Algo 거래 전략

알고리즘 트레이딩의 기초 : 개념과 예제.

알고리즘은 작업 또는 프로세스를 수행하기 위해 명확하게 정의 된 지침 집합입니다.

알고리즘 트레이딩 (자동 트레이딩, 블랙 박스 트레이딩, 또는 단순한 알 고 트레이딩)은 a 컴퓨터가 불가능한 속도와 빈도로 이익을 창출하기 위해 거래를하기 위해 정의 된 명령어 세트를 따르도록 프로그래밍 된 컴퓨터를 사용하는 프로세스입니다. 인간 상인. 정의 된 규칙 집합은 타이밍, 가격, 수량 또는 모든 수학적 모델을 기반으로합니다. 상인에 대한 이익 기회와는 별도로, 알 고향 거래는 시장을보다 유동적으로 만들고 무역 활동에 대한 정서적 인적 영향을 배제함으로써보다 체계적인 거래를 만듭니다. (자세한 내용은 올바른 알고리즘 트레이딩 소프트웨어 선택을 확인하십시오.)

거래자가 다음과 같은 간단한 거래 기준을 따랐다 고 가정 해보십시오.

50 일 이동 평균이 200 일 이동 평균보다 커지면 50주의 주식을 매수하십시오. 50 일 이동 평균이 200 일 이동 평균보다 낮아지면 주가는 주식의 주식을 매도합니다.

이 두 가지 간단한 지침을 사용하면 정의 된 조건이 충족 될 때 주가 및 이동 평균 지표를 자동으로 모니터링하고 구매 및 판매 주문을하는 컴퓨터 프로그램을 작성하기 쉽습니다. 상인은 더 이상 실시간 가격 및 그래프를 감시하거나 수동으로 주문할 필요가 없습니다. 알고리즘 거래 시스템은 거래 기회를 정확하게 식별함으로써 자동으로 거래를 수행합니다. 이동 평균에 대한 자세한 내용은 단순 이동 평균을 참조하십시오.

[입증 된 전략과 궁극적으로 알 고리즘 트레이딩 시스템으로 작업 할 수있는 포인트 전략에 대해 자세히 알아 보려면 Investopedia Academy의 Become a Day Trader 코스를 확인하십시오. ]

알고리즘 트레이딩의 이점.

Algo-trading은 다음과 같은 이점을 제공합니다.

가능한 최상의 가격으로 실행되는 거래 신속하고 정확한 거래 주문 배치 (따라서 원하는 수준의 실행 가능성 높음) 중요한 가격 변동을 피하기 위해 정확하고 즉각적인 거래 시간 단축 트랜잭션 비용 절감 (아래의 구현 부족 예 참조) 여러 항목에 대한 동시 자동 점검 시장 조건 거래 배치시 수동 오류 위험 감소 사용 가능한 과거 및 실시간 데이터를 기반으로 알고리즘 백 테 스트 정서적 및 심리적 요인에 기반한 인적 자원 거래자의 실수 가능성 감소.

현재의 고액 거래의 가장 큰 부분은 고주파 거래 (high frequency trading, HFT)입니다. 이 프로그램은 미리 프로그래밍 된 지침에 따라 여러 시장 및 여러 결정 매개 변수에 걸쳐 매우 빠른 속도로 대량 주문을 활용하려고 시도합니다. (고주파 거래에 대한 자세한 내용은 고주파 거래 (HFT) 회사의 전략과 비밀을 참조하십시오.)

Algo-trading은 다음과 같은 다양한 거래 및 투자 활동에 사용됩니다.

주식을 대량 구매하지만 불특정 다수의 투자로 주식 가격에 영향을 미치고 싶지 않은 중장기 투자자 또는 매수 측 회사 (연기금, 뮤추얼 펀드, 보험 회사). 단기 거래자 및 매도자 측 참가자 (시장 형성 자, 투기자 및 중개인)는 자동 거래 실행의 혜택을받습니다. 또한, algo-trading은 시장에있는 판매자에게 충분한 유동성을 창출하는 데 도움을줍니다. 체계적인 거래자 (추종자, 쌍 거래자, 헤지 펀드 등)는 거래 규칙을 프로그래밍하고 프로그램이 자동으로 거래되도록하는 것이 훨씬 더 효율적이라는 것을 알게됩니다.

알고리즘 거래는 인간 상인의 직감이나 본능에 기반한 방법보다 적극적인 거래에 대한 체계적인 접근 방식을 제공합니다.

알고리즘 트레이딩 전략.

알고리즘 거래를위한 모든 전략에는 향상된 수익 또는 비용 절감 측면에서 수익성이 확인 된 기회가 필요합니다. 다음은 algo-trading에서 사용되는 일반적인 거래 전략입니다.

가장 일반적인 알고리즘 트레이딩 전략은 이동 평균, 채널 이탈, 가격 수준 이동 및 관련 기술 지표의 추세를 따릅니다. 이러한 전략은 예측이나 가격 예측을하지 않기 때문에 알고리즘 거래를 통해 구현하는 가장 쉽고 간단한 전략입니다. 거래는 바람직한 추세의 발생을 기반으로 시작되며, 이는 예측 분석의 복잡성에 빠지지 않고 알고리즘을 통해 구현하기 쉽고 간단합니다. 위에서 언급 한 50 일과 200 일 이동 평균의 예는 인기있는 추세 전략입니다. (추세 거래 전략에 대한 자세한 내용은 추세를 활용하는 간단한 전략을 참조하십시오.)

한 시장에서 더 낮은 가격에 이중 상장 주식을 매수하고 다른 시장에서 더 높은 가격으로 동시에 매각하는 것은 가격 차이를 무위험 수익 또는 차익 거래로 제공합니다. 가격 차이가 수시로 존재하기 때문에 동일한 작업이 주식 대 선물 상품에 대해 복제 될 수 있습니다. 이러한 가격 차이를 식별하고 주문을하는 알고리즘을 구현하면 효율적인 방식으로 수익성있는 기회를 얻을 수 있습니다.

인덱스 펀드는 보유 자산을 각각의 벤치 마크 지수와 동등하게 유지하기 위해 재조정 기간을 정했습니다. 이는 인덱스 펀드 재조정 직전에 인덱스 펀드의 주식 수에 따라 20-80의 베이시스 포인트 이익을 제공하는 예상 거래를 활용하는 알고리즘 트레이더에게 수익성있는 기회를 창출합니다. 이러한 거래는 적시 실행 및 최적의 가격을 위해 알고리즘 거래 시스템을 통해 시작됩니다.

델타 중립적 인 거래 전략과 같이 입증 된 많은 수학 모델은 포트폴리오 델타가 0으로 유지되도록 양수 및 음수 델타를 상쇄하기 위해 거래가 이루어지는 옵션과 기본 보안의 조합에 대한 거래를 허용합니다.

평균 회귀 전략은 자산의 고가와 저가가 주기적으로 평균값으로 되돌아가는 일시적인 현상이라는 생각에 기반합니다. 가격 범위를 식별하고 정의하고이를 기반으로 알고리즘을 구현하면 자산 가격이 정의 된 범위를 벗어날 때 거래가 자동으로 배치됩니다.

볼륨 가중 평균 가격 전략은 대량의 주문을 분해하고 주식 관련 과거 볼륨 프로파일을 사용하여 동적으로 결정된 작은 주문 청량을 출시합니다. 목표는 VWAP (Volume Weighted Average Price)에 가까운 주문을 실행하여 평균 가격으로 이익을 얻는 것입니다.

시간 가중 평균 가격 전략은 대량 주문을 해체하고 시작 시간과 종료 시간 사이의 균등하게 나뉘어 진 시간 슬롯을 사용하여 동적으로 결정된 작은 주문 청량을 출시합니다. 목표는 시작 및 종료 시간 사이의 평균 가격에 가까운 주문을 실행하여 시장 영향을 최소화하는 것입니다.

거래 주문이 완전히 채워질 때까지이 알고리즘은 정의 된 참여율과 시장에서 거래되는 거래량에 따라 부분 주문을 계속 전송합니다. 관련 "단계 전략"은 사용자 정의 시장 볼륨 비율로 주문을 보내고 주가가 사용자 정의 수준에 도달하면이 참여율을 높이거나 낮 춥니 다.

구현 부족 전략은 실시간 시장을 거래함으로써 주문의 실행 비용을 최소화함으로써 주문 비용을 절감하고 지연된 실행의 기회 비용으로부터 이익을 얻는 것을 목표로합니다. 이 전략은 주식 가격이 호의적으로 움직일 때 목표로하는 참여율을 높이고, 주가가 반대로 움직이면 목표 참여율을 낮출 것입니다.

다른 측면에서 "사건"을 식별하려고 시도하는 몇 가지 특별한 클래스의 알고리즘이 있습니다. 예를 들어, 판매 측 시장에서 사용되는 이러한 "스니핑 알고리즘"은 대규모 주문의 구매 측면에서 알고리즘의 존재를 식별 할 수있는 내장 인텔리전스를 갖추고 있습니다. 이러한 알고리즘을 통한 탐지는 시장에서 대량 주문 기회를 파악하고 더 높은 가격으로 주문을 작성함으로써 이익을 얻을 수있게 해줍니다. 이것은 때로는 하이테크 전방 주행으로 확인됩니다. (고주파 거래 및 사기 행위에 대한 자세한 내용은 다음을 참조하십시오 : 주식을 온라인으로 구입할 경우 HFT에 관여 함)

알고리즘 거래에 대한 기술적 요구 사항.

컴퓨터 프로그램을 사용하여 알고리즘을 구현하는 것이 마지막 부분으로, 백 테스트가 있습니다. 문제는 식별 된 전략을 주문 거래 계정에 액세스 할 수있는 통합 된 전산 프로세스로 변환하는 것입니다. 다음이 필요합니다.

필요한 거래 전략, 고용 된 프로그래머 또는 미리 만들어진 거래 소프트웨어를 프로그래밍하기위한 컴퓨터 프로그래밍 지식 주문을하기위한 네트워크 연결 및 거래 플랫폼에 대한 액세스 주문을 할 수있는 기회를 알고리즘이 모니터 할 시장 데이터 피드에 액세스 능력 및 인프라 실제 시장에 출시되기 전에 빌드 된 시스템을 백 테스팅하기 알고리즘에서 구현 된 규칙의 복잡성에 따라 백 테스트를위한 사용 가능한 과거 데이터.

다음은 포괄적 인 예입니다 : Royal Dutch Shell (RDS)은 암스테르담 증권 거래소 (AEX)와 런던 증권 거래소 (LSE)에 상장되어 있습니다. 차익 거래 기회를 식별하는 알고리즘을 구축해 보겠습니다. 흥미로운 관찰은 거의 없습니다.

AEX는 유로화로 거래되며, LSE는 스털링 파운드로 거래됩니다. AEX는 1 시간의 시간차로 인해 LSE보다 1 시간 빠르며, 다음 두 시간 동안 동시에 거래가 이루어지며 AEX가 마감되면서 지난 1 시간 동안 LSE에서만 거래됩니다 .

이 두 시장에 상장 된 Royal Dutch Shell 주식에 대해 서로 다른 통화로 차익 거래를 할 수 있는지 알아볼 수 있습니까?

현재 시장 가격을 읽을 수있는 컴퓨터 프로그램 LSE 및 AEX의 가격 피드 GBP-EUR 환율에 대한 외환 환율 피드 주문을 올바른 교환으로 전달할 수있는 주문 배치 기능 과거 가격 피드에 대한 백 테스트 기능.

컴퓨터 프로그램은 다음을 수행해야합니다.

두 거래소의 RDS 주식의 수신 가격 피드를 읽습니다. 사용 가능한 환율을 사용하여 한 통화의 가격을 다른 통화로 변환합니다. 수익성있는 기회로 이어지는 충분히 큰 가격 불일치 (중개 비용을 할인)가 존재하는 경우, 낮은 가격의 거래소에서 주문하고 높은 가격의 거래소에서 주문을 판매합니다. 원하는대로 주문을 실행하면 차익 거래 이익이 발생합니다.

간단하고 쉬운! 그러나 알고리즘 트레이딩의 실행은 유지 관리 및 실행이 간단하지 않습니다. 알 고가 생성 한 거래를 배치 할 수 있다면 다른 마켓 참여자도 마찬가지입니다. 따라서 가격은 밀리 초 및 심지어 마이크로 초 단위로 변동합니다. 위의 예에서 구매 주문 거래가 실행되면 어떻게되지만 주문이 시장에 출시 될 때까지 판매 가격이 변경되지 않습니다. 당신은 개방적인 자세로 앉아 결국 귀하의 차용액 전략을 쓸모 없게 만들 것입니다.

시스템 장애 위험, 네트워크 연결 오류, 거래 주문과 실행 간의 시간 지연, 그리고 무엇보다 불완전한 알고리즘과 같은 추가 위험과 과제가 있습니다. 알고리즘이 복잡할수록 더 엄격한 백 테스팅이 필요합니다.

결론.

알고리즘의 성능을 정량적으로 분석하는 것은 중요한 역할을하므로 비판적으로 검사해야합니다. 돈을 쉽게 벌기위한 개념을 가진 컴퓨터의 도움을 받아 자동화하는 것은 흥미로운 일입니다. 그러나 시스템을 철저히 테스트하고 필요한 한계를 설정해야합니다. 분석적 거래자는 올바른 전략을 확실하게 구현하는 데 자신감을 갖기 위해 스스로 프로그래밍 및 시스템을 학습하는 것을 고려해야합니다. 신중한 사용과 철저한 거래로 수익성 높은 기회를 창출 할 수 있습니다. (자세한 내용은 자신의 Algo 거래 로봇을 코딩하는 방법을 참조하십시오.)

현명한 투자자를위한 자동화 된 거래 시스템.

주식, ETF & amp; # 038; 선물 알고리즘 거래 전략.

표제가 주도하는 세계에서, 슈퍼 패스트리즘 알고리즘 거래 컴퓨터로 누군가가 소문, 사실 또는 속보에 반응 할 수있는 것보다 빠르게 주문을 내뱉는다면, 상인이나 투자자는 무엇을 할 수 있습니까?

AlgoTrades Algorithmic Trading Strategies와 같은 체계적이고 규율있는 전략에 투자하십시오. 6 개월의 롤링 시간 간격에 기초하여 우리의 알고리즘 트레이딩 시스템은 풀백 및 멀티 년 곰 시장에서 주식 시장과 강한 부정적 상관 관계를 보여주었습니다. *** 즉, 주어진 6 개월 기간 동안 우리 거래 주식 시장이 하락할 때 시스템은 거래 계좌를 성장시키는 경향이 있습니다. 우리는 S & amp; P500 지수, Dax 지수, 개별 주식 및 이벤트 변동성 지수와 같은 다양한 시장의 경향을 파악하기위한 알고리즘을 구축했습니다. 선물, 교환 거래 형 펀드 (ETF) 또는 주식을 사용하면 매월 주식 시장 순환을 최대한 활용할 수 있습니다. 우리의 알고리즘 거래 시스템을 사용하면 당신을 위해 최선의 자동화 된 거래 시스템을 갖추고 있음을 확신 할 수 있습니다. *

알고리즘 트레이딩 전략.

인증.

업계에서 인정하는 인증을 통해 모든 과정의 이력서를 이력서에 추가 할 수 있습니다.

팀을위한 맞춤식 교육이 필요하십니까?

무료 전화 (844) 397-3739.

이 과정에 대해 문의하십시오.

강사.

Nick Firoozye.

강사 : Nick Firoozye.

정량적 거래 전략의 분석, 설계 및 확인.

코스는 경향 추적, 이동, 가치, 평균 복귀, 상대 가치 및 짧은 감마와 같은 기타 모호한 전략에 대한 원칙 및 분석을 다루는 알고리즘 거래의 기본 원칙을 다룹니다. 강사는 금융 업계에서 20 년 이상의 경력을 쌓았습니다. 구매 및 판매 측면의 회사에서 그는 Lehman Brothers에서 MBS / ABS 모델링을 시작했으며 Goldman Sachs, DeutscheBank, Sanford Bernstein에서 다양한 수석 역할을 담당했습니다. 성.

코스 소개.

전제 조건.

과정.

코스 설명.

체계적인 퀀텀 펀드는 헤지 펀드와 스마트 베타 세계에서 급속히 증가하는 부분입니다. 학계의 고주파에 중점을두기는하지만 중 / 저 주파수 고교 거래는 AUM이 3 천 5 백억 달러를 상회하며 HF 세계에서 가장 높은 성장세를 보이고 있습니다. 이 알고리즘 트레이닝 과정은 경향 추적, 캐리, 가치, 평균 회귀 및 상대 가치 전략의 분석을 포함하여 알고리즘 거래의 기본 원칙을 다룹니다. 우리는 전략의 근거, 표준 전략 설계, 다양한 설계 선택의 장단점 및 포트폴리오 전략의 다양 화로 인한 이득에 대해 논의 할 것입니다. 마지막으로 업계가 지나치게 퍼진 결과로 실적이 저조 해지기 때문에 P-Hacking (또는 재정적 인 charlatanism) 및이를 방지하기위한 다양한 전략에 대해 논의 할 것입니다.

이 과정에서 나는 무엇을 얻을 것인가?

선행 조건 및 대상 사용자.

이 과정을 시작하기 전에 학생들은 무엇을 알아야합니까?

Undergrad ODE 및 PDE (수학 물리학 또는 엔지니어링 / 푸리에 확장 기반) 일부 확률 미분 방정식 (SDEs) 일부는 과정에서 다루지 만.

기초 학부 분석 최적화 수치 선형 대수학.

누가이 과정을 수강해야합니까? 누구해서는 안되나요?

계량 경제학에 대한 확고한 지식을 지닌 경제 또는 금융 분야의 수학에 대한 확고한 이해를 바탕으로 물리학 및 컴퓨터 공학 분야의 공학을 전공했습니다.

과정.

모듈 1 : 과정 개요.

우리는 대체 투자 관리의 세계에서 알 고 트레이딩 전략과 최근의 상황에 대해 논의합니다.

지역 소개, 고주파 / 저 대기 시간 거래와 달리 Algo 및 성장 영역. 학생 / 학자, 전문가 및 고액 거래자를위한 코스 목표 및 코스에 대한 일반적인 배경.

코스가 아닌 것. 데이터 과학의 역할과 과학자들이 정식 & # 39; 전략? 그들은 단지 신선하게 시작할 수 있습니까? 우리는 가장 일반적으로 사용되는 전략 중 일부는 데이터 과학자들에게 좋은 지침을 제공한다고 주장한다. 특히 알 고 (Algo) 거래 전략 분야에서 문제가 발생하기 쉽습니다.

우리는 강의 계획의 기초를 설명합니다. 이러한 자료 중 일부는 매우 철저하게 다루어 지지만, 다른 것들은 전략을 고안하고 세우는 데있어 고려해야 할 사용법 / 접근법의 방법으로 매우 빠르게 다룹니다. 우리는 배경, 모멘텀, 평균 반전, 캐리, 가치, 기본 포트폴리오 전략 및 각 전략의 수학적 및 통계적 타당성, 공식화 및 특성에 초점을 맞춘 오버 피팅의 중요한 개념을 다룹니다.

모듈 2 : 업계 개요 및 수학 리뷰.

대안, 헤지 펀드, CTA 및 퀀트 펀드. 어떤 크기와 숫자입니까? 그들은 어느 정도 성장하고 있습니까? 기회는 어디에 있습니까? Algo Trading Strategies가 고용 된 업계의 전반적인 전망을 위에서 아래로 살펴보십시오.

배경 및 소개에 대한 퀴즈.

우리는 ARMA 모델에 대한 기본 Box-Jenkins 방법을 검토하고, 특성 다항식을 살펴보고, 정지 및 비 정적 프로세스를 설명합니다.

우리는 화이트 노이즈와 브라운 운동을 포함한 시계열에 대한 몇 가지 기본 수학을 검토합니다.

우리는 ACF와 ARMA 모델과의 관계를 검토하고 모델 선택을 수행하는 수단으로 기준 (AIC, BIC)을 시작합니다.

교차 검증, 표준 오류 발견 - 부트 스트랩 (bootstrap) - 모델 선택을 수행하는 데 더 많은 컴퓨터 집약적 인 방법을 사용합니다. 마지막으로 폐쇄 형 SDE를 해결하기위한 가장 일반적인 두 가지 방법을 논의하고 상수를 muitipying하고 파트 / Ito의 보조 정리를 사용하여 통합합니다.

우리는 몇 가지 기본 ARMA 모델과 ACF를 살펴 보겠습니다.

모듈 3 : 추세 / 추세.

우리는 기세 뒤에있는 아주 기본적인 실천과 가장 단순한 전략을 어떻게 구성 할 것인가를 소개합니다.

우리는 추진력의 속성과 절충안 중 일부를 논의합니다. 그 중 많은 부분이 전략 설계에 의해 변경 될 수 있습니다.

실제로 사례 수익률의 예를 포함한 추가 사실.

우리는 운동량의 이산 시간 버전을보고 왜곡이 수평선에 따라 변한다는 것을 증명하려고 노력합니다.

이것은 수평선 결과 (Martin-Zou)에 대한 왜곡의 기본에 대한 화이트 보드 섹션으로 증명을 통해 개념이 비교적 쉽다는 것을 보여줍니다 (대수학이 약간 지루한 경우 라 할지라도).

운동량의 왜곡에 대한 결과가 다른 시야로 되돌아 오는 것을 증명하면 지수 편차가있는 이동 평균 (EWMA) 규칙에 적용하여 피크 왜곡이 효과적인 전환 확인과 관련되는지 보여줍니다 (이 경우에는 "span"). EWMA.

Kalman Filters에서 Moving Averages, ARIMA 모델에 이르기까지 업계에서 가장 일반적으로 사용되는 방법을 설명합니다. 적절히 사용하면 이러한 모델의 대부분은 거의 동일한 성능을 얻을 수 있습니다.

우리는 ipython 노트북을 소개합니다. SPX, SPTR 및 Effective Fed Funds를 포함한 Quandl (및 Yahoo의 일부 금융) 데이터를 필요로합니다. 우리는 이들을 사용하여 S & P 500 초과 수익을 창출하고 SPX와 비교합니다. 우리는 기세를위한 전략을 고안한다.

다양한 시야에 대해 관련 통계 (샤프 및 왜도)를 계산합니다.

횡단면 vs. 어떤게 더 좋아? 각각은 어디에 사용됩니까? 왜 우리 둘 다 알아야합니까? 모멘텀 모델링에있어서의 유행 및 공상. 모델 대 메소드.

Winsorising 또는 임계 값 등을 사용하여 신호를 캡핑 및 마루 처리 (때때로 너무 큰 용량 활용을 방지하는 데 필요함)합니다. 이는 일반적으로 왜도를 떨어 뜨리지 만 전반적인 성능을 향상시킬 수 있습니다. 우리는 다양한 방법을 살펴보고 장단점과 그것들을 측정하는 방법에 대해 토론합니다.

우리는 추후 연구를 위해 운동량 거래의 통계적 측면에 대한 가장 중요한 논문에 대한 링크를 제공하고 요약합니다. 잘 알려져 있기 때문에 가장 많이 인용 된 논문이기 때문에 이러한 중요한 연구를 인용 한 사전 인쇄본과 논문을 검색하여 새로운 학술 연구를 찾을 수 있습니다 (Google 학자를 사용).

모멘텀에서 2 절에서 작성한 요점을 요약합니다.

모듈 4 : 평균 복귀 / 변경점.

MR의 개요, MR, Momentum 및 Value와 관련된 시간 척도 / 시야.

이전 강의 계속, 시간 계를한데 모으고 고대사를 살펴 봅니다 (필요한 경우)

MR 거래 전략의 전형적인 특징, 무엇을 기대하고 무엇을주의해야하는지.

평균 회귀에 대한 다양한 경쟁적 (또는 그렇게 경쟁하지 않는) 이유 : 유동성 공급 및 과잉 반응.

변동성 및 평균 반전, 그들의 관계 뒤에있는 이론과 경험.

유동성에 관한 가장 중요한 학술 논문 몇 가지.

단위 루트 프로세스에 대한 평균 반전에 초점을 맞추어 우리가 구분하려는 행동 유형을 분석합니다.

ADF 테스트는 가장 일반적으로 사용되는 단위 루트 테스트입니다. 우리는 그들의 사용과 한계를 소개합니다.

KPSS 테스트는 H0과 H1을 머리 위로 돌리고 평균 복귀를 테스트합니다. 그들은 또한 한계가 있습니다.

분산 비율 테스트를 도입하여 사용 및 오용을 조사합니다.

Cointegration과 Engle Granger 테스트, 그리고보다 철저한 Johansen 테스트.

Harvey Nyblom은 Johansen에게 KPSS가 ADF로가는 것과 H-N 테스트를 조사한 다음 모든 테스트 방법의 단점을 탐구합니다.

테스트 파워, 신뢰 구간, 유형 1 및 유형 2 오류.

RV 무역 아이디어 및 MR.

변경 지점 검색에 대한 개요 및보다 고전적인 방법. 이것은 추세 평균을 정하기 위해 데이터에 대한 조각 별 선형 적합성 및 이러한 추세 수단으로의 평균 복귀에 유용합니다.

추세를 감지하기 위해 올가미 회귀 분석을 사용하여, 우리는 중단 점을 식별하고 동시에 추세를 추출 할 수 있습니다. 항상 가장 쉬운 방법은 아니지만, 올가미와 같은 정규화 방법은 많은 경우에 도움이되며 기본 문제를 생각할 수있는 적절한 프레임 워크입니다.

우리는 매우 실용적이고 구현 가능한 툴 순차 바이너리 세분화 (및 와일드 바이너리 세그먼테이션)

모듈 5 : 운반, 가치 및 포트폴리오 전략.

우리는 캐리 (carry)를 정의하고 P 대 Q 대책의 근거를 제시합니다.

우리는 P 척도 (물리적 세계)와 Q 척도 (가격 결정 및 헤지 파생 상품) 간의 차이점에 대한 논의를 계속한다. Q (현물 환율은 항상 포워드쪽으로 이동하거나 포워드가 실현 됨)는 흥미로운 구성이지만 그저 그렇습니다. 우리는 파생 상품을 가격 매매 및 헤지 (또는 위험을 관리하는 위험을 감수하기 위해) 사용해야합니다. 현실적으로 불완전한 시장에서 Q는 실제로 유일하지 않으며 단지 유용한 구조 일뿐입니다. 현실적으로 말하면, 현물 환율은 그대로 유지되는 경향이 있으며 무작위 도보는 전방을 실현 한 것보다 훨씬 가능성이 높습니다. 현물 가격이 마틴 게일 / 랜덤 보행이라면, 이것은 캐리 여행을위한 완벽한 근거가됩니다.

나르네가 뭐지? 왜 우리가 그것에 관심을 갖습니까? 양수 위치는 무엇이며 음수 위치는 무엇입니까? 상품 은요?

우리는 스왑에 대한 캐리를 쉽게 이용할 수있는 것이 아니라 채권에 대해 조금 정의합니다. 그러나 본즈는 채권 별 자금 조달 료 (레포 료)를 알아야하기 때문에 더 어려워서 스왑을 위해 대부분 캐리를 추구합니다.

우리는 선물 (상품과 형평을 포함하여)과 FX에 대한 캐리와 덜 잘 커버 된 파생 상품에 대한 캐리를 간략하게 설명합니다.

우리는 캐리 탐사를 요약합니다.

우리는 가치, 그것의 사용법, 그리고 그것이 공평과 잘 정의되어 있고 규칙적으로 따르는 주식과 고정 수입, fx 및 상품과 어떻게 다른지를 정의합니다. 장기 평균 반전 속성을 갖는 가치는 자연스럽게 모멘텀 및 평균 반향과 직각을 이룹니다.

포트폴리오 전략의 기본에 대한 지침으로서 평균 분산 최적화.

포트폴리오 최적화를 회귀로 제시하고 포트폴리오 가중치의 변화에 ​​대한 통계적 유의성에 대한 F - 테스트를 기술합니다.

동적 재 할당을 포함하는 조건부 포트폴리오 및 최적화를 소개합니다. 증강 된 포트폴리오를 사용하면 포트폴리오 최적화에서 동적 신호를 고려할 수 있습니다. 마지막으로 MVO 스타일 포트폴리오 최적화의 단점에 대해 이야기하고 측정 및 할당 문제에 사용되는 여러 가지 표준 성능 측정 방법을 소개합니다.

모듈 6 : 오버 피팅.

Kaggle 대회에서 p 해킹, 재현성 부족, 홀딩 아웃 피팅과 관련된 문제와 문제점을 소개합니다.

금융 분야의 과적 지원은 다른 분야보다 더 문제가 될 수 있습니다. 아마존이나 구글은 금융에서 약간의 키 크릭을 놓칠 수 있지만 파산은 쉽게 발생할 수있다. 한편 과핑 (overfitting)은 너무 일반적이며 최근의 연구 결과가 널리 보급되었습니다.

Bailey 등은 overfitting을 피하기 위해 백 테스트 길이를 늘리라고 제안했다. 이 방법은 실례지만 경험 법칙을 더 많이 제공합니다. 우리는 "Financial Charlatanism and Pseudo-Mathematics"에 대한 그들의 논문의 결과를 설명한다. 최소 백 테 스트 길이의 개념.

Harvey와 Liu는 Sharpe 비율을 p 값 (Sharpe = E [Ret] / Std [Ret] 인 경우 H0 : E [Ret] = 0)으로 변환하는 통계를 논의합니다. 그런 다음 여러 가설 테스트와 그 테스트 방법을 논의합니다.

Multiple Hypothesis Testing을 다루는 방법 - Holm and Bonferroni 방법. 최적보다 다소 극단적이지만 p 값을 조정하는 방법에 대해 좋은 통찰력을 제공합니다.

우리는 잘못된 발견 (FDR) 비율, BHY 조정을 제어하는 ​​가장 좋은 방법을 설명하고 전략 실행 횟수 및 백 테스트에 사용할 수있는 기록 크기에 따라 Sharpe Ratio에 미치는 영향에 대해 이야기합니다. 마지막으로, 역 테스토 오버 피팅에 대한 실제적인 접근 방법을 요약합니다.

모듈 7 : 과정 요약.

Jay J.

2016 년 12 월

2016 년 12 월

이 과정은 알고리즘 트레이딩과 그 실무에 대해 더 깊이 이해하고 있습니다. 강사의 인도는 매우 분명하고 매력적입니다. 그는 주제에 대해 매우 지식 있고 열정적 인 것처럼 보입니다. 매 분마다 가치가 있습니다. 추천.

2017 년 5 월

엔지니어링 배경을 가진 나와 같은 금융 무역 사람들을위한 매우 유용한 과정. 양적 거래 전략에 대한 분석 능력을 향상시키는 데 도움이되었습니다. 강사는 알고리즘 거래의 원칙을 잘 설명하고이를 실시간 솔루션에 적용했습니다. 전략을 수립하고 함정을 이해하는 데있어 다양한 장단점에 대한 정보를 통해 강의를 쉽게 이해할 수있었습니다. 알고리즘 트레이더로서 코스는 전략의 통계적 특성에 대한 많은 작은 세부 사항을 이해하는 데 도움이되었습니다. 나는 구조에 많은 도움이되어 알고리즘의 많은 측면을 이해하게되었고 그 중 일부는 내가 완전히 인식하지 못했습니다. 강의의 모든 주제는 나에게 매우 유용했습니다.

2017 년 5 월

전반적으로 금융 거래 분야를 추구하려는 사람들을위한 매우 좋은 코스입니다. 이 과정에서 만들어진 진술에 충실하게이 과정은 헤지 펀드와 트레이딩 펀드 및 알고리즘 거래의 모든 기본 사항을 다룹니다. 나는 그것이 유익하다는 것을 안다.

2017 년 5 월

우수한 코스. 펀드 관련 트레이딩 전문가로서 구현 자산 및 포트폴리오 기반 트레이딩 전략을 이해하는 데있어 이론 지식을 닦아내는 데 도움이되었습니다.

2017 년 7 월

이 과정은 개발 도상국에서 기능하는 일부 거래 프로그램을 다루고 있습니다. 이것은 모멘텀 추락, 추진력, 수입의 지속성, 가격 반전, 수입의 질, 행동의 편향, 근본적인 비즈니스 성장 및 비즈니스 보고서의 텍스트 분석을 기반으로 한 방법을 제시합니다.

2017 년 7 월

이 코스에서는 학술 논문을 읽는 법을 배울 수 있습니다. 어떤 요소를 생략하고 어떤 요소에주의를 기울이고 여기서 논의 할 것인지에 대한 설명. 또한 모든 전략에 대한 설명, 기초 연구에 대한 소개 및 전략 구현 방법을 쉽게 이해할 수 있습니다.

후안 카밀로 M.

저는 전반적으로 좋은 코스이고 초보자에게 특히 유익하다고 말하고 싶습니다. 이 과정에 많은 돈을 투자했습니다.

2017 년 7 월

이 주제가 가르쳐지는 방식을 사랑했습니다. 당신이 작성한 알고리즘을 고수하는 데 징계를 두는 것의 가치와 같은 몇 가지 매우 유용한 조언이있었습니다.

이 과정에 대해 문의하십시오.

세부 정보를 입력하면 지원팀에서 업무 일 기준 1 일 이내에 답변을 드리도록하겠습니다.

헌금.

연락처.

Harvard Innovation Launch Lab.

114 Western Ave, Boston, MA 02134.

무료 전화 : (844) EXPERFY 또는.

연락을 유지하다.

가입하면 서비스 약관 및 개인 정보 취급 방침에 동의하는 것으로 간주됩니다.

QuantStart.

빠르게 성장하는 소매점 퀀텀 트레이더 커뮤니티를 지원하는 Quantcademy 개인 회원 포털에 가입하십시오. 당신은 당신의 가장 중요한 퀀트 트레이딩 질문에 대답 할 준비가되어있는 지식이 풍부하고 마음이 맞는 퀀트 트레이더 그룹을 찾을 수 있습니다.

퀀트 트레이딩에 관한 나의 eBook을 확인해보십시오. 여기서 저는 파이썬 툴로 수익성 높은 체계적인 트레이딩 전략을 만드는 법을 가르쳐드립니다.

Python 및 R을 사용하여 시계열 분석, 기계 학습 및 베이지안 통계를 사용하는 고급 거래 전략에 관한 새로운 전자 책을 살펴보십시오.

2013 년 4 월 19 일 Michael Halls-Moore 작성

이 기사에서는 수익성있는 알고리즘 거래 전략을 식별하는 방법을 소개하고자합니다. 오늘 우리의 목표는 그러한 시스템을 찾고 평가하고 선택하는 방법을 자세하게 이해하는 것입니다. 어떻게 전략을 식별하는 것이 개인의 선호에 관한 것인가, 전략 수행 능력, 테스트를위한 과거 데이터의 유형과 양을 결정하는 방법, 거래 전략을 냉정하게 평가하는 방법, 마지막으로 백 테스트 단계로 진행하는 방법에 대해 설명합니다. 전략 구현.

거래를위한 자신 만의 개인 선호도 확인.

성공적인 거래자가되기 위해서는 - 임의적으로 또는 알고리즘 적으로 - 정직한 질문을하는 것이 필요합니다. 트레이딩은 놀라운 속도로 돈을 잃을 수있는 능력을 제공하므로 선택한 전략을 이해하는 데 필요한만큼 "자신을 알아야합니다".

나는 거래에서 가장 중요한 고려 사항이 자신의 성격을 인식하고 있다고 말할 수 있습니다. 특히 거래 및 알고리즘 거래는 상당한 수준의 규율, 인내심 및 정서적 인 분리가 필요합니다. 알고리즘이 당신을 위해 당신의 거래를 수행하게하기 때문에, 그것이 실행될 때 전략에 간섭하지 않도록 해결할 필요가 있습니다. 이것은 특히 드로우 다운이 연장 된 기간에 매우 어려울 수 있습니다. 그러나 백 테스트에서 수익성이 높은 것으로 입증 된 많은 전략은 단순한 간섭으로 인해 망가질 수 있습니다. 당신이 알고리즘 트레이딩의 세계에 들어가기를 원한다면 감정적으로 테스트 될 것이며 성공하기 위해서는 이러한 어려움을 극복해야한다는 것을 이해하십시오!

다음 고려 사항은 시간 중 하나입니다. 풀 타임 직장이 있습니까? 파트 타임으로 일하십니까? 당신은 집에서 일하거나 매일 통근 통근을합니까? 이러한 질문은 귀하가 추구해야 할 전략의 빈도를 결정하는 데 도움이됩니다. 정규직 근무자의 경우, 일일 선물 전략이 적절하지 않을 수 있습니다 (적어도 완전히 자동화 될 때까지!). 시간 제약으로 인해 전략의 방법론이 결정됩니다. 당신의 전략이 빈번하게 거래되고 값 비싼 뉴스 피드 (블룸버그 터미널과 같은)에 의존한다면 분명히 사무실에서이 전략을 성공적으로 실행할 수있는 능력에 대해 현실적이어야합니다! 많은 시간을 투자 한 사람들이나 전략을 자동화하는 기술을 배우려면보다 기술적 인 고 빈도 거래 (HFT) 전략을 고려할 수 있습니다.

일관되게 수익성있는 포트폴리오를 유지하려면 거래 전략에 대한 지속적인 연구가 필요하다는 것이 나의 믿음입니다. "전략의 밑에 레이다"영원히 체재하십시오. 따라서 거래에 할당되는 상당 부분은 지속적인 연구 수행에 있습니다. 강력한 수익성 또는 손실에 대한 완만 한 쇠퇴의 차이가 될 수 있기 때문에 이것을 할 준비가되어 있는지 여부를 자문 해보십시오.

또한 거래 자본을 고려해야합니다. 양적 전략에 대해 일반적으로 받아 들여지는 이상적인 최소 금액은 50,000 USD입니다 (영국에서는 약 £ 35,000). 제가 다시 시작한다면, 아마 더 많은 금액, 아마 100,000 USD (약 £ 70,000)로 시작합니다. 그 이유는 중개 및 고주파 전략에서 거래 비용이 극도로 비싸기 때문이며 인출시 자본을 흡수 할만큼 충분한 자본을 확보해야합니다. 10,000 달러 미만으로 시작하는 것을 고려하고 있다면 거래 비용이 급격하게 수익에 반영되므로 하나 또는 두 개의 자산으로 거래하는 저주파 전략으로 제한해야합니다. 인터랙티브 브로커는 프로그래밍 기술을 가진 사람들에게 가장 친숙한 중개업자 중 하나 인 API로 인해 소매 계좌 최소 10,000 USD를 보유하고 있습니다.

프로그래밍 기술은 자동화 된 알고리즘 거래 전략을 수립하는 데 중요한 요소입니다. C ++, Java, C #, Python 또는 R과 같은 프로그래밍 언어에 익숙하면 엔드 투 엔드 데이터 저장소, 백 테스트 엔진 및 실행 시스템을 직접 만들 수 있습니다. 여기에는 여러 가지 장점이 있는데, 그 중 하나는 거래 인프라의 모든 측면을 완전히 인식 할 수있는 능력입니다. 또한 "기술 스택"을 완벽하게 제어 할 수 있도록 고주파수 전략을 탐색 할 수 있습니다. 이는 자신의 소프트웨어를 테스트하고 버그를 제거 할 수 있음을 의미하지만, 적어도 알 고 트레이딩 경력의 초기 부분에서는 인프라를 코딩하는 데 더 많은 시간을 소비하고 전략을 구현하는 데 더 적은 시간을 소비합니다. Excel 또는 MATLAB 거래가 편리하고 다른 구성 요소의 개발을 아웃소싱 할 수 있습니다. 그러나 나는 특히 높은 빈도로 거래하는 사람들에게 이것을 권장하지 않습니다.

알고리즘 거래를 통해 무엇을 성취하고자하는지 스스로 자문 해봐야합니다. 정기 수입에 관심이 있습니까? 이를 통해 귀하의 트레이딩 계좌에서 수입을 얻을 수 있습니다. 또는 장기 자본 이득에 관심이 있습니까? 그리고 자금을 인출 할 필요없이 거래 할 수 있습니까? 소득 의존성은 전략의 빈도를 결정합니다. 보다 정기적으로 수입을 인출하려면 변동성이 적은 (즉, 높은 Sharpe 비율) 고주파 거래 전략이 필요합니다. 장기 트레이더는보다 조용한 거래 빈도를 제공 할 수 있습니다.

마지막으로, 짧은 시간 안에 극도로 부유하게되는 개념에 속지 마십시오! Algo 거래는 부유 한 빠른 계획이 아닙니다. 무엇이든지 가난한 빠른 계획이 될 수있는 경우. 알고리즘 거래에 성공하려면 상당한 훈련, 연구, 부지런함 및 인내가 필요합니다. 일관성있는 수익성을 창출하는 데 몇 년이 걸릴 수도 있습니다.

소싱 알고리즘 거래 아이디어.

반대로 일반적인 인식에도 불구하고, 실제로 공개 도메인에서 수익성있는 거래 전략을 찾는 것은 매우 직접적입니다. 결코 오늘보다 더 쉽게 거래 아이디어를 구할 수 없었습니다. 학술 재무 저널, 인쇄 전 서버, 거래 블로그, 거래 포럼, 주간 거래 잡지 및 전문 텍스트는 아이디어를 바탕으로 수천 가지의 거래 전략을 제공합니다.

양적 거래 연구자로서의 우리의 목표는 지속적인 거래 아이디어를 제공 할 수있는 전략 파이프 라인을 수립하는 것입니다. 이상적으로 우리는 우리가 만나는 전략을 소싱, 평가 및 구현하는 체계적인 접근 방식을 만들고 싶습니다. 파이프 라인의 목표는 일정한 양의 새로운 아이디어를 생성하고 최소한의 감정적 인 배려로 이러한 아이디어의 대부분을 거부 할 수있는 틀을 제공하는 것입니다.

우리는인지 적 편향이 의사 결정 방법에 영향을 미치지 않도록 극도로주의해야합니다. 이것은 하나의 자산 클래스를 다른 자산 클래스보다 선호하는 것처럼 간단 할 수 있습니다 (금 및 기타 귀금속이 마음에 들었습니다). 우리의 목표는 항상 긍정적 인 기대와 함께 지속적으로 수익성있는 전략을 찾는 것입니다. 자산 클래스의 선택은 거래 자본 제약, 중개 수수료 및 레버리지 기능과 같은 다른 고려 사항을 기반으로해야합니다.

당신이 무역 전략의 개념에 완전히 익숙하지 않다면 처음 보는 것은 설립 된 교과서를 사용하는 것입니다. 클래식 텍스트는 양적 거래에 익숙해 지도록보다 간단하고 직관적 인 다양한 아이디어를 제공합니다. 다음은 목록을 통해 작업 할 때 점차 정교 해지는 양적 거래에 익숙하지 않은 사람들에게 내가 추천하는 선택입니다.

양적 거래 도서 목록을 더 보려면 QuantStart 독서 목록을 방문하십시오.

다음으로는 거래 포럼 및 거래 블로그를 통해보다 정교한 전략을 찾을 수 있습니다. 그러나주의 사항 : 많은 거래 블로그는 기술 분석의 개념에 의존합니다. 기술적 분석에는 자산 가격의 추세 또는 반전 패턴을 결정하기 위해 기본 지표 및 행동 심리를 활용하는 것이 포함됩니다.

전체 거래 공간에서 매우 인기가 있음에도 불구하고 기술적 분석은 양적 금융 분야에서 다소 비효율적 인 것으로 간주됩니다. 일부 사람들은 별자리를 읽거나 예측력면에서 차를 연구하는 것보다 낫지 않다고 제안했습니다. 실제로 기술적 인 분석을 이용하는 성공적인 개인이 있습니다. 그러나보다 정교한 수학 및 통계 툴박스를 갖춘 콴트로서 우리는 그러한 "TA 기반"전략의 효과를 쉽게 평가하고 정서적 고려 또는 선입견에 기초하지 않고 데이터 기반 결정을 내릴 수 있습니다.

다음은 잘 알려진 알고리즘 거래 블로그 및 포럼의 목록입니다.

보다 간단한 전략을 평가 한 경험이 있으면보다 정교한 학업을 검토해야합니다. 구독료가 높거나 일회성 비용이 들지 않으면 일부 학술지에 액세스하기 어려울 수 있습니다. 대학의 회원 또는 동창 인 경우 이러한 재정적 저널 중 일부에 대한 액세스 권한을 얻을 수 있어야합니다. 그렇지 않으면 동료 검토가 진행되는 학술 논문 초안의 인터넷 저장소 인 인쇄 전 서버를 볼 수 있습니다. 우리가 성공적으로 복제하고 수익을 얻으려는 전략에만 관심이 있기 때문에 동료 평가는 우리에게별로 중요하지 않습니다.

학술 전략의 주된 단점은 종종 시대에 뒤떨어 지거나 모호하고 값 비싼 과거 데이터가 필요하거나 비유 동 자산 클래스에서 거래되거나 수수료, 미끄러짐 또는 확산을 고려하지 않을 수 있다는 것입니다. 또한 거래 전략이 시장 주문, 주문 제한 또는 중지 손실 등을 포함하는지 여부도 분명하지 않을 수 있습니다. 따라서 가능한 한 최선을 다해 전략을 반복적으로 재 테스트하고 현실적인 거래를 추가하는 것이 절대적으로 중요합니다 당신이 거래하고자하는 자산 클래스의 많은 양상을 포함하는 비용.

다음은 아이디어를 얻을 수있는 인기있는 사전 인쇄 서버 및 재무 저널 목록입니다.

자신의 양적 전략을 수립하는 것은 어떻습니까? 일반적으로 다음 범주 중 하나 이상의 전문 지식이 필요합니다.

시장 미세 구조 - 특히 고주파 전략의 경우 시장 미세 구조, 즉 수익성을 창출하기 위해 주문서 역학을 이해할 수 있습니다. 각기 다른 시장에는 다양한 기술 제한, 규제, 시장 참여자 및 특정 전략을 통한 착취에 대한 제약이있을 것입니다. 이것은 매우 정교한 분야이며, 소매업 종사자는이 분야에서 경쟁이 어렵다는 것을 알게 될 것입니다. 특히, 경쟁에는 강력한 기술적 능력을 갖춘 대규모의 잘 자본화 된 양적 헤지 펀드가 포함됩니다. 펀드 구조 - 연금 펀드, 민간 투자 파트너십 (헤지 펀드), 상품 거래 자문사 및 뮤추얼 펀드와 같은 공동 투자 펀드는 대규모 규제와 대규모 자본 보유로 인해 제약을받습니다. 따라서 좀 더 민첩한 사람에게는 일정한 일관된 행동이 악용 될 수 있습니다. 예를 들어, 대규모 자금은 규모 때문에 용량 제약을받을 수 있습니다. 따라서 대량의 유가 증권을 신속하게 적재 (판매)해야하는 경우 "시장 이동"을 피하기 위해 비틀 거리게됩니다. 정교한 알고리즘은 자금 구조 차익 거래로 알려진 일반적인 프로세스에서이 특이성 및 다른 특질을 이용할 수 있습니다. 기계 학습 / 인공 지능 - 최근 몇 년 동안 금융 시장에서 기계 학습 알고리즘이 널리 보급되었습니다. Naive-Bayes 등의 분류 자 ​​(Classifier)와 비선형 함수 계산자 (신경망) 및 최적화 루틴 (유전 알고리즘)은 모두 자산 경로를 예측하거나 거래 전략을 최적화하는 데 사용되었습니다. 이 분야에 대한 배경 지식이 있다면 특정 알고리즘이 특정 시장에 어떻게 적용될 수 있는지에 대한 통찰력을 가질 수 있습니다.

물론 퀀트가 조사 할 수있는 많은 분야가있다. 이후 기사에서 맞춤 전략을 세우는 방법에 대해 자세히 설명합니다.

매주 또는 심지어 매일 이러한 소스를 지속적으로 모니터링함으로써 다양한 소스의 일관된 전략 목록을받을 수 있습니다. 다음 단계는 시간 낭비를 최소화하고 수익성이 없을 것으로 예상되는 전략에 대한 자원을 다시 테스트하는 방법으로 이러한 전략의 큰 부분 집합을 거부하는 방법을 결정하는 것입니다.

거래 전략 평가.

첫 번째, 그리고 틀림없이 가장 분명한 고려 사항은 실제로 전략을 이해하는지 여부입니다. 간결하게 전략을 설명 할 수 있습니까? 아니면 일련의 경고와 끝없는 매개 변수 목록이 필요합니까? 또한, 전략은 실제로 좋은, 견고한 기반을 가지고 있습니까? 예를 들어, 당신이 시도하고있는 패턴을 유발할 수있는 행동 적 근거 또는 자금 구조 제약을 지적 할 수 있습니까? 이러한 제약은 극적인 규제 환경의 혼란과 같은 정권 교체를 견디겠습니까? 전략은 복잡한 통계 또는 수학적 규칙에 의존합니까? 모든 금융 시계열에 적용됩니까 아니면 수익성이 있다고 주장되는 자산 클래스에만 해당합니까? 새로운 거래 방법을 평가할 때 이러한 요소에 대해 끊임없이 생각해야합니다. 그렇지 않으면 무익한 전략을 백 테스팅하고 최적화하는 데 많은 시간을 낭비 할 수 있습니다.

일단 전략의 기본 원칙을 이해했다면, 앞서 언급 한 성격 프로파일에 맞는지 여부를 결정해야합니다. 이것은 소리가 나지 않는 막연한 고려 사항은 아닙니다! 전략은 성능 특성이 크게 다를 것입니다. 더 중요한 기간의 인출을 처리하거나보다 큰 수익을 위해 더 큰 위험을 감수하고자하는 특정 성격 유형이 있습니다. 우리가 퀀트 (quants)로서 가능한 한 많은인지 편견을 시도하고 없애고 정중하게 전략을 평가할 수 있어야 함에도 불구하고, 편향은 항상 내재되어 있습니다. 따라서 우리는 전략의 성과를 평가할 수있는 일관성 있고 무감각 한 수단이 필요합니다 . 다음은 내가 잠재적 인 새로운 전략을 판단 할 수있는 기준 목록입니다.

방법론 - 전략 모멘텀은 시장 중심, 방향성, 방향성이 있습니까? 전략은 이해하기 어렵고 통계에서 박사 학위를 요구하는 정교한 (또는 복잡한!) 통계 또는 기계 학습 기술에 의존합니까? 이러한 기술로 인해 상당한 양의 매개 변수가 도입되어 최적화 편향으로 이어질 수 있습니까? 전략이 체제 변화 (즉, 금융 시장의 잠재적 새로운 규제)에 견딜 수있을 것인가? Sharpe Ratio - Sharpe 비율은 경험적으로 전략의 보상 / 위험 비율의 특성을 나타냅니다. 그것은 주식 곡선에 의해 견디는 변동성 수준에 대해 얼마나 많은 수익을 낼 수 있는지를 정량화합니다. 당연히, 우리는 이러한 수익률과 변동성 (즉, 표준 편차)이 측정되는 기간과 빈도를 결정해야합니다. 높은 주파수 전략은 표준 편차의 샘플링 속도가 더 빨라지지만 예를 들어 전체 측정 시간이 더 짧아야합니다. 레버리지 - 수익성을 위해 전략에 상당한 영향력이 필요합니까? 전략은 수익을 내기 위해 레버리지 파생 상품 (선물, 옵션, 스왑)의 사용을 필요로합니까? 이러한 레버리지 계약은 큰 변동성을 특징으로 할 수 있으며 이로 인해 마진 콜이 쉽게 발생할 수 있습니다. 그러한 변동성에 대한 거래 자본과 기질이 있습니까? 빈도 - 전략의 빈도는 기술 스택 (기술적 전문성), 샤프 비율 및 전반적인 거래 비용 수준과 밀접하게 관련되어 있습니다. 고려해야 할 다른 모든 문제, 높은 빈도 전략은 더 많은 자본을 필요로하며, 구현하기가 더 정교하고 어렵습니다. 그러나 백 테스팅 엔진이 정교하고 버그가없는 것으로 가정하면 훨씬 높은 Sharpe 비율을 갖게됩니다. Volatility - Volatility is related strongly to the "risk" of the strategy. The Sharpe ratio characterises this. Higher volatility of the underlying asset classes, if unhedged, often leads to higher volatility in the equity curve and thus smaller Sharpe ratios. I am of course assuming that the positive volatility is approximately equal to the negative volatility. Some strategies may have greater downside volatility. You need to be aware of these attributes. Win/Loss, Average Profit/Loss - Strategies will differ in their win/loss and average profit/loss characteristics. One can have a very profitable strategy, even if the number of losing trades exceed the number of winning trades. Momentum strategies tend to have this pattern as they rely on a small number of "big hits" in order to be profitable. Mean-reversion strategies tend to have opposing profiles where more of the trades are "winners", but the losing trades can be quite severe. Maximum Drawdown - The maximum drawdown is the largest overall peak-to-trough percentage drop on the equity curve of the strategy. Momentum strategies are well known to suffer from periods of extended drawdowns (due to a string of many incremental losing trades). Many traders will give up in periods of extended drawdown, even if historical testing has suggested this is "business as usual" for the strategy. You will need to determine what percentage of drawdown (and over what time period) you can accept before you cease trading your strategy. This is a highly personal decision and thus must be considered carefully. Capacity/Liquidity - At the retail level, unless you are trading in a highly illiquid instrument (like a small-cap stock), you will not have to concern yourself greatly with strategy capacity . Capacity determines the scalability of the strategy to further capital. Many of the larger hedge funds suffer from significant capacity problems as their strategies increase in capital allocation. Parameters - Certain strategies (especially those found in the machine learning community) require a large quantity of parameters. Every extra parameter that a strategy requires leaves it more vulnerable to optimisation bias (also known as "curve-fitting"). You should try and target strategies with as few parameters as possible or make sure you have sufficient quantities of data with which to test your strategies on. Benchmark - Nearly all strategies (unless characterised as "absolute return") are measured against some performance benchmark. The benchmark is usually an index that characterises a large sample of the underlying asset class that the strategy trades in. If the strategy trades large-cap US equities, then the S&P500 would be a natural benchmark to measure your strategy against. You will hear the terms "alpha" and "beta", applied to strategies of this type. We will discuss these coefficients in depth in later articles.

Notice that we have not discussed the actual returns of the strategy. Why is this? In isolation, the returns actually provide us with limited information as to the effectiveness of the strategy. They don't give you an insight into leverage, volatility, benchmarks or capital requirements. Thus strategies are rarely judged on their returns alone. Always consider the risk attributes of a strategy before looking at the returns.

At this stage many of the strategies found from your pipeline will be rejected out of hand, since they won't meet your capital requirements, leverage constraints, maximum drawdown tolerance or volatility preferences. The strategies that do remain can now be considered for backtesting . However, before this is possible, it is necessary to consider one final rejection criteria - that of available historical data on which to test these strategies.

Obtaining Historical Data.

Nowadays, the breadth of the technical requirements across asset classes for historical data storage is substantial. In order to remain competitive, both the buy-side (funds) and sell-side (investment banks) invest heavily in their technical infrastructure. It is imperative to consider its importance. In particular, we are interested in timeliness, accuracy and storage requirements. I will now outline the basics of obtaining historical data and how to store it. Unfortunately this is a very deep and technical topic, so I won't be able to say everything in this article. However, I will be writing a lot more about this in the future as my prior industry experience in the financial industry was chiefly concerned with financial data acquisition, storage and access.

In the previous section we had set up a strategy pipeline that allowed us to reject certain strategies based on our own personal rejection criteria. In this section we will filter more strategies based on our own preferences for obtaining historical data. The chief considerations (especially at retail practitioner level) are the costs of the data, the storage requirements and your level of technical expertise. We also need to discuss the different types of available data and the different considerations that each type of data will impose on us.

Let's begin by discussing the types of data available and the key issues we will need to think about:

Fundamental Data - This includes data about macroeconomic trends, such as interest rates, inflation figures, corporate actions (dividends, stock-splits), SEC filings, corporate accounts, earnings figures, crop reports, meteorological data etc. This data is often used to value companies or other assets on a fundamental basis, i. e. via some means of expected future cash flows. It does not include stock price series. Some fundamental data is freely available from government websites. Other long-term historical fundamental data can be extremely expensive. Storage requirements are often not particularly large, unless thousands of companies are being studied at once. News Data - News data is often qualitative in nature. It consists of articles, blog posts, microblog posts ("tweets") and editorial. Machine learning techniques such as classifiers are often used to interpret sentiment . This data is also often freely available or cheap, via subscription to media outlets. The newer "NoSQL" document storage databases are designed to store this type of unstructured, qualitative data. Asset Price Data - This is the traditional data domain of the quant. It consists of time series of asset prices. Equities (stocks), fixed income products (bonds), commodities and foreign exchange prices all sit within this class. Daily historical data is often straightforward to obtain for the simpler asset classes, such as equities. However, once accuracy and cleanliness are included and statistical biases removed, the data can become expensive. In addition, time series data often possesses significant storage requirements especially when intraday data is considered. Financial Instruments - Equities, bonds, futures and the more exotic derivative options have very different characteristics and parameters. Thus there is no "one size fits all" database structure that can accommodate them. Significant care must be given to the design and implementation of database structures for various financial instruments. We will discuss the situation at length when we come to build a securities master database in future articles. Frequency - The higher the frequency of the data, the greater the costs and storage requirements. For low-frequency strategies, daily data is often sufficient. For high frequency strategies, it might be necessary to obtain tick-level data and even historical copies of particular trading exchange order book data. Implementing a storage engine for this type of data is very technologically intensive and only suitable for those with a strong programming/technical background. Benchmarks - The strategies described above will often be compared to a benchmark . This usually manifests itself as an additional financial time series. For equities, this is often a national stock benchmark, such as the S&P500 index (US) or FTSE100 (UK). For a fixed income fund, it is useful to compare against a basket of bonds or fixed income products. The "risk-free rate" (i. e. appropriate interest rate) is also another widely accepted benchmark. All asset class categories possess a favoured benchmark, so it will be necessary to research this based on your particular strategy, if you wish to gain interest in your strategy externally. Technology - The technology stacks behind a financial data storage centre are complex. This article can only scratch the surface about what is involved in building one. However, it does centre around a database engine, such as a Relational Database Management System (RDBMS), such as MySQL, SQL Server, Oracle or a Document Storage Engine (i. e. "NoSQL"). This is accessed via "business logic" application code that queries the database and provides access to external tools, such as MATLAB, R or Excel. Often this business logic is written in C++, C#, Java or Python. You will also need to host this data somewhere, either on your own personal computer, or remotely via internet servers. Products such as Amazon Web Services have made this simpler and cheaper in recent years, but it will still require significant technical expertise to achieve in a robust manner.

As can be seen, once a strategy has been identified via the pipeline it will be necessary to evaluate the availability, costs, complexity and implementation details of a particular set of historical data. You may find it is necessary to reject a strategy based solely on historical data considerations. This is a big area and teams of PhDs work at large funds making sure pricing is accurate and timely. Do not underestimate the difficulties of creating a robust data centre for your backtesting purposes!

I do want to say, however, that many backtesting platforms can provide this data for you automatically - at a cost. Thus it will take much of the implementation pain away from you, and you can concentrate purely on strategy implementation and optimisation. Tools like TradeStation possess this capability. However, my personal view is to implement as much as possible internally and avoid outsourcing parts of the stack to software vendors. I prefer higher frequency strategies due to their more attractive Sharpe ratios, but they are often tightly coupled to the technology stack, where advanced optimisation is critical.

Now that we have discussed the issues surrounding historical data it is time to begin implementing our strategies in a backtesting engine. This will be the subject of other articles, as it is an equally large area of discussion!

양적 거래 시작하기?

QuantStart 목록을 구독해야하는 3 가지 이유 :

1. 퀀트 트레이딩 레슨.

계량 거래를 시작하는 데 도움이되는 힌트와 팁으로 가득한 무료 10 일간 코스에 즉시 액세스 할 수 있습니다!

2. All The Latest Content.

매주 나는 퀀트 스타트에서 모든 활동의 포장을 보내드릴 것입니다. 그래서 당신은 결코 다시 글을 놓치지 않을 것입니다.

현실감 넘치는 퀀 트레이딩 팁.