Простая скользящая средняя в алготрейдинге: анализ и применение

Войти

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

Регрессия и короткий горизонт. Сегодня проверяю метод наименьших квадратов (МНК) в регрессионном анализе. В прошлом посте я использовал его для расчёта Beta. Сейчас попробовал построить на основе того же метода предсказание поведения цены акции. В текущем варианте за основу были взяты три периода с разными длинами (лагами): от 1 до 3 дней. Период обучения модели — с января по сентябрь 2025 года. Тестовый период — с октября по декабрь. Вот какие результаты получились, стратегия «купи и держи» vs. МНК: OZPH +6.17% vs +24.2% 🟢 T +7.46% vs +19.47% 🟢 OZON +9.29% vs -6.58% 🔴 SBER +4.71% vs +1.23% 🔴 YDEX +18.78% vs +3.65% 🔴 Выводы: 1. Всё же МНК в таком формате пытается предсказать значение (величину доходности), а для торговли нам важнее направление (движение вверх или вниз). 2. Модель нестабильна: в некоторых случаях стратегия даёт значительный прирост, а в некоторых уходит в минус относительно рынка. 3. Результат сильно зависит от количества лагов (параметров), что подтверждает чувствительность модели к входным данным. 4. В расчётах я не учитывал комиссию брокера, но при реальной торговле частая смена позиций может «съесть» значительную часть прибыли. Не является индивидуальной инвестиционной рекомендацией. #технологии #python #программирование #машинное_обучение

Сравнение Beta: где мой расчет отличается от брокера. Рассчитал коэффициент Beta для нескольких интересующих меня акций и сравнил свои цифры с данными, которые публикует брокер. Вот что получилось: PLZL SBER YDEX - Тут всё совпало идеально. Поведение этих акций стабильно во времени. OZON Стал более чувствителен по отношению к индексу (моя Beta выше, чем у брокера). VSMO OZPH Тут разница отрицательная (моя Beta ниже), значит, активы стали более защитными относительно индекса IMOEX. T LKOH SFIN Небольшие изменения, в пределах статистической погрешности. В чём может быть причина такой разницы? Я вижу три основных фактора: 1) Тип цены. Я брал цену закрытия по дням. Брокер, возможно, использует немного другую цену (например, среднюю цену за сессию или ещё что то). 2) Разные периоды окна для расчёта. У меня данные только за последний год, у брокера это может быть, средняя Beta за 3 или 5 лет. 3) Методология расчёта. Возможно, брокер использует более сложную модель, например сглаживает выбросы или ещё как то предварительно валидирует данные. P.S. Так и не смог разобраться, как вытащить готовую Beta через API. Пришлось вручную копировать из веб-версии.😭 Не является индивидуальной инвестиционной рекомендацией. #технологии #python #программирование

Расчёт коэффициента Beta YDEX Начал погружаться в методы прогнозирования стоимости. Один из базовых инструментов для таких задач - метод наименьших квадратов (МН) из регрессионного анализа (область машинного обучения). На удивление я сразу нашёл практическое применение этого метода. Это расчёт Beta, эта цифра находится в раздел "Все показатели" у акций Т-брокера. Я решил попробовать рассчитаться его самостоятельно и заодно разобраться как работает метод. Что я делал: 1 Сбор данных. В описание указано "Волатильность акции к индексу IMOEX". Значит, нам нужны исторические данные акции и индекса. Я выгрузил их через API биржи за период в 1 год. 2 Подготовка данных. Рассчитал логарифмическую доходность (постепенно привыкаю к этому формату) для акции и индекса. 3 Расчёт Beta. Это самое интересное. В библиотеке numpy уже есть готовый и оптимизированный метод — np.linalg.lstsq (от англ. least squares). Всё, что нужно — это передать туда доходности. На выходе получаем коэффициенты Beta и Alpha (есть и другие технические значения, но сейчас они не в приоритете). 5 Визуализация. Построил график: красная линия на скрине — это и есть линия регрессии. Она показывает наиболее вероятную зависимость доходности акции от движения индекса. Любая прямая определяется простой функцией: y = b*x +a (да да, опять математика нам помогает🥸) , где b и есть та самая Beta. - если Beta > 1, акция более волатильна, чем рынок. При движении индекса вверх она может дать большую доходность, но при падении — принесет более существенный убыток. - если Beta < 1, то акция считается «защитной». Движение индекса влияет на неё слабее: она меньше падает в кризис, но и растет спокойнее рынка. У меня получилась Beta = 0.693, в то время как у брокера она указана как 0.7. В целом попал. На днях сделаю расчёт для других бумаг для сравнения. Не является индивидуальной инвестиционной рекомендацией. #программирование #python #технологии

Простая скользящая средняя или SMA