💰 Депозиты

Логарифмическая доходность Заметил интересную особенность расчёта годовых доходностей в Т-ивестициях. Вот моя за 2022 год (весьма печальная 😅): • Январь -4,64% • Февраль +7,04% • Март -9,97% • Апрель -35,76% • Май -21,73% • Июнь -34,73% • Июль +28,77% • Август +4,05% • Сентябрь -11,08% • Октябрь +5,25% • Ноябрь -3,26% • Декабрь +3,84% И суммарно -72.22% (так показывает в мобильном интерфейсе) На первый взгляд всё верно (если суммировать по месяцам), вот только проценты нельзя суммировать в данном контексте, с математической точки зрения это ошибка. Для примера: январь +50% февраль -50% Чему равна доходность за два месяца? Выходит что нулю) Однако если взять реальные цифры: 100 рублей + 50% = 150 рублей 150 рублей - 50% = 75 рублей Итог: доходность -25% Однако есть вполне себе рабочее решение, это логарифмическая доходность. И вот как раз таки их можно складывать получая корректные значения. И если воспользоваться логарифмами, то я получу -0.9679. Это можно перепроверить в процентах, если просто последовательно складывать и вычитать именно их на любой начальной сумме. Для моего 2022 года расчет через логарифмы дает итоговую доходность -62.01%, а не -72.22%. Вопрос к @Pulse_Official расскажи поподробнее как вы считает годовую доходность? T Не является индивидуальной инвестиционной рекомендацией. #программирование #математика #python

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

Логистическая регрессия После экспериментов с МНК решил попробовать логистическую регрессию, классика машинного обучения для задач классификации. В отличие от предсказания конкретной цены, этот метод предсказывает направление движения (вырастет акция или упадет). То есть мы решаем задачу классификации, что для рынка выглядит логичнее. Для того что бы алгоритм мог на чём то обучаться, ему нужны какие то признаки бумаги. Я взял несколько разных метрик: скользящую среднюю (тут писал про неё пару постов раньше, не знаю как тут ссылку вставить), моментум, EMA и ещё парочку. Бэктест Обучение: январь 2022 — февраль 2025. Тест: февраль 2025 — февраль 2026. Вот какие результаты получились, стратегия «купи и держи» vs. "логистическая регрессия": LKOH -30.0 vs +23% 🟢 OZON +61% vs +12% 🔴 PLZL +40% vs +63% 🟢 SBER -1% vs-46% 🔴 YDEX +4% vs +16% 🟢 T -3% vs +14% 🟢 SFIN -33.% vs +58% 🟢 VSMO +8% vs 195% 🟢 OZPH 0% vs -18% 🔴 NLMK -32% vs +34% 🟢 GEMC +4% vs +9% 🟢 ALRS -33% vs +19% 🟢 MOEX -19% vs +13% 🟢 Какие выводы я сделал: 1 Есть различные метрики которые у меня не учтены, например санкций (LKOH на них сильно просел) или инсайты (SFIN). Таким образом успех на некоторых акциях, может быть следствием удачной подгонки под конкретный период. 2 В стратегии учитывается комиссия, однако нет стопов-лоссов. На примере того же SBER видно что стратегия просто ушла в минус. 3 VSMO - показал рекордные 195% доходности. Это слишком круто что бы быть правдой😅 Здесь я пока что не знаю как объяснить почему модель так себя повела. На скрие кстати именно она представлены 4 Модель не стабильная, волатильность доходности выше, чем у базового актива. Не является индивидуальной инвестиционной рекомендацией. #программирование #стратегии #python