Trading Strategien Für Amibroker

Backtesting: Dolmetschen Das Vergangene Backtesting ist ein wichtiger Bestandteil einer effektiven Trading-System-Entwicklung. Es wird erreicht durch Rekonstruktion, mit historischen Daten, Trades, die in der Vergangenheit mit Regeln durch eine gegebene Strategie definiert aufgetreten wäre. Das Ergebnis bietet Statistiken, die verwendet werden können, um die Wirksamkeit der Strategie zu messen. Mit diesen Daten können Händler ihre Strategien optimieren und verbessern, technische oder theoretische Mängel finden und Vertrauen in ihre Strategie gewinnen, bevor sie sie auf die realen Märkte anwenden. Die zugrundeliegende Theorie ist, dass jede Strategie, die in der Vergangenheit gut funktionierte, in der Zukunft gut funktionieren wird, und umgekehrt wird jede Strategie, die in der Vergangenheit schlecht geführt hat, wahrscheinlich in der Zukunft schlecht sein. Dieser Artikel nimmt einen Blick auf, welche Anwendungen verwendet werden, um Backtest, welche Art von Daten erhalten wird, und wie man es verwenden Die Daten und die Tools Backtesting kann viel wertvolle statistische Rückmeldung über ein bestimmtes System. Einige universelle Backtesting-Statistiken beinhalten: Nettogewinn oder Verlust - Netto-Prozentsatz Gewinn oder Verlust. Zeitrahmen - Vergangene Termine, in denen ein Test durchgeführt wurde. Universum - Aktien, die in den Backtest aufgenommen wurden. Volatilitätsmaßnahmen - Maximaler Prozentsatz nach oben und nach unten. Mittelwerte - Prozentualer durchschnittlicher Gewinn und durchschnittlicher Verlust, durchschnittliche Stäbe gehalten. Exposure - Prozentsatz des investierten Kapitals (oder dem Markt ausgesetzt). Verhältnisse - Gewinne-Verluste-Verhältnis. Annualisierte Rendite - Prozentuale Rendite über ein Jahr. Risikoadjustierte Rendite - Prozentuale Rendite als Funktion des Risikos In der Regel wird Backtesting-Software haben zwei Bildschirme, die wichtig sind. Der erste erlaubt dem Händler, die Einstellungen für das Backtesting anzupassen. Diese Anpassungen beinhalten alles von der Zeit bis zur Provisionskosten. Hier ist ein Beispiel für einen solchen Bildschirm in AmiBroker: Der zweite Bildschirm ist der eigentliche Backtesting Ergebnis Bericht. Hier finden Sie alle oben genannten Statistiken. Auch hier ist ein Beispiel für diesen Bildschirm in AmiBroker: Im Allgemeinen enthält die meisten Trading-Software ähnliche Elemente. Einige High-End-Software-Programme enthalten auch zusätzliche Funktionalität, um automatische Positionsabmessung, Optimierung und andere erweiterte Funktionen durchzuführen. Die 10 Gebote Es gibt viele Faktoren, die Händler darauf achten, wenn sie Backtesting Handelsstrategien sind. Hier ist eine Liste der 10 wichtigsten Dinge zu erinnern, während Backtesting: Berücksichtigen Sie die breite Markttrends in der Zeitrahmen, in dem eine gegebene Strategie getestet wurde. Zum Beispiel, wenn eine Strategie wurde nur von 1999-2000 zurückgestellt, kann es nicht gut in einem Bärenmarkt. Es ist oft eine gute Idee, über einen langen Zeitrahmen zu backtest, der verschiedene Arten von Marktbedingungen umfasst. Berücksichtigen Sie das Universum, in dem das Backtesting aufgetreten ist. Zum Beispiel, wenn ein breites Marktsystem mit einem Universum aus Tech-Aktien getestet wird, kann es nicht gut in verschiedenen Sektoren zu tun. Grundsätzlich, wenn eine Strategie auf ein bestimmtes Genre der Bestände ausgerichtet ist, beschränken Sie das Universum auf dieses Genre, aber in allen anderen Fällen ein großes Universum für Testzwecke aufrecht zu erhalten. Volatilitätsmaßnahmen sind bei der Entwicklung eines Handelssystems äußerst wichtig. Dies gilt insbesondere für Leveraged-Konten, die Margin-Anrufe unterworfen werden, wenn ihr Eigenkapital unter einen bestimmten Punkt fällt. Händler sollten versuchen, die Volatilität niedrig zu halten, um das Risiko zu reduzieren und einen leichteren Übergang in und aus einer bestimmten Aktie zu ermöglichen. Die durchschnittliche Anzahl der gehaltenen Stäbe ist auch sehr wichtig, um bei der Entwicklung eines Handelssystems zu sehen. Obwohl die meisten Backtesting-Software Provisionskosten in den endgültigen Berechnungen enthält, bedeutet das nicht, dass Sie diese Statistik ignorieren sollten. Wenn möglich, kann die Erhöhung der durchschnittlichen Anzahl der gehaltenen Bars die Provisionskosten senken und die Gesamtrendite verbessern. Belichtung ist ein zweischneidiges Schwert. Eine erhöhte Exposition kann zu höheren Gewinnen oder höheren Verlusten führen, während eine verminderte Exposition niedrigere Gewinne oder geringere Verluste aufweist. Allerdings ist es im Allgemeinen eine gute Idee, die Exposition unter 70 zu halten, um das Risiko zu reduzieren und einen leichteren Übergang in und aus einer bestimmten Aktie zu ermöglichen. Die durchschnittliche Ertragsstatistik, kombiniert mit dem Gewinn-Verlust-Verhältnis, kann für die Bestimmung der optimalen Positionsbestimmung und des Geldmanagements mit Techniken wie dem Kelly Criterion nützlich sein. (Siehe Geldmanagement mit dem Kelly Criterion.) Händler können größere Positionen einnehmen und die Provisionskosten senken, indem sie ihre durchschnittlichen Gewinne erhöhen und ihr Gewinn-Verlust-Verhältnis erhöhen. Die annualisierte Rendite ist wichtig, weil sie als Instrument zur Benchmark eines Systemrenditen gegen andere Anlageorte verwendet wird. Es ist wichtig, nicht nur die Gesamtrendite zu betrachten, sondern auch das erhöhte oder verminderte Risiko zu berücksichtigen. Dies geschieht durch die risikoadjustierte Rendite, die für verschiedene Risikofaktoren verantwortlich ist. Bevor ein Handelssystem verabschiedet wird, muss es alle anderen Anlagegeschäfte gleich oder weniger gefährden. Backtesting Anpassung ist extrem wichtig. Viele Backtesting-Anwendungen haben Input für Provisionsbeträge, runde (oder gebrochene) Losgrößen, Tickgrößen, Margin-Anforderungen, Zinssätze, Schlupfannahmen, Positionsgrößenregeln, Gleichbezugsregelungen, (nachlaufende) Stopp-Einstellungen und vieles mehr. Sie erhalten die genauesten Backtesting-Ergebnisse, ich bin wichtig, um diese Einstellungen zu stimmen, um den Makler nachzuahmen, der verwendet wird, wenn das System in Betrieb geht. Backtesting kann manchmal zu etwas bekannt als Überoptimierung führen. Dies ist ein Zustand, in dem die Leistungsergebnisse so weit in die Vergangenheit abgestimmt sind, dass sie in der Zukunft nicht mehr so ​​genau sind. Es ist in der Regel eine gute Idee, Regeln zu implementieren, die für alle Aktien oder einen ausgewählten Satz von zielgerichteten Aktien gelten und nicht so weit optimiert sind, dass die Regeln vom Schöpfer nicht mehr verständlich sind. Backtesting ist nicht immer der genaueste Weg, um die Effektivität eines bestimmten Handelssystems abzuschätzen. Manchmal laufen Strategien, die in der Vergangenheit gut verstanden haben, in der Gegenwart nicht gut. Die Wertentwicklung in der Vergangenheit ist kein Hinweis auf zukünftige Ergebnisse. Achten Sie darauf, Papierhandel ein System, das erfolgreich zurückgezählt wurde, bevor Sie live gehen, um sicherzustellen, dass die Strategie noch in der Praxis gilt. Schlussfolgerung Backtesting ist einer der wichtigsten Aspekte der Entwicklung eines Handelssystems. Wenn es richtig erstellt und interpretiert wird, kann es den Händlern helfen, ihre Strategien zu optimieren und zu verbessern, technische oder theoretische Fehler zu finden sowie Vertrauen in ihre Strategie zu gewinnen, bevor sie sie auf die realen Weltmärkte anwenden. Resources Tradecision (Tradecision) - High-End Trading System Entwicklung AmiBroker (Amibroker) - Budget Trading System Entwicklung. Eine ökonomische Theorie der Gesamtausgaben in der Wirtschaft und ihre Auswirkungen auf die Produktion und Inflation. Keynesianische Ökonomie wurde entwickelt. Ein Bestand eines Vermögenswerts in einem Portfolio. Eine Portfolioinvestition erfolgt mit der Erwartung, eine Rendite zu erzielen. Dies. Ein von Jack Treynor entwickeltes Verhältnis, das die Erträge übertrifft, die über das hinausgekommen sind, was im risikolosen verdient werden könnte. Der Rückkauf ausstehender Aktien (Rückkauf) durch eine Gesellschaft, um die Anzahl der Aktien auf dem Markt zu reduzieren. Firmen. Eine Steuererstattung ist eine Erstattung für Steuern, die an eine Einzelperson oder einen Haushalt gezahlt werden, wenn die tatsächliche Steuerpflicht weniger als der Betrag ist. Der monetäre Wert aller fertigen Güter und Dienstleistungen, die innerhalb eines Landes erstellt wurden, grenzt in einer bestimmten Zeitspanne. Back-Testen Ihrer Trading-Ideen Eines der nützlichsten Dinge, die Sie im Analyse-Fenster tun können, ist, Ihre Trading-Strategie erneut zu testen historische Daten. Dies kann Ihnen wertvolle Einblicke in Stärken und Schwachstellen Ihres Systems geben, bevor Sie echtes Geld investieren. Diese einzelne AmiBroker-Funktion kann für Sie viel Geld sparen. Schreiben Sie Ihre Handelsregeln Zuerst müssen Sie objektive (oder mechanische) Regeln haben, um den Markt zu betreten und zu verlassen. Dieser Schritt ist die Basis Ihrer Strategie und Sie müssen darüber nachdenken, da das System mit Ihrer Risikobereitschaft, Portfolio-Größe, Geld-Management-Techniken und viele andere individuelle Faktoren übereinstimmen muss. Sobald Sie Ihre eigenen Regeln für den Handel haben, sollten Sie sie als Kauf - und Verkaufsregeln in AmiBroker Formula Lanugage schreiben (plus kurz und decken, wenn Sie auch kurz handeln wollen). In diesem Kapitel werden wir sehr grundlegende gleitende durchschnittliche Cross-Over-System zu betrachten. Das System würde Aktienabrechnungen kaufen, wenn der enge Preis über 45-Tage-exponentiell gleitenden Durchschnitt steigt und verkauft Aktienbeteiligungen, wenn der Schlusskurs unter 45-Tage-exponentielle gleitenden Durchschnitt sinkt. Der exponentielle gleitende Durchschnitt kann in AFL mit seiner eingebauten Funktion EMA berechnet werden. Alles, was Sie tun müssen, ist, das Eingabe-Array und die Mittelungsperiode anzugeben, so dass der 45-tägige exponentielle gleitende Durchschnitt der Schlusskurse durch die folgende Aussage erhalten werden kann: Die enge Kennung bezieht sich auf das eingebaute Array, das die Schlusspreise des aktuell analysierten Symbols hält . Um zu testen, ob der enge Preis über den exponentiellen gleitenden Durchschnitt hinausgeht, verwenden wir die integrierte Kreuzfunktion: kaufen Kreuz (schließen, ema (schließen, 45)) Die obige Aussage definiert eine Kaufhandelsregel. Es gibt quot1quot oder quottruequot, wenn enge Preiskreuze über Ema (schließen, 45). Dann können wir die Verkaufsregel schreiben, die bei der Gegenüberstellung eintreten würde - enge Preiskreuze unter Ema (nahe, 45): Kreuz verkaufen (ema (schließen, 45), in der Nähe) Bitte beachten Sie, dass wir dieselbe Kreuzfunktion verwenden Die entgegengesetzte Argumentation. Die komplette Formel für lange Trades wird so aussehen: Kreuz kaufen (schließen, Ema (schließen, 45)) Kreuz verkaufen (Ema (schließen, 45), in der Nähe) HINWEIS: Um neue Formel zu erstellen, öffnet man den Formel-Editor mit dem Analysis-gtFormula Editor Menü, geben Sie die Formel ein und wählen Sie Tools-gtSend zum Analysemenü im Formel-Editor Um das System erneut zu testen, klicken Sie einfach auf die Schaltfläche "Zurück" im Fenster "Automatische Analyse". Stellen Sie sicher, dass Sie in die Formel eingegeben haben, die mindestens Kauf - und Verkaufshandelsregeln (wie oben gezeigt) enthält. Wenn die Formel korrekt ist, beginnt AmiBroker, Ihre Symbole nach Ihren Handelsregeln zu analysieren und erzeugt eine Liste simulierter Trades. Der ganze Prozess ist sehr schnell - Sie können Tausende von Symbolen in wenigen Minuten wieder testen. Das Fortschrittsfenster zeigt Ihnen die voraussichtliche Fertigstellungszeit. Wenn du den Prozess stoppen möchtest, kannst du im Fortschrittsfenster einfach auf Abbrechen klicken. Wenn der Prozess beendet ist, wird die Liste der simulierten Trades im unteren Teil des automatischen Analysefensters angezeigt. (Der Ergebnisbereich). Sie können untersuchen, wann die Kauf - und Verkaufssignale nur durch einen Doppelklick auf den Handel im Ergebnisbereich aufgetreten sind. Dies gibt Ihnen rohe oder ungefilterte Signale für jede Bar, wenn Kauf - und Verkaufsbedingungen erfüllt sind. Wenn Sie nur einzelne Handelspfeile sehen möchten (Öffnen und Schließen des aktuell ausgewählten Handels), sollten Sie auf die Zeile doppelklicken, während Sie die SHIFT-Taste gedrückt halten. Alternativ können Sie die Art der Anzeige auswählen, indem Sie im Kontextmenü die entsprechende Option auswählen, wenn Sie mit einer rechten Maustaste auf den Ergebnisbereich klicken. Zusätzlich zur Ergebnisliste können Sie sehr detaillierte Statistiken über die Leistung Ihres Systems erhalten, indem Sie auf die Schaltfläche Bericht klicken. Um mehr über Berichtsstatistiken zu erfahren, schau dir bitte die Beschreibung des Berichtfensters an. Ändern der Back-Test-Einstellungen Zurück-Test-Engine in AmiBroker verwendet einige vordefinierte Werte für die Ausführung seiner Aufgabe einschließlich der Portfolio-Größe, Periodizität (täglich wöchentlich monatlich), Höhe der Provision, Zinssatz, maximale Verlust und Gewinn Ziel stoppt, Art der Trades, Preisfelder und so auf. Alle diese Einstellungen können vom Benutzer über das Einstellungsfenster geändert werden. Nachdem Sie die Einstellungen geändert haben, denken Sie bitte daran, Ihren Back-Test erneut auszuführen, wenn die Ergebnisse mit den Einstellungen synchronisiert werden sollen. Zum Beispiel, um den Test auf wöchentlichen Stäben statt täglich zu testen, klicken Sie einfach auf die Schaltfläche Einstellungen, wählen Sie Wöchentlich aus Periodizität Kombinationsfeld und klicken Sie auf OK. Führen Sie dann Ihre Analyse aus, indem Sie auf den Test klicken. Reservierte Variablennamen Die folgende Tabelle zeigt die Namen der reservierten Variablen, die von Automatic Analyzer verwendet werden. Die Bedeutung und Beispiele zu deren Verwendung finden Sie weiter unten in diesem Kapitel. Ermöglicht die Kontrolle des Dollarbetrags oder des Prozentsatzes des Portfolios, das in den Handel investiert wird (siehe Erläuterungen unten) Automatische Analyse (neu in 3.9) Bisher diskutierten wir eine ziemlich einfache Verwendung des Back-Testers. AmiBroker, unterstützt jedoch viel mehr anspruchsvolle Methoden und Konzepte, die später in diesem Kapitel diskutiert werden. Bitte beachten Sie, dass der Anfänger-Benutzer zuerst ein wenig mit den einfacheren Themen spielen sollte, die oben beschrieben wurden, bevor Sie fortfahren. Also, wenn Sie bereit sind, schauen Sie sich bitte die folgenden vor kurzem vorgestellten Features des Back-Testers an: a) AFL Scripting Host für fortgeschrittene Formel Schriftsteller b) verbesserte Unterstützung für kurze Trades c) die Art und Weise zu steuern Auftrag Ausführung Preis von der Script d) verschiedene Arten von Stopps im hinteren Tester e) Positionsgröße f) runde Losgröße und Tickgröße g) Randkonto h) Backtesting Futures AFL Scripting Host ist ein fortgeschrittenes Thema, das in einem separaten Dokument hier abgedeckt ist und ich werde nicht diskutieren Es in diesem Dokument. Verbleibende Features sind viel einfacher zu verstehen. In den Vorgängerversionen von AmiBroker, wenn du das System mit Hilfe von Lang - und Kurzgeschichten retten wolltest, könntest du nur eine Stop-and-Reverse-Strategie simulieren. Als die lange Position geschlossen wurde, wurde sofort eine neue Short-Position eröffnet. Es war, weil kaufen und verkaufen reservierte Variablen wurden für beide Arten von Trades verwendet. Jetzt (mit Version 3.59 oder höher) gibt es getrennte reservierte Variablen zum Öffnen und Schließen von langen und kurzen Trades: Kauf - quottruequot oder 1 Wert öffnet lange Handel verkaufen - quottruequot oder 1 Wert schließt lange Handel kurz - quottruequot oder 1 Wert öffnet kurze Handelsabdeckung - quottruequot oder 1 Wert schließt kurzer Handel Som, um kurze Trades zu retten, müssen Sie kurze und Cover-Variablen zuordnen. Wenn Sie Stop-and-Reverse-System (immer auf dem Markt) einfach zuweisen, verkaufen zu kurz und kaufen, um zu decken kurz verkaufen Deckung zu kaufen Dies simuliert die Art und Weise vor-3.59 Versionen funktionierte. Aber jetzt AmiBroker ermöglicht es Ihnen, getrennte Handelsregeln zu haben, um lange zu gehen und kurz zu gehen, wie in diesem einfachen Beispiel gezeigt: lange Trades Ein-und Ausreise Regeln: kaufen Kreuz (cci (), 100) verkaufen Kreuz (100, cci ()) kurz (Cci (), -100) Beachten Sie, dass in diesem Beispiel, wenn CCI zwischen -100 und 100 ist, Sie aus dem Markt sind. Steuern des Handelspreises AmiBroker bietet jetzt 4 neue reservierte Variablen zur Angabe des Preises, bei dem Kauf-, Verkaufs-, Kurz - und Deckungsaufträge ausgeführt werden. Diese Arrays haben folgende Namen: Kaufpreis, Verkaufspreis, Shortprice und Deckungspreis. Die Hauptanwendung dieser Variablen ist die Kontrolle des Handelspreises: BuyPrice IIF (Tag 1) HIGH, CLOSE) am Montag kaufen bei High, sonst kaufen Sie in der Nähe So können Sie die folgenden schreiben, um echte Stop-Bestellungen zu simulieren: BuyStop. Die Formel für den Kauf Stop Level SellStop. Die Formel für den Verkauf Stop-Level, wenn jederzeit während des Tages Preise steigen über Buystop-Ebene (highgtbuystop) der Kaufauftrag stattfindet (bei buystop oder niedrig je nachdem, was höher ist) Kaufen Cross (High, BuyStop) wenn jederzeit während des Tages Preise unter den Verkaufspreis fallen (SellPrice, SellStop) BuyPrice max (BuyStop, Low) Sicherstellen, dass der Kaufpreis nicht weniger als Low SellPrice min (SellStop, High) sicher ist Verkaufspreis nicht größer als hoch Bitte beachten Sie, dass AmiBroker die Kaufpreis-, Verkaufspreis-, Shortprice - und Coverprice-Array-Variablen mit den im Systemtest-Einstellungsfenster definierten Werten festlegt (siehe unten), so dass Sie es aber nicht in Ihrer Formel definieren müssen. Wenn Sie es nicht definieren, arbeitet AmiBroker wie in den alten Versionen. Beim Back-Testing überprüft AmiBroker, ob die Werte, die Sie dem Kaufpreis, dem Verkaufspreis, dem Shortprice, dem Deckungspreis zugewiesen haben, in den High-Low-Bereich der angegebenen Bar passen. Wenn nicht, wird AmiBroker es auf hohen Preis anpassen (wenn Preis-Array-Wert höher als hoch ist) oder auf den niedrigen Preis (wenn Preis-Array-Wert niedriger als niedrig ist) Profit-Ziel stoppt Wie Sie in der Abbildung oben sehen können, neue Einstellungen für Profit-Zielstopps sind im System-Test-Einstellungsfenster verfügbar. Profit-Ziel-Stops werden ausgeführt, wenn der hohe Preis für einen bestimmten Tag die Stopp-Ebene übersteigt, die als Prozentsatz oder Punktzunahme vom Kaufpreis gegeben werden kann. Standardmäßig werden Stopps zu einem Preis ausgeführt, den Sie als Verkaufspreis-Array (für lange Trades) oder Cover-Price-Array definieren (für kurze Trades). Dieses Verhalten kann durch die Verwendung von quotExit bei der Stopquot-Funktion geändert werden. QuotExit bei stopquot-Funktion Wenn du bei den Stopp-Box-Feldern die Markierung von noExit bei Stopquot-Box markierst, werden die Stopps auf exakte Stop-Ebene ausgeführt, dh wenn du Profit-Ziel-Stop bei 10 deinen Stop definiert hast und der Kaufpreis 50 Stopp-Order wird bei 55 durchgeführt, auch wenn Ihr Verkaufspreisarray enthält unterschiedlichen Wert (zB Schlusskurs von 56). Maximaler Verlust stoppt die Arbeit in ähnlicher Weise - sie werden ausgeführt, wenn der niedrige Preis für einen bestimmten Tag unter die Stoppebene sinkt, die als Prozentsatz oder Punktzunahme vom Kaufpreis gegeben werden kann. Diese Art von Stopp wird verwendet, um die Gewinne zu schützen Verfolgt Ihren Handel, so dass jedes Mal, wenn ein Positionswert ein neues Hoch erreicht, der nachlaufende Stopp auf einer höheren Ebene platziert wird. Wenn der Gewinn unter die nachlaufende Stopp-Ebene sinkt, wird die Position geschlossen. Dieser Mechanismus wird in der Abbildung unten dargestellt (10 Nachlaufstopp ist gezeigt): eine Stichproben-Low-Level-Implementierung des Profit-Ziel-Stopps in AFL: Buy Cross (MACD (), Signal ()) für (i 0 i lt BarCount i) Wenn (priceatbuy 0 Buy i) priceatbuy BuyPrice i if (priceatbuy gt 0 SellPrice i gt 1.1 priceatbuy) Verkaufen i 1 SellPrice i 1.1 priceatbuy priceatbuy 0 sonst Verkaufen i 0 Dies ist ein neues Feature in Version 3.9. Positionsgröße im Backtester wird durch neue reservierte Variable implementiert PositionSize ltsize arraygt Jetzt können Sie den Dollarbetrag oder den Prozentsatz des Portfolios steuern, das in den Handelspartner investiert wird, der in den Handel investiert ist, der in den Handel investiert wird: PositionSize 1000 invest 1000 in jedem Handels-negativen Zahlen -100 ..- 1 definieren Prozentsatz: -100 gibt 100 der aktuellen Portfolio-Größe, -33 gibt 33 der verfügbaren Eigenkapital zum Beispiel: PositionSize -50 investiert immer nur die Hälfte des aktuellen Equity Dynamic Sizing Beispiel: PositionSize - 100 RSI () als RSI variiert von 0..100 Dies führt zu einer Position abhängig von RSI-Werten - gt niedrige Werte von RSI wird zu höheren Prozentsatz investiert Wenn weniger als 100 der verfügbaren Bargeld investiert wird, dann die verbleibenden Betrag verdient Zinssatz Wie in den Einstellungen definiert. Es gibt auch ein neues Kontrollkästchen im AA-Einstellungsfenster: quotAllow Positionsgröße shrinkingquot - das steuert, wie der Backtester die Situation verarbeitet, wenn die angeforderte Positionsgröße (über PositionSize-Variable) das verfügbare Bargeld übersteigt: Wenn dieses Flag markiert ist, wird die Position mit der Größe eingegeben Vorhandenes Bargeld, wenn es unkontrolliert ist, wird die Position nicht eingegeben. Um die tatsächlichen Positionsgrößen zu sehen, verwenden Sie bitte einen neuen Berichtsmodus im AA-Einstellungsfenster: quotTrade-Liste mit Preisen und Pos. Sizequot Für das Ende ist hier ein Beispiel für Tharps ATR-basierte Positionsgrößen-Technik, die in AFL kodiert ist: Kaufen Sie ltyour kaufen Formel heregt Verkaufen 0 Verkauf nur durch Stop TrailStopAmount 2 ATR (20) Hauptstadt 100000 WICHTIG: Setzen Sie es auch in den Einstellungen: Initial Equity Risk 0.01Kapital PositionSize (RiskTrailStopAmount) BuyPrice ApplyStop (2, 2, TrailStopAmount, 1) Die Technik könnte wie folgt zusammengefasst werden: Das Gesamt-Eigenkapital pro Symbol beträgt 100.000, wir setzen das Risiko auf 1 des gesamten Eigenkapitals. Der Risikostufe wird wie folgt definiert: Wenn ein nachlaufender Stopp bei einer 50 Aktie bei etwa 45 (der Wert von zwei ATRs gegen die Position) liegt, wird der 5 Verlust in das 1000 Risiko aufgeteilt, um 200 Aktien zu kaufen. So ist das Verlustrisiko 1000, aber das Zuteilungsrisiko beträgt 200 Aktien x 50share oder 10.000. Also, wir vergeben 10 des Eigenkapitals auf den Kauf, aber nur riskieren 1000. (Bearbeitete Auszug aus der AmiBroker Mailing-Liste) Runde Losgröße und Tick Größe Verschiedene Instrumente werden mit verschiedenen quottrading unitsquot oder quotblocksquot gehandelt. Zum Beispiel können Sie fraktionierte Anzahl von Einheiten von Investmentfonds kaufen, aber Sie können nicht kaufen gebrochene Anzahl von Aktien. Manchmal muss man in 10s oder 100s viel kaufen. AmiBroker können Sie nun die Blockgröße auf globaler und per-Symbol-Ebene angeben. In der Symbol-gtInformation-Seite können Sie in der Symbol-gtInformation-Seite per-symbol runde Losgröße definieren (Bild 3). Der Wert von Null bedeutet, dass das Symbol keine spezielle runde Losgröße hat und von der Seite "Automatische Analyseeinstellungen" (Bild 1) die Option "Default Round Lot Sizequot" (globale Einstellung) verwendet. Wenn die Standardgröße auch auf Null gesetzt ist, bedeutet dies, dass die Anzahl der Aktienbeteiligungen erlaubt ist. Sie können auch die Losgröße direkt aus Ihrer AFL-Formel mit RoundLotSize reservierten Variablen steuern, zum Beispiel: Diese Einstellung steuert die minimale Preisbewegung des gegebenen Symbols. Sie können es auf globaler und per-Symbol-Ebene definieren. Wie bei der runden Losgröße kannst du in der Symbol-gtInformation-Seite (Abb. 3) per-Symbol-Tick-Größe definieren. Der Wert von null weist AmiBroker an, die in der Einstellungsseite (Bild 1) des automatischen Analysefensters definierte Quittungs-Tick-Größe zu verwenden. Wenn die Standard-Tick-Größe auch auf Null gesetzt ist, bedeutet dies, dass es keinen minimalen Preisverschiebung gibt. Sie können die Tickgröße auch aus der AFL-Formel mit der TickSize reservierten Variablen einstellen und abrufen, zB: Beachten Sie, dass die Tick-Größeneinstellung nur NUR-Trades betrifft, die durch eingebaute Stops und ApplyStop () verlassen wurden. Der Backtester geht davon aus, dass die Preisdaten den Tickgrößenanforderungen folgen und die von dem Benutzer gelieferten Preisarrays nicht ändern. Die Angabe von Zeckengröße ist also nur dann sinnvoll, wenn man eingebaute Stopps benutzt, so dass Ausstiegspunkte bei den Quotenpreisstufen anstelle der berechneten Werte erzeugt werden. Zum Beispiel in Japan - Sie können keine Bruchteile von Yen haben, so dass Sie globale Ticksize auf 1 definieren sollten, also eingebaute Stopps beenden Trades auf ganzzahligen Ebenen. Die Konto-Margin-Einstellung definiert die prozentuale Margin-Anforderung für das gesamte Konto. Der Standardwert der Kontobewertung beträgt 100. Das bedeutet, dass Sie 100 Fonds für den Handel anbieten müssen, und das ist die Art und Weise, wie der Backtester in früheren Versionen gearbeitet hat. Aber jetzt können Sie ein Margin-Konto simulieren. Wenn du auf Marge kaufst, wirst du einfach Geld von deinem Broker ausleihen, um Lager zu kaufen. Mit aktuellen Regelungen können Sie bis zu 50 der Kaufpreis der Aktie, die Sie kaufen möchten und leihen die andere Hälfte von Ihrem Broker. Um dies zu simulieren, geben Sie einfach 50 in das Feld Kontoband ein (siehe Bild 1). Wenn Ihr intiales Eigenkapital auf 10000 eingestellt ist, wird Ihre Kaufkraft dann 20000 sein und Sie können in der Lage sein, größere Positionen einzugeben. Bitte beachten Sie, dass diese Einstellungen die Marge für das gesamte Konto festlegen und es sich nicht um einen Futures-Handel handelt. Mit anderen Worten, Sie können Aktien auf Margin-Konto handeln. "Reverse-Eingangssignal" das Kontrollkästchen "exitquot" auf die Backtester-Einstellungen. Wenn es eingeschaltet ist (die Voreinstellung) - Backtester funktioniert wie in früheren Versionen und schließt bereits offene Position, wenn neues Eingangssignal in umgekehrter Richtung angetroffen wird. Wenn dieser Schalter ausgeschaltet ist - auch wenn das Rückwärtssignal auftritt, behält der Backtester den derzeit geöffneten Handel bei und schließt die Position nicht ab, bis ein reguläres Ausgangssignal (Verkaufs - oder Abdeckungssignal) erzeugt wird. Mit anderen Worten, wenn dieser Schalter ausgeschaltet ist, ignoriert Kurze Signale während langer Trades und ignoriert Kaufsignale bei kurzen Trades. QuotAllow gleiche Bar-Exit (Single-Bar-Handel) Option auf die Einstellungen Wenn es eingeschaltet ist (die Standardeinstellungen) - Ein-und Ausstieg an der gleichen Bar ist erlaubt (wie in früheren Versionen), wenn es ausgeschaltet ist Next bar nur (dies gilt für reguläre Signale, es gibt eine separate Einstellung für ApplyStop-generierte Exits). Das Umschalten auf OFF ermöglicht es, das Verhalten von MS-Backtestern zu reproduzieren, das nicht in der Lage ist, am selben Tag zu vergeben. QuotActivate stoppt sofort quotDiese Einstellung löst das Problem der Prüfung von Systemen, die Trades auf dem Markt öffnen. In Versionen vor dem 4.09-Backtester wurde davon ausgegangen, dass du Trades auf dem Markt gegangen wirst, so dass eingebaute Stationen vom nächsten Tag aus aktiviert wurden. Das Problem war, als Sie in der Tat definierten offenen Preis als der Handel Eintrag Preis - dann am selben Tag Preisschwankungen nicht auslösen die Stopps. Es gab einige veröffentlichte Workarounds basierend auf AFL-Code, aber jetzt müssen Sie nicht brauchen, um sie zu verwenden. Einfach, wenn Sie auf offen handeln, sollten Sie markActivate stoppen sofortquot (Bild 1). Sie können fragen, warum nicht einfach die Kaufpreis oder Shortprice-Array, wenn es gleich offenen Preis ist. Unglücklicherweise wird das nicht funktionieren Warum einfach, weil es Doji-Tage gibt, wenn der offene Preis gleich ist und dann der Backtester nie wissen wird, ob der Handel am Markt geöffnet oder geschlossen wurde. Also brauchen wir wirklich eine separate Einstellung. Deu QuickAFLquotQuickAFL (tm) ist ein Merkmal, das eine schnellere AFL-Berechnung unter bestimmten Bedingungen ermöglicht. Anfangs (seit 2003) war es nur für Indikatoren verfügbar, ab Version 5.14 steht er auch in der automatischen Analyse zur Verfügung. Anfänglich war die Idee, ein schnelleres Diagramm durch die Berechnung der AFL-Formel nur für den Teil, der auf dem Diagramm sichtbar ist, zuzulassen. In ähnlicher Weise kann das automatische Analysefenster eine Untermenge von verfügbaren Zitaten verwenden, um AFL zu berechnen, falls ausgewählt 8220range8221 Parameter kleiner als 8220All Zitate. Detaillierte Erläuterungen, wie QuickAFL funktioniert und wie es zu kontrollieren ist, wird in diesem Knowledge Base-Artikel bereitgestellt: amibrokerkb20080703quickafl Beachten Sie, dass diese Option nicht nur im Backtester funktioniert, sondern auch bei Optimierungen, Explorationen und Scans. AmiBroker Code AmiBroker Code Katalog CodeForTraders freut sich Präsentiere neuen Code für die AmiBroker-Plattform, inklusive mehrerer Zeitrahmen-Unterstützung. Optimierung Iteration Reload Optimierung Iteration Reload für Amibroker - Endlich eine schnelle und einfache Möglichkeit, beliebige Iteration einer beliebigen AmiBroker-Optimierung für das Backtesting und die Visualisierung von Diagrammen neu zu laden. Sehen Sie, was Sie schnell sehen und Ihre Zeit zurückfordern Ausgezeichnete, kostengünstige Ausgangspunkte für die Analyse und Weiterentwicklung: RSI Strategy Suite für Amibroker - Die RSI Strategy Suite für Amibroker bietet eine primäre RSI-basierte AFL-Formel sowie Zubehörformeln , Die zusammen eine Sammlung von Analyse-, Visualisierungs-, Präsentations - und Optimierungstechniken implementieren, um eine Komplettlösung für die 4-zeilige Indikatorhandelsforschung zu schaffen. Die RSI Strategy Suite ist sowohl ein Arbeitsinstrument als auch ein Tutorial im Einsatz von AFL, das als Ausgangspunkt für andere Projekte dienen kann. CCI Strategy Suite für Amibroker - Die CCI Strategy Suite für Amibroker bietet eine primäre CCI-basierte AFL-Formel zusammen mit Zubehör-Formeln, die zusammen eine Sammlung von Analyse-, Visualisierungs-, Präsentations - und Optimierungstechniken implementieren, um eine Komplettlösung für 4-zeilig zu schaffen Indikator Handelsforschung. Die CCI Strategy Suite ist sowohl ein Arbeitsinstrument als auch ein Tutorial für den Einsatz von AFL, der als Ausgangspunkt für andere Projekte dienen kann. LRS Strategy Suite für Amibroker - Die LRS Strategy Suite für Amibroker bietet eine primäre LRS-basierte AFL-Formel zusammen mit Zubehörformeln, die zusammen eine Sammlung von Analyse-, Visualisierungs-, Präsentations - und Optimierungstechniken implementieren, um eine Komplettlösung für 4-zeilig zu schaffen Indikator Handelsforschung. Die LRS Strategy Suite ist sowohl ein Arbeitsinstrument als auch ein Tutorial im Einsatz von AFL, das als Ausgangspunkt für andere Projekte dienen kann. Jeder der oben genannten Strategy Suites könnte ein Ausgangspunkt für den Aufbau eines der anderen verwendet werden. Kaufen Sie nur eine für die niedrigsten Kosten, oder kaufen Sie mehr als eine für maximale Bequemlichkeit und die Fähigkeit, sofort sehen Sie die Unterschiede in einem Dateivergleich Programm. ZigZag Strategy Suite für Amibroker - Die ZigZag Strategy Suite für Amibroker bietet eine primäre ZigZag-basierte AFL-Formel zusammen mit Zubehörformeln, die zusammen eine Sammlung von Analyse-, Visualisierungs-, Präsentations - und Optimierungstechniken implementieren, um eine komplette Lösung für die retrospektive Analyse zu schaffen Von Zig-Zags handeln oder verblassen. Momo Strategy Suite, Deluxe TimeFrame Version für Amibroker - Die Momo Strategy Suite, Deluxe TimeFrame Version für Amibroker bietet 3 Varianten seiner primären Impuls-basierten AFL Formel, zusammen mit Zubehör Formeln, die zusammen eine Sammlung von Analyse, Visualisierung, Präsentation und Optimierungstechniken, um eine komplette Lösung für den täglichen oder intraday Impulshandel zu schaffen. Deluxe Timeframe Suiten Die RSI, CCI und LRS Strategy Suites sind sowohl in regulären als auch in Deluxe Timeframe erhältlich. Leistungsstarke Multi-Timeframe-Backtesting, Optimierung und Visualisierung ist nun fertig. Warum ist das Heavy-Heben selbst (Die Momo-Strategie-Suite ist nur als Deluxe TimeFrame-Version verfügbar.) Copyright 2003 - 2013 Steve Johns, alle Rechte vorbehalten. Successful Backtesting von algorithmischen Trading-Strategien - Teil I Dieser Artikel setzt die Serie auf quantitativen Handel fort , Die mit dem Anfängerleitfaden und der Strategieidentifikation begonnen hat. Beide sind länger, mehr involvierte Artikel sind sehr populär gewesen, so dass Ill in dieser Vene fortfahren und Details zum Thema Strategisches Backtesting geben. Algorithmische Backtesting erfordert Wissen über viele Bereiche, einschließlich Psychologie, Mathematik, Statistik, Software-Entwicklung und Marketexchange Mikrostruktur. Ich kann nicht hoffen, all diese Themen in einem Artikel zu decken, also werde ich sie in zwei oder drei kleinere Stücke aufteilen. Was werden wir in diesem Abschnitt diskutieren Ill beginnen mit der Definition Backtesting und dann werde ich beschreiben die Grundlagen, wie es durchgeführt wird. Dann werde ich auf die Vorurteile aufmerksam machen, die wir im Anfängerleitfaden zum quantitativen Handel berührt haben. Als nächstes werde ich einen Vergleich der verschiedenen verfügbaren Backtesting-Software-Optionen vorstellen. In nachfolgenden Artikeln werden wir uns die Details der Strategieimplementierungen anschauen, die oft kaum erwähnt oder ignoriert werden. Wir werden auch darüber nachdenken, wie man den Backtesting-Prozess realistischer macht, indem er die Eigenheiten eines Handelsaustausches einbezieht. Dann werden wir die Transaktionskosten besprechen und wie man sie korrekt in einer Backtest-Einstellung modellieren kann. Wir werden mit einer Diskussion über die Leistung unserer Backtests enden und schließlich ein Beispiel für eine gemeinsame Quant-Strategie, bekannt als ein Mittel-revertierenden Paar Handel. Lasst uns anfangen, zu diskutieren, was Backtesting ist und warum wir es in unserem algorithmischen Handel durchführen sollten. Was ist Backtesting Algorithmic Trading steht abgesehen von anderen Arten von Investment Klassen, weil wir zuverlässiger liefern können Erwartungen über die zukünftige Leistung aus der Vergangenheit Leistung, als Folge der reichlich Datenverfügbarkeit. Der Prozess, durch den dies durchgeführt wird, wird als Backtesting bezeichnet. In einfachen Worten wird das Backtesting durchgeführt, indem Sie Ihren speziellen Strategiealgorithmus einem Strom von historischen Finanzdaten aussetzen, der zu einem Satz von Handelssignalen führt. Jeder Handel (was wir hier als Rundreise von zwei Signalen bedeuten werden) wird einen Gewinn oder Verlust haben. Die Anhäufung dieses Ergebnisses über die Dauer Ihres Strategie-Backtests führt zum Gesamtergebnis (auch bekannt als PL oder PnL). Das ist das Wesen der Idee, obwohl natürlich der Teufel immer in den Details ist Was sind die Hauptgründe für das Backtesting einer algorithmischen Strategie Filtration - Wenn Sie sich aus dem Artikel über Strategy Identification erinnern. Unser Ziel in der ersten Forschungsphase war es, eine Strategie-Pipeline einzurichten und dann jede Strategie herauszufiltern, die bestimmte Kriterien nicht erfüllt hat. Backtesting bietet uns einen weiteren Filtrationsmechanismus, da wir Strategien eliminieren können, die unseren Leistungsanforderungen nicht entsprechen. Modelling - Backtesting allows us to (safely) test new models of certain market phenomena, such as transaction costs, order routing, latency, liquidity or other market microstructure issues. Optimisation - Although strategy optimisation is fraught with biases, backtesting allows us to increase the performance of a strategy by modifying the quantity or values of the parameters associated with that strategy and recalculating its performance. Verification - Our strategies are often sourced externally, via our strategy pipeline . Backtesting a strategy ensures that it has not been incorrectly implemented. Although we will rarely have access to the signals generated by external strategies, we will often have access to the performance metrics such as the Sharpe Ratio and Drawdown characteristics. Thus we can compare them with our own implementation. Backtesting provides a host of advantages for algorithmic trading. However, it is not always possible to straightforwardly backtest a strategy. In general, as the frequency of the strategy increases, it becomes harder to correctly model the microstructure effects of the market and exchanges. This leads to less reliable backtests and thus a trickier evaluation of a chosen strategy. This is a particular problem where the execution system is the key to the strategy performance, as with ultra-high frequency algorithms. Unfortunately, backtesting is fraught with biases of all types. We have touched upon some of these issues in previous articles, but we will now discuss them in depth. Biases Affecting Strategy Backtests There are many biases that can affect the performance of a backtested strategy. Unfortunately, these biases have a tendency to inflate the performance rather than detract from it. Thus you should always consider a backtest to be an idealised upper bound on the actual performance of the strategy. It is almost impossible to eliminate biases from algorithmic trading so it is our job to minimise them as best we can in order to make informed decisions about our algorithmic strategies. There are four major biases that I wish to discuss: Optimisation Bias . Look-Ahead Bias . Survivorship Bias and Psychological Tolerance Bias . Optimisation Bias This is probably the most insidious of all backtest biases. It involves adjusting or introducing additional trading parameters until the strategy performance on the backtest data set is very attractive. However, once live the performance of the strategy can be markedly different. Another name for this bias is curve fitting or data-snooping bias. Optimisation bias is hard to eliminate as algorithmic strategies often involve many parameters. Parameters in this instance might be the entryexit criteria, look-back periods, averaging periods (i. e the moving average smoothing parameter) or volatility measurement frequency. Optimisation bias can be minimised by keeping the number of parameters to a minimum and increasing the quantity of data points in the training set. In fact, one must also be careful of the latter as older training points can be subject to a prior regime (such as a regulatory environment) and thus may not be relevant to your current strategy. One method to help mitigate this bias is to perform a sensitivity analysis . This means varying the parameters incrementally and plotting a surface of performance. Sound, fundamental reasoning for parameter choices should, with all other factors considered, lead to a smoother parameter surface. If you have a very jumpy performance surface, it often means that a parameter is not reflecting a phenomena and is an artefact of the test data. There is a vast literature on multi-dimensional optimisation algorithms and it is a highly active area of research. I wont dwell on it here, but keep it in the back of your mind when you find a strategy with a fantastic backtest Look-Ahead Bias Look-ahead bias is introduced into a backtesting system when future data is accidentally included at a point in the simulation where that data would not have actually been available. If we are running the backtest chronologically and we reach time point N, then look-ahead bias occurs if data is included for any point Nk, where k0. Look-ahead bias errors can be incredibly subtle. Here are three examples of how look-ahead bias can be introduced: Technical Bugs - Arraysvectors in code often have iterators or index variables. Incorrect offsets of these indices can lead to a look-ahead bias by incorporating data at Nk for non-zero k. Parameter Calculation - Another common example of look-ahead bias occurs when calculating optimal strategy parameters, such as with linear regressions between two time series. If the whole data set (including future data) is used to calculate the regression coefficients, and thus retroactively applied to a trading strategy for optimisation purposes, then future data is being incorporated and a look-ahead bias exists. MaximaMinima - Certain trading strategies make use of extreme values in any time period, such as incorporating the high or low prices in OHLC data. However, since these maximalminimal values can only be calculated at the end of a time period, a look-ahead bias is introduced if these values are used - during - the current period. It is always necessary to lag highlow values by at least one period in any trading strategy making use of them. As with optimisation bias, one must be extremely careful to avoid its introduction. It is often the main reason why trading strategies underperform their backtests significantly in live trading. Survivorship Bias Survivorship bias is a particularly dangerous phenomenon and can lead to significantly inflated performance for certain strategy types. It occurs when strategies are tested on datasets that do not include the full universe of prior assets that may have been chosen at a particular point in time, but only consider those that have survived to the current time. As an example, consider testing a strategy on a random selection of equities before and after the 2001 market crash. Some technology stocks went bankrupt, while others managed to stay afloat and even prospered. If we had restricted this strategy only to stocks which made it through the market drawdown period, we would be introducing a survivorship bias because they have already demonstrated their success to us. In fact, this is just another specific case of look-ahead bias, as future information is being incorporated into past analysis. There are two main ways to mitigate survivorship bias in your strategy backtests: Survivorship Bias Free Datasets - In the case of equity data it is possible to purchase datasets that include delisted entities, although they are not cheap and only tend to be utilised by institutional firms. In particular, Yahoo Finance data is NOT survivorship bias free, and this is commonly used by many retail algo traders. One can also trade on asset classes that are not prone to survivorship bias, such as certain commodities (and their future derivatives). Use More Recent Data - In the case of equities, utilising a more recent data set mitigates the possibility that the stock selection chosen is weighted to survivors, simply as there is less likelihood of overall stock delisting in shorter time periods. One can also start building a personal survivorship-bias free dataset by collecting data from current point onward. After 3-4 years, you will have a solid survivorship-bias free set of equities data with which to backtest further strategies. We will now consider certain psychological phenomena that can influence your trading performance. Psychological Tolerance Bias This particular phenomena is not often discussed in the context of quantitative trading. However, it is discussed extensively in regard to more discretionary trading methods. It has various names, but Ive decided to call it psychological tolerance bias because it captures the essence of the problem. When creating backtests over a period of 5 years or more, it is easy to look at an upwardly trending equity curve, calculate the compounded annual return, Sharpe ratio and even drawdown characteristics and be satisfied with the results. As an example, the strategy might possess a maximum relative drawdown of 25 and a maximum drawdown duration of 4 months. This would not be atypical for a momentum strategy. It is straightforward to convince oneself that it is easy to tolerate such periods of losses because the overall picture is rosy. However, in practice, it is far harder If historical drawdowns of 25 or more occur in the backtests, then in all likelihood you will see periods of similar drawdown in live trading. These periods of drawdown are psychologically difficult to endure. I have observed first hand what an extended drawdown can be like, in an institutional setting, and it is not pleasant - even if the backtests suggest such periods will occur. The reason I have termed it a bias is that often a strategy which would otherwise be successful is stopped from trading during times of extended drawdown and thus will lead to significant underperformance compared to a backtest. Thus, even though the strategy is algorithmic in nature, psychological factors can still have a heavy influence on profitability. The takeaway is to ensure that if you see drawdowns of a certain percentage and duration in the backtests, then you should expect them to occur in live trading environments, and will need to persevere in order to reach profitability once more. Software Packages for Backtesting The software landscape for strategy backtesting is vast. Solutions range from fully-integrated institutional grade sophisticated software through to programming languages such as C, Python and R where nearly everything must be written from scratch (or suitable plugins obtained). As quant traders we are interested in the balance of being able to own our trading technology stack versus the speed and reliability of our development methodology. Here are the key considerations for software choice: Programming Skill - The choice of environment will in a large part come down to your ability to program software. I would argue that being in control of the total stack will have a greater effect on your long term PL than outsourcing as much as possible to vendor software. This is due to the downside risk of having external bugs or idiosyncrasies that you are unable to fix in vendor software, which would otherwise be easily remedied if you had more control over your tech stack. You also want an environment that strikes the right balance between productivity, library availability and speed of execution. I make my own personal recommendation below. Execution CapabilityBroker Interaction - Certain backtesting software, such as Tradestation, ties in directly with a brokerage. I am not a fan of this approach as reducing transaction costs are often a big component of getting a higher Sharpe ratio. If youre tied into a particular broker (and Tradestation forces you to do this), then you will have a harder time transitioning to new software (or a new broker) if the need arises. Interactive Brokers provide an API which is robust, albeit with a slightly obtuse interface. Customisation - An environment like MATLAB or Python gives you a great deal of flexibility when creating algo strategies as they provide fantastic libraries for nearly any mathematical operation imaginable, but also allow extensive customisation where necessary. Strategy Complexity - Certain software just isnt cut out for heavy number crunching or mathematical complexity. Excel is one such piece of software. While it is good for simpler strategies, it cannot really cope with numerous assets or more complicated algorithms, at speed. Bias Minimisation - Does a particular piece of software or data lend itself more to trading biases You need to make sure that if you want to create all the functionality yourself, that you dont introduce bugs which can lead to biases. Speed of Development - One shouldnt have to spend months and months implementing a backtest engine. Prototyping should only take a few weeks. Make sure that your software is not hindering your progress to any great extent, just to grab a few extra percentage points of execution speed. C is the elephant in the room here Speed of Execution - If your strategy is completely dependent upon execution timeliness (as in HFTUHFT) then a language such as C or C will be necessary. However, you will be verging on Linux kernel optimisation and FPGA usage for these domains, which is outside the scope of this article Cost - Many of the software environments that you can program algorithmic trading strategies with are completely free and open source. In fact, many hedge funds make use of open source software for their entire algo trading stacks. In addition, Excel and MATLAB are both relatively cheap and there are even free alternatives to each. Now that we have listed the criteria with which we need to choose our software infrastructure, I want to run through some of the more popular packages and how they compare: Note: I am only going to include software that is available to most retail practitioners and software developers, as this is the readership of the site. While other software is available such as the more institutional grade tools, I feel these are too expensive to be effectively used in a retail setting and I personally have no experience with them. Backtesting Software Comparison Description: High-level language designed for speed of development. Wide array of libraries for nearly any programmatic task imaginable. Gaining wider acceptance in hedge fund and investment bank community. Not quite as fast as CC for execution speed. Execution: Python plugins exist for larger brokers, such as Interactive Brokers. Hence backtest and execution system can all be part of the same tech stack. Customisation: Python has a very healthy development community and is a mature language. NumPySciPy provide fast scientific computing and statistical analysis tools relevant for quant trading. Strategy Complexity: Many plugins exist for the main algorithms, but not quite as big a quant community as exists for MATLAB. Bias Minimisation: Same bias minimisation problems exist as for any high level language. Need to be extremely careful about testing. Development Speed: Pythons main advantage is development speed, with robust in built in testing capabilities. Execution Speed: Not quite as fast as C, but scientific computing components are optimised and Python can talk to native C code with certain plugins. Cost: FreeOpen Source Description: Mature, high-level language designed for speed of execution. Wide array of quantitative finance and numerical libraries. Harder to debug and often takes longer to implement than Python or MATLAB. Extremely prevalent in both the buy - and sell-side. Execution: Most brokerage APIs are written in C and Java. Thus many plugins exist. Customisation: CC allows direct access to underlying memory, hence ultra-high frequency strategies can be implemented. Strategy Complexity: C STL provides wide array of optimised algorithms. Nearly any specialised mathematical algorithm possesses a free, open-source CC implementation on the web. Bias Minimisation: Look-ahead bias can be tricky to eliminate, but no harder than other high-level language. Good debugging tools, but one must be careful when dealing with underlying memory. Development Speed: C is quite verbose compared to Python or MATLAB for the same algorithmm. More lines-of-code (LOC) often leads to greater likelihood of bugs. Execution Speed: CC has extremely fast execution speed and can be well optimised for specific computational architectures. This is the main reason to utilise it. Cost: Various compilers: LinuxGCC is free, MS Visual Studio has differing licenses. Different strategies will require different software packages. HFT and UHFT strategies will be written in CC (these days they are often carried out on GPUs and FPGAs ), whereas low-frequency directional equity strategies are easy to implement in TradeStation, due to the all in one nature of the softwarebrokerage. My personal preference is for Python as it provides the right degree of customisation, speed of development, testing capability and execution speed for my needs and strategies. If I need anything faster, I can drop in to C directly from my Python programs. One method favoured by many quant traders is to prototype their strategies in Python and then convert the slower execution sections to C in an iterative manner. Eventually the entire algo is written in C and can be left alone to trade In the next few articles on backtesting we will take a look at some particular issues surrounding the implementation of an algorithmic trading backtesting system, as well as how to incorporate the effects of trading exchanges. We will discuss strategy performance measurement and finally conclude with an example strategy. Nur mit dem quantitativen Handel begonnen