« Голос истины неизящен, а изящная речь лжива. Нравственный человек не красноречив, а красноречивый — лжец»

Лао-Цзы

 

В книге Новые измерения. Билла Вильямса, даётся трендовая стратегия, которая при минимальных изменениях может торговаться на российской бирже. Эта книга — склад Граалей. В ней есть адаптивный к волатильности вход на пробое, пирамидинг по тренду, бесконечное удержание позиции по тренду. Три столпа алгоритмиста-трендовика которые изменят Вашу жизнь навсегда. Всё это дано на уровне полного описания действий, как в блок-схеме.

( Читать дальше )

Китайское толкование слова «Кризис»

Кризис по-китайски — 危机 (вэйцзи). Это, пожалуй, одно из самых известных китайских слов, благодаря расхожему мнению, что "слово кризис в китайском языке состоит из двух иероглифов — опасность и возможность". Давайте разберёмся так ли это.

Первый иероглиф 危 (вэй) действительно выглядит не очень оптимистично:

( Читать дальше )

После рассмотрения основ машинного обучения в первой части, мы перейдем к примеру использования наивного байесовского классификатора для предсказания направления движения цены акций Apple. Сначала разберем основные принципы работы наивного байесовского классификатора, затем создадим простой пример использования дня недели для предсказания направления цены закрытия — выше или ниже текущей, а в окончании построим более сложную модель, включающую технические индикаторы.

Что представляет собой наивный байесовский классификатор (НБК)?

НБК старается найти вероятность события А при условии, что событие В уже произошло, обзначаемую как Р(А|B) (вероятность А при условии В).

В нашем случае, мы должны спросить: какова вероятность того, что  цена возрастет, при условии, что сегодня — среда? НБК берет во внимание обе вероятности — общую вероятность роста цены, то есть число дней, когда цена закрытия была выше цены открытия относительно всех рассматриваемых дней, и вероятность роста цены при условии, что сегодня среда, то есть сколько прошедших сред имело цену закрытия выше цены открытия?

( Читать дальше )

В последнее время приобретают все большую популярность алгоритмы машинного обучения. Они применяются для решения задачи классификации входных данных, или, проще говоря, выявления паттернов в структуре этих данных. Небольшой цикл статей про машинное обучение опубликован на сайте inovancetech.com, здесь я представляю их перевод.

В этой серии статей мы рассмотрим построение и тестирование простой стратегии машинного обучения. В первой части отметим основные принципы машинного обучения и их применение к финансовым рынкам.

Машинное обучение становится одной из самых многообещающих областей в алгоритмической торговле за последние два года, но имеет репутацию слишком сложного математического подхода. В действительности это не столь трудно в практическом применении.

Цель машинного обучения (МО) в том, чтобы правильно смоделировать исторические данные, и затем использовать эту модель в предсказании будущего. В алгоритмической торговле применяется два типа МО:

• Регрессия: используется для предсказания направления и амплитуды исследуемой величины. Например, цена акций Гугл возрастет на 7 долларов на следующий день.
• Классификация: используется для предсказания категории, например, направления движения цены акций Гугл на следующий день.

( Читать дальше )

Заблуждение первое: «Акционер – собственник доли имущества акционерного общества».

Ничего подобного. Собственность в ее нормальном понимании, а не в новомодных «теориях» — это три «кита»:

— владение;

— пользование;

— распоряжение.

Вот Вы купили акций и по отношению к чему Вы получили такие права? К станку, прилавку, «трубе» или помещению? Ни к чему из перечисленного. Вы получили такие права только по отношению к акциям, т. е. Вы собственник акций, а не имущества.

А что дает акция? Только право участия в собрании акционеров и голосования по вопросам, отнесенным уставом обществам к решениям данного собрания.  Т. е. Вы стали собственником этого права и не более того.  Как минимум нормальное законодательство обязует общество относить к правам собрания акционеров, утверждение устава общества, назначение размеров дивидендов, как части чистой прибыли и выбор совета директоров и(или) исполнительных органов власти общества, если уставом общества совет директоров не предусмотрен. По каким еще вопросам Вы приобрели право голосования? Это уже зависит от устава конкретного общества.

( Читать дальше )

Окончание цикла статей. Начало и другие алгоритмы биржевой торговли смотрите в моем блоге и на сайте.

В прошлой части мы продемонстрировали обучение модели Маркова на данных, полученных с помощью симуляции. В данной статье рассмотрим производительность модели на реальных данных. Будем тестировать трендследящую стратегию на индексе S&P500.

В большинстве задач с использованием машинного обучения требуются обучающие данные с разметкой классов (состояний). В нашем случае такой разметки нет, поэтому сначала сгенерируем классы для обучающей выборки.

Мы хотим создать трендследящую стратегию, поэтому должны выбрать участки на выборке цен S&P500, которые соответствуют восходящему и нисходящему трендам ( также можно отметить участки, где тренды отсутствуют). Можно это сделать вручную, а можно применить программу, которая автоматически расставит метки в соответствии с вашими определениями тренда.

( Читать дальше )

Сделаем ряд, на мой взгляд, естественных предположений о множестве всех трейдеров:

  • Факторы, на которых основаны действия любого трейдера, случайны, т. е. их конкретные значения не могут быть предсказаны точно ДО их появления;

• Каждый тик является действием двух или нескольких трейдеров: трейдера, решившего купить по оферам или продать по бидам и трейдера (-ов), поставивших эти биды (офера);

• Два трейдера, пользующиеся полностью одинаковыми методами принятия решения – редкость;

• Группы трейдеров, использующих «близкие» методы принятия решения, представляют собой о-малое (как по количеству, так и по объему средств) от корня из общего числа трейдеров и их объемов средств;

( Читать дальше )

Наконец то и я смогла прочитать данную книгу. Спасибо Тимофею за рекомендацию.
Книга оставила только хорошие впечатления.
1. Глава 1. Системный подход.
Основные мысли — грааля нет. Книги не помогут. Все приходит с опытом.
Не смотря на обилие информации, на рынке остается неопределенность. Человек набирает опыт посредством осознания причинно- следственных связей и посредством накопления ассоциаций.
Мощный фактор, мешающий побеждать рынок — человеческие эмоции. Большое эмоциональное напряжение, казалось бы, должно способствовать быстрому формированию адекватного опыта. Но этому мешает слабая причинно — следственная связь между исходными данными и итогом сделки.
Интуитивный или системный трейдинг? Автор склоняется к системному трейдингу.

Глава 2. Логикк рынка и базовый цикл.
Если бы рынок был эффективен, то на нем нельзя было бы зарабатывать.
Есть 3 способа принятия решений: фундаментальный анализ, технический анализ, иевесторы принимающие решения, опираясь не на технический и не на фундаментальный анализ (например, долгосрочные инвесторы, рассматривающие актив как часть фондового рынка).

( Читать дальше )

Про нефть

Средний пробег = 16 550 миль * 1.6 миль/км = 26 480 км в год = 72 км в день
Потребление бензина на 100 км = 8 литров на 100 км(с потенциалом снижения до 5 литров на 100 км)
Количество автомобилей = 254 639 386 штук

Расчетное потребление топлива в год автомобилями в США = средний пробег * количество автомобилей * потребление бензина на 100 км = 539 млрд. литров

Фактическое потребление топлива в год (в 2014) =  136.78 млрд галлонов * 3.8 = 516 млрд. литров

Потребление нефти в день = 21 млн баррелей из них производится 19 млн баррелей в день различного жидкого топлива

Из которых 8.9 млн баррелей в день моторного топлива, то есть примерно 45% всего потребления нефти в США перерабатывается в бензин.

Таким образом вытеснение одного бензинового автомобиля приводит к падению потребления бензина в США на 2 118 литров или 17.6 баррелей в год и соответствующему падению потребления нефти (где-то с коэфициентом 0.85-0.9).

( Читать дальше )