Избранное трейдера svklam
Новый Год совсем близко, поэтому можно уже подвести итоги. В этом году мы организовались в небольшую алготрейдинговую команду, целью которой было создание высокочастотных алгоритмов и, конечно, их боевое применение. По полной программе роботы начали работать с 10 мая, до этого делали боевую часть на С++, размещались на колокейшн, придумывали собственно сами алгоритмы, то есть длительность боевых торгов — чуть больше полугода. Все алго работают пока только на FORTS, инструменты — RI и Si. Результаты торговли представлены в заголовке поста в процентном отношении к начальному капиталу.
Управление стратегиями происходило по правилам, которые я рассказывал здесь и здесь. Как можно видеть из графика дродауна, в октябре случилась просадка, в 3 раза превысившая расчетную ( а расчетная была около 7%, как следует из
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.