<< Пред.           стр. 5 (из 10)           След. >>

Список литературы по разделу

 Найдем наклон кривой N'(Z) при +2 стандартных отклонениях:
 N"(Z) = -2 I 2,506628274 * ЕХР(-(+2^ 2) / 2) = -2 / 2,506628274 * ЕХР(-2) = -2 / 2,506628274 * 0,1353353 =-0,1079968336
 Теперь мы знаем, что мгновенная скорость изменения функции N'(Z) при Z = +2 равна-0,1079968336. Это означает повышение/понижение за период, поэтому, когда Z = +2, кривая N'(Z) повышается на -0,1079968336. Эта ситуация показана на рисунке 3-13.
 Последующие производные даются далее для справки. Они не будут использоваться в оставшейся части книги и представлены для полноты освещения темы:
 
 В качестве последнего дополнения к сказанному о нормальном распределении стоит заметить, что на самом деле это распределение не такое остроконечное, как на графиках, представленных в данной главе. Реальная форма нормального распределения показана на рисунке 3-14. Отметьте, что здесь масштабы двух осей одинаковы, в то время как в других графических примерах они отличаются для придания более вытянутой формы.
 Логарифмически нормальное распределение
 Для торговли многие приложения требуют небольшой, но важной модификации нормального распределения.
 
 Рисунок 3-13 N"(Z) дает наклон касательной к N'(Z) при Z = +2
 
 Рисунок 3-14 Реальная форма нормального распределения
 
 С помощью этой модификации нормальное распределение преобразуется в логарифмически нормальное распределение. Цена любого свободно котируемого инструмента имеет нулевое значение в качестве нижнего предела1. Поэтому когда цена этого инструмента падает и приближается к нулю, то, теоретически, цене инструмента должно быть все труднее понизиться. Рассмотрим некую акцию стоимостью 10 долларов. Если бы акция упала на 5 долларов до 5 долларов за акцию (50% понижение), то в соответствии с нормальным распределением она может также легко упасть с 5 долларов до 0 долларов. Однако при логарифмически нормальном распределении подобное падение на 50% с цены в 5 долларов за акцию до цены 2,50 долларов за акцию будет примерно таким же вероятным, как и падение с 10 долларов до 5 долларов за акцию.
 
 Рисунок 3-15 Нормальное и логарифмически нормальное распределения
 Логарифмически нормальное распределение, рисунок 3-15, работает точно так же, как и нормальное распределение, за тем исключением, что при логарифмически нормальном распределении мы имеем дело с процентными изменениями, а не абсолютными. Теперь рассмотрим движение вверх. В соответствии с логарифмически нормальным распределением движение с 10 долларов за акцию до 20 долларов за акцию аналогично движению с 5 долларов до 10 долларов за акцию, так как оба эти движения представляют повышение на 100%. Это не означает, что мы не будем использовать нормальное распределение. Мы просто познакомимся с логарифмически нормальным распределением, покажем его отличие от нормального (логарифмически нормальное распределение использует процентные, а не абсолютные изменения цены) и увидим, что обычно именно оно используется при обсуждении ценовых движений или в том случае, когда нормальное распределение ограничено снизу нулем. Для использования логарифмически нормального распределения необходимо преобразовывать данные, с которыми вы работаете, в натуральные логарифмы1.
  Преобразованные данные будут нормально распределяться, если необработанные данные распределялись логарифмически нормально. Если мы рассматриваем распределение изменений цены и оно логарифмически нормальное, то можно использовать нормальное распределение. Сначала мы должны разделить каждую цену закрытия на предыдущую цену закрытия. Допустим, мы рассматриваем распределение ежемесячных цен закрытия (можно использовать любой временной период: часовой, дневной, годовой и т.д.). Предположим, цены закрытия последних пяти месяцев - 10 долларов, 5 долларов, 10 долларов, 10 долларов и 20 долларов. Это соответствует понижению на 50% во втором месяце, повышению на 100% в третьем месяце, повышению на 0% в четвертом месяце и повышению на 100% в пятом месяце. Соответственно мы получим частные 0,5; 2; 1 и 2 по ежемесячным изменениям цен со второго по пятый месяцы. Это то же, что и HPR нашей последовательности. Теперь мы должны преобразовать их в натуральные логарифмы, чтобы изучить полученное распределение на основе математического аппарата нормального распределения. Таким образом, натуральный логарифм 0,5 равен -0,6931473, ln(2) =0,6931471 и ln(1) = 0. Теперь к распределению этих преобразованных данных мы можем применять математические методы, относящиеся к нормальному распределению.
 Параметрическое оптимальное f
 Мы немного познакомились с математикой нормального и логарифмически нормального распределения и теперь посмотрим, как находить оптимальное f по нормально распределенным результатам. Формула Келли является примером параметрического оптимального f, где f является функцией двух параметров. В формуле Келли вводные параметры - это процент выигрышных ставок и отношение выигрыша к проигрышу. Однако формула Келли даст вам оптимальное f только тогда, когда возможные результаты имеют бернуллиево распределение. Другими словами, формула Келли даст правильное оптимальное f, когда есть только два возможных результата, в противном случае, как, например, в нормально распределенных результатах, формула Келли не даст вам правильное оптимальное f2.
 Параметрические методы гораздо мощнее эмпирических. Рассмотрим ситуацию, которую можно полностью описать бернуллиевым распределением. Мы можем рассчитать оптимальное f либо из формулы Келли, либо с помощью эмпирического метода. Допустим, мы выигрываем 60% времени. Предположим, мы бросаем несимметричную монету, и при долгой последовательности 60% бросков будут приходиться на лицевую сторону. Поэтому мы каждый раз ставим на то, что монета будет выпадать на лицевую сторону, и выигрыш составляет 1:1. Из формулы Келли следует, что надо ставить 0,2 нашего счета. Также допустим, что из прошлых 20 бросков 11 выпали лицевой стороной, а 9 обратной. Если бы мы использовали эти 20 сделок в качестве вводных данных для эмпирического метода расчета f, результатом было бы то, что следует рисковать 0,1 нашего счета при каждой следующей ставке. Какое значение правильно, 0,2, полученное параметрическим методом (формула Келли с бернуллиевым распределением), или 0,1, найденное эмпирически на основе 20 последних бросков? Правильным ответом является значение 0,2, найденное с помощью параметрического метода. Причина в том, что каждый последующий бросок имеет 60% вероятность выпасть лицевой стороной, а не 55% вероятность, что следует из результатов 20 последних бросков. Хотя мы рассматриваем только 5% отклонение в вероятности, то есть 1 бросок из 20, результаты после применения разных значений f будут сильно отличаться. Вообще параметрические методы внутренне более точны, чем эмпирические (при условии, что мы знаем распределение результатов). Это первое преимущество параметрического метода. Самый большой недостаток параметрических методов состоит в том, что мы должны знать, каким распределение результатов будет в течение длительного времени. Второе преимущество состоит в том, что для эмпирического метода требуются исторические данные, в то время как для параметрического в этом нет необходимости. Кроме того, эта история должна быть довольно протяженной. В только
 что рассмотренном примере можно предположить, что, если бы у нас была история 50 бросков, мы бы получили эмпирическое оптимальное f ближе к 0,2. При истории 1000 бросков оно было бы еще ближе. Тот факт, что эмпирические методы требуют довольно большого объема исторических данных, свел все их использование к механическим торговым системам. Тот, кто в торговле использует что-либо отличное от механических торговых систем, будь то волны Эллиотта или фундаментальные данные, практически не имеет возможности использовать метод оптимального f. С параметрическими методами дело обстоит иначе. Например, тот, кто желает слепо следовать какому-нибудь рыночному гуру, имеет теперь возможность использовать оптимальное f. В этом состоит третье преимущество параметрического метода - он может использоваться любым трейдером на любом рынке. В том случае, когда не используется механическая торговая система, следует помнить о важном допущении. Оно состоит в том, что будущее распределение прибылей и убытков будет напоминать распределение в прошлом (поэтому мы и рассчитываем оптимальное f), это может оказаться менее вероятным, чем в случае использования механической системы.
 Все вышесказанное заставляет по-иному взглянуть на ожидаемую работу любого не полностью механического метода. Даже профессионалы ("фундамента-листы", последователи Ганна или Эллиотта и т.п.), использующие такие методы, обречены на неудачу, если они находятся далеко справа от пика кривой f. Если они слишком далеко слева от пика, то получат геометрически более низкие прибыли, чем их опыт и навыки в этой области позволяют. Более того, практики не полностью механических методов должны понимать, что все сказанное об оптимальном f и чисто механических методах будет иметь прямое отношение и к их системам. Это надо учитывать при использовании подобных методов. Помните, что проигрыши могут быть значительными, но это не означает, что метод не следует применять.
 Четвертое и, возможно, наибольшее преимущество параметрического метода определения оптимального f состоит в том, что параметрический метод позволяет создавать модели "что если". Например, вы решили торговать по рыночной системе, которая работала достаточно успешно, но хотите подготовиться к ситуации, когда эта рыночная система прекратит хорошо работать. Параметрические методы позволяют варьировать ваши вводные параметры для отражения возможных изменений, и благодаря этому показать, когда рыночная система прекратит хорошо работать. Еще раз повторюсь: параметрические методы намного мощнее эмпирических.
 Зачем вообще использовать эмпирические методы? Они интуитивно более очевидны, чем параметрические. Следовательно, эмпирические методы необходимо изучать до перехода к параметрическим. Мы уже достаточно подробно рассмотрели эмпирический подход и поэтому готовы изучать параметрические методы.
 
 Распределение торговых прибылей и убытков (P&L)
 Рассмотрим следующую последовательность 232 торговых прибылей и убытков в пунктах. Не имеет значения, к какому товару или системе относится этот поток данных - это может быть любая система на любом рынке.
 
 № сделки P&L № сделки P&L № сделки P&L № сделки P&L 1. 0,18 25. 0,15 49. 0,17 73. 0,22 2. -1,11 26. 0,15 50. -1,53 74. 0,92 3. 0,42 27. -1,14 51. 0,15 75. 0,32 4. -0,83 28. 1,12 52. -0,93 76. 0,17 5. 1,42 29. -1,88 53. 0,42 77. 0,57 6. 0,42 30. 0,17 54. 2,77 78. 0,17 7. -0,99 31. 0,57 55. 8,52 79. 1,18 8. 0,87 32. 0,47 56. 2,47 80. 0,17 9. 0,92 33. -1,88 57. -2,08 81. 0,72 10. -0,4 34. 0,17 58. -1,88 82. -3,33 11. -1,48 35. -1,93 59. -1,88 83. -4,13 12. 1,87 36. 0,92 60. 1,67 84. -1,63 13. 1,37 37. 1,45 61. -1,88 85. -1,23 14. -1,48 38. 0,17 62. 3,72 86. 1,62 15. -0,21 39. 1,87 63. 2,87 87. 0,27 16. 1,82 40. 0,52 64. 2,17 88. 1,97 17. 0,15 41. 0,67 65. 1,37 89. -1,72 18. 0,32 42. -1,58 66. 1,62 90. 1,47 19. -1,18 43. -0,5 67. 0,17 91. -1,88 20. -0,43 44. 0,17 68. 0,62 92. 1,72 21. 0,42 45. 0,17 69. 0,92 93. 1,02 22. 0,57 46. -0,65 70. 0,17 94. 0,67 23. 4,72 47. 0,96 71. 1,52 95. 0,67 24. 12,42 48. -0,88 72. -1,78 96. -1,18
 
 
 
  Продолжение № сделки P&L № сделки P&L № сделки P&L № сделки P&L 97. 3,22 126. -1,83 155. 0,37 184. 0,57 98. -4,83 127. 0,32 156. 0,87 185. 0,35 99. 8,42 128. 1,62 157. 1,32 186. 1,57 100. -1,58
 
  158. 0,16 187. -1,73 101. -1,88 130. 1,02 159. 0,18 188. -0,83 102. 1,23 131. -0,81 160. 0,52 189. -1,18 103. 1,72 132. -0,74 161. -2,33 190. -0,65 104. 1,12 133. 1,09 162. 1,07 191. -0,78 105. -0,97 134. -1,13 163. 1,32 192. -1,28 106. -1,88 135. 0,52 164. 1,42 193. 0,32 107. -1,88 136. 0,18 165. 2,72 194. 1,24 108. 1,27 137. 0,18 166. 1,37 195. 2,05 109. 0,16 138. 1,47 167. -1,93 196. 0,75 110. 1,22 139. -1,07 168. 2,12 197. 0,17 111. -0,99 140. -0,98 169. 0,62 198. 0,67 112. 1,37 141. 1,07 170. 0,57 199. -0,56 113. 0,18 142. -0,88 171. 0,42 200. -0,98 114. 0,18 143. -0,51 172. 1,58 201. 0,17 115. 2,07 144. 0,57 173. 0,17 202. -0,96 116. 1,47 145. 2,07 174. 0,62 203. 0,35 117. 4,87 146. 0,55 175. 0,77 204. 0,52 118. -1,08 147. 0,42 176. 0,37 205. 0,77 119. 1,27 148. 1,42 177. -1,33 206. 1,10 120. 0,62 149. 0,97 178. -1,18 207. -1,88 121. -1,03 150. 0,62 179. 0,97 208. 0,35 122. 1,82 151. 0,32 180. 0,70 209. 0,92 123. 0,42 152. 0,67 181. 1,64 210. 1,55 124. -2,63 153. 0,77 182. 0,57 211. 1,17 125. -0,73 154. 0,67 183. 0,24 212. 0,67
 
 
 
  Продолжение № сделки P&L № сделки P&L № сделки P&L № сделки P&L 213. 0,82 218. 0,25 223. -1,30 228. 1,80 214. -0,98 219. 0,14 224. 0,37 229. 2,12 215. -0,85 220. 0,79 225. -0,51 230. 0,77 216. 0,22 221. -0,55 226. 0,34 231. -1,33 217. -1,08 222. 0,32 227. -1,28 232. 1,52
 Если мы хотим определить приведенное параметрическое оптимальное f, нам придется преобразовать эти торговые прибыли и убытки в процентные повышения и понижения (основываясь на уравнениях с (2.10а) по (2.10в)). Затем мы преобразуем эти процентные прибыли и убытки, умножив их на текущую цену базового инструмента. Например, P&L № 1 составляет 0,18. Допустим, что цена входа в эту сделку была 100,50. Таким образом, процентное повышение по этой сделке будет 0,18/100,50 = 0,001791044776. Теперь предположим, что текущая цена базового инструмента составляет 112,00. Умножив 0,001791044776 на 112,00, мы получаем приведенное P&L = 0,2005970149. Чтобы получить полные приведенные данные, необходимо проделать эту процедуру для всех 232 торговых прибылей и убытков.
  Независимо от того, будем мы проводить расчеты, используя приведенные данные, или нет (в этой главе мы не будем использовать приведенные данные), мы все равно должны рассчитать среднее (арифметическое) и стандартное отклонение совокупности этих 232 торговых прибылей и убытков. В нашем случае это 0,330129 и 1,743232 соответственно (если бы мы проводили операции на приведенной основе, нам бы понадобилось определять среднее и стандартное отклонение по приведенным торговым P&L). Теперь мы можем использовать уравнение (3.16), чтобы преобразовать каждую отдельную торговую прибыль и убыток в стандартные единицы.
 (3.16) Z=(X-U)/S,
  где U = среднее значение данных;
  S = стандартное отклонение данных;
  Х = наблюдаемая точка данных.
 
 Для сделки № 1 преобразуем прибыль 0,18 в стандартные единицы:
 Z= (0,18-0,330129)/1,743232 =-0,150129/1,743232 =-0,08612106708
 Таким же образом следующие три сделки -1,11; 0,42 и -0,83 преобразовываются в -0,8261258398; 0,05155423948 и -0,6655046488 стандартных единицы. После того, как мы преобразуем все торговые прибыли и убытки в стандартные единицы, можно собрать в ячейки теперь уже нормированные данные. Вспомните, что при наличии ячеек теряется часть информации о распределении (в нашем случае о распределении отдельных сделок), но характер распределения остается тем же. Допустим, мы помещаем эти 232 сделки в 10 ячеек. Количество ячеек выбрано произвольно - мы могли бы выбрать 9 или 50 ячеек.
 
 Рисунок 3-16 232 сделки в 10 ячейках от -2 до +2 сигмы и нормальное распределение
 Когда мы размещаем данные в ячейки, то должны выбрать интервал значений, в котором расположены ячейки. Мы выберем интервал от -2 до +2 сигмы. Это означает, что у нас будет 10 одинаковых ячеек между -2 стандартными единицами и +2 стандартными единицами. Так как между -2 и +2 4 стандартных единицы и мы делим этот диапазон на 10 равных частей, то получаем 4 / 10 = 0,4 стандартных единицы в качестве размера или "ширины" каждой ячейки. Поэтому наша первая ячейка будет содержать те сделки, которые были в диапазоне от -2 до -1,6 стандартных единиц, следующая ячейка будет содержать сделки от-1,6 до-1,2, затем от -1,2 до -0,8, и так далее, пока последняя ячейка не вместит сделки между 1,6 и 2 стандартными единицами. В нашем случае те сделки, которые менее -2 стандартных единиц или больше +2 стандартных единиц, не будут размещены в ячейки, и мы их проигнорируем. Если бы мы пожелали, то включили бы их в крайние ячейки, разместив точки данных менее -2 в ячейку от -2 до -1,6, и таким же образом поступили бы в отношении тех точек данных, которые больше 2. Конечно, мы могли бы выбрать более широкий диапазон, но эти сделки находятся за пределами выбранных ячеек, и мы их не учитываем. Другими словами, мы не рассматриваем сделки, P&L в которых меньше, чем 0,330129 - (1,743232 * 2) = = -3,1563, или больше, чем 0,330129 + (1,743232 * 2) = 3,816593. Мы сейчас создали распределение торговых P&L системы. Распределение содержит 10 точек данных, так как мы решили работать с 10 ячейками. Каждая точка данных отражает число сделок, которые попадают в эту ячейку Каждая сделка не может попасть более чем в 1 ячейку и если сделка находится за пределами 2 стандартных единиц с любой стороны среднего (P&L < -3,156335 или > 3,816593), тогда она не будет представлена в этом распределении. Рисунок 3-16 показывает распределение, которое мы только что рассчитали. Может показаться, что распределение P&L торговой системы должно всегда быть смещено вправо за счет больших выигрышей. Наше распределение 232 торговых P&L представляет систему, которая в основном приносит небольшие прибыли. Многие трейдеры имеют ошибочное мнение, что распределение P&L должно быть смещено вправо для всех торговых систем. Это не всегда верно, что и подтверждает рисунок 3-16. Разные рыночные системы имеют различные распределения, и вам не следует ожидать, что все они будут одинаковыми. Также на рисунке 3-16 показано нормальное распределение для 232 торговых P&L, если бы они были нормально распределены. Это было сделано для того, чтобы вы могли графически сравнить торговые P&L для полученного и нормального распределения. Сначала нормальное распределение рассчитывается для границ каждой ячейки. Для самой левой ячейки это Z =-2 и Z=-1,6. Теперь подставим полученные значения Z в уравнение (3.21), чтобы рассчитать вероятность. В нашем примере это соответствует 0,02275 для Z = -2 и 0,05479932 для Z = -1,6. Затем возьмем абсолютное значение разности этих двух значений, которое в нашем примере будет ABS(0,02275 - 0,05479932) = = 0,03204932. Затем умножим полученный ответ на количество точек данных, то есть на 232 (мы все еще должны использовать 232 сделки, хотя некоторые исключаются, так как находятся вне диапазона выбранных ячеек). Таким образом, если бы данные были нормально распределены и размещены в 10 ячеек равной ширины между -2 и +2 сигма, тогда самая левая ячейка содержала бы 0,03204932 * 232 = 7,43544224 элемента. Если сделать расчет для каждой из 10 ячеек, мы получим нормальную кривую, показанную на рисунке 3-16.
 
 Поиск оптимального f пo нормальному распределению
 
 Сейчас мы разработаем метод поиска оптимального f по нормально распределенным данным. Как и формула Келли, это способ относится к параметрическим методам. Однако он намного мощнее, так как формула Келли отражает только два возможных результата события, а этот метод позволяет получить полный спектр результатов (при условии, что результаты нормально распределены). Удобство нормально распределенных результатов (кроме того факта, что в реальности они часто являются пределом многих других распределений) состоит в том, что их можно описать двумя параметрами. Формулы Келли дадут вам оптимальное f для бернуллиевых результатов, если известны два параметра: отношение выигрыша к проигрышу и вероятность выигрыша. Метод расчета оптимального f, о котором мы сейчас расскажем, также требует только два параметра - среднее значение и стандартное отклонение результатов. Вспомним, что нормальное распределение является непрерывным распределением. Для того, чтобы использовать этот метод, необходимо дискретное распределение. Далее вспомним, что нормальное распределение является неограниченным распределением. Первые два шага, которые мы должны сделать для нахождения оптимального f по нормально распределенным данным, - это определить, (1) на сколько сигма от среднего значения мы усекаем распределение и (2) на сколько равноотстоящих точек данных мы разделим интервал между двумя крайними точками, найденными в (1). Например, мы знаем, что 99,73% всех точек данных находятся между плюс и минус 3 сигма от среднего, поэтому можно использовать 3 сигма в качестве параметра для (1). Другими словами, мы рассматриваем нормальное распределение только между минус 3 сигма и плюс 3 сигма от среднего значения. Таким образом, мы охватываем 99,73% всей активности в пределах нормального распределения. Вообще, для этого параметра лучше использовать значение от 3 до 5 сигма. Что касается числа равноотстоящих точек данных (шаг 2), мы будем использовать число, как минимум, в десять раз большее количества стандартных отклонений, которое используется в (1). Если мы выберем 3 сигма для (1), тогда возьмем, по крайней мере, 30 равноотстоящих точек данных для (2). Это означает, что на горизонтальной оси следует отметить отрезок от минус 3 сигма до плюс 3 сигма и нанести на нем 30 равноотстоящих точек. Так как между минус 3 сигма и плюс 3 сигма находится 6 сигма и нам надо разместить на этом отрезке 30 равноотстоящих точек, мы должны разделить 6 на 30 - 1, или 29. Это даст нам 0,2068965517. Первой точкой данных будет минус 3. Затем мы будем добавлять 0,2068965517 к каждой предыдущей точке, пока не достигнем плюс 3. И так нанесем 30 равноотстоящих точек данных между минус 3 и плюс 3. Нашей второй точкой данных будет -3 + 0,2068965517 =-2,793103448, третьей точкой данных будет 2,79310344 + 0,2068965517 = -2,586206896, и так далее. Таким образом, мы зададим 30 точек на горизонтальной оси. Чем больше точек данных вы используете, тем лучше будет разрешение нормальной кривой. Использование количества точек в десять раз больше числа стандартных отклонений не является строгим правилом определения минимального числа точек данных. Нормальное распределение является непрерывным распределением. Однако мы должны сделать его дискретным, чтобы по нему найти оптимальное f. Чем большее число равноотстоящих точек данных мы используем, тем ближе наша дискретная модель будет к реальному непрерывному распределению. Почему не следует использовать слишком большое число точек данных? Чем больше точек данных вы будете использовать в нормальной кривой, тем больше времени понадобится для поиска оптимального f. Даже если вы будете использовать компьютер для поиска оптимального f, при большом количестве точек данных расчет займет достаточно много времени. Более того, каждая дополнительная точка данных увеличивает разрешение в меньшей степени, чем предыдущая точка. Мы будем называть описанные выше два вводных параметра ограничивающими параметрами (bounding parameters). Третий и четвертый шаги позволят определить среднюю арифметическую сделку и стандартное отклонение для рыночной системы, с которой вы работаете. Если у вас нет механической системы, можно получить эти числа из брокерских отчетов. Один из реальных плюсов рассматриваемого метода состоит в том, что для его использования не обязательно работать по механической системе, вам даже не нужны брокерские отчеты или торговые результаты в бумажной форме. Метод можно использовать, рассчитав два вводных параметра: среднюю арифметическую сделку (в пунктах или долларах) и стандартное отклонение сделок (в пунктах или долларах, в зависимости от того, что вы используете для средней арифметической сделки). Если стандартное отклонение сложно рассчитать, тогда просто попытайтесь понять, насколько, в среднем, сделка будет отличаться от средней сделки. Рассчитав среднее абсолютное отклонение, вы можете использовать уравнение (3.18) для преобразования оценочного среднего абсолютного отклонения в оценочное стандартное отклонение:
 (3.18) S=M* 1/0,7978845609
 =М* 1,253314137,
  где S = стандартное отклонение;
  М = среднее абсолютное отклонение.
 Эти два параметра, среднее арифметическое средней сделки и стандартное отклонение сделок, мы будем называть действительными вводными параметрами. Теперь нам надо взять все равноотстоящие точки данных из шага (2) и найти их соответствующие ценовые значения, основываясь на среднем арифметическом значении и стандартном отклонении. Вспомним, что наши равноотстоящие точки данных выражены в стандартных единицах. Теперь для каждой из этих равноотстоящих точек данных мы найдем соответствующую цену:
 (3.27) D = U + (S * Е),
 где D = ценовое значение, соответствующее значению стандартной единицы;
 Е = значение стандартной единицы;
 S = стандартное отклонение;
 U= среднее арифметическое.
 После того как мы определили все ценовые значения, соответствующие каждой точке данных, мы можем сказать, что сконструировали распределение, к которому, как ожидается, будут стремиться точки данных.
 Однако данный метод позволяет сделать намного больше. Мы можем включить два дополнительных параметра, которые позволят нам рассмотреть типы сценариев "что если". Эти параметры, которые мы назовем параметрами "что если", позволяют увидеть влияние изменения нашей средней сделки, или изменения дисперсии (стандартного отклонения) сделок.
 Первый из этих параметров, называемый сжатием (shrink), затрагивает среднюю сделку. Сжатие - это просто множитель нашей средней сделки. Вспомните, что когда мы находим оптимальное f, то попутно получаем другие величины, которые являются полезными побочными продуктами оптимального f. Такие расчеты включают среднее геометрическое, TWR и среднюю геометрическую сделку. Сжатие является величиной, на которую мы умножаем среднюю сделку еще до того, как осуществляем поиск оптимального f. Следовательно, сжатие позволяет нам рассчитать оптимальное f для того случая, когда средняя сделка затронута сжатием, а также рассчитать новые побочные продукты. Предположим, вы торгуете в системе, которая в последнее время работала очень эффективно. Вы знаете, что рано или поздно система прекратит работать так же успешно, поэтому хотите знать, что произойдет, если средняя сделка будет уменьшена наполовину. Используя значение сжатия 0,5 (так как сжатие является множителем, то средняя сделка, умноженная на 0,5, будет равна половине средней сделки), вы можете найти оптимальное f, когда средняя сделка уменьшается наполовину. Вы сможете увидеть, как такие изменения затрагивают геометрическую среднюю сделку и другие величины. Используя значение сжатия 2, вы также сможете увидеть последствия удвоения средней сделки. Другими словами, параметр сжатия может также использоваться для увеличения вашей средней сделки. Более того, он позволяет вам взять неприбыльную систему (то есть систему со средней сделкой меньше нуля) и, используя отрицательное значение сжатия, посмотреть, что произойдет, если эта система станет прибыльной. Допустим, у вас есть система, которая показывает среднюю сделку -100 долларов. Если вы будете использовать значение сжатия -0,5, то получите оптимальное f для этого распределения со средней сделкой 50 долларов, так как -100 * * -0,5 = 50. Если бы мы использовали фактор сжатия -2, то получили бы распределение со средней сделкой 200 долларов. Следует крайне аккуратно использовать параметры "что если", так как они легко могут привести к неправильным результатам. Уже было упомянуто, что вы можете превратить систему с отрицательной арифметической средней сделкой в прибыльную систему. Это может привести к проблемам, если, например, в будущем, у вас по-прежнему будет отрицательное ожидание. Другой параметр "что если" называется растяжением (stretch), но он не противоположен сжатию, как можно было бы подумать. Растяжение является множителем стандартного отклонения. Вы можете использовать этот параметр для определения влияния разброса на f и его побочные продукты. Растяжение всегда должно быть положительным числом, в то время как сжатие может быть положительным или отрицательным (пока средняя сделка, умноженная на сжатие, имеет положительное значение). Если вы хотите увидеть, что произойдет, когда ваше стандартное отклонение удвоится, просто используйте значение 2 для растяжения. Чтобы увидеть, что произойдет, если разброс уменьшится, используйте значение меньше 1.При использовании этого метода вы заметите, что, когда растяжение стремится к нулю, значения побочных продуктов увеличиваются, и, в результате, вы получаете более оптимистичную оценку будущего, и наоборот. Сжатие работает противоположным образом, так как при сжатии, стремящемся к нулю, мы получаем более пессимистичные оценки будущего, и наоборот. После того как мы зададим значения, которые будем использовать для растяжения и сжатия (сейчас и для одного, и для другого мы будем использовать единицу, то есть оставим действительные параметры без изменения), можно изменить уравнение (3.27):
 (3.28) D = (U * Сжатие) + (S * E * Растяжение),
 где D = значение цены, соответствующее значению стандартной единицы;
 Е = значение стандартной единицы;
 S = стандартное отклонение;
 U = среднее арифметическое.
 Подведем итоги. Первые два шага определяют ограничительные параметры (число сигма с каждой стороны от среднего, а также количество равноотстоящих точек данных, которое мы собираемся использовать в этом интервале).
 Следующие два шага - это нахождение действительных вводных параметров (средней арифметической сделки и стандартного отклонения). Мы можем получить эти параметры эмпирически из результатов торговой системы или из брокерских отчетов. Можно также получить эти величины оценочным путем, но помните, что результаты в этом случае будут настолько точны, насколько точны ваши оценки. Пятый и шестой шаги позволяют определить факторы, которые надо использовать для растяжения и сжатия, если вы собираетесь использовать сценарий "что если", в противном случае просто используйте единицу как для растяжения, так и для сжатия. Седьмым шагом будет использование уравнения (3.28) для преобразования равноотстоящих точек данных из стандартных значений либо в пункты, либо в доллары (в зависимости от того, что вы использовали в качестве вводных данных для средней арифметической сделки и стандартного отклонения).
  Восьмой шаг позволит найти вероятность, ассоциированную (associated) (находящуюся во взаимно однозначном соответствии) с каждой из равноотстоящих точек данных. Эта вероятность определяется уравнением 3.21):
 
 Мы будем использовать уравнение (3.21) без оговорки "если Z < 0, тогда N(Z) = 1 - N(Z)", так как нам надо знать, какова вероятность события, равного или превышающего заданное количество стандартных единиц.
  Каждая точка данных имеет стандартное значение, определяемое как параметр Z в уравнении (3.21), а также значение, выраженное в долларах или пунктах. Существует еще одна переменная, соответствующая каждой равноотстоящей точке данных, - ассоциированная вероятность.
 Алгоритм расчета
 Алгоритм будет продемонстрирован на торговом примере, уже рассмотренном в этой главе. Так как наши 232 сделки выражены в пунктах, нам следует преобразовать их в соответствующие долларовые значения. Какой именно
 рынок рассматривается, нам неизвестно, поэтому зададим произвольное значение в 1000 долларов за пункт. Таким образом, средняя сделка 0,330129 преобразуется в 0,330129 * 1000 долларов, или в 330,13 доллара. Стандартное отклонение 1,743232, умноженное на 1000 долларов за пункт, станет равно 1743,23 доллара. Теперь построим матрицу. Сначала мы должны определить диапазон (количество сигма от среднего), в который попадают данные. В нашем примере мы выберем 3 сигма, что означает диапазон от минус 3 сигма до плюс 3 сигма. Отметьте, что следует использовать одинаковое количество сигма слева и справа от среднего. Далее следует определиться с тем, на сколько равноотстоящих точек данных разделить полученный интервал. Выбрав 61, мы получим точку данных на каждой десятой части стандартной единицы. Таким образом, мы зададим столбец стандартных значений.
 Теперь мы должны определить среднее арифметическое, которое будем использовать в качестве вводного данного. Мы определим его эмпирически из 232 сделок, в нашем случае оно равно 330,13 доллара. Далее мы найдем стандартное отклонение, которое также определим эмпирически из 232 сделок, оно будет равно 1743,23 доллара. Теперь рассчитаем столбец ассоциированных P&L, то есть определим P&L для каждого стандартного значения. Но до того как определять столбец ассоциированных P&L, мы должны задать значения для растяжения и сжатия. Так как сейчас мы не собираемся рассматривать сценарии "что если", то возьмем единицу как для растяжения, так и для сжатия.
 
 Среднее арифметическое = 330,13
 Стандартное отклонение = 1743,23
 Растяжение = 1
 Сжатие = 1
 С помощью уравнения (3.28) можно рассчитать столбец ассоциированных P&L. Для этого возьмите каждое стандартное значение и подставьте в уравнение (3.28):
 (3.29) D = (U * Сжатие) + (S * E * Растяжение),
 где D = значение цены, соответствующее значению стандартной единицы;
 Е = значение стандартной единицы;
 S = стандартное отклонение;
 U=среднее арифметическое.
 При стандартном значении -3 ассоциированное P&L составляет:
 D = (U * Сжатие) + (S * E * Растяжение) = (330,129 * 1) + (1743,232 * (-3) * 1) = 330,129 + (-5229,696) = 330,129 - 5229,696 = -4899,567
 Таким образом, ассоциированное P&L при стандартном значении -3 равно -4899,567. Теперь нам надо определить ассоциированное P&L для следующего стандартного значения, которое составляет -2,9, для чего решим то же уравнение (3.29), только на этот раз возьмем Е = -2,9. Теперь определим столбец ассоциированной вероятности. Ее можно рассчитать, используя стандартное значение в качестве вводного данного для Z в уравнении (3.21) без оговорки "если Z < О, тогда N(Z) = 1 - N(Z)". При стандартном значении -3 (Z = -3) получаем:
 N(Z) = N'(Z) * ((1,330274429 * Y^ 5) - (1,821255978 * Y^ 4) +
 + (1,781477937 * Y ^ 3) - (0,356563782 * Y^ 2 + (0,31938153 * Y))) Если Z < 0, тогда N(Z) = 1 - N(Z), где Y =1/(1+0,2316419 *ABS(Z));
 ABS() = функция абсолютного значения;
 V N'(Z) = 0,398942 * EXP (- (Z^2/2));
 ЕХР() = экспоненциальная функция. Таким образом:
 N'(-3) = 0,398942 * EXP (- ((-3)^2/2)) = 0,398942 * ЕХР(- (9/2)) = 0,398942 * EXP (-4,5) =0,398942*0,011109 =0,004431846678 Y = 1 / (1 + 0,2316419 * ABS(-3)) = I/(1+0,2316419*3) =1/(1+ 0,6949257) =1/1,6949257 = 0,5899963639
 N(-3) = 0,004431846678 * ((1,330274429 * 0,5899963639 ^ 5) -
  - (-1,821255978 * 0,5899963639^ 4) + + (1,781477937 * 0,5899963639^3) -
  - (0,356563782 * 0,589996363^ 2) + + (0,31938153 * 0,5899963639)) = 0,004431846678 * ((1,330274429 * 0,07149022693) -
  - (1,821255978 * 0,1211706) + (1,781477937 * 0,2053752) -
  - (0,356563782 * 0,3480957094) + (0,31938153 * 0,5899963639)) = 0,004431846678 * (0,09510162081- 0,2206826796+ 0,3658713876 -
  -0,1241183226 + 0,1884339414) =0,004431846678*0,3046059476 =0,001349966857
 Отметьте, если Z имеет отрицательное значение (Z = -3), нам не надо менять N(Z) на N(Z) = 1 - N(Z). Теперь для каждого значения в столбце стандартных значений будут соответствующие значения в столбце ассоциированных P&L и в столбце ассоциированной вероятности. Это показано в следующей таблице. После того как вы заполните эти три столбца, можно начать поиск оптимального f и его побочных продуктов.
 
 Стандартное значение Ассоциированные P&L Ассоциированная вероятность Ассоциированное значение HPR при f= 0,01 -3,0 ($4899,57) 0,001350 0,9999864325 -2,9 ($4725,24) 0,001866 0,9999819179 -2,8 ($4550,92) 0,002555 0,9999761557 -2,7 ($4376,60) 0,003467 0,9999688918 -2,6 ($4202,27) 0,004661 0,9999598499 -2,5 ($4027,95) 0,006210 0,9999487404 -2,4 ($3853,63) 0,008198 0,9999352717 -2,3 ($3679,30) 0,010724 0,9999191675 -2,2 ($3504,98) 0,013903 0,9999001875
 Продолжение Стандартное значение Ассоциированные P&L Ассоциированная вероятность Ассоциированное значение HPR при f= 0,01 -2,1 ($3330,66) 0,017864 0,9998781535 -2,0 ($3156,33) 0,022750 0,9998529794 -1,9 ($2982,01) 0,028716 0,9998247051 -1,8 ($2807,69) 0,035930 0,9997935316 -1,7 ($2633,37) 0,044565 0,9997598578 -1,6 ($2459,04) 0,054799 0,9997243139 -1,5 ($2284,72) 0,066807 0,9996877915 -1,4 ($2110,40) 0,080757 0,9996514657 -1,3 ($1936,07) 0,096800 0,9996168071 -1,2 ($1761,75) 0,115070 0,9995855817 -1,1 ($1587,43) 0,135666 0,999559835 -1,0 ($1413,10) 0,158655 0,9995418607 -0,9 ($1238,78) 0,184060 0,9995341524 -0,8 ($1064,46) 0,211855 0,9995393392 -0,7 ($890,13) 0,241963 0,999560108 -0,6 ($715,81) 0,274253 0,9995991135 -0,5 ($541,49) 0,308537 0,9996588827 -0,4 ($367,16) 0,344578 0,9997417168 -0,3 ($192,84) 0,382088 0,9998495968 -0,2 ($18,52) 0,420740 0,9999840984 -0,1 $155,81 0,460172 1,0001463216 0,0 $330,13 0,500000 1,0003368389 0,1 $504,45 0,460172 1,0004736542 0,2 $678,78 0,420740 1,00058265 0,3 $853,10 0,382088 1,0006649234 0,4 $1027,42 0,344578 1,0007220715 0,5 $1201,75 0,308537 1,0007561259
 Продолжение Стандартное значение Ассоциированные P&L Ассоциированная вероятность Ассоциированное значение HPR при f= 0,01 0,6 $1376,07 0,274253 1,0007694689 0,7 $1,550,39 0,241963 1,0007647383 0,8 $1724,71 0,211855 1,0007447264 0,9 $1899,04 0,184060 1,0007122776 1,0 $2073,36 0,158655 1,0006701921 1,1 $2247,68 0,135666 1,0006211392 1,2 $2422,01 0,115070 1,0005675842 1,3 $2596,33 0,096800 1,0005117319 1,4 $2770,65 0,080757 1,0004554875 1,5 $2944,98 0,066807 1,0004004351 1,6 $3119,30 0,054799 1,0003478328 1,7 $3293,62 0,044565 1,0002986228 1,8 $3,467,95 0,035930 1,0002534528 1,9 $3642,27 0,028716 1,0002127072 2,0 $3816,59 0,022750 1,0001765438 2,1 $3990,92 0,017864 1,000144934 2,2 $4165,24 0,013903 1,0001177033 2,3 $4339,56 0,010724 1,0000945697 2,4 $4513,89 0,008198 1,0000751794 2,5 $4688,21 0,006210 1,0000591373 2,6 $4862,53 0,004661 1,0000460328 2,7 $5036,86 0,003467 1,0000354603 2,8 $5211,18 0,002555 1,0000270338 2,9 $5385,50 0,001866 1,0000203976 3,0 $5559,83 0,001350 1,0000152327
 Побочные продукты при f= 0,01:
 TWR= 1,0053555695
 Сумма вероятностей = 7,9791232176
 Среднее геометрическое = 1,0006696309
 GAT = $328,09 доллара.
 Оптимальное f надо искать следующим образом. Сначала вы должны определиться с методом поиска f. Можно просто перебрать числа от 0 до 1 с определенным шагом (например 0,01), используя итерационный метод, или применить метод параболической интерполяции, описанный в книге "Формулы управления портфелем". Вам следует определить, какое значение f (между 0 и 1) позволит получить наибольшее среднее геометрическое. После того как вы определитесь с методом поиска, следует найти ассоциированное P&L наихудшего случая. В нашем примере это значение P&L, соответствующее -3 стандартным единицам, то есть -4899,57.
 Для того чтобы найти средние геометрические для значений f, которые вы будете перебирать в поиске оптимального, нужно преобразовать каждое значение ассоциированных P&L и вероятность в HPR. Уравнение (3.30) позволяет рассчитать HPR:
 
 где L = ассоциированное значение P&L;
 W = ассоциированное значение P&L наихудшего случая (это всегда отрицательное значение);
 f= тестируемое значение f;
 Р = ассоциированная вероятность.
 Для f=0,01 найдем ассоциированное HPR при стандартном значении-3. Ассоциированное P&L наихудшего случая составляет -4899,57. Поэтому HPR равно:
 HPR = (1 + (-4899,57 / (-4899,57 / (-0,01))))^ 0,001349966857 = (1 + (-4899,57/489957))^ 0,001349966857 = (1 + (-0,01))^ 0,00139966857 = 0,99^ 0,001349966857 = 0,9999864325
 После того как мы найдем ассоциированные HPR для тестируемого f (0,01 в нашем примере), можно рассчитать TWR. TWR - это произведение всех HPR для данного значения f:
 
 где N = общее число равноотстоящих точек данных;
  HPR = HPR из уравнения (3.30), соответствующее точке данных i. Поэтому для нашего тестируемого значения f= 0,01 TWR равно:
 TWR = 0,9999864325 * 0,9999819179 * ... * 1,0000152327 = 1,0053555695
 Мы можем легко преобразовать TWR в среднее геометрическое, возведя TWR в степень, равную единице, поделенной на сумму всех ассоциированных вероятностей.
 
 где N == число равноотстоящих точек данных;
 R = ассоциированная вероятность точки данных i.
 Если мы просуммируем значения столбца, который включает 61 ассоциированную вероятность, получим 7,979105. Поэтому среднее геометрическое при f= 0,01 равно:
 G = 1,0053555695 ^ (1/7,979105) = 1,00535555695 ^ 0,1253273393 = 1,00066963
 Мы можем также рассчитать среднюю геометрическую сделку (GAT). Это сумма, которую вы бы заработали в среднем на контракт за сделку, если бы торговали при этом распределении результатов и при данном значении f.
 
 где G(f) = среднее геометрическое для данного значения f;
 W = ассоциированное P&L наихудшего случая.
 GAT = (1,00066963 - 1) * (-4899,57 / (-0,01)) = 0,00066963 * 489957 = 328,09
 Таким образом, в среднем на контракт можно ожидать выигрыша в 328,09 доллара. Теперь перейдем к следующему значению f, которое должно тестироваться в соответствии с выбранной процедурой поиска оптимального f. В нашем случае мы проверяем значения f от 0 до 1 с шагом 0,01, так что следующим тестируемым значением f будет 0,02. Рассчитаем новый столбец ассоциированных HPR, а также найдем TWR и среднее геометрическое. Значение f, которое в результате даст наивысшее среднее геометрическое, является оптимальным (для вводных параметров, которые мы использовали). Если бы для данного примера мы продолжили поиск оптимального f, то получили бы f= 0,744 (при расчете оптимального f используется шаг 0,001). Среднее геометрическое в этом случае равно 1,0265. Соответствующая средняя геометрическая сделка составит 174,45 доллара.
 Следует отметить, что само по себе значение TWR не столь важно. Когда мы рассчитываем среднее геометрическое параметрически, как в этом примере, TWR просто является промежуточным шагом для получения этого среднего геометрического. Теперь мы можем рассчитать, каким было бы наше TWR после Х сделок, возведя среднее геометрическое в степень X. Поэтому если мы хотим рассчитать TWR для 232 сделок при среднем геометрическом 1,0265, то следует возвести 1,0265 в степень 232, что даст 431,79. В таком случае, при торговле с оптимальным f =0,744 можно ожидать прибыль 43079% ((431,79 - 1) * 100) после 232 сделок. Еще одним побочным продуктом, который мы рассчитаем, будет порог геометрической торговли (2.02):
 Порог геометрической торговли = 330,13/174,45 * -4899,57 / -0,744 = 12462,32
 Отметьте, что значение средней арифметической сделки 330,13 доллара не является результатом, полученным с помощью этого метода, а используется как один из вводных параметров.
  Мы можем преобразовать оптимальное f в количество контрактов для торговли с помощью уравнения:
 (3.34) K=E/Q,
  где К = число контрактов для торговли;
  Е = текущий баланс счета.
 (3.35) Q=W/(-f),
 где W = ассоциированное P&L наихудшего случая;
 Отметьте, что переменная Q представляет собой число, на которое вы должны разделить баланс счета, чтобы узнать сколькими контрактами торговать, при этом баланс должен ежедневно корректироваться. Возвращаясь к нашему примеру: Q = -4899,57 / -0,744 = $6585,44
 Следовательно, мы будем торговать 1 контрактом на каждые 6585,44 доллара на балансе счета. Для счета размером в 25 000 долларов это означает, что мы будем торговать:
 К =25 000/6585,44 = 3,796253553
 Так как мы не можем торговать дробными контрактами, то должны округлить это число 3,796253553 вниз до ближайшего целого числа. Поэтому для счета в 25 000 долларов мы будем торговать 3 контрактами. Причина, по которой мы всегда будем округлять вниз, а не вверх, состоит в том, что плата за нахождение ниже оптимального f меньше, чем плата за нахождение выше.
 Отметьте, насколько чувствительна торговля оптимальным числом контрактов к наихудшему убытку. Наихудший убыток зависит только от того, на сколько стандартных отклонений вы отходите влево от среднего. Данный ограничительный параметр, интервал, выраженный в количестве стандартных отклонений, очень важен. В нашем расчете мы выбрали три сигма. Это означает, что мы допускаем проигрыш в три сигма. Однако проигрыш за пределами трех сигма может сильно нам повредить, если он выйдет слишком далеко за это значение. Поэтому вам следует быть очень осторожными с выбором этого ограничительного параметра. От величины интервала зависит очень многое. Заметьте, что для простоты изложения мы не учитывали комиссионные и проскальзывание. Если учитывать комиссионные и проскальзывание, то следует вычесть Х долларов комиссионных и проскальзывания из каждой сделки в самом начале. Затем следует рассчитать среднюю арифметическую сделку и стандартное отклонение на основе 232 измененных сделок и далее выполнить уже известную процедуру. Теперь рассмотрим сценарий "что если". Допустим, мы хотим посмотреть, что произойдет, если прибыль в средней сделке уменьшится вдвое (сжатие = 0,5). Далее предположим, что рынок становится очень волатильным и дисперсия увеличивается на 60% (растяжение = 1,6). Подставляя эти параметры в систему, мы можем посмотреть, как они влияют на оптимальное f, и скорректировать нашу торговлю до того, как эти изменения произойдут на самом деле. Таким образом, оптимальное f будет равно 0,262, что соответствует торговле 1 контрактом на каждые 31 305,92 доллара на балансе счета (так как P&L наихудшего случая сильно за-
 висит от растяжения и сжатия). Среднее геометрическое упадет до 1,0027, средняя геометрическая сделка уменьшится до 83,02 доллара, a TWR за 232 сделки будет равно 1,869. Такие изменения вызваны уменьшением средней сделки на 50% и увеличением стандартного отклонения на 60%, что вполне может произойти на практике. Также возможно, что будущее будет более благоприятно, чем прошлое. Мы можем проанализировать другую ситуацию. Допустим, мы хотим посмотреть, что произойдет, если наша средняя прибыль увеличится на 10%. Для этого следует ввести значение сжатия 1,1. Параметры "что если", растяжение и сжатие, крайне важны в управлении капиталом.
  Чем ближе ваше распределение торговых P&L к нормальному, тем лучше будет работать метод. Проблема почти всех методов управления деньгами состоит в том, что следует учитывать определенный "коэффициент ухудшения". Здесь ухудшение - это разница между нормальным распределением и распределением, которое вы реально получаете. Разница между ними и есть коэффициент ухудшения, и чем больше этот коэффициент, тем менее эффективным становится метод.
  С помощью вышеописанного метода мы определили, что торговля 1 контрактом на каждые 6585,44 доллара на балансе счета оптимальна. Однако если бы мы совершили эти сделки на практике и определили оптимальное f эмпирически, то оптимальным был бы 1 контракт на каждые 7918,04 доллара на балансе счета. Как можно видеть, использование нормального распределения сместило нас слегка вправо вдоль кривой f и привело к торговле несколько большим числом контрактов, чем предлагает эмпирический метод.
  Однако, как мы увидим позже, многое говорит в пользу того, что будущее распределение цен будет нормальным. Когда мы покупаем или продаем опцион, предположение, что будущее распределение изменений цены базового инструмента будет нормальным, уже заложено в цену опциона. Точно так же можно сказать, что трейдеры, не использующие механические системы, получат в будущем результаты, которые нормально распределены.
  В методе, описанном в этой главе, используются неприведенные данные. При использовании приведенных данных метод будет выглядеть следующим образом:
 1. До того как данные нормированы, их следует привести к текущим ценам путем преобразования всех торговых прибылей и убытков в процентные прибыли и убытки с помощью уравнений с (2.10а) по (2.10в). Затем эти процентные прибыли и убытки следует умножить на текущую цену
 2. Когда вы перейдете к нормированию этих данных, нормируйте приведенные данные, используя среднее и стандартное отклонение приведенных данных.
 3. Далее, определите оптимальное f, среднее геометрическое и TWR. Средняя геометрическая сделка, средняя арифметическая сделка и порог геометрической торговли справедливы только для текущей цены базового инструмента. Когда цена базового инструмента изменяется, процедура должна быть проведена заново. Когда вы перейдете к повторному проведению процедуры с другой ценой базового инструмента, вы получите то же оптимальное f, среднее геометрическое и TWR. Однако средняя арифметическая сделка, средняя геометрическая сделка и порог геометрической торговли будут другими в зависимости от новой цены базового инструмента.
 4. Количество контрактов для торговли, рассчитываемое с помощью уравнения (3.34), соответствующим образом изменится. P&L наихудшего случая, переменная W, используемая в уравнении (3.34), также изменится.
 Из этой главы, мы узнали, как найти оптимальное f по распределению вероятности. Мы использовали нормальное распределение, так как оно описывает многие естественно происходящие процессы. Кроме того, с ним легче работать, чем со многими другими распределениями, так как можно рассчитать интеграл функции нормального распределения с помощью уравнения (3.21)1. Однако нормальное распределение зачастую является неполной моделью для распределения торговых прибылей и убытков. Какая модель будет приемлемой для наших целей? В следующей главе мы ответим на этот вопрос и будем полагаться на методы из главы 3 при работе с любым видом распределения вероятности независимо от того, существует интеграл функции распределения или нет.
 
 Глава 4
 Параметрические методы для других распределений
 
 Из предыдущей главы мы узнали, как найти оптимальное f и его побочные продукты при нормальном распределении. Тот же метод применим к любому другому распределению, где известна функция распределения вероятности (то есть интеграл плотности распределения вероятности). О многих известных распределениях и об их функциях распределения вероятности рассказано в приложении В.
 К сожалению, большинство распределений торговых P&L плохо описываются функциями нормального и других распределений. В этой главе мы сначала обратимся к проблеме неопределенной природы распределения торговых P&L и далее изучим метод планирования сценария - естественное продолжение идеи оптимального/. Этот метод широко применяется и позволяет находить оптимальное f по ячеистым распределениям. Далее мы перейдем к следующей главе, посвященной опционам и одновременной торговле по нескольким позициям. Прежде чем смоделировать реальное распределение торговых P&L, мы должны найти метод сравнения двух распределений.
 
 
 Тест Колмогорова-Смирнова (К-С)
 Хи-квадрат тест, без сомнения, является наиболее популярным из всех методов сравнения двух распределений. Так как многие ориентированные на рынок приложения, помимо рассматриваемых в этой главе, часто используют хи-квадрат тест, то он описан в Приложении А. Однако для наших целей наилучшим методом будет тест К-С. Этот очень эффективный тест применим к неячеистым распределениям, которые являются функцией одной независимой переменной (в нашем случае, прибыль за одну сделку).
 Все функции распределения вероятности имеют минимальное значение 0 и максимальное значение 1. То, как они ведут себя между ними, и отличает их. Тест К-С измеряет очень простую переменную D, которая определяется как максимальное абсолютное значение разности между двумя функциями распределения вероятности. Тест К-С достаточно прост. N объектов (в нашем случае сделок) нормируются (вычитается среднее значение, и полученная разность делится на стандартное отклонение) и сортируются в порядке возрастания. Когда мы проходим эти отсортированные и нормированные сделки, накопленная вероятность рассматриваемого количества сделок делится на N. Когда мы берем первую сделку в отсортированной последовательности с наименьшим стандартным значением, функция распределения вероятности (cumulative density function, далее - ФРВ) равна 1/N. Для каждого стандартного значения, которое мы проходим, приближаясь к наибольшему стандартному значению, к числителю прибавляется единица. В конце последовательности наша ФРВ будет равна N/N, или 1. Для каждого стандартного значения мы можем рассчитать теоретическое распределение. Таким образом, мы можем сравнить фактическую функцию распределения вероятности с любой теоретической функцией распределения вероятности. Переменная D, или статистика К-С (К-С statistic), равна наибольшему расстоянию между значением нашей фактической функции распределения вероятности и значением теоретического распределения ФРВ при этом же стандартном значении. При сравнении фактической ФРВ для данного стандартного значения с теоретической ФРВ для этого же стандартного значения мы должны также сравнить теоретическую ФРВ предыдущего стандартного значения с фактической ФРВ текущего стандартного значения.
 Для того чтобы прояснить эту ситуацию, посмотрим на рисунок 4-1. Отметьте. что в точке А фактическая кривая находится выше теоретической. Поэтому мы сравниваем текущее значение фактической ФРВ с текущим теоретическим значением для нахождения наибольшей разности. Однако в точке В фактическая кривая находится ниже теоретической. Поэтому мы сравниваем предыдущее фактическое значение с текущим теоретическим значением. Идея состоит в том, что в результате мы выберем наибольшую разность.
 Для каждого стандартного значения нам надо взять абсолютное значение разности между текущим значением фактической ФРВ и текущим значением теоретической ФРВ. Нам также надо взять абсолютное значение разности между предыдущим значением фактической ФРВ и текущим значением теоретической ФРВ. Повторив эту операцию для всех стандартных значений точек, где фактическая ФРВ делает скачок вверх на 1/N, и взяв наибольшую разность, мы определим переменную D.
 
 Рисунок 4-1 Тест К-С
 Чем ниже значение D, тем больше похожи два распределения. Мы можем преобразовать значение D в уровень значимости с помощью следующей формулы:
 
 где SIG = уровень значимости для данного D и N;
 D = статистика К-С;
 N = количество сделок, по которым определена статистика К-С;
 % = оператор, означающий остаток после деления. Здесь J%2 дает остаток после деления J на 2;
 ЕХР() = экспоненциальная функция.
 Нет необходимости суммировать значения J от 1 до бесконечности. Уравнение сходится (обычно очень быстро) к определенному значению. После того как предел достигнут (согласно допуску, установленному пользователем), нет необходимости продолжать суммирование значений.
  Рассмотрим уравнение (4.01) на примере. Допустим, у нас есть 100 сделок, а значение статистики К-С равно 0,04:
 J1 = (1 % 2) * 4 - 2 * ЕХР(-2 * 1^2 * (100^(1/2) * 0,04) л 2) =1*4-2* ЕХР(-2 * ^ 2 * (10 * 0,04)^ 2) = 2 * ЕХР(-2 * 1^2 * 0,^ 2) = 2*ЕХР(-2*1*0,16) = 2 * ЕХР(-0,32) = 2 * 0,726149 = 1,452298
 Таким образом, нашим первым значением является 1,452298. Теперь прибавим следующее значение:
 J2 = (2 % 2) * 4 - 2 * ЕХР(-2 * 2^ 2 * (100^ (1/2) * 0,04)^2) =0*4-2* ЕХР(-2 * 2^ 2 * (10 * 0,04)^ 2) = -2 * ЕХР(-2 * 2^ 2 * 0,4^ 2) = -2*ЕХР(-2*4*0,16) = -2*ЕХР(-1,28) = -2 * 0,2780373 = -0,5560746
 Прибавив -0,5560746 к нашей текущей сумме 1,452298, мы получим новую текущую сумму 0,8962234. Затем снова увеличим J на 1, теперь оно будет равно 3, и решим уравнение. Получившееся значение прибавим к текущей сумме 0,8962234. Следует поступать таким образом и дальше, пока текущая сумма в пределах допуска не перестанет изменяться. В нашем примере предельное значение будет равно 0,997. Этот ответ означает, что при 100 сделках и значении статистики К-С 0,04 мы можем быть уверены на 99,7%, что фактическое распределение генерировано функцией теоретического распределения. Другими словами, мы можем быть на 99,7% уверены, что функция теоретического распределения представляет фактическое распределение. В данном случае это очень хороший уровень значимости.
 
 Создание характеристической функции распределения
 
 Нормальное распределение вероятности далеко не всегда является хорошей моделью распределения торговых прибылей и убытков. Более того, ни одно из распространенных распределений вероятности не является идеальной моделью. Поэтому мы должны сами создать функцию для моделирования распределения наших торговых прибылей и убытков.
  Распределение изменений цены в общем случае относится к распределениям Парето (см. приложение В). Распределение торговых P&L можно считать трансформацией распределения цен. Эта трансформация является результатом торговых методов, когда трейдеры пытаются понизить свои убытки и увеличить прибыли, следовательно, распределение торговых P&L можно отнести к распределениям Парето. Однако распределение, которое мы будем изучать, не является распределением Парето. Распределение Парето, как и все другие функции распределения, моделирует определенное вероятностное явление. Оно моделирует распределение сумм независимых, идентично распределенных случайных переменных. Функция распределения, которую мы будем изучать, не моделирует конкретное вероятностное явление. Она моделирует многие унимодальные функции распределения. Поэтому она может повторить форму и плотность вероятности распределения Парето, а также любого другого унимодального распределения.
 Теперь мы создадим эту функцию. Для начала рассмотрим следующее уравнение:
 (4.02) Y=1/(X^ 2+1)
 График этого уравнения - обычная колоколообразная кривая, симметричная относительно оси Y, как показано на рисунке 4-2.
 Таким образом, мы будем строить свои рассуждения, используя это общее уравнение. Переменную Х можно представить как число стандартных единиц с каждой стороны от среднего, т.е. от оси Y. Мы можем использовать первый момент этого "распределения", расположение его среднего значения, добавив значение для изменения расположения на оси X. Уравнение изменится следующим образом:
 (4.03) Y=1/(X-LOC^2+1),
 где Y = ордината характеристической функции;
 Х = количество стандартных отклонений;
 LOC = переменная, задающая расположение среднего значения, первый момент распределения.
 
 Рисунок 4-2 LOC = 0 SCALE = I SKEW = 0 KURT = 2
 
 Рисунок 4-3 LOC =0,5, SCALE = 1, SKEW = 0, KURT= 2
 
 Таким образом, если бы мы хотели изменить расположение, передвинув график влево на 0,5 единицы, мы бы установили LOC на -0.5. Этот график изображен на рисунке 4-3.
  Таким же образом, если бы мы хотели сместить кривую вправо, то использовали бы положительное значение для переменной LOC. LOC с нулевым значением не будет смещать график, как показано на рисунке 4-2.
  Показатель в знаменателе влияет на эксцесс. До настоящего момента эксцесс был равен 2, но мы можем изменить его, изменив значение показателя. Теперь формулу нашей характеристической функции можно записать следующим образом:
 (4.04) Y = 1 / ((X - LOC)^ KURT + 1),
 где Y == ордината характеристической функции;
 Х = количество стандартных отклонений;
 LOC = переменная, задающая расположение среднего значения, первый момент распределения;
 KURT = переменная, задающая эксцесс, четвертый момент распределения.
 Рисунки 4-4 и 4-5 показывают влияние эксцесса на нашу характеристическую функцию. Отметьте: чем выше показатель, тем более плосковерхое и тонкохвостое распределение (эксцесс меньше нормального), и чем меньше показатель, тем более острый верх и тем толще хвосты распределения (эксцесс больше нормального). Чтобы не получить иррациональное число, когда KURT < 1, мы будем использовать абсолютное значение коэффициента в знаменателе. Это не повлияет на форму кривой. Таким образом, мы можем переписать уравнение (4.04) следующим образом:
 (4.04) Y = 1/(ABS(X - LOC)^ KURT + 1)
  Мы можем добавить множитель в знаменателе, чтобы контролировать ширину, второй момент распределения. Характеристическая функция будет выглядеть следующим образом:
 (4.05) Y = 1 / (ABS((X - LOC) * SCALE)^ KURT + 1),
 где Y = ордината характеристической функции;
 X = количество стандартных отклонений;
 LOC = переменная, задающая расположение среднего значения, первый момент распределения;
 
 
 Рисунок 4-4 LOC=0, SCALE =1, SKEW = 0, KURT = 3
 
 Рисунок 4-5 LOG = 0, SCALE = 1, SKEW = О, KURT = 1
 
 KURT = переменная, задающая эксцесс, четвертый момент распределения;
 SCALE = переменная, задающая ширину, второй момент распределения.
 Рисунки 4-6 и 4-7 иллюстрируют изменение параметра ширины. Действие этого параметра можно представить как движение горизонтальной оси вверх или вниз Когда ось сдвигается вверх (при уменьшении ширины), график расширяется (см рисунок 4-6), как будто мы смотрим на его верхнюю часть. На рисунке 4-7 показана обратная ситуация, когда горизонтальная ось сдвигается вниз и кривая распределения сжимается. Теперь у нас есть характеристическая функция распределения, с помощью которой мы контролируем три из четырех моментов распределения Сейчас распределение симметрично. Для этой функции нам необходимо добавить коэффициент асимметрии, третий момент распределения. Характеристическая функция тогда будет выглядеть следующим образом:
 
 где С = показатель асимметрии, рассчитанный следующим образом:
 
 Y = ордината характеристической функции;
 Х= количество стандартных отклонений;
 LOC= переменная, задающая расположение среднего значения, первый момент распределения;
 KURT = переменная, задающая эксцесс,
 четвертый момент распределения;
 SCALE = переменная, задающая ширину, второй момент распределения;
 SKEW= переменная, задающая асимметрию, третий момент распределения;
 sign() = функция знака, число 1 или -1. Знак Х рассчитывается как X/ ABS(X) для X, не равного 0. Если Х равно нулю, знак будет считаться положительным;
 Рисунки 4-8 и 4-9 показывают действие переменной асимметрии на распределение. Отметим несколько важных особенностей параметров LOC, SCALE, SKEW и KURT. За исключением переменной LOC (которая выражена как число стандартных значений для смещения распределения), другие три
 
 
 Рисунок 4-6 LOC=0, SCALE =0,5, SKEW = 0, KURT=2
 
 Рисунок 4-7 LOC=0, SCALE = 2, SKEW = 0, KURT=2,
 
 Рисунок 4-8 LOC=0, SCALE =1, SKEW =-0,5, KURT = 2.
 
 Рисунок 4-9 LOG = 0, SCALE = 1, SKEW = +0,5, KURT = 2.
 
 переменные являются безразмерными, то есть их значения являются числами, которые характеризуют форму распределения и относятся только к этому распределению. Значения параметров будут другими, если вы примените стандартные измерительные методы, детально описанные в разделе "Величины, описывающие распределения" главы 3. Например, если вы определите один из коэффициентов асимметрии Пирсона на наборе данных, он будет отличаться от значения переменной SKEW для распределений, рассматриваемых здесь. Значения четырех переменных уникальны для рассматриваемого распределения и имеют смысл только в данном контексте. Крайне важен интервал возможных значений этих переменных. Переменная SCALE всегда должна быть положительной, кроме того, она не ограничена сверху. То же самое верно для переменной KURT. На практике, однако, лучше использовать значения от 0,5 до 3, в крайнем случае, от 0,05 до 5. Вы можете использовать значения и за пределами этих крайних точек при условии, что они больше нуля.
 Переменная LOC может быть положительной, отрицательной или нулем. Параметр SKEW должен быть больше или равен -1, и меньше или равен +1. Когда SKEW равен +1, вся правая сторона распределения (справа от пика) равна пику. Когда SKEW равен -1, пику равна вся левая сторона распределения. Интервалы значений переменных в общем виде таковы:
 (4.08) - бесконечность < LOC < + бесконечность
 (4.09) SCALE > 0
 (4.10) -1<=SKEW<=+1
 (4.11) KURT > О
 Рисунки с 4-2 по 4-9 показывают, как легко изменяется распределение. Мы можем подогнать эти четыре параметра таким образом, чтобы получившееся в результате распределение было похоже на любое другое распределение.
 Подгонка параметров распределения
 Как и в процедуре, описанной в главе 3, по поиску оптимального f при нормальном распределении, мы должны преобразовать необработанные торговые данные в стандартные единицы. Сначала мы вычтем среднее из каждой сделки, а затем разделим полученное значение на стандартное отклонение. Далее мы будем работать с данными в стандартных единицах. После того как
 мы приведем сделки к стандартным значениям, можно отсортировать их в порядке возрастания. На основе полученных данных мы сможем провести тест К-С. Нашей целью является поиск таких значений LOC, SCALE, SKEW и KURT, которые наилучшим образом подходят для фактического распределения сделок. Для определения "наилучшего приближения" мы полагаемся на тест К-С. Рассчитаем значения параметров, используя "метод грубой силы двадцатого века". Мы просчитаем каждую комбинацию для KURT от 3 до 0,5 с шагом -0,1 (мы можем также взять интервал от 0,5 до 3 с шагом 0,1, так как направление не имеет значения). Далее просчитаем каждую комбинацию для SCALE от 3 до 0,5 с шагом -0,1. Пока оставим LOC и SKEW равными 0. Таким образом, нам надо обработать следующие комбинации:
 
 LOC SCALE SKEW KURT 0 3 0 3 о 3 0 2,9 о 3 0 2,8 о 3 0 2,7 о 3 0 2,6 о 3 0 2,5 о 3 0 2,4 о 3 0 2,3 о 3 0 2,2 о 3 0 2,1 о 3 0 2 о
 *