Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Прежде чем вы приступите к количественной и алгоритмической торговле... [Панельная дискуссия] | Неделя алготрейдинга, день 0
Прежде чем вы приступите к количественной и алгоритмической торговле... [Панельная дискуссия] | Неделя алготрейдинга, день 0
Неделя алготрейдинга начинается с увлекательной панельной дискуссии под руководством ведущего и с участием экспертов отрасли. Ведущий начинает с приглашения руководителя отдела маркетинга и информационно-разъяснительной работы, чтобы он рассказал о мероприятии и его целях. Глава отдела маркетинга объясняет, что основная цель Algo Trading Week — сделать алгоритмическую торговлю более доступной и сделать ее массовой. Мероприятие направлено на достижение этого с помощью различных образовательных инициатив, таких как вебинары, семинары и бесплатные ресурсы. Кроме того, Algo Trading Week является празднованием 11-летия компании и будет длиться 7-8 дней, предлагая широкий спектр сессий и соревнований.
Затем спикер представляет их курсы Quantra, подчеркивая, что значительная часть, около 20-25 процентов или более курсов, доступна бесплатно. Это стало возможным благодаря поддержке и вкладу сообщества. Спикер выражает их желание сделать больше и объясняет, как это привело их к организации недельного обучающего фестиваля. Фестиваль объединяет лучших экспертов отрасли, которые поделятся своими знаниями и идеями. Спикер выражает благодарность за полученные положительные ответы.
Далее спикер представляет участников дискуссии, которые примут участие в обсуждении. В состав группы входят Ишаан, который возглавляет команду контента Contra, Нитиш, соучредитель и генеральный директор QuantInsti, Прадипта, вице-президент Blue Shift, и Раджив, соучредитель и генеральный директор iRage. Эти уважаемые участники дискуссии предлагают различные точки зрения и свой опыт.
Затем обсуждение переходит к теме необходимых навыков и образования, необходимых для карьеры в области количественного и алгоритмического трейдинга. Группа подчеркивает важность согласования своих интересов и увлечений, прежде чем углубляться в эту область. Они советуют людям быть готовыми потратить значительное количество времени и усилий и подчеркивают необходимость четкого понимания финансовых рынков, методов программирования, статистики и эконометрики. Группа подчеркивает, что необходим опыт в одной или двух из этих областей, но минимальный уровень квалификационных критериев должен быть соблюдён во всех трёх. Группа также обсуждает, как краткосрочные курсы могут помочь людям развить необходимые навыки, чтобы стать конкурентоспособными игроками в этой области.
Затем участники дискуссии подробно расскажут о преимуществах прохождения курсов по количественной и алгоритмической торговле. Они подчеркивают важность соблюдения надлежащего торгового процесса и использования математики и статистики для изучения аномалий на рынке. Курсы обучают навыкам Python, которые необходимы для тестирования на исторических данных и проверки гипотез. Кроме того, участники получают возможность торговать своими стратегиями на бумаге или в реальном времени на таких платформах, как BlueShift. Участники дискуссии также обсуждают различные источники альфы на рынках и то, как розничные пользователи могут извлечь выгоду из использования исследовательских и реальных торговых платформ, а не полагаться исключительно на готовые стратегии. Они подчеркивают, что при оценке риска торговой стратегии следует рассматривать не только стратегию отдельно, но и ее влияние на позицию и портфель в целом.
Группа также обсуждает важность тестирования стратегий и доступа к альфа-версии. Они подчеркивают важность использования таких платформ, как BlueShift, для систематических исследований, а не создания собственной платформы, которая требует другого набора навыков и процессов. Участники дискуссии отмечают, что торговлю можно разделить на разные стили, и влияние изменений на рынке соответственно различается. Они используют аналогию с шахматными программами машинного обучения, чтобы проиллюстрировать, как индустрия количественного трейдинга может извлечь выгоду из достижений в области технологий и анализа данных. Они также подчеркивают значительный объем информации, доступной для средне- и высокочастотных торговых стратегий из-за увеличения объема рынка и доступности данных.
Участники дискуссии переключают свое внимание на влияние технологий на количественную и алгоритмическую торговлю. Они подчеркивают растущую важность больших данных и автоматизации и признают, что высокочастотные трейдеры сталкиваются с растущей конкуренцией. Участники дискуссии обращаются к опасениям розничных инвесторов, рассматривающих возможность выхода на рынок, и предостерегают от слишком быстрого внедрения стратегий.
Участники дискуссии подчеркивают важность тщательного тестирования и понимания стратегии, прежде чем инвестировать в нее. Они подчеркивают необходимость избегать опасности поспешного внедрения без надлежащей оценки. Они подчеркивают, что крайне важно понять, почему ожидается, что конкретная стратегия будет успешной, прежде чем использовать ее.
Участники дискуссии подчеркивают важность сосредоточения внимания на исходных данных, таких как альфа-идеи, тестирование и управление рисками, для повышения вероятности успеха в торговле. Они признают, что этот процесс может показаться медленным и утомительным, но необходимо придерживаться его и избегать поспешных решений. Тем, кто хочет перейти от дискреционной к систематической торговле, участники дискуссии рекомендуют получить базовое понимание рыночной торговли, элементарные математические и стратегические навыки, а также программирование, особенно Python. Они также советуют людям читать об успешных трейдерах и учиться на их опыте, чтобы избежать потерь в результате проб и ошибок.
Участники дискуссии обсуждают потенциальные ловушки алгоритмической торговли и способы их избежать. Они подчеркивают важность выявления предубеждений в стратегиях и обеспечения их работы в различных рыночных условиях путем тщательного тестирования и анализа. Участники дискуссии предостерегают от недооценки моделирования биржевой активности, поскольку отсутствие понимания может привести к упущенным возможностям или значительным задержкам в исполнении сделок для высокочастотных торговых стратегий. Они рекомендуют применять системный подход к разработке стратегии и тщательно тестировать ее как с простыми, так и со сложными факторами. Участники дискуссии предлагают приобрести необходимые навыки с помощью курсов, вебинаров и практики, чтобы стать опытными и успешными количественными трейдерами.
Участники дискуссии дают ценные советы людям, интересующимся алгоритмической торговлей. Они предостерегают от предубеждений, чрезмерной зависимости от бэктестов и чрезмерной уверенности в высокой доходности без учета связанных с этим рисков. Участники дискуссии также подчеркивают важность недопущения чрезмерного использования заемных средств и напоминают трейдерам о необходимости учитывать риски, связанные с оценкой доходности. Они подчеркивают наличие предубеждений, которые могут исказить результаты ретроспективного тестирования, и подчеркивают необходимость понимания и надлежащего устранения этих предубеждений.
Спикеры подчеркивают важность использования правильных инструментов и методов при тестировании на исторических данных для повышения шансов на успех в торговле. Они подчеркивают возможности, открывающиеся с появлением систем с открытым исходным кодом и библиотек обработки данных, которые находятся в свободном доступе для трейдеров, обладающих способностью правильно интерпретировать данные. Кроме того, они упоминают возможность использования облачной инфраструктуры для гибкой аренды серверов, что может помочь сократить расходы. Выступающие признают трудности достижения успеха в трейдинге и подчеркивают важность объективности и систематичности в своем подходе, чтобы избежать эмоциональных влияний, таких как страх и жадность, при принятии торговых решений. Они рекомендуют пройти курсы, подобные тем, которые предлагает Quantra, для повышения навыков количественной и алгоритмической торговли.
Затем спикер обсуждает важность объективного изучения всех строительных блоков торговли и осведомленности о различных существующих стратегиях. Они подчеркивают ценность инвестиций в свое образование, будь то количественная и алгоритмическая торговля или любая другая область. Спикер объявляет конкурс для лиц, заинтересованных в изучении основ трейдинга, открытый для трейдеров, программистов и всех, кто хочет расширить свои знания. Конкурс будет состоять из трех викторин, посвященных финансовым рынкам, математике и статистике, программированию и машинному обучению. Спикер предоставляет ресурсы для подготовки к тесту.
Спикер предоставляет подробную информацию о предстоящей викторине Algo Trading Week с указанием дат и тем, которые будут освещены. Участникам предлагается подготовиться, используя указанные ресурсы или любые другие средства, которые они предпочитают, так как баллы определят окончательную таблицу лидеров. Спикер предлагает пройти все три теста, чтобы увеличить шансы попасть в тройку или десятку лучших участников. Кроме того, спикер обсуждает требования к оборудованию, необходимые для настройки количественного анализа, объясняя, что аппаратное обеспечение для выполнения может быть таким же простым, как ноутбук или минимальная конфигурация в облаке. Однако для более продвинутых исследовательских возможностей может потребоваться более мощный компьютер с оперативной памятью не менее 4 ГБ.
Затем комиссия углубляется в требования к оборудованию для высокочастотной торговли (HFT) и больших вычислительных средств. Они подчеркивают, что HFT требует частых обновлений и усовершенствований оборудования для достижения более быстрого обмена данными, что является решающим фактором в их альфа-поколении. Торговые стратегии, требующие скорости, обширных исследований и анализа данных, требуют инфраструктуры серверного уровня. Группа также предостерегает от того, чтобы рассматривать алгоритмическую торговлю как механизм «запустил и забыл», подчеркнув необходимость регулярно отслеживать эффективность стратегии и при необходимости предпринимать корректирующие действия, даже при использовании облачной торговой системы.
Когда панельная дискуссия подходит к концу, участники дискуссии выражают благодарность аудитории за то, что они настроились и активно приняли участие в сессии. Они ценят терпение, проявленное на протяжении часовой дискуссии, и прощаются до следующего заседания, которое состоится на следующий день. Панель завершается финальным раундом благодарностей и добрых пожеланий всем, кто принял участие в мероприятии.
Как автоматизировать торговую стратегию | Курс алго-трейдинга
Как автоматизировать торговую стратегию | Курс алго-трейдинга
Ришаб Миттал — количественный аналитик, работающий в команде контента в Quantra. Его опыт заключается в применении неконтролируемых методов обучения, в частности K-средних, для генерации торговых сигналов. Он активно участвует в разработке инновационных алгоритмов определения размера позиций на финансовых рынках, используя, среди прочего, такие методологии, как страхование портфеля с постоянной долей (CPPI). Перед тем, как присоединиться к Quantra, Ришаб приобрел опыт создания систематических торговых стратегий с использованием TradingView для различных клиентов.
На этом веб-семинаре под названием «Как автоматизировать торговую стратегию» Ришаб подробно расскажет о процессе автоматизации торговых стратегий и расскажет участникам о том, как использовать свои систематические торговые стратегии вживую. Вебинар начнется с рассмотрения предпосылок, необходимых для автоматизации стратегии.
Затем Ришаб сосредоточится на событийно-ориентированном подходе, необходимом для автоматической торговли. Он будет изучать такие темы, как подключение к брокеру, получение данных в реальном времени, генерация сигналов на основе полученных данных и, в конечном итоге, размещение заказа у брокера.
В завершение сессии Ришаб продемонстрирует пошаговую демонстрацию настройки демо-стратегии для бумажной торговли на рынках с использованием Blueshift. Участники получат практическую информацию о реализации и тестировании своих стратегий в смоделированной торговой среде.
Присоединяйтесь к Ришабу Митталу на этом информативном вебинаре, где он поделится своим опытом в области автоматизации торговых стратегий и предложит ценные рекомендации по переходу вашего систематического торгового подхода от теории к практике.
Машинное обучение и анализ настроений [Веб-семинар проекта Algo Trading]
Машинное обучение и анализ настроений [Веб-семинар проекта Algo Trading]
Дамы и господа,
Надеюсь, вы все меня хорошо слышите.
Добро пожаловать на канал Quantum City на YouTube. Те из вас, кто регулярно посещает наши вебинары, возможно, помнят один из наших недавних вебинаров Algo Trading Project, посвященный машинному обучению в области анализа настроений и распределения портфелей. Мы имели удовольствие пригласить двух уважаемых выпускников EPAT, Карлоса Пераля и Вивиан Томас, представить свои проектные работы. К сожалению, пост-презентация была прервана аппаратным сбоем, и в то время мы не могли подробно рассказать об этом. Однако нам повезло, что Карлосу потребовалось несколько дополнительных часов, чтобы отдельно записать свою презентацию и поделиться ею с нами.
Итак, без дальнейших промедлений, давайте продолжим и посмотрим презентацию Карлоса. Спасибо.
«Всем привет. В сегодняшней презентации я покажу свой финальный проект для программы EPAT (Executive Programme in Algorithmic Trading), который был завершен в марте прошлого года. Сначала позвольте представиться. Меня зовут Карлос Мартин, и У меня есть степень бакалавра в области вычислительной техники.Я работаю более 10 лет для нескольких клиентов, в основном в Испании и Бельгии.Мои основные навыки связаны с разработкой программного обеспечения, и последние пять лет я работаю в европейских организациях.
Мотивация этого проекта проистекает из моего интереса к машинному обучению, особенно к анализу настроений. Я считаю, что в последние годы эти методы добились впечатляющих успехов, поскольку модели машинного обучения применяются в различных областях, таких как анализ текста, распознавание речи, языковой перевод и анализ настроений, что является предметом этого проекта. Основная цель состоит в том, чтобы найти корреляцию между новостным настроением и ценовой чувствительностью и использовать оценки настроений для генерации торговых сигналов.
В отличие от традиционных подходов, основанных на техническом или количественном анализе, этот проект использует качественные данные в качестве нового источника информации. Цель состоит в том, чтобы перевести эти качественные данные в торговые сигналы. Проект разделен на две основные части: анализ текста и реализация торговой стратегии.
Часть анализа текста включает в себя загрузку новостей, выполнение предварительной обработки и внедрение модели машинного обучения для получения оценок тональности. Для этого проекта я выбрал модель долговременной кратковременной памяти (LSTM) для получения оценок тональности. Торговая часть включает в себя реализацию торговой стратегии, анализ цен на акции и оценку эффективности стратегии.
Давайте подробно рассмотрим структуру проекта. Часть анализа текста состоит из менеджера новостей, который занимается первоначальным поиском и предварительной обработкой данных новостей. Я использовал класс для подключения к внешней веб-службе и получения новостей в формате JSON. Эти новостные данные затем сохраняются в файле CSV. Часть анализа настроений включает в себя предварительную обработку текста и обработчик NLP (обработка естественного языка), который генерирует оценки полярности с помощью библиотеки под названием Analytic Evaluator. Эта библиотека присваивает новостям двоичные оценки, помечая их как отрицательные (-1) или положительные (1). Этот шаг имеет решающее значение для обучения модели.
Модель берет предварительно обработанные новости и обучается с помощью сигмовидной функции для бинарной классификации. Оценки настроений на выходе классифицируются как положительные или отрицательные. Затем реализуется торговая стратегия, и сгенерированные оценки настроений преобразуются в торговые сигналы. Значение -1 представляет сигнал на продажу, а значение 1 представляет сигнал на покупку.
Проект тестировался на четырех акциях: Apple, Amazon, Twitter и Facebook. Стратегию оценки настроений сравнивали со стратегией «купи и держи». Эффективность оценивалась с использованием доходности, коэффициента Шарпа и доходности стратегии. Результаты варьировались в зависимости от акций, при этом некоторые акции показали более высокие результаты при использовании стратегии оценки настроений по сравнению со стратегией «покупай и держи». Однако были случаи, когда стратегия оценки настроений не срабатывала, особенно в определенные периоды.
В заключение, этот проект подчеркивает взаимосвязь между негативными тенденциями, плохими новостями и потенциальными торговыми возможностями. Включив анализ настроений в торговую стратегию, становится возможным использовать качественные данные и систематически фиксировать настроения рынка. Этот подход может предоставить дополнительный слой информации, дополняющий традиционный технический и количественный анализ.
Однако важно отметить, что анализ настроений не является надежным методом, и его эффективность может варьироваться в зависимости от различных факторов. Рыночные условия, качество и надежность источников новостей, а также точность модели анализа настроений — все это играет роль в определении успеха стратегии.
Кроме того, крайне важно постоянно оценивать и совершенствовать модель анализа настроений, чтобы адаптироваться к изменяющейся динамике рынка и меняющимся новостным моделям. Регулярный мониторинг эффективности стратегии и внесение необходимых корректировок необходимы для обеспечения ее эффективности с течением времени.
В целом, этот проект демонстрирует потенциал анализа настроений в алгоритмической торговле. Он открывает новые возможности для включения качественных данных в торговые стратегии и обеспечивает основу для дальнейших исследований и разработок в этой области.
Я хотел бы выразить благодарность программе EPAT и команде Quantum City за предоставленную мне платформу и ресурсы для реализации этого проекта. Это был полезный опыт, и я считаю, что анализ настроений может дать ценную информацию в области алгоритмической торговли.
Спасибо за просмотр, и я надеюсь, что вы нашли эту презентацию информативной. Если у вас есть какие-либо вопросы или вы хотите продолжить обсуждение, пожалуйста, не стесняйтесь обращаться ко мне. Хорошего дня!
Как использовать торгового бота Python для инвестиций
Как использовать торгового бота Python для инвестиций
Присоединяйтесь к нам на этом информативном вебинаре, когда мы углубимся в мир торговых ботов Python для инвестиционных целей. Это видео, предназначенное как для начинающих, так и для опытных трейдеров, служит ценным ресурсом для людей, заинтересованных в использовании Python для алгоритмической торговли.
На вебинаре вы получите практические идеи и знания, которые помогут улучшить ваши стратегии алго-трейдинга. Python с его обширными библиотеками и возможностями автоматизации предлагает огромный потенциал для рационализации и оптимизации вашего торгового подхода. Используя возможности Python, вы можете повысить эффективность своей торговли и извлечь выгоду из рыночных возможностей.
Если вы только начинаете свой путь в алгоритмической торговле или хотите усовершенствовать свои существующие навыки, в этом видео представлен всесторонний обзор алгоритмической торговли с помощью Python. Он служит обязательным ресурсом для трейдеров и инвесторов, которые стремятся оставаться впереди в сегодняшнем динамичном финансовом ландшафте. Приготовьтесь расширить свое понимание роли Python в алгоритмической торговле и открыть новые возможности для достижения успеха.
Темы:
Как создать торговый алгоритм с нуля [Вебинар по алгоритмическому трейдингу] - 22 июля 2021 г.
Как создать торговый алгоритм с нуля [Вебинар по алгоритмическому трейдингу] - 22 июля 2021 г.
В ходе вебинара Ашутош поделился своим обширным опытом в сфере торговли производными финансовыми инструментами, накопленным за более чем десятилетие. Он подчеркнул свой опыт в применении передовых методов науки о данных и машинного обучения для анализа финансовых данных. Ашутош имеет престижную степень магистра и является сертифицированным финансовым аналитиком (FF). В настоящее время он является ценным членом команды Quantum City, ответственным за разработку и обучение курсу EPAT, первому в мире проверенному алгоритмическому трейдингу.
Вебинар в первую очередь был направлен на то, чтобы помочь участникам создать торговый алгоритм с нуля. Ашутош подчеркнул важность понимания торговых алгоритмов, их различных применений на рынке и преобразования идей в стратегии и, в конечном итоге, в торговые алгоритмы. По сути, алгоритм служит компьютерной программой, которая помогает трейдерам принимать прибыльные решения, анализируя данные и генерируя ордера на покупку и продажу на основе заранее определенных правил. Это также облегчает взаимодействие с внешней средой для эффективной отправки и получения заказов.
Прежде чем погрузиться в практические аспекты торговли, Ашутош подчеркнул важность определения своей торговой вселенной и определения желаемой альфы. Альфа представляет собой движущую силу прибыли, которая может исходить из различных источников, таких как уникальные рыночные перспективы, получение преимущества над конкурентами или реализация конкретных стратегий, адаптированных к индивидуальным целям.
Видеоконтент охватывал три основных этапа торговли: исследование, торговлю и пост-трейдинг. Ашутош разъяснил эти этапы и привел примеры различных торговых стратегий, сосредоточив внимание на процессе преобразования идей в конкретные торговые алгоритмы. Он продемонстрировал, как даже простые правила, такие как покупка акций, когда скорость их изменения (ROC) превышает 2 в течение последних 63 дней, могут стать основой торгового алгоритма.
На протяжении всего вебинара различные трейдеры демонстрировали свои подходы к построению торговых алгоритмов с нуля. Один трейдер использовал визуальное кодирование, используя данные с индийского рынка, а также ввел лимиты заказов и комиссию за акцию. Другой трейдер продемонстрировал пошаговый процесс, начиная с определения своей торговой вселенной, за которым следует создание альфа-функции для расчета ROC, установление торговых правил и, наконец, реализация стратегии с использованием логических блоков.
Видео предоставило исчерпывающую информацию об основных компонентах торгового алгоритма, а именно об условиях, отправке и получении ордеров. Кроме того, он продемонстрировал, как планировать алгоритмы для автоматического выполнения. Стратегии, основанные на бете и импульсе, были представлены как средство использования рыночных тенденций, наряду с включением стратегии отклонения от среднего.
Ашутош объяснил процесс создания торгового алгоритма с нуля, охватив такие ключевые аспекты, как определение множества акций, расчет соответствующих хеджей и выполнение правил торговли. Он также подчеркнул важность проведения бэктестов алгоритма и его оптимизации для повышения производительности.
Обсуждались количественные методы и их роль в улучшении торговых навыков с акцентом на использование бета-тестирования и корреляции с рынком для принятия обоснованных решений. Ашутош также предложил участникам возможность бесплатного звонка с консультацией для дальнейшей поддержки их торгового пути.
Кроме того, на вебинаре были рассмотрены различные типы данных, которые можно использовать в алгоритме, и рассмотрен процесс оценки стоимости курса EPAT. Участникам также был предоставлен список консультантов курса для руководства и поддержки.
На вебинаре Ашутоша было представлено исчерпывающее руководство по созданию торговых алгоритмов с нуля. Участникам было предложено задавать любые оставшиеся без ответа вопросы, которые у них могли возникнуть во время презентации, чтобы обеспечить полное понимание темы.
Оптимальное распределение портфеля с использованием машинного обучения
Оптимальное распределение портфеля с использованием машинного обучения
Цель этого занятия — научить вас методам оптимального распределения портфеля с использованием машинного обучения. Узнайте, как использовать алгоритмы, основанные на машинном обучении, для принятия решения о распределении капитала. Представлено Вивином Томасом, вице-президентом по количественным исследованиям и моделированию акций (EDG), JPMorgan Chase & Co.
В этом обсуждении мы исследуем захватывающую область алгоритмической торговли, уделяя особое внимание использованию алгоритмов машинного обучения. Наша основная цель — разработать сложные алгоритмы, в основе которых лежит машинное обучение, для принятия оптимальных решений по распределению капитала.
Чтобы достичь этого, мы разработаем низкочастотную стратегию, которая отличается тем, что распределяет доступный капитал между тщательно отобранной группой базовых активов, также известных как активы корзины, через регулярные промежутки времени. Внедряя методы машинного обучения, мы стремимся повысить точность и эффективность процесса распределения капитала.
Кроме того, мы создадим низкочастотные алгоритмы распределения активов только для длинных позиций, которые работают в рамках этой структуры. Эти алгоритмы будут разработаны так, чтобы превзойти стандартную стратегию распределения, которая опирается исключительно на эмпирические индикаторы импульса для принятия решений. Сравнивая производительность этих алгоритмов с эталонной стратегией, мы можем оценить ценность и эффективность использования машинного обучения в процессе распределения активов.
Благодаря этому исследованию мы получим представление о потенциальных преимуществах и преимуществах включения алгоритмов машинного обучения в стратегии распределения капитала. Присоединяйтесь к нам, чтобы погрузиться в захватывающий мир алгоритмической торговли и узнать, как эти передовые алгоритмы могут революционизировать наши подходы к распределению активов и инвестиционным решениям.
Учебник по анализу настроений | Научитесь прогнозировать фондовые тренды и используйте статистический арбитраж
Учебник по анализу настроений | Научитесь прогнозировать фондовые тренды и используйте статистический арбитраж
Во время этого вебинара ведущий представляет трех опытных людей, Дизайна Ветии, Хавьера Сервантеса и Сиддханту, которые начали свой путь в алгоритмической торговле через программу E-PAT. Они поделятся со зрителями своими презентациями и проектами E-PAT, охватив различные темы и свой опыт участия в программе E-PAT.
Ведущий подчеркивает, что флагманская программа E-PAT предлагает участникам возможность специализироваться на предпочитаемом ими классе активов или парадигме стратегии для своего проекта. Такой индивидуальный подход позволяет участникам изучать и развивать знания в выбранной ими области.
Подчеркивается, что эта сессия будет записана и размещена на YouTube и в их блоге, что предоставит ценную возможность обучения начинающим аналитикам и людям, интересующимся алгоритмической торговлей. Ведущий призывает зрителей воспользоваться знаниями, которыми поделились эти опытные трейдеры, и идеями, полученными в ходе их проектов E-PAT.
Первая презентация проводится Design Vetii, дилером с фиксированным доходом из Южной Африки. Design Vetii делится своим проектом по прогнозированию биржевых трендов с помощью технического анализа. Они собрали данные по 10 ведущим акциям южноафриканского индекса 40 крупнейших компаний за период в 10 лет. Python использовался для получения шести общих технических индикаторов из этих данных, которые затем были включены в модель машинного обучения для анализа трендов акций. Ведущий обсуждает их мотивацию и увлеченность областью машинного обучения на протяжении всего проекта.
Далее спикер обсуждает используемую инвестиционную стратегию и представляет результаты своего алгоритма машинного обучения. Они использовали одинаково взвешенный портфель, состоящий из 10 акций, и применяли как ежедневные, так и еженедельные стратегии ребалансировки. Портфель с ежедневной ребалансировкой приносил доход в размере 44,69% за последние два с половиной года, превысив доходность 40 лучших эталонов в размере 21,45%. Точно так же портфель еженедельной ребалансировки показал значительный рост, обеспечив доходность на 36,52% выше контрольного показателя. Докладчик признает время и усилия, необходимые для точной настройки параметров модели машинного обучения, и подчеркивает опыт обучения, полученный в результате этого процесса. Однако они также признают ограничения и потенциальные недостатки при сравнении стратегии исключительно с техническими индикаторами, такими как относительная сила, полосы Боллинджера и MACD.
Спикер размышляет об уроках, извлеченных из своего проекта, и обдумывает пути его улучшения в будущем. Они упоминают об интересе к изучению индекса, включающего 10 лучших акций, и признают ошибку, допущенную при использовании атрибута перемешивания в их алгоритме машинного обучения для финансового временного ряда. Спикер выражает гордость за их способность кодировать на Python и разрабатывать стратегию, сочетающую машинное обучение и технические индикаторы. Они предлагают включать фундаментальные факторы, такие как коэффициенты P, анализ настроений и другие маркеры, в будущие проекты, а также изучать альтернативные модели машинного обучения. Кроме того, спикер отвечает на вопросы аудитории, касающиеся выбора технических индикаторов и реализации алгоритма случайного леса.
После презентации ведущий проводит сеанс вопросов и ответов со зрителями. Рассматриваются различные вопросы, в том числе запросы о внутридневных торговых стратегиях и рекомендуемых книгах для изучения машинного обучения в контексте финансового анализа. Докладчик предлагает книгу по техническому анализу для понимания традиционных индикаторов, а также упоминает о возможном сосредоточении внимания на включении нетрадиционных взглядов на индикаторы и фундаментальные факторы в алгоритмы машинного обучения для будущих исследований.
После вопросов и ответов ведущий представляет следующего спикера, Хавьера Сервантеса, трейдера корпоративных облигаций из Мексики с более чем восьмилетним опытом работы на торговых и кредитных рынках. Хавьер делится своим исследованием использования статистического арбитража для прогнозирования тенденций движения акций на мексиканском рынке, который характеризуется небольшой и концентрированной рыночной капитализацией. Он объясняет привлекательность этой возможности отсутствием выделенных средств, ограниченным получением ликвидности от участников и конкурентной средой для арбитражных стратегий.
Хавьер обсуждает процесс создания базы данных для сбора информации о мексиканских акциях, описывая возникающие проблемы, такие как неполные и ошибочные данные, проблемы с фильтрацией и очисткой, а также предположения, лежащие в основе стратегии. Чтобы решить эти проблемы, было удалено около 40% множества эмитентов, а также были исключены акции с низкими ежедневными объемами торгов.
Затем докладчик анализирует результаты применения стратегии статистического арбитража Хавьера к шести различным парам акций, которая дала положительные результаты. Доходность пар показала низкую и в основном отрицательную корреляцию, что позволяет предположить, что диверсификация может значительно улучшить реализацию стратегии в виде совокупного портфеля. При анализе результатов портфеля, включающего все шесть пар, докладчик выделяет годовой темп роста в 19%, максимальную просадку всего в 5% и совокупный коэффициент Шарпа 2,45, демонстрируя значительное превосходство по сравнению с отдельными парами. Кроме того, докладчик подчеркивает несколько рисков, которые следует учитывать перед размещением реального капитала, включая торговые издержки, различные временные горизонты, рыночные условия и необходимость реализации стратегии стоп-лосс.
Спикер подчеркивает важность регулярного тестирования стратегии статистического арбитража для обеспечения ее надежности с течением времени, поскольку долгосрочные отношения между парами могут разрушиться, даже если наблюдается начальная стационарность. Они предполагают возможность использования алгоритмов машинного обучения для выбора подходящих пар для торговой стратегии, а не их ручного выбора на основе предположений о различных секторах рынка. В заключение докладчик упомянул, что есть много возможностей для дальнейших исследований, чтобы повысить эффективность модели и повысить надежность доходности. Во время сеанса вопросов и ответов они отвечают на вопросы, касающиеся периода времени, использованного в данных, ключевых выводов из отрицательной корреляции между доходностями пар и возможности реализации внутридневной стратегии.
Наконец, ведущий представляет Сиддханту, трейдера, который делится опытом своего проекта. Сиддханту начинает с обсуждения своего опыта в качестве трейдера и рассказывает об инциденте, связанном с акциями сети отелей медицинского назначения, который побудил их усомниться в влиянии новостей и настроений на цены акций. Они излагают свой проект, который разделен на три части: извлечение новостей, анализ настроений и торговая стратегия. Корпорация Nvidia выбрана в качестве акции для проекта из-за ее ликвидности и волатильности.
Сиддханту объясняет процесс сбора новостных статей с использованием базы данных newsapi.org и извлечения оценок тональности с помощью газетной библиотеки на Python. Оценки настроений затем используются для создания схемы длинной или короткой торговли на основе экстремальных оценок. Спикер рассказывает о проблемах, с которыми приходится сталкиваться на этапе программирования, но подчеркивает важность выбора правильных инструментов и получения поддержки от наставников для достижения успеха. Несмотря на то, что результаты обнадеживают, спикер подчеркивает необходимость осторожного подхода к тестированию на исторических данных и признает возможности для улучшения на каждом этапе проекта. Они рекомендуют инструмент анализа тональности Vader на Python из-за его точности в определении оценок тональности.
Спикер обращается к анализу настроений и его ограничениям применительно к новостным статьям. Они отмечают, что, хотя анализ настроений может быть эффективным для выявления настроений в твитах и комментариях в социальных сетях, он может не подходить для новостных статей из-за различий в освещении негативных событий. Они также отвечают на вопросы аудитории, касающиеся источников, используемых для анализа настроений, процесса преобразования оценок Вейдера в торговые сигналы, использования глубокого обучения в анализе настроений (которое они еще не исследовали, но признают его потенциал) и других связанных тем. .
Наконец, спикер углубляется в данные, используемые для тестирования в программе анализа настроений. Они объясняют, что ежедневно собиралось от 10 до 15 важных новостных статей для расчета среднего балла тональности на каждый день. Программа использовала эти статьи примерно за шесть месяцев. Для доходности акций были включены дневные данные по акциям Nvidia за шесть месяцев. Спикер поясняет, что во время торгов или тестирования на исторических данных не учитывались никакие фундаментальные или технические аспекты акций, а торговые сигналы были получены исключительно на основе оценки настроений.
Квант Трейдинг | Стратегии, объясненные Майклом Харрисом
Квант Трейдинг | Стратегии, объясненные Майклом Харрисом
В этом руководстве вводятся и обсуждаются концепции сложности и рефлексивности рынка. Основное внимание уделяется конкретным изменениям режима, которые произошли на фондовых рынках США и других рынках. Ведущий, Майкл Харрис, исследует, как эти изменения режима могут повлиять на разработку стратегии, и дает представление о том, как свести к минимуму их влияние путем корректировки данных и сочетания стратегий.
Учебное пособие предназначено для практического использования и позволяет участникам воспроизвести анализ на своих собственных системах. Amibroker используется для анализа во время вебинара, и участники могут загрузить код Python для дальнейшей практики после сеанса.
Майкл также делится недавно разработанным индикатором, который измеряет динамическое изменение состояния рынка по моментуму и возврату к среднему. Предоставляется код для этого индикатора, что позволяет участникам включать его в свои собственные торговые стратегии.
Майкл Харрис, спикер, имеет богатый опыт торговли товарными и валютными фьючерсами за 30 лет. Он является автором нескольких книг по трейдингу, в том числе «Краткосрочная торговля с ценовыми моделями», «Техники торговли акциями, основанные на ценовых моделях», «Прибыльность и систематическая торговля» и «Одураченные техническим анализом: опасности построения графиков». Тестирование на истории и интеллектуальный анализ данных». Он также является автором блога Price Action Lab и разработчиком программного обеспечения DLPAL. Майкл имеет две степени магистра: одну в области машиностроения с упором на системы управления и оптимизацию, а другую в области исследования операций с упором на прогнозирование и финансовый инжиниринг, полученную в Колумбийском университете.
Учебное пособие разделено на главы, охватывающие различные аспекты сложности рынка и изменения режима. Вступительное слово докладчика закладывает основу для руководства, за которым следует обзор тем, которые будут затронуты. Объясняется стратегия торговли индексами, подчеркивая ее ограничения в количественном выражении. Затем обсуждается стратегия возврата к среднему, что ведет к более глубокому изучению изменений режима и того, как они происходят. Анализируется динамика возврата к среднему на рынке S&P, подчеркивая сложность, присутствующую на финансовых рынках.
Устраняются неблагоприятные последствия сложности рынка, подчеркивая проблемы, которые он ставит перед трейдерами. Учебное пособие завершается обсуждением дополнительных сложностей на финансовых рынках и предоставляет ресурсы для дальнейшего изучения. Затем следует сессия вопросов и ответов, позволяющая участникам прояснить любые сомнения или получить дополнительную информацию.
Этот учебник дает ценную информацию о сложности рынка, изменениях режима и их последствиях для торговых стратегий, представленных опытным трейдером и автором в этой области.
Главы:
00:00 - Представление спикера
02:23 - Обзор учебника
03:54 - Объяснение стратегии торговли индексами
07:30 - Ограничения количественного требования
10:45 - Стратегия возврата к среднему
11:38 - Смена режима
16:30 - Как это бывает
18:17 - Динамика возврата к среднему S&P
24:35 - Сложности на финансовых рынках
26:42 - Побочные эффекты
36:56 - Больше сложностей на финансовых рынках
42:17 - Ресурсы
43:35 - вопросы и ответы
Алгоритмическая торговля | Полное руководство | идея для живых рынков | Доктор Хуэй Лю и Адитья Гупта
Алгоритмическая торговля | Полное руководство | идея для живых рынков | Доктор Хуэй Лю и Адитья Гупта
В этом видео спикер дает развернутый обзор мастер-класса по придумыванию, созданию и внедрению стратегии автоматической торговли. Спикер, Адитья Гупта, представляет доктора Хуэй Лю, основателя хедж-фонда и автора пакета Python, взаимодействующего с Interactive Brokers API. Он также упоминает неожиданную разработку, связанную с API, о которой расскажет д-р Лю.
Видео начинается с объяснения определения автоматической торговли и выделения трех основных этапов алгоритмической торговли. Спикер рассказывает о своем личном пути перехода от дискреционной торговли к систематической с использованием технического анализа.
Подчеркивается важность анализа в алгоритмической торговле с акцентом на три типа анализа: количественный, технический и фундаментальный. Различные аспекты анализа включают изучение исторических графиков, финансовых отчетов, микро- и макроэкономических факторов, а также использование математических моделей и статистического анализа для создания торговых стратегий. Эти стратегии по сути являются алгоритмами, которые обрабатывают данные и генерируют сигналы для покупки и продажи. Процесс включает в себя разработку стратегии, тестирование и торговлю на бумаге, прежде чем перейти к реальной торговле. Для подключения к реальной торговле необходимо подключение к брокеру и API, и iBridge PI рассматривается как потенциальное решение. Также вводится концепция спектра стратегий, демонстрирующая различные источники прибыли и типы анализа.
Докладчики углубляются в количественный анализ и его роль в создании торговых стратегий и управлении портфелем. Они объясняют, что количественный анализ включает в себя использование математических моделей и статистического анализа для получения информации из исторических данных, которые можно применять для разработки количественных торговых стратегий. Количественный анализ особенно полезен для управления рисками и расчета уровней тейк-профита и стоп-лосса для стратегии. Они продолжают демонстрировать процесс создания простой стратегии пересечения скользящих средних с использованием таких библиотек, как pandas, numpy и matplotlib, и расчета доходности стратегии.
Обсуждаются различные показатели производительности, используемые в алгоритмической торговле, такие как коэффициент Шарпа, совокупный годовой темп роста (CAGR) и максимальная просадка. Подчеркивается важность недопущения предвзятости и типичных ошибок при тестировании на исторических данных. Спикеры также описывают набор навыков, необходимых для количественного анализа, который включает в себя знание математики и статистики, интерес к работе с данными, умение программировать на Python и понимание финансов. Они описывают процесс создания автоматической торговой стратегии, начиная с источников данных и анализа, вплоть до исполнения сигнала, и связывают его с интерфейсом прикладного программирования (API). Доктор Хуэй Лю представляет себя, дает краткую информацию и дает обзор предстоящих тем по алгоритмической торговле с TD Ameritrade и Interactive Brokers с использованием Python.
Затем докладчик сосредоточится на трех краеугольных камнях алгоритмической торговли с использованием платформы iBridgePy: отображение цен в реальном времени, поиск исторических данных и размещение ордеров. Эти три краеугольных камня служат строительными блоками для построения сложных стратегий. Докладчик представляет три примерных стратегии: ребалансировка портфеля, стратегия покупки по низкой цене и продажи по высокой, а также стратегия ловли тренда с использованием пересечения скользящих средних. Подчеркиваются преимущества алгоритмической торговли, такие как снижение давления и меньшее количество человеческих ошибок. Спикер рекомендует инвестировать время в исследование хороших стратегий, а не тратить чрезмерные усилия на кодирование, используя торговую платформу, такую как iBridgePy. Также подчеркивается возможность беспрепятственного переключения между тестированием на истории и реальной торговлей на платформе iBridgePy.
Далее в видео обсуждаются различные брокеры и варианты платформы Python, доступные для алгоритмической торговли. TD Ameritrade представлена как американская брокерская фирма, предлагающая электронную торговую платформу с нулевой комиссией за торговлю. Interactive Brokers отмечена как ведущий поставщик решений API, которые обычно используются небольшими и средними хедж-фондами для автоматизации торговли. Robinhood, еще одна брокерская компания в США, упоминается за ее возможности торговли без комиссии и алготрейдинга. Исследуются преимущества использования торговой платформы Python iBridgePy, в том числе защита интеллектуальной собственности трейдеров, поддержка одновременного тестирования на истории и реальной торговли, а также совместимость с различными вариантами пакетов. iBridgePy также упрощает торговлю с разными брокерами и управление несколькими счетами.
Докладчики обсуждают потребность в эффективных инструментах для менеджеров хедж-фондов для одновременного управления несколькими счетами и представляют гибридную торговую платформу под названием Average Pi. Среднее значение Pi описывается как комбинация Contopian и Quantopian, позволяющая контролировать алгоритмы и торговать на основе Python. Демонстрируется процесс загрузки и настройки Average Pi в системе Windows, включая настройку торговой платформы Interactive Brokers через Integrity Broker. Демонстрируется основной входной файл пакета, runme.py, требующий только двух изменений: кода учетной записи и выбранной стратегии для выполнения.
Д-р Хуэй Лю и Адитья Гупта предоставляют руководство по алгоритмической торговле, демонстрируя, как отображать счет на примере. Они объясняют использование функций инициализации и обработки данных в Average Pi, который предлагает различные функции, специально разработанные для алгоритмической торговли. Они иллюстрируют, насколько легко кодировать с помощью платформы Average Pi.
Докладчик затрагивает две темы: отображение цен в реальном времени и получение исторических данных. Для цен в реальном времени представлена демонстрация, в которой код структурирован так, чтобы печатать временную метку и запрашивать цену каждую секунду с использованием функции дескриптора данных. Чтобы получить исторические данные для исследовательских целей, спикер объясняет функцию запроса исторических данных и демонстрирует, как ее можно использовать для получения фрейма данных pandas, содержащего исторические данные, включая открытие, максимум, минимум, закрытие и объем. Проверяется структура кода, и демонстрируется демонстрация, в которой код обновляется для извлечения исторических данных и вывода вывода на консоль.
Спикер демонстрирует, как разместить лимитный ордер на покупку 100 акций SPY по цене 99,95 долларов США, когда цена предложения превышает 100,01 доллара США в iBridgePy. Определены количество контрактов и акций для торговли, а функция «ордер» используется для размещения лимитного ордера. Спикер также демонстрирует выставление ордера по рыночной цене с помощью функции «монитор статуса ордера» для отслеживания статуса ордера. После демонстрации этих основных шагов спикер объясняет, что следующий этап включает в себя определение контрактов для торговли и частоту торговых решений для построения торговых стратегий.
Обсуждаются этапы реализации алгоритмической торговой стратегии. Объясняется необходимость регулярной обработки данных и планирования задач с использованием таких функций, как функция расписания. Исследуется процесс расчета технических индикаторов, который влечет за собой запрос исторических данных у брокера и использование возможностей фрейма данных pandas для расчетов. Рассматриваются типы ордеров, такие как рыночные ордера и лимитные ордера, и кратко упоминается включение стоп-ордеров в код или алгоритмы.
Затем спикер переходит к объяснению демонстрационной стратегии ребалансировки портфеля на основе торговых инструкций — популярного подхода среди управляющих фондами. Демонстрируется ручное выполнение торговых инструкций с использованием словарей Python, а также представлен простой код, который ежедневно планирует принятие торгового решения и автоматически перебалансирует счет, используя целевые проценты ордеров. Живая демонстрация предназначена для демонстрации процесса ребалансировки учетной записи и просмотра ее позиции.
Описаны три различные торговые стратегии, которые можно реализовать с помощью Python. Первая — это простая стратегия ребалансировки, которая позволяет пользователям отслеживать свою позицию, доли и базовую стоимость. Вторая — это стратегия возврата к среднему, используемая для выявления торговых возможностей, когда цена закрытия ниже цены предыдущего дня. Наконец, обсуждается стратегия пересечения скользящих средних с упором на использование исторических данных для расчета точки пересечения для потенциальных возможностей покупки и продажи. Все три стратегии включают в себя принятие торговых решений до закрытия рынка в определенное время и использование рыночных ордеров для исполнения сделок. Код для реализации всех стратегий прост и легко реализуется с использованием Python и функций планирования.
Доктор Хуэй Лю и Адитья Гупта объясняют, как использовать скользящие средние, чтобы определить, когда покупать или продавать акции в портфеле. Они демонстрируют реализацию этой стратегии с использованием платформы Average Pi, а затем приступают к ее тестированию, применяя исторические данные для оценки ее эффективности. В учебном пособии рассматривается использование функции Test Me Py в Hybrid Pi для ввода исторических данных для моделирования и получения результатов для баланса счета и сведений о транзакциях.
Докладчик объясняет, как просмотреть результаты моделирования алгоритмической торговой стратегии, обратившись к графику анализа производительности. На этой диаграмме отображается журнал баланса и различные статистические данные, такие как коэффициент Шарпа, среднее значение и стандартное отклонение, которые можно дополнительно настроить. Спикер подчеркивает, что Average Pi способен обрабатывать несколько учетных записей и перебалансировать их. Платформа является гибкой, удобной для пользователя и может использоваться для настройки алгоритмической торговой платформы, тестирования на истории, торговли в реальном времени, торговли с различными брокерами и управления несколькими счетами. Кроме того, спикер предлагает зрителям изучить их сервис аренды кодера для помощи в кодировании и подписаться на их канал YouTube для бесплатных руководств.
Выступающие обсуждают, как можно использовать iBridge от Interactive Brokers для торговли фьючерсами и опционами, а также другими типами контрактов. Они объясняют, что функция Super Symbol позволяет определять различные типы контрактов, такие как опционы на акции, фильтры, индексы, форекс и многое другое. Приведен пример, когда на Гонконгской бирже торгуется структурированный продукт, который не является акцией. Функция Super Symbol позволяет торговать любым типом контракта, кроме акций. Кратко упоминаются стоп-лоссы, подчеркивая, как они могут быть включены в код или встроены в алгоритм.
Выступающие продолжают дискуссию, подчеркивая важность управления рисками в алгоритмической торговле. Они подчеркивают необходимость применения стоп-лоссов в качестве стратегии снижения рисков для ограничения потенциальных убытков в случае неблагоприятных движений рынка. Стоп-лоссы могут быть интегрированы в код или алгоритм, чтобы автоматически инициировать продажу ценной бумаги, когда она достигает заданного уровня цены.
Затем они углубляются в концепцию размера позиции, которая включает в себя определение соответствующего количества акций или контрактов для торговли на основе доступного капитала и допустимого риска. Правильный размер позиции помогает управлять рисками и оптимизировать прибыль, гарантируя, что распределение капитала соответствует стратегии управления рисками трейдера.
Спикеры также коснулись важности оценки и мониторинга эффективности в алгоритмическом трейдинге. Они обсуждают различные показатели производительности, используемые для оценки эффективности торговых стратегий, включая коэффициент Шарпа, совокупный годовой темп роста (CAGR) и максимальную просадку. Эти показатели дают представление о доходности с поправкой на риск, долгосрочном росте и потенциальных рисках снижения, связанных со стратегией.
Чтобы избежать распространенных ошибок и предубеждений при тестировании на исторических данных, докладчики подчеркивают важность обеспечения целостности данных и использования тестирования вне выборки. Они предостерегают от чрезмерной оптимизации или «подгонки кривой», что означает слишком близкую адаптацию стратегии к историческим данным, что приводит к плохой работе в реальной торговле из-за отсутствия у стратегии способности адаптироваться к изменяющимся рыночным условиям.
Спикеры подчеркивают, что успешная алгоритмическая торговля требует сочетания навыков и знаний. Они упоминают необходимость иметь прочную основу в области математики и статистики, интерес к работе с данными, умение программировать с использованием Python и хорошее понимание финансовых рынков. Они поощряют людей, заинтересованных в алгоритмической торговле, постоянно расширять свои знания и навыки с помощью учебных ресурсов и практического применения.
В заключительной части видео д-р Хуэй Лю представляет себя и делится своим опытом в качестве основателя хедж-фонда и автора пакета Python, взаимодействующего с Interactive Brokers API. Он кратко обсуждает предстоящие темы, связанные с алгоритмической торговлей, с TD Ameritrade и Interactive Brokers с использованием Python, подготавливая почву для дальнейшего изучения этих тем в будущих мастер-классах.
Видео представляет собой всесторонний обзор алгоритмической торговли, охватывающий путь от идеи до реализации автоматических торговых стратегий. В нем подчеркивается важность анализа, обсуждаются различные типы анализа (количественный, технический и фундаментальный), а также исследуются различные аспекты разработки, тестирования и реализации стратегии. Докладчики демонстрируют практическое применение платформ на основе Python, таких как iBridgePy и Average Pi, демонстрируя их возможности в отслеживании цен в реальном времени, извлечении исторических данных, размещении заказов и ребалансировке портфеля.
Прогноз долгосрочной оценки предприятия профессором С. Чандрасекхаром | Презентация исследования
Прогноз долгосрочной оценки предприятия профессором С. Чандрасекхаром | Презентация исследования
Профессор С. Чандрасекар является старшим профессором и директором по бизнес-аналитике в бизнес-школе IFIM в Бангалоре. Обладая более чем 20-летним опытом работы в академических кругах, он занимал такие должности, как заведующий кафедрой-профессором в Школе менеджмента FORE в Нью-Дели и профессор Индийского института менеджмента в Лакхнау. Он имеет степень бакалавра в области электротехники, степень магистра компьютерных наук ИИТ Канпур и докторскую степень в области количественных и информационных систем Университета Джорджии, США.
В этой презентации профессор С. Чандрасекар фокусируется на прогнозировании долгосрочной стоимости предприятия (EV) компании с использованием передовых методов машинного обучения и обработки естественного языка. В отличие от рыночной капитализации, которая в первую очередь учитывает акционерную стоимость, стоимость предприятия обеспечивает более полную оценку компании за счет включения таких факторов, как долгосрочная задолженность и денежные резервы.
Для расчета EV рыночная капитализация корректируется путем добавления долгосрочного долга и вычитания денежных резервов. Прогнозируя стоимость предприятия на период до шести месяцев вперед, этот подход может помочь инвесторам и рейтинговым компаниям получить долгосрочную перспективу роста инвестиций и управления соответствующими рисками.