7 Beste ETF Trading Strategies for Beginners Exchange-traded funds (ETFs) er ideelle for begynnelsen investorer på grunn av deres mange fordeler liker lav utgift forhold. rikelig likviditet. bredt spekter av investeringsvalg, diversifisering, lav investeringstærskel og så videre (for mer se fordeler og ulemper ved ETFs). Disse funksjonene gjør også ETFs perfekte kjøretøy for ulike handels - og investeringsstrategier som brukes av nye handelsmenn og investorer. Her er våre syv beste ETF trading strategier for nybegynnere presentert i ingen bestemt rekkefølge. 1. Dollar-Cost Averaging Vi starter med den mest grunnleggende strategien først. Dollar-cost-gjennomsnitt er teknikken til å kjøpe et bestemt fast dollarbeløp av en eiendel på en vanlig tidsplan, uavhengig av endringskostnaden for eiendelen. Nybegynnere investorer er vanligvis unge mennesker som har vært i arbeidsstyrken i et år eller to og har en stabil inntekt som de kan spare litt hver måned. Slike investorer bør ta noen hundre dollar hver måned, og i stedet for å sette den inn i en lavrente sparekonto, bør de investere den i en ETF eller en gruppe ETFer. Det er to store fordeler ved en slik periodisk investering for nybegynnere. Den første er at den gir en viss disiplin til besparelsesprosessen. Som mange økonomiske planleggere anbefaler, gir det enestående mening å betale seg selv først. som er det du oppnår ved å lagre regelmessig. Den andre er at ved å investere samme faste dollarbeløp i en ETF hver måned, vil den grunnleggende forutsetningen for dollar-kostnads-gjennomsnittlig funksjonen du samle flere enheter når ETF-prisen er lav og færre enheter når ETF-prisen er høy, og dermed utligne kostnadene av bedriftene dine. Over tid kan denne tilnærmingen lønne seg, så lenge man holder fast i disiplinen. For eksempel, si at du hadde investert 500 på den første i hver måned fra september 2012 til august 2015 i SPDR SampP 500 ETF (SPY). en ETF som følger SampP 500-indeksen. Således, da SPY-enhetene handlede på 136,16 i september 2012, ville 500 ha hentet deg 3,67 enheter, men tre år senere, da enhetene handlede nær 200, ville en månedlig investering på 500 ha gitt deg 2,53 enheter. I løpet av treårsperioden ville du ha kjøpt totalt 103,79 SPY-enheter (basert på sluttkurs justert for utbytte og splittelser). Ved sluttkursen 210,59 17. august 2015 ville disse enhetene ha vært 21.857,14 kroner, for en gjennomsnittlig årlig avkastning på nesten 13. 2. Asset Allocation Asset Allocation. som betyr å tildele en del av en portefølje til ulike aktivakategorier som aksjer, obligasjoner, råvarer og kontanter for diversifisering, er et kraftig investeringsverktøy. Den lave investeringsgrensen for de fleste ETFs generelt så lite som 50 per måned gjør det enkelt for en nybegynner å implementere en grunnleggende ressursfordelingsstrategi, avhengig av investerings - tidshorisonten og risikotoleransen. Som et eksempel kan unge investorer bli 100 investert i egenkapitalfondene når de er på 20-tallet på grunn av deres lange investeringshorisont og høy risiko toleranse. Men etter hvert som de kommer inn i 30-årene og går i gang med større livscyklusendringer som for eksempel å starte en familie og kjøpe et hus, kan de skifte til en mindre aggressiv investeringsmiks, for eksempel 60 i aksjer ETF og 40 i obligasjon ETFer. 3. Swing Trading Swing handler er handler som søker å dra nytte av store svingninger i aksjer eller andre instrumenter som valutaer eller varer. De kan ta hvor som helst fra noen få dager til noen uker for å trene, i motsetning til dagbransjen som sjelden blir åpnet over natten (se fordeler av Dag Trading Vs Swing Trading). Attributtene til ETFer som gjør dem egnet til swing trading, er deres diversifisering og stramt budsjettspread. I tillegg, fordi ETFer er tilgjengelige for mange forskjellige investeringsklasser og et bredt spekter av sektorer, kan en nybegynner velge å handle en ETF som er basert på en sektor eller aktivaklasse hvor han eller hun har noen spesifikk kompetanse eller kunnskap. For eksempel kan noen med teknologisk bakgrunn ha en fordel i å drive en teknologi ETF som PowerShares QQQ Trust Series 1 (QQQ). som følger Nasdaq-100, eller iShares U. S. Technology ETF (IYW). En nybegynnerhandler som nærmer seg råvaremarkedene, foretrekker kanskje å handle med en av de mange råvare-ETFene som er tilgjengelige, for eksempel PowerShares DB Commodity Index Tracking Fund (DBC). Fordi ETF er typisk kurver av aksjer eller andre eiendeler, kan de ikke vise samme grad av oppadgående prisbevegelse som en enkelt aksje i et oksemarked. Men på samme måte gjør deres spredning også dem mindre mottakelige enn enkeltaksjer til et stort nedadgående trekk. Dette gir en viss beskyttelse mot kapital erosjon, noe som er et viktig hensyn for nybegynnere. 4. Sektorrotasjon ETFer gjør det også relativt enkelt for nybegynnere å utføre sektorrotasjon. basert på ulike stadier av konjunktursyklusen (se Sektorrotasjon: The Essentials). Anta for eksempel at en investor har vært investert i bioteknologisektoren gjennom Nasdaq Biotechnology ETF (IBB). Med en total avkastning på 327 i løpet av de foregående fem årene (per 21. august 2015), kan investor ønske å ta overskudd i denne ETF og rotere inn i en mer defensiv sektor som forbrukerstifter (basert på premisset om at det økonomiske markedet og oksemarkedet sykluser var allerede forlenget fra august 2015). Dette kan lett oppnås ved å kjøpe en ETF som Consumer Staples AlphaDEX Fund (FXG). 5. Kort salg Selges. Salg av et lånt sikkerhetsinstrument eller finansielt instrument er vanligvis et ganske risikabelt forsøk for de fleste investorer og dermed ikke noe de fleste nybegynnere bør forsøke (se Hvordan risikabelt er et kort salg). Kort omsetning gjennom ETFs er imidlertid å foretrekke for å kutte individuelle aksjer på grunn av den lavere risikoen for et kort presse - et handelsscenario hvor en sikkerhet eller en vare som har vært svært kortsluttet spiser høyere - samt den betydelig lavere kostnaden ved å låne (sammenlignet med kostnadene som oppstår ved forsøk på å kortføre en aksje med høy kort rente). Disse risikoreduksjonshensynene er viktige for en nybegynner. Short selling via ETFs gjør det også mulig for en næringsdrivende å utnytte et bredt investerings tema. Således kan en avansert nybegynner (hvis en slik åpenbar oxymoron eksisterer) som er kjent med risikoen for kortsiktighet og ønsker å starte en kort posisjon i fremvoksende markeder, gjøre det via iShares MSCI Emerging Markets ETF (EEM). Vær imidlertid oppmerksom på at vi sterkt anbefaler nybegynnere å holde seg borte fra dobbelt-leveraged eller trippel-leveraged inverse ETFs. som søker resultater som er lik dobbelt eller tre ganger den omvendte av prisendringen i en dag i en indeks, på grunn av den betydelig høyere risikoen som er forbundet med disse ETFene. (For mer, se Short Selling ETFs fra Fidelity Investments.) 6. Satser på sesongmessige trender ETFs er også gode verktøy for nybegynnere for å kapitalisere sesongmessige trender. La oss vurdere to kjente sesongtrender. Den første er kalt selger i mai og går bort fenomen. Det refererer til det faktum at amerikanske aksjer historisk har blitt gjennomført over seks måneders mai-oktober-periode, sammenlignet med november-april-perioden. Den andre sesongmessige trenden er gulls tendens til å vinne i månedene september og oktober, takket være sterk etterspørsel fra India foran bryllupsåret og Diwali-festivalen av lys, som vanligvis faller mellom midten av oktober og midten av november. Den brede markedssviktstendensen kan utnyttes ved å kortslutte SPDR SampP 500 ETF (SPY) rundt i slutten av april eller i begynnelsen av mai, og avslutte den korte stillingen i slutten av oktober, rett etter at markedet swoons typisk for den måneden har skjedd . En nybegynner kan på samme måte utnytte sesongens gullstyrke ved å kjøpe enheter av en populær gull ETF, som SPDR Gold Trust (GLD) eller Comex Gold Trust (IAU). på sensommeren og avslutte stillingen etter et par måneder. Vær oppmerksom på at sesongtrender ikke alltid forekommer som forventet, og stopptap er generelt anbefalt for slike handelsposisjoner for å dekke risikoen for store tap. 7. Sikring En nybegynner kan av og til trenge å hedge eller beskytte mot ulemper i en betydelig portefølje, kanskje en som er oppnådd som følge av en arv. Anta at du har arvet en stor portefølje av amerikanske blåbrønner og er bekymret for risikoen for en stor nedgang i amerikanske aksjer. En løsning er å kjøpe put-alternativer. Men siden de fleste nybegynnere ikke er kjent med opsjonshandelsstrategier, er en alternativ strategi å starte en kort posisjon i brede markeds-ETFer som SPDR SampP 500 (SPY) eller SPDR Dow Jones Industrial Average Units Series 1 (DIA). Hvis markedet faller som forventet, vil din egenkapitalposisjon bli sikret effektivt, siden nedgangen i porteføljen din vil bli kompensert av gevinster i den korte ETF-stillingen. Vær oppmerksom på at gevinsten din også vil bli avkortet dersom markedet forventer, da gevinster i porteføljen din vil bli kompensert av tap i den korte ETF-stillingen. Likevel tilbyr ETFer nybegynnere en relativt enkel og effektiv metode for sikring. The Bottom Line Exchange-traded funds har mange funksjoner som gjør dem til ideelle instrumenter for begynnelseshandlere og investorer. Noen ETF trading strategier spesielt egnet for nybegynnere er dollar-cost averaging, eiendel allokering, swing trading, sektor rotasjon, short selling, sesongmessige trender og sikring. En økonomisk teori om total utgifter i økonomien og dens effekter på produksjon og inflasjon. Keynesian økonomi ble utviklet. En beholdning av en eiendel i en portefølje. En porteføljeinvestering er laget med forventning om å tjene en avkastning på den. Dette. Et forhold utviklet av Jack Treynor som måler avkastning opptjent over det som kunne vært opptjent på en risikofri. Tilbakekjøp av utestående aksjer (tilbakekjøp) av et selskap for å redusere antall aksjer på markedet. Selskaper. En skattemessig tilbakebetaling er refusjon på skatter betales til en person eller husstand når den faktiske skatteforpliktelsen er mindre enn beløpet. Den monetære verdien av alle ferdige varer og tjenester som produseres innenfor et land, er grenser i en bestemt tidsperiode. Strategier og modeller Strategier og modeller Trading Strategier og modeller Andre handelsstrategier CCI-korreksjon En strategi som bruker ukentlig CCI til å diktere en trading bias og daglig CCI for å generere handelssignaler CVR3 VIX Market Timing Utviklet av Larry Connors og Dave Landry, dette er en strategi som bruker overextended avlesninger i CBOE Volatility Index (VIX) for å generere kjøp og salg signaler for SampP 500 Gap Trading Strategies Ulike strategier for handel basert på åpning prisforskjell Ichimoku Cloud En strategi som bruker Ichimoku Cloud til å angi trading bias, identifisere korrigeringer og signal korttids vendepunkter Moving Momentum En strategi som bruker en tre-trinns prosess for å identifisere trenden, vente på rettelser i den trenden og deretter identifisere reverseringer som signalerer en slutt på korreksjonen Narrow Range Day NR7 Utviklet av Tony Crabel, det smale område dag st Rategy ser etter sammentrekninger for å forutsi utvidelsesutvidelser. Forhåndsskanningskode inkludert som tilpasser denne strategien ved å legge til Aroon og CCI-kvalifiseringer Prosent Over 50-dagers SMA En strategi som bruker breddeindikatoren, prosent over 50-dagers glidende gjennomsnitt, for å definere tonen for det brede markedet og identifisere korreksjoner Pre - Holiday Effect Hvordan markedet har utført før store amerikanske helligdager og hvordan det kan påvirke handelsbeslutninger. RSI2 En oversikt over Larry Connors039 gjennomsnittlig reverseringsstrategi ved hjelp av 2-års RSI Faber039s sektorrotasjons tradingstrategi Basert på forskning fra Mebane Faber, kjøper denne sektorrotasjonsstrategien de beste resultatene, og gjenbalanser en gang i måneden. Seks måneders syklus MACD Utviklet av Sy Harding Denne strategien kombinerer seks måneders bull-bear syklus med MACD signaler for timing Stochastic Pop and Drop Utviklet av Jake Berstein og modifisert av David Steckler, bruker denne strategien gjennomsnittlig retningsindeks (ADX) og stokastisk oscillator for å identifisere prispopper og breakouts Slope Prestasjonstendens Ved hjelp av skråindikatoren for å kvantifisere den langsiktige trenden og måle relativ ytelse for bruk i en handelsstrategi med de ni sektorene SPDRs Swing Charting Hva Swing Trading er, og hvordan det kan brukes til profitt under visse markedsforhold Trend Quantification and Asset Allocation Denne artikkelen viser diagrammer hvordan man definerer langsiktige trendomkastninger som en prosess ved å utjevne pr isdata med fire forskjellige prosentpris Oscillatorer. Chartister kan også bruke denne teknikken til å kvantifisere trendstyrke og fastslå aktivitetsallokering. Utvikle en rotasjonsstrategi ved bruk av svært diversifiserte ETFer. Mens du leser internett i helgen for å undersøke noen ETF-rotasjonsstrategier, kom jeg over et nettsted som heter Vector Grader (som forfatteren ikke er tilknyttet ) som presenterte en strategi for å rotere blant en mangfoldig samling av ETFer basert på tidligere prisutvikling. Jeg har testet slike systemer på bloggen min og nylig publisert en artikkel som gir analyse av slike handelssystemer. ETFene i Vector Grader-strategien var imidlertid langt mer varierte enn de systemene jeg hadde testet tidligere. Vellykkede rotasjonsstrategier på svært varierte ETF-grupper er vanskelig å utarbeide på grunn av forskjellene i volatiliteten til de underliggende ETFene. Ved å bruke en volatilitetskompensasjonsfaktor til disse ETFene kunne jeg imidlertid utvikle en rotasjonsstrategi som ble testet med vellykkede resultater: Total avkastning på over 500 siden 1. januar 2007 CAGR på over 26 Maksimal uttelling på bare 13,2 Sharpe-forhold på 1,51 Linearitet av 8,1 vekstforhold på 3,11. Disse to siste verdiene er egendefinerte beregninger som denne forfatteren har brukt til å evaluere backtestene for handelssystemer. Kurven til ETFs Vector Grader nettstedet foreslår å handle følgende ETFer i en månedlig rotasjonsstrategi: IWM. iShares Russell 2000 ETF (small cap amerikanske aksjer) IVV. iShares SampP 500 store cap amerikanske aksjer) EFA. iShares MSCI EAFE Indeks (internasjonale aksjer) ICF. iShares Cohen amp Steers Realty Majors (eiendomsmegling) DBC. PowerShares DB Commodity (varer) VWO. Vanguard FTSE Emerging Markets (fremvoksende markeder) IAU. iShares Gold Trust (gull) TLT. iShares 20 Treasury (lange amerikanske obligasjoner) SHY. IShares 1-3 årskassen (korte obligasjoner) For testene beskrevet i denne artikkelen ble de utbyttejusterte prisdataene for alle disse ETFene lastet ned via Yahoo Finance i et Excel-regneark. For enkelhet ble månedlige priser brukt. Problemet med mangfold Det første som forfatteren undersøkte var gjennomsnittlig årlig standardavvik for prisene på disse ETFene. Denne verdien varierte mye som vist i tabellen under: En rotasjonsstrategi for å generere kjøpssignaler blant disse ETFene ville ha problemer med å regne for det brede spekteret av volatiliteter. Hva som kan virke som en stor pris swing for IVV eller TLT kan ikke være uvanlig for ICF eller VWO. Med andre ord er det vanskelig å lage et sett med regler som gjelder for alle ETFene i kurven for å generere pålitelige rotasjonssignaler. Volatilitetskompensasjon til redning Volatiliteten til de underliggende ETFene kan og bør kompenseres for. En enkel algoritme ble utviklet av forfatteren. Gjennomsnittlig årlig standardavvik for hver ETF (ETF-volatilitet) ble beregnet. ETF-volatilitetene ble samlet i gjennomsnitt for å gi en total volatilitet. Ved å dele den totale volatiliteten ved ETF-volatiliteten i hver ETF, ble en respektive volatilitetskompensasjonsfaktor beregnet for hver ETF. For eksempel var volatiliteten til IWM bestemt til å være 20,88 i backtestperioden. Gjennomsnittet av alle volatiliteter av alle ETFs (unntatt SHY) var 21,38. Dermed var IWMs volatilitetskompensasjonsfaktor 21,38 20,88 1,02. Faktoren for ICF var 0,71, noe som gjenspeiler volatiliteten høyere enn gjennomsnittet, og faktoren for TLT var 1,48, noe som gjenspeiler den lavere volatiliteten enn gjennomsnittet. SHY ble ekskludert fra kompensasjonen fordi den er ment å virke som en kontantstopp og ikke en del av rotasjonen. Bruke volatilitetskompensasjonsfaktoren i et rotasjonssystem Forfatterens ETF-rotasjonssystemer har vært basert på å kjøpe ETF som har den beste prisytelsen over en viss tidsperiode. Forfatterens siste artikkel diskuterer en 85-dagers tilbakekallingsperiode. En av forfatterens blogginnlegg drøfter en tre måneders tilbakekallingsperiode. I det foreslåtte systemet i denne artikkelen beregnet forfatteren 1 måneders, 3 måneders og 6 måneders prisutvikling, samt en 6 måneders volatilitet, og vektet hver av disse for å generere en total rangering for hver ETF. Forfatteren anvendte deretter en scenarioanalyse, diskutert nedenfor, for å bestemme hvor mye hver av disse fire faktorene skal vektes ved beregning av total rangering. Ved beregning av ytelsesverdiene var forfatteren avhengig av den naturlige logaritmen for prisutvikling. For eksempel var 1 måneders prisutvikling den naturlige loggen i forholdet mellom denne månedsprisen til siste månedspris. 3 måneders ytelse var summen av 1 måneders loggforestillinger for de tre foregående månedene. På samme måte var 6 måneders ytelse summen av 1 måneders loggforestillinger i løpet av de foregående 6 månedene. Til slutt var 6 måneders volatilitet standardavviket for de foregående 6 månedene med 1 måneders loggytelse. Volatilitetskompensasjonsfaktorene kommer til spill ved å justere 1-måneders loggforestillinger. Forfatteren multipliserte hver enkelt 1-måneders loggprestasjon for hver ETF med den respektive volatilitetskompensasjonsfaktoren. Resultatet var at volatiliteten til de kompenserte 1-måneders loggprestasjonene av alle ETFene var den samme. For eksempel, i desember 2006 var 1-måneders loggresultatet av VWO -0,00937. Volatilitetskompensasjonsfaktoren for VWO var 0,81 på grunn av den høyere volatiliteten. 1 måneders loggytelse ble multiplisert med denne verdien for å redusere den til -0,00758, og effektivt redusere volatiliteten til gjennomsnittet. Når 1 måneders loggprestasjoner av alle ETFene er justert på denne måten, viser de alle nøyaktig samme volatilitet. Ved hjelp av kompenserte data, kan nå en egnet rotasjonsstrategi bli anvendt. Systemets anvendelse på kompenserte data Systemet fastsatte volatilitetskompensert 1 måneders, 3 måneders og 6 måneders ytelse, samt 6 måneders volatilitet, for hver ETF. Hver av disse parameterne ble rangert 1 til 9 ved hjelp av Excel RANK-funksjonen. Disse rangeringene ble vektet og lagt til for å komme til en endelig rang som følger: Vekt1 1-måneders ytelsesrangering Vekt2 3-måneders ytelsesranger Vekt3 6-måneders ytelsesrangering Vekt4 6 måneders volatilitetsranger Total rangering. Topprangerte ETF ble kjøpt og holdt i en måned. På slutten av måneden ble verdiene omberegnet og et nytt signal gitt. Fra 90 måneder ble signalet det samme 44 ganger. Nine ganger var det et slips for topp ETF i de tilfellene, ble like dollarandeler av begge ETFene kjøpt. Scenarioanalyse: resultatene Vektene som skal gis til hver av de fire ytelsesparametrene (1 måneders, 3 måneders, 6 måneders ytelse og 6 måneders volatilitet) skapte et 4-dimensjonalt problem i optimalisering. I stedet for å forsøke å optimalisere systemet til maksimal avkastning, søkte forfatteren å prøve flere enkle scenarier og se hva som skjedde. Forfatteren så etter tre ting: jeg har høy avkastning, ii lav risiko og iii prinsippert ytelse på tvers av parametere. Hvis bare ett lite sett av vekter ga et godt system, ville det være tvilsomt at systemet ville fortsette å gjøre det i fremtiden. Hvis systemet imidlertid fungerte bra over et stort utvalg av vekter, ville det øke sannsynligheten for at systemet skulle fortsette å utføre i fremtiden. Nedenfor er resultatene av scenariene fra flere forskjellige vekter: Scenarietesting av forfatterens rotasjonsstrategi Merk at systemutnyttelsen var enda mindre enn TLT lang obligasjons ETF. Nedenfor er systemytelsen basert på forfatterens analyse som er avbildet på en loggskala sammenlignet med en ideell vekstkurve. Systemet klemmer den ideelle kurven tett og viser konsistent retur året over år. Forfatterens tilpassede parametere for linearitet og vekstforhold forsøker å kvantifisere hvor langt systemets egenkapitalkurve avviker fra en perfekt eksponensiell (sammensatt) vekstkurve. 8.38 lineariteten er rotenes gjennomsnittlige firkant av forskjellen mellom disse to kurver og er bemerkelsesverdig lav sammenlignet med andre systemer som denne forfatteren har testet. Vekstforholdet er CAGR dividert med lineariteten. Dette er over 3, noe som også er bemerkelsesverdig høyt. En mangfoldig kurv av ETFer kan brukes i en rotasjonsstrategi dersom strategien kompenserer for variansen i volatiliteten. Strategien som ble diskutert ovenfor ga høy avkastning med lav risiko over backtestperioden. Dataene for disse ETFene var begrenset til slutten av 2006 og resulterte i en relativt kort backtesttid på bare syv år. Dette etterlater noe spørsmål om robustheten til dette systemet over tid. Forfatteren kan undersøke om tilsvarende verdipapirfond eksisterer med data i 1990-tallet for videre testing av et variert, volatilitetskompensert ETF-rotasjonssystem. Opplysning: Jeg er lang SSO. Jeg skrev denne artikkelen selv, og det uttrykker mine egne meninger. Jeg mottar ikke kompensasjon for det (annet enn fra Seeking Alpha). Jeg har ingen forretningsforbindelser med et selskap hvis lager er nevnt i denne artikkelen. Om denne artikkelen: Forbedre den enkle ETF-rotasjonshandelsmodellen I siste uke8217s artikkel kalt 8220Backtesting A Basic ETF-rotasjonssystem i Excel Free Download 8220 presenterte Dan en enkel rotasjonshandelsmodell som alle kunne implementere gitt litt kunnskap i Excel. Det jeg elsker om handelsmodeller som dette er enkelheten. Så ofte enkelhetskomplikasjoner. Enkle systemer har ofte en viktig egenskap. De får deg ofte ut av markedet under bjørnmarkeder og får deg tilbake til å sykle neste syklus. Det vil si hvis du er disiplinert nok til å faktisk følge reglene, som selvsagt er et helt annet emne. Var den presenterte handelsmodellen perfekt Selvfølgelig ikke. Ser på egenkapitalkurven it8217s ikke veldig glatt. It8217s personlig ikke noe jeg ville handle. Men jeg håper artikkelen ga deg noen ideer om hva som er mulig med bare å bruke Excel. På dette punktet vil jeg gjerne se om vi kan gjøre noen forbedringer i handelsmodellen. I stedet for å bruke Excel I8217m kommer til å bruke on-line backtesting-tjenesten kalt ETFRspill. Denne webtjenesten lar deg lage handelsmodeller og teste dem på en portefølje av ETFer. Nettstedet belaster en månedlig avgift for å bruke sin tjeneste, men det er veldig rimelig. Det vil bli mye raskere for meg å teste endringene mine ved hjelp av denne tjenesten enn å bruke Excel. Dette er den samme tjenesten I8217ve som brukes når du lager Ivy-10-porteføljen. Først vil jeg gjenskape Dan8217s opprinnelige portefølje ved å bruke ETFReplay for å se om vi får lignende resultater. Som en påminnelse er nedenfor den opprinnelige egenkapitalkurven fra artikkelen. Handelsmodellen er den blå aksjelinjen. Baseline Excel-basert modell (Blue Line) Nedenfor er resultatene av samme modell opprettet i ETFRspill. Den grønne aksjelinjen er vår handelsmodell, mens den blå linjen er SPY (baseline). ETFRspillbasert modell (grønn linje) Som du kan se, ser egenkapital linjene ut svært lik. ETFReplay-versjonen slutter høyere på grunn av at mitt backtest løp gjennom hele 2014. Dette gir meg tillit til at Excel-modellen og ETF-modellen er identiske i handelslogikken. Opprette grunnlinjen Jeg vil bruke ETFReplay-resultatene som vår grunnlinje for å sammenligne våre fremtidige resultater. For å gjøre dette, trenger vi et in-sample datasegment for å teste på. Disse datoene vil være gjennom året 2012. Dette gir oss litt mer enn 100 handler for vårt in-sample datasegment. Våre baseline resultater er nedenfor. I Eksempel Baseline 8211 Klikk for å forstørre i Eksempel Baseline Resultater 8211 Klikk for å forstørre Modifikasjon 1: Diversifisering og Trend Filter Når jeg ser på drawdownen (31.4) og se egenkapitalkurven til den opprinnelige modellen, kan vi se it8217s ikke veldig glatt. Det er store svinger. Ta en titt på den store tittelen i 2011 som faller dramatisk. Jeg vil gjerne glatte det ut. For å gjøre dette, vil I8217m bruke noen ideer fra Ivy-10 rotasjonsmodellen. For det første, i stedet for å bare handle bare topprangerte ETF I8217m kommer til å plukke de to øverste. Dette vil gi litt diversifisering ettersom våre avkastninger vunnet8217t være basert på en enkelt ETF. Deretter kommer I8217m til å legge til et 5 måneders enkelt glidende gjennomsnittlig (SMA) filter. Dette er den samme filterlengden som brukes i Ivy-10. Ved å legge til dette SMA-filteret, tvinges handelsmodellen til å bare kjøpe en ETF når it8217s opplever et oksemarked. For vår backtest vil ETF SHY bli kjøpt hvis en topprangerte ETF can8217t blir kjøpt fordi it8217s er under SMA-filteret. SHY er Barclays Low Duration Treasury ETF. Dette vil være vår kontantekvivalent. I sammendraget endrer vi disse to innstillingene: Kjøper de to øverste ETF-ene Kjøper bare når en ETF handler over dens 5 måneders enkle glidende gjennomsnitt. Nedenfor er resultatene når vi legger til to endringer. I prøveendring 1 8211 Klikk for å forstørre i prøveendring 1 Resultat 8211 Klikk for å forstørre Dette er en stor forbedring ettersom vi merkbart svekker egenkapitalkurven. Vi kan se dette i nedtellingen som gikk fra 31 til bare 17. Merk at årlig avkastning også økte fra 13 til 16. Det er en annen endring jeg vil gjerne gjøre. Modifikasjon 2: Justering av rangeringsklassen Rangeringskursen er metoden vi bruker til å rangere ytelsen til hver ETF for å avgjøre hvilken som er best mulig. Basissystemet beregner bare 5 måneders retur. I tidligere studier har I8217ve funnet at bruk av både kortsiktig periode og en lengre periode kan bidra til å forbedre systemets generelle ytelse. Således vil jeg utvide rangeringsmetoden ved å se på både en 3 måneders avkastning (1 kvartal) og en 20-dagers (1 handelsmåned) retur. Jeg tar bare gjennomsnittet av disse to verdiene for å generere en rangeringskurs. Ved å bruke denne enkle endringen produseres følgende resultater på vårt in-sample datasegment. I prøveendring 2 8211 Klikk for å forstørre i prøveendring 2 Resultater 8211 Klikk for å forstørre Dette gir en økning på ca 1 i årlig avkastning, men gjør ingenting for å endre maksimal nedtelling. Utenfor utvalgsresultater Let8217s gjelder nå vår nye modell for våre resultater utenfor prøven. Resultatene utenfor prøven slutter 31. desember 2014. Det ser ut som om vi lager nye aksjer. For årene 2013 og 2014 returnerte handelsmodellen årlig avkastning på henholdsvis 12,9 og 4,4. Vi kan se vår endelige CAGR er 15,9 og vår maksimale drawdown er fortsatt på 17,6. Konklusjon Med noen få mindre endringer ser det ut til at vi kan forbedre denne handelsmodellen til et punkt der det faktisk kan omsettes med ekte penger. På dette punktet føler jeg ikke at det er nok handler i segmentet utenfor prøven. Vær oppmerksom på at våre resultater i prøven besto av 170, og vår ut-av-prøve-runde hadde totalt 202 bransjer. Dette betyr at vi kun har rundt 32 bransjer i dataområdet utenom prøven. Det ville være fint å ha flere handler logget, og det betyr at vi sitter stramt og ser på denne modellen i minst et år. Om forfatteren Jeff Swanson Jeff er grunnleggeren av System Trader Success - et inBox-magasin dedikert til å dele gode ideer og konsepter fra en verden av automatiserte handelssystemer. Les mer Google
No comments:
Post a Comment