Аллоха!

В прошлом моем посте, была затронута тема обучения с подкреплением, где была создана среду для торговли, но были использованны ситетические данные. Теперь же, я добавил возможно использовать данные из датафрейма. Теперь же среда представляет из себя 20 значений цен, описанных OHLC плюс обьем.

Для эксперемента было выбранно 200 дней в обучающую выборку и 50 в тестовую. Обучались два DQN агента, один использовал Q-Network, второй Q-RNN-Network. На картинке можно видеть результаты обоих агентов после обучении на 700 итераций.





Проверялась работа агентов на 80 эпизодах по 10 раз. Как можно видеть агент использующих QRnnNetwork показал вполне себе неплохие результаты. Так что вполне возможно, что при правильной готовке можно получить таки самостоятельного агента, способного торговать не хуже чем сконструированная стратегия.

Кому интересно как создать агента при помощи TF-agents фреймворка, а так же узнать больше деталей, прошу смотреть видео. Код можно найти на гитхабе, ссылка в описании к видео.

Степан Демура говорит о событиях в Белоруссии, ситуации с коронавирусом, надвигающемся кризисе в экономике и финансовых рынках. Скачать можно здесь.



( Читать дальше )

В 2020 перешёл на тслаб 2.0, в котором наконец реализовано плавное изменение размера позиции без костылей. В связи с чем более плотно потестил разные варианты и в итоге всё оставил как есть, самый простой вариант. Но в последнее время мне кажется что я туповат и что-то упустил, так что пишу чтобы разобраться.


( Читать дальше )

Здравствуйте коллеги!

Очередной вопрос по сальдированнию убытков разных ПФИ (производных финансовых инструментов). А именно интересует  фьючерс на индекс РТС являющийся ПФИ фондовым и фьючерс на Нефть являющейся ПФИ не фондовым.  Много где читал, что они сальдируются, в т.ч. на сайтах и в комментариях брокеров. 

Поразобравшись с налоговым кодексом  и сайтом налоговой пришел к выводу, что сальдированние у них есть, но только в одну сторону.

Если  убыток по ПФИ не фондовому (Нефть), а прибыль по  ПФИ фондовому (РТС) или вообще любому, то они сальдируются. Об этом есть абзац (НК РФ Статья 214.1.  п.15, абзац 5)

«Сумма убытка по операциям с производными финансовыми инструментами, обращающимися на организованном рынке, базисным активом которых не являются ценные бумаги, фондовые индексы или иные производные финансовые инструменты, базисным активом которых являются ценные бумаги или фондовые индексы, полученного по результатам указанных операций, совершенных в налоговом периоде, уменьшает налоговую базу по операциям с производными финансовыми инструментами, обращающимися на организованном рынке.»

( Читать дальше )

Привет, сегодня вместо традиционного бэктеста разберем площадки, где можно подсмотреть идеи для торговых стратегий.  Навеяно постом Eugene Logunov о литературе для алго-трейдера https://smart-lab.ru/blog/627444.php Теперь у нас есть методики, но где взять идеи? :)

Наши предыдущие бэктесты хоть и адаптированы под Россию и имеют отличия в реализации – все равно основываются на ранее выявленных закономерностях в США/Европе. Сразу скажу, что речь пойдет об исследованиях в открытом доступе. Если на работе/в университете есть доступ к EBSCO или Science Direct, то вы и сами знаете, где все посмотреть.

Зачем вообще читать академические ресерчи, если фонд LTCM показал, что кол-во цитирований и премий спорно соотносится с успехом на рынке?

Хорошие ресерчи дают базовые идеи о том, что и почему работало в прошлом, на каких стадиях и почему перестало. Да, в них есть реализация или дизайн исполнения, но обычно он сырой и его всегда можно поменять, сохранив базовую идею. В отличие от дискуссий в рунете, очень сложно опубликовать что-то без пруфов, а проверка устойчивости не ограничивается t-статистикой > 3.  Сам текст хорошо структурирован, методика либо объясняется полностью, либо ссылается на такой текст. Авторы в основном исследователи, которые выполняя свою работу попутно дают подсказки практикам. Но встречаются и практики, например, аналитики хедж фонда AQR сейчас главные поставщики контента по факторным стратегиям или ученые Dimson и Ibbotson, которые параллельно пишут исследования для инвестиционных банков. Если желание почитать что-то заумное осталось, то сформулируйте идею/биржевую аномалию, которую хотите проверить (например, покупка акций с наибольшими дивидендами) и возвращайтесь к этому тексту.

( Читать дальше )

Продолжаю сидеть на самоизоляции и учусь программировать на Python. Написал полноценный калькулятор для сравнения двух любых активов.

Считает такие показатели как:

✅ Ожидаемая доходность
✅ Волатильность
✅ Коэффициент Шарпа для каждого актива
✅ Корреляцию
✅ Бету
✅ Альфу
✅ Долю волатильности исследуемого актива в базовом (удобно для сравнения с индексными фондами или индексами, если их брать в качестве базового актива)
✅ Коэффициент Трейнора
✅ Альфу Дженсена



Можно задать период на котором необходимо произвести расчеты. Строить графики для сравнения.

( Читать дальше )

Намедни от одного из участников нашего уютного чатика поступил вопрос: а какие, собственно, периоды выбрать для скользящих средних на РИ, чтобы получать профит.

Предлагаем в выходные пробежаться по всем этапам изыскания таковых. Параметров. Кто-то не знает, где это делать. Кто-то не знает как. Кто-то не обращает внимание на ряд вещей, на которые следовало бы обратить.

МАшки или скользящие средние — это наверное самое элементарное, что есть из ТА на рынке. И с чего все начинают. Многие там и остаются… теряя капитал. А кто-то и зарабатывает.

Но как нам найти тот самый волшебный период? Бегать по графику и считать руками? Можно. Эффективно? Нет.
Для автоматизации процесса существует целый ряд так называемых программ технического анализа.

Для данной статьи воспользовались старой классикой — AmiBroker. Позволяет читать данные в формате Metastock напрямую. Конвертирует под себя эксель. Категорически легкий язык для новичка. Все интуитивно понятно. Я не говорю про сложные конструкции с циклами, но элементарные вещи, типа пересечений, дивергенций — легко.

( Читать дальше )

Начинающие (да и не только) инвесторы часто задаются вопросом о том, как отобрать для себя идеальное соотношение активов входящих в портфель. Часто (или не очень, но знаю про двух точно) у некоторых брокеров эту функцию выполняет торговый робот. Но заложенные в них алгоритмы не раскрываются.

В этом посте будет рассмотрено то, как оптимизировать портфель при помощи Python и симуляции Монте Карло. Под оптимизацией портфеля понимается такое соотношение весов, которое будет удовлетворять одному из условий:

• Портфель с минимальным уровнем риском при желаемой доходности;
• Портфель с максимальной доходностью при установленном риске;
• Портфель с максимальным значением доходности

Для расчета возьмем девять акций, которые рекомендовал торговый робот одного из брокеров на начало января 2020 года и так же он устанавливал по ним оптимальные веса в портфеле: 'ATVI','BA','CNP','CMA', 'STZ','GPN','MPC','NEM' и 'PKI'. Для анализа будет взяты данные по акциям за последние три года.

#Загружаем библиотеки

import pandas as pd
import yfinance as yf
import numpy as np
import matplotlib.pyplot as plt

# Получаем данные по акциям
ticker = ['ATVI','BA','CNP','CMA', 'STZ','GPN','MPC','NEM', 'PKI']

stock = yf.download(ticker,'2017-01-01', '2019-01-31')

( Читать дальше )