Аллигатор Билла Вильямса

Индикатор Аллигатор разработал известный трейдер Билл Вильямс и в основном стал популярен после выхода двух книг «Новые Измерения в Биржевой Торговле» и «Торговый Хаос 2», там же можно найти наиболее полное его описание. Трейдеры знают, что подавляющую часть времени (70-80%) рынки находятся в состоянии торгового диапазона или флета, цены в это время колеблются в определенных границах, и только в 20-30% времени наблюдаются действительно трендовые движения, которые наиболее благоприятны для извлечения прибыли, поскольку изменение цены в это время носит ярко выраженный направленный характер.

Переменная скользящая средняя (Variable Moving Average, VMA)

Переменная скользящая средняя (Variable Moving Average, VMA) — это обычная экспоненциальная скользящая средняя

EMAt(α)=α⋅pt+(1−α)⋅EMAt−1,

в которой параметр сглаживания α регулируется автоматически, в зависимости от волатильности ценовых данных. Чем волатильность выше, тем чувствительнее постоянная сглаживания, используемая для расчета. Чувствительность повышается за счет присваивания большего веса текущим данным.

Использование индекса фрактальной размерности для прогнозирования рыночных максимумов и минимумов

Рынки фрактальны по своей природе, то есть, они обладают определенными свойствами, такими как самоподобие, что позволяет моделировать их с использованием инструментов из этой области. Конечно, легче сказать, чем сделать. В этой статье мы попытаемся разработать индекс фрактальной размерности на основе функции экспоненты Херста, чтобы увидеть, как мы можем предсказать, когда рыночные тенденции вот-вот изменятся. Прежде чем перейти к индексу фрактальной размерности, мы начнем с введения и кодирования экспоненты Херста.

Скользящая средняя Уэллса Уайлдера (WWMA)

Скользящее среднее значение Уайлдера было разработано Дж. Уэллсом Уайлдером и описана в его книге 1978 года: «Новые концепции в технических торговых системах». Индикатор рассчитывается путем изменения исходной экспоненциальной скользящей средней.

Скользящая средняя Халла - Hull Moving Average (HMA)

Индикатор Hull Moving Average (HMA) – скользящая средняя Халла. Автор – австралийский трейдер, математик, финансист, аналитик Алан Халл (Alan Hull).

Со слов самого Алана Халла, работая над совершенно другим индикатором, он озадачился решением проблемы отставания скользящих средних от цены, в конечном итоге все это вылилось в новый индикатор Hull Moving Average, который был представлен на суд общественности в 2005 году.

Экспонента Херста в анализе фондового и криптовалютного рынка с помощью Python

Вступление

Сразу переходя к делу, показатель Херста - это быстрый способ выяснить, является ли рассматриваемый временной ряд случайным блужданием, возвратом к среднему или трендом. В мире финансов многие трейдеры вырабатывают стратегии, основанные на импульсах и стратегиях возврата к среднему. Я кратко расскажу о них ниже:

Фрактально-адаптивная скользящая средняя - Fractal Adaptive Moving Average (FRAMA)

FRAMA – фрактально-адаптивная скользящая средняя (Fractal Adaptive Moving Average) – индикатор разработан Джоном Элерсом (John Ehlers).

Данный индикатор строится на основании алгоритма экспоненциальной скользящей средней, в которой фактор сглаживания вычисляется на основании текущей фрактальной размерности ценового ряда. Достоинством индикатора FRAMA является способность следовать за сильными трендовыми движениями и очень сильно замедляться в моменты ценовых консолидаций.

Скользящее среднее с динамическим периодом усреднения Чанда (Chande's Variable Index Dynamic Average, VIDYA)

Скользящее среднее с динамическим периодом усреднения Чанда (Chande's Variable Index Dynamic Average, VIDYA) аналогично экспоненциальному скользящему среднему (EMA), но автоматически корректирует силу сглаживания в соответствии с волатильностью цен.

Индикатор VIDYA был разработан Тушаром Чандом (Tushar Chande) и представлен в марте 1992 г. в журнале Technical Analysis of Stocks & Commodities. В первой версии в качестве индекса волатильности использовалось стандартное отклонение. В октябре 1995 г. Чанд изменил VIDYA, выбрав в качестве индекса волатильности новый осциллятор ценовых моментов Чанда (CMO).

Нейронные сети для алгоритмического трейдинга. Простое прогнозирование временных рядов.

Оригинал: Neural networks for algorithmic trading. Simple time series forecasting

ВАЖНОЕ ПРИМЕЧАНИЕ:

Я допустил ошибку в этом посте во время предварительной обработки данных для проблемы регрессии - проверьте эту проблему https://github.com/Rachnog/Deep-Trading/issues/1, чтобы исправить. Это приводит к худшим результатам, которые могут быть частично улучшены за счет лучшего поиска гиперпараметров с использованием полных данных OHLC и обучения для > 50 эпох.

Это первая часть моих экспериментов по применению глубокого обучения для финансов, в частности, для алгоритмического трейдинга.

Треугольная скользящая средняя (Triangular Moving Average - ТМА)

По сути, треугольная скользящая средняя дает данные, которые были усредненные дважды в отличие от других скользящих средних, где это действие выполнялось один раз. Это дополнительное усреднение дает эффект очень гладкой скользящей средней линии.

TMA выводит среднее значение ценовых данных дважды, в то время как другие скользящие средние выполняют это действие однократно. Таким образом, TMA — это усредненное значение средних цен:

Создание переменного RSI для динамической торговли. Исследование на Python

В прошлой статье мы вместе увидели, как создать стохастический осциллятор с поправкой на волатильность. В этой статье мы будем использовать те же рассуждения о RSI, но мы будем делать поправку на корреляцию, а не на волатильность. Основная идея состоит в том, чтобы увидеть, хотим ли мы взвесить период ретроспективного анализа RSI на основе показателя скользящей корреляции.

Наш план будет заключаться в том, чтобы научиться кодировать RSI, который изменяет период ретроспективного анализа в каждый период времени на основе последней скользящей корреляции между ценой и моментумом. Причина, по которой я выбрал расчет моментума, заключается в том, что, мы еще не знаем период ретроспективного анализа для RSI, и, следовательно, мы не можем рассчитать меру корреляции специально для него. Когда мы знаем корреляцию между моментумом и рыночной ценой, мы можем преобразовать эту информацию в переменные периоды ретроспективного анализа для RSI. Мы увидим это более подробно ниже. 

Синус-взвешенная скользящая средняя - Sine-Weighted Moving Average (SWMA)

Скользящее среднее, в расчёте которого используется синусная функция. Помогает в определении вершин и дна, фильтрации шумов.

Для вычисления SWMA надо умножить на синус значение для каждого периода по цене закрытия за тот период, добавить его все выше и разделить результат на сумму гармонических весов.

Сглаженная скользящая средняя - Smoothed Moving Average (SSMA)

SSМА показывает среднее значение цены за некоторый период времени. Во взвешенном скользящем среднем последним данным присваивается больший вес, а более ранним — меньший.

Формула:

Первое значение сглаженного скользящего среднего рассчитывается, как простое скользящее среднее (SMA):

Как читать структуры профиля объема в трейдинге

Оригинал: How to Read Volume Profile Structures

Как трейдер, вы, вероятно, привыкли использовать такие концепции, как горизонтальные линии поддержки/сопротивления, линии тренда, уровни Фибоначчи, круглые числа или другие формы исследований, чтобы определять активные области на вашем графике, верно?

Что, если бы вы могли добавить исследование объема по оси Y вашего графика, чтобы с поразительной точностью определить области, где цена может развернуться. Что, если бы вы также могли получить несправедливое, но реальное преимущество, предвидя тип рыночного контекста, наиболее подходящий для торговли по тренду, на основе различных структур профиля объема к концу закрытия Нью-Йорка?

Тройная экспоненциальная скользящая средняя - Triple exponential moving average (TEMA)

Тройная экспоненциальная скользящая средняя (Triple Exponential Moving Average, TEMA) — ещё одно изобретение Патрика Мюллоя. Он пытается устранить присущее скользящим средним запаздывание, придавая больший вес последним значениям. Название предполагает, что это достигается применением тройного экспоненциального сглаживания, что не так. Название «тройка» происходит от того факта, что значение EMA (экспоненциальной скользящей средней) тройное.

Тестирование торговых стратегий на исторических данных с помощью Quantstrat. Часть 14. Скачивание и хранение больших объемов исторических котировок

Часть 1. Подготовительные действия.

Часть 2. Инициализация.
Часть 3. Добавление индикаторов.
Часть 4. Добавление сигналов.
Часть 5. Добавление правил.
Часть 6. Запуск тестирования стратегии на исторических данных.
Часть 7. Анализ результатов тестирования.
Часть 8. Продолжаем тестировать торговые стратегии в Quantstrat. Реверсивная стратегия.
Часть 9. Тестирование нескольких активов.
Часть 10. Сравнение результатов тестирования торговой стратегии в Quantstrat и TSLab.
Часть 11. Оптимизация параметров
Часть 12. Стоп-лоссы.

Часть 13. Оптимизация стоп-лоссов.

Если вы тестируете свои стратегии на длинных периодах при небольших таймфреймах (например 5 мин), то можете столкнуться с определенными проблемами.

Во-первых скачивание требует времени, причем в зависимости от скорости соединения и скачиваемого объема данных, промежуток времени может быть достаточно долгим.

Во-вторых, и это главное, при скачивании данных ММВБ из архива котировок Финама с помощью пакета rusquant максимальный период для скачивания котировок за один раз ограничен.

Двойная экспоненциальная скользящая средняя (DEMA)

Двойная экспоненциальная скользящая средняя (Double Exponential Moving Average, DEMA) — попытка уменьшить время задержки, присущее экспоненциальной (и любой другой) скользящей средней.

Патрик Мюллой (Patrick Mulloy) в 1994 году в своей статье “Smoothing Data with Faster Moving Averages”, опубликованной в февральском номере журнала “Technical Analysis of Stocks & Commodities”, предложил следующую формулу:

Адаптивная скользящая средняя Кауфмана (AMA, KAMA или AMkA)

Адаптивная скользящая средняя Кауфмана — технический индикатор, построенный на базе экспоненциально сглаженной скользящей средней и оригинальной формулы, использующей волатильность для расчета динамически изменяющейся сглаживающей переменной. Формула AMA:

где ct,n,f,s - сглаживающая константа. Она рассчитывается по формуле:

Творческое применение паттернов в технических индикаторах с помощью Python

Оригинал: Using Patterns Creatively on Technical Indicators. A Python Study.

Что, если мы попробуем использовать алгоритмы распознавания образов на технических индикаторах?

Как мы знаем, распознавание образов - это поиск и идентификация повторяющихся паттернов с примерно одинаковыми результатами. При использовании их в ценах мы получаем хорошие результаты по одним стратегиям и плохие по другим. Наша задача сейчас - проявлять творческий подход и расширить горизонты наших исследований. В этой статье мы протестируем паттерн, который я обнаружил после множества исследований, но на этот раз мы будем применять паттерн не к ценам активов, а к техническим индикаторам, в частности, к индексу относительной силы - RSI.

Кодирование различных типов скользящих средних в Python

Оригинал: How to code different types of moving averages in Python.

Трейдинговое программное обеспечение поставляется с различными типами скользящих средних, которые уже предварительно установлены и готовы к построению графиков. Но может быть интересно понять, как рассчитать эти скользящие средние, чтобы иметь возможность использовать их при тестировании потенциальных стратегий на исторических данных.

Если вам нужен способ сделать их своими руками, то статья ниже наверняка вас заинтересует. Все, что требуется, это интерпретатор Python, такой как SPYDER. Наиболее широко используемые типы скользящих средних: