Всем привет.
      Решил проверить гипотезу, что если открывать позицию от балды (проверял на RI за последние года), выставлять стоп лосс и тейк профит, чтобы стоп был в несколько раз меньше чем профит, например 300 пунктов стоп и 1000 пунктов профит, и с помощью генератора случайных чисел какбы подбрасывать монетку с вероятностью 50/50 входить в лонг или в шорт, выходить по стопу или профиту и сразу открывать новую сделку…  на  истории прогнать и посмотреть что получится.
     Результат — как ни крути размером стопа и профита, как не меняй соотношение — это не даёт никакого преимущества! После серии из нескольких тясяч сделок получаем в результате  кривую прибыли подобно броуновскому движению — чистое казино, на одной и той же истории может  в жесткий минус уйти и в плюс, и игра размером стопа и профита никакого положительного результата не приносит, если сделки открывать случайно.
     Таким образом развеян миф о том, что выставленные стоп-лоссов и тейк-профитов могут как-то увеличить шансы получить прибыль от случайно или бездумно совершаемых сделок.

( Читать дальше )

В моем понимании арбитражная сделка это не безрисковая сделка, а сделка с переоцененным или недооцененным активом с последующим хеджированием и расчетом на то, что дисбаланс в скором времени будет устранен рынком.
В данном случае я буду рассматривать продажу месячных опционов Put и Call на фьючерс на индекс РТС, с хеджированием по рыночной дельте портфеля фьючерсом на индекс РТС.
Данные «под рукой» у меня с 20110531 по 20130329, т.е. почти 2 года.
Для расчетов я взял 100 контрактов Put. (Примечание: если взять, например, 2 Put и хеджировать по дельте, то результат будет хуже в разы, надеюсь, все понимают почему).
Часовые данные, взятые из архива биржи РТС. Расчеты по теоретическим ценам.
Для начала пример продажи опциона Put на центральном страйке. С предположением, что опционы всегда переоценены, а значит можно заработать на их продаже.




В целом, стратегия «продажа опциона на центральном страйке», приносит доход. Однако в период роста волы, да и просто высокой волатильности, могут быть значительные просадки.


( Читать дальше )

Продолжаю тему, поднятую в статье «Толстые хвосты и эмпирические распределения». Напоминаю, в материале рассматривался вопрос, как влияют толстые хвосты распределения цены базового актива на появление улыбки волатильности. В представленной модели фьючерс РТС каждый день прыгает на величину, случайно выбранную из ряда его ежедневных приращений в прошлом. Ранее были показаны результаты модели для 100 шагов движения цены. К ним мы еще вернемся, а пока рассмотрим, что происходит при небольшом количестве шагов модели. В этом случае, Центральная Предельная Теорема только начинает работать, и толстые хвосты разворачиваются во всей своей павлиньей красе.




Выше представлена модельная улыбка за 10 дней и две реальных кривых волатильности опционов с аналогичным сроком жизни. Как и раньше, в модели введена поправка на тренд. По оси Х номер страйка от центрального, графики совмещены по горизонтали. 


( Читать дальше )

      Сразу оговорюсь, что все исследования проводились в программе EViews 3 и TSLab 1.2  
       Торговля в классическом виде корреляции двух инструментов, постепенно давно вымирает, в арбитраже, конкуренция высока, а в парном трейдинге для реально существенного дохода, необходимы большие капиталы!
         Еще со студенчества любил эконометрику, и решил проверить в трейдинге как будет выглядеть моделирование цены, и насколько это реально эффективно. Прежде всего, необходимо определиться, что нам необходимо:

• Либо мы делаем модель цены для краткосрочных спекуляций, или же hft алгоритм или же скальперский, обычно для создания модели необходимы данные цены ohlc так же объем, ои, любой индикатор, постоянная переменная и любые значения, исходя из которых можно проследить зависимость ценового движения!
• Если модель ценового движения построить, исходя из движения любого другого инструмента, то можно проследить взаимозависимость двух цен, и использовать это для парной торговли.

( Читать дальше )

Если вы думаете, что вы сам по себе умный и все знаете — вы ошибаетесь. Любой профессионал своего дела много-много читает.

В этом посте мы обсуждаем интересные книги, которые вы недавно прочли. Советуйте, рекомендуйте, делитесь впечатлениями или спрашивайте что-нибудь про книги, которые собираетесь прочесть.

 

Доброго времени суток уважаемые участники смарт-лаба. Из — за отсутствия какого либо писательского слога и практики написания первая статья вышла не совсем такой информативной как я хотел… Учитывая пожелания в  коментариях предыдущей статьи исправляем этот пробел
 СТАТЬЯ НАПИСАНА НЕ В КАЧЕСТЕ РЕКЛАМЫ. БАБОС В ДУ Я НЕ БЕРУ. ЛИЧЬНОСТЬ НЕ ПУБЛИКУЮ, ИЗВЕСТНОСТИ НЕ ХОЧУ.
Просто логин, просто статья! Для не любителей прилюдий читать с моммента «Правила входа в рынок на покупку :»

Всё, что написано ниже — результаты многолетнего труда (перепробовал все, а в результате оставил минимум) обычного человека без какого ни будь экономического образования. Если кому то покажется, что то что он прочет ниже полным бредом, водой, кашей, пустышкой или еще какой ни  будь белибердой — я могу сказать следующее... 

Я абсолютно точно уверен, что с подошью данного алгоритма можно стабильно получать прибыль из рынка. Вся

( Читать дальше )

Финансовые рынки обладают известным свойством – толстые хвосты в распределении приращений актива. Обычно, для демонстрации эффекта сравнивают два графика дневной доходности – для исторического распределения цен и нормального. На рисунке ниже четко заметны выбросы в распределении доходности индекса вдалеке от центра. 
 


Часто можно услышать, как толстые хвосты назначают главной причиной возникновения улыбки волатильности. На недавно прошедшей НОК одним из наиболее интересных выступлений была презентация Виталия Курбаковского о причинах появления улыбки волатильности. Уважаемый мэтр строил улыбку на основе эмпирического распределения.
Проверим сами, как влияют толстые хвосты на форму улыбки. Построим модель движения фьючерса РТС на основе данных о ежедневной доходности close to close основной сессии. Возьмем ряд ежедневных приращений склеенного фьючерса с января 2010г. по февраль 2013г. Конечное значение цены близко к начальному, но, чтобы совсем исключить тренд, последнее значение цены фьючерса примем равным первому, а именно 157090 п. Период модели – 100 дней. Каждый день актив прыгает на величину, случайно выбранную из ряда прошлых значений. В конце траектории посчитаем стоимость опционов. Повторим опыт миллион раз. Усредним результаты каждого опыта и получим ожидаемую стоимость опционов в финальной точке. Она совпадает со справедливой стоимостью опционов в  начальной точке,  ведь ставка равна нулю. Результат моделирования в терминах волатильности представлен ниже



( Читать дальше )

Сегодня ровно два года, как я начал торговать. Если не считать первые два месяца, когда я просто пытался интуитивно угадать направление цены, слив при этом почти весь депозит, то все это время мой трейдинг заключался в работах над созданием механической торговой системы. Тесты, проверки, анализ, роботы, тесты, проверки, анализ, роботы… И если год назад, когда я писал свой отчет «Год на рынке», я был воодушевлен и дальше вести поиски в этом направлении, то сейчас я потерял к этой работе интерес.


( Читать дальше )

Дисклаймер:  Это большой занудный пост с очень простым и довольно очевидным выводом. Поставил тег «опционы»  - не очень в тему, но всё же.


Простейшая задача (которую кстати, нужно решать чуть-ли не ежедневно) — оценить где и с какой вероятностью будет цена актива через заданное время при сохранении на рынке текущей динамики. Задачка посложнее — какова справедливая цена опциона для текущей динамики?



Решать эти задачи, да и другие, связанные с динамикой рынка очень удобно если известно распределение приращений цен. Но точное распределение приращений разумеется неизвестно — надо использовать какую-то модель.

Какие у нас вообще есть варианты:
* Эмпирическое распределение — для конкретного актива мы вычисляем что было на истории и используем это как модель для будущего.
* Нормальное (Гаусса) распределение (или лог-нормальное).
* Другие непрерывные распределения: Коши, Лапласса, Гамма (на картинке — это оно), Вейбула (в нём аж 3 параметра) и т.д.


( Читать дальше )