ТОРГОВЫЕ РОБОТЫ

рошла одна неделя как  GPT дает торговые сигналы на вход по американским бумагам. 
Условие эксперимента вэтом посте 
Канал с опубликованными сделками ТУТ

За неделю GPT дал 15 рекомендаций.

TSLA 
Вход 350 
Стоп 330
Профит 370
В позиции

AMD
Вход 152
Стоп 145
Профит 180
В позиции

MSFT
Вход 509
Стоп 483
Профит 522
В позиции

AAPL
Вход 237 
Стоп 225
Профит 249.7
В позиции

LOW
Вход 262.7 
Стоп 250
Профит 285
В позиции

AVGO
Вход 348 и 332, два входа.
Стоп 302 и 330
Профит 400 и 380
В позиции

DIS
Вход 118 
Стоп 112 
Профит 130
В позиции

KRM 
NXT
NVDA
PLTR

И шорт по TGT

Еще был один вход по AMD, который закрылся по стопу.
Остальные позиции в работе.

Размер счета для эксперимента 10 тысяч долларов.
Сейчас задействовано 6266 долларов.
3 742 доллара в кеше.

Сейчас портфель выглядит вот так 



Еще раз, кратко про правила експеримента.
Счет 10 тысяч.
GPT по промту выдает минимум одну сделку в день.
Указывает стоп и профит.
Сам выбирает тикер размер позиции и направление, я только выставляю в систему.

( Читать дальше )

В кой века решил допилить свои системы на транзаке. И как обычно захожу почитать документацию 
www.transaq.ru/dokuwiki/atf

А там 404. И на форуме тоже.
Кто-нить что-нить знает на эту тему?

( Читать дальше )

Каждую неделю мы отбираем и разбираем десятки свежих препринтов научных работ по алгоритмической торговле. Вот что сейчас в фокусе исследований.

Генеративные модели для рыночных данных

Ученые активно работают над моделями, которые имитируют рыночные данные. Это нужно для стресс-тестирования и торговли в условиях неопределенности.

В работе «Nested Optimal Transport Distances» предлагают новый метод оценки таких моделей. Он помогает точнее предсказывать поведение рынка, что важно для хеджирования и алгоритмов на основе обучения с подкреплением.

Другое исследование «Painting the market: generative diffusion models for financial limit order book simulation and forecasting» использует диффузионные модели — технологию, похожую на ту, что создает изображения в нейросетях. Здесь ее применили к данным стакана заявок, чтобы лучше предсказывать его изменения.

Микроструктура рынка и влияние ордеров

Как отдельные заявки меняют цену? В статье «The Subtle Interplay between Square-root Impact, Order Imbalance & Volatility II: An Artificial Market Generator» показано, что волатильность можно объяснить через влияние крупных ордеров. Их эффект на цену часто подчиняется закону квадратного корня.

( Читать дальше )

( Читать дальше )

Многие частные инвесторы ведут свои портфели в Excel: это удобно, бесплатно и всё — на вашем компьютере. Но у Excel есть слабое место: он не умеет напрямую «разговаривать» с современными сайтами. Если нужно автоматически подтянуть котировку с конкретной страницы в интернете, встроенные веб‑функции часто не справляются: они не умеют обходить современные защиты.

В этой статье я покажу простой и надёжный способ заставить Excel получать котировки практически с любого сайта — на примере курса USD/RUB с investing.com. Идея не требует глубоких технических знаний: вместо того чтобы пытаться что-то делать со страницей в Excel, мы используем на своём компьютере небольшой скрипт‑посредник. Excel просто запрашивает у него одно число, а посредник уже «ходит» на сайт, берёт данные, при необходимости обрабатывает их и возвращает в понятном для Excel виде.

Короткая схема работы:

┌───────────────────┐      ┌──────────────────────┐      ┌──────────────────┐
│ 1.

( Читать дальше )

Похоже на то, что валютный рынок приходит в движение, и наступает время для хорошего заработка. Не важно куда пойдет цена, важно, что фаза консолидации, скорее всего, закончилась и начинаются красивые трендовые движения. Так что занимайте места согласно купленных билетов. Только не писайте торгуйте против ветра тренда. Иначе будет ай-яй.

VK Видео:

RuTube:


( Читать дальше )

Введение: Искусственный трейдер

Представьте себе трейдера-виртуоза. Он с первого взгляда на график оценивает обстановку: «Цена росла последние полчаса — это неспроста», или «Падение было слишком сильным и резким — вряд ли кто-то рискнет штурмовать предыдущий максимум». Его решения основаны на опыте, интуиции и распознавании неочевидных даже для него самого паттернов.

А теперь представьте, что мы хотим создать его цифровую копию. Алгоритм, который не просто слепо следует кодексу правил, а видит, анализирует и мыслит как человек, обладая при этом вычислительной мощью машины. Это наша амбициозная цель.

С чего же начинается любое обучение? С умения видеть. И это — первый и критически важный шаг. Мы создаем для нашего алгоритма «зрение», способное воспринимать и интерпретировать рыночную информацию на человеческом, понятном уровне.

Часть 1: Пропасть между человеком и машиной

Проблема в том, что фразы «сильное падение» или «ровный рост» для компьютера — просто бессмысленный набор символов. Что такое «сильно»? На 100 пунктов? На 1%? А «быстро» — это за минуту, час или день? Человеческий мозг оперирует контекстом и относительными понятиями, а машине нужны четкие, формализованные инструкции.

( Читать дальше )

Предсказательные предсказывают функцию (волатильность, цену), точнее ее среднее E[f(x)]. Он не похожи на настоящий случайный процесс, слишком плавные.

AR, MA, ARMA, HAR (с долгой памятью)

Генеративные предсказывают как функцию так и первую производную (ее дискретный аналог, приращения). Они предсказывпют не только среднее знач функции, но и ее микроструктуру.
Они похожи на настоящий процесс.

ARIMA, ARCH, GARCH, ARFIMA (с долгой памятью), они также могут работать как предсказательные.

SV, Heston, SVJ, SABR, Local SV, Rough Volatility и т.п. (не могут предсказывать напрямую, требуют симуляции)

Для них также можно также задать дополнительное условие для производной совпадение hurst exponent, может еще спектра.