Tvrdím, že žádná metoda, která je široce dostupna pro průměrného tradera ze principu nemůže fungovat na vyspělém vysoce likvidním trhu. Dostupností se rozumí jednoduchost samostatné realizace, nebo nákup za nevelkou cenu programů autotradingu. Například, realizovat výpočet průsečíků dvou linií MAD nedělá prakticky žádný problém ani traderu-nováčkovi.
Důkaz tohoto tvrzení je jednoduchý. Trh vytvářejí jeho účastníci: banky, obchodní a výrobní společnosti, a v určité míře i celý souhrn traderů. Právě tradeři dělají trhy efektivními. Kdyby existovala možnost zakázat spekulativní operace na trhu, pak samozřejmě by se trh nestal najednou plně předpovídatelným. Ale dostatečně efektivně prognózovat trhy by bylo možné standardními metody, které jsou široce a s úspěchem používaný v jiných ekonomických oblastech – v retailu, v bankovnictví, v pojišťovnictví atd. Obraty, které vytvářejí tradery v celkovém součtu nejsou tak velké ve srovnání se zbývajícím tržním obratem. Ale i tržní závislosti nejsou až tak silné. Celková masa traderů se snaží vydřít z trhu maxima a tím ruší tržní závislosti. Současně probíhá rozdělení příjmů, který lze omezeně „vydřít“ z tržních zákonitostí mezi celkovým „kolektivem traderů“. Samozřejmě, rozdělení příjmů není rovné. Je očividní, že lví podíl nedostávají ti, kteří obchodují podle MACD, eliotových vln, úrovní Fibonacci a jiných metod, široce popsaných v populární a dostupné literatuře. Někteří „specialisté“ se vrhají do jiného extrému a pletou složitost metody se složitostí výpočtu – začínají používat „složité“ metody jako je „Neurosítě“ bez fundamentálního pochopení, nakolik jsou standardní algoritmy neurosítí náročné k objemu a ke kvalitě zpracovávaných dat.
Setkal jsem se s názorem, že prognózy vydávané populárními indikátory se mohou následně samostatně realizovat. Jakoby většina traderů vidí prognózy ve svých obchodních terminálech, začíná otevírat pozice v určitém směru. Kvůli tomu poptávka roste a cena nástroje se též začíná měnit ve směru masově otevíraných pozic. Ale je třeba si pamatovat na faktor likvidity a na mechanismus práce „sklenici“ pozic. V nějakém okamžiku kvůli zkřivení nabídky a poptávky vzniká deficit nabídky, a tradeři s pocítěním rizika likvidity začínají o závod posouvat ceny k nejbližším opačným pozicím ve „sklenici“ tak, aby dříve než ostatní mohli uzavřít svoje pozice. Obvykle v těchto okmažících vidíme prudké obraty trendu vypadající jako ostrý sraz. Včas uzavřít pozice nestíhají všichni. A to je smutné
Existuje taký názor, že vnímavým a pozorným vizuálním studiem grafu kotací lze zpozorovat trendy, obraty trendu, hlavu-ramena, tři samuraje pozorujících jarní sakuru na svahu sváté hory Fudzijama, a jiné nepochybně zajímavé tržní „figury“. Po zpozornění podobných „jevů“ uskutečňovat na jejich základě ziskové obchodní operace. Problém spočívá v tom, že vizuální systém člověka (trader je také člověk) se mnoho milionů let vyvíjel pro splnění úloh typu lovu na mamuta. Ano, geneticky jsme kromaňonci, sběratele hub-jahod, lovci mamutů. Vizuální systém člověka se během milionů let přizpůsobil prognózování procesů přírodního charakteru. Moderní trhy existují ne více než 100 let a jsou umělým procesem.
Proto v kotacích lidské oko snadno vidí trendy a figury, které v realitě na trhu nejsou. A právě proto místo zdařeného lovů na pipy to vychází na lov na „losa“.
Tato sekce byla pouze o kvalitním usuzování (Lyrika). Zkusme dále ukázat maximální komplikovanost vyhledávání reálných tržních závislostí na příkladě použití metod statistické analýzy (Fyzika).
Analyzujeme tržní data
Zkusmě na jednoduchém příkladě ukázat složitost analýzy tržních údajů. Budu přistupovat k analýze tržních dat jako k analýze časových řad. Jsou potřeba některé znalosti o analýze časových řad, autoregresi, důkazech statistických hypotéz. Základními znalostmi v této oblasti musí disponovat každý specialista, který se zabývá autotradingem. Pokud s tím někdo nesouhlasí, nabízím o tom debatovat v komentářích.
V obecném případě se analýzou závislostí v časových řadách rozumí vyhledání vůbec jakýchkoliv závislostí, vyjadřovatelných matematickými prostředky. Nicméně rámec článku mě nutí omezit se na standardní metody analýzy – na autoregresi a na rozložení.
Na obrázku 1 je příklad omezených pozorování některé časové řady, kterou může být historie kotací (například, cen uzavření barů) některého tržního nástroje (měnového páru, akcie, burzovního indexu atd). Lze říct, že graf připomíná chování Forex.
Obrázek 1 – Omezená pozorování některé časové řady. Možná kotace některého měnového páru forex. Vidíte mamuta?
Připomínám, že prvním okamžikem se rozumí vzetí rozdílu od sousedních čtení časové řady. Operace přechodu k časové řadě prvních okmažíků výchozí řady občas umožňuje zbavit se nestacionarity. Prozkoumejme rozložení prvních okamžiků uvedené časové řady. Na obrázku 2 je hodnocení rozložení prvních okamžiků
Obrázek 2 – Rozložení prvních okamžiku časové řady (viz Obr. 1) Dané rozložení lze pokládat za normální (normal distribution) s nulovým matematickým očekáváním a jedinečnou standardní odchylkou (standard deviation). Zjištění faktu normálního rozložení nám dává právo použit standardní metody kontroly statistických hypotéz, konkrétně zkontrolovat autokorelaci (Obr. 3). Obrázek 3 –Koeficienty autokorelace pro okamžiky 1-ího pořadí výchozí časové řady Graf autokorelace rychle klesá. Již při t-3 (při logu = 3) se autokorelace mění svůj znak s kladného na záporný. Maximální koeficient autokorelace je dosažen při t-1 (při logu 1) a rovná se 0.074. Kritická úroveň autokorelace v dvoustranném t-testu s úrovni významnosti 0.05 a počtu pozorování 500 se přibližně rovná 0.089, což je více než maximální námi dosažený koeficient autokorelace. To znamená, že podle statistických standardů existence autokorelace není dokázána. Alternativní řešení – používat méně strohou úroveň významnosti (Například, 0.1 nebo 0.2). Zde vidíme typický problém výzkumu trních dat, veškerá hodnocení prakticky důležitých závislostí jsou na hranici nebo za hranici statistické dokazatelnosti. Ve stejnou dobu cena chybných důsledků je zcela konkrétní – ztráty. Vytváříme obchodní strategii Jelikož na etapě předběžné analýzy jsme pozorovali přece slabou, ale pozitivní autokorelaci, pak lze se pokusit vybudovat několik triviálnějších obchodních strategií, využívajících této vlastnosti. Pro zjednodušení nebudu počítat stop-levely a spready. Vybudoval jsem tři primitivní obchodní strategie, které používají při přijetí rozhodnutí analýzu pouze 3 naposledy uzavřených barů. Tyto strategie nemají naladěné parametry a nevyžadují provedení procedury optimalizace. Hodnotit efektivitu strategií budeme podle křivky ziskovosti a koeficientu ziskovosti. Koeficient ziskovosti se určuje jako poměr sumy všech vyhér k sumě všech ztrát . Existují i jiná kritéria efektivity obchodních strategií, ale pro účely články jsou zde uvedená kritéria dostačující.. Tabulka 1 - koeficient ziskovosti strategií Jak vidíme z tabulky 1 nejlepší efektivitu demonstruje obchodní strategie číslo 2. Ale vzpomeňme si, jak jsme hodnotili spolehlivost autoregrese. Hodnotili jsme důvěrnou pravděpodobnost a uskutečňovali jsme proceduru dokazování statistické hypotézy existence autokorelace. Lze podobné procedury dokazování významnosti vybudovat i pro hodnocení obchodních strategií? To je druhý problém analýzy tržních dat – nevyvinutost statistického aparátu pro hodnocení obchodních strategií ve srovnání s „klasickými“ úlohy aplikované statistiky. Někteří specialisté na obchodní strategie mohou říct, že podle jejích „zkušeností“ získané hodnoty profit factor jsou nedostačující, že je potřeba dosáhnout profit factoru ne méně 2, což vyžaduje redukovat drawdowny. Ale jakým způsobem dosahují těchto hodnot? Pravděpodobně prostřednictvím zavedení parametrů naladění, optimalizace, zkrácení období optimalizace pro „lepší evidenci“ posledních tržních změn. Ale všechny podobné kroky v „klasické“ aplikované statistice automaticky zpřísňují a komplikují požadavky k dokazování existence statistických vazeb, efektu. Nemyslím si, že oblast automatizace obchodování nepodléhá stejným požadavkům. Tím pádem „vyhnout se“ přísné statistické analýze nepůjde. Níže jsou uvedeny křivky ziskovosti obchodních strategií získané na dostupné omezené sadě dat. (Obr. 1). Cítíte jistotu v ziskovosti těchto obchodních strategií? Rozhodli jste se je využívat k obchodování? S bohem. Otevřeme karty, časová řada na obr.1 je plně popisovatelná modelem Brownového pohybu a je zformovaná pomocí dost dobrého generátoru náhodných čísel z balíku MX Excel Data Analysis (lze též využívat funkci RAND v Excelu). Jinými slovy, na dané časové řadě ze principu nelze vybudovat ziskovou obchodní strategii. Ale jak je podobná řadě kotací Forex! Ah, jak podobná... V tomto případě je nám předem znám model časové řady a přesně známe její vlastnosti. Ale v realitě plně určit model tržních časových řad se nedaří. Co více, můžeme jenom zachycovat některé „slabé“ statistické závislosti. Závěry Na jednoduchém příkladě jsem ukázal složité problémy vznikající při vybudování obchodních strategií.: 1. Jednoduchá vizuální analýza efektivity obchodních strategií nedává dobré výsledky ze stejného důvodu, ze kterého nedává výsledek vizuální rozpoznávání trendů a figur. Lidské oko je geneticky přizpůsobeno pro lov na mamuty a pro sbírání, a ne pro analýzu složitých umělých procesů. 2. Jednoduché prostředky technické analýzy včetně populárních indikátorů a nástroje vytvoření obchodních robotů neumožňují traderovi vydělávat. Populární prostředky neumožňují traderovi vyniknout v celkovém „davu“ a získat větší kousek traderského dortu. Ziskavají se pouze “drobky», tenkou vrstvou rozmazané po celkovému kolektivu traderů. I tyto drobky jsou efektivně vyjídány spready a komisí brokerů-zprostředkovatelů 3. Objevované prakticky důležité statistické vazby v tržních datech neprochází standardní procedurou dokazování hypotéz. 4. Pro šíření metrik efektivity obchodních strategií nejsou opodstatněná hodnocení intervalů důvěry, procedur určení kritických hodnot. Je těžké v čísle vyjádřit jaké jsou vaše šance dostat zisk podle některé obchodní strategie 5. Statistické podmínky, jako je například rozložení, se daří určit pouze přibližně. Stacionarita tržních časových řad anebo jejích transformací se nedaří potvrdit. Řešení uvedených problémů může podle mého názoru spočívat v použití tržní historie, která obsahuje významné období pozorování (5 a více let). Také nabízím široce využívat cross-testování obchodních strategií a imitační modelování, neparametrické metody hodnocení. I když je pravda, že tyto metody vyžadují pokročilejší programování, složitý SW a seriózní výpočetní zdroje. (Pozn.: poslední část obsahuje mnoho vzorců, proto je lepší jí uvést pomocí screenshotu z MS Word). Uvítám konstruktivní diskuzi S pozdravem
