Описание курса

Первым делом, первым делом – алгоритмы, ну а профиты, а профиты потом. Забудьте все, что вы знали о торговых роботах ранее. Начните создавать автоматические трейдинговые системы под руководством гуру алгоритмической торговли, и уже в скором времени вы научитесь сохранять и приумножать капитал.

Встречайте Александра Горчакова – одного из самых известных трейдеров России и автора уникальной обучающей программы для алготрейдеров. Станьте участником онлайн-курса и узнайте, как теория вероятностей и математическая статистика помогают выстроить грамотную торговлю, какие принципы при построении торговых алгоритмов нужно знать каждому инвестору. В рамках обучения Александр покажет методы тестирования и оптимизации торговых роботов, отсеивания систем по различным параметрам и строительства оптимальных портфелей автоматических систем. Также слушатели курса научатся создавать и фильтровать трендовые и контртрендовые торговые алгоритмы.

Алгоритмическая торговля. Научный подход — День 1
Первым делом, первым делом – алгоритмы, ну а профиты, а профиты потом. Забудьте все, что вы знали о торговых роботах ранее. Начните создавать автоматические трейдинговые системы под руководством гуру алгоритмической торговли, и уже в скором времени вы научитесь сохранять и приумножать капитал.

Встречайте Александра Горчакова – одного из самых известных трейдеров России и автора уникальной обучающей программы для алготрейдеров. Станьте участником онлайн-курса и узнайте, как теория вероятностей и математическая статистика помогают выстроить грамотную торговлю, какие принципы при построении торговых алгоритмов нужно знать каждому инвестору. В рамках обучения Александр покажет методы тестирования и оптимизации торговых роботов, отсеивания систем по различным параметрам и строительства оптимальных портфелей автоматических систем. Также слушатели курса научатся создавать и фильтровать трендовые и контртрендовые торговые алгоритмы.

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.

16.12.2015
Алгоритмическая торговля. Научный подход — 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.

18.12.2015
Алгоритмическая торговля. Научный подход — 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;

21.12.2015
Алгоритмическая торговля. Научный подход — День 4
Примеры трендовых торговых алгоритмов. Часть 1.

• для кусочно-постоянной условно нормальной модели;

• для сильно «антиперсистентной» модели;

23.12.2015
Алгоритмическая торговля. Научный подход — День 5
Примеры трендовых торговых алгоритмов. Часть 2.

• для минимаксной модели трендов;

• для история реальной торговли и модификаций;

28.12.2015
Алгоритмическая торговля. Научный подход — 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.

13.01.2016
Алгоритмическая торговля. Научный подход — День 7
Практическое занятие.

Автор : Горчаков Александр