मैंने ट्रेडिंग रणनीतियों पर एक आधिकारिक किताब पढ़ी और अपना ट्रेडिंग रोबोट लिखा। मेरे आश्चर्य के लिए, रोबोट लाखों नहीं लाता है, यहां तक ​​कि वस्तुतः व्यापार भी। कारण स्पष्ट है: एक रेसिंग कार की तरह एक रोबोट, एक विशिष्ट बाजार के लिए एक विशिष्ट समय अवधि के लिए अनुकूलित मापदंडों का चयन करने के लिए, "ट्यून" होने की आवश्यकता है।

चूंकि रोबोट में पर्याप्त सेटिंग्स हैं, इसलिए सबसे अच्छा, बहुत समय लेने वाले कार्य की तलाश में अपने सभी संभावित संयोजनों पर पुनरावृत्ति करना। एक समय में, अनुकूलन समस्या को हल करते हुए, मुझे ट्रेडिंग रोबोट के मापदंडों के अर्ध-इष्टतम वेक्टर के लिए खोज एल्गोरिथ्म का एक उचित विकल्प नहीं मिला। इसलिए, मैंने स्वतंत्र रूप से कई एल्गोरिदम की तुलना करने का फैसला किया ...

अनुकूलन समस्या का संक्षिप्त विवरण

हमारे पास एक ट्रेडिंग एल्गोरिदम है। इनपुट डेटा - अवलोकन के 1 वर्ष के लिए प्रति घंटा अंतराल का मूल्य इतिहास। आउटपुट डेटा - पी - लाभ या हानि, स्केलर मूल्य।

ट्रेडिंग एल्गोरिथ्म में 4 विन्यास योग्य पैरामीटर हैं:

1. Mf "तेज़" चलती औसत की अवधि है,
2. "धीमी" चलती औसत की सुश्री अवधि
3. टी - टेकप्रोफिट, प्रत्येक व्यक्तिगत लेनदेन के लिए लक्ष्य लाभ स्तर,
4. एस - स्टॉपलॉस, प्रत्येक व्यक्तिगत लेनदेन के लिए लक्ष्य हानि स्तर।

हम प्रत्येक पैरामीटर के लिए प्रत्येक श्रेणी के लिए 20 मानों की श्रेणी और एक निश्चित परिवर्तन चरण असाइन करते हैं।

इस प्रकार, हम इनपुट डेटा के एक सरणी पर एक पैरामीटर के लिए अधिकतम लाभ (पी) की खोज कर सकते हैं:

1. एक पैरामीटर को बदलना, उदाहरण के लिए, P = f (Ms), 20 बैकटैस्ट तक का उत्पादन,
2. दो मापदंडों को बदलते हुए, उदाहरण के लिए, P = f (Ms, T), जो 20 * 20 = 400 बैकस्ट का उत्पादन करता है,
3. तीन मापदंडों को बदलते हुए, उदाहरण के लिए, P = f (Mf, Ms, T), जो 20 * 20 * 20 = 8,000 बैकस्टेज तक उत्पादन करता है,
4. मापदंडों में से प्रत्येक को अलग करते हुए, पी = एफ (एमएफ, एमएस, टी, एस) और 20 ^ 4 = 160,000 बैकस्टेस तक का उत्पादन।

अधिकांश ट्रेडिंग एल्गोरिदम के लिए, हालांकि, एकल परीक्षण करने के लिए परिमाण के कई आदेशों में अधिक समय लगता है। जो हमें संभावित संयोजनों के पूरे सेट पर पुनरावृति करने की आवश्यकता के बिना मापदंडों के एक अर्ध-इष्टतम वेक्टर को खोजने के कार्य की ओर ले जाता है।


ट्रेडिंग रोबोट के बारे में अधिक जानकारी निम्नलिखित स्पॉइलर में मिल सकती है:


हम डिजिटल फिल्टर के अर्ध- इष्टतम मूल्य के लिए तीन खोज एल्गोरिदम पर विचार करेंगे। प्रत्येक एल्गोरिथ्म के लिए, हम 40 परीक्षणों (400 संभावित संयोजनों में से) की एक सीमा निर्धारित करते हैं।

मोंटे कार्लो विधि

या N के समान सेटों के बीच से M असंबद्ध वैक्टर का एक यादृच्छिक चयन। विधि संभवतः सबसे सरल संभव है। हम इसे अन्य अनुकूलन विधियों के साथ तुलना के लिए शुरुआती बिंदु के रूप में उपयोग करेंगे।

उदाहरण 1

चार्ट प्रति घंटा मूल्य माप के इतिहास के वार्षिक खंड पर प्राप्त पैरामीटर मूल्य पर - "धीमी" चलती औसत (एम) की अवधि के आधार पर प्राप्त हमारे ट्रेडिंग रोबोट ट्रेडिंग EURUSD के लाभ (पी) की निर्भरता को दर्शाता है। अन्य सभी पैरामीटर निश्चित हैं और अनुकूलित नहीं हैं।



CF (लाभ) बिंदु M = 12. पर अधिकतम 0.27 तक पहुँच जाता है। लाभ के अधिकतम मूल्य की गारंटी देने के लिए, हमें परीक्षण के 20 पुनरावृत्तियों का संचालन करने की आवश्यकता है। एक विकल्प यह है कि एक ट्रेडिंग रोबोट के परीक्षणों की एक छोटी संख्या का संचालन करना है, जो अंतराल पर एम के यादृच्छिक रूप से चयनित मूल्य के साथ है [९, २०]। उदाहरण के लिए, 5 पुनरावृत्तियों (परीक्षणों की कुल संख्या का 20%) के बाद, हमने मापदंडों का एक अर्ध-इष्टतम वेक्टर (वेक्टर, स्पष्ट रूप से, एक-आयामी) पाया: एम = 18 सीएफ (एम) के मान के साथ 0.18 के बराबर:



हमारे अनुकूलन एल्गोरिथ्म से ग्राफ पर शेष मूल्य "युद्ध के कोहरे" द्वारा छिपे हुए थे।

हमारे ट्रेडिंग रोबोट के चार मापदंडों में से एक का अनुकूलन, शेष मापदंडों के निश्चित मूल्यों के साथ, हमें पूरी तस्वीर को देखने की अनुमति नहीं देता है। शायद अधिकतम 0.27 सीएफ सूचक का सबसे अच्छा मूल्य नहीं है, यदि आप अन्य मापदंडों के मूल्य को बदलते हैं?



यह है कि अंतराल पर 0.2PFit पैरामीटर के विभिन्न मूल्यों के लिए चलती औसत अवधि में लाभ की निर्भरता कैसे बदलती है [0.2] - 0.8]।

मोंटे कार्लो विधि: दो मापदंडों का अनुकूलन

दो मापदंडों पर एक ट्रेडिंग रोबोट के लाभ की निर्भरता रेखांकन को सतह के रूप में दर्शाया जा सकता है:



दो अक्षों के मान टी (टेकप्रोफिट) और एम (मूविंग एवरेज की अवधि) के मान हैं, तीसरा अक्ष लाभ मूल्य है।

हमारे ट्रेडिंग रोबोट के लिए, एक वर्ष के डेटा अंतराल (यूएस डॉलर के खिलाफ यूरो के ~ 6000 प्रति घंटा उद्धरण) पर 400 परीक्षण करने के बाद, हम फॉर्म की एक सतह प्राप्त करते हैं:



या, विमान पर जहां वित्तीय परिसंपत्तियों (लाभ, पी) के मूल्यों को रंग द्वारा दर्शाया गया है:



विमान पर मनमाने ढंग से अंक चुनना, इस उदाहरण में, एल्गोरिथ्म को इष्टतम मूल्य नहीं मिला, लेकिन इसके बहुत करीब मिला:



अधिकतम CF खोजने में मोंटे कार्लो विधि कितनी प्रभावी है? उपरोक्त उदाहरण से स्रोत डेटा पर अधिकतम CF की खोज करने के 1,000 पुनरावृत्तियों के संचालन के बाद, मुझे निम्नलिखित आँकड़े मिले:

• 1,000 ऑप्टिमाइज़ेशन पुनरावृत्तियों (400 संभावित संयोजनों के मापदंडों [एम, टी] के 40 यादृच्छिक वैक्टर) के दौरान पाए गए डीएफ की अधिकतम कीमत का औसत मूल्य डीएफ (0.279) के वैश्विक अधिकतम का 0.231 या 95.7% था।

जाहिर है, ट्रेडिंग रोबोटों के पैरामीट्रिक अनुकूलन के तरीकों की तुलना में, एक नमूना एक संकेतक नहीं है। लेकिन अभी के लिए, यह आकलन पर्याप्त है। हम अगली विधि के लिए आगे बढ़ते हैं - ढाल वंश विधि।

क्रमिक वंश विधि

औपचारिक रूप से, जैसा कि नाम से पता चलता है, विधि का उपयोग न्यूनतम DF के लिए खोज करने के लिए किया जाता है।
विधि के अनुसार, हम निर्देशांक [x0, y0, z0, ...] के साथ शुरुआती बिंदु का चयन करते हैं। एक पैरामीटर के अनुकूलन के उदाहरण पर, यह एक यादृच्छिक रूप से चयनित बिंदु हो सकता है:



निर्देशांक [5] और 148 के एक DF मूल्य के साथ। निम्नलिखित तीन सरल चरण हैं:

1. वर्तमान स्थिति (149 और 144) के आसपास के क्षेत्र में सीएफ मूल्यों की जाँच करें
2. सबसे छोटे CF मान के साथ इस बिंदु पर जाएं
3. यदि यह अनुपस्थित है, तो एक स्थानीय एक्सटम पाया जाता है, एल्गोरिथ्म पूरा हुआ

DF को दो मापदंडों के एक फ़ंक्शन के रूप में अनुकूलित करने के लिए, हम एक ही एल्गोरिदम का उपयोग करते हैं। यदि पहले हमने सीएफ की गणना दो पड़ोसी बिंदुओं पर की थी $$$[x_ {i-1}], [x_ {i + 1}]$ , अब हम 4 अंक की जाँच करते हैं:

$$

$$[x_ {i-1}, y_i], [x_ {i + 1}, y_i], [x_i, y_ {i-1}], [x_i, y_ {i + 1}] $$$

विधि निश्चित रूप से अच्छा है जब एक परीक्षण अंतरिक्ष में एक DF में केवल एक चरम है। यदि कई एक्स्ट्रामा हैं, तो वैश्विक एक्सट्रीम खोजने की संभावना को बढ़ाने के लिए खोज को कई बार दोहराना होगा:



हमारे उदाहरण में, हम अधिकतम DF की तलाश कर रहे हैं। एल्गोरिथ्म की परिभाषा के भीतर रहने के लिए, हम मान सकते हैं कि हम न्यूनतम "माइनस डीएफ" की खोज कर रहे हैं। सभी एक ही उदाहरण, चलती औसत की अवधि और टेकपॉफिट मूल्य, एक पुनरावृत्ति की अवधि के रूप में एक ट्रेडिंग रोबोट का लाभ:



इस मामले में, एक स्थानीय चरम सीमा पाई गई जो वैश्विक सीएफ के अधिकतम से दूर है। ग्रेडिएंट डिसेंट विधि द्वारा एफएस की चरम सीमा के लिए खोज के कई पुनरावृत्तियों का एक उदाहरण, एफएस के मूल्य की गणना 40 बार (400 में से 40 अंक संभव है):



अब, हम मोंटे कार्लो और ग्रेडिएंट डेसिमल एल्गोरिदम का उपयोग करते हुए अपने प्रारंभिक डेटा पर सीएफ (लाभ) के वैश्विक अधिकतम के लिए खोज करने की दक्षता की तुलना करते हैं। प्रत्येक मामले में, 40 परीक्षण किए जाते हैं (सीएफ गणना)। प्रत्येक विधियों द्वारा 1,000 अनुकूलन पुनरावृत्तियों का प्रदर्शन किया गया:

	मोंटे कार्लो	क्रमिक वंश
सीएफ के प्राप्त अर्ध-इष्टतम मूल्य का औसत	0.231	0.200
सीएफ के अधिकतम से प्राप्त मूल्य	95.7%	92.1%

जैसा कि आप तालिका से देख सकते हैं, इस उदाहरण में, ग्रेडिएंट डीसेंट विधि अपने कार्य में बदतर है - डिजिटल संपत्ति के वैश्विक चरम के लिए खोज करने के लिए - अधिकतम लाभ। लेकिन हम इसे त्यागने की जल्दी में नहीं हैं।

ट्रेडिंग एल्गोरिथ्म का पैरामीटर स्थिरता

डिजिटल फ़िल्टर के वैश्विक अधिकतम / न्यूनतम के निर्देशांक ढूँढना अक्सर एक अनुकूलन लक्ष्य नहीं होता है। मान लीजिए, ग्राफ पर, एक "तेज" चोटी है - एक वैश्विक अधिकतम, आसपास के क्षेत्र में सीएफ का मूल्य चोटी के मूल्य से बहुत कम है:



मान लीजिए कि हमने ट्रेडिंग रोबोट की सेटिंग्स का चयन किया है जो डिजिटल परिसंपत्ति की अधिकतम पाया गया है। क्या हमें कम से कम एक पैरामीटर के मूल्य को बदलना चाहिए - चलती औसत और / या टेकप्रोफिट की अवधि - रोबोट की लाभप्रदता तेजी से गिर जाएगी (नकारात्मक हो जाएगी)। वास्तविक व्यापार के संबंध में, कोई भी कम से कम उम्मीद कर सकता है कि जिस बाजार में हमारा रोबोट व्यापार करना चाहता है वह इतिहास की अवधि से अलग होगा जिसमें हमने ट्रेडिंग एल्गोरिदम को अनुकूलित किया था।

इसलिए, जब एक ट्रेडिंग रोबोट की "इष्टतम" सेटिंग्स चुनते हैं, तो यह विचार करने के लायक है कि डीएफ के पाया चरम बिंदु के आसपास के क्षेत्र में सेटिंग्स में बदलाव के लिए रोबोट कितना संवेदनशील है।

जाहिर है, एक नियम के रूप में, ढाल वंश विधि, हमें चरम सीमा के आसपास के क्षेत्र में TF के मूल्यों को देती है। मोंटे कार्लो विधि चौकों हिट करने की अधिक संभावना है।

स्वचालित ट्रेडिंग रणनीतियों के परीक्षण के लिए कई निर्देशों में, अनुकूलन पूरा होने के बाद, यह पाया जाता है कि मानक पैरामीटर वेक्टर के आसपास के क्षेत्र में रोबोट के लक्ष्य संकेतकों की जांच करें। लेकिन ये अतिरिक्त परीक्षण हैं। इसके अलावा, क्या होगा यदि सेटिंग्स में थोड़े से बदलाव के साथ रणनीति की लाभप्रदता कम हो जाती है? जाहिर है, आपको परीक्षण प्रक्रिया को दोहराना होगा।

एक एल्गोरिथ्म हमारे लिए उपयोगी होगा, जो सीएफ के चरम पर खोज के रूप में एक ही समय में, हमें पाया गया कि चोटियों के संबंध में एक संकीर्ण सीमा में सेटिंग्स को बदलने के लिए ट्रेडिंग रणनीति की स्थिरता का आकलन करने की अनुमति देगा। उदाहरण के लिए, अधिकतम सीएफ के लिए सीधे खोज न करें

$$

$$P = f (m_i, t_i),$$

और भारित औसत मूल्य जो उद्देश्य फ़ंक्शन के पड़ोसी मूल्यों को ध्यान में रखता है, जहां वजन पड़ोसी मूल्य की दूरी के विपरीत आनुपातिक है (दो मापदंडों x, y और उद्देश्य फ़ंक्शन P का अनुकूलन करने के लिए):

$$

$$P '(x_i, y_i) = \ frac {w_i \ टाइम्स P (x_i, y_i) + w_j \ टाइम्स P (x_j, y_j) + w_k \ टाइम्स P (x_k, y_k) + ...} {w_i + w_j + w_k + ...}$$

$$

$$w_j = \ sqrt {(x_j-x_i) ^ 2 + (y_j-y_i) ^ 2}$$

$$

$$w_i + w_j + w_k + ... = 1$$

दूसरे शब्दों में, जब मापदंडों के एक अर्ध-इष्टतम वेक्टर को चुनते हैं, तो एल्गोरिथ्म "सुचारू" उद्देश्य फ़ंक्शन का मूल्यांकन करेगा:

यह था



बन गया है

"समुद्री युद्ध" की विधि

दोनों तरीकों के फायदे (मोंटे कार्लो और ढाल मूल विधि) को संयोजित करने की कोशिश करते हुए, मैंने "समुद्री युद्ध" में गेम के एल्गोरिथ्म के समान एल्गोरिथ्म की कोशिश की:

• सबसे पहले, मैं पूरे क्षेत्र में कुछ "वार" करता हूं
• फिर, "हिट" के स्थानों में मैं बड़े पैमाने पर आग खोलता हूं।

दूसरे शब्दों में, इनपुट मापदंडों के यादृच्छिक असंबंधित वैक्टर पर पहले एन परीक्षण किए जाते हैं। इनमें से, एम सबसे अच्छा परिणाम चुना जाता है। इन परीक्षणों के आसपास के क्षेत्र में (साथ ही प्रत्येक निर्देशांक के लिए मिनट 0.L) अन्य K परीक्षण किए जाते हैं।

हमारे उदाहरण के लिए (400 अंक, कुल 40 परीक्षण) हमारे पास हैं:



और फिर, अब हम 3 अनुकूलन एल्गोरिदम की प्रभावशीलता की तुलना करते हैं:

	मोंटे कार्लो	क्रमिक वंश	"सागर लड़ाई"
वैश्विक मूल्य के प्रतिशत के रूप में CF के पाए गए चरम के औसत मूल्य। 40 परीक्षण, 1,000 अनुकूलन पुनरावृत्तियों	95.7%	92.1%	97.0%

परिणाम उत्साहजनक है। बेशक, तुलना एक विशिष्ट डेटा नमूने पर की गई थी: अमेरिकी डॉलर के मुकाबले यूरो के मूल्य की एक समय श्रृंखला पर एक ट्रेडिंग एल्गोरिदम। , , , (?) — () . , .