алгоритм торговли

Доброго времени суток, коллеги!
В этой теме поделюсь с вами пробойной торговой стратегией. Постараюсь рассказать всё достаточно подробно, чтобы вы смогли торговать её самостоятельно. А также приложу результат исторического тестирования.

Теория: движение цены можно разложить на две основные фазы — накопление и распределение. Это свойство мы и будем использовать для извлечения профита.

Правила достаточно простые:


( Читать дальше )

В продолжение поста "Хорошая ТС есть, что дальше?".

На данный момент монетизация торговой системы осуществляется по нескольким направлениям:
~ трейдинг с личного счёта,
~ открыт памм-счёт для инвесторов,
~ продаются сигналы через спец. сервис,
~ предоставлена возожность арендовать торгового робота для торговли и тестирования.

В перспективе — освоение новых рынков. Сейчас ведутся работы по адаптации торговой логики к биржевым рынкам.
Торговая система будет проверена на наиболее популярных и ликвидных инструментах.


( Читать дальше )

… за 2 месяца на евродол. м5...
со стопами и без мартина
(на выходных планирую провести вебинар, время уточним позже,
кто желает добавляйтесь в скайп andjey6181

Краткая предыстория:
Первый раз пробовал торговать в 2010 году через Java приложение в мобильном телефоне %) В 2011 запрограммировал первого робота на MQL4 — мартышка-превёртышь. Результат не заставил себя долго ждать! В 2012 году погрузился в индикаторы и графический анализ… выплыл от туда в 2013 году и вплотную занялся разработкой алгоритмических ТС.

Сейчас есть вот такой бектест результат:


( Читать дальше )

Результат работы новой версии за июль, по 5-ти инструментам...

И делаем от 15% в месяц.
Объявляется набор в группу на обучение, индивидуальное, по срокам не ограниченно,
до 10 человек (первые 5 — скидка 10%).
*****
Запись и детальная инфо — в скайп — andjey6181

******

реал счета:
www.myfxbook.com/members/Andrey0618/atrfx/1296906
(атс)
*****
ручная:




( Читать дальше )

Окончание. Начало см. в блоге и на моем сайте.

В этой, последней части цикла разберем пример вычисления PIN с применением языка R. Кроме библиотеки PIN языка R будем использовать также библиотеку highfrequency.

Для примера автор берет сгенерированные данные, которые соответствуют формату TAQ — стандарт для акций NYSE. Данные состоят из двух наборов — временной ряд ценового котирования (sample_qdata) и сделки (sample_tdata)  и предоставляются в открытом доступе вместе с библиотекой highfrequency.

Нужно отметить что используемые данные взяты только за один торговый день. Обычно, для вычисления PIN применяют больший набор данных, не менее, чем за 60 дней, чтобы выборка была достаточной для правильного определения параметров. Наши данные нужны только для демонстрации процесса получения PIN. Библиотека PIN позволяет это сделать для выборки с любой размерностью, что позволяет применять ее и для высокочастотной торговли. Пример, приводимый здесь, может быть легко расширен для вычисления на другом временном горизонте, большим, чем один торговый день.

( Читать дальше )

В прошлой части мы рассмотрели теоретическую модель, лежащую в основе вычисления вероятности присутствия на рынке информированных трейдеров PIN. Продолжим с эмпирической реализации этой модели.

Для уменьшения пространства параметров модели, обычно предполагают, что частоты прихода ордеров на продажу ϵs и на покупку ϵb равны. В день «хорошей новости» вероятность наблюдения последовательности сделок купли и продажи соответствует:

, где B и S — число сделок купли и продажи соответственно.

( Читать дальше )

В нескольких статьях мы рассмотрим использование индикатора PIN, который представляет собой вероятность присутствия на рынке так называемых информированных трейдеров. Статьи основаны на работе  Paolo Zagaglia "PIN: Measuring Asymmetric Information in Financial Markets with R". Так как вероятность информированной торговли зависит от сделок купли и продажи в течение рабочего дня, в данном цикле мы рассмотрим весь процесс, от обработки исходных данных и вычисления вероятности информированной торговли, до определения параметров лежащей в основе математической модели. Примеры будут сопровождаться кодом на языке R.

Рост в последние годы алгоритмической и высокочастотной торговли открыл тот факт, что динамика биржевых цен сильно зависит от микроструктуры рынка. В частности, некоторые трейдеры могут иметь доступ к приватной информации о торгах, в то время как другие довольствуются только публичными новостями. Риск того, то неинформированный трейдер может в какой-то момент времени столкнуться в качестве контрагента в сделке с информированным, является одним из параметров, определяющих цену актива. Таким образом, измерение вероятности того, что контрагент владеет ассиметричной информацией, позволяет правильно вычислить цену.

( Читать дальше )