Quantitative Trading Strategien Blog

Quant Strategies - sind sie für Sie. Quantitative Anlagestrategien haben sich zu sehr komplexen Werkzeugen mit dem Aufkommen der modernen Computer entwickelt, aber die Strategien Wurzeln gehen zurück über 70 Jahre Sie sind in der Regel von hochgebildeten Teams laufen und verwenden proprietäre Modelle, um ihre Fähigkeit zu erhöhen Schlagen den Markt Es gibt sogar off-the-shelf Programme, die Plug-and-Play für diejenigen sind, die Einfachheit suchen Quant-Modelle immer gut funktionieren, wenn sie zurück getestet wurden, aber ihre tatsächlichen Anwendungen und Erfolgsrate sind umstritten, während sie scheinen, gut in den Bullenmärkten zu arbeiten 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 Sie können sich nur vorstellen, wie schwierig und zeitaufwändig der Prozess war Vor dem Einsatz von Computern 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 berühmtesten , Die Black-Scholes Option Preisformel, die nicht nur Investoren Preis Optionen und entwickeln Strategien, sondern hilft, halten die Märkte in Schach mit Liquidität. Wenn angewendet direkt auf Portfolio-Management das Ziel ist wie jede andere Investitionsstrategie, um Wert, Alpha oder Überschüssige Renditen 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 Quantisierungsstrategie s Best-Selling-Punkte ist Dass das Modell, und letztlich der Computer, macht die tatsächliche Kauf verkaufen Entscheidung, nicht ein Mensch Dies neigt dazu, jede emotionale Reaktion, die eine Person kann beim Kauf oder Verkauf von Investitionen zu entfernen. Quant Strategien sind jetzt in der Investment-Community akzeptiert und laufen gegenseitig Fonds, Hedgefonds und institutionelle Anleger Sie gehen in der Regel mit dem Namen Alpha Generatoren oder Alpha Gens. Behind der Vorhang Genau wie in der Zauberer von Oz, ist jemand hinter dem Vorhang, der den Prozess treibt Wie bei jedem Modell ist es nur so gut wie die Menschen, die das Programm entwickeln Während es keine spezifische Voraussetzung für das Werden eines Quantes gibt, kombinieren die meisten Firmen, die Quant-Modelle betreiben, die Fähigkeiten von Investitionsanalysten, Statistiker und Programmierer, die den Prozess in den Computern kodieren. Aufgrund der komplexen Natur der mathematischen und statistischen Modelle , Es ist üblich, um Anmeldeinformationen wie Graduate Grad und Doktoranden in Finanzen, Wirtschaft, Mathematik und Ingenieurwissenschaften zu sehen. Historisch, diese Teammitglieder arbeiteten in den Back-Büros, aber als Quant-Modelle wurde mehr alltäglich, das Back-Office bewegt sich an die Front Office. Benefits Von Quant-Strategien Während die Gesamterfolgsquote 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 zu nutzen Daten Die Modelle selbst können auf so wenig wie ein paar Verhältnisse wie PE-Schulden an Eigenkapital und Gewinnwachstum basieren oder Tausende von Inputs zusammenarbeiten, die zur gleichen Zeit zusammenarbeiten. Erfolgreiche Strategien können sich auf Trends in ihren frühen Stadien wie die Computer ständig abholen Laufen Szenarien, um Ineffizienzen zu lokalisieren, bevor andere die Modelle in der Lage sind, eine sehr große Gruppe von Investitionen gleichzeitig zu analysieren, wo der traditionelle Analytiker nur einige auf einmal sehen kann. Der Screening-Prozess kann das Universum anhand von Gradniveaus wie 1-5 bewerten Oder AF je nach Modell Dies macht den eigentlichen Handelsprozess sehr einfach durch die Investition in die hoch bewerteten Investitionen und den Verkauf der Low-rated diejenigen. Quant Modelle eröffnen auch Variationen von Strategien wie lange, kurze und lange kurze Erfolgreiche Quant-Fonds halten eine scharfe Blick auf die Risikokontrolle aufgrund der Art ihrer Modelle Die meisten Strategien beginnen mit einem Universum oder Benchmark und nutzen Sektor und Branchengewichtung in ihren Modellen Dies ermöglicht es den Fonds, die Diversifikation in einem gewissen Ausmaß zu kontrollieren, ohne das Modell selbst zu beeinträchtigen Eine niedrigere Kostenbasis, weil sie don t brauchen, wie viele traditionelle Analytiker und Portfoliomanager, um sie zu führen. Disadvantages 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, genauso viele scheinen erfolglos zu sein Leider für die Quants Reputation, wenn sie scheitern, sie scheitern große time. Long-Term Capital Management war einer der berühmtesten Quoten-Hedge-Fonds, wie es von einigen der meisten geführt wurde Angesehene akademische Führer und zwei Nobel-Memorial-preisgekrönte Ökonomen Myron S Scholes und Robert C Merton In den 1990er Jahren erzielte ihr Team überdurchschnittliche Renditen und zog Kapital von allen Arten von Investoren an. Sie waren berühmt dafür, dass sie nicht nur Ineffizienzen ausnutzten Um Kapital zu schaffen, um enorme gehebelte Wetten auf Marktanweisungen zu schaffen. Die disziplinierte Natur ihrer Strategie schuf tatsächlich die Schwäche, die zu ihrem Zusammenbruch führte Long-Term Capital Management wurde im Frühjahr 2000 liquidiert und aufgelöst. Seine Modelle beinhalteten nicht die Möglichkeit, dass die russische Regierung könnte Ausfall auf einige seiner eigenen Schulden Diese ein Ereignis ausgelöst Ereignisse und eine Kettenreaktion, die durch Leverage-verursachte Chaos LTCM vergrößert wurde, war so stark mit anderen Investitionsvorgängen verwickelt, dass sein Zusammenbruch die Weltmärkte beeinflusste und dramatische Ereignisse auslöste. Auf lange Sicht die Federal Reserve Trat ein, um zu helfen, und andere Banken und Investmentfonds unterstützten LTCM, um weitere Schäden zu verhindern Dies ist einer der Gründe, warum Quant-Fonds scheitern können, da sie auf historischen Ereignissen basieren, die keine zukünftigen Ereignisse beinhalten können. Während ein starkes Quant-Team sein wird Ständig neue Aspekte für die Modelle vorhersagen, um zukünftige Ereignisse vorherzusagen, ist es unmöglich, die Zukunft jedes Mal vorherzusagen, wenn Quant-Fonds auch überwältigt werden können, wenn die Wirtschaft und die Märkte eine überdurchschnittliche Volatilität erfahren. Die Kauf - und Verkaufssignale können so schnell kommen Der hohe Umsatz kann hohe Provisionen und steuerpflichtige Ereignisse verursachen. Quant-Fonds können auch eine Gefahr darstellen, wenn sie als Bären-Beweis 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 machen die news. The Bottom Line Quantitative Anlagestrategien haben sich von Back-Office-Black-Boxen zu Mainstream-Investment-Tools entwickelt Sie sind entworfen, um die besten Köpfe in der Wirtschaft und die schnellsten Computer nutzen, um sowohl 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 Kehrseite, während Quant-Fonds rigoros zurück getestet werden, bis sie arbeiten, ist ihre Schwäche, dass sie sich auf historische Daten für ihren Erfolg verlassen Quant-style investing hat seinen Platz auf dem Markt, es ist wichtig, sich seiner Unzulänglichkeiten und Risiken bewusst zu sein. Um mit den Diversifizierungsstrategien in Einklang zu stehen, ist es sinnvoll, quant Strategien als Investitionsstil zu behandeln und mit traditionellen Strategien zu kombinieren, um eine ordnungsgemäße Diversifizierung zu erreichen. Die Höchstbeträge der Gelder, die die Vereinigten Staaten ausleihen können, wurde unter dem Zweiten Liberty Bond Act geschaffen. Der Zinssatz, bei dem ein Depotinstitut die Geldreserve an der Federal Reserve an eine andere Depotbank leiht.1 Eine statistische Maßnahme der Dispersion Der Renditen für eine gegebene Sicherheit oder Marktindex Volatilität kann entweder gemessen werden. Eine Handlung der US-Kongress verabschiedet im Jahr 1933 als Banking Act, die Geschäftsbanken von der Teilnahme an der Investition verboten. Nonfarm Gehaltsliste bezieht sich auf jede Arbeit außerhalb von Bauernhöfen, private Haushalte Und der gemeinnützige Sektor Das US-Büro der Arbeit. Die Währung Abkürzung oder Währungssymbol für die indische Rupie INR, die Währung von Indien Die Rupie besteht aus 1.Einführung In einem früheren Post, Copulas in Risk Management, habe ich im Detail die Theorie und Anwendungen von Copulas im Bereich des Risikomanagements, unterstreicht die potenziellen Vorteile des Ansatzes und wie es genutzt werden könnte, um die Schätzungen von Value-at-Risk zu verbessern, indem wichtige empirische Merkmale von Asset-Prozessen, wie asymmetrische, systematische Strategien, Fonds Feb 2017mentary Die Zeitreihen-Volatilität blieb im Monat Februar stumm, mit dem monatlichen Tiefstand auf dem CBOE-VIX-Index, der auf einen 10-Griff fiel, da die Trump-Rallye den Markt weiter trieb. Das Risiko ist nicht ganz verschwunden, aber es hat stattdessen Zeigte sich in einer Zunahme der Querschnittsdispersion in Aktien Als Folge. Modelling Asset Processes. Introduktion In den letzten fünfundzwanzig Jahren wurden erhebliche Fortschritte in der Theorie der Asset-Prozesse gemacht und gibt es jetzt eine Vielzahl von mathematischen Modellen, viele Von ihnen rechnerisch tragbar, die eine vernünftige Darstellung ihrer definierenden Eigenschaften bieten Während das Geometrische Brownian Motion-Modell bleibt ein Grundnahrungsmittel der stochastischen Kalkül-Theorie, it. Conditional Value bei Risk Models. Eines der am weitesten verbreiteten Risikomaßnahmen ist die Value-at - Risiko, definiert als der erwartete Verlust eines Portfolios auf einem bestimmten Konfidenzniveau Mit anderen Worten, VaR ist ein Perzentil einer Verlustverteilung. Trotz seiner Beliebtheit VaR leidet unter bekannten Einschränkungen seine Tendenz, das Risiko im linken Schwanz zu unterschätzen. Copulas in Risk Management. Copulas in Risk Management. Die systematische Volatilitätsstrategie. Die systematische Volatilitätsstrategie verwendet mathematische Modelle, um den relativen Wert von ETF-Produkten basierend auf dem CBOE S P500 Volatility Index VIX zu quantifizieren und ein positiv-alpha langes kurzes Volatilitätsportfolio zu schaffen Strategie ist entworfen, um robust unter extremen Marktbedingungen durch die Nutzung der positiven Konvexität der zugrunde liegenden ETF-Vermögenswerte Es ist nicht darauf zurückzuführen. Die systematische Strategien Quantitative Equity-Strategie. Systematische Strategien begann im Jahr 2009 als proprietäre Handelsgesellschaft in High-Frequenz-Handel in 2012 hat sich das Unternehmen mit der Einführung unserer VIX ETF-Strategie, die im Jahr 2015 durch die Systematische Volatilitätsstrategie ersetzt wurde, in niederfrequente systematische Handelsstrategien ausgeweitet. Das Unternehmen begann im Jahr 2015 mit der Verwaltung von Fremdkapital in der Managed Account Plattform. Strategy Portfolio Construction. Für viele Jahrzehnte Die von Harry Markovitz in den 1950er Jahren gebotenen Prinzipien des Portfolio-Aufbaus wurden weitgehend als einer der Eckpfeiler der modernen Portfolio-Theorie akzeptiert, wie zum Beispiel in diesem Wikipedia-Artikel zusammengefasst. Die Stärken und Schwächen der Mittel-Varianz-Methodik sind mittlerweile weit verbreitet Und weitgehend akzeptiert Aber Alternativen existieren, ein. HFT VIX Scalper führt auf Collective2.Unsere Hochfrequenz-VIX-Scalping-Strategie ist nun die 1 Top-Performance-Strategie auf Collective2, mit Renditen von über 2700 seit April 2016 mit einem Sharpe Ratio über 10 und Profit Factor von 2 8 Für mehr Hintergrund auf HFT-Scalping-Strategien sehen Sie die folgenden post. Systematic Strategies Fund. Systematische Strategien wurde im Jahr 2009 als proprietäre Handelsfirma im Hochfrequenzhandel im Jahr 2012 ins Leben gerufen Im Jahr 2012 erweitert das Unternehmen in niederfrequente systematische Handelsstrategien mit der Einführung unserer VIX-ETF-Strategie Die ursprüngliche VIX-ETF-Strategie wurde im Jahr 2015 durch die aktuelle Systematische Volatilitätsstrategie ersetzt, die sich auf der ursprünglichen Version durch die Beseitigung von. Beginner s Guide to Quantitative Trading verbesserte. In diesem Artikel werde ich Ihnen einige der grundlegenden Konzepte vorstellen Die ein Ende-zu-Ende quantitativen Handelssystem begleiten Diese Post wird hoffentlich zwei Zielgruppen dienen Die ersten werden Einzelpersonen versuchen, einen Job an einem Fonds als quantitativen Trader zu erhalten Die zweite werden Einzelpersonen, die versuchen wollen, ihren eigenen Einzelhandel einzurichten Algorithmischen Handel business. Quantitative Handel ist ein äußerst anspruchsvolles Gebiet der Quant Finanzen Es kann eine beträchtliche Menge an Zeit, um die notwendigen Kenntnisse, um ein Interview zu bestehen oder konstruieren Sie Ihre eigenen Trading-Strategien Nicht nur das, aber es erfordert umfangreiche Programmierung Know-how, an der sehr Am wenigsten 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 überragender Bedeutung sein. Ein quantitatives Handelssystem besteht aus vier Hauptkomponenten. Strategie Identifizierung - Finden einer Strategie, Ausnutzung einer Kante und Entscheidung über die Handelsfrequenz. Strategie Backtesting - Datenerfassung, Analyse der Strategie-Performance und Entfernen von Biases. Execution System - Verknüpfung mit einem Brokerage, Automatisierung der Handel und Minimierung der Transaktionskosten. Risk Management - Optimale Kapitalallokation , Wette Größe Kelly Kriterium und Handel Psychologie. Wir beginnen mit einem Blick auf, wie man eine Handelsstrategie zu identifizieren. Strategie Identifizierung. Alle quantitativen Handelsprozesse beginnen mit einer ersten Phase der Forschung Dieser Forschungsprozess umfasst die Suche nach einer Strategie, ob die Strategie Passt in ein Portfolio von anderen Strategien, die Sie ausführen können, erhalten alle Daten notwendig, um die Strategie zu testen und versuchen, die Strategie für höhere Renditen zu optimieren und oder weniger Risiko Sie müssen in Ihre Eigenkapitalanforderungen Faktor, wenn die Ausführung der Strategie als Einzelhandel Trader und wie jede Transaktionskosten die Strategie beeinflussen werden. Im Gegensatz zu den populären Glauben ist es eigentlich ganz einfach, profitable Strategien durch verschiedene öffentliche Quellen zu finden. Akademiker veröffentlichen regelmäßig theoretische Handelsergebnisse, wenngleich meistens grob von Transaktionskosten Quantitative Finanz-Blogs diskutieren Strategien im Detail Fachzeitschriften Werden einige der Strategien, die von den Mitteln angewendet werden, skizzieren. Sie könnten fragen, warum Einzelpersonen und Firmen scharf sind, ihre rentablen Strategien zu besprechen, besonders wenn sie wissen, dass andere, die den Handel verdrängen, die Strategie aufhören können, auf lange Sicht zu arbeiten Der Grund liegt in der Tatsache Dass sie nicht oft die genauen Parameter und Abstimmungsmethoden besprechen, die sie durchgeführt haben 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, zu finden Ähnliche Methoden und dann führen Sie Ihre eigene Optimierung Verfahren. Hier ist eine kleine Liste von Orten zu beginnen, nach Strategie Ideen. Many der Strategien, die Sie betrachten wird in die Kategorien der Mittel-Reversion und Trend-Follow-Impuls Ein Mittel - Rückkehrstrategie ist eine, die versucht, die Tatsache auszunutzen, dass ein langfristiger Mittelwert für eine Preisreihe wie die Ausbreitung zwischen zwei korrelierten Vermögenswerten existiert und dass kurzfristige Abweichungen von diesem Mittelfall schließlich zurückkehren werden. Eine Impulsstrategie versucht, sowohl die Investorenpsychologie als auch die Ausnutzung zu nutzen Große Fonds-Struktur durch hitching eine Fahrt auf eine Markttrend, die Impuls in einer Richtung zu sammeln, und folgen Sie dem Trend, bis es umkehrt. Ein weiterer sehr wichtiger Aspekt der quantitativen Handel ist die Häufigkeit der Handelsstrategie Niederfrequenzhandel LFT bezieht sich allgemein auf alle Strategie, die Vermögenswerte länger als einen Handelstag hält Entsprechend bezieht sich der Hochfrequenzhandel HFT im Allgemeinen auf eine Strategie, die Vermögenswerte intraday hält. Hochfrequenzhandel 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 haben diese Themen in diesem Einführungsartikel in großem Maße diskutiert. Eine Strategie oder eine Reihe von Strategien wurde identifiziert, die es jetzt sein muss Getestet auf Profitabilität auf historische Daten Das ist die Domäne der Backtesting. Strategy Backtesting. Das Ziel der Backtesting ist es, Beweise dafür, dass die Strategie identifiziert über die oben genannten Prozess ist rentabel, wenn auf historische und out-of-sample Daten angewendet Dies setzt die Erwartung Wie die Strategie in der realen Welt durchführen wird. Allerdings ist das Backtesting NICHT ein Garant für den Erfolg, aus verschiedenen Gründen. Es ist vielleicht der subtilste Bereich des quantitativen Handels, da er zahlreiche Vorurteile mit sich bringt, die sorgfältig geprüft und so weit wie möglich eliminiert werden müssen Wir diskutieren die gemeinsamen Arten von Bias einschließlich Look-Ahead Bias Überlebens-Bias und Optimierung Bias auch bekannt als Data-Snooping Bias Andere Bereiche von Bedeutung innerhalb Backtesting gehören Verfügbarkeit und Sauberkeit der historischen Daten, Factoring in realistischen Transaktionskosten und die Entscheidung über eine robuste Backtesting Plattform Wir diskutieren Transaktionskosten weiter im Abschnitt Execution Systems unten. Wenn eine Strategie identifiziert wurde, ist es notwendig, die historischen Daten zu erhalten, durch die die Durchführung von Tests und eventuell Verfeinerungen durchgeführt werden. Es gibt eine beträchtliche Anzahl von Datenanbietern über alle Asset-Klassen Ihre Kosten im Allgemeinen skalieren mit der Qualität, Tiefe und Rechtzeitigkeit der Daten Der traditionelle Ausgangspunkt für den Anfang Quant Trader zumindest auf der Retail-Ebene ist es, die kostenlose Datensatz von Yahoo Finance Ich gewann t wohnen auf Anbieter zu viel hier, Vielmehr möchte ich mich auf die allgemeinen Fragen konzentrieren, wenn es um historische Datensätze geht. Die Hauptanliegen der historischen Daten sind die Genauigkeit der Sauberkeit, die Überlebensvorsorge und die Anpassung für Unternehmensaktionen wie Dividenden und Aktiensplits. Die Genauigkeit der Gesamtqualität der Daten ist - ob es irgendwelche Fehler enthält Fehler können manchmal leicht zu identifizieren, wie mit einem Spike-Filter, die falsche Spikes in Zeitreihen-Daten aussuchen und für sie korrigieren zu anderen Zeiten können sie sehr schwer zu erkennen Es ist oft notwendig zu haben Zwei oder mehr Anbieter und dann überprüfen alle ihre Daten gegen einander. Survivorship Bias ist oft ein Merkmal der freien oder billigen Datasets Ein Datensatz mit Überlebensvoraussetzung bedeutet, dass es keine Vermögenswerte, die nicht mehr Handel Im Falle von Aktien bedeutet dies Vertrauenswürdige Bankrottbestände Diese Vorliebe bedeutet, dass jede Aktienhandelsstrategie, die auf einem solchen Datensatz getestet wird, wahrscheinlich besser als in der realen Welt abschneiden wird, da die historischen Gewinner bereits vorgewählt wurden. Korporative Maßnahmen beinhalten logistische Aktivitäten, die von der Firma durchgeführt werden, Funktionsänderung des Rohpreises, 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 Rückanpassung bekannt ist, ist bei jeder dieser Maßnahmen erforderlich Seien Sie sehr vorsichtig, nicht zu verwechseln eine Aktiensplit mit einer echten Rendite Anpassung Viele ein Händler wurde von einer Corporate Action gefangen. Um ein Backtest-Verfahren durchzuführen ist es notwendig, eine Software-Plattform verwenden Sie haben die Wahl zwischen dedizierten Backtest-Software , Wie Tradestation, eine numerische Plattform wie Excel oder MATLAB oder eine vollständige benutzerdefinierte Implementierung in einer Programmiersprache wie Python oder CI gewann t zu viel auf Tradestation oder ähnlich, Excel oder MATLAB, wie ich glaube an die Schaffung eines vollständigen In - Haus-Technologie-Stack aus Gründen, die unten skizziert sind Einer der Vorteile, dies zu tun ist, dass die Backtest-Software und Ausführung System kann eng integriert werden, auch mit extrem fortgeschrittenen statistischen Strategien Für HFT-Strategien im Besonderen ist es wichtig, eine benutzerdefinierte Umsetzung verwenden. Wenn Backtesting a System muss man in der Lage sein zu quantifizieren, wie gut es durchführt Die Industrie-Standard-Metriken für quantitative Strategien sind die maximale Drawdown und die Sharpe Ratio Die 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 prozentuale LFT-Strategien zitiert werden neigen zu größeren Drawdowns als HFT-Strategien, aufgrund einer Reihe von statistischen Faktoren Eine historische Backtest zeigen die Vergangenheit maximale Drawdown, die eine gute Anleitung für die zukünftige Drawdown-Performance der Strategie Die zweite Messung ist die Sharpe Ratio, die heuristisch definiert ist als der Durchschnitt der Überschussrenditen dividiert durch die Standardabweichung dieser Überschussrenditen Hierbei handelt es sich bei den Überschussrenditen um die Rendite der Strategie über einem vorgegebenen Benchmark wie dem S Schlupf, was ist der Unterschied zwischen dem, was Sie beabsichtigt, Ihre Bestellung zu versetzen, im Vergleich zu, was es tatsächlich gefüllt wurde bei der Ausbreitung, was ist der Unterschied zwischen dem Gebot fragen Preis der Sicherheit gehandelt Beachten Sie, dass die Ausbreitung ist nicht konstant und ist abhängig von Die aktuelle Liquidität, dh die Verfügbarkeit von Kaufverkaufsaufträgen auf dem Markt. Transaktionskosten können den Unterschied zwischen einer äußerst profitablen Strategie mit einer guten Sharpe-Ratio und einer äußerst unrentablen Strategie mit einer schrecklichen Sharpe-Ratio machen. Es kann eine Herausforderung sein, die Transaktionskosten korrekt vorherzusagen Ein Backtest Abhängig von der Häufigkeit der Strategie, benötigen Sie Zugang zu historischen Austauschdaten, die Tick-Daten für Bid-Ask-Preise enthalten werden. Gesamte Teams von Quants sind der Optimierung der Ausführung in den größeren Fonds gewidmet, aus diesen Gründen Betrachten Sie das Szenario wo Ein Fonds muss eine erhebliche Menge von Trades, von denen die Gründe dafür zu tun sind vielfältig und vielfältig Durch das Dumping so viele Aktien auf den Markt, werden sie schnell drücken Sie den Preis und kann nicht optimale Ausführung erhalten daher Algorithmen, die Futter Bestellungen auf die Markt existiert, obwohl dann der Fonds läuft das Risiko von Schlupf Darüber hinaus, andere Strategien Beute auf diese Notwendigkeiten und können die Ineffizienzen ausnutzen Dies ist die Domäne der Fondsstruktur Arbitrage. Das letzte wichtige Problem für Ausführungs-Systeme betrifft Divergenz der Strategie-Performance von Backtested Leistung Dies kann aus einer Reihe von Gründen geschehen. Wir haben bereits bei der Betrachtung von Backtests die Optik und Optimierung in der Tiefe diskutiert. Allerdings machen einige Strategien es nicht leicht, diese Vorspannungen vor der Bereitstellung zu testen. Dies geschieht in HFT am meisten überwiegend dort Können Bugs in der Ausführung System sowie die Handelsstrategie selbst, die nicht auf einem Backtest erscheinen, aber DO zeigen sich im Live-Trading Der Markt könnte unterliegen einer Regimewechsel nach dem Einsatz Ihrer Strategie Neue regulatorische Umgebungen, Ändernde 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 Risiko beinhaltet alle bisherigen Vorurteile, die wir haben Diskutiert Es umfasst Technologie-Risiko, wie Server an der Börse plötzlich entwickeln eine Festplatte Störung Es beinhaltet Brokerage-Risiko, wie der Makler in Konkurs wird nicht so verrückt wie es klingt, angesichts der jüngsten Angst mit MF Global In kurz es deckt Fast alles, was die Handelsimplementierung beeinträchtigen könnte, von denen es viele Quellen gibt. Ganze Bücher sind dem Risikomanagement für quantitative Strategien gewidmet, also werde ich nicht versuchen, auf alle möglichen Gefahrenquellen zu klären. Das Risikomanagement umfasst auch das, was bekannt ist Optimale Kapitalallokation, die ein Zweig der Portfolio-Theorie ist Dies ist die Mittel, mit denen das Kapital auf eine Reihe von verschiedenen Strategien und auf die Trades innerhalb dieser Strategien verteilt wird Es ist ein komplexes Gebiet und stützt sich auf einige nicht-triviale Mathematik Die Industrie-Standard, durch die Optimale Kapitalallokation und Hebelwirkung der Strategien verwandt werden heißt Kelly-Kriterium Da es sich hierbei um einen einleitenden Artikel handelt, gewann ich bei der Berechnung. Das Kelly-Kriterium macht einige Annahmen über die statistische Natur der Renditen, die nicht oft in finanzieller Hinsicht gelten Märkte, so Händler sind oft konservativ, wenn es um die Umsetzung kommt. Eine andere wichtige Komponente des Risikomanagements ist im Umgang mit einem eigenen psychologischen Profil Es gibt viele kognitive Vorurteile, die in den Handel kriechen können Obwohl dies ist zwar weniger problematisch mit algorithmischen Handel, wenn Die Strategie ist allein gelassen Eine gemeinsame Vorliebe ist die der Verlustaversion, wo eine Verlustposition nicht ausgeschlossen wird, weil der Schmerz, einen Verlust zu realisieren. Ähnlich können Gewinne zu früh genommen werden, weil die Angst, einen bereits gewonnenen Gewinn zu verlieren, Zu groß sein Eine andere gemeinsame Vorliebe ist bekannt als Recency Bias Dies manifestiert sich, wenn Trader zu viel Wert auf die jüngsten Ereignisse und nicht auf die längerfristige Zeit Natürlich gibt es das klassische Paar emotionale Vorurteile - Angst und Gier Diese können oft zu unter führen - oder Überhemmung, die dazu führen kann, dass Blow-up, dh die Konto-Equity-Überschrift 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 habe ich buchstäblich verkratzt Oberfläche des Themas in diesem Artikel und es ist schon ziemlich lang Ganze Bücher und Papiere wurden über Fragen geschrieben, die ich nur einen Satz oder zwei in Richtung gegeben habe. Aus diesem Grund, bevor ich mich für quantitative Fondshandelsaufgaben bewerbe, ist es notwendig zu tragen Eine beträchtliche Menge an Grundlagenstudium 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 , Ihr Skill-Set wird wahrscheinlich gehören Linux-Kernel-Modifikation, CC, Montage-Programmierung und Netzwerk Latenz Optimierung. Wenn Sie daran interessiert sind, Ihre eigenen algorithmischen Trading-Strategien zu erstellen, wäre mein erster Vorschlag, um gut zu programmieren Meine Vorliebe ist zu bauen So viel von der Daten-Grabber, Strategie-Backtester und Ausführungs-System von sich selbst wie möglich Wenn Ihr eigenes Kapital auf der Linie ist, würde es nicht besser schlafen in der Nacht wissen, dass Sie Ihr System vollständig getestet haben und sind bewusst, seine Fallstricke und besondere Probleme Outsourcing Dies zu einem Verkäufer, während potenziell sparen Zeit in der kurzfristigen, könnte extrem teuer in der langfristigen. Just Getting Started mit quantitativen Trading.