распределение

Индикатор Accumulation/Distribution (A/D) — это инструмент объёмного анализа, разработанный Марком Чайкином для оценки того, идёт ли в текущий момент накопление (покупка) актива или его распределение (продажа). В отличие от простого анализа объёма, A/D учитывает не только величину объёма, но и положение цены закрытия внутри дневного диапазона. За счёт этого индикатор помогает увидеть, поддерживают ли объёмы текущее движение цены или, наоборот, ему противоречат.

Принцип работы основан на расчёте так называемого коэффициента закрытия в диапазоне (Close Location Value). Он показывает, где именно закрылась цена относительно минимума и максимума бара: ближе к верху, к середине или к низу. Если закрытие произошло около максимума, считается, что в этот день преобладали покупатели; если возле минимума — продавцы.

Для каждого бара рассчитывается множитель денежного потока по формуле:

коэффициент = ((Close – Low) – (High – Close)) / (High – Low).

Если закрытие ближе к максимуму, коэффициент будет ближе к +1; если ближе к минимуму — к –1. Затем этот коэффициент умножается на объём бара. Полученное значение прибавляется к предыдущему значению A/D, формируя кумулятивную линию.

( Читать дальше )

Книга Джека К. Хатсона «Charting the Stock Market: The Wyckoff Method» — это одно из лучших современных изложений классической теории Ричарда Вайкоффа, адаптированной к практическим потребностям трейдера. Она не просто пересказывает идеи Вайкоффа о накоплении и распределении, а систематизирует их в понятную и воспроизводимую торговую модель. Хатсон, редактор журнала Technical Analysis of Stocks & Commodities, сумел сделать то, что редко удаётся последователям великих теоретиков: сохранить глубину оригинальной идеи, но изложить её языком практиков.

Основная ценность книги в том, что она возвращает к корням технического анализа — к идее, что за каждым движением цены стоит человеческое поведение и сила профессиональных участников, которые «строят» рынок. Хатсон шаг за шагом объясняет базовую структуру метода Вайкоффа: фазы накопления и распределения, закон спроса и предложения, закон усилия и результата, а также понятие «причины и следствия». Всё это не подаётся как абстрактная теория, а как конкретная схема, помогающая читать график и понимать, что происходит за кулисами. Автор подчёркивает: рынок — это не случайность и не набор сигналов, а отражение действий крупных операторов, чьи намерения можно распознать, если знать, на что смотреть.

( Читать дальше )

Цикл AMD это не торговый сетап, а система, объясняющая, как крупные игроки ловят розничных трейдеров и двигают цену к своим целям.

Цикл состоит из трёх основных фаз:

🟡 Накопление – Цена консолидируется в узком диапазоне, пока Smart Money наращивает позиции, формируя пулы ликвидности.

🟡 Манипуляция – Цена выходит из диапазона, срабатывают стопы выше или ниже экстремумов, ритейл набирает позиции из-за FOMO.

🟡 Распределение – Цена разворачивается и начинается реальное движение, так как Smart Money толкает цену к своей истинной цели.

AMD чаще всего проявляется во время открытия Лондона, Нью-Йорка или во время важных новостных событий.

Все рыночные ловушки построены на одинаковой логике. Когда поймете принцип перестанете быть ликвидностью;)

Источник тг-канал «Биткоин на кофейной гуще»

Дневные левый 3, правый 3.7.
Месячные левый 3, правый 5.2 (но я думаю он тоже 3.7, просто данных меньше и его не видно).

Это значит SkewStudentT(𝜇,𝜎,𝜈,𝜆) может быть не достаточно, если мы зафиксируем nu=3, это переоценит вероятность редких положит событий, и хотя сама по себе ошибка может быть малой, тот факт что это экстремальное событие большого масштаба, да еще и в экспоненте exp(log r) увеличит ошибку.

В идеале конечно надо что то типа SkewStudentT(𝜇,𝜎,𝜈𝑙,𝜈𝑟,𝜆) с разными хвостами, но таких вроде как нет.

Либо, зафиксировать nu=3.7, это недооценит убытки, но зато ошибка не будет увеличиваться большим масштабом события.

Добавлено:

Ошибка (относителная) для VaR, портфель из 10 акций и события раз в 10 лет, при хвосте 3 и 3.7. Дневные: ~1.22 раза, месячные: ~1.24 раза. Вполне ощутимая разница.

# Daily, typical daily log returns StudentT(0.001, 0.015)
p = 1-1/(365*10*10) # once in 10y for portfolio of 10 stocks
exp(
  quantile(StudentT(0.001, 0.015, 3), p) - 
  quantile(StudentT(0.001, 0.015, 3.7), p)
) # => 1.22

# Monthly, typical monthly log returns StudentT(0.01, 0.08)
p = 1-1/(12*10*10) # once in 10y for portfolio of 10 stocks
exp(
  quantile(StudentT(0.01, 0.08, 3), p) - 
  quantile(StudentT(0.01, 0.08, 3.7), p)
) # => 1.24

Для лог доходности акций r = log S_T/S_0 степень хвоста не зависит от периода, прибыль за день, месяц или год.

Это видно математически Pr(X>x) ~ Cx^-a — степень a сохраняется при агрегировании (суммировании), меняется лишь константа.

И на графиках log log правого хвоста > 0.97 квантили, цвет дециль волатильности (множественные линии одного цвета — когорты чтобы избежать overlapping bias). Наклон на всех периодах одинаковый.

Недавно потребовалось установить экспоненту Парето хвоста распределения вероятностей. И чтобы посмотреть насколько хорошо методы EVT работают, я сделал простой пример.
Пример: 30 сэмплов StudentT(df=4), каждый размером 20000. Определить экспоненту хвоста используя методы: Хилла, GPD, LeastSquares, CDF LogLog PLot.
Результаты ужасны: точность всех методов плюс минус километр. Я не вижу ни малейшего смысла в EVT поскольку вручную по линейке установить наклон линии на ЛогЛог Графике CDF оказывается не хуже (мне кажется даже лучше) чем специализированные методы EVT.
На графике — y — найденная экспонента хвоста, каждая линия это отдельный сэмпл, цвет метод определения, х — гиперпараметр (число точек в хвосте распределения которые использовались в расчетах). Верный результат это горизонтальная линия y=4, вместо этого мы наблюдаем, в зависимости от метода — систематические ошибки, либо дикий хаос.


Даже, мне кажется с линейкой предпочтительней, график лог лог. Поскольку ты боль менее визуально и интуитивно понимаешь что делаешь. 

( Читать дальше )

Много методов: Hill, EVT GPT, регрессия. И все с точностью километр. На графике — 30 симуляций: 30 сэмплов StudentT(df=4) 20к, для каждого сэмпла определяется df различным эстиматором (цвет линии), ось х — значение трешхолда эстиматора. 


Правильный результат — постоянная линия с y=4. Единственный нормальный результат (красные линии) это MLE полного распределения, но это именно что эстиматор полного распределение, а не Tail Estimator. Среди хвостовых эстиматоров ни одного хорошего.

EVT GPT на который я больше всего расчитывал (синии линии), вообще ничего не измеряет (но возможно я допустил ошибку и неверно его считаю, по идее он должен быть самый точный).

Подробней www.reddit.com/r/nassimtaleb/comments/1mdwqjw/huge_errors_in_heavy_tail_estimators_hill_evt_gpt/
Код gist.github.com/al6x/11e66ab92c525f2ef2c1510e6ac7a3f7

Получается неверный результат если есть ассиметричность, настоящее значение 4, но он неверно определяет как 3 для левого и 5 дле правого хвоста. Или, скорей дело не в Hill а само распределение искажает хвосты? Никто не сталкивался? код



На графике две линии должны стабилизироваться на отметке 4, а они показывают 3 и 5.

Я нашел то что искал. Распределение а) способное с достаточной точностью аппроксимировать Эмпирическое Распределение цен на диапазонах 180, 360, 720 дней б) имеющее достаточно простую форму в) с возможностью маштабировать.

Ассиметричный Гауссовской Микс из 3х компонент, отдельно для Положительных и Отрицательных изменений, с Фиксированными Нулевыми Средними. Это 8 параметров, но два из них определяются оч точно и требуют мизера данных, поэтому их можно не учитывать, остается 6 параметров, 6 сигм. Это много, но фиттинг будет на десятках лет так что данных достаточно.

Финальная подстройка — сжать/растянуть полученную модель на текущую волатильность, будет по 1-2 параметрам.

На графиках, зеленый положит изменения цен, красный отрицательные. Яркие цвета — эмпирическое, зеленый красный полутон Гауссовский Микс, бирюзовый/розовый полутона — Обобщенное Гиперболическое (добавил чисто для сравнения, оно приближает хуже и непредсказуемо, причем самую важную часть — хвост).




( Читать дальше )

Апроксимация изменений цен Гауссовским Миксом, отдельно для положительных и отрицательных изменений.

Благодарность Михаилу, что поправил алгоритм фиттинга модели для Гауссовского Микса.

Микрософт, 360 дней, зеленая положительные изменения, красная — отрицательные. Слабозеленая/слабокрасная гауссовский микс. Почти невидимая зеленая/красная — обычное гауусовское распредление.

Для каждого случая два графика, графики одинаковы и показывают P(X > x) (комплементарная CDF), но в разных масштабах, логарифмическом и линейном, на одном лучше видна голова на другом хвост.



Микрософт 180 дней



( Читать дальше )