سود در فارکس

نسبت شارپ

نسیم نیکولاس طالب، نویسنده کتاب شناخته شده قوی سیاه و یکی از تحلیلگران سابق ریسک و معاملات آپشن با PlanB که از صاحب نظران بیت کوین بوده است، مخالفت کرده و گفته است که نسبت شارپ را نمی‌ توان با اطمینان در مورد بیت کوین اعمال کرد.

نسبت شارپ ، نسبت سورینو و نسبت کالمر

در این داستان کوتاه ، ما نقص های نسبت شارپ را بررسی می کنیم و چگونه می توانیم آن را با نسبت Sorino و Calmar Ratio تکمیل کنیم تا تصویر واضح تری از عملکرد نمونه کارها به دست آوریم.

در تجزیه و تحلیل عملکرد نمونه کارها ، نسبت وضوح معمولاً اولین عددی است که مردم به آن نسبت شارپ توجه می کنند. با این حال ، این کل داستان را به ما نمی گوید (هیچ چیز نشان نمی دهد…). بنابراین ، بیایید مدتی را صرف بررسی چند معیار دیگر کنیم که در مواقعی می تواند بسیار مفید باشد.

بازبینی نسبت شارپ

نسبت شارپ عبارت است از نسبت میانگین بازده تقسیم بر انحراف استاندارد بازده سالانه. ما قبلاً مقدمه ای بر آن داشتیم داستان به

بیایید یک سری سری زمانی قیمت تست را دوباره بررسی کنیم.

import pandas as pd import numpy as np from pandas.tseries.offsets import BDay def daily_returns(prices): res = (prices/prices.shift(1) - 1.0)[1:] res.columns = ['return'] return res def sharpe(returns, risk_free=0): adj_returns = returns - risk_free return (np.nanmean(adj_returns) * np.نسبت شارپ sqrt(252)) / np.nanstd(adj_returns, ddof=1) def test_price1(): start_date = pd.Timestamp(2020, 1, 1) + نسبت شارپ BDay() len = 100 bdates = [start_date + BDay(i) for i in range(len)] price = [10.0 + i/10.0 for i in range(len)] return pd.DataFrame(data=).set_index('date') def test_price2(): start_date = pd.Timestamp(2020, 1, 1) + نسبت شارپ BDay() len = 100 bdates = [start_date + BDay(i) for i in range(len)] price = [10.0 + i/10.0 for i in range(len)] price[40:60] = [price[40] for i in range(20)] return pd.DataFrame(data=).set_index('date') def test_price3(): start_date = pd.Timestamp(2020, 1, 1) + BDay() len = 100 bdates = [start_date + BDay(i) for i in range(len)] price = [10.0 + i/10.0 for نسبت شارپ i in range(len)] نسبت شارپ price[40:60] = [price[40] - i/10.نسبت شارپ 0 for i in range(20)] return pd.DataFrame(data=).set_index('date') def test_price4(): start_date = pd.Timestamp(2020, 1, 1) + BDay() len = 100 bdates = [start_date + BDay(i) for i in range(len)] price = [10.0 + i/10.0 for i in range(len)] price[40:60] = [price[40] - i/8.0 for i in range(20)] return pd.DataFrame(data=).set_index('date') price1 = test_price1() return1 = daily_returns(price1) price2 = test_price2() return2 = daily_returns(نسبت شارپ price2) price3 = test_price3() return3 = daily_returns(price3) price4 = test_price4() return4 = daily_returns(price4) print('price1') print(f'sharpe: ') print('price2') print(f'sharpe: ') print('price3') print(f'sharpe: ') print('price4') print(f'sharpe: ')

تصویر برای پست

#تجزیه و تحلیل کمی #پایتون #علم داده #مدیریت نمونه کارها #تجسم داده

drejtimdatascience.com

نسبت شارپ ، نسبت سورینو و نسبت کالمر

ما قصد داریم نقص های نسبت شارپ را بررسی کنیم ، و چگونه می توانیم آن را با نسبت Sorino و Calmar Ratio تکمیل کنیم تا تصویر واضح تری از عملکرد یک نمونه کارها به دست آوریم.

مقالات مرتبط

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

برو به دکمه بالا