Estratégias de negociação quantitativas excel

Quant Strategies - São para você?

As estratégias quantitativas de investimento evoluíram para ferramentas muito complexas com o advento dos computadores modernos, mas as raízes das estratégias remontam aos 70 anos. Geralmente são executados por equipes altamente educadas e usam modelos proprietários para aumentar sua capacidade de vencer o mercado. Existem até programas disponíveis que são plug-and-play para quem procura simplicidade. Quant modelos sempre funcionam bem quando testados, mas suas aplicações reais e taxa de sucesso são discutíveis. Embora pareçam funcionar bem nos mercados de touro, quando os mercados se afastam, as estratégias de quant estão sujeitas aos mesmos riscos que qualquer outra estratégia.

[As estratégias quantitativas de investimento tornaram-se extremamente populares entre os comerciantes do dia, mas elas não são as únicas estratégias que os comerciantes usam para obter lucro consistente. O Curso de Tradutor de Torneios de Dia da Invastopedia descreve uma estratégia comprovada que inclui seis tipos de negócios, juntamente com estratégias de gerenciamento de risco. Com mais de cinco horas de vídeo sob demanda, exercícios e conteúdo interativo, você ganhará as habilidades necessárias para negociar qualquer segurança em qualquer mercado.]

Um dos pais fundadores do estudo da teoria quantitativa aplicada ao financiamento foi Robert Merton. Você só pode imaginar o quão difícil e demorado o processo foi antes do uso de computadores. Outras teorias em finanças também evoluíram a partir de alguns dos primeiros estudos quantitativos, incluindo a base da diversificação do portfólio com base na moderna teoria da carteira. O uso de financiamento e cálculo quantitativo levou a muitas outras ferramentas comuns, incluindo uma das mais famosas, a fórmula de preços de opções Black-Scholes, que não só ajuda as opções de preços dos investidores e desenvolver estratégias, mas também ajuda a manter os mercados em risco com liquidez.

Quando aplicado diretamente ao gerenciamento de portfólio, o objetivo é como qualquer outra estratégia de investimento: agregar valor, alfa ou excesso de retorno. Quants, como os desenvolvedores são chamados, compor modelos matemáticos complexos para detectar oportunidades de investimento. Existem tantos modelos por aí como quants que os desenvolvem, e todos afirmam ser os melhores. Um dos pontos mais vendidos da estratégia de investimento de quant é que o modelo e, finalmente, o computador, fazem a decisão de compra / venda real, não um humano. Isso tende a remover qualquer resposta emocional que uma pessoa possa experimentar ao comprar ou vender investimentos.

As estratégias Quant são agora aceitas na comunidade de investimentos e administradas por fundos mútuos, hedge funds e investidores institucionais. Eles geralmente passam pelo nome de geradores alfa, ou alfa gens.

Assim como no "The Wizard of Oz", alguém está atrás da cortina que conduz o processo. Tal como acontece com qualquer modelo, é tão bom quanto o humano que desenvolve o programa. Embora não exista um requisito específico para se tornar um quant, a maioria das empresas que executam quant modelos combinam as habilidades de analistas de investimentos, estatísticos e programadores que codificam o processo nos computadores. Devido à natureza complexa dos modelos matemáticos e estatísticos, é comum ver credenciais como pós-graduação e doutorado em finanças, economia, matemática e engenharia.

Historicamente, esses membros da equipe trabalharam nos back-office, mas, à medida que os modelos quant tornam-se mais comuns, o back office está se movendo para o front office.

Benefícios de Quant Strategies.

Embora a taxa de sucesso global seja discutível, o motivo de algumas estratégias de quant é funcionar é que elas são baseadas em disciplina. Se o modelo for certo, a disciplina mantém a estratégia trabalhando com computadores com velocidade relâmpada para explorar ineficiências nos mercados com base em dados quantitativos. Os próprios modelos podem basear-se em apenas alguns ratios como P / E, dívida para patrimônio e crescimento de ganhos, ou usar milhares de insumos trabalhando juntos ao mesmo tempo.

Estratégias bem-sucedidas podem adotar as tendências em seus estágios iniciais, pois os computadores constantemente correm cenários para localizar ineficiências antes que outros o façam. Os modelos são capazes de analisar simultaneamente um grande grupo de investimentos, onde o analista tradicional pode estar olhando apenas alguns por vez. O processo de triagem pode avaliar o universo por níveis como 1-5 ou A-F, dependendo do modelo. Isso torna o processo de negociação real muito direto investindo nos investimentos altamente cotados e vendendo os mais baixos.

Os modelos Quant também abrem variações de estratégias como longas, curtas e longas / curtas. Os fundos cuidadosos bem sucedidos mantêm um olho no controle de risco devido à natureza de seus modelos. A maioria das estratégias começa com um universo ou benchmark e usa as ponderações setoriais e industriais em seus modelos. Isso permite que os fundos controlem a diversificação até certo ponto sem comprometer o próprio modelo. Os fundos Quant geralmente funcionam com base em custos mais baixos porque não precisam de tantos analistas tradicionais e gerentes de portfólio para executá-los.

Desvantagens de Quant Strategies.

Há razões pelas quais tantos investidores não aceitam completamente o conceito de deixar uma caixa preta executar seus investimentos. Para todos os fundos bem sucedidos da quantia lá fora, apenas muitos parecem ser infrutíferos. Infelizmente para a reputação dos quants, quando eles falham, eles falham em grande momento.

O Gerenciamento de Capital de Longo Prazo foi um dos mais famosos fundos hedge quant, já que foi dirigido por alguns dos líderes acadêmicos mais respeitados e dois economistas vencedores do Prêmio Nobel, Myron S. Scholes e Robert C. Merton. Durante a década de 1990, sua equipe gerou retornos acima da média e atraiu capital de todos os tipos de investidores. Eles eram famosos por não só explorarem ineficiências, mas usando fácil acesso ao capital para criar apostas alavancadas enormes nas direções do mercado.

A natureza disciplinada de sua estratégia realmente criou a fraqueza que levou ao seu colapso. A Administração de Capital de Longo Prazo foi liquidada e dissolvida no início de 2000. Os modelos não incluíram a possibilidade de o governo russo estar inadimplente em algumas das suas próprias dívidas. Este evento desencadeou eventos e uma reação em cadeia ampliada por estragos criados por alavancagem. LTCM estava tão fortemente envolvido com outras operações de investimento que seu colapso afetou os mercados mundiais, provocando eventos dramáticos. A longo prazo, o Federal Reserve entrou para ajudar, e outros bancos e fundos de investimento apoiaram o LTCM para evitar mais danos. Esta é uma das razões pelas quais os fundos quantitativos podem falhar, pois eles são baseados em eventos históricos que podem não incluir eventos futuros.

Enquanto uma equipe de quantos forte estará constantemente adicionando novos aspectos aos modelos para prever eventos futuros, é impossível prever o futuro sempre. Quant fundos também podem se surpreender quando a economia e os mercados estão passando por uma volatilidade maior do que a média. Os sinais de compra e venda podem vir tão rapidamente que o alto volume de negócios pode gerar altas comissões e eventos tributáveis. Os fundos Quant também podem representar um perigo quando são comercializados como resistentes ao incômodo ou baseados em estratégias curtas. Prever as desacelerações, usar derivadas e combinar alavancagem pode ser perigoso. Uma vez errada pode levar a implosões, que muitas vezes fazem as novidades.

As estratégias quantitativas de investimento evoluíram de caixas pretas de back office para ferramentas de investimento convencionais. Eles são projetados para utilizar as melhores mentes no negócio e os computadores mais rápidos, tanto para explorar ineficiências quanto para utilizar a alavancagem para fazer apostas no mercado. Eles podem ter muito sucesso se os modelos incluíram todas as entradas certas e são ágeis o suficiente para prever eventos anormais do mercado. Por outro lado, enquanto os fundos quantitativos são rigorosamente testados até que eles funcionam, sua fraqueza é que eles dependem de dados históricos para o seu sucesso. Embora o investimento em estilo de quantum tenha seu lugar no mercado, é importante estar atento às suas deficiências e riscos. Para ser consistente com as estratégias de diversificação, é uma boa idéia tratar estratégias quantitativas como um estilo de investimento e combiná-lo com estratégias tradicionais para alcançar uma diversificação adequada.

Negociação quantitativa.

Investimentos quantitativos e idéias comerciais, pesquisas e análises.

Sexta-feira, 27 de março de 2009.

Um leitor faz comentários sobre o comércio usando Excel VBA e Factor Model.

7 comentários:

Eu acho que as principais razões por trás de uma popularidade do Excel / VBA em um mundo comercial quant e quant são:

Eu definitivamente acho que o fator bandwagon está em jogo, muitas vezes somos como ovelhas, e não vejo razão para que a estratégia ou os sistemas de investimento sejam diferentes.

Um pouco de sorte não irá interferir no forex.

"No entanto, um problema que encontrei é o meu desejo contínuo de modificar e melhorar regularmente o sistema que encontrei pode tornar-se produtivo, pois existe um perigo real de que o desenvolvimento do sistema se torne um fim em si mesmo".

"No entanto, um problema que encontrei é o meu desejo contínuo de modificar e melhorar regularmente o sistema que encontrei pode tornar-se produtivo, pois existe um perigo real de que o desenvolvimento do sistema se torne um fim em si mesmo".

* gerenciamento de memória fraco (isso pode tornar o desempenho ainda pior)

* você não pode usar o sistema de controle de versão que permita rastrear mudanças (who-what-why-when) e facilitar a colaboração (veja, por exemplo, svnbook. red-bean / nightly / en / svn. intro. whatis. html # svn. intro. righttool e tortoisesvn. tigris /; deve haver algumas ferramentas de controle de versão da Microsoft). Com base na minha experiência, a partir de algum código VBA de volume se torna incontrolável, uma das razões para isso é que você não pode usar o controle de versão.

* pouca flexibilidade (em comparação com as alternativas que eu vou ser.

** ausência de classes (classe = estrutura + métodos que podem acessar e modificar o conteúdo da estrutura)

** ausência virtual de mecanismos de abstração (Variant é muito propenso a erros). Você pode precisar deles se quiser usar o mesmo algoritmo para um estoque e para uma curva de juros (mesma ação, objetos diferentes).

Oi Dr. Ernie Chan.

Usei matlab2ibapi há vários meses e achei que era bastante útil e confiável para automatizar minhas estratégias. Na verdade, vou publicar um artigo ilustrando como usá-lo.

QuantStart.

Junte-se ao portal de membros privados da Quantcademy que atende à comunidade de comerciantes de varejo de varejo em rápido crescimento. Você encontrará um grupo de comerciantes quânticos bem informados e com a mesma mentalidade, prontos para responder às suas perguntas mais prementes sobre negociação de quant.

Confira meu ebook sobre o comércio de quant, onde eu ensino você como criar estratégias de negociação sistemáticas lucrativas com ferramentas Python, desde o início.

Dê uma olhada no meu novo ebook sobre estratégias de negociação avançadas usando análise de séries temporais, aprendizado de máquina e estatísticas bayesianas, com Python e R.

Por Michael Halls-Moore em 26 de março de 2013.

Neste artigo, vou apresentá-lo a alguns dos conceitos básicos que acompanham um sistema de negociação quantitativa de ponta a ponta. Espera-se que este post atenda a dois públicos-alvo. O primeiro será indivíduos tentando obter um emprego em um fundo como um comerciante quantitativo. A segunda será pessoas que desejam tentar montar seu próprio negócio de comércio algorítmico "de varejo".

A negociação quantitativa é uma área extremamente sofisticada de finanças quânticas. Pode levar uma quantidade significativa de tempo para obter o conhecimento necessário para passar uma entrevista ou construir suas próprias estratégias de negociação. Não só isso, mas exige uma ampla experiência em programação, pelo menos em uma linguagem como MATLAB, R ou Python. No entanto, à medida que a frequência comercial da estratégia aumenta, os aspectos tecnológicos tornam-se muito mais relevantes. Assim, ser familiar com C / C ++ será de suma importância.

Um sistema de comércio quantitativo consiste em quatro componentes principais:

Identificação Estratégica - Encontrando uma estratégia, explorando uma vantagem e decidindo sobre a frequência de negociação Backtesting da estratégia - Obtendo dados, analisando o desempenho da estratégia e removendo vieses Sistema de Execução - Vinculando a uma corretora, automatizando a negociação e minimizando custos de transação tamanho da aposta "/ critério Kelly e psicologia comercial.

Começaremos dando uma olhada em como identificar uma estratégia de negociação.

Identificação de Estratégia.

Todos os processos de negociação quantitativos começam com um período inicial de pesquisa. Este processo de pesquisa engloba encontrar uma estratégia, verificando se a estratégia se encaixa em um portfólio de outras estratégias que você pode estar executando, obtendo quaisquer dados necessários para testar a estratégia e tentando otimizar a estratégia para retornos mais altos e / ou menor risco. Você precisará avaliar seus próprios requisitos de capital se estiver executando a estratégia como um comerciante "varejista" e como qualquer custo de transação afetará a estratégia.

Ao contrário da crença popular, é bastante simples encontrar estratégias lucrativas por meio de várias fontes públicas. Os acadêmicos publicam periodicamente resultados teóricos de negociação (embora na maioria dos custos brutos de transação). Os blogs de finanças quantitativas discutirão estratégias em detalhes. As revistas comerciais descreverão algumas das estratégias empregadas pelos fundos.

Você pode questionar por que indivíduos e empresas estão interessados ​​em discutir suas estratégias rentáveis, especialmente quando sabem que outros "aglomerando o comércio" podem impedir a estratégia de trabalhar no longo prazo. A razão está no fato de que eles geralmente não discutem os parâmetros exatos e os métodos de ajuste que eles realizaram. Essas otimizações são a chave para transformar uma estratégia relativamente medíocre em uma altamente rentável. Na verdade, uma das melhores maneiras de criar suas próprias estratégias únicas é encontrar métodos semelhantes e, em seguida, realizar seu próprio procedimento de otimização.

Aqui está uma pequena lista de lugares para começar a procurar idéias de estratégia:

Muitas das estratégias que você olhará cairão nas categorias de reversão média e tendência / impulso. Uma estratégia de reversão à média é aquela que tenta explorar o fato de que existe uma média de longo prazo em uma "série de preços" (como o spread entre dois ativos correlatos) e que os desvios de curto prazo dessa média acabarão sendo revertidos. Uma estratégia de momentum tenta explorar tanto a psicologia do investidor quanto a grande estrutura de fundos, "pegando carona" em uma tendência de mercado, que pode ganhar impulso em uma direção e seguir a tendência até que ela se reverta.

Outro aspecto extremamente importante da negociação quantitativa é a freqüência da estratégia de negociação. A negociação de baixa freqüência (LFT) geralmente se refere a qualquer estratégia que detenha ativos por mais tempo do que um dia de negociação. Correspondentemente, a negociação de alta frequência (HFT) geralmente se refere a uma estratégia que mantém ativos intraday. Ultra-high frequency trading (UHFT) refere-se a estratégias que possuem ativos na ordem de segundos e milissegundos. Como profissionais de varejo, HFT e UHFT certamente são possíveis, mas apenas com conhecimento detalhado da "pilha de tecnologia" e da dinâmica do livro de pedidos. Não vamos discutir esses aspectos em grande medida neste artigo introdutório.

Uma vez que uma estratégia, ou conjunto de estratégias, foi identificado, agora precisa ser testado quanto à lucratividade em dados históricos. Esse é o domínio do backtesting.

Teste de estratégia.

O objetivo do backtesting é fornecer evidências de que a estratégia identificada por meio do processo acima é lucrativa quando aplicada a dados históricos e fora da amostra. Isso define a expectativa de como a estratégia será realizada no "mundo real". No entanto, backtesting não é garantia de sucesso, por várias razões. É talvez a área mais sutil do comércio quantitativo, uma vez que implica inúmeros vieses, que devem ser cuidadosamente considerados e eliminados, tanto quanto possível. Discutiremos os tipos comuns de viés, incluindo viés avançado, viés de sobrevivência e viés de otimização (também conhecido como viés de dados). Outras áreas de importância dentro do backtesting incluem a disponibilidade e a limpeza de dados históricos, levando em consideração custos de transação realistas e decidindo sobre uma plataforma robusta de backtesting. Discutiremos os custos de transação ainda mais na seção Sistemas de Execução abaixo.

Uma vez que uma estratégia tenha sido identificada, é necessário obter os dados históricos através dos quais realizar testes e, talvez, refinamento. Há um número significativo de fornecedores de dados em todas as classes de ativos. Seus custos geralmente variam de acordo com a qualidade, profundidade e pontualidade dos dados. O ponto de partida tradicional para os comerciantes quantos iniciais (pelo menos no nível de varejo) é usar o conjunto de dados gratuitos da Yahoo Finance. Não vou me debruçar muito sobre fornecedores aqui, em vez disso, gostaria de me concentrar nas questões gerais ao lidar com conjuntos de dados históricos.

As principais preocupações com dados históricos incluem precisão / limpeza, viés de sobrevivência e ajuste para ações corporativas, como dividendos e divisões de ações:

Precisão pertence à qualidade geral dos dados - se contém algum erro. Os erros às vezes podem ser fáceis de identificar, como, por exemplo, com um filtro de espiga, que irá escolher "picos" incorretos em dados da série temporal e corrigi-los. Em outras ocasiões, podem ser muito difíceis de detectar. Muitas vezes é necessário ter dois ou mais provedores e, em seguida, verificar todos os seus dados uns contra os outros. O viés de sobrevivência geralmente é uma "característica" de conjuntos de dados gratuitos ou baratos. Um conjunto de dados com viés de sobrevivência significa que ele não contém ativos que não estão mais negociados. No caso de ações, isso significa ações excluídas / falidas. Este viés significa que qualquer estratégia de negociação de ações testada em tal conjunto de dados provavelmente funcionará melhor do que no "mundo real", já que os "vencedores" históricos já foram pré-selecionados. As ações corporativas incluem atividades "logísticas" realizadas pela empresa que geralmente causam uma mudança de função gradual no preço bruto, que não deve ser incluído no cálculo dos retornos do preço. Ajustes para dividendos e desdobramentos são os culpados comuns. Um processo conhecido como ajuste de volta é necessário para ser realizado em cada uma dessas ações. É preciso ter muito cuidado para não confundir um estoque de divisão com um verdadeiro ajuste de retorno. Muitos comerciantes foram pegos por uma ação corporativa!

Para realizar um procedimento de backtest, é necessário usar uma plataforma de software. Você tem a escolha entre softwares backtest dedicados, como o Tradestation, uma plataforma numérica como o Excel ou o MATLAB ou uma implementação personalizada completa em uma linguagem de programação como Python ou C ++. Não vou demorar muito na Tradestation (ou similar), no Excel ou no MATLAB, pois acredito na criação de uma pilha de tecnologia interna completa (por razões descritas abaixo). Um dos benefícios de o fazer é que o software de backtest e o sistema de execução podem ser bem integrados, mesmo com estratégias estatísticas extremamente avançadas. Para as estratégias HFT em particular, é essencial usar uma implementação personalizada.

Quando testar um sistema, é preciso quantificar o desempenho. As métricas "padrão do setor" para estratégias quantitativas são o rebaixamento máximo e o Índice de Sharpe. A retirada máxima caracteriza a maior queda de pico a calha na curva de equidade da conta em um determinado período de tempo (geralmente anual). Isso geralmente é citado como uma porcentagem. As estratégias de LFT tendem a ter maiores disparidades do que as estratégias de HFT, devido a uma série de fatores estatísticos. Um backtest histórico mostrará o último drawdown máximo, que é um bom guia para o futuro desempenho de drawdown da estratégia. A segunda medida é a Ratia de Sharpe, que é definida heuristicamente como a média dos retornos em excesso divididos pelo desvio padrão desses retornos em excesso. Aqui, os retornos excedentes referem-se ao retorno da estratégia acima de um benchmark pré-determinado, como o S & P500 ou um Tesouro de 3 meses. Observe que o retorno anualizado não é uma medida usualmente utilizada, pois não leva em consideração a volatilidade da estratégia (ao contrário do Ratio Sharpe).

Uma vez que uma estratégia tenha sido backtested e seja considerada livre de preconceitos (na medida em que isso é possível!), Com um bom Sharpe e rebaixamentos minimizados, é hora de construir um sistema de execução.

Sistemas de Execução.

Um sistema de execução é o meio pelo qual a lista de negócios gerados pela estratégia é enviada e executada pelo corretor. Apesar do fato de que a geração de comércio pode ser semi - ou mesmo totalmente automatizada, o mecanismo de execução pode ser manual, semi-manual (ou seja, "um clique") ou totalmente automatizado. Para estratégias LFT, as técnicas manuais e semi-manuais são comuns. Para as estratégias HFT, é necessário criar um mecanismo de execução totalmente automatizado, que muitas vezes será estreitamente acoplado ao gerador comercial (devido à interdependência da estratégia e da tecnologia).

As principais considerações ao criar um sistema de execução são a interface com a corretora, a minimização dos custos de transação (incluindo comissão, derrapagem e spread) e a divergência de desempenho do sistema ao vivo do desempenho do backtested.

Existem muitas maneiras de se conectar a uma corretora. Eles variam de chamar seu corretor no telefone diretamente para uma interface de programação de aplicativos (API) de alto desempenho totalmente automatizada. O ideal é que você queira automatizar a execução de suas negociações o máximo possível. Isso liberta você para se concentrar em pesquisas futuras, além de permitir que você execute várias estratégias ou mesmo estratégias de maior freqüência (na verdade, o HFT é essencialmente impossível sem execução automática). O software comum de backtesting descrito acima, como MATLAB, Excel e Tradestation são bons para estratégias mais baixas e mais simples. No entanto, será necessário construir um sistema de execução interno escrito em uma linguagem de alto desempenho, como C ++, para fazer qualquer HFT real. Como uma anedota, no fundo em que eu costumava trabalhar, tínhamos um "loop de negociação" de 10 minutos, onde baixávamos novos dados de mercado a cada 10 minutos e depois executávamos negociações com base nessas informações no mesmo período de tempo. Isso estava usando um script Python otimizado. Para qualquer coisa que se aproxime de dados de minuto ou de segunda frequência, acredito que o C / C ++ seria mais ideal.

Em um fundo maior, muitas vezes não é o domínio do comerciante quant para otimizar a execução. No entanto, em lojas menores ou empresas HFT, os comerciantes são os executores e, portanto, um conjunto de habilidades muito mais amplo é muitas vezes desejável. Tenha em mente se você deseja ser empregado por um fundo. Suas habilidades de programação serão tão importantes, se não mais, do que suas estatísticas e talentos de econometria!

Outra questão importante que se enquadra na bandeira de execução é a redução de custos de transações. Geralmente, existem três componentes para os custos de transação: Comissões (ou impostos), que são as taxas cobradas pela corretora, a troca e a SEC (ou órgão regulador governamental similar); deslizamento, qual é a diferença entre o que você pretendia que seu pedido fosse preenchido em relação ao que estava preenchido; spread, que é a diferença entre o preço de oferta / oferta da garantia negociada. Observe que o spread NÃO é constante e depende da liquidez atual (isto é, disponibilidade de ordens de compra / venda) no mercado.

Os custos de transação podem fazer a diferença entre uma estratégia extremamente lucrativa com um bom índice de Sharpe e uma estratégia extremamente não lucrativa com um índice de Sharpe terrível. Pode ser um desafio prever corretamente os custos de transação de um backtest. Dependendo da frequência da estratégia, você precisará de acesso a dados de troca histórica, que incluirão dados de marca para preços de lances / pedidos. Equipes inteiras de quantos são dedicadas à otimização da execução nos fundos maiores, por esses motivos. Considere o cenário em que um fundo precisa descarregar uma quantidade substancial de negociações (das quais as razões para isso são muitas e variadas!). Ao "despejar" tantas ações no mercado, elas comprimirão rapidamente o preço e não poderão obter uma execução ótima. Daí, os algoritmos que os pedidos de "gotejamento de alimentação" no mercado existem, embora o fundo corra o risco de derrapagem. Além disso, outras estratégias "presas" sobre essas necessidades e podem explorar as ineficiências. Este é o domínio da arbitragem da estrutura do fundo.

A questão principal final para os sistemas de execução diz respeito à divergência de desempenho da estratégia com o desempenho testado. Isso pode acontecer por vários motivos. Já analisamos o viés de look-ahead e o viés de otimização em profundidade, ao considerar os backtests. No entanto, algumas estratégias não facilitam a verificação desses preconceitos antes da implantação. Isso ocorre em HFT mais predominantemente. Pode haver bugs no sistema de execução, bem como a própria estratégia de negociação que não aparece em um backtest, mas aparece no live trading. O mercado pode estar sujeito a uma mudança de regime posterior à implantação de sua estratégia. Novos ambientes regulatórios, mudanças no sentimento dos investidores e fenômenos macroeconômicos podem levar a divergências quanto ao comportamento do mercado e, assim, a rentabilidade da sua estratégia.

Gerenciamento de riscos.

A peça final para o enigma de negociação quantitativa é o processo de gerenciamento de riscos. "Risco" inclui todos os vieses anteriores que discutimos. Isso inclui risco de tecnologia, como servidores co-localizados na central de repente desenvolvendo um mau funcionamento do disco rígido. Isso inclui risco de corretagem, como o corretor estar falido (não tão louco quanto parece, dado o recente susto com a MF Global!). Em suma, abrange quase tudo o que poderia interferir com a implementação comercial, dos quais existem muitas fontes. Livros inteiros são dedicados ao gerenciamento de riscos para estratégias quantitativas, então não tento elucidar todas as possíveis fontes de risco aqui.

O gerenciamento de riscos também abrange o que é conhecido como alocação ótima de capital, que é um ramo da teoria do portfólio. Este é o meio pelo qual o capital é alocado para um conjunto de estratégias diferentes e para os negócios dentro dessas estratégias. É uma área complexa e depende de algumas matemáticas não triviais. O padrão da indústria pelo qual a alocação ótima de capital e a alavancagem das estratégias estão relacionadas é chamado de critério de Kelly. Como este é um artigo introdutório, não vou me alongar em seu cálculo. O critério de Kelly faz alguns pressupostos sobre a natureza estatística dos retornos, que geralmente não são válidos nos mercados financeiros, então os comerciantes são geralmente conservadores quando se trata da implementação.

Outro componente fundamental do gerenciamento de riscos é lidar com o próprio perfil psicológico. Existem muitos vieses cognitivos que podem surgir na negociação. Embora isso seja certamente menos problemático com o comércio algorítmico se a estratégia for deixada sozinha! Um viés comum é o da aversão à perda, em que uma posição perdedora não será fechada devido à dor de ter que perceber uma perda. Da mesma forma, os lucros podem ser tomados muito cedo porque o medo de perder um lucro já ganho pode ser muito grande. Outro viés comum é conhecido como viés de recência. Isso se manifesta quando os comerciantes colocam muita ênfase nos eventos recentes e não no longo prazo. Então, é claro, há o par clássico de viés emocional - medo e ganância. Estes podem, muitas vezes, levar a alavancagem insuficiente ou excessiva, o que pode causar explosão (ou seja, o patrimônio da conta em zero ou pior!) Ou lucros reduzidos.

Como pode ser visto, o comércio quantitativo é uma área extremamente complexa, embora muito interessante, de financiamento quantitativo. Eu literalmente arranhei a superfície do tópico neste artigo e já está ficando bastante longo! Livros e papéis inteiros foram escritos sobre questões que eu apenas dediquei uma ou duas sentenças. Por essa razão, antes de se candidatar a empregos quantitativos em bolsa de fundos, é necessário realizar uma quantidade significativa de estudo de base. No mínimo, você precisará de um extenso conhecimento em estatística e econometria, com muita experiência em implementação, por meio de uma linguagem de programação como MATLAB, Python ou R. Para estratégias mais sofisticadas no final de frequência mais alta, seu conjunto de habilidades é provável para incluir modificação do kernel do Linux, C / C ++, programação de montagem e otimização de latência da rede.

Se você estiver interessado em tentar criar suas próprias estratégias de negociação algorítmica, minha primeira sugestão seria se programar bem. A minha preferência é criar o máximo de captura de dados, backtester de estratégia e sistema de execução por si mesmo possível. Se o seu próprio capital estiver na linha, você não dormiria melhor à noite sabendo que você testou completamente seu sistema e está ciente de suas armadilhas e problemas específicos? Terceirizar isso para um fornecedor, enquanto potencialmente economiza tempo a curto prazo, pode ser extremamente caro a longo prazo.

Apenas iniciando o comércio quantitativo?

3 razões para se inscrever para a lista de e-mails QuantStart:

1. Quant Trading Lessons.

Você terá acesso instantâneo a um curso de e-mail gratuito de 10 partes, repleto de sugestões e dicas para ajudá-lo a começar a negociação quantitativa!

2. Todo o conteúdo mais recente.

Todas as semanas, vou enviar-lhe um envoltório de todas as atividades no QuantStart para que você nunca mais perca uma postagem novamente.

Real, dicas de negociação viáveis, sem tonturas.

EPAT TM - Programa Executivo em Negociação Algorítmica.

O Programa Executivo em Negociação Algorítmica na QuantInsti é projetado para profissionais que procuram crescer no campo, ou planejam iniciar suas carreiras em Negociação Algorítmica e Quantitativa.

Ele inspira comerciantes tradicionais para uma carreira comercial de Algoritmo bem sucedida, concentrando-se em derivativos, negociação quantitativa, fabricação eletrônica de mercado ou tecnologia relacionada ao comércio e gerenciamento de riscos. Este abrangente curso de negociação algorítmica oferece insights inigualáveis ​​sobre o mundo dos algoritmos, tecnologia financeira e mudança da microestrutura do mercado, seguindo uma estrutura de curso exaustiva projetada pelos principais tradutores algorítmicos, especialistas quantitativos e líderes de pensamento de HFT.

Duração - 6 meses (4 meses de treinamento & # 038; 2 meses de trabalho opcional do projeto)

Especialização - Classe de ativos específicos e / ou estratégia de negociação algorítmica através do trabalho do projeto.

Entrega on-line - Uma experiência de aprendizado focada consistindo em sessões práticas realizadas através de web-meetings e ambientes virtuais de aprendizagem.

Certificação - A avaliação compreende tarefas, questionário e atendimento. Após a conclusão bem-sucedida, os participantes receberão um certificado da QuantInsti Quantitative Learning Pvt Ltd.

O currículo.

Este módulo é material preparatório para principiantes que recentemente começaram a aprender o Algorithmic Trading.

Cobre o básico em Negociação, Estatística, Opções e Derivados Algorítmicos, Módulo de auto-estudo MS Excel, que deve ser concluído antes que as Lecturas ao vivo iniciem 10-20 horas de curso seguidas dos Testes iniciais obrigatórios.

Este módulo é o primeiro módulo com palestras ao vivo no treinamento Algorithmic Trading e abrange alguns dos conceitos mais cruciais a serem aplicados e usados ​​no futuro.

Termos básicos, conceitos relacionados a ordens e gerenciamento de dados Arquitetura de sistemas e gerenciamento de riscos em negociação algorítmica - complexidades envolvidas Gestão de fluxo de pedidos, Pegging, Discreção, estratégias de VWAP 12 horas de palestras ao vivo e 10 horas de cursos constituídos por tarefas e questionários.

Um módulo para iniciantes neste curso de negociação Algo que inclui conceitos de Probabilidade, Estatística, Econometria.

Trabalhando com conjuntos de dados OHLC, indicadores e geração de sinais comerciais Aplicação de estratégias de negociação no MS Excel, aplicação de estatísticas na previsão de preços futuros das ações e aproximações de risco / recompensa. Práticas e sessões práticas que dão habilidades informáticas que serão necessárias mais tarde 9 horas de vida palestras e 8 horas de curso, composta por atribuições e questionários.

Introdução a tópicos avançados em cursos quantitativos de negociação que requer conhecimento sobre Opções e Derivados e Estatísticas.

Modelos de preços de opções e suas aplicações. Criando opções de carteiras com base em Option Greeks. Conceitos de negociação de dispersão, implementação e roadblocks Concepção de uma ferramenta de gerenciamento de risco que mostra a sensibilidade do portfólio de opções a diferentes condições, permitindo que o trader modifique seu portfólio para atender a cenários futuros de mercado: 12-15 horas de conteúdo de palestras e 10-15 horas de curso.

R é uma língua popular para negociação e análise quantitativa. Os cursos de negociação algorítmica dependem da linguagem estatística de código aberto R para manipulação e gerenciamento de dados e análise de séries temporais.

Introdução ao R através de testes estatísticos básicos e cálculos seguidos por códigos escritos para construir indicadores quantitativos e estratégias de negociação Dicas e truques R úteis para navegar em grandes conjuntos de dados Implementando o modelo usando GARCH (1,1) para prever a volatilidade usando R e estimar os parâmetros do modelo Usando pacotes avançados para codificar estratégias de negociação em R 15 horas de conteúdo de conferência e 25 horas de curso.

Este é o módulo mais estratégico para traders individuais, bem como para traders institucionais que desejam montar sua própria mesa de operações ou estão buscando novas plataformas / software / infraestrutura.

Entendendo os requisitos de infraestrutura Entendendo o ambiente de negócios, incluindo o ambiente regulatório, os investimentos de capital necessários para configurar uma Mesa de Operações Algorítmicas Além do corpo docente da QI, os especialistas do setor são convidados a compartilhar experiências e insights de 3 a 9 horas de conteúdo da palestra.

É o módulo mais importante deste curso de negociação algorítmica com requisitos elevados dos alunos para praticar e tentar estratégias hands-on.

Exposição a diferentes paradigmas de estratégia de negociação quantitativos populares em negociações algorítmicas, como arbitragem estatística, microestrutura de mercado, seguimento de tendências, base de impulso, criação de mercado, aprendizado de máquina Avalie problemas e oportunidades nos mercados globais através das lentes de econometria, psicologia e estatísticas. gerenciamento de risco na negociação 42-47 horas de conteúdo da conferência e 75-80 horas de trabalho do curso.

Aprenda a automatizar suas estratégias de negociação neste módulo da EPAT ™. Mais uma vez, um módulo exigente que é prático e prático, exigindo que os participantes aprendam e pratique Python para testar e executar estratégias. Os principais especialistas, como o Dr. Yves Hilpisch, autor do livro "Python for Finance", são um dos principais membros do corpo docente deste módulo.

Introdução a plataformas de negociação automatizadas baseadas em Python Aprenda a escrever seus próprios códigos em Python Programação Orientada a Objetos e Pacotes Úteis em Python para negociação Permite que o participante implemente estratégias no ambiente de negociação ao vivo de 18 a 24 horas de conteúdo de palestras e 80 a 100 horas de curso trabalhos.

Os participantes podem optar por concluir um projeto sob orientação de um praticante / comerciante que envolve ideação e criação de uma estratégia comercial O tópico do projeto se qualifica para área de especialização e aprendizado aprimorado Os participantes devem aparecer para o exame final para se qualificar para a Certificação.

Faculdade EPAT.

Nitin é um parceiro da Pentagon Advisory Ltd. Ele tem sido um quant no iRageCapital.

Palestrante mundialmente renomado em Opções, Derivativos e Pesquisa de Negociação Baseada em Notícias.

Autor de "Algorithmic Trading: Estratégias Vencedoras e Sua Justificativa".

Faculdade de oficinas sobre programas de Algorithmic Trading realizados pela Indian National Stock Exchange.

Varun Divakar é membro da equipe de pesquisa e desenvolvimento da Quantra na QuantInsti.

Autor de "Python for Finance - Analisar grandes dados financeiros", publicado por O'Reilly.

Co-fundador iRageCapital e QuantInsti. Especialista em Estudos Inter-Mercado.

A Vivek trabalhou em várias instituições financeiras e educacionais líderes na Índia e em Cingapura.

Chefe do departamento de Pesquisa Quantitativa da QuantInsti. Principiante analista e especialista em quant.

A Sameer lidera a divisão de Programação de baixa latência no iRageCapital Advisory Pvt Ltd.

Autor, IBridgePy, um software de código aberto para negociar com Interactive Brokers.

Radha trabalha como cientista de dados da Thomson Reuters.

Gaurav lidera o desenvolvimento de negociação quantitativa na iRage, juntamente com o negócio global de clientes.

O Sunith é um especialista em campo de algoritmos evolutivos e modelos não convencionais de computação.

A Anil concebeu práticas de risco e conformidade para toda a empresa na iRageCapital.

Nitin Agarwal.

Nitin é um parceiro da Pentagon Advisory Ltd. Sua gama de experiências varia desde o desenvolvimento de novas tecnologias químicas inovadoras até a criação de estratégias de negociação proprietárias. Antes de liderar a equipe de Operações na Pentagon Advisory, ele tem sido uma quantia na iRageCapital e um Associado de Liderança com o Aditya Birla Group. Ele tem paixão pelo ensino e, em seu tempo livre, escreve artigos para revistas internacionais. Seu artigo mais recente envolveu o desenvolvimento da equação de Swamee-Aggarwal.

Rajib Ranjan Borah.

Rajib fez seu bacharelado em engenharia da computação pela NIT, Surathkal e PGDM da IIM Calcutta. Ele é finalista da Olimpíada Nacional de Biologia e representou a Índia no Campeonato Mundial de Quebra-Cabeças.

A Rajib lidera o negócio de negócios de prop para a iRage como seu CEO, focando no desenvolvimento de estratégias, gerenciamento de riscos e processos internos. Ele também é um orador regular em conferências de negociação algorítmica na Ásia, América e Europa. Experiências anteriores - pesquisa quantitativa (Bloomberg, NY); negociação de alta frequência (Optiver, Amsterdã); tecnologia de análise de dados (Oracle); estratégia de negócios para uma empresa de investimento e trocas de derivativos (PwC).

Dr. Ernest P. Chan.

Dr. Chan é um operador de pool de commodities e consultor comercial. Desde 1994, ele tem se concentrado no desenvolvimento de modelos estatísticos e algoritmos avançados de computador para encontrar padrões e tendências em grandes quantidades de dados. Ele aplicou sua experiência em reconhecimento de padrões estatísticos para projetos que vão desde recuperação textual na IBM Research, dados de relacionamento com clientes de mineração no Morgan Stanley e negociação de arbitragem estatística.

pesquisa de estratégia no Credit Suisse, Mapleridge Capital Management e outros hedge funds.

Shaurya Chandra.

Shaurya fez B. Tech Electrical Engineering da IIT Roorkee e PGDM da IIM Ahmedabad.

Shaurya foca extensivamente em pesquisa estatística e desenvolvimento de estratégias. Em seus papéis anteriores, suas áreas de foco foram Derivativos e Pesquisa Quantitativa com foco nos Algoritmos de Execução de Ordem de Venda. Antes da iRageCapital, Shaurya trabalhou no Bank of America, Edelweiss Securities Ltd. & Systematix Stock & Shares Ltd., onde trabalhou como Analista Quantitativo e Derivativo focado nos mercados Indian Equity.

Varun Divakar.

Varun possui um diploma de pós-graduação em engenharia civil do Indian Institute of Technology, Roorkee.

Varun Divakar é membro da equipe de Pesquisa e Desenvolvimento da Quantra na QuantInsti e é responsável por criar o conteúdo para estratégias de negociação, usando técnicas de Aprendizagem Quantitativa e Machine.

Antes da QuantInsti, a Varun trabalhou como comerciante de commodities associadas a gerenciar mercados internacionais de energia e softs no Futures First.

Dr. Yves Hilpisch.

Nitesh Khandelwal.

Nitesh fez a B. Tech Electrical Engineering da IIT Kanpur e PGDM da IIM Lucknow.

A Nitesh possui uma rica experiência em mercados financeiros que abrange várias classes de ativos em diferentes papéis. Antes de liderar o QuantInsti ™ como seu CEO, ele era o líder de negócios da iRage.

Ele tem experiência anterior em tesouraria bancária (domínio de taxa de câmbio e juros) e como trader líder em uma mesa de negociação proprietária.

Vivek Krishnamoorthy.

Abhishek Kulkarni.

Sameer Kumar.

Sameer concluiu seu mestrado em Economia e Sistemas de Informação na BITS Pilani.

Sameer lidera a pesquisa de tecnologia de núcleo e aprendizado de máquina na iRage. Ele é apaixonado por impulsionar a tecnologia central na criação de novos benchmarks na latência de tic-to-trade. Ele está envolvido com a concepção de modelos comerciais usando pesquisas de aprendizado profundo, aproveitando simultaneamente a natureza temporal e espacial da microestrutura de mercado.

Dr. Hui Liu.

Dr. Liu é o autor da IbridgePy e fundador da Running River Investment LLC. Seus principais interesses comerciais são o mercado de ações e o mercado Forex dos EUA. Running River Investment LLC é um fundo de hedge privado especializado no desenvolvimento de estratégias de negociação automatizadas usando o Python.

Radha Krishna Pendyala.

Radha trabalha como cientista de dados da Thomson Reuters. Seu trabalho envolve a aplicação de técnicas de aprendizagem mecânica e de modelagem financeira quantitativa para grandes conjuntos de dados, a fim de resolver problemas específicos no setor financeiro. Obteve seu mestrado em engenharia financeira pela City University of New York.

Gaurav Raizada.

Gaurav realizou a B. Tech Chemical Engineering da IIT Kanpur e PGDM da IIM Lucknow.

A Gaurav lidera o desenvolvimento de negociação quantitativa no iRage, juntamente com o negócio geral da clientela. Ele também lidera o Desenvolvimento de Sistemas, Desempenho e Estratégia, incluindo desenvolvimento de sistemas de negociação, redução de latência e otimização.

Antes do iRageCapital, a Gaurav trabalhou com o Axis Bank como um comerciante de derivativos de taxas de juros Forex.

Sunith Reddy.

A Sunith fez a B. Tech, Engenharia de informática da IIT Madras.

O Sunith é um especialista em campo de algoritmos evolutivos e modelos não convencionais de computação. Seu trabalho foi apresentado no "Simpósio de modelos não convencionais de computação". A Sunith traz consigo uma experiência técnica de muito alta qualidade, especialmente nos campos de algoritmos e arquitetura de alto desempenho. Experiência prévia - LimeLabs, Yahoo R & D, Xilinx.

Anil Yadav.

Anil fez a Engenharia Mecânica B. Tech da IIT Kanpur e PGDM da IIM Lucknow.

No iRage, a Anil gerenciou múltiplas estratégias de negociação e, em seguida, também desenhou práticas de conformidade e de risco para toda a empresa. A Anil desenvolveu com sucesso e liderou o desenvolvimento escalonável da Estratégia Quantitativa para as operações do fundo. Antes da iRage, Anil trabalhou como trader independente de commodities, gerenciando um portfólio de produtos de metais e energia e como Analista Sênior no Private Equity do The Chatterjee Group (TCG).

Fundar e como Analista Convertible no Lehman Brothers.

Histórias de sucesso.

Jacques Francois Joubert.

Analista Quantitativo em NMRQL,

“Passei muito tempo procurando o equivalente de CFA para negociação algorítmica e o EPAT é a correspondência mais próxima. Adorei como o curso abrangeu uma ampla gama de tópicos. Quando eu comecei o curso, eu tinha planos de voltar para a universidade para estudar matemática ainda mais, antes de terminar o curso, fui contratado por um cobiçado fundo de hedge quantitativo como analista quantitativo. Um agradecimento especial à faculdade ".

CEO da Quanticko Trading S. A.

"Estou muito feliz com o apoio prestado pela equipe de administração. O corpo docente está muito empenhado em resolver dúvidas. Tendo trabalhado em uma das principais corretoras, eu certamente gostaria de entrar em negociação algorítmica e é aí que o curso EPAT da QuantInsti vai ajudar mim."

Associate na Morgan Stanley,

"No Quantinsti, aprendi a desenvolver estratégias quantitativas que podem ser usadas no comércio de Algoritmos e Alta Freqüência. A faculdade da Quantinsti é altamente qualificada. As idéias que eles trazem na sala de aula de sua experiência como consultores são muito valiosas e tornam cada lição muito eficaz . A experiência de aprendizagem on-line foi bastante boa me dá a flexibilidade para ver as gravações de palestras faltadas ".

Fundador, Chengetedzai Central.

Depositário de Valores Mobiliários, Zimbabwe.

"Eu estou começando uma mesa de Algoritmo e Alta Frequência mais tarde, então, para mim, o melhor (parte) foi obter a experiência real e o conhecimento sobre como implementar as estratégias que seriam úteis em minhas próprias mesas. Neste programa, Você aprende das noções básicas às estatísticas avançadas. É uma experiência incrível porque você aprende a trabalhar na plataforma de negociação avançada que é usada por muitas mesas comerciais. "

EPAT TM Alumni Profile.

Treinamos participantes que vêm de origens muito ricas e interdisciplinares, tanto em termos de experiência acadêmica quanto de experiência na indústria.

Estudantes de todos os continentes habitados participaram do EPAT ™.

O curso é projetado para profissionais que trabalham com um grande interesse nos mercados financeiros e avanços tecnológicos. Em cada lote de EPAT ™, vemos uma rica mistura de traders, analistas, desenvolvedores, gestores de risco, fundadores, proprietários de mesa para fornecer uma experiência única de interação e networking com outras participações.

Aprender a construir uma estratégia comercial perfeita é uma coisa, mas é realmente a execução de idéias que separam as ovelhas das cabras. Nossos alunos dominam a arte da execução com projetos que não são apenas inovadores, mas também inovadores. Eles aproveitam o conhecimento adquirido durante o EPAT ™ e os transformam em trabalhos de pesquisa originais e prontos para publicação.

Alguns dos tópicos do projeto recentemente concluídos como parte do curso do EPAT ™ incluem:

Desenvolvimento de sistema de negociação automatizado baseado em nuvem com aprendizado de máquina por Maxime Fages e Derek Wong Par Trading Strategy e Backtesting usando Quantstrat por Marco Nicolas Dibo.

Admissão EPAT.

Quem pode candidatar-se?

O curso de negociação Algo da QuantInsti destina-se a pessoas que trabalham ou pretendem migrar para o lado de compra ou venda de negócios com foco em derivativos, negociação quantitativa, mercado eletrônico ou tecnologia relacionada ao comércio e gerenciamento de riscos.

Programa Executivo em Algorithmic Trading ™ fornece treinamento prático para Quants, Traders Programmers, Fund Managers, Consultores, Desenvolvedores de Produtos Financeiros, Pesquisadores e Algo Trading Enthusiasts. Ele fornece insights sobre os fundamentos do comércio quantitativo e as soluções tecnológicas para implementá-los.

Cada participante que é aceito no curso tem um alto nível de curiosidade intelectual, um forte interesse em finanças e fortes habilidades analíticas. Embora não exista um requisito de licenciatura específico, a maioria dos participantes terá antecedentes em disciplinas quantitativas, como matemática, estatística, ciências físicas, engenharia, pesquisa operacional, informática, finanças ou economia. Os participantes de outras disciplinas devem ter familiaridade com cálculos, planilhas e resolução de problemas computacionais.

Processo de admissão.

Antes da admissão, será realizada uma sessão de aconselhamento que se concentrará na compreensão dos pontos fortes e fracos dos participantes. Essas sessões não determinam necessariamente a elegibilidade dos participantes, mas ajudam os conselheiros a ajudá-los com orientação informada antes da inscrição.

Etapas de Admissão.

Datas importantes.

* GST adicional de 18% aplicável para participantes indianos residentes.

Os descontos estão disponíveis para residentes de mercados emergentes, contate-nos para obter mais detalhes em contactquantinsti.

O desconto baseado no mérito nas taxas do curso está disponível com base no seu resultado do teste de bolsa. Clique aqui para aproveitar.

Experiencia de aprendizado.

O QuantInsti oferece experiência interativa de aprendizagem online, incluindo palestras ao vivo, tutoriais, interações de resolução de problemas com professores. Nossos cursos de Trading Algorítmico oferecem acesso 24 horas a todas as palestras gravadas e materiais do programa, acessíveis através do seu laptop, tablets e telefones.

As palestras ao vivo da EPAT TM são gravadas e carregadas no portal de aprendizagem personalizado. Cada participante obtém sua própria conta, permitindo-lhe acessar o seguinte:

Aulas ao vivo e gravadas Notas de exercícios, exercícios, material de leitura adicional Amostra de código e planilhas Acesso da equipe de suporte para resolver suas dúvidas sobre prioridade.

O sistema de gerenciamento de aprendizagem acompanhará seu aprendizado e fornecerá feedback imediato sobre seu progresso. Um gerente de aprendizado dedicado irá discutir regularmente o seu progresso ao longo da chamada e conversar para entender suas consultas e progresso. A maioria das ferramentas e softwares utilizados no programa são de origem aberta e estão disponíveis gratuitamente para permitir que os alunos continuem aprendendo após a conclusão do curso.

Por que esse curso Algo Trading?

Exposição prática - Adquira o conhecimento, ferramentas e técnicas utilizadas pelos comerciantes no mundo real. Ensino e suporte especializados - O corpo docente do EPAT TM é uma equipe aclamada de acadêmicos e profissionais especialistas no setor Serviços de carreira - Nossos serviços de carreira e recursos de trabalho estar disponível para você no momento em que você inicia o programa e o último durante sua carreira profissional.

Seis meses de treinamento de negociação algorítmica na QuantInsti®

Aprendizagem por vida em QuantInsti®

Nós prometemos a aprendizagem ao longo da vida aos alunos após a conclusão da EPAT TM, que incluem:

Acesso a uma rede de professores e alunos, que são profissionais e pesquisadores em Negociação Quantitativa, Algorítmica e de Alta Freqüência. Alcançando os membros da indústria através de nossas comunidades on-line, grupos Linkedin Assistência em colocação e crescimento de carreira nos papéis relevantes Convite para palestras de convidados que incluem novas inovações tecnológicas, treinamento para trabalhar em novas plataformas, avanço no campo relevante.

Exposição aos vários paradigmas de estratégia que são utilizados globalmente para negociação algorítmica. Automatize suas estratégias de negociação, aprendendo as ferramentas e habilidades necessárias para escrever e implementar estratégias. Treine para iniciar o Algorithmic Trading por conta própria, conforme você aprende tudo, desde redes e hardware. Aspecto da HFT ao ambiente regulatório para o manuseio das operações de mesa Progressão da carreira para o setor de comércio algorítmico - Beneficie-se dos Serviços de Posicionamento na QuantInsti após a conclusão bem-sucedida do programa. Especialize-se em uma classe de ativos específica ou um paradigma de estratégia passando por um projeto sob um membro do corpo docente que seja um especialista no mesmo domínio.

Gerenciamento de dados de alta frequência e construção de modelos econométricos Aprenda como fazer backtest, implementar e negociar estratégias quantitativas avançadas Usar habilidades de programação para construir sistemas de negociação de baixa latência Usando pacotes estatísticos e integrando-os ao seu sistema de negociação Compreensão do mercado, otimização de spread, custo de transação analítica e gerenciamento de risco antecipado Usando modelos de preços de opções para executar livros de volatilidade e fazer mercados mistura elétrica de conhecimento prático e teórico.

Os alunos bem-sucedidos deram 15 a 20 horas por semana para revisar e concluir o trabalho do curso dentro de um período de 4 meses antes de prosseguir para 2 meses de trabalho de projeto opcional.

Abordagem Quant para Construir Estratégias de Negociação: Parte Um.

Recentemente, Quandl entrevistou um gerente de carteira quantitativo sênior em um grande hedge fund. Nós falamos sobre como ela constrói estratégias de negociação e # 8211, como ela transita de uma representação abstrata do mercado para algo concreto com poderes de predição genuínos.

Você pode nos dizer como você define novas estratégias de negociação?

Tudo começa com uma hipótese. Eu conjecturo que deve haver uma relação entre dois instrumentos, ou talvez haja um novo instrumento no mercado que esteja ganhando popularidade, ou talvez haja um fator macroeconômico incomum que eu descobri que impulsiona o comportamento de preços micro. Então escrevo uma equação - um modelo, se você quiser - que visa capturar esse relacionamento. Normalmente, haverá algum tipo de equação de processo que mostra como as variáveis ​​evoluem com o tempo, com um componente aleatório (estocástico).

O próximo passo é encontrar uma solução fechada para este modelo. Às vezes isso é fácil; às vezes isso leva dias e semanas de álgebra; às vezes não há uma solução fechada e eu tenho que me conformar com uma aproximação. Eu acho o kit de ferramentas de manipulação simbólica da Mathematica muito útil nesta etapa do processo.

Ok, então agora eu tenho um modelo do mercado. Eu preciso testar se é realista. Nesta fase, geralmente me volto para o Matlab. Eu assumo alguns valores plausíveis para vários parâmetros e executo algumas simulações. Os resultados simulados parecem razoáveis? Eles refletem, pelo menos conceitualmente, a dinâmica real do mercado?

Assumindo que o modelo passe por essa verificação de integridade, é hora de ir além da exploração ou ideação do céu azul e da pesquisa formal.

O que você quer dizer com "pesquisa formal"? E por que é necessário?

Refiro-me à transição de uma representação abstrata e estilizada do mercado para algo concreto e não ambíguo, com poderes preditivos genuínos.

É difícil construir modelos verdadeiramente preditivos. Mas é muito fácil enganar-se em pensar que você construiu um modelo preditivo, quando, na realidade, você simplesmente superou, ou usou testes na amostra, ou impôs um conhecimento exógeno em suas regras, ou o que você tem. A maioria dos "sistemas" se desmorona no mundo real por essa razão precisa.

Eu não quero que isso aconteça ao meu modelo; Vou arriscar dinheiro real com isso. Assim, ao longo dos anos, construí e aprimorei uma abordagem sistemática, lenta e constante que minimiza o risco de me enganar. É o que eu chamo de "pesquisa formal".

Quais as etapas que você inclui no seu processo formal de pesquisa?

No começo, meu maior medo é a contaminação de dados. A história é um recurso limitado; Depois de esgotar os dados históricos para testar, você não poderá gerar mais nenhum. Eu sou paranóico sobre não esgotar o meu fornecimento de dados não-contaminados fora da amostra.

Então começo dividindo meus dados históricos em partes não sobrepostas. Eu então randomizei para que eu mesmo não saiba qual pedaço é qual. (Isso protege contra os preconceitos subconscientes: por exemplo, ser averso ao risco quando sei que meu conjunto de dados de teste é 2008 ou está buscando o risco em 2009).

Eu designo um pedaço como meu conjunto de calibração. Eu costumo usar Python para calibração: eu uso suas bibliotecas de otimização embutidas e escrevi algumas das minhas próprias. Neste exemplo particular, meus parâmetros são restritos e correlacionados. Então eu uso um processo de otimização de 2 passos chamado algoritmo EM. Os otimizadores podem ser sensíveis às condições iniciais, então eu uso Monte Carlo para escolher uma série de pontos de partida no espaço da solução. Tudo isso é muito fácil de fazer em Python.

O resultado dessa calibração deve ser um conjunto de "parâmetros do modelo" - valores numéricos - que podem ser combinados com observações de mercado reais para prever outros preços de mercado.

Uma vez que calibrei o modelo, testei-o fora da amostra. As previsões são estáveis ​​e os resíduos estão a reverter? Se não, o modelo não funciona; tão simples como isso. Eu tento vários "truques" para quebrar o modelo. Por exemplo, eu calibro em dados mensais, mas teste em dados diários. Ou eu teste os parâmetros dos EUA nos dados do mercado canadense. Se o modelo reflete verdadeiramente a realidade econômica subjacente, deve ser bastante robusto para esses tipos de ataques. (Economia não muda quando você cruza fronteiras).

Então, você se separa estritamente na amostra e fora da amostra; você se cega a intervalos de dias; você usa Monte Carlo para evitar vieses de ponto inicial; e você tenta vários truques de robustez. O que mais você faz para garantir que você não está se enganando?

Eu coloco um prêmio muito alto em parcimônia. Se o meu modelo requer muitos parâmetros ou tem muitos graus de liberdade, é apenas um ajuste de curva; não é um modelo de todo. Então, estou constantemente tentando remover fatores. Se o modelo continuar trabalhando (e permanecer "rico") com vários fatores removidos, provavelmente é um bom.

Uma segunda prova de robustez é se o modelo funciona bem, independentemente da estratégia comercial que você desenvolve em cima disso. Se você só pode ganhar dinheiro usando uma regra de escala não-linear complexa com todos os tipos de condições de borda, então isso sugere uma falta de robustez.

Finalmente, não há substituto para os dados. Penso em todos os conjuntos de dados possíveis fora da amostra que eu possivelmente teste o modelo em: países diferentes, instrumentos diferentes, intervalos de tempo diferentes, diferentes freqüências de datas. O modelo tem que trabalhar em todos eles; Caso contrário, você tem uma tendência de seleção nos resultados.

Isso parece abrangente. O que acontece depois?

Armado com um modelo calibrado, o próximo passo é construir uma simulação de PL. Os resíduos de reversão média podem não ser suficientes se o conjunto de oportunidades for pequeno demais para compensar o pedido de oferta, ou se as explosões ocasionais matarem todos os meus lucros. Então eu preciso testar uma estratégia de negociação real usando o meu modelo. Aqui é onde eu tenho que exercitar o máximo cuidado: é muito fácil adaptar-se às curvas adicionando novas variáveis ​​livres, ou distorcer os resultados com conhecimento subconsciente, ou eliminar os valores discrepantes. Simplicidade, separação rigorosa de amostras e honestidade intelectual são importantes aqui.

Eu uso o Excel para back-testing. Esta é uma escolha deliberada: o Excel não é tão poderoso quanto o Python, e isso significa que há um limite superior sobre o quão complexo eu posso fazer minhas regras de negociação. Isso é uma coisa boa: uma estratégia que exige complexidade para ser rentável provavelmente não é uma boa estratégia, em primeiro lugar.

Excel também me permite ver meus pressupostos explicitados; é fácil perder o controle de tais coisas quando você está trabalhando no código. Ele me permite visualizar as estatísticas de desempenho (risco, retorno, rebaixamentos, eficiência de capital, taxa de Sharpe e assim por diante) de forma rápida e clara. Mesmo que meu modelo “funcione”, não há garantia de que uma estratégia de negociação construída em torno do modelo será economicamente viável, portanto, essas estatísticas são importantes.

Muito poucos modelos comerciais tornam-no passado todas as etapas acima: formulação de blue-sky e verificações de sanidade; calibração histórica e desempenho fora da amostra; estratégia de negociação back-test e rentabilidade. Mas, para os poucos que o fazem, agora é hora de entrar em produção. Este é um jogo de bola diferente.

Você pode ler a segunda parte da entrevista aqui. Nele, discutimos como a produção é um novo jogo de bola e onde obter idéias para novas estratégias. Também respondemos às questões do leitor na terceira parte da entrevista.

Alguma pergunta para o nosso quant? Comentários? Deixe-os abaixo e ela responderá a você. Gostaríamos de saber sobre seu processo de criação de estratégias de negociação.

Deixe uma resposta Cancelar resposta.

[& # 8230;] Abordagem de uma Quant para Construir Estratégias de Negociação: Parte 1 Abordagem de uma Quant para Construir Estratégias de Negociação: Parte Dois Abordagem de uma Quant para Construir Estratégias de Negociação: Parte Três [& # 8230;]

[& # 8230;] A abordagem da Quant "para Construir Estratégias de Negociação: Primeira Parte [Quandl] [& # 8230;]

[& # 8230;] parte da nossa entrevista com um gerente de portfólio quantitativo sênior em um grande hedge fund. Na primeira parte, ela discutiu a fase teórica da criação de uma estratégia de negociação quantitativa. No segundo [& # 8230;]

[& # 8230;] Статья с аггрегатора Quandl Resource Hub. [& # 8230;]

[& # 8230;] A abordagem da Quant's para Construir Estratégias de Negociação: Primeira Parte [Quandl] Recentemente, Quandl entrevistou um gerente de portfólio quantitativo sênior em um grande hedge fund. Nós falamos sobre como ela constrói estratégias de negociação como ela transita de uma representação abstrata do mercado para algo concreto com poderes preditivos genuínos. Você pode nos dizer como você define novas estratégias de negociação? Tudo começa com uma hipótese. Conjeco que deveria haver um [& # 8230;]

[& # 8230;] 1. Abordagem de uma Quant para Construir Estratégias de Negociação: Parte Um [& # 8230;]

Eu achei a entrevista bastante útil. No entanto, observo que você já usou Matlab, Python e Excel (e presumivelmente usam C # / C ++ / Java) para produção. Esse processo de mudança entre 4 línguas é pesado? Além disso, o que é em Matlab que você não pode fazer em Python ou vice-versa? Além disso, no que diz respeito ao Excel, não ache que, mesmo que a visualização seja útil, ele carrega muito risco operacional (as fórmulas não são arrastadas corretamente, a folha não foi atualizada corretamente, etc.)? Gostaria de ouvir sobre isso.

& gt; Esse processo de mudança entre 4 idiomas não é complicado?

Não é tão pesado. Eu normalmente acho que a parte mais entediante é garantir que os dados fluam de forma consistente e suave entre diferentes aplicativos ou idiomas. A tradução de sintaxe é fácil; tradução de dados, não tanto.

& gt; O que é em Matlab que você não pode fazer em Python ou vice-versa?

Estes dias, você está certo, não há muito que você não pode fazer em Python. E, de fato, me encontro usando Python cada vez mais. Mas nem sempre foi esse o caso; a infinidade de bibliotecas financeiras de código aberto em Python é um fenômeno relativamente recente.

& gt; No que diz respeito ao Excel, você não acha que, embora a visualização seja útil, ela carrega muito risco operacional (as fórmulas não são arrastadas corretamente, a folha não foi atualizada corretamente, etc.)?

Eu concordo totalmente. O Excel é frágil de várias maneiras: é fácil fazer erros operacionais, é impossível auditar; não é muito performante; paira nos momentos mais inconvenientes. Então você tem que ter muito cuidado em como e onde você usa o Excel. Dito isto, acho que os benefícios superam os muitos custos.

Eu achei a entrevista útil. No entanto, vejo que você já usou Matlab, Python e excel (e seria possivelmente usar C ++ / C # / Java / python para produção). Esse processo não é complicado? Além disso, o que é que no Matlab você não pode fazer em Python ou vice-versa? E você não consegue encontrar o Excel como um risco operacional (você geralmente arrasta e solta fórmulas que podem introduzir erros manuais, dependem de folhas atualizando corretamente, etc.)?

[& # 8230] Uma abordagem quantitativa para construir estratégias de negociação (quandl) [& # 8230]

Abordagem muito sensata. Eu particularmente gosto da importância dada à manutenção de seus dados OOS sacrosanct. O único aspecto com o qual tenho dúvidas é a remoção de fatores para testar a estabilidade. Talvez seja apenas o formato de entrevista tornando as coisas um pouco menos claras. Mas eu construo modelos de uma forma ascendente, não de cima para baixo. Um novo fator adiciona informações ou não é # 8217; t. Se o meu modelo de dois fatores tem IC maior que o meu modelo de três fatores, o terceiro fator é supérfluo e não deve ser adicionado em primeiro lugar. Então, por definição, a remoção de um fator de um modelo bem especificado sempre resultará em desempenho de previsão degradado.

Minhas desculpas, lvcm, eu não estava claro o suficiente. (Veja também a minha resposta a David, up-thread).

Eu não descarto fatores na minha fase de teste; Eu tento removê-los na minha fase de especificação. Se novos graus de liberdade não estiverem adicionando poder explicativo, eu os esvazio. Mas uma vez que eu mudei para testes e verificações de robustez, não faz sentido remover fatores. (Na verdade, eu nem sei o que isso significaria, não é como se você pudesse ignorar e # 8221; kappa ou o que for).

Manter o sacrossanto de dados OOS e # 8212; totalmente com você sobre isso. Se houver uma coisa, eu gostaria de poder martelar nas cabeças das pessoas, é a importância desse passo.

Eu faço Modelagem Quantitativa e análise para viver. Eu fiz alguns modelos interessantes em R até agora. O problema é que eu não sou nem bom em Python nem tenho horas para aprender isso, & # 8211; ser capaz de fazer tarefas confortavelmente. Existe uma maneira de colaborar com alguém que tenha experiência e conhecimento para fazer teste de volta, teste PL, etc.

É claro que posso fazer estimativas de modelos em relação aos preços históricos & # 8211; no entanto, isso não é suficiente. É necessário simular como o modelo teria sido executado se estivesse realmente operando.

Você já tentou usar o Quantopian para back-testing? Seu IDE (ambiente de desenvolvedor integrado) torna bastante fácil, embora exija conhecimento Python.

Também construí um ambiente de teste de retorno em Ruby (uma linguagem de programação semelhante ao Python).

De qualquer forma, ficaria feliz em ajudá-lo a traduzir seu modelo em algo programático.

Este é um informativo para entrevista como quant. Você poderia dar mais detalhes sobre o uso de Monte Carlo em parâmetros & # 8217; inicialização? Mais uma vez obrigado.

Estou um pouco surpreso com este artigo. Por que fazer um modelo estocástico fora do caminho que você gasta & # 8216; semanas & # 8217; resolver com álgebra auxiliada por computador, mas depois descartar a maioria dos parâmetros? Como o produto final poderia ser diferente de outras coisas?

Você me entende mal & # 8212; Minhas desculpas por não serem mais claras!

Tento descartar os parâmetros no início, quando eu especificando o meu modelo. Eu vi veados com modelos com 20 parâmetros de longo prazo e 12 graus diários de liberdade. Para mim, esses modelos não são, eles são articuladores universais: eles podem se encaixar em qualquer coisa. Eu nunca arrisquei dinheiro em nada que seja complexo.

Então eu tento ser tão parcimonioso quanto possível ao criar meu modelo.

Uma vez que eu defino um modelo que eu acho econômico e razoável, só então eu tento minhas verificações de robustez. E neste estágio eu não descarto parâmetros. Mas eu presto atenção às sensibilidades. Se a minha rentabilidade é incrivelmente sensível a um parâmetro específico atingindo um valor específico, e desmorona em perturbações menores, então eu suspeito que meu modelo é apenas # 8220; lucky & # 8221 ;, não inteligente. Mas concordo com você que a remoção de parâmetros inteiramente nesta fase seria boba.

Estou impressionado, o que você acha sobre regras de gerenciamento de dinheiro, como o tamanho ótimo de apostas?

Esta é uma excelente entrevista e agradeço que tenha aproveitado o tempo para fornecer informações sobre o seu projeto de estratégia. Isso seria muito demorado, mas seria possível fornecer um exemplo real usando um sistema real (independentemente de o sistema ser lucrativo ou não). Conceitualmente eu entendo o que você está dizendo, mas seria informativo para colocar exemplos reais para as etapas. Mais uma vez, obrigado pelo seu tempo.

Gostaria de fazer uma pergunta básica. Eu estou começando no campo da análise quantitativa. No entanto, você parece ser bastante experiente e neste campo há muito tempo. Gostaria de perguntar se as estratégias quantitativas ou técnicas estão lhe dando consistente & # 8216; confortável & # 8217; retorna. Você confia em um sistema ou continua mudando-o arbitrariamente e se você usa alguma análise fundamental também para auxiliar a análise técnica.

Você deve continuar evoluindo com os mercados. Nenhum sistema ou estratégia única funciona para sempre.

Eu gostaria de perguntar o que verificações e procedimentos adicionais são usados ​​quando um modelo é levado ao vivo, em particular como você monitora e gerencia de forma contínua o modelo uma vez que viveu? Você configura regras de monitoramento predefinidas ou disjuntores que retiram o modelo de ação automaticamente? Em caso afirmativo, como você constrói isso, quais tipos de medidas você usa neles? Também relacionado como você identifica e lida com períodos de desempenho abaixo do razoável? Esse desempenho inferior pode fazer uns modelos de dúvida e fazer parecer que um modelo parou de funcionar quando isso não é o caso.

I & # 8217; m tipo de antiquado & # 8212; Eu não acredito que os disjuntores realmente funcionem. Ou para ser mais preciso, as carteiras com disjuntores programáticos são de baixo desempenho das carteiras sem, a longo prazo. O raciocínio é que os disjuntores impedem que você saia de bons negócios com muita frequência, de tal forma que essas perdas superam as raras ocasiões em que elas o impedem de enfrentar grandes problemas.

Nota: Eu estou falando sobre portfólios clássicos de quantificadores aqui; não execução eletrônica ou HFT. Nos últimos casos, posso ver totalmente por que você deseja vários failafes e disjuntores; esses livros podem se afastar de você muito rápido. Mas essa não é minha área de especialização.

Dentro da minha área, observei alguns padrões em modelos que quebram. Para iniciantes, eles raramente explodem instantaneamente; em vez disso, ou a oportunidade simplesmente desaparece (arbitrada por copycats) ou o spread lentamente e imperceptivelmente se distancia cada vez mais do valor justo e nunca volta (mudança de regime).

Por outro lado, se uma negociação diverge e então a divergência se acelera, isso cheira muito mais a uma capitulação. Nesses casos, quero manter minha posição e, de fato, adicionar, se puder.

Portanto, a conclusão paradoxal é que quanto mais rápido um modelo perde dinheiro, mais provável é que ele ainda seja válido.

Boa sorte programando um disjuntor coerente para lidar com essa lógica!

Este é realmente um microcosmo do problema maior. Uma situação em que um disjuntor realmente ajudaria, quase certamente será uma perversão suficiente para evitar a maioria das tentativas a priori de definição. São as incógnitas desconhecidas que te pegam todas as vezes.

Nota importante: o acima mencionado é informado pela minha própria posição e preferência de risco. Eu sou suficientemente alto e bem sucedido o suficiente para que a maximização do portfólio seja o meu incentivo central. Se eu fosse mais jovem, manter meu emprego (ficar no jogo) seria o meu incentivo central. E, nesse caso, os disjuntores ajudam porque evitam perdas catastróficas e perdedoras de empregos, enquanto as perdas perdidas não aparecem em nenhum relatório da PL.

& gt; Como você identifica e lida com períodos de baixo desempenho razoável?

Esta é a pergunta de cem milhões de dólares! Gostaria de ter uma resposta definitiva e inequívoca para lhe dar & # 8212; isso também me ajudaria 🙂

Obrigado pelo feedback. Eu tire um pouco de conforto do fato de que os quants profissionais também lutam com esse tipo de perguntas.

Mais uma pergunta se eu puder # 8212; Eu tentei com as idéias de (mas ainda não realmente testadas / simuladas / implementadas) mais & # 8220; gradual & # 8221; tipo de gerenciamento / monitoramento, e. onde você controla, diga a quantidade de capital comprometida com um modelo particular (ou cesta de modelos) e reduza ou desce o tempo gradualmente ao longo do tempo, dependendo do desempenho agregado do modelo.

A idéia básica seria que o processo de gerenciamento teria uma visão de longo prazo para não levar o modelo # 8220; fora & # 8221; dos mercados de rebaixamentos razoáveis ​​/ esperados (devido à observação de uma amostra suficientemente grande de desempenho), enquanto ainda assegurando que o modelo finalmente pare de ser negociado se os retornos forem reduzidos ou negativos para um tamanho de amostra representativo.

Claro que essa idéia não seria garantia contra perdas como tal, mas a esperança seria que poderia ser suficiente, pelo menos, impedir um estilo de explosão LTCM.

(Para adicionar: acho que parece-me que um dos erros com a explosão LTCM foi assumir que seus modelos sempre funcionariam e, portanto, eles não tinham nenhum plano, nenhum nível de monitoramento, nada para dizer-lhes o sistema fora do conhecido / parâmetros esperados, reduzir a escala para preservar o capital & # 8221 ;. E eu gostaria de aprender e evitar esse tipo de erro, se for possível & # 8230;)

Você mencionou "mudança de regime" & # 8221 ;. Então, como você decide que seu comércio perdeu o suficiente para você considerar seu modelo não funcionar mais? Eu acho um & # 8220; Post # 3: monitoramento e manutenção / # 8221; seria legal 😀 Obrigado por compartilhar!

Tudo muito sensato. Eu achei este comentário interessante:

& # 8221; Por exemplo, eu calibro em dados mensais, mas teste em dados diários. & # 8221;

Eu acho que depende do que você quer dizer com & # 8216; calibração & # 8217; Mas isso me pareceu um pouco incomum.

Deixe-o simples e suponha que eu tentei capturar tendências (lentas) usando um crossover médio móvel. Eu jogo com dados mensais até conseguir algo que eu acho que funciona. Para mover para dados diários eu deveria multiplicar alguns parâmetros por.

20 (como os comprimentos médios móveis) porque há cerca de 20 dias úteis em um mês de calendário e outros por.

sqrt (20) [vários parâmetros de escala muito chatos para discutir aqui]. Mas o modelo ainda deve se comportar da mesma maneira. O volume de negócios, por exemplo, não deve aumentar quando eu passo para o diário.

Por outro lado, se eu manter os parâmetros o mesmo, em vez de recomeçar, digamos uma tendência de 6 meses, eu estou escolhendo uma tendência de 6 dias úteis. Mas o sweet spot para a tendência que segue a maioria dos ativos tende a ser um pouco mais lento do que isso, portanto, é improvável que pareça tão bom. Também o meu volume de negócios será muito maior, mas então você espera isso. Para colocar de outra maneira, não estou certo de que todos os aspectos do comportamento do mercado sejam "fractal". de modo que eu possa aplicar exatamente o mesmo modelo a diferentes escalas de tempo.

Oi Rob Poster original aqui. Obrigado por um comentário mais perspicaz!

Os mercados são fractais? Grande pergunta e uma que passei muitas noites debatendo sobre escocês.

Pessoalmente, acho que não são, porque certos eventos exógenos atuam como uma função de forçamento: chamadas diárias de margem de câmbio, MTM mensais para hedge funds, demonstrações financeiras trimestrais para bancos abertos. Esses eventos causam * algo * para acontecer (não importa o que) nessas freqüências. Portanto, nem todas as escalas de tempo são criadas iguais, e simplesmente acelerar / abrandar o relógio é * não * uma abordagem "neutra".

Então, na verdade, estou muito cauteloso sobre * quais * estratégias que eu faria com esse tipo de mudança de tempo.

Aqui está uma estratégia de brinquedos onde o deslocamento do tempo pode funcionar. Pegue 2 tiras de futuros no mesmo “espaço” - talvez trigo de inverno e primavera. Procure casos em que 1 é retrocedido e o outro em contango. Compre a frente baixa, venda de volta alta, venda frente alta, compre de volta baixa. Uma estratégia totalmente simples, quase "burra", mas para muitos pares de futuros costumava funcionar bem.

Este é um ótimo exemplo para mudar as escalas de tempo. Essa estratégia deve funcionar se você amostrar / reequilibrar semanalmente, mensalmente ou trimestralmente - porque as variáveis ​​de decisão são estado puro, sem caminho. Não estamos olhando para históricos de preços; nem estamos olhando para instrumentos com um componente de tempo (ligações que se acumulam, ou opções que decaem, ou passeios aleatórios com um desvio). Então, dado que a estratégia está realmente limpa, podemos sair com esse tipo de teste de robustez.

(Caveat: bid-ask é o fator de complicação aqui - sua escala de tempo escolhida precisa ser grande o suficiente para permitir uma ação de preço que supera a fricção. Bid-ask é a perdição de quants em todos os lugares.)

Mas eu nunca aplicaria esse mesmo teste para dizer uma estratégia de acompanhamento de tendências. Isso suscitaria todo tipo de questões filosóficas. O que significa para uma estratégia ter um “ponto ideal” em, digamos, 9 dias, ou 200 dias, ou sempre? Ao otimizar esse ponto doce, você está ajustando? Ou o fato de que quase todos usam 9d e 200d criam uma profeção auto-realizável, e esses números representam algo estrutural sobre o mercado? Ouvi argumentos convincentes em ambos os sentidos. E se você testou seus dados no intervalo X e, em seguida, fez as médias móveis de 9X e 200X e # 8212; Isso funcionaria? Diversas questões filosóficas; Eu não tenho certeza das respostas eu mesmo.

Outras notas: Eu concordo que a "calibração" foi uma escolha desleixada de palavra por mim naquela frase particular. "Ideação" teria sido melhor. Se você estiver calibrando, você já está apresentando mais estrutura do que a mudança de horário pode manipular com segurança.

Você está absolutamente correto re (t) e sqrt (t) - e eu concordo com você, muito chato para discutir aqui.

Mais uma vez obrigado pelo comentário!

Eu acho que & # 8220; calibre em dados mensais, mas teste em dados diários & # 8221; significa recalibrar um modelo de rolamento (como, por exemplo, uma regressão contínua) todos os meses, mas usando dados diários. Em seguida, teste com esse modelo recalibrado no mês seguinte, novamente usando dados diários.

Um pouco como um método avançado de teste?

Desculpe por não ser claro. O que eu quis dizer estava mais perto da interpretação original de Rob: Eu construo uma idéia com dados amostrados na freqüência X, mas depois testei com dados amostrados na freqüência Y. A repetição ou a recalibração mensal é um exercício separado, que eu gostaria empreender após o modelo ter sido "em produção" # 8221; por algum tempo.

Aves tardias obtêm o worm: dados de pagamento e força da empresa.

Em um recente artigo do Huffington Post, o chefe de Educação Global da Visa, Nathaniel Sillin, escreveu: "Compreender o quanto custa gerenciar uma casa e a importância de pagar as suas contas no tempo pode ajudá-lo a evitar erros onerosos". Enquanto muitos leitores provavelmente assentirão De acordo, o sábio conselho de Sillin não é tão universal quanto você imagina. Pelo menos não no mundo dos negócios. Bloomberg citou um relatório do parceiro de Quandl Dun & amp; Bradstreet (essencialmente a Experian e Equifax do mundo dos negócios), alegando que “para grandes empresas,. . . as coisas são diferentes. Por um lado, eles.

A Paisagem dos Dados da Indústria Automóvel.

Uma vez que o homem primeiro inventou a roda, nossa necessidade de otimizar a forma como nos deparamos foi uma obsessão quase primitiva. Desde o advento do primeiro veículo motorizado até carros autônomos, a indústria automobilística evoluiu rapidamente em sua adoção da tecnologia. Agora estamos experimentando o que provavelmente é o maior avanço no setor automotivo desde que Henry Ford projetou pela primeira vez sua linha de montagem em movimento: o aumento do carro conectado. Por estimativas de inteligência de BI da Scotiabank, em 2020, mais de 75% dos novos carros enviados serão conectados à Internet. Desde a leitura das notificações do Facebook até a medição da segurança e da integridade do motor.

Icebergs, camaleões e víboras: uma pesquisa de execução FX.

O mercado de câmbio há muito tem sido o mais descentralizado e opaco de todos os mercados. Como resultado, os comerciantes da FX trabalham sob grandes desvantagens informativas em comparação com seus pares em outras classes de ativos. Diferentemente dos mercados acionários, nos quais as regulamentações da SEC determinam que as bolsas públicas informem os preços das transações e os volumes de negociação diários, o FX não possui tais fontes de dados unificadas. Não há trocas centrais, buracos ou quadros de avisos. Em vez disso, as transações FX ocorrem através de um milhão de telefonemas, visitas de clientes, threads de e-mail e plataformas de negociação. Todo o mercado é de balcão, festa para festa, e ninguém sabe o que qualquer outra pessoa está fazendo além.

A abordagem da Quant's para Construir Estratégias de Negociação: Parte Dois.

Esta é a segunda parte de nossa entrevista com um gerente de carteira quantitativa sênior em um grande fundo de hedge. Na primeira parte, cobrimos a fase teórica da criação de uma estratégia de negociação quantitativa. Nesta parte, cobrimos a transição para a produção do & # 8220; & # 8221; Nós também publicamos uma terceira parte com respostas aos leitores & # 8217; questões.

Você pode ler a terceira parte da entrevista aqui.

O que a mudança para a produção implica?

Para começar, agora tenho que me preocupar com o "mundo real" - nuances como convenções de contagem de dias, datas de liquidação e feriados. Ao calibrar em dados históricos, você pode fugir com aproximações para estes. Mas quando se trata de trades vivos individuais, você não pode ser desleixado; você tem que ser exato.

Outro aspecto da produção é que a velocidade é crítica. Não consigo ajustar meu modelo aos dados de mercado em tempo real (a descida do gradiente é lenta!), Então, eu tenho que reduzir tudo para aproximações lineares de mudanças. Isso implica uma grande quantidade de manipulação da matriz.

Normalmente, eu construo um protótipo de execução que faz tudo "corretamente", mas de forma ineficiente. Eu entreguei isso a meus colegas de engenharia que criaram uma versão performante em Python ou mesmo em C, usando as bibliotecas de mercado que eles construíram ao longo dos anos. E essa versão canaliza sua saída para a minha estação de negociação, para eu realmente começar a executar essa estratégia.

E então, espero que comece a ganhar dinheiro.

Quanto tempo esse processo completo é realizado?

Geralmente, leva meses de trabalho para trazer uma nova estratégia do desenho para a produção - e isso é para as estratégias que realmente funcionam. A maioria não. E mesmo as estratégias bem sucedidas têm uma vida de prateleira de alguns anos antes de serem arbitrados, então o processo acima se repete o tempo todo. Eu tenho que reinventar minha abordagem de negociação a cada poucos anos.

Você já se preocupou que as oportunidades baseadas em modelos que você se esforça para capturar desaparecerão para sempre?

Claro. Na minha experiência, todas as oportunidades eventualmente desaparecem. E, de fato, um dos maiores desafios no tipo de modelagem que faço é saber quando um modelo ativo é obsoleto. Todos os modelos perdem dinheiro em alguns dias e semanas. E é muito difícil reconhecer quando as perdas são parte de um modelo que ainda está funcionando e quando essas perdas sinalizam a morte do modelo.

Onde você consegue idéias para novos modelos ou estratégias de negociação?

Em qualquer lugar eu posso! Mas eu tenho algumas avenidas que eu recordo de forma bastante consistente.

Primeiro, dados. Se você tem uma fonte de dados nova ou obscura que antecipa o mercado de alguma maneira, essa é a maneira mais fácil de gerar alfa. Hoje em dia, há uma série de novas fontes de dados interessantes: startups coletando novos conjuntos de dados; empresas de análise com indicadores preditivos; grandes corporações com "escape de dados" que podemos mina; e agregadores como Quandl para reuni-los todos juntos. Estou sempre atento a conjuntos de dados interessantes, incomuns e preditivos.

Em segundo lugar, os próprios mercados. Os banqueiros estão sempre inventando novos instrumentos, e geralmente promovem novas ineficiências. Se você mantiver o dedo no pulso do mercado, é muito fácil encontrar oportunidades modeladas que os participantes menos sofisticados podem perder.

Em terceiro lugar, padrões globais. A história não pode repetir, mas certamente rima. Por exemplo, se você quiser negociar a curva de juros dos EUA, o mercado japonês é uma fonte rica de idéias; O Japão passou por zero taxas de juros anos antes dos EUA. Na verdade, construí alguns modelos bem-sucedidos do mercado de títulos do Tesouro dos EUA baseados apenas no comportamento dos JGBs uma década antes.

Quarta analogias. Alguns dos melhores negócios ocorrem porque eu aplico o pensamento do regime A dentro do regime B. Diferentes classes de ativos têm diferentes graus de sofisticação; você pode arbitrar essa diferença.

Em quinto lugar, mantenho meus olhos e ouvidos abertos. O mundo é um lugar bastante ineficiente; Se você é curioso e continua perguntando "por quê? / por que não? ", você sempre encontrará oportunidades.

Parece que você usa muitas ferramentas - Mathematica, Matlab, Python, Excel, C. Isso é deliberado?

Absolutamente. Diferentes etapas no pipeline exigem ferramentas diferentes. Eu seria um idiota em construir sistemas de desempenho em tempo real no Excel ou fazer manipulação simbólica no Python. Não é que isso não pode ser feito, mas existem outras ferramentas que são melhores para essas tarefas.

Como você administra o fluxo de dados para todas essas etapas e ferramentas?

Nos primeiros dias, ainda estou trabalhando na prova de conceito, por isso os dados estilizados estão bem. Mas à medida que o modelo se aproxima da produção, os dados mais grandes e "reais" devem se tornar. Há toda uma infraestrutura separada para obter dados de alta qualidade e mantê-los - o Quandl ajuda aqui - sobre o qual eu não falei, mas a verdade é que isso é crítico. O melhor modelo do mundo falhará se as entradas de dados estiverem incorretas. Nenhuma quantidade de habilidade pode compensar dados ruins.

(Recebemos tantas excelentes perguntas dos leitores que publicamos uma terceira parte desta série).

Enquanto isso, damos boas-vindas a mais de suas perguntas! Se você tiver dúvidas ou comentários, deixe-os abaixo e nosso quant responderá a você.

Deixe uma resposta Cancelar resposta.

Usando MarketXLS funciona para mim. É ótimo.

[& # 8230;] A abordagem da Quant para construir estratégias de negociação: primeira parte Uma abordagem da Quant para criar estratégias de negociação: segunda parte Uma abordagem da Quant para criar estratégias de negociação: parte [& # 8230;]

Oi, então eu realmente apenas comecei uma empresa de suporte e, felizmente, eu estou executando o que foram modelos bem sucedidos (ao vivo e BT). Dito isso, sou relativamente ecológico para a indústria e tive uma oportunidade muito limitada de falar abertamente sobre muito de qualquer coisa com os "concorrentes". Não surpreendentemente, a maior parte da minha vida está martelando novas estratégias e estressado sobre as falhas atuais. Parece que seus backtests geralmente são apenas alguns anos atrás (embora claramente sejam examinados, assim como eles podem ter restrições de dados 🙂 e subsequentemente, ocasionalmente, mordem o pó quando as condições do mercado mudam.

Então, acho que a minha pergunta é: quanto correlação você vê entre o comprimento de um backtest e a vida comercial da estratégia? Vocês têm algum modelo que tenha sido lucrativo há mais de 10 anos? O meu modelo mais rentável está sob restrições bastante meritutoras quando se trata de dados históricos; obviamente, foi bem avaliado e extremamente rentável ao vivo, mas eu estarei sob muito menos estresse (bem, um pouco menos & # 8230;) para ouvir algo ao longo das linhas de & # 8220; oh, quando temos um modelo lucrativo com um sólido backtest de 5 anos, ele quase sempre funcionará para os próximos 1-2, pelo menos & # 8221; ou quando a probabilidade de este modelo ser rentável dado o seu teste de retorno é X% (e ​​tem sido consistente com a rentabilidade esperada na negociação ao vivo), deve permanecer assim por pelo menos o período de T e # 8221 ;. Obviamente, haverá um alto desvio padrão aqui, mas pelo menos uma estimativa geral seria muito apreciada.

Artigo incrível, e tudo de bom!

Na primeira parte, ela discutiu a fase teórica da criação de uma estratégia de negociação quantitativa. Na segunda parte, ela descreveu a transição para a "produção". Essa entrevista recebeu tantos excelentes [& # 8230;]

[& # 8230;] entrevistado. Das Gespräch zeigt auf, auf welch dünnem Eis einige Fonds unterwegs sind (Link zum Entrevista [& # 8230;]

Obrigado pelo interessante artigo!

Você tem algum conselho para alguém que acabou de começar como um quant em um fundo de hedge sistemático? Como eu me torno realmente bom nisso? O que diferencia os que têm sucesso daqueles que não?

Em poucas palavras: disciplina intelectual. Com isso quero dizer uma combinação de rigor processual, falta de auto-ilusão e humildade diante dos dados.

Os quants tendem a se apaixonar por seus modelos e se apegam a eles a todo custo; A satistfação intelectual de um modelo bonito ou tecnologia é sedutora. É ainda pior se o modelo for bem-sucedido: além do apego emocional, você precisa lidar com a arrogância. Então, um dia tudo cairá à sua volta.

A razão pela qual eu tenho sido bem sucedido nesta indústria ao longo das décadas é que eu tenho um forte senso de minha própria ignorância, e não tenho medo de parecer um tolo. Eu faço perguntas idiotas, questiono tudo, reexamino constantemente os meus próprios pressupostos. Isso me ajuda a me reinventar à medida que o mercado muda.

(BTW: the best quant trader I know is an arrogant p**** who is utterly convinced of his rightness on all things. So clearly my answer is not the only way to make money!)

Thanks for the interesting interview.

I’d also be interested to learn more about how you determine which models are dead. I know of a few methods, such as using a runs test and z-statistic, wins rate, t-test, chi-squared, etc. However, all of these require systems with high win rate percentages, and in addition stationarity needs to holding which it usually isnt when the system is going through rough periods. And, thus it’s usually bloody hard to know if the system is truly dead. So there might not be anything wrong with the system, except that it’s out of sync. As we cant determine when it might come back in sync, taking it offline may result in losses through lost opportunity cost of having the system turned off when it gets back in sync. So how do you determine if the model is dead or just having a bad time? Do you ever get back in again with a model you’ve turned off? Do you know of any useful predictive regime change filters? (I dont ask much, do I?!)

So many fascinating points in this question – it truly deserves a mini essay in response. I will put together some thoughts and maybe publish them as “Part 3” of the original post series.

Can you comment more on the scale of these automated trading schemes?

How much gain per transaction would be considered a good model? and on what time scale is it trading? What range of timescales are used in your industry? How much money can there be poured into a successful scheme, is this limited by how much money your fund has available or are there typically limits on the trading scheme itself?

I have a few rules of thumb which I try to follow.

For a market micro-structure trade, where there’s very little risk of a catastrophic blowup but the upside is similarly limited, I’d like to make 10x the bid-ask over a horizon of less than a month. If bid-ask is 0.5bp, I want to make 5bps with a high probability of success (after financing costs). The binding constraint on these trades is usually balance sheet: I need to make sure that the trade pays a decent return on capital locked up.

For a more macro/thematic trade, I choose my size based on max loss and PL targets for the year. Bid-ask and balance sheet are less relevant here; it’s all about how much can I afford to lose, and how long can I hold on to the position. Obviously I use very fat tails and unit correlations in my prognosis.

Incidentally, optimal scale changes over time. I know some of the LTCM folks, and they used to make full points of arbitrage profit on Treasuries, over a span of weeks. A decade later, that same trade would make mere ticks: a 30-fold compression in opportunity. You have to be aware of and adapt to structural changes in the market, as knowledge diffuses.

Re time horizons: I personally am comfortable on time scales from a few weeks to a few months. The two best trades of my career were held for two years each. (They blew up, I scaled in aggressively, then rode convergence all the way back to fair value). My partner on the trading desk trades the same instruments and strategies as I do, but holds them for a few hours to a few days at most. So it’s all a matter of personal style and risk preference.

Re capital deployment: I work for a large-ish fund, and the constraint has almost always been the market itself. (Even when the market is as large and liquid as say US Treasuries.). There’s only so much you can repo, only so many bids you can hit, before you start moving the market aggressively against you.

Thanks for the great question btw!

Thanks for all your posts and replies so far, it’s been a very interesting discussion. I was wondering how to interpret.

“My partner on the trading desk trades the same instruments and strategies as I do, but holds them for a few hours to a few days at most”

Is it fair to say that you are running quant strategies but that the execution / positioning / rebalancing are done on a discretionary basis? (aka some form of quant screens?) Or do you mean that he is calibrating his models such that they take trades in tighter neighbourhoods around an equilibrium value but also have tighter stop outs? I’m just a bit unclear how he could be running similar models but have significantly different holding horizons?

[…] can read the second part of the interview here. In it, we discuss how production is a whole new ball game, and where to get ideas for new […]

Model deaths seem to last a period of years then come back better than ever sometimes.

Do you keep tracking “dead” models and will you bring them back after a “revival”?

Absolutely, and this is a great point. Models do come back from the dead. US T-note futures versus cash is a classic example: it cycled between “easy money”, “completely arbitraged out”, and “blowup central” three times in my trading career. Same science in each case; all that changed was the market’s risk appetite. So I never say goodbye to a model forever; I have a huge back catalog of ideas whose time may come again.

Thanks for sharing your insights. You mention “death of a model”, can you suggest methods for illustrating when a model is close to death as opposed to a usual drawdown?

Esta é uma pergunta difícil de responder. (See also my reply to Shawn below). I will write up some thoughts on this and publish them separately.

What kind of turnaround time do you expect from the engineering colleagues coding up your strategy in C or Python? Both for the first cut implementation, and then fixes & enhancements?

Depends on the strategy. I’d say the median is 4-5 weeks for the first cut, and maybe another 2-3 weeks for fixes and tweaks. Some strategies are simpler and can be brought live in a matter of days; on the other hand I remember one particular strategy that took several months to instantiate. It turned out to be super profitable so in that case it was worth it, but in general I’d want to move a lot faster than that.

Make no mistake; once you’ve found a new source of alpha, the clock is ticking. You’re in a race to extract as much PL as possible before the opportunity fades away.

[…] 1. A Quant’s Approach to Building Trading Strategies: Part One 2. A Quant’s Approach to Building Trading Strategies: Part Two […]

Aves tardias obtêm o worm: dados de pagamento e força da empresa.

Em um recente artigo do Huffington Post, o chefe de Educação Global da Visa, Nathaniel Sillin, escreveu: "Compreender o quanto custa gerenciar uma casa e a importância de pagar as suas contas no tempo pode ajudá-lo a evitar erros onerosos". Enquanto muitos leitores provavelmente assentirão De acordo, o sábio conselho de Sillin não é tão universal quanto você imagina. Pelo menos não no mundo dos negócios. Bloomberg citou um relatório do parceiro de Quandl Dun & amp; Bradstreet (essencialmente a Experian e Equifax do mundo dos negócios), alegando que “para grandes empresas,. . . as coisas são diferentes. Por um lado, eles.

A Paisagem dos Dados da Indústria Automóvel.

Uma vez que o homem primeiro inventou a roda, nossa necessidade de otimizar a forma como nos deparamos foi uma obsessão quase primitiva. Desde o advento do primeiro veículo motorizado até carros autônomos, a indústria automobilística evoluiu rapidamente em sua adoção da tecnologia. Agora estamos experimentando o que provavelmente é o maior avanço no setor automotivo desde que Henry Ford projetou pela primeira vez sua linha de montagem em movimento: o aumento do carro conectado. Por estimativas de inteligência de BI da Scotiabank, em 2020, mais de 75% dos novos carros enviados serão conectados à Internet. Desde a leitura das notificações do Facebook até a medição da segurança e da integridade do motor.

Icebergs, camaleões e víboras: uma pesquisa de execução FX.

O mercado de câmbio há muito tem sido o mais descentralizado e opaco de todos os mercados. Como resultado, os comerciantes da FX trabalham sob grandes desvantagens informativas em comparação com seus pares em outras classes de ativos. Diferentemente dos mercados acionários, nos quais as regulamentações da SEC determinam que as bolsas públicas informem os preços das transações e os volumes de negociação diários, o FX não possui tais fontes de dados unificadas. Não há trocas centrais, buracos ou quadros de avisos. Em vez disso, as transações FX ocorrem através de um milhão de telefonemas, visitas de clientes, threads de e-mail e plataformas de negociação. Todo o mercado é de balcão, festa para festa, e ninguém sabe o que qualquer outra pessoa está fazendo além.