Метод подбора параметров функции за константное время. Готовый торговый симулятор + улучшение Вашей стратегии

Сегодня, как всем известно, популярность алготрейдинга очень высока. Возможно кто-то уже нашел свой "золотой грааль". Но мы здесь будем в поисках...

Как это происходит: смотрите обзор общих стратегий, модифицируете ее, проводите риск-менеджмент, выходите на рынок с новым алгоритмом и .... сливаете депо. Затем алгоритм "пожертвований" повторяется.

0. Быть полностью уверенным что ваша стратегия точно работает.
Излишний оптимизм не дает холоднокровному разуму
применить хотя бы методы статистического анализа.

1. Самый наглядный, это малый интервал тестирования стратегии.
Изучите стратегию на ее устойчивость при разных рыночных условиях. Часто добавление тестирования на инвертированных графиках дает дополнительную гарантию устойчивости стратегии в несуществующих еще рыночных условиях. В данной статье будет использоваться именно малый интервал времени котировок.

2. Подстраивание "точных" настроек стратегии.
Попытки поймать каждое движение на рынке терпит фиаско при частом не срабатывании ключевых для вашей стратегии паттернов, условий. Попробуем достичь "грубой" гибкости.

3. Отход от модели предполагаемой перспективной стратегии.
Как правило в момент уже тестирования появляются мысли как можно "улучшить" стратегию, добавить что-то новое, поэксперементировать с дополнительными паттернами, желая забрать все движения с рынка.

4. Незнание слабых сторон стратегии.
Например, применение болленджера в условиях, когда очень сильная волательность, резкие изменения цены.
Или падение ликвидности инструмента вынуждает перебираться на более старшие таймфреймы.

1. Возьмем за гипотезу, что рынок это случайность (где все игроки с равноценными кошельками)
2. Используем минутный таймфрейм, чтобы его преобразовать в другой тайм для торговой стратегии, а симмулятор будет двигаться с шагом в 1 минуту.
3. Введем понятие максимального и минимального наблюдаемого профита. Пригодится для измерения потенциала стратегии. (оценка глубины роста и просадки)
4. Добавим значение стоплосса (либо процент либо конкретная цена)
5. Вводим фактор проскальзывания цены в 0.1%
6. Учитываем комиссию на бирже с умножительным коэффициентом (я использую запас 100% комиссии)
7. Нам понадобится также записывать все сделанные сделки симмулятором в отдельный журнал. Очень пригодится, для того чтобы отдельные сделки можно было построить и вручную проверить работу симулятора, а также изучить статистические величины.
8. Введем генератор стратегий на основе регулируемого количества полос боллинджера с генерацией случайных параметров.
9. Добавим случайный перебор take profit и stop loss

# Импорты
import warnings
warnings.filterwarnings('ignore')
import pandas as pd
import os
import numpy as np
import matplotlib.pyplot as plt
import random

# Загружаем датасет предварительно подгруженный с биржи
symbols_data_close = {}

path = 'history4/'
for symbol in os.listdir(path)[0:1]:
    data = pd.read_csv(f'{path}{symbol}')
    symbols_data_close.update({symbol: data['4'].values})

# Берем фрагмет датасета и выведем что он представляет из себя
symbols = list(symbols_data_close.keys())
closdata = symbols_data_close[symbols[0]][:10000]
plt.figure(figsize=(20,10))
plt.plot(closdata)

# Функция генерации слчайных параметров
def get_generate_params(count=None):

    params = {'ma_window': [], 'std_window': [], 
              'std_rate_up': [], 'std_rate_dw': [], 
              'take_profit': [], 'stop_profit': []}
    
    params['ma_window'] = np.asarray(np.random.random(count) * 1000 + 1, 'int32')
    params['std_window'] = np.asarray(np.random.random(count) * 1000 + 1, 'int32')
    params['std_rate_up'] = np.random.random(count) * 8 - 4
    params['std_rate_dw'] = np.random.random(count) * 8 - 4
    
    params['take_profit'] = np.random.random(count) * 10
    params['stop_profit'] = -np.random.random(count) * 10
    
    return params

# Функция случайной стратегии по сгенерированным случайным параметрам
def get_my_strategy(p=None, cdata=None, count=None):
    # p -> params
    
    bb_up = []
    bb_dw = []
    
    for i in np.arange(count):
        ma = pd.Series(cdata).rolling(window=p['ma_window'][i]).mean().values
        std = pd.Series(cdata).rolling(window=p['std_window'][i]).std().values
        
        bb_up.append((ma + std * p['std_rate_up'][i])[1000:])
        bb_dw.append((ma - std * p['std_rate_dw'][i])[1000:])
    
    return {'bb_up': bb_up, 'bb_dw': bb_dw, 'closdata': cdata[1000:]}

# Функция поведения симулятора
def get_rules_result(p=None, strategy=None, operation=None,
                     profit=None, max_profit=None, min_profit=None, 
                     y_index=None, y_index_last=None, x_index=None):
    
    signal = {'in_long': False, 'end_long': False}
    
    if operation is None:
        for y_line in strategy['bb_up']:
            if y_index_last < y_line[x_index] < y_index:
                signal['in_long'] = True
                return signal
    
    
    if operation == 'long':
        
        for ind, (y_line_up, y_line_dw) in enumerate(zip(strategy['bb_up'], strategy['bb_dw'])):
            
            rule_1 = y_index > y_line_up[x_index] and profit > p['take_profit'][ind] and profit > 0
            rule_2 = y_index > y_line_up[x_index] and max_profit - profit > p['take_profit'][ind] and profit > 0
            rule_3 = y_index > y_line_up[x_index] and max_profit < -p['take_profit'][ind] and profit > 0
            
            rule_4 = y_index < y_line_dw[x_index] and profit < p['stop_profit'][ind]
            
            if rule_1 or rule_2 or rule_3 or rule_4:
                signal['end_long'] = True
                return signal 
            
    return signal

Выведем как выглядит наша одна случайная стратегия (график цены и линии боллинджера)

countData = 15 # количество линий боллинджера, которые к учиту в стратегии

my_strategy = get_my_strategy(
    p=get_generate_params(count=countData), 
    cdata=closdata, 
    count=countData)

plt.figure(figsize=(20,10))
plt.plot(my_strategy['closdata'], color='black')

for n in np.arange(countData):
    plt.plot(my_strategy['bb_up'][n])
    plt.plot(my_strategy['bb_dw'][n])

Основной движок симулятора. Здесь используем только сделки в лонг.

countData = 10 

leverage = 10 # плечо
params_history = []

for cnt in np.arange(9999999):

    # генерируем случайные параметры
    generate_params = get_generate_params(count=countData)

    # генерируем стратерию
    my_strategy = get_my_strategy(p=generate_params, cdata=closdata, count=countData)

    depo = [1000]

    operation=None
    profit=0
    max_profit=0
    min_profit=0

    # по шагам идем по ценовому графику
    for x, (closedata_last, closedata) in enumerate(zip(my_strategy['closdata'][:-1], my_strategy['closdata'][1:])):
        x_index = x + 1

        # вход в сделку лонг
        if rules_result['in_long']:
            rules_result['in_long'] = False

            operation = 'long'

            size_buy = depo[-1]
            price_buy = closedata

        # оценка профита, максимальной просадки и роста
        if operation is not None:

            profit = (closedata / price_buy - 1) * 100 - 0.3

            if profit > max_profit: max_profit = profit
            if profit < min_profit: min_profit = profit

        # выясняем наше поведение на каждом шаге
        rules_result = get_rules_result(p=generate_params, strategy=my_strategy, operation=operation,
                         profit=profit, max_profit=max_profit, min_profit=min_profit, 
                         y_index=closedata, y_index_last=closedata_last, x_index=x_index)

        depo.append(depo[-1])

        # выход из сделки по сигналу
        if rules_result['end_long']:
            rules_result['end_long'] = False

            depo[-1] = depo[-1] + size_buy * profit / 100 * leverage

            operation=None
            profit=0
            max_profit=0
            min_profit=0
            
    depo[-1] = depo[-1] + size_buy * profit / 100 * leverage

    # сохраняем результаты на каждой итерации случайной генерации параметров
    params_history.append({'generate_params': generate_params, 'profit': depo[-1]})
    if depo[-1] > 1000: print(round(depo[-1], 1), end=' ')

1276.3 1681.9 1072.2 1185.5 1013.5 1419.1 1206.4 1842.5 1260.9 1222.8
1016.5 1084.9 1478.2 1384.9 1022.9 1016.2 1490.1 2235.1 1100.1 1164.0
1076.1 1079.4 1070.4 1245.3 1007.7 1291.8 1101.4 1003.6 1002.8 1125.8
1010.9 1115.4 1197.5 1353.4 1037.5 1179.6 1204.8 1070.2 1334.8 1138.2
1301.0 1490.7 1036.8 1030.5 1400.4 1150.7 1146.6 1218.0 1362.6 1098.4
1695.6 1006.0 1149.5 1126.4 1048.8 1086.0 1137.5 1577.9 1266.4 1246.5
1005.0 1015.9 1031.1 1087.9 1311.0 1389.6 1019.0 1049.1 1210.9 1146.3
1127.8 1366.6 1360.8 1465.9 1101.6 1076.6 1060.4 1044.1 1281.3 1073.3
1047.7 1041.7 1322.0 1012.2 1301.1 1568.1 1056.8 1024.1 1485.3 1106.6
1008.8 1186.8 1007.3 1007.9 1100.6 1834.9 1142.1 1806.9 1352.7 1052.4
1284.5 1045.4 1017.0 1083.4 1229.2 1214.1 1012.2 1398.4 1000.3 1152.4
1003.1 2073.1 1301.3 2235.9 1223.4 1091.3 1011.6 1163.9 1006.3 1084.5
1514.4 1125.3 1334.6 1038.8 1375.3 1136.9 1211.9 1194.3 1746.2 1131.6
1029.2 1132.5 1311.5 1018.0 1355.9 1264.4 1069.1 .............

Генерируем как можно больше результатов. Оставляем генерацию на 96 часов.

# Наконец, выводим результаты
result = pd.DataFrame(params_history).sort_values(by='profit')
print('количество итераций', result.shape[0])
result = result[result['profit'] > 2500]
result

количество итераций 4326132