Акции

Видео версия:

Несмотря на то, что сейчас я тружусь в банке и моя должность звучит как исполнительный директор, биржевая торговля и создание торговых роботов к моим обязанностям не относится, и этим я развлекаюсь в свободное время. Так как в данном хобби за мной нет надзора, порой я исполняю всякую дичь, которая выходит боком. Вместе с тем, именно небольшие неудачи и поражения интересно разобрать, потому что если не я кто ж вам про такое расскажет, тем более в интернете - ведь тут все успешные как Тони Роббинс, я порой я удивляюсь, как у меня хватает наглости публиковать что-то в одной сети с такими замечательными людьми. Но, тем не менее. Пару слов для преамбулы.

Принято считать, что игра на бирже - это игра с нулевым результатом, то есть когда кто-то выигрывает деньги, их кто-то обязательно должен проиграть. На сегодняшний день это не совсем так, тем более в последние полтора года. Дело в том, что существует огромная масса денег, которые печатаются просто так, для обслуживания гос. долга Соединенных Штатов, и субсидирования их экономики. Часть этих денег получают юридические лица, а часть - физические. Если получателям не удается придумать, куда пристроить эти деньги в реальном секторе, они часто попадают на фондовый рынок, накачивая стоимость тех или иных активов. Поэтому, в последние годы, рынок перекошен в бычью сторону, то есть стратегии типа купи и держи на долгосроке работает. В такой ситуации остается думать о том, какой сектор или какая бумага растет быстрее других, что очень похоже на перестроения из ряда в ряд на шоссе - только перестроился, а другой ряд начинает ехать быстрее.

Тем не менее, случаются и коррекции, вот как сейчас. Некоторые выгадывают приближение коррекции через фигуры технического анализа, уровни, каналы, булл-трапы, ГИПы, некоторые просто событийно предсказывают, что в марте молодые и бестолковые "робингуды", типа меня, вспомнят, что надо платить налоги и начнут распродаваться. Но факт в том, что весенняя коррекция бывает и к ней надо быть готовыми, а я был готов недостаточно - слишком долго вокруг кричали Волки, волки, поэтому я был немного на расслабоне. Так называемый инвестиционный портфель мой состоял большей частью из опционов, причем разных типов.

В лонге, то есть с положительной позицией, я стоял по CALL опционам европейского типа, т.е. варрантами. Особенность таких бумаг на IB в том, что они продаются без плеча, то есть по ним можно переждать любую просадку длинной хоть в год. Тем не менее, они склонны падать гораздо резвее своего базового актива.

В шорте я стоял по PUT опционам американского типа с экспирацией в пределах 2х месяцев, часть из которых продавались ATM (около денег), часть вообще ITM (в деньгах). Плюс, у меня было куплено буквально несколько позиций стоков (акций), и проданы покрытые ими CALL опционы, сильно OTM (вне денег).

Как можете видеть, это совершенно очевидная направленная бычья позиция, хотя и относительно умеренная. В принципе, могло быть сильно хуже, если например, покупать стоки с плечом 1 к 4, покупать прости госсподи CFD, или же например покупать CALL опционы с близкой экспирацией. Что же со всем этим произошло? Для начала, случился разворот на индексах, причем не столько на SP500, сколько на NASDAQ, к которому мой портфель оказался более чувствительным в плане стоков и варрантов. На бычьем рынке единственный параметр, который всех интересует, это Buying power - покупательская способность. Обычно она визуально выше суммы ваших свободных денег в 3-4 раза. В Interactive Brokers наряду с предоставляемым плечом, присутствуют ограничители, которые не позволяют клиенту разгуляться, и нанести своему счету непоправимый вред. Это, в частности Excess Liquidity избыточная ликвидность, запас вашей финансовой прочности. Excess Liquidity = Equity with Loan Value Maintenance Margin стоимость активов - минимальная маржа. Именно последний элемент уравнения создает наибольшие проблемы в моменты возрастания волатильности в ходе коррекции. Дело в том, что существует огромная разница между требуемой маржой покрытого опциона и непокрытого. Наличие у вас позиции по стоку, гарантирует то, что вы исполните обязательство по проданному опциону в любом случае, поэтому при продаже и откупе опциона маржа не меняется. Вверху на картинке влияние на маржу откупа покрытого опциона CALL, она нулевая, внизу - непокрытого PUT - оно существенно больше самой премии продавца.

Но вот что интересно. Несмотря на нулевое изменение Margin, как только Excess Liquidity становится отрицательной, вы не можете отправить ордер на откуп CALL опциона, потому что уменьшится Equity; а сток вы не можете продать, потому что опцион станет не покрытым и Margin тут же увеличится. Другими словами, в таких позициях вы парализованы и вам остается только уповать на милость божию.

Теперь о том, почему цена проданного опциона может резко поменяться, даже если внутренняя стоимость изменилась несущественно, но переоценили временную стоимость.

Там одним из множителей является прогнозируемая волатильность, а она (сигма в формуле Блэка-Шоулза)

возросла в коррекции, так как не только вы, а все кругом ловят stop lossы и margin callы, а их маркет ордера валят цены все ниже.

Если мысленно переместиться в будущее, тета (временная стоимость) перетечет в карман продавца, и останется только внутренняя стоимость - дельта. Но мы находимся в настоящем, поэтому маркет-мейкер задирает цену опциона, а брокер смотрит на нее и увеличивает маржинальные требования, чтоб будущая дельта не потопила и его, вместе с бестолковым клиентом. И теоретически возможная margin без плеча по проданному PUT опциону, если кто не понимает, это цена страйка, умноженная на 100 - это есть обязательство покупки упавших в 0.00 бумаг по цене страйка. По непокрытому CALL она не ограничена вообще ничем, но таких я не продавал и не планирую. Но все это теория, а что же происходит на практике? При отрицательной Excess Liquidity (он показывается красным цветом в Portfolio), я мог только закрывать позиции (кроме покрытых колов, как я уже сказал). Пришло письмецо счастья с морожовым требованием. И я действительно, по мелочи продал какие-то позиции, которые плюсовали несмотря на всю жесть, творящуюся на бирже. Потом, я понял, что прошло полдня, день, а ничего не происходило - это немного успокаивало. Вы таки спросите, а где же в этом момент был твой торговый робот, он же должен был давно сам все позакрывать, и ничего этого не было бы?

В общем-то, хватило бы и обычных стоп-лоссов. Строго говоря, робот нужен в основном для растущего рынка, чтоб не зафиксировать прибыль раньше времени - для организации т.н. "умного трейлинг-стопа", который включается не сразу, а по сигналу, может смотреть за курсом не только текущего инструмента, но и его андерлаинга, а также за индексами, новостным фоном, твиттером, реддитом и прочим. Почему же он не работал?

Ответ прост - когда начинается обвал, ты эмоционально отключаешь нафиг всю автоматизацию, потому что надеешься на чудо, так же и напрочь забываешь правила типа "резать убытки сразу, и дать прибыли течь" - думаешь, вот когда рынок отскочит, вот тогда я и дам прибыли течь, а сейчас буду просто тупо сидеть и смотреть как все идет прахом. И уже на следующий день, когда Excess Liquidity еще упала в район -10% от Net Liquidity, около закрытия биржи произошло вот что:

Брокер ликвидировал часть моих бумаг по рыночным ценам, чтобы привести Excess Liquidity в порядок - это были варранты и 1 сток. При этому был зафиксирован убыток больше 2.5 тысяч долларов. При этом, покрытые Call опционы он не тронул, как и проданные путы автоматически откупать не стал - это было бы вообще трагично. Пока что есть определенная вероятность, что в них удастся досидеть до экспирации или перекатить, с небольшим убытком или даже с прибылью.

Ну что здесь можно сказать.

Именно так, видимо, теряют деньги на бирже от 80 до 95 процентов доморощенных трейдеров. Им дают порезвиться, предоставляют плечо, когда рынок идет вверх, а когда он корректируется, зачастую одной длинной свечой, позиции принудительно закрывают в самой невыгодной для них точке. После чего рынок, возможно, разворачивается, и опять идет вверх, но уже без этих лишних пассажиров - их деньги уже у серьезных парней из хэдж фондов. Бывает конечно и наоборот, когда пассажиры, собравшись в банду на Reddit, раскулачивают серьезных парней (см. историю про GME - GameStop Corp), но это большая редкость. Хотя нынешняя коррекция, в принципе, не такая уж и сильная, но я ощутил, каково это бывает.

Надеюсь, эта история вас хоть чему-то научило, например, не загружаться на всю котлету, и вообще интересоваться, какого размера она у вас на самом деле, без плеча брокера и с учетом потенциальных убытков по проданным опционам.

Удачи!

Видео версия:

Несмотря на то, что сейчас я тружусь в банке и моя должность звучит как исполнительный директор, биржевая торговля и создание торговых роботов к моим обязанностям не относится, и этим я развлекаюсь в свободное время. Так как в данном хобби за мной нет надзора, порой я исполняю всякую дичь, которая выходит боком. Вместе с тем, именно небольшие неудачи и поражения интересно разобрать, потому что если не я кто ж вам про такое расскажет, тем более в интернете - ведь тут все успешные как Тони Роббинс, я порой я удивляюсь, как у меня хватает наглости публиковать что-то в одной сети с такими замечательными людьми. Но, тем не менее. Пару слов для преамбулы.

Принято считать, что игра на бирже - это игра с нулевым результатом, то есть когда кто-то выигрывает деньги, их кто-то обязательно должен проиграть. На сегодняшний день это не совсем так, тем более в последние полтора года. Дело в том, что существует огромная масса денег, которые печатаются просто так, для обслуживания гос. долга Соединенных Штатов, и субсидирования их экономики. Часть этих денег получают юридические лица, а часть - физические. Если получателям не удается придумать, куда пристроить эти деньги в реальном секторе, они часто попадают на фондовый рынок, накачивая стоимость тех или иных активов. Поэтому, в последние годы, рынок перекошен в бычью сторону, то есть стратегии типа купи и держи на долгосроке работает. В такой ситуации остается думать о том, какой сектор или какая бумага растет быстрее других, что очень похоже на перестроения из ряда в ряд на шоссе - только перестроился, а другой ряд начинает ехать быстрее.

Тем не менее, случаются и коррекции, вот как сейчас. Некоторые выгадывают приближение коррекции через фигуры технического анализа, уровни, каналы, булл-трапы, ГИПы, некоторые просто событийно предсказывают, что в марте молодые и бестолковые "робингуды", типа меня, вспомнят, что надо платить налоги и начнут распродаваться. Но факт в том, что весенняя коррекция бывает и к ней надо быть готовыми, а я был готов недостаточно - слишком долго вокруг кричали Волки, волки, поэтому я был немного на расслабоне. Так называемый инвестиционный портфель мой состоял большей частью из опционов, причем разных типов.

В лонге, то есть с положительной позицией, я стоял по CALL опционам европейского типа, т.е. варрантами. Особенность таких бумаг на IB в том, что они продаются без плеча, то есть по ним можно переждать любую просадку длинной хоть в год. Тем не менее, они склонны падать гораздо резвее своего базового актива.

В шорте я стоял по PUT опционам американского типа с экспирацией в пределах 2х месяцев, часть из которых продавались ATM (около денег), часть вообще ITM (в деньгах). Плюс, у меня было куплено буквально несколько позиций стоков (акций), и проданы покрытые ими CALL опционы, сильно OTM (вне денег).

Как можете видеть, это совершенно очевидная направленная бычья позиция, хотя и относительно умеренная. В принципе, могло быть сильно хуже, если например, покупать стоки с плечом 1 к 4, покупать прости госсподи CFD, или же например покупать CALL опционы с близкой экспирацией. Что же со всем этим произошло? Для начала, случился разворот на индексах, причем не столько на SP500, сколько на NASDAQ, к которому мой портфель оказался более чувствительным в плане стоков и варрантов. На бычьем рынке единственный параметр, который всех интересует, это Buying power - покупательская способность. Обычно она визуально выше суммы ваших свободных денег в 3-4 раза. В Interactive Brokers наряду с предоставляемым плечом, присутствуют ограничители, которые не позволяют клиенту разгуляться, и нанести своему счету непоправимый вред. Это, в частности Excess Liquidity избыточная ликвидность, запас вашей финансовой прочности. Excess Liquidity = Equity with Loan Value Maintenance Margin стоимость активов - минимальная маржа. Именно последний элемент уравнения создает наибольшие проблемы в моменты возрастания волатильности в ходе коррекции. Дело в том, что существует огромная разница между требуемой маржой покрытого опциона и непокрытого. Наличие у вас позиции по стоку, гарантирует то, что вы исполните обязательство по проданному опциону в любом случае, поэтому при продаже и откупе опциона маржа не меняется. Вверху на картинке влияние на маржу откупа покрытого опциона CALL, она нулевая, внизу - непокрытого PUT - оно существенно больше самой премии продавца.

Но вот что интересно. Несмотря на нулевое изменение Margin, как только Excess Liquidity становится отрицательной, вы не можете отправить ордер на откуп CALL опциона, потому что уменьшится Equity; а сток вы не можете продать, потому что опцион станет не покрытым и Margin тут же увеличится. Другими словами, в таких позициях вы парализованы и вам остается только уповать на милость божию.

Теперь о том, почему цена проданного опциона может резко поменяться, даже если внутренняя стоимость изменилась несущественно, но переоценили временную стоимость.

Там одним из множителей является прогнозируемая волатильность, а она (сигма в формуле Блэка-Шоулза)

возросла в коррекции, так как не только вы, а все кругом ловят stop lossы и margin callы, а их маркет ордера валят цены все ниже.

Если мысленно переместиться в будущее, тета (временная стоимость) перетечет в карман продавца, и останется только внутренняя стоимость - дельта. Но мы находимся в настоящем, поэтому маркет-мейкер задирает цену опциона, а брокер смотрит на нее и увеличивает маржинальные требования, чтоб будущая дельта не потопила и его, вместе с бестолковым клиентом. И теоретически возможная margin без плеча по проданному PUT опциону, если кто не понимает, это цена страйка, умноженная на 100 - это есть обязательство покупки упавших в 0.00 бумаг по цене страйка. По непокрытому CALL она не ограничена вообще ничем, но таких я не продавал и не планирую. Но все это теория, а что же происходит на практике? При отрицательной Excess Liquidity (он показывается красным цветом в Portfolio), я мог только закрывать позиции (кроме покрытых колов, как я уже сказал). Пришло письмецо счастья с морожовым требованием. И я действительно, по мелочи продал какие-то позиции, которые плюсовали несмотря на всю жесть, творящуюся на бирже. Потом, я понял, что прошло полдня, день, а ничего не происходило - это немного успокаивало. Вы таки спросите, а где же в этом момент был твой торговый робот, он же должен был давно сам все позакрывать, и ничего этого не было бы?

В общем-то, хватило бы и обычных стоп-лоссов. Строго говоря, робот нужен в основном для растущего рынка, чтоб не зафиксировать прибыль раньше времени - для организации т.н. "умного трейлинг-стопа", который включается не сразу, а по сигналу, может смотреть за курсом не только текущего инструмента, но и его андерлаинга, а также за индексами, новостным фоном, твиттером, реддитом и прочим. Почему же он не работал?

Ответ прост - когда начинается обвал, ты эмоционально отключаешь нафиг всю автоматизацию, потому что надеешься на чудо, так же и напрочь забываешь правила типа "резать убытки сразу, и дать прибыли течь" - думаешь, вот когда рынок отскочит, вот тогда я и дам прибыли течь, а сейчас буду просто тупо сидеть и смотреть как все идет прахом. И уже на следующий день, когда Excess Liquidity еще упала в район -10% от Net Liquidity, около закрытия биржи произошло вот что:

Брокер ликвидировал часть моих бумаг по рыночным ценам, чтобы привести Excess Liquidity в порядок - это были варранты и 1 сток. При этому был зафиксирован убыток больше 2.5 тысяч долларов. При этом, покрытые Call опционы он не тронул, как и проданные путы автоматически откупать не стал - это было бы вообще трагично. Пока что есть определенная вероятность, что в них удастся досидеть до экспирации или перекатить, с небольшим убытком или даже с прибылью.

Ну что здесь можно сказать.

Именно так, видимо, теряют деньги на бирже от 80 до 95 процентов доморощенных трейдеров. Им дают порезвиться, предоставляют плечо, когда рынок идет вверх, а когда он корректируется, зачастую одной длинной свечой, позиции принудительно закрывают в самой невыгодной для них точке. После чего рынок, возможно, разворачивается, и опять идет вверх, но уже без этих лишних пассажиров - их деньги уже у серьезных парней из хэдж фондов. Бывает конечно и наоборот, когда пассажиры, собравшись в банду на Reddit, раскулачивают серьезных парней (см. историю про GME - GameStop Corp), но это большая редкость. Хотя нынешняя коррекция, в принципе, не такая уж и сильная, но я ощутил, каково это бывает.

Надеюсь, эта история вас хоть чему-то научило, например, не загружаться на всю котлету, и вообще интересоваться, какого размера она у вас на самом деле, без плеча брокера и с учетом потенциальных убытков по проданным опционам.

Удачи!

P.S. Упомянутый в баннере ролик "Как я писал биржевого торгового робота на Java" https://youtu.be/puCB7fVtEV4

Видео-версия:

Всем привет.В прошлый раз я рассказывал про маржин-колл, что является неоспоримым фейлом в торговле на бирже, и с тех пор ситуация более-менее выровнялась. Как вы могли догадаться, внизу рынка меня разгрузили далеко не на весь депозит, и что важно, брокер не выкупил резко подорожавшие из-за взлета волатильности короткие опционы. Сейчас некоторые из них серьезно подешевели, и я начинаю выкупать их сам, фиксируя кое-какую прибыль, и одну из таких сделок сегодня хотелось бы рассмотреть, в контексте использования торговых роботов. Хотелось бы пояснить, под роботом я никогда не воспринимал высокочастотную торговлю, потому что соревноваться в этом с техникой и линиями игроков с миллиардными капиталами бесполезно. Робот в моем понимании - это автоматизация элементов своей торговой системы, для которой не хватило встроенного функционала терминала брокера, а необходимо это потому, что у вас никогда не будет времени на постоянный анализ изменяющейся обстановки. Тем более, как я уже говорил, трейдинг не является моей основной профессией, а сейчас, с переходом США на летнее время, начало биржевой сессии уже не на полчаса, а на полтора накладывается на рабочее время по Москве, а есть еще премаркет, который открывается в 10:30 утра. В связи с этим, даже при желании я бы не смог контролировать глазами торговлю на всем протяжении, потому что в моем портфеле довольно много тикеров, и все невозможно отсматривать глазами, даже расположив графики мозаикой - пробовал, все это ерунда.Поэтому я использую, особенно на опционах, так называемые GTC (Good-Till-Cancelled) ордера, на то время как в период неопределенности отключена вся автоматизация.И вот как раз сегодня на открытии рынка сработал такой ордер, который вы видите на экране - опционная позиция была выкуплена за половину от входа в сделку, принеся прибыль около 1,5 тысяч долларов.

Услышав это, многие скажут, так и чего тебе не нравится, ты же сволочь на чистой спекуляции, не произведя добавленной стоимости, обогатился? Некоторые, уточнив город проживания Москву, еще и добавят что мол москвичи зажрались, полторы штуки баксов для них уже не деньги. Тем не менее, в ходе сегодняшнего сеанса разоблачения, я покажу, что на самом деле это отвратительная сделка, совершать ее в таком виде не следовало - а нормально отработать эту ситуацию помог бы примитивный алгоритм, который легко реализуется с помощью торгового робота.

Как я говорил ранее, определение точки входа в позицию, это самая ответственная задача, и если вы пока не нашли свой Грааль, да еще такой, чтобы он укладывался в формально описываемые алгоритмы, вы можете заниматься ресерчем, фундаментальным анализом, чтением новостей и сплетен, рисовать фигуры технического анализа, и допустим, в какой-то момент научитесь плюс-минус удачно входить в позицию.

Алгоритмы же выхода из позиции формализуются гораздо веселее. Два из них, наверное, становятся известны начинающему трейдеру в первый день его упражнений в терминале - это стоп-лосс и тейк профит. Со стоп лосом, все совсем просто, это линия, за которой заканчивается размер максимального риска, который вы отмерили на сделку.

Например, вы купили по бумагу за 10 долларов, и больше доллара терять не намерены - тогда стоп будет стоять на 9. Цена, конечно, может проскользнуть на низколиквидном инструменте за уровень стопа, но это не очень страшно. Что же с фиксацией прибыли - с тейк профитами? Ставить тейки по такому принципу тоже можно, но у вас немедленно включится жадность, и задаст вам вопрос - если бумага прет по тренду в вашем направлении, зачем вам фиксировать прибыль на определенном заранее уровне, если можно досмотреть это кино, до куда она все-таки дойдет? На эту тему недвусмысленно высказался Джесси Ливермор - режь убытки сразу, дай прибыли течь.

Посмотрим, что случилось с курсом выкупленного опциона дальше, в течении дня?

Уже сейчас видно, что с дать прибыли течь вообще не срослось. На самом деле в IB существует встроенный инструмент для подобных ситуаций - trail stop, однако есть проблема.

Дело в том, что вы должны определить размер максимальных колебаний отката, который начнет действовать сразу по активации ордера, в результате чего понемногу планка подтянется к цене, и при откате назад, позиция будет закрыта очень быстро, либо вы потеряете на крупном откате. Я пытался настроить активацию ордера на некие условия, но похоже, в IB для инструментов типа опционов это заблокировано, поэтому сделать это может только ваш самописный робот. При шортовой позиции на опцион, время работает на меня, поэтому я могу ждать до самой экспирации, а если опцион вошел в деньги, я могу перекатить его на будущий период, иногда даже диагонально, улучшив страйк - заплатив за него временной стоимостью. Когда время работает на меня, врубать такой trailing коробки - это глупость.

Кроме того, на графике вы можете видеть, что перед закрытием прошлого дня практически не было сделок, и к тому же был просто конский спред в доллар и более между бидом и аском - сработка рыночного, а не лимитного ордера в такой ситуации - это просто подарок для маркетмейкера. На открытии, как водится, спреды вообще огромные, но при этом было уже было гораздо больше сделок. На третьей секунде после открытия рынка, спред конечно, не сильно сузился, но так как курс валился вниз, мой ордер на откуп сработал и зафиксировал прибыль в полторы тысячи долларов.

Но нетрудно заметить, что это было по цене 2.50, а цена немедленно бахнулась на 0.50, то есть с 5 опционов я недополучил 2*100*5, еще целую тысячу долларов. Отвратительная сделка. Стоит заметить, что обычно такого не происходит, и цена опускается медленно и нежно, и GTC ордера вполне хватает. И кто-то скажет, что всех денег не заработать, мол, ты не мог знать, куда пойдет курс опциона, поэтому можно не переживать. Некоторая вероятность того, что гэп премаркета закроется мгновенно, имеет место, но обычно это занимает до получаса, за которые можно было выкупить опцион по более выгодной цене.

Но в том-то и дело, за ночь и утро, на постмаркете и премаркете (где кстати вы тоже можете торговать, если отмечать в настройках графика и ордеров нужные галочки), на базовом активе образовался огромный гэп, то есть разрыв в курсах. Разумеется, я поленился, и вручную не проверил все курсы базовых активов по моим опционным позициям перед открытием рынка - я работаю и занят, да и вообще нет у меня такой привычки. А я бы увидел, что цена акции HGEN резко шмальнула вверх на премаркете и пересекла отметку страйка. Что означает ровно одно - внутренняя стоимость опциона превратилась в тыкву, и стала ноль долларов ноль центов. И у опциона осталась только временная стоимость на будущие три недели. Здесь можно было бы снова грузануть вас формулой Блэка-Шоулза:

Но черт с ней, давайте просто посмотрим, сколько стоял БА на закрытии - 14.05, и сколько стоял этот опцион в 15 страйке - 5.50, а внутри него сидело, вы не поверите, 95 центов внутренней стоимости. Стало быть, 4.55 доллара - это его временная стоимость на конец пятницы, когда он был примерно около 50 дельты (дельта - вероятность экспирации в деньгах). Обратите внимание, примерно столько же 5.50 маркет мейкер просит сейчас за опцион немного в деньгах. А за опцион в 10й дельте, в которую с пятницы на понедельник превратился страйк 15, просят 0.75 (на практике, цена падала и до 0.50, то есть дельта была еще меньше).

Таким образом повторюсь, единственное, что от меня требовалось, так как я мог посмотреть результаты торгов БА на премаркете, это рассчитать с помощью робота цену опциона, и понять, что моя лимитка стоит сильно выше (в 5, черт возьми, раз выше) справедливой цены, и на открытии рынка произойдет очень невыгодная сделка. Я не посмотрел, а вот маркетмейкер - да, у него работа такая, и обнаружив шикарную точку арбитража, он реализовал ее на 3 секунде работы биржи.

И вы таки спросите, если при торговле опираться на дельту, как я мог рассчитать дельту без опционной доски IB, и даже без его веб-калькулятора?

А вот по этой незамысловатой формуле опционного грека Дельта:

=N(d1) 1 where d1= (ln(S/K)+(r-q+^2/2)t)/ t

K - Option strike price N - Standard normal cumulative distribution function r - Risk free interest rate q - Dividend Yield - Volatility of the underlying S - Price of the underlying t - Time to option's expiry

Ну, формула-то незамысловатая, но в ней участвует волатильность, которую (имея в виду implied - Подразумеваемую), потребуется рассчитать. На скале функция выделит так:

def delta(tp :String,S:Double,K:Double,vol:Double,tt:Int,q:Double=0.0,r:Double=0.0) = {       val t = tt/366.0       val d1 = (scala.math.log(S/K)+(r-q+vol*vol/2)*t)/(vol*sqrt(t))       new NormalDistribution(0.0, 1.0).cumulativeProbability(d1) - (if (tp=="P") 1 else 0)     }  Сравниваем:[info] Done compiling.  -0.12389190331572086 

При этом, на четвертом знаке после запятой она перестает биться с калькулятором на сайте IB; мало этого, Dividend Yield по идее должна отниматься от Risk free interest rate, а в калькуляторе, если эти числа устанавливать одинаковыми, греки немного различаются - стало быть, там считают как-то иначе. Но как я говорил, для меня это хобби, и я не обязан разбираться в тонкостях.К тому же, я могу использовать встроенный функционал API IB для расчета волатильности, а также и для расчета справедливой цены опциона перед открытием.

Прогнав свой портфель через эти функции API, мы можем не терять деньги столь бездарно, как в приведенном примере. Соответственно, вместо примитивных GTC ордеров, можно ставить на мониторинг рынка и новостного фона условия произвольной сложности, при сработке которых включается трейлинг.

Желаю вам удачи, до новых встреч!

С 5 июня 2021 года сайт гугла, и самое главное гугл таблицы - перестали отдавать данные с Московской биржи.

При попытке получить котировки с префиксом MCX, например для Сбербанка, формулой из гугл таблиц =GOOGLEFINANCE("MCX:SBER") теперь всегда возвращается результат #N/A.

А при поиске любой российской бумаги на сайте Google находятся все рынки, кроме Московской биржи:

В этой статье я рассказываю как получать в гугл таблицу биржевые данные с помощью API Московской биржи.

Копирование формул из таблицы-примера в ваши собственные таблицы

Вы можете свободно копировать формулы из моей таблицы с примером для использования в собственных таблицах, потому что на формулах нет и не может стоять никакой защиты.

Если после копирования из таблицы-примера в вашу таблицу формула не работает, то проверьте региональные настройки вашей таблицы.

Я использую регион Соединенные Штаты, а если по умолчанию ваш регион Россия, то формулы корректно НЕ копируются!

Вот подробная инструкция как проверить региональные настройки конкретной таблицы:

• Откройте файл в Google Таблицах на компьютере.

• Нажмите Файл затем Настройки таблицы.

• Выберите нужные варианты в разделах "Региональные настройки".

• Нажмите Сохранить настройки.

  Как изменить региональные настройки и параметры расчетов

Если вы не хотите менять регион в своей собственной таблице, то можно просто изменить разделитель в формуле. Для корректной работы надо изменить разделитель с запятой на точку с запятой.

Получение названий акций и облигаций

Можно получать названия акций и облигаций используя сервера Московской Биржи вместо переставшего работать гугл финанса. Сама формула при этом выглядит следующим образом:

=IMPORTxml(    "https://iss.moex.com/iss/engines/stock/markets/" &      IFS(                 or(            B3 = "TQOB",            B3 = "EQOB",            B3 = "TQOD",            B3 = "TQCB",            B3 = "EQQI",            B3 = "TQIR"        ),        "bonds",                 or(            B3 = "TQTF",            B3 = "TQBR",            B3 = "SNDX",            B3 = "TQIF"        ),        "shares"    )  & "/boards/" & B3 & "/securities.xml?iss.meta=off&iss.only=securities&securities.columns=SECID,SECNAME",      "//row[@SECID='" & A3 & "']/@SECNAME")

Получение цен акций и облигаций

Можно получать цены акций и облигаций используя сервера Московской Биржи вместо переставшего работать гугл финанса. Сама формула при этом выглядит следующим образом:

=IMPORTxml(    "https://iss.moex.com/iss/engines/stock/markets/" &      IFS(                 or(            B10 = "TQOB",            B10 = "EQOB",            B10 = "TQOD",            B10 = "TQCB",            B10 = "EQQI",            B10 = "TQIR"        ),        "bonds",                 or(            B10 = "TQTF",            B10 = "TQBR",            B10 = "SNDX",            B10 = "TQIF"        ),        "shares"    )  & "/boards/" & B10 & "/securities.xml?iss.meta=off&iss.only=securities&securities.columns=SECID,PREVADMITTEDQUOTE",      "//row[@SECID='" & A10 & "']/@PREVADMITTEDQUOTE")

Получение даты и значения дивиденда для акций

Можно получать даты и значения дивидендов для акций, используя сервера Московской Биржи. У гугл финанса такого функционала никогда не было для российских акций. Сама формула при этом выглядит следующим образом:

=iferror(     INDEX(         IMPORTxml(            "http://iss.moex.com/iss/securities/" & A22 & "/dividends.xml?iss.meta=off",            "//row[@secid='" & A22 & "']/@value"        )  ,         ROWS(            IMPORTxml(                "http://iss.moex.com/iss/securities/" & A22 & "/dividends.xml?iss.meta=off",                "//row[@secid='" & A22 & "']/@value"            )        )  ,        1    )  ,    "нет")

Получение даты купона и значения для облигаций

Можно получать даты и значения купонов для облигаций, используя сервера Московской Биржи. У гугл финанса такого функционала никогда не было для российских облигаций и вообще облигаций в сервисе нет. Сама формула при этом выглядит следующим образом:

=IMPORTxml(    "https://iss.moex.com/iss/engines/stock/markets/" &      IFS(                 or(            B12 = "TQOB",            B12 = "EQOB",            B12 = "TQOD",            B12 = "TQCB",            B12 = "EQQI",            B12 = "TQIR"        ),        "bonds",                 or(            B12 = "TQTF",            B12 = "TQBR",            B12 = "SNDX",            B12 = "TQIF"        ),        "shares"    )  & "/boards/" & B12 & "/securities.xml?iss.meta=off&iss.only=securities&securities.columns=SECID,NEXTCOUPON,COUPONVALUE",      "//row[@SECID='" & A17 & "']/@COUPONVALUE")

Получение даты оферты

Можно получать оферты облигаций, используя сервера Московской Биржи. У гугл финанса такого функционала никогда не было для российских облигаций и вообще облигаций в сервисе нет. Сама формула при этом выглядит следующим образом:

=IFNA(     IMPORTxml(        "https://iss.moex.com/iss/engines/stock/markets/" &          IFS(                         or(                B27 = "TQOB",                B27 = "EQOB",                B27 = "TQOD",                B27 = "TQCB",                B27 = "EQQI",                B27 = "TQIR"            ),            "bonds",                         or(                B27 = "TQTF",                B27 = "TQBR",                B27 = "SNDX",                B27 = "TQIF"            ),            "shares"        )  & "/boards/" & B27 & "/securities.xml?iss.meta=off&iss.only=securities&securities.columns=SECID,OFFERDATE",          "//row[@SECID='" & A27 & "']/@OFFERDATE"    )  ,    "нет")

Источник данных

Если вы хотите разобраться во всех нюансах работы - откуда берутся данные, то вы, также как и я можете обратиться к официальной документации к информационно-статистическому серверу Московской Биржи (ИСС / ISS). Правда, изучая этот документ, вы можете обнаружить что большая часть интересных функций, приведенная в этой статье, в документе никак не отображена.

Итоги

Король умер, да здравствует король! Считалось, что трон никогда не должен пустовать, поэтому после смерти короля сразу же объявлялся следующий правитель.

Как и в случае c сервисом Google Финансы, который перестал выдавать российские результаты мы видим что можно использовать API Московской биржи, которое предоставляет широкие возможности.

Эти формулы работают только за счет API Московской биржи, с которой я никак не связан. Использую ИСС Мосбиржи только в личных информационных интересах.

Автор: Михаил Шардин,

15 июня 2021 г.

В последнее время все больше людей приходит к тому, чтобы не держать деньги под матрасом, а куда-то их инвестировать в надежде сохранить и преумножить свой капитал. Вариант с матрасом плох тем, что с повышением цен на товары и услуги (инфляция) покупательная способность денег падает и через какое-то время купить на них можно значительно меньше, чем раньше. Есть много вариантов, куда вложить деньги(недвижимость, банковский вклад, ценные металлы), но в последнее время популярным становится инвестирование в акции. Только у брокера Тинькофф Инвестиции за несколько лет число клиентов превысило 3.5 млн. В статье я постараюсь описать свой подход к выбору бумаг и поделюсь инструментами, которые для этого разрабатываю.

Выбор компаний в портфель

Дисклеймер: у автора нет экономического образования и все выводы и суждения в статье делаются на основе житейского опыта и здравого смысла.

Ниже приведены некоторые базовые моменты, на которые можно обращать внимание при формировании решения о покупке какой-либо акции.

Деятельность компании

Можно смотреть на то, чем занимается компания. Если есть вера в будущее электромобилей, то, например, можно посмотреть в сторону Tesla (далее из статьи будет понятно, что это может быть не самый лучший выбор). Если есть вера в биомед, то можно купить бумаги из соответствующего сектора. При этом, на мой взгляд, важно понимать, что конкретно делает компания, на чем основан ее бизнес. Например, если взять нефтяные компании, то они могут заниматься совершенно разными вещами - одни добывают сырье, другие его перерабатывают, третьи только транспортируют. Из-за этого некоторые события, происходящие в мире, сильно влияют на одних, но совсем не влияют на других. Условно, закрыли какой-то морской канал, и танкеру, чтобы доставить нефть, приходится делать крюк, следовательно лишние затраты для транспортной компании. При этом какому-нибудь переработчику нефти все равно.

Это все к тому, что зачастую популярный подход с выбором только известных брендов может работать не очень хорошо. Часто бывает полезно понять, что конкретно делает компания и тогда желание её купить может само отпасть (например, деятельность явно устаревающая/новые технологии могут заместить необходимость в такой деятельности и т.п.).

Финансовые отчеты

Но помимо этого было бы неплохо знать - а как конкретно зарабатывает фирма? Откуда у нее основные источники дохода и как они распределены? К счастью, каждая компания, торгующаяся на бирже, обязана раз в квартал (четверть года) раскрывать информацию о своих финансах (так называемые финансовые отчеты). Чтобы найти такие отчеты, достаточно вбить в любом поисковике "company_name investor relations" и перейти на соответствующий раздел сайта компании. На картинке показан кусок такого отчета компании Apple за 4 квартал:

Из него можно понять, что выручка компании (net sales, часто её называют revenue) за квартал составила почти 111.5 миллиардов долларов, что больше, чем в аналогичном квартале год назад (91.8 млрд). Кроме того, 95.7 млрд из них приходится на продукцию компании (продажи iPhone, iPad и т.д.), а 15.7 - на сервисы (Apple Music, App Store и т.д.). Так же можно увидеть, что чистая прибыль компании составила 28.8 млрд, причем видно, как это число получилось :
Из net sales вычли cost of sales (непосредственные затраты на производство) и operating expenses (побочные затраты), а так же учли налоги (provision for income taxes).
111.4 - 67.1 - 10.8 - 4.8 = 28.7

Если покопаться в отчете глубже, то можно увидеть, как распределена выручка между продуктами, сколько денег было потрачено на исследования и разработку, сколько на продажи и много другой полезной информации, которую, безусловно, можно исользовать при принятии инвестиционных решений.

Мультипликаторы

Часто бывает так, что нужно сравнить компании, понять, какая из них лучше. Например, было решено, что в портфель необходимо добавить компанию, производящую потребительские товары. Но таких компаний огромное количество, и все они разных размеров, демонстрируют совершенно разные revenue, net income и т.д. На помощь приходят мультпликаторы - производные величины, которые можно непосредственно сравнить.

P/E (price to earnings) - цена-прибыль. Вычисляется как отношение капитализации компании к её годовой прибыли. Другими словами, данный показатель говорит о том, сколько лет компания будет окупаться, если ее купить сейчас. Например, у Apple сейчас P/E~30. Значит, если (в теории) мы целиком купим эту компанию по текущей цене, то через 30 лет эта покупка себя отобьет. Итак, чем ниже P/E, тем "дешевле" компания, что, разумеется, хорошо (лучше я куплю бизнес, который окупится за 10 лет, чем за 20). При этом важно понимать, что для разных секторов средние P/E могут сильно разниться. Это объясняется тем, что от одних секторов ожидания выше, чем от других. Например, продуктовому ритейлеру почти нереально увеличить выручку в 10 раз, а поставщик какого-нибудь интернет-сервиса спокойно может кратно наращивать количество пользователей от года к году. Вот и выходит, что технологические компании по P/E стоят "дороже", чем, например, сырьевые.

D/E (Debt to Equity) - долг к собственному капиталу. Данный мультипликатор показывает, насколько высокая долговая нагрузка у компании. Понятно, что если долг слишком высокий, то выше риски банкротства компании и меньше у неё возможностей. Иногда компании со слишком высоким D/E называют "зомби", потому что результат их деятельности целиком идет на обслуживание долга.

ROE (Return On Equity) - рентабельность собственного капитала. Вычисляется как отношение чистой прибыли к собственному капиталу компании. Мультипликатор показывает, как компания способна генерировать прибыль за счет собственных средств.
Есть еще много других мультипликаторов, но я в основном пользуюсь только этими.

Машинное обучение

По своему основному роду деятельности я - датасаентист, поэтому логично было бы использовать современные методы машинного обучения и анализа данных для оптимизации и упорядочивания процесса своих инвестиций. Стоит уточнить, что речь не идет про алгоритмический трейдинг, спекуляции и прочее. Я говорю лишь про инструменты, которые могут упростить инвестирование, сделать его более понятным и предсказуемым. Поскольку, думаю, что инвестировать я буду долгое время, то код решил писать чуть более аккуратно, чем обычно. Посмотреть все исходники можно тут. А если кому лень самостоятельно все запускать, то я сделал еще и веб-сервис с основными моделями (их цели и значение можно понять дальше в статье).

Данные

Понятно, что для написания нужных мне алгоритмов необходимы данные по фундаментальным показателям компаний за предыдущие кварталы (как в отчетах, только в одном месте и единообразно). Для американского рынка бесплатных источников я не нашел, но есть недорогой (около 30$) поставщик довольно качественных данных с удобным API. Кроме того, там же есть и посуточные базовые свечные данные.

После оформления подписки написал даунлоэдер, который позволяет скачать все данные и разложить по нужным папкам. Его можно использовать следующим образом:

downloader = QuandlDownloader(config, secrets, sleep_time=0.8) downloader.ticker_download('datatables/SHARADAR/SF1?ticker={ticker}',                           ticker_list,                           save_dirpath='data/core_fundamental',                           skip_exists=False,                           batch_size=10,                           n_jobs=2)downloader.ticker_download('datatables/SHARADAR/DAILY?ticker={ticker}',                           ticker_list,                           save_dirpath='data/daily',                           skip_exists=False,                           batch_size=5,                           n_jobs=2) 

Все дальнейшие подсчеты фичей, таргетов, а так же построение пайплайнов будут производиться на основе данных, источник которых со временем может поменяться, поэтому было решено придерживаться следующего интерфейса для загрузки данных в память:

class DataLoader:    def load_base_data(self) -> pd.DataFrame:        # returned pd.DataFrame should have ["ticker"] column    def load_quartely_data(self, tickers: List[str]) -> pd.DataFrame:        # returned pd.DataFrame should have ["ticker", "date"] columns    def load_daily_data(self, tickers: List[str]) -> pd.DataFrame:        # returned pd.DataFrame should have ["ticker", "date"] columns

Соответственно, предполагается, что load_base_data будет загружать основные данные про компании, которые не меняются со временем, вроде сектора, индустрии и т.д.
load_quartely_data будет загружать поквартальные данные (revenue, netincome и т.д.), при этом каждая строчка - отдельный квартал.

load_daily_data грузит дневную дату (например, ценовые свечи, дневную капитализацию). Для текущего поставщика данных используется класс SF1Data, реализующий данный интерфейс.

Честная стоимость компании

Итак, первая задача, которая у меня постоянно возникала и которую я не знал как решить - оценка адекватной стоимости компании. То есть, часто можно слышать фразы "эта компания переоценена", "слишком дорогая" или наоборот "сильно недооцененная, дешевая". Но как численно понять, сколько по-хорошему должна стоить компания? Кто-то может сказать "а разве не для этого и существует мультипликатор P/E?" и будет отчасти прав. Но. Часть компаний (особенно на ранних этапах) являются убыточными и для них мультипликатор вообще не определен. Или для какой-то компании сейчас мультипликатор высокий, но это не значит, что компания плохая, просто на данном этапе она может вкладываться в рост. И для меня, как для инвестора, это хорошо - да, компания могла бы получить высокую прибыль (а, соответственно, низкий P/E), если бы сократила расходы на маркетинг, например. Но тогда она не заполучила бы новых клиентов, не открыла новые точки и т.д. В результате это привело бы к тому, что в будущем прибыль компании была бы не такая большая, как если бы сейчас полученная прибыль направилась в развитие.

Вернемся к определению адекватной стоимости компании. Известно, что часть торгующихся компаний имеют завышенную стоимость, а часть - заниженную. Из-за этого возникла мысль - что если обучить модель, которая чисто по показателям из отчетов компании будет предсказывать текущую капитализацию? Понятно, что модель не сможет учитывать какие-то настроения инвесторов и прочие спекулятивные моменты, а в качестве предсказания будет предлагаться что-то среднее. Но это среднее и можно интерпретировать как "честную стоимость", ведь алгоритм машинного обучения просмотрел все похожие по фундаментальным показателям компании и на основе их реальных рыночных капитализаций сделал оценку.

Признаки

Первым делом нужно соорудить некоторое представление компании по ее фундаментальным показателям. Логично предположить, что если компания зарабатывает по 100 млрд последние 10 кварталов, то она никак не может стоить 1 млрд (должна стоить гораздо дороже).

Аналогичная интуиция и с остальными показателями - если долг убывает со временем, значит дела в порядке (плюсик к капитализации). Если выручка растет за последние кварталы - значит компания развивается, это хорошо, и, соответственно, должно закладываться в цену. Все эти признаки легко покрываются с помощью подсчетов статистик вроде mean max min std и т.д. для последних, например, 2, 4, 10 кварталов. Кроме того, часто смотрят не только на то, растет выручка или нет, но и на темпы роста. Поэтому можно добавить статистики и по диффам - например, среднее значение того, на сколько процентов росла выручка. При этом логично, что все эти подсчеты можно делать для разных квартальных срезов компании: считать признаковое представление не только для текущего квартала, но и для предыдущих (параметр max_back_quarter), тем самым кратно увеличивая датасет. Ну и как результат, полученный класс для подсчета квартальных фичей и его использование:

fc1 = QuarterlyFeatures(columns=['revenue', 'netinc', 'debt'],  quarter_counts=[2, 4, 10],  max_back_quarter=5)fc1.calculate(data_loader, ['AAPL', 'INTC', 'F'])

Кроме того, при оценке стоимости компании важны и ее базовые характеристики. Например, как уже упоминал, технологические компании обычно оцениваются дороже. Аналогично, из разных индустрий средние оценки компаний тоже могут разниться. Поэтому был реализовал класс BaseCompanyFeatures, кодирующий подобные признаки с помощью лэйбл-энкодинга:

fc2 = BaseCompanyFeatures(cat_columns=['sector', 'sicindustry'])fc2.calculate(data_loader, ['AAPL', 'INTC', 'F'])

Ещё одним моментом, который бы хотелось учитывать при оценке компании, является подневная динамика движения цены акции компании за последнее время. Интуиция в том, что если стоимость компании стабильно растет, то инвесторы охотнее будут её покупать. При этом динамика должна представляться в нормализованном виде, чтобы избежать лика(нечестно определять стоимость компании, основываясь на стоимости компании). Соответствующий класс DailyAggQuarterFeatures (так же работает с квартальными слайсами компании и параметром max_back_quarter):

fc3 = DailyAggQuarterFeatures(    columns=['marketcap'],    agg_day_counts=[100, 200, 400, 800],    max_back_quarter=5)fc3.calculate(data_loader, ['AAPL', 'INTC', 'F'])

Для удобства комбинирования признаков был реализован класс FeatureMerger:

feature = FeatureMerger(fc1, fc2, on='ticker')feature = FeatureMerger(feature, fc3, on=['ticker', 'date'])feature.calculate(data_loader, ['AAPL', 'INTC', 'F'])

Таргет

С целевой переменной (той, что собираемся предсказывать) для этой модели более-менее понятно. Нужно просто взять капитализацию компании в момент отчета. Для согласования таргета и фичей было принято решение сделать следующий интерфейс подсчета таргета:

def calculate(self, data_loader, info_df: pd.DataFrame) -> pd.DataFrame:  '''  info_df:    pd.DataFrame containing information of tickers and dates    to calculate targets for. Should have columns: ["ticker", "date"].    '''

Ну и ниже сам класс QuarterlyTarget для подсчета таких квартальных таргетов. Его функционал чуть шире - данный класс позволяет брать значения переменных не только для нужного квартала, но и для соседних (например, если вдруг захотим предсказывать не текущую, а будущую капитализацию компании):

info_df = pd.DataFrame([{'ticker':'AAPL', 'date':'2020-10-30'}])target = QuarterlyTarget(col='marketcap', quarter_shift=0)target.calculate(data_loader, info_df)

На самом деле, тут можно было бы сделать и другой таргет - сгладить капитализацию за будущие 30 дней, например. Интуиция в том, что непосредственно в день отчета цена может сильно скакать, а за месяц все более-менее устаканится и средняя капитализация будет более стабильной. Как раз для таких целей у меня написан DailyAggTarget класс таргета:

target = DailyAggTarget(    col='marketcap',    horizon=30,    foo=np.mean)target.calculate(data_loader, info_df)

Модель

С подобными признаками, как известно, хорошо работают градиентные бустинги. Их и будем использовать. Единственный момент, что распределение нашего таргета не очень хорошее - одни компании стоят сотни миллиардов долларов, другие миллионы. А модель должна уметь адекватно предсказывать для всех. Воспользуемся классической фишкой - логарифмированием таргета.

Теперь его распределение хоть как-то похоже на нормальное, что является комфортным для модели. Для удобства логарифмирование таргета и последующее возведение предсказаний в экспоненту были инкапсулированы в классе LogExpModel:

model = LogExpModel(lgbm.sklearn.LGBMRegressor())model.fit(X, y)model.predict(X)

Теперь главное - правильно построить валидацию. Дело в том, что если обучить модель на одном квартале, а валидировать на следующем, то модель просто запомнит эту компанию и возьмет капитализацию с предыдущего квартала, что не очень правильно. Модель должна по другим похожим компаниям понимать, сколько должна стоить текущая. Соответственно, нужно делать группировку по компаниям при валидации (разные квартальные срезы компании должны быть строго в одном фолде, т.е. не использоваться одновременно и для тренировки, и для валидации).

Для удобства процедура группировки по фолдам и предсказания была инкапсулирована в классе GroupedOOFModel. Т.е. можно вызывать методы обучения и предикта, при этом внутри класс будет хранить не одну модель, а целый набор и при предсказании для очередной компании будет использовать ту модель, при обучении которой данная компания не использовалась.

model = GroupedOOFModel(ansamble,    group_column='ticker',    fold_cnt=5)model.fit(X, y) # X should contain 'ticker' columnmodel.predict(X)

Кроме того, экспериментально было проверено, что одна модель ведет себя нестабильно при, например, дообучении на новых данных. Поэтому (и еще для увеличения итогового качества предсказаний) было решено использовать ансабль моделей. При этом в ансамбль входят как разные классы моделей, так и модели, обученные на разных сабсетах тренировочных данных (бэггинг). Во время инференса предсказания базовых моделей усредняются.

Данный ансамбль реализован с интерфейсом, типичным для всех моделей:

base_models = [lgbm.sklearn.LGBMRegressor(), ctb.CatBoostRegressor()]ansamble = EnsembleModel(  base_models=base_models,     bagging_fraction=0.7,    model_cnt=20)ansamble.fit(X, y)ansamble.predict(X)

Итого, финальная модель, являющаяся комбинацией всех описанных выше классов:

base_models = [LogExpModel(lgbm.sklearn.LGBMRegressor()),               LogExpModel(ctb.CatBoostRegressor())]ensemble = EnsembleModel(    base_models=base_models,     bagging_fraction=0.7,    model_cnt=20)model = GroupedOOFModel(ensemble,    group_column='ticker',    fold_cnt=5)

Пайплайн

Итак, почти все готово для обучения:

• feature - класс, реализующий подсчет фичей

• target - класс, реализующий вычисление таргета

• model - модель(в том числе инкапсулирующая в себе разделение для валидации)

Осталось собрать все это воедино и обучить, используя наши данные (а именно, класс SF1Data). Для данных целей был написан класс BasePipeline. Он скрывает в себе всю логику с расчетом фичей, таргетов, обучением модели и подсчетом метрики (кроме того, поддерживается режим с мульти-таргетом и мульти-метриками). При инференсе производит pd.DataFrame с результатом в колонке out_name.

data_loader = SF1Data('path/to/data')pipeline = BasePipeline(    feature=feature,     target=target,     model=model,     metric=median_absolute_relative_error,    out_name=['fair_marketcap'])pipeline.fit(data_loader, ticker_list)pipeline.execute(data_loader, ['INTC'])

Результат:

Еще раз код всего пайплайна целиком(он же на гитхабе https://github.com/fartuk/ml_investment/blob/main/train/fair_marketcap.py):

SAVE_PATH = 'models_data/fair_marketcap'OUT_NAME = 'fair_marketcap'CURRENCY = 'USD'MAX_BACK_QUARTER = 10BAGGING_FRACTION = 0.7MODEL_CNT = 20FOLD_CNT = 5QUARTER_COUNTS = [2, 4, 10]AGG_DAY_COUNTS = [100, 200, 400, 800]SCALE_MARKETCAP = ["4 - Mid", "5 - Large", "6 - Mega"]DAILY_AGG_COLUMNS = ["marketcap", "pe"]CAT_COLUMNS = ["sector", "sicindustry"]QUARTER_COLUMNS = [            "revenue",            "netinc",            "ncf",            "assets",            "ebitda",            "debt",            "fcf",            "gp",            "workingcapital",            "cashneq",            "rnd",            "sgna",            "ncfx",            "divyield",            "currentratio",            "netinccmn"         ]data_loader = SF1Data('path/to/data')tickers_df = data_loader.load_base_data(    currency=CURRENCY,    scalemarketcap=SCALE_MARKETCAP)ticker_list = tickers_df['ticker'].unique().tolist()fc1 = QuarterlyFeatures(    columns=QUARTER_COLUMNS,    quarter_counts=QUARTER_COUNTS,    max_back_quarter=MAX_BACK_QUARTER)fc2 = BaseCompanyFeatures(cat_columns=CAT_COLUMNS)# Daily agss on marketcap and pe is possible here because it # normalized and there are no leakage.fc3 = DailyAggQuarterFeatures(    columns=DAILY_AGG_COLUMNS,    agg_day_counts=AGG_DAY_COUNTS,    max_back_quarter=MAX_BACK_QUARTER)feature = FeatureMerger(fc1, fc2, on='ticker')feature = FeatureMerger(feature, fc3, on=['ticker', 'date'])target = QuarterlyTarget(col='marketcap', quarter_shift=0)base_models = [LogExpModel(lgbm.sklearn.LGBMRegressor()),               LogExpModel(ctb.CatBoostRegressor(verbose=False))]ensemble = EnsembleModel(    base_models=base_models,     bagging_fraction=BAGGING_FRACTION,    model_cnt=MODEL_CNT)model = GroupedOOFModel(ensemble,                        group_column='ticker',                        fold_cnt=FOLD_CNT)pipeline = BasePipeline(feature=feature,                         target=target,                         model=model,                         metric=median_absolute_relative_error,                        out_name=OUT_NAME)result = pipeline.fit(data_loader, ticker_list)print(result)pipeline.export_core(SAVE_PATH)        

Итак, удалось построить пайплайн, который выдает для квартальных срезов компаний оценки честной капитализации. Поиграться с результатами и посмотреть на fair marketcap для компаний американского рынка можно на странице http://fattakhov.site/company?ticker=AAPL . Для этого нужно ввести тикер интересующей компании и нажать кнопку Analyze. Ну и, собственно, как можно использовать полученный инструмент - смотреть на реальную капитализацию (синий график), на предсказанную честную капитализацию (оранжевый график) и считать компанию недооцененный, если оранжевый график лежит ниже синего и переоцененной в противном случае. Сами точки, соответственно, находятся на датах выходов квартальных отчетов. Проверим модельку на некоторых примерах:

С теслой, как и ожидалось, модель говорит о сильной переоценке. И действительно, если глазами смотреть на показатели компании, то в данный момент цена кажется не очень оправданной.

С интелом, наоборот, модель считает оценку рынка не очень справедливой. Возможно, подобные эффекты связаны с другими проблемами компании, которые модель пока не в состоянии учитывать (непонятно, как, например, обрабатывать новости про отсрочки выходов очередных продуктов, переходов на другие тех.процессы и т.д.).

Справедливое изменение капитализации после отчета

Идея следующего пайплайна, который я попробовал, заключается в следующем: пусть модель для честного определения капитализации может не учитывать некоторые скрытые причны того, почему та или иная компания стот столько, сколько она стоит. Но можно ли научить модель после выхода очередного отчета предсказывать, насколько должна была измениться стоимость компании? Кажется, что такая задача проще, потому что часто бывает, скрытые моменты, объясняющие рыночную стоимость, переходят из квартала в квартал. Ну вот нравится инвесторам покупать Теслу и ничего с этим не поделаешь.

Итак, вышел отчет компании, ее фундаментальные показатели как-то изменились (например, выручка выросла на 30%, прибыль выросла на 40% и т.д.). И по таким изменениям хотим предсказывать, а как по-хорошему должна была измениться капитализация.

Признаки

В принципе, все базовые фичи, которые были в первом пайплайне, можно оставить, они подходят и для текущей задачи. Но понятно, что нужно добавить и характеристики типа "изменение от квартала к кварталу". При этом стоит заметить, что важно сравнивать не только с предыдущим кварталом, но и кварталом год назад, потому что часто встречаются компании, например, с сезонными продажами. На графике ниже показана поквартальная выручка и прибыль компании Apple. Четко видны сезонные пики, связанные, думаю, с выходом новых моделей айфонов.

Реализовать подсчет нужных признаков можно с помощью класса QuarterlyDiffFeatures. В качестве параметра compare_quarter_idxs передаем [1, 4], так как хотим сравнить показатели с предыдущим кварталом и кварталом год назад. Класс посчитает относительные изменения показателей, находящихся в колонках columns:

fc = QuarterlyDiffFeatures(    columns=['revenue', 'netinc'],    compare_quarter_idxs=[1, 4],    max_back_quarter=5)fc.calculate(data_loader, ['AAPL', 'INTC', 'F'])

Таргет

С таргетом тут тоже вроде все понятно, просто берем и считаем, насколько изменилась рыночная капиталзизация и нормализуем для удобства:

target = QuarterlyDiffTarget(col='marketcap', norm=True)target.calculate(data_loader, info_df)

Модель

Навороты с ансамблем, разумеется, можно оставить, но нужно решить вопрос с валидацией. В данном случае совсем не обязательно группировать по компаниям, ведь предсказания относительные, а что будет с компанией в будущем по ее истории из прошлого - совсем непонятно. Однако тут есть другой момент - предсказывая изменение на текущий квартал, модель не должна знать про то, как в аналогичном квартале (и в будущем) изменились капитализации других компаний. Например, если вдруг случился мощный кризис, на фоне всеобщей паники капитализации всех компаний попадали даже при хороших отчетах. И модель по косвенным признакам поняла, что в данный момент кризис и занизила предсказания. Но во время инференса такой информации не будет, поэтому приходим к тому, что нужно делать time-series валидацию. А именно, сортируем все данные во времени, делим на N фолдов, обучаем модель на первом, предсказываем на второй. Обучаем модель на первых двух фолдах, предсказываем на третий. И так далее. Таким образом, делая предсказание на очередной квартал, мы не заглядываем в будущее.

Как и в случае с группировкой по фолдам, реализация time series валидации скрыта в классе модели TimeSeriesOOFModel:

model = TimeSeriesOOFModel(    base_model=lgbm.sklearn.LGBMRegressor(),    time_column='date',    fold_cnt=20)model.fit(X, y) # X should contain 'date' columnmodel.predict(X)

Пайплайн

Пайплайн аналогичен тому, что был в прошлый раз. Посмотреть весь код можно на гитхабе.

SAVE_PATH = 'models_data/fair_marketcap_diff'OUT_NAME = 'fair_marketcap_diff'CURRENCY = 'USD'MAX_BACK_QUARTER = 10BAGGING_FRACTION = 0.7MODEL_CNT = 20FOLD_CNT = 5QUARTER_COUNTS = [2, 4, 10]COMPARE_QUARTER_IDXS = [1, 4]SCALE_MARKETCAP = ["4 - Mid", "5 - Large", "6 - Mega"]CAT_COLUMNS = ["sector", "sicindustry"]QUARTER_COLUMNS = [            "revenue",            "netinc",            "ncf",            "assets",            "ebitda",            "debt",            "fcf",            "gp",            "workingcapital",            "cashneq",            "rnd",            "sgna",            "ncfx",            "divyield",            "currentratio",            "netinccmn"         ]data_loader = SF1Data('path/to/data')tickers_df = data_loader.load_base_data(    currency=CURRENCY,    scalemarketcap=SCALE_MARKETCAP)ticker_list = tickers_df['ticker'].unique().tolist()fc1 = QuarterlyFeatures(    columns=QUARTER_COLUMNS,    quarter_counts=QUARTER_COUNTS,    max_back_quarter=MAX_BACK_QUARTER)fc2 = BaseCompanyFeatures(cat_columns=CAT_COLUMNS)fc3 = QuarterlyDiffFeatures(    columns=QUARTER_COLUMNS,    compare_quarter_idxs=COMPARE_QUARTER_IDXS,    max_back_quarter=MAX_BACK_QUARTER)feature = FeatureMerger(fc1, fc2, on='ticker')feature = FeatureMerger(feature, fc3, on=['ticker', 'date'])target = QuarterlyDiffTarget(col='marketcap')base_models = [lgbm.sklearn.LGBMRegressor(),               ctb.CatBoostRegressor(verbose=False)]ensemble = EnsembleModel(base_models=base_models,                          bagging_fraction=BAGGING_FRACTION,                         model_cnt=MODEL_CNT)model = GroupedOOFModel(ensemble,                        group_column='ticker',                        fold_cnt=FOLD_CNT)pipeline = BasePipeline(feature=feature,                         target=target,                         model=model,                         metric=median_absolute_relative_error,                        out_name=OUT_NAME)result = pipeline.fit(data_loader, ticker_list)print(result)pipeline.export_core(SAVE_PATH) 

Попробуем запустить полученный пайплайн на некоторых примерах. Опять же, посмотреть результат для других тикеров можно на странице http://fattakhov.site/company?ticker=AAPL (черный график). Итак, новый пайплайн выдет относительное предсказанное изменение для текущего квартала:

Для удобства сделаем следующее: будем отображать посчитанное абсолютное изменение (беря информацию о реальной рыночной капитализации за предыдущий квартал). Т.е. новый график несет примерно такой же смысл, как и предыдущие - сколько по-хорошему должна стоить компания на текущий момент с учетом того, что известна стоимость за предыдущий квартал.

Видно, что получаются довольно точные предсказания (черный график), но расхождения все равно присутствуют, и как раз их и можно использовать при принятии решений о покупке/продажи очередной акции. То есть, например, вышел плохой отчет, компания сильно упала. Но модель говорит, что падение должно было быть не таким сильным -> потенциально хороший момент, чтобы купить.

С теслой, однако, даже такая модель не может объяснить столь стремительный рост :)

Характеристика потенциальных рисков

Может быть случай, что все предыдущие модели в один голос говорят: "покупай, дёшево!", но из истории понятно, что стоимость данной акции сильно скачет вверх-вниз, что не совсем приятно. Совершая сделку, хочется понимать, а какой есть риск? До каких пределов может опуститься цена и с какой вероятностью? Можно было бы из истории сделать статистические оценки, но у нас же ML-тулы :) Поэтому сделаем еще один машинно-обученный пайплайн (в этом подходе есть надежда, что модель сможет самостоятельно детектировать неблагоприятные/сильно рискованные моменты)

Фичи

Не мелочимся и используем сразу все признаки, которые использовались ранее.

Таргет

С выбором таргета тут сложнее. Основная идея в том, что он должен показывать, насколько вероятно падение в ближайшее время и каким оно может быть по величине. В голову приходит что-то вроде стандартного отклонения, std-вниз, максимальной просадки и т.п. за какой-то будущий промежуток времению. Пока для примера можно ограничиться std-вниз. Формула расчета представлена ниже (x_down - все x, меньшие среднего):

Класс таргета для таких целей уже описывался ранее:

target = DailyAggTarget(    col='marketcap',    horizon=90,    foo=down_std_norm)

Модель

С моделью все понятно, берем максимальный ансамбль. При этом так же, как и в предыдущем примере, нужно использовать time-series валидацию (более того, это первая модель, которая должна оценивать будущее).

Пайплайн

Все тот же класс BasePipeline позволяет реализовать данный пайплайн (гитхаб версия).

SAVE_PATH = 'models_data/marketcap_down_std'OUT_NAME = 'marketcap_down_std'CURRENCY = 'USD'TARGET_HORIZON = 90MAX_BACK_QUARTER = 10BAGGING_FRACTION = 0.7MODEL_CNT = 20FOLD_CNT = 20QUARTER_COUNTS = [2, 4, 10]COMPARE_QUARTER_IDXS = [1, 4]AGG_DAY_COUNTS = [100, 200, 400, 800]SCALE_MARKETCAP = ["4 - Mid", "5 - Large", "6 - Mega"]DAILY_AGG_COLUMNS = ["marketcap", "pe"]CAT_COLUMNS = ["sector", "sicindustry"]QUARTER_COLUMNS = [            "revenue",            "netinc",            "ncf",            "assets",            "ebitda",            "debt",            "fcf",            "gp",            "workingcapital",            "cashneq",            "rnd",            "sgna",            "ncfx",            "divyield",            "currentratio",            "netinccmn"         ]data_loader = SF1Data(config['path/to/data'])tickers_df = data_loader.load_base_data(    currency=CURRENCY,    scalemarketcap=SCALE_MARKETCAP)ticker_list = tickers_df['ticker'].unique().tolist()fc1 = QuarterlyFeatures(    columns=QUARTER_COLUMNS,    quarter_counts=QUARTER_COUNTS,    max_back_quarter=MAX_BACK_QUARTER)fc2 = BaseCompanyFeatures(cat_columns=CAT_COLUMNS)fc3 = QuarterlyDiffFeatures(    columns=QUARTER_COLUMNS,    compare_quarter_idxs=COMPARE_QUARTER_IDXS,    max_back_quarter=MAX_BACK_QUARTER)fc4 = DailyAggQuarterFeatures(    columns=DAILY_AGG_COLUMNS,    agg_day_counts=AGG_DAY_COUNTS,    max_back_quarter=MAX_BACK_QUARTER)feature = FeatureMerger(fc1, fc2, on='ticker')feature = FeatureMerger(feature, fc3, on=['ticker', 'date'])feature = FeatureMerger(feature, fc4, on=['ticker', 'date'])target = DailyAggTarget(    col='marketcap',    horizon=TARGET_HORIZON,    foo=down_std_norm)base_models = [LogExpModel(lgbm.sklearn.LGBMRegressor()),               LogExpModel(ctb.CatBoostRegressor(verbose=False))]ensemble = EnsembleModel(base_models=base_models,                          bagging_fraction=BAGGING_FRACTION,                         model_cnt=MODEL_CNT)model = TimeSeriesOOFModel(ensemble,                           time_column='date',                           fold_cnt=FOLD_CNT)pipeline = BasePipeline(feature=feature,                         target=target,                         model=model,                         metric=median_absolute_relative_error,                        out_name=OUT_NAME)result = pipeline.fit(data_loader, ticker_list)print(result)pipeline.export_core(SAVE_PATH) 

Итак, пайплайн готов и выдает на выход предсказанные std-вниз (нормированные):

Если считать предсказанное std верным, то можно посчитать различные доверительные интервалы и отобразить их в виде ступенчатого графика. Для примера возьмём компанию Carnival, так как она известна своими скачками.

В глаза бросается мартовское падение 2020го года, но модель явно не могла предугадать кризисную историю, а с остальными кварталами вроде все более-менее в порядке и предсказание действительно лежит ниже графика капитализации. Тем не менее, с пайплайном для оценки рисков еще можно поработать и сделать что-то более точное и интерпретируемое.

Заключение

В данной статье были описаны основные модели, которыми я пользуюсь при принятии своих инвестиционных решений. Понятно, что в таком виде - это всего лишь инструменты, которые могут как-то влиять на выбор той или иной акции, а не полноценные стратегии. Тем не менее, надеюсь, что основные идеи могли оказаться полезными для читателя, а так же жду советов/предложений по улучшению тулов.

Сам я завел отдельный портфель в котором совершаю сделки только на основании предсказаний от описанных выше моделей, за его результатами можно последить в Тинькофф Пульсе.

Возможно, напишу продолжение про то, как я конкретно составляю портфель, диверсифицирую по секторам, подбираю веса бумаг и т.д.

Сделка по покупке корпорацией Microsoft американской части бизнеса соцсети TikTok стала одной из главных саг последнего месяца. На протяжении всего времени переговоров с владеющей сервисом китайской компанией ByteDance серьезное влияние на их ход оказывали высказывания президента США Дональда Трампа.

В нашей новой статье разбираемся с тем, на какой стадии сделка находится сейчас, что смущает покупателей, и как на все это реагируют в самом Китае.

Влияние президента США

В начале августа Дональд Трамп заявил, что планирует запретить TikTok на территории США, чтобы компания не передавала данные американских пользователей в Китай. Единственным способом избежать бана Трамп назвал продажу американской компании до 15 сентября.

Свои намерения президент США закрепил двумя указами, запрещающими гражданам США осуществлять сделки и проводить транзакциями с китайскими компаниями ByteDance и Tencent и связанными с ними юрлицами.

Кто хочет купить TikTok

Главным претендентом на покупку американского бизнеса TikTok является Microsoft, также поучаствовать в сделке решила Wal-Mart, отдельную заявку также подала Oracle. По данным инсайдеров, обсуждаемая цена сделки находится в пределах от $10 до $30 млрд все зависит от того, какая именно часть компании и в какой форме будет продана.

Что может пойти не так

По данным CNBC, ByteDance нашла покупателей не только на американский сегмент TikTok, но и на часть бизнеса в Новой Зеландии и Австралии. При этом, в ByteDance заявляли, что просто так провести сделку не удастся ее должно согласовать правительство Китая. И здесь начинаются главные трудности.

Несмотря на то, что журналисты прогнозировали закрытие сделки уже первого сентября 2020 года, этого не произошло. Издание The Wall Street Journal выяснило, что камнем преткновения в переговорах стали алгоритмы приложения.

Алгоритмы, которые определяют, какие видео показываются пользователям, считаются главным технологическим ноу-хау TikTok. Вплоть до последнего момента покупатели считали, что алгоритмы войдут в сделку. Однако впоследствии китайское правительство опубликовало новые ограничения на экспорт технологий искусственного интеллекта. Теперь до конца непонятно, затронут ли эти ограничения алгоритмы TikTok.

Для покупателей сделка с TikTok, которая не будет включать сами алгоритмы, благодаря которым вовлеченность пользователей держится на крайне высоком уровне, выглядит далеко не так привлекательно.

При этом, инсайдеры заявляют о том, что существует вероятность покупки только пользовательской базы приложения без алгоритмов тогда покупателям придется разработать их заново.

Почему всем так нужны алгоритмы TikTok

Успех TikTok во многом обусловлен качеством алгоритмов персонализации, использующимися в приложении. С помощью технологий ИИ и машинного обучения, ByteDance смогла научить приложение показывать пользователям те видео, которые с наибольшей вероятностью привлекут их внимание все это на основе данных о предыдущих взаимодействиях с продуктом.

В итоге пользователи активно залипают в приложении, а их число растет. В начале 2018 года их было около 11 млн, а сейчас месячная аудитория TikTok превышает 100 млн человек.

Заключение

По словам источников, знакомых с ходом обсуждений, китайское правительство внесло новые ограничения в качестве ответа на активность президента США, который вынуждал китайскую компанию продать популярную технологию. Две страны уже достаточно давно находятся в состоянии торговой войны, которая затрагивает все больше ИТ-компаний.

В России акции Microsoft и других американских компаний можно купить на Санкт-Петербургской бирже. Для этого не нужно открывать счет у иностранного брокера, достаточно будет российского счета. Открыть его можно онлайн.

Читайте обзоры, аналитику рынков и инвестидеи в Telegram-канале ITI Capital

Полезные ссылки по теме инвестиций и биржевой торговли:

• Открыть брокерский счет онлайн

• Тестовый счет с виртуальными деньгами

• Софт для торговли на бирже: торговый терминал, мобильные приложения

• Структурные продукты

• Модельные портфели

Аналитики Bank of America подсчитали капитализацию американского технологического сектора и сравнили ее с показателями фондового рынка Европы. В результате оказалось, что стоимость IT-компаний США на $0,2 трлн превышает весь фондовый рынок ЕС.

Что случилось

Эксперты подразделения Bank of America Global Research опубликовали новое исследование фондовых рынков США и Европы. Согласно полученным данным, на конец августа 2020 года капитализация американского сектора высоких технологий превышала $9 трлн. При этом капитализация всего фондового рынка Европы, включая Великобританию и Швейцарию составила $8,9 трлн.

В 2007 году же IT-сектор США в четыре раза уступал по объемам капитализации рынку акций Евросоюза.

Почему растут в цене IT-компании

В последние годы рынок высоких технологий США и так развивался достаточно бурно, но глобальная пандемия коронавируса в целом еще больше способствовала повышению показателей. Так в период с января 2020 года акции Apple выросли на 66%, Amazon на 80%, Microsoft на 42%, Alphabet (материнская компания Google) на 20%, соцсети Facebook на 40%. Из этих компаний только Facebook не преодолела капитализацию в $1 трлн.

В свою очередь, рост технологических акций вытягивает за собой и целые индексы, в которые они входят например, NASDAQ Composite в 2020 году установил уже несколько исторических максимумов роста. С января он вырос с 9000 до 11 695 пунктов к концу августа. Технологический сектор индекса S&P 500 за тот же период вырос на 35%.

В Европе меньше успешных технологических компаний с огромной капитализацией, и в том числе поэтому европейские индексы показывают не столь впечатляющие результаты. Так индекс европейских голубых фишек Euro Stoxx 50 по сравнению с началом года упал на 11%, а британский FTSE 100 обвалился на 20% по сравнению с январем.

В России акции американских компаний можно купить на Санкт-Петербургской бирже. Для этого не нужно открывать счет у иностранного брокера или использовать приложения вроде Robinhood, достаточно будет российского счета. Открыть его можно онлайн.

Читайте обзоры, аналитику рынков и инвестидеи в Telegram-канале ITI Capital

Полезные ссылки по теме инвестиций и биржевой торговли:

• Открыть брокерский счет онлайн

• Тестовый счет с виртуальными деньгами

• Софт для торговли на бирже: торговый терминал, мобильные приложения

• Структурные продукты

• Модельные портфели

Шикарнейшая история, которая максимально точно характеризует сегодняшний фондовый рынок. Кто готов купить маленький продуктовый магазин в сельской местности Нью-Джерси за сотню миллионов долларов?

За последний год мы наблюдаем рекордные значения по открытию брокерских счетов. Толпы розничных инвесторов ведут себя не просто иррационально, они буквально потеряли всякую связь с реальностью и превратили рынок в казино. Я думал, что глядя на SPAC-эйфорию, манипуляции на Reddit, ажиотаж вокруг электромобилей и прочие аномальные явления меня уже трудно удивить, но надо признать, что я заблуждался.

Один единственный гастроном из поселения Полсборо, штат Нью-Джерси, с выручкой в $13,976 вышел на IPO прошлым летом, как Hometown International ($HWIN) и сейчас имеет капитализацию в $99 миллионов, а её крупнейший акционер, он же гендиректор, финансовый директор и бухгалтер в одном лице это тренер по борьбе в соседней школе Пол Морина.

Особенно забавно читать годовой финансовыйотчётпо форме 10-K, ибо там всё как у взрослых с перечислением факторов риска и вот такими вот формулировочками: The Company experienced a decrease in revenues as a result of the COVID-19 pandemic.

Магазин был закрыт с 23 марта по 8 сентября прошлого года из-за пандемии и за это время акции компании выросли с $3.25 за штуку до $9.25. На пике капитализация Hometown International доходила до $113 миллионов.

Журналисты CNBCвыяснили, что у основателя корпорации нет никакого опыта в розничной торговле продуктами питания, однако в заявлении совета директоров Hometown International говорится о том, что его глубокие знания и понимание рынка делают его ценным руководителем и членом совета. Вице-президент и секретарь компании 46-летняя учительница математики в средней школе Полсборо, Кристин Линдемат.

Согласно годовому отчету, Полу Морина принадлежит 19% всех акций Hometown в обращении. При текущей стоимости акций в $12 его акционерный капитал составляет около 20 млн долларов. В документации говорится, что компания создавалась с целью открыть сеть магазинов деликатесов, где в домашней атмосфере будут продаваться сэндвичи и другая аналогичная продукция.

The store is designed to offer local patrons of all ages with a comfortable community gathering places. Targeted towards smaller towns and communities, the Companys first unit was built in Paulsboro, New Jersey.

В прошлом году расходы Hometown превысили $600 000 по сравнению с $154 000 в 2019 году. Компания также сообщила о неоперационной чистой прибыли в размере $2.2 млн от продажи акций. Примечательно, что среди других акционеров Hometown числится несколько предприятий из Макао и Китая. С одним из них, VCH Limited, было заключено соглашение, по которому VCH Limited оказывала консультационные услуги по вопросам, связанным с выходом на состоятельных и институциональных инвесторов.

В общем, любопытно, когда на это всё обратит внимание комиссия по ценным бумагам США.

Большое спасибо всем за внимание. Если вам интересны подобные рассуждения, не вписывающиеся в формат полноценной статьи, то подписывайтесь намой канал Groks.