AnyTrading - ビットコイン投資を強化学習で実行　ACKTR編（６番目 × 600日移動）

9月6日の記事にて学習済みアルゴリズムをACKTRにかえてビットコインの学習済みモデルを１０種類作成しました。

今回からはそのうちの６番目の学習済みモデルに対して、３０回連続で投資検証を行います。

強化学習のパラメータ

強化学習時のパラメータと学習用・検証用データスパンは下記の通りです。

検証データには学習データを６００日分移動したものを使用します。

56行目で、検証データの位置を６００日分後ろに移動しています。

  • 学習アルゴリズム
    ACKTR
  • 参照する直前データ数
    50
  • 学習データ
    [2017-07-14 ～ 2018-05-12]　１日足データ
  • 検証データ
    [2019-03-08 ～ 2020-01-02]　１日足データ

ソース

ソースは下記の通りです。

[ソース]

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
import os, gym
import datetime
import gym_anytrading
import matplotlib.pyplot as plt
from gym_anytrading.envs import TradingEnv, ForexEnv, StocksEnv, Actions, Positions
from gym_anytrading.datasets import FOREX_EURUSD_1H_ASK, STOCKS_GOOGL
from stable_baselines.common.vec_env import DummyVecEnv
from stable_baselines import PPO2
from stable_baselines import ACKTR
from stable_baselines.bench import Monitor
from stable_baselines.common import set_global_seeds

import numpy as np
import matplotlib.pyplot as plt

def simulation(i, window_size):
    global means
    # ログフォルダの生成
    log_dir = './logs/'
    os.makedirs(log_dir, exist_ok=True)

    # [20] 2020-06-28 10:00
    idx1 = 50
    # 
    idx2 = 350
    # データ数
    span = idx2 - idx1

    # 環境の生成
    env = gym.make('forex-v0', frame_bound=(idx1, idx2), window_size=window_size)
    env = Monitor(env, log_dir, allow_early_resets=True)

    # シードの指定
    env.seed(0)
    set_global_seeds(0)

    # ベクトル化環境の生成
    env = DummyVecEnv([lambda: env])

    # モデルの生成
    #model = PPO2('MlpPolicy', env, verbose=1)
    model = ACKTR('MlpPolicy', env, verbose=1)

    # モデルの読み込み
    #model = PPO2.load('trading_model{}'.format(i))
    model = ACKTR.load('trading_model{}'.format(i))

    # モデルの学習
    #model.learn(total_timesteps=128000)

    # モデルの保存
    #model.save('trading_model{}'.format(i))

    # モデルのテスト
    #env = gym.make('forex-v0', frame_bound=(idx2+500, idx2 + span+500), window_size=20)
    env = gym.make('forex-v0', frame_bound=(idx1+600, idx2+600), window_size=window_size)
    env.seed(0)
    state = env.reset()
    while True:
        # 行動の取得
        action, _ = model.predict(state)
        # 1ステップ実行
        state, reward, done, info = env.step(action)
        # エピソード完了
        if done:
            print('info:', info, info['total_reward'])
            means.append(info['total_reward'])
            break
    # グラフのプロット
    plt.cla()
    env.render_all()
    #plt.savefig('trading{:%Y%m%d_%H%M%S}.png'.format(datetime.datetime.now()))
    #plt.show()

    #with open('C:/Util/anaconda3/envs/openai_gym/lib/site-packages/gym_anytrading/datasets/data/FOREX_EURUSD_1H_ASK.csv', 'r') as f:
    #    lines = f.readlines()
    #    s1 = lines[idx1].split(',')[0]
    #    s2 = lines[idx2-1].split(',')[0]
    #    #print(s1,s2, (idx2 - idx1))
    #
    #    s3 = lines[idx2].split(',')[0]
    #    s4 = lines[idx2+span].split(',')[0]
    #    #print(s3,s4, (idx2+span - idx2))

labels = []
means = []

for i in range(50):
    labels.append('{}'.format(i))
    simulation(5, 50)

x = np.arange(len(labels))
width = 0.35

fig, ax = plt.subplots()

rect = ax.bar(x, means, width)
ax.set_xticks(x)
ax.set_xticklabels(labels)

#plt.show()
plt.savefig('trading{:%Y%m%d_%H%M%S}.png'.format(datetime.datetime.now()))

実行結果

実行結果は次のようになりました。

実行結果

実行結果（反対売買）


前回に引き続きまして、今回もトータル収益が全てプラスという結果になりました。

未知のデータになってから３勝１敗と上々の成績です。

次回は検証データを700日分移動して同じ３０回検証を行ってみたいと思います。

AnyTrading - ビットコイン投資を強化学習で実行　ACKTR編（６番目 × 500日移動）

9月6日の記事にて学習済みアルゴリズムをACKTRにかえてビットコインの学習済みモデルを１０種類作成しました。

今回からはそのうちの６番目の学習済みモデルに対して、３０回連続で投資検証を行います。

強化学習のパラメータ

強化学習時のパラメータと学習用・検証用データスパンは下記の通りです。

検証データには学習データを５００日分移動したものを使用します。

56行目で、検証データの位置を５００日分後ろに移動しています。

  • 学習アルゴリズム
    ACKTR
  • 参照する直前データ数
    50
  • 学習データ
    [2017-07-14 ～ 2018-05-12]　１日足データ
  • 検証データ
    [2018-11-28 ～ 2019-09-24]　１日足データ

ソース

ソースは下記の通りです。

[ソース]

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
import os, gym
import datetime
import gym_anytrading
import matplotlib.pyplot as plt
from gym_anytrading.envs import TradingEnv, ForexEnv, StocksEnv, Actions, Positions
from gym_anytrading.datasets import FOREX_EURUSD_1H_ASK, STOCKS_GOOGL
from stable_baselines.common.vec_env import DummyVecEnv
from stable_baselines import PPO2
from stable_baselines import ACKTR
from stable_baselines.bench import Monitor
from stable_baselines.common import set_global_seeds

import numpy as np
import matplotlib.pyplot as plt

def simulation(i, window_size):
    global means
    # ログフォルダの生成
    log_dir = './logs/'
    os.makedirs(log_dir, exist_ok=True)

    # [20] 2020-06-28 10:00
    idx1 = 50
    # 
    idx2 = 350
    # データ数
    span = idx2 - idx1

    # 環境の生成
    env = gym.make('forex-v0', frame_bound=(idx1, idx2), window_size=window_size)
    env = Monitor(env, log_dir, allow_early_resets=True)

    # シードの指定
    env.seed(0)
    set_global_seeds(0)

    # ベクトル化環境の生成
    env = DummyVecEnv([lambda: env])

    # モデルの生成
    #model = PPO2('MlpPolicy', env, verbose=1)
    model = ACKTR('MlpPolicy', env, verbose=1)

    # モデルの読み込み
    #model = PPO2.load('trading_model{}'.format(i))
    model = ACKTR.load('trading_model{}'.format(i))

    # モデルの学習
    #model.learn(total_timesteps=128000)

    # モデルの保存
    #model.save('trading_model{}'.format(i))

    # モデルのテスト
    #env = gym.make('forex-v0', frame_bound=(idx2+500, idx2 + span+500), window_size=20)
    env = gym.make('forex-v0', frame_bound=(idx1+500, idx2+500), window_size=window_size)
    env.seed(0)
    state = env.reset()
    while True:
        # 行動の取得
        action, _ = model.predict(state)
        # 1ステップ実行
        state, reward, done, info = env.step(action)
        # エピソード完了
        if done:
            print('info:', info, info['total_reward'])
            means.append(info['total_reward'])
            break
    # グラフのプロット
    plt.cla()
    env.render_all()
    #plt.savefig('trading{:%Y%m%d_%H%M%S}.png'.format(datetime.datetime.now()))
    #plt.show()

    #with open('C:/Util/anaconda3/envs/openai_gym/lib/site-packages/gym_anytrading/datasets/data/FOREX_EURUSD_1H_ASK.csv', 'r') as f:
    #    lines = f.readlines()
    #    s1 = lines[idx1].split(',')[0]
    #    s2 = lines[idx2-1].split(',')[0]
    #    #print(s1,s2, (idx2 - idx1))
    #
    #    s3 = lines[idx2].split(',')[0]
    #    s4 = lines[idx2+span].split(',')[0]
    #    #print(s3,s4, (idx2+span - idx2))

labels = []
means = []

for i in range(50):
    labels.append('{}'.format(i))
    simulation(5, 50)

x = np.arange(len(labels))
width = 0.35

fig, ax = plt.subplots()

rect = ax.bar(x, means, width)
ax.set_xticks(x)
ax.set_xticklabels(labels)

#plt.show()
plt.savefig('trading{:%Y%m%d_%H%M%S}.png'.format(datetime.datetime.now()))

実行結果

実行結果は次のようになりました。

実行結果

実行結果（反対売買）


結果にばらつきがあるものの全勝となっています。

前回の結果と比べて２～３倍の収益率になっているのも好感がもてます。

学習データと検証データが被らない状態になってからは、２勝１敗とまあまあの結果です。

次回は検証データを600日分移動して同じ３０回検証を行ってみたいと思います。

AnyTrading - ビットコイン投資を強化学習で実行　ACKTR編（６番目 × 400日移動）

9月6日の記事にて学習済みアルゴリズムをACKTRにかえてビットコインの学習済みモデルを１０種類作成しました。

今回からはそのうちの６番目の学習済みモデルに対して、３０回連続で投資検証を行います。

強化学習のパラメータ

強化学習時のパラメータと学習用・検証用データスパンは下記の通りです。

検証データには学習データを４００日分移動したものを使用します。

56行目で、検証データの位置を４００日分後ろに移動しています。

  • 学習アルゴリズム
    ACKTR
  • 参照する直前データ数
    50
  • 学習データ
    [2017-07-14 ～ 2018-05-12]　１日足データ
  • 検証データ
    [2018-08-20 ～ 2019-06-16]　１日足データ

ソース

ソースは下記の通りです。

[ソース]

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
import os, gym
import datetime
import gym_anytrading
import matplotlib.pyplot as plt
from gym_anytrading.envs import TradingEnv, ForexEnv, StocksEnv, Actions, Positions
from gym_anytrading.datasets import FOREX_EURUSD_1H_ASK, STOCKS_GOOGL
from stable_baselines.common.vec_env import DummyVecEnv
from stable_baselines import PPO2
from stable_baselines import ACKTR
from stable_baselines.bench import Monitor
from stable_baselines.common import set_global_seeds

import numpy as np
import matplotlib.pyplot as plt

def simulation(i, window_size):
    global means
    # ログフォルダの生成
    log_dir = './logs/'
    os.makedirs(log_dir, exist_ok=True)

    # [20] 2020-06-28 10:00
    idx1 = 50
    # 
    idx2 = 350
    # データ数
    span = idx2 - idx1

    # 環境の生成
    env = gym.make('forex-v0', frame_bound=(idx1, idx2), window_size=window_size)
    env = Monitor(env, log_dir, allow_early_resets=True)

    # シードの指定
    env.seed(0)
    set_global_seeds(0)

    # ベクトル化環境の生成
    env = DummyVecEnv([lambda: env])

    # モデルの生成
    #model = PPO2('MlpPolicy', env, verbose=1)
    model = ACKTR('MlpPolicy', env, verbose=1)

    # モデルの読み込み
    #model = PPO2.load('trading_model{}'.format(i))
    model = ACKTR.load('trading_model{}'.format(i))

    # モデルの学習
    #model.learn(total_timesteps=128000)

    # モデルの保存
    #model.save('trading_model{}'.format(i))

    # モデルのテスト
    #env = gym.make('forex-v0', frame_bound=(idx2+500, idx2 + span+500), window_size=20)
    env = gym.make('forex-v0', frame_bound=(idx1+400, idx2+400), window_size=window_size)
    env.seed(0)
    state = env.reset()
    while True:
        # 行動の取得
        action, _ = model.predict(state)
        # 1ステップ実行
        state, reward, done, info = env.step(action)
        # エピソード完了
        if done:
            print('info:', info, info['total_reward'])
            means.append(info['total_reward'])
            break
    # グラフのプロット
    plt.cla()
    env.render_all()
    #plt.savefig('trading{:%Y%m%d_%H%M%S}.png'.format(datetime.datetime.now()))
    #plt.show()

    #with open('C:/Util/anaconda3/envs/openai_gym/lib/site-packages/gym_anytrading/datasets/data/FOREX_EURUSD_1H_ASK.csv', 'r') as f:
    #    lines = f.readlines()
    #    s1 = lines[idx1].split(',')[0]
    #    s2 = lines[idx2-1].split(',')[0]
    #    #print(s1,s2, (idx2 - idx1))
    #
    #    s3 = lines[idx2].split(',')[0]
    #    s4 = lines[idx2+span].split(',')[0]
    #    #print(s3,s4, (idx2+span - idx2))

labels = []
means = []

for i in range(50):
    labels.append('{}'.format(i))
    simulation(5, 50)

x = np.arange(len(labels))
width = 0.35

fig, ax = plt.subplots()

rect = ax.bar(x, means, width)
ax.set_xticks(x)
ax.set_xticklabels(labels)

#plt.show()
plt.savefig('trading{:%Y%m%d_%H%M%S}.png'.format(datetime.datetime.now()))

実行結果

実行結果は次のようになりました。

実行結果

実行結果（反対売買）


頑張って全勝しています。たまに結果がちょんと飛び出るのが特徴的です。

反対売買もちょんと飛び出るのがちょんととびでることがあり、なんかおもしろいです。。

未知のデータになってからは１勝１敗です。

次回は検証データを500日分移動して同じ３０回検証を行ってみたいと思います。

AnyTrading - ビットコイン投資を強化学習で実行　ACKTR編（６番目 × 300日移動）

9月6日の記事にて学習済みアルゴリズムをACKTRにかえてビットコインの学習済みモデルを１０種類作成しました。

今回からはそのうちの６番目の学習済みモデルに対して、３０回連続で投資検証を行います。

強化学習のパラメータ

強化学習時のパラメータと学習用・検証用データスパンは下記の通りです。

検証データには学習データを３００日分移動したものを使用します。

56行目で、検証データの位置を３００日分後ろに移動しています。

  • 学習アルゴリズム
    ACKTR
  • 参照する直前データ数
    50
  • 学習データ
    [2017-07-14 ～ 2018-05-12]　１日足データ
  • 検証データ
    [2018-05-12 ～ 2019-03-08]　１日足データ

ソース

ソースは下記の通りです。

[ソース]

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
import os, gym
import datetime
import gym_anytrading
import matplotlib.pyplot as plt
from gym_anytrading.envs import TradingEnv, ForexEnv, StocksEnv, Actions, Positions
from gym_anytrading.datasets import FOREX_EURUSD_1H_ASK, STOCKS_GOOGL
from stable_baselines.common.vec_env import DummyVecEnv
from stable_baselines import PPO2
from stable_baselines import ACKTR
from stable_baselines.bench import Monitor
from stable_baselines.common import set_global_seeds

import numpy as np
import matplotlib.pyplot as plt

def simulation(i, window_size):
    global means
    # ログフォルダの生成
    log_dir = './logs/'
    os.makedirs(log_dir, exist_ok=True)

    # [20] 2020-06-28 10:00
    idx1 = 50
    # 
    idx2 = 350
    # データ数
    span = idx2 - idx1

    # 環境の生成
    env = gym.make('forex-v0', frame_bound=(idx1, idx2), window_size=window_size)
    env = Monitor(env, log_dir, allow_early_resets=True)

    # シードの指定
    env.seed(0)
    set_global_seeds(0)

    # ベクトル化環境の生成
    env = DummyVecEnv([lambda: env])

    # モデルの生成
    #model = PPO2('MlpPolicy', env, verbose=1)
    model = ACKTR('MlpPolicy', env, verbose=1)

    # モデルの読み込み
    #model = PPO2.load('trading_model{}'.format(i))
    model = ACKTR.load('trading_model{}'.format(i))

    # モデルの学習
    #model.learn(total_timesteps=128000)

    # モデルの保存
    #model.save('trading_model{}'.format(i))

    # モデルのテスト
    #env = gym.make('forex-v0', frame_bound=(idx2+500, idx2 + span+500), window_size=20)
    env = gym.make('forex-v0', frame_bound=(idx1+300, idx2+300), window_size=window_size)
    env.seed(0)
    state = env.reset()
    while True:
        # 行動の取得
        action, _ = model.predict(state)
        # 1ステップ実行
        state, reward, done, info = env.step(action)
        # エピソード完了
        if done:
            print('info:', info, info['total_reward'])
            means.append(info['total_reward'])
            break
    # グラフのプロット
    plt.cla()
    env.render_all()
    #plt.savefig('trading{:%Y%m%d_%H%M%S}.png'.format(datetime.datetime.now()))
    #plt.show()

    #with open('C:/Util/anaconda3/envs/openai_gym/lib/site-packages/gym_anytrading/datasets/data/FOREX_EURUSD_1H_ASK.csv', 'r') as f:
    #    lines = f.readlines()
    #    s1 = lines[idx1].split(',')[0]
    #    s2 = lines[idx2-1].split(',')[0]
    #    #print(s1,s2, (idx2 - idx1))
    #
    #    s3 = lines[idx2].split(',')[0]
    #    s4 = lines[idx2+span].split(',')[0]
    #    #print(s3,s4, (idx2+span - idx2))

labels = []
means = []

for i in range(50):
    labels.append('{}'.format(i))
    simulation(5, 50)

x = np.arange(len(labels))
width = 0.35

fig, ax = plt.subplots()

rect = ax.bar(x, means, width)
ax.set_xticks(x)
ax.set_xticklabels(labels)

#plt.show()
plt.savefig('trading{:%Y%m%d_%H%M%S}.png'.format(datetime.datetime.now()))

実行結果

実行結果は次のようになりました。

実行結果

実行結果（反対売買）


今回の検証データから、学習データの範囲とはまったく被らない未知のデータによる検証となります。

全敗しております。。。(-_-;)

他の学習済みモデルでもこの期間はたいてい全敗しているので、とても勝ちにくいデータなのかもしれません。

次回は検証データを400日分移動して同じ３０回検証を行ってみたいと思います。

AnyTrading - ビットコイン投資を強化学習で実行　ACKTR編（６番目 × 200日移動）

9月6日の記事にて学習済みアルゴリズムをACKTRにかえてビットコインの学習済みモデルを１０種類作成しました。

今回からはそのうちの６番目の学習済みモデルに対して、３０回連続で投資検証を行います。

強化学習のパラメータ

強化学習時のパラメータと学習用・検証用データスパンは下記の通りです。

検証データには学習データを２００日分移動したものを使用します。

56行目で、検証データの位置を２００日分後ろに移動しています。

  • 学習アルゴリズム
    ACKTR
  • 参照する直前データ数
    50
  • 学習データ
    [2017-07-14 ～ 2018-05-12]　１日足データ
  • 検証データ
    [2018-02-01 ～ 2018-11-28]　１日足データ

ソース

ソースは下記の通りです。

[ソース]

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
import os, gym
import datetime
import gym_anytrading
import matplotlib.pyplot as plt
from gym_anytrading.envs import TradingEnv, ForexEnv, StocksEnv, Actions, Positions
from gym_anytrading.datasets import FOREX_EURUSD_1H_ASK, STOCKS_GOOGL
from stable_baselines.common.vec_env import DummyVecEnv
from stable_baselines import PPO2
from stable_baselines import ACKTR
from stable_baselines.bench import Monitor
from stable_baselines.common import set_global_seeds

import numpy as np
import matplotlib.pyplot as plt

def simulation(i, window_size):
    global means
    # ログフォルダの生成
    log_dir = './logs/'
    os.makedirs(log_dir, exist_ok=True)

    # [20] 2020-06-28 10:00
    idx1 = 50
    # 
    idx2 = 350
    # データ数
    span = idx2 - idx1

    # 環境の生成
    env = gym.make('forex-v0', frame_bound=(idx1, idx2), window_size=window_size)
    env = Monitor(env, log_dir, allow_early_resets=True)

    # シードの指定
    env.seed(0)
    set_global_seeds(0)

    # ベクトル化環境の生成
    env = DummyVecEnv([lambda: env])

    # モデルの生成
    #model = PPO2('MlpPolicy', env, verbose=1)
    model = ACKTR('MlpPolicy', env, verbose=1)

    # モデルの読み込み
    #model = PPO2.load('trading_model{}'.format(i))
    model = ACKTR.load('trading_model{}'.format(i))

    # モデルの学習
    #model.learn(total_timesteps=128000)

    # モデルの保存
    #model.save('trading_model{}'.format(i))

    # モデルのテスト
    #env = gym.make('forex-v0', frame_bound=(idx2+500, idx2 + span+500), window_size=20)
    env = gym.make('forex-v0', frame_bound=(idx1+200, idx2+200), window_size=window_size)
    env.seed(0)
    state = env.reset()
    while True:
        # 行動の取得
        action, _ = model.predict(state)
        # 1ステップ実行
        state, reward, done, info = env.step(action)
        # エピソード完了
        if done:
            print('info:', info, info['total_reward'])
            means.append(info['total_reward'])
            break
    # グラフのプロット
    plt.cla()
    env.render_all()
    #plt.savefig('trading{:%Y%m%d_%H%M%S}.png'.format(datetime.datetime.now()))
    #plt.show()

    #with open('C:/Util/anaconda3/envs/openai_gym/lib/site-packages/gym_anytrading/datasets/data/FOREX_EURUSD_1H_ASK.csv', 'r') as f:
    #    lines = f.readlines()
    #    s1 = lines[idx1].split(',')[0]
    #    s2 = lines[idx2-1].split(',')[0]
    #    #print(s1,s2, (idx2 - idx1))
    #
    #    s3 = lines[idx2].split(',')[0]
    #    s4 = lines[idx2+span].split(',')[0]
    #    #print(s3,s4, (idx2+span - idx2))

labels = []
means = []

for i in range(50):
    labels.append('{}'.format(i))
    simulation(5, 50)

x = np.arange(len(labels))
width = 0.35

fig, ax = plt.subplots()

rect = ax.bar(x, means, width)
ax.set_xticks(x)
ax.set_xticklabels(labels)

#plt.show()
plt.savefig('trading{:%Y%m%d_%H%M%S}.png'.format(datetime.datetime.now()))

実行結果

実行結果は次のようになりました。

実行結果

実行結果（反対売買）


今回もまだ安定したプラス収益となりました。

反対売買した時の損益が、正規売買した時の収益より少なめなのが特徴的だと感じます。

次からは学習データと検証データが全く別になるので、ここからが本当の投資検証となります。

次回は検証データを300日分移動して同じ３０回検証を行ってみたいと思います。

AnyTrading - ビットコイン投資を強化学習で実行　ACKTR編（６番目 × 100日移動）

9月6日の記事にて学習済みアルゴリズムをACKTRにかえてビットコインの学習済みモデルを１０種類作成しました。

今回からはそのうちの６番目の学習済みモデルに対して、３０回連続で投資検証を行います。

強化学習のパラメータ

強化学習時のパラメータと学習用・検証用データスパンは下記の通りです。

検証データには学習データを１００日分移動したものを使用します。

56行目で、検証データの位置を１００日分後ろに移動しています。

  • 学習アルゴリズム
    ACKTR
  • 参照する直前データ数
    50
  • 学習データ
    [2017-07-14 ～ 2018-05-12]　１日足データ
  • 検証データ
    [2017-10-24 ～ 2018-08-20]　１日足データ

ソース

ソースは下記の通りです。

[ソース]

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
import os, gym
import datetime
import gym_anytrading
import matplotlib.pyplot as plt
from gym_anytrading.envs import TradingEnv, ForexEnv, StocksEnv, Actions, Positions
from gym_anytrading.datasets import FOREX_EURUSD_1H_ASK, STOCKS_GOOGL
from stable_baselines.common.vec_env import DummyVecEnv
from stable_baselines import PPO2
from stable_baselines import ACKTR
from stable_baselines.bench import Monitor
from stable_baselines.common import set_global_seeds

import numpy as np
import matplotlib.pyplot as plt

def simulation(i, window_size):
    global means
    # ログフォルダの生成
    log_dir = './logs/'
    os.makedirs(log_dir, exist_ok=True)

    # [20] 2020-06-28 10:00
    idx1 = 50
    # 
    idx2 = 350
    # データ数
    span = idx2 - idx1

    # 環境の生成
    env = gym.make('forex-v0', frame_bound=(idx1, idx2), window_size=window_size)
    env = Monitor(env, log_dir, allow_early_resets=True)

    # シードの指定
    env.seed(0)
    set_global_seeds(0)

    # ベクトル化環境の生成
    env = DummyVecEnv([lambda: env])

    # モデルの生成
    #model = PPO2('MlpPolicy', env, verbose=1)
    model = ACKTR('MlpPolicy', env, verbose=1)

    # モデルの読み込み
    #model = PPO2.load('trading_model{}'.format(i))
    model = ACKTR.load('trading_model{}'.format(i))

    # モデルの学習
    #model.learn(total_timesteps=128000)

    # モデルの保存
    #model.save('trading_model{}'.format(i))

    # モデルのテスト
    #env = gym.make('forex-v0', frame_bound=(idx2+500, idx2 + span+500), window_size=20)
    env = gym.make('forex-v0', frame_bound=(idx1+100, idx2+100), window_size=window_size)
    env.seed(0)
    state = env.reset()
    while True:
        # 行動の取得
        action, _ = model.predict(state)
        # 1ステップ実行
        state, reward, done, info = env.step(action)
        # エピソード完了
        if done:
            print('info:', info, info['total_reward'])
            means.append(info['total_reward'])
            break
    # グラフのプロット
    plt.cla()
    env.render_all()
    #plt.savefig('trading{:%Y%m%d_%H%M%S}.png'.format(datetime.datetime.now()))
    #plt.show()

    #with open('C:/Util/anaconda3/envs/openai_gym/lib/site-packages/gym_anytrading/datasets/data/FOREX_EURUSD_1H_ASK.csv', 'r') as f:
    #    lines = f.readlines()
    #    s1 = lines[idx1].split(',')[0]
    #    s2 = lines[idx2-1].split(',')[0]
    #    #print(s1,s2, (idx2 - idx1))
    #
    #    s3 = lines[idx2].split(',')[0]
    #    s4 = lines[idx2+span].split(',')[0]
    #    #print(s3,s4, (idx2+span - idx2))

labels = []
means = []

for i in range(50):
    labels.append('{}'.format(i))
    simulation(5, 50)

x = np.arange(len(labels))
width = 0.35

fig, ax = plt.subplots()

rect = ax.bar(x, means, width)
ax.set_xticks(x)
ax.set_xticklabels(labels)

#plt.show()
plt.savefig('trading{:%Y%m%d_%H%M%S}.png'.format(datetime.datetime.now()))

実行結果

実行結果は次のようになりました。

実行結果

実行結果（反対売買）


安定した好成績となりました。

学習データと検証データが２００日分ほど重なっているので、まだマイナス収益になってもらっては困るのですが。。。

次回は検証データを200日分移動して同じ３０回検証を行ってみたいと思います。

AnyTrading - ビットコイン投資を強化学習で実行　ACKTR編（６番目 × 0日移動）

9月6日の記事にて学習済みアルゴリズムをACKTRにかえてビットコインの学習済みモデルを１０種類作成しました。

今回からはそのうちの６番目の学習済みモデルに対して、３０回連続で投資検証を行います。

強化学習のパラメータ

強化学習時のパラメータと学習用・検証用データスパンは下記の通りです。

学習データと検証データは同じものを使いました。間違いなく勝てるはずのずるいデータ設定となっています。(;^_^A

90行目で、学習済みモデルの６番目を指定しています。

  • 学習アルゴリズム
    ACKTR
  • 参照する直前データ数
    50
  • 学習データ
    [2017-07-14 ～ 2018-05-12]　１日足データ
  • 検証データ
    [2017-07-14 ～ 2018-05-12]　１日足データ

ソース

ソースは下記の通りです。

[ソース]

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
import os, gym
import datetime
import gym_anytrading
import matplotlib.pyplot as plt
from gym_anytrading.envs import TradingEnv, ForexEnv, StocksEnv, Actions, Positions
from gym_anytrading.datasets import FOREX_EURUSD_1H_ASK, STOCKS_GOOGL
from stable_baselines.common.vec_env import DummyVecEnv
from stable_baselines import PPO2
from stable_baselines import ACKTR
from stable_baselines.bench import Monitor
from stable_baselines.common import set_global_seeds

import numpy as np
import matplotlib.pyplot as plt

def simulation(i, window_size):
    global means
    # ログフォルダの生成
    log_dir = './logs/'
    os.makedirs(log_dir, exist_ok=True)

    # [20] 2020-06-28 10:00
    idx1 = 50
    # 
    idx2 = 350
    # データ数
    span = idx2 - idx1

    # 環境の生成
    env = gym.make('forex-v0', frame_bound=(idx1, idx2), window_size=window_size)
    env = Monitor(env, log_dir, allow_early_resets=True)

    # シードの指定
    env.seed(0)
    set_global_seeds(0)

    # ベクトル化環境の生成
    env = DummyVecEnv([lambda: env])

    # モデルの生成
    #model = PPO2('MlpPolicy', env, verbose=1)
    model = ACKTR('MlpPolicy', env, verbose=1)

    # モデルの読み込み
    #model = PPO2.load('trading_model{}'.format(i))
    model = ACKTR.load('trading_model{}'.format(i))

    # モデルの学習
    #model.learn(total_timesteps=128000)

    # モデルの保存
    #model.save('trading_model{}'.format(i))

    # モデルのテスト
    #env = gym.make('forex-v0', frame_bound=(idx2+500, idx2 + span+500), window_size=20)
    env = gym.make('forex-v0', frame_bound=(idx1+0, idx2+0), window_size=window_size)
    env.seed(0)
    state = env.reset()
    while True:
        # 行動の取得
        action, _ = model.predict(state)
        # 1ステップ実行
        state, reward, done, info = env.step(action)
        # エピソード完了
        if done:
            print('info:', info, info['total_reward'])
            means.append(info['total_reward'])
            break
    # グラフのプロット
    plt.cla()
    env.render_all()
    #plt.savefig('trading{:%Y%m%d_%H%M%S}.png'.format(datetime.datetime.now()))
    #plt.show()

    #with open('C:/Util/anaconda3/envs/openai_gym/lib/site-packages/gym_anytrading/datasets/data/FOREX_EURUSD_1H_ASK.csv', 'r') as f:
    #    lines = f.readlines()
    #    s1 = lines[idx1].split(',')[0]
    #    s2 = lines[idx2-1].split(',')[0]
    #    #print(s1,s2, (idx2 - idx1))
    #
    #    s3 = lines[idx2].split(',')[0]
    #    s4 = lines[idx2+span].split(',')[0]
    #    #print(s3,s4, (idx2+span - idx2))

labels = []
means = []

for i in range(50):
    labels.append('{}'.format(i))
    simulation(5, 50)

x = np.arange(len(labels))
width = 0.35

fig, ax = plt.subplots()

rect = ax.bar(x, means, width)
ax.set_xticks(x)
ax.set_xticklabels(labels)

#plt.show()
plt.savefig('trading{:%Y%m%d_%H%M%S}.png'.format(datetime.datetime.now()))

実行結果

実行結果は次のようになりました。

実行結果

実行結果（反対売買）


さすがに学習データと検証データが全く同じなので、全てトータルプラス収益となっています。

（反対売買の結果は見る必要がないかもしれません。。。）

ここから検証データを少しずつ移動して、収益結果がどう変化していくかを見ていきます。

次回は検証データを100日分移動して同じ３０回検証を行ってみたいと思います。

AnyTrading - ビットコイン投資を強化学習で実行　ACKTR編（５番目 × 800日移動）

9月6日の記事にて学習済みアルゴリズムをACKTRにかえてビットコインの学習済みモデルを１０種類作成しました。

今回からはそのうちの５番目の学習済みモデルに対して、３０回連続で投資検証を行います。

強化学習のパラメータ

強化学習時のパラメータと学習用・検証用データスパンは下記の通りです。

検証データには学習データを８００日分移動したものを使用します。

55行目で、検証データの位置を８００日分後ろに移動しています。

  • 学習アルゴリズム
    ACKTR
  • 参照する直前データ数
    50
  • 学習データ
    [2017-07-14 ～ 2018-05-12]　１日足データ
  • 検証データ
    [2019-09-24 ～ 2020-07-20]　１日足データ

ソース

ソースは下記の通りです。

[ソース]

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
import os, gym
import datetime
import gym_anytrading
import matplotlib.pyplot as plt
from gym_anytrading.envs import TradingEnv, ForexEnv, StocksEnv, Actions, Positions
from gym_anytrading.datasets import FOREX_EURUSD_1H_ASK, STOCKS_GOOGL
from stable_baselines.common.vec_env import DummyVecEnv
from stable_baselines import PPO2
from stable_baselines import ACKTR
from stable_baselines.bench import Monitor
from stable_baselines.common import set_global_seeds

import numpy as np
import matplotlib.pyplot as plt

def simulation(i, window_size):
    global means
    # ログフォルダの生成
    log_dir = './logs/'
    os.makedirs(log_dir, exist_ok=True)

    # [20] 2020-06-28 10:00
    idx1 = 50
    # 
    idx2 = 350
    # データ数
    span = idx2 - idx1

    # 環境の生成
    env = gym.make('forex-v0', frame_bound=(idx1, idx2), window_size=window_size)
    env = Monitor(env, log_dir, allow_early_resets=True)

    # シードの指定
    env.seed(0)
    set_global_seeds(0)

    # ベクトル化環境の生成
    env = DummyVecEnv([lambda: env])

    # モデルの生成
    #model = PPO2('MlpPolicy', env, verbose=1)
    model = ACKTR('MlpPolicy', env, verbose=1)

    # モデルの読み込み
    #model = PPO2.load('trading_model{}'.format(i))
    model = ACKTR.load('trading_model{}'.format(i))

    # モデルの学習
    #model.learn(total_timesteps=128000)

    # モデルの保存
    #model.save('trading_model{}'.format(i))

    # モデルのテスト
    env = gym.make('forex-v0', frame_bound=(idx1+800, idx2+800), window_size=window_size)
    env.seed(0)
    state = env.reset()
    while True:
        # 行動の取得
        action, _ = model.predict(state)
        # 1ステップ実行
        state, reward, done, info = env.step(action)
        # エピソード完了
        if done:
            print('info:', info, info['total_reward'])
            means.append(info['total_reward'])
            break
    # グラフのプロット
    plt.cla()
    env.render_all()
    #plt.savefig('trading{:%Y%m%d_%H%M%S}.png'.format(datetime.datetime.now()))
    #plt.show()

    #with open('C:/Util/anaconda3/envs/openai_gym/lib/site-packages/gym_anytrading/datasets/data/FOREX_EURUSD_1H_ASK.csv', 'r') as f:
    #    lines = f.readlines()
    #    s1 = lines[idx1].split(',')[0]
    #    s2 = lines[idx2-1].split(',')[0]
    #    #print(s1,s2, (idx2 - idx1))
    #
    #    s3 = lines[idx2].split(',')[0]
    #    s4 = lines[idx2+span].split(',')[0]
    #    #print(s3,s4, (idx2+span - idx2))

labels = []
means = []

for i in range(50):
    labels.append('{}'.format(i))
    simulation(4, 50)

x = np.arange(len(labels))
width = 0.35

fig, ax = plt.subplots()

rect = ax.bar(x, means, width)
ax.set_xticks(x)
ax.set_xticklabels(labels)

#plt.show()
plt.savefig('trading{:%Y%m%d_%H%M%S}.png'.format(datetime.datetime.now()))

実行結果

実行結果は次のようになりました。

実行結果

実行結果（反対売買）


全敗ではありますが、これまでの検証に比べて金額が少なめです。

一方、反対売買の方ですが正規売買の負け金額よりもかなり大きめ・・・３倍ほどになっているのがこれまでなかった結果で少し面白いです。

これまでは正規売買と反対売買の金額はプラスマイナス方向に正反対であることが多かったですので。

次回はACKTR学習済みモデルを変えて検証を続けていきます。

AnyTrading - ビットコイン投資を強化学習で実行　ACKTR編（５番目 × 700日移動）

9月6日の記事にて学習済みアルゴリズムをACKTRにかえてビットコインの学習済みモデルを１０種類作成しました。

今回からはそのうちの５番目の学習済みモデルに対して、３０回連続で投資検証を行います。

強化学習のパラメータ

強化学習時のパラメータと学習用・検証用データスパンは下記の通りです。

検証データには学習データを７００日分移動したものを使用します。

55行目で、検証データの位置を７００日分後ろに移動しています。

  • 学習アルゴリズム
    ACKTR
  • 参照する直前データ数
    50
  • 学習データ
    [2017-07-14 ～ 2018-05-12]　１日足データ
  • 検証データ
    [2019-06-16 ～ 2020-04-11]　１日足データ

ソース

ソースは下記の通りです。

[ソース]

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
import os, gym
import datetime
import gym_anytrading
import matplotlib.pyplot as plt
from gym_anytrading.envs import TradingEnv, ForexEnv, StocksEnv, Actions, Positions
from gym_anytrading.datasets import FOREX_EURUSD_1H_ASK, STOCKS_GOOGL
from stable_baselines.common.vec_env import DummyVecEnv
from stable_baselines import PPO2
from stable_baselines import ACKTR
from stable_baselines.bench import Monitor
from stable_baselines.common import set_global_seeds

import numpy as np
import matplotlib.pyplot as plt

def simulation(i, window_size):
    global means
    # ログフォルダの生成
    log_dir = './logs/'
    os.makedirs(log_dir, exist_ok=True)

    # [20] 2020-06-28 10:00
    idx1 = 50
    # 
    idx2 = 350
    # データ数
    span = idx2 - idx1

    # 環境の生成
    env = gym.make('forex-v0', frame_bound=(idx1, idx2), window_size=window_size)
    env = Monitor(env, log_dir, allow_early_resets=True)

    # シードの指定
    env.seed(0)
    set_global_seeds(0)

    # ベクトル化環境の生成
    env = DummyVecEnv([lambda: env])

    # モデルの生成
    #model = PPO2('MlpPolicy', env, verbose=1)
    model = ACKTR('MlpPolicy', env, verbose=1)

    # モデルの読み込み
    #model = PPO2.load('trading_model{}'.format(i))
    model = ACKTR.load('trading_model{}'.format(i))

    # モデルの学習
    #model.learn(total_timesteps=128000)

    # モデルの保存
    #model.save('trading_model{}'.format(i))

    # モデルのテスト
    env = gym.make('forex-v0', frame_bound=(idx1+700, idx2+700), window_size=window_size)
    env.seed(0)
    state = env.reset()
    while True:
        # 行動の取得
        action, _ = model.predict(state)
        # 1ステップ実行
        state, reward, done, info = env.step(action)
        # エピソード完了
        if done:
            print('info:', info, info['total_reward'])
            means.append(info['total_reward'])
            break
    # グラフのプロット
    plt.cla()
    env.render_all()
    #plt.savefig('trading{:%Y%m%d_%H%M%S}.png'.format(datetime.datetime.now()))
    #plt.show()

    #with open('C:/Util/anaconda3/envs/openai_gym/lib/site-packages/gym_anytrading/datasets/data/FOREX_EURUSD_1H_ASK.csv', 'r') as f:
    #    lines = f.readlines()
    #    s1 = lines[idx1].split(',')[0]
    #    s2 = lines[idx2-1].split(',')[0]
    #    #print(s1,s2, (idx2 - idx1))
    #
    #    s3 = lines[idx2].split(',')[0]
    #    s4 = lines[idx2+span].split(',')[0]
    #    #print(s3,s4, (idx2+span - idx2))

labels = []
means = []

for i in range(50):
    labels.append('{}'.format(i))
    simulation(4, 50)

x = np.arange(len(labels))
width = 0.35

fig, ax = plt.subplots()

rect = ax.bar(x, means, width)
ax.set_xticks(x)
ax.set_xticklabels(labels)

#plt.show()
plt.savefig('trading{:%Y%m%d_%H%M%S}.png'.format(datetime.datetime.now()))

実行結果

実行結果は次のようになりました。

実行結果

実行結果（反対売買）


今回は全敗という結果になりました。３連勝中だったので残念です。

未知のデータになってから３勝２敗とやや勝ち越しています。

これまでの学習済みモデルと大差ない感じになってきています。

次回は検証データを800日分移動して同じ３０回検証を行ってみたいと思います。

AnyTrading - ビットコイン投資を強化学習で実行　ACKTR編（５番目 × 600日移動）

9月6日の記事にて学習済みアルゴリズムをACKTRにかえてビットコインの学習済みモデルを１０種類作成しました。

今回からはそのうちの５番目の学習済みモデルに対して、３０回連続で投資検証を行います。

強化学習のパラメータ

強化学習時のパラメータと学習用・検証用データスパンは下記の通りです。

検証データには学習データを６００日分移動したものを使用します。

56行目で、検証データの位置を６００日分後ろに移動しています。

  • 学習アルゴリズム
    ACKTR
  • 参照する直前データ数
    50
  • 学習データ
    [2017-07-14 ～ 2018-05-12]　１日足データ
  • 検証データ
    [2019-03-08 ～ 2020-01-02]　１日足データ

ソース

ソースは下記の通りです。

[ソース]

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
import os, gym
import datetime
import gym_anytrading
import matplotlib.pyplot as plt
from gym_anytrading.envs import TradingEnv, ForexEnv, StocksEnv, Actions, Positions
from gym_anytrading.datasets import FOREX_EURUSD_1H_ASK, STOCKS_GOOGL
from stable_baselines.common.vec_env import DummyVecEnv
from stable_baselines import PPO2
from stable_baselines import ACKTR
from stable_baselines.bench import Monitor
from stable_baselines.common import set_global_seeds

import numpy as np
import matplotlib.pyplot as plt

def simulation(i, window_size):
    global means
    # ログフォルダの生成
    log_dir = './logs/'
    os.makedirs(log_dir, exist_ok=True)

    # [20] 2020-06-28 10:00
    idx1 = 50
    # 
    idx2 = 350
    # データ数
    span = idx2 - idx1

    # 環境の生成
    env = gym.make('forex-v0', frame_bound=(idx1, idx2), window_size=window_size)
    env = Monitor(env, log_dir, allow_early_resets=True)

    # シードの指定
    env.seed(0)
    set_global_seeds(0)

    # ベクトル化環境の生成
    env = DummyVecEnv([lambda: env])

    # モデルの生成
    #model = PPO2('MlpPolicy', env, verbose=1)
    model = ACKTR('MlpPolicy', env, verbose=1)

    # モデルの読み込み
    #model = PPO2.load('trading_model{}'.format(i))
    model = ACKTR.load('trading_model{}'.format(i))

    # モデルの学習
    #model.learn(total_timesteps=128000)

    # モデルの保存
    #model.save('trading_model{}'.format(i))

    # モデルのテスト
    #env = gym.make('forex-v0', frame_bound=(idx2+500, idx2 + span+500), window_size=20)
    env = gym.make('forex-v0', frame_bound=(idx1+600, idx2+600), window_size=window_size)
    env.seed(0)
    state = env.reset()
    while True:
        # 行動の取得
        action, _ = model.predict(state)
        # 1ステップ実行
        state, reward, done, info = env.step(action)
        # エピソード完了
        if done:
            print('info:', info, info['total_reward'])
            means.append(info['total_reward'])
            break
    # グラフのプロット
    plt.cla()
    env.render_all()
    #plt.savefig('trading{:%Y%m%d_%H%M%S}.png'.format(datetime.datetime.now()))
    #plt.show()

    #with open('C:/Util/anaconda3/envs/openai_gym/lib/site-packages/gym_anytrading/datasets/data/FOREX_EURUSD_1H_ASK.csv', 'r') as f:
    #    lines = f.readlines()
    #    s1 = lines[idx1].split(',')[0]
    #    s2 = lines[idx2-1].split(',')[0]
    #    #print(s1,s2, (idx2 - idx1))
    #
    #    s3 = lines[idx2].split(',')[0]
    #    s4 = lines[idx2+span].split(',')[0]
    #    #print(s3,s4, (idx2+span - idx2))

labels = []
means = []

for i in range(50):
    labels.append('{}'.format(i))
    simulation(4, 50)

x = np.arange(len(labels))
width = 0.35

fig, ax = plt.subplots()

rect = ax.bar(x, means, width)
ax.set_xticks(x)
ax.set_xticklabels(labels)

#plt.show()
plt.savefig('trading{:%Y%m%d_%H%M%S}.png'.format(datetime.datetime.now()))

実行結果

実行結果は次のようになりました。

実行結果

実行結果（反対売買）


前回に引き続きまして、今回もトータル収益が全てプラスという結果になりました。

また前回と比較して倍ほど収益率も高くなっています。

未知のデータになってから３勝１敗と上々の成績です。

次回は検証データを700日分移動して同じ３０回検証を行ってみたいと思います。