Решил начать писать небольшие заметки по алгоритмической торговле и всему что с ней связано. Возможно, когда-нибудь расширю, склею и опубликую в виде книжки. Пока же это просто наброски заметок, сделанные на скорую руку.

Можно часто слышать от тех, кто торгует алгоритмически, да и просто систематически, такие понятия как «оверфиттинг», «курвафиттинг», «зафит» и прочие ругательства с корнем «фит». Что все это значит?
На самом деле, все эти слова, как правило, используются для описания одного и того же явления, являющегося врагом всех трейдеров, торгующих систематически и пытающихся оценить исторический перформанс своих торговых логик — а именно, что «живой» аут-оф-сампл перформанс на реальном счете, как правило, хуже ожиданий, полученных ими при проверке своих идей на истории. Например, при тестировании торговой логики на истории трейдер с помощью своей модели «зарабатывал» 30% годовых, а в реале может в среднем иметь 10% годовых. Разница 20% годовых — может объясняться именно оверфиттингом (если нет других факторов — например, некорректный учет комиссионных и проскальзываний, или ошибка в торговом коде; но прочие факторы легко устранить, в отличие от оверфиттинга). На картинке в начале статьи — пример перформанса некоторого фонда в бэктесте и в реальности, наглядно иллюстрирующий написанное выше.

Оверфиттинг является следствием комбинации одного или нескольких из следующих факторов, положительно влияющих на бэктест (результаты прогонки модели на истории), что и создает у трейдера завышенные ожидания от своей модели. В этой части мы рассмотрим основные источники оверфиттинга, в следующей — поговорим о способах избежания или минимизации оверфиттинга при историческом тестировании моделей.

Неужели вековая история американского рынка «прошла мимо» любителей подобных фраз? Кто там наиболее успешен? Открою «секрет Полишинеля»: тот, кто управляет большими чужими деньгами. И все они публичны, потому что ноунэйму никто в здравом уме деньги не доверит.

А все истории успеха непубличных одиночек из серии «хайпанул и вовремя смылся», т. е. заработал столько, что можешь вести жизнь рантье: банковской ставки на заработанный капитал тебе достаточно, чтобы «нормально» жить («нормально» в кавычках, потому что «нормы» у всех разные). Ну некоторые исключительно ради социализации втихую приторговывают «на долю малую», а особо «буйные» начинают  писать книжки и(или) вести семинары и…становятся публичными.

Есть ли непубличные и хорошо зарабатывающие? Есть! Это те, кто работает в «брендах» и управляет X->XX->XXX млрд. Только вот успехом для них является доходность=ставка облигаций+2-5%% после вычета комиссии за управление (КРЫС об этом тут писал, он реально «в теме» и сам тому успешный пример).  Такие  доходности тут кому то интересны? Вряд ли. Поэтому им нет смысла писать на смарт-лабе «про торговлю» и участвовать в обсуждении прогнозов на день. И зачем им тратить на это свое время? Разве что воспоминания и всякие популярные «срачи» ради «развлекалки» могут быть интересны для таких людей в силу их темперамента.

Всем привет!

Решил поделиться сигналами своей количественной модели ротации секторов американского рынка, золота и трежерей. А почему бы и нет — сигналы, которые я здесь выкладываю — для самых ликвидных ETF'ов, с емкостью миллиарды долларов, самому мне столько точно не надо. Торгует модель раз в месяц — я делаю это в начале каждого нового месяца.

Модель может использоваться как неплохая альтернатива долгосрочному (3-5 лет) банковскому вкладу в валюте. При условии, если вы умеете соблюдать дисциплину и не лезть в модель грязными лапами, чтобы улучшить ее «своим видением рынка» =) Если надоело сливать депозиты и хочется уже куда-то вложить валюту под неплохой процент и с умеренными рисками — велкам!

Модель торгует ETF'ы на секторы американского рынка (XLY, XLP, XLE, XLF, XLV, XLI, XLB, XLK, XLU, IYZ, VNQ), долгосрочные трежеря (TLT), золото (GLD), в качестве безрискового актива, в который модель иногда выходит, используется SHY. На первом шаге производится фильтрация торгуемых тикеров по моментум-логике, на втором — их смешивание с учетом статистических взаимосвязей между ними. Более подробно логику описывать не стану, поскольку, в отличие от других квантов на этом ресурсе, я не считаю, что количественные модели работают вечно. Они умирают — более того, в последнее время они умирают косяками.

Метод ГП по своим свойствам потенциально мог бы являться универсальным методом поиска алгоритма оптимизирующего заданную целевую функцию. И я как любитель эволюционной оптимизации не мог пройти мимо такой заманчивой идеи.

Торговый алгоритм ищу в виде набора элементарных функционалов. Каждый функционал может иметь любое количество входов и по крайней мере один выход. Вход и выход характеризуется типом данных. Выход одного функционала может быть подан на вход другого при условии, что тип данных входа и выхода совпадает.

Например, функционал вычисления минимума/максимума в заданном окне получает на вход интересующую величину и значение размера окна, а также имеет 4 выхода: минимум/максимум, позиция точки минимума/максимума в окне.

ГП должен подобрать функционалы и связать их входы и выходы так, чтобы в итоге получился единственный выход типа сигнал (сигнал есть либо нет), который и будет являться сигналом на покупку/продажу. Связанные функционалы с общем случае образуют граф. Целевой функцией является критерий Шарпа с поправкой — наказанием за информационную сложность алгоритма.