12/06/2019 Enganado pela simulação de Monte Carlo - Michael Harris - Medium

Enganado pela simulação de Monte

Carlo
Michael Harris Segue
25 de maio de 2017 · 6 minutos de leitura

Ferramentas simples de análise de Monte Carlo são frequentemente

usadas para avaliar os riscos das estratégias de negociação e para
determinar os níveis apropriados de capitalização. No entanto,
algoritmos simples de reorganização comercial podem produzir
resultados enganosos em muitos casos e enganar seus usuários.

Existem várias ferramentas de análise de Monte Carlo disponíveis para

os comerciantes. Algumas dessas ferramentas são distribuídas
gratuitamente através de fóruns e blogs populares. Embora essas
ferramentas possam ser úteis em determinados casos, elas também
podem produzir resultados enganosos quando as seguintes condições
forem verdadeiras:

1. Estratégia é ajustada em dados históricos e / ou a taxa de ganho é

muito alta

2. Existe simetria forçada longa / curta na geração de comércio

3. Tendência de longo prazo após

4. Negociações que dependem do resultado de certos outros

negócios

5. Geração de comércio usa feedback de curva de capital

6. A dinâmica da estratégia depende do tamanho da posição

7. A amostra comercial é muito grande

8. Estratégia é desenvolvida via mineração de dados

Método Básico de Monte Carlo

Dado um vetor de n resultados comerciais (P / L):

T [0] = {T1, T2, T3,…, Tn}

https://medium.com/@mikeharrisNY/fooled-by-monte-carlo-simulation-eee0b312e489 1/7
12/06/2019 Enganado pela simulação de Monte Carlo - Michael Harris - Medium

então k novos vetores podem ser gerados pelo rearranjo dos resultados
comerciais originais. Existem agora vetores k + 1 de resultados
comerciais e curvas de patrimônio correspondentes, que podem ser
usados no acesso ao potencial da estratégia, seu risco, perda, etc.

Fundamentação e suposições

A lógica por trás do método é que T [0] representa uma ordem

particular de negociações e, naturalmente, a ordem pode ser diferente.
O rearranjo de resultados é empregado para chegar a diferentes
possibilidades. A principal suposição aqui é que todos os resultados em
T [0] são independentes da mesma maneira que um sorteio é
independente de outro. Se a condição de independência for violada,
esse método específico de avaliação de risco não se aplica e pode
produzir resultados enganosos.

O pressuposto de independência é diretamente violado nos casos 2, 4, 5

e 6 acima e indiretamente, mas de forma significativa no caso 3. Abaixo
estão alguns exemplos para alguns dos casos, 1-7.

Caso 1

Estratégia ajustada à curva e / ou alta taxa de vitórias

Os resultados de uma longa e única estratégia de ouro entre 50 e 200

no S & P 500 são mostrados abaixo:

Esta estratégia tem 100% de ganho no SPY não ajustado desde o início.
Essa estratégia pode ser considerada ajustada por curva. Monte Carlo
não funcionará para isso ou para sistemas similares, mesmo com muito
mais negócios se eles forem ajustados à curva, porque todos os novos
vetores T [k] gerados pelo rearranjo não se desviarão muito das
condições de ajuste da curva. Isso também pode ser comprovado
matematicamente.

Caso 2

Simetria comprida / curta forçada

Muitas estratégias de negociação empregam simetria forçada longa /

curta. Estratégias simétricas longas / curtas têm várias vantagens, mas
também algumas desvantagens, mas uma análise está além do escopo
do artigo. O ponto importante aqui é que a maioria dos algoritmos de

https://medium.com/@mikeharrisNY/fooled-by-monte-carlo-simulation-eee0b312e489 2/7
12/06/2019 Enganado pela simulação de Monte Carlo - Michael Harris - Medium

Monte Carlo quebra a simetria que está presente pelo design. Como
resultado, qualquer inferência feita a partir deles é falsa. Abaixo está a
curva de capital para um sistema simétrico cruzado longo / curto de 50
a 200 em dados não ajustados do SPY desde o início:

A análise de Monte Carlo quebrará a simetria longa / curta dessa

estratégia e produzirá resultados falsos.

Caso 3

Tendência de longo prazo após

Na verdade, ambas as estratégias nos casos 1 e 2 acima eram de

seguimento de tendência. Se uma estratégia segue uma tendência de
longo prazo seguindo prazos diários ou semanais, então o método de
Monte Carlo provavelmente não é apropriado. Abaixo está a curva de
patrimônio de uma estratégia que uso que simula o acompanhamento
de tendências, gerando transações de longo prazo e apenas de longo
prazo ao longo das tendências. Naturalmente, também gera muitos
trades perdidos ao longo das tendências de baixa.

Esta estratégia produziu grandes níveis de rebaixamento durante o

crash das pontocom e a crise financeira, os mercados de 2000 e 2007,
como mostrado no gráfico acima. No entanto, reorganizar as
negociações em muitos casos produzirá uma certa sequência T [k] que
está perdendo comércios de ambas as tendências de baixa. Em
essência, isso equivaleria a esperar uma tendência de queda de 100%

https://medium.com/@mikeharrisNY/fooled-by-monte-carlo-simulation-eee0b312e489 3/7
12/06/2019 Enganado pela simulação de Monte Carlo - Michael Harris - Medium

no SPY! Isso é irrealista e a distribuição de retornos causará um

rebaixamento mediano altamente distorcido. Por sua vez, tanto o risco
de ruína quanto o capital inicial exigido podem ser superestimados,
limitando seriamente a lucratividade da estratégia no futuro.

Casos 4, 5 e 6

A não aplicabilidade das ferramentas simples de Monte Carlo

disponíveis para os comerciantes de varejo como parte de outros
programas, a um preço, ou de graça, surge, nesses casos, do fato de que
os negócios não são independentes pelo projeto. O rearranjo de
negócios pressupõe independência e, como resultado, quaisquer
conclusões feitas não estão de acordo com a realidade. Observe que as
estratégias com negociações que dependem do resultado de operações
anteriores ou da taxa de crescimento de capital são comuns e, na
verdade, oferecem uma vantagem em alguns casos. Além disso, os
algoritmos de tamanho de posição devem ser considerados como parte
integrante de uma estratégia de negociação, caso contrário, os
resultados podem ser enganosos. É interessante que alguns
desenvolvedores, ou promotores, da abordagem simplista de Monte
Carlo argumentem que ela deve ser usada antes de aplicar o tamanho
da posição. Eles argumentam que os comerciantes calculam os
requisitos de capital e o risco de ruína sem levar em conta a dinâmica
completa da estratégia. Nesse caso, os resultados podem superestimar
ou subestimar muito esses parâmetros.

Caso 7

Amostras de comércio grande

Na presença de um grande número de remodelações k e quando o

número de negociações é grande, há alta probabilidade de gerar
seqüências comerciais T [k] com níveis de rebaixamento iguais ao
capital inicial. Lembre-se que o lucro líquido de uma estratégia é igual à
soma dos vencedores menos a soma dos perdedores:

lucro líquido = soma dos vencedores - soma dos perdedores

Em seguida, considere uma estratégia com capital inicial de US $

100.000, mas testada durante um longo período de tempo, para que a
soma dos vencedores seja de US $ 400.000 e a soma dos perdedores
seja de US $ 200.000. O fator lucro deste sistema é 2, mas a soma dos
perdedores é o dobro do capital inicial. Considerar sequências
comerciais nos resultados com níveis de rebaixamento próximos ou
superiores a US $ 100.000 pode não ser realista. Essas sequências são
outliers e frequentemente um artefato do longo backtest. Na realidade,
eles têm probabilidade próxima de 0, mas se fizermos muitas
remodelações, um grande número dessas sequências surgirá devido ao
ordenamento dos negócios. Em outras palavras, a probabilidade de
todas as seqüências de negociações T [k] não é a mesma, mas
geralmente é uma função do caminho que o sistema segue e do tempo
discreto.

Caso 8

Quando uma estratégia é desenvolvida por meio de mineração de

dados, a análise de Monte Carlo não é útil para determinar se ela é
robusta ou aleatória. No entanto, isso é exatamente o que muitos
usuários e desenvolvedores de programas de mineração de dados
fazem em muitos casos. A razão para a não aplicabilidade deste método

https://medium.com/@mikeharrisNY/fooled-by-monte-carlo-simulation-eee0b312e489 4/7
12/06/2019 Enganado pela simulação de Monte Carlo - Michael Harris - Medium

é que quando a análise de Monte Carlo se torna parte do processo de

mineração de dados, ele perde sua eficácia como uma ferramenta de
validação devido ao viés de snooping e seleção de dados . Embora a
análise de Monte Carlo possa ser usada para estimar probabilidades de
futuros níveis de rebaixamento, supondo que seja aplicável, ela não
pode ser usada como uma ferramenta de validação. Comerciantes
quantificados amadores usam a análise de Monte Carlo para validar as
estratégias descobertas por viés de mineração de dados.

Resumo

Ferramentas simples de análise de Monte Carlo podem ser úteis em

certos casos e desde que seus usuários entendam as limitações e
suposições. Pode-se supor com segurança que, no caso de estratégias de
negociação mais avançadas que tenham vantagem, essas ferramentas
não se aplicam sem grandes modificações ou podem não se aplicar. Eles
podem servir como uma ferramenta de treinamento para os
comerciantes quantificados aspirantes entenderem a relação entre
levantamento, capital inicial e risco de ruína, mas não para cálculos
realísticos desses parâmetros, exceto em alguns casos simples. Na
verdade, os métodos para determinar o risco de ruína, o capital inicial e
o rebaixamento máximo esperado estão bastante envolvidos e são
considerados parte integrante de uma margem de negociação por
muitos quantos. Métodos simples de reavaliação não podem cumprir
este propósito.

Este artigo foi originalmente publicado no Price Action Lab Blog.

Se você tiver dúvidas ou comentários, fique feliz em se conectar no

Twitter: @mikeharrisNY

Sobre o autor: Michael Harris é um comerciante e autor de best-

sellers. Ele também é desenvolvedor do primeiro software comercial
para identificar padrões sem parâmetros na ação de preço há 17 anos.
Nos últimos sete anos, ele trabalhou no desenvolvimento de DLPAL ,
um programa de software que pode ser usado para identificar
anomalias de curto prazo em dados de mercado para uso com modelos
de aprendizado fixos e de máquina. Clique aqui para mais.

https://medium.com/@mikeharrisNY/fooled-by-monte-carlo-simulation-eee0b312e489 5/7
12/06/2019 Enganado pela simulação de Monte Carlo - Michael Harris - Medium

https://medium.com/@mikeharrisNY/fooled-by-monte-carlo-simulation-eee0b312e489 6/7
12/06/2019 Enganado pela simulação de Monte Carlo - Michael Harris - Medium

https://medium.com/@mikeharrisNY/fooled-by-monte-carlo-simulation-eee0b312e489 7/7