CC BY
12
доточиться на проблемах экономики и населения региона.
Примечания:
1. Annual Statistics of international Trade (HS02). https://bit.ly/3lS1WL7 (Accessed; 12 September 2021).
2. Bryansk Region, 2020: Annual Report/BryanskstaL -Bryansk, 2020.
3. Camagni R., Cape No R.rCaragliu A. (2016). Static vs. dynamic agglomeration economies. Spatial context and structural evolution behind urban growth. Papers in Regional Science, vol. 95, no. 1, 133-158. https://doi.org/10.1111/pirs.12182.
4. Crevoisier O. (2016). Territorial value in a Postindustrial society: towards valuation policies. With inputs from H. Jeannerat, C. Livi, D. Guex, A. Huguenin, Research Group in Territorial Economy (GRET), University of Nouch?tel (Switzerland), MAKERS project. The 26th of June 2016, Birmingham Business School.
5.Eurasian Bank of Develop merit (2020). Directorate for analytical work, Main trends in the integration development of Russia in 2019 Center for integration Studies.08/2020. https://eabr.org/upload/iblock/ad8/ EABR_RFJ}7_2020_RU.pdf(Accessed: 15 September 2021).
6. Eurasian Economic Commission. Statistics of external and mutual trade of goods https://bit.ly/ 3lPilu1x (Accessed: 15 February 2022).
7. Federal customs service of the Russian Federation. Import-export of main goods in 2019. https:// customs.gov.ru/press/federal/document/2261 12 (Accessed: 15 February 2022).
8. Fedyunina A, Simachev Yu, Kuzyk M and Yu Averyanova (2020) Sectorainye osobennosti
integratsii rossiyskoy economiki v globalnye tsepochki dobalennoy stoimosti ! sledstvya dlya structurnoi politiki (Structural features of Russian economy integration into global value chains and lessons for structural policy) // New Economic Association journal. №3(47): 106-127. DO!: 10.31737/ 2221-2264-2020-47-3-5/.
9. Granger C.W.J. (1969). investigating Causal Relations by Econometric Models and Cross-Spectral Methods. Econometrica 37 (3):424-438,
10.Granger Causality Testin R(with Example) (2021). Available at: https://www.r-bloggers.eom/2021/11/ g ra n g e r-ca u s a I i ty-te st-i n - r-w ith -exa m p I e/ (A c ces sed: 26 February 2022).
11. Guex D.p Crevoisier O. (2017). Post-industrial globalization and local milieus: A typology (CRED Research Paper no, 15). 23 p.
12. Guex, D„ Crevoisier, O. (2015). A comprehensive socio-economic model of the experience economy: the territorial stage. In A. Lorentzen, L Schroder Si K. Topso Larsen (Eds.), Spatial Dynamics in the Experience Economy. Abingdon: Routledge.
13. Russia Integrates: Deepening the Country's Integration in the Global Economy World Bank, Washington, DC. http://documents.worldbank.org/ curated/en/921181607959469524/Russia-integrates-Deepening-the-Cou ntry-s-lntegra tion-in-the-Global-Economy (Accessed: 2 February 2022).
14. Russian Foreign Trade https://bit.ly/3zqiY7K (Accessed: 15 February 2022).
15. Wang Ch, Zhang X, Ghadimi P, Liu Q, Lim MK, Stanley HE (2019). The impact of regional financial development on economic growth in Beijing-Tianjin-Hebei region: A spatial econometric analysis. Physica, A 521:635-648.
CU
ftj О OJ
h-
Q-<
X
СЧ
41"
s
27
REGRESSION MODEL OF THE GROSS REGIONAL PRODUCT OF THE BRYANSK REGION AND THE OUTPUT OF THE BRANCHES OF THE REGIONAL ECONOMY*
Dubovik Mayya Valerianovna, PhD of Economics, Professor, Department of Economic Theory, PlekhanQv Russian University o f Economics, Moscow
Dmitriev Sergey Gennadlevlch, PhD of Economics, Associate Professor of the Department of Economics, Customs, IT & Natural sciences
Obidovskaya Natalya Nlkolaevna, Senior Lecture/, Department of Civil, Criminal Law and Procedure and Financial and Legal Disciplines
Bryansk branch of Plekhanov Russian University of Economics (branch), Bryansk
We have studied the influence of the three largest sectors of the economy of the Bryansk region on the dynamics of the gross regional product of the named region. These are agriculture, manufacturing, wholesale, and retail trade. We found that there is a positive but statistically insignificant relationship between the gross regional product and th e indica ted branch es of the regional economy. We proposed a linear regression model for th e dependent variable (i.e., gross regional product) and regression factors (the output of the three branches of the economy of the Bryansk region). The resulting value of the regression coefficient indicates the quality of the model; however, we subjected our mode! to a power transformation using the Box-Cox test, obtaining a higher regression coefficient value, as well as an adjusted regression coefficient. Despite this, we consider it necessary to continue the study of the factors that determine the dynamics of the gross regional product and regional development as a whole.
Keywords: Gross regional product; Regression model; Analysis of variance; Box-Cox test.
DOI 10,24923/2222=243X2022-42.4
* The research was carried out in pursuance of a grant on the topic "Spectral analysis of the dynamics of gross regional product and identification of drivers of socio-economic development", funded from the funds of the Plekhanov Russian University of Economics.
УДК 330,43
ВАК РФ 5.23/08,00.05
©Дубовик МЛ, 2022 © Дмитриев С.Г., 2022 0 Обидовская H.H., 2022
РЕГРЕССИОННАЯ МОДЕЛЬ ВАЛОВОГО РЕГИОНАЛЬНОГО ПРОДУКТА БРЯНСКОГО РЕГИОНА И ВЫПУСКА ОТРАСЛЕЙ РЕГИОНАЛЬНОЙ ЭКОНОМИКИ **
Нами исследовано влияние трех наиболее крупных отраслей экономики Брянской области на динамику валового регионального продукта названного региона - сельское хозяйство, обрабатывающие производства, оптовая и розничная торговля. Мы установили, что между валовым региональным продуктом и указанных отраслей региональной экономики существует положительная, но статистически незначимая связь. Мы предложили линейную регрессионную модель зависимой переменной (т.е. валовым региональным продуктом} и факторами регрессии (выпуском трех отраслей экономики Брянской области). Полученное значение коэффициента регрессии свидетельствует о качестве модели, однако мы подвергли нашу модель степенному преобразованию с помощью теста Бокса-Кокса, получив более высокое значение коэффициента регрессии, а также скорректированного коэффициента Регрессии. Несмотря на это, мы считаем необходимым продолжить исследование факторов> определяющих динамику валового регионального продукта и регионального развития в целом.
Ключевые слова: валовой региональный продукт; регрессионная модель; дисперсионный анализ; тест Бокса-Кокса.
ДУБОВИК Майя Валериановна, доктор экономических наук, доцент, профессор кафедры Экономической теории, Российский экономический университет имени Г.В. Плеханова, Москва
ДМИТРИЕВ Сергей Гэннадьевич, кандидат экономических наук, доцент кафедры Экономики, таможенного дела, информационных технологий и дисциплин естественнонаучного цикла
ОБИДОВСКАЯ На талья Николаевна, кандидат экономических наук, старший преподаватель кафедры Гражданского, уголовного права и процесса и финансово-Правовых ДИСЦИПЛИН
Российский экономический университет имени Г.В. Плеханова (филиал), Брянск
Введение
Вопрос об источниках экономического развития регионов относится к числу наиболее важных и наиболее дискуссионных, причем данная проблема присуща как развитым [2; 5], так и развивающимся странам [3; 4]; как е контексте глобального [15], так и локального развития [7; 8; 10],
Для выявления факторов, определяющих экономический рост Брянскогорегиона,мы исследовали взаимосвязь между динамикой валового регионального продукта и показателями выпуска трех ключевых {по меньшей мере с точки зрения их величины) отраслей региональной экономики: сельское хозяйство, обрабатывающие производства, оптовая и розничная торговля.
Исходные данные для анализа валового регионального продукта взяты нами с официального сайта Федерального агентства государственной статистики Российской Федерации [9]; данные о выпуске отраслей региональной экономики - из ежегодного статистического сборника территориального органа Росстата в Брянской области [1].
Мы использовали методы статистики и эконометрики, в том числе корреляционный анализ (включая анализ корреляции с временным лагом), регрессионный анализ, [6; 11] обычный метод наименьших квадратов, преобразование Бокса-Кокса. [12; 13; 14]
Статистический анализ проведен с использованием языка "R Statistical Software" (v4.1.2; R Core Team 2021), специализированные библиотеки 'easystats' (version 0.2.0) forecast1 (version 8,15), 'MASS' (version 7,3-55), 'report' (version 0.5.1).
Нашей исходной гипотезой было предположение о том, что три наиболее крупные отрасли региональной экономики Брянской области (согласно классификатору видов экономической деятельности (ОКВЭД) А - Сельское хозяйство, охота и лесное хозяйство (далее по тексту - Сельское хозяйство), D - Обрабатывающие производства, G - Оптовая и розничная торговля; ремонт автотранспортных средств, мотоциклов, бытовых изделий и предметов личного пользования (далее по тексту-Торговля)) определяют динамику валового
** Исследование осуществлено во исполнение гранта на тему "Спектральный анализ динамики валового регионального продукта и выявление драйверов социоэкономического развития", финансируемого из средств ФГБОУ ВО "РЭУ им. Г.В. Плеханова".
I
о
1100«-
НИМ'
регионального продукта названного административно-территориального образования.
С этой целью мы рассмотрели соответствующую MOflenbGRP ~ А + D + G, скорректировав линейную модель с помощью обычного метода наименьших квадратов. Полученная модель объясняет статистически незначимую и умеренную величинудисперсии (R2 (коэффициент детерминации) = 0.99, F(3,2) = 102.20, р = 0.010, adj. R2 (скорректированный коэффициент детерминации) = 0.98). Отрезок прямой модели, соответствующий значениям А = 0, D = 0, G = 0, равен 27752.42 (95% CI (доверительный интервал) [-40619.47,96124.31], t(2) = 1.75, р = 0.223), Основная часть В рамках данной модели: - Влияние А (Сельское хозяйство) позитивно, но статистически незначимо (beta = 0,25,
95% CI [-0.74,1.24], t(2) = 1.09, р- 0.388;Std, beta= = 0.14,95% CI [-0,42,0,71]).
- Влияние D (Обрабатывающие производства) позитивно, но статистически незначимо (beta = 0.16, 95% CI [-2,11, 2.43], t(2) = 0.30, р = =0.789; Std. beta = 0,09, 95% CI [-1.17,1,34]),
- Влияние G (Торговля) позитивно, но статистически незначимо (beta = 2.23,95%CI [-1-56, 6.03], t(2) = 2.53, р=0.127; Std. beta - 0.78,95% CI [-0.54,2.10]). gj
Стандартизированные параметры были о получены путем подгонки модели к стандартизированной версии набора данных. 95-про-центные доверительные интервалы и р-значе- < ния были рассчитаны с использованием теста 21 Вальда. £
Визуализация линейной регрессионной модели приведена нам на рисунке 1.
CU
h-Q-
ОЧИ* of А, О. G
Рисунок 1 - Линейная регрессионная модель зависимости валового регионального продукта Брянской области от выпуска отраслей региональной экономики (А - Сельское хозяйство, 0 - Обрабатывающие производства, 6 - Оптовая и розничная торговля). Сформировано авторами
В связи с тем, что нам не удалось установить статистически значимой корреляции между значениями выпуска отраслей региональной экономики и динамикой валового регионального продукта Брянской области, мы провели корреляционныйанализ с временным лагом на отрезке в 5 лет (до и после анализируемого периода).
Результаты анализа приведены нами на рисунках 2-4. Пунктирная линия на рисунках
отражает величину статистически значимой корреляции между наблюдаемыми переменными. Каждая из вертикальных линий показывает корреляцию между двумя временными рядами (ВРП и значениями выпуска отраслей региональной экономики) с задержкой от 1 до 5 лет (в будущем и в прошлом). Вертикальная линия при лаге 0 указывает на простую корреляцию между переменными.
НС
LH
S НС
о
LH
X о
X
о
НС
л
30
г~г
Таблица 4 - Вектор ортогональных эффектов (метод наименьших полных квадратов)
Leg
Рисунок 2 - Корреляция с временным лагом между ВРП и выпуском отрасли "Сельское хозяйство". Сформировано авторами
Intercept А (Сельское хозяйство, охота и лесное хозяйство) D (Обрабатывающие производства) G (Оптовая и розничная торговля; ремонт)
-515471.0297 93384.5155 -35086.2036 -14577.6996
1—Г
1—Г
—I— D
La?
Рисунок 3 - Корреляция с временным лагом между ВРП и выпуском отрасли "Обрабатывающие производства". Сформировано авторами
Справочно:
Вектор подогнанных значений: 1 (143892.5), 2 (181137.9), 3 (205558.0), 4(218658,9), 5(240786.5), б (272607,0).
Таблица 5 - Основные статистические данные модели
Ь
1—Г
_1_
"1—Г
Estimate Std. Error t value Pr(>|t|)
Intercept 27750 15890 1.746 0.223
А (Сельское хозяйство, охота и лесное хозяйство) 0.252 0.2303 1.094 0.388
□ (Обрабатывающие производства) 0.1604 0.5266 0.305 0.789
G (Оптовая и розничная торговля; ремонт) 2.232 0.8816 2.532 0.127
Рисунок 4- Корреляция с временным лагом между ВРП и выпуском отрасли 'Торговля", Сформировано авторами
Таблица 1 - Результаты дисперсионного анализа
Sum Sq Mean Sq F value Pr(>F)
А (Сельское хозяйство, охота и лесное хозяйство) 8720667740 8720667740 263.0685 0.00378
D (Обрабатывающие производства) 1231041682 1231041682 37.1357 0.02589
G (Оптовая и розничная торговля; ремонт) 212509326 212509326 6.4106 0.12696
Residuals 66299588 33149794 - -
модели
Примечание:
Остаточная сумма квадратов невязок (residuals):
66299588.
Невязки модели:
1 (3131.4717), 2 (-6926.0783), 3 (1839.4564), 4 (843,8577), 5 (1935,8150), 6 (-824.5225).
Таблица 2 - Модельные коэффициенты (точечные
Intercept А (Сельское хозяйство, охота и лесное хозяйство) □ (Обрабатывающие производства) G (Оптовая и розничная торговля; ремонт)
27752.42 0.2519643 0.1604137 2.232221
оценки)
Примечание: здесь и далее 'intercept' - свободный коэффициент; то, чему раена зависимая переменная, если предиктор равен нулю (точка пересечения прямой модели с осью координат).
Таблица 3 - Доверительные интервалы коэффициентов модели
2.5% 97.5%
Intercept -40619.47 96124.312568
А (Сельское хозяйство, охота и лесное хозяйство) -0.7390359 1.242964
D (Обрабатывающие производства) -2.105567 2.426394
G (Оптовая и розничная торговля; ремонт) -1.561146 6.025587
Примечание:
Estimate - оцененные регрессионные коэффициенты, рассчитанные го методу наименьших квадратов; t value - критерий, основанный на t распределении Стьюдента; Стандартная ошибка невязок: 5758 на двух степенях свободы; Множественный коэффициент детерминации: 0.9935, скорректированный коэффициент детерминации: 0.9638.
Соотношение объяснимой дисперсии к необъяснимой (F-statistic): 102.2. Вероятность(p-value): 0.009705.
Приведенные на рисунках 2-4 результаты анализа указывают на отсутствие корреляции с временным лагом между значениями ВРП и выпуском отраслей региональной экономики. Мы считаем сомнительным, что такая отрасль, как сельское хозяйство, в котором цикл производства превышает календарный год, не оказывает влияния на динамику ВРП с учетом временного лага.
Поэтому мы провели дисперсионный анализ модели взаимосвязи валового регионального продукта и выпуска отраслей Брянской экономики, результаты которого представлены ниже (табл. 1),
Согласно данным таблицы 1 (F value, Pr(>F)) наибольшей вероятностью влияния на динамику валового регионального продукта обладает такая отрасль экономики Брянской области, как сельское хозяйство.
Таблица б - Дисперсионно-ковариационная матрица основных па раметров модели
Intercept А (Сельское хозяйство, охота и лесное хозяйство) D (Обрабатывающие производства) G (Оптовая и розничная торговля; ремонт)
Intercept 252512330.064 2399.796 -2532.605 -1385.531
А (Сельское хозяйство, охота и лесное хозяйство) 2399.796 0.05304872 -0.008080483 -0.06546714
D (Обрабатывающие производства) -2532.605 -0.008080483 0.2773574 -0.4200943
G (Оптовая и розничная торговля; ремонт) -1385.531 -0.06546714 -0.4200943 0.7772792
•
-
leocoo 2DOOK1 24КЮ0
Рисунок 5 - Подогнанные значения и невязки модели. Сформировано авторами
В таблице 3 представлены доверительные интервалы для коэффициентов предлагаемой линейной регрессионной модели взаимосвязи валового регионального продукта и объема выпуска отраслей экономики Брянской области.
Таблица 4 содержит значения вектора ортогональных эффектов нашей линейной регрессионной модели зависимой переменной (ВРП) и факторов регрессии (выпуск отраслей региональной экономики).
Данные таблицы 5 под-тверждают сделанный нами ранее вывод о наибольшем влиянии выпуска сельского хозяйства Брянской области на динамику валового регионального продукта.
В таблице 6 приведена обобщенная дисперсионно-ковариационная матрица основных параметров нашей модели.
Значение полученного нами коэффициента детерминации модели (0.9838) позволяет нам сделать вывод о достаточно тесной связи между факторами регрессии (отрасли экономики региона (Сельское хозяйство, Обрабатывающие производства, Торговля)) и зависимой переменной (валовой региональный продукт Брянской области). Однако в связи с тем, что невязки регрессионной модели не имеют нормального распределения, что отображено на рисунке 5, попытаемся улучшить нашу линейную модель, применяя к зависимой переменной (ВРП) степенное преобразование с помощью теста Бокса-Кокса.
си ftj о
OJ
ь-
Q. <
£
сч
-vT
S
31
Рисунок б - Вывод теста Бокса-Кокса к линейной регрессионной модели зависимости переменной (ВРП) от выпуска отраслей региональной экономики. Сформировано авторами
Результаты применения теста Бокса-Кокса к нашей линейной регрессионной модели приведены в таблице7.
Ое+ОО.
•
■
2e-' 11 35-11 4e.11
Рисунок 7 - Подогнанные значения и невязки модели после теста Бокса-Кокса. Сформировано авторами
Таблица 7 - Модельные коэффициенты (точечные оценки) после преобразования Бокса-Кокса
Estimate Sid. Error t value Pr(>|t|)
Intercept 8.649е-11 3.499е-13 247.16 0.0000164
А (Сельское хозяйство, охота и лесное хозяйство) 2.146е-16 5.072е-18 42.30 0.000558
D (Обрабатывающие производства) -9.754е-17 1.160е-17 -8.41 0.013845
G (Оптовая и розничная торговля; ремонт) -Э.143е-16 1.942е-17 -47.09 0.000451
Примечание:
Для данной таблицы часть данных приведена в экспоненциальной нотации, Стандартная ошибка нееязок: 1.2б8е-13 на двух степенях свободы.
Для этого построим значение X в зависимости от логарифмического правдоподобия полученной модели, показанной на рисунке 6,
С помощью функции Ъохсох1 из пакета 'MASS1 получим линию с наилучшим значением в пределах своего доверительного интервала. В нашем случае это значение равно -2. Применим степенное преобразование к зависимой переменной, а затем скорректируем пересмотренную исходную модель.
Множественный коэффициент детерминации: 1, скорректированный коэффициент детерминации: 0.9999.
Соотношение объяснимой дисперсии к необъяснимой (F-statistic): 15130, Вероятность (p-value): 0.00006608. Невязки (см. рис. 7):
1 (-6.105е-14), 2 (1,382е-13), 3 (-7.3б4е-14), 4 (3.305е-14), 5 (-5.10бе-14), 6 (1,45бе-14).
Результаты
В результате мы получили лучший по сравнению с первоначальным коэффициентом детерминации нашей модели: 0,9999 против 0,9838,
Таким образом, предлагаемая нами линейная регрессионная модель зависимой переменной (валовой региональный продукт) и факторов регрессии (выпуск отраслей региональной экономики) является полезной. Следовательно, наша исходная гипотеза оказалась подтвержденной (со всеми необходимыми ограничениями). Однако поскольку распределение невязок скорректированной после теста Бокса-Кокса модели не является нормальным, а значения корреляции не всех факторов регрессии являются статистически значимыми даже после степенного преобразования, названная модель нуждается в дальнейшем совершенствовании.
Примечания:
1. Bryansk Region. 2020: Annual Report / Bryanskstat. - Bryansk, 2020.
2. Clark, J., Harrison, J., & Ernest Miguelez. (2018). Connecting cities, revitalizing regions: the
centrality of cities to regional development, Regional Studies, 52;8, 1025-1028, DQI: 10.1080/ 00343404.2018.1453691.
3.Czaplewski, M„ Kloska, R.(2020), Regional Policy as a Factor in Shaping Regional Development in Poland. South East European Journal of Economics and Business, 15(1), 93-104. https://doi.org/! 0.2478/jeh-2020-0008.
4. Fudge, M.,Ogier, E.,& Karen A. Alexander. (2021). Emerging functions of the wellheing concept in regional development scholarship: A review. Environmental Science & Policy, Volume 115, 2021, 143-150, iSSN 1462-9011, https://doi.org/10.1016/ j.envsci.2020.10.005.
5. Glawe, L, Wagner, H. (2021). Convergence, divergence, or rnLiltl pies tea d у st ate s ? No w ev i de n ce on the institutional development within the European Union. Journal of Comparative Economics, 49(3), 860-884. https://doi.org/10.1016/jjce.2021. 01,006.
6. Hansen, B.E, (2021). Econometrics. University of Wisconsin, Department of Economics.
7. Hansen,T. (2021). The foundational economy and regional development. Regional Studies, DOI: 10.1080/00343404.2021.1939860.
8. Marques, P., & Kevin Morgan. (2021). Innovation without Regional Development? The Complex interplay of Innovation, institutions, and Development, Economic Geography, 97:5, 475-496, DOI: 10.1080/00130095.2021.1972801.
9. National Accounts (2021). Available at: https:// rosstatgov.ru/accounts (Accessed: 21 February 2022).
10. Pike A., Rodriguez-Pose A.,& JohnTornaney. (2017). Shifting horizons in localand regional development. Regional Studies, 51:1, 46-57, DOi: 10.1080/ 00343404,2016.1158802.
11. Practical Statistics for Data Scientists, by Peter Bruce, Andrew Bruce,and Peter Gedeck. (2020). ISBN 978-1-492-07294-2.
12. R Cookbook, byJ.D, Long and Paulleetor, (2019), Sebastopol, O'Reilly Media, ISBN 978-1-492-04068-2.
13. R for Data Science. Import, Tidy, Transform, Visualize, and Model Data, by Hadley Wickham and Garrett Grolemund, (2017), Sebastopol, O'Reilly Media. ISBN 978-1-491-91039-9.
14. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing. (2015). URL: http://www.r-project.org/.
15. Yeung, H.W.-c. (2015). Regional development in the global economy. Regional Science Policy & Practice, 7:1 -23. https://doi .org/10.1111 /rsp3.12055.
CU ftj о
OJ
OPTIMIZATION OF TRADING ACCOUNT FRACTION IN EXCHANGE TRANSACTIONS
Maliarov Anatoli Nikolaevich, PhD of Technical sciences, Associate Professor, Samara State Technical University, Samara
The purpose of the study is to solve the problem of managing the trading position size when performing a series of exchange transactions using a trader's trading system. The necessity of calculating the position size is justified, it is determined as the current fractions of the trader's account, depends on the parameters of the trading system, and allows increasing the trading account at the highest speed. The importance of solving this problem is due to the fact that the wrong choice of the account fraction is one of the main reasons for the ruin of traders or a slight increase in the account. The scientific novelty consist in the development of a nonparametric calculation method based on the results of tests for the trading system as well as in using the parametric method with the known iaw of the distribution of profitability for transactions which allow solving the problem in an analytical form. As a result, the formulas for calculating account fraction and the number of contracts (lots) in trader's transaction are defined, and calculation examples are given.
Keywords: account fraction; profitability; mathematical expectation; nonparametric method; parametric method; variable; probability density; derivative of the function; trading position size; leverage; trading system; trader-money management.
DOI 10,24923/2222-243X.2022-42.5
ОПТИМИЗАЦИЯ ДОЛИ ТОРГОВОГО СЧЕТА В БИРЖЕВЫХ СДЕЛКАХ
Цель исследования состоит в решении задачи управления размером торговой позиции при выполнении серии биржевых сделок по торговой системе трейдера. Обосновывается необходимость рас чета суммы средств по позиции, которая определяется в долях от текущего размера счета трейдера, зависит от параметров торговой системы, и позволяет увеличивать торговый счет с наибольшей скоростью. Важность решения этой задачи обусловлена тем, что неверный выбор доли счета является одной из основных причин разорения трейдеров или незначительного роста размера счета. Научная новизна заключается в разработке непараметрического метода расчета по результатам испытаний торговой системы, а также в использовании параметрического метода при известном законе распределения доходности сделок, которые позволяют решить задачу в аналитическом виде. В результате выведены формулы для расчета доли счета и числа контрактов (лотов) в отдельной сделке трейдера, приведены примеры расче та.
Ключевые слова: доля счета;доходность;математическое ожидание; непараметрический метод; параметрический метод; переменная; плотность вероятности; производная функции; размер торговой позиции; рычаг; торговая система; трейдер;управление счетом..
УДК 336
ВАК РФ 5.2.2/08.00.13 © Маляров AM, 2022
Q-<
X
сч
41"
S
33
Введение
Возрастающий интерес к фондовому рынку и рынку деривати-вов вызвал рост числа трейдеров, самостоятельно выполняющих торговые операции на Московской и Санкт-Петербургской биржах. При этом в течение первого года большинство из трейдеров даже на растущем рынке теряет деньги и вынуждено прекращает торго-
МАЛЯРОВ Ана толий Николаевич, кандидат технических наук, доцент, Самарский государственный технический университет, Самара
