Quantitative Trading Strategie Blog

Quant Strategies - sono per voi le strategie d'investimento quantitative sono evoluti in strumenti molto complessi con l'avvento dei moderni computer, ma le strategie radici risalgono oltre 70 anni. Essi sono in genere gestiti da team altamente istruiti e utilizzano modelli proprietari per aumentare la loro capacità di battere il mercato. Ci sono programmi, anche off-the-shelf che sono plug-and-play per chi cerca semplicità. modelli Quant funzionano sempre bene quando torna testato, ma le loro applicazioni reali e tasso di successo sono discutibili. Mentre sembrano funzionare bene in mercati toro. quando i mercati vanno in tilt, le strategie quant sono sottoposti agli stessi rischi come qualsiasi altra strategia. La storia Uno dei padri fondatori dello studio della teoria quantitativa applicata alla Finanza era Robert Merton. Si può solo immaginare quanto sia difficile e richiede molto tempo il processo è stato prima l'uso del computer. Altre teorie della finanza si sono evoluti anche da alcuni dei primi studi quantitativi, compresa la base di diversificazione del portafoglio sulla base di moderna teoria di portafoglio. L'uso di entrambi finanza quantitativa e calcolo ha portato a molti altri strumenti comuni, tra cui uno dei più famosi, la formula di valutazione delle opzioni di Black-Scholes, che aiuta non solo le opzioni investitori di prezzo e sviluppare strategie, ma aiuta a mantenere i mercati sotto controllo con la liquidità. Quando viene applicato direttamente alla gestione del portafoglio. l'obiettivo è come qualsiasi altra strategia di investimento. per aggiungere valore, alfa o rendimenti in eccesso. Quants, come gli sviluppatori sono chiamati, compongono complessi modelli matematici per individuare opportunità di investimento. Ci sono molti modelli là fuori come quants che li sviluppano, e tutti sostengono di essere il migliore. Uno di un quant strategys investimento best-seller punti è che il modello, e, infine, il computer, prende la decisione buysell reale, non un essere umano. Questo tende a rimuovere ogni risposta emotiva che una persona può sperimentare per comprare o vendere investimenti. strategie Quant sono ora accettati nella comunità degli investitori e gestiti da fondi comuni, hedge fund e investitori istituzionali. Essi in genere vanno dai generatori nome alfa. o gens alfa. Dietro la cortina proprio come nel Mago di Oz, qualcuno è dietro la tenda guidare il processo. Come con qualsiasi modello, il suo solo buono come l'essere umano che si sviluppa il programma. Mentre non vi è alcun requisito specifico per diventare un Quant, la maggior parte delle imprese che eseguono modelli quant uniscono le competenze di analisti finanziari, statistici e programmatori che il codice del processo nei computer. A causa della natura complessa dei modelli matematici e statistici, la sua comune vedere le credenziali come lauree e dottorati in finanza, economia, matematica e ingegneria. Storicamente, questi i membri del team hanno lavorato negli uffici di back. ma come modelli quant è diventato più comune, il back office si sta muovendo per il front office. Benefici delle strategie Quant Mentre il tasso globale di successo è discutibile, la ragione per alcune strategie di quant lavoro è che si basano sulla disciplina. Se il modello è di destra, la disciplina mantiene la strategia di lavorare con i computer fulmini velocità per sfruttare le inefficienze dei mercati sulla base di dati quantitativi. I modelli stessi possono essere basate su un minimo di alcuni rapporti come PE. debiti in capitale e la crescita degli utili, o utilizzare migliaia di ingressi che lavorano insieme allo stesso tempo. Strategie di successo possono prendere sulle tendenze nelle fasi iniziali, come i computer eseguono costantemente scenari per individuare inefficienze prima degli altri. I modelli sono in grado di analizzare un gruppo molto ampio di investimenti contemporaneamente, in cui l'analista tradizionale può guardare solo pochi alla volta. Il processo di screening può valutare l'universo da livelli di qualità come 1-5 o A-F a seconda del modello. Questo rende il processo di negoziazione reale molto semplice, investendo negli investimenti ad alto rating e la vendita di quelli a basso rating. modelli Quant aprono anche le variazioni delle strategie come lungo, corto e longshort. fondi quant successo tenere un occhio attento sul controllo del rischio a causa della natura dei loro modelli. La maggior parte delle strategie di iniziare con un universo o di riferimento e utilizzare settore e le ponderazioni di settore nei loro modelli. Questo permette ai fondi di controllare la diversificazione in una certa misura, senza compromettere il modello stesso. fondi quant genere eseguite su una base di costo più basso perché non hanno bisogno come molti analisti e gestori di portafoglio tradizionali per farli funzionare. Svantaggi di strategie Quant Non ci sono ragioni per cui così tanti investitori non cogliere appieno il concetto di lasciare una scatola nera eseguire i loro investimenti. Per tutti i fondi quant successo là fuori, proprio come molti sembrano non avere successo. Purtroppo per la reputazione quants, quando falliscono, falliscono grande tempo. Long-Term Capital Management è stato uno dei più famosi hedge fund quant, come è stato gestito da alcuni dei leader accademici più rispettati e due economisti Nobel Memorial Prize-winning Myron S. Scholes e Robert C. Merton. Negli anni 1990, la loro squadra ha generato rendimenti superiori alla media e ha attirato capitali da tutti i tipi di investitori. Erano famosi non solo per sfruttare le inefficienze, ma utilizzando un facile accesso al capitale per creare enormi scommesse leva su indicazioni del mercato. La natura disciplinata della loro strategia in realtà creato la debolezza che ha portato alla loro collasso. Long-Term Capital Management è stata liquidata e sciolta nei primi mesi del 2000. I suoi modelli non includono la possibilità che il governo russo risulti inadempiente su alcuni del proprio debito. Questo evento ha innescato eventi e una reazione a catena ingrandita dal caos leva-creato. LTCM è stato così pesantemente coinvolto con altre operazioni di investimento che il suo crollo ha interessato i mercati mondiali, innescando eventi drammatici. Nel lungo periodo, la Federal Reserve è intervenuta per aiutare, e altre banche e fondi di investimento sostenuto LTCM per evitare ulteriori danni. Questo è uno dei motivi per fondi quant può fallire, in quanto si basano su eventi storici che non possono comprendere gli eventi futuri. Mentre una squadra forte quant sarà l'aggiunta di sempre nuovi aspetti ai modelli per predire eventi futuri, la sua impossibile prevedere il futuro ogni volta. fondi quant possono anche essere sopraffatti quando l'economia ed i mercati stanno vivendo volatilità superiore alla media. I segnali di acquisto e vendita possono venire così rapidamente che il turnover può creare alte commissioni e gli eventi imponibili. fondi quant possono anche rappresentare un pericolo quando sono commercializzati come orso a prova o si basano su strategie a breve. Prevedere flessioni. utilizzando strumenti derivati ​​e combinare leva può essere pericoloso. Una curva sbagliata può portare a implosioni, che spesso fanno notizia. Le strategie di investimento quantitative Bottom Line si sono evoluti da back office scatole nere a strumenti di investimento tradizionali. Essi sono progettati per utilizzare le migliori menti del settore e dei computer più veloci sia per sfruttare le inefficienze e utilizzare la leva per fare le scommesse del mercato. Possono essere molto efficace se i modelli hanno incluso tutti gli input giusti e sono abbastanza agile per predire eventi di mercato anomali. Il rovescio della medaglia, mentre i fondi quant sono rigorosamente testati indietro fino a che non lavorano, il loro punto debole è che si basano su dati storici per il loro successo. Mentre Quant-style che investe ha il suo posto nel mercato, è importante essere consapevoli dei suoi difetti e rischi. Per essere coerenti con le strategie di diversificazione. è una buona idea per il trattamento di strategie quant come uno stile di investimento e combinarlo con le strategie tradizionali per realizzare un'adeguata diversificazione. Una teoria economica della spesa totale per l'economia e dei suoi effetti sulla produzione e l'inflazione. economia keynesiana è stato sviluppato. Una partecipazione di un bene in un portafoglio. Un investimento di portafoglio è realizzato con l'aspettativa di guadagnare un ritorno su di esso. Questo. Un rapporto sviluppato da Jack Treynor che misura i rendimenti ottenuti, superiori a quelle che avrebbero potuto essere guadagnati su un privo di rischio. Il riacquisto delle azioni in circolazione (riacquisto) da parte di una società al fine di ridurre il numero di azioni sul mercato. Aziende. Il rimborso fiscale è un rimborso sulle tasse pagate ad un individuo o famiglia quando l'onere fiscale effettivo è inferiore alla quantità. Il valore monetario di tutti i beni e servizi prodotti all'interno di un confini country039s in un momento specifico finiti period. Quantitative Trading molto è stato scritto circa il post-guadagni Annuncio Drift (PEAD) strategia (si veda, ad esempio, il mio libro), ma meno è stato scritto su pre - earnings strategie di annuncio. Le cose sono cambiate di recente con la pubblicazione di due documenti. Proprio come con PEAD, queste strategie pre-annuncio non fanno uso di tutti i numeri utili effettivi o stime addirittura. Essi si basano interamente su date di annuncio (attesi o effettivi) e forse recente movimento dei prezzi. Il primo, da So e Wang 2014, suggerisce varie strategie semplici mean reversion per scorte degli Stati Uniti che entrano in posizioni alla chiusura del mercato poco prima di un annuncio atteso. Ecco la mia parafrasi di una di queste strategie: 1) Supponiamo che t è la data guadagni annuncio atteso per uno stock nell'indice Russell 3000. 2) Calcolare il ritorno preannuncio fin dal primo giorno t-4 a T-2 (contando giorni di negoziazione solo). 3) Sottrarre un rendimento dell'indice di mercato rispetto allo stesso periodo lookback dal ritorno pre-annuncio, e chiamare questo PAR ritorno regolato-mercato. 4) Scegliere i 18 titoli con la migliore PAR ea breve li (a parità di dollari) al mercato chiusura del T-1, liquidare alla chiusura dei mercati di t1. Scegli i 18 titoli con la peggiore PAR, e fare il contrario. Hedge qualsiasi esposizione netta con un ETF mercato-index o futuri. Ho backtested questa strategia con Wall Street Horizon (WSH) s aspettavo dati utili date, applicandolo ai titoli nell'indice Russell 3000, e di copertura con IWV. Ho ottenuto un CAGR del 9,1 e un indice di Sharpe di 1 20.110.803-20.160.930. La curva di equità viene visualizzato sotto. Si noti che i dati WSHS è stato utilizzato al posto di Yahoo Finanza, Compustat, o anche Thomson Reuters IBES dati utili, perché solo i dati WSHS è point-in-time. WSH catturato la data guadagni annuncio atteso il giorno prima dell'annuncio, proprio come avremmo se fossimo trading dal vivo. Non abbiamo usato la data effettiva annuncio come catturato nella maggior parte delle altre fonti di dati, perché non potevamo essere certi se una società ha cambiato la loro data di annuncio previsto in quella stessa data. La data effettiva di annuncio può essere conosciuto con certezza solo dopo-il-fatto, e point-in-time, pertanto isnt. Se dovessimo eseguire lo stesso backtest utilizzando Yahoo Finanze i dati utili storici, il CAGR sarebbe sceso a 6,8, e l'indice di Sharpe è sceso a 0,8. L'idea che le aziende cambiano le date di annuncio atteso ci porta alla seconda strategia, creato da Ekaterina Kramarenko di Deltixs Quantitative Research Team. Nella sua carta Una strategia per il trading automatizzato utilizzando gli utili Data movimenti da Wall Street Horizon, descrive la seguente strategia che fa esplicitamente uso di tali cambiamenti come un segnale di trading: 1) Alla chiusura del mercato prima l'annuncio degli utili atteso tra la corrente vicina e nei prossimi giorni aperto, calcolare deltaD che è l'ultima modifica della data di annuncio previsto per il prossimo annuncio, misurata in giorni di calendario. deltaD gt 0 se la società ha spostato la data di annuncio più tardi, e deltaD lt 0 se la società ha spostato la data di annuncio in precedenza. 2) Inoltre, alla stessa chiusura del mercato, calcolare deltaU che è il numero di giorni di calendario dal momento che l'ultima modifica della data di annuncio atteso. 3) Se deltaD lt 0 e deltaU lt 45, acquistare il titolo alla chiusura del mercato e liquidare sul prossimi giorni di mercato aperto. Se deltaD gt 0 e deltaU gt 45, fare il contrario. L'intuizione alla base di questa strategia è che se una società si muove una data di annuncio previsto in precedenza, soprattutto se questo accade in prossimità della data prevista, cioè l'indicazione di buone notizie, e viceversa. Kramarenko trovato un CAGR del 14,95 e un indice di Sharpe di 2,08 mediante l'applicazione di questa strategia per SPX scorte da 200613 - 201592. Per riprodurre questo risultato, bisogna fare in modo che l'allocazione del capitale si basa sulla formula seguente: supponiamo che il totale potere d'acquisto è M, e il numero di segnali di trading alla chiusura del mercato è n, allora la dimensione di scambio per azione è M5 se n lt 5, ed è Mn se n gt 5. I backtested questa strategia 201.183-2.016.930 su un fisso SPX universo su 201.175, e CAGR17.6 ottenuta e Sharpe ratio di 0,6. Backtesting questo su Russell 3000 Index universo delle scorte ha dato risultati migliori, con CAGR17 e Sharpe ratio1.9. Qui, regola la dimensione di scambio per azione a M30 se n LT30, e di Mn se n gt 30, dato che il numero totale di azioni a Russell 3000 è di circa 6 volte superiore a quella di SPX. La curva di equità viene visualizzato sotto: È interessante notare che una versione di mercato neutra di questa strategia (utilizzando IWV di coprire qualsiasi esposizione netta) non migliora l'indice di Sharpe, ma non in modo significativo premette il CAGR. Riconoscimento . Ringrazio Michael Raines a Wall Street Horizon per la fornitura del point-in-tempo storico attesi a guadagnare i dati date per questa ricerca. Inoltre, ringrazio Stuart Farr e Ekaterina Kramarenko a Deltix per avermi fornito una copia del loro documento e spiegare a me le sfumature della loro strategia. Il mio laboratorio in arrivo 14 gennaio ed il 21: Opzioni algoritmico Strategie Questo corso online è diverso dalla maggior parte delle altre opzioni laboratori offerti altrove. Esso riguarderà le strategie di opzione backtesting intraday e strategie di opzione portafoglio. Ho scritto in un precedente articolo sul perché dovremmo backtest anche end-of-day (giorno) le strategie con i dati di citazione intraday. Altrimenti, le prestazioni di tali strategie può essere gonfiato. Ecco un altro esempio brillante che mi sono imbattuto di recente. Considerare l'ETF future sul petrolio USO e il suo gemello cattivo, l'inverso futures del petrolio ETF DNO. In teoria, se USO ha un rendimento giornaliero di x, DNO avrà un ritorno giornaliero di - x. In pratica, se tracciamo i rendimenti giornalieri di DNO contro quella di OSU 2.010.927-201.699, utilizzando il consueto dati consolidati di fine giornata che si possono trovare su Yahoo Finance o di qualsiasi altro fornitore, vediamo che anche se la pendenza è davvero -1 (a meno di un errore standard di 0.004), ci sono molti giorni con significativa deviazione dalla linea retta. Il commerciante in noi immediatamente pensare opportunità di arbitraggio In effetti, se si backtest una semplice strategia di mean reversion su questa coppia - basta acquistare importo in dollari pari di OSU e DNO quando la somma dei loro rendimenti giornalieri è inferiore a 40 bps alla chiusura del mercato, tenere un giorno, e viceversa - troveremo una strategia con un indice di Sharpe decente di 1, anche dopo aver sottratto 5 bps per lato come i costi di transazione. Ecco la curva di equità: Sembra ragionevole, doesnt Tuttavia, se ci Backtest di nuovo questa strategia con i dati BBO alla chiusura del mercato, avendo cura di togliere la metà del bid-ask spread come costi di transazione, troviamo questa curva di equità: Possiamo vedere che il problema non è solo che perdiamo soldi su praticamente ogni commercio, ma che c'era di rado innescato qualsiasi commercio. Quando i dati EOD quotidiano suggerisce un commercio dovrebbe essere attivato, la barra dati 1-min BBO ci dice che in realtà non vi era alcuna deviazione dalla media. (A proposito, i rendimenti sopra sono stati calcolati prima ancora di dedurre le spese di prendere in prestito di corto circuito di tanto in tanto questi ETF. Il tasso di sconto per USO è di circa 1 annuo sul Interactive Brokers, ma una ripida 5,6 per DNO.) Nel caso in cui si pensa che questo problema è peculiare USO vs DNO, si può provare TBT vs UBT pure. Tra l'altro, abbiamo appena verificato una regola d'oro dei mercati finanziari: la deviazione risulta dal mercato efficiente è consentito quando nessuno può proficuamente operare sulla opportunità di arbitraggio. Nota: secondo ETF, l'emittente di DNO ha temporaneamente sospeso le creazioni in quanto il fondo del Mar 22, 2016 in attesa della presentazione di nuovi documenti presso la SEC. Questa azione potrebbe creare premiums8212 insolito o eccessivo un aumento del prezzo di mercato del fondo rispetto al proprio fair value. I rimborsi non sono interessati. Il commercio con cura controllare iNAV vs. prezzo. Per una spiegazione di creazione di unità di ETF, vedi il mio articolo cose non volete sapere su ETF ed ETN. Industria Aggiornamento Quantiacs proprio di recente registrato come CTA e gestisce un mercato per algoritmi di negoziazione che chiunque può contribuire. Hanno anche pubblicato un post sul blog educativo per Python e Matlab backtesters: quantiacsBlogIntro-to-algoritmico-Trading-con-Heikin-Ashi. aspx mi sarà moderare una tavola rotonda su come possono i fondi leva fonti di dati non tradizionali per guidare i rendimenti degli investimenti a Quant mondiale Canada a Toronto, il 10 novembre 2016. prossimi workshop il 22 ottobre e il 29, il sabato, Strategie Momentum quantitative workshop online. strategie Momentum sono per coloro che vogliono beneficiare di eventi di coda. Discuterò le ragioni fondamentali per l'esistenza di quantità di moto in vari mercati, nonché le strategie di momentum specifiche che ricoprono posizioni da ore a senior director days. A presso una grande banca mi ha scritto: 8230thank ancora per il corso di formazione Strategie Momentum questa settimana . E 'stato molto utile. Ho trovato il vostro spiegazioni dei concetti molto chiari e gli esempi ben sviluppate. Mi piace l'approccio rigoroso che si prende alla strategia evaluation.8221 Venerdì 17 Giugno 2016 Tutti amano negoziazione o investire in PTE. ETP è l'acronimo di prodotti negoziati in borsa, che comprendono sia exchange-traded funds (ETF) e le note negoziati in borsa (ETN). Sembrano semplice, trasparente, facile da capire. Ma ci sono alcune sottigliezze che non si può conoscere. 1) Il più popolare ETN è VXX, l'ETF indice di volatilità. A differenza di ETF, ETN è in realtà un legame non garantito emesso dall'emittente. Ciò significa che il prezzo del ETN non può solo dipendere da attività sottostanti o indice. Si potrebbe potenzialmente dipenderà dalla solvibilità dell'emittente. Ora VXX viene emesso da fx. Si può pensare che fx è una grande banca, troppo grandi per fallire, e si può essere di destra. Tuttavia, nessuno promette che il suo rating non sarà mai declassato. Trading futuro VX, però, pretende molto avere questo problema. 2) L'emittente ETP, insieme ai partecipanti autorizzati (i market maker che possono chiedere l'emittente di emettere più azioni ETP o di riscattare tali azioni per i beni o denaro sottostanti), si suppone di mantenere il valore totale di mercato delle azioni ETP stretto monitoraggio il NAV delle attività sottostanti. Tuttavia, c'era un caso degno di nota quando non l'emittente deliberatamente farlo, con conseguente grosse perdite per alcuni investitori. Fu allora che l'emittente del TVIX, l'ETN leveraged che tiene traccia 2x i rendimenti giornalieri di VXX, fermato tutta la creazione di nuove azioni TVIX temporaneamente il 22 febbraio 2012 (vedi sixfigureinvesting201510how-fa-TViX-lavoro). Tale emittente è il Credit Suisse, che potrebbe aver trovato che i costi di transazione di riequilibrio questo altamente volatile ETN stavano diventando troppo alto. A causa di questa interruzione, TVIX trasformato in un fondo chiuso (temporaneamente), e il suo NAV discostato significativamente dal suo valore di mercato. TVIX é scambiata a un premio di 90 rispetto all'indice sottostante. In altre parole, gli investitori che hanno acquistato TVIX nel mercato azionario entro la fine di marzo pagavano 90 più di quello che avrebbero se fossero in grado di acquistare l'indice VIX, invece. Subito dopo, il Credit Suisse ha annunciato che avrebbero riprendere la creazione di azioni TVIX. Il prezzo di mercato TVIX immediatamente precipitata al suo NAV per azione, causando enormi perdite per quegli investitori che hanno acquistato poco prima della ripresa. 3) Si può essere a conoscenza del fatto che un ETF - levered dovrebbe monitorare solo i tempi dei rendimenti giornalieri dell'indice sottostante, non il suo rendimento a lungo termine. Ma si può essere meno familiarità con il fatto che è, inoltre, non dovrebbe monitorare volte il rendimento intraday di tale indice (anche se il più delle volte in realtà lo fa, grazie alle numerose arbitraggisti.) Caso in questione: durante il Flash Crash maggio 2010 , molti ETF inversi levered sperimentato una diminuzione del prezzo in quanto il mercato è stato in crash verso il basso. Come gli ETF inverso, molti investitori pensavano che dovrebbero aumentare di prezzo e di agire come copertura contro ribassi del mercato. Ad esempio, questo commento lettera alla SEC ha sottolineato che DOG, l'ETF inverso che traccia -1x indice Dow 30, è andato giù più di 60 dal suo valore all'inizio (14:40 ET) di Flash Crash. Questo perché i vari operatori di mercato, tra cui i partecipanti autorizzati per il cane werent rendendo i mercati in quel momento. Ma un punto altrettanto importante da notare è che, alla fine del giorno di negoziazione, il cane ha prodotto 3.2, quasi esattamente -1X il ritorno della DIA (ETF che tiene traccia del Dow 30). Così ha funzionato come pubblicizzato. Lezione imparata: Noi arent suppone di utilizzare gli ETF inversa per intraday né a lungo termine di copertura 4) Il NAV (non NAV per azione) di un ETF non deve cambiare in uguale al valore di mercato dell'unità attività sottostanti. Ad esempio, lo stesso commento lettera ho citato sopra scritto che GLD, l'ETF oro, è diminuita di prezzo di 24 dal 1 marzo al 31 dicembre 2013, il tracciamento della stessa 24 calo di prezzo spot dell'oro. Tuttavia, il suo NAV è sceso 52. Perché i partecipanti autorizzati riscattati molte azioni GLD, provocando le azioni in circolazione di GLD per diminuire da 416 a 266 milioni. È un problema non del tutto. Un investitore in quel ETF si preoccupa solo che ha vissuto lo stesso rendimento di oro spot, e non quanto il patrimonio ETF ha tenuto. L'autore di questo commento lettera stranamente ha scritto che gli investitori che desiderano partecipare al mercato dell'oro non sarebbe comprare il GLD se sapessero che un calo dei prezzi in oro potrebbe causare il doppio rispetto alla base declino bene per l'GLD. Questo, credo, è una sciocchezza. Industria Aggiornamento Alex Boykov co-sviluppato il WFAToolbox 8211 Cabina Forward Analisi Toolbox per MATLAB, che automatizza il processo di utilizzo di una finestra mobile per ottimizzare i parametri ed entrando commerci solo nel periodo out-of-sample. Egli ha anche compilato una applicazione stand-alone da MATLAB che permette a qualsiasi utente (avendo MATLAB o meno) per caricare le citazioni in formato CSV da Google Finanza per ulteriori importazione ad altri programmi e per lavorare in Excel. Potete scaricarlo qui: wfatoolboxepchan. tecniche di apprendimento AImachine sono più utili quando qualcuno ci dà indicatori tecnici o fondamentali diavolerie, e noi havent ancora sviluppato l'intuizione di come usarli. tecniche di intelligenza artificiale in grado di suggerire i modi per inserirli nella vostra strategia di trading, e velocizzare la comprensione di questi indicatori. Naturalmente, a volte queste tecniche possono anche suggerire strategie inaspettate nei mercati familiari. Il mio corso copre le tecniche di IA di base utili per un commerciante, con particolare riguardo ai molti modi per evitare overfitting. Tutti sanno che la volatilità dipende dalla frequenza di misurazione: la deviazione standard dei rendimenti 5 minuti è diversa da quella dei rendimenti giornalieri. Per essere precisi, se z è il prezzo log, quindi la volatilità, campionati a intervalli di, è dove Var significa prendere la varianza di numerose tempi di campionamento. Se i prezzi davvero seguono un random walk geometrica, allora Var () 8801Var ((z (t) z (T)) 8733, e la volatilità semplicemente scale con la radice quadrata del l'intervallo di campionamento. Questo è il motivo per cui se misuriamo i rendimenti giornalieri, abbiamo bisogno di moltiplicare la volatilità giornaliera da 8.730.252 per ottenere la volatilità annualizzata. I commercianti sanno anche che i prezzi in realtà non seguono un geometrica random walk. Se i prezzi sono media ritornare, troveremo che essi non allontanarsi dalla loro iniziale valore veloce come una passeggiata casuale. Se i prezzi sono trend, vagano via più veloce. In generale, possiamo scrivere dove H è chiamato l'esponente Hurst, ed è pari a 0,5 per una vera passeggiata aleatoria geometrica, ma sarà inferiore 0.5 per medio ritornare prezzi e maggiore di 0,5 per i prezzi di tendenza. Se annualize la volatilità di una serie di prezzo medio-ritornare, finirà avente una volatilità annualizzata inferiore a quella di una passeggiata aleatoria geometrica, anche se entrambi hanno esattamente lo stessa volatilità misurata a, diciamo, barre di 5 minuti. Il contrario è vero per una serie di prezzi di tendenza. Ad esempio, se proviamo questo su AUDCAD, un ovviamente significare-ritornare serie temporali, avremo H0.43. Tutto quanto sopra sono ben noti a molti commercianti, e sono infatti discusso nel mio libro. Ma ciò che è più interessante è che l'esponente Hurst si può cambiare in un certo lasso di tempo, e questo cambiamento volte segnala un passaggio da un ritorno medio ad un regime di moto, o viceversa. Per vedere questo, immobili volatilità terreno (o più convenientemente, varianza) in funzione di. Questo è spesso chiamato la struttura a termine della volatilità (realizzato). Inizia con il SPY familiare. possiamo calcolare i rendimenti intraday utilizzando midprices da 1 minuto a 210 minuti (17 ore), e tracciare il registro (Var ()) contro log (). La forma, mostrato sotto, è eccellente. (Clicca per ingrandire la figura). La pendenza, diviso 2, è l'esponente di Hurst, che si rivela essere 0.4941770.003, che è leggermente significare-tornando. Ma se lo facciamo lo stesso per i rendimenti giornalieri di SPY, per intervalli di 1 giorno fino a 28 giorni (256), troviamo che H è ora 0.4691770.007, che è significativamente mean revertion. Conclusione: dire le strategie di reversione su SPY dovrebbero lavorare meglio interday di intraday. Possiamo fare la stessa analisi per USO (il WTI futures del petrolio greggio ETF). Il intraday H è 0.5151770.001, indicando significativo il comportamento di tendenza. La H giornaliera è 0.561770.02, ancora più significativo trend. Quindi, le strategie di momentum dovrebbero lavorare per i futures del petrolio greggio in qualsiasi scale di tempo ragionevole. Consente di girare subito a GLD, l'ETF oro. Intraday H0.5051770.002, che è leggermente in trend. Ma H0.4691770.007 quotidiano: significativamente significa ritornare strategie Momentum su oro può funzionare intraday, ma significa strategie reversione certamente lavorare meglio su più giorni. Da dove viene la transizione si verificano Possiamo esaminare la struttura a termine da vicino: Possiamo vedere che intorno ai 16-32 giorni, le volatilità partono da linea retta estrapolata dalle frequenze intraday. Quello è dove dovremmo passare da slancio a dire le strategie di retrospezione. Un lato nota di interesse: quando si calcola la varianza dei rendimenti per periodi a cavallo di due giorni di negoziazione e tracciarli in funzione di log (). dovrebbe includere le ore in cui il mercato era chiuso Si scopre che la risposta è sì, ma non completamente. Al fine di produrre il grafico sopra, dove le variazioni giornaliere inizialmente cadono sulla stessa linea retta come varianze l'intraday, dobbiamo contare 1 giorno trading come equivalenti a 10 ore di trading. Non 6.5 (per i mercati USA equitiesETF), e non 24. Il numero preciso di ore di negoziazione equivalenti, naturalmente, varia a seconda dei diversi strumenti. Nick sopra a mintegration. eu discute le nuove basi di dati intraday a Quandl e Kerf. Factorwave (creazione Euan Sinclair) ha iniziato un nuovo forum: slack. factorwave. Ha alcune discussioni molto attive e di approfondimento di molti il ​​commercio e gli argomenti che investono. Prof. Matteo Lyle alla Kellogg School of Management ha un nuovo documento che si riferisce fondamentali per i premi di rischio di varianza: papers. ssrnsol3papers. cfmabstractid2696183. Ci sono un sacco di più per significare le strategie di reversione che solo le coppie di trading. Scopri come prosperare nell'attuale contesto di bassa volatilità favorevole a questo tipo di strategie. Prevedere la volatilità è un argomento molto vecchio. Ogni studente di finanza è stato insegnato a utilizzare il modello GARCH per questo. Ma come la maggior parte delle cose che abbiamo imparato a scuola, noi non necessariamente aspettiamo che siano utili nella pratica, o per lavorare bene out-of-sample. (Quando è stata l'ultima volta che è necessario utilizzare il calcolo nel vostro lavoro), ma per curiosità, ho fatto una rapida indagine del suo potere sulla previsione della volatilità dei SPY quotidiano vicino a chiudere i rendimenti. Ho stimato i parametri di un modello GARCH sui dati di allenamento dal 21 dicembre 2005 al 5 Dicembre 2011 utilizzando Matlabs Econometric cassetta degli attrezzi, e testato quanto spesso il segno del predetto cambiamento di 1 giorno della volatilità d'accordo con la realtà sul set di prova da dicembre 6 2011 al 25 novembre 2015. (cambiamento di un giorno della volatilità realizzata è definito come la variazione del valore assoluto del ritorno di 1 giorno.) Una piacevole sorpresa: l'accordo è 58 dei giorni. Se questa fosse la precisione per predire il segno del ritorno SPY stesso, dobbiamo prepararci ad andare in pensione nel lusso. La volatilità è più facile da prevedere che i rendimenti firmati, come ogni studente di finanza è stato anche insegnato. Ma a che serve una buona volatilità previsione sarebbe che essere utile a commercianti di opzioni, che possono commerciare volatilità implicite al posto di rendimenti direzionali La risposta è sì, si rese conto della volatilità previsione è utile per la previsione implicita volatilità, ma non nel modo che ci si aspetterebbe. Se GARCH ci dice che la volatilità realizzata aumenterà di domani, la maggior parte di noi sarebbe istintivamente uscire e comprare noi stessi alcune opzioni (cioè volatilità implicita). Nel caso di SPY, probabilmente andare a comprare un po 'di VXX. Ma che sarebbe un terribile errore. Si ricorda che la volatilità avevamo previsto è un ritorno non firmato: una previsione di aumento della volatilità può significare una giornata di domani molto rialzista. Un elevato rendimento positivo in SPY è di solito accompagnata da un forte calo in VXX. In altre parole, un aumento della volatilità realizzata è di solito accompagnata da una diminuzione della volatilità implicita in questo caso. Ma ciò che è veramente strana è che questo anti-correlazione tra variazione della volatilità realizzata e il cambiamento della volatilità implicita detiene anche quando il rendimento è negativo (57 dei giorni con rendimenti negativi). Un ritorno molto negativo in SPY è infatti di solito accompagnata da un aumento della volatilità implicita o VXX, inducendo correlazione positiva. Ma in media, un aumento della volatilità realizzata a causa di rendimenti negativi è ancora accompagnato da una diminuzione della volatilità implicita. Il risultato di tutte queste è che se si prevedere la volatilità di SPY aumenterà di domani, si dovrebbe a breve VXX invece. Quantiacs appena lanciato un concorso sistema commerciale con investimenti garantiti di 2,25M per i migliori tre sistemi di trading. (Quantiacs aiuta Quants ottenere investimenti per i loro algoritmi di negoziazione e aiuta gli investitori a trovare il sistema di scambio dei diritti.) Un nuovo libro chiamato Momo Traders - Consigli, trucchi e strategie da Top Ten Traders dispone di colloqui esaustivi con i dieci migliori al giorno e battente commercianti che trovano le scorte che si muovono e capitalizzare lo slancio. Un altro nuovo libro chiamato algoritmico e ad alta frequenza Trading da 3 professori di matematica finanziaria descrive i sofisticati strumenti matematici che vengono applicati a alta frequenza e il commercio esecuzione ottimale. Sì, il calcolo è necessario qui. Il mio laboratorio Prossimi 27-28 gennaio: Opzioni Algorithmic Strategie Si tratta di un nuovo corso on-line che è diverso dalla maggior parte delle altre opzioni laboratori offerti altrove. Esso riguarderà come si possa backtest strategie di opzione intraday e strategie di opzione portafoglio. 7-11 MARZO: Statistical Arbitrage, Momentum quantitativa, e Intelligenza Artificiale per i commercianti. Questi corsi sono corsi di formazione intensivi tenuti a Londra per una settimana intera. Io di solito bisogno di camminare per un'ora lungo il Tamigi per ringiovanire dopo ogni classe giorni. Il corso IA è nuovo, e con mio grande stupore, alcune delle tecniche migliorate effettivamente lavoro. Il mio discorso in arrivo io parlerà al QuantCon 2016 il 9 aprile a New York. Il tema sarà il Peculiarità di volatilità. Ho fatto notare una particolarità sopra, ma ce ne sono altri. QTS Partners, L. P. ha un rendimento netto del 1,56 nel mese di ottobre (YTD: 11,50). Dettagli disponibili per categoria Persone qualificate ammissibili ai sensi CFTC Regola 4.7. Con i commercianti Lukasz Wojtow meccaniche mai smettere di ricerca per il bordo prossimo mercato. Non solo per ottenere risultati migliori, ma anche di avere più di un sistema. I migliori risultati di negoziazione possono essere raggiunti con più sistemi non-correlata scambiati contemporaneamente. Purtroppo, la maggior parte dei commercianti utilizzare simile inefficienza del mercato: alcuni operatori specializzati in trend following, alcuni in mean reversion e così via. Ecco perché imparare a sfruttare un tipo di bordo è abbastanza duro, padronanza di tutti loro 8211 impossibile. Sarebbe utile avere un software che crea molti sistemi non correlati. Recentemente ho pubblicato Genotick - un software open source che permette di creare e gestire un gruppo di sistemi di trading. Al centro si trova Genoticks un'epifania: se possibile creare qualsiasi software con solo una manciata di istruzioni assembler, dovrebbe essere possibile creare eventuali sistemi di trading con una manciata di istruzioni simile semplici. Queste istruzioni semplici e insignificanti-on-suo-proprio diventano estremamente potente quando combinati insieme. istruzioni giuste nel giusto ordine in grado di creare qualsiasi tipo di sistema meccanico: trend following, significa ritornare o anche sulla base dei dati fondamentali. Il motore trainante potere Genoticks è un algoritmo genetico. implementazione attuale è piuttosto semplice, ma con alcune stranezze in più. Ad esempio, se uno dei sistemi è davvero male 8211 rimane nella popolazione, ma le sue previsioni sono invertiti. Un altro trucco è usato per aiutare a riconoscere i sistemi di negoziazione di parte: un sistema può essere rimosso se si pretende molto dare la previsione speculare sui dati speculari. Così, per esempio, la posizione sulla GBPUSD deve essere opposto a quello sul USDGBP. Genotick supporta anche elitarismo opzionale (dove i migliori sistemi di rimanere sempre nella popolazione, mentre altri sono in pensione a causa di vecchiaia), la protezione per i nuovi sistemi (per evitare i sistemi di quello non ha ancora la rimozione di avere la possibilità di provare se stessi) e ereditare il peso dei sistemi iniziali da parte dei genitori. Queste opzioni offrono agli utenti un sacco di spazio per la sperimentazione. Quando Genotick viene eseguito per la prima volta - non esistono sistemi. Essi vengono creati all'inizio utilizzando istruzioni scelti a caso. Poi, un algoritmo genetico prende il sopravvento: ogni sistema viene eseguito per verificare la sua previsione su dati storici. I sistemi che predetto correttamente aumentano di peso per le previsioni future, i sistemi che predicono in modo errato 8211 perdere peso. A poco a poco, giorno dopo giorno, la popolazione dei sistemi cresce. sistemi cattivi vengono rimossi e buoni sistemi razza. Previsione per ogni giorno è calcolato sommando le previsioni di tutti i sistemi disponibili al momento. Genotick doesnt iterate nel corso degli stessi dati storici più di una volta 8211 processo di formazione appare esattamente come se fosse stato eseguito nella vita reale: un giorno alla volta. In realtà, non c'è 8220training8221 fase separata, programma impara un po 'ogni giorno che passa. È interessante notare che, Genotick doesnt verificare la presenza di logica alla base dei sistemi creati. Poiché ogni sistema è creato su istruzioni casuali, il suo possibile (e in realtà molto probabile) che alcuni sistemi usano logica ridicola. Ad esempio, la sua possibile che un sistema darà un segnale 8220Buy8221 se Volume è stato positivo di 42 giorni fa. Un altro sistema potrebbe voler andare a short ogni volta che la terza cifra ieri alto è lo stesso di seconda cifra a oggi aperte. Naturalmente, tali sistemi non sarebbero mai sopravvivere in mondo reale e anche loro andrei sopravvivere a lungo in Genoticks popolazione. Poiché ogni sistemi di peso iniziale è pari a zero, non hanno mai ottenere alcun peso significativo E non quindi rovinare la previsione cumulativa proposta dal programma. Può sembrare un po 'sciocco per consentire tali sistemi, in primo luogo, ma consente Genotick per testare algoritmi che sono esenti da commercianti crede, opinioni sbagliate e limiti personali. Il fatto triste è, la cura doesnt mercato su quale sistema si utilizza e quanto sudore e lacrime si inserisce in esso. Mercato sta andando a fare quello che vuole fare 8211 senza fare domande, non prendere prigionieri. pretende di mercato anche importa se si utilizza qualsiasi tipo di intelligenza, artificiale o no. E così, l'unica logica alla base di ogni sistema di negoziazione dovrebbe essere molto semplice: 8220Does esso work8221. Niente di più, niente di meno. Questo è l'unico Genotick metrica utilizza per valutare i sistemi. Ogni eseguire programmi sarà un po 'diverso. grafico capitale al di sotto mostra una possibile le prestazioni. Anni indicati sono 2007 fino al 2015, con formazione vera e propria a partire dal 2000. Non c'è niente di speciale nel 2007, ricordate 8211 Genotick impara come va avanti. Tuttavia, ho sentito la sua importante guardare come eseguita durante la crisi finanziaria. Mercati trattati sono stati: USDCHF, USDJPY, 10 anni degli Stati Uniti Yield Bond, SPX, EURUSD, GBPUSD e oro. (In alcuni casi, ho testato il sistema su un indice di mercato, come SPX invece di uno strumento che traccia l'indice, come SPY, ma la differenza dovrebbe essere minore.) Tutti i mercati sono stati rispecchiati per consentire la rimozione dei sistemi di parte. Alcuni numeri vitali: CAGR: 9.88 Maxim prelievo: -21.6 Più lungo drawdown: 287 giorni di negoziazione giorni redditizie: 53.3 CALMAR Rapporto: 0,644 Indice di Sharpe: 1,06 Media guadagno annuale: 24,1 anni Perdere: 2013 (-12) (clicca i rendimenti cumulati nel grafico qui sotto per ingrandire.) Returns cumulativi (dal 2007) Questi numeri rappresentano solo edge8221 8220directional offerto dal software. Non ci sono stati stop loss, senza effetto leva e nessuna posizione dimensionamento, che potrebbe notevolmente migliorare i risultati di vita reale. Le prestazioni presuppone che alla fine di ogni giornata, le posizioni sono riequilibrati in modo che ogni strumento inizia con valore pari dollari. (Vale a dire che questo è un portafoglio riequilibrato costante.) Intelligenza Artificiale è un tema caldo. auto Auto di guida che guidano meglio di una media di algoritmi umani e di scacchi che ha battuto un giocatore medio sono fatti. La differenza è che l'utilizzo di intelligenza artificiale per la negoziazione è perfettamente legale e gli avversari non può mai sapere. A differenza di scacchi e di guida, c'è un sacco di casualità nei mercati finanziari e può portarci più a notare quando AI inizia vincente. Migliori fondi hedge possono essere ancora gestiti da esseri umani, ma se qualsiasi metodo di trading è in realtà superiore, AI saranno capirlo pure. Al momento Genotick è più di un proof-of-concept piuttosto che pronto per la produzione. Si è molto limitata in termini di usabilità, si pretende molto perdona gli errori e il suo meglio chiedere prima di utilizzarlo per la negoziazione vera e propria. Avrete bisogno di Java 7 per eseguirlo. La sua testata sia su Linux e Windows 10. Esempio dati storici è incluso. Eventuali domande o commenti sono benvenuti. Sono stato un grande fan di opzioni trader e autore Euan Sinclair per un lungo periodo di tempo. Ho citato il suo altamente leggibile e influente libro Option Trading nel mio lavoro, ed è sempre a portata di mano dalla mia scrivania. Il suo più recente libro Trading Volatilità è un altro must-leggere. L'ho incontrato al Chicago fiera a pochi mesi fa in cui era un panelist di negoziazione di volatilità, e lui gentilmente accettato di essere intervistato da me. Qual è il tuo background formativo, e come hai iniziato la tua carriera commerciale ho ottenuto un dottorato di ricerca in fisica teorica, lo studio della transizione dalla quantistica alla meccanica classica. Avevo sempre destinato a diventare un professore, ma l'idea è diventato meno attraente una volta ho visto quello che hanno fatto per tutto il giorno. In questo momento Nick Leeson stava facendo notizia facendo esplodere Barings Bank e ho pensato che potrei farlo. Insomma derivati ​​commerciali non far saltare in aria una banca (anche se probabilmente potrei gestire anche quello). Mi consiglia un nuovo laureato con un background educativo simile come la tua a perseguire finanza o trading come una carriera oggi non credo che farebbe per un paio di motivi. Il mondo dei derivati ​​e trading in generale è ora molto più visibile di quanto non fosse e ci sono modi ora di gran lunga migliore per prepararsi. When I started, physics Ph. D.s were hired only because they were smart and numerate and could pick things up on their own. My first trading firm had no training program. You just had to figure stuff out on your own. Now there are many good MFE courses or you could do a financial economics Ph. D. Further, it would very much depend on exactly what kind of physics had been studied. I did a lot of classical mechanics which is really geometry. This kind of pure theory isnt nearly as useful as a background heavy with stats or simulation. I think I could still make the transition, but it is no longer close to the ideal background. You have been a well-known options trader with a long track record: what do you think is the biggest obstacle to success for a retail options trader Trading costs. Most option trading ideas are still built on the Black-Scholes-Merton framework and the idea of dynamic hedging (albeit heavily modified). Most pro firms have stat arb like execution methods to reduce the effective bid-ask they pay in the underlying. They also pay practically no ticket charges and probably get rebates. Even then, their average profit per option trade is very small and has been steadily decreasing. Further, a lot of positional option trading relies on a large universe of possible trades to consider. This means a trader needs good scanning software to find trades, and a decent risk system because she will tend to have hundreds of positions on at one time. This is all expensive as well. Retail traders cant play this game at all. They have to look for situations that require little or no rebalancing and that can be limited to a much smaller universe. I would recommend the VIX complex or equity earnings events. As an options trader, do you tend to short or long volatility I am short about 95 of the time, but about 35 of my profits come from the long trades. Do you find it possible to fully automate options trading in the same way as that stocks, futures, and FX trading have been automated I see no reason why not. You have recently started a new website called FactorWave. Can you tell us about it What prompted the transition of your focus from options to stocks FactorWave is a set of stock and portfolio tools that do analysis in terms of factors such as value, size, quality and momentum. There is a lot of research by both academics and investors that shows that these (and other) factors can give market beating returns and lower volatility. Ive been interested in stocks for a long time. Most of my option experience has been with stock options and some of my best research was on how these factors affected volatility trading returns. Also, equity markets are a great place to build wealth over the long term. They are a far more suitable vehicle for retirement planning than options I actually think the distinction between trading and investing is fairly meaningless. The only difference seems to be the time scale and this is very dependent on the person involved as well, with long-term meaning anything form months to inter-generational. All Ive ever done as a trader is to look for meaningful edges and I found a lot of these in options. But Ive never found anything as persistent as the stock factors. There is over a hundred years of statistical evidence, studies in many countries and economic and behavioral reasons for their existence. They present some of the best edges I have ever found. That should be appealing to any trader or investor. Thank you These are really valuable insights. Most time series techniques such as the ADF test for stationarity, Johansen test for cointegration, or ARIMA model for returns prediction, assume that our data points are collected at regular intervals. In traders parlance, it assumes bar data with fixed bar length. It is easy to see that this mundane requirement immediately presents a problem even if we were just to analyze daily bars: how are we do deal with weekends and holidays You can see that the statistics of return bars over weekdays can differ significantly from those over weekends and holidays. Here is a table of comparison for SPY daily returns from 20050504-20150409: SPY daily returns Mean Returns (bps) Mean Absolute Returns (bps) Kurtosis (3 is 8220normal8221) Though the absolute magnitude of the returns over a weekday is similar to that over a weekend, the mean returns are much more positive on the weekdays. Note also that the kurtosis of returns is almost doubled on the weekends. (Much higher tail risks on weekends with much less expected returns: why would anyone hold a position over weekends) So if we run any sort of time series analysis on daily data, we are force-fitting a model on data with heterogeneous statistics that wont work well. The problem is, of course, much worse if we attempt time series analysis on intraday bars. Not only are we faced with the weekend gap, in the case of stocks or ETFs we are faced with the overnight gap as well. Here is a table of comparison for AUDCAD 15-min returns vs weekend returns from 20090101-20150616: AUDCAD 15-min returns Mean Returns (bps) Mean Absolute Returns (bps) Kurtosis (3 is 8220normal8221) In this case, every important statistic is different (and it is noteworthy that kurtosis is actually lower on the weekends here, illustrating the mean-reverting character of this time series.) So how should we predict intraday returns with data that has weekend gaps (The same solution should apply to overnight gaps for stocks, and so omitted in the following discussion.) Lets consider several proposals: 1) Just delete the weekend returns, or set them as NaN in Matlab, or missing values NA in R. This wont work because the first few bars of a week isnt properly predicted by the last few bars of the previous week. We shouldnt use any linear model built with daily or intraday data to predict the returns of the first few bars of a week, whether or not that model contains data with weekend gaps. As for how many bars constitute the first few bars, it depends on the lookback of the model. (Notice I emphasize linear model here because some nonlinear models can deal with large jumps during the weekends appropriately.) 2) Just pretend the weekend returns are no different from the daily or intraday returns when buildingtraining the time series model, but do not use the model for predicting weekend returns. Cioè do not hold positions over the weekends. This has been the default, and perhaps simplest (naive) way of handling this issue for many traders, and it isnt too bad. The predictions for the first few bars in a week will again be suspect, as in 1), so one may want to refrain from trading then. The model built this way isnt the best possible one, but then we dont have to be purists. 3) Use only the most recent period without a gap to train the model. So for an intraday FX model, we would be using the bars in the previous week, sans the weekends, to train the model. Do not use the model for predicting weekend returns nor the first few bars of a week. This sounds fine, except that there is usually not enough data in just a week to build a robust model, and the resulting model typically suffers from severe data snooping bias. You might think that it should be possible to concatenate data from multiple gapless periods to form a larger training set. This concatenation does not mean just piecing together multiple weeks time series into one long time series - that would be equivalent to 2) and wrong. Concatenation just means that we maximize the total log likelihood of a model over multiple independent time series, which in theory can be done without much fuss since log likelihood (i. e. log probability) of independent data are additive. But in practice, most pre-packaged time series model programs do not have this facility. (Do add a comment if anyone knows of such a package in Matlab, R, or Python) Instead of modifying the guts of a likelihood-maximization routine of a time series fitting package, we will examine a short cut in the next proposal. 4) Rather than using a pre-packaged time series model with maximum likelihood estimation, just use an equivalent multiple linear regression (LR) model. Then just fit the training data with this LR model with all the data in the training set except the weekend bars, and use it for predicting all future bars except the weekend bars and the first few bars of a week. This conversion of a time series model into a LR model is fairly easy for an autoregressive model AR(p), but may not be possible for an autoregressive moving average model ARMA(p, q). This is because the latter involves a moving average of the residuals, creating a dependency which I dont know how to incorporate into a LR. But I have found that AR(p) model, due to its simplicity, often works better out-of-sample than ARMA models anyway. It is of course, very easy to just omit certain data points from a LR fit, as each data point is presumed independent. Here is a plot of the out-of-sample cumulative returns of one such AR model built for predicting 15-minute returns of NOKSEK, assuming midpoint executions and no transaction costs (click to enlarge.)Beginner39s Guide to Quantitative Trading In this article Im going to introduce you to some of the basic concepts which accompany an end-to-end quantitative trading system . Questo post, si spera, servirà due tipi di pubblico. Il primo sarà individui che cercano di ottenere un lavoro presso un fondo come un commerciante quantitativa. The second will be individuals who wish to try and set up their own retail algorithmic trading business. commercio quantitativa è una zona estremamente sofisticato della finanza quant. Si può prendere una notevole quantità di tempo per acquisire le conoscenze necessarie per superare un colloquio o costruire le proprie strategie di trading. Non solo, ma richiede una vasta esperienza di programmazione, almeno in una lingua come MATLAB, R o Python. Tuttavia, come la frequenza di trading degli aumenti di strategia, gli aspetti tecnologici diventano molto più rilevante. Così avere familiarità con CC sarà di fondamentale importanza. Un sistema di trading quantitativo è costituito da quattro componenti principali: strategia di identificazione - Trovare una strategia, sfruttando un bordo e decidere la frequenza di trading backtesting strategia - raccolta di dati, l'analisi delle prestazioni di strategia e la rimozione di pregiudizi Execution System - Collegamento a una società di intermediazione, automatizzando il trading e riducendo al minimo costi di transazione Risk Management - l'allocazione ottimale del capitale, scommessa criterio sizeKelly e psicologia commerciale ben cominciare dare un'occhiata a come identificare una strategia di trading. Strategy Identification All quantitative trading processes begin with an initial period of research. Questo processo di ricerca comprende trovare una strategia, vedere se la strategia si inserisce in un portafoglio di altre strategie si può essere in esecuzione, ottenendo tutti i dati necessari per testare la strategia e cercando di ottimizzare la strategia di rendimenti più alti Andor rischio più basso. You will need to factor in your own capital requirements if running the strategy as a retail trader and how any transaction costs will affect the strategy. Contrariamente alla credenza popolare è in realtà abbastanza semplice da trovare strategie redditizie attraverso varie fonti pubbliche. Gli accademici pubblicano regolarmente risultati commerciali teorici (anche se in gran parte al lordo dei costi di transazione). Quantitative finance blogs will discuss strategies in detail. Riviste specializzate illustrerà alcune delle strategie utilizzate dai fondi. Si potrebbe in discussione perché gli individui e le imprese sono pronti a discutere le loro strategie redditizie, soprattutto quando sanno che gli altri affollano il commercio può fermare la strategia di operare nel lungo termine. La ragione risiede nel fatto che essi non saranno spesso discutere i parametri esatti e metodi di ottimizzazione che esse effettuati. Queste ottimizzazioni sono la chiave per trasformare una strategia relativamente mediocre in uno molto redditizio. In fact, one of the best ways to create your own unique strategies is to find similar methods and then carry out your own optimisation procedure. Ecco un piccolo elenco di luoghi per iniziare la ricerca di idee di strategia: Molte delle strategie si guardare cadrà nelle categorie di ritorno alla media e trend-followingmomentum. A mean-reverting strategy is one that attempts to exploit the fact that a long-term mean on a price series (such as the spread between two correlated assets) exists and that short term deviations from this mean will eventually revert. A momentum strategy attempts to exploit both investor psychology and big fund structure by hitching a ride on a market trend, which can gather momentum in one direction, and follow the trend until it reverses. Another hugely important aspect of quantitative trading is the frequency of the trading strategy. commercio di bassa frequenza (LFT) si riferisce in generale a qualsiasi strategia che detiene attività più di un giorno di negoziazione. Correspondingly, high frequency trading (HFT) generally refers to a strategy which holds assets intraday. Ultra-high frequency trading (UHFT) refers to strategies that hold assets on the order of seconds and milliseconds. As a retail practitioner HFT and UHFT are certainly possible, but only with detailed knowledge of the trading technology stack and order book dynamics . We wont discuss these aspects to any great extent in this introductory article. Una volta che una strategia, o un insieme di strategie, è stata identificata ora ha bisogno di essere testati per la redditività su dati storici. That is the domain of backtesting . Strategia Backtesting L'obiettivo di backtesting è quello di fornire la prova che la strategia individuata tramite il processo di cui sopra è vantaggioso se applicato a entrambi i dati storici e out-of-campione. Questo imposta l'aspettativa di come la strategia si esibirà nel mondo reale. However, backtesting is NOT a guarantee of success, for various reasons. È forse la zona più sottile di negoziazione quantitativa quanto comporta numerosi pregiudizi, che devono essere attentamente considerati ed eliminate il più possibile. Discuteremo i tipi comuni di distorsione tra cui pregiudizi look-ahead. survivorship bias and optimisation bias (also known as data-snooping bias). Altre aree di importanza all'interno backtesting includono la disponibilità e la pulizia dei dati storici, il factoring in costi di transazione realistici e decidere su una piattaforma robusta backtesting. Bene discutere ulteriormente i costi di transazione nella sezione Execution System di seguito. Once a strategy has been identified, it is necessary to obtain the historical data through which to carry out testing and, perhaps, refinement. There are a significant number of data vendors across all asset classes. I loro costi generalmente scala con la qualità, la profondità e la tempestività dei dati. The traditional starting point for beginning quant traders (at least at the retail level) is to use the free data set from Yahoo Finance. I wont soffermo sui fornitori di troppo qui, piuttosto vorrei concentrarmi sulle questioni generali quando si tratta di insiemi di dati storici. The main concerns with historical data include accuracycleanliness, survivorship bias and adjustment for corporate actions such as dividends and stock splits: Accuracy pertains to the overall quality of the data - whether it contains any errors. Gli errori possono essere a volte facile da identificare, come ad esempio con un filtro picco. che sarà individuare i punti non corretti nei dati di serie temporali e corretta per loro. At other times they can be very difficult to spot. Spesso è necessario avere due o più fornitori e controllare tutti i loro dati contro l'altro. Survivorship bias is often a feature of free or cheap datasets. Un insieme di dati con pregiudizi sopravvivenza significa che non contiene le attività che non sono più commerciali. In the case of equities this means delistedbankrupt stocks. Questo pregiudizio significa che qualsiasi strategia di trading azionario testato su tale insieme di dati sarà probabilmente un rendimento migliore rispetto al mondo reale come i vincitori storici sono già stati preselezionati. Corporate actions include logistical activities carried out by the company that usually cause a step-function change in the raw price, that should not be included in the calculation of returns of the price. Adjustments for dividends and stock splits are the common culprits. A process known as back adjustment is necessary to be carried out at each one of these actions. One must be very careful not to confuse a stock split with a true returns adjustment. Molti un operatore è stato catturato da un'azione societaria Per effettuare una procedura backtest è necessario utilizzare una piattaforma software. You have the choice between dedicated backtest software, such as Tradestation, a numerical platform such as Excel or MATLAB or a full custom implementation in a programming language such as Python or C. I wont dwell too much on Tradestation (or similar), Excel or MATLAB, as I believe in creating a full in-house technology stack (for reasons outlined below). One of the benefits of doing so is that the backtest software and execution system can be tightly integrated, even with extremely advanced statistical strategies. For HFT strategies in particular it is essential to use a custom implementation. When backtesting a system one must be able to quantify how well it is performing. The industry standard metrics for quantitative strategies are the maximum drawdown and the Sharpe Ratio . Il drawdown massimo caratterizza il più grande calo di picco-valle nella curva conto capitale nel corso di un determinato periodo di tempo (di solito annuale). This is most often quoted as a percentage. strategie LFT tenderanno ad avere utilizzi più grandi rispetto strategie HFT, a causa di una serie di fattori statistici. A historical backtest will show the past maximum drawdown, which is a good guide for the future drawdown performance of the strategy. La seconda misura è Ratio Sharpe, che è euristicamente definito come la media dei rendimenti in eccesso diviso per la deviazione standard di tali rendimenti in eccesso. Qui, rendimenti in eccesso si riferisce al ritorno della strategia sopra un punto di riferimento predeterminato. come ad esempio la SP500 o 3 mesi Treasury Bill. Si noti che il ritorno annualizzato non è una misura normalmente utilizzata, in quanto non tiene conto della volatilità della strategia (a differenza Ratio Sharpe). Una volta che una strategia è stata backtested ed è considerato privo di pregiudizi (in quanto ciò è possibile), con una buona Sharpe e prelievi ridotti al minimo, è il momento di costruire un sistema di esecuzione. Execution Systems Un sistema di esecuzione è il mezzo con cui l'elenco dei traffici generati dalla strategia vengono inviati e eseguito dal broker. Nonostante il fatto che la generazione commercio può essere parzialmente o addirittura completamente automatizzato, il meccanismo di esecuzione può essere manuale, semi-manuale (cioè uno scatto) o completamente automatizzato. For LFT strategies, manual and semi-manual techniques are common. For HFT strategies it is necessary to create a fully automated execution mechanism, which will often be tightly coupled with the trade generator (due to the interdependence of strategy and technology). Le considerazioni chiave durante la creazione di un sistema di esecuzione sono l'interfaccia per l'intermediazione. minimisation of transaction costs (including commission, slippage and the spread) and divergence of performance of the live system from backtested performance. Ci sono molti modi per interfacciarsi ad una società di intermediazione. They range from calling up your broker on the telephone right through to a fully-automated high-performance Application Programming Interface (API). Idealmente si desidera automatizzare l'esecuzione dei vostri commerci il più possibile. In questo modo si libera fino a concentrarsi su ulteriori ricerche, oltre che permetterà di eseguire strategie multiple o anche strategie di frequenza più alta (in realtà, HFT è sostanzialmente impossibile senza esecuzione automatica). The common backtesting software outlined above, such as MATLAB, Excel and Tradestation are good for lower frequency, simpler strategies. Tuttavia sarà necessario costruire un sistema esecutivo interno scritto in un linguaggio ad alto rendimento come C per fare una reale HFT. Come un aneddoto, nel fondo ho usato per essere impiegato presso, abbiamo avuto un ciclo di trading 10 minuti dove avremmo scaricare nuovi dati di mercato ogni 10 minuti e poi eseguire operazioni sulla base di tali informazioni nello stesso lasso di tempo. Questo stava usando uno script Python ottimizzato. Per qualcosa che si avvicini dati minuto - o di seconda frequenza, credo CC sarebbe più ideale. In un fondo più grande spesso non è il dominio del commerciante quant per ottimizzare l'esecuzione. However in smaller shops or HFT firms, the traders ARE the executors and so a much wider skillset is often desirable. Tenete a mente che se si vuole essere impiegato da un fondo. Your programming skills will be as important, if not more so, than your statistics and econometrics talents Another major issue which falls under the banner of execution is that of transaction cost minimisation. Ci sono generalmente tre componenti a costi di transazione: Commissioni (o fiscali), che sono i canoni imposti dalla mediazione, lo scambio e la SEC (o simile ente governativo di regolamentazione) slittamento, che è la differenza tra ciò che si intende l'ordine di essere riempita in rispetto a ciò che in realtà è stato riempito a diffusione, che è la differenza tra il prezzo del titolo bidask essere stato ceduto. Si noti che la diffusione non è costante e dipende dalla liquidità corrente (cioè la disponibilità di ordini buysell) nel mercato. Transaction costs can make the difference between an extremely profitable strategy with a good Sharpe ratio and an extremely unprofitable strategy with a terrible Sharpe ratio. It can be a challenge to correctly predict transaction costs from a backtest. Depending upon the frequency of the strategy, you will need access to historical exchange data, which will include tick data for bidask prices. Intere squadre di quants sono dedicati alla ottimizzazione di esecuzione nei fondi più grandi, per questi motivi. Si consideri lo scenario in cui un fondo ha bisogno di scaricare una quantità notevole di scambi (di cui le ragioni per farlo sono molti e vari). Dal dumping tante azioni sul mercato, saranno rapidamente deprimere il prezzo e non possono ottenere l'esecuzione ottimale. Hence algorithms which drip feed orders onto the market exist, although then the fund runs the risk of slippage. Oltre a ciò, altre strategie predano queste necessità e possono sfruttare le inefficienze. Questo è il dominio della struttura del fondo di arbitraggio. The final major issue for execution systems concerns divergence of strategy performance from backtested performance. Ciò può accadere per una serie di motivi. Weve already discussed look-ahead bias and optimisation bias in depth, when considering backtests. However, some strategies do not make it easy to test for these biases prior to deployment. Ciò si verifica in HFT più predominante. There may be bugs in the execution system as well as the trading strategy itself that do not show up on a backtest but DO show up in live trading. The market may have been subject to a regime change subsequent to the deployment of your strategy. I nuovi contesti normativi, cambiando sentiment degli investitori e dei fenomeni macroeconomici possono portare a divergenze nel modo in cui il mercato si comporta e quindi la redditività della vostra strategia. Risk Management The final piece to the quantitative trading puzzle is the process of risk management . Risk includes all of the previous biases we have discussed. Esso include il rischio di tecnologia, come ad esempio i server di co-situato al cambio improvviso sviluppo di un malfunzionamento del disco rigido. It includes brokerage risk, such as the broker becoming bankrupt (not as crazy as it sounds, given the recent scare with MF Global). In short it covers nearly everything that could possibly interfere with the trading implementation, of which there are many sources. Whole books are devoted to risk management for quantitative strategies so I wontt attempt to elucidate on all possible sources of risk here. Risk management also encompasses what is known as optimal capital allocation . che è una branca della teoria di portafoglio. This is the means by which capital is allocated to a set of different strategies and to the trades within those strategies. It is a complex area and relies on some non-trivial mathematics. Lo standard del settore con cui l'allocazione ottimale del capitale e della leva delle strategie sono correlate è chiamato il criterio di Kelly. Since this is an introductory article, I wont dwell on its calculation. The Kelly criterion makes some assumptions about the statistical nature of returns, which do not often hold true in financial markets, so traders are often conservative when it comes to the implementation. Another key component of risk management is in dealing with ones own psychological profile. Ci sono molti pregiudizi cognitivi che può insinuarsi in alla negoziazione. Anche se questo è certamente meno problematico con il trading algoritmico se la strategia è lasciato solo un pregiudizio comune è quella di avversione alla perdita in cui una posizione in perdita non sarà chiusa fuori a causa del dolore di dover realizzare una perdita. Similarly, profits can be taken too early because the fear of losing an already gained profit can be too great. Un altro pregiudizio comune è noto come bias passato recente. Questo si manifesta quando i commercianti mettono troppa enfasi sui recenti avvenimenti e non sul lungo periodo. Poi, naturalmente, ci sono la classica coppia di pregiudizi emotivi - la paura e l'avidità. These can often lead to under - or over-leveraging, which can cause blow-up (i. e. the account equity heading to zero or worse) or reduced profits. Come si vede, la negoziazione quantitativa è estremamente complesso, anche se molto interessante, area di finanza quantitativa. I have literally scratched the surface of the topic in this article and it is already getting rather long Whole books and papers have been written about issues which I have only given a sentence or two towards. Per questo motivo, prima di applicare per i lavori quantitativi fondo negoziazione, è necessario effettuare una quantità significativa di studio basi. Per lo meno è necessario un ampio background in statistica ed econometria, con un sacco di esperienza in realizzazione, tramite un linguaggio di programmazione come MATLAB, Python o R. Per le strategie più sofisticate alla fine frequenza più alta, il set di abilità è probabile per includere Linux modifica del kernel, CC, programmazione assembly e l'ottimizzazione latenza di rete. If you are interested in trying to create your own algorithmic trading strategies, my first suggestion would be to get good at programming. My preference is to build as much of the data grabber, strategy backtester and execution system by yourself as possible. If your own capital is on the line, wouldnt you sleep better at night knowing that you have fully tested your system and are aware of its pitfalls and particular issues Outsourcing this to a vendor, while potentially saving time in the short term, could be extremely expensive in the long-term. Just Getting Started with Quantitative TradingModeling Asset Processes Introduction Over the last twenty five years significant advances have been made in the theory of asset processes and there now exist a variety of mathematical models, many of them computationally tractable, that provide a reasonable representation of their defining characteristics. While the Geometric Brownian Motion model remains a staple of stochastic calculus theory, it8230 Systematic Strategies Fund Jan 2017 Commentary The quote from Bloomberg says it all: Last month featured more than its fair share of political excitements, as Donald Trump arrived in the White House. Yet it was resolutely boring for U. S. stocks, with one-month realized volatility on the SampP 500 coming in at 6.51 as the index moved steadily higher. In records8230 Conditional Value at Risk Models One of the most widely used risk measures is the Value-at-Risk, defined as the expected loss on a portfolio at a specified confidence level. In other words, VaR is a percentile of a loss distribution. But despite its popularity VaR suffers from well-known limitations: its tendency to underestimate the risk in the (left) tail of8230 Copulas in Risk Management Copulas in Risk Management The Systematic Volatility Strategy The Systematic Volatility strategy uses mathematical models to quantify the relative value of ETF products based on the CBOE SampP500 Volatility Index (VIX) and create a positive-alpha longshort volatility portfolio. The strategy is designed to perform robustly during extreme market conditions, by utilizing the positive convexity of the underlying ETF assets. It does not rely8230 The Systematic Strategies Quantitative Equity Strategy Systematic Strategies started out in 2009 as a proprietary trading firm engaged in high frequency trading. In 2012 the firm expanded into low frequency systematic trading strategies with the launch of our VIX ETF strategy, which was superseded in 2015 by the Systematic Volatility Strategy. The firm began managing external capital in its managed account platform in 20158230. Strategy Portfolio Construction For many decades the principles of portfolio construction laid out by Harry Markovitz in the 1950s have been broadly accepted as one of the cornerstones of modern portfolio theory (as summarized, for example, in this Wikipedia article). The strengths and weakness of the mean-variance methodology are now widely understood and broadly accepted. But alternatives exist, one8230 HFT VIX Scalper Leads on Collective2 Our high frequency VIX scalping strategy is now the 1 top performing strategy on Collective2, with returns of over 2700 since April 2016 with a Sharpe Ratio above 10 and Profit Factor of 2.8. For more background on HFT scalping strategies see the following post: Systematic Strategies Fund Systematic Strategies was launched in 2009 as a proprietary trading firm engaged in high frequency trading. In 2012 the firm expanded into low frequency systematic trading strategies with the launch of our VIX ETF strategy. The original VIX ETF strategy was superseded in 2015 by the current Systematic Volatility Strategy, which improved on the original version by eliminating8230 The Algorithm A challenge was posted recently on LinkedIn to provide an algorithm to determine the longest palindrome in a specified string. It proved to be fairly straightforward to handle the problem in a single line of Mathematica code, as follows: teststring 8220ItellyoumadamthecatisnotacivicanimalalthoughtisdeifiedinEgypt8221 nlargest 5 TakeLargestByCasesStringCasesteststring, , Overlaps - gt All, PalindromeQ, StringLength, nlargest Flatten8230