Análises Quantitativas Negociação Estratégias

Negociação quantitativa O que é negociação quantitativa negociação quantitativa consiste em estratégias de negociação com base na 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 quando as condições de mercado mudam. Visão geral simples da análise quantitativa Todos os altos, baixos e sentimentos potenciais associados ao investimento podem ofuscar o Objetivo final - ganhar dinheiro. Em um esforço para se concentrar no último e eliminar o primeiro, a abordagem quantitativa para investir procura prestar atenção aos números em vez dos intangíveis. Introduza o Quants Harry Markowitz é geralmente creditado com o início do movimento de investimento quantitativo quando publicou uma seleção de portfólio no Journal of Finance em março de 1952. Markowitz usou matemática para quantificar a diversificação e é citado como um dos primeiros a adotar o conceito de que modelos matemáticos Poderia ser aplicado ao investimento. Robert Merton, um pioneiro na teoria financeira moderna, ganhou um prêmio de Nobel para seu trabalho pesquisa em métodos matemáticos para fixar o preço dos derivados. O trabalho de Markowitz e Merton lançou as bases para a abordagem quantitativa (quant) para investir. Ao contrário dos analistas de investimento qualitativos tradicionais, os quants não visitam empresas, conhecem as equipes de gestão ou pesquisam os produtos que as empresas vendem em um esforço para identificar uma vantagem competitiva. Eles muitas vezes não sabem ou se preocupam com os aspectos qualitativos das empresas em que investem, confiando puramente em matemática para tomar decisões de investimento. Hedge gestores de fundos abraçou a metodologia e avanços na tecnologia de computação que avançou ainda mais o campo, como algoritmos complexos poderiam ser calculados em um piscar de olhos. O campo floresceu durante o boom e busto de pontocom. Como quants em grande parte evitado o frenesi do busto de tecnologia e queda do mercado. Enquanto tropeçavam na Grande Recessão. Quant estratégias permanecem em uso hoje e ganharam notável atenção para o seu papel na alta freqüência de negociação (HFT) que depende de matemática para tomar decisões comerciais. Investimento quantitativo também é amplamente praticado tanto como uma disciplina autônoma e em conjunto com a análise qualitativa tradicional tanto para o aumento do retorno e mitigação de risco. Dados, dados em todos os lugares A ascensão da era do computador tornou possível a crunch enormes volumes de dados em períodos de tempo extraordinariamente curtos. Isso levou a estratégias de negociação quantitativas cada vez mais complexas, pois os comerciantes procuram identificar padrões consistentes, modelar esses padrões e usá-los para prever os movimentos de preços em títulos. Os quants implementam suas estratégias usando dados publicamente disponíveis. A identificação de padrões permite que eles criem disparadores automáticos para comprar ou vender títulos. Por exemplo, uma estratégia de negociação baseada em padrões de volume de negócios pode ter identificado uma correlação entre o volume de negociação e os preços. Portanto, se o volume de negociação de um determinado estoque sobe quando o preço das ações bate 25 por ação e cai quando o preço atinge 30, um quant pode configurar uma compra automática em 25,50 e venda automática em 29,50. Estratégias semelhantes podem ser baseadas em ganhos, previsões de ganhos, surpresas de ganhos e host de outros fatores. Em cada caso, comerciantes de quant puro não se preocupam com as perspectivas de vendas da empresa, equipe de gerenciamento, qualidade do produto ou qualquer outro aspecto de seu negócio. Eles estão colocando suas ordens para comprar e vender com base estritamente nos números contabilizados nos padrões que identificaram. Além dos ganhos Análise quantitativa pode ser usada para identificar padrões que podem se prestam a negociações de segurança rentável, mas que isnt seu único valor. Enquanto ganhar dinheiro é uma meta que cada investidor pode entender, a análise quantitativa também pode ser usada para reduzir o risco. A busca dos chamados retornos ajustados ao risco envolve a comparação de medidas de risco como a alfa. beta. R-quadrado. O desvio padrão ea relação de Sharpe, a fim de identificar o investimento que irá entregar o maior nível de retorno para o nível de risco dado. A idéia é que os investidores não devem assumir mais riscos do que o necessário para alcançar seu nível de retorno direcionado. Assim, se os dados revelarem que dois investimentos são susceptíveis de gerar retornos semelhantes, mas que será significativamente mais volátil em termos de balanços de preços para cima e para baixo, os quants (eo senso comum) recomendaria o investimento menos arriscado. Mais uma vez, os quants não se preocupam com quem gerencia o investimento, o que seu balanço parece, que produto ajuda a ganhar dinheiro ou qualquer outro fator qualitativo. Eles se concentram inteiramente nos números e escolhem o investimento que (matematicamente falando) oferece o menor nível de risco. Os portfólios de paridade de risco são um exemplo de estratégias baseadas em quantos em ação. O conceito básico envolve a tomada de decisões de alocação de ativos com base na volatilidade do mercado. Quando a volatilidade diminui, o nível de risco assumido na carteira aumenta. Quando a volatilidade aumenta, o nível de risco assumido na carteira diminui. Para tornar o exemplo um pouco mais realista, considere uma carteira que divide seus ativos entre dinheiro e um fundo de índice SampP 500. Usando o Índice de Volatilidade de Câmbio das Opções do Conselho de Chicago (VIX) como um indicador da volatilidade do mercado de ações, quando a volatilidade aumenta, nossa carteira hipotética transferiria seus ativos para caixa. Quando a volatilidade declina, nossa carteira mudaria os ativos para o fundo índice SampP 500. Os modelos podem ser significativamente mais complexos do que o que aqui se refere, talvez incluindo ações, títulos, commodities, moedas e outros investimentos, mas o conceito permanece o mesmo. O comércio de Quant é um processo de tomada de decisão desapaixonado. Os padrões e os números são tudo o que importa. É uma disciplina de buysell eficaz, como pode ser executado de forma consistente, sem impedimento pela emoção que é muitas vezes associada com decisões financeiras. É também uma estratégia rentável. Como os computadores fazem o trabalho, as empresas que dependem de estratégias quantitativas não precisam contratar equipes grandes e caras de analistas e gerentes de portfólio. Tampouco precisam viajar por todo o país ou pelo mundo para inspecionar as empresas e reunir-se com a gerência para avaliar possíveis investimentos. Eles simplesmente usam computadores para analisar os dados e executar os comércios. Mentiras, malditas mentiras e estatísticas é uma citação muitas vezes usada para descrever a miríade de maneiras em dados podem ser manipulados. Enquanto analistas quantitativos procuram identificar padrões, o processo não é de forma alguma infalível. A análise envolve o abate através de grandes quantidades de dados. Escolhendo os dados certos não é de forma alguma uma garantia, assim como os padrões que parecem sugerir certos resultados podem funcionar perfeitamente até que eles não. Mesmo quando um padrão parece funcionar, validar os padrões pode ser um desafio. Como todo investidor sabe, não há apostas seguras. Pontos de inflexão. Tais como o declínio do mercado de ações de 20082009, pode ser difícil sobre essas estratégias, como padrões podem mudar de repente. Também é importante lembrar que os dados não contam sempre toda a história. Os seres humanos podem ver um escândalo ou mudança de gestão como ele está se desenvolvendo, enquanto uma abordagem puramente matemática não pode necessariamente fazê-lo. Além disso, uma estratégia torna-se menos eficaz como um número crescente de investidores tentam empregá-lo. Os padrões que funcionam se tornarão menos eficazes à medida que mais e mais investidores tentarem lucrar com ele. O Bottom Line Muitas estratégias de investimento usar uma mistura de estratégias quantitativas e qualitativas. Eles usam estratégias quant para identificar potenciais investimentos e, em seguida, usar a análise qualitativa para levar seus esforços de pesquisa para o próximo nível na identificação do investimento final. Eles também podem usar percepção qualitativa para selecionar investimentos e dados quantitativos para gerenciamento de risco. Embora as estratégias de investimento quantitativas e qualitativas tenham seus proponentes e seus críticos, as estratégias não precisam ser mutuamente exclusivas. 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 comerciantes começantes do princípio (pelo menos no nível de varejo) é usar o jogo de dados livre de Finanças de Yahoo. 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 ea Taxa 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 divididos 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, existem 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 lucrativa com uma boa relação de Sharpe e uma estratégia extremamente desprotegida 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. Embora isso seja reconhecidamente menos problemático com negociação algorítmica se a estratégia é deixada sozinho Um preconceito comum é que a aversão perda, onde uma posição perdedora não será encerrada devido à dor de ter que perceber uma perda. Similarmente, os lucros podem ser tomados demasiado cedo porque o medo de perder um lucro já ganhado pode ser demasiado grande. Outro viés comum é conhecido como viés de recência. Isto manifesta-se quando os comerciantes colocam demasiada ênfase em eventos recentes e não a longo prazo. Então, claro, há o par clássico de preconceitos emocionais - medo e ganância. Estes podem muitas vezes levar a sub ou excesso de alavancagem, o que pode causar blow-up (ou seja, o título da conta de equidade para zero ou pior) ou lucros reduzidos. Como pode ser visto, o comércio quantitativo é uma área extremamente complexa, embora muito interessante, de finanças quantitativas. Eu literalmente arranhado a superfície do tópico neste artigo e já está ficando bastante longa livros inteiros e artigos foram escritos sobre questões que eu só deu uma frase ou duas para. Por essa razão, antes de aplicar para empregos quantitativos de negociação de fundos, é necessário realizar uma quantidade significativa de estudo de base. No mínimo, você precisará de um extenso histórico em estatística e econometria, com muita experiência na implementação, através de uma linguagem de programação como MATLAB, Python ou R. Para estratégias mais sofisticadas no final de freqüência mais alta, seu conjunto de habilidades é provável Para incluir modificação do kernel do Linux, CC, 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 ficar bom em programação. Minha preferência é construir o máximo de dados grabber, backtestter estratégia e sistema de execução por si mesmo como possível. Se o seu próprio capital está na linha, wouldnt você dormir melhor à noite sabendo que você testou plenamente o seu sistema e estão cientes de suas armadilhas e questões específicas Outsourcing isso para um fornecedor, enquanto potencialmente economizando tempo no curto prazo, poderia ser extremamente Caro a longo prazo. Este livro aborda aplicações práticas selecionadas e desenvolvimentos recentes nas áreas de modelagem financeira quantitativa em instrumentos derivativos, alguns dos quais são da própria pesquisa e prática dos autores39. É escrito do ponto de vista de engenheiros financeiros ou praticantes, e, como tal, coloca mais ênfase nas aplicações práticas da matemática financeira no mercado real do que a própria matemática com condições técnicas precisas (e tediosas). Ele tenta combinar insights econômicos com matemática e modelagem de modo a ajudar o leitor a desenvolver intuições. Entre as modelagens e as técnicas numéricas apresentadas estão as aplicações práticas das teorias de martingale, como a modelagem de martingale ea reamostragem e interpolação de martingale. Além disso, o livro aborda a modelagem de risco de crédito da contraparte, os preços e as estratégias de arbitragem a partir da perspectiva de uma funcionalidade de front office e um centro de receita (e não apenas uma funcionalidade de gerenciamento de risco), que são desenvolvimentos relativamente recentes e têm importância crescente. Ele também discute várias estratégias de negociação estruturante e toques em alguns produtos de crédito híbridos IRFX popular, como PRDC, TARN, Snowballs, Snowbears, CCDS e extintores de crédito. Embora o escopo principal deste livro seja o mercado de renda fixa (com foco adicional no mercado de taxas de juros), muitas das metodologias apresentadas também se aplicam a outros mercados financeiros, como os mercados de crédito, patrimônio, câmbio e commodities. Conteúdo: Teoria e Aplicações da Modelagem de Derivativos: Introdução ao Risco de Crédito de ContraparteMartingale Arbitrage Preços no Mercado RealA Estrutura BlackScholes e ExtensõesMartingale Reamostragem e InterpolaçãoIntrodução à Taxa de Taxa Estrutura a Termo ModelagemThe HealthJarrowMorton FrameworkModelo de Taxa de JurosModelo de Risco e Precificação Fundamentos de Mercado e Estratégias de Negociação Proprietárias : Produtos Simples de Taxa de JurosModelo de Curva de CoresModelo de Risco de Dois FatoresO Santo GraalDisponibilidade de Dois Fatores Taxa de Juros ArbitragemModelo de DecomposiçãoInflação Instrumentos VinculadosModelagemTipo de Interesse Estratégias de Negociação Proprietárias Leitores: Leitores avançados que trabalham ou estão interessados ​​no mercado de renda fixa. Palavras-chave: CVACredit Ajuste da avaliaçãoCounterparty CreditBGM ModelHJM ModelRS ModelMartingaleDerivatives ModelingMartingale ResamplingOrthogonal exponencial SplineStat ArbNonexploding Bushy TreeNBTPRDCTARNSnowballSnowbearCCDSCredit ExtinguisherReviews: Este estado da arte texto enfatiza vários tópicos contemporâneos em derivados de renda fixa a partir de uma perspectiva de praticante. A combinação da tecnologia martingale com o conhecimento prático do autor contribui enormemente para o sucesso do livro. Para aqueles que desejam relatórios oportunos diretamente das trincheiras, este livro é uma obrigação. Peter Carr, PhD Diretor do Programa de Mestrado em Finanças Matemáticas Courant Institute, NYU É bastante óbvio que os autores têm significativa experiência prática em análise quantitativa sofisticada e modelagem de derivativos. Este foco do mundo real resultou em um texto que não só fornece apresentações claras sobre modelagem, preços e hedging de produtos derivados, mas também fornece material mais avançado que normalmente é encontrado apenas em publicações de pesquisa. Este livro tem idéias inovadoras, aplicações de última geração e contém uma riqueza de informações valiosas que interessam a acadêmicos, aplicados modeladores de derivativos quantitativos e comerciantes. Peter Ritchken Kenneth Walter Haber Professor Departamento de Bancos e Finanças, Weatherhead School of Management, Case Western Reserve University Escrito por dois Quants produção experiente, este livro contém uma riqueza de métodos práticos e conhecimentos úteis que foram testados e testados. Ao abordar novas tarefas, a maioria dos Quants se preocupa com as melhores práticas. Junto com especialista publicado artigos, etc, este livro é uma obrigação para ajudar a calibrar julgamento. Atualmente, uma das dezenas de livros de matemática-finanças selecionados que realmente deveria estar na prateleira de uma pessoa. Alan Brace Universidade de Tecnologia Sydney Escola de Finanças e Economia Principais Características: Abrange vários modelos avançados de taxas de juros, como a estrutura HJM, Markovian HJM modelos (multi - Factor RS, em particular), e modelos BGM, bem como modelos de preços de crédito de contraparte. Também aborda alguns modelos de crédito, como o modelo Copula, o modelo fatorial e o modelo de mercado de risco para propagação de crédito. Adotando várias aplicações práticas de modelagem, como a modelagem de arbitragem de martingale em situações reais de mercado (como o uso da correta taxa de juros livre de risco Taxa de câmbio, ponderação de put-call revisada, derivativos inadimplentes e hedging na presença de volatilidade skew e sorriso, bem como breves discussões sobre calibração de modelo secundário para manipulação de variáveis ​​não hedgeable, modelos de preços e modelos de hedging) Algoritmos numéricos para a implementação do modelo, tais como interpolação de martingale e reamostragem para reforçar relações martingale discretas in situ em procedimentos numéricos, modelagem da inclinação de volatilidade e uma técnica de árvore de arbusto nãoexplorante (NBT) para a resolução eficiente de modelos não-markovianos, Multi-factor modelo de mercado BGM, sob a estrutura de indução atrasadaIntroduz o básico da taxa de juros Incluindo a modelagem de várias curvas de rendimento, tais como o bem conhecido modelo de esboço exponencial ortogonal (OES), bem como estratégias de negociação proprietárias, estatísticas em particular Yi Tang (Morgan Stanley amp Co. Inc. EUA) Bin Li (Ping Capital Management , Ltd. EUA) Yi Tang está atualmente com Morgan Stanley amp Co. Inc. como chefe do Grupo CVA Estratégias. Anteriormente, era Gerente Geral e chefe da Divisão de Análise Quantitativa da Shinsei Securities, responsável pela modelagem de derivativos em IR, FX, Equity, Credit, Commodity, bem como IRFX, IREquity e outros híbridos. Ele também trabalhou na Goldman, Sachs amp Co. Inc. como chefe do CVA Strategies Group na FICC, e na Bear, Stearns amp Co. Inc. como Managing DirectorPrincipal no departamento FAST e chefe de um grupo Quant responsável pela parte Da modelagem de derivativos de RI e parte da modelagem de derivados híbridos IRCredit. Antes de mudar para o campo de Finanças Quantitativas, ele trabalhou como professor assistente adjunto e pesquisador pós-doutorado em Física na UCLA. Yi foi um orador convidado em vários conferencesseminars sobre Finanças Quantitativas. Ele recebeu seu PhD em Física da Universidade da Califórnia em Los Angeles (UCLA) em 1992. Bin Li atualmente é o Chief Operating Officer da Ping Capital Management, um macro hedge fundo global em Nova York. Antes disso, Bin foi presidente e CIO da Entropy Partners, LLC. Antes disso, Bin foi presidente e CEO da Tradetrek Inc. e co-fundou a AAStocks International (aastocks), uma empresa de sites financeiros em Hong Kong. De 1993 a 1998, Bin desempenhou funções em vários cargos, incluindo Vice-Presidente do Grupo de Análise Quantitativa da Merrill Lynch e Director Executivo de Estratégias de Negociação Quantitativa Global no UBS. Bin é um internacionalmente conhecido pesquisador e praticante no setor financeiro e tem sido um palestrante convidado em muitas conferências workshops sobre Finanças Quantitativas. Bin recebeu seu PhD em Física pela Universidade de Nova York em 1992.