Приветствую всех.

Скажу сразу, видео записать заставили...

В ролике показываю, как работать с контрольной панелью, с помощью которой можно вывести параметры робота на график для быстрого коректирования. Самое главное не путать обычный выход кубика и контрольный, в первом случае мы не получим вывод параметра в панель и не сможем его отредактировать. 

Это прежде всего предназначено для более быстрого вмешивания в работу робота, но это не значит что мы делаем полуавтомат, хотя и он возможен. К примеру мы понимаем рыночную ситуацию, но не можем ее формализовать, или экстренные новости вышли, и мы не хотим рисковать или же наоборот, для этого выводи необходимые параметры и в пару кликов меняем все, к примеру ставим чекбокс блокирования торговли и все, агент будет работать, но не совершит сделок, и не будет ругаться на пропущенные выходы.

[[1]]
[1] 1 1 1 1 1

[[2]]
[1] 1 1 1 1 -1

[[3]]
[1] 1 1 1 -1 1

[[4]]
[1] 1 1 1 -1 -1

[[5]]
[1] 1 1 -1 1 1

[[6]]
[1] 1 1 -1 1 -1

Добрый день, коллеги!

Конец месяца, пора переоптимизации систем.
Решил посмотреть прошлогодние систем.
Когда-то они хорошо работали.
Взял одну. Подставил значения параметров, выбранных по состоянию на 15.11.2015. Ровно год назад.
Предлагаю Вашему вниманию эквити.
Вот так торговала бы система этот год теми параметрами .

Но, обратите внимание!
После оптимизации (15.11.2015) система еще некоторое время торговала успешно. Примерно 2 недели. А затем — слив.
К чему я опубликовал это?

Выводов несколько:
1.Система никогда не будет долго торговать и зарабатывать на однажды настроенных параметрах.
2.Оптимизация позволяет получить параметры, на которых система ВОЗМОЖНО будет зарабатывать НЕКОТОРОЕ время.
3.Грааль есть. Я только что его Вам рассказал. Кто хотел, тот понял.

Удачных торгов!
:)

Продолжение. Начало здесь.

Вы, наверное, заметили, что в процедуре вычисления параметров модели, описанной выше, я запоминал действительные предсказанные значения, так же как и предсказания направления приращения цены. Я хочу исследовать предсказательную способность величины  приращения. Точнее, может ли фильтрация сделок, в случаях, когда величина предсказанного приращения ниже определенного порога, улучшить доходность стратегии? Код ниже представляет такой анализ для небольших порогах приращений. Для упрощения, я конвертировал логарифмы приращений в простые приращения, чтобы получить управление знаком предсказания и облегчения применения порога:

# Test entering a trade only when prediction exceeds a threshold magnitude
simp.forecasts <- exp(ag.forecasts) - 1
threshold <- 0.000025
ag.threshold <- ifelse(simp.forecasts > threshold, 1, ifelse(simp.forecasts < -threshold, -1, 0))
ag.threshold.returns <- ag.threshold * returns[(window.length):length(returns)]
ag.threshold.returns[1] <- 0 # remove NA
ag.threshold.curve <- log(cumprod( 1 + ag.threshold.returns))
both.curves <- cbind(ag.threshold.curve, buy.hold.curve)
names(both.curves) <- c("Strategy returns", "Buy and hold returns")

# plot both curves together
plot(x = both.curves[,"Strategy returns"], xlab = "Time", ylab = "Cumulative Return",
     main = "Cumulative Returns",  major.ticks= "quarters", #
     minor.ticks = FALSE, ylim = c(-0.2, 0.45), col = "darkorange")
lines(x = both.curves[,"Buy and hold returns"], col = "blue")
legend(x = 'bottomleft', legend = c("Strategy", "B&H"),
       lty = 1, col = myColors)

Статья из блога Robot Wealth.

Продолжая мои исследования в области моделирования временных серий, я решил изучить авторегрессивные и условные гетероскедатичные модели. В частности, я взял авторегрессивную модель ARIMA и общую авторегрессивную гетероскедатичную модель GARCH, так как на них часто сылаются в финансовой литературе. Далее следует описание того, что я узнал об этих моделях и основной процесс нахождения их параметров, а также простая торговая стратегия, основанная на предсказаниях полученной модели.

Сначала дадим несколько необходимых определений. Я не хочу воспроизводить всю теорию целиком, ниже дан краткий обзор моделирования временных серий, в частности ARIMA и GARCH моделей:

В первую очередь, вычисление ARIMA и GARCH моделей это способ узнать, при каких прошлых наблюдениях, шуме и дисперсии временной серии возможно предсказать следующее значения этой серии. Такие модели, параметры которых правильно установлены, имеют некоторую предсказательную способность, предполагая, конечно, что эти параметры остаются постоянными на некоторое время для данного процесса.