🤓 Век живи, век учись. В ходе тестирования алгоритма @CryptoGoldenAce_bot впервые в своей жизни столкнулся со многими вещами, но одна просто поразительная. Т.е. все мы знаем про то, что рынки медленно растут (Long) и быстро падают (Short), но то, что симметричные условия алгоритма, могут так критически воспроизводится в режиме реальной торговли стало для меня полным откровением.

📈 Что я имею ввиду? При общем условном винрейте 100%, шорт в любом режиме приносит 80% прибыли, а лонг всего 20%. Казалось бы, одни и те же условия, но вне зависимости от того, растет рынок или падает, сделок в шорт больше, и их винрейт часто выще.

📉Неважно, это шорт против долгосрочной тенденции или по долгосрочной тенденции, результат не меняется. Три ИИ + моя голова, так и не нашли ответа на этот вопрос. При бычьей ассиметрии крипторынка, на часовом тайме, продажи идут чаще чем покупки, а их результативность, при постоянном одинаковом размере стопа и профита часто выше. LTC в этом смысле можно сказать исключение из правил.

( Читать дальше )

🤓 Благодря заметке Как адаптировать торговые стратегии к изменениям рыночного режима? Вчера мне попалось видео о методе переобучения торговых алгоритмов на основании трех передовых способов: Feature Engineering / Memory, Online Learning, Reinforcement Learning / REINFORCE. Где автор подробно рассказывал о методах переключения и адаптации торговых систем в режиме реального времени. Видео было законспектировано ИИ и отправлено другому ИИ на постановку ТЗ. После чего третий ИИ провел широкомасштабный тест на выборке из 20 тысяч свечей ETHUSDT. На все ушло около 4 часов. Без использования ИИ на проверку ушло бы две недели.

🗞 Вердикт.

🧑🏻‍💻 Мы протестировали идею в контролируемой исследовательской среде, чтобы проверить, могут ли адаптивные методы добавить дополнительный слой альфы поверх существующего алгоритма ETHUSDT H1.

🎯Цель была не в том, чтобы заменить текущий алгоритм, а в более узком вопросе: можем ли мы до входа в сделку определить, что рыночная среда неблагоприятна для продолжения импульса? Иными словами, мы хотели понять, могут ли дополнительные live-safe рыночные признаки или адаптивные модели помочь заранее отфильтровать слабые сигналы алгоритма до исполнения.

( Читать дальше )

Всем, привет! При проектировании многослойной алгоритмической системы столкнулся с дилеммой. 

Предположим у нас есть бот торгующий криптой в частности парой LTCUSDT на часовом тайме.

На окне с 1 января 2024 года по 3 марта 2025 года бектест показывает результаты.

Бэктесты (TA/HMS 8.6.1, без рек. капитализации)

• full P&L +87.4% (PF 1.45), 720 сделок, Win 53.1%, MDD 19.0% 
• 12m: P&L +60.2% (PF 1.64), 374 сделок, Win 58.6%, MDD 9.69% 
• 3m: P&L +11.1% (PF 1.48), 83 сделки, Win 54.2%, MDD 13.38% 
• 1m: P&L −17.1% (PF 0.15), 40 сделок, Win 25.0%, MDD 17.96% 

Все вроде бы хорошо, но как видно из теста на окне  1 месяц, наблюдается деградация алгоритма. Казалось бы что проще убери убычные сделки и будет тебе счастье. Проводим манипуляции с режимами. Получаем...

• full: P&L +82.96%, PF 1.84, Win 57.4%, MDD 10.85%, 448 сделок 
• 12m: P&L +49.17%, PF 2.16, Win 64.4%, MDD 7.16%, 216 сделок 
• 3m: P&L +10.33%, PF 2.70, Win 66.7%, MDD 3.96%, 33 сделки 

( Читать дальше )