System trader sucesso ivy portfolio

portfólio de ivy de sucesso do sistema comerciante
Tamanho do arquivo: 23.8 MB.
Tipo de arquivo: PDF / ePub.
Carregado em: 2017-01-18 05:10:00.
LEIA AGORA DOWNLOAD.
Última verificação: 2 horas e 34 minutos atrás!
Classificação: 5 4 3 2 1 4.6 / 5 a partir de 2955 votos.
Finalmente eu recebo este ebook, obrigado por todos esses A Hero of Our Time (Penguin Classics) que posso obter agora!
cooool Estou tão feliz xD.
Eu não pensei que isso funcionaria, minha melhor amiga me mostrou esse site, e sim! Recebo meu eBook mais procurado.
Com este ótimo ebook de graça ?!
Meus amigos estão tão bravos que eles não sabem como eu tenho todo o ebook de alta qualidade que eles não fazem!
É muito fácil obter ebooks de qualidade;)
tantos sites falsos. Este é o primeiro que funcionou! Muito Obrigado.
wtffff eu não entendo isso!
Basta selecionar o botão clicar no botão de download e completar uma oferta para começar a baixar o ebook. Se houver uma pesquisa, leva apenas 5 minutos, experimente qualquer pesquisa que funcione para você.
lol, nem me levou 5 minutos! XD.
Clique no botão abaixo para se registrar e baixar o Ebook.

portfólio de ivy de sucesso do sistema comerciante
É essa época do ano para atualizar o desempenho do portfólio da Ivy-10. O que é o portfólio Ivy-10? De volta em 2018, terminei de ler um livro muito interessante chamado "The Ivy Portfolio". Este livro foi escrito por dois gerentes de dinheiro, Mebane Faber e Eric Richardson, que trabalham no Cambria Investment Management. Os autores queriam responder [& hellip;]
Atualização da carteira Ivy-10 2018.
18 de abril de 2018 / Estratégias / Por Jeff Swanson / 2 COMENTÁRIOS.
É essa época do ano para atualizar o desempenho do portfólio da Ivy-10. O que é o portfólio Ivy-10? De volta em 2018, terminei de ler um livro muito interessante chamado "The Ivy Portfolio". Este livro foi escrito por dois gerentes de dinheiro, Mebane Faber e Eric Richardson, que trabalham no Cambria Investment Management. Os autores queriam responder [& hellip;]
Atualização da carteira Ivy-10 2018.
19 de janeiro de 2018 / Estratégias / Por Jeff Swanson / 2 COMENTÁRIOS.
Fui um ano desde que eu atualizei o desempenho desse portfólio, então aqui vai! O que é o portfólio Ivy-10? De volta em 2018, terminei de ler um livro muito interessante chamado "The Ivy Portfolio". Este livro foi escrito por dois gerentes de dinheiro, Mebane Faber e Eric Richardson, que trabalham no Cambria Investment Management. Os autores [& hellip;]
Atualização da carteira Ivy-10 2018.
6 de janeiro de 2018 / Estratégias / Por Jeff Swanson / 4 COMENTÁRIOS.
Feliz ano novo para todo mundo. Com o novo ano, pensei que seria uma boa idéia rever o desempenho da Carteira Ivy-10 para 2018. O que é o portfólio Ivy-10? De volta em 2018, terminei de ler um livro muito interessante chamado "The Ivy Portfolio". Este livro foi escrito por dois gerentes de dinheiro, Mebane Faber [& hellip;]
Testando a pontuação de classificação do portfólio Ivy-10.
10 de junho de 2018 / Desenvolvimento do Sistema / Por Jeff Swanson / 8 COMENTÁRIOS.
Foram apenas seis meses desde que eu tinha uma atualização do portfólio da Ivy-10. Neste artigo, eu quero dar uma atualização de desempenho para o portfólio Ivy-10, responder a pergunta de um leitor e testar a robustez do score de força relativa. Se você se lembrará, a Ivy-10 Portfolio classificará nossos ETFs com base em um cálculo de força relativa. Bem, [& hellip;]
Nosso mais popular.
Copyright © 2018-2018 da Capital Evolution LLC. - Projetado por temas Thrive | Powered by WordPress.

O portfólio perfeito?
Eu estava assistindo recentemente um pequeno vídeo hospedado pelo Market Club. Este vídeo em particular foi uma apresentação em seu & # 8220; Perfect R Portfolio & # 8221 ;. O Perfect R Portfolio é um portfólio de quatro ETFs (SPY, USO, GLD e FXE) que são negociados com base no Market Club & # 8217; s & # 8220; Trade Triangles & # 8221; tecnologia. As regras do sistema são simples e claras. Para cada troca, você dedica 25% do seu capital de negociação. Vá muito quando você ver um Triângulo comercial verde e feche a posição no Triângulo comercial vermelho. Esses sinais verdes e vermelhos são, na verdade, níveis de preços que permitem que você coloque seu stop de compra e venda parar ordens e aguarde que o mercado preencha suas ordens. Esses valores são atualizados semanalmente. Não é mais fácil do que isso. Esse sistema simples de luz verde / redlight pode ser muito atraente. Em suma, o Perfect R Portfolio é um sistema de negociação completo que fornece níveis de entrada e saída exatos.
Como o portfólio contém ETFs, não troca com muita frequência e leva apenas posições longas (não há curto-circuito na Carteira Perfeita) parece adequado para negociação em contas de aposentadoria, como uma 401K. Na verdade, eu acredito que isso é o que os criadores tinham em mente ao desenvolver o sistema.
Como eles fazem isso?
Quando examinei os sinais de entrada e saída ao longo do tempo, cheguei à conclusão de que os Triângulos Comerciais não são mais do que um indicador de breakout clássico. Ou seja, eles simplesmente tomam a maior alta nos últimos N dias para determinar quando ir longos e, em seguida, determinar a menor baixa nos últimos N dias para determinar quando fechar essa mesma posição longa. Mais especificamente, no caso do Perfect R Portfolio, eles usam um canal de três meses de preços extremos para determinar a direção do mercado (tendência) e usar um canal de três semanas para determinar os níveis de preços de entrada / saída. A negociação de tendências com base em canais de preços está bem documentada e continua sendo um método de negociação válido.
Tendência: preço de três meses extremo.
Sinal: preço de três semanas no extremo.
O componente de tendência do sistema é usado para filtrar as condições de mercado baixas, uma vez que o sistema só passa por muito tempo. Então, durante os tempos de baixa, estamos em dinheiro ou equivalentes de caixa esperando a mudança de tendência para a alta.
Por exemplo, dado um ETF, primeiro determinamos a tendência geral. Isso é feito determinando os extremos de preços com base em um gráfico mensal dos últimos três bares. Um preço de fechamento em um gráfico diário acima ou abaixo desses níveis determinaria a tendência, seja otimista (fechamento diário acima do limite) ou de baixa (fechamento diário abaixo do limite).
Uma vez que a tendência é determinada, um preço de barra de três extremos com base em um gráfico semanal é usado para determinar quando sair e quando iniciar novos negócios.
Quando a tendência muda de alta para baixa, todos os negócios estão fechados e não abrimos novas posições longas até que a tendência se torne otimista.
É assim tão simples. Abaixo está um exemplo de comércio. Clique na imagem para aumentá-la.
TriFrame Portfolio.
Mas o quão bem o Perfect R Portfolio realizou ao longo dos anos? Bem, o portfólio é bastante novo, então eles não fornecem muitos dados de backtesting. No entanto, criei o meu próprio sistema de negociação chamado TriFrame Portfolio utilizando o EasyLanguage da TradeStation & # 8217; s. Agora eu posso fazer uma prova e ver o quão bem fez no passado. A capacidade da TradeStation de acessar vários prazos em um único gráfico será necessária para tornar este sistema comercial. Primeiro, todas as negociações são executadas em um gráfico diário, os níveis de preço de compra / venda são determinados em um gráfico semanal e a tendência é determinada em um gráfico mensal. Os três desses cronogramas podem ser colocados dentro de um gráfico e acessados ​​por uma única estratégia da TradeStation.
O programador falando está sendo avisado.
Primeiro, criarei um espaço de trabalho com um gráfico de um dos ETFs usados ​​no portfólio Perfect R. I & # 8217; selecionarei GLD. Eu vou querer colocar trocas em um gráfico diário, então eu coloco meu gráfico GLD em dados de preços diários. Em seguida, quero gerar sinais de compra / venda com base em um gráfico semanal. Para fazer isso, crie um sub-gráfico do GLD para armazenar dados de preços semanais dentro do meu gráfico. Posso então acessar esses dados de forma programática fazendo referência a & # 8220; data2 & # 8221; no meu código de linguagem fácil. Eu faço a mesma coisa para o cronograma mensal da GLD e posso acessar esses dados fazendo referência a & # 8220; data3 & # 8221 ;.
Dados1 = gráfico diário.
Data2 = gráfico semanal.
Data3 = gráfico mensal.
O TriFrame Portfolio utilizará esses três prazos para gerar sinais comerciais. Agora eu posso testar o sistema com os quatro ETFs ao longo da vida de cada ETF. Embora a TradeStation tenha a capacidade de testar um portfólio de ETFs com uma única estratégia, ainda não tenho explorado esse recurso. Então, nós teremos que testar cada ETF individualmente. Eu criei quatro gráficos diferentes para cada um dos ETFs. Então adicionei a estratégia a cada gráfico e dedicou US $ 100.000 a cada gráfico. A estratégia negociaria então 25% do patrimônio inicial (US $ 25.000) conforme indicado nas regras de negociação acima. Os lucros e perdas foram acumulados e adicionados ao patrimônio inicial após cada negociação. Então, como o sistema comercial fez? A tabela abaixo foi criada durante a vida dos ETFs até 31 de dezembro de 2018. US $ 30 em comissões foram conduzidas por viagem de ida e volta.
Então, esse é o portfólio perfeito & # 8220; & # 8221; Embora os retornos não sejam espetaculares, provavelmente é melhor do que a pessoa média 401K nos últimos 6 anos ou mais. O principal benefício do sistema é que você irá tirar esses mercados de grandes mercados, permitindo que você preserve seu capital.
Usando o Ivy-10 Trading System Rules.
O que aconteceria se tomássemos esses quatro ETFs e negociássemos com a lógica de negociação usada com o sistema de negociação Ivy-10? Usando o ETF Replay, gerei os seguintes resultados.
O ETF SPY foi usado como referência. Podemos ver que este sistema gerou um CAGR de 10,1% com uma redução razoável de 16,2%. Como as regras de negociação originais, este sistema irá mantê-lo em dinheiro durante esses mercados de mercado. No entanto, os retornos totais e CAGR parecem muito melhores!
Código de Estratégia (ELD) para TradeStation 9.1 e acima.
WorkSpace para TradeStation 9.1 e acima.
Código de Estratégia (arquivo de texto) para aqueles que não estão usando o TradeStation.
Sobre o Autor Jeff Swanson.
Jeff é o fundador do System Trader Success & # 8211; um site e uma missão para capacitar o comerciante de varejo com os conhecimentos e ferramentas adequados para se tornar um comerciante rentável no mundo da negociação quantitativa / automatizada.
Posts Relacionados.
Sharpe Ratio - a resposta certa para a pergunta errada?
Usando Metals to Trade Bonds.
Indicador e estratégia do MCVI sobre gráficos diários.
Tendo um problema downloadibg Perfect Portfilio files. Obter mensagem: & # 8220; não houve um problema ao enviar o comando para o programa & # 8221; Eu tenho TS 8.8.
Wouls aprecia qualquer ajuda. Obrigado!
O download deve estar bem. Você pode tentar novamente? Ou, você está tendo problemas para importar a estratégia e / ou espaço de trabalho para a TradeStation?
Problemas de importação de estratégia e espaço de trabalho na Trade Station. Talvez um problema de proteção contra vírus ou vírus?
Tenho ambos os arquivos abertos. Desculpe pelo grito falso de ajuda. Obrigado por todo o trabalho que você faz.
Não é um problema. Fico feliz em trabalhar para você e obrigado pelas palavras gentis.
Jeff, duas perguntas rápidas quando você tem um pouco de tempo ... sem pressa.
1. Eu uso o PRP para negociar Futuros (Russell, emini gold). Parece que funciona bem. Você vê a razão da formiga não?
2. O seu código prevê que o sistema entre no New Bear Market, mas na prática nunca o faz. Existe alguma coisa no código que precisa ser alterado para que o sistema seja curto quando as condições do mercado indicarem?
1) Deve negociar multa em futuros. O único problema leve seria quando ele imprime o log de eventos. Atualmente, informa todos os preços apenas em duas casas decimais. Alguns contratos de futuros, como a CE, vão muito além disso e não imprimem corretamente. No entanto, não vejo nenhum motivo para o fato de não negociar muito bem.
2) O shorting é controlado dentro da TradeStation. Se você passar por estratégias de formatação, verá a habilidade de ativar ou desativar posições curtas. O espaço de trabalho fornecido possui as posições curtas desabilitadas. Apenas mude isso para permitir o curto-circuito. Se você tiver problemas para encontrá-lo, avise-me.
Seguiu suas instruções. Funciona bem. Obrigado!
Espero que não o incomodar demais para anexar o código em um. txt (zip). Estou muito interessado, mas devido a graves problemas de segurança com downloads recentemente e com todas as mudanças de versão (e OO que vem) no TS, etc. foram forçados a parar de importar ELD & # 8217; s Publicar o código em texto também seria útil para aqueles que podem querer embarcar para outras plataformas, muito obrigado.
Isso é uma boa ideia. Talvez eu tenha que adicionar uma versão de texto ao site. Até então, acabei de lhe enviar uma cópia de texto Jeff S.
Postagem realmente interessante. Obrigado por isso. Uma pergunta, porém, você diz que # 8221; o conceito que eles estão usando é bem conhecido, simples e totalmente gratuito, mas então a configuração que você dá exige uma assinatura de serviço de plataforma de $ 99 / mo. A essa taxa, seria muito mais rentável ir e inscrever-se no marketclub. Estou faltando alguma coisa aqui? Existem plataformas abertas ou gratuitas para rastrear isso que você recomendaria como alternativa?
O conceito gratuito é chamado breakout de canais de preços. Você não precisa de nenhum software para executar esses negócios uma vez que você entende o conceito de sublinhado.
A taxa da plataforma TradeStation é de zero dólares se você fizer mais de 10 viagens de ida e volta por mês. Eu não pago uma taxa porque eu sou um comerciante do dia e qualificado facilmente. Mas o Perfect R Portfolio não gerará quase que muitos negócios.
Na forma mais simples, você pode simplesmente determinar os níveis de entrada e os níveis de saída, observando um gráfico. Como você sabe, os pontos de entrada / saída são simplesmente a maior baixa ou menor das últimas três semanas. Faça isso uma vez por semana no fim de semana e coloque suas ordens em sua conta corretora. Isso obteria os mesmos resultados que com o código EasyLanguage. Além disso, com apenas quatro mercados para assistir não seria muito trabalho.
Com o Yahoo Finance para dados históricos de fim de dia, que é gratuito, você também pode criar uma planilha de excel para ajudar a produzir os sinais de comércio também.
Eu não tenho muita experiência com outras plataformas de gráficos ou corretores, mas eu sei que o Ninja Trader é gratuito e você pode importar o Yahoo Finance para dados históricos de fim de dia com ele.
Espero que isto ajude.
Como exatamente você determinou o dimensionamento da posição usando o Modelo de Risco Percentual no exemplo do R Portfolio modificado com um risco de 2% por posição? Eu estava tentando comparar manualmente a posição média da porcentagem fixa (25%) com a abordagem baseada em porcentagem que você sugeriu (2%). Não estou argumentando a validade do Modelo de Risco Percentual, mas eu estou tentando me certificar de que eu entendo. Para mim, o risco por comércio pode ser uma série de coisas, incluindo o valor investido por posição e stop-loss declarado como uma porcentagem.
O Modelo de Risco de 2% simplesmente significa que não arriscaria mais do que um máximo de 2% da minha conta em qualquer comércio. Para uma conta de US $ 50.000, você arrisca mais de US $ 1.000 por comércio. Para um determinado comércio, o risco do comércio é determinado a partir do ponto de entrada de uma posição menos a perda de stop. Por exemplo, se esse valor for $ 5 (preço de entrada menos preço de parada = $ 5), determinaríamos que compraríamos 200 ações ($ 1.000 / $ 5 de risco por ação). Isso ajuda?
Sim - obrigado Jeff.
Ainda é incrível que você possa superar a exposição de 25% no modelo inicial enquanto arrisca muito menos. Agradeço sua resposta.
FYI, eu corri em futuros de commodities (HG, SI, KC). Eu tive que mudar o percentual de risco para 10% para gerar negócios. @GC foi o melhor, com um lucro de $ 66k. Comprar e segurar teria sido $ 80k. Se o sistema fosse curto também, teria perdido $ global. Quanto o resultado longo só foi tendencioso pelo forte aumento do subjacente?
Não estou surpreso que ES tenha sido um sistema perdedor, mas foi bom obter a confirmação da sabedoria convencional de que os futuros da equidade pararam de se manter em 1987.
Antes de comentar o ETF Replay, vejo as datas dos comentários para esta publicação serem 2018-2018 e, no entanto, a publicação original tem uma data de 2018. O que estou faltando aqui? 🙂
Isso se deve ao fato de os artigos serem atualizados com novas informações e # 8220; re-postado & # 8221; para empurrá-los para o topo da fila cronológica. Infelizmente, as datas nos comentários parecerão estranhas. Suprimir as datas nos comentários pode ser uma boa solução.
Você poderia me dizer se houve atualizações sobre a negociação do portfólio R perfeito e sua rentabilidade?
também, você tem detalhes sobre & # 8220; breakout de canais de preços & # 8221; estratégia.
I & # 8217; não atualizou esse artigo em um tempo. I & # 8217; adicionar isso à minha lista de tarefas e tentar atualizar este artigo em breve. Obrigado!
Eu uso dados de importação, no entanto, a estratégia não pode funcionar.
Ele mostra & # 8220; EXCEPTION_FLT_DIVIDE_BY_ZERO & # 8221 ;.
Fui um tempo desde que eu olhei para este artigo. Então, é devido a uma atualização. Por enquanto, sugiro que você reveja o código e, em qualquer lugar, há um cálculo de divisão, execute um controle sobre o denominador antes de realizar o cálculo da divisão. Se houver um zero em um denominador, ignore o cálculo da divisão e use zero como resultado. Assim, você evita a divisão por erro zero. Isso é algo que eu perdi no código original, mas é uma boa prática entrar ao escrever software.
Eu altero o código da seguinte maneira:
Se (TrendHigh + 0.5) = 0 então vShares = 100;
Se (TrendHigh + 0.5 0) então.
vShares = IntPortion (Equity * .25 / TrendHigh + 0.5);
No entanto, o problema ainda existe. O aberto, alto, baixo e amp; fechar.
Os preços são os mesmos para o meu arquivo de dados, será esse o problema não.
Gerar dados de números de barras necessários na estratégia?
Não há problema para dados de símbolos de tradição.
Acho que o código deve ler & # 8230;
Se (TrendHigh + 0.5) = 0 então vShares = 100.
senão vShares = IntPortion (Equity * .25 / TrendHigh + 0.5);
Se (TrendHigh + 0.5) = 0 então vShares = 100;
Se (TrendHigh + 0.5 0) então.
vShares = IntPortion (Equity * .25 / TrendHigh + 0.5);
Oi Jeff, você também pode adicionar sinais diários graças. Gerar sinais semanais e mensais, mas não obrigação diária.
Olá. Eu acho que isso está funcionando corretamente, pois os níveis de preços semanais são usados ​​para colocar ordens de compra no gráfico diário.
verdade, mas é possível adicionar também os níveis de preços diários nos gráficos diários, como você tem 3 tipos de sinais, obrigado.
Publicações populares.
Connors 2-Period RSI Update para 2018.
Este indicador simples faz dinheiro novamente e novamente.
The Ivy Portfolio.
Melhorando a Estratégia de Identidade Simples, Parte 1.
Copyright © 2018-2018 da Capital Evolution LLC. - Projetado por temas Thrive | Powered by WordPress.
Por favor faça login novamente. A página de login será aberta em uma nova janela. Depois de efetuar o login, você pode fechá-lo e retornar a esta página.

Atualização da carteira Ivy-10 2018.
É essa época do ano para atualizar o desempenho do portfólio da Ivy-10.
O que é o portfólio Ivy-10?
De volta em 2018, terminei de ler um livro muito interessante chamado "The Ivy Portfolio". Este livro foi escrito por dois gerentes de dinheiro, Mebane Faber e Eric Richardson, que trabalham no Cambria Investment Management. Os autores queriam responder a questão de por que gerentes de dinheiro que gerenciam algumas das melhores escolas da Ivy League do mundo produzem resultados tão consistentes. Rotundamente as doações de Harvard e Yale produzem retornos anuais de dois dígitos. Desde 1985, a Universidade de Yale retornou cerca de 16% de retornos anuais e Harvard mais de 15% de retornos anuais. Não só produziram retornos pendentes, como também reduziram a volatilidade e a redução.
Isso me inspirou a criar o portfólio da Ivy-10 que acompanho no System Trader Success. Se você quiser saber mais sobre isso, leia o artigo original aqui. Em suma, é uma versão ligeiramente modificada da estratégia com um período de retrocesso mais curto usado para o filtro de média móvel. As regras originais usaram 10 meses, enquanto minha versão usava um look-back de 5 meses.
Desempenho 2018.
Abaixo está o resumo da performance apenas para o ano 2018. Por favor, note que os retornos incluem dividendos, mas excluem comissões e derrapagens. Primeiro é a curva de equidade. A Carteira Ivy-10 é a curva de equidade de cor verde (Backtest), enquanto o benchmark (SPY) é a curva de patrimônio azul.
Abaixo está o resumo do desempenho tanto para o Ivy-10 quanto para o benchmark. Podemos ver que o Ivy-10 tomou um mergulho enorme quando o mercado virou o sul em julho e agosto de 2018. Por outro lado, a referência meanderou todo o ano. O Ivy-10 produziu um CARG de -19,6. Em suma, essa estratégia realmente o levou ao queixo.
Clique para ampliar.
Desempenho desde Financial Crash.
Expandindo nossa visão para o último grande fundo de mercado de 2009, podemos ver que o S & amp; P (gráfico abaixo) está melhorando em termos de retorno total. Parece, desde 2018, que o Ivy-10 não conseguiu ganhar nenhuma tração e se moveu mais baixo.
A carteira apresentou redução menor do que o benchmark e cerca de metade do CARG. O benchmark teve uma redução de 27%, enquanto o Ivy-10 teve uma redução de cerca de 24%. O benchmark gerou um CAGR de cerca de 14,7%, enquanto a Carteira Ivy-10 gerou um CAGR de 7,5%.
Clique para ampliar.
Desempenho fora da amostra.
O livro Ivy Portfolio foi publicado em 2006. Uma vez que este conceito de carteira foi concebido antes dessa data, penso que é seguro dizer que podemos usar 2006 como o período inicial para nossos dados fora da amostra para o portfólio. Abaixo estão os resultados de 2006 até o final de 2018. Aqui você pode ver claramente a curva de patrimônio de nossa carteira e o benchmark entrou em colisão quando nossa carteira caiu. O recuo recente em 2018 realmente teve seu impacto nos retornos.
Olhando para as estatísticas de resumo abaixo, podemos ver nosso benchmark e nosso portfólio está produzindo CARG semelhante. A redução máxima em relação ao benchmark é significativamente melhor. Nosso portfólio experimentou apenas uma redução de 24% durante a queda do mercado do ano passado, enquanto nosso benchmark experimentou uma redução de 55% durante o pânico financeiro.
Clique para ampliar.
À medida que o SPY sobe e escala para novos níveis nos últimos dois anos, o Portfolio Ivy-10 tem lutado para acompanhar esses ganhos recentes. A recente atividade de mercado de 2018 resultou em perder uma boa porcentagem de ganhos. Somente no horizonte de longo prazo, vemos o benchmark e o nosso portfólio Ivy-10 que produz o CARG idêntico. Mais uma vez, a intenção original era produzir ganhos do índice de mercado de ações sem a redução profunda (50%) experimentada com nosso benchmark.
Sobre o portfólio original da Ivy?
Lembre-se, o estudo acima não é as regras originais para o Ivy Portfolio. As regras originais usaram uma média móvel de 10 meses como filtro enquanto nossa estratégia usava uma média móvel de 5 meses. Isso me fez pensar o quão bem as regras originais mantiveram durante 2018. Vamos ver.
Clique para ampliar.
Aqui podemos ver as regras originais realizadas de forma semelhante em relação ao CARG. Nosso portfólio produziu um CAGR de 7,6% para as regras originais e 7,7% para as regras modificadas. As regras originais também marcam pontos na produção de uma redução menor. A redução máxima é reduzida para cerca de 17% com as regras originais.
Então, qual sistema é melhor? Difícil de dizer, mas se você estiver procurando por reduzir a retirada que fura com as regras originais que usam um filtro de lookback de 10 meses, pode ser melhor.
Obter o livro.
Se este tópico o interessar, você pode obter uma cópia do livro, The Ivy Portfolio, que descreve os conceitos e backtesting que inspiraram o portfólio Ivy-10.
Sobre o Autor Jeff Swanson.
Jeff é o fundador do System Trader Success & # 8211; um site e uma missão para capacitar o comerciante de varejo com os conhecimentos e ferramentas adequados para se tornar um comerciante rentável no mundo da negociação quantitativa / automatizada.
Posts Relacionados.
Sharpe Ratio - a resposta certa para a pergunta errada?
Usando Metals to Trade Bonds.
Indicador e estratégia do MCVI sobre gráficos diários.
Eu tenho acompanhado suas postagens e devo dizer que elas são muito informativas. Eu tenho acompanhado todas as suas outras postagens e estratégias e os espaços de trabalho TS que você fornece são realmente úteis para entender o núcleo do trategy. Eu queria saber se você tem um espaço de trabalho de tradutação para o Portfolio Ivy acima?
Desculpe, eu não. Eu uso o ETF Replay para criar o backtest do portfólio. Obrigado pela fiação e pelas palavras gentis. Fico feliz em ouvir você receber o valor do System Trader Success.
Publicações populares.
Connors 2-Period RSI Update para 2018.
Este indicador simples faz dinheiro novamente e novamente.
The Ivy Portfolio.
Melhorando a Estratégia de Identidade Simples, Parte 1.
Copyright © 2018-2018 da Capital Evolution LLC. - Projetado por temas Thrive | Powered by WordPress.
Por favor faça login novamente. A página de login será aberta em uma nova janela. Depois de efetuar o login, você pode fechá-lo e retornar a esta página.

The Ivy Portfolio.
Vários meses atrás, eu terminei de ler um livro muito interessante chamado "The Ivy Portfolio". # 8221; Este livro foi escrito por dois gerentes de dinheiro, Mebane Faber e Eric Richardson, que trabalham no Cambria Investment Management. Os autores queriam responder a questão de por que os gerentes de dinheiro que gerenciam algumas das melhores escolas da Ivy League do mundo produzem resultados tão consistentes. Rotundamente as doações de Harvard e Yale produzem retornos anuais de dois dígitos. Desde 1985, a Universidade de Yale retornou cerca de 16% de retornos anuais e Harvard mais de 15% de retornos anuais. Não só produziram retornos pendentes, como também reduziram a volatilidade e a redução.
Não seria bom imitar a estratégia de investimento utilizada por essas dotações? Bem, os autores fazem exatamente isso. Faber e Richardson tentaram explorar como essas doações produzem retornos tão ótimos e minimizam a volatilidade e a redução. Eles dão um passo adiante, fornecendo vários modelos simplificados, mas eficazes, para imitar os resultados comerciais desses profissionais. O coração de um dos modelos propostos é uma força relativa simples, estratégia de alocação de ativos usando ETFs.
Isso realmente chamou minha atenção. Esse modelo simples poderia ser uma ótima maneira de investir dentro de uma conta de aposentadoria, pois a maioria das pessoas tem acesso a ETFs. É uma estratégia de longa duração (sem curto-circuito) e você não precisa fazer trocas com muita frequência.
Neste artigo, eu quero criar modelos com base nas recomendações da Faber & # 8217; s e Richardson & # 8217; s. Para fazer isso, irei usar o fantástico serviço ETF chamado, ETF Replay. O que esse serviço web permite que você faça é criar estratégias de negociação e testá-las em um portfólio de ETFs. O site cobra uma taxa mensal para usar seu serviço, mas é muito razoável. Entre a recomendação do livro e o serviço de repetição ETF, podemos produzir um modelo de negociação.
The Ivy Trading System.
Vamos negociar uma cesta de ETFs. Exatamente quais ETFs serão explicados mais tarde. Não vamos simplesmente trocar todos os ETFs de uma só vez. Em vez disso, rotemos para os três melhores artistas todos os meses. O conceito por trás dos três principais artistas é que provavelmente continuarão a atuar no futuro a curto prazo. No entanto, nós também desejamos reduzir as cobranças e evitar manter nossos ETFs quando estiverem dentro de um mercado de mercado, porque, até mesmo, os ETFs melhor classificados durante este ambiente provavelmente estarão caindo. Claro que eles estão ficando mais lentos do que os outros na cesta, mas nós não queremos estar segurando qualquer um de nossos ETFs se eles estiverem no mercado do urso. Em outras palavras, desejamos preservar nosso capital durante um mercado ostentoso. Lembre-se, esta é uma estratégia única. Para evitar posições em um mercado urugo, usamos uma média móvel simples de 100 dias (5 meses) para filtrar nossos negócios. Nós só compraremos um ETF se ele estiver acima dessa média.
Aqui está um resumo do modelo de classificação de força relativa:
1) Classifique os ETFs com base em sua força relativa. Há muitas maneiras de fazer isso, mas um método muito direto é simplesmente classificar cada ETF com base em dois resultados históricos, um retorno de 3 meses e um retorno de 1 mês. Os ETFs são classificados para cada um desses dois retornos. Um peso é então calculado para cada classificação para calcular uma classificação geral. Você pode encontrar um exemplo no site da ETF Replay. Ao usar dois retornos históricos, estamos levando em consideração tanto um retorno de curto prazo quanto um retorno de longo prazo. A pontuação do ranking é calculada como a soma da ponderação igual do retorno de 20 dias e do retorno de 3 meses. Esses números são completamente arbitrários. Eles não estão otimizados.
Pontuação geral de classificação = (retorno de 20 dias) * .5 + (retorno de 3 meses) * .5.
2) Aplicar filtro de regime e apenas manter ETFs dentro de um regime de mercado no mercado alto. Este é o nosso antigo filtro de regime familiar que eu escrevi repetidamente. Os autores do livro usam uma média móvel simples de 10 meses. Isso é semelhante a uma média móvel simples de 200 dias se você estimar cerca de 20 dias de negociação em um mês. No entanto, eu escolho escolher metade desse valor simplesmente porque gostaria que meu modelo fosse um pouco mais receptivo ao levar em conta o possível início de um mercado de urso. Esse valor não está otimizado.
Bull Market = Close & gt; Média (fechar, 100 dias);
3) Reembalar o portfólio em um cronograma mensal. Neste momento, avaliamos toda a cesta de ETFs com base nos dois métodos acima. Em seguida, agimos.
uma. VENDE todos os ETFs que já não se classificam nas três posições principais e / ou que caíram abaixo do filtro de regime.
b. COMPRA os três principais ETF classificados que estão dentro de um regime de touro. Cada ETF será dedicado a 1/3 do patrimônio da conta disponível.
4) Nosso dinheiro permanece em & # 8220; Cash & # 8221; (SHY) sempre que não está sendo alocado para uma classe de ativos específica.
Dado este modelo, é possível manter as posições 1, 2, 3 ou zero. Quando o dinheiro não é alocado para um ETF, nós o transferimos para dinheiro.
Ivy Five Trading System.
Nós temos nosso modelo comercial pronto para ir, mas qual cesta de ETFs vamos negociar? Os autores primeiro começam com uma cesta muito simples de cinco ETFs. Esses ETFs representam as classes de ativos mais amplas nas quais desejamos diversificar. Nosso modelo rotacional de força relativa nos permitirá montar as classes de ativos de melhor desempenho enquanto preservamos nosso capital durante um mercado urso. Os Ivy Five são:
BND & # 8211; Vanguarda Mercado total de títulos (4-5 anos)
DBC & # 8211; Índice de commodities do PowerShares DB.
VEU & # 8211; Vanguard FTSE All-World ex-US.
VNQ & # 8211; Vanguard MSCI EU REIT.
VTI & # 8211; Vanguard MSCI Total Stock Market.
Esta cesta de ETFs nos dá uma ampla exposição aos títulos de empresas / crédito (BND), commodities (DBC), patrimônio internacional (VEU), REITs, Preferreds e MLPs (VNQ) e Equity U. S. (VTI). Deixe agora usar o site de rebobinamento da ETF para testar nosso portfólio Ivy Five (linha verde) em nosso modelo. Usaremos o SPY ETF (linha azul) como nosso benchmark. Os retornos incluem dividendos, mas excluem comissões e derrapagens.
Podemos ver nosso portfólio superar o benchmark de várias maneiras. Primeiro, produz um retorno total maior de 204% vs. 95%. Mas talvez seja ainda mais importante durante o mercado desportivo de 2008, podemos ver uma diferença significativa nos níveis de retirada. Enquanto o índice de referência baixou em torno de 55% e nossa carteira caiu cerca de metade desse valor em 21%. A volatilidade global também é significativamente reduzida com nosso portfólio. No final, nossa carteira retorna um CAGR de 11,8%, enquanto o benchmark retorna um CAGR de 7,0%. Nosso modelo aumenta os retornos, reduzindo simultaneamente a redução e a volatilidade.
Ivy Ten Trading System.
Negociar apenas cinco ETFs são bastante restritivos quando você considera a grande quantidade de ETFs disponíveis. Vamos continuar trabalhando com as mesmas classes de ativos, mas introduzir alguns ETFs especializados para expandir nossa diversificação. Os autores recomendam os seguintes ETFs seguintes:
BND & # 8211; Vanguarda Mercado total de títulos (4-5 anos)
DBC & # 8211; Índice de commodities do PowerShares DB.
GSG & # 8211; iShares S & amp; P Commodity-Indexed Trust.
RWX & # 8211; SPDR DJ International Real Estate.
TIP & # 8211; iShares Barclays TIPS (4-8 anos)
VB & # 8211; Vanguard MSCI U. S. Small Cap.
VEU & # 8211; Vanguard FTSE All-World ex-US.
VNQ & # 8211; Vanguard MSCI EU REIT.
VTI & # 8211; Vanguard MSCI Total Stock Market.
VWO & # 8211; Vanguard MSCI Emerging Markets.
Os resultados da execução deste portfólio através do modelo abaixo estão abaixo. Novamente, o SPY ETF é nosso ponto de referência. Os retornos incluem dividendos, mas excluem comissões e derrapagens.
Podemos ver nosso portfólio, mais uma vez, supera o benchmark de várias maneiras. Primeiro, ele produz um retorno total maior de 291% vs. 95%. Observe que isso é significativamente maior que o nosso portfólio da Ivy Five. No que diz respeito ao saque, o índice de referência baixou em torno de 55%, enquanto nosso portfólio desceu 29%. É interessante notar que geramos um retorno maior quando comparado ao nosso portfólio da Ivy Five, mas isso ocorre com o custo de mais retirada. No final, nossa carteira retorna um CAGR respeitável de 14,7% enquanto o benchmark retorna um CAGR de 7,0%. Nós duplicamos nossos retornos, reduzindo significativamente a redução.
Então, você tem isso. O sistema de negociação Ivy Ten em poucas palavras. É simples, com alguns retornos muito agradáveis. Os autores também demonstram um portfólio de 20 ETF que eu possa observar em um artigo posterior. Por enquanto, isso deve lhe dar uma visão de como imitar os retornos e baixa redução das melhores escolas da Ivy League. Você pode negociar isso em suas contas de aposentadoria? Bem, isso é para você, mas eu estava pensando seriamente em algo assim. Eu acho a simplicidade e o equilíbrio mensal muito conveniente. Fundamentalmente, sempre gostei da idéia de impulso e de saber quando sair de uma posição durante um mercado ostentoso. Isso parece fazer um trabalho digno de capturar esses dois aspectos bastante bem.
Obter o livro.
Sobre o Autor Jeff Swanson.
Jeff é o fundador do System Trader Success & # 8211; um site e uma missão para capacitar o comerciante de varejo com os conhecimentos e ferramentas adequados para se tornar um comerciante rentável no mundo da negociação quantitativa / automatizada.
Posts Relacionados.
Sharpe Ratio - a resposta certa para a pergunta errada?
Usando Metals to Trade Bonds.
Indicador e estratégia do MCVI sobre gráficos diários.
Encontre bom Jeff. Eu estava muito interessado em estratégias de força relativa multi-setor. Eu também estou pesquisando fazendo isso com pares, ou seja, continuando os setores mais fortes e reduzindo os setores mais fracos (ou longo do ETF inverso). I’m guessing this would provide even less volatility but might reduce profits. I’m not sure, haven’t run the numbers yet.
I’m planning on introducing a few short ETFs into the mix and see how it affects the results. Those articles will most likely appear early next year. I like the pairs idea as well. I’ll have to look into that.
December’s TAS&C (page 10, “Reducing Risk While Finding Profit”) has a nice article on tracking pairs, particularly with sector ETFs as a way to play sector rotation.
That article looks interesting as I am also researching on using pairs as trading vehicles. Do you know where I can get it as a. pdf?
just a word of warning: As nice as ETF Replay looks, the quality of the simulations is not very good. I know a trader who ran a simulation there and in parallel used his own software and data. When he compared the results the differences were huge (i. e., 400%-points less profit than shown by ETF Replay). He couldn’t find out what caused this, but his best guess is that there is something wrong with their data (or how they deal with splits & dividends). Some errors could be caused by logical errors in their ranking and filtering.
I don’t want to bash ETF Replay and maybe they fixed whatever problems there were. Yet I recommend to double check any results with software that is transparent for you in what is does and utilizes data that is adjusted (or not) in the way that is appropriate for the task.
Thanks for the heads-up TK. Aquele & # 8217; a huge difference if there was/is a problem ETF Replay’s data.
All ETFs have different starting days. In the first port6folio of 5 ETFs, VEU starts after March 2007, BND after April 2007 and DBC after Feb 2006. Thus, results are skewed by the positive performance of the VNQ and VTI ETFs and as a result this is selection bias.
I would recommend to you not to rely on backtests of other websites because they may not even know their own assumptions. Try selecting at random 5 ETFs from a universe of 100. Then backtest with specific position sizing rules. You will see that it does not work and buy-and-hold is much better. Enganado pela aleatoriedade.
Great points, Basha. I checked into ETF Replay about a year ago and was disappointed about limited choices of starting day. Rather than a backtest that starts on the first of each month or the 31st, I’d like to run 31 different backtests where each started on a different day of the month. What we should see is similar performance among all. If some perform significantly better then look for a reason why. Maybe the expected performance going forward should be the average of them all.
Another thing you could do is run some Monte Carlo simulations and then plot equity curves that represent averages. Drawdown analysis could be studied the same way.
Fooled by randomness, indeed!
Mark, thanks for the comment. Have you tested your idea on your backtesting software? I would be interested to see your results.
Alas, while my software can do rotational backtesting, my programming has yet to reach that level of expertise. It’s on my “To Do” Lista.
Basha, out of curiosity I ran the ETF Replay backtest from 2007 and the portfolio still generated very solid performance. The Ivy-10 generates 122% return while the SPY generates a 14% return. Drawdown is 29% vs 55% respectively.
Maybe I mis-understand what you are saying? If you randomly select 5 from a universe of 100, you are not following the idea of selecting 5 that are indicating a positive up trend in an uptrending market.
And, if you randomly select any 5 of 100, shouldn’t you do a Monte Carlo distribution to truely compare the random approach to the Ivy Approach?
What am I missing?
What is the starting capital and position sizing used? Do they reinvest profits?
This comment reply was for Jeff actually.
To Red: that is what I am saying. You also have to also find out which portfolios that met the ranking cirteria did not work out and then average the results.
My understanding about the service is this: The starting equity is 100. Each ETF is weighted equally. In the case for my example Ivy models, each ETF is given 33% of the equity since it picks, at most, the top three relative performers. Returns are total returns which includes profits and dividends. Commissions and slippage are not included.
Having now read the book, I’ve just finished implementing this within TS (although I have to export the equity from the print log and assemble the portfolio equity curve in Excel).
Once the portfolio is increased to 10 ETFs, can you suggest any reason not to also increase the number of instruments in which one is invested each month to 6? And similarly, to 12 for the 20 ETF portfolio? It struck me that increasing the tradeable instruments in the portfolio isn’t actually diversifying if one can only ever be long three of those at any given time.
Would be interested to hear your thoughts on this . . .
As you know, anytime you begin to introduce changes you increase the chance of curve fitting so my first inclination is not to change it. However, I would perform a study testing a full range of top instruments (say 1,2,3…10) simply to see how stable the results are. I would also do this across each of the portfolios. Then I could see how selecting the top three instruments within the 5-ETF portfolio, the 10-ETF portfolio and 20-ETF portfolio performs. I would guess off the top-of-my head that you would find that increasing/decreasing the number of tradable instruments will directly affect the total return and drawdown while the the portfolio remains profitable. I have not tested this however.
My impression is the purpose to increasing the total number of tradable instruments is not to increase diversification, but to increase the potential for total return.
Would you be willing to share the TS code or give us an overview of how the code works?
Apparently TS can only trade data1. How do you initiate trades in alternate data streams based on a filter?
The point that Basha makes is about curve fitting. Not only can you curve fit by selecting the PARAMETERS of your system (like the length of averages; threshold values etc.), but also by selecting TRADING INSTRUMENTS that perform well under your system rules and then run your system on those instruments only.
The question is whether your system really identifies an edge or just a statistical fluke that appears in a few instruments.
If there is a general edge (here the assumption is that strength in the past is likely to be followed by further strength in the future) it is reasonable to expect that this behavior shows up in almost any instrument. So if you randomly pick the ETFs to run the system on you should get good results most of the times. If not, well then it is highly likely that you didn’t find a general edge and that the “Ivy 5 Portfolio” or “Ivy 10 Portfolio” could be a curve fit selection.
As you suggested a good way to test the edge is to randomly select 5 ETFs and repeat this process several times as a Monte Carlo simulation.
I don’t know what you meant with “If you randomly select 5 from a universe of 100, you are not following the idea of selecting 5 that are indicating a positive up trend in an uptrending market.”
The “Ivy 5 Portfolio” is the same all the time. They are not replaced by other ETFs, so there is no “selecting 5” once the initial choice was made.
Or am I missing your point?
I’ve been wondering a lot about this recently, TK. I think what you said about curve fitting here is spot on. However, do we also have to watch out for curve-fitting by the criteria used to select trade candidates for the rotational system?
In a nebulous way, this is kind of what I am getting at. Monte Carlo simulation basically says trade #X could have been trade #Y–it’s just by luck that they ended up ordered as they did. Therefore, to get a better feel for how a system might perform, let’s randomize the order of trades and do it 100s or 1000s of times and then take averages for the equity curves and drawdowns.
When a rotational system has identified trades through a position scoring algorithm, though, it is identifying one and only one set of candidates. For some reason, this doesn’t feel entirely right to me–it feels like we could be leaving the door open to “fluke.”
Maybe you are mixing things up a little. Please allow me to “unmix” what I understood from your comment (sorry, if you meant it differently and you already know what I am going to write).
I am refering to “do we also have to watch out for curve-fitting by the criteria used to select trade candidates for the rotational system?”:
Depending on what you meant the answer is “yes”… =;-)
a) Yes, selecting the 5 ETFs that the system is performed on can be curve fitting (as described in my comment above).
b) Yes, the design of the system rule(s) that pick a max. of 3 out of the “starting 5” can also be a source of curve fitting (i. e., calculation factors, thresholds levels, # of ETFs to pick, etc.).
Refering to “Monte Carlo simulation basically says trade #X could have been trade #Y–it’s just by luck that they ended up ordered as they did.”:
Yes, the assumption is that trade #X does in no way influence the outcome of trade #Y. Therefore #Y might as well have happened before #X. Personally I don’t think this is 100% correct, because I tend to believe that winners and losers are somewhat clustered. For example you might have several winners in a row during a bullish market phase and then a string of losers when the market gets choppy or bearish. So it might be somewhat unrealistic to mix the order of the trades in a Monte Carlo simulation completely by random (but elaborating on that would lead to far for now).
Just beware that the Monte Carlo simulation that I talked about in the previous comment was not mixing the trades, it was mixing the ETFs that are in the “starting 5”. For each simulation run a set of 5 would be picked by random out of all suitable ETFs (maybe 100 to 200). Then you simulate the system over a certain time period and leave the order of trades untouched. But on the next simulation run you would do the same thing with a different set of 5 ETFs. So no shuffling of trades, but shuffling of traded instruments that are presented to the system rules.
Regarding “when a rotational system has identified trades through a position scoring algorithm, though, it is identifying one and only one set of candidates. For some reason, this doesn’t feel entirely right to me”: In my opinion it is OK for a system to choose the trades it wants to take or ignore. This decision may also very well be based not only on the instrument itself, but also on the behavior of the other instruments in the mix. You probably don’t like the idea that at a specific moment ETF “XYZ” would have produced a trade if combined with ETFs “A”, “B”, “C” & amp; “D”, but that it would NOT have produced a trade if combined with ETFs “E”, “F”, “G” & amp; “H”. This is one effect that the choice of the “starting 5” has. But if the “position scoring” really has some kind of edge then it will tend to pick the best of all available trades. Sometimes the alternatives matter. Just like you might have picked a different girlfriend if there would have been some super models available in the “starting 5″… =;-)
P. S. No offence – you certainly picked the best girl in the world. 🙂
You make a good point about an assumption for Monte Carlo testing that all trades be independent. What kind of statistical test could you run to check for this?
On a related note, I sometimes struggle with whether to run a backtest including only the first buy/sell signal or whether to include every buy/sell signal as a trade. For example, consider a 20-day breakout system where today we get a new high followed by new highs tomorrow and the day after. Most backtesting would take today’s signal and not allow for “redundant” signals of tomorrow and the day after. Certainly a challenge would be how to position size if you were to allow for redundant signals but I often think “is there anything inherently different between today’s new high and tomorrow’s or the day after?” If you believe in mean reversion then you say yes–tomorrow’s is more likely to be followed by a pullback and the day after tomorrow is even more likely to be followed by a pullback. The fact that trend systems work sometimes means mean reversion does not always hold, though, which means each signal should be included in the backtest.
Any thoughts on this concept of redundant signals?
The other big issue I see here is how to validate a position scoring algorithm. Consider a simple one-rule trading system based off a 20-MA, for example. I think it’s critical to optimize in order to know performance of the 20-MA is not a fluke. How does the system perform with MA periods between 10-30 by increments of two, for example? If I plot performance vs. MA period then I shouldn’t see a spike high at 20 surrounded by losses. I want to see a high plateau region with 20 roughly in the middle. This suggests that even neighboring values of MA period traded successfully in the past, which makes me think the edge might persist into the future.
I think all trading rules and filters can be studied this way (the technical term for this process is “evolutionary operation”). How would this apply to validation of the position scoring algorithm itself, however?
I don’t know about any kind of test for the “clustering” characteristics of trades. For most purposes the normal MC method should do OK, but I find it inportant to be aware of the assumptions that any method is based on and treat the results with the appropriate grain(s) of salt.
As for your 2nd question regarding “redundant” signals:
The answer depends on what you are examining.
& # 8211; If you examine whether a system has an edge then you need to simulate a trade for any valid signal that is produced. You don’t want the start of a simulated trade to depend on whether or not another trade has already ended (because you will have different trades to compare with every time you change the exit rules, so that you will not know if the exit rule in itself is better or simply better trades happened to get started). Of course you could add a rule to your system that prevents giving any further signals until some kind of condition is met thereby reducing the number of VALID signals.
& # 8211; If you examine what kind of performance you would get from trading the system you MUST simulate in your backtest exactly what would have happened in a real account. So if you would take the first and any following signals in your account then you simulate that. If you would only take the first signal then this is what you simulate.
Just beware that any skipping of VALID signals is adding random, which is pretty bad. Each trade that you take or simulate should be independent from any other trade that’s going on at the same time. If you don’t take a trade after a VALID signal for any reason then you can easily get into trouble.
Last thing: You can validate the scoring algorithm by running a series of MC simulations wit the same set of instruments (“starting 5”), but instead of the scoring algorithm you pick 3 ETFs by random each time a reshuffle is possible. Repeat that 1000 times and then compare the key figures that you get from the scoring algorithm (expectancy, max. DD, …) with the range that the random picks produced. If your algorithm does NOT end up in the top range for each of the key figures it probably doesn’t have much merit (if any) and you might as well make random picks.
Hope that helped,
Ah a new week so renewed potential for understanding, right?
Two thoughts on this post, TK. First:
& gt; b) Yes, the design of the system rule(s) that pick a max. of 3 out of.
& gt; the “starting 5″ can also be a source of curve fitting (i. e., calculation.
& gt; factors, thresholds levels, # of ETFs to pick, etc.).
If even the number of trades to take may be a source for curve.
fitting then I start to wonder if maybe the whole concept of a.
position scoring algorithm for rotation trading is invalid with regard.
to backtesting. I generally think about keeping all factors but.
one constant and then plotting some metric of performance vs.
different values of the variable. If the variable is “Top N tickers”
then it seems far too granular for comparison purposes. Does it.
make sense to compare results from “Top 1” to “Top 2” to “Top 3?”
It seems like the standard error bars might be way too large.
& gt; Just beware that the Monte Carlo simulation that I talked about.
& gt; in the previous comment was not mixing the trades, it was mixing.
& gt; the ETFs that are in the “starting 5″. For each simulation run a.
& gt; set of 5 would be picked by random out of all suitable ETFs.
& gt; (maybe 100 to 200).
It sounds like you’re suggesting comparing the equity curve.
generated by taking the Top 3 each month with an equity.
curve generated by taking three randomized tickers each.
mês. How do you compare this, though? There is only.
one Top 3 but there are C(n,3) randomized three where.
n = total number of tickers from which to trade (C denotes.
combinations as opposed to permutations).
>>Ah a new week so renewed potential for understanding, right?
>>If even the number of trades to take may be a source for curve.
>>fitting then I start to wonder if maybe the whole concept of a.
>>position scoring algorithm for rotation trading is invalid with regard.
>>to backtesting. I generally think about keeping all factors but.
>>one constant and then plotting some metric of performance vs.
>>different values of the variable. If the variable is “Top N tickers”
>>then it seems far too granular for comparison purposes. Does it.
>>make sense to compare results from “Top 1″ to “Top 2″ to “Top 3?”
>>It seems like the standard error bars might be way too large.
Don’t get too frustrated, but ANY part of a trading system can be used to curve fit (anything that has an effect can be changed so that the outcome is “better”). But that’s not the real issue. What matters is whether or not it is likely that “new” data (i. e., the real trades that you might take) will show a performance similar to your backtest.
“New” data could be either data not used for the system design so far or future testing in real-time. Typically people use up so much data for the design that there’s not much data left to produce a sufficient number of trades for verification purposes. Real-time testing can have the disadvantage that it may take months or years to get a sufficient number of trades. You may want to take a look at the comments on one of the previous articles here called “Measuring Success: Key Performance Metrics”. Never underestimate the number of trades to fulfill the requirement to be “sufficient”!
>>It sounds like you’re suggesting comparing the equity curve.
>>generated by taking the Top 3 each month with an equity.
>>curve generated by taking three randomized tickers each.
>>month. How do you compare this, though? There is only.
>>one Top 3 but there are C(n,3) randomized three where.
>>n = total number of tickers from which to trade (C denotes.
>>combinations as opposed to permutations).
Here’s how you do it: Let’s say you test the years 2001 to 2005 (60 months). You always have the same 5 ETFs, but on a monthly basis you pick 3 ETFs by random that you hold for the next month. Do this 60 times and you have the FIRST simulation run. Take note of whatever metrics are important to you (i. e., expectancy). Now you start again with 2001 to simulate 60 trades where you again pick the 3 ETFs by random. Most of the 60 trades in this second run should be different than the ones in the first run. Keep doing that until you have a “large” number of runs (i. e., 1000 runs). Then you simulate the 60 months with the rule how to pick the 3 ETFs in effect. This is what you compare to what the other 1000 runs produced (average, standard deviation). If your rule based result is not more than 1 standard deviation (the more the better) away from the average then it’s highly likely that it adds NO VALUE to your system.
But if it HAS VALUE then it might be that this rule is curve fit to the “starting 5” (or the “starting 5” to the selection rule). In order to find that out you can do what was actually the suggestion that I wrote above:
Pick by random the “Starting 5” out of all.
200 ETFs and then apply the rules how to pick the top 3 on those 5 (the same 5 for each of the 60 months). This gives you one run. Then you make another random pick and again simulate the 60 months to get run #2. Repeat that and then compare the “Ivy 5” with the 1000 random runs. This shows you whether the “Ivy 5” are the only ETFs that produce good results. If the system rules should really HAVE VALUE then it shouldn’t matter much which starting 5 you use. Beware if there are only a few runs that produce staisfactory results, because then the “Ivy 5” might be a curve fit selection.
Clear or even more confused. =;-)
P. S. Did you see that I wrote another reply to you at the very bottom?
Hi AnTZ_TK and Mark,
Very interesting your discussion and really insightful.
For me there’s 2 main issues on this topic that I wopuld like to ear Jeff’s opinion:
1. ETF replay doesn’t give me confidence on their data/results and so it’s not a tool that I’ll use.
2. We curve fit either if we choose the best equities for a set of rules or the best rules for a set of equities.
@AnTZ_TK wrote: “The point that Basha makes is about curve fitting. Not only can you curve fit by selecting the PARAMETERS of your system (like the length of averages; threshold values etc.), but also by selecting TRADING INSTRUMENTS that perform well under your system rules and then run your system on those instruments only.”
That is exactly what they have done and it is not onoly curve-fititng but borderline cheating.
This whole thing is based on Post Hoc fallacy.
@Basha: I think we have a plethora of different discussion points here.
MetaStock advertises a software package with dozens of preloaded systems. You can test a system on a wide variety of tickers, find the tickers that perform well with a particular system, and then trade the system going forward.
Do you see anything wrong with that logic?
Yes, it is called survivorship bias. You should take the mean return of a specific system performance for a great number of tickers, form a distribution of means and then test if the mean of the new distribution could have been achieved by chance. Otherwise you are curve-fitting to ticker selection. This is also what the Ivy portfolio did. You should read the book by Aronson.
You asked what is wrong with the logic that MetaStock advertises. Try to look at it that way: You sit a million monkeys in front of a typewriter. After watching them hacking away on their keyboards for a while would you pick the monkey that “wrote” something that actually is correct English and offer him a job as a professional writer for a newspaper.
In other words: throw enough symbols on any kind of “system” and you will have some that show a profitable backtest. But the million dollar question is: Does that have any predictive value regarding FUTURE profits or was it just a result of random that doesn’t give you any indication of future outcomes?
Therefore I second Basha’s testing suggestion and also recommend Dr. Aronson’s book “Evidence-Based Technical Analysis”.
TK–I do see your reply at the bottom, here. The flip side of that approach to backtesting (which I disagree with, too) is that every ticker may have its own personality due to the institutions that trade it. This would allow for certain strategies to work on some tickers but not others.
With regard to your post above, I’m going to mull it over for a few days. I hope to understand better if I can sleep on it a few times.
I did read Aronson’s book a few years ago. Good stuff but not very encouraging as far as finding systems that really work, as I remember. Now that I’m working toward putting all the pieces of system development together, though, I see it *is* that difficult and I see how many alluring dead ends await to trap me in systems I might think are likely profitable that actually are fluke.
Basha, thanks to your insightful comments on this thread too.
Thanks to Jeff as well for posting the Ivy Portfolio article in the first place!
We had an outstanding discussion in the comments below, TK, but upon rereading this over a month later I want to focus on another point. You write:
& gt; If there is a general edge (here the assumption is that strength in the past is likely to be.
& gt; followed by further strength in the future) it is reasonable to expect that this behavior.
& gt; shows up in almost any instrument.
Isn’t this claim debatable?
As a challenge, I will state the hypothesis that each ticker has its own trading personality. Why might this be? I think we would all agree that institutions are the big players that command market action. For any ticker, the bulk of trading activity is commanded by X institutions. Suppose a number of those institutional traders, for example, follow 50/200-SMA crossovers. We are likely to see some edge when using a 50/200-SMA crossover trading system for that ticker. Different tickers are traded by different institutions (institutional traders) and so different tickers may be more or less influenced by different technical [or other types of] criteria applied by those traders. For this reason, I may find a trading system that works well for one ticker but no others. This trading may continue to work well for this one ticker until the institutions that trade that ticker significantly change or until the traders responsible for those institutions’ trades significantly change (e. g. fund managers are replaced).
Quais são seus pensamentos?
fyi, ETFreplay return should not be tested against other software — the returns should be tested against a source that has correct data in the first place. Such data is available on the ETF providers website — such as ishares and vanguard.
ETFreplays data matches those websites so if your other software doesn’t match ETFreplays — it is likely because your software is incorrect. or use Morningstar data. I tested 200 of the largest ETFs vs morningstar and they were all correct. clearly, effort is made to ensure data accuracy.
[…] would happen if we took these four ETFs and traded them with the trading logic used with the Ivy-10 trading system? Using ETF Replay I generated the following […]
Interesting stuff here. I’ve been looking at the Gone Fishin’ portfolio and the Permanent Portfolio and the Ivy but have not been completely impressed, as they all look like they need some tweaks. The 5 month MA makes sense, though I might change that to 200-day, simply because that is widely followed and triggers HFTs (high frequency trades based on algos) and is a compromise between 5 and 10 month MAs. I like the idea of combining a momentum strategy with asset diversification. What I have in mind is bonds, stocks (domestic and world), commodities (including gold), and REITS (domestic and world) as a basic asset structure. Add sector ETFs and country ETFs as an option to boost returns. Also as an option, add inverse (but not leveraged) ETFs. You want the best in class in each category, looking at 1-month, 3-month and 6-month returns, with more emphasis on 3-month. But also look at the charts because some of the ETFs that are lower down on the scale might be touching support and breaking out. Those would be better than the ones that are top ranking but overbought and headed for a correction. Monitor monthly or quarterly. Quarterly might be a better idea as you give things time to play out and don’t act hastily.
Ross, these are all great ideas to test. I tested a few ideas in this post. Some of your ideas could be tested in ETFReplay. In future articles I plan on testing how adding inverse ETFs changes the performance.
[…] do is expand to a basket of ETFs. In Jeff Swanson’s post “The Ivy Portfolio” (systemtradersuccess/the-ivy-portfolio/), he mentions use of these five […]
The IVY articles and portfolio risk/return are always good reads.
On the IVY 10 you use GSC and DBC. These both broad commodity tracking ETFs/ETNs so the back-test is backing doubling up on the allocation on commodities. It would be interesting to see if you remove one of these then run the back test again.
I think everyone is looking at ETFreplay and momentum in general, incorrectly. Momentum in general has no predictive quality in and of itself. One can simply confirm this by using the ETFreplay screener and choosing the top ETF out of all available. My back tests show this to be far less effective than using a smaller basket of uncorrelated ETF’s. I think you need to think of ETFreplay as a modified bye and hold strategy. You must want to hold all of the individual assets but you just don’t want to hold them in a down trend. You also want concentrate your money each month in the assets that are presently doing the best.
ETFreplay is without a doubt a curve fit, but that doesn’t mean it doesn’t work.
First of all, you should only be choosing asset classes that you want to invest in.
You want uncorrelated funds so that there is always something strong in any market condition. The Ivy Portfolio works because they are uncorrelated. An all currency momentum strategy doesn’t work well because sometimes all the currencies available as ETF’ go down together.
You also want types of funds that have lengthy trends. Por exemplo. individual commodities tend to be poor funds to pick because the trends typically don’t last for months on end.
You also need funds that work well together. 2X funds rarely work well with 1X funds because of the volatility difference.
Remember, ETFreplay is looking for RELATIVE strength. Relative strength is a curve fit.
So yes, ETFreplay is very much a curve fit. Momentum is just investing in an asset in a uptrend. In my opinion it still works and beats bye and hold by a mile.
[…] futures? They will work on anything. Check out "The Ivy Portfolio" in Google or The Ivy Portfolio | System Trader Success for […]
[…] About a month ago, I wrote a post for One Step Removed about the Ivy Portfolio Allocation System. My post was based on the work done last year by Jeff Swanson from System Trader Success. Swanson wrote a very interesting article that provided the details on how to trade The Ivy Portfolio. [& # 8230;]
[…] reading Jeff’s article on The Ivy Porfolio over at System Trader Success, I have not been able to get the concept out of my head. I even wrote […]
Last attempt, it is removing my syntax which makes my scenarios appear illogical.
Thanks Jeff. I am trying to understand the constraints of the GTAA 13 AGG 3 system. Faber writes “The assets are only included if they are.
above their long-term moving average, otherwise that portion of the portfolio is moved to cash. We also include the effects of only investing in the top three out of thirteen assets. & # 8221;
I don’t see how this is possible, surely I am missing something obvious. If you are investing only in the top 3 of the 13 assets then how is that not contradictory to “otherwise that portion of the portfolio is moved to cash”? Imagine you have $3 to invest. I am trying confirm what happens in each scenario:
1. All 13 10 Month SMA then you are 33% in that 1 asset and rest in cash?
3. 3 Assets > 10 month SMA and 10 assets < 10 month SMA then you are 100% invested with 1/3 in each asset in which case you have 0 in cash which contradicts the rule stated before.
Thanks for any clarity.
Your questions are a bit odd (some formatting lost in the posting?) but I think I can answer your questions and guess at what you meant. I believe the answers are as follows:
1. If all 13 are below the 10 month MA, then you are 100% in cash.
2. If, say, 6 are above the 10 month MA then you pick the best 3 of those 6 to invest in (and ditch other positions).
3. If only 2 of the 13 are above the MA then you are 33% cash and have positions in those 2.
Think of it like this:
1. Find “qualifying” ETFs from your list (i. e. above 10 month MA). Ignore the rest for now.
2. Rank the qualifiers using formula provided above.
3. Take top 3 qualifiers and allocate 33% to each. If list is smaller than 3, allocate 33% to each qualifier and hold the rest in cash until the next time you check the system.
Publicações populares.
Connors 2-Period RSI Update para 2018.
Este indicador simples faz dinheiro novamente e novamente.
The Ivy Portfolio.
Melhorando a Estratégia de Identidade Simples, Parte 1.
Copyright © 2018-2018 da Capital Evolution LLC. - Projetado por temas Thrive | Powered by WordPress.
Por favor faça login novamente. A página de login será aberta em uma nova janela. Depois de efetuar o login, você pode fechá-lo e retornar a esta página.