В марте 2022 года я сделал историческое моделирование инфляции в России в посткризисные времена. Меня этот вопрос интересовал с позиции ожидаемой доходности в ОФЗ — какова она должна быть на долгосрочном горизонте? И как оказалась на 10-летний период я был прав. После открытия торгов на дискретном аукционе доходность быстро стала стремиться к показателю 10 — 12%.

В прошлом году я уточнил свой прогноз, но подробности публиковал только на моем закрытом канале ABTRUSTOPSEC.

В этом году я ещё раз уточнил свой прогноз, и решил поделиться его данными в публичном канале. Как видно и приведенных графиков мои корректировки по итогу 2023 практически совпали с официальными данными, что не может не радовать. Естественно отсюда следует, что практически не изменились прогнозные значения 2024-2031 года.

( Читать дальше )

Напишу сразу — что данная книга не для всех. Ее нельзя назвать легкой как в прочтении так и понимании. Она изобилует математическими выкладками. Я считаю себя неплохо понимающим в математике, но и для меня там много вещей, которые требуют дополнительной проработки. Большая часть книги посвящена обоснованию математической модели, которую Сорнетте предлагает использовать для поиска потенциальных кризисов. Много отсылок к различным научным обоснованиям и примерам из разных сфер деятельности человека. Вообще книга очень напоминает научный труд. После обоснований и описания раннее сделанных работ, автор демонстрирует как подбираются параметры построенной модели на исторических данных на примерах различных кризисов в США, Гонконге, Японии, и других. Есть и Россия. После определения параметров и коэффициентов, Дидье переходит к прогнозированию и достаточно подробно описывает, что стоит учитывать при построении прогнозов, и как их интерпретировать. Модель и выводы, которые делает автор, крайне интересны, но как часто бывает в таких делах, чтобы понять всю красоту и прелесть, необходимо самому повторить хотя бы часть того, что он сделал. Как говорится — пощупать на кончиках пальцев. Очень надеюсь, что у меня найдется время для более детального ознакомления с его трудом и погружения в его модель. В конечно итоге она не так уж и сложна, если сесть, разобраться и помоделировать самому.

Когда строишь портфель, всегда интересно посмотреть, какие у него получаются показатели. Самой известной методикой, несомненно, можно считать — подход Марковица. Она прекрасна описана во многих учебниках, и по ней существует масса программ, которые позволяют легко посчитать параметры портфеля. Большинство текущих робоэдвайзеров построены именно на этом подходе. Остается только вопрос, какие активы «подпихнуть» машине, и какие ограничения выставить при оптимизации.

Основной проблемой при работе с Марковцем является нестабильность во времени показателей волатильности, ожидаемой доходности и корреляций. Всегда встает вопрос, сколько необходимо взять значений для расчетов, за какой период и т.п. Модель очень чувствительна к этим вводным, и результаты могут быть очень различны.

Если посмотреть на pic.1, где по оси Х отложена волатильность, а по оси Y — ожидаемая доходность, то каждая точка будет соответствовать одному году для индексов MCFTR, RGBITR и портфеля МСFTR/RGBITR c распределением 50/50. На нем очень хорошо виден разборс значений от года к году. Математическая статистика нас учит тому, что необходимо брать как можно больше значений, и тем самым мы получим более точные оценки ожидаемой доходности, и волатильности. Но все это может неплохо работать на очень длительных горизонтах. По-моему опыту – в лучшем случае лет 15, а так около 25. Но что, если наш горизонт короче?

( 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 )