquisa e assuma a responsabilidade por todas as decisões de investimento que você tomar. Este site é disponibilizado apenas para fins educacionais e de entretenimento. Nada neste site deve ser interpretado para afirmar ou implicar que os resultados anteriores são uma indicação do desempenho futuro. O proprietário deste site não é responsável por quaisquer perdas que ocorram em consequência de seguir as estratégias descritas.

Melhores estratégias 5: um sistema de aprendizado de máquina de curto prazo.
É hora da quinta e última parte da série Build Better Strategies. Na parte 3, discutimos o processo de desenvolvimento de um sistema baseado em modelo e, consequentemente, concluiremos a série com o desenvolvimento de um sistema de mineração de dados. Os princípios de mineração de dados e aprendizado de máquina têm sido o tópico da parte 4. Para nosso exemplo de negociação de curto prazo, usaremos um algoritmo de aprendizado profundo, um autoencoder empilhado, mas funcionará da mesma maneira com muitas outras máquinas. algoritmos de aprendizagem. Com as ferramentas de software de hoje, apenas cerca de 20 linhas de código são necessárias para uma estratégia de aprendizado de máquina. Eu tentarei explicar todas as etapas em detalhes.
Nosso exemplo será um projeto de pesquisa & # 8211; um experimento de aprendizado de máquina para responder a duas perguntas. Faz um algoritmo mais complexo & # 8211; como, por exemplo, mais neurônios e aprendizado mais profundo & # 8211; produzir uma previsão melhor? E os movimentos de preço de curto prazo são previsíveis pelo histórico de preços de curto prazo? A última questão surgiu devido ao meu ceticismo sobre a negociação de ações de preço na parte anterior desta série. Eu recebi vários e-mails perguntando sobre os geradores do sistema de negociação & # 8220; & # 8221; ou ferramentas de ação de preço semelhantes que são elogiadas em alguns sites. Não há provas concretas de que tais ferramentas tenham produzido algum lucro (exceto para seus fornecedores) & # 8211; mas isso significa que todos eles são lixo? Nós veremos.
Nosso experimento é simples: coletamos informações das últimas velas de uma curva de preços, as alimentamos em uma rede neural de aprendizagem profunda e as usamos para prever as próximas velas. Minha hipótese é que algumas velas não contêm nenhuma informação preditiva útil. Claro, um resultado não previsto do experimento não significa que eu esteja certo, já que eu poderia ter usado parâmetros errados ou preparado mal os dados. Mas um resultado preditivo seria uma indicação de que eu estou errado e a negociação de ações de preço pode, de fato, ser lucrativa.
Desenvolvimento de estratégia de aprendizado de máquina.
Etapa 1: a variável de destino.
Para recapitular a parte anterior: um algoritmo de aprendizado supervisionado é treinado com um conjunto de recursos para prever uma variável de destino. Então, a primeira coisa a determinar é qual deve ser essa variável alvo. Um alvo popular, usado na maioria dos jornais, é o sinal do retorno de preço na próxima barra. Mais adequado para previsão, já que menos suscetível à aleatoriedade, é a diferença de preço para um horizonte de previsão mais distante, como 3 barras a partir de agora, ou mesmo dia na próxima semana. Como quase qualquer coisa nos sistemas de negociação, o horizonte de previsão é um compromisso entre os efeitos da aleatoriedade (menos barras são piores) e previsibilidade (menos barras são melhores).
Às vezes você não está interessado em prever diretamente o preço, mas em prever algum outro parâmetro & # 8211; como a perna atual de um indicador Zigzag & # 8211; que de outra forma só poderia ser determinado em retrospectiva. Ou você quer saber se uma certa ineficiência do mercado estará presente na próxima vez, especialmente quando você estiver usando aprendizado de máquina não diretamente para negociação, mas para filtrar negociações em um sistema baseado em modelo. Ou você quer prever algo totalmente diferente, por exemplo, a probabilidade de um crash no mercado amanhã. Tudo isso é geralmente mais fácil de prever do que o retorno popular de amanhã.
Em nosso experimento de ação de preço, usaremos o retorno de uma negociação de ação de preço de curto prazo como variável de destino. Uma vez que o alvo é determinado, o próximo passo é selecionar os recursos.
Etapa 2: os recursos.
Uma curva de preço é o pior caso para qualquer algoritmo de aprendizado de máquina. Não só transporta pouco sinal e principalmente ruído, como também é não-estacionário e a relação sinal / ruído muda o tempo todo. A relação exata de sinal e ruído depende do significado de "sinal", mas normalmente é muito baixo para qualquer algoritmo de aprendizado de máquina conhecido produzir algo útil. Portanto, devemos derivar recursos da curva de preço que contêm mais sinal e menos ruído. O sinal, nesse contexto, é qualquer informação que possa ser usada para prever o alvo, seja ele qual for. Todo o resto é barulho.
Assim, selecionar os recursos é fundamental para o sucesso & # 8211; muito mais crítico do que decidir qual algoritmo de aprendizado de máquina você vai usar. Existem duas abordagens para selecionar recursos. O primeiro e mais comum é extrair tanta informação da curva de preços quanto possível. Como você não sabe onde as informações estão ocultas, você apenas gera uma coleção selvagem de indicadores com uma ampla gama de parâmetros e espera que pelo menos alguns deles contenham as informações de que o algoritmo precisa. Esta é a abordagem que você normalmente encontra na literatura. O problema deste método: Qualquer algoritmo de aprendizado de máquina é facilmente confundido por preditores não previsíveis. Então, ele não vai jogar apenas 150 indicadores nele. Você precisa de algum algoritmo de pré-seleção que determine quais delas contêm informações úteis e quais podem ser omitidas. Sem reduzir os recursos dessa maneira para talvez oito ou dez, até mesmo o algoritmo de aprendizado mais profundo não produziu nada de útil.
A outra abordagem, normalmente para experimentos e pesquisas, está usando apenas informações limitadas da curva de preços. Esse é o caso aqui: Como queremos examinar a negociação de ações de preço, usamos apenas os últimos preços como entradas e descartamos todo o restante da curva. Isso tem a vantagem de não precisarmos de nenhum algoritmo de pré-seleção, já que o número de recursos é limitado de qualquer maneira. Aqui estão as duas funções preditoras simples que usamos em nosso experimento (em C):
As duas funções devem conter as informações necessárias para a ação do preço: movimento por barra e volatilidade. A função de modificação é a diferença do preço atual para o preço de n barras antes, dividido pelo preço atual. A função range é a distância total alta-baixa das últimas n velas, também dividida pelo preço atual. E a função de escala centraliza e comprime os valores para o intervalo de +/- 100, então nós os dividimos por 100 para deixá-los normalizados para +/- 1. Lembramos que a normalização é necessária para algoritmos de aprendizado de máquina.
Etapa 3: preditores de pré-seleção / pré-processamento.
Quando você selecionou um grande número de indicadores ou outros sinais como recursos para o seu algoritmo, você deve determinar qual deles é útil e quais não. Existem muitos métodos para reduzir o número de recursos, por exemplo:
Determine as correlações entre os sinais. Remova aqueles com uma correlação forte a outros sinais, desde que não contribuam à informação. Compare o conteúdo de informação de sinais diretamente, com algoritmos como entropia de informação ou árvores de decisão. Determine o conteúdo da informação indiretamente, comparando os sinais com sinais aleatórios; Existem algumas bibliotecas de software para isso, como o pacote R Boruta. Use um algoritmo como Análise de Componentes Principais (PCA) para gerar um novo conjunto de sinais com dimensionalidade reduzida. Use a otimização genética para determinar os sinais mais importantes apenas pelos resultados mais lucrativos do processo de previsão. Ótimo para ajuste de curva se você deseja publicar resultados impressionantes em um trabalho de pesquisa.
Para nossa experiência, não precisamos pré-selecionar ou pré-processar os recursos, mas você pode encontrar informações úteis sobre isso nos artigos (1), (2) e (3) listados no final da página.
Etapa 4: selecione o algoritmo de aprendizado de máquina.
R oferece muitos pacotes ML diferentes, e qualquer um deles oferece muitos algoritmos diferentes com muitos parâmetros diferentes. Mesmo se você já decidiu sobre o método & # 8211; aqui, aprendizagem profunda & # 8211; você ainda tem a escolha entre diferentes abordagens e diferentes pacotes R. A maioria é bem nova e você não encontra muitas informações empíricas que ajudem na sua decisão. Você tem que experimentá-los todos e ganhar experiência com métodos diferentes. Para nossa experiência, escolhemos o pacote Deepnet, que é provavelmente o mais simples e fácil de usar biblioteca de aprendizagem profunda. Isso mantém nosso código curto. Estamos usando o algoritmo do Autoencoder Stacked (SAE) para pré-treinamento da rede. A Deepnet também oferece uma Máquina Boltzmann Restrita (RBM) para pré-treinamento, mas eu não consegui obter bons resultados com ela. Existem outros pacotes de aprendizado mais complexos para o R, então você pode gastar muito tempo conferindo todos eles.
Como funciona o pré-treinamento é facilmente explicado, mas por que funciona é uma questão diferente. Até onde sei, ninguém ainda apresentou uma prova matemática sólida de que funcione. Enfim, imagine uma grande rede neural com muitas camadas ocultas:
Treinar a rede significa configurar os pesos de conexão entre os neurônios. O método usual é a retropropagação de erro. Mas acontece que quanto mais camadas ocultas você tem, pior funciona. Os termos de erro backpropagated ficam menores e menores de camada para camada, fazendo com que as primeiras camadas da rede não aprendam quase nada. O que significa que o resultado previsto se torna cada vez mais dependente do estado inicial aleatório dos pesos. Isso limitou severamente a complexidade das redes neurais baseadas em camadas e, portanto, as tarefas que eles podem resolver. Pelo menos até 10 anos atrás.
Em 2006, cientistas em Toronto publicaram pela primeira vez a idéia de pré-treinar os pesos com um algoritmo de aprendizado não supervisionado, uma máquina restrita de Boltzmann. Isso resultou em um conceito revolucionário. Isso impulsionou o desenvolvimento da inteligência artificial e permitiu que todos os tipos de novas aplicações de máquinas Go-playing para carros autônomos. No caso de um autoencoder empilhado, funciona assim:
Selecione a camada oculta para treinar; comece com a primeira camada oculta. Conecte suas saídas a uma camada de saída temporária que tenha a mesma estrutura que a camada de entrada da rede. Alimente a rede com as amostras de treinamento, mas sem as metas. Treine-o para que a primeira camada oculta reproduza o sinal de entrada & # 8211; os recursos & # 8211; em suas saídas, o mais exatamente possível. O resto da rede é ignorado. Durante o treinamento, aplique um termo de penalidade de peso & # 8216; & # 8217; de modo que o menor número possível de pesos de conexão seja usado para reproduzir o sinal. Agora, alimente as saídas da camada oculta treinada para as entradas da próxima camada oculta não treinada e repita o processo de treinamento para que o sinal de entrada seja agora reproduzido nas saídas da próxima camada. Repita este processo até que todas as camadas ocultas sejam treinadas. Temos agora uma rede esparsa & # 8217; com muito poucas conexões de camada que podem reproduzir os sinais de entrada. Agora treine a rede com retropropagação para aprender a variável de destino, usando os pesos pré-treinados das camadas ocultas como ponto de partida.
A esperança é que o processo de pré-treinamento não supervisionado produza uma abstração interna de ruído reduzido dos sinais de entrada que possam ser usados ​​para facilitar o aprendizado do alvo. E isso realmente parece funcionar. Ninguém sabe realmente porque, mas várias teorias & # 8211; veja o papel (4) abaixo & # 8211; tente explicar esse fenômeno.
Etapa 5: gerar um conjunto de dados de teste.
Primeiro, precisamos produzir um conjunto de dados com recursos e metas, para que possamos testar nosso processo de previsão e testar os parâmetros. As características devem basear-se nos mesmos dados de preço que na negociação ao vivo e, para o alvo, devemos simular uma negociação de curto prazo. Portanto, faz sentido gerar os dados não com R, mas com nossa plataforma de negociação, que é de qualquer maneira muito mais rápida. Aqui está um pequeno script do Zorro para isso, DeepSignals. c:
Estamos gerando 2 anos de dados com recursos calculados por nossas funções de variação e alcance definidas acima. Nosso objetivo é o resultado de um trade com 3 barras de tempo de vida. Os custos de negociação são definidos como zero, portanto, neste caso, o resultado é equivalente ao sinal da diferença de preço em 3 barras no futuro. A função adviseLong é descrita no manual do Zorro; é uma função poderosa que lida automaticamente com treinamento e previsão e permite usar qualquer algoritmo de aprendizado de máquina baseado em R como se fosse um indicador simples.
Em nosso código, a função usa o próximo retorno de troca como destino e as variações de preço e os intervalos das últimas 4 barras como recursos. O sinalizador SIGNALS diz para não treinar os dados, mas para exportá-los para um arquivo. csv. A bandeira BALANCED garante que obtemos tantos retornos positivos quanto negativos; isso é importante para a maioria dos algoritmos de aprendizado de máquina. Execute o script no modo [Train] com nosso ativo de teste usual EUR / USD selecionado. Ele gera um arquivo de planilha chamado DeepSignalsEURUSD_L. csv que contém os recursos nas oito primeiras colunas e o retorno de troca na última coluna.
Etapa 6: Calibre o algoritmo.
Algoritmos complexos de aprendizado de máquina têm muitos parâmetros para ajustar. Alguns deles oferecem grandes oportunidades para ajustar o algoritmo para publicações. Ainda assim, devemos calibrar os parâmetros, pois o algoritmo raramente funciona bem com as configurações padrão. Para isso, aqui está um script R que lê o conjunto de dados criado anteriormente e o processa com o algoritmo de aprendizado profundo (DeepSignal. r):
Nós definimos três funções neural. train, neural. predict e neural. init para treinar, prever e inicializar a rede neural. Os nomes das funções não são arbitrários, mas seguem a convenção usada pela função de recomendação do Zorro (NEURAL.). Isso não importa agora, mas será importante mais tarde, quando usarmos o mesmo script R para treinar e negociar a estratégia de aprendizagem profunda. Uma quarta função, TestOOS, é usada para testar fora da amostra nossa configuração.
A função neural. init sementes o gerador aleatório R com um valor fixo (365 é o meu número de sorte pessoal). Caso contrário, obteríamos um resultado ligeiramente diferente a qualquer momento, já que a rede neural é inicializada com pesos aleatórios. Ele também cria uma lista R global chamada "Modelos". A maioria dos tipos de variáveis ​​R não precisa ser criada antecipadamente, alguns fazem (não me pergunte por quê). O & # 8216; & lt; & lt; - & # 8216; operador é para acessar uma variável global de dentro de uma função.
A função neural. train toma como entrada um número de modelo e o conjunto de dados a ser treinado. O número do modelo identifica o modelo treinado na & # 8220; Modelos & # 8221; Lista. Uma lista não é realmente necessária para este teste, mas precisaremos dela para estratégias mais complexas que treinam mais de um modelo. A matriz que contém os recursos e o destino é passada para a função como segundo parâmetro. Se os dados XY não são uma matriz apropriada, o que freqüentemente acontece em R dependendo de como você os gerou, eles são convertidos em um. Em seguida, ele é dividido em recursos (X) e destino (Y) e, finalmente, o destino é convertido em 1 para um resultado comercial positivo e 0 para um resultado negativo.
Os parâmetros de rede são então configurados. Alguns são óbvios, outros são livres para brincar com:
A estrutura da rede é dada pelo vetor oculto: c (50.100,50) define 3 camadas ocultas, a primeira com 50, a segunda com 100 e a terceira com 50 neurônios. Esse é o parâmetro que mais tarde modificaremos para determinar se o nível mais profundo é melhor. A função de ativação converte a soma dos valores de entrada do neurônio na saída do neurônio; mais frequentemente utilizados são sigmóides que saturam a 0 ou 1, ou tanh que satura a -1 ou +1.
Nós usamos tanh aqui já que nossos sinais também estão na faixa +/- 1. A saída da rede é uma função sigmóide, pois queremos uma previsão na faixa 0..1. Mas a saída SAE deve ser & # 8220; linear & # 8221; para que o Autoencoder Empilhado possa reproduzir os sinais de entrada analógicos nas saídas.
A taxa de aprendizado controla o tamanho do passo para a descida de gradiente no treinamento; uma taxa mais baixa significa passos mais precisos e previsão possivelmente mais precisa, mas um tempo de treinamento mais longo. Momentum adds a fraction of the previous step to the current one. It prevents the gradient descent from getting stuck at a tiny local minimum or saddle point. The learning rate scale is a multiplication factor for changing the learning rate after each iteration (I am not sure for what this is good, but there may be tasks where a lower learning rate on higher epochs improves the training). An epoch is a training iteration over the entire data set. Training will stop once the number of epochs is reached. More epochs mean better prediction, but longer training. The batch size is a number of random samples – a mini batch – taken out of the data set for a single training run. Splitting the data into mini batches speeds up training since the weight gradient is then calculated from fewer samples. The higher the batch size, the better is the training, but the more time it will take. The dropout is a number of randomly selected neurons that are disabled during a mini batch. This way the net learns only with a part of its neurons. This seems a strange idea, but can effectively reduce overfitting.
All these parameters are common for neural networks. Play around with them and check their effect on the result and the training time. Properly calibrating a neural net is not trivial and might be the topic of another article. The parameters are stored in the model together with the matrix of trained connection weights. So they need not to be given again in the prediction function, neural. predict . It takes the model and a vector X of features, runs it through the layers, and returns the network output, the predicted target Y . Compared with training, prediction is pretty fast since it only needs a couple thousand multiplications. If X was a row vector, it is transposed and this way converted to a column vector, otherwise the nn. predict function won’t accept it.
Use RStudio or some similar environment for conveniently working with R. Edit the path to the. csv data in the file above, source it, install the required R packages (deepnet, e1071, and caret), then call the TestOOS function from the command line. If everything works, it should print something like that:
TestOOS reads first our data set from Zorro’s Data folder. It splits the data in 80% for training ( XY. tr ) and 20% for out-of-sample testing ( XY. ts ). The training set is trained and the result stored in the Models list at index 1. The test set is further split in features ( X ) and targets ( Y ). Y is converted to binary 0 or 1 and stored in Y. ob , our vector of observed targets. We then predict the targets from the test set, convert them again to binary 0 or 1 and store them in Y. pr . For comparing the observation with the prediction, we use the confusionMatrix function from the caret package.
A confusion matrix of a binary classifier is simply a 2×2 matrix that tells how many 0’s and how many 1’s had been predicted wrongly and correctly. A lot of metrics are derived from the matrix and printed in the lines above. The most important at the moment is the 62% prediction accuracy . This may hint that I bashed price action trading a little prematurely. But of course the 62% might have been just luck. We’ll see that later when we run a WFO test.
A final advice: R packages are occasionally updated, with the possible consequence that previous R code suddenly might work differently, or not at all. This really happens, so test carefully after any update.
Step 7: The strategy.
Now that we’ve tested our algorithm and got some prediction accuracy above 50% with a test data set, we can finally code our machine learning strategy. In fact we’ve already coded most of it, we just must add a few lines to the above Zorro script that exported the data set. This is the final script for training, testing, and (theoretically) trading the system ( DeepLearn. c ):
We’re using a WFO cycle of one year, split in a 90% training and a 10% out-of-sample test period. You might ask why I have earlier used two year’s data and a different split, 80/20, for calibrating the network in step 5. This is for using differently composed data for calibrating and for walk forward testing. If we used exactly the same data, the calibration might overfit it and compromise the test.
The selected WFO parameters mean that the system is trained with about 225 days data, followed by a 25 days test or trade period. Thus, in live trading the system would retrain every 25 days, using the prices from the previous 225 days. In the literature you’ll sometimes find the recommendation to retrain a machine learning system after any trade, or at least any day. But this does not make much sense to me. When you used almost 1 year’s data for training a system, it can obviously not deteriorate after a single day. Or if it did, and only produced positive test results with daily retraining, I would strongly suspect that the results are artifacts by some coding mistake.
Training a deep network takes really a long time, in our case about 10 minutes for a network with 3 hidden layers and 200 neurons. In live trading this would be done by a second Zorro process that is automatically started by the trading Zorro. In the backtest, the system trains at any WFO cycle. Therefore using multiple cores is recommended for training many cycles in parallel. The NumCores variable at -1 activates all CPU cores but one. Multiple cores are only available in Zorro S, so a complete walk forward test with all WFO cycles can take several hours with the free version.
In the script we now train both long and short trades. For this we have to allow hedging in Training mode, since long and short positions are open at the same time. Entering a position is now dependent on the return value from the advise function, which in turn calls either the neural. train or the neural. predict function from the R script. So we’re here entering positions when the neural net predicts a result above 0.5.
The R script is now controlled by the Zorro script (for this it must have the same name, DeepLearn. r , only with different extension). It is identical to our R script above since we’re using the same network parameters. Only one additional function is needed for supporting a WFO test:
The neural. save function stores the Models list – it now contains 2 models for long and for short trades – after every training run in Zorro’s Data folder. Since the models are stored for later use, we do not need to train them again for repeated test runs.
This is the WFO equity curve generated with the script above (EUR/USD, without trading costs):
EUR/USD equity curve with 50-100-50 network structure.
Although not all WFO cycles get a positive result, it seems that there is some predictive effect. The curve is equivalent to an annual return of 89%, achieved with a 50-100-50 hidden layer structure. We’ll check in the next step how different network structures affect the result.
Since the neural. init , neural. train , neural. predict , and neural. save functions are automatically called by Zorro’s adviseLong/adviseShort functions, there are no R functions directly called in the Zorro script. Thus the script can remain unchanged when using a different machine learning method. Only the DeepLearn. r script must be modified and the neural net, for instance, replaced by a support vector machine. For trading such a machine learning system live on a VPS, make sure that R is also installed on the VPS, the needed R packages are installed, and the path to the R terminal set up in Zorro’s ini file. Otherwise you’ll get an error message when starting the strategy.
Step 8: The experiment.
If our goal had been developing a strategy, the next steps would be the reality check, risk and money management, and preparing for live trading just as described under model-based strategy development. But for our experiment we’ll now run a series of tests, with the number of neurons per layer increased from 10 to 100 in 3 steps, and 1, 2, or 3 hidden layers (deepnet does not support more than 3). So we’re looking into the following 9 network structures: c(10), c(10,10), c(10,10,10), c(30), c(30,30), c(30,30,30), c(100), c(100,100), c(100,100,100). For this experiment you need an afternoon even with a fast PC and in multiple core mode. Here are the results (SR = Sharpe ratio, R2 = slope linearity):
We see that a simple net with only 10 neurons in a single hidden layer won’t work well for short-term prediction. Network complexity clearly improves the performance, however only up to a certain point. A good result for our system is already achieved with 3 layers x 30 neurons. Even more neurons won’t help much and sometimes even produce a worse result. This is no real surprise, since for processing only 8 inputs, 300 neurons can likely not do a better job than 100.
Conclusão.
Our goal was determining if a few candles can have predictive power and how the results are affected by the complexity of the algorithm. The results seem to suggest that short-term price movements can indeed be predicted sometimes by analyzing the changes and ranges of the last 4 candles. The prediction is not very accurate – it’s in the 58%..60% range, and most systems of the test series become unprofitable when trading costs are included. Still, I have to reconsider my opinion about price action trading. The fact that the prediction improves with network complexity is an especially convincing argument for short-term price predictability.
It would be interesting to look into the long-term stability of predictive price patterns. For this we had to run another series of experiments and modify the training period ( WFOPeriod in the script above) and the 90% IS/OOS split. This takes longer time since we must use more historical data. I have done a few tests and found so far that a year seems to be indeed a good training period. The system deteriorates with periods longer than a few years. Predictive price patterns, at least of EUR/USD, have a limited lifetime.
Where can we go from here? There’s a plethora of possibilities, for instance:
Use inputs from more candles and process them with far bigger networks with thousands of neurons. Use oversampling for expanding the training data. Prediction always improves with more training samples. Compress time series f. i. with spectal analysis and analyze not the candles, but their frequency representation with machine learning methods. Use inputs from many candles – such as, 100 – and pre-process adjacent candles with one-dimensional convolutional network layers. Use recurrent networks. Especially LSTM could be very interesting for analyzing time series – and as to my knowledge, they have been rarely used for financial prediction so far. Use an ensemble of neural networks for prediction, such as Aronson’s “oracles” and “comitees”.
Papers / Articles.
(3) V. Perervenko, Selection of Variables for Machine Learning.
I’ve added the C and R scripts to the 2016 script repository. You need both in Zorro’s Strategy folder. Zorro version 1.474, and R version 3.2.5 (64 bit) was used for the experiment, but it should also work with other versions.
75 thoughts on “Better Strategies 5: A Short-Term Machine Learning System”
I’ve tested your strategy using 30min AAPL data but “sae. dnn. train” returns all NaN in training.
(It works just decreasing neurons to less than (5,10,5)… but accuracy is 49%)
Can you help me to understand why?
Desde já, obrigado.
If you have not changed any SAE parameters, look into the. csv data. It is then the only difference to the EUR/USD test. Maybe something is wrong with it.
Another fantastic article, jcl. Zorro is a remarkable environment for these experiments. Thanks for sharing your code and your approach – this really opens up an incredible number of possibilities to anyone willing to invest the time to learn how to use Zorro.
The problem with AAPL 30min data was related to the normalizing method I used (X-mean/SD).
The features range was not between -1:1 and I assume that sae. dnn need it to work…
Anyway performances are not comparable to yours 🙂
I have one question:
why do you use Zorro for creating the features in the csv file and then opening it in R?
why not create the file with all the features in R in a few lines and do the training on the file when you are already in R? instead of getting inside Zorro and then to R.
When you want R to create the features, you must still transmit the price data and the targets from Zorro to R. So you are not gaining much. Creating the features in Zorro results usually in shorter code and faster training. Features in R make only sense when you need some R package for calculating them.
Really helpful and interesting article! I would like to know if there are any English version of the book:
“Das Börsenhackerbuch: Finanziell unabhängig durch algorithmische Handelssysteme”
I am really interested on it,
Not yet, but an English version is planned.
Thanks JCL! Please let me now when the English version is ready, because I am really interested on it.
Works superbly (as always). Muito Obrigado. One small note, if you have the package “dlm” loaded in R, TestOOS will fail with error: “Error in TestOOS() : cannot change value of locked binding for ‘X'”. This is due to there being a function X in the dlm package, so the name is locked when the package is loaded. Easily fixed by either renaming occurrences of the variable X to something else, or temporarily detaching the dlm package with: detach(“package:dlm”, unload=TRUE)
Thanks for the info with the dlm package. I admit that ‘X’ is not a particular good name for a variable, but a function named ‘X’ in a distributed package is even a bit worse.
Results below were generated by revised version of DeepSignals. r – only change was use of LSTM net from the rnn package on CRAN. The authors of the package regard their LSTM implementation as “experimental” and do not feel it is as yet learning properly, so hopefully more improvement to come there. (Spent ages trying to accomplish the LSTM element using the mxnet package but gave up as couldn’t figure out the correct input format when using multiple training features.)
Will post results of full WFO when I have finished LSTM version of DeepLearn. r.
Confusion Matrix and Statistics.
95% CI : (0.5699, 0.5956)
No Information Rate : 0.5002.
P-Value [Acc > NIR] : <2e-16.
Mcnemar's Test P-Value : 0.2438.
Pos Pred Value : 0.5844.
Neg Pred Value : 0.5813.
Detection Rate : 0.2862.
Detection Prevalence : 0.4897.
Balanced Accuracy : 0.5828.
Results of WFO test below. Again, only change to original files was the use of LSTM in R, rather than DNN+SAE.
Walk-Forward Test DeepLearnLSTMV4 EUR/USD.
Simulated account AssetsFix.
Bar period 1 hour (avg 87 min)
Simulation period 15.05.2014-07.06.2016 (12486 bars)
Test period 04.05.2015-07.06.2016 (6649 bars)
Lookback period 100 bars (4 days)
WFO test cycles 11 x 604 bars (5 weeks)
Training cycles 12 x 5439 bars (46 weeks)
Monte Carlo cycles 200.
Assumed slippage 0.0 sec.
Spread 0.0 pips (roll 0.00/0.00)
Contracts per lot 1000.0.
Gross win/loss 3628$ / -3235$ (+5199p)
Average profit 360$/year, 30$/month, 1.38$/day.
Max drawdown -134$ 34% (MAE -134$ 34%)
Total down time 95% (TAE 95%)
Max down time 5 weeks from Aug 2015.
Max open margin 40$
Max open risk 35$
Trade volume 5710964$ (5212652$/year)
Custos de transação 0,00 $ spr, 0,00 $ slp, 0,00 $ rol.
Capital required 262$
Number of trades 6787 (6195/year, 120/week, 25/day)
Percent winning 57.6%
Max win/loss 16$ / -14$
Avg trade profit 0.06$ 0.8p (+12.3p / -14.8p)
Avg trade slippage 0.00$ 0.0p (+0.0p / -0.0p)
Avg trade bars 1 (+1 / -2)
Max trade bars 3 (3 hours)
Time in market 177%
Max open trades 3.
Max loss streak 17 (uncorrelated 11)
Annual return 137%
Profit factor 1.12 (PRR 1.08)
Sharpe ratio 1.79.
Kelly criterion 2.34.
R2 coefficient 0.435.
Ulcer index 13.3%
Prediction error 152%
Nível de confiança AR DDMax Capital.
Portfolio analysis OptF ProF Win/Loss Wgt% Cycles.
EUR/USD .219 1.12 3907/2880 100.0 XX/\//\X///
EUR/USD:L .302 1.17 1830/1658 65.0 /\/\//\////
EUR/USD:S .145 1.08 2077/1222 35.0 \//\//\\///
Interessante! For a still experimental LSTM implementation that result looks not bad.
Sorry for being completely off topic but could you please point me to the best place where i can learn to code trend lines?? I’m a complete beginner, but from trading experience i see them as an important part of what i would like to build…
Robot Wealth has an algorithmic trading course for that – you can find details on his blog robotwealth/.
I think you misunderstand the meaning pretrening. See my articles mql5/ru/articles/1103.
I think there is more fully described this stage.
I don’t think I misunderstood pretraining, at least not more than everyone else, but thanks for the links!
You can paste your LTSM r code please ?
Could you help me answering some questions?
I have few question below:
1.I want to test Commission mode.
If I use interactive broker, I should set Commission = ? in normal case.
2.If I press the “trade” button, I see the log the script will use DeepLearn_EURUSD. ml.
So real trade it will use DeepLearn_EURUSD. ml to get the model to trade?
And use neural. predict function to trade?
3.If I use the slow computer to train the data ,
I should move DeepLearn_EURUSD. ml to the trade computer?
I test the real trade on my interactive brokers and press the result button.
Can I use Commission=0.60 to train the neural and get the real result?
Result button will show the message below:
Trade Trend EUR/USD.
Bar period 2 min (avg 2 min)
Trade period 02.11.2016-02.11.2016.
Spread 0.5 pips (roll -0.02/0.01)
Contracts per lot 1000.0.
Commission should be normally not set up in the script, but entered in the broker specific asset list. Otherwise you had to change the script every time when you want to test it with a different broker or account. IB has different lot sizes and commissions, so you need to add the command.
to the script when you want to test it for an IB account.
Yes, DeepLearn_EURUSD. ml is the model for live trading, and you need to copy it to the trade computer.
Do I write assetList(“AssetsIB. csv”) in the right place?
So below code’s result includes Commission ?
I test the result with Commission that seems pretty good.
Annual +93% +3177p.
BarPeriod = 60; // 1 hour.
WFOPeriod = 252*24; // 1 year.
NumCores = -1; // use all CPU cores but one.
Spread = RollLong = RollShort = Commission = Slippage = 0;
if(Train) Hedge = 2;
I run the DeepLearn. c in the IB paper trade.
The code “LifeTime = 3; // prediction horizon” seems to close the position that you open after 3 bars(3 hours).
But I can’t see it close the position on third bar close.
I see the logs below:
Closing prohibited – check NFA flag!
[EUR/USD::L4202] Can’t close 1@1.10995 at 09:10:51.
In my IB paper trade, it the default order size is 1k on EUR/USD.
How to change the order size in paper trade?
Muito obrigado.
IB is an NFA compliant broker. You can not close trades on NFA accounts. You must set the NFA flag for opening a reverse position instead. And you must enable trading costs, otherwise including the commission has no effect. I don’t think that you get a positive result with trading costs.
Those account issues are not related to machine learning, and are better asked on the Zorro forum. Or even better, read the Zorro manual where all this is explained. Just search for “NFA”.
I do some experiment to change the neural’s parameter with commission.
The code is below:
BarPeriod = 60; // 1 hour.
WFOPeriod = 252*24; // 1 year.
NumCores = -1; // use all CPU cores but one.
Spread = RollLong = RollShort = Slippage = 0;
if(Train) Hedge = 2;
I get the result with commission that Annual Return is about +23%.
But I don’t complete understand the zorro’s setting and zorro’s report.
Walk-Forward Test DeepLearn EUR/USD.
Simulated account AssetsIB. csv.
Bar period 1 hour (avg 86 min)
Simulation period 15.05.2014-09.09.2016 (14075 bars)
Test period 23.04.2015-09.09.2016 (8404 bars)
Lookback period 100 bars (4 days)
WFO test cycles 14 x 600 bars (5 weeks)
Training cycles 15 x 5401 bars (46 weeks)
Monte Carlo cycles 200.
Simulation mode Realistic (slippage 0.0 sec)
Spread 0.0 pips (roll 0.00/0.00)
Contracts per lot 20000.0.
Gross win/loss 24331$ / -22685$ (+914p)
Average profit 1190$/year, 99$/month, 4.58$/day.
Max drawdown -1871$ 114% (MAE -1912$ 116%)
Total down time 92% (TAE 41%)
Max down time 18 weeks from Dec 2015.
Max open margin 2483$
Max open risk 836$
Trade volume 26162350$ (18916130$/year)
Transaction costs 0.00$ spr, 0.00$ slp, 0.00$ rol, -1306$ com.
Capital required 5239$
Number of trades 1306 (945/year, 19/week, 4/day)
Percent winning 52.5%
Max win/loss 375$ / -535$
Avg trade profit 1.26$ 0.7p (+19.7p / -20.3p)
Avg trade slippage 0.00$ 0.0p (+0.0p / -0.0p)
Avg trade bars 2 (+2 / -3)
Max trade bars 3 (3 hours)
Time in market 46%
Max open trades 3.
Max loss streak 19 (uncorrelated 10)
Annual return 23%
Profit factor 1.07 (PRR 0.99)
Sharpe ratio 0.56.
Kelly criterion 1.39.
R2 coefficient 0.000.
Ulcer index 20.8%
Nível de confiança AR DDMax Capital.
10% 29% 1134$ 4153$
20% 27% 1320$ 4427$
30% 26% 1476$ 4656$
40% 24% 1649$ 4911$
50% 23% 1767$ 5085$
60% 22% 1914$ 5301$
70% 21% 2245$ 5789$
80% 19% 2535$ 6216$
90% 16% 3341$ 7403$
95% 15% 3690$ 7917$
100% 12% 4850$ 9625$
Portfolio analysis OptF ProF Win/Loss Wgt% Cycles.
EUR/USD .256 1.07 685/621 100.0 /X/XXXXXXXXXXX.
The manual is your friend:
Great read…I built this framework to use XGB to analyze live ETF price movements. Let me know what you think:
Hi, deep learning researcher and programmer here. 🙂
Great blog and great article, congratulations! I have some comments:
& # 8211; if you use ReLUs as activation functions, pretraining is not necessary.
& # 8211; AE is genarraly referred to as networks with same input and output, I would call the proposed network rather a MLP (multi-layer perceptron).
Do you think it is possible to use Python (like TensorFlow) or LUA (like Torch7) based deep learing libraries with Zorro?
I have also heard that ReLUs make a network so fast that you can brute force train it in some cases, with no pretraining. But I have not yet experimented with that. The described network is commonly called ‘SAE’ since it uses autoencoders, with indeed the same number of inputs and outputs, for the pre-training process. & # 8211; I am not familiar with Torch7, but you can theoretically use Tensorflow with Zorro with a DLL based interface. The network structure must still be defined in Python, but Zorro can use the network for training and prediction.
Would you do YouTube Tutorials to your work, this series of articles. And where can I subscribe this kinda of algorithmic trading tutorials. Thanks for your contribution.
I would do YouTube tutorials if someone payed me very well for them. Until then, you can subscribe this blog with the link on the right above.
Why not feed economic data from a calendar like forexfactory into the net as well? I suggested that several times before. This data is what makes me a profitable manual trader (rookie though), if there is any intelligence in these neuronal networks it should improve performance greatly. input must be name (non farm payrolls for example or some unique identifier) , time left to release, predicted value (like 3-5 days before) last value and revision. Some human institutional traders claim its possible to trade profitably without a chart from this data alone. Detecting static support and resistance areas (horizontal lines) should be superior to any simple candle patterns. It can be mathematically modeled, as the Support and Resistance indicator from Point Zero Trading proves. Unfortunately i dont have a clue how Arturo the programmer did it. I imagine an artificial intelligence actually “seeing” what the market is focussed on (like speculation on a better than expected NFP report based on other positive Data in the days before, driving the dollar up into the report). “seeing” significant support and resistance levels should allow for trading risk, making reasonable decisions on where to place SL and TP.
We also made the experience that well chosen external data, not derived from the price curve, can improve the prediction. There is even a trading system based on Trump’s twitter outpourings. I can’t comment on support and resistance since I know no successful systems that use them, and am not sure that they exist at all.
thank you very much for everything that you did so far.
I read the book (German here, too) and am working through your blog articles right now.
I already learnt a lot and still am learning more and more about the really important stuff (other than: Your mindset must be perfect and you need to have well-defined goals. I never was a fan of such things and finally I found someone that is on the same opinion and actually teaches people how to correctly do it).
So, thank you very much and thanks in advance for all upcoming articles that I will read and you will post.
As a thank you I was thinking about sending you a corrected version of your book (there are some typos and wrong articles here and there…). Would you be interested in that?
Again thank you for everything and please keep up the good work.
Obrigado! And I’m certainly interested in a list of all my mistakes.
Thank you for this interesting post. I ran it on my pc and obtained similar results as yours. Then I wanted to see if it could perform as well when commission and rollover and slippage were included during test. I used the same figures as the ones used in the workshops and included in the AssetFix. csv file. The modifications I did in your DeepLearn. c file are as follows:
Spread = RollLong = RollShort = Commission = Slippage = 0;
The results then were not as optimistic as without commission:
Walk-Forward Test DeepLearn_realistic EUR/USD.
Simulated account AssetsFix.
Bar period 1 hour (avg 86 min)
Simulation period 09.05.2014-27.01.2017 (16460 bars)
Test period 22.04.2015-27.01.2017 (10736 bars)
Lookback period 100 bars (4 days)
WFO test cycles 18 x 596 bars (5 weeks)
Training cycles 19 x 5367 bars (46 weeks)
Monte Carlo cycles 200.
Modo de simulação Realista (escorregamento 5,0 seg.)
Spread 0.5 pips (roll -0.02/0.01)
Contracts per lot 1000.0.
Gross win/loss 5608$ / -6161$ (-6347p)
Average profit -312$/year, -26$/month, -1.20$/day.
Max drawdown -635$ -115% (MAE -636$ -115%)
Total down time 99% (TAE 99%)
Max down time 85 weeks from Jun 2015.
Max open margin 40$
Max open risk 41$
Trade volume 10202591$ (5760396$/year)
Transaction costs -462$ spr, 46$ slp, -0.16$ rol, -636$ com.
Capital required 867$
Number of trades 10606 (5989/year, 116/week, 24/day)
Percent winning 54.9%
Max win/loss 18$ / -26$
Avg trade profit -0.05$ -0.6p (+11.1p / -14.8p)
Avg trade slippage 0.00$ 0.0p (+1.5p / -1.7p)
Avg trade bars 1 (+1 / -2)
Max trade bars 3 (3 hours)
Time in market 188%
Max open trades 3.
Max loss streak 19 (uncorrelated 12)
Annual return -36%
Profit factor 0.91 (PRR 0.89)
Sharpe ratio -1.39.
Kelly criterion -5.39.
R2 coefficient 0.737.
Ulcer index 100.0%
Nível de confiança AR DDMax Capital.
Portfolio analysis OptF ProF Win/Loss Wgt% Cycles.
EUR/USD .000 0.91 5820/4786 100.0 XX/\XX\X\X/X/\\X\\
I am a very beginner with Zorro, maybe I did a mistake ? O que você acha ?
No, your results look absolutely ok. The predictive power of 4 candles is very weak. This is just an experiment for finding out if price action has any predictive power at all.
Although it apparently has, I have not yet seen a really profitable system with this method. From the machine learning systems that we’ve programmed so far, all that turned out profitable used data from a longer price history.
Thank you for the great article, it’s exactly what I needed in order to start experimenting with ML in Zorro.
I’ve noticed that the results are slightly different each time despite using the random seed. Here it doesn’t matter thanks to the large number of trades but for example with daily bars the performance metrics fluctuate much more. My question is: do you happen to know from where does the randomness come? Is it still the training process in R despite the seed?
It is indeed so. Deepnet apparently uses also an internal function, not only the R random function, for randomizing some initial value.
any idea about how to use machine learning like in this example with indicators? you could do as better strategy 6.
would be very interesting.
Is it grid search inside the neural. train function allowed? I get error when I try it.
Besides Andy, how did you end up definining the LSTM structure using rnn? Is it not clear for me after reading inside the package.
where is the full code?(or where is the repository?)
You said” Use genetic optimization for determining the most important signals just by the most profitable results from the prediction process. Great for curve fitting” How about after using genetic optimization process for determining the most profitable signals , match and measure the most profitable signals with distance metrics/similarity analysis(mutual information, DTW, frechet distance algorithm etc…) then use the distance metrics/similarity analysis as function for neural network prediction? Isso faz sentido ?
Distance to what? To each other?
Yes find similar profitable signal-patterns in history and find distance between patterns/profitable signals then predict the behavior of the profitable signal in the future from past patterns.
Was wondering about this point you made in Step 5:
“Our target is the return of a trade with 3 bars life time.”
But in the code, doesn’t.
mean that we are actually predicting the SIGN of the return, rather than the return itself?
Sim. Only the binary win/loss result, but not the magnitude of the win or loss is used for the prediction.
“When you used almost 1 year’s data for training a system, it can obviously not deteriorate after a single day. Or if it did, and only produced positive test results with daily retraining, I would strongly suspect that the results are artifacts by some coding mistake.”
There is an additional trap to be aware of related to jcl’s comment above that applies to supervised machine learning techniques (where you train a model against actual outcomes). Assume you are trying to predict the return three bars ahead (as in the example above – LifeTime = 3;). In real time you obviously don’t have access to the outcomes for one, two and three bars ahead with which to retrain your model, but when using historical data you do. With frequently retrained models (especially if using relatively short blocks of training data) it is easy to train a model offline (and get impressive results) with data you will not have available for training in real time. Then reality kicks in. Therefore truncating your offline training set by N bars (where N is the number of bars ahead you are trying to predict) may well be advisable…
Amazing work, could you please share the WFO code as well. I was able to run the code till neural. save but unable to generate the WFO results.
Muito obrigado.
The code above does use WFO.
Dear jcl, in the text you mentioned that you could predict the current leg of zig-zag indicator, could you please elaborate on how to do that? what features and responses would you reccomend?
I would never claim that I could predict the current leg of zigzag indicator. But we have indeed coded a few systems that attempted that. For this, simply use not the current price movement, but the current zigzag slope as a training target. Which parameters you use for the features is completely up to you.
Bom trabalho. I was wondering if you ever tried using something like a net long-short ratio of the asset (I. e. the FXCM SSI index – real time live data) as a feature to improve prediction?
Not with the FXCM SSI index, since it is not available as historical data as far as I know. But similar data of other markets, such as order book content, COT report or the like, have been used as features to a machine learning system.
I see, thanks, and whats’s the experience on those? do they have any predictive power? if you know any materials on this, I would be very interested to read it. (fyi, the SSI index can be exported from FXCM Trading Station (daily data from 2003 for most currency pairs)
Thanks for the info with the SSI. Yes, additional market data can have predictive power, especially from the order book. But since we gathered this experience with contract work for clients, I’m not at liberty to disclose details. However we plan an own study with ML evaluation of additional data, and that might result in an article on this blog.
Thanks jcl, looking forward to it! there is a way to record SSI ratios in a CSV file from a LUA Strategy script (FXCM’s scripting language) for live evaluation. happy to give you some details if you decide to evaluate this. (drop me an email) MyFxbook also has a similar indicator, but no historical data on that one unfortunately.
Does random forest algorithm have any advantage over deep net or neural networks for classification problems in financial data? I make it more clear ; I use number of moving averages and oscillators slope colour change for trading decision(buy - sell-hold).Sometimes one oscillator colour change is lagging other is faster etc..There is no problem at picking tops and bottoms but It is quite challenging to know when to hold. Since random forest doesnt’ need normalization, do they have any advantage over deep net or neural networks for classification? Thanks.
This depends on the system and the features, so there is no general answer. In the systems we did so far, a random forest or single decision tree was sometimes indeed better than a standard neural network, but a deep network beats anything, especially since you need not care as much about feature preselection. We meanwhile do most ML systems with deep networks.
I see thank you. I have seen some new implementations of LSTM which sounds interesting. One is called phased LSTM another one is from Yarin Gaal. He is using Bayesian technique(gaussian process) as dropout cs. ox. ac. uk/people/yarin. gal/website/blog_2248.html.
I hooked up the news flow from forexfactory into this algo and predictive power has improved by 7%.
I downloaded forexfactory news history from 2010. Used a algo to convert that into a value of -1 to 1 for EUR. This value becomes another parameter into the neural training network. I think there is real value there …let me see if we can get the win ratio to 75% and then I thik we have a real winner on hands here. …..
The neural training somehow only yields results with EURUSD.
Anyone tried GBPUSD or EURJPY.
That’s also my experience. There are only a few asset types with which price pattern systems seem to really work, and that’s mainly EUR/USD and some cryptos. We also had pattern systems with GBP/USD und USD/JPY, but they work less well and need more complex algos. Most currencies don’t expose patterns at all.
JCL, you are saying “The R script is now controlled by the Zorro script (for this it must have the same name, NeuralLearn. r, only with different extension).”
…same name as what ? Shouldn’t it say DeepLearn. r (instead of NeuralLearn. r) ? Where is the name “NeuralLearn” coming from, we don’t seem to have used it anywhere else. Sorry I am not sure what I am missing here, could you please clarify?
That’s right, DeepLearn. r it is. That was a wrong name in the text. The files in the repository should be correctly named.
Thanks for your reply jcl, much appreciated.
Eu amo o seu trabalho. And I have got lots to learn.
Hope you don’t mind me asking another question …
Further down you are saying “The neural. save function stores the Models list – it now contains 2 models for long and for short trades – after every training run in Zorro’s Data folder”.
Again, I am not sure why, but I don’t seem to be able to locate that Models list file in the Data folder. In fact it does not seem to make any difference if the neural. save function is there or not. When I [Train] DeepLearn, only the files DeepLearn_EURUSD_x. ml and signals0.csv are being created regardless of whether the function exist or not.
The *.ml files contain the models list.
Do you have any experience with generative adversarial networks (GANs)?Are they suitable for financial time series ?
We have not yet done a GAN based system. AFAIK GANs are best suited for a different class of problems, not for trading, except maybe in special cases where no immediate success function is available.

Melhores estratégias de negociação de curto prazo - Cálculo ATR.
Aumente sua conta de negociação até 266x Trading Tesla, Amazon e Google!
O dia 20 Fade é uma das melhores estratégias de negociação de curto prazo para qualquer mercado Bom dia a todos, eu queria que todos os leitores de nosso blog soubessem que os dois últimos artigos e vídeos sobre reunir algumas das melhores estratégias de negociação de curto prazo receberam comentários maravilhosos de nossos leitores, e eu queria agradecer a todos por isso.
Esta é a última parte da série e irei analisar o posicionamento de stop loss e o posicionamento de meta de lucro para nossa estratégia de fade de 20 dias que demonstrei durante os últimos 2 dias. Se você não leu os artigos ou viu os vídeos, há um link para os dois abaixo.
Na segunda-feira, demonstrei como aumentar o comprimento de uma média móvel aumentará suas chances de negociações em seu caminho. O melhor número foi perto de 90 dias. Este exercício demonstrou como aumentar sua média móvel ou seu período de fuga de 20 dias para 90 dias pode aumentar sua porcentagem de negociações rentáveis ​​de 30% de rentabilidade para cerca de 56% de lucratividade, isso é enorme.
Na terça-feira, demonstrei como podemos usar um método que tem um índice de ganhos terrível e revertê-lo para fornecer uma porcentagem muito alta de vencedores em comparação aos perdedores.
Tomei os 20 dias de breakouts, que rendeu uma taxa de vitória terrível e inverteu-o. Em vez de comprar breakouts de 20 dias, nós os desvaneceríamos e faríamos o mesmo para o lado negativo. Eu também forneci alguns filtros para ajudar a aumentar ainda mais as chances.
O método é chamado de fade de 20 dias e hoje cobrirei o posicionamento de stop loss e o posicionamento de meta de lucro para essa estratégia.
Algumas das melhores estratégias de negociação de curto prazo são simples de aprender e negociar.
Eu recomendo que você preste atenção, porque acho que esse método fornece cerca de 70% de ganho para a taxa de sinistralidade e funciona melhor do que a maioria dos sistemas de negociação que vendem por milhares de dólares.
Lembre-se, não há correlação entre métodos de negociação caros ou complexos e lucratividade.
O desvanecimento de 20 dias continua a ser uma das estratégias mais rentáveis ​​e uma das melhores estratégias de negociação de curto prazo que eu já negociei, e troquei praticamente todas as estratégias que você possa imaginar.
Como funciona o indicador ATR.
O indicador ATR significa Average True Range, foi um dos poucos indicadores desenvolvidos por J. Welles Wilder e apresentado em seu livro de 1978, New Concepts in Technical Trading Systems.
Embora o livro tenha sido escrito e publicado antes da era do computador, surpreendentemente ele resistiu ao teste do tempo e vários indicadores que foram apresentados no livro permanecem alguns dos melhores e mais populares indicadores usados ​​para negociações de curto prazo até hoje.
Uma coisa muito importante a ter em mente sobre o indicador ATR é que ele não é usado para determinar a direção do mercado de forma alguma. O único propósito deste indicador é medir a volatilidade para que os traders possam ajustar suas posições, níveis de parada e metas de lucro com base no aumento e diminuição da volatilidade.
A fórmula para o ATR é muito simples: Wilder começou com um conceito chamado True Range (TR), que é definido como o maior dos seguintes: Método 1: Current High menos o atual Low Method 2: Current High menos o anterior Close ( valor absoluto) Método 3: Baixa atual menos a anterior Fechamento (valor absoluto) Uma das razões pelas quais Wilder usou uma das três fórmulas foi garantir que seus cálculos respondessem por lacunas.
Ao medir apenas a diferença entre o preço alto e o baixo, as diferenças não são levadas em consideração. Usando o maior número possível dos três cálculos possíveis, Wilder certificou-se de que os cálculos respondiam por lacunas que ocorriam durante as sessões noturnas.
Tenha em mente que todos os softwares gráficos de análise possuem o indicador ATR incorporado. Portanto, você não precisará calcular nada manualmente. No entanto, Wilder usou um período de 14 dias para calcular a volatilidade; a única diferença que faço é usar um ATR de 10 dias em vez do 14 dia.
Acho que o período de tempo mais curto reflete melhor com posições de negociação de curto prazo. O ATR pode ser usado intra-dia para day traders, basta alterar o 10 dia para 10 barras e o indicador irá calcular a volatilidade com base no prazo que você escolheu.
Aqui está um exemplo de como o ATR parece quando adicionado a um gráfico. Vou usar os exemplos de ontem para que você possa aprender sobre o indicador e ver como o usamos ao mesmo tempo.
Antes de entrar na análise, deixe-me dar as regras para o stop loss e a meta de lucro para que você possa ver como ele se parece visualmente. O nível de perda de parada é de 2 * 10 dias ATR e a meta de lucro é 4 * 10 dias ATR.
Certifique-se de saber exatamente o que o ATR de 10 dias é igual antes de inserir o pedido.
Subtrair o ATR do seu nível de entrada real. Isto irá dizer-lhe onde colocar o seu nível de stop loss.
Neste exemplo, você pode ver como calculei a meta de lucro usando o ATR.
O método é idêntico ao cálculo dos seus níveis de perda de parada. Você simplesmente pega o ATR no dia em que entra na posição e multiplica por 4. As melhores estratégias de negociação de curto prazo têm metas de lucro que são pelo menos o dobro do tamanho do seu risco.
Observe como o nível de ATR agora é menor em 1,01, isso é declínio na volatilidade.
Não se esqueça de usar o nível ATR original para calcular o stop loss e o posicionamento do objetivo de lucro. A volatilidade diminuiu e o ATR passou de 1,54 para 1,01. Use o original 1,54 para ambos os cálculos, a única diferença é que os alvos de lucro obtêm 4 * ATR e os níveis de perda de parada recebem 2 * ATR.
Se você está tomando posições longas, você precisa subtrair o stop loss ATR da sua entrada e adicionar o ATR para sua meta de lucro. Para posições curtas, você precisa fazer o oposto, adicionar o stop loss ATR à sua entrada e subtrair o ATR da sua meta de lucro.
Por favor, revise isso para que você não fique confuso ao usar ATR para colocação de perda de parada e colocação de meta de lucro. Isso conclui nossa série de três partes sobre as melhores estratégias de negociação de curto prazo que funcionam no mundo real.
Lembre-se, as melhores estratégias de negociação de curto prazo não precisam ser complicadas ou custar milhares de dólares para serem lucrativas. Para mais informações sobre este tópico, por favor, vá para: Negociação Análise Técnica - Tops e Bottoms Duplo e Aprenda Análise Técnica - O caminho certo Tudo de bom, Senior Trainer por Roger Scott, Market Geeks.
Posts populares.
Indicador MACD e Crossovers da Linha Central.
Swing Trading Strategies.
Estratégias De Negociação De Ouro Para Os Negociantes De Ações.
Estratégias de Negociação Diárias que Funcionam - Táticas de Retrocesso Intradiário.
1976 South La Cienega Blvd # 270.
Los Angeles, Califórnia 90034.
Conecte-se conosco.
O desempenho passado não é garantia de resultados futuros. Este site é apenas para uso educacional e de informação geral. Entre em contato com seu consultor financeiro para obter aconselhamento financeiro específico. Nada neste site constitui conselho ou recomendação para comprar ou vender uma determinada ação, opção, futuros ou qualquer outro ativo financeiro. Copyright © Market Geeks, LLC. Todos os direitos reservados.

Análise Visual Computacional da Dinâmica do Livro de Ordens para a Criação de Estratégias de Negociação de Câmbio de Alta Frequência ☆
Este artigo apresenta um Modelo Hierárquico de Markov Ocultos usado para capturar a dinâmica de sentimento do mercado USD / COP escolhendo entre regimes latentes de tendência de alta ou tendência baixa baseados em realizações de vetores de características observadas calculadas a partir dos preços de transação e dinâmicas de volume de livros de ordens transformadas por wavelets. O HHMM aprendeu uma estratégia de negociação natural de compra / venda de tendência de venda / tendência de baixa usando uma estrutura de validação de treinamento durante um mês de dados de mercado. O modelo foi testado nos dois meses seguintes, e seu desempenho foi relatado e comparado com os resultados obtidos em estados de mercado classificados aleatoriamente e uma rede Neural de feed-forward. Este artigo também avaliou separadamente a contribuição para o desempenho do modelo das informações da carteira de pedidos e da transformação wavelet.
Selecção e revisão por pares sob a responsabilidade do Comité do Programa Científico do ICCS 2015.

Negociação 101: Movendo Médias e Movendo Média Estratégias.
28 de setembro de 2017.
O que são médias móveis?
As Médias Móveis estão entre os indicadores de tendência mais populares em Análise Técnica. Eles fornecem uma visualização simples, mas poderosa, das tendências em andamento em um ativo. Eles são usados ​​por uma ampla variedade de razões, principalmente para as estratégias de acompanhamento e reversão de tendências.
Basta colocar médias móveis são pontos conectados calculados para cada dia (ou seja qual for o período de tempo). O cálculo em si é simples; você pega um determinado número de dias anteriores e calcula a média deles. Claro, você não precisa fazer os cálculos por conta própria. Todos os softwares básicos de gráficos e plataformas de negociação fazem as contas para você e traçam a média móvel (ou até dezenas de médias para essa matéria) no gráfico do ativo.
Como interpretar médias móveis?
Se você quiser saber o que significa uma média móvel, pense apenas que não é mais do que uma maneira suave de descrever o próprio movimento de preços. Então, se o MA está subindo, isso significa que o preço sobe para cima no tempo determinado. É tão simples assim. Além disso, se o preço atual estiver acima de um determinado MA, isso geralmente significa que a tendência nesse período ainda está intacta.
Agora, a parte interessante é quando você usa os MAs para comparações. Você pode comparar dois MAs com diferentes intervalos de tempo ou simplesmente comparar o valor do MA com o preço em si. Isso pode ser útil por vários motivos, mas a conclusão mais importante que você pode fazer é o alinhamento de uma tendência de curto prazo e de longo prazo. Assim, você pode detectar reversões de tendência, pull-backs e pontos exatos de entrada e saída. Como? Vamos ver alguns exemplos.
Como usá-lo Trading?
As médias móveis podem ser usadas de maneiras praticamente ilimitadas, mas, como sempre, é aconselhável manter suas estratégias simples. Então, vamos ver os aplicativos básicos, mas mais robustos:
1. Determine a tendência em andamento, comparando o preço e um determinado MA, e sua direção.
Isso é tão simples quanto parece; Primeiro, você toma a direção do MA, então você dá uma olhada no preço e vê se ele está acima ou abaixo do MA. Se o MA está subindo e o preço está acima, então é confirmado tendência ascendente. De acordo com isso, você deve negociar apenas no lado positivo desse período de tempo específico, já que negociar contra a tendência geralmente não é uma coisa sensata a se fazer. Então, para dar um exemplo, você pode ver uma clara tendência de alta no gráfico abaixo, com o MA de 200 dias aumentando o tempo todo.
A estratégia mais simples é ir muito quando o preço cruza acima da média móvel crescente, e vender a posição quando ela cruza abaixo dela (isso funciona naturalmente com um MA decrescente e uma posição vendida, mas com o cruzamento de preço abaixo do MA).
Estratégia Média Móvel 1.
2. Compare dois MAs diferentes para determinar a tendência e as reversões.
A segunda e provavelmente a estratégia mais popular para médias móveis é o chamado & # 8220; cross-over & # 8221; estratégia. As etapas são semelhantes à primeira estratégia; apenas em vez do preço, você usa um MA de curto prazo como o gatilho & # 8220; & # 8221; para os negócios, como você pode ver no gráfico abaixo. Muitos comerciantes usam a condição adicional de que a média de longo prazo deve estar avançando nessa estratégia.
Estratégia Média Móvel 2.
3. Identifique os recuos para inserir tendências com mais precisão.
Essa abordagem é a mais avançada dessas estratégias simples e pode ser útil para capturar uma porção maior de "oscilações" de mercado do que as duas estruturas anteriores. A idéia é pegar as condições da primeira ou da segunda estratégia, mas esperar por um recuo antes de realmente entrar na negociação.
Mas o que significa um pullback? Bem, isso depende da interpretação, mas a definição básica é que o preço toque o MA fornecido no caso da primeira estratégia. Quanto à segunda estratégia, uma maneira útil de definir um recuo é aguardar o retorno do preço entre o MA curto e o MA de longo prazo, assim como você pode vê-lo no gráfico abaixo. Dessa forma, você entrará em uma tendência já estabelecida com o benefício adicional de não obter uma posição de sobrecompra de curto prazo.
Estratégia Média Móvel 3.
Quando isso funciona?
Como é o caso de todos os indicadores, as médias móveis têm seus pontos fortes e fracos. Ao saber quando usar esses indicadores muito úteis, você pode evitar os erros comuns cometidos pelos operadores. O mais importante é que os MAs funcionem melhor em mercados de tendência.
Pelo contrário, em ações de preços laterais, essas médias podem dar entradas falsas ou causar supertrading por meio de sinais muito frequentes. Aplicar a direção de um MA de longo prazo como uma condição (por exemplo, ter um AM de longo prazo em ascensão como um requisito para posições longas) pode ser útil para evitar esses problemas.
Além disso, é melhor esperar pela confirmação antes de entrar em uma negociação. Por exemplo, se você está entrando em uma negociação usando a primeira estratégia, aguarde o segundo fechamento acima (ou abaixo para uma posição curta) da MA antes de “puxar o gatilho”. Desta forma, você pode evitar os "picos de preços", que são parte integrante dos mercados de forex e criptomoeda.
Imagem destacada da Shutterstock.
Classifique esta postagem:
Você precisa ser um membro registrado para avaliar isso. Carregando.
Negociação 101: Introdução ao Forex Trading.
Como várias classes de ativos foram realizadas durante as guerras anteriores.
Você pode gostar.
O Mercado de Criptomoedas Entra na Fase Corretiva como os Maiores Retirem das Elevações Recentes.
Dow Drops Como Cryptos Pop.
As criptomoedas são o último mercado livre na Terra?
Recomendação Comercial: Bitcoin.
Um guia para iniciantes do TRON (TRX) Cryptocurrency.
Atualização do mercado asiático - segunda-feira: ações asiáticas atingem alta de todos os tempos; declínio das criptomoedas.
28 de setembro de 2017 às 17h06.
Obrigado. Eu gostaria de ver mais artigos (MACD, RSI & # 8230;) como este.
Você precisa estar logado para postar um comentário Login.
Deixe uma resposta.
Você precisa estar logado para postar um comentário.
Negociação 101.
Como encontrar bons Swing Trading Set-Ups.
4 de fevereiro de 2018.
Swing trading é muitas vezes o ponto de partida para aqueles que estão olhando para se aventurar em negociação, e talvez fazer a mudança de ser um investidor para se tornar um profissional ativo. As razões para isso são simples; envolve negociação em um período de tempo médio, o que significa que é possível fazê-lo enquanto você ainda tem um emprego diário e pode complementar outros estilos de negociação, como day trading, trend trading ou scalping.
De acordo com a Investopdia, o tempo de espera típico para um comerciante de swing é de 1 a 4 dias. No Forex, normalmente manteríamos nossa negociação por no máximo 5 dias, a fim de eliminar o risco de manter uma posição enquanto os mercados estão fechados durante o final de semana. Para criptomoedas, no entanto, que são negociadas 24 horas por dia, 7 dias por semana, podemos adaptar nossas regras e não precisamos mais ser tão rigorosos quanto ao período de espera. Em criptografia, enquanto as condições para manter o comércio ainda são válidas, devemos nos apegar a ela.
O que é um swing em um mercado?
O preço de mercado de uma criptocorrência pode ser definido como o equilíbrio entre oferta e demanda em qualquer momento. É o preço em que um comprador e um vendedor concordam em fazer uma negociação. Ao longo do tempo, esses preços de equilíbrio podem se mover em tendências de alta ou de baixa ou mesmo de lado em um intervalo.
Um padrão típico de mercado é que os preços mudem de faixas de contratação para faixas de expansão. A mudança entre esses dois é chamada de “break-out”, e é aí que vemos movimentos fortes e rápidos de preços para uma nova área no gráfico.
Uma maneira de ver isso é comparar a contração de alcance a uma mola que está sendo compactada. O break-out ocorre quando toda a energia da mola é liberada, o que pode acontecer tanto para o lado positivo quanto para o lado negativo. Agora temos o começo de um “swing” no mercado.
Se este break-out for seguido por uma série de tops mais altos e fundos mais altos em “movimentos de onda”, o mercado formou uma tendência de alta. Se o inverso for verdadeiro, temos uma tendência de baixa. Cada onda é considerada seu próprio swing no mercado.
Como comerciantes de swing, nosso trabalho é pegar a parte mais violenta desse movimento - o break-out. Alguns traders escolhem manter o comércio através de várias variações e, assim, seguem a tendência, enquanto outros preferem vender uma vez que uma meta de preço pré-determinada tenha sido atingida.
Como identificar boas oscilações de potencial?
Na maior parte do tempo, os preços de qualquer instrumento negociável se movimentam dentro de um determinado intervalo. No mercado de ações, costuma-se dizer que o mercado está chegando a 80% do tempo.
Para verificar possíveis oportunidades de negociação, uma abordagem é primeiro analisar seus gráficos em um dos períodos de tempo mais altos, por exemplo, o período de tempo diário ou de quatro horas. Depois de identificar uma configuração promissora, mude para um período de tempo menor, como a de 1 hora, para procurar oportunidades de entrada específicas.
De um modo geral, existem três fatores importantes que você precisa levar em consideração ao procurar uma entrada como um comerciante de swing:
As oscilações devem acontecer na mesma direção geral da tendência que está ocorrendo nos prazos mais altos. Se estiver negociando criptografia, procure por momentos em moedas que compartilham características semelhantes àquelas que você está negociando. Por exemplo, se você está pensando em trocar uma moeda voltada para a privacidade como Dash, como estão as outras moedas de privacidade como Monero ou Zcash? No mercado de ações, procure ações no mesmo setor. Avalie cuidadosamente a tendência. Está ficando mais forte ou mais fraco? Uma tendência de enfraquecimento pode significar que está prestes a mudar de direção, enquanto uma tendência de fortalecimento pode significar o oposto. O volume de negociações está apoiando a tendência? Uptrends com volume gradualmente crescente são considerados os mais robustos.
Tempo e taxa de ganho.
O melhor instrumento para negociar é aquele que está exibindo o comportamento mais forte de sua classe. Então, para usar as moedas de privacidade como um exemplo novamente, escolha aquela que está tendendo da maneira mais forte entre elas. Esta é a moeda onde você quer colocar o seu comércio.
Além disso, não se esqueça de ajustar e ajustar sua estratégia às condições de mercado vigentes. Lembre-se de que a taxa de ganho de qualquer estratégia de negociação pode mudar drasticamente em condições de mercado variáveis ​​e fazer com que você deixe de ser um operador lucrativo para um operador perdedora.
Como comerciantes de swing, precisamos ser agressivos quando detectamos boas oportunidades. Você não pode se dar ao luxo de passar boas oportunidades de negociação. Certifique-se de que você ganha o suficiente em seus bons ofícios para compensar as perdas inevitáveis ​​que virão.
Da mesma forma, um comerciante de swing também precisa saber quando ficar longe do mercado completamente. É igualmente importante reconhecer as condições das quais você deve se afastar, pois é ser agressivo sob as condições certas.
Por fim, lembre-se das palavras do lendário comerciante Jesse Livermore: "Há um tempo para ir muito tempo, um tempo para ficar curto e um tempo para ir pescar." Estas são palavras sábias que todos nós devemos lembrar de tempos em tempos .
Boa sorte na sua jornada de negociação.
Imagem em destaque da Pixabay.
Classifique esta postagem:
Você precisa ser um membro registrado para avaliar isso. Carregando.
Fredrik Vold.
Jonas Borchgrevink.
Uma nova estratégia de negociação? Usando RSI e Stoch para encontrar pontos de entrada.
28 de janeiro de 2018.
Comecei minha jornada CFD na quinta-feira usando algumas regras que eu criei para mim. Estou interessado em tentar ver se consigo usar o RSI e o Stoch em combinação para criar uma estratégia comercial ainda melhor para mim. Minhas regras anteriores eram:
Apenas arriscar no máximo 2% do meu bankroll por negociação. Tem 0 posições ativas durante a noite (em primeiro lugar, eu perco o sono, segundo; cobra-se uma taxa de juros para deixar um produto alavancado durante a noite.) Negocie sempre a tendência do último mês, incluindo o (s) dia (s) anterior (es). Se eles não se correlacionarem, não negociei. Se uma posição for perdida, duplicarei o valor (martingale) e realizarei uma segunda negociação. Eu só vou parar de dobrar depois de 3 derrotas consecutivas. Não pense em oportunidades de comércio perdidas. Mercados para negociar: Dax & amp; Dow (spread mínimo). Fique atualizado sobre liberações econômicas antes de entrar em uma negociação. Não tenha laços emocionais com o dinheiro. Eu gosto de chamá-los de "pontos".
Tendência seguinte provou (historicamente) para ser a maneira mais sólida para negociar qualquer ativo. É indiscutível. No entanto, para negociação de CFDs eu nunca quero deixar um comércio durante a noite devido a taxas de juros e sono. Pode ser difícil seguir a tendência quando você precisa entrar e sair rapidamente de uma transação. Eu tive uma ideia hoje para tentar usar RSI e Stoch em combinação para encontrar os melhores pontos de entrada para a minha negociação de CFDs. E minha estratégia final seria incluí-lo com minha regra número 3:
Negocie sempre a tendência do último mês, incluindo o (s) dia (s) anterior (es). Se eles não se correlacionarem, não negociei.
Em combinação com minha nova regra RSI e Stoch:
Somente insira uma posição quando um ativo está sobrecomprado ou sobrevendido exibido tanto pelo RSI & amp; Stoch ao mesmo tempo.
O que é RSI e Stoch?
O índice de força relativa (RSI) é um indicador de dinâmica desenvolvido pelo notável analista técnico Welles Wilder, que compara a magnitude dos ganhos e perdas recentes em um período de tempo especificado para medir a velocidade e a variação dos movimentos de preço de um título. Ele é usado principalmente para tentar identificar condições de sobrecompra ou sobrevenda na negociação de um ativo.
Muitos dizem que um ativo com um RSI acima de 70 está sobrecomprado (e deve ser vendido) ou se o RSI está abaixo de 30 é oversold (e deve ser comprado).
O oscilador estocástico é um indicador de momentum que compara o preço de fechamento de um título com o intervalo de seus preços durante um certo período de tempo. A sensibilidade do oscilador aos movimentos do mercado é redutível ajustando esse período de tempo ou tomando uma média móvel do resultado.
O ativo com stoch acima de 80 é considerado sobrecomprado e, se o ativo estiver mostrando menos de 20, ele é considerado sobrevendido.
Meu mini experimento com o Dax 30 Minute Timeframe.
Abaixo está o primeiro crossover que encontrei onde RSI e Stoch está correlacionando alguns dias atrás no índice Dax. Ambos emitem um sinal de compra quando os indicadores cruzam suas linhas horizontais mais baixas. Então eu descobri que se eu fosse vender quando qualquer um dos indicadores cruzasse o território de sobre-compra, eu seria capaz de obter lucro.
Olhando para o índice Dax de volta a 17 de janeiro, eu teria ganho seis negócios e perdido dois comércios baseados apenas nessa estratégia (RSI e Stoch com um prazo de 30 min). Se eu fosse implementá-lo com minha regra de negociação, eu teria iniciado 0 negociações durante esse período (onde a tendência intraday e a tendência mensal estão correlacionadas). Eu não tenho certeza se estou indo para Siga estas regras pelo livro, mas eu definitivamente vou experimentar com eles na semana seguinte e dar uma atualização nas minhas postagens.
Você já tentou isso antes? Envie um comentário abaixo e deixe-me saber como funcionou para você.
Minhas regras de negociação agora são atualizadas para:
Apenas arriscar no máximo 2% do meu bankroll por negociação. Tem 0 posições ativas durante a noite (em primeiro lugar, eu perco o sono, segundo; cobra-se uma taxa de juros para deixar um produto alavancado durante a noite.) Negocie sempre a tendência do último mês, incluindo o (s) dia (s) anterior (es). Se eles não se correlacionarem, não negociei. Se uma posição for perdida, duplicarei o valor (martingale) e realizarei uma segunda negociação. Eu só vou parar de dobrar depois de 3 derrotas consecutivas. Não pense em oportunidades de comércio perdidas. Mercados para negociar: Dax & amp; Dow (spread mínimo). Fique atualizado sobre liberações econômicas antes de entrar em uma negociação. Não tenha laços emocionais com o dinheiro. Eu gosto de chamá-los de "pontos". Somente insira uma posição quando um ativo está sobrecomprado ou sobrevendido exibido tanto pelo RSI & amp; Stoch ao mesmo tempo.
Classifique esta postagem:
Você precisa ser um membro registrado para avaliar isso. Carregando.
Jonas Borchgrevink.
Negociação 101: Qual é o melhor software de negociação?
15 de janeiro de 2018.
Como todos sabemos, qualquer tipo de atividade profissional requer seu próprio conjunto de ferramentas e equipamentos. A negociação não é uma exceção a isso. Também é verdade que quanto mais exigente é o seu uso, mais caro o equipamento requerido tende a obter. Ainda assim, quando comparado a outros trabalhos que você poderia assumir, o equipamento necessário para o comércio, seja em criptografia, ações ou forex, é bastante barato.
Você tem amplas opções disponíveis quando se trata de escolher uma plataforma para negociar. Os operadores de criptomoeda geralmente usam uma troca com sua própria interface de negociação baseada na web, reduzindo assim a necessidade de outras plataformas que os operadores de ações e moedas tradicionalmente usavam.
Muitos comerciantes de criptomoeda optam por fazer seus gráficos em uma plataforma separada e, em seguida, colocam seus pedidos diretamente na troca. Na verdade, separar negociação e gráficos é uma boa prática que eu geralmente recomendo porque impede que você faça negócios por impulso quando estiver fazendo sua análise. Se você fizer sua análise em uma plataforma separada, e depois precisar fazer o login no seu corretor para colocar o negócio, é provável que tenha tempo para refletir sobre o que está fazendo e, assim, reduzir a probabilidade de cometer erros.
Os pacotes de software de negociação também variam muito de preço, desde pacotes básicos gratuitos até opções extremamente caras projetadas para instituições. Neste artigo, vou cobrir duas das plataformas mais populares para os comerciantes de varejo que estão disponíveis por um custo relativamente baixo.
TradingView.
Talvez o software de gráficos mais popular para análise técnica agora seja o TradingView. Esta plataforma conquistou o primeiro lugar nos últimos anos por uma boa razão, sendo a principal a sua experiência social.
O TradingView permite que os usuários publiquem suas próprias ideias comerciais para o restante da comunidade ver e avaliar. As idéias geralmente são baseadas em análises técnicas e são desenhadas diretamente nos gráficos usando as ferramentas internas para análise técnica.
Enquanto TradingView costumava ser uma comunidade composta principalmente de comerciantes forex, um grande número de operadores de criptomoeda também chegou à plataforma no ano passado. A ferramenta de gráficos agora suporta uma grande seleção de pares de troca de criptomoedas, e seu bate-papo “Criptocurrências” tornou-se um dos bate-papos mais populares na plataforma.
Muitos entusiastas da análise técnica afirmam que o TradingView é simplesmente a melhor plataforma disponível hoje. É simples o suficiente para os iniciantes entenderem, enquanto ao mesmo tempo oferece todos os recursos que um profissional experiente poderia pedir.
Você pode começar a usar o TradingView gratuitamente hoje e optar por fazer upgrade para um dos planos pagos mais tarde, assim que se familiarizar com a plataforma. Embora seus preços tenham aumentado nos últimos anos, o TradingView ainda está com preços razoáveis, considerando o quão poderosa é a plataforma.
O TradingView possui os seguintes planos de assinatura (assinaturas mensais):
Todos os planos oferecem preços melhores se você optar por um período de assinatura de 2 anos. Pessoalmente, sinto que o plano PRO + oferece o maior retorno possível.
MetaTrader.
Enquanto o TradingView é uma plataforma baseada na web que roda diretamente no seu navegador, o MetaTrader é um tipo mais tradicional de software de negociação que você precisa baixar no seu computador. Originalmente construído pela empresa russa MetaQuotes Software, o MetaTrader é, de longe, o software de negociação mais popular para os comerciantes forex e CFD de varejo no mundo.
Nós já falamos sobre como você pode lucrar com a troca de robôs por você, e é provavelmente isso que a plataforma MetaTrader se tornou mais conhecida. Você tem a opção de rastrear os negócios de um robô livre ou pagar pelo acesso a um (presumivelmente) melhor. Você também pode acompanhar os negócios feitos por outros operadores humanos da mesma maneira, também conhecidos como copy-trading.
Os usuários do MetaTrader também podem colocar suas habilidades de codificação para trabalhar e desenvolver seus próprios robôs comerciais ou indicadores técnicos personalizados. O resultado final do seu trabalho pode ser usado por você ou vendido para outros usuários no mercado interno.
Como um novo operador, é realmente importante que você não compre cegamente as promessas de robôs de negociação que você encontra e que você esteja ciente de suas limitações. Como Jonas explicou em seu recente artigo, muitas vezes esses robôs se apresentam fantásticos por um curto período de tempo antes de eventualmente falharem miseravelmente, fazendo com que você perca todo o dinheiro inicialmente ganho. Os robôs comerciais às vezes são otimizados para funcionar perfeitamente em condições de mercado anteriores, mas isso não significa necessariamente que eles terão um desempenho tão bom quanto no futuro. Essa é uma das grandes armadilhas do comércio algorítmico, frequentemente referido pelos traders como “ajuste de curvas” ou “otimização excessiva”.
Por fim, não há dúvida de que o MetaTrader tem uma sensação mais avançada do que o TradingView, e também é mais complicado aprender como usá-lo. Só isso, no entanto, não significa que seja uma plataforma melhor para usar.
MetaTrader ou TradingView - qual você deve escolher?
Talvez a melhor maneira de abordar isso seja pensar no MetaTrader e no TradingView como complementos um do outro. Você poderia, por exemplo, usar o TradingView apenas como uma ferramenta de análise técnica e uma rede social para manter contato com outros traders, enquanto coloca seus negócios no MetaTrader (se o seu corretor suportar essa plataforma).
Muitos traders que costumavam ser simpatizantes do MetaTrader mudaram para o TradingView, pelo menos para o seu trabalho de mapeamento. A razão mais óbvia para fazer isso é provavelmente que o TradingView seja executado na nuvem e, portanto, faça o backup automático de tudo que você faz na plataforma. Se o seu computador quebrar durante o uso do TradingView, você pode simplesmente pegar um novo e continuar de onde parou. Com o MetaTrader, no entanto, tudo é salvo localmente no seu disco rígido, o que significa que tudo que você fez será perdido quando o computador travar.
Para aqueles que atuam no mercado forex, a maioria dos corretores oferecerá sua própria plataforma de negociação baseada na web, além da plataforma MetaTrader. Eu recomendaria começar com a solução baseada na web para aprender o jogo em primeiro lugar. O MetaTrader pode parecer avassalador para começar, e não há necessidade de tornar as coisas mais difíceis do que já são.
Uma vez que você tenha ganhado mais confiança nos mercados, você pode experimentar o MetaTrader se sentir necessidade de funcionalidades mais avançadas ou quiser testar robôs de negociação. Se você preferir fazer sua própria análise técnica, o TradingView o cobrirá com praticamente tudo que você precisará. Ao fazer isso dessa maneira e levar as coisas um passo de cada vez, sua curva de aprendizado se tornará mais gerenciável e suas chances de sucesso serão muito melhores.
Imagem em destaque da Pixabay.
Classifique esta postagem:
Você precisa ser um membro registrado para avaliar isso. Carregando.
Fredrik Vold.
Comentários recentes.
Tommudd na análise técnica: Altcoins conduzem mercados mais baixos enquanto o Bitcoin ainda olha o knightofone forte na atualização do Crypto: Monero testa rally alto como majors puxe para trás jhmblvd na atualização do crypto: Monero testa rally elevado como majors puxe para trás GumboTrader em porque eu comecei cortado kRYPKEEP em meu instável Viagem CFD: Ainda em lucros Por que eu estou otimista em Stellar Lumens.
Postagens recentes.
Cryptocurrency Market Entra na Fase Corretiva como Majors Recuam das Mais Recentes Maiores 22 de fevereiro de 2018 Ethereum: Criando uma Lide na Maratona 22 de fevereiro de 2018 Bilhões em Financiamento Fluindo nas Empresas Canadenses de Cannabis 22 de fevereiro de 2018 Análise Diária: A Bomba e Descarga Post-Fed Usual … 22 de fevereiro de 2018 Análise técnica: Altcoins lideram os mercados com queda de Bitcoin 21 de fevereiro de 2018 Pré-mercado: todos os olhos voltados para o FED e o dólar (novamente) 21 de fevereiro de 2018 Recomendação do setor: Rede de pedidos 21 de fevereiro de 2018 Recomendação: Power Ledger 21 de fevereiro de 2018 Recomendação de Comércio: Litecoin 21 de fevereiro de 2018 Atualização de Criptografia: Monero testa o rally de alta como Majors Pull Back 21 de fevereiro de 2018.
Uma parte do CCN.
Hacked é Neutro e Imparcial.
Hacked e seus membros da equipe se comprometeram a rejeitar qualquer forma de propaganda ou patrocínios de terceiros. Sempre seremos neutros e nos esforçaremos para uma visão totalmente imparcial de todos os tópicos. Sempre que um autor tem um interesse conflitante, isso deve ser claramente indicado na postagem com um aviso de isenção de responsabilidade. Se você suspeitar que um dos membros da nossa equipe é tendencioso, por favor, avise-me imediatamente em jonas. borchgrevink (at) hackeado.
Os preços do Litecoin podem ser desvalorizados à frente do lançamento do LitePay.