Фёдор Г., Вы серъезно? Компания выкупила свои акции с шикарной премией у одного из мажоров за счет общих средств, затем с общих средств, выплатила 15 процентов на благотворительность. Теперь при свободном денежном потоке решили всех побрить, а вы думаете вот сейчас дурачки выйдут, с вы после 30го года будет купатся в деньгах) Они возможно будут выводить деньги в обход, с таким отношением. Я давно понял что это еще та шарага, просто еще одна крупная компаха обула миноров, их осталось то на бирже пару десятков, выходят на айпио, обещают горы, затем получают деньги и машут ручкой, ни каппа им не нужна, а тем более делится )
Технический анализ методов адаптации торговых систем к смене парадигмы рынка (Regime Changes)
При проектировании алгоритмических стратегий для высокоэффективных и зашумленных финансовых рынков (базовый актив — BTC/USDT) ключевым препятствием является нестационарность временного ряда логарифмических доходностей:
r_t = ln(P_t / P_{t-1})
Математическое ожидание, дисперсия и автокорреляционные функции распределения непрерывно мутируют во времени. Классические статические модели машинного обучения (Supervised Learning), обученные пакетным методом (Full-Batch) на фиксированном историческом интервале, демонстрируют неспособность адаптироваться к структурным сдвигам. Это ведет к накоплению системной ошибки (Bias) и критическому росту максимальной просадки (Max Drawdown).
В данном документе представлен подробный разбор четырех протестированных методов адаптации, их математический аппарат, результаты бэктестов и программная реализация на Python/PyTorch.
МЕТОД №1: Статический бенчмарк AR(1) и метод скользящего окна (Sliding Window)
1.1. Базовая неадаптивная модель
В качестве отправной точки используется авторегрессионная модель первого порядка, где предиктором выступает лагированная доходность за предыдущий шаг:
r_hat_{t+1} = w * r_{t-1} + b
При обучении методом наименьших квадратов (OLS) на всей исторической выборке получены следующие параметры:
Вес (w): -0.02902972 (контр-трендовый характер)
Свободный член (b): +0.00140446
Критический дефект модели: Свободный член b по модулю существенно превосходит динамическую компоненту w * r_{t-1}. Как следствие, математическое ожидание прогноза практически всегда строго больше нуля. Распределение сигналов показало: Long — 1991 день, Short — 104 дня. Модель выродилась в пассивную стратегию удержание актива (Buy & Hold) и полностью сливает капитал в периоды затяжного медвежьего тренда.
Для придания модели локальной гибкости применяется подход переобучения на скользящем историческом окне фиксированной длины k. Оптимизация параметров OLS производится на интервале [t-k, t] для прогнозирования точки t+1.
Недостатки подхода: Экстремальная чувствительность к размеру окна k (короткое окно ловит шум, длинное — запаздывает) и полное стирание макро-памяти ряда за пределами выбранного интервала.
МЕТОД №2: Кодирование скрытых состояний (Feature Engineering / Memory)
Вместо подачи сырых, зашумленных лагов, история доходностей сжимается в низкоразмерное скрытое состояние (Hidden State), выступающее в роли рыночной «памяти».
2.1. Однофакторная модель памяти (Rolling Mean)
В качестве предиктора выступает простое скользящее среднее логарифмических доходностей за окно N=40:
X_t = (1 / N) * SUM_{i=1}^{N} r_{t-i}
r_hat_{t+1} = w * X_t + b
Результаты бэктеста: Вес линейной регрессии инвертировался в положительное состояние (w = +0.0898), превратив модель в Momentum-стратегию (следование за трендом). Количество шорт-сигналов увеличилось со 104 до 380, защищая капитал во время затяжного даунтренда.
2.2. Моделирование относительной памяти (Relative Memory)
Двухфакторная архитектура, оценивающая спред между локальным ценовым импульсом (быстрая компонента) и долгосрочной памятью рынка (медленная компонента):
Вывод: Модель выстроила устойчивую структуру — взвешенный арбитраж между трендовой силой макро-памяти и контр-трендовым свойством локального микро-шума. Количество шорт-сигналов возросло до 549, обеспечивая стабильный рост эквити на фазах слома тренда.
для меня ликвидные контракты это те, где есть ММ и ОИ.
центр это или далеко от центра не столь важно.
ставьте свои лимитки до исполнения в середину спрэда по своей цене и будут сделки
Фёдор Г., ну так вы разные вещи считаете. Ипотека — это по сути плечевая торговля. А вопрос в том, если не брать просто цены на недвижимость в разные годы, а Total Cost Of Ownership, т.е. цену дома или квартиры в точке А, затем все затраты (и доходы, если сдаете в аренду), и дальше цену продаже в точке Б (включая затраты на продажу, у нас они пренебрежимо малы, но в США это от 3 до 6% цены дома, и платит продавец) — тогда вы можете корректно посчитать доходность и сравнить со всеми любыми другими активами, включая инфляцию.
Фёдор Г., нет, в США ничего подобного не происходит. В США налог на недвижимости в среднем около 1% в год. Ты его платишь и ничего не получаешь. Помимо этого есть 1% maintanence rule — 1% от стоимости дома в год надо тратить на его поддержание. И есть homeowner insurance — страховка, которая в некоторых локация обязательна по закону, но даже если нет, то большинство ее стараются купить. В среднем это 2500 баксов в год, т.е. около 0.5% от цены дома. Ну и проценты по ипотеке. Так что со всеми костами все равно инфляцию не обгонишь. В штатах ипотека сейчас в среднем 6%. Докидываете 2.5% сверху на налог, поддержание дома и страховку, и вот уже надо 8.5% ежегодного роста, чтобы просто отбить косты.
Фёдор Г., ну это не мое мнение — в большинстве стран мира, и я не вижу, почему РФ должны отличаться, после всех костов жилье чуть отстает от инфляции. Да, аренда отобъет амортизацию, вопрос нужно ли тебе весь этот гемор и проблемы аренды жилой недвижимости, если есть альтернативы в виде бумажной коммерческой недвижимости (ЗПИФы), где норма доходности в 2 раза выше, все налоги платят за тебя, а порог входа в десятки и сотни раз ниже. У меня все жилье для себя, детей и для удовольствия. Вот последнюю квартиру брал старшему ребенку, собирались год сдавать, пока он учится, но проблем с арендатором за 1.5 месяца хватило, чтобы выкинуть его, и переселить сына. Квартира стоит 6.8 миллионов, аренда 30 тысяч рублей, чистыми после всех затрат еще ниже (один ремонт котла стоит около 5 тысяч) — и зачем мне этот гемор. Жилая недвижимость это не про заработок и не про инвестиции, кроме ОЧЕНЬ малого круга людей, которые этот рынок знают. Это про психологию и комфорт. Не надо заниматься самообманом. Жилье — для жилья.
с начала года, Сбер, Дом.РФ, Ленэнерго пр. и др. растут
Не смотря на падение IMOEX
Фёдор Г., прислали (Бомбасик):
Технический анализ методов адаптации торговых систем к смене парадигмы рынка (Regime Changes)При проектировании алгоритмических стратегий для высокоэффективных и зашумленных финансовых рынков (базовый актив — BTC/USDT) ключевым препятствием является нестационарность временного ряда логарифмических доходностей:
r_t = ln(P_t / P_{t-1})
Математическое ожидание, дисперсия и автокорреляционные функции распределения непрерывно мутируют во времени. Классические статические модели машинного обучения (Supervised Learning), обученные пакетным методом (Full-Batch) на фиксированном историческом интервале, демонстрируют неспособность адаптироваться к структурным сдвигам. Это ведет к накоплению системной ошибки (Bias) и критическому росту максимальной просадки (Max Drawdown).
В данном документе представлен подробный разбор четырех протестированных методов адаптации, их математический аппарат, результаты бэктестов и программная реализация на Python/PyTorch.
МЕТОД №1: Статический бенчмарк AR(1) и метод скользящего окна (Sliding Window)1.1. Базовая неадаптивная модель
В качестве отправной точки используется авторегрессионная модель первого порядка, где предиктором выступает лагированная доходность за предыдущий шаг:
r_hat_{t+1} = w * r_{t-1} + b
При обучении методом наименьших квадратов (OLS) на всей исторической выборке получены следующие параметры:
Критический дефект модели: Свободный член b по модулю существенно превосходит динамическую компоненту w * r_{t-1}. Как следствие, математическое ожидание прогноза практически всегда строго больше нуля. Распределение сигналов показало: Long — 1991 день, Short — 104 дня. Модель выродилась в пассивную стратегию удержание актива (Buy & Hold) и полностью сливает капитал в периоды затяжного медвежьего тренда.
1.2. Модификация: Скользящее окно (Sliding Window)
Для придания модели локальной гибкости применяется подход переобучения на скользящем историческом окне фиксированной длины k. Оптимизация параметров OLS производится на интервале [t-k, t] для прогнозирования точки t+1.
Недостатки подхода: Экстремальная чувствительность к размеру окна k (короткое окно ловит шум, длинное — запаздывает) и полное стирание макро-памяти ряда за пределами выбранного интервала.
МЕТОД №2: Кодирование скрытых состояний (Feature Engineering / Memory)Вместо подачи сырых, зашумленных лагов, история доходностей сжимается в низкоразмерное скрытое состояние (Hidden State), выступающее в роли рыночной «памяти».
2.1. Однофакторная модель памяти (Rolling Mean)
В качестве предиктора выступает простое скользящее среднее логарифмических доходностей за окно N=40:
X_t = (1 / N) * SUM_{i=1}^{N} r_{t-i}
r_hat_{t+1} = w * X_t + b
Результаты бэктеста: Вес линейной регрессии инвертировался в положительное состояние (w = +0.0898), превратив модель в Momentum-стратегию (следование за трендом). Количество шорт-сигналов увеличилось со 104 до 380, защищая капитал во время затяжного даунтренда.
2.2. Моделирование относительной памяти (Relative Memory)
Двухфакторная архитектура, оценивающая спред между локальным ценовым импульсом (быстрая компонента) и долгосрочной памятью рынка (медленная компонента):
r_hat_{t+1} = w_1 * r_{t-1} + w_2 * ((1 / N) * SUM_{i=1}^{N} r_{t-i}) + b
Полученные параметры оптимизации:
Вывод: Модель выстроила устойчивую структуру — взвешенный арбитраж между трендовой силой макро-памяти и контр-трендовым свойством локального микро-шума. Количество шорт-сигналов возросло до 549, обеспечивая стабильный рост эквити на фазах слома тренда.
для меня ликвидные контракты это те, где есть ММ и ОИ.
центр это или далеко от центра не столь важно.
ставьте свои лимитки до исполнения в середину спрэда по своей цене и будут сделки
Фёдор Г., первичку тоже можно.
И говорят первичка в % дает больше.
Фёдор Г., кто знает, как это трактует автор топика)
Поэтому и спросил.