Kvantitativa Handelsstrategier Bok

Kvantitativa handelsstrategier: utnyttja kraften av kvantitativa tekniker för att skapa utnyttjande av mängden kvantitativa tekniker för att skapa utnyttjande av mängden kvantitativa tekniker för att skapa ett vinnande handelsprogram Lars Kestner kvantitativa handelsstrategier tar läsare genom utvecklings - och utvärderingsstadierna av dagens mest populära och marknadsbevisad teknisk handelMera utnyttja kraften av kvantitativa tekniker för att skapa ett vinnande handelsprogram Lars Kestner Quantitative Trading Strategies tar läsare genom utvecklings - och utvärderingsstadiet av dagens mest populära och marknadsbevisade tekniska handelsstrategier. Kvantifierar varje subjektivt beslut i handelsprocessen, utvärderar denna analytiska bok arbetet med välkända quants från John Henry till Monroe Trout och introducerar 12 helt nya handelsstrategier. Det debunks många populära missuppfattningar, och är säker på att göra vågor - och ändra sinne - i världen av teknisk analys och handel. Mindre Få en kopia Vänner recensioner För att se vad dina vänner tyckte om den här boken, var god och registrera dig. Community Reviews Tom Fazzio betygsatta det var ok över 2 år sedan Scott Keller betygsatta det Det var fantastiskt nästan 3 år sedan John betygsätt det gillade det verkligen ungefär 2 år sedan CY Beh betygsätt det tyckte inte om det ungefär 5 år sedan Rafael betygsatte det var fantastiskt över 3 år sedanBeginner39s Guide till kvantitativ handel I den här artikeln ska jag presentera dig för några av de grundläggande begreppen som följer med ett end-to-end kvantitativt handelssystem. Detta inlägg kommer förhoppningsvis att tjäna två publikgrupper. Den första kommer att vara individer som försöker få ett jobb hos en fond som en kvantitativ näringsidkare. Den andra kommer att vara individer som vill försöka ställa in sin egen detaljhandel algoritmiska handelsaffär. Kvantitativ handel är ett extremt sofistikerat område med kvantfinansiering. Det kan ta betydande tid att få den kunskap som krävs för att skicka en intervju eller bygga upp egna handelsstrategier. Inte bara det men det kräver omfattande programkompetens, åtminstone på ett språk som MATLAB, R eller Python. Men eftersom handelsfrekvensen i strategin ökar blir de tekniska aspekterna mycket mer relevanta. Att vara bekant med CC kommer alltså att vara av största vikt. Ett kvantitativt handelssystem består av fyra huvudkomponenter: Strategi Identifiering - Hitta en strategi, utnyttja en kant och bestämma om handelsfrekvens Strategi Backtesting - Få data, analysera strategins prestanda och avlägsna företeelser. Exekveringssystem - Koppling till mäklare, automatisering av handel och minimering Transaktionskostnader Riskhantering - Optimal kapitaltilldelning, satsstorlekKellykriterium och handelspsykologi Börja med att ta en titt på hur man identifierar en handelsstrategi. Strategiidentifiering Alla kvantitativa handelsprocesser börjar med en första forskningsperiod. Denna forskningsprocess omfattar att hitta en strategi och se om strategin passar in i en portfölj av andra strategier du kan springa, skaffa eventuella data som behövs för att testa strategin och försöka optimera strategin för högre avkastning och lägre risk. Du måste faktor i dina egna kapitalkrav om du kör strategin som detaljhandlare och hur eventuella transaktionskostnader kommer att påverka strategin. I motsats till populär tro är det faktiskt ganska enkelt att hitta lönsamma strategier genom olika offentliga källor. Akademiker publicerar regelbundet teoretiska handelsresultat (om än för det mesta brutto av transaktionskostnader). Kvantitativa finansbloggar diskuterar strategier i detalj. Handels tidskrifter kommer att skissera några av de strategier som används av fonder. Du kanske ifrågasätter varför individer och företag är angelägna om att diskutera sina lönsamma strategier, särskilt när de vet att andra som tränger handeln kan stoppa strategin från att arbeta på lång sikt. Anledningen till detta är att de inte ofta diskuterar de exakta parametrar och inställningsmetoder som de har utfört. Dessa optimeringar är nyckeln till att göra en relativt medioker strategi till en mycket lönsam. Faktum är att ett av de bästa sätten att skapa dina egna unika strategier är att hitta liknande metoder och sedan utföra din egen optimeringsprocedur. Här är en liten lista över platser att börja leta efter strategidéer: Många av de strategier du kommer att titta på kommer att hamna i kategorierna av medelåtervändning och trend-eftermomentum. En medelåterkallande strategi är en som försöker utnyttja det faktum att ett långsiktigt medelvärde på en prisserie (som spridningen mellan två korrelerade tillgångar) existerar och att kortsiktiga avvikelser från detta medel kommer att återgå till sist. En momentumstrategi försöker utnyttja både investorspecialismen och den stora fondstrukturen genom att ta en tur på en marknadsutveckling, som kan samla fart i en riktning och följa trenden tills den vänder. En annan enormt viktig aspekt av kvantitativ handel är frekvensen av handelsstrategin. Lågfrekvenshandel (LFT) refererar i allmänhet till vilken strategi som helst som innehar tillgångar längre än en handelsdag. På motsvarande sätt refererar högfrekvenshandel (HFT) till en strategi som innehar tillgångar intradag. Ultrahögfrekvenshandel (UHFT) avser strategier som håller tillgångar i storleksordningen sekunder och millisekunder. Som detaljhandlare är HFT och UHFT säkert möjliga, men endast med detaljerad kunskap om handelsteknikstaket och orderbokdynamiken. Vi kommer inte att diskutera dessa aspekter i någon större utsträckning i denna inledande artikel. När en strategi, eller uppsättning strategier har identifierats, behöver den nu testas för lönsamhet på historiska data. Det är domänen för backtesting. Strategi Backtesting Målet med backtesting är att ge bevis för att strategin identifierad via ovanstående process är lönsam när den tillämpas på både historisk och out-of-sample data. Detta ställer förväntan på hur strategin kommer att fungera i den verkliga världen. Backtesting är emellertid inte en garanti för framgång, av olika skäl. Det är kanske det mest subtila området för kvantitativ handel eftersom det medför många fördomar, vilket måste noggrant övervägas och elimineras så mycket som möjligt. Vi kommer att diskutera de gemensamma typerna av förspänning, inklusive blickfrekvens. Överlevnadskompetens och optimering bias (även känd som data-snooping bias). Andra områden av betydelse inom backtesting inkluderar tillgänglighet och renlighet av historiska data, factoring i realistiska transaktionskostnader och beslut om en robust backtesting-plattform. Tja noga diskutera transaktionskostnaderna i avsnittet Exekveringssystem nedan. När en strategi har identifierats är det nödvändigt att erhålla de historiska uppgifterna genom vilka man utför testning och kanske förfining. Det finns ett betydande antal datasäljare över alla tillgångsklasser. Deras kostnader varierar i allmänhet med dataens kvalitet, djup och aktualitet. Den traditionella utgångspunkten för att börja kvanthandlare (åtminstone på detaljnivå) är att använda den fria datasatsen från Yahoo Finance. Jag brukar inte bo på leverantörer för mycket här, men jag vill hellre koncentrera mig på de allmänna frågorna när det gäller historiska dataset. De viktigaste problemen med historiska data är noggrannhet, överlevnadsperspektiv och justering för företagsåtgärder som utdelningar och lageravsnitt: Noggrannhet gäller dataens övergripande kvalitet - om det innehåller några fel. Fel kan ibland vara lätta att identifiera, till exempel med ett spikfilter. som kommer att välja felaktiga spikar i tidsseriedata och korrigera dem. Vid andra tillfällen kan de vara mycket svåra att upptäcka. Det är ofta nödvändigt att ha två eller flera leverantörer och sedan kontrollera alla sina uppgifter mot varandra. Survivorship bias är ofta en funktion av gratis eller billiga dataset. En dataset med överlevnadsperspektiv innebär att den inte innehåller tillgångar som inte längre handlar. När det gäller aktier betyder det att delistedbankrupt aktier. Denna bias innebär att varje aktiehandelstrategi som testas på en sådan dataset kommer troligen att fungera bättre än i den verkliga världen, eftersom de historiska vinnarna redan har förhandlats fram. Företagsåtgärder innefattar logistikverksamhet som bedrivs av företaget som vanligtvis medför en stegfunktionsförändring i råpriset, vilket inte bör ingå i beräkningen av prisavkastningen. Justeringar för utdelning och lager splittringar är de vanliga synderna. En process som kallas backjustering är nödvändig för att utföras vid var och en av dessa åtgärder. Man måste vara mycket försiktig om att inte förvirra en aktiesplit med en sann avkastningsjustering. Många en näringsidkare har fångats upp av en företagsaktion För att kunna genomföra ett backtestförfarande är det nödvändigt att använda en mjukvaruplattform. Du har valet mellan dedikerad backtest-programvara, till exempel Tradestation, en numerisk plattform som Excel eller MATLAB eller en fullständig anpassad implementering i ett programmeringsspråk som Python eller C. Jag vill inte bo för mycket på Tradestation (eller liknande), Excel eller MATLAB, som jag tror på att skapa en full in-house teknik stack (av skäl som beskrivs nedan). En av fördelarna med att göra det är att backtestprogrammet och exekveringssystemet kan integreras tätt, även med extremt avancerade statistiska strategier. För HFT-strategier är det viktigt att använda en anpassad implementering. Vid backtesting av ett system måste man kunna kvantifiera hur bra det fungerar. Branschstandardvärdena för kvantitativa strategier är maximal drawdown och Sharpe Ratio. Den maximala drawdownen karakteriserar den största topp-till-droppfallet i kontotkapitalkurvan under en viss tidsperiod (vanligtvis årligen). Detta citeras oftast i procent. LFT-strategier tenderar att ha större drawdowns än HFT-strategier, på grund av ett antal statistiska faktorer. En historisk backtest visar den senaste maximala drawdownen, vilket är en bra guide för strategins framtida dragningsprestanda. Den andra mätningen är Sharpe-förhållandet, vilket är heuristiskt definierat som genomsnittet av meravkastningen dividerat med standardavvikelsen för dessa meravkastningar. Här avser meravkastning strategins återkomst över ett förutbestämt riktmärke. såsom SP500 eller en 3-månaders statsskuldräkning. Notera att den årliga avkastningen inte är en åtgärd som brukar utnyttjas, eftersom den inte tar hänsyn till strategins volatilitet (till skillnad från Sharpe-förhållandet). En gång har en strategi testats och anses vara fri från förskjutningar (så mycket som möjligt), med en bra Sharpe och minimerade drawdowns är det dags att bygga ett exekveringssystem. Exekveringssystem Ett exekveringssystem är det sätt på vilket listan över affärer som genereras av strategin skickas och exekveras av mäklaren. Trots att handelsgenerationen kan vara halv - eller till och med helt automatiserad, kan exekveringsmekanismen vara manuellt, halvmanuell (dvs ett klick) eller helt automatiserat. För LFT-strategier är manuella och halvmanuala tekniker vanliga. För HFT-strategier är det nödvändigt att skapa en helautomatiserad exekveringsmekanism, som ofta kommer att vara tätt kopplad till handelsgenerern (på grund av strategins och teknikens beroende). Viktiga överväganden när man skapar ett exekveringssystem är gränssnittet till mäklaren. minimering av transaktionskostnader (inklusive provisioner, släpp och spridning) och divergens av live-systemets prestanda från backtested prestanda. Det finns många sätt att ansluta till en mäklare. De sträcker sig från att ringa upp din mäklare via telefon till en helautomatiserad högpresterande applikationsprogrammeringsgränssnitt (API). Helst vill du automatisera utförandet av dina affärer så mycket som möjligt. Detta frigör dig för att koncentrera dig på ytterligare forskning, samt låta dig köra flera strategier eller till och med strategier med högre frekvens (i själva verket är HFT i princip omöjligt utan automatisk utförande). Den gemensamma backtestingprogrammet som beskrivs ovan, såsom MATLAB, Excel och Tradestation, är bra för lägre frekvens, enklare strategier. Det kommer emellertid att vara nödvändigt att konstruera ett internt exekveringssystem skrivet i ett högprestandaspråk som C för att kunna göra någon riktig HFT. Som en anekdote, i fonden som jag brukade vara anställd hos, hade vi en 10-minuters handel slinga där vi skulle ladda ner nya marknadsdata var 10: e minut och sedan utföra handlar baserat på den informationen i samma tidsram. Detta använde ett optimerat Python-skript. För allt som närmar sig mini - eller andrafrekvensdata tror jag att CC skulle vara mer idealiskt. I en större fond är det ofta inte domänen för quant trader att optimera utförandet. Men i mindre butiker eller HFT-företag är handlarna exekutörerna och så är en mycket bredare kompetens ofta önskvärd. Ha det i åtanke om du vill vara anställd av en fond. Din programmering färdigheter kommer att vara lika viktigt, om inte mer så än din statistik och ekonometric talents Ett annat stort problem som faller under genomförandebanan är att minimera transaktionskostnaden. Det finns generellt tre komponenter till transaktionskostnader: Provisioner (eller skatt), vilka är de avgifter som tas ut av mäklaren, utbytet och SEC (eller liknande statligt tillsynsorgan) slippa, vilket är skillnaden mellan vad du menade att din order skulle vara fylld i jämförelse med vad den faktiskt fylldes på, vilket är skillnaden mellan budpriset för säkerheten som handlas. Observera att spridningen inte är konstant och är beroende av den nuvarande likviditeten (dvs tillgängligheten av buysell-order) på marknaden. Transaktionskostnader kan göra skillnaden mellan en extremt lönsam strategi med ett bra Sharpe-förhållande och en extremt olönsam strategi med ett fruktansvärt Sharpe-förhållande. Det kan vara en utmaning att korrekt förutsäga transaktionskostnaderna från en backtest. Beroende på frekvensen av strategin behöver du tillgång till historisk utbytesdata, som inkluderar kryssdata för budpris. Hela teamet av quants är dedikerade till optimering av genomförandet i de större fonderna, av dessa skäl. Tänk på scenariot där en fond måste avlasta en betydande mängd affärer (varför skälen att göra det är många och varierade). Genom att dumpa så många aktier på marknaden kommer de snabbt att sänka priset och får inte få optimal utförande. Därmed finns algoritmer som drar in foderordrar på marknaden, men då löper fonden risken för glidning. Dessutom ökar andra strategier på dessa nödvändigheter och kan utnyttja ineffektiviteten. Detta är domänen för fondstrukturen arbitrage. Det sista huvudproblemet för exekveringssystem gäller divergens av strategins prestanda från backtested prestanda. Detta kan hända av ett antal skäl. Weve har redan diskuterat framåtblickande bias och optimeringsförskjutning i djupet, när vi överväger backtests. Vissa strategier gör det emellertid inte lätt att testa för dessa biaser före utplacering. Detta sker i HFT mest övervägande. Det kan finnas buggar i exekveringssystemet såväl som handelsstrategin själv som inte dyker upp på en backtest men visar sig i live trading. Marknaden kan ha varit föremål för en regeringsändring efter utplaceringen av din strategi. Nya lagstiftningsmiljöer, förändrade investerarnas känslor och makroekonomiska fenomen kan alla leda till avvikelser i hur marknaden beter sig och därmed lönsamheten i din strategi. Riskhantering Det sista stycket i det kvantitativa handelspusslet är processen för riskhantering. Risken inkluderar alla tidigare förevändningar som vi har diskuterat. Det inkluderar teknikrisk, till exempel servrar som är samlokaliserade vid växeln, utvecklar plötsligt en hårddiskfel. Det inkluderar mäklarrisk, som att mäklaren blir konkurs (inte så galen som det låter, med tanke på den senaste skrämningen med MF Global). Kort sagt täcker det nästan allt som eventuellt skulle kunna störa handelens genomförande, som det finns många källor till. Hela böckerna ägnas åt riskhantering för kvantitativa strategier, så jag vill inte försöka klargöra alla möjliga riskkällor här. Riskhantering omfattar också det som kallas optimal kapitaltilldelning. vilket är en gren av portföljteori. Det här är det sätt på vilket kapital tilldelas en uppsättning olika strategier och till affärer inom dessa strategier. Det är ett komplext område och bygger på lite icke-trivial matematik. Industristandarden med vilken optimal kapitaltilldelning och hävstång av strategierna är relaterade kallas Kelly-kriteriet. Eftersom det här är en inledande artikel, kommer jag inte att hålla mig vid beräkningen. Kelly-kriteriet gör vissa antaganden om avkastningens statistiska karaktär, vilket inte ofta är sant på finansmarknaderna, så handlare är ofta konservativa när det gäller genomförandet. En annan viktig del av riskhanteringen är att hantera sin egen psykologiska profil. Det finns många kognitiva fördomar som kan krypa in till handel. Även om detta är visserligen mindre problematiskt med algoritmisk handel om strategin lämnas ensam. En gemensam bias är det för förlustaversion där en förlorad position inte kommer att stängas ut på grund av smärtan att behöva inse en förlust. På samma sätt kan vinster tas för tidigt eftersom rädslan för att förlora en vinst som redan uppnåtts kan vara för stor. En annan vanlig bias är känd som nyhetsförspänning. Detta manifesterar sig när näringsidkare lägger för stor vikt vid de senaste händelserna och inte på längre sikt. Då är det naturligtvis det klassiska paret av emotionella fördomar - rädsla och girighet. Dessa kan ofta leda till under - eller överhantering, vilket kan orsaka uppblåsning (dvs. kontotkapitalrubriken till noll eller sämre) eller reducerad vinst. Som det framgår är kvantitativ handel ett extremt komplext, om än mycket intressant, område med kvantitativ finansiering. Jag har bokstavligen klatrat ytan av ämnet i den här artikeln och det börjar redan bli ganska lång. Hela böcker och papper har skrivits om problem som jag bara har givit en mening eller två mot. Av den anledningen är det nödvändigt att genomföra en betydande mängd grundstudie innan man ansöker om kvantitativa fondhandelsjobb. Åtminstone behöver du en omfattande bakgrund i statistik och ekonometri med stor erfarenhet av implementering, via ett programmeringsspråk som MATLAB, Python eller R. För mer sofistikerade strategier vid den högre frekvensänden är din färdighetssätt sannolikt att inkludera Linux-kärnan modifiering, CC, montering programmering och nätverks latent optimering. Om du är intresserad av att försöka skapa egna algoritmiska handelsstrategier, skulle mitt första förslag vara att bli bra på programmeringen. Min preferens är att bygga så mycket av data grabber, strategi backtester och exekveringssystem så enkelt som möjligt. Om din egen kapital är på linjen skulle du inte sova bättre på natten och veta att du har testat ditt system fullt ut och är medveten om sina fallgropar och specifika problem. Att outsourca detta till en leverantör, kan potentiellt spara tid på kort sikt, vara extremt dyrt på lång sikt. Just Komma igång med kvantitativa TradingQuantitative Trading Strategies Registrera dig för att spara ditt bibliotek Använda kvantitativa tekniker för att skapa ett vinnande handelsprogram Lars Kestner Quantitative Trading Strategies tar läsare igenom utvecklings - och utvärderingsstadiet av dagens mest populära och marknadsbevisade tekniska handelsstrategier . Kvantifierar varje subjektivt beslut i handelsprocessen, utvärderar denna analytiska bok arbetet med välkända quants från John Henry till Monroe Trout och introducerar 12 helt nya handelsstrategier. Det debunks många populära missuppfattningar, och är säker på att göra waves8212 och förändra sinne i världen av teknisk analys och handel. Publiceringsinformation Utgivare: McGraw-Hill Utbildning: McGraw-Hill Publiceringsdatum: 2003 Serie: Irwin Trader39s Edge Tillgänglig i: SingaporeQuantitative Trading Strategies Anmäl dig för att spara ditt bibliotek Använda mängden kvantitativa tekniker för att skapa ett vinnande handelsprogram Lars Kestner Quantitative Trading Strategier tar läsare genom utvecklings - och utvärderingsfasen av dagens mest populära och marknadsbevisade tekniska handelsstrategier. Kvantifierar varje subjektivt beslut i handelsprocessen, utvärderar denna analytiska bok arbetet med välkända quants från John Henry till Monroe Trout och introducerar 12 helt nya handelsstrategier. Det debunks många populära missuppfattningar, och är säker på att göra waves8212 och förändra sinne i världen av teknisk analys och handel. Publiceringsuppgifter Utgivare: McGraw-Hill Utbildning Impressum: McGraw-Hill Publiceringsdatum: 2003 Serie: Irwin Trader39s Edge Available in: Singapore