Forex Quantitativa Trading Strategie

Trading Quantitative Qual è Quantitative Trading commercio quantitativa consiste di strategie di trading basate sull'analisi quantitativa. che si basano su calcoli matematici e macinare numeri per identificare le opportunità di trading. Come di trading quantitativo è generalmente utilizzato da istituzioni finanziarie e fondi hedge. le transazioni sono di solito di grandi dimensioni e può prevedere l'acquisto e la vendita di centinaia di migliaia di azioni e altri titoli. Tuttavia, il commercio quantitativa sta diventando sempre più comunemente utilizzato dai singoli investitori. SMONTAGGIO Quantitative Trading del prezzo e di volume sono due degli ingressi di dati più comuni utilizzati in analisi quantitativa come il principale input per modelli matematici. tecniche di trading quantitative includono trading ad alta frequenza. trading algoritmico e l'arbitraggio statistico. Queste tecniche sono fuoco rapido e in genere hanno orizzonti di investimento a breve termine. Molti commercianti quantitativi sono più familiarità con strumenti quantitativi, come ad esempio le medie e oscillatori in movimento. Comprendere i commercianti Quantitative Trading Quantitative sfruttano la tecnologia moderna, la matematica e la disponibilità di basi di dati completi per prendere decisioni di trading razionali. commercianti quantitativi prendono una tecnica di trading e creare un modello di esso utilizzando la matematica, e poi sviluppare un programma per computer che applica il modello ai dati storici di mercato. Il modello è quindi backtested e ottimizzato. Se i risultati favorevoli sono raggiunti, il sistema viene implementato in mercati in tempo reale con il capitale reale. La funzione di modelli di trading modo quantitativo può essere meglio descritto con un'analogia. Considerate le previsioni del tempo in cui il meteorologo prevede un 90 possibilità di pioggia mentre il sole splende. Il meteorologo deriva questa conclusione controintuitiva raccogliendo e analizzando i dati climatici dai sensori in tutta l'area. Un'analisi quantitativa computerizzata rivela modelli specifici nei dati. Quando questi modelli vengono confrontati con gli stessi schemi rivelati nel centro storico di clima dei dati (backtesting), e 90 di 100 volte il risultato è la pioggia, poi il meteorologo può trarre la conclusione con fiducia, da cui il 90 previsione. commercianti quantitativi applicare questo stesso processo al mercato finanziario per prendere decisioni di trading. Vantaggi e svantaggi di Trading quantitativa L'obiettivo di trading è quello di calcolare la probabilità ottimale di esecuzione di un commercio redditizio. Un tipico trader può effettivamente monitorare, analizzare e prendere decisioni di trading su un numero limitato di titoli prima della quantità di dati in entrata travolge il processo decisionale. L'uso di tecniche di trading quantitative illumina questo limite utilizzando i computer per automatizzare le decisioni di monitoraggio, analisi e trading. Superare emozione è uno dei problemi più diffusi con negoziazione. Che si tratti di paura o l'avidità, quando le negoziazioni, emozione serve solo a soffocare il pensiero razionale, che di solito porta a perdite. I computer e la matematica non possiedono emozioni, in modo di trading quantitativo elimina questo problema. commercio quantitativa ha i suoi problemi. I mercati finanziari sono alcuni dei soggetti più dinamici che esistono. Pertanto, modelli di trading quantitativi devono essere il più dinamico per essere sempre successo. Molti commercianti quantitativi sviluppano modelli che sono momentaneamente redditizi per la condizione di mercato per cui sono stati sviluppati, ma in ultima analisi, non quando le condizioni di mercato change. Quant Strategie - sono per voi quantitativi strategie di investimento si sono evoluti in strumenti molto complessi con l'avvento dei moderni computer , ma le strategie radici risalgono ad oltre 70 anni. Essi sono in genere gestiti da team altamente istruiti e utilizzano modelli proprietari per aumentare la loro capacità di battere il mercato. Ci sono programmi, anche off-the-shelf che sono plug-and-play per chi cerca semplicità. modelli Quant funzionano sempre bene quando torna testato, ma le loro applicazioni reali e tasso di successo sono discutibili. Mentre sembrano funzionare bene in mercati toro. quando i mercati vanno in tilt, le strategie quant sono sottoposti agli stessi rischi come qualsiasi altra strategia. La storia Uno dei padri fondatori dello studio della teoria quantitativa applicata alla Finanza era Robert Merton. Si può solo immaginare quanto sia difficile e richiede molto tempo il processo è stato prima l'uso del computer. Altre teorie della finanza si sono evoluti anche da alcuni dei primi studi quantitativi, compresa la base di diversificazione del portafoglio sulla base di moderna teoria di portafoglio. L'uso di entrambi finanza quantitativa e calcolo ha portato a molti altri strumenti comuni, tra cui uno dei più famosi, la formula di valutazione delle opzioni di Black-Scholes, che aiuta non solo le opzioni investitori di prezzo e sviluppare strategie, ma aiuta a mantenere i mercati sotto controllo con la liquidità. Quando viene applicato direttamente alla gestione del portafoglio. l'obiettivo è come qualsiasi altra strategia di investimento. per aggiungere valore, alfa o rendimenti in eccesso. Quants, come gli sviluppatori sono chiamati, compongono complessi modelli matematici per individuare opportunità di investimento. Ci sono molti modelli là fuori come quants che li sviluppano, e tutti sostengono di essere il migliore. Uno di un quant strategys investimento best-seller punti è che il modello, e, infine, il computer, prende la decisione buysell reale, non un essere umano. Questo tende a rimuovere ogni risposta emotiva che una persona può sperimentare per comprare o vendere investimenti. strategie Quant sono ora accettati nella comunità degli investitori e gestiti da fondi comuni, hedge fund e investitori istituzionali. Essi in genere vanno dai generatori nome alfa. o gens alfa. Dietro la cortina proprio come nel Mago di Oz, qualcuno è dietro la tenda guidare il processo. Come con qualsiasi modello, il suo solo buono come l'essere umano che si sviluppa il programma. Mentre non vi è alcun requisito specifico per diventare un Quant, la maggior parte delle imprese che eseguono modelli quant uniscono le competenze di analisti finanziari, statistici e programmatori che il codice del processo nei computer. A causa della natura complessa dei modelli matematici e statistici, la sua comune vedere le credenziali come lauree e dottorati in finanza, economia, matematica e ingegneria. Storicamente, questi i membri del team hanno lavorato negli uffici di back. ma come modelli quant è diventato più comune, il back office si sta muovendo per il front office. Benefici delle strategie Quant Mentre il tasso globale di successo è discutibile, la ragione per alcune strategie di quant lavoro è che si basano sulla disciplina. Se il modello è di destra, la disciplina mantiene la strategia di lavorare con i computer fulmini velocità per sfruttare le inefficienze dei mercati sulla base di dati quantitativi. I modelli stessi possono essere basate su un minimo di alcuni rapporti come PE. debiti in capitale e la crescita degli utili, o utilizzare migliaia di ingressi che lavorano insieme allo stesso tempo. Strategie di successo possono prendere sulle tendenze nelle fasi iniziali, come i computer eseguono costantemente scenari per individuare inefficienze prima degli altri. I modelli sono in grado di analizzare un gruppo molto ampio di investimenti contemporaneamente, in cui l'analista tradizionale può guardare solo pochi alla volta. Il processo di screening può valutare l'universo da livelli di qualità come 1-5 o A-F a seconda del modello. Questo rende il processo di negoziazione reale molto semplice, investendo negli investimenti ad alto rating e la vendita di quelli a basso rating. modelli Quant aprono anche le variazioni delle strategie come lungo, corto e longshort. fondi quant successo tenere un occhio attento sul controllo del rischio a causa della natura dei loro modelli. La maggior parte delle strategie di iniziare con un universo o di riferimento e utilizzare settore e le ponderazioni di settore nei loro modelli. Questo permette ai fondi di controllare la diversificazione in una certa misura, senza compromettere il modello stesso. fondi quant genere eseguite su una base di costo più basso perché non hanno bisogno come molti analisti e gestori di portafoglio tradizionali per farli funzionare. Svantaggi di strategie Quant Non ci sono ragioni per cui così tanti investitori non cogliere appieno il concetto di lasciare una scatola nera eseguire i loro investimenti. Per tutti i fondi quant successo là fuori, proprio come molti sembrano non avere successo. Purtroppo per la reputazione quants, quando falliscono, falliscono grande tempo. Long-Term Capital Management è stato uno dei più famosi hedge fund quant, come è stato gestito da alcuni dei leader accademici più rispettati e due economisti Nobel Memorial Prize-winning Myron S. Scholes e Robert C. Merton. Negli anni 1990, la loro squadra ha generato rendimenti superiori alla media e ha attirato capitali da tutti i tipi di investitori. Erano famosi non solo per sfruttare le inefficienze, ma utilizzando un facile accesso al capitale per creare enormi scommesse leva su indicazioni del mercato. La natura disciplinata della loro strategia in realtà creato la debolezza che ha portato alla loro collasso. Long-Term Capital Management è stata liquidata e sciolta nei primi mesi del 2000. I suoi modelli non includono la possibilità che il governo russo risulti inadempiente su alcuni del proprio debito. Questo evento ha innescato eventi e una reazione a catena ingrandita dal caos leva-creato. LTCM è stato così pesantemente coinvolto con altre operazioni di investimento che il suo crollo ha interessato i mercati mondiali, innescando eventi drammatici. Nel lungo periodo, la Federal Reserve è intervenuta per aiutare, e altre banche e fondi di investimento sostenuto LTCM per evitare ulteriori danni. Questo è uno dei motivi per fondi quant può fallire, in quanto si basano su eventi storici che non possono comprendere gli eventi futuri. Mentre una squadra forte quant sarà l'aggiunta di sempre nuovi aspetti ai modelli per predire eventi futuri, la sua impossibile prevedere il futuro ogni volta. fondi quant possono anche essere sopraffatti quando l'economia ed i mercati stanno vivendo volatilità superiore alla media. I segnali di acquisto e vendita possono venire così rapidamente che il turnover può creare alte commissioni e gli eventi imponibili. fondi quant possono anche rappresentare un pericolo quando sono commercializzati come orso a prova o si basano su strategie a breve. Prevedere flessioni. utilizzando strumenti derivati ​​e combinare leva può essere pericoloso. Una curva sbagliata può portare a implosioni, che spesso fanno notizia. Le strategie di investimento quantitative Bottom Line si sono evoluti da back office scatole nere a strumenti di investimento tradizionali. Essi sono progettati per utilizzare le migliori menti del settore e dei computer più veloci sia per sfruttare le inefficienze e utilizzare la leva per fare le scommesse del mercato. Possono essere molto efficace se i modelli hanno incluso tutti gli input giusti e sono abbastanza agile per predire eventi di mercato anomali. Il rovescio della medaglia, mentre i fondi quant sono rigorosamente testati indietro fino a che non lavorano, il loro punto debole è che si basano su dati storici per il loro successo. Mentre Quant-style che investe ha il suo posto nel mercato, è importante essere consapevoli dei suoi difetti e rischi. Per essere coerenti con le strategie di diversificazione. è una buona idea per il trattamento di strategie quant come uno stile di investimento e combinarlo con le strategie tradizionali per raggiungere una corretta diversification. Quantitative e Algorithmic Trading quantitativa e trading algoritmico Questo thread è dedicato alla quantitativa e trading algoritmico. La prima pagina deve essere visto come un punto di riferimento per quanto riguarda gli argomenti di cui sopra. Questa prima pagina è in costruzione e, se interessati, visitare di tanto in tanto per vedere, se i nuovi materiallinks sono arrivati. quotThere una differenza tra dire che non c'è prevedibilità e la capacità di predictquot quotAlthough c'è sempre più profitto in previsione a lungo termine, da un punto di vista matematico, vi è una maggiore affidabilità in breve termine forecasting. quot 8220Make tutto il più semplice possibile. 8221 (A. Einstein) ma non più semplice. quotTradings non è un gioco 8211 Il suo un QI testquot In primo luogo, un paio di cose da considerare nella finanza, code grasse sono considerati indesiderabili a causa del rischio aggiuntivo che implicano. Ad esempio, una strategia di investimento può avere un rendimento atteso, dopo un anno, che è cinque volte la sua deviazione standard. Supponendo una distribuzione normale, la probabilità del suo fallimento (rendimento negativo) è inferiore a uno su un milione in pratica, può essere più elevato. distribuzioni normali che emergono nella finanza in genere lo fanno perché i fattori che influenzano il valore beni o il prezzo sono matematicamente quotwell-behavedquot, e il teorema del limite centrale prevede una tale distribuzione. Tuttavia, gli eventi quotreal-worldquot traumatici (come ad esempio un shock petrolifero, un grande fallimento aziendale, o di un brusco cambiamento in una situazione politica) di solito non sono matematicamente ben educati. Investopedia spiega Tail Risk Quando un portafoglio di investimenti è messo insieme, si presume che la distribuzione dei rendimenti seguirà un modello normale. In questa ipotesi, la probabilità che restituisce sposterà tra la media e tre deviazioni standard, positivo o negativo, è 99,97. Ciò significa che la probabilità di rendimenti spostano più di tre deviazioni standard oltre la media è 0,03, o praticamente nullo. Tuttavia, il concetto di rischio di coda suggerisce che la distribuzione non è normale, ma distorta, e ha code più ampie. Le code più ampie aumentano la probabilità che un investimento si sposterà oltre tre deviazioni standard. Le distribuzioni che sono caratterizzati da code grasse sono spesso visti quando guardando rendimenti degli hedge fund. investopediatermsttailrisk. asp Cosa si può Quant Traders Imparate da Talebs quotAntifragilequot Ecco alcuni Snip-set che ho trovato particolarmente interessante: 1) strategie Momentum sono più antifragile di strategie di mean reversion. Taleb ha ancora dire che, ma questo è il primo pensiero che mi è venuto in mente. Come ho sostenuto in molti posti, significa ritornare strategie hanno tappi di profitto naturale (uscita quando il prezzo è tornato a dire) ma non le perdite di arresto naturale (ci dovrebbero comprare più di qualcosa se diventa più economico), quindi è molto più soggetto a coda sinistra rischiare, ma non può sfruttare la inaspettata fortuna di coda destra. Molto fragile anzi al contrario, strategie di moto hanno perdite di arresto naturale (uscita quando slancio inverte) e senza tappi profitto naturale (mantengono stessa posizione finché permane moto). In generale, molto antifragile Salvo: cosa succede se durante una battuta d'arresto di trading (a causa del gap durante la notte al giorno, o interruttori), non possiamo uscire da una posizione di moto in tempo Beh, è ​​sempre possibile acquistare una opzione per simulare uno stop loss. Taleb sarebbe certamente l'approvazione di questo. 2) strategie ad alta frequenza sono più antifragile di strategie a bassa frequenza. Taleb ha ancora anche dire che, e non ha nulla a che fare con il fatto che è più facile da prevedere a breve termine rispetto a rendimenti a lungo termine. Dal momento che le strategie di HF permettono di accumulare profitti molto più velocemente rispetto a quelli a bassa frequenza, si possono non applicare alcun effetto leva. Così, anche quando siamo sfortunati abbastanza per essere in possesso di un grado del segno sbagliato quando un cigno nero colpisce, il danno sarà piccolo rispetto ai profitti cumulati. Così, mentre le strategie di HF non esattamente beneficiano di rischio di coda destra, sono almeno robusto rispetto al rischio di coda sinistra. 5) Le correlazioni sono impossibili da estimatepredict. L'unica cosa che possiamo fare è quello di breve a 1 e comprare a -1. Taleb odia ottimizzazione del portafoglio di Markowitz, e uno dei motivi è che si basa su stime di covarianza dei rendimenti delle attività. Come ha detto, una coppia di attività che possono avere -0.2 correlazione per un lungo periodo può avere 0,8 correlazione su un lungo periodo. Ciò è particolarmente vero in periodi di stress finanziario. Sono d'accordo su questo punto: credo che l'assegnazione manualmente le correlazioni con i valori di -0.75, -0.5, -0.25, 0 alle voci della matrice di correlazione in base a quotintuitionquot (conoscenze di base) in grado di generare buona out-of-sample prestazioni qualsiasi numbers. The meticolosamente stimato più affascinante domanda è se esiste effettivamente mean-reversion di correlazioni. E se sì, quali strumenti possiamo utilizzare per trarre profitto da esso Forse questo articolo vi aiuterà: web-docs. stern. nyu. edusalomondocsderivativesGSAM20-20NYU20conference2004210620-20Correlation20trading. pdf 6) Backtest può essere utilizzato solo per rifiutare una strategia, di non prevedere la sua successo. Questo fa eco il punto fatto da commentatore Michael Harris in un precedente articolo. Dal momento che i dati storici non saranno mai abbastanza a lungo per cogliere tutti i possibili eventi Black Swan che possono verificarsi in futuro, non possiamo mai sapere se una strategia fallirà miseramente. Tuttavia, se una strategia già fallito in un backtest, possiamo essere abbastanza sicuri che fallirà di nuovo in futuro. Molto buona lettura: Consideriamo ancora una volta il puro gioco lancio passeggiata moneta casuale senza RTM. Abbiamo detto non vi era alcuna strategia di temporizzazione in questo caso. Ma ora supponiamo troviamo una sfera di cristallo prima dell'inizio della partita che ci dice ciò che il valore finale sarà quando il gioco finisce. Ricordiamo che questo valore finale attuale è probabile che sia ben al di sopra o al di sotto 0. disegnare una linea retta sul grafico vuoto dal punto di partenza al punto finale noto. Inizia a giocare il gioco. Ogni volta che il grafico è sopra la linea, prevedere code e prendere i vostri soldi fuori dal tavolo. Ogni volta che il grafico è al di sotto della linea, teste di prevedere e mettere il proprio denaro sul tavolo. Dovrebbe essere facile convincersi che le previsioni saranno molto più accurato rispetto 5050, e si vincerà con la vostra strategia di distribuzione (quotwinquot nel senso che si farà molto meglio di qualcuno che non prevede o il tempo). Questo è anche senza RTM Allo stesso modo, con l'investimento, se potessimo in qualche modo sapere che il rendimento medio futuro sarà in anticipo, potremmo commercializzare tempo anche senza RTM. Oggi, per esempio, sappiamo che il rendimento medio negli ultimi 75 anni è di circa 10 annualizzato. Entrare in una macchina del tempo e tornare al 1930. Invest per i prossimi 75 anni. Ogni volta che i rendimenti annualizzati cumulati dal 1930 vanno sopra 10, alleggerire sugli stock. Ogni volta che i rendimenti annualizzati cumulati dal 1930 vanno sotto di 10, mettere più soldi nelle scorte. Entro il 2005, si avrà battuto il mercato con un margine molto bello. Questo è chiamato un test quotin-samplequot. Si ha un difetto evidente, perché gli investitori nel 1930 non avevano alcuna idea di ciò che il rendimento annualizzato medio sarebbe stato nel corso dei prossimi 75 anni. Sapevano solo ciò che gli ultimi rendimenti annualizzati medi erano. Se fate il test di nuovo e solo permettere agli investitori di utilizzare le informazioni a loro disposizione al momento (un test quotout-di-samplequot), il market timing lavoro strategia pretende molto. Si tratta di un semplice tipo di temporizzazione quotchartistquot, basato solo sui rendimenti passati. Quando i rendimenti passati sono alti, alleggerire sugli stock. Quando i rendimenti passati sono bassi, mettere più soldi in azioni. In un random walk puro senza una sfera di cristallo, sappiamo che questo tipo di sincronizzazione non funziona. Il motivo per cui non lavorare è perché senza la sfera di cristallo, non siamo in grado di definire le nozioni di quotlowquot e quothigh. quot quotLowquot significa quotbelow il futuro medio valuequot e quothighquot significa quotabove il futuro valore medio, quot ma non sappiamo il valore medio futuro . Sappiamo solo il valore medio passato, e che l'informazione è di alcuna utilità in un random walk puro senza RTM. La maggior parte dei metodi di previsione e le strategie di temporizzazione basati sulle previsioni sono più sofisticati. Di solito usano indici finanziari fondamentali come DP (dividendo-to-prezzo) o PE (price-to-guadagnare ratio) per fare delle previsioni. L'argomento è che questi rapporti sono a volte alta e, a volte bassa, ma è irragionevole pensare che essi possano eventualmente crescere o ridursi senza limiti (quotwander via all'infinito, quot come gli accademici spesso piace dirlo). E 'molto più ragionevole pensare che, mentre a volte diventano molto alta o molto bassa, devono finalmente tornare a un qualche tipo di livello più normale. RTM, in altre parole. Se questi rapporti hanno RTM, è del tutto ragionevole ipotizzare che questo RTM nei rapporti induce un effetto simile RTM dei rendimenti, e che i rapporti possono essere utilizzati per prevedere rendimenti futuri. Questo tipo di previsione fondamentale realtà il lavoro Mentre l'idea generale di certo sembra più che plausibile, la prova è nel pudding, e le teorie devono essere testati. È possibile esaminare i dati storici per vedere se i vari regimi avrebbero lavorato in passato. Molte persone hanno fatto questi tipi di studi, sia nel mondo finanziario popolare e nel mondo finanziario accademico. Il punto chiave è che quando back-testing questi tipi di metodi di previsione fondamentali per vedere se avrebbero funzionato in passato, si è barare se si utilizzano i mezzi attuali delle variabili di previsione fondamentali calcolati per l'intero periodo del test, perché che l'informazione non era disponibile per gli investitori in passato. È necessario eseguire il test utilizzando solo le informazioni disponibili al momento. In altre parole, è necessario eseguire out-of-campione di test, non test in-campione. La maggior parte degli studi popolari che giungere alla conclusione che i rendimenti sono prevedibili non sono validi per questo motivo. Sorprendentemente, molti degli studi universitari sembrano soffrire dello stesso difetto fatale. Amit Goyal e Ivo Welch discutere e approfondire questa intuizione nella loro carta una visione completa di The Performance empirica Equity Premium previsione. Quando hanno fatto out-of-campione prove di tutte le variabili di previsione popolari, tra cui PS e PE, hanno scoperto che nessuno di loro ha funzionato: La nostra carta esplora le prestazioni out-of-campione di queste variabili, e scopre che non un singolo uno avrebbe aiutato un investitore del mondo reale outpredicting l'allora prevalente storico equità premio media. La maggior parte sarebbe a titolo definitivo del male. Pertanto, troviamo che, per tutti gli scopi pratici, il premio azionario non è stato prevedibile. Questo risultato sorprende anche un gran numero di persone. La saggezza comune è che i futuri rendimenti del mercato azionario sono altamente prevedibili utilizzando misure di valutazione comuni come DP e PE. Goyal e Welchs ricerca indica che questa convinzione, come tanti altri, può essere solo un altro esempio di come le persone sono spesso ingannati da casualità e vedere i modelli a dati casuali che arent davvero lì. C'è ancora polemiche nella comunità accademica circa se o non i rendimenti azionari sono prevedibili, e in che misura essi potrebbero essere prevedibile, e quali potrebbero essere i migliori variabili di previsione. Goyal e Welch hanno messo in dubbio questa ipotesi, e si sono esibiti il ​​prezioso servizio di dimostrare quanto sia importante utilizzare i test solo out-of-campione, ma la ricerca e il dibattito continua. In ogni caso, la prevedibilità, se esiste, è chiaramente molto più debole e più difficile da sfruttare rispetto alla maggior parte della gente pensa.