алготрейдинг

    В этом опусе рассмотрим попытку использования алгоритм случайного леса для создания торгового модели для слива денег на примере индекса IMOEX. Используется язык питон и библиотеки pandas и scikit-learn. Модель будет предсказывать сторону закрытие на следующий день, т.е. оно положительное или отрицательное, и на основании этого строится торговая система.

df["Tomorrow"] = df["Close"].shift(-1)
df["Target"] = (df["Tomorrow"] > df["Close"]).astype(int)  # наша цель

    Очень важно, какие данные будут использоваться для прогнозирования. Здесь используется: показатель силы закрытия бара (т.е. (Close-Low)/(High-Low)) за текущий и предыдущий день, процентные соотношения между ценой закрытия и средними за периоды 2,10,15,25,50 дней по индексам IMOEX, RVI, RGBITR, и плюс цены закрытия индексов RVI, RGBITR.
    Для обучения модели используется период 2013-2022 гг., для проверки 2023-2024г.:

train = df.loc['2013':'2022']
test = df.loc['2023':]

    Для создания модели используется <a href=«scikit-learn.

( Читать дальше )

В комментариях к своим предыдущим постам увидел довольно много скептических мыслей насчет бэктестинга (тестирования на исторических данных), в духе «на бэктестинге всегда всё хорошо, а в боевом режиме слив».

Я, конечно, на 100% согласен, что
Если на бэктестинге хорошие результаты, то это еще ничего не гарантирует в боевом режиме.

Но ведь основная крутость бэктестинга не в этом, а в том, что
Если на бэктестинге фигня, то и в боевом режиме скорее всего будет фигня.

Это позволяет отсекать плохие идеи, которые интуитивно кажутся перспективными. 

В то время как нарастает военная эскалация и валятся акции, в ноябре роботы рубанули +16,5% благодаря девальвации рубля и хорошей волатильности на валюте. Таким образом, за 12 месяцев доходность алгоритмического портфеля на российском рынке составила +47%. За 2,5 года алгоритмы показали доходность +171% при просадке всего 16%.

Мониторить динамику портфеля можно здесь:
www.comon.ru/strategies/109402/

По вопросам подключения к стратегии пишите в телеграм: @voronchihin_evgeny

Мой телеграм-канал: @alfa_quant

Нашел еще две книги по алго, конкретно про парному трейдингу и статистическому арбитражу:

Ganapathy Vidyamurthy — Pairs Trading: Quantitative Methods and Analysis
Andrew Pole — Statistical Arbitrage: Algorithmic Trading Insights and Techniques 

В дополнение к той, что я уже прочитал:
Ernie Chan — Algorithmic Trading: Winning Strategies and Their Rationale

(Все находятся в интернете в PDF).

Также хочу освоить методы алготрейдинга с производными инструментами (фьючерсами, опционами), и применение машинного обучения. По машинному обучению вот эта книжка выглядит круто:
Stefan Jansen — Machine Learning for Algorithmic Trading

Но блин, где взять столько времени, чтобы всё это прочитать и применить… Не знаю, стоит ли сделать ставку на одно направление (например арбитраж), и ковырять его до победного конца, или попробовать несколько направлений, в надежде, что что-то быстро даст отдачу. 

В прошлом посте я писал про свой алгоритм для pair trading, который показал очень хорошие результаты на бэктесте на паре BTC — ETH.

За прошедшие две недели я смог проверить его на других парах. Результаты не такие впечатляющие, но в целом стабильные.
На всех графиках я подбирал оптимальные параметры для периода 2022-2023, а 2024 год использовался как проверочный (out of sample).



В рабочем режиме я хочу запускать алгоритм не на одной паре, а одновременно на 10-15 парах, чтобы сгладить Equity. Пока буду экспериментировать с самим алгоритмом, пробовать разные его вариации. В основе оставлю фильтр Калмана: он показывает лучшие результаты, чем метод наименьших квадратов.

( Читать дальше )

Люблю, понимаешь, иногда полистать рейтинг лучших трейдеров у Трейдлинк. Иногда попадаются очень интересные истории. Особенно любопытно наблюдать за сеточниками-усреднителями. Их очень легко вычислить по ровной эквити, которая идет вверх под одним углом, но с редкими и глубокими проливами. К сожалению, финал у них у всех очень предсказуемый. Вот на днях начал наблюдать за подобным персонажем, жалко конец подкрался достаточно быстро. Однако, люди продолжают верить им и несут деньги, причём даже не для управления по API, а просто напрямую скидывают на счёт Суперуправляющего.

Вот красивый график, сохраню здесь для памяти, а то WorlInvestCapital уже обнулил свою эквити. Будем наблюдать дальше)))

И комментарий управляющего по ситуации тоже хорош:


( Читать дальше )

Подобный топик я уже писал пару лет назад — не снискал популярности. Пост уже затерялся в анналах истории СЛ и было бы неплохо его повторить.
Для начала, не думайте, что какие-то ИИ или НС что-нибудь решат за вас. Этого не будет. Это уже даже почти доказано на других сайтах, где уже несколько лет пытаются приспособить машинное обучение (МО) и НС, в частности, для использования в ТС. Пока тишина, насколько я понимаю.
Предлагаемый вариант несколько сложнее, но гарантированно рабочий.
Для начала вам нужен хотя бы предположительно рабочий вариант ТС на обычных индикаторах. Если вариант нерабочий, то никакие МО или НС вам никак не помогут — из нерабочего, рабочий сделать невозможно.
Итак, исходим из того, что такой рабочий вариант на обычных индикаторах у вас есть, или вы предполагаете, что вариант рабочий.
Первым делом определяем параметры индикаторов и прочие параметры, необходимые для ТС. Далее нормируем все эти параметры в соответствии с требованиями к входным сигналам НС, и естественно подаем их на входы НС.

( Читать дальше )

Как в 1С закачать данные ранее полученные через ODBC Access из  ARQA QUIK

1 Пример кода для закачки целой таблицы.


2. Пример кода для закачки определенного класса инструментов.


( Читать дальше )