Quants de negociação de opções

Passos para se tornar um comerciante Quant.

Muitas pessoas de origens matemáticas ou estatísticas aspiram ser comerciantes quantificados. Mas na era atual, a descrição do trabalho para um quantum se expandiu significativamente, devido ao advento da negociação de alta frequência, algorítmica e automatizada. Os empregos nessas áreas são bastante exigentes e exigem mais do que apenas habilidades pendentes na análise de dados. Eles também exigem um entendimento mais amplo, construção e execução de sistemas de negociação automatizados.

Este artigo aborda detalhes sobre como alguém com experiência em matemática ou estatística pode se tornar um profissional de quantificação, qual qualificação ou treinamento especializado adicional pode ajudar a se tornar um quant, qual experiência de trabalho se encaixa bem para complementar a qualificação educacional para um trabalho quant tópicos relacionados. (Investopedia explica: o que os comerciantes quantitativos fazem e como evoluíram)

O perfil para um profissional de quantificação requer análise de dados, mineração de dados e habilidades de pesquisa, que são realmente o mínimo. É preciso também ser proficiente em várias outras áreas:

· Uso do computador, específico para os requisitos de negociação: os matemáticos e estatísticos de hoje são bem versados ​​em software e aplicativos de análise de dados. No entanto, sua aplicabilidade ao comércio quantitativo pode ser limitada. Por exemplo, as planilhas são amplamente utilizadas na análise de dados, mas a realização de análises específicas de comércio e pesquisa em um aplicativo Quant dedicado como o MATLAB pode exigir treinamento adicional e experiência prática.

Usando alguns aplicativos de negociação (o teste gratuito ou versão completa) lhe dará experiência prática. Faculdades e universidades geralmente fornecem acesso a esses aplicativos dedicados.

· Familiaridade na linguagem de programação: O software de negociação plug and play de nível avançado está disponível em grande número, o que garante o cumprimento de todos os aspectos da negociação quantitativa. Poucos são realmente bons, mas a maioria deles não se encaixa nos requisitos dinâmicos e práticos atuais de uma negociação de quant. Comerciantes quantificados bem-sucedidos exigem a capacidade de conceituar e construir sistemas de negociação por conta própria, o que só pode ser realizado por meio de programação de computadores. Perl, Python, Java e C ++ são linguagens de programação comumente usadas para construir tais sistemas de negociação, e a familiaridade com pelo menos um deles é obrigatória.

A programação pode não fazer parte de nenhum curso padrão de matemática ou estatística, mas esses tutoriais de idiomas estão disponíveis gratuitamente on-line por meio de tutoriais interativos. Cursos de curta duração com base em sala de aula dedicados também estão disponíveis.

· Familiaridade de dados de mercado: Quant trading exige familiaridade com dados de mercado, que podem ir além da cobertura padrão de matemática e estatística, ou mesmo além dos preços padrão de abertura, alta, baixa e fechamento. Um quant também precisa ter conhecimento dos dados gerais de mercado relativos a várias ações corporativas (e seu impacto na negociação), e produtos especializados além de ações e títulos (como warrants, derivativos, produtos OTC, etc.)

Conhecimento de dados de mercado é fácil de adquirir através de vários auxílios on-line. Estudos de caso para os impactos de várias ações corporativas, notícias e tópicos associados estão facilmente disponíveis, o que é fácil para aspirantes a quem de matemática e estatística de fundo para construir. Há cursos e certificações remunerados dedicados administrados por vários institutos autorizados (incluindo bolsas de valores), que podem ser aproveitados pelos candidatos como um valor real agregado aos seus currículos.

· Compreensão das estratégias comuns de negociação: Embora seja exigido que os quantos descubram e elaborem suas próprias estratégias de negociação, é necessário ter uma compreensão das estratégias de negociação comumente usadas. Ele fornece a base necessária e os blocos de construção para dar uma vantagem inicial a indivíduos qualificados.

· Familiaridade com os conceitos de gestão de risco: Critérios específicos são usados ​​para gerenciar riscos em qualquer sistema de negociação que inclua análise de cenário, mecanismos de stop-loss, limites de capital de negociação, etc. Deve-se estar equipado com esses conceitos como gerenciamento de risco. qualquer negociação quantitativa.

O gerenciamento de risco é um grande tópico em si, e cursos e módulos dedicados estão disponíveis para ele. Para os requisitos do quant quant trader, a familiaridade com os conceitos básicos e como isso pode afetar seus próprios sistemas será suficiente.

· Seleção de cursos eletivos específicos de negociação: A maioria dos cursos de matemática ou estatística oferece uma opção de disciplinas eletivas. Candidatos aspirantes interessados ​​em tornar-se quantos devem procurar se beneficiar selecionando módulos específicos de negociação / mercado, conforme disponíveis.

· A mentalidade de um comerciante de quantificação: Muitos aspiram, mas nem todo aspirante se encaixa na mentalidade exigida dos negociantes de quantia. Durante entrevistas de emprego em grandes empresas comerciais, os candidatos são cuidadosamente avaliados por terem o temperamento do profissional. Habilidades de tomada de risco, aceitabilidade a falhas, capacidade de trabalhar sob estresse, longas horas de trabalho, etc., são algumas das características em que os candidatos são avaliados durante as entrevistas de emprego do quant quant trader.

O melhor é fazer uma auto-avaliação - eu realmente me encaixo nos requisitos de trabalho de alto risco, ou simplesmente não é meu tipo. Ninguém além de você possui uma avaliação honesta da adequação a esse lucrativo e altamente remunerado emprego. Administrar o seu próprio negócio comercial é outra opção, mas o sucesso e o fracasso terão que ser suportados por você.

· Construindo um projeto de negociação de quantia protótipo / demonstrável: Se as lacunas acima puderem ser preenchidas, tente construir um protótipo como um projeto demonstrável de negociação de quant com base em seus próprios conceitos. Isso dará bons pontos de conversa apoiados por qualificações educacionais de matemática ou estatística, permitindo que você justifique sua candidatura para o trabalho de negociação quant.

Com automação assistida por computador, existem oportunidades ilimitadas no mundo do comércio. Por um lado, mantém o campo aberto para que mais e mais conceitos e ideias sejam introduzidos; por outro lado, força uma dependência estagnada das negociações de computador para computador, onde o papel do profissional de quantificação se limita a construir aplicativos inteligentes com alto risco de perdas. Uma autoavaliação completa, baseada nos pontos acima, ajudará a decidir como passar da qualificação de matemático / estatístico para o quant trading.

Negociação Quantitativa.

O que é 'negociação quantitativa'

A negociação quantitativa consiste em estratégias de negociação baseadas em análises quantitativas, que dependem de cálculos matemáticos e processamento de números para identificar oportunidades de negociação. Como a negociação quantitativa é geralmente usada por instituições financeiras e fundos de hedge, as transações geralmente são grandes em tamanho e podem envolver a compra e venda de centenas de milhares de ações e outros títulos. No entanto, o comércio quantitativo está se tornando mais comumente usado por investidores individuais.

QUEBRANDO "Negociação Quantitativa"

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

Compreender Negociação Quantitativa.

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

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

A forma como os modelos de negociação quantitativa funcionam pode ser melhor descrita usando uma analogia. Considere um boletim meteorológico em que o meteorologista prevê 90% de chance de chuva enquanto o sol estiver brilhando. O meteorologista deriva essa conclusão contra-intuitiva ao coletar e analisar dados climáticos de sensores em toda a área. Uma análise quantitativa computadorizada revela padrões específicos nos dados. Quando esses padrões são comparados com os mesmos padrões revelados em dados históricos do clima (backtesting), e 90 de 100 vezes o resultado é chuva, então o meteorologista pode tirar a conclusão com confiança, daí a previsão de 90%. Os comerciantes quantitativos aplicam este mesmo processo ao mercado financeiro para tomar decisões comerciais.

Vantagens e desvantagens da negociação quantitativa.

O objetivo da negociação é calcular a probabilidade ótima de executar uma negociação lucrativa. Um trader típico pode efetivamente monitorar, analisar e tomar decisões de negociação sobre um número limitado de títulos antes que a quantidade de dados recebidos sobrecarregue o processo de tomada de decisão. O uso de técnicas quantitativas de negociação ilumina esse limite usando computadores para automatizar as decisões de monitoramento, análise e negociação.

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

A negociação quantitativa tem seus problemas. Os mercados financeiros são algumas das entidades mais dinâmicas que existem. Portanto, os modelos de negociação quantitativos devem ser tão dinâmicos para serem consistentemente bem-sucedidos. Muitos comerciantes quantitativos desenvolvem modelos que são temporariamente lucrativos para as condições de mercado para as quais foram desenvolvidos, mas acabam fracassando quando as condições do mercado mudam.

QuantsBin.

Guia introdutório para finanças quantitativas.

Estratégia de Negociação de Opções: Escalabilidade Gama.

Gamma Scalping é uma estratégia de negociação de opções que obteve a sua quota de reconhecimento em 1980, juntamente com o aumento da popularidade das opções como instrumentos financeiros em si. Foi introduzido pela Option Market Makers como uma estratégia de cobertura para as suas posições abertas.

Antes de entrar em detalhes desta estratégia, é importante entender os praticantes de mercado & # 8217; visão disso. O Gamma Scalping não é usado como uma estratégia de geração de lucro alto, mas é usado como estratégia de cobertura de risco, ou seja, usada para reduzir perdas ou produzir ganhos mínimos.

Posição: Posição Longa no Straddle (Long ATM Call e Put) no início. Com cada movimento no preço subjacente, é tomada uma posição adicional sobre o subjacente para manter a carteira delta coberta.

Estratégia: Estratégia não direcional com uma visão de longo prazo sobre a volatilidade percebida & # 8221 ;. Tentamos obter oscilações de preço subjacentes (aumentar e diminuir repetidamente com magnitude e frequência significativas), redirecionando a posição longa da opção Delta após cada movimentação de preço, gerando o Gamma PnL.

Risco: perda de teta: Estamos demorando muito na posição de Straddle, ou seja, comprando duas opções de ATM, portanto, se o preço subjacente não mudar significativamente, podemos perder o valor de tempo da opção (perda teta), ou seja, prêmio de opções.

Vamos começar com um cenário em que temos uma visão de longo prazo sobre a volatilidade. Para tomar a posição nesta visão, tomaremos a posição Long Stratdle ATM. Mas há um risco para essa posição, mesmo que nossa visão se mostre verdadeira. O pagamento do Straddle depende do preço subjacente no vencimento. Assim, mesmo que a ação tenha sido altamente volátil durante o período, mas no vencimento final próximo à posição do caixa eletrônico, nós não poderemos lucrar com a volatilidade simplesmente segurando Straddle. Além disso, perderemos dinheiro devido à perda de Theta, o que será significativo, já que temos opções de caixa eletrônico.

Posição de Straddle PnL.

Acima de dois pontos estão bem ilustrados no figo: posição de Straddle PnL.

Para resolver este problema, precisamos visar a realização do lucro com cada movimento no preço subjacente. Isso é feito pelo delta de re-cobertura para a posição de Straddle com cada movimento significativo no subjacente. O delta de re-cobertura removerá nosso risco direcional, mas ainda gerará PnL positivo devido à longa posição de Gamma conforme ilustrado em detalhes abaixo.

Delta protegida contra escaras PnL.

Vamos supor que nossas movimentações de preço subjacentes de ATMs $ 50 para $ 52 no Dia 1. Com movimento subjacente Delta para mudanças de posição de Straddle de aprox. 0 a 0,25. Assim, para a Delta retransmitir nossa posição, precisamos reduzir 1 subjacente para cada 4 posições de opção. Se no dia 2 as ações retornarem a $ 50, o Delta of Straddle ficará com aprox. 0 e, portanto, para manter a nossa posição Delta neutra, precisamos fechar o dia 1 posição subjacente, tomando a posição longa no subjacente. Assim, com cada oscilação no preço subjacente, vendemos ações em alta e compramos em baixa, portanto, reservando um lucro. Semelhante acontece por oscilação na direção negativa. Isso ocorre porque o valor da Opção é convexo na natureza e mesmo após o risco direcional de hedge delta, ainda geramos + ve PnL para movimentação no subjacente, o que é ilustrado na figura acima.

Para obter uma melhor compreensão de como a re-cobertura Delta impacta nossa PnL, vamos ver abaixo a estimulação hipotética. Começamos com Long Straddle ATM com vencimento de 30 dias. Os preços das opções são calculados usando o modelo Black-Scholes e assumimos que não há custo de transação e o re-hedge Delta é feito a cada preço de fechamento do dia.

Estimulação Hipotética por 10 dias.

Isto de cima de estimulação pode ser visto que apenas mantendo a posição de Straddle onde teríamos reservado uma perda de -1,14 $ devido a Theta, nós tínhamos feito o lucro de 0,52 $ usando Gamma Scalping.

Determinando o movimento do Preço Ótimo para executar o refixamento do Delta: Se o movimento do preço decidido for muito grande, poderemos não perceber esse movimento de preço o número de vezes suficiente para gerar + ve PnL maior que a perda do Theta. Mas no caso de o movimento de preços ser decidido ser muito pequeno, nosso custo de transação pode consumir todo o PnL gerado.

Seleção subjacente (Papel da Volatilidade Implícita): Ao selecionar as posições de opção subjacentes para Escala de Gama, um fator importante que precisamos considerar além do preço subjacente mostrando um bom comportamento de oscilação é que a volatilidade implícita do subjacente não deve ser muito alta acima da sua média . Porque sob esse cenário, se houver uma queda no IV, perderemos dinheiro em nossa posição de opção longa. Então, precisamos escolher o subjacente com bom comportamento de oscilação e IV fechado para sua média.

*** Deixe seus comentários para qualquer dúvida ou sugestão ***

Compartilhar isso:

Relacionado

Pós-navegação.

2 pensamentos sobre & ldquo; Estratégia de Negociação de Opções: Escalabilidade Gama & rdquo;

Oi jasmeet, boa explicação do escalpelamento gama.

Minha pergunta, existe alguma equação para dizer quantos movimentos de preço predefinidos exigem para cobrir x quantidade de teta i: e se meu custo teta é rs40000 por dia quantos movimentos up / dow de 25 pontos exigirão para cobrir meu custo teta.

Obrigado por escrever. Pode ser aproximado como teta = 0,5 x Gama x (alteração no preço das ações) ^ 2.

Quant trading: Como os matemáticos governam os mercados.

Compartilhe isso com o Facebook.

Compartilhe isso com o Twitter.

Compartilhe isso com o Messenger.

Compartilhe isso com o Messenger.

Compartilhe isso com o e-mail.

Compartilhe isso com.

Estes são links externos e serão abertos em uma nova janela.

Compartilhe isso com o e-mail.

Compartilhe isso com o Facebook.

Compartilhe isso com o Messenger.

Compartilhe isso com o Messenger.

Compartilhe isso com o Twitter.

Compartilhe isso com o Pinterest.

Compartilhe isso com o WhatsApp.

Compartilhe isso com o LinkedIn.

Estes são links externos e serão abertos em uma nova janela.

Feche o painel de compartilhamento.

Os pregões eram uma vez a reserva de negociantes movidos a adrenalina que executavam agressivamente ordens de corretores que dependiam de pesquisa, experiência e instinto para decidir onde investir melhor.

Há muito tempo os computadores tornavam os distribuidores redundantes, mas os corretores e seus semelhantes continuaram sendo os mestres do universo dos investimentos, livres para comprar e vender onde quer que achassem melhor.

Mas o último bastião da velha ordem está agora sob ameaça.

As decisões de investimento não são mais feitas pelos financistas, mas cada vez mais pelos matemáticos PhD e pelos programas de computador imensamente complexos que eles criam.

A pesquisa e a intuição fundamentais estão sendo usurpadas por fórmulas algorítmicas. Quant trading está dominando as capitais financeiras do mundo.

Novo paradigma

Os matemáticos têm desempenhado um papel vital no gerenciamento de risco nas instituições financeiras, mas seu conjunto de habilidades é cada vez mais usado para ganhar dinheiro, não apenas para parar de perdê-lo.

As empresas agora estão empregando estatísticos acadêmicos talentosos para rastrear padrões ou tendências no comportamento comercial e criar fórmulas para prever os movimentos futuros do mercado. Essas fórmulas são então alimentadas em computadores poderosos que compram e vendem automaticamente de acordo com os gatilhos gerados pelos algoritmos.

Esses chamados programas de negociação quantitativa sustentam todos os negócios de quickfire - conhecidos como negociação de alta frequência (HFT) - nos quais os estoques podem ser mantidos por apenas alguns segundos.

Eles também são usados ​​em negociações mais tradicionais, onde o período de retenção pode ser de dias, semanas ou meses.

Alguns são totalmente automatizados, mas a maioria requer supervisão humana para garantir que nada seja muito errado.

Scott Patterson, um repórter do Wall Street Journal e autor de The Quants, usa a analogia de um avião no piloto automático, que pode voar sozinho, mas onde um piloto especialmente treinado pode intervir a qualquer momento.

Flash Crash.

Em 6 de maio de 2010, o Dow Jones subiu 700 pontos e se recuperou em poucos minutos. O culpado? Uma cascata de vendas por programas de negociação de quantia.

Se as perdas não tivessem sido recuperadas quando os programas fossem cancelados, a Dow teria sofrido uma de suas maiores quedas de um dia na história.

Esses programas são imensamente poderosos, monitorando constantemente os movimentos do mercado, os padrões de negociação e os fluxos de notícias e são capazes de mudar as estratégias em frações de segundo.

Os mais poderosos até possuem inteligência artificial que pode adaptar estratégias por conta própria.

Ninguém pode ter certeza do quão bem-sucedidos são esses programas quânticos, mas, como disse o Sr. Patterson, "eles já existem há tempo suficiente para supor que são extremamente lucrativos".

Sua proliferação certamente sugeriria isso. Um comentarista diz que duas das maiores firmas de HFT, a Tradebot e a Getco, sozinhas respondem por cerca de 15% -20% de todas as negociações de ações nos EUA.

Como são empresas privadas, é difícil saber com precisão até que ponto sua influência se estende.

De fato, um recente estudo apoiado pelo governo no Reino Unido estimou que entre um terço e metade de todo o comércio de ações na Europa, e mais de dois terços nos EUA, era HFT.

"A grande maioria das empresas usa o comércio quantitativo", diz Patterson.

"Isso leva quase tudo o que acontece em Wall Street."

Reação em cadeia.

O impacto e as ramificações da negociação de quant são generalizados, mas em última análise não são claros.

O estudo britânico, encomendado pelo programa prospectivo, concluiu que a quant trading ajudou a reduzir os custos de negociação e a melhorar a liquidez, e não prejudicou a eficiência geral do mercado.

Na verdade, descobriu-se que a negociação de HFT e quant tem "melhorado a qualidade do mercado".

No entanto, destacou uma importante preocupação, conhecida no comércio como feedback de auto-reforço.

Essencialmente, isso significa um pequeno gatilho que leva a uma série de eventos semelhantes, cada um amplificando o último, até que o impacto geral seja significativo.

Imagine que uma ação seja de valor, provocando uma venda em um programa de quant, empurrando o preço da ação ainda mais baixo. Isso, por sua vez, aciona uma venda em outro programa, pressionando ainda mais o preço, e assim por diante.

O problema é exacerbado pelo fato de que muitos programas executam as mesmas fórmulas, e assim estão entrando e saindo dos mesmos estoques.

Em nenhum lugar isso é mais bem demonstrado do que o chamado Flash Crash de maio do ano passado, quando o mercado acionário americano despencou 700 pontos em menos de cinco minutos, varrendo cerca de US $ 800 bilhões.

Quando os interruptores do piloto automático foram desligados e os sistemas ignorados, a ordem foi restaurada e o mercado retornou em meia hora.

Um infeliz, alguns dizem. Outros apontam para consequências muito mais danosas, citando quant trading como um contribuinte chave para o massivo sell-off em ações em 2008 que viu o mercado dos EUA cair quase pela metade em valor.

Os fundos de hedge, dizem eles, venderam rapidamente ações para equilibrar pesadas perdas em seus investimentos em hipotecas, após o colapso do mercado imobiliário dos EUA, desencadeando um efeito dominó em sistemas de negociação quântica com conseqüências devastadoras.

O estudo prospectivo não encontrou evidências diretas de que a negociação automatizada aumentou a volatilidade nos mercados de ações, mas muitos discordam, entre eles, Patterson.

O historiador do mercado de ações David Schwartz é outro que não tem dúvidas de que a HFT tem mercados instáveis.

"Acredito que [certos tipos de HFT] causam muito dano", diz ele.

"Eu vi muitos casos durante o recente sell-off, onde um surto repentino de comércios freqüentes enviou os preços das ações quicando."

O problema está provando isso. Ninguém sabe exatamente quem está fazendo as transações, enquanto as bolsas não têm incentivo para descobrir como estão ganhando muito dinheiro com elas, diz Schwartz.

'Consequências não-intencionais'

Outros argumentam que o problema é mais fundamental. Os matemáticos, dizem eles, não entendem os mercados. Eles lidam com absolutos, não com o comportamento humano irracional que conduz a tantas decisões de investimento.

Como um atuário principal diz: "Os preços são determinados pela oferta e demanda, não pela matemática".

Poderia ser, então, que os estatísticos acadêmicos são congenitamente inadequados para o trabalho que estão sendo pagos para fazer?

Paul Wilmott, um proeminente professor de finanças quantitativas, questionou se eles são "capazes de pensar além de matemática e fórmulas".

"Eles apreciam o lado humano das finanças, o comportamento de pastoreio das pessoas, as conseqüências não intencionais?"

E se os matemáticos não o fizerem, há pouca chance de os programas de computador que eles criarem existirem.

Tal como o relatório prospectivo conclui: "Os futuros robôs comerciais serão capazes de se adaptar e aprender com pouco contributo humano. Muito menos comerciantes humanos serão necessários nos principais mercados financeiros do futuro".

Nenhuma coisa ruim, alguns podem dizer, particularmente em casos recentes de insider trading e fraude, mas Patterson não tem dúvidas de que a proliferação da quant trading é "inevitável e perigosa".

Por mais absurdo que possa parecer, dado o desdém generalizado em que os comerciantes estão atualmente detidos, mas se os matemáticos e seus programas de algoritmos se mostrarem um substituto pobre, poderíamos nos ver clamando por seu retorno.

Compartilhe esta história Sobre o compartilhamento.

Mais sobre esta história.

Links da Internet relacionados.

A BBC não é responsável pelo conteúdo de sites externos da Internet.

Melhores histórias.

As autoridades foram alertadas depois que Nikolas Cruz disse que planejava ser "um atirador de escola profissional".

Gekko Quant - Negociação Quantitativa.

Negociação Quantitativa, Arbitragem Estatística, Aprendizado de Máquina e Opções Binárias.

Pós-navegação.

Investigação sobre o poder dos testes de cointegração / reversão à média.

O termo arbitragem estatística (stat-arb) engloba uma ampla variedade de estratégias de investimento que normalmente visam explorar uma relação de equilíbrio entre dois ou mais valores mobiliários. O princípio geral é que qualquer divergência do equilíbrio é um efeito temporário e que as apostas devem ser colocadas no processo, revertendo para o seu equilíbrio.

A principal ressalva das estratégias do tipo stat-arb / pairs trading é que à medida que a divergência do equilíbrio cresce, o comércio se torna mais desejável, porém em algum ponto a divergência crescerá tanto que é preciso admitir que a relação de equilíbrio não existe mais modelo está quebrado. Naturalmente, é desejável estimar o poder das ferramentas estatísticas usadas para determinar essas relações e avaliar a duração de qualquer equilíbrio observado fora da amostra.

Este post investigará o poder dos testes estatísticos em relação à negociação em pares para os seguintes testes estatísticos: ADF, BVR, HURST, PP, PGFF,

O princípio geral é que, para duas ações, elas formam um par estacionário e, por definição, um par de reversão, se a seguinte equação for válida:

Se é entre e então e são co-integrados,

é o coeficiente de reversão à média. Um teste estatístico deve ser realizado para verificar se, isto é conhecido como teste de raiz unitária. Se a série contiver uma raiz unitária, ela não é adequada para a troca de pares. Existem vários testes de raiz unitária, cada um executando um teste diferente no processo residual. Pode-se ficar tentado a estimar o modelo residual AR (1) e verificar a utilização do método de regressão linear convencional, calculando a relação t padrão. No entanto, foi mostrado por Dicky e Fuller [1979] que a razão t não segue a distribuição t, portanto, testes de significância não padronizados são necessários, conhecidos como testes de raiz unitária.

Como em todos os modelos, há um trade off ao determinar o tamanho da janela de treinamento, uma janela muito longa e o modelo pode conter dados irrelevantes e ser lento para se ajustar a eventos recentes, uma janela muito curta e o modelo responde apenas a eventos recentes e esquece eventos passados ​​rapidamente. Este trade off é problemático em testes de cointegração, foi demonstrado em Clegg, M., janeiro de 2014. Sobre a persistência da cointegração em pares, negociando que, para um tamanho de janela fixo, o poder da maioria dos testes de raiz unitária diminui como.

tende a 1 de baixo, para 250 pontos de dados com.

a enxurrada de testes de co-integração só detecta a co-integração em menos de 25% do tempo!

Intuitivamente isso faz sentido, quanto mais lento o processo for para reverter, mais pontos de dados serão necessários para ver a reversão. É um pouco indesejável que o poder dos testes de raiz unitária variem dependendo das propriedades do processo subjacente, no entanto, não é necessário para os pares bem sucedidos que todos os pares cointegrados são identificados, como a variável propriedade de energia dos testes de raiz unitária. em grande parte irrelevante.

O que é mais interessante é a taxa de falsos positivos, de modo que os pares são identificados como reversão da média quando não são, e quão persistentes são os resultados.

Gerar 1000 séries temporais co-integradas com e uniformemente distribuídas no conjunto, e no conjunto de acordo com Clegg isso é semelhante aos tipos de pares de ações encontrados na realidade. Repita isso para diferentes comprimentos de série temporal e teste para ver quantas séries temporais são classificadas corretamente como reversão co-integrada / média usando vários testes para diferentes pValues.

Na maioria dos testes, o PP e o PGFF superam os outros métodos. Quando o processo foi fortemente revertido com menos de 0,85, os testes PP, PGFF, JO-E e JO-T identificaram corretamente o processo como co-integrado / média, revertendo mais de 75% do tempo em pValue 0,01. Para alguns dos pares de reversão mais fracos com mais de 0,95, o desempenho dos testes estatísticos é lamentável, com apenas 250 pontos de dados.

Vale a pena ter em mente que 250 pontos de dados é aproximadamente o número de dias de negociação em um ano e talvez dá uma indicação de quantos dados históricos são necessários em uma estratégia de negociação de pares.

Siga o mesmo procedimento descrito para o teste de precisão, mas escolha no conjunto para gerar séries temporais que não sejam co-integradas. Veja qual porcentagem dos caminhos é falsamente reportada como co-integrada / reversão à média.

Eu nunca vi esse gráfico em um livro de texto e fiquei surpreso com os resultados, tanto HURST quanto BVR relataram mais falsos positivos como aumentos! Quanto mais o processo explode, mais provável é que o teste mostre um falso positivo!

Felizmente os outros testes se comportam de maneira razoável com poucos falsos positivos.

Evolução de redes neurais através do aumento de topologias - Parte 4 de 4 & # 8211; Estratégia de Negociação.

Este post explora a aplicação de NEAT para negociar o S & amp; P. A estratégia aprendida outorga de forma significativa a compra e a retenção tanto dentro quanto fora da amostra.

Uma parte essencial de qualquer problema de aprendizado de máquina é definir os recursos e garantir que eles sejam normalizados de alguma forma.

Os recursos serão os percentis de rolagem dos seguintes dados econômicos, um percentil rolante pega os últimos n pontos de dados e calcula em qual% de dados apontam que o ponto de dados mais recente é maior que.

A função de adequação é a equidade final e visa maximizar o patrimônio final.

Qualquer genoma que tenha um desconto de 20%, ou tenta usar uma alavancagem maior que +/- 2, é encerrado. Na prática, você não quer que sua máquina do sistema aprenda os controles de risco, pois há potencial para que eles não sejam aprendidos. A razão pela qual eles estão inseridos na estratégia é acelerar o processo de aprendizagem, já que podemos matar os genomas antes que a simulação seja concluída, com base na quebra das regras de risco.

Plot de todos os dados / recursos.

Parece que quando os não-agricultores caem para os seus percentis mais baixos / o desemprego atinge os percentis mais altos, os retornos do dia a dia no S & P se tornam mais voláteis. Espera-se que o aprendizado possa tirar proveito disso.

O aprendizado identificou uma estratégia que simplesmente executa compra e manutenção. A estratégia proposta tem um rebaixamento máximo em torno de 20% contra o buy and hold com um drawdown de 40%. Além disso, a estratégia encurtou o índice entre 2000-2003, uma vez que estava se vendendo antes de ser comprada em 2007. Gerando um retorno de 80% contra comprar e segurar de 7%!

Nos dados fora da amostra (não utilizados durante o treinamento), a estratégia executou significativamente a compra e manutenção, aproximadamente 250% de retorno contra 50% com um rebaixamento máximo próximo a 20% contra compra e espera de 50%.

RNeat & # 8211; Rede Neural de Raiz Quadrada treinada usando Topologias de Ampliação & # 8211; Exemplo Simples

Um tutorial simples que demonstra como treinar uma rede neural para números de raiz quadrada usando um algoritmo genético que busca através do espaço da estrutura topológica. O algoritmo é chamado NEAT (Neuro Evolution of Augmenting Topologies) disponível no pacote RNeat (ainda não no CRAN).

O treinamento é muito semelhante a outros pacotes de aprendizado de máquina / regressão em R. A função de treinamento usa um quadro de dados e uma fórmula. A fórmula é usada para especificar quais colunas no quadro de dados são as variáveis ​​dependentes e quais são as variáveis ​​explicativas. O código é comentado e deve ser simples o suficiente para novos usuários de R.

O desempenho da rede pode ser visto no gráfico inferior esquerdo da imagem acima, há diferenças consideráveis ​​entre a saída esperada e a saída real. É provável que com mais treinamento a magnitude desses erros seja reduzida, pode ser visto no gráfico inferior direito que a aptidão máxima, média e mediana geralmente estão aumentando a cada geração.

Desenvolvendo redes neurais através do aumento de topologias - Parte 3 de 4.

Esta parte do tutorial do NEAT mostrará como usar o pacote RNeat (ainda não no CRAN) para resolver o problema clássico de equilíbrio de pólos.

A simulação requer a implementação de 5 funções:

processInitialStateFunc & # 8211; Isto especifica o estado inicial do sistema, para o problema de equilíbrio do pólo o estado é a localização do carrinho, velocidade do carrinho, aceleração do carrinho, força sendo aplicada ao carrinho, ângulo do pólo, velocidade angular do pólo e aceleração angular do polo. processUpdateStateFunc & # 8211; Isso especifica como obter o estado atual e atualizá-lo usando as saídas da rede neural. Neste exemplo, esta função simula as equações de movimento e toma a saída da rede neural como a força que está sendo aplicada ao carrinho. processStateToNeuralInputFunc & # 8211; Permite modificar o estado / normalização do estado antes de ser passado como uma entrada para a aptidão da rede neuralUpdateFunc & # 8211; Leva o antigo fitness, o estado antigo e o novo estado atualizado e determina qual é o novo sistema de fitness. Para o problema do equilíbrio dos pólos, esta função quer recompensar o pêndulo para cima e recompensar o carrinho perto do meio da pista. terminationCheckFunc & # 8211; Obtém o estado e verifica se a rescisão deve ser finalizada. Pode optar por terminar se o mastro cair, a simulação durou muito ou o carrinho foi retirado do final da pista. plotStateFunc & # 8211; Traça o estado, para o equilíbrio do pólo isso desenha o carrinho e o pêndulo.

Desenvolvendo redes neurais através do aumento de topologias - Parte 2 de 4.

Esta parte do tutorial sobre o uso do algoritmo NEAT explica como os genomas são cruzados de forma significativa mantendo suas informações topológicas e como a especiação (genomas de grupo em espécies) pode ser usada para proteger genomas fracos com novas informações topológicas de serem erradicadas prematuramente do gene pool antes que seu espaço de peso possa ser otimizado.

A primeira parte deste tutorial pode ser encontrada aqui.

Rastreando a história dos genes através de números de inovação.

A parte 1 mostrou duas mutações, mutação de ligação e mutação de nó, que adicionaram novos genes ao genoma. Cada vez que um novo gene é criado (através de uma inovação topológica), um número global de inovação é incrementado e atribuído a esse gene.

O número global de inovação está rastreando a origem histórica de cada gene. Se dois genes tiverem o mesmo número de inovação, eles devem representar a mesma topologia (embora os pesos possam ser diferentes). Isso é explorado durante o cruzamento do gene.

O cruzamento de genomas leva dois genomas pai (vamos chamá-los de A e B) e cria um novo genoma (vamos chamá-lo de filho), pegando os genes mais fortes de A e B copiando quaisquer estruturas topológicas ao longo do caminho.

Durante os genes de cruzamento de ambos os genomas são alinhados usando seu número de inovação. Para cada número de inovação, o gene do pai mais apto é selecionado e inserido no genoma da criança. Se ambos os genomas pais tiverem a mesma aptidão, então o gene é selecionado aleatoriamente de um dos pais com igual probabilidade. Se o número de inovação está presente apenas em um dos pais, então isso é conhecido como um gene disjunto ou excessivo e representa uma inovação topológica; ele também é inserido na criança.

A imagem abaixo mostra o processo de cruzamento para dois genomas da mesma aptidão.

A especiação toma todos os genomas em um dado conjunto de genoma e tenta dividi-los em grupos distintos conhecidos como espécies. Os genomas de cada espécie terão características semelhantes.

Uma maneira de medir a similaridade entre dois genomas é necessária, se dois genomas forem "similares". eles são da mesma espécie. Uma medida natural a ser usada seria uma soma ponderada do número de disjuntos & amp; genes em excesso (representando diferenças topológicas) e a diferença de pesos entre genes correspondentes. Se a soma ponderada estiver abaixo de um certo limite, os genomas são da mesma espécie.

A vantagem de dividir os genomas em espécies é que, durante a etapa de evolução genética, os genomas com baixa aptidão são descartados (removidos inteiramente do pool do genoma) em vez de cada genoma lutar por seu lugar contra todos os outros genomas em todo o genoma. piscina de genoma nós podemos fazer isto lutar por isto é lugar contra genomas da mesma espécie. Desta forma, espécies que se formam a partir de uma nova inovação topológica que pode não ter uma alta aptidão ainda devido a não ter seus pesos otimizados sobreviverão ao abate.

Resumo do processo inteiro.

Criar um conjunto de genoma com n genomas aleatórios Pegue cada genoma e aplique-o ao problema / simulação e calcule a adequação do genoma Atribua cada genoma a uma espécie Em cada espécie abata os genomas removendo alguns dos genomas mais fracos Reproduza cada espécie (selecione genomas aleatoriamente nas espécies) para crossover ou mutate) Repita todos os itens acima.

Gekko Quant - Negociação Quantitativa.

Negociação Quantitativa, Arbitragem Estatística, Aprendizado de Máquina e Opções Binárias.

Arquivo da Categoria: Estratégia de Negociação.

Pós-navegação.

Spreads de crédito de alta probabilidade & # 8211; Usando curvas de regressão linear.

Eu me deparei com essa série de vídeos no fim de semana, um operador de opções discute como ele negocia spreads de crédito (principalmente procura por reversão à média). A maioria de vocês estará familiarizada com bandas de bollinger como uma estratégia comum de reversão à média, basicamente você pega a média móvel e o desvio padrão móvel da ação. Você então grava em seu gráfico a média móvel e uma banda superior e inferior (média móvel +/- n * desvios padrão).

Supõe-se que o preço irá reverter para a média móvel, portanto, qualquer movimento de preço para as bandas é um bom ponto de entrada. Um problema comum com essa estratégia é que a média móvel é um indicador de LAGGING e geralmente é muito lenta para rastrear o preço se um longo período de lookback é usado.

O vídeo 1 apresenta uma técnica chamada "curvas de regressão linear" & # 8221; cerca de 10min. Curvas de regressão linear visam resolver o problema da média móvel sendo lenta para rastrear o preço.

Curva de Regressão Linear vs Média Móvel Simples.

Veja quão firmemente a curva de regressão linear azul segue o preço de fechamento, é significativamente mais rápido identificar voltas no mercado onde a média móvel simples tem um erro de rastreamento considerável. O MSE poderia ser usado para quantificar o aperto.

Como calcular a curva de regressão linear:

Neste exemplo você tem 100 preços de fechamento para seu estoque dado. A barra 1 é o preço mais antigo, a barra 100 é o preço mais recente. Nós usaremos uma regressão de 20 dias.

1. Tome os preços 1-20 e desenhe a linha de melhor ajuste através deles.

2. No final da sua linha de melhor ajuste (assim barra 20), desenhe um pequeno círculo.

3. Tome os preços 2-21 e desenhe a linha de melhor ajuste através deles.

4. No final da sua linha de melhor ajuste (assim barra 21) desenhe um pequeno círculo.

5. Repetir até o bar 100.

6. Junte todos os seus círculos pequenos, esta é a sua curva de regressão linear & # 8217;

Então, em poucas palavras, você acaba de juntar as extremidades de uma regressão linear rolante.

É & # 8216; risco & # 8217; recompensado nos mercados de ações?

Este post parece examinar se a frase bem conhecida & # 8220; quanto maior o risco, maior a recompensa & # 8221; aplica-se aos constituintes do FTSE 100. Diversos modelos tentaram capturar métricas de recompensa de risco, o mais conhecido é o CAPM (Capital Allocation Pricing Model). O CAPM tenta quantificar o retorno de um investimento que um investidor deve receber para ser adequadamente compensado pelo risco que assumiu.

O código abaixo calcula o desvio padrão contínuo dos retornos, & # 8216; o risco & # 8217 ;, para os constituintes do FTSE 100. Em seguida, agrupa os estoques em quartis por essa métrica de risco, os grupos são atualizados diariamente. O quartil 1 é o de menor volatilidade, o quartil 2 é o mais alto. Um índice igualmente ponderado ($ amt) é criado para cada quartil. De acordo com a teoria acima, Q4 (high vol) deve produzir os maiores retornos cumulativos.

Ao usar um lookback de 1 mês para o cálculo stdev, há um índice vencedor claro, o menor índice vol (preto). Curiosamente o segundo melhor índice é o maior índice vol (azul). O gráfico acima é calculado usando os retornos aritméticos.

Quando se utiliza um lookback mais longo de 250 dias, um ano de negociação, o índice de vol superior é o de melhor desempenho e o índice de vol menor, o pior desempenho.

Para lookback curto (30 dias), o índice de baixa vol foi o de melhor desempenho.

Para lookback longo (250 dias), o índice de vol alto foi o melhor desempenho.

Uma possível explicação (não testada) é que, para uma pequena retrospectiva, a métrica de risco de volatilidade é mais sensível a movimentos no estoque e, portanto, em um anúncio / lucro de notícias, o estoque tem uma probabilidade maior de passar do índice atual para um índice vol maior. Talvez não seja razoável supor que o índice vol elevado contenha apenas as ações que tiveram um anúncio recente / volatilidade temporária e estão em um período de consolidação ou reversão à média. Ou, para colocar de outra forma, para visões curtas, o índice de vol alto não contém os estoques que são permanentemente altamente vol, enquanto que, para os longos retrocessos, quaisquer desvios vol temporários são suavizados.

Abaixo estão os mesmos gráficos acima, mas para retornos geométricos.

Otimização de Parâmetro & # 038; Backtesting & # 8211; Parte 2.

O código apresentado aqui terá como objetivo otimizar uma estratégia com base no indicador de média móvel simples. A estratégia será longa quando a média móvel A & gt; média móvel B. A otimização é determinar o período para fazer cada uma das médias móveis A & amp; B.

Por favor note que isto não é uma boa estratégia, está aqui apenas para dar um exemplo de como otimizar um parâmetro.

TradingStrategy esta função implementa a lógica de negociação e calcula os retornos RunIterativeStrategy esta função itera através de possíveis combinações de parâmetros e chama TradingStrategy para cada novo conjunto de parâmetros CalculatePerformanceMetric leva em uma tabela de retornos (de RunIterativeStrategy) e executa uma função / métrica sobre cada conjunto de retornos. PerformanceTable chama CalculatePerformanceMetric para muitas métricas diferentes e compila os resultados em uma tabela OrderPerformanceTable nos permite ordenar a tabela de desempenho por uma determinada métrica, ou seja, ordenar por maior proporção de sharpe SelectTopNStrategies seleciona as melhores N estratégias para uma métrica de desempenho especificada (charts. PerformanceSummary só pode enredo.

20 estratégias, portanto, essa função para selecionar uma amostra) FindOptimumStrategy faz o que diz na lata.

Estratégia de Negociação & # 8211; VWAP Mean Reversion.

Esta estratégia vai usar o preço médio ponderado por volume (VWAP) como um indicador para trocar a versão média de volta ao VWAP. Índice de Sharpe Anualizado (Rf = 0%) é 0,9016936.

Esta postagem é uma resposta a gekkoquant / 2012/07/29 / trading-strategy-sp-vwap-trend-follow / onde havia um bug no código indicando que o VWAP não estava revertendo (isso não foi feito) sentar bem comigo, ou algumas das pessoas que comentaram). Como sempre, não tome minha palavra por nada, faça backtest da estratégia. Um dos perigos de usar o R ​​ou o Matlab é que é fácil que o viés direto caia em seu código. Existem bibliotecas como Quantstrat para R que protegem contra isso, mas eu as acho terrivelmente lentas para serem executadas.

Todas as condições são verificadas no fechamento, e a negociação é mantida por um dia a partir do fechamento Se o preço / vwap & gt; uLim ir curto Se o preço / vwap & lt; Passei muito tempo.

Estratégia de Negociação & # 8211; S & # 038; P VWAP Tendência Siga (BUGGY)

ATUALIZAÇÃO: Os retornos excepcionais vistos nesta estratégia foram devidos a um viés de antecipação de 2 dias no sinal (e depois na direção comercial subsequente), ou seja, quando os retornos foram calculados para o dia T, o sinal de negociação usado foi realmente do dia T + 2.

Esse viés ocorreu nas linhas:

Tanto o dataframe de sinal quanto o de negociação tinham as datas corretas para cada sinal / trades, no entanto, quando o trade indexRet * aconteceu, o trade foi tratado como vetores sem data (que é 2 elementos mais curto que o índice ret), portanto o turno de 2 dias. A moral desta história é mesclar os quadros de dados antes de multiplicar!

Obrigado por todos que comentaram sobre isso, um post corrigido é seguir!

Essa estratégia usará o preço médio ponderado por volume (VWAP) como um indicador para determinar a direção da tendência atual e negociar na mesma direção da tendência. O Índice de Sharpe Anualizado (Rf = 0%) é 8,510472.

Todas as condições são verificadas no fechamento, e a negociação é mantida por um dia a partir do fechamento Se o preço / vwap & gt; uLim ir longo Se o preço / vwap & lt; lLim vai curto.

Inicialmente eu pensei que o preço seria médio revertendo para VWAP (isso pode ser visto em dados de alta freq) no entanto este não parece ser o caso com dados EOD. Para uma estratégia tão simples, estou espantado que a proporção de Sharpe seja tão alta (suspeitamente alta). O código foi verificado por dupla e tripple para ver se algum viés de redirecionamento ocorreu, no entanto, eu não vi nada.