Estratégias de negociação quantitativa excel

Finanças Assistidas por Computador & # 8211; Excel, Matlab, Theta Suite etc.

Ferramentas, Algoritmos, Simulação, Gestão de Riscos: Eficiência para Finanças Matemáticas.

Como posso backtest minha estratégia de negociação quantitativa, por exemplo Sinal MACD?

Muitas estratégias populares de negociação quantitativa são públicas por um bom tempo. Agora, se você gosta de utilizar essa estratégia com dinheiro real, você deve se certificar de que sua estratégia tenha um bom desempenho. Para estratégias simples, o MS Excel é perfeito para esta tarefa. Mas, como gostaríamos de usar uma otimização e uma visualização específica posteriormente, usamos o Theta Suite e o Matlab. Isso também permite a análise de estratégias mais complexas, se quiser.

Configurando uma estratégia de negociação quantitativa: MACD & # 8211; sinal.

Um dos indicadores técnicos mais populares é a Média Móvel de Convergência / Divergência (MACD), que essencialmente é a diferença entre duas médias móveis. A literatura diz que o cruzamento zero de uma linha MACD daria uma boa indicação para a compra de ações de venda. Às vezes, eles adicionam algum sinal de gatilho e afirmam, isso seria ainda melhor. Vamos ver se isso é verdade.

Mais precisamente, a negociação de MACD é geralmente definida como.

resp. em um loop ao longo do tempo isso parece.

O sistema de negociação apropriado com um período de sinal de & # 8220; const_l = 9 & # 8221; parece.

Testando a estratégia com dados históricos reais.

Essa parte é muito importante. Eu não posso enfatizar muito este fato: em um post posterior, vamos falar sobre o backtesting muito mais.

Atribuindo esses dados a um processo ThetaML via.

permite a estimativa do desempenho da estratégia de negociação baseada em MACD. Aqui está um gráfico dos preços das ações da IBM de 2000-01-01 até 2011-12-31:

Gráfico de Matlab do preço das ações da IBM.

Backtesting a estratégia de negociação MACD.

Podemos executar os modelos ThetaML acima usando o Theta Suite Orchestrator e conectá-los aos dados históricos da IBM no Matlab no Configurator. Em seguida, no Result Explorer, obtemos o desempenho da estratégia de negociação de sinal MACD correspondente sem venda a descoberto.

Gráfico de desempenho da estratégia de negociação MACD.

e com venda a descoberto, parece.

Desempenho da estratégia de negociação MACD com venda a descoberto.

Note que durante a maioria dos anos, a estratégia de sinal MACD não tem melhor desempenho do que o próprio subjacente. Levando em conta os custos de transação, isso parece ainda pior. Curiosamente, o ano 2000 proporcionou um excelente desempenho da estratégia MACD, mas todos os anos posteriores não tiveram um desempenho tão bom.

Conclusão.

É fácil verificar se uma estratégia teria um bom desempenho usando dados históricos. ThetaML e Matlab são excelentes ferramentas para esta tarefa. A estratégia de negociação baseada em MACD que analisamos não é significativamente melhor do que manter o subjacente em si. Outros parâmetros da estratégia de negociação podem levar a melhores resultados, para que possamos realizar uma otimização. Vamos ver isso na próxima semana.

Guia para iniciantes em negociação quantitativa.

Guia para iniciantes em negociação quantitativa.

Neste artigo, vou apresentar alguns dos conceitos básicos que acompanham um sistema de negociação quantitativo de ponta a ponta. Espera-se que este post atenda a dois públicos-alvo. O primeiro será indivíduos tentando obter um emprego em um fundo como um comerciante quantitativo. A segunda será pessoas que desejam tentar montar seu próprio negócio de comércio algorítmico "de varejo".

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

Um sistema de negociação quantitativo consiste em quatro componentes principais:

Identificação Estratégica - Encontrando uma estratégia, explorando uma vantagem e decidindo sobre a frequência de negociação Backtesting da estratégia - Obtendo dados, analisando o desempenho da estratégia e removendo vieses Sistema de Execução - Vinculando a uma corretora, automatizando a negociação e minimizando custos de transação tamanho da aposta "/ critério de Kelly e psicologia de negociação.

Começaremos dando uma olhada em como identificar uma estratégia de negociação.

Identificação de estratégia.

Todos os processos de negociação quantitativos começam com um período inicial de pesquisa. Este processo de pesquisa engloba encontrar uma estratégia, verificando se a estratégia se encaixa em um portfólio de outras estratégias que você pode estar executando, obtendo quaisquer dados necessários para testar a estratégia e tentando otimizar a estratégia para retornos mais altos e / ou menor risco. Você precisará levar em conta suas próprias necessidades de capital se administrar a estratégia como um operador de "varejo" e como os custos de transação afetarão a estratégia.

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

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

Aqui está uma pequena lista de lugares para começar a procurar ideias estratégicas:

Muitas das estratégias que você irá analisar se encaixarão nas categorias de reversão à média e tendência / momento. Uma estratégia de reversão à média é aquela que tenta explorar o fato de que existe uma média de longo prazo em uma "série de preços" (como o spread entre dois ativos correlatos) e que desvios de curto prazo dessa média eventualmente reverterão. Uma estratégia de momentum tenta explorar tanto a psicologia do investidor quanto a grande estrutura de fundos, "pegando carona" em uma tendência de mercado, que pode ganhar impulso em uma direção e seguir a tendência até que ela se reverta.

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

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

Backtesting de estratégia.

O objetivo do backtesting é fornecer evidências de que a estratégia identificada por meio do processo acima é lucrativa quando aplicada a dados históricos e fora da amostra. Isso define a expectativa de como a estratégia funcionará no "mundo real". No entanto, backtesting não é garantia de sucesso, por várias razões. É talvez a área mais sutil do comércio quantitativo, uma vez que implica inúmeros vieses, que devem ser cuidadosamente considerados e eliminados, tanto quanto possível. Discutiremos os tipos comuns de polarização, incluindo viés de antecipação, viés de sobrevivência e viés de otimização (também conhecido como viés de "espionagem de dados"). Outras áreas de importância dentro do backtesting incluem a disponibilidade e a limpeza de dados históricos, levando em consideração custos de transação realistas e decidindo sobre uma plataforma robusta de backtesting. Discutiremos os custos de transação na seção Sistemas de Execução abaixo.

Uma vez que uma estratégia tenha sido identificada, é necessário obter os dados históricos através dos quais realizar testes e, talvez, refinamento. Há um número significativo de fornecedores de dados em todas as classes de ativos. Seus custos geralmente variam de acordo com a qualidade, profundidade e pontualidade dos dados. O ponto de partida tradicional para os comerciantes de quantia iniciais (pelo menos no nível de varejo) é usar o conjunto de dados gratuito do Yahoo Finance. Não vou me debruçar muito sobre fornecedores aqui, em vez disso, gostaria de me concentrar nas questões gerais ao lidar com conjuntos de dados históricos.

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

Precisão pertence à qualidade geral dos dados - se contém algum erro. Às vezes, os erros podem ser fáceis de identificar, como com um filtro de pico, que detecta "picos" incorretos nos dados de séries temporais e os corrige. Em outras ocasiões, podem ser muito difíceis de detectar. Muitas vezes é necessário ter dois ou mais provedores e, em seguida, verificar todos os seus dados uns contra os outros. O viés de sobrevivência é muitas vezes uma "característica" de conjuntos de dados gratuitos ou baratos. Um conjunto de dados com viés de sobrevivência significa que ele não contém ativos que não estão mais sendo negociados. No caso de ações, isso significa ações excluídas / falidas. Esse viés significa que qualquer estratégia de negociação de ações testada em tal conjunto de dados provavelmente terá um desempenho melhor do que no "mundo real", já que os "vencedores" históricos já foram pré-selecionados. As ações corporativas incluem atividades "logísticas" realizadas pela empresa, que geralmente causam uma mudança na função de etapa do preço bruto, que não deve ser incluída no cálculo dos retornos do preço. Ajustes para dividendos e desdobramentos são os culpados comuns. Um processo conhecido como ajuste de costas é necessário para ser realizado em cada uma dessas ações. É preciso ter muito cuidado para não confundir um desdobramento de ações com um verdadeiro ajuste de retorno. Muitos traders foram pegos por uma ação corporativa!

Para realizar um procedimento de backtest, é necessário usar uma plataforma de software. Você tem a escolha entre softwares backtest dedicados, como o Tradestation, uma plataforma numérica como o Excel ou o MATLAB ou uma implementação personalizada completa em uma linguagem de programação como Python ou C ++. Eu não vou me demorar muito em Tradestation (ou similar), Excel ou MATLAB, como eu acredito em criar uma pilha de tecnologia interna completa (por razões descritas abaixo). Um dos benefícios disso é que o software de backtest e o sistema de execução podem ser totalmente integrados, mesmo com estratégias estatísticas extremamente avançadas. Para as estratégias de HFT, em particular, é essencial usar uma implementação personalizada.

Ao fazer o backtest de um sistema, é preciso ser capaz de quantificar o desempenho do mesmo. As métricas "padrão da indústria" para estratégias quantitativas são o rebaixamento máximo e o Índice de Sharpe. O rebaixamento máximo caracteriza a maior queda de ponta a ponta na curva de patrimônio da conta em um determinado período de tempo (geralmente anual). Isso é mais frequentemente citado como uma porcentagem. As estratégias de LFT tenderão a ter rebaixamentos maiores do que as estratégias de HFT, devido a vários fatores estatísticos. Um backtest histórico mostrará o último drawdown máximo, que é um bom guia para o futuro desempenho de drawdown da estratégia. A segunda medida é o Índice de Sharpe, que é definido heuristicamente como a média dos retornos excedentes dividida pelo desvio padrão desses retornos excedentes. Aqui, os retornos excedentes referem-se ao retorno da estratégia acima de um benchmark pré-determinado, como o S & P500 ou um Tesouro de 3 meses. Note que o retorno anualizado não é uma medida normalmente utilizada, pois não leva em conta a volatilidade da estratégia (diferentemente do Índice de Sharpe).

Uma vez que uma estratégia tenha sido backtested e seja considerada livre de preconceitos (na medida em que isso é possível!), Com um bom Sharpe e rebaixamentos minimizados, é hora de construir um sistema de execução.

Sistemas de Execução.

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

As principais considerações ao criar um sistema de execução são a interface com a corretora, a minimização dos custos de transação (incluindo comissão, derrapagem e spread) e a divergência de desempenho do sistema ao vivo do desempenho do backtested.

Há muitas maneiras de interagir com uma corretora. Eles variam de chamar seu corretor por telefone até uma Application Programming Interface (API) de alto desempenho totalmente automatizada. O ideal é que você queira automatizar a execução de suas negociações o máximo possível. Isso libera você para se concentrar em mais pesquisas, bem como permitir que você execute várias estratégias ou mesmo estratégias de maior frequência (na verdade, HFT é essencialmente impossível sem execução automatizada). O software comum de backtesting descrito acima, como MATLAB, Excel e Tradestation, é bom para estratégias mais simples e de menor frequência. No entanto, será necessário construir um sistema de execução interno escrito em uma linguagem de alto desempenho, como C ++, para fazer qualquer HFT real. Como uma anedota, no fundo em que eu costumava trabalhar, tínhamos um "ciclo de negociação" de 10 minutos, onde baixávamos novos dados de mercado a cada 10 minutos e depois executávamos negociações com base nessas informações no mesmo período de tempo. Isso estava usando um script Python otimizado. Para qualquer coisa que se aproxime de dados de frequência de minutos ou segundos, acredito que C / C ++ seria mais ideal.

Em um fundo maior, muitas vezes não é o domínio do comerciante de quantificação para otimizar a execução. No entanto, em pequenas lojas ou empresas de HFT, os comerciantes são os executores e, portanto, um conjunto de habilidades muito mais amplo é geralmente desejável. Tenha isso 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 econométricos!

Outra questão importante que cai sob a bandeira da execução é a minimização dos custos de transação. Geralmente, há três componentes nos custos de transação: Comissões (ou impostos), que são as taxas cobradas pela corretora, pela bolsa e pela SEC (ou órgão regulador governamental similar); escorregamento, que é a diferença entre o que você pretendia que seu pedido fosse preenchido versus o que foi realmente preenchido; spread, que é a diferença entre o preço de compra / venda do título negociado. Observe que o spread NÃO é constante e depende da liquidez atual (ou seja, disponibilidade de ordens de compra / venda) no mercado.

Os custos de transação podem fazer a diferença entre uma estratégia extremamente lucrativa com um bom índice de Sharpe e uma estratégia extremamente não lucrativa com um índice de Sharpe terrível. Pode ser um desafio prever corretamente os custos de transação de um backtest. Dependendo da frequência da estratégia, você precisará acessar os dados históricos do câmbio, que incluirão dados de ticks para preços de compra / venda. Equipes inteiras de quantos são dedicadas à otimização da execução nos fundos maiores, por esses motivos. Considere o cenário em que um fundo precisa descarregar uma quantidade substancial de negociações (das quais as razões para isso são muitas e variadas!). Ao "despejar" tantas ações no mercado, elas rapidamente deprimirão o preço e podem não obter uma execução ideal. Daí algoritmos que "gotejam feed" ordens para o mercado existem, embora o fundo corre o risco de derrapagem. Além disso, outras estratégias "atacam" essas necessidades e podem explorar as ineficiências. Este é o domínio da arbitragem da estrutura do fundo.

A última grande questão para os sistemas de execução diz respeito à divergência de desempenho da estratégia do desempenho do backtested. Isso pode acontecer por vários motivos. Já analisamos o viés de look-ahead e o viés de otimização em profundidade, ao considerar os backtests. No entanto, algumas estratégias não facilitam o teste desses vieses antes da implantação. Isso ocorre em HFT mais predominantemente. Pode haver bugs no sistema de execução, bem como a própria estratégia de negociação que não aparece em um backtest, mas aparece no live trading. O mercado pode ter sido sujeito a uma mudança de regime após a implantação de sua estratégia. Novos ambientes regulatórios, mudanças no sentimento do investidor e fenômenos macroeconômicos podem levar a divergências na forma como o mercado se comporta e, portanto, na rentabilidade de sua estratégia.

Gerenciamento de riscos.

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

A gestão de risco também abrange o que é conhecido como alocação de capital ideal, que é um ramo da teoria de portfólio. Esse é o meio pelo qual o capital é alocado a um conjunto de estratégias diferentes e aos negócios dentro dessas estratégias. É uma área complexa e depende de algumas matemáticas não triviais. O padrão da indústria pelo qual a alocação ótima de capital e a alavancagem das estratégias estão relacionadas é chamado de critério de Kelly. Como este é um artigo introdutório, não vou me alongar em seu cálculo. O critério de Kelly faz algumas suposições sobre a natureza estatística dos retornos, que muitas vezes não são verdadeiros nos mercados financeiros, de modo que os operadores geralmente são conservadores quando se trata da implementação.

Outro componente fundamental do gerenciamento de riscos é lidar com o próprio perfil psicológico. Existem muitos vieses cognitivos que podem surgir na negociação. Embora isso seja reconhecidamente menos problemático com negociação algorítmica se a estratégia for deixada em paz! Um viés comum é o da aversão à perda, em que uma posição perdedora não será fechada devido à dor de ter que perceber uma perda. Da mesma forma, os lucros podem ser tomados muito cedo porque o medo de perder um lucro já ganho pode ser muito grande. Outro viés comum é conhecido como viés de recência. Isso se manifesta quando os operadores enfatizam demais os eventos recentes e não a longo prazo. Então, é claro, há o par clássico de preconceitos emocionais - medo e ganância. Estes podem muitas vezes levar a sub ou sobre-alavancagem, o que pode causar blow-up (ou seja, o título da conta indo para 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 documentos inteiros foram escritos sobre questões para as quais eu só dei uma ou duas sentenças. Por esse motivo, antes de se candidatar a cargos quantitativos de negociação de fundos, é necessário realizar uma quantidade significativa de estudo de base. No mínimo, você precisará de um extenso conhecimento em estatística e econometria, com muita experiência em implementação, por meio de uma linguagem de programação como MATLAB, Python ou R. Para estratégias mais sofisticadas no final de frequência mais alta, seu conjunto de habilidades é provável para incluir a modificação do kernel do Linux, C / C ++, programação de montagem e otimização de latência de rede.

Se você estiver interessado em tentar criar suas próprias estratégias de negociação algorítmica, minha primeira sugestão seria se programar bem. Minha preferência é construir o máximo possível de dados capturados, backtester de estratégia e sistema de execução. Se o seu próprio capital está em jogo, não dormiria melhor à noite sabendo que você testou completamente o seu sistema e está ciente de suas armadilhas e problemas específicos? Terceirizar isso para um fornecedor, enquanto potencialmente economiza tempo a curto prazo, pode ser extremamente caro a longo prazo.

A Quantcademy.

Participe do portal de associação da Quantcademy que atende à crescente comunidade de traders de quantificação de varejo e aprenda como aumentar a lucratividade de sua estratégia.

Negociação Quantitativa.

Investimento quantitativo e idéias de negociação, pesquisa e análise.

Sexta-feira, 27 de março de 2009.

Um leitor comenta sobre negociação usando o Excel VBA e o Modelo de Fator.

9 comentários:

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

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

Um pouco de sorte não irá interferir no forex.

"No entanto, um problema que encontrei é o meu desejo contínuo de modificar e melhorar regularmente o sistema, o que eu descobri que pode se tornar contraproducente, pois há 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, o que eu descobri que pode se tornar contraproducente, pois há um perigo real de que o desenvolvimento do sistema se torne um fim em si mesmo!"

* gestão deficiente da memória (isso pode piorar ainda mais o desempenho),

* você não pode usar o sistema de controle de versão que permitiria rastrear mudanças (quem-o-por-quando-quando) e facilitaria 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 se torna incontrolável, uma das razões para isso é que você não pode usar o controle de versão.

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

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

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

Oi Dr. Ernie Chan.

Eu usei o matlab2ibapi por vários meses e descobri que ele é bastante útil e confiável para automatizar minhas estratégias. Na verdade, vou publicar um artigo ilustrando como usá-lo.

Sobre planilha e finanças quantitativas:

Gostaria de saber se existe uma ferramenta melhor do que o Excel / VBA.

Pode ser mais rápido a curto prazo, mas não consegue lidar com uma enorme quantidade de dados.

Eu desisti completamente de usar planilhas para quase qualquer coisa.

EPAT TM - Programa Executivo em Negociação Algorítmica.

O Programa Executivo de Negociação Algorítmica da QuantInsti é projetado para profissionais que desejam crescer no campo ou planejam iniciar suas carreiras em Negociações Algorítmicas e Quantitativas.

Ele inspira os traders tradicionais a uma carreira de negociação algorítmica bem-sucedida, concentrando-se em derivativos, negociação quantitativa, mercado eletrônico ou tecnologia relacionada ao comércio e gerenciamento de riscos. Esse abrangente curso de negociação algorítmica oferece insights inigualáveis ​​sobre o mundo dos algoritmos, tecnologia financeira e mudança da microestrutura de mercado, seguindo uma estrutura de curso exaustiva projetada pelos principais tradutores algorítmicos, especialistas quantitativos e líderes de pensamento de HFT.

Duração - 6 meses (4 meses de treinamento & # 038; 2 meses de trabalho de projeto opcional)

Especialização - Classe particular de ativos e / ou estratégia de negociação algorítmica através do trabalho do projeto.

Entrega on-line - Uma experiência de aprendizado focada que consiste em sessões práticas conduzidas por meio de reuniões na Web e ambientes virtuais de aprendizagem.

Certificação - A avaliação é composta por tarefas, questionário e participação. Após a conclusão bem-sucedida, os participantes receberão um certificado da QuantInsti Quantitative Learning Pvt Ltd.

O currículo.

Este módulo é material preparatório para iniciantes que recentemente começaram a aprender Algorithmic Trading.

Aborda as bases do Algorithmic Trading, Statistics, Options & Derivatives, módulo de Auto-estudo do MS Excel, a ser completado antes que as Palestras ao vivo comecem de 10 a 20 horas de curso, seguidas pelos Testes Primários obrigatórios.

Este módulo é o primeiro módulo com palestras ao vivo no treinamento Algorithmic Trading e abrange alguns dos conceitos mais cruciais a serem aplicados e usados ​​no futuro.

Termos básicos, conceitos relacionados a ordens e gerenciamento de dados Arquitetura do sistema e gerenciamento de riscos na negociação algorítmica - complexidades envolvidas Gerenciamento de fluxo de pedidos, rastreamento, discrição, estratégias VWAP 12 horas de palestras ao vivo e 10 horas de curso composto de tarefas e questionários.

Um módulo para iniciantes neste curso de comércio da Algo que inclui conceitos de probabilidade, estatística e econometria.

Trabalhando com conjuntos de dados OHLC, indicadores e geração de sinais de negociação Aplicação de estratégias de negociação no MS Excel, aplicação de estatísticas na previsão de preços futuros de ações e aproximações de risco / recompensa Sessões práticas e práticas transmitindo habilidades computacionais que serão necessárias mais tarde 9 horas palestras e 8 horas de curso composto por tarefas e questionários.

Introdução a tópicos avançados em cursos de negociação quantitativa que requerem conhecimento sobre Opções e Derivativos e Estatística.

Modelos de precificação de opções e seus aplicativos. Carteiras de opções de construção com base nos gregos da opção. Conceitos de negociação de dispersão, implementação e roadblocks Concepção de uma ferramenta de gerenciamento de risco que mostra a sensibilidade do portfólio de opções a diferentes condições, permitindo que o trader modifique seu portfólio para atender a cenários futuros de mercado, 12-15 horas de conteúdo de palestras e 10-15 horas de curso.

R é uma linguagem popular para negociação e análise quantitativa. Os cursos de negociação algorítmica contam com a linguagem estatística de código aberto R para manipulação e gerenciamento de dados e Análise de séries temporais.

Introdução ao R através de testes estatísticos básicos e cálculos seguidos por códigos escritos para construir indicadores quantitativos e estratégias de negociação Dicas e truques R úteis para navegar em grandes conjuntos de dados Implementando o modelo usando GARCH (1,1) para prever a volatilidade usando R e estimar os parâmetros do modelo Usando pacotes avançados para codificar estratégias de negociação em R 15 horas de conteúdo de palestras e 25 horas de curso.

Este é o módulo mais estratégico para traders individuais, bem como para traders institucionais que desejam montar sua própria mesa de operações ou estão buscando novas plataformas / software / infraestrutura.

Entendendo os requisitos de infraestrutura Entendendo o ambiente de negócios, incluindo ambiente regulatório, os investimentos de capital necessários para configurar uma Mesa de Operações Algorítmicas Além do corpo docente da QI, os especialistas do setor são convidados a compartilhar experiências e insights de 3 a 9 horas de conteúdo da palestra.

É o módulo mais crucial deste curso de negociação algorítmica com altos requisitos dos alunos para praticar e tentar estratégias hands-on.

Exposição a diferentes paradigmas de estratégia de negociação quantitativa populares em negociação algorítmica, tais como arbitragem estatística, microestrutura de mercado, tendência, mercado, aprendizagem de máquina Avaliar problemas e oportunidades nos mercados globais através das lentes da econometria, psicologia e estatística Lidar com a incerteza com foco em gerenciamento de risco na negociação de 42 a 47 horas de conteúdo de palestras e 75 a 80 horas de trabalho no curso.

Aprenda a automatizar suas estratégias de negociação neste módulo do EPAT ™. Novamente, um módulo exigente que é prático e prático, exigindo que os participantes aprendam e pratiquem o Python para backtesting e execução de estratégias. Os principais especialistas, como o Dr. Yves Hilpisch, autor do livro "Python for Finance", são um dos principais membros do corpo docente deste módulo.

Introdução a plataformas de negociação automatizadas baseadas em Python Aprenda a escrever seus próprios códigos em Python Programação Orientada a Objetos e Pacotes Úteis em Python para negociação Permite que o participante implemente estratégias no ambiente de negociação ao vivo 18-24 horas de conteúdo de palestras e 80-100 horas de curso trabalhos.

Os participantes podem optar por concluir um projeto sob orientação de um profissional / comerciante que envolva ideação e criação de uma estratégia de negociação. O tópico do projeto se qualifica para área de especialização e aprendizagem aprimorada. Os participantes precisam comparecer ao exame final para se qualificarem para a Certificação.

Faculdade EPAT.

Nitin é um parceiro da Pentagon Advisory Ltd. Ele tem sido um quant em iRageCapital.

Palestrante mundialmente renomado em Opções, Derivativos e Pesquisa de Negociação Baseada em Notícias.

Autor de "Algorithmic Trading: Estratégias Vencedoras e Sua Justificativa".

Faculdade de oficinas sobre programas de Algorithmic Trading realizados pela Indian National Stock Exchange.

Varun Divakar é membro da equipe de pesquisa e desenvolvimento da Quantra na QuantInsti.

Autor de "Python for Finance - Analisar grandes dados financeiros", publicado por O'Reilly.

Co-fundador iRageCapital e QuantInsti. Especialista em Estudos Inter-Mercados.

Vivek trabalhou em várias instituições financeiras e educacionais líderes na Índia e em Cingapura.

Chefe do departamento de Pesquisa Quantitativa da QuantInsti. Analista líder e especialista em quantificação.

Sameer lidera a divisão de Programação de Baixa Latência na iRageCapital Advisory Pvt Ltd.

Autor, IBridgePy, um software de código aberto para negociar com Interactive Brokers.

Radha trabalha como cientista de dados na Thomson Reuters.

Gaurav lidera o desenvolvimento de negociação quantitativa na iRage, juntamente com o negócio global de clientes.

Sunith é especialista no campo de algoritmos evolutivos e modelos não convencionais de computação.

A Anil concebeu práticas de risco e conformidade para toda a empresa na iRageCapital.

Nitin Agarwal.

Nitin é sócio da Pentagon Advisory Ltd. Sua gama de experiência vai desde o desenvolvimento de novas tecnologias químicas revolucionárias até a criação de estratégias de negociação proprietárias. Antes de liderar a equipe de Operações na Pentagon Advisory, ele tem sido uma quantia na iRageCapital e um Associado de Liderança com o Aditya Birla Group. Ele tem uma paixão pelo ensino e em seu tempo livre escreve artigos para revistas internacionais. Seu artigo mais recente envolveu o desenvolvimento da equação de Swamee-Aggarwal.

Rajib Ranjan Borah.

Rajib fez seu bacharelado em engenharia da computação pela NIT, Surathkal e PGDM da IIM Calcutta. Ele é finalista da Olimpíada Nacional de Biologia e representou a Índia no Campeonato Mundial de Quebra-Cabeças.

Rajib lidera o negócio de negociação de propulsores da iRage como seu CEO, focando no desenvolvimento de estratégia, gerenciamento de risco e processos internos. Ele também é palestrante regular em conferências de comércio algorítmico na Ásia, América e Europa. Experiências anteriores - quant research (Bloomberg, NY); negociação de alta frequência (Optiver, Amsterdã); tecnologia de análise de dados (Oracle); estratégia de negócios para uma empresa de investimento e bolsas de derivativos (PwC).

Dr. Ernest P. Chan.

Dr. Chan é um operador de pool de commodities e consultor comercial. Desde 1994, ele tem focado no desenvolvimento de modelos estatísticos e algoritmos avançados de computador para encontrar padrões e tendências em grandes quantidades de dados. Ele aplicou sua experiência em reconhecimento de padrões estatísticos para projetos que vão desde recuperação textual na IBM Research, dados de relacionamento com clientes de mineração no Morgan Stanley e negociação de arbitragem estatística.

pesquisa de estratégia no Credit Suisse, Mapleridge Capital Management e outros fundos de hedge.

Shaurya Chandra.

Shaurya fez B. Tech Electrical Engineering da IIT Roorkee e PGDM da IIM Ahmedabad.

Shaurya foca extensivamente em pesquisa estatística e desenvolvimento de estratégias. Em seus papéis anteriores, suas áreas de foco foram Derivativos e Pesquisa Quantitativa com foco em Algoritmos de Execução de Ordens do Sell-Side. Antes da iRageCapital, Shaurya trabalhou no Bank of America, na Edelweiss Securities Ltd. e na Systematix Stock & Shares Ltd., onde trabalhou como Analista de Derivativos e Quantitativo focado nos mercados de ações da Índia.

Varun Divakar.

Varun é graduado em engenharia civil pelo Instituto Indiano de Tecnologia, Roorkee.

Varun Divakar é membro da equipe de Pesquisa e Desenvolvimento da Quantra na QuantInsti e é responsável pela criação do conteúdo para estratégias de negociação, usando técnicas de Quantitative e Machine Learning.

Antes da QuantInsti, Varun trabalhou como trader de commodities associado gerenciando mercados internacionais de energia e softs no Futures First.

Dr. Yves Hilpisch.

Nitesh Khandelwal.

Nitesh fez engenharia elétrica de B. Tech de IIT Kanpur e PGDM de IIM Lucknow.

Nitesh tem uma rica experiência em mercados financeiros abrangendo várias classes de ativos em diferentes funções. Antes de liderar o QuantInsti ™ como seu CEO, ele era o líder de negócios da iRage.

Ele tem experiência anterior em tesouraria bancária (domínio de taxa de câmbio e juros) e como trader líder em uma mesa de negociação proprietária.

Vivek Krishnamoorthy.

Abhishek Kulkarni.

Sameer Kumar.

Sameer concluiu seu Mestrado em Economia e Sistemas de Informação na BITS Pilani.

Sameer lidera a pesquisa de tecnologia de núcleo e aprendizado de máquina na iRage. Ele é apaixonado por conduzir a tecnologia básica ao estabelecer novos benchmarks na latência de tick-to-trade. Ele está envolvido em projetar modelos comerciais usando pesquisas de aprendizagem profunda aproveitando a natureza temporal e espacial da microestrutura de mercado simultaneamente.

Dr. Hui Liu

Dr. Liu é o autor de IbridgePy e fundador da Running River Investment LLC. Seus principais interesses comerciais são ações dos EUA e mercado Forex. A Running River Investment LLC é um fundo de hedge privado especializado no desenvolvimento de estratégias de negociação automatizadas usando o Python.

Radha Krishna Pendyala.

Radha trabalha como cientista de dados na Thomson Reuters. Seu trabalho envolve a aplicação de aprendizado de máquina e técnicas de modelagem financeira quantitativa para grandes conjuntos de dados, a fim de resolver problemas específicos no setor financeiro. Obteve seu mestrado em engenharia financeira pela City University of New York.

Gaurav Raizada.

Gaurav fez o B. Tech Chemical Engineering do IIT Kanpur e o PGDM do IIM Lucknow.

Gaurav lidera o desenvolvimento de negociação quantitativa na iRage, juntamente com o negócio global de clientes. Ele também lidera o desenvolvimento de sistemas, desempenho e estratégia, incluindo desenvolvimento de sistemas de negociação, redução de latência e otimização.

Antes da iRageCapital, Gaurav trabalhou com o Axis Bank como um operador de derivativos de taxas de juros.

Sunith Reddy.

Sunith fez o B. Tech, Computer Engineering da IIT Madras.

Sunith é especialista no campo de algoritmos evolutivos e modelos não convencionais de computação. Seu trabalho foi apresentado no "Simpósio de Modelos Não-Convencionais da Computação". A Sunith traz consigo uma alta qualidade de conhecimento técnico, especialmente nos campos de algoritmos e arquitetura de alto desempenho. Experiência anterior - LimeLabs, Yahoo R & D, Xilinx.

Anil Yadav.

Anil fez B. Tech Mechanical Engineering da IIT Kanpur e PGDM da IIM Lucknow.

Na iRage, Anil gerenciou várias estratégias de negociação e, em seguida, também projetou práticas de risco e conformidade para toda a empresa. A Anil desenvolveu e liderou com sucesso o desenvolvimento escalonável da Estratégia Quantitativa para as operações do fundo. Antes da iRage, Anil trabalhou como trader independente de commodities, gerenciando um portfólio de produtos de metais e energia e como Analista Sênior no Private Equity do The Chatterjee Group (TCG).

fundo e como analista conversível no Lehman Brothers.

Histórias de sucesso.

Jacques Francois Joubert.

Analista Quantitativo na NMRQL,

“Passei muito tempo procurando o equivalente de CFA para negociação algorítmica e o EPAT é a correspondência mais próxima. Adorei como o curso cobriu uma ampla gama de tópicos. Quando comecei o curso, tinha planos de voltar à universidade para estudar matemática, mas, pouco antes de terminar o curso, fui contratado por um cobiçado fundo de hedge quantitativo como analista quantitativo. Um agradecimento especial à faculdade. ”

CEO da Quanticko Trading S. A.

"Estou muito feliz com o apoio prestado pela equipe de administração. O corpo docente está muito empenhado em resolver dúvidas. Tendo trabalhado em uma das principais corretoras, eu certamente gostaria de entrar em negociações algorítmicas e é aí que o curso EPAT da QuantInsti vai ajudar mim."

Associate na Morgan Stanley,

"Na Quantinsti, aprendi a desenvolver estratégias quantitativas que podem ser usadas em negociação algorítmica e de alta frequência. O corpo docente da Quantinsti é altamente qualificado. Os insights que eles trazem para a sala de aula como consultores são muito valiosos e tornam cada lição muito eficaz. A experiência de aprendizado on-line foi muito boa e me deu a flexibilidade para ver as gravações de palestras perdidas. "

Fundador, Chengetedzai Central.

Depositário de Valores Mobiliários, Zimbábue.

"Estou iniciando uma mesa de Algorithmic e High-Frequency mais tarde, então para mim o melhor (parte) foi obter a experiência real e o conhecimento de como implementar as estratégias que seriam úteis em minhas próprias mesas. Neste programa, você aprende desde o básico até estatísticas avançadas. É uma experiência incrível porque você aprende a trabalhar na plataforma de negociação avançada que é usada por muitas mesas de operações. "

EPAT TM Alumni Profile.

Nós treinamos participantes que vêm de experiências muito ricas e interdisciplinares, tanto em termos de sua formação acadêmica quanto de sua experiência na indústria.

Alunos de todos os continentes habitados participaram do EPAT ™.

O curso é projetado para profissionais que trabalham com um grande interesse em mercados financeiros e avanços tecnológicos. Em cada lote de EPAT ™, vemos uma rica mistura de traders, analistas, desenvolvedores, gestores de risco, fundadores, proprietários de mesa para fornecer uma experiência única de interação e networking com outras participações.

Aprender a construir uma estratégia comercial perfeita é uma coisa, mas é realmente a execução de idéias que separa as ovelhas das cabras. Nossos alunos dominam a arte da execução com projetos que não são apenas inovadores, mas também inovadores. Eles aproveitam o conhecimento adquirido durante o EPAT ™ e os transformam em trabalhos de pesquisa originais e prontos para publicação.

Alguns dos tópicos do projeto recentemente concluídos como parte do curso do EPAT ™ incluem:

Desenvolvimento do Sistema de Negociação Automatizada em Nuvem com Aprendizado de Máquina por Maxime Fages e Estratégia de Troca e Backtesting de Pareamento Derek Wong usando a Quantstrat por Marco Nicolas Dibo.

Admissão EPAT.

Quem pode se inscrever?

O curso de negociação Algo da QuantInsti destina-se a pessoas que trabalham ou pretendem migrar para o lado de compra ou venda de negócios com foco em derivativos, negociação quantitativa, mercado eletrônico ou tecnologia relacionada ao comércio e gerenciamento de riscos.

O Programa Executivo na Algorithmic Trading ™ fornece treinamento prático para Quants, Traders Programmers, Gerentes de Fundos, Consultores, Desenvolvedores de Produtos Financeiros, Pesquisadores e Entusiastas da Algo Trading. Ele fornece insights sobre os fundamentos do comércio quantitativo e as soluções tecnológicas para implementá-los.

Cada participante que é aceito no curso tem um alto nível de curiosidade intelectual, um forte interesse em finanças e fortes habilidades analíticas. Embora não haja exigência específica de graduação, a maioria dos participantes terá formação em disciplinas quantitativas, como matemática, estatística, ciências físicas, engenharia, pesquisa operacional, ciência da computação, finanças ou economia. Os participantes de outras disciplinas devem ter familiaridade com cálculos, planilhas e resolução de problemas computacionais.

Processo de admissão.

Antes da admissão, será realizada uma sessão de aconselhamento que se concentrará na compreensão dos pontos fortes e fracos dos participantes. Essas sessões não determinam necessariamente a elegibilidade dos participantes, mas ajudam os conselheiros a orientá-los com informações antes da inscrição.

Uma abordagem da Quant para construir estratégias de negociação: parte três.

Esta é a terceira parte de nossa entrevista com um gerente de carteira quantitativa sênior em um grande fundo de hedge. Na primeira parte, ela discutiu a fase teórica da criação de uma estratégia de negociação quantitativa. Na segunda parte, ela descreveu a transição para a "produção". Essa entrevista recebeu tantas perguntas excelentes que dedicamos um post inteiro às respostas.

Você pode ler a primeira parte da entrevista aqui e a segunda parte da entrevista aqui. Leitores & # 8217; perguntas foram levemente editadas para maior clareza.

1. Como você monitora e gerencia seu modelo uma vez ao vivo? Quais verificações e procedimentos adicionais você usa?

Acredito firmemente na reconciliação PL manual como uma ferramenta de diagnóstico. Eu gosto de saber, todos os dias, exatamente de onde meu PL está vindo. O que enriqueceu, o que baniu, quanto e por quê. Isso me dá confiança de que o modelo está funcionando como projetado e serve como um sistema de alerta antecipado para más notícias.

Próximo: na minha mesa, usamos um sistema de “parceiros comerciais”, onde um dos outros traders sabe tudo o que há para saber sobre o meu modelo e posições. Ele também acompanha meus negócios todos os dias, então é um par de olhos extra e independente.

Finalmente: tento não recalibrar meu modelo com muita frequência. Essa é uma inclinação escorregadia na direção do ajuste de curva. Mas eu tento me criticar o tempo todo: questiono minhas suposições macroeconômicas, falo com pessoas com pontos de vista contrários, e assim por diante.

A combinação de observar meus próprios negócios como um falcão e conversar com colegas e colegas inteligentes e céticos parece funcionar muito bem para mim. Tenho certeza de que existem outras maneiras de fazer isso.

(Nenhum dos itens acima, a propósito, deve ser interpretado como um substituto para uma equipe de gerenciamento de riscos excelente e independente, ou para o monitoramento no nível da mesa.)

2. Você configura regras de monitoramento predefinidas ou disjuntores que desativam o modelo automaticamente? Se sim, como você constrói estes, que tipos de medidas você usa neles?

Eu sou meio antiquado - eu não acredito que os disjuntores realmente funcionem. Ou, para ser mais preciso, os portfólios com disjuntores programáticos têm desempenho inferior às carteiras sem, no longo prazo. O raciocínio é que os disjuntores impedem que você saia de bons negócios com muita frequência, de tal forma que essas perdas superam as raras ocasiões em que eles evitam problemas sérios.

(Se você pudesse de alguma forma calibrar seu disjuntor para impedi-lo apenas de catástrofes, você teria efetivamente construído um "indicador de desvio-máximo". Assim como acontece com as máquinas de movimento perpétuo, esse é um argumento reductio ad absurdum.)

Note que estou falando de portfólios clássicos de cálculos de quantificação aqui, não de execução eletrônica ou HFT. Nos últimos casos, posso ver totalmente por que você deseja vários cofres de falhas e disjuntores - esses livros podem escapar de você muito rápido. Mas essa não é minha área de especialização.

Na minha área, observei alguns padrões em modelos que se quebram. Para começar, eles raramente explodem instantaneamente. Em vez disso, ou a oportunidade apenas desaparece gradualmente (arbitrada por copycats), ou o spread lentamente e imperceptivelmente se distancia cada vez mais do valor justo e nunca volta (mudança de regime).

Por outro lado, se uma negociação diverge e então a divergência se acelera, isso cheira muito mais a uma capitulação. Nesses casos, quero manter minha posição e, de fato, adicionar, se puder.

Portanto, a conclusão paradoxal é que quanto mais rápido um modelo perde dinheiro, mais provável é que ainda seja válido.

EXCETO se as perdas forem devidas a um evento exógeno claro - a China está mudando a pegada do Renminbi, ou o Iraque invadindo o Kuwait, por exemplo. Nesse caso, você esperaria perdas rápidas e sem perspectivas imediatas de recuperação. Então você quer parar.

Boa sorte em programar um disjuntor coerente para lidar com essa lógica!

Este é realmente um microcosmo do problema maior. Uma situação em que um disjuntor ajudaria quase certamente será uma perversão suficiente para evitar a maioria das tentativas a priori de definição.

3. Como você determina se o modelo está morto ou apenas tendo um mau momento? Você conhece algum filtro útil de mudança de regime preditivo?

Esta foi a pergunta mais comum. E tenho medo de ter que desapontar todos: não sei a resposta. Eu queria ter feito!

Para mim, eu uso uma variedade de regras práticas. Testes estatísticos para garantir que as meta-características do modelo permaneçam intactas. Evidência anedótica de entrada ou saída de capital no mercado. Posições e dores de outras pessoas. Ação de preço: é nervoso e agitado, ou aborrecido e cortado? E assim por diante.

Eu ainda não encontrei um indicador confiável, universal, preditivo (ou mesmo contemporâneo) de mudança de regime / modelo de morte. Triste mas verdadeiro.

4. As mortes por modelo parecem durar um período de anos e depois voltam melhor do que nunca. Você continua acompanhando modelos “mortos” e você os trará de volta depois de um “renascimento”?

Absolutamente, e esse é um ótimo ponto. Modelos voltam dos mortos. Os futuros em notas t-shirts dos EUA versus dinheiro são um exemplo clássico: ele circulou entre “dinheiro fácil”, “arbitragem total” e “blowup central” três vezes na minha carreira de trading. Mesma ciência em cada caso; Tudo o que mudou foi o apetite pelo risco do mercado. Então eu nunca digo adeus a um modelo para sempre; Eu tenho um enorme catálogo de idéias cujo tempo pode voltar.

5. O que você acha de adotar uma abordagem mais “gradual” para monitorar onde, em vez de classificar os modelos como mortos ou vivos (binários), você dimensiona a quantidade de capital comprometida com cada modelo, dependendo do desempenho do modelo agregado? Então, você nunca está completamente fora do mercado, mas ao mesmo tempo não dedica capital a estratégias moribundas.

Sim, esta é uma ideia interessante. Eu já vi PMs experimentarem técnicas de alocação de risco “darwinianas”, investindo mais dinheiro em estratégias de sucesso e tirando dinheiro dos perdedores. Até certo ponto, todo bom PM faz isso, mas alguns são mais rigorosos do que outros. E pelo menos uma grande loja que eu conheço é completamente e inequivocamente executada dessa maneira.

6. O que você acha das regras de gerenciamento de dinheiro, como tamanho ótimo de apostas?

Estou ciente da literatura sobre isso (o critério de Kelly e seus descendentes) e, em geral, minhas posições são consistentes com essas regras. Mas eu os uso como um teste de sanidade, não como um determinante primário de posições.

7. Estratégias quantitativas ou técnicas proporcionam retornos “confortáveis” consistentes? Você confia em um sistema ou continua mudando sistemas arbitrariamente?

Você tem que continuar evoluindo com os mercados. Nenhum sistema ou estratégia única funciona para sempre.

8. Eu observei que você já usou Matlab, Python e Excel (e presumivelmente usa C # / C ++ / Java) para produção. O processo de mudança de linguagens diferentes (como Matlab, Python, C # / C ++ / Java 4) não é complicado?

Não é tão complicado. Eu normalmente acho que a parte mais entediante é garantir que os dados fluam de forma consistente e suave entre diferentes aplicativos ou idiomas. A tradução de sintaxe é fácil; tradução de dados, não tanto.

9. O que você pode fazer no Matlab que você não pode fazer em Python ou vice-versa?

Hoje em dia, você tem razão, não há muito o que você não pode fazer em Python. E de fato me vejo usando Python cada vez mais. Mas esse nem sempre foi o caso; A multiplicidade de bibliotecas financeiras de código aberto em Python é um fenômeno relativamente recente.

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

Eu concordo totalmente. O Excel é frágil de várias maneiras. É fácil cometer erros operacionais, é impossível auditar, não é muito eficaz, mas é interrompido nos momentos mais inconvenientes. Então você tem que ter muito cuidado em como e onde você usa o Excel. Dito isso, acho que os benefícios superam os muitos custos.

11. Que tipo de tempo de espera você espera de colegas de engenharia que codificam sua estratégia em C ou Python? Tanto para a primeira implementação de corte e, em seguida, correções e aprimoramentos?

Depende da estratégia. Eu diria que a mediana é de 4 a 5 semanas para o primeiro corte e talvez outras de 2 a 3 semanas para ajustes e ajustes. Algumas estratégias são mais simples e podem ser trazidas ao vivo em questão de dias. Por outro lado, lembro-me de uma estratégia específica que levou vários meses para instanciar. Acabou sendo super rentável, então nesse caso valeu a pena, mas em geral eu queria me mover muito mais rápido do que isso.

Não se engane: depois de encontrar uma nova fonte de alfa, o relógio está correndo. Você está em uma corrida para extrair o máximo possível de PL antes que a oportunidade desapareça.

12. Achei este comentário interessante: “Por exemplo, calibro dados mensais, mas testo dados diários.” Eu acho que depende do que você quer dizer com “calibração”, mas isso me pareceu um pouco incomum.

Vamos simplificar e supor que estou tentando capturar tendências (lentas) usando um crossover de média móvel. Eu brinco com dados mensais até conseguir algo que acho que funciona. Para passar para os dados diários eu deveria multiplicar alguns parâmetros por.

20 (como os comprimentos médios móveis) porque há cerca de 20 dias úteis em um mês e outros por.

sqrt (20) [vários parâmetros de escala muito chatos para discutir aqui]. Mas o modelo ainda deve se comportar da mesma maneira. O volume de negócios, por exemplo, não deve aumentar quando me desloco diariamente.

Por outro lado, se eu mantiver os parâmetros iguais, em vez de pegar, digamos, uma tendência de seis meses, estou pegando uma tendência de seis dias úteis. Mas o ponto ideal para a tendência que segue a maioria dos ativos tende a ser um pouco mais lento do que isso, então é improvável que pareça tão bom. Além disso, meu volume de negócios será muito maior, mas você esperaria isso. Em outras palavras, não tenho certeza se todos os aspectos do comportamento do mercado são "fractais", de modo que posso aplicar exatamente o mesmo modelo a diferentes escalas de tempo.

Os mercados são fractais? Boa pergunta e uma que passei muitas noites debatendo.

Pessoalmente, acho que não, porque certos eventos exógenos atuam como uma função forçante: chamadas diárias de margem de troca, MTMs mensais para hedge funds, demonstrações financeiras trimestrais para bancos de capital aberto. Esses eventos fazem com que algo aconteça (não importa o que) nessas freqüências. Portanto, nem todas as escalas de tempo são criadas de forma igual, e apenas acelerar / desacelerar o relógio não é uma abordagem “neutra”.

Então, eu realmente sou muito cauteloso sobre quais estratégias eu faria com esse tipo de mudança de tempo.

Aqui está uma estratégia de brinquedo onde o deslocamento do tempo pode funcionar. Pegue duas tiras de futuros no mesmo espaço - talvez trigo de inverno e primavera. Procure casos em que um é retrocedido e o outro em contango. Compre frente baixa, venda de volta alta, venda frente alta, compre de volta baixa. Uma estratégia totalmente simples, quase “burra”, mas para muitos pares de futuros costumava funcionar bem.

Este é um ótimo caso para mudar escalas de tempo. Essa estratégia deve funcionar se você amostrar / rebalancear semanalmente, mensalmente ou trimestralmente - porque as variáveis ​​de decisão são estado puro, sem caminho. Não estamos olhando para históricos de preços; nem estamos olhando para instrumentos com um componente de tempo (ligações que se acumulam, ou opções que decaem, ou passeios aleatórios com um desvio). Então, dado que a estratégia é realmente limpa, podemos nos safar desse tipo de teste de robustez.

(Advertência: lance-peça é o fator complicador aqui - a escala de tempo escolhida precisa ser grande o suficiente para permitir uma ação de preço que supere a fricção. O lance-pedido é a ruína de quantos em todos os lugares.)

Mas eu nunca aplicaria esse mesmo teste para, digamos, uma estratégia de acompanhamento de tendências. Isso levantaria todo tipo de questões filosóficas. O que significa para uma estratégia ter um “ponto ideal” em, digamos, nove dias, ou 200 dias, ou sempre? Ao otimizar para esse ponto ideal, você está ajustando a curva? Ou o fato de que quase todo mundo usa 9d e 200d cria uma profecia auto-realizável, e então esses números representam algo estrutural sobre o mercado? Eu já ouvi argumentos convincentes nos dois sentidos. E se você amostrasse seus dados no intervalo X e, em seguida, fizesse médias móveis de 9X e 200X - isso funcionaria? Diversas questões filosóficas. Eu não tenho certeza das respostas.

Outras notas: Concordo que “calibração” foi uma escolha desleixada da palavra por mim nessa frase em particular. "Ideação" teria sido melhor. Se você está calibrando, já está introduzindo mais estrutura do que a mudança de horário pode manipular com segurança.

13. Você poderia dar mais detalhes sobre o uso do Monte Carlo na inicialização dos parâmetros?

Para a maioria das otimizações, eu preciso ter um vetor de suposições iniciais para os parâmetros - o “ponto inicial” para a minha descida gradiente n-dimensional. O problema é que os sistemas não lineares tendem a ter mínimos locais que são fáceis de absorver. Você pode usar saltos aleatórios (“simulated annealing”) para escapar deles, mas acho que um método mais robusto é executar novamente a otimização muitas vezes, mas com diferentes pontos de partida. Eu uso amostragem de Monte Carlo para gerar esses pontos de partida: basicamente, escolha valores aleatórios para cada parâmetro (consistente com as características de distribuição desse parâmetro).

14. Como você escala sua estratégia de negociação? Quanto ganho por transação seria considerado um bom modelo? E em que escala de tempo está negociando? Que intervalo de escalas de tempo são usadas em sua indústria? Quanto dinheiro pode ser despejado em um esquema de sucesso, isso é limitado por quanto dinheiro o seu fundo tem disponível ou há limites tipicamente no próprio esquema de negociação?

Eu tenho algumas regras que tento seguir.

Para um mercado de microestrutura, onde há muito pouco risco de uma explosão catastrófica, mas a vantagem é similarmente limitada, eu gostaria de fazer 10x o lance-peça em um horizonte de menos de um mês. Se bid-ask é 1pb, quero fazer 10pb com alta probabilidade de sucesso (após custos de financiamento). A restrição de ligação nesses negócios geralmente é o balanço patrimonial: eu preciso ter certeza de que o comércio paga um retorno decente do capital bloqueado.

Para um comércio mais macro / temático, escolho meu tamanho com base nas metas de perda máxima e PL para o ano. Bid-ask e balanço são menos relevantes aqui; É tudo sobre o quanto posso perder, e por quanto tempo posso manter a posição. Obviamente eu uso rabos muito gordos no meu prognóstico.

A propósito, a escala ideal muda com o tempo. Eu conheço algumas pessoas da LTCM, e eles costumavam fazer pontos completos de lucro de arbitragem em Treasuries durante um período de semanas. Uma década depois, esse mesmo comércio faria meros ticks: uma compressão de 30 vezes na oportunidade. Você precisa estar ciente e se adaptar às mudanças estruturais no mercado, à medida que o conhecimento se difunde.

Quanto aos horizontes temporais: pessoalmente, estou confortável em escalas de tempo de algumas semanas a alguns meses. Os dois melhores negócios da minha carreira foram mantidos por dois anos cada. (Eles explodiram, eu aumentei agressivamente, depois montei a convergência até o valor justo). Meu parceiro na mesa de operações negocia os mesmos instrumentos e estratégias que eu, mas os detém por algumas horas a alguns dias no máximo. Então, é tudo uma questão de estilo pessoal e preferência de risco.

Em relação à implantação de capital: trabalho para um fundo grande e a restrição quase sempre foi o próprio mercado. (Mesmo quando o mercado é tão grande e líquido quanto os títulos do Tesouro dos EUA). Há muito o que você pode comprar, apenas muitos lances que você pode atingir antes de começar a movimentar o mercado agressivamente contra você.

15. Fiquei me perguntando como interpretar “Meu parceiro na mesa de negociação comercializa os mesmos instrumentos e estratégias que eu, mas os detém por algumas horas a alguns dias no máximo.” É justo dizer que você está executando quant estratégias, mas que a execução / posicionamento / reequilíbrio são feitos de forma discricionária? Ou você quer dizer que ele está calibrando seus modelos de tal forma que eles fazem negócios em bairros mais apertados em torno de um valor de equilíbrio, mas também têm paradas mais apertadas?

Um pouco dos dois. Minha execução / posicionamento / rebalanceamento é largamente discricionário - embora informado por muita pesquisa e calibração e pensando em limites. Sua execução é mais mecanicista: ele programou um conjunto de regras e apenas as segue.

Além disso, usamos "sabores" semelhantes de modelos, mas eles não são exatamente os mesmos. Ele faz negócios menores para oportunidades mais rápidas com paradas mais apertadas. E ele está disposto a recalibrar o "valor justo" muito mais rapidamente do que eu. Em algumas áreas específicas, ele é quase um criador de mercado (é assim que ele defende bid-ask). Eu não estou; Eu definitivamente sou um tomador de preços.

16. Você tem algum conselho para alguém que começou como um quant em um fundo de hedge sistemático? Como eu me torno realmente bom nisso? O que diferencia os que têm sucesso daqueles que não o fazem?

Em poucas palavras: disciplina intelectual. Com isso quero dizer uma combinação de rigor processual, falta de auto-ilusão e humildade diante dos dados.

Os Quants tendem a se apaixonar por seus modelos e se apegam a eles a todo custo. A satisfação intelectual de um belo modelo ou tecnologia é sedutora. É ainda pior se o modelo for bem-sucedido: além do apego emocional, você precisa lidar com a arrogância. Então um dia tudo desaba em torno de você.

A razão de eu ter tido sucesso nessa indústria por décadas é que tenho uma forte percepção da minha própria ignorância e não tenho medo de parecer um tolo. Eu faço perguntas idiotas, eu questiono tudo, eu constantemente re-examino minhas próprias suposições. Isso me ajuda a me reinventar à medida que o mercado muda.

O que você acha das nossas respostas quantitativas? Deixe suas perguntas ou comentários abaixo e ela responderá.