Все (пока нет) о Стратегический тестировщик, Оптимизация и Облако - страница 9

[Sergey Golubev]

Форум о трейдинге, автоматизированных торговых системах и тестировании торговых стратегий

Резкое соотношение

Сергей Голубев, 2022.04.01 06:40

Математика в трейдинге: Коэффициенты Шарпа и Сортино - статья

Доходность инвестиций - наиболее очевидный показатель, который инвесторы и начинающие трейдеры используют для анализа эффективности торговли. Профессиональные трейдеры используют более надежные инструменты для анализа стратегий, такие как коэффициенты Шарпа и Сортино, среди прочих. В этой статье мы рассмотрим простые примеры, чтобы понять, как рассчитываются эти коэффициенты. Особенности оценки торговых стратегий ранее были рассмотрены в статье"Математика в трейдинге.Как оценить результаты торговли ". Рекомендуем прочитать статью, чтобы освежить знания или узнать что-то новое.

Опытные инвесторы и трейдеры часто торгуют по нескольким стратегиям и инвестируют в различные активы, пытаясь получить стабильные результаты. Это одна из концепций разумного инвестирования, которая подразумевает создание инвестиционного портфеля. Каждый портфель ценных бумаг/стратегий имеет свои параметры риска и доходности, которые необходимо каким-то образом сравнивать.

Одним из наиболее упоминаемых инструментов для такого сравнения является коэффициент Шарпа, который был разработан в 1966 году нобелевским лауреатом Уильямом Ф. Шарпом. При расчете коэффициента используются основные показатели эффективности, включая среднюю норму доходности, стандартное отклонение доходности и безрисковую доходность.

[Sergey Golubev]

тестера стратегий?

Я использую mt4, но не пробовал и не знаю, что для тестера стратегий используется.

Вы можете прочитать эту статью(TESTING TRADING STRATEGIES ON REAL TICKS).

-------------------

Просто пример -

MT4 и очень старые сборки MT5: я оптимизировал советники из этой темы, чтобы найти хорошие настройки для пары, я тестировал их, и я торговал на демо в течение некоторого времени, чтобы убедиться, что советники прибыльны.

В новых сборках MT5: я буду оптимизировать советники из этой темы, чтобы найти настройки, и я буду бэктестировать их с "каждым тиком, основанным на реальных тиках" - и это будет то же самое, что торговать этими советниками на реальном счете в течение многих месяцев или лет!

Форум о трейдинге, автоматических торговых системах и тестировании торговых стратегий

Бэктест MT4 и MT5

Сергей Голубев, 2017.02.17 20:53

Если вы бэктестируете советник на МТ5, используя "каждый тик на основе реальных тиков", то это будет практически то же самое, что и торговля на платформе МТ5 у какого-то конкретного брокера (потому что она основана на реальных исторических данных).

Например, прочитайте эту тему: Почему MT5 лучше, чем MT4? Имеет ли он меньше ограничений??? - это цитата из первого сообщения темы:

• В MT5 вы можете бэктестировать роботов с максимально приближенными к реальному рынку условиями нативно (реальные тиковые данные, реальные переменные спреды, лаг, проскальзывание и т.д.). В MT4 такой возможности нет. Только если вы заплатите за стороннее программное обеспечение. В этом случае вам также придется скачивать исторические данные из нескольких источников (их не так много, почти все используют один и тот же источник), преобразовывать их в формат MT4 и открывать платформу через это стороннее программное обеспечение, чтобы изменить поведение MT4. На этот процесс уйдет много часов, и вам придется повторять его каждый раз, когда вы захотите включить новые данные.
  Мы все видели сотни роботов, которые получали впечатляющие результаты при бэктестировании, но при работе на реальном счете результаты были очень плохими, в основном потому, что они были сделаны с условиями, не имеющими ничего общего с реальными рыночными условиями.

Подробнее об этом - в этом об зоре.

--------------

Как я знаю - некоторые кодеры/трейдеры переводят свои советники MT4 в MT5 только для того, чтобы протестировать их и/или найти настройки с оптимизацией для получения результатов бэктестинга, максимально приближенных к реальным.

[Sergey Golubev]

Хочу напомнить о следующей ключевой статье: Основы тестирования в MetaTrader 5
Почему она интересна?
Потому что в ней рассказывается о режимах бэктестинга: "Каждый тик", "1 Minute OHLC" и "Только открытые цены".

[Sergey Golubev]

Объявление: Новая платформа MetaTrader 5 build 3440: Новый отчет по торговым счетам

[Sergey Golubev]

Опубликована хорошая статья: Алгоритмы популяционной оптимизации

При оптимизации торговых систем наиболее интересными являются метаэвристические алгоритмы оптимизации. Они не требуют знания формулы оптимизируемой функции. Популяционные алгоритмы предполагают одновременную работу с несколькими вариантами решения оптимизационной задачи и являются альтернативой классическим алгоритмам, основанным на траекториях движения, в области поиска которых при решении задачи эволюционирует только один кандидат.

[Sergey Golubev]

Алгоритмы популяционной оптимизации: Оптимизация муравьиной колонии (ACO)

Бельгийский исследователь Марко Дориго создал математическую модель, научно описывающую процесс коллективного разума в муравьиной колонии. Он опубликовал ее в своей докторской диссертации в 1992 году и реализовал в виде алгоритма.

Оптимизация муравьиной колонии (ACO) - популяционный метод стохастического поиска для решения широкого круга комбинаторных задач оптимизации. В основе ACO лежит концепция стигмергии. В 1959 году Пьер-Поль Грассе придумал теорию стигмергии для объяснения поведения термитов при строительстве гнезд. Стигмергия состоит из двух греческих слов: stigma - знак и ergon - действие.

[Sergey Golubev]

Алгоритмы оптимизации популяции:Искусственная пчелиная колония (ИПК)

В течение многих лет методы пчелиного поиска исследовались исключительно биологами. Однако интерес к применению поведения роя при разработке новых алгоритмов оптимизации все возрастал. В 2005 году результатами исследований заинтересовался профессор Дервиш Карабога. Он опубликовал научную статью и первым описал модель роевого интеллекта, в основном вдохновленную танцем пчел. Модель получила название искусственной пчелиной колонии.

[Sergey Golubev]

Алгоритмы оптимизации популяций: Оптимизатор серого волка (GWO)

Алгоритм "Серый волк" - это метаэвристический стохастический алгоритм роевого интеллекта, разработанный в 2014 году. Его идея основана на модели охоты стаи серых волков. Существует четыре типа волков: альфа, бета, дельта и омега. Альфа имеет наибольший "вес" в принятии решений и управлении стаей. Далее следуют бета и дельта, которые подчиняются альфе и имеют власть над остальными волками. Волк-омега всегда подчиняется остальным доминирующим волкам.

[Sergey Golubev]

Алгоритмы оптимизации популяции: Алгоритм оптимизации кукушки (COA)

Кукушка - очаровательная птица не только из-за своего пения, но и из-за агрессивной стратегии размножения, которая заключается в откладывании яиц в гнезда других птиц.
Кукушкин поиск - один из новейших эвристических алгоритмов, вдохновленных природой, разработанный Янг и Деб в 2009 году. Он основан на паразитизме некоторых видов кукушек. Этот алгоритм был усовершенствован с помощью так называемых полетов Леви, а не простых изотропных методов случайного блуждания.

Алгоритм оптимизации с кукушкой (COA) используется для непрерывной нелинейной оптимизации. COA вдохновлен образом жизни этой птицы. Алгоритм оптимизации основан на особенностях откладывания яиц и размножения этого вида. Как и другие эволюционные подходы, COA начинает работу с начальной популяции. В основе алгоритма лежит попытка выжить. В ходе борьбы за выживание некоторые птицы погибают. Выжившие кукушки перебираются в лучшие места, начинают размножаться и откладывать яйца. Наконец, выжившие кукушки сходятся таким образом, что получается общество кукушек со схожими показателями приспособленности.
Главное преимущество этого метода - его простота: для кукушкиного поиска требуется всего четыре понятных параметра, поэтому настройка не представляет собой ничего сложного.

[Sergey Golubev]

Алгоритмы оптимизации популяции: Поиск рыбной школы (FSS)

Скопление рыб - это общий термин, обозначающий любую коллекцию рыб, собравшихся вместе в каком-либо месте. Скопления рыбы могут быть структурированными или неструктурированными.
В природе рыбы образуют скопления несколькими способами. Как правило, они предпочитают более крупные скопления, состоящие только из особей своего вида.
Вопрос о том, как школьные рыбы выбирают направление, в котором им плыть, остается нерешенным. Такое поведение школяров побудило многих исследователей создать не только математическую, но и алгоритмическую модель для решения различных оптимизационных задач.