Финансы и Инвестиции Алгоритмическая торговля. научный подход

[Mr. Cat]

День 1
Введение:

• случайность или детерминированность;
• торговый алгоритм, как статистический прогноз будущего приращения цены;
• бинарная модель приращений цен, тренд и контртренд, оптимальный алгоритм.

Основы теории вероятностей и математической статистики «за час»:

• вероятность, как мера числовой оценки шансов появления будущих событий;
• одномерные случайные величины: функция распределения, математическое ожидание функции от случайной величины, квантили (перцентили) , стохастическое доминирование;
• многомерные случайные величины: независимость, условные распределения, задача статистического прогноза, регрессия;
• последовательности случайных величин: стационарность, автокорреляционная и спектральная функции, случайное блуждание, показатель Херста (критика);
• математическая статистика: выборка, выборочные статистики, достаточные статистики, различение гипотез, оценка параметров, параметрическая и непараметрическая статистика.

День 2
Тестирование и оптимизация торговых алгоритмов, как проверка качества статистического прогноза будущего приращения цены:

• оценка доли «успехов»;
• приведение автокорреляционной функции динамики счета к нулевому виду;
• отсев параметров по:
  • устойчивости;
  • стохастическому доминированию;
  • взаимной корреляции;
  • превосходству «доходность-риск» пассивной стратегии;
  • построение оптимального портфеля из:
    • одного торгового алгоритма с разными параметрами,
    • нескольких торговых алгоритмов на одном активе,
    • портфелей торговых алгоритмов на разных активах;
    • оценка будущей просадки счета методом Монте-Карло.

День 3
Принципы построения торговых алгоритмов:

• оптимальные алгоритмы при известном распределении будущего приращения цены;
• бинарная модель приращений цен, «кусочная» стационарность, оптимальные алгоритмы в условиях непредсказуемости точек смены отрезков стационарностей.

Модели цен:

• конкурентный рынок, условная нормальность, «кусочная» стационарность;
• кусочно-постоянная условно нормальная модель, тренды, минимаксная модель трендов;
• кусочно-марковская условно нормальная модель, тренды и контртренды;
• сильно «антиперсистентная» модель, ступенчатые тренды;

День 4
Примеры трендовых торговых алгоритмов. Часть 1.

• для кусочно-постоянной условно нормальной модели;
• для сильно «антиперсистентной» модели.

День 5
Примеры трендовых торговых алгоритмов. Часть 2.

• для минимаксной модели трендов;
• для история реальной торговли и модификаций.

День 6
Фильтрация трендовых торговых алгоритмов:

• кусочно-марковская условно нормальная модель, как основа построения «фильтра пилы»;
• «фильтры» шортов и плечей, принципы построения, особенности использования.

Примеры контртрендовых торговых алгоритмов:

• «фильтр пилы», как индикатор торговли контртренда в рамках бинарной модели приращений цен;
• maximum profit system для опционов.

День 7
Практическое занятие.

Скрытое содержимое, доступно для группы: Премиум - Купить группу

Материал может быть удален по просьбе

Для просмотра ссылок необходимо выполнить Вход или Регистрация