#Quant_Insights_Conference
#Portfolio_Management

Portfolio Construction for Sector Indices of Crypto Assets, Dr. Artur Sepp, Head of Systematic Solutions and Portfolio Construction, Sygnum Bank

@FinPy

#Quant_Insights_Conference
#Portfolio_Management

Optimal Portfolios Under the Threat of a Crash, Dr. Paul Wilmott, President, CQF Institute

@FinPy

#اعتبار_اهرمی

قسمت دوم

▫️در قسمت اول در خصوص نحوه برخورد بروکر با پوزیشن های مشتری بازنده صحبت شد. در این قسمت در خصوص نحوه هندل کردن پوزیشن های مشتری برنده صحبت خواهد شد. وقتی مشتری برنده مثلا یک لات پوزیشن لانگ باز میکند، بروکر بلافاصله سمت مخالف پوزیشن مشتری را گرفته (یک لات روی کاغذ و نه در بازار واقعی شورت میکند) و سپس به اندازه دو لات در بازار واقعی پوزیشن لانگ میگیرد، یک لات آن برای پوشش پوزیشن مشتری برنده و یک لات آن برای هج کردن پوزیشن شورت روی کاغذ خود. به این ترتیب، وقتی مشتری برنده پوزیشن خود را میبندد، مشتری سود کرده و بروکر نیز اسپرد، کمسیون و احتمالا سواپ شبانه معامله را بر میدارد. در شکل زیر خلاصه ای از آنچه بروکر در قبال مشتری های برنده و بازنده انجام میدهد، نشان داده شده است. همه مشتری ها در ابتدای ورود به بروکر، به عنوان مشتری زیان ده در نظر گرفته میشوند، مگر آنکه با گذر زمان خلاف آن ثابت شود!

▫️اگرچه بروکر در هر دو کیس مشتری برنده و بازنده سود میکند، اما هندل کردن پوزیشن مشتری برنده، سود کمتری برای بروکر داشته و به علاوه بروکر باید سرمایه بیشتری را در بازار واقعی درگیر کند. اینکه چرا بروکر در هر دو کیس، پوزیشن مخالف مشتری را روی کاغذ میگیرد، به دلیل افزایش نقدشوندگی در سرویس دهی به مشتری است. بنابراین بروکر ذاتا دوست دارد با مشتری های بازنده سر و کار داشته باشد! با توجه به اینکه مشتری های بازنده به تدریج از گردونه بازار خارج و منبع سود بروکر کاهش می یابد، بروکرها برای سر پا نگه داشتن بیزنس خود، اقدام به تبلیغات و استفاده از ترفندهای فریبنده جهت جذب مشتری میکنند!

@FinPy

#اعتبار_اهرمی

▫️نحوه برخورد بروکر با مشتریان برنده و بازنده و محل سود بروکر از هر مشتری - توجه داشته باشید که اهرم داده شده توسط بروکر، در هر دو حالت، میزان سود بروکر از فعالیت معاملاتی مشتری را نسبت به حالتی که اهرم وجود ندارد، چندین برابر میکند.

@FinPy

#ری_دالیو
#دارایی_واقعی

▫️به عنوان یک سرمایه گذار، قرار نیست همیشه سرمایه مون رو روی دارایی های مالی مثل سهام، اوراق مشارکت، سپرده بانکی و ... سرمایه گذاری کنیم و گاهی وقت ها سرمایه گذاری در دارایی های واقعی مثل املاک، فلزات گرانبها و ... میتونه گزینه پرسودتری باشه. تورم های عجیب که ناشی از مدیریت نادرست و تحریم هاست، همیشه در اقتصاد ایران وجود داشته اما اقتصادهای بزرگ هر از چند گاهی، اون رو تجربه میکنند. در حال حاضر بیشتر اقتصادهای بزرگ به دلیل عواقب همه گیری کرونا و تاثیرات جنگ اوکراین، شرایط تورمی سختی رو تجربه میکنند. در این ویدیو آقای ری دالیو به همین موضوع اشاره میکنه. مجری میگه اگه ارزش پول نقد من به دلیل تورم کم بشه، اونی که تو سهام سرمایه گذاری کرده که ضرر بیشتری متحمل شده، ری دالیو در پاسخ میگه تو شرایط تورمی اخیر باید از دارایی های واقعی برای دایورسیفاری کردن استفاده کرد. شرایطی که در ویدیو بحث میشه، خیلی شبیه شرایطی هست که ما در چند سال اخیر در ایران شاهدش هستیم، تورم و گران شدن دارایی های واقعی به همراه بازدهی ضعیف و منفی در بورس! به تحلیل سیکل های اقتصاد کلان ایران بیشتر اهمیت بدید!

@FinPy

#دارایی_واقعی

▫️در دنیا، صندوق ها و ابزارهای مالی قابل معامله ای وجود داره که روی دارایی های واقعی سرمایه گذاری و سرمایه گذارانشون رو از سود ناشی از اون بهره مند میکنند. مثل REIT که امکان سرمایه گذاری سرمایه های خرد در املاک رو فراهم میکنه. این ابزارها زیرمجموعه بحث Alternative Investment در فایننس محسوب میشن.

▫️آیا در ایران هم چنین صندوق ها یا ابزارهایی برای دارایی های واقعی وجود داره؟ دوستانی که در این خصوص اطلاع دارند، میتونن این ابزارها و روش های سرمایه گذاری در اونها رو در کامنت همین پست معرفی کنند.

@FinPy

#ML_for_Algo_Trading

▫️جلسه شانزدهم ارائه کتاب:
Machine Learning for Algorithmic Trading

روز دوشنبه 9 خرداد (امشب) ساعت ۲۰، برگزار خواهد شد. موضوع جلسه:

Word Embeddings for Earnings Calls and SEC Filings

(فصل شانزدهم کتاب) خواهد بود. برای شرکت در جلسه از طریق زوم، از این لینک و مشخصات زیر (در صورت نیاز) استفاده کنید:
Meeting ID: 899 2864 0090
Passcode: 12345
در صورتی که ظرفیت زوم تکمیل شده باشد، میتوانید از طریق لایو اینستاگرام جلسه را مشاهده کنید.

▫️برای دانلود کتاب از این لینک و برای دانلود کدهای پایتون کتاب از این لینک میتونید استفاده کنید. جلسات قبل هم در این پلی لیست در یوتیوب بارگذاری شده است.

▫️برای اطلاعات بیشتر در مورد ارائه دهندگان، به وبسایت پرزنتها مراجعه کنید.

@machinelearningnet2
@FinPy

#علم_داده_مالی_CFA

دوره اول:

Data and Statistics Foundation for Investment Professionals

جلسه سوم، هفته دوم:

Measures of Dispersion

@FinPy

#علم_داده_مالی_CFA

دوره اول:

Data and Statistics Foundation for Investment Professionals

جلسه چهارم، هفته دوم:

Skew and Kurtosis

@FinPy

#ارزیابی_عملکرد

▫️دو استراتژی سرمایه گذاری A و B با مشخصات زیر را در نظر بگیرید. داده ها مربوط به توزیع بازدهی ماهانه این دو استراتژی هستند. کدام استراتژی، گزینه بهتری برای سرمایه گذاری است؟

A: mean = 0, volatility = 1, skewness = -0.75, kurtosis = 6.06

B: mean = 0, volatility = 1, skewness = 0, kurtosis = 3

▫️در صورتی که با مفهوم skewness و kurtosis آشنا نیستید، این ویدیو را مشاهده کنید.

@FinPy

#مقالات

▫️بخش بزرگی از ایده های افرادی که از ML در توسعه استراتژی های معاملاتی یا سرمایه گذاری استفاده میکنند، از خواندن مقالات مربوطه به دست میاد. خواندن مقالات میتونه زمانبر و گاها خسته کننده باشه. آقای کیان کتان فروش که مدرس علم داده در دانشگاه استنفورد و از هم بنیان گذاران Coursera و Workera هست، در این پست اش به خوبی توضیح داده که فرآیند بررسی و انتخاب مقالات باید به چه شکل باشه.

▫️در خصوص مقالات، پیشنهاد ما بررسی مقالات مرتبط به حوزه علاقه مندی تون در این ژورنال هاست، نه به این معنی که خودتون رو فقط محدود به این ژورنال ها کنید! همچنین به تجربه، ایده هایی که در بازار سهام چین پیاده شده اند، اکثرا در بازار ایران هم ثمربخش هستند.

@FinPy

#ارزیابی_عملکرد

▫️استراتژی B بهتر از استراتژی A هست. هر دو استراتژی mean و volatility یکسانی دارند اما برای استراتژی A به دلیل fat-tail بودن، بازدهی های اکستریم مثبت و منفی بزرگتری نسبت به استراتژی B که توزیع اش نرماله، وجود داره و اگر به skewness منفی استراتژی A هم توجه کنیم، متوجه میشیم که بازدهی های اکستریم منفی (نسبت به مثبت) برای این استراتژی، بزرگتر اند.

▫️اگر توضیحات بالا رو یه بار مرور کنیم، متوجه میشیم که استراتژی A بازدهی های ماهانه کوچکتری (چه مثبت و چه منفی) حول میانگین، نسبت به استراتژی B داره و به دلیل skewness منفی احتمال اینکه یه بازدهی منفی بزرگ در این استراتژی رخ بده که اون بازدهی های مثبت کوچک رو از بین ببره خیلی بیشتره! به زبان نسیم طالب بخواییم بگیم، استراتژی A بیشتر در معرض وقوع پدیده قوی سیاه بوده! قوی سیاهی که با یه بار وقوع اش بازدهی های مثبت کوچک رو از بین برده و برآیند استراتژی رو منفی میکنه (مثل شکل فوق)!

@FinPy

#چالش_کدنویسی
#چالش_الگوریتم

چالش شماره ۵ - سورتینگ صندوق های سرمایه گذاری از بهتر به بدتر!

▫️فرض کنید داده ای مثل ماتریس فوق به دست شما رسیده که در اون یه تیم مجرب، بر اساس معیارهای مورد قبول و اعتماد صنعت سرمایه گذاری، با مقایسه دو به دو ۱۵ صندوق سرمایه گذاری (استراتژی، سهم یا ...) احتمالی برای برتری یکی بر دیگری مشخص کرده اند. به عنوان مثال صندوق ۱۰ با احتمال حدود ۹۶ درصد (باکس سبز)، عملکرد بهتری نسبت به صندوق شماره ۲ و با احتمال حدود ۳۴ درصد (باکس قرمز) عملکرد بهتری نسبت به صندوق شماره ۵، در افق مد نظر، خواهد داشت. تفسیر بقیه مقادیر این ماتریس هم به همین صورت که گفتم هست.

▫️از شما خواسته شده که بر اساس این ماتریس ارزیابی تهیه شده، این صندوق ها را از بهترین به بدترین سورت کنید. علاقه مندان میتونن الگوریتم، کد پیشنهادی و نتیجه سورتینگ خودشون رو در بخش کامنتها پست کنند.

▫️برای لود کردن دیتا میتوانید از دستور نشان داده شده در شکل استفاده کنید. ماتریس داده هم در بخش کامنتها قابل دانلود میباشد.


@FinPy

#معرفی_کتاب

Equity Smart Beta and Factor Investing for Practitioners

▫️در بازارهای سهام، Factor Investing یکی از مهمترین و جذاب ترین موضوعات برای دانشگاهیان و سرمایه گذاران فعال در صنعت هست که البته تو ایران خیلی بهش بها داده نمیشه. قبلا در خصوص اهمیت Factor Investing در چند پست صحبت و منابعی رو معرفی کردیم. مطالعه این کتاب به شما کمک میکنه که بازارهای سهام رو از دریچه جدیدی (متمایز از دریچه تحلیل تکنیکال و بنیادی) ببینید و شناخت بیشتری نسبت به اون کسب کنید. این شناخت به عنوان بخشی از دانش مالی شما، میتونه در ساخت مدل های کارآمدتر با استفاده از ابزارهای ماشین لرنینگ کمک بزرگی بکنه. در سایت CFA هم میتونید از طریق این لینک، Book Review کتاب رو مطالعه کنید.

@FinPy