Probabilidade Estatística De Rentabilidade Do Comerciante De Forex

MetaTrader 5 - Integração O Papel das Distribuições Estatísticas nas Tradições do Trabalho As regularidades tornam nossa vida mais fácil, mas é tão importante beneficiar-se da aleatoriedade. Introdução Este artigo é uma continuação lógica do meu artigo Distribuições de Probabilidade Estatística em MQL5 que estabeleceu as classes para trabalhar com algumas distribuições estatísticas teóricas. Achei necessário primeiro estabelecer a base na forma de classes de distribuição, a fim de torná-lo mais conveniente para um usuário utilizá-los posteriormente na prática. Agora que temos uma base teórica, sugiro que devamos proceder diretamente a conjuntos de dados reais e tentar fazer algum uso informacional dessa base. Ao mesmo tempo, vamos lançar luz sobre algumas questões relacionadas com a estatística matemática. 1. Geração de números aleatórios com uma dada distribuição Mas antes de considerar conjuntos de dados reais, parece muito importante ser capaz de obter algum conjunto de valores que estariam estreitamente relacionados com uma distribuição teórica desejada. Em outras palavras, um usuário deve apenas definir parâmetros da distribuição desejada e tamanho da amostra. Um programa (no nosso caso, uma hierarquia de classes) deve gerar e produzir tal amostra de valores para trabalhos futuros. Outro detalhe significativo é que amostras geradas por uma lei específica são usadas para verificar vários testes estatísticos. A área de estatística matemática - geração de variáveis ​​aleatórias com leis de distribuição diferentes - é bastante interessante e desafiadora. Para meus propósitos, usei um gerador de alta qualidade descrito no livro Recetas Numéricas: A Arte da Computação Científica 2. Seu período é aproximadamente igual a 3.13810 57. O código C foi facilmente transferido para o MQL5. E assim eu criei a classe Random, da seguinte forma: Agora podemos criar classes para valores amostrados de uma distribuição. Como exemplo, vamos dar uma olhada em uma variável aleatória da distribuição normal. A classe CNormaldev é, da seguinte forma: Como pode ser visto, a classe tem um membro de dados N do tipo CNormaldist. O código C original não tinha essa conexão com a distribuição. Considerava necessário que uma variável aleatória gerada pela classe (aqui, pela classe CNormaldev) tivesse uma conexão lógica e programática com sua distribuição. Na versão original, o tipo Normaldev foi definido, da seguinte forma: Números aleatórios são gerados aqui a partir da distribuição normal usando Levas razão do método uniformes. Todas as outras classes que auxiliam no cálculo de variáveis ​​aleatórias de várias distribuições, estão situadas no arquivo include Randomclass. mqh. Vamos agora terminar com a geração e ver, na parte prática do artigo, como criar uma matriz de valores e testar uma amostra. 2. Estimativa de Parâmetros de Distribuição, Hipóteses Estatísticas É claro que vamos olhar para variáveis ​​discretas. Na prática, contudo, se o número de variáveis ​​discretas é significativo, é mais conveniente considerar o conjunto de tais variáveis ​​discretas como um grupo de variáveis ​​contínuas. Esta é uma abordagem padrão em estatística matemática. Portanto, para sua análise podemos usar distribuições definidas por fórmulas analíticas que estão relacionadas a variáveis ​​contínuas. Então, vamos chegar à análise da distribuição empírica. Assume-se que uma amostra de uma população geral cujos membros cumprem o critério de representatividade está em estudo. Além disso, os requisitos para as estimativas especificadas na Seção 8.3 9 são atendidos. Os parâmetros de distribuição numérica podem ser encontrados por meio de métodos de estimativa de pontos e intervalos. 2.1 Manuseio de amostras usando a classe CExpStatistics Um deve primeiro excluir os chamados outliers da amostra, estas são observações que desviam-se marcadamente das observações da maior parte da amostra (tanto para cima como para baixo). Não há nenhum método universal para excluir os outliers. Sugiro usar o descrito por S. V. Bulashev na secção 6.3 5. No fórum MQL4, foi criada uma biblioteca de funções estatísticas com base na qual o problema pode ser facilmente resolvido. Dito isto, vamos certamente aplicar OOP e atualizá-lo um pouco. Eu chamei a classe criada de estimativas de características estatísticas CExpStatistics (Classe de estatísticas esperadas). É aproximadamente, como segue: A execução de cada método pode ser estudada detalhadamente no incluir o arquivo de ExpStatisticsclass. mqh assim que eu o deixarei para fora aqui. A coisa importante que essa classe faz é retornar a matriz livre de outliers (Parr), se houver. Além disso, ajuda a obter algumas estatísticas descritivas de amostragem e suas estimativas. 2.2 Criando um histograma de amostra processada Agora que a matriz está livre de outliers, um histograma (distribuição de freqüência) pode ser desenhado com base em seus dados. Ela nos ajudará a estimar visualmente a lei de distribuição aleatória de variáveis. Há um procedimento passo-a-passo para criar um histograma. Primeiro, deve-se calcular o número de classes necessárias. Neste contexto, o termo classe significa agrupamento, intervalo. O número de classes é calculado pela fórmula de Sturges: Onde k é o número de classes, n é o número de observações. Em MQL5 a fórmula pode ser representada, da seguinte forma: Quando o número necessário de classes (intervalos) foi recebido usando a fórmula Sturges, é hora de dividir os dados de matriz em classes. Tais dados são chamados observações (observação de sing.). A função assume a matriz de observações iniciais (dados), seu comprimento (n), número de classes (k) e aloca as observações a um determinado fi Classe do vetor f, onde bi é o ponto médio da classe fi. Os dados do histograma estão agora prontos. Vamos exibir o histograma usando as ferramentas descritas no artigo mencionado anteriormente. Para isso, eu escrevi a função histogramSave que exibirá o histograma para a série em estudo em HTML. A função leva em 2 parâmetros: matriz de classes (f) e matriz de pontos médios de classe (b). Como exemplo, eu construí um histograma para diferenças absolutas entre máximos e mínimos de 500 barras do par EURUSD no período de quatro horas em pontos usando o script volatilityTest. mq5. Figura 1. Histograma de dados (volatilidade absoluta do EUR / USD H4) Como mostrado no histograma (Figura 1), a primeira classe tem 146 observações, a segunda classe tem 176 observações, etc. A função do histograma é dar um visual Idéia da distribuição empírica da amostra em estudo. Figura 2. Histograma de dados (retornos padronizados do EURUSD H4) O outro histograma (Fig.2) exibe retornos logarítmicos padronizados de 500 barras do par EURUSD no cronograma H4. Como você pode notar, a quarta e quinta classes são as mais impressionantes como eles têm 244 e 124 observações, respectivamente. Esse histograma foi construído usando o script returnsTest. mq5. Assim, o histograma nos permite escolher a lei de distribuição cujos parâmetros serão mais estimados. Onde não é visualmente óbvio qual distribuição preferir, você pode estimar parâmetros de várias distribuições teóricas. Ambas as distribuições que consideramos não se assemelham as normais na aparência, especialmente a primeira. No entanto, não vamos confiar na representação visual e proceder a figuras. 2.3 Hipótese da Normalidade É costume primeiro resolver e testar a suposição (hipótese) de se a distribuição em questão é normal. Tal hipótese é chamada de hipótese principal. Um dos métodos mais populares para testar a normalidade de uma amostra é o teste de Jarque-Bera. Seu algoritmo, embora não mais complexo, é bastante volumoso devido à aproximação. Existem algumas versões do algoritmo em C e outras linguagens. Uma das versões mais bem sucedidas e comprovadas é uma versão situada em uma biblioteca de análise numérica multi-plataforma ALGLIB. Seu autor S. Bochkanov fez um trabalho enorme, particularmente na compilação da tabela de quantile de teste. Eu apenas a atualizei ligeiramente para as necessidades do MQL5. A função principal jarqueberatest é, da seguinte forma: Trata a amostra de dados inicial (x) e retorna o valor. Isto é, um valor que caracteriza a probabilidade de rejeitar uma hipótese nula se a hipótese nula for na verdade verdadeira. Existem 2 funções auxiliares no corpo da função. A primeira função - jarqueberajarqueberastatistic - calcula a estatística de Jarque-Bera. E o segundo - jarqueberajarqueberaapprox - calcula o valor de p. Note-se que este último, por sua vez, coloca em ação funções auxiliares relacionadas à aproximação, que são quase 30 no algoritmo. Então vamos tentar testar nossas amostras para a normalidade. Usaremos o script returnsTest. mq5 que tratará a amostra de retornos padronizados do EUR / USD H4. Como esperado, o teste mostrou que a probabilidade de rejeitar uma verdadeira hipótese nula é 0,0000. Por outras palavras, a distribuição desta amostra não pertence à família das distribuições normais. Para tratar a amostra de volatilidade absoluta do par EURUSD, execute o script volatilityTest. mq5. O resultado será semelhante - a distribuição não é normal. 3. Adaptação da distribuição Existem alguns métodos na estatística matemática que permitem comparar a distribuição empírica com a distribuição normal. O maior problema é que os parâmetros normais de distribuição não são conhecidos por nós e há uma suposição de que os dados em estudo não refletem a normalidade de uma distribuição. Portanto, temos que usar testes não paramétricos e preencher os parâmetros desconhecidos com as estimativas obtidas a partir da distribuição empírica. 3.1 Estimativa e Teste Um dos mais populares e, o que é mais importante, testes adequados nesta situação é 2 teste. É baseado na medida de Pearsons bondade de ajuste. Vamos realizar o teste usando a função chsone: Como pode ser visto na listagem, uma instância da classe CGamma é usada representando a função gama incompleta que está incluída no arquivo Distributionclass. mqh, bem como todas as distribuições mencionadas. Também deve ser observado que a matriz de freqüências esperadas (ebins) será obtida usando as funções estimationDistribution e expFrequency. Agora precisamos selecionar os parâmetros numéricos que estão incluídos na fórmula analítica para a distribuição teórica. O número de parâmetros depende da distribuição específica. Por exemplo, existem dois parâmetros na distribuição normal, e um parâmetro na distribuição exponencial, etc. Ao determinar os parâmetros de distribuição usamos usualmente tais métodos de estimativa de pontos como o método de momentos, o método de quantil e o método de máxima verossimilhança. A primeira é mais simples, uma vez que implica que as estimativas de amostragem (expectativa, variância, asimetria, etc.) devem coincidir com as estimativas gerais. Vamos tentar selecionar uma distribuição teórica para nossa amostra usando um exemplo. Vamos tomar uma série de retornos padronizados do EUR / USD H4 para os quais já desenhamos um histograma. A primeira impressão é que a distribuição normal não é apropriada para a série à medida que o coeficiente de excesso de curtose é observado. Como comparação, vamos tentar aplicar outra distribuição. Assim, ao iniciar o já conhecido script returnsTest. mq5, vamos tentar selecionar essa distribuição como Hypersec. Além disso, o script estimará e produzirá os parâmetros de distribuição selecionados usando a função estimateDistribution e executará imediatamente o teste 2. Os parâmetros de distribuição selecionados mostraram-se como se segue: Distribuição hiperbólica Secante: X e os resultados do teste foram, como se segue: Estatística Qui-quadrado: 1,89 probabilidade de rejeição de uma hipótese nula verdadeira: 0,8648 Note-se que a distribuição selecionada É um ajuste bom porque o valor da estatística 2 é completamente pequeno. Além disso, usando a função histogramaSaveE, um duplo histograma para as taxas de freqüência observadas e esperadas (taxa de freqüência é uma freqüência expressa em fração ou porcentagem) de retornos padronizados será desenhado (Figura 3). Você pode ver que as barras quase duplicam-se. Esta é uma prova da montagem bem sucedida. Figura 3. Histograma das taxas de freqüência observadas e esperadas (retornos padronizados do EUR / USD H4) Vamos realizar um procedimento similar para os dados de volatilidade usando o já conhecido teste de volatilidade. mq5. Figura 4. Histograma das taxas de frequência observadas e esperadas (volatilidade absoluta do EUR / USD H4) Eu selecionei a distribuição lognormal Lognormal para testes. Como resultado, a seguinte estimativa dos parâmetros foi recebida: Distribuição lognormal: X e os resultados do teste foram, como segue: Estatística Qui-quadrado: 6.17 probabilidade de rejeitar uma hipótese nula verdadeira: 0.4040 A distribuição teórica para esta distribuição empírica também foi Selecionados com bastante sucesso. Assim, pode-se considerar que a hipótese nula não pode ser rejeitada (no nível de confiança padrão p0,05). Pode-se ver na Fig. 4 que as barras das relações de frequência esperadas e observadas também são muito semelhantes. Deixe-me lembrar que temos outra possibilidade de gerar uma amostra de variáveis ​​aleatórias de uma distribuição com parâmetros definidos. Para usar uma hierarquia de classes relacionadas a tal operação, escrevi o script randomTest. mq5. No início, precisamos inserir os parâmetros como mostrado na Fig. 5. Figura 5. Parâmetros de entrada do script randomTest. mq5 Aqui você pode selecionar o tipo de distribuição (Distribution Type), o número de variáveis ​​aleatórias em uma amostra (Sample Size), a opção de economia de amostra (Write sample data), o Nu (Para a distribuição Student t), os parâmetros Mu e Sigma. Se você definir para Write sample data o valor true. O script irá salvar a amostra de variáveis ​​aleatórias com os parâmetros personalizados para o arquivo Randoms. csv. Caso contrário, ele irá ler os dados de amostra deste arquivo e, em seguida, executar testes estatísticos. Para algumas distribuições com falta de parâmetros Mu e Sigma, Ive forneceu uma tabela de correlação de parâmetros para os campos na janela de início do script. Primeiro parâmetro de distribuição Por exemplo, se a distribuição de Poisson for selecionada, o parâmetro lambda será inserido através do campo Mu, etc. O script não estima os parâmetros de distribuição t de Student porque, na maioria absoluta dos casos, ele é usado apenas em alguns Procedimentos estatísticos: estimativa pontual, construção de intervalos de confiança e teste de hipóteses que dizem respeito à média desconhecida de uma amostra estatística da distribuição normal. Como exemplo, eu executei o script para a distribuição normal com os parâmetros X Nor (3.50, 2.77) onde Write sample data true. O script primeiro gerou um exemplo. Na segunda execução em Write sample data false. Um histograma foi desenhado como mostrado na Fig. 6. Figura 6. A amostra de variáveis ​​aleatórias X A informação restante apresentada na janela Terminal é a seguinte: Teste de Jarque-Bera: O teste de Jarque-Bera: probabilidade de rejeitar uma hipótese nula verdadeira é 0.9381 Estimativa de parâmetros: Distribuição normal: X Nor (3.58, 2.94) Resultados do teste do Qui-quadrado: Estatística do Qui-quadrado: 0.38 probabilidade de rejeitar uma hipótese nula verdadeira: 0.9843. E finalmente, outro histograma duplo das razões de freqüência observada e esperada para a amostra foi exibido (Figura 7). Figura 7. Histograma das taxas de freqüência observadas e esperadas para X Em geral, a geração da distribuição especificada foi bem sucedida. Eu também escrevi o script fitAll. mq5 que funciona de forma semelhante ao script randomTest. mq5. A única diferença é que o primeiro tem a função fitDistributions. Eu definir a seguinte tarefa: para caber todas as distribuições disponíveis para uma amostra de variáveis ​​aleatórias e realizar um teste estatístico. Nem sempre é possível ajustar uma distribuição a uma amostra devido ao desfasamento de parâmetro que conduz ao aparecimento de linhas no Terminal informando que a estimativa não é possível, e. A distribuição Beta não pode ser estimada. Além disso, eu decidi que este script deve visualizar os resultados estatísticos na forma de um pequeno relatório HTML um exemplo do qual pode ser encontrado no artigo Gráficos e Diagramas em HTML (Fig. 8). Figura 8. Relato estatístico sobre estimativa de amostra Um histograma padrão da amostra é exibido no trimestre superior esquerdo, o trimestre superior direito representa as estatísticas descritivas eo resultado do teste Jarque-Bera, onde o valor da variável Processada igual a 1 significa que os valores atípicos foram excluídos Enquanto que um valor de 0 significa que não houve outliers. Os valores P do teste 2 para cada distribuição selecionada são exibidos no trimestre inferior esquerdo. Aqui, a distribuição normal revelou-se a melhor em termos de adaptação (p0.9926). Portanto, um histograma das razões de freqüência observada e esperada foi desenhado para ele no quarto inferior direito. Ainda não existem tantas distribuições na minha galeria. Mas este script vai lhe poupar muito tempo se houver um grande número de distribuições. Agora que sabemos exatamente os parâmetros de distribuição das amostras em estudo, podemos prosseguir com o raciocínio probabilístico. 3.2 Probabilidades de valores variáveis ​​aleatórios No artigo sobre distribuições teóricas, dei o script continuousDistribution. mq5 como um exemplo. Usá-lo, vamos tentar exibir qualquer lei de distribuição com parâmetros conhecidos que podem ser de interesse para nós. Assim, para os dados de volatilidade entraremos nos parâmetros de distribuição lognormal obtidos anteriormente (Mu6.09, Sigma0.53), selecionar o tipo de distribuição Lognormal eo modo cdf (Fig.9). Figura 9. Parâmetros de distribuição lognormal X O script exibirá a função de distribuição para o nosso exemplo. Ele aparecerá como mostrado na Fig. 10. Figura 10. Função de distribuição para X Podemos ver no gráfico que o cursor é apontado em um ponto cujas coordenadas são aproximadamente 6650.78. Isso significa que existe uma probabilidade 78 de que a volatilidade do EUR / USD H4 não exceda 665 pontos. Essas informações podem revelar-se muito úteis para um desenvolvedor de um Expert Advisor. Pode-se certamente tomar outros valores na curva movendo o cursor. Vamos supor que estamos interessados ​​na probabilidade do evento quando o valor de volatilidade estará no intervalo entre 500 e 750 pontos. Para isso, é necessário executar a seguinte operação: cdf (750) - cdf (500) 0,84 - 0,59 0,25. Assim, num quarto de eventos a volatilidade do par flutua no intervalo entre 500 e 750 pontos. Vamos executar o script com os mesmos parâmetros de distribuição, mais uma vez só selecionando sf como um modo de lei de distribuição. A função de fiabilidade (sobrevivência) será mostrada, como se segue (Fig.11). Figura 11. A função de sobrevivência para X O ponto marcado no gráfico de curva pode ser interpretado como segue: podemos esperar com probabilidade quase 75 que a volatilidade do par será de 310 pontos. Quanto menor for a curva, menor será a probabilidade de aumento da volatilidade. Assim, a volatilidade de mais de 1000 pontos pode já ser considerada um evento raro, uma vez que a probabilidade da sua ocorrência é inferior a 5. Curvas de distribuição semelhantes podem ser construídas para a amostra de retornos padronizados, bem como para outras amostras. Suponho que a metodologia seja geralmente clara. Conclusão Deve-se notar que as derivações analíticas propostas não são inteiramente bem sucedidas como séries tendem a variar. Embora, por exemplo, não se refira a séries de retornos logarítmicos. No entanto, eu não definir-me uma tarefa de avaliar os métodos neste artigo. Eu sugiro que o leitor interessado comente sobre esta questão. É importante notar a necessidade de considerar o mercado, instrumentos de mercado e especialistas em comércio de perspectiva de probabilidade. Esta é a abordagem que tentei demonstrar. Espero que este assunto desperte o interesse dos leitores e conduza a uma discussão construtiva. Localização de arquivos: Quais são as chances de marcar um comércio vencedor Aqui é onde nos deparamos com problemas. Vamos dizer que acabamos de fazer cinco negócios lucrativos em uma fileira. De acordo com nossa tabela, que está nos dando a probabilidade de estar certo (ou errado) cinco vezes seguidas com base em uma chance de 50, já superamos algumas probabilidades sérias. As chances de obter o sexto comércio rentável parece extremamente remoto, mas na verdade isso não é o caso. Nossas chances de sucesso ainda são 50 Pessoas perdem milhares de dólares nos mercados (e nos casinos) por não perceber isso. A razão é que as probabilidades de nossa tabela são baseadas em eventos futuros incertos ea probabilidade de que eles ocorrerão. Uma vez que nós terminamos uma corrida de cinco comércios bem sucedidos, aqueles comércios não são mais incertos. Nosso próximo comércio começa uma nova corrida potencial, e depois que os resultados são para cada comércio, começamos de volta no topo da tabela, cada vez. Isso significa que cada comércio tem uma chance de 50 de trabalhar fora. A razão é tão importante é que muitas vezes, quando os comerciantes entrar no mercado, eles confundem uma série de lucros ou perdas como habilidade ou falta de habilidade. Isto simplesmente não é verdade. Se um comerciante a curto prazo faz vários negócios ou um investidor faz apenas alguns negócios por ano, precisamos analisar os resultados de seus comércios de uma maneira diferente de entender se eles são simplesmente sorte ou habilidade real está envolvido. As estatísticas aplicam-se a todas as linhas de tempo, e é isso que devemos lembrar. Resultados de Longo Prazo O exemplo acima deu um exemplo de comércio de curto prazo com base em 50 chances de estar certo ou errado. Mas isso se aplica a longo prazo Muito mesmo. A razão é que mesmo que um comerciante só pode assumir posições de longo prazo, ele ou ela estará fazendo menos negócios. Assim, levará mais tempo para obter dados de negociações suficientes para ver se a sorte simples está envolvida ou se foi habilidade. Um comerciante de curto prazo pode fazer 30 negócios por semana e mostrar um lucro todos os meses durante dois anos. Tem este comerciante superar as probabilidades com habilidade real Parece assim, como as chances de ter uma corrida de 24 meses rentáveis ​​é extremamente raro, a menos que as chances mudaram mais em seu favor de alguma forma. Agora, o que dizer de um investidor de longo prazo que tenha feito três comércios ao longo dos últimos dois anos que foram rentáveis ​​É este comerciante exibindo habilidade Não necessariamente. Atualmente, este comerciante tem uma corrida de três indo, e que não é difícil de realizar, mesmo a partir de resultados totalmente aleatórios. A lição aqui é que a habilidade não é apenas refletida no curto prazo (se é um dia ou um ano, ele será diferente por estratégia de negociação), também será refletida no longo prazo. Precisamos de dados comerciais suficientes para determinar com precisão se uma estratégia é suficientemente significativa para superar as probabilidades aleatórias. E mesmo com isso, enfrentamos outro desafio: enquanto cada comércio é um evento, assim é um mês e ano em que os comércios foram colocados. Um comerciante que colocou 30 comércios por semana superou as probabilidades diárias e as probabilidades mensais para um bom número de períodos. Idealmente, provar a estratégia ao longo de mais alguns anos apagaria toda a dúvida de que a sorte estava envolvida devido a uma certa condição de mercado. Para o nosso trader de longo prazo fazer comércios que duram mais de um ano, vai demorar vários anos para provar que sua estratégia é rentável durante este período de tempo mais longo e em todas as condições de mercado. Quando consideramos todos os prazos e todas as condições do mercado, começamos realmente a ver como ser lucrativos em todos os períodos de tempo e como mover as probabilidades mais do nosso lado, alcançando mais do que uma chance aleatória de estar certo. Vale a pena notar que se os lucros são maiores do que as perdas, um comerciante pode estar certo menos de 50 do tempo e ainda fazer um lucro. Como os comerciantes rentáveis ​​ganham dinheiro Então, obviamente as pessoas ganham dinheiro nos mercados, e não é apenas porque eles tiveram uma boa corrida. Como obtemos as probabilidades em nosso favor Os resultados rentáveis ​​vêm de dois conceitos. O primeiro é baseado no que foi discutido acima - ser rentável em todos os prazos ou, pelo menos, ganhar mais em determinados períodos do que é perdido em outros. O segundo conceito é o fato de que as tendências existem nos mercados, e isso não faz mais os mercados um jogo 50/50 como em nosso exemplo de lance de moedas. Os preços conservados em estoque tendem a funcionar em uma determinada direção durante períodos de tempo, e fizeram-no repetidamente sobre a história do mercado. Para aqueles de vocês que entendem estatísticas, isso prova que corre (tendências) em ações ocorrem. Assim, terminamos com uma curva de probabilidade que não é normal (lembre-se que a curva de sino de seus professores sempre falou), mas é enviesada e comumente referido como uma curva com uma cauda de gordura (veja o gráfico abaixo). Isso significa que os comerciantes podem ser rentáveis ​​em uma base consistente, se eles usam tendências, mesmo que seja em um período de tempo extremamente curto. A linha de fundo Se as tendências existem, e não podemos mais ter uma amostragem aleatória de dados (comércios) porque um preconceito nesses comércios provavelmente irá refletir uma tendência, porque é o exemplo de 50 chance acima útil A razão é que as lições são ainda válidas . Um comerciante não deve aumentar seu tamanho de posição ou assumir mais risco (em relação ao tamanho da posição) simplesmente por causa de uma série de vitórias, o que não deve ser assumido como resultado da habilidade. Isso também significa que um comerciante não deve diminuir o tamanho da posição depois de ter uma corrida longa e rentável. Esta informação deve ser uma boa notícia. Novos comerciantes podem ter consolo no fato de que seu sistema de negociação pesquisado não pode ser defeituoso, mas sim está experimentando uma série aleatória de resultados ruins (ou ainda pode precisar de algum refinamento). Também deve exercer pressão sobre aqueles que têm sido rentáveis ​​para monitorar continuamente suas estratégias para que eles continuem rentáveis. Esta informação também pode ajudar os investidores quando estão analisando fundos mútuos ou hedge funds. Os resultados de negociação são freqüentemente publicados mostrando retornos espetaculares sabendo um pouco mais sobre as estatísticas pode nos ajudar a avaliar se esses retornos são susceptíveis de continuar ou se os retornos só aconteceu de ser um evento aleatório. A taxa de juros em que uma instituição depositária empresta fundos mantidos no Federal Reserve para outra instituição depositária. Uma carteira de títulos de renda fixa nos quais cada título tem uma data de vencimento significativamente diferente. O propósito de. A data de vencimento de vários futuros de índices de ações, opções de ações, opções de ações e futuros de ações individuais. Todas as ações. Um tipo de apólice de seguro onde o segurado paga uma quantidade especificada de despesas de bolso para serviços de saúde tal. Ações governamentais e políticas que restringem ou restringem o comércio internacional, muitas vezes feito com a intenção de proteger locais. Um fiduciário é uma pessoa que age em nome de outra pessoa, ou pessoas para gerenciar assets. The Mito de Lucro / Perda Ratios Ao negociar o mercado cambial ou outros mercados, muitas vezes somos informados de uma estratégia de gestão de dinheiro comum que exige que a média O lucro seja maior que a perda média por negociação. É fácil assumir que esse conselho comum deve ser verdade. No entanto, se olharmos mais profundamente para a relação entre lucro e perda, é claro que as idéias antigas, comumente realizadas, podem precisar ser ajustadas. Tutorial: O guia final para Forex Lucro / Perda Ratio Um lucro / perda rácio refere-se ao tamanho do lucro médio em comparação com o tamanho da perda média por comércio. Por exemplo, se o seu lucro esperado for de 900 e sua perda esperada for de 300 para um determinado negócio, sua relação lucro / perda é 3: 1 - que é 900 dividido por 300. Muitos livros e gurus comerciais defendem uma relação lucro / Pelo menos 2: 1 ou 3: 1, o que significa que para cada 200 ou 300 que você fizer por comércio, sua perda potencial deve ser limitada a 100. (Para leitura relacionada, veja Limitando Perdas.) À primeira vista, a maioria das pessoas concordaria com Recomendação. Afinal, não deve qualquer perda potencial ser mantido tão pequeno quanto possível e qualquer lucro potencial ser tão grande quanto possível A resposta é, nem sempre. Na verdade, este conselho comum pode ser enganador, e pode causar danos à sua conta comercial. O conselho geral de ter uma relação lucro / perda de pelo menos 2: 1 ou 3: 1 por comércio é simplista porque não leva em conta as realidades práticas do mercado cambial (ou de qualquer outro mercado), os indivíduos que negociam Estilo eo fator de rentabilidade média por profissão (APPT) dos indivíduos, que também é referido como expectativa estatística. A Importância da Rentabilidade Média por Comércio A rentabilidade média por negócio (APPT) basicamente refere-se ao valor médio que você pode esperar para ganhar ou perder por comércio. A maioria das pessoas está tão concentrada em equilibrar seus índices de lucro / perda ou na precisão de sua abordagem de negociação que eles não sabem que existe uma imagem maior: Seu desempenho de negociação depende em grande parte do seu APPT. Esta é a fórmula para a rentabilidade média por comércio: Rendibilidade média por comércio (probabilidade de vitória x vitória média) - (Probabilidade de perda x perda média) Vamos explorar o APPT dos seguintes cenários hipotéticos: Cenário A: Vamos dizer que de 10 Comércios você coloca, você lucro em três deles e você percebe uma perda em sete. Sua probabilidade de uma vitória é por isso 30, ou 0,3, enquanto a sua probabilidade de perda é de 70, ou 0,7. Sua média de ganhar o comércio faz 600 e sua perda média é de 300. Neste cenário, o APPT é: Como você pode ver, o APPT é um número negativo, o que significa que para cada comércio que você colocar, você é susceptível de perder 30. Thats Uma proposição perdedora Mesmo que a relação lucro / perda seja de 2: 1, essa abordagem de negociação produz negociações vencedoras apenas 30 do tempo, o que anula o suposto benefício de ter uma relação lucro / perda de 2: 1. Cenário B: Agora vamos explorar o APPT de uma abordagem de negociação que tem uma taxa de lucro / perda de 1: 3, mas tem mais comércios vencedores do que os perdedores. (Para leitura relacionada, veja a importância de um plano de lucro / perda. Vamos dizer que fora dos 10 negócios que você coloca, você faz lucro em oito deles, e você percebe uma perda em dois comércios. Aqui está o APPT: Neste caso, mesmo que esta abordagem de negociação tem uma taxa de lucro / perda de 1: 3, o APPT é positivo, o que significa que você pode ser rentável ao longo do tempo. Muitas maneiras de tornar-se rentável Ao negociar o mercado forex, não há one-size-fits-all gestão de dinheiro ou negociação abordagem. O conselho tradicional, como certificar-se de que seu lucro é mais do que sua perda por comércio absoluto, não tem muito valor substancial no mundo comercial real a menos que você tenha uma alta probabilidade de realizar um comércio vencedor. O que importa é que o seu APPT vem positivo e que seus lucros globais são mais do que suas perdas globais. Para obter mais dicas de gestão de dinheiro forex, consulte Money Management Matters. A taxa de juros em que uma instituição depositária empresta fundos mantidos no Federal Reserve para outra instituição depositária. Uma carteira de títulos de renda fixa nos quais cada título tem uma data de vencimento significativamente diferente. O propósito de. A data de vencimento de vários futuros de índices de ações, opções de ações, opções de ações e futuros de ações individuais. Todas as ações. Um tipo de apólice de seguro onde o segurado paga uma quantidade especificada de despesas de bolso para serviços de saúde tal. Ações governamentais e políticas que restringem ou restringem o comércio internacional, muitas vezes feito com a intenção de proteger locais. Um fiduciário é uma pessoa que age em nome de outra pessoa, ou pessoas para gerir activos.