Разработка трендовых стратегий - помощь в реализации / сотрудничество - страница 2

[Quantum]

Renat Akhtyamov #:

математически будет, на практике и в тестере - нет

Можете проверить:

Настройки тестирования и входные параметры

Настройки тестирования:

Параметры тестирования без фильтров:

Параметры тестирования с фильтром закрытия сделок L1 Close Filter:

Результаты тестирования:

Стратегия без фильтров:

Стратегия с фильтром закрытия L1 Close Filter:

[Quantum]

Ранее были показаны результаты с наилучшими параметрами для MovingAverage.

Результаты для других трендовых стратегий (MACD, ADX, EMA)

1. MACD

Настройки тестирования и входные параметры

Настройки тестирования:

Параметры тестирования без фильтров:

Параметры тестирования с фильтром закрытия сделок L1 Close Filter:

Результаты тестирования:

Стратегия без фильтров:

Стратегия с фильтром закрытия L1 Close Filter:

2. ADX

Настройки тестирования и входные параметры

Настройки тестирования:

Параметры тестирования без фильтров:

Параметры тестирования с фильтром закрытия сделок L1 Close Filter:

Результаты тестирования:

Стратегия без фильтров:

Стратегия с фильтром закрытия L1 Close Filter:

3. EMA

Настройки тестирования и входные параметры

Настройки тестирования:

Параметры тестирования без фильтров:

Параметры тестирования с фильтром закрытия сделок L1 Close Filter:

Результаты тестирования:

Стратегия без фильтров:

Стратегия с фильтром закрытия L1 Close Filter:

[Quantum]

Индикаторы тренда на базе L1 Trend Filter

L1-фильтр тренда может быть использован для разметки данных при использовании машинного обучения. В частности, в статье "Разработка трендовых торговых стратегий на основе машинного обучения"  для определения тренда используются производные цен, сглаженных фильтром Савицкого–Голея.

Аналогичный подход может быть реализован с помощью L1-фильтрации, где тренд аппроксимируется кусочно-линейными функциями, а сила тренда на каждом участке естественным образом связана с наклоном соответствующего сегмента. Режимы тренда, определяемые через индикаторы волатильности, также могут быть использованы в качестве признаков ML-разметки торговых сигналов.

[Quantum]

Разность между ценой и трендом позволяет точнее оценить волатильность и ранжировать ее режимы.

Индикаторы волатильности на базе L1-тренда

Эти инструменты дают возможность выявлять периоды нестабильности и устойчивости рынка, анализировать текущую динамику и принимать более обоснованные торговые решения.

Описание индиакторов волатильности:

• L1Volatility.mq5 – расчет остаточной волатильности по L1-тренду;
• L1VolatilitySmoothed.mq5 – сглаженная остаточная волатильность;
• L1VolatilityAbsolute.mq5 – абсолютная волатильность;
• L1VolatilityNormalized.mq5 – нормализованная волатильность;
• L1VolatilityNormalizedSmoothed.mq5 – сглаженная нормализованная волатильность;
• L1VolatilityRegime.mq5 – определение режима рынка по волатильности.
• L1VolatilityRegimeColor.mq5 – цветная версия индиактора режима рынка по волатильности.

Эти индикаторы основаны на едином подходе L1-тренда, что обеспечивает согласованность анализа и упрощает интерпретацию получаемых данных.

Использование этих индикаторов позволяет визуально выделять периоды высокой и низкой волатильности, а также определять текущий рыночный режим — флет, тренд, расширение или панику.

Благодаря этому трейдер может адаптировать торговую стратегию под актуальные рыночные условия, например, выбирать более консервативные подходы во время низкой волатильности или активные стратегии при сильных движениях рынка.

[Quantum]

Пример применения L1-фильтра для удаления шума в изображениях

ℓ1 Trend Filter for Image Denoising (2016) Procedia Computer Science 93:495-502

Основная проблема цифровой обработки изображений заключается в наличии нежелательных частот (шума).
В данной работе ℓ1-trend фильтр предлагается как метод подавления шума в изображениях. ℓ1-trend фильтр оценивает скрытый тренд в данных, формулируя задачу выпуклой оптимизации на основе ℓ1-нормы.
Предложенный метод расширяет применение ℓ1-trend фильтра с одномерных сигналов на трёхмерные цветные изображения.
Здесь фильтр применяется к изображению каскадным образом: сначала выполняется фильтрация вдоль строк, затем — вдоль столбцов.
Это позволяет выявить скрытую информацию изображения из зашумлённого изображения, что приводит к получению сглаженного (очищенного от шума) изображения.
Предложенный метод сравнивается с методом шумоподавления на основе вейвлетов с использованием метрик качества:

• Peak Signal-to-Noise Ratio (PSNR) — пиковое отношение сигнал/шум,
• Structural Similarity Index (SSIM) — индекс структурного сходства.

Код:

//+------------------------------------------------------------------+
//|                                               L1ImageDenoise.mq5 |
//|                             Copyright 2000-2026, MetaQuotes Ltd. |
//|                                              http://www.mql5.com |
//+------------------------------------------------------------------+
#property copyright "Copyright 2000-2026, MetaQuotes Ltd."
#property link      "https://www.mql5.com"
#property version   "1.00"
#include <Canvas\Canvas.mqh>
#include <Graphics\Graphic.mqh>

uint32_t ExtSeed = 1;
//+------------------------------------------------------------------+
//| Convert BMP image to double vectors RGB                          |
//+------------------------------------------------------------------+
bool PreprocessImage(vector<double> &red, vector<double> &green, vector<double> &blue, uint &image_data[], int width, int height)
  {
   red.Resize(width*height);
   green.Resize(width*height);
   blue.Resize(width*height);

   for(int y=0; y<height; y++)
      for(int x=0; x<width; x++)
        {
         int offset = y*width + x;
         uint clr = image_data[offset];
         red[offset]   = double((clr>>16)&0xFF)/255.0;
         green[offset] = double((clr>>8)&0xFF)/255.0;
         blue[offset]  = double(clr&0xFF)/255.0;
        }
   return true;
  }
//+------------------------------------------------------------------+
//| Clamp value to range                                             |
//+------------------------------------------------------------------+
double clamp(double value, double minValue, double maxValue)
  {
   return MathMin(MathMax(value, minValue), maxValue);
  }
//+------------------------------------------------------------------+
//| Convert double vectors back to image                             |
//+------------------------------------------------------------------+
bool PostprocessImage(const vector<double> &red, const vector<double> &green, const vector<double> &blue, uint &image_data[], int width, int height)
  {
   ArrayResize(image_data, width*height);

   for(int y=0; y<height; y++)
      for(int x=0; x<width; x++)
        {
         int offset = y*width + x;
         uchar r = uchar(clamp(red[offset]*255.0,0,255));
         uchar g = uchar(clamp(green[offset]*255.0,0,255));
         uchar b = uchar(clamp(blue[offset]*255.0,0,255));
         image_data[offset] = XRGB(r,g,b);
        }
   return true;
  }
//+------------------------------------------------------------------+
//| L1 Trend Filter for single channel using vector<double>          |
//+------------------------------------------------------------------+
bool L1FilterChannel(vector<double> &channel, int width, int height, double lambda)
  {
   vector<double> row;
   row.Resize(width);
//--- по строкам
   for(int y=0; y<height; y++)
     {
      for(int x=0; x<width; x++)
         row[x] = channel[y*width + x];
      row.L1TrendFilter(lambda, true,row);
      for(int x=0; x<width; x++)
         channel[y*width + x] = row[x];
     }
   vector<double> col;
   col.Resize(height);
//--- по столбцам
   for(int x=0; x<width; x++)
     {
      for(int y=0; y<height; y++)
         col[y] = channel[y*width + x];
      col.L1TrendFilter(lambda,true,col);
      for(int y=0; y<height; y++)
         channel[y*width + x] = col[y];
     }
//---
   return true;
  }
//+------------------------------------------------------------------+
//| Show image on canvas                                             |
//+------------------------------------------------------------------+
bool ShowImage(CCanvas &canvas, string name, int x0, int y0, int width, int height, uint &image_data[])
  {
   canvas.CreateBitmapLabel(name, x0, y0, width, height, COLOR_FORMAT_XRGB_NOALPHA);
   for(int y=0; y<height; y++)
      for(int x=0; x<width; x++)
         canvas.PixelSet(x, y, image_data[y*width + x]);
   canvas.Update(true);
   return true;
  }
//+------------------------------------------------------------------+
//| Script start                                                     |
//+------------------------------------------------------------------+
void OnStart()
  {
   string image_path[1];

   if(FileSelectDialog("Select BMP image", NULL, "Bitmap files (*.bmp)|*.bmp", FSD_FILE_MUST_EXIST, image_path, "lenna.bmp") != 1)
     {
      Print("File not selected");
      return;
     }
//--- load BMP into array
   uint image_data[];
   int width, height;

   if(!CCanvas::LoadBitmap(image_path[0], image_data, width, height))
     {
      PrintFormat("CCanvas::LoadBitmap failed with error %d", GetLastError());
      return;
     }
//--- подготовка каналов
   vector<double> red, green, blue;
   PreprocessImage(red, green, blue, image_data, width, height);
//--- создаём 4 фильтрованных варианта
   double lambda_factors[4] = {0.00001, 0.00005, 0.0001, 0.0002};
   vector<double> red_f[4], green_f[4], blue_f[4];
   for(int i=0; i<4; i++)
     {
      red_f[i]   = red;
      green_f[i] = green;
      blue_f[i]  = blue;

      L1FilterChannel(red_f[i], width, height, lambda_factors[i]);
      L1FilterChannel(green_f[i], width, height, lambda_factors[i]);
      L1FilterChannel(blue_f[i], width, height, lambda_factors[i]);
     }
//--- постобработка
   uint filtered_data1[];
   uint filtered_data2[];
   uint filtered_data3[];
   uint filtered_data4[];
//---
   PostprocessImage(red_f[0], green_f[0], blue_f[0], filtered_data1, width, height);
   PostprocessImage(red_f[1], green_f[1], blue_f[1], filtered_data2, width, height);
   PostprocessImage(red_f[2], green_f[2], blue_f[2], filtered_data3, width, height);
   PostprocessImage(red_f[3], green_f[3], blue_f[3], filtered_data4, width, height);
//--- показать все 5 картинки рядом: оригинал + 4 варианта
   CCanvas canvas;
   canvas.CreateBitmapLabel("Comparison", 0, 0, width*5, height, COLOR_FORMAT_XRGB_NOALPHA);
//--- левый блок — оригинал
   for(int y=0; y<height; y++)
      for(int x=0; x<width; x++)
         canvas.PixelSet(x, y, image_data[y*width + x]);
//--- 4 фильтрованных блока
   int i=0;
   for(int y=0; y<height; y++)
      for(int x=0; x<width; x++)
         canvas.PixelSet(x + width*(i+1), y, filtered_data1[y*width + x]);
   i=1;
   for(int y=0; y<height; y++)
      for(int x=0; x<width; x++)
         canvas.PixelSet(x + width*(i+1), y, filtered_data2[y*width + x]);
   i=2;
   for(int y=0; y<height; y++)
      for(int x=0; x<width; x++)
         canvas.PixelSet(x + width*(i+1), y, filtered_data3[y*width + x]);
   i=3;
   for(int y=0; y<height; y++)
      for(int x=0; x<width; x++)
         canvas.PixelSet(x + width*(i+1), y, filtered_data4[y*width + x]);
//---
   canvas.Update(true);
   DebugBreak();
  }
//+------------------------------------------------------------------+

Different noises added into the Lenna image. 
a) Lenna image, 
b) Gaussian noise with σ = 0.05, 
c) salt and pepper noise with σ = 0.05, 
d) speckle noise with σ = 0.05, 
e) Poisson noise
f) periodic noise with amplitude A = 60, angular frequency ω = 30

Результат:

[ivanov86]

Quantum #:

Разность между ценой и трендом позволяет точнее оценить волатильность и ранжировать ее режимы.

Индикаторы волатильности на базе L1-тренда

Эти инструменты дают возможность выявлять периоды нестабильности и устойчивости рынка, анализировать текущую динамику и принимать более обоснованные торговые решения.

Описание индиакторов волатильности:

• L1Volatility.mq5 – расчет остаточной волатильности по L1-тренду;
• L1VolatilitySmoothed.mq5 – сглаженная остаточная волатильность;
• L1VolatilityAbsolute.mq5 – абсолютная волатильность;
• L1VolatilityNormalized.mq5 – нормализованная волатильность;
• L1VolatilityNormalizedSmoothed.mq5 – сглаженная нормализованная волатильность;
• L1VolatilityRegime.mq5 – определение режима рынка по волатильности.
• L1VolatilityRegimeColor.mq5 – цветная версия индиактора режима рынка по волатильности.

Эти индикаторы основаны на едином подходе L1-тренда, что обеспечивает согласованность анализа и упрощает интерпретацию получаемых данных.

Использование этих индикаторов позволяет визуально выделять периоды высокой и низкой волатильности, а также определять текущий рыночный режим — флет, тренд, расширение или панику.

Благодаря этому трейдер может адаптировать торговую стратегию под актуальные рыночные условия, например, выбирать более консервативные подходы во время низкой волатильности или активные стратегии при сильных движениях рынка.

И как эту логику можно использовать применительно с ледующей стратегии:

1. Берем трендовый актив (напр, XAU или BTC)
2. Работаем в лонг, открываем позиции по тренду после закрытия свечи при соблюдении условий фильтров (тф от Н2 до Н4) 
3. 1 и 2 позиции - сниженный риск в %, как "тест тренда" - то есть анализ рыночного состояния по закрытию свечи - "вход разрешен" - заходим 
4. тренд наше все, поэтому далее добираем позиции по тренду (3,4,5...) - анализ рыночного остояния "тренд продолжается" - добираем
* если ловим стоп-лосс в процессе набора, но признаки тренда сохраняются, нет условий для фиксации позиций - возможно, добор на откатах / восстановлении (пуллбэк) - особенно в рамках локальных проторговок
5. набрали позиции, большая часть в безубытке, рынок уходит в боковик - возрастают признаки фиксации - анализ рыночного состояния "тренд затухает" - начинаем частичную фиксацию позиций - по 1 штуке
6. Рынок переходит или в боковик, или в снижение, или тренд продолжается.

[Quantum]

ivanov86 #:
И как эту логику можно использовать применительно с ледующей стратегии:

1. Берем трендовый актив (напр, XAU или BTC)
2. Работаем в лонг, открываем позиции по тренду после закрытия свечи при соблюдении условий фильтров (тф от Н2 до Н4) 
3. 1 и 2 позиции - сниженный риск в %, как "тест тренда" - то есть анализ рыночного состояния по закрытию свечи - "вход разрешен" - заходим 
4. тренд наше все, поэтому далее добираем позиции по тренду (3,4,5...) - анализ рыночного остояния "тренд продолжается" - добираем
* если ловим стоп-лосс в процессе набора, но признаки тренда сохраняются, нет условий для фиксации позиций - возможно, добор на откатах / восстановлении (пуллбэк) - особенно в рамках локальных проторговок
5. набрали позиции, большая часть в безубытке, рынок уходит в боковик - возрастают признаки фиксации - анализ рыночного состояния "тренд затухает" - начинаем частичную фиксацию позиций - по 1 штуке
6. Рынок переходит или в боковик, или в снижение, или тренд продолжается.

Конкретная реализация данной стратегии требует детального анализа (возможно с языковыми моделями).

В примерах #11 и #12  добор позиций на откатах не рассматривался, советник просто игнорирует ложные сигналы выхода от коррекций и таким образом "дает прибыли течь". В целом, именно таким образом (как фильтр выходов) L1-тренд может быть эффективен на трендовых рынках для подобных трендовых стратегий (как самостоятельный сигнал для входов он не годится, т.к. запаздывает), также он не дает уходить в сильные просадки (характер кривой в тестере).

[Quantum]

Вариант советника MovingAverage с L1-фильтром выходов и с добавлением на коррекциях

Настройки тестирования и входные параметры

Настройки тестирования:

1. Входные параметры для тестирования без фильтров:

Результат:

2. Входные параметры тестирования с L1-фильтром выходов и добавлением на коррекциях

Результат с L1-фильтром выходов и добавлением на коррекциях:

[Quantum]

ivanov86:

Фильтрация входов - базово фильтры направления движения, импульсно-пробойные (признаки продолжения тренда) и немного свечные фильтры.

Пробойные стратегии более быстрые, поэтому результаты с L1-фильтром могут быть менее эффективными, чем для рассмотренных ранее трендовых стратегий на медленных скользящих средних.

Стратегия ATRChannelBreakout

Настройки тестирования:

1. Входные параметры без фильтров:

Результаты советника ATRChannelBreakoutFiltered без L1-фильтров

2. Входные параметры советника ATRChannelBreakoutFiltered с L1-фильтром выхода из рынка:

Результаты советника ATRChannelBreakoutFiltered с L1-фильтром выхода из рынка:

Таким образом, в данном случае L1-фильтр выхода не смог улучшить прибыль (но характер кривой также без больших просадок).

[Quantum]

Еще пример пробойной стратегии DonchianBreakout.

Стратегия DonchianBreakout

Настройки тестирования:

1. Входные параметры без фильтров:

Результат тестирования советника без фильтров:

2. Входные параметры советника DonchianBreakoutFiltered с L1-фильтром выхода из рынка:

Результат тестирования советника DonchianBreakoutFilteredL1.mq5 с L1-фильтром выхода

Как и для советника по стратегии ATRChannelBreakout, L1-фильтр выходов в стратегии DonchianBreakout по прибыли не смог превзойти стратегию без фильтров. 

Тем не менее, характер кривых для обоих стратегий свидетельствует о большем времени в прибыли, т.е. согласованы с трендом.