Кто не первый день торгует на бирже, тот знает, что для описания вероятностных процессов происходящих на биржевых торгах не подходит формула нормального распределения вероятностей (распределение Гаусса). Рассмотрим нормальное распределение вероятностей (НР) и биржевое распределение вероятностей (БР). 

Нормальное биржевое распределение

Первое отличие БР от НР заключается в том, что БР имеет более «толстые хвосты». То есть, немного большая часть вероятностных событий находится дальше от точки математического ожидания. Этот факт можно объяснить тем, что в НР  {\displaystyle \sigma }  б — среднеквадратическое отклонение (волатильность) является константой, а в БР волатильность величина переменная и тоже случайная. Наличие своей дисперсии у волатильности дает нам дополнительное «размазывание» плотности вероятностей.

( Читать дальше )

Прошёл почти месяц, как я перешёл на Linux, на своей основной рабочей машине. Скажу, что процесс оказался существенно легче, чем я ожидал изначально. Но не буду писать, что я ожидал каких-то серьёзных трудностей, потому что различными способами обкатывал те или иные моменты в работе на домашних компьютерах, или на специально поднятой виртуальной машине.

Попробовав разные дистрибутивы Linux, я в итоге остановился на ALT, а именно на ALT WORKSTATION 10. Пожалуй, основными критериями стали:

1. Поддерживается российской командой разработчиков и один из самых старых на российском рынке Linux дистрибутив
2. Из «отечественных» Имеет самый большой собственный репозиторий, и судя по всем самые свежие версии популярных программ, по сравнению с другими «российскими» Linux.

( Читать дальше )

Эту таблицу я впервые приводил в своем выступлении на конференции Смартлаба  весной 2016-го и повторил на конференции 2018-го, акцентировав внимание на том, что хочу оформить письменно ниже

 

Что в таблице?  В таблице доли участков RI (фьючерс на индекс РТС — прим. мое) из 10 приращений, как по отдельным периодам, так и в целом, которые я отнес к «трендам». Что я считал «трендом»? «Трендом» я считал участки, на которых среднее приращений цен (или приращений логарифмов цен, что эквивалентно) отлично от нуля и если оно больше нуля, то относим отрезок к «трендам вверх», а если меньше нуля – к «трендам вниз».

 Какой использовался критерий? Обычный модифицированный критерий Стьюдента на отличие приращений логарифма(!) цены от приращений гауссовского процесса со средним нуль  и дисперсией «почти равной» для 9 испытаний из 10 (нулевая гипотеза). Так как мы имеем критерий на различие сложной гипотезы против простой, то распределение статистики критерия точно известно нам только  при простой гипотезе. И потому при априори выбранных границах критерия мы можем знать только вероятности попадания последовательности из 10 значений в наши «классы» при верности нулевой гипотезы.

( Читать дальше )

Заметка ниже будет полезна тру алготрейдерам, которые сами пишут торговые программы, исследуют рынки и придумывают алгоритмы. Она поможет не утонуть, не уйти по ложному пути и остаться на плаву долгое время, и может быть, если повезёт — грааль будет создан.
Итак, какие объекты (индикаторы) необходимо создать в программе, для написания эффективных алгоритмов? 

Обязательные:
1. Moving Average — скользящее среднее   (куда же без них).
2. Linear Regression — линейная регрессия 
3. Minimum, Maximum  — определение минимума максимума 
4. Standart Deviation — стандартное отклонение  (объединено с Пунктом 1, вычисляется в составе одного объекта)

Могут пригодится дополнительно:
5. Correlation — корреляция
6. Relative strength index — индекс относительной силы
7. Multiple regression — множественная регрессия

Пункт 1 (скользящее среднее) также вычисляет бету регрессии, но иногда нужна регрессия не на время, поэтому отдельный объект Linear Regression всё таки необходим.

( Читать дальше )

Я уже писал, почему логарифмические проценты очень удобно использовать при проведении различных исследований в инвестициях — Доходность. Как считать? И почему полезен непрерывный процент.

Сегодня я хочу показать еще одно очень удобное применения логарифмического процента при проведении расчетов доходности, номинированных в различных валютах.

Давайте рассмотрим такой пример. Предположим у нас есть два актива, один номинирован в рублях (актив — А), другой в долларах США (актив — В). Пусть за 28 месяцев А вырос с 20 рублей до 60, а В со 100 долларов до 170. Мы легко можем посчитать прирост каждого актива за указанный период:

• А прирос на 200% — ((60/20-1)*100)
• B прирос на 70% — ((170/100-1)*100)

Но чтобы сравнить их между собой, нам нужно посмотреть как за этот же период изменился курс. И пусть для нашей задачи курс изменился с 50 рублей за один доллар до 70. Это значит что он вырос на 40% ((70/50-1)*100).

( Читать дальше )

Об услуге доверительное управление на рынке ценных бумаг сложилось крайне негативное впечатление у подавляющего большинства инвесторов. И к моему глубочайшему сожалению, многое для этого было сделано самими профучастниками. Настоящий пост я хотел бы посветить разговору про доверительное управление и постараться без прекрас показать, что действительно стоит знать, и что может помочь при выборе доверительного управляющего.

Первый блок будет о том, почему доверительное управлении в подавляющем большинстве плохо работает, и в чем вина профучастников.
Большая часть проблемы и откровенно плохих результатов у клиентов ДУ связана с работой крупных инвестиционных домов и банков, которые оказывают весь комплекс финансовых услуг. К сожалению, за время моей профдеятельности и то, что я видел из отчетов клиентов, которые делились информацией по своим портфелям в ДУ у крупняка, я могу сделать однозначный вывод, что деньги клиентов прежде всего используются для интересов этих структур и только потом в интересах клиентов. Выражается это обычно в двух основных подходах:

( Читать дальше )

В этом посте и видео пойдёт речь про один из способов ВЫБОРА долгосрочных целей. И это – Матрица компетенции.

Про то как стратегически мыслить, читаем здесь: https://smart-lab.ru/blog/848272.php

Про то как потом в ежедневном режиме это делать, читаем здесь: https://smart-lab.ru/blog/848155.php

 

 

Я понимаю, что эти темы Вам могут казаться далёкими от программирования и алготрейдинга. Но именно блок из этих трёх вещей сделал меня тем, кем я являюсь. Поэтому – ознакомиться стоит. И ознакомиться на полном серьёзе. Без мышления пятилетками — хрен когда каким программистом и алготрейдером станешь.

 

Матрица компетенции – графический способ понять, чего тебе не хватает. Либо для торговли, либо при устройстве на работу, либо как человеку.

 

Когда Вы пойдёте в программирование, Вам может понадобиться что-то вроде такого:

 

( Читать дальше )

Среди инвесторов немало IT-специалистов. Поэтому мы решили не ограничиваться одним лишь упоминанием современных технологий в описании сервисов платформы и поделиться информацией о том, какие именно методы и решения из области AI, ML и Big Data применяет компания. Также мы сегодня расскажем о подходе MUST к разработке в целом, чтобы у инвесторов было больше информации о том, как компания использует предоставленные средства. Также напоминаем, что завтра состоится онлайн-встреча в Zoom, где можно пообщаться с командой MUST в формате видеоконференции.

  Есть два основных типа искусственного интеллекта. Искусственный интеллект узкого назначения Narrow AI, который всё чаще находит своё применение в различных сферах, именно о нём обычно идёт речь в пресс-релизах компаний, и сильный искусственный интеллект или искусственный интеллект общего назначения (Artificial general intelligence). Этот тип AI человечество одновременно и хочет создать, и боится, так как предполагается, что AGI будет способен мыслить и действовать без контроля со стороны человека.
 
  Продукты MUST наделены искусственным интеллектом узкого назначения(Narrow AI) на базе предиктивных моделей машинного обучения. Однако 90% расходов на разработку продукта приходится на работу с Big Data — построение хранилища данных с сложной многоуровневой(слоёной) архитектурой Data Warehouse(DWH), которое необходимо для представления данных из различных источников в виде согласованной информации, пригодной для нейросетевых моделей машинного обучения.

( Читать дальше )

Инвесторов часто учат, дескать «ваши ценные бумаги надежно защищены, даже если с брокером что-то случится – они точно будут в безопасности!» На практике, правда, в России это справедливо далеко не всегда. В этой статье мы разбираемся, какими удивительными способами ушлые брокеры всё-таки могут лишить вас ваших денег.


Гордон Гекко показывает, куда могут утечь ваши деньги (ТУДА)

В прошлом году, когда я часто писал про политические риски инвестирования через зарубежные брокерские счета (например, здесь, здесь и здесь), меня нередко упрекали в том, что я сгущаю краски и будто бы вообще топлю за то, что инвестировать нужно только через российских брокеров.

( Читать дальше )

Недавно, в очередной раз, потребовался мне фильтр 3-го порядка. Это такая штука, вида:
y(t) = a0*x(t) — b0*y(t-1) — b1*y(t-2)- b2*y(t-3).
Ничего особо сложного. Однако, эта штука, в зависимости от значений коэффициентов а и b, уже может выполнять практически бесконечное число различных функций, и использоваться во множестве устройств и алгоритмов совершенно разного назначения. Многие из таких функций и методики расчета коэффициентов для них уже описаны в литературе, другие — эт вы уж как-нибудь сами — вся необходимая теория тоже уже разработана и изложена. Книжка всего-то ~600 стр, потребная математика уровня полного 3-го курса соответствующих специальностей.
В книге описаны методики расчета как типовых, так и специфических пользовательских фильтров, и не слова не говорится, а куда же эти фильтры девать, где применять, как выбрать их параметры для конкретного применения, и куда ставить. Фильтры редко применяются сами по себе, и обычно являются лишь частью какой-либо системы. В общем, зачем вам все это нужно и нужно ли вообще — это уже ваши проблемы.

( Читать дальше )