моделирование

В марте 2022 года я сделал историческое моделирование инфляции в России в посткризисные времена. Меня этот вопрос интересовал с позиции ожидаемой доходности в ОФЗ — какова она должна быть на долгосрочном горизонте? И как оказалась на 10-летний период я был прав. После открытия торгов на дискретном аукционе доходность быстро стала стремиться к показателю 10 — 12%.

В прошлом году я уточнил свой прогноз, но подробности публиковал только на моем закрытом канале ABTRUSTOPSEC.

В этом году я ещё раз уточнил свой прогноз, и решил поделиться его данными в публичном канале. Как видно и приведенных графиков мои корректировки по итогу 2023 практически совпали с официальными данными, что не может не радовать. Естественно отсюда следует, что практически не изменились прогнозные значения 2024-2031 года.

( Читать дальше )

Доброго времени суток.

Продолжаю.

К 2021му подготовился серьезно, у меня была своя реализация исполнения, и у 2х коллег. По совокупности торговались наверное почти все идеи, которые было можно, даже довольно слабые закономерности на нефти, т.к. они сильно отличались от всего того, что уже было, портфель хотел таких систем побольше.

Торговали si, eu, ri, gd, sv, br, кучу акций, все что могли старались торговать.

Была возможность торговать достаточно широкий список ETF, инструментов принципиально отличавшихся от тех инструментов, что уже были на Московской Бирже.
Исследовал тогда

( Читать дальше )

Напишу сразу — что данная книга не для всех. Ее нельзя назвать легкой как в прочтении так и понимании. Она изобилует математическими выкладками. Я считаю себя неплохо понимающим в математике, но и для меня там много вещей, которые требуют дополнительной проработки. Большая часть книги посвящена обоснованию математической модели, которую Сорнетте предлагает использовать для поиска потенциальных кризисов. Много отсылок к различным научным обоснованиям и примерам из разных сфер деятельности человека. Вообще книга очень напоминает научный труд. После обоснований и описания раннее сделанных работ, автор демонстрирует как подбираются параметры построенной модели на исторических данных на примерах различных кризисов в США, Гонконге, Японии, и других. Есть и Россия. После определения параметров и коэффициентов, Дидье переходит к прогнозированию и достаточно подробно описывает, что стоит учитывать при построении прогнозов, и как их интерпретировать. Модель и выводы, которые делает автор, крайне интересны, но как часто бывает в таких делах, чтобы понять всю красоту и прелесть, необходимо самому повторить хотя бы часть того, что он сделал. Как говорится — пощупать на кончиках пальцев. Очень надеюсь, что у меня найдется время для более детального ознакомления с его трудом и погружения в его модель. В конечно итоге она не так уж и сложна, если сесть, разобраться и помоделировать самому.

В предыдущей теме слегка неосторожно обмолвился, что помогу желающим начать программировать на Python. Таковых желающих уже оказалось несколько человек. И выбор — либо отвечать всем по очереди и, с вариациями, почти одно и тоже, либо написать топик, почти очевиден — написать топик и ответить всем разом. Кроме того, есть вероятность, что меня дополнят и поправят.

Итак, чтобы начать работать с Python, надо установить среду Python. Для совсем начинающих я рекомендую Anaconda. В Anaconda все в одном флаконе — большинство необходимых модулей, среды разработки, документация — вам ни с чем не придется заморачиваться, сиди работай и ни о чем не беспокойся. Из сред разработки я предпочитаю Spyder — он уже изначально входит в комплект поставки Anaconda, и вам опять ни о чем беспокоиться не надо. Многие предпочитают другие среды разработки, но это их выбор.
Более продвинутые могут установить Miniconda, что я и делаю на данном этапе. Начинать и даже продолжать со среды Python я бы не советовал, но это, опять таки, мое личное мнение. Можно я больше не буду после каждой фразы писать ИМХО — ИМХО, это очевидно, а чье же еще это мнение.)

( Читать дальше )

Я уже писал, что ухожу из трейдинга временно или постоянно, пока не решу вопросы  его прибыльности и окупаемости. Не хочу, знаете ли, работать и получать за работу ниже чем то, что, мне кажется приемлемым. Лучше на диване лежать.)) Об этом я подробно писал в топиках - Жив ли трейдинг? и Объявление об уходе. В общем, чтобы вернуться к трейдингу надо решить ряд описанных в топиках проблем, чем и занимаюсь — моделирую стратегии на Python в поисках приемлемого решения.
Поднял свои уже старые нереализованные модели стратегий на Python, загружаю в них различные биржевые инструменты, и смотрю, можно ли, выгодно ли, и имеет ли смысл с ними реально работать.
Итак, представляю вам первую нереализованную интрадей стратегию на Python — ее тест на 1-м фьючерсе Si-3.22 c 15.12.21 по 09.02.22 включительно.

по Х -номер сделки, по У — накопленная прибыль в пунктах инструмента. 1 п = 1 рубь.

( Читать дальше )

Спрашивал многих — на чем вы моделируете и отрабатываете стратегии? Ответы — Луа, С #, Delphi, C++, Java, php и пр.  Хорошие языки, спору нет. Но хороши они для релиза. И лишь немногие при моделировании стратегий работают с Python.
Чем хорош Python?.. Это простота изучения — с нуля можно начать за считанные дни. Это громадные библиотеки — математические, машинное обучения, преобразования, работа с векторами и сложной графикой. Это простота моделирования — слабать стратегию можно за вечер.
Да, когда придет время релиза, придется все это переписывать на другой язык, но библиотеки можно оставить из Python — они оч быстрые, написаны на С++. Интерфейсы ко многим языкам имеются.
Для проверки ваших рыночных гипотез и моделирования стратегий переходите на Python. Чем могу, помогу. Но не обучаю, для этого книги есть- ничего сложного. По книгам и среде посоветую, для начала.

PS. Так, для справки, если покопаетесь в инете, то увидите, что NASA уже почти все пишет и моделирует на Python, и уже потом критические участки кода переводит на С++.

Когда строишь портфель, всегда интересно посмотреть, какие у него получаются показатели. Самой известной методикой, несомненно, можно считать — подход Марковица. Она прекрасна описана во многих учебниках, и по ней существует масса программ, которые позволяют легко посчитать параметры портфеля. Большинство текущих робоэдвайзеров построены именно на этом подходе. Остается только вопрос, какие активы «подпихнуть» машине, и какие ограничения выставить при оптимизации.

Основной проблемой при работе с Марковцем является нестабильность во времени показателей волатильности, ожидаемой доходности и корреляций. Всегда встает вопрос, сколько необходимо взять значений для расчетов, за какой период и т.п. Модель очень чувствительна к этим вводным, и результаты могут быть очень различны.

Если посмотреть на pic.1, где по оси Х отложена волатильность, а по оси Y — ожидаемая доходность, то каждая точка будет соответствовать одному году для индексов MCFTR, RGBITR и портфеля МСFTR/RGBITR c распределением 50/50. На нем очень хорошо виден разборс значений от года к году. Математическая статистика нас учит тому, что необходимо брать как можно больше значений, и тем самым мы получим более точные оценки ожидаемой доходности, и волатильности. Но все это может неплохо работать на очень длительных горизонтах. По-моему опыту – в лучшем случае лет 15, а так около 25. Но что, если наш горизонт короче?

( Читать дальше )

Доконал я, таки, свою Windows 10, стала еле ползать. Вначале восстановил штатной системой восстановления — не понравилось. Тогда сделал чистую установку. Вроде нормально, полетела. Поставил VS 2019, и очередь дошла до Python — что ставить?
Уже несколько лет использую Python для всех задач анализа данных и моделирования торговых систем. До того использовал разное — Excel, MathLab, SciLab, R. Python, имхо, оказался наиболее удобным и быстрым инструментом для решения всех околорыночных задач.
В свое время долго выбирал среду под Python, и, в конце концов остановился на Anaconda. Это самое оно для начинающих — все сразу сконфигурировано и готово к употреблению, уже сразу в базе ~700 пакетов, и не надо заморачиваться с их установкой. Кроме того, уже готовы к употреблению несколько сред разработки, я пользуюсь только одной — Spyder — не то, чтобы другие хуже, просто потребности не возникало.
В общем, для тех, кто только начинает работать с Python или не хочет заморачиваться с пакетами и средами, Anaconda — самое оно.
Однако, есть и недостатки. Очень большой объем на диске, долго ставится. Все 700 пакетов вам никогда не понадобятся, и по любому, позднее какие-то пакеты вам все равно придется устанавливать самостоятельно. Множество сред разработки тоже никогда не понадобятся, однако, чтобы получить общее представление о том, что есть под Python, для начальных этапов не вредно.

( Читать дальше )

Книга решений. 50 моделей стратегического мышления
Эл. книга t.me/kudaidem/2271

( Читать дальше )

Приглашаем на новый цикл открытых лекций по прикладным финансам Российской экономической школы 4 марта, 19:00 (МСК) «Что такое «зеленая» экономика и как она влияет на финансовые рынки?»  Виталий Казаков, старший преподаватель РЭШ, директор программы «Экономика энергетики и природных ресурсов» Описание лекции: «Зеленая» экономика, опирающаяся на технологии, минимизирующие антропогенное влияние человека на окружающую среду, в последние годы набирает обороты. Это происходит, потому что общество стало больше заботиться об окружающей среде или она сама по себе оказывается предпочтительным экономическим выбором на данном этапе развития? Что нам дает изменение старых и появление новых экономических и финансовых механизмов, связанных с «зеленой» экономикой, и усиление внимания к неэкономическим аспектам деятельности компаний?

( Читать дальше )