В прошлый раз, рассматривая подбор наилучшей позы на примере продажи волатильности, сделал неверный вывод о том, что оптимальная позиция должна походить на форму распределения P. Cделал его под влиянием книги: Опционы: Системный подход к инвестициям. С. Израйлевич, В. Цудикман (см. скриншот 103 стр. из книги). Но Михаил, спасибо, поправил и подсказал, что лучшая комбинация зависит не столько от собственного прогноза P, а скорее от разности своего прогноза и рыночного. Проверим это предположение и рассмотрим несколько стратегий, для каждой найдем оптимальную позицию и сравним ее с разностью (P-Q). Стратегии предлагаю такие: продажа и покупка волатильности, направленная торговля БА и сценарный подход.

Начнем с продажи волатильности. Берем рыночное распределение Q и сжимаем его (поскольку считаем, что рынок ошибается, и волатильность на самом деле меньше):

 

Сплошная серая заливка у распределения P (наш прогноз), тонкая сплошная линия — распределение Q (прогноз рынка), пунктирная линия — разница между нашим прогнозом и рынком.

Посмотрим, какую оптимальную позицию для такого случая находит геналгоритм:
 

Видно, что профиль на экспирацию у найденной позы имеет положительный PnL как раз там, где P-Q > 0.

( Читать дальше )

Нет, это не триллер и не ужастик. Это действия Центрального банка. На заседании 15 июня ЦБ в очередной раз понизит ключевую ставку. И видимо в очередной раз снизит денежную базу. То есть ЦБ говорит банкам — «Кредитуйте под низкий %, но денег на это я вам не дам».
Интересно, есть ли разница для реального сектора под какую ставку он не получит кредит, под 0%, или под 100?
Мне представляется такая картина, приходит производитель в банк и ему говорят — «Вам под какой процент деньги не дать?»
Действия ЦБ навевают и другую картину. Крестьянин вместо того, чтобы кормить и поить свою лошадь, ограничивает ее в еде (сжимает базу), а вместо этого начинает стегать ее кнутом (снижает ставку). Интересно, далеко ли увезет его лошадь?

Денежная база РФ в широком определении в мае уменьшилась на 3,3%, в узком — на 2%11.06.2015 

Объем денежной базы РФ в широком определении по состоянию на 1 июня составил 9 трлн 201,9 млрд рублей. Об этом свидетельствуют данные, опубликованные в четверг на сайте Банка России.

На 1 мая показатель равнялся 9 трлн 520 млрд рублей, то есть за месяц он уменьшился на 318,1 млрд (3,3%).

Денежная база в широком определении включает в себя наличные деньги в обращении с учетом остатков средств в кассах кредитных организаций, корреспондентские счета кредитных организаций в Банке России, обязательные резервы, депозиты кредитных организаций в Банке России, а также облигации Банка России у кредитных организаций. Основная часть денежной базы в широком определении — наличные деньги в обращении с учетом остатков средств в кассах кредитных организаций.

Объем денежной базы в узком определении в мае также сократился — на 161,7 млрд рублей (2%), до 7 трлн 830,2 млрд на 1 июня. За период с 29 мая по 5 июня показатель вырос на 46,6 млрд рублей — до 7 трлн 876,8 млрд.

( Читать дальше )

Хочу (в очередной раз) обратить внимание трейдеров и Московской биржи на шаг между страйками в Ri и Si.
Обратите внимание: в Si между 25 дельтами помещается 11 страйков (основных, через 500 пп), в Ri — 3 (Три!!!).
Это при том что волатильность Ri — 30%, Si — 20%, т.е. не в разы отличается.
Важно это или нет. Важно!



( Читать дальше )

Окончание. Начало см. в блоге и на моем сайте.

В этой, последней части цикла разберем пример вычисления PIN с применением языка R. Кроме библиотеки PIN языка R будем использовать также библиотеку highfrequency.

Для примера автор берет сгенерированные данные, которые соответствуют формату TAQ — стандарт для акций NYSE. Данные состоят из двух наборов — временной ряд ценового котирования (sample_qdata) и сделки (sample_tdata)  и предоставляются в открытом доступе вместе с библиотекой highfrequency.

Нужно отметить что используемые данные взяты только за один торговый день. Обычно, для вычисления PIN применяют больший набор данных, не менее, чем за 60 дней, чтобы выборка была достаточной для правильного определения параметров. Наши данные нужны только для демонстрации процесса получения PIN. Библиотека PIN позволяет это сделать для выборки с любой размерностью, что позволяет применять ее и для высокочастотной торговли. Пример, приводимый здесь, может быть легко расширен для вычисления на другом временном горизонте, большим, чем один торговый день.

( Читать дальше )

Запись последнего эфира, который был во вторник. гость  Федосов Сергей Анатольевич — Совладелец Инвестиционной компании,
Координатор проекта независимых банковских аналитиков куап.ру  Ник на смартлабе — Sergio Fedosoni

В прошлой части мы рассмотрели теоретическую модель, лежащую в основе вычисления вероятности присутствия на рынке информированных трейдеров PIN. Продолжим с эмпирической реализации этой модели.

Для уменьшения пространства параметров модели, обычно предполагают, что частоты прихода ордеров на продажу ϵs и на покупку ϵb равны. В день «хорошей новости» вероятность наблюдения последовательности сделок купли и продажи соответствует:

, где B и S — число сделок купли и продажи соответственно.

( Читать дальше )

Вечером в пятницу, 05 июня, ЦБ вынес «черную метку» банку «Клиентский» (лиц. 2324), отключив его от Банковских Электронных Срочных Платежей ( БЭСП МЦИ банка России)

Предыдущий опыт показывает что подобное отключение потенциально проблемного банка, как правило приводит к последующему набегу клиентов и утрате ликвидности, с последующим отзывом лицензии в течении ближайшего месяца.

Вкладов граждан, подпадающих под АСВ, там около 11 млрд руб ;)

А концентрация вкладов внутри остальных пассивов составила более 77% на последний отчетный период.
Поэтому, невзирая на формальную обеспеченность кредитов, выданных банком юридическим лицам за счет писсивов физиков (а ничем иным банк в течении последнего года не занимался), регулятор вполне мог применить мотивировочное суждение и доначислить астрономические резервы.

( Читать дальше )

Здравствуйте, дорогие друзья!

Выпускаю одиннадцатую версию моего анализатора. В ней устранил 5 косяков (более подробно про них можно посмотреть в видео).
Добавил следующий функционал:
1.  На улыбку волатильности добавил маркера спроса и предложения. Выглядет это так:

Для меня стало намного удобнее и нагляднее.

2. Продолжаю работать над ГО, для этого я сделал следующее:
    — Лимиты по волатильности теперь рассчитываются для каждого опционного страйка отдельно (независимо), а не из одного центрального как было раньше.
    — Увеличил количество сценариев до 65.
    — Сделал панель рассчета ГО, с полями изменения волатильности и цены. Эти поля предназначены для того чтобы посмотреть как поведет себя ГО при изменении волатильности или цены которые вы введете.

( Читать дальше )

В нескольких статьях мы рассмотрим использование индикатора PIN, который представляет собой вероятность присутствия на рынке так называемых информированных трейдеров. Статьи основаны на работе  Paolo Zagaglia "PIN: Measuring Asymmetric Information in Financial Markets with R". Так как вероятность информированной торговли зависит от сделок купли и продажи в течение рабочего дня, в данном цикле мы рассмотрим весь процесс, от обработки исходных данных и вычисления вероятности информированной торговли, до определения параметров лежащей в основе математической модели. Примеры будут сопровождаться кодом на языке R.

Рост в последние годы алгоритмической и высокочастотной торговли открыл тот факт, что динамика биржевых цен сильно зависит от микроструктуры рынка. В частности, некоторые трейдеры могут иметь доступ к приватной информации о торгах, в то время как другие довольствуются только публичными новостями. Риск того, то неинформированный трейдер может в какой-то момент времени столкнуться в качестве контрагента в сделке с информированным, является одним из параметров, определяющих цену актива. Таким образом, измерение вероятности того, что контрагент владеет ассиметричной информацией, позволяет правильно вычислить цену.

( Читать дальше )