Forex Quantlib

Das QuantLib-Projekt zielt auf die Bereitstellung eines umfassenden Software-Frameworks für quantitative Finanzierung ab. QuantLib ist eine freie Open-Source-Bibliothek für Modellierung, Handel und Risikomanagement im realen Leben. QuantLib wird in C mit einem sauberen Objektmodell geschrieben und wird dann in verschiedene Sprachen wie C, Objective Caml, Java, Perl, Python, GNU R, Ruby und Scheme exportiert. Eine AAD-fähige Version ist ebenfalls verfügbar. Das Repository-Projekt erleichtert die Bereitstellung von Objektbibliotheken auf Endbenutzerplattformen und wird zur Erzeugung von QuantLibXL verwendet. Ein Excel-Addit für QuantLib und QuantLibAddin. QuantLib Addins für andere Plattformen wie LibreOffice Calc. Bindungen zu anderen Sprachen und Portierung zu Gnumeric, MatlabOctave, S-PLUSR. Mathematica COMCORBASOAP-Architekturen, FpML, werden in Betracht gezogen. Weitere Informationen finden Sie auf der Erweiterungsseite. Von quantitativen Analytikern und Entwicklern geschätzt, ist es für Akademiker und Praktiker gleichermaßen gedacht, die schließlich eine stärkere Interaktion zwischen ihnen fördern. QuantLib bietet Werkzeuge, die sowohl für die praktische Umsetzung als auch für die fortgeschrittene Modellierung nützlich sind, mit Features wie Marktkonventionen, Renditekurvenmodellen, Solver, PDEs, Monte Carlo (Low-Diskrepanz enthalten), exotische Optionen, VAR und so weiter. Finanzen ist ein Bereich, in dem gut geschriebene Open-Source-Projekte einen enormen Unterschied ausmachen können: Jedes Finanzinstitut braucht eine solide, zeitwirksame und operative Umsetzung von innovativen Preismodellen und Hedging-Tools. Doch um dorthin zu gelangen, ist man gezwungen, jedes Mal das Rad neu zu erfinden. Auch Standard-Jahrzehnte-Modelle wie Black-Scholes fehlen noch eine öffentliche, robuste Implementierung. Als Konsequenzen verschwenden viele gute Quants ihre Zeit, C-Klassen zu schreiben, die schon tausendmal geschrieben wurden. Durch die Gestaltung und den Aufbau dieser Werkzeuge im Open, QuantLib wird beide ermutigen Peer-Review der Werkzeuge selbst, und zeigen, wie dies für wissenschaftliche und kommerzielle Software getan werden sollte. Dan Gezelters reden bei der ersten Open SourceOpen Science Konferenz diskutiert, wie die wissenschaftliche Tradition der Peer-Review passt gut mit der Philosophie der Open Source Bewegung. Offene Standards sind der einzige faire Weg für Wissenschaft und Technik zu entwickeln. Die Bibliothek könnte über verschiedene Forschungs - und Regulierungsinstitutionen, Banken, Softwarefirmen und so weiter genutzt werden. Als Freeopen-Source-Projekt, Quants, die zur Bibliothek beitragen, müssten nicht jedes Mal von vorne anfangen. Die Schüler konnten eine Bibliothek beherrschen, die eigentlich in der realen Welt verwendet wird und dazu sinnvoll dazu beiträgt. Dies würde sie potenziell in eine privilegierte Position auf dem Arbeitsmarkt stellen. Die Forscher hätten einen Rahmen, der die Menge an Low-Level-Arbeiten, die zum Bau von Modellen erforderlich sind, erheblich reduziert, um sich auf komplexere und interessante Probleme konzentrieren zu können. Finanzfirmen könnten QuantLib als Basiskodex und Benchmark ausbeuten, während sie in der Lage sind, innovativere Lösungen anzubieten, die sie auf dem Markt wettbewerbsfähiger machen würden. Regulierungsinstitute können ein Instrument für Standard-Preis - und Risikomanagement-Praktiken haben. Die QuantLib-Lizenz ist eine modifizierte BSD-Lizenz, die sowohl für freie Software als auch für proprietäre Anwendungen geeignet ist und bei der Nutzung der Bibliothek keine Einschränkungen vorsieht. Ein paar Unternehmen haben erhebliche Ressourcen für die Entwicklung dieser Bibliothek, insbesondere StatPro, begangen. Ein führender internationaler Risiko-Management-Anbieter, wo das QuantLib-Projekt geboren wurde. Free Quantitative Finance Resources Willkommen in der großen Liste der kostenlosen quantitativen Finanz-Ressourcen Ive hier alle kostenlosen ebooks, Dias, Kurse, Videos und Daten, die Ive fand nützlich während Meine quant finanzierung karriere Die Ressourcen sind nach Kategorie aufgeschlüsselt und sind alle völlig frei (oder erfordern kostenlose Anmeldung). Ich werde ständig aktualisieren diese Seite, wie und wenn ich neue Inhalte rund um das Web zu finden, so halten Sie zurück zu überprüfen. Diese Liste wurde zuletzt am 21. August 2013 aktualisiert. List Navigation Wenn Sie irgendwelche Empfehlungen für freie Quant Finanzen Ressourcen haben, fühlen Sie bitte sich frei, mich bei mikequantstart zu mailen. Es ist überraschend einfach, qualitativ hochwertige Finanzdaten frei zu bekommen, solange man bereit ist zu akzeptieren, dass es auf bestimmte Zeiträume und Instrumentenuntergruppen beschränkt wird. Brokerage verschenken oft ihre historischen Finanzdaten, um neue Kunden zu locken. Insbesondere sind Devisen - (Devisen-) Tick-Daten aus vielen Quellen unten verfügbar. Die Aktien sind etwas schwieriger, da sie ein entsprechendes qualitativ hochwertiges Corporate-Feed-Feed benötigen, um Dividenden und Aktiensplits zu bewältigen. Allerdings ist es relativ einfach, die wichtigsten End-of-Day USUK Aktien Informationen, die bereits wieder auf diese Weise angepasst wurden zu bekommen. DukasCopy - DukasCopy ist ein Schweizer Forex BrokerECN, das für die Mehrheit der Währungspaare extrem hochwertige Forex-Tick-Daten liefert. Dies sollte Ihr erster Anlaufhafen sein, wenn Sie an Backtesting Tick-Level-Forex-Strategien interessiert sind. EoDData - EoDData sind ein bezahlter Service, aber sie bieten eine freie Schicht. Sie bieten bequem eine umfangreiche Liste der gehandelten Symbole auf fast jedem Austausch von Interesse auf der ganzen Welt. Google Finance - Google Finance bietet End-of-Day Aktien Daten. Leider ist es im Gegensatz zu Yahoo Finance nicht rückversichert, um Dividenden und Aktiensplits zu bewältigen. So ist ein eigener föderaler Handlungsbedarf erforderlich. Ive verknüpft mit einem Beispiel historischer Daten über die FTSE100. Quandl - Quandl ist ein ehrgeiziges Projekt, das versucht, alle numerischen Daten im Internet einfach zu finden, einfach zu bedienen. Sie bieten einen riesigen Katalog von Marktdaten über mehrere Assetklassen hinweg, einschließlich Währungen, Aktien, Futures und Rohstoffe. Sie haben eine einfach zu bedienende API und alle ihre Daten sind frei verfügbar und häufig aktualisiert. Eine echte Goldmine für die Quantität Yahoo Finanzen - Yahoo Finanzen ist die gehen zum Standort für das einfache Download von End-of-Day Aktien Daten. Der Hauptvorteil ihres API-Feeds ist, dass die Daten rückversetzt sind. Dass es sich um Dividenden und Aktiensplits handelt. Allerdings ist die Daten nicht 100 Qualität. Ich habe YF in einer Produktionsumgebung verwendet und ich kann bezeugen, dass Sie Ihre Daten gegen andere Quellen wie EoDData oder Google Finance überprüfen sollten. Ive verbunden mit den historischen Preisen für die FTSE100 als Beispiel. Während Lehrbücher, Zertifikate und Master in Financial Engineering (MFE) Kurse die beliebteste Methode, um Finanz-Engineering zu lernen, eine Reihe von frei verfügbaren Ressourcen erschienen auf der Bühne in den letzten Jahren. Insbesondere bietet Coursera nun einige fantastische Kurse zum Thema. Financial Engineering und Risikomanagement Teil I - Das war ursprünglich ein einziger Kurs, aber es wurde beschlossen, in zwei zu teilen. Dieser Kurs konzentriert sich auf Optionen Preisgestaltung und die Grundlagen der Black-Scholes Theorie. Eine bemerkenswerte Eigenschaft ist ein Interview mit Emanuel Derman, dem berühmten Quantautor. Financial Engineering und Risikomanagement Teil II - Der zweite Teil in den beiden Teilen Coursera umfasst Portfolio-Konstruktion und Risikomanagement, mit einigen zusätzlichen Fokus auf fortgeschrittene Derivate Produkte. Einführung in die Computational Finance und Financial Econometrics - Dieser Kurs, der von Eric Zivot von der University of Washington betrieben wird, ist eine absolut fantastische Einführung in die Zeitreihenmethoden und Statistiken, die auf die Finanzdaten angewendet werden. Der Kurs deckt einen bedeutenden Boden ab, beginnend mit Renditen, Basisstatistiken und linearer Algebra und dann schnell mehr fortgeschrittene Themen in Ökonometrie, die für quantitative Finanzierung benötigt werden. Mathematische Methoden für die quantitative Finanzierung - Dieser Kurs wurde in erster Linie für den Beginn der Studien der quantitativen Finanzierung vorbereitet, indem er die notwendige Kalkül - und lineare Algebra, die in Derivatpreisen und Portfolio-Management erforderlich ist, abdeckt. Ein guter Weg, um die Lücke von einem CompSci oder Economics Major zu verbreiten, um die Mathematik zu verstehen, die für QF benötigt wird. QuantNet - QuantNet bietet eine signifikante Anleitung, wie Sie sich bewerben und eine Position auf einem MFE Kurs finden können. Das Forum ist auch mit Beiträgen über Derivate Preisgestaltung und finanzielle Software-Entwicklung bevölkert. Wilmott - Wilmott ist die Website von Paul Wilmott, dem berühmten Quant. Die Website enthält ein riesiges Forum diskutiert in erster Linie Finanz-Engineering, numerische Methoden und Software-Entwicklung. Algorithmische Handel ist auch abgedeckt, aber es ist nicht der Fokus der Website. Leider ist Algorithmic Trading oft nur gelernt, während auf der Arbeit oder durch mühsames Experimentieren zu Hause Die Eintrittsbarrieren waren signifikant - umfangreiche Software-Entwicklung Fähigkeiten, teure Computer-Hardware und Daten-Feeds sowie viel Zeit und Geduld. Heute sind ganze Backtesting-Tools im Browser vorhanden. Brachte uns über Schneide-Startups wie Quantopian und QuantConnect. Ebenso sind die Kurse jetzt auf, wie man algorithmischen Handel mit Open-Source-Tools, wie Pythonpandas zu lernen. Ive aufgelistet einige dieser Ressourcen unten. Computational Investing, Teil I - Tucker Balch hat diesen Kurs geschrieben, um zu helfen, die Grundlagen des algorithmischen Handels (Computational Investing) mit Python und einer benutzerdefinierten Bibliothek zu lernen. Wenn Sie völlig neu in der Welt der Datenanalyse und des systematischen Handels sind, dann ist dieser Kurs ein guter Anfang. EliteTrader - Die EliteTrader-Foren enthalten bedeutende Diskussionen über alle Aspekte des Handels. Es gibt einen ausführlichen Abschnitt über algorithmischen Handel. Während das Signal-Rausch-Verhältnis in etwa vergleichbar mit anderen Internet-Foren ist, gibt es einige fantastische Threads diskutieren Umsetzung von fortgeschrittenen Handels-Algos, so stellen Sie sicher, für sie zu jagen QuantConnect - QuantConnect befähigt Quants mit freien Daten, Cluster-Computing und Kapital. Der Dienst bietet eine In-Browser-C-IDE, Zugriff auf kostenlose Tick-Daten (US-Aktien und Forex) und einen Cluster von Servern, um Backtesting durchzuführen. Der Service bietet eine kostenlose Etappe, obwohl mehr Funktionen auf einer monatlichen Abonnementbasis zur Verfügung stehen. Quantopian - Quantopian bietet eine In-Browser-Python-IDE, Zugang zu Minuten-Auflösung US-Aktien-Daten und ein anspruchsvolles Backtesting-System (ZipLine, siehe unten). Der Hauptvorteil von Quantopian ist, dass Strategien (optional) geteilt und kommentiert werden können, so dass die Menschen Verbesserungen vorschlagen können, wenn Sie in einem frühen Stadium in Ihrer Quant-Karriere sind. Schließlich planen sie, den Live-Handel zu unterstützen (obwohl dies wahrscheinlich ein bezahlter Service ist). Ive sagte es immer wieder auf QuantStart, aber es ist absolut notwendig, in diesem Tag und Alter ein guter Programmierer zu sein, um irgendwo in quantitativen Finanzen zu bekommen. Da Software schnell den Rest der Welt frisst, geht es auch auf die Finanzmärkte. Die Eintrittsbarriere kann nun höher als vor 10 Jahren sein, aber dann ist die Prävalenz freier Materialien auch viel größer. Die Programm-Community ist extrem großzügig beim Zurückgeben und hier sind einige der nützlichsten Ressourcen, die Ihnen helfen zu lernen, in den wichtigsten Quant-Sprachen zu programmieren. Bayesische Methoden für Hacker - das ist ein neuartiger Ansatz zum Lernen, was oft ein heikles Thema ist. Es ist eigentlich ein interaktives ebook, mit dem du den Code in einer IPython Browser-Sitzung ändern kannst. Bayesische Methoden sind auf dem Gebiet des maschinellen Lernens (und damit der Quantfinanzierung) äußerst wichtig, und dieser Einführungskurs überbrückt wirklich die Kluft zwischen Theorie und Anwendung. Baustoffe im objektorientierten Design - Die meisten Bücher diskutieren die Objektorientierung in Sachen Säugetiere, Katzen und Hunde. Dies ist meistens nutzlos aus der Sicht der Schaffung einer tatsächlichen Software-Anwendung Building Skills in OOD ist ein kostenloses Web-Buch über Python, um eine echte mäßig komplexe objektorientierte Anwendung zu erstellen. Datenstrukturen und Algorithmen mit objektorientierten Design Patterns in Python - Wenn Sie ein reines CompSci undergrad waren, dann musst du vielleicht Data Structures lernen, wie du gegangen bist. Für eine formellere Einleitung in Python (und viele andere Sprachen auch, wenn Sie dem Link folgen), wird dieses kostenlose Web-Buch die Lücke zwischen Theorie und Anwendung überbrücken. Hochleistungs-Python - Dies ist eine Reihe von Vorlesungsunterlagen von einer EuroPython-Konferenz im Jahr 2011. Die Vorlesungen diskutieren über Profiling, PyPy, CPython, Cython und PyCUDA als Mittel zur Optimierung Ihrer Python-Programme. Wesentlich für die Performance-hungrigen quant Lernen Sie Python die Hard Way - Zed Shaws berühmten Buch ist eigentlich für den Anfänger Programmierer entworfen, trotz der ungeraden Titel Es ist ein guter Weg, um zu beginnen Python und es wirklich deckt so ziemlich alles, was ein Anfänger brauchen würde kennt. Best of all, seine freie natürliche Sprachverarbeitung mit Python - Bestimmte quantitative Finanzanwendungen wie die Stimmungsanalyse machen die Verwendung von Natural Language Processing (NLP) Algorithmen stark. Dies ist die kostenlose Web-Version des OReilly-Buches, die das Natural Language ToolKit (NLTK) Paket für Python diskutiert und wie es auf Anwendungen in NLP anwenden kann. Think Python - Allen Downey hat ein großartiges Buch erschaffen, das ursprünglich von OReilly veröffentlicht wurde, wie man Python von Grund auf lernt. Es deckt alle wichtigen Komponenten der Sprache ab und liefert viele Codebeispiele. Das erklärte Ziel ist, Ihnen zu helfen, wie ein Computerwissenschaftler zu denken und ich würde sagen, dass das Buch eine gute Arbeit hat, das zu erreichen. Think Stats - Allen Downey hat einen großen Themenbereich (Statistik) aufgenommen und in die Schlüsselkomponenten abgebaut, um über die Python-Sprache einen mehr angewandten Lernansatz zu bieten. Wahrscheinlichkeit, Verteilungen, Hypothesentests, Schätzungen und Korrelationen sind alle abgedeckt. Wenn Sie es vorziehen, zu lernen, dann ist dieses kostenlose Buch definitiv für Sie. Computing für Datenanalyse - Roger Peng führt einen Kurs aus, der Ihnen hilft, R zu lernen und dieses Wissen auf Probleme der Datenanalyse zu übertragen. Für viele Anfangs-Quants, wird dies einige gute Lektionen, wie man mit chaotischen Daten importieren und nutzen nicht-traditionellen Datenquellen, um in Ihrer finanziellen Modellierung zu helfen. DataMind - DataMind ist ein neuer Service (noch im Beta-Modus), der Ihnen hilft, die R-Sprache interaktiv zu lernen. Derzeit gibt es ein paar Anfängerunterricht, aber mehr werden die ganze Zeit hinzugefügt. Free Open Soure Software (FOSS) kann nun in fast jeder Investmentbank und quantitativen Hedgefonds gefunden werden. Nicht nur kostet es dich nichts auszuprobieren, aber du kannst den Quellcode ändern, wie du es siehst, um deiner Anwendung zu entsprechen. Sie können jetzt ganz einfach eine ganze Optionen Preis oder algorithmischen Handelssystem aus FOSS. Hier sind einige der Werkzeuge, die ich von Tag zu Tag in meiner eigenen Arbeit verwende, was ich sehr empfehlen kann. Boost - Die Boost-Bibliotheken beginnen dort, wo die C-Standardbibliotheken enden. Tatsächlich wurden viele der ursprünglichen Boost-Komponenten dem C11-Standard hinzugefügt. Allerdings, wenn Sie noch auf C03 beschränkt sind, kommt Boost mit Modulen für reguläre Ausdrücke (Regexes), intelligente Zeiger, Lambdas, Threading, statistische Verteilungen und vieles mehr. Django - Django ist ein Web-Framework in Python geschrieben. In der Tat ist QuantStart eine Django-basierte Website Wenn ich ein Quant Dev in einem Fonds war, habe ich es für alle unsere Web-basierten Reporting-Tools verwendet. Es hat eine bedeutende Gemeinschaft dahinter und kommt mit Batterien enthalten, um Ihnen zu helfen, schnell zu beginnen. Eigen - Eigen liefert einen Satz von C - Headern für numerische lineare Algebra (NLA). Es ist als Konkurrent zu uBLAS gedacht. Ich finde die API extrem ausdrucksstarke und minimale Code ist in der Regel erforderlich, um gemeinsame Operationen durchzuführen. Wenn du mehr darüber erfahren willst, schau dir meinen Artikel an, um ihn für Matrixalgebra zu benutzen. HDF5 - HDF5 ist ein wissenschaftlicher Dateisystem Datenspeicher. Als Quants sind wir in erster Linie daran interessiert, wie es üblicherweise verwendet wird, um Tick-Daten zu speichern. Bei der Integration mit PyTables und Pandas, im Python-Ökosystem, macht es Backtesting-High-Volume-Strategien einfach. MySQL - MySQL ist ein Open-Source-relationales Datenbankmanagementsystem (RDBMS). Ich habe es in hochkarätigen Finanzproduktionsumgebungen verwendet und ich kann bezeugen, dass es sich in anspruchsvollen Anwendungen halten kann. Es ist eine gute Wahl für die Erstellung eines End-of-Day-Wertpapier-Masters. Pandas - Wes McKinney schuf Pandas, um die Ausdruckskraft von R im Python wissenschaftlichen Ökosystem zu bieten. Es ist jetzt das de facto Datenanalysepaket für Python. In Verbindung mit IPython und HDF5 macht es für eine äußerst nützliche interaktive Forschungsumgebung. R - R ist eine Open Source interaktive statistische Sprache mit umfangreicher Paketunterstützung und grafischen Fähigkeiten. R ist oft in einigen der besten quantitativen Hedge-Fonds gefunden, wie die gehen zu ersten Forschungs-Tool. QuantLib - QuantLib ist eine sehr ausgereifte Derivate-Preisbibliothek, die in C geschrieben ist. Obwohl es etwas komplex ist, hat es Unterstützung für viele Derivat-Typen. Eine beträchtliche Anzahl von Investmentbanken und Fonds nutzt QuantLib in Produktionseinstellungen. Scikit-learn - scikit-learn ist ein relativ neues Python-Paket, das eine Reihe von maschinellen Lernalgorithmen umfasst, die in einer ausdrucksvollen Schnittstelle mit einer hocheffizienten Implementierung verpackt sind (unter Verwendung von NumPySciPy darunter). Gekoppelt mit IPython und Pandas, ermöglicht es schnelle Forschung und Entwicklung von Finanz-Trading-Strategien. Ubuntu Server - Ubuntu Server ist eine der beliebtesten Produktions-Linux-Distributionen für Finanzanwendungen. Ich habe es benutzt, seit es herauskam (was mein Alter zeigt) und es ist von Stärke zu Stärke gegangen. Es ist sehr robust, sehr sicher und basiert auf dem Linux-Kernel, kann nach Belieben modifiziert werden. ZipLine - ZipLine ist ein Open Source Algorithmic Trading Backtesting Tool, entwickelt und verwendet als Motor im Quantopian Service. Es sollte Ihr erster Anlaufhafen sein, um die Entwicklung eines algorithmischen Handelssystems zu beginnen, wenn Sie einen Python-Stack verwenden möchten. Bitte senden Sie mir irgendwelche Vorschläge von kostenlosen Quant-Bücher, Blogs, Foren, Kurse, Videos oder Dias, die Sie gelesen haben, die Ihnen auf Ihrem Weg geholfen haben. Ich bin immer bereit, mehr zu dieser Liste hinzuzufügen. Sie können mich per E-Mail an mikequantstart kontaktieren. Just Getting Started mit quantitativen TradingHere sind einige Vorschläge. Suchen Sie Amazon (oder Ihre Lieblings-Buchhändler) für Bücher über C quantitative Finanzierung. Ich habe mehrere Titel gefunden, die vielversprechend aussehen. Ich ging zu SourceForge (suchend auf Trading Systems) und sah mehrere vielversprechende Systeme, die dir ein Bein in Drawdown, MAE etc. geben könnten. Ich verwende TradeStation 9.0 für den Vergleich verschiedener Trading Strategien. Es wird MAEMFE-Graphen, Handels-Equity-Kurven und Rang-Strategien auf der Grundlage der maximalen Drawdown. Aber seien Sie sicher zu lesen Trading Systems, die Arbeit: Bauen und Auswerten effektiver Handelssysteme von Thomas Stridsman für eine apt Kritik der TradeStations generiert Berichte. Beantwortet Apr 1 11 um 15:51 Das OP wollte quosome von den Funktionen, die bei der Entwicklung einer Trading-Strategie verwendet werden. wot Obwohl ich kann nicht zitieren keine Beweise in Unterstützung, bin ich ziemlich sicher, dass die Werkzeuge der technischen Analyse können in der Entwicklung verwendet werden Solche Strategien. Was TAlib in C oder C geschrieben ist, so komme ich auch korrigiert. Ndash babelproofreader Apr 3 11 bei 14: 37Computer Generated Trading Strategies Platform Exportieren Sie Ihre Strategien auf MetaTrader4, NinjaTrader oder Tradestation mit vollem Quellcode Verbessern Sie vorhandene Strategien durch Ändern der Handelsregeln Optimieren Sie Ihre Strategie mit Walk-Forward-Optimierung In StrategyQuant müssen Sie nicht die definieren Handelsregeln Ihres neuen Handelssystems. Es nutzt maschinelle Lerntechniken, um neue, einzigartige Handelsstrategien zu generieren. Es sind keine Programmier - oder Handelskenntnisse erforderlich. Es ist in der Lage, Strategien zu schaffen, die Sie als Händler nicht denken, und es ist in der Lage, es schnell zu tun und testen Sie die generierten Strategien sofort. StrategyQuant kann Ihnen Hunderte von neuen Trading-Strategien - jeder einzigartige, auf mehrere datatimeframes, um maximale Robustheit zu gewährleisten. Die daraus resultierenden Strategien können als Tradestationsstrategie in EasyLanguage, NinjaTrader C Strategie oder MetaTrader 4 Expert Advisor mit komplettem Quellcode gespeichert werden. Robustes Backtesting und Strategieanalyse StrategyQuant beinhaltet die komplexesten Strategy Performance Analytics auf dem Markt. Es enthält mehrere leistungsstarke Tools, mit denen Sie Ihre Strategie für Robustheit testen können, um Kurvenanpassung und Überoptimierung zu vermeiden, einschließlich Monte Carlo, Walk-Forward-Analyse und 3D-Charts. Unterstützte Plattformen StrategyQuant generiert Handelsstrategien, die auf den folgenden Handelsplattformen genutzt werden können: Lieblingshandelsplattform für Forex und CFDs Hervorgehobene Handelsplattform für Futures, Aktien, ETFs, Rohstoffe Wie genau funktioniert es? Lasst uns sagen, dass Sie eine neue Handelsstrategie erstellen möchten EURUSD: Youll wählen Sie die EURUSD Datenquelle, wählen Sie Zeitrahmen und Zeitbereich. Definieren Sie, welche Blöcke die Strategie bestehen soll (Indikatoren, Preisdaten, Operatoren usw.). Definieren Sie, was die Parameter der daraus resultierenden Strategie sein soll - zum Beispiel muss der Nettogewinn über 5000 liegen, der Drawdown muss niedriger als 20 sein, das ReturnDD-Verhältnis muss über 4 liegen, es muss mindestens 300 Trades produzieren. Dann einfach den Start-Button und StrategyQuant wird die Arbeit zu tun. Es wird zufällig neue Handelsstrategien mit Bausteinen, die Sie ausgewählt haben, tauschen sie sofort und speichert die, die Ihren Anforderungen für Ihre Überprüfung passen. Sie können dann die neu generierten Strategien überprüfen, zusätzliche Tests durchführen oder sie als MetaTrader4 EAs exportieren. Es ist ein erstaunliches Stück Software, das ich im Dezember 2011 StrategyQuant gekauft habe und seitdem täglich benutzt habe, einfach gesagt - es ist ein erstaunliches Stück Software. Bisher habe ich mehrere EAs, die sehr gut auf Backtest, so viel so Ive hinzugefügt, um meine Live-Konten erstellt. In der Vergangenheit war ich mit kommerziellen EA-Ergebnissen enttäuscht und bis heute bin ich davon überzeugt, dass, wenn eine profitable kommerzielle EA veröffentlicht wird, dass Broker schnell einen Weg finden, sie an ihrem Ende über die MT4 Broker-Plugins zu neutralisieren. Mit GB kann ich automatisch Handelsstrategien entwickeln und testen, die niemand (vor allem mein Broker) in der Welt kennt oder von ihnen profitiert und davon profitiert. Unterstützung für das Produkt ist auch hervorragend mit einem Mitgliederforum, detaillierte Anleitungen und neue Version Releases. Ich gratuliere Mark und das Team bei StrategyQuant für diese Spiel-ändernde Software. Vielen Dank noch einmal - Neil Rickaby beginnt mit der Entwicklung eigener automatisierter Handelssysteme Wir alle wissen, wie schwierig es ist, eine profitable Handelsstrategie zu finden, die mechanisch gehandelt werden kann. Mit StrategyQuant können Sie Ihre eigenen automatisierten Handelssysteme entwerfen. Anstatt EAs zu kaufen, die von jemand anderem entwickelt wurden, kannst du einfach deine eigenen erzeugen. Sie können sogar ein Portfolio von verschiedenen EAs zu handeln auf verschiedenen Paaren zu generieren. Der Ansatz, der in StrategyQuant verwendet wird, ist die Zukunft des automatischen Handels, und StrategyQuant ist das beste und komplizierteste Werkzeug für Forex Trader. StrategyQuant v. 3.8 Lifetime Lizenz mit allen zukünftigen Upgrades kostenlos Freie Möglichkeit, unbegrenzte Anzahl von Handelsstrategien zu generieren Einfacher Export nach MT4 EA, NinjaTrader C oder Tradestation EasyLanguage Zugriff auf private Community-Forum