Профиль инвестора QuantPiLL | Тинькофф Инвестиции Пульс

Стратегия моментума Попробовал на всё том же стратегию моментума. Алгоритм технически похож на работу со скользящими средними (SMA), однако есть важные отличия. Здесь используется логарифмическая доходность для нахождения прироста или падения цены с шагом в сутки. Использование логарифмов — одна из самых интересных деталей. В первую очередь они нужны для того, чтобы мы могли просто складывать доходности разных дней и сразу получать итоговый результат. С обычными процентами так не прокатит🙃 np.log(raw_data["price"] / df["price"].shift(1)) Вообще, для меня это была не самая очевидная штука поначалу. Но в алготрейдинге это считается нормой. Да и в целом использовать логарифм даже для отслеживания доходности вашего портфеля по дням очень удобно. Далее идёт расчёт, схожий с SMA, с фиксированным окном. Затем доходность актива умножается на полученный сигнал со сдвигом на один день (чтобы бэктест был честным и не «заглядывал в будущее»). Собственно, самое интересное здесь найти оптимальное значение окна (период моментума). Тут я пошёл «в лоб» и просто перебрал диапазон до 100 дней. Выяснилось что на отрезке данных в три года лучшую доходность показало окно в 33 дня. Итоговый результат: 165% общей доходности, или около 38,4% ежегодно. В целом неплохо. На скрине как раз продемонстрировано все 100 дней только где синим цветом выделен победитель, а жёлтым убыточные значения моментума. Не является индивидуальной инвестиционной рекомендацией.

Бэктест стратегии на скользящих средних (SMA) В предыдущем посте я коротко разобрал, как строится индикатор SMA. Теперь стало интересно: а что будет, если применить его к историческим данным, то есть провести бэктест? В качестве подопытного актива я взял акции за последние 4 года. Я установил два окна — на 50 и 100 дней — и анализировал цену закрытия. Логика стратегии: Сигналы на покупку или продажу формируются путём сравнения двух скользящих средних. BUY (покупаем) — когда «короткая» SMA (50 дней) пересекает «длинную» (100 дней) снизу вверх. SELL (продаём) — когда «короткая» SMA пересекает «длинную» сверху вниз. HOLD (держим позицию) — в остальных случаях. Затем в цикле мы проходим по всем торговым дням и проверяем эти условия. Самое интересное: при нулевой комиссии брокера стратегия показала бы доходность +27% за 4 года. По графику видно, что основной прирост пришёлся на рост 2023 года. Однако цифры сильно падают если жить в реальности и учитывать комиссию 🙈. При комиссии 0,04 рубля за сделку (покупку и продажу) чистая доходность падает до +12,52%. Выводы: В целом, такие расчёты очень полезны для проверки торговых гипотез. С другой стороны, даже с учётом комиссий стратегия осталась в плюсе. Думаю кстати на pandas сделать полностью расчёт, но не осилил, в результате скатился в простой цикл😔 не является индивидуальной инвестиционной рекомендацией

Простая скользящая средняя или SMA Это базовый индикатор в алготрейдинге, позволяющий выявлять тренд. Я сделал (код на гитхабе) несколько таких индикаторов на акции , чтобы проверить, насколько он показателен. В целом, использование этого индикатора без каких-либо дополнительных инструментов бессмысленно. Если посмотреть на график, видно, что цена падает или растёт значительно раньше, чем это отражается в скользящей средней. Но это и очевидно: если бы пара строчек кода могли предугадать тенденцию рынка, мы бы все пользовались этим 🥸. Правда, есть пара торговых сигналов, основанных на скользящих средних с разными окнами, — это так называемый «золотой крест» и «крест смерти». В первом случае короткое окно пересекает длинное снизу вверх, что говорит о восходящем тренде, и наоборот: если короткое окно пересекает длинное сверху вниз, значит, мы идём ко дну.🙃 Однако на графике можно видеть, что пару раз эти тренды попадали в точку, но при этом цена акций уже успевала начать рост или падение. То есть этот индикатор всегда запаздывает. Таким образом, купить или продать вовремя на его основе не получится, но как дополнительный инструмент технического анализа понимать, как он устроен, нужно. Кстати, в pandas он считается одной строчкой кода: df["Price"].rolling(WINDOW_SIZE).mean() не является индивидуальной инвестиционной рекомендацией

💰 Депозиты Фондовый рынок в последнее время не радует… А как обстоят дела с депозитами? Увидел интересное предложение от Т-банка — 16% годовых на 13 месяцев! (не реклама 😅) Звучит неплохо, но стало интересно — насколько это реально выгодно? Давайте разберёмся на примере двух сценариев: 🌤 Идеальный — инфляция снижается, а доллар растёт очень медленно или вообще стоит на месте. ⛈ Неблагоприятный — инфляция держится на двухзначном уровне и продолжает расти, доллар тоже растёт. Судя по последнему обращению главы ЦБ Эльвиры Набиуллиной, ставка может продолжать снижаться в следующем году. Насколько быстро и сильно — пока непонятно. Инфляцию я прогнозировать не берусь, а вот курс доллара можно прикинуть через метод Монте-Карло (вспоминаем дни универа😃). Да, предсказание курсов валют — дело неблагодарное, но интересно понять, при каком курсе такое предложение остаётся выгодным. Итоги: • Прирост капитала за срок: 17,33% • Точка безубыточности: 94,68 ₽/$ • Средний курс по моделям через 13 месяцев: 88,11 ₽/$ • Средняя доходность в $: 12,25% • Вероятность быть в плюсе (доходность > 0): 67,3% Playbook можно найти в моём канале(в профиле), если хочется самому поиграть с моделями — ключевые параметры: дрейф курса и волатильность. В моём примере они были 8 и 20. В целом цифры получились интересные. В 2023 году когда так же была высокая ставка ЦБ многие смогли хорошо заработать. Стоит ли рискнуть снова?🥸 Не является индивидуальной инвестиционной рекомендацией. $USD000UTSTOM

LLM-помощник Появилась идея реализовать небольшого помощника на основе современных LLM (Large Language Models) — таких как ChatGPT, DeepSeek, Qwen, Grok, Llama. У нас есть инвестиционный портфель с определенной балансировкой. Например, классическое распределение активов может выглядеть так: 50% — акции 30% — облигации (государственные и корпоративные) 10% — золото и сырьевые товары 10% — кэш Раз в месяц мы хотим проводить ребалансировку портфеля, основываясь на внешних данных и наших инвестиционных стратегиях. Для подбора оптимальной стратегии необходимо анализировать различные данные. Одним из ключевых источников являются новости. В чем проблема анализа новостных данных? Базово — это задача NLP (Natural Language Processing — обработка естественного языка). Это сложная область, и как правило для решения задач в ней нужны хорошо подготовленные данные и правильная модель. Имел опыт работы с таким фреймворком как spacy задача заключалась к анализу на стоп слова в тексте🧐. В общем чем больше контекст тем тяжелее решить задачу. Потому для моей задачи будет проще и быстрее использовать LLM (к тому же у нас не прод решение😅). Итого: нужно проанализировать экономические новости и на их основе принять решение — стоит ли что то менять в нашем портфеле. Техническая реализация: В качестве источников данных будем использовать экономические новостные ресурсы (например, телеграм-каналы) После минимальной предобработки текста будем передавать его в LLM с подготовленным промптом, например такого: text Проанализируй следующие новости и дай рекомендации по ребалансировке портфеля: НОВОСТИ: [текст новостей] ПОРТФЕЛЬ: [структура портфеля] КРИТЕРИИ: - Оцени риски для каждой позиции - Предложи изменения в распределении активов - Обоснуй рекомендации ссылками на новости На выходе получаем готовую рекомендацию по управлению портфелем🙂.