алготрейдинг

Приветствуем! 

В  продолжении темы дорабатываем алгоритм пытаясь «снизить просадку» 
Какую работу проделываем в поисках решений — сложно описать. Мы пронаблюдали каждую сделку, при каких обстоятельствах она приносит профит, когда она чаще убыточна, есть ли логичность в ее входе, возможно есть смысл работать с частичными входами (кстати в логике скрипта увидите множество неиспользуемых блоков — их специально не удалили чтобы было видно «движение мысли»)
Пожалуй самое важное — гэпы. Практически 100% гепов попадают под нашу логику и с учетом мерзкого движения ртс в предыдущем квартале — нам это было на руку — НО как будет завтра? потому мы сделали сценарий с ограничением торговли на геп (правда не стали заморачиваться с тем что теперь 7 утра, и пока на 10.00 ограничение, которое сможете себе поправить для текущего контракта. 
(это картину не улучшило, потому ее не запостим, но в алгоритме условие оставляем — выше описание почему)

( Читать дальше )

Акции с высокой дивидендной доходностью часто являются отличной инвестиционной стратегией для инвесторов, стремящихся получать приток денежных средств каждый год. В данной статье буден создан скрипт на Python для отбора их на бирже NASDAQ.

Что такое дивидендная доходность?

Возьму определение из Википедии. Дивиде́ндная дохо́дность (англ. dividend yield) — это отношение величины годового дивиденда на акцию к цене акции. Данная величина выражается чаще всего в процентах.

Пример

При цене акции ОАО «Лукойл» 1124,37 рублей и дивиденде 28 рублей на акцию дивидендная доходность будет равна:

Так же необходимо обратить внимание, что многие растущие компании, такие как для примера Amazon и Yandex, не выплачивают дивиденды, поскольку они реинвестируют всю прибыль в развитие бизнеса. Поэтому дивидендная доходность для этих фирм будет равна нулю.

Расчет дивидендной доходности с помощью Python



( Читать дальше )

Всем доброго дня! 👋

Недавно к нам в руки попала достаточно редкая и дорогая книга Quantitative Grid Trading: How a Fisherman Beats Wall Street (автор Frank W Linn). Мы даже начали разбирать описанные в ней алгоритмы на нашем первом стриме, но материал оказался настолько объемным, что нам просто не хватило бы времени на создание скрипта в прямом эфире.

Было принято решение рассмотреть один из приведенных в книге алгоритмов и на его основе собрать готовый скрипт для вас. Наш коллега Алексей Горбунов записал видео с подробным описанием процесса разработки этого скрипта в TSLab.

🎥 Ознакомиться с видео можно по ссылке:



( Читать дальше )

Одна из основных претензий к модели ценообразования капитальных активов и всей сопутствующей теории состоит в том, что она рассматривает жизнь как нечто унифицированное, бесплодное, состоящее из одинаковых, серых человечков. И, надо сказать, имеет на это полное право – лицензии ФСФР, сертификаты CFI, различные стандарты и ограничения превращают ярких, неповторимых управляющих в скучную серую массу, представители которой возглавляют столь же скучную первую строку Forbes... 


Что ж, давайте возьмем всех этих успешных управляющих и промоделируем их простым, бионическим нейроном.  Модель очень проста: если их долго раздражать, то они будут становиться всё более и более напряженными, пока, вдруг, не взорвутся в буре своих эмоций и не сбросят накопившееся напряжение в порыве страсти. После чего, наконец, успокоятся и уснут. И, напротив, если их вовсе не трогать, то их напряжение спадет само собой, и они уснут сами, без всякого бурного действа. Это модель возбуждения-торможения, одинаково хорошо применима и к инфузориям туфелькам, и к президенту Соединенных Штатов Америки, и, уж тем более, к нашим гениям финансового рынка. 

( Читать дальше )

Приветствуем! 
Статья можно сказать пишется прямо онлайн в процессе создания скрипта. Логика входа — как было в предыдущей статье, локализуем объем в свече и входим. Но изменение только в значимости объема и отсутствие первоначального паттерна свечного. Значимость определяем как перевес верхнего объема от нижнего в полтора раза. Из дополнительной логики добавили условие что объем на свече должен быть хотя бы 5000 для ри, иначе у нас получался «мега» скальпер с большим количеством сделок.
Картинка в качестве пруфа 

Возможно вы скажете, не ну вон как доход растет — оставляй так, но естественно что мы постараемся представить хоть в каком либо юзабельном виде, а не скрипт ради скрипта. Подобный «скальпер» во-первых, случайный, во-вторых, средний доход меньше комисса потому в реальности будет сливать))
Потому ставим фильтр 5000 минимально приемлемый объем на свече и получаем такое развитие алгоритма.

( Читать дальше )

Dd

Ss

Ww

Cc

Буквально вчера праздно копался в интернете и случайно обнаружил довльно интересный подход к оптимизации портфеля. Люди взяли простейшую нейронную сеть


На вход подается исторические данные по закрытию и доходность. На выходе получают значение весов каждой бумаги в портфеле. После чего считают шарп как функцию ошибки. Т.е. они ничего не предстказывают, а просто находят наилучшее решение для текущих данных.

Работает это все только в лонг, и как утверждают авторы лучше чем марковец. Сам подход использования сетей показался интересным. :)
Что думаете, имеет право на жизнь?

Cсылка на источник:
paperswithcode.com/paper/deep-learning-for-portfolio-optimisation