Торговые роботы оптимизация, Оптимизируем торгового робота: генетический алгоритм / Хабр


AndreySitaev 16 торговые роботы оптимизация в К моему удивлению, робот не приносит миллионов, даже торгуя виртуально. Причина очевидна: Так как параметров настройки у робота достаточно, перебрать все их возможные комбинации в поисках лучшей, слишком затратная по времени задача.

В свое время, решая задачу оптимизации, я не нашел обоснованного выбора алгоритма поиска квазиоптимального вектора параметров торгового робота.

Потому решил самостоятельно сравнить несколько алгоритмов… Краткая постановка задачи торговые роботы оптимизация Имеем торговый алгоритм. Торговые роботы оптимизация данные — история цен часового интервала за 1 год наблюдений. Выходные данные — Торговые роботы оптимизация — прибыль либо убыток, скалярная величина. У торгового алгоритма 4 настраиваемых параметра: Каждому из параметров мы задаем диапазон и фиксированный шаг изменения, всего по 20 значений для каждого из параметров.

Таким образом, мы можем искать максимум прибыли P для одного параметра на одном массиве входных данных: Для большинства торговых алгоритмов, однако, требуется на несколько порядков больше времени для проведения одного теста.

Что приводит нас к задаче поиска квазиоптимального вектора параметров без необходимости перебора онлайн заработок ботинки с америки торговые роботы оптимизация возможных их сочетаний. К примеру, сам я убежден, что любые мои попытки извлечь из эффективного рынка читай из торговые роботы оптимизация прозрачного и ликвидного рынка прибыль путем спекуляций, неважно, дискреционных или полностью автоматизированных, априори обречены на поражение.

Если, разве что, не допустить фактор случайного везения. Тем не менее, трейдинг, и, в частности, алго ритмический трейдинг — популярное торговые роботы оптимизация для многих. Чтобы не быть голословным, дальнейшие свои наблюдения я привожу на примере простой торговой стратегии: Для простоты примем, что робот всегда торгует одной тройской унцией. К примеру, на момент покупки, стоимость тройской унции золота составляла На момент последующей продажи закрытии сделки цена выросла до Прибыль по этой сделке составила 4 USD.

Оптимизация советника за последний час.

С входными данными для робота мы определились — это, собственно, временной ряд цен котировок золота. Если вы скажете, что мой пример слишком простой, не жизненный — могу вас уверить: В любом случае, в задаче параметрической оптимизации торговой стратегии, нет принципиального различия между роботом, торгующего на торговые роботы оптимизация вектора цен и роботом, обращающемуся к терабайтному массиву разносортной рыночной аналитики.

торговые роботы оптимизация

Главное, что оба этих робота могут должны уметь быть протестированы на исторических данных. Алгоритмы должны быть детерминированы: Более подробно о торговом роботе можно почитать в следующем спойлере: Две тонкие ломаные линии, красная и синяя — усредненные значения цены торговые роботы оптимизация периодами усреднения 5 и 10 соответственно.

Иначе говоря, скользящие средние Moving Average, MA с периодами 5, Например, для того, чтобы рассчитать ординату последней правой точки красной кривой, торговые роботы оптимизация взял среднее из последних 5 значений цены.

На рисунке выше торговые роботы оптимизация совершит 5 сделок: Роботу разрешено открывать неограниченное количество сделок. Например, в какой-то момент робот может располагать несколькими незавершенными покупками и продажами одновременно.

Правило закрытия сделки Робот закрывает сделку, как только: Предположим, StopLoss равен 0. Как только цена золота вырастет до значения Да, робот предельно прост.

ФОРЕКС Советники и торговые роботы. Оптимизация и тесты

Быстрый поиск квазиоптимального набора входных параметров На примере нашего простого робота видно, что полный перебор всех возможных векторов параметров настройки робота слишком затратен даже для 4-х варьируемых параметров. Очевидная альтернатива полному перебору — выбор векторов параметров по определенной стратегии. Рассматриваем лишь часть всех возможных комбинаций в поисках лучшей, в которой ЦФ приближается к наивысшему либо наименьшему, в зависимости от того, какую ЦФ мы выбрали и какого результата мы добиваемся значению.

Мы рассмотрим три алгоритма поиска квазиоптимального значения ЦФ. Для каждого торговые роботы оптимизация установим ограничение в 40 тестов из возможных комбинаций.

Метод Монте-Карло или случайный выбор M некоррелированных векторов из числа возможного количества наборов, равного N. Метод, вероятно, самый простой из возможных. Будем использовать его как отправную точку для последующего сравнения с остальными методами оптимизации.

495 308 5 брокер

Все остальные параметры фиксированы и не подвергаются оптимизации. ЦФ прибыль достигает максимума 0. Чтобы гарантированно найти максимальное значение прибыли, нам потребуется торговые роботы оптимизация 20 итераций тестирования.

Альтернатива — провести меньшее количество испытаний торгового робота со случайно выбранным значением параметра M на интервале [9, 20].

Оптимизация одного из четырех параметров нашего торгового робота, при фиксированных значениях остальных параметров, не позволяет нам увидеть всей картины.

  • Оптимизация торговых роботов - strelokshop.ru
  • Оптимизируем торгового робота: генетический алгоритм / Хабр
  • Алгоритмы оптимизации торгового робота: эффективный способ наторговать миллион задним числом / Хабр

Возможно, максимум ЦФ, равный 0. Вот так торговые роботы оптимизация зависимость прибыли от периода скользящей средней при различных значениях параметра TakeProfit на интервале [0. Метод Монте-Карло: По двум осям отложены значения параметров T TakeProfit и M период скользящей среднейтретья ось — значение прибыли. Выбирая произвольные точки на торговые роботы оптимизация, в данном примере алгоритм не нашел оптимального значения, но подобрался довольно близко к нему: Насколько эффективен метод Монте-Карло в поиске максимума ЦФ?

Проведя 1 итераций поиска максимума ЦФ на исходных данных из примера выше, я получил следующую статистику: Очевидно, в сравнении методов параметрической оптимизации торговых роботов одна выборка — не показатель. Но пока достаточно и торговые роботы оптимизация оценки.

Переходим к следующему методу — метод градиентного спуска.

торговые роботы оптимизация услуги брокера по кредиту екатеринбург

Метод градиентного спуска Формально, как следует из названия, метод применяется для поиска минимума ЦФ. Согласно методу, мы выбираем стартовый точку с координатами [x0, y0, z0, …]. На примере оптимизации одного параметра это может быть случайно выбранная точка: Далее следуют три простых шага: Если раньше мы вычисляли ЦФ в двух соседних точкахтеперь мы проверяем 4 точки: Метод, определенно, торговые роботы оптимизация, когда у ЦФ на тестируем пространстве всего один экстремум.

Самое читаемое

Если экстремумов несколько, поиск придется неоднократно повторять, чтобы повысить вероятность нахождения глобального экстремума: В нашем примере мы ищем максимум ЦФ. Все тот же пример, прибыль торгового робота как функция от периода скользящей средней и значения TakeProfit, одна итерация: В торговые роботы оптимизация случае был найден локальный экстремум, далекий от глобального максимума ЦФ.

  • Оптимизация торговых роботов
  • AndreySitaev 16 ноября в
  • Хорошие индикаторы форекс для 15 минут форум

Пример нескольких итераций поиска экстремума ЦФ методом градиентного спуска, значение ЦФ рассчитано 40 раз 40 точек из возможных: Теперь сравним эффективность поиска глобального максимума ЦФ прибыли на наших исходных данных алгоритмами Монте-Карло и градиентного спуска.

В каждом случае проводится 40 испытаний расчетов ЦФ. Произведено по 1 итераций оптимизации каждым из методов: Монте-Карло среднее из полученных квазиоптимальное значение ЦФ 0. Но не спешим сбрасывать его со счетов. Допустим, мы выбрали настройки торгового робота, соответствующие найденному максимуму ЦФ. Применительно к реальной торговле, можно, как минимум, ожидать, что рынок, на котором предстоит торговать нашему роботу, будет заметно отличаться от того периода истории, на котором мы оптимизировали торговый алгоритм.

Очевидно, метод градиентного спуска, как правило, дает нам значения ЦФ в окрестностях экстремума. Метод Монте-Карло, скорее, бьет по площадям. В множественных наставлениях к тестированию автоматических торговых стратегий рекомендуют после завершения оптимизации проверить целевые показатели робота в окрестностях найденного вектора параметров. Но торговые роботы оптимизация дополнительные тесты. Вдобавок, что если доходность стратегии упадет при незначительном изменении настроек?

Очевидно, придется повторять процесс тестирования. торговые роботы оптимизация

Оптимизация робота самостоятельно

Нам был бы полезен алгоритм, который, одновременно с поиском экстремума ЦФ позволял бы оценить устойчивость торговой стратегии к изменению настроек в узком диапазоне относительно найденных пиков.

Например, искать не непосредственно максимум ЦФ а средневзвешенное значение, учитывающее соседние значения целевой функции, где вес обратно пропорционален расстоянию до соседнего значения для оптимизации двух параметров x, y и целевой функции P: Иначе говоря, первые N тестов проводятся на случайных некоррелированных векторах входных параметров. Из них отбираются M лучших результатов. В окрестностях этих испытаний плюс — минут L к каждой из координат проводится еще K испытаний.

Для нашего примера точек, 40 испытаний всего имеем: И снова сравним эффективность теперь уже 3-х алгоритмов оптимизации: