Алготрейдинг

MetaTrader 5 впервые перешагнул уровень брокера, став ядром Пакистанской товарной биржи.

Эта роль была заложена еще на стадии проектировании платформы. В ней используются высокопроизводительные базы данных собственной разработки, которые хранят в оперативной памяти обновляемые в режиме реального времени данные. Использование вычислительных возможностей современных 64-битных процессоров в сочетании с распределенной кластерной архитектурой позволяет моментально обрабатывать миллионы транзакций.

Благодаря экономичной доставке больших объемов данных от биржи до клиентского терминала MetaTrader 5 не требует высокоскоростного подключения. Все это в сочетании с графическим отображением котировок, расширенным стаканом цен с лентой сделок и встроенным алготрейдингом превосходит функционал большинства биржевых платформ.

Интеграция MetaTrader 5 с PMEX была представлена в начале 2015 года, а уже в феврале того же года появился первый брокер. И вот спустя 3 года PMEX полностью переходит на наше программное обеспечение. 333 участника биржи и любой брокер с MetaTrader 5 платформой могут работать с PMEX напрямую без сторонних шлюзов.

Эджаз Али Шах, управляющий директор PMEX

Основанная в 2005 году в Карачи, PMEX стала первым фьючерсным рынком в Пакистане. Она является единственной в стране товарно-сырьевой биржей, регулируемой Комиссией по ценным бумагам и биржам (SECP).

Приветствую!

К сожалению, к криптовалютам сейчас сильный интерес со стороны вообще всех слоев населения (сильный, относительно нормальных бумаг), потому название такое.

На деле же я демонстрировал просто метод как можно торговать в тренде, сбрасывая позиции в зависимости от «волатильности» предыдущих дней. То есть, открыли крупный лот, и если рынок идет в нашу сторону, частично фиксим профиты, если против нас, частично фиксим убытки. Цель данной операции, не получать убыток/профит на весь обьем, снижая свои риски. Грубо говоря цель в профит 5% от общей позы, реальная, но при этом можно долго сидеть в просадке до -20% и больше. А если же ставить цель закрывать 1% профита, то подобной «лесенкой» можно ее достич с меньшим риском. 

Пример, мы открыли позицию 5 контрактов по 100р и ставим стоп-лосс на 95 а тейк профит на 105. либо мы заработаем 5% либо потеряем

В случае работы «лесенкой» мы ставим цель первый контракт по 101, второй по 102 третий по 103 и тд, и такие ж стопы, первый 99, второй 98 и тд. В худшем сценарии у нас будет убыток 3% как и профит, но при этом прибыль будет варьироваться, она может быть и +0.5 и 1 и тд. как и убыток. То есть, если часть позиции закрылась в плюсе а часть в минусе в целом потери будут не такими большими как в первом случае. 

Решил начать писать небольшие заметки по алгоритмической торговле и всему что с ней связано. Возможно, когда-нибудь расширю, склею и опубликую в виде книжки. Пока же это просто наброски заметок, сделанные на скорую руку.

Можно часто слышать от тех, кто торгует алгоритмически, да и просто систематически, такие понятия как «оверфиттинг», «курвафиттинг», «зафит» и прочие ругательства с корнем «фит». Что все это значит?
На самом деле, все эти слова, как правило, используются для описания одного и того же явления, являющегося врагом всех трейдеров, торгующих систематически и пытающихся оценить исторический перформанс своих торговых логик — а именно, что «живой» аут-оф-сампл перформанс на реальном счете, как правило, хуже ожиданий, полученных ими при проверке своих идей на истории. Например, при тестировании торговой логики на истории трейдер с помощью своей модели «зарабатывал» 30% годовых, а в реале может в среднем иметь 10% годовых. Разница 20% годовых — может объясняться именно оверфиттингом (если нет других факторов — например, некорректный учет комиссионных и проскальзываний, или ошибка в торговом коде; но прочие факторы легко устранить, в отличие от оверфиттинга). На картинке в начале статьи — пример перформанса некоторого фонда в бэктесте и в реальности, наглядно иллюстрирующий написанное выше.

Оверфиттинг является следствием комбинации одного или нескольких из следующих факторов, положительно влияющих на бэктест (результаты прогонки модели на истории), что и создает у трейдера завышенные ожидания от своей модели. В этой части мы рассмотрим основные источники оверфиттинга, в следующей — поговорим о способах избежания или минимизации оверфиттинга при историческом тестировании моделей.

Результаты консервативной количественной инвестиционной модели LQI (lazy quantitative investing), о которой я писал ранее (https://smart-lab.ru/blog/384110.php), за февраль (результаты за прошлый месяц: smart-lab.ru/blog/448988.php). Месяц оказался для рынка очень непростым — «perfect storm» наблюдался во всех классах активов, которыми торгует модель, однако модели удалось обогнать оба своих бенчмарка — SPY и EQW — как в терминах ретурна, так и риска (максимальной просадки). Вот веса предыдущего месяца и соответствующие ретурны торгуемых тикеров:

weight monthly.ret
XLY 0.131 -4.51
XLP 0.142 -7.96
XLE 0.000 -10.97
XLF 0.069 -4.67
XLV 0.093 -6.02
XLI 0.112 -5.74
XLB 0.034 -6.27
XLK 0.000 -2.06
XLU 0.112 -3.88
IYZ 0.000 -5.14
VNQ 0.000 -7.55
SHY 0.000 -0.06
TLT 0.144 -2.57
GLD 0.163 -2.30

Предыдущие веса были опубликованы 1-го января, соответственно доходности приведены за период с закрытия 1-го февраля по 1-е марта. Корреляция между весами и ретурнами положительная — 0.146. Вследствие этого модель обогнала свой основной бенчмарк — EQW (equal-weighted портфель из торгуемых тикеров): -4.6% LQI vs. -5.0% EQW, то же самое для индекса S&P: -4.6% LQI vs. -5.0% SPY. В терминах максимальной просадки в течение месяца модель также была лучшей: 6% для модели vs. 7% для EQW vs. 8.6% для SPY. Невесть что, однако для тех, кто сидел в просадке 6% и в просадке 9% на хороший капитал — разница, думаю, заметна. Аутперформанс был достигнут за счет лучшей диверсификации (даже не смотря на то, что все падало), а также за счет того, что модель вышла из «кислотных» январских тикеров XLE & XLK (из XLK — зря, зато из XLE — очень не зря), и «налегла» на защитные активы (TLT, GLD, XLU, XLV, XLP), хотя два последних тоже оказались не очень защитными.

Мои результаты за январь-февраль в сравнении с индексом Мосбиржи и «Русским Баффетом» приведены в следующей таблице

Как мы видим февраль даже превзошел январь по доходности, однако и просадка больше, чем удвоилась. Собственно, почти половина этой просадки была получена в январе (точнее в 4 его последних торговых дня) и это нашло свое отражение в итогах января. Ну а вторая половина пришлась на первую декаду февраля. Вообще период с 26 января по 9 февраля был для меня крайне неудачен: из 11 торговых дней в плюс был закрыт лишь один – 1 февраля. Убытки за эти 11 дней Вы можете видеть в графе «Максимальная просадка». Однако во 2-3-й декадах февраля рынок «повернулся ко мне передом» и мой счет в очередной раз обновил исторические максимумы. Si в этом ему не сильно мешал, так как после пары неудачных попыток сыграть в лонг в первой половине февраля, был «забанен» одним из моих «фильтров». Столь удачный период позволил мне даже обойти по доходности с начала года «Русского Баффета», которому я «проиграл» по этому показателю в январе.

Продолжаю потихоньку писать программу по оптимизации долгосрочного портфеля акций. На первом этапе занялся загрузкой необходимых данных:

• Котировки — есть IIS MOEX и подробное описание запросов к нему
• Инфляция — есть регулярно обновляемый xls файл на сайте ФСГС, который можно забрать и обработать

Собственно вопрос: где-нибудь есть аналогичный публичный источник исторических данных по дивидендам?