Есть формула расчета индекса RVI.

Вопрос:

Что такое дельта Кi?

Отмечено стрелкой.
В описании написано, что это шаг страйка. Но шаг страйка у нас const. Причем здесь тогда индекс i ?

Или имеется в виду, что это модуль разности между К0 и Кi,
то есть Abs(K0 — Ki).

Понятно что под знаком суммы весовые коэффициенты для Price(Ki).

Но что же все таки принимать в качестве дельта Ki ?

Методика расчета: fs.moex.com/files/6756/

Update: сам нашел ответ в Интернете. В описании на VIX

( Читать дальше )

Уж сколько описал Граалей, уж сколько врагов нажил ( на последнем, аж 10 человек во враги записались) и тишина. Не верят люди в простые Граали, даже пробовать не хотят.
У меня запас Граалей почти иссяк, осталось по мелочи — только совсем плохонькие и совсем никчемные, но и проще тоже не придумаешь.
Есть всем известный факт, что бумага (актив) с большей вероятностью сохраняет свое текущее состояние, чем изменяет его на противопроложное. Т.е., если бумага росла, то, скорее, и дальше будет расти. Если падала, то и дальше будет падать.
В этом легко убедиться просто глянув на абсолютно любой график — в основном актив либо растет, либо падает. Точки перелома на графике не так уж много места занимают.
Итак, смотрим на график, видим, актив растет(падает), стало быть, скорее всего, будет расти(падать) и в дальнейшем. Входим в соответствующую сделку, и ждем.
Если ошиблись, или актив пошел не в нашу сторону, закрываем сделку.
Повторяем процедуру сначала.
В результате имеем множество сделок с небольшими выигрышами и проигрышами и небольшим преимуществом выигрышных сделок. Иногда, когда мы случайно попадем в большое движение, выигрыши в сделке будут очень приличные, вплоть до нескольких процентов прибыли.

( Читать дальше )

Торговый робот должен (условно) удовлетворять следующим условиям:

 

• Совершать достаточно много сделок на интервале настройки (оптимизации).
• Показывать столь же стабильный результат вне интервала оптимизации.

 

Безусловно, эти требования ничего не гарантируют, хоть и несколько увеличивают доверие к потенциальным возможностям робота.

 

( Читать дальше )

Итак, рынок — качели. Я даже не рефлексирую на отскок особо, потому что понимаю, что сейчас вышла одна новость — отросли, завтра снова война и снова переписываем минимумы и звонят маржин-коллы.

📈Позитив Технолоджис +13% — рекордный рост за всю недолгую историю. Акция после листинга росла всего 2 дня. Остальные 24 ее сливали.
📈Газпром. Сильно не падал, но отрастает сильно. 2 позиция по размеру в моем портфеле. Пока в плюсе.
📈Тинькофф, Сбер +6%. Если для Тинька волатильность норма, то у Сбера самый лучший день с 19 марта 2020 года.
📈Русгидро. +6% Не ожидал такой прыти. Удивлен.
📈OZON +6%. Лучше конечно это купить наверное, чем VK😁
📈Роснефть +5% самый сильный рост за год

В целом, экспортеры очень сильно смотрятся на фоне рынка.
📉POLY -6%. Очень слаб Полиметалл. Я сегодня его продал. Хотя Полик все еще интересен, но сейчас есть идеи поинтереснее. 

Слабые рублевые компании и компании без дивидендов хуже рынка.
📉BSPB +1,3% Очень слабый отскок. Это и понятно, у тебя есть дешевый Сбербанк и ВТБ, зачем тебе БСП.
📉SPBE -1,5% Ну тоже тут высокие мультипликаторы, дивидендов нет, так что пока не в фокусе компания, плюс риски разрыва связей с США наверное сказываются на восприятии СПБЕ.
📉AGRO +0,5% Компания особо не падала, не была перепроданной, поэтому на фоне дешевых экспортеров к ней интереса особо нет.
📉DSKY📉MVID — рублевые перепроданные компании даже и не думают отскакивать
📉VKCO — тоже рублевая контора без дивидендов, явно сейчас не в фокусе, росла на 4%, но слили до +1,1% по итогам дня.
📉IRAO рост внутри дня доходил до 5%, но закрылись всего +1,1%.

Коллеги,
здравствуйте.

Мониторю ОФЗ.
Самые ликвидные:
— ОФЗ 26209, доха 9,9%, погашение 20 07 2022,
— ОФЗ 26230, доха 9,5%, погашение 16 03 2039.

Для временной парковки рублей, ОФЗ 26209 подходит.

Сделал график зависимости ставки ЦБ РФ от курса USD / RUB:

Между ставкой ЦБ РФ и курсом USD / RUB обратная засисимость: коэффициент корреляции минус 0,2%.
В 2014г. для поддержки рубля, ЦБ РФ подняли ставку до 17%.

Если ситуация с Донбассом всё — таки обострится, то ВОЗМОЖНО ПОВТОРЕНИЕ ПОЛИТИКИ ЦБ РФ:
резкий подъем ставки для поддержания рубля,
если такой сценарий произойдёт, это будет хорошей точкой входа в длинные облигации (ОФЗ 26230, ОФЗ 26238)

С уважением,
Олег.

По мотивам невинно убиенных топиков 30% годовых без рисков и просадок на продаже покрытых опционов Си зафиксирую итоги прошедших двух недель (хотя это и не совсем правильно делать постфактум, тем не менее).
Посыл был такой: заводим на счет 1000 usd + рублевый эквивалент (сейчас уже 79000 руб), каждую неделю в четверг продаем стрэдл на центральном страйке из недельных опционов Si, ничего не делаем, в конце недели подсчитываем прибыль/убыток с учетом изменения курса USD.
На отдельный субсчет завел 1000 usd + 25000 руб (пожадничал). Вместо ничего не делать, решил при движении Si на 500 пп продавать еще один стрэдл уже на новом ЦС.

( Читать дальше )

Сегодня совершил роловер из мартовского фьючерсного контракта в июньский, используя заявку купить календарный спред.
Вот как найти этот инструмент в QUIK:

Выставил лимитную заявку на покупку. При исполнении у меня автоматически продался мартовский фьючерс и купился июньский.
Разница между сделками = по цене заявки на куплю спреда.
Одна заявка => Две сделки.
Очень удобно.

Это работает в @Открытие Инвестиции .

Позвонил в ВТБ и услышал УГ от тех. поддержки: "Мы не планируем вводить эти инструменты"
@ВТБ брокер  — вы технологически отстаёте!!!

А, между тем, МАшек и Боллинджера хватает абсолютно для всего. Остальные индикаторы практически не несут какой-либо дополнительной информации. Это, кстати, легко показать, но для этого от читателя требуется некоторый минимум образования в области теории систем и смежных с ней ообластях, который у него отсутствует.

По плану нам осталось рассмотреть биномиальную модель  Jarrow-Rudd (Джарроу-Рудда). Данная модель, в отличие от CRR (Cox-Ross-Rubinstein) основывается на предпосылке о том, что в каждом узле биномиального дерева вероятности для цены вырасти и упать равны (50/50).

Необходимую для расчета подготовку мы уже выполнили, когда реализовывали модель CRR, поэтому начнем с того, что скопируем лист и назовем новый лист JR. На листе JR, руководствуясь вышеописанным, внесем изменения в ячейки, отвечающие за вероятности движения цены вверх и вниз (B17 и B18) — проставим там снова по 50%, как это было у нас на первом листе. Для реализации модели нам предстоит рассчитать по ней размер приращения вверх и вниз.

Формула для расчета приращения вверх выглядит так:


где r — interest rate (у нас 0), q — dividend yield (для фьючерсов тоже 0), сигма — волатильность, а дельта t — это наш временной шаг в долях года (ячейка B20). Соответственно в Spreadsheets/Excel это у нас будет:

( Читать дальше )

Итак, код обучения и прогнозирования нейросетью рыночных котировок на 5 минут.

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()

И вот результат прогнозирования:

( Читать дальше )