machine learning

Основная предпосылка для исследования озвучена ural_pro в статье http://www.quantalgos.ru/?p=9516

Дневная доходность здесь — около 50%! Причем здесь количество прибыльных сделок — 53%, убыточных (вместе с нулевыми) — 47%, соотношение средней прибыли к среднему убытку — 1.05. То есть, при таком вроде бы незначительном  преимуществе в расчете вероятностей  результат оказывается очень значительным — эффект большого количества сделок, то есть достаточной статистической выборке даже внутри одного дня.
В данном случае мы не пытаемся что-то предсказывать, а четко определяем вероятности и планируем свои действия в соответствии с их величиной. Проблема здесь в том, что вычислить эти величины довольно сложно, в связи с тем, что присутствует влияние множества факторов, которые должны быть учтены в определении вероятностей

Суть проблемы: ищем алгоритм, с небольшим профит фактором и большим количеством сделок. После написания и тестирования разнообразных подходов, решил вернуться к истокам и обучить модель ML. Фичи взял из старых работ плюс skew из одной из статей Виталия.

( Читать дальше )

Доброго времени суток уважаемые!

В этом году Google преподнёс всем отличный подарок  — открыл бесплатный сервис Google Colab.
Google Colab — это сервис где каждый (нужен акк Google, например от Gmail) может попробовать силы в машинном обучении (искусственный интеллект и другие умные слова).

Бесплатно!

Нам он интересен чем — можно заниматься стратегиями, расчётами и строить сложные графики. А ещё Google Colab не закрыт для внешнего интернета — скачиваем котировки и данные с других ресурсов.
Даже если вы очень далеки от этого — попробуйте, это просто.
Я расскажу о первых шагах.

Сам Google Colab — это интерфейс Jupyter Notebook (бывший IPython).

Задача простая — скачать котировки SPY, нарисовать график, посчитать число падений close-to-close больше 3х процентов за 7 лет.
1. Имеем акк gmail (короче google account)
2. Идём сюда: https://colab.research.google.com/notebooks/welcome.ipynb  (открывается страница приветствия)
3. File -> New Python 3 notebook
4. Само рабочее пространство (notebook) представляет из себя набор строк («ячеек» — cells) куда вводится код на языке Python, который можно выполнять (треугольник знак «воспроизведения» слева от каждой строки). Наш код будет вот такой:

( Читать дальше )

Коллеги, возникла такая мысль
Очевидно, что крипта — это пузырь, надуваемый за счет входа Буратин, за которым нет реальных активов. Соответсвенно, вполне ожидаемо это все сдуется как МММ. 

В связи с этим меня мучал постоянно вопрос — зачем нужно распределять первоначальные битки с помощью майнинга. Ну как бы логичный ответ — для логичного обоснования здравости криптовалюты))) Но то, что сгорает электричество в тепло — это же бред. Неужели нельзя было придумать какой-то более здравый и менее расточительный для ресурсов планеты способ?

Возникла мысль — а что если внедрение крипты — это есть способ для того, чтобы человечество создало большие датацентры. Ведь для этого сейчас не требуется никаких внешних денег кроме денег Буратин. Все происходит само собой. А когда все тазом накроется, все эти фермы можно будет использовать по дешевке для БигДата, МашинЛернинг, мало ли что можно считать.

Что думаете об этом?

Добрый день. Сегодня про то как использовать этот метод для предсказания направления движения рынка на день, на основе той информации что у нас есть перед открытием торгов. 

Описание самого пакета и примеры можно посмотреть тут http://cran.r-project.org/web/packages/gbm/gbm.pdf

Я покажу каких результатов добился тестируя этот метод совершая всего 2 сделки в день, на открытии и закрытии дня.

График доходности Out-of-Sample в сравнении с индексом ММВБ:



( Читать дальше )

( Читать дальше )

Картинка для затравки, Out of Sample perfomance (то есть результаты получены на выборке на которой не производилось построение модели):


Сбербанк MOEX 15106 трейдов прибыль 140 руб на одну акцию, периодичность трейдов где-то 15 минут, equity где-то за год.
То же самое для Ri, 22237 трейдов прибыль 100000 пунктов на один контракт, или 5 пунктов на трейд, периодичность такая же 15 минут.

( Читать дальше )

Всегда мечтал уметь программировать. Вот начал самостоятельно изучать Computer Science и Python Programming, имея сугубо финансово-экономический бэкграунд, но будучи гиком в душе.

Изучаю Python в контексте инструментария для применения в Data Science и далее в Machine Learning. Навыков программирования до этого не имел, если не считать работу со сложными связанными таблицами excel.

Начал с самого базового курса "Основы программирования на Python", книги Марка Лутца «Изучаем Python» и тренинга Python Essentials от Enthought, Inc. И официальные инструкции поглядываю: The Python Tutorial.

Также обучаюсь на курсах:

• массачусетского технологического института (MIT) MITx: 6.00.1x Introduction to Computer Science and Programming Using Python на 

( Читать дальше )

Развлекался вчера с алгоритмами классификации. Для проверки решил взять данные из профиля участников http://smart-lab.ru/ конкретно график P&L. Робот собрал данные из профиля участников и запустил процесс автоматической классификации. В результате было получено более 10 классов, 3 из которых доминируют.

 

( Читать дальше )

Друзья!

Для тех кто был на конференции, и тех кто не был — видео с Moscow ALGO — 2014.
Спасибо всем! Было круто! :)




Круглый стол «Внутренние и внешние риски в алгоритмической торговле.»


 
Круглый стол «Big data и machine learning — »современное" оружие в руках алготрейдера."



( Читать дальше )