Что делать, если рынок падает: 5 шагов, которые спасут ваши деньги

Что делать, если рынок падает: 5 шагов, которые спасут ваши деньги

Фото: unsplash.com

На российском фондовом рынке продолжаются распродажи. Во вторник, 23 ноября, индекс Московской биржи открылся снижением на 2,5%, до 3776,61 пункта, валютный индекс РТС опустился до уровня июля 2021 года — до 1585,65 пункта.

Фото:«РБК Инвестиции»

Лидерами снижения стали технологические (-7,5%), строительные (-0,98%) и потребительские компании (-0,69%). А среди причин эксперты называют рост геополитической напряженности. Резкое падение рынка началось еще в понедельник.

Не стоит забывать, что инвестиции — это всегда риск, ведь рынок не статичная, а постоянно меняющаяся система, на которую влияет множество внутренних и внешних факторов. И если растущий рынок радует большинство инвесторов, то его коррекция или падение могут напугать и расстроить не только новичков на бирже.

Фото:Shutterstock

Напоминаем, что лучшая стратегия на рынке: надейся на лучшее, готовься к худшему. Несмотря на то что большая часть защитных правил — это предварительная работа, которую нужно сделать уже на старте инвестиций, освежим в памяти основные принципы, которые помогут сберечь вложения.

Впервые текст был опубликован в марте 2021 года

1. Создать подушку безопасности

Это значит сформировать специальный фонд, инвестируя часть средств консервативно. К примеру — в депозиты или облигации . Он будет менее подвержен изменениям на рынке. А если вам срочно понадобятся средства, вы сможете легко их из такой подушки достать.

Фото:Silas Stein / ТАСС

Фото: Silas Stein / ТАСС

«Хорошо, если величина такого защитного фонда — не менее 12 месячных доходов. Помимо депозита в банке или ликвидных облигаций, можно также использовать паи ETF или ПИФ денежного рынка. Дополнительно фонд можно диверсифицировать по валютам. Например, четыре месяца жизни в рублях, четыре месяца — в долларах США и четыре месяца — в евро. Какую-то часть средств можно хранить наличными в сейфе», — советует финансовый консультант Владимир Верещак.

2. Определиться с целями

Нужно для себя определить, какова ваша основная стратегия на рынке. Если вы долгосрочный инвестор, то волатильность на рынке не должна вас беспокоить. После любых спадов рынок восстанавливается, на это требуется только время. Если у вас четко определены долгосрочные цели, то в период резкого падения на рынке не стоит в панике пересматривать свой портфель — это время нужно просто переждать. Если ваша цель — инвестиции на срок менее трех лет, то в нестабильное время лучше выйти из рискованных активов. Вместо них купить облигации с погашением ровно до финансовой цели. А на новые свободные деньги можно докупить тех же облигаций, советует финансовый консультант Наталья Смирнова.

Крупнейшие обвалы фондового рынка: биржевой крах в США 1929 года и Великая депрессия 24 октября 1929 года на Нью-Йоркской фондовой бирже случился «черный четверг» — акции начали падать уже на открытии, индекс Dow Jones опускался до 11%. В «черный понедельник» 28 октября индекс Dow Jones упал уже на 13,5%, в «черный вторник» 29 октября — еще на 12%. В этот день было продано более 16 млн акций. Потери инвесторов за октябрь—ноябрь 1929 года составили около $25–30 млрд. Вслед за кризисом на фондовом рынке начались проблемы и в экономике — этот период в истории США называется Великой депрессией. Падение рынка США продолжилось до лета 1932 года. Для возвращения к докризисным максимумам понадобилось более 20 лет — это произошло только в 1954 году.

3. Диверсифицировать портфель

Сбалансированный инвестиционный портфель должен состоять из активов разной природы: акции, облигации, недвижимость, золото, инструменты, относящиеся к классу «альтернативных инвестиций», говорит финансовый консультант Владимир Верещак.

Фото:Shutterstock

Фото: Shutterstock

Цены на такие активы в один и тот же период времени двигаются в разные стороны — что-то может вырасти, а что-то упасть. За счет правильной диверсификации ваш портфель становится не столь чувствительным к снижениям, а эффективность инвестиций повышается, замечает он.

Фото:Andrey Burmakin / Shutterstock

Финансовый консультант Наталья Смирнова также не рекомендует выбирать акции только какой-то одной отрасли или страны.

4. Проанализировать активы в своем портфеле

В ситуации, когда все аналитики предвещают наступление « медвежьего » рынка, нужно пересмотреть акции в своем портфеле — сократить долю рискованных и увеличить бумаги стабильных компаний. Финансовый консультант Наталья Смирнова в ситуациях неопределенности советует ориентироваться исключительно на эмитентов высокого качества — это должны быть крупнейшие компании в своих отраслях, которые точно переживут кризис, говорит эксперт.

Крупнейшие обвалы фондового рынка: крах доткомов 10 марта 2000 года индекс NASDAQ достиг исторического максимума — 5132,52 пунктов, после чего началось его падение. К маю он снизился до 3151 пунктов. К докризисному уровню NASDAQ вернулся лишь в 2004 году. В результате падения рынка акций прекратили деятельность многие интернет-компании.

5. Присмотреться к дивидендным акциям

Реальный инструмент, который может нивелировать снижение стоимости портфеля при падении рынка, — это дивидендные акции, считает эксперт по инвестициям и личным финансам Игорь Файнман. «Например, вы купили привилегированные акции «Сургутнефтегаза», а они подешевели на 10%. Зато выплаченный дивиденд составил 13% годовых, и даже несмотря на снижение вы в плюсе. Дивиденды создают свободный денежный поток, который можно распределять по своему усмотрению: реинвестировать в капитал или тратить на текущие нужды», — говорит Игорь Файнман.

Фото:Shutterstock

Фото: Shutterstock

Успешные американские инвесторы покупают не акции роста, а именно «дивидендных аристократов» (компании, которые увеличивают дивидендные выплаты год от года на протяжении более 25 лет). В случае снижения на рынке дивиденды позволяют портфелю инвестора не падать вслед за индексами, отмечает эксперт. Проделав все эти перечисленные шаги заранее, вы сможете защитить свои активы от возможного падения и максимально снизите потери из-за волатильности на рынке.

Крупнейшие обвалы фондового рынка: падение из-за пандемии COVID-19 Рынок начал падать с 20 февраля из-за пандемии коронавируса и вводимых властями ограничений. В «черный понедельник 2020», 9 марта, индексы Dow, S&P 500 и NASDAQ упали примерно на 7,5% каждый. 12 марта, в «черный четверг», основные американские индексы упали на 10%. От максимумов падение составило около 30%. 16 марта, во второй «черный понедельник 2020», S&P 500 снизился еще на 5%. Низшей точки падения фондовый рынок в 2020 году достиг 23 марта.

Читать статью  Американские индексы фондового рынка,история, описание и применение

Что делать, если рынок упал, а вы не успели к этому подготовиться?

В этом случае главное придерживаться двух главных принципов:

1. Не продавайте акции

Видя свой портфель в красной зоне, под влиянием эмоций хочется продать дешевеющие активы, чтобы спасти хоть часть денег. Но делать этого не нужно, советует эксперт Игорь Файнман, потому что рынок восстановится после любой коррекции.

Фото:Shutterstock

Фото: Shutterstock

«Самое правильное в момент падения на рынке: медитировать на график индекса S&P 500 за последние 50 лет — все это время он рос, растет сейчас и будет расти дальше. А коррекции — это временное, но необходимое «зло», которое нужно пережить как смерч и продолжить радоваться своим инвестициям», — резюмирует Файнман.

2. Докупайте акции

При просадке вы сможете выгоднее купить акции, которые раньше были дорогими. Сделав инвестиции в период спада по более низким ценам, вы сможете усредниться по цене входа и нивелировать падение в долгосрочном периоде, отмечает Наталья Смирнова. А это значит, что вы почувствуете на себе не все падение, а только его часть. И через какое-то время доходность портфеля вырастет, говорит Владимир Верещак.

Фото:аккаунта The White House с сайта flickr.com

Биржевой фонд, вкладывающий средства участников в акции по определенному принципу: например, в индекс, отрасль или регион. Помимо акций в состав фонда могут входить и другие инструменты: бонды, товары и пр. Термин, обозначающий вероятность быстрой продажи активов по рыночной или близкой к рыночной цене. Подробнее Изменчивость цены в определенный промежуток времени. Финансовый показатель в управлении финансовыми рисками. Характеризует тенденцию изменчивости цены – резкое падение или рост приводит к росту волатильности. Подробнее Лицо, выпускающее ценные бумаги. Эмитентом может быть как физическое лицо, так и юридическое (компании, органы исполнительной власти или местного самоуправления). Инвесторы и трейдеры на бирже, стремящиеся заработать на снижении стоимости активов. Эта стратегия применяется на короткие позиции (в противоположность «быкам»). Изменение курса акций или валют в сторону, обратную основной тенденции рыночных цен. Например, рост котировок после недельного снижения цены на акцию. Коррекция вызывается исполнением стоп-ордеров, после чего возобновляется движение котировок согласно основному рыночному тренду. Долговая ценная бумага, владелец которой имеет право получить от выпустившего облигацию лица, ее номинальную стоимость в оговоренный срок. Помимо этого облигация предполагает право владельца получать процент от ее номинальной стоимости либо иные имущественные права. Облигации являются эквивалентом займа и по своему принципу схожи с процессом кредитования. Выпускать облигации могут как государства, так и частные компании. Инвестиции — это вложение денежных средств для получения дохода или сохранения капитала. Различают финансовые инвестиции (покупка ценных бумаг) и реальные (инвестиции в промышленность, строительство и так далее). В широком смысле инвестиции делятся на множество подвидов: частные или государственные, спекулятивные или венчурные и прочие. Подробнее Дивиденды — это часть прибыли или свободного денежного потока (FCF), которую компания выплачивает акционерам. Сумма выплат зависит от дивидендной политики. Там же прописана их периодичность — раз в год, каждое полугодие или квартал. Есть компании, которые не платят дивиденды, а направляют прибыль на развитие бизнеса или просто не имеют возможности из-за слабых результатов. Акции дивидендных компаний чаще всего интересны инвесторам, которые хотят добиться финансовой независимости или обеспечить себе достойный уровень жизни на пенсии. При помощи дивидендов они создают себе источник пассивного дохода. Подробнее Фондовый рынок — это место, где происходит торговля акциями, облигациями, валютами и прочими активами. Понятие рынка затрагивает не только функцию передачи ценных бумаг, но и другие операции с ними, такие, как выпуск и налогообложение. Кроме того, он позволяет устанавливать справедливое ценообразование. Подробнее Паевый инвестиционный фонд, а сокращенно ПИФ, является инструментом, при котором инвестор помещает свои средства в фонд и получает за это «кусок» всех активов и, соответственно, прибыли. Подробнее набор активов, собранных таким образом, чтобы доход от них соответствовал определенным целям инвестора. Портфель может быть сформирован как с точки зрения сроков достижения цели, так и по составу инструментов. Идея формирования эффективного портфеля находится в сфере грамотного распределения рисков и доходности. Подробнее

Прогнозирование фондового рынка на Python с помощью Stocker

прогнозирование рынка на python

Прогнозирование фондового рынка — это заманчивый «философский камень» для специалистов по анализу данных, которые мотивированы не столько стремлением к материальной выгоде, сколько самой задачей. Ежедневный рост и падение рынка наводят на мысль, что должны быть закономерности, которым мы или наши модели могут научиться, чтобы победить всех этих трейдеров с научными степенями по бизнесу.

Когда я начал использовать аддитивные модели для прогнозирования временных рядов, я протестировал метод на эмуляторе фондового рынка с имитируемыми (ненастоящими) акциями. Неизбежно я присоединился к другим несчастным, которые ежедневно терпят неудачу на рынке. Тем не менее, в процессе я узнал массу нового о Python, включая объектно-ориентированное программирование, манипулирование данными, построение моделей и визуализацию. Также выяснилось, почему не стоит рассчитывать на ежедневную рыночную игру без потери единой копейки (все, что я могу сказать — играть нужно долгосрочно)!

Один день против 30 лет

В любой задаче, не только в Data science, если не удалось достичь желаемого, есть три варианта:

  1. Изменить результаты так, чтобы они выглядели в выгодном свете;
  2. Скрыть результаты — никто не заметит провала;
  3. Показать результаты и методы всем, чтобы люди могли чему-то научиться и, возможно, предложить улучшения.

В то время как третий вариант — оптимальный выбор на индивидуальном и общественном уровне, он требует наибольшего мужества. Ведь я могу специально демонстировать особые случаи, когда моя модель приносит прибыль. Или можно притвориться, что я не потратил десятки часов на работу, и просто выбросить её. Как глупо! На самом деле, только неоднократно потерпев неудачу и допустив сотню ошибок, мы двигаемся вперед. Более того, код Python, написанный для такой сложной задачи, не может быть написан напрасно!

Читать статью  Фондовые биржи: что это и для чего, а также виды, функции и структура

Этот пост документирует возможности Stocker, инструмента прогнозирования рынка, разработанного мной на Python. В предыдущей статье я показал, как использовать Stocker для анализа, а для тех, кто хочет опробовать его самостоятельно или внести свой вклад в проект, полный код доступен на GitHub.

Stocker для прогнозирования

Stocker — инструмент Python для прогнозирования рынка. Как только будут установлены необходимые библиотеки (см. документацию), можно запустить Jupyter Notebook в той же папке, что и скрипт, и импортировать класс Stocker:

from stocker import Stocker

Класс теперь доступен для сеанса Jupyter. Создадим объект класса Stocker, передавая ему любой действительный тикер, например, ‘AMZN’ (вывод программы выделен жирным шрифтом):

amazon = Stocker('AMZN') AMZN Stocker Initialized. Data covers 1997-05-16 to 2018-01-18.

Теперь к нам в распоряжение попали 20 лет ежедневных данных по акциям Amazon для исследований! Stocker построен на финансовой библиотеке Quandl и содержит более 3000 курсов акций для использования. Построим простой график курса, вызывая метод plot_stock:

amazon.plot_stock() Maximum Adj. Close = 1305.20 on 2018-01-12. Minimum Adj. Close = 1.40 on 1997-05-22. Current Adj. Close = 1293.32.

Stocker применяют для обнаружения и анализа общих трендов и закономерностей, но сейчас сосредоточимся на прогнозировании будущей цены. Предсказания в Stocker производятся с использованием аддитивной модели, которая рассматривает временные ряды как комбинацию тренда и сезонных изменений в разных временных масштабах (ежедневный, еженедельный и ежемесячный). Stocker использует «предсказательный» пакет, разработанный Facebook для аддитивного моделирования. Создание модели и прогнозирование можно выполнить в Stocker одной строкой:

# предсказать на дни вперед model, model_data = amazon.create_prophet_model(days=90) Predicted Price on 2018-04-18 = $1336.98

stock prediction python AMZN

Обратите внимание, что прогноз (зеленая линия) содержит доверительный интервал. Он отражает «неуверенность» модели в предсказании. В данном случае ширина доверительного интервала устанавливается с уровнем доверия 80%. Доверительным называют интервал, который покрывает неизвестный параметр с заданной надёжностью. Он расширяется с течением времени, потому что оценка имеет большую неопределенность по мере того, как она удаляется от имеющихся данных. Каждый раз, делая прогноз, следует включать этот доверительный интервал. Хотя большинство людей, как правило, хотят получить простой численный ответ, прогноз отражает то, что мы живем в неопределенном мире!

Дать предсказание нетрудно: достаточно выбрать некоторое число, и это будет предположением о будущем (возможно, я ошибаюсь, но это всё, что делают люди с Уолл-стрит). Но этого мало. Чтобы доверять модели, нужно оценить ее точность. Для этого в Stocker существует ряд методов.

Оценка прогнозов

Чтобы вычислить точность прогнозов, нам нужен обучающий и тестовый наборы данных. Для тестового набора необходимо знать ответы — фактическую цену акций, поэтому мы будем использовать данные курса за прошлый год (2017, в нашем случае). Во время обучения мы не позволим модели видеть ответы тестового набора, поэтому используем наблюдения за предшествующие три года (2014-2016). Основная идея обучения с учителем (supervised learning) заключается в том, что модель изучает закономерности и отношения в данных из обучающего набора, а затем умеет правильно воспроизводить их на тестовой выборке.

Чтобы количественно оценить точность, на основе предсказанных и фактических значений вычисляются следующие показатели:

  • средняя численная ошибка в долларах на тестовом и обучающем наборе;
  • процент времени, когда мы правильно предсказали направление изменения цены;
  • процент времени, когда фактическая цена попала в пределы прогнозируемого доверительного интервала в 80%.

Все вычисления автоматически выполняются Stocker с приятным визуальным сопровождением:

amazon.evaluate_prediction() Prediction Range: 2017-01-18 to 2018-01-18. Predicted price on 2018-01-17 = $814.77. Actual price on 2018-01-17 = $1295.00. Average Absolute Error on Training Data = $18.21. Average Absolute Error on Testing Data = $183.86. When the model predicted an increase, the price increased 57.66% of the time. When the model predicted a decrease, the price decreased 44.64% of the time. The actual value was within the 80% confidence interval 20.00% of the time.

Это ужасная статистика! С таким же успехом можно каждый раз подбрасывать монету. Если бы мы руководствовались полученными результатами для инвестиций, нам разумней было бы вложиться в лотерейные билеты. Однако пока не будем отказываться от модели. Изначально она ожидаемо будет довольно плохой, потому что использует некоторые настройки по умолчанию (называемые гиперпараметрами).

Если наши первоначальные попытки не увенчались успехом, мы можем нажимать эти своеобразные рычаги и кнопки, чтобы заставить модель работать лучше. В Prophet можно настроить множество параметров, причем наиболее важным является коэффициент масштаба распределения весов для контрольных точек (changepoint prior scale). Он отвечает за набор весов, который накладывается на развороты и флуктуации тренда.

Настройка выбора контрольных точек

Контрольные точки (changepoints) — это места, где временные ряды значительно меняют направление или скорость изменения цены (от медленно возрастающего до все более быстрого или наоборот). Коэффициент масштаба распределения весов для контрольных точек (changepoint prior scale) отражает количество «уделенного внимания» точкам изменения курса акций. Это используется для контроля над недообучением и переобучением модели (также известный как bias-variance tradeoff).

Проще говоря, чем выше этот коэффициент, тем сильнее учитываются контрольные точки и достигается более гибкая подгонка. Это может привести к переобучению, поскольку модель будет тесно привязываться к обучающим данным и терять способность к обобщению. Снижение этого значения уменьшает гибкость и вызывает противоположную проблему — недообучение.

Модель в таком случае недостаточно «внимательно» следит за обучающими данными и не выявляет основные закономерности. Как правильно подобрать этот параметр — вопрос скорее практический, нежели теоретический, и здесь будем полагаться на эмпирические результаты. Класс Stocker содержит два разных метода для выбора соответствующего значения: визуальный и количественный. Начнем с визуального метода.

# changepoint priors is the list of changepoints to evaluate amazon.changepoint_prior_analysis(changepoint_priors=[0.001, 0.05, 0.1, 0.2])

Здесь мы обучаемся на данных за три года, а затем показываем прогноз на шесть следующих месяцев. Сейчас мы не оцениваем прогнозы количественно, а лишь пытаемся понять роль распределения контрольных точек. Этот график отлично демонстрирует проблему недо- и переобучения!

При самом низком значении prior scale (синяя линия) значения недостаточно близко накладывается на обучающие данные (черная линия). Они словно живут своей жизнью, лишь немного приближаясь возрастающему тренду истинных данных. Напротив, самый высокий prior (желтая линия) сильнее приближает модель к учебным наблюдениям. Значение по умолчанию составляет 0.05, которое находится где-то между двумя крайностями.

Читать статью  Всё про американские биржи: обзор основных, плюсы и минусы, как на них попасть

Обратите внимание также на разницу в неопределенности (закрашенные интервалы) для разных коэффициентов масштаба:

  • Самое маленькое из prior дает наибольшую неопределенность в обучающих данных и наименьшую в тестовом наборе.
  • Напротив, наивысший prior scale имеет наименьшую неопределенность в тренировочном и наибольшую в тестовом.

Чем выше prior, тем точнее совпадают значения, поскольку он “внимательней” следит за каждым шагом. Однако, когда дело доходит до тестовых данных, модель быстро теряется без привязки к реальным значениям. Поскольку рынок изменчив, нужна более гибкая модель, чем заданная по умолчанию, чтобы она могла обрабатывать как можно больше шаблонов.

Теперь, когда у нас есть представление о влиянии prior, мы можем численно оценить разные значения с помощью набора для обучения и проверки:

amazon.changepoint_prior_validation(start_date='2016-01-04', end_date='2017-01-03', changepoint_priors=[0.001, 0.05, 0.1, 0.2]) Validation Range 2016-01-04 to 2017-01-03. cps train_err train_range test_err test_range 0.001 44.507495 152.673436 149.443609 153.341861 0.050 11.207666 35.840138 151.735924 141.033870 0.100 10.717128 34.537544 153.260198 166.390896 0.200 9.653979 31.735506 129.227310 342.205583

Мы должны быть осторожны — данные валидации не должны совпадать с тестовой выборкой. Если бы это было так, мы бы создали модель, лучше «подготовленную» для тестовых данных, что ведет к переобучению и невозможности работать в реальных условиях. В общей сложности, как это обычно делается в машинном обучении, используются три набора: для обучения (2013-2015), для валидации (2016) и тестовый набор (2017).

Мы оценили четыре priors с четырьмя показателями:

  • ошибка обучения;
  • доверительный интервал при обучении;
  • ошибка тестирования;
  • доверительный интервал при тестировании, все значения в долларах.

На графике видно, что чем выше prior, тем ниже ошибка обучения и тем ниже неопределенность на данных для обучения. Видно, что повышение уровеня prior снижает ошибку тестирования, подкрепляя интуицию, что близко приближаться к данным — хорошая идея для рынка. В обмен на бóльшую точность в тестовом наборе получаем больший диапазон неопределенности в данных теста с увеличением prior.

Валидационная проверка Stocker выдает два графика, иллюстрирующие эти идеи:

Train и test кривые Stocker

Train и test кривые точности и неопределенности для</dt>
</p>
<p>Так как наивысшее значение prior дало самую низкую ошибку тестирования, следует увеличить prior scale еще сильнее, чтобы попытаться улучшить результаты. Поиск можно уточнить, передав дополнительные параметры методу валидации:</p>
<pre># test more changepoint priors on same validation range amazon.changepoint_prior_validation(start_date='2016-01-04', end_date='2017-01-03', changepoint_priors=[0.15, 0.2, 0.25,0.4, 0.5, 0.6])</pre>
<p><img loading=

Ошибка тестового набора сводится к минимуму при prior = 0,5. Установим атрибут объекта Stocker соответствующим образом:

amazon.changepoint_prior_scale = 0.5

Есть и другие изменяемые настройки модели. Например, паттерны, которые ожидается увидеть, или количество используемых лет в обучающих данных. Поиск наилучшей комбинации требует повторения описанной выше процедуры с несколькими разными значениями. Не стесняйтесь экспериментировать!

Оценка усовершенствованной модели

Теперь, когда наша модель оптимизирована, оценим ее еще раз:

amazon.evaluate_prediction() Prediction Range: 2017-01-18 to 2018-01-18. Predicted price on 2018-01-17 = $1164.10. Actual price on 2018-01-17 = $1295.00. Average Absolute Error on Training Data = $10.22. Average Absolute Error on Testing Data = $101.19. When the model predicted an increase, the price increased 57.99% of the time. When the model predicted a decrease, the price decreased 46.25% of the time. The actual value was within the 80% confidence interval 95.20% of the time.

Выглядит гораздо лучше! Это показывает важность оптимизации модели. Использование значений по умолчанию дает разумное первое приближение. Но нужно быть уверенным, что используются правильные настройки, так же как мы пытаемся оптимизировать звук стерео, регулируя Balance и Fade (извините за устаревший пример).

«Входим в рынок»

Прогнозирование, безусловно, увлекательное занятие. Но настоящее удовольствие — наблюдать, как эти прогнозы будут отыгрывать на реальном рынке. Используя метод evaluate_prediction, мы можем «играть» на фондовом рынке, используя нашу модель за период оценки. Будем использовать описанную стратегию и сравним с простой стратегией buy and hold в течение всего периода.

Правила нашей стратегии просты:

  1. Каждый день, когда модель предсказывает рост акций, покупаем акции в начале дня и продаем в конце дня. Когда прогнозируется снижение цены, мы не покупаем акции.
  2. Если покупаем акции, и цены увеличиваются в течение дня, мы получаем соответствующую прибыль кратно количеству акций, которые у нас есть.
  3. Если покупаем акции, а цены уменьшаются, мы теряем кратно количеству акций.

Эту стратегию будем применять каждый день на весь период оценки, который в данном случае составляет весь 2017 год. Чтобы играть, нужно передать количество акций в вызов метода. Stocker покажет процесс разыгрывания стратегии в цифрах и графиках:

# Going big amazon.evaluate_prediction(nshares=1000) You played the stock market in AMZN from 2017-01-18 to 2018-01-18 with 1000 shares. When the model predicted an increase, the price increased 57.99% of the time. When the model predicted a decrease, the price decreased 46.25% of the time. The total profit using the Prophet model = $299580.00. The Buy and Hold strategy profit = $487520.00. Thanks for playing the stock market!

Сравнение Buy and Hold с новой стратегией на Python

Мы получили ценный урок: покупайте и удерживайте! Несмотря на то, что удалось выручить значительную сумму, играя по нашей стратегии, лучше просто инвестировать и держать акции.

Попробуем другие тестовые периоды, чтобы увидеть, есть ли случаи, когда наша модельная стратегия превосходит метод buy and hold. Описанный подход довольно консервативен, потому что мы не играем, когда прогнозируется снижение рынка. Следовательно, когда акции начнут падать, он может работать лучше, чем стратегия buy and hold.

Играйте только на ненастоящих деньгах!

Я знал, что наша модель может это сделать! Тем не менее, она побила рынок только когда у нас была возможность выбрать период тестирования.

Прогнозы на будущее

Теперь, когда у нас есть достойная модель, можно делать предсказания на будущее, используя метод predict_future():

amazon.predict_future(days=10) amazon.predict_future(days=100)

Прогнозы на следующие 10 и 100 дней Прогнозы рынка на Python на следующие 10 и 100 дней

Модель в целом смотрит на Amazon с оптимизмом, как и большинство «профессионалов».

prediction python tiprank experts

Неопределенность увеличивается с течением времени, как и ожидается. В действительности, если бы мы использовали описанный подход для настоящей торговли, мы бы каждый день обучали новую модель и делали прогнозы на срок не более одного дня.

Всем, кто хочет опробовать код, или поэкспериментировать со Stocker, добро пожаловать на GitHub.

Автор статьи в Twitter @koehrsen_will.

https://quote.rbc.ru/news/article/6049da8a9a7947964f0fcda0

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *