Forex Data Mining Software

Einführung in FX Data Mining Lets machen eine einfache und schnelle Einführung in eines der interessantesten Felder heute - Data Mining. Es gibt eine breite Palette von Data Mining Anwendungen. Wir sollten Data Mining in unseren FX-Handel integrieren. FX, FOREX oder der Devisen-FX ist der größte Markt in Bezug auf täglich gehandeltes Volumen. Es hat drei Hauptstufen der Teilnehmer: die großen Jungs, die Zwischenebene und einfache Händler wie du und ich. Es hat eine spekulative Natur, was die meiste Zeit bedeutet, dass wir keine Waren austauschen. Wir kümmern uns nur um den Unterschied und wollen niedrig kaufen und hoch verkaufen oder hoch verkaufen und niedrig kaufen. Durch kurze oder lange Operationen können wir Pips gewinnen. Je nach Handelsvolumen kann der Pip-Wert von einem Cent bis zu 10 und mehr reichen. Dies ist der wichtigste Weg, um Geld auf dem Devisenmarkt zu machen (neben Carry Trade, Brokering, Arbitrage und mehr). Beachten Sie, dass der FX-Markt riesig ist, aber für alle Spieler geeignet ist. Denken Sie an den Devisenmarkt als unendlichen Supermarkt mit unendlich vielen Produkten und Kunden, aber es hat auch unendlich viele Kassierer. Das bedeutet, dass es für alle gleich viele Möglichkeiten gibt. Data Mining und Machine Learning Data Mining ist ein reifes Unterfeld der Informatik. Es geht um eine Menge von Daten und nicht triviale Extraktion von nutzbarem Wissen aus massiven Datenmengen. Seine durch intelligente Datenverarbeitung mit Machine Learning Algorithmen durchgeführt. Data Mining ist nicht nur CRUD (Erstellen, Lesen, Aktualisieren und Löschen). Wir haben mehrere Data Mining Methoden. Hiermit die Methoden und einige Anwendungen. Klassifizierung - Klassifizierung von E-Mail als Spam, Klassifizierung einer Transaktion als Betrug. Verein - YouTube schlägt uns neue Videos vor, die auf unserer Geschichte basieren. Amazon schlägt uns mehr Einzelteile während der Prüfung vor. Clustering - Analyse von unstrukturierten Daten wie Wirtschaftsnachrichten und Meinungen, um gemeinsame Gruppen zu finden. Process Mining - untersucht Logs von Call Operators, um ineffiziente Operationen zu finden. Text Mining - Mining News oder technische Analyse für Mustererkennung. Algorithmic Trading ist eine automatisierte Ausführung eines Trading-Algorithmus. In unserem Fall kommt der Handelsalgorithmus aus dem Bergbau. Der automatisierte Handel wird von einem König der Programmiersprache durchgeführt. Geschwindigkeit und Robustheit sind hier wichtige Punkte: Der menschliche Trader kann das Computerprogramm nicht über diese Attribute schlagen. Es könnte HFT (High Frequency Trading) und Low-Level-Programmierung (wie C) oder langfristige Handel und High-Level-Programmierung (wie Java). Mix Algorithmic Trading mit Data Mining Mischen Data Mining in Algorithmic Trading ist wichtig. Das Wichtigste sind Daten. Ein einfaches Prinzip besagt, dass, wenn Ihre Daten nicht gut genug sind, Ihre Modelle nicht gut genug sind (GIGO). Es geht darum, ein Modell zu erstellen, umzusetzen und es zu testen (wie immer). Derzeit ist dieser Fluss meist manuell. Data Mining Software Es gibt viele Open Source Software Optionen im Bereich Data Mining. WEKA ist ein Data Mining Framework, das in der Universität von Waikato, Hamilton, Neuseeland entstand. WEKA ist in Java geschrieben und hat eine tolle API. Auch haben Sie Implementierungen für die meisten der bekannten Machine Learning Algorithmen. Mischung von guten Werkzeugen ist entscheidend. Es gibt zu viele mögliche Handelsmodelle. Tossing eine Münze ist ein dummes Handelssystem, aber es ist ein Handelssystem. Wir brauchen Data Mining, um das Gold zu finden. Gute Werkzeuge sind einfach, so viel Glück mit dem Bergbau zu bekommen. Wenn Sie nach weiteren Informationen über den wissenschaftlichen FX-Handel suchen, erforscht der nächste Schritt Data Mining-Tools und historische Daten. Besuchen Sie algonell für weitere Details. Sie finden uns auf Twitter. Facebook. Google. LinkedIn und WordPress. Backtesting Data Mining Backtesting Data Mining In diesem Artikel finden Sie einen Blick auf zwei verwandte Praktiken, die weit verbreitet von Händlern namens Backtesting und Data Mining verwendet werden. Dies sind Techniken, die mächtig und wertvoll sind, wenn wir sie richtig verwenden, aber Händler oft missbrauchen sie. Also auch gut erforschen zwei gemeinsame Fallstricke dieser Techniken, bekannt als die multiple Hypothese Problem und Überfüllung und wie diese Fallstricke zu überwinden. Backtesting ist nur der Prozess der Verwendung von historischen Daten, um die Leistung einer bestimmten Handelsstrategie zu testen. Backtesting beginnt in der Regel mit einer Strategie, die wir gerne testen möchten, zum Beispiel beim Kauf von GBPUSD, wenn es über den 20-Tage gleitenden Durchschnitt geht und verkauft, wenn es unter diesem Durchschnitt kreuzt. Jetzt können wir diese Strategie testen, indem wir beobachten, was der Markt vorwärts geht, aber das würde lange dauern. Aus diesem Grund verwenden wir bereits vorhandene historische Daten. Aber warten Sie, warten Sie hören Sie sagen. Könnten Sie nicht betrügen oder zumindest voreingenommen sein, weil Sie bereits wissen, was in der Vergangenheit passiert ist Das ist definitiv ein Anliegen, so dass ein gültiger Backtest eine sein wird, in der wir mit den historischen Daten vertraut sind. Wir können dies erreichen, indem wir zufällige Zeiträume wählen oder indem wir viele verschiedene Zeiträume auswählen, in denen der Test durchgeführt werden soll. Jetzt kann ich eine andere Gruppe von Ihnen sagen, aber alle, die historische Daten nur sitzen dort warten, um analysiert werden ist verlockend ist es nicht Vielleicht gibt es tiefgehende Geheimnisse in dieser Daten nur auf Geeks wie wir zu entdecken, es zu entdecken. Wäre es so falsch für uns, diese historischen Daten zuerst zu untersuchen, um sie zu analysieren und zu sehen, ob wir in ihr verborgene Muster finden können. Dieses Argument ist auch gültig, aber es führt uns in eine gefährdete Gefahr. Die Welt des Data Mining Data Mining beinhaltet das Durchsuchen von Daten, um Muster zu lokalisieren und mögliche Korrelationen zwischen Variablen zu finden. In dem obigen Beispiel, in dem die 20-Tage-Gleitende Mittelstrategie involviert ist, haben wir gerade diesen speziellen Indikator aus dem Blauen herausgeholt, aber wir hätten keine Ahnung, welche Art von Strategie wir das testen wollten, wenn Data Mining praktisch ist. Wir konnten durch unsere historischen Daten auf GBPUSD suchen, um zu sehen, wie sich der Preis verhielt, nachdem er viele verschiedene gleitende Durchschnitte überschritten hatte. Wir könnten die Preisbewegungen auch gegen viele andere Indikatoren überprüfen und sehen, welche mit großen Preisbewegungen übereinstimmen. Das Thema Data Mining kann umstritten sein, denn wie ich oben diskutiert habe, scheint es ein bisschen wie Betrug oder Blick in die Daten. Ist Data Mining eine gültige wissenschaftliche Technik Auf der einen Seite die wissenschaftliche Methode sagt, dass sollten eine Hypothese zuerst und dann testen sie gegen unsere Daten zu machen, aber auf der anderen Seite scheint es angebracht, einige Erkundung der Daten zuerst, um zu tun Eine Hypothese vorschlagen Also, was ist richtig Wir können die Schritte in der wissenschaftlichen Methode für einen Hinweis auf die Quelle der Verwirrung betrachten. Der Prozess sieht im Allgemeinen so aus: Beobachtung (Daten) Hypothese Vorhersage Experiment (Daten) Beachten Sie, dass wir sowohl während der Beobachtungs - als auch der Versuchsstufe mit Daten umgehen können. Also beide Ansichten sind richtig. Wir müssen Daten verwenden, um eine vernünftige Hypothese zu schaffen, aber wir testen auch diese Hypothese unter Verwendung von Daten. Der Trick ist einfach, um sicherzustellen, dass die beiden Sätze von Daten nicht die gleichen Wir müssen nie unsere Hypothese mit dem gleichen Satz von Daten, die wir verwendet haben, um unsere Hypothese vorschlagen. Mit anderen Worten, wenn Sie Data Mining verwenden, um mit Strategie Ideen kommen, stellen Sie sicher, dass Sie einen anderen Satz von Daten verwenden, um diese Ideen zu backtest. Nun gebe nun unsere Aufmerksamkeit auf die wichtigsten Fallstricke der Verwendung von Data Mining und Backtesting falsch. Das allgemeine Problem wird als Überoptimierung bekannt und ich ziehe es vor, dieses Problem in zwei verschiedene Typen zu brechen. Dies sind die mehrfachen Hypothesenprobleme und die Überfüllung. In gewissem Sinne sind sie entgegengesetzte Weisen, den gleichen Fehler zu machen Das multiple Hypothesenproblem beinhaltet die Auswahl vieler einfacher Hypothesen, während die Überfüllung die Schaffung einer sehr komplexen Hypothese beinhaltet. Das Problem der Mehrfachhypothese Um zu sehen, wie dieses Problem auftaucht, gehen wir zurück zu unserem Beispiel, wo wir die 20-Tage-Gleitende Mittelstrategie unterstützt haben. Nehmen wir an, dass wir die Strategie gegen zehn Jahre historische Marktdaten unterstützen und sehen und schätzen, was die Ergebnisse nicht sehr ermutigend sind. Da wir aber grob und stürmisch sind, beschließen wir, nicht so leicht aufzugeben. Was ist mit einem zehntägigen gleitenden Durchschnitt Das könnte ein bisschen besser auskommen, also lasst es uns zurückkehren. Wir führen einen anderen Backtest und wir finden, dass die Ergebnisse noch arent stellar sind, aber sie sind ein bisschen besser als die 20-Tage-Ergebnisse. Wir beschließen, ein wenig zu erkunden und führen ähnliche Tests mit 5-tägigen und 30-Tage gleitenden Durchschnitten. Schließlich kommt es uns vor, dass wir eigentlich jeden einzelnen gleitenden Durchschnitt bis zu einem gewissen Punkt testen und sehen können, wie sie alle durchführen. So testen wir den 2-tägigen, 3-tägigen, 4-tägigen und so weiter, bis hin zum 50-tägigen gleitenden Durchschnitt. Nun werden sicherlich einige dieser Mittelwerte schlecht und andere werden ziemlich gut durchführen, aber es muss einer von ihnen sein, was das Beste ist. Zum Beispiel können wir feststellen, dass sich der 32-Tage-Gleitender Durchschnitt in dieser Zehnjahresperiode als der beste Performer herausstellte. Heißt das, dass es etwas Besonderes an dem 32-Tage-Durchschnitt gibt und dass wir zuversichtlich sein sollten, dass es in der Zukunft gut funktionieren wird. Leider gehen viele Händler davon aus, dass dies der Fall ist, und sie stoppen einfach ihre Analyse an diesem Punkt und denken das Sie haben etwas tiefes entdeckt Sie sind in die Mehrfachhypothese Problemgrube gefallen. Das Problem ist, dass es gar nichts ungewöhnliches oder bedeutsames über die Tatsache gibt, dass sich ein durchschnittlicher Durchschnitt als das Beste herausstellte. Immerhin haben wir fast fünfzig von ihnen gegen die gleichen Daten getestet, also wed erwarten, ein paar gute Performer zu finden, nur zufällig. Es bedeutet nicht theres etwas Besonderes über den bestimmten gleitenden Durchschnitt, der in diesem Fall gewonnen hat. Das Problem entsteht, weil wir mehrere Hypothesen getestet haben, bis wir eine gefunden haben, die gearbeitet hat, anstatt eine einzelne Hypothese zu wählen und zu testen. Heres eine gute klassische Analogie. Wir könnten mit einer einzigen Hypothese kommen, wie Scott ist großartig beim Kippen auf einer Münze. Daraus könnten wir eine Vorhersage schaffen, die besagt, wenn die Hypothese wahr ist, wird Scott in der Lage sein, 10 Köpfe in einer Reihe zu schlagen. Dann können wir ein einfaches Experiment durchführen, um diese Hypothese zu testen. Wenn ich 10 Köpfe in einer Reihe drehen kann, beweist es eigentlich nicht die Hypothese. Allerdings, wenn ich diese Leistung nicht erledigen kann, widerlegt es die Hypothese definitiv. Wie wir wiederholt Experimente durchführen, die die Hypothese nicht widerlegen, dann wächst unser Vertrauen in seine Wahrheit. Das ist der richtige Weg, es zu tun. Allerdings, was, wenn wir mit 1.000 Hypothesen gekommen waren, anstatt nur die eine über mich ein guter Münzen-Flipper Wir könnten die gleiche Hypothese über 1.000 verschiedene Menschen machen. Ich, Ed, Cindy, Bill, Sam, etc. Ok, jetzt können wir unsere vielfältigen Hypothesen testen. Wir bitten alle 1000 Leute, eine Münze zu drehen. Es wird wohl etwa 500 kommen, die die Köpfe kippen. Alle anderen können nach Hause gehen. Jetzt bitten wir die 500 Leute, wieder zu kippen, und diesmal um 250 werden die Köpfe kippen. Auf dem dritten Flip etwa 125 Menschen Flip Köpfe, auf der vierten etwa 63 Menschen sind links, und auf dem fünften Flip gibt es etwa 32. Diese 32 Menschen sind alle ziemlich erstaunlich arent sie Theyve alle drehte fünf Köpfe in einer Reihe Wenn wir fünf Flip Mehrmals und beseitige die Hälfte der Leute jedes Mal im Durchschnitt, werden wir am Ende mit 16, dann 8, dann 4, dann 2 und schließlich eine Person links, die zehn Köpfe in einer Reihe gekippt hat. Sein Bill Bill ist ein fantabulous Flipper von Münzen Oder ist er Nun, wir wissen es wirklich nicht, und das ist der Punkt. Bill kann unseren Wettbewerb aus der reinen Chance gewonnen haben, oder er kann sehr gut der beste Flipper der Köpfe dieser Seite der Andromeda Galaxie sein. Gleichermaßen wissen wir nicht, ob der 32-Tage-Gleitender Durchschnitt aus unserem Beispiel oben in unserem Test durch reine Chance gut gespielt hat oder wenn es wirklich etwas Besonderes gibt. Aber alles, was wir bisher gemacht haben, ist, eine Hypothese zu finden, nämlich dass die 32-Tage-Gleitende Mittelstrategie rentabel ist (oder dass Bill ein großer Münzenflipper ist). Wir haben diese Hypothese noch nicht getestet. So, jetzt, dass wir verstehen, dass wir havent wirklich etwas bedeutendes entdeckt haben, aber über den 32-tägigen gleitenden Durchschnitt oder über Bills Fähigkeit, Münzen zu spiegeln, ist die natürliche Frage zu fragen, was wir als nächstes tun sollten Wie ich oben erwähnt habe, wissen viele Händler nie, dass dort Ist ein nächster Schritt erforderlich. Nun, im Fall von Bill youd fragen Sie wahrscheinlich, Aha, aber kann er drehen zehn Köpfe in einer Reihe wieder Im Falle der 32-Tage gleitenden Durchschnitt, wed wollen, um es erneut zu testen, aber sicherlich nicht gegen die gleiche Daten Probe, die Wir haben diese Hypothese gewählt. Wir würden noch einen Zeitraum von zehn Jahren wählen und sehen, ob die Strategie genauso gut funktioniert hat. Wir konnten dieses Experiment auch so oft durchführen, wie wir es wollten, bis unser Angebot an neuen zehnjährigen Perioden auslief. Wir bezeichnen dies als aus der Probeprüfung, und es ist der Weg, um diese Pitfall zu vermeiden. Es gibt verschiedene Methoden solcher Tests, von denen eine Kreuzvalidierung ist, aber wir werden hier nicht so viel ins Detail kommen. Überfüllung ist wirklich eine Art Umkehrung des oben genannten Problems. In der multiplen Hypothese Beispiel oben, sahen wir viele einfache Hypothesen und wählte die, die am besten in der Vergangenheit. Bei der Überfüllung betrachten wir zuerst die Vergangenheit und konstruieren dann eine einzige komplexe Hypothese, die gut mit dem passiert ist, was passiert ist. Zum Beispiel, wenn ich die USDJPY-Rate in den letzten 10 Tagen betrachte, könnte ich sehen, dass die tägliche Schließung dies tat: up, up, down, up, up, up, down, down, down, up. Haben Sie es sehen Sie das Muster Ja, ich auch nicht wirklich. Aber wenn ich diese Daten verwenden möchte, um eine Hypothese vorzuschlagen, könnte ich mitkommen. Meine erstaunliche Hypothese: Wenn der Schlusskurs zweimal hintereinander steigt, dann für einen Tag, oder wenn es für drei Tage in Folge geht, sollten wir kaufen, aber wenn der Schlusskurs drei Tage in Folge steigt, sollten wir verkaufen , Aber wenn es geht drei Tage in Folge und dann nach drei Tagen in Folge sollten wir kaufen. Huh Klingt wie eine whacky Hypothese rechts Aber wenn wir diese Strategie in den letzten 10 Tagen verwendet hätten, hätten wir bei jedem einzelnen Handel, den wir gemacht haben, richtig gemacht. Der Overfitter nutzt Backtesting und Data Mining anders als die mehrfachen Hypothesenhersteller. Der Overfitter kommt nicht mit 400 verschiedenen Strategien zum Backtest. Keine Möglichkeit Der Overfitter nutzt Data Mining-Tools, um nur eine Strategie herauszufinden, egal wie komplex, das hätte die beste Leistung über die Backtesting-Periode gehabt. Wird es in der Zukunft funktionieren Nicht wahrscheinlich, aber wir konnten immer das Modell anpassen und die Strategie in verschiedenen Samples testen (aus der Probeprüfung nochmal), um zu sehen, ob sich unsere Leistung verbessert. Wenn wir aufhören, Leistungsverbesserungen zu machen und das einzige, was steigt, ist die Komplexität unseres Modells, dann wissen wir, dass wir die Linie in Überfüllung überqueren. Zusammenfassend lässt sich feststellen, dass Data Mining eine Möglichkeit ist, unsere historischen Preisdaten zu nutzen, um eine handlungsfähige Handelsstrategie vorzuschlagen, aber wir müssen uns der Fallstricke der Mehrfachhypothese und der Überfüllung bewusst sein. Der Weg, um sicherzustellen, dass wir nicht fallen Opfer dieser Fallstricke ist es, unsere Strategie mit einem anderen Datensatz als die, die wir während unserer Data-Mining-Exploration verwendet backtest. Wir verweisen hierbei üblicherweise auf die Probenprüfung. Ein Problem mit Data Mining ist, dass Händler dazu neigen, verschiedene Filtertypen zu verwenden, um nach einem Muster zu suchen. Das Problem dabei ist, dass jedes Signal aus den verschiedenen sinusförmigen Signalen zusammengesetzt ist, also bei der Anwendung verschiedener Filter auf ein Signal, das wir sicherlich mit einem Muster am Ende haben. Viele Studien wurden auf Preismuster getan, meist basiert auf Data Mining, die Frage wird die Annahme, dass Zukunft spiegeln die Vergangenheit, die Antwort ist vielleicht. Wir haben eine 5050 Chance. Der Prozentsatz kann durch das Studium dieses Musters auf verschiedene Daten erhöht werden. Wenn wir diesen Prozentsatz sogar erhöhen wollen, müssen wir wissen, was die Ursache dieses Musters ist, indem wir die Ursache dieses Musters kennen, hätten wir eine Kante im Handel. Zum Beispiel werde ich diese Annahme machen, lass es sagen, dass der erste Freitag eines jeden Monats wegen der Nachrichten viele Händler dazu neigen, ihre Trades am Morgen vor den Nachrichten zu verlassen und wieder nach den Nachrichten zu kommen, also gibt es ein Muster des Verkaufs und Kauf zu bestimmten Zeiten. Wir könnten diese Informationen zu unserem Vorteil nutzen, indem wir irgendeine Art von Hedge-Handel anwenden, so dass wir mit beiden kaufen und verkaufen, bevor die Nachrichten. Dann nach den Nachrichten, die wir nur verkaufen, wer will kaufen und didn8217t wollen, um eine Position während der Nachrichten zu halten und wir lassen den Kauf, bis der Preis zurück kommt, könnte dies auf Sägezinssatz angewendet werden, oder ein anderes Setup 8230 bla bla. Das ist nur eine theorie Ich benutze es, um zu sagen, dass Angst und Gier eine Zeit auf dem Markt haben. Also, was schafft die Preismuster sind die Angst und Gier, jetzt, wenn wir das Muster zu isolieren und wissen, die Ursache hinter diesem Muster wie in der vorherigen Beispiel Angst aus der News oder die Abrechnung der Rechnung am Ende des Monats. Sachen wie diese. Dann könnten wir in der Theorie vorhersagen, dass die Zukunft die ersten beiden Post von dieser Seite kopiert werden alle Artikel von Scott Percival sind es wert zu lesen Excellent Thread MiniMe Join uns Download MetaTrader 5 Copyright 2000-2016, MQL5 Ltd. Data Bergbau eine Forex Majors Strategie Wegen Die einzigartigen Eigenschaften der verschiedenen Währungspaare, viele quantitative Forex Strategien sind mit einem bestimmten Währungspaar im Auge entworfen. Während dies viele profitable Handelsstrategien hervorbringen kann, gibt es auch Vorteile für die Entwicklung von Strategien, die über mehrere Währungspaare gehandelt werden können. Dies führt zu einem Element der Diversifizierung, das ein zusätzliches Maß an Nachteilschutz bieten kann. Daniel Fernandez hat vor kurzem ein System veröffentlicht, das er entworfen hat, um auf jedem der vier Forex Majors zu handeln. Sein Ziel war es, ein System zu finden, das eine 20-jährige Erfolgsbilanz des profitablen Handels auf EURUSD, GBPUSD, USDJPY und USDCHF produziert hätte. Daniel nutzt einen Data Mining Ansatz, um eine Strategie für den Handel der vier Forex Majors zu entwickeln. Um sein System zu konstruieren, nutzte Daniel seine Data-Mining-Software, um Ein - und Ausstiegs-Signale zu definieren, die in den letzten 20 Jahren eine profitable Handelsstrategie auf jedem der vier Währungspaare produziert hätten. Was er ankommt, ist eine Kombination aus drei preisbasierten Regeln, die das Fundament seiner Forex Majors Strategie bilden. Daniel8217s Forex Majors Strategie Daniel8217s Forex Majors Strategie ist sehr einfach, dass es immer eine Position, entweder lang oder kurz, in jedem der vier Währungspaare, die es handelt. Es basiert alle seine Trades auf täglichen Charts. Die Strategie geht lang, wenn die folgenden drei Bedingungen erfüllt sind: Die Strategie geht kurz, wenn die folgenden drei Bedingungen erfüllt sind: Wie Sie sehen können, ist die Strategie grundsätzlich ein optimierter Trend nach Strategie. Das macht Sinn, denn Daniel sagt am Anfang seines Artikels, dass der langfristige Trend nach Strategien im Allgemeinen die besten Strategien für den Handel von mehreren Märkten sind. Eine zusätzliche Regel, die Daniel8217s Strategie nutzt, ist ein ATR-basierter Stop-Loss. Der feste Stop-Loss ist auf 180 der 20-Tage-ATR eingestellt. Wenn der Stop-Loss ausgelöst wird, bleibt die Strategie aus dem Markt, bis ein Signal in die entgegengesetzte Richtung erzeugt wird. Testing zeigt an, dass die erneute Eingabe eines Signals in der gleichen Richtung die Leistung negativ beeinflusst hat. Backtesting Performance Die Backtesting-Ergebnisse, die Daniel in seinem Beitrag enthielt, zeigen, dass die Strategie sehr profitabel war. Es erzielte eine Gewinnquote von 45, ein Gewinnfaktor von 1,38 und ein Lohn-Risiko-Verhältnis von 1,68. Daniel8217s größte Besorgnis über die Strategie war, dass die maximale Drawdown-Periode eine sehr lange Zeit darstellte. Nach den Angaben von Daniel8217s betrug die durchschnittliche jährliche Rendite 9,67. Dies bestand aus 16 gewinnbringenden Jahren, 4 Jahre, und ein Jahr, das im Grunde sogar brach. Das beste Jahr war eine Rückkehr von 37,76, und das schlechteste Jahr war ein Verlust von 20,2. Daniel stellt fest, dass dieses System keine gute Standalone-Strategie darstellen würde, wegen seiner Renditen im Vergleich zu maximalen Drawdowns. Allerdings schlägt er vor, dass es ein interessantes Stück einer größeren, multi-system-Strategie sein könnte. Wait Wenn Sie zusätzliche Informationen benötigen, um zu sehen, wie TradeMiner Sie in Ihrem Handel unterstützen kann. TradeMiner Software identifiziert historische saisonale Trends und Marktzyklen Eine wissenschaftlich dokumentierte Methodik: Anpassungskriterien, um sofortige Ergebnisse historischer Trends zu erhalten Das Scannen nach historischen saisonalen Trends erfolgt einfach durch die Interaktion mit dem oben gezeigten Absatz. Suche nach Trends nach Monat oder für ein bestimmtes Symbol Definieren Sie die minimale historische Genauigkeit (dh 80 historische Gewinnprozentsatz über zehn Jahre würde bedeuten, dass mindestens 8 der letzten 10 Jahre im Einklang mit dem saisonalen Trend stehen müssten.) Schmal Oder erweitern Sie die Handelstage. Dies zeigt die Dauer der Anzahl der Tage an, an denen der Trend liegen soll (dh 15 Handelstage bis 45 Börsentage sind die Suche nach Trends, die drei Wochen bis neun Wochen dauern.) Wählen Sie aus, wie viele Jahre zurückblicken möchten. Mit dieser Option können Sie die Mindestanzahl von Jahren festlegen. TradeMiner blickt auf historische Trends zurück. Filter, die sich übertreffende Trends verteilen (d. h. Trends, die am selben Tag beginnen, aber an verschiedenen Tagen enden oder wenn sie sich überhaupt überschneiden). Die Auswahl von Dig Now wird durch die Historical Database scannen und die Trends und Zyklen identifizieren, die Ihren Kriterien entsprechen. TradeMiner wird die historischen Ergebnisse nach einem proprietären Ranking-System bewerten. Dieses System zählt höher die Picks mit den größten historischen Gewinnen in der kürzesten Zeit, mit dem geringsten historischen Risiko. Das Score Ranking arbeitet auf einer Skala von null bis fünf und enthält eine leicht zu lesende, farbcodierte Taste. Analysieren von Graphen Die Vielfalt der Charts in TradeMiner ermöglicht es Ihnen, die Ergebnisse der Vorjahre zu sehen, historisches Risiko gegenüber Belohnung zu identifizieren und detaillierte Handelsprotokolle der vergangenen Jahre Trends zu sehen. Sehen Sie den historischen Trend visuell und sehen Sie die Ergebnisse der vergangenen Jahre an. In TradeMiner können Sie eine der folgenden Diagramme auswählen und sie werden im unteren größeren Diagrammfenster angezeigt. Diese größere Ansicht liefert und zusätzliche Details für jeden gewählten Handel. Historical Equity Graph Historisches Risiko vs Reward Jahr für Jahr Trade Details