моделирование

Приглашаем на новый цикл открытых лекций по прикладным финансам Российской экономической школы 4 марта, 19:00 (МСК) «Что такое «зеленая» экономика и как она влияет на финансовые рынки?»  Виталий Казаков, старший преподаватель РЭШ, директор программы «Экономика энергетики и природных ресурсов» Описание лекции: «Зеленая» экономика, опирающаяся на технологии, минимизирующие антропогенное влияние человека на окружающую среду, в последние годы набирает обороты. Это происходит, потому что общество стало больше заботиться об окружающей среде или она сама по себе оказывается предпочтительным экономическим выбором на данном этапе развития? Что нам дает изменение старых и появление новых экономических и финансовых механизмов, связанных с «зеленой» экономикой, и усиление внимания к неэкономическим аспектам деятельности компаний?

( Читать дальше )

Простите за банальность, работа с данными начинается с их получения из внешнего источника. Мы будем получать их из CSV-файла архива котировок, скачанного с сайта Финам. Для работы с другими источниками вам надо будет немного изменить программу.

Я уже давно не работаю непосредственно с CSV, и храню все данные в БД SQLite. Поначалу я хотел написать программу чтения CSV с нуля, но выяснилось, что я уже подзабыл как это делается, однако нашелся рояль в кустах — моя старая библиотека читающая данные из CSV-файла непосредственно в программу. Ее мы и будем использовать.
Собственно, Python и ориентирован на работу с библиотеками, и не нужно знать что там внутри, важно только уметь с ними работать, а сами программы с использованием библиотек станут очень простыми.
Для начала качаем с Финам историю в формате CSV-файла следующего вида:

<TICKER>,<PER>,<DATE>,<TIME>,<OPEN>,<HIGH>,<LOW>,<CLOSE>,<VOL>
SPFB.Si-12.20,1,04/05/20,10:00:00,76900.0000000,76990.0000000,76900.0000000,76990.0000000,3
SPFB.Si-12.20,1,04/05/20,10:06:00,77695.0000000,77695.0000000,77400.0000000,77400.0000000,8
SPFB.Si-12.20,1,04/05/20,10:08:00,77781.0000000,77781.0000000,77700.0000000,77750.0000000,30
SPFB.Si-12.20,1,04/05/20,10:13:00,78088.0000000,78098.0000000,78088.0000000,78098.0000000,6
SPFB.Si-12.20,1,04/05/20,10:14:00,78100.0000000,78100.0000000,78100.0000000,78100.0000000,1

( Читать дальше )

Продолжаю совершенствовать свою базу SQL и автоматизированные средства расчетов.

В июне я написал пост: "Автоматизация — ключ к успешному инвестированию. Python и SQL приходят на помощь❗️", где описал как и зачем я поднял собственный SQL сервер, и какие задачи он мне поможет решить.

Теперь у меня есть собственная база котировок по всем интересующим меня ценным бумагам.

Чтобы упростить себе жизнь в части расчетов параметров облигаций, следующим этапом развития данного направления, конечно, было желание написать свой калькулятор для оценки облигаций. Для этого в SQL базу пришлось добавить новые таблицы, с параметрами облигаций. С ними пришлось покопаться, потому-что не было понимания, какие именно графы мне понадобятся изначально. После нескольких вариациях я нашел оптимальное для себя решение.

( Читать дальше )

Как и любой исследователь-инвестор, я сталкиваюсь с необходимостью обрабатывать огромное количество различных данных, чтобы принять взвешенное инвестиционное решение.

И одна из самых трудоемких частей работы — это сбор данных, их систематизация и подготовка для работы. Конечно, очень хочется как можно больше автоматизировать данную работу, чтобы тратить на это как можно меньше времени.

Я уже рассказывал, что на самоизоляции осваивал Python, и демонстрировал, что мне удалось написать профессиональный инвестиционный калькулятор, который рассчитывает различные финансовые показатели и сравнивает между собой два актива. Кстати, в последней его версии я добавил возможность учета комиссий и налогов. Это позволяет намного легче сравнивать NET результаты для инвестора, особенно если в стратегии по ДУ есть вознаграждение управляющего за успех, а в ПИФах комиссия за приобретение и погашение паев.

Все первичные данные для сравнения приходилось формировать в ручном режиме — скачивать котировки в файл, потом их обрабатывать, и уже потом считать результаты. И даже немало известная программа

( Читать дальше )

Продолжаю сидеть на самоизоляции и учусь программировать на Python. Написал полноценный калькулятор для сравнения двух любых активов.

Считает такие показатели как:

✅ Ожидаемая доходность
✅ Волатильность
✅ Коэффициент Шарпа для каждого актива
✅ Корреляцию
✅ Бету
✅ Альфу
✅ Долю волатильности исследуемого актива в базовом (удобно для сравнения с индексными фондами или индексами, если их брать в качестве базового актива)
✅ Коэффициент Трейнора
✅ Альфу Дженсена



Можно задать период на котором необходимо произвести расчеты. Строить графики для сравнения.

( Читать дальше )

Самоизоляция и мои достижения❗️

Я уже писал, что самоизоляция — это прекрасный повод научиться чему-то новому. В своем посте «Чем я занимаюсь на самоизоляции❓», я достаточно подробно описал как реанимировал кое-какие свои старые компьютеры и ноуты, как я установил на них Linux Mint (с которого сейчас пишу настоящий пост), и как решил начать изучать Python, потому что у меня дома нет Matlab, а мне захотелось провести несколькорасчётов и исследований по измерению волатильности по метрике JPMorgan.

Сейчас я хочу поделиться результатами за чуть больше чем неделю. Я не каждый день занимаюсь изучением, поскольку на неделе ездил на работу, а дома, как всегда есть куча отвлекающих факторов и самым важным из них, конечно, являются дети. Но этот фактор я воспринимаю исключительно положительно 👍 Если суммировать все время которая я потратил на на ткущий момент по изучению питона, то получится около 20 часов.

( Читать дальше )

Если судить по отчетности девелоперов или новостным релизам Росреестра, доля ипотеки далека от 100% и редко когда превышает 40–60%. Получается, ей еще есть куда расти, скажете вы, но – не торопитесь.

Сколько раз я ни заявлял, что, кроме ипотеки (да еще субсидий, прежде всего маткапитала), на рынке не осталось спроса, мало кто мог понять ход моих рассуждений.

На мой уточняющий вопрос, а откуда у народа оставшаяся половина денег (а речь, между прочим, о триллионах рублей), шли невнятные предположения о том, что «накопили».

Поэтому для лучшего понимания истинной роли кредитования начнем с конкретного примера. Предположим, банк выдал Матвею 5 млн руб. на покупку квартиры на вторичном рынке. Проследим дальнейшее движение этих денег и основные типы сделок на рынке недвижимости.

Цепочка сделок на рынке недвижимости

1. Матвей взял ипотечный кредит на 5 млн руб.     / купил вторичку у Кости за 5 млн руб.

2. Костя взял эти 5 млн, добавил 2 млн накоплений / купил вторичку у Натальи за 4 млн руб.

( Читать дальше )

В топике Несостоявшаяся стратегия я писал о том, что летом я моделировал пару стратегий, и после окончания моделирования за делами-заботами стратегии не были реализованы и были заброшены до лучших времен. Вернулся я к работе над ними только сейчас. Обе стратегии разрабатывались и моделировались для работы с фьючерсами SBRF.
Одна из этих стратегий на фьючерсе SBRF-12.19 оказалась полностью неработоспособной. Вторая же стратегия оказалась более жизнестойкой и при прогоне модели на фьючерсах SBRF-9.19 и SBRF-12.19 показала хорошие и стабильные результаты.
Вот они:

По Х — номер сделки, по У — накопленная прибыль в пунктах инструмента.
Работа ведется одним фьючерсом SBRF-12.19 последние 3 месяца его существования.
Вот такие результаты модели. Следующий этап — реализация в торговой системе.
Более подробная информация о принципах построения стратегии изложена в топике Несостоявшаяся стратегия и комментариях к нему.