Складчина АЛГОРИТМИЧЕСКАЯ ТОРГОВЛЯ. НАУЧНЫЙ ПОДХОД (АЛЕКСАНДР ГОРЧАКОВ)

Тема в разделе "Фондовый и срочный рынок", создана пользователем admin, 22 авг 2024.

Этап:
Набор участников
Цена:
250.00 USD
Участников:
1 из 3
Организатор:
admin
33%
Расчетный взнос:
250 USD
  • Участники покупки:
    1. admin;
  1. admin

    admin Administrator Команда форума

    АЛГОРИТМИЧЕСКАЯ ТОРГОВЛЯ. НАУЧНЫЙ ПОДХОД (АЛЕКСАНДР ГОРЧАКОВ)

    Скриншот 22-08-2024 124027.jpg

    Чему вы научитесь
    Голую правду: алгоритмическая торговля — это сложно

    Базу, чтобы стать квантом. (Квант — это quantitative analyst — разработчик и тестер торговых стратегий, "мозг" любого хедж фонда или индивидуал)

    Принципы, практические навыки и инструменты для разработки и тестирования торговых стратегий

    Узнаете, что показатель Херста, имеет сомнительную практическую ценность для малой выборки

    Описание
    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)