Несколько слов о том, как разрабатывается библиотека и как сообщество влияет на разработку Os.Engine. Поговорим о процессе выбора задач для приоритетной разработки. Ведь на это могут влиять пользователи библиотеки! И в этой статье я покажу, как это делать!

Идём на страницу проекта: os-engine

Пролистываем пафосные тексты вниз и в нижней части страницы находим таблицу «Стек задач проекта». По ней всегда можно понять, чем мы заняты сейчас и что будем делать в ближайшее время:

Несколько лет, команда профессиональных программистов трудилась над созданием универсального МТС билдера, который бы смог удовлетворить потребности самого широкого круга пользователей. От создания неспешных роботов на индикаторах, до сложнейших межбиржевых арбитражеров способных в два клика строить свои индексы. И нам это удалось!

В ноябре 2016 года мы приняли решение сделать проект полностью открытым.

Качаем по ссылке:o-s-a.net/os-engine.html

Коротко о том, что там есть:
1. Мощнейший слой создания роботов, похожий на Велс/Тс Лаб. Который можно освоить в кратчайшие сроки. 

2. Около 30 встроенных роботов готовых к модернизации и торговли. Тренд, КонтрТренд, Арбитраж. 

3. Os.Robot:
a. Индекс Билдер подключенный к роботу. Позволяющий писать арбитражеров в 200 строк.
b. Подключения: Квик, СмартКом, Плаза 2, Interactiv Brokers, Финам(для получения данных)
c. МультиКоннект с одновременным подключением к нескольким источникам.
d. МультиИнструментные стратегии с одновременным доступом из робота к множеству инструментов и индексов. 

Совет директоров Qiwi утвердил выплату дивидендов в размере $0,22 на акцию.
Дата закрытия реестра для получения дивидендов — 5 декабря 2016 года,
Компания намерена выплатить дивиденды 6 декабря 2016 года

«ГАЗПРОМ НЕФТЬ» НЕ БУДЕТ ПЛАТИТЬ ПРОМЕЖУТОЧНЫЕ ДИВИДЕНДЫ, ОЖИДАЕТ «СЕРЬЕЗНОГО РОСТА» ПО ИТОГАМ 2016Г – CFO

Давайте продолжим наблюдение за ударниками чистоприбыльного производства по итогам 9 месяцев 2016 года.

• Газпром
• Роснефть
• Сбербанк
• ЛУКОЙЛ
• Новатэк
• ГМКНорНикель
• Сургутнефтегаз
• Магнит
• ВТБ
• Газпром нефть

Статья из блога Robot Wealth.

Продолжая мои исследования в области моделирования временных серий, я решил изучить авторегрессивные и условные гетероскедатичные модели. В частности, я взял авторегрессивную модель ARIMA и общую авторегрессивную гетероскедатичную модель GARCH, так как на них часто сылаются в финансовой литературе. Далее следует описание того, что я узнал об этих моделях и основной процесс нахождения их параметров, а также простая торговая стратегия, основанная на предсказаниях полученной модели.

Сначала дадим несколько необходимых определений. Я не хочу воспроизводить всю теорию целиком, ниже дан краткий обзор моделирования временных серий, в частности ARIMA и GARCH моделей:

В первую очередь, вычисление ARIMA и GARCH моделей это способ узнать, при каких прошлых наблюдениях, шуме и дисперсии временной серии возможно предсказать следующее значения этой серии. Такие модели, параметры которых правильно установлены, имеют некоторую предсказательную способность, предполагая, конечно, что эти параметры остаются постоянными на некоторое время для данного процесса.

• Фиксированная процентная ставка
• Понятная доходность
• Защита капитала от потерь (до 1.4 млн. рублей)
• Отсутствие необходимости активно управлять позицией

Доклад «Оптимизация портфеля алгоритмических стратегий»

1. Введение

В чем состоит цель подобной оптимизации? Представим, что у нас есть набор алгоритмов, каждый из которых обладает некоторыми статистическими свойствами, из которых наиболее важными для нас являются доходность и максимальная величина просадки. В основе каждого из алгоритмов лежат разные стратегии, которые, тем не менее, могут быть коррелированы между собой в разной степени, торговля также может вестись на разных инструментах. В качестве примера приведу характеристики стратегий, которые были разработаны нашей командой и применяются в боевых торгах в настоящее время:

Так как свойства каждого из алгоритмов отличаются, возникает проблема: каким образом распределить между ними доступный капитал для того чтобы:

1. Максимизировать доход при заданном уровне риска ( то есть максимальной величине просадки)

2. Минимизировать риск при заданной доходности

Если дать, например равные доли капитала каждому алгоритму, то, очевидно, что такое распределение не будет оптимальным, так как мы не учитываем характеристики, присущие стратегиям. Не будет оптимальным и тот случай, когда мы, например, выделяем капитал пропорционально относительной доходности каждого алгоритма, здесь мы игнорируем значения волатильности, то есть риска, стратегий.

2. Модель Марковица

Задачу оптимизации попробуем решить, применив теорию оптимального портфеля, разработанную Марковицем, точнее некоторые последующие ее модификации. Обычно данная теория применяется для долгосрочного инвестиционного портфеля, состоящего из различных активов, например акций. Кратко  суть теории.

Полезная статья с сайта www.quantinsti.com о тесте на коинтеграцию, применяемому в парном трейдинге.

Как вы знаете, для реализации стратегии парного трейдинга необходимо проведение тестов на коинтеграцию используемых инструментов, и для этой цели часто применяют дополненный тест Дики-Фулера (ADF). Тем не менее, при поиске критериев коинтеграции, ADF не стоит в первых рядах. Скорее, его можно найти по запросу «тестирование на единичный корень (unit root)».

Казалось бы, легко взять книгу по временным сериям и научиться ADF, но эта задача на деле не так проста.Необходимо прочитать не менее 6 глав об анализе временных серий перед тем, как понять различные способы применения ADF в контексте статистического арбитража.

Если вы хотите изучить тест подробно, то прочитайте статью по следующей ссылке: http://robotwealth.com/exploring-mean-reversion-and-cointegration-part-2/