Is What Trading Strategie Quantitative

Trading Quantitative Qual è quantitativa Trading commercio quantitativa consiste di strategie di trading basate sull'analisi quantitativa. che si basano su calcoli matematici e macinare numeri per identificare le opportunità di trading. Come di trading quantitativo è generalmente utilizzato da istituzioni finanziarie e fondi hedge. le transazioni sono di solito di grandi dimensioni e può prevedere l'acquisto e la vendita di centinaia di migliaia di azioni e altri titoli. Tuttavia, il commercio quantitativa sta diventando sempre più comunemente utilizzato dai singoli investitori. SMONTAGGIO Quantitative Trading prezzo e di volume sono due degli ingressi dati più comuni usati in analisi quantitativa dei principali input a modelli matematici. tecniche di trading quantitative includono trading ad alta frequenza. trading algoritmico e l'arbitraggio statistico. Queste tecniche sono fuoco rapido e in genere hanno orizzonti di investimento a breve termine. Molti commercianti quantitativi sono più familiarità con strumenti quantitativi, come ad esempio le medie e oscillatori in movimento. Comprendere i commercianti Quantitative Trading Quantitative sfruttano la tecnologia moderna, la matematica e la disponibilità di banche dati complete per prendere decisioni di trading razionali. commercianti quantitativi prendono una tecnica di trading e creare un modello di esso utilizzando la matematica, e poi sviluppare un programma per computer che applica il modello ai dati storici di mercato. Il modello è quindi backtested e ottimizzato. Se i risultati favorevoli sono raggiunti, il sistema viene implementato nei mercati in tempo reale con il capitale reale. La funzione di modelli di trading modo quantitativo può essere meglio descritta usando un'analogia. Considerate le previsioni del tempo in cui il meteorologo prevede un 90 possibilità di pioggia mentre il sole splende. Il meteorologo deriva questa conclusione controintuitiva raccogliendo e analizzando i dati climatici dai sensori in tutta l'area. Un'analisi quantitativa computerizzata rivela modelli specifici nei dati. Quando questi modelli vengono confrontati con gli stessi schemi rivelati nella storica clima dati (backtesting), e 90 di 100 volte il risultato è la pioggia, allora il meteorologo può trarre la conclusione con fiducia, quindi il 90 previsione. commercianti quantitativi applicare questo stesso processo per mercato finanziario a prendere decisioni di trading. Vantaggi e svantaggi di Trading quantitativa L'obiettivo del trading è quello di calcolare la probabilità ottimale di esecuzione di un commercio redditizio. Un tipico trader può effettivamente monitorare, analizzare e prendere decisioni di trading su un numero limitato di titoli prima che la quantità di dati in entrata travolge il processo decisionale. L'uso di tecniche di trading quantitative illumina questo limite utilizzando i computer per automatizzare le decisioni di monitoraggio, analisi e trading. Superare l'emozione è uno dei problemi più diffusi con negoziazione. Che si tratti di paura o l'avidità, quando le negoziazioni, emozione serve solo a soffocare il pensiero razionale, che di solito porta a perdite. I computer e la matematica non possiedono emozioni, in modo di trading quantitativo elimina questo problema. commercio quantitativa ha i suoi problemi. I mercati finanziari sono alcuni dei soggetti più dinamici che esistono. Pertanto, modelli di trading quantitativi devono essere il più dinamico per essere sempre successo. Molti commercianti quantitativi sviluppano modelli che sono temporaneamente redditizia per la condizione di mercato per cui sono stati sviluppati, ma in ultima analisi, non quando le condizioni di mercato change. Quantitative Trading Strategies compravendite basate su eventi societari previsti, come la fusione anticipata o acquisizione di attività o di fallimento di deposito . Chiamato anche l'arbitraggio di rischio. Relative Value Trading vs Directional Trading La maggior parte quantitativa Hedge Fund tradinginvestment avvicina rientrano in una delle due categorie: quelli che utilizzano strategie di valore relativo, e quelli la cui strategie si caratterizzerebbe come direzionale. Entrambe le strategie fortemente utilizzano modelli di computer e software statistico. strategie di valore relativo cercano di capitalizzare i rapporti di prezzo prevedibili (spesso significare-ritornando relazioni) tra più attivi (ad esempio, il rapporto tra breve scadenza US Treasury Bill rendimenti vs. rendimenti US Treasury Bond a lunga scadenza, o la relazione nel implicita La volatilità in due diversi contratti di opzione). strategie direzionali, nel frattempo, in genere si basano su trend-following o di altri percorsi di pattern-based suggestivi di alto o slancio verso il basso per un titolo o alla serie di titoli (per esempio, scommettendo sul fatto che i rendimenti US Treasury Bond a lunga scadenza aumenteranno o che la volatilità implicita volontà declino). Relative strategie di valore Esempi comuni di strategie di valore relativo comprendono scommesse relativi (cioè l'acquisto di un bene e vendita di un altro) sui beni i cui prezzi sono strettamente legate: titoli di Stato dei due paesi diversi governo titoli di due differenti lunghezze a titoli obbligazionari mutuo Corporate vs. maturità il differenziale di volatilità implicita tra due derivati ​​prezzi azionari contro i prezzi delle obbligazioni per un rendimento del titolo Corporate Bond emittente societarie vs Credit default Swap (CDS) diffonde la lista dei potenziali strategie di valore relativo è molto lunga sopra sono solo alcuni esempi. Ci sono tre molto importanti e più comunemente utilizzati strategie valore relativo di essere a conoscenza, però: Statistical Arbitrage: negoziazione una tendenza media-ripristino dei valori di cesti simili di beni sulla base di rapporti commerciali storici. Una forma comune di arbitraggio statistico, o Stat Arb, il commercio, è conosciuto come Equity Market Neutral di trading. In questa strategia, due panieri di titoli azionari sono scelti (uno lungo canestro e uno corto basket), con l'obiettivo che i pesi relativi dei due canestri lasciano il fondo con l'esposizione netta zero a diversi fattori di rischio (industria, la geografia, settore, ecc .) Stat Arb potrebbe coinvolgere anche il commercio di un indice contro un ETF simile abbinato, o di un indice contro un singolo companys magazzino. Convertible Arbitrage: l'acquisto di questioni obbligazioni convertibili da una società e la vendita contemporaneamente azioni ordinarie stessi Companys, con l'idea è che se il magazzino di un dato declino società, il profitto dalla posizione corta sarà più che compensare eventuali perdite sul prestito obbligazionario convertibile posizione, dato il valore obbligazioni convertibili come strumento reddito fisso. Analogamente, qualsiasi movimento verso l'alto prezzo delle azioni ordinarie, il fondo può trarre profitto dalla conversione delle sue obbligazioni convertibili in azioni, vende quello stock al valore di mercato di una quantità che superi le perdite sulla sua posizione corta. Fixed Income Arbitrage: titoli a reddito fisso di negoziazione nei mercati obbligazionari sviluppati per sfruttare percepiti relativi anomalie dei tassi di interesse. posizioni nel reddito fisso di arbitraggio possono utilizzare titoli di stato, interest rate swap e futures su tassi di interesse. Un esempio popolare di questo stile di trading a reddito fisso di arbitraggio è il commercio basi, in cui si vende (acquisti) future del Tesoro, e acquista (vende) una corrispondente quantità di potenziale legame deliverable. Qui, uno sta prendendo una vista sulla differenza tra il prezzo a pronti di un legame e il futuro rettificato prezzo del contratto (fattore di conversione dei prezzi dei futures) e negoziazione le coppie di attività di conseguenza. Direzionali strategie di trading strategie direzionali, nel frattempo, in genere si basano su trend-following o di altri percorsi di pattern-based suggestivi di slancio verso l'alto o verso il basso per un prezzo del titolo. trading direzionale spesso incorporare alcuni aspetti di analisi tecnica o grafici. Si tratta di prevedere la direzione dei prezzi attraverso lo studio del prezzo passato e dati di mercato del volume. La direzione viene scambiato può essere quello di un bene in sé (lo slancio dei corsi azionari, per esempio, o le euroU. S. Tasso di cambio dollaro) o un fattore che influenza direttamente il prezzo dell'attività stessa (ad esempio, la volatilità implicita delle opzioni o di interesse i tassi dei titoli di Stato). di trading tecnico può anche comprendere l'utilizzo di medie mobili, fasce intorno la deviazione standard storica dei prezzi, i livelli di supporto e resistenza, e tassi di variazione. In genere, gli indicatori tecnici non costituirebbero l'unica base per un hedge fund strategia d'investimento quantitativa Fondi Hedge Quant impiegano molti fattori supplementari rispetto a prezzi storici e informazioni sul volume. In altre parole, gli hedge fund quantitativi che impiegano le strategie di trading direzionale in genere hanno strategie quantitative globali che sono molto più sofisticati di analisi tecnica generale. Questo non vuol dire che i commercianti di giorno non possono essere in grado di trarre profitto dalla Analysison tecnico al contrario, molte strategie di trading momentum a base può essere redditizia. Così, per gli scopi di questo modulo di formazione, i riferimenti a Quant Hedge Fund strategie di trading non includeranno solo le strategie di Analisi Tecnica-based. Altri Quantitative Strategies Altri approcci di trading quantitativo che non sono facilmente classificati come strategie di valore relativo o le strategie direzionali includono: High-Frequency Trading. dove i commercianti cercano di approfittare delle discrepanze di prezzo tra più piattaforme con molti mestieri tutto il giorno Managed strategie Volatilità utilizzano futures e contratti a termine di concentrarsi sulla generazione di basso, ma rendimenti stabili, Libor-plus assoluto, aumentando o diminuendo il numero di contratti dinamicamente le volatilità sottostanti del azionari, obbligazionari e in altri mercati spostano. Strategie di volatilità Managed hanno guadagnato in popolarità negli ultimi anni a causa della recente instabilità dei mercati azionari e obbligazionari. larrWhat è quantitativa Hedge Fund Principali Quantitative Strategies Hedge FundsrarrQuant - sono per voi quantitativi strategie di investimento si sono evoluti in strumenti molto complessi con l'avvento dei moderni computer, ma le strategie radici risalgono oltre 70 anni. Essi sono in genere gestiti da team altamente istruiti e utilizzare modelli proprietari per aumentare la loro capacità di battere il mercato. Ci sono anche i programmi off-the-shelf che sono plug-and-play per chi cerca semplicità. modelli Quant funzionano sempre bene quando torna testato, ma le loro applicazioni reali e tasso di successo sono discutibili. Mentre sembrano funzionare bene in mercati toro. quando i mercati vanno in tilt, le strategie di quant sono sottoposti agli stessi rischi come qualsiasi altra strategia. La storia Uno dei padri fondatori dello studio della teoria quantitativa applicata per il finanziamento è stato Robert Merton. Si può solo immaginare quanto sia difficile e richiede molto tempo il processo era prima l'uso del computer. Altre teorie della finanza si sono evoluti anche da alcuni dei primi studi quantitativi, compresa la base di diversificazione del portafoglio sulla base di moderna teoria di portafoglio. L'uso di entrambi finanza quantitativa e calcolo ha portato a molti altri strumenti comuni, tra cui uno dei più famosi, la formula del prezzo dell'opzione Black-Scholes, che aiuta non solo le opzioni investitori di prezzo e sviluppare strategie, ma aiuta a mantenere i mercati sotto controllo con la liquidità. Quando viene applicato direttamente alla gestione del portafoglio. l'obiettivo è come qualsiasi altra strategia di investimento. per aggiungere valore, alfa o rendimenti in eccesso. Quants, come gli sviluppatori sono chiamati, comporre complessi modelli matematici per individuare opportunità di investimento. Ci sono molti modelli là fuori come quants che li sviluppano, e tutti sostengono di essere il migliore. Uno di una quant strategys investimento best-seller punti è che il modello, e in ultima analisi il computer, prende la decisione buysell reale, non un essere umano. Questo tende a rimuovere ogni risposta emotiva che una persona può sperimentare per comprare o vendere investimenti. strategie Quant sono ora accettati nella comunità degli investitori e gestiti da fondi comuni, hedge fund e investitori istituzionali. Essi in genere vanno dai generatori nome alfa. o gens alfa. Dietro la cortina proprio come nel Mago di Oz, qualcuno è dietro la tenda guidare il processo. Come con qualsiasi modello, il suo solo buono come l'essere umano che si sviluppa il programma. Mentre non v'è alcun requisito specifico per diventare un Quant, la maggior parte delle imprese che eseguono modelli quant combinano le competenze di analisti finanziari, statistici e programmatori che il codice del processo nei computer. A causa della natura complessa dei modelli matematici e statistici, la sua comune vedere le credenziali come lauree e dottorati in finanza, economia, matematica e ingegneria. Storicamente, questi membri del team hanno lavorato negli uffici di back. ma come modelli quant è diventato più comune, il back office si sta muovendo al front office. Benefici delle strategie Quant Mentre il tasso globale di successo è discutibile, la ragione per alcune strategie di quant funzionano è che si basano sulla disciplina. Se il modello è di destra, la disciplina mantiene la strategia di lavorare con i computer fulminea velocità per sfruttare le inefficienze dei mercati sulla base di dati quantitativi. I modelli stessi possono essere basati su un minimo di un paio di rapporti come PE. debiti in capitale e la crescita degli utili, o utilizzare migliaia di ingressi che lavorano insieme allo stesso tempo. Strategie di successo possono prendere sulle tendenze nelle loro fasi iniziali, come i computer eseguono costantemente scenari per individuare inefficienze prima degli altri. I modelli sono in grado di analizzare un gruppo molto ampio di investimenti contemporaneamente, in cui l'analista tradizionale può guardare solo pochi alla volta. Il processo di screening possono votare tutte le cose con livelli di qualità come 1-5 o A-F a seconda del modello. Questo rende il processo di negoziazione reale molto semplice, investendo negli investimenti ad alto rating e vendendo quelli a basso rating. modelli Quant aprono anche le variazioni delle strategie come lungo, corto e longshort. fondi quant successo mantenere un occhio attento sul controllo del rischio a causa della natura dei loro modelli. La maggior parte delle strategie di iniziare con un universo o di riferimento e utilizzare settore e le ponderazioni di settore nei loro modelli. In questo modo i fondi di controllare la diversificazione in una certa misura, senza compromettere il modello stesso. fondi quant genere eseguite su una base di costo più basso perché non hanno bisogno, come molti analisti e gestori di portafoglio tradizionali per farli funzionare. Svantaggi di strategie Quant Ci sono ragioni per cui così tanti investitori non cogliere appieno il concetto di lasciare una scatola nera eseguire i loro investimenti. Per tutti i fondi quant successo là fuori, proprio come molti sembrano non avere successo. Purtroppo per la reputazione quants, quando falliscono, falliscono grande tempo. Long-Term Capital Management è stato uno dei più famosi hedge fund quant, come è stato gestito da alcuni dei leader accademici più rispettati e due economisti Nobel Memorial Prize-winning Myron S. Scholes e Robert C. Merton. Negli anni 1990, la loro squadra ha generato rendimenti superiori alla media e ha attirato capitali da tutti i tipi di investitori. Erano famosi non solo per sfruttare le inefficienze, ma utilizzando un facile accesso al capitale per creare enormi scommesse leva su indicazioni del mercato. La natura disciplinato della loro strategia in realtà creato la debolezza che ha portato alla loro collasso. Long-Term Capital Management è stata liquidata e sciolta nei primi mesi del 2000. I suoi modelli non includono la possibilità che il governo russo potrebbe di default su alcuni dei suoi debiti. Questo evento ha innescato eventi e una reazione a catena amplificato dal caos leva-creato. LTCM è stato così pesantemente coinvolto con altre operazioni di investimento che il suo crollo ha interessato i mercati mondiali, innescando eventi drammatici. Nel lungo periodo, la Federal Reserve è intervenuta per aiutare, e altre banche e fondi di investimento sostenuto LTCM per evitare ulteriori danni. Questo è uno dei motivi per fondi quant possono fallire, in quanto si basano su eventi storici che non possono includere eventi futuri. Mentre una squadra forte quant sarà l'aggiunta di sempre nuovi aspetti ai modelli per predire eventi futuri, la sua impossibile prevedere il futuro ogni volta. fondi quant possono anche essere sopraffatti quando l'economia ed i mercati stanno vivendo volatilità superiore alla media. I segnali di acquisto e vendita possono venire così rapidamente che il turnover può creare alte commissioni e gli eventi imponibili. fondi quant possono anche rappresentare un pericolo quando sono commercializzati come l'orso a prova o si basano su strategie a breve. Prevedere flessioni. utilizzando derivati ​​e combinando leva può essere pericoloso. Una curva sbagliata può portare a implosioni, che spesso fanno notizia. La linea di fondo strategie di investimento quantitative sono evoluti da back office scatole nere a strumenti di investimento tradizionali. Essi sono progettati per utilizzare le migliori menti del settore e dei computer più veloci sia per sfruttare le inefficienze e utilizzare la leva per fare le scommesse del mercato. Possono essere molto successo se i modelli hanno incluso tutti gli input giusti e sono abbastanza agili per predire eventi di mercato anomali. Il rovescio della medaglia, mentre i fondi quant sono rigorosamente testati indietro fino a quando non lavorano, il loro punto debole è che si basano su dati storici per il loro successo. Mentre Quant stile di investimento ha il suo posto nel mercato, è importante essere consapevoli dei suoi difetti e rischi. Per essere coerenti con le strategie di diversificazione. è una buona idea per il trattamento di strategie quant come stile di investimento e combinarlo con le strategie tradizionali per realizzare un'adeguata diversificazione. L'articolo 50 è una clausola di negoziazione e di regolamento nel trattato UE che delinea i passi da compiere per qualsiasi paese che. Un offerta iniziale su un fallito company039s beni da un acquirente interessato scelto dalla società fallita. Da un pool di offerenti. Beta è una misura della volatilità o rischio sistematico, di sicurezza o di un portafoglio rispetto al mercato nel suo complesso. Un tipo di imposta riscossa sulle plusvalenze sostenute da individui e aziende. Le plusvalenze sono i profitti che un investitore. Un ordine per l'acquisto di un titolo pari o inferiore a un determinato prezzo. Un ordine di acquisto limite consente agli operatori e agli investitori di specificare. Un Internal Revenue Service (IRS) regola che consente per i prelievi senza penalità da un account IRA. La norma richiede that. Beginner39s Guida al Trading Quantitative In questo articolo ho intenzione di farvi conoscere alcuni dei concetti di base che accompagnano un sistema di scambio quantitativa end-to-end. Questo post, si spera, servirà due tipi di pubblico. Il primo sarà individui che cercano di ottenere un lavoro presso un fondo come un commerciante quantitativa. Il secondo sarà individui che desiderano cercare di creare la propria attività di vendita al dettaglio di trading algoritmico. il commercio quantitativa è una zona estremamente sofisticato della finanza quant. Si può prendere una notevole quantità di tempo per acquisire le conoscenze necessarie per superare un colloquio o costruire le proprie strategie di trading. Non solo, ma richiede una vasta esperienza di programmazione, per lo meno in un linguaggio come MATLAB, R o Python. Tuttavia, come la frequenza di trading degli aumenti di strategia, gli aspetti tecnologici diventano molto più rilevante. Così avere familiarità con CC sarà di fondamentale importanza. Un sistema di trading quantitativa è costituito da quattro componenti principali: strategia di identificazione - Trovare una strategia, sfruttando un bordo e decidere la frequenza di trading backtesting strategia - raccolta dei dati, l'analisi delle prestazioni strategia e la rimozione di pregiudizi Execution System - Collegamento a una società di intermediazione, automatizzando il trading e riducendo al minimo costi di transazione Risk Management - allocazione del capitale ottimale, scommessa criterio sizeKelly e la psicologia commerciale ben cominciare dare un'occhiata a come identificare una strategia di trading. Strategia Identificazione Tutti i processi di trading quantitativo iniziano con un periodo iniziale di ricerca. Questo processo di ricerca comprende trovare una strategia, vedere se la strategia si inserisce in un portafoglio di altre strategie si può essere in esecuzione, ottenendo tutti i dati necessari per verificare la strategia e cercando di ottimizzare la strategia di rendimenti più alti Andor rischio più basso. Sarà necessario fattore nei propri requisiti di capitale se si esegue la strategia come un commerciante al dettaglio e come eventuali costi di transazione influenzerà la strategia. Contrariamente alla credenza popolare, è in realtà abbastanza semplice da trovare strategie redditizie attraverso varie fonti pubbliche. Gli accademici pubblicano regolarmente risultati commerciali teorici (anche se in gran parte al lordo dei costi di transazione). blog finanza quantitativa discuteranno strategie in dettaglio. Riviste specializzate illustrerà alcune delle strategie impiegate dai fondi. Si potrebbe in discussione per cui gli individui e le imprese sono pronti a discutere le loro strategie redditizie, soprattutto quando sanno che gli altri affollano il commercio possono fermare la strategia di operare nel lungo termine. La ragione sta nel fatto che essi non saranno spesso discutere i parametri esatti e metodi di ottimizzazione che hanno concluso. Queste ottimizzazioni sono la chiave per trasformare una strategia relativamente mediocre in uno altamente redditizio. In effetti, uno dei migliori modi per creare le proprie strategie uniche è quello di trovare metodi simili e quindi effettuare la propria procedura di ottimizzazione. Ecco un piccolo elenco di luoghi per iniziare alla ricerca di idee di strategia: Molte delle strategie guarderete cadrà nelle categorie di ritorno alla media e trend-followingmomentum. Una strategia medio-ripristino è uno che tenta di sfruttare il fatto che significa a lungo termine in una serie di prezzo (ad esempio lo spread tra due attività correlate) esista e deviazioni a breve termine di questo medio finirà ripristinare. Una strategia momentum tenta di sfruttare sia la psicologia degli investitori e grande struttura del fondo da hitching un giro su un trend di mercato, che può raccogliere slancio in una direzione, e seguire il trend fino a quando non si inverte. Un altro aspetto estremamente importante del trading quantitativa è la frequenza della strategia di trading. commercio di bassa frequenza (LFT) si riferisce in generale a qualsiasi strategia che detiene le attività più di un giorno di negoziazione. Corrispondentemente, la negoziazione ad alta frequenza (HFT) si riferisce generalmente ad una strategia che detiene attività intraday. Ultra-high frequency trading (UHFT) si riferisce a strategie che detengono asset nell'ordine di secondi e millisecondi. Come praticante di vendita al dettaglio HFT e UHFT sono certamente possibile, ma solo con la conoscenza dettagliata della tecnologia di scambio di stack e del libro ordine dinamiche. Non ci occuperemo discutere di questi aspetti in misura rilevante in questo articolo introduttivo. Una volta che una strategia, o un insieme di strategie, è stata identificata ora ha bisogno di essere testati per la redditività sui dati storici. Questo è il dominio di backtesting. Strategia Backtesting L'obiettivo di backtesting è quello di fornire la prova che la strategia individuata attraverso il processo di cui sopra è vantaggioso se applicato a entrambi i dati storici e out-of-campione. Questo imposta l'aspettativa di come la strategia si esibirà nel mondo reale. Tuttavia, backtesting non è una garanzia di successo, per vari motivi. È forse la zona più sottile di negoziazione quantitativa quanto comporta numerosi pregiudizi, che devono essere attentamente considerati ed eliminate il più possibile. Discuteremo i tipi comuni di distorsione tra cui pregiudizi look-ahead. bias di sopravvivenza e la polarizzazione ottimizzazione (noto anche come bias di dati-snooping). Altre aree di importanza all'interno backtesting includono la disponibilità e la pulizia dei dati storici, il factoring in costi di transazione realistici e decidere su una piattaforma robusta backtesting. Beh discutere ulteriormente i costi di transazione nella sezione Execution System di seguito. Una volta che una strategia è stato identificato, è necessario ottenere i dati storici attraverso i quali effettuano prove e, forse, raffinatezza. Ci sono un numero significativo di fornitori di dati in tutte le classi di attività. I loro costi generalmente scala con la qualità, la profondità e la tempestività dei dati. Il punto di partenza tradizionale per l'inizio commercianti quant (almeno a livello di vendita al dettaglio) è quello di utilizzare i dati sulla impostati da Yahoo Finance. I wont soffermo sui fornitori di troppo qui, piuttosto vorrei concentrarmi sulle questioni generali quando si tratta di insiemi di dati storici. Le principali preoccupazioni con i dati storici includono accuracycleanliness, pregiudizi sopravvivenza e la regolazione per le azioni aziendali come dividendi e frazionamenti azionari: Precisione riguarda la qualità complessiva dei dati - se contiene gli eventuali errori. Errori possono talvolta essere facili da identificare, ad esempio con un filtro di picco. che sarà individuare i picchi non corrette nei dati di serie temporali e corretta per loro. Altre volte possono essere molto difficili da individuare. Spesso è necessario avere due o più fornitori e quindi controllare tutti i loro dati contro l'altro. bias di sopravvivenza è spesso una caratteristica di set di dati gratuite o economiche. Un set di dati con pregiudizi sopravvivenza significa che non contiene le attività che non sono più commerciali. Nel caso di azioni questo significa scorte delistedbankrupt. Questo pregiudizio significa che qualsiasi strategia di trading azionario testato su tale set di dati sarà probabilmente un rendimento migliore rispetto nel mondo reale, come i vincitori storici sono già stati preselezionati. azioni Corporate comprendono le attività logistiche svolte dalla società che di solito causano un cambiamento di passo-funzione nel prezzo grezzo, che non dovrebbe essere incluso nel calcolo dei rendimenti del prezzo. Rettifiche per dividendi e frazionamenti azionari sono i colpevoli comuni. Un processo noto come registrazione posteriore è necessario da effettuare in ciascuna di queste azioni. Bisogna stare molto attenti a non confondere un frazionamento azionario con una vera e propria regolazione ritorni. Molti un commerciante è stato catturato da una corporate action Al fine di effettuare una procedura di backtest è necessario utilizzare una piattaforma software. Avete la scelta tra il software backtest dedicato, come ad esempio Tradestation, una piattaforma numerica come Excel o Matlab o un'implementazione personalizzata completo in un linguaggio di programmazione come Python o C. I wont soffermarsi troppo su Tradestation (o simili), Excel o MATLAB, come credo nella creazione di una tecnologia stack completo in-house (per i motivi descritti di seguito). Uno dei vantaggi di farlo è che il sistema di software e l'esecuzione backtest può essere strettamente integrato, anche con le strategie statistici estremamente avanzati. Per le strategie HFT, in particolare, è indispensabile utilizzare un'implementazione personalizzata. Quando un sistema di backtesting uno deve essere in grado di quantificare quanto bene si sta eseguendo. Le metriche standard di settore per strategie quantitative sono il massimo prelievo e la Sharpe Ratio. Il prelievo massimo caratterizza il maggior calo picco-valle nella curva conto capitale per un determinato periodo di tempo (di solito annuale). Questo è più spesso citato come percentuale. strategie LFT tenderanno ad avere utilizzi più grandi rispetto strategie HFT, a causa di una serie di fattori statistici. Un backtest storica mostrerà il passato drawdown massimo, che è una buona guida per il rendimento futuro prelievo della strategia. La seconda misura è il rapporto Sharpe, che è euristicamente definito come la media dei rendimenti in eccesso diviso per la deviazione standard di tali rendimenti superiori. Qui, rendimenti in eccesso si riferisce al ritorno della strategia di sopra di un punto di riferimento predeterminato. come ad esempio la SP500 o 3 mesi Treasury Bill. Si noti che il ritorno annualizzato non è una misura di solito utilizzato, in quanto non tiene conto della volatilità della strategia (a differenza della Sharpe Ratio). Una volta che una strategia è stata backtested ed è considerata senza pregiudizi (in quanto è possibile), con un buon Sharpe e prelievi minimizzato, è il momento di costruire un sistema di esecuzione. Execution Systems Un sistema esecutivo è il mezzo per cui la lista dei traffici generati dalla strategia sono inviati e eseguito dal broker. Nonostante il fatto che la generazione commercio può essere parzialmente o addirittura completamente automatizzato, il meccanismo di esecuzione può essere manuale, semi-manuale (cioè uno scatto) o completamente automatizzato. Per le strategie di LFT, tecniche manuali e semi-manuali sono comuni. Per le strategie HFT è necessario creare un meccanismo di esecuzione completamente automatizzato, che sarà spesso strettamente accoppiato con il generatore commercio (a causa della interdipendenza di strategia e tecnologia). Le considerazioni chiave quando si crea un sistema di esecuzione sono l'interfaccia di intermediazione. minimizzazione dei costi di transazione (incluse le provvigioni, lo slittamento e la diffusione) e divergenza di prestazioni del sistema da prestazioni backtested. Ci sono molti modi per interfacciarsi ad una società di intermediazione. Si va da richiamare il broker al telefono fino ad un Application Programming Interface ad alte prestazioni completamente automatizzato (API). Idealmente si desidera automatizzare l'esecuzione dei vostri commerci il più possibile. In questo modo si libera fino a concentrarsi su ulteriori ricerche, così come permettono di eseguire più strategie o anche strategie di frequenza più alta (in realtà, HFT è sostanzialmente impossibile senza esecuzione automatica). Il software di backtesting comune di cui sopra, come ad esempio MATLAB, Excel e Tradestation sono buoni per frequenza più bassa, le strategie più semplici. Tuttavia sarà necessario costruire un sistema di esecuzione in-house scritto in un linguaggio ad alte prestazioni come ad esempio C al fine di fare una vera e propria HFT. Come un aneddoto, nel fondo ho usato per essere impiegato presso, abbiamo avuto un ciclo di trading 10 minuti dove avremmo scaricare i nuovi dati di mercato ogni 10 minuti e poi eseguire operazioni sulla base di tali informazioni nello stesso lasso di tempo. Questo stava usando uno script Python ottimizzato. Per qualcosa che si avvicini dati minuto - o di seconda frequenza, credo CC sarebbe più ideale. In un fondo più grande spesso non è il dominio del commerciante quant per ottimizzare l'esecuzione. Tuttavia, in piccoli negozi o imprese HFT, i commercianti sono gli esecutori e quindi una skillset molto più ampia è spesso desiderabile. Tenete a mente che se si desidera essere impiegato da un fondo. Le vostre abilità di programmazione saranno altrettanto importante, se non di più, di quanto le statistiche ed econometria talenti Un'altra questione importante che ricade sotto la bandiera di esecuzione è quello della minimizzazione dei costi di transazione. Ci sono generalmente tre componenti a costi di transazione: Commissioni (o imposta), che sono i canoni imposti dalla mediazione, lo scambio e la SEC (o simile ente governativo di regolamentazione) lo slittamento, che è la differenza tra quello che intendeva l'ordine di essere riempita in rispetto a ciò che in realtà è stato riempito alla diffusione, che è la differenza tra il prezzo del titolo bidask essere stato ceduto. Si noti che la diffusione non è costante e dipende dalla liquidità corrente (cioè la disponibilità degli ordini buysell) nel mercato. I costi di transazione possono fare la differenza tra una strategia estremamente redditizia con un buon indice di Sharpe e una strategia estremamente redditizia con un terribile indice di Sharpe. Può essere una sfida di prevedere correttamente i costi di transazione da un backtest. A seconda della frequenza della strategia, è necessario l'accesso ai dati di cambio storici, che comprenderà i dati tick per i prezzi bidask. Intere squadre di quants sono dedicati all'ottimizzazione di esecuzione in fondi più grandi, per questi motivi. Prendere in considerazione lo scenario in cui un fondo ha bisogno di scaricare una quantità notevole di scambi (di cui le ragioni per farlo sono molte e varie). Dal dumping tante azioni sul mercato, essi rapidamente deprimere il prezzo e non possono ottenere esecuzione ottimale. Quindi esistono algoritmi che gocciolamento mangimi ordini sul mercato, anche se poi il fondo corre il rischio di slittamento. Oltre a ciò, altre strategie predano queste necessità e possono sfruttare le inefficienze. Questo è il dominio della struttura del fondo di arbitraggio. Il problema principale finale per i sistemi di esecuzione riguarda divergenza di rendimento della strategia di prestazioni backtested. Ciò può accadere per una serie di motivi. Weve già discusso pregiudizi look-ahead e pregiudizi ottimizzazione in profondità, quando si considera estensivi. Tuttavia, alcune strategie non rendono facile da testare per questi pregiudizi prima della distribuzione. Ciò si verifica in HFT più predominante. Ci possono essere bug nel sistema di esecuzione, nonché la strategia di trading in sé che non compare su un backtest ma mostrano in trading dal vivo. Il mercato potrebbe essere stato oggetto di un cambiamento di regime a seguito della distribuzione della vostra strategia. New regulatory environments, changing investor sentiment and macroeconomic phenomena can all lead to divergences in how the market behaves and thus the profitability of your strategy. Risk Management The final piece to the quantitative trading puzzle is the process of risk management . Risk includes all of the previous biases we have discussed. It includes technology risk, such as servers co-located at the exchange suddenly developing a hard disk malfunction. It includes brokerage risk, such as the broker becoming bankrupt (not as crazy as it sounds, given the recent scare with MF Global). In short it covers nearly everything that could possibly interfere with the trading implementation, of which there are many sources. Whole books are devoted to risk management for quantitative strategies so I wontt attempt to elucidate on all possible sources of risk here. Risk management also encompasses what is known as optimal capital allocation . which is a branch of portfolio theory . This is the means by which capital is allocated to a set of different strategies and to the trades within those strategies. It is a complex area and relies on some non-trivial mathematics. The industry standard by which optimal capital allocation and leverage of the strategies are related is called the Kelly criterion . Since this is an introductory article, I wont dwell on its calculation. The Kelly criterion makes some assumptions about the statistical nature of returns, which do not often hold true in financial markets, so traders are often conservative when it comes to the implementation. Another key component of risk management is in dealing with ones own psychological profile. There are many cognitive biases that can creep in to trading. Although this is admittedly less problematic with algorithmic trading if the strategy is left alone A common bias is that of loss aversion where a losing position will not be closed out due to the pain of having to realise a loss. Similarly, profits can be taken too early because the fear of losing an already gained profit can be too great. Another common bias is known as recency bias . This manifests itself when traders put too much emphasis on recent events and not on the longer term. Then of course there are the classic pair of emotional biases - fear and greed. These can often lead to under - or over-leveraging, which can cause blow-up (i. e. the account equity heading to zero or worse) or reduced profits. As can be seen, quantitative trading is an extremely complex, albeit very interesting, area of quantitative finance. I have literally scratched the surface of the topic in this article and it is already getting rather long Whole books and papers have been written about issues which I have only given a sentence or two towards. For that reason, before applying for quantitative fund trading jobs, it is necessary to carry out a significant amount of groundwork study. At the very least you will need an extensive background in statistics and econometrics, with a lot of experience in implementation, via a programming language such as MATLAB, Python or R. For more sophisticated strategies at the higher frequency end, your skill set is likely to include Linux kernel modification, CC, assembly programming and network latency optimisation. If you are interested in trying to create your own algorithmic trading strategies, my first suggestion would be to get good at programming. My preference is to build as much of the data grabber, strategy backtester and execution system by yourself as possible. If your own capital is on the line, wouldnt you sleep better at night knowing that you have fully tested your system and are aware of its pitfalls and particular issues Outsourcing this to a vendor, while potentially saving time in the short term, could be extremely expensive in the long-term. Just Getting Started with Quantitative Trading