Математика управления капиталом. Методы анализа риска для трейдеров и портфельных менеджеров
Шрифт:
Так в общих чертах можно описать современную стратегию создания портфеля. Но это не совсем оптимальный вариант, и в этом состоит одна из основных идей книги. Вместо определения ожидаемой прибыли и дисперсии прибыли на основе текущей цены компонента, ожидаемая прибыль и дисперсия прибылей для каждого компонента должны определяться на основе долларового оптимального f. Другими словами, в качестве входных данных вы должны использовать арифметическое среднее HPR и дисперсию HPR. Используемые HPR должны быть привязаны не к количеству сделок, а к фиксированным интервалам времени (дни, недели, месяцы, кварталы или годы), как в главе 1 для уравнения (1.15).
где А = сумма
В = оптимальное f в долларах.
Не обязательно использовать дневные данные, можно использовать любой временной период, при условии, что он одинаковый для всех компонентов портфеля (тот же временной период должен использоваться для определения коэффициентов корреляции между HPR различных компонентов). Скажем, рыночная система с оптимальным f= 2000 долларов за день заработала 100 долларов. Тогда для такой рыночной системы дневное HPR = 1,05.
Если вы рассчитываете оптимальное f на основе приведенных данных, то для получения дневных HPR следует использовать уравнение (2.12);
где D$ = изменение цены 1 единицы в долларах по сравнению с прошлым днем, т.е. (закрытие сегодня - закрытие вчера) * доллары за пункт;
f$ = текущее оптимальное f в долларах, рассчитанное из уравнения (2.11). Здесь текущей ценой является закрытие последнего дня.
После того как вы определите оптимальное f в долларах для 1 единицы компонента, надо взять дневные изменения баланса на основе 1 единицы и преобразовать их в HPR с помощью уравнения (1.15). Если вы используете приведенные данные, воспользуйтесь уравнением (2.12). Когда вы комбинируете рыночные системы в портфеле, все они должны иметь одинаковый формат, т.е. если данные приведены к текущим ценам, то оптимальные f и побочные продукты также должны быть приведенными.
Вернемся к арифметическому среднему HPR. Вычитая единицу из арифметического среднего, мы получим ожидаемую прибыль компонента. Дисперсия дневных (недельных, месячных и т.д.) HPR даст исходную дисперсию для матрицы. Наконец, для каждой пары рассматриваемых рыночных систем рассчитаем коэффициенты корреляции между дневными HPR.
Теперь можно сделать важное заключение. Портфели, параметры которых (ожидаемые прибыли, дисперсия ожидаемых прибылей и коэффициенты корреляции ожидаемых прибылей) выбраны на основе текущей цены компонента, не будут истинно оптимальными портфелями. Для определения истинно оптимального портфеля следует использовать входные параметры, основанные на торговле 1 единицей при оптимальном/для каждого компонента. Вы не можете быть ближе к пику кривой оптимального f, чем само оптимальное f. Рассчитывая параметры из текущей рыночной цены компонента, вы выбираете параметры произвольно, следовательно, они не обязательно оптимальны.
Вернемся к вопросу о том, каким образом возможно инвестировать больше 100% в определенный компонент. Одно из основных утверждений этой книги состоит в том, что вес и количество не одно и то же. Вес, который вы получаете при нахождении геометрического оптимального портфеля, должен быть отражен в оптимальных f компонентов портфеля. Для этого следует разделить оптимальное f каждого компонента на его соответствующий вес. Допустим, у нас есть следующие оптимальные f (в долларах):
Toxico $2500
Incubeast $4750
LA Garb $5000
(Отметьте, что если вы приводите данные к текущей цене и, следовательно, получаете приведенное оптимальное f и побочные продукты, тогда ваше оптимальное f в долларах будет меняться каждый день в зависимости от цены закрытия предыдущего дня на основании уравнения [2.11].)
Теперь разделим f на соответствующие веса:
Toxico $2500 / 1,025982 = $2436,69
Incubeast $4750 / 0,4900558 = $9692,77
LA Garb $5000 / 0,4024979 = $12 422,43
Таким образом, используя новые «отрегулированные» значения f, мы получаем геометрический оптимальный портфель. Допустим, Toxico представляет определенную рыночную систему. Торгуя 1 контрактом в этой рыночной системе на каждые 2436,69 долларов на счете (и поступая таким же образом с новыми
«Минутку, — можете возразить вы. — Если мы изменим оптимальный портфель посредством оптимального f, будет ли он оптимальным. Если новые значения относятся к другому портфелю, то ему соответствует другая координата прибыли, и он может не оказаться на эффективной границе».
Заметьте, мы не изменяем значения f. Мы просто сокращаем расчеты, и это выглядит так, как будто значения f изменяются. Мы создаем оптимальные портфели, основываясь на ожидаемых прибылях и дисперсии прибылей при торговле одной единицей каждого компонента, а также на коэффициентах корреляции. Таким образом, мы получаем оптимальные веса (оптимальный процент счета для торговли каждым компонентом). Поэтому, если рыночная система имеет оптимальное f = 2000 долларов и ее вес в оптимальном портфеле равен 0,5, мы должны использовать для этой рыночной системы 50% счета при полном оптимальном f= 2000 долларов. Это то же самое, что торговать 100% нашего счета при оптимальном f, деленном на оптимальный вес, т.е. ($2000 /0,5) = $4000. Другими словами, торговать оптимальным f= 2000 долларов на 50% счета, по сути, то же самое, что и торговать измененным f= 4000 долларов на 100% счета.
AHPR и SD, которые вы вводите в матрицу, определяются из значений оптимального f в долларах. Если речь идет об акциях, то можно рассчитать значения AHPR, SD и оптимального f на основе одной акции или, например, 100 акций, вы сами определяете размер одной единицы.
В ситуации, когда нет рычага (например, портфель акций без заемных средств), вес и количество одно и то же. Однако в ситуации с рычагом (например, портфель фьючерсных рыночных систем), вес и количество отличаются. Идея, которая была впервые изложена в книге «Формулы управления портфелем», состоит в том, что мы пытаемся найти оптимальное количество, и оно является функцией оптимальных весов. Когда мы рассчитываем коэффициенты корреляции HPR двух рыночных систем с положительными арифметическими математическими ожиданиями, то чаще всего получаем положительные значения. Это происходит потому, что кривые баланса рыночных систем (совокупная текущая сумма дневных изменений баланса) стремятся вверх и вправо. Проблема решается следующим образом: для каждой кривой баланса надо определить линию регрессии методом наименьших квадратов (до приведения к текущим ценам, если оно применяется) и рассчитать разность кривой баланса и ее линии регрессии в каждой точке. Затем следует преобразовать уже лишенную тренда кривую баланса в простые дневные изменения баланса. После этого вы можете привести данные к текущим ценам (когда это необходимо). Далее, рассчитайте корреляцию по этим уже обработанным данным. Предложенный метод работает в том случае, если вы используете корреляцию дневных изменений баланса, а не цен. Если вы будете использовать цены, то можете получить искаженную картину, хотя очень часто цены и дневные изменения баланса взаимосвязаны (например, в системе пересечения долгосрочной скользящей средней). Метод удаления тренда следует всегда применять аккуратно. Разумеется, дневное AHPR и стандартное отклонение HPR должны всегда рассчитываться по данным, из которых не удален тренд.
Последняя проблема, которая возникает, когда вы удаляете тренд из данных, касается систем, в которых сделки совершаются достаточно редко. Представьте себе две торговые системы, каждая из которых инициирует одну сделку в неделю, причем в разные дни. Коэффициент корреляции между ними может быть только незначительно положительным. Однако когда мы лишаем данные тренда, то получаем очень высокую положительную корреляцию, поскольку их линии регрессии немного повышаются каждый день, хотя большую часть времени изменение баланса равно нулю. Поэтому разность будет отрицательной. Преобладание дней с незначительной отрицательной разностью между кривой баланса и линией регрессии в обеих рыночных системах в результате дает неоправданно высокую положительную корреляцию.