Опрос. Обвал когда-нибудь будет:
Да, Нет, Не знаю.
В комментариях пишите, почему вы так думаете и когда будет, если будет.

В данном посте представлю методику исследований под заголовком «генераторы альфы», дабы в последствие на нее ссылаться.

«Генераторы альфы» — серия постов, в которых стратегии проверяются на предмет наличия той самой альфы – меры эффективности управляющего.

Для понимания того, как альфу посчитать, достаточно задаться только одним вопросом: от куда есть пошла доходность на фондовом рынке?

Доподлинно известно, что не бывает на фондовом рынке доходности без риска. Не всегда этот чертяга вознаграждает инвестора, иной раз может и уполовинить его депозит, да только никуда жаждущий пенсии в 35 денег на брокерском счете от риска не убежит. Для тех, кто к риску и за километр не подойдет, придумали краткосрочные государственные облигации. Все остальные могут, с определенной периодичностью получать риск-премии – дополнительную доходность поверх безрисковой ставки.

А премий этих – видимо-невидимо.  Свои для каждого класса активов. Так поспешим же познакомить нетерпеливого читателя с ними.

Всем привет) Как вы знаете, я стараюсь в основном заходить на рынок не путем покупки отдельных акций, а через приобретение фондов на те или иные индексы.

Главный пункт, за что справедливо критикуют индексное инвестирование - в составе индекса (и соответственно фондов) помимо нормальных компаний вы покупаете попутно еще и всякий шлак, а также явные пузыри, которые могут лопнуть в любой момент. Основной индекс Мосбиржи это тоже не миновало — в нем содержатся такие компании, как: Аэрофлот, ВТБ, Киви (вложения в эти компании лично у меня вызывают ОЧЕНЬ сильные сомнения), Тиньков, ОЗОН, Фикс-прайс (они все перспективны, но ценник сейчас выглядит очень завышенным).

Казалось бы, если вы покупаете только фонды, то покупка всего это является неизбежным, хотите вы этого или нет - НО - тут нам на помощь придут альтернативные индексы.

Какие они существуют

import sqlite3 as sql
from scipy.stats import logistic
import math
import numpy as np
import numpy.random as rnd
import matplotlib.pyplot as plt
from sklearn.neural_network import MLPRegressor

sdata =[]
sql1= "select ticker, date, open, high, low, close, vol \
    from Hist_1m where ticker_id=1 order by Date;"
con=sql.connect('C:/Users/ubase/Documents/StockDB/StockDB21.sqlite')
cur=con.cursor()
cur.execute(sql1)
sdata=cur.fetchall()
con.commit()
con.close()

Ldata = len(sdata)
N = 8000 # Количество сделок
ld = 5 #Продолжительность сделки
NNinterval = 20 # Количество входов NN

# Генерация случайных чисел
rng = rnd.default_rng()
rm=rng.integers(0, Ldata, N )

class Candle:
    tr = 0
    dt = 1
    o = 2
    h = 3
    l = 4
    c = 5
    v = 6
    
cl = Candle
DataC =[sdata[i][cl.c] for i in range(0,Ldata)]

# sigmoid линейность до 0.5
def sigmoidnorm(x, alfa = 0.9, xmin = -1.3, xmax = 1.3):
    return (xmax - xmin)*((1 / (1 + math.exp(-x*2.0*alfa))) - 1.0) + xmax

x = [0.002 * i - 3 for i in range(0,3000)]
y = [sigmoidnorm(x[i]) for i in range(len(x))]


plt.plot(x,y)
plt.grid()
plt.show()

# формируем сделки.
def DealsGenL(rm,ld):
   #Lm = len(rm)
   ix = []
   x = []
   pr = []
   
   for i in range(0,N):
        if rm[i] + ld < Ldata and rm[i] - NNinterval - 1 > 0:
            delta = (sdata[rm[i]+ld][cl.c] - sdata[rm[i]][cl.c])/sdata[rm[i]+ld][cl.c]*100
            x0 = [sigmoidnorm((sdata[rm[i] - j][cl.c] - sdata[rm[i]][cl.c])/sdata[rm[i]][cl.c]*100) \
                 for j in range(0, NNinterval)]
            ix.append(rm[i])
            x.append(x0)
            pr.append(delta)
   return ix, x, pr


Ix, X, Pr = DealsGenL(rm,ld)



Ib = 0
Ie = 100

plt.plot(X)
plt.legend()
plt.grid()
plt.show()


plt.plot(Pr, label = 'Prof')
plt.legend()
plt.grid()
plt.show()


regr = MLPRegressor(hidden_layer_sizes = [30,20,15,10,5], \
                    max_iter=500, activation = 'tanh')

regr.fit(X, Pr)
Out = regr.predict(X)

plt.plot(Pr, Out, '.')
plt.grid()
plt.show()