Quantitative Trading Strategia Forum

Trading Quantitative Qual è Quantitative Trading commercio quantitativa consiste di strategie di trading basate sull'analisi quantitativa. che si basano su calcoli matematici e macinare numeri per identificare le opportunità di trading. Come di trading quantitativo è generalmente utilizzato da istituzioni finanziarie e fondi hedge. le transazioni sono di solito di grandi dimensioni e può prevedere l'acquisto e la vendita di centinaia di migliaia di azioni e altri titoli. Tuttavia, il commercio quantitativa sta diventando sempre più comunemente utilizzato dai singoli investitori. SMONTAGGIO Quantitative Trading del prezzo e di volume sono due degli ingressi di dati più comuni utilizzati in analisi quantitativa come il principale input per modelli matematici. tecniche di trading quantitative includono trading ad alta frequenza. trading algoritmico e l'arbitraggio statistico. Queste tecniche sono fuoco rapido e in genere hanno orizzonti di investimento a breve termine. Molti commercianti quantitativi sono più familiarità con strumenti quantitativi, come ad esempio le medie e oscillatori in movimento. Comprendere i commercianti Quantitative Trading Quantitative sfruttano la tecnologia moderna, la matematica e la disponibilità di basi di dati completi per prendere decisioni di trading razionali. commercianti quantitativi prendono una tecnica di trading e creare un modello di esso utilizzando la matematica, e poi sviluppare un programma per computer che applica il modello ai dati storici di mercato. Il modello è quindi backtested e ottimizzato. Se i risultati favorevoli sono raggiunti, il sistema viene implementato in mercati in tempo reale con il capitale reale. La funzione di modelli di trading modo quantitativo può essere meglio descritto con un'analogia. Considerate le previsioni del tempo in cui il meteorologo prevede un 90 possibilità di pioggia mentre il sole splende. Il meteorologo deriva questa conclusione controintuitiva raccogliendo e analizzando i dati climatici dai sensori in tutta l'area. Un'analisi quantitativa computerizzata rivela modelli specifici nei dati. Quando questi modelli vengono confrontati con gli stessi schemi rivelati nel centro storico di clima dei dati (backtesting), e 90 di 100 volte il risultato è la pioggia, poi il meteorologo può trarre la conclusione con fiducia, da cui il 90 previsione. commercianti quantitativi applicare questo stesso processo al mercato finanziario per prendere decisioni di trading. Vantaggi e svantaggi di Trading quantitativa L'obiettivo di trading è quello di calcolare la probabilità ottimale di esecuzione di un commercio redditizio. Un tipico trader può effettivamente monitorare, analizzare e prendere decisioni di trading su un numero limitato di titoli prima della quantità di dati in entrata travolge il processo decisionale. L'uso di tecniche di trading quantitative illumina questo limite utilizzando i computer per automatizzare le decisioni di monitoraggio, analisi e trading. Superare emozione è uno dei problemi più diffusi con negoziazione. Che si tratti di paura o l'avidità, quando le negoziazioni, emozione serve solo a soffocare il pensiero razionale, che di solito porta a perdite. I computer e la matematica non possiedono emozioni, in modo di trading quantitativo elimina questo problema. commercio quantitativa ha i suoi problemi. I mercati finanziari sono alcuni dei soggetti più dinamici che esistono. Pertanto, modelli di trading quantitativi devono essere il più dinamico per essere sempre successo. Molti commercianti quantitativi sviluppano modelli che sono momentaneamente redditizi per la condizione di mercato per cui sono stati sviluppati, ma in ultima analisi, non quando le condizioni di mercato change. Quant Strategie - sono per voi quantitativi strategie di investimento si sono evoluti in strumenti molto complessi con l'avvento dei moderni computer , ma le strategie radici risalgono ad oltre 70 anni. Essi sono in genere gestiti da team altamente istruiti e utilizzano modelli proprietari per aumentare la loro capacità di battere il mercato. Ci sono programmi, anche off-the-shelf che sono plug-and-play per chi cerca semplicità. modelli Quant funzionano sempre bene quando torna testato, ma le loro applicazioni reali e tasso di successo sono discutibili. Mentre sembrano funzionare bene in mercati toro. quando i mercati vanno in tilt, le strategie quant sono sottoposti agli stessi rischi come qualsiasi altra strategia. La storia Uno dei padri fondatori dello studio della teoria quantitativa applicata alla Finanza era Robert Merton. Si può solo immaginare quanto sia difficile e richiede molto tempo il processo è stato prima l'uso del computer. Altre teorie della finanza si sono evoluti anche da alcuni dei primi studi quantitativi, compresa la base di diversificazione del portafoglio sulla base di moderna teoria di portafoglio. L'uso di entrambi finanza quantitativa e calcolo ha portato a molti altri strumenti comuni, tra cui uno dei più famosi, la formula di valutazione delle opzioni di Black-Scholes, che aiuta non solo le opzioni investitori di prezzo e sviluppare strategie, ma aiuta a mantenere i mercati sotto controllo con la liquidità. Quando viene applicato direttamente alla gestione del portafoglio. l'obiettivo è come qualsiasi altra strategia di investimento. per aggiungere valore, alfa o rendimenti in eccesso. Quants, come gli sviluppatori sono chiamati, compongono complessi modelli matematici per individuare opportunità di investimento. Ci sono molti modelli là fuori come quants che li sviluppano, e tutti sostengono di essere il migliore. Uno di un quant strategys investimento best-seller punti è che il modello, e, infine, il computer, prende la decisione buysell reale, non un essere umano. Questo tende a rimuovere ogni risposta emotiva che una persona può sperimentare per comprare o vendere investimenti. strategie Quant sono ora accettati nella comunità degli investitori e gestiti da fondi comuni, hedge fund e investitori istituzionali. Essi in genere vanno dai generatori nome alfa. o gens alfa. Dietro la cortina proprio come nel Mago di Oz, qualcuno è dietro la tenda guidare il processo. Come con qualsiasi modello, il suo solo buono come l'essere umano che si sviluppa il programma. Mentre non vi è alcun requisito specifico per diventare un Quant, la maggior parte delle imprese che eseguono modelli quant uniscono le competenze di analisti finanziari, statistici e programmatori che il codice del processo nei computer. A causa della natura complessa dei modelli matematici e statistici, la sua comune vedere le credenziali come lauree e dottorati in finanza, economia, matematica e ingegneria. Storicamente, questi i membri del team hanno lavorato negli uffici di back. ma come modelli quant è diventato più comune, il back office si sta muovendo per il front office. Benefici delle strategie Quant Mentre il tasso globale di successo è discutibile, la ragione per alcune strategie di quant lavoro è che si basano sulla disciplina. Se il modello è di destra, la disciplina mantiene la strategia di lavorare con i computer fulmini velocità per sfruttare le inefficienze dei mercati sulla base di dati quantitativi. I modelli stessi possono essere basate su un minimo di alcuni rapporti come PE. debiti in capitale e la crescita degli utili, o utilizzare migliaia di ingressi che lavorano insieme allo stesso tempo. Strategie di successo possono prendere sulle tendenze nelle fasi iniziali, come i computer eseguono costantemente scenari per individuare inefficienze prima degli altri. I modelli sono in grado di analizzare un gruppo molto ampio di investimenti contemporaneamente, in cui l'analista tradizionale può guardare solo pochi alla volta. Il processo di screening può valutare l'universo da livelli di qualità come 1-5 o A-F a seconda del modello. Questo rende il processo di negoziazione reale molto semplice, investendo negli investimenti ad alto rating e la vendita di quelli a basso rating. modelli Quant aprono anche le variazioni delle strategie come lungo, corto e longshort. fondi quant successo tenere un occhio attento sul controllo del rischio a causa della natura dei loro modelli. La maggior parte delle strategie di iniziare con un universo o di riferimento e utilizzare settore e le ponderazioni di settore nei loro modelli. Questo permette ai fondi di controllare la diversificazione in una certa misura, senza compromettere il modello stesso. fondi quant genere eseguite su una base di costo più basso perché non hanno bisogno come molti analisti e gestori di portafoglio tradizionali per farli funzionare. Svantaggi di strategie Quant Non ci sono ragioni per cui così tanti investitori non cogliere appieno il concetto di lasciare una scatola nera eseguire i loro investimenti. Per tutti i fondi quant successo là fuori, proprio come molti sembrano non avere successo. Purtroppo per la reputazione quants, quando falliscono, falliscono grande tempo. Long-Term Capital Management è stato uno dei più famosi hedge fund quant, come è stato gestito da alcuni dei leader accademici più rispettati e due economisti Nobel Memorial Prize-winning Myron S. Scholes e Robert C. Merton. Negli anni 1990, la loro squadra ha generato rendimenti superiori alla media e ha attirato capitali da tutti i tipi di investitori. Erano famosi non solo per sfruttare le inefficienze, ma utilizzando un facile accesso al capitale per creare enormi scommesse leva su indicazioni del mercato. La natura disciplinata della loro strategia in realtà creato la debolezza che ha portato alla loro collasso. Long-Term Capital Management è stata liquidata e sciolta nei primi mesi del 2000. I suoi modelli non includono la possibilità che il governo russo risulti inadempiente su alcuni del proprio debito. Questo evento ha innescato eventi e una reazione a catena ingrandita dal caos leva-creato. LTCM è stato così pesantemente coinvolto con altre operazioni di investimento che il suo crollo ha interessato i mercati mondiali, innescando eventi drammatici. Nel lungo periodo, la Federal Reserve è intervenuta per aiutare, e altre banche e fondi di investimento sostenuto LTCM per evitare ulteriori danni. Questo è uno dei motivi per fondi quant può fallire, in quanto si basano su eventi storici che non possono comprendere gli eventi futuri. Mentre una squadra forte quant sarà l'aggiunta di sempre nuovi aspetti ai modelli per predire eventi futuri, la sua impossibile prevedere il futuro ogni volta. fondi quant possono anche essere sopraffatti quando l'economia ed i mercati stanno vivendo volatilità superiore alla media. I segnali di acquisto e vendita possono venire così rapidamente che il turnover può creare alte commissioni e gli eventi imponibili. fondi quant possono anche rappresentare un pericolo quando sono commercializzati come orso a prova o si basano su strategie a breve. Prevedere flessioni. utilizzando strumenti derivati ​​e combinare leva può essere pericoloso. Una curva sbagliata può portare a implosioni, che spesso fanno notizia. Le strategie di investimento quantitative Bottom Line si sono evoluti da back office scatole nere a strumenti di investimento tradizionali. Essi sono progettati per utilizzare le migliori menti del settore e dei computer più veloci sia per sfruttare le inefficienze e utilizzare la leva per fare le scommesse del mercato. Possono essere molto efficace se i modelli hanno incluso tutti gli input giusti e sono abbastanza agile per predire eventi di mercato anomali. Il rovescio della medaglia, mentre i fondi quant sono rigorosamente testati indietro fino a che non lavorano, il loro punto debole è che si basano su dati storici per il loro successo. Mentre Quant-style che investe ha il suo posto nel mercato, è importante essere consapevoli dei suoi difetti e rischi. Per essere coerenti con le strategie di diversificazione. è una buona idea per il trattamento di strategie quant come uno stile di investimento e combinarlo con le strategie tradizionali per realizzare un'adeguata diversificazione. Una teoria economica della spesa totale per l'economia e dei suoi effetti sulla produzione e l'inflazione. economia keynesiana è stato sviluppato. Una partecipazione di un bene in un portafoglio. Un investimento di portafoglio è realizzato con l'aspettativa di guadagnare un ritorno su di esso. Questo. Un rapporto sviluppato da Jack Treynor che misura i rendimenti ottenuti, superiori a quelle che avrebbero potuto essere guadagnati su un privo di rischio. Il riacquisto delle azioni in circolazione (riacquisto) da parte di una società al fine di ridurre il numero di azioni sul mercato. Aziende. Il rimborso fiscale è un rimborso sulle tasse pagate ad un individuo o famiglia quando l'onere fiscale effettivo è inferiore alla quantità. Il valore monetario di tutti i beni finiti e servizi prodotti all'interno di un confini country039s in un momento specifico period. How di individuare strategie di trading algoritmico In questo articolo voglio farvi conoscere i metodi con cui io mi identifico proficue strategie di trading algoritmico. Il nostro obiettivo oggi è quello di capire in dettaglio come trovare, valutare e selezionare tali sistemi. Ill spiegare come l'individuazione di strategie è tanto circa preferenza personale come si tratta di prestazioni di strategia, come determinare il tipo e la quantità di dati storici per i test, come valutare spassionatamente una strategia di trading e, infine, come procedere verso la fase di backtesting e l'attuazione della strategia . Identificare le proprie preferenze personali per il Trading Al fine di essere un trader di successo - sia discrezionalmente o algoritmicamente - è necessario porsi alcune domande oneste. Trading vi offre la possibilità di perdere denaro ad un ritmo allarmante, per cui è necessario conoscere te stesso, per quanto è necessario capire la vostra strategia scelta. Direi che la considerazione più importante nel trading è essere consapevoli della propria personalità. Trading e trading algoritmico, in particolare, richiede un notevole grado di disciplina, pazienza e distacco emotivo. Dal momento che si sta lasciando un algoritmo eseguire il tuo trading per te, è necessario essere risolto non interferire con la strategia quando è in esecuzione. Questo può essere estremamente difficile, specialmente nei periodi di prelievo estesa. Tuttavia, molte strategie che hanno dimostrato di essere altamente redditizio in un backtest può essere rovinato da semplice interferenza. Capire che se si vuole entrare nel mondo del trading algoritmico sarete messi alla prova emotivamente e che per avere successo, è necessario lavorare attraverso queste difficoltà La considerazione successiva è uno di tempo. Hai un lavoro a tempo pieno si fa a lavorare part-time Non si lavora da casa o avere un lungo pendolari ogni giorno queste domande vi aiuteranno a determinare la frequenza della strategia che si dovrebbe cercare. Per quelli di voi nel lavoro a tempo pieno, una strategia future intraday potrebbe non essere indicato (almeno fino a quando non è completamente automatizzato). I suoi vincoli di tempo sarà anche dettare la metodologia della strategia. Se la strategia è spesso scambiato e affidamento sulla news feed costosi (come ad esempio un terminale Bloomberg) si chiaramente bisogno di essere realistici circa la sua capacità di eseguire correttamente questo mentre in ufficio Per quelli di voi con un sacco di tempo, o le competenze per automatizzare la tua strategia, si potrebbe desiderare di guardare in una strategia più tecnica di trading ad alta frequenza (HFT). La mia convinzione è che è necessario effettuare la ricerca continua nelle vostre strategie di trading di mantenere un portafoglio costantemente vantaggiosa. Poche le strategie di rimanere sotto il radar per sempre. Quindi una parte significativa del tempo assegnato alla negoziazione sarà il compimento di ricerche in corso. Chiedetevi se siete disposti a fare questo, come può essere la differenza tra la forte redditività o un lento declino verso perdite. È inoltre necessario considerare il vostro capitale di trading. L'importo minimo ideale generalmente accettato per una strategia quantitativa è di 50.000 dollari (circa 35.000 per noi nel Regno Unito). Se ho iniziato di nuovo, vorrei cominciare con una quantità maggiore, probabilmente più vicino 100.000 USD (circa 70.000). Questo perché i costi di transazione può essere estremamente costoso per metà a strategie ad alta frequenza ed è necessario avere capitale sufficiente per assorbirli in tempi di prelievo. Se state pensando di iniziare con meno di 10.000 dollari allora si avrà bisogno di limitarvi a strategie a bassa frequenza, la negoziazione di uno o due beni, come i costi di transazione saranno rapidamente mangiare nel vostro rendimento. Interactive Brokers, che è uno dei mediatori più accoglienti a quelli con competenze di programmazione, grazie alla sua API, ha un conto minimo di vendita al dettaglio di 10.000 dollari. Programmazione abilità è un fattore importante nella creazione di una strategia di negoziazione algoritmica automatizzato. Essere informati in un linguaggio di programmazione come C, Java, C, Python o R vi permetterà di creare il sistema di memorizzazione dei dati end-to-end, il motore backtest e l'esecuzione da soli. Questo ha una serie di vantaggi, il principale dei quali è la capacità di essere completamente a conoscenza di tutti gli aspetti dell'infrastruttura di trading. Consente inoltre di esplorare le strategie più alta frequenza, come si sarà in pieno controllo del tuo stack tecnologico. Anche se questo significa che è possibile testare il proprio software e di eliminare gli insetti, ma significa anche più tempo speso codificare fino infrastrutture e meno sulle strategie di attuazione, almeno nella prima parte della tua carriera di trading algo. Potreste scoprire che si sono negoziazione confortevoli in Excel o MATLAB e può esternalizzare lo sviluppo di altri componenti. Non consiglierei questo però, in particolare per coloro negoziazione ad alta frequenza. È necessario chiedersi che cosa sperate di ottenere con il trading algoritmico. Sei interessato a un reddito regolare, per cui si spera di trarre guadagno dal proprio conto di trading Oppure, siete interessati ad un guadagno di capitale a lungo termine e può permettersi di operare senza la necessità di drawdown fondi dipendenza reddito detterà la frequenza della vostra strategia . Altri prelievi di reddito regolari richiedono una strategia di negoziazione frequenza più elevata con una minore volatilità (cioè un indice di Sharpe più elevato). i commercianti a lungo termine possono permettersi una frequenza di trading più tranquillo. Infine, non essere ingannati dalla nozione di diventare estremamente ricchi in un breve lasso di tempo Algo trading non è un programma per diventare ricchi rapido-get - semmai può essere uno schema di diventare povero-rapido. Ci vuole disciplina significativo, la ricerca, la diligenza e pazienza per avere successo in trading algoritmico. Si può richiedere mesi, se non anni, per generare la redditività costante. Sourcing Trading algoritmico Idee Nonostante la percezione comune in senso contrario, in realtà è abbastanza semplice per individuare strategie di trading profittevoli di dominio pubblico. Non hanno idee di trading stati più facilmente disponibile di quanto non siano oggi. riviste accademiche finanza, i server di pre-stampa, blog, forum di scambio di trading, riviste commerciali settimanali e testi specialistici forniscono migliaia di strategie di trading con cui basare le vostre idee su. Il nostro obiettivo come ricercatori di trading quantitativo è di stabilire una pipeline strategia che ci fornirà un flusso di idee di trading in corso. Idealmente vogliamo creare un approccio metodico per l'approvvigionamento, la valutazione e le strategie che si incontrano attuazione. Gli obiettivi del gasdotto sono per generare una quantità costante di nuove idee e di fornire noi con un quadro per respingere la maggior parte di queste idee con il minimo di considerazione emotiva. Dobbiamo essere estremamente attenti a non lasciare distorsioni cognitive influenzano la nostra metodologia di processo decisionale. Questo potrebbe essere semplice come avere una preferenza per una classe di asset rispetto ad un altro (oro e altri metalli preziosi vengono in mente) perché sono percepiti come più esotici. Il nostro obiettivo deve sempre essere quello di trovare strategie costantemente vantaggiosa, con aspettativa positiva. La scelta di asset class dovrebbe essere basata su altre considerazioni, come ad esempio vincoli di capitale di trading, le commissioni di intermediazione e capacità di leva. Se siete completamente familiarità con il concetto di una strategia di trading, allora il primo posto da guardare è con libri di testo stabiliti. testi classici forniscono una vasta gamma di idee, più semplici semplici, con cui familiarizzare con il trading quantitativo. Ecco una selezione che consiglio per coloro che sono nuovi alla negoziazione quantitativa, che gradualmente diventano sempre più sofisticati, come si lavora attraverso la lista: Per un elenco dei libri di trading quantitative più a lungo, si prega di visitare la lista di lettura QuantStart. Il prossimo luogo per trovare le strategie più sofisticate è con forum e blog di trading di trading. Tuttavia, una nota di cautela: Molti blog di trading si basano sul concetto di analisi tecnica. L'analisi tecnica prevede l'utilizzo di indicatori di base e psicologia comportamentale per determinare le tendenze e modelli di inversione dei prezzi delle attività. Pur essendo estremamente popolare nello spazio complessivo di trading, l'analisi tecnica è considerato un po 'inefficace nel mondo della finanza quantitativa. Alcuni hanno suggerito che non è meglio che leggere un oroscopo o studiare foglie di tè in termini di potere predittivo in realtà ci sono persone di successo facendo uso di analisi tecnica. Tuttavia, come quants con un più sofisticato degli strumenti matematici e statistici a nostra disposizione, possiamo facilmente valutare l'efficacia di tali strategie TA-based e prendere decisioni basate sui dati, piuttosto che basare la nostra su considerazioni emotive o preconcetti. Ecco un elenco di tutto rispetto blog di trading algoritmico e forum: Una volta che hai avuto qualche esperienza a valutare le strategie più semplici, è il momento di guardare ai più sofisticati offerta formativa. Alcune riviste accademiche saranno di difficile accesso, senza abbonamenti o alti costi una tantum. Se sei un membro o di alunno di una università, si dovrebbe essere in grado di ottenere l'accesso ad alcuni di questi giornali finanziari. In caso contrario, si può guardare i server pre-stampa. che sono depositi di Internet di fine bozze di pubblicazioni accademiche che sono sottoposti a peer review. Dal momento che siamo interessati solo a strategie che siamo in grado di replicare con successo, backtest ed ottenere redditività per, una revisione tra pari è di minore importanza per noi. Il principale aspetto negativo di strategie accademici è che spesso possono o non essere aggiornati, richiedere dati storici oscuri e costosi, gli scambi di classi di attivi illiquidi o non tiene in considerazione le tasse, lo slittamento o la diffusione. Può anche essere chiaro se la strategia di trading deve essere effettuata con gli ordini di mercato, di limitare gli ordini o se contiene fermare le perdite ecc Così è assolutamente essenziale per replicare la strategia da soli nel miglior modo possibile, backtest e aggiungere in un'operazione realistica costi che includono come molti aspetti delle classi di attività che si desidera al commercio di Ecco un elenco dei più popolari server di pre-stampa e riviste finanziarie che è possibile fonte di idee:. che dire di formare le proprie strategie quantitative Ciò richiede in genere ( ma non è limitato a) competenze in una o più delle seguenti categorie: microstruttura di mercato - per le strategie di frequenza più alte, in particolare, si può fare uso di microstruttura del mercato. cioè comprensione delle dinamiche dell'ordine telefonico per generare redditività. Diversi mercati avranno varie limitazioni tecnologiche, i regolamenti, gli operatori di mercato e vincoli che sono tutti aperti allo sfruttamento tramite strategie specifiche. Si tratta di una zona molto sofisticata e operatori al dettaglio sarà difficile per essere competitivi in ​​questo spazio, tanto più che la competizione comprende grandi e ben capitalizzati fondi hedge quantitative con forti capacità tecnologiche. Struttura del fondo - i fondi di investimento collettivo, come i fondi pensione, le società di investimento privati ​​(fondi speculativi), commodity trading advisor e fondi comuni di investimento sono vincolati sia dalla normativa pesante e le loro grandi riserve di capitale. Così certi comportamenti coerenti possono essere sfruttati con coloro che sono più agile. Per esempio, grandi fondi sono soggetti a vincoli di capacità a causa delle loro dimensioni. Così se devono scaricare rapidamente (vendita) una quantità di titoli, dovranno scaglionare al fine di evitare di spostare il mercato. Sofisticati algoritmi possono trarre vantaggio da questo, e altre idiosincrasie, in un processo generale noto come struttura di fondo di arbitraggio. Macchina learningartificial intelligenza - algoritmi di apprendimento automatico sono diventati più frequenti negli ultimi anni nei mercati finanziari. Classificatori (come Naive Bayes-, et al.) Matchers non lineari funzione (reti neurali) e routine di ottimizzazione (algoritmi genetici) sono stati utilizzati per prevedere i percorsi di attività o di ottimizzare le strategie di trading. Se si dispone di un background in questo settore si può avere una certa comprensione di come gli algoritmi di particolare potrebbe essere applicato ad alcuni mercati. Ci sono, naturalmente, molti altri settori per quants per indagare. Beh discutere su come elaborare strategie personalizzate in dettaglio in un articolo successivo. Continuando a monitorare queste sorgenti su un settimanale o addirittura giornaliera, si sta impostando te stesso per ricevere un elenco consistente di strategie da una vasta gamma di fonti. Il passo successivo è quello di determinare come rifiutare una grande sottoinsieme di queste strategie per ridurre al minimo spreco di risorse di tempo e di backtesting sulle strategie che possono essere redditizie. Valutare Strategie Trading Il primo, e forse più ovvia considerazione è se effettivamente capire la strategia. Sareste in grado di spiegare la strategia in modo conciso o richiede una serie di avvertimenti e gli elenchi dei parametri infinite Inoltre, fa la strategia di avere una buona base, solida, in realtà, ad esempio, potrebbe puntare a qualche logica comportamentale o struttura del fondo vincolo che potrebbe essere la causa del modello (s) che si sta tentando di sfruttare Sarebbe questo vincolo ospitare fino a un cambiamento di regime, come ad esempio un drammatico contesto interruzione normativo la strategia si basa su regole statistiche o matematiche complesse non si applica a qualsiasi serie finanziarie o è è specifico per questa classe di attivi che si è affermato di essere redditizia su si dovrebbe sempre pensare a questi fattori quando la valutazione di nuovi metodi di negoziazione, altrimenti si può sprecare una notevole quantità di tempo cercando di backtest e ottimizzare le strategie redditizie. Una volta stabilito che si capisce i principi di base della strategia è necessario decidere se si adatta con il citato profilo di personalità. Questo non è così vaga una considerazione come sembra Strategie differiranno sostanzialmente nelle loro caratteristiche prestazionali. Ci sono alcuni tipi di personalità in grado di gestire i periodi più significativi di prelievo, o che sono disposti ad accettare un rischio maggiore per il ritorno più grande. Nonostante il fatto che noi, come quants, cercare di eliminare il più distorsione cognitiva possibile e dovremmo essere in grado di valutare una strategia spassionatamente, pregiudizi sempre insinuarsi. Così abbiamo bisogno di una coerente, mezzi senza emozioni attraverso cui valutare le prestazioni delle strategie . Ecco l'elenco dei criteri che ho giudicare un potenziale nuova strategia: Metodologia - è la quantità di moto strategia basata, mean-reverting, market neutral, direzionale La strategia si basa su sofisticati (o complessi) statistica o della macchina tecniche di apprendimento che sono difficili per capire e richiedono un dottorato di ricerca in statistica per cogliere fare queste tecniche introducono una quantità significativa di parametri, che potrebbe condurre a pregiudizi ottimizzazione è la strategia rischia di resistere a un cambiamento di regime (cioè il potenziale nuova disciplina dei mercati finanziari) indice di Sharpe - l'indice di Sharpe caratterizza euristicamente il rapporto rewardrisk della strategia. Si quantifica la quantità di ritorno è possibile ottenere per il livello di volatilità sopportato dalla curva di equità. Naturalmente, abbiamo bisogno di determinare il periodo e la frequenza che questi rendimenti e la volatilità (cioè deviazione standard) sono misurati su. Una strategia frequenza più elevata richiede una maggiore frequenza di campionamento di deviazione standard, ma un breve periodo di tempo complessivo di misura, per esempio. Leverage - La strategia richiede un importante effetto leva al fine di essere redditizia La strategia rendere necessario il ricorso a contratti di leveraged derivati ​​(futures, opzioni, swap) al fine di fare un ritorno Tali contratti leveraged possono avere volatilità pesante caratterizza e quindi può facilmente portare a richieste di margini. Avete la capitale commerciale e il temperamento per tale frequenza volatilità - La frequenza della strategia è intimamente collegato al tuo stack tecnologico (e la competenza tecnologica in tal modo), l'indice di Sharpe e il livello generale dei costi di transazione. Tutte le altre questioni considerate, le strategie più alta frequenza richiedono più capitale, sono più sofisticati e più difficili da implementare. Tuttavia, supponendo che il motore di backtesting è sofisticato e privo di bug, che spesso hanno molto più elevati indici di Sharpe. Volatilità - volatilità è correlata fortemente al rischio di strategia. L'indice di Sharpe caratterizza questo. Una maggiore volatilità delle classi di attività sottostanti, se non coperta, spesso porta a una maggiore volatilità della curva di equità e quindi più piccoli rapporti di Sharpe. Sono ovviamente supponendo che la volatilità positivo è approssimativamente uguale alla volatilità negativo. Alcune strategie possono avere una maggiore volatilità negativa. È necessario essere consapevoli di questi attributi. WinLoss, media ProfitLoss - Strategie sarà diversa nella loro winloss e caratteristiche medie profitloss. Uno può avere una strategia molto redditizia, anche se il numero di mestieri perdere superare il numero di trade vincenti. strategie Momentum tendono ad avere questo modello in quanto si basano su un piccolo numero di grandi successi per essere redditizio. strategie di ritorno alla media tendono ad avere opposti profili in cui più dei mestieri sono vincitori, ma i commerci perdenti possono essere molto gravi. Massimo ribasso - Il massimo drawdown è la più grande percentuale di calo complessivo di picco-valle sulla curva di equità della strategia. strategie Momentum sono ben noti a soffrire di periodi di utilizzi prolungati (a causa di una serie di molti mestieri perdenti incrementali). Molti commercianti daranno in periodi di prelievo prolungato, anche se il test storica ha suggerito questo è business as usual per la strategia. Avrete bisogno di determinare la percentuale di prelievo (e in che periodo di tempo) si può accettare prima di cessare l'attività la vostra strategia. Si tratta di una decisione molto personale e, quindi, deve essere considerato con attenzione. CapacityLiquidity - A livello di vendita al dettaglio, a meno che non si sta operando in uno strumento altamente illiquidi (come un magazzino small-cap), non dovrete preoccuparvi notevolmente con capacità di strategia. Capacità determina la scalabilità della strategia per un'ulteriore capitale. Molti dei fondi hedge più grandi soffrono di problemi di capacità significativi come le loro strategie aumentano di allocazione del capitale. Parametri - Alcune strategie (specialmente quelle che si trovano nella comunità apprendimento automatico) richiedono una grande quantità di parametri. Ogni parametro aggiuntivo che una strategia richiede lascia più vulnerabile polarizzare ottimizzazione (noto anche come curva-montaggio). Si dovrebbe cercare di strategie di destinazione con il minor numero di parametri come possibile o assicurarsi di avere una quantità sufficiente di dati con cui testare le vostre strategie su. Indice di riferimento - Quasi tutte le strategie (a meno che il carattere di rendimento assoluto) sono misurati nei confronti di alcuni benchmark delle prestazioni. Il benchmark è di solito un indice che caratterizza un ampio campione della classe di attività sottostante che i mestieri di strategia. Se la strategia commercia large-cap titoli azionari statunitensi, allora la SP500 sarebbe un punto di riferimento naturale per misurare la vostra strategia contro. Si sente l'alfa e beta termini, applicato a strategie di questo tipo. Discuteremo questi coefficienti in profondità negli articoli successivi. Si noti che non abbiamo discusso i rendimenti effettivi della strategia. Perché questo è in isolamento, i rendimenti in realtà ci forniscono informazioni limitate per quanto riguarda la efficacia della strategia. Essi non si darà una panoramica di leva, la volatilità, benchmark o requisiti di capitale. Così le strategie sono raramente giudicati sulla loro dichiarazioni da solo. Sempre in considerazione gli attributi di rischio di una strategia prima di guardare i rendimenti. In questa fase molte delle strategie che dal gasdotto saranno respinte di mano, in quanto si suole che soddisfano il fabbisogno di capitale, vincoli di leva, la tolleranza massima perdita o preferenze di volatilità. Le strategie che rimangono possono ora essere prese in considerazione per backtesting. Tuttavia, prima che questo è possibile, è necessario considerare uno criterio rifiuto finale - quello dei dati storici disponibili su cui testare queste strategie. Ottenere dati storici Al giorno d'oggi, l'ampiezza dei requisiti tecnici attraverso classi di attività per la conservazione dei dati storici è sostanziale. Al fine di rimanere competitivi, sia per il buy-side (fondi) e sell-side (banche di investimento) investire pesantemente nella loro infrastruttura tecnica. E 'indispensabile prendere in considerazione la sua importanza. In particolare, siamo interessati a requisiti di tempestività, precisione e di stoccaggio. Passo ora a delineare le basi di ottenere dati storici e come conservarlo. Purtroppo questo è un argomento molto profondo e tecnico, in modo Non sarò in grado di dire tutto in questo articolo. Tuttavia, Scriverò molto di più su questo in futuro, come la mia esperienza nel settore, prima nel settore finanziario è principalmente interessati con l'acquisizione dei dati finanziari, la conservazione e l'accesso. Nel paragrafo precedente abbiamo creato una pipeline strategia che ci ha permesso di rifiutare certe strategie basate sulle nostre criteri di scarto personale. In questa sezione verranno filtro più strategie basate sulle nostre preferenze per l'ottenimento di dati storici. Le considerazioni principali (in particolare a livello medico al dettaglio) sono i costi dei dati, i requisiti di archiviazione e il vostro livello di competenza tecnica. Abbiamo anche bisogno di discutere i diversi tipi di dati disponibili e le varie considerazioni che ogni tipo di dati sarà imporci. Iniziamo discutendo i tipi di dati disponibili e le questioni chiave avremo bisogno di pensare: dati fondamentali - Questo include i dati sulle tendenze macroeconomiche, come i tassi di interesse, i dati sull'inflazione, le azioni societarie (dividendi, stock-split), depositati presso la SEC , i conti aziendali, guadagni figure, i rapporti delle colture, dati meteorologici ecc Questi dati è spesso usato per le aziende di valore o altre attività su una base fondamentale, vale a dire attraverso alcuni mezzi di flussi di cassa attesi. Non include serie di prezzo delle azioni. Alcuni dati fondamentali è liberamente disponibile da siti web del governo. Altri dati fondamentali storici a lungo termine possono essere estremamente costoso. Requisiti per la conservazione spesso non sono particolarmente grandi, se non migliaia di aziende sono allo studio in una sola volta. Notizie Dati - Notizie dati è spesso di natura qualitativa. Si compone di articoli, post di blog, i messaggi nei microblog (tweets) e editoriale. tecniche di apprendimento automatico quali classificatori sono spesso utilizzati per interpretare il sentimento. Questo dato è spesso disponibile gratuitamente oa buon mercato, tramite sottoscrizione ai media. I database di archiviazione dei documenti NoSQL più recenti sono progettati per archiviare questo tipo di dati non strutturati, qualitativi. Asset Price dati - Questo è il dominio di dati tradizionale della Quant. Si compone di serie storiche dei prezzi delle attività. Equities (azioni), prodotti a reddito fisso (obbligazioni), materie prime e prezzi dei cambi tutti si siedono all'interno di questa classe. dati storici quotidiana è spesso semplice di ottenere per le classi di attività più semplici, come le azioni. Tuttavia, una volta la precisione e la pulizia sono inclusi e pregiudizi statistici rimossi, i dati possono diventare costoso. Inoltre, i dati di serie temporali possiede spesso le esigenze di storage importanti soprattutto quando i dati intraday è considerato. Strumenti finanziari - azioni, obbligazioni, futures e le opzioni di derivati ​​più esotici hanno caratteristiche e parametri molto diversi. Quindi non c'è taglia unica struttura del database che li può accogliere. cura significativa deve essere data alla progettazione e realizzazione di strutture di database per vari strumenti finanziari. Discuteremo la situazione a lungo quando si arriva a costruire un database master titoli nei prossimi articoli. Frequenza - Più alta è la frequenza dei dati, maggiori sono i costi ei requisiti di memorizzazione. Per le strategie a bassa frequenza, dati giornalieri è spesso sufficiente. Per le strategie ad alta frequenza, potrebbe essere necessario per ottenere dati a livello di tick e copie anche storici di particolare negoziazione di dati ordine scambio di libri. L'implementazione di un motore di memorizzazione di questo tipo di dati è tecnologicamente molto intenso e adatto solo per quelli con un forte background programmingtechnical. Benchmark - Le strategie sopra descritte saranno spesso rispetto a un punto di riferimento. Questo di solito si manifesta come una serie finanziarie aggiuntive. Per i titoli azionari, questo è spesso un titolo di riferimento nazionale, come l'indice SP500 (USA) il FTSE100 (Regno Unito). Per un fondo di reddito fisso, è utile confrontare contro un paniere di obbligazioni o prodotti a reddito fisso. Il tasso privo di rischio (cioè tasso di interesse appropriato) è anche un altro punto di riferimento ampiamente accettato. Tutte le categorie di asset class in possesso di un punto di riferimento privilegiato, quindi sarà necessario per la ricerca questo in base alla particolare strategia, se si vuole guadagnare l'interesse nella vostra strategia esternamente. Tecnologia - Le pile tecnologia alla base di un centro di stoccaggio di dati finanziari sono complessi. Questo articolo può soltanto graffiare la superficie di ciò che è coinvolto nella costruzione di uno. Tuttavia, lo fa centro intorno ad un motore di database, come ad esempio un Relational Database Management System (RDBMS), come MySQL, SQL Server, Oracle o un motore di archiviazione di documenti (cioè NoSQL). Questo si accede tramite codice dell'applicazione della logica di business che interroga il database e fornisce l'accesso a strumenti esterni, come MATLAB, R o Excel. Spesso questa logica di business è scritto in C, C, Java o Python. Sarà inoltre necessario per ospitare tali dati da qualche parte, sia sul proprio personal computer, o in remoto tramite server internet. Prodotti come Amazon Web Services hanno fatto di questa semplice ed economico negli ultimi anni, ma sarà ancora bisogno di significativi competenze tecniche per realizzare in modo robusto. Come si vede, una volta strategia è stata identificata tramite l'oleodotto sarà necessario valutare le disponibilità, costi, complessità e dettagli implementativi di un particolare insieme di dati storici. Si possono trovare è necessario respingere una strategia basata esclusivamente su considerazioni di dati storici. Si tratta di una grande area e squadre di dottorati lavorare a grandi fondi assicurandosi che i prezzi sono accurate e tempestive. Non sottovalutare le difficoltà di creare un data robusto centro per i vostri scopi di backtesting Voglio dire, tuttavia, che molte piattaforme di backtesting in grado di fornire tali dati in modo automatico - ad un costo. Così ci vorrà gran parte del dolore realizzazione lontano da voi, e ci si può concentrare esclusivamente sulla implementazione della strategia e l'ottimizzazione. Strumenti come TradeStation in possesso di questa capacità. Tuttavia, la mia opinione personale è quello di implementare il più possibile internamente ed evitare di outsourcing parti dello stack di fornitori di software. Io preferisco le strategie di frequenza più alta a causa della loro più attraenti indice di Sharpe, ma spesso sono strettamente accoppiati alla stack tecnologico, dove l'ottimizzazione avanzata è un fattore critico. Ora che abbiamo discusso le questioni che circondano i dati storici è il momento di iniziare ad attuare le nostre strategie in un motore di backtesting. Questo sarà oggetto di altri articoli, in quanto è un altrettanto grande area di discussione appena iniziato con quantitativa TradingSmartQuant è una società di software finanziario lo sviluppo di infrastrutture di trading algo end-to-end per gli hedge fund quantitativi e gruppi commerciali istituzionali. OpenQuant e la sua prossima generazione, OpenQuant2014. SmartQuants attuale prodotto di punta, è un (ATS) piattaforma di sviluppo algoritmico e Automated Trading System. OpenQuant dispone di un IDE (Integrated Development Environment) che fornisce quants e commercianti con una ricerca strategia di forza industriale, lo sviluppo, il debug, test a ritroso, la simulazione, l'ottimizzazione e l'automazione. QuantDesk è una soluzione completa end-to-end per un fondo quant di qualsiasi dimensione. Esso comprende OpenQuant IDE. QuantRouter (algo server di esecuzione con la replica di alimentazione, il consolidamento, aggregazione e smart order routing), QuantBase (server di dati di mercato con la cattura di alimentazione in tempo reale e la gestione dei dati storici centralizzata), QuantTrader (motore di produzione di distribuzione per le strategie di trading automatizzati sviluppati con OpenQuant) e QuantController . un'applicazione server che integra la QuantDesk per consentire una gestione efficiente dei SmartQuants distribuiti architettura commerciale. QuantWeb è una versione nuvola di QuantDesk con il browser web di front-end. Registrati e ottenere un account QuantWeb demo gratuita. La principale differenza tra il quantitativo e lo stile di trading discrezionale è la sistematicità dell'approccio Quant. Mentre i commercianti discrezionali sono come gli artisti, quants tendono a correre un complesso processo produttivo, e quindi hanno bisogno di un'infrastruttura di livello industriale senza il quale non possono mantenere il necessario grado di disciplina sistematica. Purtroppo, essendo una start-up non esime da questa regola. Ma per fortuna, non si ha realmente bisogno di costruire tutta la fabbrica da zero. Utilizzando l'infrastruttura di trading SmartQuant algo permette ai manager emergenti di concentrarsi sul proprio obiettivo primario, che è lo sviluppo di strategie di investimento, beneficiando di un quadro affidabile per implementare e distribuire sul mercato. Certo, abbiamo ancora spendere un sacco di tempo a sperimentare, provare e testare strategie diverse. Avere un buon ambiente di sviluppo non necessariamente consente di saltare questo passo. Il vero vantaggio di un quadro ben progettato è nel tagliare il tempo tra i test e la produzione al minimo, e nella natura scalabile dell'infrastruttura, che può crescere con l'azienda dalla gestione di un piccolo capitale di avviamento a livelli veramente istituzionali. Con un sistema come questo, i manager emergenti possono sentirsi in condizioni di parità, mentre la negoziazione di uno stesso mercato tanto concorrenti più grandi, e possono realizzare appieno i vantaggi intrinseci di essere agile e adattabile. Arthur M. Berd fondatore e CEO, Generale quantitativa, LLC Copyright 1997-2016 SmartQuant Ltd infosmartquant