📈 ТРЕЙДИНГ Алгоритмическая торговля. Научный подход - Горчаков (2016)

[Moderator]

Курс вебинаров "Алгоритмическая торговля. Научный подход"
Автор: Александр Горчаков




Год: 2016
Формат: mp4, ppt
Размер: 3,79 Гб (в распакованном виде)
Стоимость: 3 000 руб

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.