Алгоритмическая торговля. Научный подход

Трейдеры на мировых биржах от Австралии и до Нью-Йорка все меньше торгуют рыками и все больше используют торговые алгоритмы. На Московской Биржи более 50% объема торгов приходится на алгоритмические стратегии. А доля их заявок в общем объеме перевалила за 80%.

Тот, кто вчера активно кликал мышкой, сегодня формализовал свою стратегию и запрограммировал её сам или у друга, который знает C++ или Python.

Почему торговые роботы так популярны?

Робот не имеет эмоций: он не радуется, когда зарабатывает 10% и не расстраивается, когда теряет 50%. Он не знает, что такое страх и жадность. У робота есть набор правил и команд, которым он следует. Если надо купить, робот покупает, если продать – продает. Робот может исполнять команды быстрее, чем человек. Робот может одновременно следить за сигналами на многих инструментах, а человек следит только за тем, что видит на мониторе.

В голове каждого робота сидит алгоритм, который придумал человек. Самое сложное – придумать этот алгоритм. Для этого нужно проанализировать данные, выдвинуть гипотизу, сформулировать правила, проанализировать результат на исторических данных, скорректировать гипотизу и правила, и еще раз прогнать алгоритм на истории. Для этого нужно владеть математикой и статистикой и знать, как применять эти знания на финансовых рынках.

Требования к слушателям:

Курс "Алгоритмическая торговля. Научный подход" рассчитан на подготовленных слушателей, которые помнят высшую математику, которую читают в экономических ВУЗах. На курсе будет не сухая теория, а чуть-чуть "жидкой теории" и много "густой практики" на примере нескольких торговых стратегий, которые работают уже 10 лет.

Чем этот курс отличается от прошлых:

В первой лекции курса систематически и без сложных формул излагаются принципы построения торговых алгоритмов, которые позволят любому желающему понять их и применить на практике при построении собственных алгоритмов «методом тыка».

Также Александр отказался от отдельного раздела по основным понятиям теории вероятностей и математической статистики, ограничившись напоминанием определений по мере возникновения их необходимости в материале.

Из курса исключен ряд математических результатов, представляющих чисто теоретический интерес, и оставлены лишь результаты, которые использовались Александром при построении собственных торговых алгоритмов, изложению которых по прежнему посвящены три последних лекции курса.

Программа видеокурса 

Занятие 1. Принципы построения торговых алгоритмов и необходимые понятия теории вероятностей и математической статистики

• Узнаем, что такое случайность или детерминированность
• Узнаем о вероятности, как мере числовой оценки шансов появления будущих событий
• Открываем для себя торговый алгоритм, как статистический прогноз будущего приращения цены
• Изучаем одномерные случайные величины:
• функция распределения
• математическое ожидание функции от случайной величины
• квантили (перцентили)
• стохастическое доминирование
• Определяем, что такое бинарная модель приращений цен, тренд и контртренд, оптимальный алгоритм
• Изучаем многомерные случайные величины:
• независимость
• условные распределения
• задача статистического прогноза
• регрессия
• Узнаем, как подобрать индикаторы для торгового алгоритма «методом тыка»
• Вспоминаем последовательности случайных величин:
• стационарность
• автокорреляционная и спектральная функции
• случайное блуждание
• показатель Херста (критика)
• Используем математическую статистику:
• выборка
• выборочные статистики
• достаточные статистики
• различение гипотез
• оценка параметров
• параметрическая и непараметрическая статистика

Занятие 2. Тестирование и оптимизация торговых алгоритмов, как проверка качества статистического прогноза будущего приращения цены

• Оцениваем долю «успехов»
• Приводим автокорреляционную функцию динамики счета к нулевому виду
• Отсеиваем параметры по:
• устойчивости
• стохастическому доминированию
• взаимной корреляции
• превосходству «доходность-риск» пассивной стратегии
• Строим оптимальный портфель из:
• одного торгового алгоритма с разными параметрами
• нескольких торговых алгоритмов на одном активе
• портфелей торговых алгоритмов на разных активах
• Оцениваем будущие просадки счета методом Монте-Карло

Занятие 3. Практическое занятие по тестированию торговых алгоритмов

• Используем полученные знания на практике

Занятие 4. Модели цен, как основы торговых алгоритмов

• Разбираем конкурентный рынок, условную нормальность, «кусочную» стационарность
• Изучаем кусочно-постоянную условно нормальную модель, тренды, минимаксную модель трендов
• Вспоминаем кусочно-марковскую условно нормальную модель, тренды и контртренды
• Узнаем о сильно «антиперсистентной» модели и ступенчатых трендах

Занятие 5-6. Примеры трендовых торговых алгоритмов

• Строим модели для кусочно-постоянной условно нормальной модели
• Рассматриваем модели для сильно «антиперсистентной» модели

Занятие 7. Фильтрация трендовых торговых алгоритмов и примеры контртрендовых торговых алгоритмов

• Разбираем минимаксные модели трендов
• Изучаем историю реальной торговли и модификации
• Отбираем трендовые торговые алгоритмы
• Кусочно-марковская условно нормальная модель, как основа построения «фильтра пилы»
• «Фильтры» шортов и плечей, принципы построения, особенности использования
• Рассматриваем примеры контртрендовых торговых алгоритмов
• «Фильтр пилы», как индикатор торговли контртренда в рамках бинарной модели приращений цен
• Maximum profit system для опционов (факультативно)