Алгоритмическая торговля. научный подход

I AM

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.

День 2 Тестирование и оптимизация торговых алгоритмов, как проверка качества статистического прогноза будущего приращения цены:

оценка доли «успехов»;
приведение автокорреляционной функции динамики счета к нулевому виду;
отсев параметров по:
- устойчивости;
- стохастическому доминированию;
- взаимной корреляции;
- превосходству «доходность-риск» пассивной стратегии;
- построение оптимального портфеля из:
  - одного торгового алгоритма с разными параметрами,
  - нескольких торговых алгоритмов на одном активе,
  - портфелей торговых алгоритмов на разных активах;
  - оценка будущей просадки счета методом Монте-Карло.

День 3 Принципы построения торговых алгоритмов:

оптимальные алгоритмы при известном распределении будущего приращения цены;
бинарная модель приращений цен, «кусочная» стационарность, оптимальные алгоритмы в условиях непредсказуемости точек смены отрезков стационарностей.

Модели цен:

конкурентный рынок, условная нормальность, «кусочная» стационарность;
кусочно-постоянная условно нормальная модель, тренды, минимаксная модель трендов;
кусочно-марковская условно нормальная модель, тренды и контртренды;
сильно «антиперсистентная» модель, ступенчатые тренды;

День 4 Примеры трендовых торговых алгоритмов. Часть 1.

для кусочно-постоянной условно нормальной модели;
для сильно «антиперсистентной» модели.

День 5 Примеры трендовых торговых алгоритмов. Часть 2.

для минимаксной модели трендов;
для история реальной торговли и модификаций.

День 6 Фильтрация трендовых торговых алгоритмов:

кусочно-марковская условно нормальная модель, как основа построения «фильтра пилы»;
«фильтры» шортов и плечей, принципы построения, особенности использования.

Примеры контртрендовых торговых алгоритмов:

«фильтр пилы», как индикатор торговли контртренда в рамках бинарной модели приращений цен;
maximum profit system для опционов.

День 7 Практическое занятие. Скрытая информация :: Авторизуйтесь для просмотра »

tatisakisa