شبیه سازی در معاملات فارکس با استفاده از روش مونت کارلو 

برای پی بردن به میزان ریسک و یا پایداری سیستم معاملاتی خود باید آن را آزمایش کنید، در این میان روش های گوناگونی برای انجام این کار وجود دارد که روش مونت کارلو یکی از بهترین گزینه هاست. 

این روش که  بر اساس شبیه سازی کار می کند ، احتمالات را بوسیله تولید اعداد تصادفی بررسی می کند تا تمام سناریوهای احتمالی را ارزیابی کند. آنچه که باید انجام دهیم این است که تا حد امکان اعداد تصادفی تولید کنیم و به این ترتیب بتوانیم حالت های مختلف معاملاتی را بررسی کنیم.
برای مثال می توانیم با تغییر مواردی مانند قیمت ها، اسپرد، ورودی و خروجی، شرایط را بررسی کنیم. با این روش می توانید میزان تأثیر هر متغیر و دوام آن را روی سیستم معاملاتی خود در بلند مدت و کوتاه مدت ارزیابی کنید. 

در این مقاله به شما نشان می دهیم که چگونه این آزمایش می تواند به شما کمک کند و به این ترتیب با ذکر مثال، با نحوه چگونگی استفاده از آن آشنا شوید. 

چگونه می توان از روش شبیه سازی مونت کارلو استفاده کرد؟

از این روش شبیه سازی در سیستم های اقتصادی از جمله شرکت ها و سرمایه گذاری ها استفاده می شود. در برخی موارد نیز از این روش در بخش ارزش گذاری و آنالیز پورتفولیو سرمایه گذاری، گزینه های سرمایه گذاری یا مدیریت ریسک مدل ها استفاده می شود.
از آنجا که نمی توان میزان بازده را در سرمایه گذاری به صورت قطعی پیش بینی کرد، با استفاده از این روش می توان سناریوهای مختلف را با دقت مناسبی بررسی کرد. 

به عنوان مثال، نمی توان حرکت قیمت ها را در بازار معاملات پیش بینی کرد و تنها  می توان آنها را تقریب زد بنابراین، انجام این کار با دقت بالا تقریباً غیرممکن است.
اینجاست که شبیه سازی مونت کارلو وارد عمل می شود و شما با استفاده از آن رفتار یک سیستم معاملاتی یا مجموعه ای از آنها را در این شبیه ساز پیاده می کنید تا چگونگی تکامل این سیستم ها را تحلیل کنید.
در این صورت  پس از انجام شبیه سازی، تعداد بسیار زیادی از سناریوهای ممکن ارزیابی می شوند.

اساس نامگذاری این روش

مونت کارلو نام کازینویی معروف است و در آن بازی رولت که براساس اعداد رندوم و تصادفی انجام می شود از محبوبیت خاصی برخوردار است.
این سیستم ابتدا در سال 1946، زمانی که ریاضیدانی به نام استانیسلاو اولام در فکر پیدا کردن روشی مناسب برای بهبود بازی خود بود، مورد استفاده قرار گرفت.
او فهمید که نتیجه کلی رقابت انفرادی با انجام چندین تست به وسیله کارتها و بررسی نتایج آنها، آسان تر از محاسبه یک به یک همه ترکیبات است.

او این ایده را با ریاضیدان دیگری به نام جان ون نویمان مطرح کرد، نیومن چنان تحت تأثیر سیستم قرار گرفت که تلاش خود را برای اصلاح فرمول انجام داد. در این میان، پیشرفت های تکنولوژی، کامپیوترها  و تئوری آلن تورینگ، باعث شد تا شبیه سازی این مدل مطرح شده در زمینه های مالی آسان تر شود. 

می توان گفت نامه ای که نیومن به آزمایشگاه لس آنجلس درباره این روش ارسال کرد در گسترش استفاده از آن نقش بسیار مهمی ایفا کرده است.
استفاده از روش مونت کارلو در آزمایشات تحقیقاتی مربوط به بمب اتم در طول جنگ جهانی دوم، در آزمایشگاه های آمریکا مورد استفاده قرار گرفت.
بعدها، این روش شبیه سازی تکامل پیدا کرد به گونه ای که امروزه در بازارهای کاری از شبیه ساز مونت کارلو در زمینه انواع آمارها و  تصمیم گیری درباره اجرای عملیاتی که به دلیل داشتن متغیرهای زیاد ریسک بالایی دارند، مورد استفاده قرار می گیرد.

درک روش مونت کارلو

نکته مهمی که در زمینه کار کردن با این روش باید در نظر بگیرید این است که باید تعداد مناسبی از اعداد تصادفی را انتخاب کنید اما چگونه می توان این اعداد را بدست آورد؟ برای این منظور بهتر است از نرم افزار استفاده کنید. 

فرض کنید بخواهید 10 هزار عدد تصادفی تولید کنید، چه مقدار زمان نیاز است تا این اعداد را با در نظر گرفت احتمالات گوناگون، تولید کنید؟ به همین منظور، برای دست یابی به این هدف باید از کامپیوتر و نرم افزارهای مناسب استفاده کنید. اگرچه که این نرم افزارها برای تولید اعداد تصادفی برنامه ریزی می شوند و این اعداد به طور کامل تصادفی و رندوم انتخاب نمی شوند ولی شبیه ترین اعداد را نسبت به واقعیت و متغیرهای موجود، تولید می کنند.
به این اعداد، شبه تصادفی می گویند.

مثال عملی

برنامه های طراحی به کمک رایانه (CAD) می توانند به سرعت حجم مدل های بسیار پیچیده را تعیین کنند. در حالت نرمال ، چنین نرم افزاری توانایی تعیین حجم یک منشور را که برابر است با: سطح پایه ضرب در ارتفاع را ندارد.
در چنین شرایطی می توان با تقسیم مدل به مجموعه ای از زیر مدل های کوچک میزان حجم کلی را اندازه گیری کرد اما در این روش، منابع زیادی برای اندازه گیری حجم این المان ها، مصرف می شود.
به همین منظور، برای بدست آوردن این حجم ها از روش مونت کارلو استفاده می شود.
این نرم افزار می تواند مدل هندسی مورد نظر را از نظر موقعیت گره ها، لبه ها و سطوح تحلیل  کند و با تقریب زدن نقطه ای که در خارج یا داخل محدوده مورد نظر است، هزینه محاسبات را کاهش دهد. 

این نرم افزار مدل را در یک حجم مشخص (مثلاً در مکعب حجم 1 متر مکعب) تعیین می کند، سپس یک نقطه تصادفی در داخل حجم شناخته شده ایجاد می کند و مشخص می کند که آیا نقطه مورد نظر در داخل یا خارج از مدل است یا خیر. این فرآیند چندین بار (هزاران یا میلیون ها بار) تکرار می شود و در انتها تعداد نقاط موجود در داخل و خارج از مدل را مشخص می کند.

احتمال قرار گرفتن نقاط در داخل ، متناسب با حجم مدل است ، بنابراین نسبت نقاط موجود ، با توجه به کل نقاط تولید شده، همان نسبت حجمی است که مدل در مکعب 1 متر مکعب اشغال می کند. به این ترتیب، اگر 50% از نقاط در داخل حجم قرار گرفته باشند، حجم مورد نظر نیز 50% از حجم کل را تشکیل می دهد.
هرچه تعداد نقاط بیشتری توسط نرم افزار تولید شود، میزان خطای سیستم نیز کمتر خواهد شد. 

صفحات اکسل

یکی از روش های اجرای مونت کارلو، ایجاد ترتیب تصادفی از عملیات است. برای این منظور ، می توانیم یک شبیه سازی ساده را با استفاده از اکسل انجام دهیم. ابتدا، با داده های نمونه بعدی، کار خود را آغاز کنید. با این کار می توانید لیستی از نتایج عملیات بعد از انجام بک تست تهیه کنید.
حال، نتایج را برای اندازه های مختلف تعیین کنید. نتایج بدست آمده را گروه بندی کنید و هر نتیجه را به گروه مربوطه نسبت دهید. در LibreOffice این کار را با استفاده از گزینه Functions Category Frequency Matrix انجام دهید.

در ادامه مثال، فرض کنید که  تا زمان توزیع کل نمونه، فقط یک معامله با ضرر بیشتر از 600- ، 3 معامله با نتایج بین 300- تا -200 و غیره وجود داشته باشد. سپس، تکرار نسبی یا احتمالی را که در محدوده داده شده وجود دارد را محاسبه کنید ( این تکرار یا فرکانس برای کل عملیات در نظر گرفته می شود) .
در این روش، با محاسبه تکرارهای تجمعی می توانید فواصل متغیرهای تصادفی مربوط به هر معامله را بدست آورید.

مرحله بعدی، تغییر ترتیب عملیات تصادفی است ، در واقع ما به دنبال دستیابی به توالی تصادفی از معاملات هستیم. چگونه باید این کار را انجام داد؟

می توانید از تابع SEARCH استفاده کنید و آرایه بین گروه ها و فواصل را به عنوان معیارهای جستجوی تصادفی انتخاب کنید. باید بگوییم که شبیه سازی مونت کارلو در صفحه اکسل به صورت بالا انجام می شود.
توجه داشته باشید که هر عدد تصادفی باید با احتمال کمتر یا مساوی در محدوده مورد نظر و با عدد تصادفی بدست آمده ارتباط پیدا کند. به عنوان مثال، اگر عدد تولید شده برابر با 0.35 باشد با دامنه 100 تطبیق پیدا می کند. 

با استفاده از توالی در عملیات می توانید نمودارها و منحنی های مختلفی را در زمینه سود رسم کنید. توجه داشته باشید که با تصادفی کردن عملیات، این منحنی ها، نتایج متفاوتی را ارائه می دهند.
به این صورت می توانید با استفاده از اطلاعات بدست آمده از این نمودارها، میزان انتظار خود را از معامله، پراکندگی نتایج ، ماکزیمم انتظارات از ضرر و سایر نسبت ها را مشخص کنید.

استفاده از مونت کارلو در معاملات

مونت کارلو بهترین روشی است که با استفاده از آن می توانید سیستم خود را تحت فشار قرار دهید و واکنش آن را در شرایط مختلف بسنجید. به یاد داشته باشید که بازار هر روز تغییر می کند به همین دلیل نمی دانیم که فردا چه اتفاقی می افتد درنتیجه باید متغیرهای تاثیرگذار بر معاملات را از جمله اسپرد، قیمت ها و..را تغییر دهیم و تأثیر آنها را بر معاملات و استراتژی خود بررسی کنیم. 

استراتژی هایی که علی رغم تغییرات اعمال شده همچنان برای سیستم شما سود آور هستند، می توانند بازده مناسبی را برای شما داشته باشند. در مقابل، اگر استراتژی شما در هر شبیه سازی به طور متفاوت عمل کند، باید از آن صرف نظر کنید زیرا می تواند با تغییر شرایط بازار، باعث ضررتان شود. 

استفاده از داروینز (Darwins)

با آنالیز داده ها و نتایج بدست آمده از این روش می توان میزان اعتبار استراتژی کاربردی در معاملات را بررسی کرد. برای محاسبه نمودارهای گوناگون، به توالی نتایج بدست آمده توسط روش داروین نیاز داریم به همین دلیل باید اجازه دهیم تا آنجا که ممکن است عملیات لازم را انجام دهد. برای تحلیل داده های بدست آمده باید به پروفایل ریسک داروینی که می خواهید آنالیز کنید، دسترسی داشته باشید تا بتوانید هیستوگرامی از عملیات انجام شده توسط آن بدست آورید. 

بعد از تهیه جدول، باید یک سری از اعداد تصادفی بین 0 تا 100 تهیه کنید و سپس نتایج را بر اساس عدد انتخابی، ارزیابی کنید. بنابراین، اگر اکسل ما عدد تصادفی 55 را انتخاب کند، نتیجه عملیات% 2+ خواهد شد. این نتیجه چگونه بدست آمد؟

از آنجا که نتیجه فرکانس تجمعی% 2 +برابر با  68.90٪ و نتیجه فرکانس تجمعی% 2- برابر با
30.53است ، بنابراین نتیجه هر عدد تصادفی که بین 30.53 تا 68.9 ظاهر شود برابر با% 2 + خواهد شد. 

شما می توانید این قانون را برای هر عملیات و نمودار استفاده کنید و در این صورت می توانید تعداد عملیت و منحنی هایی را می خواهید شبیه سازی کنید را تعیین کنید. یک داروین با میانگین مثبت به این معنی است که در طولانی مدت ، شانس زیادی برای پیروزی دارد. 

همچنین ، انحراف معیار آن نیز به ما ایده ای از تغییر نتایج احتمالی این داروین می دهد ، توجه داشته باشید که هرچه این میزان کوچکتر باشد ، بهتر است.
این پارامترها به تعداد منحنی ها و تعداد عملیاتی که می خواهید شبیه سازی کنید بستگی دارد (تعداد منحنی هایی که به عنوان مثال در نظر گرفته ایم کافی نیست ، باید بیشتر شبیه سازی کنیم ، معمولاً 1000 منحنی شبیه سازی می شوند).

آنالیز مونت کارلو

روش مونت کارلو یکی از بزرگترین روش های آنالیز و به عنوان اولین گزینه برای بررسی نتایج معاملات پرریسک مورد توجه قرار می گیرد.
استفاده از آن در معاملات می تواند سطح دانش و آگاهی شما را نسبت به معامله انتخابی، افزایش دهد. شرکت های چند ملیتی مانند گوگل موفقیت های خود را در استفاده از روش تحلیلی مونت کارلو به اشتراک گذاشته اند.
آنها سرمایه زیادی را برای خرید شبکه های اجتماعی و سایر سرویس های دیجیتال خرج کرده اند و اکنون در رأس دنیای اینترنت قرار گرفته اند. استفاده از چنین آنالیزی مانع از شکست آنها می شود.
با استفاده از این روش می توانید به میزان صحت و اعتبار استراتژی کاربردی خود در معاملات پی ببرید و احتمال موفقیت خود را افزایش دهید.