BitMech 探索的 トレーディングシステム fin-py study #1
•
2 j'aime•1,989 vues
fin-py study #1 https://fin-py.connpass.com/event/66129/ ベイズ最適化でトレーディングボットを最適化してみた https://github.com/mainyaa/gekkoJaponicus 強化学習でトレーディングボットを最適化してみた https://github.com/mainyaa/bitmech
Recommandé
Contenu connexe
Plus de Kazuyuki Mori
Dernier
Dernier (9)
BitMech 探索的 トレーディングシステム fin-py study #1
- 8. ベイズ最適化 ある関数があるときに、そのパラメータが取りうる上限と下限を渡すだけで、なんども試 行して、探索的に最大の戻り値とそのパラメーターを探す pip install bayesian-optimization https://github.com/fmfn/BayesianOptimization ベイズ最適化の詳細はこちら！ -> 機械学習のためのベイズ最適化入門
- 11. ベイズ最適化 "MACD":{ "candleSize":(1,60), # tick per minute "historySize":(1,60), "short": (0.1,30), # short EMA "longWeight": (1.,5.), # long EMA(short*longWeight) "signal": (1,18), # shortEMA - longEMA diff "thresholds.down": (-5.,0.), # trend thresholds "thresholds.up": (0.,5.), # trend thresholds "thresholds.persistence": (0,100), # trend duration(count up by tick) thresholds }
- 12. ベイズ最適化 bo = BayesianOptimization(gekko_search, settings[Strategy]) bo.maximize(init_points=100, n_iter=500) max_val = bo.res['max']['max_val'] max_params = bo.res['max']['max_params'] ※gekko_searchは、BTC_USDTの365日の履歴から、ランダムに開始日付を決 め、そこから21日間を使用してBacktestを行う。それを100回繰り返し、利回りの平均 を戻り値とする ※評価フェーズでは訓練に使用した365日以外の直近21日をテストデータとする
- 13. 結果
- 14. ベイズ最適化 "MACD": { "candleSize": 50.37603262287613, "historySize": 49.11385249240558, "short": 11.190538130227413, "long": 31.9361776661688, "signal": 8.345598472515947, "thresholds": { "down": -2.647355926611602, "up": 4.830104575041095, "persistence": 25 } },
- 23. 強化学習 試行錯誤を通じて与えられた「環境」における「価値を最大化するような行動」をエージェ ントに学習させる手法 pip install keras-rl git clone https://github.com/matthiasplappert/keras-rl python examples/dqn_cartpole.py 強化学習の詳細はこちら！ -> ゼロからDeepまで学ぶ強化学習
- 24. 強化学習 BTC_JPYのOHLCデータと、PPO, RSI, STOCHRSIのデータが環境 BUY, SELL, HOLDの3アクション keras-rl を使ってDQNで学習させてみた https://github.com/mainyaa/bitmech/blob/master/bitmech/dqn_backtest.py
- 25. Layer (type) Output Shape Param # ============================================================= dense_1 (Dense) (None, 4, 4320, 16) 128 activation_1 (Activation) (None, 4, 4320, 16) 0 dense_2 (Dense) (None, 4, 4320, 16) 272 activation_2 (Activation) (None, 4, 4320, 16) 0 dense_3 (Dense) (None, 4, 4320, 16) 272 activation_3 (Activation) (None, 4, 4320, 16) 0 flatten_1 (Flatten) (None, 276480) 0 dense_4 (Dense) (None, 3) 829443 activation_4 (Activation) (None, 3) 0 ============================================================= Total params: 830,115 Trainable params: 830,115 Non-trainable params: 0
- 27. 強化学習 memory = SequentialMemory(limit=100000, window_length=WINDOW_LENGTH) policy = BoltzmannQPolicy() dqn = DQNAgent(model=model, nb_actions=nb_actions, memory=memory, nb_steps_warmup=10, target_model_update=1e-2, policy=policy) dqn.compile(Adam(lr=1e-3), metrics=['mae'])
- 28. 結果
- 30. トレード情報: currency, asset, startTime, endTime, timespan, market, balance, profit, relativeProfit, startPrice, endPrice, trades, startBalance, alpha リスク指標: volatility, beta, hpm(0.0)_1, lpm(0.0)_1, VaR(0.05), CVaR(0.05), Drawdown(5), Max Drawdown リスク調整済み指標: Treynor Ratio, Sharpe Ratio, Information Ratio VaR調整済み指標: Excess VaR, Conditional Sharpe Ratio 下方部分積率リスク調整済み指標: Omega Ratio, Sortino Ratio, Kappa 3 Ratio, Gain Loss Ratio, Upside Potential Ratio ドローダウンリスク調整済み指標: Calmar Ratio, Sterling Ratio, Burke Ratio
- 31. BitMechで出来ること Backtest機能、realtime取引機能、realtime dry-run機能 Import機能：poloniexとbitflyerのOHLC, volume, trade数取得 hyperoptによるベイズ最適化 レポート機能：モダンポートフォリオ理論、ポストモダンポートフォリオ理論、CAPMなどに 使われる各種リスク調整済み指標が20個ぐらい（ただし、比較対象となるベンチマーク は今のところマーケットそのもの） DQNによる複数指標込みの学習