Итак, код обучения и прогнозирования нейросетью рыночных котировок на 5 минут.

import sqlite3 as sql
from scipy.stats import logistic
import math
import numpy as np
import numpy.random as rnd
import matplotlib.pyplot as plt
from sklearn.neural_network import MLPRegressor

sdata =[]
sql1= "select ticker, date, open, high, low, close, vol \
    from Hist_1m where ticker_id=1 order by Date;"
con=sql.connect('C:/Users/ubase/Documents/StockDB/StockDB21.sqlite')
cur=con.cursor()
cur.execute(sql1)
sdata=cur.fetchall()
con.commit()
con.close()

Ldata = len(sdata)
N = 8000 # Количество сделок
ld = 5 #Продолжительность сделки
NNinterval = 20 # Количество входов NN

# Генерация случайных чисел
rng = rnd.default_rng()
rm=rng.integers(0, Ldata, N )

class Candle:
    tr = 0
    dt = 1
    o = 2
    h = 3
    l = 4
    c = 5
    v = 6
    
cl = Candle
DataC =[sdata[i][cl.c] for i in range(0,Ldata)]

# sigmoid линейность до 0.5
def sigmoidnorm(x, alfa = 0.9, xmin = -1.3, xmax = 1.3):
    return (xmax - xmin)*((1 / (1 + math.exp(-x*2.0*alfa))) - 1.0) + xmax

x = [0.002 * i - 3 for i in range(0,3000)]
y = [sigmoidnorm(x[i]) for i in range(len(x))]


plt.plot(x,y)
plt.grid()
plt.show()

# формируем сделки.
def DealsGenL(rm,ld):
   #Lm = len(rm)
   ix = []
   x = []
   pr = []
   
   for i in range(0,N):
        if rm[i] + ld < Ldata and rm[i] - NNinterval - 1 > 0:
            delta = (sdata[rm[i]+ld][cl.c] - sdata[rm[i]][cl.c])/sdata[rm[i]+ld][cl.c]*100
            x0 = [sigmoidnorm((sdata[rm[i] - j][cl.c] - sdata[rm[i]][cl.c])/sdata[rm[i]][cl.c]*100) \
                 for j in range(0, NNinterval)]
            ix.append(rm[i])
            x.append(x0)
            pr.append(delta)
   return ix, x, pr


Ix, X, Pr = DealsGenL(rm,ld)



Ib = 0
Ie = 100

plt.plot(X)
plt.legend()
plt.grid()
plt.show()


plt.plot(Pr, label = 'Prof')
plt.legend()
plt.grid()
plt.show()


regr = MLPRegressor(hidden_layer_sizes = [30,20,15,10,5], \
                    max_iter=500, activation = 'tanh')

regr.fit(X, Pr)
Out = regr.predict(X)

plt.plot(Pr, Out, '.')
plt.grid()
plt.show()

И вот результат прогнозирования:

( Читать дальше )

Пишу редко, но все чаще получаю позитивный и рациональный feedback на свои посты и это не может не радовать...)) Сегодня 6 лет как я начал «болеть» трейдингом и в конечном счете это стало моей профессией и делом моей жизни и я решил тезисно написать, что я понял для себя за эти годы и к чему пришел:

✅Быть трейдером — это про гены и талант! Научить тут ничему нельзя, либо у тебя хватит рвения научиться всему самому, либо тебя сольют в первые 2-3 года максимум...90% — это зеваки, игроманы и халявщики… Остальные 10% — такие же, но знающие и зарабатывающие на этом!
✅Тех анализ со всеми его рисунками, фигурами, расширениями и «газообразованиями» не работает… Вернее работает — но только в теории))) Проблема не в самом тех анале, а в человеческой сути — люди ленятся, косячут, по разному смотрят на рынок и отсюда «каждый в этом мутной воде видит разную рыбу»!
✅Вообще все эти понятия: тех анализ, «кукол» и даже слова типа тренда — это все навязано ИНДУСТРИЕЙ, которая нацелена на откачку денег...Любые общедоступные понятия и информация — это матрица для благодатной паствы

( Читать дальше )

Доброго всем дня!

 

Сегодня обсудим механику рынка: что это такое, как работает, где применять.
Для того, чтобы сформировалась системность в действиях, нужен план торговли не только на день, но и на неделю, месяц и даже год. И из всего этого формируется наработанный алгоритм торговли.



Для многих из нас формируются постулаты торговли, которые оттачиваются и закрепляются при наработке опыта на рынке. Точки входа имеют несколько вариантов сценариев развития ситуация и их нужно держать в голове.

( Читать дальше )

Доконал я, таки, свою Windows 10, стала еле ползать. Вначале восстановил штатной системой восстановления — не понравилось. Тогда сделал чистую установку. Вроде нормально, полетела. Поставил VS 2019, и очередь дошла до Python — что ставить?
Уже несколько лет использую Python для всех задач анализа данных и моделирования торговых систем. До того использовал разное — Excel, MathLab, SciLab, R. Python, имхо, оказался наиболее удобным и быстрым инструментом для решения всех околорыночных задач.
В свое время долго выбирал среду под Python, и, в конце концов остановился на Anaconda. Это самое оно для начинающих — все сразу сконфигурировано и готово к употреблению, уже сразу в базе ~700 пакетов, и не надо заморачиваться с их установкой. Кроме того, уже готовы к употреблению несколько сред разработки, я пользуюсь только одной — Spyder — не то, чтобы другие хуже, просто потребности не возникало.
В общем, для тех, кто только начинает работать с Python или не хочет заморачиваться с пакетами и средами, Anaconda — самое оно.
Однако, есть и недостатки. Очень большой объем на диске, долго ставится. Все 700 пакетов вам никогда не понадобятся, и по любому, позднее какие-то пакеты вам все равно придется устанавливать самостоятельно. Множество сред разработки тоже никогда не понадобятся, однако, чтобы получить общее представление о том, что есть под Python, для начальных этапов не вредно.

( Читать дальше )

Хороший вариант для тех, кто ушел в инвесторы, но руки чешутся поработать внутри дня.

В арсенале опытного трейдера много закономерностей, на которых можно заработать. Задача не прозевать нужный момент.

Торгуем только по факту. Видим знакомую ситуацию – торгуем! Не видим – сидим спокойно.

Что делать, если не видишь знакомых ситуаций? Появляются сомнения, что выбранная торговая система не работает. Ты просто плохо смотришь!

Практика:

Деревья не растут до небес и акции не могут двигаться в одну сторону без остановок. Если инструмент вырос или упал более чем на 2,6% к 12ч дня при этом не было какой-либо проторговки во время движения. То самое время для коррекции к предыдущему движению. Глубина коррекции 0,5%. Это и есть наш заработок.

Почему 2,6%? Почему обеденное время? Какая еще проторговка? Ответы на эти вопросы и другие нюансы даст практика.

Для отслеживания нужного момента в помощь Market Scanner.

( Читать дальше )

Здесь периодически возникают статьи про применение нейронок в трейдинге.

Я решил поделиться примером того, как в одном пайплайне (единая структура программного кода) можно построить, обучить и протестировать нейронку в торговом алгоритме.

Статья будет более полезна и понятна тем, кто имеет хоть небольшой опыт работы с Python.

Итак, наша задача проверить, есть ли вообще надежда на успешное применение нейронных сетей в трейдинге, проверить гипотезу на простом алгоритме, понять, как можно в случае успеха перенести все на боевую среду (реальный торговый робот), и желательно, продемонстрировать все это понятно и доходчиво.

Чтобы в конце концов сделать вывод о перспективности применения нейронок, будем соревноваться с индексом РТС.

Сразу сделаю дисклеймер, все рассматриваемые и полученные в статье результаты являются лишь простым примером, и применять их на реальных деньгах не рекомендую. И я не буду давать теорию по нейронным сетям и работе с ними. Всё это находится/читается/выучивается.

( Читать дальше )

В одной из прошлых заметок мне нужно было скачать исторические котировки по 650 активам. Часть из них на российском рынке, часть крипта и большая часть на рынке США. Всё, что касается крипты, валют и американского рынка качал с yahoo finance. Российский рынок качал с финама. Естественно качал с помощью питона. Дальше расскажу как это можно повторить.

Yahoo finance и python

Пакет yfinance. Гитахб github.com/ranaroussi/yfinance Установка командой: pip install yfinance

Можно качать не только дневные данные. Интервалы из документации: 1m,2m,5m,15m,30m,60m,90m,1h,1d,5d,1wk,1mo,3mo На практике данные меньше дневных сильно ограничены. Например, часовые доступны за 60 последних дней.

Перейдём к делу, как качать котировки:

import yfinance as yf

data = yf.download(«TSLA», start=«2017-01-01», end=«2017-04-30»)

Как добавить интервал:

data = yf.download(«TSLA», start=«2017-01-01», end=«2017-04-30», interval='1h')

Данные скачиваются в датафрейм. Датафрейм можно сохранить в csv:

data.to_csv('tsla.csv')

Для тикеров с московской биржи нужно добавить постфикс .ME. То есть SBER и GAZP превращаются в SBER.ME и GAZP.ME Для валют тикеры выглядят вот так RUBUSD=X Для криптовалют BTC-USD

( Читать дальше )

Анализ рынка от А до Я

Анализ внутридневной торговли. В этом месте я хотел бы рассказать вам, как подходить к ежедневному анализу рынков от начала до конца.

Первое, что нужно сделать в своем ежедневном анализе, — это взглянуть на макроэкономический календарь и посмотреть, какие новости и события происходят в течение дня. Вам нужно отметить время появления новостей. Вы же не хотите оказаться втянутым в сделку, которая была спровоцирована всплеском во время новостей.

Затем вы хотите посмотреть на общую тенденцию или общую картину актива, который вы собираетесь анализировать. Вы можете сделать это, посмотрев на 240-минутный или дневной график. Таким образом, вы увидите, есть ли восходящий тренд, нисходящий тренд или поворот. Если есть сильный восходящий тренд, то вы хотите совершать только длинные сделки. Если есть сильный нисходящий тренд, то вы должны совершать только короткие сделки. В случае ротации вы можете совершать как длинные, так и короткие сделки. Вы должны быть в курсе общего тренда, потому что внутридневные уровни обычно не настолько сильны, чтобы остановить или изменить сильный тренд. Если сильные покупатели или продавцы агрессивно толкают цену в одном направлении в течение нескольких дней, им будет все равно, есть ли на их пути «слабый» внутридневной уровень.

( Читать дальше )