Прогнозирование изменения цены акций

Основные общепринятые стратегии. Факторы комбинированной модели. Формула и коэффициент прогнозирования. Регрессии комбинированной модели. Итоговый вид комбинированной торговой модели. Проверка коэффициентов прогнозирования, стратегии минимизации рисков.

Рубрика Экономика и экономическая теория
Вид курсовая работа
Язык русский
Дата добавления 27.04.2016
Размер файла 2,0 M

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Размещено на http://www.allbest.ru/

Содержание

Введение

1. Торговая стратегия

1.1 Основные общепринятые стратегии

1.2 Выбранная торговая стратегия

1.3 Факторы комбинированной модели

2. Комбинированная торговая модель

2.1 Корреляции отобранных факторов

2.2 Новая формула и коэффициент прогнозирования

2.3 Регрессии комбинированной модели

2.4 Минимизация рисков

2.5 Итоговый вид комбинированной торговой модели

3. Проверка комбинированной торговой модели

3.1 Проверка коэффициентов прогнозирования

3.2 Проверка стратегии минимизации рисков

Заключение

Список литературы

Приложения

Введение

В данное время существует большое разнообразие методов торговли на бирже. Трейдеры вырабатывают стратегии, основываясь на фундаментальном и техническом анализе с использованием различных индикаторов, индексов, исследований, обзоров и так далее.

Однако, даже в профессиональном трейдинге имеет место человеческий фактор. Интуиция, эмоции, возникающие в различных ситуациях могут положительно сказаться на результатах торговли, но зачастую являются причиной больших потерь.

Наиболее важным аспектом является тот факт, что во время использования эмоций и интуиции при принятии решений, процесс торговли превращается просто в азартную игру.

Следовательно, для успешной и прибыльной торговли необходимо создание комбинированного алгоритма, который включает в себя все определенные трейдером гипотезы. Алгоритм должен содержать в себе все выявленные закономерности, определенные риски и должен давать беспристрастную и хладнокровную оценку каждой конкретной рыночной ситуации. Исходя из вышесказанного, актуальность и важность создания описанного торгового алгоритма неоспорима.

Практическая важность данной работы состоит в возможности создания модели для реальной торговли на бирже. Цель работы заключается в изучении рыночных закономерностей, связанных с акциями Сбербанка и создание комплексного торгового алгоритма, основанного на выявленных закономерностях. Акции Сбербанка были выбраны по причине наивысшей их ликвидности на российской бирже.

В рамках исследования и написания данной работы были поставлены следующие задачи:

1. Изучение особенностей российского фондового рынка.

2. Поиск и изучение закономрностей связанных с акциями Сбербанка.

3. Создание алгоритма, основанного на выявленных закономерностях, посредством компьютерных программ.

4. Создание комбинированной модели для прогнозирования изменения цены акций Сбербанка.

5. Проверка созданной модели на реальных данных.

Методологической основой для данного исследования выступают работы зарубежных трейдеров, аналитические статьи и заметки, данные инвестиционных компаний и обзоры отобранных экономических секторов.

Работа состоит из введения, трех глав, заключения, списка использованной литературы и приложений.

Первая глава включает в себя основную теоретическую информацию связанную с темой работы. Также она включает описание всех отобранных факторов, которые потенциально могут влиять на ценообразование акций Сбербанка.

Во второй главе все выявленные закономерности подвергаются анализу посредством компьютерного программного обепечения. Окончательные вид комбинированой торговой модели также представлен в данной главе.

В третьей главе описан процесс проверки модели на реальных данных и представлены результаты данной проверки.

1. Торговая стратегия

1.1 Основные общепринятые стратегии

Основные торговые стратегии базируются на фундаментальном и техническом анализе. Первый метод изучает фнансовые результаты определенных компаний, в то время как второй анализирует прошлые данные и графики стоимости ценных бумаг.

Фундаментальный анализ используется инвесторами для оценки стоимости компании, акций, которая отражает состояние компании и доходность ее операций. Данные анализ изучает различные финансовые показатели: выручку, чистую прибыль, EBIDTA (доходы до вычетапроцентной ставки, налогов и амортизации), активы, денежные потоки, дивиденды, производительность и эффективность бизнеса.

Основная идея фундаментального анализа состоит в том, что рынок может недооценивать ценные бумаги определенной компании в краткосрочном периоде, но в долгосрочном периоде, справедливая цена определенно должна быть достигнута. Прибыль возникает посредством покупки недооуцененных бумаг и продажи их после того как рынок осознает данную недооцененность и позволит достичь бумагам справедливой цены.

Технический анализ предсказывает изменение направления движения цен различных бумаг на основании исследования прошлых данных, объема, цен и реакций трейдеров на различные рыночные ситуации. Анализ основывается на идее, что вся информация уже отражена на рыночной цене. Эмоциональные реакции инвесторов на различные изменения создают закономерности, заметные на графиках движения цен. Технический анализ не ищет справедливой стоимости и создает прогноз только посредством экстраполяции прошлых рыночных ситуаций на текущие.

Технический анализ использует различные модели и правила, которые концентрируют свое внимание на ценах, объемах, регрессиях, средних скользящих значениях, бизнес циклах, внутренних и внешних рыночных корреляциях и рыночных циклах.

Как это было сказано ранее, основным объектом данной работы являются акции Сбербанка. Сбербанк - это российский коммерческий банк, крупнейший банк России и один из крупнейших в восточной Европе.

Сбербанк - универсальный банк, предлагающий широкий спектр банковских услуг. Доля Сбербанка в частных вкладах составляет 50,5%. Кредитный портфель был равен 30% от всех кредитов выданных в стране на конец 2011 года.

В соответствии с информацией журнала “Банкир” и Brand Finance Company, Сбербанк занимает 17 место в рейтинге самых дорогих банковских брендов мира и его стоимость оценена в 10,8 миллиард долларов США по состоянию на 2011 год. Центральный офис сбербанка находится в Москве.

1.2 Выбранная торговая стратегия

торговый стратегия прогнозирование комбинированный

Комбинированная торговая модель включает в себя несколько основных инструментов. Прежде всего, данная модель содержит новую формулу и коэффициент прогнозирования, которые основаны на корреляциях между Сбербанком и отобранными факторами имеющими влияние на цену акций Сбербанка. Далее, модель может по необходимости включать регрессии, построенные посредством эконометрических программ. В данной работе использовалась программа Eviews.

Eviews (Econometrics Views) - это программа для операционной системы Windows, используемая для проведения эконометрического анализа.

Следующий метод, использованный в комплексной модели - парный трейдинг и стратегия бета нейтрального портфеля для минимизации рисков при торговле. Бета коэффициент - индекс, который рассчитывается для бумаги или инвестиционного портфеля. Это мера рыночного риска, отражающая изменчивость доходности ценных бумаг (портфеля) в сравнении со средней доходностью портфеля (рынка).

Бета коэффициент для оценки портфеля выражается отношением ковариации значений бумаги к значениям портфеля деленная на дисперсию портфеля. Формула бета коэффициента выглядит следующим образом:

где ra измеряет доходность актива, rb измеряет доходность портфеля (рынка), и cov(ra,rb) - то ковариация между данными доходностями.

Стратегия бета нейтрального портфеля состоит в создании портфеля с бета коэффициентов равным нулю. Главное достоинство данной стратегии - это практически полная независимость итоговой доходности бумаги от доходности рынка.

Парный трейдинг - это торговая стратегия, основанная на использовании бумаг с высокой корреляцией между собой. К примеру, в случае повышения цен на нефть, цены акций нефтяных компаний также начнут расти.

Основным принципом парного трейдинга является использование противоположных позиций. Когда цена одной бумаги растет или падает, трейдер открывает позицию по обеим бумагам, но одну покупает, а другую продает. В идеальных условиях осуществляется покупка недооцененной акции и продажа переоцененной.

1.3 Факторы комбинированной модели

Существует множество факторов, которые влияют на ценообразование акций Сбербанка. Некоторые факторы нетрадиционны для банка из-за особого статуса Сбербанка на бирже и из-за особенностей Российской экономики.

Прежде всего, крайне важной является оценка ситуаций банковского сектора, основные тренды международной экономики и экономическая ситуация в России. Также необходимо изучить зависимость Российской экономики от ситуаций на западных ранках, крупных рынках Азии и Латинской Америки.

Были отобраны следующие факторы:

1. The RTS Oil and Gas Index (RTSog).

Данный фактор отражает ситуацию в области производства, переработки и продажи углеводородов в России. Расчет индекса основывается на ценах ценных бумаг крупнейших компаний, работающих в данной отрасли.

Структура индекса:

Таблица 1

Ticker

Company

Share

GAZP

GAZPROM

15%

LKOH

LUKOIL

15%

ROSN

ROSNEFT

15%

NVTK

NOVATEK

13,44%

SNGS

SURGUTNEFTEGAS

10,69%

TATN

TATNEFT (P)

9,90%

TRNFP

TRANSNEFT

5,79%

TNBP

TNC-BP

5,06%

SNGSP

SURGUTNEFTEGAS (P)

4,31%

BANE

BASHNEFT

3,18%

SIBN

GAZPROMNEFT

2,64%

Источник: finam.ru

2. The RTS Finance Index (RTSfn).

Этот фактор показывает состояние финансового сектора России. Расчет данного индекса производится на основе цен бумаг крупнейших банков страны.

Структура индекса:

Таблица 2

Ticker

Company

Share

VTBR

VTB

25,02%

SBER

SBERBANK

22,95%

MMBM

BANK MOSKVY

21,37%

ROSB

ROSBANK

11,67%

BSPB

BANK SANKT-PETERBURG

8,55%

VZRZ

BANK "VOZROZDENIE"

8,47%

SBERP

SBERBANK (P)

1,98%

Источник: finam.ru

3, 4. The USA Oil and Gas Index and the USA Banks Index.

Эти факторы представляют ситуации в описанных раннее областях в США. Индекс будет показывать воздействие рынков США на Российскую экономику в целом и на цену акций Сбербанка.

5. The S & P 500 Index.

Расчет данного индекса базируется на капитализациях 500 крупнейших компаний США. Список данных компаний составлен рейтинговым агенством Standard & Poors.

6. The NASDAQ Composite Index.

Данный фактор состоит из цен акций и финансовых инструментов всех компаний биржи NASDAQ. Основой для расчета индекса служат более чем 3000 компаний США и других стран. Исторически, индекс базируется на бумагах высокотехнологичных компаний.

7. The Financial Times Stock Exchange Index (FTSE 100).

Это основной индикатор Британской биржи. Индекс основывается на рыночных ценах 100 компаний с наибольшей капитализацией из списка Лондонской Фондовой Биржи.

8. The Nikkei 225 Index.

Крупнейшими биржевыми центрами Азии выступают японская Токийская Фондовая Биржа. Основной индикатор данной области - это Nikkei 225. Индекс рассчитывается как среднее значение цен самых ликвидных акций на упомянутой бирже.

9. The Shanghai Composite Index (SSE Composite).

Расчет данного индекса базируется на ценах всех акций списка A и B Шанхайской Фондовой Биржи.

10. The Bovespa Index.

Фондовая биржа Сан-Паулу - крупнейшая биржа в Латинской Америке. Она расположена в центре крупнейшего города Бразилии. В мае 2008 она была образована после слияния с бразильской биржей Bovespa. В результате она стала одной из крупнейших мировых бирж и получила название BM & Bovespa.

11, 12. Известные мировые марки нефти.

Brent (Brent Crude) являетя маркой нефти, которая производится в Северном море. West Texas Intermediate (WTI), также известная как Texas light sweet - марка нефти, производимая в Техасе.

13. Бивалютная корзина

Это операционный индикатор обменной политики Центрального Банка Российской Федерации, введенный для определения реального обменного курса между рублем и основными валютами. Бивалютная корзина состоит из 0,45 Евро и 0, 55 долларов США.

Следовательно, торговая модель включает в себя факторы, которые показывают воздействие ситуации в российской экономике, состояние западных, азиатских, латиноамериканских рынков, нефтяных марок и валюты на цену акций Сбербанка. Некоторые факторы могут быть исключены и заменены в случае выявления их бесполезности для модели в течение исследования.

Также, несколько факторов были отобраны для построения регрессий в программе Eviews и для парного трейдинга. Эти факторы являются ценными бумагами крупнейших российских компаний, таких как Газпром, Роснефть, Лукойл и так далее.

Все данные взяты с сайта finam.ru. Анализируемый период длиться с 1 октября 2012 года до 2 мая 2013 года и равен семи месяцам. Все факторы собраны в таблице в следующем виде:

Таблица 3

DATE

Sberbank

RTS OaG

RTS Finance

USA OaG

Nikkei 225

USA Banks

01.10.2012

92,33000

201,63000

272,76000

322,60467

8 796,51000

108,93367

02.10.2012

91,90000

201,23000

272,60000

322,48735

8 786,05000

109,29082

03.10.2012

91,92000

199,35000

272,12000

318,45262

8 746,87000

110,56122

04.10.2012

91,47000

197,62000

270,89000

321,72223

8 824,59000

112,82653

05.10.2012

93,02000

201,09000

277,62000

320,89590

8 863,30000

112,50000

08.10.2012

92,60000

199,13000

272,95000

321,33457

8 863,30000

112,18367

09.10.2012

92,63000

199,38000

271,83000

321,67122

8 769,59000

111,17347

10.10.2012

92,29000

198,05000

271,16000

315,93793

8 596,23000

111,67857

11.10.2012

92,64000

198,47000

273,99000

317,94255

8 546,78000

112,29082

12.10.2012

91,50000

196,12000

270,06000

316,22868

8 534,12000

109,69388

15.10.2012

91,28000

195,98000

269,52000

317,87623

8 577,93000

111,13776

16.10.2012

92,19000

198,59000

273,50000

322,79850

8 701,31000

110,91837

17.10.2012

93,12000

203,21000

278,67000

326,60879

8 806,55000

112,61225

18.10.2012

93,70000

203,77000

276,48000

326,93014

8 982,86000

112,38776

19.10.2012

93,19000

200,58000

272,81000

322,01298

9 002,68000

111,14286

22.10.2012

94,10000

201,36000

271,35000

320,14099

9 010,71000

111,43878

23.10.2012

93,59000

196,30000

265,27000

312,60712

9 014,25000

109,46429

24.10.2012

93,38000

197,84000

267,28000

310,42398

8 954,30000

109,48980

25.10.2012

92,89000

197,07000

267,45000

313,40794

9 055,20000

109,96429

26.10.2012

91,95000

194,91000

263,22000

313,56607

8 933,06000

108,85714

29.10.2012

91,70000

194,18000

262,67000

313,56607

8 929,34000

108,85714

30.10.2012

91,20000

193,26000

261,18000

313,56607

8 841,98000

108,85714

31.10.2012

91,79000

193,84000

260,44000

313,13760

8 928,29000

109,61735

Источник: finam.ru

2. Комбинированная торговая модель

2.1 Корреляции отобранных факторов

Различные изменения всех выбранных факторов в той или иной степени могут влиять на Российскую экономику и цены акций Сбербанка. После отбора и систематизации собранной информации о ценах факторов, были рассчитаны корреляции между значениями факторов и ценами акций Сбербанка. Результат вычислений показал широкий спектр корреляций, а также отсутствие связи между ценой акций Сбербанка и некоторыми отобранными факторами в период с октября по декабрь 2012 года.

Таблица 4

SBERBANK

SHANGHAI

USA_BANKS

USA_OAG

SAP_500

SBERBANK

1.000000

0.654108

0.862605

0.871219

0.837067

SHANGHAI

0.654108

1.000000

0.636801

0.631581

0.506315

USA_BANKS

0.862605

0.636801

1.000000

0.902539

0.915840

USA_OAG

0.871219

0.631581

0.902539

1.000000

0.962499

SAP_500

0.837067

0.506315

0.915840

0.962499

1.000000

RTS_OAG

0.841895

0.530504

0.817696

0.896952

0.883312

RTS_FINANCE

0.888129

0.774947

0.852262

0.931178

0.879827

NIKKEI_225

-0.142680

-0.650528

-0.224823

-0.295028

-0.209083

NASDAQ

0.773823

0.400296

0.812183

0.893914

0.949499

LIGHT_SWEET

0.496305

0.368441

0.612976

0.753033

0.750265

FUTSEE_100

0.682340

0.401003

0.767305

0.738633

0.765389

CURRENCY

-0.330279

0.036362

-0.438606

-0.509575

-0.598649

BRENT

0.324301

0.061201

0.439232

0.527463

0.532286

BOVESPA

0.696428

0.702128

0.795486

0.869123

0.838678

Источник: finam.ru, анализ автора

Данная таблица показывает, что следующие факторы имеют наибольшую корреляцию с акциями Сбербанка. Факторы с низкой корреляцией были исключены из модели.

Таблица 6

1.

RTS_FINANCE

0.888129

2.

USA_OAG

0.871219

3.

USA_BANKS

0.862605

4.

RTS_OAG

0.841895

5.

SAP_500

0.837067

6.

NASDAQ

0.773823

7.

BOVESPA

0.696428

8.

FUTSEE_100

0.682340

9.

SHANGHAI

0.654108

10.

LIGHT_SWEET

0.496305

Источник: finam.ru, анализ автора

Это анализ и корреляции показывают связь между глобальными индексами и Сбербанком, определить наиболее важные факторы, но на данном этапе эти показатели абсолютно бесполезны для реальной торговли. Крайне важно рассчитать корреляции и связи между факторами и Сбербанком с задержкой (лагом). В исследовании будут использоваться три задержки: 1,2 и 3 дня.

Корреляции с разными лагами были рассчитаны и они показали неоспоримую связь между факторами и Сбербанком и воздействие данных факторов на протяжении некоторого времени, а именно, трех дней. Результат всех вычислений с задержками представлены в следующих таблицах:

Таблица 7

LAG

1-DAY

2-DAYS

3-DAYS

SHANGHAI

0.564260

0.487937

0.407679

USA_BANKS

0.847517

0.746001

0.649382

USA_OAG

0.869073

0.832092

0.788955

SAP_500

0.847225

0.814606

0.767330

RTS_OAG

0.804247

0.738037

0.704276

RTS_FINANCE

0.853424

0.811136

0.796994

NASDAQ

0.803979

0.787123

0.763187

LIGHT_SWEET

0.566354

0.568523

0.622411

FUTSEE_100

0.668312

0.589759

0.482153

CURRENCY

-0.403599

-0.448682

-0.513540

BRENT

0.427732

0.452858

0.574940

BOVESPA

0.657801

0.581107

0.525085

ADR_SBER

0.922689

0.868065

0.810539

Источник: finam.ru, анализ автора

Факторы с наибольшей корреляцией с разными лагами представлены в следующих таблицах:

Таблица 8

1-DAY LAG

2-DAYS LAG

3-DAYS LAG

1.

USA_OAG

0,869073

USA_OAG

0,832092

RTS_FINANCE

0,79699

2.

RTS_FINANCE

0,853424

SAP_500

0,814606

USA_OAG

0,78896

3.

USA_BANKS

0,847517

RTS_FINANCE

0,811136

SAP_500

0,76733

4.

SAP_500

0,847225

NASDAQ

0,787123

NASDAQ

0,76319

5.

RTS_OAG

0,804247

USA_BANKS

0,746001

RTS_OAG

0,70428

6.

NASDAQ

0,803979

RTS_OAG

0,738037

USA_BANKS

0,64938

7.

FUTSEE_100

0,668312

FUTSEE_100

0,589759

LIGHT_SWEET

0,62241

8.

BOVESPA

0,657801

BOVESPA

0,581107

BRENT

0,57494

9.

LIGHT_SWEET

0,566354

LIGHT_SWEET

0,568523

BOVESPA

0,52509

10.

SHANGHAI

0,56426

SHANGHAI

0,487937

FUTSEE_100

0,48215

Источник: finam.ru, анализ автора

Различные источники информируют о том, что корреляции могут быть разделены на пять групп в зависимости от степени взаимосвязи. Первая группа - очень низкая корреляция, зачения от 0 до 0, 2. Корреляция от 0, 2 до 0, 5 считается низкой. От 0, 5 до 0,7 - средней. Корреляция со значениями от 0, 7 до 0,9 является высокой и от 0, 9 и выше - очень высокой. В рамках этой классификации, корреляции 10ти факторов с лагами имеют значения корреляций от средних до очень высоких.

2.2 Новая формула и коэффициент прогнозирования

Вся информация о корреляциях может быть использована для первой составляющей комбинированной торговой модеи. Рейтинг факторов из окончания предыдущего параграфа показывает важность каждого фактора. Все факторы имеют влияние на ценообразование акций Сбербанка и корреляции показывабт степень воздействия какждого фактора. В формуле коэффициента прогнозирования, каждая конкретная корреляция используется как коэффициент. Целиком формула представлет собой все коэффициенты (корреляции) перемноженные на дневные изменения каждого фактора. Данные изменения взяты как процентное изменение между ценой фактора в определенный день в предыдущий день.

Общий вид формулы выглядит следующим образом:

K 1 * C 1 (%) + K 2 * C 2 (%) + … + K 10 * C 10 (%) = FK

Где “K” - это коэффициент важности фактора, равный корреляции между ценой фактора и ценой акций Сбербанка, “C” - это дневное процентное изменение фактора (change), “FK” - коэффициент прогнозирования (the forecasting coefficient), который будет указывать на верное торговое решение.

К примеру, формула для данных, отобранных для комбинированной модели, будет выглядеть следующим образом:

0.888129*C1+0.871219*C2+0.862605*C3+0.841895*C4+0.837067*C5+0.773823 *C6+0.696428*C7+0.68234*C8+0.654108*C9+0.496305*C10 = FK

Сейчас формула содержит корреляции без лагов, но для реального использования и торговли на бирже формула должна включать в себя корреляции с лагами и информацию о дневных изменениях факторов в течение трех предыдущих дней. Расчет формулы на реальных данных дает беспристрастную оценку в виде коэффициента прогнозирования, который показывает изменения всех факторов с учетом различной важности каждого фактора для ценообразования акций Сбербанка.

К примеру, если факторы the USA oil and gas, RTS finance, the USA Banks, S&P 500 and RTS oil and gas росли в течение трех предыдущих дней по 0, 5% в день каждый, цены факторов NASDAQ, FUTSEE 100, BOVESPA росли по 0, 7% в день, а Light Sweet, Brent и Shanghai composite на 0, 8% в день, формула будет иметь следующий вид:

Формула для корреляций с однодневной задержкой:

0, 869*0, 5+0, 853*0, 5+0, 848*0, 5+0, 847*0, 5+0, 804*0, 5+0, 804*0, 7+0, 668*0, 7+ 0, 659*0, 7+0, 566*0, 8+0, 564*0, 8 = 4, 4982

Формула для корреляций с двухдневной задержкой:

0, 832*0, 5+0, 815*0, 5+0 , 811*0, 5+ 0, 787*0, 5+0, 746*0, 5+0, 738*0, 7+0, 590*0, 7+0, 581*0, 7+0, 569*0, 8+0 ,488*0, 8 = 4, 1774

Формула для корреляций с трехдневной задержкой:

0, 797*0, 5+0, 789*0, 5+0, 767*0, 5+0, 763*0, 5+0, 704*0, 5+0, 649*0, 7+0, 622*0, 8+0, 575*0, 8+0, 525*0,7+0, 482*0, 7 = 4, 0268

Эти коэффициенты дают много различных способов для предсказания изменения цен акций Сбербанка. Прежде всего, имеет смысл рассчитать конкретный коэффициент для каждого дня основываясь на коэффициенте с однодневным лагом. Далее, модель может содержать смешанный коэффициент прогнозирования с различными пропорциями коэффициентов с однодневными, двухдневными и трехдневными задержками.

Расчеты на реальных данных показывают, что коэффициент с однодневной задержкой имеет наибольшую взаимосвязь с ценами и влияние на цену акций Сбербанка. Далее, второй коэффициент двухдневным лагом имеет меньшее воздействие, чем коэффициент с однодневным лагом, но большее, чем коэффициент с трехдневным.

Таблица с реальными данными о ценах факторов и корреляциях, которые были упомянуты ранее была использована для расчета коэффициента прогнозирования для 12 дней. Период исследования проходил с 19.11.2012 до 01.12.2012. Расчеты коэффициента прогнозирования дали следующие результаты:

Таблица 9

DATE

PFK

MFK1

MFK2

MFK3

Sberbank

19.11.2012

11,52011406

7,027632036

3,915233948

6,047438695

1,581763201

20.11.2012

-0,670685809

2,909335498

3,332169644

3,087218281

-0,389283261

21.11.2012

3,059670875

2,733021496

4,066754505

3,552871544

1,011494253

22.11.2012

1,187965031

1,440140599

0,805719648

1,182328375

0,147928994

23.11.2012

8,202102164

5,533562265

3,605872739

4,97982261

1,477104874

26.11.2012

-4,226538003

-0,146015621

1,324104524

0,377717551

-0,123166499

27.11.2012

-5,421313664

-3,67010778

-0,54961325

-2,380926198

0

28.11.2012

0,044469891

-1,854988347

-2,611865242

-2,2312033

-1,647982063

29.11.2012

7,730805841

4,206469486

0,9708005

2,975175285

0,205174969

30.11.2012

2,082401851

3,425927499

2,843452171

3,238809927

3,981344557

01.12.2012

1,523572389

Источник: finam.ru, анализ автора

В этой таблице, “PFK” - первичный коэффициент прогнозирования (the primary forecasting coefficient), построенный на основе только корреляций с однодневной задержкой, “MFK” - смешанный коэффициент прогнозирования (the mixed forecasting coefficient). “MFK1” содержит 0, 6 коэффициента с однодневным лагом, 0, 3 коэффициента с двухдневным лагом и 0, 1 коэффициента с трехдневным лагом. “MFK2” содержит 0, 33 каждого коэффициента и “MFK3” включает в себя 0, 5 первого коэффициента, 0, 3 второго и 0, 2 третьего.

Далее, необходимо проверить смешанные в разных пропорцих коэффициенты на реальных данных, чтобы найти лучший смешанный коэффициент с наибольшей прогнозной способностью. Следующие графики показывают движение изменений цены акций Сбербанка на фоне различных комбинаций смешанного коэффициента прогнозирования.

График 1

Источник: finam.ru, анализ автора

Данный коэффициент имеет много недостатков. Прежде всего график показывает серьезные колебания первичного коэффициента прогнозирования. Коэффициент слишком нестабилен и агрессивен. Также он не рассматривает влияние предыдущих дней, которое моет быть сильным. Несмотря на вышесказанное, коэффициент очевидно обладает способностью прогнозирования некоторых движений цены акций Сбербанка.

График 2

Источник: finam.ru, анализ автора

Данный коэффициент значительно мягче. Он имеет очевидную способность прогнозирования, так как цена акций Сбербанка повторяет движения коэффициента, особенно в конце графика. Цена акций Сбербанка двигается так же как и коэффициент на следующий день, начиная с 25 Ноября.

Также заметны некоторые недостатки коэффициента. Прежде всего непонятными остаются неопределенности в начале графика. Далее, необходимо понять почему цена акций Сбербанка упала после роста коэффициента прогнозирования 24 Ноября.

График 3

Источник: finam.ru, анализ автора

Данный коэффициент имеет те же недостатки,что и “MFK1”, но в то же время он потерял способность прогнозирования. Также в начале графика коэффициент имеет еще больше неопределенностей. В целом, это абсолютно бесполезный коэффициент для прогнозирования тенденций цены акций Сбербанка.

График 4

Источник: finam.ru, анализ автора

Последний коэффициент имеет общие недостатки, но во второй части графика он имеет меньшую корреляцию с движениями цены акций Сбербанка, чем “MFK1”.

Подводя итоги, очевидным является факт того, что “MFK1” является наиболее привлекательным смешанным коэффициентом для прогнозирования. Он имеет больше всего верных прогнозов и меньше неопределенностей, чем остальные. Также, стоит заметить, что отобранный коэффициент не идеален и остается несколько задач, решение которых приведут к его улучшению.

Все описанные рассчеты выводят итоговую, на данном моменте исследования, формулу смешанного коэффициента прогнозирования.

0, 6* PK1+0, 3*PK2+0, 1*PK3 = MFK

Где “PK1” - это коэффициент с однодневной задержкой и так далее.

2.3 Регрессии комбинированной модели

Идеальная Eviews регрессия для комбинированной торговой модели должна включать несколько факторов. Прежде всего, необходимо построить регрессию со всеми факторами и проанализировать недостатки полученнойрегрессии.

Dependent Variable: SBERBANK

Method: Least Squares

Date: 01/11/13 Time: 18:32

Sample: 10/01/2012 11/30/2012

Included observations: 44

Variable

Coefficient

Std. Error

t-Statistic

Prob.

SHANGHAI

0.018627

0.010647

1.749528

0.0904

USA_BANKS

0.002234

0.191104

0.011691

0.9907

USA_OAG

-0.072676

0.097561

-0.744924

0.4621

SAP_500

0.007961

0.038734

0.205539

0.8385

RTS_OAG

-0.103316

0.127715

-0.808962

0.4249

RTS_FINANCE

0.242708

0.060709

3.997902

0.0004

NIKKEI_225

0.005917

0.001316

4.496677

0.0001

NASDAQ

0.005756

0.008663

0.664419

0.5115

LIGHT_SWEET

-0.126538

0.202359

-0.625313

0.5365

FUTSEE_100

0.006402

0.006185

1.035215

0.3088

CURRENCY

2.715509

1.554365

1.747021

0.0909

BRENT

0.268393

0.161408

1.662823

0.1068

BOVESPA

-0.000157

0.000340

-0.461409

0.6478

C

-192.4479

83.42362

-2.306876

0.0281

R-squared

0.943813

Mean dependent var

90.37432

Adjusted R-squared

0.919465

S.D. dependent var

2.756459

S.E. of regression

0.782249

Akaike info criterion

2.600084

Sum squared resid

18.35740

Schwarz criterion

3.167781

Log likelihood

-43.20185

Hannan-Quinn criter.

2.810613

F-statistic

38.76359

Durbin-Watson stat

1.281415

Prob(F-statistic)

0.000000

Очевидно, что регрессия имеет несколько лишних переменных, но redundant тест на лишние переменные с разными комбинациями факторов дает разные результаты. Очевидно, что фактор RTS_Finance или RTS_OAG должен быть исключен из-за проблемы мультиколлинеарности. Начиная с этого факта, правильным будет построить регрессию с одним фактором и провести ряд omitted тестов на пропущенные переменные и выявить факторы, полезные для регрессии.

Первая регрессия содержит только один фактор. Далее, все факторы будут проверены и наиболее полезные будут включены в финальную регрессию.

Variable

Coefficient

Std. Error

t-Statistic

Prob.

RTS_FINANCE

0.205416

0.016402

12.52351

0.0000

C

36.92993

4.271899

8.644852

0.0000

R-squared

0.788773

Mean dependent var

90.37432

Adjusted R-squared

0.783744

S.D. dependent var

2.756459

S.E. of regression

1.281846

Akaike info criterion

3.378869

Sum squared resid

69.01142

Schwarz criterion

3.459968

Log likelihood

-72.33511

Hannan-Quinn criter.

3.408944

F-statistic

156.8382

Durbin-Watson stat

0.448811

Prob(F-statistic)

0.000000

Как было сказано ранее, если фактор RTS_Finance используется, то RTS_OAG исключается из регрессии. Следующий шаг - выбор между двумя факторами секторов экономики США.

Omitted Variables: USA_OAG

F-statistic

3.068607

Prob. F(1,41)

0.0873

Log likelihood ratio

3.175727

Prob. Chi-Square(1)

0.0747

Omitted Variables: USA_BANKS

F-statistic

9.820592

Prob. F(1,41)

0.0032

Log likelihood ratio

9.448101

Prob. Chi-Square(1)

0.0021

Эти тесты показывают, что фактор USA_BANKS будет использоваться в регрессии, так как имеет probability меньше 0, 05 в тесте omitted.

Omitted Variables: SAP_500

F-statistic

0.134081

Prob. F(1,40)

0.7162

Log likelihood ratio

0.147242

Prob. Chi-Square(1)

0.7012

Omitted Variables: NASDAQ

F-statistic

0.087838

Prob. F(1,40)

0.7685

Log likelihood ratio

0.096516

Prob. Chi-Square(1)

0.7561

Omitted Variables: NIKKEI_225

F-statistic

30.56407

Prob. F(1,40)

0.0000

Log likelihood ratio

24.97623

Prob. Chi-Square(1)

0.0000

Omitted Variables: FUTSEE_100

F-statistic

0.195419

Prob. F(1,39)

0.6609

Log likelihood ratio

0.219922

Prob. Chi-Square(1)

0.6391

Omitted Variables: SHANGHAI

F-statistic

6.346011

Prob. F(1,39)

0.0160

Log likelihood ratio

6.633464

Prob. Chi-Square(1)

0.0100

Omitted Variables: BOVESPA

F-statistic

3.689448

Prob. F(1,38)

0.0623

Log likelihood ratio

4.077123

Prob. Chi-Square(1)

0.0435

Omitted Variables: BRENT

F-statistic

0.511034

Prob. F(1,38)

0.4791

Log likelihood ratio

0.587781

Prob. Chi-Square(1)

0.4433

Omitted Variables: LIGHT_SWEET

F-statistic

4.911729

Prob. F(1,38)

0.0327

Log likelihood ratio

5.348597

Prob. Chi-Square(1)

0.0207

Omitted Variables: CURRENCY

F-statistic

4.227395

Prob. F(1,37)

0.0469

Log likelihood ratio

4.760143

Prob. Chi-Square(1)

0.0291

После проведения ряда тестов, факторы BOVESPA, BRENT, FUTSEE_100, NASDAQ, RTS_OAG, USA_OAG, SAP_500 были иключены из регрессии из-за высокого значения probability в тесте omitted.

Итоговая регрессия имеет следующий вид:

Variable

Coefficient

Std. Error

t-Statistic

Prob.

RTS_FINANCE

0.225285

0.026561

8.481940

0.0000

USA_BANKS

0.172231

0.099786

1.726005

0.0927

NIKKEI_225

0.004939

0.000807

6.119437

0.0000

SHANGHAI

0.005446

0.005374

1.013401

0.3174

LIGHT_SWEET

-0.019429

0.096851

-0.200611

0.8421

CURRENCY

2.308579

1.122815

2.056063

0.0469

C

-122.2883

49.96784

-2.447341

0.0193

R-squared

0.933973

Mean dependent var

90.37432

Adjusted R-squared

0.923266

S.D. dependent var

2.756459

S.E. of regression

0.763562

Akaike info criterion

2.443265

Sum squared resid

21.57200

Schwarz criterion

2.727114

Log likelihood

-46.75184

Hannan-Quinn criter.

2.548530

F-statistic

87.23006

Durbin-Watson stat

1.197186

Prob(F-statistic)

0.000000

Эта регрессия имеет почти такой же R-квадрат, что и первая регрессия. Также критерии Акайке и Шварца ниже в новой регрессии.

К сожалению, итоговая регрессия все еще имеет много недостатков. Помимо этого, проверка прогнозов, построенных в Eviews показывает, что они бесполезны для реальной торговли, содержат много ошибок и имеют крайне низкую способность прогнозирования.

2.4 Минимизация рисков

Любая модель имеет недостатки. Использование коэффициента прогнозирования и различных регрессий показывает, что некоторые прогнозы имеют некоторые неопределенности в определенные промежутки времени. Такие результаты могут давать неверные торговые советы и поэтому необходимо создать специальный метод для минимизации торговых рисков.

Как было сказано ранее, парный трейдинг и стратегия бета нейтрального портфеля будут использоваться для этой цели. Бета нейтральный инвестиционный портфель требует использования дополнительной торговой операции, обратной к основной операции. К примеру, в случае покупки акций Сбербанка, необходимо продать другую бумаги или финансовый инструмент. Прежде всего, вторая операция должна содержать актив с таким же бета коэффициентом. Для активов с разными бета коэффициентами, необходимо создать правильную пропорцию. В результате, две открытые позиции дают сумму коэффициентов равную нулю или почти нулю.

Парный трейдинг также базируется на противоположных позициях. Для успешной реализации парного трейдинга активы должны обладать высокой корреляцией между собой. Для комбинированной торговой стратегии необходимо найти бумагу, торгующуюся на российской бирже для упрошения торговли. Расчет корреляции между ценой акций Сбербанка и ценами акций крупнейших российских компаний в течение года показывает, что трудно найти бумагу с очень высокой корреляцией с ценой акций Сбербанка.

Комбинированная торговая модель требует специальных условий для парного трейдинга. Прежде всего, для модели недостаточно просто двух бумаг с одинаковым бета коэффициентом, потому что бета показывает, как быстро определенный актив меняется относительно рынка. Для примера, если рынок изменился на 1%, бумага с бета коэффициентом, равным 1 равным 1, 3 изменится на 1, 3%, а бумага с коэффициентом 0, 7 изменится на 0, 7%. Очевидно, что рыночный бета коэффициент равен 1. Исходя из этих условий, бесполезно торговать бумагами с одинаковым бета коэффициентом в рамках комбинированной торговой модели, потому что в случае успешной операции, вся прибыль будет потеряна за счет убытков по второй позиции.

В этом случае, правильнее использовать бумагу с более низким бета коэффициентом у второй бумаги, чем бета у акций Сбербанка.

Традиционно парный трейдинг с акциями Сбербанка используется с крупнейшими российскими компаниями, такими как Газпром, Лукойл, Роснефть и так далее. Конечно, цены акций этих компаний имеют высокую корреляцию с ценой акций Сбербанка в разные года, но они постоянно меняются. Следующая таблица включает в себя корреляции между ценой акций Сбербанка и указанными выше компаниями за 2012 год.

Таблица 10

SBER

ROSNEFT

LUKOIL

GPN

GAZPROM

SBER

1

0,140525

0,567837

0,683006

0,516902

ROSNEFT

0,140525

1

0,519095

0,110393

-0,0498

LUKOIL

0,567837

0,519095

1

0,560861

-0,09911

GPN

0,683006

0,110393

0,560861

1

0,458466

GAZPROM

0,516902

-0,0498

-0,09911

0,458466

1

Источник: finam.ru, анализ автора

Другие компании и банки также были проверены, но только цены акций Газпромнефти показали корреляцию достаточную для парного трейдинга. Даже банк ВТБ имеет корреляцию ниже. Также на российской бирже торгуются привилегированные акции Сбербанка. Корреляция между их ценой и ценой обычных акций равна 0, 922. Кроме этого,высокая корреляция постоянна и нет необходимости проверять ее периодически. Однако, бета коэффициент привилегированных бумаг такой же как и у обычных, что делает бессмысленным использование привилегированных акций Сбербанка.

После расчета корреляций и отбора подходящего актива, необходимо рассчитать бета коэффициент выбранных бумаг. Исторически, бета коэффициент бумаг Газпромнефти ниже, чем бета рынка. В разное время бета Газпромнефти была равна значению около 0,8. Бета Сбербанка равна приблизительно 1, 3. Эти условия говорят о том, что цены акций Сбербанка будет меняться быстрее. Следовательно, это дает возможность для получения прибыли от успешных прогнозов, так как изменения цены акций Газпромнефти будет меньше и противоположная позиция будет забирать лишь часть прибыли первой операции. Также в случае неверного прогноза, благодаря противоположной позиции, две позиции достигнут нуля или прибыли в рамках нескольких дней.

Следующий график показывает изменения цен обеих бумаг в течение Ноября 2012 года.

График 5

Источник: finam.ru

График показывает, что колебания цены акций Сбербанка сильнее, в то время как общее движение цен бумаг практически одинаковое. Все упомянутые выше факты делают акции Газпромнефти хорошим выбором для парного трейдинга с акциями Сбербанка.

Следующий подход для минимизации торгового риска - это использование основных правил технического анализа. В случае высокого значения коэффициента прогнозирования, имеет смысл проверить график цены акций Сбербанка перед открытием позиции. Основная цель того метода заключается в поиске закономерностей на графике для предсказания изменения тренда, который будет идти против прогноза коэффициента.

Следующий график содержит цену акций Сбербанка в течении анализируемого периода, упомянутого в параграфе о коэффициенте прогнозирования.

График 6

Источник: finam.ru

Этот график показывает колебания цены, серьезное падения и рост после этого. Коэффициент прогнозирования не предсказал падения цены, но технический анализ показывает фигуру известную как “голова и плечи” перед падением. В этом случае, была видна возможность изменений тренда.

Последняя и наиболее серьезная проблема модели заключается в отсутствии способности прогнозирования вне факторов модели. К примеру, новый проект Сбербанка может повлиять на ценообразование акций компании, но этот факте будет отражен в коэффициенте прогнозирования. Однако, существует рад способов для решения проблемы.

Все изменения, связанные с активностью Сбербанка отражается на фундаментальных показателях. Различные финансовые коэффициенты могут меняться после серьезных корпоративных решений, проектов и т.д. В этой ситуации, прогнозы различных аналитиков будут меняться. Проверка колебаний аналитических предсказаний может быть легко использоваться для подтверждения наличия или отсутствия серьезной активности самого Сбербанка.

Наиболее простым способом для проверки упомянутых данных является ресурсы РБК. Сайт http://consensus.rbc.ru содержит самые авторитетные прогнозы. Также возможно посмотреть единый коэффициент для акций Сбербанка или все прогнозы различных аналитических департаментов и компаний.

Единый коэффициент, также известен как “консенсус” и презентуется в следующей форме:

Таблица 11

Companies

Goal, $

Advice

Potencial, %

Barclays Capital

4,2000

Buy

28,0500

Citigroup Investment Research

4,1600

Buy

26,8300

Credit Suisse First Boston

4,1600

Buy

26,8300

Deutsche Bank

3,8100

Buy

16,1600

Goldman Sachs

3,9900

Buy

21,6500

JP Morgan

4,5600

Buy

39,0200

Societe Generale

4,0000

Buy

21,9500

SOVLINK

3,9300

Buy

19,8200

UBS

4,1500

Buy

26,5200

Al'fa Bank

3,3400

Hold

1,8300

VTB Capital

3,5100

Hold

7,0100

Gazprombank

4,4700

Buy

36,2800

Renessance Capital

3,9000

Buy

18,9000

Uralsib Capital

3,7000

Buy

12,8000

Consensus

3,9900

Buy

21,6500

Источник: consensus.rbk.ru

График консенсуса может показывать что единый коэффициент падает вместе с ценой акций Сбербанка. В большинстве случаев цена на акции Сбербанка падает после падения значения консенсуса.

График 7

Источник: consensus.rbk.ru

2.5 Итоговый вид комбинированной торговой модели

Итоговый вид комбинированной модели вклчает в себя несколько элементов. Прежде всего, основным инструментом является смешанный коэффициент прогнозирования, который был представлен в разных вариациях и основывается на корреляциях между определенным количеством факторов и основной ценной бумагой. Далее, стратегия парного трейдинга и бета нейтрального портфеля с выбранными бумагами используется для минимизации торгового риска. Информация некоторых аналитических источников и правила технического анализа также могут использоваться для прояснения некоторых ситуаций. Регрессии Eviews не будут использоваться в модели, исходя из неудовлетворительных результатов их проверки на реальных данных.

3. Проверка комбинированной торговой модели

3.1 Проверка коэффициентов прогнозирования

После создания комбинированной торговой модели, необходимо сделать серию проверок всех инструментов модели и модели в целом на реальных данных. Прежде всего, основной составляющей модели является коэффициент прогнозирования.

Посредством ряда расчета коэффициента в различных ситуация и разных временных промежутках в течение 8 месяцев, было определено, что коэффициенты обладают наибольшей способностью прогнозирования когда значение MFK1 или MFK3 больше, чем 1, 5, в то время как значение PFK больше, чем 3, 5.

Периодом для финальной проверки был выбран период длиной в более чем 2 месяца, с 18 февраля 2013 года по 2 мая 2013 года. Вся проверка разделена на 11 недель. Каждая неделя представлена в виде графика с тремя вариациями коэффициента прогнозирования (MFK1, MFK3, PFK) и с дневными изменениями цены акций Сбербанка.

График 8

Источник: finam.ru, анализ автора

В течение первой недели было два торговых сигнала. Первый прогноз был на продажу акций Сбербанка 20 февраля. Второй сигнал был на следующий день и также был на продажу. Эти прогнозы были верны и могли принести 1% и 0, 6% соответственно.

График 9

Источник: finam.ru, анализ автора

Два сигнала имели место на этой неделе. Первый прогноз был успешным и мог принести 2, 3%. Данная ситуация превосходно иллюстрирует способность прогнозирования коэффициента. Цена акций Сбербанка следует за трендом коэффициента с задержкой в один день и достигает необходимого значения к концу следующего дня. Второй прогноз мог помочь заработать 1, 08%.

График 10

Источник: finam.ru, анализ автора

График показывает, что был лишь один сигнал. Он был верным и мог принести 1, 36%.

График 11

Источник: finam.ru, анализ автора

В течение данной недели торговых сигналов не было.

График 12

Источник: finam.ru, анализ автора

Один прогноз бы 18 Марта. Он мог принести прибыль, равную 0, 73%.

График 13

Источник: finam.ru, анализ автора

В течение последней недели Марта торговых сигналов не было.

График 14

Источник: finam.ru, анализ автора

На данной неделе было обоснованным торговать только 4 Апреля. Все коэффициенты были в отрицательной зоне со значениями -2, 6, -2, 4, и -4, 24 соответственно. Данный индикатор на продажу акций Сбербанка был верным и мог принести прибыль 0, 67%.

График 15

Источник: finam.ru, анализ автора

График указывает на наличие двух сигналов в течение недели 9 и 12 Апреля. Однако, существует несколько дополнительных условий для торговли в конце недели, так как открытая в пятницу позиция имеет дополнительный риск. Несколько факторов модели торгуются на выходных и могут изменить ситуацию, когда коэффициент прогнозирования меняется, а торговые позиции уже открыты. Следовательно, необходимо вводить дополнительную проверку для торговых сигналов по пятницам. Первый сигнал недели был абсолютно верным и мог принести приблизительно 0, 85%.

График 16

Источник: finam.ru, анализ автора

На этой неделе было три прогноза в первые три дня. 15 Апреля прогноз был ошибочным и мог принести убытки 0,2%. Второй прогноз был верным и мог закрыться с прибылью 1, 42% . Последний сигнал был неверным и потери были бы равны приблизительно 1%.

График 17

Источник: finam.ru, анализ автора

В течение этой недели сигналов не было. 25 Апреля были достаточно высокими значения MFK1 и MFK3, но значения PFK было недостаточно.

График 18

Источник: finam.ru, анализ автора

График указывает на то, что два прогноза были в начале недели. Первый сигнал предсказал рост Сбербанка и к конц следующего дня цена его акций выросла на 4, 7%. Второй прогноз был также правильным и мог принести 1, 77%

Далее, необходимо проанализировать прогнозы, сделанные по пятницам. Для уточнения торгового решения, необходимо проверить результаты торгов в выходные некоторых факторов. Следующие факторы торгуются в выходные: Brent, Light Sweet and Asia\Pacific oil & gas index. Все эти факторы связаны с нефтью и имеют сильное воздействие на ценообразование акций Сбербанка.

Первый сигнал в пятницу был 12 Апреля. Значения упомянутых факторов не изменились значительно на выходных. Asia\Pacific oil & gas index упал на 0, 00014% в то время как Brent вырос на 0, 000194%. Следовательно, не было никаких препятствий открывать позиции, используя коэффициент прогнозирования.

График 19

Источник: finam.ru, анализ автора

Пятничный коэффициент советовал продавать акции Сбербанка. Это решение могло принести 2, 79%. Сигнал следующей пятницы был 19 Апреля. Факторы, торгующиеся на выходных снова были стабильными, однако, в этот раз прогноз был неверным.

График 20

Источник: finam.ru, анализ автора

Это самая крупная ошибка коэффициента в течение периода проверки. Потери при открытии позиций после данного сигнала могли составить 1, 4%.

Подводя итоги, в течение периода проверки, можно отметить наличные 15 прогнозов. 12 из них были верны и могли принести суммарно 19, 24% прибыли. 3прогноза были ошибочными и могли принести убытки в размере 2, 6%. В общем, все сигналы могли принести 19, 24 - 2, 6 = 16, 64%.

Результаты показывают, что коэффициент прогнозирования способен определять правильное время для открытия позиций и предсказывать изменение цены акций Сбербанка. 80% (12 сигналов) от всех прогнозов были успешными. Потенциальные потери от 20% (3 сигнала) были существенны лишь в двух случая. В одном случае потери были близки к нулю. Отношение правильных прогнозов к ошибочным 5 к 1. Отношение прибыли к убыткам 7, 4 к 1.

3.2 Проверка стратегии минимизации рисков

Как это было сказано ранее, стратегия минимизации рисков базируется на парном трейдинге. Акции Газпромнефти были выбраны второй бумагой для парного трейдинга. В целом, цены акций Газпромнефти и Сбербанка двигаются практически одинаково.

График 21

Источник: finam.ru

Лучший способ проверки стратегии минимизации рисков - это проверка использования парного трейдинга с 15 прогнозами, описанными в предыдущем параграфе. Дополнительно к основной позиции, открытой по сигналам коэффициента прогнозирования, будет открываться противоположная позиция с акциями Газпромнефти. В случае правильного прогноза, позиции будут закрываться с прибылью на следующий день. В случае неудачи, позиции будут закрываться в течение нескольких дней, когда они достигнут прибыли или нуля в конце торгового дня. Первый сигнал был 20 февраля. Следующая таблица показывает изменение цен двух выбранных бумаг.

Таблица 12

Источник: finam.ru, анализ автора

Противоположные позиции, открытые 20 февраля могли принестипотери в размере 0, 45%. Эти позиции достигли бы прибыли к концу 22 февраля с результатом 038%. Следующий сигнал был 25 февраля. Позиции закрылись бы к концу следующего дня с прибылью 1, 83%. Третий прогноз был 27 февраля. Открытые позиции принесли бы доход 3, 21% к концу следующего дня. Последний сигнал в этой таблице был 5 марта. Результат торговли был бы равен 0, 3% к концу торговой сессии следующего дня.

Таблица 13

Источник: finam.ru, анализ автора

Последний сигнал месяца был 18 марта. Стратегия парного трейдинга принесла бы прибыль размером 0, 2% к концу 22 марта.

Таблица 14

Источник: finam.ru, анализ автора

В случае открытия позиции 4 Апреля, продажа акций Сбербанка и покупка акций Газпромнефти принесли бы убыток 0, 42% на следующий день. Эти позиции достигли бы прибыли 15 Апреля. В рамках данной стратегии, позиции были бы закрыты вечером 15 Апреля с прибылью 2, 07%. Следующий прогноз был 16 Апреля и при использовании стратегии минимизации рисков,открытые позиции принесли бы 0, 67% прибыли к концу следующего дня.

Таблица 15

Источник: finam.ru, анализ автора

Следующий сигнал был 17 апреля и к концу 18 апреля мог принести 0, 93%. Далее, сигнал 29 апреля также принес бы прибыль размером 2, 04% на следующий день. Последний прогноз был 30 апреля . Открытые позиции могли бы принести 0, 19% на следующий день.

В общем, все упомянуты прогнозы принесли бы 11, 79%. К сожалению, данная стратегия минимизации рисков требует разделения депозита на две части для двух бумаг. Следовательно, прибыль будет в два раза меньше. В итоге, прибыль бы равнялась 11, 79 / 2 = 5, 9%. В целом, это хороший результат с учетом практически отсутствующего риска.

Заключение

Данная работа была посвящена изучению различных особенностей российской фондовой биржи и закономерностей, связанных с акциями Сбербанка. Основной целью работы было создание комбинированной торговой модели.

Следующие задачи были выполнены:

1. Некоторые особенности российской фондовой биржи были найдены и изучены.

2. Ряд закономерностей, связанных с акциями Сбербанка были обнаружны и проанализированы.

3. Определенное число факторов для модели были отобраны и все необходимые корреляции были посчитаны.

4. Все изменения факторов, которые имеют влияние на ценообразование акций Сбербанка были собраны и объединены в виде коэффициента прогнозирования.

5. Несколько вариаций коэффициента прогнозирования были расчитаны и проверены на реальных данных.

6. Стратегия минимизации рисков была определена и вторая бумага для данной стратегии была отобрана.

7. Итоговый вид комбинированной торговой модели был представлен.

8. Коэффициент прогнозирования и стратегия минимизации рисков были проверены на реальных данных.

9. Прибыльность модели была расчитана и результаты проверки инструментов модели были представлены.

В общем, комбинированная торговая модель показала превосходную способность прогнозирования с результатами 16, 64% и 5, 9 % доходности. (без и со стратегией минимизации рисков соответственно). Данная модель может быть использована для реальной торговли на бирже.

Некоторые недостатки, выявленные в процессе построения и проверки модели могут послужить основой для дальнейших исследований.

Список литературы

1. Мантенья Р, Стенли Х. Введение в эконофизику: корреляции и сложность в финансах. -М. : ЛИБРОКОМ, 2009. -192 с.

2. Graham, Benjamin; David Dodd. The Intelligent Investor. (2003 edition). HarperCollins.

2. Graham, Benjamin. Security Analysis. (2003 edition). HarperCollins.

3. Bob Litterman, Quantitative Resources Group. Modern investment management: an equilibrium approach. (2002 edition). The Wharton School, University of Pennsylvania.

4. Luenberger D.G. Investment science. Stanford University Press.

5. Bruce J. Feibel. Investment Performance Measurement. John Wiley & Sons Inc.

6. Ramanna Vishwanath, Ramanna Vishwanath, Chandrasekhar Krishnamurti. Investment management. A modern guide to security analysis and stock selection. Springer Press.

7. Tony Plummer. Forecasting Financial Markets: The Psychology of Successful investing (2008 edition). Kogan Page.

8. W. Goeltzman. An Introduction to Investment Theory. Fisher Investments Press.

9. Leigh Stevens. Essential Technical Analysis: Tools and Techniques to Spot Market Trends. John Wiley & Sons Inc.

10. Farley Alan. Mastering short-term trading with technical analysis. Springer Press.

11. Applebaum David. Levy processes and stochastic calculus. -Cambridge. : Cambridge University Press, 2009.

12. Jorion Philippe. Financial Risk Management Handbook. -NJ. : Wiley, 2009.

13. Peters Edgar. Fractal market analysis. -NJ. : Wiley, 1994.

14. Viens Frederi. Modeling high-frequency data in finance. -NJ. : Wiley, 2012.

15. Winkel Matthias. Levy process in finance. -Oxford. : Oxford University Press, 2010.

16. Anderson, T. W.; Darling, D. A. Asymptotic theory of certain "goodness-of-fit" criteria based on stochastic processes // Annals of Mathematical Statistics. -1952. -№23.

17. Carbone A., Castelli G., Stanley H.E. Time-dependent Hurst exponent in financial time series // Physica. -2004. №344.

18. Eriksson Anders. The NIG distribution and the pricing of derivatives // University of North Carolina Working paper. -2009. -№1.

19. Fan J., Wang Y. Multi-scale jump and volatility analysis for high-frequency financial data // Princeton University Working paper. -2007.

20. Frain John. Value at Risk and the alpha-stable distribution // TEP Working Paper. -2008. -№0308.

21. KitchenC. Normal Inverse Gaussian (NIG) Process With Applications in Mathematical Finance // The Mathematical and Computational Finance Laboratory. -2009.

22. Laeven Roger, Cacho-Diaz Julio. Modeling financial contagion using mutually existing jump process // Princeton University Working paper. -2011. -

23. Mantegna Rosario, Stanley Eugene. Scaling behavior in the dynamics of an economic index // Nature. -1995. -№376.


Подобные документы

  • Понятие банкротства, его основные причины и необходимость прогнозирования. Отечественные и зарубежные модели экспресс-прогнозирования возможности наступления банкротства. Сущность модели О.П. Зайцевой и расчет вероятности наступления банкротства.

    курсовая работа [98,7 K], добавлен 30.09.2009

  • Теоретичские основы работы фондовой биржи. Общетеоретические основы множественного корреляционно-регрессионного метода анализа. Оценка качества модели множественной регрессии. Апробирование модели для прогнозирования фондового индекса РТС на 2014 год.

    курсовая работа [1,8 M], добавлен 10.05.2015

  • Временные ряды и прогнозирование. Сетевой анализ и планирование проектов. Модели кривых роста. Статистические критерии сезонности: дисперсионный, автокорреляционный, гармонический. Модели, которые используются для прогнозирования сезонных процессов.

    контрольная работа [285,1 K], добавлен 15.07.2010

  • Обзор математических моделей финансовых пирамид. Анализ модели динамики финансовых пузырей Чернавского. Обзор модели долгосрочного социально-экономического прогнозирования. Оценка приоритета простых моделей. Вывод математической модели макроэкономики.

    курсовая работа [1,7 M], добавлен 27.11.2017

  • Составление матрицы парных коэффициентов корреляции. Построение уравнения регрессии, характеризующего зависимость цены от всех факторов. Проведение регрессионного анализа с помощью пакета SPSS. Экономическая интерпретация коэффициентов модели регрессии.

    лабораторная работа [2,5 M], добавлен 27.09.2012

  • Уровень жизни населения как объект прогнозирования, современные подходы и критерии его оценки, используемые методы и модели. Анализ динамики экономических показателей населения РФ и этапы их прогнозирования, экономическое обоснование и значение.

    контрольная работа [63,3 K], добавлен 15.04.2015

  • Особенности и значение прогнозирования риска банкротства предприятия, формула расчета определения его вероятности. Сущность модели вероятности риска Таффлера, платежеспособности Спрингейта. Расчет пятифакторной модели Альтмана для акционерных обществ.

    контрольная работа [24,1 K], добавлен 14.11.2010

  • Прогнозирование является исходной предпосылкой для проектирования вообще и финансового в частности. Инвестиционный проект в данном контексте можно рассматривать как прогнозную модель денежных потоков. Аддитивные и мультипликативные модели прогнозирования.

    реферат [82,3 K], добавлен 25.02.2010

  • Понятие, сущность, значение, основные виды, показатели доходности акций и способы их расчета. Методика корреляционного и регрессионного анализа. Методы прогнозирования в рядах динамики. Прогнозирование стоимости акций ОАО ГМК "Норильский никель".

    курсовая работа [648,8 K], добавлен 27.11.2012

  • Составление матрицы парных коэффициентов корреляции переменных. Построение линейного уравнения регрессии, характеризирующее зависимость цены от факторов. Оценка статистической значимости параметров в регрессионной модели с помощью t-критерия Стьюдента.

    лабораторная работа [1,6 M], добавлен 13.04.2010

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.