| Ciência x “achismos”, um convite à reflexão [update] |
 |
 |
| Artigos - Investimentos | |||
| Escrito por Melao | |||
| Sábado, 18 Setembro 2010 09:05 | |||
|
[Update: em alguns trechos, o uso de sinais de "maior" e "menor" sumiram ao colar o texto no HTML, ou melhor, no Joomla. Estes trechos foram agora corrigidos, deixando "maior que" e "menor que" por extenso, em lugar dos símbolos] Num fórum sobre investimento, uma pessoa postou uma pergunta sobre trailing stop. Coloquei um comentário, e logo em seguida uma outra pessoa gentilmente postou um vídeo me ensinando como fazer. Achei a pessoa bem intencionada, e decidi descrever como eu acho que deveria ser feito, em vez de fazer conforme o vídeo que ele recomendou. Como a resposta foi bastante extensa e detalhada, decidi publicar em forma de artigo. Copio a seguir o conteúdo da mensagem:
[quote="cleitondio"]Segue um video sobre Reposicionamento de Stop feito pela equipe da Leandro Stormer. http://www.youtube.com/watch?v=1qZvbRnB7pk Uma visão diferente. Abraços[/quote]
Olá, Cleiton.
Obrigado pela intenção. O que vou dizer a seguir pode ser resumido em 1 frase: em vez de acreditar cegamente no que lê ou ouve, experimente testar e conferir se o que lhe é dito realmente tem algum fundamento. Ao me recomendar o vídeo, o que você está implicitamente sugerindo é que seja útil o que está sendo dito no vídeo. Com base em quê você acredita que seja útil? Bom, vamos por partes:
1) Com base em quê ele escolheu este valor particular para re-posicionar o stop? 2) Por quê o Mercado deveria se comportar da maneira como o Leandro e o Stormer gostariam? Ou da maneira como eu gostaria, ou como você gostaria? 3) Além desse caso particular de um trade descrito no vídeo, quais são os motivos para supor que isso seria igualmente válido em todo o histórico desse ativo ou, mais, para o histórico de todos ativos, aplicando o mesmo método?
O vídeo que você citou não expõe nenhum motivo plausível para que seja adotado o critério que ele descreveu. Ele simplesmente acha que deveria ser assim e ponto final, tentando impor as crenças particulares dele ao Mercado, na expectativa de que o Mercado se comporte como ele gostaria. Além de isso ser ingênuo, devido ausência de fundamento, tem quase 100% de probabilidade de ser errado e causar prejuízos persistentes, culminando com a ruína a longo prazo. O Mercado não vai se comportar conforme um conjunto de critérios bonitos e desenhos coloridos feitos por mim, por você, pelo Leandro ou pela Britney Spears. O Mercado vai se comportar, na maioria das vezes, aproximadamente da mesma maneira que tem se comportado nas últimas décadas, mantendo pelo menos algumas de suas propriedades quase constantes em qualquer época, outras variando de forma modelável, equacionável etc. Há propriedades que se conservam oscilando com certa amplitude, dentro de um intervalo razoavelmente bem definido, e com uma função de densidade de probabilidades de que o valor dessa propriedade esteja a determinada distância da tendência central. O termo mais correto é “tendência central”, conforme usado aqui: http://www.sigmasociety.com/artigos/acoes_xadrez.pdf , porém o termo mais usual é “valor médio”. Quanto mais distante do valor médio, para mais ou para menos, menor é a probabilidade de que esteja o valor da tal propriedade. O artigo citado é meio antigo, mas quase todas as idéias e opiniões do artigo continuam vigentes, exceto algumas no final, relacionadas a quanto é possível ganhar com ações e opções. Os valores citados no artigo foram antes de realizar testes exaustivos que mostram que é excepcionalmente difícil ganhar mais de 1% ao mês, aliás, ficar positivo a longo prazo já é excepcionalmente difícil.
A primeira coisa de que se precisa é de uma série histórica de cotações, preferencialmente tick-by-tick, de pelo menos uns 10 anos, podendo ser complementada com uma série final de dia de pelo menos uns 20 ou 30 anos. Também é necessário dispor de algum software apropriado para se investigar as propriedades dessa base de dados.
Numa primeira etapa, deve-se tentar identificar propriedades relevantes do Mercado, tais como a dispersão. “Dispersão” é o termo mais correto, embora o mais usual seja “volatilidade”. O Mercado não é homoscedástico, ou seja, a dispersão não é a mesma ao longo tempo, nem em todos os time frames, nem em todos os ativos. O Mercado não é totalmente homogêneo, ou seja, o coeficiente alfa de Cronbach, e outros estimadores de homogeneidade, como Kuder-Richardson, Rulon, Split-Half com correção de Spearman-Brown etc., variam em diferentes épocas, diferentes time frames, diferentes ativos. Outra propriedade que pode ser relevante é a dimensão fractal, que também varia e apresenta forte correlação com a liquidez, o que permite prenunciar como será a dimensão fractal em determinado momento com base na sazonalidade observada no histórico de liquidez. Há muitas maneiras diferentes de se medir estas e outras propriedades, algumas boas, outras razoáveis, e a maioria é ruim ou muito ruim. Quando digo “ruim”, é no sentido de que o valor obtido pela medição acaba tendo pouca ou nenhuma utilidade prática na modelagem de uma estratégia que tenha alguma chance de ser lucrativa a longo prazo.
Conhecendo estas propriedades, como elas variam ao longo do tempo e como elas se relacionam entre si, pode-se passar à segunda etapa, que consiste em desenvolver estratégias bem fundamentadas, respeitando as propriedades reais observadas no mercado, em vez de inventar estratégias esotéricas, com base em superstições que negligenciam completamente as propriedades do Mercado real. Essa é uma das etapas mais difíceis, porque engendrar estratégias que sejam compatíveis com todas as propriedades investigadas, tendo em conta o valor médio de cada propriedade, a amplitude com que estes valores oscilam, a evolução destes valores ao longo do tempo etc., requer uma compreensão profunda e precisa de como estas propriedades influem no comportamento dos preços. Sem tal compreensão, não se consegue sair da segunda etapa, porque nenhuma das estratégias que se tenta articular será capaz de modelar satisfatoriamente o comportamento dos preços. Nas etapas seguintes, pode-se saber se uma ou mais das estratégias concebidas na etapa 2 cumprem a função para a qual foram desenvolvidas.
Na etapa 3, estima-se valores iniciais para os parâmetros que constituem a estratégia. Para fins didáticos, vamos supor uma estratégia do tipo: se IFR é menor que 20, usamos 100% da carteira para comprar o ativo no qual o critério é satisfeito. Se IFR é maior que 80, vendemos. O período da IFR usado seria, a princípio, 9. O valor do stop na primeira tentativa poderia ser de 100 pips (ou 10%, para quem opera na Bovespa). Trailing stop começa a puxar o stop para cima quando o preço fica 2% positivo, entrando em 1% acima do ponto de compra e acompanhando o preço a 50% da distância entre a cotação no momento e a cotação no ponto de entrada. Claro que após os estudos citados nas etapas 1 e 2, não seria sequer cogitada uma estratégia tão básica. É só para exemplificar.
Feito isso, executa-se um back test, isto é, testa-se como essa estratégia se sairia se fosse aplicada nos dados históricos disponíveis, digamos de 2000 a 2010, operando em time frame de 1 hora. No início do back test, a estratégia começa bem, ganha 3,2% na primeira operação, depois ganha mais 7,4%, depois é stopada uma vez, depois ganha 12,1% etc., finalizando o primeiro ano com lucro 21,6%, 38 operações realizadas, das quais 29 foram lucrativas. Um resultado aparentemente promissor, com base no primeiro ano. O back test prossegue, e os resultados começam a piorar, as perdas se mostram persistentes, e o segundo ano fica negativo em 37%. O back test prossegue... até que a carteira chega à ruína em 6 anos. Ótimo, a primeira estratégia concebida, com os valores iniciais estimados para os parâmetros não apenas deixou de produzir lucro, não apenas causou prejuízo, como também quebrou a carteira antes de terminar o teste. Quem sabe com outros valores para os parâmetros da estratégia, ela possa funcionar melhor... Se não estiver disponível um algoritmo genético para fazer os testes automaticamente, pode-se usar Newton-Raphson ou Gauss-Newton para acelerar a convergência nos valores dos parâmetros. Ou qualquer heurística improvisada que seja razoável para essa finalidade. Assim, pode-se testar com IFR de 14 períodos, 21 períodos, 26 períodos, pode testar com IFR menor que 25 e IFR maior que 75, ou IFR menor que 30 e IFR maior que 70 para definir compra e venda. O stop loss pode ser testado em 50 pips, ou 150 ou 200. O trailing stop pode começar a se mover com lucro de 3,5% ou 4% ou 5%, e entrar em 70% da distância entre o preço do momento e o preço do ponto de entrada, ou 60% ou 40%.
Enfim, pode-se tentar “salvar” a estratégia mediante a alteração nos valores dos parâmetros. Se houver um algoritmo genético disponível, ele faz isso automaticamente, bastando estabelecer o intervalo dentro do qual cada parâmetro deve ser testado, o espaçamento entre cada mudança no valor de cada parâmetro, a taxa de mutação, a população em cada geração, o objetivo a ser atingido com a otimização etc. No caso do algoritmo genético do Meta Trader 4, não são configuráveis a taxa de mutação e a população, nem é possível customizar o objetivo a ser buscado pelo AG, havendo apenas um menu de opções de objetivos: tentar maximizar o balanço final, ou o fator de lucro, ou minimizar o máximo drawdown relativo etc. Podemos escolher como objetivo tentar maximizar o balanço da carteira ao final do período, ou seja, o algoritmo genético experimentará diversos valores diferentes para cada parâmetro da estratégia, e com cada conjunto de valores dos parâmetros vai testar a estratégia no histórico de 2000 até 2010, lendo a base tick-by-tick e executando as operações conforme forem disparados os sinais de compra, venda, mover stop, fechar com stop loss etc. registrará automaticamente o resultado de cada operação, e no final do período de 2000 a 2010 é gerado um relatório com balanço final, gráfico de evolução da carteira, número de operações realizadas, etc., bem como fica registrado um histórico de todas as operações, na data, horário e preço em que foram abertas, alteradas (stop movido) e fechadas. Assim, o algoritmo genético roda vários back tests no mesmo período de 2000 a 2010, no mesmo ativo, com a mesma estratégia, porém experimentando valores diferentes para os parâmetros da estratégia a cada vez. Cada back test de 10 anos pode levar apenas poucos minutos, porém como são necessários milhares de back tests para uma otimização, pode demorar um tempo razoável até encontrar os melhores (ou ótimos) valores para os parâmetros de uma estratégia. Os valores testados, conforme dissemos, serão dentro do intervalo previamente definido, e como especificamos o objetivo “maximizar o balanço”, o algoritmo genético tentará priorizar a repetição de valores para os parâmetros que produziram balanços mais altos nos testes anteriores, recombinando e alterando os demais parâmetros com o objetivo de tentar obter balanços ainda maiores que o “recordista” anterior. Cada conjunto de parâmetros é denominado “genótipo”. No Meta Trader, cada back test é uma “geração”. O melhor genótipo de uma geração é o “campeão”, o melhor genótipo de todas as gerações é o “recordista”. No Meta Trader a população de cada geração não é configurável, havendo um indivíduo (1 genótipo) em cada geração. Por isso, no MT4 o conceito de “campeão” não se aplica.
Quando estratégia assume os valores para os parâmetros:
Esse conjunto de critérios descrito acima é um genótipo. Cada valor numérico, categórico ou booleano é um parâmetro. Nesse caso não há nenhum parâmetro categórico. Um exemplo de parâmetro categórico seria o tipo de média móvel: exponencial, smoothed, linear etc. Os parâmetros booleanos são binários ou dicotômicos, podem ser “verdadeiros” ou “falsos” e também não há nenhum no exemplo acima.
Outro genótipo poderia ser:
Digamos que o segundo genótipo resulte num balanço final -78% (perda de 78% no balanço em comparação ao balanço inicial), usando exatamente estes critérios entre 2000 e 2010. E o primeiro genótipo resulte em -96%. Então o algoritmo genético vai priorizar a reutilização dos mesmos valores dos parâmetros do segundo genótipo, ou de valores próximos aos usados no segundo genótipo, para tentar melhorar o balanço final. Depois que obtiver o resultado do balanço para o terceiro genótipo, vai considerar os valores dos parâmetros desses três genótipos para estimar os valores a serem testados nos parâmetros no quarto genótipo, e assim sucessivamente.
O algoritmo genético pode ficar dias ou semanas rodando dezenas de milhares de back tests, cada back test testando um conjunto diferente de parâmetros, cada vez buscando obter um balanço final maior do que nas tentativas precedentes, e tentando atribuir aos parâmetros os valores que se mostraram mais promissores nos back tests anteriores. Quanto maior a quantidade de back tests anteriores, maior é a amostra de dados com valores de parâmetros de que o algoritmo genético dispõe para analisar e tentar propor um novo genótipo que tenha mais sucesso que os anteriores.
Feito isso, podemos constatar que para todos os valores testados de IFR entre 0 e 100, variando de 1 em 1, todos os valores para o período de IFR entre 3 e 100, variando de 1 em 1, todos os valores para stop loss entre 0,5% e 99,5%, variando de 0,5% em 0,5%, todos os valores para acionamento de trailing stop entre 0,1% e 50%, variando de 0,1% em 0,1%, todos os valores para ponto de entrada do trailing stop entre 1% e 99% da distância entre ponto de entrada e preço atual, variando de 1% em 1%, acabam resultando em balanço final negativo. Ou seja, não importa os valores adotados para os parâmetros, todas as tentativas resultaram em prejuízo, indicando que a estratégia testada é inútil e não sobrevive a longo prazo. Alguns conjuntos de parâmetros chegam a produzir resultados positivos por 3, 4 ou 5 anos consecutivos, mas não por 10 anos, e muito menos 30 ou 40 anos. Até aí, foram-se algumas semanas examinando as propriedades do Mercado, outras tantas semanas para criar uma estratégia com base nas tais propriedades, outras semanas otimizando os valores dos parâmetros, para no final descobrir que a estratégia é imprestável.
Então joga-se essa estratégia no lixo, porque os melhores genótipos possíveis são tão ruins que produzem balanço negativo. Retorna-se a etapa 2, analisa-se novamente as propriedades do Mercado (cujos estudos já estão prontos e não precisam ser repetidos) e formula-se uma nova estratégia, que em seguida terá os parâmetros testados e otimizados, passando novamente pela etapa 3. Esse retorno a etapa 2, para refazer ou aprimorar a estratégia, pode ser necessário repetir centenas ou milhares de vezes, até que se consiga formular uma estratégia com a qual alguns conjuntos de valores para seus parâmetros produzam resultados positivos no período testado. Cada nova estratégia, ou cada antiga estratégia revisada/aprimorada, precisa passar novamente pelos milhares de back tests da otimização. Isso pode levar centenas ou milhares de semanas até que se consiga algo razoável. Antes de aprimorar uma estratégia, também convém observar o gráfico em que são plotados todos os pontos de entrada e saída das operações dos melhores genótipos, para tentar visualizar onde podem estar os defeitos mais graves e ter alguma noção do que possa ser feito para evitar esses problemas.
Quando finalmente se consegue uma estratégia que, usando determinado conjunto de valores para seus parâmetros, e rodando esta estratégia entre 2000 e 2010, o balanço final fica em torno de 347% positivo, por exemplo, ou seja, teve rendimento médio de 16,15% ao ano, e teve máximo drawdown no equity menor que 20%, pode-se avançar para a etapa 4.
Na etapa 4, vamos verificar se houve overfitting, isto é, se os valores encontrados para os parâmetros são excessivamente especializados no período da otimização, ou se realmente a estratégia pode funcionar em qualquer outro período além daquele no qual foi otimizada. Isso pode ser feito de muitas maneiras diferentes. Vamos descrever uma das maneiras mais simples, conhecida como “forward confirmation test” ou “walk forward”. Procede-se assim: divide-se a base de dados de 2000 a 2010 em duas partes, geralmente meio a meio, para começar. Depois repete-se a etapa 3 usando o período de 2000 a 2005, até encontrar um ou mais conjuntos de valores para os parâmetros que produzam balanço positivo. Em seguida, usa-se os mesmos parâmetros que foram encontrados na otimização entre 2000 e 2005 no outro período, de 2005 a 2010, para verificar se estes mesmos parâmetros continuam a produzir balanço positivo num período diferente daquele em que a otimização foi feita. Esse teste é imprescindível, porque como o algoritmo genético faz milhares de tentativas de valores para os parâmetros, pode acontecer de ele encontrar alguns valores específicos, altamente especializados no período do teste, mas que não sejam válidos em nenhum outro período. Como nosso objetivo é usar a estratégia em períodos futuros, diferentes daquele em que a otimização é realizada, é fundamental se certificar de que os parâmetros não estejam viciados num período particular, ou seja, certificar-se de que não haja overfitting.
Estou deixando de comentar alguns detalhes. Por exemplo: para testar todos os valores de IFR entre 0 e 100, são necessários 101 back tests para o critério de compra e 101 para o critério de venda, num total de 10.201 back tests (101 x 101 = 10.201). Para testar também stops entre 1% e 99%, são mais 99 possibilidades, totalizando 1.009.899 conjuntos de valores diferentes que os parâmetros podem assumir. E assim por diante, multiplicando pelo número de possibilidades a serem testadas para cada parâmetro para encontrar o número total de testes a serem feitos para cobrir todas as possibilidades. Isso chega a um número exorbitante. Por isso é necessário um algoritmo genético, que não testa todas as possibilidades. Ele testa seletivamente as melhores possibilidades. Mas como o algoritmo genético pode “saber” quais são as melhores possibilidades antes de testar todas? Simples: a seleção é feita com base nos resultados dos testes precedentes. Digamos que, mantendo os demais parâmetros fixos, e alterando apenas o IFR de compra, constata-se que para IFR = 20, o balanço final é -99%, quando IFR = 40, o balanço final é -97%, quando IFR = 25, o balanço final é -90%, quanto IFR = 30, o balanço final é 89%, quando IFR = 35, o balanço final é -93%, quandto IFR = 50, o balanço final é -99,5%. Então já se tem um intervalo provável entre 25 e 30 dentro do qual é mais provável que esteja o valor ótimo, e acima de 40 e abaixo de 20, parece que a situação só piora, não sendo necessário testar todos os valores acima de 40 e abaixo de 20, e sendo prioritário testar os valores entre 25 e 35.
Assim se reduz a quantidade de possibilidades a serem testadas, sem muito risco de deixar de fora os melhores valores. Na verdade é bem mais complexo do que isso, porque além de a função poder ter muitos máximos e mínimos locais, além do máximo ou mínimo global, quando se otimiza vários parâmetros simultaneamente, ao alterar um deles se altera também o valor ótimo para todos os demais. Como a velocidade de convergência é diferente em cada parâmetro, torna-se possível medir quanto a mudança em cada parâmetro interfere nos outros, e assim fazer o ajuste o simultâneo de todos eles de forma equilibrada e harmoniosa. O problema de encontrar os máximos globais é acatado por meio de testes complementares fora do intervalo ótimo, depois que surgem evidências de se ter alcançado sucesso num máximo local. Isto é, digamos que o valor ótimo encontrado para o IFR para compra foi 27, mas não foram testados valores acima de 40 ou abaixo de 20, então, depois de encontrar valores estáveis para todos os parâmetros, o algoritmo genético persiste numa busca por “valores exóticos”, testando alguns valores acima de 40 e abaixo de 20, para conferir se algum deles apresenta resultados que possam competir com melhores resultados encontrados. Isso significa que não há como ter certeza de que os valores encontrados para os parâmetros sejam de fato os melhores valores possíveis para determinada estratégia, mas pode-se supor, com boa segurança, que entre cerca de 9,223 quintilhões de possibilidades diferentes (limite do Meta Trader), os 100 melhores resultados encontrados tenham mais de 70% de probabilidades de incluir mais de 10% dos 100 melhores resultados possíveis. Isso é excelente, porque com 10.000 back tests realizados em 1 ou 2 semanas, se tem 70% de probabilidades de encontrar cerca de 1/10 entre os melhores resultados possíveis, sendo que para encontrar com certeza os melhores resultados possíveis, o teste levaria 1 quatrilhão de semanas ou 20 trilhões de anos, que é 1.500 vezes maior que a suposta idade do Universo calculada com base no modelo de Friedman. Reduzir um tempo absurdo destes para apenas 2 semanas, e ainda ter 70% de probabilidade de que entre os melhores resultados encontrados estejam alguns dos melhores resultados possíveis, é algo sem dúvida extraordinário, possível graças ao uso de algoritmos genéticos.
Muito bem, se a estratégia não for aprovada nessa etapa, volta-se novamente para a etapa 2, para aprimorar ou desenvolver outra estratégia. Se ela for aprovada nessa etapa, continua passando às etapas seguintes. Há várias outras pelas quais uma estratégia precisa passar, antes de ser aprovada. Por exemplo: o teste de homogeneidade. Procede-se assim: o período de 10 anos de teste deve ser dividido em 10 períodos de 1 ano cada, e as performances de cada ano individual precisam ser comparadas às performances do período inteiro, e a cada um dos outros 9 anos individuais. Se forem todos semelhantes (se o alfa de Cronbach for alto, acima de 0,7 ou 0,8), é indicativo de que a estratégia se mantém estável ao longo do tempo. Pode-se medir a homogeneidade no balanço, no equity, no profit factor, no máximo drawdown, no índice de sharpe e outros escores.
Aqui tem exemplos de alguns testes que devem ser realizados nas etapas finais de validação: http://www.saturnov.com/artigos/4-investimentos/144-saturno-v-611-e-alguns-testes
Aqui tem algumas informações complementares sobre como funcionam algoritmos genéticos, além de outros temas relevantes: http://www.saturnov.com/artigos/4-investimentos/148-resumo-do-site-parte-1
Aqui tem uma lista de quesitos que precisam ser atendidos para que uma estratégia seja aprovada para uso: http://www.saturnov.com/artigos/4-investimentos/146-overfitting-mnemonico-e-criterios-para-avaliacao
Aqui tem um estudo específico sobre os tamanhos dos stops: http://www.saturnov.com/artigos/4-investimentos/43-estudo-sobre-os-tamanhos-dos-stop-loss
E aqui tem alguns vídeos mostrando o resultado final de trabalhos que seguem a metodologia que foi resumidamente descrita acima. Na verdade, o resumo está no segundo link dessa lista. O que descrevi nessa postagem é um resumo do resumo: http://www.saturnov.com/artigos/4-investimentos/141-saturno-v-para-bovespa http://www.saturnov.com/artigos/4-investimentos/135-saturno-v-61-video
Não é um vídeo com um caso particular de um trade, escolhido “a dedo” para que se encaixe em determinada estratégia, e com base nisso afirmar que uma determinada estratégia funciona. Não é uma declaração com uma opinião pessoal sobre uma estratégia que eu, ou fulano ou cicrano acha que funciona ou gostaria que funcionasse. São vídeos com todas as operações que teriam sido realizadas usando uma estratégia que foi concebida, aprimorada, otimizada e validada seguindo a metodologia descrita acima, ao longo de 32 anos num dos vídeos e 10 anos em outros vídeos, mostrando os pontos de entrada e saída em cada uma de todas as operações realizadas, bem como um gráfico (embaixo) de evolução da carteira à medida que estas operações acontecem.
Não sei se você percebe a diferença entre isso e o vídeo que você sugeriu. É basicamente a diferença entre Ciência e “achismo”, ou entre Metodologia Científica e “chutômetro”.
Seria bom, para você, se você compreendesse a diferença e procurasse fazer algo que pelo menos possa ter alguma chance de funcionar. O que está no vídeo tem probabilidade perto de 0 de funcionar, e o pior, sem que seja testado adequadamente, nem sequer é possível saber o que deve ser corrigido ou aprimorado para tentar fazer com que funcione.
Tentar ganhar no mercado fazendo Ciência é difícil, muito difícil, mas ganhar fazendo desenhos é praticamente impossível.
Há mais detalhes que não cheguei a comentar: quais garantias se pode ter de que os back tests nas séries históricas sejam boas representações do que aconteceria na situação real no mesmo período? Note que nos procedimentos descritos acima, estamos implicitamente adotando como premissa que os back tests são fiéis representações da situação real. Mas com base em que podemos acreditar nisso?
Há vários artigos em que são descritos testes realizados com a finalidade de comparar back tests com situação real, back tests de diferentes tipos uns com os outros, situação real em diferentes corretoras umas com as outras, e os resultados mostram que a diferença entre back tests realizados em séries tick-by-tick livre de ruídos, não diferem da situação real mais do que testes em situação real entre corretoras diferentes, ou seja, testes em dados tick-by-tick são praticamente iguais ao que aconteceria se as operações fossem realizadas em operação real. Um dos artigos que trata um pouco disso é o segundo citado na lista logo acima, bem como este http://www.saturnov.com/artigos/4-investimentos/134-4-novidades , e outros... Também há vários testes que precisam ser realizados, para verificar determinadas hipóteses, algumas que acabam sendo refutadas, outras corroboradas. Várias comparações são feitas entre situação real e back tests, compara-se diferenças globais e locais entre os resultados, diferenças entre balanço final, máximo drawdown, fator de lucro etc., visando não apenas saber se há diferenças ou não, como também reunir informações sobre o tamanho médio das diferenças e a probabilidade de a diferença exceder determinado valor sob determinadas circuntâncias. Essa é a maneira que acredito que as coisas devem ser feitas. Ou melhor, essa é a maneira como se acredita que as coisas devem ser feitas em Ciência de alto nível. Não é a maneira mais fácil, porque geralmente a maneira mais correta não é a mais fácil.
Ao seguir os procedimentos que citei, a primeira coisa que se constata é que praticamente todas as estratégias descritas em livros e cursos não funcionam. Algumas podem sobreviver em alguns períodos específicos, mas a longo prazo fracassam. Qualquer pessoa pode conferir isso. Se você tem alguma dúvida sobre o que foi dito no vídeo que você postou, basta você escrever essa estratégia em MQL4, ou em C e colocar numa DLL que seja acessada pelo EX4, ou, se você não programa, contrate um programador que faça isso para você. Sugiro que você mesmo aprenda programação, porque isso também o ajudará a compreender melhor o que está fazendo.
Depois de testar o que é descrito neste e outros vídeos, deste e de outros cursos e livros, você mesmo poderá ver os resultados e decidir por si, se convém ou não usar tais estratégias. Cairá na realidade e verá que são estratégias sem nenhuma chance de sucesso a longo prazo. Ao chegar nesse ponto, a pessoa se dá conta de que ela mesma precisa analisar o Mercado e descobrir como fazer, porque nenhum livro ou curso vai entregar a ela “de bandeja” um método que funcione. Quanto mais rápido se conscientizar disso, mais rápido entrará num caminho que tenha alguma esperança. Pra ser totalmente franco, mesmo seguindo todos estes procedimentos, a probabilidade de conseguir algo que funcione é baixíssima, porque mais de 99,999999% das pessoas não passa da etapa 2. Se a estratégia não for muito bem fundamentada, não adianta tentar otimizar os parâmetros na expectativa de que isso faça a estratégia funcionar. A otimização tem como objetivo melhorar ou maximizar o desempenho de uma estratégia boa, não de consertar uma estratégia sem sentido.
No fim das contas, se você compreender e aplicar o que foi descrito acima, isso não o ajudará o suficiente para que possa desenvolver algo que funcione, embora o ajude a ter uma visão muitíssimo mais realista da situação, e o ajudará também a evitar perder dinheiro com estratégias sem a mínima chance.
|
