Избранное трейдера sn1
Продолжаю потихоньку добавлять новые акции для анализа в портфель и наконец добрался до 100 штук. Собираюсь включить все акции с дневным оборотом более 1% от величины портфеля (осталось примерно 25 штук), после чего заняться ETF. Чем больше акций, тем больше обучающих примеров для тренировки градиентного бустинга и сетей — сейчас около 180 тысяч, а в перспективе их количество увеличится до 250-300 тысяч.
Потихоньку продолжаю заниматься сетями. Раньше жаловался, что они обучаются существенно медленней градиентного бустинга, но после профайлинга оказалось, что тормозит не обучение, а подготовка и загрузка данных. Переписал код — в результате сети стали учатся быстрее градиентного бустинга.
Плюсом сетей является возможность реализации множества выходов — на данный момент экспериментирую с прогнозированием доходности одновременно с СКО по аналогии с GluonTS.
Для поиска гиперпараметров для градиентного бустинга использую байесовскую оптимизацию с помощью hyperopt. Для сетей решил попробовать
Самый первый фильтр — это DY (Дивидендная Доходность)
Если эмитент платит дивы, сравнимые с ключевой ставкой или выше её, то от этого портфельному спекулянту двойная польза:
1 — это позитивный сигнал, говорящий о том, что эмитент хорошо относится к миноритариям
2 — у портфельного спекулянта благодаря дивам появляется денежный поток, который он может использовать по своему усмотрению
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:
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')
В текущих условиях короноэкономической ситуации, когда из-за изоляции полностью проседает вся экономика (снижение потребления, и как следствие производства, ведет к снижению доходов населения, занятого практически во всех сферах) – возникает вопрос: «А где же собственно сейчас безопасно держать свои финансы?» В каких инструментах или коммодити?
Озадачился я этим вопросом неспроста. Я работаю на хорошей позиции в крупной российской нефтяной компании. Путем жесткого учета расходов — все необходимые затраты на жизнь моей семьи составляют порядка 1/3 от моих доходов или порядка 1/4 от общесемейного бюджета. Ранее, естественно, никогда не возникало вопроса куда девать «остающееся».
У меня два основных брокера – Сбербанк (ИИС под дивидендные акции, брокерский счет под облигации, ETF и дивидендные спекуляции) и ВТБ (высокодоходные облигации). Помимо этого, я занимаюсь краудлендингом, то есть «даю деньги в долг частникам» на платформах Ozon.Invest (заемщики только из числа продавцов на Озоне, до 18% процентов годовых) и Сберкредо (заемщики как правило ИП, прошедшие скоринг, но видимо малонадежные, потому что до 34 процентов годовых). Разумеется, есть существенный объем кэша на экстренный случай, некоторое количество инвестиционных золотых монет (Победоносец, ММД) и несколько лет назад я начал покупать антикварные книги. Есть пара майнеров на шумоизолированном балконе, которые добывают свои 10-12 долларов в день и некоторый объем биткоинов на защищенном криптокошельке Ledger.


Привет, продолжаем тестировать факторные стратегии на нашем рынке. В зоопарке стратегий уже можно посмотреть на Value и Momentum тут https://smart-lab.ru/blog/609357.php и тут https://smart-lab.ru/blog/611263.php Сейчас мы протестировали фундаментальную Profitability и вот что из этого получилось:

Источник: Sentimetrica
В этот раз мы возьмем фундаментальную Profitability и реализуем ее в долгосрочном формате. Покупаем акции в портфель на основе ROE, рассчитанной из годовой отчетности, и держим год до выхода следующего годового отчета. Технически, исследование несложное, но мелких деталей очень много и важно себя не обмануть при тестировании. Например, не подсмотреть то, что ты не мог знать в прошлом в этот момент времени.
База из 552 компаний и определение ликвидных акций аналогично предыдущим бэктестам. Немного новой матчасти:
ROE – это отношение чистой прибыли к собственному капиталу. В отличие от просто чистой прибыли, по ROE удобно сравнивать компании между собой. Нечитаемым показатель становится при отрицательном собственном капитале. К счастью, с ликвидными компаниями такое случается нечасто (Мечел). Тут все понятно.

В этой статье я хочу поделиться с вами своими последними наработками в искусстве портфельных спекуляций.
Первое, что надо сделать — это открыть брокерский счёт и разместить на нём сумму 20млнр.
Почему 20млнр?
Просто мне на такой сумме удобнее объяснять.
Если ваша сумма, предназначенная для портфельного инвестирования, отличается от 20млнр, то просто сохраняйте соответствующие пропорции между долями эмитентов в портфеле или измените число эмитентов, при сохранении неизменного размера суммы вложения в одного эмитента.
+

