Estratégias de negociação quantitativas excel

Quant Trading Books.

Por favor, selecione uma categoria:

Quant Trading Machine Learning História Geral R Python C ++ Programação Fin Math Jobs Hedge Funds Nossos Bloggers.

Esta categoria é curada por: Kris Longmore of Robot Wealth.

Kris é um antigo engenheiro e hedge funds quant. Ele fundou Quantify Partners e Robot Wealth, ambos facilitando a busca de sua obsessão pela aprendizagem de máquinas e negociação algorítmica.

(*) Tenha em atenção que os livros Quant Start & # 8217; s só estão disponíveis no seu site. Nós não somos afiliados à Quant Start nem compensamos esse link. Nós simplesmente gostamos de promover o trabalho dos bons.

Livros curados pelos melhores:

Estes livros são curados pelos autores mais votados em nossa comunidade:

Quando você pede através desta página, a Amazon lança alguns siclos no nosso caminho. Não há nenhum custo adicional para você, e é uma ótima maneira de mostrar seu amor pela Quantocracy.

Direitos autorais e cópia; 2018 & middot; Projeto do site por: The Dynamic Duo.

Negociação quantitativa.

Investimentos quantitativos e idéias comerciais, pesquisas e análises.

Sexta-feira, 27 de março de 2009.

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

7 comentários:

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

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

um pouco de sorte não interferirá no forex.

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

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

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

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

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

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

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

Oi Dr. Ernie Chan.

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

QuantStart.

O que é a Aprendizagem de Máquinas?

E por que isso é útil para financiamento quantitativo?

O aprendizado de máquina faz uso de algoritmos que aprendem a executar tarefas como a predição ou a classificação sem serem explicitamente programadas para fazê-lo. Essencialmente, os algoritmos aprendem com dados em vez de serem pré-especificados.

Tais algoritmos são incrivelmente diversos e variam a partir de modelos estatísticos mais tradicionais que enfatizam a inferência através de arquiteturas de redes neurais "profundas" altamente complexas que se destacam nas tarefas de predição e classificação.

Ao longo dos últimos dez anos, o aprendizado da máquina tem feito ganhos constantes no setor de finanças quantitativas e despertou o interesse de grandes fundos quantitativos, incluindo Man AHL, DE Shaw, Winton, Citadel e Two Sigma para citar alguns.

Os algoritmos de aprendizagem de máquinas podem ser aplicados de maneiras incrivelmente diversas para financiamento quantitativo. Exemplos particulares incluem:

Previsão de movimentos dos preços dos ativos futuros Previsão de movimentos de liquidez devido ao resgate de capital em grandes fundos Determinação de ativos com preços baixos em nichos de mercado Processamento de linguagem natural do sentimento e previsões do analista de ações Classificação / reconhecimento de imagem para uso em sinais de oferta / demanda de commodities.

Infelizmente, muito do trabalho sobre a aplicação de algoritmos de aprendizagem de máquinas para estratégias de negociação em financiamento quantitativo é proprietário e, portanto, dificil de obter. No entanto, com a prática, pode-se ver como tomar determinados conjuntos de dados e encontrar alfa consistente.

O aprendizado de máquina é uma área ampla e não é um campo que pode ser dominado rapidamente. Os seguintes recursos ensinarão o básico, permitindo que você mergulhe mais profundamente em áreas específicas:

Domínios de Aprendizagem de Máquinas.

Quais são as diferentes áreas de estudo na aprendizagem automática?

As tarefas de aprendizagem de máquinas geralmente são categorizadas em três áreas principais, muitas vezes dependendo do tipo de dados que estão sendo analisados: aprendizado supervisionado, aprendizado sem supervisão e aprendizado de reforço.

Todos os métodos diferem em como o algoritmo de aprendizagem da máquina é "recompensado" por estar correto em suas previsões ou classificações.

Aprendizagem supervisionada - Os algoritmos de aprendizagem supervisionados envolvem dados rotulados. Ou seja, dados que foram rotulados, muitas vezes manualmente, com categorias (como na classificação supervisionada) ou com respostas numéricas (como na regressão supervisionada). Tais algoritmos são treinados sobre os dados e aprendem quais preditores correspondem a quais respostas. Quando aplicados em dados não vistos, eles tentam fazer previsões com base na experiência de treinamento anterior. Um exemplo de financiamento quantitativo seria usando regressão supervisionada para prever o preço das ações de amanhã a partir do valor do mês anterior de dados de preços.

Aprendizagem não supervisionada - Os algoritmos de aprendizagem não supervisionados não utilizam dados rotulados. Em vez disso, eles utilizam a estrutura subjacente dos dados para identificar padrões. O método canônico é clustering não supervisionado, que tenta particionar conjuntos de dados em subclusters que estão associados de alguma forma. Um exemplo de financiamento quantitativo seria agrupar certos ativos em classes que se comportam de forma semelhante para ajustar alocações de portfólio. Leia mais sobre Aprendizagem não supervisionada aqui.

Aprendizagem de reforço - Os algoritmos de aprendizagem de reforço tentam realizar uma tarefa dentro de um determinado ambiente dinâmico, tomando ações dentro do meio ambiente para maximizar um mecanismo de recompensa. Esses algoritmos diferem da aprendizagem supervisionada na medida em que não existe um conjunto direto de pares de dados de entrada / saída. Tais algoritmos tornaram-se famosos recentemente porque foram usados ​​pelo Google DeepMind para ultrapassar o desempenho humano nos jogos Atari e no antigo jogo de Go. Tais algoritmos foram aplicados no financiamento quantitativo para otimizar as carteiras de investimentos.

Algoritmos de Aprendizado de Máquinas.

Quais são os diferentes algoritmos?

Devido à sua natureza interdisciplinar, há um grande número de algoritmos diferentes de aprendizagem de máquinas. A maioria surgiu das comunidades de informática, engenharia e estatística.

A lista de algoritmos de aprendizagem de máquina é quase infinita, pois incluem técnicas de cruzamento e conjuntos de muitos outros algoritmos. No entanto, os algoritmos utilizados com frequência no financiamento quantitativo estão listados abaixo:

Regressão linear - Uma técnica supervisionada elementar de estatística clássica que encontra uma superfície de resposta linear ideal a partir de um conjunto de pares preditores-resposta rotulados. Classificação linear - Essas técnicas supervisionadas classificam os dados em grupos, em vez de prever respostas numéricas. As técnicas comuns incluem Regressão Logística, Análise Discriminante Linear e Classificação Naive Bayes. Métodos baseados em árvores - As árvores de decisão são uma técnica supervisionada que divide o espaço preditor / característica em subconjuntos hipercubicos. Conjuntos de árvores de decisão incluem as florestas aleatórias. Support Vector Machines - SVMs são uma técnica supervisionada que tenta criar um limite de separação linear em espaço de dimensões superiores do que o problema original, a fim de lidar com a separação não linear. Redes Neurais Artificiais / Aprendizagem Profunda - As redes neurais são uma técnica supervisionada que cria hierarquias de "neurônios" de ativação que podem se aproximar de funções não lineares de alta dimensão. As redes "profundas" fazem uso de muitas camadas ocultas de neurônios para formar representações hierárquicas para o desempenho de classificação do estado da arte. Bayesian Networks - Bayesian Networks ou "Bayes Nets" são um modelo de modelo probabilístico que representa relações probabilísticas entre variáveis. Eles são utilizados tanto para aplicações de inferência quanto de aprendizagem. Clustering - Clustering é uma técnica não supervisionada que tenta dividir dados em subconjuntos de acordo com alguns critérios de similaridade. Uma técnica comum é K-Means Clustering. Redução de Dimensionalidade - Os algoritmos de redução de dimensão são técnicas não supervisionadas que tentam transformar o espaço de preditores / fatores em outro conjunto que explica a "variação" nas respostas com menos dimensões. A Análise de Componentes Principais é a técnica canônica aqui.

Determinar a "melhor ferramenta para o trabalho" é um dos aspectos mais complicados do aprendizado de máquina aplicado às finanças quantitativas. Muitos artigos sobre o QuantStart discutem este ponto específico e o guiarão a aplicar a técnica correta quando apropriado.

Apenas iniciando o comércio quantitativo?

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

1. Quant Trading Lessons.

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

2. Todo o conteúdo mais recente.

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

Real, dicas de negociação viáveis, sem tonturas.

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.

QuantStart.

Junte-se ao portal de membros privados da Quantcademy que atende à comunidade de comerciantes de varejo de varejo em rápido crescimento. Você encontrará um grupo bem informado de mentalistas quant pronto para responder suas perguntas comerciais mais importantes.

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

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

Por Michael Halls-Moore em 26 de março de 2018.

Neste artigo, vou apresentá-lo a alguns dos conceitos básicos que acompanham um sistema de negociação quantitativa de ponta a ponta. Esta postagem esperará servir dois públicos. 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".

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

Um sistema de comércio quantitativo consiste em quatro componentes principais:

Estratégia Identificação - Encontrar uma estratégia, explorar uma vantagem e decidir sobre a freqüência comercial Estratégia Backtesting - Obter dados, analisar o desempenho da estratégia e remover os viés Sistema de Execução - Vinculação a uma corretora, automatizando a negociação e minimizando os custos de transação Gerenciamento de Riscos - Alocação de capital ideal " 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 abrange a busca de uma estratégia, considerando se a estratégia se encaixa em um portfólio de outras estratégias que você pode estar executando, obtendo todos os dados necessários para testar a estratégia e tentar otimizar a estratégia para maiores retornos e / ou menor risco. Você precisará 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 periodicamente resultados teóricos de negociação (embora na maioria dos custos brutos de transação). Os blogs de finanças quantitativas discutirão estratégias em detalhes. As revistas comerciais descreverão algumas das estratégias empregadas pelos fundos.

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

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

Muitas das estratégias que você olhará cairão nas categorias de reversão média e tendência / impulso. Uma estratégia de reversão média é aquela que tenta explorar o fato de que existe um termo de longo prazo em uma "série de preços" (como a disseminação entre dois ativos correlacionados) e que os desvios de curto prazo desse significado eventualmente reverterão. Uma estratégia de impulso tenta explorar a psicologia dos investidores e a grande estrutura do fundo ao "engatar" uma tendência de mercado, que pode reunir 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 discutiremos esses aspectos em grande medida neste artigo introdutório.

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

Teste de estratégia.

O objetivo do backtesting é fornecer evidências de que a estratégia identificada através do processo acima é rentável quando aplicado a dados históricos e fora da amostra. Isso define a expectativa de como a estratégia será realizada no "mundo real". No entanto, o backtesting NÃO é uma garantia de sucesso, por vários motivos. É talvez a área mais sutil de negociação quantitativa, uma vez que implica numerosos preconceitos, que devem ser cuidadosamente considerados e eliminados o máximo possível. Discutiremos os tipos comuns de viés, incluindo viés avançado, viés de sobrevivência e viés de otimização (também conhecido como viés de dados). Outras áreas de importância 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 ainda mais 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. Os seus custos geralmente variam com a qualidade, a profundidade e a 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 aprofundar em prestadores muito aqui, e eu gostaria de me concentrar nas questões gerais ao lidar com conjuntos de dados históricos.

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

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

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

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

Uma vez que uma estratégia foi testada de novo e é considerado livre de preconceitos (na medida em que é possível!), Com um bom Sharpe e reduções minimizadas, é hora de criar um sistema de execução.

Sistemas de Execução.

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

As principais considerações ao criar um sistema de execução são a interface 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.

Existem muitas maneiras de se conectar a uma corretora. Eles variam de chamar seu corretor no telefone diretamente para uma interface de programação de aplicativos (API) de alto desempenho totalmente automatizada. O ideal é que você 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 costumava trabalhar, tivemos um "loop de negociação" de 10 minutos, onde iremos baixar novos dados de mercado a cada 10 minutos e depois executar trades com base nessas informações no mesmo período. Isso estava usando um script Python otimizado. Para qualquer coisa que se aproxime de dados de minuto ou de segunda frequência, acredito que o C / C ++ seria mais ideal.

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

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

Os custos de transação podem fazer a diferença entre uma estratégia extremamente 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 completas de quants dedicam-se a otimizar a execução nos fundos maiores, por estas razões. 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 comprimirão rapidamente o preço e não poderão obter uma execução ótima. Daí, os algoritmos que os pedidos de "gotejamento de alimentação" no mercado existem, embora o fundo corra o risco de derrapagem. Além disso, outras estratégias "presas" sobre essas necessidades e podem explorar as ineficiências. Este é o domínio da arbitragem da estrutura do fundo.

A questão principal final para os sistemas de execução diz respeito à divergência de desempenho da estratégia com o desempenho testado. Isso pode acontecer por vários motivos. Nós já discutimos o viés avançado e o viés de otimização em profundidade, ao considerar 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 dos investidores e fenômenos macroeconômicos podem levar a divergências quanto ao comportamento do mercado e, assim, a rentabilidade da sua estratégia.

Gerenciamento de riscos.

A peça final para o enigma de negociação quantitativa é o processo de gerenciamento de riscos. "Risco" inclui todos os 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. Este é o meio pelo qual o capital é alocado para um conjunto de estratégias diferentes e para os negócios dentro dessas estratégias. É uma área complexa e depende de algumas matemáticas não triviais. O padrão da indústria pelo qual a alocação ótima de capital e a alavancagem das estratégias estão relacionadas é chamado de critério Kelly. Como este é um artigo introdutório, não vou me deter no seu cálculo. O critério de Kelly faz alguns pressupostos sobre a natureza estatística dos retornos, que geralmente não são válidos nos mercados financeiros, então os comerciantes são geralmente conservadores quando se trata da implementação.

Outro componente chave do gerenciamento de riscos é lidar com o próprio perfil psicológico. Existem muitos viés cognitivos que podem se aproximar da 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 obtido pode ser muito grande. Outro viés comum é conhecido como viés de recência. Isso se manifesta quando os comerciantes colocam muita ênfase nos eventos recentes e não no longo prazo. Então, é claro, há o par clássico de viés emocional - medo e ganância. Estes podem, muitas vezes, levar a alavancagem insuficiente ou excessiva, o que pode causar explosão (ou seja, o patrimônio da conta em zero ou pior!) Ou lucros reduzidos.

Como pode ser visto, o comércio quantitativo é uma área extremamente complexa, embora muito interessante, de financiamento quantitativo. Eu literalmente arranhei a superfície do tópico neste artigo e já está ficando bastante longo! Livros e papéis inteiros foram escritos sobre questões que eu apenas dediquei uma ou duas sentenças. Por essa razão, antes de se candidatar a empregos quantitativos em bolsa de fundos, é necessário realizar uma quantidade significativa de estudo de base. No mínimo, você precisará de uma ampla experiência em estatística e econometria, com muita experiência em implementação, através de uma linguagem de programação como MATLAB, Python ou R. Para estratégias mais sofisticadas no final de freqüência 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 está interessado em tentar criar suas próprias estratégias de negociação algorítmica, minha primeira sugestão seria melhorar a programação. A minha preferência é criar o máximo de captura de dados, backtester de estratégia e sistema de execução por si mesmo possível. Se o seu próprio capital estiver na linha, você não dormiria melhor à noite sabendo que você testou completamente seu sistema e está ciente de suas armadilhas e problemas específicos? Terceirizar isso para um fornecedor, enquanto potencialmente economizando tempo no curto prazo, poderia ser extremamente caro a longo prazo.

Apenas iniciando o comércio quantitativo?

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

1. Quant Trading Lessons.

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

2. Todo o conteúdo mais recente.

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

Real, dicas de negociação viáveis, sem tonturas.