Quant trading de estratégias

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.

S T R E E T DE W A L L S.

Tipos de Estratégias Quantitativas de Negociação de Fundos de Hedge.

Quant Hedge Funds vem em todas as formas e tamanhos - de pequenas empresas com empregados que numeram na adolescência, para fundos internacionais com presença em três continentes. Uma base de ativos maiores não se correlaciona necessariamente com um número maior de funcionários; Em vez disso, a equipe do Hedge Fund é provavelmente uma função do número de estratégias que emprega. Quant Hedge Funds pode se concentrar em ações, renda fixa ou outras classes de ativos, embora raramente um Quant Hedge Fund esteja envolvido em uma estratégia de longo prazo de seleção de ações individualmente, sem cobertura. Muitos CTAs ou “Consultores de Negociação de Commodities” também seriam considerados Quant Hedge Funds, dado o seu papel na compra ou venda de contratos futuros, opções de futuros ou contratos de forex off-exchange (ou aconselhamento a outros para negociar nessas commodities).

A tabela a seguir fornece mais detalhes sobre diferentes tipos de estratégias de investimento em Hedge Funds; é importante notar que as versões quantitativas e não quantitativas de quase todos esses estilos de investimento Hedge Fund podem ser construídas:

Relative Value Trading vs. Directional Trading.

As abordagens de negociação / investimento Quantitative Hedge Fund se enquadram em uma das duas categorias: as que utilizam as estratégias de Valor Relativo e aquelas cujas estratégias serão caracterizadas como Direcional. Ambas as estratégias utilizam fortemente modelos de computador e software estatístico.

As estratégias de Relative Value tentam capitalizar relacionamentos de preços previsíveis (muitas vezes - relacionamentos de retorno) entre múltiplos ativos (por exemplo, a relação entre os rendimentos de curto prazo do Tesouro dos EUA vs. os rendimentos de longo prazo do Tesouro dos EUA ou a relação no implícito volatilidade em dois contratos de opção diferentes). As estratégias direcionais, entretanto, normalmente são baseadas em caminhos baseados em tendências ou outros padrões, sugestivos de impulso ascendente ou descendente para uma garantia ou conjunto de valores mobiliários (por exemplo, apostando que os rendimentos de longo prazo dos títulos do Tesouro dos EUA aumentarão ou que a volatilidade implícita declínio).

Relative Value Strategies.

Os exemplos comuns de estratégias de Relativo de Valor incluem a colocação de apostas relativas (ou seja, comprar um bem e vender outro) em ativos cujos preços estão intimamente vinculados:

Títulos governamentais de dois países diferentes Títulos do governo de dois prazos diferentes até o vencimento Títulos de obrigações de capital corporativo versus títulos hipotecários O diferencial de volatilidade implícita entre dois derivativos. Preços de ações versus preços de títulos para um emissor de títulos corporativos. Diferenças de rendimento de obrigações de capital vs. Swap de inadimplência de crédito (CDS ) se espalha.

A lista de potenciais estratégias de Valor Relativo é muito longa; acima são apenas alguns exemplos. Existem três estratégias de Valor Relativo muito importantes e comummente utilizadas para se conscientizar, no entanto:

Arbitragem estatística: negociação de uma tendência de reversão média dos valores de cestas semelhantes de ativos com base em relações comerciais históricas. Uma forma comum de Arbitragem Estatística, ou "Arat Stat", "trading", é conhecida como Equity Market Neutral trading. Nesta estratégia, duas cestas de ações são escolhidas (uma cesta "longa" e uma cesta "curta"), com o objetivo de que os pesos relativos das duas cestas saiam do fundo com exposição líquida zero a vários fatores de risco (indústria, geografia, setor, etc. .) Stat Arb também poderia envolver a negociação de um índice contra um ETF similarmente combinado ou um índice versus estoque de uma única empresa. Arbitragem convertível: compra de emissões de obrigações convertíveis por uma empresa e simultaneamente venda das ações ordinárias da mesma empresa, com a idéia de que, se o estoque de uma determinada empresa declinar, o lucro da posição curta compensará mais do que qualquer perda na posição de títulos convertíveis, dado o valor do vínculo convertível como instrumento de renda fixa. De igual modo, em qualquer movimento ascendente das ações ordinárias, o fundo pode lucrar com a conversão de suas obrigações convertíveis em ações, vendendo essas ações no mercado valor por um valor que exceda todas as perdas em sua posição curta. Arbitragem de Renda Fixa: negociação de títulos de renda fixa em mercados de títulos desenvolvidos para explorar anomalias de taxa de juros relativos percebidas. Posições de Arbitragem de Renda Fixa podem usar títulos do governo, swaps de taxa de juros e futuros de taxa de juros. Um exemplo popular desse estilo de negociação em arbitragem de renda fixa é o "comércio de base", no qual um vende (compra) futuros do Tesouro e compra ( vende uma quantidade correspondente do potencial entregável. В Aqui, está a considerar a diferença entre o preço à vista de uma obrigação e o preço do contrato futuro ajustado (fator de conversão do preço de futuros) e a negociação dos pares de ativos em conformidade.

Estratégias direcionais.

As estratégias de negociação direcional, entretanto, geralmente se baseiam em caminhos de tendências ou outros motivos baseados em padrões sugerentes de impulso ascendente ou descendente para um preço de segurança. O comércio direcional geralmente incorporará algum aspecto da Análise Técnica ou "cartografia". Isso envolve a previsão da direção de preços através do estudo dos preços do mercado passado e do volume de dados do mercado. A "negociação" que está sendo negociada pode ser a de um bem em si (dinamismo nos preços das ações, por exemplo, ou a taxa de câmbio do euro / dólar norte-americano) ou um fator que afeta diretamente a o próprio preço dos ativos (por exemplo, volatilidade implícita para opções ou taxas de juros para títulos do governo).

A negociação técnica também pode incluir o uso de médias móveis, bandas em torno do desvio padrão histórico de preços, níveis de suporte e resistência e taxas de mudança. Normalmente, os indicadores técnicos não constituiriam a única base para o investimento de um Fundo Quantitativo de Hedge estratégia; Quant Hedge Funds emprega muitos fatores adicionais além das informações históricas de preço e volume. Por outras palavras, os Fundos de hedge quantitativos que empregam estratégias de negociação direcional geralmente têm estratégias quantitativas globais que são muito mais sofisticadas do que a Análise técnica geral.

Isso não é para sugerir que os comerciantes do dia não possam lucrar com a Análise Técnica - pelo contrário, muitas estratégias de negociação baseadas em impulso podem ser lucrativas. Assim, para os fins deste módulo de treinamento, as referências às estratégias de negociação Quant Hedge Fund não incluirão apenas estratégias baseadas em análise técnica.

Outras estratégias quantitativas.

Outras abordagens comerciais quantitativas que não são facilmente categorizadas como estratégias de Relative Value ou estratégias direcionais incluem:

Negociação de alta freqüência, onde os comerciantes tentam tirar proveito das discrepâncias de preços entre múltiplas plataformas com muitas negociações ao longo do dia. As estratégias de volatilidade administrada usam futuros e contratos a prazo para se concentrar na geração de retornos absolutos baixos, estáveis ​​e LIBOR-plus, aumentando ou diminuindo a número de contratos dinamicamente à medida que as volatilidades subjacentes das ações, títulos e outros mercados mudam. Estratégias de volatilidade gerenciadas ganharam popularidade nos últimos anos devido à recente instabilidade dos mercados de ações e títulos. & larr; O que é um Fundo de cobertura quantitativo? Top Quantitative Hedge Funds & rarr;

Guia do principiante para negociação quantitativa.

Guia do principiante para negociação quantitativa.

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. O segundo será indivíduos que desejam tentar configurar seu próprio negócio de negociação algorítmica "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 requer extensa 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, estar familiarizado com o 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 por dar uma olhada em como identificar uma estratégia de negociação.

Identificação de Estratégia.

Todos os processos de negociação quantitativos começam com um período inicial de pesquisa. Este processo de pesquisa 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.

Contrariamente à crença popular, é realmente bastante direto encontrar estratégias lucrativas através de várias fontes públicas. Os acadêmicos publicam regularmente resultados teóricos de negociação (embora, em sua maioria, sejam brutos dos custos de transação). Os blogs de finanças quantitativas discutirão as estratégias em detalhes. Os jornais de comércio delinearão algumas das estratégias empregadas pelos fundos.

Você pode questionar por que os indivíduos e as empresas estão interessados ​​em discutir suas estratégias lucrativas, especialmente quando sabem que outras pessoas "que estão ocupando o mercado" podem impedir que a estratégia funcione a longo prazo. A razão está no fato de que eles não costumam discutir 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 ideias estratégicas:

Muitas das estratégias que você irá analisar se encaixarão nas categorias de reversão à média e tendência / momento. 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 desvios de curto prazo dessa média eventualmente reverterão. Uma estratégia de impulso tenta explorar a psicologia dos investidores e a grande estrutura de fundos ao "engatar" uma tendência de mercado, que pode aumentar o impulso em uma direção e seguir a tendência até reverter.

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

Uma vez que uma estratégia, ou conjunto de estratégias, tenha sido identificada, ela agora precisa ser testada quanto à lucratividade nos dados históricos. Esse é o domínio do backtesting.

Teste de estratégia.

O objetivo do backtesting é fornecer evidências de que a estratégia identificada através do processo acima é rentável quando aplicado a dados históricos e fora da amostra. Isso define a expectativa de como a estratégia funcionará 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 polarização, incluindo viés de antecipação, viés de sobrevivência e viés de otimização (também conhecido como viés de "espionagem de dados"). Outras áreas de importância no backtesting incluem disponibilidade e limpeza de dados históricos, contribuindo com custos de transação realistas e decidindo uma plataforma robusta de backtesting. Discutiremos os custos de transação na seção Sistemas de Execução abaixo.

Uma vez que uma estratégia foi identificada, é necessário obter os dados históricos através dos quais realizar testes e, talvez, refinamento. Há um número significativo de fornecedores de dados em todas as classes de ativos. 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. Eu não vou me debruçar muito sobre provedores aqui, ao invés disso eu gostaria de me concentrar nas questões gerais ao lidar com conjuntos de dados históricos.

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

Precisão pertence à qualidade geral dos dados - se contém algum erro. Às vezes, os erros podem ser fáceis de identificar, como com um filtro de pico, que detecta "picos" incorretos nos dados de séries temporais e os corrige. 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 é muitas vezes uma "característica" de conjuntos de dados gratuitos ou baratos. Um conjunto de dados com viés de sobrevivência significa que ele não contém ativos que não estão mais negociados. No caso de ações, isso significa ações de saída / falência. Esse viés significa que qualquer estratégia de negociação de ações testada em tal conjunto de dados provavelmente terá um desempenho 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 na função de etapa do preço bruto, que não deve ser incluída no cálculo das devoluções do preço. Ajustes para dividendos e desdobramentos são os culpados comuns. Um processo conhecido como ajuste de costas é necessário para ser realizado em cada uma dessas ações. É preciso ter muito cuidado para não confundir um estoque de divisão com um verdadeiro ajuste de retorno. Muitos comerciantes foram pegos por uma ação corporativa!

Para realizar um procedimento de backtest, é necessário usar uma plataforma de software. Você tem a opção entre o software de back-test dedicado, como o Tradestation, uma plataforma numérica como Excel ou MATLAB ou uma implementação personalizada completa em uma linguagem de programação, como Python ou C ++. Não vou me demorar muito com Tradestation (ou similar), Excel ou MATLAB, pois acredito na criação de uma pilha completa de tecnologia interna (pelas 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 de HFT, em particular, é essencial usar uma implementação personalizada.

Ao fazer o backtest de um sistema, é preciso ser capaz de quantificar o desempenho do mesmo. As métricas "padrão da indústria" para estratégias quantitativas são a redução máxima e a Ratia Sharpe. O rebaixamento máximo caracteriza a maior queda de ponta a ponta na curva de patrimônio da conta em um determinado período de tempo (geralmente anual). Isso é mais frequentemente citado como uma porcentagem. As estratégias de LFT tenderão a ter rebaixamentos maiores do que as estratégias de HFT, devido a vários 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. Note-se que o retorno anualizado não é uma medida normalmente utilizada, pois não leva em conta a volatilidade da estratégia (ao contrário do Índice de Sharpe).

Uma vez que uma estratégia tenha sido testada novamente e seja considerada livre de vieses (na medida em que isso seja 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 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 de HFT, é necessário criar um mecanismo de execução totalmente automatizado, que muitas vezes estará intimamente ligado ao gerador de comércio (devido à interdependência entre estratégia e tecnologia).

As principais considerações ao criar um sistema de execução são a interface para a corretora, a minimização dos custos de transação (incluindo a comissão, o deslizamento e a propagação) e a divergência de desempenho do sistema ao vivo com o desempenho testado.

Há muitas maneiras de interagir com uma corretora. Eles variam de chamar seu corretor no telefone diretamente para uma interface de programação de aplicativos (API) de alto desempenho totalmente automatizada. O ideal é que você automatize a execução de seus negócios o máximo possível. Isso liberta você para se concentrar em pesquisas futuras, além de permitir que você execute várias estratégias ou mesmo estratégias de maior freqüência (na verdade, o HFT é essencialmente impossível sem execução automática). O software comum de backtesting descrito acima, como MATLAB, Excel e Tradestation são bons para estratégias mais baixas e mais simples. No entanto, será necessário construir um sistema de execução interno escrito em uma linguagem de alto desempenho, como C ++, para fazer qualquer HFT real. Como uma anedota, no fundo em que 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 de quantificação para otimizar a execução. No entanto, em pequenas lojas ou empresas de HFT, os comerciantes são os executores e, portanto, um conjunto de habilidades muito mais amplo é geralmente 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, há três componentes nos custos de transação: Comissões (ou impostos), que são as taxas cobradas pela corretora, pela bolsa e pela SEC (ou órgão regulador governamental similar); escorregamento, que é a diferença entre o que você pretendia que seu pedido fosse preenchido versus o que foi realmente preenchido; spread, que é a diferença entre o preço de compra / venda do título negociado. Observe que o spread NÃO é constante e depende da liquidez atual (ou seja, disponibilidade de ordens de compra / venda) no mercado.

Os custos de transação podem fazer a diferença entre uma estratégia extremamente rentável com uma boa relação Sharpe e uma estratégia extremamente rentável com uma relação Sharpe terrível. Pode ser um desafio prever corretamente os custos de transação de um backtest. Dependendo da frequência da estratégia, você precisará de acesso a dados de troca histórica, que incluirão dados de marca para preços de lances / pedidos. Equipes 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 negócios (dos quais os motivos para isso são muitos e variados!). Ao "despejar" tantas ações no mercado, elas rapidamente deprimirão o preço e podem não obter uma execução ideal. 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 "atacam" essas necessidades e podem explorar as ineficiências. Este é o domínio da arbitragem da estrutura do fundo.

A última grande questão para os sistemas de execução diz respeito à divergência de desempenho da estratégia do desempenho do backtested. 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 erros no sistema de execução, bem como a própria estratégia de negociação que não aparecem em um backtest, mas DO show up live trading. O mercado pode estar sujeito a uma mudança de regime posterior à implantação de sua estratégia. Novos ambientes regulatórios, mudanças no sentimento do investidor e fenômenos macroeconômicos podem levar a divergências na forma como o mercado se comporta e, portanto, na rentabilidade de sua estratégia.

Gerenciamento de riscos.

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

O gerenciamento de riscos também abrange o que é conhecido como alocação ótima de capital, que é um ramo da teoria do portfólio. Esse é o meio pelo qual o capital é alocado a um conjunto de estratégias diferentes e aos 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 algumas suposições sobre a natureza estatística dos retornos, que muitas vezes não são verdadeiros nos mercados financeiros, de modo que os operadores geralmente são conservadores quando se trata da implementação.

Outro componente chave 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 encerrada devido à dor de ter que perceber uma perda. Da mesma forma, os lucros podem ser tomados muito cedo porque o medo de perder um lucro já ganho pode ser muito grande. Outro viés comum é conhecido como viés de recência. Isso se manifesta quando os operadores enfatizam demais os eventos recentes e não a longo prazo. Então, é claro, há o par clássico de preconceitos emocionais - 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. Minha preferência é construir o máximo possível de dados capturados, backtester de estratégia e sistema de execução. Se o seu próprio capital está em jogo, não dormiria melhor à noite sabendo que você testou completamente o seu sistema e está ciente de suas armadilhas e problemas específicos? Terceirizar isso para um fornecedor, enquanto potencialmente economizando tempo no curto prazo, poderia ser extremamente caro a longo prazo.

A Quantcademy.

Junte-se ao portal de adesão da Quantcademy que atende à comunidade de comerciantes de varejo de varejo em rápido crescimento e saiba como aumentar a rentabilidade da sua estratégia.

Negociação Algorítmica Bem Sucedida.

Como encontrar novas ideias de estratégia de negociação e avaliá-las objetivamente para seu portfólio usando um mecanismo de backtesting personalizado em Python.

Negociação Algorítmica Avançada.

Como implementar estratégias de negociação avançadas usando análise de séries temporais, aprendizado de máquinas e estatísticas bayesianas com R e Python.

Negociação quantitativa.

O que é 'Negociação Quantitativa'

Negociação quantitativa consiste em estratégias de negociação baseadas em análises quantitativas, que dependem de cálculos matemáticos e crunching de números para identificar oportunidades comerciais. Como a negociação quantitativa é geralmente utilizada por instituições financeiras e fundos de hedge, as transações geralmente são de grande porte e podem envolver a compra e venda de centenas de milhares de ações e outros títulos. No entanto, a negociação quantitativa está sendo mais usada pelos investidores individuais.

BREAKING 'Quantitative Trading'

As técnicas quantitativas de negociação incluem comércio de alta freqüência, negociação algorítmica e arbitragem estatística. Essas técnicas são rápidas e tipicamente têm horizontes de investimento de curto prazo. Muitos comerciantes quantitativos estão mais familiarizados com ferramentas quantitativas, como médias móveis e osciladores.

Compreender a negociação quantitativa.

Os comerciantes quantitativos aproveitam a tecnologia moderna, a matemática e a disponibilidade de bases de dados abrangentes para tomar decisões comerciais racionais.

Os comerciantes quantitativos tomam uma técnica de negociação e criam um modelo dele usando a matemática, e então eles desenvolvem um programa de computador que aplica o modelo aos dados históricos do mercado. O modelo é então testado e otimizado. Se os resultados favoráveis ​​forem alcançados, o sistema é então implementado em mercados em tempo real com capital real.

A maneira como os modelos de negociação quantitativa funcionam pode ser melhor descrita usando uma analogia. Considere um relatório meteorológico em que o meteorologista prevê 90% de chance de chuva enquanto o sol está brilhando. O meteorologista deriva essa conclusão contra-intuitiva coletando e analisando dados climáticos de sensores em toda a área. Uma análise quantitativa computadorizada revela padrões específicos nos dados. Quando esses padrões são comparados com os mesmos padrões revelados em dados climáticos históricos (backtesting), e 90 de 100 vezes o resultado é chuva, então o meteorologista pode tirar a conclusão com confiança, daí a previsão de 90%. Os comerciantes quantitativos aplicam esse mesmo processo ao mercado financeiro para tomar decisões comerciais.

Vantagens e desvantagens da negociação quantitativa.

O objetivo da negociação é calcular a ótima probabilidade de executar um comércio lucrativo. Um comerciante típico pode efetivamente monitorar, analisar e tomar decisões comerciais em uma quantidade limitada de títulos antes que a quantidade de dados recebidos superem o processo de tomada de decisão. O uso de técnicas de negociação quantitativas ilumina esse limite usando computadores para automatizar as decisões de monitoramento, análise e negociação.

A superação da emoção é um dos problemas mais comuns na negociação. Seja medo ou ganância, ao negociar, a emoção serve apenas para sufocar o pensamento racional, o que geralmente leva a perdas. Computadores e matemática não possuem emoções, então o comércio quantitativo elimina esse problema.

Negociação quantitativa tem seus problemas. Os mercados financeiros são algumas das entidades mais dinâmicas que existem. Portanto, os modelos de negociação quantitativa devem ser tão dinâmicos para serem consistentemente bem-sucedidos. Muitos comerciantes quantitativos desenvolvem modelos que são temporariamente rentáveis ​​para a condição de mercado para o qual eles foram desenvolvidos, mas eles finalmente falham quando as condições do mercado mudam.

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 cria 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 descobri que impulsiona o comportamento de precificação de 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 de formato fechado para este modelo. Às vezes isso é fácil; às vezes isso leva dias e semanas de álgebra; às vezes não há solução de forma fechada e tenho que me contentar 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. As saídas simuladas parecem razoáveis? Eles refletem, pelo menos conceitualmente, a dinâmica real do mercado?

Assumindo que o modelo passa esse cheque de sanidade, é hora de se deslocar além da exploração ou ideação do céu azul e na pesquisa formal.

O que você quer dizer com "pesquisa formal"? E por que isso 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 se enganar pensando que você criou um modelo preditivo, quando, na verdade, você simplesmente se encaixou demais 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; Eu vou estar arriscando 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. Isso é o que eu chamo de "pesquisa formal".

Quais etapas você inclui no seu processo formal de pesquisa?

Logo no início, 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. Estou paranóico por não ter esgotado meu suprimento de dados fora de amostra não contaminados.

Então começo dividindo meus dados históricos em partes não sobrepostas. Eu então escolho aleatoriamente para que nem eu saiba qual pedaço é qual. (Isso protege contra preconceitos subconscientes: por exemplo, ter aversão ao risco quando eu sei que meu conjunto de dados de teste é 2008, ou que estou buscando 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 etapas chamado algoritmo EM. Os otimizadores podem ser sensíveis às condições iniciais, então eu uso o Monte Carlo para escolher um número de pontos de partida no espaço da solução. Tudo isso é bastante 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 significam uma reversão? Caso contrário, 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 para intervalos de datas; você usa Monte Carlo para evitar os distúrbios do 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 funcionando (e permanecer "rico") com múltiplos fatores removidos, provavelmente é um bom fator.

Uma segunda prova de robustez é se o modelo funciona bem, não importa qual estratégia de negociação você construa em cima dele. Se você só pode ganhar dinheiro usando uma regra de escala não linear complexa com todos os tipos de condições de borda, isso sugere uma falta de robustez.

Por fim, não há substituto para os dados. Penso em todos os conjuntos de dados possíveis fora da amostra em que posso testar o modelo de forma plausível: diferentes países, diferentes instrumentos, diferentes intervalos de tempo, diferentes frequências 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. Resíduos de reversão média podem não ser suficientes se o conjunto de oportunidades for muito pequeno para compensar o bid-ask, ou se as explosões ocasionais matarem todos os meus lucros. Então eu preciso testar uma estratégia de negociação real usando meu modelo. Aqui é onde eu tenho que exercitar o máximo cuidado: é muito fácil adaptar-se à curva 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 existe um limite superior em quão complexo eu posso fazer minhas regras de negociação. Isso é uma coisa boa: uma estratégia que requer complexidade para ser lucrativa 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; back-test e rentabilidade da estratégia de negociação. Mas, para os poucos que fazem isso, agora é hora de entrar em produção. Este é um jogo totalmente 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.

Abordagem de uma Quant para construir estratégias de negociação: primeira parte Uma abordagem quantitativa para construir estratégias de negociação: parte dois Uma abordagem quantitativa para construir estratégias de negociação: parte três [& # 8230]

[& # 8230] Uma abordagem quantitativa para a construção de estratégias comerciais: primeira parte [Quandl] [& # 8230;]

[& # 8230;] parte de nossa entrevista com um gerente sênior de carteira quantitativa em um grande fundo de hedge. 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, quando ela transita de uma representação abstrata do mercado para algo concreto com poderes de predição genuínos. Você pode nos dizer como você cria 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 usa C # / C ++ / Java) para produção. Não é este processo de mudança entre 4 idiomas complicado? Além disso, o que é que no Matlab 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.)? Adoraria 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?

Hoje em dia, você tem razão, não há muito o que você não pode fazer no Python. E, de fato, me encontro usando Python cada vez mais. Mas esse nem sempre foi o caso; A multiplicidade de bibliotecas financeiras de código aberto em Python é um fenômeno relativamente recente.

& gt; Com relação ao Excel, você não acha que, embora a visualização seja útil, ela carrega muito risco operacional (as fórmulas não são arrastadas corretamente, a planilha não é atualizada corretamente, etc.)?

Eu concordo totalmente. O Excel é frágil de várias maneiras: é fácil fazer erros operacionais, é impossível auditar; não é muito produtivo; 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). Este processo não é complicado? Além disso, o que é em Matlab que você não pode fazer em Python ou vice-versa? E você não acha que o Excel é um risco operacional (você geralmente arrasta e solta fórmulas que podem introduzir erros manuais, confiar na atualização das folhas corretamente, etc.)?

[& # 8230;] Uma aproximação de um quantum na construção de estratégias de negociação (quandl) [& # 8230;]

Abordagem muito sensata. Eu gosto especialmente da importância colocada em manter seus dados OOS sacrossantos. O único aspecto com o qual tenho dúvidas é a remoção de fatores para testar a estabilidade. Talvez seja apenas o formato da 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. Se o meu modelo de dois fatores tem IC mais alto do que o meu modelo de três fatores, então 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 removo fatores em minha fase de testes; 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 significa "não é como se você pudesse simplesmente" ignorar "kappa ou qualquer outra coisa".

Manter o sacrossanto de dados OOS e # 8212; totalmente com você sobre isso. Se há uma coisa que eu gostaria de poder martelar nas cabeças das pessoas, é a importância deste 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; para poder realizar tarefas de forma confortável. Existe uma maneira de colaborar com alguém que tenha a experiência e conhecimento para fazer o teste de volta, teste de PL, etc.

Claro que posso desenhar estimativas de modelo contra os preços históricos # 8211; no entanto, isso não é suficiente. É necessário simular como o modelo teria sido executado se estivesse realmente operando.

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

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

De qualquer forma, eu 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 pode ser diferente de outras coisas.

Você me entende mal & # 8212; minhas desculpas por não ser mais claro!

Eu tento descartar os parâmetros logo no início, quando estou especificando meu modelo. Eu vi quants 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 caber em qualquer coisa. Eu nunca arrisquei dinheiro em nada que seja complexo.

Então, tento ser o mais parcimonioso possível ao criar meu modelo.

Uma vez que eu tenha definido um modelo que eu acho que é economicamente razoável e logisticamente correto, só então tento minhas verificações de robustez. And at this stage I don’t discard parameters. But I do pay attention to sensitivities. If my profitability is incredibly sensitive to one particular parameter hitting one specific value, and falls apart on minor perturbations, then I suspect my model is just “lucky”, not smart. But I agree with you that removing parameters entirely at this stage would be silly.

I’m impressed , what do you think regarding money management rule such as optimal betting size ?

This is a great interview and I appreciate that you took the time to provide insight into your strategy design. This would be very time consuming but would it be possible to provide an actually example using a real system (regardless if the system is profitable or not). Conceptually I understand what you are saying but it would be informative to put actual examples to the steps. Again, thank you for your time.

I would like to ask a basic question. I am starting up in thie quantitative analysis field. However, you seem to be pretty experienced and in this field for a long time. I eould like to ask whether quantitative or technical strategies are giving you consistent ‘comfortable’ retorna. Do you rely on one system or keep on changing it arbitrarily and whether you use any fundamental analysis also to assist technical analysis.

You have to keep evolving with the markets. No single system or strategy works forever.

I’d like to ask what what additional checks and procedures are used when a model is taken live, in particular how you monitor and manage on a continuous basis the model once live? Do you set up predefined monitoring rules or circuit breakers that take the model out of action automatically? If so, how do you construct these, what kinds of measures do you use in them? Also relatedly how do you identify and deal with periods of reasonable underperformance? Such underperformance can make one doubt ones models and make it seem as if a model has stopped working when this turns out to not be the case.

I’m kind of old-fashioned — I don’t believe circuit-breakers really work. Or to be more precise, portfolios with programmatic circuit breakers underperform portfolios without, over the long term. The reasoning is that circuit-breakers stop you out of good trades at a loss way too often, such that those losses outweigh the rare occasions when they keep you out of big trouble.

Note: I’m talking about classic quant arb portfolios here; not electronic execution or HFT. In the latter cases I can totally see why you’d want multiple failsafes and circuit-breakers; those books can get away from you really fast. But that’s not my area of expertise.

Within my area, I’ve observed a few patterns in models that break. For starters, they rarely blow up instantly; instead, either the opportunity just disappears (arbitraged away by copycats) or the spread slowly and imperceptibly drifts further and further away from fair value and never comes back (regime change).

Conversely, if a trade diverges and then the divergence accelerates, that smells to me much more of a capitulation. In those cases I want to hold on to my position and indeed add if I can.

So the paradoxical conclusion is that the faster a model loses money, the more likely it is to be still valid.

Good luck programming a coherent circuit-breaker to handle that logic!

This is actually a microcosm of the larger problem. A situation where a circuit-breaker would really help, will almost definitely be one perverse enough to avoid most a priori attempts at definition. It’s the unknown unknowns that get you, every time.

Important note: the above is informed by my own position and risk preference. I am senior enough and successful enough that portfolio maximization is my central incentive. If I were younger, keeping my job (staying in the game) would be my central incentive. And in that case, circuit breakers help because they avoid catastrophic, job-losing drawdowns, while the foregone losses don’t show up on any PL report.

& gt; how do you identify and deal with periods of reasonable underperformance?

This is the hundred million dollar question! I wish I had a definitive, unambiguous answer to give you — it would help me as well 🙂

Obrigado pelo feedback. I take some small comfort from the fact that professional quants also wrestle with this type of questions.

One more question if I may — I’ve toyed with the ideas of (but not yet really tested/simulated/implemented) more “gradual” type of management/monitoring, e. g. where you control say the amount of capital committed to a particular model (or basket of models) and scale this down or up gradually over time, depending on aggregate model performance.

The basic idea would be that the management process would have a sufficiently long term view to not take the model “out” of the markets for reasonable/expected drawdowns (due to looking at sufficiently large sample of performance) whilst still ensuring that the model eventually stops being traded if the returns go flat or negative for a representative sample size.

Of course this idea would be no guarantee against losses as such, but the hope would be that it might be enough to at least prevent an LTCM style of blowup.

(To add:I guess it seems to me that one of the mistakes with the LTCM blowup was assuming their models would always work, and therefore they had no plan, no monitoring level, nothing to tell them “system outside of known/expected parameters, scale down to preserve capital”. And I’d like to learn and avoid that type of mistake, if at all possible…)

You mentioned “regime change”. So how do you decide that your trade lost enough for you to consider your model not working anymore? I guess a “Post #3: monitoring and maintenace” would be nice 😀 Thanks for sharing!

All very sensible stuff. I found this comment interesting:

& # 8221; For instance, I calibrate on monthly data but test on daily data.”

I guess it depends on what you mean by ‘calibration’ but this struck me as slightly unusual.

Let’s make it simple and suppose I’m trying to capture (slow) trends using a moving average crossover. I play around with monthly data until I get something I think works. To move to daily data I *ought* to multiply some parameters by.

20 (like the moving average lengths) because there are about 20 business days in a calendar month, and others by.

sqrt(20) [various scaling parameters too dull to discuss here]. But the model should still behave in the same way. The turnover for example shouldn’t increase when I move to daily.

On the other hand if I keep the parameters the same then instead of picking up say a 6 month trend I’m picking up a 6 business day trend. But the sweet spot for trend following most assets tends to be a fair bit slower than that so it’s unlikely to look as good. Also my turnover will be a lot higher, but then you’d expect that. To put it another way I’m not sure all aspects of market behaviour are ‘fractal’ such that I can just apply exactly the same model to different time scales.

Hi Rob. Original poster here. Thank you for a most perceptive comment!

Are markets fractal? Great question and one I’ve spent many evenings debating over scotch.

Personally I think they’re not, because certain exogenous events act as a forcing function: daily margin calls from exchanges, monthly MTMs for hedge funds, quarterly financial statements for publicly traded banks. These events cause *something* to happen (never mind what) at those frequencies. So not all time-scales are created equal, and merely speeding up / slowing down the clock is *not* a “neutral” approach.

So I’m actually very cautious about *which* strategies I’d do this kind of time-shifting with.

Here’s a toy strategy where time-shifting can work. Take 2 futures strips in the same “space” — maybe winter and spring wheat . Look for cases when 1 is backwardated and the other is in contango. Buy front low, sell back high, sell front high, buy back low. A totally simple, almost “dumb” strategy, but for many futures pairs it used to work well.

This is a great case for changing time scales. This strategy should work whether you sample / rebalance weekly, or monthly, or quarterly — because the decision variables are pure state, no path. We’re not looking at price histories; nor are we looking at instruments with a time component (bonds which accrue, or options which decay, or random walks with a drift). So, given that the strategy is really clean, we can get away with this kind of robustness test.

(Caveat: bid-ask is the one complicating factor here — your chosen time-scale needs to be big enough to allow for price action that overcomes friction. Bid-ask is the bane of quants everywhere.)

But I would never apply this same test to say a trend-following strategy. That would raise all sorts of philosophical questions. What does it mean for a strategy to have a “sweet spot” at say 9 days, or 200 days, or whenever? By optimizing for that sweet spot, are you curve-fitting? Or does the fact that almost everyone uses 9d and 200d create a self-fulfilling prophecy, and so those numbers represent something structural about the market? I’ve heard convincing arguments both ways. What if you sampled your data at interval X, and then did 9X and 200X moving averages — would that work? Fun philosophical questions; I’m not sure of the answers myself.

Other notes: I agree that “calibration” was a sloppy choice of word by me in that particular sentence. “Ideation” would have been better. If you’re calibrating, you’re already introducing more structure than time-shifting can safely handle.

You’re absolutely correct re (t) and sqrt(t) — and I agree with you, too dull to discuss here.

Thanks again for the comment!

I think that “calibrate on monthly data but test on daily data” means recalibrating a rolling model (like for example a rolling regression) every month, but using daily data. Then testing with that recalibrated model in the following month, again using daily data.

Kinda like a walk forward method of testing?

Sorry for not being clear. What I meant was closer to Rob’s original interpretation: I build an idea with data sampled at frequency X, but then test it with data sampled at frequency Y. Walk-forward or monthly recalibration is a separate exercise, that I would undertake after the model has been “in production” for some time.

Late Birds Get the Worm: Payment Data and Company Strength.

In a recent Huffington Post article, Visa’s Head of Global Financial Education Nathaniel Sillin wrote, “Understanding how much it costs to manage a home and the importance of paying your bills on time can help you avoid costly mistakes.” While many readers would likely nod in agreement, Sillin’s sage advice is not as universal as you might think. At least not in the business world. Bloomberg has cited a report by Quandl’s partner Dun & Bradstreet (essentially the Experian and Equifax of the business world), claiming that “For big businesses, . . . things are different. For one thing, they.

The Landscape of Auto Industry Data.

Since man first invented the wheel, our need to optimize the way we get around has been an almost primeval obsession. From the advent of the first motorized vehicle to self-driving cars, the auto industry has evolved quickly in its embrace of technology. We are now experiencing what is probably the greatest advancement in the automotive sector since Henry Ford first designed his moving assembly line: the rise of the connected car. Per Scotiabank’s BI Intelligence Estimates, by 2020 more than 75% of new cars shipped will be Internet-connected. From reading your Facebook notifications to measuring safety and engine health.

Icebergs, Chameleons and Vipers: A Survey of FX Execution.

The foreign exchange market has long been the most decentralized and opaque of all markets. As a result, FX traders labor under major informational disadvantages compared to their peers in other asset classes. Unlike equity markets, where SEC regulations mandate that public exchanges report transaction prices and daily trading volumes, FX boasts no such unified data sources. There are no central exchanges, pits or bulletin boards. Instead, FX transactions take place via a million phone calls, client visits, email threads and trading platforms. The entire market is over-the-counter, party to party, and nobody knows what anybody else is doing beyond.

Estratégias quantias implementadas pela comunidade de Quantopian.

Na semana passada eu dei um discurso de reunião de finanças no Hacker Dojo em Mountain View, CA. O formato foi inspirado por alguma análise que fiz sobre os tipos de algoritmos compartilhados e clonados na comunidade de Quantopian - inicialmente queria perguntar: Quais são as estratégias mais populares codificadas em Quantopian? Para responder a esta pergunta, classifiquei todos os posts do fórum público de três maneiras, primeiro no número de respostas, em segundo lugar no número de visualizações e em terceiro lugar no número de vezes clonado. Eu projetei essas pontuações e reorganizei a lista para chegar às 25 melhores postagens mais populares de todos os tempos. (NB: Não fiz nenhuma correção pela data da publicação original, portanto, a quantidade de tempo que o segmento está vivo não foi normalizada).

A partir desta lista, trabalhei para trás e usei exemplos da comunidade de Quantopian para introduzir 5 tipos básicos de estratégia de quant: Reversão média, Momentum, Valor, Sentimento e Sazonalidade. Embora esta lista não seja tecnicamente "mutuamente exclusiva e coletivamente exaustiva", ela abrange uma grande fração das estratégias intradias de freqüência mais baixa e fornece uma boa visão geral sobre como os quentes focados na equidade pensam em prever os preços do mercado. Voltei para a minha lista de Top 25 e categorizei cada algo em um desses cinco baldes e, em seguida, criei esse gráfico de torta com base no número agregado de visualizações para cada tipo de estratégia.

Há uma série de conclusões interessantes a serem extraídas dessa visão geral inicial da atividade da comunidade. Talvez o mais óbvio e previsível disso é que as estratégias baseadas em preços estão atualmente lideradas por uma grande margem - devido, espero, ao fácil acesso ao preço mínimo de equidade e à acessibilidade da lógica do impulso e reversão média . Na verdade, não havia estratégias baseadas em valores que entraram no Top 25 - o que, na minha opinião, representa um espaço de oportunidade chave no momento.

Mais sutil e, do meu ponto de vista reconhecidamente tendencioso, mais convincente é a diversidade e a qualidade do conteúdo e da colaboração na esfera pública. Ao juntar-se à equipe da quespian de um grande ambiente corporativo trabalhando com um pequeno grupo de clientes institucionais, vendo que os 25 melhores algos foram clonados em 13.000 vezes, uma média de mais de 500 clones por estratégia é ... bem, é muito legal.

Abaixo, você pode encontrar o deck de slides da minha apresentação:

O material deste site é fornecido apenas para fins informativos e não constitui uma oferta de venda, uma solicitação de compra ou uma recomendação ou endosso para qualquer segurança ou estratégia, nem constitui uma oferta de prestação de serviços de consultoria de investimento pela Quantopian.

Além disso, o material não oferece nenhuma opinião em relação à adequação de qualquer segurança ou investimento específico. Nenhuma informação contida neste documento deve ser considerada como uma sugestão para se envolver ou abster-se de qualquer curso de ação relacionado ao investimento, já que nenhuma das empresas atacadas ou nenhuma das suas afiliadas está a comprometer-se a fornecer conselhos de investimento, atuar como conselheiro de qualquer plano ou entidade sujeito a A Lei de Segurança de Renda de Aposentadoria do Empregado de 1974, conforme alterada, conta de aposentadoria individual ou anuidade de aposentadoria individual, ou dar conselhos em capacidade fiduciária em relação aos materiais aqui apresentados. Se você é um aposentadorio individual ou outro investidor, entre em contato com seu consultor financeiro ou outro fiduciário não relacionado a Quantopian sobre se qualquer idéia, estratégia, produto ou serviço de investimento descrito aqui pode ser apropriado para suas circunstâncias. Todos os investimentos envolvem risco, incluindo perda de principal. A Quantopian não oferece garantias sobre a precisão ou integridade das opiniões expressas no site. Os pontos de vista estão sujeitos a alterações e podem ter se tornado pouco confiáveis ​​por vários motivos, incluindo mudanças nas condições do mercado ou nas circunstâncias econômicas.

Comentários estão fechados.

O material deste site é fornecido apenas para fins informativos e não constitui uma oferta de venda, uma solicitação de compra ou uma recomendação ou endosso para qualquer segurança ou estratégia, nem constitui uma oferta de prestação de serviços de consultoria de investimento pela Quantopian.

Além disso, o material não oferece nenhuma opinião em relação à adequação de qualquer segurança ou investimento específico. Nenhuma informação contida neste documento deve ser considerada como uma sugestão para se envolver ou abster-se de qualquer curso de ação relacionado ao investimento, já que nenhuma das empresas atacadas ou nenhuma das suas afiliadas está a comprometer-se a fornecer conselhos de investimento, atuar como conselheiro de qualquer plano ou entidade sujeito a A Lei de Segurança de Renda de Aposentadoria do Empregado de 1974, conforme alterada, conta de aposentadoria individual ou anuidade de aposentadoria individual, ou dar conselhos em capacidade fiduciária em relação aos materiais aqui apresentados. Se você é um aposentadorio individual ou outro investidor, entre em contato com seu consultor financeiro ou outro fiduciário não relacionado a Quantopian sobre se qualquer idéia, estratégia, produto ou serviço de investimento descrito aqui pode ser apropriado para suas circunstâncias. Todos os investimentos envolvem risco, incluindo perda de principal. A Quantopian não oferece garantias sobre a precisão ou integridade das opiniões expressas no site. Os pontos de vista estão sujeitos a alterações e podem ter se tornado pouco confiáveis ​​por vários motivos, incluindo mudanças nas condições do mercado ou nas circunstâncias econômicas.

O material deste site é fornecido apenas para fins informativos e não constitui uma oferta de venda, solicitação de compra ou recomendação ou endosso para qualquer garantia ou estratégia, nem constitui uma oferta para fornecer consultoria de investimento ou outros serviços por meio de Quantopian. Além disso, o conteúdo do site não oferece nenhuma opinião em relação à adequação de qualquer garantia ou qualquer investimento específico.

A Quantopian não oferece garantias quanto à exatidão ou integridade das opiniões expressas no site. Os pontos de vista estão sujeitos a alterações e podem ter se tornado pouco confiáveis ​​por vários motivos, incluindo mudanças nas condições do mercado ou nas circunstâncias econômicas. Todos os investimentos envolvem risco - incluindo perda de principal. Você deve consultar um profissional de investimentos antes de tomar decisões de investimento.