Один из важных параметров, который трейдер, желающий использовать описываемые в этой главе концепции, должен ввести, — это волатильность. Существует два способа определения волатильности. Первый — использование оценки на основе рыночных данных — дает подразумеваемую волатильность. Модели ценообразования опционов, представленные в этой главе, используют волатильность в качестве одного из своих входных параметров для получения справедливой теоретической цены опциона. Подразумеваемая волатильность основывается на предположении, что рыночная цена опциона эквивалентна его справедливой теоретической цене. Волатильность, которая дает справедливую теоретическую цену, равную рыночной цене, и есть подразумеваемая волатильность. Второй метод расчета волатильности основывается на использовании исторических данных. Полученная таким образом историческая волатильность определяется фактической ценой базового инструмента. Хотя волатильность в качестве входного данного в модели ценообразования опционов [c.152]
Это подводит нас к изучению статистических данных. Насколько надежны исторические данные при построении прогнозов на будущее Трейдеры, торгующие с финансовым рычагом, или маржей, зачастую избыточно доверяют статистическим данным. Дело не в самих статистических данных. Существует логика, в соответствии с которой торговые сделки показывают смещение в использовании инструментов. Допустим, предшествующие 100 сделок давали 75 процентов выигрышей и 25 процентов проигрышей. Насколько эти числа дают нам уверенность в том, что из последующих 100 сделок 75 процентов опять будут выигрышными Ниже приводится шокирующая статистика, которая многим покажется несоответствующей действительности. Если мы исключим смещение, вероятность того, что из 100 сделок 75 процентов окажутся выигрышными, составляет лишь 31,25 процента. [c.152]
Существует большая разница между торговой прибылью в реальном мире и фиктивным историческим отчетом, рожденным на свет виртуальными сделками с использованием исторических данных. [c.142]
Существенным преимуществом теории вероятностей, которая широко используется при применении количественных методов анализа риска, является многовековой исторический опыт использования вероятностей и логических схем на их основе. Однако, когда неопределенность относительно будущего состояния объекта исследования теряет черты статистической неопределенности, классическая вероятность как измеримая в ходе испытаний характеристика массовых процессов становится неактуальной. Этот факт, а также вывод о нерациональности проведения вероятностных расчетов на основе аналоговых данных, сделанный выше, говорят о необходимости использования субъективных неклассических вероятностей. Отметим, что для ЛПР или инвестора расчеты, основанные на умозаключениях экспертов, более прозрачны по сравнению с расчетами, основанными на статистических исследованиях. Кроме того, их можно корректировать в любой момент в течение жизненного цикла проекта. Это позволит обеспечивать участников проекта актуальной информацией для своевременного управления рисками проекта. [c.21]
Преимущество использования исторических данных, если они достоверные, очевидно и доказуемо. [c.46]
В конечном итоге живучесть модели оценки финансовых активов в качестве модели, используемой по умолчанию для оценки риска в условиях реального мира, оправдывается не только ее интуитивной привлекательностью, но и тем, что даже с помощью более сложных моделей не удалось внести существенный вклад в оценку ожидаемых доходов. По-видимому, наиболее эффективным способом обращения с риском в современных корпоративных финансах является рациональное использование модели оценки финансовых активов без чрезмерной опоры на исторические данные. [c.105]
В целом, оценки премий за риск отличаются у различных пользователей в зависимости от используемых временных периодов, выбора ставки по казначейским облигациям или векселям в качестве безрисковой ставки и использования арифметических или геометрических средних. Воздействие этих выборов показано в таблице 7.3, где использованы доходы за период с 1928 по 2000 год. Заметим, что премии могут колебаться в интервале 4,5-12,67% в зависимости от сделанного выбора. В действительности, эти различия обостряются из-за того, что многие используемые сегодня премии за риск были оценены на основе исторических данных 3-4 года или даже 10 лет назад. [c.212]
В модели САРМ коэффициент бета инвестиции это — риск, который инвестиция добавляет к рыночному портфелю. В модели АРМ и многофакторной модели коэффициенты бета инвестиции должны быть измерены относительно каждого фактора. Существуют подходы, предназначенные для оценки этих параметров. Один из таких подходов — это использование исторических данных о рыночных ценах для конкретной инвестиции. Второй подход связан с оценкой коэффициента бета на основе фундаментальных характеристик инвестиции. А третий подход использует данные отчетности фирмы. [c.238]
Есть простая причина полагать, что прогнозы аналитиков относительно роста должны быть лучше, чем использование исторических темпов роста. Аналитики, помимо исторических данных, могут воспользоваться пятью другими типами информации, которая может оказаться полезной при прогнозировании будущего роста. [c.371]
Измерение риска для реальных активов в моделях оценки активов. Даже если допускается, что риск реального актива — это его рыночный коэффициент бета в САРМ или факторные коэффициенты бета в АРМ, то в связи с измерением и использованием этих параметров риска возникает несколько проблем, требующих рассмотрения. Для того чтобы получить некоторое понимание проблем измерения, связанных с недвижимостью, рассмотрим стандартный подход к оценке коэффициентов бета в модели оценки финансовых активов для торгуемых на бирже акций. Во-первых, цены на акции выясняются на основе исторических данных, а доходность рассчитывается на интервальной основе (т. е. за день, за неделю или за месяц). Во-вторых, чтобы получить коэффициент бета, эта доходность акций вычисляется в сопоставлении с доходностью индекса акций за тот же период времени. Для недвижимости эти этапы не столь просты. [c.979]
Второй подход заключается в том, что орган банковского надзора выносит мотивированное суждение о состоянии кредитной организации, основываясь на всестороннем анализе всей доступной информации о ней, а не только на системе формальных показателей. Это требует от специалистов высокой ответственности, глубокого понимания сути банковской деятельности как в целом, так и в отдельных ее проявлениях. При этом "анализ исторических данных признается недостаточным для оценки перспектив. В качестве важного "нового" аспекта развития инструментария надзора выделяется усиление внимания к вопросам достоверности банковской информации. Повышается актуальность использования в целях банковского надзора методов экономико-математического моделирования" 4 . [c.6]
Существовали и несколько иные аргументы против теоретического (дедуктивного) подхода к анализу цикла. Например, называлась неспособность теории объяснить многие важные факты и как следствие неизбежность прибегать к различного рода дополнительным экзогенным ограничениям и/или корректировать базисные положения фундаментальной теории — теории равновесия Более того, очевидным аргументом в пользу эмпирического подхода и следовательно использования исторических данных являлось признание того, что колебания порождаются большим числом далеко не всегда окончательно установленных факторов. [c.747]
Требуется упорядоченная методика оценки поведения исследуемых показателей, т.е. в случае торговых систем — тестирование на длительных выборках исторических данных совместно с использованием статистической обработки данных для оценки способности системы эффективно действовать в будущем и на других выборках данных. [c.15]
Для моделирования поведения некоторого метода входа или выхода требуется проведение тестов с использованием этого метода на данных о прошлом поведении рынка. Следовательно, для начала требуются чистые, надежные исторические данные. [c.20]
Недостатками краткосрочных временных масштабов являются необходимость получения данных в реальном времени, накопления исторических тиковых данных, применения высокопроизводительной аппаратуры с огромным объемом памяти, использования специальных программ и большое количество времени на занятия собственно торговлей. Необходимость в производительном компьютере с большим объемом памяти возникает по двум причинам (1) при тестировании системы будут использоваться колоссальные объемы данных (2) программы, управляющие системой, ведущие сбор данных и строящие графики, должны работать в реальном времени, не пропуская ни одного тика. И база исторических данных, и программы, способные справиться с такими объемами, необходимы для разработки и тестирования систем. Реальная работа требует поступления данных в реальном времени, и хотя сейчас мощные компьютеры вполне доступны по цене, специализированные программы и банки исторических тиковых данных недешевы. Оплата данных в реальном времени — также заметный и постоянный расход. [c.24]
В моделях множественной линейной регрессии при увеличении количества параметров регрессии (бета-весов) по отношению к размеру выборки увеличивается степень вредной подгонки и уменьшается достоверность результатов модели. Другими словами, чем выше степень подгонки под исторические данные, тем сложнее добиться статистической значимости. Исключением является случай, когда повышение результативности модели, вызванное подгонкой, компенсирует потерю значимости при добавлении параметров. Оценка степени ожидаемого снижения корреляции при использовании данных вне выборки может производиться напрямую, исходя из объема данных и количества параметров корреляция снижается с увеличением числа параметров и увеличивается с рос- [c.73]
При работе с нейронными сетями опасения относительно излишнего обучения, или генерализации, соответствуют опасениям относительно излишней подгонки под исторические данные. Если выборка достаточно объемиста и представительна, повышается вероятность отражения в найденных оптимальных параметрах реальных характеристик рынка, что полезно для реальной работы системы. Если же выборка мала, модель практически гарантированно будет настроена на особенности выборки, но никак не на особенности рынка в целом. Для нейронных сетей успех генерализации означает то же, что для других систем, — устойчивость в будущем и также сильно зависит от размеров выборки, использованной для обучения сети. Чем больше выборка или чем меньше количество весов связей (т.е. параметров), тем выше вероятность удачной генерализации. Это также можно доказать математически путем разбора несложных примеров. [c.74]
Альтернативными показателями пригодности, лишенными некоторых недостатков общей прибыли, являются t-критерий и связанная с ним вероятность. При использовании t-критерия как функции пригодности (вместо простого поиска наиболее выгодного решения) смысл генетического развития систем состоит в создании систем с максимальной вероятностью прибылей в будущем или, что то же самое, с минимальной вероятностью прибылей, обусловленных случайностью или подгонкой под исторические данные. Этот подход работает весьма хорошо t-критерий учитывает прибыль, размер выборки данных и количество совершенных сделок. Хотя все факторы важны, все же, чем больше сделок совершает система, тем выше t-показатель и больше вероятность устойчивости в будущем. Таким же образом, системы, которые дают более стабильные сделки с минимальным разбросом, будут иметь лучший t-показатель и предпочтительнее систем, где разброс сделок велик. T-критерий включает в себя многие из параметров, определяющих качество торговой модели, и сводит их в одно число, для оптимизации которого можно применить генетический алгоритм. [c.85]
Подгонка под исторические данные является значительной проблемой при использовании нейронных сетей. Следует обращать внимание на любой метод, способный уменьшить общее количество свободных параметров без потери важной информации, например тщательную предварительную обработку и сжатие информации. [c.281]
ГА будут искать в чрезвычайно большом множестве решений наилучшую модель входа, которая может быть получена для определенных данных и шаблонов правил. Количество правил для каждой модели будет ограничено во избежание подгонки под исторические данные. Данная задача сводится к поиску оптимальных наборов чисел. Без использования ГА такой массированный поиск решений был бы практически невозможен и неразумен в любом смысле. Конечно, вместо ГА всегда можно осуществить лобовую оптимизацию — особенно, если вы располагаете несколькими тысячелетиями на проведение этой работы. В качестве другой альтернативы можно воспользоваться эмпирическим поиском оптимальных правил, т.е. попытаться найти наилучшие правила с помощью наблюдений, однако этот подход не обязательно позволит максимизировать такую сложную функцию, как соотношение риск/прибыль. ГА обеспечивают эффективный способ выполнения очень больших поисков, особенно когда нет простых эвристических методов решения данной задачи. [c.285]
При правильном использовании ГА избыточная оптимизация (подгонка под исторические данные) не является серьезной проблемой, несмотря на оптимизационную мощь генетических алгоритмов. [c.306]
Вышеприведенные тесты продемонстрировали ряд важных фактов. Во-первых, нейронные сети вне пределов выборки продемонстрировали меньшую устойчивость, чем генетически разработанные правила. Это, несомненно, связано с большим числом параметров в нейронной сети по сравнению с моделями на основе правил. Иными словами, нейронные сети страдали от избыточной подгонки под исторические данные. Кроме того, было показано, что добавление сложного сигнала выхода, будь то нейронная сеть или набор правил, полученных с помощью генетической эволюции, может значительно улучшить стратегию выходов. При использовании более устойчивых генетических правил полученные преимущества сохранились и при работе вне пределов выборки. [c.376]
Ba ktesting - процесс оптимизации торговой стратегии на основе использования исторических данных и [c.59]
Первый вопрос, который надо гадать, является ли покачанная в брошюре торговая практика реальноЯ или теоретической. Существует большая рачни-ца между торговой прибылью в реальном мире и фиктивным историческим отчетом, рожденным на свет виртуальны ми сделками при использовании исторических данных. [c.142]
Рассчитанные примеры приводят к выводу, что коррекции открывают прибыльные возможности торговли на дневной основе. Правила входа, правила выхода и правила повторного входа рассчитаны с использованием всех имевшихся в нашем распоряжении знаний. Однако потребуется намного больше тестов на исторических данных, чтобы подтвердить эти правила для различных продуктов и альтернативных структур времени. Заинтересованные инвесторы могут индивидуально осуществить тесты, необходимые для точной настройки наших общих стратегий, используя пакет программ WINPHI и наборы исторических данных, приложенных к данной книге. [c.82]
Определение рыночной эффективности также связано с предположением относительно информации, которая доступна инвесторам и отражается в цене. Например, строгое определение эффективности рынка, предполагающее, что вся информация как общественная, так и частная, отражена в рыночной цене, означало бы, что даже инвесторы с достоверной инсайдерской информацией не смогут переиграть рынок. Одна из самых ранних классификаций уровней эффективности рынка была представлена Фамой (Fama, 1971), который доказывал, что, согласно информации, нашедшей отражение в ценах, возможны три уровня эффективности рынка. При низкой эффективности рынка текущая цена учитывает информацию, содержащуюся во всех прошлых ценах, подразумевая тем самым, что графики изменения цен и технический анализ, опирающийся только на исторические данные, не смогут быть полезными при обнаружении недооцененных акций. В случае средней эффективности текущие цены отражают информацию, содержащуюся не только в прошлых ценах, но и всю открытую информацию (включая финансовую отчетность и новости). Таким образом, при поиске недооцененных акций любой подход, в основе которого лежат заключения, базирующиеся на использовании и обработке этой информации, окажется бесполезным. В случае высокой эффективности, текущая цена отражает всю информацию как публичную, так и приватную, поэтому никакой инвестор не сумеет обнаружить недооцененные акции, предполагая делать это на регулярной основе. [c.148]
Весь смысл трейдиша состоит в поиске и использовании низко рисковых возможностей. Для их поиска наш ИТ использует Профиль рынка ( ПР ) который является методом отображения исторических данных по динамике рынка с целью выявления подобных возможностей. [c.150]
Мы нашли, что индекс Доу-Джонса имеет два непериодических цикла. Наиболее длинный цикл составляет 1 250 дней, или приблизительно четыре года. Второй цикл составляет 40 дней, или приблизительно два месяца. Эта информация может использоваться различным образом. Наиболее очевидный - в качестве основы для момента и других форм технического анализа. Второе использование заключается в выборе периодов для построения модели, особенно для тестирования на исторических данных (бэктестинга). [c.124]
Если мы рассматриваем однопериодную задачу, вполне логично предположить, что любая информация о спросе за рассматриваемый период имеет ценность только для данного периода. Однако обычно задача фактически является многопериодной. При этом любая получаемая информация о спросе может оказаться применимой более чем к одному периоду таким образом, чтобы определить ее ценность, надо принять во внимание, для скольких периодов экономической деятельности можно извлечь из нее пользу. Деятельность в течение одного периода может дать сведения о спросе, которые могут быть использованы для пересмотра мнения о спросе в будущие периоды. Стоит ли регистрировать спрос и делать такой пересмотр, частично, зависит от того, сколько будущих периодов предвидится. Вопрос о ценности информации в мно-гопериодном процессе будет рассмотрен в последующих главах. Здесь же мы предполагаем, что любая полученная информация применима только к одному рассматриваемому периоду ее ценность будет основываться на ее использовании только в этот период времени. Например, из прежних документов может оказаться возможным извлечь некоторые данные, применимые к планируемому периоду. При этом возникает вопрос Сколько усилий должно быть затрачено на получение и использование этих исторических данных Могут быть проведены определенные исследования рынка, результаты которых оказываются применимыми к рассматриваемой ситуации. Тогда представило бы интерес определить стоимость этих исследований. Тем не менее мы предполагаем, что информация состоит просто [c.150]
Энциклопедия торговых стратегий ориентирована на трейдеров и финансовых аналитиков, которые стремятся повысить эффективность и надежность работы на финансовых и товарных рынках. Авторы книги Джеффри Кац и Донна МакКормик, имея немалый опыт торговли на фьючерсных рынках, тщательно исследуют методы и стратегии, которые, по мнению широкой публики, должны показывать выдающиеся результаты. Их строгий анализ, основанный на тестах с использованием исторических данных по большому спектру рынков, развенчивает многие мифы и является основой научного подхода к построению разнообразных торговых систем. [c.4]
Мы предпочитаем использовать симуляторы, основанные на практике современного объектно-ориентированного программирования. Одна из причин такого выбора состоит в том, что объектное ориентирование упрощает создание нужного количества моделируемых счетов, каким бы оно ни было. Это в особенности полезно при моделировании торговой системы, управляющей целым портфелем товаров или акций, как это сделано в большинстве тестов в данной книге. Объектно-ориентированные симуляторы также хороши для построения адаптивных самооптимизирующихся систем, в которых иногда требуется использовать внутреннее моделирование. Кроме того, такие программы позволяют достаточно просто создавать метасистемы (системы, принимающие решения на основе графиков изменения капитала других систем). Например, метасистемами можно считать модели распределения активов, поскольку они динамически меняют распределение средств между отдельными торговыми системами или счетами. Хороший объектно-ориентированный симулятор может генерировать графики изменения капитала портфелей и другую информацию для создания и тестирования на исторических данных систем распределения активов, работающих на основе множественных торговых систем. Из этих соображений, а также в силу привычки большинство тестов в этой книге проведены с использованием -Trader tookit. Для того чтобы почерпнуть полезные знания из этой книги, не требуются познания в ++ и программировании. Логика любой системы или элемента системы будет подробно рассматриваться в тексте. [c.46]
Очень долгое время трейдеры занимались визуальным анализом циклов при помощи графиков, которые строились вручную на бумаге, а в последнее время — с помощью компьютерных программ. Хотя циклы можно анализировать визуально, в программах не так сложно реализовать алгоритмы определения и анализа циклов. В анализе циклов полезны разнообразные алгоритмы — от подсчета баров между максимумом и минимумом до быстрых преобразований Фурье (FFT) и спектрального анализа методом максимальной энтропии (MESA). Правильное использование таких алгоритмов — уже нешуточная задача, но на основе надежных программ для анализа циклов можно строить объективные циклические модели входа и тестировать их на исторических данных. [c.95]
Из-за природы правил, вероятно, будет различным поведение моделей при открытии длинных и коротких позиций. В связи с этим модели входа для длинных позиций найдены и проверены отдельно от моделей входа для коротких позиций. Эффективность модели оценивается на всем портфеле. Цель состоит в том, чтобы найти набор правил, которые обеспечивают наилучшую эффективность торговли всем портфелем финансовых инструментов. Процедура, используемая здесь, отличается от наших более ранних исследований (Katz, M ormi k, февраль 1997), где поиск оптимальных правил проводился на каждом рынке в отдельности — подход, в большей степени подверженный эффектам вредной подгонки под исторические данные. Напомним вывод, полученный в отношении нескольких моделей, которые были первоначально оптимизированы на индивидуальных инструментах при использовании одной модели для всех рынков без оптимизации или настройки под отдельный рынок эффективность данной модели может существенно понизиться. В нижеследующих тестах использовалась стандартная платформа ++, стандартные приказы входа и стратегия выхода. [c.289]
Выходы имеют принципиальное значение. За счет улучшения элементов управления риском и целевых прибылей можно улучшить соотношение риска/прибыли торговой системы и уменьшить ее убытки. Впрочем, полученные в вышеприведенных тестах достижения не столь высоки, как можно было ожидать. Например, хотя на двух наиболее прибыльных рынках при использовании случайного входа получена прибыль, торговля портфелем в целом была убыточной, что расходится с нашим предыдущим опытом (Katz, M ormi k, март, апрель 1998), когда прибыль при случайных входах была получена на рынке S P 500. Тогда выходы настраивались под используемый рынок, а не имели одинаковые параметры для всех рынков в составе портфеля. Эта разница может объяснить несовпадение результатов. В общем, при индивидуальной настройке компонентов системы к данному рынку можно достичь более высоких результатов, но за счет риска избыточной оптимизации и подгонки под исторические данные. Также следует отметить, что эти тесты проводились с весьма [c.358]
Она может быть определена как по историческим данным, например, < использованием моделей, учитывающих вариацию риска во времени, так исходя из предполагаемых волатилъностей (полученных на основе котирово опционов) или же на основе комбинации этих двух подходов. [c.252]
Существует вариант метода Монте-Карло, согласно которому можно не задавать какое-либо конкретное распределение для моделирования цен, а использовать непосредственно исторические данные. Подобно методу исторического моделирования, на основе ретроспективы моделируются гипотетические цены, но их последовательность не является единственной и не ограничена глубиной периода ретроспективы, поскольку выборка производится с воз-вращением, т. е. возмущение из исторических данных выбирается случайным образом, и каждый раз в выборе участвуют все данные. Эта загрузка (bootstrap) историческими данными позволяет учесть эффект толстых хвостов и скачки цен, не строя предположений о виде распределения. Это несомненные достоинства метода, который, в отличие от метода исторического моделирования, позволяет рассмотреть не какую-либо одну траекторию цен (сценарий), а сколь угодно много, что, как правило, повышает точность оценок. Недостатками загрузки является низкая точность при малых объемах выборки и использование предположения о независимости доходностей во времени. [c.271]
Неверный выбор глубины ретроспективы для статистической оценк волатильностей и корреляций или построения сценариев изменения факторе риска представляет собой общую проблему оценки рыночного риска с помс щью показателя VaR. Модели с более глубокой выборкой, т. е. с большим ис торическим периодом наблюдений, обычно демонстрируют более высокую то<-ность оценок VaR [2, 35]. В частности, Базельский комитет по банковском надзору предписывает, чтобы во внутренних VoR-моделях банков минимальна глубина ретроспективы составляла не менее 1 года (—250 дней торгов), а пр использовании схем взвешивания исторических данных эффективный перио наблюдений также должен быть не менее 1 года (т. е. средневзвешенный вре менной лаг должен составлять не менее 6 месяцев) [8]. Однако с увеличение объема выборки усиливается и запаздывание в отклике модели на резкие кс лебания рынка, что объясняется эффектом сглаживания. Как показывают ре зультаты некоторых исследований, в моменты рыночных кризисов более высс кую прогнозную точность расчета VaR могут обеспечивать модели с боле короткой ретроспективой (30-90 дней) [35], которые, однако, не могут испол зеваться банками в целях определения достаточности капитала в рамках noj хода Базельского комитета на основе внутренних моделей. [c.608]