Обсуждение статьи "Архитектура машинного обучения для MetaTrader 5 (Часть 15): Как калибровать уровни тейк-профита и стоп-лосса по синтетическим данным"

 

Опубликована статья Архитектура машинного обучения для MetaTrader 5 (Часть 15): Как калибровать уровни тейк-профита и стоп-лосса по синтетическим данным:

В статье применяется оптимальное торговое правило из главы 13 AFML для задания уровней тейк-профита и стоп-лосса без внутривыборочной калибровки. Мы моделируем P&L после входа дискретным процессом Орнштейна–Уленбека, выполняем поиск по 100 000 траекториям и используем Python, multiprocessing и параллельное ядро Numba с декоратором @njit (в 242 раза быстрее). Результат — оптимальная пара (PT, SL) для трех спецификаций прогноза с ограничением по дневному лимиту убытка проп-фирмы.

Это вторая статья из двухчастной серии. Предыдущая статья построила модель транзакционных издержек, которая выводит скорректированную на издержки серию P&L по сделкам и порог разметки (min_ret) из измеренных брокерских издержек. Если вы еще не читали ту статью, начните с нее — серия P&L, с которой работает текущая статья, должна поступать из того конвейера, а не из жестко заданной константы спреда. Качество оценок параметров O‑U, а значит и качество выводимых здесь PT и SL, напрямую зависит от точности вычета издержек из каждого результата сделки. Надежность значений E[P&L] и средней прибыльной сделки, которые используются как прогнозы для случаев B и C, напрямую зависит от корректности вычета спреда, проскальзывания и комиссии.

Перед продолжением важно установить одно различие. Порог min_ret из предыдущей статьи — это параметр разметки: он определяет, какие исторические результаты сделок считаются настоящим сигналом, а какие — трением исполнения при построении обучающего набора. Оптимальный PT, выводимый в этой статье, — это параметр исполнения сделки: он указывает советнику, где размещать ордер фиксации прибыли. Эти величины связаны — PT как параметр исполнения сделки должен превышать min_ret, иначе вы применяете правило, которое в обучающих данных было бы размечено как ноль, — но они выводятся разными процедурами и не должны смешиваться. Эта статья отвечает за сторону исполнения; предыдущая — за сторону разметки.

MetaTrader 5 Machine Learning Blueprint (Часть 15): как калибровать уровни тейк-профита и стоп-лосса на синтетических данных


Автор: Patrick Murimi Njoroge

 
Спасибо за эту информацию
 
Israr Hussain Shah #:
Спасибо за эту информацию

Рад помочь.