Teste de estresse O que é o teste de estresse O teste de estresse é uma técnica de simulação freqüentemente utilizada no setor bancário. Também é usado em carteiras de ativos e passivos para determinar suas reações a diferentes situações financeiras. Além disso, os testes de estresse são usados para avaliar como certos estressores afetarão uma empresa, indústria ou portfólio específico. Os testes de estresse geralmente são modelos de simulação gerados por computador que testam cenários hipotéticos no entanto, a metodologia de teste de estresse altamente personalizada também é freqüentemente utilizada. BREAKING DOWN Testes de estresse O teste de estresse é um método útil para determinar como um portfólio será gasto durante um período de crise financeira. Os testes de estresse são mais utilizados pelos profissionais financeiros para relatórios regulatórios e também para gerenciamento de risco de portfólio. Testes de estresse regulatório Após a crise financeira de 2008, os relatórios regulatórios para o setor financeiro e, especificamente, os bancos foram amplamente expandidos, com foco em testes de estresse e adequação de capital, principalmente devido ao Ato Dodd-Frank de 2010. A partir de 2011, os novos regulamentos nos Estados Unidos exigiram a apresentação da documentação da Análise de Análise e Análise de Capital (CCAR) para o setor bancário. A documentação do CCAR exige que os bancos relatem seus procedimentos internos para gerenciar o capital e os bancos são obrigados a incluir vários cenários testados pelo stress. Além dos relatórios do CCAR, os bancos sistémicamente importantes nos Estados Unidos considerados muito grandes para falhar pelo Conselho de Estabilidade Financeira, tipicamente aqueles com mais de 50 bilhões de ativos, devem fornecer relatórios testados sobre o planejamento para um cenário de falência. Na revisão mais recente dos relatórios dos bancos desses bancos em 2016, havia oito bancos de grande importância sistêmica para falhar. Atualmente, BASEL III também está em vigor para os bancos globais. Este é um teste de estresse global de relatório que requer documentação de relatórios sobre os níveis de capital dos bancos com requisitos específicos para testes de estresse de vários cenários de crise. Testes de estresse para gerenciamento de risco Na gestão de portfólio de investimentos, o teste de estresse também é comumente usado para determinar o risco de portfólio e estabelecer estratégias de hedge para mitigar perdas. Os gerentes de portfólio usam programas internos de teste de estresse proprietário para gerenciar e testar suas carteiras contra ocorrências de mercado e eventos potenciais. Os testes de estresse de correspondência de ativos e passivos também são amplamente utilizados na gestão de negócios e investimentos. Os testes de estresse de correspondência de ativos e passivos podem ser usados pelas empresas para garantir controles e procedimentos internos adequados. As carteiras de aposentadoria e seguro também utilizam muito os testes de estresse para garantir fluxos eficientes de fluxo de caixa e níveis de pagamento. Tipos de teste de estresse O uso da simulação de Monte Carlo é um dos métodos mais conhecidos de teste de estresse. Este tipo de teste de estresse pode ser usado para modelar probabilidades de vários resultados, dado variáveis específicas. Os fatores considerados na simulação de Monte Carlo geralmente incluem várias variáveis econômicas. As empresas também podem se dirigir para gerenciadores de riscos gerenciados profissionalmente e provedores de software para vários tipos de testes de estresse. O Moodys Analytics é um exemplo de um programa de teste de estresse terceirizado que pode ser usado para testes de estresse de portfólio. Teste de teste O que é Backtesting Backtesting é o processo de testar uma estratégia de negociação em dados históricos relevantes para garantir sua viabilidade antes que o comerciante arrisque qualquer capital real. Um comerciante pode simular a negociação de uma estratégia durante um período de tempo adequado e analisar os resultados para os níveis de rentabilidade e risco. BREAKING DOWN Backtesting Se os resultados atendem aos critérios necessários que são aceitáveis para o comerciante, a estratégia pode então ser implementada com algum grau de confiança de que resultará em lucros. Se os resultados forem menos favoráveis, a estratégia pode ser modificada, ajustada e otimizada para alcançar os resultados desejados, ou pode ser completamente descartada. Uma quantidade significativa do volume negociado no mercado financeiro de hoje é feita por comerciantes que usam algum tipo de automação de computador. Isto é especialmente verdadeiro para estratégias comerciais baseadas em análises técnicas. Backtesting é parte integrante do desenvolvimento de um sistema de negociação automatizado. Backtesting significativo Quando feito corretamente, backtesting pode ser uma ferramenta inestimável para tomar decisões sobre se utilizar uma estratégia de negociação. O período de tempo da amostra em que um backtest é executado é crítico. A duração do período de tempo da amostra deve ser suficientemente longa para incluir períodos de diferentes condições do mercado, incluindo as tendências de elevação, as tendências de baixa e as negociações indexadas ao intervalo. A realização de um teste em apenas um tipo de condição de mercado pode produzir resultados únicos que podem não funcionar bem em outras condições do mercado, o que pode levar a conclusões falsas. O tamanho da amostra no número de trades nos resultados do teste também é crucial. Se o número da amostra de negócios for muito pequeno, o teste pode não ser estatisticamente significante. Uma amostra com muitas negociações durante um período muito longo pode produzir resultados otimizados em que um número irresistible de negociações vencedoras coalesce em torno de uma condição de mercado específica ou tendência favorável para a estratégia. Isso também pode causar um comerciante para tirar conclusões enganosas. Mantendo-o real Um backtest deve refletir a realidade na melhor medida possível. Os custos de negociação que podem ser considerados insignificantes pelos comerciantes, quando analisados individualmente, podem ter um impacto significativo quando o custo total é calculado durante todo o período de teste. Estes custos incluem comissões, spreads e derrapagens, e podem determinar a diferença entre se uma estratégia de negociação é lucrativa ou não. A maioria dos pacotes de software de backtesting incluem métodos para explicar esses custos. Talvez a métrica mais importante associada ao backtesting seja o nível de robustez das estratégias. Isso é conseguido comparando os resultados de um teste de retorno otimizado em um período de tempo de amostra específico (referido como na amostra) com os resultados de um backtest com a mesma estratégia e configurações em um período de tempo de amostra diferente (referido como out - De-amostra). Se os resultados forem igualmente rentáveis, a estratégia pode ser considerada válida e robusta e está pronta para ser implementada em mercados em tempo real. Se a estratégia falhar nas comparações fora da amostra, então a estratégia precisa de um desenvolvimento adicional, ou deve ser abandonada por completo. Sistemas de teste de estresse. Aprendendo sobre as simulações de Monte Carlo Quando desenvolvemos sistemas de negociação automatizados voltados para a produção de capital a longo prazo, muitas vezes somos confrontados com uma questão muito simples e assustadora. Como podemos garantir que nossos sistemas continuem lucrativos a longo prazo e como saberemos quando nossos sistemas não conseguem ser lucrativos. As respostas a essas perguntas não são muito fáceis e, certamente, não há nenhuma maneira de garantir que um sistema continuará rentável, pois simplesmente não conhecemos o futuro. No entanto, existem várias maneiras pelas quais podemos ter uma idéia quando um sistema pára de funcionar, sendo a mais robusta a aplicação de simulações de teste de estresse de muito longo prazo para ver quais os piores resultados do sistema. Hoje vou apresentar o mundo das simulações de Monte Carlo, um método muito poderoso que nos permite obter estimativas precisas sobre quais os possíveis resultados possíveis de nossas estratégias. A simulação de Monte Carlo é um tipo de procedimento de previsão no qual um determinado experimento 82201 que depende de um fator de 8220random8221 é testado um número muito grande de vezes. A maneira mais fácil de exemplificar o procedimento de Monte Carlo é imaginar um procedimento que tenha dois resultados com a mesma probabilidade. Imagine que temos um lance de moedas, 50 chances de obter cabeças e 50 chances de ter caudas. Quando você joga uma moeda muitas vezes, é óbvio que você não conseguirá as sequências de cabeças-caudas-cabeças-caudas o tempo todo, mas as seqüências envolvendo cabeça-cabeças-cabeças-caudas ou algo desse tipo podem de fato surgir. Uma simulação de Monte Carlo simplesmente executa milhares de lançamentos de moedas e dá-lhe as corridas esperadas de cabeças e caudas que você esperaria se você fez isso no longo prazo. Podemos dizer que as simulações de Monte Carlo nos permitem ver até que ponto uma determinada série de resultados de probabilidade aleatória individual pode diferir temporariamente do seu resultado estatístico de longo prazo (o que assumimos estar certo). Quando avaliamos os sistemas de negociação, isso significa que tomaremos a porcentagem de lucro do nosso sistema8217s, lucro médio e perda média e executará uma simulação de Monte Carlo sobre negociações X X avaliadas em X vezes (por exemplo, 100K execuções separadas de 200 negócios). Usando esse número muito grande de negócios, seremos capazes de saber o que a perda consecutiva perdendo 8221 e o 8220worst, eliminando8221 de nossa estratégia, pode ter a aleatoriedade estatística de resultados a curto prazo. Isso nos dá algumas informações muito importantes, pois agora sabemos o que o comportamento do nosso comportamento pode ser antes de se desviar de suas verdadeiras características estatísticas de longo prazo. Por exemplo, se você tiver um sistema que tenha uma corrida perdida máxima máxima prevista de 24 vezes dentro de uma simulação de Monte Carlo e ele finalmente atinge 26, então você sabe que seu sistema tornou-se muito arriscado para ser negociado porque ele começou a se desviar dramaticamente do longo Termo esperado dos desvios de Monte Carlo. Até agora, em Asirikuy, usamos uma regra 8222double8221 para criar os cenários de piores cenários. Para os sistemas que têm risco de recompensar os índices perto de 1: 1 (de cerca de 1: 2 para 2: 1), a regra 8220doubling8221 alinha muito bem com as simulações de Monte Carlo, pois o pior cenário de desdobramento geralmente corresponde ao dobro do máximo retirado visto na parte de trás - testes. Isso significa que nossa aproximação atual é certamente boa, embora as simulações de Monte Carlo nos dê um refinamento adicional a esse respeito. O número de negociações perdidas consecutivas é muito alto nas simulações de Monte Carlo e, de fato, um sistema pode demorar até 22-25 perdas consecutivas no longo prazo, conforme demonstrado por essas simulações. (Acima, são mostrados os resultados de um subconjunto de comércio 200 de uma operação comercial 100K-200, a simulação Monte Carlo Teycanani EURUSD (a linha verde é o valor de pico para o número comercial determinado, enquanto o vermelho é o pico mais baixo para esse número de comércio através de As corridas de 100K)). Uma observação muito interessante vem quando você avalia sistemas muito distorcidos usando esse tipo de simulação. Sistemas como o Megadroid 8211 com taxas de alta alta e risco ruim para os índices de recompensa 8211 dão números globais em Monte Carlo de 7-9 perdas consecutivas em 100 negócios K com uma probabilidade muito alta de ter pelo menos 4 negócios perdidos consecutivos nas primeiras negociações de 10K E três perdas consecutivas são quase uma certeza a cada negociação de 1K. Embora tais corridas sejam bastante infreqüentes, eles mostram por que o 8211, como eu disse antes do 8211, mantenho a minha posição contra o uso deste tipo de sistemas, pois tudo aponta para o fato de que eles vão limpar sua conta no longo prazo. Uma vez que você não consegue parar de executá-los antes que eles façam (como você sabe que eles pararam de funcionar quando eles limpam sua conta), estas são estratégias de tipo tudo ou nada simples. Tenha em conta que isso pressupõe que as simulações desses sistemas são confiáveis, algo muito improvável devido às suas metas de lucro de baixa pegada, o que significa que os cenários de limpeza podem ser muito mais comuns do que o retratado pelas simulações discutidas acima. Uma parte muito importante das simulações de Monte Carlo é garantir que o pior caso de retirada permaneça dentro de uma pequena parcela de patrimônio, de modo que você possa garantir que, se ocorrer um pior caso, você poderá parar de negociar o sistema e passar para outras estratégias que Ainda estão funcionando. Em sistemas com táticas de comércio de som e risco controlado, este é sempre o caso, pois você pode determinar que o sistema parou de funcionar regularmente apenas duas vezes o máximo histórico reduzido visto em backtests, o que significa que você pode realmente parar e mudar sistemas com um pedaço muito bom de Sua equidade ainda está no lugar. O uso de um portfólio aumenta ainda mais suas chances de fazer isso, pois você pode mudar uma estratégia perdedora sem perdas difíceis em capital, pois os outros sistemas que utilizam o trabalho8221 levam a conta fora da retirada. Como a probabilidade de muitos sistemas falhar ao mesmo tempo é muito pequena, as chances de apenas ajustar as partes que faltam8221 se tornam muito maiores. Há uma verdade que precisamos entender aqui: os sistemas de negociação podem e falham às vezes, à medida que as condições do mercado mudam além de sua capacidade de se adaptar. O importante é que suas falhas não implicam problemas de equidade que nos permitem simplesmente mudar os sistemas que pararam de funcionar para novos sistemas que funcionam ou para sistemas mais antigos que continuam a funcionar com precisão. Não se trata de ter um sistema que será mais otimo para o sempre 8221 (uma vez que presumir que isso não seria realista), mas sobre ter muitos sistemas robustos com baixa probabilidade de falhar, juntamente com um critério claro que nos permite saber sempre que uma estratégia começa a ser insuficiente para que Podemos mudar isso. As simulações de Monte Carlo nos permitem fazer exatamente isso, desenvolver um critério claro de quando um sistema pode falhar e o comportamento que podemos esperar no longo prazo em relação à perda consecutiva, negociações vencedoras, etc. Na próxima semana provavelmente vou fazer um video para explicar asirikuy Como executar simulações de Monte Carlo e quais conclusões podemos derivar delas sobre nossos sistemas de negociação e seu lucro a longo prazo e tirar características. Se você quiser saber mais sobre o meu trabalho e como você também pode usar e desenvolver seus próprios sistemas prováveis a longo prazo com base em táticas comerciais sólidas, considere juntar-se a Asirikuy. Um site repleto de vídeos educacionais, sistemas de negociação, desenvolvimento e uma abordagem sólida, honesta e transparente para negociação automatizada em geral. Espero que tenha gostado deste artigo. O) Obrigado pelo seu comentário: o) A linha verde representa o pico do lucro líquido desse comércio (por exemplo, o comércio nº 2 em cada um dos 200 subconjuntos) em uma simulação de comércio 100K 8211 200, enquanto a linha vermelha representa a perda de pico por isso comércio. A linha azul representa o último subconjunto comercial de 200. Você poderia levar as linhas verdes como os cenários 8220best8221 e 8220worst8221, respectivamente, para cada amostra comercial 200, um 8220envelope8221 que determina os limites estatísticos naturais do sistema8217s para o subconjunto comercial 8220any8221 200. Claro que vou explicar todos esses conceitos muito melhor durante os vídeos da próxima semana8217. Muito obrigado novamente pelo seu comentário: o) PS. Alterei o texto um pouco para explicar melhor o acima: o) Oi Daniel, ok agora i8217m estou muito satisfeito por ver que você falou sobre a simulação de Montecarlo. Como eu lhe falei há alguns dias, uso essa simulação para entender não só qual é a linha superior e final do meu sistema, mas também para investigar o 95 (- 2 dev. st da média) ou 99 (-3dev. st da média) probabilidade dos possíveis resultados. Então, no meu gráfico eu tenho 4 linhas, como as que você desenhou acima, que me ajudam a entender se o comportamento do meu sistema está dentro do intervalo de confiança de 95 ou 99. Um aspecto muito interessante desta técnica é que você pode ver Que se você tiver um sistema com fator profict gt1 (ou, em outras palavras, uma expectativa matemática positiva), em muito tempo, você sempre pode recuperar de um DD. Muito obrigado pelas suas postagens. I8217m muito sintonizado com suas metodologias sobre negociação. Andrea Muito obrigado pelo seu comentário: o) Fico feliz por ter gostado deste artigo. As linhas mostradas são de fato para um intervalo de confiança 95, que 8211 como você menciona, cobre 2 desvios padrão. No próximo mês de semana, o vídeo de Asirikuy abordarei muitos desses conceitos, ensinando também os membros da Asirikuy a executar suas próprias simulações. Também pode ser plausível iniciar uma seção do site no qual incluiremos as simulações de Monte Carlo das diferentes estratégias. Como você menciona, as simulações de Monte Carlo são ferramentas poderosas para entender o que o futuro pode manter se o sistema permanecer fiel às suas características estatísticas de longo prazo. As simulações de Monte Carlo nos permitem entender nossos sistemas em um grau muito melhor, aumentando assim as chances de sucesso. Como você diz, também é interessante observar que 8211 como um Casino 8211, um sistema com uma vantagem positiva sempre ganha, independentemente dos desvios negativos de curto prazo8221 decorrentes da aleatoriedade de estatísticas de curto prazo. As simulações de Monte Carlo nos dizem que os resultados a curto prazo são aleatórios, mas as estatísticas de longo prazo não são: o) Certamente espero que você aproveite meus futuros artigos sobre simulações de Monte Carlo, bem como todo o conteúdo que eu vou desenvolver para asirikuy. Muito obrigado novamente pelo seu comentário 8230 ajudá-lo a avaliar as características do pior caso do seu sistema, então você pode considerar ler esta publicação onde eu explico alguns dos fundamentos do procedimento de Monte Carlo e como isso leva ao 8230
Comments
Post a Comment