Amostra de estratégias quantitativas de negociação

S T R E E T DE W A L L S.

Tipos de Estratégias Quantitativas de Negociação de Fundos de Hedge.

Quant Hedge Funds vem em todas as formas e tamanhos - de pequenas empresas com empregados que numeram na adolescência, para fundos internacionais com presença em três continentes. Uma base de ativos maiores não se correlaciona necessariamente com um número maior de funcionários; em vez disso, a equipe do Hedge Fund provavelmente é uma função do número de estratégias que emprega. Quant Hedge Funds pode se concentrar em ações, renda fixa ou outras classes de ativos, embora raramente um Quant Hedge Fund esteja envolvido em uma estratégia de longo prazo de seleção de ações individualmente, sem cobertura. Muitos CTAs ou “Consultores de Negociação de Commodities” também seriam considerados Quant Hedge Funds, dado o seu papel na compra ou venda de contratos futuros, opções de futuros ou contratos de forex off-exchange de varejo (ou aconselhamento a outros para negociar nessas commodities).

A tabela a seguir fornece mais detalhes sobre diferentes tipos de estratégias de investimento em Hedge Funds; é importante notar que as versões quantitativas e não quantitativas de quase todos esses estilos de investimento Hedge Fund podem ser construídas:

Relative Value Trading vs. Directional Trading.

As abordagens de negociação / investimento Quantitative Hedge Fund se enquadram em uma das duas categorias: as que utilizam as estratégias de Valor Relativo e aquelas cujas estratégias serão caracterizadas como Direcional. Ambas as estratégias utilizam fortemente modelos de computador e software estatístico.

As estratégias de Relative Value tentam capitalizar relacionamentos de preços previsíveis (muitas vezes - relacionamentos de retorno) entre múltiplos ativos (por exemplo, a relação entre os rendimentos de curto prazo do Tesouro dos EUA vs. os rendimentos de longo prazo do Tesouro dos EUA ou a relação no implícito volatilidade em dois contratos de opção diferentes). As estratégias direcionais, entretanto, normalmente são baseadas em caminhos baseados em tendências ou outros padrões, sugestivos de impulso ascendente ou descendente para uma garantia ou conjunto de valores mobiliários (por exemplo, apostando que os rendimentos de longo prazo dos títulos do Tesouro dos EUA aumentarão ou que a volatilidade implícita declínio).

Relative Value Strategies.

Os exemplos comuns de estratégias de Relativo de Valor incluem a colocação de apostas relativas (ou seja, comprar um bem e vender outro) em ativos cujos preços estão intimamente vinculados:

Títulos governamentais de dois países diferentes Títulos do governo de dois prazos diferentes até o vencimento Títulos de obrigações de capital corporativo versus títulos hipotecários O diferencial de volatilidade implícita entre dois derivativos. Preços de ações versus preços de títulos para um emissor de títulos corporativos. Diferenças de rendimento de obrigações de capital vs. Swap de inadimplência de crédito (CDS ) se espalha.

A lista de estratégias de valor relativo potencial é muito longa; acima são apenas alguns exemplos. Existem três estratégias de Valor Relativo muito importantes e comummente utilizadas para se conscientizar, no entanto:

Arbitragem estatística: negociação de uma tendência de reversão média dos valores de cestas semelhantes de ativos com base em relações comerciais históricas. Uma forma comum de Arbitragem Estatística, ou "Arat Stat", "trading", é conhecida como Equity Market Neutral trading. Nesta estratégia, duas cestas de ações são escolhidas (uma cesta "longa" e uma cesta "curta"), com o objetivo de que os pesos relativos das duas cestas saiam do fundo com exposição líquida zero a vários fatores de risco (indústria, geografia, setor, etc. .) Stat Arb também pode envolver a negociação de um índice contra um ETF similar, ou um índice versus ações de uma única empresa. Arbitragem convertível: compra de emissões de obrigações convertíveis por uma empresa e simultaneamente venda das ações ordinárias da mesma empresa, com a idéia de que, se o estoque de uma determinada empresa declinar, o lucro da posição curta compensará mais do que qualquer perda na posição de títulos convertíveis, dado o valor do vínculo convertível como instrumento de renda fixa. De igual modo, em qualquer movimento ascendente das ações ordinárias, o fundo pode lucrar com a conversão de suas obrigações convertíveis em ações, vendendo essas ações no mercado valor por um valor que exceda todas as perdas em sua posição curta. Arbitragem de Renda Fixa: negociação de títulos de renda fixa em mercados de títulos desenvolvidos para explorar anomalias de taxa de juros relativos percebidas. Posições de Arbitragem de Renda Fixa podem usar títulos do governo, swaps de taxa de juros e futuros de taxa de juros. Um exemplo popular desse estilo de negociação em arbitragem de renda fixa é o "comércio de base", no qual um vende (compra) futuros do Tesouro e compra ( vende uma quantidade correspondente do potencial entregável. В Aqui, está a considerar a diferença entre o preço à vista de uma obrigação e o preço do contrato futuro ajustado (fator de conversão do preço de futuros) e a negociação dos pares de ativos em conformidade.

Estratégias direcionais.

As estratégias de negociação direcional, entretanto, geralmente se baseiam em caminhos de tendências ou outros motivos baseados em padrões sugerentes de impulso ascendente ou descendente para um preço de segurança. O comércio direcional geralmente incorporará algum aspecto da Análise Técnica ou "cartografia". Isso envolve a previsão da direção de preços através do estudo dos preços do mercado passado e do volume de dados do mercado. A "negociação" que está sendo negociada pode ser a de um bem em si (dinamismo nos preços das ações, por exemplo, ou a taxa de câmbio do euro / dólar norte-americano) ou um fator que afeta diretamente a o próprio preço dos ativos (por exemplo, volatilidade implícita para opções ou taxas de juros para títulos do governo).

A negociação técnica também pode incluir o uso de médias móveis, bandas em torno do desvio padrão histórico de preços, níveis de suporte e resistência e taxas de mudança. Normalmente, os indicadores técnicos não constituiriam a única base para o investimento de um Fundo Quantitativo de Hedge estratégia; Os Quante Hedge Funds empregam muitos fatores adicionais além das informações históricas sobre preço e volume. Em outras palavras, os Fundos Quantitativos de Hedge que empregam estratégias de negociação direcional geralmente têm estratégias quantitativas gerais que são muito mais sofisticadas do que a Análise Técnica geral.

Isso não é para sugerir que os comerciantes do dia não possam lucrar com a Análise Técnica - pelo contrário, muitas estratégias de negociação baseadas em impulso podem ser lucrativas. Assim, para os fins deste módulo de treinamento, as referências às estratégias de negociação Quant Hedge Fund não incluirão apenas estratégias baseadas em análise técnica.

Outras estratégias quantitativas.

Outras abordagens comerciais quantitativas que não são facilmente categorizadas como estratégias de Relative Value ou estratégias direcionais incluem:

Negociação de alta freqüência, onde os comerciantes tentam tirar proveito das discrepâncias de preços entre múltiplas plataformas com muitas negociações ao longo do dia. As estratégias de volatilidade administrada usam futuros e contratos a prazo para se concentrar na geração de retornos absolutos baixos, estáveis ​​e LIBOR-plus, aumentando ou diminuindo a número de contratos dinamicamente à medida que as volatilidades subjacentes das ações, títulos e outros mercados mudam. Estratégias de volatilidade gerenciadas ganharam popularidade nos últimos anos devido à recente instabilidade dos mercados de ações e títulos. & larr; O que é um Fundo de cobertura quantitativo? Top Quantitative Hedge Funds & rarr;

QuantStart.

Junte-se ao portal de membros privados da Quantcademy que atende à comunidade de comerciantes de varejo de varejo em rápido crescimento. Você encontrará um grupo de comerciantes quânticos bem informados e com a mesma mentalidade, prontos para responder às suas perguntas mais prementes sobre negociação de quant.

Confira meu ebook sobre o comércio de quant, onde eu ensino você como criar estratégias de negociação sistemáticas lucrativas com ferramentas Python, desde o início.

Dê uma olhada no meu novo ebook sobre estratégias de negociação avançadas usando análise de séries temporais, aprendizado de máquina e estatísticas bayesianas, com Python e R.

Por Michael Halls-Moore em 26 de março de 2013.

Neste artigo, vou apresentá-lo a alguns dos conceitos básicos que acompanham um sistema de negociação quantitativa de ponta a ponta. Espera-se que este post atenda a dois públicos-alvo. O primeiro será indivíduos tentando obter um emprego em um fundo como um comerciante quantitativo. A segunda será pessoas que desejam tentar montar seu próprio negócio de comércio algorítmico "de varejo".

A negociação quantitativa é uma área extremamente sofisticada de finanças quânticas. Pode levar uma quantidade significativa de tempo para obter o conhecimento necessário para passar uma entrevista ou construir suas próprias estratégias de negociação. Não só isso, mas exige uma ampla experiência em programação, pelo menos em uma linguagem como MATLAB, R ou Python. No entanto, à medida que a frequência comercial da estratégia aumenta, os aspectos tecnológicos tornam-se muito mais relevantes. Assim, ser familiar com C / C ++ será de suma importância.

Um sistema de comércio quantitativo consiste em quatro componentes principais:

Identificação Estratégica - Encontrando uma estratégia, explorando uma vantagem e decidindo sobre a frequência de negociação Backtesting da estratégia - Obtendo dados, analisando o desempenho da estratégia e removendo vieses Sistema de Execução - Vinculando a uma corretora, automatizando a negociação e minimizando custos de transação tamanho da aposta "/ critério Kelly e psicologia comercial.

Começaremos dando uma olhada em como identificar uma estratégia de negociação.

Identificação de Estratégia.

Todos os processos de negociação quantitativos começam com um período inicial de pesquisa. Este processo de pesquisa engloba encontrar uma estratégia, verificando se a estratégia se encaixa em um portfólio de outras estratégias que você pode estar executando, obtendo quaisquer dados necessários para testar a estratégia e tentando otimizar a estratégia para retornos mais altos e / ou menor risco. Você precisará avaliar seus próprios requisitos de capital se estiver executando a estratégia como um comerciante "varejista" e como qualquer custo de transação afetará a estratégia.

Ao contrário da crença popular, é bastante simples encontrar estratégias lucrativas por meio de várias fontes públicas. Os acadêmicos publicam periodicamente resultados teóricos de negociação (embora na maioria dos custos brutos de transação). Os blogs de finanças quantitativas discutirão estratégias em detalhes. As revistas comerciais descreverão algumas das estratégias empregadas pelos fundos.

Você pode questionar por que indivíduos e empresas estão interessados ​​em discutir suas estratégias rentáveis, especialmente quando sabem que outros "aglomerando o comércio" podem impedir a estratégia de trabalhar no longo prazo. A razão está no fato de que eles geralmente não discutem os parâmetros exatos e os métodos de ajuste que eles realizaram. Essas otimizações são a chave para transformar uma estratégia relativamente medíocre em uma altamente rentável. Na verdade, uma das melhores maneiras de criar suas próprias estratégias únicas é encontrar métodos semelhantes e, em seguida, realizar seu próprio procedimento de otimização.

Aqui está uma pequena lista de lugares para começar a procurar idéias de estratégia:

Muitas das estratégias que você olhará cairão nas categorias de reversão média e tendência / impulso. Uma estratégia de reversão à média é aquela que tenta explorar o fato de que existe uma média de longo prazo em uma "série de preços" (como o spread entre dois ativos correlatos) e que os desvios de curto prazo dessa média acabarão sendo revertidos. Uma estratégia de momentum tenta explorar tanto a psicologia do investidor quanto a grande estrutura de fundos, "pegando carona" em uma tendência de mercado, que pode ganhar impulso em uma direção e seguir a tendência até que ela se reverta.

Outro aspecto extremamente importante da negociação quantitativa é a freqüência da estratégia de negociação. A negociação de baixa freqüência (LFT) geralmente se refere a qualquer estratégia que detenha ativos por mais tempo do que um dia de negociação. Correspondentemente, a negociação de alta frequência (HFT) geralmente se refere a uma estratégia que mantém ativos intraday. Ultra-high frequency trading (UHFT) refere-se a estratégias que possuem ativos na ordem de segundos e milissegundos. Como profissionais de varejo, HFT e UHFT certamente são possíveis, mas apenas com conhecimento detalhado da "pilha de tecnologia" e da dinâmica do livro de pedidos. Não vamos discutir esses aspectos em grande medida neste artigo introdutório.

Uma vez que uma estratégia, ou conjunto de estratégias, foi identificado, agora precisa ser testado quanto à lucratividade em dados históricos. Esse é o domínio do backtesting.

Teste de estratégia.

O objetivo do backtesting é fornecer evidências de que a estratégia identificada por meio do processo acima é lucrativa quando aplicada a dados históricos e fora da amostra. Isso define a expectativa de como a estratégia será realizada no "mundo real". No entanto, backtesting não é garantia de sucesso, por várias razões. É talvez a área mais sutil do comércio quantitativo, uma vez que implica inúmeros vieses, que devem ser cuidadosamente considerados e eliminados, tanto quanto possível. Discutiremos os tipos comuns de viés, incluindo viés avançado, viés de sobrevivência e viés de otimização (também conhecido como viés de dados). Outras áreas de importância dentro do backtesting incluem a disponibilidade e a limpeza de dados históricos, levando em consideração custos de transação realistas e decidindo sobre uma plataforma robusta de backtesting. Discutiremos os custos de transação ainda mais na seção Sistemas de Execução abaixo.

Uma vez que uma estratégia tenha sido identificada, é necessário obter os dados históricos através dos quais realizar testes e, talvez, refinamento. Há um número significativo de fornecedores de dados em todas as classes de ativos. Seus custos geralmente variam de acordo com a qualidade, profundidade e pontualidade dos dados. O ponto de partida tradicional para os comerciantes quantos iniciais (pelo menos no nível de varejo) é usar o conjunto de dados gratuitos da Yahoo Finance. Não vou me debruçar muito sobre fornecedores aqui, em vez disso, gostaria de me concentrar nas questões gerais ao lidar com conjuntos de dados históricos.

As principais preocupações com dados históricos incluem precisão / limpeza, viés de sobrevivência e ajuste para ações corporativas, como dividendos e divisões de ações:

Precisão pertence à qualidade geral dos dados - se contém algum erro. Os erros às vezes podem ser fáceis de identificar, como, por exemplo, com um filtro de espiga, que irá escolher "picos" incorretos em dados da série temporal e corrigi-los. Em outras ocasiões, podem ser muito difíceis de detectar. Muitas vezes é necessário ter dois ou mais provedores e, em seguida, verificar todos os seus dados uns contra os outros. O viés de sobrevivência geralmente é uma "característica" de conjuntos de dados gratuitos ou baratos. Um conjunto de dados com viés de sobrevivência significa que ele não contém ativos que não estão mais negociados. No caso de ações, isso significa ações excluídas / falidas. Este viés significa que qualquer estratégia de negociação de ações testada em tal conjunto de dados provavelmente funcionará melhor do que no "mundo real", já que os "vencedores" históricos já foram pré-selecionados. As ações corporativas incluem atividades "logísticas" realizadas pela empresa que geralmente causam uma mudança de função gradual no preço bruto, que não deve ser incluído no cálculo dos retornos do preço. Ajustes para dividendos e desdobramentos são os culpados comuns. Um processo conhecido como ajuste de volta é necessário para ser realizado em cada uma dessas ações. É preciso ter muito cuidado para não confundir um estoque de divisão com um verdadeiro ajuste de retorno. Muitos comerciantes foram pegos por uma ação corporativa!

Para realizar um procedimento de backtest, é necessário usar uma plataforma de software. Você tem a escolha entre softwares backtest dedicados, como o Tradestation, uma plataforma numérica como o Excel ou o MATLAB ou uma implementação personalizada completa em uma linguagem de programação como Python ou C ++. Não vou demorar muito na Tradestation (ou similar), no Excel ou no MATLAB, pois acredito na criação de uma pilha de tecnologia interna completa (por razões descritas abaixo). Um dos benefícios de o fazer é que o software de backtest e o sistema de execução podem ser bem integrados, mesmo com estratégias estatísticas extremamente avançadas. Para as estratégias HFT em particular, é essencial usar uma implementação personalizada.

Quando testar um sistema, é preciso quantificar o desempenho. As métricas "padrão do setor" para estratégias quantitativas são o rebaixamento máximo e o Índice de Sharpe. A retirada máxima caracteriza a maior queda de pico a calha na curva de equidade da conta em um determinado período de tempo (geralmente anual). Isso geralmente é citado como uma porcentagem. As estratégias de LFT tendem a ter maiores disparidades do que as estratégias de HFT, devido a uma série de fatores estatísticos. Um backtest histórico mostrará o último drawdown máximo, que é um bom guia para o futuro desempenho de drawdown da estratégia. A segunda medida é a Ratia de Sharpe, que é definida heuristicamente como a média dos retornos em excesso divididos pelo desvio padrão desses retornos em excesso. Aqui, os retornos excedentes referem-se ao retorno da estratégia acima de um benchmark pré-determinado, como o S & P500 ou um Tesouro de 3 meses. Observe que o retorno anualizado não é uma medida usualmente utilizada, pois não leva em consideração a volatilidade da estratégia (ao contrário do Ratio Sharpe).

Uma vez que uma estratégia tenha sido backtested e seja considerada livre de preconceitos (na medida em que isso é possível!), Com um bom Sharpe e rebaixamentos minimizados, é hora de construir um sistema de execução.

Sistemas de Execução.

Um sistema de execução é o meio pelo qual a lista de negócios gerados pela estratégia é enviada e executada pelo corretor. Apesar do fato de que a geração de comércio pode ser semi - ou mesmo totalmente automatizada, o mecanismo de execução pode ser manual, semi-manual (ou seja, "um clique") ou totalmente automatizado. Para estratégias LFT, as técnicas manuais e semi-manuais são comuns. Para as estratégias HFT, é necessário criar um mecanismo de execução totalmente automatizado, que muitas vezes será estreitamente acoplado ao gerador comercial (devido à interdependência da estratégia e da tecnologia).

As principais considerações ao criar um sistema de execução são a interface com a corretora, a minimização dos custos de transação (incluindo comissão, derrapagem e spread) e a divergência de desempenho do sistema ao vivo do desempenho do backtested.

Existem muitas maneiras de se conectar a uma corretora. Eles variam de chamar seu corretor no telefone diretamente para uma interface de programação de aplicativos (API) de alto desempenho totalmente automatizada. O ideal é que você queira automatizar a execução de suas negociações o máximo possível. Isso liberta você para se concentrar em pesquisas futuras, além de permitir que você execute várias estratégias ou mesmo estratégias de maior freqüência (na verdade, o HFT é essencialmente impossível sem execução automática). O software comum de backtesting descrito acima, como MATLAB, Excel e Tradestation são bons para estratégias mais baixas e mais simples. No entanto, será necessário construir um sistema de execução interno escrito em uma linguagem de alto desempenho, como C ++, para fazer qualquer HFT real. Como uma anedota, no fundo em que eu costumava trabalhar, tínhamos um "loop de negociação" de 10 minutos, onde baixávamos novos dados de mercado a cada 10 minutos e depois executávamos negociações com base nessas informações no mesmo período de tempo. Isso estava usando um script Python otimizado. Para qualquer coisa que se aproxime de dados de minuto ou de segunda frequência, acredito que o C / C ++ seria mais ideal.

Em um fundo maior, muitas vezes não é o domínio do comerciante quant para otimizar a execução. No entanto, em lojas menores ou empresas HFT, os comerciantes são os executores e, portanto, um conjunto de habilidades muito mais amplo é muitas vezes desejável. Tenha em mente se você deseja ser empregado por um fundo. Suas habilidades de programação serão tão importantes, se não mais, do que suas estatísticas e talentos de econometria!

Outra questão importante que se enquadra na bandeira de execução é a redução de custos de transações. Geralmente, existem três componentes para os custos de transação: Comissões (ou impostos), que são as taxas cobradas pela corretora, a troca e a SEC (ou órgão regulador governamental similar); deslizamento, qual é a diferença entre o que você pretendia que seu pedido fosse preenchido em relação ao que estava preenchido; spread, que é a diferença entre o preço de oferta / oferta da garantia negociada. Observe que o spread NÃO é constante e depende da liquidez atual (isto é, disponibilidade de ordens de compra / venda) no mercado.

Os custos de transação podem fazer a diferença entre uma estratégia extremamente lucrativa com um bom índice de Sharpe e uma estratégia extremamente não lucrativa com um índice de Sharpe terrível. Pode ser um desafio prever corretamente os custos de transação de um backtest. Dependendo da frequência da estratégia, você precisará de acesso a dados de troca histórica, que incluirão dados de marca para preços de lances / pedidos. Equipes inteiras de quantos são dedicadas à otimização da execução nos fundos maiores, por esses motivos. Considere o cenário em que um fundo precisa descarregar uma quantidade substancial de negociações (das quais as razões para isso são muitas e variadas!). Ao "despejar" tantas ações no mercado, elas comprimirão rapidamente o preço e não poderão obter uma execução ótima. Daí, os algoritmos que os pedidos de "gotejamento de alimentação" no mercado existem, embora o fundo corra o risco de derrapagem. Além disso, outras estratégias "presas" sobre essas necessidades e podem explorar as ineficiências. Este é o domínio da arbitragem da estrutura do fundo.

A questão principal final para os sistemas de execução diz respeito à divergência de desempenho da estratégia com o desempenho testado. Isso pode acontecer por vários motivos. Já analisamos o viés de look-ahead e o viés de otimização em profundidade, ao considerar os backtests. No entanto, algumas estratégias não facilitam a verificação desses preconceitos antes da implantação. Isso ocorre em HFT mais predominantemente. Pode haver bugs no sistema de execução, bem como a própria estratégia de negociação que não aparece em um backtest, mas aparece no live trading. O mercado pode estar sujeito a uma mudança de regime posterior à implantação de sua estratégia. Novos ambientes regulatórios, mudanças no sentimento dos investidores e fenômenos macroeconômicos podem levar a divergências quanto ao comportamento do mercado e, assim, a rentabilidade da sua estratégia.

Gerenciamento de riscos.

A peça final para o enigma de negociação quantitativa é o processo de gerenciamento de riscos. "Risco" inclui todos os vieses anteriores que discutimos. Isso inclui risco de tecnologia, como servidores co-localizados na central de repente desenvolvendo um mau funcionamento do disco rígido. Isso inclui risco de corretagem, como o corretor estar falido (não tão louco quanto parece, dado o recente susto com a MF Global!). Em suma, abrange quase tudo o que poderia interferir com a implementação comercial, dos quais existem muitas fontes. Livros inteiros são dedicados ao gerenciamento de riscos para estratégias quantitativas, então não tento elucidar todas as possíveis fontes de risco aqui.

O gerenciamento de riscos também abrange o que é conhecido como alocação ótima de capital, que é um ramo da teoria do portfólio. Este é o meio pelo qual o capital é alocado para um conjunto de estratégias diferentes e para os negócios dentro dessas estratégias. É uma área complexa e depende de algumas matemáticas não triviais. O padrão da indústria pelo qual a alocação ótima de capital e a alavancagem das estratégias estão relacionadas é chamado de critério de Kelly. Como este é um artigo introdutório, não vou me alongar em seu cálculo. O critério de Kelly faz alguns pressupostos sobre a natureza estatística dos retornos, que geralmente não são válidos nos mercados financeiros, então os comerciantes são geralmente conservadores quando se trata da implementação.

Outro componente fundamental do gerenciamento de riscos é lidar com o próprio perfil psicológico. Existem muitos vieses cognitivos que podem surgir na negociação. Embora isso seja certamente menos problemático com o comércio algorítmico se a estratégia for deixada sozinha! Um viés comum é o da aversão à perda, em que uma posição perdedora não será fechada devido à dor de ter que perceber uma perda. Da mesma forma, os lucros podem ser tomados muito cedo porque o medo de perder um lucro já ganho pode ser muito grande. Outro viés comum é conhecido como viés de recência. Isso se manifesta quando os comerciantes colocam muita ênfase nos eventos recentes e não no longo prazo. Então, é claro, há o par clássico de viés emocional - medo e ganância. Estes podem, muitas vezes, levar a alavancagem insuficiente ou excessiva, o que pode causar explosão (ou seja, o patrimônio da conta em zero ou pior!) Ou lucros reduzidos.

Como pode ser visto, o comércio quantitativo é uma área extremamente complexa, embora muito interessante, de financiamento quantitativo. Eu literalmente arranhei a superfície do tópico neste artigo e já está ficando bastante longo! Livros e papéis inteiros foram escritos sobre questões que eu apenas dediquei uma ou duas sentenças. Por essa razão, antes de se candidatar a empregos quantitativos em bolsa de fundos, é necessário realizar uma quantidade significativa de estudo de base. No mínimo, você precisará de um extenso conhecimento em estatística e econometria, com muita experiência em implementação, por meio de uma linguagem de programação como MATLAB, Python ou R. Para estratégias mais sofisticadas no final de frequência mais alta, seu conjunto de habilidades é provável para incluir modificação do kernel do Linux, C / C ++, programação de montagem e otimização de latência da rede.

Se você estiver interessado em tentar criar suas próprias estratégias de negociação algorítmica, minha primeira sugestão seria se programar bem. A minha preferência é criar o máximo de captura de dados, backtester de estratégia e sistema de execução por si mesmo possível. Se o seu próprio capital estiver na linha, você não dormiria melhor à noite sabendo que você testou completamente seu sistema e está ciente de suas armadilhas e problemas específicos? Terceirizar isso para um fornecedor, enquanto potencialmente economiza tempo a curto prazo, pode ser extremamente caro a longo prazo.

Apenas iniciando o comércio quantitativo?

3 razões para se inscrever para a lista de e-mails QuantStart:

1. Quant Trading Lessons.

Você terá acesso instantâneo a um curso de e-mail gratuito de 10 partes, repleto de sugestões e dicas para ajudá-lo a começar a negociação quantitativa!

2. Todo o conteúdo mais recente.

Todas as semanas, vou enviar-lhe um envoltório de todas as atividades no QuantStart para que você nunca mais perca uma postagem novamente.

Real, dicas de negociação viáveis, sem tonturas.

Estratégias de Negociação Quantitativas.

Aproveitando o Poder das Técnicas Quantitativas para Criar um Programa de Negociação de Vencimento & middot; Irwin Trader & # 39; s Edge.

por Lars Kestner.

Inscreva-se para guardar sua biblioteca.

Com uma conta OverDrive, você pode salvar suas bibliotecas favoritas para obter informações detalhadas sobre disponibilidade. Saiba mais sobre as contas OverDrive.

Aproveitando o poder das técnicas quantitativas para criar um programa de negociação ganhadora, as estratégias quantitativas de negociação da Lars Kestner levam os leitores através dos estágios de desenvolvimento e avaliação das estratégias de negociação técnica mais populares e comprovadas hoje. Quantificando cada decisão subjetiva no processo de negociação, este livro analítico avalia o trabalho de conhecidos "quants" de John Henry para Monroe Trout e apresenta 12 novas estratégias de negociação. Descobre inúmeros equívocos populares, e é certo fazer ondas & # 8212; e mudar as mentes & # 8212; no mundo da análise técnica e negociação.

Detalhes da Publicação.

Adobe PDF eBook 2,8 MB.

Lars Kestner (Autor)

Lars Kestner é um sócio fundador da empresa proprietária comercial Sabre II LLC e ex-vice-presidente de comércio de derivativos de capital no Salomon Smith Barney.

Abordagem Quant para Construir Estratégias de Negociação: Parte Um.

Recentemente, Quandl entrevistou um gerente de carteira quantitativo sênior em um grande hedge fund. Nós falamos sobre como ela constrói estratégias de negociação e # 8211, como ela transita de uma representação abstrata do mercado para algo concreto com poderes de predição genuínos.

Você pode nos dizer como você define novas estratégias de negociação?

Tudo começa com uma hipótese. Eu conjecturo que deve haver uma relação entre dois instrumentos, ou talvez haja um novo instrumento no mercado que esteja ganhando popularidade, ou talvez haja um fator macroeconômico incomum que eu descobri que impulsiona o comportamento de preços micro. Então escrevo uma equação - um modelo, se você quiser - que visa capturar esse relacionamento. Normalmente, haverá algum tipo de equação de processo que mostra como as variáveis ​​evoluem com o tempo, com um componente aleatório (estocástico).

O próximo passo é encontrar uma solução fechada para este modelo. Às vezes isso é fácil; às vezes isso leva dias e semanas de álgebra; às vezes não há uma solução fechada e eu tenho que me conformar com uma aproximação. Eu acho o kit de ferramentas de manipulação simbólica da Mathematica muito útil nesta etapa do processo.

Ok, então agora eu tenho um modelo do mercado. Eu preciso testar se é realista. Nesta fase, geralmente me volto para o Matlab. Eu assumo alguns valores plausíveis para vários parâmetros e executo algumas simulações. Os resultados simulados parecem razoáveis? Eles refletem, pelo menos conceitualmente, a dinâmica real do mercado?

Assumindo que o modelo passe por essa verificação de integridade, é hora de ir além da exploração ou ideação do céu azul e da pesquisa formal.

O que você quer dizer com "pesquisa formal"? E por que é necessário?

Refiro-me à transição de uma representação abstrata e estilizada do mercado para algo concreto e não ambíguo, com poderes preditivos genuínos.

É difícil construir modelos verdadeiramente preditivos. Mas é muito fácil enganar-se em pensar que você construiu um modelo preditivo, quando, na realidade, você simplesmente superou, ou usou testes na amostra, ou impôs um conhecimento exógeno em suas regras, ou o que você tem. A maioria dos "sistemas" se desmorona no mundo real por essa razão precisa.

Eu não quero que isso aconteça ao meu modelo; Vou arriscar dinheiro real com isso. Assim, ao longo dos anos, construí e aprimorei uma abordagem sistemática, lenta e constante que minimiza o risco de me enganar. É o que eu chamo de "pesquisa formal".

Quais as etapas que você inclui no seu processo formal de pesquisa?

No começo, meu maior medo é a contaminação de dados. A história é um recurso limitado; Depois de esgotar os dados históricos para testar, você não poderá gerar mais nenhum. Eu sou paranóico sobre não esgotar o meu fornecimento de dados não-contaminados fora da amostra.

Então começo dividindo meus dados históricos em partes não sobrepostas. Eu então randomizei para que eu mesmo não saiba qual pedaço é qual. (Isso protege contra os preconceitos subconscientes: por exemplo, ser averso ao risco quando sei que meu conjunto de dados de teste é 2008 ou está buscando o risco em 2009).

Eu designo um pedaço como meu conjunto de calibração. Eu costumo usar Python para calibração: eu uso suas bibliotecas de otimização embutidas e escrevi algumas das minhas próprias. Neste exemplo particular, meus parâmetros são restritos e correlacionados. Então eu uso um processo de otimização de 2 passos chamado algoritmo EM. Os otimizadores podem ser sensíveis às condições iniciais, então eu uso Monte Carlo para escolher uma série de pontos de partida no espaço da solução. Tudo isso é muito fácil de fazer em Python.

O resultado dessa calibração deve ser um conjunto de "parâmetros do modelo" - valores numéricos - que podem ser combinados com observações de mercado reais para prever outros preços de mercado.

Uma vez que calibrei o modelo, testei-o fora da amostra. As previsões são estáveis ​​e os resíduos estão a reverter? Se não, o modelo não funciona; tão simples como isso. Eu tento vários "truques" para quebrar o modelo. Por exemplo, eu calibro em dados mensais, mas teste em dados diários. Ou eu teste os parâmetros dos EUA nos dados do mercado canadense. Se o modelo reflete verdadeiramente a realidade econômica subjacente, deve ser bastante robusto para esses tipos de ataques. (Economia não muda quando você cruza fronteiras).

Então, você se separa estritamente na amostra e fora da amostra; você se cega a intervalos de dias; você usa Monte Carlo para evitar vieses de ponto inicial; e você tenta vários truques de robustez. O que mais você faz para garantir que você não está se enganando?

Eu coloco um prêmio muito alto em parcimônia. Se o meu modelo requer muitos parâmetros ou tem muitos graus de liberdade, é apenas um ajuste de curva; não é um modelo de todo. Então, estou constantemente tentando remover fatores. Se o modelo continuar trabalhando (e permanecer "rico") com vários fatores removidos, provavelmente é um bom.

Uma segunda prova de robustez é se o modelo funciona bem, independentemente da estratégia comercial que você desenvolve em cima disso. Se você só pode ganhar dinheiro usando uma regra de escala não-linear complexa com todos os tipos de condições de borda, então isso sugere uma falta de robustez.

Finalmente, não há substituto para os dados. Penso em todos os conjuntos de dados possíveis fora da amostra que eu possivelmente teste o modelo em: países diferentes, instrumentos diferentes, intervalos de tempo diferentes, diferentes freqüências de datas. O modelo tem que trabalhar em todos eles; Caso contrário, você tem uma tendência de seleção nos resultados.

Isso parece abrangente. O que acontece depois?

Armado com um modelo calibrado, o próximo passo é construir uma simulação de PL. Os resíduos de reversão média podem não ser suficientes se o conjunto de oportunidades for pequeno demais para compensar o pedido de oferta, ou se as explosões ocasionais matarem todos os meus lucros. Então eu preciso testar uma estratégia de negociação real usando o meu modelo. Aqui é onde eu tenho que exercitar o máximo cuidado: é muito fácil adaptar-se às curvas adicionando novas variáveis ​​livres, ou distorcer os resultados com conhecimento subconsciente, ou eliminar os valores discrepantes. Simplicidade, separação rigorosa de amostras e honestidade intelectual são importantes aqui.

Eu uso o Excel para back-testing. Esta é uma escolha deliberada: o Excel não é tão poderoso quanto o Python, e isso significa que há um limite superior sobre o quão complexo eu posso fazer minhas regras de negociação. Isso é uma coisa boa: uma estratégia que exige complexidade para ser rentável provavelmente não é uma boa estratégia, em primeiro lugar.

Excel também me permite ver meus pressupostos explicitados; é fácil perder o controle de tais coisas quando você está trabalhando no código. Ele me permite visualizar as estatísticas de desempenho (risco, retorno, rebaixamentos, eficiência de capital, taxa de Sharpe e assim por diante) de forma rápida e clara. Mesmo que meu modelo “funcione”, não há garantia de que uma estratégia de negociação construída em torno do modelo será economicamente viável, portanto, essas estatísticas são importantes.

Muito poucos modelos comerciais tornam-no passado todas as etapas acima: formulação de blue-sky e verificações de sanidade; calibração histórica e desempenho fora da amostra; estratégia de negociação back-test e rentabilidade. Mas, para os poucos que o fazem, agora é hora de entrar em produção. Este é um jogo de bola diferente.

Você pode ler a segunda parte da entrevista aqui. Nele, discutimos como a produção é um novo jogo de bola e onde obter idéias para novas estratégias. Também respondemos às questões do leitor na terceira parte da entrevista.

Alguma pergunta para o nosso quant? Comentários? Deixe-os abaixo e ela responderá a você. Gostaríamos de saber sobre seu processo de criação de estratégias de negociação.

Deixe uma resposta Cancelar resposta.

[& # 8230;] Abordagem de uma Quant para Construir Estratégias de Negociação: Parte 1 Abordagem de uma Quant para Construir Estratégias de Negociação: Parte Dois Abordagem de uma Quant para Construir Estratégias de Negociação: Parte Três [& # 8230;]

[& # 8230;] A abordagem da Quant "para Construir Estratégias de Negociação: Primeira Parte [Quandl] [& # 8230;]

[& # 8230;] parte da nossa entrevista com um gerente de portfólio quantitativo sênior em um grande hedge fund. Na primeira parte, ela discutiu a fase teórica da criação de uma estratégia de negociação quantitativa. No segundo [& # 8230;]

[& # 8230;] Статья с аггрегатора Quandl Resource Hub. [& # 8230;]

[& # 8230;] A abordagem da Quant's para Construir Estratégias de Negociação: Primeira Parte [Quandl] Recentemente, Quandl entrevistou um gerente de portfólio quantitativo sênior em um grande hedge fund. Nós falamos sobre como ela constrói estratégias de negociação como ela transita de uma representação abstrata do mercado para algo concreto com poderes preditivos genuínos. Você pode nos dizer como você define novas estratégias de negociação? Tudo começa com uma hipótese. Conjeco que deveria haver um [& # 8230;]

[& # 8230;] 1. Abordagem de uma Quant para Construir Estratégias de Negociação: Parte Um [& # 8230;]

Eu achei a entrevista bastante útil. No entanto, observo que você já usou Matlab, Python e Excel (e presumivelmente usam C # / C ++ / Java) para produção. Esse processo de mudança entre 4 línguas é pesado? Além disso, o que é em Matlab que você não pode fazer em Python ou vice-versa? Além disso, no que diz respeito ao Excel, não ache que, mesmo que a visualização seja útil, ele carrega muito risco operacional (as fórmulas não são arrastadas corretamente, a folha não foi atualizada corretamente, etc.)? Gostaria de ouvir sobre isso.

& gt; Esse processo de mudança entre 4 idiomas não é complicado?

Não é tão pesado. Eu normalmente acho que a parte mais entediante é garantir que os dados fluam de forma consistente e suave entre diferentes aplicativos ou idiomas. A tradução de sintaxe é fácil; tradução de dados, não tanto.

& gt; O que é em Matlab que você não pode fazer em Python ou vice-versa?

Estes dias, você está certo, não há muito que você não pode fazer em Python. E, de fato, me encontro usando Python cada vez mais. Mas nem sempre foi esse o caso; a infinidade de bibliotecas financeiras de código aberto em Python é um fenômeno relativamente recente.

& gt; No que diz respeito ao Excel, você não acha que, embora a visualização seja útil, ela carrega muito risco operacional (as fórmulas não são arrastadas corretamente, a folha não foi atualizada corretamente, etc.)?

Eu concordo totalmente. O Excel é frágil de várias maneiras: é fácil fazer erros operacionais, é impossível auditar; não é muito performante; paira nos momentos mais inconvenientes. Então você tem que ter muito cuidado em como e onde você usa o Excel. Dito isto, acho que os benefícios superam os muitos custos.

Eu achei a entrevista útil. No entanto, vejo que você já usou Matlab, Python e excel (e seria possivelmente usar C ++ / C # / Java / python para produção). Esse processo não é complicado? Além disso, o que é que no Matlab você não pode fazer em Python ou vice-versa? E você não consegue encontrar o Excel como um risco operacional (você geralmente arrasta e solta fórmulas que podem introduzir erros manuais, dependem de folhas atualizando corretamente, etc.)?

[& # 8230] Uma abordagem quantitativa para construir estratégias de negociação (quandl) [& # 8230]

Abordagem muito sensata. Eu particularmente gosto da importância dada à manutenção de seus dados OOS sacrosanct. O único aspecto com o qual tenho dúvidas é a remoção de fatores para testar a estabilidade. Talvez seja apenas o formato de entrevista tornando as coisas um pouco menos claras. Mas eu construo modelos de uma forma ascendente, não de cima para baixo. Um novo fator adiciona informações ou não é # 8217; t. Se o meu modelo de dois fatores tem IC maior que o meu modelo de três fatores, o terceiro fator é supérfluo e não deve ser adicionado em primeiro lugar. Então, por definição, a remoção de um fator de um modelo bem especificado sempre resultará em desempenho de previsão degradado.

Minhas desculpas, lvcm, eu não estava claro o suficiente. (Veja também a minha resposta a David, up-thread).

Eu não descarto fatores na minha fase de teste; Eu tento removê-los na minha fase de especificação. Se novos graus de liberdade não estiverem adicionando poder explicativo, eu os esvazio. Mas uma vez que eu mudei para testes e verificações de robustez, não faz sentido remover fatores. (Na verdade, eu nem sei o que isso significaria, não é como se você pudesse ignorar e # 8221; kappa ou o que for).

Manter o sacrossanto de dados OOS e # 8212; totalmente com você sobre isso. Se houver uma coisa, eu gostaria de poder martelar nas cabeças das pessoas, é a importância desse passo.

Eu faço Modelagem Quantitativa e análise para viver. Eu fiz alguns modelos interessantes em R até agora. O problema é que eu não sou nem bom em Python nem tenho horas para aprender isso, & # 8211; ser capaz de fazer tarefas confortavelmente. Existe uma maneira de colaborar com alguém que tenha experiência e conhecimento para fazer teste de volta, teste PL, etc.

É claro que posso fazer estimativas de modelos em relação aos preços históricos & # 8211; no entanto, isso não é suficiente. É necessário simular como o modelo teria sido executado se estivesse realmente operando.

Você já tentou usar o Quantopian para back-testing? Seu IDE (ambiente de desenvolvedor integrado) torna bastante fácil, embora exija conhecimento Python.

Também construí um ambiente de teste de retorno em Ruby (uma linguagem de programação semelhante ao Python).

De qualquer forma, ficaria feliz em ajudá-lo a traduzir seu modelo em algo programático.

Este é um informativo para entrevista como quant. Você poderia dar mais detalhes sobre o uso de Monte Carlo em parâmetros & # 8217; inicialização? Mais uma vez obrigado.

Estou um pouco surpreso com este artigo. Por que fazer um modelo estocástico fora do caminho que você gasta & # 8216; semanas & # 8217; resolver com álgebra auxiliada por computador, mas depois descartar a maioria dos parâmetros? Como o produto final poderia ser diferente de outras coisas?

Você me entende mal & # 8212; Minhas desculpas por não serem mais claras!

Tento descartar os parâmetros no início, quando eu especificando o meu modelo. Eu vi veados com modelos com 20 parâmetros de longo prazo e 12 graus diários de liberdade. Para mim, esses modelos não são, eles são articuladores universais: eles podem se encaixar em qualquer coisa. Eu nunca arrisquei dinheiro em nada que seja complexo.

Então eu tento ser tão parcimonioso quanto possível ao criar meu modelo.

Uma vez que eu defino um modelo que eu acho econômico e razoável, só então eu tento minhas verificações de robustez. E neste estágio eu não descarto parâmetros. Mas eu presto atenção às sensibilidades. Se a minha rentabilidade é incrivelmente sensível a um parâmetro específico atingindo um valor específico, e desmorona em perturbações menores, então eu suspeito que meu modelo é apenas # 8220; lucky & # 8221 ;, não inteligente. Mas concordo com você que a remoção de parâmetros inteiramente nesta fase seria boba.

Estou impressionado, o que você acha sobre regras de gerenciamento de dinheiro, como o tamanho ótimo de apostas?

Esta é uma excelente entrevista e agradeço que tenha aproveitado o tempo para fornecer informações sobre o seu projeto de estratégia. Isso seria muito demorado, mas seria possível fornecer um exemplo real usando um sistema real (independentemente de o sistema ser lucrativo ou não). Conceitualmente eu entendo o que você está dizendo, mas seria informativo para colocar exemplos reais para as etapas. Mais uma vez, obrigado pelo seu tempo.

Gostaria de fazer uma pergunta básica. Eu estou começando no campo da análise quantitativa. No entanto, você parece ser bastante experiente e neste campo há muito tempo. Gostaria de perguntar se as estratégias quantitativas ou técnicas estão lhe dando consistente & # 8216; confortável & # 8217; retorna. Você confia em um sistema ou continua mudando-o arbitrariamente e se você usa alguma análise fundamental também para auxiliar a análise técnica.

Você deve continuar evoluindo com os mercados. Nenhum sistema ou estratégia única funciona para sempre.

Eu gostaria de perguntar o que verificações e procedimentos adicionais são usados ​​quando um modelo é levado ao vivo, em particular como você monitora e gerencia de forma contínua o modelo uma vez que viveu? Você configura regras de monitoramento predefinidas ou disjuntores que retiram o modelo de ação automaticamente? Em caso afirmativo, como você constrói isso, quais tipos de medidas você usa neles? Também relacionado como você identifica e lida com períodos de desempenho abaixo do razoável? Esse desempenho inferior pode fazer uns modelos de dúvida e fazer parecer que um modelo parou de funcionar quando isso não é o caso.

I & # 8217; m tipo de antiquado & # 8212; Eu não acredito que os disjuntores realmente funcionem. Ou para ser mais preciso, as carteiras com disjuntores programáticos são de baixo desempenho das carteiras sem, a longo prazo. O raciocínio é que os disjuntores impedem que você saia de bons negócios com muita frequência, de tal forma que essas perdas superam as raras ocasiões em que elas o impedem de enfrentar grandes problemas.

Nota: Eu estou falando sobre portfólios clássicos de quantificadores aqui; não execução eletrônica ou HFT. Nos últimos casos, posso ver totalmente por que você deseja vários failafes e disjuntores; esses livros podem se afastar de você muito rápido. Mas essa não é minha área de especialização.

Dentro da minha área, observei alguns padrões em modelos que quebram. Para iniciantes, eles raramente explodem instantaneamente; em vez disso, ou a oportunidade simplesmente desaparece (arbitrada por copycats) ou o spread lentamente e imperceptivelmente se distancia cada vez mais do valor justo e nunca volta (mudança de regime).

Por outro lado, se uma negociação diverge e então a divergência se acelera, isso cheira muito mais a uma capitulação. Nesses casos, quero manter minha posição e, de fato, adicionar, se puder.

Portanto, a conclusão paradoxal é que quanto mais rápido um modelo perde dinheiro, mais provável é que ele ainda seja válido.

Boa sorte programando um disjuntor coerente para lidar com essa lógica!

Este é realmente um microcosmo do problema maior. Uma situação em que um disjuntor realmente ajudaria, quase certamente será uma perversão suficiente para evitar a maioria das tentativas a priori de definição. São as incógnitas desconhecidas que te pegam todas as vezes.

Nota importante: o acima mencionado é informado pela minha própria posição e preferência de risco. Eu sou suficientemente alto e bem sucedido o suficiente para que a maximização do portfólio seja o meu incentivo central. Se eu fosse mais jovem, manter meu emprego (ficar no jogo) seria o meu incentivo central. E, nesse caso, os disjuntores ajudam porque evitam perdas catastróficas e perdedoras de empregos, enquanto as perdas perdidas não aparecem em nenhum relatório da PL.

& gt; Como você identifica e lida com períodos de baixo desempenho razoável?

Esta é a pergunta de cem milhões de dólares! Gostaria de ter uma resposta definitiva e inequívoca para lhe dar & # 8212; isso também me ajudaria 🙂

Obrigado pelo feedback. Eu tire um pouco de conforto do fato de que os quants profissionais também lutam com esse tipo de perguntas.

Mais uma pergunta se eu puder # 8212; Eu tentei com as idéias de (mas ainda não realmente testadas / simuladas / implementadas) mais & # 8220; gradual & # 8221; tipo de gerenciamento / monitoramento, e. onde você controla, diga a quantidade de capital comprometida com um modelo particular (ou cesta de modelos) e reduza ou desce o tempo gradualmente ao longo do tempo, dependendo do desempenho agregado do modelo.

A idéia básica seria que o processo de gerenciamento teria uma visão de longo prazo para não levar o modelo # 8220; fora & # 8221; dos mercados de rebaixamentos razoáveis ​​/ esperados (devido à observação de uma amostra suficientemente grande de desempenho), enquanto ainda assegurando que o modelo finalmente pare de ser negociado se os retornos forem reduzidos ou negativos para um tamanho de amostra representativo.

Claro que essa idéia não seria garantia contra perdas como tal, mas a esperança seria que poderia ser suficiente, pelo menos, impedir um estilo de explosão LTCM.

(Para adicionar: acho que parece-me que um dos erros com a explosão LTCM foi assumir que seus modelos sempre funcionariam e, portanto, eles não tinham nenhum plano, nenhum nível de monitoramento, nada para dizer-lhes o sistema fora do conhecido / parâmetros esperados, reduzir a escala para preservar o capital & # 8221 ;. E eu gostaria de aprender e evitar esse tipo de erro, se for possível & # 8230;)

Você mencionou "mudança de regime" & # 8221 ;. Então, como você decide que seu comércio perdeu o suficiente para você considerar seu modelo não funcionar mais? Eu acho um & # 8220; Post # 3: monitoramento e manutenção / # 8221; seria legal 😀 Obrigado por compartilhar!

Tudo muito sensato. Eu achei este comentário interessante:

& # 8221; Por exemplo, eu calibro em dados mensais, mas teste em dados diários. & # 8221;

Eu acho que depende do que você quer dizer com & # 8216; calibração & # 8217; Mas isso me pareceu um pouco incomum.

Deixe-o simples e suponha que eu tentei capturar tendências (lentas) usando um crossover médio móvel. Eu jogo com dados mensais até conseguir algo que eu acho que funciona. Para mover para dados diários eu deveria multiplicar alguns parâmetros por.

20 (como os comprimentos médios móveis) porque há cerca de 20 dias úteis em um mês de calendário e outros por.

sqrt (20) [vários parâmetros de escala muito chatos para discutir aqui]. Mas o modelo ainda deve se comportar da mesma maneira. O volume de negócios, por exemplo, não deve aumentar quando eu passo para o diário.

Por outro lado, se eu manter os parâmetros o mesmo, em vez de recomeçar, digamos uma tendência de 6 meses, eu estou escolhendo uma tendência de 6 dias úteis. Mas o sweet spot para a tendência que segue a maioria dos ativos tende a ser um pouco mais lento do que isso, portanto, é improvável que pareça tão bom. Também o meu volume de negócios será muito maior, mas então você espera isso. Para colocar de outra maneira, não estou certo de que todos os aspectos do comportamento do mercado sejam "fractal". de modo que eu possa aplicar exatamente o mesmo modelo a diferentes escalas de tempo.

Oi Rob Poster original aqui. Obrigado por um comentário mais perspicaz!

Os mercados são fractais? Grande pergunta e uma que passei muitas noites debatendo sobre escocês.

Pessoalmente, acho que não são, porque certos eventos exógenos atuam como uma função de forçamento: chamadas diárias de margem de câmbio, MTM mensais para hedge funds, demonstrações financeiras trimestrais para bancos abertos. Esses eventos causam * algo * para acontecer (não importa o que) nessas freqüências. Portanto, nem todas as escalas de tempo são criadas iguais, e simplesmente acelerar / abrandar o relógio é * não * uma abordagem "neutra".

Então, na verdade, estou muito cauteloso sobre * quais * estratégias que eu faria com esse tipo de mudança de tempo.

Aqui está uma estratégia de brinquedos onde o deslocamento do tempo pode funcionar. Pegue 2 tiras de futuros no mesmo “espaço” - talvez trigo de inverno e primavera. Procure casos em que 1 é retrocedido e o outro em contango. Compre a frente baixa, venda de volta alta, venda frente alta, compre de volta baixa. Uma estratégia totalmente simples, quase "burra", mas para muitos pares de futuros costumava funcionar bem.

Este é um ótimo exemplo para mudar as escalas de tempo. Essa estratégia deve funcionar se você amostrar / reequilibrar semanalmente, mensalmente ou trimestralmente - porque as variáveis ​​de decisão são estado puro, sem caminho. Não estamos olhando para históricos de preços; nem estamos olhando para instrumentos com um componente de tempo (ligações que se acumulam, ou opções que decaem, ou passeios aleatórios com um desvio). Então, dado que a estratégia está realmente limpa, podemos sair com esse tipo de teste de robustez.

(Caveat: bid-ask é o fator de complicação aqui - sua escala de tempo escolhida precisa ser grande o suficiente para permitir uma ação de preço que supera a fricção. Bid-ask é a perdição de quants em todos os lugares.)

Mas eu nunca aplicaria esse mesmo teste para dizer uma estratégia de acompanhamento de tendências. Isso suscitaria todo tipo de questões filosóficas. O que significa para uma estratégia ter um “ponto ideal” em, digamos, 9 dias, ou 200 dias, ou sempre? Ao otimizar esse ponto doce, você está ajustando? Ou o fato de que quase todos usam 9d e 200d criam uma profeção auto-realizável, e esses números representam algo estrutural sobre o mercado? Ouvi argumentos convincentes em ambos os sentidos. E se você testou seus dados no intervalo X e, em seguida, fez as médias móveis de 9X e 200X e # 8212; Isso funcionaria? Diversas questões filosóficas; Eu não tenho certeza das respostas eu mesmo.

Outras notas: Eu concordo que a "calibração" foi uma escolha desleixada de palavra por mim naquela frase particular. "Ideação" teria sido melhor. Se você estiver calibrando, você já está apresentando mais estrutura do que a mudança de horário pode manipular com segurança.

Você está absolutamente correto re (t) e sqrt (t) - e eu concordo com você, muito chato para discutir aqui.

Mais uma vez obrigado pelo comentário!

Eu acho que & # 8220; calibre em dados mensais, mas teste em dados diários & # 8221; significa recalibrar um modelo de rolamento (como, por exemplo, uma regressão contínua) todos os meses, mas usando dados diários. Em seguida, teste com esse modelo recalibrado no mês seguinte, novamente usando dados diários.

Um pouco como um método avançado de teste?

Desculpe por não ser claro. O que eu quis dizer estava mais perto da interpretação original de Rob: Eu construo uma idéia com dados amostrados na freqüência X, mas depois testei com dados amostrados na freqüência Y. A repetição ou a recalibração mensal é um exercício separado, que eu gostaria empreender após o modelo ter sido "em produção" # 8221; por algum tempo.

Aves tardias obtêm o worm: dados de pagamento e força da empresa.

Em um recente artigo do Huffington Post, o chefe de Educação Global da Visa, Nathaniel Sillin, escreveu: "Compreender o quanto custa gerenciar uma casa e a importância de pagar as suas contas no tempo pode ajudá-lo a evitar erros onerosos". Enquanto muitos leitores provavelmente assentirão De acordo, o sábio conselho de Sillin não é tão universal quanto você imagina. Pelo menos não no mundo dos negócios. Bloomberg citou um relatório do parceiro de Quandl Dun & amp; Bradstreet (essencialmente a Experian e Equifax do mundo dos negócios), alegando que “para grandes empresas,. . . as coisas são diferentes. Por um lado, eles.

A Paisagem dos Dados da Indústria Automóvel.

Uma vez que o homem primeiro inventou a roda, nossa necessidade de otimizar a forma como nos deparamos foi uma obsessão quase primitiva. Desde o advento do primeiro veículo motorizado até carros autônomos, a indústria automobilística evoluiu rapidamente em sua adoção da tecnologia. Agora estamos experimentando o que provavelmente é o maior avanço no setor automotivo desde que Henry Ford projetou pela primeira vez sua linha de montagem em movimento: o aumento do carro conectado. Por estimativas de inteligência de BI da Scotiabank, em 2020, mais de 75% dos novos carros enviados serão conectados à Internet. Desde a leitura das notificações do Facebook até a medição da segurança e da integridade do motor.

Icebergs, camaleões e víboras: uma pesquisa de execução FX.

O mercado de câmbio há muito tem sido o mais descentralizado e opaco de todos os mercados. Como resultado, os comerciantes da FX trabalham sob grandes desvantagens informativas em comparação com seus pares em outras classes de ativos. Diferentemente dos mercados acionários, nos quais as regulamentações da SEC determinam que as bolsas públicas informem os preços das transações e os volumes de negociação diários, o FX não possui tais fontes de dados unificadas. Não há trocas centrais, buracos ou quadros de avisos. Em vez disso, as transações FX ocorrem através de um milhão de telefonemas, visitas de clientes, threads de e-mail e plataformas de negociação. Todo o mercado é de balcão, festa para festa, e ninguém sabe o que qualquer outra pessoa está fazendo além.

Gekko Quant - Negociação Quantitativa.

Negociação Quantitativa, Arbitragem Estatística, Aprendizado de Máquina e Opções Binárias.

Arquivo da Categoria: Estratégia de Negociação.

Pós-navegação.

Spreads de crédito de alta probabilidade & # 8211; Usando curvas de regressão linear.

Encontrei essa série de vídeos durante o fim de semana, um negociante de opções discute como ele troca spreads de crédito (principalmente busca reversão média). A maioria de vocês estará familiarizado com as bandas bollinger como uma estratégia comum de reversão média, essencialmente você toma a média móvel e o desvio padrão móvel do estoque. Em seguida, traça em seu gráfico a média móvel e uma banda superior e inferior (média móvel +/- n * desvios padrão).

Supõe-se que o preço irá reverter para a média móvel, portanto, qualquer movimento de preço para as bandas é um bom ponto de entrada. Um problema comum com essa estratégia é que a média móvel é um indicador de LAGGING e geralmente é muito lenta para rastrear o preço se um longo período de lookback é usado.

O Vídeo 1 apresenta uma técnica chamada Curvas de regressão linear # 8220; # 8221; cerca de 10 minutos. As curvas de regressão linear visam resolver o problema de que a média móvel seja lenta para rastrear o preço.

Curva de Regressão Linear vs Média Móvel Simples.

Veja quão firmemente a curva de regressão linear azul segue o preço de fechamento, é significativamente mais rápido identificar voltas no mercado onde a média móvel simples tem um erro de rastreamento considerável. O MSE poderia ser usado para quantificar o aperto.

Como calcular a curva de regressão linear:

Neste exemplo você tem 100 preços de fechamento para seu estoque dado. A barra 1 é o preço mais antigo, a barra 100 é o preço mais recente. Nós usaremos uma regressão de 20 dias.

1. Tome os preços 1-20 e desenhe a linha de melhor ajuste através deles.

2. No final da sua melhor linha de ajuste (então barra 20), desenhe um pequeno círculo.

3. Pegue os preços 2-21 e desenhe a linha de melhor ajuste através deles.

4. No final da sua linha de melhor ajuste (assim barra 21) desenhe um pequeno círculo.

5. Repetir até o bar 100.

6. Junte todos os seus círculos pequenos, esta é a sua curva de regressão linear & # 8217;

Então, em poucas palavras, você acaba de juntar as extremidades de uma regressão linear rolante.

É & # 8216; risco & # 8217; recompensado nos mercados de ações?

Esta publicação procura examinar se a frase bem conhecida & # 8220; quanto maior o risco, maior a recompensa & # 8221; aplica-se aos constituintes do FTSE 100. Numerosos modelos tentaram capturar métricas de recompensa de risco, o mais conhecido é o Modelo de Preços de Alocação de Capital (CAPM). O CAPM tenta quantificar o retorno de um investimento que um investidor deve receber para ser adequadamente compensado pelo risco que assumiu.

O código abaixo calcula o desvio padrão de rolamento dos retornos, & # 8216; o risco & # 8217 ;, para os constituintes FTSE 100. Em seguida, agrupa os estoques em quartis por essa métrica de risco, os grupos são atualizados diariamente. Quartil 1 é o menor estoque de volatilidade, o quartil 2 é o mais alto. Um índice igualmente ponderado ($ amt) é criado para cada quartil. De acordo com a teoria acima, Q4 (high vol) deve produzir os maiores retornos cumulativos.

Ao usar um lookback de 1 mês para o cálculo stdev, há um índice vencedor claro, o menor índice vol (preto). Curiosamente o segundo melhor índice é o maior índice vol (azul). O gráfico acima é calculado usando os retornos aritméticos.

Ao usar um lookback mais longo de 250 dias, um ano comercial, o índice vol mais alto é o melhor desempenho e o menor índice vol, o pior desempenho.

Para o lookback curto (30 dias), o índice de baixa voltagem foi o melhor desempenho.

Para um longo lookback (250 dias), o índice de alta voltagem foi o melhor desempenho.

Uma possível explicação (não testada) é que, para um curto lookback, a métrica de risco de volatilidade é mais sensível às movimentações no estoque e, portanto, em um anúncio de notícias / ganhos, o estoque tem maior probabilidade de se deslocar do índice atual de ele em um índice vol maior. Talvez não seja razoável supor que o índice vol elevado contenha apenas as ações que tiveram um anúncio recente / volatilidade temporária e estão em um período de consolidação ou reversão à média. Ou, para colocar de outra forma, para visões curtas, o índice de vol alto não contém os estoques que são permanentemente altamente vol, enquanto que, para os longos retrocessos, quaisquer desvios vol temporários são suavizados.

Abaixo estão os mesmos gráficos acima, mas para retornos geométricos.

Otimização de Parâmetro & # 038; Backtesting & # 8211; Parte 2.

O código apresentado aqui terá como objetivo otimizar uma estratégia com base no indicador de média móvel simples. A estratégia será longa quando a média móvel A & gt; média móvel B. A otimização é determinar o período para fazer cada uma das médias móveis A & amp; B.

Por favor, note que esta não pretende ser uma boa estratégia, é meramente aqui dar um exemplo de como otimizar um parâmetro.

TradingStrategy esta função implementa a lógica de negociação e calcula os retornos RunIterativeStrategy esta função itera através de possíveis combinações de parâmetros e chamadas TradingStrategy para cada novo conjunto de parâmetros CalculatePerformanceMetric leva uma tabela de retornos (de RunIterativeStrategy) e executa uma função / métrica em cada conjunto de retornos. PerformanceTable chama CalculatePerformanceMetric para muita métrica diferente e compila os resultados em uma tabela OrderPerformanceTable nos permite solicitar a tabela de desempenho por uma determinada métrica, ou seja, ordem pela maior razão de sharpe SelectTopNStrategies seleciona as melhores N estratégias para uma métrica de desempenho especificada (charts. PerformanceSummary só pode enredo.

20 estratégias, portanto, essa função para selecionar uma amostra) FindOptimumStrategy faz o que diz na lata.

Estratégia de Negociação & # 8211; VWAP Mean Reversion.

Esta estratégia vai usar o preço médio ponderado do volume (VWAP) como um indicador para a versão média comercial de volta ao VWAP. Razão Annual Sharpe (Rf = 0%) é 0.9016936.

Esta publicação é uma resposta para o gekkoquant / 2012/07/29 / trading-strategy-sp-vwap-trend-follow / onde houve um erro no código indicando que o VWAP não foi revertido (este didn & # 8217; t sentar bem comigo, ou algumas das pessoas que comentaram). Como sempre, não tome a minha palavra para nada, teste a estratégia sozinha. Um dos perigos de usar R ou Matlab é que é fácil para viés direto encaixar no seu código. Existem bibliotecas, como Quantstrat for R, que protegem contra isso, mas eu encontrei-os terrivelmente lento para correr.

Todas as condições são verificadas no fechamento, e a negociação é mantida por um dia a partir do fechamento Se o preço / vwap & gt; uLim ir curto Se o preço / vwap & lt; Passei muito tempo.

Estratégia de Negociação & # 8211; S & # 038; P VWAP Tendência Siga (BUGGY)

ACTUALIZAÇÃO: Os retornos excepcionais vistos nessa estratégia foram devidos a 2 dias de avanço no sinal (e depois à direção comercial subsequente), ou seja, quando os retornos foram calculados para o dia T, o sinal de troca utilizado foi no dia T + 2.

Esse viés ocorreu nas linhas:

Tanto o quadro de dados de sinal quanto o comércio tiveram as datas corretas para cada sinal / transações no entanto, quando o comércio de índice * ocorreu, o comércio foi tratado como vetores não datados (que é 2 elementos mais curtos que o índice ret), portanto, o deslocamento de 2 dias. A moral dessa história é fundir os quadros de dados antes de se multiplicar!

Obrigado por todos que comentaram sobre isso, um post corrigido é seguir!

Essa estratégia usará o preço médio ponderado por volume (VWAP) como um indicador para determinar a direção da tendência atual e negociar na mesma direção da tendência. Razão Annual Sharpe (Rf = 0%) é 8.510472.

Todas as condições são verificadas no fechamento, e a negociação é mantida por um dia a partir do fechamento Se o preço / vwap & gt; uLim ir longo Se o preço / vwap & lt; lLim vai curto.

Inicialmente eu pensei que o preço seria médio revertendo para VWAP (isso pode ser visto em dados de alta frequência), no entanto, isso não parece ser o caso com dados EOD. Para uma estratégia tão simples, estou espantado que a proporção de Sharpe seja tão alta (suspeitamente alta). O código foi verificado por dupla e tripple para ver se algum viés de redirecionamento ocorreu, no entanto, eu não vi nada.

Estratégias de negociação algorítmica, paradigmas e idéias de modelagem.

"Os olhares podem enganar", disse uma pessoa sábia. A frase é válida para estratégias de negociação algorítmica. O termo estratégias de negociação algorítmica pode parecer muito sofisticado ou muito complicado. No entanto, o conceito é muito simples de entender, uma vez que o básico é claro. Neste artigo, vou contar-lhe sobre estratégias de negociação algorítmica com alguns exemplos interessantes.

Se você olhar para o exterior, um algoritmo é apenas um conjunto de instruções ou regras. Esses conjuntos de regras são então utilizados em uma bolsa de valores para automatizar a execução de pedidos sem intervenção humana. Esse conceito é chamado de Algorithmic Trading.

Deixe-me começar com uma estratégia de negociação muito simples. Aqueles que já estão em negociação saberiam sobre S. M.A e para aqueles que não; S. M.A é uma média móvel simples. S. M.A pode ser calculado usando qualquer número de dias predefinido e fixo. Uma estratégia de negociação algorítmica baseada em S. M.A pode ser simplificada nestes quatro passos simples:

Calcular 5 dias SMA Calcular 20 dias SMA Tome uma posição longa quando o SMA de 5 dias é maior ou igual a SMA de 20 dias. Tome uma posição curta quando o SMA de 5 dias é menor do que SMA de 20 dias.

Referimo-nos a esta estratégia de negociação algorítmica como Estratégia de Crossover de Mudança Média. Este foi apenas um exemplo simples. Agora, não consiga pensar que tudo vai ser uma cama de rosas. Mesmo que fosse, então esteja preparado para os espinhos. No comércio diário, algoritmos de negociação muito mais complexos são usados ​​para gerar estratégias de negociação algorítmicas.

Todas as estratégias de negociação algorítmica que estão sendo usadas hoje podem ser classificadas amplamente nas seguintes categorias:

Momentum / Tendência Seguindo Arbitragem Arbitragem Estatística Market Making.

Deixe-me entrar em algum detalhe.

Estratégias baseadas em Momentum.

Supondo que haja uma tendência particular no mercado. Como um comerciante algo, você está seguindo essa tendência. Além de nossa suposição, os mercados estão dentro da semana. Agora, você pode usar estatísticas para determinar se essa tendência vai continuar. Ou se vai mudar nas próximas semanas. Conseqüentemente, você fará seu próximo passo. Você baseou sua estratégia de negociação algorítmica nas tendências de mercado que você determinou usando estatísticas.

Esse método de seguir as tendências é chamado de estratégia baseada em Momentum.

Existem inúmeras maneiras de implementar esta estratégia de negociação algorítmica e discuti isso detalhadamente em um dos nossos artigos anteriores, intitulado "Metodologia de Quantificação de Notícias para Negociação Automatizada"

Se assumirmos que uma farmácia deve ser comprada por outra empresa, então o preço das ações da nossa empresa poderia subir. Isso é desencadeado pela aquisição, que é um evento corporativo. Se você planeja investir com base nas ineficiências de preços que podem acontecer durante um evento corporativo (antes ou depois), você está usando uma estratégia baseada em eventos. Falência, aquisição, fusão, spin-off etc. pode ser o evento que impulsiona esse tipo de estratégia de investimento.

Essas estratégias podem ser neutras no mercado e usadas amplamente pelos hedge funds e proprietários.

Arbitragem estatística.

Quando uma oportunidade de arbitragem surgir por causa do misquoting nos preços, pode ser muito vantajosa para a estratégia de negociação algo. Embora tais oportunidades existam por um período muito curto, pois os preços no mercado são ajustados rapidamente. E é por isso que este é o melhor uso de estratégias de negociação algorítmicas, uma vez que uma máquina automatizada pode acompanhar essas mudanças instantaneamente.

Por exemplo, se o preço da Apple cai abaixo de US $ 1, a Microsoft cairá em US $ 0,5, mas a Microsoft não caiu, então você irá vender a Microsoft para obter lucro. Você pode ler sobre os equívocos comuns que as pessoas têm sobre Arbitragem Estatística aqui.

Making Market.

Para entender o mercado, deixe-me falar sobre os Market Makers.

De acordo com a Wikipedia:

Um fabricante de mercado ou um provedor de liquidez é uma empresa ou um indivíduo que cita tanto um preço de compra quanto um preço de venda em um instrumento financeiro ou mercadoria mantido em inventário, na esperança de obter lucros no spread de oferta, ou virar.

A criação de mercado proporciona liquidez a valores mobiliários que não são comercializados com freqüência na bolsa de valores. O fabricante de mercado pode aumentar a equação da oferta e oferta de valores mobiliários. Deixe-me lhe dar um exemplo:

Vamos assumir que você tem Martin, um fabricante de mercado, que compra para Rs. 500 do mercado e vendê-lo em 505. Ele lhe dará uma cotação de ofertas de Rs. 505-500. O lucro de Rs. 5 não podem ser vendidos ou trocados por dinheiro sem perda substancial de valor. Quando Martin assume um risco maior, então o lucro também é maior.

Eu encontrei o livro de Michael Lewis 'Flash Boys' no Indian Bull Market bastante interessante e fala sobre liquidez, mercado e HFT em grande detalhe. Verifique isso depois de terminar de ler este artigo.

Uma vez que você precisará ser analítico e quantitativo ao entrar ou atualizar para negociação algorítmica é imprescindível aprender programação (alguns, se não todos) e criar sistemas infalíveis e executar a estratégia de negociação algorítmica correta. Ler este artigo sobre Automated Trading with Interactive Brokers usando Python será muito benéfico para você. Você pode ler o artigo aqui.

Paradigmas & amp; Idéias de modelagem.

Agora que eu o introduzi em estratégias de negociação algorítmicas, vou lançar luz sobre os paradigmas de estratégia e as idéias de modelagem pertencentes a cada estratégia.

Market Making Arbitrage Estatístico Momentum Machine Learning Based.

Making Market.

Como eu mencionei anteriormente, o principal objetivo do mercado é infundir liquidez em valores mobiliários que não são negociados em bolsas de valores. Para medir a liquidez, levamos em consideração o spread e os volumes de negociação entre licitações.

Os algoritmos de negociação tendem a lucrar com o spread bid-ask. Eu vou me referir ao nosso amigo, Martin, novamente nesta seção. Martin é um fabricante de mercado é um provedor de liquidez que pode citar tanto em comprar e vender lado em um instrumento financeiro com a esperança de lucrar com o spread oferta-oferta. Martin aceita o risco de segurar os valores mobiliários para os quais ele citou o preço e, uma vez que o pedido é recebido, ele normalmente venderá imediatamente de seu próprio inventário. Ele pode procurar uma oferta de compensação em segundos e vice-versa.

Quando se trata de títulos ilíquidos, os spreads são geralmente mais altos e os lucros também. Martin assumirá um risco maior neste caso. Vários segmentos no mercado carecem de interesse do investidor por falta de liquidez, pois não conseguem obter saída de vários estoques de pequena e média capital em qualquer momento.

Fabricantes de mercado como Martin são úteis porque estão sempre prontos para comprar e vender ao preço indicado. Na verdade, grande parte do comércio de alta freqüência (HFT) é a comercialização passiva de mercado. As estratégias estão presentes em ambos os lados do mercado (muitas vezes simultaneamente) competindo entre si para fornecer liquidez para aqueles que precisam.

Então, quando esta estratégia é mais lucrativa?

Esta estratégia é rentável desde que o modelo preveja com precisão as futuras variações de preços.

Modelando idéias com base neste Paradigma.

O spread e o volume comercial de oferta e solicitação podem ser modelados juntos para obter a curva de custo de liquidez que é a taxa paga pelo comprador de liquidez. Se o comprador de liquidez apenas executa ordens na melhor oferta e peça, a taxa será igual à oferta solicita espalhar o volume. Quando os comerciantes vão além da melhor oferta e pedem mais volume, a taxa também se torna uma função do volume.

O volume comercial é difícil de modelar, pois depende da estratégia de execução dos compradores de liquidez. O objetivo deve ser encontrar um modelo para volumes comerciais consistente com a dinâmica dos preços. Os modelos de fabricação de mercado geralmente são baseados em um dos dois:

O primeiro centra-se no risco de inventário. O modelo baseia-se na posição de estoque preferencial e nos preços com base no apetite de risco. O segundo é baseado em seleção adversa que distingue entre comércio informado e ruído. Os negócios de ruído não possuem qualquer visão no mercado, enquanto os negócios informados fazem. Quando a visão do comprador de liquidez é de curto prazo, seu objetivo é fazer lucro a curto prazo utilizando a vantagem estatística. No caso da visão de longo prazo, o objetivo é minimizar o custo da transação. As estratégias de longo prazo e as restrições de liquidez podem ser modeladas como ruído em torno das estratégias de execução de curto prazo.

Para saber mais sobre o Market Makers, você pode conferir este interessante artigo no blog da QuantInsti.

Arbitragem estatística.

Se Market Making é a estratégia que faz uso do spread bid-ask, a Statistical Arbitrage procura lucrar com o mispricing estatístico de um ou mais ativos com base no valor esperado desses ativos.

Uma maneira mais acadêmica de explicar a arbitragem estatística é espalhar o risco entre mil e milhões de negócios em um tempo de espera muito curto, esperando obter lucro com a lei de grandes números. Algoritmos de Arbitragem Estatística são baseados na hipótese de reversão média, principalmente como um par.

O comércio de pares é uma das várias estratégias coletivamente referidas como Estratégias de Arbitragem Estatística. A estratégia de comércio em pares, os estoques que exibem co-movimentação histórica nos preços são emparelhados usando semelhanças fundamentais ou baseadas no mercado. A estratégia baseia-se na noção de que os preços relativos de um mercado estão em equilíbrio e que os desvios desse equilíbrio eventualmente serão corrigidos.

Quando um estoque supera o outro, o outperformer é vendido em curto e o outro estoque é comprado com a expectativa de que o desvio de curto prazo acabará em convergência. Isso muitas vezes protege o risco de mercado de movimentos de mercado adversos, ou seja, torna a estratégia beta neutra. No entanto, o risco total de mercado de uma posição depende do valor do capital investido em cada ação e da sensibilidade das ações a esse risco.

As Estratégias Momentum procuram lucrar com a continuação da tendência existente, aproveitando as mudanças no mercado.

"Em palavras simples, compre alto e venda mais alto e vice-versa".

E como conseguimos isso?

Nesta estratégia particular de negociação, tomaremos posições de curto prazo em ações que estão indo para cima ou para baixo até que eles apresentem sinais de reversão. É contra-intuitivo para quase todas as outras estratégias bem conhecidas. O investimento em valor geralmente é baseado em reversão de longo prazo, enquanto o investimento em impulso é baseado na diferença no tempo antes da reversão média ocorrer.

Momentum está perseguindo o desempenho, mas de forma sistemática aproveitando outros caçadores de desempenho que estão tomando decisões emocionais. Geralmente, há duas explicações dadas para qualquer estratégia que tenha provado funcionar historicamente, ou a estratégia é compensada pelo risco extra que leva ou há fatores comportamentais devido ao qual existe.

Há uma longa lista de preconceitos comportamentais e erros emocionais que os investidores exibem devido a qual impulso funciona. No entanto, isso é mais fácil de dizer do que feito, pois as tendências não duram para sempre e podem exibir reversões rápidas quando atingem o pico e chegam ao fim. O Momentum Trading tem maior grau de volatilidade do que a maioria das outras estratégias e tenta capitalizar a volatilidade do mercado. É importante o tempo de compra e venda corretamente para evitar perdas usando técnicas adequadas de gerenciamento de risco e perdas. O investimento de impulso requer um monitoramento adequado e uma diversificação apropriada para proteger contra choque grave.

Em primeiro lugar, você deve saber como detectar o impulso do preço ou as tendências. Como você já está em negociação, você sabe que as tendências podem ser detectadas por ações e ETFs constantes que continuaram por dias, semanas ou até vários meses seguidos. Por exemplo, identifique a negociação de ações dentro de 10% de suas 52 semanas de alta ou veja a variação de preço percentual nas últimas 12 ou 24 semanas. Da mesma forma que detectar uma tendência mais curta, inclua uma mudança de preço de curto prazo.

Se você se lembrar, em 2008, o setor de petróleo e energia foi continuamente classificado como um dos principais setores, mesmo quando estava em colapso. Podemos também procurar ganhos para entender os movimentos nos preços das ações. As estratégias baseadas em retornos passados ​​("estratégias de impulso de preços") ou na surpresa de lucros (conhecidas como "estratégias de impulso de ganhos") exploram a sub-reação do mercado a diferentes itens de informação. Uma estratégia de ganho de lucros pode lucrar com a reação negativa a informações relacionadas a ganhos de curto prazo. Da mesma forma, uma estratégia de impulso de preços pode se beneficiar da resposta lenta do mercado a um conjunto mais amplo de informações, incluindo rentabilidade a longo prazo.

Aprendizado de máquinas baseado.

Na negociação baseada em Aprendizado de Máquinas, os algoritmos são usados ​​para prever o alcance de movimentos de preços de curto prazo em um determinado intervalo de confiança. A vantagem do uso da Inteligência Artificial (IA) é que os humanos desenvolvem o software inicial e o próprio AI desenvolve o modelo e o melhora ao longo do tempo. Um grande número de fundos conta com modelos de computador construídos por cientistas de dados e quads, mas geralmente são estáticos, ou seja, não mudam com o mercado. Modelos baseados em ML, por outro lado, podem analisar grandes quantidades de dados em alta velocidade e melhorar-se através de tais análises.

Uma forma de inclinação de máquina chamada "redes bayesianas" pode ser usada para prever as tendências do mercado ao utilizar algumas máquinas. Uma AI que inclui técnicas como a computação evolutiva (que é inspirada pela genética) e a aprendizagem profunda podem ser executadas em centenas ou mesmo em milhares de máquinas. Ele pode criar uma coleção grande e aleatória de operadores de ações digitais e testar seu desempenho em dados históricos. Em seguida, escolhe os melhores artistas e usa seu estilo / padrões para criar um novo comerciante evoluído. Este processo se repete várias vezes e um comerciante digital que pode operar completamente por conta própria é criado.

Este processo se repete várias vezes e um comerciante digital que pode operar completamente por conta própria é criado.

Estes foram alguns paradigmas de estratégia importantes e idéias de modelagem. Em seguida, passaremos pelo procedimento passo a passo para construir uma estratégia de negociação.

Você pode aprender esses Paradigmas com grande detalhe no Programa Executivo da QuantInsti em Negociação Algorítica (EPAT), um dos mais extensos cursos de negociação algorítmica disponíveis on-line com gravações de conferências e acesso e suporte de vida.

Construindo uma estratégia de negociação algorítmica.

Das estratégias de troca de ideias para paradigmas e idéias de modelagem, eu venho a essa seção do artigo onde eu direi como construir uma estratégia básica de negociação algorítmica.

Como você começa com a implementação de estratégias de troca de algo?

Essa é a primeira questão que deve ter vindo à sua mente, eu presumo. O objetivo é que você já começou conhecendo os conceitos básicos e paradigmas das estratégias de negociação algorítmica ao ler este artigo. Agora, que o nosso motor de trator tenha o motor ligado, é hora de pressionar o acelerador.

E como exatamente isso é feito?

Vou explicar como uma estratégia de negociação algorítmica é construída, passo a passo. A descrição concisa lhe dará uma idéia sobre todo o processo.

O primeiro passo é decidir o paradigma da estratégia. Pode ser uma estratégia baseada no Arq. Baseada em Arbitragem, Alfa, Hedge ou Execução. Para esta instância particular, vou escolher o comércio de pares, que é uma estratégia de arbitragem estatística que é neutra no mercado (Beta neutro) e gera alfa, ou seja, faz dinheiro independentemente do movimento do mercado.

Você pode decidir sobre os valores reais que deseja negociar com base na visão do mercado ou através de correlação visual (no caso de estratégia de negociação de par). Estabeleça se a estratégia é estatisticamente significativa para os títulos selecionados. Por exemplo, no caso de troca de pares, verifique se há co-integração dos pares selecionados.

Agora, codifique a lógica com base na qual você deseja gerar sinais de compra / venda em sua estratégia. Para verificação de troca de pares para "reversão média"; calcule o z-score para a propagação do par e gere sinais de compra / venda quando você espera que ele retorne a significar. Decida sobre as condições de "Stop Loss" e "Taking Prat".

Stop Loss & # 8211; Um pedido de stop-loss limita a perda de um investidor em uma posição em uma garantia. Ele dispara uma ordem para diminuir a posição longa ou curta existente para evitar novas perdas e ajuda a tirar a emoção das decisões comerciais. Take Profit & # 8211; As ordens de lucro obtidas são usadas para fechar automaticamente as posições existentes, a fim de bloquear os lucros quando há um movimento em uma direção favorável. Estratégia de cotação ou batendo.

É muito importante decidir se a estratégia será "citando" ou "bater". A estratégia de execução em grande medida determina o quão agressiva ou passiva sua estratégia será.

Citando & # 8211; Na negociação em partes, você cita para uma segurança e, dependendo se essa posição for preenchida ou não, você envia o pedido para a outra. Nesse caso, a probabilidade de obter um preenchimento é menor, mas você salva o pedido de oferta de um lado. Hitting - Neste caso, você envia ordens de mercado simultâneas para ambos os títulos. A probabilidade de obter um preenchimento é maior, mas ao mesmo tempo a derrapagem é mais e você paga lance-perguntar em ambos os lados.

A escolha entre a probabilidade de preenchimento e a execução otimizada em termos de deslizamento e executivo temporizado é o que isto é se eu tiver que colocar assim. Se você optar por citar, então você precisa decidir o que está citando, é assim que funciona a negociação par. Se você decidir cotizar para a segurança menos líquida, o deslizamento será menor, mas os volumes de negociação diminuirão os títulos líquidos, por outro lado, aumentará o risco de queda, mas os volumes de negociação serão elevados.

O uso de estatísticas para verificar a causalidade é outra maneira de chegar a uma decisão, ou seja, mudança em que a segurança causa mudanças no outro e qual conduz. O teste de causalidade determinará o par de "lead-lag"; citar para liderar e cobrir a segurança atrasada.

Como você decide se a estratégia que você escolheu foi boa ou ruim?

Como você julga sua hipótese?

É aqui que o teste de volta da estratégia vem como uma ferramenta essencial para estimar o desempenho da hipótese projetada com base em dados históricos. Uma estratégia pode ser considerada boa se os resultados do backtest e as estatísticas de desempenho apoiarem a hipótese.

Portanto, é importante escolher dados históricos com um número suficiente de pontos de dados. Isto é para criar um número suficiente de trades de amostra (pelo menos mais de 100 trades) cobrindo vários cenários de mercado (bullish, bearish etc). Certifique-se de que você também preveja custos de corretagem e deslizamento. Isso irá obter resultados mais realistas, mas você ainda pode ter que fazer algumas aproximações durante o teste. Por exemplo, enquanto backtesting citando estratégias é difícil descobrir quando você obtém um preenchimento. Assim, a prática comum é assumir que as posições são preenchidas com o último preço negociado.

Para que tipo de ferramentas você deveria procurar, enquanto faz um teste?

Uma vez que o backtesting para estratégias de negociação algorítmica envolve uma enorme quantidade de dados, especialmente se você estiver usando os dados tick by tick. Então, você deve procurar ferramentas que possam lidar com essa enorme carga de dados.

R ou MATLAB?

R é excelente para lidar com enormes quantidades de dados e também possui um alto poder de computação. Assim, tornando-se uma das melhores ferramentas para backtesting. Além disso, R é de código aberto e livre de custos. Podemos usar o MATLAB também, mas vem com um custo de licenciamento.

Tudo bem, acabei de tirar a famosa citação de Ben Parker do filme Spiderman (não o Amazing). Mas confie em mim, é 100% verdadeiro. Não importa o quão confiante que você pareça com a sua estratégia ou com o sucesso que pode acontecer anteriormente, você deve ir para baixo e avaliar cada detalhe em detalhes. Existem vários parâmetros que você precisaria monitorar ao analisar o desempenho e o risco de uma estratégia. Algumas métricas / relações importantes são mencionadas abaixo:

Retorno total (CAGR) - Taxa de crescimento anual composta (CAGR). É a taxa de crescimento média anual de um investimento durante um período de tempo especificado superior a um ano. Relação Ratio - Ordem para o comércio. Lucro médio por comércio - Lucro total dividido pelo número total de negócios Perda média por troca - Perda total dividida pelo número total de negociações Drawdown máximo & # 8211; Perda máxima em qualquer comércio Volatilidade dos Retornos - Desvio padrão dos "retornos" Sharpe Ratio - Retornos ajustados ao risco, ou seja, rendimentos em excesso (taxa de risco livre) por unidade de volatilidade ou risco total.

Todo o processo de estratégias de negociação algorítmica não termina aqui. O que forneci neste artigo é apenas o pé de um Everest infinito. Para conquistar isso, você deve estar equipado com o conhecimento certo e orientado pelo guia certo. É lá que entra a QuantInsti, para guiá-lo através desta jornada. QuantInsti irá ajudá-lo a conquistar o Everest no final. Se você quiser saber mais sobre estratégias de negociação algorítmica, então você pode clicar aqui.