Stress Testing Qu'est-ce que Stress Testing Stress test est une technique de simulation souvent utilisée dans le secteur bancaire. Il est également utilisé sur les portefeuilles d'actifs et de passifs afin de déterminer leurs réactions face à différentes situations financières. En outre, des tests de stress sont utilisés pour évaluer la façon dont certains facteurs de stress affectera une entreprise, l'industrie ou un portefeuille spécifique. Les tests de stress sont généralement des modèles de simulation générés par ordinateur qui testent des scénarios hypothétiques cependant, une méthodologie de test de stress hautement personnalisée est également souvent utilisée. BREAKING DOWN Stress Testing Les tests de stress sont une méthode utile pour déterminer comment un portefeuille se passera pendant une période de crise financière. Les tests de stress sont le plus couramment utilisés par les professionnels de la finance pour les rapports réglementaires et aussi pour la gestion du risque du portefeuille. Essais de stress réglementaire À la suite de la crise financière de 2008, les rapports réglementaires pour le secteur financier et plus particulièrement les banques ont été considérablement élargis en mettant davantage l'accent sur les tests de résistance et l'adéquation des fonds propres, principalement grâce à la loi Dodd-Frank de 2010. À partir de 2011, de nouvelles réglementations aux États-Unis ont exigé la soumission de la documentation d'analyse et d'examen approfondis du capital (CCAR) pour le secteur bancaire. La documentation de la CCAR exige que les banques rendent compte de leurs procédures internes de gestion du capital et que les banques soient tenues d'inclure divers scénarios de stress testés. En plus des rapports du CCAR, les banques d'importance systémique aux États-Unis jugées trop importantes pour échouer par le Conseil de stabilité financière, généralement celles qui ont plus de 50 milliards d'actifs, doivent fournir des rapports testés sur le stress lors de la planification d'un scénario de faillite. Dans les rapports gouvernementaux le plus récent examen de ces banques en 2016, il y avait huit trop grand pour échouer les banques systémiquement importantes. Actuellement, BASEL III est également en vigueur pour les banques mondiales. Il s'agit d'un test de stress à l'échelle mondiale qui requiert une documentation sur les niveaux de capital des banques avec des exigences spécifiques pour les tests de stress de divers scénarios de crise. Tests de stress pour la gestion des risques Dans la gestion du portefeuille de placements, les tests de stress sont également couramment utilisés pour déterminer le risque du portefeuille et établir des stratégies de couverture pour atténuer les pertes. Les gestionnaires de portefeuille utilisent des programmes internes de test de stress exclusif pour gérer et tester leurs portefeuilles contre les événements de marché et les événements potentiels. Les tests de résistance à l'actif et au passif sont également largement utilisés dans la gestion des affaires et des investissements. Des tests de résistance à l'actif et au passif peuvent être utilisés par les entreprises pour assurer des contrôles et des procédures internes appropriés. Les portefeuilles de retraite et d'assurance utilisent également beaucoup de tests de stress pour assurer des flux efficaces de flux de trésorerie et des niveaux de paiement. Types de tests de stress L'utilisation de la simulation de Monte Carlo est l'une des méthodes les plus connues de tests de stress. Ce type de test de stress peut être utilisé pour modéliser les probabilités de divers résultats en fonction de variables spécifiques. Les facteurs considérés dans la simulation de Monte Carlo incluent souvent diverses variables économiques. Les entreprises peuvent également se tourner vers la gestion des risques gérés par des professionnels et les fournisseurs de logiciels pour les différents types de tests de stress. Moodys Analytics est un exemple d'un programme de test de stress externalisé qui peut être utilisé pour le stress stress testing. Backtesting Qu'est-ce que Backtesting Backtesting est le processus de test d'une stratégie commerciale sur les données historiques pertinentes pour assurer sa viabilité avant que le commerçant risque tout capital réel. Un commerçant peut simuler la négociation d'une stratégie sur une période appropriée de temps et d'analyser les résultats pour les niveaux de rentabilité et de risque. RISQUE DE RETRAIT Backtesting Si les résultats répondent aux critères nécessaires et acceptables pour le trader, la stratégie peut alors être mise en œuvre avec un certain degré de confiance qu'elle entraînera des profits. Si les résultats sont moins favorables, la stratégie peut être modifiée, ajustée et optimisée pour atteindre les résultats souhaités, ou elle peut être complètement abandonnée. Une quantité significative du volume négocié dans le marché financier d'aujourd'hui est fait par les commerçants qui utilisent une sorte d'automatisation informatique. Cela est particulièrement vrai pour les stratégies commerciales basées sur l'analyse technique. Backtesting est une partie intégrante du développement d'un système automatisé de trading. Backtesting significatif Lorsque fait correctement, backtesting peut être un outil précieux pour prendre des décisions sur l'opportunité d'utiliser une stratégie commerciale. La période d'échantillonnage sur laquelle un backtest est effectué est critique. La durée de la période d'échantillonnage devrait être suffisamment longue pour inclure des périodes de conditions de marché variées, y compris les tendances haussières, les tendances à la baisse et les opérations à couverture limitée. La réalisation d'un test sur un seul type de condition de marché peut donner des résultats uniques qui peuvent ne pas fonctionner correctement dans d'autres conditions du marché, ce qui peut conduire à de fausses conclusions. La taille de l'échantillon dans le nombre de métiers dans les résultats des tests est également cruciale. Si l'échantillon de métiers est trop petit, le test peut ne pas être statistiquement significatif. Un échantillon avec trop de métiers sur une période trop longue peut produire des résultats optimisés dans lequel un nombre écrasant de métiers gagnants se coalisent autour d'une condition de marché spécifique ou tendance qui est favorable pour la stratégie. Cela peut également amener un commerçant à tirer des conclusions trompeuses. Keeping it Real Un backtest devrait refléter la réalité dans la mesure du possible. Les coûts de négociation qui pourraient autrement être considérés comme négligeables par les négociants lorsqu'ils sont analysés individuellement peuvent avoir un impact significatif lorsque le coût global est calculé sur toute la période de contre-test. Ces coûts comprennent les commissions, les écarts et le glissement, et ils pourraient déterminer la différence entre une stratégie de négociation est rentable ou non. La plupart des logiciels de backtesting incluent des méthodes pour tenir compte de ces coûts. Peut-être la métrique la plus importante associée à backtesting est le niveau strategys de robustesse. Ceci est réalisé en comparant les résultats d'un test de retour optimisé dans une période de temps d'échantillon spécifique (appelée dans l'échantillon) avec les résultats d'un backtest avec la même stratégie et les mêmes paramètres dans une période de temps d'échantillonnage différente (appelée out - D'échantillon). Si les résultats sont également rentables, alors la stratégie peut être considérée comme valide et robuste, et elle est prête à être mise en œuvre sur les marchés en temps réel. Si la stratégie échoue dans les comparaisons hors de l'échantillon, alors la stratégie a besoin d'un développement ultérieur, ou il devrait être abandonné tout à fait. Stress Testing Systems. Apprendre à propos des simulations de Monte Carlo Lorsque nous développons des systèmes de négociation automatisés orientés vers la production à long terme de capital nous sommes souvent confrontés à une question très simple et redoutable. Comment pouvons-nous nous assurer que nos systèmes resteront rentables à long terme et comment saurons-nous quand nos systèmes ne seront pas rentables? Les réponses à ces questions ne sont pas très faciles et il est certain qu'il n'existe aucune façon de s'assurer que le système reste rentable puisque nous ne savons tout simplement pas l'avenir. Cependant, il existe plusieurs façons dont nous pouvons avoir une idée quand un système cesse de fonctionner, le plus robuste étant l'application de simulations de stress-test à très long terme pour voir quels pourraient être les pires résultats pour le système. Aujourd'hui, je vais vous présenter le monde des simulations de Monte Carlo, une méthode très puissante qui nous permet d'obtenir des estimations précises de ce que pourraient être les résultats possibles de nos stratégies. La simulation de Monte Carlo est un type de procédure de prévision dans laquelle un 8220experiment8221 donné qui dépend d'un facteur de 8220random 8221 est testé un très grand nombre de fois. La meilleure façon d'illustrer la procédure de Monte Carlo est d'imaginer une procédure qui a deux résultats avec une probabilité égale. Imaginez que nous ayons un tirage au sort, 50 chances d'obtenir des têtes et 50 chances d'obtenir des queues. Lorsque vous lancer une pièce de monnaie à plusieurs reprises, il est évident que vous n'obtiendrez pas de têtes-queue-têtes-queue type séquences tout le temps, mais des séquences impliquant tête-tête-tête-queue ou quelque chose de ce genre peut en fait se poser. Une simulation de Monte Carlo effectue simplement des milliers de lancers de pièces de monnaie et vous donne les courses attendues de têtes et de queues vous vous attendriez si vous faisiez ceci à long terme. Nous pouvons dire que les simulations de Monte Carlo nous permettent de voir dans quelle mesure une série donnée de résultats de probabilités aléatoires individuelles peuvent temporairement différer de leur résultat statistique à long terme (ce que nous supposons être certain). Lorsque nous évaluons les systèmes de négociation, cela signifie que nous allons prendre notre pourcentage de gain de système, le bénéfice moyen et la perte moyenne et exécuter une simulation de Monte Carlo d'environ X métiers évalués X fois (par exemple, 100 000 transactions distinctes de 200 métiers). En utilisant ce très grand nombre de métiers, nous serons en mesure de savoir ce que le 8220worst consecutive perdre run8221 et 8220worst tirage8221 de notre stratégie pourrait être donné le hasard statistique des résultats à court terme. Cela nous donne des informations très importantes, car nous savons maintenant ce que pourrait être le comportement de la tortue de notre système avant qu'il ne s'écarte de ses vraies caractéristiques statistiques à long terme. Par exemple, si vous avez un système qui a prévu un maximum de 24 courses consécutives perdantes au sein d'une simulation de Monte Carlo et il atteint finalement 26, alors vous savez que votre système est devenu trop risqué pour être échangé parce qu'il a commencé à dévier de façon spectaculaire de la longue Écarts de Monte-Carlo attendus à terme. Jusqu'à présent, à Asirikuy, nous avons utilisé une règle 8222 unique pour combler nos pires scénarios. Pour les systèmes qui ont un risque de récompense des ratios près de 1: 1 (d'environ 1: 2 à 2: 1) 8220doubling règle 8221 s'aligne assez bien avec des simulations Monte Carlo que le scénario le plus mauvais tirage correspond habituellement à deux fois le maximum d'atterrissage vu à l'arrière - essais. Cela signifie que notre approximation actuelle est certainement bonne, bien que les simulations Monte Carlo nous donnent un raffinement supplémentaire à cet égard. Le nombre de transactions consécutives perdues est très élevé dans les simulations Monte Carlo et en effet un système peut prendre jusqu'à 22-25 pertes consécutives à très long terme, comme le montre ces simulations. (Ci-dessus, les résultats d'un sous-ensemble de 200 échanges d'une simulation commerciale de 100K-200 de Monte Carlo Teycanani EURUSD sont représentés (la ligne verte est la valeur maximale pour le numéro de commerce donné tandis que le rouge est le pic le plus bas pour ce numéro Le 100K s'exécute)). Une observation très intéressante vient quand vous évaluez les systèmes très asymétriques en utilisant ce type de simulation. Des systèmes comme Megadroid 8211 avec des taux de gain très élevés et des ratios de mauvais risque et de récompense 8211 donnent des nombres globaux en Monte Carlo de 7-9 pertes consécutives sur 100 K métiers avec une probabilité très élevée d'avoir au moins 4 métiers perdants consécutifs dans les premiers métiers 10K Et trois pertes consécutives étant presque une certitude chaque 1K métiers. Bien que de telles exécutions sont assez rares, ils se produisent, montrant pourquoi 8211 comme je l'ai dit avant 8211 je garde ma position contre l'utilisation de ce type de systèmes que tout indique au fait qu'ils vont effacer votre compte à plus long terme. Puisque vous ne pouvez pas arrêter de les exécuter avant qu'ils ne (comme vous le savez seulement qu'ils ont cessé de travailler quand ils essuient votre compte), ce sont des stratégies de type tout-ou-rien très instables. Prendre en compte que cela suppose que les simulations de ces systèmes sont fiables, quelque chose de très improbable en raison de leur faible but lucratif cibles, ce qui signifie que les scénarios d'essuyage peut être encore beaucoup plus commun que ce qui est représenté par les simulations discutées ci-dessus. Une partie très importante des simulations de Monte Carlo est de s'assurer que le pire des cas de tirer vers le bas reste dans une petite partie de l'équité de sorte que vous pouvez vous assurer que si un pire cas se produit, vous serez en mesure d'arrêter de négociation du système et passer à d'autres stratégies qui Fonctionnent encore. Dans les systèmes avec des tactiques de négociation sonore et le risque contrôlé c'est toujours le cas que vous pouvez déterminer le système a cessé de travailler régulièrement juste à deux fois le maximum historiques vers le bas vu dans backtests, ce qui signifie que vous pouvez réellement arrêter et changer les systèmes avec un très bon morceau de Vos capitaux propres toujours en place. L'utilisation d'un portefeuille augmente encore vos chances de faire cela comme vous pouvez être en mesure de changer une stratégie perdante sans aucune perte de capital dans le capital que les autres systèmes qui tiennent le compte hors du tirage vers le bas. Comme la probabilité que de nombreux systèmes échouent en même temps est très petite, les chances de simplement 8220fixer les pièces qui échouent8221 deviennent beaucoup plus grandes. Il ya une vérité que nous devons comprendre ici: les systèmes commerciaux peuvent et échouent parfois à mesure que les conditions du marché changent au-delà de leur capacité à s'adapter. L'important est que leurs échecs n'entraînent pas l'effacement des actions, ce qui nous permet de simplement changer les systèmes qui ont cessé de fonctionner pour les nouveaux systèmes qui fonctionnent ou pour les systèmes plus anciens qui continuent à fonctionner correctement. Il ne s'agit pas d'avoir un système qui va durer éternellement (en supposant que ce serait irréaliste), mais d'avoir de nombreux systèmes robustes avec une faible probabilité d'échouer couplée à des critères clairs qui nous permet de savoir chaque fois qu'une stratégie commence à sous-performer afin que Nous pouvons le changer. Les simulations de Monte Carlo nous permettent de faire exactement cela, de développer un critère clair de quand un système pourrait échouer et ce comportement que nous pourrions nous attendre à plus long terme concernant la perte consécutive, les métiers gagnants, etc La semaine prochaine je vais probablement faire une vidéo pour Asirikuy expliquant Comment effectuer des simulations de Monte Carlo et quelles conclusions nous pouvons en tirer sur nos systèmes de trading et leurs bénéfices à long terme et attirer les caractéristiques. Si vous souhaitez en savoir plus sur mon travail et comment vous aussi pouvez utiliser et développer vos propres probables à long terme des systèmes rentables basés sur des tactiques commerciales saines s'il vous plaît envisager de rejoindre Asirikuy. Un site Web rempli de vidéos éducatives, des systèmes de négociation, le développement et une approche saine, honnête et transparente à l'automatisation du commerce en général. J'espère que vous avez apprécié cet article. O) Merci de votre commentaire: o) La ligne verte représente le pic du bénéfice net de ce commerce (par exemple le commerce n ° 2 sur chaque 200 sous-ensemble) sur un 100K 8211 200 simulation de commerce tandis que la ligne rouge représente la perte de pointe pour que Commerce. La ligne bleue représente le dernier sous-ensemble commercial. Vous pourriez prendre les lignes vertes comme 8220best8221 et 8220worst8221 scénarios de cas, respectivement pour chaque échantillon de commerce 200, un 8220envelope8221 qui détermine les limites statistiques à long terme du système8217s pour 8220any8221 200 sous-ensemble de commerce. Bien sûr, je vais expliquer tous ces concepts beaucoup mieux lors de la semaine prochaine8217s vidéos. Merci encore pour votre commentaire: o) PS. J'ai changé le texte un peu pour mieux expliquer ce qui précède: o) Salut Daniel, ok maintenant i8217m très heureux de vous voir avoir parlé de simulation montecarlo. Comme je vous l'ai dit il ya quelques jours, j'utilise cette simulation pour comprendre non seulement qui sont le haut et le bas de mon système, mais aussi d'enquêter sur les 95 (- 2 dev. st de la moyenne) ou 99 (-3dev. st de la moyenne) probabilité des résultats possibles. Donc, dans mon graphique j'ai 4 lignes, comme celles que vous avez dessinées ci-dessus, qui m'aident à comprendre si le comportement de mon système est dans l'intervalle de confiance de 95 ou 99. Un aspect très intéressant de cette technique, c'est que vous pouvez voir Que si vous avez un système avec le facteur profict gt1 (ou en d'autres termes une attente mathématique positive), dans le temps, vous pouvez toujours récupérer d'un DD. Merci beaucoup pour vos messages. I8217m très à l'écoute de vos méthologies sur le commerce. Andrea Merci beaucoup pour ton commentaire: o) Je suis heureux que tu aimes cet article. Les lignes indiquées sont en fait pour un intervalle de confiance de 95 qui, comme vous le dites, couvre 2 écarts-types. Lors de la prochaine semaine de vidéos Asirikuy 8217s je vais couvrir beaucoup de ces concepts aussi enseigner aux membres Asirikuy comment exécuter leurs propres simulations. Il peut également être plausible de commencer une section du site Web dans laquelle nous allons inclure les simulations Monte Carlo des différentes stratégies. Comme vous le mentionnez Monte Carlo simulations sont des outils puissants pour comprendre ce que l'avenir peut tenir si le système reste fidèle à ses caractéristiques statistiques à long terme. Les simulations de Monte Carlo nous permettent de mieux comprendre nos systèmes, ce qui augmente considérablement nos chances de succès. Comme vous le dites, il est également intéressant de constater que 8211 comme un Casino 8211 un système avec un avantage positif gagne toujours, indépendamment des écarts négatifs à court terme8221 découlant du caractère aléatoire des statistiques à court terme. Les simulations Monte Carlo nous indiquent que les résultats à court terme sont aléatoires mais que les statistiques à long terme ne le sont pas: o) J'espère que vous apprécierez mes futurs articles sur les simulations Monte Carlo ainsi que tout le contenu que je développerai pour Asirikuy. Merci beaucoup encore pour votre commentaire 8230 vous aider à évaluer les pires caractéristiques de votre système, alors vous pourriez envisager de lire ce post où j'explique certaines des bases de la procédure de Monte Carlo et comment cela conduit à la 8230
No comments:
Post a Comment