Estratégia de negociação de quant

Negociação quantitativa.

O que é 'Negociação Quantitativa'

Negociação quantitativa consiste em estratégias de negociação baseadas em análises quantitativas, que dependem de cálculos matemáticos e crunching de números para identificar oportunidades comerciais. Como a negociação quantitativa é geralmente utilizada por instituições financeiras e fundos de hedge, as transações geralmente são de grande porte e podem envolver a compra e venda de centenas de milhares de ações e outros títulos. No entanto, a negociação quantitativa está sendo mais usada pelos investidores individuais.

BREAKING 'Quantitative Trading'

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

Compreender a negociação quantitativa.

Os comerciantes quantitativos aproveitam a tecnologia moderna, a matemática e a disponibilidade de bases de dados abrangentes para tomar decisões comerciais racionais.

Os comerciantes quantitativos tomam uma técnica de negociação e criam um modelo dele usando a matemática, e então eles desenvolvem um programa de computador que aplica o modelo aos dados históricos do mercado. O modelo é então testado e otimizado. Se os resultados favoráveis ​​forem alcançados, o sistema é então implementado em mercados em tempo real com capital real.

A maneira como os modelos de negociação quantitativa funcionam pode ser melhor descrita usando uma analogia. Considere um relatório meteorológico em que o meteorologista prevê 90% de chance de chuva enquanto o sol está brilhando. O meteorologista deriva essa conclusão contra-intuitiva coletando e analisando dados climáticos de sensores em toda a área. Uma análise quantitativa computadorizada revela padrões específicos nos dados. Quando esses padrões são comparados com os mesmos padrões revelados em dados climáticos históricos (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 esse mesmo processo ao mercado financeiro para tomar decisões comerciais.

Vantagens e desvantagens da negociação quantitativa.

O objetivo da negociação é calcular a ótima probabilidade de executar um comércio lucrativo. Um comerciante típico pode efetivamente monitorar, analisar e tomar decisões comerciais em uma quantidade limitada de títulos antes que a quantidade de dados recebidos superem o processo de tomada de decisão. O uso de técnicas de negociação quantitativas ilumina esse limite usando computadores para automatizar as decisões de monitoramento, análise e negociação.

A superação da emoção é um dos problemas mais comuns na negociação. Seja medo ou ganância, ao negociar, a emoção serve apenas para sufocar o pensamento racional, o que geralmente leva a perdas. Computadores e matemática não possuem emoções, então o comércio quantitativo elimina esse problema.

Negociação quantitativa tem seus problemas. Os mercados financeiros são algumas das entidades mais dinâmicas que existem. Portanto, os modelos de negociação quantitativa devem ser tão dinâmicos para serem consistentemente bem-sucedidos. Muitos comerciantes quantitativos desenvolvem modelos que são temporariamente rentáveis ​​para a condição de mercado para o qual eles foram desenvolvidos, mas eles finalmente falham quando as condições do mercado mudam.

QuantStart.

O portal QuantCademy QuantStademy da QuantStart fornece recursos educacionais detalhados para aprender comércio sistemático e uma forte comunidade de comerciantes algorítmicos de sucesso para ajudá-lo.

Artigos Mais Recentes.

Apenas iniciando o comércio quantitativo?

3 razões para se inscrever para a lista de e-mails QuantStart:

1. Quant Trading Lessons.

Você terá acesso instantâneo a um curso de e-mail gratuito de 10 partes, repleto de sugestões e dicas para ajudá-lo a começar a negociação quantitativa!

2. Todo o conteúdo mais recente.

Todas as semanas, vou enviar-lhe um envoltório de todas as atividades no QuantStart para que você nunca mais perca uma postagem novamente.

Real, dicas de negociação viáveis, sem tonturas.

S T R E E T DE W A L L S.

Tipos de Estratégias Quantitativas de Negociação de Fundos de Hedge.

Quant Hedge Funds vem em todas as formas e tamanhos - de pequenas empresas com empregados que numeram na adolescência, para fundos internacionais com presença em três continentes. Uma base de ativos maiores não se correlaciona necessariamente com um número maior de funcionários; em vez disso, a equipe do Hedge Fund provavelmente é uma função do número de estratégias que emprega. Quant Hedge Funds pode se concentrar em ações, renda fixa ou outras classes de ativos, embora raramente um Quant Hedge Fund esteja envolvido em uma estratégia de longo prazo de seleção de ações individualmente, sem cobertura. Muitos CTAs ou “Consultores de Negociação de Commodities” também seriam considerados Quant Hedge Funds, dado o seu papel na compra ou venda de contratos futuros, opções de futuros ou contratos de forex off-exchange de varejo (ou aconselhamento a outros para negociar nessas commodities).

A tabela a seguir fornece mais detalhes sobre diferentes tipos de estratégias de investimento em Hedge Funds; é importante notar que as versões quantitativas e não quantitativas de quase todos esses estilos de investimento Hedge Fund podem ser construídas:

Relative Value Trading vs. Directional Trading.

As abordagens de negociação / investimento Quantitative Hedge Fund se enquadram em uma das duas categorias: as que utilizam as estratégias de Valor Relativo e aquelas cujas estratégias serão caracterizadas como Direcional. Ambas as estratégias utilizam fortemente modelos de computador e software estatístico.

As estratégias de Relative Value tentam capitalizar relacionamentos de preços previsíveis (muitas vezes - relacionamentos de retorno) entre múltiplos ativos (por exemplo, a relação entre os rendimentos de curto prazo do Tesouro dos EUA vs. os rendimentos de longo prazo do Tesouro dos EUA ou a relação no implícito volatilidade em dois contratos de opção diferentes). As estratégias direcionais, entretanto, normalmente são baseadas em caminhos baseados em tendências ou outros padrões, sugestivos de impulso ascendente ou descendente para uma garantia ou conjunto de valores mobiliários (por exemplo, apostando que os rendimentos de longo prazo dos títulos do Tesouro dos EUA aumentarão ou que a volatilidade implícita declínio).

Relative Value Strategies.

Os exemplos comuns de estratégias de Relativo de Valor incluem a colocação de apostas relativas (ou seja, comprar um bem e vender outro) em ativos cujos preços estão intimamente vinculados:

Títulos governamentais de dois países diferentes Títulos do governo de dois prazos diferentes até o vencimento Títulos de obrigações de capital corporativo versus títulos hipotecários O diferencial de volatilidade implícita entre dois derivativos. Preços de ações versus preços de títulos para um emissor de títulos corporativos. Diferenças de rendimento de obrigações de capital vs. Swap de inadimplência de crédito (CDS ) se espalha.

A lista de estratégias de valor relativo potencial é muito longa; acima são apenas alguns exemplos. Existem três estratégias de Valor Relativo muito importantes e comummente utilizadas para se conscientizar, no entanto:

Arbitragem estatística: negociação de uma tendência de reversão média dos valores de cestas semelhantes de ativos com base em relações comerciais históricas. Uma forma comum de Arbitragem Estatística, ou "Arat Stat", "trading", é conhecida como Equity Market Neutral trading. Nesta estratégia, duas cestas de ações são escolhidas (uma cesta "longa" e uma cesta "curta"), com o objetivo de que os pesos relativos das duas cestas saiam do fundo com exposição líquida zero a vários fatores de risco (indústria, geografia, setor, etc. .) Stat Arb também pode envolver a negociação de um índice contra um ETF similar, ou um índice versus ações de uma única empresa. Arbitragem convertível: compra de emissões de obrigações convertíveis por uma empresa e simultaneamente venda das ações ordinárias da mesma empresa, com a idéia de que, se o estoque de uma determinada empresa declinar, o lucro da posição curta compensará mais do que qualquer perda na posição de títulos convertíveis, dado o valor do vínculo convertível como instrumento de renda fixa. De igual modo, em qualquer movimento ascendente das ações ordinárias, o fundo pode lucrar com a conversão de suas obrigações convertíveis em ações, vendendo essas ações no mercado valor por um valor que exceda todas as perdas em sua posição curta. Arbitragem de Renda Fixa: negociação de títulos de renda fixa em mercados de títulos desenvolvidos para explorar anomalias de taxa de juros relativos percebidas. Posições de Arbitragem de Renda Fixa podem usar títulos do governo, swaps de taxa de juros e futuros de taxa de juros. Um exemplo popular desse estilo de negociação em arbitragem de renda fixa é o "comércio de base", no qual um vende (compra) futuros do Tesouro e compra ( vende uma quantidade correspondente do potencial entregável. В Aqui, está a considerar a diferença entre o preço à vista de uma obrigação e o preço do contrato futuro ajustado (fator de conversão do preço de futuros) e a negociação dos pares de ativos em conformidade.

Estratégias direcionais.

As estratégias de negociação direcional, entretanto, geralmente se baseiam em caminhos de tendências ou outros motivos baseados em padrões sugerentes de impulso ascendente ou descendente para um preço de segurança. O comércio direcional geralmente incorporará algum aspecto da Análise Técnica ou "cartografia". Isso envolve a previsão da direção de preços através do estudo dos preços do mercado passado e do volume de dados do mercado. A "negociação" que está sendo negociada pode ser a de um bem em si (dinamismo nos preços das ações, por exemplo, ou a taxa de câmbio do euro / dólar norte-americano) ou um fator que afeta diretamente a o próprio preço dos ativos (por exemplo, volatilidade implícita para opções ou taxas de juros para títulos do governo).

A negociação técnica também pode incluir o uso de médias móveis, bandas em torno do desvio padrão histórico de preços, níveis de suporte e resistência e taxas de mudança. Normalmente, os indicadores técnicos não constituiriam a única base para o investimento de um Fundo Quantitativo de Hedge estratégia; Os Quante Hedge Funds empregam muitos fatores adicionais além das informações históricas sobre preço e volume. Em outras palavras, os Fundos Quantitativos de Hedge que empregam estratégias de negociação direcional geralmente têm estratégias quantitativas gerais que são muito mais sofisticadas do que a Análise Técnica geral.

Isso não é para sugerir que os comerciantes do dia não possam lucrar com a Análise Técnica - pelo contrário, muitas estratégias de negociação baseadas em impulso podem ser lucrativas. Assim, para os fins deste módulo de treinamento, as referências às estratégias de negociação Quant Hedge Fund não incluirão apenas estratégias baseadas em análise técnica.

Outras estratégias quantitativas.

Outras abordagens comerciais quantitativas que não são facilmente categorizadas como estratégias de Relative Value ou estratégias direcionais incluem:

Negociação de alta freqüência, onde os comerciantes tentam tirar proveito das discrepâncias de preços entre múltiplas plataformas com muitas negociações ao longo do dia. As estratégias de volatilidade administrada usam futuros e contratos a prazo para se concentrar na geração de retornos absolutos baixos, estáveis ​​e LIBOR-plus, aumentando ou diminuindo a número de contratos dinamicamente à medida que as volatilidades subjacentes das ações, títulos e outros mercados mudam. Estratégias de volatilidade gerenciadas ganharam popularidade nos últimos anos devido à recente instabilidade dos mercados de ações e títulos. & larr; O que é um Fundo de cobertura quantitativo? Top Quantitative Hedge Funds & rarr;

Quant Strategies - São para você?

As estratégias quantitativas de investimento evoluíram para ferramentas muito complexas com o advento dos computadores modernos, mas as raízes das estratégias remontam aos 70 anos. Geralmente são executados por equipes altamente educadas e usam modelos proprietários para aumentar sua capacidade de vencer o mercado. Existem até programas disponíveis que são plug-and-play para quem procura simplicidade. Quant modelos sempre funcionam bem quando testados, mas suas aplicações reais e taxa de sucesso são discutíveis. Embora pareçam funcionar bem nos mercados de touro, quando os mercados se afastam, as estratégias de quant estão sujeitas aos mesmos riscos que qualquer outra estratégia.

[As estratégias quantitativas de investimento tornaram-se extremamente populares entre os comerciantes do dia, mas elas não são as únicas estratégias que os comerciantes usam para obter lucro consistente. O Curso de Tradutor de Torneios de Dia da Invastopedia descreve uma estratégia comprovada que inclui seis tipos de negócios, juntamente com estratégias de gerenciamento de risco. Com mais de cinco horas de vídeo sob demanda, exercícios e conteúdo interativo, você ganhará as habilidades necessárias para negociar qualquer segurança em qualquer mercado.]

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

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

As estratégias Quant são agora aceitas na comunidade de investimentos e administradas por fundos mútuos, hedge funds e investidores institucionais. Eles geralmente passam pelo nome de geradores alfa, ou alfa gens.

Assim como no "The Wizard of Oz", alguém está atrás da cortina que conduz o processo. Tal como acontece com qualquer modelo, é tão bom quanto o humano que desenvolve o programa. Embora não exista um requisito específico para se tornar um quant, a maioria das empresas que executam quant modelos combinam as habilidades de analistas de investimentos, 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 trabalharam nos back-office, mas, à medida que os modelos quant tornam-se mais comuns, o back office está se movendo para o front office.

Benefícios de Quant Strategies.

Embora a taxa de sucesso global seja discutível, o motivo de algumas estratégias de quant é funcionar é que elas são baseadas em disciplina. Se o modelo for certo, a disciplina mantém a estratégia trabalhando com computadores com velocidade relâmpada para explorar ineficiências nos mercados com base em dados quantitativos. Os próprios modelos podem basear-se em apenas alguns ratios como P / E, dívida para patrimônio e crescimento de ganhos, ou usar milhares de insumos trabalhando juntos ao mesmo tempo.

Estratégias bem-sucedidas podem adotar as tendências em seus estágios iniciais, pois os computadores constantemente correm cenários para localizar ineficiências antes que outros o façam. Os modelos são capazes de analisar simultaneamente um grande grupo de investimentos, onde o analista tradicional pode estar olhando apenas alguns por vez. O processo de triagem pode avaliar o universo por níveis como 1-5 ou A-F, dependendo do modelo. Isso torna o processo de negociação real muito direto investindo nos investimentos altamente cotados e vendendo os mais baixos.

Os modelos Quant também abrem variações de estratégias como longas, curtas e longas / curtas. Os fundos cuidadosos bem sucedidos mantêm um olho no controle de risco devido à natureza de seus modelos. A maioria das estratégias começa com um universo ou benchmark e usa as ponderações setoriais e industriais em seus modelos. Isso permite que os fundos controlem a diversificação até certo ponto sem comprometer o próprio modelo. Os fundos Quant geralmente funcionam com base em custos mais baixos porque não precisam de tantos analistas tradicionais e gerentes de portfólio para executá-los.

Desvantagens de Quant Strategies.

Há razões pelas quais tantos investidores não aceitam completamente o conceito de deixar uma caixa preta executar seus investimentos. Para todos os fundos bem sucedidos da quantia lá fora, apenas muitos parecem ser infrutíferos. Infelizmente para a reputação dos quants, quando eles falham, eles falham em grande momento.

O Gerenciamento de Capital de Longo Prazo foi um dos mais famosos fundos hedge quant, já que foi dirigido por alguns dos líderes acadêmicos mais respeitados e dois economistas vencedores 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 só explorarem ineficiências, mas usando fácil acesso ao capital para criar apostas alavancadas enormes nas direções do mercado.

A natureza disciplinada de sua estratégia realmente criou a fraqueza que levou ao seu colapso. A Administração de Capital de Longo Prazo foi liquidada e dissolvida no início de 2000. Os modelos não incluíram a possibilidade de o governo russo estar inadimplente em algumas das suas próprias dívidas. Este evento desencadeou eventos e uma reação em cadeia ampliada por estragos criados por alavancagem. LTCM estava tão fortemente envolvido com outras operações de investimento que seu colapso afetou os mercados mundiais, provocando eventos dramáticos. A longo prazo, o Federal Reserve entrou para ajudar, e outros bancos e fundos de investimento apoiaram o LTCM para evitar mais danos. Esta é uma das razões pelas quais os fundos quantitativos podem falhar, pois eles são baseados em eventos históricos que podem não incluir eventos futuros.

Enquanto uma equipe de quantos forte estará constantemente adicionando novos aspectos aos modelos para prever eventos futuros, é impossível prever o futuro sempre. Quant fundos também podem se surpreender quando a economia e os mercados estão passando por uma volatilidade maior do que a média. Os sinais de compra e venda podem vir tão rapidamente que o alto volume de negócios pode gerar altas comissões e eventos tributáveis. Os fundos Quant também podem representar um perigo quando são comercializados como resistentes ao incômodo ou baseados em estratégias curtas. Prever as desacelerações, usar derivadas e combinar alavancagem pode ser perigoso. Uma vez errada pode levar a implosões, que muitas vezes fazem as novidades.

As estratégias quantitativas de investimento evoluíram de caixas pretas de back office para ferramentas de investimento convencionais. Eles são projetados para utilizar as melhores mentes no negócio e os computadores mais rápidos, tanto para explorar ineficiências quanto para utilizar a alavancagem para fazer apostas no mercado. Eles podem ter muito sucesso se os modelos incluíram todas as entradas certas e são ágeis o suficiente para prever eventos anormais do mercado. Por outro lado, enquanto os fundos quantitativos são rigorosamente testados até que eles funcionam, sua fraqueza é que eles dependem de dados históricos para o seu sucesso. Embora o investimento em estilo de quantum tenha seu lugar no mercado, é importante estar atento às suas deficiências e riscos. Para ser consistente com as estratégias de diversificação, é uma boa idéia tratar estratégias quantitativas como um estilo de investimento e combiná-lo com estratégias tradicionais para alcançar uma diversificação adequada.

Estratégias quantias implementadas pela comunidade de Quantopian.

Na semana passada eu dei um discurso de reunião de finanças no Hacker Dojo em Mountain View, CA. O formato foi inspirado por alguma análise que fiz sobre os tipos de algoritmos compartilhados e clonados na comunidade de Quantopian - inicialmente queria perguntar: Quais são as estratégias mais populares codificadas em Quantopian? Para responder a esta pergunta, classifiquei todos os posts do fórum público de três maneiras, primeiro no número de respostas, em segundo lugar no número de visualizações e em terceiro lugar no número de vezes clonado. Eu projetei essas pontuações e reorganizei a lista para chegar às 25 melhores postagens mais populares de todos os tempos. (NB: Não fiz nenhuma correção pela data da publicação original, portanto, a quantidade de tempo que o segmento está vivo não foi normalizada).

A partir desta lista, trabalhei para trás e usei exemplos da comunidade de Quantopian para introduzir 5 tipos básicos de estratégia de quant: Reversão média, Momentum, Valor, Sentimento e Sazonalidade. Embora esta lista não seja tecnicamente "mutuamente exclusiva e coletivamente exaustiva", ela abrange uma grande fração das estratégias intradias de freqüência mais baixa e fornece uma boa visão geral sobre como os quentes focados na equidade pensam em prever os preços do mercado. Voltei para a minha lista de Top 25 e categorizei cada algo em um desses cinco baldes e, em seguida, criei esse gráfico de torta com base no número agregado de visualizações para cada tipo de estratégia.

Há uma série de conclusões interessantes a serem extraídas dessa visão geral inicial da atividade da comunidade. Talvez o mais óbvio e previsível disso é que as estratégias baseadas em preços estão atualmente lideradas por uma grande margem - devido, espero, ao fácil acesso ao preço mínimo de equidade e à acessibilidade da lógica do impulso e reversão média . Na verdade, não havia estratégias baseadas em valores que entraram no Top 25 - o que, na minha opinião, representa um espaço de oportunidade chave no momento.

Mais sutil e, do meu ponto de vista reconhecidamente tendencioso, mais convincente é a diversidade e a qualidade do conteúdo e da colaboração na esfera pública. Ao juntar-se à equipe da quespian de um grande ambiente corporativo trabalhando com um pequeno grupo de clientes institucionais, vendo que os 25 melhores algos foram clonados em 13.000 vezes, uma média de mais de 500 clones por estratégia é ... bem, é muito legal.

Abaixo, você pode encontrar o deck de slides da minha apresentação:

O material deste site é fornecido apenas para fins informativos e não constitui uma oferta de venda, uma solicitação de compra ou uma recomendação ou endosso para qualquer segurança ou estratégia, nem constitui uma oferta de prestação de serviços de consultoria de investimento pela Quantopian.

Além disso, o material não oferece nenhuma opinião em relação à adequação de qualquer segurança ou investimento específico. Nenhuma informação contida neste documento deve ser considerada como uma sugestão para se envolver ou abster-se de qualquer curso de ação relacionado ao investimento, já que nenhuma das empresas atacadas ou nenhuma das suas afiliadas está a comprometer-se a fornecer conselhos de investimento, atuar como conselheiro de qualquer plano ou entidade sujeito a A Lei de Segurança de Renda de Aposentadoria do Empregado de 1974, conforme alterada, conta de aposentadoria individual ou anuidade de aposentadoria individual, ou dar conselhos em capacidade fiduciária em relação aos materiais aqui apresentados. Se você é um aposentadorio individual ou outro investidor, entre em contato com seu consultor financeiro ou outro fiduciário não relacionado a Quantopian sobre se qualquer idéia, estratégia, produto ou serviço de investimento descrito aqui pode ser apropriado para suas circunstâncias. Todos os investimentos envolvem risco, incluindo perda de principal. A Quantopian não oferece garantias sobre a precisão ou integridade das opiniões expressas no site. Os pontos de vista estão sujeitos a alterações e podem ter se tornado pouco confiáveis ​​por vários motivos, incluindo mudanças nas condições do mercado ou nas circunstâncias econômicas.

Comentários estão fechados.

O material deste site é fornecido apenas para fins informativos e não constitui uma oferta de venda, uma solicitação de compra ou uma recomendação ou endosso para qualquer segurança ou estratégia, nem constitui uma oferta de prestação de serviços de consultoria de investimento pela Quantopian.

Além disso, o material não oferece nenhuma opinião em relação à adequação de qualquer segurança ou investimento específico. Nenhuma informação contida neste documento deve ser considerada como uma sugestão para se envolver ou abster-se de qualquer curso de ação relacionado ao investimento, já que nenhuma das empresas atacadas ou nenhuma das suas afiliadas está a comprometer-se a fornecer conselhos de investimento, atuar como conselheiro de qualquer plano ou entidade sujeito a A Lei de Segurança de Renda de Aposentadoria do Empregado de 1974, conforme alterada, conta de aposentadoria individual ou anuidade de aposentadoria individual, ou dar conselhos em capacidade fiduciária em relação aos materiais aqui apresentados. Se você é um aposentadorio individual ou outro investidor, entre em contato com seu consultor financeiro ou outro fiduciário não relacionado a Quantopian sobre se qualquer idéia, estratégia, produto ou serviço de investimento descrito aqui pode ser apropriado para suas circunstâncias. Todos os investimentos envolvem risco, incluindo perda de principal. A Quantopian não oferece garantias sobre a precisão ou integridade das opiniões expressas no site. Os pontos de vista estão sujeitos a alterações e podem ter se tornado pouco confiáveis ​​por vários motivos, incluindo mudanças nas condições do mercado ou nas circunstâncias econômicas.

O material deste site é fornecido apenas para fins informativos e não constitui uma oferta de venda, solicitação de compra ou recomendação ou endosso para qualquer garantia ou estratégia, nem constitui uma oferta para fornecer consultoria de investimento ou outros serviços por meio de Quantopian. Além disso, o conteúdo do site não oferece nenhuma opinião em relação à adequação de qualquer garantia ou qualquer investimento específico.

A Quantopian não oferece garantias quanto à exatidão ou integridade das opiniões expressas no site. Os pontos de vista estão sujeitos a alterações e podem ter se tornado pouco confiáveis ​​por vários motivos, incluindo mudanças nas condições do mercado ou nas circunstâncias econômicas. Todos os investimentos envolvem risco - incluindo perda de principal. Você deve consultar um profissional de investimentos antes de tomar decisões de investimento.

Abordagem Quant para Construir Estratégias de Negociação: Parte Um.

Recentemente, Quandl entrevistou um gerente de carteira quantitativo sênior em um grande hedge fund. Nós falamos sobre como ela constrói estratégias de negociação e # 8211, como ela transita de uma representação abstrata do mercado para algo concreto com poderes de predição 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 eu descobri que impulsiona o comportamento de preços micro. Então 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 fechada para este modelo. Às vezes isso é fácil; às vezes isso leva dias e semanas de álgebra; às vezes não há uma solução fechada e eu tenho que me conformar com uma aproximação. Eu acho o kit de ferramentas de manipulação simbólica da Mathematica muito útil nesta etapa do processo.

Ok, então agora eu tenho um modelo do mercado. Eu preciso testar se é realista. Nesta fase, geralmente me volto para o Matlab. Eu assumo alguns valores plausíveis para vários parâmetros e executo algumas simulações. Os resultados simulados 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 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 construir modelos verdadeiramente preditivos. Mas é muito fácil enganar-se em pensar que você construiu um modelo preditivo, quando, na realidade, você simplesmente superou, ou usou testes na amostra, ou impôs um conhecimento exógeno em suas regras, ou o que você tem. A maioria dos "sistemas" se desmorona no mundo real por essa razão precisa.

Eu não quero que isso aconteça ao meu modelo; Vou arriscar 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. É o que eu chamo de "pesquisa formal".

Quais as etapas que você inclui no seu processo formal de pesquisa?

No começo, 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. Eu sou paranóico sobre não esgotar o meu fornecimento de dados não-contaminados fora da amostra.

Então começo dividindo meus dados históricos em partes não sobrepostas. Eu então randomizei para que eu mesmo não saiba qual pedaço é qual. (Isso protege contra os preconceitos subconscientes: por exemplo, ser averso ao risco quando sei que meu conjunto de dados de teste é 2008 ou está buscando o risco em 2009).

Eu designo um pedaço como meu conjunto de calibração. Eu costumo usar Python para calibração: eu uso suas bibliotecas de otimização embutidas e escrevi algumas das minhas próprias. Neste exemplo particular, meus parâmetros são restritos e correlacionados. Então eu uso um processo de otimização de 2 passos chamado algoritmo EM. Os otimizadores podem ser sensíveis às condições iniciais, então eu uso Monte Carlo para escolher uma série 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 de mercado reais para prever outros preços de mercado.

Uma vez que calibrei o modelo, testei-o fora da amostra. As previsões são estáveis ​​e os resíduos estão a reverter? Se não, o modelo não funciona; tão simples como isso. Eu tento vários "truques" para quebrar o modelo. Por exemplo, eu calibro em dados mensais, mas teste em dados diários. Ou eu teste os 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 se separa estritamente na amostra e fora da amostra; você se cega a intervalos de dias; 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 você não está se enganando?

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

Uma segunda prova de robustez é se o modelo funciona bem, independentemente da estratégia comercial que você desenvolve em cima disso. Se você só pode ganhar dinheiro usando uma regra de escala não-linear complexa com todos os tipos de condições de borda, então isso sugere uma falta de robustez.

Finalmente, não há substituto para os dados. Penso em todos os conjuntos de dados possíveis fora da amostra que eu possivelmente teste o modelo em: países diferentes, instrumentos diferentes, intervalos de tempo diferentes, diferentes freqüências de datas. O modelo tem que trabalhar em todos eles; Caso contrário, você tem uma tendência 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. Os resíduos de reversão média podem não ser suficientes se o conjunto de oportunidades for pequeno demais para compensar o pedido de oferta, 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 às curvas 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 há um limite superior sobre o quão complexo eu posso fazer minhas regras de negociação. Isso é uma coisa boa: uma estratégia que exige complexidade para ser rentável provavelmente não é uma boa estratégia, em primeiro lugar.

Excel também me permite ver meus pressupostos explicitados; 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 comerciais tornam-no passado todas as etapas acima: formulação de blue-sky e verificações de sanidade; calibração histórica e desempenho fora da amostra; estratégia de negociação back-test e rentabilidade. Mas, para os poucos que o fazem, agora é hora de entrar em produção. Este é um jogo de bola diferente.

Você pode ler a segunda parte da entrevista aqui. Nele, discutimos como a produção é um novo jogo de bola e onde obter idéias para novas estratégias. Também respondemos às questões 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.

Deixe uma resposta Cancelar resposta.

[& # 8230;] Abordagem de uma Quant para Construir Estratégias de Negociação: Parte 1 Abordagem de uma Quant para Construir Estratégias de Negociação: Parte Dois Abordagem de uma Quant para Construir Estratégias de Negociação: Parte Três [& # 8230;]

[& # 8230;] A abordagem da Quant "para Construir Estratégias de Negociação: Primeira Parte [Quandl] [& # 8230;]

[& # 8230;] parte da nossa entrevista com um gerente de portfólio quantitativo sênior em um grande hedge fund. Na primeira parte, ela discutiu a fase teórica da criação de uma estratégia de negociação quantitativa. No segundo [& # 8230;]

[& # 8230;] Статья с аггрегатора Quandl Resource Hub. [& # 8230;]

[& # 8230;] A abordagem da Quant's para Construir Estratégias de Negociação: Primeira Parte [Quandl] Recentemente, Quandl entrevistou um gerente de portfólio quantitativo sênior em um grande hedge fund. 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 define novas estratégias de negociação? Tudo começa com uma hipótese. Conjeco que deveria haver um [& # 8230;]

[& # 8230;] 1. Abordagem de uma Quant para Construir Estratégias de Negociação: Parte Um [& # 8230;]

Eu achei a entrevista bastante útil. No entanto, observo que você já usou Matlab, Python e Excel (e presumivelmente usam C # / C ++ / Java) para produção. Esse processo de mudança entre 4 línguas é pesado? Além disso, o que é em Matlab que você não pode fazer em Python ou vice-versa? Além disso, no que diz respeito ao Excel, não ache que, mesmo que a visualização seja útil, ele carrega muito risco operacional (as fórmulas não são arrastadas corretamente, a folha não foi atualizada corretamente, etc.)? Gostaria de ouvir sobre isso.

& gt; Esse processo de mudança entre 4 idiomas não é complicado?

Não é tão pesado. Eu normalmente acho que a parte mais entediante é garantir que os dados fluam de forma consistente e suave entre diferentes aplicativos ou idiomas. A tradução de sintaxe é fácil; tradução de dados, não tanto.

& gt; O que é em Matlab que você não pode fazer em Python ou vice-versa?

Estes dias, você está certo, não há muito que você não pode fazer em Python. E, de fato, me encontro usando Python cada vez mais. Mas nem sempre foi esse o caso; a infinidade de bibliotecas financeiras de código aberto em Python é um fenômeno relativamente recente.

& gt; No que diz respeito ao Excel, você não acha que, embora a visualização seja útil, ela carrega muito risco operacional (as fórmulas não são arrastadas corretamente, a folha não foi atualizada corretamente, etc.)?

Eu concordo totalmente. O Excel é frágil de várias maneiras: é fácil fazer erros operacionais, é impossível auditar; não é muito performante; paira nos momentos mais inconvenientes. Então você tem que ter muito cuidado em como e onde você usa o Excel. Dito isto, acho que os benefícios superam os muitos custos.

Eu achei a entrevista útil. No entanto, vejo que você já usou Matlab, Python e excel (e seria possivelmente usar C ++ / C # / Java / python para produção). Esse processo não é complicado? Além disso, o que é que no Matlab você não pode fazer em Python ou vice-versa? E você não consegue encontrar o Excel como um risco operacional (você geralmente arrasta e solta fórmulas que podem introduzir erros manuais, dependem de folhas atualizando corretamente, etc.)?

[& # 8230] Uma abordagem quantitativa para construir estratégias de negociação (quandl) [& # 8230]

Abordagem muito sensata. Eu particularmente gosto da importância dada à manutenção de seus dados OOS sacrosanct. O único aspecto com o qual tenho dúvidas é a remoção de fatores para testar a estabilidade. Talvez seja apenas o formato de entrevista tornando as coisas um pouco menos claras. Mas eu construo modelos de uma forma ascendente, não de cima para baixo. Um novo fator adiciona informações ou não é # 8217; t. Se o meu modelo de dois fatores tem IC maior que o meu modelo de três fatores, o terceiro fator é supérfluo e não deve ser adicionado em primeiro lugar. Então, por definição, a remoção de um fator de um modelo bem especificado sempre resultará em desempenho de previsão degradado.

Minhas desculpas, lvcm, eu não estava claro o suficiente. (Veja também a minha resposta a David, up-thread).

Eu não descarto fatores na minha fase de teste; Eu tento removê-los na minha fase de especificação. Se novos graus de liberdade não estiverem adicionando poder explicativo, eu os esvazio. Mas uma vez que eu mudei para testes e verificações de robustez, não faz sentido remover fatores. (Na verdade, eu nem sei o que isso significaria, não é como se você pudesse ignorar e # 8221; kappa ou o que for).

Manter o sacrossanto de dados OOS e # 8212; totalmente com você sobre isso. Se houver uma coisa, eu gostaria de poder martelar nas cabeças das pessoas, é a importância desse passo.

Eu faço Modelagem Quantitativa e análise para viver. Eu fiz alguns modelos interessantes em R até agora. O problema é que eu não sou nem bom em Python nem tenho horas para aprender isso, & # 8211; ser capaz de fazer tarefas confortavelmente. Existe uma maneira de colaborar com alguém que tenha experiência e conhecimento para fazer teste de volta, teste PL, etc.

É claro que posso fazer estimativas de modelos em relação aos preços históricos & # 8211; no entanto, isso não é suficiente. É necessário simular como o modelo teria sido executado se estivesse realmente operando.

Você já tentou usar o Quantopian para back-testing? Seu IDE (ambiente de desenvolvedor integrado) torna bastante fácil, embora exija conhecimento Python.

Também construí um ambiente de teste de retorno em Ruby (uma linguagem de programação semelhante ao Python).

De qualquer forma, ficaria feliz em ajudá-lo a traduzir seu modelo em algo programático.

Este é um informativo para entrevista como quant. Você poderia dar mais detalhes sobre o uso de Monte Carlo em parâmetros & # 8217; inicialização? Mais uma vez obrigado.

Estou um pouco surpreso com este artigo. Por que fazer um modelo estocástico fora do caminho que você gasta & # 8216; semanas & # 8217; resolver com álgebra auxiliada por computador, mas depois descartar a maioria dos parâmetros? Como o produto final poderia ser diferente de outras coisas?

Você me entende mal & # 8212; Minhas desculpas por não serem mais claras!

Tento descartar os parâmetros no início, quando eu especificando o meu modelo. Eu vi veados com modelos com 20 parâmetros de longo prazo e 12 graus diários de liberdade. Para mim, esses modelos não são, eles são articuladores universais: eles podem se encaixar em qualquer coisa. Eu nunca arrisquei dinheiro em nada que seja complexo.

Então eu tento ser tão parcimonioso quanto possível ao criar meu modelo.

Uma vez que eu defino um modelo que eu acho econômico e razoável, só então eu tento minhas verificações de robustez. E neste estágio eu não descarto parâmetros. Mas eu presto atenção às sensibilidades. Se a minha rentabilidade é incrivelmente sensível a um parâmetro específico atingindo um valor específico, e desmorona em perturbações menores, então eu suspeito que meu modelo é apenas # 8220; lucky & # 8221 ;, não inteligente. Mas concordo com você que a remoção de parâmetros inteiramente nesta fase seria boba.

Estou impressionado, o que você acha sobre regras de gerenciamento de dinheiro, como o tamanho ótimo de apostas?

Esta é uma excelente entrevista e agradeço que tenha aproveitado o tempo para fornecer informações sobre o seu projeto de estratégia. Isso seria muito demorado, mas seria possível fornecer um exemplo real usando um sistema real (independentemente de o sistema ser lucrativo ou não). Conceitualmente eu entendo o que você está dizendo, mas seria informativo para colocar exemplos reais para as etapas. Mais uma vez, obrigado pelo seu tempo.

Gostaria de fazer uma pergunta básica. Eu estou começando no campo da análise quantitativa. No entanto, você parece ser bastante experiente e neste campo há muito tempo. Gostaria de perguntar se as estratégias quantitativas ou técnicas estão lhe dando consistente & # 8216; confortável & # 8217; retorna. Você confia em um sistema ou continua mudando-o arbitrariamente e se você usa alguma análise fundamental também para auxiliar a análise técnica.

Você deve continuar evoluindo com os mercados. Nenhum sistema ou estratégia única funciona para sempre.

Eu gostaria de perguntar o que verificações e procedimentos adicionais são usados ​​quando um modelo é levado ao vivo, em particular como você monitora e gerencia de forma contínua o modelo uma vez que viveu? Você configura regras de monitoramento predefinidas ou disjuntores que retiram o modelo de ação automaticamente? Em caso afirmativo, como você constrói isso, quais tipos de medidas você usa neles? Também relacionado como você identifica e lida com períodos de desempenho abaixo do razoável? Esse desempenho inferior pode fazer uns modelos de dúvida e fazer parecer que um modelo parou de funcionar quando isso não é o caso.

I & # 8217; m tipo de antiquado & # 8212; Eu não acredito que os disjuntores realmente funcionem. Ou para ser mais preciso, as carteiras com disjuntores programáticos são de baixo desempenho das carteiras sem, a longo prazo. O raciocínio é que os disjuntores impedem que você saia de bons negócios com muita frequência, de tal forma que essas perdas superam as raras ocasiões em que elas o impedem de enfrentar grandes problemas.

Nota: Eu estou falando sobre portfólios clássicos de quantificadores aqui; não execução eletrônica ou HFT. Nos últimos casos, posso ver totalmente por que você deseja vários failafes e disjuntores; esses livros podem se afastar de você muito rápido. Mas essa não é minha área de especialização.

Dentro da minha área, observei alguns padrões em modelos que quebram. Para iniciantes, eles raramente explodem instantaneamente; em vez disso, ou a oportunidade simplesmente desaparece (arbitrada por copycats) ou o spread lentamente e imperceptivelmente se distancia cada vez mais do valor justo e nunca volta (mudança de regime).

Por outro lado, se uma negociação diverge e então a divergência se acelera, isso cheira muito mais a uma capitulação. Nesses casos, quero manter minha posição e, de fato, adicionar, se puder.

Portanto, a conclusão paradoxal é que quanto mais rápido um modelo perde dinheiro, mais provável é que ele ainda seja válido.

Boa sorte programando um disjuntor coerente para lidar com essa lógica!

Este é realmente um microcosmo do problema maior. Uma situação em que um disjuntor realmente ajudaria, quase certamente será uma perversão suficiente para evitar a maioria das tentativas a priori de definição. São as incógnitas desconhecidas que te pegam todas as vezes.

Nota importante: o acima mencionado é informado pela minha própria posição e preferência de risco. Eu sou suficientemente alto e bem sucedido o suficiente para que a maximização do portfólio seja o meu incentivo central. Se eu fosse mais jovem, manter meu emprego (ficar no jogo) seria o meu incentivo central. E, nesse caso, os disjuntores ajudam porque evitam perdas catastróficas e perdedoras de empregos, enquanto as perdas perdidas não aparecem em nenhum relatório da PL.

& gt; Como você identifica e lida com períodos de baixo desempenho razoável?

Esta é a pergunta de cem milhões de dólares! Gostaria de ter uma resposta definitiva e inequívoca para lhe dar & # 8212; isso também me ajudaria 🙂

Obrigado pelo feedback. Eu tire um pouco de conforto do fato de que os quants profissionais também lutam com esse tipo de perguntas.

Mais uma pergunta se eu puder # 8212; Eu tentei com as idéias de (mas ainda não realmente testadas / simuladas / implementadas) mais & # 8220; gradual & # 8221; tipo de gerenciamento / monitoramento, e. onde você controla, diga a quantidade de capital comprometida com um modelo particular (ou cesta de modelos) e reduza ou desce o tempo gradualmente ao longo do tempo, dependendo do desempenho agregado do modelo.

A idéia básica seria que o processo de gerenciamento teria uma visão de longo prazo para não levar o modelo # 8220; fora & # 8221; dos mercados de rebaixamentos razoáveis ​​/ esperados (devido à observação de uma amostra suficientemente grande de desempenho), enquanto ainda assegurando que o modelo finalmente pare de ser negociado se os retornos forem reduzidos ou negativos para um tamanho de amostra representativo.

Claro que essa idéia não seria garantia contra perdas como tal, mas a esperança seria que poderia ser suficiente, pelo menos, impedir um estilo de explosão LTCM.

(Para adicionar: acho que parece-me que um dos erros com a explosão LTCM foi assumir que seus modelos sempre funcionariam e, portanto, eles não tinham nenhum plano, nenhum nível de monitoramento, nada para dizer-lhes o sistema fora do conhecido / parâmetros esperados, reduzir a escala para preservar o capital & # 8221 ;. E eu gostaria de aprender e evitar esse tipo de erro, se for possível & # 8230;)

Você mencionou "mudança de regime" & # 8221 ;. Então, como você decide que seu comércio perdeu o suficiente para você considerar seu modelo não funcionar mais? Eu acho um & # 8220; Post # 3: monitoramento e manutenção / # 8221; seria legal 😀 Obrigado por compartilhar!

Tudo muito sensato. Eu achei este comentário interessante:

& # 8221; Por exemplo, eu calibro em dados mensais, mas teste em dados diários. & # 8221;

Eu acho que depende do que você quer dizer com & # 8216; calibração & # 8217; Mas isso me pareceu um pouco incomum.

Deixe-o simples e suponha que eu tentei capturar tendências (lentas) usando um crossover médio móvel. Eu jogo com dados mensais até conseguir algo que eu acho que funciona. Para mover para dados diários eu deveria multiplicar alguns parâmetros por.

20 (como os comprimentos médios móveis) porque há cerca de 20 dias úteis em um mês de calendário e outros por.

sqrt (20) [vários parâmetros de escala muito chatos para discutir aqui]. Mas o modelo ainda deve se comportar da mesma maneira. O volume de negócios, por exemplo, não deve aumentar quando eu passo para o diário.

Por outro lado, se eu manter os parâmetros o mesmo, em vez de recomeçar, digamos uma tendência de 6 meses, eu estou escolhendo uma tendência de 6 dias úteis. Mas o sweet spot para a tendência que segue a maioria dos ativos tende a ser um pouco mais lento do que isso, portanto, é improvável que pareça tão bom. Também o meu volume de negócios será muito maior, mas então você espera isso. Para colocar de outra maneira, não estou certo de que todos os aspectos do comportamento do mercado sejam "fractal". de modo que eu possa aplicar exatamente o mesmo modelo a diferentes escalas de tempo.

Oi Rob Poster original aqui. Obrigado por um comentário mais perspicaz!

Os mercados são fractais? Grande pergunta e uma que passei muitas noites debatendo sobre escocês.

Pessoalmente, acho que não são, porque certos eventos exógenos atuam como uma função de forçamento: chamadas diárias de margem de câmbio, MTM mensais para hedge funds, demonstrações financeiras trimestrais para bancos abertos. Esses eventos causam * algo * para acontecer (não importa o que) nessas freqüências. Portanto, nem todas as escalas de tempo são criadas iguais, e simplesmente acelerar / abrandar o relógio é * não * uma abordagem "neutra".

Então, na verdade, estou muito cauteloso sobre * quais * estratégias que eu faria com esse tipo de mudança de tempo.

Aqui está uma estratégia de brinquedos onde o deslocamento do tempo pode funcionar. Pegue 2 tiras de futuros no mesmo “espaço” - talvez trigo de inverno e primavera. Procure casos em que 1 é retrocedido e o outro em contango. Compre a frente baixa, venda de volta alta, venda frente alta, compre de volta baixa. Uma estratégia totalmente simples, quase "burra", mas para muitos pares de futuros costumava funcionar bem.

Este é um ótimo exemplo para mudar as escalas de tempo. Essa estratégia deve funcionar se você amostrar / reequilibrar semanalmente, mensalmente ou trimestralmente - porque as variáveis ​​de decisão são estado puro, sem caminho. Não estamos olhando para históricos de preços; nem estamos olhando para instrumentos com um componente de tempo (ligações que se acumulam, ou opções que decaem, ou passeios aleatórios com um desvio). Então, dado que a estratégia está realmente limpa, podemos sair com esse tipo de teste de robustez.

(Caveat: bid-ask é o fator de complicação aqui - sua escala de tempo escolhida precisa ser grande o suficiente para permitir uma ação de preço que supera a fricção. Bid-ask é a perdição de quants em todos os lugares.)

Mas eu nunca aplicaria esse mesmo teste para dizer uma estratégia de acompanhamento de tendências. Isso suscitaria todo tipo de questões filosóficas. O que significa para uma estratégia ter um “ponto ideal” em, digamos, 9 dias, ou 200 dias, ou sempre? Ao otimizar esse ponto doce, você está ajustando? Ou o fato de que quase todos usam 9d e 200d criam uma profeção auto-realizável, e esses números representam algo estrutural sobre o mercado? Ouvi argumentos convincentes em ambos os sentidos. E se você testou seus dados no intervalo X e, em seguida, fez as médias móveis de 9X e 200X e # 8212; Isso funcionaria? Diversas questões filosóficas; Eu não tenho certeza das respostas eu mesmo.

Outras notas: Eu concordo que a "calibração" foi uma escolha desleixada de palavra por mim naquela frase particular. "Ideação" teria sido melhor. Se você estiver calibrando, você já está apresentando mais estrutura do que a mudança de horário pode manipular com segurança.

Você está absolutamente correto re (t) e sqrt (t) - e eu concordo com você, muito chato para discutir aqui.

Mais uma vez obrigado pelo comentário!

Eu acho que & # 8220; calibre em dados mensais, mas teste em dados diários & # 8221; significa recalibrar um modelo de rolamento (como, por exemplo, uma regressão contínua) todos os meses, mas usando dados diários. Em seguida, teste com esse modelo recalibrado no mês seguinte, novamente usando dados diários.

Um pouco como um método avançado de teste?

Desculpe por não ser claro. O que eu quis dizer estava mais perto da interpretação original de Rob: Eu construo uma idéia com dados amostrados na freqüência X, mas depois testei com dados amostrados na freqüência Y. A repetição ou a recalibração mensal é um exercício separado, que eu gostaria empreender após o modelo ter sido "em produção" # 8221; por algum tempo.

Aves tardias obtêm o worm: dados de pagamento e força da empresa.

Em um recente artigo do Huffington Post, o chefe de Educação Global da Visa, Nathaniel Sillin, escreveu: "Compreender o quanto custa gerenciar uma casa e a importância de pagar as suas contas no tempo pode ajudá-lo a evitar erros onerosos". Enquanto muitos leitores provavelmente assentirão De acordo, o sábio conselho de Sillin não é tão universal quanto você imagina. Pelo menos não no mundo dos negócios. Bloomberg citou um relatório do parceiro de Quandl Dun & amp; Bradstreet (essencialmente a Experian e Equifax do mundo dos negócios), alegando que “para grandes empresas,. . . as coisas são diferentes. Por um lado, eles.

A Paisagem dos Dados da Indústria Automóvel.

Uma vez que o homem primeiro inventou a roda, nossa necessidade de otimizar a forma como nos deparamos foi uma obsessão quase primitiva. Desde o advento do primeiro veículo motorizado até carros autônomos, a indústria automobilística evoluiu rapidamente em sua adoção da tecnologia. Agora estamos experimentando o que provavelmente é o maior avanço no setor automotivo desde que Henry Ford projetou pela primeira vez sua linha de montagem em movimento: o aumento do carro conectado. Por estimativas de inteligência de BI da Scotiabank, em 2020, mais de 75% dos novos carros enviados serão conectados à Internet. Desde a leitura das notificações do Facebook até a medição da segurança e da integridade do motor.

Icebergs, camaleões e víboras: uma pesquisa de execução FX.

O mercado de câmbio há muito tem sido o mais descentralizado e opaco de todos os mercados. Como resultado, os comerciantes da FX trabalham sob grandes desvantagens informativas em comparação com seus pares em outras classes de ativos. Diferentemente dos mercados acionários, nos quais as regulamentações da SEC determinam que as bolsas públicas informem os preços das transações e os volumes de negociação diários, o FX não possui tais fontes de dados unificadas. Não há trocas centrais, buracos ou quadros de avisos. Em vez disso, as transações FX ocorrem através de um milhão de telefonemas, visitas de clientes, threads de e-mail e plataformas de negociação. Todo o mercado é de balcão, festa para festa, e ninguém sabe o que qualquer outra pessoa está fazendo além.