-
Продвинутые статистические тесты в Python: причинность, бустрэп и непараметрические методы
Стандартные статистические тесты опираются на строгие допущения. Они предполагают нормальное распределение данных, независимость наблюдений и линейные связи между переменными. Финансовые данные этим требованиям обычно не соответствуют. Доходности активов имеют тяжелые хвосты распределений. Волатильность склонна группироваться во времени. Связи между финансовыми инструментами часто нелинейны и тоже меняются со временем. Продвинутые статистические методы решают задачи, с которыми…
-
Собственные числа и собственные векторы в финансах: разложения PCA и SVD
Анализ главных компонент (PCA) — один из популярных способов изучения взаимосвязей между доходностями активов и их оценке в финансовом анализе. Метод основан на разложении ковариационной матрицы доходностей: собственные векторы определяют направления факторов, а собственные числа показывают, сколько дисперсии объясняет каждый фактор. PCA позволяет выделить доминирующие источники совместной изменчивости и отделить систематический риск от несистематического. Практическое…
-
Портфель максимальной диверсификации (Maximum Diversification Portfolio)
Портфель максимальной диверсификации (Maximum Diversification Portfolio) представляет альтернативу классическим подходам к формированию инвестиционных портфелей. В отличие от метода Марковица, который требует оценки ожидаемой доходности активов, максимальная диверсификация фокусируется исключительно на структуре риска. Метод строится на максимизации диверсификационного коэффициента — отношения взвешенной волатильности отдельных активов к волатильности портфеля. Подход особенно востребован институциональными инвесторами, поскольку устраняет необходимость…
-
Матрица ковариаций: проблемы выборочной оценки
Матрица ковариаций занимает центральное место в портфельной оптимизации, риск-менеджменте и построении торговых стратегий. Оценка этой матрицы по историческим данным кажется тривиальной задачей, но на практике приводит к серьезным проблемам. Выборочная оценка работает корректно только при выполнении жестких условий: Большой объем данных относительно числа активов; Стационарность процессов; Отсутствие выбросов. В реальности эти условия нарушаются систематически. Основная…
-
Регуляризация: L1 (Lasso) vs L2 (Ridge). Борьба с переобучением, отбор признаков
Переобучение остается одной из центральных проблем в машинном обучении. Модель запоминает шум в обучающей выборке вместо выявления истинных закономерностей, что приводит к деградации качества на новых данных. Регуляризация решает эту проблему через добавление штрафа на сложность модели в целевую функцию. Два основных подхода — L1 (Lasso) и L2 (Ridge) — различаются не только математически, но…
-
Жадные алгоритмы: базовые принципы и их применение в количественном анализе
Жадные алгоритмы представляют класс методов оптимизации, которые принимают локально оптимальные решения на каждом шаге без пересмотра предыдущих выборов. В количественном анализе такой подход находит применение в задачах отбора активов, оптимизации исполнения ордеров и построения предиктивных моделей. Эффективность жадных алгоритмов обусловлена низкой вычислительной сложностью — большинство реализаций работают за O(n log n) или O(n²), что позволяет…
-
Копулы в финансовом моделировании: зависимости между случайными величинами
Копулы — это мощный инструмент в финансовом моделировании, позволяющий описывать сложные зависимости между активами, которые выходят далеко за рамки линейной корреляции. Использование корреляций (в частности Пирсона), несомненно, остаются базой в портфельных моделях, но это адекватно лишь при эллиптических распределениях и линейных связях. В реальности же рынки редко подчиняются этим упрощенным предположениям, что приводит к недооценке…
-
Марковские цепи Монте-Карло (Markov Chain Monte-Carlo, MCMC)
MCMC представляет собой семейство алгоритмов, которые позволяют генерировать выборки из сложных вероятностных распределений, которые не имеют аналитического решения, либо оно сложно реализуемо. В основе этих методов лежит элегантное сочетание теории Марковских цепей и принципов Монте-Карло, что позволяет исследовать высокоразмерные пространства параметров с удивительной эффективностью. В этой статье мы погрузимся в мир методов MCMC, теорию и…
-
Автокорреляция (ACF) и частичная автокорреляция (PACF) в биржевом анализе
Автокорреляция (ACF) и частичная автокорреляция (PACF) являются мощными инструментами для выявления скрытых паттернов в ценовых рядах. Многие трейдеры и аналитики ограничиваются поверхностным применением этих концепций, используя их лишь для идентификации параметров ARIMA-моделей. Однако реальная сила ACF и PACF раскрывается при их правильном применении в контексте разработки торговых алгоритмов и риск-менеджмента. В этой статье я поделюсь…
-
Корреляция и ковариация в финансах: анализ взаимосвязи между активами
Ковариация и корреляция — это статистические метрики, которые измеряют степень совместного изменения двух случайных величин. В контексте финансов эти величины чаще всего представляют собой доходности активов. Хотя эти концепции тесно связаны, между ними существуют важные различия, которые необходимо понимать для правильного применения в финансовом анализе. Ковариация является мерой того, насколько два случайных изменения доходности активов…