Окончание. Начало здесь.

В соответствии со смоделированным спредом, мы предполагаем покупать (продавать) пять контрактов по одному активу, одновременно продавая (покупая) количество, равное [β×5], где [x] — целая часть х, по другому активу, так как число контрактов должно быть целым.

Мы моделируем торговлю с 500 000$ и наше гарантийное обеспечение будет примерно равным 20%. Мы не используем какую-либо технику манименеджмента, ГО 20% будет только в начале периода бэктестинга и будет снижаться по мере получения прибыли.

Итоговые результаты анализируются с помощью распространенных индикаторов, применяемых на практике: годовой коэффициент Шарпа, годовая доходность, максимальная просадка, доли дней с положительной и отрицательной доходностью, доля дней без сделок, коэффициент отношения среднего значения (в долларах) дней с положительной доходностью к дням с отрицательной доходностью, корреляция портфеля с индексом S&P500. Во всех случаях мы указываем чистый результат, принимая во внимание 3$ комиссии и один тик проскальзывания на сделку.

Продолжение. Начало здесь.

Модель, устойчивая к смене режимов волатильности

Некоторые проблемы торговли спредом

Ранее мы определили три сосотавляющих рыночно-нейтральных стратегий. Здесь мы обновим эту классификацию и рассмотрим некоторые трудности, связвнные с торговлей спредом.

Долговременные расхождения в ценах трудно найти с помощью алгоритмов, основанных только на ценах. Обычно, фундаментальный анализ, совместно с опытом трейдера может помочь в понимании существования  расхождения. Время возврата к среднему может быть установлено с помощью непрерывных моделей, в этом случае период удержания позиции зависит от модели спреда и, следовательно, от частоты пересчета коэффициента хэджирования.

Много факторов могут приводить к скачкам волатильности спреда, но сами по себе скачки не могут быть приняты в качестве сигналов прекращения торговли парой.

Начало здесь.

Задача оптимизации инвестиций

Целью трейдера при открытии позиций в активах является максимизация ожидания имеющихся ресурсов при постоянной ревизии этих позиций в течение времени, для того, чтобы обеспечить  динамическую оптимальность стратегии. Обозначим величину в денежном исчислении, инвестированную в безрисковый и рисковые активы . Тогда количество открытых трейдером контрактов будет равно . Опустим сложный вывод конечной формулы и представим окончательное решение в закрытой форме для доли инвестиций в активы:

Итак, по результатам голосования на моем сайте в лидерах оказалась публикация Alvaro Cartea и Sebastian Jaimungal "Algorithmic Trading of Co-integrated Assets". Я тоже считаю эту работу очень интересной, так как она фактически расширяет понятие парного трейдинга до торговли произвольным количеством активов, с учетом их коинтеграционного взаимоотношения. Это сильно повышает устойчивость результирующего портфеля, в отличие от парного трейдинга, в связи с его диверсификацией.

Представляю здесь перевод этой статьи, которую я несколько сократил, убрав длинные математические выкладки и оставив только наиболее важные и окончательные формулировки. Думаю, это значительно облегчит понимание, без утраты основного смысла публикации.

Вступление

Успех многих торговых алгоритмов зависит от качества предсказаний движения цены актива. Предсказания цены отдельной акции в общем случае менее точно, чем предсказание значения портфеля активов. Классической стратегией, которая использует совместное поведение двух активов, является парный трейдинг, где портфель состоит из  линейной комбинации этих активов. Для примера, это могут быть две акции, чей спред, представляющий собой разницу их цен, демонстрирует особый паттерн, отклонения от которого носят временный характер. Алгоритм парного трейдинга получает прибыль от ставки на тот факт, что отклонения спреда возвратятся к их историческому или предсказуемому уровню.