Работающие стратегии обсуждать неинтересно. Работает себе и работает, и говорить не о чем. С неработающими дело обстоит гораздо лучше. Каждый может сказать свое мнение о том, почему не работает, как нужно и не нужно было делать, и вообще, с таким подходом, изначально ясно, что это работать никак не может.

Но, давайте о самой стратегии.
Пусть текущее состояние инструмента в каждый момент времени описывается вектором X(t)={x1(t),x2(t),...,xi(t),...,xn(t)}, где x(t) — могут быть значениями индикаторов, какими либо значениями, вычисляемыми по неким формулам, значениями, типа, да/нет, фазами Луны, если вы считаете, что Луна как-то связана с поведением инструмента. В общем, значениями чего угодно, что по вашему как-то характеризует состояние инструмента в текущий момент, и может как-то быть связанным с его поведением в будущем. На отрезке истории вектор X(t) будет принимать большое количество различных значений и образует множество состояний или пространство состояний инструмента.
Чтобы как-то получить с инструмента прибыль мы должны предположить, что в пространстве состояний имеются некоторые устойчивые области, при нахождении в которых вектора X(t) мы сравнительно безопасно можем войти в сделку, и даже получить некоторую прибыль. Наша задача в том, чтобы попытаться обнаружить такие области в пространстве состояний. Задача, в общем, не тривиальная, но решаемая методами мат. статистики. Если такие области не будут обнаружены, то, либо они отсутствуют, либо выбранные вами компоненты вектора X(t) не описывают состояний инструмента, и вам следует попробовать другой набор параметров x(t) в векторе X(t).
Если же вам удалось найти такие области, то можно попробовать сократить размерность вектора X(t), выбросив из него малозначимые параметры x(t). После этого нам надо проверить нашу модель на других отрезках истории, и если модель продолжает оставаться работоспособной, то можно переносить ее в торговую систему и готовить к работе на рынке. Если мы не занимаемся пипсовкой, то истории на ТФ 1 мин для таких прогонов вполне хватает.
Именно такой стратегией для фьючерсов Сбербанка я занимался прошлым летом, и получил вот такой результат.

( Читать дальше )

В связи с моим топиком  Фильтр Гаусса N-ного порядка как индикатор, в комментариях возник вопрос сравнения задержек фильтра Баттерворта 2-го порядка и ЕМА.
Для сравнения групповых задержек различных фильтров обычно сравнивают их отклики на единичный скачок 1(t). Это, типа, ступенька высотой 1.

На рисунке сравниваются отклики на единичный скачок 2-х фильтров с периодом 50. SMA с периодом 50 приведена здесь как калибровочная.
Из рисунка можно видеть, что групповая задержка фильтра Баттерворта при одинаковом периоде Т составляет по уровню 0.5 на ~5 отсчетов больше чем у ЕМА.
Простите, а что-же вы хотели увидеть, если фильтром Баттерворта мы обрезали ВЧ часть спектра сигнала? ЕМА плохо подавляет ВЧ компоненты сигнала, отсюда и такая нервная реакция на любой чих.
Спрашивается, а зачем тогда вообще фильтр, если он мало что подавляет?
Хотите, чтобы фильтр подавлял меньше ВЧ компонент, так уменьшите период сглаживания. Сделаем период сглаживания фильтра Баттерворта Т=25, т.е. расширим полосу пропускания фильтра.

( Читать дальше )

Представляю вам статью John Ehlers Gaussian and Other Low Lag Filters, в которой рассматривается построение фильтров Гаусса N-ного порядка и их использование в качестве индикаторов. Статья старая, ей более 10 лет, но фильтры не стареют, и статья не потеряла актуальности. Обычное применение фильтров Гаусса — это фильтрация шумов в сигналах и изображениях.
Единственное, что в статье у меня вызывает сомнение, это расчет зависимости коэффициентов полинома фильтра от периода сглаживания. Но это проверять надо, а так как я использую схожие, но другие фильтры, то делать это мне нет никакого резона.
Во всяком случае, такие фильтры являются хорошей заменой стандартных МА и существенно превосходят их по функциональности.
При использовании подобных фильтров нет смысла увлекаться фильтрами высоких порядков. Если нет особой необходимости, вполне достаточно использования фильтров 2-го, ну м.б. 3-го порядков.
Ну, и, для полноты картины, еще одна, более ранняя статья автора POLES, ZEROS, and HIGHER ORDER FILTERS By John Ehlers

Здравствуйте, мои маленькие любители дивидендов, дивииждивенцы и желающие ими стать

Если вы прочитали заголовок, наверное, он вас заинтересовал, и вы хотите узнать, что же тут написано

Спешу вас разочаровать, текста в статье будет не много, зато будет одна большая картинка, картинки все любят

Как вы, наверное, помните, я большой любитель дивидендов, старательно собираю и коллекционирую соответствующие эмитенты. Поэтому мне как-то раз очень захотелось узнать, кто, сколько раз, почему и как долго платит дивиденды на рынке РФ

Задавшись таким вопросом и не найдя удобного интерфейса на соответствующих сайтах, полез собирать крупицы информации в единое целое, в результате чего родилась большая таблица, которую я вам представляю

В таблице приведены эмитенты, которые мне показались интересными с точки зрения выплаты дивидендов, количество выплат в год, размеры выплачиваемых дивидендов, заинтересованное лицо в выплате дивидендов и история выплат с 2010 года

( Читать дальше )

Ещё до того как я познакомился с критерием Келли, я уже успел наработать собственную широкую базу риск-оценок. И вопрос отказа от этого критерия для меня был, по сути, риторическим, тем более, что Келли, как бы мы того не хотели, достаточно примитивный (упрощённый) критерий. Но прежде чем отказываться от критерия хорошо бы вообще понять что это такое, учитывая, что критерий представляет весьма простое решение сложной задачи и интересен именно этим.


Для примера возьмём игру с нулевым E, в которой выигрыши распределены равномерно, с вероятностью 50/50 и представлены множеством {+50%,-50%}. За некоторое количество повторений, например за два раунда, мы будем иметь следующее распределение финансового результата:

• 25% случаев — выигрыш 125% капитала до 2.25 (два выигрыша подряд)
• 25% случаев — проигрыш 75% капитала до 0.25 (два проигрыша подряд)
• 50% случаев — проигрыш 25% до 0.75 (один выигрыш и один проигрыш)

Рассчитав статистические моменты этого распределения легко убедиться, что средний выигрыш, как это положено, будет равен нулю, а наиболее вероятный вариант (мода) будет представлен проигрышем 25% капитала. Теперь, если варьировать ставку, можно убедиться, что с ростом ставки математическое ожидание по крайней мере не снижается, а мода, то есть наиболее вероятный исход — падает.

( Читать дальше )

Финмониторинг не обменивается данными с в автоматическом режиме ФНС!!!

— 600 тыс руб вообще не основной критерий для отправки сообщений — это миф, там много иных критериев которые могут сработать и раньше и не работать и свыше 600 тыс.

— С высокой долей вероятности ваше налоговая инспекция никогда не узнает о тех операциях, сведения о которых были направлены банком или брокером в Росфинмониторинг.


Лишь крайне ограниченный список сведений получает ФНС от Росфинмониторинга, ниже приведены эти данные


--------

ИНФОРМАЦИЯ, ПЕРЕДАВАЕМАЯ РОСФИНМОНИТОРИНГОМ В ФНС РОССИИ 

N п/п

Вид информации

Периодичность представления (обновления)

( Читать дальше )

Когда чего то не знаешь, то…………..

Промолчу про рыночных  аналитиков и специалистов ТА, это реально ограниченные люди, живут исключительно за счет чужого ума и способные «обработать» только ту информацию которую им втюхают на блюдечке с голубой каёмочкой.

Рыночные математики, это особые ………………….

Первая организованная товарная биржа была создана в Антверпене около 1460 года.

Лондонская фондовая биржа,  официально история биржи началась в 1801 г. Однако исторические корни уходят в 1571 г. Тогда королевский финансист Томас Грешем построил биржу на собственные деньги.

Франкфуртская фондовая биржа была основана— в 1585 г — торговцы на рыночной площади Франкфурта договорились об установлении единых обменных курсов валют

Амстердамская фондовая биржа является площадкой, на которой впервые были официально размещены акции, основана в 1602 г.

Парижская фондовая биржа Euronext Paris, ранее известная как Paris Bourse, была основана в 1724

( Читать дальше )

Немного упростил программы и подкорректировал описание.

1. Базовый индикатор SWT.

Базовый индикатор SWT  — предназначен для разделения и отображения трендов анализируемого финансового инструмента, а также для расчета текущего значения волатильности каждого тренда. На основе значений базового индикатора рассчитываются параметры трендов, каналов, волатильности, объемов и рисков торговли. Показания базового базового индикатора также являются основой для расчета параметров работы торгового советника (робота) SWT-метода.

В режиме по умолчанию на экране отображается картинка следующего вида:



Рис.1.1. Отображение индикатора SWT в режиме по умолчанию

По волновым трендам особого пояснения не требуется. Собственно говоря каждая волна это и есть тренд и движение волны по направлению соответствует движению рынка в рамках этого тренда. На графике в режиме по умолчанию отображаются три волны: W2, W3 и W4, значение которых будет описано ниже, а также вспомогательные линии, отображающие параметры и характер движения трендов. Дополнительно к отображаемым волнам можно также включить показ волны W1, включающей все движения рынка, более быстрые по отношению к волне W2, а также показ суммы всех волн: W1+W2+W3+W4.

( Читать дальше )

Всех с наступающим! Новых трендов вам в кривую «эквити»!
Буду краток:
— из формулы Блэка-Шоулза цены опциона call на базисный актив мы знаем, что в случайном блуждании (СБ) есть математическое ожидание;
— МО=± 0,5*дисперсия* время (всё на логарифмической линейке);
— для перевода МО на привычный нам график базисного актива нужно МО умножить на цену базисного актива (по аналогии с волатильностью);
— получается, что в СБ есть непостоянное матожидание, равное ± половине произведения абсолютного приращения цены (S*sigma) на относительное (sigma) в единицу времени;
— теперь, если наша стандартная скользящая средняя не выходит из этого диапозона, процесс с уверенность можно считать СБ или даже стохастическим (с возвратом к среднему);
Ещё раз с праздником! Успехов! Благодарю за внимание.