股票量化交易軟件；開發(fā)自適應算法1--- 尋找基本模式
任何交易算法通常都是一種工具，它可以給有經(jīng)驗的交易者帶來利潤，也可以瞬間使沒有經(jīng)驗的交易者爆倉。創(chuàng)造一個可以獲利和可靠的算法的問題是，我們無法理解為了賺錢需要做什么，以及“成功的交易者”使用什么方法。雖然高頻交易、套利、期權(quán)策略和基于日歷價差的系統(tǒng)擁有堅實的理論基礎(chǔ)，清楚地說明了盈利需要做些什么，但基于價格分析和基本面數(shù)據(jù)的算法則更加模糊。這一領(lǐng)域沒有完整的理論基礎(chǔ)來描述定價，因此很難創(chuàng)建一個穩(wěn)定的交易算法。在這里，交易變成了藝術(shù)，而科學有助于將一切系統(tǒng)化。
但是，是否有可能創(chuàng)建一個完全自動化的交易算法，只基于對任何交易工具的價格變化進行分析，而不進行優(yōu)化，也不需要分別手動調(diào)整每個交易工具的參數(shù)？有沒有一種算法，你可以簡單地應用到一個必要的交易工具圖表，以便它立即定義盈利的參數(shù)呢？?
有可能不管市場如何變化，算法一直不會虧損嗎？我相信，這是可能的，盡管很難實現(xiàn)。解決這個問題有兩種方法：
將神經(jīng)網(wǎng)絡(luò)與機器學習結(jié)合起來，得到一個“黑匣子”，按照自己的標準分析市場和盈利。盡管這種方法顯而易見，也很有吸引力，但它有其自身的復雜性。如果這么容易做到的話，那么像谷歌和 Yandex 這樣在使用機器學習和大量預算方面有著豐富經(jīng)驗的公司早就解決了這個問題，或者至少他們在市場數(shù)據(jù)分析和預測質(zhì)量方面處于領(lǐng)先地位。我相信，有可能創(chuàng)建這樣一個算法。它應該隨著技術(shù)的發(fā)展而不斷完善，以保持競爭力。畢竟，你將不得不與科技巨頭競爭。
研究價格模式，建立價格形成的理論模型，并創(chuàng)建一個算法，創(chuàng)建盡可能多的影響定價的因素。在我看來，這種方法甚至比機器學習更復雜，但我認為它也是真實的。這種算法將隨著理論背景的發(fā)展和開發(fā)人員知識的積累而不斷完善，它還需要不斷的更新。
我決定使用第二種方法，即創(chuàng)建一個完整的理論，并在此基礎(chǔ)上開發(fā)一個算法。我將在一系列文章中開發(fā)這個算法，從一個小模式發(fā)展到一個大項目。此外，我將展示如何發(fā)現(xiàn)和研究模式，同時提高工作效率。
基本模式
讓我們從搜索構(gòu)成算法基礎(chǔ)的基本模式開始。這種模式應該是基本的，并且在大多數(shù)市場中都是固有的，以便在未來的任何市場中都能輕松地擴展。任何市場的可擴展性都表明該算法是真正的自適應算法。
首先，讓我們來解釋一下為什么在市場上很難持續(xù)盈利。這完全是關(guān)于直接競爭。有些交易者的任務(wù)是與其他交易者達成一筆有利可圖的交易，但問題是，每一方都想達成一筆有利可圖的交易，而有人肯定會蒙受損失。因此，市場不應該有每個人都能注意到的穩(wěn)定的簡單模式。
在我的第一篇文章《價格序列離散化、隨機成分和“噪聲”》中，我提到了市場中的隨機成分，價格序列的增量分布與隨機游走的增量分布非常相似。乍一看，價格序列似乎沒有規(guī)律，一切都是隨機發(fā)生的，不可能靠這個賺穩(wěn)定的錢。
因此，作為一個基本原則，我認為任何資產(chǎn)的上漲燭形和下跌燭形的數(shù)量是完全相同的。這是一個非常簡單的模式，任何對它的偏離都會為每個注意到它的人帶來穩(wěn)定的收益。我想，很多人會注意到它，因為它是如此簡單。但是我們知道，不可能每個人都賺錢，所以從長遠來看，燭形下跌的數(shù)量與上漲的數(shù)量不會有明顯的變化。這一點在所提到的文章中作了含蓄的說明。從理論上講，這個規(guī)則可能有偏差，因為我沒有檢查所有的工具，而只是大約一百個。然而，在現(xiàn)階段這一點并不重要。?
例如，我們?nèi)∪我鈺r期的 100,000 個 GBPUSD H1 燭形，計算其中有多少在上升，有多少在下降。從2020年10月27日到過去，我取了10萬個燭形，這期間包含了 50,007 個上漲燭形 48,633 個下跌燭形。剩下的燭形，開盤價等于收盤價。換言之，GBPUSD 包含了 50.7%的上漲和49.3%的下跌燭形，其余蠟燭為開盤價=收盤價，數(shù)值大致相等。如果我們采取更大的樣本，結(jié)果將趨于50%。
我不會在這篇文章中測算每個資產(chǎn)工具，我觀察了數(shù)百種工具，結(jié)果到處都是相似的。但為了讓人信服，讓我們從一個完全不同的市場 GAZP（Gazprom）M15上取一個資產(chǎn)工具，測量 99914 根燭形中上漲和下跌的燭形數(shù)量。結(jié)果是48237個上漲和48831個下跌燭形，剩下的屬于中性。如你所見，看跌蠟燭和看漲燭形的數(shù)量大致相等。
這種模式不僅存在于大量的資產(chǎn)工具中，而且在任何時間框架內(nèi)都存在。為了確保這一點，讓我們分析 GBPUSD M1，并采取穩(wěn)步增長的 AAPL股票 M15。我把所有的數(shù)據(jù)組合成一張表。
交易品種時間框架燭形總數(shù)上漲燭形總數(shù)下跌燭形總數(shù)GBPUSDM1100,00050.25%49.74%GBPUSDH1100,12550.69%49.30%GAZPM1599,91449.69%50.30%?AAPL?M15?57,64550.60%49.40%
根據(jù)該表，在所考慮的工具中，燭形上升和下降的比率趨向于50%，并且在所有考慮的時間框架內(nèi)都是有效的。XLSX 文件包含我的測量中使用的數(shù)據(jù)以及結(jié)果，附在下面。
表中所示的結(jié)果證實了以下結(jié)論：大量樣本的價格序列的統(tǒng)計參數(shù)與隨機游走參數(shù)非常相似。此外，在少量樣本上，會出現(xiàn)偏離參考分布的情況。該算法將基于這樣的假設(shè)，即價格序列的增量分布只是表面上類似于正態(tài)分布。
在少量樣本中，其分布形狀與參考樣本不同，而隨著樣本數(shù)量的增加，其分布形狀趨于參考樣本。最重要的是，分布趨向于參考分布的速度對于每個工具來說都是獨立的，并且相當穩(wěn)定。?
圖 1
圖1顯示了上面描述的所有內(nèi)容。增量的參考分布以紅色顯示，而具有大量樣本的價格序列的增量分布以黑色顯示。少量樣本的價格序列增量分布以紫色、綠色和藍色顯示。
人們發(fā)現(xiàn)了大量交易工具固有的基本規(guī)律，并作出了在何處尋找利潤的假設(shè)?？吹灎T的數(shù)量=看漲燭形的數(shù)量，當偏離均衡時，每種工具的均衡回報率是獨立的、穩(wěn)定的，并在一定范圍內(nèi)波動。我會用這種模式來賺錢。
開發(fā)測試算法
現(xiàn)在我們需要利用這種模式開發(fā)最簡單的算法，并對其進行測試，以了解該理論是否值得進一步開發(fā)?？礉q和看跌燭形數(shù)量與50%的局部偏差將用于交易。平均而言，看跌燭形和看漲燭形的數(shù)量大致相同，然而，一種燭形比另一種燭形的優(yōu)勢可以從50%大不相同，然后趨于平衡。算法的工作原理如下：
通用簡化算法
掃描一個由 N 根燭形組成的窗口；?
檢查哪些燭形占優(yōu)勢-看跌或看漲；
如果出現(xiàn)頻率超過閾值，則啟動一系列建立倉位的信號；
看跌燭形普遍 = 買入信號，看漲燭形普遍 = 賣出；
計算手數(shù)；
在隨后的每個燭形上打開一個新倉位，直到觸發(fā)序列關(guān)閉條件；?
觸發(fā)序列關(guān)閉條件；
平掉所有倉位;
搜索新的信號。
為了簡單起見，該算法使用了市場訂單。該算法只使用收盤價，所有操作都是在新燭形生成后執(zhí)行的,不需要分析燭形內(nèi)部的任何東西。我們只需要控制當前的利潤和資金,任何其他計算都是不必要的。
開啟倉位信號
分析窗口. 設(shè)置蠟燭數(shù)（分析窗口）以檢查當前看跌和看漲燭形的百分比。分析固定數(shù)量的燭形不是一個好主意，因為可能有較長或較短的部分與50%或以上的偏差。將分析窗口從最小燭形數(shù)設(shè)置為最大燭形數(shù)，優(yōu)先級為較大燭形數(shù)，因為小區(qū)域可以是大區(qū)域的一部分，但需要搜索整個范圍。分析窗口由MinBars和MaxBars參數(shù)設(shè)置。該算法在 MinBars 到 MaxBars 的范圍內(nèi)搜索下跌或上漲燭形的優(yōu)勢分布，一旦找到，該算法就選擇超過閾值的下跌或上漲燭形的最大數(shù)量。
開啟倉位的超額百分比閾值. 我們需要定義看跌或看漲的超額百分比可以被視為信號產(chǎn)生的閾值，該參數(shù)可通過優(yōu)化選擇。設(shè)置中含有 OpenPerc 參數(shù)，它以百分比設(shè)置，是開啟倉位的百分比值。如果樣本中看跌燭形的百分比大于或等于開倉百分比，則開倉買入。如果樣本中看漲燭形的百分比大于或等于開倉百分比，則開倉賣出。?
Range 枚舉. 我們需要用一些步驟來分析這個范圍內(nèi)的燭形。奇數(shù)步長是不合適的，因為它不可避免地具有50%的偏差，從而提供錯誤的入場信號，因此檢查范圍的步驟可以在設(shè)置中找到（Step 參數(shù)）。range 枚舉從最小值移到最大值。
序列中的最大倉位數(shù)
在交易過程中，一個倉位是由一系列的訂單填充的，因此我們需要限制倉位的最大數(shù)量。要做到這一點，我們需要計算燭形的數(shù)量，在這個數(shù)量上多余的燭形可以被拉直到50%。我們使用觸發(fā)序列開始的樣本（由 N 根燭形組成），計算主要燭形的數(shù)量，從中減去剩余的燭形，將其與初始樣本中的燭形數(shù)量相加，然后乘以K調(diào)整因子。K比值與工具的統(tǒng)計特性間接相關(guān)。
這就是我們?nèi)绾潍@得預期的燭形數(shù)量，在這個數(shù)量上，50%的偏差應該消失。
R=(N+NB-NM)*K N - 樣本中超過閾值的燭形數(shù) NB - 主燭形數(shù) NM - 剩余的燭形數(shù) K - 設(shè)置中定義的調(diào)整因子
接下來，我們需要計算機器人開啟的最大倉位數(shù)。為了實現(xiàn)這一點，我們需要從蠟燭總數(shù) R 中減去初始 N 個樣本中的蠟燭數(shù)。結(jié)果是機器人在序列中不應超過的最大倉位數(shù) E。
E = R-N E - 序列中最大倉位數(shù) R - 燭形總數(shù)，按計劃返回 50%
該算法還不是自適應的，而是先進行第一步，然后根據(jù)初始樣本中蠟燭的個數(shù)調(diào)整倉位的個數(shù)。
手數(shù)選擇
已經(jīng)創(chuàng)建了檢查模式的算法，因此，我們需要添加幾個設(shè)置來確定手數(shù)。假設(shè)手數(shù)大小取決于序列中的預期倉位數(shù)，序列中的倉位越多，手數(shù)就越小。為此，請?zhí)砑觾蓚€設(shè)置： Depo 和 RiskPerc. 為了簡單起見，我們假設(shè) $1000 = 1手（$500 = 0.5手）。從 Depo 設(shè)置中獲取值并將其乘以RiskPerc。將得到的值除以最大倉位數(shù) E，并四舍五入到最接近的正確值。這就是我們?nèi)绾蔚玫揭粋€倉位的手數(shù)大小。
如果存款增加，我們需要增加手數(shù)自動增加功能。在這種情況下，如果Depo=0，則當前存款價值乘以RiskPerc，并使用獲得的值找到開盤頭寸的手數(shù)。
平倉
在這樣集中情況下會發(fā)生平倉:
1)?未平倉的總利潤達到 CloseProfit 中設(shè)置的值。由于EA開設(shè)的頭寸數(shù)量不是恒定的，手數(shù)大小可能會發(fā)生變化，因此以美元數(shù)設(shè)定固定利潤是不正確的。我們需要美元的利潤取決于當前未平倉的倉位數(shù)和市場上的總手數(shù)。為此我們需要 "profit per lot（每手利潤）" 的概念.
CloseProfit?設(shè)置為總倉位為1手的利潤，機器人根據(jù)建倉的手數(shù)重新計算利潤。如果我們有10個未平倉位，每個倉位0.01手，則總手數(shù)為0.1。因此，為了得到平倉的利潤值，Profit =?CloseProfit * 0.1。每次頭寸數(shù)量發(fā)生變化時，調(diào)整利潤以平倉。因此，當總利潤大于或等于計算的利潤值時，EA 關(guān)閉頭寸。
2)在當前超出百分比小于或等于 ClosePerc 時。ClosePerc 設(shè)置當前燭形的多余百分比，以生成關(guān)閉一系列倉位的信號。打開第一個倉位時，發(fā)現(xiàn)多出的燭形出自 N 根燭形?，F(xiàn)在，隨著每一個新燭形，燭形的數(shù)量增加成為 N+1；N+2；N+3 等等。。。對于每一個新的燭形，我們需要檢查燭形數(shù)量增加1時，樣本上主要塊的當前過剩百分比。滿足條件后就關(guān)閉序列。
3)根據(jù)達到 MinEquity. 如果當前資金已跌破設(shè)定值，則需要關(guān)閉未平倉位序列，并在資金增加之前避免開啟新的倉位。這是保護存款不受損失的止損功能。
測試
算法還非常初級，它無法適應不斷變化的市場條件，只能用來檢驗創(chuàng)意的可行性。因此，我將使用優(yōu)化來選擇設(shè)置。通過枚舉所有選項來執(zhí)行優(yōu)化，而不使用遺傳算法。EA 早在2014年就開發(fā)出來了，是為?MetaTrader 4?設(shè)計的。我首先將在 GBPUSD H1 上進行測試。我將人為設(shè)置40的高點差，以便在非完美條件下執(zhí)行優(yōu)化，以確保未來有一定的穩(wěn)定度。需要增加點差，因為EA控制未平倉頭寸的當前利潤，并受點差的影響。
我只會優(yōu)化三個條件：最小蠟燭數(shù) MinBars，未平倉位百分比 OpenPerc 和每手利潤 CloseProfit。據(jù)推測，用于分析的最小蠟燭數(shù)越大，開倉百分比越高，信號越可靠，但頻率越低。CloseProfit 間接依賴于波動性。因此，在進行優(yōu)化之前，需要先觀察工具的波動性，并設(shè)定適當?shù)膮^(qū)間。優(yōu)化是在從 2019.11.25 到 2020.11.25 的 H1 上進行的。
圖 2. 優(yōu)化結(jié)果
暴力優(yōu)化是必要的，以了解參數(shù)如何影響結(jié)果，以及結(jié)果如何收斂的假設(shè)，算法應如何工作在理論上。圖2顯示了一些結(jié)果,我們需要啟用按最大利潤排序，并選擇具有最充分的回撤和盈利指標的設(shè)置。突出顯示的設(shè)置似乎很好。
對優(yōu)化結(jié)果的進一步分析表明，MinBars 和 OpenPercent 的增加會降低盈利能力和回撤。接下來，我選取突出顯示的參數(shù)，在一年內(nèi)對它們進行測試，得到結(jié)果，并定義了當MinBars 和 OpenPercent 增加/減少時的變化。我的結(jié)論是，隨著?MinBars 和 OpenPercent 的增加，交易數(shù)量減少，信號可靠性增加。這意味著，我們需要在盈利能力和回撤之間找到平衡。
對于交易，我故意采用了更為保守的參數(shù)，以確保在不斷變化的市場條件下的安全邊際。下面的圖3顯示了EA如何開啟倉位。
圖 3. 開啟倉位
圖3顯示了，如果需要的話一個頭寸是由幾個交易組成的。入場信號隨時間延長。該算法的第一個版本的特點是粗糙的信號在某些時間點相當長。它看起來更像是一個模糊輸入，而不是一個標準的平均值。這是一個界限模糊的區(qū)域，在這個區(qū)域中，看跌的蠟燭比看漲的蠟燭更有可能出現(xiàn)。從這種概率中獲利是可能的。
算法在MinBars=70 時仍然可靠，但我將其設(shè)置為80，以便在交易工具特征中有波動的余地。選擇CloseProfit 參數(shù)時，邏輯類似。在本例中，它等于150。在更小值的情況下，算法變得更穩(wěn)定，但利潤降低。如果增加到168，算法就不再可靠了，所以我就堅持150。因此，我們得到了一年的盈利能力圖，如圖4所示。CloseProfit 只不過是轉(zhuǎn)換成美元的平均波動率。
圖 4. GBPUSD H1, 2019.11.25 - 2020.11.25
用于優(yōu)化的存款數(shù)設(shè)為 $10,000. 在完成研究之后，我們可以將總的設(shè)置調(diào)回最優(yōu)值。測試和優(yōu)化是在參考點模式下進行的，因為該算法適用于接近價格，因此燭形內(nèi)的事件對其不重要。圖5顯示了在“Every Tick”模式下對同一時期的測試。
圖 5. GBPUSD H1, 2019.11.25 - 2020.11.25 "Every tick" 模式
根據(jù)圖5，在“Every Tick”模式下，利潤甚至略有增加，因為測試變得更加精確。盈利能力圖表幾乎完全相同。這兩項測試都產(chǎn)生了略高于5的優(yōu)異利潤系數(shù)。
基于一個優(yōu)化年的測試得出關(guān)于模式可靠性的結(jié)論是錯誤的，那么讓我們看看該算法在過去使用這些參數(shù)能夠持續(xù)多少年。圖6顯示了優(yōu)化時期之外的測試結(jié)果。
圖 6. GBPUSD H1, 2001.01.01 - 2020.11.25
圖6顯示了自2001年以來的回溯測試，參數(shù)與從2019.11.25到2020.11.25的一年優(yōu)化期間獲得的參數(shù)相同。測試表明，在這樣一個大的時間間隔內(nèi)，回撤只增加了幾美元，而利潤卻顯著增加，利潤系數(shù)上升到7.5。為了了解這種模式在長時間內(nèi)的表現(xiàn)，我們對3000美元的存款進行了測試，沒有再融資。?
該算法在一年內(nèi)進行了優(yōu)化，并取得了20年的穩(wěn)定結(jié)果，說明該模式是相當穩(wěn)定的，參數(shù)不隨歷史變化而調(diào)整。出于某種原因，英鎊兌美元對與其固有的統(tǒng)計特征沒有太大的偏離。?
基于單一貨幣對和時間框架的測試而得出結(jié)論是錯誤的。因此，讓我們考慮 EURUSD 上的測試。與前一個案例一樣，優(yōu)化在一年內(nèi)進行，從 2019.11.25 到 2020.11.25，H1 時段上。我用與前一個例子相同的方法來選擇參數(shù)。結(jié)果如圖7所示。
圖 7. EURUSD H1, 2019.11.25 - 2020.11.25
如圖7所示，EURUSD 的盈利能力低于 GBPUSD 的盈利能力，而回撤幅度略大。盈利能力圖表顯示，有一段有多個未平倉頭寸。在稍微減小MinBars 和 OpenPercent 參數(shù)后，我們能夠減少倉位的數(shù)量，從而減少回撤。讓我們繼續(xù)進行長期測試。圖8顯示了在 EURUSD 上從?2007.01.01 到 2020.11.25?的測試。
圖 8. EURUSD H1, 2007.01.01 - 2020.11.25
與 GBPUSD 相比，在 EURUSD 上的交易沒有那么穩(wěn)定，使用時間更久遠的數(shù)據(jù)進行穩(wěn)定工作的時間已經(jīng)少了六年，結(jié)果還是不錯的。在一年內(nèi)進行了參數(shù)優(yōu)化，穩(wěn)定工作持續(xù)了近14年。這一事實再次表明，這些參數(shù)并不是簡單地根據(jù)歷史進行調(diào)整，交易工具具有相當穩(wěn)定的模式。
接下來，您需要檢查算法在其他時間段上的行為。從理論上講，隨著時間范圍的減少，穩(wěn)定性應該降低，因為較低時間范圍內(nèi)燭形的大小相對于點差會顯著減小。因此，利潤會減少，交易成本會增加。此外，在較小的時間范圍內(nèi)，進入點的時間可能會變得更加緊張，從而導致更多的空頭頭寸，相應地，更大的回撤。
讓我們在 GBPUSD M15 做個測試. 和之前的例子中類似，優(yōu)化進行于?2019.11.25 到 2020.11.25. 但我不會顯示一年內(nèi)的優(yōu)化圖。相反，我將顯示算法能夠順利通過的最大可能間隔。
圖 9. GBPUSD m15 2000.01.01-2020.11.25
圖9顯示了從2000年開始進行的 GBPUSD M15 上的測試。但入場信號和倉位的數(shù)量很少。正如我在上面所寫的，較低的時間段顯示的穩(wěn)定性較差，而且設(shè)置結(jié)果非常保守。很少產(chǎn)生入場信號，盈利能力不高，但相對于回撤而言是足夠的。
接下來，讓我們在更高的時間框架 GBPUSD H4 上進行測試。H4 上用于優(yōu)化的燭形數(shù)量更少，所以，我將會在兩年內(nèi)進行優(yōu)化，即從?2018.11.25 到 2020.11.25. 結(jié)果將顯示在最大間隔上。
圖 10.?GBPUSD H4 2000.01.01-2020.11.25
H4 上顯示出從 2000.01.01 到?2020.11.25 的幾乎20年中具有穩(wěn)定的結(jié)果。與前面的案例一樣，整個優(yōu)化歸結(jié)為在利潤和可靠性之間找到平衡點。M15的保守設(shè)置在H1和H4上都能可靠工作。但由于信號非常罕見，交易數(shù)量很少，因此沒有意義。
你也可以測試任何其他交易工具。根據(jù)交易品種的不同，算法的效果可能或好或壞，但這一趨勢仍在繼續(xù)——一年的優(yōu)化可以讓幾年的工作穩(wěn)定下來。下面是 GBPJPY H1 上的結(jié)果. 優(yōu)化進行了一年，結(jié)果如圖11所示。
圖 11. GBPJPY 2009.01.01 - 2020.11.25
GBPJPY 在從 2009 開始的回溯測試中顯示出穩(wěn)定的結(jié)果。結(jié)果并不像 GBPUSD 那樣令人印象深刻，但確實有效。?
EA 的特點是能夠?qū)①崄淼馁Y金再投資，您需要應用這一點。到目前為止，我展示了保守設(shè)置下的測試。但是，如果我們設(shè)置非常激進的設(shè)置，并啟用大的手數(shù)呢？我不喜歡高風險，但讓我們看看算法的能力。我將在2006年1月1日至2020年11月25日期間，在“Every Tick”模式下對 GBPUSD 進行測試。當然，也可以測試另一個交易品種。點差減小到 20，這比平均數(shù)略高一些。圖12顯示了近15年的回溯測試結(jié)果。
圖 12. GBPUSD 從?2006.01.01 到 2020.11.25, 激進設(shè)置
您可能還記得，該算法使用收盤價。因此，這個結(jié)果不是“測試圣杯”。此外，設(shè)置了20的適當點差。該算法在真實市場上的交易結(jié)果通常與測試中得到的結(jié)果相吻合。我從來沒有使用這樣激進的設(shè)置進行交易。此外，不可能將MetaTrader 4的實際點差考慮在內(nèi)，因此我不會認為它在實際交易中也會工作得這樣好。
