Estratégias de negociação em diário

Como manter um diário de negociação da maneira mais fácil (e por quê)
Talvez você tenha ouvido falar de um diário de negociação. É onde os comerciantes acompanham seus negócios e pensamentos ao longo do dia. É uma ótima ferramenta de negociação porque um diário de negociação completo inclui detalhes além do que você pode ver em sua declaração de corretagem. Isso inclui se você estava se sentindo mal, quais eram as condições do mercado, se estava distraído ou cometeu erros (o que fez ou perdeu dinheiro que você não teria feito).
Também é onde você pode registrar ideias estratégicas que podem surgir durante o comércio ao longo do dia.
Nenhuma pergunta sobre isso, todos os comerciantes devem manter um diário de negociação. Mas os comerciantes do dia não têm tempo para derramar suas entranhas no papel durante todo o dia. Na verdade, manter um diário de negociação durante a negociação - quando a ação está acontecendo - pode ser realmente contraproducente, levando a negociações perdidas e se concentrando mais em registro no diário do que negociando corretamente!
Aqui está a solução fácil. Não envolve absolutamente nenhum manuscrito e fornece um registro histórico das condições exatas de mercado que você estava enfrentando em um determinado dia.
Como manter um diário de negociação O caminho fácil.
Uma foto diz mais que mil palavras, certo? Perfeito, vamos usar uma foto. Em vez de escrever como eram as condições do mercado, quais erros foram cometidos, o que fizemos bem e que novas ideias de estratégia tínhamos, tire uma captura de tela do dia de negociação com algumas anotações digitadas.
A maioria dos traders marca seus gráficos ao longo do dia de qualquer maneira, desenhando linhas e marcando os níveis de indicadores que ajudam a determinar a tendência e a encontrar possíveis pontos de reversão / meta. O gráfico mostra as condições exatas do mercado que estão sendo negociadas. Nossa análise intradiária (via linhas e indicadores) mostra como estávamos percebendo o mercado naquele dia. algo que palavras em um diário de negociação nunca poderiam descrever também.
Uma imagem é uma maneira fácil de manter um diário de negociação, mas para torná-lo útil quando você olha para trás (para revisão, para que você possa melhorar sua negociação) você precisa incluir certas coisas.
Um diário de negociação de fotos - como marcar seus gráficos.
Aqui estão as diretrizes básicas para marcar seus gráficos para torná-los úteis para referência futura.
Tente incluir um pouco de ação de preço (uma ou duas horas) antes de começar a negociar. Isso fornece um contexto para o que estava acontecendo quando você começou a negociar. Você não precisa incluir uma ação de preço do dia anterior, apenas algumas horas antes de começar, se aplicável (sem fazer nenhuma ação antes de começar, não se preocupe com isso). Veja quais intervalos de tempo para observar durante as operações de troca de dia para saber mais sobre esse assunto. Marque sua hora de início com uma linha vertical ou nota de texto no gráfico. Isso permite que você saiba se você começou a negociar cedo ou tarde, e / ou porque você pode ter perdido alguns sinais de negociação no início do dia. Anote os horários dos principais eventos econômicos pelos quais você estará se afastando. Quando esse tempo chegar, anote novamente que você não estava negociando por causa de notícias. Faça anotações em texto ao longo do dia sobre as tendências que você percebe e comente as condições do mercado. Se você cometer um erro, anote-o. Se você perder uma negociação, anote-a. Manter o máximo possível de linhas de tendência e desenhos no gráfico (supondo que eles não o distraiam). Eles ajudam a mostrar seu futuro como você estava vendo o mercado em tempo real a qualquer momento. Veja 5 coisas que simplesmente negociam e reduzem a desordem. Marque os níveis de comércio - entradas e saídas - juntamente com os lucros em centavos, pips ou pontos, se negociar o mercado de ações, forex ou futuros, respectivamente. Marque quando você parar de negociar o dia com uma linha vertical ou uma nota de texto. Digite quantos negócios você fez, quantos vencedores e o lucro total de negociações vencedoras, quantos perdedores e a perda total para negociações perdidas e o resultado líquido (lucro total menos perdas totais). Idealmente, evite usar dólares. Em vez disso, use pips para forex, centavos para ações ou ticks / pontos para futuros. Por exemplo, se negociar o contrato do ES Futures, em vez de dizer 4 vencedores $ 400 - 4 perdedores $ 200 & # 61; Net & # 43; $ 200, digamos 4 vencedores 8 pontos - 4 perdedores 4 pontos & # 61; Net & # 43; 4 pontos. Os números do dólar flutuam com base no tamanho da posição, enquanto os pontos / pips / centavos podem ser comparados ao longo do tempo, independentemente do tamanho da posição.
No final do dia de negociação, tire uma captura de tela do seu gráfico (clique no gráfico e pressione Alt & # 43; PrtSc). Em seguida, cole em um editor de fotos (pode ser um livre como Paint, Irfanview ou Gimp. Salvar. Ele deve incluir todas as informações acima, sem ser muito squished - você ainda quer ser capaz de ver tudo o que aconteceu. você não pode ver tudo em um gráfico, tirar duas ou três fotos e salvá-las separadamente.
Salve cada dia como um arquivo no formato: mês-dia-ano-screenshot #. Se você tiver apenas uma captura de tela do dia, será apenas a data. Mas se você tiver três capturas de tela para o dia, cada uma é salva com a data, assim como 1, 2, 3, etc no final.
Crie uma pasta de negociação em sua área de trabalho e crie pastas para cada mês dentro dela. Coloque cada captura de tela na pasta apropriada do mês.
Mantendo um diário de negociação da maneira fácil - palavra final.
Ao fazer capturas de tela de seus negócios a cada dia, você captura muito mais informações do que poderia escrevendo em um diário. Além disso, se você quiser escrever coisas, você pode fazê-lo em seus gráficos, ou manter um diário de negociação escrito também. Seja diligente nesta rotina, para que você tenha todas as transações registradas.
No final de cada semana e mês, volte e veja o que você fez, observe problemas comuns e identifique seus pontos fortes. Essas observações podem ajudá-lo a explorar seus pontos fortes e destacar em quais áreas você precisa trabalhar.

Estratégias de negociação no diário
Afiliação: Dipartimento di Economia e Impresa, Universitá di Catania, Catania, Itália.
Alessandro Pluchino.
Afiliações: Dipartimento di Fisica e Astronomia, Università di Catania, Catania, Itália, INFN sezione di Catania, Catania, Itália.
Andrea Rapisarda.
Afiliações: Dipartimento di Fisica e Astronomia, Università di Catania, Catania, Itália, INFN sezione di Catania, Catania, Itália.
Dirk Helbing.
Afiliação: ETH Zurique, Zurique, Suíça.
Neste artigo, exploramos o papel específico da aleatoriedade nos mercados financeiros, inspirados pelo papel benéfico do ruído em muitos sistemas físicos e em aplicações anteriores a sistemas socioeconômicos complexos. Após uma breve introdução, estudamos o desempenho de algumas das estratégias de negociação mais utilizadas na previsão da dinâmica dos mercados financeiros para diferentes índices internacionais de bolsa de valores, com o objetivo de compará-las ao desempenho de uma estratégia completamente aleatória. A este respeito, os dados históricos para FTSE-UK, FTSE-MIB, DAX e S & amp; Os índices P500 são levados em conta por um período de cerca de 15 a 20 anos (desde sua criação até hoje).
Citação: Biondo AE, Pluchino A, Rapisarda A, Helbing D (2013) As Estratégias de Negociação Aleatória são Mais Bem-sucedidas que as Técnicas? PLoS ONE 8 (7): e68344. doi: 10.1371 / journal. pone.0068344.
Editor: Alejandro Raul Hernandez Montoya, Universidade Veracruzana, México.
Direitos autorais: © 2013 Biondo et al. Este é um artigo de acesso aberto distribuído sob os termos da Licença de Atribuição da Creative Commons, que permite uso, distribuição e reprodução irrestritos em qualquer meio, desde que o autor e a fonte originais sejam creditados.
Financiamento: Os autores não têm apoio ou financiamento para relatar.
Interesses concorrentes: Os autores declararam que não existem interesses concorrentes.
Introdução.
Na física, tanto no nível clássico quanto quântico, muitos sistemas reais funcionam bem e mais eficientemente devido ao papel útil de um ruído fraco aleatório [1] - [6]. Mas não apenas os sistemas físicos se beneficiam da desordem. De fato, o ruído tem uma grande influência na dinâmica de células, neurônios e outras entidades biológicas, mas também em sistemas ecológicos, geofísicos e socioeconômicos. Seguindo essa linha de pesquisa, investigamos recentemente como estratégias aleatórias podem ajudar a melhorar a eficiência de um grupo hierárquico para enfrentar o princípio de Peter [7] - [9] ou uma instituição pública como o Parlamento [10]. Outros grupos exploraram com sucesso estratégias semelhantes em jogos de minorias e Parrondo [11], [12], na avaliação de desempenho de portfólio [13] e no contexto do leilão duplo contínuo [14].
Recentemente Taleb foi brilhantemente discutido em seus livros de sucesso, como o acaso e os cisnes negros governam nossa vida, mas também o comportamento da economia e do mercado financeiro além de nossas expectativas ou controle pessoal e racional. Na verdade, a aleatoriedade entra em nossa vida cotidiana, embora dificilmente a reconheçamos. Portanto, mesmo sem ser cético tanto quanto Taleb, pode-se facilmente afirmar que muitas vezes entendemos mal os fenômenos que nos rodeiam e somos enganados por aparentes conexões que são apenas devido à fortuna. Os sistemas econômicos são inevitavelmente afetados pelas expectativas, presentes e passadas, já que as crenças dos agentes influenciam fortemente sua dinâmica futura. Se hoje surgiu uma expectativa muito boa sobre o desempenho de qualquer segurança, todos tentariam comprá-la e essa ocorrência implicaria um aumento em seu preço. Então, amanhã, essa garantia teria um preço maior do que hoje, e esse fato seria apenas a consequência da própria expectativa do mercado. Essa profunda dependência das expectativas fez com que economistas financeiros tentassem construir mecanismos para prever os preços futuros dos ativos. O objetivo deste estudo é precisamente verificar se esses mecanismos, que serão descritos em detalhes nas próximas seções, são mais eficazes para prever a dinâmica do mercado em comparação com uma estratégia completamente aleatória.
Em um artigo anterior [17], motivado também por alguns experimentos intrigantes em que uma criança, um chimpanzé e dardos foram utilizados com sucesso para investimentos remunerativos [18], [19], já encontramos algumas evidências a favor de estratégias aleatórias para o FTSE - Mercado de ações do Reino Unido. Aqui vamos estender esta investigação para outros mercados financeiros e para novas estratégias de negociação. O artigo está organizado da seguinte forma. A seção 2 apresenta uma breve introdução ao debate sobre a previsibilidade nos mercados financeiros. Na Seção 3, introduzimos a série histórica financeira considerada em nosso estudo e realizamos uma análise de retificação em busca de possíveis correlações de algum tipo. Na Seção 4, definimos as estratégias de negociação usadas em nossas simulações, enquanto na Seção 5 discutimos os principais resultados obtidos. Finalmente, na Seção 6, extraímos nossas conclusões, sugerindo também algumas implicações políticas contraintuitivas.
Expectativas e Previsibilidade nos Mercados Financeiros.
Como Simon [20] apontou, os indivíduos assumem sua decisão com base em um conhecimento limitado sobre seu ambiente e, assim, enfrentam altos custos de busca para obter informações necessárias. No entanto, normalmente, eles não podem reunir todas as informações que deveriam. Portanto, os agentes agem com base na racionalidade limitada, o que leva a vieses significativos na maximização da utilidade esperada que eles buscam. Em contraste, Friedman [21] defendeu a abordagem do agente racional, que considera que o comportamento dos agentes pode ser melhor descrito assumindo sua racionalidade, uma vez que os agentes não-racionais não sobrevivem à competição no mercado e são expulsos dele. Portanto, nem os vieses sistemáticos na utilidade esperada, nem a racionalidade limitada podem ser usados ​​para descrever os comportamentos dos agentes e suas expectativas.
Sem qualquer receio de contradição, pode-se dizer que hoje em dia dois modelos principais de referência de expectativas foram amplamente estabelecidos na literatura econômica: o modelo de expectativas adaptativas e o modelo de expectativa racional. Aqui não daremos nenhuma definição formal desses paradigmas. Para nossos propósitos, é suficiente recordar sua justificativa. O modelo de expectativas adaptativas baseia-se em uma série ponderada de valores retrospectivos (de modo que o valor esperado de uma variável é o resultado da combinação de seus valores passados). Em contraste, o modelo de expectativas racionais hipotetiza que todos os agentes têm acesso a todas as informações disponíveis e, portanto, conhecem exatamente o modelo que descreve o sistema econômico (o valor esperado de uma variável é a previsão objetiva fornecida pela teoria). Essas duas teorias remontam a contribuições muito relevantes, entre as quais apenas nos referimos a Friedman [21], [22], Phelps [23] e Cagan [24] para expectativas adaptativas (vale a pena notar que a noção de “ expectativas adaptativas ”foi introduzido pela primeira vez por Arrow e Nerlove [25]). Para expectativas racionais, nos referimos a Muth [26], Lucas [27] e Sargent-Wallace [28].
Os mercados financeiros são frequentemente tomados como exemplo de dinâmicas complexas e volatilidade perigosa. Isso de alguma forma sugere a ideia de imprevisibilidade. No entanto, devido ao papel relevante desses mercados no sistema econômico, um amplo corpo de literatura foi desenvolvido para obter algumas previsões confiáveis. De fato, a previsão é o ponto chave dos mercados financeiros. Desde Fama [29], dizemos que um mercado é eficiente se ocorrer uma arbitragem perfeita. Isso significa que o caso de ineficiência implica a existência de oportunidades para lucros inexplorados e, é claro, os operadores operariam imediatamente posições longas ou curtas até que qualquer outra possibilidade de lucro desaparecesse. Jensen [30] afirma precisamente que um mercado deve ser considerado eficiente em relação a um conjunto de informações, se for impossível obter lucros por negociação com base nesse conjunto de informações. Isso é consistente com Malkiel [31], que argumenta que um mercado eficiente reflete perfeitamente todas as informações na determinação dos preços dos ativos. Como o leitor pode entender facilmente, a parte mais importante dessa definição de eficiência depende da integridade do conjunto de informações. De fato, Fama [29] distingue três formas de eficiência de mercado, de acordo com o grau de completude do conjunto informativo (ou seja, “fraco”, “semiforte” e “forte”). Assim, traders e analistas financeiros buscam continuamente expandir seu conjunto de informações para obter a oportunidade de escolher a melhor estratégia: esse processo envolve tanto agentes em flutuações de preços que, ao final do dia, pode-se dizer que sua atividade é reduzida a um palpite sistemático. A globalização completa dos mercados financeiros ampliou esse processo e, com o tempo, estamos experimentando décadas de extrema variabilidade e alta volatilidade.
Keynes argumentou, há muitos anos, que a racionalidade dos agentes e da psicologia de massa (os chamados "espíritos animais") não devem ser interpretados como se fossem a mesma coisa. O Autor apresentou o famoso exemplo do concurso de beleza para explicar a lógica subjacente aos mercados financeiros. Em sua Teoria Geral [32], ele escreveu que “o investimento baseado em expectativas genuínas de longo prazo é tão difícil que dificilmente é praticável. Aquele que o tenta certamente deve levar dias muito mais trabalhosos e correr riscos maiores do que aquele que tenta adivinhar melhor do que a multidão como a multidão se comportará; e, dada inteligência igual, ele pode cometer erros mais desastrosos. Em outras palavras, a fim de prever o vencedor do concurso de beleza, deve-se tentar interpretar a beleza preferida do júri, em vez de prestar atenção no ideal da beleza objetiva. Nos mercados financeiros é exatamente a mesma coisa. Parece impossível prever preços de ações sem erros. A razão é que nenhum investidor pode saber de antemão a opinião “do júri”, ou seja, de uma massa de investidores ampla, heterogênea e muito substancial, que reduz qualquer previsão possível a apenas um palpite.
Apesar de considerações como essas, a chamada Hipótese dos Mercados Eficientes (cuja principal fundamentação teórica é a teoria das expectativas racionais), descreve o caso de mercados perfeitamente competitivos e agentes perfeitamente racionais, dotados de toda informação disponível, que escolhem as melhores estratégias ( já que, de outra forma, o mecanismo competitivo de compensação os colocaria fora do mercado). Há evidências de que essa interpretação de um mecanismo de arbitragem perfeito em pleno funcionamento não é adequada para analisar os mercados financeiros, como, por exemplo: Cutler et al. [33], que mostra que grandes movimentos de preços ocorrem mesmo quando pouca ou nenhuma nova informação está disponível; Engle [34], que relatou que a volatilidade dos preços está fortemente correlacionada temporalmente; Mandelbrot [35], [36], Lux [37], Mantegna e Stanley [38], que argumentam que as flutuações de curto prazo dos preços não são normais; ou por último, mas não menos importante, Campbell e Shiller [39], que explicam que os preços podem não refletir com precisão as avaliações racionais.
Muito interessante, uma infinidade de modelos de agentes heterogêneos foram introduzidos no campo da literatura financeira. Nesses modelos, diferentes grupos de comerciantes coexistem, com diferentes expectativas, influenciando-se mutuamente por meio das conseqüências de seus comportamentos. Mais uma vez, nossa discussão não pode ser exaustiva aqui, mas podemos mencionar proveitosamente pelo menos contribuições de Brock [40], [41], Brock e Hommes [42], Chiarella [43], Chiarella e He [44], DeGrauwe e cols. . [45], Frankel e Froot [46], Lux [47], Wang [48] e Zeeman [49].
Parte dessa literatura refere-se à abordagem, denominada “sistemas de crenças adaptativas”, que tenta aplicar a não-linearidade e o ruído aos modelos de mercado financeiro. A incerteza intrínseca sobre fundamentos econômicos, juntamente com erros e heterogeneidade, leva à idéia de que, além do valor fundamental (ou seja, o valor atual descontado dos fluxos esperados de dividendos), os preços das ações flutuam de forma imprevisível devido a fases de otimismo ou pessimismo. para as fases correspondentes de tendência de alta e tendência de baixa que causam crises de mercado. Como esse tipo de comportamento errático pode ser gerenciado para otimizar uma estratégia de investimento? A fim de explicar a atitude muito diferente adotada pelos agentes para escolher estratégias ao negociar nos mercados financeiros, uma distinção é feita entre fundamentalistas e cartistas. Os primeiros baseiam suas expectativas sobre os preços dos ativos futuros sobre os fundamentos do mercado e fatores econômicos (ou seja, variáveis ​​micro e macroeconômicas, como dividendos, lucros, crescimento econômico, taxas de desemprego, etc.). Por outro lado, os últimos tentam extrapolar tendências ou características estatisticamente relevantes de séries passadas de dados, a fim de prever os caminhos futuros dos preços dos ativos (também conhecidos como análise técnica).
Dado que a interação destes dois grupos de agentes determina a evolução do mercado, escolhemos aqui focar no comportamento dos grafistas (uma vez que uma análise qualitativa dos fundamentos macroeconômicos é absolutamente subjetiva e difícil de avaliar), tentando avaliar o ex do investidor individual. capacidade preditiva - ante. Assumindo a falta de informação completa, a aleatoriedade desempenha um papel fundamental, uma vez que a eficiência é impossível de ser alcançada. Isto é particularmente importante para sublinhar que a nossa abordagem não depende de qualquer forma do paradigma da Hipótese dos Mercados Eficientes acima mencionado. Mais precisamente, estamos buscando a resposta para a seguinte pergunta: se um trader assume a falta de informação completa em todo o mercado (isto é, a imprevisibilidade da dinâmica dos preços das ações [50] - [53]), seria ex-ante estratégia de negociação executar, em média, tão bem como estratégias de negociação bem conhecidas? Passamos da evidência de que, como cada agente depende de um conjunto de informações diferente para construir suas estratégias de negociação, nenhum mecanismo eficiente pode ser invocado. Em vez disso, uma rede complexa de comportamento de auto-influência, devido à circulação assimétrica de informações, desenvolve suas ligações e gera comportamentos de manada para seguir alguns sinais cuja credibilidade é aceita.
Crises financeiras mostram que os mercados financeiros não estão imunes a falhas. Seu sucesso periódico não é gratuito: eventos catastróficos queimam valores enormes em dólares e os sistemas econômicos em grave perigo. Os comerciantes têm tanta certeza de que estratégias elaboradas se encaixam na dinâmica dos mercados? A nossa simulação simples irá realizar uma análise comparativa do desempenho de diferentes estratégias de negociação: os nossos traders terão que prever, dia a dia, se o mercado irá subir (tendência 'alta') ou para baixo (tendência 'bearish'). As estratégias testadas são: o Momentum, o RSI, o UPD, o MACD e um completamente aleatório.
Os teóricos das expectativas racionais imediatamente apostariam que a estratégia aleatória perderia a concorrência, pois não está usando nenhuma informação, mas, como mostraremos, nossos resultados são bastante surpreendentes.
Análise Detectada da Série de Índices.
Consideramos quatro índices muito populares de mercados financeiros e, em particular, analisamos as seguintes séries temporais correspondentes, mostradas na Figura 1:
Expandir Figura 1. Evolução temporal de quatro índices importantes do mercado financeiro (com intervalos de tempo de 3714 a 5750 dias).
De cima para baixo, mostramos o índice FTSE UK All-Share, o índice FTSE MIB All-Share, o índice DAX All-Share e o índice S & amp; Índice P 500. Veja o texto para mais detalhes.
Em geral, a possibilidade de prever séries temporais financeiras tem sido estimulada pelo achado de algum tipo de comportamento persistente em alguns deles [38], [54], [55]. O principal objetivo da presente seção é investigar a possível presença de correlações nas quatro séries financeiras anteriores do mercado de ações da Europa e dos EUA todos os índices de ações. Neste contexto, calcularemos o expoente de Hurst dependente do tempo usando a técnica de média móvel desviada (DMA) [56]. Vamos começar com um resumo do algoritmo DMA. O procedimento computacional é baseado no cálculo do desvio padrão ao longo de uma determinada série temporal definida como.
onde é a média calculada em cada janela de tempo de tamanho. Para determinar o expoente de Hurst, a função é calculada para valores crescentes dentro do intervalo, sendo o comprimento da série temporal, e os valores obtidos são reportados como uma função de um gráfico log-log. Em geral, exibe uma dependência da lei de potência com o expoente, ou seja,
Em particular, se, um tiver uma correlação negativa ou um comportamento anti-persistente, enquanto um tiver uma correlação positiva ou um comportamento persistente. O caso de corresponde a um processo browniano não correlacionado. No nosso caso, como primeiro passo, calculamos o expoente de Hurst considerando a série completa. Esta análise é ilustrada nas quatro parcelas da Fig. 2. Aqui, um ajuste linear aos gráficos log-log revela que todos os valores do índice H de H obtidos desta forma para as séries temporais estudadas são, em média, muito próximos. para 0,5. Este resultado parece indicar uma ausência de correlações em grandes escalas de tempo e uma consistência com um processo aleatório.
Expandir a Figura 2. Análise detetada para as quatro séries do mercado financeiro mostradas na Figura 1.
O comportamento da lei de potência do desvio padrão de DMA permite derivar um índice de Hurst que, em todos os quatro casos, oscila em torno de 0,5, indicando uma ausência de correlações, em média, ao longo de grandes períodos de tempo. Veja o texto.
Por outro lado, é interessante calcular o expoente de Hurst localmente no tempo. Para realizar esta análise, consideramos subconjuntos da série completa por meio de janelas deslizantes de tamanho, que se movem ao longo da série com o intervalo de tempo. Isso significa que, a cada vez, calculamos o interior da janela deslizante mudando com a Eq. (1). Assim, seguindo o mesmo procedimento descrito acima, uma sequência de valores de expoente de Hurst é obtida em função do tempo. Na Fig. 3 mostramos os resultados obtidos para os parâmetros,. Neste caso, os valores obtidos para o expoente de Hurst diferem muito localmente de 0,5, indicando assim a presença de correlações locais significativas.
Expandir a Figura 3. Dependência temporal do índice de Hurst para as quatro séries: em escalas de tempo menores, correlações significativas estão presentes.
Esta investigação, que está de acordo com o que foi encontrado anteriormente na Ref. [56] para o índice Dax, parece sugerir que as correlações são importantes apenas em uma escala temporal local, enquanto elas cancelam a média em períodos de longo prazo. Como veremos nas próximas seções, esse recurso afetará o desempenho das estratégias de negociação consideradas.
Descrição das Estratégias de Negociação.
No presente estudo, consideramos cinco estratégias de negociação definidas da seguinte forma:
Estratégia Aleatória (RND) Esta estratégia é a mais simples, já que o trader correspondente faz sua previsão no tempo completamente ao acaso (com distribuição uniforme). Momentum (MOM) Estratégia Esta estratégia é baseada no chamado indicador de momentum, ou seja, a diferença entre o valor e o valor, onde é um dado intervalo de negociação (em dias). Então, se, o comerciante prevê um incremento do índice de fechamento para o dia seguinte (ou seja, ele prevê isso) e vice-versa. Nas seguintes simulações, consideraremos dias, já que este é um dos mais utilizados para o indicador de momento. Veja ref. [57] Estratégia do Índice de Força Relativa (RSI) Esta estratégia é baseada em um indicador mais complexo chamado "RSI". É considerada uma medida da força de negociação recente da ação e sua definição é:, onde está a relação entre a soma dos retornos positivos e a soma dos retornos negativos ocorridos nos últimos dias anteriores. Uma vez calculado o índice RSI para todos os dias incluídos em um determinado período de tempo imediatamente anterior ao tempo, o negociador que segue a estratégia RSI faz sua previsão com base em uma possível reversão da tendência de mercado, revelada pelo a chamada 'divergência' entre a série temporal original e a nova série RSI. Uma divergência pode ser definida referindo-se a uma comparação entre a série de dados original e a série RSI gerada, e é o sinal de negociação mais significativo fornecido por qualquer indicador de estilo do oscilador. É o caso quando a tendência significativa entre dois extremos locais mostrada pela tendência do RSI é orientada na direção oposta à tendência significativa entre dois extremos (no mesmo intervalo de tempo) mostrados pela série original. Quando a linha RSI se inclina de maneira diferente da linha da série original, ocorre uma divergência. Veja o exemplo na Fig. 4: dois máximos locais seguem duas tendências diferentes inclinadas de forma oposta. No caso mostrado, o analista interpretará essa divergência como uma expectativa otimista (já que o oscilador RSI diverge da série original: ela começa a aumentar quando a série original ainda está diminuindo). Em nosso modelo simplificado, a presença de tal divergência se traduz em uma mudança na previsão do sinal, dependendo da tendência de alta ou baixa dos dias anteriores. Nas simulações seguintes, escolheremos dias, uma vez que - mais uma vez - este valor é um dos mais utilizados nas estratégias de negociação reais baseadas no RSI. Veja ref. [57] Estratégia de Up and Down Persistency (UPD) Esta estratégia determinista não vem da análise técnica. No entanto, decidimos considerá-lo porque parece seguir o aparentemente alternativo comportamento alternativo de séries de mercado que qualquer observador pode ver à primeira vista. A estratégia é baseada na seguinte regra muito simples: a previsão para o comportamento do mercado amanhã é exatamente o oposto do que aconteceu no dia anterior. Se, por exemplo, um tiver, a expectativa no momento para o período será de alta: e vice-versa. Estratégia de Divergência de Convergência Média Móvel (MACD) A 'MACD' é uma série construída por meio da diferença entre duas Médias Móveis Exponenciais (EMA, doravante) do preço de mercado, referindo-se a duas janelas de tempo diferentes, uma menor e uma maior. Em qualquer momento t. Em particular, a primeira é a média móvel exponencial de doze dias, enquanto a segunda se refere a vinte e seis dias. O cálculo desses EMAs em um intervalo de tempo pré-determinado, x, dado um peso de proporcionalidade, é executado pela seguinte fórmula recursiva: com, onde. Uma vez calculada a série MACD, obtém-se a média móvel exponencial de 9 dias e, finalmente, a estratégia de negociação para a previsão dinâmica do mercado pode ser definida: a expectativa para o mercado é de alta (baixa) se (). Veja ref. [57] Expandir Figura 4. Exemplo de divergência de RSI.
Uma divergência é um desacordo entre o indicador (RSI) e o preço subjacente. Por meio de linhas de tendência, o analista verifica se as inclinações de ambas as séries estão de acordo. Quando a divergência ocorre, uma inversão da dinâmica de preços é esperada. No exemplo, um período de alta é esperado.
Resultados de Simulações Baseadas em Empiricamente.
Para cada uma de nossas quatro séries temporais financeiras (em dias), o objetivo era simplesmente prever, dia a dia e para cada estratégia, o movimento ascendente (altista) ou descendente (baixa) do índice em um determinado dia com em relação ao valor de fechamento um dia antes: se a previsão estiver correta, o negociador ganha, caso contrário ele perde. Neste sentido, estamos interessados ​​apenas em avaliar a porcentagem de ganhos obtidos por cada estratégia, assumindo que - a cada passo - os operadores conhecem perfeitamente a história passada dos índices, mas não possuem nenhuma outra informação e não podem exercer nenhuma influência sobre os mesmos. mercado, nem receber qualquer informação sobre movimentos futuros.
A seguir, testamos o desempenho das cinco estratégias dividindo cada uma das quatro séries temporais em uma sequência de janelas de negociação de tamanho igual (em dias) e avaliando a porcentagem média de vitórias para cada estratégia dentro de cada janela enquanto os operadores se movem. ao longo da série dia a dia, de para. Este procedimento, quando aplicado, permite explorar o desempenho das várias estratégias para várias escalas de tempo (variando, de forma aproximada, de meses a anos).
A motivação por trás dessa escolha está ligada ao fato de que a evolução temporal de cada índice alterna claramente entre períodos calmos e voláteis, que em uma resolução mais precisa revelaria uma alternância mais autosemelhante de comportamento intermitente e regular em escalas de tempo menores. uma característica dos mercados financeiros turbulentos [35], [36], [38], [58]. Tal característica torna qualquer previsão a longo prazo de seu comportamento muito difícil ou mesmo impossível com instrumentos de análise financeira padrão. O ponto é que, devido à presença de correlações em pequenas escalas temporais (como confirmado pela análise do expoente de Hurst dependente do tempo na Figura 3), pode-se esperar que uma dada estratégia de negociação padrão, baseada na história passada da índices, poderia executar melhor do que os outros dentro de uma determinada janela de tempo. Mas isso pode depender muito mais do acaso do que da eficácia real do algoritmo adotado. Por outro lado, se numa escala temporal muito grande a evolução do tempo do mercado financeiro é um processo browniano não correlacionado (como indicado pelo expoente médio de Hurst, que resulta em torno de todas as séries financeiras consideradas), pode-se esperar também que o desempenho das estratégias de negociação padrão em uma grande escala de tempo torna-se comparável às estratégias aleatórias. In fact, this is exactly what we found as explained in the following.
In Figs. 5–8, we report the results of our simulations for the four stock indexes considered (FTSE-UK, FTSE-MIB, DAX, S & P 500). In each figure, from top to bottom, we plot: the market time series as a function of time; the correspondent ‘returns’ series, determined as the ratio ; the volatility of the returns, i. e. the variance of the previous series, calculated inside each window for increasing values of the trading window size (equal to, from left to right, , , and respectively); the average percentage of wins for the five trading strategies considered, calculated for the same four kinds of windows (the average is performed over all the windows in each configuration, considering different simulation runs inside each window); the corresponding standard deviations for the wins of the five strategies.
Expand Figure 5. Results for the FTSE-UK index series, divided into an increasing number of trading-windows of equal size (3,9,18,30), simulating different time scales.
From top to bottom, we report the index time series, the corresponding returns time series, the volatility, the percentages of wins for the five strategies over all the windows and the corresponding standard deviations. The last two quantities are averaged over 10 different runs (events) inside each window.
From top to bottom, we report the index time series, the corresponding returns time series, the volatility, the percentages of wins for the five strategies over all the windows and the corresponding standard deviations. The last two quantities are averaged over 10 different runs (events) inside each window.
From top to bottom, we report the index time series, the corresponding returns time series, the volatility, the percentages of wins for the five strategies over all the windows and the corresponding standard deviations. The last two quantities are averaged over 10 different runs (events) inside each window.
From top to bottom, we report the index time series, the corresponding returns time series, the volatility, the percentages of wins for the five strategies over all the windows and the corresponding standard deviations. The last two quantities are averaged over 10 different runs (events) inside each window.
Observing the last two panels in each figure, two main results are evident:
The average percentages of wins for the five strategies are always comparable and oscillate around , with small random differences which depend on the financial index considered. The performance of of wins for all the strategies may seem paradoxical, but it depends on the averaging procedure over all the windows along each time series. In Fig. 9 we show, for comparison, the behavior of the various strategies for the four financial indexes considered and for the case (the score in each window is averaged over different events): as one can see, within a given trading window each single strategy may randomly perform much better or worse than , but on average the global performance of the different strategies is very similar. Moreover, referring again to Figs. 5–8, it is worth to notice that the strategy with the highest average percentage of wins (for most of the windows configurations) changes from one index to another one: for FTSE-UK, the MOM strategy seems to have a little advantage; for FTSE-MIB, the UPD seems to be the best one; for DAX, the RSI, and for the S & P 500, the UPD performs slightly better than the others. In any case the advantage of a strategy seems purely coincidental. The second important result is that the fluctuations of the random strategy are always smaller than those of the other strategies (as it is also visible in Fig. 9 for the case ): this means that the random strategy is less risky than the considered standard trading strategies, while the average performance is almost identical. This implies that, when attempting to optimize the performance, standard traders are fooled by the “illusion of control” phenomenon [11], [12], reinforced by a lucky sequence of wins in a given time window. However, the first big loss may drive them out of the market. On the other hand, the effectiveness of random strategies can be probably related to the turbulent and erratic character of the financial markets: it is true that a random trader is likely to win less in a given time window, but he/she is likely also to loose less. Therefore his/her strategy implies less risk, as he/she has a lower probability to be thrown out of the game. Expand Figure 9. The percentage of wins of the different strategies inside each time window - averaged over 10 different events - is reported, in the case N w = 30, for the four markets considered.
As visible, the performances of the strategies can be very different one from the others inside a single time window, but averaging over the whole series these differences tend to disappear and one recovers the common outcome shown in the previous figures.
Conclusions and Policy Implications.
In this paper we have explored the role of random strategies in financial systems from a micro-economic point of view. In particular, we simulated the performance of five trading strategies, including a completely random one, applied to four very popular financial markets indexes, in order to compare their predictive capacity. Our main result, which is independent of the market considered, is that standard trading strategies and their algorithms, based on the past history of the time series, although have occasionally the chance to be successful inside small temporal windows, on a large temporal scale perform on average not better than the purely random strategy, which, on the other hand, is also much less volatile. In this respect, for the individual trader, a purely random strategy represents a costless alternative to expensive professional financial consulting, being at the same time also much less risky, if compared to the other trading strategies.
This result, obtained at a micro-level, could have many implications for real markets also at the macro-level, where other important phenomena, like herding, asymmetric information, rational bubbles occur. In fact, one might expect that a widespread adoption of a random approach for financial transactions would result in a more stable market with lower volatility. In this connection, random strategies could play the role of reducing herding behavior over the whole market since, if agents knew that financial transactions do not necessarily carry an information role, bandwagon effects could probably fade. On the other hand, as recently suggested by one of us [59], if the policy-maker (Central Banks) intervened by randomly buying and selling financial assets, two results could be simultaneously obtained. From an individual point of view, agents would suffer less for asymmetric or insider information, due to the consciousness of a “fog of uncertainty” created by the random investments. From a systemic point of view, again the herding behavior would be consequently reduced and eventual bubbles would burst when they are still small and are less dangerous; thus, the entire financial system would be less prone to the speculative behavior of credible “guru” traders, as explained also in [60]. Of course, this has to be explored in detail as well as the feedback effect of a global reaction of the market to the application of these actions. This topic is however beyond the goal of the present paper and it will be investigated in a future work.
Agradecimentos
We thank H. Trummer for DAX historical series and the other institutions for the respective data sets.
Author Contributions.
Conceived and designed the experiments: AEB AP AR DH. Performed the experiments: AEB AP AR. Analyzed the data: AEB AP AR. Wrote the paper: AEB AP AR DH.

Journal of Investment Strategies.
First Published: December 2012.
The Journal of Investment Strategies is dedicated to the rigorous treatment of modern investment strategies; going well beyond the “classical” approaches in both its subject instruments and methodologies. In providing a balanced representation of academic, buy-side and sell-side research, the Journal promotes the cross-pollination of ideas amongst researchers and practitioners, achieving a unique nexus of academia and industry on one hand, and theoretical and applied models on the other.
The Journal contains in-depth research papers as well as discussion articles on technical and market subjects, and aims to equip the global investment community with practical and cutting-edge research in order to understand and implement modern investment strategies.
With a focus on important contemporary investment strategies, techniques and management, the journal considers papers on the following areas:
Fundamental Strategies : including fundamental macro, fundamental equity or credit selection Relative Value Strategies : estimation of and investing in the relative valuation of related securities, both vanilla and derivatives Tactical Strategies : strategies based on forecasting of, and investing in, patterns of market behavior, such as momentum or mean reversion, and tactical asset allocation strategies. Event-Driven Strategies: strategies based on the forecast of likelihood of market-moving events or market reactions to such events Algorithmic Trading Strategies : models of market microstructure, liquidity and market impact and algorithmic trade execution and market-making strategies Principal Investment Strategies : investment strategies for illiquid securities and principal ownership or funding of real assets and businesses Portfolio Management and Asset Allocation : models for portfolio optimization, risk control, performance attribution and asset allocation Econometric and Statistical Methods : with applications to investment strategies.
The Journal of Investment Strategies has been selected for coverage in the Clarivate Analytics Emerging Sources Citation Index.
Tail protection for long investors: trend convexity at work.
In this paper, the authors show that single-asset trend strategies have built-in convexity, provided their returns are aggregated over the right time scale, ie, that of the trend filter.
Speed and dimensions of trading.
In this paper, two new portfolio statistics are introduced: ENT, which measures trading speed, and ENTD, which measures trading diversity. Together with vectors representing major trading directions, these provide new insight into the intrinsic…
Efficient trading in taxable portfolios.
This paper determines life-cycle trading strategies for portfolios subject to the US tax system.
Portfolio concentration and equity market contagion: evidence on the “flight to familiarity” across indexing methods.
This paper sheds light on the entanglement of index weighting schemes.
Leverage and uncertainty.
By extending the Kelly criterion to a simple probabilistic model with an additional tail risk outcome associated with uncertainty, this paper looks beyond risk and evaluates how uncertainty constrains optimal leverage.
Lifecycle investing with the profitable dividend yield strategy: simulations and nonparametric analysis.
Using simulations, the author shows that life-cycle investing implemented on highly profitable and high dividend yield stocks (the profitable dividend yield strategy) provides a compelling solution to the suboptimality problem by leveraging on the…
Enhancing enterprise value by trading options.
This paper considers the problem of enhancing an investment activity by regularly adding an option trade to the portfolio mix and presented results for the single underlier of the S&P 500 index, with the underlying activity being either long the index or…
An uncertainty quantification framework for the achievability of backtesting results of trading strategies.
In this paper, the authors propose a framework for implementing and backtesting trading strategies.
Statistical testing of DeMark technical indicators on commodity futures.
This paper examines the performance of three DeMark indicators over twenty-one commodity futures markets and ten years of daily data.
Correctness of backtest engines.
In this paper, the authors provide tools to test the correctness of backtest engines for setups with at most one entry and one exit.
Black–Litterman, exotic beta and varying efficient portfolios: an integrated approach.
This paper brings Black–Litterman optimization, exotic betas and varying starting portfolios together into one complete, symbiotic framework.
Agnostic risk parity: taming known and unknown unknowns.
This paper offers a new perspective on portfolio allocation, which avoids any explicit optimization and instead takes the point of view of symmetry.
Interconnectedness risk and active portfolio management.
This paper studies centrality (interconnectedness risk) measures and their added value in an active portfolio optimization framework.
Risk constraints for portfolio optimization with fixed-fee transaction cost.
In this paper the authors investigate how fixed-fee transaction costs affect portfolio rebalancing.
Investing across periods with Mahalanobis distances.
The authors propose an analytical framework to measure investment opportunities and allocate risk across time based on the Mahalanobis distance.
Statistical risk models.
In this paper, the authors give complete algorithms and source code for constructing statistical risk models.
On optimizing risk exposures with trend-following strategies in currency overlay portfolios.
This paper proposes using an optimization mechanism in the currency overlay portfolio construction process.
Optimal closing-price strategy: peculiarities and practicalities.
The authors of this paper derive an optimal trading strategy that benchmarks the closing price in a mean–variance optimization framework.
Insights into robust optimization: decomposing into mean–variance and risk-based portfolios.
The authors of this paper aim to demystify portfolios selected by robust optimization by looking at limiting portfolios in the cases of both large and small uncertainty in mean returns.
Equal risk allocation with carry, value and momentum.
The authors of this paper analyze an equal-weight portfolio of global cross-asset-class risk factor exposures.

Analyze Your Trades for Free.
Goodbye Excel spreadsheets, hello Trade Journal.
Log your stock trades in the cloud, track your mistakes, test new strategies, and improve your trading .
Trade Journal is the best I've found. I love the simplicity and the power behind the search / reports / analyze.
Thanks so much for making Trade Journal one of the best resources available.
I've looked at quite a few other online journals, including offline journals such as those in excel, and this is the best I've found.
I am proud to call myself a member of Trade Journal.

Journal trading strategies

The Journal of Trading.
Institutional Investor Journals (II Journals) are created for industry professionals and written by leading practitioners and academics. They provide detailed analyses and strategic insights that can be translated into implementable ideas in global investment management and finance.
The Journal of Trading (JOT) ) gives you in-depth analysis of new tools and strategies in institutional trading and shows you how to use them in a practical way. JOT aims to provide critical intelligence on algorithmic trading, execution options, liquidity issues, trading platforms, and analytical models. You get the practical tools to review and measure trade execution performance; conduct pre - and post-trade analysis and transaction cost analysis; evaluate commission allocations and trading strategies; achieve best execution and avoid trading pitfalls and control transaction costs and minimize overall costs. JOT is ideal for senior-level buy - and sell-side traders, institutional investors and portfolio managers, and brokers and dealers of investment firm.
Brian R. Bruce , Editor, is Founder and CEO at Hillcrest Asset Management and Director of the Center for Investment Research.
Corporate pension fund managers, Portfolio managers, Treasurers, Investment advisors.
4 issues a year.
Spring (March), Summer (June), Fall (September), Winter (December)

Journal trading strategies

par Benoist Rousseau & raquo; 21 Nov 2014 14:13 | 0 Réponse.
par Scalpeur-Futures » 12 Déc 2017 16:52 | 503 Réponses.
par Monsieur_Patate » 26 Sep 2017 12:38 | 189 Réponses.
par Blia » 02 Mar 2018 19:25 | 3 Réponses.
par Arnaud Alcantara » 14 Jan 2018 18:48 | 137 Réponses.
par TrayingTrading » 13 Juil 2017 16:47 | 19 Réponses.
par TDTrading » 14 Fév 2018 11:08 | 69 Réponses.
par Fado » 27 Sep 2017 13:48 | 500 Réponses.
par Tapering » 09 Jan 2018 23:20 | 85 Réponses.
par chad & raquo; 04 Fév 2015 17:52 | 564 Réponses.
par Djobydjoba & raquo; 31 Mar 2017 09:14 | 110 Réponses.
par Benoist Rousseau & raquo; 04 Mar 2018 20:25 | 6 Réponses.
par swingwin & raquo; 22 Juil 2014 12:23 | 1247 Réponses.
par Tony. c » 06 Déc 2016 04:52 | 176 Réponses.
par Anewa » 09 Avr 2017 17:14 | 17 Réponses.
par Lom » 19 Juil 2016 14:22 | 101 Réponses.
par delfigo » 01 Mar 2018 14:28 | 4 Réponses.
par benaz » 08 Aoû 2017 15:18 | 225 Réponses.
par trappiste73 » 08 Déc 2016 15:28 | 295 Réponses.
par Wolfgang59 » 09 Mai 2016 08:33 | 35 Réponses.
par Livio. D » 28 Fév 2018 01:24 | 3 Réponses.
par Madnex » 08 Fév 2018 16:01 | 30 Réponses.
par Matthieu L » 27 Sep 2017 21:48 | 103 Réponses.
par Gabinou159 » 12 Oct 2017 23:13 | 492 Réponses.
par stourbinou » 16 Jan 2018 14:09 | 7 Réponses.
par Sylvain P. & raquo; 31 Mai 2016 13:04 | 39 Réponses.