Modelo de dados do sistema de negociação

Modelo de dados do sistema de negociação
Obter através da App Store Leia esta publicação em nosso aplicativo!
Cálculos do sistema de negociação de ações via SQL.
Precisa calcular um portfólio de mercado de ações com base em negócios em um banco de dados. O cálculo que eu procuro fazer via SQL é o preço médio, a taxa de retorno, o valor do portfólio, etc.
Eu não consegui fazê-lo com o SQL, então acho que talvez seja necessário script do resultado, então qualquer ajuda que tenha sido apreciada.
Observe que o preço atual é codificado (38), uma vez que não é fornecido, ele precisaria ser fornecido em outra tabela que seria unida à tabela de estoques, mas o princípio é o mesmo.

Crie um modelo de negociação rentável em 7 etapas fáceis.
Um modelo de negociação é uma estrutura definida, passo-a-passo, baseada em regras, para governar as atividades comerciais. Neste artigo, apresentamos o conceito básico de modelos de negociação, explicamos seus benefícios e fornecemos instruções sobre como construir seu próprio modelo de negociação.
Os Benefícios da Construção de um Modelo de Negociação.
Usar um modelo de negociação baseado em regras oferece muitos benefícios:
Os modelos são baseados em um conjunto de regras comprovadas. Isso ajuda a remover as emoções humanas da tomada de decisões. Os modelos podem ser facilmente testados em dados históricos para verificar seu valor antes de tomar o mergulho com dinheiro real. O backtesting baseado em modelo permite a verificação de custos associados para que o comerciante possa ver o potencial de lucro de forma mais realista. Um lucro teórico de US $ 2 pode parecer atraente, mas uma taxa de corretagem de US $ 2,50 altera a equação. Os modelos podem ser automatizados para enviar alertas móveis, mensagens pop-up e gráficos. Isso pode eliminar a necessidade de monitoramento e ação manual. Com um modelo, um comerciante pode rastrear facilmente 10 ações para a média móvel de 50 dias (DMA) cruzando a média móvel de 15 dias. Sem essa automação, o rastreamento manual, mesmo um DMA de estoque, pode ser difícil.
Como construir seu próprio modelo de negociação.
Para construir um modelo de negociação, você não precisa de conhecimentos comerciais de nível avançado. No entanto, você precisa de uma compreensão de como e por que os preços se movem (por exemplo, devido a eventos mundiais), onde as oportunidades de lucro existem e como praticamente aproveitar as oportunidades. Novatos e comerciantes moderadamente experientes podem começar por se familiarizar com alguns indicadores técnicos. Estes oferecem insights significativos para os padrões comerciais. A compreensão de indicadores técnicos também ajudará os comerciantes a conceituar tendências e a fazer estratégias e alterações personalizadas em seus modelos. Neste artigo, nos centraremos nas negociações com base em indicadores técnicos.
Exemplo de Estratégia de Modelo de Negociação Simples.
Com base no princípio da reversão da tendência, alguns comerciantes atuam com base no pressuposto de que o que vai para baixo voltará (e vice-versa). Usando a hipótese de reversão de tendência como estratégia, construiremos um modelo de negociação. Nas etapas abaixo, vamos percorrer uma série de etapas para criar um modelo de negociação e testar se é lucrativo.
Fluxograma para construir um modelo de negociação.
1. Conceituar o modelo de negociação.
Nesta etapa, o comerciante estuda movimentos de estoque históricos para identificar tendências preditivas e criar um conceito. O conceito pode ser o resultado de uma extensa análise de dados ou pode ser um palpite com base em observações ocasionais.
Para este artigo, estamos usando a reversão da tendência para construir a estratégia. O conceito inicial é: se um estoque diminui x por cento em comparação com o preço de fechamento do dia anterior, espere que a tendência retroceda nos próximos dias.
A partir daqui, veja dados passados ​​e faça perguntas para refinar o conceito: o conceito é verdadeiro? Este conceito aplica-se a apenas alguns estoques de alta volatilidade selecionados ou caberá a todos e quaisquer estoques? Qual é a duração da reversão da tendência esperada (1 dia, 1 semana ou 1 mês)? O que deve ser definido como o nível de baixo para entrar em um comércio? Qual é o nível de lucro objetivo?
Um conceito inicial geralmente contém muitas incógnitas. Um comerciante precisa de alguns pontos decisivos ou números para começar. Estes podem ser baseados em certos pressupostos. Por exemplo: esta estratégia pode ser aplicada em ações moderadamente voláteis com um valor beta entre 2 e 3. Comprar se as ações caírem 3 por cento e aguardar os próximos 15 dias para a reversão da tendência e esperar um retorno de 4 por cento. Esses números são baseados em pressupostos e experiência de um comerciante. Novamente, uma compreensão básica dos indicadores técnicos é importante.
2. Identificar as oportunidades.
Nesta etapa, identifique as oportunidades certas ou ações para negociar. Isso envolve a verificação do conceito contra dados históricos. No conceito de exemplo, compramos um mergulho de 3%. Comece escolhendo estoques de alta volatilidade para a avaliação. Você pode baixar dados históricos de ações comumente negociadas em sites de câmbio ou portais financeiros como Yahoo! Finança. Usando fórmulas de planilha, calcule a variação percentual do preço de fechamento do dia anterior, filtre os resultados que correspondem aos critérios e observe o padrão para os dias seguintes. Abaixo está uma planilha de exemplo.
Neste exemplo, o preço de fechamento do estoque cai abaixo de 3% em 2 dias (4 de fevereiro e 7 de fevereiro). A observação cuidadosa dos dias seguintes revelará se a reversão da tendência é visível ou não. O preço em 5 de fevereiro dispara até 4,59 por cento de mudança. Até 8 de fevereiro, a mudança está abaixo prevista em 1,96 por cento.
Os resultados são conclusivos? Não. Uma observação corresponde à expectativa do conceito (mudança de 4% e acima) enquanto uma observação não acontece.
Em seguida, precisamos verificar ainda mais o nosso conceito em mais pontos de dados e mais ações. Execute o teste em vários estoques com preços diários durante pelo menos 5 anos. Observe quais ações fornecem reversões de tendência positivas dentro de uma duração definida. Se o número de resultados positivos for melhor do que os negativos, continue com o conceito. Caso contrário, ajuste o conceito e retore ou descarte completamente o conceito e volte para o passo 1.
3. Desenvolva o modelo de negociação.
Nesta fase, ajustamos o modelo de negociação e introduzimos as variações necessárias com base nos resultados de avaliação do conceito. Continuamos a verificar em grandes conjuntos de dados e observamos para mais variações. O resultado da estratégia melhora se considerarmos dias úteis específicos? Por exemplo, o preço das ações subindo 3 por cento em uma sexta-feira resulta em um aumento cumulativo de 5 por cento ou mais na próxima semana? O resultado melhora se tomamos estoques de alta volatilidade com valores beta acima de 4?
Podemos verificar essas personalizações, independentemente de o conceito original mostrar resultados positivos. Você pode continuar explorando vários padrões. Nesta fase, você também pode usar a programação de computadores para identificar tendências rentáveis, permitindo que algoritmos e programas de computador analise os dados. Em geral, o objetivo é melhorar os resultados positivos da nossa estratégia, levando a mais rentabilidade.
Alguns comerciantes ficam presos neste estágio, analisando grandes conjuntos de dados sem parar com pequenas variações nos parâmetros. Não existe um modelo de negociação perfeito. Lembre-se de traçar uma linha de testes e tomar uma decisão.
4. Execute um estudo de praticidade:
Nosso modelo agora está ótimo. Isso mostra um lucro positivo para a maioria dos negócios (por exemplo, ganhos de 70 por cento de $ 2 e perdas de 30 por cento de US $ 1). Concluímos que, para cada 10 negociações, podemos fazer um belo lucro de 7 * $ 2 - 3 * $ 1 = $ 11.
Esta etapa requer um estudo de praticidade que pode basear-se nos seguintes pontos:
O custo-por-comércio da corretora deixa espaço suficiente para lucrar? Talvez eu deva fazer até 20 negócios de US $ 500 cada para obter lucro, mas meu capital disponível é de apenas US $ 8000. Meu modelo de negociação conta os limites de capital? Com que frequência posso trocar? O modelo mostra negociações muito frequentes acima da minha capital disponível, ou muito poucos negócios mantendo lucros muito baixos? O resultado teórico coincide com os regulamentos necessários. Isso exige venda a descoberto ou troca de opções de longo prazo que pode ser banido ou a realização de posições de compra e venda simultâneas que também não podem ser permitidas?
5. Vá ao vivo ou abandone e mude para um novo modelo.
Considerando os resultados dos testes, análises e ajustes acima, tome uma decisão. Vá ao vivo investindo dinheiro real usando o modelo de negociação ou abandone o modelo e comece novamente no primeiro passo.
Lembre-se, uma vez que você vive com dinheiro real, é importante continuar rastreando, analisando e avaliando o resultado, especialmente no início.
6. Esteja preparado para falhas e reinicia.
O comércio exige atenção constante e melhorias na estratégia. Mesmo que seu modelo comercial tenha consistentemente feito dinheiro há anos, os desenvolvimentos do mercado podem mudar a qualquer momento. Esteja preparado para falhas e perdas. Esteja aberto para novas personalizações e melhorias. Esteja pronto para destruir o modelo e passar para um novo se você perder dinheiro e não conseguir mais personalizações.
7. Assegurar o gerenciamento de riscos, construindo em cenários que são.
Pode não ser possível incluir o gerenciamento de risco no modelo de negociação selecionado, de acordo com as estratégias escolhidas, mas é sábio ter um plano de backup se as coisas não parecem ser esperadas. E se você comprar o estoque que caiu 3 por cento, mas não mostrou reversão de tendência para o próximo mês? Você deve despejar esse estoque com uma perda limitada ou continuar agarrando a essa posição? O que você deve fazer no caso de uma ação corporativa como uma questão de direitos?
Existem centenas de conceitos comerciais estabelecidos e estão crescendo diariamente com as personalizações de novos comerciantes. Para construir com sucesso um modelo de negociação, o comerciante deve ter disciplina, conhecimento, perseverança e avaliação de risco justo. Um dos principais desafios vem do apego emocional do comerciante a uma estratégia de negociação auto-desenvolvida. Essa fé cega no modelo pode levar a perdas crescentes. O comércio baseado em modelos é sobre o desapego emocional. Descarregue o modelo se estiver falhando e crie um novo, mesmo que ele tenha uma perda limitada e um atraso de tempo. O comércio é sobre a rentabilidade e a aversão à perda está incorporada nos modelos de negociação baseados em regras.

Sistemas de Negociação Baseados em Modelos Preditivos, Parte 1.
Negociar instrumentos financeiros de forma sistemática objetiva tem inúmeras vantagens em relação a abordagens subjetivas:
Sistemas de negociação automatizados inteligentemente projetados podem e, muitas vezes, superar o comércio impulsionado pelo ser humano devido a diversos vícios cognitivos e emocionalismo. Um programa eficaz de mineração de dados pode descobrir padrões sutis no comportamento do mercado que a maioria dos humanos não teria chance de ver. Um sistema automatizado é absolutamente repetível, enquanto um sistema orientado por humanos está sujeito a caprichos humanos. A consistência da tomada de decisões é a rentabilidade vital a longo prazo. A repetibilidade também é valiosa porque permite o exame de negócios para estudar a operação e talvez melhorar o desempenho através da filtragem de sinal. Os sistemas de negociação automatizados mais adequadamente projetados são passíveis de análise estatística rigorosa que pode avaliar medidas de desempenho, como o desempenho futuro esperado e a probabilidade de o sistema ter surgido devido à boa sorte e não ao verdadeiro poder. É possível uma operação desatendida.
Os sistemas de negociação automatizados geralmente são usados ​​para uma ou ambas as duas aplicações. O TSSB (Synthesis e Boosting do Sistema de Negociação) é um programa de última geração que é capaz de gerar ambas as aplicações: (1) um sistema de negociação completo e autônomo que faz todas as decisões de negociação e (2) um modelo que pode ser usado para filtrar os negócios de um sistema de negociação existente para melhorar o desempenho. Nós nos referimos a isso como "impulsionando". Muitas vezes, ao selecionar inteligentemente um subconjunto dos sinais gerados por um sistema de negociação existente e rejeitar os outros, podemos melhorar a relação risco / recompensa.
Duas abordagens para negociação automatizada.
Se o objetivo do usuário é o desenvolvimento de um sistema comercial autônomo ou de um sistema de filtragem para aumentar o desempenho de um sistema comercial existente, existem duas abordagens comuns para seu desenvolvimento e implementação: (1) baseadas em regras (regras IF / THEN propostas por um humano) e modelagem preditiva.
Um sistema de negociação baseado em regras exige que o usuário especifique as regras exatas que tomam decisões comerciais, embora um ou mais parâmetros associados a essas regras possam ser otimizados pelo software de desenvolvimento. Aqui está um exemplo simples de um sistema de negociação baseado em algoritmos:
Se a média móvel de curto prazo dos preços exceder a média móvel a longo prazo dos preços, então mantenha uma posição longa durante o próximo bar.
O algoritmo acima indica explicitamente a regra que decide as posições barra a barra, embora a definição exata de "curto prazo" e "longo prazo" seja deixada aberta. O desenvolvedor pode usar o software para encontrar distâncias de lookback média em movimento que maximizem alguma medida de desempenho. Programas como o TradeStation® incluem um idioma proprietário (EasyLanguage® neste caso) pelo qual o desenvolvedor pode especificar as regras de negociação.
Com a ampla disponibilidade de computadores de mesa de alta velocidade, uma abordagem alternativa ao desenvolvimento do sistema de negociação tornou-se viável. A modelagem preditiva emprega um software matematicamente sofisticado para examinar indicadores derivados de dados históricos, tais como preço, volume e interesse aberto, com o objetivo de descobrir padrões repetitivos com poder preditivo. Um modelo preditivo é essencialmente uma formulação matemática ou lógica que relaciona esses padrões com uma variável voltada para o futuro, chamada de variável dependente ou dependente, como o retorno do mercado na próxima semana. Esta é a abordagem utilizada pelo TSSB, e tem várias vantagens em relação ao desenvolvimento do sistema baseado em algoritmos:
O software de modelagem inteligente que utiliza a aprendizagem da máquina pode descobrir padrões que são tão complexos ou enterrados sob ruídos aleatórios que nenhum humano poderia vê-los. Uma vez que um sistema de negociação de modelo preditivo é desenvolvido, geralmente é fácil ajustar sua operação para ajustar a relação risco / recompensa para atender a aplicações que variam em um amplo espectro. Pode obter um desejado trade off entre numerosos sinais com menor probabilidade de sucesso e menos sinais com maior probabilidade de sucesso. Isso é conseguido ajustando um limite que converte as previsões do modelo em sinais discretos de compra e venda. O software bem projetado permite ao desenvolvedor ajustar o grau de automação empregado na descoberta de sistemas de negociação. Os desenvolvedores experientes podem manter um excelente controle sobre o processo e colocar seus conhecimentos funcionando, criando sistemas com certas propriedades desejadas, enquanto os desenvolvedores inexperientes podem aproveitar a automação maciça, permitindo que o software tenha controle maioritário. Em geral, a modelagem preditiva é mais acessível à análise estatística avançada do que o desenvolvimento de sistemas baseados em regras. Algoritmos de análise sofisticados para testar a solidez estatística de suas descobertas podem ser incorporados ao processo gerador do modelo mais facilmente do que eles podem ser incorporados em sistemas baseados em regras especificadas pelo humano. Modelagem preditiva de uma disciplina matemática bem desenvolvida para extrair a máxima informação de um conjunto de dados que complementam a intuição humana. Intuição é capaz de propor séries de dados e maneiras de transformá-los em uma grande lista de indicadores candidatos. A modelagem preditiva, mesmo a forma mais simples, a regressão linear é superior à intuição humana na seleção dos melhores candidatos e a sua combinação em uma previsão. Houve sobre acadêmicos 150 estudos comparando especialistas humanos com modelos estatísticos atestando esse fato.
Modelagem Preditiva.
A abordagem de modelagem preditiva para o desenvolvimento do sistema de negociação depende de uma propriedade básica do movimento do preço do mercado: todos os mercados contêm padrões que tendem a se repetir ao longo da história e, portanto, podem ser usados ​​para prever a atividade futura. Por exemplo, em algumas condições, pode esperar-se que uma tendência continue até que o movimento seja esgotado. Sob outras condições, um padrão diferente se manifesta: uma tendência é mais provável de ser seguida por um retracement em direção ao preço médio recente. Um modelo preditivo estuda dados históricos do mercado e tenta descobrir os recursos que discriminam esses dois padrões.
O objetivo da modelagem preditiva é, então, encontrar padrões que se repitam com bastante frequência para serem lucrativos. Uma vez descoberto, o modelo estará atento ao padrão de reaparecer. Com base em observações históricas, o modelo então poderá prever se o mercado logo se elevará, cairá ou permanecerá aproximadamente o mesmo. Essas previsões podem ser traduzidas em decisões de compra / venda aplicando limiares às previsões do modelo.
Indicadores e Metas.
Os modelos preditivos normalmente não funcionam com dados brutos do mercado. Em vez disso, os preços de mercado e outras séries, como o volume, geralmente são transformados em duas classes de variáveis ​​chamadas indicadores e metas. Estes são os dados utilizados pelo modelo durante o treinamento, teste e uso final em tempo real. É na definição dessas variáveis ​​que o desenvolvedor exerce sua própria influência no sistema comercial.
Os indicadores são variáveis ​​que ficam estritamente para trás no tempo. Ao negociar em tempo real, a partir de uma determinada barra, um indicador será computável, assumindo que estamos com dados históricos de preços suficientes para satisfazer a definição do indicador. Por exemplo, alguém pode definir um indicador chamado tendência como a variação percentual do preço de mercado a partir do fechamento de um bar cinco barras até o final desta barra. Enquanto sabemos estes dois preços, podemos calcular este indicador de tendência. O TSSB pode calcular mais de uma centena de tipos de indicadores que quantificam inúmeras características do comportamento do mercado.
As metas são variáveis ​​que se parecem estritamente no tempo. (Na modelagem de regressão clássica, o alvo é muitas vezes referido como a variável dependente.) As metas revelam o comportamento futuro do mercado. Podemos calcular metas para dados históricos, desde que tenhamos um número suficiente de futuras barras para satisfazer a definição do alvo. Obviamente, no entanto, quando estamos realmente negociando o sistema, não podemos conhecer os objetivos, a menos que tenhamos uma bola de cristal fenomenal. Por exemplo, podemos definir um indicador chamado day_return como a porcentagem de mudança de mercado a partir do aberto do dia seguinte ao aberto do dia após o próximo. Se tivermos um histórico de preços, podemos calcular esse alvo para cada barra, exceto os dois últimos no conjunto de dados. O TSSB pode calcular uma variedade de tipos de variáveis ​​alvo.
Em resumo, a ideia fundamental por trás da modelagem preditiva é que os indicadores podem conter informações que podem ser usadas para prever metas. A tarefa do modelo preditivo é encontrar e explorar essas informações.
Obter o livro.
& # 8212; Por David Aronson.
David Aronson é um pioneiro na aprendizagem de máquinas e no desenvolvimento de sistemas de negociação não lineares e aumento / filtragem de sinal. Aronson é co-designer da TSSB (Trading System Synthesis and Boosting), uma plataforma de software para o desenvolvimento automatizado de sistemas de negociação baseados em modelos preditivos estatisticamente sólidos. Ele trabalhou neste campo desde 1979 e tem sido um Técnico de Mercado Chartered certificado pela The Market Technicians Association desde 1992. Foi professor adjunto de finanças e ensinou regularmente a MBA e estudantes de engenharia financeira um curso de pós-graduação em análise técnica, mineração de dados e análises preditivas. Seu livro recentemente lançado, Estatisticamente Sound Machine Learning para Negociação Algorítmica de Instrumentos Financeiros, é um olhar aprofundado sobre o desenvolvimento de sistemas de negociação baseados em modelos preditivos usando o TSSB.
Sobre o Autor System Trader Success Contributor.
Os autores contribuintes são participantes ativos nos mercados financeiros e totalmente absorvidos na análise técnica ou quantitativa. Eles desejam compartilhar suas histórias, idéias e descobertas no System Trader Success e espero que você seja um comerciante do sistema melhor. Entre em contato conosco se você quiser ser um autor contribuidor e compartilhar sua mensagem com o mundo.
Posts Relacionados.
Estratégia quebrada ou mudança de mercado: investigação de desempenho insuficiente.
Descobrindo o que funciona, e o que não funciona.
Trading The Equity Curve & # 038; Além.
Publicações populares.
Connors 2-Period RSI Update para 2013.
Este indicador simples faz dinheiro novamente e novamente.
The Ivy Portfolio.
Melhorando a Estratégia de Identidade Simples, Parte 1.
Copyright © 2017 da Capital Evolution LLC. - Projetado por temas Thrive | Powered by WordPress.
Por favor faça login novamente. A página de login será aberta em uma nova janela. Depois de efetuar o login, você pode fechá-lo e retornar a esta página.

Modelo de dados do sistema de negociação
Estou projetando vários aplicativos para trabalhar juntos através de mensagens. Cada aplicativo possui seu próprio formato de dados internos.
Como você pode minimizar dependências ao integrar aplicativos que usam diferentes formatos de dados?
Portanto, crie um modelo de dados canônico independente de qualquer aplicativo específico. Exigir que cada aplicação produza e consome mensagens neste formato comum.
O modelo de dados Canonical fornece um nível adicional de indireção entre os formatos de dados individuais do aplicativo. Se uma nova aplicação for adicionada à solução de integração, somente a transformação entre o modelo de dados da Canonical deve ser criada independentemente do número de aplicativos que já participam.
Gregor Hohpe e Bobby Woolf.
Da Integração Empresarial à Transformação Empresarial:
O meu novo livro descreve como os arquitetos podem desempenhar um papel crítico na transformação de TI, aplicando suas habilidades técnicas, de comunicação e organizacionais com 37 episódios de TI corporativa de grande escala.