Избранное трейдера LeO
Если вы используете стратегии в трейдингвью, например чтобы быстро накидать прототип идеи из какого нибудь источника и посмотреть её, то у вас наверняка также появлялся вопрос поиска приемлемых параметров и проверка как они влияют на стратегию. Делать это вручную крайне трудозатратно. Простейшая стратегия двух скользящих средних может давать 400 и более вариантов параметров. А любое увеличение кол-ва параметров и диапазона их значений приводит к необходимости перебора значений растущих в геометрической прогрессии. Например стратегия из 5 параметров по 15 значений дает 15 ^ 5 = 759 375 вариантов. Подобрать их руками, когда один вариант вычисляется пару секунд не реально.
А можно ли автоматизировать этот процесс? Ниже описание решения через расширение для браузера на основе Chrome.

В прошлый раз я публиковал статью, в которой говорил об ассистенте для
Добрый день, инвесторы и трейдеры.
Вот я и решилась зарегистрироваться здесь, чтобы делиться своим мнением и обсуждать насущие проблемы рынка)
О себе: Елена, на рынке с 2015 года, сначала наблюдение, изучение материалов, потом робкие шаги и попытки найти систему. Каждый трейдер проходит этот путь, пока не поймёт, что именно ему интересно. Пришла в итоге к тому, что интересно среднесрочное инвестирование, а также краткосрочные спекуляции под красивый тренд. Обычно торгую только голубые фишки, в эшелоны смотрю редко. Ну вы знаете, без инсайда и отчасти знания внутренней кухни там делать практически нечего.

Об ЛЧИ 2020 и ЛЧИ в общем. Для меня было неожиданностью, что взяла 1 место в номинации «Лучший частный инвестор на фондовом рынке». ЛЧИ это всегда случайность, ведь в конкурсе участвуют тысячи людей.
Хороший тренд прошлой осени и усидчивость позволили получить такие результаты. Основной результат получен на SBER, SBERP, GMKN. На начало периода ЛЧИ был резко отрицательный фон, многие ждали просадки, но я думала иначе и ожидала аптренда по сберу и гмк.

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:



По ФА…
Nonfarm Payrolls
Заголовок в отчете по рынку труда США вышел более однозначным, нежели сопровождающие данные, которые смягчили негатив.
Тем не менее, последствия августовского нонфарма для политики ФРС очевидны, члены ФРС не смогут огласить о достижении «дальнейшего существенного прогресса» в отношении рынка труда на заседании 22 сентября, а значит не смогут выдать предупреждение рынкам о начале сворачивания программы QE.
ФРС придется дождаться публикации отчета по рынку США за сентябрь и, при сильном росте новых рабочих мест, первая возможность для оглашения предупреждения рынкам о сворачивании программы QE представится на заседании 3 ноября с фактическим снижением темпа покупок активов на заседании 15 декабря.
При этом, если ситуация в экономике США продолжит ухудшаться или главой ФРС будет назначена Брайнард, то сворачивание программы QE будет перенесено на 1 квартал 2022 года.