Смотрю некоторые люди интересуются темой как же скрестить питон и с++.

Так получилось что у меня есть ответ на этот вопрос. Не так давно я тут даже видео по этому поводу замутил, для примера был взят практический пример расчета ожидаемой максимальной просадки при условии что рынок будет обладать похожими характеристиками.



( 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 )

Буквально вчера праздно копался в интернете и случайно обнаружил довльно интересный подход к оптимизации портфеля. Люди взяли простейшую нейронную сеть


На вход подается исторические данные по закрытию и доходность. На выходе получают значение весов каждой бумаги в портфеле. После чего считают шарп как функцию ошибки. Т.е. они ничего не предстказывают, а просто находят наилучшее решение для текущих данных.

Работает это все только в лонг, и как утверждают авторы лучше чем марковец. Сам подход использования сетей показался интересным. :)
Что думаете, имеет право на жизнь?

Cсылка на источник:
paperswithcode.com/paper/deep-learning-for-portfolio-optimisation

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 )

Все привет, 

Если кто помнит, я когда то рассматривал структуру алгоритмисческого окружения, идея состояла в том, что не следуют все связывать в один монолит.
Структура и элементы автоматической торговой сиситемы!
Дизайн доморощенного алгоритмического окружения.

Было и несколько тем про применение обучения с подкреплением и моделей глубокого обучения, а так же как деплоить модели используя TensorFlow Extended (TFX)

Эксперимент: торговая система на базе глубокого обучения от начала до реальных торгов. Часть III. Начинаем работу с TFX

Пришло время собрать все это вместе, и показать, что все эти части могут работать совместно.



На картинке представлена самая одна из довольно популярных и простых реализаций того, как можно использовать ваши модели глубокого обучения или же стратегию поведения вашего агента, или же любую другую модель принятия решений.

( Читать дальше )

Всем привет. Собственно у меня вопрос. 

Я тут решил пересмотреть свой долгосрочный портфель, ну и как то оценить альтернативы и что то затупил… %)

Скажите, как считать волатильность или можно обойтись обычным стандартным отклонением? (суть по идее одна и та же) и как именно считать? 

питоновский пример:
достаточно ли

close_prices.pct_changes(periods=252).std()

или же лучше 

close_prices.pct_change().rolling(windows=252).std()*(252**0.5)

Есть ли вообще разница, если мы будем сравнивать разные активы по одной и той же метрике? Ну и да, нужен ли нам логретурн в этом случае?

Спасибо

Здарова комерады,

И так продолжим рассказ о том как тестировать обученного агента, о котором был рассказ тут: https://smart-lab.ru/blog/655417.php

В общем пару дней обучал я нашего агента, и решил проверить как он там справляется с торговлей, тем более что на валидационных данных при использовании созданной торговой среды, он показывал уж очень приятные проценты. Что кстати, явилось сигналом проверить, а не сделал ли я какой ошибки. И конечно же, я ее сделал.
Ошибка оказалась простецкой, в обучающей среде, я выбирал изначально 20 исторических цен, 10 были видны сразу, каждая последующая добавлялась на следующем шаге. Однако сперва я проводил преобразование данных к промежутку от 0 до 1 в самом начале, по всем 20 значением сразу. Т.е. получилось что я как бы заглядываю в будущее %).

Ну да ладно, подумал я и все же решил протестировать как работает алгоритм. Для этого взял простенький питоновский фреймворк для бэктестинга, и прикрутил к нему обученного агента. 

( Читать дальше )

Всем доброго времени суток. 

Смотрю тут все чаще про европу, и про недвижимость темы всплывают и как в нее, в недвижимость, хорошо инвестировать. И вот сидя как то с друзьями обсуждали мы о выгоде и недостатках жизни в своем доме, и насколько это выгодно… покупать свой дом с точки зрения инвестиций, однако при этом жить там самому, а не сдавать. Почему тогда рассматривать как инвестиция, потому как при текущих ценах выплатить ипотеку обычному человеку не представляется возможным. 

Давайте попробуем разобраться, что же выгоднее, снимать квартиру всю жизнь и инвестировать в индекс или же купить свой дом, жить там, а на старости лет продать. 

Для примера возмем, наверное самый дорогой город германии, Мюнхен и его окрестности. Обычную семью в которой два человека работают, и в данный момент не имеют своей собственности, а живут в съемной квартире. Не будем усложнять и предположим, что они получают среднюю зарплату по региону. Это где то чуть больше 4000€ брутто. 

( Читать дальше )