Aula 25 - Introdução à Cadeia de Markov - Python para Finanças Quantitativas

Summary

The video script introduces viewers to the application of Markov Chains in trading strategies, specifically within the context of financial markets. The presenter, Leandro Guerra, guides the audience through the process of using historical data to predict market trends and make informed trading decisions. He emphasizes the importance of understanding the underlying concepts, such as state transitions and probabilities, rather than just coding. The video showcases practical examples using Python and demonstrates how adjusting parameters like the target return and the number of trades can significantly impact the outcomes. The presenter encourages viewers to experiment with different settings and to complement their trading strategies with risk management for improved results.

Takeaways

• 📈 The video is a Python for Finances course lesson focusing on using Markov chains for trading strategies.
• 👨‍🏫 The instructor, Leandro Guerra, emphasizes the importance of understanding the introductory Markov chains concepts before proceeding.
• 🔢 Data from the BOVESPA index from 2012 to 2024 is used to calculate returns and establish a 52-week moving average.
• 📊 Three states of market behavior are defined: increasing, decreasing, and stable, based on 1% thresholds relative to the moving average.
• 🤖 A classification function is created to categorize returns into the three defined states: increase, decrease, or stable.
• 🔄 A transition dictionary is established to calculate the probabilities of moving from one state to another.
• 📈 The Markov chain's fundamental concept is utilized to predict the next state based on current and previous states' probabilities.
• 📝 The script demonstrates the application of the Markov chain model on the entire dataset and compares it with a simple mean reversion strategy.
• 💡 The lesson highlights the importance of not just coding but also understanding the underlying concepts and logic of the strategies being implemented.
• 🚀 The video showcases the effectiveness of the Markov chain strategy, achieving an 18.884% return in a year with minimal trades.
• 📌 The instructor encourages viewers to experiment with different parameters, such as the moving average period and the threshold for state classification, to optimize the trading strategy.

Q & A

What is the main topic of the video?

The main topic of the video is the application of Markov Chains in trading, specifically within the context of financial data analysis using Python.

Who is the speaker of the video?

The speaker of the video is Leandro Guerra, who is teaching a course on Python for Finance.

What is the significance of the 'aula 25' mentioned in the script?

The 'aula 25' refers to the 25th lesson in the Python for Finance course, where the focus is on demonstrating the use of Markov Chains for trading strategies.

What is the role of the 'ibov' in the script?

The 'ibov' is used as an example dataset in the script, representing the Brazilian stock market index, to illustrate the application of Markov Chains in financial analysis.

How many states did Leandro Guerra define for the Markov Chain model in this trading strategy?

Leandro Guerra defined three states for the Markov Chain model: increase, decrease, and stable.

What is the purpose of calculating the transition probabilities in the Markov Chain?

The purpose of calculating the transition probabilities is to understand the likelihood of moving from one state to another, which can be used to make informed trading decisions based on the predicted market behavior.

What is the significance of the 1% threshold mentioned in the script?

The 1% threshold is used to define the states of increase and decrease in the Markov Chain model. If the return is above 1%, it is considered an increase; if it is below -1%, it is considered a decrease; and if it is between -1% and 1%, it is considered stable.

How does the speaker suggest using the Markov Chain model for trading decisions?

The speaker suggests using the transition probabilities derived from the Markov Chain model to identify patterns and make trading decisions based on the predicted behavior of the market, such as buying when the market is expected to revert to the mean.

What is the outcome of applying the Markov Chain trading strategy to the 'ibov' data in the video?

The outcome of applying the Markov Chain trading strategy to the 'ibov' data resulted in an 18.884% return after operational costs, demonstrating the effectiveness of the strategy in generating profits.

How does the speaker emphasize the importance of understanding the code in the video?

The speaker emphasizes that understanding the code is crucial for effectively applying the Markov Chain model in trading strategies, as it allows traders to make informed decisions based on the calculated transition probabilities and states.

What is the speaker's advice for those who want to further explore the content of the video?

The speaker advises viewers to download the provided code, study it, and apply it to different scenarios to enhance their understanding of the Markov Chain model and its application in trading.

Outlines

00:00

📚 Introduction to Markov Chains in Python for Finance

This paragraph introduces the viewer to a Python course focused on quantitative finance. The speaker, Leandro Guerra, welcomes viewers to lesson 25 and sets the stage for teaching how to use Markov Chains for trading. He emphasizes the importance of understanding the previous lesson on Markov Chains and provides a brief overview of the approach he will take, highlighting its effectiveness and ease of understanding. Leandro also encourages viewers to share their thoughts and engage with the content, promoting interaction within the community.

05:01

📈 Data Collection and Markov Chain Application

In this segment, the speaker delves into the practical application of Markov Chains for trading by starting with data collection from the IBOV index from 2012 to 2024. He explains the process of calculating returns for three different periods and setting up a 52-week moving average. The concept of states in Markov Chains is introduced, with three possible states defined: increasing, decreasing, and stable returns. The speaker then explains how to calculate the transition probabilities between these states, which is crucial for making trading decisions based on the Markov Chain model.

10:02

🔢 Probabilities and State Transitions

This paragraph focuses on calculating the probabilities of state transitions within the Markov Chain model. The speaker demonstrates how to use Python code to classify the variations in returns and apply this classification to the dataframe. He then explains the concept of a dictionary to store transition structures and how to calculate the number of transitions for each state. The speaker provides a detailed explanation of how to interpret the transition probabilities and how they can be used to make trading decisions.

15:02

💡 Trading Rules and Results

The speaker now discusses the application of the Markov Chain model to create trading rules. He explains how to use the transition probabilities to determine when to buy or sell based on the current and previous states of the market. The speaker then presents the results of applying these rules to historical data, showing that the Markov Chain model can yield significant returns with minimal trades. He compares these results to simple mean reversion strategies and highlights the effectiveness of the Markov Chain approach. The speaker also touches on the importance of adjusting parameters and managing risk in trading strategies.

🚀 Final Thoughts and Encouragement

In the concluding paragraph, the speaker wraps up the lesson by reiterating the potential of using Markov Chains in trading and encourages viewers to experiment with different parameters and strategies. He emphasizes the importance of risk management and how it can enhance the performance of trading strategies. The speaker invites viewers to like, share, and download the code for further study, fostering a learning community. He signs off with a warm farewell, looking forward to the next session and reminding viewers of the value of continued learning and engagement.

Keywords

💡Python

Python is a high-level programming language known for its readability and ease of use. In the context of the video, it is utilized as the primary tool for financial data analysis and the implementation of the Markov chain model for trading strategies.

💡Markov Chain

A Markov Chain is a mathematical system that undergoes transitions from one state to another according to certain probabilistic rules. In the video, it is used to model the probability of a financial market's transition between different states (increase, decrease, stable) based on historical data.

💡Trading

Trading refers to the act of buying, selling, or exchanging financial instruments such as stocks, bonds, or currencies with the goal of making a profit. The video outlines a trading strategy using the Markov Chain model to predict market transitions and make informed trading decisions.

💡IBOV

IBOV is the ticker symbol for the BOVESPA Index, which is the benchmark stock market index for the São Paulo Stock Exchange in Brazil. In the video, historical data from IBOV is used to demonstrate the application of the Markov Chain model in financial analysis.

💡Returns

Returns in finance refer to the profits or losses generated from an investment over a specific period. In the context of the video, returns are calculated for the IBOV index and used to determine the states of increase, decrease, or stability in the market.

💡Moving Average

A moving average is a technical analysis indicator that helps smooth out price data by creating a constantly updated average price. In the video, a 52-week moving average is used as a reference point to define the states of increase, decrease, and stability in the market.

💡States

In the context of the video, states refer to the three defined conditions of the market: increase, decrease, and stable. These states are determined by comparing the market's returns to a moving average and are used to predict future market behavior using the Markov Chain model.

💡Transitions

Transitions in the context of a Markov Chain model are the probabilities of moving from one state to another. The video focuses on calculating these transition probabilities based on historical market data to predict future market behavior.

💡DataFrame

A DataFrame is a data structure in Python, used for data analysis and manipulation, that is similar to a table or spreadsheet. In the video, the speaker uses a DataFrame to store and analyze financial data, such as the IBOV index returns and the calculated states.

💡Dictionaries

In Python, dictionaries are a data structure that stores key-value pairs, allowing for efficient lookup and retrieval of information. In the video, dictionaries are used to store the transition probabilities for each state in the Markov Chain model.

💡Trading Rules

Trading rules are guidelines or strategies used by traders to decide when to buy or sell financial instruments. In the video, a trading rule is derived from the Markov Chain model, utilizing the concept of mean reversion to determine when to enter or exit a trade.

💡Backtesting

Backtesting is the process of evaluating a trading strategy by applying it to historical data to see how it would have performed in the past. In the video, backtesting is implied when the speaker compares the results of the Markov Chain model to actual market performance.

Highlights

Introduction to Markov Chains for trading, emphasizing their ease of understanding and practical application.

Explanation of capturing IBOV data from 2012 to 2024 for calculating returns and setting up the Markov Chain model.

Use of a 52-week moving average as the basis for the Return on Investment (ROI) calculation within the Markov Chain framework.

Creation of three states within the Markov Chain: increasing, decreasing, and stable, based on the 1% threshold relative to the moving average.

Calculation of transition probabilities between the three states to understand the likelihood of market movement.

Segmentation of the data into training and testing sets for model validation and application.

Development of a function to classify return variations as increase, decrease, or stable based on the defined thresholds.

Utilization of Python's 'apply' method to efficiently process data frames with the classification function.

Explanation of the dictionary structure for storing transition states and their associated probabilities.

Calculation of transition probabilities for each state, providing insights into market behavior and potential trading opportunities.

Application of the Markov Chain model to the entire data set to derive a comprehensive set of transition probabilities.

Discussion on the practical application of the model for trading, emphasizing the importance of understanding the model's implications.

Comparison of the Markov Chain trading strategy with a simple mean reversion strategy, showcasing the model's effectiveness.

Presentation of the trading results using the Markov Chain model, demonstrating significant returns and practical applications.

Explanation of how adjusting parameters such as the threshold and time period can impact trading outcomes and the model's performance.

Emphasis on the importance of risk management when applying the Markov Chain model to real-world trading scenarios.

Transcripts

[Música]

fala meus queridos sejam muito

bem-vindos ao aos pokem Market meu nome

é Leandro guerra e hoje na nossa aula 25

aqui do curso de Python para Finanças

quantitativas mostrarei para vocês a

como usar a cadeia de marcov para fazer

trading tá primeiro ponto que eu quero

fazer se você não assistiu a aula de

introdução às cadeias de marcov que tá

aqui no primeiro comentário assista

porque senão você não vai entender nada

porque eu vou passar pelo código Não vou

ficar explicando marcov de novo segundo

ponto essa proposta de uso que eu dou

aqui ela não é a única que existe tá

então eu escolho ela um porque ela

funciona e dois porque ela é fácil de

entender então como a aula é introdução

à cadeia de marcov por trading você vai

conseguir pegar a ideia beleza meus

queridos não se esqueça de compartilhar

dá o seu like deixar o seu comentário tá

é assim que você retribui o trabalho que

eu venho fazendo aqui para vocês no

YouTube e vejo vocês também lá no outs

pok Market na prática Tá bom então a

gente vai começar e vamos tirar aqui eu

tinha colocado Petro mas a gente vai

deixar genérico vamos começar pelo ibov

Então a gente tem aqui

tranquilinho a captura dos dados do ibob

de 2012 até 2024 a gente não vai chegar

precisar desde 2012 mas deixa aqui do

dos últimos anos tá a gente calcula para

três períodos o O Retorno o nosso alvo o

nossa média móvel aqui vai ser de 52 e o

nosso rsl baseado nessa média móvel é

desse mesmo período também Leandro

primeira coisa por que período de três

que eu quis pode ser dois pode ser cinco

também funciona tá tá pode ser um pode

ser 10 A diferença é que Conforme você

ajusta esse período aqui para mais ou

para menos você tá notando que tem dois

carinhas aqui que são os limites O que

são esses limites lembra que a cadeia de

marcov ela trabalha justamente com a

probabilidade de transição daquilo que a

gente chama de

Estados então eu vou criar três estados

Possíveis quando Eu Estou diminuindo

Aquela minha variação do retorno quando

eu estou mantendo estável e quando eu

estou aumentando ou quando o mercado fez

assim se eu tiver esse limite tá

superando 1% que é o limite superior vai

aparecer que eu aumentei Então eu saí de

um estado para o estado de aumento se o

retorno ficar entre Men 1% e mais 1% eu

vou considerar que é estável aquela zona

ali cheia de ruid que a maioria dos

casos e depois se o papel tá caindo a

mais do que 1% vai ser o período de

diminuição aí eu vou ter os meus três

estados e com esses três estados eu

posso calcular justamente aquilo que nos

interessa que é a probabilidade de

transição tal qual eu explico bem na

aula introdutória de marcov que tá no

primeiro comentário beleza Qual que é o

nosso raciocínio o nosso raciocínio é eu

vou calcular as transições de estados

para um ano e vou usar essas transições

de statos para fazer um trade no ano

seguinte Tá bom então por isso que você

vê aqui o o ear trin 22 o ear test 23 e

aí a gente faz aqui uma concatenação das

Strings só para ficar mais fácil então

eu separo né entre treinamento e teste

aqui pra gente poder rodar isso

bonitinho Então deixa eu rodar porque

sem rodar não vai ter nada pra gente ver

e depois a gente vai aqui ó essa é a

função mais importante ah na verdade é o

pedaço de código mais importante da aula

inteira primeiro a gente tem uma função

aqui que eu criei que é a Justamente a

função que vai classificar as variações

então toda vez que eu encontrar um

retorno tá vendo aqui ó retorno se ele

for maior que o limite superior é

aumento se ele for melhor do que o

limite inferior a diminuição E se ele né

for qualquer uma das outras coisas ou

seja tiver entre um e o outro ele vai

ser estável como isso é uma função eu

quero aplicar ela para uma coluna no

dataframe eu simplesmente uso aqui o

método apply para aquela função Ok

beleza aí agora o que que a gente

precisa a gente vai armazenar armazenar

perdão essa estrutura dentro de um

dicionário tá o dicionário é um é um

tipo né de de armazenamento de dados

vamos colocar dessa forma

ah onde você tem uma propriedade que a

gente chama de chave e valor então você

tem uma chave por exemplo nome e você

tem um valor para aquela chave que é

Leandro só que nome pode ter outras

Chaves posso ter nome aí tem primeiro

nome segundo nome terceiro nome e aí

você tem essa estrutura aninhada o

dicionário ele é muito bom para isso E

aí você vai entender muito bem quando a

gente rodar esse código aqui e ver o

resultado que vai sair disso aqui então

dado os meus estados de aumento

diminuição e

estável eu vou criar aqui um dicionário

de transição para cada um deles então

quando eu tô em Aumento passei para

aumento Quando eu tô em Aumento passei

para diminuição quando tô em Aumento e

passei para estável e a mesma coisa

depois quando eu tô instável passei para

aumento quando eu tô instável continuei

instável quando eu tava estável passei

para diminuição e a mesma coisa por

diminuição E com isso né então eu crio

aqui como eu tenho três eu vou ter nove

combinações totais né que vai ser aí 3 3

x 3 ou 3 Quad Então eu tenho nove

combinaç possíveis porque eu tenho um

Estado variando em três outro estado

variando em três tá e depois outro

estado variando em três então tenho ali

nove transições

beleza feito isso eu tenho que

contar quantas transições eu tenho em

cada estado então eu vejo Qual que é o

estado agora qual que é o próximo estado

e aí eu faço a transição do estado e

calculo faço uma soma de quantos valores

eu tenho ali e depois eu divido pelo

total e depois eu uso isso daqui só para

dar um print pra gente poder ver esse

cara aqui na tela

ó tá vendo os nove as nove transições de

estados estão calculadas agora isso

daqui é o ponto aqui é o ponto

fundamental da cadeia de markov tá é o

ponto

fundamental então eu tenho quando eu tô

e olha o que isso diz pra gente né Você

não tem que ser só um macaco que fica

apertando código você tem que entender o

que isso daqui tá dizendo para você

então isso daqui tá dizendo para você o

seguinte Ele tá dizendo que quando no

ano de 2022 que foi onde a gente usou

para fazer isso daqui então no ano de

2022 quando você tinha aumento você foi

para aumento em 69% das vezes ou seja se

você

subiu mais do que 1% foi o que a gente

colocou ali na transição No Limite

superior tá Você subiu esse cara

ali

o próximo estado depois daquilo foi

outra alta de

1% quando não é qualquer valor entre

men1 e 1 e quando você teve uma alta de

1% e depois você teve uma queda na

sequência de - 1% ou mais é só 2% dos

casos Então você tem Justamente a mesma

coisa pra diminuição e PR estável

naturalmente a gente tem ten uma

conservação do momento então quando eu

tenho aumento a maior probabilidade no

aumento quando eu tenho a diminuição a

maior probabilidade na diminuição e

quando eu tô estável a maior

probabilidade no estável Mas você vê que

o código é tão bonito tá e a ideia da

cadeia é tão bonita que no estável que é

a zona neutra entre men1 e 1 eu tenho

aqui não tão distante ou seja ele pode

ir para qualquer lugar por isso que eu

falo aquela zona neutra entre menos e 1

que não acontece nenhuma tá para

você ver como isso é de fato você tem

aqui tipo quase vai 30% de chance para

ele se tá entre menos 1 e 1 outra vez

ele ir para mais 1% outra vez ele ir

para - 1% tá é ali dessa forma Beleza

beleza feito isso então eu aplico né

esse esse carinha no no no retorno tá pr

pra Base inteira pra gente dar uma

olhadinha aí aqui o que que eu fiz tá eu

fiz uma coisa então eu apliquei a mesma

função apply paraa base inteira a aí

aqui o que que você tem você tem um

código se eu quiser pegar criar

transformar isso porque isso daqui é

informação da cadeia de marcov certo

então isso daqui é o dicionário isso

daqui não tá dentro do meu dataframe ah

se eu for olhar aqui o o o o meu

dataframe

data V dar uma olhadinha nele aqui ó eu

não tenho isso daqui eu só tenho as

classes tá estável diminuição e

diminuição como é que eu pego essa

probabilidade aqui se eu quiser

trabalhar com ela de alguma forma porque

Lembra que eu falei que existem várias

formas de você trabalhar a cadeia de

markov então se eu quiser trabalhar com

ela aqui de outra

forma que que eu tenho que fazer não vou

usar nessa aula mas eu antecipo para

você como é que você faz você pode fazer

de duas formas uma forma didática porém

grande que é olha toda vez que eu tiver

aumento e aumento eu pego lá no

dicionário a transição aumento aumento

toda vez que eu tiver aumento e o

anterior for diminuição eu pego o

aumento diminuição e faço nove caras

desse

aqui funciona funciona mas tem um jeito

mais fácil esse é mais fácil porque ele

é muito intuitivo Ah porque eu olho aqui

eu sei ah vem o o Esse é aumento o

anterior era aumento o atual é aumento o

anterior era diminuição beleza Tá e aí

eu pego justamente aquela probabilidade

que tá no dicionário e atribuo do

contrário Eu repito aquela informação

para eu não zerar tudo que eu já fiz

antes tá Existe uma forma que é muito

mais fácil tirando as tras linhas de

comentário que eu deixei para você

Lembrando que você pode baixar esse

código no autospark pcom lá na parte de

curso gratuito onde você tem a o curso

de Python você pode pegar o código lá

então para depois você né se você não

lembra da aula que tem que lembrar mas

se você não lembra Você pode ler e

entender o que que eu fiz então tirando

as linhas de comentário você você tem a

mesma coisa lá em cima tá só que a gente

faz aqui em seis linhas Então eu tenho

uma função onde eu tenho a transição de

probabilidade onde eu passo minha linha

e passo minha transição então eu vou dar

uma olhada lá na minha classe e na

anterior e aí eu faço justamente uma

função apply aqui de novo e aí eu

consigo pegar o MPR lá da do do nosso

colega na matriz do nosso na verdade

dicionário de transição Então esse cara

aqui faz a mesma coisa que a célula em

cima só que muito mais pythonico é o

pessoal adora pythonico tal então tá

aqui ó pythonico Tá bom então aí você dá

uma olhadinha Como tá o negócio aqui

tudo isso que a gente fez ali tá é para

criar esse cara aqui ó M

prob então eu tô pegando a probabilidade

quando era estável e ficou estável 041

quando é era estável e virou aumento

0,28 não é isso que a gente tem ali ó

quando era estável e virou aumento vai

ele arredondou mas beleza tá a gente tem

esse carinha aqui então a gente tem

todas as transições

e todas as

probabilidades claro vamos o que

interessa que é o trading então a gente

faz o seguinte tá a gente faz o seguinte

a regra de trade que ela é

tá isso eu quero que vocês entendam você

pode colocar o decho de regra de trading

que você tiver aqui só que você tem que

encontrar uma que

generalize tá então a questão é a

seguinte

quando a minha classe atual é diminuição

e a minha classe anterior era

estável lembra que o mercado ele tem a

tendência a reverter a

média você

compra quando ele tá aumenta agora e ele

era estável tá perdão que tá na hora de

tomar o negócio aqui deixa eu só dar uma

olhadinha rapidinho e só um segundinho

perdão a vocês por esse momento mas aqui

tá tudo bom tudo certo

ótimo Tô analisando aqui o o TR

esportivo né Então tá tá tudo bem

obrigado mais um game ali então meus

queridos o que que eu fiz partindo desse

princípio justamente da reversão à média

eu aplico então eu no conceito da cadeia

de marcov então quando eu tenho as

minhas classes anteriores e atuais eu

faço uma regra e quando eu tenho a outra

eu

compro e depois eu comparo isso com um

evento aqui não marcov que é Beleza

então se eu só fizesse a mesma coisa

quando

caísse abaixo daquele limite superior

negativo né então menos um eu comprasse

E se subisse eu vendesse né porque é

aquela mesma ideia mais ou menos

aproximada a gente você fazer uma

reversão à média e para comparar os dois

vou rodar esse cara aqui ele vai me dar

um resultado tcharam ó se você tivesse

fazendo ali uma simples reversão o teu

resultado final no ano de 2023 teria

sido aqui um um 0.67 por. né chegou a

ganhar até 21% chegou a perder aqui os5

ou seja o Dr Down muito aceitável mas

ficou no 0 a z0 agora marcov Chin tá

Olha que delícia o markov chain te deu

ali com

pouquíssimos pouquíssimos trades ao

longo do ano ele te deu ali 18.884 por

já descontado o custo operacional

líquido obviamente Depois tem RS monumen

Tenho mas o negócio

funciona show né Ah legal Leandro isso

funciona para o outro papel é funciona

cara

aí você vai aqui e coloca sei lá

Petro tá vai ter papel que não funciona

Petro ó funciona o Simple revers P teria

sido uma tragédia absoluta mas o markov

Chin você vê que ela tem obviamente ela

é muito próxima ao ibov né tem as

diferenças mas a Petro carrega o ibov

ibov carrega a Petro tá aqui ó um

resultado muito parecido sei lá se eu

for pegar um dos bancos tá se eu for

pegar aqui ó e Tube 4 tá pega o bichão

Ali vai me dar Ó teve um pouco mais de

swing Tá mas ainda assim acabou o ano

com 21.29

por. com poucos trades chegou a dar 33

pior momento aqui foi quando perdeu aqui

dos 27 pro para 11 tá e você pode fazer

essa comparação com os outros anos ah

vamos ver ali ó de 21 para 22 né que que

aconteceu vamos ver no YouTube então PR

você ver se esse negócio tem ó Foi meio

negativo aqui no YouTube mas ainda foi

melhor do que não ter feito

nada Vamos ver a Pet nesse ano aqui que

a gente sabe que não é assim um

Abra para muito as

coisas Petro

4 ó bem menos negativo chegou a dar 15%

positivo tá vamos ao

bpa o Bovespa também carrega ali então

foi foi um ano difícil para todo mundo

né vamos ver então usando os dados de 20

para 21 com o próprio bov aí você fala

cara

é não tá dando porque eu na verdade eu

não tô rodando nada porque eu não tô

fazendo

nada né É porque não é

bvsp pontencial é só bvsp ó o ebob ficou

um pouquinho negativo só que aí esse é o

ponto se você trabalha esses caras aqui

e esse é o seu trabalho depois como

cientistas de dados você vai ver que o

seu resultado Varia muito Ó ficou se eu

só mudei o limite ficou positivo então

você pode trabalhar com os limites

diferentes vai dar menos trade ainda

porque obviamente o evento de mais 1,5

por ou menos 1,5 por é mais raro mas em

teoria foi mais assertivo Ah mas e se eu

aumentar aqui para invés de três para

cinco dias

tá Ah ficou legal teve um drown maior

mas né levou lá pro positivo também ali

fazendo pouquíssimos trades em

12.66 se colocar 10 dias Ah que que a

gente vai ter aqui no Déo dia ó Foi uma

tragédia por qu porque eu acho que aí a

gente já tá forçando a barra talvez não

funcione mesmo tá então principalmente

se eu colocar aqui 20 dias esse estado

não é legal para isso ó tá então de fato

você precisa de menos dias você colocar

só dois

dias você tem legalzinho também Ah se

você colocar mais dias só que você

aumentar ali o trigger é faz todo

sentido vamos deixar 5% então para 20

dias

tá vai melhorar aquele resultado ó

melhorou aquele resultado 20 dias dia

para caramba Talvez 5% seja pouco se a

gente pegar 10% então esse é um

parâmetro fundamental ó

você teve ali com dois trades você teve

13% no ano entendeu a

relação por isso que não é só você mudar

o alvo você tem que quando você ajusta o

alvo você tem que ajustar esse cara aqui

pode ser outro pode você pode vir aqui e

dar uma olhada no que generaliza invés

de 10% 88% Ah já não foi tão bom fez um

pouquinho mais de trade mas perdeu aqui

ó perdeu um trade que deu aqui perdeu

esses 3% o resto ganhou tudo então tem

uma de acerto muito alta também

lembrando pessoas isso daqui eu não tô

fazendo nenhum gerenciamento de risco

não tô controlando nenhum stop não tô

fazendo nada então quando você adicionar

lembra que o gerenciamento ele não

transforma uma coisa ruim em coisa boa

mas ele pega aquilo que é bom e ele

transforma em uma coisa melhor tá bom

então deixa o seu like compartilhe faça

o download do Código estude vai ter mais

aula também e a gente se vê numa próxima

meus queridos um grande abraço para

vocês tchau

tchau