Liste Der Quantitativen Handelsstrategien

Top Quantitative Hedge Fonds Neue Hedge Funds werden täglich etabliert (und oft scheint es gleich schnell verschlossen). Allerdings gibt es mehrere prominente Quant Hedge Fonds, die eine signifikante Erfolgsbilanz gehabt haben, und während Langlebigkeit keine Garantie für zukünftige Bleibeweg ist, werden diese Firmen als Führer im Quant Hedge Fund Raum betrachtet: DE Shaw Quantitative Management Associates Zwei Sigma Renaissance Technologies AlphaSimplex Gruppe Capula AQR Capital PanAgora Acadian Asset Management Diese Liste ist keineswegs erschöpfend. Zum Beispiel haben viele Multi-Strategie-Hedge-Fonds, die zwar nicht als Quant Hedge Funds bekannt sind, signifikante quantitative Strategien, die sie als Teil ihrer Plattform betreiben. Betrachten Sie Highbridge Capital Management, eine 29B diversifizierte Anlageplattform mit Hedgefonds, traditionellen Investment Management-Produkten und Kredit - und Beteiligungsanlagen mit längerfristigen Halteperioden. Unter anderen Strategien bietet Highbridge Convertible Bond Arbitrage und Statistical Arbitrage Fonds, die in der Regel als quantitativere Strategien als einige ihrer anderen Produkt-Angebote, die Kredit-und globale Makro-Investitionen gehören. Darüber hinaus denken Sie daran, dass Unternehmen außer Hedge Funds quantitative Handelsstrategien laufen lassen. Viele große Banken machen über eigene Handelsabteilungen. Doch mit der Umsetzung der Volcker-Regel. Banken sind in den Arten von Investitionstätigkeiten, die sie engagieren können begrenzt. Infolgedessen haben sich viele Quellhandelsstrategien bewegt und werden wahrscheinlich auch weiterhin von internen Handelstischen an den Banken zu Banken Asset Management Waffen bewegen. (HINWEIS: Alle Informationen werden von Firmenwebsites genommen, sofern nicht anders angegeben.) Gegründet: 1988 Basierend: New York City MitarbeiterGröße: 1.100 Ungefähr 26 Milliarden an Investitionskapital (Stand 1. März 2012) Beschreibung: Das Unternehmen hat in vielen Fällen eine bedeutende Präsenz Der Kapitalmarktmärkte, investiert in eine breite Palette von Unternehmen und Finanzinstrumenten sowohl in den großen Industrieländern als auch in einer Reihe von Schwellenländern. Seine Aktivitäten reichen vom Einsatz von Anlagestrategien, die entweder auf mathematischen Modellen oder auf menschlichem Fachwissen basieren, auf den Erwerb bestehender Unternehmen und die Finanzierung oder Entwicklung neuer. Strategien: Die festen8217s quantitativen Strategien basieren zum größten Teil auf: dem Einsatz mathematischer Techniken zur Ermittlung von Gewinnchancen, die sich aus subtilen Anomalien ergeben, die die Preise verschiedener Wertpapiere beeinflussen, die Anwendung von proprietären Modellen zur Messung und Steuerung verschiedener Risikoarten, die Verwendung von Quantitative Techniken zur Minimierung der Transaktionskosten im Zusammenhang mit dem Kauf und Verkauf von Wertpapieren und die Nutzung der proprietären Optimierungstechnologie zur Erstellung dynamisch weiterentwickelnder Anlageportfolios auf Basis dieser Gewinnchancen, Risikofaktoren und Transaktionskosten. Im Rahmen der Ermittlung von Gewinnchancen analysiert die D. E. Shaw-Gruppe eine enorme Datenmenge, die mit Zehntausenden von Finanzinstrumenten verbunden ist, sowie verschiedene Faktoren, die nicht mit einem solchen Instrument verbunden sind. Daten werden aus vielen Ländern der Welt gewonnen und decken eine breite Palette von Assetklassen ab. Wenn dieser analytische Prozess ein neues Modell ergibt, glaubt das Unternehmen von prädiktiven Werten, es wird förderungswürdig für den Einsatz innerhalb einer oder mehrerer Handelsstrategien, in einigen Fällen zusammen mit einem Dutzend oder mehr anderen Modellen, die einige der gleichen Finanzinstrumente beinhalten, aber entstehen Von verschiedenen Marktanomalien Die proprietäre Optimierungs-Technologie von firm8217 wurde mit dem Ziel entworfen, die erwartete Rendite zu maximieren und gleichzeitig das Gesamtrisiko eines Portfolios zu steuern, das in einigen Fällen gleichzeitig Positionen in mehreren tausend Wertpapieren beinhalten kann. Anders als jede Transaktion in Isolation zu betrachten, ist die Portfolio-Optimierungssoftware firm8217s für komplexe Zusammenhänge zwischen einem großen Satz von Finanzinstrumenten konzipiert, die über eine Reihe von verschiedenen Assetklassen reichen können. In vielen Fällen sind die Optimierungsalgorithmen der company8217s in der Lage, risikoadjustierte Renditen nicht nur durch konventionelle Diversifikation zu erhöhen, sondern durch die Erstellung von Ausgleichsrisiken auf verschiedene Risikofaktoren auf Portfolioebene. Portfolios werden oftmals auf einer mehr oder weniger kontinuierlichen Basis reoptimiert, wobei ein stetiger Strom von Trades durchgeführt wird, um die neu entstehenden potenziellen Gewinnchancen zu nutzen und verschiedene Formen dynamisch variierenden Risikos zu managen. Zeitverträgliche Handelsentscheidungen werden oft sehr schnell mit Echtzeit-Daten aus verschiedenen Quellen auf der ganzen Welt8217s Finanzmärkte gewonnen. Die Firma handelt auf fast einer 24-Stunden-Basis und führt typischerweise Zehntausende von Transaktionen pro Tag durch. Gegründet: 1975 Basierend: Newark, NJ MitarbeiternGröße: 36 Investmentprofis (plus zusätzliches Büropersonal) ca. 83 Milliarden an verwalteten Vermögen (AUM) ab 1. März 2012 Beschreibung: Wir sehen Investitionspotenziale in kleinen, aber weit verbreiteten Fehlern von Wertpapieren. Aktive Strategien können bei der Erreichung der Anlageziele eine zentrale Rolle spielen. Die Vermögenswerte weichen gelegentlich von den implizierten Grundlagen ab, und das aktive Management kann die Rendite verbessern, indem es ein Portfolio positioniert, um von einer eventuellen Rückkehr zu den Grundlagen zu profitieren. Diese Abweichungen von den beizulegenden Zeitwerten schaffen Möglichkeiten, unsere Prozesse zu identifizieren und zu nutzen. Weil dies Muster sind, die im Laufe der Zeit bestehen, anstatt flüchtige Trends, sind wir zuversichtlich, dass unsere Prozesse auch weiterhin langfristig übertreffen können. Unser Bottom-up-Ansatz verbindet die Prinzipien der Bewertungstheorie und der Verhaltensfinanzierung mit dem Können und dem Urteil unserer Investmentprofis. Teammitglieder im Durchschnitt 20 Jahre Investmenterfahrung und vielfältige Perspektiven, darunter Universitätsprofessoren, Ingenieure, Physiker und Ökonomen haben sich durch eine Vielzahl von Marktbedingungen reibungslos zusammengearbeitet. Unser proprietärer Optimierungsprozess generiert diverse Portfolios über eine Vielzahl von Beständen. Und durch die Einschränkung von Risiken wie Größe, Branchenbranche und Abweichung von der Benchmark, während wir wachsam auf Liquiditäts - und Transaktionskosten fokussieren, glauben wir, dass wir die Alpha-Erzeugung effektiver ansprechen können. QMA8217s Investment-Ansatz ist sinnvoll und Sound-aber nicht statisch. Durch laufende Forschung finden wir weiterhin Wege, um die Anpassungsfähigkeit unserer Investitionsprozesse zu verbessern. Strategien: Quantitatives Core Equity Value Equity Equity Indexing Asset Allocation Structured Equity Gegründet: 2001 Basierend: New York (Hongkong, Houston und London Satellitenbüros) MitarbeiterGröße: Über 300 (geschätzt) mehrere Milliarden Dollar (Mai 2012) Beschreibung: Wir sind erfolgreich gewesen Anwendung unserer disziplinierten, prozessgesteuerten Investmenthandelsstrategien seit 2001. Diese Strategien, die auf verschiedenen Märkten und Assetklassen ausgedrückt werden, basieren auf statistischen Modellen, die mit rigoroser mathematischer Analyse und der Brancheneinsicht von Two Sigma8217s großem und erfahrenem Team entwickelt wurden. Die Entwicklung dieser Strategien erfordert umfangreiche Berechnungsressourcen, um die Marktchancen erfolgreich zu identifizieren, zu quantifizieren und zu handeln, während die Risikoexposition genau überwacht wird. Technologie ist ein integraler Bestandteil der Handelsstrategien, Unternehmensfunktionen und das Leben im Allgemeinen bei Two Sigma. Für uns ist die Technologie ein Profit-Center, nicht nur eine Kostenstelle, und es ist weiterhin eine treibende Kraft hinter unserer Unternehmensstruktur. Jeden Tag arbeiten wir in kleinen Teams zusammen, um analytische und Messinstrumente für die Finanzmärkte zu entwickeln und zu verbessern, und wir fördern die Zusammenarbeit eine Struktur, die im Finanzbereich selten erscheint. In der Tat haben viele beobachtet, dass wir sehen und fühlen sich wie ein Software-Unternehmen. Gegründet: 1982 Basierend: Long Island, New York, London MitarbeiterGröße: 27515 Milliarden Beschreibung: Renaissance Technologies LLC ist ein Investment-Management-Unternehmen, das sich für die Bereitstellung von überlegenen Renditen für seine Kunden und Mitarbeiter durch die Einhaltung mathematischer und statistischer Methoden. Gegründet: na Basierend: Cambridge, MA MitarbeiternGröße: 28na Beschreibung: AlphaSimplex ist spezialisiert auf Absolute-Return-Anlagestrategien, die in erster Linie mit Futures und Terminkontrakten umgesetzt werden. Mit Hilfe von hochmodernen quantitativen Techniken bietet unser einzigartiger Investitionsansatz die Anpassungsfähigkeit und kontextuelle Entscheidungsfindung, die in der Regel mit fundamentalen Managern verbunden ist, aber innerhalb eines rein quantitativen, risikogesteuerten Rahmens. Jede der Investitionsstrategien der Unternehmen basiert auf einem multimedialen Ansatz für das Portfoliomanagement, das Alpha mit größerer Konsistenz generieren will und die regelmäßige Ergänzung neu entwickelter Modelle erleichtert. Strategien: Quantitative Global Macro ist eine multimediale, quantitative globale Makrostrategie, die auf einer Vielzahl von Faktoren auf vielen verschiedenen Märkten beruht. Die Komponentenmodelle, aus denen sich das Produkt zusammensetzt, wurden über eine Reihe von Jahren und eine Vielzahl von Marktumgebungen entwickelt. Für jedes gegebene Marktumfeld gibt es mindestens ein oder zwei Komponentenmodelle, die entworfen sind, um Alpha für diese spezifische Umgebung zu erzeugen. Der Manager nutzt fortgeschrittene statistische Techniken, um die Komponentenmodelle dynamisch zu erweitern, um die aktuellen Marktbedingungen am effektivsten zu nutzen. Global Tactical Asset Allocation ist eine äußerst kapital - effiziente Overlay - oder 8220portable Alpha8221-Strategie, deren Ziel es ist, inkrementelle 1 oder 2 Prozentpunkte der Rendite zu einem bestehenden Portfolio hinzuzufügen, ohne die vorhandene Portfolios-Volatilität um mehr als 1 oder 2 Prozentpunkte jährlich zu erhöhen. Die Strategie kann auch bei höheren Risikoebenen verwaltet werden, um höhere Renditen zu erzielen. LASER und GLOBAL ALTERNATIVES nutzen Futures und Forwards, um die Exposition gegenüber einem diversifizierten Satz der gebräuchlichsten flüssigen Risikoprämien, die Hedge-Fonds-Renditen treiben, zu replizieren. Diese Strategie bietet ähnliche Diversifizierungsvorteile als Hedgefonds und eignet sich gut für große institutionelle Anleger, die ansonsten keine ausreichende Kapazität unter den Hedgefondsmanagern finden können, als Liquiditätspuffer mit einem ansonsten weniger liquiden Portfolio und für kleinere Anleger, die Hätte sonst keinen Zugang zu den Diversifizierungsvorteilen von Hedgefonds aufgrund von Mindestanforderungen an die Anlage. Gegründet: 2005 Basierend: London (Greenwich, CT und Tokyo) MitarbeiterGröße: Unter 509B (2011) Beschreibung: Capula Investment Management LLP ist ein weltweit tätiges Unternehmen mit festem Einkommen. Das Unternehmen verwaltet Fixed-Income-Trading-Strategien in absoluter Rendite und verbesserte Fixed-Income-Produkte, zusammen mit einem Schwanz Risiko Hedge-Produkt. Capula Investment Management LLP konzentriert sich auf die Entwicklung innovativer Anlagestrategien, die eine geringe Korrelation zu traditionellen Aktien - und Rentenmärkten aufweisen. Was unterscheidet Capula ist ihre Makrofokus, starke Handelsdisziplin und kurzfristige Orientierung eher als ein mittelfristiger Investitionsstil. Das Unternehmen, das Liquiditätsrisiken und Schwellenrisiken verstanden hat, hat dazu beigetragen, dass es durch alle Phasen des Investitionszyklus gedeiht, einschließlich der extremen Marktstörungen. Der Capula GRV Fund konzentriert sich auf Zinssätze und Makrohandel. Der Fonds beschäftigt sich mit relativen Wertsteigerungs - und Konvergenzstrategien, die die Preisanomalien in der Staatsanleihe, dem Zinsswap und den großen börsengehandelten Derivatemärkten ausnutzen und eine defensive Makro-Overlay einsetzen. Investitionsthemen werden in erster Linie von der Alpha-Generation angetrieben und sollen in den Hauptkapitalmärkten neutral bleiben. Der Capula Tail Risk Fund investiert in eine Reihe von Instrumenten vor allem in G7-Märkten. Es zielt auf überlegene Renditen in Zeiten der Liquidität und systemischen Krisen und minimiert den Nachteil bei normalen Marktbedingungen. Beide Fonds werden aktiv im eigenen Handelsstil verwaltet. Gegründet: 1998 Basierend: Greenwich, CT MitarbeiterGröße: 19044B (Ende 2011) Beschreibung: AQR Capital Management ist ein Investment Management Unternehmen mit einem disziplinierten Multi-Asset, globalen Forschungsprozess. AQRs Anlageprodukte werden durch eine begrenzte Menge von kollektiven Anlagefahrzeugen und separate Konten, die alle oder eine Teilmenge von AQR8217s Anlagestrategien nutzen zur Verfügung gestellt. Diese Anlageprodukte reichen von aggressiven marktneutralen Hedgefonds mit hoher Volatilität bis hin zu niedrigen Volatilitäts-Benchmark-getriebenen traditionellen Produkten. Investitionsentscheidungen werden unter Verwendung einer Reihe von globalen Asset Allocation, Arbitrage und Sicherheitsauswahlmodellen getroffen und unter Verwendung von proprietären Handels - und Risikomanagementsystemen implementiert. AQR ist der Auffassung, dass ein systematischer und disziplinierter Prozess für einen langfristigen Erfolg im Investment - und Risikomanagement unerlässlich ist. Darüber hinaus müssen Modelle auf soliden ökonomischen Prinzipien basieren, die nicht einfach an die Vergangenheit angepasst sind und so viel gesunden Menschenverstand enthalten müssen wie statistische Feuerkraft. Gegründet: 1989 Basierend: Boston, MA MitarbeiternGröße: 50-20022.3B (Ende 2011) Beschreibung: PanAgora ist ein quantitatives Investment-Management-Finanzinstitut, das sowohl Bottom-up-Aktienselektionsstrategien als auch Multi-Alpha-Top-Down nutzt Makrostrategien Wir bemühen uns, Investitionslösungen mit anspruchsvollen quantitativen Techniken anzubieten, die grundlegende Einsichten und große Mengen an Marktinformationen beinhalten. Während die Anpassungsstrategien von PanAgoras in hohem Maße systematisch sind, werden die in diesen Strategien eingesetzten Prozesse von talentierten Fachleuten mit bedeutenden und vielfältigen Investitionserfahrungen gebaut und betreut. Innovative Forschung spielt eine zentrale Rolle in unserer Anlagephilosophie und - prozess und ist ein wesentlicher Bestandteil unserer Firmen, um attraktive Anlagelösungen zu liefern. Investmentteams sind in einer Equity Strategies Gruppe und einer Multi Asset Strategies Gruppe organisiert. Die meisten Investment-Team-Mitglieder sind in der ursprünglichen Forschung mit grundlegenden Intuition, Markt Intelligenz, moderne Finanzen und wissenschaftliche Methoden beschäftigt. PanAgoras Anlagestrategien basieren auf diesen Leitlinien: Kapitalmärkte sind nicht perfekt effizient und bieten daher attraktive Investitionsmöglichkeiten für disziplinierte Investoren. Innovative Forschung, die Kreativität mit der modernen Finanztheorie und den statistischen Techniken (Kunst und Wissenschaft) verbindet, ist die Grundlage für einen erfolgreichen Investitionsprozess. Ein systematischer Ansatz zur Investition, der intuitives, fundamentales Denken mit quantitativen Techniken verbindet, dürfte anhaltende und attraktive risikoadjustierte Renditen erzielen. Die Aufmerksamkeit auf Risiko und effiziente Umsetzung kann die Leistungsergebnisse beibehalten und oft verbessern. Klar definierte Ziele, Transparenz und Zugang zu talentierten Investmentprofis helfen, die Kundenzufriedenheit zu erreichen. Gegründet: 1987 Basierend: Boston (Singapur und London) MitarbeiterGröße: 200-50048B (33112) Beschreibung: Acadian hat einen rigorosen und strukturierten Investitionsprozess. Wir quantifizieren die meisten Aspekte unseres Anlageprozesses, einschließlich der Überschussrendite, die wir glauben, dass jede Sicherheit in unserem Anlageuniversum über einen bestimmten Horizont generieren wird, und das Risiko, dass wir erwarten, dass ein bestimmtes Portfolio im Verhältnis zu seiner Benchmark erleben wird. Das Ziel dieser Anmerkung ist es zu erklären, warum wir glauben, dass ein quantitativer Ansatz sinnvoll ist und welche Vor - und Nachteile ein solcher Ansatz relativ zu traditionellen Ansätzen hat. Wir glauben, dass quantitative Techniken Werkzeuge sind. Sie sind Wege, traditionelle Ansätze anzuwenden, um Investitionsentscheidungen diszipliniert und systematisch zu gestalten. So steht unser Ansatz zur Investition nicht im Widerspruch zu einem traditionellen Ansatz. Wir verwenden die gleichen Werkzeuge, die viele traditionelle Portfoliomanager verwenden, aber versuchen, sie in einer sehr systematischen und disziplinierten Weise anzuwenden, Emotionen und Schlupf bei der Umsetzung zu vermeiden. Acadian ist auf aktive globale und internationale Equity-Strategien spezialisiert und beschäftigt anspruchsvolle Analysemodelle für die aktive Aktienauswahl sowie Peer Group (Land, Region und Industrie). Wir bieten auch Fixed Income Strategien in den Schwellenländern an. Unsere proprietäre Datenbank umfasst über 40.000 Wertpapiere in mehr als 60 Märkten weltweit. Acadian8217s umfangreiche Forschungsmöglichkeiten werden verwendet, um maßgeschneiderte Management-Management-Strategien für unsere Kunden zu entwickeln. Quantitative Trading Was ist Quantitative Trading Quantitative Handel besteht aus Trading-Strategien auf der Grundlage der quantitativen Analyse. Die sich auf mathematische Berechnungen und Zahlenknirschen verlassen, um Handelsmöglichkeiten zu identifizieren. Da der quantitative Handel in der Regel von Finanzinstituten und Hedgefonds genutzt wird. Die Transaktionen sind in der Regel groß und können den Kauf und Verkauf von Hunderten von Tausenden von Aktien und anderen Wertpapieren beinhalten. Allerdings wird der quantitative Handel immer häufiger von einzelnen Investoren genutzt. BREAKING DOWN Quantitative Trading Preis und Volumen sind zwei der häufigsten Dateneingaben, die in der quantitativen Analyse als Haupteingaben für mathematische Modelle verwendet werden. Quantitative Handelstechniken umfassen Hochfrequenzhandel. Algorithmischer Handel und statistischer Arbitrage. Diese Techniken sind schnell-Feuer und haben in der Regel kurzfristige Anlagehorizonte. Viele quantitative Händler sind mit quantitativen Werkzeugen vertraut, wie z. B. gleitende Mittelwerte und Oszillatoren. Verständnis von quantitativen Trading Quantitative Trader nutzen die moderne Technologie, Mathematik und die Verfügbarkeit umfangreicher Datenbanken für rationale Handelsentscheidungen. Quantitative Händler nehmen eine Trading-Technik und erstellen ein Modell davon mit Mathematik, und dann entwickeln sie ein Computer-Programm, das das Modell auf historische Marktdaten anwendet. Das Modell wird dann zurückversetzt und optimiert. Wenn günstige Ergebnisse erzielt werden, wird das System dann in Echtzeitmärkten mit echtem Kapital umgesetzt. Die Art und Weise, wie quantitative Handelsmodelle funktionieren, lässt sich am besten mit einer Analogie beschreiben. Betrachten Sie einen Wetterbericht, in dem der Meteorologe eine 90 Chance des Regens prognostiziert, während die Sonne scheint. Der Meteorologe leitet diese kontraintuitive Schlussfolgerung durch das Sammeln und Analysieren von Klimadaten von Sensoren im gesamten Gebiet ab. Eine computergestützte quantitative Analyse zeigt spezifische Muster in den Daten. Wenn diese Muster mit den gleichen Mustern verglichen werden, die in historischen Klimadaten (Backtesting) und 90 von 100 Mal das Ergebnis regen, dann kann der Meteorologe die Schlussfolgerung mit Vertrauen, daher die 90 Prognose ziehen. Quantitative Händler wenden diesen Prozess auf den Finanzmarkt an, um Handelsentscheidungen zu treffen. Vor - und Nachteile des quantitativen Handels Das Ziel des Handels ist es, die optimale Wahrscheinlichkeit eines rentablen Handels zu berechnen. Ein typischer Trader kann die Entscheidungen über eine begrenzte Anzahl von Wertpapieren effektiv überwachen, analysieren und handeln, bevor die Menge der eingehenden Daten den Entscheidungsprozess überwältigt. Die Verwendung von quantitativen Handelstechniken beleuchtet diese Grenze durch die Verwendung von Computern zur Automatisierung der Monitoring-, Analyse - und Handelsentscheidungen. Überwindung von Emotionen ist eines der allgegenwärtigsten Probleme mit dem Handel. Sei es Angst oder Gier, beim Trading dient Emotionen nur dazu, das rationale Denken zu ersticken, was in der Regel zu Verlusten führt. Computer und Mathematik besitzen keine Emotionen, so dass der quantitative Handel dieses Problem beseitigt. Der quantitative Handel hat seine Probleme. Finanzmärkte sind einige der dynamischsten Einheiten, die existieren. Daher müssen quantitative Handelsmodelle so dynamisch sein, dass sie konsequent erfolgreich sind. Viele quantitative Händler entwickeln Modelle, die vorübergehend rentabel für die Marktbedingung sind, für die sie entwickelt wurden, aber sie scheitern letztlich, wenn sich die Marktbedingungen ändern. Beginner39s Guide to Quantitative Trading In diesem Artikel Ich werde Ihnen einige der grundlegenden Konzepte vorstellen, die eine begleiten End-to-End-quantitativen Handelssystem. Dieser Beitrag wird hoffentlich zwei Zuschauern bedienen. Die ersten werden Einzelpersonen versuchen, einen Job an einem Fonds als quantitative Trader zu erhalten. Die zweite werden Einzelpersonen sein, die versuchen wollen, ihre eigenen Einzelhandels-algorithmischen Handelsgeschäfte einzurichten. Der quantitative Handel ist ein äußerst anspruchsvolles Gebiet der Quantfinanzierung. Es kann eine beträchtliche Zeit in Anspruch nehmen, um das notwendige Wissen zu gewinnen, um ein Interview zu bestehen oder eigene Trading-Strategien zu konstruieren. Nicht nur das, sondern es erfordert umfangreiche Programmierkenntnisse, zumindest in einer Sprache wie MATLAB, R oder Python. Doch da die Handelshäufigkeit der Strategie zunimmt, werden die technologischen Aspekte viel wichtiger. So vertraut mit CC wird von größter Bedeutung sein. Ein quantitatives Handelssystem besteht aus vier Hauptkomponenten: Strategieidentifizierung - Strategie finden, einen Vorteil ausschöpfen und sich auf die Handelsfrequenz konzentrieren Strategie Backtesting - Daten erwerben, Strategie-Performance analysieren und Biases beseitigen Execution System - Verknüpfung mit einem Brokerage, Automatisierung des Handels und Minimierung Transaktionskosten Risikomanagement - Optimale Kapitalallokation, Wette GrößeKelly Kriterium und Handelspsychologie Beginnen wir mit einem Blick auf die Identifizierung einer Handelsstrategie. Strategieidentifikation Alle quantitativen Handelsprozesse beginnen mit einer anfänglichen Forschungsphase. Dieser Forschungsprozess umfasst die Suche nach einer Strategie, ob die Strategie in ein Portfolio von anderen Strategien, die Sie laufen können, passt, um alle Daten zu erhalten, die notwendig sind, um die Strategie zu testen und zu versuchen, die Strategie für höhere Renditen und ein geringeres Risiko zu optimieren. Sie müssen Ihre Eigenkapitalanforderungen berücksichtigen, wenn Sie die Strategie als Einzelhändler betreiben und wie sich die Transaktionskosten auf die Strategie auswirken werden. Im Gegensatz zum populären Glauben ist es eigentlich ganz einfach, profitable Strategien durch verschiedene öffentliche Quellen zu finden. Die Akademiker veröffentlichen regelmäßig die theoretischen Handelsergebnisse (wenn auch meist die Transaktionskosten). Quantitative Finanz-Blogs diskutieren Strategien im Detail. Fachzeitschriften werden einige der von den Fonds eingesetzten Strategien skizzieren. Sie könnten fragen, warum Einzelpersonen und Firmen sind scharf, ihre rentablen Strategien zu diskutieren, vor allem, wenn sie wissen, dass andere Gedränge der Handel kann die Strategie von der Arbeit auf lange Sicht zu stoppen. Der Grund liegt in der Tatsache, dass sie nicht oft die genauen Parameter und Tuning-Methoden, die sie durchgeführt haben, diskutieren. Diese Optimierungen sind der Schlüssel, um eine relativ mittelmäßige Strategie zu einem sehr profitablen zu machen. In der Tat ist eine der besten Möglichkeiten, um Ihre eigenen einzigartigen Strategien zu schaffen, ähnliche Methoden zu finden und dann führen Sie Ihre eigene Optimierung Verfahren. Hier ist eine kleine Liste von Orten, um auf der Suche nach Strategie-Ideen zu beginnen: Viele der Strategien, die Sie betrachten werden, fallen in die Kategorien von Mittel-Reversion und Trend-Followmomentum. Eine Mittelrückkehrstrategie ist eine, die versucht, die Tatsache auszuschöpfen, dass ein langfristiger Mittelwert für eine Preisreihe (wie die Verteilung zwischen zwei korrelierten Vermögenswerten) besteht und dass kurzfristige Abweichungen von diesem Mittelwert schließlich zurückgehen werden. Eine Impulsstrategie versucht, sowohl die Investorenpsychologie als auch die Großfondsstruktur zu nutzen, indem sie eine Fahrt auf einen Markttrend einnimmt, der in einer Richtung Impulse sammeln und dem Trend folgen kann, bis er sich umkehrt. Ein weiterer wichtiger Aspekt des quantitativen Handels ist die Häufigkeit der Handelsstrategie. Niederfrequenzhandel (LFT) bezieht sich allgemein auf jede Strategie, die Vermögenswerte hält, die länger als ein Handelstag sind. Entsprechend bezieht sich der Hochfrequenzhandel (HFT) im Allgemeinen auf eine Strategie, die Vermögenswerte intraday hält. Ultra-High-Frequenz-Handel (UHFT) bezieht sich auf Strategien, die Vermögenswerte in der Größenordnung von Sekunden und Millisekunden halten. Als Einzelhandels-Praktiker HFT und UHFT sind sicherlich möglich, aber nur mit detaillierten Kenntnissen der Trading-Technologie Stack und Orderbuch Dynamik. Wir werden diese Aspekte in diesem Einführungsartikel in keiner Weise besprechen. Sobald eine Strategie oder eine Reihe von Strategien identifiziert wurde, muss sie nun auf die Profitabilität auf historischen Daten getestet werden. Das ist die Domäne der Backtesting. Strategie Backtesting Das Ziel der Backtesting ist es, den Nachweis zu erbringen, dass die Strategie, die über den oben genannten Prozess identifiziert wurde, rentabel ist, wenn sie sowohl auf historische als auch auf out-of-sample-Daten angewendet wird. Dies setzt die Erwartung, wie die Strategie in der realen Welt durchführen wird. Allerdings ist das Backtesting aus Sicherheitsgründen keine Garantie für den Erfolg. Es ist vielleicht der subtilste Bereich des quantitativen Handels, da er zahlreiche Vorurteile mit sich bringt, die sorgfältig betrachtet und so weit wie möglich beseitigt werden müssen. Wir diskutieren die gemeinsamen Arten von Bias einschließlich Look-Ahead Bias. Überlebens-Bias und Optimierung Bias (auch bekannt als Data-Snooping Bias). Weitere wichtige Bereiche im Backtesting sind die Verfügbarkeit und Sauberkeit der historischen Daten, das Factoring in realistischen Transaktionskosten und die Entscheidung über eine robuste Backtesting-Plattform. Besprechen Sie die Transaktionskosten weiter unten im Abschnitt Sicherheitssysteme. Sobald eine Strategie identifiziert wurde, ist es notwendig, die historischen Daten zu erhalten, durch die die Durchführung von Tests und eventuell Verfeinerung durchgeführt werden soll. Es gibt eine beträchtliche Anzahl von Datenanbietern über alle Assetklassen hinweg. Ihre Kosten im Allgemeinen skalieren mit der Qualität, Tiefe und Aktualität der Daten. Der traditionelle Ausgangspunkt für den Beginn der Quant Trader (zumindest auf der Retail-Ebene) ist die Nutzung der freien Datensatz von Yahoo Finance. Ich wohne hier nicht zu viel zu viel, vielmehr möchte ich mich auf die allgemeinen Fragen konzentrieren, wenn es um historische Datensätze geht. Zu den Hauptanliegen der historischen Daten gehören die Genauigkeitsgleichheit, die Überlebensvorsorge und die Anpassung an Unternehmensaktionen wie Dividenden und Aktiensplits: Die Genauigkeit bezieht sich auf die Gesamtqualität der Daten - ob es Fehler gibt. Fehler können manchmal leicht zu identifizieren, wie mit einem Spike-Filter. Die falsche Spikes in Zeitreihen-Daten auswählen und für sie korrigieren werden. Zu anderen Zeiten können sie sehr schwer zu erkennen sein. Es ist oft notwendig, zwei oder mehr Anbieter zu haben und dann alle ihre Daten gegeneinander zu überprüfen. Überlebensstörung ist oft ein Merkmal von freien oder billigen Datasets. Ein Datensatz mit Überlebensvorgabe bedeutet, dass es keine Vermögenswerte enthält, die nicht mehr handeln. Im Falle von Aktien bedeutet dies, Diese Bias bedeutet, dass jede Aktienhandelsstrategie, die auf einem solchen Datensatz getestet wird, wahrscheinlich besser als in der realen Welt ist, da die historischen Gewinner bereits vorgewählt wurden. Bei den Kapitalmaßnahmen handelt es sich um logistische Aktivitäten des Unternehmens, die in der Regel eine stufenförmige Änderung des Rohpreises verursachen, die nicht in die Berechnung der Renditen des Preises einbezogen werden sollte. Anpassungen für Dividenden und Aktiensplits sind die üblichen Täter. Ein Prozeß, der als Rückenverstellung bekannt ist, ist notwendig, um bei jeder dieser Aktionen durchgeführt zu werden. Man muss sehr vorsichtig sein, einen Aktiensplit nicht mit einer echten Renditeanpassung zu verwechseln. Viele Händler wurden von einer Unternehmensaktion erwischt. Um ein Backtest-Verfahren durchführen zu können, ist es notwendig, eine Softwareplattform zu nutzen. Sie haben die Wahl zwischen dedizierter Backtest-Software wie Tradestation, einer numerischen Plattform wie Excel oder MATLAB oder einer kompletten benutzerdefinierten Implementierung in einer Programmiersprache wie Python oder C. Ich werde nicht zu viel auf Tradestation (oder ähnlich), Excel oder MATLAB, wie ich glaube an die Schaffung eines kompletten Inhouse-Technologie-Stack (aus Gründen unten skizziert). Einer der Vorteile davon ist, dass das Backtest-Software - und Ausführungssystem auch bei extrem fortgeschrittenen statistischen Strategien eng integriert werden kann. Für HFT-Strategien ist es insbesondere wichtig, eine benutzerdefinierte Implementierung zu nutzen. Beim Backtesting eines Systems muss man in der Lage sein zu quantifizieren, wie gut es funktioniert. Die branchenüblichen Metriken für quantitative Strategien sind der maximale Drawdown und das Sharpe Ratio. Der maximale Drawdown charakterisiert den größten Peak-to-Trog-Drop in der Konto-Equity-Kurve über einen bestimmten Zeitraum (in der Regel jährlich). Dies wird am häufigsten als Prozentsatz angegeben. LFT-Strategien neigen dazu, größere Drawdowns als HFT-Strategien, aufgrund einer Reihe von statistischen Faktoren haben. Ein historischer Backtest zeigt den bisherigen maximalen Drawdown, was ein guter Leitfaden für die zukünftige Drawdown-Performance der Strategie ist. Die zweite Messung ist die Sharpe Ratio, die heuristisch definiert ist als der Durchschnitt der Überschussrenditen dividiert durch die Standardabweichung dieser Überschussrenditen. Hier bezieht sich die Überschussrendite auf die Rendite der Strategie über einem vorgegebenen Benchmark. Wie die SP500 oder eine 3-Monats-Treasury Bill. Beachten Sie, dass die annualisierte Rendite nicht eine Maßnahme ist, die in der Regel verwendet wird, da sie die Volatilität der Strategie nicht berücksichtigt (im Gegensatz zum Sharpe Ratio). Sobald eine Strategie rückwirkend ist und als frei von Vorurteilen (in so viel wie möglich) gilt, mit einem guten Sharpe und minimierten Drawdowns ist es Zeit, ein Ausführungssystem zu bauen. Ausführungssysteme Ein Ausführungssystem ist das Mittel, mit dem die von der Strategie erzeugte Liste der Trades vom Makler gesendet und ausgeführt wird. Trotz der Tatsache, dass die Handelserzeugung halb - oder sogar vollautomatisch sein kann, kann der Ausführungsmechanismus manuell, halb manuell (d. H. Ein Klick) oder vollautomatisch sein. Für LFT-Strategien sind manuelle und halb-manuelle Techniken üblich. Für HFT-Strategien ist es notwendig, einen vollautomatischen Ausführungsmechanismus zu schaffen, der oft mit dem Handelsgenerator (aufgrund der gegenseitigen Abhängigkeit von Strategie und Technologie) eng verbunden ist. Die wichtigsten Überlegungen bei der Erstellung eines Ausführungssystems sind die Schnittstelle zum Brokerage. Minimierung der Transaktionskosten (inklusive Provision, Schlupf und Spreizung) und Divergenz der Performance des Live-Systems durch rückwirkende Performance. Es gibt viele Möglichkeiten, eine Brokerage anzuschließen. Sie reichen vom Aufruf Ihres Brokers am Telefon bis hin zu einer vollautomatischen Hochleistungs-Programmierschnittstelle (API). Idealerweise möchten Sie die Ausführung Ihrer Trades so weit wie möglich automatisieren. Dies befreit Sie, um sich auf weitere Forschung zu konzentrieren, sowie ermöglichen es Ihnen, mehrere Strategien oder sogar Strategien der höheren Frequenz laufen (in der Tat ist HFT im Wesentlichen unmöglich ohne automatisierte Ausführung). Die oben beschriebene gemeinsame Backtesting-Software wie MATLAB, Excel und Tradestation sind für niedrigere Frequenz, einfachere Strategien gut. Allerdings wird es notwendig sein, ein hauseigenes Ausführungssystem zu erstellen, das in einer Hochleistungssprache wie C geschrieben ist, um echte HFT zu machen. Als Anekdote, in dem Fonds, in dem ich beschäftigt war, hatten wir eine 10-minütige Trading-Schleife, wo wir neue Marktdaten alle 10 Minuten herunterladen und dann Trades auf der Grundlage dieser Informationen im gleichen Zeitrahmen ausführen würden. Dies war mit einem optimierten Python-Skript. Für irgendetwas, das sich auf Minuten - oder Zweit-Frequenz-Daten nähert, glaube ich, dass CC idealer wäre. In a larger fund it is often not the domain of the quant trader to optimise execution. However in smaller shops or HFT firms, the traders ARE the executors and so a much wider skillset is often desirable. Bear that in mind if you wish to be employed by a fund. Your programming skills will be as important, if not more so, than your statistics and econometrics talents Another major issue which falls under the banner of execution is that of transaction cost minimisation. There are generally three components to transaction costs: Commissions (or tax), which are the fees charged by the brokerage, the exchange and the SEC (or similar governmental regulatory body) slippage, which is the difference between what you intended your order to be filled at versus what it was actually filled at spread, which is the difference between the bidask price of the security being traded. Note that the spread is NOT constant and is dependent upon the current liquidity (i. e. availability of buysell orders) in the market. Transaction costs can make the difference between an extremely profitable strategy with a good Sharpe ratio and an extremely unprofitable strategy with a terrible Sharpe ratio. It can be a challenge to correctly predict transaction costs from a backtest. Depending upon the frequency of the strategy, you will need access to historical exchange data, which will include tick data for bidask prices. Entire teams of quants are dedicated to optimisation of execution in the larger funds, for these reasons. Consider the scenario where a fund needs to offload a substantial quantity of trades (of which the reasons to do so are many and varied). By dumping so many shares onto the market, they will rapidly depress the price and may not obtain optimal execution. Hence algorithms which drip feed orders onto the market exist, although then the fund runs the risk of slippage. Further to that, other strategies prey on these necessities and can exploit the inefficiencies. This is the domain of fund structure arbitrage . The final major issue for execution systems concerns divergence of strategy performance from backtested performance. This can happen for a number of reasons. Weve already discussed look-ahead bias and optimisation bias in depth, when considering backtests. However, some strategies do not make it easy to test for these biases prior to deployment. This occurs in HFT most predominantly. There may be bugs in the execution system as well as the trading strategy itself that do not show up on a backtest but DO show up in live trading. The market may have been subject to a regime change subsequent to the deployment of your strategy. New regulatory environments, changing investor sentiment and macroeconomic phenomena can all lead to divergences in how the market behaves and thus the profitability of your strategy. Risk Management The final piece to the quantitative trading puzzle is the process of risk management . Risk includes all of the previous biases we have discussed. It includes technology risk, such as servers co-located at the exchange suddenly developing a hard disk malfunction. It includes brokerage risk, such as the broker becoming bankrupt (not as crazy as it sounds, given the recent scare with MF Global). In short it covers nearly everything that could possibly interfere with the trading implementation, of which there are many sources. Whole books are devoted to risk management for quantitative strategies so I wontt attempt to elucidate on all possible sources of risk here. Risk management also encompasses what is known as optimal capital allocation . which is a branch of portfolio theory . This is the means by which capital is allocated to a set of different strategies and to the trades within those strategies. It is a complex area and relies on some non-trivial mathematics. The industry standard by which optimal capital allocation and leverage of the strategies are related is called the Kelly criterion . Since this is an introductory article, I wont dwell on its calculation. The Kelly criterion makes some assumptions about the statistical nature of returns, which do not often hold true in financial markets, so traders are often conservative when it comes to the implementation. Another key component of risk management is in dealing with ones own psychological profile. There are many cognitive biases that can creep in to trading. Although this is admittedly less problematic with algorithmic trading if the strategy is left alone A common bias is that of loss aversion where a losing position will not be closed out due to the pain of having to realise a loss. Similarly, profits can be taken too early because the fear of losing an already gained profit can be too great. Another common bias is known as recency bias . This manifests itself when traders put too much emphasis on recent events and not on the longer term. Then of course there are the classic pair of emotional biases - fear and greed. These can often lead to under - or over-leveraging, which can cause blow-up (i. e. the account equity heading to zero or worse) or reduced profits. As can be seen, quantitative trading is an extremely complex, albeit very interesting, area of quantitative finance. I have literally scratched the surface of the topic in this article and it is already getting rather long Whole books and papers have been written about issues which I have only given a sentence or two towards. For that reason, before applying for quantitative fund trading jobs, it is necessary to carry out a significant amount of groundwork study. At the very least you will need an extensive background in statistics and econometrics, with a lot of experience in implementation, via a programming language such as MATLAB, Python or R. For more sophisticated strategies at the higher frequency end, your skill set is likely to include Linux kernel modification, CC, assembly programming and network latency optimisation. If you are interested in trying to create your own algorithmic trading strategies, my first suggestion would be to get good at programming. My preference is to build as much of the data grabber, strategy backtester and execution system by yourself as possible. If your own capital is on the line, wouldnt you sleep better at night knowing that you have fully tested your system and are aware of its pitfalls and particular issues Outsourcing this to a vendor, while potentially saving time in the short term, could be extremely expensive in the long-term. Just Getting Started with Quantitative TradingLets start with the basics then I039ll get into the strategies: Quantitative investing is an approach for implementing investment strategies in an automated (or semi-automated) way. This approach lends itself well to (1) using large or unique data sets . (2) refining them into explanatory information, and (3) deploying them as trades via technology. At its core, every quant investor is looking for an edge , so I039ll explain how each element is used to capture edge. The best quants employ the scientific method they come up with a hypothesis based on a real-world observation, then they test it. Most people equate quantitative investing with advanced PhDs and high-level cutting edge math. Advanced math is often not the core driver of edge many of the most profitable quant strategies are actually very straightforward to understand. The key to coming up with a winning hypothesis is to understand the most profitable themes in finance, then to come up with a process for sourcing and expressing those themes. Some examples of highly profitable themes: G overnments create a multitude of opportunities for pure gamification. They are motivated by politics rather than profit, and there are numerous agencies and national regimes that create messy, contradicting rules. Quants look to reverse-engineer these rule structures and pinpoint inefficiencies within a system and across systems so they can capitalize on them. Governments tend to be slower to respond than profit-motivated actors, so the inefficiencies they create can persist for a long time (often indefinitely). For these reasons they are a profitable source of low-hanging fruit for quants: (a) Classic R egulatory Arbitrage . Financial actors often scour the rule systems of regulators in an effort to find inefficiencies. One example: the electricity regulators have a reputation for being so incompetent that their complex rules and regulations provide electricity traders with innumerable opportunities. As Bloomberg put it, quotFERC (the electricity regulator) builds markets with so many bells and whistles and buttons and valves that some of the buttons end up having no function but to dispense money. If you can find those buttons, what you do is just keep pressing them until the FERC notices and gets mad at you. 1 quot (b) Cross-Border Regulatory Arbitrage. Example: U. S. regulators require companies to report quarterly financials. Companies listed on the Taiwanese exchange are required to report monthly sales. Quants can take the monthly sales for semi-conductor companies listed in Taiwan2 and use deploy those signals ahead of investors waiting on the quarterly information in the U. S. They can also use the information to create better estimates for index performance and trade options or ETFs more effectively. (c) Inter-Agency Regulatory A rbitrage. This is when quants use the fact that rules have a tendency to conflict across different regulators within the same system. Example: The implementation of the new Dodd-Frank legislation (which hedge fund titan John Paulson artfully referred to as quotgobbledygook3 quot) has been a field day for quant investors who are decoding the rules. One aspect of the law states that banks amp thrift institutions that are FDIC-insured must report 039Call Data039, which requires disclosures of earnings, among other things. Many of these banks are now inadvertently reporting earnings via FDIC reports ahead of their quarterly 10-Q reports, providing an opportunity to take advantage of this timing discrepancy. Exchange rules. Much like governments, exchanges come up with specific trading rules that can be gamed: (a) Time Zone Arbitrage. 4 An arbitrage existed (now illegal) whereby some international mutual funds could be gamed due to differences in time zones. Per the rules, all mutual funds had their prices set end of day at 4pm EST, when U. S. exchanges closed. The problem was that for some international mutual funds, their markets had already closed prior to 4pm EST, which meant that investors could see the closing prices before the actual close. They would then simply algorithmically buy funds that they knew would be priced higher than the price being paid. (b) Flash Pricing. Several quantitative approaches often cited in discussions of high frequency trading are actually based on exploiting exchange rules. Quants use quotflash pricing5 quot to get a sneak peek on large order flow and then trade microseconds ahead of other participants to step in the middle. (c) Rebate Arbitrage. This is a tactic that uses an exchange rule that seeks to reward market participants that provide liquidity to the exchange versus those that remove liquidity. Several high frequency approaches seek to take advantage of this 039money button039 by placing trades that neutralize the market impact of their bets while maximizing their free rebates. Market participant rules. In addition to the inefficiencies created by governments and exchanges, market participants have their own rules to trade against, whether it be institutions with their own unique protocols or individuals with behavioral biases. Examples: (a) Algorithmic pattern recognition. One significant area of market innovation of late has been in pattern recognition. Back in the simpler days, if a big institutional order came in to a brokerage house, the broker would likely need to shop the order around to multiple other brokers to fill up the big trade. If broker Mike at Morgan Stanley called broker George at Goldman Sachs, George might be able to intuit that a big order was happening and keep some shares for himself while selling some of the others to Mike to fill his order. Brokers would track volume moves and the information at hand to quotRead the Tape6 quot to try and take advantage of big directional moves in a stock due to these block purchases. Nowadays, all institutional trading is done via electronic algorithm, where orders are routed in staggered patterns to multiple exchanges as well as different brokers, dark pools, and crossing networks in effort to fill them in the most effective, secretive way possible. Instead of reading the tape, modern quantitative funds now work on the other side and try to quotbreak the codequot. In other words, they seek to recognize and isolate custom trade execution patterns in an effort to trade against them. (b) ETF Rule Trading. When a stock is being added to an index, the ETFs representing that index often MUST buy that stock as well. By understanding the rules of index additionssubtractions, hedge funds can trade ahead of the forced buying and capitalize on those rules. (c) Prospectus A rbitrage. Many mutual funds amp hedge funds have their own investing rules. For example, many mutual funds arbitrarily set rules for themselves that they cannot own a stock under 5. Others must only invest in stocks that meet their specific quotgrowthquot or quotvaluequot characteristics. For a savvy quant investor, they can use textual analysis to scan for these types of rules across prospectuses, source the publicly available information on mutual fund holdings (via 13F filings), determine which funds hold assets close to their stated thresholds, and trade against those constraints. (d) Behavioral biases. Many retail investors have well-established psychological biases. For example, retail investors have a tendency to cut winning positions add to losing positions due to a loss-aversion bias. Quants can identify general behavioral biases among certain classes of investors, isolate which stocks express those biases and are favored by the class of investors, then trade against the irrational behavior as a source of return. Other Pure Informational Advantages. Some funds focus on finding unique data sources to extract an edge. A very interesting WSJ article7 shared that: Some funds use satellite imagery to determine whether crops are growing at the expected rate in order to estimate commodity supplies amp prices. Others use satellite imagery to gauge whether parking lots are full or empty at specific retailers as a way to anticipate sales. Others measure the shadows cast from buildings to estimate the rate of new construction in major cities. Die Liste geht weiter. There are an innumerable number of clever ways to find better, faster information rather than wait for the quarterly amp annual reports to come out. 2. Refining Data. All of the above thus far describes different types of trades and data sets that can be used to extract an edge. Often the uniqueness of the data alone is enough to confer an obvious advantage, but additional edge can be extracted using the best techniques to scrub amp refine the information. This is often where the PhD-level mathematics can provide an edge. Monte Carlo simulation, machine-learning algorithms, refinements to traditional regression analysis or other means can contribute to higher predictive values for a given date set. Deep Math Applications. The inefficiencies amp data sets above are intuitive to understand and do not fundamentally require advanced math applications. That being said, there are strategies that are only explained with advanced math. Emc2 is not a fundamentally intuitive concept, but it has been used to explain a vast array of knowledge that didn039t exist prior to its discovery. The same discoveries can be unearthed in finance (though no one would broadly disseminate them as long as they are effective.) An example of a financial field where advanced math is almost mandatory is o ptions. Options (and derivative securities in general) have more complex mathematical underpinnings than traditional stocks. As opposed to stocks that move primarily in relation to the health of the company and the broader economy, the value of options are are also affected by (i) the passage of time, (ii) the volatility of the underlying security, (iii) the movements of the broader market, (iv) the volatility of the broader market, and other key factors. All of the factors change non-linearly with the movement of the others, so the higher-order moments of each variable can have a meaningful impact on value of the option. Add these complications to the fact that the options market has its own unique opportunities for trading amp rule gamification and you suddenly have a very intense math problem. Sometimes there is no simple underpinning to solving these inefficiencies and it comes down to building the best mathematical mousetrap to assess differences in price vs. value. 3. Deployment methods The last main category of edge can be found through deployment methods. If a fund can find amp refine data on par with other quant funds they can still lose if they are slower to deploy their algorithms and trades. Additionally, there is valuable information released every day that can move the markets (from company specific information to economic indicators), and those who can process that information and trade on it faster can win. The reality here is that there is such a diversity of profitable quant strategies that deployment is one of the hardest edges to maintain. High-frequency trading (HFT) has become a veritable arms-race to zero latency (ie: trading at speeds approaching zero microseconds.) That being said, there can be winners in an arms-race and there have been firms that have benefited from highly profitable advancements: Microwaves. For HFT firms, fiberoptics are a painfully slow way to communicate. The problem is that the speed of light is somewhat hampered down by all that bouncing around inside the optic cable, and it slows the information down. To solve for this, firms now use microwave transmitters8. which can communicate directly from point A to point B via a less convoluted route. The result is a transmission time that is up to 50 faster, which saves precious microseconds. Another way to trade faster with an exchange is to 039co-locate039 or to purchase a server directly on site with an exchange. HFT firms pay top dollar not only to co-locate servers but also for the front-row seats which cut down the physical distance by multiple centimeters (or maybe even meters). Better algorithms. Beyond the hardware considerations, HFT firms are constantly looking for faster ways to process their algorithms and shave off processing time. This is done via a combination of software (and hardware) advancements that eliminate every microsecond possible. I hope that was helpful Looking forward to any comments or feel free to email: nathan (at) clarityspring There is no data to answer this question. Here are quantitative and algorithmic strategies I had heard about or seen in use. Kalman filters hidden markov models topological manifold learning non-linear kernel regression techniques APT type factor models monte carlo options pricing techniques continuous time APT factor models with latent variables spectral techniques for doing bag of words extraction of factors from natural language corpus for generating forcings for stochastic partial differential models of asset dynamics pairs tradingmean regression statistical arbitrage strategies automatic graphical model construction (structural inference over dynamic Bayesian networks) reinforcement learning based pairs trading strategies jair. orgmedia1336l. information theory based investment strategies see en. wikipedia. orgwikiGam. J. L. Kelly, Jr. quotA New Interpretation of Information Rate, quot Bell System Technical Journal . Vol. 35, July 1956, pp. 917-26 Sparse over complete basis function methods for feature extraction applications 039information geometry039 a field on the border between information theory, probability theory and differential geometry still very new anything that can be used to model or extract features from a time series Most of the returns are not generated by creating fundamentally new algorithms, but by applying existing algorithms in novel ways to new data sets. For instance, the market might be efficient with respect to most algorithms with respect to price. I would say the market is efficient with respect to a given algorithm and property of the market if you are unable to use knowledge about statistical relations extracted with a given algorithm to generate returns which exceed the cost of capital, after transaction costs. So you might be unable to predict price movements with the above strategies, because there are so many firms already doing that. However the market might be inefficient with respect to a given algorithm and say volatility instead of price. How do you make money on thatquot If you are clever you can profit from statistical predictability in nearly any property of the market. For instance, if I take an RSS feed of news reports about stocks and use bag of words techniques for factor extractions and use these factors to predict the price volatility of a stock. Say I knew that there are an abnormally high volume of news reports about a company. This may indicate that the volitility (variance) of the security039s price will be abnormally high for a few days (you would back test to determine a relationship). You know the security price is likely to move, but you do not know what direction it will move in. So you buy a butterfly option. See: en. wikipedia. orgwikiBut. Long 1 call with a strike price of (X a) Short 2 calls with a strike price of X Long 1 call with a strike price of (X a) Using novel combinations of derivatives you can take advantage of your ability to forecast even extremely esoteric statistical properties of the market. More complex and profitable trading strategies use relationships between multiple assets. Novel (and preferably non-public) data is also important. The best returns will be generated by strategies that use data which no one else has. For instance, there was a group of people that took public data from NASA039s Landsat satellite and used it to predict US corn and soy bean production. During the cold war mathematical models were developed that allowed the US to predict Soviet crop yields using satellite data better than the Soviets could predict crop yield from the ground. These models were used to predict soy bean and corn production in the US by this company. Using this public data and algorithms the company was able to predict aggregate US crop production more accurately than the USDA. This data was used to front run price movements from USDA crop yield reports. The company was purchased by a hedge fund that specialized in trading soy bean and corn futures. They can generate high rates of return on their capital, because they have information no one else has. Quantitative methods in investment can be used to 1gt Give a model which enables you to better estimate latent variables from data 2gt Give a model which allows predictions of how the market will respond to changes in underlying variables (such as interest rate or change in oil prices) 3gt Create a model about how prices and volatility responds to eventsnews reports Quantative methods generally fall into 3 categories: 1gt Decision making (ex. order generation) 2gt Modeling (predictive, generative) 3gt Asset Allocation (allocating capital between investment strategies or assets) 4gt improving estimates of latent variables used in other models, by incorporating new sources of data or extracting information from existing sources in an improved manner Kelly Criterion and Mean Variance Portfolio Theory fall into category 3 Neural networks, rule based trading strategies, decision trees, adaptive learning, SVMs for signal generation fall into category 1 CAPMAPT, Black Scholes fall into category 2 An example of category 4, which be using implied volatility, historical volatility and extracted corporate events to estimate volatility of an assets price over a given time horizon. Historical volatility will lag actual volatility, so incorporating multiple sources of data (or higher frequency data) can yield improvements over using historical volatility. Traditionally, a quotquantquot uses methods from statistics, Ito calculus, monte carlo methods and partial differential equations. These methods from applied mathematics are limited and and largely have become commoditized. quotQuantitativequot strategies in the past 10 years have moved away from these methods and now incorporate a wider range of academic disciplines, especially machine learning. 23.8k Views middot View Upvotes middot Not for Reproduction May be my reply is not regarding the discussion. but Haven039t you thought that in case of the opening of the profile and the selection of exchange you should observe to the principles I mean improving the abilities of dealing, as well as the advancing of trading methods A very experienced trader can produce his personal indicators or even trade automates Anyway, all these bases on one basic thing that we all, without exception, have to exploit: on the trading platform You can read the reviews or try the most popular platforms by yourself. I would propose to check them for free and test by this address: 378 Views middot Not for Reproduction