Portfolio-Geldmanagement und mehrarmige Banditen
3 Antworten
mikeyc
vor 10 Jahren #115126
Bei meiner regelmäßigen Lektüre über maschinelles Lernen und Optimierung bin ich auf ein Problem gestoßen, das als mehrarmiges Banditenproblem bekannt ist. Dabei handelt es sich um eine Reihe von Spielautomaten (man denke an Vegas), die unterschiedliche Auszahlungswahrscheinlichkeiten und -verteilungen haben.
Bei diesem Problem wissen wir nicht, welche die besten sind, um unsere Rendite zu maximieren.
Einige Diskussionen hier
https://dataorigami.net/blogs/napkin-folding/79031811-multi-armed-bandits
https://msdn.microsoft.com/magazine/mt703439(für C#-Codierer wie mich)
http://iosband.github.io/2015/07/19/Efficient-experimentation-and-multi-armed-bandits.html
Mir scheint, es ist ähnlich wie bei der Auswahl von SQ-Strategien, die wir in einem Portfolio verwenden wollen. In welche sollten wir unser Geld stecken, da sie im Laufe der Zeit Gewinne und Verluste abwerfen?
Ich überlege, eine gemeinsame Bibliothek für MQ4 zu erstellen, die den Geldverwaltungsaspekt des Portfolios behandelt.
Haben Sie eine Idee?
0
Patrick
vor 10 Jahren #136963
Erhöhen Sie die Handelsgröße für eine Strategie, die Gewinne abwirft, und verringern Sie die Handelsgröße für eine Strategie, die Verluste macht.
Option ist es, einen festen Betrag zu riskieren (100$ für 10k $ Konto = 1%) und wenn die Strategie im Gewinn ist (Gesamtgewinn/Verlust >0) dann erhöhen Sie die Handelsgröße für den nächsten Handel auf 100$+x% vom Gesamtgewinn. Wenn die Strategie im Verlust ist (Gesamtgewinn/-verlust<0), dann verringern Sie das Risiko auf 100$-x% des Gesamtverlustes.
Der mq4 muss also die Historie prüfen und den Gesamtgewinn/-verlust sowie das Risiko der Strategie nach der Änderung zählen.
müssen nur noch programmiert werden.
0
Schwellenwert
vor 10 Jahren #136970
Dies ist dasselbe wie der Versuch, eine einzelne Strategie zu "handeln". Soweit ich weiß und recherchiert habe, ist der "Handel" mit der Equity-Kurve einer Strategie weitgehend entlarvt worden.
Wenn eine Strategie im Portfolio zu einem Verlierer wird, mit quantitativem Beweis, dass sie außerhalb ihrer historischen Genauigkeit performt, warum wird sie nicht einfach abgeschaltet (vielleicht wird sie auf der Demo weiter beobachtet, um zu sehen, ob sie zu "normal" zurückkehrt). Wenn die Wertentwicklung innerhalb der historischen Genauigkeit liegt und Sie das Risiko reduzieren, ist das genau der Zeitpunkt, an dem die Chance besteht, aus dem Drawdown auszubrechen, aber jetzt, da das Risiko reduziert wurde, ist er doppelt so lange in einem DD gefangen. Langfristig gesehen ist dies ziemlich schädlich: ein höheres Risiko beim Eintritt in eine Rückstufung und ein geringeres Risiko beim Ausbruch aus einer solchen. All dies fällt in den Bereich des Equity-Curve-Trading. Das Überspringen von Trades (quantitativ) auf der Grundlage der historischen Aktienkurve fällt ebenfalls unter den Aktienkurvenhandel. Perry Kaufman hat dies alles eingehend untersucht und kam zu dem Schluss, dass es nutzlos ist. Ich bin mir jedoch sicher, dass einige Banken und Hedge-Fonds dank der Teams genialer Quants, die Tausende von Stunden mit dem Testen/Verifizieren verbringen, diese Methode anwenden, aber-
Für mich gibt es keine Grauzone, und ich versuche, die Dinge einfach zu halten, was die robusteste Maßnahme ist, die ich ergreifen kann: eine Strategie ist entweder innerhalb ihrer historischen Prüfung und seine gut (auch in einem DD), oder seine nicht und seine getan.
Für den Betrieb von 25+ gleichzeitigen EAs auf niedrigem 0.25%-0.5% Risiko wäre der "Slot Machine" Algo eine gute Möglichkeit, die Verlierer komplett auszuschalten oder ihre Risikogröße zu verwalten.
Wenn Marc irgendwann den SQ Trader macht, denke ich, dass diese Art von Material ideal dafür wäre.
0
mikeyc
vor 10 Jahren #136980
Eine wirklich gute visuelle und interaktive Demonstration finden Sie hier:
https://e76d6ebf22ef8d7e079810f3d1f82ba1e5f145d5.googledrive.com/host/0B2GQktu-wcTiWDB2R2t2a2tMUG8/
Wie Sie sehen können, erforscht der Algorithmus die "Banditen" und lernt, welche die besten Auszahlungen bieten. Sie können die Maus in das Feld für die Auszahlungswahrscheinlichkeit jedes Bandits ziehen, um die Auszahlung zu ändern, während die Simulation läuft, und der Algorithmus lernt, sich an die neuen Auszahlungen anzupassen.
Ich kann mir eine ähnliche Anwendung vorstellen, wenn es darum geht, Strategien mit schlechter Performance automatisch aus einem Portfolio zu streichen und neue Strategien in den Live-Handel einzubringen. Das Entscheidende bei diesem Ansatz ist, dass er den Gewinn maximiert und gleichzeitig das "Bedauern" über die Wahl schlechter Ergebnisse minimiert, und das sehr schnell.
0
Ansicht von 3 Antworten - 1 bis 3 (von insgesamt 3)