Quantitative Trading Strategie R

Quant Strategies - sono per voi le strategie d'investimento quantitative sono evoluti in strumenti molto complessi con l'avvento dei moderni computer, ma le strategie radici risalgono 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 realizzare un'adeguata diversificazione. Una teoria economica della spesa totale per l'economia e dei suoi effetti sulla produzione e l'inflazione. economia keynesiana è stato sviluppato. Una partecipazione di un bene in un portafoglio. Un investimento di portafoglio è realizzato con l'aspettativa di guadagnare un ritorno su di esso. Questo. Un rapporto sviluppato da Jack Treynor che misura i rendimenti ottenuti, superiori a quelle che avrebbero potuto essere guadagnati su un privo di rischio. Il riacquisto delle azioni in circolazione (riacquisto) da parte di una società al fine di ridurre il numero di azioni sul mercato. Aziende. Il rimborso fiscale è un rimborso sulle tasse pagate ad un individuo o famiglia quando l'onere fiscale effettivo è inferiore alla quantità. Il valore monetario di tutti i beni finiti e servizi prodotti all'interno di un confini country039s in un momento specifico period. Beginner39s Guide to Quantitative Trading In questo articolo ho intenzione di farvi conoscere alcuni dei concetti di base che accompagnano un commercio di quantitativi end-to-end sistema. Questo post, si spera, servirà due tipi di pubblico. Il primo sarà individui che cercano di ottenere un lavoro presso un fondo come un commerciante quantitativa. Il secondo sarà individui che desiderano cercare di creare la propria attività di vendita al dettaglio di trading algoritmico. commercio quantitativa è una zona estremamente sofisticato della finanza quant. Si può prendere una notevole quantità di tempo per acquisire le conoscenze necessarie per superare un colloquio o costruire le proprie strategie di trading. Non solo, ma richiede una vasta esperienza di programmazione, almeno in una lingua come MATLAB, R o Python. Tuttavia, come la frequenza di trading degli aumenti di strategia, gli aspetti tecnologici diventano molto più rilevante. Così avere familiarità con CC sarà di fondamentale importanza. Un sistema di trading quantitativo è costituito da quattro componenti principali: strategia di identificazione - Trovare una strategia, sfruttando un bordo e decidere la frequenza di trading backtesting strategia - raccolta di dati, l'analisi delle prestazioni di strategia e la rimozione di pregiudizi Execution System - Collegamento a una società di intermediazione, automatizzando il trading e riducendo al minimo costi di transazione Risk Management - l'allocazione ottimale del capitale, scommessa criterio sizeKelly e psicologia commerciale ben cominciare dare un'occhiata a come identificare una strategia di trading. Strategia Identificazione Tutti i processi di trading quantitativo iniziano con un periodo iniziale di ricerca. Questo processo di ricerca comprende trovare una strategia, vedere se la strategia si inserisce in un portafoglio di altre strategie si può essere in esecuzione, ottenendo tutti i dati necessari per testare la strategia e cercando di ottimizzare la strategia di rendimenti più alti Andor rischio più basso. Sarà necessario fattore in i propri requisiti patrimoniali se si esegue la strategia come un commerciante al dettaglio e come eventuali costi di transazione influenzerà la strategia. Contrariamente alla credenza popolare è in realtà abbastanza semplice da trovare strategie redditizie attraverso varie fonti pubbliche. Gli accademici pubblicano regolarmente risultati commerciali teorici (anche se in gran parte al lordo dei costi di transazione). blog finanza quantitativa discuteranno le strategie in dettaglio. Riviste specializzate illustrerà alcune delle strategie utilizzate dai fondi. Si potrebbe in discussione perché gli individui e le imprese sono pronti a discutere le loro strategie redditizie, soprattutto quando sanno che gli altri affollano il commercio può fermare la strategia di operare nel lungo termine. La ragione risiede nel fatto che essi non saranno spesso discutere i parametri esatti e metodi di ottimizzazione che esse effettuati. Queste ottimizzazioni sono la chiave per trasformare una strategia relativamente mediocre in uno molto redditizio. In effetti, uno dei migliori modi per creare le proprie strategie uniche è quello di trovare metodi simili e quindi effettuare la propria procedura di ottimizzazione. Ecco un piccolo elenco di luoghi per iniziare la ricerca di idee di strategia: Molte delle strategie si guardare cadrà nelle categorie di ritorno alla media e trend-followingmomentum. Una strategia di medio-ritornare è quella che tenta di sfruttare il fatto che significa a lungo termine su una serie di prezzi (come ad esempio lo spread tra due asset correlati) esiste e che le deviazioni a breve termine di questa media alla fine tornerà. Una strategia slancio tenta di sfruttare sia la psicologia degli investitori e grande struttura del fondo da hitching un giro su un trend di mercato, che può raccogliere slancio in una direzione, e seguire il trend fino a quando non inverte. Un altro aspetto estremamente importante di negoziazione quantitativa è la frequenza della strategia commerciale. commercio di bassa frequenza (LFT) si riferisce in generale a qualsiasi strategia che detiene attività più di un giorno di negoziazione. Corrispondentemente, trading ad alta frequenza (HFT) si riferisce generalmente ad una strategia che detiene attività intraday. Ultra-high frequency trading (UHFT) si riferisce a strategie che detengono asset nell'ordine di secondi e millisecondi. Come praticante di vendita al dettaglio HFT e UHFT sono certamente possibile, ma solo con la conoscenza dettagliata della tecnologia di scambio di stack e del libro ordine dinamiche. Noi rimarremo discutere di questi aspetti in misura rilevante in questo articolo introduttivo. Una volta che una strategia, o un insieme di strategie, è stata identificata ora ha bisogno di essere testati per la redditività su dati storici. Questo è il dominio di backtesting. Strategia Backtesting L'obiettivo di backtesting è quello di fornire la prova che la strategia individuata tramite il processo di cui sopra è vantaggioso se applicato a entrambi i dati storici e out-of-campione. Questo imposta l'aspettativa di come la strategia si esibirà nel mondo reale. Tuttavia, backtesting non è una garanzia di successo, per vari motivi. È forse la zona più sottile di negoziazione quantitativa quanto comporta numerosi pregiudizi, che devono essere attentamente considerati ed eliminate il più possibile. Discuteremo i tipi comuni di distorsione tra cui pregiudizi look-ahead. bias di sopravvivenza e la polarizzazione ottimizzazione (noto anche come bias dati-snooping). Altre aree di importanza all'interno backtesting includono la disponibilità e la pulizia dei dati storici, il factoring in costi di transazione realistici e decidere su una piattaforma robusta backtesting. Bene discutere ulteriormente i costi di transazione nella sezione Execution System di seguito. Una volta che una strategia è stata identificata, è necessario per ottenere i dati storici attraverso i quali eseguono una prova e, forse, raffinatezza. Ci sono un numero significativo di fornitori di dati in tutte le classi di attività. I loro costi generalmente scala con la qualità, la profondità e la tempestività dei dati. Il punto di partenza tradizionale per iniziare i commercianti quant (almeno a livello di vendita al dettaglio) è quello di utilizzare i dati sulla impostati da Yahoo Finance. I wont soffermo sui fornitori di troppo qui, piuttosto vorrei concentrarmi sulle questioni generali quando si tratta di insiemi di dati storici. Le principali preoccupazioni con i dati storici sono accuracycleanliness, pregiudizi sopravvivenza e la regolazione per le azioni aziendali, come i dividendi e stock split: Precisione riguarda la qualità complessiva dei dati - se contiene gli eventuali errori. Gli errori possono essere a volte facile da identificare, come ad esempio con un filtro picco. che sarà individuare i punti non corretti nei dati di serie temporali e corretta per loro. Altre volte possono essere molto difficili da individuare. Spesso è necessario avere due o più fornitori e controllare tutti i loro dati contro l'altro. bias di sopravvivenza è spesso una caratteristica di set di dati gratuite o economiche. Un insieme di dati con pregiudizi sopravvivenza significa che non contiene le attività che non sono più commerciali. Nel caso di titoli di capitale questo significa scorte delistedbankrupt. Questo pregiudizio significa che qualsiasi strategia di trading azionario testato su tale insieme di dati sarà probabilmente un rendimento migliore rispetto al mondo reale come i vincitori storici sono già stati preselezionati. azioni Corporate comprendono le attività logistiche svolte dalla società che di solito causano un cambiamento di passo-funzione nel prezzo grezzo, che non dovrebbe essere incluso nel calcolo dei rendimenti del prezzo. Rettifiche per dividendi e frazionamenti azionari sono i colpevoli comuni. Un processo noto come registrazione posteriore è necessario da effettuare in ciascuna di queste azioni. Bisogna stare molto attenti a non confondere un frazionamento azionario con una vera e propria regolazione ritorni. Molti un operatore è stato catturato da un'azione societaria Per effettuare una procedura backtest è necessario utilizzare una piattaforma software. Avete la scelta tra il software backtest dedicato, come ad esempio Tradestation, una piattaforma numerica come Excel o MATLAB o un'implementazione personalizzata completa in un linguaggio di programmazione come Python o C. I wont soffermarsi troppo su Tradestation (o simili), Excel o MATLAB, come credo nella creazione di una tecnologia stack completo in-house (per i motivi descritti di seguito). Uno dei vantaggi di farlo è che il sistema software e l'esecuzione backtest può essere strettamente integrato, anche con le strategie di statistica estremamente avanzate. Per le strategie HFT in particolare è indispensabile utilizzare un'implementazione personalizzata. Quando un sistema di backtesting si deve essere in grado di quantificare quanto bene si sta eseguendo. Le metriche standard di settore per strategie quantitative sono il massimo prelievo e la Sharpe Ratio. Il drawdown massimo caratterizza il più grande calo di picco-valle nella curva conto capitale nel corso di un determinato periodo di tempo (di solito annuale). Questo è più spesso citato come percentuale. strategie LFT tenderanno ad avere utilizzi più grandi rispetto strategie HFT, a causa di una serie di fattori statistici. Un backtest storica mostrerà il passato prelievo massimo, che è una buona guida per il futuro prestazioni prelievo della strategia. La seconda misura è Ratio Sharpe, che è euristicamente definito come la media dei rendimenti in eccesso diviso per la deviazione standard di tali rendimenti in eccesso. Qui, rendimenti in eccesso si riferisce al ritorno della strategia sopra un punto di riferimento predeterminato. come ad esempio la SP500 o 3 mesi Treasury Bill. Si noti che il ritorno annualizzato non è una misura normalmente utilizzata, in quanto non tiene conto della volatilità della strategia (a differenza Ratio Sharpe). Una volta che una strategia è stata backtested ed è considerato privo di pregiudizi (in quanto ciò è possibile), con una buona Sharpe e prelievi ridotti al minimo, è il momento di costruire un sistema di esecuzione. Execution Systems Un sistema di esecuzione è il mezzo con cui l'elenco dei traffici generati dalla strategia vengono inviati e eseguito dal broker. Nonostante il fatto che la generazione commercio può essere parzialmente o addirittura completamente automatizzato, il meccanismo di esecuzione può essere manuale, semi-manuale (cioè uno scatto) o completamente automatizzato. Per le strategie LFT, tecniche manuali e semi-manuali sono comuni. Per le strategie HFT è necessario creare un meccanismo di esecuzione completamente automatizzato, che sarà spesso strettamente accoppiato con il generatore (dovuto l'interdipendenza della strategia e della tecnologia). Le considerazioni chiave durante la creazione di un sistema di esecuzione sono l'interfaccia per l'intermediazione. la riduzione al minimo dei costi di transazione (incluse le provvigioni, lo slittamento e la diffusione) e divergenza di prestazioni del sistema live performance backtested. Ci sono molti modi per interfacciarsi ad una società di intermediazione. Si va da richiamare il broker al telefono fino ad un Application Programming Interface ad alte prestazioni completamente automatizzata (API). Idealmente si desidera automatizzare l'esecuzione dei vostri commerci il più possibile. In questo modo si libera fino a concentrarsi su ulteriori ricerche, oltre che permetterà di eseguire strategie multiple o anche strategie di frequenza più alta (in realtà, HFT è sostanzialmente impossibile senza esecuzione automatica). Il software backtesting comune di cui sopra, come ad esempio MATLAB, Excel e Tradestation sono buoni per frequenza più bassa, le strategie più semplici. Tuttavia sarà necessario costruire un sistema esecutivo interno scritto in un linguaggio ad alto rendimento come C per fare una reale HFT. Come un aneddoto, nel fondo ho usato per essere impiegato presso, abbiamo avuto un ciclo di trading 10 minuti dove avremmo scaricare nuovi dati di mercato ogni 10 minuti e poi eseguire operazioni sulla base di tali informazioni nello stesso lasso di tempo. Questo stava usando uno script Python ottimizzato. Per qualcosa che si avvicini dati minuto - o di seconda frequenza, credo CC sarebbe più ideale. In un fondo più grande spesso non è il dominio del commerciante quant per ottimizzare l'esecuzione. Tuttavia, in piccoli negozi o imprese HFT, i commercianti sono gli esecutori e così un skillset molto più ampia è spesso desiderabile. Tenete a mente che se si vuole essere impiegato da un fondo. Le vostre abilità di programmazione saranno altrettanto importante, se non di più, di quanto le statistiche ed econometria talenti Un'altra questione importante che ricade sotto la bandiera di esecuzione è quello della minimizzazione dei costi di transazione. Ci sono generalmente tre componenti a costi di transazione: Commissioni (o fiscali), che sono i canoni imposti dalla mediazione, lo scambio e la SEC (o simile ente governativo di regolamentazione) slittamento, che è la differenza tra ciò che si intende l'ordine di essere riempita in rispetto a ciò che in realtà è stato riempito a diffusione, che è la differenza tra il prezzo del titolo bidask essere stato ceduto. Si noti che la diffusione non è costante e dipende dalla liquidità corrente (cioè la disponibilità di ordini buysell) nel mercato. I costi di transazione possono fare la differenza tra una strategia estremamente vantaggioso con un buon indice di Sharpe e una strategia estremamente redditizia con un terribile indice di Sharpe. Può essere una sfida di prevedere correttamente i costi di transazione da un backtest. A seconda della frequenza della strategia, è necessario l'accesso ai dati di cambio storici, che comprenderà i dati tick per i prezzi bidask. Intere squadre di quants sono dedicati alla ottimizzazione di esecuzione nei fondi più grandi, per questi motivi. Si consideri lo scenario in cui un fondo ha bisogno di scaricare una quantità notevole di scambi (di cui le ragioni per farlo sono molti e vari). Dal dumping tante azioni sul mercato, saranno rapidamente deprimere il prezzo e non possono ottenere l'esecuzione ottimale. Quindi esistono algoritmi che goccia a goccia avanzamento ordini sul mercato, anche se poi il fondo corre il rischio di slittamento. Oltre a ciò, altre strategie predano queste necessità e possono sfruttare le inefficienze. Questo è il dominio della struttura del fondo di arbitraggio. Il problema principale finale per i sistemi di esecuzione riguarda divergenza di rendimento della strategia di prestazioni backtested. Ciò può accadere per una serie di motivi. Weve già discusso pregiudizi look-ahead e pregiudizi ottimizzazione in profondità, quando si considera estensivi. Tuttavia, alcune strategie non rendono facile per verificare questi pregiudizi prima della distribuzione. Ciò si verifica in HFT più predominante. Ci possono essere bug nel sistema di esecuzione, nonché la strategia di trading in sé che non compare su un backtest ma mostrano in trading dal vivo. Il mercato potrebbe essere stato oggetto di un cambio di regime a seguito della distribuzione della vostra strategia. I nuovi contesti normativi, cambiando sentiment degli investitori e dei fenomeni macroeconomici possono portare a divergenze nel modo in cui il mercato si comporta e quindi la redditività della vostra strategia. Risk Management Il pezzo finale del puzzle di trading quantitativo è il processo di gestione del rischio. Rischio include tutti i pregiudizi precedenti di cui abbiamo parlato. Esso include il rischio di tecnologia, come ad esempio i server di co-situato al cambio improvviso sviluppo di un malfunzionamento del disco rigido. Esso include il rischio di intermediazione, come ad esempio il broker diventare bancarotta (non così folle come sembra, data la paura recente con MF Global). In breve, copre quasi tutto ciò che potrebbe interferire con l'attuazione di trading, di cui ci sono molte fonti. Interi libri sono dedicati alla gestione del rischio per le strategie quantitative così ho wontt tento di chiarire su tutte le possibili fonti di rischio qui. La gestione del rischio comprende anche ciò che è noto come l'allocazione ottimale del capitale. che è una branca della teoria di portafoglio. Questo è il mezzo con cui il capitale è allocato ad una serie di strategie diverse e ai mestieri all'interno di tali strategie. Si tratta di un settore complesso e si basa su alcuni matematica non banali. Lo standard del settore con cui l'allocazione ottimale del capitale e della leva delle strategie sono correlate è chiamato il criterio di Kelly. Poiché si tratta di un articolo introduttivo, mi dispiacerebbe soffermo su suo calcolo. Il criterio di Kelly fa alcune ipotesi circa la natura statistica dei rendimenti, che spesso non valgono nei mercati finanziari, in modo da i commercianti sono spesso conservatori quando si tratta di realizzazione. Un altro componente chiave della gestione dei rischi è nel trattare con quelli proprio profilo psicologico. Ci sono molti pregiudizi cognitivi che può insinuarsi in alla negoziazione. Anche se questo è certamente meno problematico con il trading algoritmico se la strategia è lasciato solo un pregiudizio comune è quella di avversione alla perdita in cui una posizione in perdita non sarà chiusa fuori a causa del dolore di dover realizzare una perdita. Allo stesso modo, i profitti possono essere prese troppo presto perché la paura di perdere un risultato già acquisito può essere troppo grande. Un altro pregiudizio comune è noto come bias passato recente. Questo si manifesta quando i commercianti mettono troppa enfasi sui recenti avvenimenti e non sul lungo periodo. Poi, naturalmente, ci sono la classica coppia di pregiudizi emotivi - la paura e l'avidità. Queste possono spesso portare a sottostimare o over-leveraging, che può causare blow-up (cioè l'intestazione conto capitale a zero o peggio) o dei profitti. Come si vede, la negoziazione quantitativa è estremamente complesso, anche se molto interessante, area di finanza quantitativa. Ho letteralmente scalfito la superficie del tema di questo articolo e sta già ottenendo piuttosto lunghi Interi libri e documenti sono stati scritti sui problemi che ho dato solo una frase o due verso. Per questo motivo, prima di applicare per i lavori quantitativi fondo negoziazione, è necessario effettuare una quantità significativa di studio basi. Per lo meno è necessario un ampio background in statistica ed econometria, con un sacco di esperienza in realizzazione, tramite un linguaggio di programmazione come MATLAB, Python o R. Per le strategie più sofisticate alla fine frequenza più alta, il set di abilità è probabile per includere Linux modifica del kernel, CC, programmazione assembly e l'ottimizzazione latenza di rete. Se siete interessati a provare a creare le proprie strategie di trading algoritmico, il mio primo suggerimento sarebbe quello di ottenere buoni programmazione. La mia preferenza è quella di costruire, come gran parte del sistema grabber dati, backtester strategia e l'esecuzione da soli il più possibile. Se il capitale proprio è sulla linea, wouldnt a dormire meglio la notte sapendo che si è completamente testato il sistema e sono consapevole delle sue insidie ​​e problemi particolari di outsourcing a un fornitore, mentre potenzialmente risparmiare tempo nel breve termine, potrebbe essere estremamente costoso nel lungo periodo. Appena iniziato con quantitativa TradingFinancial Matematica e Modeling II (FINC 621) è una classe livello di laurea che è attualmente offerto alla Loyola University di Chicago nel corso del trimestre invernale. FINC 621 esplora argomenti in Quantitative Finance, la matematica e la programmazione. La classe è pratico in natura e comprende sia una lezione e un componente di laboratorio. I laboratori utilizzano il linguaggio di programmazione R e gli studenti sono tenuti a presentare i loro incarichi individuali alla fine di ogni classe. L'obiettivo finale di FINC 621 è quello di fornire agli studenti gli strumenti pratici che si possono utilizzare per creare, modellare e analizzare le strategie di trading semplice. Alcuni link utili in merito a The Istruttore Harry G. è un commerciante quantitativo maggiore per una ditta di commercio HFT a Chicago. Ha conseguito una laurea in Ingegneria Elettrica master8217s e una laurea master8217s in Matematica finanziaria presso l'Università di Chicago. Nel suo tempo libero, Harry insegna un corso di laurea in Finanza Quantitativa presso l'Università Loyola di Chicago. Egli è anche l'autore di Quantitative Trading con R. November 30, 2016, 12:34 Qualche mese fa un lettore mi sottolineano questo nuovo modo di collegare R ed Excel. Io don8217t so per quanto tempo questo è stato in giro, ma non ho mai incontrato e I8217ve mai visto alcun post o un articolo su di esso. Così ho deciso di scrivere un post come lo strumento è davvero valsa la pena e prima che qualcuno chiede, I8217m non legato alla società in qualsiasi modo. BERT acronimo di Basic Excel R Toolkit. It8217s gratuito (sotto licenza GPL v2) ed è stato sviluppato da Dati strutturati LLC. Al momento della stesura della versione corrente del BERT è 1.07. Ulteriori informazioni possono essere trovate qui. Da un punto di vista più tecnico, il BERT è progettato per supportare le funzioni di esecuzione R da celle del foglio di Excel. In termini di Excel, it8217s per la scrittura di funzioni definite dall'utente (UDF) a R. In questo post I8217m non andando a mostrare come R ed Excel interagiscono tramite BERT. Ci sono molto buoni tutorial qui. qui e qui. Invece io voglio mostrarti come ho usato BERT di costruire un tower8221 8220control per il mio trading. I miei segnali di trading sono generati utilizzando una lunga lista di file R, ma ho bisogno della flessibilità di Excel per visualizzare i risultati in modo rapido ed efficiente. Come indicato sopra BERT può fare questo per me, ma voglio anche di adattare l'applicazione alle mie esigenze. Combinando la potenza di XML, VBA, R e BERT posso creare un bell'aspetto ma potente applicazione sotto forma di un file Excel con codice minimo VBA. In definitiva Ho un singolo file di Excel raccolta di tutti i compiti necessari per gestire il mio portafoglio: aggiornamento del database, la generazione di segnali, gli ordini presentazione etc8230 mio approccio potrebbe essere suddiviso in 3 passaggi riportati di seguito: Utilizzare XML per creare menu e pulsanti definiti dall'utente in un Excel file. I menu ei pulsanti di cui sopra sono chiamate essenzialmente a funzioni VBA. Queste funzioni VBA sono wrapup intorno alle funzioni di ricerca definite utilizzando BERT. Con questo approccio posso mantenere una chiara distinzione tra il nucleo del mio codice tenuto in R, SQL e Python e tutto utilizzato per visualizzare e formattare i risultati tenuti in Excel, VBA XML amplificatore. Nelle prossime sezioni vi presento il presupposto di tale sviluppato un approccio e una guida passo passo che spiega come BERT potrebbe essere utilizzato semplicemente per il passaggio di dati da R in Excel con codice minimo VBA. 1 8211 Scaricare e installare BERT da questo link. Una volta completata l'installazione si dovrebbe avere un nuovo menu componenti aggiuntivi in ​​Excel con i tasti come mostrato di seguito. Questo è il modo BERT materializzata in Excel. 2 8211 Scaricare e installare editor personalizzato dell'interfaccia utente. L'interfaccia utente personalizzata Editor permette di creare menu e pulsanti definiti dall'utente in nastro Excel. Una procedura passo passo è disponibile qui. Guida passo passo 1 8211 R Codice: Il sotto funzione R è un semplice pezzo di codice solo a scopo illustrativo. Calcola e restituire i residui da una regressione lineare. Questo è quello che vogliamo recuperare in Excel. Salva questo in un file chiamato myRCode. R (qualsiasi altro nome va bene) in una directory di vostra scelta. 2 8211 functions. R in BERT. Da Excel selezionare Componenti aggiuntivi - gt Home directory e aprire il file chiamato functions. R. In questo file incollare il seguente codice. Assicurarsi di inserire il percorso corretto. Questo è solo di sourcing in BERT file R creato in precedenza. Quindi salvare e chiudere il file functions. R. Se si vuole fare alcuna modifica al file R creata nel passaggio 1 si dovrà ricaricare utilizzando il pulsante BERT 8220Reload avvio File8221 dal menu componenti aggiuntivi in ​​Excel 8211 In Excel 3: Creare e salvare un file chiamato myFile. xslm (qualsiasi altro nome va bene). Si tratta di un file con attivazione macro che si salva nella directory di vostra scelta. Una volta che il file viene salvato in prossimità di esso. 4 8211 Aprire il file creato in precedenza in editor personalizzato dell'interfaccia utente: Una volta che il file è aperto, incollare il codice qui sotto. Si dovrebbe avere qualcosa di simile nel editor XML: Essenzialmente questo pezzo di codice XML crea un menu aggiuntivo (RTrader), un nuovo gruppo (Il mio gruppo) e un pulsante definito dall'utente (Nuova Button) nella barra multifunzione di Excel. Una volta fatto you8217re, myFile. xslm aperto in Excel e chiudere l'editor interfaccia utente personalizzata. Si dovrebbe vedere qualcosa di simile. 5 8211 Apri editor VBA. In myFile. xlsm inserire un nuovo modulo. Incollare il codice riportato di seguito nel modulo appena creato. Questo cancella i risultati precedenti nel foglio di lavoro prima di affrontare nuovi. 6 8211 clic sul pulsante Nuovo. Ora tornare al foglio di calcolo e nel menu RTrader fare clic sul pulsante 8220New Button8221. Si dovrebbe vedere qualcosa di simile al di sotto apparire. La guida di cui sopra è una versione molto di base di ciò che può essere raggiunto utilizzando BERT ma mostra come combinare la potenza di diversi strumenti specifici per costruire la propria applicazione personalizzata. Dal mio punto di vista l'interesse di un tale approccio è la capacità di incollare insieme R ed Excel, ovviamente, ma anche di comprendere tramite XML (e batch) pezzi di codice da Python, SQL e molto altro ancora. Questo è esattamente quello che mi serviva. Infine Sarei curioso di sapere se qualcuno ha qualche esperienza con BERT 19 agosto, 2016, 9:26 Durante il test di strategie di trading un approccio comune è quello di dividere i dati iniziali fissati in in dati di esempio: la parte dei dati progettata per calibrare il modello e di dati di esempio: la parte dei dati utilizzati per convalidare la taratura e garantisce che l'creata nel campione sarà riflessa nel mondo reale. Come regola empirica circa 70 dei primi dati possono essere utilizzati per la calibrazione (cioè nella campione) e 30 per la convalida (cioè fuori dal campione). Poi un confronto tra il dentro e fuori della Guida dati campione per decidere se il modello è abbastanza robusto. Questo post si propone di andare un passo ulteriore e fornisce un metodo statistico per decidere se il fuori i dati del campione è in linea con quello che è stato creato nel campione. Nella tabella qui sotto l'area blu rappresenta la prestazione di campione per una delle mie strategie. Una semplice ispezione visiva rivela una buona misura tra il dentro e fuori di prestazioni campione, ma quale grado di fiducia devo in questa in questa fase non tanto e questo è il problema. Ciò che è veramente necessario è una misura di somiglianza tra il dentro e fuori di insiemi di dati di esempio. In termini statistici questo potrebbe essere tradotto come la probabilità che il dentro e fuori figure prestazioni campione provenienti dalla stessa distribuzione. C'è un test statistico non parametrico che fa esattamente questo: il test Kruskall-Wallis. Una buona definizione di questo test potrebbe essere trovato sulla R-Tutor 8220A raccolta di campioni di dati sono indipendenti se provengono da popolazioni indipendenti e i campioni non si influenzano a vicenda. Utilizzando il test di Kruskal-Wallis. possiamo decidere se le distribuzioni della popolazione siano identiche senza assumere loro di seguire il normale distribution.8221 Il vantaggio di questo test non sta assumendo una distribuzione normale. Esiste altri test della stessa natura che potrebbe inserirsi in tale contesto. Il test di Mann-Whitney-Wilcoxon o test di Kolmogorov-Smirnov sarebbe adatta perfettamente il quadro descrive qui tuttavia questo va oltre lo scopo di questo articolo per discutere i pro ei contro di ciascuna di queste prove. Una buona descrizione con esempi R può essere trovato qui. Here8217s il codice utilizzato per generare la tabella di cui sopra e l'analisi: Nell'esempio sopra nell'esempio di periodo è più lungo del fuori periodo campione perciò casualmente creato 1000 sottoinsiemi del in dati campione ciascuno di essi avente la stessa lunghezza della fuori dei dati di esempio. Poi ho provato ciascuno nel sottoinsieme del campione contro il fuori dati di esempio e ho registrato i valori di p. Questo processo non crea un singolo valore di p per il test Kruskall-Wallis ma una distribuzione rendendo l'analisi più robusto. In questo esempio, la media dei valori di p è ben sopra lo zero (0,478) che indica che l'ipotesi nulla dovrebbe essere accettato: ci sono forti evidenze che il dentro e fuori di dati di esempio viene dalla stessa distribuzione. Come al solito ciò che viene presentato in questo post è un esempio giocattolo che graffia solo la superficie del problema e dovrebbero essere adattati alle esigenze individuali. Tuttavia penso che propone un quadro statistico interessante e razionale per valutare di risultati del campione. Questo post è ispirato ai seguenti due documenti: Vigier Alexandre, Chmil Swann (2007), gli effetti delle diverse funzioni di ottimizzazione sul Out of Performance campione di strategie di trading geneticamente evoluto, Previsione mercati finanziari Conferenza Vigier Alexandre, Chmil Swann (2010), Un processo di ottimizzazione per migliorare INOUT di consistenza del campione, un caso Stock Market, JP Morgan Cazenove Equità quantitativa Conference, Londra ottobre 2010 13 dicembre 2015, 14:03 Fare ricerca quantitativa implica un sacco di dati scricchiolio e uno ha bisogno di dati puliti e affidabili per raggiungere questo obiettivo. Ciò che è veramente necessario è dati pulito che è facilmente accessibile (anche senza una connessione ad internet). Il modo più efficace per fare questo per me è stata quella di mantenere una serie di file CSV. Ovviamente questo processo può essere gestito in molti modi, ma ho trovato straordinario molto efficiente e semplice da mantenere una directory in cui posso conservare e aggiornare i file CSV. Ho un file CSV per ogni strumento e ogni file prende il nome dello strumento che contiene. La ragione per cui lo faccio è duplice: in primo luogo, io don8217t voglio scaricare i dati (prezzo) da Yahoo, Google etc8230 ogni volta che voglio testare una nuova idea, ma ancora più importante una volta ho identificato e risolto un problema, ho don8217t vogliono avere a farlo di nuovo la prossima volta che ho bisogno lo stesso strumento. Semplice ma molto efficiente finora. Il processo è riassunto nella tabella sottostante. In tutto ciò che segue, presumo che i dati proviene da Yahoo. Il codice dovrà essere modificato per i dati da parte di Google, Quandl etc8230 Inoltre vi presento il processo di aggiornamento dati sui prezzi al giorno. L'impostazione sarà diversa per i dati a frequenza più alta e altri tipi di file di dati (cioè diverso dai prezzi). 1 8211 dati scaricano iniziale (listOfInstruments. R amp historicalData. R) Il file listOfInstruments. R è un file che contiene solo l'elenco di tutti gli strumenti. Se una parte di strumento isn8217t della mia lista (cioè nessun file CSV nella mia cartella di dati) oppure se lo si fa per la prima volta è necessario scaricare il set di dati storici iniziale. L'esempio che segue scarica un insieme di ETF prezzi giornalieri da Yahoo Finance torna a gennaio 2000 e memorizzare i dati in un file CSV. 2 8211 l'aggiornamento dei dati esistenti (updateData. R) Il codice di seguito parte da file esistenti nella cartella dedicata e aggiorna tutti loro uno dopo l'altro. Io di solito eseguito questo processo tutti i giorni tranne quando I8217m in vacanza. Per aggiungere un nuovo strumento, è sufficiente eseguire il passaggio 1 sopra solo per questo strumento. 3 8211 creare un file batch (updateDailyPrices. bat) Un'altra parte importante del lavoro è la creazione di un file batch che automatizza il processo di aggiornamento di cui sopra (I8217m un utente di Windows). Questo evita l'apertura RRStudio ed eseguire il codice da lì. Il codice qui sotto è posto su un file. bat (il percorso deve essere modificato con l'installazione reader8217s). Si noti che ho aggiunto un file di output (updateLog. txt) per monitorare l'esecuzione. Il processo di cui sopra è estremamente semplice perché descrive solo come aggiornare i dati sui prezzi al giorno. I8217ve stanno usando questo per un po 'e ha lavorato molto bene per me finora. Per i dati più avanzati eo frequenze più alte, le cose possono diventare molto più complicato. Come al solito i commenti accolgono 23 Marzo 2015, 20:55 Quando si tratta di gestione di un portafoglio di azioni rispetto a un punto di riferimento il problema è molto diverso da definire una strategia di rendimento assoluto. Nel primo si deve tenere più scorte che in seguito, dove l'assenza di scorte a tutti possono aver luogo, se non è abbastanza buona occasione. La ragione di ciò è il tracking error. Questo è definito come la deviazione standard del rendimento del portafoglio meno il rendimento del benchmark. I meno scorte si tiene contro un punto di riferimento più alto è il tracking error (ad es rischio più elevato). L'analisi che segue è in gran parte ispirata al libro 8220Active portafoglio Management8221 da Grinold amp Kahn. Questa è la bibbia per chiunque sia interessato nella gestione di un portafoglio contro un punto di riferimento. Incoraggio vivamente chiunque abbia un interesse per l'argomento di leggere il libro dall'inizio alla fine. It8217s molto ben scritto e pone le basi della sistematica gestione attiva del portafoglio (non ho alcuna affiliazione al direttore o gli autori). 1 8211 Analisi fattoriale Qui we8217re cercando di classificare nel modo più accurato possibile le scorte dell'universo di investimento su base ritorno in avanti. Molte persone si avvicinò con molti strumenti e innumerevoli varianti di questi strumenti sono stati sviluppati per raggiungere questo obiettivo. In questo post mi concentro su due metriche semplici e ampiamente utilizzati: Informazioni Coefficient (IC) e Quantili Return (QR). 1.1 8211 Informazioni Coefficiente L'orizzonte per il ritorno in avanti deve essere definito dall'analista e it8217s una funzione del fatturato strategy8217s e il decadimento alfa (questo è stato oggetto di approfondite ricerche). Ovviamente CI devono essere il più alto possibile in termini assoluti. Per il lettore attento, nel libro di Grinold amp Kahn una formula che collega Information Ratio (IR) e IC è dato: con ampiezza è il numero di scommesse indipendenti (commercio). Questa formula è nota come legge fondamentale della gestione attiva. Il problema è che spesso, definendo l'ampiezza con precisione non è così facile come sembra. 1.2 8211 Quantili Ritorno Al fine di avere una stima più accurata del fattore di potere predittivo it8217s necessario fare un passo ulteriore e le scorte di gruppo da quantile dei valori del fattore di poi analizzare il rendimento medio a termine (o di qualsiasi altro parametro tendenza centrale) di ciascuno di questi quantili. L'utilità di questo strumento è molto semplice. Un fattore può avere un buon IC ma il suo potere predittivo può essere limitata ad un piccolo numero di stock. Questo non è buono come un gestore di portafoglio dovrà scegliere le scorte entro l'intero universo, al fine di soddisfare il suo vincolo di tracking error. Buone quantili di ritorno sono caratterizzate da una relazione monotona tra i singoli quantili e ritorna avanti. Tutti i titoli nell'indice SampP500 (al momento della scrittura). Ovviamente c'è una tendenza nave di sopravvivenza: la lista di titoli nell'indice è cambiata in modo significativo tra l'inizio e la fine del periodo di campionamento, tuttavia it8217s abbastanza buono solo a scopo illustrativo. Il codice di seguito scarica i prezzi delle azioni individuali nel SampP500 tra il gennaio 2005 e oggi (ci vuole un po ') e gira i prezzi grezzi in cambio negli ultimi 12 mesi e nell'ultimo mese. Il primo è il fattore, quest'ultimo sarà usato come misura di ritorno in avanti. Di seguito è riportato il codice per calcolare informazioni coefficiente e Quantili ritorno. Si noti che ho usato quintili in questo esempio, ma qualsiasi altro metodo di raggruppamento (terzili, decile etc8230) può essere utilizzato. in realtà dipende la dimensione del campione, ciò che si desidera catturare e tempo che si desidera avere una panoramica ampia o concentrarsi su code di distribuzione. Per stimare i rendimenti all'interno di ogni quintile, mediana è stata utilizzata come stimatore tendenza centrale. Questa misura è molto meno sensibile a valori anomali di media aritmetica. E infine il codice per produrre il grafico Quantili ritorno. 3 8211 Come sfruttare le informazioni sopra riportate nella tabella qui sopra Q1 è più bassi negli ultimi 12 mesi ritornano e Q5 più alto. Vi è un aumento quasi monotona nei quantili di ritorno tra Q1 e Q5 che indica chiaramente che le scorte di cadere in Q5 outperform quelle che rientrano in Q1 di circa 1 al mese. Questo è molto significativo e potente per un semplice fattore tale (non proprio una sorpresa though8230). Quindi ci sono maggiori possibilità di battere l'indice sovrappesando gli stock di cadere in Q5 e sottoponderare quelle che rientrano in Q1 rispetto al benchmark. Un IC di 0,0206 potrebbe non significare molto in sé, ma it8217s significativamente diverso da 0 e indica una buona capacità previsionale degli ultimi 12 mesi, rendimento complessivo. test di significatività formali possono essere valutati, ma questo è oltre la portata di questo articolo. 4 8211 limitazioni pratiche Il quadro di cui sopra è eccellente per la valutazione degli investimenti factor8217s qualità però ci sono una serie di limitazioni pratiche che devono essere affrontate per l'attuazione vita reale: riequilibrante. Nella descrizione di cui sopra, it8217s presupposto che alla fine di ogni mese il portafoglio è completamente riequilibrato. Ciò significa che tutti gli stock che cadono in Q1 sono sottopeso e tutti gli stock che cadono in Q5 sono in sovrappeso rispetto al benchmark. Questo non è sempre possibile per ragioni pratiche: alcuni titoli potrebbero essere esclusi dal universo di investimento, ci sono vincoli per l'industria o il peso del settore, ci sono vincoli sul fatturato etc8230 costi di transazione. Questo non è essere preso in considerazione nell'analisi di cui sopra e questo è un grave freno all'attuazione vita reale. Considerazioni sulla cifra d'affari sono generalmente implementati nella vita reale in una forma di sanzione sulla qualità fattore. coefficiente di trasferimento. Si tratta di una estensione della legge fondamentale della gestione attiva e rilassa l'assunzione di modello di Grinold8217s che i manager devono affrontare vincoli che li escludono dalla conversione loro investimenti intuizioni direttamente nelle scommesse portafoglio. E, infine, I8217m stupito da ciò che può essere raggiunto in meno di 80 righe di codice con R8230 Come al solito commenti accolgono 14 Marzo 2014, 13:07 La domanda che ci si dovrebbe sempre himherself chiesto quando si utilizza indicatori tecnici è quello che sarebbe un obiettivo criteri per selezionare i parametri indicatori (ad esempio, il motivo per cui utilizzando un 14 giorni RSI, piuttosto che 15 o 20 giorni). Gli algoritmi genetici (GA) sono strumenti altamente adeguati per rispondere a questa domanda. In questo post I8217ll mostrerà come impostare il problema in R. Prima di procedere il solito promemoria: Quello che presento in questo post è solo un esempio giocattolo e non un invito ad investire. La sua non è una strategia finita sia, ma un'idea di ricerca che deve essere ulteriormente studiato, sviluppato e adattato alle esigenze individuali. Quali sono gli algoritmi genetici La migliore descrizione di GA mi sono imbattuto proviene da Cybernatic Trading un libro di Murray A. Ruggiero. 8220Genetic algoritmi sono stati inventato da John Holland a metà del 1970 per risolvere i problemi di ottimizzazione difficili. Questo metodo utilizza la selezione naturale, sopravvivenza del fittest8221. Il processo generale segue i passi di seguito: codificare il problema in cromosomi utilizzando la codifica, lo sviluppo di una funzione di fitness per l'uso nella valutazione ogni valore chromosome8217s nel risolvere un determinato problema Inizializzare una popolazione di cromosomi valutare ogni cromosoma nella popolazione Creare nuovi cromosomi accoppiando due cromosomi. Questo viene fatto muting e ricombinando due genitori in modo da formare due bambini (i genitori sono scelti a caso, ma viziate da loro idoneità) valutare la nuova cromosoma Eliminare un membro della popolazione che è meno in forma rispetto al nuovo cromosoma e inserire il nuovo cromosoma nella popolazione . Se i criteri di arresto viene raggiunto (numero massimo di generazioni, i criteri di idoneità è buono enough8230) per poi tornare il miglior cromosoma in alternativa, passare al punto 4 Dal punto di vista commerciale GA sono molto utili perché sono bravo a trattare con i problemi altamente non lineari. Tuttavia essi presentano alcune caratteristiche sgradevoli che sono degni di nota: Overfitting: Questo è il problema principale e it8217s verso il basso per l'analista di impostare il problema in modo tale da minimizzare questo rischio. tempo di calcolo. Se il problema isn8217t correttamente definito, può essere estremamente lungo per raggiungere una soluzione accettabile e la complessità aumenta esponenzialmente con il numero di variabili. Da qui la necessità di selezionare con attenzione i parametri. Ci sono diversi pacchetti che si occupano di R GA, ho scelto di utilizzare i più comuni uno: rgenoud prezzi di chiusura giornalieri per gli ETF più liquidi da Yahoo Finance che risale al gennaio 2000. L'nel periodo di campionamento va dal gennaio 2000 al dicembre 2010. L'Out of periodo inizia campione su gennaio 2011. la logica è la seguente: la funzione di fitness è ottimizzata per il periodo di campionamento per ottenere una serie di parametri ottimali per gli indicatori tecnici selezionati. L'andamento di tali indicatori viene poi valutato nel fuori periodo di campionamento. Ma prima di farlo indicatori tecnici devono essere selezionati. Il mercato azionario presenta due caratteristiche principali che sono familiari a chiunque abbia una certa esperienza di trading. slancio a lungo termine e l'inversione a breve termine. Tali caratteristiche possono essere tradotti in termini di indicatori tecnici per: medie mobili attraversare e RSI. Questo rappresenta un insieme di 4 parametri: periodi Look-posteriori per medie mobili lungo e breve termine, guardare-back periodo per la soglia RSI e RSI. I set di parametri sono i cromosomi. L'altro elemento chiave è la funzione di fitness. Potremmo voler usare qualcosa di simile: il massimo ritorno o indice di Sharpe o drawdown media minima. In ciò che segue, ho scelto di massimizzare il rapporto di Sharpe. L'implementazione R è un insieme di 3 funzioni: fitnessFunction. definisce la funzione di fitness (per esempio massimo indice di Sharpe) da utilizzare entro i tradingStatistics motore GA. riepilogo delle statistiche di negoziazione per il dentro e fuori dei periodi di esempio per scopi di confronto Genoud. il motore GA dal pacchetto rgenoud La funzione Genoud è piuttosto complesso, ma I8217m non andare a spiegare che cosa significa ogni parametro come voglio mantenere questo post breve (e la documentazione è veramente buono). Nella tabella qui sotto vi presento per ogni strumento i parametri ottimali (periodo di look-indietro RSI, soglia di RSI, a breve termine media mobile, e lungo termine Moving Average), insieme con il dentro e fuori delle statistiche commerciali del campione. Prima di commentare i risultati di cui sopra, voglio spiegare alcuni punti importanti. Per abbinare la logica sopra definito, ho delimitato i parametri per assicurarsi che il periodo di look-retro per la media mobile a lungo termine è sempre più che la media mobile più breve. Ho anche costretto l'ottimizzatore di scegliere solo le soluzioni con più di 50 mestieri del periodo del campione (ad es, la significatività statistica). Nel complesso il fuori risultati dei campioni sono tutt'altro che impressionanti. I rendimenti sono bassi, anche se il numero di transazioni è piccolo per rendere pubblico il risultato davvero significativo. there8217s Tuttavia, una significativa perdita di efficienza tra il dentro e fuori del periodo di campionamento per il Giappone (EWJ), che molto probabilmente significa Overfitting. Questo post ha lo scopo di dare al lettore gli strumenti per utilizzare correttamente GA in un quadro di trading quantitativo. Ancora una volta, It8217s solo un esempio che deve essere ulteriormente raffinata. Alcuni potenziale miglioramento da esplorare potrebbe essere: funzione di fitness. massimizzando l'indice di Sharpe è molto semplicistico. Una funzione 8220smarter8221 certamente migliorare la fuori modello di statistiche commerciali del campione. cerchiamo di catturare un modello molto semplice. Una più approfondita ricerca modello è sicuramente necessaria. ottimizzazione. ci sono molti modi per migliorare il modo in cui viene condotta l'ottimizzazione. Ciò migliorare sia la velocità di calcolo e la razionalità dei risultati. Il codice utilizzato in questo post è disponibile su un repository Gist. Come al solito i commenti di benvenuto 28 febbraio 2014, 15:52 Vi è un corpo enorme di letteratura sia accademica ed empirica su previsioni di mercato. Il più delle volte si mescola due caratteristiche del mercato: grandezza e la direzione. In questo articolo voglio concentrarsi sull'individuazione solo la direzione del mercato. L'obiettivo mi sono posto, è quello di individuare le condizioni di mercato quando le probabilità sono significativamente influenzati verso un alto o un mercato verso il basso. Questo post dà un esempio di come CART (classificazione e regressione alberi) possono essere utilizzati in questo contesto. Prima di procedere il solito promemoria: Quello che presento in questo post è solo un esempio giocattolo e non un invito ad investire. La sua non è una strategia finita sia, ma un'idea di ricerca che deve essere ulteriormente studiato, sviluppato e adattato alle esigenze individuali. 1 8211 Qual è CART e perché usarlo Da statistiche, CART sono un insieme di tecniche per la classificazione e la previsione. La tecnica mira a produrre norme che prevedono il valore di una variabile outcome (target) dai valori noti di predittore (esplicative) variabili. Ci sono molte implementazioni diverse, ma sono tutti condividono una caratteristica generale e questo è ciò che Im interessa. Da Wikipedia, Algoritmi per la costruzione di alberi di decisione solito lavorare dall'alto verso il basso, scegliendo una variabile ad ogni passo che meglio divide l'insieme di elementi. Diversi algoritmi utilizzano parametri diversi per la misurazione 8220best8221. Questi generalmente misurano l'omogeneità della variabile di destinazione all'interno dei sottoinsiemi. Queste metriche sono applicati a ciascun gruppo candidato, ed i valori risultanti vengono combinati (ad esempio la media) per fornire una misura della qualità della scissione. metodologia CART presenta alcune caratteristiche che sono molto adatti per l'analisi di mercato: non parametrico. CART grado di gestire qualsiasi tipo di distribuzioni statistiche non lineari. CART in grado di gestire un ampio spettro di dipendenza tra variabili (ad esempio, non limitato a relazioni lineari) robusto per valori anomali ci sono vari pacchetti R si occupano di ricorsiva partizionamento, io uso qui rpart per gli alberi e la stima rpart. plot per gli alberi di disegno. 2 8211 prezzi amp dati Esperimento design quotidiano OHLC per gli ETF più liquidi da gennaio 2000 a dicembre 2013 estratte da Google Finance. Il periodo di campionamento va dal gennaio 2000 al dicembre 2010 il resto del set di dati è la fuori periodo di campionamento. Prima di eseguire qualsiasi tipo di analisi del set di dati deve essere preparato per l'attività. La variabile obiettivo è il ritorno in avanti ETF settimanale definita come due stati del mondo esito (su o giù). Se settimanale di ritorno in avanti gt 0 allora il mercato nello stato UP, altrimenti stato Giù Le variabili esplicative sono una serie di indicatori tecnici derivati ​​dal set di dati iniziali OHLC quotidiana. Ogni indicatore rappresenta un comportamento di mercato ben documentata. Per ridurre il rumore nei dati e tentare di identificare le relazioni solide, ciascuna variabile indipendente è considerata avere un risultato binario. Volatilità (Q1). Elevata volatilità è di solito associata con un mercato verso il basso e bassa volatilità con un up del mercato. La volatilità è definita come la 20 giorni ATR grezzo (True Range media) diffuso alla sua media mobile (MA). Se grezzo ATR gt MA poi VAR1 1, altrimenti VAR1 -1. slancio breve termine (VAR2). Il mercato azionario manifesta un comportamento slancio a breve termine catturato qui da un 5 giorni semplici medie mobili (SMA). Se il prezzo gt SMA poi VAR2 1 altro VAR2 -1 slancio a lungo termine (VAR3). Il mercato azionario presenta un comportamento di moto lungo termine catturato qui da un 50 giorni semplici medie mobili (LMA). Se il prezzo gt LMA poi VAR3 1 altro VAR3 -1 inversione a breve termine (VAR4). Questo viene catturato dal CRTDR che sta per parente stretto range giornaliero e calcolato come segue:. Se CRTDR gt 0.5, quindi VAR4 1 altro regime VAR4 -1 autocorrelazione (VAR5). Il mercato azionario tende a passare attraverso periodi di regimi di autocorrelazione negativi e positivi. Se i rendimenti autocorrelazione negli ultimi 5 giorni gt 0 poi VAR5 1 altro VAR5 -1 ho messo sotto un esempio di albero con alcune spiegazioni Nella struttura sopra, il percorso per raggiungere il nodo 4 è: VAR3 GT0 (Long Term Momentum gt 0) e VAR4 gt 0 (CRTDR gt 0). Il rettangolo rosso indica questa è una foglia DOWN (nodo esempio terminale) con una probabilità di 58 (1 8211 0,42). In termini di mercato, ciò significa che se a lungo termine Momentum è su e CRTDR è gt 0,5 allora la probabilità di un ritorno positivo la settimana prossima si basa su 42 i dati di esempio a campione. 18 indica la percentuale del set di dati che rientrano in quel nodo terminale (ad esempio foglie). Ci sono molti modi per utilizzare il metodo di cui sopra, ho scelto di stimare e combinare tutti gli alberi possibili. Dai dati a campione, raccolgo tutte le foglie di tutti i possibili alberi e li raccolgo in una matrice. Questo è il 8220rules matrix8221 dando la probabilità della prossima settimana beeing UP o DOWN. Applico le regole nella matrice sopra al di dati di esempio (gen 2011 8211 dicembre 2013) e metto a confronto i risultati al risultato reale. Il problema di questo approccio è che un singolo punto (settimana) può cadere in diverse regole e anche appartenere a UP e le regole contemporaneamente. Quindi applico uno schema di voto. Per una data settimana ho riassumere tutte le regole che si applicano a quella settimana dare un 1 per una regola di UP e -1 per una regola GIÙ. Se la somma è maggiore di 0 settimana è classificato come UP, se la somma è negativa it8217s una settimana GIÙ e se la somma è uguale a 0 non vi sarà alcuna posizione assunta quella settimana (ritorno 0) Il metodo di cui sopra è applicato ad un set di ETF molto liquido. Ho tracciare sotto il fuori delle curve campione di capitale insieme con l'acquisto e la strategia di attesa per lo stesso periodo. I primi risultati sembrano incoraggianti, anche se la qualità del risultato varia dallo strumento. Tuttavia, vi è una grande sala di miglioramento. Ho messo sotto alcune direzioni per ulteriori ottimalità analisi del percorso. L'algoritmo usato qui per definire gli alberi è ottimale in ogni gruppo ma doesn8217t garantisce l'ottimalità del percorso. Aggiunta di una metrica per misurare l'ottimalità del percorso certamente migliorare i risultati di cui sopra. Altre variabili. Ho scelto le variabili esplicative esclusivamente in base all'esperienza. It8217s molto probabile che questa scelta non è né buona né ottimale. metodologia Backtest. Ho usato un semplice dentro e fuori di una metodologia di campionamento. In un backtest più formale avrei preferito utilizzare una finestra di laminazione o di espansione di dentro e fuori campione sotto-periodi (a piedi analisi avanti per esempio) Come al solito, i commenti di benvenuto