Речь пойдёт о тестировании портфеля торговых систем или портфеле инструментов — не имеет значения.
Уже год как родилась в голове эта мысль, а оформленность у неё появилась после торгов на Binance в мае этого года.

Если торгуешь пакетом чего-то — инструментов или алгоритмов, и стоит задача капитализации финреза после каждой сделки, то необходимо синхронизировать каждый агент, который выполняет свой вариант торговой системы на конкретном инструменте, друг с другом. Конечно, тщательно учитывать все сопутствующие расходы, вроде комиссий и прочего, округляя в убыточную сторону.

Это нужно сделать для того, чтобы, когда какой-то агент завершил очередную сделку с прибылью или убытком, то общая доступная сумма депозита корректировалась и следующий агент, открывающий сделку, принимал во внимание новый размер доступного капитала.

Конечно, тут нужно будет зафиксировать долю депозита, выделенную на каждого агента/инструмент, но не абсолютную, а относительную.

Далее, нужно синхронизировать обработку свечей агентами так, чтобы в те моменты, когда агент закрывает сделку, корректировался размер общего депозита, а при открытии — размер доступного.

( Читать дальше )

Доброй ночи вам.

Тематика этого поста — про подход и способ выявления торговых систем, которые с наибольшей вероятностью будут работать в будущем, на неизвестных им прежде данных, а так же про понятие кросс-валидации в ML и его адаптации к трейдингу.

Итак, начнём.

Само понятие кросс-валидации пришло к нам из машинного обучения.





В классике, в машинном обучении, определение звучит так: кросс-валидация — это метод проверки качества модели, при котором данные разбиваются на несколько частей. Одна из частей используется как тестовый набор данных, а остальные части используются для обучения модели. После этого процесс повторяется несколько раз, каждый раз выбирается новый тестовый набор данных, пока все части данных не будут использованы как тестовый набор.

Давайте рассмотрим пример для ML, где мы используем 12-кратную кросс-валидацию для оценки качества модели. У нас есть набор данных, который мы разбиваем на 12 частей. Затем мы проводим обучение модели на 11 частях данных и тестируем на 1 части данных. Далее мы меняем тестовую часть и повторяем процесс обучения и тестирования. После завершения всех итераций у нас есть 12 наборов результатов (один для каждой части данных).

( Читать дальше )