Quantitativo Negociação Estratégias Blog

As estratégias quantitativas de investimento evoluíram em ferramentas muito complexas com o advento de computadores modernos, mas as raízes das estratégias remontam a mais de 70 anos. Geralmente são executadas por equipes altamente instruídas e usam modelos proprietários para aumentar sua capacidade de Vencer o mercado Há ainda off-the-shelf programas que são plug-and-play para aqueles que procuram simplicidade Quant modelos sempre funcionam bem quando volta testado, mas suas aplicações reais e taxa de sucesso são discutíveis Enquanto eles parecem funcionar bem em mercados de touro Quando os mercados ficam mal, as estratégias quanti está sujeita aos mesmos riscos que qualquer outra estratégia. A história Um dos pais fundadores do estudo da teoria quantitativa aplicada ao financiamento foi Robert Merton Você só pode imaginar o quão difícil e demorado o processo foi Antes do uso de computadores Outras teorias em finanças também evoluíram de alguns dos primeiros estudos quantitativos, incluindo a base de base de diversificação de carteira D na teoria da carteira moderna O uso de finanças quantitativas e cálculos levou a muitas outras ferramentas comuns, incluindo uma das mais famosas, Black-Scholes fórmula opção de preço, que não só ajuda os investidores preço opções e desenvolver estratégias, mas ajuda a manter os mercados Em cheque com a liquidez. Quando aplicado diretamente à gestão de carteiras a meta é como qualquer outra estratégia de investimento para agregar valor, alfa ou excesso retorna Quants, como os desenvolvedores são chamados, compor modelos matemáticos complexos para detectar oportunidades de investimento Há tantos modelos lá fora Como quants que desenvolvê-los, e todos afirmam ser o melhor Um dos pontos de uma estratégia de investimento quantita s best-seller é que o modelo e, finalmente, o computador, faz a decisão de compra de compra real, não um humano Isso tende a remover qualquer emocional Resposta que uma pessoa pode experimentar ao comprar ou vender investimentos. As estratégias de acordo são agora aceitas na comunidade do investimento e funcionadas por fundos mútuos, fundos de hedge um D investidores institucionais Eles normalmente vão pelo nome alfa geradores ou alfa gens. Behind the Curtain Assim como em The Wizard of Oz, alguém está por trás da cortina de condução do processo Como com qualquer modelo, é apenas tão bom como o humano que desenvolve o Embora não exista um requisito específico para se tornar um quant, a maioria das empresas que executam modelos quant combinam as habilidades de analistas de investimento, estatísticos e programadores que codificam o processo nos computadores Devido à natureza complexa dos modelos matemáticos e estatísticos, é comum Para ver credenciais como pós-graduação e doutorado em finanças, economia, matemática e engenharia. Historicamente, esses membros da equipe trabalhou nos escritórios de volta, mas como modelos quant se tornou mais comum, o back office está se movendo para o front office. A taxa de sucesso global é discutível, a razão de algumas estratégias quant trabalho é que eles são baseados em disciplina Se o modelo é certo, a disciplina mantém E que trabalham com computadores de velocidade relâmpago para explorar ineficiências nos mercados com base em dados quantitativos Os próprios modelos podem ser baseados em tão poucas razões como a dívida de PE para o crescimento da equidade e dos lucros, ou usar milhares de insumos trabalhando juntos no mesmo Time. Successful estratégias podem pegar em tendências em seus estágios iniciais como os computadores constantemente executar cenários para localizar ineficiências antes de outros fazer Os modelos são capazes de analisar um grande grupo de investimentos simultaneamente, onde o analista tradicional pode estar olhando para apenas alguns Em um momento O processo de triagem pode classificar o universo por níveis de grau como 1-5 ou AF, dependendo do modelo Isso torna o processo de negociação real muito simples, investindo nos investimentos altamente cotados e vendendo os mais baixos. Up de estratégias como longo, curto e longo curto fundos bem sucedidos quant manter um olho afiado no controle de risco devido à natureza de seus modelos M Ost estratégias começam com um universo ou benchmark e uso setor e ponderações da indústria em seus modelos Isso permite que os fundos para controlar a diversificação, em certa medida, sem comprometer o próprio modelo Quant fundos normalmente são executados em uma base de custo mais baixo porque eles don t necessidade de tantos Analistas tradicionais e gestores de carteira para executá-los. Desvantagens de estratégias Quant Há razões por que tantos investidores não abraçar totalmente o conceito de deixar uma caixa preta executar seus investimentos Para todos os fundos bem sucedidos quant lá fora, assim como muitos parecem ser malsucedido A gestão de capital de longo prazo foi um dos mais famosos fundos de hedge, uma vez que foi gerido por alguns dos mais respeitados líderes acadêmicos e dois economistas ganhadores do Prêmio Nobel Myron S Scholes e Robert C Merton Durante a década de 1990, sua equipe gerou retornos acima da média e atraiu capital de todos os tipos de investidores. Ere famoso por não só explorar as ineficiências, mas usando o acesso fácil ao capital para criar apostas alavancadas enormes sobre as direções do mercado. A natureza disciplinada de sua estratégia realmente criou a fraqueza que levou ao seu colapso Long Term Capital Management foi liquidado e dissolvido no início de 2000 Seus modelos não incluem a possibilidade de que o governo russo poderia inadimplência sobre alguns de sua própria dívida Este evento desencadeou eventos e uma reação em cadeia ampliada pelo alvoroço criado havoc LTCM foi tão fortemente envolvido com outras operações de investimento que seu colapso afetou os mercados mundiais , Desencadeando eventos dramáticos A longo prazo, o Federal Reserve interveio para ajudar, e outros bancos e fundos de investimento apoiou LTCM para evitar mais danos Esta é uma das razões quant fundos podem falhar, uma vez que são baseados em eventos históricos que podem Não incluir eventos futuros. Enquanto uma equipa de quant forte vai constantemente acrescentando novos aspectos aos modelos para prever o futuro Eventos, é impossível prever o futuro cada vez Quant fundos também podem tornar-se oprimido quando a economia e os mercados estão experimentando maior do que a volatilidade média Os sinais de compra e venda pode vir tão rapidamente que a alta rotatividade pode criar comissões elevadas e eventos tributáveis Quant fundos também pode representar um perigo quando eles são comercializados como à prova de urso ou são baseados em estratégias de curto Previsão de recessões usando derivativos e combinação de alavancagem pode ser perigoso Um giro errado pode levar a implosões, que muitas vezes fazem a notícia. As estratégias evoluíram de caixas pretas de back office para ferramentas de investimento mainstream Eles são projetados para utilizar as melhores mentes no negócio e os computadores mais rápidos tanto para explorar as ineficiências e alavancar uso para fazer apostas no mercado Eles podem ser muito bem sucedidos se os modelos têm incluído todos os Direita e são ágeis o suficiente para prever eventos anormais do mercado Por outro lado, enquanto os fundos quant são rigorosamente Back testado até que eles trabalham, a sua fraqueza é que eles dependem de dados históricos para o seu sucesso Embora o estilo de estilo de investimento tem seu lugar no mercado, é importante estar ciente de suas deficiências e riscos Para ser coerente com as estratégias de diversificação é uma boa Idéia de tratar estratégias quant como um estilo de investimento e combiná-lo com as estratégias tradicionais para alcançar diversificação adequada. O montante máximo de dinheiro os Estados Unidos podem emprestar O teto da dívida foi criado 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 título ou índice de mercado A volatilidade pode ser medida. Um ato que o Congresso dos Estados Unidos aprovou em 1933 como a Lei Bancária, Os salários bancários não se referem a qualquer trabalho fora das fazendas, das famílias e das organizações sem fins Setor A Agência dos EUA de Labour. The abreviatura de moeda ou símbolo de moeda para a rupia indiana INR, a moeda da Índia A rupia é composta de 1.Introdução Em um post anterior, Copulas em Gestão de Risco, eu cobri em pormenor a teoria e aplicações De cópulas na área de gestão de risco, apontando os potenciais benefícios da abordagem e como ela poderia ser usada para melhorar estimativas de Valor em Risco, incorporando importantes características empíricas de processos de ativos, tais como asymmetric. Systematic Strategies Fund Feb 2017mentary A volatilidade das séries temporais manteve-se discreta no mês de fevereiro, com a baixa mensal do índice CBOE VIX caindo para um controle de 10 enquanto o rítmo do Trump continuou a impulsionar o mercado mais alto. O risco não desapareceu por completo, porém tem se manifestado em Um aumento na dispersão transversal em ações. Como conseqüência. Modelagem Processos de Ativos. Introdução Nos últimos vinte e cinco anos avanços significativos foram feitos no Teoria dos processos de ativos e agora existe uma variedade de modelos matemáticos, muitos deles computacionalmente tratável, que fornecem uma representação razoável de suas características definidoras. Enquanto o modelo de movimento Browniano Geométrico continua a ser um grampo da teoria do cálculo estocástico,.Uma das medidas de risco mais utilizadas é o Value-at-Risk, definido como a perda esperada em uma carteira em um nível de confiança especificado. Em outras palavras, o VaR é um percentil de uma distribuição de perda. . A estratégia de volatilidade sistemática utiliza modelos matemáticos para quantificar o valor relativo dos produtos ETF com base no CBOE S P500 Volatility Index VIX e criar um portfólio de volatilidade de longo prazo positivo-alfa A estratégia foi projetada para As condições extremas do mercado, utilizando a convexidade positiva dos activos subjacentes ETF Não confia. As Estratégias Sistemáticas Quantitative Equity Strategy. Systematic Estratégias começou em 2009 como uma empresa de negociação proprietária envolvida na negociação de alta freqüência Em 2012, a empresa expandiu em baixa freqüência Sistemática de negociação com o lançamento da nossa estratégia VIX ETF, que foi substituída em 2015 pela estratégia de volatilidade sistemática A empresa começou a gerir o capital externo em sua plataforma de conta gerenciada em 2015.Strategy Portfolio Construction. For muitas décadas os princípios de construção de carteira estabelecidos Por Harry Markovitz na década de 1950 têm sido amplamente aceito como um dos pilares da teoria de carteira moderna, como resumido, por exemplo, neste artigo Wikipedia As forças e fraquezas da metodologia média-variância são agora amplamente compreendido e amplamente aceito. Mas existem alternativas, One. HFT VIX Scalper Leads em Collective2.Our alta freqüência VIX scal Ping é agora a 1 melhor estratégia de desempenho em Collective2, com retornos de mais de 2700 desde abril de 2016 com um Sharpe Ratio acima de 10 e Profit Factor de 2 8 Para obter mais informações sobre HFT scalping estratégias ver o seguinte post. Systematic Strategies Fund. Systematic Strategies Foi lançado em 2009 como uma empresa de negociação proprietária envolvida na negociação de alta freqüência Em 2012, a empresa expandiu em baixa freqüência estratégias de negociação sistemática com o lançamento da nossa estratégia VIX ETF A estratégia original VIX ETF foi substituído em 2015 pela atual Systematic Volatility Strategy, Melhorou na versão original, eliminando. Beginner s Guia de Quantitative Trading. In este artigo vou apresentar-lhe alguns dos conceitos básicos que acompanham um sistema de comércio quantitativo de ponta a ponta Este post será espero servir a duas audiências O primeiro Serão os indivíduos que tentam obter um emprego em um fundo como um comerciante quantitativo O segundo será indivíduos que desejam tentar e configurar Seu próprio varejo negociação algorítmica trading. Quantitative é uma área extremamente sofisticada de finanças quantia Pode levar uma quantidade significativa de tempo para ganhar o conhecimento necessário para passar uma entrevista ou construir suas próprias estratégias de negociação Não só isso, mas requer conhecimentos de programação extensa, Pelo menos em uma linguagem como MATLAB, R ou Python No entanto, como a freqüência de negociação da estratégia aumenta, os aspectos tecnológicos tornam-se muito mais relevantes Assim, estar familiarizado com CC será de importância primordial. Componentes. Strategy Identificação - Encontrar uma estratégia, explorando uma borda e decidir sobre a freqüência de negociação. Strategy Backtesting - Obtendo dados, analisando o desempenho da estratégia e removendo vieses. Execution System - Ligação a uma corretora, automatizando a negociação e minimizando os custos de transação. Risk Management - Otimização da alocação de capital, critério de Kelly de tamanho da aposta e psicologia comercial. Começo por dar uma olhada em como identificar uma estratégia de negociação. Estratégia de identificação. Todos os processos de negociação quantitativa começam com um período inicial de investigação Este processo de investigação abrange encontrar uma estratégia, ver se a estratégia se encaixa em um portfólio de outras estratégias que você pode ser Obtendo todos os dados necessários para testar a estratégia e tentar otimizar a estratégia para maiores retornos e / ou menor risco Você precisará fator em seus próprios requisitos de capital se a execução da estratégia como um varejista e como os custos de transação afetará a estratégia. Contrary à opinião popular é realmente completamente direto encontrar estratégias rentáveis ​​através das várias fontes públicas Academics publica regularmente resultados negociando teóricos albeit na maior parte grosseiros de custos de transação Blogs quantitativos das finanças discutirão estratégias detalhadamente Os diários de comércio esboçarão algumas das estratégias usadas por fundos. Você pôde questionar porque os indivíduos e as empresas são afiados discus S suas estratégias rentáveis, especialmente quando eles sabem que outros aglomerando o comércio pode parar a estratégia de trabalhar a longo prazo A razão reside no fato de que eles não costumam discutir os parâmetros exatos e tuning métodos que eles têm realizado Estas optimizações são A chave para transformar uma estratégia relativamente medíocre em um altamente rentável Na verdade, uma das melhores maneiras de criar suas próprias estratégias exclusivas é encontrar métodos semelhantes e, em seguida, realizar o seu próprio procedimento de otimização. Aqui está uma pequena lista de lugares para começar À procura de idéias de estratégia. Muitas das estratégias que você vai olhar cairão nas categorias de reversão de média e tendência de seguir impulso Uma estratégia de reverter média é aquela que tenta explorar o fato de que uma média de longo prazo em uma série de preços Tais como o spread entre dois ativos correlacionados existe e que desvios a curto prazo desta média eventualmente reverterão Uma estratégia de momentum tenta explorar a psicologia dos investidores e Grande estrutura de fundo por engatar um passeio em uma tendência de mercado, que pode ganhar impulso em uma direção e seguir a tendência até que ele reverte. Outro aspecto extremamente importante da negociação quantitativa é a freqüência da estratégia de negociação Baixa freqüência de negociação LFT geralmente se refere a qualquer Estratégia que detém ativos mais do que um dia de negociação Correspondentemente, alta freqüência de negociação HFT geralmente se refere a uma estratégia que detém ativos intraday Ultra-alta freqüência de negociação UHFT refere-se a estratégias que detêm ativos na ordem de segundos e milissegundos Como um varejo praticante HFT e UHFT São certamente possíveis, mas somente com conhecimento detalhado da pilha de tecnologia de negociação e dinâmica de livro de ordem Não iremos discutir estes aspectos em grande medida neste artigo introdutório. Uma vez que uma estratégia, ou conjunto de estratégias, foi identificado agora precisa ser Testado para rentabilidade em dados históricos que é o domínio de backtesting. Strategy Backtesting. The objetivo de backtesting é prov A evidência de que a estratégia identificada através do processo acima é rentável quando aplicada tanto a dados históricos e fora da amostra. Isso estabelece a expectativa de como a estratégia irá desempenhar no mundo real No entanto, backtesting não é uma garantia de sucesso, para vários Razões É talvez a área mais sutil de negociação quantitativa, uma vez que implica inúmeros viés, que devem ser cuidadosamente considerados e eliminados, tanto quanto possível Vamos discutir os tipos comuns de viés, incluindo viés de tendência viés viésia viés e otimização bias também conhecido como dados Além disso, outras áreas de importância dentro do backtesting incluem disponibilidade e limpeza de dados históricos, factoring em custos de transação realistas e decisão sobre uma plataforma de backtesting robusta Vamos discutir os custos de transação ainda mais na seção de Execution Systems abaixo. Uma vez que uma estratégia foi identificada, É necessário obter os dados históricos através dos quais se realizam os testes e, talvez, Ere um número significativo de fornecedores de dados em todas as classes de ativos Seus custos geralmente escala com a qualidade, profundidade e oportunidade dos dados O ponto de partida tradicional para os comerciantes começando 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 aqui, 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, como dividendos e divisões de ações . A precisão refere-se 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 vai pegar picos incorretos em dados de séries temporais e corrigir para eles Em outros momentos eles podem ser Muito difícil de detectar É muitas vezes necessário ter dois ou mais provedores e, em seguida, verificar todos os seus dados uns contra os outros. Suividade de sobrevivência é muitas vezes um fe Ature de datasets livre ou barato Um dataset com viés de sobrevivência significa que ele não contém ativos que não são mais comerciais No caso de ações isso significa ações de falência delisted Esta tendência significa que qualquer estratégia de negociação de ações testadas em um conjunto de dados provavelmente irá executar melhor Do que no mundo real, já que os vencedores históricos já foram pré-selecionados. As ações corporativas incluem atividades logísticas realizadas pela empresa que geralmente causam uma mudança de função no preço bruto, que não deve ser incluída no cálculo dos retornos do preço Ajustes para dividendos e divisões de ações são os culpados comuns Um processo conhecido como ajuste de volta é necessário para ser realizado em cada uma dessas ações Um deve ter muito cuidado para não confundir um grupamento de ações com um verdadeiro ajuste de retornos Muitos um comerciante foi pego Por uma ação corporativa. A fim de realizar um backtest procedimento é necessário usar uma plataforma de software Você tem a escolha entre dedicat Como uma plataforma numérica, como o Excel ou MATLAB ou uma implementação personalizada completa em uma linguagem de programação como Python ou CI, não vai demorar muito em Tradestation ou similar, Excel ou MATLAB, como eu acredito em criar um Uma das vantagens 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 quão bem ele está executando As métricas padrão da indústria para estratégias quantitativas são o drawdown máximo eo Sharpe Ratio O drawdown máximo caracteriza a maior queda de pico a pico na curva de equidade de conta sobre um determinado Período de tempo geralmente anual Este é mais frequentemente citado como uma percentagem LFT estratégias tendem a ter maiores reduções de HFT estratégias, Devido a uma série de fatores estatísticos Um backtest histórico irá mostrar o passado máximo drawdown, que é um bom guia para o desempenho futuro drawdown da estratégia A segunda medição é a Sharpe Ratio, que é definido heuristicamente como a média dos excessos de retorno dividido 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 deslizamento S, que é a diferença entre o que pretendia que o seu pedido fosse preenchido versus o que era realmente Observe que o spread não é constante e é dependente da liquidez atual ou seja, a disponibilidade de comprar ordens de venda no mercado. Os custos de transação podem fazer a diferença entre um preço de venda Estratégia extremamente rentável com uma boa relação Sharpe e uma estratégia extremamente pouco rentável com uma proporção Sharpe terrível pode ser um desafio para corrigir Dependendo da frequência da estratégia, você precisará acessar dados históricos de troca, que incluirão dados de carrapatos para preços de solicitação de lance. Todas as equipes de quants são dedicadas à otimização de execução em fundos maiores, para estes Considere o cenário em que um fundo precisa para descarregar uma quantidade substancial de negócios de que as razões para fazê-lo são muitas e variadas Por dumping tantas ações para o mercado, eles rapidamente irá deprimir o preço e não pode obter a execução ideal Por isso algoritmos que As ordens de gotejamento de alimentação para o mercado existem, embora, em seguida, o fundo corre o risco de derrapagem Além disso, outras estratégias presa sobre essas necessidades e pode explorar as ineficiências Este é o domínio da arbitragem de estrutura de fundo. Do desempenho da estratégia de desempenho backtestado Isso pode acontecer por uma série de razões Nós já discutimos viés prospectivo e op No entanto, algumas estratégias não tornam mais fácil para 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 mostram O mercado pode ter sido sujeito a uma mudança de regime subseqüente à implantação de sua estratégia. Novos ambientes regulatórios, mudando o sentimento do investidor e os fenômenos macroeconômicos podem levar a divergências na forma como o mercado se comporta e, portanto, A rentabilidade de sua estratégia. Gestão de Riscos. A peça final para o quebra-cabeça negociação quantitativa é o processo de gestão de risco O risco inclui todos os preconceitos anteriores que discutimos Inclui o risco de tecnologia, tais como servidores co-localizado no intercâmbio de repente desenvolvendo um Mau funcionamento do disco rígido Inclui risco de corretagem, como o corretor que se torna falido não tão louco como parece, dado o susto recente w Ith MF Global Em resumo abrange quase tudo o que poderia interferir com a implementação de negociação, de que há muitas fontes Livros inteiros são dedicados à gestão de risco para estratégias quantitativas assim que eu não vou tentar elucidar sobre todas as possíveis fontes de risco here. Risk A gestão também engloba o que é conhecido como a alocação de capital ideal que é um ramo da teoria da carteira Este é o meio pelo qual o capital é alocado para um conjunto de estratégias diferentes e para os negócios dentro dessas estratégias É uma área complexa e depende de alguns não - Matemática trivial O padrão da indústria pelo qual a alocação ótima de capital e a alavancagem das estratégias estão relacionados é chamado o critério de Kelly Como este é um artigo introdutório, não vou me deter no seu cálculo O critério de Kelly faz algumas suposições sobre a natureza estatística dos retornos, Muitas vezes não são verdadeiras nos mercados financeiros, de modo que os comerciantes são frequentemente conservadores quando se trata da implementação. O componente chave do gerenciamento de risco é lidar com o próprio perfil psicológico Há muitos preconceitos cognitivos que podem fluir para a negociação Embora este seja reconhecidamente menos problemático com negociação algorítmica se a estratégia é deixada sozinho Um preconceito comum é o da aversão perda, onde Uma posição perdedora não será fechada para fora devido à dor de ter que realizar uma perda Similarmente, os lucros podem ser tomados demasiado cedo porque o medo de perder um lucro já ganhado pode ser demasiado grande Um outro viés comum é sabido como viés da recência Isto manifesta-se Quando os comerciantes colocam demasiada ênfase em eventos recentes e não a longo prazo Então, naturalmente, há o par clássico de viés emocional - medo e ganância Estes podem muitas vezes levar a under - ou over-leveraging, que pode causar blow-up ou seja, o Conta título de equidade para zero ou pior ou lucros reduzidos. Como pode ser visto, o comércio quantitativo é um extremamente complexo, embora muito interessante, área de finanças quantitativas que literalmente riscado A superfície do tópico neste artigo e já está ficando bastante longo livros inteiros e papéis foram escritos sobre questões que eu só deu uma ou duas frases para Por isso, 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 vasta 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 na maior freqüência Seu conjunto de habilidades provavelmente incluirá a modificação do kernel do Linux, CC, programação de montagem e otimização da latência da rede. Se você estiver interessado em tentar criar suas próprias estratégias de negociação algorítmica, minha primeira sugestão seria ficar bom na programação Minha preferência é Construir o máximo de dados grabber, backtester estratégia e sistema de execução por si mesmo como possível Se o seu próprio capital está na linha, wouldn t Você dorme melhor à noite sabendo que você testou completamente o seu sistema e está ciente de suas armadilhas e problemas específicos. Terceirizar isso com um fornecedor, potencialmente economizando tempo no curto prazo, pode ser extremamente caro a longo prazo. Com Quantitative Trading.