Quantitative Trading Strategies Blog

Quantitative Research amp Trading Cada modelo de volatilidade estocástica assume sim volatilidade estocástica. Todos os modelos de volatilidade estocástica que eu olhei no entanto pressupõem volatilidade constante de volatilidade. (2) Os modelos são fenomenológicos e requerem entrada dos parâmetros e por isso nunca podem ser preditivos para todos os cenários. Às vezes (como no livro de Hulls) você descobre que as pessoas usam um modelo como (se bem me lembro) modelo Blacks (ao invés de Black e Scholes) e me perdoe se eu tenho o nome errado, para modelar, por exemplo, produtos que dependem de interesse (Que de acordo com Hull têm reversão média e por isso não estão se comportando como um movimento Browniano) e de alguma forma este modelo funciona ou funciona melhor do que o BS, porque embora não destinados a isso faz as saídas direito. O ponto a lembrar é que todos esses modelos são fenomenológicos e dependem de estimativas dos insumos, tais como a volatilidade histórica ea volatilidade da volatilidade, de modo que eles são tanto de interesse acadêmico e de engenharia de interesse (ver como eles podem funcionar na prática) . Como uma analogia considerar turbulência modelagem que faz algumas suposições para fechar as equações - ele funciona para algumas geometrias, mas precisa de um monte de ajuste ou falha para os outros. Então eu acho que a coisa a fazer é construir e estudar esses modelos e, em seguida, de alguma forma avaliá-los para cenários diferentes e emitir recomendações sobre como e quando usá-los Mais de um modelo (e muito diferente modelos motivados) pode dar as mesmas saídas. Nos últimos anos, as formas de falar em médias (lógica fuzzy) têm sido tão eficazes quanto teorias de controle complexas na engenharia prática. Por Daniel Howard Diretor da Howard Science Limited Vou apresentar um artigo sobre Volatility Modeling and Trading na próxima conferência da Quant USA em Nova York na próxima semana, no qual discutirei um modelo de volatilidade estocástica muito efetiva do modelo de volatilidade, o modelo ARFIMA-GARCH . Modela a volatilidade como um processo de memória longo que é perturbado por choques da volatilidade do processo de volatilidade, que evolui na forma de GARCH. O artigo avalia o desempenho do modelo na negociação das opções SampP. Mais detalhes sobre o meu Investimento Quantitativo e Trading blog para vir: quantinvestment. blogs pote / Decomposing Asset Returns Podemos decompor o processo de devolução R t como segue: Enquanto o lado esquerdo da equação é essencialmente imprevisível, tanto do lado direito - Os componentes laterais dos retornos exibem dinâmicas persistentes e, portanto, são previsíveis. Ambos os sinais de retornos e magnitude dos retornos são condicionais média dependente e, portanto, previsível, mas seu produto é condicional média independente e, portanto, imprevisível. Este é um exemplo de um recurso não-linear 8221 no sentido de Engle e Kozicki (1993). Embora os retornos dos ativos sejam essencialmente imprevisíveis, o mesmo não ocorre com os sinais de retorno de ativos (ou seja, a direção da mudança). Enquanto retornos esperados são diferentes de zero, deve-se esperar dependência sinal, dada a evidência esmagadora de dependência volatilidade. Mesmo em ativos onde os retornos esperados são zero, a dependência de sinais pode ser induzida por skewness no processo de devolução de ativos. Assim, a capacidade de timing do mercado é uma possibilidade muito real, dependendo da relação entre a média do processo de devolução de ativos e seus momentos mais elevados. A natureza altamente não-linear da relação significa que a dependência condicional do sinal não é susceptível de ser encontrada por medidas tradicionais, tais como autocorrelações de sinais, testes de corridas ou testes tradicionais de timing de mercado. A dependência de sinais provavelmente será mais forte em horizontes intermediários de 1-3 meses, e provavelmente não será importante em freqüências muito baixas ou altas. Testes empíricos demonstram que a dependência de sinais está muito presente nos retornos de ações reais dos EUA, com probabilidades de retornos positivos aumentando para 65 ou mais em vários pontos nos últimos 20 anos. Um modelo de regressão logit simples capta os fundamentos da relação com muito sucesso. Agora considere as implicações da dependência e, portanto, da previsibilidade no sinal de retorno dos ativos, ou, de forma equivalente, a direção da mudança. Pode ser possível desenvolver estratégias rentáveis ​​de negociação se um pode com êxito tempo do mercado, independentemente de ou não é capaz de prever os retornos próprios. Há provas substanciais de que a previsão de sinais pode ser feita com sucesso. Pesquisa relevante sobre este tópico inclui Breen, Glosten e Jaganathan (1989), Leitch e Tanner (1991), Wagner, Shellans e Paul (1992), Pesaran e Timmerman (1995), Kuan e Liu (1995), Larsen e Wozniak , Womack (1996), Gencay (1998), Leung Daouk e Chen (1999), Elliott e Ito (1999) White (2000), Pesaran e Timmerman (2000) e Cheung, Chinn e Pascual (2003). Bollerslev, Chou e Kramer (1992) revisam evidências no modelo GARCH, Ghysels, Harvey e Renault (1996), os resultados da pesquisa de modelos de volatilidade estocástica, enquanto que Andersen, Bollerslev e Diebold (2003) levantam resultados da modelagem de volatilidade realizada Dinâmica de Sinais Dirigida pela Volatilidade Dinâmica Deixe o processo de retorno R t ser Normalmente distribuído com média m e volatilidade condicional yst A probabilidade de um retorno positivo PrR t1 0 é dada pelo Normal CDF F1-Prob0, f Para um dado retorno médio, m. A probabilidade de um retorno positivo é uma função da volatilidade condicional s t. À medida que a volatilidade condicional aumenta, a probabilidade de um retorno positivo cai, como ilustrado na Figura 1 abaixo com m 10 e st 5 e 15. No primeiro caso, a probabilidade de um retorno positivo é maior porque mais da massa de probabilidade se situa O direito de origem. Apesar de ter o mesmo retorno esperado constante de 10, o processo tem uma maior chance de gerar um retorno positivo no primeiro caso do que no segundo. Assim, a dinâmica da volatilidade impulsiona a dinâmica do sinal. Envie-me um e-mail para jkinlayinvestment-analytics para obter uma cópia do artigo completo. Durante muito tempo os analistas se contentaram em aceitar o desvio padrão dos retornos como a norma para estimar a volatilidade, embora a pesquisa teórica e a evidência empírica datada de 1980 sugeriam que existiam estimadores superiores. Parte da razão foi que as melhorias de eficiência alegadas do Parkinson, Garman - Klass e outros estimadores não conseguiram traduzir na prática quando aplicados a dados reais. Ou, pelo menos, ninguém poderia ter certeza se esses estimadores eram realmente superiores quando aplicados a dados empíricos, pois a volatilidade, o segundo momento da distribuição dos retornos, é inerentemente incognoscível. Você pode dizer com certeza o que o retorno de um determinado estoque em um determinado mês foi simplesmente por tomar o log da razão do preço das ações no final do mês e início. Mas o mesmo não se pode dizer da volatilidade: o desvio padrão dos retornos diários durante o mês, muitas vezes assumido nativamente como representando a volatilidade do ativo, é de fato apenas uma estimativa do mesmo. Tudo isso começou a mudar em torno de 2000 com o advento de dados de alta freqüência eo conceito de Volatilidade Realizada desenvolvido por Andersen e outros (ver Andersen, TGT Bollerslev, FX Diebold e P. Labys (2000), 8220The Distribution of Exchange Rate Volatility, 8221 Versão revisada do documento de trabalho do NBER No. 6961). Os pesquisadores mostraram que, em princípio, se poderia chegar a uma estimativa de volatilidade arbitrariamente próxima ao seu verdadeiro valor, somando os quadrados de retornos de ativos com freqüência suficientemente alta. A partir deste ponto, a Volatilidade Realizada tornou-se o padrão ouro da estimativa da volatilidade, deixando outros estimadores na poeira. Excepto que, na prática, existem muitas vezes razões pelas quais a Volatilidade Realizada pode não ser o caminho a percorrer: por exemplo, os dados de alta frequência podem não estar disponíveis para a série, ou apenas para uma parte e o bounce-ask bounce pode ter um Um impacto substancial na robustez das estimativas de Volatilidade Realizada. Assim, mesmo quando os dados de alta frequência estão disponíveis, ainda pode fazer sentido calcular estimadores de volatilidade alternativos. De fato, agora que existe um estimador padrão ouro da verdadeira volatilidade, é possível obter os braços em torno da questão do desempenho relativo de outros estimadores. Essa foi a minha intenção no meu trabalho de pesquisa sobre Estimativa da Volatilidade Histórica, no qual eu comparo as características de desempenho do Parkinson, Garman - Klass e outros estimadores em relação ao estimador de volatilidade realizada. A comparação foi feita em vários processos GBM sintéticos em que a série simulada incorporou derivação não-zero, saltos e volatilidade estocástica. Uma nova avaliação foi feita usando uma série de dados reais, incluindo retornos de 5 minutos sobre o SampP 500 no período de janeiro de 1988 a dezembro de 2003. Os achados foram geralmente de suporte para as melhorias de eficiência reivindicadas para todos os estimadores, que foram superiores ao Desvio padrão clássico de retornos em cada critério em quase todos os casos. No entanto, a evidente superioridade de todos os estimadores, incluindo o estimador de Volatilidade Realizada, começou a declinar para processos com deriva não-zero, saltos e volatilidade estocástica. Houve até evidência de viés significativo em algumas das estimativas produzidas para algumas das séries, notadamente pelo desvio padrão do estimador de retornos. Finalmente, a análise dos resultados do estudo das séries de dados empíricos sugeriu que houve efeitos adicionais nos dados empíricos, não vistos nos processos simulados, que fizeram com que a eficiência do estimador caísse bem abaixo dos níveis teóricos. Uma conjectura é que os efeitos de memória longa, uma característica da maioria dos processos empíricos de volatilidade, desempenharam um papel significativo nessa descoberta. A linha de fundo é que, em geral, o estimador de volatilidade de intervalo de registro executa de forma robusta e com eficiência superior ao desvio padrão do estimador de retorno, independentemente das características precisas do processo subjacente. Envie-me um e-mail em jkinlayinvestment-analytics se você gostaria de receber uma cópia do paper. I tinha um número de estratégias que eu queria comparar e Alan8217s programa me ajudou a quantificar cada um deles e descobrir suas forças e fraquezas. I8217m agora negociação a combinação ideal de estratégias que eu posso e passando a desenvolver mais idéias. Eu já era um comerciante experiente e rentável de antemão, mas Alan8217s programa me permitiu levar isso para um novo nível. O curso de Alan8217s ajudou-me a construir um sistema negociando que I8217m que negocia agora vivo. O curso é muito bem estruturado e me levou de ser um novato absoluto para ser capaz de desenvolver e testar o tipo de sistema que eu queria para o comércio. Eu posso recomendar o curso de Alan8217s bastante, it8217s mudou meu outlook inteiro e aproximação aos mercados. Investidor privado (nome retido) Gostaria de lhe agradecer muito por suas sessões de tutoria on-line. Eu não hesitaria em recomendar o seu programa de mentoria para aqueles que estão seriamente interessados ​​em aprender a codificar em Amibroker, e mais importante como aplicar Amibroker como parte de um plano de negociação geral. Esta foi uma prática muito prática experiência de aprendizagem e deu-me uma vantagem na aprendizagem de negociação sistemática com Amibroker. Teria levado vários anos para ter adquirido o conhecimento equivalente que você forneceu. Estou ansioso para o seu apoio contínuo no próximo ano. Obrigado novamente Phillip W. Trading o sistema que desenvolvi com Alan no curso me deu tanta mais confiança na execução de meus negócios. I8217ve também começou a construir uma série de minhas próprias estratégias desde a conclusão do curso. O apoio contínuo oferecido por Alan é inigualável. It8217s grande ter alguém a quem recorrer quando eu correr em um problema ou necessidade de discutir uma idéia. Isenção de responsabilidade Todos os métodos, técnicas, gráficos, análises ou resultados apresentados no Helix Trader são apenas para fins educacionais. As informações fornecidas não devem ser interpretadas como uma recomendação para comprar ou vender qualquer instrumento financeiro. Você deve sempre consultar com seu conselheiro financeiro licenciado e conselheiro fiscal para determinar a adequação de qualquer investimento para sua situação financeira particular. A Helix Trader e seus afiliados, diretores ou agentes não serão responsabilizados por suas decisões de investimento. A Helix Trader nem qualquer de suas afiliadas, diretores ou agentes são um serviço de consultoria financeira, nem um consultor financeiro licenciado e não fornecem aconselhamento financeiro em quaisquer produtos financeiros. Você entende e reconhece que há um grau muito alto de risco envolvido na negociação de valores mobiliários e derivativos. Em particular, a negociação de instrumentos alavancados como Futuros, Contratos por Diferença ou Opções pode ampliar as perdas, bem como os ganhos obtidos devido às flutuações dos preços de mercado, e você pode perder mais do que seu investimento original. Além disso, não se deve presumir que quaisquer métodos, técnicas ou indicadores apresentados serão rentáveis ​​ou que não resultarão em perdas. Os resultados anteriores de qualquer comerciante individual ou sistema de negociação apresentados não são indicativos de retornos futuros por esse operador ou sistema e não são indicativos de retornos futuros que podem ou não ser realizados por você. Resultados de desempenho hipotéticos ou simulados têm certas limitações inerentes. Ao contrário de um registro de desempenho real, os resultados simulados não representam a negociação real e não podem ser afetados por corretagem, derrapagem e outras taxas. Além disso, uma vez que os negócios não foram realmente executados, os resultados podem ter sob ou sobre-compensado o impacto, se houver, de certos fatores de mercado, como a falta de liquidez. Nenhuma representação está sendo feita que qualquer conta vai ou é susceptível de alcançar lucros ou perdas semelhantes aos demonstrados. Ao visualizar o material nesta página, você concorda plenamente que você entende e consente com o aviso acima. Guia do início de negociação quantitativa Neste artigo eu vou apresentá-lo a alguns dos conceitos básicos que acompanham uma negociação quantitativa ponta-a-ponta Sistema. Este post esperamos servir duas audiências. O primeiro será indivíduos que tentam obter um emprego em um fundo como um comerciante quantitativo. O segundo serão os indivíduos que desejam tentar criar seu próprio negócio de negociação algorítmica de varejo. A negociação quantitativa é uma área extremamente sofisticada de finanças quantitativas. 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 requer uma extensa experiência em programação, pelo menos em uma linguagem como MATLAB, R ou Python. No entanto, à medida que a frequência de negociação da estratégia aumenta, os aspectos tecnológicos tornam-se muito mais relevantes. Assim, estar familiarizado com C / C será de suma importância. Um sistema de comércio quantitativo consiste em quatro componentes principais: Identificação da estratégia - Encontrar uma estratégia, explorando uma borda e decidindo na freqüência negociando Backtesting da estratégia - obtenção de dados, analisando o desempenho da estratégia e removendo preconceitos Execution System - ligando a uma corretora, automatizando o comércio e minimizando Custos de transação Gerenciamento de Risco - alocação de capital otimizada, tamanho da aposta / critério Kelly e psicologia comercial Bem, comece por dar uma olhada em como identificar uma estratégia de negociação. Identificação da estratégia Todos os processos de negociação quantitativa começam com um período inicial de pesquisa. Este processo de pesquisa envolve encontrar uma estratégia, ver se a estratégia se encaixa em um portfólio de outras estratégias que você pode estar executando, obtendo todos os dados necessários para testar a estratégia e tentar otimizar a estratégia para maiores retornos e / ou menor risco. Você precisará considerar seus próprios requisitos de capital se estiver executando a estratégia como um comerciante varejista e como quaisquer custos de transação afetarão a estratégia. Contrariamente à crença popular é realmente bastante simples de encontrar estratégias rentáveis ​​através de várias fontes públicas. Os acadêmicos publicam regularmente resultados de negociação teóricos (embora na maior parte brutos dos custos de transação). Os blogs quantitativos das finanças discutirão estratégias detalhadamente. Os diários de comércio descreverão algumas das estratégias empregadas pelos fundos. Você pôde questionar porque os indivíduos e as empresas são afiados discutir suas estratégias rentáveis, especial quando sabem que outros que aglomeram o comércio podem parar a estratégia do trabalho no prazo. A razão reside no fato de que eles não costumam discutir os parâmetros exatos e métodos de ajuste que eles têm realizado. Estas 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 o seu próprio procedimento de otimização. Aqui está uma pequena lista de lugares para começar a procurar idéias de estratégia: Muitas das estratégias que você vai olhar para cair nas categorias de média-reversão e tendência-seguinte / momento. Uma estratégia de reversão de 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 a curto prazo dessa média reverterão. Uma estratégia de dinamismo tenta explorar tanto a psicologia dos investidores como a estrutura de grandes fundos ao encurralar uma tendência de mercado, que pode ganhar impulso em uma direção e seguir a tendência até que ela reverta. Outro aspecto extremamente importante do comércio quantitativo é a freqüência da estratégia de negociação. Negociação de baixa freqüência (LFT) geralmente se refere a qualquer estratégia que detém ativos mais do que um dia de negociação. Correspondentemente, a negociação de alta freqüência (HFT) geralmente se refere a uma estratégia que detém ativos intraday. Ultra-high frequency trading (UHFT) refere-se a estratégias que mantêm ativos na ordem de segundos e milissegundos. Como um praticante de varejo HFT e UHFT são certamente possível, mas apenas com conhecimento detalhado da pilha de tecnologia de negociação e dinâmica livro de pedidos. Nós não vamos discutir esses aspectos em grande medida neste artigo introdutório. Uma vez que uma estratégia, ou um conjunto de estratégias, foi identificado, agora precisa ser testado quanto à lucratividade em dados históricos. Esse é o domínio do backtesting. Backtesting da estratégia O objetivo do backtesting é fornecer evidências de que a estratégia identificada através do processo acima é rentável quando aplicada a dados históricos e fora da amostra. Isso define a expectativa de como a estratégia irá realizar no mundo real. No entanto, backtesting não é uma garantia de sucesso, por várias razões. É talvez a área mais sutil de negociação quantitativa, uma vez que implica vieses numerosos, que devem ser cuidadosamente considerados e eliminados, tanto quanto possível. Discutiremos os tipos comuns de viés, incluindo o viés prospectivo. Viés de sobrevivência e viés de otimização (também conhecido como viés de snooping de dados). Outras áreas de importância dentro de backtesting incluem disponibilidade e limpeza de dados históricos, factoring em custos de transação realistas e decidir sobre uma robusta plataforma de backtesting. Bem, discuta os custos de transação na seção Sistemas de Execução abaixo. Uma vez que uma estratégia foi identificada, é necessário obter os dados históricos através dos quais para realizar testes e, talvez, refinamento. Há um número significativo de fornecedores de dados em todas as classes de ativos. Os seus custos geralmente variam em função da qualidade, profundidade e actualidade dos dados. O ponto de partida tradicional para começar comerciantes quant (pelo menos no nível de varejo) é usar o conjunto de dados livre do Yahoo Finance. Eu não vou me debruçar demais sobre os provedores, mas eu 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, tais como dividendos e divisões de ações: A exatidão diz respeito à qualidade geral dos dados - se ele contém quaisquer erros. Erros às vezes podem ser fáceis de identificar, como com um filtro de pico. Que selecionará pontos incorretos em dados de séries de tempo e corrigirá para eles. Em outros momentos, eles 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 é muitas vezes 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 são mais comerciais. No caso das acções, isto significa stocks de acções em situação de falência / falência. Esse viés significa que qualquer estratégia de negociação de ações testada em um desses conjuntos de dados provavelmente funcionará melhor do que no mundo real, já que os vencedores históricos já foram pré-selecionados. Ações corporativas incluem atividades logísticas realizadas pela empresa que geralmente causam uma mudança de função de etapa no preço bruto, que não deve ser incluído no cálculo de retornos do preço. Os ajustes para dividendos e divisões de ações são os culpados comuns. Um processo conhecido como ajuste posterior é necessário para ser realizado em cada uma dessas ações. Deve-se ter muito cuidado para não confundir um grupamento de ações com um verdadeiro ajuste de retorno. Muitos comerciantes foram pegos por uma ação corporativa Para realizar um backtest, é necessário usar uma plataforma de software. Você tem a escolha entre o software dedicado do backtest, tal como Tradestation, uma plataforma numérica tal como Excel ou MATLAB ou uma aplicação feita sob encomenda cheia em uma linguagem de programação tal como Python ou C. Eu não estarei demasiado sobre Tradestation (ou similar), Excel ou MATLAB, como eu acredito em criar uma pilha inteira da tecnologia interna (pelas razões esboçadas abaixo). Um dos benefícios de fazer isso é que o software de backtest e o sistema de execução podem ser bem integrados, mesmo com estratégias estatísticas extremamente avançadas. Para estratégias HFT, em particular, é essencial usar uma implementação personalizada. Quando backtesting um sistema um deve ser capaz de quantificar o quão bem ele está realizando. As métricas padrão da indústria para estratégias quantitativas são a redução máxima ea Taxa de Sharpe. A redução máxima caracteriza a maior queda pico-a-minucioso na curva de equidade da conta durante um determinado período de tempo (geralmente anual). Isso é mais freqüentemente citado como uma porcentagem. As estratégias LFT tendem a ter maiores abaixamentos do que as estratégias HFT, devido a uma série de fatores estatísticos. Um backtest histórico mostrará o drawdown passado máximo, que é um bom guia para o futuro desempenho drawdown da estratégia. A segunda medição é o Índice de Sharpe, que é definido heuristicamente como a média dos retornos excedentes divididos pelo desvio padrão desses retornos excedentes. Aqui, os retornos excedentes referem-se ao retorno da estratégia acima de um ponto de referência pré-determinado. Como o SP500 ou um Tesouro de 3 meses. Observe que o retorno anualizado não é uma medida normalmente utilizada, pois não leva em conta a volatilidade da estratégia (ao contrário do Índice de Sharpe). Uma vez que uma estratégia foi testada e é considerada livre de preconceitos (na medida em que isso é possível), com um bom Sharpe e reduções minimizadas, 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 são enviados e executados pelo corretor. Apesar do fato de que a geração comercial 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, técnicas manuais e semi-manuais são comuns. Para as estratégias de HFT é necessário criar um mecanismo de execução totalmente automatizado, que muitas vezes será fortemente associado com o gerador de comércio (devido à interdependência de estratégia e tecnologia). As principais considerações ao criar um sistema de execução são a interface para a corretora. Minimização dos custos de transação (incluindo comissão, deslizamento e spread) e divergência de desempenho do sistema ao vivo de desempenho backtestado. Há muitas maneiras de interagir com uma corretora. Eles variam de chamar o seu corretor no telefone através de um totalmente automatizado de alto desempenho Application Programming Interface (API). Idealmente, você deseja automatizar a execução de seus negócios, tanto quanto possível. Isso libera você para se concentrar em mais pesquisas, bem como permitem que você execute várias estratégias ou mesmo estratégias de maior freqüência (na verdade, HFT é essencialmente impossível sem a execução automatizada). O software de backtesting comum descrito acima, como MATLAB, Excel e Tradestation são bons para a freqüência mais baixa, estratégias mais simples. No entanto, será necessário construir um sistema de execução interno escrito em uma linguagem de alto desempenho, como C, a fim de fazer qualquer HFT real. Como uma anedota, no fundo que eu costumava ser empregado em, tivemos um loop de negociação de 10 minutos, onde iria baixar novos dados de mercado a cada 10 minutos e, em seguida, executar comércios com base nessa informação no mesmo período de tempo. Isso estava usando um script Python otimizado. Para qualquer coisa que se aproxima de minutos ou de dados de segunda freqüência, eu acredito que 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 pequenas lojas ou empresas HFT, os comerciantes são os executores e, portanto, um conjunto de habilidades muito mais amplo é muitas vezes desejável. Tenha isso 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 econométricos Outra grande questão que cai sob a bandeira de execução é a de minimização de custos de transação. Geralmente, há três componentes para os custos de transação: Comissões (ou impostos), que são as taxas cobradas pela corretora, pela bolsa e pela derrogação da SEC (ou órgão regulador governamental semelhante), que é a diferença entre o que você pretendia que sua ordem fosse Preenchido em relação ao que foi realmente preenchido no spread, que é a diferença entre o preço de compra / venda do título negociado. Observe que o spread não é constante e depende da liquidez atual (ou seja, disponibilidade de ordens de compra / venda) no mercado. Os custos de transação podem fazer a diferença entre uma estratégia extremamente lucrativa com uma boa relação de Sharpe e uma estratégia extremamente desprotegida com uma proporção de Sharpe terrível. Pode ser um desafio para prever corretamente os custos de transação a partir de um backtest. Dependendo da freqüência da estratégia, você precisará acessar dados históricos de troca, que incluirão dados de carrapatos para preços de oferta / solicitação. Equipes inteiras de quants são dedicadas à otimização da execução nos fundos maiores, por estas razões. Considere o cenário em que um fundo precisa descarregar uma quantidade substancial de negócios (dos quais as razões para fazê-lo são muitas e variadas). Ao lançar tantas ações para o mercado, elas rapidamente diminuirão o preço e poderão não obter uma execução ótima. Daí os algoritmos que gotejam ordens de alimentação para o mercado existem, embora então o fundo corre o risco de derrapagem. Além disso, outras estratégias atacam essas necessidades e podem explorar as ineficiências. Este é o domínio da arbitragem de estrutura de fundo. A grande questão final para os sistemas de execução diz respeito à divergência do desempenho da estratégia com o desempenho testado. Isso pode acontecer por várias razões. Nós já discutimos o viés prospectivo e o viés de otimização em profundidade, ao considerar backtests. No entanto, algumas estratégias não tornam mais fácil testar esses vieses 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 aparecem em um backtest, mas mostrar-se na negociação ao vivo. O mercado pode ter sido sujeito a uma mudança de regime subseqüente à implantação de sua estratégia. Novos ambientes regulatórios, a mudança do sentimento dos investidores e os fenômenos macroeconômicos podem levar a divergências na forma como o mercado se comporta e, portanto, a rentabilidade de sua estratégia. Gestão de Risco A peça final para o quebra-cabeça negociação quantitativa é o processo de gestão de risco. Risco inclui todos os preconceitos anteriores que discutimos. Ele inclui o risco de tecnologia, tais como servidores co-localizado na troca de repente desenvolvendo um mau funcionamento do disco rígido. Ele inclui risco de corretagem, como o corretor se tornando falido (não tão louco quanto parece, dado o susto recente com MF Global). Em suma, abrange quase tudo o que poderia interferir com a execução de negociação, das quais existem muitas fontes. Livros inteiros são dedicados à gestão de risco para estratégias quantitativas assim que eu wontt tentativa de elucidate em todas as fontes possíveis do risco aqui. A gestão de riscos também engloba o que é conhecido como alocação de capital ótima. Que é um ramo da teoria da carteira. Este é o meio pelo qual o capital é alocado para um conjunto de diferentes estratégias e para os negócios dentro dessas estratégias. É uma área complexa e depende de algumas matemáticas não-triviais. O padrão da indústria, através do qual a otimização da alocação de capital e alavancagem das estratégias estão relacionadas, é chamado de critério de Kelly. Uma vez que este é um artigo introdutório, eu não vou pensar em seu cálculo. O critério de Kelly faz algumas suposições sobre a natureza estatística dos retornos, que muitas vezes não são verdadeiras nos mercados financeiros, de modo que os comerciantes são frequentemente conservadores quando se trata da implementação. Outro componente chave da gestão de risco é lidar com o perfil psicológico próprio. Existem muitos preconceitos cognitivos que podem fluir para a negociação. Embora isso seja reconhecidamente menos problemático com negociação algorítmica se a estratégia é deixada sozinho Um preconceito comum é que a aversão perda, onde uma posição perdedora não será encerrado devido à dor de ter que perceber uma perda. Similarmente, os lucros podem ser tomados demasiado cedo porque o medo de perder um lucro já ganhado pode ser demasiado grande. Outro viés comum é conhecido como viés de recência. Isso se manifesta quando os comerciantes enfatizam demais os acontecimentos recentes e não a longo prazo. Então naturalmente há o par clássico de polarizações emocionais - medo e ganância. Estes podem muitas vezes levar a sub ou sobre alavancagem, o que pode causar explosão (ou seja, o título da conta de equidade para zero ou pior) ou lucros reduzidos. Como pode ser visto, o comércio quantitativo é uma área extremamente complexa, embora muito interessante, de finanças quantitativas. Eu literalmente arranhado a superfície do tópico neste artigo e já está ficando bastante longa livros inteiros e artigos foram escritos sobre questões que eu só deu uma frase ou duas para. Por essa razão, antes de aplicar para empregos quantitativos de negociação de fundos, é necessário realizar uma quantidade significativa de estudo de base. No mínimo, você precisará de uma ampla experiência em estatística e econometria, com muita experiência na implementação, através de uma linguagem de programação como MATLAB, Python ou R. Para estratégias mais sofisticadas no final de freqüência mais alta, seu conjunto de habilidades é provável Para incluir modificação do kernel do Linux, C / C, programação de montagem e otimização de latência de rede. Se você estiver interessado em tentar criar suas próprias estratégias de negociação algorítmica, minha primeira sugestão seria ficar bom em programação. Minha preferência é construir o máximo de dados grabber, backtester estratégia e sistema de execução por si mesmo como possível. Se seu próprio capital está na linha, wouldnt você dorme melhor à noite sabendo que você testou inteiramente seu sistema e está ciente de suas armadilhas e de edições particulares Terceirizar isto a um vendedor, ao potencial conservar o tempo no curto prazo, poderia ser extremamente A longo prazo.