Quantas estratégias de negociação

Guia para iniciantes em negociação quantitativa.

Guia para iniciantes em negociação quantitativa.

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

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

Um sistema de negociação quantitativo consiste em quatro componentes principais:

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

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

Identificação de estratégia.

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

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

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

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

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

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

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

Backtesting de estratégia.

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

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

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

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

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

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

Sistemas de Execução.

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

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

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

Em um fundo maior, muitas vezes não é o domínio do comerciante de quantificação para otimizar a execução. No entanto, em pequenas lojas ou empresas de HFT, os comerciantes são os executores e, portanto, um conjunto de habilidades muito mais amplo é geralmente desejável. Tenha isso em mente se você deseja ser empregado por um fundo. Suas habilidades de programação serão tão importantes, se não mais, do que suas estatísticas e talentos econométricos!

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

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

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

Gerenciamento de riscos.

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

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

Outro componente fundamental do gerenciamento de riscos é lidar com o próprio perfil psicológico. Existem muitos vieses cognitivos que podem surgir na negociação. Embora isso seja reconhecidamente menos problemático com negociação algorítmica se a estratégia for deixada em paz! Um viés comum é o da aversão à perda, em que uma posição perdedora não será fechada devido à dor de ter que perceber uma perda. Da mesma forma, os lucros podem ser tomados muito cedo porque o medo de perder um lucro já ganho pode ser muito grande. Outro viés comum é conhecido como viés de recência. Isso se manifesta quando os operadores enfatizam demais os eventos recentes e não a longo prazo. Então, é claro, há o par clássico de preconceitos emocionais - medo e ganância. Estes podem muitas vezes levar a sub ou sobre-alavancagem, o que pode causar blow-up (ou seja, o título da conta indo para zero ou pior!) Ou lucros reduzidos.

Como pode ser visto, o comércio quantitativo é uma área extremamente complexa, embora muito interessante, de financiamento quantitativo. Eu literalmente arranhei a superfície do tópico neste artigo e já está ficando bastante longo! Livros e documentos inteiros foram escritos sobre questões para as quais eu só dei uma ou duas sentenças. Por esse motivo, antes de se candidatar a cargos quantitativos de negociação de fundos, é necessário realizar uma quantidade significativa de estudo de base. No mínimo, você precisará de um extenso conhecimento em estatística e econometria, com muita experiência em implementação, por meio de uma linguagem de programação como MATLAB, Python ou R. Para estratégias mais sofisticadas no final de frequência mais alta, seu conjunto de habilidades é provável para incluir a modificação do kernel do Linux, C / C ++, programação de montagem e otimização de latência de rede.

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

A Quantcademy.

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

ESTRATÉGIAS DE NEGOCIAÇÃO ALGORITÍMICA COMPROVADA.

Estratégias Quantitativas de Negociação para Lucrar Durante o Levantamento & # 038; Mercados de queda.

Melhore sua negociação e.

impulsione os lucros com nossa análise.

Technical Traders Ltd. ajuda você a identificar e lucrar mais com sua negociação. Como? Fornecendo configurações de comércio confirmadas e notificações em tempo real.

ALCANÇAR DIVERSIFICAÇÃO EM SEU PORTFÓLIO.

COMO VOCÊ NUNCA PENSOU POSSÍVEL.

Nossas estratégias de negociação algorítmica proporcionam diversificação ao seu portfólio através da negociação de múltiplos valores, como o índice S & P 500, o índice DAX e o índice de volatilidade, através do uso de negociação de futuros, ou fundos negociados em bolsa muito líquidos. Aplicando estratégias baseadas em tendência, negociação de tendências e estratégias baseadas em ciclo de limite de alcance, procuramos fornecer um processo de decisão de negociação altamente automatizado e sistemático capaz de fornecer retornos consistentes para nossos clientes. *

Oferecemos múltiplas estratégias de negociação algorítmica onde todas as estratégias algorítmicas podem ser seguidas manualmente, recebendo alertas de texto por e-mail e SMS, ou pode ser 100% mãos-livres negociadas automaticamente na sua conta de corretagem. Cabe a você, e você pode até mesmo ligar / desligar a negociação automática a qualquer momento para que você esteja sempre no controle de seu destino.

Nossas estratégias de negociação algorítmica:

1. Mudanças de momentum de curto prazo entre as condições de mercado de sobrecompra e sobrevenda, que são negociadas usando posições longas e curtas permitindo, lucros potenciais em qualquer direção do mercado.

2. Tendência seguinte leva vantagem de movimentos de preços de vários meses estendidos em qualquer direção para cima ou para baixo.

3. O comércio cíclico permite lucros potenciais durante um mercado paralelo de alcance. Alguns dos maiores ganhos são encontrados durante as condições agitadas do mercado com essa estratégia.

Nossos Produtos - O AlgoTrades é um serviço completo de sistema de negociação que combina os tipos de análise mais eficazes e importantes listados acima em sistemas de negociação algorítmicos exclusivos para criação de sistemas dinâmicos e robustos.

As estratégias de negociação quantitativa da AlgoTrades diversificam seu portfólio de duas maneiras; (1) negocia os maiores índices de ações para a diversificação total com todos os setores do mercado; (2) emprega três estratégias de negociação algorítmica de análise única. As três estratégias de negociação exclusivas proporcionam estabilidade adicional como resultado de múltiplas abordagens, e as posições dos fatos variam em tamanho e tamanho.

Valor Agregado Com Estratégias De Negociação Algorítmica.

A AlgoTrades procura agregar valor maximizando a eficiência do retorno, uma medida estatística do desempenho. Agregamos valor por meio de um desempenho consistente, independentemente da condição ou tendência atual do mercado. ** Nossas regras intrincadas de gerenciamento de risco e o sistema podem oferecer baixa volatilidade do portfólio e baixa correlação com os retornos do mercado de ações.

Montar a montanha-russa do mercado de ações e ver sua carteira cair no mercado financeiro agora pode ser evitado com o uso de nossas estratégias de negociação algorítmica.

O valor que fornecemos à pesquisa de ponta do nosso investidor, posições adequadamente gerenciadas e altos níveis de transparência, todos projetados para ajudar os investidores a alcançar suas metas financeiras mais cedo. ***

O que nossas estratégias de negociação algorítmicas não são.

Nossas estratégias de negociação algorítmica não são neutras em relação ao mercado, o que significa que não protegemos nossa posição porque buscamos lucrar com as flutuações do mercado de ações. Em vez disso, nossos negócios são direcionais e tipicamente direcionados para a tendência principal, seja o preço subir, descer ou lateralmente.

Investir com a AlgoTrades acarreta o risco de perda, assim como todos os investimentos.

No entanto, estamos muito conscientes e conscientes da importância do controle de risco, e acreditamos que a negociação usando nossas estratégias de negociação algorítmica e abordagem automatizada gerenciará com sucesso o risco enquanto busca retornos atraentes. ***

Gerar crescimento de longo prazo consistente.

Nossas Estratégias de Negociação Algorítmica - Descrição & # 038; Filosofia.

Acreditamos que o sistema algorítmico de negociação da AlgoTrades é tudo o que um negociante e investidor precisa para gerar um crescimento consistente de longo prazo. *

Nossas ferramentas exclusivas e algoritmos de negociação nos permitem aproveitar os mercados financeiros, independentemente da direção do mercado. AlgoTrades & # 8217; Os filtros avançados monitoram o mercado a cada teste, avaliando cada entrada, lucro / perda ou interrompendo o nível de veiculação em tempo real, para que você não precise fazer isso.

O que é negociado:

Os sistemas que negociam o contrato de futuros do ES mini, futuros de DAX, com posições longas e curtas. Alguns sistemas negociam utilizando fundos negociados em bolsa com foco na negociação de índices, setores e índice de volatilidade. Também temos sistemas de negociação de ações para aqueles que preferem negociação de ações ativas. Os negócios variam em tamanho, dependendo da estratégia. A gama de sistemas forma dias de negociação para negociação de tendência longa multi-semana.

AlgoTrades & # 8217; A prioridade número um após a execução de uma posição é maximizar os lucros e reduzir os riscos.

Gerenciamento de posição usado.

Cada um dos nossos sistemas negocia ou um contrato de futuros ou um valor de tamanho de posição fixo se negociar ações ou ETFs. Além disso, alguns sistemas como a negociação de futuros ou sistemas de estoque longos / curtos exigirão uma conta de margem, enquanto um sistema ETF de longo prazo (fundos regulares e inversos) qualquer conta de negociação de ações normal pode ser usada.

Nossos sistemas são dimensionáveis, ou seja, se um sistema exigir um tamanho de conta de US $ 10.000 e você tiver uma conta de US $ 20.000, basta definir a Escala do sistema para 200%. Isso garantirá que você está negociando os tamanhos de posição corretos para sua conta.

Tamanho da conta necessária.

A conta mínima de negociação necessária para que as negociações sejam executadas com nosso menor sistema é uma conta de US $ 10.000. Nossos sistemas são escalonáveis, o que significa que, se um sistema declarar que requer um tamanho de conta de US $ 10.000 e você tiver uma conta de US $ 20.000, basta definir a Escala do sistema para 200%.

Por outro lado, se um sistema disser que requer US $ 25.000 e você tiver apenas US $ 12.500, você definiria a escala do sistema para negociar 50% do tamanho da posição do sistema. Isso garantirá que você está negociando os tamanhos de posição corretos para sua conta.

APRENDA SOBRE AS ESTRATÉGIAS DE NEGOCIAÇÃO ALGORITÍMICA.

USADO PARA COMERCIALIZAR SUA CONTA.

IMPORTANTE & # 8211; ESTRATÉGIAS DE NEGOCIAÇÃO ALGORITÍMICA:

A cada ano, o mercado de ações tem um ponto ideal onde uma grande parte dos ganhos será gerada dentro de alguns meses, portanto, o comprometimento com o sistema de negociação algorítmica é importante para o sucesso a longo prazo.

ESTRATÉGIA DE NEGOCIAÇÃO ALGORITÍMICA NOTA.

Nosso sistema AlgoTrades foi desenvolvido e comercializado por profissionais que desejam compartilhar seu sistema, a paixão dos mercados e o estilo de vida com nosso seleto grupo de traders e investidores.

A equipe da AlgoTrades tem um nível de experiência combinado de 77 anos nos mercados. Nossos recursos correm longe cobrindo dia negociação, swing trading, 24 horas de negociação de futuros, ações, ETF e desenvolvimento de estratégias de negociação algorítmica. Nosso pequeno grupo de elite viu e fez tudo!

Estamos orgulhosos de disponibilizar a AlgoTrades para investidores individuais para ajudar a nivelar o campo de jogo com os profissionais, fundos de hedge e firmas de private equity em Wall Street.

Nossas estratégias de negociação algorítmica usam vários pontos de dados para impulsionar suas tomadas de decisão e negociações. O uso de ciclos, proporções de volume, tendências, volatilidade, sentimento de mercado e reconhecimento de padrões coloca a probabilidade a nosso favor de ganhar dinheiro.

CARACTERÍSTICAS IMPORTANTES DAS ESTRATÉGIAS DE NEGOCIAÇÃO ALGORITMICA & # 038; BENEFÍCIO PARA COMERCIANTES FUTUROS: Quando um contrato de futuros está próximo da expiração, o nosso sistema fechará automaticamente o contrato da frente ou próximo e restabelecerá a posição na nova frente ou próximo mês do contrato. Nenhuma ação é necessária de sua parte. É uma verdadeira estratégia de negociação automatizada de mãos livres.

Negociação Quantitativa.

O que é 'negociação quantitativa'

A negociação quantitativa consiste em estratégias de negociação baseadas em análises quantitativas, que dependem de cálculos matemáticos e processamento de números para identificar oportunidades de negociação. Como a negociação quantitativa é geralmente usada por instituições financeiras e fundos de hedge, as transações geralmente são grandes em tamanho 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.

QUEBRANDO "Negociação Quantitativa"

As técnicas de negociação quantitativa incluem negociação de alta frequência, negociação algorítmica e arbitragem estatística. Essas técnicas são rápidas e normalmente têm horizontes de investimento de curto prazo. Muitos comerciantes quantitativos estão mais familiarizados com ferramentas quantitativas, como médias móveis e osciladores.

Compreender Negociação Quantitativa.

Comerciantes quantitativos aproveitam a tecnologia moderna, a matemática e a disponibilidade de bancos de dados abrangentes para tomar decisões comerciais racionais.

Comerciantes quantitativos adotam uma técnica de negociação e criam um modelo usando a matemática, e então desenvolvem um programa de computador que aplica o modelo a dados históricos do mercado. O modelo é então backtested e otimizado. Se resultados favoráveis ​​forem alcançados, o sistema é então implementado em mercados em tempo real com capital real.

A forma como os modelos de negociação quantitativa funcionam pode ser melhor descrita usando uma analogia. Considere um boletim meteorológico em que o meteorologista prevê 90% de chance de chuva enquanto o sol estiver brilhando. O meteorologista deriva essa conclusão contra-intuitiva ao coletar e analisar dados climáticos de sensores em toda a área. Uma análise quantitativa computadorizada revela padrões específicos nos dados. Quando esses padrões são comparados com os mesmos padrões revelados em dados históricos do clima (backtesting), e 90 de 100 vezes o resultado é chuva, então o meteorologista pode tirar a conclusão com confiança, daí a previsão de 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 uma negociação lucrativa. Um trader típico pode efetivamente monitorar, analisar e tomar decisões de negociação sobre um número limitado de títulos antes que a quantidade de dados recebidos sobrecarregue o processo de tomada de decisão. O uso de técnicas quantitativas de negociação ilumina esse limite usando computadores para automatizar as decisões de monitoramento, análise e negociação.

Superar a emoção é um dos problemas mais difusos da negociação. Seja medo ou ganância, quando se negocia, a emoção serve apenas para sufocar o pensamento racional, o que geralmente leva a perdas. Computadores e matemática não possuem emoções, então a negociação quantitativa elimina esse problema.

A negociação quantitativa 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 as condições de mercado para as quais foram desenvolvidos, mas acabam fracassando quando as condições do mercado mudam.

StrategyQuant.

StrategyQuant é uma peça única de software que procura, backtests e otimiza estratégias automaticamente e não requer habilidades de programação. A estratégia pode ser facilmente salva nos formatos MetaTrader, TradeStation ou NinjaTrader.

Construção de estratégia.

Ele procura e faz backtests de estratégias automaticamente com base nos parâmetros requeridos.

Sem programação.

Você não precisa ser um programador para usar seus próprios algoritmos para negociação.

Melhore suas estratégias.

Você pode melhorar suas estratégias, adicionar gerenciamento de dinheiro inteligente e, assim, chegar a melhores resultados.

Teste de robustez.

Testes de robustez permitem que você escolha as melhores estratégias e, assim, maximize seu lucro em negociações reais.

É fácil criar estratégias que você normalmente não pensaria e, portanto, você não está limitado por sua própria experiência. É fácil encontrar centenas de estratégias diferentes e realizar backtesting de alta qualidade para diferentes mercados e prazos para garantir a melhor robustez possível.

StrategyQuant contém uma visão geral muito detalhada dos parâmetros da estratégia e, portanto, permite analisar minuciosamente seus resultados. Também inclui ferramentas de alta qualidade que permitem testar a qualidade da estratégia e assim melhorar seus resultados em negociações reais.

A experiência de nossos clientes confirma que a combinação de StrategyQuant e esforço e aprendizado leva a portfólios de estratégias muito lucrativos.

Abordagem Quant para Construir Estratégias de Negociação: Parte Um.

Recentemente, Quandl entrevistou um gerente sênior de carteira quantitativa em um grande fundo de hedge. Nós falamos sobre como ela constrói estratégias de negociação - como ela transita de uma representação abstrata do mercado para algo concreto com poderes preditivos genuínos.

Você pode nos dizer como você cria novas estratégias de negociação?

Tudo começa com uma hipótese. Eu conjecturo que deve haver uma relação entre dois instrumentos, ou talvez haja um novo instrumento no mercado que esteja ganhando popularidade, ou talvez haja um fator macroeconômico incomum que descobri que impulsiona o comportamento de precificação de micro. Então eu escrevo uma equação - um modelo, se você quiser - que visa capturar esse relacionamento. Normalmente, haverá algum tipo de equação de processo que mostra como as variáveis ​​evoluem com o tempo, com um componente aleatório (estocástico).

O próximo passo é encontrar uma solução de formato fechado para este modelo. Às vezes isso é fácil; às vezes isso leva dias e semanas de álgebra; às vezes não há solução de forma fechada e tenho que me contentar com uma aproximação. Acho muito útil o kit de ferramentas de manipulação simbólica do Mathematica nesta etapa do processo.

Ok, agora eu tenho um modelo do mercado. Eu preciso testar se é realista. Nesta fase, geralmente me volto para o Matlab. Assumo alguns valores plausíveis para vários parâmetros e executo algumas simulações. As saídas simuladas parecem razoáveis? Eles refletem, pelo menos conceitualmente, a dinâmica real do mercado?

Assumindo que o modelo passe por essa verificação de integridade, é hora de ir além da exploração ou ideação do céu azul e da pesquisa formal.

O que você quer dizer com “pesquisa formal”? E por que isso é necessário?

Refiro-me à transição de uma representação abstrata e estilizada do mercado para algo concreto e não ambíguo, com poderes preditivos genuínos.

É difícil criar modelos realmente preditivos. Mas é muito fácil se enganar pensando que você criou um modelo preditivo, quando, na verdade, você simplesmente se encaixou demais ou usou testes na amostra ou impôs um conhecimento exógeno em suas regras, ou o que você tem. A maioria dos "sistemas" desmorona no mundo real por esse motivo preciso.

Eu não quero que isso aconteça ao meu modelo; Eu vou estar arriscando dinheiro real com isso. Assim, ao longo dos anos, construí e aprimorei uma abordagem sistemática, lenta e constante que minimiza o risco de me enganar. Isso é o que eu chamo de "pesquisa formal".

Quais etapas você inclui no seu processo formal de pesquisa?

Logo no início, meu maior medo é a contaminação de dados. A história é um recurso limitado; Depois de esgotar os dados históricos para testar, você não poderá gerar mais nenhum. Estou paranóico por não ter esgotado meu suprimento de dados fora de amostra não contaminados.

Então começo dividindo meus dados históricos em partes não sobrepostas. Eu então escolho aleatoriamente para que nem eu saiba qual pedaço é qual. (Isso protege contra preconceitos subconscientes: por exemplo, ter aversão ao risco quando eu sei que meu conjunto de dados de teste é 2008, ou que estou buscando risco em 2009).

Eu designo um pedaço como meu conjunto de calibração. Eu costumo usar o Python para calibração: eu uso suas bibliotecas de otimização internas e escrevi algumas das minhas. Neste exemplo em particular, meus parâmetros são restritos e correlacionados. Então eu uso um processo de otimização de 2 etapas chamado algoritmo EM. Os otimizadores podem ser sensíveis às condições iniciais, então eu uso o Monte Carlo para escolher um número de pontos de partida no espaço da solução. Tudo isso é muito fácil de fazer em Python.

O resultado dessa calibração deve ser um conjunto de “parâmetros do modelo” - valores numéricos - que podem ser combinados com observações reais do mercado para prever outros preços de mercado.

Depois de calibrar o modelo, testei a amostra. As previsões são estáveis ​​e os resíduos significam uma reversão? Se não, o modelo não funciona; tão simples como isso. Eu tento vários "truques" para quebrar o modelo. Por exemplo, calibre dados mensais, mas teste em dados diários. Ou eu testo parâmetros dos EUA nos dados do mercado canadense. Se o modelo reflete verdadeiramente a realidade econômica subjacente, deve ser bastante robusto para esses tipos de ataques. (Economia não muda quando você cruza fronteiras).

Então, você separa estritamente na amostra e fora da amostra; você se cega para intervalos de datas; você usa Monte Carlo para evitar vieses de ponto inicial; e você tenta vários truques de robustez. O que mais você faz para garantir que não se engane?

Eu coloco um prêmio muito alto em parcimônia. Se meu modelo requer muitos parâmetros ou tem muitos graus de liberdade, é apenas ajuste de curva; não é um modelo de todo. Então, estou constantemente tentando remover fatores. Se o modelo continuar funcionando (e permanecer "rico") com vários fatores removidos, provavelmente será um bom fator.

Uma segunda prova de robustez é se o modelo funciona bem, não importa qual estratégia de negociação você construa em cima dele. Se você só pode ganhar dinheiro usando uma regra de escala não linear complexa com todos os tipos de condições de borda, isso sugere uma falta de robustez.

Por fim, não há substituto para os dados. Penso em todos os conjuntos de dados possíveis fora da amostra em que posso testar o modelo de forma plausível: diferentes países, diferentes instrumentos, diferentes intervalos de tempo, diferentes frequências de datas. O modelo tem que trabalhar em todos eles; senão você tem viés de seleção nos resultados.

Isso parece abrangente. O que acontece depois?

Armado com um modelo calibrado, o próximo passo é construir uma simulação de PL. Resíduos de reversão média podem não ser suficientes se o conjunto de oportunidades for muito pequeno para compensar o bid-ask, ou se as explosões ocasionais matarem todos os meus lucros. Então eu preciso testar uma estratégia de negociação real usando o meu modelo. Aqui é onde eu tenho que exercitar o máximo cuidado: é muito fácil adaptar-se à curva adicionando novas variáveis ​​livres, ou distorcer os resultados com conhecimento subconsciente, ou eliminar os valores discrepantes. Simplicidade, separação rigorosa de amostras e honestidade intelectual são importantes aqui.

Eu uso o Excel para back-testing. Esta é uma escolha deliberada: o Excel não é tão poderoso quanto o Python, e isso significa que existe um limite superior em quão complexo eu posso fazer minhas regras de negociação. Isso é uma coisa boa: uma estratégia que requer complexidade para ser lucrativa provavelmente não é uma boa estratégia em primeiro lugar.

O Excel também permite que eu veja minhas suposições explicitadas; É fácil perder o controle de tais coisas quando você está trabalhando no código. Ele me permite visualizar as estatísticas de desempenho (risco, retorno, rebaixamentos, eficiência de capital, taxa de Sharpe e assim por diante) de forma rápida e clara. Mesmo que meu modelo “funcione”, não há garantia de que uma estratégia de negociação construída em torno do modelo será economicamente viável, portanto, essas estatísticas são importantes.

Muito poucos modelos de negociação superam todas as etapas acima: formulação de blue-sky e testes de sanidade; calibração histórica e desempenho fora da amostra; back-test e rentabilidade da estratégia de negociação. Mas, para os poucos que fazem isso, agora é hora de entrar em produção. Este é um jogo totalmente diferente.

Você pode ler a segunda parte da entrevista aqui. Nele, discutimos como a produção é um jogo totalmente novo e onde obter ideias para novas estratégias. Também respondemos às perguntas do leitor na terceira parte da entrevista.

Alguma pergunta para o nosso quant? Comentários? Deixe-os abaixo e ela responderá a você. Gostaríamos de saber sobre seu processo de criação de estratégias de negociação.

Quantas estratégias - são para você?

As estratégias de investimento quantitativo evoluíram para ferramentas muito complexas com o advento dos computadores modernos, mas as raízes das estratégias remontam a mais de 70 anos. Eles normalmente são administrados por equipes altamente instruídas e usam modelos proprietários para aumentar sua capacidade de vencer o mercado. Existem até programas prontos para uso que são plug-and-play para aqueles que buscam simplicidade. Os modelos Quant sempre funcionam bem quando testados novamente, mas suas aplicações reais e sua taxa de sucesso são discutíveis. Embora pareçam funcionar bem em mercados altistas, quando os mercados se descontrolam, as estratégias quantitativas estão sujeitas aos mesmos riscos que qualquer outra estratégia.

Estratégias de investimento quantitativo tornaram-se extremamente populares entre os comerciantes de dia, mas eles não são as únicas estratégias que os comerciantes usam para consistentemente lucrar. O curso Torne-se um Day Trader da Investopedia descreve uma estratégia comprovada que inclui seis tipos de negociações, além de estratégias para gerenciar riscos. Com mais de cinco horas de vídeo sob demanda, exercícios e conteúdo interativo, você obterá as habilidades necessárias para negociar qualquer segurança em qualquer mercado.]

Um dos pais fundadores do estudo da teoria quantitativa aplicado ao financiamento foi Robert Merton. Você pode imaginar o quão difícil e demorado foi o processo antes do uso de computadores. Outras teorias em finanças também evoluíram a partir de alguns dos primeiros estudos quantitativos, incluindo a base da diversificação de portfólio baseada na moderna teoria do portfólio. O uso tanto do cálculo quantitativo quanto do cálculo levou a muitas outras ferramentas comuns, incluindo uma das mais famosas, a fórmula de precificação de opções Black-Scholes, que não apenas ajuda as opções de preço dos investidores e desenvolve estratégias, mas ajuda a manter os mercados em cheque com liquidez.

Quando aplicado diretamente ao gerenciamento de portfólio, o objetivo é como qualquer outra estratégia de investimento: agregar valor, retorno alfa ou excesso. Quants, como os desenvolvedores são chamados, compõem modelos matemáticos complexos para detectar oportunidades de investimento. Existem tantos modelos por aí quanto quantos os desenvolvem e todos afirmam ser os melhores. Um dos pontos mais vendidos de uma estratégia de investimento quant é que o modelo e, em última análise, o computador, toma a decisão de compra / venda real, não um ser humano. Isso tende a eliminar qualquer resposta emocional que uma pessoa possa ter ao comprar ou vender investimentos.

Quantas estratégias são agora aceitas na comunidade de investimentos e administradas por fundos mútuos, fundos de hedge e investidores institucionais. Eles normalmente usam o nome de geradores alfa ou alfa gens.

Assim como em "O Mágico de Oz", alguém está por trás da cortina que conduz o processo. Como em qualquer modelo, é tão bom quanto o humano que desenvolve o programa. Embora não haja um requisito específico para se tornar um quant, a maioria das empresas que executam modelos quantificados combinam as habilidades de analistas de investimento, estatísticos e programadores que codificam o processo nos computadores. Devido à natureza complexa dos modelos matemáticos e estatísticos, é comum ver credenciais como pós-graduação e doutorado em finanças, economia, matemática e engenharia.

Historicamente, esses membros da equipe trabalhavam nos back-offices, mas à medida que os modelos quânticos se tornaram mais comuns, o back office está se mudando para o front office.

Benefícios das Estratégias Quant.

Embora a taxa de sucesso global seja discutível, a razão pela qual algumas estratégias de quant funcionam é que elas são baseadas na disciplina. Se o modelo estiver certo, a disciplina mantém a estratégia trabalhando com computadores de velocidade relâmpago para explorar ineficiências nos mercados com base em dados quantitativos. Os modelos em si podem se basear em apenas alguns índices, como P / L, dívida em relação ao capital e crescimento de lucros, ou usar milhares de insumos trabalhando juntos ao mesmo tempo.

Estratégias bem-sucedidas podem captar as tendências em seus estágios iniciais, à medida que os computadores executam constantemente cenários para localizar ineficiências antes que outras o façam. Os modelos são capazes de analisar um grupo muito grande de investimentos simultaneamente, onde o analista tradicional pode estar olhando apenas alguns de cada vez. O processo de triagem pode classificar o universo por níveis de notas como 1-5 ou A-F, dependendo do modelo. Isso torna o processo de negociação real muito simples, investindo em investimentos altamente cotados e vendendo os de baixa classificação.

Os modelos Quant também abrem variações de estratégias como long, short e long / short. Os fundos quant bem-sucedidos estão atentos ao controle de risco devido à natureza de seus modelos. A maioria das estratégias começa com um universo ou benchmark e usa pesos setoriais e setoriais em seus modelos. Isso permite que os fundos controlem a diversificação até certo ponto sem comprometer o modelo em si. Os fundos Quant geralmente são executados com base em custos menores porque não precisam de tantos analistas tradicionais e gerentes de portfólio para executá-los.

Desvantagens das estratégias Quant.

Existem razões pelas quais tantos investidores não abraçam totalmente o conceito de deixar uma caixa preta executar seus investimentos. Para todos os fundos quant bem sucedidos lá fora, assim como muitos parecem ser mal sucedidos. Infelizmente para a reputação dos quants, quando eles falham, eles falham em grande momento.

O Long-Term Capital Management foi um dos fundos de hedge mais famosos, já que foi administrado por alguns dos mais respeitados líderes acadêmicos e dois economistas ganhadores do Prêmio Nobel, Myron S. Scholes e Robert C. Merton. Durante a década de 1990, sua equipe gerou retornos acima da média e atraiu capital de todos os tipos de investidores. Eles eram famosos por não apenas explorar ineficiências, mas também por usar o acesso fácil ao capital para criar enormes apostas alavancadas nas direções do mercado.

A natureza disciplinada de sua estratégia criou a fraqueza que levou ao seu colapso. O Long-Term Capital Management foi liquidado e dissolvido no início de 2000. Seus modelos não incluíam a possibilidade de que o governo russo pudesse inadimplir parte de sua própria dívida. Esse evento único desencadeou eventos e uma reação em cadeia aumentada pela destruição gerada pela alavancagem. A LTCM estava tão fortemente envolvida com outras operações de investimento que seu colapso afetou os mercados mundiais, provocando eventos dramáticos. No longo prazo, o Federal Reserve entrou em cena para ajudar, e outros bancos e fundos de investimento apoiaram o LTCM para evitar mais danos. Essa é uma das razões pelas quais os fundos de quantia podem falhar, pois são baseados em eventos históricos que podem não incluir eventos futuros.

Embora uma equipe de quanteamento forte esteja constantemente adicionando novos aspectos aos modelos para prever eventos futuros, é impossível prever o futuro a cada vez. Os fundos Quant podem também ficar sobrecarregados quando a economia e os mercados estão experimentando uma volatilidade acima da média. Os sinais de compra e venda podem vir tão rapidamente que a alta rotatividade pode criar comissões elevadas e eventos tributáveis. Os fundos Quant podem também representar um perigo quando são comercializados como prova de impacto ou se baseiam em estratégias curtas. A previsão de desacelerações, o uso de derivativos e a combinação de alavancagem podem ser perigosos. Um turno errado pode levar a implosões, que muitas vezes são notícia.

Estratégias de investimento quantitativo evoluíram de caixas pretas de back office para ferramentas de investimento tradicionais. Eles são projetados para utilizar as melhores mentes dos negócios e os computadores mais rápidos para explorar ineficiências e usar alavancagem para fazer apostas no mercado. Eles podem ter muito sucesso se os modelos incluírem todas as entradas corretas e forem ágeis o suficiente para prever eventos anormais de mercado. Por outro lado, embora os fundos quant sejam rigorosamente testados até que funcionem, sua fraqueza é que eles confiam em dados históricos para seu sucesso. Embora o investimento no estilo quant tenha seu lugar no mercado, é importante estar ciente de suas deficiências e riscos. Para ser consistente com as estratégias de diversificação, é uma boa ideia tratar as estratégias quantitativas como um estilo de investimento e combiná-las com as estratégias tradicionais para alcançar a diversificação adequada.