#mql5 — посты и обсуждения
3 доступных поста
Как меняется Equity, если “учитель” (ИИ DNN LSTM) будет менее дерганным
Раннее писал о том, как наконец запустил обучение нейронных сетей в связке Metatrader+dll+R+Python+(Deepnet, Keras, Tensorflow и др).
Раз все теперь работает корректно, можно продолжить эксперименты.
В предыдущий раз, я использовал более менее дефолтные настройки, которые уже не раз запускал для отладки работы самих алгоритмов и технологической связки.
Настало время немного “подкрутить” параметры. Для иллюстрации, того, как изменится кривая Equity изменим параметры учителя немного, а именно сделаем два канала и синхронизируем их. Все, что не удалось синхронизировать в одинаковую сторону сигналы двух каналов, обозначим, как NA и в последствии уберём из обучающей выборки.
Период, принципы торговой системы (ТС) из предыдущей статьи и другие параметры сетей изменять не будем (пример №1 из предыдущей статьи).
Был запущен дополнительный вариант тестирования, при котором позиция закрывалась на следующем баре, если не достигла заданного TP. Посмотрим, что получилось.
Прокомментировать
733
Суслик есть или нет. Сравнение RSI, Random и ИИ (ML DL DNN LSTM) в трейдинге
Именно такое название хотелось обозначить и закрыть свой “гештальт” в вопросе целесообразности (эффективности) использования каких либо “индюков” (индикаторы) или ML/DL при предсказании (найти в хаосе тренд) будущей цены на валютных парах.
Наверное, много, кто “гонял” оптимизатор и история, чтобы найти оптимальные параметры на какой-то срок, потом круг повторялся, когда все ломалось. Мне надоело, так делать и мне хотелось, чтобы механизм нейронных сетей (ML/DL) делал это за меня и за тестер. Так, начал свой “ресерч” (мне было очень интересно сравнить разные сигналы в одинаковых условиях ТС), потом забрасывал на годы, потом пересматривал и вот наконец, все таки, “добил” и оно “заработало”.
Предлагаю выбрать (LSTM, DNN_v1, RSI, DNN_v2, Random) и написать свой ответ в комментариях, какому варианту результата соответствует данный график Equity:
Прокомментировать
552
Первый опыт с облигациями (вручную)
После всех попыток "угадать рынок" я решил попробовать другой подход.
Без прогнозов.
Без сигналов.
Без попытки поймать движение.
Просто облигации.
Сначала всё выглядело очень просто:
открыл список бумаг
посмотрел доходности
выбрал несколько
купил
Первый инструмент подбора бумаг, конечно был #Смартлаб! Большое спасибо за эту возможность.
Набрал бумаг (в основном ОФЗ, стремно же что-то другое) по доходностям и стал ждать. Казалось, что это вообще не про сложность, все просто. Но через некоторое время началось интересное.
Я увидел, что портфель ведёт себя странно:
купоны приходят неравномерно
в какие-то месяцы пусто
потом сразу несколько выплат
погашения скапливаются
И самое неприятное: часть денег просто лежит без дела. Я тогда еще не знал про фонды ликвидности и как заниматься ребалансировкой.
Я начал записывать всё вручную:
таблицы
даты
суммы
сроки
Первые попытки что-то рассчитать выглядели, как минимум уныло. В окружении не было никого, чтобы попросить дельный совет.
Пытался выстроить какую-то логику. Но чем больше облигаций становилось, тем сложнее было это держать в голове.
И вот тогда впервые появилась мысль: проблема не в том, какие облигации я выбрал, а проблема в том, что у портфеля нет структуры. Никакой структуры: ни по долям, ни по датам погашения или выплате купонов, ни по рейтингам ("что это и зачем?").
Это был момент, когда я начал смотреть на облигации не как на отдельные бумаги, а как на систему.
И с этого начались крутится мысли, как бы так сделать, чтобы:
1) желательно автоматизировать подбор - первая техническая задача оптимизировать "операционку" (технический трек: #MQL5 -> #JupyterLab -> #Python -> ....).
2) на полученные "заработки" съездить в Санкт-Петербург на #Смартлаб конференцию (тогда это был 2024 год) - первая финансовая цель, "зачем я это делаю"
3) познакомиться с профессионалами, подчерпнуть опыт и постараться применить
4) составить график регулярных действий с портфелем - первое практическое применение дисциплины в "личных" / "шкурных" интересах
Пример автоматизации подбора ОФЗ в #JupyterLab
Прокомментировать
1.3K