Автор: Александр Горчаков
Название: Алготрейдинг с научной точки зрения
Алгоритмическая торговля. Научный подход
курс вебинаров с Александром Горчаковым
Программа курса вебинаров
День 1
Введение:
- случайность или детерминированность;
- торговый алгоритм, как статистический прогноз будущего приращения цены;
- бинарная модель приращений цен, тренд и контртренд, оптимальный алгоритм.
Основы теории вероятностей и математической статистики «за час»:
вероятность, как мера числовой оценки шансов появления будущих событий;
одномерные случайные величины: функция распределения, математическое ожидание функции от случайной величины, квантили (перцентили) , стохастическое доминирование;
многомерные случайные величины: независимость, условные распределения, задача статистического прогноза, регрессия;
последовательности случайных величин: стационарность, автокорреляционная и спектральная функции, - случайное блуждание, показатель Херста (критика);
математическая статистика: выборка, выборочные статистики, достаточные статистики, различение гипотез, оценка параметров, параметрическая и непараметрическая статистика.
Спойлер: Описание далее
Практическое занятие.День 7
maximum profit system для опционов.
«фильтр пилы», как индикатор торговли контртренда в рамках бинарной модели приращений цен;
Примеры контртрендовых торговых алгоритмов:
«фильтры» шортов и плечей, принципы построения, особенности использования.
кусочно-марковская условно нормальная модель, как основа построения «фильтра пилы»;
Фильтрация трендовых торговых алгоритмов:День 6
для история реальной торговли и модификаций.
для минимаксной модели трендов;
Примеры трендовых торговых алгоритмов. Часть 2.День 5
для сильно «антиперсистентной» модели.
для кусочно-постоянной условно нормальной модели;
Примеры трендовых торговых алгоритмов. Часть 1.День 4
сильно «антиперсистентная» модель, ступенчатые тренды;
кусочно-марковская условно нормальная модель, тренды и контртренды;
кусочно-постоянная условно нормальная модель, тренды, минимаксная модель трендов;
конкурентный рынок, условная нормальность, «кусочная» стационарность;
Модели цен:
бинарная модель приращений цен, «кусочная» стационарность, оптимальные алгоритмы в условиях непредсказуемости точек смены отрезков стационарностей.
оптимальные алгоритмы при известном распределении будущего приращения цены;
Принципы построения торговых алгоритмов:День 3
оценка будущей просадки счета методом Монте-Карло.
портфелей торговых алгоритмов на разных активах;
нескольких торговых алгоритмов на одном активе,
одного торгового алгоритма с разными параметрами,
построение оптимального портфеля из:
превосходству «доходность-риск» пассивной стратегии;
взаимной корреляции;
стохастическому доминированию;
устойчивости;
отсев параметров по:
приведение автокорреляционной функции динамики счета к нулевому виду;
оценка доли «успехов»;
Тестирование и оптимизация торговых алгоритмов, как проверка качества статистического прогноза будущего приращения цены:День 2
Скачать:
Название: Алготрейдинг с научной точки зрения
Алгоритмическая торговля. Научный подход
курс вебинаров с Александром Горчаковым
Программа курса вебинаров
День 1
Введение:
- случайность или детерминированность;
- торговый алгоритм, как статистический прогноз будущего приращения цены;
- бинарная модель приращений цен, тренд и контртренд, оптимальный алгоритм.
Основы теории вероятностей и математической статистики «за час»:
вероятность, как мера числовой оценки шансов появления будущих событий;
одномерные случайные величины: функция распределения, математическое ожидание функции от случайной величины, квантили (перцентили) , стохастическое доминирование;
многомерные случайные величины: независимость, условные распределения, задача статистического прогноза, регрессия;
последовательности случайных величин: стационарность, автокорреляционная и спектральная функции, - случайное блуждание, показатель Херста (критика);
математическая статистика: выборка, выборочные статистики, достаточные статистики, различение гипотез, оценка параметров, параметрическая и непараметрическая статистика.
Спойлер: Описание далее
Практическое занятие.День 7
maximum profit system для опционов.
«фильтр пилы», как индикатор торговли контртренда в рамках бинарной модели приращений цен;
Примеры контртрендовых торговых алгоритмов:
«фильтры» шортов и плечей, принципы построения, особенности использования.
кусочно-марковская условно нормальная модель, как основа построения «фильтра пилы»;
Фильтрация трендовых торговых алгоритмов:День 6
для история реальной торговли и модификаций.
для минимаксной модели трендов;
Примеры трендовых торговых алгоритмов. Часть 2.День 5
для сильно «антиперсистентной» модели.
для кусочно-постоянной условно нормальной модели;
Примеры трендовых торговых алгоритмов. Часть 1.День 4
сильно «антиперсистентная» модель, ступенчатые тренды;
кусочно-марковская условно нормальная модель, тренды и контртренды;
кусочно-постоянная условно нормальная модель, тренды, минимаксная модель трендов;
конкурентный рынок, условная нормальность, «кусочная» стационарность;
Модели цен:
бинарная модель приращений цен, «кусочная» стационарность, оптимальные алгоритмы в условиях непредсказуемости точек смены отрезков стационарностей.
оптимальные алгоритмы при известном распределении будущего приращения цены;
Принципы построения торговых алгоритмов:День 3
оценка будущей просадки счета методом Монте-Карло.
портфелей торговых алгоритмов на разных активах;
нескольких торговых алгоритмов на одном активе,
одного торгового алгоритма с разными параметрами,
построение оптимального портфеля из:
превосходству «доходность-риск» пассивной стратегии;
взаимной корреляции;
стохастическому доминированию;
устойчивости;
отсев параметров по:
приведение автокорреляционной функции динамики счета к нулевому виду;
оценка доли «успехов»;
Тестирование и оптимизация торговых алгоритмов, как проверка качества статистического прогноза будущего приращения цены:День 2
Скачать:
Для просмотра скрытого содержимого вы должны войти или зарегистрироваться.
