How to filter out trending stocks in mean reversion strategy


This technique works well when trading just one instrument and when using leverage. Once you have some basic trading rules set up you need to get these programmed into code so that you can do some initial testing on a small window of in-sample data. Jeder baut anspruchsvollere Algorithmen, und je mehr Wettbewerb vorhanden ist, desto kleiner die Gewinne.

But What Is Mean Reversion?


In der Praxis bedeutet dies, dass alle Programmabschlüsse mit Hilfe eines Computers eingegeben werden. Gleichzeitig wurde die Portfolio-Versicherung dazu entworfen, eine synthetische Put-Option auf ein Aktienportfolio durch dynamisches Trading von Aktienindex-Futures nach einem Computermodell basierend auf dem BlackScholes-Optionspreismodell zu schaffen.

Beide Strategien, oft einfach zusammengefasst als Programm-Trading, wurden von vielen Menschen zum Beispiel durch die Brady-Bericht für die Verschärfung oder sogar Start der Börsencrash. Doch die Auswirkungen der Computer gefahrenen Handel auf Börsencrashes ist unklar und weit in der akademischen Gemeinschaft diskutiert.

Diese erhöhte Marktliquidität führte zu institutionellen Händlern, die Aufträge nach Computeralgorithmen aufteilen, um Aufträge zu einem besseren Durchschnittspreis ausführen zu können. Diese Durchschnittspreis-Benchmarks werden von Computern unter Anwendung des zeitlich gewogenen Durchschnittspreises oder häufiger durch den volumengewichteten Durchschnittspreis ermittelt und berechnet. Als weitere elektronische Märkte eröffnet wurden, wurden andere algorithmische Handelsstrategien eingeführt.

Diese Strategien werden leichter von Computern implementiert, da Maschinen schneller auf vorübergehende Fehlpreise reagieren und gleichzeitig die Preise von mehreren Märkten untersuchen können.

Es ist unerlässlich zu verstehen, was Latenz ist, wenn eine Strategie für den elektronischen Handel. Latenz bezieht sich auf die Verzögerung zwischen der Übertragung von Informationen von einer Quelle und dem Empfang der Information an einem Ziel.

Die Latenz hat als untere Grenze die Lichtgeschwindigkeit, was etwa 3,3 Millisekunden pro Kilometer Lichtwellenleiter entspricht. Trendverlauf Trend Trend ist eine Investitionsstrategie, die versucht, langfristige, mittelfristige und kurzfristige Bewegungen zu nutzen, die manchmal in verschiedenen Märkten auftreten. Die Strategie zielt darauf ab, von einem Markttrend auf beiden Seiten zu profitieren, lange kaufend oder kurz Verkauf auf einem Markt zu profitieren, um vom Auf und Ab der Aktien - oder Futures-Märkte zu profitieren.

Händler, die diesen Ansatz verwenden, können aktuelle Marktpreisberechnungen, gleitende Durchschnitte und Kanalausbrüche verwenden, um die allgemeine Richtung des Marktes zu bestimmen und Handelssignale zu erzeugen. Handelspaar Handel oder Pärchenhandel ist ein Long-Short. Idealerweise marktneutrale Strategie, die es den Händlern ermöglicht, vor transienten Diskrepanzen des relativen Werts enger Substitute zu profitieren. Dies trifft besonders dann zu, wenn die Strategie auf einzelne Bestände angewandt wird - diese unvollkommenen Substitute können auf unbestimmte Zeit divergieren.

In der Theorie sollte die langfristige Natur der Strategie machen es funktionieren, unabhängig von der Börsen-Richtung. Es gehört zu weiteren Kategorien von statistischen Arbitrage.

Ein solches Portfolio enthält typischerweise Optionen und deren entsprechende zugrunde liegende Wertpapiere, so dass positive und negative Delta-Komponenten versetzt werden, was dazu führt, dass der Portfoliowert relativ unempfindlich gegenüber Wertänderungen des zugrunde liegenden Wertpapiers ist. Arbitrage Edit In Wirtschaft und Finanzen. Schlagen eine Kombination von passenden Deals, die aus dem Ungleichgewicht zu profitieren, wobei der Gewinn ist der Unterschied zwischen den Marktpreisen.

Wenn ein Arbitrage von Akademikern verwendet wird, handelt es sich bei einem Arbitrage um eine Transaktion, bei der kein negativer Cashflow in einem probabilistischen oder zeitlichen Zustand und ein positiver Cashflow in mindestens einem Staat vereinfacht ist, die Möglichkeit eines risikofreien Gewinns zu Nullen.

Bedingungen für Arbitrage Die Bearbeitung von Arbitrage ist möglich, wenn eine der drei Bedingungen erfüllt ist: Der gleiche Vermögenswert wird nicht auf allen Märkten zum gleichen Preis gehandelt das Gesetz eines Preises wird vorübergehend verletzt. Zwei Vermögenswerte mit identischen Cashflows handeln nicht zum gleichen Preis.

Ein Vermögenswert mit einem bekannten Kurs in der Zukunft tut heute nicht zu seinem künftigen Kurs, der zum risikofreien Zinssatz diskontiert wird oder der Vermögenswert hat keine vernachlässigbaren Lagerkosten als solche, zum Beispiel gilt diese Bedingung für Getreide, aber nicht Für Wertpapiere. Arbitrage ist nicht einfach der Akt des Kaufens eines Produktes in einem Markt und verkauft es in einem anderen für einen höheren Preis zu einem späteren Zeitpunkt. Die langen und kurzen Transaktionen sollten idealerweise gleichzeitig auftreten, um das Risiko des Marktrisikos zu mini - mieren oder das Risiko, dass sich die Preise auf einem Markt ändern können, bevor beide Transaktionen abgeschlossen sind.

In der Praxis ist dies grundsätzlich nur mit Wertpapieren und Finanzprodukten möglich, die elektronisch gehandelt werden können, und selbst dann, wenn die ersten Beine des Handels ausgeführt werden, sich die Preise in den anderen Beinen verschlechtert haben und sich in einem garantierten Zustand verriegeln können Verlust. Anmerkung 1 Im einfachsten Beispiel sollte jede in einem Markt verkaufte Ware für denselben Preis in einer anderen verkauft werden.

Händler können zum Beispiel feststellen, dass der Preis für Weizen in landwirtschaftlichen Regionen niedriger ist als in Städten, kauft das Gut und transportiert es in eine andere Region, um zu einem höheren Preis zu verkaufen. True Arbitrage erfordert, dass es kein Marktrisiko beteiligt. Wenn Wertpapiere an mehr als einer Börse gehandelt werden, erfolgt die Arbitrage durch gleichzeitigen Kauf und Verkauf auf der anderen. Solche gleichzeitige Ausführung, wenn perfekte Substitute beteiligt sind, minimiert Kapitalanforderungen, aber in der Praxis schafft niemals eine selbstfinanzierende freie Position, wie viele Quellen nach der Theorie falsch annehmen.

Solange sich der Marktwert und die Risikobereitschaft der beiden Beine unterscheiden, müsste das Kapital aufgebracht werden, um die Long-Short-Arbitrage-Position zu tragen.

Mittlere Reversion Bearbeiten Die mittlere Reversion ist eine mathematische Methode, die manchmal für Aktieninvestitionen verwendet wird, kann aber auch auf andere Prozesse angewendet werden. Im Allgemeinen ist die Idee, dass sowohl eine hohe und niedrige Preise sind vorübergehend, und dass ein Aktienkurs tendenziell einen durchschnittlichen Preis im Laufe der Zeit haben. Die mittlere Reversion beinhaltet zunächst die Ermittlung der Handelsspanne für eine Aktie und die Berechnung des Durchschnittspreises anhand analytischer Techniken in Bezug auf Vermögenswerte, Erträge usw.

Wenn der aktuelle Marktpreis unter dem Durchschnittspreis liegt, wird die Aktie als attraktiv angesehen , Mit der Erwartung, dass der Preis steigen wird. Wenn der aktuelle Marktpreis über dem Durchschnittspreis liegt, wird der Marktpreis voraussichtlich fallen. Mit anderen Worten, es wird erwartet, dass Abweichungen vom Durchschnittspreis auf den Durchschnitt zurückgehen.

Die Standardabweichung der jüngsten Preise z. Während Reporting Services die Durchschnittswerte bereitstellen, ist die Ermittlung der hohen und niedrigen Preise für den Studienzeitraum noch notwendig. Scalpers versuchen, wie traditionelle Market Maker oder Spezialisten zu handeln. Dieses Verfahren ermöglicht Gewinn auch dann, wenn das Angebot und die Nachfrage überhaupt nicht verschieben, solange es Händler gibt, die bereit sind, Marktpreise zu nehmen.

Normalerweise wird eine Position schnell aufgebaut und liquidiert, in der Regel innerhalb von Minuten oder sogar Sekunden. Ein Market Maker ist im Grunde ein spezialisierter Scalper. Ein Market Maker verfügt über ein ausgeklügeltes Handelssystem zur Überwachung der Handelsaktivitäten. Allerdings ist ein Market Maker durch strenge Wechselkurse gebunden, während die einzelnen Händler nicht. Transaktionskostenreduzierung Die meisten Strategien, die als algorithmischer Handel sowie algorithmisches Liquiditätssuchen bezeichnet werden, fallen in die Kostensenkungskategorie ein.

Die Wahl des Algorithmus hängt von verschiedenen Faktoren ab, wobei die wichtigste Volatilität und die Liquidität der Aktie sind. Beispielsweise ist für eine hochflüssige Lagerung die Übereinstimmung eines bestimmten Prozentsatzes der Gesamtbestände sogenannte Volumeninlinealgorithmen in der Regel eine gute Strategie, aber für eine hoch illiquide Aktie versuchen Algorithmen, jede Bestellung mit einem günstigen Preis Sogenannte liquiditätssuchende Algorithmen.

Der Erfolg dieser Strategien wird in der Regel durch den Vergleich der durchschnittlichen Preis, bei dem die gesamte Bestellung durchgeführt wurde, mit dem durchschnittlichen Preis durch eine Benchmark-Ausführung für die gleiche Dauer erreicht gemessen. Manchmal wird der Ausführungspreis auch mit dem Preis des Instruments zum Zeitpunkt der Bestellung verglichen.

Eine spezielle Klasse dieser Algorithmen versucht, algorithmische oder Eisberg-Ordnungen auf der anderen Seite zu detektieren d. Diese Algorithmen werden Sniffing-Algorithmen genannt. Ein typisches Beispiel ist Stealth. Jeder baut anspruchsvollere Algorithmen, und je mehr Wettbewerb vorhanden ist, desto kleiner die Gewinne. Alle Portfolio-Allokationsentscheidungen werden durch computerisierte quantitative Modelle getroffen. Der Erfolg von HFT-Strategien ist weitgehend von ihrer Fähigkeit geprägt, gleichzeitig Informationsvolumen zu verarbeiten, was normale menschliche Händler nicht tun können.

Type move image Datei: Discuss Vorgeschlagen seit August Wenn sich die Marktpreise genügend von denen unterscheiden, die im Modell zur Deckung der Transaktionskosten enthalten sind, können vier Transaktionen getätigt werden, um einen risikofreien Gewinn zu gewährleisten.

Wie Strategien der Marktentwicklung kann statistisches Arbitrage in allen Assetklassen angewendet werden. Ein Beispiel hierfür wäre die Merger-Arbitrage, die auch als Risikoarbitrage bezeichnet wird. Merger Arbitrage besteht im Allgemeinen aus dem Kauf der Aktie einer Gesellschaft, die das Ziel einer Übernahme ist, während kurzfristig die Aktie der übernehmenden Gesellschaft.

Normalerweise ist der Marktpreis der Zielgesellschaft kleiner als der Preis, den die übernehmende Gesellschaft anbietet. Der Spread zwischen diesen beiden Preisen hängt im Wesentlichen von der Wahrscheinlichkeit und dem Zeitpunkt der abgeschlossenen Übernahme sowie dem aktuellen Zinsniveau ab.

Das Risiko ist, dass der Deal brechen und die Verbreitung massiv erweitert. Händler mit geringer Latenz sind auf Netzwerke mit extrem niedriger Latenz angewiesen. Sie profitieren durch die Bereitstellung von Informationen, wie konkurrierende Angebote und Angebote, um ihre Algorithmen Mikrosekunden schneller als ihre Konkurrenten. Es besteht auch ein sehr starker Druck, kontinuierlich Merkmale oder Verbesserungen eines bestimmten Algorithmus hinzuzufügen, wie kundenspezifische Modifikationen und verschiedene Leistungsverbesserungsänderungen hinsichtlich der Benchmark-Handelsleistung, Kostensenkung für das Handelsunternehmen oder einer Reihe anderer Implementierungen.

Dies ist auf die evolutionäre Natur der algorithmischen Handelsstrategien zurückzuführen, die sie in der Lage sein müssen, sich anzupassen und zu handeln, unabhängig von den Marktbedingungen, die flexibel genug ist, um einer breiten Palette von Marktszenarien standzuhalten. Infolgedessen wird ein beträchtlicher Anteil der Nettoeinnahmen von Firmen für die RampD dieser autonomen Handelssysteme ausgegeben. Neuronale Netze und genetische Programmierung wurden verwendet, um diese Modelle zu schaffen.

Probleme und Entwicklungen Bearbeiten Der algorithmische Handel hat gezeigt, dass er die Liquidität des Marktes 51 neben anderen Vorteilen deutlich verbessert. Jedoch wurden Verbesserungen in der Produktivität, die durch algorithmischen Handel gebracht werden, durch menschliche Vermittler und Händler konfrontiert, die steifen Wettbewerb von den Computern entgegengesetzt sind.

Händler haben intuitive Sinne, wie die Welt arbeitet. Die Natur der Märkte hat sich dramatisch verändert. August erlebte die Knight Capital Group ein technologisches Problem in ihrem automatisierten Handelssystem, was 57 zu einem Verlust von Millionen führte. Diese Software wurde aus den companys Systemen entfernt. Kunden wurden nicht durch die fehlerhaften Aufträge negativ beeinflusst, und das Software-Problem war auf das Routing von bestimmten börsennotierten Aktien an NYSE beschränkt.

Knight hat seine gesamte fehlerhafte Handelsposition gehandelt, die zu einem realisierten Vorsteuerverlust von rund Millionen geführt hat. Algorithmische und HFT wurden gezeigt, um zur Volatilität während der 6.

Mai Flash Crash beigetragen haben, 14 16, wenn die Dow Jones Industrial Average stürzte etwa Punkte nur, um diese Verluste innerhalb von Minuten wiederherzustellen. Über Algorithmen gelesen und gehandelt werden. Computer werden nun verwendet, um Nachrichten zu erzählen Geschichten über die Ergebnisse des Unternehmens Ergebnis oder Wirtschaftsstatistiken, wie sie freigegeben werden.

Und diese fast sofortige Information bildet einen direkten Einzug in andere Computer, die auf den Nachrichten handeln. Einige Unternehmen sind auch versucht, automatisch zuweisen, Stimmung die Entscheidung, ob die Nachricht ist gut oder schlecht , um Nachrichten, so dass automatisierte Handel kann direkt auf die Nachrichten-Geschichte. Passarella wies auch auf neue akademische Forschung auf dem Grad, in dem häufige Google-Recherchen auf verschiedenen Aktien können als Trading-Indikatoren, die potenziellen Auswirkungen von verschiedenen Phrasen und Worte, die in Securities and Exchange Commission Aussagen und die neuesten Welle der Online-Communities erscheinen können durchgeführt werden Gewidmet Aktienhandelsthemen.

So the way conversations get created in a digital society will be used to convert news into trades, as well, Passarella said. More of our customers are finding ways to use news content to make money.

In July , Citigroup. The Foresight project is set to conclude in late Technical design Edit The technical designs of such systems are not standardized. Conceptually, the design can be divided into logical units: The data stream unit the part of the systems that receives data e.

Jobs once done by human traders are being switched to computers. The speeds of computer connections, measured in milliseconds and even microseconds. If a company reports strong quarterly earnings way above its long term average, the next quarter it will probably report closer to its average.

There are many factors at play which can contribute to extreme results. Many of which suffer from natural mean reversion. For example, the weather. Similarly, if a stock has an unusually low PE ratio, an investor might buy the stock betting that the company is undervalued and the PE will revert to a more average level.

Many investors trim their exposure to the stock market as a result. Since the market is a reflection of the crowd, some investors will look at sentiment indicators like investor confidence to find turning points. Historically, investor surveys have shown investors become more pessimistic near market lows and more confident near market peaks. There are peaks in investor sentiment near market highs such as in January There are also troughs near market bottoms such as March and May Pairs trading is a fertile ground for mean reversion trades because you can bet on the spread between two similar products rather than attempting to profit from outright movement which can be riskier.

If two markets are correlated for example gold and silver or Apple and Microsoft and all of a sudden that correlation disappears, that can be an opportunity to bet on the correlation returning.

Let it be said that there are many other ways that you could measure mean reversion so you are limited only in your imagination. Proponents of efficient market theories like Ken French believe that markets reflect all available information. It is therefore not possible to beat the market with mean reversion or any other strategy without some form of inside information or illegal advantage.

The stock has fallen to price in the latest information and there is no reason why the stock should bounce back just because it had a big fall. CAPE has a good record of market timing over the last years which is why it has become such a popular tool. But closer inspection reveals that most of the gains came in the first first 50 years. In the most recent 50 years, the ratio has actually done worse than buy and hold.

There is an argument that some mean reversion indicators like CAPE are based on insufficient sample sizes. A hundred or two hundred years may sound like long enough but if only a few signals are generated, the sample size may still be too small to make a solid judgement. One flaw with a mean reversion strategy is that in theory, the more a stock falls, the better the setup becomes. This can cause issues with risk management.

Even though you are losing money, a mean reversion strategy will likely see the drop as another buy signal. Mean reversion requires you to hold on to your loser or even increase your position in this scenario. From a risk management point of view it can make more sense to cut your losses at this point.

But this goes against the concept of mean reversion. This results in a logical inconsistency. In reality, however, successful mean reversion traders know all about this issue and have developed simple rules to overcome it. For example, they will use time based exits, fixed stop losses or techniques to scale in to trades gradually. Despite some of the arguments against mean reversion trading strategies there are clearly many successful investors who have taken this approach and been successful.

On a personal level, I have found mean reversion to be a powerful way to trade the markets and I have developed numerous mean reversion systems over the last few years. Well, for 12 years, I have been missing the meat in the middle, but I have made a lot of money at tops and bottoms. Now we have talked about some background, I am going to detail more about my process for building mean reversion trading systems.

I think we can break this process down into roughly 10 steps. It all begins with getting ready the right tools for the job.

An important part of building a trading strategy is to have a way to backtest your strategy on historical data. Backtesting does not guarantee that you will find a profitable strategy but it is the best tool we have for finding strategies that work.

I use Amibroker which is quick and works very well for backtesting strategies on stocks and ETFs. There are numerous other software programs available and each comes with its own advantages and disadvantages. You can also do plenty of analysis with Microsoft Excel.

A key part of learning how to use backtesting software involves understanding any weaknesses within the program itself that might lead to backtesting errors.

For example, how easy is it to program rules that look into the future? How easy is to analyse your results and test for robustness? One of the deadliest mistakes a system developer can make is to program rules that rely on future data points. A classic example is using the closing price to calculate a buy entry but actually entering the stock on the open of the bar.

In other words you trade before the signal. Generally, if your entry signal is based on the close of one bar, have the system execute its trade on the next bar along.

The next step is to get hold of some good quality data with which to backtest your strategies. Is the data adjusted for corporate actions, stock splits, dividends etc? If not, the data can produce misleading backtest results and give you a false view of what really happened. For example, a chart that has not been adjusted for a 2: Having data that is clean and properly adjusted for splits etc.

The inclusion of dividends can also add an extra two or three per cent to the bottom line of your strategy. Every year, businesses go bankrupt. Some merge with other companies. Others get moved around to different market indexes. By using only the latest index constituents, your universe will be made up entirely of recent additions or stocks that have remained in the index from the start. These tend to be the strongest performers so you will get better results than you would have in real life.

There can also be some difficulty in backtesting high frequency trading strategies with low frequency data which I have talked about previously.

This is because stock prices are an amalgamation of prices coming from multiple different exchanges. If you are using fundamental data as part of your trading strategy then it is crucial that the data is point-in-time accurate.

But there are options available from providers like Compustat and FactSet. Futures markets are comprised of individual contracts with set lifespans that end on specific delivery months. This can be OK for intraday trading and for seeing where a futures contract traded in the past. But it means there are price gaps where contracts roll over. Markets in backwardation can end up with negative prices due to the back-adjustment calculation and these prices may not be adequately shown on some charts.

For example, the back-adjusted Soybeans chart below shows negative prices between and late System calculations such as those using multiplication and division can be thrown off by negative prices or prices that are close to zero.

Therefore, you need to be careful using these calculations in your formulas. Make sure back-adjusted prices are not giving off false signals. There is no centralised exchange in forex so historical data can differ between brokers.

Usually the difference is small but it can still have an impact on simulation results. A general rule is to only use historical data supplied by the broker you intend to trade with. Doing so means your backtest results are more likely to match up with your live trading results.

In addition, forex quotes are often shown in different formats. Some providers show the bid, some the ask and some a mid price. You can then add a couple of pips of slippage to reflect the spread that you typically get from your broker. You want your backtest trades to match up with your live trades as closely as possible. Maintaining a database for hundreds or thousands of stocks, futures contracts or forex markets is a difficult task and errors are bound to creep in.

For a mean reversion strategy that trades daily bars you will typically want at least eight to ten years of data covering different market cycles and trading conditions. Bare in mind, however, that good trading strategies can still be developed with small sample sizes. You will get more out of the process if you have some clear aims in mind.

When I sit down to do analysis, I try to focus on markets that are more suited to my trading style. I look for markets that are liquid enough to trade but not dominated by bigger players. I want to test markets that will allow me to find an edge. In terms of timeframes I usually focus on end-of-day trading and I try to start off with a logical idea or pattern that I have observed in the live market. I like to only test a couple of trading rules at first and I want to see a large sample of results, usually over trades.

My biggest concern is to avoid curve fit results and find strategies that have a possible explanation or behavioural reason for why they would work. No matter what type of analysis I do I always reserve a small amount of out-of-sample data which I can use at a later to date to evaluate the idea on. If I have only a small amount of data then I will need to see much stronger results to compensate.

I will always compare this to a simple benchmark like buy and hold and I like to see some consistency between in-sample and out-of-sample results. I know that these factors will affect me mentally when I trade the system live so I need to be comfortable with what is being shown.

When it comes to backtesting a mean reversion trading strategy, the market and the trading idea will often dictate the backtesting method I use. If the idea is based on an observation of the market, I will often simply test on as much data as possible reserving 20 or 30 percent of data for out-of-sample testing.

This allows me to see the maximum number of trade results. If the idea has adjustable parameters or I am only testing one single instrument, I will often use a walk-forward method.

The walk-forward method will work to overcome the smaller sample of trades that comes from trading just one market. I will often put a time limit on my testing of an idea. This is easier said than done though so you need to be disciplined. For a mean reversion strategy to work, you want to find extreme events that have a high chance of seeing a reversal. Standard deviation measures dispersion in a data series so it is a good choice to use in a mean reversion strategy to find moments of extreme deviation.

Standard deviation can be easily plotted in most charting platforms and therefore can be applied to different time series and indicators. Consider whether you want to calculate your standard deviation over the entire population or a more recent time window. These means market conditions do not stay the same for long and high sigma events happen more often than would be expected. When a stock becomes extremely oversold in a short space of time short sellers will take profits.

Longs will also throw in the towel or have their stops hit. This can trigger a quick rebound in price. Profits can be taken when the indicator breaks back above 50 or Bollinger Bands plot a standard deviation away from a moving average. A close under the bottom Bollinger Band or above the top Bollinger Band can be an extreme movement and therefore a good opportunity to go the other way.

A value more than 0. A value of 1 means the stock finished right on its highs. For mean reversion strategies I will often look for a value below 0. This is a good indicator to combine with other technical trading rules. For example, if VIX is oversold it can be a good time to go long stocks.

When VIX is overbought, it can be a good time to sell your position. We have a system in our program that has a very high win rate using this method. Buying a stock when the PE drops very low and selling when it moves higher can be a good strategy for value investing. Some value investors have been known to seek out PE ratios under 10, under 5, even under 1.

When too many investors are pessimistic on a market it can be a good time to buy. This can be part of a longer term strategy or used in conjunction with other rules like technical indicators.

Therefore stop losses can be logically inconsistent for mean reversion systems and they can harm performance in backtesting. However, stop losses should still be used to protect against large adverse price movements especially when using leverage where there is a much higher risk of ruin. Statistics such as maximum adverse excursion can help show the best placement of fixed stop losses for mean reversion systems.

Fixed stop losses will usually reduce performance in backtesting but they will keep you from ruin in live trading.

Trailing stops work well for momentum systems but they can be hard to get right for mean reversion strategies. I have never found that trailing stops work any better that fixed stops but they may be more effective when working on higher frequency charts.

Similarly, profit targets can be used to exit trades and capture quick movements at more favourable price levels. If using a profit target, it is a good idea to have a target that adjusts to the volatility of the underlying instrument. Overall, I have found that profit targets are better than trailing stops but the best exits are usually made using logic from the system parameters.

Now and again you will get a mean reversion trade that never rebounds. Instead of a quick reversal, the stock keeps going lower and lower. These are the worst type of trades for mean reversion strategies because you can be kept stuck in a losing trade for what seems an eternity. In these cases, a time-based stop can work well to get out of your losing position and free up your capital for another trade. I have found that 10 or 12 days can be enough to get out of a position that continues to drift against you.

Once you have some basic trading rules set up you need to get these programmed into code so that you can do some initial testing on a small window of in-sample data. You must be careful not to use up too much data because you want to be able to run some more elaborate tests later on.

At this point you are just running some crude tests to see if your idea has any merit. This is before you add any other fancy rules or position sizing. No money management, no position sizing, no commissions. I want to see if the idea is any good and worth continuing. If the idea does not look good from the start you can save a lot of time by abandoning it now and moving onto something else. So do some initial tests and see if your idea has any merit.

If your system passes some initial testing, you can begin to take it more seriously and add components that will help it morph into a stronger model. Position sizing is one of those crucial components to a trading system and there are different options available. Position sizing based on volatility is usually achieved using the ATR indicator or standard deviation.

The idea is that you buy more shares when volatility is low and fewer shares when volatility is high. This makes logical sense since volatility determines the trading range and profit potential of your trading rule.

Volatility in stocks can change dramatically overnight. For instance after an important piece of news. Equal weighting is simply splitting your available equity equally between your intended positions. This is a simple method for position sizing which I find works well on stocks and is a method I will often use.

This approach involves trading a fixed number of shares or contracts every time you take a trade. This approach does not allow compounding which means you can get smaller drawdowns at the expense of larger gains. This technique works well when trading just one instrument and when using leverage. It allows you to keep your risk at an even keel. As you gain confidence, you can increase the number of contracts and thereby dramatically improve your earning potential.

To trade a percentage of risk, first decide where you will place your stop loss. Then calculate the trade size that will allow your loss to be constrained to that percentage of your bankroll — if the stop loss is hit. Bear in mind that markets can sometimes gap through your stop loss level so you must be prepared for some slippage on your exits. Using statistics from your trading strategy win rate and payoff the Kelly formula can be used to calculate the optimal amount of risk to take on each trade.

Since this is the optimal amount it can also lead to large drawdowns and big swings in equity. This is why many traders will halve or use quarter Kelly. Just being in the ballpark of Kelly is going to give you a good position size to apply to your trades so it is worth studying the formula. For example, if you have a mean reversion trading strategy based on RSI, you could buy more shares, the lower the RSI value gets.

The idea is that you buy more of a something when it better matches the logic of your system. Dynamic, factor weighted position sizing is something I have been looking more closely at and written about here. Once you have your buy and sell rules sorted you will probably want to add some additional rules to improve the performance and logic of the system.

A good place to start is to identify some environments where your mean reversion system performs poorly in so that you can avoid trading in those conditions. There has been a lot written about the day moving average as a method to filter trades.

This can be applied to the stock itself or the broader market. There are numerous other ways to use filters or market timing elements. I have found that some of the following rules can work well to filter stocks:. This is most common when you trade a universe of stocks where you might get lots of trading signals on the same day. Good trading systems can often be found by chance or with rules you would not have expected.

The important thing to remember is that ranking is an extra parameter in your trading system rules.