Продолжаю пилить армию роботов. Запустил на тесте с 16 марта на этот раз 10 роботов, наблюдаю. 6 из 10 роботов в плюсе, общий счёт в плюсе.

Небо не видело таких рукожопов. Очень расстраивает то, что иногда демо аккаунты в т-инвестиции пропадают, как например сейчас в аккаунт для VKCO, приходится создавать демо аккаунты заново.

Сами роботы сейчас используют только одну голую закономерность без улучшений, фильтров режимов и т. п. Соответственно, в последние недели они часто падают в защиту на внезапно изменившемся рынке из-за drawdown manager. Пока они работают, я тоже работаю над их улучшением.

Кстати, 10 роботов крутятся на апельсинке и весьма немного тратят электроэнергии:

( Читать дальше )

Любителям конкуренции и прочих либеральных ценностей посвящается.
Кому как, а мне не нужно 100500 видов дерьма, мне нужен один, но лучший брокер, который работает всегда и выдерживает пиковые нагрузки.

Мои роботы все ушли в ошибку. Работают на tinkoff-api через python. Ничего не потерял, потому что роботы работают на демосчетах, но осадочек остался.



Upd: 13:45 GMT — отлёг.

Старый советский анекдот. Сантехника посадили за антисоветчинну, за фразу в облисполкоме: «Тут всё сгнило, всю систему менять надо.»

 

Начнём анализ рынка с самого его дна, с компании VK, которая убыточна на операционном уровне уже много лет.

 

Захожу на vkvideo.ru/movies_serials и ввожу поисковый запрос из трёх слов, включаю сортировку по дате. Получаю кучу выдачи, где в названиях всех этих слов нет. Поиск работает неадекватно. А это, на минуточку, лицо сервиса! Другой пример: ввожу «винни пух 1977» — вижу 98 залитых роликов с этим названием. Т.е. эффективность использования дискового пространства около 1%. Зато рекламу крутят без ума. Появляется кнопка «Пропустить рекламу через N секунд», отсчёт заканчивается, но кнопку нажать нельзя, потому что после рекламы ещё показывается экран со ссылкой на рекламодателя и ещё одним обратным отсчётом.
Как, простите, с таким качеством и свинским отношением к аудитории можно получить операционную прибыль? Да никак. Путь на дно.

( Читать дальше )

Месяц назад начал тестировать стратегию.


Результат:


( Читать дальше )

Пока весь мир готовится к третьей мировой, я занимаюсь скучной, но обязательной рутиной.

Дорос до Монтекарлинга параметров стратегий. Можно, конечно, просто взять лучшие параметры стратегии найденные на истории, но есть высокая вероятность нарваться на вырожденные случаи, которые на истории были, но могут не повториться в том же виде, и стратегия будет убыточной.

Первый способ исследования — параметры стратегий рандомятся или заполняются сеткой во всём своём диапазоне. Это анализ всего пространства параметров.
Второй способ — берутся лучшие параметры стратегии по бэктесту и к параметрам добавляется рандомный шум или сетка на заданное количество процентов. Это стресс-тест параметров.

Строится 2D график от двух метрик, у меня это  CAGR и Max Drawdown. 100'000 точек.
В первом способе я использую равномерное заполнение параметров сеткой, во втором способе — добавляю ошибку с равномерным распределением в диапазоне от -30% до +30% от лучшего значения параметра.


Рис 1. Стратегия 1, тикер 1, первый способ.

( Читать дальше )

Запустил в демо режиме стратегию в конце декабря 

а к концу января имел уже такую картину:


( Читать дальше )

Тут кое-кто в ленте с почти тыщей подписчиков утверждает, что рынок — это случайный процесс, хаос и вообще там ничего предсказать невозможно.

 

Цитата: «Поэтому все кто работает со стоп-лоссами неизбежно сливают свои депозиты.»

 

Ну что ж, давайте выдам базу...

 

За последние пару месяцев я в очередной раз глубоко погрузился в статистические исследования нашего рынка. Написал уже кучу скриптов для выявления аномалий и закономерностей. Написал симулятор стратегий и параллельного поиска лучших параметров на GPU. Этакий TSLab, но блэкджеком и GPU. Так вот, после того, как я начал пользоваться этим параллельным симулятором, который за несколько секунд находит лучшие параметры из миллиона на годовом отрезке на секундном таймфрейме, я про наш рынок узнал на порядок больше, чем от всех прочитанных псевдогуру вместе взятых.

 

Итак, база:

1. Рынок это не чисто случайный процесс. Хоть график случайного дрейфа на большой дистанции и имеет все рисунки теханализа, это не достаточная причина утверждать что-либо о связи теханализа и рынка.

( Читать дальше )

Пишешь код на python, а он тормозит и хочется взять и переписать на C++?
Не надо так! Современный С++ компилятор имеет под капотом LLVM, но современный python настолько мощный, что можно использовать тот же самый LLVM, чтобы получить скорость сопоставимую с C++. Вот типичный пример того, что на голом python будет работать мучительно долго: 

import time
import numba
import numpy as np

@numba.jit(nopython=True)
def calculate_max_drawdown(initial_cash: float, cashes: np.ndarray) -> float:
    """Расчет максимальной просадки"""
    peak = initial_cash
    max_dd = 0.0

    for cash in cashes:
        if cash > peak:
            peak = cash
        dd = (peak - cash) / peak
        if dd > max_dd:
            max_dd = dd

    return max_dd

# Вариант без Numba для сравнения
def calculate_max_drawdown_pure(initial_cash: float, cashes: np.ndarray) -> float:
    peak = initial_cash
    max_dd = 0.0

    for cash in cashes:
        if cash > peak:
            peak = cash
        dd = (peak - cash) / peak
        if dd > max_dd:
            max_dd = dd

    return max_dd

def test_calculate_max_drawdown():
    n = 1_000_000  # 1 миллион точек
    returns = np.

( Читать дальше )

«Послушайте эксперта и сделайте наоборот» — говорили они.

Сижу, никого не трогаю, исследую плотности траекторий цен при определенных условиях индикаторов.


Нашёл явную асимметрию траекторий. Дай, думаю, проверю на симуляции. Проверяю — получается какая-то дичь. Ничего понять не могу, как такое может случиться. Только после изучения распределения профита по сделкам вспомнил, что кто-то в бреду перед сном решил проверить эту идею(сделай наоборот) и забыл откатить:


( Читать дальше )

Продолжаю экспериментировать с нейросетями и генетическими алгоритмами.

 

Эволюционный алгоритм за несколько десятков поколений на популяции в несколько раз больше количества параметров нейросети нашёл параметры нейросети, которая ракетит используя неэффективость… 

(тут val_profit=это прибыль на месяце, следующем за обучающим)
А ниже суммарный анализ одной из недель:

( Читать дальше )