BitMech 探索的 トレーディングシステム fin-py study #1

Transcript

1. BitMech 探索的 トレーディングシステム
2. 注意 本スライドは、投資勧誘や特定銘柄への投資を推奨するものではありません。投資に 関する最終決定はご自身の判断でなさるようお願いいたします。 本スライドの運用実績その他の情報は、今後の運用成果を予想または示唆するもので はなく、また、将来の運用成果をお約束するものでもありません。 投資は自己責任でね☆
3. 目次 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
4. ベイズ最適化でトレーディング ボット最適化してみた GekkoJaponicus
5. BitCoin市場の悪いところ BitCoinはハイリスクハイリターン。 そもそも金融商品じゃないため、国の保証はありません。 税金もそれなりにかかります。利益は雑所得。 個人だけじゃなく取引所自体もハッキングの被害にあっている。 まだまだ未熟な技術、コミュニティ
6. BitCoin市場のいいところ 取引手数料0.01%ぐらい。入金は100円ぐらいから出来る 取引所が山ほどある。パスポートがあれば外国の取引所でも取引できる 取引所が24時間空いている。ほぼすべての取引所がAPIとSDKがある ファンダメンタル要素がほとんど無い。テクニカルオンリーで行ける 取引の約定まで10分ほどかかる。超短期トレードがない。 常に成長しています。市場も資本も技術もコミュニティも。
7. BitCoinトレーディングボット 機械学習には、パラメーターが膨大な数がある。 グリッドサーチではとても効率が悪いが、ランダムサーチよりも早く結果を得たい。 →ベイズ最適化
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
10. ベイズ最適化 Gekkoというトレーディングボットがあったので、こいつのパラメータを最適化しようとした ら、同じようなことをGeneticProgrammingでやってる人が居たので、相乗りした https://github.com/mainyaa/gekkoJaponicus
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 } },
15. "report": { "currency": "USDT", "asset": "BTC", "startTime": "2017-06-17 07:35:00", "endTime": "2017-09-15 07:35:00", "timespan": "3 months", "market": 27.596381454724337, "balance": 3131.48495283, "profit": 576.0583990200003, "relativeProfit": 22.54255353812181, "yearlyProfit": "2336.23684047", "relativeYearlyProfit": "91.42257824", "startPrice": 2455.42655381, "endPrice": 3133.03543194, "trades": 11, "startBalance": 2555.42655381, "sharpe": 3.4588682678334988, "alpha": 548.4620175652759 }
16. 小数 最適化で得られる数は小数である。 人間のトレーダーは見ているトレーディングプログラムのせいで知らないうちに整数とい う制約を課されている。 キャンドルサイズ、EMAの数値など、あらゆるものは小数を使うことでより細かくなる
20. // MACD Settings // 1st Evaluate: // count: 20.000 // mean: 1.956 // std: 8.047 // min: -11.649 // 25%: -3.180 // 50%: 0.989 // 75%: 4.577 // max: 19.710 // 2nd Evaluate: // count: 20.000 // mean: -1.209 // std: 7.454 // min: -13.935 // 25%: -6.069 // 50%: -1.290 // 75%: 4.532 // max: 15.764 // 3rd Evaluate nearest date: 2017-08-04 01:17:00 to 2017-08-07 01:17:00 // Evaluted Score: 15.179254 // Realtime Score: 19.415671644
21. voting 複数指標をまとめたトレーディングシステムを作りたい 利回りr、n個の指標 w=r/nを指標のウェイトとしてBUYの指標の合計が0.5を超えたらBUYする →うまく行かなかった。AND条件になるため、売買回数が少なくなる
22. Gekkoの限界にぶち当たる 単一指標しか動かない JavaScriptじゃなくてPythonで書きたい Gekkoのソース読んだらすごいシンプル。これなら自分でかけるんじゃない？ フルスクラッチでPythonで書きました！→ BitMech https://github.com/mainyaa/bitmech
23. 強化学習でトレーディングボッ ト最適化してみた BitMech
24. 強化学習 AlphaGoで有名な手法 探索的に 強化学習の詳細はこちら！ -> ゼロからDeepまで学ぶ強化学習
25. 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
26. 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
27. 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
29. 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'])
30. 結果
31. { "startTime": "2017-09-16 21:20:00", "endTime": "2017-10-16 21:10:00", "timespan": "30 days +00:10:00", "market": 57.54195628060023, "profit": 211503.88575317, "relative_profit": 52.47206769719335, "relativeYearlyProfit": 667.1723099962994, "trades": 7, "alpha": -5.069888583406879, "vol": 14.58040336060525, "beta": 8.57450862367706, "hpm(0.0)_1": 10.57393540908159, "lpm(0.0)_1": 0.20543805133434886, "VaR(0.05)": 0.741872972377621, "CVaR(0.05)": Infinity, "Drawdown(5)": 0.741872972377621, "Max Drawdown": 0.9931148851914983, "Treynor Ratio": 1.2092024461391673, "Sharpe Ratio": 0.7111131664714991, "Information Ratio": 6.059422344061186, "Excess VaR": 13.975865395072118, "Conditional Sharpe Ratio": 0.0, "Omega Ratio": 50.46931050430054, "Sortino Ratio": 29.168212961815183, "Kappa 3 Ratio": 23.461701486849886, "Gain Loss Ratio": 51.470189385084225, "Upside Potential Ratio": 29.746660498584962, "Calmar Ratio": 10.440198769342185, "Sterling Ratio": 15.433829081932238, "Burke Ratio": 13.578582235419699, }
32. 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
33. 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
34. BitMechの今後 複数の通貨ペアでの最適ポートフォリオ探索（ブラックリッターマンモデル、モーメンタ ム、バリュー、グロース） マーケットニュートラル、ストップロス最適化、Exit戦略、ヘッジ最適化、日次で学習＆最 適化 注文時にorderbook/spreadを見て、t分以内で約定しそうな価格の上限下限の推測 現在は現物だけなので他のものも：レバレッジ、オプション、先物、裁定 しばらくやらないこと：ICO、Windows対応、WebUI
36. まとめ BitCoinいいよ ベイズ最適化いいよ 強化学習いいよ BitMechちゃんをよろしくお願いします。