Избранное трейдера _sg_
Сегодня темой нашей очередной статьи будет пример попытки улучшения своей доходности, при торговле по тренду.
Начальный алгоритм достаточно прост и стандартен — хай/лоу с периодом в 2000 баров. Тикер РТС Фьючерс. Специально был взят отрезок из прошлого, так как на нем он лучше всего «летал».
Параметр не подогнанный — начальный период в блоках TSLab обычно 20 и мы приписали пару нулей для увеличения продолжительности сделки.
Эквити в начальном виде.
Результаты показывать не будем, так как они будут более интересными, чем график дохода. Рекомендуем посмотреть как это работает на практике лично, если вы уже пользователь нашей программы)
Да — это не плохой график, но попытаемся сделать лучше! Выводим следующую формулу — открываем позицию, считаем доход/количество удерживаемых баров. Если значение растет, — значит рынок двигается с хорошей скоростью в нашу сторону. Если же начинает медленно падать или уходит в минус — значит перестал двигаться в нужном направлении. Пользуясь таким методом, алгоритм приближает стоп-лосс на 1 шаг цены с каждым баром. Для заметки: если работаете с историческими данными, то перепроверьте какой шаг цены вы указали. Иначе рискуете искать долго причину почему стоп не двигается ближе, как это было у меня!)
Завершу рассказ о книге Наш мозг в эпоху катаклизмов.
Электронная книга https://t.me/kudaidem/1864
На сайте arxiv.org, недвано была опубликованна интересная статья, посвященная выбору оптимального инвестиционного портфеля. Решение представлено в виде решения проблемы Мертона.
В данной статье рассматривается проблема Мертона, как инвестировать в безопасные активы и рискованные активы, чтобы максимизировать полезность инвестора, заданную инвестиционными возможностями, смоделированными с помощью вычислений для d-мерного состояния. Задача представлена уравнением в частных производных с оптимизирующим членом: уравнение Гамильтона – Якоби – Беллмана. Основная цель данной статьи — решить уравнения в частных производных, полученные из уравнений Гамильтона – Якоби – Беллмана, с помощью метода машинного обучения.
Алгоритм: метод Deep Galerkin, впервые предложенный Sirignano и Spiliopoulos (2018). Затем применили алгоритм, чтобы получить решение уравнения на основе некоторых настроек модели и сравнили полученное решение с решением полученное методом конечных разностей