Продолжим разбираться с нашим индюком и его свойствами. Если мы знаем годовую историческую волатильность актива, то можем предположить и вычислить его будущую цену. Предположим, что волатильность равна 30%, цена 100. Это значит, что цена может измениться на 30 в ту или иную сторону. Это фундаментальное свойство актива. Некоторые хотят по 20% некоторые по 100%. Оценивая эти свойства, мы должны прикидывать наши силы. Более того, актив может всбрыкнуть и выскочить за пределы своего загона. Это тоже надо учитывать. Однако, мы планируем не на год на неделю. И что бы найти как цена изменится за неделю, надо разделить годовую волатильность на время. И не просто на время, а согласно Эйнштейна и Пьяного Матроса на корень. Вот в нашем индикаторе и устанавливается для каждого тайм фрейма это время. Здесь есть несколько философских школ как это время считать. Только рабочие часы, или все сутки. Меняется волатильность в праздники или стоит на месте. Это отдельная тема и мы к ней еще вернемся.

Теперь, когда мы можем прикинуть возможные цены на актив, мы можем построить зону, где цена будет находиться с вероятностью 68%(одна сигма). Если вам нужна вероятность больше, нужно взять больше сигм. Пока, вручную надо построить точки, отклонения за день, два и т.д. У вас получится «фара». Некая парабола, перед последней ценой. Остается сравнить с такой же «фарой», только с использованием волатильности опциона ближайшего страйка.

Цели на 121,50 по сбербанку выполнились. Совсем рядом 125. В случае пробоя восходящего канала, есть возможность похода на его высоту. Работать от покупок.

На данный момент техническая картина такая:


Подписывайтесь Вконтакте, Facebook, Twitter

Есть правда ограничение — максимальная сумма освобождаемых от налога доходов рассчитывается по формуле: количество лет * 3 млн. рублей. То есть после 3-х лет владения акциями вы сможете освободить от НДФЛ 9 млн. руб. дохода от их продажи, что вполне достаточно для подавляющего числа частных инвесторов. Важно, что размер освобождаемых от налога доходов увеличивается каждый год на 3 млн. рублей, то есть за инвестиционный период в 30 лет вы сможете не платить НДФЛ с 90 млн. рублей дохода от продажи акций. 

Для получения освобождения никаких документов по общему правилу подавать не нужно, брокер сам все рассчитает и удерживать налог с вас не будет. Однако для того, чтобы не продать акции раньше 3-х летнего срока и не попасть на налог, даты и сроки покупки акций нужно учитывать

Всем привет!

Копался в статьях по алготрейдингу, решил присмотреться в сторону машинного обучения. Но это в моем случае не про какой-то искусственный интеллект с нейросетями, в нейросети пока не хочу лезть, слишком сложно. Для начала хочу использовать простые алгоритмы для классификации и оценки хороших точек входа на основе обучения модели на истории.

Я исходил из того, как сам разрабатываю обычно торговую систему: ищу хорошие точки входа на истории и классифицирую их. Но так как человеческие возможности ограничены, использую только 3 таймфрейма и около 10 индикаторов в сумме. Кроме этого, история в точности никогда не повторяется и нужна какая-то более умная модель, которая не просто сравнивает индикаторы, как делают сейчас мои роботы, а дает оценку данной рыночной ситуации на основе всей совокупности индикаторов.

С помощью машинного обучения можно создать и обучить много моделей по разным алгоритмам, эта область уже хорошо развита (Logistic regression, Linear discriminate analysis, Stochastic gradient boosting, Decision trees, Support Vector Machine, KNN и другие). Можно быстро попробовать разные модели (Spot-checking algorithms). Модели могут работать вместе и делать предсказания. Можно улучшать точность моделей (Algorithm parameter tuning, Ensemble methods). Можно посчитать точность предсказаний по модели, обучив сначала модель на части выборки, а затем протестировав ее на другой части выборки (resampling). 

Как я понял, R для машинного обучения идеально подходит. Сделал первые шаги сегодня: cоздал модель по туториалу, которая определяет по размеру чашелистиков и лепестков растения ирис точный вид (всего 4 вида) какого-то одного растения(особи) на основе обучения по выборке из 500 других растений(особей). 

Код: 

# Скачивание и инициализация библиотек mlbench(используется для machine learning), caret (используется для нормализации данных)
install.packages("mlbench") 
library(mlbench)
install.packages("caret") 
library(caret)

# Краткая информация про базу данных iris
data(iris)
summary(iris)

# Определение тренировочной выборки
trainControl <- trainControl(method="cv", number=10)

# Оценка точности алгоритма Naive Bayes на данном dataset
fit <- train(Species~., data=iris, trControl=trainControl, method="nb")

# Вывод оценки точности
print(fit)

Сейчас я точно так же хочу сделать модель, которая на основе 30-300 хороших точек входа на истории определяет, насколько хороша данная пятиминутка для входа в лонг или шорт. 

Что скажете? Есть ли там грааль? Есть ли у кого-то опыт использования машинного обучения для торговли? Что посоветуете? 

# Инициализация библиотеки rusquant (русская версия от quantmod, поддерживает все функции quantmod)
library(rusquant)

# Получение исторических данных с Финама
getSymbols("SiM6", from=Sys.Date()-30, src="Finam", period="day")

# Рисуем график, чтобы увидеть данные
candleChart(SIM6)

# Расчет доходностей встроенной функцией библиотеки rusquant (унаследована от quantmod)
rr <- OpCl(SIM6)

# Цены закрытия
p <- Cl(SIM6)

# Получение абсолютного значения среднеквадратичного отклонения доходности
sd(rr)*mean(p)

[1] 757.7013

# Аналогично для часовика
getSymbols("SiM6", from=Sys.Date()-30, src="Finam", period="hour")
candleChart(SIM6)
rr <- OpCl(SIM6)
p <- Cl(SIM6)
sd(rr)*mean(p)

[1] 234.9929

#Аналогично для BRK6.