Избранное трейдера kedr_trade
Основные принципы увеличения прибыльности алгоритмов автоматизированной торговли изложены в блоге Inovancetech. Представляю здесь перевод этой статьи. В ней использованы некоторые алгоритмы и результаты цикла про машинное обучение (часть 1, часть 2).
После построения алгоритма, вам нужно убедиться, что он робастен и будет генерировать прибыльные сигналы при реальной торговле. В данном посте мы представим 3 легких способа увеличить производительность вашей модели.
Прежде чем улучшать модель, вы должны определить базовую производительность стратегии. Самый лучший способ сделать это — протестировать модель на новых исходных данных. Однако, вы всегда владеете довольно ограниченным набором данных, несмотря на их множество, предоставляемое финансовыми институтами. Значит, вы должны тщательно обдумать, как использовать имеющийся набор. По этим причинам, самое лучшее — разделить его на три отдельных части.
В прошлой части нами было сделано наблюдение, что для присутствующих на рынке высокочастотных алгоритмов характерна высокая частота отмены биржевых ордеров. В данной статье мы уделим внимание еще одной особенности HFT роботов — малому объему ордеров, генерирумых подобными стратегиями.
Автоматические стратегии стараются отсылать биржевые приказы, которые содержат небольшие количества акций или лотов. Маркет мейкеры делают это для того, чтобы выборочно торговать с небольшими контрагентами, обходя сильные движения, вызываемые крупными покупками или продажами. Исполнительные алгоритмы отсылают небольшие ордера, чтобы скрыть свои намерения о реализации крупных объемов, избегая тем самым сильного воздействия на цену. Чтобы проверить, действительно ли существуют описанные тенденции на рынке, построим график движения цены, с точки зрения пассивной стороны трейда, после взятия всех ордеров на конкретном уровне для двух ситуаций — когда малые ордера принимают участие в данном трейде, и когда их нет. За малый объем ордера примем 2 целых лота и менее:
Схемы обналичивания и лжеэкспорта прекратят существование
Новая система контроля за уплатой НДС автоматически покажет все подозрительные транзакции
Руководитель ФНС Михаил Мишустин – известный сторонник максимального исключения человеческого фактора из налогового процесса
Сегодня Федеральная налоговая служба (ФНС) запускает работу единого центра обработки данных – для второй автоматизированной системы контроля НДС (АСК НДС-2). Эта система позволит наладить тотальный контроль за уплатой НДС, описывают юристы компаний, ФНС теперь будут видны все подозрительные транзакции.
Начиная с этого года налогоплательщик должен включать в декларацию по НДС сведения из книг покупок и продаж. Данные из его книги автоматически сверяются с данными всех его поставщиков и покупателей – таким образом выявляются расхождения в цепочке, или проколы, объясняет замруководителя ФНС Даниил Егоров. К примеру, однодневка из цепочки поставщиков покупает товар и продает другой компании, добавленная стоимость должна облагаться НДС, но однодневка налог не платит, а выводит деньги; компания же, купившая товар, предъявляет НДС к возмещению. АСК НДС-2 проверит операции: если компания заявляет НДС к вычету или возмещению, ее контрагент должен отразить сделку, в которой уплачен НДС, в своей книге и заплатить налог; если такого нет, система это тут же обнаружит. Цепочки создаются из десятков компаний, НДС не платит всего одна; раньше выявить ее могла только углубленная проверка, теперь АСК НДС-2 сразу покажет все «налоговые ямы», объясняет партнер «Некторов, Савельев и партнеры» Егор Батанов.
Неплохую идею для высокочастотного трейдинга подсказал Kipp Rogers в своем блоге. Идея несложная, но требующая подробного объяснения, поэтому попробую изложить ее в двух статьях.
Автор предположил, что лучшее исполнение ордеров, отправленных на биржу, скорее возможно получить, торгуя с трейдерами — людьми, вручную отправляющими приказы, чем с компьютерами, то есть контрагентами с автоматическим выставлением. Высокочастотные роботы отправляют приказы на биржу только в том случае, если они видят возможность быстрого снятия прибыли или ищут наилучшую цену исполнения для больших объемов, что делает соревнование с ними очень тяжелой задачей. С другой стороны, трейдеры, торгующие вручную ( под ними могут подразумеваться и автоматические программы с медленными алгоритмами ), выставляют приказы с большим временем жизни (до отмены или исполнения), меньше внимания уделяют мгновенной цене и, как правило, имеют идею о направлении движения цены при входе в рынок, что также дает представление о поведении их ордеров.
В данном цикле статей начинаем рассматривать модель Маркова, которая находит применение в задачах классификации состояния рынка и используется во многих биржевых роботах. Статьи основаны на постах, опубликованных в блоге Gekko Quant. Также будет рассмотрены практические алгоритмы на финансовых рынках. Код в цикле приведен на языке R. Вначале будет много теории, ее надо хотя бы попробовать понять, затем разберем практические примеры.
Рабочая среда распознавания основных паттернов.
Рассмотрим набор признаков O, полученный из набора данных d и класс w, обозначающий наиболее подходящий класс для O: