Делаем прогноз на год AMD, двумя способами а) считаем последнюю волатильность за прошлый год и считаем будущий год такой же б) считаем волатильность за всю историю и считаем что будущий будет такой же.

Какая разница? Без разницы, цифры подобия (Likelihood) получатся одинаковы, если проверить по историч данным. Но хотя разница есть, последняя волатильность ошибается редко но метко, а историческая на чуть но постоянно. В среднем получается одно и тоже. И даже если их использовать обе сразу, цифра тоже получится той же. :)

Результаты подобия прогноза с реально наблюдаемыми прибылями, для акции АМД, попробуй найди отличия… (недавняя волатильность чуть лучше, но именно что на чутъ...)

Recent:
  E[log likelihood]: -1.0211
Hist:
  E[log likelihood]: -0.9591
Mixture (0.5 recent + 0.5 hist):
  E[log likelihood]: -0.9660

«в среднем» получается одинаково что последняя волатильность что историческая. Неожиданно, я ожидал что «недавняя» будет заметно лучше «исторической» :)

Данные, столбики в таблице — историч волатильн, реальная прибыль, безрисковый рейт, последн волатильн

( Читать дальше )

// Решил скопировать ответ на вопрос как «Как начать трейдинг»

Есть очень много вариантов трейдинга, классический — долгосрочное инвестирование с защитой пут опционами.

а) Магическая Формула, Гринблат (основы фин. анализа, по сути упрощенная стратегия Баффета).
б) Безопасная Гавань, Шпицнагель (легкая математика, как избежать больших потерь).
в) Разобраться что такое put option insurance и как она влияет на E[log return]. Шпицнагель конкретно пут опционы не описывает, видимо чтобы не усложнять книгу, но это именно то что он использует https://www.youtube.com/watch?v=o3Qno1rT-nw (на рынке РФ кстати нет опционов, те что есть маржируемые опционы — это не опционы, а премиальные не имеют ликвидности).

Разобраться что такое Е[log return] (критерий Келли), чем отличаются средние по времени и пространству (эргодичность, Шпицнагель касается этого), и почему для оценки прибыли и цен нельзя использовать среднее ожидание.

Посмотреть какой средний годовой рост капиталла у чемпионов, лучших из лучших Эд Торп (30% годовых вроде), Джим Симонс (45% по моему, но он сам говорил что ему во многом повезло), Сорос (30 или 40 по моему). И трезво оценив свои силы, принять что результат у обычных людей едва ли стоит ожидать больше чем 15% годовых, в самом лучшем случае 20-25% годовых (в долларах).

( Читать дальше )

Возможно уже видели, но все равно, ИИ сделал видео по играм Диабло, бомба...




( Читать дальше )

Распределение получено эмпирически, как некая кривая, дающая на исторических данных наименьшую ошибку предсказанной цены.

Например так выглядит прогноз цен (PDF логарифмов прибыли,) на год вперед для акции AMD. В обычном и лог маштабе. Серый цвет нормальное для сравнения.



И, тот же график, PDF, без логарифма, обычная прибыль. В обычном и лог маштабе. Серый цвет лог-нормальное для сравнения.



( Читать дальше )

Единственная компания ASML в Нидерландах что поставляет оборудование для всех производителей чипов.

И, всего тройка компаний которые их производят (NVidia, AMD и т.п не производят чипы а заказывают у компаний из таблицы ниже).



П.С.

а) И сразу идея что например США могут ограничить поставку последних чипов в Китай видится в новом свете. Когда передовой производитель, TSMC находится у самой границы Китая :).

б) И, учитывая что ИИ в ближайшие годы разгонит «дизайн», возникает вопрос, а нужны ли будут TSMC дизайнерские компании как NVidia и AMD если они могут попросить своего ИИ сделать дизайн.

в) И, новый взгляд на «патенты». Для ИИ больше не нужны продажи, не нужно продавать CPU по всему миру. Достаточно собрать закрытый датацентр ИИ. И например используя дизайн NVidia/AMD для вдохновения, выпустить огромную партию закрытых чипов для такого частного датацентра собрав частный супер ИИ датацентр.

В симуляциях важна производительность, можно ускорить вычисления за счет болшей памяти а) кеш, это отдельная тема б) приближенной функцией. Где вместо реально и сложной функции используется ее приближение из 100, 1000 или 10000 точек.

count = 1000
ys[i] = fn(x) for x in collect([xmin, xmax], { count })
last_i = count-1

И затем любое значение можно получить как

y = ys[trunc(last_i*(x-xmin))]

Со скоростью 4х операций и хорошей локальностью памяти.

Как вариант можно линейную аппроксимацию, тоже быстро, но это еще быстрее, и точность часто вполне достаточная, ее можно повышать/понижать числом точек.

Языки использующие структуры близкие к железу (C, Nim, и т.п) но часто достаточно JavaScript/Java они также работают достаточно быстро.

П.С. Python/Matlab используют векторизацию и многие типовые операции реализованы эффективно на C, но таки, не всегда удается уложиться именно в эти операции.

Ребенку предлагают 1 конфету сейчас или 2 завтра. Большинство выбирает 1 сейчас. И это считается якобы нерационально.

Задача равносильна инвестиции 1 конфеты, с ожидаемой прибылью х2. Дополнительно учтем

-Полезность — удовольствие от 2х конфетy не в 2 раза выше, а наверно в 1.5.
— Риск — обещание незнакомого человека что если сейчас ты отдашь ему 1 конфету, завтра он даст тебе 2, насколько можно верить? Ну скажем 70%.

Итого: 1.5*0.7 = 1.05, получается лишь чуть больше чем получить 1 конфету сейчас, оба выбора одинаковы.

В простом случае, за ожидаемую прибыль по акции можно принять безрисковую ставку. Но это не точный прогноз, его можно улучшить если добавить цену за риск. Есть много известных моделей, которые имеют форму (в лог пространстве):

E[LR(t_now,t_future)] =
  (t_future — t_now) *
  (LR_risk_free(t_now) + K1 + K2*LVolatility(t_future))

LR — log return, множители K1 и K2 у этих моделей могут быть разными, и они могут использовать разные меры волатильности mean_squared_dev ее корень, mean_abs_dev и т.п… Ну и получать эту самую волатильность можно по разному, из исторических данных, симуляций, обратив цены опционов и т.п.

Я попробовал разные варианты, регрессия на исторических данных, и не нашел ничего лучшего чем дает эта формула для интервалов ожидаемой прибыли через 6мес, 1год, 2года.

По оси Х волатильность, можно видеть что с ростом волатильности, риск премиум (красная линия) действительно увеличивается.


Открытый вопрос — я делал регрессию в лог пространстве, и результат регрессии может немного отличаться.

( Читать дальше )

Полезная штука, когда недостаточно данных, особенно в концах, PDF получается зигзаг.

Можно улучшить, если заполнить провалы соседним меньшим значением. 



Можно также сделать интерполяцию и гладкую форму, но, не зная точно распределение, с интерполяцией можно ошибиться и завысить значения, грубый подход с наименьшим соседним значением выглядит безопаснее.

UPDATE: Это не настоящее распределение из цен акций, это просто мелкая хитрость как вслепую чуть улучшить распределение (сглаживание интерполяцией мне кажется вслепую делать нельзя), этот конкретный пример это искуственные данные.

Часто можно услышать «как тяжело жить в деревне», например «какая проблема что нет рядом магазинов, или сколько нужно работать на огороде или усилий содержать скотину». Рассмотрим почему это все чушь.

10 лет назад я обнаружил что углеводы и растит. масла вредны, и исключил их. Как результат, я не был в ресторанах 9 лет. И ем мясо, рыбу, сыр, зелень и немного низкоуглеводных овощей и иногда немного ягод. Без гарниров, круп, картошки, варенья, хлеба, фруктов, смузей, меда, растительных масел и т.п. Конечно, на 100% выдержать не удается, и пару раз в неделю покупаю яблоко и т.п. И соотв. из магазина мне нужен только мясной отдел и зелень/овощи, больше я ничего не покупаю. Иногда вообще ничего не ем несколько дней, или у или пару недель.

В пересчете на годовые расходы, это где то 600г мяса/рыбы в день, или 220гк в год. И соотв. в деревне, если ты живешь в настоящей деревне, красивых, диких местах где мало людей, и соотв. много рыбы и дичи, и у соседей у многих скотина. Можно бесплатно обеспечить наловив рыбы и наоохотившись дичи, либо в разы ниже магазинных цен купить рыбу у рыбака соседа или у соседа целую корову на мясо. И забить на год морозильную камеру на неск сот литров.

( Читать дальше )