Статью специально не готовил, просто набросал мысли…

Каждый следующий коллапс как правило никогда не похож на предыдущий. Всегда происходит что-то новое. 
Есть ряд косвенных признаков, которые давно тревожат мой ум и совсем недавно, посмотрев интервью Рон Пола, который уже ушел из конгресса и пытается донести до американцев об опасности надвигающейся беды, о коррупции в федеральной резервной системе, о спасении банков бейлаутами (bailout) во время 2008-9, о накачке денежной массыпосредством количественных послаблений, о удержании учетной ставки на минимальном уровне долгое время и т.д. Он уже стар и ему нечего терять. И старые американские политики, к слову, очень обеспокоены тем как молодые ведут дело.



Мы вот, с вами в сообществе пытаемся найти стратегию чтобы нажиться на очередном кризисе или хотя бы коррекции, но меня давно беспокоила мысль: а что будет если рухнет или пошатнется сама основа мировой экономики — Доллар? Что будет если начнется гиперинфляция? Встает вопрос не о том как заработать, а уже о том как хотя бы сохранить свои сбережения.

( Читать дальше )

Окончание цикла статей. Начало и другие алгоритмы биржевой торговли смотрите в моем блоге и на сайте.

В прошлой части мы продемонстрировали обучение модели Маркова на данных, полученных с помощью симуляции. В данной статье рассмотрим производительность модели на реальных данных. Будем тестировать трендследящую стратегию на индексе S&P500.

В большинстве задач с использованием машинного обучения требуются обучающие данные с разметкой классов (состояний). В нашем случае такой разметки нет, поэтому сначала сгенерируем классы для обучающей выборки.

Мы хотим создать трендследящую стратегию, поэтому должны выбрать участки на выборке цен S&P500, которые соответствуют восходящему и нисходящему трендам ( также можно отметить участки, где тренды отсутствуют). Можно это сделать вручную, а можно применить программу, которая автоматически расставит метки в соответствии с вашими определениями тренда.

( Читать дальше )

В этой части рассмотрим обучение модели скрытых состояний Маркова на языке R. В прошлых статьях мы изучили математическую основу модели, которая воплощена в библиотеке RHmm. Есть два способа распознавания режимов с помощью модели Маркова, первый — использование одной модели, каждое состояние которой отражает режим, в каком находится рынок. Второй способ подразумевает построение нескольких моделей, каждая из которых создана для одного режима, задача состоит в том, чтобы выбрать ту модель, которая генерирует данные, наиболее соответствующие текущему состоянию рынка. Рассмотрим оба эти способа.

 

Метод первый — одна модель с несколькими состояниями.

Для обучения модели будем использовать исходные данные, полученные симуляцией из нормального статистического распределения N(mu,sigma), где mu — медиана, sigma — среднеквадратичное отклонение. Распознавание будем производить для двух режимов — бычьего (bull) рынка, на котором наблюдается восходящий тренд и медвежьего (bear) рынка, на котором тренд нисходящий. Соответственно, сгенерируем приращение значений из двух нормальных распределений - N (mu.Bull,sigma.Bull) и N(mu.Bear,sigma.Bear). На рисунке показан результат такой генерации на 300 наблюдений, 100 первых из которых получены из бычьего распределения, 100 вторых — из медвежьего и 100 последних — из бычьего с другими параметрами mu и sigma (каждое приращение будем считать дневным):

( Читать дальше )

Расхождение между M2/ЗВР и USD/RUB ставит новые рекорды. Сейчас оно составляет 38.8 пунктов — такое расхождение впервые за всю историю наблюдений. Среднее значение 11. Предыдущий максимум был 31.2 в июне 2014.

Давненько уже написал JNA-обёртку для модуля управлением транзакций QUIK (Trans2Quik.dll). Использую её для отправки транзакций в терминал.

Решил поделиться: github.com/Enfernuz/JavaTrans2Quik

Получение информации из терминала сделано на базе проекта другого посетителя Смарт-Лаба — товарища ПВМ (ссылка на пост: smart-lab.ru/blog/216370.php).

Кто-то спросит, «зачем Java, когда проще пользоваться нативной библиотекой через C++»?
Я писал в своё время на C++, но вот никаких крупных библиотек кроме Boost и std не использовал. Т.к. я работаю Java-разработчиком, то для написания несложных алгоритмических стратегий мне проще оставаться в экосистеме джавы.

Как я заметил, очень мало трейдеров задумываются о вероятностях процессов на рынке и еще меньше понимают саму суть случайности. Хотя, казалось бы, каждый трейдер имеет дело исключительно со случайными величинами.

Поэтому коротко и по сути)

Заблуждение 1: тренды не могут быть случайными. Почему-то если сказать большинству трейдеров о случайности рынка, он возмутиться: «Нет, какой же рынок случайный! Там же есть тренды!». В этом и состоит первое непонимание.
Многие считают, что если бы рынок был случайным, то выглядел бы примерно так:


На самом деле так выглядел бы, скорее, график доходности за равные промежутки времени. А вовсе не график движения цены...
 
Посмотрите на следующие 2 графика.

( Читать дальше )

В предыдущей статье мы говорили об эффективных алгоритмах, необходимых для вычисления вероятностей и стат. распределений модели Маркова, которыми являются форвардный алгоритм и алгоритм Витерби. Форвардный алгоритм вычисляет вероятность соответствия данных наблюдения полученным моделью всем возможным последовательностям состояний. Алгоритм Витерби вычисляет вероятность соответствия данных полученной моделью одной, наиболее вероятной, последовательности.

В этом посте будет много формул, но без этого не обойтись, чтобы создать хорошую стратегию, надо разбираться в математической модели, лежащей в ее основе. Следующие части будут более приближенными к практике.

Форвардный алгоритм.

Форвардный алгоритм позволяет эффективно рассчитать функцию вероятности p(O|λ). Форвардной переменной называется вероятность генерации моделью наблюдений до времени t, и состояние j в момент времени t определяется как:

( Читать дальше )

В данном цикле статей начинаем рассматривать модель Маркова, которая находит применение в задачах классификации состояния рынка и используется во многих биржевых роботах. Статьи основаны на постах, опубликованных в блоге Gekko Quant. Также будет рассмотрены практические алгоритмы на финансовых рынках. Код в цикле приведен на языке R. Вначале будет много теории, ее надо хотя бы попробовать понять, затем разберем практические примеры.

Рабочая среда распознавания основных паттернов.

Рассмотрим набор признаков O, полученный из набора данных d и класс w, обозначающий наиболее подходящий класс для O:

( Читать дальше )

Утро доброе!

В продолжение темы банков с розничным фондированием и «нестандартными методами ведения бизнеса» 

Предлагаю Вашему вниманию взглянуть на небольшой Питерский банк из 5ой сотни, вроде ничем не примечателен, но

В последние 6 месяцев ребята решили 40% активов банка (валюты баланса) хранить исключительно в кэше — т.у. тупо наличными в кассе...
Бесплатно естественно...

При этом привлекая вклады граждан в среднем под 15% годовых — 2.5 млрд руб ровно половину 1.25 млрд составлят остаток в кассе ;)))
 

( Читать дальше )

Есть возможность слегка нажиться. IV в Ri и Si майских контрактах по центру практически одинакова. HV Ri, естественно, существенно выше, Si прайсят более-менее адекватно. Просится спред по воле