Иногда заглядывал на их сайт именно с идеей увидеть новости про 7-ю версию. К велсу испытываю теплые чувства. Но в процессе софтовых метаний ушел от него в свое время. Щас у меня все самописное, но щас скачал демку 7-й версии – и так приямо захотелось в уютное тепло кем-то заботливо написанного софта, а не своей хардкорной консольной инфраструктуры.

Ну, как минимум многоядерность новый велс заюзывает. Все падает, конечно, бета одним словом. У меня бэктесты щас векторизованные. Для приличной доли идей этого хватает, но иногда нужно старое доброе итерирование. Так что куплю как выйдет полноценная версия. Там ещё есть https://www.quantacula.com/ — кто-то юзает, что-то знает? Похоже, это тот же велс, только немного другой, в общем не понятно пока нифига.

Иногда некоторые контексты, комбинации факторов что-то такое рождают интересное.

— Когда ты чем-то увлечен (трейдинг).

— Когда ты капец какой ленивый.

— Когда в твоих руках мощный инструмент (питон, pandas).

— Когда не смотря на всю психологическую и не только, казалось бы, предрасположенность к алго, ты все равно любишь торговать и руками.

— Когда иногда вместо чуть более важных дел, прокрастинируя, ты начинаешь делать что-то чуть менее важное, но обычно более интересное.

…

В общем такую штуку для себя придумал. На стыке алго и не алго.

Вычисления в стиле pandas позволяют мне закодить приличную долю вариативности моих идей. А писать что-то в pandas это супер-удобно. Написал инфраструктуру, в рамках которой могу:

— Задавать критерии отбора ситуаций (смотрю на OHLCV как источник). Ну там, объем вырос, волатильность аномальная, паттерн какой-то нарисовался и т.д.

— Дальше система считает кол-во кейсов по критерия на заданных данных. Могу зажимать критерии чтоб контролировать кол-во кейсов, подпадающих под условия.

Т.е. закономерно, что туда кто-то попадет, закономерно какая доля туда примерно попадет. Но закономерно и то, кто куда попадет.

Речь, понятно, о распределениях случайной величины. Чтоб не уходить в абстрактные дебри (с риском потери нити) сразу на примере. Случайная величина – среднегодовая доходность трейдера через 5 лет торговли.

Просто часто слышу, что постоянно все списывают на ошибки выжившего, на распределения. Из 1000 фондов 3 перформят очень хорошо, а в среднем 1000 очень даже хреново – ну эти парни случайно попали в хвост, через пару лет на их месте будут другие. Несколько чуваков отлично торгуют руками – ну, нет смысла даже смотреть что они делают, случайно залезли в хвост, ошибка выжившего – мы на это не купимся, не будем смотреть что и как они делают.

Булщит по-моему.

Распределения случайной величины выглядят так (нормальное распределение, например) не просто так. Можно взять простую модель и разложить результат как совокупность влияния факторов. Так вот если все факторы складываются хорошо, то и результат скорее всего будет хороший и результат попадет в положительный хвост. Так вот эти самые факторы обычно вполне себе контролируемые вещи. В нашем примере с трейдером, если чел четко анализирует обратную связь и улучшается на основе нее (один фактор), не глуп (другой фактор), имеет некоторый благоприятствующий психотип (ещё фактор) и т.д., то он, конечно, может попасть в самое любое место распределения, но мат. ожидание все-таки будет прилично смещено относительно общей выборки.

Придумал интересный подход. Мож кого натолкнет на интересные идеи какие-то.

Сейчас начал торговать ML модели. С практической стороны с моделями какая сложность – там есть процесс предобработки данных – генерация признаков в основном (если с точки зрения трейдинговых данных заходить), поэтому нельзя просто сохранить модель, в другом месте загрузить и она будет работать, надо сохранить, загрузить, предобработать исходные данные к тому виду, к которому приучена модель и только тогда она будет работать. К счастью тонна сопутствующих трудозатрат убирается такой классной штукой как пайплайн – сейчас моя модель это 2 пайплайна – один для предобработки данных, другой для предикта (сама модель). Т.е. я где-то что-то рисечу, дальше автоматика упаковывает в пайплайны (2 на модель, как сказал). Все, могу кинуть эти 2 файла в папку с моделями, откуда их забирает торгующий блок и, собственно, отторговывает. Красота. Всякие мета-данные – тикер там, время удержания позиции и прочие мета-логики упаковываю или в сам пайплайн или в название файла. Красота.

Товарищи, важный вопрос. Подумываю расширяться, бустануться. Но не хотелось бы получить ярлык «околорыночник»)) – ну есть у меня такой пунктик. Но я, похоже, достаточно смутно представляю, что люди подразумевают под околорынком.

Обучение, продажа роботов – не интересует.

А вот автоследование, продажа сигналов, ПАММы всяческие и подобное? – Это уже не околорынок же?

Срочно, эквити рисует сигнал на лонг, войти не могу т.к. уже в позиции, срочно, что делать???

Приму деньги в управление. Блин, куда бежать? Сигнал есть, войти не могу.

Ладно, пост шуточный… по мотивам лонг сигнала по эквити).

Вернее так: что я увидел, обучая модели. Всякие подобные темы любят поднимать трейдеры, они отлично располагают для пространных рассуждений о рынке и жизни, а я это, можно сказать, увидел наглядно. В общем, наблюдения не что-то гениальное, мной открытое, не грааль, но я это наблюдаю.

Что я делаю:

Играюсь с моделями ML, играюсь гипер-параметрами – параметрами самих моделей непосредственно и моими какими-то входящими параметрами. Смотрю как меняются результаты в зависимости от этих параметров.

Что я увидел:

1. Где-то закономерностей объективно больше, где-то объективно меньше. Если прочесываешь график моделями (с разными параметрами) по мат. ожиданию OOS результатов совокупности моделей и по их распределению видно, что из каких-то графиков закономерности извлекаются на ура, а из каких-то со скрипом. В данном случае график это пересечение по тикер-TF-временной отрезок. Да даже если брать только тикер, некоторые, что называется, палку воткни, она зацветёт, а в некоторых надо очень постараться, чтобы нащупать нормальные закономерности.
2. Похоже, действительно легче прогнозировать на короткие интервалы. Но эта закономерность выглядит не так, как её обычно преподносят. Обычно в ходу какая-то такая версия: чем ближе, тем легче, типа на минуты легче, чем на часы и т.д. Я бы сказал, что подтверждение находит скорее следующее: чем больше отношение горизонта прогноза к длине промежутка времени, данные из которого непосредственно участвуют в прогнозе. Ну т.е. если ты принимаешь решение по 50 свечам, то на 2*50 можно прогнозировать с большей точностью (winrate), чем на 10*50 и т.д. При этом в другом контексте, например, если ты ушел на TF выше, ты эти 10*50 сможешь спрогнозировать уже с хорошей точностью.
3. Объективно раньше было зарабатывать легче. По ошибке из большого промежутка времени сначала какое-то время брал для обучения данные не самые свежие, а самые древние и удивлялся очень приличным результатам моделей, на свежих данных моделям можно сказать драматически сложнее извлекать закономерности.