Существует с десяток известных методов для определения волатильности, начиная с технических индикаторов типа средний чистый диапазон, или АТР, историческая волатильность, стохастическая волатильность разных видов, стандартное отклонение и т.д. В портфельных задачах используют, как правило, стандартное отклонение и подобные вещи, а трейдеры, как правило, используют АТР – средний чистый диапазон. И, соответственно, тесно связанная с этим задача измерения риска, как правило, измеряется при помощи АТР - в единицах АТР. Соответственно возникает сразу 2 параметра: длина окна усреднения чистого диапазона и сколько единиц волатильности взять в качестве меры риска. И потом тестируется, оптимизируется все это.

Посмотрим, что получается. Для простоты берем АТР в качестве меры волатильности. Известно, что волатильность возвращается к своему среднему значению, т.е. колеблется вокруг среднего значения, т.е. когда волатильность  экстремально высокая, мы ее продаем, когда она экстремально низкая, мы ее покупаем. Что происходит, когда мы используем эту меру для измерения риска? Например, скользящие стопы подвигаем, отодвигаем, размер позиции определяем и т.д. Когда у нас волатильность  экстремально высокая, у нас риск увеличивается, если мы используем в качестве меры риска именно волатильность. В то же время, если мы знаем, что если волатильность экстремально высокая, она будет стремиться к своему среднему значению, т.е. она будет уменьшаться. Т.е. мы ожидаем, что волатильность будет меньше, тем не менее, стопы отодвигаем. И тоже самое в другую сторону. Когда волатильность экстремально низкая, мы стопы подвигаем, считая, что риск маленький, в то же время зная о том, что волатильность будет возрастать к своему среднему значению, т.о. начинаем торговать шум, т.е. в этом случае нас постоянно выносит на стопы. Если с этой точки зрения посмотреть, то мы неправильно используем волатильность в качестве меры риска. Теперь  рассмотрим, что такое риск или волатильность реально с точки зрения трейдера. Возьмем изменение цены за характерный промежуток времени - продолжительность бара, например. Что происходит? Если волатильность высокая, т.е. свеча реально длинная. Что в этом случае для нас риск. Возьмем для определенности длинную белую свечу, т.е. цена резко выросла вверх. И допустим, для определенности, что позиция в правильном направлении, т.е. на открытии бара мы в лонге, после чего длинная белая свеча. В таком случае за этот промежуток времени, как правило, цена проходит без значительных коррекций или практически без коррекций. Что в таком случае для нас риск? Риск для нас тогда - это дроудаун внутри высокочастотной траектории цены, тиковой, скажем, за время этого бара. Если мы возьмем бар, измерим дроудауны от достигнутого максимума цены в обратную сторону: просадка, опять достижение нового максимума, т.е. за промежуток времени в бар мы померим все дроудауны, выберем из них максимальный – это и будет наш реальный риск внутри позиции, а максимальный доход – это диапазон бара. Если мы находимся в короткой позиции, то наоборот – наш максимальный доход, это дроудаун внутри бара, а максимальный риск – это диапазон бара, если мы стоим против рынка.

Т.о. получается, что если мы используем традиционные меры риска, длинная белая свеча – коррекции маленькие, т.е. реальный наш риск очень маленький, а стопы мы, тем не менее, отодвигаем, и наоборот, если свеча короткая, за время бара цена может многократно туда-сюда сходить, т.е. риск реально увеличивается, тем не менее, стопы мы подвигаем. Как тут быть? Надо рассматривать в качестве риска именно внутрибаровые дроудауны. Можно собрать статистику, как баров, так и дроудаунов или отклонений, как их можно назвать, и пытаться их моделировать. Это идея американского трейдера Майка Лукаса, она показалась мне интересной и перспективной. Что получается при моделировании? Мы собираем статистику и получаем набор пар. Пара состоит из диапазона бара и максимальной коррекции внутри бара. Загоняем данные в матлаб, применяем стандартные процедуры и получаем, что логарифм диапазоны бара, т.е. логарифм Range, распределен по нормальному закону. Это, собственно, научные результаты тех парней, которые придумали ARCH-GARCH. Где-то пару лет назад у них были исследования в Wharton’е. Они получили, что статистически распределение логарифмов Range неотличимо от Гауссового. Но самое интересное, получается, что логарифмы коррекции внутри бара тоже статистически близки к Гауссовому распределению. И еще более интересно, что если строить модели типа авторегрессионных, т.е. там условно Гауссовское распределение, то, о чем Александр (Горчаков) говорил. То есть такими методами, мне кажется, целесообразно попробовать построить оптимальную модель. Но даже если «в лоб» затолкать матлабовский System Identification Toolbox, то получается, во-первых, что если рассматривать модель, где в качестве входов Range, а в качестве выхода – коррекция внутри бара, то выходная переменная очень слабо зависит от своих предыдущих значений. Т.е. последовательность Range определяет значение коррекции на следующем баре. Вот такая интересная картина. Не мудрствуя лукаво, эти стандартные матлабовские методы дают R² порядка 0,3-0,35. Если какие-то оптимальные процедуры применять, то результаты будут гораздо качественнее. Но это уже вопрос к специалистам в данной предметной области.

Вот вкратце основные моменты, на которые я хотел обратить внимание. Получается, мы можем риски коррекции внутри бара определять, не наблюдая в реальном времени тиковую траекторию, а смотря только сами по себе бары, и из этого попытаться определить с приемлемой точностью коррекцию внутри бара, т.е. фактически уровни наших стопов на следующем баре.

Дмитрий Толстоногов