Начнем с традиционной таблицы
Я немного изменил ее вид, отделив бенчмарки от результатов на моем счете и добавив строку Максимальная просадка для равномерного портфеля GAZP+GMKN+SBER+div.
Что можно сказать о результате? В январе было минимальное месячное изменение моего счета в процентах за всю историю ведения мной подневной эквити (с июля 2002-го года). Меньше не было ни в месяцы, когда я не торговал 1-2 недели из-за отпусков, ни с 11.07.2012 по 10.11.2017, когда торговля велась объемами в 5/3 раза меньше. Вот уж «борьба с нулем»…
«Русский Баффет» закончил январь ростом больше, чем у индекса Мосбиржи.
Доходность стратегии Стань квалифицированным инвестором! в январе составила +1.32%.
Но на моем аккаунте комона появилась более симпатичная мне стратегия Торгуем системно. Она представляет из себя портфель алгостратегий сервиса на российских акциях и в этом году я бы делал ставку на нее (стратегия
Закрылись еще 4 публичные сделки моих роботов:
Начать эту часть я бы хотел с крылатой фразы Брюса Бэббока: «Прогнозировать цены невозможно, но чтобы зарабатывать, это и не нужно». Как человек, еще со времен обучения хорошо знакомый с понятием «статистического прогноза», я с этим выражением был не согласен. Почему? Потому что любая позиция на рынке является осознанным или неосознанным прогнозом знака будущего приращения цены и частично размера, так как комиссии и проскальзывание никто не отменял. Поэтому более корректным является выражение: «Точно прогнозировать цены невозможно, но для того, чтобы зарабатывать, это и не нужно».
Действительно, для заработка достаточно иметь эффективный статистический прогноз знака будущего приращения цены, т. е. такой, что при удачных прогнозах этого знака мы бы зарабатывали больше, чем теряли при ошибочных.
С точки зрения упомянутой в первой части кусочно-постоянной модели верен и частный случай утверждения Бэббока: «Прогнозировать точки смены знака среднего невозможно, но для того, чтобы зарабатывать, это и не нужно». Действительно, если отрезки постоянства среднего больше, либо равны 3-м, то прекрасно зарабатывается на прогнозе: «начавшаяся ранее тенденция в ценах – продолжится». А этот прогноз почти всегда ошибается в точках перелома ломанной, зато относительно точен во всех остальных точках.
Мы здесь: Глава 3: Тренд — главная торговая идея столетия. 3.4: Почему крипта?
Ответ: потому что больше прибыли. И не просто больше, а в РАЗЫ больше.
Но это не весь ответ. Если смотреть под разным углом, есть разные варианты. Поговорим о них в этой главе.
Почему прибыльность тренда на крипте в разы больше, чем на других рынках?
Регулирование на рынках.
Приличный человек с экономическим образованием скажет:
«Чем более зарегулирован рынок, тем меньше прибыли».
Это связано, в первую очередь, с понижением кредитного плеча, которым можно совершать сделки. На развитых рынках это делается через механизм разделения трейдеров на категории. В Российской Федерации это разделение идёт на квалифицированных инвесторов и не квалифицированных. При этом не квалифицированные инвесторы не могут применять в своей торговле пониженное гарантийное обеспечение и торговать фьючерсами, а это абсолютное большинство тех, кто торгует на фондовой бирже.
А чем меньше трейдеров с плечами, тем ниже волатильность. А чем ниже волатильность – тем меньше прибыли у трендовых торговых систем.
Эту таблицу я впервые приводил в своем выступлении на конференции Смартлаба весной 2016-го и повторил на конференции 2018-го, акцентировав внимание на том, что хочу оформить письменно ниже
Что в таблице? В таблице доли участков RI (фьючерс на индекс РТС — прим. мое) из 10 приращений, как по отдельным периодам, так и в целом, которые я отнес к «трендам». Что я считал «трендом»? «Трендом» я считал участки, на которых среднее приращений цен (или приращений логарифмов цен, что эквивалентно) отлично от нуля и если оно больше нуля, то относим отрезок к «трендам вверх», а если меньше нуля – к «трендам вниз».
Какой использовался критерий? Обычный модифицированный критерий Стьюдента на отличие приращений логарифма(!) цены от приращений гауссовского процесса со средним нуль и дисперсией «почти равной» для 9 испытаний из 10 (нулевая гипотеза). Так как мы имеем критерий на различие сложной гипотезы против простой, то распределение статистики критерия точно известно нам только при простой гипотезе. И потому при априори выбранных границах критерия мы можем знать только вероятности попадания последовательности из 10 значений в наши «классы» при верности нулевой гипотезы.