Diskussion zum Artikel "Klassische Strategien neu interpretieren (Teil 14): Hochwahrscheinliche Setups"

[MetaQuotes]

Neuer Artikel Klassische Strategien neu interpretieren (Teil 14): Hochwahrscheinliche Setups :

Hochwahrscheinliche Setups sind in unserer Trading-Community gut bekannt, aber leider sind sie nicht gut definiert. In diesem Artikel wollen wir einen empirischen und algorithmischen Weg finden, um genau zu definieren, was ein Hochwahrscheinlichkeits-Setup ist, und um diese zu identifizieren und auszunutzen. Durch die Verwendung von Gradient Boosting Trees haben wir gezeigt, wie der Leser die Leistung einer beliebigen Handelsstrategie verbessern und unserem Computer die genaue Aufgabe auf sinnvollere und explizitere Weise mitteilen kann.

Die meisten Mitglieder unserer Gemeinschaft sind sich einig, dass Händler aktiv versuchen sollten, Setups mit hoher Wahrscheinlichkeit zu handeln. Es gibt jedoch nur wenige formale Definitionen dafür, was genau ein hochwahrscheinliches Handels-Setup ist. Wie lässt sich die Wahrscheinlichkeit eines bestimmten Handels-Setups empirisch messen? Je nachdem, wen Sie fragen, werden Sie unterschiedliche Definitionen dafür erhalten, wie Sie solche Chancen erkennen und verantwortungsvoll nutzen können.

Dieser Artikel versucht, diese Probleme anzugehen, indem er einen algorithmischen Rahmen vorschlägt, der es uns ermöglicht, von den alten Definitionen abzuweichen und uns auf numerische Definitionen zu stützen, die evidenzbasiert sind, sodass unsere Handelsstrategien in der Lage sein können, sie zu identifizieren und gewinnbringend zu handeln, und zwar auf konsistente Art und Weise ganz von selbst. 

Wir möchten die Beziehung zwischen unserer speziellen Handelsstrategie und jedem Symbol, das wir für den Handel ausgewählt haben, modellieren. Wir können dies erreichen, indem wir zunächst Marktdaten, die den Markt vollständig beschreiben, und alle Parameter, aus denen unsere Handelsstrategie besteht, vom MetaTrader 5-Terminal abrufen.
Danach werden wir ein statistisches Modell anpassen, um zu klassifizieren, ob die Strategie Signale erzeugt, die profitabel sind, oder ob das von unserer Strategie erzeugte Signal höchstwahrscheinlich unprofitabel sein wird. 

Die von unserem Modell geschätzten Wahrscheinlichkeiten werden zu den Wahrscheinlichkeiten, die wir mit diesem bestimmten Signal verbinden. Daher können wir jetzt anfangen, über „Hochwahrscheinlichkeits-Setups“ auf eine wissenschaftlichere und empirischere Weise zu sprechen, die sich auf Beweise und relevante Marktdaten stützt.

Dieser Rahmen ermöglicht es uns im Wesentlichen, Handelsstrategien zu entwickeln, die „zielbewusst“ sind und ausdrücklich angewiesen werden, nur Aktionen durchzuführen, von denen sie erwarten, dass sie vorteilhaft sind. Wir beginnen damit, die notwendigen Komponenten zu formalisieren, die für die Entwicklung von algorithmischen Handelsstrategien erforderlich sind, die versuchen, die wahrscheinlichsten Folgen ihrer Handlungen abzuschätzen. Dies lässt sich korrekt als Ideologie des Verstärkungslernens bezeichnen, die auf überwachte Weise angegangen wird.

Autor: Gamuchirai Zororo Ndawana