Интересно. Кривуля и коэффициенты выглядят хорошо, немного смущает только количество сделок.

Вы уже запускали этот алгоритм в реал или пока ещё тестируете?

Правильно ли я понимаю, что логика алгоритма предполагает его непрерывную оптимизацию и адаптацию прямо в процессе торговли?

__rtx, у меня пока не хватает технического уровня, чтобы полноценно использовать все описанные вами штуки. Честно говоря, я даже не до конца понимаю, под какие задачи в уже работающей у меня инфраструктуре это можно было бы применить.

Тем не менее дискуссия у вас с автором получилась объёмная и интересная, надеюсь, всё успел дочитать)

Добрый день.

Хотелось бы картиночки до/после внедрения хотя бы на тесте по ключевым метрикам и кривуле.

__rtx, по вашей дискуссии мне искусственный вот такое подкинул:

_____rtx, 

смешно получилось

Если пауза, я жду фразу‑скелет: “прошёл разовый фактор, но риски вторичных эффектов сохраняются; решения — по данным”. Это полностью в духе декабрьской рамки ЦБ про зависимость от устойчивости замедления и ожиданий.

Если –50 б.п., риторика, наоборот, будет компенсировать мягкость решения: “жёсткая ДКП сохраняется, готовы действовать при необходимости, ожидания — в фокусе”.

Михаил Михалёв, отлично! 

вы просто название софта указали в предыдущем сообщении, это смутило немного. Если это метафора такая, то извиняйте, сходу не разобрал)

Задача трех тел, доброго вечера. 

Да, такой подход мне знаком и местами используется

Как купить квартиру, когда цены зашкаливают?

Продать часть акций из портфеля и купить. Что может быть проще?

Мы разве все здесь не для этого?

прикольно) 

но в реальности ближе к такому: 

Когда дойдут руки до калибровки и симуляций, будет здорово, если поделитесь результатами, и насколько реалистично выглядят траектории цены и как модель ведёт себя OOS при зафиксированных параметрах хвостов.

MoscowTrades, если хочется не «на глаз», а автоматизации и портфельной истории, то тренд/не тренд можно пытаться определять через рыночные режимы.

Вариантов много с разной эффективностью, но, например:

1.Кластеризация. Сначала группируете тикеры/ботов/стратегии по поведению (волатильность, трендовость, ликвидность и т.д.), хоть простым k‑means, хоть rule‑based. Внутри каждого кластера уже считаете режим «тренд/флэт» по общим метрикам кластера, а не по одному инструменту/стратегии. Это удобно для портфельной торговли и «зоопарка» ботов.

2.Regime‑адаптивный выбор стратегий. Задаёте несколько режимов (LowVol‑Flat, HighVol‑Trend и т.п.), для каждого заранее смотрите, какие стратегии в целом или версии внутри одного алго исторически лучше работают. В онлайне режим определяется по набору простых фич (отношение ATR short/long, R² регрессии цены, частота обновления хай/лоу), и под текущий режим бот сам переключает веса трендовых/контртрендовых систем или просто снижает/увеличивает долю трендовых.

3.Режим по волатильности и трендовости. На каждом тикере/системе/стратегии считаете:
– отношение краткосрочного ATR к долгосрочному (HighVol/LowVol),
– коэффициент «чистого движения» (модуль разницы между ценой сейчас и N баров назад) / (сумма модулей всех ценовых изменений за эти N баров) и/или R² линейной регрессии цены (HighTrend/LowTrend).
Дальше простая сетка правил: HighVol+HighTrend → даём зелёный свет трендовым ботам, HighVol+LowTrend → больше mean‑reversion/volatility‑based стратегий, LowVol+LowTrend → минимум активности трендовиков и т.п.

В стратегии данного топика используется volatility‑based подход через управление размером позиции. Это хорошо видно по графику просадки ближе к концу теста, когда сумма уже достаточная, чтобы варьировать объём в процессе. Это помогает снижать просадку.