Teste de permutação Monte Carlo de mestres timóteos

Espero que tudo esteja bem!

Duas perguntas sobre o teste de permutação de Monte Carlo:

1. Apenas se perguntando se a SQ está pensando em adicionar o teste de permutação MC dos mestres do timothy como teste de robustez?

2. O teste de permutação Monthe Carlo utiliza mudanças de preços relativos em vez de pontos de preços absolutos. Isto significa que os sinais comerciais, regras e indicadores técnicos devem ser projetados para trabalhar em mudanças de preços relativos em vez de pontos de preços abstratos. Apenas se perguntando se os sinais que são implementados no SQ são compatíveis para fazer tal análise?

Obrigado de antemão!

Mais informações sobre o teste de permutação de Monte Carlo

O teste de permutação Monte Carlo dos Mestres Timothy é uma técnica estatística usada para testar o significado e a robustez do desempenho de uma estratégia comercial. O teste envolve a simulação de múltiplas iterações da estratégia usando versões aleatórias de dados históricos permutados, permitindo ao trader avaliar o desempenho da estratégia sob diferentes cenários e determinar a significância estatística dos resultados.

Para realizar este teste, o Mestre primeiro transforma os pontos de preço absoluto em pontos de preço relativo tomando o logaritmo dos pontos de preço absoluto e, em seguida, tomando as diferenças entre logs consecutivos. Esta transformação resulta em uma série de logaritmos que podem ser interpretados como variações de preço relativo. A vantagem de utilizar os log-retornos em vez de simples retornos é que eles são aditivos ao longo do tempo e são normalmente distribuídos, tornando-os mais adequados para análise estatística.

Em seguida, os dados históricos são permutados aleatoriamente para criar múltiplos conjuntos de dados simulados, cada um com um arranjo diferente de preços históricos. Para cada conjunto de dados simulados, a estratégia de negociação é executada para gerar um conjunto de negociações e valores de carteira resultantes. O processo é repetido para muitas iterações, cada vez usando uma permutação aleatória diferente dos dados históricos.

Finalmente, os resultados das operações simuladas são comparados com o desempenho real da estratégia comercial. O objetivo desta comparação é determinar se o desempenho observado da estratégia comercial é estatisticamente significativo ou se poderia ter sido obtido por acaso. Se os resultados das operações simuladas forem significativamente diferentes do desempenho real da estratégia de negociação, isso sugere que o desempenho observado da estratégia pode não ser robusto e pode ter sido influenciado pela disposição específica dos preços históricos usados na análise.

Hi  TP

This “step” (or similar) is almost a must for data mining of large number of strategies since luck will be part of the strategy population. T Masters approach seem very simple yet robust. I also vote for this to be implemented. Note that in your step 2 there is no need for any changes to handle the relative price point. The relative price point is only necessary when building the population of the modified historical data, once you have those you just exponentiate these and they are normal “fake” historical data. Only difference is that your randomization of the relative price changes have erased the “signal” in the data. The signal/pattern that your robust strategy should be picking up and thus running the strategy on 500 or 1000 of these should result in worse performance for >>90%… if not, your strategy does not pick up a “signal” and does ~not have a real edge. (assuming I understand T Masters MC approach to filter out lucky strategies) What is necessary is to handle a large number of historical data-series in SQX which I have not seen yet.. but I have limited experience with it.  Anyone know any similar robust test that is statistically sound and does not use the OOS data?