Se você ainda procura uma vantagem nos mercados, os sistemas de negociação mecânica são a melhor maneira de obtê-lo. Saber mais. Software de negociação para o Análise de Monte Carlo Execute a análise de Monte Carlo em seu sistema ou método de negociação existente para melhorar a precisão dos testes do seu sistema e para ajudar a evitar o ajuste de curvas. O Market System Analyzer (MSA) é um aplicativo Windows autônomo que inclui um recurso de simulação Monte Carlo fácil de usar. O software pode ser aplicado a qualquer sistema ou método comercial, independentemente do mercado ou prazo. Quando combinado com os recursos de dimensionamento de posições da MSA, a análise de Monte Carlo pode melhorar substancialmente a estimativa de taxa de retorno e redução de custos do seu sistema. O que é Monte Carlo Analysis A análise de Monte Carlo é uma técnica computacional para avaliar o impacto da variação aleatória em parâmetros de modelos de simulação. Na análise de Monte Carlo, as variáveis aleatórias de um modelo são representadas por distribuições estatísticas, que são amostradas aleatoriamente para produzir a saída dos modelos. Ao usar a análise de Monte Carlo para simular a negociação, a distribuição comercial, conforme representada pela lista de negócios, é amostrada para gerar uma seqüência comercial. Cada uma dessas seqüências é analisada e os resultados são classificados para determinar a probabilidade de cada resultado. Desta forma, é atribuído um nível de probabilidade ou confiança a cada resultado. A análise de Monte Carlo é particularmente útil para estimar a redução máxima do pico para o vale. Gerar uma melhor estimativa do levantamento possibilita avaliar melhor o risco de um sistema ou método de negociação. Ao usar uma abordagem de Monte Carlo para calcular a redução, a seqüência histórica dos negócios é randomizada e a taxa de retorno e retirada são calculadas para a seqüência aleatória. O processo é então repetido várias centenas ou mil vezes. Olhando para os resultados em conjunto, podemos achar, por exemplo, que em 95 das seqüências, a redução foi menor que 30 quando 4 da equidade foram arriscados em cada comércio. Nós interpretaríamos isso para significar que há 95 chances de que a redução seja menor que 30 quando 4 arrisque em cada comércio. A análise de Monte Carlo é fácil de aplicar no Market System Analyzer. No Market System Analyzer, a análise Monte Carlo é realizada quando o comando Monte Carlo Analysis é selecionado no menu Análise. O menu Análise contém o comando Monte Carlo Analysis. A análise é realizada na seqüência atual de trades usando quaisquer opções de análise e configuração aplicadas na seqüência atual, incluindo configurações de dimensionamento de posição, regras de dependência e assim por diante. O número de amostras para a análise pode ser inserido na guia Opções da caixa de diálogo Configuração de Análise. Neste contexto, quotsamplequot significa uma seqüência de negócios selecionada aleatoriamente. O padrão é 500 amostras, o que significa que os resultados de Monte Carlo serão baseados em 500 seqüências comerciais comerciais. Os resultados serão exibidos na janela de Resultados de Monte Carlo ao nível de confiança inserido na guia Opções. Um exemplo é mostrado abaixo. Exemplo de resultados de análise de Monte Carlo gerados pelo Market System Analyzer. Neste exemplo, o patrimônio da conta inicial foi de 10.000, e um método de dimensionamento da posição fixa com um delta de 3000 foi aplicado. A seção rotulada quotKey Results em Select Confidence Levelsquot lista a taxa de retorno, a redução do pior caso, a relação retorno-retirada e a relação Sharpe modificada em uma variedade de níveis de confiança. Observe, por exemplo, que se você exigir um nível de confiança maior, a taxa de retorno prevista será menor e a redução do pior caso será maior. A seção inferior (não mostrada) lista os resultados de simulação de Monte Carlo ao nível de confiança selecionado pelo usuário de 95. Por exemplo, os resultados podem mostrar um retorno sobre o patrimônio inicial de 900 com confiança 95 e um fator de lucro de 1,60 com confiança 95. Para aprender a analisar e explorar a dependência do comércio usando Market System Analyzer, clique no botão Próximo na parte inferior da página ou vá até a loja online abaixo para comprar sua própria cópia do MSA. Baixe uma versão de teste totalmente funcional do Market System Analyzer. Avalie o MSA por até 30 dias. Clique aqui para baixar agora sem compromisso. Para um artigo geral sobre a análise de Monte Carlo, clique aqui. Para obter uma lista completa de artigos comerciais disponíveis, selecione o link Biblioteca de artigos à esquerda. Se você gostaria de ser informado de novos desenvolvimentos, novidades e ofertas especiais do Adaptrade Software, por favor, junte-se à nossa lista de e-mail. Obrigado. Seja mais inteligente com a simulação de Monte Carlo. Na finanças, há uma quantidade razoável de incerteza e risco envolvido com a estimativa do valor futuro de números ou valores devido à grande variedade de resultados potenciais. A simulação de Monte Carlo (MCS) é uma técnica que ajuda a reduzir a incerteza envolvida na estimativa de resultados futuros. O MCS pode ser aplicado a modelos complexos, não-lineares ou usado para avaliar a precisão e o desempenho de outros modelos. Também pode ser implementado em gerenciamento de risco, gerenciamento de portfólio, derivados de preços, planejamento estratégico, planejamento de projetos, modelagem de custos e outros campos. (Para saber mais, leia Monte Carlo Simulation With GBM.) Definição MCS é uma técnica que converte incertezas em variáveis de entrada de um modelo em distribuições de probabilidade. Ao combinar as distribuições e selecionar aleatoriamente os valores deles, ele recalcula o modelo simulado muitas vezes e traz a probabilidade da saída. O MCS permite que várias entradas sejam usadas ao mesmo tempo para criar a distribuição de probabilidade de uma ou mais saídas. Diferentes tipos de distribuições de probabilidade podem ser atribuídos às entradas do modelo. Quando a distribuição é desconhecida, o que representa o melhor ajuste pode ser escolhido. O uso de números aleatórios caracteriza MCS como um método estocástico. Os números aleatórios devem ser independentes, não há correlação entre eles. O MCS gera a saída como um intervalo em vez de um valor fixo e mostra a probabilidade de o valor de saída ocorrer no intervalo. Algumas Distribuições de Probabilidade de Uso Comum na Distribuição NormalGaussiana MCS - Distribuição contínua aplicada em situações onde a média e o desvio padrão são dados e a média representa o valor mais provável da variável. É simétrico em torno da média e não está limitado. (Para leitura relacionada, veja Os Usos e Limites da Volatilidade.) Distribuição Lognormal - Distribuição contínua especificada pela média e desvio padrão. Isto é apropriado para uma variável variando de zero a infinito, com aspereza positiva e com logaritmo natural normalmente distribuído. Distribuição triangular - Distribuição contínua com valores fixos mínimos e máximos. É limitado pelos valores mínimo e máximo e pode ser simétrico (o valor médio mais provável médio) ou assimétrico. Distribuição Uniforme - Distribuição contínua delimitada por valores mínimos e máximos conhecidos. Em contraste com a distribuição triangular, a probabilidade de ocorrência dos valores entre o mínimo eo máximo é a mesma. Distribuição exponencial - Distribuição contínua usada para ilustrar o tempo entre ocorrências independentes, desde que a taxa de ocorrências seja conhecida. (Para obter mais informações, consulte Localizar o ajuste correto com distribuições de probabilidade.) Matemática por trás do MCS Considere que temos uma função real g (X) com função de freqüência de probabilidade P (x) (se X é discreto) ou densidade de probabilidade Função f (x) (se X for contínuo). Então, podemos definir o valor esperado de g (X) em termos discretos e contínuos, respectivamente: Gráfico de sensibilidade Um gráfico de sensibilidade pode ser muito útil quando se trata de analisar o efeito das entradas na saída. O que diz é que as vendas unitárias representam 62 da variância no EBITD simulado, custos variáveis para 28,6 e preço unitário para 9,4. A correlação entre vendas unitárias e EBITD e entre preço unitário e EBITD é positiva ou um aumento nas vendas unitárias ou preço unitário levará a um aumento no EBITD. Os custos variáveis e o EBITD, por outro lado, estão negativamente correlacionados e, ao diminuir os custos variáveis, aumentaremos o EBITD. Copyright ind Tenha em atenção que definir a incerteza de um valor de entrada por uma distribuição de probabilidade que não corresponde ao real e a amostragem dele dará resultados incorretos. Além disso, a suposição de que as variáveis de entrada são independentes pode não ser válida. Os resultados enganosos podem vir de entradas que são mutuamente exclusivas ou se uma correlação significativa for encontrada entre duas ou mais distribuições de entrada. Observe também que o número de testes não deve ser muito pequeno, pois pode não ser suficiente para simular o modelo, fazendo com que o agrupamento de valores ocorra. The Bottom Line A técnica MCS é direta e flexível. Não pode eliminar a incerteza e o risco, mas pode torná-los mais fáceis de entender ao atribuir características probabilísticas às entradas e saídas de um modelo. Pode ser muito útil para determinar diferentes riscos e fatores que afetam as variáveis previstas e, portanto, pode levar a previsões mais precisas. Simulação de Carlo Carlo BREAKING DOWN Simulação de Monte Carlo Uma vez que as empresas e as finanças estão atoradas por variáveis aleatórias, as simulações de Monte Carlo têm uma Vasta gama de aplicações potenciais nesses campos. Eles são usados para estimar a probabilidade de excessos de custos em grandes projetos e a probabilidade de que um preço de ativos se mova de uma determinada maneira. As telecomunicações usam-nos para avaliar o desempenho da rede em diferentes cenários, ajudando-os a otimizar a rede. Os analistas usam-nos para avaliar o risco de uma entidade ser padrão e analisar derivados, como opções. As seguradoras e os perfuradores de poços de petróleo também os usam. As simulações de Monte Carlo têm inúmeras aplicações fora dos negócios e finanças, como a meteorologia, astronomia e física de partículas. As simulações de Monte Carlo são nomeadas após o ponto quente do jogo em Mônaco, uma vez que a chance e os resultados aleatórios são fundamentais para a técnica de modelagem, como são para jogos como roleta, dados e máquinas caça-níqueis. A técnica foi desenvolvida pela Stanislaw Ulam, uma matemática que trabalhava no Projeto Manhattan. Após a guerra, enquanto se recuperava da cirurgia do cérebro, Ulam se divertiu jogando inúmeros jogos de solitário. Ele se interessou em traçar o resultado de cada um desses jogos para observar sua distribuição e determinar a probabilidade de ganhar. Ele mencionou isso para John Von Neumann, e os dois colaboraram para desenvolver a simulação de Monte Carlo. Modelagem de preços de ativos Uma maneira de empregar uma simulação de Monte Carlo é modelar possíveis movimentos de preços de ativos usando o Excel ou um programa similar. Existem dois componentes para os movimentos dos preços dos ativos: a deriva, que é um movimento direcional constante, e uma entrada aleatória, representando a volatilidade do mercado. Ao analisar os dados históricos dos preços, você pode determinar a deriva, o desvio padrão. Variação e movimento de preço médio para uma segurança. Estes são os blocos de construção de uma simulação de Monte Carlo. Para projetar uma possível trajetória de preço, use os dados de preço históricos do ativo para gerar uma série de retornos diários periódicos usando o logaritmo natural (note que esta equação difere da fórmula de alteração de porcentagem usual): retorno diário periódico ln (dias de preço nos dias anteriores Preço) Em seguida, use as funções MÉDIA, STDEV. P e VAR. P em toda a série resultante para obter o retorno diário médio, o desvio padrão e as entradas de variância, respectivamente. A deriva é igual a: retorno diário médio da deriva - (variância 2) Alternativamente, a deriva pode ser ajustada para 0, essa escolha reflete uma certa orientação teórica, mas a diferença não será enorme, pelo menos por prazos mais curtos. Em seguida, obtenha uma entrada aleatória: desvio padrão do valor aleatório NORMSINV (RAND ()) A equação para o preço dos dias a seguir é: dias seguintes preço preço de hoje e (valor aleatório da desvio) Para levar e para uma determinada potência x no Excel, use o EXP Função: EXP (x). Repita este cálculo o número desejado de vezes (cada repetição representa um dia) para obter uma simulação de movimento futuro do preço. Ao gerar um número arbitrário de simulações, você pode avaliar a probabilidade de um preço de segurança seguir uma trajetória determinada. Aqui está um exemplo, mostrando cerca de 30 projeções para o estoque do Time Warner Incs (TWX) para o restante de novembro de 2017: as freqüências de diferentes resultados gerados por esta simulação formarão uma distribuição normal. Isto é, uma curva de sino. O retorno mais provável está no meio da curva, o que significa que existe a mesma chance de que o retorno real seja maior ou menor que esse valor. A probabilidade de o retorno real estar dentro de um desvio padrão da taxa mais provável (esperada) é de 68 que será dentro de dois desvios padrão é 95 e que será dentro de três desvios padrão é 99,7. Ainda assim, não há garantia de que o resultado mais esperado ocorra, ou que os movimentos reais não excederão as projeções mais selvagens. Crucialmente, as simulações de Monte Carlo ignoram tudo o que não está incorporado ao movimento dos preços (tendências macro, liderança da empresa, hype, fatores cíclicos), por outras palavras, eles assumem mercados perfeitamente eficientes. Por exemplo, o fato de que a Time Warner baixou sua orientação para o ano de 4 de novembro não se reflete aqui, exceto no movimento de preços desse dia, o último valor nos dados se esse fato fosse contabilizado, a maior parte das simulações provavelmente Não prevê um aumento modesto no preço.
No comments:
Post a Comment