我们曾努力研究各种运用机器学习的方式，旨在发现市场中的形态。 您已经知道如何训练模型并实现它们。 但还有很多交易方式，几乎每种方法都可以通过运用现代机器学习算法进行改进。 其中最流行的算法之一就是网格和/或马丁格尔。 在撰写本文之前，我做了一些探索性分析，在互联网上搜索相关信息。 令人惊讶的是，这种方法在全球网络中难觅踪迹。 我在社区成员中发起了一次有关此解决方案前景的调查，大多数人回答说他们甚至不知道如何入手该主题，但是这个想法听起来很有趣。 虽然，这个思路本身似乎很简单。赫兹股票期货量化软件
我们抱着两个目的来进行一系列实验。 首先，我们将尝试证明它并不像乍看起来那样困难。 其次，我们将尝试找出这种方式是否实用和有效。
成交贴标签
主要任务是正确地为成交贴标签。赫兹股票期货量化软件 我们还记得以前文章中如何处理单一仓位的。 我们设置了随机或确定性的成交边际，例如，15 根柱线。 如果行情在这 15 根柱线上都在上涨，则该成交被贴上标签“买入”，否则被贴上标签“卖出”。 类似的逻辑也运用在订单网格，但是此处必须考虑一组持仓的总盈利/亏损。 这可以用一个简单的例子来阐述。 作者会尽力描绘蓝图。
假设交易边际是15（十五）根柱线（在传统时间标尺上以垂直线标记的红色笔划）。 如果只有一笔持仓，由于行情已从一个点位上涨到另一个点位，故它将被贴上标签“买入”（绿色点划斜线）。 行情在此处显示为黑色折线。
有了这样的标签，过渡行情的波动即被忽略了赫兹股票期货量化软件。 如果我们运用订单网格（红色和绿色水平线），则必须计算所有已触发挂单的总利润，包括自最初开始的订单（您可在同一方向上开仓布局网格；或者选择放置挂单网格，无需即刻开仓）。 针对学习历史的整个深度，在滑动窗口中持续如此贴标签。赫兹股票期货量化软件 ML（机器学习）的任务是归纳各种状况，并基于新数据有效地预测（如果可能）。
在这种情况下，也许会有若干个选项用于选择交易方向，并为数据贴标签。 如何选择在此即是哲学也是实验任务。
- 依据最大总利润进行选择。 如果“卖出”网格产生更多的利润，则为该网格贴标签。
- 在持单数量和总利润之间进行加权选择。赫兹股票期货量化软件 如果网格中每笔持单的平均利润高于逆向的平均利润，则选择该边。
- 依据已触发订单的最大数量进行选择。赫兹股票期货量化软件 由于所期望的机器人应遵照网格交易，该选项看起来很合理。 如果已触发订单数量最大，且总仓位处于获利状态，则选择此侧。 这一侧代表网格的方向（卖出或买入）。赫兹股票期货量化软件
这三条准测对于开始似乎已经足够了。 赫兹股票期货量化软件我们来详细研究第一个，因为它是最简单的一个，旨在获得最大的利润。
在代码中为成交贴标签
现在我们回想一下以前文章中如何为成交贴标签。
def add_labels(dataset, min, max): labels = [] for i in range(dataset.shape[0]-max): rand = random.randint(min, max) curr_pr = dataset['close'][i] future_pr = dataset['close'][i + rand] if future_pr + MARKUP < curr_pr: labels.append(1.0) elif future_pr - MARKUP > curr_pr: labels.append(0.0) else: labels.append(2.0) dataset = dataset.iloc[:len(labels)].copy() dataset['labels'] = labels dataset = dataset.dropna() dataset = dataset.drop( dataset[dataset.labels == 2].index).reset_index(drop=True) return dataset
该代码需要针对常规网格和马丁格尔网格进行归纳。 另一个令人兴奋的功能是，您可以浏览含有不同数量订单的网格，订单之间的距离不同，甚至可以运用马丁格尔（手数递增）。赫兹股票期货量化软件
为此，我们添加全局变量，以后可用它来优化。赫兹股票期货量化软件
GRID_SIZE = 10 GRID_DISTANCES = np.full(GRID_SIZE, 0.00200) GRID_COEFFICIENTS = np.linspace(1, 3, num= GRID_SIZE)
GRID_SIZE 变量里包含双向订单的数量。
GRID_DISTANCES 设置订单之间的距离。 距离可以是固定的，亦或可变的（对于所有订单而言各有不同）。 这将有助于提升交易系统的灵活性。
GRID_COEFFICIENTS 变量包含每笔订单的手数乘数。 如果它们是常数，则系统将创建规则的网格。 如果手数不同，那么它会是马丁格尔或逆马丁格尔，或任何其他运用不同手数乘数的网格名称。
对于那些刚接触 numpy 函数库的人：
- np.full 用指定数量的相同值填充数组
- np.linspace 用指定数量的值填充数组，其值均匀地分布在两个实数之间。 在上面的示例中，GRID_COEFFICIENTS 将包含以下内容。
array([1. , 1.22222222, 1.44444444, 1.66666667, 1.88888889, 2.11111111, 2.33333333, 2.55555556, 2.77777778, 3. ])
相应地，第一个手数乘数将等于 1，因此该手数将等于交易系统参数中指定的基本手数。 在以后的网格里订单手数乘数连续从 1 到 3。 若在网格里的所有订单采用固定乘数，则需调用 np.full。 赫兹股票期货量化软件
统计已触发和未触发订单可能有些棘手，故此我们需要创建某种数据结构。 我决定创建一本字典来保存每个特定案例（样本）的订单和仓位记录。 取而代之，我们可以利用数据类对象，熊猫数据框架或 numpy 结构化数组。 最后的解决方案，很可能是最快的，但在此它并不要紧。赫兹股票期货量化软件
每次迭代将样本添加到训练集合当中，并创建有关的订单网格信息，保存在字典里。 这可能需要一些解释。 grid_stats 字典包含有关当前订单网格从打开到平仓的所有必需信息。 赫兹股票期货量化软件
def add_labels(dataset, min, max, distances, coefficients):
labels = []
for i in range(dataset.shape[0]-max):
rand = random.randint(min, max)
all_pr = dataset['close'][i:i + rand + 1]
grid_stats = {'up_range': all_pr[0] - all_pr.min(),
'dwn_range': all_pr.max() - all_pr[0],
'up_state': 0,
'dwn_state': 0,
'up_orders': 0,
'dwn_orders': 0,
'up_profit': all_pr[-1] - all_pr[0] - MARKUP,
'dwn_profit': all_pr[0] - all_pr[-1] - MARKUP
}
for i in np.nditer(distances):
if grid_stats['up_state'] + i <= grid_stats['up_range']:
grid_stats['up_state'] += i
grid_stats['up_orders'] += 1
grid_stats['up_profit'] += (all_pr[-1] - all_pr[0] + grid_stats['up_state']) \
* coefficients[int(grid_stats['up_orders']-1)]
grid_stats['up_profit'] -= MARKUP * coefficients[int(grid_stats['up_orders']-1)]
if grid_stats['dwn_state'] + i <= grid_stats['dwn_range']:
grid_stats['dwn_state'] += i
grid_stats['dwn_orders'] += 1
grid_stats['dwn_profit'] += (all_pr[0] - all_pr[-1] + grid_stats['dwn_state']) \
* coefficients[int(grid_stats['dwn_orders']-1)]
grid_stats['dwn_profit'] -= MARKUP * coefficients[int(grid_stats['dwn_orders']-1)]
if grid_stats['up_profit'] > grid_stats['dwn_profit'] and grid_stats['up_profit'] > 0:
labels.append(0.0)
continue
elif grid_stats['dwn_profit'] > 0:
labels.append(1.0)
continue
labels.append(2.0)
dataset = dataset.iloc[:len(labels)].copy()
dataset['labels'] = labels
dataset = dataset.dropna()
dataset = dataset.drop(
dataset[dataset.labels == 2].index).reset_index(drop=True)
return dataset
all_pr 变量包含从当前到未来的价格。 需要计算网格本身。 为了构建网格，我们想知道从第一根到最后一根柱线的价格范围。 这些值包含在 “up_range” 和 “dwn_range” 字典条目当中。 变量 “up_profit” 和 “dwn_profit” 将包含当前历史片段中的 “买入” 或 “卖出” 网格所获得的最终利润。 这些数值的初始值，来自最初开仓的一笔成交中获得的利润。 然后，如果网格挂单被触发，所有开单成交均会汇总。
现在，我们需要遍历所有 GRID_DISTANCES，并检查是否触发了挂单。 如果订单处于 up_range 或 dwn_range 范围内，则该订单已被触发。 在这种情况下，我们增加相应的 up_state 和 dwn_state 计数器，这些计数器存储最后一次激活订单的级别。 在下一次迭代中，网格中距新订单的距离会被添加到该级别 - 如果该订单在价格范围内，则它也已被触发。
所有已触发的订单均要编写附加信息。 例如，挂单的利润被添加到总数值之中。 对于买入仓位，此利润采用以下公式计算。 此处，用仓位的最后价格（应该是该仓位的平仓价）减去开仓价格，加上与系列中所选挂单的距离，并将结果乘以网格中该订单的手数乘数。 卖出订单则是逆计算。 累积的标记则会另外计算。
grid_stats['up_profit'] += (all_pr[-1] - all_pr[0] + grid_stats['up_state']) \ * coefficients[int(grid_stats['up_orders']-1)] grid_stats['up_profit'] -= MARKUP * coefficients[int(grid_stats['up_orders']-1)]
下一个代码模块检查买入和卖出网格的利润。 参考累计的标记，若利润大于零，且是最大值，则将相应的样本添加到训练集合当中。 如果不满足任何条件，则添加 2.0 标记 - 带有该标记的样本将从训练数据集合中删除，因为这代表它们是无用的。 这些条件可以以后更改，取决于所期望网格的构建选项。
升级测试器以便能操控订单网格
为了正确地计算来自网格交易中获得的利润，我们需要修改策略测试器。 我决定令其类似于 赫兹股票期货量化软件 测试器，如此它即可顺序地遍历报价历史，并像真实交易一样开仓和平仓。 这样可以提升对代码的理解，并避免以后有所遗漏。 我将重点介绍代码的要点。 我不会在这里提供测试器旧版，但是您可以在我以前的文章中找到它。 我猜测有些读者可能不理解下面的代码，因为他们想快点拿到圣杯，不想啰嗦。 然而，关键点应予以澄清。赫兹股票期货量化软件
def tester(dataset, markup, distances, coefficients, plot=False):
last_deal = int(2)
all_pr = np.array([])
report = [0.0]
for i in range(dataset.shape[0]):
pred = dataset['labels'][i]
all_pr = np.append(all_pr, dataset['close'][i])
if last_deal == 2:
last_deal = 0 if pred <= 0.5 else 1
continue
if last_deal == 0 and pred > 0.5:
last_deal = 1
up_range = all_pr[0] - all_pr.min()
up_state = 0
up_orders = 0
up_profit = (all_pr[-1] - all_pr[0]) - markup
report.append(report[-1] + up_profit)
up_profit = 0
for d in np.nditer(distances):
if up_state + d <= up_range:
up_state += d
up_orders += 1
up_profit += (all_pr[-1] - all_pr[0] + up_state) \
* coefficients[int(up_orders-1)]
up_profit -= markup * coefficients[int(up_orders-1)]
report.append(report[-1] + up_profit)
up_profit = 0
all_pr = np.array([dataset['close'][i]])
continue
if last_deal == 1 and pred < 0.5:
last_deal = 0
dwn_range = all_pr.max() - all_pr[0]
dwn_state = 0
dwn_orders = 0
dwn_profit = (all_pr[0] - all_pr[-1]) - markup
report.append(report[-1] + dwn_profit)
dwn_profit = 0
for d in np.nditer(distances):
if dwn_state + d <= dwn_range:
dwn_state += d
dwn_orders += 1
dwn_profit += (all_pr[0] + dwn_state - all_pr[-1]) \
* coefficients[int(dwn_orders-1)]
dwn_profit -= markup * coefficients[int(dwn_orders-1)]
report.append(report[-1] + dwn_profit)
dwn_profit = 0
all_pr = np.array([dataset['close'][i]])
continue
y = np.array(report).reshape(-1, 1)
X = np.arange(len(report)).reshape(-1, 1)
lr = LinearRegression()
lr.fit(X, y)
l = lr.coef_
if l >= 0:
l = 1
else:
l = -1
if(plot):
plt.figure(figsize=(12,7))
plt.plot(report)
plt.plot(lr.predict(X))
plt.title("Strategy performance")
plt.xlabel("the number of trades")
plt.ylabel("cumulative profit in pips")
plt.show()
return lr.score(X, y) * l
纵观历史，网格交易者仅对余额曲线感兴趣，而往往忽视净值曲线。 因此，我们将坚持这一传统，且不会令我们复杂的测试仪变得过于复杂。 我们将仅显示余额图形。 进而，净值曲线可始终在赫兹股票期货量化软件终端中查看。
我们循环遍历所有价格，并将它们添加到数组 all_pr。 此外，上面标记了三个选项。 由于以前的文章中已经讨论过该测试器，因此，我仅解释出现相反信号时网格平单的选项。 就像在为成交贴标签时一样，up_range 变量存储按平仓时间的价格范围。 接下来，计算第一笔仓位（按市价开仓）的利润。 然后，循环检查是否存在已触发挂单。 如果有，则将其结果添加到余额图形中。 卖出订单/仓位也需执行相同的操作。 因此，余额图形反映的是所有已平仓位，而不是一组的总利润。
测试操控订单网格的新方法
我们已经很熟悉如何为机器学习准备数据。 首先获取价格和一套功能，然后为数据贴标签（创建“买入”和“卖出”标签），然后在自定义测试器中检查标签。
# Get prices and labels and test it pr = get_prices(START_DATE, END_DATE) pr = add_labels(pr, 15, 15, GRID_DISTANCES, GRID_COEFFICIENTS) tester(pr, MARKUP, GRID_DISTANCES, GRID_COEFFICIENTS, plot=True)
现在，我们需要训练 CatBoost 模型，并依据新数据对其进行测试。 由于其效果良好，我决定再次依据高斯混合模型生成的合成数据进行训练。
# Learn and test CatBoost model
gmm = mixture.GaussianMixture(
n_components=N_COMPONENTS, covariance_type='full', n_init=1).fit(pr[pr.columns[1:]])
res = []
for i in range(10):
res.append(brute_force(10000))
print('Iteration: ', i, 'R^2: ', res[-1][0])
res.sort()
test_model(res[-1])
在此示例中，我们将依据 10,000 个生成的样本上训练 10 个模型，并通过 R^2 分数选择最佳的一个模型。 学习过程如下。
Iteration: 0 R^2: 0.8719436661855786 Iteration: 1 R^2: 0.912006346274096 Iteration: 2 R^2: 0.9532278725035132 Iteration: 3 R^2: 0.900845571741786 Iteration: 4 R^2: 0.9651728908727953 Iteration: 5 R^2: 0.966531822300101 Iteration: 6 R^2: 0.9688263099200539 Iteration: 7 R^2: 0.8789927823514787 Iteration: 8 R^2: 0.6084261786804662 Iteration: 9 R^2: 0.884741078512629
大多数模型在新数据上的 R^2 分数都很高，这表明该模型具有很高的稳定性。 这是训练数据和训练外数据的余额图结果。
看起来不错。 现在，我们可以导出经过 赫兹股票期货量化软件 训练的模型，并在终端测试器中检查其结果。 在测试之前，有必要准备智能交易系统，并包含文件。 每个训练过的模型都有其自己的文件，因此可以轻松存储和更改它们。
把 CatBoost 模型导出到 MQL5
调用以下函数来导出模型。
export_model_to_MQL_code(res[-1][1])
该函数已稍作修改。 针对修改的解释如下。
def export_model_to_MQL_code(model):
model.save_model('catmodel.h',
format="cpp",
export_parameters=None,
pool=None)
# add variables
code = '#include <Math\Stat\Math.mqh>'
code += '\n'
code += 'int MAs[' + str(len(MA_PERIODS)) + \
'] = {' + ','.join(map(str, MA_PERIODS)) + '};'
code += '\n'
code += 'int grid_size = ' + str(GRID_SIZE) + ';'
code += '\n'
code += 'double grid_distances[' + str(len(GRID_DISTANCES)) + \
'] = {' + ','.join(map(str, GRID_DISTANCES)) + '};'
code += '\n'
code += 'double grid_coefficients[' + str(len(GRID_COEFFICIENTS)) + \
'] = {' + ','.join(map(str, GRID_COEFFICIENTS)) + '};'
code += '\n'
# get features
code += 'void fill_arays( double &features[]) {\n'
code += ' double pr[], ret[];\n'
code += ' ArrayResize(ret, 1);\n'
code += ' for(int i=ArraySize(MAs)-1; i>=0; i--) {\n'
code += ' CopyClose(NULL,PERIOD_CURRENT,1,MAs[i],pr);\n'
code += ' double mean = MathMean(pr);\n'
code += ' ret[0] = pr[MAs[i]-1] - mean;\n'
code += ' ArrayInsert(features, ret, ArraySize(features), 0, WHOLE_ARRAY); }\n'
code += ' ArraySetAsSeries(features, true);\n'
code += '}\n\n'
# add CatBosst
code += 'double catboost_model' + '(const double &features[]) { \n'
code += ' '
with open('catmodel.h', 'r') as file:
data = file.read()
code += data[data.find("unsigned int TreeDepth")
:data.find("double Scale = 1;")]
code += '\n\n'
code += 'return ' + \
'ApplyCatboostModel(features, TreeDepth, TreeSplits , BorderCounts, Borders, LeafValues); } \n\n'
code += 'double ApplyCatboostModel(const double &features[],uint &TreeDepth_[],uint &TreeSplits_[],uint &BorderCounts_[],float &Borders_[],double &LeafValues_[]) {\n\
uint FloatFeatureCount=ArrayRange(BorderCounts_,0);\n\
uint BinaryFeatureCount=ArrayRange(Borders_,0);\n\
uint TreeCount=ArrayRange(TreeDepth_,0);\n\
bool binaryFeatures[];\n\
ArrayResize(binaryFeatures,BinaryFeatureCount);\n\
uint binFeatureIndex=0;\n\
for(uint i=0; i<FloatFeatureCount; i++) {\n\
for(uint j=0; j<BorderCounts_[i]; j++) {\n\
binaryFeatures[binFeatureIndex]=features[i]>Borders_[binFeatureIndex];\n\
binFeatureIndex++;\n\
}\n\
}\n\
double result=0.0;\n\
uint treeSplitsPtr=0;\n\
uint leafValuesForCurrentTreePtr=0;\n\
for(uint treeId=0; treeId<TreeCount; treeId++) {\n\
uint currentTreeDepth=TreeDepth_[treeId];\n\
uint index=0;\n\
for(uint depth=0; depth<currentTreeDepth; depth++) {\n\
index|=(binaryFeatures[TreeSplits_[treeSplitsPtr+depth]]<<depth);\n\
}\n\
result+=LeafValues_[leafValuesForCurrentTreePtr+index];\n\
treeSplitsPtr+=currentTreeDepth;\n\
leafValuesForCurrentTreePtr+=(1<<currentTreeDepth);\n\
}\n\
return 1.0/(1.0+MathPow(M_E,-result));\n\
}'
file = open('C:/Users/dmitrievsky/AppData/Roaming/MetaQuotes/Terminal/D0E8209F77C8CF37AD8BF550E51FF075/MQL5/Include/' +
str(SYMBOL) + '_cat_model_martin' + '.mqh', "w")
file.write(code)
file.close()
print('The file ' + 'cat_model' + '.mqh ' + 'has been written to disc')
现在可以保存训练中所用的网格设置。 它们将会在交易时用到。
来自标准终端发布包的移动平均线和指标缓冲区，已不再使用。 取而代之，所有功能都在函数主体中计算。 添加原始功能时，也应在导出的函数里添加这些功能。
绿色高亮示意终端的 “Include” 文件夹的路径。 它允许保存 .mqh 文件，并将其连接到智能交易系统。
我们来查看 .mqh 文件本身（此处省略了 CatBoost 模型）
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
