Сергей Олейник, хвосты, в силу своей огромной амплитуды, в разумных пределах — устойчивы к изменению параметров рынка. Но, я таки разбил на группы по волатильности (сделал данные стационарными по волатильности) — цифры остаются стабильными.

Сергей Сергаев, я примерно так и сделал, разбил по разным группам, в том числе по времени тоже, примерно стабильные цифры. Я потом графики и расчеты опубликую.

Options Medley, это степень хвостов распределения цен акций log r. Да, они связаны с опционами пут/колл, но опосредственно.

Как должно быть — я точно не знаю, я видел мало материалов на эту тему, другие люди публикуют цифры 2.5-3 для дневных левого и 3-4 для дневных правого. 

Но это относительно именно распределения цен. Про непосредственно опционы (хотя они связаны) я такие цифры не видел.

3Qu, хвосты по идее как раз крайне стабильны, и не меняются десятки и вроде как даже сотни лет.

Есть видео Market Drawdowns Dr. R Frey это бывший директор исследований фонда Джима Симонса Ренесанс. Там показывается крайне стабильные стат параметры рынка за около 200 лет. И хвосты я думаю тоже должны сохранятся.

Зачем это нужно? Для защиты от убытков (риск менеджмент) и ряда специфичных портфелей как 10x10 Approach by Doug Casey, Barbel Portfolio by Taleb и некоторых опционных стратегий как например «SELL NTM CALL SPREAD + SELL NTM PUT SPREAD + BUY Far OTM CALL + BUY Far OTM PUT by Taleb».

А это значит — таки мы можем ее измерить с высокой точностью для всех периодов, потому что достаточно замерить для дневных (и на всяк случай мож еще месячных) а данных для дневного и месячного периода навалом.

Я опасался что она может зависеть от периода и волатильности.

Это попытка понять как использовать метод EVT GPD POT — для определения хвостов распределения лог прибыли.

svgr, нас интересует только alpha, он показан на оси y. В идеале, если индикатор стабильный, при изменении гиперпараметра u, альфа будет постоянным, и линия горизонтальной.

svgr, хмм, я вроде понимаю. GPD это когда мы моделируем хвост отдельно.

Отрезаем тело распределения

y = x-u | x>u

И у нас получается новая случ переменная, которая имеет распределение парето GPD(location=0, scale, alpha)

И затем делаем фиттинг scale и alpha через MLE оптимизацию.

По идее это всего 2 параметра и должно хорошо и быстро оптимизироваться.

P.S. на всяк случай проверю — добавлю несколько начальных значений, может он минимум не может найти… но едва ли

svgr, возможно. Но тогда получается это опасный метод. Где корректность/ошибки не очевидны даже в простом примере, где все точно известно.

svgr, насколько я понимаю сэмпл StudentT(df=4) удовлетворяет требованиям EVT GPD Peak Over Threshold.

а) Хвост парето да, б) достаточно большой параметр u трешхолд — да, симуляция перебирает разные значения, для этого параметра в) стационарность да г) независимость да д) достаточно данных — вроде да, я использовал сэмпл 20к и он дает несколько сотен значений в хвосте, вроде это считается достаточным.

Ошибка в использовании метода — я сделал 2мя способами, с нуля на питоне и используя R библиотеку, оба дают одно и тоже.

svgr, мне казалось — если какие то расчеты делают — вместо того чтобы просто линейку приложить к графику, наверно потому что это как то лучше и точнее.

Вроде для рынков EVT как раз таки соблюдаются, и она именно для таких задач и создана. Мало данных, много неизвестного. Уровень наводнений для плотин, водостоков в горных регионах, там тоже редкие и большие события по которым почти нет данных и т.п.

Осанка:

— В идеале вообще не сидеть, а двигаться весь день.
— Таки, если сидишь, лучше стоять за столом. Монитор, клавиатура правильно расположены.
— Важно убрать травмирущее хрящи и растягивающее связки изгибы — сутулость не должно быть вообще, ни когда сидишь, ни в движении. Это может потребовать научиться по новому двигаться, поднимать вещи и т.п.

— Гимнастика для «восстановления подвижности» (не для растяжения а именно для постановки позвонков на место и нормальных движений, без слишком большой амплитуды), один два раза в день, в идеале все движения лежа на ковре, при полностью разгруженном позвоночнике, без наклонов стоя и т.п.

— Гимнастика для растяжения перекошенных годами мышц и укрепление слабых мышц, и всякие плавания и турники тоже желательны, но это скорей дополнение к тому что выше и требует уже контроля физиотерапевта.

Восстановление может занять от 3х месяцев до 3х лет… Полностью вернуть связки назад если была сутулость долгое время скрей всего не удастся (тем более если уже началась деформация костей и хрящей), они уже растянут и назад не вернуться (может лет за 10 если...) поэтому корсета из связок который держит позвоночник уже не будет, но, будет корсет из мышц который будет держать, но это может требовать сознательного контроля мышц, если здоровый человек при наклонах и подьеме тяжестей может удерживать прямую спину автоматом мышцами и связками (здоровые связки не позволят искривиться в одном месте больше чем в других), то после сутулости прийдется удерживать сознательно мышцами, связки в месте горба уже растянуты и если не будет контроля мышцами в этом месте при изгибе спины будет изгиб больше чем нужно. Прийдется постоянно помнить и сознательно контролировать движения.

Andrey162, chatgpt + решение реалтных задач, графики и т.п.

Михаил Шардин, спасибо, да неплохо, похоже на карту земли(горы/реки).

Synthetic, про будущие перспективы, я думаю все существующие языки программирования будут заменены в ближайшие 3, самое максимум 5 лет… ИИ позволяет выйти на новый уровень, императивные инструкции больше не нужны…

Synthetic, может быть. на мои случаи, я стараюсь использовать закон Парето и ограничиться основными 20% инструментов. Иногда да пакетов не хватает, в Julii не было SkewStudentT, пришлось сделать, портировать с Питона.

Но, Julia может напрямую вызывать код Python, R так что, отсутствие библиотек не проблема. В случае SkewStudentT — мне пришлось портировать потому что она используется в фиттинге и нужен быстрый код. А так можно было бы просто импортировать из Питона.

nicknh, да, питон это обертка над C инструментами для вычислений. Да, вычисления должны выглядеть понятно и читаемо для человека, чего в Питоне нету.

Auximen, на мой взгляд Котлин/Ява — отличные варианты для бабла, Ява везде и хорошие бухгалтера (тимлиды и архитекторы) нужны везде (по крайней мере еще года 2-3). :)

Но, таки для экспериментов и вычислений, как Инструменты Мышления (Thinking Tools) они не лучшие варианты.