Curso de estrategias de negociación algorítmica

Curso de estrategias de negociación algorítmica

Forex trading en Bangalore
Kursus robot forex
Sistema de comercio de indicadores Vortex


Lista de indicadores de la tabla de divisas Af41_binary_options Binary_options_forum_uk_trainz Opciones Binarias Trading 2016 NCAA Tradestation_binary_options Opciones Binarias Ultimatum System_mechanic_free

Introducción a las estrategias de comercio algorítmico, 2011-2013 Descripción del curso Este curso introduce a los estudiantes a la negociación cuantitativa. Un comerciante por lo general comienza con una intuición o una idea vaga de comercio. Usando las matemáticas, él / ella convierte la intuición en un modelo comercial cuantitativo para el análisis, la prueba posterior y el refinamiento. Cuando el modelo de comercio cuantitativo demuestra ser probable rentable después de pasar pruebas estadísticas rigurosas, el comerciante implementa el modelo en un sistema informático para la ejecución automática. En resumen, el comercio cuantitativo es el proceso en el que las ideas se convierten en modelos matemáticos y luego se codifican en programas informáticos para el comercio sistemático. Es una ciencia en la que las matemáticas y la informática se encuentran. En este curso, los estudiantes estudian las estrategias de comercio de la literatura académica popular y aprender los aspectos matemáticos y de TI fundamentales de este campo emergente. Al trabajar en los proyectos de clase, ellos ganarán experiencia práctica. Después de completar satisfactoriamente este curso, los estudiantes tendrán las habilidades necesarias de cuantitación, computación y programación en el comercio cuantitativo. Por lo tanto, están bien preparados para un papel de oficina en fondos de cobertura o bancos. Esquema del curso Estrategias de negociación algorítmica Descripción del curso Systematic Los fondos Quant son una parte rápidamente creciente del hedge fund y del mundo beta inteligente. Aunque hay un gran enfoque en la alta frecuencia por parte de los académicos, el comercio de algo a la frecuencia media-a-baja representa más de 350.000 millones de dólares AUM y es el segmento de mayor crecimiento del mundo HF. Este curso cubre los principios subyacentes detrás de la negociación algorítmica, que abarca principios y análisis de seguimiento de tendencias, carry, value, mean-reversion y valor relativo y otras estrategias más oscuras como short-gamma. Discutiremos la razón de ser de la estrategia, los diseños de estrategia estándar, los pros y los contras de las distintas opciones de diseño y los beneficios de la diversificación en las estrategias de cartera. Por último, dado que la industria está plagada por un exceso de equipamiento y un mal desempeño, debatiremos el p-hacking (o el charlatanismo financiero39) y varias estrategias para evitarlo. ¿Qué voy a obtener de este curso? Académicos / estudiantes - para obtener una amplia introducción al área de estrategias de negociación algorítmica, incluyendo tener un firme conocimiento de la teoría subyacente como y cuando se sabe. Ser capaz de emprender nuevas investigaciones académicas en el gran número de preguntas abiertas que abordaremos a lo largo del curso. Profesionales - Conocer las implementaciones estándar del patrimonio único canónico y estrategias de negociación basadas en la cartera y tener una comprensión firme de los pros y los contras de diversos enfoques para diseñar estrategias de negociación. Conocer las trampas comunes que los diseñadores comerciales suelen encontrar y tener una base firme para diseñar estrategias algorítmicas nuevas y mejoradas. Algo Traders - Para entender por qué las estrategias comunes realmente funcionan. Prerrequisitos y Público Objetivo Lo que los estudiantes necesitan saber o hacer antes de comenzar este curso. Curso de trabajo para incluir (o familiaridad con los siguientes temas): Licenciatura ODE y PDE (matemática física o ingeniería / Expansión de Fourier basada). Resolución de ODEs de primer y segundo orden, variación de constantes Ecuación de calor, métodos de Kernel (funciones de Greens39) Expansiones de series de tiempo, transformadas de Fourier, Laplace o Z Análisis de subgrupos básicos Funciones continuas Funciones diferenciables Normas L2 Normas L1 Optimización Multiplicadores de Lagrange Optimización cuadrática Mínimos cuadrados Newton Raphson y otros solucionadores de raíz. Álgebra lineal numérica. SVD Autovalores y autovectores PCA Descomposición QR / Gram Schmidt Grado, determinantes Estadística (enseñada en estadística, econometría, aprendizaje de máquina o curso de procesamiento de señal) Teorema de límite central Ley de grandes números Distribuciones Univariadas Estándar (Normal, Student-T, Chi cuadrado, Gamma.) Basic Teoría de la probabilidad Alguna familiaridad en la serie temporal. Pruebas de hipótesis de regresión. F pruebas, pruebas T, Chi-cuadrado pruebas. Asymptotics Modelos de Autocorrelación / ARMA Heteroscedasticidad y Criterios GLS (AIC y BIC) Densidades normales multivariadas, Covariance, Correlación Familiaridad con algunas series de tiempo Codificación Python o Matlab o R OOP Finance. Familiaridad con los productos financieros: Futuros, Acciones, Bonos, Commodities Útil pero no necesario: Opción Black-Scholes Precios Quién debe tomar este curso ¿Quién no debe en Ciencias Físicas e Ingeniería en Ciencias de la Computación con una sólida comprensión de las matemáticas en Economía o Finanzas con un Continúa la discusión de las diferencias entre la medida de P (mundo físico) y la medida de Q (para los derivados de precios y de cobertura). Mientras que Q (donde las tasas al contado siempre van hacia adelante o hacia adelante se realicen39) es una construcción interesante, es simplemente eso. Tenemos que usarlo para cotizar y cubrir (o 39 manejar riesgos) derivados. De manera realista, en mercados incompletos, Q no es realmente único y es meramente una construcción útil. Realista hablando, las tarifas al contado tienden para permanecer puesto, y los paseos al azar son mucho más probables que habiendo realizado hacia adelante. Si las tasas al contado son martingales / paseos al azar, esto es una razón perfectamente decente para estudiar llevar. Lección 48 Definición Carry Definición carry - what is it ¿Por qué nos preocupamos por ello Qué es una posición de carry positivo y qué es una posición de carry negativo ¿Qué pasa con las materias primas Lección 49 Carry for Swaps (y un poco de bonos) Definimos carry for swaps , Algo no tan fácilmente disponible, y también un poco para los bonos. Los bonos, sin embargo, son completamente más difíciles, ya que usted necesita saber las tasas de financiación específica de los bonos (tasas de repo plazo), por lo que en su mayoría persiguen carry for swaps. Lectura 50 Llevar para Futuros, FX, Acciones y Derivados Describimos brevemente el carry para Futuros (incluyendo commodities y equidad) y FX y para el área menos cubierta de Derivados. Valoramos el valor, su uso y cómo difiere de Equities (donde está bien definido y seguido regularmente) a renta fija, fx y materias primas. El valor, con sus propiedades de reversión media a más largo plazo, es naturalmente ortogonal al momento y la reversión media. Clase 53 Estrategias de cartera 1 - MVO Optimización de la varianza media como guía de los conceptos básicos de la estrategia de cartera Lección 54 Portafolios - Pesos de prueba Presentamos la optimización de la cartera como una regresión y describimos las pruebas F para la significación estadística de los cambios en los pesos de la cartera. Conferencia 55 Optimización de la cartera - Carteras condicionales y otras medidas de rendimiento Introducimos las carteras condicionales y la optimización para incluir la reasignación dinámica. El uso de carteras aumentadas nos permite considerar las señales dinámicas en la optimización de cartera. Por último, hablamos de las deficiencias de la mayoría de la optimización de la cartera de estilo MVO e introducimos una serie de medidas de rendimiento estándar utilizadas en los problemas de medición y asignación. Recurso 4 Diapositivas como PDFHow para identificar estrategias de negociación algorítmica En este artículo quiero presentarle a los métodos por los cuales yo mismo identificar rentables estrategias de negociación algorítmica. Nuestro objetivo hoy es comprender en detalle cómo encontrar, evaluar y seleccionar tales sistemas. Ill explicar cómo la identificación de estrategias es tanto sobre las preferencias personales como sobre el rendimiento de la estrategia, cómo determinar el tipo y cantidad de datos históricos para las pruebas, cómo evaluar de manera desapasionada una estrategia comercial y, finalmente, cómo proceder hacia la fase de backtesting y la estrategia de implementación . Identificación de sus propias preferencias personales para el comercio Con el fin de ser un comerciante de éxito - discrecional o algorítmicamente - es necesario hacer algunas preguntas honestas. El comercio le proporciona la capacidad de perder dinero a un ritmo alarmante, por lo que es necesario conocer a ti mismo tanto como es necesario para entender su estrategia elegida. Yo diría que la consideración más importante en el comercio es ser consciente de su propia personalidad. El comercio, y el comercio algorítmico en particular, requiere un grado significativo de disciplina, paciencia y desapego emocional. Puesto que usted está dejando un algoritmo realizar su comercio para usted, es necesario ser resuelto para no interferir con la estrategia cuando se está ejecutando. Esto puede ser extremadamente difícil, especialmente en períodos de retiro extendido. Sin embargo, muchas estrategias que han demostrado ser altamente rentables en un backtest pueden ser arruinadas por la simple interferencia. Entender que si desea entrar en el mundo de la negociación algorítmica que será emocionalmente probado y que, para tener éxito, es necesario trabajar a través de estas dificultades La siguiente consideración es uno de los tiempos. ¿Tiene un trabajo a tiempo completo? ¿Trabaja a tiempo parcial? ¿Trabaja desde su casa o tiene un largo viaje diario? Estas preguntas le ayudarán a determinar la frecuencia de la estrategia que debe buscar. Para aquellos de ustedes en el empleo a tiempo completo, una estrategia de futuros intradía puede no ser apropiado (al menos hasta que esté totalmente automatizado). Sus limitaciones de tiempo también dictarán la metodología de la estrategia. Si su estrategia se negocia frecuentemente y depende de los costosos canales de noticias (como un terminal de Bloomberg), tendrá que ser claramente realista acerca de su capacidad para ejecutarlo con éxito mientras está en la oficina. Para aquellos que tienen mucho tiempo o las habilidades Para automatizar su estrategia, tal vez desee estudiar una estrategia de negociación de alta frecuencia más técnica (HFT). Mi creencia es que es necesario llevar a cabo una investigación continua en sus estrategias de negociación para mantener una cartera de manera consistente rentable. Pocas estrategias permanecen bajo el radar para siempre. Por lo tanto, una parte significativa del tiempo asignado al comercio será en la realización de la investigación en curso. Pregúntese si está preparado para hacer esto, ya que puede ser la diferencia entre una fuerte rentabilidad o una lenta disminución hacia las pérdidas. También necesita considerar su capital comercial. La cantidad mínima ideal generalmente aceptada para una estrategia cuantitativa es 50.000 USD (aproximadamente 35.000 para nosotros en el Reino Unido). Si yo estuviera comenzando de nuevo, empezaría con una cantidad mayor, probablemente cerca de 100,000 USD (aproximadamente 70,000). Esto se debe a que los costos de transacción pueden ser extremadamente costosos para las estrategias de media a alta frecuencia y es necesario disponer de capital suficiente para absorberlos en tiempos de reducción. Si está pensando en comenzar con menos de 10.000 dólares, entonces tendrá que restringirse a las estrategias de baja frecuencia, el comercio en uno o dos activos, como los costos de transacción se comen rápidamente en sus declaraciones. Interactive Brokers, que es uno de los corredores más amigables para aquellos con habilidades de programación, debido a su API, tiene una cuenta minorista mínimo de 10.000 USD. La habilidad de programación es un factor importante en la creación de una estrategia automatizada de negociación algorítmica. Ser informado en un lenguaje de programación como C, Java, C, Python o R le permitirá crear el almacenamiento de datos de extremo a extremo, el motor de backtest y el sistema de ejecución usted mismo. Esto tiene una serie de ventajas, el principal de los cuales es la capacidad de ser completamente consciente de todos los aspectos de la infraestructura de comercio. También le permite explorar las estrategias de mayor frecuencia, ya que estará en pleno control de su pila de tecnología. Si bien esto significa que puede probar su propio software y eliminar los errores, también significa más tiempo dedicado a la codificación de la infraestructura y menos en la aplicación de estrategias, al menos en la parte anterior de su carrera comercial algo. Usted puede encontrar que se siente cómodo de comercio en Excel o MATLAB y puede subcontratar el desarrollo de otros componentes. No recomendaría esto sin embargo, particularmente para ésos que negocian en la alta frecuencia. Usted necesita preguntarse lo que espera lograr mediante el comercio algorítmico. ¿Está interesado en un ingreso regular, por el que espera obtener ganancias de su cuenta de comercio O, está interesado en una ganancia de capital a largo plazo y puede permitirse el comercio sin la necesidad de fondos de retiro dependencia de los ingresos dictará la frecuencia de su estrategia . Los retiros de ingresos más regulares requerirán una estrategia de negociación de frecuencia más alta con menos volatilidad (es decir, una proporción Sharpe más alta). Los comerciantes a largo plazo pueden permitirse una frecuencia comercial más tranquila. Por último, no se deje engañar por la noción de convertirse en extremadamente rico en un corto espacio de tiempo Algo de comercio no es un esquema de obtener-rico-rápido - si algo puede ser un esquema de convertirse en pobres-rápido. Se necesita una disciplina, investigación, diligencia y paciencia significativas para tener éxito en el comercio algorítmico. Puede tomar meses, si no años, generar una rentabilidad consistente. Sourcing Algorithmic Trading Ideas A pesar de las percepciones comunes de lo contrario, en realidad es bastante sencillo para localizar estrategias comerciales rentables en el dominio público. Nunca las ideas comerciales han sido más fácilmente disponibles de lo que son hoy en día. Revistas de finanzas académicas, servidores de preimpresión, blogs comerciales, foros comerciales, revistas comerciales semanales y textos especializados proporcionan miles de estrategias comerciales con las cuales basar sus ideas. Nuestra meta como investigadores de comercio cuantitativo es establecer un pipeline de estrategia que nos proporcionará una corriente de ideas comerciales en curso. Idealmente, queremos crear un enfoque metódico para la obtención, evaluación e implementación de estrategias que nos encontremos. Los objetivos de la tubería son generar una cantidad consistente de nuevas ideas y proporcionarnos un marco para rechazar la mayoría de estas ideas con el mínimo de consideración emocional. Debemos ser extremadamente cuidadosos para no dejar que los sesgos cognitivos influyan en nuestra metodología de toma de decisiones. Esto podría ser tan simple como tener una preferencia por una clase de activo sobre otro (oro y otros metales preciosos vienen a la mente) porque son percibidos como más exóticos. Nuestro objetivo siempre debe ser encontrar estrategias consistentemente rentables, con expectativas positivas. La elección de la clase de activo debe basarse en otras consideraciones, como restricciones de capital de negociación, comisiones de corretaje y capacidades de apalancamiento. Si usted está completamente familiarizado con el concepto de una estrategia comercial, entonces el primer lugar para mirar es con los libros de texto establecidos. Los textos clásicos proporcionan una amplia gama de ideas más simples, más directas, con las cuales familiarizarse con el comercio cuantitativo. Aquí hay una selección que recomiendo para aquellos que son nuevos en el comercio cuantitativo, que poco a poco se vuelven más sofisticados a medida que trabajan a través de la lista: Para una lista más larga de libros de comercio cuantitativo, visite la lista de lecturas QuantStart. El siguiente lugar para encontrar estrategias más sofisticadas es con los foros de comercio y blogs comerciales. Sin embargo, una nota de precaución: Muchos blogs comerciales se basan en el concepto de análisis técnico. El análisis técnico implica el uso de indicadores básicos y la psicología del comportamiento para determinar tendencias o patrones de inversión en los precios de los activos. A pesar de ser extremadamente popular en el espacio comercial general, el análisis técnico se considera algo ineficaz en la comunidad financiera cuantitativa. Algunos han sugerido que no es mejor que leer un horóscopo o estudiar las hojas de té en términos de su poder predictivo En realidad hay personas exitosas haciendo uso del análisis técnico. Sin embargo, como quants con una caja de herramientas matemática y estadística más sofisticada a nuestra disposición, podemos evaluar fácilmente la efectividad de tales estrategias basadas en TA y tomar decisiones basadas en datos en lugar de basar nuestras en consideraciones emocionales o preconcepciones. Aquí hay una lista de blogs y foros de comercio algorítmico muy respetados: Una vez que haya tenido alguna experiencia en la evaluación de estrategias más simples, es hora de ver las ofertas académicas más sofisticadas. Algunas revistas académicas serán de difícil acceso, sin altas suscripciones o costos únicos. Si usted es miembro o ex alumno de una universidad, debería poder obtener acceso a algunas de estas revistas financieras. De lo contrario, puede consultar los servidores de preimpresión. Que son depósitos de Internet de borradores tardíos de trabajos académicos que están siendo sometidos a revisión por pares. Dado que sólo estamos interesados ​​en estrategias que podemos replicar con éxito, backtest y obtener rentabilidad, una revisión por pares es de menor importancia para nosotros. La principal desventaja de las estrategias académicas es que a menudo pueden estar desfasadas, requerir datos históricos oscuros y caros, comerciar en clases de activos ilíquidos o no tener en cuenta los honorarios, el deslizamiento o la propagación. También puede ser poco claro si la estrategia de negociación se llevará a cabo con órdenes de mercado, órdenes de límite o si contiene detener las pérdidas, etc Por lo tanto, es absolutamente esencial para replicar la estrategia de ti mismo lo mejor posible, backtest y añadir en la transacción realista Los costos que incluyen tantos aspectos de las clases de activos que desea intercambiar pulg Aquí está una lista de los servidores de preimpresión más populares y revistas financieras que se pueden obtener ideas de: ¿Qué pasa con la formación de sus propias estrategias cuantitativas Esto generalmente requiere ( Pero no se limita a) experiencia en una o más de las siguientes categorías: Microestructura del mercado - Para las estrategias de frecuencia más alta, en particular, se puede hacer uso de la microestructura del mercado. Es decir, la comprensión de la dinámica del libro de pedidos con el fin de generar rentabilidad. Los diferentes mercados tendrán varias limitaciones tecnológicas, regulaciones, participantes en el mercado y restricciones que están abiertas a la explotación a través de estrategias específicas. Se trata de un área muy sofisticada y los profesionales de retail tendrán dificultades para ser competitivos en este espacio, sobre todo porque la competencia incluye fondos de cobertura cuantitativos grandes y bien capitalizados con fuertes capacidades tecnológicas. Estructura de los fondos - Los fondos de inversión colectiva, como los fondos de pensiones, las asociaciones de inversión privada (fondos de cobertura), los asesores de comercio de materias primas y los fondos mutuos se ven limitados tanto por una fuerte regulación como por sus grandes reservas de capital. Por lo tanto, ciertos comportamientos consistentes pueden ser explotados con aquellos que son más ágiles. Por ejemplo, los grandes fondos están sujetos a restricciones de capacidad debido a su tamaño. Por lo tanto, si necesitan liberar rápidamente (vender) una cantidad de valores, tendrán que escalonarla para evitar mover el mercado. Los algoritmos sofisticados pueden aprovechar esto, y otras idiosincrasias, en un proceso general conocido como arbitraje de estructura de fondos. Aprendizaje mecánico / inteligencia artificial - Los algoritmos de aprendizaje automático se han vuelto más frecuentes en los últimos años en los mercados financieros. Clasificadores (como Naive-Bayes, et al.) Combinadores de funciones no lineales (redes neuronales) y rutinas de optimización (algoritmos genéticos) se han utilizado para predecir rutas de activos o para optimizar estrategias de negociación. Si usted tiene un fondo en esta área usted puede tener una cierta penetración en cómo los algoritmos particulares se podrían aplicar a ciertos mercados. Hay, por supuesto, muchas otras áreas para quants para investigar. Pues explíqueles cómo elaborar estrategias personalizadas en detalle en un artículo posterior. Al seguir supervisando estas fuentes sobre una base semanal, o incluso diaria, se está preparando para recibir una lista coherente de estrategias de una amplia gama de fuentes. El siguiente paso es determinar cómo rechazar un gran subconjunto de estas estrategias con el fin de minimizar el desperdicio de su tiempo y backtesting recursos sobre las estrategias que probablemente no sean rentables. Evaluación de las estrategias de negociación La primera y posiblemente la más obvia consideración es si realmente entiende la estrategia. ¿Sería capaz de explicar la estrategia de forma concisa o requiere una serie de advertencias y listas de parámetros interminables? Además, ¿tiene la estrategia una buena y sólida base en la realidad? Por ejemplo, ¿podría señalar alguna racionalidad del comportamiento o restricción de la estructura del fondo que Podría estar causando el patrón (s) que está intentando explotar Esta restricción se mantendría hasta un cambio de régimen, como una perturbación dramática del entorno regulador ¿La estrategia se basa en complejas reglas estadísticas o matemáticas ¿Se aplica a cualquier serie temporal financiera o es Es específico para la clase de activos que se dice que es rentable en Usted debe estar constantemente pensando en estos factores al evaluar nuevos métodos de comercio, de lo contrario puede perder una cantidad significativa de tiempo tratando de backtest y optimizar las estrategias no rentables. Una vez que haya determinado que entiende los principios básicos de la estrategia que necesita para decidir si se ajusta a su perfil de personalidad antes mencionado. Esto no es una consideración tan vaga como suena Las estrategias difieren sustancialmente en sus características de rendimiento. Hay ciertos tipos de personalidad que pueden manejar períodos más significativos de reducción, o están dispuestos a aceptar un mayor riesgo de un mayor retorno. A pesar de que nosotros, como quants, tratamos de eliminar tanto el sesgo cognitivo como sea posible y debemos ser capaces de evaluar una estrategia desapasionadamente, los sesgos siempre se arrastrarán. Por lo tanto, necesitamos un medio consistente e impasible a través del cual evaluar el desempeño de las estrategias . La estrategia se basa en sofisticadas (o complejas) técnicas estadísticas de aprendizaje o de aprendizaje de la máquina que son difíciles Para comprender y exigir un doctorado en estadísticas para captar Estas técnicas introducen una cantidad significativa de parámetros, lo que podría conducir a un sesgo de optimización Es probable que la estrategia para soportar un cambio de régimen (es decir, una nueva regulación potencial de los mercados financieros) Sharpe Ratio - Heurísticamente caracteriza la relación recompensa / riesgo de la estrategia. Se cuantifica la cantidad de retorno que se puede lograr para el nivel de volatilidad soportada por la curva de equidad. Naturalmente, necesitamos determinar el período y la frecuencia en que se miden estos rendimientos y volatilidad (es decir, la desviación estándar). Una estrategia de frecuencia más alta requerirá una mayor tasa de muestreo de la desviación estándar, pero un período de tiempo global más corto de medición, por ejemplo. Apalancamiento - ¿Necesita la estrategia un apalancamiento significativo para ser rentable ¿La estrategia requiere el uso de contratos de derivados apalancados (futuros, opciones, permutas) para hacer un retorno Estos contratos apalancados pueden tener una gran volatilidad y por lo tanto puede conducir fácilmente a Llamadas de margen. Frecuencia - La frecuencia de la estrategia está íntimamente ligada a su pila de tecnología (y por lo tanto la experiencia tecnológica), la relación de Sharpe y el nivel general de los costos de transacción. Todos los demás temas considerados, las estrategias de mayor frecuencia requieren más capital, son más sofisticados y más difíciles de implementar. Sin embargo, suponiendo que su motor de backtesting es sofisticado y libre de errores, a menudo tienen relaciones Sharpe mucho más altas. Volatilidad - La volatilidad está fuertemente relacionada con el riesgo de la estrategia. La proporción de Sharpe lo caracteriza. Una mayor volatilidad de las clases de activos subyacentes, si no está cubierto, a menudo conduce a una mayor volatilidad en la curva de patrimonio y, por tanto, menores ratios de Sharpe. Por supuesto estoy asumiendo que la volatilidad positiva es aproximadamente igual a la volatilidad negativa. Algunas estrategias pueden tener una mayor volatilidad a la baja. Tienes que ser consciente de estos atributos. Ganancia / Pérdida, Ganancia / Pérdida Promedio - Las estrategias diferirán en sus características de ganancia / pérdida y ganancia / pérdida promedio. Uno puede tener una estrategia muy rentable, incluso si el número de operaciones perdedoras superan el número de operaciones ganadoras. Estrategias Momentum tienden a tener este patrón, ya que dependen de un pequeño número de grandes éxitos con el fin de ser rentable. Las estrategias de reversión media tienden a tener perfiles opuestos donde más de los oficios son ganadores, pero los oficios perdedores pueden ser bastante severos. Drawdown Máximo - La reducción máxima es la mayor caída de porcentaje global en la curva de equidad de la estrategia. Estrategias de impulso son bien conocidos por sufrir de períodos de retiros extendidos (debido a una serie de muchos incremental perder operaciones). Muchos comerciantes se rinden en períodos de retiro extendido, incluso si las pruebas históricas han sugerido que este es el negocio habitual para la estrategia. Usted tendrá que determinar qué porcentaje de reducción (y sobre qué período de tiempo) puede aceptar antes de dejar de negociar su estrategia. Esta es una decisión altamente personal y por lo tanto debe ser considerado cuidadosamente. Capacidad / Liquidez - A nivel minorista, a menos que esté negociando con un instrumento altamente ilíquido (como una acción de pequeña capitalización), no tendrá que preocuparse mucho por la capacidad de la estrategia. La capacidad determina la escalabilidad de la estrategia para aumentar el capital. Muchos de los hedge funds más grandes sufren problemas de capacidad importantes a medida que sus estrategias aumentan en la asignación de capital. Parámetros - Ciertas estrategias (especialmente las encontradas en la comunidad de aprendizaje de máquina) requieren una gran cantidad de parámetros. Cada parámetro extra que requiere una estrategia lo hace más vulnerable al sesgo de optimización (también conocido como ajuste de curvas). Usted debe tratar de orientar las estrategias con el menor número de parámetros posible o asegúrese de que tiene suficientes cantidades de datos con los que probar sus estrategias. Benchmark - Casi todas las estrategias (a menos que se caractericen como rendimiento absoluto) se miden en función de un cierto rendimiento de referencia. El índice de referencia suele ser un índice que caracteriza una gran muestra de la clase de activos subyacente en la que la estrategia se negocia. Si la estrategia negocia acciones de gran capitalización en Estados Unidos, entonces el SP500 sería un punto de referencia natural para medir su estrategia. Usted oirá los términos alfa y beta, aplicados a estrategias de este tipo. Discutiremos estos coeficientes en profundidad en artículos posteriores. Observe que no hemos discutido los retornos reales de la estrategia. ¿Por qué esto es aislamiento, los resultados realmente nos proporcionan información limitada en cuanto a la eficacia de la estrategia. No le dan una idea de apalancamiento, volatilidad, puntos de referencia o requisitos de capital. Por lo tanto, las estrategias rara vez se juzgan en sus retornos solo. Siempre considere los atributos de riesgo de una estrategia antes de considerar los rendimientos. En esta etapa muchas de las estrategias encontradas de su pipeline serán rechazadas de inmediato, ya que no cumplirán sus requisitos de capital, limitaciones de apalancamiento, tolerancia máxima de reducción o preferencias de volatilidad. Las estrategias que aún quedan pueden ser consideradas para el backtesting. Sin embargo, antes de que esto sea posible, es necesario considerar un criterio de rechazo final - el de los datos históricos disponibles sobre los cuales probar estas estrategias. Obtención de datos históricos Hoy en día, la amplitud de los requisitos técnicos en las clases de activos para el almacenamiento de datos históricos es sustancial. Con el fin de seguir siendo competitivos, tanto los buy-side (fondos) como los sell-side (bancos de inversión) invierten fuertemente en su infraestructura técnica. Es imprescindible considerar su importancia. En particular, nos interesa la puntualidad, precisión y requisitos de almacenamiento. Ahora describiré los fundamentos de la obtención de datos históricos y cómo almacenarlos. Desafortunadamente esto es un tema muy profundo y técnico, así que no seré capaz de decir todo en este artículo. Sin embargo, voy a estar escribiendo mucho más sobre esto en el futuro ya que mi experiencia previa en el sector de la industria financiera se centró principalmente en la adquisición de datos financieros, almacenamiento y acceso. En la sección anterior habíamos establecido un pipeline estratégico que nos permitió rechazar ciertas estrategias basadas en nuestros propios criterios de rechazo personal. En esta sección filtraremos más estrategias basadas en nuestras propias preferencias para obtener datos históricos. Las principales consideraciones (sobre todo a nivel de minoristas) son los costos de los datos, los requisitos de almacenamiento y su nivel de experiencia técnica. También debemos discutir los diferentes tipos de datos disponibles y las diferentes consideraciones que cada tipo de datos nos impondrá. Datos fundamentales - Esto incluye datos sobre tendencias macroeconómicas, tales como tasas de interés, cifras de inflación, acciones corporativas (dividendos, partidas de acciones), presentaciones de la SEC , Cuentas corporativas, cifras de ganancias, informes de cosechas, datos meteorológicos, etc. Estos datos se usan a menudo para valorar las empresas u otros activos de manera fundamental, es decir, a través de algunos flujos de efectivo futuros esperados. No incluye series de precios de acciones. Algunos datos fundamentales están disponibles gratuitamente en los sitios web del gobierno. Otros datos fundamentales históricos a largo plazo pueden ser extremadamente costosos. Los requisitos de almacenamiento a menudo no son particularmente grandes, a menos que miles de compañías estén siendo estudiadas a la vez. Datos de las noticias - los datos de las noticias son a menudo de naturaleza cualitativa. Se compone de artículos, blogs, mensajes de microblog (tweets) y editorial. Las técnicas de aprendizaje automático, como los clasificadores, suelen utilizarse para interpretar el sentimiento. Estos datos también son a menudo libremente disponibles o baratos, a través de la suscripción a los medios de comunicación. Las nuevas bases de datos de almacenamiento de documentos NoSQL están diseñadas para almacenar este tipo de datos no estructurados y cualitativos. Datos de Precios de Activos - Este es el dominio de datos tradicional del quant. Consiste en series temporales de precios de activos. Las acciones (acciones), los productos de renta fija (bonos), los commodities y los precios de divisas forman parte de esta clase. Los datos históricos diarios son a menudo sencillos de obtener para las clases de activos más simples, como las acciones. Sin embargo, una vez que la precisión y la limpieza están incluidas y los sesgos estadísticos eliminados, los datos pueden llegar a ser costosos. Además, los datos de series de tiempo suelen poseer importantes requisitos de almacenamiento, especialmente cuando se consideran los datos intradía. Instrumentos Financieros - Las acciones, los bonos, los futuros y las opciones derivadas más exóticas tienen características y parámetros muy diferentes. Por lo tanto, no hay un tamaño único que se adapte a toda la estructura de base de datos que pueda acomodarlos. Debe darse un cuidado importante al diseño y la implementación de estructuras de bases de datos para diversos instrumentos financieros. Discutiremos extensamente la situación cuando lleguemos a construir una base de datos maestros de valores en futuros artículos. Frecuencia - Cuanto mayor sea la frecuencia de los datos, mayores serán los costes y los requisitos de almacenamiento. Para las estrategias de baja frecuencia, los datos diarios suelen ser suficientes. Para las estrategias de alta frecuencia, puede ser necesario obtener datos de nivel de ticks e incluso copias históricas de los datos de los libros de órdenes de intercambio comerciales. La implementación de un motor de almacenamiento para este tipo de datos es muy tecnológicamente intensivo y sólo es adecuado para aquellos con una fuerte programación / antecedentes técnicos. Puntos de Referencia - Las estrategias descritas anteriormente a menudo se compararán con un punto de referencia. Esto generalmente se manifiesta como una serie financiera adicional. En el caso de las acciones, esto suele ser un indicador de referencia nacional, como el índice SP500 (EE.UU.) o FTSE100 (Reino Unido). 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
Escribir robot forex
Moving_average_ppt