Trading som heltidsjobb? del 3

2009-11-02 14:12, Edited at: 2010-06-11 12:30

I tidigare inlägg har jag dels beskrivit vad man kan begära och vad man kan förvänta sig av ett mekaniskt tradingsystem och dels har jag tittat lite på hur man kan använda volatiliteten för att bestämma hur mycket man skall köpa för att normalisera risken över hela portföljen.

Kvar att titta på är förstås när man skall köpa och när man skall sälja.

Först vill jag poängtera att det finns oändligt många fungerande system och att jag nedan kommer att ge ett exempel på en algoritm som framförallt är enkel och anpassad till mina tidigare exempel. Man kan sedan tillföra komplexitet och öka prestanda avsevärt.

Linjen mellan att förbättra och överoptimera ett system är också väldigt otydlig. Det är till exempel väldigt lätt att bygga ett fantastiskt system för en marknad som tittar på historiska dagsdata. Det enkla faktum att det endast finns 250 börsdagar per år och kanske på sin höjd 10-20 relevanta år att testa på gör att det endast finns 3-5000 datapunkter att utgå ifrån. Antag att systemet ger köp eller sälsignal en gång per månad och det skulle ge endast 100-200 affärer totalt över hela testperioden, vilket är långt ifrån statistiskt tryggt...

Jag har därför valt att testa mina system på många okorrelerade marknader. Vanligen mellan 25 och 50 st bestående av index (på börser runt om i världen), enskilda svenska och amerikanska aktier (med relativt sett låg korrelation till sina index) samt råvaror och valutor som kan handlas genom minifutures/certifikat på börsen.

Jag kommer här att visa ett exempel på ett mycket enkelt rekylbaserat system. Grundiden är att skarpa rörelser mot en trend med stor sannolikhet kommer att ge rekyl.

Jag köper alltså till öppningskurs om kursen ligger över sina 50- och 26-dagars glidande medelvärden (SMA) och senaste dagen fallit mer än 1 ggr ATR. Jag går kort om kursen är under sina 50- och 26-dagars SMA och den stigit mer än 1 ggr ATR senaste dagen.

Jag har sedan ett definitivt förluststopp på 1 ggr ATR från köp resp. säljkurs. Observera att vi många gånger kommer att få större förluster än så eftersom vi säljer till öppningskursen dagen efter och kursen rör sig under natten.

Utöver det har jag ett glidande stop som ligger 1,5 ggr ATR under högsta kursen sedan köp och vice versa för korta positioner.

Slutligen har jag två tidsstopp, ett som säljer efter 3 dagar ifall affären fortfarande ligger på minus och ett som säljer efter 7 dagar oavsett vad som hänt.

En körning där 1 ggr ATR motsvarar 4000 kr ger följande utfall för på 100 marknader (inkluderat råvaror, index, valutor och enskilda aktier) över en period från 1/1-2005 till mitten på oktober.

Antal affärer: 1961 st (ca 410 per år)

Medelvinst per affär: 978 kr (ger 34 kkr/månad efter courtage, dvs vår lön...)

Totalvinst: 6 562 kkr

Totalförlust: 4 651 kkr

Vinstandel: 42%

Medelvinst vid vinst: 8032 kr

Medelförlust vid förlust: 4093 kr

Medelhålltid per position: 5,2 dagar

Medelexponering per position: 241 kkr

Snittexponering hela portfölj: 1 980 kkr

Största drawdown: 361 kkr

Längsta drawdown: 22 mån

Sharpekvot (med 0 som ref.ränta): 0,64

Den begränsande faktorn är givetvis storleken på drawdown. Hur mycket pengar behöver du för att tolerera en värdeminskning på 361 kkr? Dock, har du is i magen och 1 Mkr på kontot kan du använda detta system för att med hyffsade odds generera 40% avkastning över tiden på mindre än 1 timmes arbete om dagen.

Värt att notera är att eftersom snittexponeringen är knappt 2 Mkr krävs en utväxling på 2 (genom marginalkonto och/eller hävstångsinstrument) för att kunna handla med modellen med 1 Mkr på kontot.

Går detta system då att förbättra? Absolut. Både köp och stop kan förfinas. Till exempel kan vi välja att hålla vissa bra positioner längre utifrån väl valda kriterier och vi kan också välja att öka positioner på trendande marknader. Med mera, med mera.

/sifferkoll.se