Избранное трейдера gvv
В преддверии понедельника публикую свои расчеты по золоту по торговым дням 2016 года. Аналогичные расчеты по нефти см. здесь:
http://smart-lab.ru/blog/362367.php
http://smart-lab.ru/blog/363847.php
Результаты такие: средняя однодневная доходность (от закрытия сессии предыдущего дня к закрытию дня текущего) небольшая, но положительная: 0,056% или 14,1% в годовом исчислении (252 торговых дня).
Риск (волатильность), измеряемый средним отклонением, гораздо ниже (в 2,7 раза), чем у нефти и составляет за 1 сессию 1%, или 15,8% в год.
Потери (VaR) с вероятностью 95% не должны превысить 1,6% в день, а с вероятностью 99% — 2,3%. Если считать за T дней, эти величины нужно умножить на корень из Т.
Смещение в сторону риска есть, но не такое критичное, как у нефти. На первый взгляд кажется, что золото — инструмент менее рисковый и более приспособленный для долгосрочных инвестиций. Но есть свои нюансы, точнее «подводные камни»:
На прошлой неделе рассчитал параметры доходности и риска в 2016 году по дням для нефти Brent по методикам RiskMetrics.
smart-lab.ru/blog/362367.php
Общий вывод был таков – риск (волатильность) инструмента на порядок превосходит небольшую, хотя и положительную текущую доходность. Ее проще всего получить на позиционных операциях (как в ту, так и в другую сторону) длительностью нескольких дней при жестком контроле рисков. Длительные инвестиции противопоказаны из-за чрезмерного смещения параметра «риск-доходность» в сторону риска.
Теперь возник вопрос – какой продолжительностью должны быть такие трейды? Т.е. исходя из статистического распределения, когда (точнее, с какой вероятностью положительного исхода) следует выходить из позы и занимать противоположную сторону?
Один из вариантов ответа – найти распределение периодов роста/падения, т.е. с какой частотой происходит непрерывный рост (и падение) 1-2-3-4 и т.д. дней подряд.
Еще одна статья с ресурса www.talaikis.com по разработке простой стратегии на модели Маркова с использованием Python.
Модель скрытых состояний Маркова — это производительная, вероятностная модель, в которой последовательность наблюдаемых переменных генерируется некоторыми неизвестными (скрытыми) состояниями. Мы попытаемся найти такие неизвестные вероятностные функции для, скажем, S&P500. Все опишем кратко, без проверок на ошибки, без тестов вне выборки и т.д. Мы делаем это для того, чтобы минимизировать склонность к ненужному усложнению для начинающих. (Подробнее о модели Маркова см. на моем сайте — www.quantalgos.ru)
Что будем использовать:
библиотеку Python - hmmlearn.
1. Данные. Возьмем данные по свечам (OHLC), включающие объем, из нашей базы