Algo Trading Strategi

Grunnleggende om Algoritmisk handel: Konsepter og eksempler En algoritme er et spesifikt sett med klart definerte instruksjoner som skal utføre en oppgave eller prosess. Algoritmisk handel (automatisert handel, svart bokhandel eller ganske enkelt algo-trading) er prosessen med å bruke datamaskiner som er programmert til å følge et definert sett med instruksjoner for å sette en handel for å generere fortjeneste med en hastighet og frekvens som er umulig for en menneskelig næringsdrivende. De definerte settene av regler er basert på timing, pris, kvantitet eller hvilken som helst matematisk modell. Bortsett fra profittmuligheter for næringsdrivende, gjør algo-trading markeder mer likvide og gjør handel mer systematisk ved å utelukke følelsesmessige menneskelige konsekvenser for handelsaktiviteter. Anta at en næringsdrivende følger disse enkle handlekriteriene: Kjøp 50 aksjer på en aksje når 50-dagers glidende gjennomsnitt går over 200-dagers glidende gjennomsnitt. Selg aksjer på aksjene når 50-dagers glidende gjennomsnitt går under 200-dagers glidende gjennomsnitt Ved å bruke dette settet med to enkle instruksjoner, er det enkelt å skrive et dataprogram som automatisk overvåker aksjekursen (og de bevegelige gjennomsnittlige indikatorene) og legger kjøps - og salgsordrene når de definerte betingelsene er oppfylt. Trafikken trenger ikke lenger å holde øye med livepriser og grafer, eller legge inn ordrene manuelt. Det algoritmiske handelssystemet gjør det automatisk for ham ved korrekt å identifisere handelsmuligheten. (For mer om å flytte gjennomsnitt, se: Enkle bevegelige gjennomsnittsverdier Gjør utfordringer.) Algo-trading gir følgende fordeler: Handler utført til best mulig pris Øyeblikkelig og nøyaktig handelsordreplassering (derved høye muligheter for utførelse på ønsket nivå) Handler tidsbestemt korrekt og øyeblikkelig for å unngå betydelige prisendringer. Reduserte transaksjonskostnader (se gjennomføringsbristeksemplet nedenfor) Samtidig automatisert kontroll av flere markedsforhold. Redusert risiko for manuelle feil i å plassere bransjene. Teste algoritmen basert på tilgjengelige historiske og sanntidsdata Redusert Mulighet for feil av menneskelige handelsfolk basert på følelsesmessige og psykologiske faktorer Den største delen av dagens algo-trading er HFT (High Frequency Trading), som forsøker å kapitalisere seg på å plassere et stort antall bestillinger med svært høye hastigheter på tvers av flere markeder og flere beslutninger parametere, basert på forhåndsprogrammerte instruksjoner. (For mer om handel med høyfrekvent handel, se: Strategier og hemmeligheter for høyfrekvenshandelsvirksomhet). Algo-trading brukes i mange former for handels - og investeringsaktiviteter, blant annet: Midtre til langsiktige investorer eller kjøpsselskaper (pensjonskasser , fond, forsikringsselskaper) som kjøper i aksjer i store mengder, men ikke vil påvirke aksjekursene med diskrete, store voluminvesteringer. Kortsiktige forhandlere og selger sidedeltakere (markedstakere, spekulanter og arbitragerer) drar nytte av automatisert handelstiltak i tillegg, algo-trading hjelpemidler for å skape tilstrekkelig likviditet for selgere i markedet. Systematiske handelsfolk (trendfølgere, parhandlere, hedgefond etc.) finner det mye mer effektivt å programmere handelsreglene og la programmet handle automatisk. Algoritmisk handel gir en mer systematisk tilnærming til aktiv handel enn metoder basert på en menneskelig handlende intuisjon eller instinkt. Algoritmiske handelsstrategier Enhver strategi for algoritmisk handel krever en identifisert mulighet som er lønnsom når det gjelder bedre inntjening eller kostnadsreduksjon. Følgende er vanlige handelsstrategier som brukes i algo-trading: De vanligste algoritmiske handelsstrategiene følger trender i flytende gjennomsnitt. kanalutbrudd. prisnivåbevegelser og tilhørende tekniske indikatorer. Dette er de enkleste og enkleste strategiene for å implementere gjennom algoritmisk handel fordi disse strategiene ikke innebærer å gjøre noen spådommer eller prisprognoser. Handler er initiert basert på forekomsten av ønskelige trender. som er enkle og enkle å implementere gjennom algoritmer uten å komme inn i kompleksiteten av prediktiv analyse. Ovennevnte eksempel på 50 og 200 dagers glidende gjennomsnitt er en populær trend-strategi. (For mer om trend trading strategier, se: Enkle strategier for kapitalisering på trender.) Å kjøpe en dobbelt børsnotert aksje til en lavere pris i ett marked og samtidig selge den til en høyere pris i et annet marked, tilbyr prisforskjellen som risikofri gevinst eller arbitrage. Samme operasjon kan replikeres for aksjer kontra futures instrumenter, da prisforskjeller eksisterer fra tid til annen. Implementering av en algoritme for å identifisere slike prisforskjeller og å plassere ordrene gir lønnsomme muligheter på en effektiv måte. Indeksfondene har definert perioder med rebalansering for å bringe sine beholdninger på nivå med sine respektive referanseindekser. Dette skaper lønnsomme muligheter for algoritmiske handelsmenn, som utnytter forventede bransjer som tilbyr 20-80 basispoeng fortjeneste avhengig av antall aksjer i indeksfondet, like før indeksfondets rebalansering. Slike handler initieres via algoritmiske handelssystemer for rettidig utførelse og beste priser. Mange påviste matematiske modeller, som delta-nøytral handelsstrategi, som tillater handel på kombinasjon av opsjoner og underliggende sikkerhet. hvor handler er plassert for å kompensere positive og negative deltakere slik at porteføljens delta blir opprettholdt til null. Gjennomsnittlig reverseringsstrategi er basert på ideen om at høye og lave priser på en eiendel er et midlertidig fenomen som regelmessig vender tilbake til gjennomsnittlig verdi. Identifisere og definere et prisklasse og en implementeringsalgoritme basert på det tillater handel å bli plassert automatisk når prisen på aktivet bryter inn og ut av sitt definerte område. Volumvektet gjennomsnittsprisstrategi bryter opp en stor ordre og frigjør dynamisk bestemte mindre biter av ordren til markedet ved hjelp av aksjespesifikke historiske volumprofiler. Målet er å gjennomføre bestillingen nær Volumvektet Gjennomsnittlig Pris (VWAP), og derved nytte av gjennomsnittsprisen. Tidsvektet gjennomsnittsprisstrategi bryter opp en stor ordre og frigjør dynamisk bestemte mindre biter av ordren til markedet ved å bruke jevnt fordelte tidsluker mellom en start og sluttid. Målet er å gjennomføre bestillingen nær gjennomsnittlig pris mellom start - og sluttider, og dermed minimere markedsvirkningen. Inntil handelsordren er fullstendig, fortsetter denne algoritmen å sende partielle ordrer, i henhold til definert deltakelsesforhold og i henhold til volumet som handles på markedene. Den relaterte trinnstrategien sender ordrer til en brukerdefinert prosentandel av markedsvolumer og øker eller reduserer denne deltakelsesraten når aksjekursen når brukerdefinerte nivåer. Strategien for gjennomføring av mangler har til hensikt å minimere eksekveringsprisen for en ordre ved å avregne realtidsmarkedet, og dermed spare på kostnadene for ordren og dra nytte av mulighetskostnaden ved forsinket utførelse. Strategien vil øke den målrettede deltakelsesraten når aksjekursen beveger seg gunstig og reduserer den når aksjekursen beveger seg negativt. Det er noen spesielle klasser av algoritmer som forsøker å identifisere hendelser på den andre siden. Disse sniffingsalgoritmene, som for eksempel brukes av en selger side markedsfører, har den innebygde intelligensen for å identifisere eksistensen av noen algoritmer på kjøpssiden av en stor ordre. Slik gjenkjenning gjennom algoritmer vil hjelpe markedsmakeren til å identifisere store ordre muligheter og gjøre det mulig for ham å få fordel ved å fylle ordrene til en høyere pris. Dette er noen ganger identifisert som high-tech front-running. (For mer om høyfrekvent handel og bedragerisk praksis, se: Hvis du kjøper aksjer på nettet, er du involvert i HFT.) Tekniske krav til algoritmisk handel Implementering av algoritmen ved hjelp av et dataprogram er den siste delen, klubbbedret med backtesting. Utfordringen er å omdanne den identifiserte strategien til en integrert datastyrt prosess som har tilgang til en handelskonto for å plassere ordrer. Følgende er nødvendige: Programmeringskunnskap for å programmere den nødvendige handelsstrategien, innleid programmører eller ferdigstillet handelsprogramvare Nettverkstilkobling og tilgang til handelsplattformer for å plassere ordrene Tilgang til markedsdata feeds som vil bli overvåket av algoritmen for muligheter til plassering ordrer Evnen og infrastrukturen til å sikkerhetskopiere systemet en gang bygget, før den går live på ekte markeder Tilgjengelig historisk data for backtesting, avhengig av kompleksiteten av regler implementert i algoritmen Her er et omfattende eksempel: Royal Dutch Shell (RDS) er notert på Amsterdam Børs (AEX) og London Stock Exchange (LSE). Lar bygge en algoritme for å identifisere arbitrage muligheter. Her er noen interessante observasjoner: AEX handler i euro, mens LSE handler i Sterling Pounds På grunn av en times tidsforskjell åpner AEX en time tidligere enn LSE, etterfulgt av begge børser som handler samtidig for de neste par timene og deretter handler kun i LSE under Den siste timen når AEX lukkes Kan vi undersøke muligheten for arbitragehandel på Royal Dutch Shell-børsen som er oppført på disse to markedene i to forskjellige valutaer. Et dataprogram som kan lese nåværende markedspriser. Prisene fra både LSE og AEX. A forex rate feed for GBP-EUR-vekslingskurs Bestill plasseringskapasitet som kan ordne bestillingen til riktig utveksling Tilbakestillingskapasitet på historiske prisfeeder Dataprogrammet bør utføre følgende: Les innkommende prisfôr av RDS-lager fra begge børser Ved hjelp av tilgjengelige valutakurser . konvertere prisen på en valuta til andre Hvis det eksisterer en stor nok prisavvik (rabatt på meglerkostnadene) som fører til en lønnsom mulighet, legger du kjøpsordren på lavere prissentral og salgsordre på høyere prissentral Hvis ordrene utføres som Ønsket, arbitrage fortjeneste vil følge Simple and Easy Imidlertid er praksis med algoritmisk handel ikke så enkelt å vedlikeholde og utføre. Husk at hvis du kan plassere en algo-generert handel, så kan de andre markedsdeltakere. Følgelig varierer prisene i milli - og til og med mikrosekunder. I eksemplet ovenfor, hva skjer hvis kjøpekjøpet ditt blir henrettet, men selger handel, da selgerprisene endrer seg når bestillingen din treffer markedet. Du vil ende opp med å sitte med en åpen stilling. gjøre arbitrage-strategien din verdiløs. Det er flere risikoer og utfordringer: for eksempel systemfeil, nettverkstilkoblingsfeil, tidsforsinkelse mellom handelsordre og utførelse, og viktigst av alt, ufullkomne algoritmer. Jo mer komplekse en algoritme, desto strengere backtesting er nødvendig før den blir satt i gang. Kvantitativ analyse av en algoritmeprestasjon spiller en viktig rolle og bør undersøkes kritisk. Det er spennende å gå for automatisering hjulpet av datamaskiner med en ide å tjene penger uten problemer. Men man må sørge for at systemet er grundig testet og at det stilles krav om grenser. Analytiske handelsfolk bør vurdere å lære programmerings - og byggesystemer alene, for å være sikre på å implementere de riktige strategiene på idiotsikker måte. Forsiktig bruk og grundig testing av algo-handel kan skape lønnsomme muligheter. En økonomisk teori om total utgifter i økonomien og dens effekter på produksjon og inflasjon. Keynesian økonomi ble utviklet. En beholdning av en eiendel i en portefølje. En porteføljeinvestering er laget med forventning om å tjene en avkastning på den. Dette. Et forhold utviklet av Jack Treynor som måler avkastning opptjent over det som kunne vært opptjent på en risikofri. Tilbakekjøp av utestående aksjer (tilbakekjøp) av et selskap for å redusere antall aksjer på markedet. Selskaper. En skattemessig tilbakebetaling er refusjon på skatter betales til en person eller husstand når den faktiske skatteforpliktelsen er mindre enn beløpet. Den monetære verdien av alle ferdige varer og tjenester som produseres innenfor et land039s grenser i en bestemt tidsperiode.8 Typer av algoritmiske Forex-strategier Skrevet 2 år siden 12:10 12. november 2014 2 kommentarer Som lovet, heres neste del av serien min på algoritmiske forex trading systemer. Sørg for at du sjekker ut den første delen på Hva du trenger å vite om Algo FX Trading før du leser. Denne handelstilgangen appellerer vanligvis til de som ønsker å eliminere eller redusere menneskelig følelsesmessig forstyrrelse i å gjøre handelsbeslutninger. Tross alt, kan kjøp eller salg signaler genereres ved hjelp av et programmert sett med instruksjoner og kan utføres rett på din handelsplattform. Amazeballs Heres mine penger Hvor skal jeg signere Hold hestene dine, unge padawan Sett dine hardt opptjente penger tilbake i lommeboken din og spender litt mer tid på å forstå algoritmisk handel først. For å begynne med, kan vi se på de forskjellige klassifiseringene av denne handelsmetoden. Algoritmiske handelsstrategier Det er åtte hovedtyper av algo trading basert på strategiene som brukes. Ganske overveldende, huh Selvfølgelig kan du også blande og matche disse strategiene, noe som gir så mange mulige kombinasjoner. En av de enkleste strategiene er rett og slett å følge markedstrender, med kjøp eller salg ordre generert basert på et sett av forhold oppfylt av tekniske indikatorer. Denne strategien kan også sammenligne historiske og nåværende data ved å forutse om trender sannsynligvis vil fortsette eller reversere. En annen grunnleggende form for algo trading strategi er det gjennomsnittlige reverseringssystemet, som opererer under antagelsen om at markeder er på 80-tiden. Svarte bokser som benytter denne strategien, beregner vanligvis en gjennomsnittlig aktivpris ved hjelp av historiske data og tar handler i påvente av dagens pris som returnerer til gjennomsnittsprisen. Noensinne prøve å handle nyheter. Vel, denne strategien kan gjøre det for deg Et nyhetsbasert algoritmisk handelssystem er vanligvis hekta på nyhetsledninger, som automatisk genererer handelssignaler avhengig av hvordan faktiske data viser seg i forhold til markedets konsensus eller tidligere data. Som du har lært i vår skoleleksjon om markedssentiment. kommersiell og ikke-kommersiell posisjonering kan også brukes til å fastslå markedstopp og bunn. Forex algo strategier basert på markedssentiment kan involvere bruk av COT-rapporten eller et system som oppdager ekstreme korte eller lange posisjoner. Flere moderne tilnærminger er også i stand til å skanne sosiale medier for å måle valutaspørsmål. Nå heres hvor det blir litt mer komplisert enn vanlig. Å gjøre bruk av arbitrage i algoritmisk handel betyr at systemet jakter på prisobalanser på tvers av ulike markeder og gir fortjeneste av disse. Siden forex prisforskjeller er i vanligvis mikropipene skjønt, youd trenger å handle virkelig store posisjoner for å gjøre betydelig fortjeneste. Triangulær arbitrage, som involverer to valutapar og en valuta kryss mellom de to, er også en populær strategi under denne klassifiseringen. 6. Høyfrekvent handel Som navnet antyder, opererer denne typen handelssystem ved lynrask hastighet, kjøper eller selger signaler og avsluttende handler i løpet av millisekunder. Disse bruker vanligvis arbitrage - eller scalping-strategier basert på raske prisfluktuasjoner og innebærer høye handelsvolumer. Dette er en strategi ansatt av store finansinstitusjoner som er veldig hemmelig om deres valutaposisjoner. I stedet for å plassere en stor lang eller kort posisjon med bare en megler bryter de opp sin handel til mindre stillinger og utfører disse under ulike meglere. Deres algoritme kan til og med gjøre det mulig for disse mindre handelsordrer å bli plassert på forskjellige tidspunkter for å holde andre markedsdeltakere fra å finne ut. På denne måten kan finansinstitusjoner utføre handler under normale markedsforhold uten plutselige prisfluktuasjoner. Detaljhandlere som holder øye med handelsvolumene, er i stand til å se kun toppen av isfjellet når det gjelder disse store handler. Hvis du tror at isberging er sneaky, så er stealth-strategien til og med sneakier. Isberging har vært så vanlig praksis de siste årene som hardcore market-observatører kunne hack inn i denne ideen og komme opp med en algoritme for å samle disse mindre ordrene og finne ut om en stor markedsaktør står bak alt. Som du sikkert har glemt, tar det en solid bakgrunn i finansmarkedsanalyse og dataprogrammering for å kunne designe slike sofistikerte handelsalgoritmer. Kvantitative analytikere eller quants er vanligvis trent i C, C eller Java programmering før de kan komme opp med algoritmiske handelssystemer. Ikke la det frata deg selv De første tre eller fire typer algoritmiske handelsstrategier bør allerede være svært kjent for deg hvis du har vært i handel for en stund, eller hvis du var en flittig student i vår School of Pipsology. Hold deg innstilt for neste del av denne serien, da jeg planlegger å fortelle deg om de siste utviklingene og fremtiden for algoritmisk FX-handel. Til neste uke Lag dine egne Forex Indikatorer Har du opprettet din egen indikator Nå kan du laste ned vår Marketscope Indicore SDK for å feilsøke og backtest din strategi. Marketscope Indicore Marketscope Indicore er ideell for de vanligste API-behovene, bygget spesielt for algoritmisk handel. Den brukte best for backtesting og strategi optimalisering når du bygger din egen handelsstrategi. Prebuilt, open source-strategier (15) og indikatorer (53) Gratis data på mer enn 80 instrumenter over 40 måneders data Et bredt spekter av bestilletyper, inkludert markeds-, grense-, stopp - og stoppgrenseordrer Komme i gang Har du allerede en FXCM-konto En FXCM-konto, inkludert gratis praksiskonto8212 ingen minimumsbalanse kreves En IDE eller tekstredigerer som kjører LUA (dvs. SciTE) Slik identifiserer du algoritmiske handelsstrategier I denne artikkelen vil jeg introdusere deg til metodene som jeg selv identifiserer lønnsomme algoritmiske handelsstrategier. Målet vårt i dag er å forstå i detalj hvordan du finner, evaluerer og velger slike systemer. Jeg forklarer hvordan identifiserende strategier er så mye om personlig preferanse som det handler om strategisk ytelse, hvordan man bestemmer typen og kvantiteten av historiske data for testing, hvordan man evaluerer en handelsstrategi uavhengig og endelig hvordan man går videre mot backtesting-fasen og strategiimplementering . Identifisere dine egne personlige preferanser for handel For å være en vellykket handelsmann - enten diskret eller algoritmisk - er det nødvendig å spørre deg selv om noen ærlige spørsmål. Trading gir deg muligheten til å miste penger i en alarmerende hastighet, så det er nødvendig å kjenne deg så mye som det er nødvendig å forstå din valgte strategi. Jeg vil si det viktigste hensynet i handel er å være klar over din egen personlighet. Trading og algoritmisk handel spesielt krever en betydelig grad av disiplin, tålmodighet og følelsesmessig løsrivelse. Siden du lar en algoritme utføre din handel for deg, er det nødvendig å bli løst for ikke å forstyrre strategien når den blir henrettet. Dette kan være ekstremt vanskelig, spesielt i perioder med utvidet drawdown. Imidlertid kan mange strategier som har vist seg å være svært lønnsomme i en backtest, bli ødelagt av enkel forstyrrelse. Forstå at hvis du ønsker å gå inn i algoritmisk handel, vil du bli følelsesmessig testet, og for å lykkes, er det nødvendig å arbeide gjennom disse vanskelighetene. Neste overveielse er en av tidene. Har du en heltidsjobb Fungerer du deltid Fungerer du hjemmefra eller har en lang pendling hver dag Disse spørsmålene vil bidra til å avgjøre frekvensen av strategien du bør søke. For de av dere i heltidsansatte, kan en intradag futures strategi ikke være hensiktsmessig (i hvert fall til den er fullt automatisert). Tidsbegrensningene vil også diktere strategiens metodikk. Hvis din strategi ofte handles og avhenger av dyre nyhetsstrømmer (for eksempel en Bloomberg-terminal), må du klart være realistisk om din evne til å kjøre dette på kontoret. For de av dere med mye tid eller ferdighetene For å automatisere strategien din, kan du ønske å se på en mer teknisk høyfrekvent trading (HFT) strategi. Min tro er at det er nødvendig å gjennomføre kontinuerlig forskning i dine handelsstrategier for å opprettholde en konsekvent lønnsom portefølje. Få strategier blir under radaren for alltid. Derfor vil en betydelig del av tiden som er allokert til handel, være i gjennomføring av pågående forskning. Spør deg selv om du er villig til å gjøre dette, da det kan være forskjellen mellom sterk lønnsomhet eller en langsom nedgang i tap. Du må også vurdere din handelskapital. Det generelt aksepterte ideelle minimumsbeløpet for en kvantitativ strategi er 50.000 USD (ca 35.000 for oss i Storbritannia). Hvis jeg begynte igjen, ville jeg begynne med et større beløp, sannsynligvis nærmere 100 000 USD (ca. 70 000). Dette skyldes at transaksjonskostnadene kan være ekstremt dyre for mellom - og høyfrekvensstrategier, og det er nødvendig å ha tilstrekkelig kapital til å absorbere dem i nedtellingstider. Hvis du vurderer å begynne med mindre enn 10 000 USD, må du begrense deg til lavfrekvente strategier, handel med en eller to eiendeler, da transaksjonskostnadene raskt vil spise inn i avkastningen. Interaktive meglere, som er en av de vennligste meglerne til de som har programmeringsevner, på grunn av API, har et minimumskonto på minst 10 000 USD. Programmeringsevner er en viktig faktor i å skape en automatisert algoritmisk handelsstrategi. Å være kunnskapsrik i et programmeringsspråk som C, Java, C, Python eller R, gjør det mulig å lage end-to-end datalagring, backtest-motor og kjøresystem selv. Dette har en rekke fordeler, hvorav sjef er evnen til å være helt klar over alle aspekter av handelsinfrastrukturen. Det lar deg også utforske de høyere frekvensstrategiene, da du vil være i full kontroll over teknologistakken din. Selv om dette betyr at du kan teste din egen programvare og eliminere feil, betyr det også mer tid på å koda opp infrastruktur og mindre på implementering av strategier, i hvert fall i den tidligere delen av din algo trading karriere. Du kan oppleve at du er komfortabel handel i Excel eller MATLAB og kan outsource utviklingen av andre komponenter. Jeg vil ikke anbefale dette, spesielt for de som handler med høy frekvens. Du må spørre deg selv hva du håper å oppnå ved algoritmisk handel. Er du interessert i en vanlig inntekt, hvor du håper å tegne inntekter fra din handelskonto. Eller er du interessert i en langsiktig kapitalgevinster og har råd til å handle uten behov for nedbetaling. Inntektsavhengighet vil diktere frekvensen av strategien din . Flere vanlige inntektsuttak vil kreve en høyere frekvenshandelstrategi med mindre volatilitet (dvs. et høyere Sharpe-forhold). Langsiktig handelsfolk har råd til en mer sederlig handelsfrekvens. Til slutt, bli ikke forvirret av tanken om å bli ekstremt velstående på kort tid. Algo trading er IKKE en rask rikskjema - om noe kan det bli en fattig rask ordning. Det krever betydelig disiplin, forskning, flid og tålmodighet for å lykkes i algoritmisk handel. Det kan ta måneder, om ikke år, å generere konsistent lønnsomhet. Sourcing Algoritmic Trading Ideas Til tross for vanlige oppfatninger om det motsatte, er det faktisk ganske greit å finne lønnsomme handelsstrategier i det offentlige området. Aldri har handelsideer vært mer tilgjengelig enn de er i dag. Akademisk finansjournaler, pre-print-servere, handelsblogger, handelsfora, ukentlige handelsblader og spesialtekster gir tusenvis av handelsstrategier som du kan basere dine ideer på. Vårt mål som kvantitative handelsforskere er å etablere en strategipipeline som vil gi oss en strøm av pågående handelsideer. Ideelt sett ønsker vi å skape en metodisk tilnærming til innkjøp, evaluering og implementering av strategier som vi kommer over. Målet med rørledningen er å skape en konsistent mengde nye ideer og gi oss et rammeverk for å avvise de fleste av disse ideene med det minste følelsesmessige hensyn. Vi må være svært forsiktige for ikke å la kognitive forstyrrelser påvirke vår beslutningsprosedyre. Dette kan være like enkelt som å ha en preferanse for en aktivaklasse over en annen (gull og andre edle metaller kommer til å tenke) fordi de oppfattes som mer eksotiske. Vårt mål bør alltid være å finne konsekvent lønnsomme strategier, med positiv forventning. Valget av aktivaklasse bør baseres på andre hensyn, som for eksempel handelskapitalbegrensninger, megleravgifter og innflytelsesmuligheter. Hvis du er helt ukjent med begrepet handelsstrategi, er det første stedet å se på med etablerte lærebøker. Klassiske tekster gir et bredt spekter av enklere, mer enkle ideer, som du kan gjøre kjent med kvantitativ handel. Her er et utvalg som jeg anbefaler for de som er ny til kvantitativ handel, som gradvis blir mer sofistikert når du arbeider gjennom listen: For en lengre liste over kvantitative handelsbøker, vennligst besøk QuantStart-leselisten. Det neste stedet for å finne mer sofistikerte strategier er med handelsfora og handelsblogger. Men et varsel: Mange handelsblogger stole på begrepet teknisk analyse. Teknisk analyse innebærer bruk av grunnleggende indikatorer og atferdspsykologi for å bestemme trender eller reverseringsmønstre i eiendomspriser. Til tross for at den er ekstremt populær i den samlede handelsplassen, anses teknisk analyse noe ineffektiv i det kvantitative finanssamfunnet. Noen har antydet at det ikke er bedre enn å lese et horoskop eller å studere teblad med hensyn til dens prediktive kraft. I virkeligheten er det vellykkede personer som benytter seg av teknisk analyse. Men som quants med en mer sofistikert matematisk og statistisk verktøykasse til disposisjon, kan vi enkelt evaluere effektiviteten av slike TA-baserte strategier og ta databaserte beslutninger fremfor å basere oss på følelsesmessige hensyn eller forutsetninger. Her er en liste over respekterte algoritmiske handelsblogger og fora: Når du har hatt litt erfaring med å evaluere enklere strategier, er det på tide å se på de mer sofistikerte faglige tilbudene. Noen akademiske tidsskrifter vil være vanskelig å få tilgang til, uten høye abonnementer eller engangskostnader. Hvis du er medlem eller alumnus på et universitet, bør du kunne få tilgang til noen av disse finansdokumenter. Ellers kan du se på pre-print servere. som er internettregistreringer av forsinkelser av akademiske artikler som gjennomgår peer review. Siden vi bare er interessert i strategier som vi med suksess kan kopiere, backtest og få lønnsomhet for, er en peer review av mindre betydning for oss. Den store ulempen med akademiske strategier er at de ofte også kan være utdaterte, krever uklare og dyre historiske data, handle i illikvide aktivaklasser eller ikke faktor i avgifter, slippe eller spre seg. Det kan også være uklart om handelsstrategien skal gjennomføres med markedsordrer, begrensningsordrer, eller om det inneholder stopptap etc. Det er derfor helt nødvendig å replikere strategien selv så godt du kan, backtest det og legge til i realistisk transaksjon kostnader som inkluderer så mange aspekter av aktivaklassene du ønsker å handle med. Her er en liste over de mer populære forhåndsskriverens servere og finansielle tidsskrifter som du kan opprette ideer fra: Hva med å danne dine egne kvantitative strategier Dette krever vanligvis ( men er ikke begrenset til) kompetanse i en eller flere av følgende kategorier: Markedsmikrostruktur - For høyere frekvensstrategier spesielt kan man benytte seg av markedsmikrostruktur. dvs. forståelse av orderbokdynamikken for å generere lønnsomhet. Ulike markeder vil ha ulike teknologiske begrensninger, forskrifter, markedsdeltakere og begrensninger som alle er åpne for utnyttelse via bestemte strategier. Dette er et meget sofistikert område, og detaljhandlerne vil finne det vanskelig å være konkurransedyktige i dette rommet, særlig da konkurransen inkluderer store, godt kapitaliserte kvantitative hedgefond med sterke teknologiske evner. Fondstruktur - Samlede investeringsfond, som pensjonskasser, private investeringspartnerskap (hedgefond), handelsvarerådgivere og verdipapirfond, er begrenset både av tung regulering og av store kapitalbeholdninger. Dermed kan visse konsekvente oppførelser utnyttes med de som er mer ferske. For eksempel er store midler utsatt for kapasitetsbegrensninger på grunn av deres størrelse. Dermed hvis de trenger å raskt avlaste (selge) en mengde verdipapirer, vil de måtte forskyve den for å unngå å flytte markedet. Sofistikerte algoritmer kan dra nytte av dette og andre idiosyncrasies, i en generell prosess kjent som fondstruktur arbitrage. Machine learningartificial intelligence - Maskininlæringsalgoritmer har blitt mer utbredt de siste årene i finansmarkedene. Klassifikatorer (som Naive-Bayes, et al.) Ikke-lineære funksjonskamper (neurale nettverk) og optimaliseringsrutiner (genetiske algoritmer) har alle blitt brukt til å forutsi aktivitetsbaner eller optimalisere handelsstrategier. Hvis du har bakgrunn i dette området, kan du få litt innsikt i hvordan bestemte algoritmer kan brukes til enkelte markeder. Det er selvsagt mange andre områder for quants å undersøke. Godt diskutere hvordan du kommer opp med tilpassede strategier i detalj i en senere artikkel. Ved å fortsette å overvåke disse kildene på en ukentlig eller daglig basis, setter du deg inn for å få en konsekvent liste over strategier fra et mangfoldig utvalg av kilder. Det neste trinnet er å bestemme hvordan du avviser en stor delmengde av disse strategiene for å minimere sløsing med tid og tilbakeprøvingsressurser på strategier som sannsynligvis vil være urentable. Evaluering av handelsstrategier Den første og uten tvil mest åpenbare vurdering er om du faktisk forstår strategien. Vil du være i stand til å forklare strategien konsistent eller krever det en rekke forsøk og endeløse parameterlister I tillegg har strategien et godt og solid grunnlag i virkeligheten For eksempel kan du peke på noen atferdsmessig begrunnelse eller fondstrukturbegrensning som kan forårsake det mønsteret du forsøker å utnytte Vil denne begrensningen holde fast i en regimebrytelse, for eksempel en dramatisk reguleringsmiljøforstyrrelse. Er strategien avhengig av komplekse statistiske eller matematiske regler. Gjelder det for enhver økonomisk tidsserie eller er Det er spesifikt for aktivaklassen at det hevdes å være lønnsomt. Du bør hele tiden tenke på disse faktorene når du vurderer nye handelsmetoder, ellers kan du kaste bort betydelig tid på å forsøke å backtest og optimalisere ulønnsomme strategier. Når du har bestemt deg for at du forstår de grunnleggende prinsippene i strategien, må du avgjøre om den passer med din personlighets profil. Dette er ikke så vett en vurdering som det høres Strategier vil avvike vesentlig i deres ytelsesegenskaper. Det er visse personlighetstyper som kan håndtere mer signifikante perioder med drawdown, eller er villige til å akseptere større risiko for større avkastning. Til tross for at vi som quants forsøker å eliminere så mye kognitiv bias som mulig og bør kunne evaluere en strategi uhensiktsmessig, vil biases alltid krype inn. Derfor trenger vi et konsistent, unemotional middel for å vurdere resultatene av strategier . Her er listen over kriterier som jeg dømmer en potensiell ny strategi ved: Metodikk - Er strategisk momentum basert, gjennombrudd, markedsnøytral, retningsbestemt Støtter strategien seg på sofistikerte (eller komplekse) statistiske eller maskinlæringsteknikker som er vanskelige å forstå og kreve en doktorgrad i statistikk å forstå Går disse teknikkene inn i en betydelig mengde parametre, noe som kan føre til optimaliseringsforstyrrelser. Er strategien sannsynlig å motstå en regimebift (dvs. potensiell ny regulering av finansmarkeder). Sharpe Ratio - Sharpe-forholdet heuristisk kjennetegner rewardrisk ratio av strategien. Det kvantifiserer hvor mye avkastning du kan oppnå for nivået av volatilitet utholdt av egenkapitalkurven. Naturligvis må vi bestemme perioden og frekvensen som disse returnerer og volatilitet (dvs. standardavvik) måles over. En høyere frekvensstrategi vil kreve større samplingsfrekvens for standardavvik, men en kortere totalmålingstid, for eksempel. Utnyttelse - Trenger strategien betydelig innflytelse for å være lønnsomt Trenger strategien bruk av leverede derivatkontrakter (futures, opsjoner, swaps) for å gi avkastning Disse leverte kontrakter kan ha stor volatilitet karakteriserer og kan dermed lett føre til marginsamtaler. Har du handelskapitalen og temperamentet for en slik volatilitet Frekvens? Strategienes frekvens er nært knyttet til teknologistakken din (og dermed teknologisk kompetanse), Sharpe-forholdet og det totale transaksjonskostnadene. Alle andre saker som anses, krever høyere frekvensstrategier mer kapital, er mer sofistikert og vanskeligere å implementere. Imidlertid, forutsatt at din backtesting motor er sofistikert og feilfri, vil de ofte ha langt høyere Sharpe-forhold. Volatilitet - Volatilitet er sterkt knyttet til risikoen for strategien. Sharpe-forholdet karakteriserer dette. Høyere volatilitet i de underliggende aktivaklassene, hvis dekkes av, fører ofte til høyere volatilitet i egenkapitalkurven og dermed mindre Sharpe-forhold. Jeg antar selvsagt at den positive volatiliteten er omtrent lik den negative volatiliteten. Noen strategier kan ha større nedadgående volatilitet. Du må være oppmerksom på disse egenskapene. WinLoss, Gjennomsnittlig ProfitLoss - Strategier vil variere i deres winloss og gjennomsnittlige profitloss egenskaper. Man kan ha en svært lønnsom strategi, selv om antall tapende handler overskrider antall vinnende handler. Momentum strategier har en tendens til å ha dette mønsteret som de stole på et lite antall store treff for å være lønnsomt. Mean-reversion strategier har en tendens til å ha motstridende profiler hvor flere av bransjene er vinnere, men de tapende handler kan være ganske alvorlige. Maksimal Drawdown - Den maksimale nedtellingen er den største samlede topp-til-gjennom-prosent-nedgangen på egenkapitalkurven i strategien. Momentum strategier er velkjent å lide av perioder med utvidet drawdowns (på grunn av en rekke mange inkrementelle tapende handler). Mange handlende vil gi opp i perioder med utvidet drawdown, selv om historisk testing har antydet at dette er forretning som vanlig for strategien. Du må bestemme hvilken prosentandel av nedtelling (og over hvilken tidsperiode) du kan godta før du slutter å handle med strategien din. Dette er en svært personlig beslutning og må derfor vurderes nøye. Kapasitet Likviditet - På detaljnivå, med mindre du handler i et svært illikvitt instrument (som en liten aksjeselskap), trenger du ikke å bekymre deg sterkt med strategisk kapasitet. Kapasitet bestemmer skalerbarheten i strategien for ytterligere kapital. Mange av de større hedgefondene lider av betydelige kapasitetsproblemer etter hvert som deres strategier øker i kapitalallokering. Parametre - Visse strategier (spesielt de som finnes i maskinlæringssamfunnet) krever en stor mengde parametere. Hver ekstra parameter som en strategi krever, gjør at den er mer sårbar for optimaliseringsforstyrrelser (også kjent som kurvefitting). Du bør prøve og målrette strategier med så få parametere som mulig, eller sørg for at du har tilstrekkelige mengder data for å teste dine strategier på. Benchmark - Nesten alle strategier (med mindre karakterisert som absolutt avkastning) måles mot noen ytelses benchmark. Referansen er vanligvis en indeks som karakteriserer en stor prøve av den underliggende aktivaklassen som strategien handler om. Hvis strategien handler med store amerikanske aksjer, vil SP500 være et naturlig referansemål for å måle strategien din mot. Du vil høre vilkårene alpha og beta, brukt på strategier av denne typen. Vi vil diskutere disse koeffisientene i dybden i senere artikler. Legg merke til at vi ikke har diskutert den faktiske avkastningen av strategien. Hvorfor er dette I isolasjon gir avkastningen oss faktisk begrenset informasjon om strategiens effektivitet. De gir deg ikke et innblikk i innflytelse, volatilitet, referanser eller kapitalkrav. Dermed blir strategier sjelden vurdert på avkastningen alene. Overvei alltid risikotributtene til en strategi før du ser på avkastningen. På dette stadiet vil mange av strategiene som er funnet fra rørledningen bli avvist utelukket, siden de ikke vil oppfylle kapitalkravene, innflytelsesbegrensninger, maksimal uttaksstoleranse eller volatilitetspreferanser. Strategier som forblir igjen kan nå vurderes for backtesting. Men før dette er mulig, er det nødvendig å vurdere en endelig avvisningskriterium - det som er tilgjengelig for historiske data for å teste disse strategiene. Å skaffe historiske data I dag er bredden av de tekniske kravene på tvers av aktivaklassene for historisk datalagring betydelig. For å forbli konkurransedyktig investerer både kjøpssiden (fondene) og selgesiden (investeringsbankene) tungt i sin tekniske infrastruktur. Det er viktig å vurdere dens betydning. Spesielt er vi interessert i aktualitet, nøyaktighet og lagringskrav. Jeg vil nå skissere grunnleggende om å skaffe historiske data og hvordan lagre den. Dessverre er dette et veldig dypt og teknisk tema, så jeg vil ikke kunne si alt i denne artikkelen. Imidlertid vil jeg skrive mye mer om dette i fremtiden, da min tidligere bransjeerfaring i finansnæringen hovedsakelig var opptatt av økonomisk datainnsamling, lagring og tilgang. I den forrige delen hadde vi opprettet en strategipipeline som tillot oss å avvise bestemte strategier basert på våre egne personlige avslagskriterier. I denne delen vil vi filtrere flere strategier basert på våre egne preferanser for å skaffe historiske data. Hovedhensynene (spesielt på detaljhandlernivå) er kostnadene ved dataene, lagerkravene og nivået på teknisk ekspertise. Vi må også diskutere ulike typer tilgjengelige data og de ulike hensynene som hver type data vil pålegge oss. La oss begynne med å diskutere hvilke typer data som er tilgjengelige og de sentrale problemene vi må tenke på: Fundamental Data - Dette inkluderer data om makroøkonomiske trender, som rentesatser, inflasjonsfigurer, bedriftsaksjoner (utbytte, aksjesplittelser), SEC-arkiver , bedriftskonto, inntjenings tall, avkastningsrapporter, meteorologiske data etc. Disse dataene brukes ofte til å verdsette selskaper eller andre eiendeler på grunnlag, det vil si via noen form for forventede fremtidige kontantstrømmer. Det inkluderer ikke aksjekursserier. Enkelte grunnleggende data er fritt tilgjengelige fra offentlige nettsider. Andre langsiktige historiske grunnleggende data kan være ekstremt dyre. Lagringskrav er ofte ikke særlig store, med mindre tusenvis av selskaper blir studert på en gang. Nyhetsdata - Nyhetsdata er ofte kvalitative i naturen. Den består av artikler, blogginnlegg, microblog-innlegg (tweets) og redaksjonelt. Maskininnlæringsteknikker som klassifiseringsverktøy brukes ofte til å tolke følelser. Disse dataene er også ofte fritt tilgjengelige eller billige, via abonnement på medier. De nyere NoSQL-dokumentlagringsdatabasene er utformet for å lagre denne typen ustrukturerte, kvalitative data. Asset Price Data - Dette er det tradisjonelle datadomenet til quant. Den består av tidsserier av eiendomspriser. Aksjer (aksjer), renteinntekter (obligasjoner), råvarer og valutakurser ligger alle i denne klassen. Daglige historiske data er ofte enkle å få for enklere aktivaklasser, for eksempel aksjer. Imidlertid, når nøyaktighet og renslighet er inkludert og statistiske forstyrrelser fjernet, kan dataene bli dyre. I tillegg har tidsseriedata ofte betydelige lagringskrav, spesielt når intradagdata blir vurdert. Finansielle instrumenter - aksjer, obligasjoner, futures og de mer eksotiske derivative opsjonene har svært forskjellige egenskaper og parametere. Dermed er det ingen størrelse som passer til alle databasestrukturer som kan imøtekomme dem. Vesentlig omsorg må gis til utforming og implementering av databasestrukturer for ulike finansielle instrumenter. Vi vil diskutere situasjonen i lengden når vi kommer til å bygge en verdipapirmasterdatabase i fremtidige artikler. Frekvens - Jo høyere frekvensen av dataene er, jo større koster og lagringskrav. For lavfrekvente strategier er daglig data ofte tilstrekkelig. For høyfrekvente strategier kan det være nødvendig å skaffe tick-nivå data og til og med historiske kopier av bestemte handelsutvekslingsordreinformasjon. Implementering av en lagringsmotor for denne typen data er meget teknologisk intensiv og bare egnet for de med sterk programmeringsteknisk bakgrunn. Benchmarks - Strategiene beskrevet ovenfor vil ofte bli sammenlignet med et referanseindeks. Dette manifesterer seg vanligvis som en ekstra økonomisk tidsserie. For aksjer er dette ofte et nasjonalt aksjeindeks, for eksempel SP500-indeksen (US) eller FTSE100 (UK). For et rentebæringsfond er det nyttig å sammenligne mot en kurv med obligasjoner eller renteinntekter. Risikofri rente (dvs. passende rente) er også et annet godt akseptert referanseindeks. Alle aktivaklassekategorier har en favorisert referanse, så det vil være nødvendig å undersøke dette basert på din spesifikke strategi, hvis du ønsker å få interesse for din strategi eksternt. Teknologi - Teknologistakkene bak et økonomisk datalager er komplekse. Denne artikkelen kan bare skrape overflaten om hva som er involvert i å bygge en. Imidlertid senterer den seg rundt en databasemotor, for eksempel et Relational Database Management System (RDBMS), for eksempel MySQL, SQL Server, Oracle eller en Document Storage Engine (dvs. NoSQL). Dette er tilgjengelig via forretningslogikk-applikasjonskode som spørrer databasen og gir tilgang til eksterne verktøy, for eksempel MATLAB, R eller Excel. Ofte er denne forretningslogikken skrevet i C, C, Java eller Python. Du må også være vert for disse dataene et sted, enten på din egen personlige datamaskin eller eksternt via Internett-servere. Products such as Amazon Web Services have made this simpler and cheaper in recent years, but it will still require significant technical expertise to achieve in a robust manner. As can be seen, once a strategy has been identified via the pipeline it will be necessary to evaluate the availability, costs, complexity and implementation details of a particular set of historical data. You may find it is necessary to reject a strategy based solely on historical data considerations. This is a big area and teams of PhDs work at large funds making sure pricing is accurate and timely. Do not underestimate the difficulties of creating a robust data centre for your backtesting purposes I do want to say, however, that many backtesting platforms can provide this data for you automatically - at a cost. Thus it will take much of the implementation pain away from you, and you can concentrate purely on strategy implementation and optimisation. Tools like TradeStation possess this capability. However, my personal view is to implement as much as possible internally and avoid outsourcing parts of the stack to software vendors. I prefer higher frequency strategies due to their more attractive Sharpe ratios, but they are often tightly coupled to the technology stack, where advanced optimisation is critical. Now that we have discussed the issues surrounding historical data it is time to begin implementing our strategies in a backtesting engine. This will be the subject of other articles, as it is an equally large area of discussion Just Getting Started with Quantitative Trading