Generalized Boosted Regression для предсказания направления движения рынка.

Добрый день. Сегодня про то как использовать этот метод для предсказания направления движения рынка на день, на основе той информации что у нас есть перед открытием торгов. 

Описание самого пакета и примеры можно посмотреть тут http://cran.r-project.org/web/packages/gbm/gbm.pdf

Я покажу каких результатов добился тестируя этот метод совершая всего 2 сделки в день, на открытии и закрытии дня.

График доходности Out-of-Sample в сравнении с индексом ММВБ:


Впечатляет правда? Особенно был хорош 2016 год, доходность без просадок, и это при риске удержания позиции всю торговую сессию. Конечно я не стану раскрывать подробности, однажды достаточно раскрыл, пришлось удалить статью, поэтому покажу просто пример, предикторы вы можете подобрать сами. 

Я покажу на примере системы которая использует технические индикаторы RSI, Volatility, ADX, CRTDR ( Close  - Low / High — Low )

Для начала сформируем данные

tmp <- cbind( lag(RSI(Cl(MICEX))), lag(volatility(MICEX)), lag(ADX(MICEX)$ADX), lag((Cl(MICEX) - Lo(MICEX)) / (Hi(MICEX) - Lo(MICEX))), dailyReturn(MICEX))

Обучать модель будем на данных с 2012 го 2015 год, а тестировать на 2016/2017 годах.

gfit <- gbm(MICEX ~   RSI + ADX + Volatility + CRTDR, data = tmp["2012/2015"] ,n.trees = 10000, cv.folds = 5)

Теперь у нас есть обученная модель, посмотрим важность признаков в модели


найдем оптимальное количество итераций при которой при кросс валидации ошибка достигает минимального значения.

best.iter <- gbm.perf(gfit,method="cv")

В данном случае 1 итерация это минимум при которой ошибка будет минимальна, это говорит прежде всего о том, что данные которые мы скормили алгоритму совершенно не имеют предсказательной способности, а значит он будет выдавать константные значения. Но в качестве примера это не важно.

И посмотрим как изменились важности признаков для модели при таком количестве итераций

summary(gfit,n.trees=best.iter)

И напоследок обученную модель используем для данных Out-Of-Sample

f.predict <- predict(gfit,tmp["2016::"],best.iter)<br>gbforecast <-  xts(f.predict, order.by = as.Date(index(tmp["2016::"])))<br>chart.CumReturns( ifelse( gbforecast >0, 1,-1 ) * dailyReturn(MICEX), main = "Gbm system" )

Так как наша система в качестве прогноза всегда выдает константу, то она в точности повторяет индекс ММВБ и не дает какой-либо предсказательной силы