完美的机械交易系统。

 
你好,程序员和编码员,哲学家和实用主义者 :)我提议开发一个创建子游戏的想法。
为此,我们将分享我们的想法,并尝试共同书写这个令人难以置信的奇迹 :)
一般来说,按照顺序。关于我:我不是一个程序员,但我有丰富的交易经验(超过5年),我对我的交易和收入完全满意。但即使过了这么多年,我总是得出这样的结论:金融市场的经验和知识是不可能完全和彻底理解的。总是有一个学习的过程。什么会随着时间的推移而改变?对市场方向的直觉、分析正确的结论的百分比。 这可能就是全部。像你们所有人一样,我可能已经寻找了很长时间的圣杯,并且已经确信它们的存在,就像你们一样。实际上Demogoguery的结束--让我们回到主题上来:)。
就这样。让我们先验地认为,有很多有利可图的机械交易系统,在一定时期内,对于某种货币,mts可以带来良好的结果。这就是为什么无论我们使用什么机械系统作为基础,最主要的是应该在其中--而不是单一用户的调谐参数。所有的参数必须独立计算,即它将是一个自动机械交易系统(AMTS),根据波动的市场进行优化。
在这个分支中,我建议分享我对这个问题的想法,并一点一点地写出一些实现优化阶段的代码部分。
我重复一遍--我不是一个程序员,所以我将从简单的事情开始。
我们将把AMTS的自我调节参数分为主要参数和附加参数。
基本的。
1.地段的数量。
2.获取利润
3.止损
4.拖曳式止损
额外的
5.所有这些参数的基础上,AMTS将被写入。

作为MM的基础,我们将采取:入口5%的股权,利润系数不低于2,获利和止损比率:60/40。
1.那么首先,许多系统中的手数是可以实现的:这就是LotOptimizator函数。
让我们假设我们的系统将是日内的,分别是。
2.获利将按上个月平均每日价格变动的70%计算。
3.止损,分别为获利的40%。
我建议在凌晨1点计算止损和止盈水平,在进入第二天之后。

一般来说,如果这个话题很有趣,就让我们表达我们的想法。
 
你可以在每个新的酒吧 重新训练神经网络。任务归结为建立模型。
 

你可以在每个新的酒吧重新训练神经网络。任务归结为建立模型。

你一定和神经网络打过交道。而且你知道,多层神经网络 的学习速度并不快。而如果时限很短,网络将没有足够的时间来制定解决方案。
我没有接触过神经网络,我只是在阅读。你取得了多少进展?

我在这个方向的想法是自适应遗传算法LGAP。我正在努力。几乎准备好了dll - 模板。
 
我的看法是--这将是一个契机。我试过神经网络。说实话,这并没有什么用。而且我用了一个相当不错的!

思路总是在交易者身上,因为这里不能没有基本的推理。而一个网络将从事数据拟合--它有太多的自由度--我在实践中检查过。
 
kniff писал (а):
我的看法是--这将是一个契机。我试过神经网络。说实话,这并没有什么用。而且我用了一个相当不错的!

思路总是在交易者身上,因为这里不能没有基本的推理。而一个网络将从事数据拟合--它有太多的自由度--我在实践中检查过。

这是它应该有的样子。市场是不稳定的:波动性、数量、价格范围。参数必须迅速改变。
 
quality писал (а):
你好,程序员和编码员,哲学家和实用主义者 :)我提议开发一个创建子游戏的想法。

就我个人而言,我对这一主题非常感兴趣!准备好以各种方式参与其中了!

关于自调参数:有了基本的一切都很清楚,但以什么作为额外参数的基础,即什么指标、水平、通道,还是什么?

我有这样一个想法。
- 在图表上放几个指标(如RSI、Stoch、CCI、MACD等),"大约 "捡起这些指标的值。
- 然后,看一下历史上近似的价格反转(即清楚地看到 "这里我们必须买,这里我们必须卖")。
- 然后在一个数组或文件中写下这些点的所有指标值,用于购买和出售。
- 此外,在专家顾问中 - 检查它(考虑到指标值与理想值的百分比偏差),即,例如,在阵列中,买入的RSI值变成了20,那么,如果触发的百分比是10,那么买入将从18触发到22,以及与所有其他指标一样。
- 戴尔,你还可以(或应该:)在检查中加入不同级别或其信号线的交叉指标。

我自己还没有检查过(虽然我开始写一个实验性的EA,但还没有结果),所以我不能说什么它是否有效。
 
quality писал (а):

这就是适合的方式。市场是不稳定的:波动性、数量、价格范围。参数必须迅速改变。

顺便说一下,所有指标的参数(在这种情况下,我们也要让它们自我调整,但如何调整,我还不知道)。 在我的例子中(上面),你可以尝试改变指标值与理想值的偏差百分比,即尝试跟随市场变化,你可以而且可能应该向数组(文件)添加新的指标值组合。
 
我自己也想了很久了。我只是不知道该从哪方面着手。 如果有好的、有根据的想法,我准备实施它们。目前,我对"自我学习专家 " 中概述的与神经网络相结合的模式想法非常感兴趣。
 
kniff,在我看来,如果时间合适,历史匹配是非常非常有用的东西。也就是说,如果该系统适应得足够快的话。所以没有必要害怕它。最好是考虑如何足够快地适应这个故事。例如,系统拥有一些设置的矢量X。每个时间点t,对于这个矢量,存在一些不会变化太快的最佳值X'。也就是说,如果t0和t1很接近,X'(t0)就接近X'(t1)。如果在时间dt=t1-t0,系统设法正确确定X'(t0)的值,那么到时间t1,它将是设定的值。也就是说,不是最佳值(最佳值将是X'(t1)),但足够接近于最佳值。在这方面,有一个问题要问我的同事,他们在测试方面的工作相当繁重(唉,我不能用它来夸耀)。当市场条件发生变化时,天真的(非适应性的、僵硬的可调整的)系统是如何突然开始失效的?是否存在某种从盈利到暴跌的过渡点?还是会突然发生灾难性的变化?
 
favoritex,你能详细介绍一下什么是LGAP吗?我在Yandex上找不到任何关于它的信息,除了提到它是这样一个东西。 而提到的背景对我来说似乎很有趣。
 
eugenk1:
在我看来,如果时间合适,历史调整是一个非常非常有用的东西。也就是说,如果该系统适应得足够快的话。所以你不必害怕它。最好是考虑如何足够快地适应这个故事。例如,像这样:系统拥有一些设置的矢量X。每一个时间点,这个矢量都有一些最佳值X',它不会变化太快。也就是说,如果t0和t1很接近,X'(t0)就接近X'(t1)。如果在时间dt=t1-t0中,系统设法正确地确定了X'(t0)的值,那么到时间t1时,它将是设置的值。 也就是说,不是最优的(最优将是X'(t1)),但足够接近于最优。在这方面,有一个问题要问我的同事,他们在测试方面的工作相当繁重(唉,我不能用它来夸耀)。当市场条件发生变化时,天真的(非适应性的、僵硬的可调整的)系统是如何突然开始失效的?是否存在某种从盈利到暴跌的过渡点?还是会突然发生灾难性的变化?
这正是我所希望的,但是没有 :( 显然,这完全取决于系统。到目前为止,我的印象是,一切都恰恰是 "突然和灾难性地 "发生的。在一般情况下,尝试凤凰 与标准设置 - 今年2月13日之前100%的损失,和后 - 突然开始一个高水平的盈利能力与高 - 稳定。想象一下相反的过渡。