As estratégias quantitativas de investimento evoluíram em ferramentas muito complexas com o advento de computadores modernos, mas as raízes das estratégias remontam a mais de 70 anos. Geralmente são executadas por equipes altamente instruídas e usam modelos proprietários para aumentar sua capacidade de Vencer o mercado Há ainda off-the-shelf programas que são plug-and-play para aqueles que procuram simplicidade Quant modelos sempre funcionam bem quando volta testado, mas suas aplicações reais e taxa de sucesso são discutíveis Enquanto eles parecem funcionar bem em mercados de touro Quando os mercados ficam mal, as estratégias quanti está sujeita aos mesmos riscos que qualquer outra estratégia. A história Um dos pais fundadores do estudo da teoria quantitativa aplicada ao financiamento foi Robert Merton Você só pode imaginar o quão difícil e demorado o processo foi Antes do uso de computadores Outras teorias em finanças também evoluíram de alguns dos primeiros estudos quantitativos, incluindo a base de base de diversificação de carteira D na teoria da carteira moderna O uso de finanças quantitativas e cálculos levou a muitas outras ferramentas comuns, incluindo uma das mais famosas, Black-Scholes fórmula opção de preço, que não só ajuda os investidores preço opções e desenvolver estratégias, mas ajuda a manter os mercados Em cheque com liquidez. Quando aplicado diretamente à gestão de carteiras a meta é como qualquer outra estratégia de investimento para agregar valor, alfa ou excesso de retornos Quants, como os desenvolvedores são chamados, compor modelos matemáticos complexos para detectar oportunidades de investimento Há tantos modelos lá fora Como quants que desenvolvê-los, e todos afirmam ser o melhor Um dos pontos de uma estratégia de investimento quantita s best-seller é que o modelo e, finalmente, o computador, faz a decisão de compra de compra real, não um humano Isso tende a remover qualquer emocional Resposta que uma pessoa pode experimentar ao comprar ou vender investimentos. As estratégias de acordo são agora aceitas na comunidade do investimento e funcionadas por fundos mútuos, fundos de hedge um D investidores institucionais Eles normalmente passam pelo nome alfa geradores ou alfa gens. Behind the Curtain Assim como em The Wizard of Oz, alguém está por trás da cortina de condução do processo Como com qualquer modelo, é apenas tão bom como o humano que desenvolve o Embora não exista um requisito específico para se tornar um quant, a maioria das empresas que executam modelos quant combinam as habilidades de analistas de investimento, estatísticos e programadores que codificam o processo nos computadores Devido à natureza complexa dos modelos matemáticos e estatísticos, é comum Para ver credenciais como pós-graduação e doutorado em finanças, economia, matemática e engenharia. Historicamente, esses membros da equipe trabalhou nos escritórios de volta, mas como modelos quant se tornou mais comum, o back office está se movendo para o front office. A taxa de sucesso global é discutível, a razão de algumas estratégias quant trabalho é que eles são baseados em disciplina Se o modelo é certo, a disciplina mantém E que trabalham com computadores de velocidade relâmpago para explorar ineficiências nos mercados com base em dados quantitativos Os próprios modelos podem ser baseados em tão poucas razões como a dívida de PE para o crescimento da equidade e dos lucros, ou usar milhares de insumos trabalhando juntos no mesmo Time. Successful estratégias podem pegar em tendências em seus estágios iniciais como os computadores constantemente executar cenários para localizar ineficiências antes de outros fazer Os modelos são capazes de analisar um grande grupo de investimentos simultaneamente, onde o analista tradicional pode estar olhando para apenas alguns Em um momento O processo de triagem pode classificar o universo por níveis de grau como 1-5 ou AF, dependendo do modelo Isso torna o processo de negociação real muito simples, investindo nos investimentos altamente cotados e vendendo os mais baixos. Up de estratégias como longo, curto e longo curto fundos bem sucedidos quant manter um olho afiado no controle de risco devido à natureza de seus modelos M Ost estratégias começam com um universo ou benchmark e usar setor e indústria ponderações em seus modelos Isso permite que os fundos para controlar a diversificação, em certa medida, sem comprometer o modelo em si Quant fundos normalmente são executados em uma base de custo mais baixo, porque eles não precisam de tantos Analistas tradicionais e gestores de carteira para executá-los. Desvantagens de estratégias Quant Há razões por que tantos investidores não abraçar totalmente o conceito de deixar uma caixa preta executar seus investimentos Para todos os fundos bem sucedidos quant lá fora, assim como muitos parecem ser malsucedido A gestão de capital de longo prazo foi um dos mais famosos fundos de hedge, uma vez que foi gerido por alguns dos mais respeitados líderes acadêmicos e dois economistas ganhadores do Prêmio Nobel Myron S Scholes e Robert C Merton Durante a década de 1990, sua equipe gerou retornos acima da média e atraiu capital de todos os tipos de investidores. Ere famoso por não só explorar as ineficiências, mas usando o acesso fácil ao capital para criar apostas alavancadas enormes sobre as direções do mercado. A natureza disciplinada de sua estratégia realmente criou a fraqueza que levou ao seu colapso Long Term Capital Management foi liquidado e dissolvido no início de 2000 Seus modelos não incluem a possibilidade de que o governo russo poderia inadimplência sobre alguns de sua própria dívida Este evento desencadeou eventos e uma reação em cadeia ampliada pelo alvoroço criado havoc LTCM foi tão fortemente envolvido com outras operações de investimento que seu colapso afetou os mercados mundiais , Desencadeando eventos dramáticos A longo prazo, o Federal Reserve interveio para ajudar, e outros bancos e fundos de investimento apoiou LTCM para evitar mais danos Esta é uma das razões quant fundos podem falhar, uma vez que são baseados em eventos históricos que podem Não incluir eventos futuros. Enquanto uma equipe forte de quant estará constantemente adicionando novos aspectos aos modelos para prever o futuro Eventos, é impossível prever o futuro cada vez Quant fundos também podem tornar-se oprimido quando a economia e os mercados estão experimentando maior do que a volatilidade média Os sinais de compra e venda pode vir tão rapidamente que a alta rotatividade pode criar comissões elevadas e eventos tributáveis Quant fundos também pode representar um perigo quando eles são comercializados como à prova de urso ou são baseados em estratégias de curto Previsão de recessões usando derivativos e combinação de alavancagem pode ser perigoso Um giro errado pode levar a implosões, que muitas vezes fazem a notícia. As estratégias evoluíram de caixas pretas de back office para ferramentas de investimento mainstream Eles são projetados para utilizar as melhores mentes nos negócios e os computadores mais rápidos tanto para explorar as ineficiências e alavancar uso para fazer apostas no mercado Eles podem ser muito bem sucedidos se os modelos têm incluído todos os Direita e são ágeis o suficiente para prever eventos anormais do mercado Por outro lado, enquanto os fundos quant são rigorosamente Back testado até que eles trabalham, a sua fraqueza é que eles dependem de dados históricos para o seu sucesso Embora o estilo de estilo de investimento tem seu lugar no mercado, é importante estar ciente de suas deficiências e riscos Para ser coerente com as estratégias de diversificação é uma boa Idéia de tratar estratégias quant como um estilo de investimento e combiná-lo com as estratégias tradicionais para alcançar a diversificação adequada. Um inquérito realizado pelo Bureau de Estados Unidos de Estatísticas do Trabalho para ajudar a medir vacâncias de trabalho Ele coleta dados de empregadores. A quantidade máxima de dinheiro os Estados Unidos Pode contrair empréstimos O teto da dívida foi criado sob a Segunda Liberty Bond Act. A taxa de juros em que uma instituição depositária empresta fundos mantidos no Federal Reserve a outra instituição depositária.1 Uma medida estatística da dispersão de retornos para um dado índice de segurança ou de mercado A volatilidade pode ser medido. Um ato que o Congresso dos EUA aprovou em 1933 como o Banking Act, que proibia os bancos comerciais f Rom que participam no investment. Nonfarm folha de pagamento refere-se a qualquer trabalho fora de fazendas, famílias particulares e do setor sem fins lucrativos O Bureau dos EUA de Labor. Beginner s Guide to Quantitative Trading. Neste artigo vou apresentar-lhe alguns dos conceitos básicos Que acompanham um sistema de comércio quantitativo de ponta a ponta Este post será espero servir a duas audiências A primeira será indivíduos tentando obter um emprego em um fundo como um comerciante quantitativo O segundo será indivíduos que desejam tentar e criar seu próprio varejo Negociação algorítmica. Negociação quantitativa é uma área extremamente sofisticada de finanças quantitativas 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 requer uma experiência de programação extensa, Menos em uma linguagem como MATLAB, R ou Python No entanto, como a freqüência de negociação da estratégia aumenta, os aspectos tecnológicos tornam-se muito mais r Elevant Assim estar familiarizado com CC será de importância primordial. Um sistema de comércio quantitativo consiste em quatro components. Strategy principais Identificação - Encontrar uma estratégia, explorando uma borda e decidir sobre a freqüência de negociação. Backtear Backtech - Obtenção de dados, analisando o desempenho da estratégia e removendo vieses Sistema de Execução - Ligação a uma corretora, automatizando a negociação e minimizando os custos de transação. Gestão de Risco - alocação de capital Optimal, critério de Kelly de tamanho de aposta e psicologia de negociação. Vamos começar por dar uma olhada em como identificar uma estratégia de negociação. Todos os processos de negociação quantitativa começam com um período inicial de pesquisa. Este processo de pesquisa abrange encontrar uma estratégia, ver se a estratégia se encaixa em um portfólio de outras estratégias que você pode estar executando, obtendo todos os dados necessários para testar a estratégia e tentar otimizar a estratégia para Maiores retornos e / ou menor risco Você precisará fator em seu próprio capital exigir Se executando a estratégia como um comerciante de varejo e como quaisquer custos de transação afetarão a estratégia. Contrary à opinião popular é realmente completamente direto encontrar estratégias rentáveis através das várias fontes públicas Academics publica regularmente resultados negociando teóricos embora na maior parte grosseiro de custos de transação Finanças quantitativas Os blogues discutirão estratégias em detalhe Os diários de comércio descreverão algumas das estratégias usadas por fundos. Você pôde questionar porque os indivíduos e as empresas são afiados discutir suas estratégias rentáveis, especial quando sabem que outros que aglomeram o comércio podem parar a estratégia de trabalhar no A longo prazo A razão reside no fato de que eles muitas vezes não discutir os parâmetros exatos e métodos de ajuste que eles têm realizado Estas optimizações são a chave para transformar uma estratégia relativamente medíocre em um altamente rentável Na verdade, uma das melhores maneiras de Criar suas próprias estratégias únicas é encontrar métodos semelhantes e, em seguida, levar o Ut seu próprio procedimento de otimização. Here é uma pequena lista de lugares para começar a procurar idéias de estratégia. Muitas das estratégias que você vai olhar para cair nas categorias de reversão de média e tendência de seguir impulso Uma estratégia de reverter é uma que Tenta explorar o fato de que uma média de longo prazo em uma série de preços, como o spread entre dois ativos correlacionados existe e que os desvios a curto prazo desta média eventualmente reverterá Uma estratégia de momentum tenta explorar a psicologia dos investidores e estrutura de fundo grande por engatar Um passeio em uma tendência do mercado, que pode ganhar impulso em uma direção e seguir a tendência até que ele reverte. Outro aspecto extremamente importante da negociação quantitativa é a freqüência da estratégia de negociação Baixa freqüência de negociação LFT geralmente se refere a qualquer estratégia que detém ativos mais tempo Do que um dia de negociação Correspondentemente, HFT negociação de alta freqüência geralmente se refere a uma estratégia que detém ativos intraday Ultra-alta freqüência de negociação UHFT re Fers para estratégias que detêm ativos na ordem de segundos e milissegundos Como um praticante de varejo HFT e UHFT são certamente possível, mas apenas com conhecimento detalhado da tecnologia de negociação pilha e dinâmica de livro de pedidos Não iremos discutir esses aspectos em grande medida neste Um artigo introdutório. Uma vez que uma estratégia, ou conjunto de estratégias, foi identificado agora precisa ser testado para rentabilidade em dados históricos que é o domínio de backtesting. Strategy Backtesting. The objetivo de backtesting é fornecer evidência de que a estratégia identificada através do Acima é rentável quando aplicado a dados históricos e fora da amostra Isso define a expectativa de como a estratégia irá realizar no mundo real No entanto, backtesting não é uma garantia de sucesso, por várias razões É talvez a área mais sutil Do comércio quantitativo, uma vez que implica numerosos preconceitos, que devem ser cuidadosamente considerados e eliminados, tanto quanto possível. Vamos discutir os tipos comuns de Bias, incluindo viés de prospecção viés viés e viés de otimização também conhecido como viés de snooping de dados Outras áreas de importância dentro de backtesting incluem disponibilidade e limpeza de dados históricos, factoring em custos de transação realistas e decidir sobre uma plataforma de backtesting robusta Vamos discutir os custos de transação mais Na seção Sistemas de Execução abaixo. Uma vez identificada uma estratégia, 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. A qualidade, a profundidade ea oportunidade dos dados O ponto de partida tradicional para começar comerciantes do quant ao pelo menos no nível de varejo é usar o jogo de dados livre de Finanças de Yahoo Eu não estarei em fornecedores demasiado aqui, rather eu gostaria de concentrar em As questões gerais quando se trata de conjuntos de dados históricos. As principais preocupações com dados históricos incluem precisão A exatidão pertence à qualidade total dos dados - se ele contém quaisquer erros Erros às vezes pode ser fácil de identificar, como com um filtro de pico que vai escolher incorreta Picos em dados de séries de tempo e corrigir para eles Em outros momentos, eles podem ser muito difíceis de detectar É muitas vezes necessário ter dois ou mais provedores e, em seguida, verificar todos os seus dados uns contra os outros. A tendência de sobrevivência é muitas vezes uma característica de livre ou barata Conjuntos de dados Um conjunto de dados com viés de sobrevivência significa que ele não contém ativos que não são mais comerciais No caso de ações isso significa ações de falência delisted Esta tendência significa que qualquer estratégia de negociação de ações testadas em um conjunto de dados provavelmente vai funcionar melhor do que no mundo real Como os vencedores históricos já foram preselected. Corporate ações incluem atividades logísticas realizadas pela empresa que normalmente causam uma etapa-função c No preço bruto, que não deve ser incluído no cálculo de retornos do preço Ajustes para dividendos e divisões de ações são os culpados comuns Um processo conhecido como back adjustment é necessário para ser realizado em cada uma dessas ações Um deve ser Muito cuidado para não confundir um grupamento de ações com um verdadeiro retorno ajustamento Muitos comerciante foi pego por uma ação corporativa. Para realizar um procedimento de backtest é necessário usar uma plataforma de software Você tem a escolha entre software de backtest dedicado, Como a Tradestation, uma plataforma numérica como o Excel ou o MATLAB ou uma implementação personalizada completa em uma linguagem de programação como Python ou CI, não vai demorar muito em Tradestation ou similar, Excel ou MATLAB, como acredito na criação de um full in-house Uma das vantagens de fazer isso é que o software de backtest e o sistema de execução podem ser bem integrados, mesmo com estratégias estatísticas extremamente avançadas S Para estratégias HFT, em particular, é essencial usar uma implementação personalizada. Quando backtesting um sistema um deve ser capaz de quantificar o quão bem ele está executando As métricas padrão da indústria para estratégias quantitativas são o máximo drawdown eo Sharpe Ratio O máximo Drawdown caracteriza o Maior queda de pico a pico na curva de equidade de conta sobre um determinado período de tempo geralmente anual Esta é a maioria das vezes citado como uma porcentagem LFT estratégias tendem a ter maiores reduções de HFT estratégias, devido a uma série de fatores estatísticos Um backtest histórico vai A segunda medição é a Taxa de Sharpe, que é definida heuristicamente como a média dos retornos excedentes dividida pelo desvio padrão desses retornos excedentes. Aqui, o excesso Retorna refere-se ao retorno da estratégia acima de um ponto de referência pré-determinado, como o deslizamento S, que é a diferença Entre o que pretendia que o seu pedido fosse preenchido em relação ao que era efectivamente preenchido no spread, que é a diferença entre o preço de venda de oferta do título negociado Note que o spread NÃO é constante e depende da liquidez actual ou seja, disponibilidade de Comprar ordens de venda no mercado. Custos de transação pode fazer a diferença entre uma estratégia extremamente rentável com uma boa relação Sharpe e uma estratégia extremamente pouco rentável com uma proporção terrível Sharpe Pode ser um desafio para prever corretamente os custos de transação a partir de um backtest Dependendo da freqüência Da estratégia, você precisará acessar dados históricos de troca, que incluirão dados de carrapatos para preços de solicitação de oferta. Equipes completas de quants são dedicadas à otimização de execução em fundos maiores, por estas razões. Considere o cenário em que um fundo precisa descarregar um Uma quantidade substancial de negócios cujas razões para isso são muitas e variadas. Ao lançar tantas ações para o mercado, Depressa depressa o preço e pode não obter a execução ótima Por conseguinte, existem algoritmos que drip feed ordens no mercado existem, embora então o fundo corre o risco de derrapagem Além disso, outras estratégias presa sobre essas necessidades e pode explorar as ineficiências Este é o domínio de A grande questão final para os sistemas de execução diz respeito à divergência do desempenho da estratégia a partir do desempenho testado. Isto pode acontecer por várias razões. Já discutimos o viés prospectivo e o viés de otimização em profundidade, ao considerar backtests. Torná-lo fácil de testar para esses vieses antes da implantação Isso ocorre em HFT mais predominantemente Pode haver bugs no sistema de execução, bem como a própria estratégia de negociação que não aparecem em um backtest, mas mostram-se em negociação ao vivo O mercado pode Foram sujeitos a uma mudança de regime subseqüente à implantação de sua estratégia Novos ambientes regulatórios, mudando o sentimento dos investidores E os fenômenos macroeconômicos podem todos conduzir às divergências em como o mercado se comporta e assim a rentabilidade de sua estratégia. A parte final ao quebra-cabeça negociando quantitativo é o processo do risco O risco inclui todos os preconceitos precedentes que nós discutimos Inclui Risco de tecnologia, tais como servidores co-localizados na bolsa de repente desenvolvendo um mau funcionamento do disco rígido Inclui risco de corretagem, como o corretor de ficar falido não tão louco quanto parece, dado o susto recente com MF Global Em resumo cobre quase tudo o que Poderia interferir com a implementação de negociação, de que há muitas fontes Livros inteiros são dedicados à gestão de risco para estratégias quantitativas, então eu não vou tentar elucidar sobre todas as possíveis fontes de risco here. Risk gestão também engloba o que é conhecido como a alocação de capital ideal Que é um ramo da teoria da carteira Este é o meio pelo qual o capital é alocado para um conjunto de estratégias diferentes S e para os comércios dentro dessas estratégias É uma área complexa e depende de algumas matemáticas não-triviais O padrão da indústria por que a alocação de capital ideal e alavancagem das estratégias estão relacionados é chamado o critério de Kelly Desde que este é um artigo introdutório, eu ganhei O critério de Kelly faz algumas suposições sobre a natureza estatística dos retornos, que muitas vezes não são verdadeiros nos mercados financeiros, de modo que os comerciantes são frequentemente conservadores quando se trata da implementação. Outro componente chave da gestão de risco é lidar com Um perfil psicológico próprio Há muitos preconceitos cognitivos que podem rastejar para a negociação Embora esta seja reconhecidamente menos problemático com negociação algorítmica se a estratégia é deixada sozinho Um preconceito comum é que a aversão perda onde uma posição perdedora não será fechada devido a A dor de ter que realizar uma perda Similarmente, os lucros podem ser tomados demasiado cedo porque o medo de perder um lucro já ganho pode ser Demasiado grande Outro viés comum é conhecido como viés de recência Isso se manifesta quando os comerciantes colocar muita ênfase em eventos recentes e não a longo prazo Então, é claro, há o par clássico de viés emocional - medo e ganância Estes podem muitas vezes levar a sub - Ou excesso de alavancagem, o que pode causar blow-up, ou seja, o título da conta de equidade para zero ou pior ou lucros reduzidos. Como pode ser visto, o comércio quantitativo é uma área extremamente complexa, embora muito interessante, de finanças quantitativas literalmente arranhar a superfície Do tema neste artigo e já está ficando bastante longo livros inteiros e documentos foram escritos sobre questões que eu só deu uma ou duas frases para Por isso, antes de aplicar para empregos quantitativos de negociação de fundos, é necessário realizar Uma quantidade significativa de estudo de base Pelo menos você vai precisar de um extenso histórico em estatística e econometria, com muita experiência na implementação, através de uma linguagem de programação Tais como MATLAB, Python ou R Para estratégias mais sofisticadas no fim de freqüência mais alta, seu conjunto de habilidades provavelmente incluirá modificação de kernel do Linux, CC, programação de montagem e otimização de latência de rede. Se você estiver interessado em tentar criar suas próprias estratégias de negociação algorítmicas , Minha primeira sugestão seria ficar bom em programação Minha preferência é construir o máximo de dados grabber, backtestter estratégia e sistema de execução por si mesmo como possível Se o seu próprio capital está na linha, wouldn t você dormir melhor à noite sabendo que Você testou seu sistema completamente e está ciente de suas armadilhas e de edições particulares Terceirizar isto a um vendedor, ao potencial conservar o tempo no curto prazo, poderia ser extremamente caro no longo prazo. Começando com Quantitative Trading. Financial Mathematics e Modelagem II FINC 621 é uma classe de nível de pós-graduação que é oferecido atualmente na Universidade Loyola em Chicago durante o trimestre de inverno FINC 621 explora tópicos em Finanças quantitativas, matemática e programação A classe é prática na natureza e é composta por uma palestra e um componente de laboratório Os laboratórios utilizam a linguagem de programação R e os alunos são obrigados a apresentar suas atribuições individuais no final de cada classe O objetivo final da FINC 621 é fornecer aos alunos com ferramentas práticas que eles podem usar para criar, modelar e analisar estratégias de negociação simples. Alguns links R úteis. Sobre o Instrutor. Harry G é um comerciante quantitativo sênior para uma empresa comercial HFT em Chicago Ele detém um mestre s Graduação em Engenharia Elétrica e mestrado em Matemática Financeira pela Universidade de Chicago. Em seu tempo livre, Harry ensina um curso de graduação em Finanças Quantitativas na Universidade Loyola em Chicago. Ele também é autor de Quantitative Trading com R.
No comments:
Post a Comment