Форекс, трейдинг и инвестиции Алгоритмическая торговля. Научный подход - Горчаков (2016)

Ugman

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

49167_0.png

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.



Продажник:
Скрытое содержимое. Вам нужно войти или зарегистрироваться.

Скачать:
Скрытое содержимое. Вам нужно войти или зарегистрироваться.
 
Сверху