Data Science

Смотря на эти данные доходности MCFTR по годам так и хочется купить после падения в 2008 и 2022 и получить жирную положительную доходность за следующий год, ведь за спадом всегда следует рост, не так ли? Но что то после 2011 года роста, особо не последовало, зато в [2005, 2006] и [2015, 2016] рост был 2 года подряд, так есть ли все таки какая то зависимость между доходностью за предыдущий год и следующий?

Давайте посмотрим данные, возьмем данные по MCFTR и пройдемся по ним со сдвигом в 1 месяц, для каждого месяца возьмем 2 не пересекающихся соседних окна и таким образом составим 2 массива данных — предыдущий отрезок и следующий, рассмотрим различный размер окна.

Для нахождения взаимосвязи в данных попробуем 2 метода линейную регрессию и корреляцию:

1. Корреляция

На малом размере окна в 1-3 месяца у нас слабая положительная корреляция, на размере окна в год у нас слабая отрицательная корреляция, ну похоже мы открыли momentum и mean reversion:

window_size: 1 | Pearson: 0.1396, p=0.0227

Чтобы преуспеть на финансовых рынках, нужно качественно анализировать информацию. Чтобы качественно анализировать информацию, нужен хороший инструмент. Если вы хотите узнать про один из таких инструментов, то прочитайте эту статью. В ней мы рассказали о data science — прикладной научной дисциплине, которую активно применяют в ведущих инвестиционных домах.





Оглавление

Как анализируют финансовые рынки
Как работает data science
Почему data science эффективен
Что нужно, чтобы применять data science
Станет ли data science панацеей для инвесторов
Постскриптум

Как анализируют финансовые рынки

Перед тем как приступить к Data Science, давайте разберемся с философией анализа финансовых рынков. Для этого мы ответим на три принципиальных вопроса:

1. Зачем анализировать финансовый рынок?
2. На чем основаны методы анализа финансового рынка?
3. Почему не существует идеального метода анализа?

Обычно человек ходит по колее, но иногда система сбоит и случаются «эмм, а чё я раньше не задумывался, что можно…» и «хм, а ведь можно попробовать сделать…». В такие моменты можно выскакивать за пределы колеи и переходить в новую более интересную, выходить из зоны болотного комфорта в зону воодушевляющего дискомфорта.


Всегда ходил по колее (вернее, замкнутому циклу): математика не моё, у меня много своих преимуществ, математик не в их числе, не всем дано. И к нему прицеплялось: машинное обучение, нейронные сети, статистика и тер.вер. требуют математики – ну, значит, тоже не мое, ну значит без этого. А тут че-то осенило: а какого хрена!? Кстати, тот случай когда реклама сподвигла (назойливая реклама курсов обучения по Data Science). Сначала отмахивался, а в какой-то момент подумал: а почему бы и нет? – Да, страшно, да лень, да не уверен, что получится, да долго, да нет уверенности, что поможет и т.д. Хорошо подумал, уверенным движением руки смахнул все эти иррациональные возражения и страхи со стола и записался на курс.

Так что скоро, надеюсь, например, не буду просто пролистывать посты уважаемого А.Г., а, возможно, буду извлекать смысл.

Кстати, уже только при прочтении программы курса словил пару инсайтов применительно к фин. рынкам.

Глаза загорелись. Будет интересно.