Алготрейдинг

Нам сообщили, что "Простейшая трендследящая система уверенно обходит по доходности фондовые индексы США". smart-lab.ru/blog/620479.php
И далее «Будет ли работать система на отдельных акциях? Нет. Компании рождаются и умирают, проходя через естественные… бизнес-циклы. Индексы же — «вечны».
Понимаем так, что надо играть в индексы. На ММВБ есть индекс ММВБ, а чтобы его продавать и покупать фьючерс MIX.
Чтобы не заморачиваться отдельными 3-х-месячными контрактами, используем историю торгов „склеенного“ фьючерса — 98 месяцев с сентября 2011 по октябрь 2019  .
Комиссия брокера 4 руб на сделку, проскальзывание 0.01% от объёма сделки. Покупаем и продаём всегда 1 контракт.
Код C# в WealthLab'е действительно прост.

using System;
using System.Collections.Generic;
using System.Text;
using System.Drawing;

namespace WealthLab.Strategies
{
public class TurnOnClose: WealthScript {
  protected override void Execute()    {
    for (int bar = 1; bar < Bars.Count; bar++) {
      if (Close[bar] > Close[bar-1]) {
        if (IsLastPositionActive &&
            LastPosition.PositionType != PositionType.Long)
          ExitAtClose (bar, LastPosition);
        if (! IsLastPositionActive)
          BuyAtClose (bar);
      } else if (Close[bar] < Close[bar-1]) {
        if (IsLastPositionActive &&
            LastPosition.PositionType != PositionType.Short)
          ExitAtClose (bar, LastPosition);
        if (! IsLastPositionActive)
          ShortAtClose (bar);
      }
    } // for (int bar
  } // Execute()
} // class TurnOnClose
} // namespace WealthLab.Strategies

Но график прибыли разочаровывает

( Читать дальше )

В личку пришло много сообщений от интересующихся пользователей, поэтому продолжаю тему о поведении бота на разных участках рынка.
Период 21.04.2020-10.05.2020

Синяя отметка — точка запуска алгоритма
Красная отметка — исполненный ордер на продажу BTC (long)
Зеленая отметка — исполненный ордер на покупку BTC (short)



( Читать дальше )

Здравствуйте. Нужен робот, тех.задание готово.  Робот без наворотов, простой, два индикатора +стандартный набор функций (стоп, трейл, выбор позиции и т.д). Цена фиксированная ( адекватная), по возможности-укажите Ваши ценовые предпочтения(почасовую оплату не предлагать). Все предложения в личку или на мыло.Спасибо.

Для моделирование ТС на Python, прежде всего нужен сам Python. Pythonы бывают очень разные.

Самый большой и длинный Python — Anaconda (https://anaconda.org/). Скачать дистрибутив Anaconda можно здесь — Индивидуальное издание -https://www.anaconda.com/products/individual.
Я работаю именно с Anaconda. Установив Anaconda мы получаем сам Python, уже установленные значительную часть нужных и ненужных пакетов с библиотеками Python, и несколько сред разработки. И все это сразу готово к работе, и нам, по большей части, уже не придется дополнительно устанавливать пакеты и среды.

Самый маленький Python последней версии 3.8.2. скачивается с сайта самого Python — https://www.python.org/. Это, практически, только сам язык, компилятор и минимальный набор пакетов. Сделать с ним практически ничего невозможно, и для работы придется постоянно устанавливать нужные пакеты. Среду разработки придется также устанавливать самостоятельно.
Этот Python больше подходит для запуска и работы с уже отлаженными законченными программами.

( Читать дальше )

Стоит ли посвятить несколько топиков моделированию стратегий на Python? Не о программировании на Python — это в книгах можно прочесть, а именно о методах моделирования и тестирования стратегий.
Можно начать, скажем с двух ЕМА. Стратегия изначально дохлая, но может послужить шаблоном для разработки ваших собственных стратегий. Для этого потребуется несколько топиков. Если интереса не будет, то и заморачиваться не имеет смысла. Может вы и сами с усами.)

Привет, новая неделя – новый бэктест. Картинка на превью толсто намекает, что тестировать мы сегодня будем фактор Size. Из всей линейки факторов, малая капитализация – это самая понятная материя, на которой можно заработать выше рынка. X5 Retail сложнее быстро вырасти в 2 раза по сравнению с небольшой палаткой на рынке, ведь эта компания уже большая.

Отдельное спасибо смартлабовцу wrmngr за качественную критику:

( Читать дальше )

После реализации кучи алгоритмов торговли (фьючами на мосбирже), сформулировал для себя такие критерии качества робота:

1. бэктест за предыдущие 36 месяцев должен давать ежемесячный профит
2. внутри месяцев разрешены просадки
3. финрез каждой сделки вычитает комиссии и усредненное проскальзывание
4. профит за каждый год должен быть больше ГО на начало года

Тестирую новые алгоритмы на предмет соответствия этим критериям. Как показала практика, создать алгоритм, генерирующий за 3 года акуенный профит (например, 10 ГО) — не сложно. Но реальная работа такого робота будет крайне некомфортной. Гораздо сложнее создать алгоритм, генерирующий за 3 года ежемесячный профит. В реале такой робот не поразит доходностью. Доход за год будет меньше ГО из-за всякой херни на рынке, включая сквизы, изменение ГО и т.п… Но регулярный небольшой профит (например 5% от ГО в месяц) — это супер-пупер-турбо-мега-кайф.

А у вас какие критерии, друзья?

Какой самый лучший способ определить флетовое состояние инструмента относительно его текущей волатильности (волатильность будем смотреть, к примеру, за период n последних недель, где n — это параметр для будущей оптимизации). Иными словами — как понять, что цена сейчас находится в рейндже? И самое важное — границы этого рейнджа. Лично я пока использую полосы боллинджера, но они слегка не идеальны, даже если смотреть глазами, а не анализировать их программно.

Продолжаю потихоньку добавлять новые акции для анализа в портфель и наконец добрался до 100 штук. Собираюсь включить все акции с дневным оборотом более 1% от величины портфеля (осталось примерно 25 штук), после чего заняться ETF. Чем больше акций, тем больше обучающих примеров для тренировки градиентного бустинга и сетей — сейчас около 180 тысяч, а в перспективе их количество увеличится до 250-300 тысяч.

Потихоньку продолжаю заниматься сетями. Раньше жаловался, что они обучаются существенно медленней градиентного бустинга, но после профайлинга оказалось, что тормозит не обучение, а подготовка и загрузка данных. Переписал код — в результате сети стали учатся быстрее градиентного бустинга.

Плюсом сетей является возможность реализации множества выходов — на данный момент экспериментирую с прогнозированием доходности одновременно с СКО по аналогии с GluonTS.

Для поиска гиперпараметров для градиентного бустинга использую байесовскую оптимизацию с помощью hyperopt. Для сетей решил попробовать

( Читать дальше )