Scomposizione del PNL e concetto di matching degli ordini (o lot)

-
Il PNL è una funzione del tempo aleatoria che dipende dagli ordini fatti e da come si evolve il prezzo nel tempo, indica i guadagni e le perdite relative ad un certo periodo di tempo limitato.
Il PNL è dato dalla differenza tra il prezzo sell ed il prezzo buy il tutto moltiplicato per la quantità scambiata Q (assumendo che la quantità venduta ad acquistata sia la stessa) ed eventualmente anche per il moltiplicatore associato allo strumento considerato M. Nel PNL dovrà essere considerata anche la commissione, ovvero prezzo dell’operazione che rappresenta una perdita immediata ed inevitabile.

PNL=(P_{SELL}-P_{BUY}) \cdot Q \cdot M

con P_{SELL} prezzo a cui vendo, rappresentato sulla curva BID, e P_{BUY} prezzo a cui acquisto, rappresentato dalla curva ASK.

L’ unrealized PNL fa riferimento alla perdita o profitto relativo ad una posizione ancora aperta ma che si ipotizza chiusa considerando il prezzo corrente.

Si parla di realized PNL nel momento in cui ci riferiamo ad una posizione chiusa, sia in caso di profitto o che in caso di perdita.

Si ha un realized profit nel momento in cui si compra a prezzo P e si rivende lo stesso strumento a prezzo P'>P oppure nel momento in cui si vende a prezzo P e si ricompra lo stesso strumento a prezzo P'<P.


Si ha una realized loss nel momento in cui si vende a prezzo P e si ricompra lo stesso strumento a prezzo P'>P oppure nel momento in cui si compra a prezzo P e si rivend la stessa quantità ad un prezzo P'<P.

La scelta del buy e del sell che determinano la parte chiusa del PNL è del tutto arbitraria e per questo vengono utilizzate alcune regole usate per il matching degli ordini. La prima metodologia è il matching FIFO, oppure LIFO. Immaginiamo di avere un certo strumento e una sequenza di buy e sell arbitraria: indico con Pc il prezzo corrente (sia per Bid che per Ask): visto che sappiamo calcolare il contributi relativo a matching della stessa quantità possiamo cercare di fare un matching tra quantità uguali di questi ordini: la parte che riesco a fare il match permette di ottenere la componente Realized mentre la parte che non viene matchata porterà ad ottenere la componente Unrealised. In base ai prezzi di buy e sell la parte Realised si divide in Gain (matching pos) e Loss (matching pos)

È importante far presente che al variare dell’order matching cambiano le componenti del PNL in termini di unrelized, realized e trade positivi e negativi, ma non cambia il PNL nel suo complesso.

Commenti

Posta un commento

Post popolari in questo blog

Relazioni di ricorrenza per la covarianza

-
Immagine
La covarianza è una misura di come i cambiamenti in una variabile sono associati ai cambiamenti in una seconda variabile.  In particolare, la covarianza misura il grado in cui due variabili sono linearmente associate.  correlate. Ci troviamo quindi in un contesto bivariato in quanto ci sono due variabili x e y  e la formula generale della covarianza è la seguente: Se in questa formula x e y fossero la stessa variabile allora ci si ricondurrebbe alla formula della varianza, quindi la formula della covarianza può essere vista come una generalizzazione della varianza. indicando con  SP n  la somma dei prodotti abbiamo: si considerano due variabili X e Y a cui sono sottratte delle quantità costanti  c  e  d , e attraverso i seguenti passaggi algebrici in cui si aggiungono e si sottraggono le medie delle due variabili, si ottiene: pongo le costanti  c  e  d  pari alle medie delle due variabili al passo  n-1 così...
Continua a leggere

La formula di Legendre e la sua utilità nelle applicazioni

-
Immagine
In  teoria dei numeri , l' identità di Legendre,   fornisce l'esponente della maggiore potenza di un  numero primo   {\displaystyle p}  che divide il  fattoriale   {\displaystyle n!,} dove  {\displaystyle n\geq 1}  è un intero. Ciò che si vuole ricavare è la scomposizione di n! ovvero: Dove R è l'intero dispari, e v  è chiamata valutazione p-atica di n ! e si ricava come segue: Questa formula è chiamata appunto Formula di Legendre . Per le applicazioni c'è una formula alternativa di grande utilità : Quindi tramite operazioni di conteggio dei bit all’interno di un numero, espresso in base 2, è possibile ottenere quanto richiesto.
Continua a leggere

Regressione lineare

-
Immagine
In  statistica  ,  la regressione lineare  è un  approccio  lineare  per modellare la relazione tra variabile dipendente   e una o più  variabili indipendenti  .  Il caso di una variabile esplicativa si chiama  regressione lineare semplice   invece nel caso di più  variabile esplicative, il processo è chiamato  regressione lineare multipla  .Prendendo  in considerazione  due variabili  X  e  Y  osservate sulle stesse unità di un campione, lo scopo della regressione lineare è determinare la retta che minimizza le distanze tra i valori teorici della retta con i valori realmente osservati.Il grafico seguente è una semplice rappresentazione della retta.  In generale si indica la  retta di regressione  nel seguente modo: Per trovare la retta di regressione bisogna minimizzare la distanza tra i valori realmente osservati y e i valori teorici y* Ora der...
Continua a leggere