Как Linux и R помогли мне заработать на Forex

Язык программирования R — настоящая жемчужина из мира Open Source. Одной из любопытных областей применения этого языка является анализ временных рядов, построение статистической модели и прогнозирование. Попробуем скрестить ужа с ежом R с MetaTrader 4, чтобы стать валютным спекулянтом и как следует нагреть руки на кризисе.

Первым делом нам нужно поставить MetaTrader 4. Это такая проприетарная программулина, через которую можно покупать/продавать валюту. Работает только под Windows, поэтому придется запускать через Wine.

Устанавливаем Wine и пробуем запустить MT4. Ничего не получается. Оказывается, что разработчики Debian 7 сделали неприятный сюрприз пользователям 64-битной версии дистрибутива. Дело в том, что пакет с Wine под эту архитектуру есть, а внутри пакета — только заглушка, которая поздравит пользователя с тем, что у него 64-битная ОС и откажется работать дальше. Придется добавить i386 в список поддерживаемых архитектур. Очень неприятно, но что делать? Никто не обещал, что королем валютных спекуляций стать легко:

sudo dpkg --add-architecture i386
sudo apt-get update
sudo apt-get install wine:i386


Будет установлен 32-битный Wine, который сразу же полюбил MT4. Всё работает. И без единого разрыва, прошу заметить.

Что нам потребуется?

Нам требуется передавать котировки из MT4 в R, строить прогноз, рисовать график (исключительно для эффектности), принимать решение (покупать/продавать/ждать) и передавать данные обратно в MT4. Обмениваться данными, учитывая кроссплатформенность, можно 3 способами:

• через файл;
• через СУБД;
• через сокет.

Все способы хороши, но сперва надо проверить концепцию, поэтому пока ограничимся самым простым способом — через экспорт котировок в файл.

Экспорт котировок из MetaTrader 4

Жмем F2, берем пару евро/доллар, поминутные котировки и экспортируем. Программа разрешит сохранить только 65000 последних цен, но нам этого хватит с избытком.

Импорт котировок в R

Языку R хоть и сто лет в обед, тем не менее, это высокоуровневый язык, объектно-ориентированный и очень прогрессивный даже по современным меркам. Например, на нем написан фреймворк Shiny, на котором можно запилить сайт. Да такой, что поклонники модных штучек типа Angular обзавидуются, ну а пэхэписты вообще удавятся.

Не будем отвлекаться. Язык высокоуровневый, поэтому импортировать таблицы на нем — одно удовольствие. Грузим таблицу с котировками из файла (она, забыл сказать, в формате CSV):

t <- read.table("eur.csv", sep=",", header=F)

Опции означают следующее: имя файла — eur.csv, разделителем полей служит запятая, заголовка у таблицы нет.

Теперь в переменной t хранится таблица из 7 колонок и 65000 строк. Столбцы следующие: дата, время, цена открытия, максимум, минимум, цена закрытия, объем.

V1 V2 V3 V4 V5 V6 V7
64991 2015.01.19 21:48 1.16056 1.16065 1.16047 1.16062 63
64992 2015.01.19 21:49 1.16063 1.16064 1.16026 1.16026 58
64993 2015.01.19 21:50 1.16026 1.16034 1.16025 1.16026 40
64994 2015.01.19 21:51 1.16026 1.16031 1.16024 1.16030 30
64995 2015.01.19 21:52 1.16029 1.16055 1.16027 1.16055 35
64996 2015.01.19 21:53 1.16055 1.16062 1.16052 1.16061 23
64997 2015.01.19 21:54 1.16062 1.16063 1.16032 1.16032 55
64998 2015.01.19 21:55 1.16033 1.16041 1.16033 1.16036 33
64999 2015.01.19 21:56 1.16036 1.16036 1.16021 1.16023 31
65000 2015.01.19 21:57 1.16022 1.16023 1.16014 1.16021 25


Обзовем столбцы, чтобы не запутаться в дальнейшем:

names(t) <- list("date","time","open","max","min","close","volume")

И проверим:

tail(t,1)


date time open max min close volume
65000 2015.01.19 21:57 1.16022 1.16023 1.16014 1.16021 25


Вся таблица очень важна, но пока нас интересуют только цены закрытия. Возьмем столбец close, извлечем 60 последних значений (за последний час) и преобразуем вектор (так называется массив в R) во временной ряд (time series в R).

c <- ts(tail(t$close,60))

Проверим:

is.ts(c)


[1] TRUE



length(c)


[1] 60


Да, переменная c имеет тип ts (временной ряд) и состоит из 60 наблюдений. Строим график:

plot(c,col="blue",main="Цена евро за последний час",xlab="Время, мин",ylab="Курс, eur/usd")


Получаем:

Что надо знать успешному валютному спекулянту

Данные загружены и проверены, давайте займемся анализом. Итак, что нам надо узнать:

1. долгосрочный тренд;
2. краткосрочный тренд;
3. прогноз;
4. амплитуда цен;
5. профит по прогнозу.

Прошу меня простить за мерзкое слово из лексикона Димона. Правильно говорить не тренд, а тенденция. Но в эконометрике так уж исторически сложилось, что тенденция зовется трендом, а тенденция, выраженная в графическом виде, зовется trend line.

Тренды бывают следующие (зацените откуда инфо по ссылке):

• линейными;
• логарифмическими;
• полиномиальными;
• степенными;
• показательными;
• на основе скользящего среднего;
• и так далее.

В Метатрейдере широко используется скользящее среднее. Есть даже масса торговых стратегий на основе этой трендовой линии. Например, если цена выше линии, значит «рынок перегрет» — надо продавать. Ниже линии — покупать. Стоит ли говорить, что скользящее среднее — бред собачий, а стратегии на нём — кратчайший путь к разорению.

Настоящие пацаны используют полиномиальную линию тренда. По умолчанию ее нет в MT4, но можно поискать на стороне. Я не нашел. Есть только инструкции по скрещиванию MT4 с R.

Но не будем отвлекаться. Итак, нам нужно построить две полиномиальные линии тренда. Для этого нужно рассчитать коэффициенты полинома. Можно рассчитать вручную, но не забывайте, что мы загрузили минутные цены и решение желательно принять в течении минуты, иначе картина может измениться. Поэтому, воспользуемся силой языка R.
Поставим пакет Practical Numerical Math Functions:

install.packages("pracma")


Команда install.packages — аналог apt-get install в Дебиане/Убуке. Думаю, тут все понятно.

Теперь рассчитаем коэффициенты полиномов:

len <- length(t)
x <- seq(to=len)
p2 <- polyfit(x,t,2)
y2 <- polyval(p2,x)

Это для второй степени. Точки для графика в (x,y2).

Прогнозирование валютных котировок

Сила R — в прогнозировании. Гении математики уже реализовали все алгоритмы, заботливо запаковали всё в пакеты и оставили пользователю только кнопку «Заработать бабло». Например, в R есть пакет nnet (neural network), предназначенный для построения собственной нейронной сети. Искусственный интеллект можно заставить выполнять задачи классификации, кластеризации и прогнозирования. Для R есть пакет forecast (прогнозирование), содержащий миллион алгоритмов прогнозирования на все случаи жизни. Есть статистические модели «из коробки». Например, популярнейшая у спекулянтов ARIMA.

Как правильно выбрать модель для прогнозирования котировок

Правило тут одно: перебирай передовые стратегии и тестируй их на исторических данных. Подбирай параметры.

Думаю, не стоит говорить, что 100%-й точности добиваться не обязательно. Способность предсказывать котировки с точностью 51% принесет вам миллионы (при условии наличия достаточного стартового капитала и при условии, что ваша стратегия не умрет раньше, чем вы успеете купить яхту, фазенду на юге Франции и длинноногих красавиц, которые будут пропалывать на вашей фазенде грядки с петрушкой).

Делайте ваши ставки, господа!

Но довольно мечтаний, переходим к делу. Прежде всего, закатываем всё набранное выше в функцию forex(). Торговать предполагается на минутных интервалах, поэтому времени на обработку данных не будет. Получил котировки, запустил forex(), открыл позицию.

После запуска forex() получаем график:

Кстати, зачем нам понадобились линии тренда? Одно из базовых правил игры на бирже гласит: нечего переть против линии тренда, самый умный шоле? Следуй за рынком, а не борись с ним. С другой стороны, если все будут следовать, то откуда же возьмется прибыль (напомню, на Форексе прибыль одного = проигрыш другого)? Поэтому, будем учитывать долгосрочный тренд, но попрем против краткосрочного, если на то укажет наш прогноз. На графике видно, что пока позиции открывать не стоит, хотя все продают, а прогноз на рост.

Еще очень важный момент: амплитуда, спред и профит. Если посмотреть на график, то можно заметить, что прогноз обещает рост. Но какой? Дополним функцию forex() расчетом потенциальной прибыли. Получаем:

t <- forex()


range: 0.00138
profit: 0.0003857743


Даже если мы пойдем против тренда и прогноз окажется верным, прибыль составит 3 пункта, тогда как спред (разница между курсами покупки и продажи на бирже) — 4. Надо нам такое?

Еще один график:

Линия долгосрочного тренда демонстрирует нам, что падение заканчивается, краткосрочный тренд продолжает показывать падение, прогноз в плюс. Надо открывать длинную позицию. (Вообще-то не надо, так как profit пока опять меньше спреда, но это я для примера).

Сведем дебет с кредитом

Я залил на биржу 150 долларов для экспериментов. 7 удачных сделок, 2 в минус. Прибыль за два дня экспериментов — 1370 рублей. Не так много. Но в качестве бонуса годится. Сейчас собираюсь почитать больше книг по R и увеличу депозит до 2 тыд. Об успехах проинформирую общественность отдельным постом. Ах да, забыл, использовал однослойный персептрон, ариму, авторегрессию и половину методов из forecast.

Приятно осознавать, что от изучения R может быть денежный профит, помимо профита в виде знаний. Изначально я стал учить R для того, чтобы понять, как осуществляется кластеризация новостных данных. Но жизнь прекрасна, удивительна и часто дарит сюрпризы в виде неожиданных денежных бонусов. Осваивайте технологии, пишите свои программы и созидайте. Вселенная возблагодарит вас.

;)