Немного биографии, кому не интересно — без проблем листаем сразу ниже

С трейдингом познакомился осенью 2019 года. Изучал очень многое, в том числе западные источники.

Всерьёз стал подходить к вопросу только ближе к лету 2020 года, там же начал и пробовать ручной скальпинг — в течение пары месяцев уже были в голове наброски основных торговых систем, благо помогали знакомые крупные действующие трейдеры.

Довольно быстро понял, что торговать ручками — не мой вариант, совсем другого я склада характера.

Ближе к концу 2020 года уже узнал про алгоритмический трейдинг и начал плотно изучать варианты.

Тогда же впервые узнал о замечательном софте — TSLab, сразу начал изучать его. В то же время наткнулся на стратегию, о которой и пойдёт речь далее.

После был длительный перерыв в трейдинге — более года по личным обстоятельствам.

Летом 2022 года вернулся к TSLab, обновил знания и погнал тестировать. За плечами десятки разных ботов, тестов, стратегий. Я точно не мастер TSLab и вообще трейдинга — есть сотни более опытных людей и я вдоволь наемся разного рода критики, я не против конструктива.

( Читать дальше )

Данная система это скорее шаблон чем полноценное решение. Стопы, тейки и дополнительные триггеры входа (пока) не рассматривались.

Так же, прошу не писать комментарии типа «а купи и держи дало бы больше»


Итак. берем любимую известную криптовалюту, ждем среды. Встаем часов в 6 утра по Москве (понимаю, если бухаешь то это непросто) и покупаем. Спустя 12 часов продаем. 
Другой раз подходим где-то в ночь с четверга на пятницу, около полуночи (удобно, если бухаешь) и шортим любимую криптовалюту. Закрываемся через 9 часов. 

На битке такой подход дает где то 65 годовых при 25% просадки в моменте. на зеткеше около 100% но и просадка чуть больше. 

Эквити приводить смысла нет, она отличная. Замечено так же, что в фазе падения (начало 2018года) лонг очень слаб, а шорт очень силен. на периоде 2019+ все более менее одинаково. 



эквити с 18 года. тесты фиксированной суммой денег. учитывая возможности криптобирж, сумма может быть любой. в данном случае интересна не цифра а динамика. 

         В 2019 году в TSLab сделал тесты стратегии «Hi_Lo», которая установлена в базовой версии этой программы. Смысл стратегии заключается в том. что вход в лонг осуществляется при пробитии хая предыдущей свечи, вход/переворот в шорт осуществляется при пробитии лоя предыдущей свечи. В TSLab мною был создан скрипт для тестирования одновременной торговли несколькими инструментами с целью диверсификации:

 
        В результате тестирования и опыта торговли остановился на следующем варианте: торгуются фьючерсы RTS, Si, BR в соотношении 1:6:4, дневной таймфрейм. Результаты тестов за период с 01.01.2003 г. по настоящее время без капитализации, без учета комиссии и проскальзывания представлены ниже:

 

( Читать дальше )

В первые новогодние дни на Смартлабе оживленно обсуждается стратегия «30% годовых без риска и просадок».

Очевидно, пришла пора и для новой темы. Как известно, новое это хорошо забытое старое. Так и в этом случае.

Опционы в России появились в 1993-м, а нормальный Интернет и торговые программы – только в 2000-х гг.

Но, как оказывается, и сегодня можно торговать опционами на пальцах, без дорогостоящего софта, без роботов и даже без интернета, делая все расчеты в табличке Excel, а в крайнем случае на клочке бумаги.

Этот подход получил название «Опционная матрица Такоева». Впервые он был обнародован на опционной конференции «НОК-9» в 2015 г.
В следующем 2016г. тема получила продолжение, и был сделан ещё один доклад на конференции «НОК-10», где подводись первые итоги торговли, тестирования и обучения этому методу.

Я хорошо знаю автора Игоря Такоева. Вместе работали еще на Российской бирже.
Данную матрицу, в дополненном варианте, успешно применяю и сегодня.

( Читать дальше )

1 Пользую 7 лет выделенный сервак в датацентре. Но тслаб отожрался до 20 гиг, требует 2ух моторного серебряного ксеона о 24ех ядрах и 48ми потоках. А стоит такое чудо ажно 250к в год ну и сам тслаб 40к в год. Т.е 10 за лет сервак прожирает новый авто. И сбоит этот сервак стабильно раз год.

2 На грудь прыгнула здоровенная жаба — платить такие деньжища. И решил попробовать смастерить подходящую замену серверу из говна и палок.

3 Мысль была в том, чтоб взять два компа. Поставить их в разных городах, чтоб исключить проблемы с электричеством, интернетом и техникой. Т.е оба компа сразу не сдохнут, электричество одновременно не отключится и интернет одновременно не пропадет. На обоих компах поставить тслаб, соеденить их через облако, и как только один компов дает сбой — отключать его, включать второй комп и поднимать резервную копию с облаков.

( Читать дальше )

  Если такую конструкцию делать в понедельник то вероятность выхода в деньги на экспирацию 70%. При подходе к границам надо покупать фьюч РТС, можно в ТСЛАБЕ настроить автоматическое выравнивание дельты). Очень некомфортная конструкция, я ее использовал полгода в ручном управлении, это стресс))

 Вход в понедельник, держим до экспирации.

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 )

Прошла 32 неделя конкурса портфельных инвесторов.
Цены для расчета на 10 сентября

таблица с текущими результатами:
«волатильность» — рассчитанная по итогам прошедшего периода от начала конкурса.
«доход» — доход за весь период
«итог» — показатель по которому будет определяться победитель.
Доходность «среднего портфеля» показывает среднюю доходность всех участников


( Читать дальше )

Прошла 30 неделя конкурса портфельных инвесторов.
Цены для расчета на 27 августа

таблица с текущими результатами:
«волатильность» — рассчитанная по итогам прошедшего периода от начала конкурса.
«доход» — доход за весь период
«итог» — показатель по которому будет определяться победитель.
Доходность «среднего портфеля» показывает среднюю доходность всех участников


( Читать дальше )