Алгоритмічний торговий робот: розробка, тестування та результати

Побудова торгової стратегії з аналізом через backtesting і quantstats

У цій статті представлено повний процес створення торгової стратегії — від генерації сигналів до детального аналізу результатів. Основна увага приділена саме реалізації логіки торгівлі, адаптивному управлінню ризиками та використанню спеціалізованих інструментів Python.

🛠 Інструменти, використані в проекті:

• backtesting — симуляція стратегії на історичних даних із урахуванням комісій, стопів, ринкових ордерів
• quantstats-lumi — генерація звітів із ключовими метриками: CAGR, Sharpe, просадки, волатильність тощо

📈 Ключові компоненти реалізованої стратегії:

• Сигнали на основі SMA + RSI — чіткі умови входу/виходу з позицій
• Динамічний розмір позиції — залежить від волатильності, сили тренду та RSI
• SL/TP контроль — адаптивний рівень обмеження збитків і фіксації прибутку
• Оцінка продуктивності — через стандартні фінансові метрики та інтерактивні графіки

🎯 Мета: Створити стратегічний фреймворк, який можна розширювати під будь-який актив або тип ринку — без прив’язки до конкретного інструменту.

---

Try it yourself: запустіть Google Colab-ноутбук із повним кодом за 🔗 цим посиланням

Перегляньте результати Стратегії

📈 Графік повністю

Архітектура стратегії: ключові моделі

AdvancedSmaStrategy – це не просто набір правил, а система взаємопов’язаних моделей, кожна з яких виконує свою функцію.

Альфа Модель (генерація сигналів)

Відповідає за ідентифікацію потенційних точок входу та виходу.

• Основа: Комбінація 4-х ковзних середніх (SMA) з різними періодами (n1, n2, n_enter, n_exit).
• Сигнали Входу:
  • Long: Перетин ціною (Close) короткої SMA (sma_enter) знизу вгору, за умови підтвердження тренду (середня sma1 > довгої sma2).
  • Short: Перетин ціною короткої SMA (sma_enter) зверху вниз, за умови підтвердження тренду (sma1 < sma2).
• Фільтр Сигналів: Індекс Відносної Сили (RSI).
  • Long: Тільки якщо RSI < 70 (уникнення перекупленості).
  • Short: Тільки якщо RSI > 30 (уникнення перепроданості).
• Сигнали Виходу: Перетин ціною “дуже короткої” SMA (sma_exit) у напрямку, протилежному відкритій позиції.

Модель Оцінки Ризиків (управління позицією)

Критично важливий компонент для захисту капіталу та оптимізації прибутку.

• Stop Loss (SL) та Take Profit (TP): Відсоткові, встановлюються для кожної угоди (stop_loss_pct, take_profit_pct).
• Динамічний Розмір Позиції:
  • Базовий ризик: 2% від поточного капіталу на угоду.
  • Коригування: Розмір позиції додатково модулюється current_margin мультиплікатором.
  • current_margin розраховується динамічно: margin = min_margin + (max_margin - min_margin) * norm_vol * rsi_factor * trend_factor
    • norm_vol (нормалізована волатильність): Інвертована волатильність (менша волатильність ринку → більший розмір позиції).
    • rsi_factor: Залежить від RSI (нейтральний RSI → більший розмір, екстремальний → менший).
    • trend_factor: Залежить від сили тренду (різниця між sma1 та sma2).

---

Результати в цифрах: Стратегія vs. Buy & Hold

Оптимізація параметрів проводилася за допомогою backtesting.py та методу sambo. Ось ключові показники ефективності:

Метрика	Стратегія	Buy & Hold
Загальна Дохідність	+176%	+31%
CAGR (Середньорічна)	+39.34%	+9.15%
Максимальна Просадка	-19.65%	-91.88%
Коефіцієнт Шарпа	1.44	0.60

Стратегія не тільки значно перевершила пасивне утримання активу за прибутковістю, але й зробила це з набагато меншими ризиками.

---

Висновок

Цей проект демонструє, як комбінація перевірених технічних індикаторів, доповнена продуманою моделлю управління ризиками та динамічним розміром позиції, може дати чудові результати. Ретельне бектестування та оптимізація є ключем до створення ефективних торгових алгоритмів.

Планую і надалі вдосконалювати стратегію, зокрема через впровадження адаптивних SL/TP та дослідження інших факторів впливу.

GitHub Link