Estratégias básicas de negociação algorítmica

Fundamentos do comércio algorítmico: conceitos e exemplos.

Um algoritmo é um conjunto específico de instruções claramente definidas destinadas a realizar uma tarefa ou processo.

O comércio algorítmico (negociação automatizada, negociação em caixa preta ou simplesmente algo-trading) é o processo de uso de computadores programados para seguir um conjunto definido de instruções para colocar um comércio para gerar lucros a uma velocidade e freqüência impossíveis para um comerciante humano. Os conjuntos definidos de regras são baseados em tempo, preço, quantidade ou qualquer modelo matemático. Além das oportunidades de lucro para o comerciante, o algo-trading torna os mercados mais líquidos e torna a negociação mais sistemática descartando impactos emocionais humanos nas atividades comerciais. (Para mais, consulte Picking the Right Algorithmic Trading Software.)

Suponha que um comerciante siga esses critérios de comércio simples:

Compre 50 ações de uma ação quando sua média móvel de 50 dias excede a média móvel de 200 dias. Vende ações da ação quando sua média móvel de 50 dias está abaixo da média móvel de 200 dias.

Usando este conjunto de duas instruções simples, é fácil escrever um programa de computador que monitorará automaticamente o preço das ações (e os indicadores de média móvel) e colocará as ordens de compra e venda quando as condições definidas forem atendidas. O comerciante não precisa mais manter um relógio para preços e gráficos ao vivo, ou colocar as ordens manualmente. O sistema de negociação algorítmica automaticamente faz isso para ele, identificando corretamente a oportunidade comercial. (Para mais informações sobre as médias móveis, consulte Médias móveis simples, faça as tendências se destacarem.)

[Se você quiser saber mais sobre as estratégias comprovadas e pontuais que podem eventualmente ser trabalhadas em um sistema de comércio alorítico, confira o Curso de Torneio de Dia de Torneio da Invastopedia Academy. ]

Benefícios da negociação algorítmica.

A Algo-trading oferece os seguintes benefícios:

Negociações executadas com os melhores preços Posicionamento instantâneo e preciso da ordem comercial (com altas chances de execução nos níveis desejados) Negociações cronometradas corretamente e instantaneamente, para evitar mudanças de preços significativas Custos de transação reduzidos (veja o exemplo de falta de implementação abaixo) Verificações automatizadas simultâneas em múltiplos condições de mercado Reduziu o risco de erros manuais na colocação dos negócios Backtest o algoritmo, com base nos dados históricos e em tempo real disponíveis Reduzida a possibilidade de erros por comerciantes humanos com base em fatores emocionais e psicológicos.

A maior parte do dia-a-dia é a negociação de alta freqüência (HFT), que tenta capitalizar a colocação de um grande número de pedidos em velocidades muito rápidas em múltiplos mercados e múltiplos parâmetros de decisão, com base em instruções pré-programadas. (Para obter mais informações sobre o comércio de alta freqüência, consulte Estratégias e Segredos de Empresas de Negociação de Alta Freqüência (HFT).)

O Algo-trading é usado em muitas formas de atividades de comércio e investimento, incluindo:

Investidores de médio a longo prazo ou empresas de compra (fundos de pensão, fundos de investimento, companhias de seguros) que adquirem ações em grandes quantidades, mas não querem influenciar os preços das ações com investimentos discretos e de grande porte. Os comerciantes de curto prazo e os participantes do lado da venda (fabricantes de mercado, especuladores e arbitragentes) se beneficiam da execução comercial automatizada; Além disso, ajudas de algo-trading na criação de liquidez suficiente para os vendedores no mercado. Os comerciantes sistemáticos (seguidores de tendências, comerciantes de pares, hedge funds, etc.) acham muito mais eficiente programar suas regras comerciais e permitir que o programa seja comercializado automaticamente.

O comércio algorítmico proporciona uma abordagem mais sistemática ao comércio ativo do que os métodos baseados na intuição ou instinto do comerciante humano.

Estratégias de negociação algorítmica.

Qualquer estratégia de negociação algorítmica exige uma oportunidade identificada que seja rentável em termos de melhoria de ganhos ou redução de custos. As seguintes são estratégias de negociação comuns usadas em algo-trading:

As estratégias de negociação algorítmicas mais comuns seguem as tendências em médias móveis, fuga de canais, movimentos no nível de preços e indicadores técnicos relacionados. Estas são as estratégias mais fáceis e simples de implementar através de negociação algorítmica porque essas estratégias não envolvem fazer previsões ou previsões de preços. Os negócios são iniciados com base na ocorrência de tendências desejáveis, que são fáceis e direitas de implementar através de algoritmos sem entrar na complexidade da análise preditiva. O exemplo acima mencionado de média móvel de 50 e 200 dias é uma tendência popular seguindo a estratégia. (Para mais informações sobre as estratégias de negociação de tendências, consulte: Estratégias simples para capitalizar as tendências.)

Comprar um estoque cotado duplo a um preço mais baixo em um mercado e simultaneamente vendê-lo a um preço mais alto em outro mercado oferece o diferencial de preço como lucro ou arbitragem sem risco. A mesma operação pode ser replicada para ações versus instrumentos de futuros, pois os diferenciais de preços existem de tempos em tempos. Implementar um algoritmo para identificar esses diferenciais de preços e colocar as ordens permite oportunidades lucrativas de forma eficiente.

Os fundos do índice definiram períodos de reequilíbrio para que suas participações fossem compatíveis com seus respectivos índices de referência. Isso cria oportunidades rentáveis ​​para comerciantes algorítmicos, que capitalizam os negócios esperados que oferecem lucros de 20 a 80 pontos base, dependendo do número de ações no fundo do índice, apenas antes do reequilíbrio do fundo do índice. Essas negociações são iniciadas através de sistemas de negociação algorítmica para execução atempada e melhores preços.

Muitos modelos matemáticos comprovados, como a estratégia de negociação neutra do delta, que permitem a negociação de combinações de opções e sua segurança subjacente, onde os negócios são colocados para compensar deltas positivos e negativos, de modo que o portfólio delta seja mantido em zero.

A estratégia de reversão média baseia-se na ideia de que os preços altos e baixos de um bem são um fenômeno temporário que retorna periodicamente ao seu valor médio. Identificar e definir uma faixa de preço e implementar algoritmos com base em isso permite que os negócios sejam colocados automaticamente quando o preço do recurso entra e sai do seu alcance definido.

A estratégia de preços médios ponderados por volume quebra uma grande ordem e libera pedaços menores determinados dinamicamente da ordem para o mercado usando perfis de volume histórico específicos de estoque. O objetivo é executar a ordem perto do preço médio ponderado do volume (VWAP), beneficiando assim o preço médio.

A estratégia de preço médio ponderado no tempo quebra uma grande ordem e libera dinamicamente determinados pedaços menores da ordem para o mercado usando intervalos de tempo uniformemente divididos entre o início e o fim do tempo. O objetivo é executar a ordem perto do preço médio entre os horários de início e término, minimizando assim o impacto no mercado.

Até que a ordem comercial seja totalmente preenchida, este algoritmo continua enviando ordens parciais, de acordo com o índice de participação definido e de acordo com o volume negociado nos mercados. A "estratégia de etapas" relacionada envia ordens a uma porcentagem definida pelo usuário de volumes de mercado e aumenta ou diminui essa taxa de participação quando o preço da ação atinge os níveis definidos pelo usuário.

A estratégia de falta de implementação visa minimizar o custo de execução de uma ordem através da negociação do mercado em tempo real, economizando assim o custo da ordem e beneficiando do custo de oportunidade da execução atrasada. A estratégia aumentará a taxa de participação direcionada quando o preço das ações se mover de forma favorável e diminuí-lo quando o preço das ações se mover de forma adversa.

Existem algumas classes especiais de algoritmos que tentam identificar "acontecimentos" do outro lado. Esses "algoritmos de sniffing", usados, por exemplo, por um market maker market market têm a inteligência interna para identificar a existência de qualquer algoritmo no lado da compra de uma grande ordem. Essa detecção através de algoritmos ajudará o fabricante de mercado a identificar grandes oportunidades de ordem e permitir que ele se beneficie ao preencher os pedidos a um preço mais alto. Isso às vezes é identificado como front-running de alta tecnologia. (Para obter mais informações sobre negociação de alta freqüência e práticas fraudulentas, consulte: Se você comprar ações on-line, você está envolvido em HFTs.)

Requisitos técnicos para negociação algorítmica.

Implementar o algoritmo usando um programa de computador é a última parte, batida com backtesting. O desafio é transformar a estratégia identificada em um processo informatizado integrado que tenha acesso a uma conta de negociação para fazer pedidos. São necessários os seguintes:

Conhecimento de programação de computador para programar a estratégia de negociação necessária, programadores contratados ou software de negociação pré-fabricado Conectividade de rede e acesso a plataformas de negociação para colocar os pedidos Acesso a feeds de dados de mercado que serão monitorados pelo algoritmo para oportunidades de colocar pedidos A capacidade e infra-estrutura para voltar a testar o sistema uma vez construído, antes de entrar em operação em mercados reais Dados históricos disponíveis para backtesting, dependendo da complexidade das regras implementadas no algoritmo.

Aqui está um exemplo abrangente: o Royal Dutch Shell (RDS) está listado na Amsterdam Stock Exchange (AEX) e London Stock Exchange (LSE). Vamos construir um algoritmo para identificar oportunidades de arbitragem. Aqui estão algumas observações interessantes:

AEX negocia em Euros, enquanto a LSE negocia em libras esterlinas. Devido à diferença horária de uma hora, a AEX abre uma hora antes da LSE, seguido de ambas as trocas comerciais simultaneamente durante as próximas horas e depois de negociar apenas na LSE durante a última hora à medida que o AEX fecha .

Podemos explorar a possibilidade de negociação de arbitragem nas ações da Royal Dutch Shell listadas nesses dois mercados em duas moedas diferentes?

Um programa de computador que pode ler os preços atuais do mercado Os feeds de preços de LSE e AEX A taxa de câmbio para a taxa de câmbio GBP-EUR Capacidade de colocação de pedidos que podem rotear a ordem para a troca correta do recurso Back-testing em feeds históricos de preços.

O programa de computador deve executar o seguinte:

Leia o preço de entrada do estoque RDS de ambas as bolsas Usando as taxas de câmbio disponíveis, converta o preço de uma moeda para outra. Se houver uma discrepância de preço suficientemente grande (descontando os custos de corretagem) levando a uma oportunidade rentável, então coloque a compra ordem em troca de preços mais baixos e ordem de venda em troca de preços mais elevados Se as ordens forem executadas conforme desejado, o lucro de arbitragem seguirá.

Simples e fácil! No entanto, a prática de negociação algorítmica não é simples de manter e executar. Lembre-se, se você pode colocar um comércio gerado por algo, os outros participantes do mercado podem também. Conseqüentemente, os preços flutuam em milissegundos e até mesmo em microssegundos. No exemplo acima, o que acontece se o seu comércio de compras for executado, mas o comércio de vendas não acontece à medida que os preços de venda mudam quando o seu pedido atinge o mercado? Você vai acabar sentado com uma posição aberta, tornando sua estratégia de arbitragem inútil.

Existem riscos e desafios adicionais: por exemplo, riscos de falha do sistema, erros de conectividade de rede, atrasos de tempo entre ordens comerciais e execução e, o mais importante de tudo, algoritmos imperfeitos. O algoritmo mais complexo é o backtesting mais rigoroso antes de ser posto em ação.

The Bottom Line.

A análise quantitativa do desempenho de um algoritmo desempenha um papel importante e deve ser examinada criticamente. É excitante ir pela automação auxiliada por computadores com a noção de ganhar dinheiro sem esforço. Mas é preciso certificar-se de que o sistema está completamente testado e os limites exigidos são definidos. Os comerciantes analíticos devem considerar a aprendizagem de sistemas de programação e construção por conta própria, ter confiança em implementar as estratégias certas de forma infalível. O uso cauteloso eo teste completo de algo-trading podem criar oportunidades rentáveis. (Para mais informações, consulte Como codificar seu próprio robô Algo Trading.)

Como identificar estratégias de negociação algorítmicas.

Como identificar estratégias de negociação algorítmicas.

Neste artigo, quero apresentar-lhe os métodos pelos quais eu próprio identifico estratégias de negociação algorítmicas rentáveis. Nosso objetivo hoje é entender em detalhes como encontrar, avaliar e selecionar esses sistemas. Vou explicar como as estratégias de identificação são tanto sobre preferências pessoais quanto sobre o desempenho da estratégia, como determinar o tipo e a quantidade de dados históricos para o teste, como avaliar de forma imparcial uma estratégia de negociação e, finalmente, como avançar para a fase de backtesting e implementação estratégica.

Identificando suas próprias preferências pessoais para negociação.

Para ser um comerciante bem sucedido - de forma discricionária ou algorítmica - é necessário fazer-se algumas perguntas honestas. O Trading oferece a você a capacidade de perder dinheiro em uma taxa alarmante, por isso é necessário "conhecer você mesmo" tanto quanto é necessário entender a estratégia escolhida.

Eu diria que a consideração mais importante na negociação é estar ciente de sua própria personalidade. O comércio e o comércio algorítmico em particular, requer um grau significativo de disciplina, paciência e desapego emocional. Como você está deixando um algoritmo executar sua negociação para você, é necessário ser resolvido para não interferir com a estratégia quando está sendo executado. Isso pode ser extremamente difícil, especialmente em períodos de redução prolongada. No entanto, muitas estratégias que mostraram ser altamente rentáveis ​​em um backtest podem ser arruinadas por uma simples interferência. Compreenda que se você deseja entrar no mundo da negociação algorítmica, você será testado emocionalmente e, para ser bem-sucedido, é necessário trabalhar com essas dificuldades!

A próxima consideração é uma das vezes. Você tem um emprego a tempo inteiro? Você trabalha a tempo parcial? Você trabalha em casa ou tem uma longa viagem diária? Essas perguntas ajudarão a determinar a freqüência da estratégia que você deve procurar. Para aqueles de você no emprego a tempo inteiro, uma estratégia de futuros intradiária pode não ser apropriada (pelo menos até que seja totalmente automatizada!). Suas restrições de tempo também ditarão a metodologia da estratégia. Se sua estratégia é freqüentemente negociada e dependente de feeds de notícias caras (como um terminal da Bloomberg), você terá claramente que ser realista sobre sua capacidade de executar com sucesso durante o escritório! Para aqueles de vocês com muito tempo, ou as habilidades para automatizar sua estratégia, você pode querer examinar uma estratégia mais técnica de negociação de alta freqüência (HFT).

Minha opinião é que é necessário realizar pesquisas contínuas sobre suas estratégias de negociação para manter um portfólio consistentemente lucrativo. Poucas estratégias permanecem "sob o radar" para sempre. Assim, uma parte importante do tempo atribuído à negociação será na realização de pesquisas em andamento. Pergunte a si mesmo se você está preparado para fazer isso, pois pode ser a diferença entre uma forte rentabilidade ou um declínio lento em relação a perdas.

Você também precisa considerar seu capital de negociação. O valor mínimo ideal geralmente aceito para uma estratégia quantitativa é de 50,000 USD (aproximadamente £ 35,000 para nós no Reino Unido). Se eu estivesse começando de novo, eu começaria com uma quantidade maior, provavelmente mais perto de 100,000 USD (aproximadamente £ 70,000). Isso ocorre porque os custos de transação podem ser extremamente caros para estratégias de média a alta freqüência e é necessário ter capital suficiente para absorvê-los em tempos de redução. Se você está considerando começar com menos de 10.000 USD, então você precisará se restringir a estratégias de baixa freqüência, negociando em um ou dois ativos, já que os custos de transação irão comer rapidamente em seus retornos. Interactive Brokers, que é um dos corretores mais amigáveis ​​para aqueles com habilidades de programação, devido à sua API, tem uma conta de varejo mínima de 10.000 USD.

A habilidade de programação é um fator importante na criação de uma estratégia de negociação algorítmica automatizada. Estar bem informado em uma linguagem de programação como C ++, Java, C #, Python ou R permitirá que você crie o sistema de armazenamento de dados, o sistema de backtest e o sistema de execução de ponta a ponta. Isso tem uma série de vantagens, cujo chefe é a capacidade de estar completamente atento a todos os aspectos da infra-estrutura comercial. Também permite que você explore as estratégias de freqüência mais alta, pois você terá o controle total da sua "pilha de tecnologia". Embora isso signifique que você possa testar seu próprio software e eliminar erros, também significa mais tempo gasto na codificação de infra-estrutura e menos na implementação de estratégias, pelo menos na parte anterior da sua carreira de trading. Você pode achar que você está confortável negociando no Excel ou MATLAB e pode terceirizar o desenvolvimento de outros componentes. Eu não recomendaria isso no entanto, especialmente para aqueles que negociavam em alta freqüência.

Você precisa se perguntar o que você espera alcançar por meio de negociação algorítmica. Você está interessado em um rendimento regular, pelo qual você espera obter lucros de sua conta de negociação? Ou, você está interessado em um ganho de capital a longo prazo e pode se negociar sem a necessidade de retirar fundos? A dependência de renda determinará a freqüência de sua estratégia. As retiradas de renda mais regulares exigirão uma estratégia de negociação de maior freqüência com menor volatilidade (ou seja, uma proporção Sharpe mais alta). Os comerciantes de longo prazo podem pagar uma frequência comercial mais tranquila.

Finalmente, não se ilude com a noção de tornar-se extremamente rico num curto espaço de tempo! O comércio de Algo não é um esquema rápido e rápido - se alguma coisa pode ser um esquema rápido e rápido. É preciso disciplina, pesquisa, diligência e paciência importantes para serem bem-sucedidos no comércio algorítmico. Pode levar meses, senão anos, gerar rentabilidade consistente.

Sourcing Algorithmic Trading Ideas.

Apesar das percepções comuns em contrário, é realmente bastante direto localizar estratégias de negociação rentáveis ​​no domínio público. Nunca as idéias comerciais estão mais disponíveis do que hoje. Revistas de finanças acadêmicas, servidores de pré-impressão, blogs comerciais, fóruns de negociação, revistas comerciais semanais e textos especializados fornecem milhares de estratégias de negociação com as quais basear suas idéias.

Nosso objetivo como pesquisadores quantitativos de negócios é estabelecer um pipeline estratégico que nos forneça um fluxo de idéias comerciais em andamento. Idealmente, queremos criar uma abordagem metódica para sourcing, avaliação e implementação de estratégias que encontramos. Os objetivos do pipeline são gerar uma quantidade consistente de novas idéias e fornecer-nos uma estrutura para rejeitar a maioria dessas idéias com o mínimo de consideração emocional.

Devemos ser extremamente cuidadosos para não permitir influências cognitivas na nossa metodologia de tomada de decisão. Isso pode ser tão simples como ter uma preferência por uma classe de ativos sobre outra (o ouro e outros metais preciosos vêm à mente) porque são percebidos como mais exóticos. Nosso objetivo sempre deve ser encontrar estratégias consistentemente lucrativas, com expectativas positivas. A escolha da classe de ativos deve basear-se em outras considerações, como restrições de capital de negociação, taxas de corretagem e capacidades de alavancagem.

Se você não está completamente familiarizado com o conceito de estratégia comercial, então o primeiro lugar a procurar é com os livros didáticos estabelecidos. Os textos clássicos fornecem uma ampla gama de idéias mais simples e diretas, para se familiarizarem com a negociação quantitativa. Aqui está uma seleção que eu recomendo para aqueles que são novos para negociação quantitativa, que gradualmente se tornam mais sofisticados enquanto você trabalha através da lista:

Para uma lista mais longa de livros de negociação quantitativos, visite a lista de leitura QuantStart.

O próximo lugar para encontrar estratégias mais sofisticadas é com fóruns de negociação e blogs comerciais. No entanto, uma nota de cautela: muitos blogs comerciais dependem do conceito de análise técnica. A análise técnica envolve a utilização de indicadores básicos e psicologia comportamental para determinar tendências ou padrões de reversão nos preços dos ativos.

Apesar de ser extremamente popular no espaço comercial geral, a análise técnica é considerada um pouco ineficaz na comunidade de finanças quantitativas. Alguns sugeriram que não é melhor que ler um horóscopo ou estudar folhas de chá em termos de seu poder preditivo! Na realidade, existem indivíduos bem-sucedidos que utilizam análises técnicas. No entanto, como quants com uma caixa de ferramentas matemática e estatística mais sofisticada à nossa disposição, podemos facilmente avaliar a eficácia de tais estratégias "baseadas em TA" e tomar decisões baseadas em dados, em vez de basear nossas em considerações ou preconceitos emocionais.

Aqui está uma lista de bem-respeitados blogs e fóruns de negociação algorítmica:

Depois de ter tido alguma experiência na avaliação de estratégias mais simples, é hora de olhar para as ofertas acadêmicas mais sofisticadas. Algumas revistas acadêmicas serão de difícil acesso, sem inscrições elevadas ou custos pontuais. Se você é um membro ou ex-aluno de uma universidade, você poderá obter acesso a algumas dessas revistas financeiras. Caso contrário, você pode olhar para os servidores de pré-impressão, que são repositórios de internet de rascunhos finais de documentos acadêmicos que estão sendo submetidos a revisão pelos pares. Uma vez que estamos apenas interessados ​​em estratégias que possamos replicar com sucesso, fazer backtest e obter rentabilidade, uma revisão por pares é de menor importância para nós.

A principal desvantagem das estratégias acadêmicas é que muitas vezes podem estar desatualizadas, exigir dados históricos obscuros e dispendiosos, negociar classes de ativos ilíquidas ou não influenciar taxas, derrapagens ou propagação. Também não está claro se a estratégia de negociação deve ser realizada com ordens de mercado, ordens limitadas ou se contém perdas de parada, etc. Portanto, é absolutamente essencial replicar a estratégia o melhor que puder, fazer o backtest e adicionar uma transação realista custos que incluem tantos aspectos das classes de ativos que você deseja negociar.

Aqui está uma lista dos servidores de pré-impressão mais populares e revistas financeiras das quais você pode criar ideias:

E sobre como formar suas próprias estratégias quantitativas? Isso geralmente requer (mas não está limitado a) conhecimento em uma ou mais das seguintes categorias:

Microestrutura de mercado - Para estratégias de freqüência mais altas em particular, pode-se usar a microestrutura do mercado, ou seja, a compreensão da dinâmica do livro de pedidos, a fim de gerar rentabilidade. Diferentes mercados terão várias limitações tecnológicas, regulamentos, participantes do mercado e restrições que estão abertas à exploração através de estratégias específicas. Esta é uma área muito sofisticada e os profissionais de varejo terão dificuldade em ser competitivos neste espaço, particularmente porque a competição inclui fundos de hedge quantitativos grandes e bem capitalizados com fortes capacidades tecnológicas. Estrutura do fundo - Os fundos de investimento em conjunto, como fundos de pensão, parcerias de investimento privado (hedge funds), consultores de negociação de commodities e fundos de investimento, são limitados por uma forte regulamentação e suas grandes reservas de capital. Assim, certos comportamentos consistentes podem ser explorados com aqueles que são mais ágeis. Por exemplo, grandes fundos estão sujeitos a restrições de capacidade devido ao seu tamanho. Assim, se eles precisam rapidamente descarregar (vender) uma quantidade de valores mobiliários, eles terão que diminuí-lo para evitar "mover o mercado". Algoritmos sofisticados podem tirar proveito disso, e outras idiossincrasias, em um processo geral conhecido como arbitragem de estrutura de fundos. Aprendizado de máquinas / inteligência artificial - Os algoritmos de aprendizagem de máquinas tornaram-se mais prevalentes nos últimos anos nos mercados financeiros. Os classificadores (como Naive-Bayes, et al.) Correspondentes de função não-linear (redes neurais) e rotinas de otimização (algoritmos genéticos) foram todos usados ​​para prever caminhos de ativos ou otimizar estratégias de negociação. Se você tem um histórico nesta área, você pode ter alguma visão sobre como determinados algoritmos podem ser aplicados a certos mercados.

Há, é claro, muitas outras áreas para investigar quants. Vamos discutir como apresentar estratégias personalizadas em detalhes em um artigo posterior.

Ao continuar monitorando essas fontes em uma base semanal, ou mesmo diária, você está se preparando para receber uma lista consistente de estratégias de uma variedade diversificada de fontes. O próximo passo é determinar como rejeitar um grande subconjunto dessas estratégias, a fim de minimizar o desperdício de seu tempo e os recursos de backtesting em estratégias que provavelmente não serão lucrativas.

Avaliando Estratégias de Negociação.

A primeira consideração, e indiscutivelmente mais óbvia, é se você realmente entende a estratégia. Você poderia explicar a estratégia de forma concisa ou exigir uma série de advertências e listas de parâmetros infinitas? Além disso, a estratégia tem uma base boa e sólida na realidade? Por exemplo, você poderia apontar alguma lógica comportamental ou restrição da estrutura do fundo que possa estar causando o (s) padrão (s) que você está tentando explorar? Esta restrição suportaria uma mudança de regime, como uma dramática perturbação do ambiente regulatório? A estratégia depende de regras estatísticas ou matemáticas complexas? Aplica-se a qualquer série de tempo financeiro ou é específico para a classe de ativos em que se afirma ser lucrativo? Você deve constantemente pensar nesses fatores ao avaliar novos métodos de negociação, caso contrário você pode desperdiçar uma quantidade significativa de tempo tentando fazer backtest e otimizar estratégias não lucrativas.

Uma vez que você tenha determinado que você entende os princípios básicos da estratégia, você precisa decidir se ele se encaixa com o seu perfil de personalidade acima mencionado. Esta não é uma consideração tão vaga quanto parece! As estratégias diferirão substancialmente em suas características de desempenho. Existem certos tipos de personalidade que podem lidar com períodos mais significativos de redução ou estão dispostos a aceitar um maior risco de retorno maior. Apesar do fato de que nós, como quants, tentamos eliminar todo o viés cognitivo quanto possível e devemos avaliar uma estratégia de forma imparcial, os preconceitos sempre se infiltrarão. Assim, precisamos de um meio consistente e sem emoção através do qual avaliar o desempenho das estratégias . Aqui está a lista de critérios que eu julgo uma nova estratégia potencial por:

Metodologia - O impulso da estratégia está baseado, o retorno médio, o mercado neutro, direcional? A estratégia baseia-se em técnicas de aprendizado estatístico ou de máquinas complexas (ou complexas) que são difíceis de entender e exigem um doutorado em estatísticas para entender? Essas técnicas introduzem uma quantidade significativa de parâmetros, o que pode levar a um viés de otimização? A estratégia é susceptível de suportar uma mudança de regime (ou seja, uma nova regulamentação potencial dos mercados financeiros)? Sharpe Ratio - O índice de Sharpe caracteriza heuristicamente o índice de recompensa / risco da estratégia. Quantifica quanto retorno você consegue para o nível de volatilidade sofrido pela curva patrimonial. Naturalmente, precisamos determinar o período e a frequência em que esses retornos e volatilidade (ou seja, o desvio padrão) são medidos. Uma estratégia de freqüência mais alta exigirá maior taxa de amostragem do desvio padrão, mas um período de tempo geral mais curto, por exemplo. Alavancagem - A estratégia exige alavancagem significativa para ser lucrativa? A estratégia exige o uso de contratos de derivativos alavancados (futuros, opções, swaps) para fazer um retorno? Estes contratos alavancados podem ter uma forte volatilidade e, portanto, podem facilmente levar a chamadas de margem. Você tem o capital comercial e o temperamento para essa volatilidade? Frequência - A frequência da estratégia está intimamente ligada à sua pilha de tecnologia (e, portanto, à experiência tecnológica), ao índice Sharpe e ao nível geral dos custos de transação. Todas as outras questões consideradas, as estratégias de maior freqüência requerem mais capital, são mais sofisticadas e difíceis de implementar. No entanto, assumindo que seu mecanismo de teste de backtest é sofisticado e livre de erros, eles geralmente terão taxas Sharpe muito maiores. Volatilidade - A volatilidade está fortemente relacionada ao "risco" da estratégia. A relação Sharpe caracteriza isso. A maior volatilidade das classes de ativos subjacentes, se não coberta, muitas vezes leva a uma maior volatilidade na curva patrimonial e, portanto, menores índices de Sharpe. Naturalmente, suponho que a volatilidade positiva seja aproximadamente igual à volatilidade negativa. Algumas estratégias podem ter maior volatilidade negativa. Você precisa estar ciente desses atributos. Ganhe / Perda, Lucro / Perda Médio - As estratégias serão diferentes nas suas ganhos / perdas e características médias de lucro / perda. Pode-se ter uma estratégia muito lucrativa, mesmo que o número de negócios perdidos exceda o número de negociações vencedoras. As estratégias de impulso tendem a ter esse padrão, pois dependem de um pequeno número de "grandes sucessos" para serem lucrativos. As estratégias de reversão média tendem a ter perfis opostos onde mais dos negócios são "vencedores", mas os negócios perdidos podem ser bastante graves. Drawdown máximo - A redução máxima é a maior queda percentual global na curva de equidade da estratégia. As estratégias de Momentum são bem conhecidas por sofrerem períodos de redução prolongada (devido a uma série de muitos negócios perdidos incrementais). Muitos comerciantes vão desistir em períodos de redução prolongada, mesmo que os testes históricos sugeriram que este é "business as usual" para a estratégia. Você precisará determinar qual porcentagem de redução (e em que período de tempo) você pode aceitar antes de deixar de negociar sua estratégia. Esta é uma decisão altamente pessoal e, portanto, deve ser considerada com cuidado. Capacidade / liquidez - No nível de varejo, a menos que você esteja negociando em um instrumento altamente ilíquido (como um estoque de pequena capital), você não terá que se preocupar muito com a capacidade da estratégia. A capacidade determina a escalabilidade da estratégia para aumentar o capital. Muitos dos maiores hedge funds sofrem de importantes problemas de capacidade à medida que suas estratégias aumentam em alocação de capital. Parâmetros - Certas estratégias (especialmente aquelas encontradas na comunidade de aprendizagem de máquinas) requerem uma grande quantidade de parâmetros. Todo parâmetro adicional que uma estratégia exige deixa-o mais vulnerável ao viés de otimização (também conhecido como "ajuste de curva"). Você deve tentar segmentar estratégias com o menor número possível de parâmetros ou garantir que você tenha quantidades suficientes de dados para testar suas estratégias. Benchmark - Quase todas as estratégias (a menos que sejam caracterizadas como "retorno absoluto") são medidas em relação a um benchmark de desempenho. O benchmark geralmente é um índice que caracteriza uma grande amostra da classe de ativos subjacentes em que a estratégia negocia. Se a estratégia negociar ações americanas de grande capitalização, o S & P500 seria uma referência natural para medir sua estratégia. Você ouvirá os termos "alfa" e "beta", aplicado a estratégias deste tipo. Vamos discutir esses coeficientes em profundidade em artigos posteriores.

Observe que não discutimos os retornos reais da estratégia. Por que é isso? De forma isolada, os retornos realmente nos fornecem informações limitadas sobre a eficácia da estratégia. Eles não lhe dão uma visão de alavancagem, volatilidade, benchmarks ou requisitos de capital. Assim, as estratégias raramente são avaliadas apenas em seus retornos. Considere sempre os atributos de risco de uma estratégia antes de analisar os retornos.

Nesta fase, muitas das estratégias encontradas em seu pipeline serão rejeitadas, uma vez que não atenderão aos requisitos de capital, alavancar restrições, tolerar a tolerância máxima ou preferências de volatilidade. As estratégias que permanecem podem agora ser consideradas para testes anteriores. No entanto, antes disso é possível, é necessário considerar um critério de rejeição final - o dos dados históricos disponíveis para testar essas estratégias.

Obtenção de dados históricos.

Hoje em dia, a amplitude dos requisitos técnicos em todas as classes de ativos para o armazenamento histórico de dados é substancial. Para se manter competitivo, tanto o lado da compra (fundos) como os de venda (bancos de investimento) investem fortemente em sua infraestrutura técnica. É imperativo considerar sua importância. Em particular, estamos interessados ​​em requisitos de tempo, precisão e armazenamento. Agora vou descrever os conceitos básicos de obtenção de dados históricos e como armazená-lo. Infelizmente, este é um tópico muito profundo e técnico, então não poderei dizer tudo neste artigo. No entanto, vou escrever muito mais sobre isso no futuro, já que minha experiência na indústria anterior no setor financeiro estava principalmente preocupada com aquisição, armazenamento e acesso de dados financeiros.

Na seção anterior, estabelecemos um pipeline de estratégia que nos permitiu rejeitar certas estratégias com base em nossos próprios critérios de rejeição pessoal. Nesta seção, vamos filtrar mais estratégias com base em nossas próprias preferências para obter dados históricos. As principais considerações (especialmente no nível do profissional varejista) são os custos dos dados, dos requisitos de armazenamento e do seu nível de experiência técnica. Também precisamos discutir os diferentes tipos de dados disponíveis e as diferentes considerações que cada tipo de dados nos impõe.

Vamos começar discutindo os tipos de dados disponíveis e os principais problemas sobre os quais devemos pensar:

Dados fundamentais - Isso inclui dados sobre tendências macroeconômicas, como taxas de juros, índices de inflação, ações corporativas (dividendos, estoque-divisões), registros da SEC, contas corporativas, números de ganhos, relatórios de culturas, dados meteorológicos etc. Esses dados são freqüentemente usados ​​para valorizar as empresas ou outros ativos em uma base fundamental, ou seja, por meio de alguns fluxos de caixa futuros esperados. Não inclui séries de preços de ações. Alguns dados fundamentais estão disponíveis gratuitamente nos sites do governo. Outros dados fundamentais históricos de longo prazo podem ser extremamente caros. Os requisitos de armazenamento geralmente não são particularmente grandes, a menos que milhares de empresas estejam sendo estudadas de uma só vez. Dados de notícias - Os dados de notícias são geralmente de natureza qualitativa. Consiste em artigos, postagens de blog, postagens de microblog ("tweets") e editoriais. As técnicas de aprendizagem de máquinas, como os classificadores, costumam ser usadas para interpretar o sentimento. Esses dados também são freqüentemente disponíveis gratuitamente ou baratos, por meio da assinatura de meios de comunicação. Os bancos de dados de armazenamento de documentos "NoSQL" mais novos foram projetados para armazenar esse tipo de dados qualitativos não estruturados. Dados do preço do recurso - Este é o domínio de dados tradicional do quant. Consiste em séries temporais de preços dos ativos. As ações (ações), produtos de renda fixa (títulos), commodities e preços de câmbio se enquadram nesta classe. Os dados históricos diários são geralmente simples de obter para as classes de ativos mais simples, como ações. No entanto, uma vez que a precisão e a limpeza estão incluídas e os preconceitos estatísticos removidos, os dados podem se tornar caros. Além disso, os dados das séries temporais geralmente possuem requisitos de armazenamento significativos, especialmente quando os dados intradiários são considerados. Instrumentos Financeiros - Ações, títulos, futuros e opções derivadas mais exóticas possuem características e parâmetros muito diferentes. Assim, não existe uma estrutura de banco de dados "tamanho único" que possa acomodá-los. Deve ser dado um cuidado significativo à concepção e implementação de estruturas de banco de dados para vários instrumentos financeiros. Vamos discutir a situação ao longo de quando chegamos a construir um banco de dados mestre de valores mobiliários em futuros artigos. Frequência - Quanto maior a frequência dos dados, maiores são os custos e os requisitos de armazenamento. Para estratégias de baixa frequência, os dados diários são frequentemente suficientes. Para estratégias de alta freqüência, pode ser necessário obter dados de nível de tiquetaque e até mesmo cópias históricas de determinados dados de cadastro de trocas comerciais. A implementação de um mecanismo de armazenamento para esse tipo de dados é muito tecnicamente intensiva e só é adequada para aqueles que possuem uma sólida base de programação / técnica. Pontos de referência - As estratégias descritas acima serão muitas vezes comparadas a uma referência. Isso geralmente se manifesta como uma série de tempo financeiro adicional. Para as ações, isso geralmente é um benchmark de estoque nacional, como o índice S & P500 (US) ou FTSE100 (Reino Unido). Para um fundo de renda fixa, é útil comparar-se com uma cesta de títulos ou produtos de renda fixa. A "taxa livre de risco" (ou seja, a taxa de juros apropriada) também é outra referência amplamente aceita. Todas as categorias de classe de ativos possuem um benchmark favorecido, por isso será necessário pesquisar isso com base em sua estratégia específica, se desejar ganhar interesse em sua estratégia externamente. Tecnologia - As pilhas de tecnologia por trás de um centro de armazenamento de dados financeiros são complexas. Este artigo apenas pode arranhar a superfície sobre o que está envolvido na construção de um. No entanto, ele se centra em torno de um mecanismo de banco de dados, como um Sistema de Gerenciamento de Banco de Dados Relacional (RDBMS), como MySQL, SQL Server, Oracle ou um Document Storage Engine (ou seja, "NoSQL"). Isso é acessado através do código de aplicativo "lógica comercial" que consulta o banco de dados e fornece acesso a ferramentas externas, como MATLAB, R ou Excel. Muitas vezes, esta lógica de negócios está escrita em C ++, C #, Java ou Python. Você também precisará hospedar esses dados em algum lugar, seja em seu próprio computador pessoal, seja remotamente através de servidores de internet. Produtos como o Amazon Web Services tornaram isso mais simples e barato nos últimos anos, mas ainda exigirá conhecimentos técnicos significativos para alcançar de forma robusta.

Como pode ser visto, uma vez que uma estratégia tenha sido identificada através do pipeline, será necessário avaliar a disponibilidade, os custos, a complexidade e os detalhes de implementação de um determinado conjunto de dados históricos. Você pode achar que é necessário rejeitar uma estratégia baseada unicamente em considerações de dados históricos. Esta é uma grande área e equipes de doutorados trabalham em grandes fundos garantindo que os preços sejam precisos e oportunos. Não subestime as dificuldades de criar um centro de dados robusto para os seus efeitos de backtesting!

Eu quero dizer, no entanto, que muitas plataformas de backtesting podem fornecer esses dados para você automaticamente - a um custo. Assim, demorará muito da dor de implementação para você, e você pode se concentrar exclusivamente na implementação e otimização da estratégia. Ferramentas como a TradeStation possuem essa capacidade. No entanto, minha visão pessoal é implementar o máximo possível internamente e evitar a terceirização de partes da pilha para fornecedores de software. Eu prefiro estratégias de freqüência mais altas devido aos seus índices de Sharpe mais atraentes, mas muitas vezes estão fortemente acoplados à pilha de tecnologia, onde a otimização avançada é crítica.

Agora que discutimos os problemas relacionados aos dados históricos, é hora de começar a implementar nossas estratégias em um mecanismo de teste. Este será o assunto de outros artigos, pois é uma área de discussão igualmente grande!

A Quantcademy.

Junte-se ao portal de adesão da Quantcademy que atende à comunidade de comerciantes de varejo de varejo em rápido crescimento e saiba como aumentar a rentabilidade da sua estratégia.

Comércio Algoritmo bem sucedido.

Como encontrar novas ideias de estratégia de negociação e avaliá-las objetivamente para seu portfólio usando um mecanismo de backtesting personalizado em Python.

Negociação Algorítmica Avançada.

Como implementar estratégias de negociação avançadas usando análise de séries temporais, aprendizado de máquinas e estatísticas bayesianas com R e Python.

Top 5 Essential Beginner Books para negociação algorítmica.

Top 5 Essential Beginner Books para negociação algorítmica.

O comércio algorítmico geralmente é percebido como uma área complexa para iniciantes para enfrentar. Abrange uma ampla gama de disciplinas, com certos aspectos que exigem um grau significativo de maturidade matemática e estatística. Consequentemente, pode ser extremamente desprezível para os não iniciados. Na realidade, os conceitos gerais são simples de entender, enquanto os detalhes podem ser aprendidos de maneira iterativa e contínua.

A beleza do comércio algorítmico é que não há necessidade de testar o conhecimento sobre capital real, já que muitas corretoras fornecem simuladores de mercado altamente realistas. Embora existam algumas advertências associadas a tais sistemas, eles fornecem um ambiente para promover um nível profundo de compreensão, sem absolutamente nenhum risco de capital.

Uma pergunta comum que recebo dos leitores do QuantStart é "Como faço para começar a negociação quantitativa?". Já escrevi um guia de iniciantes para negociação quantitativa, mas um artigo não pode esperar para cobrir a diversidade do assunto. Assim, eu decidi recomendar meus livros de comércio de quantum de nível de entrada favoritos neste artigo.

A primeira tarefa é obter uma visão geral sólida do assunto. Descobriu que seria muito mais fácil evitar discussões matemáticas pesadas até que os conceitos básicos sejam cobertos e compreendidos. Os melhores livros que encontrei para este fim são os seguintes:

1) Negociação Quantitativa por Ernest Chan - Este é um dos meus livros de finanças favoritos. O Dr. Chan fornece uma ótima visão geral do processo de criação de um sistema de comércio quantitativo "varejista", usando o MatLab ou o Excel. Ele torna o assunto altamente acessível e dá a impressão de que "qualquer um pode fazê-lo". Embora existam muitos detalhes que são ignorados (principalmente por brevidade), o livro é uma ótima introdução sobre como funciona a negociação algorítmica. Ele discute a geração alfa ("o modelo de negociação"), gerenciamento de riscos, sistemas de execução automatizada e certas estratégias (particularmente o impulso e reversão média). Este livro é o lugar para começar. 2) Dentro da Black Box por Rishi K. Narang - Neste livro, o Dr. Narang explica detalhadamente como funciona um fundo de hedge quantitativo profissional. É lançado em um investidor experiente que está considerando investir em uma "caixa preta". Apesar da aparente irrelevância para um comerciante varejista, o livro realmente contém uma riqueza de informações sobre como um sistema comercial "adequado" deve ser realizado. Por exemplo, a importância dos custos de transação e gerenciamento de riscos é delineada, com idéias sobre onde procurar informações adicionais. Muitos comerciantes de videojogos de varejo poderiam fazer bem para escolher isso e ver como os "profissionais" realizam suas negociações. 3) Algorithmic Trading & amp; DMA de Barry Johnson - A frase "negociação algorítmica", no setor financeiro, geralmente se refere aos algoritmos de execução utilizados pelos bancos e corretores para executar negócios eficientes. Estou usando o termo para cobrir não só os aspectos da negociação, mas também o comércio quantitativo ou sistemático. Este livro é principalmente sobre o primeiro, sendo escrito por Barry Johnson, que é um desenvolvedor de software quantitativo em um banco de investimento. Isso significa que é inútil para o quantum de varejo? De modo nenhum. Possuir uma compreensão mais profunda de como os intercâmbios funcionam e a "microestrutura do mercado" pode ajudar imensamente a rentabilidade das estratégias de varejo. Apesar de ser um grande volume, vale a pena pegar.

Uma vez que os conceitos básicos são apreendidos, é necessário começar a desenvolver uma estratégia comercial. Isso geralmente é conhecido como o componente do modelo alfa de um sistema comercial. As estratégias são diretas para encontrar esses dias, no entanto, o valor verdadeiro vem na determinação de seus próprios parâmetros de negociação através de pesquisa extensiva e backtesting. Os seguintes livros abordam certos tipos de sistemas de negociação e execução e como implementá-los:

4) Negociação algorítmica por Ernest Chan - Este é o segundo livro do Dr. Chan. No primeiro livro, ele evitou o impulso, a reversão média e certas estratégias de alta freqüência. Este livro discute essas estratégias em profundidade e fornece detalhes de implementação significativos, embora com mais complexidade matemática do que no primeiro (por exemplo, Filtros Kalman, Stationarity / Cointegration, CADF etc.). As estratégias, mais uma vez, fazem uso extensivo do MatLab, mas o código pode ser facilmente modificado para C ++, Python / pandas ou R para aqueles com experiência em programação. Ele também fornece atualizações sobre o mais recente comportamento do mercado, já que o primeiro livro foi escrito alguns anos atrás. 5) Negociação e Intercâmbios de Larry Harris - Este livro concentra-se na microestrutura do mercado, que eu pessoalmente sinto é uma área essencial para aprender, mesmo nos estágios iniciais da negociação quantitativa. A microestrutura do mercado é a "ciência" de como os participantes do mercado interagem e as dinâmicas que ocorrem no livro de encomendas. Está intimamente relacionado com a forma como os intercâmbios funcionam e o que realmente acontece quando um comércio é colocado. Este livro é menos sobre estratégias de negociação como tal, mas sobre coisas a serem conscientes ao projetar sistemas de execução. Muitos profissionais no espaço financeiro de quant consideram isso como um excelente livro e eu também recomendo isso.

Nesta etapa, como comerciante de varejo, você estará em um bom lugar para começar a pesquisar os outros componentes de um sistema de negociação, como o mecanismo de execução (e sua relação profunda com os custos de transação), bem como o gerenciamento de riscos e portfólio. Vou discutir livros para esses tópicos em artigos posteriores.

A Quantcademy.

Junte-se ao portal de adesão da Quantcademy que atende à comunidade de comerciantes de varejo de varejo em rápido crescimento e saiba como aumentar a rentabilidade da sua estratégia.

Comércio Algoritmo bem sucedido.

Como encontrar novas ideias de estratégia de negociação e avaliá-las objetivamente para seu portfólio usando um mecanismo de backtesting personalizado em Python.

Negociação Algorítmica Avançada.

Como implementar estratégias de negociação avançadas usando análise de séries temporais, aprendizado de máquinas e estatísticas bayesianas com R e Python.

ESTRATÉGIAS DE NEGOCIAÇÃO ALGORITÓMICA PROVENIENTES.

Estratégias de negociação quantitativas para lucrar durante o aumento & # 038; Mercados em queda.

Melhore sua negociação e.

aumentar os lucros com nossa análise.

A Technical Traders Ltd. ajuda você a identificar e tirar proveito de mais de sua negociação. Como? Ao fornecer-lhe configurações de comércio verificado e notificações em tempo real.

ACEITE DIVERSIFICAÇÃO NA SUA CARTEIRA.

COMO QUE NUNCA PENSOU POSSÍVEL.

Nossas estratégias de negociação algorítmica proporcionam diversificação ao seu portfólio através da negociação de vários valores como o índice S & # 038; P 500, o índice DAX e o índice de volatilidade, através do uso de negociação de futuros ou fundos negociados em bolsa muito líquidos. Aplicando estratégias de tendência, negociação contra tendência e estratégias baseadas em ciclo vinculado, buscamos fornecer um processo de decisão de negociação sistemático e altamente automatizado capaz de fornecer retornos consistentes para nossos clientes. *

Nós oferecemos múltiplas estratégias de negociação algorítmica, onde todas as estratégias algorítmicas podem ser seguidas manualmente, recebendo alertas de email e SMS, ou podem ser 100% mãos-livres negociadas automaticamente em sua conta de corretagem. Depende de você, e você pode ativar / desativar o comércio automatizado a qualquer momento para que você esteja sempre no controle de seu destino.

Nossas estratégias de negociação algorítmica:

1. Mudanças de impulso de curto prazo entre condições de mercado de sobrecompra e sobreposição, que são negociadas usando posições longas e curtas permitindo, lucros potenciais em qualquer direção do mercado.

2. O seguimento da tendência tira proveito dos movimentos de preços multi-meses estendidos em qualquer direção para cima ou para baixo.

3. A negociação cíclica permite lucros potenciais durante um mercado encadernado. Alguns dos maiores ganhos são encontrados durante condições agudas do mercado com esta estratégia. *

Nossos Produtos - AlgoTrades é um serviço de sistema de negociação tudo-em-um que combina os tipos de análise mais efetivos e importantes listados acima em sistemas de negociação algorítmicos únicos para a criação de sistema dinâmico e robusto.

As estratégias de negociação quantitativas da AlgoTrades diversificam seu portfólio de duas maneiras; (1) negocia os maiores índices de ações para diversificação total com todos os setores de mercado, (2) emprega três estratégias de negociação algorítmicas de análise exclusiva. As três estratégias de negociação únicas proporcionam estabilidade adicional como resultado de abordagens múltiplas, e as posições do fato variam em tamanho e tamanho.

Valor adicionado com estratégias de negociação algorítmicas.

A AlgoTrades procura agregar valor, maximizando a eficiência de retorno, uma medida estatística de desempenho. Nós agregamos valor através de um desempenho consistente, independentemente da atual condição ou tendência do mercado. ** Nossas regras intrincadas de gerenciamento de risco e o sistema podem oferecer baixa volatilidade do portfólio e uma baixa correlação com os retornos do mercado de ações.

A equitação da montanha-russa do mercado de ações e a observação do seu portfólio caem com o mercado financeiro agora podem ser evitadas através do uso de nossas estratégias de negociação algorítmicas. ^

O valor que fornecemos à pesquisa avançada do nosso investidor, posições corretamente gerenciadas e altos níveis de transparência, todos os quais são projetados para ajudar os investidores a alcançar seus objetivos financeiros antes. ***

O que nossas estratégias de negociação algorítmica não são.

Nossas estratégias de negociação algorítmica não são neutras ao mercado, o que significa que não protegemos nossa posição porque procuramos lucrar com as flutuações do mercado de ações. Em vez disso, nossos negócios são direcionais e tipicamente na direção da tendência principal, se o preço está subindo, descendo ou de lado.

Investir com a AlgoTrades traz o risco de perda como todos os investimentos.

No entanto, estamos muito conscientes e conscientes da importância do controle de risco e acreditamos que a negociação usando nossas estratégias de negociação algorítmica e abordagem automatizada gerenciará com sucesso o risco enquanto procura retornos atraentes. ***

Gerar um Crescimento Consistente a Longo Prazo.

Nossas estratégias de negociação algorítmica - Descrição & # 038; Filosofia.

Acreditamos que o sistema de negociação algorítmica AlgoTrades é tudo o que um comerciante e um investidor precisam para gerar um crescimento consistente a longo prazo. *

Nossas exclusivas ferramentas proprietárias e algoritmos de negociação nos permitem aproveitar os mercados financeiros, independentemente da direção do mercado. AlgoTrades & # 8217; Filtros avançados monitoram o mercado em uma base tick-by-tick, avaliando cada entrada, lucro / perda ou interromper o nível de colocação em tempo real, portanto, você não precisa.

O que é negociado:

Os sistemas que comercializam o contrato de futuros mini ES, futuros DAX, com posições longas e curtas. Alguns sistemas comercializam usando fundos negociados em bolsa com foco na negociação de índices, setores e índice de volatilidade. Nós também temos sistemas de negociação de ações para aqueles que preferem a negociação de ações ativas. Os negócios variam em função da estratégia. A gama de sistemas forma dias de negociação para negociação de tendências longas de várias semanas.

AlgoTrades & # 8217; A prioridade número um após a execução de um cargo é maximizar os lucros e reduzir o risco.

Gerenciamento de posição usado.

Cada um dos nossos sistemas comercializa um contrato de futuros ou um valor fixo de tamanho de posição se negociar ações ou ETF & # 8217; s. Além disso, alguns sistemas como operações de negociação de futuros ou sistemas de ações de curto / longo prazo exigirão uma conta de margem, enquanto um sistema ETF de longo prazo (fundos regulares e inversos) pode ser usado qualquer conta normal de negociação de ações.

Nossos sistemas são dimensionáveis, o que significa que se um sistema requer um tamanho de conta de $ 10.000 e você tenha uma conta de US $ 20K, você simplesmente configuraria a escala do sistema para 200%. Isso garantirá que você esteja negociando os tamanhos de posição corretos para sua conta.

Tamanho da conta necessária.

A conta de negociação mínima necessária para que os negócios sejam executados com nosso sistema mais pequeno é uma conta de US $ 10.000. Nossos sistemas são dimensionáveis, o que significa que se um sistema indicar que ele exige tamanho de conta de $ 10.000 e você possui uma conta de US $ 20.000, você simplesmente configurou a escala do sistema para 200%.

Por outro lado, se um sistema diz que ele exige US $ 25.000 e você só tem US $ 12.500, você configuraria a escala do sistema para negociar 50% do tamanho da posição do sistema. Isso garantirá que você esteja negociando os tamanhos de posição corretos para sua conta.

APRENDA SOBRE ESTRATÉGIAS DE NEGOCIAÇÃO ALGORITÓMICA.

USADO PARA COMER-SE SUA CONTA.

IMPORTANTE & # 8211; ESTRATÉGIAS DE NEGOCIAÇÃO ALGORITÓMICA:

Todos os anos, o mercado de ações tem um ponto ótimo onde uma grande parcela dos ganhos será gerada dentro de alguns meses, de modo que o compromisso com o sistema de negociação algorítmica é importante para o sucesso a longo prazo.

NOTA DE ESTRATÉGIA DE NEGOCIAÇÃO ALGORITÓMICA.

Nosso sistema AlgoTrades foi desenvolvido e comercializado por profissionais que querem compartilhar seu sistema, a paixão dos mercados e o estilo de vida com nosso seleto grupo de comerciantes e investidores.

A equipe AlgoTrades possui um nível combinado de experiência de 77 anos nos mercados. Nossos recursos funcionam de forma abrangente, cobrindo o dia de negociação, negociação de swing, 24 horas de negociação de futuros, ações, ETF & # 8217; s e desenvolvimento de estratégias de negociação algorítmica. Nosso grupo pequeno e elite já viu e fez tudo!

Estamos orgulhosos de disponibilizar AlgoTrades para investidores individuais para ajudar a nivelar o campo de jogo com os profissionais, hedge funds e empresas de private equity em Wall Street.

Nossas estratégias de negociação algorítmica usam vários pontos de dados para poder fazer suas decisões e fazer negócios. O uso de ciclos, proporções de volume, tendências, volatilidade, sentimento do mercado e reconhecimento de padrões, coloca a probabilidade a nosso favor para ganhar dinheiro.

ESTRATÉGIAS DE NEGOCIAÇÃO ALGORITÓMICA IMPORTANTES FEATURE & # 038; BENEFÍCIO PARA OS OPERADORES DE FUTUROS: quando um contrato de futuros está próximo do vencimento, nosso sistema fechará automaticamente o contrato da frente ou nas proximidades e restabelecerá a posição na nova frente ou no mês do contrato próximo. Não é necessária nenhuma ação da sua parte. É uma verdadeira estratégia de negociação automatizada mãos-livres.

Estratégias de negociação algorítmica.

Certificação.

A certificação reconhecida pela indústria permite que você adicione essa credencial ao seu currículo após a conclusão de todos os cursos.

Precisa de treinamento personalizado para sua equipe?

Linha gratuita (844) 397-3739.

Informe-se sobre este curso.

Instrutor.

Nick Firoozye.

Instrutor: Nick Firoozye.

Análise, Design e Confirmação de Estratégias Quantitativas de Negociação.

O curso cobre os princípios subjacentes à negociação algorítmica, abrangendo princípios e análises de tendências, carry, valor, reversão média, valor relativo e outras estratégias mais obscuras, como a gama curta. O instrutor tem mais de 20 anos de experiência no setor financeiro, tanto na compra quanto na venda. Começou sua carreira na Lehman Brothers fazendo modelagem MBS / ABS e depois assumiu vários papéis seniores na Goldman Sachs, DeutscheBank, Sanford Bernstein e Citadel.

Sobre o curso.

Pré-requisitos.

Currículo.

Descrição do Curso.

Os fundos Systematic Quant são uma parte em rápida expansão do hedge fund e do mundo beta inteligente. Embora exista um grande foco na alta freqüência por acadêmicos, as contas de negociação de média a baixa frequência por mais de $ 350 bilhões de AUM e é o segmento de maior crescimento do mundo HF. Este curso de negociação algorítmica cobre os princípios subjacentes à negociação algorítmica, incluindo análises de estratégias de seguimento, carry, valor, reversão média e estratégias de valor relativo. Discutiremos as razões para a estratégia, os projetos de estratégia padrão, os prós e os contras de várias opções de design e os ganhos decorrentes da diversificação em estratégias de portfólio. Finalmente, uma vez que a indústria está atormentada pela superposição e o mau desempenho resultante, discutiremos o p-hacking (ou o "charlatanismo financeiro") e várias estratégias para evitá-lo.

O que eu vou conseguir deste curso?

Pré-requisitos e público-alvo.

O que os alunos devem saber ou fazer antes de iniciar este curso?

Graduação ODE e PDE (física de matemática ou engenharia / expansão de Fourier com base) Algumas Equações Diferenciais Estocásticas (SDEs), embora algumas sejam abordadas no curso.

Análise básica de análise Otimização de álgebra linear numérica.

Quem deveria seguir este curso? Quem não deveria?

em Ciências Físicas e Engenharia em Ciência da Computação com uma sólida compreensão da matemática em Economia ou Finanças com um firme conhecimento da econometria.

Currículo.

Módulo 1: Visão geral do curso.

Discutimos estratégias de negociação e seu contexto recente no mundo da gestão de investimentos alternativos.

Introdução à área, Algo em oposição ao comércio de alta freqüência / baixa latência e áreas de crescimento. Os objetivos do curso, para estudantes / acadêmicos, profissionais e outros comerciantes, e antecedentes gerais do curso.

O que o curso não é. The Role of Data Science e ML - os cientistas de dados precisam saber sobre "canônico" estratégias? Eles podem começar de novo? Nós argumentamos que algumas das estratégias mais comumente usadas fornecem boas orientações para cientistas de dados cujas técnicas raramente funcionam "fora da caixa" e são especialmente propensos a problemas na área de estratégias de troca de algo.

Nós descrevemos os conceitos básicos do programa. Alguns desses materiais são cobertos muito bem, enquanto outros são abordados bastante rapidamente como métodos em uso / abordagens para considerar na elaboração e refinamento de estratégias. Nós abordamos as estratégias de Fundo, Momento, Reversão Média, Carry, Value, Basic Portfolio e o conceito importante de Overfitting, com foco na justificativa matemática e estatística, formulação e propriedades de cada estratégia.

Módulo 2: Visão geral da indústria e revisão de matemática.

Alternativas, Hedge Funds, CTAs e Quant Funds. Qual tamanho e quais números? Quanto eles estão crescendo? Onde estão as oportunidades? De cima para baixo, olhe para as perspectivas gerais da indústria em que a Algo Trading Strategies está empregada.

Quiz sobre fundo e introdução.

Revisamos o método básico Box-Jenkins para modelos ARMA, olhamos polinômios característicos, descrevemos processos estacionários versus não-estacionários.

Revisamos algumas das matemáticas básicas para timeseries, incluindo o ruído branco e o movimento browniano.

Revisamos o ACF e sua relação com os modelos ARMA e começamos os critérios (AIC, BIC) como forma de fazer uma escolha de modelo.

Nós tocamos em métodos mais intensivos em computador para fazer a seleção do modelo - validação cruzada e encontrar erros padrão - bootstrap. Finalmente, discutimos dois métodos mais comuns para resolver SDEs em constantes fechadas e muticipantes e integração por partes / lema de Ito.

Passamos por alguns modelos ARMA básicos e seus ACFs.

Módulo 3: Momentum / Trend Following.

Apresentamos a intuição muito básica por trás do impulso e como construiríamos as estratégias mais simplistas.

Discutimos algumas das propriedades e trocas de impulso, muitas das quais podem ser alteradas pelo design da estratégia.

Mais concretos, incluindo exemplos de retornos na prática.

Nós olhamos as versões de momento discreto e procuram provar que a aspereza muda pelo horizonte.

Esta é uma seção de quadro branco sobre os conceitos básicos da aspeto sobre os resultados do horizonte (Martin-Zou), passando pela prova, mostrando que os conceitos são relativamente fáceis (mesmo que a álgebra seja um pouco tediosa).

Tendo provado resultados sobre a disparidade de retornos de impulso em diferentes horizontes, aplicamos-no a uma regra de média móvel ponderada exponencialmente (EWMA), mostrando como o ponto alto é relacionado ao lookback efetivo (no nosso caso, o "span") de o EWMA.

Nós descrevemos os métodos mais utilizados na indústria, de Kalman Filters para Moving Anes to ARIMA models. Usado corretamente, a maioria desses modelos pode atingir quase a mesma performance.

Apresentamos um notebook ipython. Demora dados de Quandl (e alguns do Yahoo finance), incluindo SPX, SPTR e Fed Funds. Usamos estes para construir retornos em excesso S & amp; P 500 e comparar com SPX. Em seguida, elaboramos uma estratégia de impulso.

Informando as estatísticas relevantes (Sharpes e Skewness) em diferentes horizontes.

Incidente transversal a Timeships. Qual é melhor? Onde eles são usados? Por que devemos conhecê-los? Fads e fantasias na modelagem momentânea. Modelos vs Método.

Nós olhamos para Winsorising ou tapando e pavimentando os sinais (às vezes necessários para evitar uma utilização de capacidade muito grande), usando limiares, etc. Isso geralmente diminui a afinidade, mas eles podem ajudar o desempenho geral. Olhamos vários métodos e discutimos seus prós e contras e como medi-los.

Nós fornecemos links e resumimos o punhado de artigos mais importantes sobre aspectos estatísticos da negociação de impulso para um estudo mais aprofundado. Sendo bem conhecidos, estes são também os papéis mais citados, e, portanto, qualquer nova pesquisa acadêmica pode ser encontrada (usando google scholar) apenas pesquisando pré-impressões e documentos que citam esses importantes estudos.

Resumindo os principais pontos que fizemos na seção 2 sobre Momentum.

Módulo 4: Reversão média / pontos de mudança.

Visão geral da MR e os cronogramas / horizontes associados ao MR, Momentum e Valor.

Uma continuação da palestra anterior, colocando os prazos todos juntos e procurando a história antiga (se necessário)

As características típicas de uma estratégia de negociação de MR, o que esperar e com o que cuidar.

Várias razões concorrentes (ou não tão concorrentes) para a reversão média: provisão de liquidez e reação excessiva.

Volatilidade e reversão média, a teoria e empirismo por trás de sua relação.

Alguns dos mais importantes trabalhos acadêmicos sobre liquidez.

Uma análise dos tipos de comportamento que desejamos discernir entre, enfocando-se na inversão média versus os processos raiz da unidade.

Os Testes ADF são os testes de raiz de unidades mais comumente usados ​​lá fora. Apresentamos seu uso e limitações.

Os testes KPSS tornam H0 e H1 em suas cabeças, testando a reversão média. Eles também têm suas limitações.

Apresentamos testes de proporção de variância, exploramos seu uso e abusos.

Testes de Cointegration e Engle Granger, e o teste mais completo de Johansen.

Harvey Nyblom é para Johansen como KPSS é para ADF e nós exploramos H-N Testes e, em seguida, as falhas para todos os métodos de teste.

poder de testes, intervalos de confiança, erros de tipo 1 e tipo 2.

RV Trade ideas e MR.

Visão geral e abordagens mais clássicas para a detecção de ponto de mudança. Estes são úteis para ajustes lineares por partes dos dados para estabelecer meios de tendência e reversão média para esses meios de tendências.

Usando a regressão do lasso para detectar tendências, podemos identificar pontos de interrupção e extrair tendências ao mesmo tempo. Embora nem sempre seja o método mais fácil, os métodos de regularização, como o lasso, são úteis em muitas circunstâncias e também são um quadro decente para pensar nos problemas subjacentes.

Acompanhamos uma ferramenta muito prática e implementável - segmentação binária seqüencial (e segmentação binária selvagem)

Módulo 5: estratégias de Carry, Value e Portfolio.

Definimos levar e dar uma justificativa em termos de medidas P vs Q.

Continuamos a discussão das diferenças entre a medida P (mundo físico) versus a medida Q (para preços e derivativos de hedge). Enquanto Q (onde as taxas no local sempre se deslocam para o frente ou - "forwards" são realizadas, é uma construção interessante, é simplesmente isso. Nós temos que usá-lo para negociar e proteger (ou "gerenciar riscos") derivativos. Realmente, em mercados incompletos, Q não é realmente único e é apenas uma construção útil. Realisticamente falando, as taxas no local tendem a ficar colocadas, e as caminhadas aleatórias são muito mais prováveis ​​do que terem realizado avanços. Se as taxas pontuais são martingales / passeios aleatórios, esta é uma racionalidade perfeitamente correta para estudar levar.

Definir carry-- o que é isso? Por que nos preocupamos com isso? O que é uma posição de transporte positivo e o que é uma posição de transporte negativo? E quanto a commodities?

Definimos o carry for swaps, algo não tão facilmente disponível, e também um pouco para os títulos. As obrigações, no entanto, são completamente mais difíceis, uma vez que você precisa saber as taxas de financiamento específicas dos títulos (taxas de reimportação a prazo), então, principalmente, buscamos transferências para swaps.

Nós descrevemos brevemente o carry for Futures (incluindo commodity e equity) e FX e para a área de Derivados menos bem coberta.

Resumimos a exploração do carry.

Definimos valor, uso e como isso difere de Equities (onde está bem definido e seguido regularmente) para renda fixa, fx e commodities. O valor, com suas propriedades de reversão média de longo prazo, é naturalmente ortogonal ao impulso e reversão média.

Otimização média da variância como guia para os princípios básicos da estratégia de portfólio.

Apresentamos a otimização do portfólio como uma regressão e descrevemos os testes F para significância estatística das mudanças nos pesos do portfólio.

Nós introduzimos carteiras condicionais e otimização para incluir reatribuição dinâmica. O uso de carteiras aumentadas nos permite considerar sinais dinâmicos na otimização de portfólio. Finalmente, falamos sobre as deficiências da maioria das otimizações do portfólio de estilo MVO e introduzimos uma série de medidas de desempenho padrão usadas nos problemas de medição e alocação.

Módulo 6: superposição.

Apresentamos o problema e as questões relacionadas com o p-hacking, a falta de reprodutibilidade e a superação excessiva nas competições Kaggle.

A superação em finanças é talvez mais problemática do que qualquer outro campo. Enquanto a Amazon ou o Google perderam alguns cliques, contando com resultados espúrios, em finanças, poderíamos facilmente arriscar a insolvência. Enquanto isso, a superposição é bastante comum e estudos recentes mostraram sua prevalência.

Bailey e outros propuseram aumentar os comprimentos do backtest para evitar a superposição. O método é ilustrativo, mas fornece mais uma regra geral. Nós descrevemos os resultados de seu artigo sobre "Charlatanism Financeiro e Pseudo-Matemática" e o conceito de comprimento mínimo de backtest.

Harvey e Liu discutem as estatísticas dos índices Sharpe, convertendo-se para p-values ​​(se Sharpe = E [Ret] / Std [Ret], o teste é H0: E [Ret] = 0). Eles então discutem testes de hipóteses múltiplas e como se lida com isso.

Formas de lidar com o Teste de Hipóteses Múltiplos - métodos Holm e Bonferroni, um pouco mais extremos do que ótimos, mas dando uma boa visão sobre os meios de ajuste de valores de p.

Descrevemos o melhor método para controlar a taxa de descoberta falsa (FDR), o ajuste BHY e falamos sobre seu impacto em Ratios Sharpe com base no número de estratégias executadas e no tamanho do histórico disponível para backtest. Finalmente, resumimos as abordagens práticas para a superação do backtest.

Módulo 7: Resumo do curso.

Jay J.

Dezembro de 2016.

Dezembro de 2016.

Este curso me deu uma compreensão mais profunda do comércio algorítmico e sua prática. A entrega do instrutor é muito clara e envolvente. Ele parece muito experiente e apaixonado pelos temas. Vale a pena cada minuto e cada dólar. Altamente recomendado.

Maio de 2017

Um curso muito útil para empresas de comércio de finanças como eu com experiência em engenharia. Isso me ajudou a aprimorar minhas habilidades analíticas em estratégias de negociação quantitativas. O instrutor explicou os princípios de troca de algoritmos e aplicando-os para soluções em tempo real. As palestras foram fáceis de entender com informações fornecidas em vários prós e contras de abordagens na concepção de estratégias e na compreensão das armadilhas. Como comerciante de algoritmos, o curso me ajudou a entender muitos pequenos detalhes das propriedades estatísticas das estratégias. Estou realmente em dívida com a instrução para entender os muitos aspectos dos algoritmos, alguns dos quais não conheci plenamente. Todos os tópicos da palestra foram muito úteis para mim.

Maio de 2017

Em geral, um curso muito bom para aqueles que querem prosseguir o campo de comércio de finanças. Fiel à declaração feita no curso, este curso abrange todos os fundamentos dos fundos de hedge e dos fundos de negociação e negociação de algoritmos. Eu acho benéfico.

Maio de 2017

Excelente curso. Como um profissional de comércio que envolveu fundos, isso me ajudou a desenvolver meus conhecimentos teóricos na compreensão dos ativos de implementação e da estratégia de negociação baseada em portfólio.

Julho de 2017.

Este curso abrange alguns programas comerciais que funcionam nos mercados em desenvolvimento. Isso coloca métodos baseados em colisões de impulso, impulso, persistência de ganhos, reversão de preços, qualidade de ganhos, viés comportamentais, crescimento de negócios subjacente e análise textual de relatórios de negócios.

Julho de 2017.

Neste curso, você pode aprender a ler um documento acadêmico. As explicações sobre os elementos a serem ignorados e quais elementos devem prestar atenção e discussão aqui. Além disso, as explicações para cada estratégia, introdução à pesquisa fundamental e, então, como implementar a estratégia é fácil de entender.

Juan Camilo M.

Gostaria de dizer que, em geral, é um bom curso, e particularmente benéfico para o iniciante. Bom valor para o dinheiro gasto neste curso.

Julho de 2017.

Adorei a maneira como este assunto foi ensinado. Houve alguns conselhos muito úteis, como o valor de se manter disciplinado ao aderir ao algoritmo que você compôs.

Informe-se sobre este curso.

Por favor, preencha os detalhes e nossa equipe de suporte irá voltar para você no prazo de 1 dia útil.

Ofertas.

Contate-Nos.

Harvard Innovation Launch Lab.

114 Western Ave, Boston, MA 02134.

Linha gratuita: (844) EXPERFY ou.

Manter contato.

Ao se inscrever, você confirma que aceita os Termos de Serviço e a Política de Privacidade.

Estratégias de negociação algorítmica, paradigmas e idéias de modelagem.

"Os olhares podem enganar", disse uma pessoa sábia. A frase é válida para estratégias de negociação algorítmica. O termo estratégias de negociação algorítmica pode parecer muito sofisticado ou muito complicado. No entanto, o conceito é muito simples de entender, uma vez que o básico é claro. Neste artigo, vou contar-lhe sobre estratégias de negociação algorítmica com alguns exemplos interessantes.

Se você olhar para o exterior, um algoritmo é apenas um conjunto de instruções ou regras. Esses conjuntos de regras são então utilizados em uma bolsa de valores para automatizar a execução de pedidos sem intervenção humana. Esse conceito é chamado de Algorithmic Trading.

Deixe-me começar com uma estratégia de negociação muito simples. Aqueles que já estão em negociação saberiam sobre S. M.A e para aqueles que não; S. M.A é uma média móvel simples. S. M.A pode ser calculado usando qualquer número de dias predefinido e fixo. Uma estratégia de negociação algorítmica baseada em S. M.A pode ser simplificada nestas quatro etapas simples:

Calcular 5 dias SMA Calcular 20 dias SMA Tome uma posição longa quando o SMA de 5 dias é maior ou igual a SMA de 20 dias. Tome uma posição curta quando o SMA de 5 dias é menor do que SMA de 20 dias.

Referimo-nos a esta estratégia de negociação algorítmica como Estratégia de Crossover de Mudança Média. Este foi apenas um exemplo simples. Agora, não consiga pensar que tudo vai ser uma cama de rosas. Mesmo que fosse, então esteja preparado para os espinhos. No comércio diário, algoritmos de negociação muito mais complexos são usados ​​para gerar estratégias de negociação algorítmicas.

Todas as estratégias de negociação algorítmicas que estão sendo usadas hoje podem ser classificadas de forma ampla nas seguintes categorias:

Momentum / Tendência Seguindo Arbitragem Arbitragem Estatística Market Making.

Deixe-me entrar em algum detalhe.

Estratégias baseadas em Momentum.

Supondo que haja uma tendência particular no mercado. Como um comerciante algo, você está seguindo essa tendência. Além de nossa suposição, os mercados estão dentro da semana. Agora, você pode usar estatísticas para determinar se essa tendência vai continuar. Ou se vai mudar nas próximas semanas. Conseqüentemente, você fará seu próximo passo. Você baseou sua estratégia de negociação algorítmica nas tendências de mercado que você determinou usando estatísticas.

Esse método de seguir as tendências é chamado de estratégia baseada em Momentum.

Existem inúmeras maneiras de implementar esta estratégia de negociação algorítmica e discuti isso detalhadamente em um dos nossos artigos anteriores, intitulado "Metodologia de Quantificação de Notícias para Negociação Automatizada"

Se assumirmos que uma farmácia deve ser comprada por outra empresa, então o preço das ações da nossa empresa poderia subir. Isso é desencadeado pela aquisição, que é um evento corporativo. Se você planeja investir com base nas ineficiências de preços que podem acontecer durante um evento corporativo (antes ou depois), você está usando uma estratégia baseada em eventos. Falência, aquisição, fusão, spin-off etc. pode ser o evento que impulsiona esse tipo de estratégia de investimento.

Essas estratégias podem ser neutras no mercado e usadas amplamente pelos hedge funds e proprietários.

Arbitragem estatística.

Quando uma oportunidade de arbitragem surgir por causa do misquoting nos preços, pode ser muito vantajosa para a estratégia de negociação algo. Embora tais oportunidades existam por um período muito curto, pois os preços no mercado são ajustados rapidamente. E é por isso que este é o melhor uso de estratégias de negociação algorítmicas, uma vez que uma máquina automatizada pode acompanhar essas mudanças instantaneamente.

Por exemplo, se o preço da Apple cai abaixo de US $ 1, a Microsoft cairá em US $ 0,5, mas a Microsoft não caiu, então você irá vender a Microsoft para obter lucro. Você pode ler sobre os equívocos comuns que as pessoas têm sobre Arbitragem Estatística aqui.

Making Market.

Para entender o mercado, deixe-me falar sobre os Market Makers.

De acordo com a Wikipedia:

Um fabricante de mercado ou um provedor de liquidez é uma empresa ou um indivíduo que cita tanto um preço de compra quanto um preço de venda em um instrumento financeiro ou mercadoria mantido em inventário, na esperança de obter lucros no spread de oferta, ou virar.

A criação de mercado proporciona liquidez a valores mobiliários que não são comercializados com freqüência na bolsa de valores. O fabricante de mercado pode aumentar a equação da oferta e oferta de valores mobiliários. Deixe-me lhe dar um exemplo:

Vamos assumir que você tem Martin, um fabricante de mercado, que compra para Rs. 500 do mercado e vendê-lo em 505. Ele lhe dará uma cotação de ofertas de Rs. 505-500. O lucro de Rs. 5 não podem ser vendidos ou trocados por dinheiro sem perda substancial de valor. Quando Martin assume um risco maior, então o lucro também é maior.

Eu encontrei o livro de Michael Lewis 'Flash Boys' no Indian Bull Market bastante interessante e fala sobre liquidez, mercado e HFT em grande detalhe. Verifique isso depois de terminar de ler este artigo.

Uma vez que você precisará ser analítico e quantitativo ao entrar ou atualizar para negociação algorítmica é imprescindível aprender programação (alguns, se não todos) e criar sistemas infalíveis e executar a estratégia de negociação algorítmica correta. Ler este artigo sobre Automated Trading with Interactive Brokers usando Python será muito benéfico para você. Você pode ler o artigo aqui.

Paradigmas & amp; Idéias de modelagem.

Agora que eu o introduzi em estratégias de negociação algorítmicas, vou lançar luz sobre os paradigmas de estratégia e as idéias de modelagem pertencentes a cada estratégia.

Market Making Arbitrage Estatístico Momentum Machine Learning Based.

Making Market.

Como eu mencionei anteriormente, o principal objetivo do mercado é infundir liquidez em valores mobiliários que não são negociados em bolsas de valores. Para medir a liquidez, levamos em consideração o spread e os volumes de negociação entre licitações.

Os algoritmos de negociação tendem a lucrar com o spread bid-ask. Eu vou me referir ao nosso amigo, Martin, novamente nesta seção. Martin é um fabricante de mercado é um provedor de liquidez que pode citar tanto em comprar e vender lado em um instrumento financeiro com a esperança de lucrar com o spread oferta-oferta. Martin aceita o risco de segurar os valores mobiliários para os quais ele citou o preço e, uma vez que o pedido é recebido, ele normalmente venderá imediatamente de seu próprio inventário. Ele pode procurar uma oferta de compensação em segundos e vice-versa.

Quando se trata de títulos ilíquidos, os spreads são geralmente mais altos e também os lucros. Martin assumirá um risco maior neste caso. Vários segmentos no mercado carecem de interesse do investidor por falta de liquidez, pois não conseguem obter saída de vários estoques de pequena e média capital em qualquer momento.

Fabricantes de mercado como Martin são úteis porque estão sempre prontos para comprar e vender ao preço indicado. Na verdade, grande parte do comércio de alta freqüência (HFT) é a comercialização passiva de mercado. As estratégias estão presentes em ambos os lados do mercado (muitas vezes simultaneamente) competindo entre si para fornecer liquidez para aqueles que precisam.

Então, quando esta estratégia é mais lucrativa?

Esta estratégia é rentável desde que o modelo preveja com precisão as futuras variações de preços.

Modelando idéias com base neste Paradigma.

O spread e o volume comercial de oferta e solicitação podem ser modelados juntos para obter a curva de custo de liquidez que é a taxa paga pelo comprador de liquidez. Se o comprador de liquidez apenas executa ordens na melhor oferta e peça, a taxa será igual à oferta solicita espalhar o volume. Quando os comerciantes vão além da melhor oferta e pedem mais volume, a taxa também se torna uma função do volume.

O volume comercial é difícil de modelar, pois depende da estratégia de execução dos compradores de liquidez. O objetivo deve ser encontrar um modelo para volumes comerciais consistente com a dinâmica dos preços. Os modelos de fabricação de mercado geralmente são baseados em um dos dois:

O primeiro centra-se no risco de inventário. O modelo baseia-se na posição de estoque preferencial e nos preços com base no apetite de risco. O segundo é baseado em seleção adversa que distingue entre comércio informado e ruído. Os negócios de ruído não possuem qualquer visão no mercado, enquanto os negócios informados fazem. Quando a visão do comprador de liquidez é de curto prazo, seu objetivo é fazer lucro a curto prazo utilizando a vantagem estatística. No caso da visão de longo prazo, o objetivo é minimizar o custo da transação. As estratégias de longo prazo e as restrições de liquidez podem ser modeladas como ruído em torno das estratégias de execução de curto prazo.

Para saber mais sobre Market Makers, você pode conferir este interessante artigo sobre o blog da QuantInsti.

Arbitragem estatística.

Se Market Making é a estratégia que faz uso do spread bid-ask, a Statistical Arbitrage procura lucrar com o mispricing estatístico de um ou mais ativos com base no valor esperado desses ativos.

Uma maneira mais acadêmica de explicar a arbitragem estatística é espalhar o risco entre mil e milhões de negócios em um tempo de espera muito curto, esperando obter lucro com a lei de grandes números. Algoritmos de Arbitragem Estatística são baseados na hipótese de reversão média, principalmente como um par.

Pairs trading é uma das várias estratégias coletivamente referidas como Estatística Arbitrage Strategies. A estratégia de comércio em pares, os estoques que exibem co-movimentação histórica nos preços são emparelhados usando semelhanças fundamentais ou baseadas no mercado. A estratégia baseia-se na noção de que os preços relativos de um mercado estão em equilíbrio e que os desvios desse equilíbrio eventualmente serão corrigidos.

Quando um estoque supera o outro, o outperformer é vendido em curto e o outro estoque é comprado com a expectativa de que o desvio de curto prazo acabará em convergência. Isso muitas vezes protege o risco de mercado de movimentos de mercado adversos, ou seja, torna a estratégia beta neutra. No entanto, o risco total de mercado de uma posição depende do valor do capital investido em cada ação e da sensibilidade das ações a esse risco.

As Estratégias Momentum procuram lucrar com a continuação da tendência existente, aproveitando as mudanças no mercado.

"Em palavras simples, compre alto e venda mais alto e vice-versa".

E como conseguimos isso?

Nesta estratégia particular de negociação, tomaremos posições de curto prazo em ações que estão indo para cima ou para baixo até que eles apresentem sinais de reversão. É contra-intuitivo para quase todas as outras estratégias bem conhecidas. O investimento em valor geralmente é baseado em reversão de longo prazo, enquanto o investimento em impulso é baseado na diferença no tempo antes da reversão média ocorrer.

Momentum está perseguindo o desempenho, mas de forma sistemática aproveitando outros caçadores de desempenho que estão tomando decisões emocionais. Geralmente, há duas explicações dadas para qualquer estratégia que tenha provado funcionar historicamente, ou a estratégia é compensada pelo risco extra que leva ou há fatores comportamentais devido ao qual existe.

Há uma longa lista de preconceitos comportamentais e erros emocionais que os investidores exibem devido a qual impulso funciona. No entanto, isso é mais fácil de dizer do que feito, pois as tendências não duram para sempre e podem exibir reversões rápidas quando atingem o pico e chegam ao fim. O Momentum Trading tem maior grau de volatilidade do que a maioria das outras estratégias e tenta capitalizar a volatilidade do mercado. É importante o tempo de compra e venda corretamente para evitar perdas usando técnicas adequadas de gerenciamento de risco e perdas. O investimento de impulso requer um monitoramento adequado e uma diversificação apropriada para proteger contra choque grave.

Em primeiro lugar, você deve saber como detectar o impulso do preço ou as tendências. Como você já está em negociação, você sabe que as tendências podem ser detectadas por ações e ETFs constantes que continuaram por dias, semanas ou até vários meses seguidos. Por exemplo, identifique a negociação de ações dentro de 10% de suas 52 semanas de alta ou veja a variação de preço percentual nas últimas 12 ou 24 semanas. Da mesma forma que detectar uma tendência mais curta, inclua uma mudança de preço de curto prazo.

Se você se lembrar, em 2008, o setor de petróleo e energia foi continuamente classificado como um dos principais setores, mesmo quando estava em colapso. Podemos também procurar ganhos para entender os movimentos nos preços das ações. As estratégias baseadas em retornos passados ​​("estratégias de impulso de preços") ou na surpresa de lucros (conhecidas como "estratégias de impulso de ganhos") exploram a sub-reação do mercado a diferentes itens de informação. Uma estratégia de impulso de lucros pode lucrar com a sub-reação à informação relacionada aos ganhos de curto prazo. Da mesma forma, uma estratégia de impulso de preços pode se beneficiar da resposta lenta do mercado a um conjunto mais amplo de informações, incluindo rentabilidade a longo prazo.

Aprendizado de máquinas baseado.

Na negociação baseada em Aprendizado de Máquinas, os algoritmos são usados ​​para prever o alcance de movimentos de preços de curto prazo em um determinado intervalo de confiança. A vantagem do uso da Inteligência Artificial (IA) é que os humanos desenvolvem o software inicial e o próprio AI desenvolve o modelo e o melhora ao longo do tempo. Um grande número de fundos conta com modelos de computador construídos por cientistas de dados e quads, mas geralmente são estáticos, ou seja, não mudam com o mercado. Os modelos baseados em ML, por outro lado, podem analisar grandes quantidades de dados em alta velocidade e melhorar-se através dessa análise.

Uma forma de inclinação de máquina chamada "redes bayesianas" pode ser usada para prever as tendências do mercado ao utilizar algumas máquinas. Uma AI que inclui técnicas como a computação evolutiva (que é inspirada pela genética) e a aprendizagem profunda podem ser executadas em centenas ou mesmo em milhares de máquinas. Pode criar uma coleção grande e aleatória de comerciantes de ações digitais e testar seu desempenho em dados históricos. Em seguida, escolhe os melhores artistas e usa seu estilo / padrões para criar um novo comerciante evoluído. Este processo se repete várias vezes e um comerciante digital que pode operar completamente por conta própria é criado.

Este processo se repete várias vezes e um comerciante digital que pode operar completamente por conta própria é criado.

Estes foram alguns paradigmas de estratégia importantes e idéias de modelagem. Em seguida, passaremos pelo procedimento passo a passo para construir uma estratégia de negociação.

Você pode aprender esses Paradigmas com grande detalhe no Programa Executivo da QuantInsti em Negociação Algorítica (EPAT), um dos mais extensos cursos de negociação algorítmica disponíveis on-line com gravações de conferências e acesso e suporte de vida.

Construindo uma estratégia de negociação algorítmica.

Das estratégias de troca de ideias para paradigmas e idéias de modelagem, eu venho a essa seção do artigo onde eu direi como construir uma estratégia básica de negociação algorítmica.

Como você começa com a implementação de estratégias de troca de algo?

Essa é a primeira questão que deve ter vindo à sua mente, eu presumo. O objetivo é que você já começou conhecendo os conceitos básicos e paradigmas das estratégias de negociação algorítmica ao ler este artigo. Agora, que o nosso motor de trator tenha o motor ligado, é hora de pressionar o acelerador.

E como exatamente isso é feito?

Vou explicar como uma estratégia de negociação algorítmica é construída, passo a passo. A descrição concisa lhe dará uma idéia sobre todo o processo.

O primeiro passo é decidir o paradigma da estratégia. Pode ser uma estratégia baseada no Arq. Baseada em Arbitragem, Alfa, Hedge ou Execução. Para esta instância particular, vou escolher o comércio de pares, que é uma estratégia de arbitragem estatística que é neutra no mercado (Beta neutro) e gera alfa, ou seja, faz dinheiro independentemente do movimento do mercado.

Você pode decidir sobre os valores reais que deseja negociar com base na visão do mercado ou através de correlação visual (no caso de estratégia de negociação de par). Estabeleça se a estratégia é estatisticamente significativa para os títulos selecionados. Por exemplo, no caso de troca de pares, verifique se há co-integração dos pares selecionados.

Agora, codifique a lógica com base na qual você deseja gerar sinais de compra / venda em sua estratégia. Para verificação de troca de pares para "reversão média"; calcule o z-score para a propagação do par e gere sinais de compra / venda quando você espera que ele retorne a significar. Decida sobre as condições de "Stop Loss" e "Taking Prat".

Stop Loss & # 8211; Um pedido de stop-loss limita a perda de um investidor em uma posição em uma garantia. Ele dispara uma ordem para diminuir a posição longa ou curta existente para evitar novas perdas e ajuda a tirar a emoção das decisões comerciais. Take Profit & # 8211; As ordens de lucro obtidas são usadas para fechar automaticamente as posições existentes, a fim de bloquear os lucros quando há um movimento em uma direção favorável. Estratégia de cotação ou batendo.

É muito importante decidir se a estratégia será "citando" ou "bater". A estratégia de execução em grande medida determina o quão agressiva ou passiva sua estratégia será.

Citando & # 8211; Na negociação em partes, você cita para uma segurança e, dependendo se essa posição for preenchida ou não, você envia o pedido para a outra. Nesse caso, a probabilidade de obter um preenchimento é menor, mas você salva o pedido de oferta de um lado. Hitting - Neste caso, você envia ordens de mercado simultâneas para ambos os títulos. A probabilidade de obter um preenchimento é maior, mas ao mesmo tempo a derrapagem é mais e você paga lance-perguntar em ambos os lados.

A escolha entre a probabilidade de preenchimento e a execução otimizada em termos de deslizamento e executivo temporizado é o que isto é se eu tiver que colocar assim. Se você optar por citar, então você precisa decidir o que está citando, é assim que funciona a negociação par. Se você decidir cotizar para a segurança menos líquida, o deslizamento será menor, mas os volumes de negociação diminuirão os títulos líquidos, por outro lado, aumentará o risco de queda, mas os volumes de negociação serão elevados.

O uso de estatísticas para verificar a causalidade é outra maneira de chegar a uma decisão, ou seja, mudança em que a segurança causa mudanças no outro e qual conduz. O teste de causalidade determinará o par de "lead-lag"; citar para liderar e cobrir a segurança atrasada.

Como você decide se a estratégia que você escolheu foi boa ou ruim?

Como você julga sua hipótese?

É aqui que o teste de volta da estratégia vem como uma ferramenta essencial para estimar o desempenho da hipótese projetada com base em dados históricos. Uma estratégia pode ser considerada boa se os resultados do backtest e as estatísticas de desempenho respaldarem a hipótese.

Portanto, é importante escolher dados históricos com um número suficiente de pontos de dados. Isto é para criar um número suficiente de trades de amostra (pelo menos mais de 100 trades) cobrindo vários cenários de mercado (bullish, bearish etc). Certifique-se de que você também preveja custos de corretagem e deslizamento. Isso irá obter resultados mais realistas, mas você ainda pode ter que fazer algumas aproximações durante o teste. Por exemplo, enquanto as estratégias de cotação são difíceis de descobrir quando você recebe um preenchimento. Assim, a prática comum é assumir que as posições são preenchidas com o último preço negociado.

Para que tipo de ferramentas você deveria procurar, enquanto faz um teste?

Uma vez que o backtesting para estratégias de negociação algorítmica envolve uma enorme quantidade de dados, especialmente se você estiver usando os dados tick by tick. Então, você deve procurar ferramentas que possam lidar com essa enorme carga de dados.

R ou MATLAB?

R é excelente para lidar com enormes quantidades de dados e também possui um alto poder de computação. Assim, tornando-se uma das melhores ferramentas para backtesting. Além disso, R é de código aberto e livre de custos. Podemos usar o MATLAB também, mas vem com um custo de licenciamento.

Tudo bem, acabei de tirar a famosa citação de Ben Parker do filme Spiderman (não o Amazing). Mas confie em mim, é 100% verdadeiro. Não importa o quão confiante que você pareça com a sua estratégia ou com o sucesso que pode acontecer anteriormente, você deve ir para baixo e avaliar cada detalhe em detalhes. Existem vários parâmetros que você precisaria monitorar ao analisar o desempenho e o risco de uma estratégia. Algumas métricas / relações importantes são mencionadas abaixo:

Retorno total (CAGR) - Taxa de crescimento anual composta (CAGR). É a taxa de crescimento anual média de um investimento durante um período de tempo específico superior a um ano. Relação Ratio - Ordem para o comércio. Lucro médio por comércio - Lucro total dividido pelo número total de negócios Perda média por troca - Perda total dividida pelo número total de negociações Drawdown máximo & # 8211; Perda máxima em qualquer comércio Volatilidade dos Retornos - Desvio padrão dos "retornos" Sharpe Ratio - Retornos ajustados ao risco, ou seja, rendimentos em excesso (taxa de risco livre) por unidade de volatilidade ou risco total.

Todo o processo de estratégias de negociação algorítmica não termina aqui. O que forneci neste artigo é apenas o pé de um Everest infinito. Para conquistar isso, você deve estar equipado com o conhecimento certo e orientado pelo guia certo. É lá que entra a QuantInsti, para guiá-lo através desta jornada. QuantInsti irá ajudá-lo a conquistar o Everest no final. Se você quiser saber mais sobre estratégias de negociação algorítmica, então você pode clicar aqui.