Небольшая статья с ресурса http://www.talaikis.com/ о построении простой стратегии, использующую наивный байесовский классификатор при создании процесса возврата к среднему. Весь код в статье приведен на языке Python.

Это достаточно большая область исследований, но расскажем все очень кратко. Мы попытаемся найти взаимоотношение между  временными сериями  (в данном случае возьмем в качестве сигнала взаимный фонд XLF из финансового сектора, сдвинутый по времени на 1 день назад), а нашей целью будет фьючерс S&P500 в форме CFD. Будем входить в длинную позицию по этой бумаге при нулевой вероятности приращения. Логически нулевая вероятность ни о чем не говорит, другими словами, будем покупать возврат к среднему.

1. Получение данных

Y = read_mongo(dbase, "S&P5001440")
X = read_mongo(dbase, syms[s]).shift()

#готовим набор данных
res = pd.concat([X.CLOSE, Y.CLOSE], axis=1, join_axes=[X.index]).pct_change().dropna()
res.columns = ['X', 'Y']

( Читать дальше )

Тратим 15 мин. на просмотр и еще раз думаем перед тем как начать автоматизировать свою торговлю.

Автокорреляция — статистическая взаимосвязь между последовательностями величин одного ряда, взятыми со сдвигом, например, по времени.

Если подать данные в стандартные функции расчета автокорреляции, на выходе получим высоконаучную хрень, которую непонятно как интерпретировать в реальном мире. Поэтому переписываем по-человечески, чтобы она измеряла что? Приавильно, вероятность продолжения тренда, т.е. нужное, полезное и понятное большинству трейдеров качество :)
А чтобы было еще понятней, в том числе полному большинству, сдвинем шкалу вероятности чтобы 50% оказался на 0%, таким образом, будем отображать смещение вероятности от средней отметки 50%. Столбик вниз — значит вероятность меньше 50%, и вплоть до 0. Вверх — соответственно, больше.

На графике для SPY по оси Х — тестируемый период в днях, по оси У — сдвиг вероятности от 50%, например, для 10 дневного периода роста(более 2%) вероятность того, что через 10 дней курс будет еще выше — 64%, т.е. смещение на 9% (что и видим на оси У). Большие периоды:

( Читать дальше )

Продолжаю копать в сторону машинного обучения и применения R для количественного анализа в трейдинге.

Мои статьи про R, машинное обучение, количественный анализ

В этом посте я расскажу о применении модели ARIMA-GARCH для прогнозирования курса рубля на R. 
Нашел полезную серию статей на тему анализа временных рядов на R. Использовал эту статью.

Немного общей информации из википедии:

ARIMA (англ. autoregressive integrated moving average, иногда модель Бокса — Дженкинса, методология Бокса — Дженкинса) — интегрированная модель авторегрессии — скользящего среднего — модель и методология анализа временных рядов. Является расширением моделей ARMA для нестационарных временных рядов, которые можно сделать стационарными взятием разностей некоторого порядка от исходного временного ряда (так называемые интегрированные или разностно-стационарные временные ряды). Модель ARIMA(p,d,q) означает, что разности временного ряда порядка d подчиняются модели ARMA(p, q).

( Читать дальше )

В последнее время изучаю R и машинное обучение. 

Мои статьи про R, машинное обучение, количественный анализ

В этом посте я расскажу о том, как применить машинное обучение для поиска закономерностей и прогнозирования.

Использовал эту статью: Применение машинного обучения в трейдинге

Начнем с проверки того, работают ли тренды и как влияет день недели на направление движения цены. И если работают, насколько они смещают вероятность в нашу сторону. Применим для этого наивный байесовский классификатор. 

Теорема Байеса в теории вероятностей, как теорема Пифагора в геометрии.

Байесовская вероятность — это интерпретация понятия вероятности, используемая в байесовской теории. Вероятность определяется как степень уверенности в истинности суждения. Для определения степени уверенности в истинности суждения при получении новой информации в байесовской теории используется теорема Байеса. 

( Читать дальше )

Если кому-то интересно, мои статьи на тему R, машинное обучение, количественный анализ:

1. Мои шаги в сторону машинного обучения на R и немного про Si, Brent
2. Расчет ожидаемого количества убыточных сделок подряд на R
3. Применение логарифмов для расчетов со сложным процентом
4. Построение модели для парной торговли акциями Google и Apple на R
5. Анализ Brent с использованием языка R
6. Количественный анализ графика нефти с применением R (продолжение)
7. Гистограммы доходностей разных активов
8. Применение наивного байесовского классификатора на R для поиска закономерностей и прогнозирования

В следующей статье расскажу про наивный байесовский классификатор и нейронные сети в трейдинге. 

По совету обсуждавших «1 издание» дополнил картинками слайды, посвященные Vol_t.

drive.google.com/file/d/0BzRUUWXCOSO5QVg4ckFLVWtwMnM/view

Важно. Это не доклад о том, как строить торговые алгоритмы, а методика классификации рынка, которая дает ключ к пониманию:

— какие алгоритмы были эффективнее в прошлом;
— на каком рынке от построенного алгоритма ждать «подлянки»;
— как построить эффективный портфель из имеющихся алгоритмов;
— на каких задачах сосредоточить усилия с целью улучшения существующего портфеля.

Общеизвестно, что классическим называют арбитраж, который реализуется  между поставочным фьючерсом и его базовым активом. Он относится к рыночно – нейтральным стратегиям и является одним из самых низко рисковых стратегий работы на рынке ценных бумаг.  Естественно платой за низкие риски является сопоставимая с ключевой ставкой ЦБ доходность. 

Повысить доходность классической арбитражной позиции,  без существенного увеличения рисков можно добавляя к двумерным арбитражным позициям (фьючерсы против  базовых активов) дополнительное измерение (координату) в виде  статистического арбитража фьючерсов или акций входящих в эти пары.  Такой вид арбитража мы назвали 3D арбитраж.

Теоретически возможность для такого арбитража создана нашим рынком, где подавляющее число высоколиквидных ценных бумаг в среднесрочном, а тем более долгосрочном плане, высоко коррелированы. Это позволяет позицию по одной  акции хеджировать двумя разными фьючерсами без существенного увеличения рисков (один  фьючерс на эту же акцию, а другой  — на другую акцию, но которая высоко коррелирована с первой). Или наоборот, хеджировать позицию по одному фьючерсу двумя акциями (одна акция — базовый актив, другая высоко коррелированна с базовым активом).

( Читать дальше )

Первую часть интервью смотрите здесь.

Что нужно учесть при запуске стратегии в производство?

Новичкам нужно обратить внимание на соответствие «реальному миру» — на нюансы типа дней экспирации и праздников. Когда вы калибруете систему на исторических данных, можно допускать аппроксимацию без таких дней. Но когда вы переходите к реальной торговле, то не можете быть небрежным, все должно быть максимально точно.

Другой аспект заключается в том, что скорость критична. Я не могу рассчитывать модель в реальном времени (градиентный поиск очень медленный), поэтому нужно все сократить до линейных аппроксимаций изменений. Все это влечет за собой много матричных манипуляций.

Обычно создается исполнительный прототип, который делает все правильно, но не очень эффективно. Затем я поручаю моим сотрудникам-инженерам сделать производительную версию стратегии на языке Python или даже С, используя библиотеки для реального рынка, которые они создавали и совершенствовали годами. И эта версия подключается к  моей торговой системе, для запуска данной стратегии «в бой».

( Читать дальше )

Начало тут: smart-lab.ru/blog/317925.php

5 минутные OHLCV:

ES GC CL NQ NG 5 MIN c 20.03.2016 по 25.03.2016 cloud.mail.ru/public/9XYR/WViRCsp5v

Поблагодарить

Можно плюсиками и при желании любой суммой на дальнейшие покупки на:

• WebMoney кошелек R395002718891
• Яндекс.Деньги money.yandex.ru/to/410014057882581

Тиковые данные:

По поводу «скидывания» на тиковые данные и получения всей истории обращайтесь в личку (у кого не хватает рейтинга пишите комментарий, я вам напишу в личку и она станет доступна). Цена вопроса всего 5000 рублей.

Ранее «скинувшиеся» увидят все данные (и добавленный новый контракт и дальнейшие обновления) по полученной ими ссылке

P.S.

Конструктивные комментарии и вопросы приветствуются.

Флуд, навязывания своего мнения – в топку.