Sistema de comércio multi-mercado

Sistema de negociação on-line multi-mercado.

Sistema de negociação on-line multi-mercado. A versão mais popular deste produto entre nossos usuários é 1.0. O nome do arquivo executável do programa é Launcher. exe. O produto será em breve revisado por nossos informantes.

Você pode verificar Falcon Brokers Trading Station, Market System Analyzer, Win @ Baccarat Online e outros programas relacionados, como ParryFX na seção "download".

Soluções relevantes.

Histórias relacionadas.

Por favor, adicione um comentário explicando o raciocínio por trás do seu voto.

Multi Trading System.

Este sistema de negociação baseia-se na análise do castiçal de múltiplos pares de moedas ao mesmo tempo. A EA determina o melhor par de moedas entre vários pares para abrir um par no final da vela, e abre um comércio na direção necessária. Pode simultaneamente analisar até 10 pares de moedas. Pode funcionar 24/4 e não perderá um forte movimento em nenhum dos pares de moedas (se estiver habilitado nas configurações). É possível ajustar o número de pedidos abertos por vez, de modo que não faça muitos ou muito poucos negócios. A EA também apresenta a mudança da perda de parada para o ponto de equilíbrio. Os métodos de negociação arriscada não são usados ​​aqui.

Recomendações para otimização: como esta é uma EA multi-moeda, não pode ser otimizada para múltiplos pares de moedas simultaneamente. Mas a otimização funciona no par selecionado (se a EA deveria abrir uma negociação em outro par de moedas, simplesmente não o abriria no testador, mas na negociação ao vivo abriria o comércio). Por isso, é necessário selecionar manualmente os pares de moedas (adicionados à lista) um a um e testar as configurações separadamente. Ou troque apenas o par de moedas atuais durante a negociação ao vivo (desative a opção 'Opção de negociação múltipla').

Multi-Agent Forex Trading System.

Rui Pedro Barbosa Orlando Belo.

A negociação automatizada é um novo campo de estudo em que os programas informáticos são encarregados de decidir quando e como negociar instrumentos financeiros. Os agentes inteligentes, com a capacidade de agir de forma autônoma e para se adaptarem e interagir com o meio ambiente, parecem uma escolha óbvia para o desenvolvimento de sistemas de negociação automatizados. O objetivo deste artigo é analisar a forma como os agentes inteligentes se adequam a esta tarefa. Implementamos um conjunto de agentes de comércio de moeda autônomos, usando uma arquitetura que consiste em um conjunto de modelos de classificação e regressão, um sistema de raciocínio baseado em maiúsculas e um sistema especializado. Um total de seis agentes comerciais foram implementados, sendo cada um responsável por negociar um dos seguintes pares de moedas no mercado Forex: EUR / USD, EUR / JPY, EUR / CHF, USD / JPY, USD / CHF e CHF / JPY. Os agentes simularam negociações ao longo de um período de 23 meses, tendo todos conseguido um lucro razoável negociando de forma independente. No entanto, suas estratégias resultaram em drawdows relativamente elevados. A fim de diminuir o risco inerente a estas altas retiradas, a mesma simulação foi realizada enquanto faz com que os agentes compartilhem os recursos monetários. Como esperado, essa estratégia de diversificação de investimentos originou melhores resultados. Ainda assim, quando os custos de negociação foram levados em consideração, o desempenho geral da negociação foi inferior a impressionante. Isso foi devido ao fato de que cada agente realizou muitas negociações, e o custo associado às comissões de negociação tornou-se proibitivo. Conseguimos diminuir o impacto dos custos de negociação no lucro total integrando os agentes em um sistema multi-agente, no qual os agentes se comunicaram entre si antes de abrir novos negócios. Isso permitiu que eles calcularam a exposição pretendida ao mercado, o que, por sua vez, permitiu que eles evitassem trocas redundantes. Sob simulação e usando baixa alavancagem, este sistema multi-agente obteve um lucro de 55,7% em 23 meses de negociação, com uma redução máxima de 9.0%.

Referências.

Informações sobre direitos autorais.

Autores e afiliações.

Rui Pedro Barbosa 1 Orlando Belo 1 1. Departamento de Informática da Universidade do Minho, Portugal.

Sobre este capítulo.

Recomendações personalizadas.

Cite o capítulo.

.RIS Papers Reference Manager RefWorks Zotero.

.BIB BibTeX JabRef Mendeley.

Compartilhe o capítulo.

Download instantâneo legível em todos os dispositivos Possuí-lo para sempre Imposto de venda local incluído, se aplicável.

Cite o capítulo.

.RIS Papers Reference Manager RefWorks Zotero.

.BIB BibTeX JabRef Mendeley.

Compartilhe o capítulo.

Mais de 10 milhões de documentos científicos ao seu alcance.

Switch Edition.

&cópia de; 2017 Springer International Publishing AG. Parte de Springer Nature.

Negociação multi-mercado no mercado de futuros Eurodólar.

Yiuman Tse Email autor Paramita Bandyopadhyay.

Em 18 de março de 2004, o London International Financial Futures and Options Exchange iniciou a negociação de contratos de futuros Eurodollar na tentativa de competir com um rival dos EUA, o Chicago Mercantile Exchange. O Chicago Mercantile Exchange respondeu ao desafio ao introduzir várias mudanças de política que ajudaram a transferir seu volume comercial nos futuros Eurodollar do clamor aberto para a plataforma de negociação eletrônica Globex, mantendo assim sua participação de mercado. Comparamos o volume de negociação, o spread efetivo e a descoberta de preços nos futuros Eurodollar na Chicago Mercantile Exchange antes e depois do London International Financial Futures and Options Exchange ter começado a negociar o mesmo contrato. Encontramos um aumento geral no volume de negociação na Globex a partir de outubro de 2003, antes que o London International Financial Futures and Options Exchange lançasse seu contrato. A Globex fornece maior descoberta de preços do que o clamor aberto durante todo o período de tempo em estudo. Nossa pesquisa, portanto, apóia a tendência global de conversão dos tradicionais sistemas de farcistas abertos em trocas eletrônicas.

Preview.

Referências.

Informações sobre direitos autorais.

Autores e afiliações.

Yiuman Tse 1 Email autor Paramita Bandyopadhyay 2 1. Faculdade de Negócios Universidade do Texas em San Antonio San Antonio EUA 2. Califórnia State University Long Beach.

Sobre este artigo.

Recomendações personalizadas.

Cite o artigo.

.RIS Papers Reference Manager RefWorks Zotero.

.BIB BibTeX JabRef Mendeley.

Compartilhe o artigo.

Acesso ilimitado ao artigo completo Download instantâneo Inclua o imposto de vendas local, se aplicável.

Cite o artigo.

.RIS Papers Reference Manager RefWorks Zotero.

.BIB BibTeX JabRef Mendeley.

Compartilhe o artigo.

Mais de 10 milhões de documentos científicos ao seu alcance.

Switch Edition.

&cópia de; 2017 Springer International Publishing AG. Parte de Springer Nature.

Como criar um sistema de negociação multi-agente.

Em um artigo anterior, demonstrei como construir uma estratégia que troque a curva de equidade. Ou seja, uma estratégia que irá interromper a negociação quando a curva patrimonial cai abaixo de uma média móvel simples. Vamos olhar para uma técnica diferente que muitos comerciantes de varejo estão cientes. Em particular, esta técnica é difícil de executar no EasyLanguage.

O que eu quero fazer? Eu quero criar um sistema comercial que rastreie várias cópias de um determinado sistema. Porque eu faria isso? Bem, enquanto cada uma das estratégias são cópias, seus valores de entrada são ligeiramente diferentes. Assim, cada versão cria um desempenho comercial ligeiramente diferente. Vamos ver um exemplo para deixar isso claro.

Primeiro, faça um sistema comercial para trabalhar. Permite usar a estratégia de exemplo chamada Simple S & amp; P. As regras são diretas e estão listadas abaixo.

Se o fechamento de hoje for menor que o fechado há 6 dias, compre (digite long). Se o fechamento de hoje for maior do que o fechado há 6 dias, venda (saída longa). Apenas faça negociações quando o preço de fechamento for superior a 40 períodos SMA.

Esta estratégia produz os seguintes resultados.

Vamos agora duplicar a nossa estratégia e, em seguida, alterar ligeiramente as entradas. Em vez de um nosso lookback de entrada sendo seis, reduzi-lo por um nos deixando com 5. Criamos um sistema comercial ligeiramente diferente que produz resultados diferentes como se vê abaixo.

Vamos duplicar a estratégia original novamente e alterar as entradas. Em vez de um nosso lookback de entrada sendo seis, vamos aumentá-lo por um. Isso nos dá um valor de sete. Temos uma nova estratégia que produz os seguintes resultados.

Então, temos três estratégias comerciais diferentes. Cada um usa um valor de lookback diferente para determinar quando inserir uma troca.

Em um ambiente comercial tradicional você pode otimizar uma estratégia única sobre seus dados históricos e escolher um conjunto razoável de parâmetros de entrada. Você trocaria então esse sistema. Não seria interessante se pudéssemos monitorar o desempenho de cada variação de estratégia e negociar a estratégia de melhor desempenho em tempo real? Em essência, queremos a capacidade de assistir a uma corrida de cavalos e mudar nossa aposta à medida que a corrida corre. Uma ideia muito interessante! Mas quando você começa a codificar esse esquema, ele se torna um processo muito, muito assustador.

Para conseguir isso, precisamos da capacidade de rastrear múltiplos sistemas de negociação dentro de uma determinada estratégia. Em seguida, simplesmente escolhemos a melhor estratégia para negociar ao vivo. Simples no conceito, mas difícil de fazer. Nalmente, não há nenhum método para realizar isso em EL. No entanto, isso mudou. Esta ferramenta, Equity Curve Feedback Toolkit, nos permitirá fazer exatamente isso.

Vamos criar a nossa primeira estratégia multi-agente que negocia automaticamente a variação da estratégia de melhor desempenho.

Configurações ambientais.

Eu codifiquei as regras S & amp; P simples na EasyLanguage e testei-o no mercado de futuros E-mini S & amp; P voltando para 2000. Antes de ir mais longe com a demonstração, deixe-me dizer isso: todos os testes dentro deste artigo vão usar o seguintes pressupostos:

Tamanho da conta inicial de $ 25,000 As datas testadas são de 1998 a 31 de dezembro de 2018 Um contrato foi negociado por cada sinal. A P & amp; L não está acumulada no patrimônio inicial. Nenhuma dedução por derrapagem e comissões. Não há paradas.

Resultados da linha de base.

Criando nossa estratégia multi-agente.

Há três coisas importantes que temos a fazer na nossa estratégia.

Primeiro, é criar um backtesters virtual para rastrear o desempenho de nossas três diferentes estratégias diferentes. Isso é realizado usando a função ECF_VirtualBackTester incluída no Equity Curve Feedback Toolkit. As três linhas de código para realizar isso estão abaixo.

Result = ECF_VirtualBackTester (Orders1, Trades1, True);

Result = ECF_VirtualBackTester (Orders2, Trades2, True);

Result = ECF_VirtualBackTester (Orders3, Trades3, True);

Em segundo lugar, agora recebemos os negócios e a equidade atual de nossos backtesters. A função ECF_GetEquity está obtendo as informações de equidade colocando-as nas variáveis ​​CurrentEquityX e matrizes EquityX.

CurrentEquity1 = ECF_GetEquity (Orders1, Trades1, Equity1, cLongAndShort, UseOpenTrade);

CurrentEquity2 = ECF_GetEquity (Orders2, Trades2, Equity2, cLongAndShort, UseOpenTrade);

CurrentEquity2 = ECF_GetEquity (Orders3, Trades3, Equity3, cLongAndShort, UseOpenTrade);

Em terceiro lugar, agora devemos determinar se a nossa estratégia está a negociar acima da curva patrimonial. Isto é explicado em muito mais detalhes no artigo anterior, Trading The Equity Curve & amp; Além. As seguintes linhas determinarão se nossas estratégias virtuais estão sendo negociadas acima de sua respectiva curva patrimonial.

TradeEnable1 = ECF_EquityMASignal (Orders1, Equity1, EquityMALength, cLongAndShort, UseOpenTrade);

TradeEnable2 = ECF_EquityMASignal (Orders2, Equity2, EquityMALength, cLongAndShort, UseOpenTrade);

TradeEnable3 = ECF_EquityMASignal (Orders3, Equity3, EquityMALength, cLongAndShort, UseOpenTrade);

Em quarto lugar, devemos determinar qual das três estratégias simuladas está realizando o melhor. Isto é realizado com estas linhas de código.

Se (CurrentEquity1 & gt; CurrentEquity2) e (CurrentEquity1 & gt; CurrentEquity3) e (CurrentEquity1 & gt; 0), então BestSys1 = true.

else If (CurrentEquity2 & gt; CurrentEquity1) e (CurrentEquity2 & gt; CurrentEquity3) e (CurrentEquity2 & gt; 0), então BestSys2 = true.

else If (CurrentEquity3 & gt; CurrentEquity1) e (CurrentEquity3 & gt; CurrentEquity2) e (CurrentEquity3 & gt; 0), então BestSys3 = true;

Lá, nós temos. Uma única estratégia que rastreie o desempenho de três estratégias virtuais e só negocia a estratégia de melhor desempenho. Tudo isso acontece em tempo real.

Abaixo está um instantâneo do gráfico que mostra as negociações que estão sendo tomadas pela nossa versão multi-agente da estratégia Simple S & amp; P. Você pode ver no lado esquerdo, está negociando a versão 2 da nossa estratégia. Então, no lado direito do gráfico, passa para a versão comercial da estratégia 1.

Abaixo está o relatório de desempenho da nossa estratégia multi-agente.

Conclusão.

Este é um exemplo muito simples de uma estratégia de negociação multi-agente. No nosso caso, temos três estratégias semelhantes sendo simuladas no backtester. Você pode criar muitas outras cópias virtuais. Tantos quantos quiser. Você nem precisa usar a mesma estratégia. No nosso exemplo, usamos a mesma estratégia, mas alteramos uma das entradas. Você poderia usar diferentes estratégias para competir um contra o outro. Por exemplo, uma tendência seguindo o modelo versus um modelo de reversão médio.

No nosso exemplo, tomamos decisões comerciais de acordo com a equidade de cada sistema, mas podemos usar outras métricas, como redução ou lucro médio por comércio. As opções são realmente incríveis e espero que este exemplo simples seja o retorno das rodas na sua cabeça!

Quais são as melhores práticas para construir esse modelo de negociação? Boa pergunta. Este material é bastante novo para mim e eu adoraria ouvir o que você pensa. Como qualquer ferramenta, pode ser abusada. Minha opinião neste momento é que você deve construir corretamente uma estratégia única, tradicional, primeiro. Ou seja, siga todas as melhores práticas conhecidas de desenvolvimento de estratégias. Uma vez que você tenha um sistema sólido somente, tente adicionar as ferramentas disponíveis no Equity Curve Feedback Toolkit.

Você pode estar se perguntando quais entradas você deve mudar em sua estratégia? Boa pergunta. Eu acho que quanto menos, melhor. Neste exemplo, eu apenas mudei um dos valores de lookback. Eu acho que provavelmente é importante que você estabeleça primeiro o intervalo estável para cada parâmetro. Em seguida, use os valores dentro desse intervalo. No entanto, como eu disse, esta é uma nova área para mim, mas com certeza parece promissor.

Sobre o Autor Jeff Swanson.

Jeff é o fundador do System Trader Success & # 8211; um site e uma missão para capacitar o comerciante de varejo com os conhecimentos e ferramentas adequados para se tornar um comerciante rentável no mundo da negociação quantitativa / automatizada.

Posts Relacionados.

Botões de empurrão aleatório.

Voltar ao Basics Parte 3: Backtesting em Algorithmic Trading.

Encontrando o Período Ótimo.

Publicações populares.

Connors 2-Period RSI Update para 2018.

Este indicador simples faz dinheiro novamente e novamente.

The Ivy Portfolio.

Melhorando a Estratégia de Identidade Simples, Parte 1.

Copyright © 2017 da Capital Evolution LLC. - Projetado por temas Thrive | Powered by WordPress.

Por favor faça login novamente. A página de login será aberta em uma nova janela. Depois de efetuar o login, você pode fechá-lo e retornar a esta página.