Monte Carlo - Dégradation aléatoire de l'exécution

Les imperfections d'exécution, telles que le glissement des prix ou l'élargissement temporaire des écarts, sont des phénomènes courants dans les transactions en direct. Ces facteurs peuvent faire en sorte que le prix de clôture réel d'une transaction soit moins favorable que le prix idéal observé ou visé pendant le backtest. Cette simulation Monte Carlo modélise l'impact de ces problèmes d'exécution aléatoires.

Si nous appliquons ce test de Monte Carlo, un pourcentage aléatoire de transactions (Probabilité) pendant le backtest verront leur résultat d'exécution dégradé. Pour ce faire, on aggrave le Prix de clôture des transactions sélectionnées. Le montant par lequel le Prix de clôture est aggravé est également aléatoire pour chaque commerce touché, calculé comme un pourcentage aléatoire (jusqu'à Pourcentage de dégradation maximale) de la fourchette de prix couverte par ce commerce spécifique (de Prix ouvert à l'original Prix de clôture). Un prix "moins bon" signifie un inférieur prix de clôture pour les transactions à long terme et un prix de clôture pour les transactions à court terme. plus élevé Le prix de clôture pour les transactions à découvert, réduisant ainsi les profits ou augmentant les pertes.

En d'autres termes, en exécutant 500 backtests (ou un nombre différent), où chaque backtest applique cette dégradation aléatoire des prix à un sous-ensemble différent de transactions et avec une sévérité variable, vous pouvez acquérir une perspective d'analyse Monte Carlo sur la sensibilité de la stratégie aux variations de la qualité d'exécution.

Dans cet exemple particulier, nous pourrions effectuer 100 simulations avec une dégradation de l'exécution aléatoire appliquée comme décrit.

Ce test diffère de l'application d'une valeur de dérapage fixe à toutes les transactions. Ici, l'effet de dégradation est probabiliste :

1. Qui est aléatoire (sur la base des données de la Probabilité).

2. Combien chaque commerce touché est dégradé est également aléatoire (jusqu'à Pourcentage de dégradation maximale de sa portée).

Par conséquent, chaque simulation représente un scénario de backtest unique. Une simulation peut voir les transactions #5, #23 et #58 se dégrader légèrement, tandis qu'une autre simulation peut affecter les transactions #12, #23, #45 et #70, la transaction #23 pouvant subir une dégradation de prix plus importante que dans la première simulation. Si le nombre de simulations de Monte Carlo est fixé à 500, il y aura 500 résultats de backtest uniques, chacun reflétant un modèle plausible différent d'imperfections d'exécution aléatoires. Cela permet d'évaluer la robustesse de la stratégie face aux variations d'exécution imprévisibles rencontrées sur les marchés réels.

Comment importer des snippets / indicateurs personnalisés dans SQX :

• https://strategyquant.com/doc/programming-for-sq/import-export-custom-indicators-and-other-snippets/