Основные показатели стратегии

Математическое ожидание

Описание:

Формула

Математическое ожидание — это среднее значение случайной величины, которое ожидается в результате большого числа экспериментов или случайных событий. В контексте торговли, это важнейший показатель ожидаемой прибыльности торговой стратегии.

Математическое ожидание бывает двух видов: в пунктах и валюте депозита.

def calculate_expectation(profit_losses):
    n = len(profit_losses)
    expectation = sum(profit_losses) / n
    return expectation

# Использование
profit_losses = [100, -50, 75, -30, 120]  # пример прибыли/убытка от сделок
expectation = calculate_expectation(profit_losses)
print("Математическое ожидание:", expectation)

double CalculateExpectation(double profit_losses[]) {
    int n = ArraySize(profit_losses);
    double sum = 0;
    for (int i = 0; i < n; i++) {
        sum += profit_losses[i];
    }
    double expectation = sum / n;
    return expectation;
}
// Использование
double profit_losses[] = {100, -50, 75, -30, 120};  // пример прибыли/убытка от сделок
double expectation = CalculateExpectation(profit_losses);
Print("Математическое ожидание:", expectation);

Профит фактор

Описание:

Формула

Профит фактор — это показатель, который отражает отношение общей суммы прибыли к общей сумме убытков.

Чем выше значение профит фактора, тем лучше эффективность стратегии.

def calculate_profit_factor(profits, losses):
    total_profit = sum(profits)
    total_loss = sum(losses)
    profit_factor = total_profit / total_loss
    return profit_factor
    
# Использование
profits = [100, 50, 75, 30, 120]  # пример прибыли от сделок
losses = [-50, -30, -20, -10, -25]  # пример убытков от сделок
profit_factor = calculate_profit_factor(profits, losses)
print("Профит фактор:", profit_factor)

double CalculateProfitFactor(double profits[], double losses[]) {
    double total_profit = ArraySum(profits);
    double total_loss = ArraySum(losses);
    double profit_factor = total_profit / total_loss;
    return profit_factor;
}
// Использование
double profits[] = {100, 50, 75, 30, 120};  // пример прибыли от сделок
double losses[] = {-50, -30, -20, -10, -25};  // пример убытков от сделок
double profit_factor = CalculateProfitFactor(profits, losses);
Print("Профит фактор:", profit_factor);

Прибыльность

Описание:

Формула

Прибыльность — это показатель, который отражает успешность торговой стратегии или инвестиций. Он представляет собой отношение общей прибыли к общим затратам или капиталу, и может быть выражен как абсолютное значение или в процентах.

Где:

Общая прибыль - сумма всех прибылей от сделок.
Общий капитал - начальный капитал или текущий баланс счета. Показатель прибыльности позволяет оценить доходность стратегии или инвестиций относительно вложенных средств.

def calculate_profitability(total_profit, initial_capital):
    profitability = (total_profit / initial_capital) * 100
    return profitability
# Использование
total_profit = 5000  # пример общей прибыли
initial_capital = 10000  # пример начального капитала
profitability = calculate_profitability(total_profit, initial_capital)
print("Прибыльность:", profitability, "%")

// MQL5
double CalculateProfitability(double total_profit, double initial_capital) {
    double profitability = (total_profit / initial_capital) * 100;
    return profitability;
}

// Пример использования
double total_profit = 5000;  // пример общей прибыли
double initial_capital = 10000;  // пример начального капитала
double profitability = CalculateProfitability(total_profit, initial_capital);
Print("Прибыльность:", profitability, "%");

Максимальная абсолютная просадка

Описание:

Формула

Максимальная абсолютная просадка (Maximum Drawdown, MDD) - это показатель, отражающий максимальную величину снижения капитала от пикового значения до минимального за определенный период времени.

MDD = (Наибольшее пиковое значение капитала - Наименьшее значение капитала после пика) / Наибольшее пиковое значение капитала

Чем меньше максимальная абсолютная просадка, тем более стабильной и менее рискованной считается торговая стратегия.

def calculate_max_drawdown(equity_curve):
    peak = equity_curve[0]
    max_drawdown = 0
    
    for value in equity_curve:
        peak = max(peak, value)
        dd = (peak - value) / peak
        max_drawdown = max(max_drawdown, dd)
        
    return max_drawdown

# Пример использования
equity_curve = [10000, 11000, 9500, 10200, 9800, 10500]
max_dd = calculate_max_drawdown(equity_curve)
print(f"Максимальная абсолютная просадка: {max_dd * 100:.2f}%")

double CalculateMaxDrawdown(double &equity_curve[])
{
    int size = ArraySize(equity_curve);
    double peak = equity_curve[0];
    double max_drawdown = 0;
    
    for(int i=1; i<size; i++)
    {
        double value = equity_curve[i];
        peak = fmax(peak, value);
        double dd = (peak - value) / peak;
        max_drawdown = fmax(max_drawdown, dd);
    }
    
    return max_drawdown;
}

// Использование
double equity_curve[] = {10000, 11000, 9500, 10200, 9800, 10500};
double max_dd = CalculateMaxDrawdown(equity_curve);
Print("Максимальная абсолютная просадка: ", max_dd * 100, "%");

Максимальная относительная просадка

Описание:

Формула

Максимальная относительная просадка (Maximum Relative Drawdown, MRD) - это показатель, отражающий максимальную долю (процент) потерянного капитала от наибольшего пикового значения за определенный период времени. В отличие от максимальной абсолютной просадки, она показывает просадку в относительных единицах.

MRD = (Наибольшее пиковое значение капитала - Наименьшее значение капитала после пика) / Наибольшее пиковое значение капитала * 100%

Чем меньше максимальная относительная просадка, тем более стабильной и менее
рискованной считается торговая стратегия.

def calculate_max_relative_drawdown(equity_curve):
    peak = equity_curve[0]
    max_drawdown = 0
    
    for value in equity_curve:
        peak = max(peak, value)
        dd = (peak - value) / peak * 100
        max_drawdown = max(max_drawdown, dd)
        
    return max_drawdown

# Пример использования
equity_curve = [10000, 11000, 9500, 10200, 9800, 10500]
max_rdd = calculate_max_relative_drawdown(equity_curve)
print(f"Максимальная относительная просадка: {max_rdd:.2f}%")

double CalculateMaxRelativeDrawdown(double &equity_curve[])
{
    int size = ArraySize(equity_curve);
    double peak = equity_curve[0];
    double max_drawdown = 0;
    
    for(int i=1; i<size; i++)
    {
        double value = equity_curve[i];
        peak = fmax(peak, value);
        double dd = (peak - value) / peak * 100;
        max_drawdown = fmax(max_drawdown, dd);
    }
    
    return max_drawdown;
}

// Использование
double equity_curve[] = {10000, 11000, 9500, 10200, 9800, 10500};
double max_rdd = CalculateMaxRelativeDrawdown(equity_curve);
Print("Максимальная относительная просадка: ", max_rdd, "%");

Относительная просадка

Описание:

Формула

Относительная просадка (Relative Drawdown, RD) - это показатель, отражающий текущую величину снижения капитала относительно его максимального предыдущего значения. Она измеряет текущий уровень просадки в процентах от наибольшего пикового значения капитала.

RD = (Наибольшее пиковое значение капитала - Текущее значение капитала) / Наибольшее пиковое значение капитала * 100%

Относительная просадка помогает оценить текущий уровень потерь по сравнению с максимально достигнутым капиталом. Чем выше значение, тем больше потери на данный момент.

def calculate_relative_drawdown(equity_curve):
    peak = equity_curve[0]
    drawdowns = []
    
    for value in equity_curve:
        peak = max(peak, value)
        rd = (peak - value) / peak * 100
        drawdowns.append(rd)
        
    return drawdowns

# Пример использования
equity_curve = [10000, 11000, 9500, 10200, 9800, 10500]
relative_drawdowns = calculate_relative_drawdown(equity_curve)
print("Относительные просадки:")
for rd in relative_drawdowns:
    print(f"{rd:.2f}%")

double CalculateRelativeDrawdown(double &equity_curve[], double &drawdowns[])
{
    int size = ArraySize(equity_curve);
    double peak = equity_curve[0];
    ArrayResize(drawdowns, size);
    
    for(int i=0; i<size; i++)
    {
        double value = equity_curve[i];
        peak = fmax(peak, value);
        double rd = (peak - value) / peak * 100;
        drawdowns[i] = rd;
    }
    
    return drawdowns;
}

// Использование
double equity_curve[] = {10000, 11000, 9500, 10200, 9800, 10500};
double drawdowns[];
CalculateRelativeDrawdown(equity_curve, drawdowns);
Print("Относительные просадки:");
for(int i=0; i<ArraySize(drawdowns); i++)
    Print(drawdowns[i], "%");

Фактор восстановления

Описание:

Формула

-данный параметр отображает рискованностьстратегии, какой суммой рискует советник что бы заработать полученную прибыль. Он вычисляется как отношение полученной прибыли к максимальной просадке.

Где:

Абсолютная прибыль - общая прибыль от сделок.
Максимальная просадка - наибольшее уменьшение доступных средств с момента достижения максимального значения баланса.

Значения менее 2 не рассматриваем

Параметр фактор восстановление тем более правильный, чем большая история торговли обсчитывается.

def calculate_recovery_factor(absolute_profit, max_drawdown):
    return absolute_profit / max_drawdown

# Пример использования
absolute_profit = 1500  # пример абсолютной прибыли
max_drawdown = 1000  # пример максимальной просадки
recovery_factor = calculate_recovery_factor(absolute_profit, max_drawdown)
print("Фактор восстановления:", recovery_factor)

double CalculateRecoveryFactor(double absolute_profit, double max_drawdown)
{
    return absolute_profit / max_drawdown;
}

// Пример использования
double absolute_profit = 1500;  // пример абсолютной прибыли
double max_drawdown = 1000;  // пример максимальной просадки
double recovery_factor = CalculateRecoveryFactor(absolute_profit, max_drawdown);
Print("Фактор восстановления:", recovery_factor);

Процент прибыльных сделок

Описание:

Формула

Процент прибыльных сделок (Profit Factor, PF) - это показатель, который определяет долю успешных (прибыльных) сделок по отношению к общему количеству сделок за определенный период времени. Он помогает оценить эффективность торговой стратегии.

Процент прибыльных сделок = (Количество прибыльных сделок / Общее количество сделок) x 100%

Чем выше процент прибыльных сделок, тем более успешной считается торговая стратегия. Однако этот показатель не учитывает размер прибыли или убытка по каждой сделке, поэтому его следует рассматривать в совокупности с другими метриками.

def calculate_profit_percent(trades):
    total_trades = len(trades)
    profitable_trades = sum(1 for trade in trades if trade > 0)
    profit_percent = (profitable_trades / total_trades) * 100
    return profit_percent

# Пример использования
trades = [100, -50, 75, -30, 120, -80, 200]
profit_percent = calculate_profit_percent(trades)
print(f"Процент прибыльных сделок: {profit_percent:.2f}%")

double CalculateProfitPercent(double &trades[])
{
    int total_trades = ArraySize(trades);
    int profitable_trades = 0;
    
    for(int i=0; i<total_trades; i++)
    {
        if(trades[i] > 0)
            profitable_trades++;
    }
    
    double profit_percent = (double)profitable_trades / total_trades * 100;
    return profit_percent;
}

// Использование
double trades[] = {100, -50, 75, -30, 120, -80, 200};
double profit_percent = CalculateProfitPercent(trades);
Print("Процент прибыльных сделок: ", profit_percent, "%");

Максимальный выигрыш

Описание:

Формула

Максимальный выигрыш (Maximum Profit, MAX_PROFIT) - это наибольшая величина прибыли, полученная в результате одной успешной сделки за определенный период времени при использовании торговой стратегии.

MAX_PROFIT = max(прибыли от сделок)

Максимальный выигрыш показывает потенциал торговой стратегии в лучшем случае и может использоваться для оценки ее возможной доходности. Однако этот показатель не дает полной картины, поскольку он не учитывает убыточные сделки и общую стабильность стратегии.

def calculate_max_profit(trades):
    profits = [trade for trade in trades if trade > 0]
    if not profits:
        return 0
    max_profit = max(profits)
    return max_profit

# Пример использования
trades = [100, -50, 75, -30, 120, -80, 200]
max_profit = calculate_max_profit(trades)
print(f"Максимальный выигрыш: {max_profit}")

double CalculateMaxProfit(double &trades[])
{
    double max_profit = 0;
    int size = ArraySize(trades);
    
    for(int i=0; i<size; i++)
    {
        if(trades[i] > max_profit)
            max_profit = trades[i];
    }
    
    return max_profit;
}

// Использование
double trades[] = {100, -50, 75, -30, 120, -80, 200};
double max_profit = CalculateMaxProfit(trades);
Print("Максимальный выигрыш: ", max_profit);

Максимальный проигрыш

Описание:

Формула

Максимальный проигрыш (Maximum Loss, MAX_LOSS) - это наибольшая величина убытка, полученного в результате одной убыточной сделки за определенный период времени при использовании торговой стратегии.

MAX_LOSS = min(убытков от сделок)

Максимальный проигрыш показывает потенциальный риск торговой стратегии в худшем случае и может использоваться для оценки ее рискованности и управления капиталом. Однако этот показатель не дает полной картины, поскольку он не учитывает прибыльные сделки и общую стабильность стратегии.

def calculate_max_loss(trades):
    losses = [trade for trade in trades if trade < 0]
    if not losses:
        return 0
    max_loss = min(losses)
    return max_loss

# Пример использования
trades = [100, -50, 75, -30, 120, -80, 200]
max_loss = calculate_max_loss(trades)
print(f"Максимальный проигрыш: {max_loss}")

double CalculateMaxLoss(double &trades[])
{
    double max_loss = 0;
    int size = ArraySize(trades);
    
    for(int i=0; i<size; i++)
    {
        if(trades[i] < max_loss)
            max_loss = trades[i];
    }
    
    return max_loss;
}

// Использование
double trades[] = {100, -50, 75, -30, 120, -80, 200};
double max_loss = CalculateMaxLoss(trades);
Print("Максимальный проигрыш: ", max_loss);

Средний выигрыш

Описание:

Формула

Средний выигрыш - это средняя величина прибыли от одной сделки.

Средний выигрыш = (Сумма прибыльных сделок) / (Количество прибыльных сделок)

def calculate_average_profit(profits, profitable_trades):
    return sum(profits) / profitable_trades

Средний проигрыш

Описание:

Формула

Средний проигрыш - это средняя величина убытка от одной сделки.

Средний проигрыш = (Сумма убыточных сделок) / (Количество убыточных сделок)

def calculate_average_loss(losses, losing_trades):
    return sum(losses) / losing_trades

Максимальная череда выигрышных сделок

Описание:

Формула

Максимальная череда выигрышных сделок - это наибольшее количество последовательных прибыльных сделок.

Не требуется, это просто наибольшее количество последовательных прибыльных сделок.

def calculate_max_win_streak(winning_streaks):
    return max(winning_streaks)

Максимальная череда проигрышных сделок

Описание:

Формула

Максимальная череда проигрышных сделок - это наибольшее количество последовательных убыточных сделок.

Не требуется, это просто наибольшее количество последовательных убыточных сделок.

def calculate_max_loss_streak(losing_streaks):
    return max(losing_streaks)

Средняя череда выигрышных сделок

Описание:

Формула

Средняя череда выигрышных сделок - это среднее количество последовательных прибыльных сделок.

Средняя череда выигрышных сделок = (Сумма количества последовательных прибыльных сделок) / (Количество циклов прибыльных сделок)

def calculate_average_win_streak(winning_streaks):
    return sum(winning_streaks) / len(winning_streaks)

Средняя череда проигрышных сделок

Описание:

Формула

Средняя череда проигрышных сделок - это среднее количество последовательных убыточных сделок.

Средняя череда проигрышных сделок = (Сумма количества последовательных убыточных сделок) / (Количество циклов убыточных сделок)

def calculate_average_loss_streak(losing_streaks):
    return sum(losing_streaks) / len(losing_streaks)

Фактор линейности

Описание:

Формула

Фактор линейности (Linearity Factor, LF) - это показатель, который оценивает линейность или стабильность роста капитала при использовании торговой стратегии. Он измеряет степень отклонения кривой капитала от идеальной прямой линии.

LF = (Конечный капитал - Начальный капитал) / (Максимальный капитал - Минимальный капитал)

Идеальное значение фактора линейности равно 1, что означает полную линейность роста капитала. Значения меньше 1 указывают на нелинейный и нестабильный рост капитала, а значения выше 1 означают, что рост капитала происходит слишком быстро, что может быть признаком высокого риска.

def calculate_linearity_factor(equity_curve):
    start_capital = equity_curve[0]
    end_capital = equity_curve[-1]
    max_capital = max(equity_curve)
    min_capital = min(equity_curve)
    
    linearity_factor = (end_capital - start_capital) / (max_capital - min_capital)
    return linearity_factor

# Пример использования
equity_curve = [10000, 10500, 9800, 10200, 10700, 11000]
linearity_factor = calculate_linearity_factor(equity_curve)
print(f"Фактор линейности: {linearity_factor:.2f}")

double CalculateLinearityFactor(double &equity_curve[])
{
    double start_capital = equity_curve[0];
    double end_capital = equity_curve[ArraySize(equity_curve)-1];
    double max_capital = equity_curve[ArrayMaximum(equity_curve)];
    double min_capital = equity_curve[ArrayMinimum(equity_curve)];
    
    double linearity_factor = (end_capital - start_capital) / (max_capital - min_capital);
    return linearity_factor;
}

// Использование
double equity_curve[] = {10000, 10500, 9800, 10200, 10700, 11000};
double linearity_factor = CalculateLinearityFactor(equity_curve);
Print("Фактор линейности: ", linearity_factor);

Коэффициент Шарпа

Описание:

Формула

Коэффициент Шарпа - это мера риска-прибыли, которая позволяет оценить доходность инвестиции или стратегии торговли относительно риска. Чем выше значение коэффициента Шарпа, тем лучше отношение доходности к риску.

Где:

Средняя доходность - среднее арифметическое значение доходности инвестиции или стратегии торговли.
Безрисковая ставка - ожидаемая доходность безрискового актива (например, государственных облигаций).
Стандартное отклонение доходности - мера риска инвестиции или стратегии торговли. Показатель позволяет оценить эффективность торговой стратегии с учетом принимаемого риска.

import statistics

def calculate_sharpe_ratio(returns, risk_free_rate):
    mean_return = statistics.mean(returns)
    std_dev_return = statistics.stdev(returns)
    sharpe_ratio = (mean_return - risk_free_rate) / std_dev_return
    return sharpe_ratio

# Пример использования
returns = [0.05, 0.03, 0.07, 0.02, 0.06]  # пример доходностей
risk_free_rate = 0.02  # пример безрисковой ставки
sharpe_ratio = calculate_sharpe_ratio(returns, risk_free_rate)
print("Коэффициент Шарпа:", sharpe_ratio)

double CalculateSharpeRatio(double returns[], double risk_free_rate)
{
    int n = ArraySize(returns);
    double mean_return = ArraySum(returns) / n;
    double sum_squared_difference = 0;
    for (int i = 0; i < n; i++)
    {
        sum_squared_difference += MathPow(returns[i] - mean_return, 2);
    }
    double std_dev_return = MathSqrt(sum_squared_difference / n);
    double sharpe_ratio = (mean_return - risk_free_rate) / std_dev_return;
    return sharpe_ratio;
}

// Пример использования
double returns[] = {0.05, 0.03, 0.07, 0.02, 0.06};  // пример доходностей
double risk_free_rate = 0.02;  // пример безрисковой ставки
double sharpe_ratio = CalculateSharpeRatio(returns, risk_free_rate);
Print("Коэффициент Шарпа:", sharpe_ratio);

Максимальная просадка (Drawdown)

Описание:

Формула

Максимальная просадка — это максимальное уменьшение капитала счета с начала торговой истории до момента восстановления.

Drawdown = (Максимальный убыток) / (Начальный капитал)

def calculate_drawdown(max_loss, initial_capital):
    return max_loss / initial_capital

Коэффициент Келли

Описание:

Формула

Коэффициент Келли помогает определить оптимальный размер ставки для максимизации прибыли при минимизации риска.

Коэффициент Келли = (p * b - q) / b
Где:
- p - вероятность успешной сделки
- b - коэффициент прибыли
- q - коэффициент убытка

def calculate_kelly_criterion(p, b, q):
    return (p * b - q) / b

Индекс Уильямса (Williams’ Percent Range)

Описание:

Формула

Z-счет - это стандартизированная мера, которая показывает, насколько значение отклоняется от среднего значения в единицах стандартного отклонения.

Z-счет = (X - Среднее) / Стандартное отклонение

Где:

X - значение
Среднее - среднее значение
Стандартное отклонение - стандартное отклонение

def calculate_z_score(value, mean, std_dev):
    return (value - mean) / std_dev

Коэффициент детерминации $R**2$ (R-squared)

Описание:

Формула

Коэффициент детерминации — это мера, которая показывает, какую часть дисперсии зависимой переменной объясняет модель. Он представляет собой квадрат коэффициента корреляции между фактическими и прогнозируемыми значениями.

Где:

def calculate_r_squared(actual_values, predicted_values):
    mean_actual = sum(actual_values) / len(actual_values)
    sum_squared_total = sum((y - mean_actual) ** 2 for y in actual_values)
    sum_squared_residuals = sum((actual_values[i] - predicted_values[i]) ** 2 for i in range(len(actual_values)))
    r_squared = 1 - (sum_squared_residuals / sum_squared_total)
    return r_squared

Важно отметить, что коэффициент детерминации $R2$ может принимать значения от 0 до 1. Значение ближе к 1 указывает на лучшее соответствие модели данным.

double CalculateR2(double actual_values[], double predicted_values[])
{
    int n = ArraySize(actual_values);
    double mean_actual = ArraySum(actual_values) / n;
    double sum_squared_total = 0;
    double sum_squared_residuals = 0;

    // Расчет сумм квадратов
    for (int i = 0; i < n; i++)
    {
        sum_squared_total += MathPow(actual_values[i] - mean_actual, 2);
        sum_squared_residuals += MathPow(actual_values[i] - predicted_values[i], 2);
    }

    // Расчет коэффициента детерминации
    double r_squared = 1 - (sum_squared_residuals / sum_squared_total);

    return r_squared;
}

Этот код принимает массив фактических значений (actual_values) и массив прогнозируемых значений (predicted_values) и возвращает коэффициент детерминации $R2$ .

ProfitStability (Стабильность прибыли)

Описание:

Формула

Показатель "ProfitStability" отражает степень стабильности прибыли торговой стратегии. Чем выше значение этого показателя, тем более стабильной является прибыльность стратегии.

Где:

Среднее значение прибыли - среднее арифметическое значение прибыли от сделок.
Стандартное отклонение прибыли - мера разброса прибыли относительно её среднего значения. Чем меньше стандартное отклонение, тем более стабильной является прибыльность стратегии.

import statistics

def calculate_profit_stability(profits):
    mean_profit = statistics.mean(profits)
    std_dev_profit = statistics.stdev(profits)
    return mean_profit / std_dev_profit

double CalculateProfitStability(double profits[])
{
    int n = ArraySize(profits);
    double mean_profit = ArraySum(profits) / n;
    double sum_squared_difference = 0;
    for (int i = 0; i < n; i++)
    {
        sum_squared_difference += MathPow(profits[i] - mean_profit, 2);
    }
    double std_dev_profit = MathSqrt(sum_squared_difference / n);
    return mean_profit / std_dev_profit;
}

Этот показатель помогает оценить уровень стабильности прибыли стратегии, что может быть полезно для принятия решений о её дальнейшем использовании.

КБТС - Коэффициент безопасности торговой системы

Описание:

Формула

Коэффициент безопасности торговой системы (КБТС) позволяет оценить уровень защищенности торговой стратегии от рисков и потерь. Чем выше значение КБТС, тем более безопасной считается торговая система.

Где:

Максимальная просадка - наибольшая потеря средств с момента достижения максимального баланса.
Абсолютная просадка - максимальное уменьшение доступных средств с момента достижения максимального значения.

def calculate_security_coefficient(max_drawdown, absolute_drawdown):
    return max_drawdown / absolute_drawdown

# Пример использования
max_drawdown = 1000  # пример максимальной просадки
absolute_drawdown = 500  # пример абсолютной просадки
security_coefficient = calculate_security_coefficient(max_drawdown, absolute_drawdown)
print("Коэффициент безопасности торговой системы:", security_coefficient)

double CalculateSecurityCoefficient(double max_drawdown, double absolute_drawdown)
{
    return max_drawdown / absolute_drawdown;
}

// Пример использования
double max_drawdown = 1000;  // пример максимальной просадки
double absolute_drawdown = 500;  // пример абсолютной просадки
double security_coefficient = CalculateSecurityCoefficient(max_drawdown, absolute_drawdown);
Print("Коэффициент безопасности торговой системы:", security_coefficient);

КБТС позволяет оценить, во сколько раз максимальная потеря превышает максимальное уменьшение средств. Чем выше значение КБТС, тем более надежной и безопасной считается торговая стратегия.

Коэффициент вариации

Описание:

Формула

Коэффициент вариации - это статистический показатель, который измеряет степень разброса или изменчивости данных относительно среднего значения. Он представляет собой отношение стандартного отклонения к среднему значению и обычно выражается в процентах.

Коэффициент вариации = (Стандартное отклонение / Среднее значение) x 100%

Коэффициент вариации помогает оценить риск и стабильность торговой стратегии. Чем ниже его значение, тем более стабильны результаты стратегии и тем меньше разброс значений вокруг среднего. Высокий коэффициент вариации указывает на высокую изменчивость и нестабильность результатов.

import math

def calculate_coefficient_of_variation(profits_losses):
    mean = sum(profits_losses) / len(profits_losses)
    squared_diffs = [(x - mean) ** 2 for x in profits_losses]
    variance = sum(squared_diffs) / len(profits_losses)
    std_dev = math.sqrt(variance)
    coefficient_of_variation = (std_dev / mean) * 100
    return coefficient_of_variation

# Пример использования
profits_losses = [100, -50, 75, -30, 120]
coefficient_of_variation = calculate_coefficient_of_variation(profits_losses)
print(f"Коэффициент вариации: {coefficient_of_variation:.2f}%")

double CalculateCoefficientOfVariation(double &profits_losses[])
{
    double mean = 0;
    int size = ArraySize(profits_losses);
    for(int i=0; i<size; i++)
        mean += profits_losses[i];
    mean /= size;
    
    double variance = 0;
    for(int i=0; i<size; i++)
        variance += pow(profits_losses[i]-mean, 2);
    variance /= size;
    
    double std_dev = sqrt(variance);
    double coeff_of_variation = 100.0 * std_dev / mean;
    
    return coeff_of_variation;
}

// Использование
double profits_losses[] = {100, -50, 75, -30, 120};
double coeff = CalculateCoefficientOfVariation(profits_losses);
Print("Коэффициент вариации: ", coeff);

NextИнструменты оценки модели линейной регрессии

Last updated 1 year ago

hashtagМатематическое ожидание

hashtagПрофит фактор

hashtagПрибыльность

hashtagМаксимальная абсолютная просадка

hashtagМаксимальная относительная просадка

hashtagОтносительная просадка

hashtagФактор восстановления

hashtagПроцент прибыльных сделок

hashtagМаксимальный выигрыш

hashtagМаксимальный проигрыш

hashtagСредний выигрыш

hashtagСредний проигрыш

hashtagМаксимальная череда выигрышных сделок

hashtagМаксимальная череда проигрышных сделок

hashtagСредняя череда выигрышных сделок

hashtagСредняя череда проигрышных сделок

hashtagФактор линейности

hashtagКоэффициент Шарпа

hashtagМаксимальная просадка (Drawdown)

hashtagКоэффициент детерминации R∗∗2R**2R∗∗2 (R-squared) arrow-up-right

hashtagProfitStability (Стабильность прибыли)

hashtagКБТС - Коэффициент безопасности торговой системы

hashtagКоэффициент вариации

Математическое ожидание

Профит фактор

Прибыльность

Максимальная абсолютная просадка

Максимальная относительная просадка

Относительная просадка

Фактор восстановления

Процент прибыльных сделок

Максимальный выигрыш

Максимальный проигрыш

Средний выигрыш

Средний проигрыш

Максимальная череда выигрышных сделок

Максимальная череда проигрышных сделок

Средняя череда выигрышных сделок

Средняя череда проигрышных сделок

Фактор линейности

Коэффициент Шарпа

Максимальная просадка (Drawdown)

Коэффициент детерминации $R**2$ (R-squared)

ProfitStability (Стабильность прибыли)

КБТС - Коэффициент безопасности торговой системы

Коэффициент вариации