재구매 알고리즘: 다중 통화 거래 시뮬레이션

내용

• 소개
• 트레이딩 시뮬레이션의 필요성 설명
• 이산 로직을 사용한 가격 시뮬레이션의 수학적 모델
• 모델 테스트
• EA 테스트
• 결론

소개

이전 기사에서 저는 여러분이 몰랐던 유용한 기능을 많이 보여드렸지만 가장 흥미로운 부분이 아직 남아 있습니다 - 연구 또는 거래 시뮬레이션입니다. 때로는 전략 테스터만으로는 충분하지 않을 때가 있습니다. 이것은 시장을 파악하는 데 매우 편리한 도구이지만 첫 번째 단계에 불과합니다. 이전 기사를 주의 깊게 읽으셨다면 그 이유를 이미 알고 계실 것입니다.

트레이딩 시뮬레이션의 필요성 설명

트레이딩 시뮬레이션을 하는 이유는 모든 트레이딩 상품의 과거 데이터 양이 제한되어 있다는 사실에 직접적으로 기인합니다. 이 문제는 제가 이전 글에서 제공한 자료 또는 다른 대체적인 방법을 이해한 경우에만 확인할 수 있습니다.  

문제의 본질은 이 히스토리가 수많은 무작위 및 비무작위적인 실제의 이벤트에서 형성되고 이벤트가 전개될 수 있는 수많은 시나리오가 있기 때문에 단순한 시세의 단순한 히스토리만으로는 항상 충분하지 않다는 것입니다. 현재 저는 가능한 한 간단하게 설명하려고 노력하고 있습니다. 그러나 이제 우리가 확률 이론적인 부분으로 넘어가고 동시에 이전 기사의 내용을 고려해 보면 우리에게 알려진 모든 상품의 시세 히스토리가 다르게 전개될 수 있다는 것을 알 수 있습니다.

영화 '백 투 더 퓨처'를 보셨다면 이 사실은 분명합니다. 과학적 관점에서 보면 많은 실수와 재미있는 불일치가 있지만 그럼에도 불구하고 이 영화는 우리가 여기서 다루는 내용의 주요 아이디어를 전달합니다. 메시지의 핵심은 한 가지 버전의 이벤트 전개만으로는 충분하지 않으며 최대의 개수를 고려해야 합니다. 히스토리는 우리에게 단 하나의 버전만을 제공하며 그 규모는 객관적인 평가를 하기에 불충분할 수 있습니다. 예를 들어, 얼마 전까지만 해도 많은 브로커가 가장 인기 있는 암호화폐 심볼을 가지고 있었습니다. 이는 이러한 심볼을 테스트하고 거래할 수 있다는 점에서 매우 좋습니다. 그러나 단점은 바에서 작동하는 EA를 만들기 위한 지속 가능한 거래 시스템을 개발할 수 있는 히스토리 데이터가 충분하지 않다는 것입니다.

시뮬레이션을 통해 인공적인 거래 상품을 생성하고 매번 완전히 다른 방식으로 호가를 생성할 수 있습니다. 이는 이전 글에서 말씀드린 수학적 재구매 모델과 기타 중요한 수학적 원리를 연구할 수 있는 가장 폭넓은 프레임워크를 제공할 것입니다. 또 다른 중요한 장점은 병렬 거래를 위해 독립적인 상품을 무제한으로 시뮬레이션 할 수 있다는 것입니다. 궁극적으로 테스트 기간과 독립적으로 거래되는 상품 수에 더 이상 제한이 없습니다. 물론 실제 호가는 아니지만 가격 책정 법에 따라 실제의 호가와 다르지 않습니다.

이산 로직을 사용한 가격 시뮬레이션의 수학적 모델

우리가 하는 작업의 맥락에서는 '임의 재량화' 접근 방식을 사용하는 것으로 충분합니다. 강력한 재량화는 알고리즘의 효율성을 높일 뿐이며 그러한 시스템이 자동적으로 확산에 더 효과적으로 저항하기 때문입니다. 저는 틱도 시뮬레이션 할 수 있는 알고리즘을 구축했습니다. 결국 틱은 가장 작은 기간입니다. 틱이 도착하는 시간은 매우 다르지만 틱 사이의 평균 시간을 계산하면 첫 번째 근사치로 틱을 모방할 수 있습니다.

이 경우 바는 시각적 관점에서 인식하기 편리한 고정된 기간을 의미합니다. 그러나 이것은 여러분이 이것이 편리하다고 들어서일 뿐이며 모든 거래 터미널이 이 패러다임에 맞게 특별히 맞춤화 되어 있기 때문에 여러분은 여기서 벗어날 수 없습니다. 그러나 이는 가격을 재량화 하는 최고의 방법과는 거리가 멉니다. 많은 분들이 '렌코'에 대해 잘 알고 계실 것 같습니다. 가격 재량화에 대한 이러한 접근 방식은 오직 한 가지 목적, 즉 시간에서 벗어나기 위한 것입니다. 이 접근법의 가치는 접근 방식과 트레이더에 따라 완전히 다를 수 있습니다. 하지만 저는 이 예제를 가격 계열을 이산화 하는 다른 방법 중 하나를 보여주기 위해 사용합니다. 제가 이해하기로는 이 예시를 통해 우리가 행하는 작업의 맥락에서 보면 우리는 완전히 다른 생소한 이산 로직을 사용하지만 과도한 계산 비용 없이 매우 간단하고 효율적으로 가격을 모델링할 수 있다는 것을 알 수 있을 것입니다.

컴퓨팅 성능 측면에서 효율적이고 경제적인 패러다임을 올바르게 구축하려면 다음 이미지를 참조하세요:

이미지에는 가격 롤백에 대한 몇 가지 가능한 시나리오가 나와 있습니다. 저에게 이 두 가지 롤백은 어떤 방식으로든 선택할 수 있는 임의의 두 지점을 의미하며 그 선택 방법은 중요하지 않습니다. 중요한 것은 우리가 반전 가능성이 있는 지점을 임의로 선택할 수 있다는 것입니다.

'확률'이라는 단어는 모든 수학자에게 주어진 시점에서 원하는 이벤트가 발생할 확률이 어느 정도 있다는 것을 바로 알려줍니다. 우리의 경우 주어진 이벤트가 임의적일 수 있다고 말할 수 있습니다. 롤백 이벤트는 가격 상승폭의 상한과 하한이 있는 것이 특징입니다. 이 이벤트의 확률은 다음과 같은 방법으로 계산할 수 있습니다:

다음은 상한에 도달할 확률과 이 공식이 도출된 방정식입니다. 이 방정식은 예측 모멘트가 없는 경우에 가격 상승에 대한 수학적 기대치를 나타냅니다. 예측 모멘트가 없다는 것은 기대치가 0이라는 뜻이지만 시뮬레이션에서 저는 예측 모멘트 매개 변수를 조정하여 시뮬레이션 된 가격의 평탄한 특성을 쉽게 높이거나 낮출 수 있기를 원합니다. 궁극적으로 여러분은 이것이 재매수 알고리즘에 어떤 영향을 미치는지 확인하고 재매수 알고리즘을 사용한 다양한 거래에 작동하는 수학적 모델을 얻을 수 있습니다. 하지만 먼저 이 모든 것의 배경을 설명해 드리고자 합니다.

현재 이 모든 방정식은 아름답고 유용해 보이지만 지금까지는 상품의 평탄도(롤백)를 조정할 수 있는 편리한 알고리즘이 없다는 것을 알 수 있습니다. 이러한 알고리즘을 개발하려면 우리는 다음 값을 입력해야 합니다:

첫 번째 값은 실제로는 평균인 "알파" 값입니다. 우리는 이를 임의의 하향 이동 후 가격 롤백 값에 대한 수학적 기대치라고 할 수도 있습니다. 두 번째 값은 이전 움직임에 대해 상대적인 값으로 표현되는 롤백 비율의 수학적 기대치입니다. 이 수량의 본질은 유일한 예외를 제외하고는 동일합니다:

여기서는 이러한 수량이 어떻게 관련되어 있고 어떻게 계산되는지 보여드리겠습니다. 우리 모델에서는 평균 롤백을 평균 백분율로 설정하고 이를 사용하여 평균 가격 롤백을 결정하는 로직을 역으로 적용합니다. 여러분은 평균 롤백 비율은 시장 평탄도 매개변수를 관리하는 값으로 매우 편리하다는 점을 인정해야 합니다. 이 비율을 0으로 설정하면 실제로는 우리는 무작위적인 가격 책정이 필요합니다(이는 예시일 뿐입니다). 한 가지 주목할 점은 모든 가격 하락은 '세타' 지점과 관련되어 고려된다는 점입니다. 이 자료는 전적으로 제가 작성한 것이며 여기에는 다른 사람의 저작물이 한 방울도 들어 있지 않습니다. 여러분은 제가 하는 표기와 표현의 자유로움을 이해해 주시기 바랍니다. 이 방정식은 다음에 수행할 작업을 이해하는 데 필요합니다.

모든 가격 책정의 또 다른 중요한 특징은 변동성(가격 변동률)입니다. 이 매개변수는 시간과 관련이 있으므로 우리는 이 값을 설정하는 매우 편리한 방법을 찾아야 합니다. 이를 통해 가격 책정 비율을 쉽고 효과적으로 제어할 수 있을 뿐만 아니라 거래 주기를 정확하게 계산할 수 있습니다. 지금은 이 모든 것이 너무 복잡해 보일 수 있지만 실습에 들어가서 어떻게 작동하는지 보여드리면 훨씬 더 명확해질 것입니다. 먼저 변동성 문제를 해결해 보겠습니다.

고전적인 해석에서 변동성은 최소에서 최대로, 또는 그 반대인 최대에서 최소로 상대적인 가격 변동이 가능한 정도를 의미합니다. 이것은 가격 변동률을 설정하는 매우 불편한 방법입니다. 일정 기간 동안의 평균 가격 변동을 측정하는 것이 훨씬 더 편리한 방법입니다. 이러한 세그먼트가 있습니다. 이를 바라고 합니다. 실제로 우리는 각각의 바 별로 가격 변화 계수의 무작위 변수 분포 법칙을 가지고 있습니다. 이 값이 클수록 가격 변동성(변동률)이 커집니다. 다음 설정을 입력합니다:

"S" 값의 무작위 분포를 시뮬레이션해야 하는지 여부에 대해서는 저는 필요하지 않다고 봅니다. 한 가지 알아야 할 것은 실제 가격은 수학적 모델에서 사용하는 방법과 다를 수 있다는 점입니다. 'S' 값을 평균값 수준으로 수정할 것을 제안합니다. 각 단계의 시간은 이미 고정되어 있으므로 단계의 크기와 지속 시간을 모두 알 수 있습니다. 이를 통해 우리는 트레이딩 시스템의 연간 수익성을 평가할 수 있을 뿐만 아니라 트레이딩 주기의 평균 시간을 측정할 수 있습니다. 이제 다음 그림을 살펴보겠습니다:

각 단계마다 가격을 시뮬레이션해야 하므로 단계가 낮아지거나 높아질 수 있다는 것은 분명합니다. 만약 양방향으로 동일한 단계를 설정하면 무작위로 가격이 책정됩니다. 이는 평탄도를 조절하려면 이러한 단계 확률을 변경해야 한다는 것입니다. 이것은 가격이 위 또는 아래로 움직이기 시작한 가격의 시작점에 일종의 "중력"을 제공하는 것입니다. 우리의 경우 다음을 실현해야 합니다:  

이 경우 모델을 단순화하기 위해서 저는 선택한 평균 가격 반전에는 이전의 가격 상승 또는 하락에 소요된 시간과 정확히 동일한 시간이 필요하다고 가정했습니다. 이러한 계산의 목적은 단일 단계에 대한 순간적인 기대치를 결정하여 단계가 위로 올라갈 확률을 계산하는 것입니다. 이 확률에 따라 새 단계의 시뮬레이션이 조정됩니다. 이 값은 각 개별 트레이딩 상품에 대해 각 단계마다 다시 계산됩니다.

만약 우리가 각 상품을 개별적으로 설명하려면 각 상품의 평균 가격 변동에 대한 데이터로 배열을 만들어야 한다는 점이 매우 중요합니다. 그러나 제 작업의 틀 내에서 모든 상품은 동일하므로 평균 가격 변동률의 형태로 단계를 설명하는 데 일반적이고 더 편리한 특성을 도입 할 수 있습니다:

이 특성의 장점은 현재 가격과 비교하여 변하지 않는다는 것입니다. 또한 이상적인 상품을 고려하면 테스트 중 손익에 영향을 미치지 않기 때문에 시뮬레이션이 시작되는 가격은 중요하지 않습니다. 이를 이해한 후에는 1과 같은 가격에서 재매수 알고리즘의 병렬 거래를 안전하게 시작할 수 있습니다. 이 값을 결정한 후에는 이미 단계 값 자체를 계산할 수 있습니다:

이제 단계를 알았으므로 이제 우리는 단계가 올라갈 확률을 계산하는 데 필요한 모든 데이터를 수집했다고 할 수 있습니다. 이를 위해 몇 가지 치환을 통해 단계의 수학적 기대치에 대한 원래 공식을 사용합니다:

이렇게 치환한 후 이 방정식을 풀면 우리는 상향 단계의 확률에 대한 방정식을 풀고 마지막으로 누락된 확률을 구할 수 있습니다:

주목할 점은 이 방정식은 시뮬레이션 가격이 시작점 아래로 떨어지는 경우에만 유효하다는 것입니다. 하지만 가격이 상승하면 어떻게 해야 할까요? 모든 것이 매우 간단합니다. 미러 차트를 고려하기만 하면 됩니다. 이는 완벽한 도구를 고려하고 있기 때문에 가능한 일입니다. 가격 차트를 특정 표현식 "P = P(t)"로 설명할 수 있다고 가정하면 상품의 반전은 다음과 같이 보일 것입니다:

이 반전은 가격이 시작점 이상으로 올라간 상황에서 방정식이 계속 작동하도록 합니다. 가격을 사용하여 계산되는 표현식(예: 델타)의 모든 수량에는 이미 변환된 가격을 마이너스 제곱으로 올린 값을 사용해야 한다는 점만 이해하면 됩니다.

이제 거래 모델을 구축해 보겠습니다. 이 모델은 원래 암호화폐 현물 거래를 위한 것이었기 때문에 단방향으로 만들었습니다. 그러나 이 거래 모델은 외환 통화 쌍에도 적합합니다. 예를 들어 모델이 재매수의 경우에 작동하는 경우 재매도에도 똑같이 잘 작동한다는 것입니다. 유일한 것은 테스트 중에 우리는 상위 절반 파동을 건너 뛰고 하위 파동에서만 작업한다는 것입니다. 거래 모델을 관리하기 위해 저는 다음과 같은 특성을 입력했습니다:

시작 매수는 '1단계 퍼센트/100'의 가격에서 시작하며 재구매 단계는 '단계 퍼센트/100'과 같습니다. 실제로는 여전히 시작 가격을 곱해야 하지만 이 가격을 1로 간주하기 때문에 단계의 계산이 크게 단순화됩니다. 또한 반복적인 걸음 수 증가의 가능성이 도입되었습니다. 예를 들어 우리는 이전 단계에 비해 다음 재구매 단계를 N회 증가시키거나 같은 방식으로 감소시킬 수 있습니다. 이 모든 것은 해당 계수의 값에 따라 달라집니다. 재매수 단계는 기본 통화가 아닌 상품의 하위 통화로 측정됩니다. 이 규칙은 암호화폐에도 적용됩니다.

모델을 단순화하기 위해 우리는 이 경우 적용되는 트레이딩 상품은 대략 다음과 같다고 가정합니다: EURUSD, GBPUSD, NZDUSD 등 즉 모든 거래 상품의 하위 통화는 동일해야 합니다. 이것은 매우 복잡한 모델을 단순화하지만 이전 글의 수학적 원리를 테스트하고 재구매 알고리즘을 최적화하는 데는 충분합니다. 우리의 경우 스프레드는 커미션의 형태로 고려되며 이는 동일한 것입니다. 일반적으로 매개 변수는 수학적 모델 프로토타입에 충분합니다. 재구매 프로세스를 살펴보겠습니다:

첫 번째 옵션(녹색 복귀 모션 포함)을 사용하겠습니다. 이것은 실제로 기본 통화를 매수한 다음 파란색 점으로 매도하는 것입니다. 이 접근 방식을 사용하면 완료된 거래 주기는 모두 수익성이 있습니다. 이는 빨간색 수익률 움직임이 있는 판매주기에도 동일하게 적용되지만 모델이 가능한 한 다기능적이고 외환 시장 거래와 암호 화폐 거래소의 현물 거래 모두에 적합하도록 하게 하기 위해 건너 뛰겠습니다.

이 모델은 거래 레버리지가 역할을 하지 않는 방식으로 만들어졌습니다. 저는 실무적인 부분을 더 잘 이해할 수 있도록 이론적인 정보를 충분히 제공했다고 생각합니다. 제 성과를 바탕으로 여러분이 자신만의 모델을 구축하는 데 도움이 될 수 있을 것입니다.

모델 테스트

호가 생성의 다양한 변형을 적용하여 테스트를 시작해 보겠습니다. 호가 생성의 차이를 시각적으로 보여주기 위해 먼저 모델을 다음 위치로 설정해 보겠습니다:

이 설정을 사용하면 무작위적인 가격 책정이 가능해집니다. 이러한 관점에서 생성된 몇개의 호가를 살펴보겠습니다:

이것은 수학적 모델의 차트로 데크에서 무작위로 가져온 두 개의 호가와 시작 가격에서 편차가 가장 큰 또 다른 추가 곡선을 표시합니다. 수학적 모델에서는 병렬로 시뮬레이션 하는 데 필요한 상품의 수를 설정할 수 있으며 그 수는 많습니다. 그중 항상 가장 대칭이 적고 변동성이 가장 큰 상품이 있을 것입니다. 하지만 이는 확률적인 과정의 결과일 뿐이라는 점을 이해해 주시기 바랍니다. 이제 매개변수를 다른 위치에 배치해 보겠습니다:

이미 이해하셨겠지만 이 단계에서는 가격이 시작점으로 되돌아가는 중력을 생성합니다. 결과는 다음과 같습니다:

이전 이미지와 현재 이미지의 차이를 확인하세요. 여기서 우리는 이미 원하는 방향으로 플랫 조정을 강제로 적용했습니다. 검은색으로 표시된 가장 변동성이 큰 호가에서도 같은 현상이 발생한 것을 확인할 수 있으며 곡선이 시작가에 대해 강하게 눌려 있는 것을 볼 수 있습니다. 두 예제 모두 각 상품에 대해 정확히 1,000개의 단계를 시뮬레이션합니다. 우리는 나중에 이 숫자를 늘려서 이 모든 것이 어떻게 작동하고 어떤 매개변수가 정확히 영향을 받는지 이해하기 위해 수정을 할 것입니다.

이제 인공적인 거래를 테스트하기 위해 어떤 매개 변수를 사용하고 어떻게 테스트해야 하는지 결정해야 합니다. 이전 글에서 답변했던 질문을 다시 한 번 기억해 보겠습니다. 더 간단하고 이해하기 쉽게 설명하면 다음과 같습니다:

1. 재매수가 있는 트레이딩 시스템의 수익성 조건.
2. 이상적인 트레이딩 상품에 대해 끝없이 거래할 때 수익선이 완벽한 직선을 그리는 경향이 있습니까?
3. 고정 된 거래 기간에 따라 상품 수가 무한대로 증가함에 따라 수익 선이 완벽한 직선이 되는 경향이 있습니까?

수익성의 상태를 알아봅시다. 이를 위해 먼저 무작위 호가를 사용하여 병렬 거래를 수행하고 결과를 살펴 보겠습니다. 그러면 대략 다음과 같이 표시됩니다:

다른 세대에서는 수익성이 있거나 수익성이 없는 곡선을 얻었습니다. 아직 명확하지는 않지만 무작위 가격 책정의 경우 재매수의 무용성이 확인되게 되면 병렬로 거래되는 상품의 수가 극단적으로 증가 할 수 있습니다. 예를 들어 그 수를 100개로 늘리고 동시에 각 도구의 시뮬레이션 단계 수를 10,000개로 늘리면 어떻게 되는지 살펴봅시다:

보시다시피 병렬로 거래되는 상품 수의 증가나 테스트 기간의 증가는 눈에 띄는 영향이 없습니다. 아마도 이것은 이전 기사에서 재매수 알고리즘을 포함한 모든 거래 시스템이 완전히 무작위 가격의 경우 예측 순간없이 계정을 고갈 시킨다는 수학적으로 입증 된 사실을 확인시켜줍니다. 이 단계에서는 저는 포인트 1이 이론적으로나 실질적으로 입증되었다고 생각합니다. 이제 두 번째 지점으로 이동하여 다음 설정을 지정해 보겠습니다:

제 테스트에 따르면 반중력은 모든 독자가 효과를 시각적으로 평가할 수 있을 정도로 충분한 것으로 나타났습니다. 물론 우리는 더 낮은 비율을 설정할 수도 있지만 그 효과는 그렇게 뚜렷하지 않습니다. 시뮬레이션 단계 수를 원래 값인 1,000단계로 재설정합니다. 이제 결과를 살펴보겠습니다:

이 그래프는 무엇보다도 이전 단락의 증명에 쓰이는 것이지만 동시에 다음 단락의 증명을 위한 출발점이라는 점을 쉽게 이해하실 수 있을 것입니다. 다음으로 해야 할 작업은 다른 매개변수를 변경하지 않고 모든 테스트 세그먼트의 지속 시간을 늘리는 것입니다. 명확성을 위해 저는 각 도구의 시뮬레이션 단계 수를 1000개에서 50,000개로 50배 늘렸습니다. 이는 상당히 큰 증가이지만 여러 번 테스트하고 결과를 평균화 하지 않고도 이 효과를 시각적으로 느낄 수 있는 유일한 방법입니다. 결과를 살펴보겠습니다:

보시다시피 곡선이 훨씬 부드러워지고 직선에 가까워졌으며 이는 테스트 기간이 길어질수록 선형성 계수(그래프의 아름다움)가 증가한다는 두 번째 원칙이 예측대로 정확하게 작동한다는 것을 의미합니다. 물론 이는 선택한 전략이 수익성이 있다는 것이 알려져 있다는 가정에서만 해당되는 이야기입니다. 이 단계에서 두 번째 하위 항이 이론적으로나 실질적으로 입증되었다고 생각합니다.

이제 시뮬레이션 단계 수를 초기 수준인 1000단계로 되돌리고 반대로 병렬로 거래되는 상품 수를 10배, 즉 1000개까지 늘려 보겠습니다. 그러면 그래프의 아름다움이 눈에 띄게 증가해야 합니다. 사실인지 확인해 보겠습니다:

보시다시피 이 가설은 확인되었으며 그 효과는 매우 뚜렷합니다. 현 단계에서 저는 세 가지 가설이 모두 이론적으로나 실제적으로 입증되었다고 생각합니다. 결과는 다음과 같습니다:

1. 모든 트레이딩 시스템의 수익성 조건은 예측 가능한 순간이 존재한다는 것입니다.
2. 거래 또는 백테스팅 기간이 증가하면 수익성 있는 거래 시스템의 모든 곡선이 더 아름답게 되고 직선(자동 랏 없음) + [포인트 1이 충족되는 경우]으로 됩니다.
3. 하나의 다중 통화 거래 시스템에 대해 거래되는 통화 쌍의 수가 증가하거나 동시에 거래되는 시스템의 수가 증가하면 거래 시스템의 수익성 곡선이 더 아름답게 되고 직선 + [각 시스템에 대한 포인트 1이 충족되는 경우]가 됩니다.

EA 테스트

우리는 자동 및 수동 트레이딩 모두에서 최대한 효율적이고 안전하게 수익을 창출하기 위해 재매수 알고리즘을 포함한 트레이딩 시스템을 올바르게 사용하는 방법을 알아냈습니다. 거래 시스템의 올바른 조합을 위한 자금 관리 및 기타 다양한 상황에 대해 계산하는 방법은 조금 후에 작성할 별도의 기사에서 다루어질 것입니다.

저는 재매수 알고리즘이 잘 작동하는 전략이라는 사실을 명확하게 아실 수 있도록 이 섹션을 추가했습니다. 이를 위해 저는 우리의 수학적 모델을 반복하는 테스트 EA를 만들었는데 유일한 차이점은 상위 반파(매도 거래 주기)도 처리한다는 점입니다. 저는 MetaTrader 5에서 유사한 트레이딩 시스템을 만들 수 있는 가능성을 증명하는 몇 가지 설정을 발견했습니다. 다음은 그 중 하나입니다:

테스트는 2009년부터 2023년까지 우리의 수학적 모델과 유사한 모든 "28개" 통화 쌍에 대한 병렬 테스트를 사용하여 수행되었습니다. 이전 글 중 하나에서 설명한 멀티봇 템플릿을 사용하여 테스트 알고리즘을 구성했습니다. 물론 수익 곡선은 이상적이지 않으며 그러한 거래를 위한 초기 예치금은 엄청나야 하지만 그럼에도 불구하고 이 기사에서 저의 임무는 기성품의 로봇을 제공하는 것이 아니라 수학적 모델에 근접함을 시연하는 것입니다. 여러분이 이해해야 할 가장 중요한 점은 특정한 수정을 통해 이 알고리즘이 훨씬 더 안전하고 효율적으로 실행하게 할 수 있다는 것입니다. 개선 사항의 본질을 직접 찾아보시기 바랍니다. 그러면 평소에는 숨겨져 있던 것들이 나타날 것입니다.

Expert Advisor과 세트, 수학적 모델 자체가 파일로 기사에 첨부되어 있으며 원하는 경우 여러분은 구조를 더 자세히 연구하고 아이디어를 훨씬 더 발전시킬 수 있습니다. 사실 제 수학적 모델은 여기에서 설명한 것보다 훨씬 더 많은 용도로 쓰일 수 있습니다. 제 모델은 백테스트 후 자체적인 출력 매개변수 세트를 통해 여러 가지 중요한 거래 특성을 계산합니다. 물론 그 기능은 매우 제한적이지만 증명과 대략적인 추정에는 충분합니다.

결론

이 글에서 저는 다각화 원칙이 잘 작동하고 잘 사용되어야 한다는 것을 증명했습니다. 가장 중요한 것은 저는 이전 기사와 함께 이론적으로나 실질적으로 중요한 것들을 입증하였고 그래서 여러분은 최소한 거래의 효율성을 높일 수 있을 것이라는 점입니다. 또한 재매수 알고리즘의 10년 이상의 생존 가능성은 생성된 EA를 통해 입증되었습니다.

이를 고려하면 가격의 파동 이론, 즉 시장 평탄성을 확인할 수 있습니다. 추가적인 확인을 위해 이 글을 살펴 보시기 바랍니다. 이 글에서 저자는 제가 기사에서 설명한 것과 정확히 동일한 알고리즘을 다루고 있으며 여러분은 이러한 효과를 사용하여 테스트 EA를 개선하거나 직접 개발하는 방법에 대한 추가적인 지식을 얻을 수 있습니다.