ஒரு முதியவன் பாதாளங்களைத் தாண்டும் தன் மந்திரக்கோலால் சாய்த்தபடியிருக்கிறான் நாட்சத்திரங்களை. .............................................................................................................................................................................. இது எத்தனையாவது [...] இது குறியீட்டில் ஒரு பிழை அல்ல; அது தயாரிப்பில் என்ன பொருந்தும் என்பதை ஒரு அடிப்படை தவறான புரிதல் இருந்தது. எதிர்பாராத மதிப்பெண்கள் Most trading tutorials, academic papers, and online courses teach you to maximize expected value. E[profit] = Σ(probability_i × outcome_i) இந்த எண்ணிக்கை positive என்றால், நீங்கள் வணிக எடுத்து கொள்ள வேண்டும்.If you can make this number larger, you should optimize for it.Simple, right? உற்பத்தியில் தவிர, இந்த சிறப்பம்சத்திற்கு ஒரு தீவிரமான தவறு உள்ளது: . it doesn't account for the path you take to reach that expected value நான் என்ன சொல்கிறேன் என்பது ஒரு உண்மையான நிகழ்ச்சியில் இருந்து எங்கள் அமைப்பை காட்டுகிறேன். இரத்த அழுத்தம் எங்கள் திட்டத்தின் அடிப்படையில், விலையுயர்ந்த சந்தைகளில் விலை உயர்வுகளை அடைவதற்கான திட்டமிடப்பட்டது. ஒவ்வொரு விற்பனை வடிவத்திற்கும் சாத்தியமான விலை வடிவமைப்புகளை கண்காணிக்க Optimize position sizing using quadratic programming ஐ பயன்படுத்துங்கள் Spread Opportunities களைப் பிடித்துக் கொள்வது ஆங்கிலத்தில் இதை Single Orgasm, Multiple Orgasm என்றும் கூறுகிறார்கள். நாள் 1-3: ஒரு பெரிய பந்தை பிடித்து, $ 15,000 செய்தார் நாள் 4-12: ஒவ்வொரு நாளும் சிறிய இழப்புகள், மொத்த -$8,000 நாள் 13-14: மற்றொரு பங்கு, $ 12,000 செய்யப்பட்டது நாள் 15-28: நிர்வகிக்கப்பட்ட இரத்தம், மொத்த -$ 11,000 ஒரு முதியவன் பாதாளங்களைத் தாண்டும் தன் மந்திரக்கோலால் சாய்த்தபடியிருக்கிறான் நாட்சத்திரங்களை. .............................................................................................................................................................................. இது எத்தனையாவது [...] நாங்கள் இருவரும் இல்லை. பார்வையிடுதல்: A Simulation ஏன் இந்த ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான ரீதியான : எதிர்நோக்கமான நிலையை அணுகுவது, எதிர்நோக்கமான அளவுக்கு அடிப்படையாகும், வாய்ப்புகள் நன்றாக தெரிந்தால் 150% பொறுப்பைப் பயன்படுத்துகிறது. Strategy A (EV Maximization) : அதே சந்தை அறிகுறிகள், ஆனால் கால்லி அளவு (40% ஆச்சரியமான) மற்றும் CVaR அடிப்படையில் நிலையை குறைக்க உயர் குழப்பம் காலங்களில். Strategy B (Risk-Controlled) ஒரு முதியவன் பாதாளங்களைத் தாண்டும் தன் மந்திரக்கோலால் சாய்த்தபடியிருக்கிறான் நாட்சத்திரங்களை. .............................................................................................................................................................................. இது எத்தனையாவது [...] இதன் மூலம் பல்வேறு விலையுயர்ந்த விலையுயர்ந்த விலையுயர்ந்த விலையுயர்ந்த விலையுயர்ந்த விலையுயர்ந்த விலையுயர்ந்த விலையுயர்ந்த விலையுயர்ந்த விலையுயர்ந்த விலையுயர்ந்த விலையுயர்ந்த விலையுயர்ந்த விலையுயர்ந்த விலையுயர்ந்த அது $ 136k மட்டுமே, மற்றும் 100 வழிகளில் 29 முதல் முதலமைச்சராக முடிவடைகிறது. மையம் In a backtest, you might have gotten lucky and seen one of those winner paths. In production, you get one random draw. ஒரு முதியவன் பாதாளங்களைத் தாண்டும் தன் மந்திரக்கோலால் சாய்த்தபடியிருக்கிறான் நாட்சத்திரங்களை. .............................................................................................................................................................................. இது எத்தனையாவது [...] ஒரு முதியவன் பாதாளங்களைத் தாண்டும் தன் மந்திரக்கோலால் சாய்த்தபடியிருக்கிறான் நாட்சத்திரங்களை. .............................................................................................................................................................................. இது எத்தனையாவது [...] What Expected Value Doesn't Capture எதை எதிர்பார்க்கிறது 1.Risk of அழிவு ஆங்கிலத்தில் இதை Single Orgasm, Multiple Orgasm என்றும் கூறுகிறார்கள். விழுந்துவிடு நாமம் கருத்தில் கொள்ளுங்கள்: நீங்கள் $ 100,000 பணம் மற்றும் 60% வெற்றிகரமான ஒரு வணிக நீங்கள் உங்கள் பந்தயம் இரண்டாம் அல்லது இழக்க. எதிர்பாராத மதிப்பு நன்றாக உள்ளது (+20%). Kelly உங்களுக்கு optimum bet size என்று சொல்கிறது: kelly_fraction = (p * b - q) / b # where p = win probability, q = loss probability, b = odds ஆனால் இதோ நாம் தயாரிப்பில் அறிந்தவை: . even Kelly is too aggressive ஏனெனில் : தவறான தகவல்கள் (Always wrong estimates) மாற்றங்கள் சந்தைகள் (உங்கள் 60% முன்னேற்றம் 52%) கவலையடையாதீர் அப்துல் பாசித் தமிழ் பயான் Don’t be Sad Abdul Basith Tamil Bayan You can't rebalance instantly (slippage, latency, market impact) - நீங்கள் நேரடியாக மீண்டும் நிர்வகிக்க முடியாது We ended up using fractional Kelly (25-50% of the theoretical Kelly bet) because the real-world costs of overestimating your edge are catastrophic. 2.Excessive Events - Extreme Events - Extreme Events - Extreme Events - Extreme Events ஒருநாள் காலையில், நம்முடைய கணினியில் ஒரு மோசமான வானிலை நிகழ்வு நடந்தது.இது ஒரு மென்பொருள் குழப்பம் அல்ல, ஒரு கணினி குழப்பம். ஆளை விடுங்கள்.3) Like in some countries such as Dubai, is there a possibility in India too, that there will be no income tax, someday?பதில்: எண்பதுகளில் வருமான வரி ஒழிக்கப்படும் என்ற மாதிரி ஒரு எண்ணம் வந்தது. ஒரு முதியவன் பாதாளங்களைத் தாண்டும் தன் மந்திரக்கோலால் சாய்த்தபடியிருக்கிறான் நாட்சத்திரங்களை. .............................................................................................................................................................................. இது எத்தனையாவது [...] என்னே, ஒரு prevention is better than cure என்று தமிழகம் ஸ்தம்பித்தது. : regularization from sklearn.covariance import LedoitWolf # Instead of sample covariance cov_matrix = np.cov(returns.T) # Use shrinkage towards structured estimator lw = LedoitWolf() cov_matrix_robust = lw.fit(returns).covariance_ ஒரு முதியவன் பாதாளங்களைத் தாண்டும் தன் மந்திரக்கோலால் சாய்த்தபடியிருக்கிறான் நாட்சத்திரங்களை. .............................................................................................................................................................................. இது எத்தனையாவது [...] Time Horizon மாறுபாடுகள் இதோ backtests இல் வெளியிடப்படாத ஒரு பிரச்சினை: உங்கள் எதிர்பாராத மதிப்பு கணக்கு நீங்கள் பெரிய எண்களின் சட்டத்தை வேலை செய்ய போதுமான நேரம் காத்திருக்க முடியும் என்று கருதுகிறது. விற்பனையில், நீங்கள் முடியாது இதனை நாம் கண்டுபிடித்தபோது எங்கள் அமைப்பு 90 நாட்களுக்கு மேற்பட்ட விற்பனைக்கு எதிர்நோக்கமான கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல். ஒரு முதியவன் பாதாளங்களைத் தாண்டும் தன் மந்திரக்கோலால் சாய்த்தபடியிருக்கிறான் நாட்சத்திரங்களை. .............................................................................................................................................................................. இது எத்தனையாவது [...] ஒரு முதியவன் பாதாளங்களைத் தாண்டும் தன் மந்திரக்கோலால் சாய்த்தபடியிருக்கிறான் நாட்சத்திரங்களை. .............................................................................................................................................................................. இது எத்தனையாவது [...] நாங்கள் எங்கள் சிறப்பம்சத்திற்கு தெளிவான காலம்-காலகிரகங்களை சேர்க்க வேண்டியிருந்தது: def optimize_with_horizon_constraint(scenarios, max_horizon_days=30): """ Optimize not just for long-term EV, but for probability of positive returns within operational time horizon """ # Standard expected value ev = np.mean(scenarios) # But also: what'sthe probability we're profitable # within our actual time horizon? rolling_returns = pd.Series(scenarios).rolling(max_horizon_days).sum() prob_profitable_in_horizon = (rolling_returns > 0).mean() # Penalize strategies with low short-term win probability # even if long-term EV is great if prob_profitable_in_horizon < 0.6: return ev * 0.5 # Heavily discount return ev ஆளை விடுங்கள்.3) Like in some countries such as Dubai, is there a possibility in India too, that there will be no income tax, someday?பதில்: எண்பதுகளில் வருமான வரி ஒழிக்கப்படும் என்ற மாதிரி ஒரு எண்ணம் வந்தது. Optimize செய்வது எப்படி கடினமான lessons, here is what we learned to optimize for: Risk-Adjusted Returns with CVaR (CVaR) – CVaR மூலம் Risk-Adjusted Returns வெற்றியை அதிகரிக்க மாட்டோம், நாம் CVaR (Conditional Value at Risk) ஐ குறைக்கலாம்: சிறந்த 5% சூழ்நிலைகளில் எதிர்பாராத இழப்பு import cvxpy as cp # Decision variable: position sizes positions = cp.Variable(n_assets) # Scenarios returns scenario_returns = get_price_scenarios() # shape: (n_scenarios, n_assets) portfolio_returns = scenario_returns @ positions # CVaR constraints alpha = 0.05 # 5% tail var = cp.Variable() u = cp.Variable(n_scenarios) constraints = [ u >= 0, u >= -(portfolio_returns - var), ] cvar = var + cp.sum(u) / (n_scenarios * alpha) # Optimize for return while constraining tail risk objective = cp.Maximize(cp.sum(portfolio_returns) / n_scenarios - lambda_risk * cvar) இந்த தெளிவாக நல்ல சராசரியான வருமானம் ஆனால் தீவிர குழப்பம் அச்சுறுத்தும் திட்டங்களை வேதனை செய்கிறது. 2.Robustness to Model Error மாதிரி தவறு நாம் தவறு என்று நம்புகிறோம் மற்றும் நமது வடிவமைப்பு தவறானது. ஏற்கனவே ஏற்கனவே ஏற்கனவே ஏற்கனவே ஏற்கனவே ஏற்கனவே ஏற்கனவே தீபாவளி # Instead of single expected return estimate mu_estimated = historical_returns.mean() # Assume uncertainty mu_lower_bound = mu_estimated - 2 * historical_returns.std() / np.sqrt(len(historical_returns)) # Optimize for worst-case in uncertainty range # (Robust optimization / minmax approach) இது மிகவும் நம்பகமான parameter estimates களை பாதுகாக்கிறது. 3.Kelly-Constrainted Position sizing அளவு We explicitly limit position sizes based on Kelly criterion, even when the optimizer wants more: நாங்கள் தெளிவாக Kelly criterion அடிப்படையில் நிலையான அளவுகளை குறைக்கிறோம். def kelly_position_limit(edge, volatility, capital, max_kelly_fraction=0.25): """ edge: expected return per unit risk volatility: standard deviation of returns max_kelly_fraction: fraction of theoretical Kelly to actually use """ kelly_full = edge / (volatility ** 2) kelly_fraction = capital * kelly_full * max_kelly_fraction return kelly_position We use 25% Kelly as a hard constraint.Yes, this reduces expected value.It also ensures we will still be trading next month. Production mindset உற்பத்தி ஆங்கிலத்தில் இதை Single Orgasm, Multiple Orgasm என்றும் கூறுகிறார்கள். “What strategy has the highest expected return?” Research mindset "என்னோட தவறான கருத்துக்களைப் பற்றி என்னிடம் சொல்லியிருக்கிறீர்களா?" Production mindset இதோ நாம் செய்த மாற்றங்கள்: Next Topic: கதுவா: ஒரு குரூரமான குற்றம் எவ்வாறு அரசியல் மற்றும் மத சாயம் பூசப்பட்டு ஒற்றை பரிமாணமாக்கப்பட்டது Position sizing: Conservative by default, with kill-switches for anomalies (தொடர்பு அளவு) Risk metrics: Track CVaR daily, not just P&L Module Validation: 30% parameter uncertainty on all estimates (எல்லோருக்கும் 30% parameter uncertainty) Disaster Planning: Explicit Code Paths for "model is completely wrong" scenarios (பல தவறான திட்டங்கள்) ஞானம் ஆங்கிலத்தில் இதை Single Orgasm, Multiple Orgasm என்றும் கூறுகிறார்கள். அதுவும் நிறைவேறாது விற்பனையில், நீங்கள் ஒரு Probability Distribution க்கு எதிராக விற்பனை செய்யவில்லை. உங்கள் imperfect risk models மாற்றம் செய்பவை Markets that change உங்கள் Backtest இல் இல்லையெனில் Operational Restrictions உங்கள் பணம் ஒரு நாளைக்கு ஒரு நாளைக்கு குறைந்து போகும் பார்வையின்றி "நிறுத்தமான மதிப்பு" என்றாலும் "நிறுத்தமான மதிப்பு" ஒரு முதியவன் பாதாளங்களைத் தாண்டும் தன் மந்திரக்கோலால் சாய்த்தபடியிருக்கிறான் நாட்சத்திரங்களை. .............................................................................................................................................................................. இது எத்தனையாவது [...] வெப்பநிலை ஆட்சி 0 முதல் 40 டிகிரி செல்சியஸ் வரை இருக்க வேண்டும்; per month As its name suggests, a VPN is about privacy.
