В этом видео я на практике показываю, почему стандартные оптимизаторы (на примере TSLab) не справляются с перебором миллиардов комбинаций правил, фильтров и управлений позициями, упираясь в ограничения скорости и архитектуры. Затем демонстрирую, как моя программа ARANEA решает эту проблему за счёт параллельных вычислений, умной предподготовки данных и раздельного расчёта, превращая 4 триллиона комбинаций в 25 миллиардов осмысленных проходов и сокращая время с дней до часов на обычном домашнем ПК. В финале — пример оптимизации 200 стратегий с 100+ фильтрами, механизмы сбора пулов для хеджирования и три варианта сотрудничества.


Это видео ответит на ваши вопросы:

— Почему ваш лучший результат на истории ломается в реале?
— Как протестировать тысячи вариантов стратегий, а не один?
— Что делать, когда обычный оптимизатор зависает на неделю?
— Как собрать пул стратегий, который переживёт любые рыночные условия?

Смотрите до конца — в последней части показываю реальный интерфейс ARANEA, страницы аналитики и механизмы, которые позволят вам вывести алготрейдинг на новый уровень. Приятного просмотра и жду ваши вопросы в комментариях!

( Читать дальше )

 

В этой статье я разбираю всё на примере бычьей дивергенции RSI (сигнал на LONG). Но метод не привязан к конкретному индикатору или типу сигнала. На место RSI можно подставить MACD, Stochastic, Bollinger Bands, любую группу индикаторов или произвольный набор правил/фильтров. Задача везде одна: понять, как ваш фильтр ведет себя на разных таймфреймах одновременно. Меняются входные данные — логика остается той же.
 
Я занимаюсь оптимизацией торговых алгоритмов. Через мои руки прошли сотни стратегий — на RSI, на MACD, на кастомных фильтрах и других десятках индикаторов и их комбинаций. Главная причина слива не меняется: алгоритм заходит в сделку на основании одного графика и не проверяет, подтверждают ли его остальные. Карты таймфреймов нет.




Бычью дивергенцию RSI хейтят. Стабильно. Трейдер видит: цена ушла ниже, а RSI нарисовал более высокий минимум. Заходит в LONG. Ловит стоп. Объявляет метод мусором.Но проблема не в индикаторе. Проблема в том, на каком таймфрейме сигнал считан — и что в этот момент происходит на соседних.

( Читать дальше )

 

В прошлых статьях я писал, что Байес и Monte Carlo не заменяют исследование. Они могут быстро найти хороший показатель или собрать распределение, но не отвечают на главный вопрос: что именно мы исследуем и почему результат должен быть устойчивым.

То же самое относится к другим методам: `Random search`, `CMA-ES`, `Particle Swarm`, `Genetic / evolutionary search`. Это не магические способы найти прибыльную стратегию. Это разные способы задавать вопросы к уже подготовленному пространству вариантов.




В этой статье я разберу методы в общих чертах: что они делают, где полезны и где легко ошибиться. Практические замеры по CPU и GPU для таких примеров лучше вынести отдельно. Это будет следующая статья: там уже можно сравнивать не лозунг «GPU быстрее CPU», а конкретные режимы, размеры batch-а, стоимость подготовки данных и реальную цену передачи между CPU и GPU.

Важно разделять две вещи. Метод поиска может быстро двигаться по пространству параметров. Но качество результата зависит не только от метода. Оно зависит от того, как задано пространство, как считаются сделки, какие ограничения включены, как устроена проверка вне обучающего участка и что именно считается хорошим результатом.

( Читать дальше )

Эта статья -  начало исследования популярных торговых стратегий и точек входа в цифрах: сколько сигналов они дают, сколько живут после срабатывания, сколько комбинаций отсекается до тяжелого расчета и почему красивая стрелка на графике еще не является торговой системой.



 Наверное, отдельно запишу видео о работе вычислений, сравнении методов и показателей, чтобы это было нагляднее. А пока — небольшая статья с основной логикой и цифрами.

В интернете много статей, курсов и разборов про торговые стратегии. Почти везде один и тот же спектакль: красивая точка входа, аккуратный выход по `take profit`, немного статистики и вывод, что логика рабочая.

Рядом обычно живут формулировки уровня «мой собственный алгоритм», «инновационный робот», «крутая стратегия», «пользуйтесь, пока работает». Только математической постановки нет, формул нет, исследования нет, причин отбора нет. Самое интересное, что на такое все равно есть спрос. Значит, рынок будет еще долго кормить старые проверенные методы: не потому что они спрятаны в секретной комнате, а потому что большинство проходит мимо них.

( Читать дальше )

После статей про ARANEA в комментариях быстро появилась тема GPU. Это ожидаемо: когда речь идет о сотнях миллиардов и триллионах прикладных оценок, первый вопрос почти всегда звучит так: зачем считать это на CPU, если можно вынести симуляцию на GPU?
Второй вопрос рядом: зачем вообще строить сложный исследовательский контур, если сейчас есть ИИ, Python, Numba, Taichi, CUDA и можно быстро нагенерировать код?

Оба вопроса нормальные. Но в них часто смешиваются разные слои задачи.

GPU может резко ускорить массовую симуляцию. ИИ может помочь быстрее написать код, набросать прототип, подготовить утилиту, нарисовать отчет, сгенерировать обвязку или подсказать техническое решение. Но ни GPU, ни ИИ сами по себе не отвечают на главный вопрос алгоритмической торговли:  что именно мы считаем торговой закономерностью, как проверяем ее живучесть и почему результат не является просто красивым максимумом прошлого участка?

Эта мини-серия будет не про спор «CPU против GPU» и не про спор «человек против ИИ». Мне интереснее другое: где заканчивается скорость вычислений и начинается исследование стратегии.

( Читать дальше )

Сразу поясню формат. В этой серии будет много текста, расчетов и размышлений. Это не гайд в стиле «три абзаца, делай так, и все заработает». Мне такой формат самому неинтересен. Я пишу не инструкцию для быстрого копирования, а разбор исследовательской работы: как я думаю о входах, выходах, управлении позицией, скорости вычислений, ошибках оптимизации и архитектуре ARANEA.




Эти статьи скорее для внимательных читателей, которым тема действительно интересна и которым лонгрид не мешает думать. Местами может показаться, что я нахожусь в поиске стратегий. Отчасти это правда: я все еще насыщаю ARANEA стратегиями, формулами, индикаторами, PM, проверками и инфраструктурным функционалом. И, скорее всего, буду делать это еще несколько лет.

При этом цель не в том, чтобы показать «секретную кнопку» или изобразить финальную истину. У меня появилось время описать собственный опыт, показать часть логики проекта и вступить в нормальную дискуссию с коллегами. Я не самый умный и точно не самый богатый участник этой области, поэтому обратная связь и чужой практический опыт для меня здесь не менее важны, чем сама публикация.

( Читать дальше )

 

Один товарищ прочитал первые две статьи и сказал примерно так: приложение создаешь, а статью нормально оформить не можешь. В целом замечание справедливое. Поэтому первые две части я переделал под Habr и выложу их отдельно уже в более аккуратном виде. 


Но к прошлым частям появились вопросы, и их лучше разобрать по порядку. Начну с самого частого.

> Реально ли сделать `2 000 000` прикладных оценок в секунду в TSLab?

Мой ответ: да, реально. C++ — быстрый язык для вычислений, и архитектура TSLab позволяет получать очень высокую скорость, если понимать, куда смотреть и что именно оптимизировать. Команда у TSLab хорошая, сам продукт сделан очень сильным для своей задачи: собрать стратегию, визуально проверить логику, запустить оптимизацию и посмотреть результат.

Но есть важное уточнение. TSLab в первую очередь сделан как рабочая среда трейдера и сборщик стратегий, а не как исследовательская машина для многоуровневой аналитики, где нужно управлять миллиардами вариантов, сохранять ветки, сравнивать семейства, делать pruning, собирать пулы и потом снова прогонять результаты через отдельный контур отбора.

( Читать дальше )

в прошлом посте я писал про количество вариантов оптимизаций и замер на Tslab на минимальных параметрах и диапазоне ...

В этом этом же посте будет информация непосредственно о скорости вычислений и как получил 2 миллиона в секунду...

Давайте порассуждаем — вот у нас есть уровень Дневного минимума и алгоритм торговли просто ЛП минимумом красной свечи… сколько есть вариантов поведения свечей относительно дневного уровня которые можно описать от 1 до 2 свечей ?! сразу подскажу — не больше 30 если говорить о графиках криптовалют без гэпов и открытий/закрытий внутри свечи… сколько может быть правил фильтров определяющих направление цены через дневные минимумы/максимумы/закрытия ??? примерно 100 без учета индикаторов, так как алготрейдеры оценивают движения цены внутри дня на мелких таймфреймах то поведение цены относительно того или иного уровня можно оценить в миллионы вариантов комбинаций без учета отклонений/коэффициентов/PM и обновляемых значений через если/нет/да… Давайте еще поразмышляем — сколько вариантов средних скользящих можно завязать на значение бара таймфрема на котором ведется торговля то есть на High/Close/Low?

( Читать дальше )

Я трейдер с 15 летнем стажем и 8 летнем стажем программирования, 5 лет торговли на tslab… В общем за 3 года работы в TSlab и его аналогах и даже зарубежный алгопрограмм поймал себя на мысли того, что мне не нравится =  под каждую стратегию, а вернее под каждый фильтр/правило/индикатор даже для одной стратегии и разные варианты управления позиции например — трэйлинг по ATR, трэйлинг по ATR c тэйком ATR, трейлинг ATR процентный тэйк, параболический стоп лосс и так далее по всем вариантам которые только может позволить фантазия, нужно создавать отдельные скрипты да еще, и каждое правило/группы параметров оптимизировать отдельно сохранять результаты — вести эксцель таблицы метрики… в целом я этим занимался на протяжении нескольких лет, но самым главным камнем послужила скорость оптимизации параметров в TSlab  и я решил что буду строить свой оптимайзер и свою торговую программу, даже не подозревая куда меня это заведет ....

 

Предлагаю сначала разобраться в цифрах на банальной логике, что бы говорить предметно и по делу что за вычислитель/программу я создал как работает и какой результат, цифры все равно не обманут…

( Читать дальше )