Итоги:
Месяц к месяцу: — 7.44 %
Год к году: + 57 %
Всего: + 19.2 %
Рис. 1. Эквити за этот год
Что было:
Пила… Вроде бы и достаточно широкая, но тем не менее вздохнуть пока роботам не даёт. Ждём движений…
Из интересного, за месяц:
Ездил в Сочи на крипто-нетворкинг, приглашённой звездой. Рассказывал о том, как надо правильно торговать роботами. Видео с выступлением будет на ютубе нашем в конце недели.
Темы совсем для начинающих. На СмартЛабе буду выступать с темами поглубже. Для профессионалов.
Личное:
Посмотрел на этот раз на Сочи с другой стороны, с хорошей.
Покушал мидий на причале. Повидал старых друзей.



История цен торгового символа на рынке Forex имеет особое значение. Децентрализация рынка создает условия, когда цены одного и того же символа на разных торговых площадках отличаются. Это же касается криптовалютного рынка, дарк-пулов.
В общем, имеет смысл изучить вопрос перед торговлей, чтобы сделать ее наиболее выгодной. Вполне возможно, что особенно хорошие цены позволят использовать определенные закономерности в прибыль.
Ниже пойдет об истории одной из ценовых характеристик — спред (соотношение между Bid/Ask-ценами).
Довольно много Web-сервисов сравнения онлайн-спредов брокеров. Значительно меньше вариантов анализа истории спреда. Вот несколько ссылок.


Активно использую в алго ML модели. При обучении моделей тоже есть свои фишки и с точки зрения защиты от оверфиттинга и в целом. Поэтому часто обучаю по несколько моделей в одном скрипте. Это и параметры разные и участки данных разные и т.д.
Когда скрипты уже отлажены ты просто их гоняешь, оцениваешь результаты, принимаешь решения. Часто при этом в голове всплывают неотвеченные вопросы, одни помечаешь себе, другие нет. Одними из таких вопросов были: это модель хреновая или OOS неудачный для модели, или в целом неудачный, а есть для него удачная модель, а для удачной модели есть неудачные участки данных тоже? В общем если убрать за скобки ML – классическая тема про переоптимизацию про то, что рынок может благоприятствовать стратегии (а скорее целому классу стратегий), а может нет. Но как с этим у моделей обстоит. В общем до этого момента только фантазировал на эту тему, закрыть вопрос через исследование было не сложно, но как-то руки не доходили, а теперь дошли.
Что делал: условно, взял много данных, единое признаковое пространство, по-всякому нарезал данные таким образом чтобы разные модели обучались на разных участках данных и было так же сопоставимое с кол-вом моделей кол-во OOS участков. Убедился, что OOS в конкретной паре модель-OOS не участвовал в обучении данной модели и погнал тестить разные модели на разных OOS кусках.





