Ahpr อัตราแลกเปลี่ยน

รายงานการทดสอบคุณสามารถดูรายงานโดยละเอียดเกี่ยวกับแท็บผลลัพธ์พารามิเตอร์ต่อไปนี้มีอยู่ในรายงานการทดสอบข้อมูลทางประวัติศาสตร์คุณภาพนี้บ่งบอกถึงคุณภาพของข้อมูลราคาที่ใช้ในการทดสอบซึ่งกำหนดเป็นอัตราส่วนร้อยละที่ถูกต้องและไม่ถูกต้อง นาทีข้อมูลบาร์ที่มีการแพร่กระจายเป็นศูนย์หรือปริมาตรเท่ากับ 1 ที่มีค่า OHLC ต่างกันถือว่าไม่ถูกต้องประวัติความเป็นมาถูกพิจารณาว่าเป็นข้อมูลที่ไม่ถูกต้องขึ้นอยู่กับขนาดระยะเวลาของการทดสอบแบ่งออกเป็นช่วงเวลา 199 ช่วงคุณภาพของประวัติจะถูกกำหนดสำหรับแต่ละช่วง แยกออกจากกันช่วงเวลาแสดงด้วยสีที่แตกต่างกันในตัวบ่งชี้แบบกราฟิกของคุณภาพประวัติสีอ่อนของสีเขียวหมายถึงคุณภาพที่ดีขึ้นสีแดงหมายถึงช่วงเวลาที่มีคุณภาพต่ำกว่า 50 มีจำนวนบาร์ที่สร้างขึ้นสำหรับสัญลักษณ์การทดสอบ ตรวจสอบจำนวนของเห็บที่ทำแบบจำลองในระหว่างการทดสอบระบุจำนวนสัญลักษณ์ซึ่งข้อมูลนี้ได้รับการร้องขอโดยที่ปรึกษาผู้เชี่ยวชาญในระหว่างการทดสอบ ยอดเงินฝากเริ่มต้นสำหรับการทดสอบการถอนเงินจำนวนเงินที่ถอนโดย Expert Advisor ในระหว่างการทดสอบฟิลด์นี้จะไม่ปรากฏหากไม่มีการดำเนินการถอนเงินรวมกำไรสุทธิจากผลการดำเนินงานทั้งหมดกำไรจากการค้าผลรวมของการทำกำไรทั้งหมดใน เงื่อนไขของเงินการสูญเสียผลรวมของการค้าที่สูญเสียทั้งหมดในแง่ของเงินการเบิกเงินสดเพิ่มยอดคงเหลือที่แน่นอนต่ำกว่ามูลค่าเงินฝากเริ่มต้นการเบิกจ่ายเงินดาวน์สูงสุดลดลงมากที่สุดของยอดเงินเทียบกับสูงสุดในท้องถิ่นในสกุลเงินฝากและเป็นเปอร์เซ็นต์ของ เงินฝากเงินเบิกถอนเงินญาติลดลงมากที่สุดของยอดเงินเทียบกับท้องถิ่นสูงสุดของความสมดุลในเปอร์เซ็นต์และมูลค่าเงินที่เหมาะสมการเบิกจ่ายอย่างแท้จริงแอบโซลูทลดลงที่ใหญ่ที่สุดของผู้ถือหุ้นต่ำกว่าการฝากเงินเริ่มต้นการเบี่ยงเบนความถอยถอยมากที่สุดสูงสุดลดลงของส่วนของผู้ถือหุ้นเมื่อเทียบกับ สูงสุดในสกุลเงินฝากและเป็นเปอร์เซ็นต์จากการฝากเงินการเบิกจ่ายเงินหยวนญาติที่ลดลงมากที่สุดของส่วนของผู้ถือหุ้นเมื่อเทียบกับแม่ท้องถิ่น ximum ของส่วนได้เสียในอัตราร้อยละและค่าเงินที่เหมาะสมปัจจัยอัตราส่วนของกำไรขั้นต้นกับการสูญเสียขั้นต้นค่าหนึ่งหมายความว่าพารามิเตอร์เหล่านี้มีค่าเท่ากับปัจจัยการกู้คืนค่าสะท้อนถึงความเสี่ยงของกลยุทธ์คือจำนวนเงิน เสี่ยงชีวิตโดย Expert Advisor ทำกำไรได้คำนวณเป็นอัตราส่วนของกำไรที่ได้รับต่อการเบี่ยงเบนสูงสุดค่าเฉลี่ยของการคำนวณค่าเฉลี่ยของการเปลี่ยนแปลงการค้าในเปอร์เซ็นต์ค่าเฉลี่ยเลขคณิตของการเปลี่ยนแปลงของราคาตลาดต่อการค้าค่าเฉลี่ยเลขคณิตหมายถึงความสามารถในการทำกำไรของ a ระบบการซื้อขายเมื่อเทียบกับค่าเฉลี่ยทางเรขาคณิตถ้าค่าเฉลี่ยทางเรขาคณิตหมายถึงการคูณผลของแต่ละการค้าหมายถึงการคำนวณเพียงผลรวมค่าในเปอร์เซ็นต์จะได้รับในวงเล็บเป็นบวกถ้าระบบการค้าเป็นผลกำไรค่าลบหมายความว่า ระบบสูญหายค่าเฉลี่ยเรขาคณิตของ GHPR ของการเปลี่ยนแปลงการค้าในเปอร์เซ็นต์ค่าเรขาคณิตหมายถึงจำนวนครั้งที่เงินทุนมีการเปลี่ยนแปลงหลังจากการค้าแต่ละครั้งโดยเฉลี่ย การเปลี่ยนแปลงของทุนแบบ lative มักจะมีการประมาณค่าเป้าหมายมากกว่าที่คาดว่าจะได้รับการเปลี่ยนแปลงทุนในเปอร์เซ็นต์จะได้รับในวงเล็บจำนวนลบในวงเล็บหมายความว่าโดยเฉลี่ยทุนจะลดลงในแต่ละการค้า ExpOutected Payoff ค่าที่คำนวณทางสถิติแสดงการกลับมาเฉลี่ยของ หนึ่งข้อตกลงนอกจากนี้ยังถือว่าเป็นการแสดงผลตอบแทนที่คาดว่าจะได้จากการค้าครั้งต่อไปอัตราส่วน Sharpe นี้แสดงให้เห็นถึงประสิทธิภาพและความมั่นคงของกลยุทธ์สะท้อนถึงอัตราส่วนของกำไรเฉลี่ยตามหลักคณิตศาสตร์หมายถึงระยะเวลาการดำรงตำแหน่งต่อค่าเบี่ยงเบนมาตรฐานจากความเสี่ยง อัตราฟรีซึ่งเป็นกำไรที่ได้รับจากธนาคารเงินฝากที่เหมาะสมก็นำมาพิจารณาที่นี่ LR correlation correlation แบบเส้นตรงกราฟความสมดุลคือเส้นขาดซึ่งสามารถประมาณโดยเส้นตรงได้เพื่อหาพิกัดของเส้นตรง line, วิธีกำลังสองน้อยที่สุดผลเป็นเส้นตรงที่เรียกว่าการถดถอยเชิงเส้นและช่วยในการประมาณค่าส่วนเบี่ยงเบนของ b กราฟความสัมพันธ์ระหว่างกราฟความสมดุลและการถดถอยเชิงเส้นช่วยในการประมาณระดับความแปรปรวนของเงินทุนจุดยอดและร่องที่มีความคมชัดน้อยลงบนเส้นโค้งสมดุลที่ใกล้เคียงกับค่าพารามิเตอร์ 1 ค่าใกล้เคียงกับศูนย์หมายถึง ลักษณะสุ่มของการซื้อขาย LR Standard ข้อผิดพลาดข้อผิดพลาดมาตรฐานของการเบี่ยงเบนความสมดุลจากการถดถอยเชิงเส้นดัชนีนี้ใช้ในการประมาณค่าส่วนเบี่ยงเบนของกราฟความสมดุลจากการถดถอยเชิงเส้นในแง่เงินเท่านั้นทำให้เหมาะสมที่จะเปรียบเทียบระบบที่มีเงื่อนไขเริ่มต้นคล้ายกันค่าเดียวกันของ ส่วนของค่าเริ่มต้นยิ่งสูงเท่าไหร่ค่าดังกล่าวจะเบี่ยงเบนไปจากเส้นตรง Margin Level ระดับที่น้อยที่สุดของ Margin ในรูปเปอร์เซ็นต์ที่ลงทะเบียนระหว่างการทดสอบคะแนน Z-Score ทดสอบความน่าจะเป็นของความสัมพันธ์ระหว่างธุรกิจการค้าการทดสอบชุดช่วยในการประมาณระดับของ ความสัมพันธ์ระหว่างธุรกิจการค้าและประเมินว่าประวัติศาสตร์การค้ามีระยะเวลาน้อยกว่าของผลกำไรติดต่อกัน การสูญเสียมากกว่าการแจกแจงปกติหมายถึงความสัมพันธ์ที่ตรวจพบจะช่วยให้สามารถใช้วิธีการจัดการเงินและหรือเปลี่ยนขั้นตอนวิธีการระบบการค้าเพื่อเพิ่มผลกำไรสูงสุดและหรือเพื่อเอาการพึ่งพิงทั้งที่ไม่ใช่การค้นหาความสัมพันธ์ที่แท้จริงและการค้นหาความสัมพันธ์ที่ไม่มีอยู่จริงระหว่างการค้าเป็นสิ่งที่เป็นอันตราย Z score แสดงค่าเบี่ยงเบนจากการแจกแจงปกติใน sigma ค่ามากกว่า 3 แสดงว่าชนะจะตามมาด้วยการสูญเสียที่มีความเป็นไปได้ที่ 3 sigma 99 67 A ค่าต่ำกว่า -3 แสดงว่าชนะจะตามด้วยชนะด้วยความน่าจะเป็น 3 sigma 99 67.OnTester ให้ผลลัพธ์ที่ส่งกลับโดยฟังก์ชัน OnTester ใน Expert Advisor อันเป็นผลมาจากการทดสอบซึ่งสอดคล้องกับเกณฑ์การเพิ่มประสิทธิภาพที่กำหนดเอง Total Sales จำนวนรวมของข้อตกลงการค้าส่งผลให้เกิดการสูญเสียกำไร ข้อเสนอทั้งหมดจำนวนรวมของข้อเสนอการซื้อขายแบบย่อได้รับรางวัลจำนวนการซื้อขายที่ทำกำไรจากการขายเครื่องมือทางการเงินและอัตราร้อยละของการซื้อขายระยะสั้นที่ทำกำไรได้หมวดธุรกิจการค้าจำนวนมากส่งผลให้มีกำไรจากการซื้อเครื่องมือทางการเงินและอัตราร้อยละ ธุรกิจการค้าที่มีกำไรยาวนานกำไรรวมของธุรกิจการค้าที่มีกำไรและเปอร์เซ็นต์ของพวกเขาในธุรกิจการค้ารวมธุรกิจการค้าลดลงของจำนวนเงินทั้งหมดของการสูญเสียการค้าและร้อยละของพวกเขาในธุรกิจการค้าทั้งหมดการค้ากำไรที่ใหญ่ที่สุดกำไรที่ใหญ่ที่สุดของการทำกำไรทั้งหมด trades. Lagest สูญเสียการค้าการสูญเสียที่ใหญ่ที่สุดของการสูญเสียการค้าทั้งหมดการค้ากำไรเฉลี่ยกำไรเฉลี่ยต่อการค้ารวมกำไรหารด้วยจำนวนของการค้าที่ชนะการสูญเสียการค้าค่าการสูญเสียเฉลี่ยต่อการค้ารวมของการสูญเสียหารด้วย จำนวนการสูญเสียการซื้อขายสูงสุดติดต่อกันชนะชุดยาวที่สุดของการชนะการค้าและกำไรรวมขาดทุนสูงสุดต่อเนื่องชุดยาวที่สุดของการสูญเสีย t rades และขาดทุนทั้งหมดของพวกเขากำไรสูงสุดติดต่อกันนับกำไรสูงสุดของชุดของธุรกิจการค้าที่มีกำไรและปริมาณการค้าที่มีกำไรในชุดนี้สูญเสียติดต่อกันสูงสุดนับขาดทุนสูงสุดของชุดของการสูญเสียการค้าและจำนวนการสูญเสียการค้าในนั้น . เฉลี่ยรายได้ชนะการค้าในซีรีส์ที่ทำกำไรได้ขาดทุนเฉลี่ยต่อเนื่องจำนวนเฉลี่ยของการสูญเสียการค้าในการสูญเสียซีรีส์ผลกำไรความสัมพันธ์ MFE ระหว่างผลตอบแทนและ MFE สูงสุด Favorable Excursion ขนาดสูงสุดของกำไรที่อาจเกิดขึ้นในช่วง ตำแหน่งของแต่ละตำแหน่งมีผลกำไรสูงสุดและขาดทุนสูงสุดระหว่างการเปิดและปิด MFE แสดงกำไรในทิศทางที่ดีของราคาแต่ละตำแหน่งมีผลและพารามิเตอร์สองตัวคือ MFE และ MAE Maximum Adverse Excursion ขนาดสูงสุดที่อาจเกิดการสูญเสียเกิดขึ้น ในช่วงชีวิตของตำแหน่งดังนั้นแต่ละตำแหน่งสามารถวาดบนเครื่องบินที่ MFE ถูกวางแผนไปตามแกน X, ผลลัพ ธ ที่กําหนดไวตามผลลัพ ธ แกน Y ที่อยูใกลกับ MFE หมายถึงการใชการเดินทางอยางสมเหตุสมผลมากที่สุดเสนตรงบนกราฟแสดงคาประมาณโดยสมบูรณ Profit A MFE B Correlation Profits MFE สามารถประมาณความสัมพันธระหวางผลขาดทุน ค่า MFE ใกล้เคียงกับ 1 หมายถึงการซื้อขายที่พอดีกับเส้นประมาณค่าใกล้เคียงกับศูนย์หมายถึงความสัมพันธ์ที่อ่อนแอ MFE บ่งบอกความสามารถในการรับรู้กำไรที่อาจเกิดขึ้นความสัมพันธ์ระหว่างผลกำไรความสัมพันธ์ MAE ระหว่างผลลัพธ์และ MAE การเดินทางที่ไม่พึงประสงค์สูงสุดแต่ละตำแหน่งถึงผลกำไรสูงสุดและ การสูญเสียสูงสุดระหว่างการเปิดและปิด MAE แสดงการสูญเสียในระหว่างการเดินทางที่ไม่พึงประสงค์ของราคาแต่ละตำแหน่งมีผลและสองพารามิเตอร์ MFE และ MAE ดังนั้นแต่ละตำแหน่งสามารถวาดบนเครื่องบินที่ MAE ถูกวางแผนไปตามแกน X ผลตอบแทนที่ได้คือ พล็อตตามแกน Y ผลใกล้กับ MAE หมายถึงการป้องกันที่สมบูรณ์แบบที่สุดกับการเดินทางราคาที่ไม่พึงประสงค์เส้นตรงบนกราฟแสดง AP proximation by function กำไร A MAE B ผลกำไรเชิงสัมพันธ์ MAE ช่วยในการประมาณความสัมพันธ์ระหว่างผลขาดทุนกับ MAE ใกล้เคียงกับ 1 หมายความว่าธุรกิจการค้าพอดีกับเส้นประมาณค่าใกล้เคียงกับศูนย์หมายถึง MAE ที่อ่อนแอ MAU อธิบายการเบิกจ่ายในระหว่างตำแหน่ง อายุการใช้งานและลักษณะการใช้งานของ Stop Loss Loss Relative MFE, MAE correlation ระหว่าง MFE กับ MAE แสดงให้เห็นความสัมพันธ์ระหว่างสองแถวของลักษณะเฉพาะค่าที่เหมาะสมคือ 1 - เราใช้กำไรสูงสุดและป้องกันตำแหน่งตลอดอายุการใช้งาน ศูนย์แสดงให้เห็นว่าไม่มีความคล้ายคลึงกันการจับตำแหน่งตำแหน่งที่น้อยที่สุดระยะเวลาต่ำสุดระหว่างการเปิดตำแหน่งและการปิดสมบูรณ์การปิดตำแหน่งอย่างสมบูรณ์คือการกำจัดแบบสมบูรณ์ค่าที่คำนวณได้ไม่ได้คำนึงถึงการปิดบัญชีบางส่วนหรือการกลับตำแหน่งตำแหน่งสูงสุด ถือครองระยะเวลาสูงสุดระหว่างการเปิดตำแหน่งและปิดบัญชีไว้อย่างสมบูรณ์ การถือครองตำแหน่งเวลาเฉลี่ยระหว่างการเปิดตำแหน่งและการปิดบัญชีโดยสิ้นเชิงระหว่างการทดสอบหากมีการดำเนินการถอนเงินใน Expert Advisor ในระหว่างการเพิ่มประสิทธิภาพของการทดสอบอัตราเบิกเงินกู้จะคำนวณโดยคำนึงถึงการดำเนินการเหล่านี้ค่าเบิกถอนที่คำนวณก่อนการเบิกจ่ายจะถูกบันทึกโดย โปรแกรมในระหว่างการถอนเงินการคำนวณของพวกเขาจะเริ่มต้นใหม่บนพื้นฐานของค่าปัจจุบันของความสมดุลและส่วนได้เสียถ้าค่าเบิกใหม่ที่คำนวณได้มากกว่าค่าที่บันทึกไว้ก่อนโปรแกรมจะจดจำค่าใหม่เหล่านี้ดังนั้นค่าเบิกถอนสูงสุดจะรวมอยู่ใน แผนภาพต่อไปนี้แสดงอยู่ในรายงานการทดสอบการทดลองใช้เวลาหลายชั่วโมงแผนภาพนี้แสดงการกระจายการเปิดตลาดการเพิ่มขึ้นและการกลับรายการของตำแหน่งตามชั่วโมงสีของแถบแผนผังทำเครื่องหมายช่วงการซื้อขายเอเชียสีเหลืองยุโรปสีเขียวและ red. Entries อเมริกันโดยวันธรรมดาแผนภาพนี้แสดงการกระจายตัวของการเข้าสู่ตลาด d eals เปิดการเพิ่มขึ้นและการกลับรายการของตำแหน่งตามวันของ week. Entries โดยเดือนแผนภาพนี้แสดงการกระจายตัวของข้อเสนอเข้าสู่ตลาดเปิดเพิ่มขึ้นและการกลับรายการของตำแหน่งโดย month. Profits และการสูญเสียโดยชั่วโมงแผนภาพนี้แสดงการกระจายตัวของตลาด ปิดข้อเสนอปิดการปิดบางส่วนและการกลับรายการตำแหน่งเป็นชั่วโมงสีของแถบแผนผังแสดงสีน้ำเงินที่เป็นผลกำไรและการสูญเสียสีแดงข้อเสนอและขาดทุนโดยวันธรรมดาแผนภาพนี้แสดงการกระจายตัวของการปิดข้อตกลงการปิดตลาดการปิดบางส่วนและการกลับรายการตำแหน่งตาม วันสีสันของแถบแผนภาพแสดงสีน้ำเงินที่เป็นผลกำไรและการสูญเสียสีแดงข้อเสนอและขาดทุนโดยเดือนแผนภาพนี้แสดงการกระจายตัวของการปิดข้อเสนอปิดตลาดปิดบางส่วนและการกลับรายการตำแหน่งเป็นเดือนสีของแถบแผนภาพแสดงผลกำไรสีน้ำเงินและ การสูญเสียข้อเสนอสีแดงตำแหน่งถูกวางแผนเป็นจุดบนกราฟของ MFE ประโยชน์สูงสุด Excursion กำไรของทั้งสองแกนจะได้รับในสกุลเงินฝาก นอกเหนือจากมูลค่ากำไรของแต่ละตำแหน่งรวมถึงการแลกเปลี่ยนตามแนวแกน Y แกนแสดงให้เห็นถึงกำไรสูงสุดในช่วงเวลาการถือครองตำแหน่งช่วยในการประมาณคุณภาพของการป้องกันของกำไรที่ยังไม่เกิดขึ้นจริงของกระดาษแม้ว่าการกระจายจุดตาม กราฟให้ภาพของระบบการซื้อขายการถดถอยเชิงเส้นซึ่งเป็นค่าประมาณโดยสี่เหลี่ยมอย่างน้อยที่สุดจะได้รับการประเมินเป้าหมายอย่างเหมาะสมนึกคิดบรรทัดควรไปที่มุม 45 องศาวางตำแหน่งเป็นพล็อตเป็นจุดบนกราฟของ MAE Maximum นอกเหนือจากมูลค่าผลกำไรของแต่ละตำแหน่งรวมถึงการแลกเปลี่ยนตามแนวแกน Y กราฟแสดงการเบิกจ่ายสูงสุดระหว่างช่วงเวลาการถือครองตำแหน่งซึ่งจะช่วยให้สามารถประมาณการค้าในแง่ของการเบิกเงินกู้ที่เกินวงเงิน แม้ว่าการกระจายจุดตามกราฟจะให้ภาพของระบบการค้าการถดถอยเชิงเส้นซึ่งเป็นค่าประมาณโดยอย่างน้อยที่สุด ares จะได้รับสำหรับการประเมินวัตถุประสงค์น้อยค้ากับค่าลบ X MAE ดีกว่าการวิเคราะห์แบบกราฟิกช่วยในการประมาณขาดทุนสูงสุดทนหลังจากที่ความเป็นไปได้ของการทำกำไรมีขนาดเล็กมากถ้าการวิเคราะห์จะดำเนินการสำหรับคู่สกุลเงินหนึ่งและ ในจุดการจัดตำแหน่งและการกระจายเวลาการจัดตำแหน่งพล็อตที่วางแผนไว้ในกราฟเวลากำไรแสดงตำแหน่งกราฟจะแสดงความสัมพันธ์ระหว่างเวลาการถือครองตำแหน่งกับผลกำไรที่ได้รับจากการปิดมันค่าในแกนเวลาจะได้รับเป็นวินาที, นาทีหรือชั่วโมงขึ้นอยู่กับระดับที่ต้องการกำไรจะแสดงอยู่ในสกุลเงินฝากระยะเวลาการถือครองตำแหน่งคำนวณเป็นเวลาตั้งแต่เปิดจนถึงการปิดบัญชีสมบูรณ์การปิดตำแหน่งเต็มรูปแบบคือการตัดค่าอย่างสมบูรณ์ค่าที่คำนวณได้ไม่ได้คำนึงถึงการปิดบัญชีบางส่วนหรือ ตำแหน่ง reverse. Trader 4 - Trading. Mathematics ในการเทรดดิ้งวิธีการประมาณผลการค้าถ้าฉันจะถูกหลอกโดย randomnes s ดีกว่าจะเป็นชนิดที่สวยงามและไม่เป็นอันตราย Nassim N Taleb คณิตศาสตร์เบื้องต้นเป็นราชินีแห่งวิทยาศาสตร์ระดับหนึ่งของพื้นหลังทางคณิตศาสตร์เป็นสิ่งจำเป็นของผู้ประกอบการค้าใด ๆ และคำชี้แจงนี้ไม่จำเป็นต้องพิสูจน์เรื่องนี้เป็นเพียงวิธีที่เราสามารถกำหนดนี้ ระดับความต้องการต่ำสุดในการเติบโตของประสบการณ์การค้าของเขาหรือเธอพ่อค้ามักจะกว้างมุมมองของตนด้วยมือเดียวอ่านโพสต์ในฟอรั่มหรือหนังสือต่างๆหนังสือบางเล่มต้องการระดับล่างของพื้นหลังทางคณิตศาสตร์ของผู้อ่านบางอย่างในทางที่สร้างแรงบันดาลใจหนึ่งไป การศึกษาหรือแปรงความรู้หนึ่งในด้านวิทยาศาสตร์บริสุทธิ์หรืออื่นเราจะพยายามให้ประมาณการบางและการตีความของพวกเขาในบทความเดียวนี้สองความชั่วร้ายเลือกอย่างน้อยมีนักคณิตศาสตร์มากขึ้นในโลกกว่าผู้ค้าที่ประสบความสำเร็จความเป็นจริงนี้ มักใช้เป็นอาร์กิวเมนต์โดยผู้ที่คัดค้านการคำนวณที่ซับซ้อนหรือวิธีการในการซื้อขายเราสามารถพูดกับมันว่าการซื้อขายไม่ได้เป็นเพียงความสามารถในการพัฒนากฎการซื้อขายการวิเคราะห์ทักษะ แต่ยัง ความสามารถในการปฏิบัติตามระเบียบวินัยเหล่านี้นอกจากนี้ทฤษฎีที่อธิบายถึงการกำหนดราคาในตลาดการเงินยังไม่ได้ถูกสร้างขึ้นโดยเดี๋ยวนี้คิดว่าจะไม่มีวันสร้างขึ้นการสร้างทฤษฎีการค้นพบลักษณะทางคณิตศาสตร์ของตลาดการเงินเองจะหมายถึงความตายของสิ่งเหล่านี้ ตลาดซึ่งเป็น paradox undecidable ในแง่ของปรัชญา แต่ถ้าเราเผชิญคำถามว่าจะไปตลาดด้วยคำอธิบายทางคณิตศาสตร์ไม่น่าพอใจมากของตลาดหรือไม่มีคำอธิบายใด ๆ เลยเราเลือกชั่วร้ายที่สุดเราเลือกวิธีการของ การประมาณค่าของระบบการซื้อขายความผิดปกติของการแจกแจงแบบปกติอะไรคือความผิดปกติของการแจกแจงแบบปกติหนึ่งในความคิดพื้นฐานในทฤษฎีความน่าจะเป็นความคิดของการแจกแจงแบบ Gaussian ปกติมันมีชื่ออย่างไรเช่นนี้กระบวนการทางธรรมชาติจำนวนมากจะกลายเป็นแบบกระจายไปได้อย่างถูกต้องมากที่สุด กระบวนการทางธรรมชาติที่ จำกัด ลดการแจกแจงแบบปกติให้เราพิจารณาตัวอย่างง่ายๆสมมติว่าเรามีการกระจายสม่ำเสมอใน terval จาก 0 ถึง 100 การกระจายแบบสม่ำเสมอหมายถึงความน่าจะเป็นของการลดค่าใด ๆ ในช่วงเวลาและความน่าจะเป็นของ 3 14 Pi ที่จะลดลงจะเท่ากับการตก 77 หมายเลขที่ฉันชอบกับสองสามัคคีคอมพิวเตอร์สมัยใหม่ช่วยในการสร้าง pseudorandom - หมายเลขลำดับเราจะได้รับการกระจายปกติของการกระจายสม่ำเสมอนี้ปรากฎว่าถ้าเราใช้เวลาทุกตัวเลขสุ่มหลายตัวอย่างเช่น 5 หมายเลขของการกระจายที่ไม่ซ้ำกันและหาค่าเฉลี่ยของตัวเลขเหล่านี้เรียกว่าจะใช้ตัวอย่าง ทฤษฎีบทขีด จำกัด กลางบอกว่าเรื่องนี้เกี่ยวข้องกับตัวอย่างไม่เพียง แต่นำมาจากการแจกแจงที่ไม่ซ้ำกัน แต่ยังรวมถึงการแจกแจงอื่น ๆ ที่มีขนาดใหญ่มากเนื่องจากคุณสมบัติของการแจกแจงแบบปกติ ได้รับการศึกษาเป็นอย่างดีก็จะง่ายมากในการวิเคราะห์กระบวนการถ้าพวกเขาจะแสดงเป็นกระบวนการที่มีการกระจายปกติ แต่เห็นคือความเชื่อดังนั้น เราสามารถดูการยืนยันของทฤษฎีบทขีด จำกัด กลางนี้ได้โดยใช้ตัวบ่งชี้ MQL4 ที่เรียบง่ายให้เราเริ่มใช้ตัวบ่งชี้นี้บนแผนภูมิใด ๆ ที่มีค่าตัวอย่าง N จำนวนแตกต่างกันและเห็นว่าการแจกแจงความถี่เชิงประจักษ์จะนุ่มนวลขึ้นและนุ่มนวลขึ้น 1 ตัวบ่งชี้ที่สร้างความปกติ การกระจายตัวของชุดหนึ่งที่นี่ N หมายถึงกี่ครั้งที่เราเอาค่าเฉลี่ยของกอง 5 กระจายสม่ำเสมอในช่วงเวลา 0 ถึง 100 เราได้สี่แผนภูมิที่คล้ายกันมากในลักษณะที่ปรากฏถ้าเราปรับให้เข้ากับพวกเขาอย่างใดที่ขีด จำกัด ที่แนบมากับ ขนาดเดียวเราจะได้รับการแจกแจงแบบปกติหลายประการการบินเพียงอย่างเดียวในครีมนี้คือการกำหนดราคาในตลาดการเงินให้ถูกต้องยิ่งขึ้นการเพิ่มขึ้นของราคาและอนุพันธ์อื่น ๆ ของการเพิ่มทีละขั้นกล่าวโดยทั่วไปจะไม่พอดีกับการกระจายตามปกติ ความน่าจะเป็นของเหตุการณ์ค่อนข้างหายากเช่นราคาลดลง 50 ในตลาดการเงินในขณะที่ต่ำ แต่ยังคงสูงกว่า norma l นี่คือเหตุผลหนึ่งที่ควรจำไว้เมื่อประเมินความเสี่ยงบนพื้นฐานของการแจกแจงแบบปกติ Quantity เปลี่ยนเป็น Quality แม้ตัวอย่างง่ายๆของการแจกแจงแบบจำลองปกตินี้แสดงให้เห็นว่าปริมาณของข้อมูลที่จะประมวลผลนับสำหรับข้อมูลเริ่มต้นมากขึ้นมี ผลลัพธ์ที่แม่นยำและถูกต้องมากที่สุดคือจำนวนที่น้อยที่สุดในกลุ่มตัวอย่างจะต้องเกิน 30 นั่นหมายความว่าถ้าเราต้องการประเมินผลการค้าเช่น Expert Advisor ใน Tester ปริมาณการซื้อขายต่ำกว่า 30 ไม่เพียงพอที่จะทำให้ข้อสรุปที่เชื่อถือได้ทางสถิติเกี่ยวกับพารามิเตอร์บางอย่างของระบบธุรกิจการค้ามากขึ้นเราวิเคราะห์น้อยน่าจะเป็นที่ธุรกิจการค้าเหล่านี้เป็นเพียงแค่ความสุขคว้าองค์ประกอบของระบบการซื้อขายไม่น่าเชื่อถือดังนั้นกำไรสุดท้ายในชุดของการค้า 150 affords พื้นที่มากขึ้นสำหรับการวางระบบลงในบริการกว่าระบบประมาณเพียง 15 trades. Mathematical ความคาดหวังและการกระจายตัวเป็นความเสี่ยงประมาณสองมากที่สุด ลักษณะสำคัญของการแจกแจงคือค่าเฉลี่ยของความคาดหวังทางคณิตศาสตร์และการแพร่กระจายการแจกแจงแบบปกติมาตรฐานมีความคาดหวังทางคณิตศาสตร์เท่ากับศูนย์ในขณะที่ศูนย์กระจายอยู่ที่ศูนย์เช่นกันความเรียบหรือความสูงชันของการกระจายตามปกติเป็นลักษณะการวัดการแพร่กระจายของ ค่าสุ่มในพื้นที่คาดหวังทางคณิตศาสตร์มันคือการกระจายตัวที่แสดงให้เราเห็นถึงวิธีการกระจายค่าเกี่ยวกับความคาดหวังทางคณิตศาสตร์ของค่าสุ่มความคาดหวังทางคณิตศาสตร์สามารถพบได้ในวิธีที่ง่ายมากสำหรับชุดนับได้ค่าการแจกแจงทั้งหมดจะสรุปผลรวมที่ได้รับเป็น หารด้วยจำนวนของค่าตัวอย่างเช่นชุดของจำนวนธรรมชาติเป็นอนันต์ แต่สามารถนับได้เนื่องจากแต่ละค่าสามารถเทียบเคียงได้กับเลขที่ใบสั่งของดัชนีสำหรับชุดที่นับไม่ได้รวมเข้าด้วยกันเพื่อคำนวณความคาดหวังทางคณิตศาสตร์ของชุดการค้าเรา จะสรุปผลการค้าทั้งหมดและหารจำนวนที่ได้รับตามปริมาณการซื้อขายมูลค่าที่ได้รับ จะแสดงผลเฉลี่ยที่คาดหวังของแต่ละการค้าหากความคาดหวังทางคณิตศาสตร์เป็นบวกเรากำไรโดยเฉลี่ยหากเป็นลบเราสูญเสียโดยเฉลี่ย Fig 2 แผนภูมิของความหนาแน่นของความน่าจะเป็นของการแจกแจงแบบปกติวัดการแพร่กระจายของการกระจายเป็นผลรวมของ squared เบี่ยงเบนของค่าสุ่มจากความคาดหมายทางคณิตศาสตร์ของมันลักษณะของการกระจายนี้เรียกว่าการกระจายโดยปกติความคาดหวังทางคณิตศาสตร์สำหรับค่ากระจายแบบสุ่มมีชื่อ MX แล้วการกระจายตัวอาจจะอธิบายเป็น DXM XM X 2 รากที่สองของการกระจายมีชื่อเบี่ยงเบนมาตรฐาน หมายถึง sigma เป็นการแจกแจงแบบปกติที่มีความคาดหวังทางคณิตศาสตร์เท่ากับค่าเป็นศูนย์และส่วนเบี่ยงเบนมาตรฐานเท่ากับ 1 ซึ่งเป็นชื่อปกติหรือการแจกแจงแบบเกาส์เซสซึ่งค่าเบี่ยงเบนมาตรฐานสูงกว่าคือมูลค่าการซื้อขายที่เปลี่ยนแปลงมากขึ้นคือ สูงกว่าความเสี่ยงคือถ้าความคาดหวังทางคณิตศาสตร์เป็นบวกกลยุทธ์กำไรและเท่ากับ 100 และถ้า deviatio มาตรฐาน n เท่ากับ 500 เรามีความเสี่ยงเป็นผลรวมซึ่งมีขนาดใหญ่กว่าหลายเท่าเพื่อให้ได้เงินแต่ละดอลล่าร์ตัวอย่างเช่นเรามีผลลัพธ์จาก 30 trades. To เพื่อหาความคาดหวังทางคณิตศาสตร์สำหรับลำดับการค้านี้ให้เราสรุปผลทั้งหมด และหารค่านี้ด้วย 30 เราจะได้ค่าเฉลี่ย MX เท่ากับ 4 26 เพื่อหาค่าส่วนเบี่ยงเบนมาตรฐานให้เราลบค่าเฉลี่ยจากผลการค้าแต่ละรายการหารตารางและหาผลรวมของสี่เหลี่ยมค่าที่ได้จะหารด้วย 29 ปริมาณของการค้าลบหนึ่งดังนั้นเราจะได้รับการกระจายตัว D เท่ากับ 9 353 623 มีรากที่สร้างขึ้นของการกระจายตัวเราได้รับส่วนเบี่ยงเบนมาตรฐาน sigma เท่ากับ 96 71 ข้อมูลการตรวจสอบจะได้รับในตารางด้านล่าง XM X 2 สแควร์ของความแตกต่างสิ่งที่เราได้รับคือความคาดหวังทางคณิตศาสตร์เท่ากับ 4 26 และส่วนเบี่ยงเบนมาตรฐานของ 96 71 ไม่ใช่อัตราส่วนที่ดีที่สุดระหว่างความเสี่ยงและแผนภูมิการค้าเฉลี่ยด้านล่างยืนยันนี้ 3 กราฟยอดดุลสำหรับธุรกิจการค้า ทำฉันค้าแบบสุ่ม Z-Score. The สันนิษฐานเองว่ากำไรที่ได้รับเป็นผลจากชุดของธุรกิจการค้าเป็นเสียงสุ่ม sardonically สำหรับส่วนใหญ่ของ traders มีการใช้จ่ายเป็นจำนวนมากเวลาค้นหาระบบการค้าที่ประสบความสำเร็จและสังเกตว่าระบบ พบว่ามีผลกำไรจริงบางอย่างในระยะเวลาค่อนข้าง จำกัด เวลาพ่อค้าสมมติว่าได้พบวิธีการที่เหมาะสมกับตลาดว่าเขาหรือเธอคิดว่าทั้งหมดนี้เป็นเพียงการสุ่มที่บิตหนาเกินไปโดยเฉพาะอย่างยิ่งสำหรับมือใหม่ ในกรณีนี้การกระจายตามปกติอีกครั้งมาช่วยเรา don t รู้ว่าสิ่งที่จะมีผลการค้าแต่ละครั้งเราสามารถพูดได้ว่าเราทั้งสองได้รับผลกำไร o r ขาดทุนกับขาดทุน - ผลกำไรและขาดทุนในรูปแบบต่างๆสำหรับระบบการซื้อขายที่แตกต่างกันตัวอย่างเช่นหากกำไรที่คาดว่าจะน้อยกว่า 5 เท่าของผลขาดทุนที่คาดว่าจะเกิดขึ้นเมื่อมีการหยุดการขาดทุนก็จะมีเหตุผลที่จะถือว่าธุรกิจการค้าที่ทำกำไรได้ การสูญเสีย - การค้า Z - Score ช่วยให้เราสามารถประมาณการธุรกิจการค้าที่ทำกำไรได้บ่อยเพียงใดจะสลับกันไปกับการสูญเสียคนที่ Z. สำหรับระบบการซื้อขายจะคำนวณโดยสูตรต่อไปนี้ที่ N - ปริมาณการค้าทั้งหมดในชุด R - จำนวนเงินรวมของ ชุดของการทำกำไรและการค้าที่สูญเสีย P 2 WLW - จำนวนเงินทั้งหมดของการค้าที่ทำกำไรได้ในชุด L - จำนวนเงินทั้งหมดของการสูญเสียการค้าในชุดชุดเป็นชุดของ pluses ตามด้วยแต่ละอื่น ๆ เช่น minuses หรือตามมาด้วยกันและกัน ตัวอย่างเช่น - R นับจำนวนของชุดดังกล่าว Fig 4 เปรียบเทียบผลกำไรและขาดทุนสองชุดในรูปที่ 4 ส่วนหนึ่งของลำดับผลกำไรและขาดทุนของที่ปรึกษาผู้เชี่ยวชาญซึ่งเป็นอันดับแรกที่ Automated Trading Championship 2006 จะแสดงเป็น Z-score สีฟ้าของบัญชีการแข่งขันซึ่งมีค่าเท่ากับ -385 ความเป็นไปได้ที่ 99 74 จะได้รับในวงเล็บซึ่งหมายความว่ามีความเป็นไปได้ที่ 99 74 การซื้อขายในบัญชีนี้มีผลบวก การพึ่งพาระหว่างพวกเขา Z - คะแนนเป็นลบกำไรตามมาด้วยกำไรขาดทุนตามมาด้วยการสูญเสียเป็นกรณีนี้บรรดาผู้ที่ดูแชมป์อาจจะจำได้ว่า Roman Rich วางรุ่นของเขาที่ปรึกษาผู้เชี่ยวชาญ MACD ที่เปิดบ่อย สามสายงานที่ทำงานในทิศทางเดียวกันลำดับปกติของค่าบวกและลบของค่าสุ่มในการกระจายปกติจะปรากฏเป็นสีแดงเราจะเห็นว่าลำดับเหล่านี้แตกต่างกันอย่างไรก็ตามเราจะวัดความแตกต่างนี้ได้อย่างไร Z-score ตอบคำถามนี้ ลำดับของผลกำไรและความสูญเสียมีมากหรือน้อยกว่าแถบที่ทำกำไรได้หรือสูญเสียชุดกว่าที่คุณสามารถคาดหวังสำหรับลำดับสุ่มอย่างแท้จริงโดยไม่ต้องพึ่งพาระหว่างการค้าใด ๆ ถ้า Z - คะแนนอยู่ใกล้กับศูนย์ เราไม่สามารถพูดได้ว่าการกระจายการค้าแตกต่างจากการกระจาย Z ปกติของลำดับการซื้อขายอาจแจ้งให้เราทราบเกี่ยวกับการพึ่งพาที่เป็นไปได้ระหว่างการซื้อขายที่ต่อเนื่องตามที่ค่าของ Z ถูกตีความในลักษณะเดียวกับความน่าจะเป็นของการเบี่ยงเบนจากศูนย์ของ ค่าสุ่มกระจายตามมาตรฐานการแจกแจงมาตรฐานปกติ 0, sigma 1 ถ้าความน่าจะเป็นของการกระจายค่าสุ่มแบบปกติที่อยู่ในช่วง 3 เท่ากับ 99 74 การตกของค่านี้นอกช่วงเวลานี้ด้วยความเป็นไปได้เดียวกันกับ 99 74 บอก เราว่าค่าสุ่มนี้ไม่ได้เป็นของการแจกแจงแบบปกตินี้ให้เหตุผลว่าทำไมกฎ 3-sigma ถูกอ่านดังนี้ค่าสุ่มปกติจะเบี่ยงเบนไปจากค่าเฉลี่ยโดยระยะทางไม่เกิน 3 sigma Sign of Z แจ้งให้เราทราบเกี่ยวกับประเภท ของการพึ่งพา Plus หมายความว่าน่าจะเป็นส่วนใหญ่ที่การค้ากำไรจะตามมาด้วยการสูญเสียหนึ่ง Minus บอกว่ากำไรจะตามด้วยกำไรขาดทุนจะตามมาด้วยการสูญเสีย ตารางด้านล่างแสดงให้เห็นถึงประเภทและความน่าจะเป็นของการพึ่งพาระหว่างธุรกิจการค้าเมื่อเทียบกับการกระจายแบบปกติความน่าเชื่อถือของการพึ่งพิงประเภทการพึ่งพิงการพึ่งพาอาศัยกันระหว่างธุรกิจการค้าหมายถึงการที่กำไรจะก่อให้เกิดผลกำไรใหม่ในขณะที่การสูญเสียจะทำให้เกิด การสูญเสียใหม่การพึ่งพาทางลบหมายความว่ากำไรจะตามมาด้วยการสูญเสียในขณะที่การสูญเสียจะตามด้วยกำไรการพึ่งพาที่พบช่วยให้เราสามารถกำหนดขนาดของตำแหน่งที่จะเปิดได้อย่างดีเยี่ยมหรือแม้กระทั่งข้ามบางส่วนของพวกเขาและเปิดเพียงแทบ เพื่อดูลำดับการค้าผลตอบแทนในช่วงระยะเวลาการขาย HPR ในหนังสือของเขาคณิตศาสตร์ของการจัดการเงิน Ralph Vince ใช้ความคิดของการถือครอง HPR ผลตอบแทนระยะเวลาการค้าส่งผลให้กำไร 10 มี HPR 1 0 10 1 10 การค้าส่งผลให้ การสูญเสีย 10 มี HPR 1-0 10 0 90 นอกจากนี้คุณยังสามารถได้รับมูลค่าของ HPR สำหรับการค้าโดยการหารยอดเงินคงเหลือหลังปิดการขาย BalanceClose โดยมูลค่ายอดที่เปิดการค้า B alanceOpen HPR BalanceClose BalanceOpen ดังนั้นการค้าทุกครั้งมีทั้งผลในแง่เงินและผลที่แสดงเป็น HPR ซึ่งจะช่วยให้เราสามารถเปรียบเทียบระบบได้อย่างอิสระกับขนาดของสัญญาซื้อขายหนึ่งของดัชนีที่ใช้ในการเปรียบเทียบดังกล่าวเป็นค่าเฉลี่ยเลขคณิตเฉลี่ย AHPR ถือ เพื่อหา AHPR เราควรสรุป HPRs ทั้งหมดและหารผลตามปริมาณการซื้อขาย Let s พิจารณาการคำนวณเหล่านี้โดยใช้ตัวอย่างข้างต้นของการค้า 30 สมมติว่าเราเริ่มต้นการซื้อขายกับ 500 ในบัญชี Let s ทำใหม่ table. AHPR จะพบเป็นค่าเฉลี่ยเลขคณิตเท่ากับ 1 0217 กล่าวอีกนัยหนึ่งเราได้รับเฉลี่ย 1 0217-1 100 2 17 ในแต่ละการค้าเป็นกรณีนี้ถ้าเราคูณ 2 17 ถึง 30 เราจะเห็นว่า รายได้ควรทำ 65 1 ให้ s คูณจำนวนเงินเริ่มต้นของ 500 โดย 65 1 และได้รับ 325 50 ในขณะเดียวกันกำไรจริงทำให้ 627 71-500 500 100 25 54 ดังนั้นค่าเฉลี่ยเลขคณิตของ HPR ไม่ได้เสมอให้เรา ประมาณระบบอย่างถูกต้องพร้อมปัญญา h ค่าเฉลี่ยเลขคณิต Ralph Vince แนะนำแนวคิดเกี่ยวกับค่าเฉลี่ยทางเรขาคณิตที่เราจะเรียกว่า GHPR geometry hold period return ซึ่งเป็นค่าที่น้อยกว่า AHPR ค่าเฉลี่ยทางเรขาคณิตเป็นปัจจัยการเติบโตต่อเกมและพบได้จากสูตรต่อไปนี้ที่ N - BalanceOpen - สถานะเริ่มต้นของบัญชี BalanceClose - สถานะสุดท้ายของบัญชีระบบที่มี GHPR มากที่สุดจะทำกำไรสูงสุดหากเราซื้อขายบนพื้นฐานของการลงทุนใหม่ GHPR ด้านล่างหมายความว่าระบบจะเสียเงินถ้าเรา การค้าบนพื้นฐานของการลงทุนใหม่ภาพประกอบที่ดีของความแตกต่างระหว่าง AHPR และ GHPR สามารถเป็นประวัติบัญชี sashken เขาเป็นแชมป์ s ผู้นำเป็นเวลานาน AHPR 9 98 ประทับใจ แต่สุดท้าย GHPR -27 68 ทำให้ทุกอย่างเป็นมุมมอง Sharpe อัตราส่วนของประสิทธิภาพการลงทุนมักถูกประมาณในแง่ของการกระจายผลกำไรหนึ่งในดัชนีดังกล่าวคืออัตราส่วน Sharpe ดัชนีนี้แสดงให้เห็นว่า AHPR ลดลงโดยอัตราความเสี่ยงฟรี RFR อีกครั้ง ค่าเบี่ยงเบนมาตรฐาน SD ของลำดับ HPR ค่าของ RFR โดยปกติจะเท่ากับอัตราดอกเบี้ยเงินฝากในธนาคารหรืออัตราดอกเบี้ยภาระผูกพันในการซื้อตั๋วเงินตัวอย่างเช่น AHPR 1 0217, SD HPR 0 17607, RFR 0.where AHPR - อัตราผลตอบแทนการถือครองเฉลี่ย RFR - อัตราความเสี่ยงฟรี SD - ส่วนเบี่ยงเบนมาตรฐาน Sharpe Ratio 1 0217- 1 0 0 17607 0 0217 0 17607 0 1232 สำหรับการแจกแจงแบบปกติมากกว่า 99 ค่าสุ่มอยู่ในช่วง 3 sigma SD เกี่ยวกับ ค่าเฉลี่ย MX ค่าดังกล่าวแสดงให้เห็นว่าค่า Sharpe ratio เกิน 3 ดีมากในรูปที่ 5 ด้านล่างเราจะเห็นได้ว่าถ้าผลการค้ามีการแจกจ่ายตามปกติและ Sharpe Ratio 3 ความน่าจะเป็นของการสูญเสียต่ำกว่า 1 ต่อการค้าตาม 3 กฎกติกาข้อที่ 5 การกระจายผลการค้าปกติที่มีความเป็นไปได้ที่จะสูญเสียน้อยกว่า 1. บัญชีผู้เข้าร่วมการแข่งขัน RobinHood ยืนยันว่า EA ของเขาทำ 26 การค้าได้ที่ Automated Trading Championship 2006 โดยไม่มีการสูญเสียใด ๆ ในหมู่ Sharpe Ratio 3 07 การถดถอยเชิงเส้น LR และค่าสัมประสิทธิ์ของความสัมพันธ์เชิงเส้น CLC นอกจากนี้ยังมีอีกวิธีหนึ่งในการประมาณความมั่นคงของผลการดำเนินงาน Sharpe Ratio ช่วยให้เราประเมินความเสี่ยงของเงินทุนได้ แต่เรายังสามารถประมาณความสมดุลของเส้นโค้งได้ด้วยหากเรากำหนดค่าสมดุลที่ การปิดการซื้อขายแต่ละครั้งเราจะสามารถวาดเส้นหักจุดเหล่านี้สามารถใช้กับเส้นตรงบางเส้นซึ่งจะแสดงให้เห็นถึงทิศทางการเปลี่ยนแปลงเงินทุนโดยเฉลี่ยขอให้เราพิจารณาตัวอย่างของโอกาสนี้โดยใช้กราฟดุลของ Expert Advisor Phoenix4 พัฒนาโดย Hendrick. Fig 6 กราฟยอดคงเหลือของ Hendrick ผู้เข้าร่วมการแข่งขัน 2006 โดยอัตโนมัติ Trading Championship เราต้องหาค่าสัมประสิทธิ์ a และ b ที่บรรทัดนี้ใกล้เคียงกับจุดที่พอดีในกรณีของเรา x คือการค้า จำนวน y คือยอดเงินที่ปิด trade. Copyfficients ของ approximating straight มักจะพบโดยวิธีกำลังสองน้อยที่สุดวิธี LS สมมติว่าเรามีตรงนี้กับสัมประสิทธิ์ที่รู้จักกัน a db สำหรับ x ทุกตัวเรามีค่าสองค่า yxaxb และ balance x ค่าเบี่ยงเบนของค่า x จาก yx จะถูกระบุว่าเป็น dxyx - balance x SSD ผลรวมของค่าความแปรปรวนสองส่วนสามารถคำนวณได้จาก SD Summ การหาค่า LS แบบตรงโดยวิธี LS หมายถึงการค้นหา a และ b that SD is minimal This straight is also named linear regression LR for the given sequence. Fig 7 Balance value deviation from the straight of y ax b. Having obtained coefficients of the straight of yaxb using the LS method, we can estimate the balance value deviation from the found straight in money terms If we calculate the arithmetic average for sequence dx , we will be certain that dx is close to zero to be more exact, it is equal to zero to some calculation accuracy degree At the same time, the SSD of SD is not equal to zero and has a certain limited value The square root of SD N-2 shows the spread of values in the Balance graph about the straight line and allows to estimate trading systems at identical values of the initial state of the account We will call this parameter LR Standard Error. Below are values of this parameter for the first 15 accounts in the Automated Trading Championship 2006.LR Standard Error. However, the degree of approximation of the balance graph to a straight can be measured in both money terms and absolute terms For this, we can use correlation rate Correlation rate, r, measures the degree of correlation between two sequences of numbers Its value may lie within the range of -1 to 1 If r 1, it means that two sequences have identical behavior and the correlation is positive. Fig 8 Positive correlation example. If r -1, the two sequences change in opposition, the correlation is negative. Fig 9 Negative correlation example. If r 0, it means that there is no dependence found between the sequences It should be emphasized that r 0 does not mean that there is no correlation between the sequences, it just says that such a correlation has not been found This must be remembered In our case, we have to compare two sequences of numbers , -.Fig 10 Values of balance and points on linear regression. Below is the table representation of the same data. Let s denote balance values as X and the sequence of points on the straight regression line as Y To calculate the coefficient of linear correlation between sequences X and Y, it is necessary to find mean values M X and M Y first Then we will create a new sequence T X-M X Y-M Y and calculate its mean value as M T cov X, Y M X-M X Y-M Y The found value of cov X, Y is named covariance of X and Y and means mathematical expectation of product X-M X Y-M Y For our example, covariance value is 21 253 775 08 Please note that M X and M Y are equal and have the value of 21 382 26 each It means that the Balance mean value and the average of the fitting straight are equal. where X - Balance Y - linear regression M X - Balance mean value M Y - LR mean value. The only thing that remains to be done is calculation of Sx and Sy To calculate Sx, we will find the sum of values of X-M X 2, i e find the SSD of X from its mean value Remember how we calculated dispersion and the algorithm of LS method As you can see they are all related The found SSD will be divided by the amount of numbers in the sequence - in our case, 36 from zero to 35 - and extract the square root of the resulting value So we have obtained the value of Sx The value of Sy will be calculated in the same way In our example, Sx 5839 098245 and Sy 4610 181675.where N - amount of trades X - Balance Y - linear regression M X - Balance mean value M Y - LR mean value. Now we can find the value of correlation coefficient as r 21 253 775 08 5839 098245 4610 181675 0 789536583 This is below one, but far from zero Thus, we can say that the balance graph correlates with the trend line valued as 0 79 By comparison to other systems, we will gradually learn how to interpret the values of correlation coefficient At page Reports of the Championship, this parameter is named LR correl ation The only difference made to calculate this parameter within the framework of the Championship is that the sign of LR correlation indicates the trade profitability. The matter is that we could calculate the coefficient of correlation between the balance graph and any straight For purposes of the Championship, it was calculated for ascending trend line, hence, if LR correlation is above zero, the trading is profitable If it is below zero, it is losing Sometimes an interesting effect occurs where the account shoes profit, but LR correlation is negative This can mean that trading is losing, anyway An example of such situation can be seen at Aver s The Total Net Profit makes 2 642, whereas LR orrelation is -0 11 There is likely no correlation, in this case It means we just could not judge about the future of the account. MAE and MFE Will Tell Us Much. We are often warned Cut the losses and let profit grow Looking at final trade results, we cannot draw any conclusions about whether protec tive stops Stop Loss are available or whether the profit fixation is effective We only see the position opening date, the closing date and the final result - a profit or a loss This is like judging about a person by his or her birth and death dates Without knowing about floating profits during every trade s life and about all positions as a total, we cannot judge about the nature of the trading system How risky is it How was the profit reached Was the paper profit lost Answers to these questions can be rather well provided by parameters MAE Maximum Adverse Excursion and MFE Maximum Favorable Excursion. Every open position until it is closed continuously experiences profit fluctuations Every trade reached its maximal profit and its maximal loss during the period between its opening and closing MFE shows the maximal price movement in a favorable direction Respectively, MAE shows the maximal price movement in an adverse direction It would be logical to measure both indexes in points Howeve r, if different currency pairs were traded, we will have to express it in money terms. Every closed trade corresponds to its result return and two indexes - MFE and MAE If the trade resulted in profit of 100, MAE reaching - 1000, this does not speak for this trade s best Availability of many trades resulted in profits, but having large negative values of MAE per trade, informs us that the system just sits out losing positions Such trading is fated to failure sooner or later. Similarly, values of MFE can provide some useful information If a position was opened in a right direction, MFE per trade reached 3000, but the trade was then closed resulting in the profit of 500, we can say that it would be good to elaborate the system of unfixed profit protection This may be Trailing Stop that we can move after the price if the latter one moves in a favorable direction If short profits are systematic, the system can be significantly improved MFE will tell us about this. For visual analysis to be mor e convenient, it would be better to use graphical representation of distribution of values of MAE and MFE If we impose each trade into a chart, we will see how the result has been obtained For example, if we have another look into Reports of RobinHood who didn t have any losing trades at all, we will see that each trade had a drawdown MAE from - 120 to - 2500.Fig 11 Trades distribution on the plane of MAExReturns. Besides, we can draw a straight line to fit the Returns x MAE distribution using the LS method In Fig 11, it is shown in red and has a negative slope the straight values decrease when moving from left to right Parameter Correlation Profits, MAE -0 59 allows us to estimate how close to the straight the points are distributed in the chart Negative value shows negative slope of the fitting line. If you look through other Participants accounts, you will see that correlation coefficient is usually positive In the above example, the descending slope of the line says us that it tends to get more and more drawdowns in order not to allow losing trades Now we can understand what price has been paid for the ideal value of parameter LR Correlation 1.Similarly, we can build a graph of distribution of Returns and MFE, as well as find the values of Correlation Profits, MFE 0 77 and Correlation MFE, MAE -0 59 Correlation Profits, MFE is positive and tends to one 0 77 This informs us that the strategy tries not to allow long sittings out floating profits It is more likely that the profit is not allowed to grow enough and trades are closed by Take Profit As you can see, distributions of MAE and MFE give us a visual estimate and values of Correlation Profits, MFE and Correlation Profits, MAE can inform us about the nature of trading, even without charts. Values of Correlation MFE, MAE , Correlation NormalizedProfits, MAE and Correlation NormalizedProfits, MFE in the Championship Participants Reports are given as additional information. Trade Result Normalization. In development o f trading systems, they usually use fixed sizes for positions This allows easier optimization of system parameters in order to find those more optimal on certain criteria However, after the inputs have been found, the logical question occurs What sizing management system Money Management, MM should be applied The size of positions opened relates directly to the amount of money on the account, so it would not be reasonable to trade on the account with 5 000 in the same way as on that with 50 000 Besides, an system can open positions, which are not directly proportional I mean a position opened on the account with 50 000 should not necessarily be 10 times more than that opened on a 5 000 deposit. Position sizes may also vary according to the current market phase, to the results of the latest several trades analysis, and so on So the money-management system applied can essentially change the initial appearance of a trading system How can we then estimate the impact of the applied money-ma nagement system Was it useful or did it just worsen the negative sides of our trading approach How can we compare the trade results on several accounts having the same deposit size at the beginning A possible solution would be normalization of trade results. where TradeProfit - profit per trade in money terms TradeLots - position size lots MinimumLots - minimum allowable position size. Normalization will be realized as follows We will divide each trade s result profit or loss by the position volume and then multiply by the minimum allowable position size For example, order 4399142 BUY 2 3 lots USDJPY was closed with the profit of 4 056 20 118 51 swaps 4 174 71 This example was taken from the account of GODZILLA Nikolay Kositsin Let s divide the result by 2 3 and multiply by 0 1 the minimum allowable position size , and obtain a profit of 4 056 20 2 3 0 1 176 36 and swaps 5 15 these would be results for the order of 0 1-lot size Let us do the same with results of all trades and we will t hen obtain Normalized Profits NP. the first thing we think about is finding values of Correlation NormalizedProfits, MAE and Correlation NormalizedProfits, MFE and comparing them to the initial Correlation Profits, MAE and Correlation Profits, MFE If the difference between parameters is significant, the applied method has likely changed the initial system essentially They say that applying of can kill a profitable system, but it cannot turn a losing system into a profitable one in the Championship, the account of TMR is a rare exception where changing Correlation NormalizedProfits, MFE value from 0 23 to 0 63 allowed the trader to close in black. How Can We Estimate the Strategy s Aggression. We can benefit even more from normalized trades in measuring of how the MM method applied influences the strategy It is obvious that increasing sizes of positions 10 times will cause that the final result will differ from the initial one 10 times And what if we change the trade sizes not by a given number of times, but depending on the current developments Results obtained by trust-managing companies are usually compared to a certain model, usually - to a stock index Beta Coefficient shows by how many times the account deposit changes as compared to the index If we take normalized trades as an index, we will be able to know how much more volatile the results became as compared to the initial system 0 1-lot trades. Thus, first of all, we calculate covariance - cov Profits, NormalizedProfits then we calculate the dispersion of normalized trades naming the sequence of normalized trades as NP For this, we will calculate the mathematical expectation of normalized trades named M NP M NP shows the average trade result for normalized trades Then we will find the SSD of normalized trades from M NP , i e we will sum up NP-M NP 2 The obtained result will be then divided by the amount of trades and name D NP This is the dispersion of normalized trades Let s divide covariance between the syste m under measuring, Profits, and the ideal index, NormalizedProfits cov Profits, NormalizedProfits , by the index dispersion D NP The result will be the parameter value that will allow us to estimate by how many times more volatile the capital is than the results of original trades trades in the Championship as compared to normalized trades This parameter is named Money Compounding in the Reports It shows the trading aggression level to some extent. where Profits - trade results NP - normalized trade results M NP - mean value of normalized trades. The LR Standard error in Winners accounts was not the smallest At the same time, the balance graphs of the most profitable Expert Advisors were rather smooth since the LR Correlation values are not far from 1 0 The Sharpe Ratio lied basically within the range of 0 20 to 0 40 The only EA with extremal Sharpe Ratio 3 07 turned not to have very good values of MAE and MFE. The GHPR per trade is basically located within the range from 1 5 to 3 At that , the Winners did not have the largest values of GHPR, though not the smallest ones Extreme value GHPR 12 77 says us again that there was an abnormality in trading, and we can see that this account experienced the largest fluctuations with LR Standard error 9 208 08.Z-score does not give us any generalizations about the first 15 Championship Participants, but values of Z 2 0 may draw our attention to the trading history in order to understand the nature of dependence between trades on the account Thus, we know that Z -3 85 for Rich s account was practically reached due to simultaneous opening of three positions And how are things with ldamiani s account. Finally, the last column in the above table, Money Compounding, also has a large range of values from 8 to 50, 50 being the maximal value for this Championship since the maximal allowable trade size made 5 0 lots, which is 50 times more than the minimal size of 0 1 lot However, curiously enough, this parameter is not the largest at Winn ers The Top Three s values are 17 27, 28 79 and 16 54 Did not the Winners fully used the maximal allowable position size Yes, they did the matter is, perhaps, that the MM methods did not considerably influence trading risks at general increasing of contract sizes This is a visible evidence of that money management is very important for a trading system. The 15th place was taken by payday The EA of this Participant could not open trades with the size of more than 1 0 lot due to a small error in the code What if this error did not occur and position sizes were in creased 5 times, up to 5 0 lots Would then the profit increase proportionally, from 4 588 90 to 22 944 50 Would the Participant then take the second place or would he experience an irrecoverable DrawDown due to increased risks Would alexgomel be on the first place His EA traded with only 1 0- trades, too Or could vgc win, whose Expert Advisor most frequently opened trades of the size of less than 1 0 lot All three have a good smo oth balance graph As you can see, the Championship s plot continues whereas it was over. Conclusion Don t Throw the Baby Out with the Bathwater. Opinions differ This article gives some very general approaches to estimation of trading strategies One can create many more criteria to estimate trade results Each characteristic taken separately will not provide a full and objective estimate, but taken together they may help us to avoid lopsided approach in this matter. We can say that we can subject to a cross-examination any positive result a profit gained on a sufficient sequence of trades in order to detect negative points in trading This means that all these characteristics do not so much characterize the efficiency of the given trading strategy as inform us about weak points in trading we should pay attention at, without being satisfied with just a positive final result - the net profit gained on the account. Well, we cannot create an ideal trading system, every system has its benefits and implications Estimation test is used in order not to reject a trading approach dogmatically, but to know how to perform further development of trading systems and Expert Advisors In this regard, statistical data accumulated during the Automated Trading Championship 2006 would be a great support for every trader. MetaTrader Expert Advisor. Probability Tools For Better Forex Trading. In order to be successful, forex traders need to know the basic mathematics of probability After all, it s difficult to achieve and maintain trading gains without first having the ability to understand the numbers and measure them. Many traders use a combination of black box indicators to develop and implement trading rules Yet, the difference between a good trader and a great one is his or her understanding of the metrics and methods for calculating performance and gains. Probability and statistics are the key to developing, testing and profiting from forex trading By knowing a few probability tools, it s easie r for traders to set trading goals in mathematical terms, create and operate effective trading strategies, and assess results. It s helpful to review the most basic concepts of probability and statistics for forex trading By understanding the math of probability, you ll know the logic used by mechanical trading systems and expert advisors EA. Normal distribution. The most basic tool of probability in forex trading is the concept of normal distribution Most natural processes are said to be normally distributed. การแจกแจงแบบสม่ำเสมอหมายความว่าความเป็นไปได้ที่จะมีตัวเลขอยู่ที่ใดก็ได้บนความต่อเนื่องเท่ากับเท่ากันนี่คือการแจกจ่ายที่เป็นผลมาจากการแพร่กระจายวัตถุอย่างเท่าเทียมกันเท่าที่เป็นไปได้ทั่วทั้งพื้นที่โดยมีระยะห่างระหว่างกันอย่างสม่ำเสมอ ของการกระจายแบบสม่ำเสมอราคาของสกุลเงินคู่จะมีแนวโน้มที่จะพบได้ภายในบางพื้นที่ในช่วงเวลาหนึ่ง ๆ นี่คือการกระจายตามปกติและเครื่องมือความน่าจะเป็นค่าประมาณของราคาที่น่าจะพบได้การกระจายแบบปกติจะมีอัตราแลกเปลี่ยน ผู้ค้าคาดการณ์อำนาจเกี่ยวกับความเป็นไปได้ที่ราคาคู่สกุลเงินจะถึงระดับหนึ่งในช่วงเวลาหนึ่งที่กำหนดไว้ใช้เครื่องกำเนิดไฟฟ้าแบบสุ่มตัวเลขเพื่อคำนวณค่าเฉลี่ยเฉลี่ยของราคา forex เพื่อพิจารณาการแจกแจงตามปกติหากมีตัวอย่างจำนวนมาก ราคาจะถูกตรวจสอบการแจกแจงแบบปกติจะสร้างรูปร่างของเส้นโค้งระฆังเมื่อกราฟพล็อตมากขึ้นจำนวนตัวอย่าง s เส้นโค้งจะเป็นกฎของค่าเฉลี่ยที่เรียบง่ายจะเป็นประโยชน์ต่อผู้ค้า แต่กฎของการแจกแจงแบบปกติจะมีอำนาจในการคาดการณ์ที่เป็นประโยชน์มากขึ้นตัวอย่างเช่นผู้ค้าอาจคำนวณว่าการย้ายราคาเฉลี่ยต่อวันของคู่ค้า forex คือพูด 50 pips อย่างไรก็ตามการกระจายตามปกติยังบอกให้ผู้ค้าทราบว่าโอกาสที่ราคาในแต่ละวันจะลดลงระหว่าง 30 ถึง 50 จุดหรือระหว่าง 50 ถึง 70 pips ตามกฎการแจกแจงปกติและส่วนเบี่ยงเบนมาตรฐานประมาณ 68 ตัวอย่าง จะพบได้ในส่วนเบี่ยงเบนมาตรฐานหนึ่งของค่าเฉลี่ยเฉลี่ยและประมาณ 95 จะพบได้ภายในสองค่าเบี่ยงเบนมาตรฐานของค่าเฉลี่ยในที่สุดมี 99 7 โอกาสที่ตัวอย่างจะตกอยู่ในสามเบี่ยงเบนมาตรฐานของค่าเฉลี่ยการกระจายทั่วไปและมาตรฐาน ฟังก์ชันการเบี่ยงเบนในที่ปรึกษาผู้เชี่ยวชาญ EA และระบบการซื้อขายช่วยให้ผู้ค้า forex ประเมินความน่าจะเป็นว่าราคาอาจย้ายบางจำนวนในช่วงเวลาที่กำหนดเวลาผู้ค้าควรระมัดระวัง whe n แม้ว่าจะมีความเป็นไปได้ที่จะเกิดเหตุการณ์ที่หาได้ยากเช่นการลดราคา 50 อาจดูเหมือนต่ำปัจจัยทางการตลาดที่คาดไม่ถึงอาจทำให้ความเป็นไปได้สูงกว่าที่ปรากฏในระหว่างการคำนวณการแจกแจงแบบปกติความน่าเชื่อถือ ของการวิเคราะห์ขึ้นอยู่กับปริมาณและคุณภาพของข้อมูลเมื่อการสร้างแบบจำลองเส้นโค้งการแจกแจงปกติปริมาณและคุณภาพของข้อมูลราคานำเข้ามีความสำคัญมากขึ้นจำนวนตัวอย่างที่เรียบเส้นโค้งจะนอกจากนี้เพื่อหลีกเลี่ยงข้อผิดพลาดการคำนวณที่เกิดจากข้อมูลไม่เพียงพอ สิ่งสำคัญคือการคำนวณแต่ละครั้งต้องใช้ตัวเลขตัวอย่างอย่างน้อยสามสิบตัวอย่างดังนั้นในการทดสอบกลยุทธ์การซื้อขายสัญญาซื้อขายล่วงหน้าโดยประมาณผลจากการค้าตัวอย่างผู้พัฒนาระบบต้องวิเคราะห์ธุรกิจการค้าอย่างน้อย 30 อย่างเพื่อให้บรรลุข้อสรุปที่น่าเชื่อถือทางสถิติ ในขณะที่ผลการศึกษาที่ได้จากการซื้อขาย 500 ครั้งมีความน่าเชื่อถือมากกว่าการวิเคราะห์ ly 50 trades. Dispersion และความคาดหวังทางคณิตศาสตร์เพื่อประมาณความเสี่ยงสำหรับ traders forex ลักษณะที่สำคัญที่สุดของการแจกจ่ายเป็นความคาดหวังทางคณิตศาสตร์และการกระจายของคณิตศาสตร์คาดหวังสำหรับชุดของธุรกิจการค้าเป็นเรื่องง่ายในการคำนวณเพียงเพิ่มผลการค้าทั้งหมดและหารที่ จำนวนเงินตามจำนวนเทรดหากระบบการค้ามีกำไรแล้วคาดหวังทางคณิตศาสตร์เป็นบวกหากความคาดหวังทางคณิตศาสตร์เป็นลบระบบจะสูญเสียโดยเฉลี่ยความสูงชันญาติหรือแบนของเส้นโค้งการกระจายจะแสดงโดยการวัดการแพร่กระจายหรือ การกระจายตัวของค่าราคาในพื้นที่ของความคาดหวังทางคณิตศาสตร์โดยปกติแล้วความคาดหวังทางคณิตศาสตร์สำหรับค่าที่กระจายแบบสุ่มใด ๆ จะอธิบายเป็น M X ดังนั้นการกระจายตัวสามารถกำหนดเป็น DXM XM X 2. และรากที่สองของการแพร่กระจายเรียกว่ามาตรฐานของมัน ค่าเบี่ยงเบนแสดงในการจดชวเลขทางคณิตศาสตร์เป็น sigma ความเบี่ยงเบนมาตรฐานและความเบี่ยงเบนเป็นสิ่งสำคัญอย่างยิ่งสำหรับการจัดการความเสี่ยงใน ระบบการซื้อขายอัตราแลกเปลี่ยนมูลค่าของส่วนเบี่ยงเบนมาตรฐานจะสูงกว่าค่าเบี่ยงเบนมาตรฐานจะสูงกว่าการเบิกใช้ที่อาจเกิดขึ้นและความเสี่ยงสูงกว่าเช่นเดียวกันค่าที่ต่ำกว่าสำหรับส่วนเบี่ยงเบนมาตรฐานจะต่ำกว่าค่าเบี่ยงเบนมาตรฐานในขณะที่ซื้อขายระบบตัวอย่างเช่นด้านล่าง คือการประเมินความเสี่ยงตัวอย่างสำหรับการทดสอบระบบซื้อขายแลกเปลี่ยนเงินตรา Trade number X การค้ากำไรหรือขาดทุนในตัวอย่างด้านบนขึ้นอยู่กับจำนวนต่ำสุดของสามสิบการค้าสำหรับตัวอย่างที่เพียงพอเป็นสิ่งสำคัญที่จะต้องทราบว่าความคาดหวังทางคณิตศาสตร์เป็นบวก ดังนั้นกลยุทธ์การซื้อขาย forex เป็นผลกำไรแน่นอนอย่างไรก็ตามค่าเบี่ยงเบนมาตรฐานสูงดังนั้นเพื่อที่จะได้รับเงินดอลลาร์ผู้ประกอบการค้าแต่ละคนมีความเสี่ยงเป็นจำนวนเงินที่มีขนาดใหญ่มากระบบนี้ดำเนินความเสี่ยงอย่างมีนัยสำคัญที่นี่ส่วนที่เหลือของคณิตศาสตร์เพื่อหาทางคณิตศาสตร์ ความคาดหวังสำหรับกลุ่มธุรกิจการค้านี้รวมกันกำไรและขาดทุนจากการค้าทั้งหมดหารด้วย 30 นี่คือค่าเฉลี่ย MX สำหรับธุรกิจการค้าทั้งหมดในกรณีนี้จะเท่ากับกำไรเฉลี่ย 4 26 ต่อการค้า r, ระบบดูแนวโน้มต่อไปในการคำนวณส่วนเบี่ยงเบนมาตรฐานของการกระจายตัวเฉลี่ยข้างต้น 4 26 จะถูกลบออกจากผลของการค้าแต่ละครั้งแล้วก็ s สี่เหลี่ยมและผลรวมของสี่เหลี่ยมทั้งหมดเหล่านี้จะถูกเพิ่มเข้าด้วยกันผลรวมคือ หารด้วย 29 ซึ่งเป็นจำนวนรวมของการค้าลบ 1. โดยใช้สูตรสำหรับการกระจายตัวของ XM XM X 2 ข้างต้นให้ที่นี่ตรวจสอบการคำนวณจากการค้าครั้งแรกในตัวอย่างของเรา Trade 1 -17 08 4 26 - 21 34 และ -21 34 2 455 39 การคำนวณเดียวกันสำหรับแต่ละการค้าในชุดทดสอบในตัวอย่างนี้การกระจายตัวของชุดข้อมูลเท่ากับ 9,353 62 และโดยความหมายรากที่สองของมันเท่ากับค่าส่วนเบี่ยงเบนมาตรฐานซึ่งในกรณีนี้ เป็น 96 71. ดังนั้นผู้ประกอบการค้า forex เห็นว่าความเสี่ยงสำหรับระบบนี้โดยเฉพาะอย่างยิ่งค่อนข้างสูงความคาดหวังทางคณิตศาสตร์เป็นบวกแน่นอนโดยมีกำไรเฉลี่ย 4 26 ต่อการค้า แต่ค่าเบี่ยงเบนมาตรฐานสูงเมื่อเทียบกับกำไรที่สามารถทำได้ จะเห็นได้ว่าผู้ประกอบการค้ามีความเสี่ยงประมาณ 96 71 f หรือโอกาสที่จะได้รับกำไร 4 26 ในความเสี่ยงนี้อาจเป็นที่ยอมรับได้หรือผู้ค้าอาจเลือกที่จะปรับเปลี่ยนระบบเพื่อค้นหาความเสี่ยงที่ต่ำกว่านอกจากความเสี่ยงของระบบการค้าที่เฉพาะเจาะจงแล้วผู้ค้า forex ยังสามารถใช้การแจกแจงแบบปกติและค่าเบี่ยงเบนมาตรฐานได้ คำนวณคะแนน Z ซึ่งบ่งชี้ว่าธุรกิจการค้าที่ทำกำไรได้บ่อยเพียงใดจะเกิดขึ้นในความสัมพันธ์กับการสูญเสียการค้าระหว่างกระบวนการพัฒนาระบบการซื้อขาย forex ที่ชนะการประมูลอาจสงสัยว่าธุรกิจการค้าที่ทำกำไรได้เห็นได้อย่างไรระหว่างการทดสอบเป็นแบบสุ่มและมีกี่ราย การซื้อขายขาดทุนต่อเนื่องต้องได้รับการยอมรับเพื่อให้บรรลุการค้าที่ชนะเช่นสมมติว่ากำไรโดยเฉลี่ยที่คาดว่าจะได้รับจากระบบการซื้อขายอัตราแลกเปลี่ยนที่กำหนดจะน้อยกว่าจำนวนเงินที่คาดว่าจะได้รับจากคำสั่งหยุดขาดทุนแต่ละครั้งที่เกิดขึ้นในขณะที่ซื้อขายระบบนี้ ผู้ค้าบางรายอาจสันนิษฐานได้ว่าระบบจะชนะในช่วงเวลาตราบเท่าที่มีการค้าขายที่ทำกำไรได้อย่างน้อยหนึ่งอย่างสำหรับแต่ละธุรกิจการค้าที่เสียไป 4 แห่งขึ้นอยู่กับระยะทาง ribution ของการชนะและการสูญเสียในระหว่างการซื้อขายในโลกแห่งความเป็นจริงระบบนี้อาจวาดลึกเกินไปที่จะกู้คืนในเวลาสำหรับผู้ชนะต่อไปการกระจายทั่วไปสามารถนำมาใช้เพื่อสร้างคะแนน Z ซึ่งบางครั้งเรียกว่าคะแนนมาตรฐานซึ่งจะช่วยให้ผู้ค้าไม่ได้ประมาณการ เฉพาะอัตราส่วนของการชนะการสูญเสีย แต่ยังกี่ชนะขาดทุนมักจะเกิดขึ้นอย่างต่อเนื่องคะแนน Z บวกแสดงค่าเหนือค่าเฉลี่ยและ Z - ค่าลบหมายถึงค่าต่ำกว่าค่าเฉลี่ยเพื่อให้ได้ค่านี้ พ่อค้าหักลบค่าเฉลี่ยของประชากรจากค่าดิบแต่ละตัวแล้วหารความแตกต่างโดยค่าส่วนเบี่ยงเบนมาตรฐานของประชากรการคำนวณคะแนนพื้นฐานแบบมาตรฐานสำหรับคะแนนดิบที่กำหนดให้เป็น x คือค่าเฉลี่ยของประชากรและเป็นค่าเบี่ยงเบนมาตรฐานของประชากรสิ่งสำคัญคือต้องเข้าใจ ที่คำนวณคะแนน Z ต้องการให้พ่อค้าทราบพารามิเตอร์ของประชากรไม่ใช่เฉพาะลักษณะของตัวอย่างที่นำมาจากประชากรนั้น Z หมายถึงระยะห่างระหว่างประชากร ไอออนเฉลี่ยและคะแนนดิบแสดงในหน่วยของส่วนเบี่ยงเบนมาตรฐานดังนั้นสำหรับระบบการซื้อขายแลกเปลี่ยน ZN x R 0 5 PP x PNN 1.N เป็นจำนวนรวมของการค้าระหว่างชุด R คือจำนวนชุดทั้งหมด การชนะและการสูญเสียการค้า P เท่ากับ 2 x W x LW คือจำนวนรวมของการซื้อขายที่ชนะในชุด L คือจำนวนรวมของการสูญเสียการเทรดในชุดซีรีส์บุคคลสามารถแสดงได้โดยลำดับต่อเนื่องของ pluses หรือ minuses เช่นหรือ R นับจำนวนชุดดังกล่าว Z สามารถเสนอการประเมินว่าระบบการซื้อขายอัตราแลกเปลี่ยนมีการดำเนินงานตามเป้าหมายหรือว่าเป้าหมายที่ไกลเกินกว่าเป้าหมายเพียงเท่าใดนักธุรกิจสามารถใช้ Z-score เพื่อพิจารณาว่าการซื้อขาย มีน้อยกว่าหรือมากขึ้นของผู้ชนะและผู้แพ้กว่าที่คาดหวังจากลำดับการค้าแบบสุ่มในคำอื่น ๆ ไม่ว่าจะเป็นผลลัพธ์ของการค้าติดต่อกันขึ้นอยู่กับแต่ละอื่น ๆ ถ้าคะแนน Z อยู่ใกล้ 0 แล้วการกระจายของผลการค้าคือ ใกล้กระจายปกติคะแนน ของลำดับการค้าอาจบ่งบอกถึงการพึ่งพาระหว่างผลของการค้าเหล่านี้เป็นเพราะค่าสุ่มปกติจะเบี่ยงเบนไปจากค่าเฉลี่ยโดยไม่เกินสาม sigma 3 x ด้วยความมั่นใจ 99 7 ว่าค่า Z เป็นบวกหรือ ลบจะแจ้งให้ผู้ประกอบการค้าเกี่ยวกับประเภทของการพึ่งพาค่า Z บวกระบุว่าการค้าที่ทำกำไรได้จะตามมาด้วยผู้แพ้และบวก z ระบุว่าการค้าที่ทำกำไรได้จะตามมาด้วยผลกำไรอื่นและผู้แพ้จะตามด้วย การสูญเสียอื่นการพึ่งพาการสังเกตนี้จะช่วยให้ผู้ประกอบการค้า forex แตกต่างกันไปตามขนาดตำแหน่งสำหรับแต่ละธุรกิจการค้าเพื่อช่วยในการจัดการความเสี่ยงอัตราส่วน Sharpe อัตราส่วน Sharpe หรืออัตราส่วนตอบแทนต่อความแปรปรวนเป็นหนึ่งในเครื่องมือที่น่าจะมีค่าที่สุดสำหรับผู้ค้า Forex ด้วยวิธีการที่อธิบายไว้ข้างต้นมันขึ้นอยู่กับการใช้แนวความคิดของการแจกแจงแบบปกติและส่วนเบี่ยงเบนมาตรฐานมันให้ traders วิธีการตรวจสอบประสิทธิภาพของระบบการค้าโดยการปรับความเสี่ยง ขั้นตอนแรกคือการคำนวณระยะเวลาการกู้คืน HPR ตัวอย่างเช่นการค้าที่มีผลกำไร 10 มี HPR ที่คำนวณเป็น 1 0 10 1 10 ขณะที่การค้าที่สูญเสีย 10 จะถูกคำนวณเป็น 1 0 10 0 90. เช่นเดียวกัน, HPR สามารถคำนวณได้ด้วยการหารยอดคงเหลือหลังการค้าโดยใช้ปริมาณการซื้อขายก่อนกำหนดระยะเวลาการถือครองโดยเฉลี่ยของ AHPR คำนวณโดยการบวกผลตอบแทนจากการถือครองส่วนบุคคลทั้งหมดแล้วหารด้วยจำนวนการซื้อขาย HAAH โดยตัวเองจะสร้าง ค่าเฉลี่ยเลขคณิตซึ่งอาจไม่ถูกต้องประมาณประสิทธิภาพของระบบการซื้อขาย forex ในช่วงเวลาแทนประสิทธิภาพการลงทุนของระบบการค้าสามารถประมาณเพิ่มเติมโดยใช้ Sharpe Ratio ซึ่งแสดงให้เห็นว่า AHPR ลบอัตราปลอดการลงทุนระยะยาวอย่างไร ผลตอบแทนที่เกี่ยวข้องกับค่าเบี่ยงเบนมาตรฐานของระบบการซื้อขายอัตราส่วนของ Sharpe AHPR 1 RFR SD เมื่อ AHPR เป็นผลตอบแทนการถือครองเฉลี่ยระยะเวลา RFR คืออัตราผลตอบแทนที่ปราศจากความเสี่ยงจากการลงทุนที่ปลอดภัยเช่นอัตราดอกเบี้ยของธนาคารหรือเป็นเวลานาน - term T-bond rates, and SD is the standard deviation. Since more than 99 of all random values will fall within a distance of 3 around the mean value of M X for a given trading system, the higher the Sharpe Ratio, the more efficient the trading system. For example, if the Sharpe Ratio for normally-distributed trade results is 3, it indicates that the probability of losing is less than 1 per trade, according to the 3-sigma rule. The concepts of normal distribution, dispersion, Z-score and Sharpe Ratio are already incorporated into the logarithms of EAs and mechanical trading systems, and their usefulness is invisible to most traders. Yet, by knowing how these basic probability tools work, forex traders can have a deeper understanding of how automated systems perform their functions, and thereby enhance the probability of winning trades. Are you currently using probability tools to increase your own chance for success.