Výběr AOS modelu pro trendové obchodování

Pro aplikaci trendového způsobu obchodování můžeme využít více metod. Často je náročné určit, kerý model je ten správný, nicméně existují jistá vodítka vycházející z charakteru datové řady a podobně. Se zajímavou prací přišli nedávno Valeriy Zakamulin a Javier Giner: Trend Following with Momentum Versus Moving Average: A Tale ofDifferences

V ní zkoumají dvě základní metody dlouhodobého trendového obchodování (trendfollowigu): momenta (cena aktiva je vyšší/ nižší než za look-back parametr délky dané periody) a klouzavých průměrů (cena vyšší/ nižší než průměr nebo aplikace křížení cenových průměrů).

Korelace abou přístupů je, ja by se dalo očekávat, velice vysoká při silných trendech. Avšak robustnost jim vychází větší u metody klouzavých průměrů s ohledem na změny look-back parametrů (délky zvolených průměrů). To znamená, že v případech nejistoty trendového vývoje je výhodnější použít klouzavé průměry. Korelace mezi dvěma různýmim modely kouzavých průměru bude vyšší a stabilnější než u dvou modelů momenta s odlišnými look-back parametry. Pohlédněme na komparaci vývoje korelací v rámci uvedených modelů graficky:

Jak jsem již uvedl výše, výběr modelu závisí kromě jiného na charakteristice cenového vývoje datové řady a v praxi zkoumáme autokorelaci cenových výnosů daného aktiva v čase.

Je nutné si uvědomit, že časová řada výnosů má oproti jednoduché cenové řadě stacionární charakter a tudíž má tendenci se vracet k určitému fixnímu dlouhodobému historickému průměru. To zda má pak také cena obvykle tendenci se vracet k jistému průměru nebo pokračovat v růstové fázi lze vyjádřit dle statistiky sériové autokorelace výnosů. Pakliže pozitivní, tak jednoduše řečeno, minulé výnosy v poslední době mají sklon být následovány pozitivními výnosy nyní (negativní výnosy pak následovány negativními). Negativní sériová autokorelace pak znamená situaci, kdy pozitivní výnosy mají tendenci být následovány negativními a naopak, čímž dochází k návratu k jistému průměru.

Matematicky lze koeficient sériové autokorelace vyjádřit pro k-zpoždění výnosů v minulosti, které zkoumáme, zda korelují se stávajícími výnosy, následovně:

Pakliže existuje stabilní a silnější pozitivní autokorelace, pak momentum modely budou obecně vykazovat lepší predikční schopnosti cenového vývoje. Naopak při poklesu této statistiky je výhodné aplikovat modely klouzavých průměrů.

Z mé praxe pak v segmentu AOS, o strategiích, které jsou v praxi historicky úspěšné a které ne, pak dle mých zkušeností s téměř tisíci trading systémy mnoha developerů, pak více například zde: https://www.systemtradingunleashed.com/

Jaké jsou další trendové modely a jakým způsobem tyto aplikuji při mém osobním obchodování na akciovém trhu za pomocí opčních kontraktů? Plus mnoho dalších přístupů a rad různých zkušených obchodníků bude pak možno získat na Trading foru v Praze 9.11.: https://www.tradingforum.cz/

Upozornění:  Nejedná se o investiční doporučení, článek má jen a pouze vzdělávací charakter. Obchodování instrumentů ať již burzovních nebo mimoburzovních s sebou nese potenciální velké riziko, nejen výnos a není vhodné pro každého.  Rozhodnutí obchodovat je odpovědností každého jednotlivce a jedině on/ ona sám(a) nese za svá rozhodnutí plnou odpovědnost. Nikdy se nepouštějte do obchodů, jejichž podstatě plně nerozumíte. Minulé výnosy nejsou garancí výnosů budoucích.