Дмитрий Новиков сказал, что волатильность это ОУ-процесс, которому свойственно возвращаться к среднему. Про айви трудно сказать, а для HV можно попробовать посчитать.

Сперва отступление. Возврат к среднему штука хитрая, такое можно про любой процесс заявить при должном риторическом настрое. Например, цена и любая скользяшка рано или поздно встречаются. Кто к кому возвращается в таком случае? Цена к своей средней или средняя к своей цене? Я предлагаю такую трактовку. Возврат к среднему значит, что там контртренд и контртрендовая система будет торговать в плюс. Ну и наоборот про невозврат к среднему, т.е. убегание от среднего.

Теперь проверим HV для RI:


































Посчитаем АКФ приращений этой истволатильности до 100 лага (каждый лаг — день):


( Читать дальше )

Сегодня я отвечу на тривиальный вопрос, на который наши гуру-математики со смартлаба почему-то так и не смогли найти решения методом дифференциирования афинно-квадратичных функций: Как торговать опционы не используя Б-Ш?

Другими словами, как забить болт на формулу Блэка-Шоулза и при этом спать спокойно, осознавая, что не в пирогах счастье, Карлсон (зачеркнуть)?

Для этого необходимо разобраться всего лишь в двух опционных понятиях: внутренняя (intrinsic value) и временная стоимость (time value).

Чтобы было удобнее работать с этими понятиями также напомню, что опционы бывают трёх типов: otm (out of the money), atm (at the money), itm (in the money).

Вне денег, около денег и в деньгах.

Около денег это когда страйк на экспирации совпадает со спотовой ценой (такое очень редко можно увидеть), в Америке такие опционы обычно не исполняются, но на нашем рынке есть особенность — чаще всего брокеры исполняют 50% от текущей позиции.

С itm все понятно, опционы в деньгах, когда спот выше цены страйка для купленного call-опциона, например.

( Читать дальше )

Последние несколько дней активно обсуждались различные темы по опционам. Накину и я немного.

Было бы интересно узнать а какие собственно результаты можем давать опционная торговля. Не правда ли? Нашлись добрые люди и протестировали результаты применения различных опционных стратегий на истории. Результаты за 30 лет (1986 — 2016) на картинках ниже

Лучше всех (по доходности) себя показала стратегия под кодовым названием BXMD. Это покупка индекса S&P и продажа call-опциона на него с дельтой 30.
Второе место стратегия PUT — это просто продажа пут-опциона на центральном страйке.
В цифрах это выглядит следующим образом

( Читать дальше )

В прошлом тексте я пробовал «помочь», нейросете уменьшив число рандомных фичей. Сейчас попробую помочь увеличив число примеров. Может наша сверточная сеть покажет что то вменяемое если увеличить число примеров до миллиона? Это задача на моем компьютере требует совершенно других затрат времени, так что я вчера запустил машинку обучаться, а сам пошел спать. Обучался на 50 эпохах, увеличивая данные от 10 тысяч до 50 тысяч (увеличивая обьем на 10 тысяч), и от 100 тысяч до 900 тысяч (с шагом +100 тысяч).
  Результаты порадовали. Я не буду в 5 раз пересказывать логику «исследования», но убрав week=5 мы должны (ну как должны!? вообще то нам никто ничего не должен) получить равновероятный прогноз события 1 и события 0. Ниже на графике эту норму в 50% изображает серая линия. Красная это прогноз события=1, синяя событие=0, ось Х число примеров на обучающей выборке в тысячах. 

  
  И пусть девочка кинет в меня камне если тут нет сходимости. 

( Читать дальше )

Так уж вышло, что пару дней назад я познакомился с терминалом QUICK и языком его скриптов — LUA

   Естественно, сразу возникла необходимость передать полный контроль над этим двумя сложнейшими приложениями чему-то более простому и понятному, например Матлабу, чтобы нажимая разноцветные кнопочки «Обыграть рынок» и «Что там опять у волатильности?» оставить конечному пользователю, то есть мне, только наслаждение от наблюдения за происходящим.


     Теоретически, для этого надо нанять менеджера COM из LUACOM.dll и дать ему в управление пару простых исполнителей — объектов LUA, чтобы высшее руководство МатЛаба могло эффективно распоряжаться ресурсами в иерархии 

 Руководство МатЛаб -> менеджер интерфейса  COM -> исполнитель  объект LUA 


       Но в силу каких-то неведомых причин (от сборки dll, до сборки MS Windows и даже предустановленного железа) сделать по теории управления с ходу не получилось, поэтому была использована альтернативная схема:

( Читать дальше )

Меня постоянно спрашивают — как при построении профитных опционных конструкций можно получить маржин-кол? Разве такое возможно?

У начинающих трейдеров профит и маржин-кол понятия несовместимые, поэтому происходит разрыв шаблона.

Очень просто, друзья, с коляном маржовым можно встретиться на forts даже тогда, когда твоя позиция плюсует (Коровин не даст соврать).

Но обо всем по порядку.

Разберем на личном примере чуть далее.

Во-первых, начнем с того, что опционы фортса я использую для хеджа портфеля фондовой секции.

На практическом опыте я убедился, что 50 000 руб на срочке хватает, чтобы захеджить 1 000 000 рублей на фонде, 100 000 рублей хватает, чтобы захеджить портфель объемом на 2 000 000 руб, ну и так далее...

Под хеджем в данном случае мы понимаем, что на сколько падает портфель фондовой секции, на столько же увеличивается портфель фортсовой секции.

Если операция под кодовым названием hedge прошла удачна, тогда снимаем излишки с фортса, честно заработанные на падении рынка, переводим на фонду.

( Читать дальше )

Напомню был сгенерирован DateFrame со 100 бессмысленными фичами и одной осмысленной, для проверки могет ML или не могет. Как оказалось GradientalBoosting могет и еще как, RF могет, но хуже. Что покажут нейросети? Нейросетей много, архитектур много, настраивать их не просто, я предложил решить задачу нейросети со следующей архитектурой:

model = Sequential()
model.add(Convolution1D(input_shape = (101, 1),
nb_filter=16,
filter_length=4,
border_mode='same'))

model.add(BatchNormalization())
model.add(LeakyReLU())
model.add(Dropout(0.5))

model.add(Convolution1D(nb_filter=8,
filter_length=4,
border_mode='same'))

model.add(BatchNormalization())
model.add(LeakyReLU())
model.add(Dropout(0.5))
model.add(Flatten())
model.add(Dense(64))
model.add(BatchNormalization())
model.add(LeakyReLU())
model.add(Dense(2))
model.add(Activation('softmax'))

  Тут все как положено — сверточная нейросеть, модная функция активации ReLU, широкой рукой накиданные Dropoutы и BatchNormalization, несколько слоев чтобы похвастаться не просто об обучении, а о глубоком обучении. Обучал на 100, 500 и 1500 эпохах. При увеличении числа эпох росла accuracy на train и на test, далеко превосходя заложенную accuracy ряда. При попытках использовать обученную нейросетку для прогноз получался один большой пфук.
По табличке:

( Читать дальше )

Видел на смартлабе восторженные отзывы, когда здесь кто-то выливает свои математические изыски или обсуждения волатильности с применением интегрального исчисления, мол, какие они все умные, наверняка деньги лопатой гребут!

Mike Dewar, который мне десятку торчит, даже лизнул перед Евгением Леоновым и bstone, назвав их полубогами.

Я понимаю, ты проходил платное обучение у Тарасова, что говорит о твоём низком уровне IQ, но поверь мне — нет, нет и ещё раз нет!

Не переживай, они сливают на своих формулах также, как и все, только при этом делают умный вид ;)

Научить любого дурачка торговать опционами проще пареной репы, даже, Майки, тебя можно научить, было бы желание.

Чем пугают новичков в самом начале?

Формулой Блэка-Шоулца и греками.

Забудьте о них и не бойтесь начинать торговать опционами, с опытом все само собой прийдёт!

Знаете, что пишут в умных книгах?
----
Знание самой формулы не требуется: она заложена в программное обеспечение. Программа позволяет тысячам людей без математического образования работать маркетмейкерами по опционам на биржах и в банках.

( Читать дальше )

 Общепринято в торговле использовать либо лимитные заявки, либо рыночные. Последние зачастую служат пищей для алгоритмов прожжённых HFT-шников. Есть на этом ресурсе кто-то, кто уже написал или пытался написать алгоритм выхода из текущих позиций, с учётом актуальных волатильностей каждого из инструментов, спрэдов, последних сделок и плотностей стакана?  

 Если вы посмотрите на выступление какого то гуру ML или разработчика софта под это дело, то высокий шанс увидеть мекающее и бекающее существо, рассуждающее в духе «ну мы точно не знаем как это работает, но эмпирически мы получили что вот если взять куриную косточку смешать ее с пеплом единорога и трижды ударить в бубен, то результат получится очень даже ничего...». ML новая область и многим фишкам применяемым там, нет какого то четкого математического обоснования. 
 Я само собой тоже шаманю, бью в бубны. Например-стоил ли взять максимально большой набор данных для train или лучше брать последние как наиболее актуальные. Или например работа с фичами-допустим посчитал я модельку для первых 2 лет, оказалось что так и так наиболее актуальны из них 10. Стоит ли в следующий train брать только их, или стоит опять брать полный набор фичей. Как насчет порога вероятности? Для модельки с одними параметрами, порог в 55% будет самое то, для другой лучшим будет 57,5%. Я не говорю о гиперпараметрах в самих модельках. То есть если прикинуть все возможные комбинации, то мы получим сотни если не тысячи  вариантов, и сразу возникает вопрос о подгонке. Впору забить на все эти ML и вернуться  к старомы доброму надра… ию в WealthhLab. 

( Читать дальше )