Скачиваем со страницы Конкурса «Лучший частный инвестор 2015»  требуемый для визуализации файл сделок (пример). Распаковываем  архив, файл сделок переименовываем в Lchi2015.csv и копируем его в подкаталог Lchi2015 рабочего Quik.

На график инструмента добавляем индикатор Lchi2015.
Метки сделок нанесены!

 

Примечания:
1. В каталоге LuaIndicators рабочего Quik должен быть файл Lchi2015.lua.
2. Имя файла со сделками, код инструмента и каталог расположения могут быть перенастроены в параметрах индикатора.

UPD1 (19.09.2015 22.50): Индикатор корректно работает пока только на 1-минутном графике. Исправлю.
UPD2 (20.09.2015 06.40): Показ на бóльших тайм-фреймах подключен. Но способ подключения таков, что выводит только крайнюю сделку из набора этого тайм-фрейма. Продумаю, как исправить.

Давненько не писал про торговлю.

            Торгую ботами под тслабом 5 лет. Поднял немного денех. Но счас откатывает. Идет запил уже 3месяца. Счет овер 10мио с запасом. Перепишу хаи — выложу стейт.

1. Тслаб меня огорчает. Функционал новых версий порезан. Поэтому сижу на старой версии 1.2.13. В новой версии дополна глюков и багов, которые перекочевали в Тслаб2.0. Править баги разрабы не хотят. Типа вот выйдет новая версия — там и исправим. Вышла 2.0 — никуя не работает.

баги тслаба следующие...

а) не работает с Смартком3… там целая куча багов… за целый год не могли исправить...

б) нет гарантии входа в сделку… т.е. вместо 100 лотов вам нальют 1 и никаких сообщений и предупреждений не будет...  

в) не работают лимитные ордера… если их ставить близко от текущей цены… — т.е арбитражник не сделать никак… да и вообще там все очень криво… например логика по входу в позицию отличается от логики по выходу из позы...

г) нет итогового подсчета позы… крайне неудобно… у меня до 50-70ти поз открыто по каждой бумаге… крайне неудобно пересчитывать вручную… постоянно потеряно поз на 1-2мио...

Интересные соображения по поводу вычисления правильной корреляции изложил в своем блоге Eran Raviv. По моему мнению данный подход можно попробовать использовать в статистическом арбитраже и парном трейдинге. Ниже даю полный перевод статьи с кодом на языке R.

В случае постоянной скорости, время и расстояние полностью коррелированы. Дайте мне одну переменную, я дам вам другую. Когда две переменные не имеют ничего общего между собой, мы говорим, что они не коррелированы.

Вы думаете, что это все, что можно сказать, но это не так. Как правило, ситуация более сложная. В большинстве обычных применений используется корреляция Пирсона. Коэффициент корреляции Пирсона отражает линейную зависимость. Поэтому мы говорим, что это параметрический показатель. На самом деле он может возвращать ноль даже если две переменные полностью зависимы ( наглядно показано здесь).

О некоторых особенностях, свойственных высокочастотным стратегиям, рассказывает Dr Jonathan Kinlay в своем блоге. Представляю здесь перевод его статьи.

Большинство инвесторов, вероятно, никогда не видели эквити высокочастотной стратегии. Есть объективные причины этого: в связи с типичной производительностью таких стратегий, фирмы, использующие их, мало нуждаются в привлечении стороннего капитала. Кроме того, HFT алгоритмы имеют ограничения по емкости, которая очень важна для институциональных инвесторов. Поэтому интересно наблюдать реакцию инвестора на прибыльность HFT стратегии, которую он видит впервые. Привыкший к коэффициенту Шарпа в  диапазоне 0,5-1,5 или до 1,8, при удачном стечении обстоятельств, он бывает поражен тем, что такие стратегии показывают значения коэффициента, выражаемые двузначными числами.

Прошлая часть — см. в моем блоге.

В этой части разберем технику улучшения производительности стратегии, использующую множество моделей.

Одним из наиболее мощных методов улучшения прибыльности вашей модели является объединение нескольких алгоритмов в так называемое «множество». Теория состоит в том, что комбинируя разные модели и их предсказания, мы получаем более робастные результаты. Тесты показывают, что даже объединение простых моделей может быть производительнее более сложной, но единственной стратегии.

Существует три основных техники объединения:

Смешивание:

Смешивание основано на создании моделей, прогоняемых на немного различных тренировочных наборах и усреднения их результатов для получения одного предсказания. Тренировочный набор переделывается путем повторения или удаления вхождений данных, в результате чего получается несколько разных наборов. Этот процесс работает хорошо для нестабильных алгоритмов (например, деревья решений) или, если присутствует определенная степень случайности в процессе создания моделей ( как, например, начальные веса в нейронных сетях). Получив усредненное предсказание для коллекции моделей с высоким значением подгонки, мы можем уменьшить результирующую подгонку без увеличения недооценки, что приведет к лучшим результатам.