Потенциальные возможности автоматических реверсивных систем торговли на фондовых рынках Николай Камынин (Nikolz), к.т.н. В моей статье “ Потенциальные возможности автоматических систе

Потенциальные возможности автоматических реверсивных систем торговли на фондовых рынках

Николай Камынин (Nikolz), к.т.н.

В моей статье “ Потенциальные возможности автоматических систем торговли на фондовых рынках ” была представлена система принятия решения для торговли по дневным данным исключительно на длинных позициях и дано краткое описание системы и постановка задачи.

В данной статье представлены результаты работы этой системы в long и short, так называемый реверсивный принцип торговли и рассмотрен более подробно алгоритм построения системы.

Представленная система, в отличие от предыдущей, либо покупает акции на 1000, либо, при закрытии длинной позиций, дополнительно продает акций на 1000, т.е. открывает короткую позицию. Таким образом, система всегда находится в рынке. Правила принятия решения обеих систем одинаковые.

Результаты работы системы В таблицах представлены результаты работы системы. Как видно из табл.3, работа в short менее результативна, чем в long ( табл.2) , что вполне объяснимо на растущем российском рынке (см график в конце статьи). Так по сделкам Long на 23 мая 2006 года прибыль составила 1229% и 88% удачных сделок, а по сделкам Short прибыль составила 867% плюс открытая позиция 29% и 77% удачных сделок. В целом (табл.1) за 5 лет и 5 месяцев система получила 2096% прибыли, при 83% удачных сделок, совершив в общей сложности 527 сделок за 2345 дней.

TradeStation Strategy Performance Report TradeStation Strategy Performance Report - 1test_short EESR5-Daily Performance Summary: All Trades табл.1

Total Net Profit	20965	Open position P/L	289
Gross Profit	23242	Gross Loss	-2 277
Total # of trades	527	Percent profitable	83%
Number winning trades	438	Number losing trades	89
Largest winning trade	739	Largest losing trade	-138
Average winning trade	53	Average losing trade	($25.59)
Ratio avg win/avg loss	2.07	Avg trade (win & loss)	39
Max consec. Winners	33	Max consec. losers	4
Avg # bars in winners	3	Avg # bars in losers	3
Max intraday drawdown	-201
Profit Factor	10.21	Max # contracts held	500
Account size required	201	Return on account	10380%

Performance Summary: Long Trades табл.2

Total Net Profit	12292	Open position P/L	0.00
Gross Profit	13439	Gross Loss	-1 147
Total # of trades	264	Percent profitable	88.64%
Number winning trades	234	Number losing trades	30
Largest winning trade	739	Largest losing trade	-138
Average winning trade	57	Average losing trade	-38
Ratio avg win/avg loss	1.50	Avg trade (win & loss)	46
Max consec. Winners	35	Max consec. losers	2
Avg # bars in winners	4	Avg # bars in losers	4
Max intraday drawdown	-186
Profit Factor	11.71	Max # contracts held	500
Account size required	186	Return on account	6598%

Performance Summary: Short Trades табл.3

Total Net Profit	8 673	Open position P/L	289
Gross Profit	9 803	Gross Loss	-1 130
Total # of trades	263	Percent profitable	77%
Number winning trades	204	Number losing trades	59
Largest winning trade	307	Largest losing trade	-71
Average winning trade	48	Average losing trade	-19
Ratio avg win/avg loss	2.51	Avg trade (win & loss)	32
Max consec. Winners	16	Max consec. losers	4
Avg # bars in winners	2	Avg # bars in losers	2
Max intraday drawdown	-143
Profit Factor	8.67	Max # contracts held	444
Account size required	143	Return on account	6023%

В табл.4 представлены результаты работы системы по годам. Минимальная прибыль составила 199% в 2005 году, максимальная прибыль составила 600% в 2000 году, прибыль текущего года составляет 165%.

Period	Net Profit	% Gain	Profit Factor	# Trades	% Profitable
2006	1657	8.05%	437.14	24	95.83%
12 month	3107	16.23%	88.64	81	86.42%
2005	1992	10.71%	27.27	81	83.95%
2004	2846	18.06%	11.83	82	85.37%
2003	2842	22.00%	7.53	91	76.92%
2002	3108	31.69%	10.07	82	86.59%
2001	2747	38.91%	4.81	85	78.82%
2000	6057	603.90%	13.58	89	82.02%

Алгоритм построения системы

В основе построения системы лежит теория распознавания образов ( термин 30 летней давности ), сегодня более известна как теория нейронных сетей. В системе реализованы метод самоорганизации и обучения с учителем.

Суть метода в следующем. Выбирается система признаков, на основе которой строится первичная система принятия решений, затем в систему добавляется новое правило. Система либо оставляет это правило, либо отбрасывает, исходя из критерия эффективности работы.

Для построения первичной системы, я взял наиболее очевидные правила, типа “ если Close>Open, то купить " , или " если Open>Close, то продать" и на исторических данных за 5 лет проанализировал количество выигрышных и проигрышных сделок по РАО ЕЭС.

В результате было выбрано следующее правило покупки Open[1]>Close[1] and Close[1]>Open и правило для продажи Close>Open and Low[2]>High[1].

Эти правила я записал в "пустую" систему. После этого начался процесс обучения. Следующие правила формируются без какой-либо статистики (собственно не совсем так поскольку любая теория - это обобщение практики, а следовательно - статистика) . Можно взять что угодно, например, "если Вам хочется спать, то продать, а если вы встали утром с хорошим настроением, то купить". Важно, что бы Вы смогли формализовать правила и ввести их в систему. (обучение с учителем)

После этого по определенному алгоритму обучения, система анализирует новое правило и либо включает в состав правил, либо отбрасывает как плохое, на основе определенных критериев самоорганизации. В моем случае формализованный критерий самоорганизации определен в виде: "правило хорошее, если нет причины считать его плохим".

В своей системе я использую признаки, получаемые на основе волновой теории автора. Кратко об этом есть в предыдущей статье.

Ниже представлен график работы системы за период с 2000 года по 22 мая 2006 года.