Алгоритмы

Управляющий партнер DTI Algorithmic Александр Бутманов в эфире у Pro Blockchain от 24.10.2019 рассуждает о торговых алгоритмах и шорте биткоина, глобальном развитии криптосферы и манипуляциях игроков на крипторынке:

«Приятно удивлен силой и мощью ребят с большими „кохонес“, которые продолжают продавливать биток. Если бы запуск TON не отложили, скорее всего, они встретили бы „поезд“. А сейчас им повезло. Снимаю шляпу»

На видео:

• 2:20 — Проблемы запуска Libra
• 4:40 — О «циклах» биткоина
• 9:50 — Стоит ли сейчас покупать биткоин?
• 14:12 — О торговых алгоритмах и шорте биткоина: «Сделал терминатора — не вмешивайся»
• 20:15 — Криптовалюты перестают быть маргинальными 
• 23:09 — Страх исчез: криптосфера развивается
• 26:03 — Игроки на крипторынке искусственно манипулируют ценой?
• 30:20 — Какие технологии нужны миллениалам

• Обобщённая проблема

Устойчивые долгосрочные модели


В предыдущих частях (часть 1, часть 2) мы рассмотрели построение композитных систем оценок ценных бумаг, построенных при помощи распространённых средств машинного обучения (Bag/Boost методы). Однако, такой подход, несмотря на все свои преимущества (скорость, точность) имеет ряд больших недостатков – отсутствие универсальности моделей в результате проблем «переобучения»  (точной настройки на определённые типы рынков и временные интервалы) и сложность интерпретации полученных композиций.

В результате решения этих проблем мы разработали базовую модель на основе наших представлений о стохастических дифференциальных уравнениях с квантовыми скачками, образующих улыбку волатильности. Эта макромодель получила в наших исследованиях наиболее полную микроскопическую интерпретацию.

Увидел, что один из ныне забаненных пользователей отстаивал прибыльность торговой системы на основе пересечения старшей и младшей скользящих средних.

Выглядит она вот так:

Система выглядит логичной и очень простой. 

Но возникают вопросы:

1. Почему тогда все по ней не торгуют? 

2. Почему пытаются создать другие, более сложные ТС, если можно просто использовать эту ТС, врубив 10 плечо?

3. Какие недостатки у этой ТС?

4. Что лично Вас останавливает от её использования?

Какими параметрами он должен обладать, чтобы считаться граалем? 

Какие результаты должен показывать?

Например, берём алгоритм:

1. Купить индекс осенью 1998 года.

2. Продать весной 2008 года.

3. Купить в декабре 2008 года.

4. Продать весной 2011 года.

5. Купить в марте 2014 года.

6. Продать в июне 2019 года.

Это Грааль?

Если да, то почему?

Если нет, то почему?

Мы на Смарт-Лабе довольно часто рассказываем про биржевые инструменты. И те  кому,  это не интересно, наверное, могут закрыть этот пост. А кому интересно, можете дочитать до конца, там вас ждёт очень полезный подарок.

Из своего многолетнего опыта работы в сфере инвестиций я понял, что успешными управляющими капитала становятся только ленивые люди.

Какой лентяй не мечтает о работе, на которой нужно просто смотреть в монитор и иногда клацать на кнопочки? Причём эти клацанья сразу и безо всяких задержек превращаются в шуршащие или звенящие деньги, не надо ждать ни аванса 15-го, ни зарплаты 30-го. Поклацал, вывел, отдохнул. Расслабился, снова по клацал.

Но, недостаточно ленив тот управляющий собственным или чужим капиталом, который торгует руками. Идеальный сферический трейдер в вакууме вообще ничего не должен делать, только выводить деньги и отдыхать. Ну, или даже не отдыхать, а просто выводить деньги, зачем отдыхать, если он ничего не делает и не устаёт.

В классических задачах прогнозирования используются в основном различные Fold  тесты. Их логика весьма понятна и прозрачна – защитить алгоритм от переобучения и получить лучшие стационарные параметры регуляризации. Например, такие, как лямбда Тихонова, или, если речь идёт о  бустинге на деревьях решений – минимальное количество листьев.  Однако сообщество Smart Lab настоятельно рекомендовало нам провести Walk Forward тесты, логика которых нам мало понятна.

А если логика не понятна, то можно детально рассмотреть какой-нибудь простой пример.

Пусть в качестве объекта прогнозирования у нас будет выступать простая синусоида с частотой ω и амплитудой А. Без применения сложных математических методов эта задача решается следующим образом:

1. Берутся исторические данные
2. На основе данных  подбираются параметры амплитуды, частоты и фазы.
3. Исходя из полученных «динамических» переменных модели строится прогноз на будущее.

Часть 2.

В прошлой части мы подбирали такую комбинацию статистических оценок динамики акций, которая давала нам возможность стабильно выбирать портфель акций лучше среднерыночного,  с показателем Шарпа на 26% выше индексного.

Мы также пробовали составлять портфель из портфелей и портфель на основе портфеля оценок, но в силу высокой линейной зависимости оценок и полученных на них портфелей друг от друга Bagging ожидаемо не дал никакого результата.

Тем не менее, этот важный этап подготовительных работ – построение портфеля (или композиции портфелей) на простых, статистических оценках дал нам некоторую отправную точку, относительно которой мы будем рассматривать эффективность всех наших последующих нововведений.

Рис. 6. Иллюстрация динамики волатильности акций США, входящих в состав индекса S&P 500.

Основную проблему стандартных методов мы видим в том, что они разработаны для стационарных стохастических процессов, в то время как любые финансовые (а зачастую природные, биологические и др.), временные ряды имеют нестационарную природу. Так, например, широко известно, что логарифмическое изменение стоимости акций является нестационарным процессом со склонностью к консолидации (кластеризации) волатильности.