Всём привет, с днём экспиры квартальной Si шки всех…

Как ее предсказывали смартлабовцы:
smart-lab.ru/blog/882854.php


и как этот прогноз пытались моненизировать:

Профиль на начало марта 


( Читать дальше )

В 2022 г. наблюдается повышенная неопределенность с дивидендами российских акций. Часть компаний отказалась от выплат, ссылаясь на макроэкономическую нестабильность, часть приняла решение отложить дивиденды.

Чтобы было проще ориентироваться и искать интересные идеи, мы сформировали список бумаг с прогнозами по их дивидендам в летний дивидендный сезон.

Кто точно выплатит

Сургутнефтегаз-ап. Совет директоров (СД) Сургутнефтегаза рекомендовал по итогам года выплатить в качестве дивидендов по привилегированным акциям 4,73 руб. на бумагу, что соответствует около 14,2% дивидендной доходности.

МТС. СД МТС также уже дал свои рекомендации по дивидендам — 33,85 руб. на акцию, что соответствует 13,9% дивидендной доходности. Выплаты оказались сильно выше ожиданий, спровоцировав рост акций на 10%+.

Россети Ленэнерго-ап. СД рекомендовал выплатить 21,22 руб. на акцию, дивдоходность 13,4%. Компания сохраняет репутацию стабильной дивидендной фишки. Все выплаты осуществляются в рамках политики, закрепленной в Уставе.

( Читать дальше )

Сначала я пытался бэктестить системы в TradingView и этого было достаточно для быстрой оценки торговых гипотез, но оказалось, что мало просто знать, где купить и где продать. Не менее важно понимать, сколько купить или продать и для этого нужны другие инструменты.

Зачем Python?

Лично мне он показался удобнее. Например, можно быстро подключить telebot и система начнёт отправлять сигналы прямо в телегу на все девайсы. Работать со скриптами можно даже на айпаде где-нибудь в дороге, тоже плюс.

Самая простая система, которую можно потестить это пересечение двух скользящих средних: если быстрая SMA пересекает медленную вверх, то покупаем, а если вниз, то закрываем открытую позицию, шортить рынок не будем. Комиссии, проскальзывание и прочие расходы пока не учитываем, нужно начать с какой-то основы.

Что потребуется?

— backtrader для логики торговой системы

— quantstats для формирования отчёта

— Jupyter Notebook, если нужно удобнее редактировать код

( Читать дальше )

 Сегодня будет мало слов и много картинок.

 Реклама:
Живёт на свете человек и… боится опционов. Не бойся!

Можно попробовать покупки в день экспирации. Понятно, что жестко и очень резко, но зато понимание придёт намного быстрее. Самое главное — риск ограничен премией! Что бы не случилось — больше премии потерять невозможно! (Это тебе не отрицательные цены на нефть).
Пример: RI145000BN1, т.е. 145-й пут на РТС


В день экспирации если фьючерс не снизится ниже 145000, то опцион будет в итоге стоить 0. 
В последний час торгов в четверг 18.02.2021 фьючерс ныряет ниже цены страйк (см. вставку с ФЬЮЧом) и опцион начинает резко дорожать. Кратно! Можно было купить по 70-200, а продать по 500-750. НО! Надо успеть скинуть вовремя, ибо опцион теряет стоимость очень быстро на обратном движении.

( Читать дальше )

Заметил, что совсем немного постов освещают тему API Мосбиржи. Вместе с тем, Мосбиржа позволяет не только отгружать котировки акций, но и например, забирать данные по кривой ОФЗ, коэффициентам корреляции, индексам и многое другое. Замечательно, что биржа отдает данные в csv и json, что позволяет легко настроить их автоматическое импортирование. Например, можно импортировать их в Google Sheets и создавать там онлайн-дашборды. 

Один такой дашборд я построил для рынка ОФЗ, выведя на панель данные о спредах, исторической динамике и индексе облигаций. Для того чтобы вся эта красота работала необходимо 4 простых шага:

• создать запрос с помощью API в формате CSV (Google Sheets не умеет в json, а сторонние костыли не всегда справляются)
• импортировать данные в Google Sheets с помощью функции ImportData используя ссылку из пункта 1
• Распарсить импортированные строки на столбцы
• Прикрутить графики

( Читать дальше )

Всем привет.

Дошел наконец-то в Саймоне до середины, теперь в плане опционов я прокачан на 50%.

В середине книги Саймон Вайн подводит итоги по первой части и пишет то, что не изложено ни в одной известной ему книге по опционам — свои наблюдения.

Наблюдение №1: на ликвидном рынке нельзя получить что-либо бесплатно. Если имеются два приблизительно одинаковых опциона ATM за одинаковую цену, можно сказать, что, если один из них имеет более высокую гамму, чем другой, значит у него будет хуже какой-либо другой грек. То есть, один опцион не может иметь одновременно более высокую гамму и вегу, чем другой, при том же размере премии. Не тратьте деньги на поиск завуалированной ошибки в модели и не ищите безрисковых прибылей.

Наблюдение №2: открытие и закрытие опционной позиции обходится дороже спотовой, поскольку в цену опциона включаются три спреда (Когда трейдер запрашивает цену на опцион, MM рассчитывает форвардный хедж. Не зная, намерен ли клиент покупать или продавать, он закладывает спред на спот, спред на свопирование спота в форвард и спред на IV), а в цену spot только один. Поэтому каждая ошибка трейдера в опционах потенциально обходится дороже, чем ошибки на других инструментах.

Наблюдение №3: чем меньше дельта опциона, тем дороже обходится закрытие позиции.

( Читать дальше )

Неделю назад я захотел узнать, насколько прибыльны IPO-инвестиции. Я загрузил информацию 1300 компаний в excel-файл, придумал инвестиционную стратегию и прогнал ее на исторических данных. Сначала я получил 5,45% доходности на сделку. Потом добавил фильтры и улучшил результат вдвое. В итоге получилось целое исследование, этапы которого я пошагово раскрываю в статье.

Дисклеймер: материал основан на исторических данных и не является руководством к действию. История может повториться, а может и не повториться. Или может повториться, но немного иначе. Всегда учитывайте эти моменты и тщательно взвешивайте принимаемые решения.

 

Оглавление

Шаг №1. Собираем данные
Шаг №2. Обрабатываем данные
Шаг №3. Смотрим общую картину
Шаг №4. Строим базовую стратегию
Шаг №5. Ставим take profit и фильтруем IPO по андеррайтерам
Шаг №6. Фильтруем IPO по размеру предложения
Шаг №7. Фильтруем IPO по секторам
Шаг №8. Комбинируем результаты
Шаг №9. Делаем выводы
Постскриптум
Постскриптум-постскриптум

( Читать дальше )

По нынешним меркам я много читаю. И вроде как книга несет знания.

Но со временем понимаешь, что нет никакой связи между количеством прочитанного и единственным мерилом современной глуповатой жизни – деньгами. Особенно, если ты живешь в стране, навсегда застрявшей между развивающимся и третьим миром.

Ничего из тех навыков, которыми я владею, и которыми зарабатываю деньги, книги мне не принесли. Даже лучшие бизнес-книги ни фига ничему вас не научат, если долго и упорно не заниматься на практике тем, о чем примерно написано в этой книге.

Только собственный опыт и умение его преобразовать в так называемые полезные скиллы определяют мой прогресс. Этот прогресс иногда сдабривается какими-то отдельными мыслями или сведениями из бизнес-книг. Но очень выборочно.

А вот какое знание тогда мне несет художественная литература?

Опыт социальной жизни, опыт взаимодействия с другими членами общества и опыт не заходить в черную пещеру, в которой неизвестно что может скрываться.

( Читать дальше )

После всех вычислений, приведенных в этой и этой публикациях, можно углубиться в статистический анализ и рассмотреть метод наименьших квадратов. Для этой цели используется библиотека statsmodels, которая позволяет пользователям исследовать данные, оценивать статистические модели и выполнять статистические тесты. За основу были взяты эта статья и эта статья. Само описание используемой функции на английском доступно по следующей ссылке.

Сначала немного теории:

О линейной регрессии

Линейная регрессия используется в качестве прогнозирующей модели, когда предполагается линейная зависимость между зависимой переменной (переменная, которую мы пытаемся предсказать) и независимой переменной (переменная и/или переменные, используемые для предсказания).

( Читать дальше )

Ну что продолжим?

Скользящее окно(Moving Windows)

В заголовке я привел дословный перевод. Если кто меня поправит, и другой термин применяется — то спасибо.

Смысл скользящего окна– с каждым новым значением функция пересчитывается за заданный период времени. Этих функций большое количество. Для примера: rolling.mean(), rolling.std(), которые чаще всего и используют при анализе движения акций. rolling.mean() — это обычная скользящая средняя, которая сглаживает краткосрочные колебания и позволяет визуализировать общую тенденцию.

# Выделяю скорректированную цену закрытия 
adj_close_px = sber['Adj Close']

# Вычисляю скользящую среднию
moving_avg = adj_close_px.rolling(window=40).mean()

# Вывожу результат
print(moving_avg[-10:])

Дальше построим график, чтоб лучше понять то, что получается в результате работы данной функции:

# Вычисление короткой скользящей средней
sber['40'] = adj_close_px.rolling(window=40).mean()

# Вычисление длинной скользящей средней
sber['252'] = adj_close_px.rolling(window=252).mean()

# Построение полученных значений
sber[['Adj Close', '40', '252']].plot(figsize=(20,20))

plt.show()

( Читать дальше )