Торговые роботы

Это введение по минисерии статей в рамках нашего гайда о том, что такое параметры у роботов, какие они бывают в OsEngine, и как использовать окно параметров для того, чтобы управлять роботом.

В данной статье будем знакомиться с классом IIStrategyParameter, родителем всех параметров. И где параметры отображаются в интерфейсе.

Как правило, большинство торговых алгоритмов имеет настраиваемые параметры, которые позволяют гибко настраивать систему для разных рынков и инструментов. Более того, с разными настройками робот может показывать совершенно разные результаты на одной и той же бумаге.

Конечно можно в роботах задействовать собственные варианты внедрения настроек, но куда предпочтительнее использовать специально созданные для этого классы. Ведь стандартные параметры сразу прорисовываются в интерфейсе тестера, торговой станции и оптимизатора.

Все типы параметров реализуют интерфейс IIStrategyParameter.

 

1. Параметры в окне настроек BotStation и тестера.

Использование готовых параметров дает возможность программе выводить настройки робота в специальном окне без необходимости создания для этого дополнительных модулей. Доступ к этому окну можно получить, нажав кнопку «Параметры», у конкретного робота:

( Читать дальше )

Мы побеседовали со специалистом, который занимается Data Scientist, и узнали много вещей, связанных с возможностью применения искусственного интеллекта в биржевой торговле. 

Во времена, когда слышатся лозунги: «Нейросети будут с нами надолго», возникает большой вопрос насчёт применения этих технологий для предсказания цен на бирже. Так как зачастую будущее движение цены — это огромный массив данных, которые влияют на ценообразование компании, а, как для многих известно, модели машинного обучения в разы быстрее обрабатывают биг дату.

Как я уже упомянул, самым заманчивым применением искусственного интеллекта в контексте финансовых рынков является его способность предсказывать будущие цены активов. Несмотря на то, что достичь высокой точности в этих предсказаниях пока не удается, многие крупные игроки финансового сектора, включая ведущие банки, инвестиционные фонды и прочие значимые организации, активно инвестируют ресурсы в разработку и совершенствование технологий машинного обучения.

( Читать дальше )

    

     По умолчанию как бы считается, что управляющий своими активами, управляющий чужими, наставник по инвестициям и фондовый аналитик — люди более-менее одной профессии. Раз точно умеет А, то наверное может и Б, и наоборот. По мне же, там может быть огромная разница, примерно как между футболистом, футбольным тренером и спортивным комментатором. Вообще три разных профессии, хотя все вертятся вокруг одной игры. Но играют в разное.

 

     Разница следует из того, какой главный параметр оптимизируют в каждом конкретном случае? Только если честно? Переиначивая известную фразу: «Скажи мне главный параметр оптимизации, и я скажу, кто ты»

 

     Управляющий своим капиталом — максимизирует прибыль, соблюдая некий уровень риска и усилий, все просто и честно. Если капитал чужой, то важен не только результат управления, но и сколько там денег. Отсюда добавляется параметр «соответствовать чужим настроениям», он может особо не мешать, но может затмевать все.

( Читать дальше )

Данный способ подключения роботов в платформу нужно использовать, когда Ваши алгоритмы уже готовы, и Вы не нуждаетесь в дебаггинге. Просто торгуете, перенося скрипты из версии в версию OsEngine.

Суть его заключается в следующем: код алгоритмов создается и отлаживается в основном проекте, но потом переносится и хранится в виде текстовых файлов с расширением cs. в специальном каталоге рядом с exe файлом приложения:

( Читать дальше )

Пусть останется как память о моих наработках.

Один программист отвечает за работу робота

Второй за создание системы прогнозирования рыночного движения.

Промежуточные результаты при  создании комплексной системы

Фрагмент беседы при создании  комплекса ( 20 минут которые способны перевернуть мир)

Характер сегодняшнего движения по Сишке похож на начало восходящего тенда.
Все три робота стали на покупку.





( Читать дальше )

ТОРГОВЫЙ СИГНАЛ: ПОКУПКА UPRO, РОБОТ PVVI

ВРЕМЯ ДЕЙСТВИЯ: ДО ЗАКРЫТИЯ ТОРГОВ

УСЛОВИЕ: ЦЕНА >= 1.894

СТОП-ЛОСС: ЦЕНА ВАШЕЙ ПОКУПКИ — 0.04

ТЭЙК-ПРОФИТ: ЦЕНА ВАШЕЙ ПОКУПКИ + 0.04

СТАТИСТИКА С 22.09.1997 ПО 29.12.2018: 710/396

(ЧИСЛО ПРИБЫЛЬНЫХ СДЕЛОК/ЧИСЛО УБЫТОЧНЫХ)

В классе BotPanel имеется ряд абстрактных членов, которые необходимо реализовать в классах наследниках.

По-простому, надо сделать несколько обязательных методов после того, как Вы начнёте создавать своего робота.

Рассмотрим пример создания робота. Пустого, но который уже будет виден тестером.

 

Шаг 1. Создаём в проекте класс MyFirstSimpleBot.

( Читать дальше )

Пусть мы хотим научить MLP (Multilayered perceptron) отличать отрезки (например, длиной 255 значений) некоторого полезного сигнала (например, первых разностей ценового ряда) от отрезков «белого шума». То есть, банально, если на входе сети (255 входных нейронов) полезный сигнал, то на выходе мы хотим получать сигнал как можно ближе (в идеале равный) 1, а если на входе «шум», то 0.

Понятно, что мы можем сгенерировать столько образцов белого шума, сколько захотим, однако — вопрос! — можно ли в части шума обойтись без обучения сети «в лоб», а решить задачу аналитически, так чтобы — вместо обучения сети шуму — получить некоторые условия на веса сети?