Analyse der Effektivität von adaptiven Blöcken auf den Märkten GBPUSD, EURJPY und NQ

In den letzten Monaten haben wir neue Vergleichsblöcke, Crosses Above/Below Adaptive und IsGreater/IsLower Adaptive, auf unserem Codebase-Server eingeführt. Diese fortschrittlichen Vergleichsblöcke in Handelsstrategien bewerten die historische Performance bestimmter Signale, bevor sie deren Gültigkeit bestätigen. Im Gegensatz zu traditionellen Blöcken, die nur die aktuellen Marktbedingungen analysieren, untersuchen adaptive Blöcke Daten aus der Vergangenheit, um die statistische Zuverlässigkeit eines Signals zu überprüfen.

Ziel dieser Forschungsarbeit ist es, zu überprüfen, ob die Generierung von Strategien mit adaptiven Blöcken im Vergleich zu traditionellen, nicht-adaptiven Blöcken bessere Ergebnisse liefert. Als Teil des Experiments haben wir eine Methode entwickelt, die es uns ermöglicht, Tausende von Strategien zu vergleichen und eine statistische Analyse ihrer Leistung durchzuführen.

Methodik des Experiments:

  • Wir haben 20 benutzerdefinierte symmetrische Regeln für jeden Typ von Vergleichsblock erstellt. (80 insgesamt) 
  • Es wurden vier Build-Aufgaben vorbereitet, die jeweils Strategien auf der Grundlage unterschiedlicher Bedingungen erzeugen:
    • Kreuze über/unter der Basis
    • Kreuze oben/unten Adaptiv
    • IsGreater/IsLower Basis
    • IsGreater/IsLower Adaptiv

Es werden Strategien entwickelt zufällig ohne genetische Optimierung, wobei nur ein Filter mindestens zwei Trades pro Monat erfordert.

Hypothese: Strategien, die adaptive Blöcke verwenden, sollten eine bessere Performance aufweisen, mit höheren Durchschnittswerten in der Datenbank (Nettogewinn, Gewinnfaktor, Drawdown, Stabilität und die Anzahl der Trades) im Vergleich zu Strategien, die nicht-adaptive Blöcke verwenden.

Getestete Märkte und Parameter:

  • Märkte: GBPUSD, EURJPY, NQ
  • Plattform: MT4
  • Prüfbereich: 1. Januar 2010 - 31. Dezember 2024
  • Systemtypen: Intraday (Schließung der Positionen am Ende der US-Sitzung) und Intraweekly (Schließung der Positionen spätestens am Freitag).

Die Ergebnisse dieses Experiments werden zu einem besseren Verständnis der Wirksamkeit adaptiver Blöcke und ihres Beitrags zur automatischen Generierung von Handelsstrategien führen.

Sie können die Custom Blocks/Conditions herunterladen hier.

 

In der Abbildung oben sehen Sie die Ergebnisse der Analyse von adaptiven Blöcken im Vergleich zu normalen Blöcken bei 120 Tausend Geschäften.

Interpretation der Ergebnisse:

Bessere Leistung von adaptiven Blöcken:

  • Adaptive Blöcke weisen im Allgemeinen einen höheren durchschnittlichen Gewinn auf (geringere Verluste).
  • Der Gewinnfaktor ist bei adaptiven Blöcken durchweg höher, was auf eine bessere Effizienz der Strategie hindeutet.

Geringerer Drawdown:

  • Adaptive Blöcke haben einen geringeren durchschnittlichen Drawdown, was auf ein besseres Risikomanagement schließen lässt.

Stabilität:

  • Adaptive Blöcke weisen eine höhere Stabilität auf (weniger negative Stabilitätswerte).

Anzahl der Trades:

  • Adaptive Blöcke generieren weniger Trades (Avg. NoT), was auf vorsichtige und wahrscheinlich besser gefilterte Signale hindeutet.

 

 

Zusammenfassung:

  • Adaptive Blöcke liefern durchweg bessere Leistung für fast alle getesteten Parameter und Märkte.
  • Signifikante Verbesserungen in geringerer Drawdown, höherer Gewinnfaktor und verbesserte Stabilität.
  • Adaptive Blöcke erzeugen weniger Tradeswas auf eine strengere Signalfilterung und ein geringeres Marktengagement hindeutet.

 

Schlussfolgerung:

Adaptive Blöcke erweisen sich als effektiver im Risikomanagement und erzielen bessere Ergebnisse als traditionelle Blöcke, weshalb wir in den kommenden Monaten weiter an der Verbesserung solcher adaptiven Blöcke arbeiten werden, um zu zeigen, ob ihre Leistung im Vergleich zu traditionellen Blöcken besser ist.

clonex / Ivan Hudec

Ivan Hudec – “Clonex” im Forum

Ich bin seit 15 Jahren als Trader tätig und arbeite seit 2014 mit StrategyQuant X. Derzeit mache ich drei Dinge: Ich entwickle automatisierte Strategien und teste sie unter realen Bedingungen, ich erweitere SQX selbst um benutzerdefinierte Indikatoren, Snippets und Python-Tools für maschinelles Lernen und quantitative Forschung, und ich helfe anderen Tradern, schneller ans Ziel zu kommen – ohne die jahrelangen, kostspieligen Fehler, die ich auf meinem Weg gemacht habe.
Die meisten Retail-Strategien sehen im Backtest großartig aus, versagen aber im Live-Handel. Bei meiner Arbeit geht es genau umgekehrt: um Strategien, die ehrlich, validiert und robust genug sind, um ihnen echtes Geld anzuvertrauen. Über diesen Prozess – das Gute, das Hässliche und das Überanpassen, über das niemand spricht – schreibe ich auf meiner Website algotrading.space.
Wenn Sie sich näher mit Validierung, der Entwicklung benutzerdefinierter SQX-Lösungen oder dem Aufbau eines echten Wettbewerbsvorteils durch Daten und Code befassen möchten, dann finden Sie hier alle Informationen dazu.  www.algotrading.space

2 Kommentare
Älteste
Neueste Meistbewertet
Tanay Roy
19. 1. 2025 6:41 Uhr

Wie hoch sind die Chancen, dass ich mit einer geringeren Stichprobengröße bessere Ergebnisse erziele? Ich habe z.B. einen festen Verlust von $200 und eine Stichprobengröße von 400, wenn ich jeden Handel verliere, ergibt das einen Verlust von $80000 und wenn ich die Stichprobengröße auf 200 reduziere, ergibt das einen Verlust von $40000. Die Methode macht also nichts, sondern reduziert nur meine Stichprobe. Ich möchte nur wissen, ob die adaptive Methode einen echten Vorteil schaffen kann oder nicht?

Zuletzt bearbeitet am 1 Jahr vor von Tanay Roy

Lesen Sie weiter