Часть 2.
В прошлой части мы подбирали такую комбинацию статистических оценок динамики акций, которая давала нам возможность стабильно выбирать портфель акций лучше среднерыночного, с показателем Шарпа на 26% выше индексного.
Мы также пробовали составлять портфель из портфелей и портфель на основе портфеля оценок, но в силу высокой линейной зависимости оценок и полученных на них портфелей друг от друга Bagging ожидаемо не дал никакого результата.
Тем не менее, этот важный этап подготовительных работ – построение портфеля (или композиции портфелей) на простых, статистических оценках дал нам некоторую отправную точку, относительно которой мы будем рассматривать эффективность всех наших последующих нововведений.

Рис. 6. Иллюстрация динамики волатильности акций США, входящих в состав индекса S&P 500.
Основную проблему стандартных методов мы видим в том, что они разработаны для стационарных стохастических процессов, в то время как любые финансовые (а зачастую природные, биологические и др.), временные ряды имеют нестационарную природу. Так, например, широко известно, что логарифмическое изменение стоимости акций является нестационарным процессом со склонностью к консолидации (кластеризации) волатильности.

Друзья!
Добил модуль консенсус прогнозов. И скорее всего он будет включен в следующий инвестиционный бюллетень.
Кроме расчёта самих консенсус прогнозов с учетом вероятности их исполнения (писал в прошлый раз https://smart-lab.ru/blog/534364.php), я добавил часть, в которой смешиваются исторические данные по ожидаемой доходности с консенсус прогнозами с учётом разных степеней доверия для каждого из показателей.
Вот так это выглядит в табличке (описание столбцов описывает суть расчётов)

Также я добавил расчёт ожидаемых доходностей по Security Market Line (SML), чтобы было удобнее сравнивать бумаги, которые интереснее взять в портфель, а для каких лучше купить ETF

Ниже представлено сравнение статистики торгового счета и индекса МосБиржи с 1 февраля 2016 г. Среднегодовая доходность стратегии составила 16,93%.

AFLT если за 22-24 апреля цена пробивает 98.50, то покупка с целями 103.05 и 105.99-6.75.

Я потихоньку продвигаюсь к оптимизациям инвестиционных портфелей с использованием консенсус прогнозов инвестиционных домов.
Я оптимизировал сбор информации по инвестиционным прогнозам, и теперь практически в полном автоматическом режиме собирается и анализируется информация, которая предоставляется инвестиционными домами и агрегируется в удобном виде для анализа. Источником самих прогнозов является BCS-express.
Так, например, выглядит информация по прогнозам на акции LKOH: (скриншот из BCS)

Конечно, не обходится без определённых допущений. Например, в данных БКС нет информации о дате к которой дается прогноз. Поэтому первым этапом, я считаю, что он дан на 1 год с даты выдачи прогноза. Вторым этапом я независимо друг от друга ищу два медианах значения среди таргетируемых цен и полученных сроков. Таким образом получаю нескорректированный консенсус прогноз по конкретному эмитенту


В задачах оценки бизнес проектов, прогнозирования спроса, определения справедливой цены опциона или портфельного инвестирования, так или иначе, возникает проблема адекватной оценки рисков. Обычно за риск принимается простое, выборочное среднеквадратичное отклонение, для которого хорошо разработан аппарат математической статистики, позволяющий прогнозировать критические показатели, например просадки, и проводить стресс-тесты в предположении центральной предельной теоремы, то есть в предположении узкой стационарности наблюдаемых процессов.
Однако, мы зачастую имеем дело с абсолютно другими, нестационарными процессами. Не стационарность процесса может быть вызвана как нелинейным синергетическим эффектом (реклама и «сарафанное радио», мода, политические выборы, революции и пр. самоорганизации), как множественностью состояний системы (тренд/флэт), так и просто некоторой инерцией системы, связанной, например, с задержкой принятия решений основными игроками.