ТОРГОВЫЕ РОБОТЫ

Iterated Distillation and Amplification (IDA) — это концепция, которая появилась в ходе эволюционирования систем машинного обучения. Например, широко известный алгоритм AlphaGo использовал, а системы обучения с подкреплением (reinforcement learning) могут использовать эту концепцию для повышения качества своей работы.

В случае ML, амплификация — это разбиение сложной задачи на более простые подзадачи, которые решаются, а потом их результаты объединяются и, таким образом, создаётся сложная модель, которая способна решать сложные задачи в различных контекстах.
Дистилляция же — это процесс создания упрощённой модели на основе сложной, но так, что качество работы этой простой модели практически не ухудшается. Она проще в смысле архитектуры: меньше в размерах, менее требовательна к ресурсам, но обеспечивает качество решения задач на уровне сложной.

Как всё это связано с трейдингом?
Хотя я создаю торговые системы с использованием генетических алгоритмов, всё равно, в каком-то смысле, это брутфорс: нужно придумать элементы стратегии (условия входов/выходов), нужно придумать их параметры, собрать из этих ингредиентов ТС, нужно просчитать каждую ТС, проанализировать результаты, ранжировать ТС по эффективности, объединить в портфель.

( Читать дальше )

Динамика торговли на паре доллар/рубль за последние 1,5 месяца

Экспериментирую с ML. Несколько недель ковыряюсь в данных и всё больше понимаю — алгоритмы это не главное. Главная боль — подготовка данных.





( Читать дальше )

Попробуем сравнить Python и С# (берем OsEngine) в скорости тестирования стратегий
и смотрим что получится.



Для тестирования берем простую стратегию «Пересечение двух SMA», торгуем только лонг 1контракт, 
данные по акции Сбербанк 1мин  c 01.01.2024 по 10.10.2025 года все примерно 428000 свечек.

Сразу надо уточнить что с новой OsEngine на .NET 9 были проблемы, она напрочь отказывалась запускаться
на чистой машине с Windows10 и .NET 9.0
Вот с такой ошибкой при запуске


( Читать дальше )

Сегодня поговорим об индикаторе ATR (Average True Range).
Посмотрим историю его появления, формулы расчёта, разберём торговые сигналы. Рассмотрим готового робота для OsEngine, в котором использован этот индикатор.

ВК Видео:

RuTube:


( Читать дальше )

Мои результаты алгоритмической торговли на Forex.

В теме алготрейдинга — я новичок, в теме Forex’а – года два, так что судите строго

Здесь буду публиковать наблюдения за результатами торговли своего первого бота, вышедшего на уровень практического применения.

Торговый бот написан полностью мной и логику ни у кого не сдирал, однако впоследствии, после того как сделал несколько первых версий бота, читал статьи на похожие торговые идеи.

Что делает бот:

• Торгует пару EURUSD
• Сидит на таймфрейме H1
• Выставляет уровни Stop loss
• Не выставляет уровни Take Profit
• Торгует строго Интрадей
• Среднее время удержания позиции – 7 часов
• Не сеточник и не мартингейл. Бот вполне может открыть несколько позиций в рамках одного импульса и вполне может закрыть в убыток одну или все позиции в рамках импульса.

 Summary по бэктесту за 10 лет и 10 месяцев (9 месяцев на бою):

• AVG трейдов в месяц – 33 трейда
• Прибыльность (Profit Factor) – 1,54
• Шарп – 3,63

( Читать дальше )

На этой неделе большинство работ было про использование ИИ и машинного обучения в торговых алгоритмах и управлении портфелями. Особенно много внимания уделяли крипторынкам — их высокой волатильности и новым подходам к арбитражу и хеджированию.

Все данные ниже — из свежих научных статей. Каждую неделю мы отбираем сотни работ и разбираем самое важное.

1. ИИ в алгоритмической торговле

Основной тренд — сложные алгоритмы на основе ИИ. Особенно для работы с высокочастотными данными и адаптацией стратегий.

• Моделирование книги ордеров
В статье "A Deterministic Limit Order Book Simulator with Hawkes-Driven Order Flow" предложили симулятор, который точнее воспроизводит реальные рыночные условия. Он использует процесс Хоукса, чтобы учитывать скопления заявок в потоке ордеров — это важно для высокочастотных трейдеров.

• Хеджирование опционов с глубоким обучением
В работе "Application of Deep Reinforcement Learning to At-the-Money S&P 500 Options Hedging" алгоритм TD3 (разновидность глубокого обучения) показал лучшие результаты, чем классическое дельта-хеджирование. Особенно когда рынок нестабилен или комиссии высокие.

( Читать дальше )

Все расчеты представлены с начала 2017 года и по END DATE

Сравнение стратегий сформировано по уровню риска, соответствующего общей классификации и обычно устанавливаемого на основании РИСК-ПРОФИЛЯ:

✅ УМЕРЕННЫЙ уровень риска — Основное внимание уделяется балансу между стабильностью портфеля и ростом его стоимости. Инвесторы должны быть готовы принять умеренный уровень волатильности и риск потери основных средств. Типовой портфель будет в основном сбалансирован между инвестициями в облигации, акции и, возможно, с небольшой долей в алгоритмических стратегиях.
Сюда отнесены стратегии — ABTRUST, AITRUST и AITRUST 2.0, которые сравниваются с бенчмарком RUSCLASSICBM*

Показатели стратегии ABTRUST (учитывает налоги и комиссии брокеров):

✅ За период с 2017 года, %: +108.6
✅ CAGR, %: +8.77
✅ Волатильность, % в год: 10.98
✅ Коэффициент Шарпа***: 0.21
✅ Максимальная просадка****,%: 16.41
✅ Коэффициент Калмара*****: 0.55

Показатели стратегии AITRUST (учитывает налоги и комиссии брокеров):
✅ За период с 2017 года, %: +226.4

( Читать дальше )

Итак. Кто помнит первые версии Т-Инвест АПИ, наверное, был расстроен. Я тоже когда-то писал об этом и страшно ругался. Из самого страшного — не хватало части данных, без которых было невозможно в принципе подключить терминал.

Так вот, текущая версия АПИ от 2025 года гораздо, ГОРАЗДО лучше. Буквально одно из лучших АПИ, какие есть для торговли на Московские биржи из бесплатных.

Понятное дело, все данные уже есть. Но что самое хорошее – есть протокол GRPC, который позволяет отправлять заявки в многопоточном режиме:

( Читать дальше )

Представьте опытного трейдера: наверняка он не говорит котировками и не рассказывает про индикаторы — он просто говорит «сильный тренд», «пробой уровня» или «ложный отскок». Для него график это язык: свечи, объёмы и уровни складываются в понятные фразы о том, что сейчас происходит на рынке. Именно от этой человеческой интуиции я и отталкивался в своём эксперименте.

Идея была такая: а что, если научить искусственный интеллект понимать этот язык? Не подавать модели сырые числа, а переводить бары и объёмы в текстовые описания наблюдаемых паттернов и кормить ими языковую модель. Гипотеза была что в тексте уже будет содержатся достаточно данных, чтобы модель научилась связывать недавнюю торговую историю с тем, пойдёт ли цена вверх на следующий день.

Мои результаты, о них ниже

Инструмент эксперимента — модель distilbert‑base‑uncased с Hugging Face и это облегчённая, быстрая версия BERT для понимания языка.

( Читать дальше )