Bøker On Algoritmisk Trading Strategier

Grunnleggende om Algoritmiske Trading Begreper og Eksempler. En algoritme er et bestemt sett med klart definerte instruksjoner som er rettet mot å utføre en oppgave eller prosess. Algoritmisk handel, automatisert handel, svart bokhandel eller ganske enkelt algo-trading er prosessen med å bruke datamaskiner programmert til Følg et definert sett med instruksjoner for å sette en handel for å generere fortjeneste med en hastighet og frekvens som er umulig for en menneskehandel. De definerte settene av regler er basert på timing, pris, kvantitet eller hvilken som helst matematisk modell. Bortsett fra profittmuligheter for handelsmann, algo-trading gjør markedene mer likvide og gjør handel mer systematisk ved å utelukke følelsesmessige menneskelige virkninger på handelsaktiviteter. Oppsett av næringsdrivende følger disse enkle handlekriteriene. Kjøp 50 aksjer på lager når 50-dagers glidende gjennomsnitt går over 200 dagers glidende gjennomsnitt. Selger aksjer på aksjen når det 50-dagers glidende gjennomsnittet går under 200-dagers glidende gjennomsnitt. Ved hjelp av dette settet med to enkle instruksjoner, er det enkelt å skrive det er et dataprogram som automatisk overvåker aksjekursen og de bevegelige gjennomsnittsindikatorene og legger kjøps - og salgsordrene når de definerte vilkårene er oppfylt. Trafikken trenger ikke lenger å holde øye med livepriser og grafer, eller legge inn ordrene manuelt Det algoritmiske handelssystemet gjør det automatisk for ham ved å identifisere handelsmuligheten riktig. For mer om å flytte gjennomsnitt, se Simple Moving Averages. Gjør trendene stående. All-trading gir følgende fordeler. Handler utført til de beste mulige prisene. Instant og nøyaktig handel ordre plassering og dermed høye muligheter for utførelse på ønsket nivå. Trader timet riktig og umiddelbart, for å unngå betydelige prisendringer. Reduserte transaksjonskostnader se gjennomføringsfeil eksempelet nedenfor. Samtidig automatisert sjekker på flere markedsforhold. Redusert risiko for manuelle feil ved å plassere trades. Backtest algoritmen, basert på tilgjengelig historisk og sanntid data. Reduced mulighet av feil av menneskelige handelsfolk basert på følelsesmessige og psykologiske faktorer. Den største delen av dagens algo-trading er høyfrekvent trading HFT, som forsøker å kapitalisere på å plassere et stort antall bestillinger med svært høye hastigheter på tvers av flere markeder og flere beslutningsparametre, basert på forhåndsprogrammerte instruksjoner For mer om handel med høyfrekvent handel, se Strategier og hemmeligheter for HFT-firmaer med høy frekvenshandel. All-trading brukes i mange former for handels - og investeringsvirksomhet, inkludert. Mid til langsiktige investorer eller kjøpspensjonspensjoner fond, fond, forsikringsselskaper som kjøper i aksjer i store mengder, men ønsker ikke å påvirke aksjekursene med diskrete, store voluminvesteringer. Korttidshandlere og selger sideaktører gjør beslutningstakere i spekulasjoner og arbitragerer til fordel for automatisert handel i tillegg, algo-trading hjelpemidler i å skape tilstrekkelig likviditet for selgere i markedet. Systematiske handelsfolk trend tilhenger par tra ders hedge funds osv. synes det er mye mer effektivt å programmere sine handelsregler og la programmet handle automatisk. Algoritmisk handel gir en mer systematisk tilnærming til aktiv handel enn metoder basert på en menneskelig næringsdrivendes intuisjon eller instinkt. Algoritmiske handelsstrategier. En ny strategi for algoritmisk handel krever en identifisert mulighet som er lønnsom når det gjelder bedre inntjening eller kostnadsreduksjon. Følgende er vanlige handelsstrategier som brukes i algo-trading. De vanligste algoritmiske handelsstrategiene følger trender i bevegelige gjennomsnitt, kanalbrudd, prisnivåbevegelser og tilhørende tekniske indikatorer. Disse er de enkleste og enkleste strategiene for å implementere gjennom algoritmisk handel fordi disse strategiene ikke involverer å foreta noen spådommer eller prisprognoser. Handler initieres basert på forekomsten av ønskelige trender som er enkle og grei å implementere gjennom algoritmer uten å komme inn i kompleksiteten til prediktiv analyse sis Ovennevnte eksempel på 50 og 200 dagers glidende gjennomsnitt er en populær trend som følger strategi. For mer om trend trading strategier, se Simple Strategies for å kapitalisere på Trends. Buying en dobbelt notert aksje til en lavere pris i ett marked og samtidig selge det på En høyere pris i et annet marked tilbyr prisforskjellen som risikofri gevinst eller arbitrage. Samme operasjon kan replikeres for aksjer i motsetning til futuresinstrumenter, da prisforskjeller eksisterer fra tid til annen. Implementere en algoritme for å identifisere slike prisforskjeller og plassere bestillingene gir lønnsomme muligheter på en effektiv måte. Indeksfondene har definert perioder med rebalansering for å bringe sine beholdninger på nivå med deres respektive referanseindekser. Dette skaper lønnsomme muligheter for algoritmiske handelsmenn, som utnytter forventede bransjer som tilbyr 20-80 basispoeng fortjeneste avhengig av tallet av aksjer i indeksfondet, like før indeksfondet rebalancing Slike handler er initiert via algoritmiske handelssystemer for rettidig utførelse og beste priser. Mange påviste matematiske modeller, som den delta-nøytrale handelsstrategien, som tillater handel på kombinasjon av opsjoner og den underliggende sikkerheten der bransjer er plassert for å kompensere positive og negative deltakere så at porteføljedeltaket opprettholdes til null. Mean reverseringsstrategi er basert på ideen om at høye og lave priser på en eiendel er et midlertidig fenomen som regelmessig vender tilbake til gjennomsnittverdien. Identifisere og definere et prisklasse og implementeringsalgoritme basert på det tillater handler som skal plasseres automatisk når prisen på aktiva bryter inn og ut av sitt definerte område. Volumvekt gjennomsnittlig prisstrategi bryter opp en stor ordre og frigjør dynamisk bestemte mindre stykker av ordren til markedet ved hjelp av aksjespesifikke historiske volumprofiler. Målet er å Kjør bestillingen nær Volumvektet Gjennomsnittlig Pris VWAP, og derved nytte av gjennomsnittlig pris. Tid vi ighted gjennomsnittlig prisstrategi bryter opp en stor ordre og frigjør dynamisk bestemte mindre stykker av ordren til markedet ved å bruke jevnt fordelte tidsluker mellom en start og sluttid. Målet er å utføre bestillingen nær gjennomsnittlig pris mellom start - og sluttider og dermed minimere markedsvirkningen. Inntil handelsordren er fullstendig, fortsetter denne algoritmen å sende partielle ordrer i henhold til definert deltakelsesforhold og i henhold til volumet som handles på markedene. Den relaterte trinnstrategien sender ordrer til en brukerdefinert prosentandel av markedet volum og øker eller reduserer denne deltakelsesraten når aksjekursen når brukerdefinerte nivåer. Implementeringsbriststrategien tar sikte på å minimere eksekveringskostnaden for en ordre ved å handle i sanntidsmarkedet, og dermed spare på kostnaden for ordren og nytte fra mulighetskostnaden ved forsinket gjennomføring Strategien vil øke den målrettede deltakelseshastigheten når aksjekursen beveger seg gunstig og redusere det når aksjekursen beveger seg negativt. Det er noen spesielle klasser av algoritmer som forsøker å identifisere hendelser på den andre siden. Disse sniffingsalgoritmene, som for eksempel brukes av en selger side markedsfører, har den innebygde intelligensen til å identifisere eksistensen av noen algoritmer på kjøpssiden av en stor ordre. Slik deteksjon gjennom algoritmer vil hjelpe markedsmakeren til å identifisere store ordremuligheter og gjøre det mulig for ham å dra nytte av å fylle ordrene til en høyere pris. Dette er noen ganger identifisert som høyteknologisk front - løp For mer om høyfrekvent handel og bedragerisk praksis, se Hvis du kjøper aksjer på nettet, blir du involvert i HFTs. Technical Requirements for Algorithmic Trading. Implementering av algoritmen ved hjelp av et dataprogram er den siste delen, klubbbedret med backtesting. Utfordringen er å forvandle den identifiserte strategien til en integrert datastyrt prosess som har tilgang til en handelskonto for å plassere ordrer. Følgende er nødvendig r programmeringskunnskap til å programmere den nødvendige handelsstrategien, ansatte programmerere eller ferdigstillede handelssoftwareforbindelser og tilgang til handelsplattformer for å plassere ordrer. Tilgang til markedsdatainnmatninger som vil bli overvåket av algoritmen for muligheter til å plassere ordrer. Evnen og infrastruktur for backtest systemet en gang bygget, før den går live på ekte markeder. Tilgjengelig historisk data for backtesting, avhengig av kompleksiteten av regler implementert i algoritmen. Her er et omfattende eksempel Royal Dutch Shell RDS er notert på Amsterdam Børs AEX og London Børs LSE La oss bygge en algoritme for å identifisere arbitrasjemuligheter. Her er noen interessante observasjoner. AEX handler i euro, mens LSE handler i Sterling Pounds. Dagen til en times tidsforskjell åpner AEX en time tidligere enn LSE, etterfulgt av begge børser handler samtidig for de neste par timene og handler kun i LSE i løpet av den siste timen når AEX lukkes. Kan vi utforske t han mulighet for arbitragehandel på Royal Dutch Shell-børsen notert på disse to markedene i to forskjellige valutaer. Et dataprogram som kan lese nåværende markedspriser. Prisfeed fra både LSE og AEX. A forex rate feed for GBP-EUR valutakurs. Ordne plassering evne som kan rute ordren til riktig utveksling. Back-testing evne på historiske pris feeds. The dataprogram bør utføre følgende. Read innkommende pris feed av RDS lager fra begge børser. Bruk de tilgjengelige valutakursene konvertere pris av en valuta til andre. Hvis det eksisterer en stor nok prisavvik som diskonterer meglerkostnadene som fører til en lønnsom mulighet, legger du kjøpsordren på lavere prisutveksling og salgsordre på høyere prissentral. Hvis ordrene utføres som ønsket, arbitrage fortjenesten vil følge. Simple og Easy Men praksis av algoritmisk handel er ikke så enkelt å vedlikeholde og utføre Husk, hvis du kan plassere en algo-g enerated trade, så kan de andre markedsdeltakere. Derfor fluktuerer prisene i milli - og til og med mikrosekunder I eksempelet ovenfor, hva skjer hvis kjøpekjøpene dine blir henrettet, men selger handel, da selgerprisene endres når bestillingen treffes marked Du vil ende opp med å sitte med en åpen posisjon som gjør arbitrage-strategien din verdiløs. Det er flere risikoer og utfordringer, for eksempel systemfeilrisiko, nettverkstilkoblingsfeil, tidsforsinkelser mellom handelsordre og utførelse, og viktigst av alt, ufullkommen algoritmer Jo mer komplekse en algoritme, desto strengere backtesting er nødvendig før den blir satt i gang. Kvantitativ analyse av en algoritme s ytelse spiller en viktig rolle og bør undersøkes kritisk. Det er spennende å gå for automatisering støttet av datamaskiner med en ide å tjene penger uten problemer Men man må sørge for at systemet er grundig testet og kreves grenser er satt Analytiske handelsfolk bør vurdere å lære programmet ming og bygningssystemer alene, for å være sikre på å implementere de riktige strategiene på idiotsikker måte. Forsiktig bruk og grundig testing av algo-trading kan skape lønnsomme muligheter. Det maksimale beløpet som USA kan låne Gjeldstaket ble opprettet under Second Liberty Bond Act. Renten som en depotinstitusjon gir midler opprettholdt i Federal Reserve til en annen depotinstitusjon.1 Et statistisk mål for spredning av avkastning for en gitt sikkerhets - eller markedsindeks. Volatilitet kan enten måles. US Congress gikk i 1933 som Banking Act, som forbød kommersielle banker å delta i investeringen. Nonfarm lønn refererer til enhver jobb utenfor gårder, private husholdninger og nonprofit sektor Den amerikanske Bureau of Labor. The valuta forkortelse eller valutasymbol for Indisk rupi INR, Indiens valuta Rupee består av 1.Top 5 Essential Beginner Books for Algorithmic Trad ing. Algoritmisk handel oppfattes vanligvis som et komplekst område for nybegynnere å ta tak i. Den dekker et bredt spekter av disipliner, med visse aspekter som krever en betydelig grad av matematisk og statistisk modenhet. Derfor kan det være ekstremt off-putting for uinitiert In virkeligheten er de generelle konseptene grei å forstå, mens detaljene kan læres på en iterativ, pågående måte. Den skjønnheten i algoritmisk handel er at det ikke er behov for å teste ut kunnskap om reell kapital, da mange meglerhus gir svært realistisk marked simulatorer Selv om det er visse forbehold knyttet til slike systemer, gir de et miljø for å fremme et dypt nivå av forståelse, med absolutt ingen kapitalrisiko. Et vanlig spørsmål som jeg mottar fra lesere av QuantStart er Hvordan begynner jeg i kvantitativ handel jeg har allerede skrevet en nybegynner s guide til kvantitativ handel, men en artikkel kan ikke håpe å dekke mangfoldet av emnet Således har jeg bestemte meg for å anbefale min favoritt entry-level quant trading bøker i denne artikkelen. Den første oppgaven er å få en solid oversikt over emnet jeg har funnet det være langt lettere å unngå tunge matematiske diskusjoner til grunnleggende er dekket og forstått De beste bøkene jeg har funnet for dette formålet er som følger.1 Kvantitativ handel av Ernest Chan - Dette er en av mine favorittfinansieringsbøker Dr Chan gir en flott oversikt over prosessen med å sette opp et detaljhandelskvantitativt handelssystem, ved hjelp av MatLab eller Excel Han gjør emnet svært tilnærmet og gir inntrykk av at noen kan gjøre det Selv om det er mange detaljer som hoppes over hovedsakelig for korthet, er boken en god introduksjon til hvordan algoritmisk handel fungerer. Han diskuterer alfa generasjon handelsmodellen, risikostyring, automatiserte eksekveringssystemer og visse strategier spesielt momentum og gjennomsnittlig reversering Denne boken er stedet å starte.2 Innenfor Black Box av Rishi K Narang - I denne boken Dr Narang forklarer i detalj hvordan et profesjonelt kvantitativt sikringsfond opererer. Det legges på en kunnskapsrik investor som vurderer å investere i en slik svart boks. Til tross for den tilsynelatende irrelevansen til en detaljhandler, inneholder boken faktisk et vell av informasjon om hvordan en riktig kvant trading system bør utføres for eksempel viktigheten av transaksjonskostnader og risikostyring er skissert med ideer om hvor du skal lete etter ytterligere informasjon mange retail algo handelsfolk kan gjøre det bra å plukke opp dette og se hvordan fagpersoner utføre sine trading.3 Algoritmic Trading DMA av Barry Johnson - Frasen algoritmisk handel, i finansbransjen, refererer vanligvis til utførelsesalgoritmer som brukes av banker og meglere for å utføre effektive handler. Jeg bruker begrepet for å dekke ikke bare de aspekter av handel, men også også kvantitativ eller systematisk handel Denne boken handler hovedsakelig om den tidligere, skrevet av Barry Johnson, som er en kvantitativ programvareutvikler i en investeringsbank Betyr dette at det ikke er til nytte for detaljhandelskvantum Ikke i det hele tatt Har en dypere forståelse av hvordan utveksling og markedsmikrostruktur kan hjelpe uendelig lønnsomheten til detaljhandelsstrategier Til tross for at det er en tung tome, er det verdt å plukke opp . Når de grunnleggende konseptene blir forstått, er det nødvendig å begynne å utvikle en handelsstrategi. Dette er vanligvis kjent som alfa-modellkomponenten i et handelssystem. Strategier er enkle å finne i disse dager, men den sanne verdien kommer i å bestemme dine egne handelsparametere via omfattende undersøkelser og backtesting Følgende bøker diskuterer visse typer handels - og utførelsessystemer og hvordan man skal implementere dem.4 Algoritmisk handel av Ernest Chan - Dette er den andre boken av Dr Chan I den første boken ble han spilt til momentum, bety reversering og visse høyfrekvente strategier Denne boken diskuterer slike strategier i dybden og gir betydelige implementasjonsdetaljer, om enn med mer mathe matisk kompleksitet enn i de første f. eks. Kalman-filtre, Stationarity Cointegration, CADF osv. Strategiene gjør igjen en stor utbredelse av MatLab, men koden kan enkelt endres til C, Python pandas eller R for de med programmeringserfaring. Det gir også oppdateringer på Den siste markedsadfærden, som den første boken ble skrevet noen år tilbake. 5 Handel og utveksling av Larry Harris - Denne boken konsentrerer seg om markedsmikrostruktur som jeg personlig føler er et viktig område å lære om, selv i begynnelsen av kvanthandel Markedsmikrostruktur er vitenskapen om hvordan markedsdeltakere samhandler og dynamikken som forekommer i ordreboken. Det er nært knyttet til hvordan utveksling fungerer og hva som faktisk skjer når en handel er plassert. Denne boken er mindre om handelsstrategier som sådan, men mer om ting å være oppmerksom på når du utformer eksekveringssystemer Mange fagfolk i kvantfinansieringsrommet ser dette som en utmerket bok, og jeg anbefaler det også. På dette tidspunktet vil du som forhandler være et godt sted å begynne å undersøke de andre komponentene i et handelssystem, for eksempel utførelsesmekanismen og dets dype forhold til transaksjonskostnader, samt risiko - og porteføljestyring, jeg vil skrive bøker for disse emnene i senere artikler. Bare å komme i gang med kvantitativ handel. Hvordan identifisere algoritmiske handelsstrategier. I denne artikkelen vil jeg introdusere deg til metodene som jeg selv identifiserer lønnsomme algoritmiske handelsstrategier. Målet vårt er å forstå i detalj hvordan for å finne, evaluere og velge slike systemer, vil jeg forklare hvordan identifiseringsstrategier er så mye om personlig preferanse som det handler om strategisk ytelse, hvordan man bestemmer typen og kvantiteten av historiske data for testing, hvordan man evaluerer en handelsstrategi uavhengig og endelig hvordan å fortsette mot backtesting fase og strategi implementering. Identifisere dine egne personlige preferanser for Trading. In order for å være En vellykket handelsmann - enten diskret eller algoritmisk - er det nødvendig å stille deg selv ærlige spørsmål. Trading gir deg muligheten til å miste penger i en alarmerende hastighet, så det er nødvendig å kjenne deg så mye som det er nødvendig å forstå din valgte strategi . Jeg vil si det viktigste hensynet i handel er å være klar over din egen personlighet. Handel og spesielt algoritmisk handel krever en betydelig grad av disiplin, tålmodighet og emosjonell løsrivelse. Siden du lar en algoritme utføre din handel for deg, er det nødvendig for å bli løst for ikke å forstyrre strategien når den blir utført Dette kan være ekstremt vanskelig, spesielt i perioder med utvidet drawdown Imidlertid er mange strategier som har vist seg å være svært lønnsomme i en backtest, ødelagt av enkel forstyrrelse. Forstå at Hvis du ønsker å komme inn i algoritmisk handel, vil du bli følelsesmessig testet og for å lykkes , er det nødvendig å arbeide gjennom disse vanskelighetene. Neste overveielse er en gang Har du en heltidsjobb Arbeider du deltid Fungerer du hjemmefra eller har en lang pendling hver dag Disse spørsmålene vil bidra til å bestemme frekvensen av strategi som du bør søke For de av dere i heltidsansatte, kan en intradag futures strategi ikke være hensiktsmessig i det minste til den er fullt automatisert. Dagsbegrensningene vil også diktere strategiens metodikk. Hvis strategien din ofte handles og er avhengig av dyrt nyhetsfeeder som en Bloomberg-terminal må du klart være realistisk om din evne til å kjøre dette på kontoret. For de av dere med mye tid, eller ferdighetene til å automatisere strategien din, kan du kanskje se på en mer teknisk høyfrekvent trading HFT strategy. My tro er at det er nødvendig å gjennomføre kontinuerlig forskning i dine trading strategier for å opprettholde en konsekvent lønnsom portefølje Få trinn Gies blir under radaren for alltid. Derfor vil en betydelig del av tiden som er allokert til handel, være i gjennomføring av pågående forskning. Spør deg selv om du er villig til å gjøre dette, da det kan være forskjellen mellom sterk lønnsomhet eller en langsom nedgang i tap. Du må også vurdere din handelskapital Det aksepterte ideelle minimumsbeløpet for en kvantitativ strategi er 50 000 USD ca 35 000 for oss i Storbritannia. Hvis jeg begynte igjen, ville jeg begynne med et større beløp, sannsynligvis nærmere 100 000 USD ca 70 000 Dette skyldes transaksjonskostnader kan være ekstremt dyre for mellom - og høyfrekvensstrategier, og det er nødvendig å ha tilstrekkelig kapital til å absorbere dem i uttellingstider. Hvis du vurderer å begynne med mindre enn 10 000 USD, må du begrense deg til lavfrekvens strategier, handel med en eller to eiendeler, da transaksjonskostnader vil raskt spise inn i din avkastning Interactive Brokers, som er en av vennene Låse meglere til de som har programmeringsferdigheter, på grunn av API-en, har en detaljhandelskonto på minst 10 000 USD. Programmeringsevner er en viktig faktor for å skape en automatisert algoritmisk handelsstrategi Å være kunnskapsrik i et programmeringsspråk som C, Java, C, Python eller R vil gjøre det mulig for deg å lage end-to-end datalagring, backtest motor og kjøringssystem selv. Dette har en rekke fordeler, hvorav sjefen er evnen til å være helt klar over alle aspekter av handelsinfrastrukturen. Det tillater deg også å utforske høyere frekvensstrategier som du vil være i full kontroll over teknologistakken din. Dette betyr at du kan teste din egen programvare og eliminere feil, men det betyr også mer tid på å koda opp infrastruktur og mindre på implementering av strategier, i hvert fall i tidligere del av din algo trading karriere Du kan finne at du er komfortabel handel i Excel eller MATLAB og kan outsource utviklingen av andre komponenter jeg vil ikke anbefale dette men spesielt for de som handler med høy frekvens. Du må spørre deg selv hva du håper å oppnå ved algoritmisk handel. Er du interessert i en vanlig inntekt, hvor du håper å tegne inntekter fra din handelskonto. Eller er du interessert i en langvarig inntekt? langsiktig kapitalgevinster og har råd til å handle uten behov for å trekke midler Inntektsavhengighet vil diktere frekvensen av strategien Flere vanlige inntektsuttak vil kreve en høyere frekvenshandelsstrategi med mindre volatilitet, dvs. en høyere Sharpe-ratio Langtidshandlere har råd til en mer beroligende handelsfrekvens. Slå ikke av med ideen om å bli ekstremt velstående på kort tid. Algo trading er IKKE en rask rike ordning - om noe kan det bli en fattig rask ordning. Det tar betydelig disiplin , forskning, flid og tålmodighet for å lykkes i algoritmisk handel. Det kan ta måneder, om ikke år, å generere konsistent lønnsomhet. Sourcing Algoritmisk Trading Ideas. Despi te felles oppfatninger om det motsatte, er det faktisk ganske greit å finne lønnsomme handelsstrategier i det offentlige området. Aldri har handelsideer vært lettere tilgjengelige enn de er i dag. Faglige finansdokumenter, pre-print-servere, handelsblogger, handelsfora, ukentlig handel magasiner og spesialtekster gir tusenvis av handelsstrategier som du kan basere dine ideer på. Vårt mål som kvantitative handelsforskere er å etablere en strategipipeline som vil gi oss en strøm av løpende handelsideer. Ideelt vil vi lage en metodisk tilnærming til sourcing , evaluering og implementering av strategier som vi kommer over. Målet med rørledningen er å skape en konsistent mengde nye ideer og gi oss et rammeverk for å avvise de fleste av disse ideene med det minste følelsesmessige hensyn. Vi må være svært forsiktige ikke å la kognitive forstyrrelser påvirke vår beslutningsprosedyre. Dette kan være like enkelt som å ha en preferanse for en aktivaklasse over et annet gull og andre edle metaller kommer til å tenke på fordi de oppfattes som mer eksotiske. Målet vårt bør alltid være å finne konsekvent lønnsomme strategier med positiv forventning. Valg av aktivaklasse bør baseres på andre hensyn, for eksempel trading capital begrensninger, meglerkostnader og innflytelse evner. Hvis du er helt ukjent med begrepet handelsstrategi, er det første stedet å se med etablerte lærebøker Klassiske tekster gir et bredt spekter av enklere og mer enkle ideer som du kan gjøre deg kjent med med kvantitativ handel Her er et utvalg som jeg anbefaler for de som er ny til kvantitativ handel, som gradvis blir mer sofistikert når du jobber gjennom listen. For en lengre liste over kvantitative handelsbøker, vennligst besøk QuantStart-leselisten. Neste sted å finne mer sofistikerte strategier er med handelsfora og handelsblogger. Men et notat av cau Mange handelsblogger stole på konseptet teknisk analyse Teknisk analyse innebærer bruk av grunnleggende indikatorer og atferdspsykologi for å bestemme trender eller reverseringsmønstre i eiendomspriser. Til tross for å være ekstremt populær i det samlede handelsområdet, er teknisk analyse ansett som lite ineffektiv i kvantitativ finans samfunn Noen har antydet at det ikke er bedre enn å lese et horoskop eller å studere teblader når det gjelder sin prediktive kraft. I virkeligheten er det vellykkede personer som benytter seg av teknisk analyse. Men som quants med en mer sofistikert matematisk og statistisk verktøykasse til vår disposisjon, Vi kan enkelt evaluere effektiviteten av slike TA-baserte strategier og ta databaserte beslutninger fremfor å basere oss på følelsesmessige hensyn eller forutsetninger. Her er en liste over respekterte algoritmiske handelsblogger og forum. Når du har hatt litt erfaring med å evaluere enklere strategier, det er på tide å se på mer sofistiske Utdannede akademiske tilbud Noen akademiske tidsskrifter vil være vanskelige å få tilgang til, uten høye abonnementer eller engangskostnader. Hvis du er medlem eller alumn på et universitet, bør du kunne få tilgang til noen av disse finansdoktene. Ellers kan du se på pre-print-servere som er internettreklam med forsinkede utkast til akademiske artikler som gjennomgår peer review. Siden vi bare er interessert i strategier som vi med suksess kan kopiere, backtest og få lønnsomhet for, er en peer review mindre viktig for oss. Ulempen med akademiske strategier er at de ofte også kan være utdaterte, krever uklare og dyre historiske data, handle i illikvide aktivaklasser eller ikke medføre avgifter, slippe eller spre seg. Det kan også være uklart om handelsstrategien skal overføres ut med markedsordrer, begrensningsordrer eller om det inneholder stopptap osv. Derfor er det helt avgjørende å replikere strategien selv så godt du kan, backtest det en d legg til i realistiske transaksjonskostnader som inkluderer så mange aspekter av aktivaklassene du ønsker å handle i. Her er en liste over de mer populære forhåndsskriverens servere og økonomiske tidsskrifter som du kan opprette ideer fra. Hva med å danne dine egne kvantitative strategier Dette krever generelt, men er ikke begrenset til, kompetanse i en eller flere av følgende kategorier. Markettmikrostruktur - For høyere frekvensstrategier spesielt kan man benytte seg av markedsmikrostruktur, dvs. forståelse av orderbokdynamikken for å skape lønnsomhet. Ulike markeder vil ha ulike teknologiske begrensninger, forskrifter, markedsdeltakere og begrensninger som alle er åpne for utnyttelse via bestemte strategier. Dette er et svært sofistikert område, og forhandlere vil finne det vanskelig å være konkurransedyktige i dette rommet, særlig ettersom konkurransen inkluderer store, kapitaliserte kvantitative hedgefond med sterke teknologiske evner. Fondstruktur - Pooled invest fondsmidler, som pensjonskasser, private investeringspartnerskap hedgefond, råvarehandel rådgivere og verdipapirfond er begrenset både av tung regulering og deres store kapital reserver. Derfor kan visse konsekvente oppførelser utnyttes med de som er mer kjekk. For eksempel er store midler utsatt for kapasitetsbegrensninger på grunn av deres størrelse Således hvis de trenger å raskt laste ned, selger en mengde verdipapirer, vil de måtte forskyve den for å unngå å flytte markedet. Sofistikert algoritmer kan dra nytte av dette og andre idiosynkrasjoner i en generell prosess kjent som fondsstruktur arbitrage. Machine læring kunstig intelligens - Maskininlæringsalgoritmer har blitt mer utbredt de siste årene i finansmarkeder Klassifiserere som Naive Bayes, et al. ikke-lineære funksjonskamperne nevrale nettverk og optimaliseringsrutiner genetiske algoritmer har alle vært vant til forutsi aktivitetsbaner eller optimalisere handelsstrategier Hvis du har en bakgrunn i dette a rea du kan ha litt innsikt i hvordan bestemte algoritmer kan brukes på enkelte markeder. Det er selvfølgelig mange andre områder for quants å undersøke. Vi vil diskutere hvordan du kommer opp med tilpassede strategier i detalj i en senere artikkel. Ved å fortsette å overvåke disse kildene på en ukentlig eller daglig basis, du setter deg opp for å få en konsekvent liste over strategier fra et mangfoldig utvalg av kilder. Det neste trinnet er å avgjøre hvordan du avviser et stort delmengde av disse strategiene for å minimere sløsing din tid og backtesting ressurser på strategier som sannsynligvis vil være ulønnsomme. Evaluering Trading Strategies. The første og uten tvil mest åpenbare vurdering er om du faktisk forstår strategien Ville du kunne forklare strategien konsist eller krever det en rekke forsøk og endeløse parameterlister I tillegg har strategien et godt og solid grunnlag i virkeligheten. Kan du for eksempel peke på noen atferdsmessig begrunnelse eller fondstruc ture begrensning som kan forårsake det mønsteret du forsøker å utnytte Ville denne begrensningen holde seg til en regimebrytelse, for eksempel en dramatisk reguleringsmiljøforstyrrelse Er strategien avhengig av komplekse statistiske eller matematiske regler Gjelder det for enhver økonomisk tidsserie eller er det spesifikt for aktivaklassen at det hevdes å være lønnsomt? Du bør hele tiden tenke på disse faktorene når du vurderer nye handelsmetoder, ellers kan du kaste bort betydelig tid på å forsøke å backtest og optimalisere ulønnsomme strategier. Når du har bestemt deg at du forstår de grunnleggende prinsippene i strategien du må avgjøre om den passer med din personprofil som er nevnt ovenfor. Dette er ikke så vett en vurdering som det høres Strategier vil avvike vesentlig i deres ytelsesegenskaper Det er visse personlighetstyper som kan håndtere flere betydelige perioder av drawdown, eller er villig til å akseptere større risiko for større returnere Til tross for at vi som quants forsøker å eliminere så mye kognitiv bias som mulig og bør kunne evaluere en strategi uhensiktsmessig, vil biases alltid krype inn. Vi trenger derfor en konsekvent, unemotional måte å vurdere gjennom resultatene av strategier Her er listen over kriterier som jeg dømmer en potensiell ny strategi ved. Metodologi - Er strategisk momentum basert, gjennombrudd, markedsnøytral, retningsbestemt Støtter strategien seg på sofistikerte eller komplekse statistiske eller maskinlære teknikker som er vanskelig å forstå og krever en doktorgrad i statistikk for å forstå. Begynner disse teknikkene en betydelig mengde parametere som kan føre til optimaliseringsforstyrrelser. Er strategien sannsynlig å motstå en endring i regimet, dvs. potensiell ny regulering av finansmarkeder. Harpe Ratio - Sharpe-forholdet karakteriserer heuristisk belønningsrisikoforholdet til strategien Det kvantifiserer hvor mye avkastning du kan oppnå for volatilitetsnivået utført av th e egenkapitalkurve Naturligvis må vi avgjøre perioden og frekvensen som disse avkastningene og volatiliteten, dvs. standardavviket måles over. En høyere frekvensstrategi vil kreve større samplingsfrekvens for standardavvik, men en kortere totalmålingstid, for eksempel. - Krever strategien betydelig innflytelse for å være lønnsomt Trenger strategien bruk av leverede derivatkontrakter futures, opsjoner, swaps for å gi avkastning Disse leveransekontrakter kan ha stor volatilitet karakteriserer og kan dermed lett føre til marginsamtaler. du har handelskapitalen og temperamentet for en slik volatilitet. Frequency - Strategiens frekvens er nært knyttet til teknologistakken din og dermed teknologisk ekspertise, Sharpe-forholdet og det totale transaksjonskostnadene. Alt annet vurderes, krever høyere frekvensstrategier mer kapital, er mer sofistikert og vanskeligere å implementere Men assu Ming din backtesting motor er sofistikert og feilfri, de vil ofte ha langt høyere Sharpe-forhold. Volatilitet er sterkt knyttet til strategiens risiko Sharpe-forholdet karakteriserer denne høyere volatiliteten til de underliggende aktivaklassene, hvis de ikke er tilkoblet, fører ofte til til høyere volatilitet i egenkapitalkurven og dermed mindre Sharpe-forhold. Selvfølgelig antar jeg at den positive volatiliteten er omtrent lik den negative volatiliteten. Noen strategier kan ha større uendelig volatilitet. Du må være oppmerksom på disse attributter. Resultatet, gjennomsnittlig fortjeneste tap - Strategier vil variere i deres gevinstap og gjennomsnittlige profittutviklingsegenskaper. En kan ha en svært lønnsom strategi, selv om antall tapende handler overskrider antall vinnende handler. Momentumstrategier har en tendens til å ha dette mønsteret som de stole på et lite antall store treff for å være lønnsomme Gjennomgangsprosesser har en tendens til å ha motstridende profiler hvor flere av bransjene er vinnere, men Den tapende handelen kan være ganske alvorlig. Maksimal Drawdown - Den maksimale drawdownen er den største samlede topp-til-gjennom-prosentdråpen på egenkapitalkurven til strategien. Momentum-strategier er velkjent å lide av perioder med utvidede drawdowns på grunn av en streng av mange inkrementelle tapende handler Mange tradere vil gi opp i perioder med utvidet drawdown, selv om historisk testing har antydet at dette er forretning som vanlig for strategien. Du må bestemme hvilken prosentandel av drawdown og over hvilken tidsperiode du kan godta før du slutter å handle din strategi Dette er en svært personlig beslutning og må derfor vurderes nøye. Kapasitet Likviditet - På detaljnivå må du ikke bekymre deg selv om strategisk kapasitet, med mindre du handler i et svært illikvitt instrument som en litenkapitalandel. bestemmer skalerbarheten i strategien til ytterligere kapital. Mange av de større hedgefondene lider av betydelige kapasitetsproblemer som deres strateg økning i kapitalallokering. Parametre - Visse strategier, spesielt de som finnes i maskinlæringssamfunnet, krever en stor mengde parametere. Hver ekstra parameter som en strategi krever, gjør at den er mer sårbar for optimaliseringsforstyrrelser, også kjent som kurvepassing. Du bør prøve og målrette strategier med så få parametere som mulig, eller sørg for at du har tilstrekkelige mengder data for å teste dine strategier. Benchmark - Nesten alle strategier med mindre karakterisert som absolutt avkastning, måles mot noen ytelses benchmark. Referansen er vanligvis en indeks som karakteriserer en stor prøve av den underliggende aktivaklassen som strategien handler om Hvis strategien handler med store amerikanske aksjer, vil S P500 være et naturlig referansemål for å måle strategien din. Du vil høre vilkårene alpha og beta, anvendt på strategier av denne typen Vi vil diskutere disse koeffisientene i dybden i senere artikler. Notat som vi ikke har diskutert actuaen Jeg returnerer strategien Hvorfor er dette Isolert gir avkastningen oss faktisk begrenset informasjon om strategiens effektivitet De gir ikke deg et innblikk i løftestang, volatilitet, referanser eller kapitalkrav. Således vurderes strategier sjelden på avkastningen deres. alene Overvei alltid risikotegnene til en strategi før du ser på avkastningen. I dette stadiet vil mange av strategiene som er funnet fra rørledningen bli avvist utelukkende, siden de vant t å oppfylle kapitalkravene, innflytelsesbegrensninger, maksimal uttaksstoleranse eller volatilitet preferanser Strategier som forblir igjen, kan nå vurderes for backtesting. Før det er mulig, er det imidlertid nødvendig å vurdere en endelig avvisningskriterium - den av tilgjengelige historiske data som skal teste disse strategiene. Å holde historiske data. I dag, bredden av De tekniske kravene over aktivaklassene for historisk datalagring er betydelig For å forbli konkurransedyktig, bo kjøp og salg av investeringsbanker investerer sterkt i sin tekniske infrastruktur. Det er viktig å vurdere dens betydning. Spesielt er vi interessert i aktualitet, nøyaktighet og lagringskrav. Jeg vil nå skissere grunnleggende om å skaffe historiske data og hvordan å lagre det Dessverre er dette et veldig dypt og teknisk tema, så jeg vant t å kunne si alt i denne artikkelen. Men jeg vil skrive mye mer om dette i fremtiden som min tidligere bransjeerfaring i finansnæringen var hovedsakelig bekymret for økonomisk datainnsamling, lagring og tilgang. I den foregående delen hadde vi opprettet en strategipipeline som tillot oss å avvise bestemte strategier basert på våre egne personlige avslagskriterier. I dette avsnittet vil vi filtrere flere strategier basert på våre egne preferanser for å skaffe Historiske data Hovedhensynene spesielt på detaljhandlernivå er kostnadene ved dataene, lagringskravene og nivået på t teknisk kompetanse Vi må også diskutere ulike typer tilgjengelige data og de ulike hensynene som hver type data vil pålegge oss. La oss begynne med å diskutere hvilke typer data som er tilgjengelige og de sentrale problemene vi må tenke på. Fundamental Data - Dette inkluderer data om makroøkonomiske trender, som rentesatser, inflasjonsfaktorer, aksjeselskapsutbytte, aksjesplittelser, SEC-arkiver, bedriftsregnskap, inntjeningsstall, avkastningsrapporter, meteorologiske data osv. Disse dataene brukes ofte til å verdsette selskaper eller andre eiendeler på grunnlag, det vil si via noen form for forventede fremtidige kontantstrømmer. Det inkluderer ikke aksjekursserier. Noen grunnleggende data er fritt tilgjengelige fra offentlige nettsider. Andre langsiktige historiske grunnleggende data kan være ekstremt dyre. Lagringskrav er ofte ikke særlig store, med mindre tusenvis av bedrifter blir studert samtidig. Ny data - Nyhetsdata er ofte kvalitative i naturen. Det består av artikler, blogger innlegg, microblog innlegg tweets og editorial Maskininnlæringsteknikker som klassifiseringsverktøy brukes ofte til å tolke følelser Disse dataene er også ofte fritt tilgjengelige eller billige, via abonnement på medier. De nyere NoSQL-dokumentlagringsdatabasene er laget for å lagre denne typen ustrukturerte, kvalitative data. Prisinformasjon - Dette er det tradisjonelle datadomenet til kvantet. Det består av tidsserier av eiendomspriser. Aktier, obligasjoner, obligasjoner, obligasjoner, varer og valutakurser ligger alle i denne klassen. Daglige historiske data er ofte enkle å få for De enklere aktivaklassene, som for eksempel aksjer. Når nøyaktighet og renslighet er inkludert og statistiske forstyrrelser fjernes, kan dataene bli dyre. I tillegg har tidsseriedata ofte betydelige lagringskrav, spesielt når intradagdata blir vurdert. Finansielle instrumenter - aksjer, obligasjoner , futures og de mer eksotiske avledningsalternativene er svært forskjellige egenskaper og parametere Dermed er det ingen størrelse som passer til all databasestruktur som kan imøtekomme dem. Vesentlig omsorg må gis for utforming og implementering av databasestrukturer for ulike finansielle instrumenter. Vi vil diskutere situasjonen i lengden når vi kommer til å bygge en verdipapirmasterdatabase i fremtidige artikler. Frekvens - Jo høyere frekvensen av dataene er, desto større kostnader og lagringskrav. For lavfrekvente strategier er daglig data ofte tilstrekkelig. For høyfrekvente strategier kan det være nødvendig å få teltnivådata og til og med historiske kopier av spesifikke handelsutvekslingsordrebokføringsdata Implementering av en lagringsmotor for denne typen data er meget teknologisk intensiv og bare egnet for de med en sterk programmerings teknisk bakgrunn. Bensammerkere - Strategiene beskrevet ovenfor vil ofte bli sammenlignet med et referansepunkt. Dette manifesterer seg vanligvis som en ekstra finansiell tidsserie For aksjer er dette ofte en natio nal aksje referanseindeks, for eksempel S P500 indeksen US eller FTSE100 UK For et rentefond, er det nyttig å sammenligne mot en kurv med obligasjoner eller renter. Den risikofrie rente, dvs. passende rente, er også et annet godt akseptert referansepunkt Alle eiendelsklassekategorier har et favorisert referansepunkt, så det vil være nødvendig å undersøke dette basert på din spesifikke strategi, hvis du ønsker å få interesse for din strategi eksternt. Teknologi - Teknologistakkene bak et økonomisk datalager er komplekse Denne artikkelen kan bare scratch the surface about what is involved in building one However, it does centre around a database engine, such as a Relational Database Management System RDBMS , such as MySQL, SQL Server, Oracle or a Document Storage Engine ie NoSQL This is accessed via business logic application code that queries the database and provides access to external tools, such as MATLAB, R or Excel Often this business logic is written in C , C , Java or Python Yo u will also need to host this data somewhere, either on your own personal computer, or remotely via internet servers Products such as Amazon Web Services have made this simpler and cheaper in recent years, but it will still require significant technical expertise to achieve in a robust manner. As can be seen, once a strategy has been identified via the pipeline it will be necessary to evaluate the availability, costs, complexity and implementation details of a particular set of historical data You may find it is necessary to reject a strategy based solely on historical data considerations This is a big area and teams of PhDs work at large funds making sure pricing is accurate and timely Do not underestimate the difficulties of creating a robust data centre for your backtesting purposes. I do want to say, however, that many backtesting platforms can provide this data for you automatically - at a cost Thus it will take much of the implementation pain away from you, and you can concentrate purely on strategy implementation and optimisation Tools like TradeStation possess this capability However, my personal view is to implement as much as possible internally and avoid outsourcing parts of the stack to software vendors I prefer higher frequency strategies due to their more attractive Sharpe ratios, but they are often tightly coupled to the technology stack, where advanced optimisation is critical. Now that we have discussed the issues surrounding historical data it is time to begin implementing our strategies in a backtesting engine This will be the subject of other articles, as it is an equally large area of discussion. Just Getting Started with Quantitative Trading.