Шрифт:
А= 1,044176755
В= 1,0857629
Как видите, система В, несмотря на то что ее математическое ожидание примерно в четыре раза меньше, чем системы А, приносит почти в два раза больше за ставку (доходность 8,57629% за ставку, когда вы реинвестируете с оптимальным f), чем система А (которая приносит 4,4176755% за ставку, когда вы реинвестируете с оптимальным f).
| Система | % Выигрышей | Выигрыш: Проигрыш | МО | f | Среднее геометрическое |
| А | 10 | 28: 1 | 1,9 | 0,0678 | 1,0441768 |
| В | 70 | 1,9:1 | 0,4 | 0,4 | 1,0857629 |
Проигрыш 50% по балансу потребует 100% прибыли для возмещения; 1,044177 в степени Х будет равно 2,0, когда Х приблизительно равно 16,5, то есть для возмещения 50% проигрыша для системы А потребуется более 16 сделок. Сравним с системой В, где 1,0857629 в степени Х будет равно 2,0, когда Х приблизительно равно 9, то есть для системы В потребуется 9 сделок для возмещения 50% проигрыша.
В чем здесь дело? Не потому ли все это происходит, что система В имеет процент выигрышных сделок выше? Истинная причина, по которой В функционирует лучше А, кроется в разбросе результатов и его влиянии на функцию роста. Большинство трейдеров ошибочно считают, что функция роста TWR задается следующим образом:
где R = процентная ставка за период (например, 7% = 0,07);
N = количество периодов.
Так как 1 + R то же, что и HPR, большинство ошибочно полагает, что функция роста [3] TWR равна:
(1.18) TWR = HPR ^N
Эта функция верна только тогда, когда прибыль (то есть HPR) постоянна, чего в торговле не бывает. Реальная функция роста в торговле (или любой другой среде, где HPR не является постоянной) — это произведение всех HPR. Допустим, мы торгуем кофе, наше оптимальное f составляет 1 контракт на каждую 21 000 долларов на балансе счета и прошло 2 сделки, одна из которых принесла убыток 210 долларов, а другая выигрыш 210 долларов. В этом примере HPR равны 0,99 и 1,01 соответственно. Таким образом, TWR равно:
3
Многие ошибочно используют среднее арифметическое HPR в уравнении HPR ^ N. Как здесь показано, это не даст истинное TWR после N игр. Вы должны использовать геометрическое, а не арифметическое среднее HPR ^ N. Это даст истинное TWR. Если стандартное отклонение HPR равно 0, тогда арифметическое среднее HPR и геометрическое среднее HPR эквивалентны, и не имеет значения, какое из них вы используете.
TWR = 1,01 * 0,99 = 0,9999
Дополнительную информацию можно получить, используя оценочное среднее геометрическое (EGM):
или
Теперь возведем уравнение (1.16а) или (1.166) в степень N, чтобы рассчитать TWR Оно будет близко к «мультипликативной» функции роста, действительному TWR
или
где N = количество периодов;
АНPR = среднее арифметическое HPR;
SD = стандартное отклонение значений HPR;
V = дисперсия значений HPR.
Оба уравнения (1.19) эквивалентны.
Полученная информация говорит, что найден компромисс между увеличением средней арифметической торговли (HPR) и дисперсией HPR, и становится ясна причина, по которой система (1,9:1 ; 70%) работает лучше, чем система (28:1; 10%)!
Нашей целью является максимизация коэффициента этой функции, т.е. максимизация следующей величины:
Показатель оценочного TWR, т.е. N, сам о себе позаботится. Увеличение N не является проблемой, так как мы можем расширить количество рынков или торговать в более краткосрочных типах систем.
Расчет дисперсии и стандартного отклонения (V и SD соответственно) может оказаться трудным для большинства людей, не знакомых со статистикой. Вместо этих величин многие используют среднее абсолютное отклонение, которое мы назовем М. Чтобы найти М, надо просто взять среднее абсолютное значение разности самой величины и ее среднего значения.
При колоколообразном распределении (как почти всегда бывает с распределением прибылей и убытков торговой системы) среднее абсолютное отклонение примерно равно 0,8 стандартного отклонения (в нормальном распределении оно составляет 0,7979). Поэтому мы можем сказать:
и
Обозначим среднее арифметическое HPR переменной А, а среднее геометрическое HPR переменной G. Используя уравнение (1.166), мы можем выразить оценочное среднее геометрическое следующим образом:
Из этого уравнения получим:
Теперь вместо дисперсии подставим стандартное отклонение [как в (1.16а)]:
Из этого уравнения мы можем выделить каждую переменную, а также выделить ноль, чтобы получить фундаментальные соотношения между средним арифметическим, средним геометрическим и разбросом, выраженным здесь как SD ^ 2: