Ну и ну! Тема в продолжение прошлого поста
Понятно, что постоянная сумма в сделке вносит нелинейность в отображение Ценовой график -> Эквити, но чтобы менять МО — это как-то неожиданно.
Т.о. выбор того, постоянная сумма или постоянный лот — часть торговой стратегии, от которой может зависеть ее прибыльность/убыточность..
При этом постоянный лот сильно меняет эквити, если инструмент сильно меняет со временем свое значение. И вообще непонятно, чье поведение при разработке тестера в итоге проще будет учесть.

Вопрос: как будет выглядеть эквити алгоритма, который покупает, держит позицию до стопа, закрывается (потом сразу снова покупает и тд) если запустить его на графике синусоиды? Без комиссии и если стоп:

1. по времени удержания позиции (т.е. держит N свечей)
2. по абсолютному изменению цены (т.е. как только цена изменилась на N% от входа в сделку)

И почему так?

UPD: чтобы избежать деления на ноль во втором пункте определим график как f(x) = sin(x) + 2

Возьмем такое движение цены: 100 -> 110 -> 121
И такие сделки: купить 1шт, купить 1шт, продать 2шт.

Итого, первая сделка принесла 21%, вторая — 10%. Очень хотелось было бы посчитать среднюю как (21%+10%)/2 = 15.5%. Очень — потому что это число легко интерпретировать. Например, понятно, на сколько изменится финрез, при изменении комиссии. Или сколько мы заработаем на 1000 таких сделках. Для такого подсчета бэктестер должен хранить историю сделок, а не просто среднюю цену.

Если же посчитать итоговый результат по отношению к используемому капиталу (100+110), то результат сделки можно оценить как (121*2-100-110)/(100+110) = 15.2%. Т.е. интерпретируем вторую сделку как усреднение первой (а это самая простая реализация бэктестера). И это уже комплексная величина, учитывающая плечо, и которой ментально оперировать сильно труднее.

Отсюда вопрос, какую среднюю используете Вы?

Полная шляпа для тех, кто хотя бы немного имеет представление об алготорговле и машинном обучении. Половина книги — типичное объяснение базовых вещей типа перцептрона/кроссвалидации/метрик, вторая половина — примеры базового использования разных видов сетей. Много вспомогательного кода — загрузка/базовый препроцессинг/отображение данных — создается ощущение, что его поместили исключительно в качестве полезно-выглядящего наполнителя. Ничего не рассказано о проблемах/особенностях использования подобных техник, не показаны какие-то выдающиеся результаты, да и «продвинутые» стратегии совсем не выглядят таковыми. Просто примеры аппроксимирующего кода с поверхностным объяснением его работы и используемых терминов. Все как в студенческой курсовой.
Я бы вместо чтения этой книги посоветовал поиграть с любым гитхаб-репозиторием на эту тему + прогуглить все незнакомые слова. Для «Hands-On» подойдет намного лучше.

Продолжаю экспериментировать с распределением ценовых приращений. Задался вопросом, насколько быстро меняется распределение в зависимости от:
1) размера выборки
2) соотношения «размер тестовой выборки / (размер основной + тестовой выборки)»

Техника простая — разбиваем серию минуток на перекрывающиеся интервалы, каждый интервал разбиваем на две части — основную выборку и тестовую, проверяем, отличается ли первая от второй. И так для каждой акции, размера целой выборки, размера тестовой выборки.
Перед отображением на графике результаты усредняем.
Факт изменения распределения определялся тестом Колмогорова-Смирнова.

Ниже — графики зависимости изменчивости распределения от размеров выборки (тестовой и совокупной)

Замечу, что при небольших размерах выборки результаты на левой части графика становятся недостоверными (минимальный набор для теста Колмогорова-Смирнова ~ 30).

( Читать дальше )

Картинки сгенерированы для медитации, без выводов :)
Таймфрейм — минутки с 2009 по 2018г, один фрейм — распределение приращений за полгода. Для удобства восприятия выкинуты returns: нулевые и выходящие за третий квантиль. Ось по горизонтали подписана в долях от процента.

( Читать дальше )

Интересный тред на ycombinator — обсуждение пейпера Using Reinforcement Learning in the Algorithmic Trading Problem. Понятное дело, к пейперу много претензий — вероятный оверфит, малый ProfitPerTrade, нереалистичные условия бэктеста и т.д. Если бы все это было учтено, статьи бы мы не увидели.
Кроме дельных замечаний от бывших квантов, узнал из комментов про фатальный недостаток A3C — теоретическую малоприменимость в состязательных средах:

An additional problem with this is that they use A3C here for trading. A3C is known to not be suitable for adversarial environments (e.g. board games, like Chess). I wrote a paper that demonstrated that A3C is as exploitable as a uniform random strategy in board games (specifically, some poker variants): arxiv.org/abs/2004.09677

It’s mostly an issue that A2C isn’t designed for adversarial environments. It also doesn’t have any notion of hidden information, while other algorithms (eg CFR) explicitly handle this. There’s a well-known phenomena of cycling, where agent A will beat agent B which beats agent C which beats agent A; A2C can exhibit this. Think of rock/paper/scissors- AlwaysRock beats AlwaysScissors which beats AlwaysPaper. To avoid this, you typically need to do some sort of averaging.
link

Понятно, что многие алго из описанных в интернете можно доработать и построить на их основе рабочую стратегию. Так что не принимаем это близко к сердцу и продолжаем экспериментировать.

Общеизвестно, что чем метод проще, тем он надежнее (в контексте предсказаний — точнее). Комментаторы смартлаба через один утверждают это, но сколько из них обосновывают свои утверждения?
Решил изучить этот вопрос подробнее. Ключевые ссылки нашел в ответах на вопрос https://stats.stackexchange.com/questions/124955/is-it-unusual-for-the-mean-to-outperform-arima (чувак спрашивает, нормально ли, что в его исследованиях лучше работают простые методы типа  скользяшек). Помимо множества цитат авторитетов научного мира приведено любопытное исследование от 2015г (цифры округлены, т.к. немного гуляют даже в пределах публикации):

В отличие от некоторых дискуссий, по нашему определению сложность не является функцией от количества переменных. Сложность также не зависит от усилий, необходимых для разработки модели. Чтобы выяснить, прост ли метод прогнозирования, мы спрашивали его пользователей, понимают ли они его — и если да, то смогут ли объяснить, задействованные в модели математические методы, как эта модель представляет исходную информацию, как разные части модели связаны друг с другом и как прогноз модели поможет принять лучшее решение.

( Читать дальше )