sharpe ratio

Всем доброго дня! 

Продолжаем рассматривать различные метрики помогающие в оптисизации и выборе алгоритмических торговых стратегий.
Сегодня у нас Deflated Sharpe Ratio. 

📈 Понимание этого коэфициета становится неотъемлемым элементом при разработке и использовании автоматических торговых стратегий. Этот уникальный инструмент может быть ключом к оптимизации алгоритмов и моделей!

Наше последнее видео посвящено Deflated Sharpe Ratio и его преимуществам:

1️⃣ Реалистичная оценка производительности: Deflated Sharpe Ration корректирует оригинальный коэффициент Шарпа, учитывая количество проведенных испытаний, предлагая более реалистичную оценку производительности стратегии.

2️⃣ Защита от переобучения: Учитывая множественное тестирование, он помогает инвесторам избежать подводных камней переобучения и добычи данных, которые часто упускаются из виду в традиционных мерах.

3️⃣ Улучшенная оценка риска: Учитывая асимметрию и эксцесс ваших стратегических доходов, он предлагает более полную оценку риска.

( Читать дальше )

Решил я чуть сменить формат видео на ютубе :)… теперь там у меня AI тетка :)

Тема видио в целом простецкая… когда лучше не использовать шарп, а когда что другое…



но куда интереснее, что видео на 95% сделано с помощью современных AI технологий… Просто полюбуйтесь как красиво она говорит… %)

В четверг (04.11.21), на волне небывалого оптимизма рынков — я вышел из всех позиций. 

Мы не знаем, чем вызван сей оптимизм, быть может ФРС залил новую порцию ликвидности, публично говоря о начале тейперинга. Быть может Пауэлл всех успокоил. Появится информация — будет тема для анализа.

Мое мнение, что оптимизм связан с промежуточными выборами в США. Появился слабый лучик надежды, что американская политическая система вылечит «левацкую бациллу» без рек крови и раскола страны. Посмотрим....

 

Давайте подведем итоги реальной работы нашей стратегии и посмотрим на результаты.

Сначала цифры, потом поговорим о том, чем реальная торговля отличается от стресс-тестов. 

Ниже выписка из моего реального счета:

( Читать дальше )

Всем привет, 

Не смотря на то, что многие люди довольно скептически отнеслись к китайской идее напрямую оптимизировать значение шарпа и подберать веса для активов используя LSTM сеть (А что так можно было?), я решил все же этот метод протестировать. 

Я не люблю всякого рода сложные подходы, поэтому я пошел в лоб, написал простую стратегию для динамической ребалансировки портфеля (только лонг) и протестировал на ней различные методы.

Для тестов были взяты следующие методы оптимизации финасового портфеля:

Классические:

• Mean-Variance
• Hierarchical Risk Parity (созданный Маркусом Лопезом де Прадо)
• Critical Line Algorithm (говаривают метод специально для оптимизации портфелей придуман)
• Efficient Frontier with nonconvex optimizer (нашел в примерах питоновского пакета, добавил для кучи)

Экзотические:

• LSTM (модель предложенная китайцами, из предыдущего поста)
• Trained LSTM (обученная модель на истории, предсказывает распределение на следующие 22 дня)

( Читать дальше )

Буквально вчера праздно копался в интернете и случайно обнаружил довльно интересный подход к оптимизации портфеля. Люди взяли простейшую нейронную сеть


На вход подается исторические данные по закрытию и доходность. На выходе получают значение весов каждой бумаги в портфеле. После чего считают шарп как функцию ошибки. Т.е. они ничего не предстказывают, а просто находят наилучшее решение для текущих данных.

Работает это все только в лонг, и как утверждают авторы лучше чем марковец. Сам подход использования сетей показался интересным. :)
Что думаете, имеет право на жизнь?

Cсылка на источник:
paperswithcode.com/paper/deep-learning-for-portfolio-optimisation

     Кто (вдруг) не в курсе — у финансовых инструментов есть не только доходность, но и риск. Более широко — риск есть чуть ли не у любого предприятия — от поездки в ЗАГС, до похода в местный кабак. Кстати, автор этих строк считает риск поездки традиционно более высокими, чем риск похода. Впрочем, я отклонился.
      Сравнивать доход от банковского вклада и прибыльность наркоторговли — непросто, надо привести всё к общему знаменателю поделив доход на соответствующий риск. Да вот только риск непонятно как оценивать. Очень специфическое вероятностное распределение — одно редкое событие (банкротство или арест соответственно) и вуаля. Как сказал бы один ливанец — хвостатое.

      В случае с относительно ликвидными финансовыми инструментами всё немного проще. Участники рынка имплементируют свои ожидания относительно риска (неопределённости) в котировки. В их волатильность, как сказали бы… (тут мне стало жутко лень и разбираться в каком веке латинское прилагательное  volatilis (летучий, летающий) трансформировалось в volatility — расхотелось, тем более что уже с утра я пью вино).

      Как и с демократией (которая, как сказал один англичанин — самое худшее, если не учитывать всё остальное), с оценкой риска через измерение волатильности проблем не мало. Игнорирование некоторых из них добавило ипотечному кризису конца 2000х годов неповторимый шарм мировой финансовой катастрофы.
      Но как и с демократией — чего то ощутимо лучшего пока не найдено (но мы пытаемся).

      В общем так — берём доход инструмента за год и делим на историческую волатильность (например аннуализированную, на основе еженедельных доходностей). Можно усугубить GARCHем и FIGARCHем (есть и такой, представляете), можно загнать в xgboost с какой-нибудь cross-sectional implied volatility..., но поверьте — историческая волатильность тоже вполне себе ничего.

      Примерно именно это и проделал, глава  департамента исследований (Economics & Strategy)  довольно крупного японского банка (Mizuho).

И как вы думаете, что получилось в случае с Биткоином (а также с индексами европейских акций и S&P500)?

По 2017 году, получается вот так:

( Читать дальше )

Sharpe Ratio — Какой должен быть у торговой системы? 

И на что лучше ориентироваться на Шарп или Profit Factor ?

Спасибо.