Механическая торговая система "Combo_Right" в исходных кодах.
Постановка задачи для данной МТС звучит так: Пусть у нас есть некая базовая торговая система - БТС. Необходимо спроектировать и обучить нейросеть таким образом, чтобы она могла делать то, на что неспособна БТС. В результате чего должна получиться торговая система из двух комбинированных и взаимнодополняющих друг друга БТС и НС. Или говоря по простонародному, незачем изобретать велосипед, коли он уже давно изобретен. Ведь зачем пытаться научить кого либо быстро бегать, если есть автомобиль или летать, если есть вертолет?
Если у нас есть трендовая ТС, то необходимо обучить нейросеть только контртрендовой стратегии. Потому что, система предназначенная для трендов не в состоянии адекватно торговать в трендах боковых, распознавать откаты или развороты. Можно, конечно взять две МТС, одну потрендовую, вторую контртрендовую и поставить торговать на один чарт. Но с другой стороны, также можно и обучить нейронную сеть дополнять какую либо торговую систему.
Для этой цели была спроектирована двуслойная нейронная сеть, состоящая из двух перцептронов нижнего слоя и одного перцептрона в слое верхнем.
Выход нейросети имеет три состояния:
-
Вход в рынок длинной позицией
-
Вход в рынок короткой позицией
-
Неопределенное состояние
Собственно третье состояние - это передача управления БТС, в то время, как в первых двух торговые игналы выдаются нейросетью. Обучение нейросети разделено на три этапа, на каждом из которых обучается один перцептрон. И на любом этапе обязательно присутствует оптимизированная БТС, чтобы перцептроны знали, на что она способна.
Раздельное обучение перцептронов генетическим алгоритмом связано с недостатком этого самого алгоритма, а именно ограничением количества входных параметров, подбираемых с его помощью. Впрочем, каждый этап обучения логически последователен и размер нейросети не слишком велик, поэтому весь процесс оптимизациии проходит за вполне приемлемое время.
Но самый первый этап, предваряющий обучение НС, состоит в оптимизации БТС.
Чтобы не запутаться, номер этапа заносится во входной параметр МТС c идентификатором - pass. А идентификаторы входных параметров, соответствующих номеру этапа заканчиваются на число равное этому самому номеру.
Итак, предварительная подготовка к оптимизации и обучению НС. В тестере в свойствах эксперта, вкладка "Тестирование" установим начальный депозит $1000000 (так, чтобы не создать искуственного маржинколла во время оптимизации), оптимизируемый параметр "Balance" и включим генетический алгоритм.
Переходим во вкладку "Входные параметры" свойств советника.
Устанавливаем размер лота открываемых позиций, присвоив идентификатору lots значение 1.
Оптимизацию будем проводить по модели: "По ценам открытия (
Быстрый метод на сформировавшихся барах, только для советников с явным контролем открытия баров).", поскольку такой контроль в алгоритме МТС присутствует.
Первый этап оптимизации. Оптимизация БТС:
Входному параметру pass устанавливаем значение 1.
Оптимизируем только входные параметры соответствующие первому этапу, все идентификаторы которых заканчиваются единичкой, а следовательно устанавливаем только на них галочки, оптимизации, и удаляем галочки со всех остальных параметров.
tp1 - тейкпрофит БТС. Оптимизируется значениями от 10 до 100 с шагом 1
sl1 - стоплосс БТС. Оптимизируется значениями от 10 до 100 с шагом 1
p1 - период осциллятора CCI, который применяется в БТС. Оптимизируется значениями от 3 до 100 с шагом 1
После оптимизации БТС получаем результаты:
Второй этап. Обучение перцептрона отвечающего за короткие позиции:
Входному параметру pass придаем значение 2, т.е. соответствующее номеру этапа.
Убираем галочки оптимизации, выставленные на предыдущем этапе. Сохраняем, на всякий случай входные параметры, полученные на предыдущем этапе в файл.
Устанавливаем галочки оптимизации для параметров второго этапа, т.е. идентификаторы которых заканчиваются двойкой:
x12, x22, x32, x42 - весовые коэффициенты перцептрона, распознающего короткие позиции. Оптимизируются значениями от 0 до 200 с шагом 1.
tp2 - тейкпрофит позиций, открываемых перцептроном. Оптимизируется значениями от 10 до 100 с шагом 1
sl2 - стоплосс позиций, открываемых перцептроном. Оптимизируется значениями от 10 до 100 с шагом 1
p2 - период значений разницы цен, который анализируется перцептроном. Оптимизируется значениями от 3 до 100 с шагом 1.
Запустим обучение через оптимизацию ГА. По завершении получаем результаты:
Третий этап. Обучение перцептрона отвечающего за длинные позиции:
Входному параметру pass придаем значение 3, т.е. соответствующее номеру этапа.
Убираем галочки оптимизации, выставленные на предыдущем этапе. Сохраняем, на всякий случай входные параметры, полученные на предыдущем этапе в файл.
Устанавливаем галочки оптимизации для параметров второго этапа, т.е. идентификаторы которых заканчиваются тройкой:
x13, x23, x33, x43 - весовые коэффициенты перцептрона, распознающего длинные позиции. Оптимизируются значениями от 0 до 200 с шагом 1.
tp3 - тейкпрофит позиций, открываемых перцептроном. Оптимизируется значениями от 10 до 100 с шагом 1
sl3 - стоплосс позиций, открываемых перцептроном. Оптимизируется значениями от 10 до 100 с шагом 1
p3 - период значений разницы цен, который анализируется перцептроном. Оптимизируется значениями от 3 до 100 с шагом 1.
Запустим обучение через оптимизацию ГА. По завершении получаем результаты:
Завершающий четвертый этап. Обучение первого слоя, т.е. перцептрона, который находится в верхнем слое:
Входному параметру pass придаем значение 4, т.е. соответствующее номеру этапа.
Убираем галочки оптимизации, выставленные на предыдущем этапе. Сохраняем, на всякий случай входные параметры, полученные на предыдущем этапе в файл.
Устанавливаем галочки оптимизации для параметров второго этапа, т.е. идентификаторы которых заканчиваются четверкой:
x14, x24, x34, x44 - весовые коэффициенты перцептрона первого слоя. Оптимизируются значениями от 0 до 200 с шагом 1.
p4 - период значений разницы цен, который анализируется перцептроном. Оптимизируется значениями от 3 до 100 с шагом 1.
Запустим обучение через оптимизацию ГА. По завершении получаем результаты:
Все, нейронная сеть обучена.
У МТС есть еще один неоптимизируемый входной параметр mn - магический номер, т.е. идентификатор позиций, чтобы торговая система не путала свои ордера с ордерами открытыми вручную или другими МТС. Значение магического номера должно быть уникальным и не совпадать с магическими номерами позиций которые не были открыты данным советником.
P.S.
- Размер начального депозита определяется как абсолютная просадка умноженная на два, т.е. с запасом прочности.
- Советник в исходниках не оптимизирован
-
Если возникнет необходимость заменить встроенную БТС , алгоритмом другой торговой системы, то необходимо изменить содержимое функции basicTradingSystem()
-
Чтобы не вводить вручную начальные, конечные значения и размеры шагов оптимизации, можно взять готовый файл combo.set и поместив его в папку \tester MT4, загрузить в свойствах советника в тестере.
-
Переоптимизация советника выполняется в выходные, т.е. в субботу или (либо) в воскресенье, но только в том случае, если результаты предыдущей недели были убыточными. Наличие убытков говорит, что рынок изменился и необходима переоптимизация. Наличие прибыли, говорит о том, что МТС не нуждается в переоптимизации и достаточно хорошо распознает рыночные паттерны
Как правильно оптимизировать эту МТС (авторская методика)
Первая оптимизация полная за пол-года. Если в течении недели сливает, тогда беру параметры предыдущей оптимизации и с пределами +/-5 от предыдущих и гоняю переоптимизацию по истории двух предыдущих недель.
Например, предыдущая оптимизация:
x1 = 21
x2 = 42
x3 = 87
x4 = 32
sl = 70
То следующая переоптимизация будет уже с параметрами:
Для x1 от 16 до 26 с шагом 1
для x2 от 37 до 47 с шагом 1
для x3 от 82 до 92 с шагом 1
для x4 от 27 до 37 с шагом 1
для sl от 65 до 75 с шагом 1
Дело в том, что таким образом сетка постепенно адаптируется под изменения рынка.
А если каждый раз проводить полную переоптимизацию для всех x* от 0 до 200, то сетка элементарно подгоняется под историю.
Для того, чтобы проверить будет сливать на следующей неделе после первой оптимизации или нет, вовсе не обязательно ждать целую неделю. Для этого можно первую оптимизацию провести на периоде истории от 27 недель назад (полгода + 1 неделя) до неделя назад. Потом форвардный тест последней недели, про которую советник во время оптимизации ничего не знал. А далее в зависимости от результата, либо вышеуказанная переоптимизация, либо крепить к чарту.
