Избранное трейдера Dimitro
Введение
Эта статья является первой в цикле СЗ (статистические закономерности). Статьи этого цикла будут посвящены тестированию различных статистических закономерностей. И сегодня мы рассмотрим СЗ №1, которую можно сформулировать так: “не продавайте бумагу, которая находится вблизи своего максимального значения”.
Основная идея этой СЗ заключается в том, что бумага, которая находится вблизи своего максимума, скорее всего, продолжит свой рост и дальше. В данном случае рекомендуется подождать немного и когда бумага остановится в своем росте, только тогда ее продавать.
Я беру на себя смелость утверждать, что СЗ №1 работает на различных таймфреймах, но в данной статье будет приведено тестирование только на дневном таймфрейме. Более того, мы сейчас протестируем следующее утверждение: “не продавайте бумагу в конце дня, если она близка к своему максимальному дневному значению”. В данном случае я утверждаю, что “
Вот типичные отзывы моих знакомых на произведения Талеба: “сложно”, “скучно”, “клонит в сон”, “слишком много философии” и т.д.
Поубивал бы! Но да ладно. Попробую сэкономить вам время и описать в рамках короткой статьи как делается первоначальный капитал.
Термин «Черный лебедь» обозначает событие, которое невозможно предсказать и которое коренным образом меняет судьбу отдельного человека или общества. Черные лебеди могут быть позитивными и негативными.
Всего лишь неделю нужно для того, чтобы каждый из вас смог сам научиться программировать сверточные нейронные сети, которые торгуют не хуже этой*:
Основное отличие машинного обучения от традиционного программирования состоит в том, что в задачах классического программирования вы знаете некие правила и жестко программируете их в поведении программы; в задачах машинного обучения вы не знаете по каким конкретно правилам должна работать программа и позволяете моделям машинного обучения самим найти их. Если вы хотите создать торгового робота, обычно, вы сами ищете некоторые правила (например, пересечение скользяшек, MACD>80 при убывающей луне — покупаю 2 лота) и жестко задаете такое поведения в роботе, тестируете и, возможно, оптимизируете некоторые параметры, но почему бы не поручить само придумывание правил машине? Методы машинного обучения, в теории, могут сами выбрать индикаторы, разработать правила входа, выхода и оптимальный размер позиций. Да чего уж… они могут сами придумать индикаторы, паттерны, которые могут быть гораздо лучше чем то, что придумали до этого люди. Ведь так и случилось в сфере обработки изображений, нейронные сети научились выделять значимые признаки из изображений гораздо лучше, чем алгоритмы, придуманные людьми. Компьютер обыгрывает людей в шахматы — игру, знания для которой люди накапливали ни одну сотню лет. Станет ли алготрейдинг следующей сферой, где будет господствовать нейронные сети или какой другой метод машинного обучения?