Избранное трейдера xfo
В своем недавнем топике я объяснял, почему шорты лучше торговать на фьючерсе, а лонги на споте. Там же был и предложен метод, как можно, получая безрисковую ставку, торговать шорты по данным спота. Понятно, что все эти рассуждения не учитывали комиссии брокеров. И я в том топике предложил посчитать все За и Против, исходя из реальных условий. Вот и давайте проведем такие расчеты на примере моего личного счета. Что он из себя представляет?
RI – 50%
SBER, GAZP, GMKN, ROSN – по 12.5%
Si – 33%
OФЗ – 33%
Что из себя представляют приведенные %%? Это соотношение между полным лонгом по моим системам в соответствующем эмитенте по номиналу, рассчитанному по цене закрытия предыдущего дня к размеру счета, рассчитанному по тем же ценам. Так как в RI, SBER, GAZP, GMKN, ROSN торгуются по три трендовых торговых идеи, две из которых разбиваются на 2-3 торговых алгоритма с разными параметрами (у одной идеи оптимизируемый параметр один и на нем особо с портфелями не разбежишься) плюс еще в RI торгуется одна контртрендовая система с реальным таймфреймом пара часов. Поэтому в этой части портфеля полный лонг, как и полный шорт, дело нечастое (примерно по 30% времени в году). В Si торгуется одна идея с одним набором параметров, так как при среднем времени в позиции 12 с небольшим дней заморачиваться с портфелями тоже смысла большого не имеет, поэтому тут и полный лонг и полный шорт занимают примерно по 45% времени. Ну и в ОФЗ у меня банальный B&H.
Прочитал сегодня книжку Джоэля Гринблатта «Маленькая книга победителя рынка акций». Книжка и в самом деле маленькая — по объему, да и читается легко. Отзыв писать про книгу не буду здесь — сами все прочтете. Суть в другом. В этой «маленькой книге» дается простая «волшебная формула», как выбрать себе портфель акций и получать доходность выше среднерыночных. Как и почему это работает — рассказывается в книге, здесь я не буду дискутировать на эту тему.
Суть формулы простая — берем все компании из доступного списка, в США это 3500 компаний, которые отслеживают всевозможные скринеры, сортируем их по рентабельности капитала в порядке убывания. Каждой компании присваиваем рейтинг — порядковый номер в списке. Это будет рейтинг компании по капиталу. Потом этот список пересортировываем так, чтобы отсортировать список в порядке убывания доходности акции как таковой (читай, по коэффициенту P\E). Каждой компании в списке присваиваем еще один рейтинг — это будет рейтинг доходности акции. Суммируем рейтинги для каждой акции. Это и есть «волшебная формула».
Далее в портфель выбираем акции с минимальным суммарным рейтингом. В книге предлагается в портфель выбрать 20-30 акций. И предлагается проводить такую процедуру периодически с целью ротации акций в портфеле. Тут тоже есть тонкости, они расписаны в книге довольно подробно. Суть «волшебной формулы» — используя этот механизм вы будете отбирать портфель хорошие компании по хорошей цене — все как у Баффета.
Естественно, захотелось получить такой «волшебный рейтинг» для отечественного рынка акций. Результат исследований доступен по ссылке (там полная таблица, в ней порядка 140 эмитентов, можно сортировать столбцы), здесь же приведен ТОП-10.
Как я обещала, я собрала информацию об инвестиционном вычете (у него три подвида) и представляю ее в форме таблицы, чтобы было удобно смотреть.
Добрый день всем!
Такое ощущение, что визуально таблица не вся помещается. Кому неудобно смотреть таблицу, ниже идет картинками информация...
|
Положительный финансовый результат от продажи (погашении) ценных бумаг |
Сумма, внесенная на ИИС, но не более 400 тыс.руб. в год |
Положительный финансовый результат, полученный по операциям на ИИС |
Условия получения вычета |
1. Ценные бумаги находились в собственности более трех лет; 2. Ценные бумаги были приобретены с 02.01.2014 года; 3. Ценные бумаги обращаются на ОРЦБ; 4. Вы являетесь налоговым резидентом в том календарном году, в котором вы получили доход от продажи; |
Этой статьей мы продолжим улучшать результы автоматического поиска пар для торговли. Дополнительным фильтром будем использовать измерения, доступные после построения регрессии методом statsmodels.api.OLS(). Этот же фильтр будем применять к парам во время торговли.
Найденные пары проверим в Quantopian, а исходный код напишем на Python.