Торговые роботы

Сейчас в Потоке пост про робота на индикаторе Биар Повер.
Индюк говно, я проверял. Это, вроде, от Элдера.
Идея торговая тоже дрянь, робот сливать будет!
Автор запретил комменты всем, кроме друзей.
Поэтому пишу так.

В этом видео мы разберём индикатор Bears Power: расскажем о его происхождении, рассмотрим формулы расчёта, проанализируем торговые сигналы и, конечно, представим готового бесплатного робота для OsEngine, основанного на этом индикаторе.

VK Видео:

RuTube:


( Читать дальше )

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 )