Простой, но сильный индикатор, который помогает предсказать коррекцию — кривая доходности.

1. В нормальной рыночной ситуации доходность долгосрочных казначейских облигаций выше, чем доходность краткосрочных бумаг. Это логично — долгосрочные инвесторы несут больше рисков. Поэтому они хотят лучше зарабатывать.

2. Разница между долгосрочной доходностью и краткосрочной доходностью называется кривой доходности. Это важный индикатор, который показывает текущее здоровье рынка. В благоприятной ситуации его значение находится выше 1% (для 10y-2y U. S. Treasuries).

3. Когда на рынок приходит неопределенность, ситуация меняется. Краткосрочная доходность растет, долгосрочная доходность падает, разница сокращается. В особых случаях — кривая доходности уходит в отрицательную зону.

4. Кривая доходности ниже нуля сигнализирует о сильном беспокойстве на кредитном рынке. Сильное беспокойство на кредитном рынке сигнализирует о рисках для мировой экономики.

( Читать дальше )

Доброе утро, страна (пока писал топик, было еще утро).

С вами снова опционный уголок и сегодня мы на половину спалим Грааль опционщиков, чтобы им больше жизнь малиной не казалась.

Классические опционщики бьют себя всё время в грудь, утверждая, что голые конструкции они не торгуют, голые конструкции торгуют видите ли лишь опционные лохи, а они, мол, такие крутые, торгуют волатильность. Что это значит?

Всё очень просто. Они высчитывают всего лишь 2 параметра: IV и HV, где

IV — ожидаемая волатильность,
HV — историческая волатильность.

Если IV>HV, то они продают волатильность, если IV<HV, то они покупают волатильность.

Как всё просто, да?

Просто. Но есть очень много нюансов.

Сегодня разберемся с одним из параметров, а именно с HV.

Историческая волатильность.

Историческая волатильность определяется как стандартное отклонение логарифмических изменений цены, взятых через равные интервалы времени. Поскольку наиболее надежными обычно считаются расчетные цены, самый распространенный метод определения волатильности предполагает использование именно изменений расчетной цены (а есть еще способ, когда мы не знаем расчетных цен, а знаем максимумы и минимумы, считаем через них, но нам это неинтересно).

( Читать дальше )

А. Г. интересную идеальную штуку описывает у себя в видео.

Прогоним эту систему без заглядывания в будущее на нашем рынке по следующим правилам:
Buy at open[m] if close[m-1]>OPEN[d] and HIGH*[m-1]+LOW*[m-1]>HIGH[d-1]+LOW[d-1].
Sell at open[m] if close[m-1]<OPEN[d].

Пояснения:
Расчеты делаются по минуткам opn, high, low, close.
m — текущая минута, которая только началась.
OPEN, HIGH, LOW это дневные значения. 
d — текущий день.
HIGH* и LOW* это максимум и минимум текущего дня с открытия и по завершившуюся минуту m-1.

Далее будут эквити без учета издержек.

Si (8% годовых при срсделке 0,01%):






























RI (22% годовых при срсделке 0,05%):


( Читать дальше )

Юрий Иванович (JC_trader) у себя в LJ один очень хороший пост написал, который мог бы дать ответ на множество вопросов начинающих инвесторов. Я же хочу добавить немного огранки для этого алмаза, превратив его в бриллиант.

Суть в следующем. Возьмем простую трендследящую систему: 

• если клоуз больше предыдущего клоуза, то покупаем (лонг) на закрытии сессии,
•  если клоуз меньше предыдущего клоуза, то продаем (шорт) на закрытии сессии.

И попробуем ее протестировать на разных временных периодах. 

Сама система, кстати, по своему гениальна. Во-первых, в ней нет оптимизируемых параметров (sic!) и она либо работает на истории — либо нет. Во-вторых, мы совершаем сделки на закрытии сессии. А открыть/закрыть сделку на закрытии намного легче, чем на открытии. Те, кто профессионально занимался тестированием торговых алгоритмов могут многое об этом рассказать 🙂

Теперь к полученным результатам. Система работает, но только на старшем временном периоде (месячные бары). Почему? Переходим к главному…

( Читать дальше )

Для моделирование ТС на Python, прежде всего нужен сам Python. Pythonы бывают очень разные.

Самый большой и длинный Python — Anaconda (https://anaconda.org/). Скачать дистрибутив Anaconda можно здесь — Индивидуальное издание -https://www.anaconda.com/products/individual.
Я работаю именно с Anaconda. Установив Anaconda мы получаем сам Python, уже установленные значительную часть нужных и ненужных пакетов с библиотеками Python, и несколько сред разработки. И все это сразу готово к работе, и нам, по большей части, уже не придется дополнительно устанавливать пакеты и среды.

Самый маленький Python последней версии 3.8.2. скачивается с сайта самого Python — https://www.python.org/. Это, практически, только сам язык, компилятор и минимальный набор пакетов. Сделать с ним практически ничего невозможно, и для работы придется постоянно устанавливать нужные пакеты. Среду разработки придется также устанавливать самостоятельно.
Этот Python больше подходит для запуска и работы с уже отлаженными законченными программами.

( Читать дальше )

Привет, новая неделя – новый бэктест. Картинка на превью толсто намекает, что тестировать мы сегодня будем фактор Size. Из всей линейки факторов, малая капитализация – это самая понятная материя, на которой можно заработать выше рынка. X5 Retail сложнее быстро вырасти в 2 раза по сравнению с небольшой палаткой на рынке, ведь эта компания уже большая.

Отдельное спасибо смартлабовцу wrmngr за качественную критику:

( Читать дальше )

Начинающие (да и не только) инвесторы часто задаются вопросом о том, как отобрать для себя идеальное соотношение активов входящих в портфель. Часто (или не очень, но знаю про двух точно) у некоторых брокеров эту функцию выполняет торговый робот. Но заложенные в них алгоритмы не раскрываются.

В этом посте будет рассмотрено то, как оптимизировать портфель при помощи Python и симуляции Монте Карло. Под оптимизацией портфеля понимается такое соотношение весов, которое будет удовлетворять одному из условий:

• Портфель с минимальным уровнем риском при желаемой доходности;
• Портфель с максимальной доходностью при установленном риске;
• Портфель с максимальным значением доходности

Для расчета возьмем девять акций, которые рекомендовал торговый робот одного из брокеров на начало января 2020 года и так же он устанавливал по ним оптимальные веса в портфеле: 'ATVI','BA','CNP','CMA', 'STZ','GPN','MPC','NEM' и 'PKI'. Для анализа будет взяты данные по акциям за последние три года.

#Загружаем библиотеки

import pandas as pd
import yfinance as yf
import numpy as np
import matplotlib.pyplot as plt

# Получаем данные по акциям
ticker = ['ATVI','BA','CNP','CMA', 'STZ','GPN','MPC','NEM', 'PKI']

stock = yf.download(ticker,'2017-01-01', '2019-01-31')

( Читать дальше )

«Конечно же да! Дай мне сейчас доход в миллион $ в месяц, и я стану счастливее!»

скажет большинство читателей :)

Если ваш доход близок к среднему по региону, то с миллионом $ счастливее конечно станешь, но не намного. Даже… скорее всего, будешь несчастнее человека с крепким доходом в пару раз выше среднего. Счастье — оно в чём-то другом.

Я пишу так уверенно, потому что Дэниэл Канеман с Институтом Gallup в 2008-2009 провели большое исследование с выборкой аж целых 450,000 американцев с выявлением зависимости эмоционального благополучия от уровня дохода.
Да-да, тот самый Канеман, получивший Нобелевку за эксперименты над людьми, описанные в его книге «Думай медленно — решай быстро» и в «Хулиномике» А. Маркова.

И результат может удивить:

Эмоциональное благополучие зависит от дохода, но на уровне дохода в 75,000$ в год оно перестаёт расти, а с дальнейшим ростом дохода — наоборот, начинает снижаться.

( Читать дальше )