Negociação estratégias quantitativas

Estratégias de Negociação Quantitativa Trades com base em eventos corporativos antecipados, como fusão antecipada ou atividade de take-over ou arquivamento de falência. Também chamado de arbitragem de risco. Negociação de Valor Relativo vs. Negociação Direcional A maioria das estratégias de negociação de hedge funds quantitativas se enquadram em uma de duas categorias: aquelas que usam estratégias de Valor Relativo e aquelas cujas estratégias seriam caracterizadas como Direcionais. Ambas as estratégias utilizam fortemente modelos de computador e software estatístico. As estratégias de Valor Relativo tentam capitalizar relações de preços previsíveis (geralmente relações de reversão de média) entre múltiplos ativos (por exemplo, a relação entre as taxas de curto prazo do Tesouro Americano vs. Volatilidade em dois contratos de opções diferentes). As estratégias direcionais, por sua vez, normalmente baseiam-se em tendências ou em outros caminhos baseados em padrões sugerindo um impulso ascendente ou descendente para um título ou conjunto de valores mobiliários (por exemplo, apostando que os rendimentos dos títulos do Tesouro dos EUA a longo prazo aumentarão ou que a volatilidade implícita será declínio). Estratégias de Valor Relativo Exemplos comuns de estratégias de Valor Relativo incluem colocar apostas relativas (ou seja, comprar um ativo e vender outro) em ativos cujos preços estão intimamente ligados: Títulos públicos de dois países diferentes Títulos públicos de dois comprimentos diferentes até o vencimento O diferencial na volatilidade implícita entre dois derivativos Os preços das ações versus os preços dos títulos para um emissor de títulos corporativos Os spreads de rendimento das obrigações de empresas contra os spreads de Credit Default Swap (CDS) A lista de potenciais estratégias de Valor Relativo está muito acima são apenas alguns exemplos. Há três estratégias de Valor Relativo muito importantes e comumente usadas para serem percebidas: Arbitragem Estatística: negociação de uma tendência de reversão média dos valores de cestas similares de ativos com base em relações comerciais históricas. Uma forma comum de Arbitragem Estatística, ou Stat Arb, negociação, é conhecida como Equity Market Neutral trading. Nesta estratégia, são escolhidas duas cestas de acções (uma cesta comprida e uma cesta curta), com o objectivo de que os pesos relativos das duas cestas deixem o fundo com uma exposição líquida nula a vários factores de risco (indústria, geografia, sector, etc. .) Stat Arb também poderia envolver a negociação de um índice contra um ETF semelhante, ou um índice versus estoque de uma única empresa. Arbitragem Convertible: compra de emissões de obrigações convertíveis por uma empresa e simultaneamente venda de ações ordinárias da mesma empresa, com a idéia de que, se o estoque de uma determinada empresa diminuir, o lucro da posição curta compensará mais do que qualquer perda na obrigação convertível Dado o valor das obrigações convertíveis como um instrumento de rendimento fixo. Da mesma forma, em qualquer movimento de preço para cima da ação ordinária, o fundo pode lucrar com a conversão de suas obrigações convertíveis em ações, vendendo esse estoque pelo valor de mercado por um montante que exceda quaisquer perdas em sua posição vendida. Arbitragem de renda fixa: negociação de títulos de renda fixa em mercados de obrigações desenvolvidos para explorar anomalias de taxa de juros relativas percebidas. Posições de Arbitragem de Renda Fixa podem usar títulos do governo, swaps de taxas de juros e futuros de taxas de juros. Um exemplo popular deste tipo de negociação em arbitragem de renda fixa é o comércio de base, no qual se vende (compra) futuros do Tesouro, e compra (vende) uma quantidade correspondente do vínculo entregável potencial. Aqui, está a considerar a diferença entre o preço à vista de uma obrigação e o preço do contrato de futuros ajustado (factor de conversão dos preços futuros) e negociar os pares de activos em conformidade. Estratégias direcionais As estratégias de negociação direcional, por sua vez, normalmente baseiam-se em tendências ou em outros caminhos baseados em padrões sugerindo um impulso ascendente ou descendente para um preço de segurança. Negociação direcional muitas vezes incorporar alguns aspectos da Análise Técnica ou gráficos. Isso envolve a previsão da direção dos preços através do estudo de dados de mercado de preços e volumes anteriores. A direção a ser negociada pode ser a de um ativo em si (impulso nos preços das ações, por exemplo, ou a taxa de câmbio do dólar) ou um fator que afeta diretamente o próprio preço do ativo (por exemplo, volatilidade implícita para opções ou juros Taxas para títulos públicos). A negociação técnica também pode compreender o uso de médias móveis, bandas em torno do desvio padrão histórico dos preços, níveis de suporte e resistência e taxas de variação. Tipicamente, os indicadores técnicos não constituiriam a única base para uma estratégia de investimento Quantitative Hedge Funds Quant Hedge Funds emprega muitos fatores adicionais além das informações históricas sobre preços e volumes. Em outras palavras, os fundos de hedge quantitativos que empregam estratégias de negociação direcional geralmente têm estratégias quantitativas gerais que são muito mais sofisticadas do que a análise técnica geral. Isto não é para sugerir que os comerciantes dia não pode ser capaz de lucrar com a análise técnica, ao contrário, muitas estratégias de negociação baseada em momentum pode ser rentável. Assim, para efeitos deste módulo de formação, as referências às estratégias de negociação do Quant Hedge Fund não incluirão apenas estratégias baseadas na Análise Técnica. Outras Estratégias Quantitativas Outras abordagens de negociação quantitativa que não são facilmente categorizadas como Estratégias de Valor Relativo ou Estratégias Direcionais incluem: Negociação de Alta Frequência. Onde os comerciantes tentam tirar proveito das discrepâncias de preços entre plataformas múltiplas com muitos negócios durante todo o dia. As estratégias de Managed Volatility usam futuros e contratos a termo para se concentrarem na geração de retornos absolutos baixos, mas estáveis, LIBOR-plus, aumentando ou diminuindo dinamicamente o número de contratos. As volatilidades subjacentes dos mercados de ações, títulos e outros mercados mudam. As estratégias de volatilidade gerenciada ganharam popularidade nos últimos anos devido à recente instabilidade dos mercados de ações e de títulos. LarrQue é um Fundo de Hedge Quantitativo Top Quantitativa Hedge FundsrarrQuantitative Trading O que é Quantitative Trading Quantitative negociação consiste em estratégias de negociação com base em análise quantitativa. Que se baseiam em cálculos matemáticos e número crunching para identificar oportunidades comerciais. Como o comércio quantitativo é geralmente usado por instituições financeiras e fundos de hedge. As transações são geralmente de grande porte e podem envolver a compra e venda de centenas de milhares de ações e outros títulos. No entanto, o comércio quantitativo está se tornando mais comumente usado por investidores individuais. BREAKING Down Quantitative Trading Preço e volume são duas das entradas de dados mais comuns utilizados na análise quantitativa como os principais inputs para modelos matemáticos. As técnicas de negociação quantitativas incluem o comércio de alta frequência. Negociação algorítmica e arbitragem estatística. Estas técnicas são rápido-fogo e têm tipicamente horizontes de investimento a curto prazo. Muitos comerciantes quantitativos estão mais familiarizados com ferramentas quantitativas, como médias móveis e osciladores. Compreender a negociação quantitativa Comerciantes quantitativos tirar proveito da tecnologia moderna, matemática ea disponibilidade de bancos de dados abrangentes para tomar decisões comerciais racionais. Os comerciantes quantitativos tomam uma técnica de negociação e criam um modelo usando a matemática, e então desenvolvem um programa de computador que aplica o modelo aos dados históricos do mercado. O modelo é então testado e otimizado. Se forem obtidos resultados favoráveis, o sistema é então implementado em mercados em tempo real com capital real. A forma como funcionam os modelos de negociação quantitativa pode ser melhor descrita usando uma analogia. Considere um relatório meteorológico em que o meteorologista prevê uma chance de 90 de chuva enquanto o sol está brilhando. O meteorologista obtém 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 estes padrões são comparados com os mesmos padrões revelados nos dados climáticos históricos (backtesting), e 90 em cada 100 vezes o resultado é chuva, então o meteorologista pode tirar a conclusão com confiança, daí a previsão 90. Os comerciantes quantitativos aplicam este mesmo processo ao mercado financeiro para tomar decisões comerciais. Vantagens e Desvantagens da Negociação Quantitativa O objetivo da negociação é calcular a probabilidade ótima de executar um comércio rentável. Um comerciante típico pode efetivamente monitorar, analisar e tomar decisões de negociação em um número limitado de títulos antes que a quantidade de dados recebidos oprima 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. Superar a emoção é um dos problemas mais difundidos com a negociação. Seja medo ou ganância, ao negociar, a emoção serve apenas para sufocar o pensamento racional, que geralmente leva a perdas. Computadores e matemática não possuem emoções, portanto, o comércio quantitativo elimina esse problema. O comércio quantitativo tem seus problemas. Os mercados financeiros são algumas das entidades mais dinâmicas que existem. Portanto, os modelos de negociação quantitativos devem ser tão dinâmicos para serem consistentemente bem-sucedidos. Muitos comerciantes quantitativos desenvolvem modelos que são temporariamente lucrativos para a condição de mercado para a qual foram desenvolvidos, mas falham em última instância quando as condições de mercado mudam. Estratégias Quantitativas - São para Você As estratégias de investimento quantitativas evoluíram em ferramentas muito complexas com o advento de computadores modernos , Mas as raízes das estratégias remontam a mais de 70 anos. Eles são geralmente executados por equipes altamente educadas e usar modelos proprietários para aumentar sua capacidade de bater o mercado. Há mesmo off-the-shelf programas que são plug-and-play para aqueles que procuram simplicidade. Quant modelos sempre funcionam bem quando volta testado, mas suas aplicações reais e taxa de sucesso são discutíveis. Enquanto eles parecem funcionar bem em mercados de touro. Quando os mercados ficam mal, as estratégias quantirais estão sujeitas aos mesmos riscos que qualquer outra estratégia. A História Um dos fundadores do estudo da teoria quantitativa aplicada às finanças foi Robert Merton. Você só pode imaginar o quão difícil e demorado o processo foi antes do uso de computadores. Outras teorias em finanças também evoluíram a partir de alguns dos primeiros estudos quantitativos, incluindo a base da diversificação de portfólio baseada na moderna teoria da carteira. A utilização de financiamento e cálculos quantitativos levou a muitas outras ferramentas comuns, incluindo uma das mais famosas, a Black-Scholes fórmula de precificação opção, que não só ajuda os investidores preço opções e desenvolver estratégias, mas ajuda a manter os mercados em cheque com liquidez. Quando aplicado diretamente ao gerenciamento de portfólio. O objetivo é como qualquer outra estratégia de investimento. Para adicionar valor, alfa ou excesso retorna. Quants, como os desenvolvedores são chamados, compõem modelos matemáticos complexos para detectar oportunidades de investimento. Existem tantos modelos lá fora como quants que desenvolvê-los, e todos afirmam ser o melhor. Uma das estratégias de investimento mais vantajosas é que o modelo, e, em última instância, o computador, faz a decisão real de compra, não um ser humano. Isso tende a remover qualquer resposta emocional que uma pessoa pode experimentar ao comprar ou vender investimentos. As estratégias de Quant são agora aceitas na comunidade de investimento e geridas por fundos mútuos, hedge funds e investidores institucionais. Eles normalmente vão pelo nome alfa geradores. Ou alfa gens. Atrás da cortina Assim como em O Mágico de Oz, alguém está por trás da cortina que conduz o processo. Como com qualquer modelo, seu somente tão bom quanto o ser humano que desenvolve o programa. Embora não exista um requisito específico para se tornar um quant, a maioria das empresas que executam modelos quant combinam as habilidades de analistas de investimento, estatísticos e programadores que codificam o processo para os computadores. Devido à natureza complexa dos modelos matemáticos e estatísticos, é comum ver credenciais como pós-graduação e doutorado em finanças, economia, matemática e engenharia. Historicamente, esses membros da equipe trabalhavam nos back offices. Mas como os modelos de quant tornou-se mais comum, o back office está se movendo para o front office. Benefícios de estratégias Quant Enquanto a taxa de sucesso global é discutível, a razão de algumas estratégias quant trabalho é que eles são baseados em disciplina. Se o modelo estiver certo, a disciplina mantém a estratégia trabalhando com computadores de velocidade relâmpago para explorar ineficiências nos mercados com base em dados quantitativos. Os modelos em si podem ser baseados em tão pouco como algumas razões como PE. Dívida para capital próprio e crescimento de lucros, ou usar milhares de insumos trabalhando juntos ao mesmo tempo. Estratégias bem sucedidas podem pegar em tendências em seus estágios iniciais como os computadores constantemente executar cenários para localizar ineficiências antes que outros fazem. Os modelos são capazes de analisar um grupo muito grande de investimentos simultaneamente, onde o analista tradicional pode estar olhando apenas alguns de cada vez. O processo de triagem pode classificar o universo por níveis de grau como 1-5 ou A-F dependendo do modelo. Isso torna o processo de negociação real muito simples, investindo nos investimentos altamente cotados e vendendo os mais baixos. Modelos Quant também abrem variações de estratégias como longo, curto e longshort. Fundos quant bem sucedidos mantêm um olho afiado no controle de risco devido à natureza de seus modelos. A maioria das estratégias começa com um universo ou benchmark e usa ponderações setoriais e industriais em seus modelos. Isso permite que os fundos controlem a diversificação até certo ponto sem comprometer o próprio modelo. Os fundos Quant funcionam normalmente em uma base de custo mais baixo porque eles não precisam de tantos analistas tradicionais e gerentes de portfólio para executá-los. Desvantagens de estratégias Quant Há razões por que tantos investidores não abraçar totalmente o conceito de deixar uma caixa preta executar seus investimentos. Para todos os fundos quant bem sucedidos lá fora, assim como muitos parecem ser malsucedido. Infelizmente para a reputação dos quants, quando falham, falham grande. Long-Term Capital Management foi um dos mais famosos fundos de hedge, já que foi administrado por alguns dos mais respeitados líderes acadêmicos e dois economistas premiados com o Nobel Memorial, Myron S. Scholes e Robert C. Merton. Durante os anos 90, sua equipe gerou retornos acima da média e atraiu capital de todos os tipos de investidores. Eles eram famosos por não apenas explorar as ineficiências, mas usando o acesso fácil ao capital para criar enormes apostas apalancadas nas direções do mercado. A natureza disciplinada de sua estratégia realmente criou a fraqueza que levou ao seu colapso. Long-Term Capital Management foi liquidada e dissolvida no início de 2000. Seus modelos não incluem a possibilidade de que o governo russo poderia inadimplência em parte de sua própria dívida. Esse evento desencadeou eventos e uma reação em cadeia ampliada pelo caos causado pela alavancagem. A LTCM estava tão envolvida com outras operações de investimento que seu colapso afetou os mercados mundiais, desencadeando eventos dramáticos. A longo prazo, o Federal Reserve interveio para ajudar, e outros bancos e fundos de investimento apoiou LTCM para evitar quaisquer danos adicionais. Esta é uma das razões pelas quais os fundos podem fracassar, pois são baseados em eventos históricos que podem não incluir eventos futuros. Enquanto uma equipe de quant forte vai constantemente adicionando novos aspectos aos modelos para prever eventos futuros, é impossível prever o futuro cada vez. Quant fundos também podem se tornar oprimido quando a economia e os mercados estão experimentando maior do que a volatilidade média. Os sinais de compra e venda podem vir tão rapidamente que a alta rotatividade pode criar comissões elevadas e eventos tributáveis. Quant fundos também podem representar um perigo quando eles são comercializados como à prova de urso ou são baseados em estratégias de curto. Previsões de recessão. Usando derivativos e combinando alavancagem pode ser perigoso. Um giro errado pode levar a implosões, que muitas vezes fazem a notícia. O Bottom Line As estratégias de investimento quantitativo evoluíram de caixas pretas de back office para ferramentas de investimento mainstream. Eles são projetados para utilizar as melhores mentes nos negócios e os computadores mais rápidos para explorar as ineficiências e usar alavancagem para fazer apostas no mercado. Eles podem ser muito bem sucedidos se os modelos têm incluído todas as entradas direito e são ágeis o suficiente para prever eventos anormais do mercado. Por outro lado, enquanto os fundos quant estão rigorosamente testados até que funcionam, a sua fraqueza é que eles dependem de dados históricos para o seu sucesso. Embora o estilo de estilo de investimento tem seu lugar no mercado, é importante estar ciente de suas deficiências e riscos. Ser coerente com as estratégias de diversificação. É uma boa idéia para tratar estratégias quant como um estilo de investimento e combiná-lo com estratégias tradicionais para alcançar a diversificação adequada. Uma teoria econômica da despesa total na economia e seus efeitos no produto e na inflação. A economia keynesiana foi desenvolvida. A detenção de um activo numa carteira. Um investimento de carteira é feito com a expectativa de ganhar um retorno sobre ele. Este. Um índice desenvolvido por Jack Treynor que mede ganhos obtidos em excesso do que poderia ter sido obtido em um risco. A recompra de ações em circulação (recompra) por uma empresa para reduzir o número de ações no mercado. Empresas. Um reembolso de imposto é um reembolso sobre os impostos pagos a um indivíduo ou agregado familiar quando a responsabilidade fiscal real é inferior ao montante. O valor monetário de todos os produtos acabados e serviços produzidos dentro das fronteiras de um país em um período de tempo específico. Iniciante Guia de Negociação Quantitativa Neste artigo Im vai apresentá-lo a alguns dos conceitos básicos que acompanham um fim-de-final de negociação quantitativa Sistema. Este post esperamos servir duas audiências. O primeiro será indivíduos que tentam obter um emprego em um fundo como um comerciante quantitativo. O segundo serão os indivíduos que desejam tentar criar seu próprio negócio de negociação algorítmica de varejo. A negociação quantitativa é uma área extremamente sofisticada de finanças quantitativas. 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 uma extensa experiência em programação, pelo menos em uma linguagem como MATLAB, R ou Python. Contudo, à medida que a frequência de negociação da estratégia aumenta, os aspectos tecnológicos tornam-se muito mais relevantes. Assim, estar familiarizado com CC será de suma importância. Um sistema de negociação quantitativo consiste em quatro componentes principais: Identificação da Estratégia - Encontrar uma estratégia, explorando uma vantagem e decidir sobre a freqüência de negociação Backtesting Estratégia - Obtendo dados, analisando o desempenho da estratégia e removendo viéses Execution System - Ligação a uma corretora, automatizando a negociação e minimizando Custos de transação Gerenciamento de Risco - alocação de capital otimizada, a aposta critério de tamanhoKelly e psicologia de negociação Bem, comece por dar uma olhada em como identificar uma estratégia de negociação. Identificação da estratégia Todos os processos de negociação quantitativa começam com um período inicial de pesquisa. Este processo de pesquisa abrange encontrar uma estratégia, ver se a estratégia se enquadra 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 considerar seus próprios requisitos de capital se estiver executando a estratégia como um comerciante varejista e como quaisquer custos de transação afetarão a estratégia. Ao contrário da crença popular é realmente bastante simples de encontrar estratégias rentáveis ​​através de várias fontes públicas. Os acadêmicos publicam regularmente resultados de negociação teóricos (embora na maior parte brutos dos custos de transação). Os blogs quantitativos das finanças discutirão estratégias detalhadamente. Revistas de comércio descreverão algumas das estratégias empregadas pelos fundos. Você pôde questionar porque os indivíduos e as empresas são afiados discutir suas estratégias rentáveis, especial quando sabem que outros que aglomeram o comércio podem parar a estratégia do trabalho no prazo. A razão reside no fato de que eles não costumam discutir os parâmetros exatos e métodos de ajuste que eles têm realizado. Estas 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 o seu próprio processo de otimização. Aqui está uma pequena lista de lugares para começar a procurar idéias de estratégia: Muitas das estratégias que você vai olhar para cair nas categorias de média-reversão e trend-followingmomentum. Uma estratégia de reversão de 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 correlacionados) e que os desvios a curto prazo dessa média reverterão. Uma estratégia de dinamismo tenta explorar tanto a psicologia dos investidores quanto a estrutura de grandes fundos ao engatar uma tendência de mercado, que pode ganhar impulso em uma direção e seguir a tendência até que ela reverta. Outro aspecto extremamente importante do comércio quantitativo é a freqüência da estratégia de negociação. Negociação de baixa freqüência (LFT) geralmente se refere a qualquer estratégia que detém ativos mais do que um dia de negociação. Correspondentemente, a negociação de alta freqüência (HFT) geralmente se refere a uma estratégia que detém ativos intraday. Ultra-high frequency trading (UHFT) refere-se a estratégias que mantêm ativos na ordem de segundos e milissegundos. Como um praticante de varejo HFT e UHFT são certamente possível, mas apenas com conhecimento detalhado da pilha de tecnologia de negociação e dinâmica livro de pedidos. Nós não vamos discutir estes aspectos em grande medida neste artigo introdutório. Uma vez que uma estratégia, ou conjunto de estratégias, foi identificado, agora precisa ser testado para rentabilidade em dados históricos. Esse é o domínio do backtesting. Backtesting da estratégia O objetivo do backtesting é fornecer evidências de que a estratégia identificada através do processo acima é rentável quando aplicada a dados históricos e fora da amostra. Isso define a expectativa de como a estratégia irá funcionar no mundo real. No entanto, backtesting não é uma garantia de sucesso, por várias razões. É talvez a área mais sutil de negociação quantitativa, uma vez que implica vieses numerosos, que devem ser cuidadosamente considerados e eliminados, tanto quanto possível. Discutiremos os tipos comuns de viés, incluindo o viés prospectivo. Viés de sobrevivência e viés de otimização (também conhecido como viés de snooping de dados). Outras áreas de importância dentro de backtesting incluem disponibilidade e limpeza de dados históricos, factoring em custos de transação realistas e decidir sobre uma robusta plataforma de backtesting. Bem discutir os custos de transação ainda mais na seção Execution Systems abaixo. Uma vez que uma estratégia foi identificada, é necessário obter os dados históricos através dos quais para realizar testes e, talvez, refinamento. Há um número significativo de fornecedores de dados em todas as classes de ativos. Os seus custos geralmente variam em função da qualidade, profundidade e actualidade dos dados. O ponto de partida tradicional para começar comerciantes quant (pelo menos no nível de varejo) é usar o conjunto de dados livre do Yahoo Finance. Eu não vou me debruçar demais sobre os provedores, mas gostaria de me concentrar nas questões gerais ao lidar com conjuntos de dados históricos. As principais preocupações com dados históricos incluem a precisão de limpeza, viés de sobrevivência e ajuste para ações corporativas, tais como dividendos e divisões de ações: A precisão diz respeito à qualidade geral dos dados - se ele contém quaisquer erros. Erros às vezes podem ser fáceis de identificar, como com um filtro de pico. Que selecionará pontos incorretos em dados de séries de tempo e corrigirá para eles. Em outros momentos, 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 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 são mais comerciais. No caso de acções, isto significa ações de delistedbankrupt. Esse viés significa que qualquer estratégia de negociação de ações testada em um desses conjuntos 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 no preço bruto, que não deve ser incluída no cálculo dos retornos do preço. Os ajustes para dividendos e divisões de ações são os culpados comuns. Um processo conhecido como ajuste posterior é necessário para ser realizado em cada uma dessas ações. Deve-se ter muito cuidado para não confundir um grupamento de ações com um verdadeiro ajuste de retorno. Muitos comerciantes têm sido pegos por uma ação corporativa Para realizar um backtest procedimento é necessário usar uma plataforma de software. Você tem a escolha entre software de backtest dedicado, como Tradestation, uma plataforma numérica como o Excel ou MATLAB ou uma implementação personalizada completa em uma linguagem de programação como Python ou C. Eu não vou morar demais em Tradestation (ou similar), Excel ou MATLAB, como eu acredito em criar uma pilha inteira da tecnologia interna (pelas razões esboçadas abaixo). Um dos benefícios de fazer isso é que o software de backtest e o sistema de execução podem ser bem integrados, mesmo com estratégias estatísticas extremamente avançadas. Para estratégias HFT, em particular, é essencial usar uma implementação personalizada. Quando backtesting um sistema um deve ser capaz de quantificar o quão bem ele está realizando. As métricas padrão da indústria para estratégias quantitativas são a redução máxima eo Índice de Sharpe. A descida máxima caracteriza a maior queda pico-a-minucioso na curva de equidade da conta durante um determinado período de tempo (geralmente anual). Isso é mais freqüentemente citado como uma porcentagem. As estratégias LFT tendem a ter maiores reduções do que as estratégias HFT, devido a uma série de fatores estatísticos. Um backtest histórico mostrará o drawdown máximo passado, que é um bom guia para o desempenho de drawdown futuro da estratégia. A segunda medição é a Relação de Sharpe, que é definida 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 ponto de referência pré-determinado. Como o SP500 ou um Tesouro de 3 meses. Observe que o retorno anualizado não é uma medida normalmente utilizada, pois não leva em conta a volatilidade da estratégia (ao contrário do Índice de Sharpe). Uma vez que uma estratégia tem sido backtested e é considerado livre de preconceitos (na medida do possível), com um bom Sharpe e minimizado drawdowns, é hora de construir um sistema de execução. Sistemas de Execução Um sistema de execução é o meio pelo qual a lista de negócios gerados pela estratégia são enviados e executados pelo corretor. Apesar do fato de que a geração comercial 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, 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 associado com o gerador de comércio (devido à interdependência de estratégia e tecnologia). As principais considerações ao criar um sistema de execução são a interface para a corretora. Minimização dos custos de transação (incluindo comissão, deslizamento e spread) e divergência de desempenho do sistema ao vivo de desempenho backtestado. Há muitas maneiras de interagir com uma corretora. Eles variam de chamar seu corretor no telefone direto para um totalmente automatizado de alto desempenho Application Programming Interface (API). Idealmente, você deseja automatizar a execução de seus negócios, tanto quanto possível. Isso libera você para se concentrar em mais pesquisas, bem como permitir que você execute várias estratégias ou mesmo estratégias de maior freqüência (na verdade, HFT é essencialmente impossível sem a execução automatizada). O software de backtesting comum descrito acima, como MATLAB, Excel e Tradestation são bons para menor frequência, estratégias mais simples. No entanto, será necessário construir um sistema de execução interno escrito em uma linguagem de alto desempenho, como C, a fim de fazer qualquer HFT real. Como uma anedota, no fundo que eu costumava ser empregado em, tivemos um loop de negociação de 10 minutos, onde iria baixar novos dados de mercado a cada 10 minutos e, em seguida, executar comércios com base nessa informação no mesmo período de tempo. Isso foi usando um script Python otimizado. Para qualquer coisa que se aproxima de minutos ou de dados de segunda freqüência, eu acredito CC seria mais ideal. Em um fundo maior, muitas vezes não é o domínio do comerciante quant para otimizar a execução. No entanto, em pequenas lojas ou empresas HFT, os comerciantes são os executores e, portanto, um conjunto de habilidades muito mais amplo é muitas vezes 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 grande questão que cai sob a bandeira de execução é a de minimização de custos de transação. Geralmente, há três componentes para os custos de transação: Comissões (ou impostos), que são as taxas cobradas pela corretora, pela bolsa e pela derrogação da SEC (ou órgão regulador governamental semelhante), que é a diferença entre o que você pretendia que sua ordem fosse Preenchido em relação ao que foi realmente preenchido no spread, que é a diferença entre o preço bidask do título negociado. Observe que o spread não é constante e é dependente da liquidez atual (ou seja, disponibilidade de ordens de compra) no mercado. Os custos de transação podem fazer a diferença entre uma estratégia extremamente rentável com uma boa relação de Sharpe e uma estratégia extremamente improdutiva com uma proporção de Sharpe terrível. Pode ser um desafio para prever corretamente os custos de transação de um backtest. Dependendo da frequência da estratégia, você precisará acessar dados históricos de troca, que incluirão dados de tick para os preços de bidask. Equipes inteiras de quants são dedicadas à otimização da execução nos fundos maiores, por estas razões. Considere o cenário em que um fundo precisa descarregar uma quantidade substancial de negócios (dos quais as razões para fazê-lo são muitas e variadas). Ao lançar tantas ações para o mercado, elas rapidamente diminuirão o preço e poderão não obter uma execução ótima. Daí os algoritmos que gotejam ordens de alimentação para o mercado existem, embora então 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 de estrutura de fundo. A grande questão final para os sistemas de execução diz respeito à divergência do desempenho da estratégia com o desempenho testado. Isso pode acontecer por várias razões. Nós já discutimos o viés prospectivo eo viés de otimização em profundidade, ao considerar backtests. No entanto, algumas estratégias não tornam mais fácil testar esses vieses antes da implantação. Isto ocorre em HFT mais predominantemente. Pode haver bugs no sistema de execução, bem como a própria estratégia de negociação que não aparecem em um backtest, mas mostrar-se na negociação ao vivo. O mercado pode ter sido sujeito a uma mudança de regime subseqüente à implantação de sua estratégia. Novos ambientes regulatórios, a mudança do sentimento dos investidores e os fenômenos macroeconômicos podem levar a divergências na forma como o mercado se comporta e, portanto, a rentabilidade de sua estratégia. Gestão de Risco A peça final para o quebra-cabeça negociação quantitativa é o processo de gestão de risco. Risco inclui todos os preconceitos anteriores que discutimos. Ele inclui o risco de tecnologia, tais como servidores co-localizado na troca de repente desenvolvendo um mau funcionamento do disco rígido. Inclui o risco da corretora, tal como o corretor que torna-se falido (não tão louco como soa, dado o susto recente com MF global). Em suma, abrange quase tudo o que poderia interferir com a execução de negociação, de que há muitas fontes. Livros inteiros são dedicados à gestão de risco para estratégias quantitativas assim que eu wontt tentativa de elucidate em todas as fontes possíveis do risco aqui. A gestão de risco também engloba o que é conhecido como alocação de capital ótima. Que é um ramo da teoria da carteira. Este é o meio pelo qual o capital é alocado para um conjunto de diferentes estratégias e para os negócios dentro dessas estratégias. É uma área complexa e depende de algumas matemáticas não-triviais. O padrão da indústria, através do qual a otimização da alocação de capital e alavancagem das estratégias estão relacionadas, é chamado de critério de Kelly. Uma vez que este é um artigo introdutório, eu não ficarei no 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 comerciantes são frequentemente conservadores quando se trata da implementação. Outro componente chave do gerenciamento de risco é lidar com o perfil psicológico próprio. Há muitos preconceitos cognitivos que podem fluir para a negociação. Although this is admittedly less problematic with algorithmic trading if the strategy is left alone A common bias is that of loss aversion where a losing position will not be closed out due to the pain of having to realise a loss. Similarly, profits can be taken too early because the fear of losing an already gained profit can be too great. Another common bias is known as recency bias . This manifests itself when traders put too much emphasis on recent events and not on the longer term. Then of course there are the classic pair of emotional biases - fear and greed. These can often lead to under - or over-leveraging, which can cause blow-up (i. e. the account equity heading to zero or worse) or reduced profits. As can be seen, quantitative trading is an extremely complex, albeit very interesting, area of quantitative finance. I have literally scratched the surface of the topic in this article and it is already getting rather long Whole books and papers have been written about issues which I have only given a sentence or two towards. For that reason, before applying for quantitative fund trading jobs, it is necessary to carry out a significant amount of groundwork study. At the very least you will need an extensive background in statistics and econometrics, with a lot of experience in implementation, via a programming language such as MATLAB, Python or R. For more sophisticated strategies at the higher frequency end, your skill set is likely to include Linux kernel modification, CC, assembly programming and network latency optimisation. If you are interested in trying to create your own algorithmic trading strategies, my first suggestion would be to get good at programming. My preference is to build as much of the data grabber, strategy backtester and execution system by yourself as possible. If your own capital is on the line, wouldnt you sleep better at night knowing that you have fully tested your system and are aware of its pitfalls and particular issues Outsourcing this to a vendor, while potentially saving time in the short term, could be extremely expensive in the long-term. Just Getting Started with Quantitative Trading