И снова здравствуте! 

Сегодня рассмотрим Omega Ratio.

Омега-коэффициент – это современная метрика, которая используется для оценки рисков и возвратов в финансовых и инвестиционных стратегиях. Этот инструмент вышел за рамки традиционных подходов, таких как коэффициент Шарпа, предлагая более точное и надежное измерение. Здесь приведены три ключевые причины, почему Омега-коэффициент столь важен:

1️⃣ Полная Картина Риска и Вознаграждения: В отличие от других метрик, Омега-коэффициент учитывает все возможные исходы инвестиций, включая те, которые маловероятны. Это позволяет инвесторам получить более глубокое понимание потенциальных рисков и возвратов.

2️⃣ Учёт Асимметрии Распределений: Финансовые возвраты часто имеют асимметричное распределение. В то время как большинство метрик основано на предположении о нормальном распределении, Омега-коэффициент может адекватно обрабатывать асимметрию, что делает его более точным.

3️⃣ Персонализация Толерантности к Риску: Омега-коэффициент позволяет инвесторам учесть их собственную толерантность к риску, таким образом, индивидуальное представление об «оптимальной» инвестиционной стратегии может быть легко включено в анализ.

( Читать дальше )

В мире инвестиций множество инструментов, которые помогают достичь различных финансовых целей. Сегодня хотелось бы обсудить два из них — ETN (Exchange Traded Notes) и ETF (Exchange Traded Funds).

ETN — это замечательный инвестиционный продукт, который представляет собой облигацию с фиксированным сроком погашения, но вместо фиксированного дохода ETN предлагают выплаты, основанные на производительности какого-либо рыночного индекса. ETN дает возможность инвестировать в активы, которые трудно или невозможно купить напрямую, как например, сырье или определенные иностранные активы.

ETF — это тип инвестиционного фонда, акции которого торгуются на бирже, как акции. ETFы обычно отслеживают определенный индекс (например, S&P 500), но могут также инвестировать в секторы рынка или специфические активы.

Несколько популярных ETNs и ETFs:

ETN	Описание	ETF	Описание
iPath S&P 500 VIX Short-Term Futures ETN (VXX)	Предлагает экспозицию на короткосрочные VIX фьючерсы.	SPDR S&P 500 ETF (SPY)	Отслеживает производительность S&P 500.

( Читать дальше )

И так, в прошлом посте был представлен небольшой фреймворк на питоне для тестирования портфелей, а в этом посмотрим как же простейшая стратегия на базе импульса может сохранить нам нервы и деньги. 

И так,

• Возмем 500 бумаг которые на данный момент находятся в индексе snp500.
• Каждый месяц будем отбирать 10 бумаг по принципу силы импульса за последний год. Имеется ввиду процентное изменение.
• Вторая стратегия будем отбирать 10 бумаг, но импульс будем считать как разницу цены и скользящей стредней с периодом 252.
• Ребалансировка портфеля через каждые 22 дня.
• Только лонг.

Протестируем за 10 лет начиная с 2005, и получим вот такой прекрасный результат: 


Общая доходность в 10 раз выше индекса, годовая в 5. Однако видим что и просадка у нас повыше. 

Но мы же все делаем на питоне, где полно всяких полезных пакетов. Воспользуемся библиотекой PyPortfolioOpt, и добавим попробуем эти же две стратегии с импользованием следующих методов оптимизации портфелей: CLA, HRP, CVaR, DVaR

( Читать дальше )

Всем привет, 

Не смотря на то, что многие люди довольно скептически отнеслись к китайской идее напрямую оптимизировать значение шарпа и подберать веса для активов используя LSTM сеть (А что так можно было?), я решил все же этот метод протестировать. 

Я не люблю всякого рода сложные подходы, поэтому я пошел в лоб, написал простую стратегию для динамической ребалансировки портфеля (только лонг) и протестировал на ней различные методы.

Для тестов были взяты следующие методы оптимизации финасового портфеля:

Классические:

• Mean-Variance
• Hierarchical Risk Parity (созданный Маркусом Лопезом де Прадо)
• Critical Line Algorithm (говаривают метод специально для оптимизации портфелей придуман)
• Efficient Frontier with nonconvex optimizer (нашел в примерах питоновского пакета, добавил для кучи)

Экзотические:

• LSTM (модель предложенная китайцами, из предыдущего поста)
• Trained LSTM (обученная модель на истории, предсказывает распределение на следующие 22 дня)

( Читать дальше )