Um algoritmo é um conjunto específico de instruções claramente definidas destinadas a realizar uma tarefa ou processo.
O comércio algorítmico (negociação automatizada, negociação em caixa preta ou simplesmente algo-trading) é o processo de uso de computadores programados para seguir um conjunto definido de instruções para colocar um comércio para gerar lucros a uma velocidade e freqüência impossíveis para um comerciante humano. Os conjuntos definidos de regras são baseados em tempo, preço, quantidade ou qualquer modelo matemático. Além das oportunidades de lucro para o comerciante, o algo-trading torna os mercados mais líquidos e torna a negociação mais sistemática descartando impactos emocionais humanos nas atividades comerciais. (Para mais, consulte Picking the Right Algorithmic Trading Software.)
Suponha que um comerciante siga esses critérios de comércio simples:
Compre 50 ações de uma ação quando sua média móvel de 50 dias excede a média móvel de 200 dias. Vende ações da ação quando sua média móvel de 50 dias está abaixo da média móvel de 200 dias.
Usando este conjunto de duas instruções simples, é fácil escrever um programa de computador que monitorará automaticamente o preço das ações (e os indicadores de média móvel) e colocará as ordens de compra e venda quando as condições definidas forem atendidas. O comerciante não precisa mais manter um relógio para preços e gráficos ao vivo, ou colocar as ordens manualmente. O sistema de negociação algorítmica automaticamente faz isso para ele, identificando corretamente a oportunidade comercial. (Para mais informações sobre as médias móveis, consulte Médias móveis simples, faça as tendências se destacarem.)
[Se você quiser saber mais sobre as estratégias comprovadas e pontuais que podem eventualmente ser trabalhadas em um sistema de comércio alorítico, confira o Curso de Torneio de Dia de Torneio da Invastopedia Academy. ]
Benefícios da negociação algorítmica.
A Algo-trading oferece os seguintes benefícios:
Negociações executadas com os melhores preços Posicionamento instantâneo e preciso da ordem comercial (com altas chances de execução nos níveis desejados) Negociações cronometradas corretamente e instantaneamente, para evitar mudanças de preços significativas Custos de transação reduzidos (veja o exemplo de falta de implementação abaixo) Verificações automatizadas simultâneas em múltiplos condições de mercado Reduziu o risco de erros manuais na colocação dos negócios Backtest o algoritmo, com base nos dados históricos e em tempo real disponíveis Reduzida a possibilidade de erros por comerciantes humanos com base em fatores emocionais e psicológicos.
A maior parte do dia-a-dia é a negociação de alta freqüência (HFT), que tenta capitalizar a colocação de um grande número de pedidos em velocidades muito rápidas em múltiplos mercados e múltiplos parâmetros de decisão, com base em instruções pré-programadas. (Para obter mais informações sobre o comércio de alta freqüência, consulte Estratégias e Segredos de Empresas de Negociação de Alta Freqüência (HFT).)
O Algo-trading é usado em muitas formas de atividades de comércio e investimento, incluindo:
Investidores de médio a longo prazo ou empresas de compra (fundos de pensão, fundos de investimento, companhias de seguros) que adquirem ações em grandes quantidades, mas não querem influenciar os preços das ações com investimentos discretos e de grande porte. Os comerciantes de curto prazo e os participantes do lado da venda (fabricantes de mercado, especuladores e arbitragentes) se beneficiam da execução comercial automatizada; Além disso, ajudas de algo-trading na criação de liquidez suficiente para os vendedores no mercado. Os comerciantes sistemáticos (seguidores de tendências, comerciantes de pares, hedge funds, etc.) acham muito mais eficiente programar suas regras comerciais e permitir que o programa seja comercializado automaticamente.
O comércio algorítmico proporciona uma abordagem mais sistemática ao comércio ativo do que os métodos baseados na intuição ou instinto do comerciante humano.
Estratégias de negociação algorítmica.
Qualquer estratégia de negociação algorítmica exige uma oportunidade identificada que seja rentável em termos de melhoria de ganhos ou redução de custos. As seguintes são estratégias de negociação comuns usadas em algo-trading:
As estratégias de negociação algorítmicas mais comuns seguem as tendências em médias móveis, fuga de canais, movimentos no nível de preços e indicadores técnicos relacionados. Estas são as estratégias mais fáceis e simples de implementar através de negociação algorítmica porque essas estratégias não envolvem fazer previsões ou previsões de preços. Os negócios são iniciados com base na ocorrência de tendências desejáveis, que são fáceis e direitas de implementar através de algoritmos sem entrar na complexidade da análise preditiva. O exemplo acima mencionado de média móvel de 50 e 200 dias é uma tendência popular seguindo a estratégia. (Para mais informações sobre as estratégias de negociação de tendências, consulte: Estratégias simples para capitalizar as tendências.)
Comprar um estoque cotado duplo a um preço mais baixo em um mercado e simultaneamente vendê-lo a um preço mais alto em outro mercado oferece o diferencial de preço como lucro ou arbitragem sem risco. A mesma operação pode ser replicada para ações versus instrumentos de futuros, pois os diferenciais de preços existem de tempos em tempos. Implementar um algoritmo para identificar esses diferenciais de preços e colocar as ordens permite oportunidades lucrativas de forma eficiente.
Os fundos do índice definiram períodos de reequilíbrio para que suas participações fossem compatíveis com seus respectivos índices de referência. Isso cria oportunidades rentáveis para comerciantes algorítmicos, que capitalizam os negócios esperados que oferecem lucros de 20 a 80 pontos base, dependendo do número de ações no fundo do índice, apenas antes do reequilíbrio do fundo do índice. Essas negociações são iniciadas através de sistemas de negociação algorítmica para execução atempada e melhores preços.
Muitos modelos matemáticos comprovados, como a estratégia de negociação neutra do delta, que permitem a negociação de combinações de opções e sua segurança subjacente, onde os negócios são colocados para compensar deltas positivos e negativos, de modo que o portfólio delta seja mantido em zero.
A estratégia de reversão média baseia-se na ideia de que os preços altos e baixos de um bem são um fenômeno temporário que retorna periodicamente ao seu valor médio. Identificar e definir uma faixa de preço e implementar algoritmos com base em isso permite que os negócios sejam colocados automaticamente quando o preço do recurso entra e sai do seu alcance definido.
A estratégia de preços médios ponderados por volume quebra uma grande ordem e libera pedaços menores determinados dinamicamente da ordem para o mercado usando perfis de volume histórico específicos de estoque. O objetivo é executar a ordem perto do preço médio ponderado do volume (VWAP), beneficiando assim o preço médio.
A estratégia de preço médio ponderado no tempo quebra uma grande ordem e libera dinamicamente determinados pedaços menores da ordem para o mercado usando intervalos de tempo uniformemente divididos entre o início e o fim do tempo. O objetivo é executar a ordem perto do preço médio entre os horários de início e término, minimizando assim o impacto no mercado.
Até que a ordem comercial seja totalmente preenchida, este algoritmo continua enviando ordens parciais, de acordo com o índice de participação definido e de acordo com o volume negociado nos mercados. A "estratégia de etapas" relacionada envia ordens a uma porcentagem definida pelo usuário de volumes de mercado e aumenta ou diminui essa taxa de participação quando o preço da ação atinge os níveis definidos pelo usuário.
A estratégia de falta de implementação visa minimizar o custo de execução de uma ordem através da negociação do mercado em tempo real, economizando assim o custo da ordem e beneficiando do custo de oportunidade da execução atrasada. A estratégia aumentará a taxa de participação direcionada quando o preço das ações se mover de forma favorável e diminuí-lo quando o preço das ações se mover de forma adversa.
Existem algumas classes especiais de algoritmos que tentam identificar "acontecimentos" do outro lado. Esses "algoritmos de sniffing", usados, por exemplo, por um market maker market market têm a inteligência interna para identificar a existência de qualquer algoritmo no lado da compra de uma grande ordem. Essa detecção através de algoritmos ajudará o fabricante de mercado a identificar grandes oportunidades de ordem e permitir que ele se beneficie ao preencher os pedidos a um preço mais alto. Isso às vezes é identificado como front-running de alta tecnologia. (Para obter mais informações sobre negociação de alta freqüência e práticas fraudulentas, consulte: Se você comprar ações on-line, você está envolvido em HFTs.)
Requisitos técnicos para negociação algorítmica.
Implementar o algoritmo usando um programa de computador é a última parte, batida com backtesting. O desafio é transformar a estratégia identificada em um processo informatizado integrado que tenha acesso a uma conta de negociação para fazer pedidos. São necessários os seguintes:
Conhecimento de programação de computador para programar a estratégia de negociação necessária, programadores contratados ou software de negociação pré-fabricado Conectividade de rede e acesso a plataformas de negociação para colocar os pedidos Acesso a feeds de dados de mercado que serão monitorados pelo algoritmo para oportunidades de colocar pedidos A capacidade e infra-estrutura para voltar a testar o sistema uma vez construído, antes de entrar em operação em mercados reais Dados históricos disponíveis para backtesting, dependendo da complexidade das regras implementadas no algoritmo.
Aqui está um exemplo abrangente: o Royal Dutch Shell (RDS) está listado na Amsterdam Stock Exchange (AEX) e London Stock Exchange (LSE). Vamos construir um algoritmo para identificar oportunidades de arbitragem. Aqui estão algumas observações interessantes:
AEX negocia em Euros, enquanto a LSE negocia em libras esterlinas. Devido à diferença horária de uma hora, a AEX abre uma hora antes da LSE, seguido de ambas as trocas comerciais simultaneamente durante as próximas horas e depois de negociar apenas na LSE durante a última hora à medida que o AEX fecha .
Podemos explorar a possibilidade de negociação de arbitragem nas ações da Royal Dutch Shell listadas nesses dois mercados em duas moedas diferentes?
Um programa de computador que pode ler os preços atuais do mercado Os feeds de preços de LSE e AEX A taxa de câmbio para a taxa de câmbio GBP-EUR Capacidade de colocação de pedidos que podem rotear a ordem para a troca correta do recurso Back-testing em feeds históricos de preços.
O programa de computador deve executar o seguinte:
Leia o preço de entrada do estoque RDS de ambas as bolsas Usando as taxas de câmbio disponíveis, converta o preço de uma moeda para outra. Se houver uma discrepância de preço suficientemente grande (descontando os custos de corretagem) levando a uma oportunidade rentável, então coloque a compra ordem em troca de preços mais baixos e ordem de venda em troca de preços mais elevados Se as ordens forem executadas conforme desejado, o lucro de arbitragem seguirá.
Simples e fácil! No entanto, a prática de negociação algorítmica não é simples de manter e executar. Lembre-se, se você pode colocar um comércio gerado por algo, os outros participantes do mercado podem também. Conseqüentemente, os preços flutuam em milissegundos e até mesmo em microssegundos. No exemplo acima, o que acontece se o seu comércio de compras for executado, mas o comércio de vendas não acontece à medida que os preços de venda mudam quando o seu pedido atinge o mercado? Você vai acabar sentado com uma posição aberta, tornando sua estratégia de arbitragem inútil.
Existem riscos e desafios adicionais: por exemplo, riscos de falha do sistema, erros de conectividade de rede, atrasos de tempo entre ordens comerciais e execução e, o mais importante de tudo, algoritmos imperfeitos. O algoritmo mais complexo é o backtesting mais rigoroso antes de ser posto em ação.
The Bottom Line.
A análise quantitativa do desempenho de um algoritmo desempenha um papel importante e deve ser examinada criticamente. É excitante ir pela automação auxiliada por computadores com a noção de ganhar dinheiro sem esforço. Mas é preciso certificar-se de que o sistema está completamente testado e os limites exigidos são definidos. Os comerciantes analíticos devem considerar a aprendizagem de sistemas de programação e construção por conta própria, ter confiança em implementar as estratégias certas de forma infalível. O uso cauteloso eo teste completo de algo-trading podem criar oportunidades rentáveis. (Para mais informações, consulte Como codificar seu próprio robô Algo Trading.)
QuantStart.
Junte-se ao portal de membros privados da Quantcademy que atende à comunidade de comerciantes de varejo de varejo em rápido crescimento. Você encontrará um grupo bem informado de mentalistas quant pronto para responder suas perguntas comerciais mais importantes.
Confira meu ebook sobre o comércio de quant, onde eu ensino você como criar estratégias de negociação sistemáticas lucrativas com ferramentas Python, desde o início.
Dê uma olhada no meu novo ebook sobre estratégias de negociação avançadas usando análise de séries temporais, aprendizado de máquina e estatísticas bayesianas, com Python e R.
Por Michael Halls-Moore em 26 de março de 2013.
Neste artigo, vou apresentá-lo a alguns dos conceitos básicos que acompanham um sistema de negociação quantitativa de ponta a ponta. Esta postagem esperará servir dois públicos. O primeiro será indivíduos tentando obter um emprego em um fundo como um comerciante quantitativo. O segundo será indivíduos que desejam tentar configurar seu próprio negócio de negociação algorítmica "de varejo".
Negociação quantitativa é uma área extremamente sofisticada de financiamento quantitativo. Pode levar uma quantidade significativa de tempo para obter o conhecimento necessário para passar uma entrevista ou construir suas próprias estratégias de negociação. Não só isso, mas exige uma ampla experiência em programação, pelo menos em uma linguagem como MATLAB, R ou Python. No entanto, à medida que a frequência comercial da estratégia aumenta, os aspectos tecnológicos tornam-se muito mais relevantes. Assim, ser familiar com C / C ++ será de suma importância.
Um sistema de comércio quantitativo consiste em quatro componentes principais:
Estratégia Identificação - Encontrar uma estratégia, explorar uma vantagem e decidir sobre a freqüência comercial Estratégia Backtesting - Obter dados, analisar o desempenho da estratégia e remover os viés Sistema de Execução - Vinculação a uma corretora, automatizando a negociação e minimizando os custos de transação Gerenciamento de Riscos - Alocação de capital ideal " tamanho da aposta "/ critério Kelly e psicologia comercial.
Começaremos por dar uma olhada em como identificar uma estratégia de negociação.
Identificação de Estratégia.
Todos os processos de negociação quantitativos começam com um período inicial de pesquisa. Este processo de pesquisa abrange a busca de uma estratégia, considerando 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 avaliar seus próprios requisitos de capital se estiver executando a estratégia como um comerciante "varejista" e como qualquer custo de transação afetará a estratégia.
Contrariamente à crença popular, é realmente bastante direto encontrar estratégias lucrativas através de várias fontes públicas. Os acadêmicos publicam periodicamente resultados teóricos de negociação (embora na maioria dos custos brutos de transação). Os blogs de finanças quantitativas discutirão estratégias em detalhes. As revistas comerciais descreverão algumas das estratégias empregadas pelos fundos.
Você pode questionar por que indivíduos e empresas estão interessados em discutir suas estratégias rentáveis, especialmente quando sabem que outros "aglomerando o comércio" podem impedir a estratégia de trabalhar no longo prazo. A razão está no fato de que eles geralmente não discutem os parâmetros exatos e os métodos de ajuste que eles realizaram. Essas otimizações são a chave para transformar uma estratégia relativamente medíocre em uma altamente rentável. Na verdade, uma das melhores maneiras de criar suas próprias estratégias únicas é encontrar métodos semelhantes e, em seguida, realizar seu próprio procedimento de otimização.
Aqui está uma pequena lista de lugares para começar a procurar idéias de estratégia:
Muitas das estratégias que você olhará cairão nas categorias de reversão média e tendência / impulso. Uma estratégia de reversão média é aquela que tenta explorar o fato de que existe um termo de longo prazo em uma "série de preços" (como a disseminação entre dois ativos correlacionados) e que os desvios de curto prazo desse significado eventualmente reverterão. Uma estratégia de impulso tenta explorar a psicologia dos investidores e a grande estrutura de fundos ao "engatar" uma tendência de mercado, que pode aumentar o impulso em uma direção e seguir a tendência até reverter.
Outro aspecto extremamente importante da negociação quantitativa é a freqüência da estratégia de negociação. A negociação de baixa freqüência (LFT) geralmente se refere a qualquer estratégia que detenha ativos por mais tempo do que um dia de negociação. Correspondentemente, a negociação de alta freqüência (HFT) geralmente se refere a uma estratégia que mantém ativos intraday. Ultra-high frequency trading (UHFT) refere-se a estratégias que possuem ativos na ordem de segundos e milissegundos. Como um profissional de varejo HFT e UHFT são certamente possíveis, mas apenas com conhecimento detalhado da "pilha de tecnologia" de negociação e da dinâmica do livro de pedidos. Não discutiremos esses aspectos em grande medida neste artigo introdutório.
Uma vez que uma estratégia, ou conjunto de estratégias, foi identificado, agora precisa ser testado quanto à lucratividade em dados históricos. Esse é o domínio do backtesting.
Teste de estratégia.
O objetivo do backtesting é fornecer evidências de que a estratégia identificada através do processo acima é rentável quando aplicado a dados históricos e fora da amostra. Isso define a expectativa de como a estratégia será realizada no "mundo real". No entanto, o backtesting NÃO é uma garantia de sucesso, por vários motivos. É talvez a área mais sutil de negociação quantitativa, uma vez que implica numerosos preconceitos, que devem ser cuidadosamente considerados e eliminados o máximo possível. Discutiremos os tipos comuns de viés, incluindo viés avançado, viés de sobrevivência e viés de otimização (também conhecido como viés de dados). Outras áreas de importância no backtesting incluem disponibilidade e limpeza de dados históricos, contribuindo com custos de transação realistas e decidindo uma plataforma robusta de backtesting. Discutiremos os custos de transação ainda mais na seção Sistemas de Execução abaixo.
Uma vez que uma estratégia foi identificada, é necessário obter os dados históricos através dos quais realizar testes e, talvez, refinamento. Há um número significativo de fornecedores de dados em todas as classes de ativos. Os seus custos geralmente variam com a qualidade, a profundidade e a pontualidade dos dados. O ponto de partida tradicional para os comerciantes quantos iniciais (pelo menos no nível de varejo) é usar o conjunto de dados gratuitos da Yahoo Finance. Eu não vou me aprofundar em prestadores muito aqui, e 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 pertence à qualidade geral dos dados - quer contenha quaisquer erros. Os erros às vezes podem ser fáceis de identificar, como, por exemplo, com um filtro de espiga, que irá escolher "picos" incorretos em dados da série temporal e corrigi-los. Em outras ocasiões, 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 geralmente é uma "característica" de conjuntos de dados gratuitos ou baratos. Um conjunto de dados com viés de sobrevivência significa que ele não contém ativos que não estão mais negociados. No caso de ações, isso significa ações de saída / falência. Este viés significa que qualquer estratégia de negociação de ações testada em tal conjunto de dados provavelmente funcionará melhor do que no "mundo real", já que os "vencedores" históricos já foram pré-selecionados. As ações corporativas incluem atividades "logísticas" realizadas pela empresa que geralmente causam uma mudança de função gradual no preço bruto, que não deve ser incluído no cálculo dos retornos do preço. Ajustes para dividendos e divisões de estoque são os culpados comuns. Um processo conhecido como ajuste de volta é necessário para ser realizado em cada uma dessas ações. É preciso ter muito cuidado para não confundir um estoque de divisão com um verdadeiro ajuste de retorno. Muitos comerciantes foram pegos por uma ação corporativa!
Para realizar um procedimento de backtest, é necessário usar uma plataforma de software. Você tem a opção entre o software de back-test dedicado, como o Tradestation, uma plataforma numérica como Excel ou MATLAB ou uma implementação personalizada completa em uma linguagem de programação, como Python ou C ++. Não vou demorar muito na Tradestation (ou similar), no Excel ou no MATLAB, pois acredito na criação de uma pilha de tecnologia interna completa (por razões descritas abaixo). Um dos benefícios de o fazer é que o software de backtest e o sistema de execução podem ser bem integrados, mesmo com estratégias estatísticas extremamente avançadas. Para as estratégias HFT em particular, é essencial usar uma implementação personalizada.
Quando testar um sistema, é preciso quantificar o desempenho. As métricas "padrão da indústria" para estratégias quantitativas são a redução máxima e a Ratia Sharpe. A retirada máxima caracteriza a maior queda de pico a calha na curva de equidade da conta em um determinado período de tempo (geralmente anual). Isso geralmente é citado como uma porcentagem. As estratégias de LFT tendem a ter maiores disparidades do que as estratégias de HFT, devido a uma série de fatores estatísticos. Um backtest histórico mostrará a retirada máxima do passado, que é um bom guia para o futuro desempenho de redução da estratégia. A segunda medida é a Ratia de Sharpe, que é definida heuristicamente como a média dos retornos em excesso divididos pelo desvio padrão desses retornos em excesso. Aqui, os retornos excedentes referem-se ao retorno da estratégia acima de um benchmark pré-determinado, como o S & P500 ou um Tesouro de 3 meses. Observe que o retorno anualizado não é uma medida usualmente utilizada, pois não leva em consideração a volatilidade da estratégia (ao contrário do Ratio Sharpe).
Uma vez que uma estratégia foi testada de novo e é considerado livre de preconceitos (na medida em que é possível!), Com um bom Sharpe e reduções minimizadas, é hora de criar um sistema de execução.
Sistemas de Execução.
Um sistema de execução é o meio pelo qual a lista de negócios gerados pela estratégia é enviada e executada pelo corretor. Apesar do fato de que a geração de comércio pode ser semi - ou mesmo totalmente automatizada, o mecanismo de execução pode ser manual, semi-manual (ou seja, "um clique") ou totalmente automatizado. Para estratégias LFT, as técnicas manuais e semi-manuais são comuns. Para as estratégias HFT, é necessário criar um mecanismo de execução totalmente automatizado, que muitas vezes será estreitamente acoplado ao gerador comercial (devido à interdependência da estratégia e da tecnologia).
As principais considerações ao criar um sistema de execução são a interface para a corretora, a minimização dos custos de transação (incluindo a comissão, o deslizamento e a propagação) e a divergência de desempenho do sistema ao vivo com o desempenho testado.
Existem muitas maneiras de se conectar a uma corretora. Eles variam de chamar seu corretor no telefone diretamente para uma interface de programação de aplicativos (API) de alto desempenho totalmente automatizada. O ideal é que você automatize a execução de seus negócios o máximo possível. Isso liberta você para se concentrar em pesquisas futuras, além de permitir que você execute várias estratégias ou mesmo estratégias de maior freqüência (na verdade, o HFT é essencialmente impossível sem execução automática). O software comum de backtesting descrito acima, como MATLAB, Excel e Tradestation são bons para estratégias mais baixas e mais simples. No entanto, será necessário construir um sistema de execução interno escrito em uma linguagem de alto desempenho, como C ++, para fazer qualquer HFT real. Como uma anedota, no fundo em que costumava trabalhar, tivemos um "loop de negociação" de 10 minutos, onde iremos baixar novos dados de mercado a cada 10 minutos e depois executar trades com base nessas informações no mesmo período. Isso estava usando um script Python otimizado. Para qualquer coisa que se aproxime de dados de minuto ou de segunda frequência, acredito que o C / C ++ seria mais ideal.
Em um fundo maior, muitas vezes não é o domínio do comerciante quant para otimizar a execução. No entanto, em lojas menores ou empresas HFT, os comerciantes são os executores e, portanto, um conjunto de habilidades muito mais amplo é muitas vezes desejável. Tenha em mente se você deseja ser empregado por um fundo. Suas habilidades de programação serão tão importantes, se não mais, do que suas estatísticas e talentos de econometria!
Outra questão importante que se enquadra na bandeira de execução é a redução de custos de transações. Geralmente, existem três componentes para os custos de transação: Comissões (ou impostos), que são as taxas cobradas pela corretora, a troca e a SEC (ou órgão regulador governamental similar); deslizamento, qual é a diferença entre o que você pretendia que seu pedido fosse preenchido em relação ao que estava preenchido; spread, que é a diferença entre o preço de oferta / oferta da garantia negociada. Observe que o spread NÃO é constante e depende da liquidez atual (isto é, disponibilidade de ordens de compra / venda) no mercado.
Os custos de transação podem fazer a diferença entre uma estratégia extremamente rentável com uma boa relação Sharpe e uma estratégia extremamente rentável com uma relação Sharpe terrível. Pode ser um desafio prever corretamente os custos de transação de um backtest. Dependendo da frequência da estratégia, você precisará de acesso a dados de troca histórica, que incluirão dados de marca para preços de lances / pedidos. Equipes completas de quants dedicam-se a otimizar a execução nos fundos maiores, por estas razões. Considere o cenário em que um fundo precisa descarregar uma quantidade substancial de negócios (dos quais os motivos para isso são muitos e variados!). Ao "despejar" tantas ações no mercado, elas comprimirão rapidamente o preço e não poderão obter uma execução ótima. Daí, os algoritmos que os pedidos de "gotejamento de alimentação" no mercado existem, embora o fundo corra o risco de derrapagem. Além disso, outras estratégias "presas" sobre essas necessidades e podem explorar as ineficiências. Este é o domínio da arbitragem da estrutura do fundo.
A questão principal final para os sistemas de execução diz respeito à divergência de desempenho da estratégia com o desempenho testado. Isso pode acontecer por vários motivos. Nós já discutimos o viés avançado e o viés de otimização em profundidade, ao considerar backtests. No entanto, algumas estratégias não facilitam a verificação desses preconceitos antes da implantação. Isso ocorre em HFT mais predominantemente. Pode haver erros no sistema de execução, bem como a própria estratégia de negociação que não aparecem em um backtest, mas DO show up live trading. O mercado pode estar sujeito a uma mudança de regime posterior à implantação de sua estratégia. Novos ambientes regulatórios, mudanças no sentimento dos investidores e fenômenos macroeconômicos podem levar a divergências quanto ao comportamento do mercado e, assim, a rentabilidade da sua estratégia.
Gerenciamento de riscos.
A peça final para o enigma de negociação quantitativa é o processo de gerenciamento de riscos. "Risco" inclui todos os vies anteriores que discutimos. Inclui o risco de tecnologia, como servidores co-localizados na troca de repente, desenvolvendo um mau funcionamento do disco rígido. Isso inclui o risco de corretagem, como o corretor se quebrando (não tão louco quanto parece, dado o susto recente com o MF Global!). Em suma, abrange quase tudo o que poderia interferir com a implementação da negociação, das quais existem muitas fontes. Livros inteiros são dedicados ao gerenciamento de riscos para estratégias quantitativas, então não tento elucidar todas as possíveis fontes de risco aqui.
O gerenciamento de riscos também abrange o que é conhecido como alocação ótima de capital, que é um ramo da teoria do portfólio. Este é o meio pelo qual o capital é alocado para um conjunto de estratégias diferentes e para os negócios dentro dessas estratégias. É uma área complexa e depende de algumas matemáticas não triviais. O padrão da indústria pelo qual a alocação ótima de capital e a alavancagem das estratégias estão relacionadas é chamado de critério Kelly. Como este é um artigo introdutório, não vou me deter no seu cálculo. O critério de Kelly faz alguns pressupostos sobre a natureza estatística dos retornos, que geralmente não são válidos nos mercados financeiros, então os comerciantes são geralmente conservadores quando se trata da implementação.
Outro componente chave do gerenciamento de riscos é lidar com o próprio perfil psicológico. Existem muitos viés cognitivos que podem se aproximar da negociação. Embora isso seja certamente menos problemático com o comércio algorítmico se a estratégia for deixada sozinha! Um viés comum é o da aversão à perda em que uma posição perdedora não será encerrada devido à dor de ter que perceber uma perda. Da mesma forma, os lucros podem ser tomados muito cedo porque o medo de perder um lucro já obtido pode ser muito grande. Outro viés comum é conhecido como viés de recência. Isso se manifesta quando os comerciantes colocam muita ênfase nos eventos recentes e não no longo prazo. Então, é claro, há o par clássico de viés emocional - medo e ganância. Estes podem, muitas vezes, levar a alavancagem insuficiente ou excessiva, o que pode causar explosão (ou seja, o patrimônio da conta em zero ou pior!) Ou lucros reduzidos.
Como pode ser visto, o comércio quantitativo é uma área extremamente complexa, embora muito interessante, de financiamento quantitativo. Eu literalmente arranhei a superfície do tópico neste artigo e já está ficando bastante longo! Livros e papéis inteiros foram escritos sobre questões que eu apenas dediquei uma ou duas sentenças. Por essa razão, antes de se candidatar a empregos quantitativos em bolsa de fundos, é necessário realizar uma quantidade significativa de estudo de base. No mínimo, você precisará de uma ampla experiência em estatística e econometria, com muita experiência em 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 da rede.
Se você está interessado em tentar criar suas próprias estratégias de negociação algorítmica, minha primeira sugestão seria melhorar a programação. A minha preferência é criar o máximo de captura de dados, backtester de estratégia e sistema de execução por si mesmo possível. Se o seu próprio capital estiver na linha, você não dormiria melhor à noite sabendo que você testou completamente seu sistema e está ciente de suas armadilhas e problemas específicos? Terceirizar isso para um fornecedor, enquanto potencialmente economizando tempo no curto prazo, poderia ser extremamente caro a longo prazo.
Apenas iniciando o comércio quantitativo?
3 razões para se inscrever na QuantStart List:
1. Quant Trading Lessons.
Você terá acesso instantâneo a um curso gratuito de 10 partes, com sugestões e dicas para ajudá-lo a começar a negociação quantitativa!
2. Todo o conteúdo mais recente.
Todas as semanas, vou enviar-lhe um envoltório de todas as atividades no QuantStart para que você nunca mais perca uma postagem novamente.
Real, dicas de negociação viáveis, sem tonturas.
QuantStart.
O portal QuantCademy QuantStademy da QuantStart fornece recursos educacionais detalhados para aprender comércio sistemático e uma forte comunidade de comerciantes algorítmicos de sucesso para ajudá-lo.
Artigos Mais Recentes.
Apenas iniciando o comércio quantitativo?
3 razões para se inscrever na QuantStart List:
1. Quant Trading Lessons.
Você terá acesso instantâneo a um curso gratuito de 10 partes, com sugestões e dicas para ajudá-lo a começar a negociação quantitativa!
2. Todo o conteúdo mais recente.
Todas as semanas, vou enviar-lhe um envoltório de todas as atividades no QuantStart para que você nunca mais perca uma postagem novamente.
Real, dicas de negociação viáveis, sem tonturas.
Estratégias de negociação algorítmica.
Certificação.
A certificação reconhecida pela indústria permite que você adicione essa credencial à sua conclusão de todos os cursos.
Precisa de treinamento personalizado para sua equipe?
Linha gratuita (844) 397-3739.
Informe-se sobre este curso.
Instrutor.
Nick Firoozye.
Instrutor: Nick Firoozye.
Análise, Design e Confirmação de Estratégias Quantitativas de Negociação.
O curso cobre os princípios subjacentes à negociação algorítmica, abrangendo princípios e análises de tendências, carry, valor, reversão média, valor relativo e outras estratégias mais obscuras, como a gama curta. O instrutor tem mais de 20 anos de experiência no setor financeiro, tanto na compra quanto na venda. Começou sua carreira na Lehman Brothers fazendo modelagem MBS / ABS e depois assumiu vários papéis seniores na Goldman Sachs, DeutscheBank, Sanford Bernstein e Citadel.
Sobre o curso.
Pré-requisitos.
Currículo.
Descrição do Curso.
Os fundos Systematic Quant são uma parte em rápida expansão do hedge fund e do mundo beta inteligente. Embora exista um grande foco na alta freqüência por acadêmicos, as contas de negociação de média a baixa frequência por mais de $ 350 bilhões de AUM e é o segmento de maior crescimento do mundo HF. Este curso de negociação algorítmica cobre os princípios subjacentes à negociação algorítmica, incluindo análises de estratégias de seguimento, carry, valor, reversão média e estratégias de valor relativo. Discutiremos as razões para a estratégia, os projetos de estratégia padrão, os prós e os contras de várias opções de design e os ganhos decorrentes da diversificação em estratégias de portfólio. Finalmente, uma vez que a indústria está atormentada pela superposição e o mau desempenho resultante, discutiremos o p-hacking (ou o "charlatanismo financeiro") e várias estratégias para evitá-lo.
O que eu vou conseguir deste curso?
Pré-requisitos e público-alvo.
O que os alunos devem saber ou fazer antes de iniciar este curso?
Graduação ODE e PDE (física de matemática ou engenharia / expansão de Fourier com base) Algumas Equações Diferenciais Estocásticas (SDEs), embora algumas sejam abordadas no curso.
Análise básica de análise Otimização de álgebra linear numérica.
Quem deveria seguir este curso? Quem não deveria?
em Ciências Físicas e Engenharia em Ciência da Computação com uma sólida compreensão da matemática em Economia ou Finanças com um firme conhecimento da econometria.
Currículo.
Módulo 1: Visão geral do curso.
Discutimos estratégias de negociação e seu contexto recente no mundo da gestão de investimentos alternativos.
Introdução à área, Algo em oposição ao comércio de alta freqüência / baixa latência e áreas de crescimento. Os objetivos do curso, para estudantes / acadêmicos, profissionais e outros comerciantes, e antecedentes gerais do curso.
O que o curso não é. The Role of Data Science e ML - os cientistas de dados precisam saber sobre "canônico" estratégias? Eles podem começar de novo? Nós argumentamos que algumas das estratégias mais comumente usadas fornecem boas orientações para cientistas de dados cujas técnicas raramente funcionam "fora da caixa" e são especialmente propensos a problemas na área de estratégias de troca de algo.
Nós descrevemos os conceitos básicos do programa. Alguns desses materiais são cobertos muito bem, enquanto outros são abordados bastante rapidamente como métodos em uso / abordagens para considerar na elaboração e refinamento de estratégias. Nós abordamos as estratégias de Fundo, Momento, Reversão Média, Carry, Value, Basic Portfolio e o conceito importante de Overfitting, com foco na justificativa matemática e estatística, formulação e propriedades de cada estratégia.
Módulo 2: Visão geral da indústria e revisão de matemática.
Alternativas, Hedge Funds, CTAs e Quant Funds. Qual tamanho e quais números? Quanto eles estão crescendo? Onde estão as oportunidades? De cima para baixo, olhe para as perspectivas gerais da indústria em que a Algo Trading Strategies está empregada.
Quiz sobre fundo e introdução.
Revisamos o método básico Box-Jenkins para modelos ARMA, olhamos polinômios característicos, descrevemos processos estacionários versus não-estacionários.
Revisamos algumas das matemáticas básicas para timeseries, incluindo o ruído branco e o movimento browniano.
Revisamos o ACF e sua relação com os modelos ARMA e começamos os critérios (AIC, BIC) como forma de fazer uma escolha de modelo.
Nós tocamos em métodos mais intensivos em computador para fazer a seleção do modelo - validação cruzada e encontrar erros padrão - bootstrap. Finalmente, discutimos dois métodos mais comuns para resolver SDEs em constantes fechadas e muticipantes e integração por partes / lema de Ito.
Passamos por alguns modelos ARMA básicos e seus ACFs.
Módulo 3: Momentum / Trend Following.
Apresentamos a intuição muito básica por trás do impulso e como construiríamos as estratégias mais simplistas.
Discutimos algumas das propriedades e trocas de impulso, muitas das quais podem ser alteradas pelo design da estratégia.
Mais concretos, incluindo exemplos de retornos na prática.
Nós olhamos as versões de momento discreto e procuram provar que a aspereza muda pelo horizonte.
Esta é uma seção de quadro branco sobre os conceitos básicos da aspeto sobre os resultados do horizonte (Martin-Zou), passando pela prova, mostrando que os conceitos são relativamente fáceis (mesmo que a álgebra seja um pouco tediosa).
Tendo provado resultados sobre a disparidade de retornos de impulso em diferentes horizontes, aplicamos-no a uma regra de média móvel ponderada exponencialmente (EWMA), mostrando como o ponto alto é relacionado ao lookback efetivo (no nosso caso, o "span") de o EWMA.
Nós descrevemos os métodos mais utilizados na indústria, de Kalman Filters para Moving Anes to ARIMA models. Usado corretamente, a maioria desses modelos pode atingir quase a mesma performance.
Apresentamos um notebook ipython. Demora dados de Quandl (e alguns do Yahoo finance), incluindo SPX, SPTR e Fed Funds. Usamos estes para construir retornos em excesso S & amp; P 500 e comparar com SPX. Em seguida, elaboramos uma estratégia de impulso.
Informando as estatísticas relevantes (Sharpes e Skewness) em diferentes horizontes.
Incidente transversal a Timeships. Qual é melhor? Onde eles são usados? Por que devemos conhecê-los? Fads e fantasias na modelagem momentânea. Modelos vs Método.
Nós olhamos para Winsorising ou tapando e pavimentando os sinais (às vezes necessários para evitar uma utilização de capacidade muito grande), usando limiares, etc. Isso geralmente diminui a afinidade, mas eles podem ajudar o desempenho geral. Olhamos vários métodos e discutimos seus prós e contras e como medi-los.
Nós fornecemos links e resumimos o punhado de artigos mais importantes sobre aspectos estatísticos da negociação de impulso para um estudo mais aprofundado. Sendo bem conhecidos, estes são também os papéis mais citados, e, portanto, qualquer nova pesquisa acadêmica pode ser encontrada (usando google scholar) apenas pesquisando pré-impressões e documentos que citam esses importantes estudos.
Resumindo os principais pontos que fizemos na seção 2 sobre Momentum.
Módulo 4: Reversão média / pontos de mudança.
Visão geral da MR e os cronogramas / horizontes associados ao MR, Momentum e Valor.
Uma continuação da palestra anterior, colocando os prazos todos juntos e procurando a história antiga (se necessário)
As características típicas de uma estratégia de negociação de MR, o que esperar e com o que cuidar.
Várias razões concorrentes (ou não tão concorrentes) para a reversão média: provisão de liquidez e reação excessiva.
Volatilidade e reversão média, a teoria e empirismo por trás de sua relação.
Alguns dos mais importantes trabalhos acadêmicos sobre liquidez.
Uma análise dos tipos de comportamento que desejamos discernir entre, enfocando-se na inversão média versus os processos raiz da unidade.
Os Testes ADF são os testes de raiz de unidades mais comumente usados lá fora. Apresentamos seu uso e limitações.
Os testes KPSS tornam H0 e H1 em suas cabeças, testando a reversão média. Eles também têm suas limitações.
Apresentamos testes de proporção de variância, exploramos seu uso e abusos.
Testes de Cointegration e Engle Granger, e o teste mais completo de Johansen.
Harvey Nyblom é para Johansen como KPSS é para ADF e nós exploramos H-N Testes e, em seguida, as falhas para todos os métodos de teste.
poder de testes, intervalos de confiança, erros de tipo 1 e tipo 2.
RV Trade ideas e MR.
Visão geral e abordagens mais clássicas para a detecção de ponto de mudança. Estes são úteis para ajustes lineares por partes dos dados para estabelecer meios de tendência e reversão média para esses meios de tendências.
Usando a regressão do lasso para detectar tendências, podemos identificar pontos de interrupção e extrair tendências ao mesmo tempo. Embora nem sempre seja o método mais fácil, os métodos de regularização, como o lasso, são úteis em muitas circunstâncias e também são um quadro decente para pensar nos problemas subjacentes.
Acompanhamos uma ferramenta muito prática e implementável - segmentação binária seqüencial (e segmentação binária selvagem)
Módulo 5: estratégias de Carry, Value e Portfolio.
Definimos levar e dar uma justificativa em termos de medidas P vs Q.
Continuamos a discussão das diferenças entre a medida P (mundo físico) versus a medida Q (para preços e derivativos de hedge). Enquanto Q (onde as taxas no local sempre se deslocam para o frente ou - "forwards" são realizadas, é uma construção interessante, é simplesmente isso. Nós temos que usá-lo para negociar e proteger (ou "gerenciar riscos") derivativos. Realmente, em mercados incompletos, Q não é realmente único e é apenas uma construção útil. Realisticamente falando, as taxas no local tendem a ficar colocadas, e as caminhadas aleatórias são muito mais prováveis do que terem realizado avanços. Se as taxas pontuais são martingales / passeios aleatórios, esta é uma racionalidade perfeitamente correta para estudar levar.
Definir carry-- o que é isso? Por que nos preocupamos com isso? O que é uma posição de transporte positivo e o que é uma posição de transporte negativo? E quanto a commodities?
Definimos o carry for swaps, algo não tão facilmente disponível, e também um pouco para os títulos. As obrigações, no entanto, são completamente mais difíceis, uma vez que você precisa saber as taxas de financiamento específicas dos títulos (taxas de reimportação a prazo), então, principalmente, buscamos transferências para swaps.
Nós descrevemos brevemente o carry for Futures (incluindo commodity e equity) e FX e para a área de Derivados menos bem coberta.
Resumimos a exploração do carry.
Definimos valor, uso e como isso difere de Equities (onde está bem definido e seguido regularmente) para renda fixa, fx e commodities. O valor, com suas propriedades de reversão média de longo prazo, é naturalmente ortogonal ao impulso e reversão média.
Otimização média da variância como guia para os princípios básicos da estratégia de portfólio.
Apresentamos a otimização do portfólio como uma regressão e descrevemos os testes F para significância estatística das mudanças nos pesos do portfólio.
Nós introduzimos carteiras condicionais e otimização para incluir reatribuição dinâmica. O uso de carteiras aumentadas nos permite considerar sinais dinâmicos na otimização de portfólio. Finalmente, falamos sobre as deficiências da maioria das otimizações do portfólio de estilo MVO e introduzimos uma série de medidas de desempenho padrão usadas nos problemas de medição e alocação.
Módulo 6: superposição.
Apresentamos o problema e as questões relacionadas com o p-hacking, a falta de reprodutibilidade e a superação excessiva nas competições Kaggle.
A superação em finanças é talvez mais problemática do que qualquer outro campo. Enquanto a Amazon ou o Google perderam alguns cliques, contando com resultados espúrios, em finanças, poderíamos facilmente arriscar a insolvência. Enquanto isso, a superposição é bastante comum e estudos recentes mostraram sua prevalência.
Bailey e outros propuseram aumentar os comprimentos do backtest para evitar a superposição. O método é ilustrativo, mas fornece mais uma regra geral. Nós descrevemos os resultados de seu artigo sobre "Charlatanism Financeiro e Pseudo-Matemática" e o conceito de comprimento mínimo de backtest.
Harvey e Liu discutem as estatísticas dos índices Sharpe, convertendo-se para p-values (se Sharpe = E [Ret] / Std [Ret], o teste é H0: E [Ret] = 0). Eles então discutem testes de hipóteses múltiplas e como se lida com isso.
Formas de lidar com o Teste de Hipóteses Múltiplos - métodos Holm e Bonferroni, um pouco mais extremos do que ótimos, mas dando uma boa visão sobre os meios de ajuste de valores de p.
Descrevemos o melhor método para controlar a taxa de descoberta falsa (FDR), o ajuste BHY e falamos sobre seu impacto em Ratios Sharpe com base no número de estratégias executadas e no tamanho do histórico disponível para backtest. Finalmente, resumimos as abordagens práticas para a superação do backtest.
Módulo 7: Resumo do curso.
Jay J.
Dezembro de 2016.
Dezembro de 2016.
Este curso me deu uma compreensão mais profunda do comércio algorítmico e sua prática. A entrega do instrutor é muito clara e envolvente. Ele parece muito experiente e apaixonado pelos temas. Vale a pena cada minuto e cada dólar. Altamente recomendado.
Maio de 2017
Um curso muito útil para empresas de comércio de finanças como eu com experiência em engenharia. Isso me ajudou a aprimorar minhas habilidades analíticas em estratégias de negociação quantitativas. O instrutor explicou os princípios de troca de algoritmos e aplicando-os para soluções em tempo real. As palestras foram fáceis de entender com informações fornecidas em vários prós e contras de abordagens na concepção de estratégias e na compreensão das armadilhas. Como comerciante de algoritmos, o curso me ajudou a entender muitos pequenos detalhes das propriedades estatísticas das estratégias. Estou realmente em dívida com a instrução para entender os muitos aspectos dos algoritmos, alguns dos quais não conheci plenamente. Todos os tópicos da palestra foram muito úteis para mim.
Maio de 2017
Em geral, um curso muito bom para aqueles que querem prosseguir o campo de comércio de finanças. Fiel à declaração feita no curso, este curso abrange todos os fundamentos dos fundos de hedge e dos fundos de negociação e negociação de algoritmos. Eu acho benéfico.
Maio de 2017
Excelente curso. Como um profissional de comércio que envolveu fundos, isso me ajudou a desenvolver meus conhecimentos teóricos na compreensão dos ativos de implementação e da estratégia de negociação baseada em portfólio.
Julho de 2017.
Este curso abrange alguns programas comerciais que funcionam nos mercados em desenvolvimento. Isso coloca métodos baseados em colisões de impulso, impulso, persistência de ganhos, reversão de preços, qualidade de ganhos, viés comportamentais, crescimento de negócios subjacente e análise textual de relatórios de negócios.
Julho de 2017.
Neste curso, você pode aprender a ler um documento acadêmico. As explicações sobre os elementos a serem ignorados e quais elementos devem prestar atenção e discussão aqui. Além disso, as explicações para cada estratégia, introdução à pesquisa fundamental e, então, como implementar a estratégia é fácil de entender.
Juan Camilo M.
Gostaria de dizer que, em geral, é um bom curso, e particularmente benéfico para o iniciante. Bom valor para o dinheiro gasto neste curso.
Julho de 2017.
Adorei o modo como este assunto foi ensinado. Houve alguns conselhos muito úteis, como o valor de se manter disciplinado ao aderir ao algoritmo que você compôs.
Informe-se sobre este curso.
Por favor, preencha os detalhes e nossa equipe de suporte irá voltar para você no prazo de 1 dia útil.
Ofertas.
Contate-Nos.
Harvard Innovation Launch Lab.
114 Western Ave, Boston, MA 02134.
Linha gratuita: (844) EXPERFY ou.
Manter contato.
Ao se inscrever, você confirma que aceita os Termos de Serviço e a Política de Privacidade.
No comments:
Post a Comment