Рейтинг брокеров бинарных опционов
2019
Банковский Форекс. На рынке – с 1996 года. До 2016 года обслуживание всех клиентов осуществлялось от лица банка с лицензией Банка России (АО «Нефтепромбанк»). В начале 2016 года был проведен ребрендинг и перевод обслуживания частных клиентов в международную компанию NPBFX Limited с лицензией IFSC. В банке продолжается обслуживание корпоративных клиентов.

Наша
библиотека

Банковский Форекс. На рынке – с 1996 года. До 2016 года обслуживание всех клиентов осуществлялось от лица банка с лицензией Банка России (АО «Нефтепромбанк»). В начале 2016 года был проведен ребрендинг и перевод обслуживания частных клиентов в международную компанию NPBFX Limited с лицензией IFSC. В банке продолжается обслуживание корпоративных клиентов.
Кто такие брокеры бинарных опционов Как выбрать брокера бинарных опционов Надежные брокеры бинарных опционов Честные брокеры бинарных опционов Лучшие брокеры
бинарных опционов
2019

Как выбрать брокера бинарных опционов

Рейтинг бинарных брокеров 2019

7.4. Сравнительный анализ эффективности многокритериального и монокритериального методов отбора

После того как мы ознакомились с основными понятиями многокритериального отбора, настало время ответить на вопрос, вынесенный в заглавие настоящего раздела: имеет ли многокритериальный метод отбора преимущества перед монокритериальным? На первый взгляд многокритериальный отбор представляется гораздо более высокотехнологичным и передовым с точки зрения научного подхода. С другой стороны, известно, что при исследовании динамических систем (каковыми являются финансовые рынки) грубые и приближенные методы оценки зачастую дают лучшие результаты, нежели технологии, базирующиеся на тонкой настройке. Поэтому ответ на поставленный вопрос не очевиден и требует специального исследования.

Чтобы наиболее полно изучить этот практически важный вопрос, рассмотрим 11 критериев и все возможные их парные сочетания (всего 55 сочетаний, табл. 8.2.1). Воспользуемся стратегией «короткий стрэдл/стрэнгл» и методикой построения комбинаций, применявшейся в предыдущих примерах.

Пополните торговый счет на сумму от 100 долларов США / 100 евро / 5000 рублей и получайте cashback до 60% со спреда от одного из наиболее надежных Форекс-брокеров – компании «NPBFX» (Форекс от Нефтепромбанка). Выгодные торговые условия, разрешен скальпинг и высокочастотная торговля, любые торговые советники и стратегии, вывод каждой сделки на межбанк. Мощная аналитика, бесплатные обучающие материалы, готовые торговые стратегии в Аналитическом портале. На рынке – с 1996 года.

На 1 марта 2007 г. рассчитаем значения всех критериев, а также прибыли или убытки каждой из 600 комбинаций на дату экспирации.

Для каждой пары критериев определим 20 слоев множества Парето. Для каждого слоя рассчитаем среднюю прибыль р ij входящих в него комбинаций (i – номер паретовского слоя, j – номер пары критериев). Прибыль определяется на дату экспирации и выражается как процент от маржевых требований. Для всех пар критериев сформируем также аддитивную свертку и рассчитаем среднюю прибыль отобранных по соответствующей свертке комбинаций. Чтобы результаты отбора по свертке были сопоставимы с паретовскими результатами, для каждой из 55 пар критериев определим среднюю прибыль sij (i – номер паретовского слоя, j – номер пары критериев) по количеству комбинаций, равному их количеству в каждом слое паретовского множества. То есть если для некой пары критериев в первом паретовском слое существует 5 комбинаций, во втором –12, в третьем – 24 (и так далее до 20-го слоя), то и по свертке этих же критериев рассчитаем среднюю прибыль для 5,12,24 (и так далее) лучших по свертке комбинаций. Выполнив расчеты, получим показатели рi средней прибыли на комбинацию при отборе по паретовскому методу и si – по свертке. После этого необходимо рассчитать показатели прибыли при отборе по одному критерию. Для того чтобы эти показатели были сопоставимы с показателями при многокритериальном отборе, применим следующую методику расчета средней прибыли. Для одного из двух критериев, входящих в соответствующую пару, рассчитываем среднюю прибыль по п лучшим комбинациям (n равно количеству комбинаций, попавших в соответствующий паретовский слой; в предыдущем примере – 5,12, 24 и так далее). Повторяем эту же процедуру для второго критерия. После этого для каждого n вычисляем среднее из двух средних полученных по первому и второму критериям. Полученное значение, соответствующее слою i и паре критериев j, обозначим через mij как оценку монокритериального отбора.

Выполнив описанные выше расчеты, мы получили следующий набор данных. Для 20 слоев каждой из 55 пар критериев имеем 1100 показателей прибыли при отборе паретовским методом. Кроме того, мы получили 1100 показателей прибыли при отборе по свертке и столько же при монокритериальном отборе.

Чтобы ответить на вопрос, была ли прибыль при паретовском отборе выше, чем при монокритериальном, проанализируем следующую регрессию. По горизонтальной оси откладывается средняя прибыль при отборе по Парето, а по вертикальной – прибыль при монокритериальном отборе.

Нанесем на двумерный график точки (тijij) для всех пар критериев и паретовских слоев. Если прибыль при паретовском отборе была такой же, как при отборе по одному критерию, то точки регрессии будут располагаться вдоль линии с коэффициентом наклона, равным 1 (у = 1 х х, что означает равенство двух показателей прибыли). Коэффициент наклона линии регрессии >1 означает преимущество монокритериального отбора, тогда как наклон < 1 указывает на то, что прибыль при паретовском отборе выше, чем при монокритериальном. Рисунок 7.4.1 (а) демонстрирует полученную регрессию. Две величины оказались достаточно сильно скоррелированными между собой (R2 = 0,72), коэффициент наклона линии регрессии < 1 (b = 0,54), и его отличие от единицы статистически значимо на очень высоком уровне (р < 0,00001).

Если рассмотреть данные рис. 7.4.1 (а) на более узком диапазоне прибыл» (т.е. увеличить ту область, на которой располагается большинство точек) становится хорошо заметно, что большинство точек находятся ниже линии с коэффициентом наклона, равным единице (рис. 7.4.1 (б), у=х обозначено красной линией). Суммарно, отбор по множеству Парето дал в 904 случаях из 1100 более высокую прибыль, чем отбор по одному критерию (в 18 случаях прибыли совпали). Эти результаты приводят к выводу, что с точки зрения прибыли применение многокритериального отбора комбинаций по методу Парето предпочтительнее использования монокритериального отбора.

Теперь приступим к изучению следующего вопроса: была ли прибыль при многокритериальном отборе по методу свертки выше, чем при монокритериальном отборе. Применим методику, аналогичную описанной выше, – исследуем регрессию значений координат точек (sij,mij). Горизонтальная ось соответствует средней прибыли при отборе по свертке, а вертикальная ось – средней прибыли, полученной при монокритериальном отборе.

Результаты приведены на рис. 7.4.2 (а). Как и в первом случае, оба показателя прибыли скоррелированы между собой (R2 = 0,71), коэффициент наклона линии регрессии меньше единицы (b = 0,55) и его отличие от единицы так же статистически значимо на высоком уровне (р < 0,001). Как и в случае паретовского метода, большинство точек находятся ниже линии с коэффициентом наклона, равным единице, что хорошо заметно на более узком диапазоне прибыли, в котором располагается большинство точек (рис. 7.4.2 (б), у=х обозначено красной линией).

Суммарно, отбор по свертке дал в 629 случаях из 1100 более высокую прибыль, чем отбор по одному критерию (в 28 случаях прибыли совпали). На основе этих результатов мы приходим к заключению, что с точки зрения прибыли использование многокритериального отбора комбинаций по методу свертки предпочтительнее применения монокритериального отбора.

Обращает на себя внимание тот факт, что преимущество паретовского метода многокритериального отбора перед монокритериальным более ярко выражено, чем преимущество многокритериального отбора, реализованного методом свертки. Это хорошо заметно при сравнении рис. 7.4.1 (б) и 7.4.2 (б): если в первом случае невооруженным глазом видно, что большинство точек располагается ниже линии паритета двух способов отбора, то во втором случае такое расположение точек хоть и заметно, но далеко не столь очевидно. Возможно, это объясняется тем, что паретовский метод сам по себе дает более высокие показатели прибыли, чем отбор по свертке (подробно этот вопрос будет рассмотрен ниже).

Результаты, приведенные на рис. 7.4.1 и 7.4.2, получены по данным на 1 марта 2007 г. Мы повторили этот анализ для других дат на семилетнем интервале и получили качественно схожие результаты –- многокритериальный метод стабильно давал более высокие показатели прибыли, чем отбор по одному критерию.

Таким образом, мы доказали, что использование многокритериального отбора дает более высокую прибыль, нежели отбор по одному критерию. Однако здесь нужно сделать одну очень важную оговорку. Этот вывод справедлив только в общем виде. То есть в ситуации, когда на главный вопрос нужно дать один общий ответ, справедливый в большинстве случаев. Ведь ниже линии с коэффициентом наклона b = 1 лежит большинство точек, но не все. И хотя это большинство не случайно, а статистически достоверно, тем не менее 178 точек при отборе по Парето и 443 точки при отборе по свертке (что составляет соответственно 16% и 40% от исследованных случаев) все-таки располагаются выше этой линии. Следовательно, более корректно сформулировать выводы следующим образом: многокритериальный отбор в общем случае дает лучшие результаты, чем отбор по одному критерию; вместе с тем для определенных немногих пар критериев монокритериальный отбор позволяет достичь лучших показателей прибыли, чем многокритериальный. Довольно сложно определить критерий, отбор по которому даст стабильно лучшие результаты, чем многокритериальный отбор. Наш опыт показывает, что в одни периоды времени определенные критерии могут показать лучшие результаты при их отдельном использовании, в то время как в другие периоды такой же эффект демонстрируют совсем другие критерии. Нахождение факторов, определяющих эту динамику, является предметом отдельного исследования и выходит за рамки данной книги. Для целей практической работы можно рекомендовать использование многокритериального отбора (на базе тщательно подобранного набора критериев), как показывающего в большинстве случаев стабильно лучшие результаты.


Яндекс.Метрика
  Альпари Binary Intrade
Лучшие брокеры 2019: Бинарные опционы («Fix-Contracts») от лучшего Форекс-брокера 2019 года – компании «Альпари». Минимальный контракт – от $1, экспирация – от 30 сек. Типы опционов: «Выше/Ниже», «Касание», «Диапазон», «Спред», «Экспресс», «Турбо». Альпари – один из наиболее надежных Форекс-брокеров. Более 2 млн. клиентов из 150 стран. На рынке – с 1998 года. Один из лучших бинарных брокеров 2019 года – компания «Binary.com». На рынке – с 2000 года. Доступны опционы на основные валютные пары, индексы, сырьевые рынки и индексы волатильности. Торговля в режиме 24/7, экспирация опционов: от 10 секунд – до 365 дней. Компания легально предоставляет услуги, в том числе, клиентам из стран Евросоюза. Бинарный брокер нового поколения. Вывод средств обычно – до 15 мин., менеджеры первыми не звонят клиентам (и не уговаривают пополнить торговый счет), бесплатный демо-счет, депозит – от $10, опционы – от $1, торговля и вывод средств – без верификации.
Содержание Далее
  Лучший Форекс-брокер – компания «Альпари». Более 2 млн. клиентов из 150 стран. На рынке – с 1998 года. Выгодные торговые условия, ECN-счета с доступом к межбанковской ликвидности и моментальным исполнением, спреды – от 0 пунктов, кредитное плечо – до 1:1000, положительные отзывы реальных трейдеров.