как себя чувствует программа при 300 блоков?

300 я преувеличил немного Не считал точно. По поводу того как чувствует себя не знаю. Это ж все стационарно было....
Тслаб минуту где то каждый раз думал. Но это наверно от моего компа больше зависит... чем от самого лаба.

дл

кстати как пивоты поживают.штудировал недавно на выходных.заинтересовали они меня.помню попытка была разделит их на сессии.что бы не за предыдущий день показывали а скажем на три части день поделить если.

Вот мне сегодня пивот разделенный как раз и налил ...

когда отсечка времени была что ли?может имеет смысл его скрестить с ценой и ема и всё поделить на троих.получится коллективизация -всё отнять и поделить!

мне понравилось что у него есть коридор.я бы из него сделал бинары.3 или 5.Недельный,дневной,часовик ....

такую систему минимум три человека должны делать.

Да нет, из скрипта было удалено все, что можно было, лишь бы найти проблему, остался фактически стоп, а ради эксперимента взят пивот, который использовался стопом в системе, вот собственно этот пивот, сделанный под минутки для стопа, перевернутый на покупки и продажи, и накасячил...
Хотя конечно, плохому танцору...

А.В. Путря
AH1088KA@yandex.ru
Московский физико-технический институт
(государственный университет)
Фрактальный анализ индекса фондового
рынка
Традиционная теория, рассматривающая временную структуру
волатильности фондового индекса, предполагает её нормальное рас-
пределение. Как правило, для измерения волатильности использует-
ся стандартное отклонение и полагается, что оно подвержено мас-
штабированию согласно корню из времени. Эта практика исходит из
теории Эйнштейна для броуновского движения. Тем не менее извест-
но, что это стандартное отклонение подвергается масштабированию
в более быстром темпе и рынок капитала недостаточно хорошо опи-
сывается нормальным распределением и теорией случайных блужда-
ний [1].
Как известно, классическое броуновское движение представляет
собой хорошую модель марковских случайных фракталов, для кото-
рых условная вероятность того, что X (t1) (t1 < t2) зависит только от
t1 и t2, а не от поведения X (t) при t < t1. В отличие от него вводит-
ся понятие фрактального броуновского движения, которое является
процессом, обладающим некоторой памятью [2]. Предполагается, что
фрактальное броуновское движение описывает рынок капитала бо-
лее точно, нежели случайное. Целью этой работы является проверка
данного утверждения.
В работе временная структура волатильности исследуется путём
построения диаграммы зависимости логарифма стандартного откло-
нения прибылей за определённые периоды от логарифма величины
этих периодов. Для анализа используется динамика ежедневного ин-
декса Доу-Джонса на протяжении 20 лет. Показано, что волатиль-
ность в краткосрочном периоде действительно растёт более быстры-
ми темпами, нежели корень из времени, как и предполагается во
фрактальной теории. Таким образом, если думать о риске как о стан-
дартном отклонении, то инвесторы несут больше риска, чем подразу-
мевается стандартным отклонением для краткосрочных инвестици-
онных горизонтов, в то время как долгосрочные инвесторы несут все
меньшие риски.
Стандартная гауссова статистика работает на основе весьма огра-
ничивающих предположений. А именно, случайные величины долж-
ны быть независимыми и одинаково распределенными для того, что-
бы предельное распределение было нормальным. Если же система не
является таковой, требуется внесение корректировок для создания
статистических структур, которые, не являясь IID, являются доста-
точно близкими к ним, так что стандартные методы могут приме-
няться к ним с некоторыми видоизменениями.
В такой ситуации используется методология, открытая Херстом,
называемая методом нормированного размаха, или R/S анализом.
Этот анализ применяется для различения случайного временного ря-
да и фрактального временного ряда [3].
В данной работе предполагается провести R/S анализ для еже-
дневного индекса Доу-Джонса в течение 20 лет. Значение R/S изме-
няет масштаб по мере увеличения нами приращения времени соглас-
но некоторому значению степенной зависимости, называемому H, а
именно, показателем Херста. Стоит отметить, что все фракталы из-
меняют масштаб согласно степенной зависимости и именно в этом
проявляется фрактальная структура индекса.
По определению, процесс X (t) называется фрактальным броунов-
ским движением с параметром H, 0 < H < 1, если он обладает свой-
ством гауссовости приращений: случайная величина
ΔX (t) = X (t2) − X (t1)
имеет гауссовское распределение с нулевым математическим ожида-
нием и дисперсией σ2 (t2 − t1)2H, где t1 < t2, σ — положительная
константа. Если X (t) есть фрактальное броуновское движение с па-
раметром H, то приращения X (t) независимы тогда и только тогда,
когда H = 0,5 [2]. Как видно, при H = 0,5 фрактальное броуновское
движение совпадает с классическим броуновским движением, кото-
рое, как уже было сказано, является марковским процессом.
В зависимости от значения параметра H (показателя Херста), вре-
менной ряд обладает
— персистентностью (0,5 − 1), то есть наличием долговременной
памяти. В этом случае X (t) − X (0) и X (t + h) − X (t), скорее все-
го, имеют одинаковые знаки, и функция X (t) обычно возрастает в
будущем, если она возрастала в прошлом;
— антиперсистентностью (0 − 0,5). В этом случае функция X (t)
обычно убывает в будущем, если она возрастала в прошлом, то есть
X (t) − X (0) и X (t + h) − X (t), скорее всего, имеют различные зна-
ки [2].
Финальным этапом данной работы предполагается нахождение ве-
личины показателя Херста H из R/S анализа временного ряда индек-
са Доу-Джонса. Предполагается, что временной ряд должен демон-
стрировать явление персистентности Херста.
Статистически говоря, временная структура волатильности пока-
зывает, что фондовый рынок не является случайным блужданием.
Процесс, который производит наблюдаемую временную структуру
волатильности, явно не гауссов, так как он недостаточно хорошо описывается нормальным распределением.

И.С. Гуз
ivanguz@mail.ru
Московский физико-технический институт
(государственный университет)
Построение интерпретируемых выпуклых
композиций логических закономерностей
для задач классификации
Для решения задач классификации объектов x ∈ X, описываю-
щихся числовыми или номинальными признаками f1, ..., fn, на два
непересекающихся класса из множества Y = {−1; +1}, разработа-
но огромное количество методов, условно разделяемых на два типа.
К первому типу относятся сложные модели классификации, такие,
как нейронные сети, композиции решающих деревьев, машины опор-
ных векторов с нелинейными ядрами и т. д. Как правило, они обеспе-
чивают высокое качество классификации, но сам алгоритм остаётся
«чёрным ящиком»и не подлежит содержательной интерпретации. Ко
второму типу относятся хорошо интерпретируемые модели, в частно-
сти, решающие деревья и композиции логических закономерностей.
Логическая закономерность — это сегмент пространства X, описы-
ваемый конъюнкцией вида ϕy(x) = β1(fi1 (x)) ∧ ... ∧ βk(fik (x)), где
βj(fi(x)) = {0; 1} — некоторое элементарное условие над i-м призна-
ком. Закономерность ϕy относит все покрываемые ею объекты только
к одному из классов. Если закономерности не пересекаются и имеют
простую структуру, как в случае с решающими деревьями, то постро-
енный алгоритм получается очень наглядным и интерпретируемым.
Недостатком методов этого типа является более низкое качество клас-
сификации по сравнению с алгоритмами первого типа.
Большой интерес для приложений представляют промежуточные
типы методов, позволяющие выбирать между качеством классифи-
кации и интерпретируемостью. Один из распространенных способов
построения данных алгоритмов заключается в генерации множества
пересекающихся закономерностей с помощью таких алгоритмов, как
КОРА или ТЭМП [1], а затем построения их выпуклой композиции,
например, с помощью алгоритма AdaBoost [2]. Чем больше правил в
композиции, тем меньше она будет интерпретируемой, но тем лучше
будет её качество классификации. Недостатком AdaBoost является
то, что для достижения необходимого качества классификации, как
правило, требуется слишком много (сотни или даже тысячи) зако-
номерностей. При этом композиция в целом полностью утрачивает
свойство интерпретируемости.
Для устранения этого недостатка алгоритма AdaBoost предлага-
ется методика построения выпуклых композиций закономерностей,
пересекающихся только попарно. При этом ограничении для каждой
закономерности может существовать несколько закономерностей, с
которыми она пересекается, но сами они уже не могут пересекать-
ся между собой, что обеспечивает интерпретируемость всей компози-
ции. Дадим формальное описание этой задачи.
Дана обучающая выборка объектов {X,Y } = {(x1,y1), ...(xl,yl)}.
Построено множество закономерностей Φ = {ϕi
y : i = 1, ..., m}, кото-
рые могут пересекаться только попарно, то есть ∀x ∈ X, ∀i = j = k:
ϕi
y(x)ϕj
y(x)ϕky
(x) = 0. Необходимо подобрать такие положительные
веса α1, ..., αm правил, чтобы минимизировать количество ошибок Q
на заданной выборке:
Q =
l
i=1

yi
m
k=1
αkϕky
(xi) < 0

→ min
α1, ..., αm
.
Обозначим через N число объектов, ошибочно покрытых только
одной закономерностью или двумя закономерностями одного клас-
са. Поскольку закономерности уже построены, то N не зависит от
α1, ..., αm. Для каждой области пересечения двух закономерностей
ϕi
y,ϕj
y : yi = yj определим число ошибок Ni>j , если αi > αj, и Ni<j , ес-
ли αi < αj . Тогда количество ошибок на контроле можно переписать в виде
Q = N +

∀i,j:∃x:ϕi(x)ϕj(x)=0;yi=yj
([αi > αj ]Ni>j + [αi < αj ]Ni<j) →
→ min
α1, ..., αm
.
Минимум будет достигаться в том случае, если для каждой области
пересечения число ошибок будет равно min(Ni>j ;Ni<j). Построим
алгоритм, определяющий веса α1, ..., αm, так, чтобы данное условие
было выполнено.
1. Строим направленный граф, в котором вершинами являются
закономерности.
2. Вершины i,j соединены дугой, если закономерности i,j пере-
секаются и голосуют за разные классы. Если Ni>j < Ni<j, то дуга
направлена из вершины i в j, то есть αi > αj. Если Ni<j < Ni>j, то
дуга направлена из вершины j в i. Пример: рис. 1.
Рис. 1
3. В силу специфики конъюнкций, из которых состоят закономер-
ности, построенный граф не может иметь циклов. Слой вершин 0 бу-
дет состоять из тех вершин, в которые не входят никакие дуги. Слой
вершин 1 будет состоять из тех вершин, в которые можно попасть из
слоя вершин 0 за 1 переход, двигаясь по направлению соединяющих
их дуг. Аналогично на основе слоя вершин 1 строится слой вершин 2
и т. д., пока не будут покрыты все вершины.
4. Закономерностям, которые являются вершинами в слое 0, в про-
извольном порядке присваиваем веса 1, 2, ..., r0, где ri — число вер-
шин в слое i. Правилам, которые являются вершинами в слое 1, в
произвольном порядке присваиваем веса r0 + 1, r0 + 2, ..., r0 + r1.
Повторяем эту процедуру для всех оставшихся слоев.
Эту же методику можно применять для перерасчёта всех весов
логических правил при добавлении очередного правила в компози-
цию. Таким образом, методика позволяет оптимальным образом наращивать композицию логических правил, одновременно оставляя её
интерпретируемой...

А.В. Путря

с этим попроще по моему что то сделать.
дело за малым-схема или индикатор.

Я вообще нормальное распределение имел ввиду(даже жирным выделил) Люди говорят - не работает... А я На практике убедился... действительно не работает... Когда блуждания касаются неликвидных рынков...

Достало! Не первый раз встречаюсь с глупостью утверждения, что в скриптах нужно управление капиталом. Люди, поймите, Вы заблуждаетесь. Не нужно оно это самое в скрипте. Когда всё только начиналось, я имею ввиду не ТсЛаб, а другие программы, пред мной стояла задача по старинке диверсифицировать портфель, состоящий не из одного миллиона. Диверсификация подразумевала под собой не только раскидывание портфеля по акциям по определенному алгоритму, но и частичные входа и выхода акций, оказалось программно это сделать не так-то просто, а как оказалось на практике еще и не нужно. Дело в том, что портфелю по барабану не только сколько одних и тех же роботов у Вас запущено для реализации 10 сделок на одном эмитенте, но и еще и по барабану вообще кол-во сделок на этом эмитенте. Важно только сколько у Вас разных эмитентов задействовано и алгоритмов для них. Я уже не говорю о том что диверсификация вообще не интересна портфелю, если он меньше 10 лямов, что на акциях, что на фьючах. По-этому управление капиталом, это эпос ни о чем. Да мой пост то же ни о чем, просто уже надоело выслушивать глупости, начитавшихся "начинающих", написанные в смутных книгах неудавшихся трейдеров или удавшихся трейдеров, которые еще и писаниной зарабатывают ... Кол-во эмитентов и кол-во стратегий для них - вот основа диверсификации и управления капиталом в роботрейдинге, остальное - МУТЬ, не имеющая под собой мат.основы.

Это был июнь 2010 года. Два года истекли.



На 3-ей странице комнаты можно скачать скрипт.

интересный опыт, но есть несколько достаточно нервных участков.

Параметров то нет. Бумажка была внизходящем тренде.
Если б просто смаржиналили, то доход был б в два раза меньше.

Красота!!!
Эксперимента ради изменил Ваш скрипт. Выкладываю. Но фильтр по тренду сделан на специфической DLL-ке (всего лишь ренко) и спрашивать её надо у Vito333, это его разработка и он ей распоряжается.
Может ещё кто то чего то добавит или изменит и мы всем ТСЛабом станем богачами

З.Ы. Фильтр тренда можно сделать и простой МАшкой или средней за несколько торговых сессий.

ренко без параметров? )

Рендж кубика 5,5 на графике он выглядит наклонной линией и выполняет функцию фильтра по тренду. Можно сделать аналогичный фильтр МАшкой и её тоже сделать дискретной с таким шагом. Резы меняются, но не на много.
Если есть необходимость, могу выложить вариант с МАшкой вместо ренко. Тогда не надо будет никаких дополнительных DLL-ок.

З.Ы. И про короткие позиции. Не стал делать этого в акциях (дорогое удовольствие, и когда они нужны в шорт, их, как правило, не допросишься у брокера), но в скрипт можно вставить короткие позиции фьючерсами.