Comments 9
Когда вы уже выпустите терминал под мак?
Приходится с квиком в вайне работать
Вы же самые продвинутые брокеры
Приходится с квиком в вайне работать
Вы же самые продвинутые брокеры
Сейчас пока в приоритете другие проекты (Matrix, мобильные терминалы, новые услуги), но у нас есть желание сделать что-то под Mac. В следующем году вполне возможен какой-то проект в данном направлении
клёво-клёво! если что — могу к вам консультантом пойти)
я уже себе сделал на коленке терминальчик интересный
я уже себе сделал на коленке терминальчик интересный
Нам бы разработчика :)
ух ты, TradeScript от моего друга Ричарда, давно о нём не слышал. А ведь проработали вместе около 4 лет.
И полностью согласен с csmile, еще когда работал в Modulus толкал эту тему но так и не прошла.
И полностью согласен с csmile, еще когда работал в Modulus толкал эту тему но так и не прошла.
Забавная форма подачи объявления об открытии вакансии ).А вот по заголовку информации почти нет.
Я не по наслышке знаю тему автоматических торговых систем (благо сам на МАМБе этому посвятил 6 лет жизни). И в бэктестинге есть определенные ловушки, которые не столь очевидны как вышеперечисленное.
Любая механическая торговая система базируется на так или иначе заданных числовых параметрах. Допустим, нашли вы такую комбинацию параметров при которых по итогам бектестинга имеете профит. Но бедав том, что факт профита (и факт допустимой просадки на исторических данных) сам по себе почти ни о чем не говорит. Более того, чем больше числовых параметров содержит стратегия — тем проще подобрать такую их комбинацию (генетическим алгоритмом, брутфорсом, градиентным спуском — да кучей способов) при которой всё будет выглядеть радужно. И совершенно (т.е. вообще) не будет работать даже в ближайшем в будущем.
Проблема состоит в том, что чем сильнее параметризирована система, и чем сложнее зависимости по которым система принимает решения — тем проще сгенерировать по сути своей случайны результат, который формально — выглядит хорошо. Иначе говоря, поскольку рынок есть весьма сильно зашумленная и стохастическая система, то (как и в любом почти-шуме) на любом отрезке данных можно найти «зависимость», которая по факту зависимостью не является а является локальным артефактом временного ряда данных. Т.е. существует ровно на этом отрезке данных (и убедительно существует если оценивать её чисто саму по себе) — но не существует слева и справа от этого окна данных… И увеличение длины окна данных эту проблему, к сожалению, почти никак решает.
Лично я для борьбы с такими «псевдозависимостями» использовал целый ряд идей.
Во первых, например, в окрестности найденной «профитной» точки параметров строилось «пространство прибыли». Т.е. числовые параметры системы трактовались как координаты в многомерном пространстве, а финансовый результат соответствующий конкретному набору параметров — как значение многомерной функции. И далее параметры (задающие систему принятия решений — т.е. генерирующие финансовый результат) прогонялись в широком диапазоне около найденной «хорошей» точки. Суть состояла в том, что если точка скорее случайная — то соответствующая многомерная гиперповерхность такой «функции прибыли» будет иметь очень резкий «пик». Т.е. уже при небольших отклонения от «хорошей» точки торговый результат будет драматически падать. Если такое наблюдалось — то такая точка параметров отбрасывалась. Если же многомерная функция прибыли была достаточно «гладкой», т.е. было плавное ухудшение торгового результата по мере удаления от «точки оптимума» (а в идеале — если было что-то типа «плато прибыли», когда вариации параметров в некотором нормальном диапазоне особо не сказывались на прибыли) то к такому набору параметров было намного больше доверия.
Во вторых, делался тот же самый расчет по заметно мЕньшему окну данных, и ровно по тому же принципу. Далее это мЕньшее окно скользило вдоль основного ряда данных — и на каждом положении искался «локальный оптимум» параметров. Далее строилось облако оптимальных параметров (точек в многомерном пр-ве). И чем сильнее был объем, занимаемый таким облаком — тем менее стабильной была стратегия, и тем меньше было её доверия. Т.к. реально существующая зависимость должна быть относительно стабильна (в том смысле что описано выше — т.е. стабильна в многомерном «пространстве прибыли») на плюс-минус любой мЕньшей выборке данных.
Ну и т.п.
Так что вопрос бектестинга это очень непростой вопрос, и он отнюдь не заключается в том чтобы найти «хорошие параметры» торговой системы. Скорее наоборот, грамотный бектестинг заключается в том, чтобы по максимуму отсеять «хорошие параметры», с целью отделения локально-существующих псевдозависимостей от реальной неэффективности рынка (т.е. от реально существующей зависимости данных)…
Это вот всё даже не упомянуто в посте выше, вопреки названию поста… Так что на будущее — пожелание писать побольше конкретики. Чтобы люди внятно понимали, насколько непростым вопросом является работа квантом. А в остальном — спасибо, понастальгировал по былым лихим временам. Да )
Я не по наслышке знаю тему автоматических торговых систем (благо сам на МАМБе этому посвятил 6 лет жизни). И в бэктестинге есть определенные ловушки, которые не столь очевидны как вышеперечисленное.
Любая механическая торговая система базируется на так или иначе заданных числовых параметрах. Допустим, нашли вы такую комбинацию параметров при которых по итогам бектестинга имеете профит. Но бедав том, что факт профита (и факт допустимой просадки на исторических данных) сам по себе почти ни о чем не говорит. Более того, чем больше числовых параметров содержит стратегия — тем проще подобрать такую их комбинацию (генетическим алгоритмом, брутфорсом, градиентным спуском — да кучей способов) при которой всё будет выглядеть радужно. И совершенно (т.е. вообще) не будет работать даже в ближайшем в будущем.
Проблема состоит в том, что чем сильнее параметризирована система, и чем сложнее зависимости по которым система принимает решения — тем проще сгенерировать по сути своей случайны результат, который формально — выглядит хорошо. Иначе говоря, поскольку рынок есть весьма сильно зашумленная и стохастическая система, то (как и в любом почти-шуме) на любом отрезке данных можно найти «зависимость», которая по факту зависимостью не является а является локальным артефактом временного ряда данных. Т.е. существует ровно на этом отрезке данных (и убедительно существует если оценивать её чисто саму по себе) — но не существует слева и справа от этого окна данных… И увеличение длины окна данных эту проблему, к сожалению, почти никак решает.
Лично я для борьбы с такими «псевдозависимостями» использовал целый ряд идей.
Во первых, например, в окрестности найденной «профитной» точки параметров строилось «пространство прибыли». Т.е. числовые параметры системы трактовались как координаты в многомерном пространстве, а финансовый результат соответствующий конкретному набору параметров — как значение многомерной функции. И далее параметры (задающие систему принятия решений — т.е. генерирующие финансовый результат) прогонялись в широком диапазоне около найденной «хорошей» точки. Суть состояла в том, что если точка скорее случайная — то соответствующая многомерная гиперповерхность такой «функции прибыли» будет иметь очень резкий «пик». Т.е. уже при небольших отклонения от «хорошей» точки торговый результат будет драматически падать. Если такое наблюдалось — то такая точка параметров отбрасывалась. Если же многомерная функция прибыли была достаточно «гладкой», т.е. было плавное ухудшение торгового результата по мере удаления от «точки оптимума» (а в идеале — если было что-то типа «плато прибыли», когда вариации параметров в некотором нормальном диапазоне особо не сказывались на прибыли) то к такому набору параметров было намного больше доверия.
Во вторых, делался тот же самый расчет по заметно мЕньшему окну данных, и ровно по тому же принципу. Далее это мЕньшее окно скользило вдоль основного ряда данных — и на каждом положении искался «локальный оптимум» параметров. Далее строилось облако оптимальных параметров (точек в многомерном пр-ве). И чем сильнее был объем, занимаемый таким облаком — тем менее стабильной была стратегия, и тем меньше было её доверия. Т.к. реально существующая зависимость должна быть относительно стабильна (в том смысле что описано выше — т.е. стабильна в многомерном «пространстве прибыли») на плюс-минус любой мЕньшей выборке данных.
Ну и т.п.
Так что вопрос бектестинга это очень непростой вопрос, и он отнюдь не заключается в том чтобы найти «хорошие параметры» торговой системы. Скорее наоборот, грамотный бектестинг заключается в том, чтобы по максимуму отсеять «хорошие параметры», с целью отделения локально-существующих псевдозависимостей от реальной неэффективности рынка (т.е. от реально существующей зависимости данных)…
Это вот всё даже не упомянуто в посте выше, вопреки названию поста… Так что на будущее — пожелание писать побольше конкретики. Чтобы люди внятно понимали, насколько непростым вопросом является работа квантом. А в остальном — спасибо, понастальгировал по былым лихим временам. Да )
Моя любимая беда: это с помощью генетического алгоритма мощно зафититься на исторические данные, получить огромный профит на бектесте, а затем выйти на реальные торги с понятным результатом.
Sign up to leave a comment.
Назад в будущее: проверка работоспособности торгового робота с помощью исторических данных