Избранное трейдера DR_Univestoff
Финансовое положение Советского Союза к концу Великой Отечественной войны 1941 — 1945 годов складывалось драматично. Война потребовала мобилизации всех ресурсов СССР для организации разгрома нацистской Германии. Для покрытия огромных военных расходов Советскому государству пришлось выпускать в обращение больше денежных знаков, чем это вызывалось потребностями оборота. Производство продуктов и товаров для населения сократилось, снабжение ими было нормировано, введены карточки, а следовательно образовался излишек денежных знаков, и покупательная способность их постоянно падала. В то же время в условиях повышенного спроса на продукты и на товары в связи с их недостатком резко росли рыночные цены.
Реформа 1947 года была необходима, но руководство решило не только провести замену денежных знаков, но и модернизировать саму финансовую систему, ведь реформа проводилась после Бреттон-Вудской конференции июля 1944, на которой были приняты соглашения о принципах формирования валютных курсов и о создании МВФ и Всемирного банка. Эти соглашения не были ратифицированы СССР в декабре 1945 года, хотя наша делегация активно участвовала, насколько могла, в выработке итоговых документов конференции.
Небольшая статья с ресурса http://www.talaikis.com/ о построении простой стратегии, использующую наивный байесовский классификатор при создании процесса возврата к среднему. Весь код в статье приведен на языке Python.
Это достаточно большая область исследований, но расскажем все очень кратко. Мы попытаемся найти взаимоотношение между временными сериями (в данном случае возьмем в качестве сигнала взаимный фонд XLF из финансового сектора, сдвинутый по времени на 1 день назад), а нашей целью будет фьючерс S&P500 в форме CFD. Будем входить в длинную позицию по этой бумаге при нулевой вероятности приращения. Логически нулевая вероятность ни о чем не говорит, другими словами, будем покупать возврат к среднему.
1. Получение данных
Y = read_mongo(dbase, "S&P5001440") X = read_mongo(dbase, syms[s]).shift() #готовим набор данных res = pd.concat([X.CLOSE, Y.CLOSE], axis=1, join_axes=[X.index]).pct_change().dropna() res.columns = ['X', 'Y']