Was Ist Quantitative Handelsstrategien

Quantitative Trading Was ist Quantitative Trading Quantitative Trading 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 für die Marktbedingung rentabel sind, für die sie entwickelt wurden, aber sie scheitern letztlich, wenn sich die Marktbedingungen ändern. Quantitative Trading Strategies Trades auf der Grundlage von erwarteten Unternehmensveranstaltungen, wie erwartete Fusions - oder Übernahmeaktivitäten oder Konkursablage . Auch als Risiko-Arbitrage bezeichnet. Relative Value Trading vs. Directional Trading Die meisten quantitativen Hedge Fund Tradinginvestment Ansätze fallen in eine von zwei Kategorien: diejenigen, die Relative Value Strategien verwenden, und diejenigen, deren Strategien als Directional charakterisiert werden würde. Beide Strategien nutzen Computermodelle und statistische Software stark. Relative Value-Strategien versuchen, auf vorhersehbare Preissetzungsbeziehungen (oftmals mittlere Rückkehrverhältnisse) zwischen mehreren Vermögenswerten zu investieren (z. B. die Beziehung zwischen kurzfristigen US-Treasury-Bill-Renditen gegenüber langjährigen US-Treasury-Bond-Renditen oder der Beziehung im implizierten) Volatilität in zwei verschiedenen Optionskontrakten). Richtungsstrategien basieren in der Regel auf Trendfolgen oder anderen musterbasierten Pfaden, die auf eine Aufwärts - oder Abwärtsdynamik für eine Sicherheit oder einen Wert von Wertpapieren hindeuten (z. B. Wetten, dass die langwierigen US-Schatzanleihen-Renditen zunehmen werden oder die implizite Volatilität wird Ablehnen). Relative Value-Strategien Gemeinsame Beispiele für Relative Value-Strategien sind die Vergabe von relativen Wetten (dh Kauf eines Assets und Verkauf eines anderen) auf Vermögenswerte, deren Preise eng miteinander verknüpft sind: Staatsanleihen von zwei verschiedenen Ländern Staatliche Wertpapiere von zwei verschiedenen Längen bis zur Fälligkeit Corporate vs. Hypothekenanleihe-Wertpapiere Die Differenzierung der impliziten Volatilität zwischen zwei Derivaten Aktienkurse gegenüber Anleihekursen für eine Unternehmensanleihe Emittent Unternehmensanleihenrenditen gegenüber Credit Default Swap (CDS) Spreads Die Liste der potenziellen Relative Value Strategien ist sehr lange oben sind nur einige Beispiele. Es gibt drei sehr wichtige und häufig verwendete Relative Value-Strategien, um sich jedoch bewusst zu sein: Statistisches Arbitrage: Trading eine mittlere Rückkehr Trend der Werte von ähnlichen Körbe von Vermögenswerten auf der Grundlage historischer Handelsbeziehungen. Eine gemeinsame Form der statistischen Arbitrage, oder Stat Arb, Handel, ist bekannt als Equity Market Neutral Handel. In dieser Strategie werden zwei Baskets von Aktien ausgewählt (ein langer Korb und ein kurzer Korb), mit dem Ziel, dass die relativen Gewichte der beiden Körbe den Fonds mit null Nettoexposition gegenüber verschiedenen Risikofaktoren (Industrie, Geographie, Sektor usw .) Stat Arb könnte auch den Handel mit einem Index gegen eine ähnlich abgestimmte ETF oder einen Index im Vergleich zu einem einzigen Unternehmensbestand beinhalten. Cabrio-Arbitrage: Kauf von Wandelschuldverschreibungen von einem Unternehmen und gleichzeitige Veräußerung der gleichen Gesell - schaften Stammaktien, wobei die Idee ist, dass, wenn der Bestand eines bestimmten Unternehmens sinkt, der Gewinn aus der Short-Position mehr als einen Verlust der Wandelanleihe ausgleichen wird Position, da der Wandelanleihe-Wert als festverzinsliches Instrument gilt. Ebenso kann der Fonds von der Umwandlung seiner Wandelschuldverschreibungen in einem Aktienkurs, der diesen Markt am Marktwert verkauft, um einen Betrag, der jegliche Verluste in seiner Short-Position übersteigt, profitieren. Fixed Income Arbitrage: Handel mit festverzinslichen Wertpapieren an entwickelten Anleihemärkten, um die wahrgenommenen relativen Zinsanomalien auszunutzen. Fixed Income Arbitrage Positionen können Staatsanleihen, Zinsswaps und Zinsfutures verwenden. Ein populäres Beispiel für diese Art des Handels in feste Einkommen Arbitrage ist die Basis Handel, in dem man verkauft (kauft) Treasury Futures, und kauft (verkauft) eine entsprechende Menge der potenziellen lieferbaren Anleihe. Hier geht man davon über die Differenz zwischen dem Kassakurs einer Anleihe und dem angepassten Futures-Kontraktpreis (Futures-Preisumrechnungsfaktor) und dem Handel der Paares von Vermögenswerten entsprechend. Richtungsstrategien Direktionale Handelsstrategien, die in der Regel auf Trendfolgen oder anderen musterbasierten Pfaden aufbauen, die auf eine Aufwärts - oder Abwärtsbewegung für einen Sicherheitspreis hindeuten. Directional Trading wird oft einige Aspekte der technischen Analyse oder Charting enthalten. Dies beinhaltet die Vorhersage der Richtung der Preise durch die Untersuchung der vergangenen Preis - und Volumenmarktdaten. Die gehandelte Richtung kann die eines Vermögenswertes selbst sein (Impuls in Aktienkursen, zB der Euro-Dollar-Dollar-Wechselkurs) oder ein Faktor, der direkt den Vermögenswert selbst beeinflusst (z. B. implizite Volatilität für Optionen oder Zinsen Raten für Staatsanleihen). Der technische Handel kann auch die Verwendung von gleitenden Durchschnitten, Bands um die historische Standardabweichung von Preisen, Unterstützung und Widerstandsniveaus und Änderungsraten umfassen. Typischerweise würden technische Indikatoren nicht die alleinige Grundlage für eine quantitative Hedge Funds Anlagestrategie darstellen. Quant Hedge Funds beschäftigen viele zusätzliche Faktoren über historische Preis - und Volumeninformationen hinaus. Mit anderen Worten: Quantitative Hedge Funds, die Directional Trading Strategien beschäftigen, haben in der Regel insgesamt quantitative Strategien, die viel anspruchsvoller als allgemeine technische Analyse sind. Dies ist nicht zu vermuten, dass Tag Händler nicht in der Lage, von technischen Analysen das Gegenteil profitieren, können viele Impuls-basierte Handelsstrategien profitabel sein. Für die Zwecke dieses Trainingsmoduls werden die Verweise auf die Strategien des Quantenhedge-Fonds nicht nur auf Strategien der technischen Analyse basieren. Andere quantitative Strategien Andere quantitative Handelsansätze, die nicht einfach als Relative Value Strategien oder Richtungsstrategien kategorisiert werden, sind: High-Frequency Trading. Wo Händler versuchen, die Preisdiskrepanzen zwischen mehreren Plattformen mit vielen Trades während des Tages nutzen Managed Volatility Strategien verwenden Futures und Terminkontrakte auf die Schaffung von niedrigen, aber stabilen, LIBOR-plus absolute Renditen konzentrieren, Erhöhung oder Verringerung der Anzahl der Verträge dynamisch als Die zugrunde liegenden Volatilitäten der Aktien-, Anleihe - und anderen Märkte verschieben sich. Managed Volatility Strategies haben in der Popularität in den letzten Jahren aufgrund der jüngsten Instabilität der beiden Aktien-und Anleihenmärkte gewonnen. LarrWhat ist ein quantitatives Hedge Fund Top Quantitative Hedge FundsrarrQuant Strategien - sind sie für Sie Quantitative Anlagestrategien haben sich zu sehr komplexen Werkzeugen mit dem Aufkommen moderner Computer entwickelt, aber die Strategien Wurzeln gehen über 70 Jahre zurück. Sie werden in der Regel von hochgebildeten Teams geführt und verwenden proprietäre Modelle, um ihre Fähigkeit zu erhöhen, den Markt zu schlagen. Es gibt sogar off-the-shelf Programme, die Plug-and-Play für diejenigen sind, die Einfachheit suchen. Quant-Modelle funktionieren immer gut, wenn sie zurück getestet wurden, aber ihre tatsächlichen Anwendungen und Erfolgsquoten sind umstritten. Während sie in den Bullenmärkten gut funktionieren scheinen. Wenn die Märkte haywire gehen, werden Quant Strategien den gleichen Risiken ausgesetzt wie jede andere Strategie. Die Geschichte Einer der Gründungsväter der Studie der quantitativen Theorie, die auf die Finanzierung angewendet wurde, war Robert Merton. Man kann sich nur vorstellen, wie schwierig und zeitaufwendig der Prozess vor dem Gebrauch von Computern war. Andere Theorien in der Finanzierung entwickelten sich auch aus einigen der ersten quantitativen Studien, einschließlich der Basis der Portfolio-Diversifizierung auf der Grundlage der modernen Portfolio-Theorie. Die Verwendung von quantitativen Finanzen und Kalkül führte zu vielen anderen gemeinsamen Tools, darunter eine der bekanntesten, die Black-Scholes Option Preisformel, die nicht nur Investoren Preis Optionen und Strategien zu entwickeln, sondern hilft, die Märkte in Schach mit Liquidität zu halten. Bei der direkten Portfoliomanagement. Das Ziel ist wie jede andere Anlagestrategie. Um Wert, Alpha oder Überschuss zurückzugeben. Quants, wie die Entwickler genannt werden, komponieren komplexe mathematische Modelle, um Investitionsmöglichkeiten zu erkennen. Es gibt so viele Modelle da draußen wie Quants, die sie entwickeln, und alle behaupten, die besten zu sein. Eines der Quant-Investment-Strategien Best-Selling-Punkte ist, dass das Modell, und letztlich der Computer, macht die eigentliche Buysell Entscheidung, nicht ein Mensch. Dies neigt dazu, jede emotionale Reaktion zu entfernen, die eine Person beim Kauf oder Verkauf von Investitionen erleben kann. Quant-Strategien werden nun in der Investitionsgemeinschaft akzeptiert und werden durch Investmentfonds, Hedgefonds und institutionelle Investoren geführt. Sie gehen in der Regel durch den Namen Alpha-Generatoren. Oder alpha gens Hinter dem Vorhang Wie im Zauberer von Oz ist jemand hinter dem Vorhang, der den Prozess antreibt. Wie bei jedem Modell ist es nur so gut wie der Mensch, der das Programm entwickelt. Zwar gibt es keine spezifische Anforderung, um ein Quant zu werden, die meisten Firmen, die Quant-Modelle betreiben, kombinieren die Fähigkeiten von Investment-Analysten, Statistiker und die Programmierer, die den Prozess in den Computern kodieren. Aufgrund der komplexen Natur der mathematischen und statistischen Modelle, ihre gemeinsame zu sehen, Anmeldeinformationen wie Graduate Grad und Doktoranden in Finanzen, Wirtschaft, Mathematik und Ingenieurwesen zu sehen. Historisch gesehen arbeiteten diese Teammitglieder in den Backoffices. Aber da Quellmodelle immer häufiger wurden, geht das Backoffice zum Frontbüro. Vorteile von Quant-Strategien Während die allgemeine Erfolgsquote umstritten ist, ist der Grund, warum einige Quant-Strategien funktionieren, dass sie auf Disziplin basieren. Wenn das Modell richtig ist, hält die Disziplin die Strategie, mit Blitzschnellcomputern zu arbeiten, um Ineffizienzen in den Märkten auf der Grundlage quantitativer Daten auszunutzen. Die Modelle selbst können auf so wenig wie einige Verhältnisse wie PE basieren. Schulden auf Eigenkapital und Ergebniswachstum oder Tausende von Inputs zur gleichen Zeit zusammenarbeiten. Erfolgreiche Strategien können sich in Trends in ihren frühen Stadien abholen, da die Computer ständig Szenarien laufen, um Ineffizienzen zu lokalisieren, bevor andere es tun. Die Modelle sind in der Lage, eine sehr große Gruppe von Investitionen gleichzeitig zu analysieren, wo der traditionelle Analytiker nur einige auf einmal betrachten kann. Der Screening-Prozess kann das Universum nach Klassenstufen wie 1-5 oder A-F je nach Modell bewerten. Dies macht den eigentlichen Handelsprozess sehr einfach, indem er in die hoch bewerteten Investitionen investiert und die niedrig bewerteten verkauft. Quant-Modelle eröffnen auch Variationen von Strategien wie Long, Short und Longshort. Erfolgreiche Mengenfonds halten die Risikokontrolle aufgrund der Art ihrer Modelle im Blick. Die meisten Strategien beginnen mit einem Universum oder Benchmark und nutzen Sektor und Industrie Gewichtungen in ihren Modellen. Damit können die Mittel die Diversifikation bis zu einem gewissen Grad kontrollieren, ohne das Modell selbst zu beeinträchtigen. Quant-Fonds laufen in der Regel auf einer niedrigeren Kostenbasis, weil sie nicht so viele traditionelle Analytiker und Portfoliomanager brauchen, um sie zu führen. Nachteile von Quant Strategies Es gibt Gründe, warum so viele Investoren nicht vollständig umarmen das Konzept der Vermietung einer Black Box laufen ihre Investitionen. Für alle erfolgreichen quant Fonds da draußen, so viele scheinen nicht erfolgreich zu sein. Leider für die Quants Reputation, wenn sie scheitern, sie scheitern große Zeit. Long-Term Capital Management war eines der bekanntesten Quoten-Hedge-Fonds, wie es von einigen der angesehensten akademischen Führer und zwei Nobel Memorial Preisträger Ökonomen Myron S. Scholes und Robert C. Merton geführt wurde. In den 1990er Jahren erzielte ihr Team überdurchschnittliche Renditen und zog Kapital von allen Investoren an. Sie waren berühmt dafür, dass sie nicht nur Ineffizienzen ausnutzen, sondern auch einen leichten Zugang zu Kapital nutzen, um enorme gehebelte Wetten auf Marktanweisungen zu schaffen. Die disziplinierte Natur ihrer Strategie schuf tatsächlich die Schwäche, die zu ihrem Zusammenbruch führte. Langfristiges Kapitalmanagement wurde im Frühjahr 2000 liquidiert und aufgelöst. Seine Modelle enthielten nicht die Möglichkeit, dass die russische Regierung auf einige ihrer eigenen Schulden verstoßen könnte. Diese ein Ereignis ausgelöst Ereignisse und eine Kettenreaktion vergrößert durch Leverage-verursachte Chaos. LTCM war so stark mit anderen Investitionsvorgängen beschäftigt, dass sein Zusammenbruch die Weltmärkte beeinflusste und dramatische Ereignisse auslöste. Auf lange Sicht trat die Federal Reserve ein, um zu helfen, und andere Banken und Investmentfonds unterstützten LTCM, um weitere Schäden zu vermeiden. Dies ist einer der Gründe, warum quant Fonds fehlschlagen können, da sie auf historischen Ereignissen basieren, die keine zukünftigen Ereignisse beinhalten können. Während ein starkes Quant-Team ständig neue Aspekte der Modelle hinzufügt, um zukünftige Ereignisse vorherzusagen, ist es unmöglich, die Zukunft jedes Mal vorherzusagen. Quant-Fonds können auch überwältigt werden, wenn die Wirtschaft und die Märkte eine überdurchschnittliche Volatilität erfahren. Die Kauf - und Verkaufssignale können so schnell kommen, dass der hohe Umsatz hohe Provisionen und steuerpflichtige Ereignisse schaffen kann. Quant-Fonds können auch eine Gefahr darstellen, wenn sie als Bärensicherheit vermarktet werden oder auf kurzen Strategien basieren. Vorhersage von Abschwüngen. Mit Derivaten und Kombination von Hebelwirkung kann gefährlich sein. Eine falsche Wendung kann zu Implosionen führen, die oft die Neuigkeiten machen. Die Bottom Line Quantitative Anlagestrategien haben sich von Backoffice Black Boxen zu Mainstream Investment Tools entwickelt. Sie sind entworfen, um die besten Köpfe in der Wirtschaft und die schnellsten Computer zu nutzen, um Ineffizienzen zu nutzen und nutzen Hebel, um Marktwetten zu machen. Sie können sehr erfolgreich sein, wenn die Modelle alle richtigen Eingaben enthalten haben und sind flink genug, um abnorme Marktereignisse vorherzusagen. Auf der Flip-Seite, während Quant-Fonds rigoros zurück getestet werden, bis sie arbeiten, ihre Schwäche ist, dass sie sich auf historische Daten für ihren Erfolg verlassen. Während die Quant-Style-Investition ihren Platz auf dem Markt hat, ist es wichtig, sich ihrer Mängel und Risiken bewusst zu sein. Im Einklang mit Diversifizierungsstrategien sein. Es ist eine gute Idee, Quant-Strategien als Investitionsstil zu behandeln und mit traditionellen Strategien zu kombinieren, um eine ordnungsgemäße Diversifizierung zu erreichen. Artikel 50 ist eine Verhandlungs - und Vergleichsklausel im EU-Vertrag, in der die für jedes Land zu ergreifenden Maßnahmen umrissen werden. Ein anfängliches Angebot für ein bankrottes Unternehmen039s Vermögenswerte von einem interessierten Käufer, der von der Konkursgesellschaft gewählt wurde. Von einem Bieterpool aus. Beta ist ein Maß für die Volatilität oder das systematische Risiko eines Wertpapiers oder eines Portfolios im Vergleich zum Gesamtmarkt. Eine Art von Steuern, die auf Kapitalgewinne von Einzelpersonen und Kapitalgesellschaften angefallen sind. Kapitalgewinne sind die Gewinne, die ein Investor ist. Ein Auftrag, eine Sicherheit bei oder unter einem bestimmten Preis zu erwerben. Ein Kauflimitauftrag erlaubt es Händlern und Anlegern zu spezifizieren. Eine IRS-Regel (Internal Revenue Service), die strafrechtliche Abhebungen von einem IRA-Konto ermöglicht. Die Regel erfordert, dass. Beginner39s Guide to Quantitative Trading In diesem Artikel Ich werde Ihnen einige der grundlegenden Konzepte, die ein Ende-zu-Ende quantitativen Handelssystem begleiten vorstellen. 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 werde hier nicht zu viel zu viel zu Hause sein, 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 einem größeren Fonds ist es oft nicht die Domäne des Quant-Traders, die Ausführung zu optimieren. Doch in kleineren Geschäften oder HFT-Firmen sind die Händler die Vollstrecker und so ein viel breiteres Skillset ist oft wünschenswert. Denken Sie daran, wenn Sie von einem Fonds beschäftigt werden möchten. Ihre Programmierkenntnisse werden so wichtig sein, wenn nicht mehr, als Ihre Statistiken und Ökonometrie-Talente Ein weiteres wichtiges Thema, das unter den Banner der Ausführung fällt, ist das der Transaktionskostenminimierung. Es gibt in der Regel drei Komponenten für Transaktionskosten: Provisionen (oder Steuern), die die Gebühren sind, die durch die Vermittlung, die Börse und die SEC (oder eine ähnliche Regierungsbehörde) rutschen, was ist der Unterschied zwischen dem, was Sie beabsichtigt, Ihre Bestellung zu sein Gefüllt im Vergleich zu dem, was es tatsächlich gefüllt war bei der Ausbreitung, was ist der Unterschied zwischen dem bidask Preis der Sicherheit gehandelt. Beachten Sie, dass der Spread NICHT konstant ist und von der aktuellen Liquidität (d. H. Verfügbarkeit von Buysell-Aufträgen) auf dem Markt abhängig ist. Transaktionskosten können den Unterschied zwischen einer äußerst profitablen Strategie mit einer guten Sharpe-Ratio und einer äußerst unrentablen Strategie mit einem schrecklichen Sharpe-Verhältnis machen. Es kann eine Herausforderung sein, die Transaktionskosten von einem Backtest korrekt vorherzusagen. Abhängig von der Häufigkeit der Strategie benötigen Sie Zugriff auf historische Austauschdaten, die Tick-Daten für Bidask-Preise enthalten. Ganze Teams von Quants sind der Optimierung der Ausführung in den größeren Fonds gewidmet, aus diesen Gründen. Betrachten Sie das Szenario, in dem ein Fonds eine erhebliche Menge an Trades auslösen muss (von denen die Gründe dafür vielfältig sind). Durch das Dumping so viele Aktien auf den Markt, werden sie schnell drücken Sie den Preis und kann nicht optimale Ausführung erhalten. Daher existieren Algorithmen, die Futteraufträge auf den Markt abtropfen, obwohl der Fonds das Risiko des Schlupfes ausführt. Darüber hinaus beherrschen andere Strategien diese Notwendigkeiten und können die Ineffizienzen ausnutzen. Dies ist die Domäne der Fondsstruktur Arbitrage. Das letzte Hauptproblem für Ausführungssysteme betrifft die Divergenz der Strategieleistung aus der Rückversicherung. Dies kann aus einer Reihe von Gründen passieren. Weve bereits diskutiert Look-Ahead Bias und Optimierung Bias in der Tiefe, bei der Betrachtung Backtests. Allerdings machen einige Strategien es nicht leicht, diese Vorurteile vor dem Einsatz zu testen. Dies geschieht in HFT am überwiegendsten. Es gibt möglicherweise Fehler im Ausführungssystem sowie die Handelsstrategie selbst, die nicht auf einem Backtest auftauchen, aber DO im Live-Handel auftauchen. Der Markt kann unter Umständen einer Regimewechsel nach dem Einsatz Ihrer Strategie unterzogen worden sein. Neue regulatorische Umgebungen, veränderte Investorenstimmung und makroökonomische Phänomene können alle zu Divergenzen führen, wie sich der Markt verhält und damit die Profitabilität Ihrer Strategie. Risikomanagement Das letzte Stück zum quantitativen Trading Puzzle ist der Prozess des Risikomanagements. Das Risiko beinhaltet alle bisherigen Vorurteile, die wir besprochen haben. Es umfasst Technologierisiken, wie z. B. Server, die sich an der Börse befinden und plötzlich eine Festplattenfehlfunktion entwickeln. Es schließt das Vermittlungsrisiko ein, wie der Makler in Konkurs wird (nicht so verrückt wie es klingt, angesichts der jüngsten Angst mit MF Global). Kurz gesagt deckt es fast alles ab, was die Handelsimplementierung beeinträchtigen könnte, von der es viele Quellen gibt. Ganze Bücher sind dem Risikomanagement für quantitative Strategien gewidmet, so dass ich nicht versuchen werde, auf alle möglichen Gefahrenquellen zu klären. Das Risikomanagement umfasst auch die so genannte optimale Kapitalallokation. Das ist ein Zweig der Portfolio-Theorie. Dies ist das Mittel, mit dem das Kapital auf eine Reihe von verschiedenen Strategien und auf die Trades innerhalb dieser Strategien verteilt wird. Es ist ein komplexes Gebiet und beruht auf einer nicht-trivialen Mathematik. Der Industriestandard, durch den die optimale Kapitalallokation und die Hebelwirkung der Strategien verwandt werden, heißt das Kelly-Kriterium. Da dies ein einleitender Artikel ist, werde ich nicht auf seine Berechnung verzichten. Das Kelly-Kriterium macht einige Annahmen über die statistische Natur der Renditen, die in den Finanzmärkten nicht oft zutreffen, so dass die Händler oftmals konservativ sind, wenn es um die Umsetzung geht. Ein weiterer wichtiger Bestandteil des Risikomanagements liegt im Umgang mit einem eigenen psychologischen Profil. Es gibt viele kognitive Vorurteile, die zum Handel kriechen können. Obwohl dies zwar bei algorithmischem Handel weniger problematisch ist, wenn die Strategie allein gelassen wird, ist eine gemeinsame Vorspannung diejenige der Verlustaversion, bei der eine Verlustposition aufgrund des Schmerzes, einen Verlust zu realisieren, nicht geschlossen wird. Ebenso können Gewinne zu früh genommen werden, weil die Angst, einen bereits gewonnenen Gewinn zu verlieren, zu groß sein kann. Eine andere gemeinsame Vorspannung wird als Wiederholungsvorspannung bezeichnet. Dies manifestiert sich, wenn die Händler zu viel Wert auf die jüngsten Ereignisse und nicht auf längere Sicht setzen. Dann gibt es natürlich das klassische Paar emotionaler Vorurteile - Angst und Gier. Diese können oft zu einer Unter - oder Überhebelung führen, was zu einem Blow-up führen kann (d. h. das Konto-Equity-Kurs auf Null oder schlechter) oder reduzierte Gewinne. Wie man sehen kann, ist der quantitative Handel ein äußerst komplexer, wenn auch sehr interessanter Bereich der quantitativen Finanzierung. Ich habe buchstäblich die Oberfläche des Themas in diesem Artikel gekratzt und es wird schon ziemlich lange Ganze Bücher und Papiere wurden über Fragen geschrieben, denen ich nur einen Satz oder zwei in Richtung gegeben habe. Aus diesem Grund ist es vor der Beantragung von quantitativen Fondshandelsaufgaben notwendig, eine beträchtliche Menge an Grundlagenstudien durchzuführen. Zumindest benötigen Sie einen umfangreichen Hintergrund in der Statistik und Ökonometrie, mit viel Erfahrung in der Implementierung, über eine Programmiersprache wie MATLAB, Python oder R. Für anspruchsvollere Strategien am höheren Frequenzende ist Ihr Skill-Set wahrscheinlich Um Linux-Kernel-Modifikation, CC, Assembly-Programmierung und Netzwerk-Latenz-Optimierung. Wenn Sie daran interessiert sind, Ihre eigenen algorithmischen Handelsstrategien zu erstellen, wäre mein erster Vorschlag, bei der Programmierung gut zu werden. Meine Vorliebe ist es, so viel von der Daten-Grabber, Strategie-Backtester und Ausführung System von sich selbst wie möglich zu bauen. Wenn Ihr eigenes Kapital auf der Linie ist, würden Sie nicht besser schlafen in der Nacht wissen, dass Sie Ihr System vollständig getestet haben und sich seiner Fallstricke und bestimmten Fragen bewusst sind Outsourcing dieses zu einem Verkäufer, während potenziell Zeit sparen in der kurzfristigen, könnte extrem sein Teuer in der langfristigen Nur mit dem quantitativen Handel begonnen