Алготрейдинг С Научной Точки Зрения [полузакрытая]

http://moex-school.com/ru/meropriya...orgovlya-nauchnyj-podxod-aleksandr-gorchakov/

Доступно - [Полузакрытая] 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.

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.

Скачать Скрытая информация :: Авторизуйтесь для просмотра »

Скрытая информация :: Авторизуйтесь для просмотра »

Скрытая информация :: Авторизуйтесь для просмотра »

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.

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.

Скачать
Скрытая информация :: Авторизуйтесь для просмотра »

Скрытая информация :: Авторизуйтесь для просмотра »
Скрытая информация :: Авторизуйтесь для просмотра »
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.

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.

Скачать Скрытая информация :: Авторизуйтесь для просмотра »