Устойчивые долгосрочные модели


В предыдущих частях (часть 1, часть 2) мы рассмотрели построение композитных систем оценок ценных бумаг, построенных при помощи распространённых средств машинного обучения (Bag/Boost методы). Однако, такой подход, несмотря на все свои преимущества (скорость, точность) имеет ряд больших недостатков – отсутствие универсальности моделей в результате проблем «переобучения»  (точной настройки на определённые типы рынков и временные интервалы) и сложность интерпретации полученных композиций.

В результате решения этих проблем мы разработали базовую модель на основе наших представлений о стохастических дифференциальных уравнениях с квантовыми скачками, образующих улыбку волатильности. Эта макромодель получила в наших исследованиях наиболее полную микроскопическую интерпретацию.

( Читать дальше )

Предостережение: Данная стратегия очень рискованная. Этого всего лишь пища для размышления. Читайте, принимайте к сведению, но обязательно думайте своей головой. Вся ответственность за применение изложенного материала лежит только на вас.
Как говорил Будда: «Не верьте никому на слово, даже Будде. Проверяйте все учения на опыте. Будьте сами себе путеводным светом.»

На форуме Bogle Heads попалось обсуждение портфеля, состоящего из 60% UPRO (ProShares UltraPro S&P500) — ETF на индекс S&P500 с 3х плечом, а также 40% TMF (Direxion Daily 20+ Year Treasury Bull 3X Shares) — ETF с долгосрочными казначейскими облигациями (20+ лет) и опять же с 3-кратным плечом.

Автор под ником HEDGEFUNDIE вложил 15% своего портфеля в эту комбинацию. С февраля по август 2019г. 100 тысяч долларов превратились в 133 тысячи.



02/2019: $100k
05/2019: $115k
08/2019: $133k

( Читать дальше )

Решил рискнуть и поднять довольно холиварную тему, и разобраться, какие виды волатильностей бывают и чем они отличаются. Всё ниже-сказанное прежде всего рассчитано на новичков, которые уже имеют представление о волатильности, но теряются в догадках, какую же всё-таки использовать (как и я). Чтобы понять о чем пойдет речь далее, необходимо иметь базовые представления о модели Блэка-Шоулза (БШ).

Что такое Implied Volatility (IV)?

Для вычисления цены опциона, обычно используют формулу БШ, которая принимает следующие параметры:

OptionPrice = Vbs(S, t, sigma, r, K, T)

Но на рынке, опционы уже торгуются по неким ценам. Одни продают, другие покупают. Если взять цену опциона с рынка и вычислить волатильность, которую подставив в формулу БШ, мы сможем получить рыночную цену опциона — это и будет подразумеваемая волатильность или Implied Volatility.

Вычисляем IV

Решить уравнение БШ и вывести из него sigma — не простая задача. Скорее всего, даже не возможная, по-этому решается оно методом перебора Ньютона-Рафсона.

( Читать дальше )

Давно что-то ничего не писал — свалилось с начала года куча всего, вот начну исправляться потихоньку.

Узнал сегодня воистину потрясающую новость (спасибо Биотехнологу) — в Interactive Brokers появились самые ликвидные акции МосБиржи!!! Можно написать многотомное произведение в жанре триллер почему IB лучше российских брокеров, я же в силу дефицита времени привел ниже основные моменты.
Отчасти данный пост является ответом Тимофею, который не так давно доказывал, что российская брокерня бедная-несчастная на клиентах ничего не зарабатывает, и поэтому надо повышать тарифы. Как тебе такое, Тимофей Мартынов? Вот сейчас к этим нежным девочкам пришел настоящий мужик, и он всех трахнет, и покажет им, как надо работать для клиента.


Плюсы IB перед российскими брокерами:

1. Американская юрисдикция. Думаю, всем все понятно, вкратце: ваши деньги на пару-тройку порядков лучше защищены, чем в России. Уже хотя бы потому, что американским жуликам некуда сбегать с вашими деньгами, их достанут из-под земли (выдача практически из любой точки земного шара) и заставят ответить по всей строгости сурового американского законодательства. В отличие от

( Читать дальше )

Многие ругают компании, которые учат людей зарабатывать и вести свои дела успешно. Называют это «успешным успехом», потому что основной бизнес таких контор — это именно пропаганда того, как быть успешными, но успех их самих только в этой пропаганде.

Но истории достижений действительно могут быть полезны — если не научить чему-то, то хотя бы вдохновить. Управляющий партнер DTI Algorithmic Александр Бутманов решил поучаствовать в деле «финансовых просветителей» и поделиться тем, что он узнал за 11 лет существования нашей компании. Сегодня часть первая — как студенту найти деньги на собственный фонд.

---

Как я заработал капитал и смог основать свою компанию

Много лет назад я был частным трейдером. Я совершил все возможные глупости. Торговал на кредитные средства — других денег не было, а кредитные карты во времена высокой нефти выдавались всем без оглядки, и мне, студенту первого курса, тоже. Часть средств мне предоставили друзья, чтобы я попробовал.

( Читать дальше )

Только что получил вести. Наслайждайтесь новостью!




( Читать дальше )

 

Введение

Торговая система PVVI основана на индикаторе PVV (price/volume/volatility). Данный индикатор связывает в единую формулу цену, объем и волатильность. Краткое и очень эмоциональное описание истории появления этой формулы я привел в своей предыдущей статье:

Индикатор PVV (price/volume/volatility)

Т.к. по образованию я математик, а по профессии программист, то первым делом сразу же после формализации торговой системы PVVI я закодировал одноименного робота, который и служит мне верой и правдой уже более 3 лет.

В этой статье приведены результаты тестирования робота PVVI в программе Wealth-Lab.

Краткое описание робота PVVI

Разумеется, я не раскрою секрет полученной формулы, но краткое описание основных особенностей этой торговой системы, разумеется, приведу. Итак, вот основные характеристики робота PVVI:

1. Это краткосрочная спекулятивная стратегия, среднее время удержания позиции составляет 3 дня.
2. Торговля осуществляется на дневном таймфрейме.
3. Сделки совершаются только в лонг.
4. Покупка осуществляется за несколько минут до закрытия торгов.
5. Стоп-лосс и тэйк-профит равны одной среднедневной волатильности по бумаге за 10 последних торговых дней (2 недели).

( Читать дальше )

Совсем недавно я написал рецензию на книгу Стива Акелиса “Технический анализ от А до Я”. Вот эта рецензия:

Лучшая книга по техническому анализу

Книга Стива Акелиса хороша, но  я бы, скорее всего, не стал о ней писать и не назвал бы ее лучшей, если бы не одна история, которая приключилась со мной в далеком 2015 году. Итак, шел 2015 год, рынок то рос, то падал, и я все больше стал смотреть в сторону относительно коротких инвестиций и даже спекуляций, ибо сильные колебания курса рубля и неустойчивая доходность лишали долгосрочные инвестиции большей части былой привлекательности.

Будучи программистом, я все больше и больше начинал смотреть в сторону технического анализа и различных паттернов.  Правда, технический анализ не спешил дарить мне рабочие торговые системы. Что я только не тестировал и какие только параметры не перебирал! Казалось бы, вот она идея, но стоило ее протестировать на истории и меня в очередной раз ожидало сильное разочарование. В некотором роде мне повезло, я знал хотя бы где и куда копать. Еще в самом начале своего торгового пути я понял, что лучшие бумаги, как правило, остаются лучшими, а аутсайдеры, так и остаются аутсайдерами. Т.е. я не тратил время, нервы и деньги на ловлю падающих ножей и на усреднение убыточных позиций. Но как выжать максимум из тех бумаг, что растут и растут хорошо? Как из нескольких десятков лидеров определить ту одну-две бумаги, которые дадут максимальную прибыль?

( Читать дальше )

Давайте соберем цену, потом разберем цену и сравним. Все будет производиться на ваших глазах в экселе. Файл, которого я прикладываю. ФАЙЛ https://cloud.mail.ru/public/27GB/5ipstzGrY  .(в зеленые области вы будите вписывать разные цифры).  Проверку на гетероскедастичность мы будем делать методом максимального правдоподобия. Во я загнул. Если просто. Мы возьмем две, хорошо известных нам стратегии и будем их прогонять на каждом шаге создания графика цены. Первая стратегия. Увеличение лота на один при убытке. Принцип опциона. И если у нас случайный процесс, то должно получаться 50/50. И удвоение позиции. Принцип мартингейта. И если у нас случайный процесс у=x^2, то у^2=x, мы всегда в плюсе. Давайте по шагам.

Шаг первый, лист W

Сгенерируем случайные числа. В экселе есть функция =случмежду(0;1). И 0 переведем в -1, а 1 в 1. У нас получился простой бинарный ряд из 1 и -1. Возьмем 100 таких цифр. Теперь посчитаем их сумму нарастающим итогом.  К сумме предыдущей прибавить следующее (Total). И построим график изменения этой суммы. Назовем это «геометрическое Броуновское движение».  Тогда, сумма всех случайных числе будет равна точке, куда пришел наш график. А сумма всех случайных чисел в квадрате, будет равна пройденному пути. А если каждый шаг происходит за 1 секунду. То это, одновременно, и время. И мы должны получить следующую зависимость. Берем 100, извлекаем корень квадратный и получаем 10. И это одно стандартное отклонение. И есть теорема, которая доказывает, что 68% траекторий  будут заканчиваться в диапазоне от -10 до +10. Вы можете это проверить сами. В графе ТЕСТ введите число. Если сумма средних от -10 до +10, ставим 1, если больше 0. У вас будет получаться среднее 0,7, в среднем. То есть в 3 случаях из 10 мы будем выскакивать из -10 +10. И это уже не 50/50 вверх или в низ. Это уже 30/70.

( Читать дальше )

Часть 1.

Традиционно считается, что задача портфельной оптимизации, или задача Марковица, представляет собой некоторую самостоятельную задачу выбора такого портфеля активов, который обладал бы максимальной доходностью при минимальных рисках.

Прим. В качестве актива могут выступать ценные бумаги (акции), их производные (опционы)  или торговые системы.

 

Решение задачи состоит из двух этапов:

1. Прогноз доходности и ковариации активов в будущих периодах – то есть построение некоторого набора «слабых» прогностических моделей.
2. Составление оптимального портфеля в соответствии с некоторой целевой функцией, и ранее полученными оценками. То есть построение такой композиции «слабых» моделей, которая обладала бы наибольшей прогностической силой.

 

Почему мы используем аналогию портфельной оптимизации с методами машинного обучения  — Bag, Boost?! Потому что в действительности (и мы это продемонстрируем) нам абсолютно не важно, насколько хорошо динамику наших временных рядов прогнозируют «слабые» модели – нам важно только то, чтобы ошибки прогнозов наших моделей взаимно компенсировали бы друг друга в некотором интегральном смысле. Иными словами – в случае бустинга – ошибка прогноза линейной композиции была бы минимальной, а в случае портфельной оптимизации –  была бы минимальной ошибка прогноза нелинейной композиции (то есть самого портфеля).

( Читать дальше )