Ai trading estratégias

Na Aquitaine Investors, acreditamos que o sucesso da negociação automatizada se baseia, acima de tudo, na criação e desenvolvimento de estratégias baseadas em análises técnicas comprovadas e princípios de gestão do dinheiro. Nós acreditamos que a simplicidade e um pouco de criatividade ir um longo caminho também. Com base em nossas próprias experiências, podemos automatizar suas estratégias de negociação existentes Transformar suas idéias em robôs de trabalho que correspondam às suas necessidades pessoais e perspectivas (por exemplo, apetite para o risco) Back-teste e otimizar suas estratégias Fornecer análise de seus próprios back - Sobre como novas ou existentes estratégias podem ser melhoradas, incluindo a gestão de risco e evitar a curva de ajuste (ou seja, ser induzido em erro por excesso de resultados otimistas) Criar indicadores sob medida para melhorar o seu desempenho comercial Fornecer conselhos sobre como configurar o seu comércio automatizado Infra-estrutura Forneça suporte contínuo assim que seu robô estiver em operação Nossa linguagem de programação escolhida é PowerLanguage, desenvolvida pela Multicharts LLC. A semana passada, Ben Goertzel e sua companhia, Aidyia, giraram sobre um fundo do hedge que faça todos os comércios conservados em estoque usando a inteligência artificial nenhuma intervenção humana requerida. 8220Se todos morrermos, 8221 diz Goertzel, um antigo guru da IA ​​e cientista-chefe da empresa, 8220 que continuaria a negociar. 8221 Ele quer dizer isso literalmente. Goertzel e outros seres humanos construíram o sistema, é claro, e continuarão a modificá-lo conforme necessário. Mas sua criação identifica e executa negócios inteiramente por conta própria, recorrendo a múltiplas formas de IA, incluindo uma inspirada na evolução genética e outra baseada na lógica probabilística. Cada dia, depois de analisar tudo, desde preços e volumes de mercado até dados macroeconômicos e documentos contábeis corporativos, esses motores de IA fazem suas próprias previsões de mercado e, em seguida, 8220vote8221 sobre o melhor curso de ação. Se todos morrermos, ele continuaria negociando. Embora o Aidyia esteja baseado em Hong Kong, este sistema automatizado negocia em ações americanas, e no seu primeiro dia, de acordo com Goertzel, gerou um retorno de 2 por cento em um pool de dinheiro não revelado. Isso não é exatamente impressionante, ou estatisticamente relevante. Mas representa uma mudança notável no mundo das finanças. Apoiado por 143 milhões de dólares em financiamento, a startup de São Francisco Sentient Technologies tem negociado discretamente com um sistema semelhante desde o ano passado. Fundos de hedge centrados em dados como o Two Sigma e o Renaissance Technologies disseram que confiam na IA. E, de acordo com relatórios, dois outros 8212Bridgewater Associates e Point72 Asset Management, dirigido por grandes nomes de Wall Street Ray Dalio e Steven A. Cohen8212 estão se movendo na mesma direção. Aperfeiçoamento automático Os fundos de hedge confiam há muito tempo em computadores para ajudar a fazer negócios. De acordo com a empresa de pesquisa de mercado Preqin. Cerca de 1.360 fundos de hedge fazem a maioria de seus negócios com a ajuda de modelos de computador8212em quase 9% de todos os fundos8212 e administram cerca de 197 bilhões no total. Mas isso normalmente envolve cientistas de dados ou 8220quants, 8221 em Wall Street lingo8212using máquinas para construir grandes modelos estatísticos. Estes modelos são complexos, mas também estão um pouco estáticos. À medida que o mercado muda, eles podem não funcionar tão bem como eles trabalharam no passado. Nos últimos anos, no entanto, os fundos têm se movido em direção a verdadeira aprendizagem da máquina, onde os sistemas artificialmente inteligentes podem analisar grandes quantidades de dados Em velocidade e melhorar-se através de tal análise. A empresa de Nova York Rebellion Research, fundada pelo neto do baseball Hall of Fame Hank Greenberg, entre outros, conta com uma forma de aprendizagem de máquinas chamadas redes bayesianas. Usando um punhado de máquinas para prever as tendências do mercado e identificar negócios específicos. Enquanto isso, roupas como Aidyia e Sentient estão apoiando-se em AI que corre em centenas ou mesmo milhares de máquinas. Isso inclui técnicas como computação evolutiva, que é inspirado pela genética, e aprendizagem profunda. Uma tecnologia agora usada para reconhecer imagens, identificar palavras faladas, e executar outras tarefas dentro de empresas de Internet como Google e Microsoft. A esperança é que tais sistemas reconheçam automaticamente as mudanças no mercado e se adaptem de maneira que os modelos quantitativos possam. 8201 diz Ben Carlson, autor de Uma Riqueza de Sentido Comum: Por que a simplicidade supera a complexidade em qualquer plano de investimento. Que passou uma década com um fundo de doação que investiu em uma ampla gama de gerentes de dinheiro. Esse tipo de gerenciamento de fundos orientado a AI não deve ser confundido com o comércio de alta freqüência. Ele não está olhando para front-run negociações ou de outra forma ganhar dinheiro com a velocidade de ação. It8217s que procuram os mais melhores comércios no prazo mais longo8212hours, dias, semanas, mesmo meses no futuro. E mais ao ponto, máquinas não são seres humanos que estão escolhendo a estratégia. Embora a empresa não tenha comercializado abertamente seu fundo, o CEO da Sentient, Antoine Blondeau, diz que vem fazendo negócios oficiais desde o ano passado usando dinheiro de investidores privados (após um longo período de negociações de teste). De acordo com um relatório da Bloomberg. A empresa trabalhou com o fundo de hedge dentro do JP Morgan Chase no desenvolvimento da tecnologia de negociação da AI, mas Blondeau declina discutir suas parcerias. Ele diz, no entanto, que seu fundo opera inteiramente através da inteligência artificial. A idéia toda é fazer algo que nenhum outro homem e nenhuma outra máquina estão fazendo. O sistema permite que a empresa ajuste certas configurações de risco, diz o diretor científico Babak Hodjat, que fazia parte da equipe que construiu Siri antes que o assistente digital fosse adquirido pela Apple. Mas, de outra forma, ela opera sem ajuda humana. 8220It automaticamente autores de uma estratégia, e nos dá comandos, 8221 Hodjat diz. 8220It diz: 8216Compre muito agora, com este instrumento, usando esse tipo de ordem em particular.8217 Ele também nos diz quando sair, reduzir a exposição e esse tipo de coisa.8221 De acordo com Hodjat, o sistema pega a potência de computador não utilizada de 8220milhões8221 de Processadores de computador dentro de data centers, cibercafés e centros de jogos de computador operados por várias empresas na Ásia e em outros lugares. Seu motor de software, entretanto, é baseado em computação evolutiva 8212 a mesma técnica genética inspirada que joga em sistema de Aidyia8217s. Nos termos mais simples, isto significa que cria uma coleção grande e aleatória de comerciantes conservados em estoque digitais e testa seu desempenho em dados conservados em estoque históricos. Depois de escolher os melhores desempenhos, então usa seus 8220genes8221 para criar um novo conjunto de comerciantes superiores. E o processo se repete. Eventualmente, o sistema casa em um comerciante digital que pode operar com sucesso por conta própria. 8220Mais de milhares de gerações, trilhões e trilhões de 8216beings8217 competir e prosperar ou morrer, 8221 Blondeau diz, 8220 e, eventualmente, você tem uma população de comerciantes inteligentes que você pode realmente deploy.8221 Deep Investing Embora computação evolutiva impulsiona o sistema hoje, Hodjat também vê a promessa Em algoritmos de aprendizagem profunda8212algoritmos que já demonstraram ser muito hábeis em identificar imagens, reconhecer palavras faladas e até mesmo compreender a maneira natural como nós humanos falamos. Assim como a aprendizagem profunda pode apontar características particulares que aparecem em uma foto de um gato, ele explica, ele poderia identificar características particulares de um estoque que pode lhe fazer algum dinheiro. Google acaba de abrir Sourced TensorFlow, seu mecanismo de inteligência artificial Facebook abre suas fontes de seu hardware AI como ele Races Google fez um Chatbot que debate o significado da vida Goertzel8212 que também supervisiona a OpenCog Foundation. Um esforço para construir uma estrutura de código aberto para a inteligência artificial geral8212 discorda. Isto é em parte porque os algoritmos de aprendizagem profunda transformaram-se uma mercadoria. 8220Se todos estiverem usando alguma coisa, as previsões de ele serão cotadas no mercado, 8221 ele diz. 8220Ele tem que estar fazendo algo estranho.8221 Ele também aponta que, embora a aprendizagem profunda seja adequada para analisar dados definidos por um conjunto muito particular de padrões, como fotos e palavras, esses tipos de padrões não aparecem necessariamente nos mercados financeiros . E se o fizerem, eles não serão mais úteis, porque qualquer um pode encontrá-los. Para Hodjat, no entanto, a tarefa é melhorar o aprendizado profundo de hoje. E isso pode envolver a combinação da tecnologia com computação evolutiva. Como ele explica, você poderia usar computação evolutiva para construir algoritmos de aprendizagem profunda melhor. Isso é chamado neuroevolução. 8220Você pode evoluir os pesos que operam sobre o aluno profundo, 8221 Hodjat diz. 8220 Mas você também pode evoluir a arquitetura do próprio aluno profundo.8221 A Microsoft e outros equipamentos já estão construindo sistemas de aprendizagem profunda através de uma espécie de seleção natural. Embora eles podem não estar usando computação evolutiva per se. Preços em AI Quaisquer que sejam os métodos utilizados, alguns questionam se AI pode realmente ter sucesso em Wall Street. Mesmo se um fundo conseguir sucesso com AI, o risco é que outros vão duplicar o sistema e, assim, minar o seu sucesso. Se uma grande parcela do mercado se comporta da mesma maneira, ela muda o mercado. 8220I8217m um pouco céticos que AI pode realmente descobrir isso, 8221 Carlson diz. 8220Se alguém encontrar um truque que funcione, não só os outros fundos se agarrarão a ele, mas outros investidores investirão dinheiro. É realmente difícil imaginar uma situação em que ele não acabe de ser arbitrado.8221 Goertzel vê esse risco. Isso explica por que a Aidyia está usando não apenas a computação evolutiva, mas uma ampla gama de tecnologias. E se outros imitarem os métodos da empresa, ele abraçará outros tipos de aprendizado de máquina. A idéia é fazer algo que nenhum outro homem e nenhuma outra máquina estão fazendo. 8220Finance é um domínio onde você se beneficia não só de ser inteligente, 8221 Goertzel diz, 8220 mas de ser inteligente de uma forma diferente de others.8221 Mais BusinessHow para identificar estratégias de negociação algorítmica Neste artigo, quero apresentar-lhe os métodos pelos quais eu Identificar estratégias rentáveis ​​de negociação algorítmica. Nosso objetivo hoje é entender em detalhes como encontrar, avaliar e selecionar esses sistemas. Eu vou explicar como identificar estratégias é tanto sobre a preferência pessoal quanto sobre o desempenho da estratégia, como determinar o tipo ea quantidade de dados históricos para testes, como avaliar de forma desapaixonada uma estratégia de negociação e, finalmente, como proceder para a fase de backtesting e implementação da estratégia . Identificando suas próprias preferências pessoais para negociar Para ser um comerciante bem sucedido - discricionária ou algoritmicamente - é necessário perguntar-se algumas perguntas honestas. Trading fornece a você a capacidade de perder dinheiro em uma taxa alarmante, por isso é necessário conhecer thyself tanto quanto é necessário compreender a sua estratégia escolhida. Eu diria que a consideração mais importante na negociação é estar ciente de sua própria personalidade. Trading, e negociação algorítmica em particular, exige um grau significativo de disciplina, paciência e desapego emocional. Desde que você está deixando um algoritmo realizar a sua negociação para você, é necessário ser resolvido para não interferir com a estratégia quando ele está sendo executado. Isto pode ser extremamente difícil, especialmente em períodos de estiramento prolongado. No entanto, muitas estratégias que foram mostrados para ser altamente rentável em um backtest pode ser arruinada por simples interferência. Entenda que se você deseja entrar no mundo da negociação algorítmica você será testado emocionalmente e que, para ser bem sucedido, é necessário trabalhar com estas dificuldades A próxima consideração é um dos tempos. Você tem um emprego a tempo inteiro Você trabalha a tempo parcial Você trabalha em casa ou tem um longo trajeto diário Essas perguntas vão ajudar a determinar a freqüência da estratégia que você deve procurar. Para aqueles de vocês no emprego a tempo inteiro, uma estratégia de futuros intraday pode não ser apropriado (pelo menos até que seja totalmente automatizado). 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 Bloomberg), você terá que ser claramente realista sobre sua capacidade de executar com êxito isso enquanto no escritório Para aqueles de vocês com muito tempo, ou as habilidades Para automatizar a sua estratégia, você pode querer olhar para uma estratégia mais técnica de negociação de alta freqüência (HFT). Minha crença é que é necessário realizar pesquisas contínuas em suas estratégias de negociação para manter um portfólio consistentemente rentável. Poucas estratégias permanecem sob o radar para sempre. Assim, uma parte significativa 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 a rentabilidade forte ou um declínio lento para as perdas. Você também precisa considerar o seu capital de negociação. A quantidade mínima ideal geralmente aceita para uma estratégia quantitativa é 50.000 USD (aproximadamente 35.000 para nós no Reino Unido). Se eu estivesse começando novamente, 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 as estratégias de média e alta frequência e é necessário ter capital suficiente para absorvê-los em períodos de redução. Se você está considerando começar com menos de 10.000 USD, então você precisará se restringir a estratégias de baixa freqüência, negociação em um ou dois ativos, como os custos de transação vai 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 mínimo 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 armazenamento de dados de ponta a ponta, o mecanismo de backtest eo sistema de execução. Isto tem uma série de vantagens, a principal das quais é a capacidade de estar completamente consciente de todos os aspectos da infra-estrutura de negociação. Ele também permite que você explore as estratégias de maior freqüência como você estará no controle total de sua pilha de tecnologia. Enquanto isso significa que você pode testar o seu próprio software e eliminar bugs, também significa mais tempo gasto codificação até infra-estrutura e menos sobre a implementação de estratégias, pelo menos na parte anterior da sua negociação algo comercial. Você pode achar que você está confortável negociação no Excel ou MATLAB e pode terceirizar o desenvolvimento de outros componentes. Eu não recomendo este no entanto, especialmente para aqueles que operam em alta freqüência. Você precisa perguntar a si mesmo o que você espera alcançar por negociação algorítmica. Você está interessado em um rendimento regular, pelo qual você espera tirar ganhos de sua conta de negociação Ou, você está interessado em um ganho de capital a longo prazo e pode dar ao luxo de trocar sem a necessidade de fundos de saque A dependência de renda irá ditar a freqüência de sua estratégia . Retiradas de renda mais regulares exigirão uma estratégia de negociação de freqüência mais alta com menos volatilidade (ou seja, uma taxa Sharpe maior). Os comerciantes a longo prazo podem ter recursos para uma freqüência negociando mais sedate. Finalmente, não se deixe iludir pela noção de se tornar extremamente rico em um curto espaço de tempo Algo trading não é um esquema de get-rich-quick - se alguma coisa pode ser um esquema tornar-pobre-rápido. É preciso disciplina, pesquisa, diligência e paciência significativas para ser bem sucedido na negociação algorítmica. Pode levar meses, se não anos, para gerar rentabilidade consistente. Sourcing Idéias de negociação algorítmica Apesar das percepções comuns ao contrário, é realmente bastante simples para localizar estratégias de negociação rentável no domínio público. Nunca as idéias de negociação foram mais facilmente disponíveis do que são hoje. Jornais de finanças acadêmicas, servidores de pré-impressão, blogs de negociação, fóruns de negociação, revistas semanais de negociação e textos especializados fornecem milhares de estratégias de negociação com as quais basear suas idéias. Nosso objetivo como pesquisadores de negociação quantitativa é estabelecer um pipeline de estratégia que nos fornecerá um fluxo de idéias de negociação em andamento. Idealmente, queremos criar uma abordagem metódica para a terceirização, avaliação e implementação de estratégias que nos deparamos. Os objetivos do pipeline são gerar uma quantidade consistente de idéias novas e fornecer-nos uma estrutura para rejeitar a maioria destas idéias com o mínimo de consideração emocional. Devemos ser extremamente cuidadosos para não deixar que os preconceitos cognitivos influenciem nossa metodologia de tomada de decisão. Isso poderia ser tão simples como ter uma preferência por uma classe de ativos em detrimento de outra (ouro e outros metais preciosos vêm à mente) porque eles são percebidos como mais exóticos. Nosso objetivo deve ser sempre encontrar estratégias consistentemente rentáveis, com expectativa positiva. A escolha da classe de ativos deve ser baseada em outras considerações, como restrições de capital de negociação, taxas de corretagem e recursos de alavancagem. Se você está completamente familiarizado com o conceito de uma estratégia comercial, em seguida, o primeiro lugar para olhar é com livros de texto estabelecidos. Textos clássicos fornecem uma ampla gama de idéias mais simples, mais diretas, com as quais se familiarizar com o comércio quantitativo. Aqui está uma seleção que eu recomendo para aqueles que são novos para a negociação quantitativa, que gradualmente se tornam mais sofisticados como 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 de negociação 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 global, a análise técnica é considerada um pouco ineficaz na comunidade financeira quantitativa. Alguns têm sugerido que não é melhor do que ler um horóscopo ou estudar folhas de chá em termos de seu poder preditivo Na realidade existem indivíduos bem sucedidos fazendo uso da análise técnica. 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 o nosso em considerações emocionais ou preconceitos. Aqui está uma lista de blogs e fóruns de negociação algorítmicos bem respeitados: 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 altas assinaturas ou custos pontuais. Se você é um membro ou aluno de uma universidade, você deve ser capaz de obter acesso a algumas dessas revistas financeiras. Caso contrário, você pode consultar os servidores de pré-impressão. Que são repositórios de internet de rascunhos tardios de artigos acadêmicos que estão sendo submetidos a revisão por pares. Uma vez que estamos apenas interessados ​​em estratégias que podemos replicar com êxito, backtest e obter rentabilidade para, uma revisão por pares é de menor importância para nós. A principal desvantagem das estratégias acadêmicas é que muitas vezes podem estar desatualizados, exigem dados históricos obscuros e caros, o comércio de classes de ativos ilíquidos ou não factor de taxas, derrapagens ou propagação. Também pode não ser claro se a estratégia de negociação deve ser realizada com ordens de mercado, ordens de limite ou se ele contém parar de perdas etc. Assim, é absolutamente essencial para replicar a estratégia de si mesmo como melhor você pode, backtest-lo e adicionar na transação realista Os custos que incluem tantos aspectos das classes de ativos que você deseja negociar dentro Aqui está uma lista dos servidores de pré-impressão mais populares e revistas financeiras que você pode obter idéias de: Que tal formar suas próprias estratégias quantitativas Isso geralmente requer ( Mas não está limitado a) perícia em uma ou mais das seguintes categorias: Microestrutura de mercado - Para estratégias de freqüência mais alta em particular, pode-se fazer uso da microestrutura do mercado. A compreensão da dinâmica da carteira de pedidos para gerar rentabilidade. Diferentes mercados terão várias limitações tecnológicas, regulamentos, participantes no 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 comum, como fundos de pensão, parcerias de investimento privado (fundos de hedge), consultores de negociação de commodities e fundos mútuos, são limitados pela pesada 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 limitações de capacidade devido à sua dimensão. Assim, se eles precisam rapidamente descarregar (vender) uma quantidade de títulos, eles terão de cambaleá-lo, a fim de evitar mover o mercado. Algoritmos sofisticados podem tirar proveito disso, e outras idiossincrasias, em um processo geral conhecido como arbitragem de estrutura de fundo. Aprendizagem de máquinas inteligência artificial - Algoritmos de aprendizagem de máquina tornaram-se mais prevalentes nos últimos anos nos mercados financeiros. Classificadores (tais como Naive-Bayes, et al.) Combinadores de função não-linear (redes neurais) e rotinas de otimização (algoritmos genéticos) têm sido usados ​​para prever caminhos de ativos ou otimizar estratégias de negociação. Se você tem um fundo nesta área você pode ter alguma introspecção em como os algoritmos particulares puderam ser aplicados a determinados mercados. Há, naturalmente, muitas outras áreas para quants para investigar. Bem discutir como criar estratégias personalizadas em detalhes em um artigo posterior. Ao continuar a monitorar essas fontes em uma base semanal, ou mesmo diariamente, você está se preparando para receber uma lista consistente de estratégias de uma gama diversificada de fontes. O próximo passo é determinar como rejeitar um grande subconjunto dessas estratégias, a fim de minimizar desperdiçar seu tempo e backtesting recursos em estratégias que provavelmente não serão rentáveis. Avaliando Estratégias de Negociação A primeira e, sem dúvida, a mais óbvia consideração é se você realmente compreende a estratégia. Você seria capaz de explicar a estratégia de forma concisa ou requer uma série de advertências e listas de parâmetros intermináveis ​​Além disso, a estratégia tem uma base boa e sólida na realidade Por exemplo, você poderia apontar alguma razão comportamental ou restrição da estrutura do fundo que Pode estar causando o padrão (s) que você está tentando explorar Será que esta restrição segurar até uma mudança de regime, como uma perturbação do ambiente regulatório dramática A estratégia se baseia em estatísticas complexas estatísticas ou matemáticas Será aplicável a qualquer série de tempo financeiro ou é Você deve constantemente estar pensando sobre esses fatores ao avaliar novos métodos de negociação, caso contrário você pode desperdiçar uma quantidade significativa de tempo tentando backtest e otimizar estratégias não rentáveis. Depois de ter determinado que você entende os princípios básicos da estratégia que você precisa para decidir se ele se encaixa com seu perfil de personalidade acima mencionados. Isso não é uma consideração tão vaga quanto parece As estratégias diferem substancialmente em suas características de desempenho. Existem certos tipos de personalidade que podem lidar com períodos mais significativos de retirada, ou estão dispostos a aceitar maior risco de maior retorno. Apesar do fato de que nós, quants, tentamos eliminar tanto viés cognitivo quanto possível e devemos ser capazes de avaliar uma estratégia de forma desapaixonada, os vieses sempre fluem. Assim, precisamos de um meio consistente e sem emoções através do qual avaliar o desempenho das estratégias . A estratégia baseia-se em sofisticadas (ou complexas) técnicas estatísticas ou de aprendizagem mecânica que são difíceis de usar Para entender e exigir um doutorado em estatísticas para compreender Estas técnicas introduzem uma quantidade significativa de parâmetros, o que pode levar a otimização viés É a estratégia susceptível de suportar uma mudança de regime (ou seja, uma nova regulamentação potencial dos mercados financeiros) Sharpe Ratio - A relação de Sharpe Heuristicamente caracteriza a relação rewardrisk da estratégia. Ele quantifica quanto retorno você pode alcançar para o nível de volatilidade suportado pela curva de equidade. Naturalmente, precisamos determinar o período ea frequência em que esses retornos e volatilidade (ou seja, desvio padrão) são medidos. Uma estratégia de frequência mais elevada exigirá maior taxa de amostragem do desvio padrão, mas um período de tempo global mais curto de medição, por exemplo. Alavancagem - A estratégia requer uma alavancagem significativa para ser rentável? A estratégia exige o uso de contratos de derivativos com alavancagem (futuros, opções, swaps) para obter retorno Estes contratos alavancados podem ter uma volatilidade pesada e assim podem facilmente levar a Chamadas de margem. Você tem o capital de negociação e o temperamento para tal volatilidade Freqüência - A freqüência da estratégia está intimamente ligada à sua tecnologia pilha (e, portanto, expertise tecnológica), a relação de Sharpe e nível global de custos de transação. Todas as outras questões consideradas, as estratégias de maior freqüência exigem mais capital, são mais sofisticadas e mais difíceis de implementar. No entanto, supondo que o seu motor de backtesting é sofisticado e livre de bugs, eles muitas vezes têm taxas Sharpe muito maior. Volatilidade - A volatilidade está fortemente relacionada com o risco da estratégia. A proporção de Sharpe caracteriza isso. Maior volatilidade das classes de ativos subjacentes, se não coberto, muitas vezes leva a maior volatilidade na curva de equidade e, portanto, menores ratios de Sharpe. Naturalmente, estou assumindo que a volatilidade positiva é aproximadamente igual à volatilidade negativa. Algumas estratégias podem ter maior volatilidade para baixo. Você precisa estar ciente desses atributos. WinLoss, Average ProfitLoss - Estratégias serão diferentes em suas características winloss e lucro médio. Pode-se ter uma estratégia muito rentável, mesmo se o número de negociações perdedoras exceder o número de comércios vencedores. Estratégias Momentum tendem a ter este padrão como eles dependem de um pequeno número de grandes sucessos, a fim de ser rentável. Estratégias de reversão média tendem a ter perfis opostos, onde mais dos comércios são vencedores, mas os comércios perdedores podem ser bastante graves. Drawdown Máximo - A redução máxima é a maior queda global percentual na curva de equidade da estratégia. Estratégias Momentum são bem conhecidos por sofrer de períodos de estendidas descolagens (devido a uma seqüência de muitos comércios perdedores incremental). Muitos comerciantes vão desistir em períodos de retração prolongada, mesmo se o teste histórico sugeriu que este é o negócio como de costume para a estratégia. Você precisará determinar qual porcentagem de levantamento (e sobre qual período de tempo) você pode aceitar antes de cessar a negociação de sua estratégia. Esta é uma decisão altamente pessoal e, portanto, deve ser considerada com cuidado. CapacidadeLiquidez - No nível de varejo, a menos que você esteja negociando em um instrumento altamente ilíquido (como um estoque de pequena capitalização), você não terá que se preocupar muito com a capacidade de estratégia. A capacidade determina a escalabilidade da estratégia para aumentar o capital. Muitos dos hedge funds maiores sofrem de problemas de capacidade significativos à medida que suas estratégias aumentam na alocação de capital. Parâmetros - Certas estratégias (especialmente aquelas encontradas na comunidade de aprendizado de máquina) requerem uma grande quantidade de parâmetros. Cada parâmetro extra que uma estratégia exige deixa mais vulnerável ao viés de otimização (também conhecido como ajuste de curva). Você deve tentar e direcionar estratégias com o menor número de parâmetros possível ou certificar-se de que você tem quantidades suficientes de dados com os quais testar suas estratégias. Benchmark - Quase todas as estratégias (a menos que sejam caracterizadas como retorno absoluto) são medidas contra algum benchmark de desempenho. O benchmark é geralmente um índice que caracteriza uma grande amostra da classe de ativos subjacente em que a estratégia negocia. Se a estratégia negocia ações de grande capitalização dos EUA, então o SP500 seria um ponto de referência natural para medir sua estratégia contra. Você vai ouvir os termos alfa e beta, aplicado a estratégias deste tipo. Discutiremos esses coeficientes em profundidade em artigos posteriores. Observe que não discutimos os retornos reais da estratégia. Por que isso é Isoladamente, 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 julgadas em seus retornos sozinho. Sempre considerar os atributos de risco de uma estratégia antes de olhar para os retornos. Nesta fase muitas das estratégias encontradas a partir do seu gasoduto serão rejeitadas fora de mão, uma vez que não vai atender aos seus requisitos de capital, restrições de alavancagem, tolerância máxima drawdown ou preferências volatilidade. As estratégias que permanecem podem agora ser consideradas para backtesting. No entanto, antes que isso seja possível, é necessário considerar um critério de rejeição final - o dos dados históricos disponíveis sobre os quais testar essas estratégias. Obtendo Dados Históricos Hoje em dia, a amplitude dos requisitos técnicos em classes de ativos para o armazenamento de dados históricos é substancial. Para manter a competitividade, tanto o lado da compra (fundos) quanto o do lado da venda (bancos de investimento) investem pesadamente em sua infra-estrutura técnica. É imperativo considerar a sua importância. Em particular, estamos interessados ​​em pontualidade, precisão e requisitos de armazenamento. Vou agora esboçar os conceitos básicos de obtenção de dados históricos e como armazená-lo. Infelizmente este é um tópico muito profundo e técnico, então eu não vou ser capaz de dizer tudo neste artigo. No entanto, estarei escrevendo muito mais sobre isso no futuro, já que minha experiência anterior na indústria financeira estava principalmente preocupada com a aquisição, armazenamento e acesso de dados financeiros. Na seção anterior, tínhamos estabelecido um pipeline estratégico que nos permitia rejeitar certas estratégias baseadas em nossos próprios critérios de rejeição pessoal. Nesta seção, filtraremos mais estratégias com base em nossas próprias preferências para obtenção de dados históricos. The chief considerations (especially at retail practitioner level) are the costs of the data, the storage requirements and your level of technical expertise. We also need to discuss the different types of available data and the different considerations that each type of data will impose on us. Lets begin by discussing the types of data available and the key issues we will need to think about: Fundamental Data - This includes data about macroeconomic trends, such as interest rates, inflation figures, corporate actions (dividends, stock-splits), SEC filings, corporate accounts, earnings figures, crop reports, meteorological data etc. This data is often used to value companies or other assets on a fundamental basis, i. e. via some means of expected future cash flows. It does not include stock price series. Some fundamental data is freely available from government websites. Other long-term historical fundamental data can be extremely expensive. Storage requirements are often not particularly large, unless thousands of companies are being studied at once. News Data - News data is often qualitative in nature. It consists of articles, blog posts, microblog posts (tweets) and editorial. Machine learning techniques such as classifiers are often used to interpret sentiment . This data is also often freely available or cheap, via subscription to media outlets. The newer NoSQL document storage databases are designed to store this type of unstructured, qualitative data. Asset Price Data - This is the traditional data domain of the quant. It consists of time series of asset prices. Equities (stocks), fixed income products (bonds), commodities and foreign exchange prices all sit within this class. Daily historical data is often straightforward to obtain for the simpler asset classes, such as equities. However, once accuracy and cleanliness are included and statistical biases removed, the data can become expensive. In addition, time series data often possesses significant storage requirements especially when intraday data is considered. Financial Instruments - Equities, bonds, futures and the more exotic derivative options have very different characteristics and parameters. Thus there is no one size fits all database structure that can accommodate them. Significant care must be given to the design and implementation of database structures for various financial instruments. We will discuss the situation at length when we come to build a securities master database in future articles. Frequency - The higher the frequency of the data, the greater the costs and storage requirements. For low-frequency strategies, daily data is often sufficient. For high frequency strategies, it might be necessary to obtain tick-level data and even historical copies of particular trading exchange order book data. Implementing a storage engine for this type of data is very technologically intensive and only suitable for those with a strong programmingtechnical background. Benchmarks - The strategies described above will often be compared to a benchmark . This usually manifests itself as an additional financial time series. For equities, this is often a national stock benchmark, such as the SP500 index (US) or FTSE100 (UK). For a fixed income fund, it is useful to compare against a basket of bonds or fixed income products. The risk-free rate (i. e. appropriate interest rate) is also another widely accepted benchmark. All asset class categories possess a favoured benchmark, so it will be necessary to research this based on your particular strategy, if you wish to gain interest in your strategy externally. Technology - The technology stacks behind a financial data storage centre are complex. This article can only scratch the surface about what is involved in building one. However, it does centre around a database engine, such as a Relational Database Management System (RDBMS), such as MySQL, SQL Server, Oracle or a Document Storage Engine (i. e. NoSQL). This is accessed via business logic application code that queries the database and provides access to external tools, such as MATLAB, R or Excel. Often this business logic is written in C, C, Java or Python. You will also need to host this data somewhere, either on your own personal computer, or remotely via internet servers. Products such as Amazon Web Services have made this simpler and cheaper in recent years, but it will still require significant technical expertise to achieve in a robust manner. As can be seen, once a strategy has been identified via the pipeline it will be necessary to evaluate the availability, costs, complexity and implementation details of a particular set of historical data. You may find it is necessary to reject a strategy based solely on historical data considerations. This is a big area and teams of PhDs work at large funds making sure pricing is accurate and timely. Do not underestimate the difficulties of creating a robust data centre for your backtesting purposes I do want to say, however, that many backtesting platforms can provide this data for you automatically - at a cost. Thus it will take much of the implementation pain away from you, and you can concentrate purely on strategy implementation and optimisation. Tools like TradeStation possess this capability. However, my personal view is to implement as much as possible internally and avoid outsourcing parts of the stack to software vendors. I prefer higher frequency strategies due to their more attractive Sharpe ratios, but they are often tightly coupled to the technology stack, where advanced optimisation is critical. Now that we have discussed the issues surrounding historical data it is time to begin implementing our strategies in a backtesting engine. This will be the subject of other articles, as it is an equally large area of discussion Just Getting Started with Quantitative Trading