Купить внизу, а продать вверху – мечта каждого трейдера. Давайте помечтаем вместе. Делаю контртрендовую систему. Придумал идею для ТС, собрал в кучу индикаторы, уже «прикрутил» сигналы на вход и выход, но впереди еще много работы… За процессом можете наблюдать здесь. https://www.youtube.com/channel/UCm_NOgkQ2BHcI5uFcR_BtNg Уже готово 3 видео. Приятного просмотра.

Копался в статьях по алготрейдингу, решил присмотреться в сторону машинного обучения. Но это в моем случае не про какой-то искусственный интеллект с нейросетями, в нейросети пока не хочу лезть, слишком сложно. Для начала хочу использовать простые алгоритмы для классификации и оценки хороших точек входа на основе обучения модели на истории.

Я исходил из того, как сам разрабатываю обычно торговую систему: ищу хорошие точки входа на истории и классифицирую их. Но так как человеческие возможности ограничены, использую только 3 таймфрейма и около 10 индикаторов в сумме. Кроме этого, история в точности никогда не повторяется и нужна какая-то более умная модель, которая не просто сравнивает индикаторы, как делают сейчас мои роботы, а дает оценку данной рыночной ситуации на основе всей совокупности индикаторов.

С помощью машинного обучения можно создать и обучить много моделей по разным алгоритмам, эта область уже хорошо развита (Logistic regression, Linear discriminate analysis, Stochastic gradient boosting, Decision trees, Support Vector Machine, KNN и другие). Можно быстро попробовать разные модели (Spot-checking algorithms). Модели могут работать вместе и делать предсказания. Можно улучшать точность моделей (Algorithm parameter tuning, Ensemble methods). Можно посчитать точность предсказаний по модели, обучив сначала модель на части выборки, а затем протестировав ее на другой части выборки (resampling). 

Как я понял, R для машинного обучения идеально подходит. Сделал первые шаги сегодня: cоздал модель по туториалу, которая определяет по размеру чашелистиков и лепестков растения ирис точный вид (всего 4 вида) какого-то одного растения(особи) на основе обучения по выборке из 500 других растений(особей). 

Код: 

# Скачивание и инициализация библиотек mlbench(используется для machine learning), caret (используется для нормализации данных)
install.packages("mlbench") 
library(mlbench)
install.packages("caret") 
library(caret)

# Краткая информация про базу данных iris
data(iris)
summary(iris)

# Определение тренировочной выборки
trainControl <- trainControl(method="cv", number=10)

# Оценка точности алгоритма Naive Bayes на данном dataset
fit <- train(Species~., data=iris, trControl=trainControl, method="nb")

# Вывод оценки точности
print(fit)

Сейчас я точно так же хочу сделать модель, которая на основе 30-300 хороших точек входа на истории определяет, насколько хороша данная пятиминутка для входа в лонг или шорт. 

Что скажете? Есть ли там грааль? Есть ли у кого-то опыт использования машинного обучения для торговли? Что посоветуете? 

# Инициализация библиотеки rusquant (русская версия от quantmod, поддерживает все функции quantmod)
library(rusquant)

# Получение исторических данных с Финама
getSymbols("SiM6", from=Sys.Date()-30, src="Finam", period="day")

# Рисуем график, чтобы увидеть данные
candleChart(SIM6)

# Расчет доходностей встроенной функцией библиотеки rusquant (унаследована от quantmod)
rr <- OpCl(SIM6)

# Цены закрытия
p <- Cl(SIM6)

# Получение абсолютного значения среднеквадратичного отклонения доходности
sd(rr)*mean(p)

[1] 757.7013

# Аналогично для часовика
getSymbols("SiM6", from=Sys.Date()-30, src="Finam", period="hour")
candleChart(SIM6)
rr <- OpCl(SIM6)
p <- Cl(SIM6)
sd(rr)*mean(p)

[1] 234.9929

#Аналогично для BRK6. 

При наличии двух дополнительных файлов- картинок: buy_loss.bmp и sell_loss.bmp, сделки, закрывающие позиции с убытком, будут отображаться этими изображениями.
При наличии двух дополнительных файлов- картинок: buy_profit.bmp и sell_ profit.bmp, сделки, закрывающие позиции с прибылью, будут отображаться этими метками.
Если дополнительных меток не будет, то сделки «купить» и «продать» будут изображаться файлами по умолчанию:  buy.bmp и sell.bmp.

скачать: http://www.xsharp.ru/tester

Привычка 1:

Бедные всегда ищут виноватых.  Бедный человек никогда не берет ответственность на себя. Он скорее обвинит в своих неудачах коллег, начальника или систему, чем признает свое поражение. Бедный мыслит так: «Если бы не ОНИ, то я бы давно был успешным», «Мне ВСЕ мешают, я не могу ничего сделать».

Привычка 2:

Привычка 3:

Действовать наверняка.  Бедные не рискуют. Они предпочитают стабильный, пусть и не большой доход. В результате так и живут от зарплаты до зарплаты, зато под воображаемым крылом стабильности.

Три года назад я решил уйти из трейдерской деятельности в реальный сектор, о чем написал отдельный пост: smart-lab.ru/blog/122223.php (Вкратце: уйдя с работы (был инженером-фрилансером), два года занимался построением алгоритмической торговой системы с целью создания торгового робота, несколько роботов в результате были созданы и пущены в работу; но потом осознал, что гарантий при таком подходе к делу никаких, что все мои поиски – статистические угадайки, и решил уйти из трейдинга в реальный сектор.)

Честно говоря, ушел я не совсем до конца, т.к. работающих роботов все же оставил в торговле, оставив за собой право надеяться на дополнительный доход. Но, тем не менее, принятое решение не возвращаться к расчетам не отменил. К расчетам возвращался только дважды: подкручивал параметры рабочим системам, ибо рынок со временем меняется, — и это отняло всего две пары выходных за три года.

А сейчас – принял решение уйти с рынка окончательно.

Всех приветствую.