В связи с моим топиком  Фильтр Гаусса N-ного порядка как индикатор, в комментариях возник вопрос сравнения задержек фильтра Баттерворта 2-го порядка и ЕМА.
Для сравнения групповых задержек различных фильтров обычно сравнивают их отклики на единичный скачок 1(t). Это, типа, ступенька высотой 1.

На рисунке сравниваются отклики на единичный скачок 2-х фильтров с периодом 50. SMA с периодом 50 приведена здесь как калибровочная.
Из рисунка можно видеть, что групповая задержка фильтра Баттерворта при одинаковом периоде Т составляет по уровню 0.5 на ~5 отсчетов больше чем у ЕМА.
Простите, а что-же вы хотели увидеть, если фильтром Баттерворта мы обрезали ВЧ часть спектра сигнала? ЕМА плохо подавляет ВЧ компоненты сигнала, отсюда и такая нервная реакция на любой чих.
Спрашивается, а зачем тогда вообще фильтр, если он мало что подавляет?
Хотите, чтобы фильтр подавлял меньше ВЧ компонент, так уменьшите период сглаживания. Сделаем период сглаживания фильтра Баттерворта Т=25, т.е. расширим полосу пропускания фильтра.

( Читать дальше )

Представляю вам статью John Ehlers Gaussian and Other Low Lag Filters, в которой рассматривается построение фильтров Гаусса N-ного порядка и их использование в качестве индикаторов. Статья старая, ей более 10 лет, но фильтры не стареют, и статья не потеряла актуальности. Обычное применение фильтров Гаусса — это фильтрация шумов в сигналах и изображениях.
Единственное, что в статье у меня вызывает сомнение, это расчет зависимости коэффициентов полинома фильтра от периода сглаживания. Но это проверять надо, а так как я использую схожие, но другие фильтры, то делать это мне нет никакого резона.
Во всяком случае, такие фильтры являются хорошей заменой стандартных МА и существенно превосходят их по функциональности.
При использовании подобных фильтров нет смысла увлекаться фильтрами высоких порядков. Если нет особой необходимости, вполне достаточно использования фильтров 2-го, ну м.б. 3-го порядков.
Ну, и, для полноты картины, еще одна, более ранняя статья автора POLES, ZEROS, and HIGHER ORDER FILTERS By John Ehlers

Сижу, изучаю рыночные временные ряды. Уперся вот во что:
Излагаю в очень упрощенном виде.
Имеются 3 монетки — одна честная и две нечестных, с симметричным перекосом, одна в сторону орла, другая в сторону решки. Без разницы, но пусть вероятности будут 0.75 и 0.25.
В основном бросается честная монетка, но время от времени она подменяется одной из нечестных. Выбор одной из нечестных с вероятностью 0.5.
Таким образом, в любой серии вероятность выпадения орла/решки не изменится и останется 0.5.
Вопрос к читателям — возможно ли в каком либо наблюдении или серии наблюдений установить сам факт использования нечестных монеток? И каким образом?
А если бросать только нечестные и выбирать между ними с вероятностью 0.5. Можно это обнаружить? Сам факт, что с монеткой что-то не так?
Что-то мне сдается, что способов нет.
 
PS Когда уже опубликовал пост понял, что решения у этой задачи нет. Распознать подмену монеток невозможно никаким способом. Это свойство широко используется в технике связи. Процесс называется скремблированием. При этом любая произвольная последовательность двоичных символов превращается в последовательность нулей-единиц с вероятностью 0.5.

Дюрация — весьма специфичное понятие для ценной бумаги. Если цена, доходность и длительность инструмента – это типичные прямо выводимые величины, то производная величина дюрация – может вызывать трудности для понимания.

ОПРЕДЕЛЕНИЕ И ЕГО СМЫСЛ

Разные источники предлагают различные толкования дюрации. Остановимся на более общем определении. Оно звучит следующим образом.

---

Дюрация (Макколея)– это оценка средней срочности потока с учетом дисконтирования стоимости отдельных выплат.

---

---

Если объяснять по-простому, то дюрация – это сколько времени понадобится для того, чтобы (равными платежами) вернуть сумму номинала облигации.

( Читать дальше )

Если по Вашему брокерскому счету образовалась прибыль и вы не выводили денежные средства с него — брокер автоматически удержит 13% НДФЛ в конце года.

Как снизить налогооблагаемую базу читайте в этой статье. 

( Читать дальше )

Импорт даннных из файла CSV в базу данных SQLite.

В связи с моим топиком "Беспроигрышная стратегия акции-фьючесы" занимался скачиванием истории по акциям и фьючерсам, записью их в базу данных (БД) SQLite, и анализом данных. Я занимаюсь моделированием и обработкой данных в Python, и все данные, будь то история или реал-тайм данные полученные из терминала, удобнее держать не в CSV-файлах или памяти программы, а в БД, и обращаться к ним по ходу пьесы. А данных часто десятки и более мегабайт и далеко не все они нужны единовременно, и держать все это в переменных в памяти не оч разумно.

Безусловно, если вы работаете с одним инструментом и линейной историей вам хватит CSV и массива памяти, но для более сложных задач обработки данных БД незаменима, и все решения оч упрощаются.
Все, что я написал очевидно и ничего нового не содержит, однако, если вы еще не используете БД — настоятельно рекомендую.
Но, к делу. Скачиваем с Финам историю.

( Читать дальше )

   Я сделал попытку проанализировать, насколько удачный вход или выход из позиции может влиять на доходность. Я взял индекс РТС с 2013 года и посчитал, как изменится доход инвестора, если 1) пропустить 5 самых прибыльных дней в году, 2) пропустить 5 самых провальных дней в году, 3) ничего не делать.

   10 из 250 торговых дней всего лишь 4%. Можно предположить что результат изменится больше чем на 4%, но в реальности все гораздо радикальнее.

   Ниже графики за каждый год и кумулятивный график за 2013-2019 (на момент 17 декабря).









   За 7 лет вы либо заработали >400%, либо потеряли 80% портфеля.

   Попытка зафиксировать профит или убытки одинаково губительна для портфеля: вы пропустите те самые несколько дней, которые отделяют прибыльный портфель от убыточного.

Назрел крупнейший прорыв в понимании случайности Этот рисунок изображает параллельные миры, разветвляющиеся в будущее, когда реальность выбирает одну траекторию в пространстве возможностей. AMERICAN INSTITUTE OF PHYSICS. Credit: Peters and Gell-Mann

( Читать дальше )

Мне нравится Lua. Lua хороший компактный язык на котором можно сделать индикаторы, различные вспомогательные программы, помогающие трейдеру и даже несложные торговые системы (ТС, роботы). Пожалуй единственная книга по Lua — Роберту Иерузалимски: Программирование на языке Lua. Ее можно найти в интернете.

Lua имеет также несложный C-API позволяющий связать программы Quik Lua с внешним миром через DLL и получить доступ практически ко всему, в том числе к любым математическим библиотекам обработки данных, что необходимо для сколь-нибудь сложным ТС. Однако, для этого уже необходимо знание не только Lua, но и Lua C-API, языка С/С++, а также умения писать DLL. При этом надо будет решить еще ряд проблем, которые возникнут по ходу пьесы в процессе этой деятельности. Далеко не каждый пользователь Quik и Lua может все это реализовать в обозримое время.
У Quik Lua (QLua) есть еще недостатки — все события терминала в Lua работают в потоке терминала, и получив из них данные надо как можно быстрей завершать функции обработки этих данных и освобождать поток терминала, иначе терминал просто повиснет. Единственная функция QLua работающая в собственном потоке — это main() и вся сколь-нибудь сложная обработка может находиться только в ней.
Кроме того, для Lua крайне мало библиотек, а существующие работают оч не быстро. В принципе, это и не нужно, если можно организовать связь с внешним миром через C-API. Но нам от этого легче не становится.) Короче, для написания хорошей сложной ТС нам надо выйти за пределы QLua и установить связь с внешним миром, и сделать это доступными средствами.
Сейчас наиболее продвинутым языком, включающим в себя массу библиотек обработки данных является Python. По применимости для обработки данных он, пожалуй, занимает первое место в мире, а по распространенности входит в первую пятерку. В числе библиотек — математические, статистические, машинного обучения и пр., и пр. Таких библиотек более тысячи только в Anaconda, большинство из которых устанавливается при ее инсталяции. Вы можете не использовать Anaconda и скачать Python с сайта

( Читать дальше )

Большое спасибо Виталию Курбаковскому, что опубликовал свою обобщенную модель ценообразования опционов (1, 2, 3, 4, 5). Давно хотелось подобную модель, с минимум параметров, физический смысл которых был бы более-менее понятен. Чтобы можно было осознано свои параметры модели задавать, а не подгоняться под рынок и слепо за ним идти. Модель, которую использует биржа (с шестью параметрами ABCDES) под такой запрос не подходит. Попробуй там пойми, все ли шесть параметров сейчас имеют справедливые и оправданные значения, или с каким-то из параметров можно поспорить. И слишком уж она гибкая. Бывало смотришь — выскочила какая-то котировка за модель, только соберешься по ней ударить, а программа параметры модели подкорректировала и услужливо изогнула кривую с учетом новой котировки. И то, что только что
выбивалось за модель, стало ей соответствовать. Пробовал еще модель китайской улыбки, там и параметров поменьше и смысл у них попонятнее, но очень уж плохо она подгоняется под рынок. И тут, на счастье, Виталий поделился своей моделью и все подробно объяснил. Реализовал у себя и оказалось — то что надо. И в рынок хорошо вписывается, и параметры имеет понятные.

( Читать дальше )