торговые роботы

На Санкт-Петербужской бирже, по мнению нейросети Investington, сейчас актуальны следующие позиции:

FATE, оптимальная цена для покупки — 6.82$. Цель — 7.318$. Предсказанная вероятность роста 79.9%
BBBY, оптимальная цена для покупки — 3.27$. Цель — 3.5366$. Предсказанная вероятность роста 81.9%
EDIT, оптимальная цена для покупки — 11.61$. Цель — 12.4694$. Предсказанная вероятность роста 83.4%


Результаты поста от 2023-01-06

NVAX, купили по 11.44$. Продали 9 января по 12.2153$. Итоговый процент +6.78%
MARA, купили по 3.78$. Продали 9 января по 4.0924$. Итоговый процент +8.26%
VXRT, купили по 0.97$. Продали 9 января по 1.0434$. Итоговый процент +7.57%

Итого: из 3 сигналов 3 оказались верными.


Что это такое? || Отчет

делал оптимизацию бота

вылезла картинка 
в стиле темного фентези )))



делюсь

Здравствуйте. Продолжаю публиковать состояние счета и сделки. Начало тут.

Система зафиксировала прибыль в OZON
Открыла позицию в лонг в PIKK.



( Читать дальше )

На Санкт-Петербужской бирже, по мнению нейросети Investington, сейчас актуальны следующие позиции:

BBBY, оптимальная цена для покупки — 3.24$. Цель — 3.4422$. Предсказанная вероятность роста 81.1%
CGEN, оптимальная цена для покупки — 0.91$. Цель — 0.9819$. Предсказанная вероятность роста 79.9%
FATE, оптимальная цена для покупки — 6.71$. Цель — 7.279$. Предсказанная вероятность роста 69.7%


Результаты поста от 2023-01-05

NVAX, купили по 11.48$. Продали 9 января по 12.3511$. Итоговый процент +7.59%
TREE, купили по 21.9$. Продали 9 января по 23.5171$. Итоговый процент +7.38%
VXRT, купили по 1.02$. Продали 11 января по 1.0952$. Итоговый процент +7.37%

Итого: из 3 сигналов 3 оказались верными.


Что это такое? || Отчет

Мониторинги здесь: https://tradelink.pro/user/7392dd60-6664-4b89-992b-aef34cd75b87

 

MAIN счёт (1.5 * тренд. 0.75 * арбитраж)

Месяц к месяцу: + 17.07 %

Год к году: + 17.07 %

Всего: + 15.7 %

 

Тренд (1.5 плеча):

Месяц к месяцу:  + 10.14 %

Год к году: + 10.14 %

Всего: + 7.02 %

 

Арбитраж (2 плеча):

Месяц к месяцу: + 17.87 %

Год к году: + 17.87 %

Всего: + 99.69 %

 

Месяц роста:

 

Комментировать здесь особо и нечего. Оч. хороший месяц.

 

MAIN счёт

Решил в итоге просто с 0 начать на новый год. Не складывать со старым. Время быстро течёт… История накопится. И меньше вопросов будет. 
Старый счёт по прежнему доступен на мониторинге для просмотра. Плюс у нас на сайте. 

Из интересного

Второй год подряд крипто-зима заканчивается ровно на новом годе.

В четвёртом квартале 2021 года – была пила, роботы лили. Пришёл новый год. И после было 9ть прибыльных месяцев подряд.

В четвёртом квартале 2022 года – была пила, роботы лили. Пришёл новый год. И вот отличный первый месяц.

( Читать дальше )

Разложение по сингулярным значениям (SVD) может быть применено к одному активу в алгоритмической торговле. Вот пример того, как SVD можно использовать для анализа ежедневной доходности одной акции.

Сжатие данных: Рассмотрим матрицу, которая представляет ежедневную доходность одной акции за определенный период времени. SVD можно использовать для уменьшения размерности данных, чтобы их было легче анализировать. Например, SVD можно использовать для определения наиболее важных факторов, определяющих доходность акций, таких как экономические показатели или настроения на рынке. Затем эта информация может быть использована для разработки торгового алгоритма, который учитывает эти факторы при принятии инвестиционных решений.

Извлечение признаков: SVD также можно использовать для извлечения признаков при анализе отдельного актива. Например, рассмотрим матрицу, которая представляет ежедневную доходность одной акции и нескольких экономических показателей. SVD можно использовать для извлечения наиболее важных характеристик данных, таких как взаимосвязи между запасами и экономическими показателями. Затем эта информация может быть использована для разработки торгового алгоритма, который учитывает эти взаимосвязи при принятии инвестиционных решений.

( Читать дальше )

Разложение по сингулярным значениям (SVD) — это широко используемый математический метод в области алгоритмической торговли. Это разложение вещественной или комплексной матрицы на сингулярные значения и соответствующие сингулярные векторы. SVD широко используется для сжатия данных, шумоподавления и уменьшения размерности, что является важными задачами в области алгоритмической торговли.

В алгоритмической торговле огромное количество данных, генерируемых финансовыми рынками, требует эффективной обработки и анализа. SVD используется в этом контексте для уменьшения размеров данных, чтобы их можно было анализировать и моделировать более легко и эффективно. Уменьшая размерность данных, SVD облегчает выявление закономерностей и взаимосвязей, которые могут быть не сразу очевидны из необработанных данных.

Наиболее распространенное использование SVD в алгоритмической торговле — это извлечение признаков. Уменьшая размерность данных, SVD позволяет трейдерам определять наиболее важные характеристики, которые управляют рынком. Затем эта информация может быть использована для разработки торговых алгоритмов, которые используют эти функции для принятия более обоснованных решений.

( Читать дальше )

Здравствуйте. Продолжаю публиковать состояние счета и сделки. Начало тут.

Система частично зафиксировала прибыль в RASP, RTKM
Открыла позицию в лонг в MVID.



( Читать дальше )

Кирилл научил меня брать большие хода, а я научил газробота
 

( Читать дальше )

Алгоритмическая торговля — это быстро развивающаяся область, которая использует математические модели и компьютерные алгоритмы для совершения сделок на финансовых рынках. Линейная алгебра — это фундаментальная математическая концепция, которая играет решающую роль во многих алгоритмических торговых стратегиях.

Линейная алгебра — это раздел математики, который имеет дело с линейными уравнениями и их представлениями в векторных пространствах. В алгоритмической торговле линейная алгебра используется для моделирования финансовых рынков и прогнозирования будущих рыночных тенденций. Например, линейная регрессия является популярным методом, используемым для моделирования взаимосвязи между зависимой переменной и одной или несколькими независимыми переменными. Этот метод может быть использован для прогнозирования цен на акции, курсов иностранных валют или других финансовых инструментов.

Другим важным применением линейной алгебры в алгоритмической торговле является анализ главных компонент (PCA). PCA — это статистический метод, который уменьшает размерность набора данных путем нахождения основных компонентов, которые представляют собой линейные комбинации исходных переменных, объясняющих наибольшие различия в данных. В алгоритмической торговле PCA может использоваться для определения наиболее важных факторов, влияющих на цены финансовых инструментов. Уменьшая размерность данных, PCA позволяет трейдерам сосредоточиться на наиболее важных переменных и делать более точные прогнозы относительно будущих рыночных тенденций.

( Читать дальше )