Prohledat Finančník.cz

Nevíte, jak postavit obchodní systém? Nechte jej postavit umělou inteligencí, která čerpá z většiny informací týkajících se burzovního obchodování, které byly kdy publikovány. Stačí se česky ptát a základní AOS je za pár minut hotový. Velké jazykové modely není jistě na Finančníkovi třeba představovat. Jde o modely jazyka založené na neuronové síti trénované na ohromném množství textu. Modelů, které můžeme využívat, existuje dnes celá řada. Patrně nejznámější jsou GPT od OpenAI, se kterými sám denně pracuji. Tyto modely nepředstavují umělou inteligenci ve smyslu, že by měly nějaké vlastní vědomí. Ale jsou to nástroje, se kterými se dá již běžně komunikovat podobně, jako byste komunikovali s člověkem. S člověkem, který má ale načteno neuvěřitelné množství informací a tyto informace umí aplikovat skrz programovací jazyky na poskytnutá data. A tak například vytvářet a testovat obchodní systémy. Je potřeba zdůraznit, že například GPT neumí postavit systém, který by stačilo pustit do trhů a vydělávat. Umí ale poskytnout množství inspirace. A skrz postupný dialog je možné dostat se k nuancím obchodních systémů, které jsou inovativní a které by člověka vůbec nenapadly. Tady je jednoduchá ukázka, jak to vše funguje. Sám používám chat GPT v jeho placené verzi, která stojí 20 dolarů měsíčně. V rámci této verze GPT je možné pracovat s modulem Advanced Data Analysis umožňující do GPT nahrávat vlastní data, která chat GPT použije pro analýzu: Po zvolení modulu pro datovou analýzu už se stačí jen ptát. Můžeme začít velmi obecnou otázkou pro vytvoření mean reversion "z ničeho". Takto se zeptám GPT a nahraji mu příslušná denní data QQQ: "Jsi zkušený systematický obchodník s velkou znalostí swingových obchodních systémů. Vytvoř long mean reversion systém s využitím dat QQQ. In sample 2010-2019. Pro vstup použij některý z oscilátorů a vystup poté, co se trh vrátí ke krátkodobému průměru. Vstupuj jen v situacích, které jsou z pohledu historických pravděpodobností extrémnější. Publikuj přehled pravidel systému. Proveď out of sample test od roku 2019. U každého testu vytvoř equity křivku a srovnej s výkonností QQQ (graf vytvoř šedě). Publikuj také tabulku s běžnými výkonnostními metrikami." A GPT začne pracovat: Odpověď GPT postupně pokračuje dál: Výsledkem reakce chatu je první návrh konkrétní strategie, kdy se GPT rozhodl pro práci s indikátorem RSI a sám navrhl smysluplně vypadající kostru systému. Kostra systému je v tuto chvíli triviální, ale vše se dá ovlivnit dalšími dotazy. Můžete zkoušet vytvářet podobné systémy na jakékoliv téma - různé arbitráže, breakouty, momentum strategie. Co vás napadne... Všimněte si navíc boxíku "Finished working / Show work. V tomto boxíku se skrývá python kód, který GPT sám vytvořil: Znalost Pythonu není pro práci s GPT nutná, protože kódy GPT vytváří a interpretuje sám. Nicméně pokud kódům alespoň částečně rozumíte, můžete se z nich jednak učit a také lépe GPT směřovat na další vývoj. Na Finančníkovi vyučujeme základy Pythonu posledních několik let, v TechLabu naleznete mnoho tutoriálů i několik minikurzů na osvojení základů práce s Pythonem. Chat GPT v praxi demonstruje, jak se výuka na Finančníkovi logicky uzavírá. I základní znalost Pythonu vám práci s nástroji typu GPT umožní neuvěřitelně akcelerovat. GPT můžete česky instruovat k vytváření kódů, které je v důsledku možné nasadit do autotraderu, který máme na Finančníkovi také v Pythonu. Práce s GPT je o komunikaci. Je pravděpodobné, že první návrhy výsledků nevypadají smysluplně, grafy mohou být ve špatném měřítku. Ale GPT stačí říct a on pokračuje v konverzaci navrženým směrem. Například poté, co zobrazil první výsledky, jsem mu napsal, že graf QQQ není v dobrém měřítku (původně publikovaný graf nevypadal dobře) a hned mám opravené řešení: Na equity křivkách jsou vidět in-sample a out-of sample testy strategie, kterou navrhl GPT a jejíž výsledky jsou srovnány s držením QQQ. A tímto směrem můžeme v konverzi pokračovat dál. Můžeme například GPT požádat o shrnutí pravidel strategie a přepisu do skriptovacího jazyka Amibroker, který hodně pro práci se systematickými strategiemi požíváme: GPT neumí skriptovací jazyk AFL programu Amibroker interpretovat a je velmi pravděpodobné, že ve skriptu budou chybky. Bývá to ale základ, se kterým můžete začít pracovat. Mimochodem - v TechLabu, kde získáte praxi s Pythonem, vyučujeme i AFL skriptování. A 16.10.2023 spouštíme minikurz První strategie v Amibrokeru, který vás základy AFL provede. I v kontextu s ukázanými možnostmi GPT je patrné, jak hodnotné praktické znalosti v TechLabu získáte. GPT je možné používat pro solidní generování prototypů obchodních systémů. Know-how naučené v TechLabu vám pak pomůže prototypy dotahovat do produkční fáze. Zpět ke GPT. Komfort využívání podobných modelů tkví především v tom, že chat si udrží povědomí o provedené konverzaci. Jakmile GPT skončí s vytvářením základní verze systému, můžeme jej požádat, aby myšlenku rozvinul nebo třeba aplikoval v portfoliu. To vypadá takto jednoduše: A takto vypadá vytvořený portfolio graf: Zelená a modrá křivka jsou equity křivky strategie na trzích QQQ a SPY. Červená je výkonnost celého portfolia. A tímto směrem lze pokračovat. Můžeme si nechat zkusit vytvořit prototypy breakout strategií, ty kombinovat s mean reversion a podobně. Potenciál v této technologii je pro trading opravdu vysoký. Zejména pokud se dokážete ptát a rozvíjet odpovědi, které modely vrací. Chat GPT sám o sobě nepřijde zatím se systémem, který by byl použitelný tak, jak jej sám vygeneruje. Ale dokáže inspirovat. Představte si, že byste o stavbě mean reversion systémů vůbec nic nevěděli. A jak je vidět výše, stačí pár otázek a rázem máte nejen představu, jak vše funguje, ale i konkrétní backtesty a kódy, se kterými jde dál pracovat. A takto jde postupovat v dalších oblastech. Potřebujete rozvíjet momentum strategie? Můžete s GPT diskutovat o momentum faktorech, které ostatní obchodníci ve svých systémech používají, nechávat je ověřit backtesty a smysluplně vypadající myšlenky implementovat například do Amibrokeru. Podobná prostředí jsou z mého pohledu opravdu revolucí posouvající možnosti retailových obchodníků s omezenými budgety na vývoj a výzkum blíže k tomu, co si mohou dovolit různé instituce (které ale mají s vývojem také neuvěřitelné náklady na mzdy analytiků).

Nedávno se na mě obrátil trader Roman s dotazem, který se týkal tipů při vytváření obchodních systémů, které mají šanci dlouhodobě generovat peníze. Jelikož odpověď nelze shrnout do pár vět, odpovídám formou článku, ve kterém shrnu tipy i pro ostatní. Romanův dotaz: Už nějakou dobu se snažím o tvorbu vlastního systému, abych se přesvědčil, že jsem schopný sestavit něco vlastního, co bude fungovat minimálně na historických datech a nebudu muset spoléhat pouze na Vámi prezentované systémy. Vybral jsem si pro toto Bollingerova pásma, aby to byl nástroj, který má v sobě nějakou smysluplnou počáteční myšlenku a neobjevoval se ve Vámi prezentovaných systémech. Šel jsem cestou tvorby přes "in sample", "out sample" na jednom indexu, a ještě si nechal data na testování před a po zvoleném testovacím období. Provedl jsem velkou spoustu testů, ale pokaždé mi ten systém zhavaroval v nějaké fázi testování. Hodně přemýšlím o diverzifikaci, jednak díky Vašim článkům, a taky i dvěma knihám od Roberta Carvera, které jste prezentoval na Finančníkovi a které jsem si prostudoval. Proto jsem začal přemýšlet a zkoumat trochu odlišnou cestu. Vzal jsem jednoduchý systém s minimem volitelných parametrů a začal provádět backtesty v určitém rozsahu parametrů na celém vzorku dat bez rozlišení "in sample" a "out sample" a na šesti indexech (OEX, NDX, SPX, RUI, RUT, RUA). Sledoval jsem funkčnost tohoto systému jednak v rozsahu parametrů, a taky na uvedených indexech. Následně jsem z celého souboru systémů vybral určitý počet systémů na základě CAR, RAR, jejichž equity křivky vykazovaly odlišnosti a zkoumal korelace těchto systémů a na základě těchto korelací poskládat několik stejných systémů s různými parametry a na různých indexech dohromady a prozkoumal výslednou equity křivku. K tomuto procesu jsem dospěl po předešlých nezdarech, když jsem se snažil vyvinout systém na "in sample" a "out sample" datech. Taky mě k tomu dovedla myšlenka, že by se tímto dala omezit přeoptimalizace. Co si o takovém postupu myslíte? Zkoušel jste někdy podobný postup? Vím, že jasnou odpověď dostanu pouze testováním takového systému, přesto by mě zajímal Váš názor, případně připomínky, v čem by takový postup mohl mít své slabé stránky. Téma vytváření obchodních systémů není jednoduché, protože neexistuje nějaký jeden mustr, podle kterého postupovat. Nicméně jsou určité body, které sám považuji za absolutní základ toho, abych měl důvěru pustit systémy na živý účet. V první řadě je potřeba nejprve opravdu kriticky přemýšlet o edge, který chceme obchodovat. Důležité je přijmout skutečnost, že 90 % informací, které jsou k dispozici na internetu ohledně tradingu nefungují a nedávají smysl. S použitím optimalizace parametrů pro vstup a výstup nalezneme při využití kteréhokoliv přístupu systémy, které generují hezké výkonnostní křivky na historických grafech, ale mívají nulovou šanci vydělávat do budoucna. Typicky pokud se někdo rozhodne stavět například intradenní systém s využitím klasických indikátorů na pětiminutových forexových grafech, je šance na dlouhodobý pozitivní výsledek skutečně nulová. A přitom mnoho traderů touto cestou jde a snaží se najít způsob, jak takto vytvořený systém „validovat“ – poznat, jestli má šanci fungovat do budoucna. A to přitom nejde. Šanci na budoucí úspěch systému nejvíce ovlivňuje princip, na kterém systém stavíme s tím, že ostatními komponenty jako je risk management a position sizing můžeme systém zlepšit nebo zhoršit. Opravdu se tak vyplatí nejprve co nejdetailněji studovat základní obchodovaný edge. V první fázi jen v těch nejhrubších obrysech tak, abychom zkoumání neovlivňovali dalšími prvky obchodního systému. Například u zmíněných bollingerových pásem by mě zajímalo, jestli existuje závislost vzdáleností ceny od bollingerova pásma a budoucími výnosy. Protože pokud takovou závislost nenaleznu, nemá smysl na myšlence stavět obchodní systém. Zní to logicky, ale běžně tomuto věnuje pozornost jen opravdu mizivá část traderů. Konkrétní cesta, jak závislost zkoumat, může být použití korelačních grafů. Podrobný tutoriál, jak postupovat od základních dat až po zobrazení korelačního grafu jsem minulý týden publikoval zde do TechLabu. Zkoumání základního edge podobným způsobem má i tu výhodu, že do budoucna přesně víme, na jakém principu bude náš systém vydělávat. Korelační graf zkoumající závislost mezi krátkodobou korekcí a budoucími výnosy. Podrobněji se tématu věnuji v tomto tutoriálu TechLabu. Pokud mám nalezený funkční základní edge, mohu jej zkusit přeměnit do obchodního systému. Osobně používám in sample/out of sample periody, ale je dobré je nepřeceňovat. Jak jsem na Finančníkovi již několikrát ukazoval, pár let vývoje systému (zejména swingového) neobsahuje dostatek dat, abychom jej mohli nějak zásadně statisticky vyhodnocovat. Tedy to, že se systému nedaří v out of sample neznamená, že se mu nemůže dařit při živém obchodování a naopak. V out of sample periodách sleduji spíše charakter výkonnosti. Zejména nechci vidět, aby se po konci in-sample výkonnostní křivka „prudce zlomila“, protože to indikuje přeoptimalizaci. Dokáži si nicméně představit vývoj systému i na všech datech. Varoval bych ale při vývoji a vyhodnocování systému před sledováním historické equity křivky. Je lepší sledovat jen číselné ukazatele – sharpe ratio, volatilitu, frekvenci obchodů, průměrný obchod atd. A robustnost testovat pomocí monte carlo simulací. Osobně bych nevybíral systémy na základě vzhledu jejich historických equity křivek. Obchodování variací jednoho systémů s různými parametry je z mé zkušenosti dobrá myšlenka. V praxi je ji třeba zasadit do kontextu velikosti obchodního účtu. Protože čím více systémy rozdrobíme, tím více mohou představovat zátěž komise. V každém případě je klíčem k úspěchu následné portfolio. Pokud v něm budete obchodovat více systémů s dobrým základním edge (viz výše) a kontrolovat u nich korelaci a risk, tak s velkou pravděpodobností v budoucnu vyděláte. Pořád je třeba mít na paměti, že i kvalitní systém může mít prodělečný rok. Není tedy možné se zabývat otázkou, jak vybrat takové systémy, které budou jenom vydělávat. Je potřeba přemýšlet o tom, jak poskládat systémy využívající alespoň trochu různé obchodní logiky. Pokud vám tedy vyzkoumaný systém dává smysl z pohledu základního edge, je dobré zauvažovat o nasazení do portfolia. Veškerá „kouzla“ se v tradingu skutečně dějí na jeho úrovni. Tady je ukázka, jak konkrétně uvažuji. Řekněme, že budu mít informace vycházející hlavně z Finančníka. Mohu si poskládat portfolio: Kde: Monday Buyer, vyučovaný ve swingovém workshopu, by měl vydělávat delším držením méně volatilních kvalitních akcií poté, co si projdou korekcí (určitá forma mean reversion systému). Mopull Limit, také vyučovaný ve swingovém workshopu, spekuluje na intradenní oslabení v korekci po průrazu dlouhodobých cenových maxim (mean reversion). Micro Breakout, popisovaný rámcově zde, vychází z následování růstového momenta u akcií s nižší likviditou (trend following). Minimální dynamické portfolio, popisované rámcově zde, drží portfolio základních aktiv - akcie, zlato, dluhopisy (trend following). Tedy každý systém obchoduje v akciích trochu jiný edge a osobně jsem absolutně přesvědčený, že všechny edge najednou fungovat nepřestanou. Naopak se doplňují, o čem svědčí i historická křivka celého portfolia (výsledky po komisích a bez dividend, které výkonnost ještě reálně zvyšují): Vidím, že portfolio má historicky sharpe ratio 1.69 a nejvyšší drawdown 12,87 %. Jelikož mám současně důvěru v obchodované základní edge jednotlivých systémů, tak bych se nebál jej obchodovat živě a třeba použít u některých systémů páku pro zvýšení výkonnosti (díky nízkému drawdownu je to možné). Jako že všechny zmíněné systémy živě na svých účtech obchoduji. OK, ale jak portfolio rozvíjet dál? Tady přichází důležitá skutečnost. Z mé zkušenosti nemá smysl zkoušet hledat další podobné systémy. Například nějaký jiný nákup korekce v akciích, které už obchoduji v podobě Monday Buyer a Mopull Limit. I když použiji třeba jinou vstupní logiku a jiné indikátory, budou pořád obchodovat stejný edge, a tudíž nepůjde o reálnou diverzifikaci. Portfolio je dobré posouvat o strategie využívající jiné edge. I když zůstaneme jen v akciích, tak existuje stále hodně přístupů, ve kterých systémy vyvíjet – sám mám ještě systémy obchodující sezónnost, systémy inkasující prémium z vypisovaných opcí a pracuji na systémech využívajících vyhlašování ekonomických reportů. Velmi důležité je tedy především nesnažit se při vývoji systémů hledat svatý grál. Je dobré přemýšlet o principech, které v trzích fungují dlouhodobě a systémy stavět hlavně tak, abychom řídili risk. Co nejdříve se pak dostat do fáze obchodování portfolií systémů postavených na různých edge, kde platí, že čím více systémů budeme obchodovat, tím méně nás bude trápit to, že občas vyvineme systém, který v budoucnu nebude generovat peníze tak, jak to indikoval v historickém backtestu. Pomohl vám článek? Sdílejte prosím jeho anotaci publikovanou na této naší facebokové stránce.