Комментарии 18
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?
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.
>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).
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).
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.
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.
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.
Как рассчитывается коэффициент Шарпа?
Как оценивается риск?
Можете посмотреть мои прошлые публикации:
Общий финансовый анализ на Python (Часть 1)
Общий финансовый анализ на Python (Часть 2)
Общий финансовый анализ на Python (Часть 1)
Общий финансовый анализ на Python (Часть 2)
а почему метод Манту-Карлы эффективнее метода Новикова-Припоя?
Если доходность считается методом простой экстраполяции, то советом этого робота окажется закупиться на хаях и ждать покатушек.
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.
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.
Этот метод назван в честь города, товарищ. Если уж склонять, тогда Монте-Карлы
Краткая суть метода. Отправляемся в Монте-Карло, выигрываем в рулетку грузовик денег, вкладываемся в AAPL и MSFT.
> 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.
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.
НЛО прилетело и опубликовало эту надпись здесь
Зарегистрируйтесь на Хабре, чтобы оставить комментарий
Использование метода Монте-Карло для создания портфеля