Forex Data Mining Software

Data Mining eine Forex Majors-Strategie Aufgrund der einzigartigen Eigenschaften der verschiedenen Währungspaare, viele quantitative Forex-Strategien sind mit einem bestimmten Währungspaar im Auge. Während dies viele rentable Handelsstrategien produzieren kann, gibt es auch Vorteile für die Entwicklung von Strategien, die über mehrere Währungspaare gehandelt werden können. Dies führt zu einem Element der Diversifizierung, die ein zusätzliches Maß an Abwärtsschutz bieten kann. Daniel Fernandez veröffentlichte kürzlich ein System, das er entworfen hatte, um auf jedem der vier Forex Majors zu handeln. Sein Ziel war es, ein System zu finden, das eine 20-jährige Erfolgsbilanz mit profitablem Handel auf EUR / USD, GBP / USD, USD / JPY und USD / CHF erzielt hätte. Daniel verwendet einen Data-Mining-Ansatz zur Entwicklung einer Strategie für den Handel der vier Forex Majors. Um sein System zu konstruieren, verwendete Daniel seine Data-Mining-Software, um Eingangs - und Ausgangssignale zu definieren, die eine rentable Handelsstrategie auf jedem der vier Währungspaare in den letzten 20 Jahren erzeugt hätten. Was er kommt, ist eine Kombination aus drei Preis-Regeln, die die Grundlage für seine Forex-Majors-Strategie bilden. Daniel8217s Forex Majors Strategie Daniel8217s Forex Majors Strategie ist sehr einfach, dass es immer eine Position, entweder lang oder kurz, in jedem der vier Währungspaare, die es handelt. Es basiert alle seine Trades auf Tages-Charts. Die Strategie geht lange, wenn die folgenden drei Bedingungen erfüllt sind: Die Strategie ist kurz, wenn die folgenden drei Bedingungen erfüllt sind: Wie Sie sehen können, ist die Strategie im Grunde ein optimierter Trend nach der Strategie. Dies macht Sinn, weil Daniel am Anfang seines Artikels erklärt, dass langfristige Tendenzen nach Strategien in der Regel die besten Strategien für den Handel mehrere Märkte sind. Eine weitere Regel, die Daniel8217s Strategie nutzt, ist ein ATR-basierter Stop-Loss. Der feste Stop-Loss wird auf 180 der 20-Tage-ATR eingestellt. Wenn der Stop-Loss ausgelöst wird, bleibt die Strategie ausserhalb des Marktes, bis ein Signal in die entgegengesetzte Richtung erzeugt wird. Die Prüfung zeigt, dass eine erneute Eingabe auf ein Signal in der gleichen Richtung die Leistung negativ beeinflusst hat. Backtesting Performance Die Backtesting-Ergebnisse, dass Daniel in seinem Beitrag enthalten, zeigen, dass die Strategie war ziemlich profitabel. Sie erzielte eine Gewinnquote von 45, einen Gewinnfaktor von 1,38 und ein Lohn-Risiko-Verhältnis von 1,68. Daniel8217s größte Sorge über die Strategie war, dass der maximale Drawdown-Zeitraum eine sehr lange Zeit darstellte. Nach Daniel8217s Zahlen, die durchschnittliche jährliche Rendite war 9,67. Diese bestand aus 16 rentablen Jahren, 4 Jahre verlängert, und ein Jahr, das im Grunde sogar brach. Das beste Jahr war eine Rendite von 37,76, und das schlechteste Jahr war ein Verlust von 20,2. Daniel bemerkt, dass dieses System keine gute eigenständige Strategie darstellen würde, da es seine Rendite im Verhältnis zu maximalen Drawdowns wiedergibt. Allerdings schlägt er vor, dass es ein interessantes Stück einer größeren, Multi-System-Strategie sein könnte. Wait Wenn Sie zusätzliche Informationen benötigen, um zu sehen, wie TradeMiner kann Ihnen helfen, in Ihrem Trading. TradeMiner Software identifiziert historische saisonale Trends und Marktzyklen Eine wissenschaftlich dokumentierte Methodik: Anpassung der Kriterien, um sofortige Ergebnisse der historischen Trends zu erhalten Das Scannen nach historischen saisonalen Trends erfolgt einfach durch Interaktion mit dem Absatz, wie oben gezeigt. Suche nach Trends nach Monat oder für ein bestimmtes Symbol Definieren Sie die minimale historische Genauigkeit (dh 80 historischen Win-Prozentsatz über zehn Jahre würde bedeuten, dass mindestens 8 der letzten 10 Jahre mit dem saisonalen Trend übereinstimmen müssten) Oder Erweitern Sie die Handelstage. Dies zeigt die Dauer der Anzahl der Tage an, die der Trend haben soll (dh 15 Handelstage bis 45 Handelstage suchen nach Trends, die drei Wochen bis neun Wochen dauern). Wählen Sie aus, wie viele Jahre Sie zurückschauen möchten. Mit dieser Option können Sie die Mindestanzahl der Jahre festlegen, die TradeMiner zurückblicken wird, um historische Trends zu finden. Bei der Auswahl von Dig Now wird die Historische Datenbank durchsucht und die Trends und Zyklen identifiziert, die Ihren Kriterien entsprechen. TradeMiner wird die historischen Ergebnisse nach einem proprietären Ranking-System. Dieses System rangiert die Picks mit den größten historischen Gewinnen in kürzester Zeit mit dem geringsten historischen Risiko. Das Score-Ranking arbeitet auf einer Skala von null bis fünf und enthält eine leicht zu lesende, farbcodierte Taste. Analysieren von Diagrammen Die Vielfalt der Diagramme in TradeMiner ermöglicht es Ihnen, die Ergebnisse der vergangenen Jahre zu sehen, historische Risiken und Belohnungen zu identifizieren und detaillierte Handelsprotokolle der letzten Jahre zu sehen. Sehen Sie sich den historischen Trend an und sehen Sie sich die Ergebnisse der vergangenen Jahre an. In TradeMiner können Sie eine der folgenden Charts auswählen und sie werden im unteren größeren Chart-Fenster angezeigt. Diese größere Ansicht bietet und zusätzliche Details für jede gewählte Handel. Historisches Rendite-Diagramm Historisches Risiko gegen Vergütung Jahr für Jahr Details zum Handel Data Mining Was ist Data Mining Data Mining ist ein Prozess, der von Unternehmen genutzt wird, um Rohdaten in nützliche Informationen umzuwandeln. Durch die Verwendung von Software, um nach Mustern in großen Chargen von Daten zu suchen, können Unternehmen mehr über ihre Kunden zu lernen und entwickeln effektivere Marketing-Strategien sowie Umsatzsteigerung und Senkung der Kosten. Data Mining hängt von effektiven Datenerfassung und Lagerung sowie Computer-Verarbeitung. BREAKING DOWN Data Mining Lebensmittelgeschäfte sind bekannte Anwender von Data-Mining-Techniken. Viele Supermärkte bieten Kunden Kunden kostenlose Treuekarten, die ihnen Zugang zu reduzierten Preisen gewähren, die Nichtmitgliedern nicht zur Verfügung stehen. Die Karten machen es einfach für Geschäfte zu verfolgen, wer was kauft, wenn sie es kaufen und zu welchem ​​Preis. Die Filialen können diese Daten dann nach ihrer Analyse für mehrere Zwecke nutzen, wie z. B. das Anbieten von Kundencoupons, die auf ihre Kaufgewohnheiten ausgerichtet sind, und die Entscheidung, wann sie Artikel zum Verkauf stellen oder wann sie zum vollen Preis verkauft werden sollen. Data Mining kann ein Grund zur Sorge sein, wenn nur ausgewählte Informationen, die nicht repräsentativ für die gesamte Stichprobengruppe ist, verwendet werden, um eine bestimmte Hypothese zu beweisen. Data Warehousing Wenn Unternehmen ihre Daten in einer Datenbank oder einem Programm zentralisieren, heißt das Data Warehousing. Mit einem Data Warehouse kann eine Organisation aus Segmenten der Daten für bestimmte Benutzer zu analysieren und zu nutzen. In anderen Fällen können Analysten jedoch mit der Art der gewünschten Daten beginnen und ein Data Warehouse basierend auf diesen Spezifikationen erstellen. Unabhängig davon, wie Unternehmen und andere Unternehmen ihre Daten organisieren, nutzen sie es, um Entscheidungsprozesse der Entscheidungsprozesse zu unterstützen. Data Mining Software Data Mining-Programme analysieren Beziehungen und Muster in Daten auf, was die Benutzer Anfrage. Zum Beispiel kann Data Mining-Software verwendet werden, um Klassen von Informationen zu erzeugen. Um zu illustrieren, stellen Sie sich ein Restaurant möchte Data Mining verwenden, um festzustellen, wenn sie bestimmte Specials bieten sollte. Es schaut auf die Informationen, die es gesammelt hat, und schafft Klassen basierend auf, wenn Kunden besuchen und was sie bestellen. In anderen Fällen finden Data Miners Cluster von Informationen, die auf logischen Beziehungen basieren, oder sie betrachten Assoziationen und sequenzielle Muster, um Rückschlüsse auf Trends im Verbraucherverhalten zu ziehen. Data Mining-Prozess Der Data-Mining-Prozess gliedert sich in fünf Stufen. Zuerst sammeln Organisationen Daten und laden sie in ihre Data-Warehouses. Als nächstes speichern und verwalten sie die Daten entweder auf internen Servern oder der Cloud. Business-Analysten, Management-Teams und IT-Profis Zugriff auf die Daten und bestimmen, wie sie es organisieren wollen. Dann sortiert die Anwendungssoftware die Daten auf der Grundlage der Benutzerergebnisse und schließlich stellt der Endbenutzer die Daten in einem einfach zu verwendenden Format, wie zum Beispiel einem Diagramm oder einer Tabelle, bereit.