машинное обучение

Всем привет.

    Если кто читал предыдущие записи, то видел что я «подсел» на сигналы Бипуна на крипту. Но пока платформа не дает выхода на крипто-фьючи,  то сами сигналы на спот для меня не очень интересны. То ли дело наш родимый FORTS. И как вы помните, я просил ребят добавить возможность торговать наш рынок через их алгоритмы. На что был получен ответ — будет интерес, будет «порт». Ну, ажиотажа прямо не было, когда я попросил плюсить народ кому интересно, и на этом все и затихло. И тут они две недели назад релизят новый функционал — нейросети! И тут конечно я мимо пройти уже не смог )))
   Нейросети на рынке это, можно сказать, моя специализация )  Уж очень захотелось их пощупать применительно к нашему срочному рынку. Ну я и начал «атаковать» ребят с просьбами сделать коннектор к нашей бирже. Даже предложил свои услуги. Я могу написать коннектор, если им некогда. И тут мне помог ЛЧИ. Я предложил сам написать коннектор, прогнать ботов на ЛЧИ на реальном счету, и тем самым посмотреть и показать другим, насколко они работоспособны. Эта идея уже заинтересовала создателей bipoon.com. Сказано — сделано.
   Я получил краткие спеки к АПИ и доступ на тестовый контур. Неделя тестов и откладки, и вуаля! Встречаем бот на доллар-рубль на основе алгоритмов Bipoon.

( Читать дальше )

Допустим, что существует какая-то рыночная закономерность. Это может характеризоваться тем, что можно написать несколько ТС с разной логикой и они будут улавливать профит, но только с разной эффективностью.

Эффективность улавливания прибыли измеряю, например, профитом наилучшего прохода при оптимизации постоянным лотом. Выше профит — выше эффективность. Т.е. чем выше профит, тем точнее накладываются сделки на график цены.

( Читать дальше )

В следующей части будет студийное кач-во звука, что бы никто не страдал :)

Hello world


( Читать дальше )

Искусственные нейронные сети (ИНС) — это вычислительные системы, основанные на биологических нейронных сетях, составляющих мозг животных.


Искусственная нейронная сеть позволяет моделировать некую нелинейную функцию с входными и выходными данными.


( Читать дальше )

Это продолжение статьи, о том как определить качество точки входа, которую я писал здесь:

https://smart-lab.ru/blog/542337.php




Ещё раз задумаемся, как можно оценить даёт ли точка входа какое-то преимущество при её использовании или нет. Для этого можно применить следующий тест.

Предположим, что мы входим в определённой точке ценового графика в длинную или короткую позицию и выставляем стоп-заявку и заявку тейк-профит равноудалённо от точки входа, как показано на рисунке ниже.

( Читать дальше )

Всем привет, 

Я забыл, что видео посты на смарт-лабе сразу отправляются в бан :), поэтому немного текста.
Я как-то начал тему о том, что новые технологии очень помогают и облегчают жизнь алготрейдерам. И хотел показать как удобно использовать tensorflow serving, запущенный в docker контейнере, для использования моделей машинного и глубокого обучения. Так как такой метод позволяет быстро и лего развернуть, и использовать ваши модели почти в любой торговой среде.

И так, этот пост логическое завершение предыдущего: https://smart-lab.ru/blog/558070.php

Там было видео, в котором я рассмотрел подготовку данных. Мы получили исторические цены от yahoo сервиса, выбрали точки входа по нашей стратегии и подготовили датасет для алгоритма машинного обучения.

В сегодняшнем видео будет следующее:

— Используя tensorflow.keras api мы создадим две версии нейронной сети;
Сети очень простые и реализуют бинарную классификацию, отднако выходной слой имеет сигмоидную функцию активации и поэтому на выходе мы будем получать вероятность, а не конкретный класс. А как вы возможно помните, нейронная сеть нам нужна именно для того, что бы предстказывать вероятность получения нашей прибыли.

( Читать дальше )

Дополнение к серии «Портфельная оптимизация как бустинг на слабых моделях»

• Обобщённая проблема

Результаты оценки любых случайных величин представляют из себя случайную величину. Не исключением здесь будут оценки ковариации.

Особенно сильно эффект неточности полученных оценок (случайности статистик) будет проявляться в портфелях, составленных из большого количества ценных бумаг — большего или сопоставимого количеству располагаемых наблюдений. И, поскольку, в некотором приближении задача портфельного инвестирования сводится к поиску двух максимально независимых активов из множества:


 

где R — коэффициент взаимной корреляции — её решение, естественным образом, будет располагаться в области максимально отрицательной статистической ошибки.

( Читать дальше )

Устойчивые долгосрочные модели


В предыдущих частях (часть 1, часть 2) мы рассмотрели построение композитных систем оценок ценных бумаг, построенных при помощи распространённых средств машинного обучения (Bag/Boost методы). Однако, такой подход, несмотря на все свои преимущества (скорость, точность) имеет ряд больших недостатков – отсутствие универсальности моделей в результате проблем «переобучения»  (точной настройки на определённые типы рынков и временные интервалы) и сложность интерпретации полученных композиций.

В результате решения этих проблем мы разработали базовую модель на основе наших представлений о стохастических дифференциальных уравнениях с квантовыми скачками, образующих улыбку волатильности. Эта макромодель получила в наших исследованиях наиболее полную микроскопическую интерпретацию.

( Читать дальше )