SELL @: 136.35 Date: 2022-09-20 at 11:00
Stop Loss: 138.35 (-2.00)
Target_1: 135.67 — исполнено
Target_2: 134.82 - исполнено
Target_3: 133.46 - исполнено
Target_4: 130.36 - исполнено
SELL @: 0.01957 Date: 2022-09-20 at 11:00
Stop Loss: 0.01997 (-0.00)
Target_1: 0.01947 - исполнено
Target_2: 0.01935 - исполнено
Target_3: 0.01916 - исполнено
Target_4: 0.01871 - исполнено
SELL @: 59.84 Date: 2022-09-20 at 11:00
Stop Loss: 60.25 (-0.41)
Target_1: 59.54 - исполнено
Target_2: 59.17 - исполнено
Target_3: 58.57 - исполнено
Target_4: 57.21 - исполнено
SELL @: 17366 Date: 2022-09-20 at 14:00
Stop Loss: 17778 (-412.00)
Target_1: 17280 - исполнено
Target_2: 17172 - исполнено
Target_3: 16998 - исполнено
Target_4: 16604 - исполнено
SELL @: 13913 Date: 2022-09-20 at 11:00
Stop Loss: 14119 (-206.00)
Target_1: 13844 — исполнено
Target_2: 13758 - исполнено
Target_3: 13619 - исполнено
Target_4: 13303 - исполнено
Привет!
Прошлая неделя была сложной для алгоритма, сильно откатывались вниз. С 373к опускались в моменте минимум до 360к. В этот понедельник уходили через ночь разнонаправленно. Были лонги: TCSG/MAGN/CHMF/AFKS/. И были шорты: SBER/GAZP/MTLR/POLY. Утро вторника открыли с закрытия лонгов по стопам, но дальше день получился хорошим.
Отчитываюсь о результатах работы алгоритма на российском рынке.
Начали с 300к рублей 04.08.2022.
Август закрыли +17%
Сентябрь по состоянию на сегодня вечер +10.47%
За месяц успели набрать 12 клиентских счетов, которые сейчас небольшими суммами для себя тестируют алгоритм. Привлечением средств занимаются три менеджера, заинтересованные в комиссии со своих клиентов. На данный момент собрали не много — 3.15 млн руб. Однако, надо понимать, что все зашли тестовыми суммами чтоб посмотреть как работает алгоритм.
Итоги:
Месяц к месяцу: — 7.44 %
Год к году: + 57 %
Всего: + 19.2 %
Рис. 1. Эквити за этот год
Что было:
Пила… Вроде бы и достаточно широкая, но тем не менее вздохнуть пока роботам не даёт. Ждём движений…
Из интересного, за месяц:
Ездил в Сочи на крипто-нетворкинг, приглашённой звездой. Рассказывал о том, как надо правильно торговать роботами. Видео с выступлением будет на ютубе нашем в конце недели.
Темы совсем для начинающих. На СмартЛабе буду выступать с темами поглубже. Для профессионалов.
Личное:
Посмотрел на этот раз на Сочи с другой стороны, с хорошей.
Покушал мидий на причале. Повидал старых друзей.
История цен торгового символа на рынке Forex имеет особое значение. Децентрализация рынка создает условия, когда цены одного и того же символа на разных торговых площадках отличаются. Это же касается криптовалютного рынка, дарк-пулов.
В общем, имеет смысл изучить вопрос перед торговлей, чтобы сделать ее наиболее выгодной. Вполне возможно, что особенно хорошие цены позволят использовать определенные закономерности в прибыль.
Ниже пойдет об истории одной из ценовых характеристик — спред (соотношение между Bid/Ask-ценами).
Довольно много Web-сервисов сравнения онлайн-спредов брокеров. Значительно меньше вариантов анализа истории спреда. Вот несколько ссылок.
Активно использую в алго ML модели. При обучении моделей тоже есть свои фишки и с точки зрения защиты от оверфиттинга и в целом. Поэтому часто обучаю по несколько моделей в одном скрипте. Это и параметры разные и участки данных разные и т.д.
Когда скрипты уже отлажены ты просто их гоняешь, оцениваешь результаты, принимаешь решения. Часто при этом в голове всплывают неотвеченные вопросы, одни помечаешь себе, другие нет. Одними из таких вопросов были: это модель хреновая или OOS неудачный для модели, или в целом неудачный, а есть для него удачная модель, а для удачной модели есть неудачные участки данных тоже? В общем если убрать за скобки ML – классическая тема про переоптимизацию про то, что рынок может благоприятствовать стратегии (а скорее целому классу стратегий), а может нет. Но как с этим у моделей обстоит. В общем до этого момента только фантазировал на эту тему, закрыть вопрос через исследование было не сложно, но как-то руки не доходили, а теперь дошли.
Что делал: условно, взял много данных, единое признаковое пространство, по-всякому нарезал данные таким образом чтобы разные модели обучались на разных участках данных и было так же сопоставимое с кол-вом моделей кол-во OOS участков. Убедился, что OOS в конкретной паре модель-OOS не участвовал в обучении данной модели и погнал тестить разные модели на разных OOS кусках.