{"id":13654,"url":"\/distributions\/13654\/click?bit=1&hash=7a7aa21667aefd656b6233efba962ecbef616dfd5ac100a493b4b5899b23ff1f","title":"\u041c\u044b \u043f\u043e\u043f\u0440\u043e\u0441\u0438\u043b\u0438 \u0440\u043e\u0434\u0438\u0442\u0435\u043b\u0435\u0439 \u043e\u0431\u044a\u044f\u0441\u043d\u0438\u0442\u044c, \u043a\u0442\u043e \u0442\u0430\u043a\u0438\u0435 \u00ab\u043a\u0440\u0435\u0430\u0442\u043e\u0440\u00bb \u0438 \u00ab\u043f\u0440\u043e\u0434\u0430\u043a\u0442\u00bb","buttonText":"\u0421\u043c\u043e\u0442\u0440\u0435\u0442\u044c","imageUuid":"32086418-934b-5de5-a4ef-6425a84c490a","isPaidAndBannersEnabled":false}

Сравнение эффективности торговли робота на нейронных сетях с некоторыми торговыми алгоритмами

Эта статья будет интересна тем, кто разрабатывает или занимается торговлей и инвестированием как с применением автоматизированных систем (советники, роботы и др.), ровно как и тем, кто всё это делает и принимает решение вручную.

Прежде чем я перейду к самой статье, хочу сделать пару вводных. Приветствуется здоровая критика и замечания. Ценны данные по сравнительной эффективности ВАШИХ торговых роботов, советников и всех иных систем, которые позволяют более эффективно торговать или инвестировать. В этой статье будут приложены скрипты и датасеты инструментов, чтобы при необходимости могли самостоятельно провести проверку или сравнить эффективность представленных здесь алгоритмов с вашими.

Цели

Давайте определимся с целями. Не будем обманывать друг друга и себя, каждый, кто торгует или инвестирует на фондовых рынках, делает это с целью получения прибыли. Все делают это разными средствами в меру своего понимания и возможностей, не неизменно одно желание — заработать, вернуть инвестиции, преумножить богатства на столько, на сколько это возможно в принципе.

Но сколько вы можете заработать? Давайте возьмём пример одной наиболее вкусных компаний (с точки зрения роста).

Рис. 1. Месячный график котировок компании Apple (AAPL), nasdaq

Посмотрите на надкусанное яблоко (рис. 1), казалось бы, всё хорошо. Тот кто вложил в компанию десять лет назад, десятикратно умножил свой капитал.

Но здесь есть можно выделить два глобальных нюанса.

Первый. Такое бывает на всегда.

Рис. 2. Недельный график котировок компании Helmerich & Payne (HP), NYSE

Может быть например такое, как у компании HP(рис. 2), когда вы ничего не заработаете.

Рис. 3. Недельный график котировок компании MRC Global (MRC), NYSE

Или может быть вот так как на рис.3 с компанией MRC. Вложившись во что-то вы еще не скоро получите возврат своих инвестиций, если вообще их получите.

Но каждый хочет зарабатывать или как минимум быть не убыточным, в том числе и на таких компаниях. И здесь возникает второй нюанс, который можно назвать одним словом – возможности. И эти возможности заключаются в торговле на волатильности (волнах и колебаниях финансового инструмента).

Возможности

В данной статье мы будем рассматривать волатильность на дневном таймфрейме, хотя вы понимаете, что можно взять любой таймфрейм (недельный, часовой, минутный), и вы на нём увидите волатильность.

В качестве примера возможности разберем опять же надкусанное Яблоко (AAPL).

Рис. 4. Разметка волатильности компании Apple (AAPL), nasdaq по стохастику: зелёное – рост волны, красное – падение волны

Взгляните на рис. 4, торговля на волатильности рождает возможности, когда вы покупаете дешевле и продаёте дороже преумножая своё капитал.

Если рассматривать данный вид разметки, то теоретически, торгуя в LONG на данном финансовом инструменте вы максимально можете преумножить свой капитал в 1,386.47 раз. Почувствуйте разницу. 10 раз с точки зрения инвестиционной доходности и потенциальные 1,386.47??

Разметить данные и отрабатывать можно разную волатильность. Можно брать более большие волны и более мелкие. Взгляните еще раз на рис. 4, на нём большое количество пробелов, связанных с торговлей по тренду при открытии позиции в LONG (то есть, нет смысла покупать, если яблоко падает). Но тем не менее, это не значит что в данных точках отсутствует волатильность, которую мы можем отработать. Поэтому, мы рассматриваем в качестве возможности в наших рассуждением волатильность не по стохастику, а меньше. В идеале, желательно забрать каждую волну на которой можно заработать (рис. 5).

Рис. 5. Разметка волатильности (все волны) компании Apple (AAPL), nasdaq: зелёное – рост волны, красное – падение волны

Рис. 6. Итоговая разметка волатильности (все волны) компании Apple (AAPL), nasdaq: зелёное – рост волны, красное – падение волны

Из рис. 6. видно, что теперь мы можем забрать практически всё, что даёт рынок. При таком подходе на Apple, потенциально можно умножить свой портфель в 76,330.31 раз. Сравните цифры инвестиционной доходности 10 раз и потенциальной торговой в 76,330.31 раз. Чувствуете разницу? И это я даже не напоминаю про то, что эти 10 раз еще нужно получить, ведь как было показано выше, компании то есть разные. И часть из них падает.

ВАЖНО! Здесь есть важный нюанс. Вы должны понимать, что то, что представлено выше это недостижимый идеал. Хотя бы потому, что вы не можете ловить оптимальные точки входа/экстремумы. Даже при том условии, что вы способны детектировать все волны, в лучшем случае вы можете забрать доходность при смещении точки входа и выхода на 1 бар.

В последующих рассуждениях мы будет рассматривать два вида потенциальной доходности. Как максимальная (теоретически недостижимый идеал), так и доходность при смещении точки входа и выхода на 1 бар.

Торговые алгоритмы

Прежде чем мы перейдем к нейронным сетям, сначала определимся с торговыми алгоритмами.

За базу для сравнения были выбраны простые торговые алгоритмы на основании EMA, Стохастик, MACD. Торговые алгоритмы выполнены в пакете TSLab, и скачать их можно здесь.

Вид торговли: LONG(везде будем покупать и только покупать).

Рис. 7. Пример торгового алгоритма в TSLab (картинка с просторов интернета)

Табл. 1

Перечень алгоритмов для сравнения

Стоп лосс фиксированный, %: 10.

Ниже, в качестве примера, приведены скриншоты результатов исследований. Сами результаты будут ниже в другом разделе.

Рис. 8. Скриншот результатов исследований алгоритма EMA9_EMA20 на инструменте AJG

График результатов на рис. 8 состоит из 2-х частей. Верхняя часть отображает сделки по инструменты, нижняя часть накопленная доходность в результате торговли.

Рис. 9. Скриншот результатов доходности алгоритма EMA9_EMA20 на инструменте AJG

Также результаты исследований представлены на графике, рис. 9. Здесь отображается линия котировок (синий цвет), которая позволяет оценить инвестиционную доходность. Конкретно в данном случае она составляет 125%. А также показана доходность торгового алгоритма (выделено зеленым цветом). Конкретно в данном случае доходность алгоритма при торговле одной акцией 82,99%. Как видно сам торговый алгоритм не дотягивает до инвестиционной доходности в данном случае, но забирает неплохую долю.

База для сравнения

Теперь когда мы определились с торговыми алгоритмами, давайте определимся с какими компаниями мы будем проводить сравнение.

В качестве базы для сравнения будет выступать портфель из следующих компаний (рынок NASDAQ): AJG, ARCC, BKR, FTI, HP, INTC, OXY.

Всего 8 финансовых инструментов.

Данные компании выбраны таким образом, чтобы наше сравнение было более интересным.

Рис. 10. Недельный график компании AJG

Рис. 11. Недельный график компании FTI

Портфель был подобран так, чтобы в нём были разнородные компании, как растущие, так и падающие, для большей релевантности оценки.

Даты оценки: с 11 ноября 2012 года по 11 ноября 2021 года.

Компании будут оцениваться на девятилетнем промежутке.

Датасеты для TSLab можно скачать здесь.

Нейронные сети

За основу торгового алгоритма на нейронных сетях были взяты LSTM нейронные сети. Обучение проходило на более чем 10 000 финансовых инструментах, что в годах составило более 100 тысяч лет данных.

Целью обучения нейронных сетей состояло формирование такого алгоритма, который бы был способен торговать с максимальной доходностью так, как это указано на рис. 5 и 6.

В основу факторов обучения были положены факторы технического анализа с общим числом факторов более 2000 шт.

Точность работы и отсутствие переобучения нейронных сетей контролировали по среднеквадратичному отклонению.

Рис. 12. Пример данных среднеквадратичного отклонения по результатам одного из исследований

Сами результаты работы нейронных сетей представляли в следующем виде:

Рис. 13. Результаты работы нейронных сетей для компании AJG (управляющие сигналы)

На рис. 13 приведены несколько графиков, по которым можно получить некоторое представление о сигналах, формируемых нейронной сетью:

- Начнём со второй сверху линии, показанной синим цветом. Это ожидаемое поведение нейронной сети, которое мы хотим получить.

- Самый верхний график (оранжевый) – это результат расчёта нейронной сети.

- Зелёный и красный графики снизу это математически преобразованные расчётные сигналы нейронной сети в управляющие сигналы для торгового робота. Они отличаются алгоритмами преобразования. За основу расчёта в дальнейшем мы будем брать самый нижний график (красный), работающий на основе распределения Гаусса.

Если рассматривать каждый сигнальный график в отдельности, то у управляющих сигналов есть 3 состояния: держать, покупать и продавать.

+1 = покупка.

- 1 = продажа.

Рис. 14. Сигналы покупки и продажи

Рис. 15. Результаты работы нейронных сетей для компании AJG (доходность)

По итогам бэк теста можно получить следующие графики доходности:

А) Два центральных графика – это ожидаемая доходность (максимальная и труднодостижимая). Оранжевый график – потенциальная доходность без смещения, зеленый график – со смещением на 1 день.

Б) Графики сверху и снизу – это показатели доходности нейронной сети.

Здесь же я сразу отмечу, что на графиках показана доходность, которая рассчитывается как соотношение «Цены Закрытия» и «Цены открытия». То есть, во сколько раз вы умножитесь за один раз торгов.

Всё что выше чёрной линии (рис. 15), то есть положительная доходность, всё что ниже – отрицательная.

По результатам исследований получали данные как накопленной доходности, так и доходности при торговле фиксированным объемом акций на всём промежутке торгов (мы обозначим как доходность при торговле 1 акцией).

Результаты исследований

Я еще раз обращаю внимание, исследования проводились ТОЛЬКО при торговле в Long!

По итогам исследований доходности каждой акции и торгового алгоритма, результаты заносили в таблицу Excel и вычисляли среднее значения контролируемых показателей. Таблицу со всеми результатами можно скачать здесь.

Результаты экспериментов запротоколированы и их можно скачать ниже:

В данной статье я приведу обобщённые результаты исследований без привязки к отдельным финансовым инструментам.

Табл. 2

Обобщенные результаты экспериментальных исследований сравнительной эффективности

Выводы

Как вы видите, с точки зрения инвестиций на 9-летнем промежутке при работе с данным портфелем вы можете получить лишь незначительную прибыль. Максимум 13%.

Но если рассматривать теоретически недостижимый идеал, то вы можете получить от 300 до 22500 раз (с округлением). Что такое 0,13 и тысячи процентов?? За это стоит побороться.

Если рассматривать простые торговые алгоритмы из рассматриваемых в данной статье, то лучше всего показали себя на чистом стохастике, MACD и на EMA небольших периодов. При использовании этих алгоритмов вы способным удвоить свой капитал.

Однако здесь следует отметить следующее. Не все торговые алгоритмы показывают себя хорошо. Плюс к этому эффективность алгоритмов очень сильно отличается как по времени, так и в зависимости от финансового инструмента. Поэтому, не факт, что взяв эти алгоритмы вы сможете опередить инвестиционную доходность на другом портфеле.

Нужно понимать, что можно как выиграть, так и проиграть.

Но если сравнивать торговые алгоритмы и инвестиционную доходность, то они не идут ни в какое сравнение с эффективность нейронных сетей.

Взгляните, вы можете на данном портфеле с применением нейронных сетей умножиться в 600 раз. Что такое 1,3 или даже 2 раза по сравнению с тем, что можно получить??

Здесь же я хочу отметить важный момент. Потенциальная доходность по разметке со смещением в 1 день составляет порядка 300. А мы получили 600. Это связано с тем, что нейронная сеть МОЖЕТ ловить экстремумы. То есть, входить и выходить наивыгоднейшим образом без смещенияотносительно локальных минимумов и максимумов.

Рис. 16. Сигналы нейронной сети

Линиями я обозначил отсутствие смещения, хотя это видно и в правой части графика.

Ресурсы

Для тех, кто не занимался нейронными сетями, но хотел бы посмотреть в эту сторону хочу сказать несколько вещей. Торговые алгоритмы проще и менее ресурсоёмкие чем нейронные сети. Разработка торговых роботов с одной стороны это сложный и наукоёмкий процесс, а с другой стороны он ресурсоёмкий. Если для того, чтобы торговый и инвестиционный советник мне прошелся по десяти тысячам акций на основании анализа технических индикаторов мне нужно пару-тройку дешманских серверов, то на нейронных сетях, к сожалению, простотой не отделаешься. Даже исключая затраты на подготовку данных, например, расчёт по одному финансовому инструменту по вышеуказанным в статье нейронным сетям на моём компьютере ведется 4 минуты. То есть, если у вас есть 10 000 акций, то лично я бы на своём компьютере месяц только 1 раз их всех смог обойти. Соответственно, для мониторинга рынка и адекватной работы нейронных сетей вам нужен небольшой ЦОД. И к этому нужно тоже быть готовым.

Технологический стэк

Два слова хотелось бы сказать о технологическом стеке.

Исследование алгоритмов разметки проводили с применением: TypeScript, Angular2+, HighCharts.

Торговые алгоритмы: TSLab 2.1.

Источник датасета для торговых алгоритмов: Финам.

Источник датасета для нейронных сетей: Yahoo.

Формирование датасета: микросервисы на Node.JS.

Нейронные сети: python/tensorflow 2/keras.

Два слова о себе. Я являюсь основателем стартапа по предиктивной аналитике международных финансовых рынков на базе нейронных сетей finprophet.com. Мне интересна тематика автоматизированного принятия решений по торговле и инвестированию, в том числе с применением нейронных сетей. Считаю, что за этой технологией будущее. Если у кого то будет желание пообщаться, можно писать мне здесь или по контактам, указанным ниже.

Контакты:

Всех благ, побед и

успехов на фондовых

рынках!

0
121 комментарий
Написать комментарий...
Данила Овечкин

Доходность без учета издержек (комиссии брокера, биржи, проскальзывание, bid-ask spread)?

Ответить
Развернуть ветку
Аполлон Степанов
Автор

Что касается проскальзывания, то на мой взгляд, его имеет смысл учитывать как фактор при сравнении систем внутридневной торговли. В таких случаях величина проскальзывания по отношению к волатильности достигает значимых величин. Когда вы отрабатываете недельную и месячную волатильность, то проскальзывание на доли процентов не существенно.

Например, в ряде исследований я даже исключал совсем малые волны. И при этом их амплитуда варьировалась от 5 до 7%. Проскальзывание в 0,1-0,3% по сравнению с волательностью на данном таймфрейме на мой взгляд тоже не существенно.

Приведу пример. Вот компания Американ аирлайнс с трёхчасовым графиком и приведенными к дневным индикаторами. Последняя волна 17+% доходности.

Также хочу отметить, что всё это не существенно в целом по сравнению с конечной эффективностью робота на нейронных сетях.

Да, может быть это важно на других торговых системах, когда их эффективность низка, но когда ты можешь брать большую часть волны, то на мой взгляд нет смысла думать о вещах, которые всегда будут. Это неизбежность. Комиссии, проскальзывание и пр. Это неизбежный фактор.

Ответить
Развернуть ветку
Аполлон Степанов
Автор

Верное замечание, но если посмотреть на тот же Финам, комиссия за трейд 0,0098%. То есть почти ноль, и становится более менее значимой при незначительных объемах торгов, когда есть минимальная комиссия.

То есть, допустим вы за трейд зарабатываете 10%, но отдаете комиссии 0,0098%. Это почти не существенная величина, на мой взгляд.

Но тем не менее, да, я согласен, что комиссию для увеличения точности расчетов необходимо учитывать.

Ответить
Развернуть ветку
Jay Green

"За базу для сравнения были выбраны простые торговые алгоритмы на основании EMA, Стохастик, MACD"
Это не торговые алгоритмы а фуфло для лудиков "научим торговать за неделю".

Ответить
Развернуть ветку
Аполлон Степанов
Автор

Со всем уважением к вам, тем не менее, на просторах интернета имеется большое количество алгоритмов на данных индикаторах.

Если у вас есть данные сравнительной эффективности ваших или иных алгоритмов, было бы интересно сравнить с тем, что приведено в статье.

Ответить
Развернуть ветку
3 комментария
Аполлон Степанов
Автор

Но в целом да, эффективность достаточно низка, согласен.

Ответить
Развернуть ветку
Денис Грачев

Добрый день, я надеюсь, вы в обучении не использовали данные за последние 9 лет, в том числе и по другим инструментам? Иначе у вас просто тест утек в трейн, и результат бесполезен

Ответить
Развернуть ветку
Аполлон Степанов
Автор

Вы говорите о переобучении нейронных сетей. Переобучение нейронных сетей детектируется расхождением точности обучающей и тестовой выборок. Приведу пример, первый рисунок в данном комментарии.
Если рассматривать текущие нейронные сети, то пример точности я привел на рисунке вы и в данном комментарии (второй рисунок). Как вы видите расхождения нет, и переобучения тоже нет.
Дело в том, что при том, что нейронные сети обучаются на больших данных, и в неё закладывается множество факторов, сама нейронная сеть по своей архитектуре я бы даже сказал маленькая. И в неё закладывается получение именно обобщенных моделей. Она просто физически не способна запомнить последовательности и прочее, чтобы исключить процесс переобучения.

Также, я в процессе исследований работаю именно с тестовой выборкой. Я понимаю, что нет никакого смысла смотреть на то, на что потенциально нейронная сеть может натренироваться.

Ответить
Развернуть ветку
Аполлон Степанов
Автор

Да, всё верно. Но как я уже сказал, это не имеет значения по ряду причин.

Если у вас есть память на 10Кб, то вы никак в неё не запишите 10Гб.
А размер нейронной сети в единицах нейроннов и того меньше. Вы неизбежно получаете обобщенную модель.

Это видно по отсутствию переобучения на данных графиков, которые я привел выше и в статье.

Вы беспокоитесь за релевантность данных и не натаскалась ли нейросеть на данные и просто показывает то, что запомнила. Но если бы так было, то графики бы это показали. Но этого нет. Переобучения нет и тупого запоминания нейросетью тоже.

+ Ко всему прочему, мы делали всё для того чтобы это не допустить. Регуляризация, дропаут были обязательны для получения именно обобщенной модели.

+ Лично я тестирую нейронные сети не по обучающей выборке. Как я уже сказал, она разделена.

+ Также я тестирую на инструментах, не входящих в обучающую выборку.

Ответить
Развернуть ветку
Денис Грачев

Вы ошибаетесь, это имеет очень больше значение
Во-первых, у вас странное представление о переобучении. Есть переобучение на трейне, а есть утечка теста в трейн, это совершенно разные и несвязанные вещи

Попробуйте обучить любую сеть на тесте, вы получите одинаковые графики лосса на трейне и на тесте (потому что датасеты совпадают), по вашей логике это значит, что переобучения нет. Его и правда нет, но есть лик, значит результатам доверять нельзя

В задачах временных рядов абсолютно всегда нужно делать сплит по времени!!! Нельзя смотреть будущее, на котором вы тестируетесь.

Вот простой пример:
в 2020 году было падение весной, потом бурной рост всего рынка. У меня в обучении не было акции Apple, но зато были все остальные за этот период и модель выучила, что весной лучше все продать, подождать месяц и потом закупиться. Кстати, чтобы это выучить, вам хватит и 1 КБ, поэтому аргументы с размером не очень убедительны

Вы приводите примеры dropout и регуляризаций, это опять же про переобучение. Я рекомендую погуглить "data leakage vs overfitting". Dropout не имеет отношения к проблеме, которую я описываю

Ответить
Развернуть ветку
80 комментариев
Денис Грачев

Вопрос другой. Вы приводите результат тестирования за последние 9 лет, верно ли, что в обучающей выборке нет ни одного семпла любого (даже другого) инструмента за эти 9 лет?

Ответить
Развернуть ветку
Аполлон Степанов
Автор

Чтобы не было каких-то предрассудков, привожу результаты данных теста компании Global X MSCI China Financials ETF. Данная компания не входила в обучающую выборку.

Взгляните на графики управляющих сигналов и доходности. Всё очень и очень достойно. И как я уже сказал, данная компания не входила в обучающую выборку, а такие высокие результаты получены благодаря получению именно обобщенной модели. Факторы я привёл в комментарии ниже.

Итоговая доходность по данному инструменту:
Общая доходность по размеченным данным: [9520.]
Общая доходность по размеченным данным со смещением на 1 день: [244.1]
Общая доходность по рассчётным данным по разметке: [308.]
Общая доходность по рассчётным данным по сандартному отклонению: [308.]
Инвестиционная доходность, позиция Long: [9.77]
Доходность на одну акцию размеченным данным: [10.664]
Доходность на одну акцию по размеченным данным со смещением на 1 день: [6.812]
Доходность на одну акцию по рассчётным данным по разметке: [7.047]
Доходность на одну акцию по рассчётным данным по сандартному отклонению: [7.047]

Инвестиционная доходность порядка х10, и доходность нейронной сети х300+.

Как я уже сказал, по данным не входящим в обучающую выборку.

При необходимости и желании, я могу привести результаты тестов и на других компаниях.

Ответить
Развернуть ветку
Аполлон Степанов
Автор

Ответил ниже.

Ответить
Развернуть ветку
Аполлон Степанов
Автор

В статье приведены только бек тесты. Данные получены получены с API яху, то есть в сущности в режиме реального времени с задержкой в 15 минут.

В живую я только приступаю к тестированию нейронной сети. К сожалению это невозможно сделать в автоматическом режиме в связи с ресурсоёмкостью операций формирования управляющих сигналов, а также рядом других причин.

Возможно после теста в боевых условиях я напишу еще одну статью.

Что касается моего личного сайта то я его просто сделал на WP за сутки не парясь. Если вы про finprophet.com, то это стартап, которому еще развиваться и развиваться.

Ответить
Развернуть ветку
Metr Metro

"За основу торгового алгоритма на нейронных сетях были взяты LSTM нейронные сети. Обучение проходило на более чем 10 000 финансовых инструментах, что в годах составило более 100 тысяч лет данных."

А каким образом подавались на вход различные фин.инструемнты для обучения LSTM, все данные просто склеивались в один временной ряд (100тыс.лет?) или проводилось последовательное дообучение модели для каждого фин.инстурмента?

Ответить
Развернуть ветку
Аполлон Степанов
Автор

Там было всё интереснее. Обучать на каждом инструменте в отдельности бессмысленно, так как нейронная сеть просто адаптируется к каждому новому инструменту, что не даёт сформироваться обобщённой модели. Но и целиком подавать на вход тоже нельзя в связи с большим объемом данных. Просто не хватит ресурсов для работы. Там пишется генератор, которые на основании обобщённой выборки формирует небольшие кусочки, которые подаются на вход нейронной сети.

Ответить
Развернуть ветку
2 комментария
Максим Барулин

Два вопроса, если позволите:
1 - подскажите ссылки на датасеты (желательно бесплатные)
2 - какая именно архитектура 6а основе lstm использовалась? Какая-то из стандартных или своя?

Ответить
Развернуть ветку
Аполлон Степанов
Автор

Я датасеты беру из finance.yahoo. Посмотрите, есть открытые модули бесплатно тащить данные как для JS, так и для python.

Если вам нужны датасеты для TSlab или какие-то другие простые датасеты котировок с биржи, то можно воспользоваться сервисом загрузки данных с Финам. Также у меня в finprophet.com тоже есть какой-то сервис, но я не уверен, что он достаточно хорошо работает. Хотя попробовать можете. Там тоже бесплатно.

Нейронные сети у меня собственной архитектуры.

Ответить
Развернуть ветку
Аполлон Степанов
Автор

Что касается архитектуры, то я вам так скажу, там главное логика, которая лежит в основе гипотезы, которую вы реализуете. Если вы пытаетесь натянуть какие-то архитектуры на вашу гипотезу в этом нет смысла. Вы должны понять суть того что вы хотите получить, какими инструментами, и что этот инструмент должен делать для реализации ваших целей.

Ответить
Развернуть ветку
Pimchenko Vadim

Текущая нейронная сеть работает на реалтайм данных и реальных деньгах?Какакие результаты?

PS: надеюсь нейронки вы пишите лучше, чем делаете свой сайт :)

Ответить
Развернуть ветку
Сергей Крюков

Регистрация на сайте не работает. :-(

Ответить
Развернуть ветку
Аполлон Степанов
Автор

Спасибо за информацию. Проверьте сейчас.

Ответить
Развернуть ветку
2 комментария
Аполлон Степанов
Автор

Если кому-то интересно, вот данные результатов исследований эффективности алгоритма нейронной сети на валютной паре USD RUB.

Данная валютная пара не входила в обучающую выборку.

А вот результаты:

Общая доходность по размеченным данным: [161.2]
Общая доходность по размеченным данным со смещением на 1 день: [22.75]
Общая доходность по расчётным данным по разметке: [17.05]
Общая доходность по расчётным данным по стандартному отклонению: [17.05]
Инвестиционная доходность, позиция Long: [2.268]
Доходность на одну акцию размеченным данным: [6.402]
Доходность на одну акцию по размеченным данным со смещением на 1 день: [4.332]
Доходность на одну акцию по расчётным данным по разметке: [4.07]
Доходность на одну акцию по расчётным данным по стандартному отклонению: [4.07]

Ответить
Развернуть ветку
Аполлон Степанов
Автор

Если кому-то интересно, вот данные результаты исследований эффективности торговли данного нейросетевого алкоритма на криптовалюте. Криптовалютная пара BTC-USD.

Данная криптовалютная пара также не входила в обучающую выборку и будет интересным и показательным опытом, оценивающим работоспособность и обобщенность модели нейронной сети.

Ответить
Развернуть ветку

Комментарий удален модератором

Развернуть ветку
Аполлон Степанов
Автор

В данном случае не используется предиктивная аналитика. Вы не понимаете суть того, что представлено, и поэтому делаете неверные выводы.

Ответить
Развернуть ветку
Аполлон Степанов
Автор

И да, нейронная сеть не запоминает последовательности временных рядов. И не делает много других вещей. Она и не должна это делать. Многие люди, которые пишут, просто не понимают суть, задают неверные вопросы и делают ошибочные выводы.

Ответить
Развернуть ветку
7 комментариев
Аполлон Степанов
Автор

В данном случае не используется предиктивная аналитика. Вы не понимаете суть того, что представлено, и поэтому делаете неверные выводы.

Ответить
Развернуть ветку

Комментарий удален модератором

Развернуть ветку
4 комментария
Максим
Обучение проходило на более чем 10 000 финансовых инструментах, что в годах составило более 100 тысяч лет данных.

Вы не могли бы объяснить эту цитату? Для получения прогноза по 1 финансовому инструменту в вашей нейросети используются данные многих разных?

Ответить
Развернуть ветку
Ilya Elper

Насчёт дискуссии о обучающей и тестовой выборке я вам скажу так есть на рынке такое понятие как общий тренд , это значит что если я учу модель то должна быть конечная дата и с этой даты начнётся тест . Не корректно использовать в обучение даты которые учавствуют в тесте неважно какая это акция .
А насчёт стратегий с которыми вы сравниваете это простейшие стратегии , попробуйте сравнить с Ichimoku

Ответить
Развернуть ветку
Читать все 121 комментарий
null