Um novo livro sobre negociação algorítmica e negociação DMA. Algorithmic e acesso direto ao mercado DMA rapidamente se tornaram ferramentas importantes para a execução de negociação eletrônica Este livro é uma introdução à negociação algorítmica e DMA Ele atende a qualquer investidores, comerciantes, quants ou desenvolvedores de software que querem Para saber mais sobre estas estratégias de execução. Negociação algorítmica, acesso direto ao mercado, microestrutura de mercado, Análise de Custo de Transação. Nível Iniciante a Intermediário Páginas 592.Clique aqui para baixar uma visualização do livro Algorithmic Trading DMA. Blog Archive. Algorithmic Trading DMA. An Introdução a estratégias de negociação de acesso direto Por Barry Johnson. An visão geral da negociação e métodos de execução markets. Core métodos de negociação exchange. Institutional negociação de acesso direto methodsparting. Quanto são esses métodos de execução used. Fears e mitos. Material estrutura e mecanismo design. Trading Medição de custo de research. Transaction e analysis. Global market trends. Global market comparison. Algorithmic Negociação e estratégias de DMA. Instruções de ordem opcional Duração, sessão, preenchimento, roteamento, vinculação etc. Outros tipos de ordem Híbrido, condicional, oculto, roteado, cruzamento etcmon características de algoritmos. Impact-driven algoritmos TWAP, VWAP, POV etcCost-driven Algoritmos de negociação. Outros algoritmos de negociação. O processo de investimento. Abaixando os custos de transação. Custos de transação em todo o mercado mundial. Estratégias de negociação ótimas. Avaliando a dificuldade de ordens. Selecionando a estratégia de negociação ideal. Escolhendo entre algoritmos negociando. Para cruzar ou para não cruzar. Condições do mercado durante a crise financeira 2007-09. Uma árvore da decisão para a seleção da estratégia. Implementando estratégias negociando. Descoberta do preço Ordem que combina. Decisões da colocação da posição..Designing execução tactics. Enhancing trading strategies. Forecasting mercado conditions. Estimating custos de transação. Handl Eventos especiais. Advanced estratégias de negociação. Transacção de análise de custos para portfolios. Optimal carteira trading. Portfolio negociação com algoritmos. Addendum A Covariance. Multi-asset trading strategies. Utility estratégias FX cash trades, cobrindo shorts. Hedging estratégias Beta, duração, gama delta. Abrigação de estratégias Base, índice, ETF, futuros e algoritmos option. Adapting para multi-asset trading. The face em mudança de newsputerised manipulação de notícias techniques. Market reações a news. Incorporating notícias em estratégias trading. Data mineração e intelligence. Incorporating artificial na negociação Estratégias. Mercados de renda fixos. Foreign exchange markets. Please Donate. Please considerar dar a uma caridade de mieloma. Há menos financiamento para isso em comparação com mais conhecidos cancros, então cada doação pode fazer uma diferença real. Qual é o mieloma. Mieloma é um Tipo de câncer que afeta as células plasmáticas, encontrado na medula óssea Estas células são responsáveis pela produção de anticorpos para o sistema imunológico. C Urrently não há nenhuma cura para o mieloma Nos EU em 2005 sobre 15.000 casos novos foram diagnosticados, no mesmo ano havia sobre 10.000 mortes devido ao myeloma. It é o segundo cancer o mais comum do sangue mas o financiamento para a pesquisa eo apoio é ainda muito Inferior a outros cancers. Basics mais conhecidos de Algorithmic Trading conceitos e exemplos. Um algoritmo é um conjunto específico de instruções claramente definidas destinadas a realizar uma tarefa ou processo. Algorithmic trading trading automatizado, black-box trading ou simplesmente algo-trading é O processo de utilização de computadores programados para seguir um conjunto definido de instruções para a colocação de um comércio, a fim de gerar lucros a uma velocidade e freqüência que é impossível para um comerciante humano Os conjuntos de regras definidas são baseadas no tempo, preço, quantidade ou qualquer matemática Além das oportunidades de lucro para o comerciante, algo-trading torna os mercados mais líquidos e torna a negociação mais sistemática, excluindo impactos humanos emocionais sobre as atividades de negociação. Ader segue estes critérios de comércio simples. Comprar 50 partes de um estoque quando sua média móvel de 50 dias vai acima da média móvel de 200 dias. Ações de ações do estoque quando sua média móvel de 50 dias vai abaixo da média móvel de 200 dias. Usando este conjunto de duas instruções simples, é fácil escrever um programa de computador que irá monitorar automaticamente o preço das ações e os indicadores de média móvel e colocar as ordens de compra e venda quando as condições definidas são atendidas O comerciante não precisa mais manter um relógio Para preços e gráficos ao vivo, ou colocar nas ordens manualmente O sistema de negociação algorítmica automaticamente faz isso para ele, identificando corretamente a oportunidade de negociação Para obter mais informações sobre médias móveis, consulte Simple Moving Averages Make Out Trends Stand..Trades executados ao melhor preço possível. Instant e exata colocação ordem comercial, assim, altas chances de execução em níveis desejados. Trades cronometrado corretamente e instantaneamente, para evitar pri Ce mudanças. Os custos de transação reduzidos vêem o exemplo do shortfall da execução abaixo. Verificações automatizadas automáticas em condições de mercado múltiplas. Risco reduzido de erros manuais em colocar os comércios. Testa o algoritmo, baseado em dados históricos e em tempo real disponíveis. Possibilidade reduzida de erros humanos Comerciantes com base em fatores emocionais e psicológicos. A maior parte do atual dia algo-negociação é alta freqüência HFT negociação, que tenta capitalizar sobre a colocação de um grande número de encomendas em velocidades muito rápidas em vários mercados e múltiplos parâmetros de decisão, Instruções programadas Para mais informações sobre negociação de alta freqüência, consulte Estratégias e segredos de negociação de alta freqüência HFT Firms. Algo-trading é usado em muitas formas de comércio e atividades de investimento, incluindo. Mid para investidores de longo prazo ou comprar empresas de fundos de pensões, fundos mútuos , As companhias de seguros que compram em ações em grandes quantidades, mas não querem influenciar os preços das ações com discreto, Investidores de grande volume. Comerciantes de curto prazo e vendem os participantes laterais especuladores de mercado especuladores e arbitradores se beneficiam da execução de comércio automatizado, além de auxílios de negociação de algo na criação de liquidez suficiente para os vendedores no mercado. Systematic comerciantes tendência seguidores pares comerciantes hedge fundos etc. Muito mais eficiente para programar suas regras de negociação e deixar o comércio de programa automaticamente. Algorithmic trading oferece uma abordagem mais sistemática para o comércio ativo do que métodos baseados na intuição de um comerciante humano ou instinto. Algorithmic Trading Strategies. Any estratégia de negociação algorítmica requer uma oportunidade identificada Que é rentável em termos de ganhos melhorados ou redução de custo As seguintes são estratégias de negociação comum usadas em algo-trading. As estratégias de negociação algorítmicas mais comuns seguem as tendências em movimentar médias breakouts de nível de preços movimentos de nível e indicadores técnicos relacionados Estas são as estratégias mais simples e simples Implementar através de um Negociação lgorítmica porque essas estratégias não envolvem fazer quaisquer previsões ou previsões de preços Trades são iniciadas com base na ocorrência de tendências desejáveis que são fáceis e simples de implementar através de algoritmos sem entrar na complexidade da análise preditiva O exemplo acima mencionado de 50 e 200 dias Para obter mais informações sobre estratégias de negociação de tendência, consulte Estratégias simples para capitalizar sobre Trends. Buying um ações cotadas dual a um preço mais baixo em um mercado e simultaneamente vendê-lo a um preço mais elevado em outro mercado oferece o diferencial de preço Como lucro sem risco ou arbitragem A mesma operação pode ser replicada para ações versus instrumentos futuros, como diferenciais de preços existem de tempos em tempos Implementando um algoritmo para identificar esses diferenciais de preços e colocar as ordens permite oportunidades rentáveis de forma eficiente. Períodos definidos de reequilíbrio para que a sua S para par com seus respectivos índices de referência Isso cria oportunidades rentáveis para os comerciantes algorítmica, que capitalizar sobre as negociações esperadas que oferecem 20-80 pontos-base de lucros dependendo do número de ações no fundo de índice, pouco antes do rebalanceamento do fundo índice Essas negociações são iniciadas Através de sistemas de negociação algorítmica para execução atempada e melhores preços. Um lote de modelos matemáticos comprovados, como a estratégia de negociação delta neutra, que permitem a negociação sobre a combinação de opções e sua segurança subjacente, onde os comércios são colocados para compensar deltas positivos e negativos para que o Portfolio delta é mantida em zero. Mean estratégia de reversão é baseada na idéia de que os preços altos e baixos de um activo são um fenómeno temporário que revertem para o seu valor médio periodicamente Identificar e definir uma faixa de preço e algoritmo de implementação com base em que permite negociações para Ser colocado automaticamente quando o preço do ativo entrar e sair do seu intervalo definido. Gelo estratégia rompe uma grande ordem e libera dinamicamente determinados pedaços menores da ordem para o mercado usando estoque específico histórico volume perfis O objetivo é executar a ordem perto do preço médio ponderado do volume VWAP, beneficiando assim, no preço médio. Time média ponderada Estratégia de preço quebra uma grande ordem e libera dinamicamente determinados pedaços menores da ordem para o mercado usando intervalos de tempo uniformemente divididos entre um início e fim tempo O objetivo é executar a ordem perto do preço médio entre o início eo fim vezes, Minimizando o impacto no mercado. Até que a ordem comercial seja totalmente preenchida, este algoritmo continua a enviar encomendas parciais, de acordo com o rácio de participação definido e de acordo com o volume negociado nos mercados. Aumenta ou diminui essa taxa de participação quando o preço da ação atinge níveis definidos pelo usuário. Queda estratégia visa minimizar o custo de execução de uma ordem por negociação fora do mercado em tempo real, poupando assim sobre o custo da ordem e beneficiando do custo de oportunidade de execução atrasada A estratégia irá aumentar a taxa de participação alvo quando o preço da ação se move Estes algoritmos de sniffing, usados, por exemplo, por um fabricante de mercado de lado de venda têm a inteligência embutida para Identificar a existência de quaisquer algoritmos no lado da compra de uma grande ordem Tal detecção através de algoritmos vai ajudar o fabricante de mercado identificar grandes oportunidades de ordem e permitir-lhe beneficiar por preencher as encomendas a um preço mais elevado Isso às vezes é identificado como de alta tecnologia front - Running Para obter mais informações sobre negociação de alta freqüência e práticas fraudulentas, consulte Se você comprar ações on-line, você está envolvido em HFTs. Technical Requisitos para Algor Ithmic Trading. Implementing o algoritmo usando um programa de computador é a última parte, batido com backtesting O desafio é transformar a estratégia identificada em um processo informatizado integrado que tem acesso a uma conta de negociação para a colocação de pedidos Os seguintes são neededputer conhecimento de programação para programar o Estratégia de negociação necessária, programadores contratados ou pre-made trading softwarework conectividade e acesso a plataformas de negociação para colocar as ordens. Acesso a feeds de dados de mercado que serão monitorados pelo algoritmo de oportunidades para colocar ordens. A capacidade e infra-estrutura para backtest o sistema uma vez Construído, antes que vá vivo em mercados reais. Dados disponíveis para o backtesting, dependendo da complexidade das réguas aplicadas no algoritmo. Está aqui um exemplo detalhado Royal Dutch Shell RDS é alistado na Bolsa de Ames de Amsterdão e na Bolsa de Londres LSE Let s build Um algoritmo para identificar oportunidades de arbitragem Aqui estão alguns interessantes obse A AEX abre uma hora mais cedo do que a LSE, seguida por ambas as bolsas de negociação simultaneamente para as próximas horas e, em seguida, negociar apenas na LSE durante a última hora Como AEX fecha. Podemos explorar a possibilidade de negociação de arbitragem sobre as ações da Royal Dutch Shell listadas nesses dois mercados em duas moedas diferentes. Um programa de computador que pode ler preços atuais do mercado. Preço feeds de ambos LSE e AEX. A forex feed rate Para a taxa de câmbio GBP-EUR. Posição colocando a potencialidade que pode encaminhar a ordem ao exchange. Back-testando a capacidade em feeds históricos do preço. O programa de computador deve executar o seguinte. Ler o feed entrante do preço do estoque de RDS de ambas as trocas. As taxas de câmbio disponíveis convertem o preço de uma moeda para outra. Se existir uma discrepância de preço suficientemente grande descontando os custos de corretagem que levam a uma oportunidade rentável, Ordem de compra em menor preço de câmbio e ordem de venda em maior preço exchange. If as ordens são executadas como desejado, o lucro arbitragem seguirá. Simple e fácil No entanto, a prática de negociação algorítmica não é tão simples de manter e executar Lembre-se, se você Pode colocar um comércio algo-gerado, assim que os outros participantes do mercado Consequentemente, os preços flutuam em milli e mesmo microssegundos No exemplo acima, o que acontece se o seu comércio de compra é executado, mas vender o comércio doesn t como os preços de venda mudar pela Há riscos e desafios adicionais, por exemplo, riscos de falha de sistema, erros de conectividade de rede, intervalos de tempo entre ordens de negociação e execução e, a maioria das vezes, Importante de tudo, algoritmos imperfeitos Quanto mais complexo um algoritmo, mais rigoroso backtesting é necessário antes de ser colocado em ação. Análise quantitativa de um algoritmo s desempenho Desempenha um papel importante e deve ser examinado criticamente É excitante para ir para a automação auxiliado por computadores com uma noção de ganhar dinheiro sem esforço Mas um deve certificar-se de que o sistema está completamente testado e limites necessários estão definidos Comerciantes analíticos devem considerar a aprendizagem de programação e sistemas de construção Por conta própria, para estar confiante sobre a implementação das estratégias corretas de forma infalível Uso cauteloso e testes minuciosos de algo-trading pode criar oportunidades lucrativas. A quantidade máxima de dinheiro que os Estados Unidos podem emprestar O teto da dívida foi criada sob o segundo Liberty Bond Act . A taxa de juros em que uma instituição depositária empresta fundos mantidos no Federal Reserve a outra instituição depositária.1 Uma medida estatística da dispersão de retornos para um determinado índice de mercado ou de segurança A volatilidade pode ser medida. 1933 como o ato bancário, que proibiu os bancos comerciais de participar no investimento. A folha de pagamento do fazendeiro consulta a todo o trabalho fora das fazendas, dos agregados familiares confidenciais e do setor nonprofit O escritório dos EU de Labour. The abreviação da moeda ou símbolo de moeda para a rupia indiana INR, a moeda corrente de India A rupia é compo de 1.How to Identify Algorithmic Estratégias de Negociação. Em este artigo quero apresentar-lhe os métodos pelos quais eu mesmo identificar rentáveis estratégias de negociação algorítmica Nosso objetivo hoje é entender em detalhes como encontrar, avaliar e selecionar esses sistemas vou explicar como identificar estratégias é tanto sobre Pessoais como é sobre o desempenho da estratégia, como determinar o tipo ea quantidade de dados históricos para testes, como avaliar de forma desapaixonada uma estratégia de negociação e, finalmente, como proceder para a fase de backtesting e implementação da estratégia. Identificar suas próprias preferências pessoais para negociação. Para ser um comerciante bem sucedido - discricionária ou algoritmicamente - é necessário perguntar-se alguma busca honesta Ions Trading lhe dá a capacidade de perder dinheiro em uma taxa alarmante, por isso é necessário conhecer thyself tanto quanto é necessário para compreender a sua estratégia escolhida. Eu diria que a consideração mais importante na negociação é estar ciente de sua própria personalidade Negociação e negociação algorítmica, em particular, requer um grau significativo de disciplina, paciência e destacamento emocional Uma vez que você está deixando um algoritmo realizar a sua negociação para você, é necessário ser resolvido a não interferir com a estratégia quando está sendo executado Isso pode No entanto, muitas estratégias que foram mostrados para ser altamente rentável em um backtest pode ser arruinado por simples interferência Entenda que se você deseja entrar no mundo de negociação algorítmica você será emocionalmente testado e que Para ser bem sucedido, é necessário trabalhar com estas dificuldades. A consideração seguinte é uma do tempo Você tem um tempo integral Trabalho Você trabalha a tempo parcial Você trabalha em casa ou tem um longo trajeto diário Essas perguntas ajudarão a determinar a freqüência da estratégia que você deve procurar Para aqueles de vocês em emprego a tempo inteiro, uma estratégia de futuros intraday pode não ser apropriado em Pelo menos até que seja totalmente automatizado Seus limites de tempo também ditarão a metodologia da estratégia Se sua estratégia é freqüentemente negociada e dependente de feeds de notícias caras, como um terminal Bloomberg você terá que ser claramente realista sobre a sua capacidade de executar com êxito, enquanto em O escritório Para aqueles de vocês com muito tempo, ou as habilidades para automatizar a sua estratégia, você pode querer olhar para uma técnica de alta freqüência HFT estratégia de negociação. Minha crença é que é necessário realizar investigação contínua em seu Estratégias de negociação para manter um portfólio consistentemente rentável poucas estratégias permanecem sob o radar para sempre Por conseguinte, uma parte significativa do tempo atribuído à negociação será em transportar Out investigação em curso Pergunte a si mesmo se você está preparado para fazer isso, pois pode ser a diferença entre a rentabilidade forte ou um declínio lento para loss. You também precisa considerar o seu capital comercial O montante mínimo ideal geralmente aceites para uma estratégia quantitativa é 50.000 USD Aproximadamente 35.000 para nós no Reino Unido. Se eu estivesse começando de novo, eu começaria com uma quantidade maior, provavelmente mais perto de 100.000 USD aproximadamente 70.000 Isto é porque os custos de transação podem ser extremamente caros para as estratégias de média a alta freqüência e é necessário ter Capital suficiente para absorvê-los em momentos de levantamento Se você está pensando em começar com menos de 10.000 USD, então você precisará restringir-se a estratégias de baixa freqüência, negociação em um ou dois ativos, como os custos de transação vai comer rapidamente em seus retornos Interactive Brokers , Que é um dos corretores mais amigáveis para aqueles com habilidades de programação, devido à sua API, tem uma conta de varejo mínimo de 10.000 USD. Program Ming habilidade é um fator importante na criação de uma estratégia de negociação algorítmica automatizada Estar bem informado em uma linguagem de programação como C, Java, C, Python ou R permitirá que você crie o armazenamento de dados de ponta a ponta, motor de backtest e sistema de execução você mesmo Isto tem uma série de vantagens, a principal das quais é a capacidade de estar completamente consciente de todos os aspectos da infra-estrutura de negociação Ele também permite que você explore as estratégias de maior freqüência como você estará no controle total da sua pilha de tecnologia Enquanto isso significa que você Pode testar o seu próprio software e eliminar bugs, também significa mais tempo gasto codificação de infra-estrutura e menos sobre a implementação de estratégias, pelo menos na parte anterior da sua negociação algo comercial Você pode achar que você está confortável negociação em Excel ou MATLAB e pode terceirizar O desenvolvimento de outros componentes que eu não recomendaria isso no entanto, especialmente para aqueles que operam em alta freqüência. Você precisa perguntar a si mesmo o que você espera conseguir alg Orithmic trading Você está interessado em um rendimento regular, pelo qual você espera tirar ganhos de sua conta de negociação Ou, você está interessado em um ganho de capital a longo prazo e pode dar ao luxo de comércio sem a necessidade de fundos de drawdown Dependência de renda irá ditar a freqüência de Sua estratégia mais regular renda retiradas exigirá uma maior freqüência negociação estratégia com menos volatilidade iea maior Sharpe ratio Longo prazo comerciantes podem pagar uma mais sedativo trading frequency. Finally, não se iludido pela noção de se tornar extremamente rico em um curto espaço de tempo Time Algo trading não é um esquema de get-rich-quick - se alguma coisa pode ser um esquema de tornar-pobre-rápido É preciso disciplina significativa, pesquisa, diligência e paciência para ser bem sucedido em negociação algorítmica Pode levar meses, se não anos, Para gerar consistente rentabilidade. Sorcing Algorithmic Trading Ideas. Despite percepções comuns para o contrário, é realmente muito simples de localizar estratégia de negociação rentável S no domínio público Nunca as idéias de negociação foram mais facilmente disponíveis do que são hoje revistas de finanças acadêmicas, servidores de pré-impressão, blogs de negociação, fóruns de negociação, revistas semanais de negociação e textos especializados fornecem milhares de estratégias de negociação com a qual basear suas idéias sobre. O nosso objetivo como pesquisadores de negociação quantitativa é estabelecer um pipeline de estratégia que irá fornecer-nos com um fluxo de idéias de negociação em curso Idealmente, queremos criar uma abordagem metódica para terceirização, avaliação e implementação de estratégias que encontramos Os objectivos do pipeline são Gerar uma quantidade consistente de novas idéias e nos fornecer um quadro para rejeitar a maioria dessas idéias com o mínimo de consideração emocional. Devemos ser extremamente cuidadosos para não deixar que os viés cognitivos influenciem nossa metodologia de tomada de decisão. Isso pode ser tão simples quanto ter Uma preferência por uma classe de ativos sobre outro ouro e outros metais preciosos vêm à mente porque eles são percebidos D como mais exótico Nosso objetivo deve ser sempre encontrar estratégias consistentemente rentáveis, com expectativa positiva A escolha da classe de ativos deve ser baseada em outras considerações, tais como restrições de capital de negociação, taxas de corretagem e capacidades de alavancagem. Se você está completamente familiarizado com o conceito De uma estratégia comercial, em seguida, o primeiro lugar para olhar é com livros-texto estabelecidos Textos clássicos fornecem uma ampla gama de idéias mais simples, mais direto, com o qual se familiarizar com o comércio quantitativo Aqui está uma seleção que eu recomendo para aqueles que são novos para a negociação quantitativa , Que gradualmente se tornam mais sofisticados como você trabalha através da lista. Para uma lista mais longa de livros de negociação quantitativos, visite a lista de leitura QuantStart. O próximo lugar para encontrar estratégias mais sofisticadas é com fóruns de negociação e blogs comerciais No entanto, uma nota de cautela Muitos blogs comerciais dependem do conceito de análise técnica A análise técnica envolve a utilização de indicadores básicos Cators e psicologia comportamental para determinar tendências ou padrões de reversão em preços de ativos. Apesar de ser extremamente popular no espaço comercial global, análise técnica é considerada um pouco ineficaz na comunidade financeira quantitativa Alguns sugeriram que não é melhor do que ler um horóscopo ou estudar chá Deixa em termos de seu poder preditivo Na realidade, há indivíduos bem-sucedidos fazendo uso de análise técnica No entanto, como quants com uma caixa de ferramentas matemática e estatística mais sofisticada à nossa disposição, podemos facilmente avaliar a eficácia de tais TA estratégias baseadas e tornar - Baseadas em considerações emocionais ou preconceptions. Here é uma lista de blogs de negociação algorítmica bem respeitado e forums. Once você teve alguma experiência em avaliar estratégias mais simples, é hora de olhar para as ofertas acadêmicas mais sofisticados Alguns acadêmicos Periódicos serão de difícil acesso, sem assinaturas elevadas ou um Se você é um membro ou aluno de uma universidade, você deve ser capaz de obter acesso a algumas dessas revistas financeiras. Caso contrário, você pode olhar para servidores de pré-impressão que são repositórios de internet de rascunhos tardios de trabalhos acadêmicos que estão passando por peer Uma vez que estamos apenas interessados em estratégias que podemos replicar com êxito, backtest e obter rentabilidade para, uma revisão por pares é de menor importância para nós. A principal desvantagem das estratégias acadêmicas é que muitas vezes podem estar desatualizados, exigem obscuro e Dados históricos caros, o comércio de classes de ativos ilíquidos ou não factor de taxas, derrapagem ou spread Também pode não ser claro se a estratégia de negociação deve ser realizada com ordens de mercado, ordens de limite ou se ele contém stop loss etc Assim, é absolutamente Essencial para replicar a estratégia de si mesmo o melhor que puder, backtest-lo e adicionar em custos de transação realistas que incluem tantos aspectos das classes de ativos que você deseja negociar in. H Aqui está uma lista dos servidores de pré-impressão mais populares e revistas financeiras que você pode obter idéias de origem. O que sobre a formação de suas próprias estratégias quantitativas Isso geralmente requer, mas não se limita a experiência em uma ou mais das seguintes categorias. Material do mercado - Para as estratégias de frequência mais elevada, em particular, pode-se utilizar a microestrutura do mercado, ou seja, a compreensão da dinâmica da carteira de pedidos para gerar rentabilidade. Diferentes mercados terão várias limitações tecnológicas, regulamentos, participantes do mercado e restrições abertas à exploração através de estratégias específicas. É uma área muito sofisticada e os profissionais de varejo terão dificuldade em ser competitivos neste espaço, particularmente porque a competição inclui fundos de hedge quantitativos grandes e bem capitalizados com fortes capacidades tecnológicas. Estrutura do fundo - Fundos de investimento em conjunto, como fundos de pensão, private Parcerias de investimento fundos de hedge, consultores de negociação de commodities e mu Assim, certos comportamentos consistentes podem ser explorados com aqueles que são mais ágeis Por exemplo, grandes fundos estão sujeitos a restrições de capacidade devido ao seu tamanho Assim, se eles precisam rapidamente offload vender uma quantidade De títulos, eles terão que cambaleá-lo, a fim de evitar a mudança do mercado algoritmos sofisticados podem tirar proveito deste, e outras idiossincrasias, em um processo geral conhecido como arbitragem de estrutura de fundo. Maquina de aprendizagem de inteligência artificial - Algoritmos de aprendizagem de máquina tornaram-se mais prevalente Nos últimos anos, nos mercados financeiros Classificadores como Naive-Bayes, et al não-linear function matchers redes neurais e rotinas de otimização algoritmos genéticos foram todos utilizados para prever caminhos ativos ou otimizar estratégias de negociação Se você tem um fundo nesta área você pode ter Alguns conhecimentos sobre como determinados algoritmos podem ser aplicados a certos mercados. Rse, muitas outras áreas para quants para investigar Vamos discutir como obter estratégias personalizadas em detalhes em um artigo posterior. Continuando a monitorar essas fontes em uma base semanal, ou mesmo diariamente, você está se configurando para receber uma consistente Lista de estratégias de uma gama diversificada de fontes O próximo passo é determinar como rejeitar um grande subconjunto dessas estratégias, a fim de minimizar o desperdício de seu tempo e backtesting recursos em estratégias que são susceptíveis de ser rentáveis. Evaluating Trading Strategies. The primeiro, E sem dúvida a mais óbvia consideração é se você realmente entender a estratégia Você seria capaz de explicar a estratégia de forma concisa ou exige uma série de advertências e listas de parâmetros infinitas Além disso, a estratégia tem uma base boa e sólida na realidade Por exemplo, Você poderia apontar para alguma razão comportamental ou restrição de estrutura de fundo que pode estar causando o padrão que você está tentando explorar? Uma mudança de regime, como uma perturbação dramática do ambiente regulador A estratégia depende de regras estatísticas ou matemáticas complexas Ela se aplica a qualquer série de tempo financeiro ou é específica para a classe de ativos que é reivindicada como rentável Você deve estar constantemente pensando Sobre esses fatores ao avaliar novos métodos de negociação, caso contrário você pode desperdiçar uma quantidade significativa de tempo tentando backtest e otimizar estratégias rentáveis. Uma vez que você determinou que você entende os princípios básicos da estratégia que você precisa para decidir se ele se encaixa com a sua personalidade acima mencionados Perfil Isso não é tão vago uma consideração como soa Estratégias vão diferir substancialmente em suas características de desempenho Existem certos tipos de personalidade que podem lidar com períodos mais significativos de redução, ou estão dispostos a aceitar maior risco de maior retorno Apesar do fato de que nós, como Tentam e eliminam tanto viés cognitivo quanto possível e devem ser ab Para avaliar uma estratégia de forma desapaixonada, os preconceitos sempre fluem em Assim, precisamos de um meio consistente e sem emoções através do qual avaliar o desempenho das estratégias Aqui está a lista de critérios que eu julgo uma nova estratégia potencial por. Metodologia - A estratégia baseia-se em sofisticadas ou complexas técnicas de aprendizagem estatística ou de máquina que são difíceis de entender e exigem um doutorado em estatística para entender. Essas técnicas introduzem uma quantidade significativa de parâmetros, o que pode levar a Otimização bias É a estratégia susceptível de suportar uma mudança de regime ou seja, uma nova regulamentação potencial dos mercados financeiros. Relação Sharpe - A relação de Sharpe caracteriza heuristicamente o rácio de risco de recompensa da estratégia Quantifica quanto retorno você pode alcançar para o nível de volatilidade suportado pelo Naturalmente, precisamos determinar o período ea freqüência que esses retornos e volatilidade ou seja stan A estratégia de maior freqüência exigirá maior taxa de amostragem de desvio padrão, mas um menor período de tempo global de medição, por exemplo. Leverage - A estratégia requer alavancagem significativa, a fim de ser rentável A estratégia exige a utilização de Contratos de derivativos alavancados contratos futuros, opções, swaps, a fim de fazer um retorno Estes contratos alavancados podem ter volatilidade pesada caracteriza e, portanto, pode facilmente levar a chamadas de margem Você tem o capital de negociação eo temperamento para tal volatility. Frequency - A freqüência da estratégia is intimately linked to your technology stack and thus technological expertise , the Sharpe ratio and overall level of transaction costs All other issues considered, higher frequency strategies require more capital, are more sophisticated and harder to implement However, assuming your backtesting engine is sophisticated and bug - free, they will often have far higher Sharpe ratios. Volatili ty - Volatility is related strongly to the risk of the strategy The Sharpe ratio characterises this Higher volatility of the underlying asset classes, if unhedged, often leads to higher volatility in the equity curve and thus smaller Sharpe ratios I am of course assuming that the positive volatility is approximately equal to the negative volatility Some strategies may have greater downside volatility You need to be aware of these attributes. Win Loss, Average Profit Loss - Strategies will differ in their win loss and average profit loss characteristics One can have a very profitable strategy, even if the number of losing trades exceed the number of winning trades Momentum strategies tend to have this pattern as they rely on a small number of big hits in order to be profitable Mean-reversion strategies tend to have opposing profiles where more of the trades are winners , but the losing trades can be quite severe. Maximum Drawdown - The maximum drawdown is the largest overall peak-to-troug h percentage drop on the equity curve of the strategy Momentum strategies are well known to suffer from periods of extended drawdowns due to a string of many incremental losing trades Many traders will give up in periods of extended drawdown, even if historical testing has suggested this is business as usual for the strategy You will need to determine what percentage of drawdown and over what time period you can accept before you cease trading your strategy This is a highly personal decision and thus must be considered carefully. Capacity Liquidity - At the retail level, unless you are trading in a highly illiquid instrument like a small-cap stock , you will not have to concern yourself greatly with strategy capacity Capacity determines the scalability of the strategy to further capital Many of the larger hedge funds suffer from significant capacity problems as their strategies increase in capital allocation. Parameters - Certain strategies especially those found in the machine learning community require a large quantity of parameters Every extra parameter that a strategy requires leaves it more vulnerable to optimisation bias also known as curve-fitting You should try and target strategies with as few parameters as possible or make sure you have sufficient quantities of data with which to test your strategies on. Benchmark - Nearly all strategies unless characterised as absolute return are measured against some performance benchmark The benchmark is usually an index that characterises a large sample of the underlying asset class that the strategy trades in If the strategy trades large-cap US equities, then the S P500 would be a natural benchmark to measure your strategy against You will hear the terms alpha and beta , applied to strategies of this type We will discuss these coefficients in depth in later articles. Notice that we have not discussed the actual returns of the strategy Why is this In isolation, the returns actually provide us with limited information as to the effectiveness of the strategy They don t give you an insight into leverage, volatility, benchmarks or capital requirements Thus strategies are rarely judged on their returns alone Always consider the risk attributes of a strategy before looking at the returns. At this stage many of the strategies found from your pipeline will be rejected out of hand, since they won t meet your capital requirements, leverage constraints, maximum drawdown tolerance or volatility preferences The strategies that do remain can now be considered for backtesting However, before this is possible, it is necessary to consider one final rejection criteria - that of available historical data on which to test these strategies. Obtaining Historical Data. Nowadays, the breadth of the technical requirements across asset classes for historical data storage is substantial In order to remain competitive, both the buy-side funds and sell-side investment banks invest heavily in their technical infrastructure It is impera tive to consider its importance In particular, we are interested in timeliness, accuracy and storage requirements I will now outline the basics of obtaining historical data and how to store it Unfortunately this is a very deep and technical topic, so I won t be able to say everything in this article However, I will be writing a lot more about this in the future as my prior industry experience in the financial industry was chiefly concerned with financial data acquisition, storage and access. In the previous section we had set up a strategy pipeline that allowed us to reject certain strategies based on our own personal rejection criteria In this section we will filter more strategies based on our own preferences for obtaining historical data The chief considerations especially at retail practitioner level are the costs of the data, the storage requirements and your level of technical expertise We also need to discuss the different types of available data and the different considerations that each type of data will impose on us. Let s begin by discussing the types of data available and the key issues we will need to think about. Fundamental Data - This includes data about macroeconomic trends, such as interest rates, inflation figures, corporate actions dividends, stock-splits , SEC filings, corporate accounts, earnings figures, crop reports, meteorological data etc This data is often used to value companies or other assets on a fundamental basis, i e via some means of expected future cash flows It does not include stock price series Some fundamental data is freely available from government websites Other long-term historical fundamental data can be extremely expensive Storage requirements are often not particularly large, unless thousands of companies are being studied at once. News Data - News data is often qualitative in nature It consists of articles, blog posts, microblog posts tweets and editorial Machine learning techniques such as classifiers are often used to int erpret sentiment This data is also often freely available or cheap, via subscription to media outlets The newer NoSQL document storage databases are designed to store this type of unstructured, qualitative data. Asset Price Data - This is the traditional data domain of the quant It consists of time series of asset prices Equities stocks , fixed income products bonds , commodities and foreign exchange prices all sit within this class Daily historical data is often straightforward to obtain for the simpler asset classes, such as equities However, once accuracy and cleanliness are included and statistical biases removed, the data can become expensive In addition, time series data often possesses significant storage requirements especially when intraday data is considered. Financial Instruments - Equities, bonds, futures and the more exotic derivative options have very different characteristics and parameters Thus there is no one size fits all database structure that can accommodate them Sig nificant care must be given to the design and implementation of database structures for various financial instruments We will discuss the situation at length when we come to build a securities master database in future articles. Frequency - The higher the frequency of the data, the greater the costs and storage requirements For low-frequency strategies, daily data is often sufficient For high frequency strategies, it might be necessary to obtain tick-level data and even historical copies of particular trading exchange order book data Implementing a storage engine for this type of data is very technologically intensive and only suitable for those with a strong programming technical background. Benchmarks - The strategies described above will often be compared to a benchmark This usually manifests itself as an additional financial time series For equities, this is often a national stock benchmark, such as the S P500 index US or FTSE100 UK For a fixed income fund, it is useful to compare ag ainst a basket of bonds or fixed income products The risk-free rate i e appropriate interest rate is also another widely accepted benchmark All asset class categories possess a favoured benchmark, so it will be necessary to research this based on your particular strategy, if you wish to gain interest in your strategy externally. Technology - The technology stacks behind a financial data storage centre are complex This article can only scratch the surface about what is involved in building one However, it does centre around a database engine, such as a Relational Database Management System RDBMS , such as MySQL, SQL Server, Oracle or a Document Storage Engine i e NoSQL This is accessed via business logic application code that queries the database and provides access to external tools, such as MATLAB, R or Excel Often this business logic is written in C , C , Java or Python You will also need to host this data somewhere, either on your own personal computer, or remotely via internet serve rs Products such as Amazon Web Services have made this simpler and cheaper in recent years, but it will still require significant technical expertise to achieve in a robust manner. As can be seen, once a strategy has been identified via the pipeline it will be necessary to evaluate the availability, costs, complexity and implementation details of a particular set of historical data You may find it is necessary to reject a strategy based solely on historical data considerations This is a big area and teams of PhDs work at large funds making sure pricing is accurate and timely Do not underestimate the difficulties of creating a robust data centre for your backtesting purposes. I do want to say, however, that many backtesting platforms can provide this data for you automatically - at a cost Thus it will take much of the implementation pain away from you, and you can concentrate purely on strategy implementation and optimisation Tools like TradeStation possess this capability However, my per sonal view is to implement as much as possible internally and avoid outsourcing parts of the stack to software vendors I prefer higher frequency strategies due to their more attractive Sharpe ratios, but they are often tightly coupled to the technology stack, where advanced optimisation is critical. Now that we have discussed the issues surrounding historical data it is time to begin implementing our strategies in a backtesting engine This will be the subject of other articles, as it is an equally large area of discussion. Just Getting Started with Quantitative Trading.
No comments:
Post a Comment