StrategyQuant bringt junge Talente mit Algo-Trading zusammen

Die Studenten und ich begannen, mithilfe eines genetischen Algorithmus Strategien für Währungen, Indizes, Metalle und Aktien zu entwickeln. Dann konnten wir sehen, welche Märkte besser und welche schlechter algorithmisch zu handeln waren. Wir entwickelten Strategien hauptsächlich für den Zeitrahmen H1. In der Schule liefen mehrere Computer ununterbrochen, um Strategien zu generieren und sie anschließend zu optimieren. Die generierten Quellcodes, die den Out-of-Sample-Test bestanden, importierten wir in das Handelsprogramm MetaTrader 5. Dort sortierten wir die Strategien von den besten bis zu den schlechtesten und begannen, sie für verschiedene Daten von verschiedenen Brokern zu optimieren. Wir entschieden uns für die Optimierung auf den Daten von 2018 - 2021, wobei wir 1/2 der Daten für die Optimierung und 1/2 als Out-of-Sample-Test verwendeten. Wir sortierten die Ergebnisse des Out-of-Sample-Tests nach dem höchsten Gewinnfaktor und fanden in den ersten Zeilen der Ergebnisse, dass die Optimierung einen ähnlichen Gewinn wie der Out-of-Sample-Zeitraum aufweist. Diese Tatsache beweist, dass es keine Überoptimierung gab. Als Nächstes führten wir das Setup mit den Daten für die Jahre 2021 bis 2022 durch. Es wurde festgestellt, dass jeder Algorithmus eine etwas geringere Rentabilität als die Optimierung aufweist und dass diese Rentabilität im Laufe der Zeit gegenüber dem optimierten Zeitraum abnimmt.

Hier ein Beispiel für die Optimierung von US500 auf der Grundlage von Daten aus den Jahren 2018 bis 2021, wobei die Hälfte der Daten für die Optimierung und die andere Hälfte für die Bestätigung außerhalb der Stichprobe verwendet wird: