Стратегия моментума в алготрейдинге: доходность 165%

Войти

Попробовал на всё том же стратегию моментума. Алгоритм технически похож на работу со скользящими средними (SMA), однако есть важные отличия. Здесь используется логарифмическая доходность для нахождения прироста или падения цены с шагом в сутки. Использование логарифмов — одна из самых интересных деталей. В первую очередь они нужны для того, чтобы мы могли просто складывать доходности разных дней и сразу получать итоговый результат. С обычными процентами так не прокатит🙃 np.log(raw_data["price"] / df["price"].shift(1)) Вообще, для меня это была не самая очевидная штука поначалу. Но в алготрейдинге это считается нормой. Да и в целом использовать логарифм даже для отслеживания доходности вашего портфеля по дням очень удобно. Далее идёт расчёт, схожий с SMA, с фиксированным окном. Затем доходность актива умножается на полученный сигнал со сдвигом на один день (чтобы бэктест был честным и не «заглядывал в будущее»). Собственно, самое интересное здесь найти оптимальное значение окна (период моментума). Тут я пошёл «в лоб» и просто перебрал диапазон до 100 дней. Выяснилось что на отрезке данных в три года лучшую доходность показало окно в 33 дня. Итоговый результат: 165% общей доходности, или около 38,4% ежегодно. В целом неплохо. На скрине как раз продемонстрировано все 100 дней только где синим цветом выделен победитель, а жёлтым убыточные значения моментума. Не является индивидуальной инвестиционной рекомендацией.

Бэктест стратегии на скользящих средних (SMA) В предыдущем посте я коротко разобрал, как строится индикатор SMA. Теперь стало интересно: а что будет, если применить его к историческим данным, то есть провести бэктест? В качестве подопытного актива я взял акции LKOH за последние 4 года. Я установил два окна — на 50 и 100 дней — и анализировал цену закрытия. Логика стратегии: Сигналы на покупку или продажу формируются путём сравнения двух скользящих средних. BUY (покупаем) — когда «короткая» SMA (50 дней) пересекает «длинную» (100 дней) снизу вверх. SELL (продаём) — когда «короткая» SMA пересекает «длинную» сверху вниз. HOLD (держим позицию) — в остальных случаях. Затем в цикле мы проходим по всем торговым дням и проверяем эти условия. Самое интересное: при нулевой комиссии брокера стратегия показала бы доходность +27% за 4 года. По графику видно, что основной прирост пришёлся на рост 2023 года. Однако цифры сильно падают если жить в реальности и учитывать комиссию 🙈. При комиссии 0,04 рубля за сделку (покупку и продажу) чистая доходность падает до +12,52%. Выводы: В целом, такие расчёты очень полезны для проверки торговых гипотез. С другой стороны, даже с учётом комиссий стратегия осталась в плюсе. Думаю кстати на pandas сделать полностью расчёт, но не осилил, в результате скатился в простой цикл😔 не является индивидуальной инвестиционной рекомендацией #python #программирование #технологии #стратегии

Простая скользящая средняя или SMA Это базовый индикатор в алготрейдинге, позволяющий выявлять тренд. Я сделал (код на гитхабе) несколько таких индикаторов на акции LKOH, чтобы проверить, насколько он показателен. В целом, использование этого индикатора без каких-либо дополнительных инструментов бессмысленно. Если посмотреть на график, видно, что цена падает или растёт значительно раньше, чем это отражается в скользящей средней. Но это и очевидно: если бы пара строчек кода могли предугадать тенденцию рынка, мы бы все пользовались этим 🥸. Правда, есть пара торговых сигналов, основанных на скользящих средних с разными окнами, — это так называемый «золотой крест» и «крест смерти». В первом случае короткое окно пересекает длинное снизу вверх, что говорит о восходящем тренде, и наоборот: если короткое окно пересекает длинное сверху вниз, значит, мы идём ко дну.🙃 Однако на графике можно видеть, что пару раз эти тренды попадали в точку, но при этом цена акций уже успевала начать рост или падение. То есть этот индикатор всегда запаздывает. Таким образом, купить или продать вовремя на его основе не получится, но как дополнительный инструмент технического анализа понимать, как он устроен, нужно. Кстати, в pandas он считается одной строчкой кода: df["Price"].rolling(WINDOW_SIZE).mean() не является индивидуальной инвестиционной рекомендацией #api #python #программирование #технологии #стратегии

LLM для анализа состава портфеля Продолжая в тему поста про написание бота для анализа портфеля. Решил попробовать подключиться к API DeepSeek и закинул ему на разбор структуру своего условного портфеля: 🤖 Акции - 29% 🛡 Облигации - 21.1% 🏦 Депозиты - 26.2% 🥇 Металлы - 10% 📊 Фонды - 3.9% 💵 Кэш - 5.9% 🥸 Прочее - 3.9% Из приятного — дешёвая цена за токен. За пару запросов вышло $0.0005. Для сравнения: у ChatGPT за 1 млн входных токенов — $1.25, а у DeepSeek — $0.028. Разница в 45 раз. Но стоит отметить, что цена $0.028 действует при условии, что токены не попадают в кэш (CACHE MISS), то есть когда модель видит промпт впервые, иными словами какие то токены в начале будут считаться по $0.28. Однако после нескольких запросов контекст устанавливается, и цена снижается. По качеству ответа: в целом модель указала, что при консервативном подходе стоит уменьшить долю акций в портфеле. Также после нескольких запросов подряд она стабильно рекомендует диверсификацию за счёт покупки зарубежных активов 😅. Тут, конечно, пришлось объяснять, что есть свои «нюансы». Итог: Для тестирования гипотез DeepSeek выглядит отличным бюджетным вариантом. Качество пока уступает топовым моделям, но соотношение цена/производительность для технических экспериментов вполне подходит. код в моём канале P.S. Не ИИР. Это просто эксперимент с LLM. #технологии #deepseek #api #python #программирование