Избранное трейдера My Shadow
Алготорговля в 2019
Чет подустал. Америка с россией торговать крайне неудобно. Рабочий день с 9.30 до 12 ночи. Причем никаких праздников совсем. И отпусков. Поехал в отпуск — берешь планшет и ноутбук. Счас хорошо — везде есть интернет. Надо понимать, что рабочий сервер так же требует внимания и администрирования.
За год высыпалось 27 технических проблем, всякие подвисания, вылетания, дисконекты, внезапные лишние позы. Из них эпические — на NYSE поменяли название тикера — пока заметил и разбирался -1500$; IB потребовало заполнить анкету и отключило торговлю, пока разбирался и заполнял анкету -2000$. В IB поменяли api и тслабовский коннектор стал еле работать. Счас вроде починили.
По тслабу обращался в техподдержку 15раз. много багов было по IB, например тслаб просто внезапно вис пару раз в неделю, но все исправили. На багах связки тслаб+IB проеплось где то 5000$ (веду записи и учет). Счас более-менее работает и годно для торговли.
Всего лишь неделю нужно для того, чтобы каждый из вас смог сам научиться программировать сверточные нейронные сети, которые торгуют не хуже этой*:
Основное отличие машинного обучения от традиционного программирования состоит в том, что в задачах классического программирования вы знаете некие правила и жестко программируете их в поведении программы; в задачах машинного обучения вы не знаете по каким конкретно правилам должна работать программа и позволяете моделям машинного обучения самим найти их. Если вы хотите создать торгового робота, обычно, вы сами ищете некоторые правила (например, пересечение скользяшек, MACD>80 при убывающей луне — покупаю 2 лота) и жестко задаете такое поведения в роботе, тестируете и, возможно, оптимизируете некоторые параметры, но почему бы не поручить само придумывание правил машине? Методы машинного обучения, в теории, могут сами выбрать индикаторы, разработать правила входа, выхода и оптимальный размер позиций. Да чего уж… они могут сами придумать индикаторы, паттерны, которые могут быть гораздо лучше чем то, что придумали до этого люди. Ведь так и случилось в сфере обработки изображений, нейронные сети научились выделять значимые признаки из изображений гораздо лучше, чем алгоритмы, придуманные людьми. Компьютер обыгрывает людей в шахматы — игру, знания для которой люди накапливали ни одну сотню лет. Станет ли алготрейдинг следующей сферой, где будет господствовать нейронные сети или какой другой метод машинного обучения?
'Min10',
'Cl/High',
'Vol20',
'tLow%',
'Cl/Low',
'tHigh%-tLow%',
'ATRP(14)',
'DIMinus(14)',
'RSI(Close.20)',
'MomentumPct(Close.14)',
'MFI(20)',
'KST(Close.10.10.15.10.20.10.30.15)',
'TRIX(Close.10)',
'Cl/w_High',
'DSS(10. 20. 5)
Год | Колл | % сделка |
2011 | 611 | 0,1 |
2012 | 440 | 0,34 |
2013 | 305 | 0,42 |
2014 | 420 | 1,17 |
2015 | 263 | 0,85 |
2016 | 248 | 0,74 |
2017 | 261 | 0,41 |
2018 | 46 | 0,34 |
Mean: | 323 |
Начнем традиционно с таблицы
Мэйнстримом в октябре был RI-тренд. Что собственно и неудивительно при том тренде в RI, который был практически весь октябрь. Сначала RI рос за счет шорта доллара, который в его лонге «заложен по определению», потом «драйва» добавили Лукойл и Сургутнефтегаз, и наконец в третьей декаде «уголька в топку подбросили» акции из моего портфеля: Газпром, Норникель и Сбербанк и «примкнувшая к ним» Роснефть. Не взять такой тренд – это было бы «преступлением» моих систем.
RI-контртренд тоже закончил месяц в плюсе, несмотря на упоминавшийся выше тренд. «Виной» тому «фильтр», который «вырубил» его на большую часть тренда из первого абзаца. Хотя в третьей декаде произошла серия минусовых дней, уведшая эту систему в легкий минус по месяцу, но 29-30 октября минус был отбит. Хотя плюс оказался гораздо меньше сентябрьского и, соответственно, в плюс по году эта система не вышла.
Когнитивный стиль — это присущий человеку способ получения, обработки, анализа информации и принятия решений, на основе этого анализа.
В разных ситуациях наше поведение может различаться, но в целом, тяготение к присущему человеку стилю сохраняется.
Есть разные классификации и определения когнитивных стилей, автор выбирает следующий вариант:
1. Полезависимый / поленезависимый;
2. С узким / широким диапазоном эквивалентности;
3. С узкой / широкой категоризацией;
4. Жесткий (ригидный) / гибкий познавательный контроль;
5. Толерантный к нереалистическому опыту;
6. Фокусирующий / сканирующий контроль;
7. Сглаживание / заострение;
8. Импульсивность / рефлективность;
9. Конкретная / абстрактная концептуализация;
10. Когнитивная простота / сложность.
1. Полезависимый / поленезависимый
Поленезависимость — способность к самостоятельному составлению адекватной картины мира. Как следствие, большая автономность, критичность, компетентность, отчужденность.
Полезависимость — меньшая способность к автономному составлению адекватной картины мира. Полезависимые люди для этого опираются на чужое мнение, склонны кооперироваться с другими для выработки решений. Как результат, они и более общительны и приятны в общении.
Устойчивые долгосрочные модели
В предыдущих частях (часть 1, часть 2) мы рассмотрели построение композитных систем оценок ценных бумаг, построенных при помощи распространённых средств машинного обучения (Bag/Boost методы). Однако, такой подход, несмотря на все свои преимущества (скорость, точность) имеет ряд больших недостатков – отсутствие универсальности моделей в результате проблем «переобучения» (точной настройки на определённые типы рынков и временные интервалы) и сложность интерпретации полученных композиций.
В результате решения этих проблем мы разработали базовую модель на основе наших представлений о стохастических дифференциальных уравнениях с квантовыми скачками, образующих улыбку волатильности. Эта макромодель получила в наших исследованиях наиболее полную микроскопическую интерпретацию.