Hipótesis da estratégia comercial

Hipótese do mercado eficiente e # 8211; Estratégia de negociação Forex.
A Hipótese do Mercado Eficiente significa que é impossível fazer lucros com o Forex Trading?
O que é uma Hipótese de Mercado Eficiente? É o conceito que argumenta que, em qualquer momento, toda a informação disponível e as notícias são fixadas. De acordo com esta hipótese, nunca há folga no mercado. Além disso, nunca há espaço para lucrar.
No entanto, qualquer pessoa que realmente tenha negociado para viver saberá que essa teoria é uma absurda absurda. Mesmo se você seguir meus Vídeos de Eventos de Risco a cada semana ou meu Blog Diário, você percebe que as notícias em circulação não afetam o mercado imediatamente. Um exemplo muito bom disso é a Equilíbrio Quantitativo feito pelo Banco do Japão em abril de 2018. Eles instigaram um dos maiores programas de Equilíbrio Quantitativo de todos os tempos. Por causa disso, o par USD / JPY passou de 90 para 120 no período de 18 meses. Então, se a Hipótese do Mercado Eficiente estava correta, o par USD / JPY chegaria a 1.20 no dia em que anunciaram Quantitative Easing. Mas, como eu disse, não era o caso. Levaram quase dois anos para que essa jogada acontecesse.
O outro exemplo do caso é o meu Risk Event Videos. Aqui, sempre discutimos a próxima figura que esperamos ser boa. E nós realmente trocamos nisso. Compramos a moeda antes que esse número apareça. Simplesmente, porque sabemos que os mercados vão comprá-lo quando esse número específico aparecer. Uma vez que acontece, o preço obviamente se move. Assim, há muitas oportunidades para fazer pips. E se você está preocupado com a Hipótese do mercado eficiente e # 8211; não se preocupe. Basta assistir as notícias e assistir como os mercados jogam pelo menos por algumas semanas. Você verá que a Hipótese do Mercado Eficiente é um absurdo. Portanto, as notícias e as informações nunca têm um preço perfeito.
Mais popular.
Desculpa. Não há dados até agora.
Categorias.
Não está pronto para comprar nosso treinamento?
Siga nosso conteúdo gratuito nas mídias sociais:
Assista e escute:
© 2007 - 2017 JarrattDavis | Número de registro da empresa: 08712731.
Informações de contato: Ligue-nos em 0330 223 4730 | Envie-nos um e-mail para: Support @ jarrattdavis.
Escreva para nós em: Global Trader Training Ltd Kemp House 152 City Road London, EC1V 2NX, Reino Unido.

hipótese de estratégia de negociação
Obter através da App Store Leia esta publicação em nosso aplicativo!
Testando uma simples hipótese de negociação no mercado de ações? [fechadas]
Eu tenho uma simples hipótese de negociação no mercado de ações.
Algo nesse sentido:
Com base em um certo desvio de um índice de mercado de ações durante um período de 30 dias, 5 certos estoques tendem a derivar em uma direção particular durante o próximo período de 30 dias.
Gostaria de executar esta hipótese sobre dados históricos para ver se há alguma verdade para isso.
Como faço?
fechado como fora do tópico por SRKX & # 9830; , chrisaycock novembro 12 '11 às 21:29.
As perguntas sobre Quantitative Finance Stack Exchange devem se relacionar com financiamento quantitativo dentro do escopo definido pela comunidade. Considere editar a questão ou deixar comentários para melhorar se você acredita que a questão pode ser reformulada para se adequar ao escopo. Leia mais sobre a reabertura de perguntas aqui. Se esta questão pode ser reformulada para ajustar as regras no centro de ajuda, edite a questão.
Em termos de tecnologia, eu sugeriria R.
Em termos de ações específicas, você precisa decidir o que fazer quando o evento de gatilho ocorre e você precisa decidir como fechar as posições. Dado que, você pode determinar seu lucro e perda na estratégia durante o período de dados.
Você pode usar a idéia de carteira aleatória executando sua estratégia um número de vezes, exceto usar 5 ações selecionadas aleatoriamente no lugar de suas 5 ações específicas. Você obterá uma distribuição de lucros e perdas das ações aleatórias para comparar com o resultado da sua estratégia real. Se sua estratégia não estiver na parte superior da cauda, ​​então não faça sua estratégia.
Mas, mesmo que sua estratégia se pareça bem nesse teste, isso não significa que seja um fenômeno real. Você teve sua idéia de analisar os dados do mercado. Você não quer que o teste seja baseado em dados que lhe deram a idéia.
E é claro, mesmo que sua estratégia passe um teste verdadeiramente fora de amostra, os mercados podem (e fazer) mudar.

QuantStrat TradeR.
Comércio, QuantStrat, R e muito mais.
Introdução ao Desenvolvimento Hipotecário e # 8212; Visão geral de uma estratégia simples e hipóteses de indicadores.
Esta publicação começará a aplicar uma estrutura de desenvolvimento orientada para hipóteses (ou seja, a estrutura escrita por Brian Peterson sobre como fazer a construção da estratégia corretamente, encontrada aqui) para uma estratégia que eu encontrei em SeekingAlpha. Ou seja, Cliff Smith postou sobre uma estratégia conservadora de rotação de títulos, que faz uso de tesouros de curto prazo, tesouros de longo prazo, conversíveis, dívida de mercado emergente e dívidas corporativas de alto rendimento # 8211, isto é, SHY, TLT, CWB, PCY e JNK. O que esta publicação irá fazer é tentar colocar um quadro mais formal sobre se essa estratégia é ou não válida para começar.
Uma nota: com o objetivo de equilibrar a sucção para o consumo de blogs e demonstrar as técnicas computacionais mais rapidamente, estarei abrandando estudos de pesquisa de fundo para esta postagem / estratégia, já que outra coisa se assume série temporal / impulso transversal, exceto reduzido a algo mais implementável para investidores individuais, ao contrário de algo que requer uma coleção maciça de diferentes instrumentos para portfólios maciços de classe institucional.
Introdução, Visão Geral, Objetivos, Restrições, Suposições e Hipóteses a Testar:
Momentum. Foi documentado muitas vezes. Por razões de brevidade, eu deixarei os leitores seguir os links se eles estiverem tão inclinados, mas entre eles estão o papel seminal 1993 de Jegadeesh e Titman, Mark Carhart & # 8217; s 1997, Andreu et. Al (2018), Barroso e Santa-Clara (2018), os Devolutivos Esperados de Ilmanen (que cobre o impulso) e outros. Esta lista, é claro, está longe de ser exaustiva, mas o ponto está parado. Os períodos de formação de vários meses (até um ano) devem prever os retornos que avançam em algum período de detenção, seja vários meses ou, como é mais comum, um mês.
Além disso, o momento se aplica em duas variedades, séries transversais e séries temporais. O impulso transversal afirma que os ativos que superaram um grupo continuarão a superar, enquanto o impulso das séries temporais afirma que os ativos que aumentaram o preço durante um período de formação continuarão a fazê-lo para o futuro a curto prazo.
A estratégia da Cliff Smith depende do último, efetivamente, entre um grupo de ETFs de cinco obrigações. Não tenho certeza do objetivo da estratégia (ele não mencionou isso), como PCY, JNK e CWB, enquanto eles podem ser de renda fixa, possuem volatilidade na ordem das ações. Eu suponho que um possível & # 8220; padrão & # 8221; o objetivo seria conseguir um retorno total superior ao índice de referência igual ponderado, ambos reequilibrados mensalmente.
As restrições são que se precisaria de uma quantidade suficiente de capital, de modo que os custos de transação fixos sejam insignificantes, uma vez que a estratégia é um tipo de rotação de um único instrumento, o que significa que cada mês pode ter um volume de negócios de 200% (vender um ETF, comprar outro). Por outro lado, assumir-se-ia que a quantidade de capital implantada é pequena o suficiente, de modo que os custos de execução das negociações não afetem materialmente o desempenho da estratégia. Ou seja, transferir vários bilhões de um desses ETF para o outro é um não iniciante. Como todos os retornos são calculados próximo ao fechamento por razões de simplicidade, isso cria a suposição implícita de que o impacto no mercado e os custos de execução são muito pequenos em comparação com os retornos globais.
Há duas hipóteses gerais a serem testadas para validar a eficácia desta estratégia:
1) Momento da série de tempo: enquanto foi documentado para ações e até ETFs de indústria / país, talvez ainda não tenha sido formalmente feito para ETFs de renda fixa e seus correspondentes fundos mútuos. Para validar esta estratégia, deve-se investigar se os instrumentos específicos que seleciona aderirem aos mesmos fenômenos.
2) Momento transversal: novamente, embora este tenha sido fortemente demonstrado no passado em relação às ações, os ETFs são bastante novos, e dos cinco fundos mútuos Cliff Smith selecionados, o último apenas possui dados que retornam a 1997, assim permitindo que investidores menos sofisticados acessem facilmente mercados de renda fixa diversificados uma inovação relativamente nova.
Essencialmente, ambos podem ser testados em uma variedade de parâmetros (1-24 meses).
Outra nota: com o desenvolvimento da estratégia orientada para hipóteses, o backtest deve ser * nada mais do que uma confirmação de todas as hipóteses até esse ponto *. Ou seja, re-otimizar o backtest em si significa superação. Qualquer mudança proposta para uma estratégia deve ser feita sob a forma de hipóteses testadas, ao contrário de executar um monte de backtests e selecionar os melhores testes. Dito de outra forma, isso significa que cada elemento proposto de uma estratégia precisa ter alguma forma de forte hipótese que o acompanha, para se justificar.
Então, aqui estão as duas hipóteses que testei nos correspondentes fundos mútuos:
Essencialmente, neste caso, eu tomo uma regressão combinada (isto é, pegue os cinco instrumentos e agrupá-los em um vetor gigante) e regredir a soma cumulativa dos retornos mensais em relação ao retorno do próximo mês. Além disso, eu faço o mesmo que o acima, exceto o uso de classificações transversais por cada mês, e realizando uma regressão rank-rank. A amostra que usei foram os cinco fundos mútuos (CNSAX, FAHDX, VUSTX, VFISX e PREMX) desde a sua criação até março de 2009, uma vez que os dados para o ETF final começam em abril de 2009, então deixei de lado os dados do ETF para fora teste de prova de amostra.
Aqui estão os resultados:
De interesse a notar é que, embora grande parte da literatura do Momento especifica um efeito de reversão sobre o momento da série de tempo em 12 meses ou mais, todos os coeficientes de regressão neste caso (mesmo até 24 meses!) Provaram ser positivos, com o mesmo coeficientes de longo prazo com maior significância estatística do que os de curto prazo. No entanto, os parâmetros escolhidos por Cliff Smith (as configurações de dois e quatro meses) possuem significância estatística pelo menos no nível de 10%. No entanto, se alguém fosse altamente conservador em termos de rejeição de estratégias, que por si só pode ser motivo suficiente para rejeitar essa estratégia aqui.
No entanto, a regressão rank-rank (ou seja, regredindo a classificação transversal do mês futuro na classificação transversal cruzada do mês passado) provou ser estatisticamente significante além de qualquer dúvida, com todos os valores p efetivamente zero . Em suma, há evidências extremamente fortes para o impulso transversal entre esses cinco ativos, que se estende por pelo menos dois anos. Além disso, como o SHY ou o VFISX, também conhecido como o fundo de tesouraria de curto prazo, está entre os ativos escolhidos, uma vez que é um proxy para a taxa livre de risco, incluindo-o entre os rankings transversais, os rankings transversais também implicitamente declarar que, para ser investido em (como esta estratégia é uma estratégia de rotação de ativos top 1), ela deve superar o ativo livre de risco, caso contrário, por processo de eliminação, a estratégia investirá no ativo livre de risco em si.
Nas próximas publicações, examinaremos as hipóteses de teste em sinais e regras.
Por fim, a Volatility Made Simple acaba de lançar uma postagem no blog sobre o desempenho das estratégias baseadas em volatilidade para o mês de agosto. Dado o pico de volatilidade maciça, a dispersão no desempenho das estratégias é bastante interessante. Estou feliz de que, em termos de retornos de YTD, a versão modificada da minha estratégia esteja entre os 10 melhores do ano.
Obrigado pela leitura.
NOTA: enquanto eu estou atualmente consultando, estou sempre aberto a redes, reunindo-se (a Filadélfia e a Nova York funcionam ambos), acordos de consultoria e discussões de trabalho. Entre em contato comigo através do meu e-mail para ilya. kipnis@gmail, ou através do meu LinkedIn, encontrado aqui.
Compartilhar isso:
Relacionados.
Pós-navegação.
21 pensamentos sobre & ldquo; Introdução ao Desenvolvimento Hipotecário e # 8212; Visão geral de uma Estratégia Simples e Hipóteses de Indicadores & rdquo;
Ilya, boa postagem. Eu tenho duas perguntas:
Por que você não está removendo a intersecção para os rankings como você faz para os retornos (y.
x). As estimativas e probabilidades referem-se atualmente à intersecção no caso de rankings.
Por que você usa médias de retornos discretos em vez de retornos cumulativos ou médias de retornos de log?
Mantenha o bom trabalho.
Na verdade, eu uso o valor p para a estimativa de regressão. A segunda linha é a estimativa de regressão, não a intercepção, que você pode encontrar acessada dentro do loop aqui:
tmp & lt; - returnRegression (monthRets, nMonths = i)
Quanto às médias de retornos discretos em vez de retornos cumulativos, é que ROC é a diferença entre dois pontos. Então, isso me dá mais dados. Mas é muito provavelmente de natureza muito similar.
E eu não removo a intersecção para classificação porque os retornos já são centrados em zero, classifica-se, então eu mantenho a intercepção lá.
Talvez eu esteja faltando alguma coisa # 8230; A segunda linha parece ser a interseção da regressão linear de classificação.
Estimativa de Std. Erro t valor Pr (& gt; | t |)
MeltedAverage $ value 0.01829089 0.006436298 2.841835 4.643492e-03.
(Interceptação) 2.69224138 0.137225579 19.619093 4.568979e-66.
MeltedRankAvg $ value 0.10258621 0.041375069 2.479421 1.344357e-02.
Obrigado pela explicação sobre por que o cruzamento é necessário.
& gt; um resumo lmfit (lmfit)
Min 1Q Median 3Q Max.
-2,56744 -0,76535 0,06351 0,76057 2,46539.
Estimativa de Std. Erro t valor Pr (& gt; | t |)
(Interceptação) -0.002372 0.105546 -0.022 0.982.
b -0,002547 0,1113137 -0,023 0,982.
Erro padrão residual: 1.047 em 98 graus de liberdade.
Múltiplo R-quadrado: 5.17e-06, R-quadrado ajustado: -0.0102.
F-statistic: 0.0005067 em 1 e 98 DF, p-value: 0.9821.
O valor é a segunda linha dos coeficientes.
Espero que isto ajude.
Obrigado pela sua publicação. Sugiro adicionar a linha de código.
abaixo do outro & # 8220; require & # 8221; linhas. Quando eu corri o seu roteiro R queixou-se por não encontrar o & # 8220; derreter & # 8221; função.
Já estava na função returnRegression, mas eu o editei no topo.
Testei o código com um portfólio aleatório e a regressão rank-rank parece muito similar. Alguma opinião sobre isso?
Este foi o código para gerar os rankings aleatórios. Espero que tenha entendido.
nMonthAverage & lt; - apply (retorna, 2, runSum, n = nMonsths)
nMonthAverage & lt; - xts (nMonthAverage, order. by = index (returns))
para (i em 1: nrow (aleatório))
Então, você está gerando a partir de uma distribuição uniforme todos os meses, e assumindo que é inteiro, então com certeza, você realmente está fazendo a mesma coisa.
Por que você subtrai 1 ao executar a regressão aqui?
Para remover a intercepção. Estou afirmando que eu quero regredir unicamente contra a variável independente, e não uma intercepção.
Meu conhecimento estatístico não é ótimo. Como você tem certeza de que a intercepção é zero aqui? Verifiquei o qqplot e parece bem, mas não consigo intuir. Obrigado.
Não entendi sua resposta a Hugo.
Como você usou o rbind, o objeto tmp consiste em três linhas.
Primeira linha para o coeficiente de regressão na Ácido fundido.
Segunda fila para interceptar em MeltedRankAvg.
Terceira linha para o coeficiente de regressão em RankAvg derretido.
Então, acho que tmp [1,], tmp [3,] é necessário para mostrar o coeficiente de regressão.

Testes de Hipótesis em Finanças: Conceito & amp; Exemplos.
Seu consultor de investimento propõe um esquema de investimento mensal de renda que promete um retorno variável a cada mês. Você investirá nisso somente se tiver certeza de uma média de uma renda mensal de US $ 180. Seu conselheiro também informa que, nos últimos 300 meses, o esquema teve retornos com um valor médio de US $ 190 e desvio padrão de US $ 75. Você deve investir neste esquema?
Os testes de hipóteses ajudam a tomada de decisão.
Este artigo assume a familiaridade dos leitores com os conceitos de uma tabela de distribuição normal, fórmula, p-valor e princípios básicos relacionados das estatísticas.
Para obter mais informações sobre aplicações práticas de dados para determinar o risco, consulte "5 Formas para Medir o Risco do Fundo Mútuo".
Teste de hipóteses (ou teste de significância) é um modelo matemático para testar uma reivindicação, idéia ou hipótese sobre um parâmetro de interesse em um dado conjunto de população, usando dados medidos em um conjunto de amostras. Os cálculos são realizados em amostras selecionadas para coletar informações mais decisivas sobre características de toda a população, o que permite uma maneira sistemática de testar alegações ou idéias sobre todo o conjunto de dados.
Aqui está um exemplo simples: (A) Um diretor da escola relata que estudantes da escola classificam uma média de 7 em cada 10 nos exames. Para testar esta "hipótese", registramos marcas de dizer 30 alunos (amostra) de toda a população estudantil da escola (por exemplo, 300) e calculamos a média dessa amostra. Podemos então comparar a média da amostra (calculada) com a média da população (relatada) e tentar confirmar a hipótese.
Outro exemplo: (B) O retorno anual de um fundo mútuo específico é de 8%. Suponha que o fundo mútuo existe há 20 anos. Tomamos uma amostra aleatória de retornos anuais do fundo mútuo para, digamos, cinco anos (amostra) e calculamos sua média. Em seguida, comparamos a média da amostra (calculada) com a média da população (reivindicada) para verificar a hipótese.
Existem diferentes metodologias para testes de hipóteses. Estão envolvidas as seguintes quatro etapas básicas:
Passo 1: Definir a hipótese:
Normalmente, o valor relatado (ou as estatísticas de reivindicação) é declarado como a hipótese e presumivelmente verdadeiro. Para os exemplos acima, a hipótese será:
Exemplo A: os alunos na escola classificam uma média de 7 em cada 10 nos exames. Exemplo B: O retorno anual do fundo mútuo é de 8% ao ano.
Esta descrição declarada constitui a "Hipótese Nula (H 0)" e é assumida como verdadeira. Como um julgamento de jurado começa por assumir a inocência do suspeito seguido pela determinação se a suposição é falsa. Da mesma forma, o teste de hipóteses começa por indicar e assumindo a "Hipótese Nula", e então o processo determina se a hipótese provavelmente será verdadeira ou falsa.
O ponto importante a observar é que estamos testando a hipótese nula porque há um elemento de dúvida sobre sua validade. Qualquer informação que seja contra a hipótese nula indicada seja capturada na Hipótese Alternativa (H 1). Para os exemplos acima, a hipótese alternativa será:
Os alunos obtêm uma média que não é igual a 7 O retorno anual do fundo mútuo não é igual a 8% ao ano.
Em resumo, a hipótese alternativa é uma contradição direta da hipótese nula.
Como em um julgamento, o júri assume a inocência do suspeito (hipótese nula). O procurador deve provar o contrário (alternativa). Do mesmo modo, o pesquisador deve provar que a hipótese nula é verdadeira ou falsa. Se o promotor não provar a hipótese alternativa, o júri deve deixar o "suspeito" (baseando a decisão em hipóteses nulas). Da mesma forma, se o pesquisador não provar hipóteses alternativas (ou simplesmente não faz nada), então a hipótese nula é considerada verdadeira.
Passo 2: Defina os critérios de decisão.
Os critérios de tomada de decisão devem ser baseados em certos parâmetros de conjuntos de dados e é aí que a conexão à distribuição normal vem na imagem.
De acordo com o estatuto padrão, postulado sobre a distribuição da amostragem, "Para qualquer tamanho de amostra n, a distribuição de amostragem de X̅ é normal se a população X a partir da qual a amostra é desenhada é normalmente distribuída". Portanto, as probabilidades de todas as outras amostras possíveis significam uma Podem selecionar são normalmente distribuídos.
Por exemplo, determine se o retorno diário médio, de qualquer estoque listado no mercado acionário XYZ, em torno do tempo de Ano Novo é superior a 2%.
H 0: Hipótese nula: média = 2%
H 1: Hipótese Alternativa: média & gt; 2% (isto é o que queremos provar)
Pegue a amostra (digamos, 50 ações no total de 500) e calcula a média da amostra.
Para uma distribuição normal, 95% dos valores estão dentro de 2 desvios padrão da média da população. Portanto, essa distribuição normal e a hipótese do limite central para o conjunto de dados da amostra nos permite estabelecer 5% como um nível de significância. Faz sentido, sob esta suposição, há menos de uma probabilidade de 5% (100-95) de obter valores aberrantes que estão além de 2 desvios padrão da média da população. Dependendo da natureza dos conjuntos de dados, outros níveis de significância podem ser tomados em 1%, 5% ou 10%. Para cálculos financeiros (incluindo financiamento comportamental), 5% é o limite geralmente aceito. Se encontrarmos quaisquer cálculos que ultrapassem os 2 desvios padrão habituais, então temos um caso forte de outliers para rejeitar a hipótese nula. Os desvios-padrão são extremamente importantes para a compreensão dos dados estatísticos. Saiba mais sobre eles assistindo o vídeo da Investopedia em Desvios Padrão.
Graficamente, é representado da seguinte forma:
No exemplo acima, se a média da amostra é muito maior que 2% (digamos 3,5%), então rejeitamos a hipótese nula. A hipótese alternativa (média & gt; 2%) é aceita, o que confirma que o retorno diário médio dos estoques está realmente acima de 2%.
No entanto, se a média da amostra não for provavelmente significativamente maior do que 2% (e permanece em cerca de 2,2%), então NÃO PODEMOS rejeitar a hipótese nula. O desafio vem em como decidir sobre casos tão próximos. Para fazer uma conclusão de amostras e resultados selecionados, é necessário determinar um nível de significância, o que permite concluir sobre a hipótese nula. A hipótese alternativa permite estabelecer o nível de significância ou o conceito de "valor crítico" para decidir sobre casos tão próximos. De acordo com a definição padrão, "Um valor crítico é um valor de corte que define os limites além dos quais menos de 5% da amostra os meios podem ser obtidos se a hipótese nula for verdadeira. Os meios de amostra obtidos além de um valor crítico resultarão em uma decisão de rejeitar a hipótese nula ". No exemplo acima, se definimos o valor crítico como 2,1% ea média calculada chega a 2,2%, então rejeitamos a hipótese nula. Um valor crítico estabelece uma demarcação clara sobre aceitação ou rejeição.
Mais exemplos a seguir - Em primeiro lugar, vejamos mais algumas etapas e conceitos fundamentais.
Passo 3: Calcule a estatística de teste:
Esta etapa envolve calcular a (s) figura (s) requerida (s), conhecida como estatísticas de teste (como média, pontuação z, valor p, etc.) para a amostra selecionada. Os vários valores a serem calculados são abordados em uma seção posterior com exemplos.
Passo 4: Faça conclusões sobre a hipótese.
Com o (s) valor (es) calculado (s), decida sobre a hipótese nula. Se a probabilidade de obter uma amostra é inferior a 5%, a conclusão é rejeitar a hipótese nula. Caso contrário, aceite e retive a hipótese nula.
Tipos de erros na tomada de decisão:
Pode haver quatro resultados possíveis na tomada de decisão baseada em amostras, no que diz respeito à aplicabilidade correta para toda a população:
Aplica-se a toda a população.
(Erro TYPE 1 - a)
Não se aplica a toda a população.
(Erro TYPE 2 - b)
Os casos "corretos" são aqueles em que as decisões tomadas sobre as amostras são verdadeiramente aplicáveis ​​a toda a população. Os casos de erros surgem quando se decide reter (ou rejeitar) a hipótese nula com base em cálculos de amostra, mas essa decisão realmente não se aplica a toda a população. Estes casos constituem erros de Tipo 1 (alfa) e Tipo 2 (beta), conforme indicado na tabela acima.
Selecionar o valor crítico correto permite eliminar os erros alfa do tipo 1 ou limitando-os a um intervalo aceitável.
Alpha denota o erro no nível de significância, e é determinado pelo pesquisador. Para manter o significado padrão de 5% ou o nível de confiança para cálculos de probabilidade, isso é mantido em 5%.
"Este critério (alfa) geralmente é definido como 0,05 (a = 0,05) e comparamos o nível alfa com o valor p. Quando a probabilidade de um erro de Tipo I é inferior a 5% (p & lt; 0,05), decidimos rejeitar a hipótese nula; De outra forma, mantemos a hipótese nula. "O termo técnico usado para esta probabilidade é o valor p. É definida como "a probabilidade de obter um resultado da amostra, dado que o valor indicado na hipótese nula é verdadeiro. O valor p para obter um resultado da amostra é comparado ao nível de significância ". Um erro de Tipo II, ou erro beta, é definido como "a probabilidade de manter incorretamente a hipótese nula, quando de fato não é aplicável a toda a população".
Alguns outros exemplos demonstrarão isso e outros cálculos.
Exemplo 1. Existe um esquema de investimento de renda mensal que promete rendimentos mensais variáveis. Um investidor investirá nisso somente se tiver certeza de uma renda mensal média de US $ 180. Ele tem uma amostra de retornos de 300 meses que tem uma média de US $ 190 e desvio padrão de US $ 75. Deveria investir nesse esquema?
Vamos configurar o problema. O investidor irá investir no esquema se ele ou ela tiver certeza do seu retorno desejado de US $ 180. Aqui,
H 0: Hipótese nula: média = 180.
H 1: Hipótese Alternativa: média & gt; 180.
Identificar um valor crítico X L para a média da amostra, que é grande o suficiente para rejeitar a hipótese nula - ou seja, rejeitar a hipótese nula se a média da amostra & gt; = valor crítico X L.
P (identificar um erro alfa do Tipo I) = P (rejeitar H 0 dado que H 0 é verdadeiro),
o que seria alcançado quando a média da amostra exceder os limites críticos, isto é,
= P (dado que H 0 é verdadeiro) = alfa.
Tomando alfa = 0,05 (isto é, nível de significância de 5%), Z 0,05 = 1,645 (da tabela Z ou da tabela de distribuição normal)
Uma vez que a amostra significa (190) é maior do que o valor crítico (187,12), a hipótese nula é rejeitada e a conclusão é que o retorno mensal médio é de fato maior que $ 180, pelo que o investidor pode considerar investir neste esquema.
Método 2 - Usando estatísticas de teste padronizadas:
Pode-se usar também o valor padronizado z.
Estatística de teste, Z = (média da amostra - média da população) / (std-dev / sqrt (número de amostras), isto é,
Então, a região de rejeição se torna.
Z = (190 - 180) / (75 / sqrt (300)) = 2.309.
Nossa região de rejeição com nível de significância de 5% é Z & gt; Z 0,05 = 1,645.
Uma vez que Z = 2.309 é superior a 1.645, a hipótese nula pode ser rejeitada com a conclusão similar mencionada acima.
Método 3 - Cálculo do valor P:
Pretendemos identificar P (amostra média & gt; = 190, quando média = 180)
= P (Z & gt; = (190- 180) / (75 / sqrt (300))
A tabela a seguir para inferir cálculos de valor p conclui que há evidências confirmadas de retornos mensais médios superiores a 180.
Evidência confirmada apoiando hipóteses alternativas.
entre 1% e 5%
Forte evidência apoiando hipóteses alternativas.
entre 5% e 10%
Evidência fraca apoiando hipóteses alternativas.
superior a 10%
Nenhuma evidência apoiando hipóteses alternativas.
Exemplo 2: Um novo corretor de ações (XYZ) afirma que suas taxas de corretagem são menores do que o seu corretor de estoque atual (ABC). Os dados disponíveis de uma empresa de pesquisa independente indicam que a média e o std-dev de todos os clientes do corretor ABC são de US $ 18 e US $ 6, respectivamente.
Uma amostra de 100 clientes de ABC é tomada e as taxas de corretagem são calculadas com as novas taxas do corretor XYZ. Se a média da amostra é de US $ 18,75 e o std-dev é o mesmo ($ 6), pode ser feita qualquer inferência sobre a diferença na conta de corretagem média entre o corretor ABC e XYZ?
H 0: Hipótese nula: média = 18.
H 1: Hipótese Alternativa: média & lt; & gt; 18 (É o que queremos provar)
Região de rejeição: Z & lt; = - Z 2.5 e Z & gt; = Z 2.5 (assumindo um nível de significância de 5%, dividir 2,5 em cada lado)
Z = (média da amostra - média) / (std-dev / sqrt (número de amostras)
= (18.75 - 18) / (6 / (sqrt (100)) = 1.25.
Este valor Z calculado cai entre os dois limites definidos por.
Isso conclui que não há evidências suficientes para inferir que há alguma diferença entre as taxas de seu corretor existente e novo.
Alternativamente, o valor p = P (Z & lt; -1,25) + P (Z & gt; 1,25)
= 2 * 0,1056 = 0,2112 = 21,12% que é superior a 0,05 ou 5%, levando à mesma conclusão.
Gráficamente, é representado pelo seguinte:
Pontos de crítica para método de teste hipotético:
- Método estatístico baseado em premissas.
- Erro propenso como detalhado em termos de erros alfa e beta.
- A interpretação do p-valor pode ser ambígua, levando a resultados confusos.
O teste de hipóteses permite que um modelo matemático valide uma reivindicação ou uma idéia com certo nível de confiança. No entanto, como a maioria das ferramentas e modelos estatísticos, isso também está limitado por algumas limitações. O uso deste modelo para tomar decisões financeiras deve ser considerado com criatividade, mantendo todas as dependências em mente. Métodos alternativos como a inferência bayesiana também merecem ser explorados para análises semelhantes.

Paradigmas de formulação de estratégia de negociação.
Isso exige trabalho árduo e esforços consistentes para obter lucro na negociação de ações. Pode-se ouvir muitas histórias de sucesso sobre a obtenção de lucros na negociação de ações, mas uma clara distinção entre sorte e disciplina é essencial para pegar essas histórias. Nesta publicação, procuramos fornecer-lhe através de estratégias de negociação quantitativas alguns métodos comprovados que geram lucros significativos.
Há necessidade de uma abordagem disciplinada na construção de uma estratégia comercial. Pode ser categorizado nas seguintes etapas.
Formação de hipóteses Back-testing e otimização Estratégia de codificação na plataforma de negociação Simulador de testes Negociação ao vivo no mercado.
A formação da hipótese é sobre o que você acha que o comportamento do mercado é. Se você acredita que o mercado está tendendo otimista, você gostaria de passar por muito tempo, se você acha que o mercado tende a sofrer uma baixa, você gostaria de ficar curto. Uma dessas hipóteses na negociação técnica é "se o preço diário for maior do que a média móvel de N dia, é hora de comprar e se o preço for inferior ao preço médio móvel de N dia, é hora de vender.
Uma vez que a hipótese é formulada, os próximos passos são back-testar a estratégia e otimizar os parâmetros. A média móvel do dia "N" pode ser qualquer número dizer 20, 40 ou 200 dias de média móvel.
Back-testing é essencial para observar qual das janelas médias móveis forneceu os melhores retornos.
Para uma otimização de exemplo de média móvel, envolve a escolha do melhor período de média móvel, o limite de perda de parada que deve ser definido e o limite de lucro após o qual a posição deve ser ajustada ao quadrado. É suficientemente sábio dividir os dados em duas partes e aplicar back-test no primeiro semestre. Com os parâmetros definidos, execute esses parâmetros otimizados na segunda metade dos dados. Se os resultados forem consistentes com os resultados dos back-test na primeira metade, então troque com o mesmo conjunto de parâmetros escolha o próximo conjunto melhor.
Uma vez que a negociação quantitativa envolve a programação, você precisa escolher uma linguagem de codificação e uma plataforma de negociação para executá-la. Muitos dos comerciantes de varejo usam C ++, C # ou Java para execução comercial. Depois de ajustar os parâmetros no back-testing, é bastante tentador pular o navio e começar a comercializar no mercado ao vivo. Deve-se notar que o desempenho passado não é um indicador para o futuro. Portanto, a melhor maneira de olhar para a frente em sua estratégia é testá-lo no ambiente de marketing virtual (simulado). Isso lhe dará uma imagem clara de como a sua estratégia funciona no mercado ao vivo.
Uma vez que você está confiante sobre os resultados do back-test e negociação virtual, é show-time para negociação ao vivo. A seguir está a lista de parâmetros que devem ser estimados quando você executa a negociação ao vivo.
CAGR (Taxa de Crescimento Anual Composto) Índice de acertos Lucro médio por negociação Perda média por negociação Remessa máxima Perda consecutiva máxima A volatilidade retorna a proporção Sharpe.
É importante considerar o cenário de mercado ao escolher o período de negociação para o back-testing. Selecionar uma duração de negociação que tenha uma tendência típica não daria a imagem completa. An ideal market scenario has four phases i. e. consolidation, bullish, distribution and bearish. Consolidation is a phase where the stock moves within a defined pattern within a barrier level. Distribution phase is an accumulation phase that signifies the end of bearish trend and the beginning of bullish trend. So care has to be taken that the back-testing window you choose for testing the strategies includes all the possible market scenarios.
Trading in the stock markets always involve an element of risk. There is a saying, “No pain, No gain”. A wise advice would be choose what pain you can live with, rather than choosing what gain you want to make. To quantify the statement you should balance the risk reward ratio. You should ask yourself “What is your risk appetite? Do you prefer low risk - low return or high risk high return? Do you want higher returns with high leverage and prone to maximum drawdowns or do you prefer nominal returns with little or no leverage?” Clarity of thought is important in making trade related decisions and answering these questions gives you a clear picture of what your approach towards trading should be.
As Warren Buffet says, “Don’t make the same mistake twice!”. One and only mantra for success is to improve day by day.
Webinar Video.
After reading this article, you’ll know fundamentals of trading strategy formation. You can start designing a trading strategy using R (open source platform) with the help of this example. We also have an interactive self-paced 10 hours long datacamp course ‘Model a Quantitative Trading Strategy in R‘ that will allow you to test your skills.