Статья будет полезна тем, кто уже тестирует или планирует тестировать торговые стратегии на фьючерсах.

В моей практике постоянно приходится сталкиваться с торговыми стратегиями на срочном рынке.

В каждом таком случае необходимо понимать, на каких данных тестировалась стратегия, как склеивались фьючерсы, если они склеивались.

Цена фьючерса зависит от следующих параметров: цены базового актива, процентной ставки и дней до экспирации.

F=N*S*(1+r1) — N*div*(1+r2),

где

N – объем фьючерсного конт­ракта (количество акций),

F – цена фьючерса;

S – спот-цена акции;

r1 – процентная ставка на срок со дня заключения сделки по фьючерсному контракту до его исполнения;

div – размер дивидендов по базовой акции;

r2 – процентная ставка на срок со дня закрытия реестра акционеров («отсечки») до исполнения фьючерсного контракта.

Поэтому фьючерсы с разными датами экспирации торгуются c разными ценами, с премией или дисконтом к базовому активу.

Опубликовал первую часть библиотеки для количественных трейдеров.

Первая версия простая, умеет рассчитывать кривую капитала по историческим сделкам, подключаться к источникам данных, учитывать комиссии при торговле на фондовой и срочной секции Московской биржи.

https://github.com/robostock/quantlibrary

Цели: добавить модуль расчета модельных портфелей по Марковицу и Блэку-Литерману, добавить инструменты машинного обучения.

Задача этого маленького проекта – создать маленькую библиотеку с открытым исходным кодом, в которой несложно разобраться с алгоритмом работы.

Все желающие могут присоединиться к проекту и внести свой вклад в уже написанный код или добавить собственные идеи.

P.S: Код доступен для использования в личных целях. В случае публикации обновлений библиотеки обязательна ссылка на первоисточник.

Использование кода в коммерческих целях запрещено

Прошла неделя с момента запуска приложения, которое отправляет google поисковые запросы и анализирует частотность получаемых ответов.

Первую неделю накапливались данные по количеству упоминаний голубых фишек за последние 24 часа.

Очевидных результатов данный подход не дал.

Зато просмотр ответов поисковика и опыт одного из коллег по цеху подтолкнул к идее контент-анализа.

Гипотеза очень простая: толпа ошибается.

Исходя из этого предположения с помощью поисковых запросов анализируется количество положительных и негативных ожиданий по акциям.

На примере акций Газпрома. результат первого дня оказался ожидаемым.

Количество ответов, удовлетворяющих положительным ожиданиям, на протяжении дня было меньше количества, негативных ожиданий (500 против 1200).

Т.е. в целом пользователи блогов, новостных лент и т.д. ожидали что акции газпрома будут падать, в то время как газпром вырос на +1,45% по итогам торговой сессии.

Данный результат нельзя назвать статистически значимым, но начало положено.