Логистическая регрессия

Классический анализ и ML Классический технический анализ подразумевает поиск определённых шаблонов на графиках. Нельзя сказать, что это совсем не работает, но уместно процитировать Уоррена Баффета: «Я понял, что технический анализ не работает, когда перевернул графики цен „вверх ногами“ и получил тот же самый результат». В противовес ему существует высокочастотная торговля — High Frequency Trading (HFT). Это вполне рабочий метод заработка, однако он накладывает жесткие ограничения: сделки длятся доли секунд, что требует размещения серверов максимально близко к бирже. А так же отличные знания C++. Фундаментальный анализ позволяет достичь хороших результатов на длинном горизонте, но требует обработки огромного объёма данных. Однако можно использовать своего рода симбиоз в виде Machine Learning (ML). При работе с большими данными, модель способна выявить неочевидные корреляции. «Фичами» (признаками) при этом может выступать что угодно: от классических индикаторов вроде SMA до текстов новостей и спутниковых снимков танкеров в океане для оценки запасов нефти. Особенность ML заключается в том, что он находит взаимосвязи там, где человек их просто не замечает. К примеру, влияют ли значения индекса товарного канала (CCI) на акции конкретных нефтедобывающих компаний? Можно ли с уверенностью сказать, что нет или да? С помощью обработки массивов данных можно проверить тысячи гипотез и выявить те самые рабочие паттерны. Конечно, здесь есть свои сложности: подбор признаков, их валидация и выбор архитектуры модели. Тем не менее на выходе мы можем получить систему, которая на коротком горизонте (от пары дней до недель) способна давать достаточно точные предсказания движения цены. Не является индивидуальной инвестиционной рекомендацией. #стратегии #машинное_обучение #программирование

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