Mr. Cat
Администратор
- 01.01.22
- 49.372
- 62.418
Другие курсы от автора:
[Надежда Семенова] Стань мастером игры Лила. Тариф Мастер
[Елизавета Буданова] Королевская осанка и молодость лица (2022)
[Анастасия Сафина, Нино Пипия] Легкие роды. Все, что нужно знать будущей маме
[Анна Дерусова] [sovanna.nails] Скорость без потери качества
[Mers academy] Мастер класс по диагностике и чип тюнингу
[Кристина Бегашева] Дети. Тариф Самостоятельный
[Марина Мищерикова] Преподаватель английского нового поколения: с нуля до...
[Елизавета Буданова] Королевская осанка и молодость лица (2022)
[Анастасия Сафина, Нино Пипия] Легкие роды. Все, что нужно знать будущей маме
[Анна Дерусова] [sovanna.nails] Скорость без потери качества
[Mers academy] Мастер класс по диагностике и чип тюнингу
[Кристина Бегашева] Дети. Тариф Самостоятельный
[Марина Мищерикова] Преподаватель английского нового поколения: с нуля до...
Алготрейдинг по науке
Алгоритмическая торговля. Научный подход
курс вебинаров с Александром Горчаковым
Программа курса вебинаров
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.
Подробнее:
Алгоритмическая торговля. Научный подход
курс вебинаров с Александром Горчаковым
Программа курса вебинаров
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.
Подробнее:
Скачать:
Для просмотра скрытого содержимого вы должны войти или зарегистрироваться.
Последнее редактирование:
