Оптимальные стратегии

Обозначения:

C_t – цена актива;

d_t=(C_t-C_t-1)/C_t-1;

d_t – случайна и имеет безусловное распределение P(d_t), т. е. точного прогноза этой величины одновременно во все (!) моменты времени не существует (отметим, что существование точного прогноза в отдельные моменты времени не означает детерминированности- антипода случайности, которая подразумевает наличие точного прогноза в любой(!) момент времени) ;

L_t – вся информация, известная к моменту времени t;

Р(d_t/L_t-1) – условное распределение d_t по L_t-1;

P(d_t,,d_t-1)  - безусловное распределение пары (d_t,,d_t-1);  

E_t g(d_t) – среднее функции g(x) по распределению Р(d_t/L_t-1);

E g(d_t,d_t-1)  среднее функции g(x₁,x₂) по распределению Р(d_t,d_t-1);

M_t – оценка самофинансируемого (без вводов-выводов) портфеля в момент времени t;

1. В папке с Квиком создаем директорию LuaIndicators.
2. В этой папке создаем файл br_rub.lua, туда записываем:

Settings = 
{
Name = "BR_RUB",
tag = "USDRUB",
tag1 = "BR",
line=
{
{Name = "brent_rub", Color = RGB(0, 0, 255), Type = 1,Width = 1}
}
}

function Init()
return 1
end

function OnCalculate(index)
local Out = (getCandlesByIndex(Settings.tag1, 0, index-1, 1)[0].close or 0) * (getCandlesByIndex(Settings.tag, 0, index-1, 1)[0].close or 0)
if Out > 0 then
return Out
else
return nil
end
end

1. В Квике создаем график с курсом доллара (USDRUB_TOM).
2. К графику добавляем график с брентом (BR-3.18).
3. Идем в настройки графика, в разделе Дополнительно указываем Идентификатор: BR -для графика с брентом, USDRUB- для графика с курсом.
4. Добавляем индикатор (выбираем из выпадающего списка BR_RUB).

5. Уменьшаем ненужные поля. Если график не отобразился — даблкликаем на графике — жмем Применить:

Добрался до 5 недели Курса Яндекса и ВШЭ по машинному обучению. После достаточно напряжного начала, когда было необходимо поставить и освоить кучу программ, далее обучениях пошло достаточно просто — лекции вполне доступные, а задания решаются в несколько строчек кода, особенно если немного покопаться в описании библиотек.

Дополнительно решил послушать лекции Школы анализа данных Яндекса — материалы во многом пересекаются, но охват больше и раскрывается много интересных интерпретаций алгоритмов машинного обучения и их взаимосвязей.