Python. Делаем тестер стратегий и... зарабатываем на случайном блуждании.
Если вам кто нибудь скажет, что на случайном блуждании (СБ) нельзя зарабатывать, бросьте в него камень. Как говорил Паниковский — это жалкие ничтожные люди. На СБ можно зарабатывать с результатами не хуже, чем на реальном рынке. У СБ, по сравнению с реальным рынком, только один недостаток — за игры с СБ никто деньги платить не будет.
А если бы платили? Никто бы ничего не заметил. По прежнему 95% СБ-трейдеров сливало бы депозиты, а 5% регулярно выигрывало и считало бы себя Гуру. По прежнему на графики наносились бы каббалистические знаки и индикаторы, угадывались бы направления движения, каналы, и линии поддержки/сопротивления. Все так же начинающие трейдеры искали Учителя для обучения, а аналитики предсказывали будущее. И, ровным счетом, абсолютно ничего бы не поменялось. Может только АГ заметил бы подвох, но тоже не сразу, а только через несколько месяцев, а, может, и через год-другой. Но, легко сделать, чтобы и АГ остался в неведении.)
Однако, прежде чем играть на СБ, нам необходима стратегия и тестер. Ими мы и займемся.
Для начала стратегия: нам нужны три функции
— одна для пошагового слежения за рыночными котировками и определения момента входа в сделку — DealEntryAnalysis(i) и пусть на ее выходе будет: 0-если сделки нет, 1 — необходим вход в лонг, и -1 — необходим вход в шорт. i — номер отсчета массива котировок.
— вторая для сопровождения сделки лонг — DealControlL(i), отвечающая за контроль и закрытие сделки.
— и третья, для сопровождения сделки шорт — DealControlS(i).
Теперь у нас все готово для разработки тестера стратегий, а это всего лишь цикл while() последовательно перебирающий котировки.
Вот наша стратегия уже в тестере:
while i < Ie:
deal_type = DealEntryAnalysis(i)
if deal_type == 1:
j, rep = DealControlL(i)
deals_report.append(rep)
i = j+1
continue
elif deal_type == -1:
j, rep = DealControlS(i)
deals_report.append(rep)
i = j+1
continue
i = i+1 deals_report — это отчет о проделанной работе по каждой из сделок, а j — номер отсчета выхода из сделки.
Ну, а какую стратегию выбрать для работы с СБ — лучше всего тоже случайную: случайный вход в сделку, и случайный выход из нее.
Выбор когда входить и в какую сделку — шорт или лонг сделаем так:
def DealEntryAnalysis(i):
rnd1 = np.random.default_rng().uniform(0, 1)
if rnd1 < 0.99:
return 0
else:
rnd1 = np.random.default_rng().uniform(0, 1)
if rnd1 > 0.5:
return 1
else:
return -1Здесь мы выбрали, что вероятность входа в сделку всего 0.01, а лонг или шорт выбираем с вероятностью 0.5.
Функция сопровождения сделки делается примерно аналогично — полный код всей стратегии и тестера см. в конце топика.
Запускаем наш тестер, и получаем:
Вот сами видите, можно же зарабатывать. Мы уже Гуру трейдинга на СБ, можем набирать учеников. Конечно, многие скажут — 500 сделок, интервал маловат, надо минимум 1000. — Не проблема, сейчас покажем и 1000 сделок.
Обольщаться не надо, такие результаты доступны только ~10% трейдеров, но многие могут прибыльно торговать на СБ тоже с неплохими результатами. Вот с 1000 сделками дела похуже — Гуру становится меньше и успешные трейдеры потихоньку рассасываются. Но, при всем при том, истинные профессионалы, их немного, но даже на таком случайном рынке все равно остаются. В общем, на СБ вполне можно рассчитывать на ~5% успешных трейдеров, ну, а истинные гуру — их всегда мало, где-то доли процента. И в завершение, код нашей стратегии.
Что мы в итоге получили? А получили, что игры на СБ, по крайней мере по показателям успешности трейдеров, статистически не отличаются от игр на реальных биржевых инструментах.
import numpy as np
import matplotlib.pyplot as plt
# import SLPack.Filters as flt # загрузка нашего пакета
mu = 0 # матожидание
sigma = 5 # стандартное отклонение
N = 50000 # длина последовательности
# нормально распределенная случ последовательность
normrand = np.random.default_rng().normal(mu, sigma, N)
rw = []
# создаем случ блуждание
for i in range(0, N):
if i == 0:
rw.append(10000+normrand[i])
else:
rw.append(rw[i-1] + normrand[i])
# F8 = flt.cF1Bat(8, rw)
# F16 = flt.cF1Bat(16, rw)
# FM16 = flt.cFMean(16, rw)
# анализ входа в сделку
def DealEntryAnalysis(i):
rnd1 = np.random.default_rng().uniform(0, 1)
if rnd1 < 0.99:
return 0
else:
rnd1 = np.random.default_rng().uniform(0, 1)
if rnd1 > 0.5:
return 1
else:
return -1
# сопровождение сделки Long
def DealControlL(i):
rep = [1, i, 0, rw[i], 0, 0] # отчет о сделке Long
ie = i+5
rep[2] = ie
rep[4] = rw[ie]
rep[5] = rw[ie]-rw[i]
return ie, rep
# сопровождение сделки Short
def DealControlS(i):
rep = [-1, i, 0, rw[i], 0, 0] # отчет о сделке Short
ie = i+5
rep[2] = ie
rep[4] = rw[ie]
rep[5] = rw[i]-rw[ie]
return ie, rep
Ib = 20
Ie = 50000-10
i = Ib
deals_report = []
while i < Ie:
deal_type = DealEntryAnalysis(i)
if deal_type == 1:
j, rep = DealControlL(i)
deals_report.append(rep)
i = j+1
continue
elif deal_type == -1:
j, rep = DealControlS(i)
deals_report.append(rep)
i = j+1
continue
i = i+1
profit = []
for i in range(0, len(deals_report)):
if i == 0:
profit.append(deals_report[i][5])
else:
profit.append(profit[i-1]+deals_report[i][5])
plt.plot(profit)
plt.title('Profit')
plt.legend()
plt.grid()
plt.show()На этом, думаю, можно завершить цикл топиков о моделировании торговых систем на Python. [1],[2] Все необходимые инструменты для тестирования ваших стратегий в Python готовы к применению.
Ссылки.
1. Моделирование Торговых Систем на Python. 1.
поставить