Использование метода Монте-Карло для создания портфеля

[@sshikov]

Первоначально небольшое вступительное слово о том, как используется метод Монте-Карлоя для оптимизации портфеля

Вообще-то, методу Монте-Карлы (ну раз вам можно, почему мне нельзя ;) как минимум лет 50. Во всяком случае меня еще в институте в курсе методов оптимизации ему учили. Ну то есть, сам-то метод многократно описан, и реализован.

Поэтому, на мой взгляд, тут стоило бы упомянуть не «как», а «почему». Ответ на этот вопрос для метода оптимизации обычно определяется типом функции — скажем, применять Монте-Карлу для функций гладких как правило нафиг не нужно, так как там хорошо (и быстрее) работают вещи типа градиентного спуска. Так что у нас за функция? Почему именно Монте-Карло?

[@Zmey56]

Спасибо за развернутое пояснение. Почему его, так мне показался проще для понимания и его я пытался сравнить с роботом. В данный момент я провожу анализы и другими способами, и возможно впоследствии что то напишу, если кто-то более подкованный этого не сделает вперед. Еще раз спасибо за критику.

[@sshikov]

>мне показался проще для понимания
Ну, возможно. Да и в реализации он не сложный. Просто обычно стохастические методы применяют, если функция скажем овражная (или просто не гладкая), ну или что-то в таком духе. Тут вроде не должно быть ничего такого, или мне кажется?

P.S. Поправьте все-таки название — там все еще опечатка (Монте-Карла).

[@Zmey56]

Спасибо, проглядел что-то в этот раз много орфографических ошибок.

[@glader]

Можно выделить опечатку и нажать Ctrl+Enter.

[@ProLimit]

Видимо, потому что в подобных задачах не требуются точные решения, не нужен истинный максимум/минимум, и шаг в любую сторону +- километр не критичен (исходя из довольно сомнительного допущения что прошлые данные как-то влияют на будущие). Зато метод прост в реализации и понятен даже далеким от математики людям.

[@sshikov]

Наверное вы правы (в первую очередь пожалуй насчет того, что допущения в модели очень сильные, и точность нам не особо нужна в такой ситуации), но с другой стороны, стохастические методы могут нам дать совсем не оптимальное решение. И если истинный экстремум все-таки существует (тут мы возвращаемся к исходному вопросу — знаем ли мы, что у нас в итоге за функция? есть ли у нее экстремум? каковы ограничения на решение?), то чуть более другие методы скорее всего будут сильно быстрее. А простота реализации… на мой взгляд все пригодные методы общего назначения давно реализовали.

В принципе, я встречал подходы, когда Монте-Карло используется на первом этапе, чтобы быстро и грубо найти несколько начальных точек для градиентных методов. По-идее, если мы о функции знаем немного, такой подход имел бы право на жизнь.

[@DiSur]

Как рассчитывается коэффициент Шарпа?
Как оценивается риск?

[@Zmey56]

Можете посмотреть мои прошлые публикации:
Общий финансовый анализ на Python (Часть 1)
Общий финансовый анализ на Python (Часть 2)

[@molybdenum]

а почему метод Манту-Карлы эффективнее метода Новикова-Припоя?

[@Zmey56]

растерялся сначала, спасибо

[@inferrna]

Если доходность считается методом простой экстраполяции, то советом этого робота окажется закупиться на хаях и ждать покатушек.

[@Zmey56]

Понять как работает робот — брокер ответит что супер сложный алгоритм анализа и вряд и даст конкретную информацию. Посмотрим в конце года. К сожалению проверить робота на прошлых данных не представляется возможным.

[@areht]

Это анализ про состав портфеля, а не точку входа/выхода.

Покупать то, что хорошо росло лучше, чем покупать то, что вечно падает, так что простая экстраполяция имеет право быть.

[@olegshutov]

Этот метод назван в честь города, товарищ. Если уж склонять, тогда Монте-Карлы

[@OldFisher]

Краткая суть метода. Отправляемся в Монте-Карло, выигрываем в рулетку грузовик денег, вкладываемся в AAPL и MSFT.

[@mahmud-podzhigai]

> Портфель с максимальным значением доходности
Это портефль из самой доходной позиции с весовым коэффициентом 1.

По поводу предположения, что доходность в прошлом не гарантирует доходность в будущем. Не гарантирует, но корреляция есть. Берете пару сотен тикеров, находите доходность с 2015 по 2019 год. Сортируете по ней, потом считаете доходность топ-30 с 2019 по 2020 год. Промежутки могут быть любые. Мои опыты показали, что корреляция есть — такая сортировка дает больше доходность для топ-30, чем обратная, либо почти любое рандомное расположение.