Автоматическая оптимизация параметров для торговых стратегий с Python и MQL5

Смысл автоматической оптимизации

Представьте, что у вас есть торговый робот, на разработку которого ушло много сил. Вы с нетерпением ждете возможности увидеть его в работе и поэтому запускаете сразу без оптимизации. Вы получаете первые положительные результаты и думаете, что все в порядке. Однако вскоре что-то ломается, и вы начинаете нести потери.

Неоптимизированный робот работает нестабильно и может реагировать на нерелевантные данные, что приводит к непонятным прибылям и убыткам. Он может принимать решения на основе ложных сигналов, не учитывать изменения рынка и торговать с неоправданным риском, приводя к значительным убыткам. Оптимизация обеспечивает лучшую производительность и надежность.

В этой статье мы увидим, почему автоматическая оптимизация может быть полезна. Мы также познакомимся с различными используемыми алгоритмами и практическими примерами скриптов на Python и советников. Вы научитесь настраивать автоматическую оптимизацию, сравнивать результаты и правильно настраивать оптимизацию параметров, чтобы улучшить эффективность торговой стратегии.

Алгоритмы самооптимизации для торговых стратегий включают оптимизацию параметров, эволюционные алгоритмы, эвристические методы, градиентные методы, машинное обучение и оптимизацию на основе моделирования. Каждый из этих методов имеет свои уникальные плюсы и минусы и подходит под различные торговые потребности и рыночные условия.

Методы оптимизации параметров

1. Оптимизация методом грубой силы — тестирует все комбинации параметров для получения точных результатов, но потребляет много ресурсов.
2. Поиск по сетке — оценивает комбинации в сетке для баланса полноты и эффективности.
3. Случайный поиск — проверяет случайные комбинации для более быстрого получения результатов, жертвуя при этом точностью.

Выбор конкретного метода зависит от доступных ресурсов, времени и желаемой точности.

Зачем писать на Питоне?

Программы на Python — отличный инструмент для проверки идей, быстрого создания графиков и подтверждения теоретических утверждений историческими торговыми данными. Питон позволяет разрабатывать и корректировать модели, легче проводить эксперименты с различными стратегиями и параметрами. Возможность создания подробных графиков и визуализаций помогает более интуитивно интерпретировать результаты. Кроме того, возможность интеграции исторических данных позволяет проверить, как стратегии работали бы в прошлых сценариях, обеспечивая практическое подтверждение выдвинутых теорий. Такое сочетание скорости, гибкости и аналитических возможностей делает Python незаменимы инструментом для всех трейдеров, которые хотят оптимизировать свои стратегии и лучше понимать финансовые рынки.

Стратегия и индикаторы, используемые в этой статье

Стратегия Mobile Sox Crossing (MAs Crossing) — это торговая методика, основанная сигналах, генерируемых при пересечении двух скользящих средних. Для определения изменений ценового тренда используются две скользящие средние разных периодов: короткая и длинная. Когда короткая скользящая средняя пересекает длинную снизу вверх, формируется сигнал на покупку, указывающий на возможный бычий тренд. И наоборот, когда короткая скользящая средняя пересекает длинную сверху вниз, формируется сигнал на продажу, что указывает на возможный медвежий тренд. Эта стратегия достаточно популярна — она проста и вполне эффективна на рынках с четкими тенденциями.

Индикатор SMA (Simple Moving Average, простая скользящая средняя) рассчитывает среднюю цену актива за определенный период. Для расчета SMA суммируем цены закрытия актива за выбранный период, а затем делим на количество периодов. SMA сглаживает колебания цен и помогает определить общее направление тренда. Этот индикатор фильтрует рыночный шум и дает более четкого представления о базовой тенденции. В языке Python есть готовые библиотеки для быстрого и удобно расчета SMA, например pandas.

Оптимизация параметров с помощью Python. Пример

У нас есть по Python-скрипту для каждого метода. Мы уже рассмотрели различия каждого подхода.

Стратегия во всех трех сценариях одинакова. Если вы хотите проверить собственную стратегию, поменяйте следующий код:

    data = data.copy()  # Create a copy of the original DataFrame
    data['Short_MA'] = data['Close'].rolling(window=short_window).mean()
    data['Long_MA'] = data['Close'].rolling(window=long_window).mean()
    data['Signal'] = 0
    data.loc[data.index[short_window:], 'Signal'] = np.where(
        data['Short_MA'][short_window:] > data['Long_MA'][short_window:], 1, 0)
    data['Position'] = data['Signal'].diff()

Python достаточно прост, поэтому я не вижу необходимости объяснять этот код.

В приложении к статье вы найдете три скрипта: b forec.py, grid search v2.py и random search v2.py.

Перед их использованием необходимо установить библиотеки. Это можно сделать с использованием команды pip:

pip install numpy pandas matplotlib itertools MetaTrader5 random 

Для работы скриптов используем одинаковые входные данные:

symbol = "EURUSD"
timeframe = mt5.TIMEFRAME_D1
start = pd.Timestamp("2020-01-01")
end = pd.Timestamp("2021-01-01")

Метод грубой силы Brute Force

Best parameters: Short = 14.0, Long = 43.0
Best performance: 10014.176, Risk: 3.7431030827241524e-05

Поиск по сетке

Best parameters: Short = 14.0, Long = 43.0
Best performance: 10014.176, Risk: 3.7431030827241524e-05

Случайный поиск

Best parameters: Short = 14.0, Long = 44.0
Best performance: 10013.697, Risk: 3.725494046576829e-05

Эти скрипты не оптимизируются автоматически, поэтому придется выбирать каждый период для изучения.

Результаты во всех из них хорошие и одинаковые. Но здесь мы имели дело с простой стратегией, а в более сложных может быть больше параметров и более широкие диапазоны значений.

Как часто следует оптимизировать стратегию?

Торговую стратегию обязательно нужно оптимизировать, чтобы она оставалась эффективной с течением времени. Частота и период истории для оптимизации зависят от разных факторов, но в особенности от волатильности рынка.

Представьте, что вы разрабатываете торговую стратегию, которая работает на дневном таймфрейме, то есть каждый сигнал основан на ежедневных рыночных данных. Волатильность здесь играет важную роль: когда рынок более волатилен, движения цен становятся больше и быстрее, и это несомненно отразится на результатах работы такой стратегии.

Чтобы определить, когда проводить оптимизацию и какой ретроспективный анализ использовать, необходимо отслеживать волатильность рынка. Один из вариантов — это наблюдать за дневным диапазоном цен (HIGH - LOW) или истинным средним диапазоном активов, с которыми вы работаете. Ниже приведен вариант руководства анализа на основе волатильности.

Низкая волатильность — когда рынок спокоен и дневные диапазоны небольшие, стратегии, как правило, требуют менее частых корректировок. В таких условиях достаточно может быть оптимизировать каждые 1–3 месяца на большей истории , чтобы зафиксировать более стабильные трнеды. Исторический период в 50-100 дней вполне подойдет.

Умеренная волатильность — в нормальных рыночных условиях, с более регулярными, но не слишком большими колебаниями цен, оптимизировать можно каждые 1-2 месяца. Для того чтобы заметить существенные изменения в тренде, может быть достаточно 20–50 дней истории.

Высокая волатильность — в периоды высокой волатильности, например, во время кризисов или важных экономических событий, движения цен становятся значительными и быстрыми. В такие периоды очень важно проводить оптимизацию чаще, возможно, каждые 2–4 недели, и использовать более короткий исторический период, например, 10–20 дней, чтобы быстро адаптироваться к изменениям рыночных условий.

Пример самооптимизации на MQL5

В качестве примера рассмотрим торгового советника на MQL5, работающего по стратегии пересечения скользящих средних (MA). Он работает в платформе MetaTrader 5 и предназначен для автоматического совершения операций на финансовом рынке. Советник использует две простые скользящие средние (SMA) с настраиваемыми периодами для формирования сигналов на покупку и продажу при их пересечении.

Основная цель советника — автоматическая оптимизация периодов MA для получения максимальной прибыли, минимальной просадки или максимального коэффициента Шарпа в зависимости от выбранной конфигурации. В процессе оптимизации тестируются различные комбинации периодов MA в определенном периоде исторических данных.

Советник состоит из следующих блоков:

1. Инициализация и настройка — определение начальных параметров: периоды MA, размер лота, магическое число для идентификации ордеров и т. д.

2. Оптимизация — использует алгоритм полного поиска для проверки всех возможных комбинаций периодов MA в указанных диапазонах. Оптимизация осуществляется на основе выбранных критериев: прибыль или минимальная просадка.

3. Выполнение операций — постоянно следит за рынком и открывает позиции на покупку или продажу при пересечении скользящих средних в соответствии с заданной стратегией. Он также управляет открытыми позициями, устанавливая стоп-уровни на основе ATR (среднего истинного диапазона).

4. Автоматическая переоптимизация — в определенные периоды времени (настраиваются) советник переоптимизирует параметры скользящих средних, чтобы адаптировать их к изменившимся условиям рынка.

5. Трейлинг-стоп — советник использует различные типы трейлинг-стопов, чтобы гарантировать прибыль и защититься от убытков.

6. Расписание обучения — его можно настроить так, чтобы обучение не проводилось в определенные дни недели или в определенные часы.

7. Завершение и очистка — советник выполняет нужные операции по очистке и закрытию всех открытых операций при остановке.

В целом, этот торговый робот представляет собой сложную реализацию, которая сочетает технический анализ (пересечение скользящих средних) со стратегиями управления рисками (стопы и трейлинг-стопы) и автоматической оптимизацией параметров. Он предназначен для автономной работы и оптимизирован для максимизации эффективности с учетом риска в автоматической торговой среде.

Трейлинг-стопы, используемые в статье и коде, взяты из статьи: Трейлинг-стоп в трейдинге Алексея Полякова.

 

Код

Чтобы использовать другой метод оптимизации, отредактируйте эту часть кода:

   for(int fastPeriod = FastMAPeriodStart; fastPeriod <= FastMAPeriodStop; fastPeriod += FastMAPeriodStep)
     {
      for(int slowPeriod = SlowMAPeriodStart; slowPeriod <= SlowMAPeriodStop; slowPeriod += SlowMAPeriodStep)
        {
         double criterionValue = PerformBacktest(fastPeriod, slowPeriod, startBar);

         if(IsNewOptimal(criterionValue, bestCriterionValue, OptimizationCriterion))
           {
            bestCriterionValue = criterionValue;
            bestFastPeriod = fastPeriod;
            bestSlowPeriod = slowPeriod;
           }
        }
     }

Чтобы использовать другую стратегию, изменить следующую часть кода (и ее входные данные):

double fastMA_curr[];
   double slowMA_curr[];
   double fastMA_prev[];
   double slowMA_prev[];

   ArraySetAsSeries(fastMA_curr, true);
   ArraySetAsSeries(slowMA_curr, true);
   ArraySetAsSeries(fastMA_prev, true);
   ArraySetAsSeries(slowMA_prev, true);

   int fastMA_current = iMA(_Symbol, 0, FastMAPeriod, 0, MODE_SMA, PRICE_CLOSE);
   int fastMA_previous = iMA(_Symbol, 0, FastMAPeriod, 1, MODE_SMA, PRICE_CLOSE);

   int slowMA_current = iMA(_Symbol, 0, SlowMAPeriod, 0, MODE_SMA, PRICE_CLOSE);
   int slowMA_previous = iMA(_Symbol, 0, SlowMAPeriod, 1, MODE_SMA, PRICE_CLOSE);


   CopyBuffer(fastMA_current, 0, 0, 2, fastMA_curr);
   CopyBuffer(slowMA_current, 0, 0, 2, slowMA_curr);
   CopyBuffer(fastMA_previous, 0, 0, 2, fastMA_prev);
   CopyBuffer(slowMA_previous, 0, 0, 2, slowMA_prev);

   double fastMA_previousFF = fastMA_prev[0];
   double slowMA_previousSS = slowMA_prev[0];
   double fastMA_currentFF = fastMA_curr[0];
   double slowMA_currentSS = slowMA_curr[0];

// Check for buy signal (fast MA crosses above slow MA)
   if(fastMA_previousFF < slowMA_previousSS && fastMA_currentFF > slowMA_currentSS)
     {
      // Close any existing sell positions
      if(PositionsTotal() > 0)
        {
         for(int i = PositionsTotal() - 1; i >= 0; i--)
           {
            if(PositionSelectByTicket(i))
              {
               if(PositionGetInteger(POSITION_TYPE) == POSITION_TYPE_SELL)
                 {
                  Print("Closing sell position: Ticket ", PositionGetInteger(POSITION_TICKET));
                  ClosePosition(PositionGetInteger(POSITION_TICKET));
                 }
              }
           }
        }

      // Open a buy position
      double openPrice = SymbolInfoDouble(_Symbol, SYMBOL_ASK);
      double atrMultiplier = ATRmultiplier;
      OpenPosition(ORDER_TYPE_BUY, openPrice, atrMultiplier);
     }

// Check for sell signal (fast MA crosses below slow MA)
   else
      if(fastMA_previousFF > slowMA_previousSS && fastMA_currentFF < slowMA_currentSS)
        {
         // Close any existing buy positions
         if(PositionsTotal() > 0)
           {
            for(int i = PositionsTotal() - 1; i >= 0; i--)
              {
               if(PositionSelectByTicket(i))
                 {
                  if(PositionGetInteger(POSITION_TYPE) == POSITION_TYPE_BUY)
                    {
                     Print("Closing buy position: Ticket ", PositionGetInteger(POSITION_TICKET));
                     ClosePosition(PositionGetInteger(POSITION_TICKET));
                    }
                 }
              }
           }

         // Open a sell position
         double openPrice = SymbolInfoDouble(_Symbol, SYMBOL_BID);
         double atrMultiplier = ATRmultiplier;
         OpenPosition(ORDER_TYPE_SELL, openPrice, atrMultiplier);

        }
   IndicatorRelease(fastMA_current);
   IndicatorRelease(slowMA_current);
   IndicatorRelease(fastMA_previous);
   IndicatorRelease(slowMA_previous);
  }

Важно отметить, что если вы не освободите индикаторы, окно графика будет захламлено.

Разница с автооптимизацией и без нее

Мы будем использовать тот же период (с 20.04.2024 по 20.05.2024) для EURUSD и дневные бары.

С оптимизацией

Без автооптимизации

Очевидно, что с автоматической оптимизацией работа лучше. Ни одна сделка не была заключена без автооптимизации. Первая автоматическая оптимизация была в начале, а затем было 40 дней на повторную оптимизацию (вне периода).

Заключение

Автоматическая оптимизация позволяет обеспечить стабильную и надежную работу торговых советников на постоянно меняющихся финансовых рынках. В этой статье мы рассмотрели, почему самооптимизация полезна, увидели различные типы алгоритмов, доступных для оптимизации торговых стратегий и параметров, а также о преимуществах и недостатках различных методов оптимизации параметров. Также мы затронули тему использования языка Python как инструмента для быстрого и эффективного тестирования стратегий на основе исторических данных. Кроме того, мы рассмотрели пример оптимизации параметров с использованием стратегии пересечения скользящих средних.

Не забывайте про необходимость регулярной оптимизации с учетом волатильности рынка для поддержания эффективности стратегий. Пример самооптимизации с использованием MQL5 проиллюстрировал практическое применение этих концепций, показав существенное улучшение производительности, которого можно добиться с помощью автооптимизации. Оптимизированные советники демонстрируют лучшую адаптивность и эффективность.

В заключение следует отметить, что автоматическая оптимизация не только повышает производительность торгового советника, но и дает трейдерам большую уверенность и спокойствие, поскольку они знают, что их эксперт может эффективно ориентироваться в сложных ситуациях на финансовых рынках. Такой стратегический подход к разработке и использованию торговых роботов будет полезен всем.

Книги и ссылки

• "Advances in Financial Machine Learning" by Marcos López de Prado.
• "Algorithmic Trading and DMA" by Barry Johnson.
• "Python for Data Analysis" by Wes McKinney.
• "Machine Learning for Asset Managers" by Marcos López de Prado.
• "Quantitative Trading: How To Build Your Own Algorithmic Trading Business" by Ernest P.