Всем доброго дня! 

Продолжаем рассматривать различные метрики помогающие в оптисизации и выборе алгоритмических торговых стратегий.
Сегодня у нас Deflated Sharpe Ratio. 

📈 Понимание этого коэфициета становится неотъемлемым элементом при разработке и использовании автоматических торговых стратегий. Этот уникальный инструмент может быть ключом к оптимизации алгоритмов и моделей!

Наше последнее видео посвящено Deflated Sharpe Ratio и его преимуществам:

1️⃣ Реалистичная оценка производительности: Deflated Sharpe Ration корректирует оригинальный коэффициент Шарпа, учитывая количество проведенных испытаний, предлагая более реалистичную оценку производительности стратегии.

2️⃣ Защита от переобучения: Учитывая множественное тестирование, он помогает инвесторам избежать подводных камней переобучения и добычи данных, которые часто упускаются из виду в традиционных мерах.

3️⃣ Улучшенная оценка риска: Учитывая асимметрию и эксцесс ваших стратегических доходов, он предлагает более полную оценку риска.

( Читать дальше )

И снова здравствуте! 

Сегодня рассмотрим Omega Ratio.

Омега-коэффициент – это современная метрика, которая используется для оценки рисков и возвратов в финансовых и инвестиционных стратегиях. Этот инструмент вышел за рамки традиционных подходов, таких как коэффициент Шарпа, предлагая более точное и надежное измерение. Здесь приведены три ключевые причины, почему Омега-коэффициент столь важен:

1️⃣ Полная Картина Риска и Вознаграждения: В отличие от других метрик, Омега-коэффициент учитывает все возможные исходы инвестиций, включая те, которые маловероятны. Это позволяет инвесторам получить более глубокое понимание потенциальных рисков и возвратов.

2️⃣ Учёт Асимметрии Распределений: Финансовые возвраты часто имеют асимметричное распределение. В то время как большинство метрик основано на предположении о нормальном распределении, Омега-коэффициент может адекватно обрабатывать асимметрию, что делает его более точным.

3️⃣ Персонализация Толерантности к Риску: Омега-коэффициент позволяет инвесторам учесть их собственную толерантность к риску, таким образом, индивидуальное представление об «оптимальной» инвестиционной стратегии может быть легко включено в анализ.

( Читать дальше )

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 :)

И так, информационный пост!  Сегодня погрузимся в мир биржевых инвестиционных фондов, или ETF.

Они привлекательны своей уникальной структурой и гибкостью, предлагая инвесторам возможность получить экспозицию различных активов.

Важным аспектом ETF является процесс 'in-kind' создания/выкупа. Это уникальная процедура, при которой, вместо покупки и продажи отдельных активов на открытом рынке, ETF создают или выкупают 'корзины' активов в обмен на доли в ETF. Это упрощает процесс торговли и увеличивает эффективность. 🔄

Также нельзя забывать о роли Уполномоченных Участников — крупных финансовых учреждений, которые способны покупать эти большие 'корзины' ценных бумаг. Они играют ключевую роль в поддержании ликвидности и стабильности ETF.

В конечном итоге, инвестирование в ETF требует понимания многих аспектов, включая коэффициент расходов, отличие между чистой стоимостью активов и рыночной ценой, и различные стратегии инвестирования.

Еще немного более подробной информации тут

( Читать дальше )

В мире инвестиций множество инструментов, которые помогают достичь различных финансовых целей. Сегодня хотелось бы обсудить два из них — ETN (Exchange Traded Notes) и ETF (Exchange Traded Funds).

ETN — это замечательный инвестиционный продукт, который представляет собой облигацию с фиксированным сроком погашения, но вместо фиксированного дохода ETN предлагают выплаты, основанные на производительности какого-либо рыночного индекса. ETN дает возможность инвестировать в активы, которые трудно или невозможно купить напрямую, как например, сырье или определенные иностранные активы.

ETF — это тип инвестиционного фонда, акции которого торгуются на бирже, как акции. ETFы обычно отслеживают определенный индекс (например, S&P 500), но могут также инвестировать в секторы рынка или специфические активы.

Несколько популярных ETNs и ETFs:

ETN	Описание	ETF	Описание
iPath S&P 500 VIX Short-Term Futures ETN (VXX)	Предлагает экспозицию на короткосрочные VIX фьючерсы.	SPDR S&P 500 ETF (SPY)	Отслеживает производительность S&P 500.

( Читать дальше )

Решил я чуть сменить формат видео на ютубе :)… теперь там у меня AI тетка :)

Тема видио в целом простецкая… когда лучше не использовать шарп, а когда что другое…



но куда интереснее, что видео на 95% сделано с помощью современных AI технологий… Просто полюбуйтесь как красиво она говорит… %)

Буквально на днях, в комментариях я выразил обеспокойство тем, что если брать ценовой ряд как фичу, то нужно наши входные данные (ценовой ряд) привести к одному виду, а это на мой взгляд довольно сложно. Простой пример это волатильность, если она изменяется, то наша сеть начнет выдавать больше ошибок. 
Эти размышления, заставили меня вернуться к основам, и посмотреть сможет ли сеть выучить простейшие математические функции. Конечно, с линейной функцией проблем не возникло, а вот с нелинейными как и ожидалось мы получили массу проблем. Так как сети неплохо работают внутри того диапазона на котором они обучались, и с грохотом проваливаются вне этого диапазона. 

Вот простой пример предсказания функции синуса. y = sin(x)


Синим показаны наши истинные значения, оранжевым то, что простейшая модель предсказывает. Красный квадрат отображает диапазон видимый при обучении. 

На самом деле, мне кажется это довольно большая проблема в целом. 

( Читать дальше )

Итак, в ходе моего эксперемента, как это часто бывает, я отошел немного в сторону и погрузился в рассмотрение работы TFX pipeline. Что на самом деле довольно не плохо, так как теперь понимаю как он работает.
Однако TFX, как и большинство опен сорс софта, имеет свои проблемы:

• Как я писал в предыдущем посте, компоненты работают в основном только с тренировочным и оценочным (train, eval) наборами данных
• Версия TFX 0.15 работает только с estimator API — однако говорят что в версии 0.21 ввели поддержку keras моделей без конвертирования ее в estimator, к сожалению не удалось это опробовать, так как в этой версии они сломали interactive context. Конечно, можно было бы и без него, просто все компоненты загнать в пайплайн, но хотелось, что бы и в ноутбуке все работало. 
• При использовании keras моделей, так и не разобрался как заставить работать TFMA в полную силу, а штука выглядит забавной. Если кто то в курсе, буду рад совету %).

В общем и целом можно смело использовать все эти технологии, но лучше без интерактивных компонентов. Загоняем все в apache beam и строим модельки, проверяем, лучшие используем :). Думаю простейший метод это простой конвейер с функцией трансформации данных и самой моделью. Остальное можно и проигнорировать для домашнего пользования. 

( Читать дальше )

Всем привет. В прошлый раз, помидоры в меня не полетели, и поэтому я записал еще одну видюху в которой пробую рассказать о такой системе как Tensorflow serving. Система предназначена для выкатывания моделей машинного обучения в продакшен. Так же ребята из гугла сделали очень простой интерфейс работы с моделями, что открываем нам довольно большие возможности в организации наших торговых систем.

В прошлый раз, некоторые участники smart-lab'а скептически отнеслись к докеру, в этом случае он нам тоже очень пригодиться, что бы легко и быстро запустить сам Tensorflow serving.

В общем смотрим :) комментируем.



( Читать дальше )