Небольшая статья по парному трейдингу на американском рынке акций от студентов Колумбийского университета Peng Huang и Tianxiang Wang с практическими примерами (оригинал).

Разница между применямой нами  и обычной практикой парного трейдинга в том, что мы используем метод максимального правдоподобия для конструирования оптимального портфеля статического парного трейдинга, который наиболее соответствует процессу Орнштейна-Уленбека, и строго определяем его параметры. Таким образом, мы убеждаемся, что наши портфели следуют процессу возврата среднего перед тем как начинать торговлю. Затем мы генерируем контртрендовые торговые сигналы, используя параметры модели. Также мы оптимизируем пороги и величину периодов in-sample и out-of-sample. Например, акции Crown Castle International Corp. (CCI) и HCP, Inc. (HCP) при таком подходе показывают коэффициент Шарпа 2.326 на периоде in-sample и 2.425 на периоде out-of-sample. Акции Crown Castle International Corp. (CCI) и Realty Income Corporation (O), торгуемые по нашей методике, демонстрируют коэфициент Шарпа 2.405 и 2.903 соответственно на выборках in-sample и out-of-sample.

( Читать дальше )

Портировал из LUA в машинный код, один из любимых рабочих инструментов.

Аццкая смесь Homoscedasticity, Fractal dimension и некоторых «секретных ингредиентов» Probability theory, породившая приемлемый Support and Resistance, не зависящий от субъективности и настроений «прокладки» между рынком и кошельком.

Пока была в LUA больше 3-4 запустить не получалось, не «повесив» QUIK, а сейчас:



( Читать дальше )

Зачитался, я тут на днях про робастную регрессию, и очень мне захотелось «пощупать» этого зверя хоть в каком нибудь виде на графике в Квике.

Выбрал наипростейшую — "Оценочная функция Тейла – Сена"

Эта оценочная функция может быть эффективно вычислена и она нечувствительна к выбросам. Она может быть существенно более точна, чем неробастный метод наименьших квадратов для несимметричных и гетероскедастичных данных и хорошо конкурирует с неробастным методом наименьших квадратов даже для нормально распределенных данных в терминах статистической мощности.
Метод признан «наиболее популярной непараметрической техникой оценки линейного тренда»

Сказано — сделано.

( Читать дальше )

Для грамотных математиков любящих графики случайного блуждания, распределения приращений и кибернетикам с априорными гипотезами без доказательств.

Сжатие данных - алгоритмическое преобразование данных, производимое с целью уменьшения занимаемого ими объёма, за счет устранения избыточности, содержащейся в исходных данных — повторяющихся последовательностей и значений.

Случайные сигналы, процессы, последовательности, белый шум не обладают свойством избыточности. Сжатие данных принципиально невозможно без потерь.

Гипотеза — если колебания цен есть случайный процесс то сжатие данных последовательности приращений не возможно и коэффициент сжатия не должен превышать 1. 

Условия испытаний. 

( Читать дальше )

Как говорится, трудно уснуть, пока в интернете кто-то не прав.

Случайны ли эти самые тренды? Таки нет вопроса более актуального на сегодняшний день:)

Возьмем часовую историю за 10 лет и проведем тот самый технический анализ: выделим все серии подряд идущих белых (черных) баров. Далее будем считать, сколько у нас получится серий из 1 белой (черной) свечи, сколько из двух, трех и т.д. Для сбербанка получается следующая картина:


























Зеленым цветом окрашены серии растущих баров, черным — падающих. И, о, чудо! Серий из двух баров почти ровно в 2 раза меньше, чем серий из 1 бара… а серий из 3 баров опять же в два раза меньше, чем серий из 2 баров и т.д. Паскаля, Ньютона, Да Винчи сюда....

В общем, вполне себе такое случайное блуждание за 10 лет с точки зрения орлов и решек. Кстати, эта картина одинакова для всех бумаг, которые я посмотрел, и не зависит от объема торгов. Везет тому, кто знает о завтрашнем аресте Ходорковского и идет шортить акции Юкоса… для него никаких случайностей нет.

( Читать дальше )

Только один график настоящий 8 остальных созданы на основе случайного блуждания, задача простая надо определить настоящий и проголосовать за соответствующий номер в опросе.

Приведу лишь пару примеров из разряда средней температуры по больнице за 2015 год. Однако, эта же статистика, посчитанная по каждому месяцу 2015 года, совпадает с общей за весь год. В качестве примере рассматриваются акции Сбербанка обыкновенные. Напомню, что случилось за тот год с любимым сбером:























Из тиковых данных делаем ренко-бары по 10 копеек (в среднем по 250 баров в день) и по 50 копеек (в среднем по 10 баров в день). Далее рассматриваем скользящие последовательности из пяти таких баров и строим две статистики:
s — сумма знаков пяти баров;
q — сумма произведений знаков четырех соседних пар в каждой пятерке.
Полученные статистики сопоставляем со СБ.

Все возможные пятерки:

[[1]]
[1] 1 1 1 1 1

[[2]]
[1] 1 1 1 1 -1

[[3]]
[1] 1 1 1 -1 1

[[4]]
[1] 1 1 1 -1 -1

[[5]]
[1] 1 1 -1 1 1

[[6]]
[1] 1 1 -1 1 -1

( Читать дальше )

( Читать дальше )

Первую часть интервью смотрите здесь.

Что нужно учесть при запуске стратегии в производство?

Новичкам нужно обратить внимание на соответствие «реальному миру» — на нюансы типа дней экспирации и праздников. Когда вы калибруете систему на исторических данных, можно допускать аппроксимацию без таких дней. Но когда вы переходите к реальной торговле, то не можете быть небрежным, все должно быть максимально точно.

Другой аспект заключается в том, что скорость критична. Я не могу рассчитывать модель в реальном времени (градиентный поиск очень медленный), поэтому нужно все сократить до линейных аппроксимаций изменений. Все это влечет за собой много матричных манипуляций.

Обычно создается исполнительный прототип, который делает все правильно, но не очень эффективно. Затем я поручаю моим сотрудникам-инженерам сделать производительную версию стратегии на языке Python или даже С, используя библиотеки для реального рынка, которые они создавали и совершенствовали годами. И эта версия подключается к  моей торговой системе, для запуска данной стратегии «в бой».

( Читать дальше )

Предлагаю перевод интересной статьи с сайта www.inovancetech.com о нетрадиционном применение техник машинного обучения: Machine Learning Techniques to Improve Your Strategy.

Машинное обучение это мощный инструмент не только для создания новых стратегий, но и для повышения эффективности уже существующих.

В этой статье мы осветим вопрос управления размером позиции с использованием алгоритма Random Forest (RF)  и включения/выключения торговли на основе модели скрытых состояний Маркова (HMM). Мы предполагаем, что у вас уже есть торговая стратегия.

Как улучшить управление позицией

Управление позицией — это очень важный аспект трейдинга, которому часто не уделяется должное внимание. Многие трейдеры смотрят на управление позиции с точки зрения уменьшения риска убытков, но не инструмента увеличения прибыльности стратегии. Конечно важно избегать большого риска, используя небольшую часть торгового счета ( не более 2%) в каждой сделке, но лучший способ — это применение фиксированного лота или фиксированного процента от вашей максимальной позиции для каждого трейда.

( Читать дальше )