Избранное трейдера Fox27
Таблица отсечек под дивиденды за 9 месяцев 2016 года продолжает увеличиваться. СД Алроса Нюрба, ГМК Норникель и НКХП (Новороссийский комбинат хлебопродуктов, второй по мощности зерновой терминал РФ) объявили размеры дивидендов за 9м2016.
Котировки таблицы даны на закрытие пятницы
Хорошая дивидендная новость прошла по Юнипро. Цитирую:
МОСКВА, 10 ноя /ПРАЙМ/. «Юнипро» (подконтрольна международному энергетическому концерну Uniper) намерена обеспечить выплаты дивидендов дважды в год, говорится в презентации компании.
Отмечается, что помимо чистой прибыли, выплаты дивидендов также будут учитывать ожидания величины свободных денежных средств.
Ранее сообщалось, что совет директоров «Юнипро» рекомендовал направить на дивиденды за девять месяцев 2016 года в размере 7,3 миллиарда рублей, 0,1158 рубля на акцию.
Согласно презентации компании, следующие дивиденды могут быть выплачены по итогам четвертого квартала 2016 года — первого квартала 2017 года — в июне-июле 2017 года. Выплаты планируются также по итогам второго и третьего кварталов 2017 года, которые, как ожидается, будут осуществлены в декабре 2017 — январе 2018 года.
Продолжение. Начало здесь.
Вы, наверное, заметили, что в процедуре вычисления параметров модели, описанной выше, я запоминал действительные предсказанные значения, так же как и предсказания направления приращения цены. Я хочу исследовать предсказательную способность величины приращения. Точнее, может ли фильтрация сделок, в случаях, когда величина предсказанного приращения ниже определенного порога, улучшить доходность стратегии? Код ниже представляет такой анализ для небольших порогах приращений. Для упрощения, я конвертировал логарифмы приращений в простые приращения, чтобы получить управление знаком предсказания и облегчения применения порога:
# Test entering a trade only when prediction exceeds a threshold magnitude simp.forecasts <- exp(ag.forecasts) - 1 threshold <- 0.000025 ag.threshold <- ifelse(simp.forecasts > threshold, 1, ifelse(simp.forecasts < -threshold, -1, 0)) ag.threshold.returns <- ag.threshold * returns[(window.length):length(returns)] ag.threshold.returns[1] <- 0 # remove NA ag.threshold.curve <- log(cumprod( 1 + ag.threshold.returns)) both.curves <- cbind(ag.threshold.curve, buy.hold.curve) names(both.curves) <- c("Strategy returns", "Buy and hold returns") # plot both curves together plot(x = both.curves[,"Strategy returns"], xlab = "Time", ylab = "Cumulative Return", main = "Cumulative Returns", major.ticks= "quarters", # minor.ticks = FALSE, ylim = c(-0.2, 0.45), col = "darkorange") lines(x = both.curves[,"Buy and hold returns"], col = "blue") legend(x = 'bottomleft', legend = c("Strategy", "B&H"), lty = 1, col = myColors)
Что такое Plaza 2 и с чем ее едят! Ч.2.
Дальше будет интереснее.
Контуры Plaza 2.
Существует 2 контура Plaza 2: для тестовых торгов и реальных торгов. Тестовый контур необходим для разработчиков. Доступ можно получить здесь: http://moex.com/s438.
На тестовом цена последней сделки, цена покупки и продажи очень похожи на реальный, но остальные данные далеки от реальности.
Установка и настройка шлюза.
После того как получили логин Plaza 2 скачаем последнюю версию cGate ftp://ftp.moex.com/pub/FORTS/Plaza2/CGate/.
В процесс установки можно параметры по умолчанию не менять, кроме следующих:
Выбираем вариант подключения:
Тестовая система для разработчиков если хотим подключаться к тестовому контуру.
Доброго времени суток.
Мы команда разработчиков торговой платформы FortsSoft Terminal для прямого доступа на срочный рынок. Опрос нашей компании показал, что торговать на Plaza 2 хотят многие, а информации по данному вопросу катастрофически мало. В виду этого, мы решили запустить серию статей по данной теме.
И так.
Что такое шлюз Plaza 2.
Шлюз Plaza II — Программное обеспечение, обеспечивающее обмен данными между Серверной частью ПО – Торговой и клиринговой системы Срочного рынка (Торговой системой SPECTRA) и сертифицированной брокерской системой по протоколу Plaza II.
Такое определение дает Московская биржа.
Если простыми словами, то Plaza 2 позволяет получать данные, отправлять заявки миную инфраструктуру брокера.
Преимущества.
Преимуществ у данного способа подключения очень много. На мой взгляд основные:
Прошедшая неделя была исключительно богата на дивидендные новости.
Самое главное: Советы директоров эмитентов начали давать рекомендации по промежуточным дивидендам за 9 месяцев 2016 года
Как обычно, таблица с датами отсечек и дивидендными доходностями по состоянию на закрытие пятницы.
В таблице нет АО Химпром. В отчете эмитента за 6месяцев 2016 года отражено, что 100% АО выкуплены двумя владельцами.
В пятницу вышла новость о том, что дивиденды Газпрома по итогам 2016 года ожидаются в размере 18,8 рубля. Цитирую новость по Рейтер
МОСКВА (Рейтер) — Чистая прибыль российского государственного концерна Газпром в 2016 году может составить 893 миллиарда рублей, из которой российские власти рассчитывают на дивиденды в размере 50 процентов, следует из проекта федерального бюджета на 2017-2019 годы.
Из прибыли Газпрома по международным стандартам финансовой отчетности государство, которому принадлежит 38,4 процента концерна, хочет получить в 2017 году дивиденды в размере 171,3 миллиарда рублей. По расчетам Рейтер, это соответствует около 18,8 рубля на одну акцию.
Статья из блога Robot Wealth.
Продолжая мои исследования в области моделирования временных серий, я решил изучить авторегрессивные и условные гетероскедатичные модели. В частности, я взял авторегрессивную модель ARIMA и общую авторегрессивную гетероскедатичную модель GARCH, так как на них часто сылаются в финансовой литературе. Далее следует описание того, что я узнал об этих моделях и основной процесс нахождения их параметров, а также простая торговая стратегия, основанная на предсказаниях полученной модели.
Сначала дадим несколько необходимых определений. Я не хочу воспроизводить всю теорию целиком, ниже дан краткий обзор моделирования временных серий, в частности ARIMA и GARCH моделей:
В первую очередь, вычисление ARIMA и GARCH моделей это способ узнать, при каких прошлых наблюдениях, шуме и дисперсии временной серии возможно предсказать следующее значения этой серии. Такие модели, параметры которых правильно установлены, имеют некоторую предсказательную способность, предполагая, конечно, что эти параметры остаются постоянными на некоторое время для данного процесса.