Привет!

Кто уже знаком в Probabilistic Sharpe Ratio отзовись! :) 

А кто еще не знаком, тоого приглашаем к прочтению...

🎥 Наше последнее видео посвящено PSR, инструменту, который расширяет границы обычного коэффициента Шарпа, учитывая исторические доходы, продолжительность деятельности и количество испытаний стратегии.

🔎 PSR оценивает вероятность того, что истинный коэффициент Шарпа превышает заданный порог. Он помогает отсеивать ложные срабатывания и определять стратегии, которые соответствуют нашим ожиданиям, учитывая риски.

Чем же он хорош и где нап пригодится:

• Объективный анализ: По сравнению с традиционным коэффициентом Шарпа, который измеряет прошлую производительность, PSR предоставляет более объективный анализ, т.к. он учитывает не только прошлые данные, но и количество испытаний, которые были выполнены для поиска стратегии.

• Избегание переобучения: PSR может помочь избежать «переобучения», ситуации, когда стратегия торговли, кажется, работает хорошо на исторических данных, но плохо справляется с новыми данными. Это происходит потому, что PSR учитывает число испытаний при оценке производительности стратегии.

( Читать дальше )

Всем привет, 

Не смотря на то, что многие люди довольно скептически отнеслись к китайской идее напрямую оптимизировать значение шарпа и подберать веса для активов используя LSTM сеть (А что так можно было?), я решил все же этот метод протестировать. 

Я не люблю всякого рода сложные подходы, поэтому я пошел в лоб, написал простую стратегию для динамической ребалансировки портфеля (только лонг) и протестировал на ней различные методы.

Для тестов были взяты следующие методы оптимизации финасового портфеля:

Классические:

• Mean-Variance
• Hierarchical Risk Parity (созданный Маркусом Лопезом де Прадо)
• Critical Line Algorithm (говаривают метод специально для оптимизации портфелей придуман)
• Efficient Frontier with nonconvex optimizer (нашел в примерах питоновского пакета, добавил для кучи)

Экзотические:

• LSTM (модель предложенная китайцами, из предыдущего поста)
• Trained LSTM (обученная модель на истории, предсказывает распределение на следующие 22 дня)

( Читать дальше )