Kvantitativ Trading Systemer

Kvantitativ handel Hva er kvantitativ handel Kvantitativ handel består av handelsstrategier basert på kvantitativ analyse. som er avhengige av matematiske beregninger og nummerkrepping for å identifisere handelsmuligheter. Som kvantitativ handel er generelt brukt av finansinstitusjoner og hedgefond. Transaksjonene er vanligvis store i størrelse og kan innebære kjøp og salg av hundre tusen aksjer og andre verdipapirer. Imidlertid blir kvantitativ handel mer vanlig brukt av individuelle investorer. BREAKING DOWN Kvantitativ handel Pris og volum er to av de vanligste datainngangene som brukes i kvantitativ analyse som hovedinngangene til matematiske modeller. Kvantitative handelsmetoder inkluderer høyfrekvent handel. algoritmisk handel og statistisk arbitrage. Disse teknikkene er hurtigbrann og har vanligvis kortsiktige investeringshorisonter. Mange kvantitative handelsfolk er mer kjent med kvantitative verktøy, for eksempel bevegelige gjennomsnitt og oscillatorer. Forstå kvantitativ handel Kvantitative handelsfolk utnytter moderne teknologi, matematikk og tilgjengeligheten av omfattende databaser for å gjøre rasjonelle handelsbeslutninger. Kvantitative handelsfolk tar en handelsteknikk og lager en modell av det ved hjelp av matematikk, og deretter utvikler de et dataprogram som bruker modellen til historiske markedsdata. Modellen blir deretter testet og optimalisert. Dersom gunstige resultater oppnås, implementeres systemet i sanntidsmarkeder med reell kapital. Måten kvantitative handelsmodeller fungerer best kan beskrives ved hjelp av en analogi. Tenk på en værmelding der meteorologen regner med en 90 sjanse for regn mens solen skinner. Meteorologen oppnår denne motstridende konklusjonen ved å samle og analysere klimadata fra sensorer over hele området. En datastyrt kvantitativ analyse avslører spesifikke mønstre i dataene. Når disse mønstrene blir sammenlignet med de samme mønstrene som er avslørt i historiske klima data (backtesting), og 90 av 100 ganger resultatet er regn, kan meteorologen trekke konklusjonen med tillit, dermed 90-prognosen. Kvantitative handelsfolk bruker samme prosess til finansmarkedet for å foreta handelsbeslutninger. Fordeler og ulemper med kvantitativ handel Målet med handel er å beregne den optimale sannsynligheten for å utføre en lønnsom handel. En typisk handelsmann kan effektivt overvåke, analysere og foreta handelsbeslutninger på et begrenset antall verdipapirer før mengden av innkommende data overstyrer beslutningsprosessen. Bruken av kvantitative trading teknikker belyser denne grensen ved hjelp av datamaskiner for å automatisere overvåking, analyse og handelsbeslutninger. Overvinne følelser er en av de mest gjennomgripende problemene med handel. Det er frykt eller grådighet, når handel, følelser tjener bare å kvele rasjonell tenkning, som vanligvis fører til tap. Datamaskiner og matematikk har ikke følelser, så kvantitativ handel eliminerer dette problemet. Kvantitativ handel har problemer. Finansmarkedene er noen av de mest dynamiske enhetene som eksisterer. Derfor må kvantitative handelsmodeller være like dynamiske for å være konsekvent vellykket. Mange kvantitative handelsfolk utvikler modeller som er midlertidig lønnsomme for markedstilstanden som de ble utviklet for, men i siste instans mislykkes det når markedsforholdene endres. Kvantitative handelssystemer Trading Room Rethink Strategy, Think RQ. På Rios Quantitative fokuserer vi på utvikling, implementering og overvåking av kvantitative og algoritmiske handelssystemer. I de elektroniske finansmarkedene er 8220quant8221 og 8220algo8221 trading definert som systematisk anvendelse av handelsstrategier gjennom bruk av dataprogrammer. Våre modeller er utviklet av våre ansatte på markedspersonell som består av handelsmenn, strateger og programmerere som bruker omfattende og streng forskning. RQ8217s tilnærming er å eliminere eller redusere handelsbeslutninger drevet av følelser, indiskip, lidenskap, grådighet og eller frykt, i tillegg til andre faktorer som bidrar til menneskelig feil. RQ Einstein er en kvantitativ modell designet for spesifikke oppdrag, for eksempel å utnytte kortvarige handelsmuligheter. Kjernen i strategien er en RQ proprietær kode med fremadrettede algoritmer designet for å prognose og søke etter potensielt viktige prisnivåer på markedene. TradeStation-plattformen ble benyttet for følgende handelsdata, inkludert resultatoppsummeringer. filedownload style822128243download title8221SampP 500 Futures 8211 Resultater Oppsummering 8211 2 Lots8221 icon8221style1-Pdf-6421564.png8221 file8221thetradingroomwp-contentuploads201601es-33-flått-ps. pdf8221 package82218221 level82218221 newwindow8221Y8221downloadfiledownload filedownload style822128243download title8221SampP 500 Futures 8211 Handels List 8211 2 Lots8221 icon8221style1-Pdf-6421564.png8221 file8221thetradingroomwp-contentuploads201601es-33-flått-Trades. pdf8221 package82218221 level82218221 newwindow8221Y8221downloadfiledownload filedownloaddownload title8221SampP 500 Future 8211 Ytelses Sammendrag 8211 1 Lot8221 icon8221style1-PDF-6421564.png8221 file8221thetradingroomwp-contentuploads201601es-1-25-ps-2-2.pdf8221 package82218221 level82218221 newwindow8221Y8221downloadfiledownload filedownloaddownload title8221SampP 500 Futures 8211 Handelsliste 8211 1 Lot8221 icon8221style1-Pdf-6421564.png8221 file8221thetradingroomwp-contentuploads201601es-t-list-1.pdf8221 package8221822 1 level82218221 newwindow8221Y8221downloadfiledownload filedownload style822128243download title8221Crude Oil Futures 8211 Resultater Sammendrag 2 Lots8221 icon8221style1-Pdf-6421564.png8221 file8221thetradingroomwp-contentuploads201601cl-1-25-ps. pdf8221 package82218221 level82218221 newwindow8221Y8221downloadfiledownload filedownload style822128243download title8221Crude Oil Futures 8211 Handels List 8211 2 Lots8221 icon8221style1-Pdf-6421564.png8221 file8221thetradingroomwp-contentuploads201601cl-1-25-trade-list3.pdf8221 package82218221 level82218221 newwindow8221Y8221downloadfiledownload filedownload style822128243download title8221Gold Futures 8211 Resultater oppsummering 8211 3 Lots8221 icon8221style1-Pdf-6421564.png8221 file8221thetradingroomwp-contentuploads201601gc-ps-3.pdf8221 package82218221 level82218221 newwindow8221Y8221downloadfiledownload filedownload style822128243download title8221Gold Futures 8211 Handelsliste 8211 3 Lots8221 icon8221style1-Pdf-6421564.png8221 file8221thetradin groomwp-contentuploads201601gc-trade-list-5.pdf8221 package82218221 level82218221 newwindow8221Y8221downloadfiledownload Tidligere resultater er hypotetiske. Strategiene har blitt testet igjen med Trade Station. Hypotetiske eller simulerte resultatresultater har visse inneboende begrensninger. I motsetning til en faktisk ytelsesrekord representerer simulerte resultater ikke faktisk handel. Siden transaksjonene egentlig ikke har blitt utført, kan resultatene ha under - eller overkompensert eller eventuelle konsekvenser for visse markedsfaktorer, som manglende likviditet. Simulerte handelsprogrammer generelt er også underlagt det faktum at de er utformet til fordel for ettersyn. Ingen representasjon blir gjort at en hvilken som helst konto vil eller vil trolig oppnå fortjeneste eller tap som ligner på de som vises. Futures, Options, Forex og aksjehandel innebærer risiko og er ikke for alle investorer. Tidligere resultater er IKKE indikativ på fremtidige resultater. Ingenting som er inkludert heri, skal tolkes som et tilbud om å kjøpe, selge eller holde og verdipapirer, terminkontrakter og kontanter i valutaer i valuta. Dette er kun ment for informasjons - og utdanningsformål. Handel innebærer risiko og bør bare forfølges med risikokapital. Resultatene inkluderer ikke slippage, men inkluderer 5,00 per handel per side commission. Trading Systems Trading Systems Rethink Strategy, Think RQ. På RQ fokuserer vi på utvikling, implementering og overvåking av kvantitative og algoritmiske handelssystemer. I de elektroniske finansmarkedene er kvant og algo trading definert som systematisk anvendelse av handelsstrategier gjennom bruk av dataprogrammer. Våre modeller er utviklet av våre ansatte på markedspersonell som består av handelsmenn, strateger og programmerere som bruker omfattende og streng forskning. RQs-tilnærmingen er å eliminere eller redusere handelsbeslutninger drevet av følelser, indiskip, lidenskap, grådighet og eller frykt, i tillegg til andre faktorer som bidrar til menneskelig feil. For å vurdere et handelssystem må man forstå strategien og risikostyringen blir implementert. Du bør også lære så mye du kan om utvikleren. På RQ ønsker vi deg velkommen og oppfordrer deg til å bli kjent med oss ​​på en-til-en-basis. RQ iNewton Trade Automation Over Multiple Market Dynamics RQ iNewton er vårt nyeste og mest forhånds automatiserte handelssystem til dags dato. Den kvantitative modellen er utviklet for dagshandelen samt swing trading. Funksjoner inkluderer intermarkedsrelatert korrelasjonsanalyse, trebevegelsesfiltre og flere utgangsstrategier. Oppføringer er basert på bullish break outs og bearish break downs av pris handling. Flere utgangsstrategier gjør det mulig for næringsdrivende å ta kortsiktig profitt og holde deg i trenden. Pengestyringsfunksjoner inkluderer aksjekurvehandel stopper for egenkapital oppstart og draw downs. Flere handlingsknapper på diagrammet gir deg enkel tilgang til raskt å aktivere eller deaktivere handelsautomatisering, samt handelsfiltre, inkludert intermarkedsrelaterte korrelasjoner, bevegelse, lengre bare, bare shorts og kjøp og salg av knapper. RQ Einstein III High Performance Trading Strategies Over Multiple Asset Classes RQ Einstein III er en kvantitativ automatisert modell designet for spesifikke oppdrag som utnyttelse av kortvarige handelsmuligheter. Kjernen i strategien er en RQ proprietær kode med fremadrettede algoritmer designet for å prognose og søke etter potensielle nøkkelprisnivåer på markedene. Fokuset skaper opportunistiske muligheter knyttet til volatiliteten på disse kritiske nivåene. Det er derfor en alfamodell som er mest effektiv når den brukes over flere aktivaklasser. Handelsindikatorer En kvantitativ modell fokusert på institusjonell handel Aktivitet RQ Techs-funksjonaliteten er utviklet for å hjelpe aktive handelsfolk til å få klarhet når markedene ser ut til å være i kaos. DMS, vår proprietære dynamiske markedssensorindikator, gir kvantitativ identifisering av risiko-on og risk-off korrelasjoner i sanntid. Nextreme-hastighetsindikatoren hjelper handelsfolk til å identifisere hvor markedets momentum er i ferd med å gjøre det instrumental for å velge markeder som er klare for aggressiv priskonkurranse. Indikatorene for Carry Trade and FX Flows er også gunstige for å spotte institusjonelle rotasjonsstrømmer. Over kjøpte, over solgte og tilbaketrekkingsmarkører RQ OBOS-R markørene sporer kortvarige overkjøpte eller overliste forhold, samt mulige tilbaketrekk fra den siste prishandlingen. De overkjøpte markørene vises i gul over prisbjelken. De over-solgte markørene vises i gul under prisstengene. Retracement markører vises i rødt, over barer for en nylig rally og display i grønt under stolpene for en nylig selges. En systematisk tilnærming bygget for å hjelpe diskretionære handelsfolk Som en omfattende pakke med indikatorer, er GnosTICK designet for å gi handelsmenn tilgang til innovative metoder for å ta fortjeneste fra markedene samtidig som man kontrollerer risiko. Konseptet, metoder og verktøy er skissert i et enkelt å forstå trinnvis format. GnosTICKs metodikk for handel med markedene er basert på odds og målet er å holde oddsen til din fordel. Den nøyaktige logikken er avslørt med alle nødvendige regler som trengs for å forstå kunnskapen og prosedyren som driver GnosTICK-algoritmen. Automated Trade Execution Advanz Auto4X Automatiser Din Handel Utførelse Advanz Auto4X-plattformen tar dine TradeStation-strategisignaler og automatiserer kjøringen til flere clearingfirmaer. Den er designet for å være kraftig, fleksibel og nøyaktig for å møte behovene til komplekse institusjonelle handelsavdelinger. Det er også designet for å være enkelt og effektivt for en enkelthandler. Advanz Auto4X støtter utførelsen av et hvilket som helst antall strategier som arbeider med et hvilket som helst antall tidsrammer til noen eller alle Forex-kryssene som er tilgjengelige for handel. Tilkobling er tilgjengelig for: Currenex (CMS, PFG, Marex, London Capital, GFT, FCStone, ADM, Baxter FX, FXDD, Man Financial, ODL, NewEdge, BGCCantor, etc.) Oanda, Lava, Hotspot, FXAll, CAX, FIXI , DBFX, FXInside (Integral), MB Trading, Interactive Brokers, GAIN, Forex og FXCM. Advanz Auto Route Forbedre kvaliteten på Trade Executions I dagens marked, kan kvalitetstiltak være kanten som trengs for toppsystemets ytelse. Advanz Auto4X med smart orderruting kan tilby deg tilpassede strategier for dine spesifikke behov, inkludert høyfrekvent, sikrings-, hendelsesdrevet og opportunistisk handel. Du kan sette opp flere strategier på flere clearingfirmaer. Handelssignaler kan dirigeres til beste tilbudspriser fra flere clearingfirmaer for å oppnå optimale henrettelser. Regjeringsveiledning for kvantitativ handel I denne artikkelen skal jeg introdusere deg til noen av de grunnleggende konseptene som følger med en end-to-end kvantitativ handelssystem. Dette innlegget vil forhåpentligvis tjene to publikum. Den første vil være enkeltpersoner som prøver å skaffe seg en jobb hos et fond som en kvantitativ handelsmann. Den andre vil være personer som ønsker å forsøke å sette opp sin egen algoritmiske handelsvirksomhet. Kvantitativ handel er et ekstremt sofistikert område med kvantfinansiering. Det kan ta betydelig tid å få den nødvendige kunnskapen til å passere et intervju eller konstruere egne handelsstrategier. Ikke bare det, men det krever omfattende programmeringskompetanse, i det minste på et språk som MATLAB, R eller Python. Men ettersom handelsfrekvensen i strategien øker, blir de teknologiske aspektene mye mer relevante. Det er derfor av avgjørende betydning å være kjent med CC. Et kvantitativt handelssystem består av fire hovedkomponenter: Strategiidentifikasjon - Finne en strategi, utnytte en kant og avgjøre handelsfrekvens Strategi Backtesting - Innhenting av data, analyse av strategisk ytelse og fjerning av forstyrrelser Execution System - Kobling til megling, automatisering av handel og minimering transaksjonskostnader Risikostyring - Optimal kapitalallokering, innsatsstørrelseKjelkriterium og handelspsykologi Nå bør du begynne å se på hvordan du identifiserer en handelsstrategi. Strategi Identifikasjon Alle kvantitative handelsprosesser begynner med en første undersøkelsesperiode. Denne forskningsprosessen omfatter å finne en strategi for å se om strategien passer inn i en portefølje av andre strategier du kan kjøre, oppnå data som er nødvendige for å teste strategien og forsøke å optimalisere strategien for høyere avkastning og lavere risiko. Du må faktor i dine egne kapitalkrav hvis du kjører strategien som en detaljhandler og hvordan eventuelle transaksjonskostnader vil påvirke strategien. I motsetning til populær tro er det faktisk ganske greit å finne lønnsomme strategier gjennom ulike offentlige kilder. Akademikere publiserer regelmessig teoretiske handelsresultater (om enn det meste brutto transaksjonskostnader). Kvantitative finansblogger vil diskutere strategier i detalj. Handelsjournaler vil skissere noen av strategiene som brukes av midler. Du kan spørsmålet hvorfor enkeltpersoner og firmaer er opptatt av å diskutere deres lønnsomme strategier, spesielt når de vet at andre som trenger handel, kan stoppe strategien fra å jobbe på sikt. Årsaken er at de ikke ofte vil diskutere de nøyaktige parametrene og innstillingsmetodene de har utført. Disse optimeringene er nøkkelen til å gjøre en relativt middelmådig strategi til en svært lønnsom. Faktisk er en av de beste måtene å lage dine egne unike strategier, å finne lignende metoder og deretter utføre din egen optimaliseringsprosedyre. Her er en liten liste over steder å begynne å lete etter strategiideer: Mange av strategiene du vil se på, kommer til å falle inn i kategoriene av gjennomsnittlig reversering og trend-etterfølgende moment. En gjennombruddsstrategi er en som forsøker å utnytte det faktum at et langsiktig gjennomsnitt på en prisserie (for eksempel spredningen mellom to korrelerte eiendeler) eksisterer, og at kortsiktige avvik fra dette gjennomsnittet til slutt vil komme tilbake. En momentumstrategi forsøker å utnytte både investorpsykologi og stor fondstruktur ved å ha en tur på en markedstendens, som kan samle fart i en retning, og følge trenden til den reverserer. Et annet enormt viktig aspekt ved kvantitativ handel er hyppigheten av handelsstrategien. Lavfrekvent handel (LFT) refererer generelt til enhver strategi som har eiendeler lenger enn en handelsdag. Tilsvarende refererer høyfrekvent handel (HFT) generelt til en strategi som har eiendeler i dag. Ultrahøyfrekvenshandel (UHFT) refererer til strategier som holder eiendeler i rekkefølgen av sekunder og millisekunder. Som en detaljhandler er HFT og UHFT sikkert mulig, men bare med detaljert kunnskap om handelssteknologi stabelen og ordrebokdynamikken. Vi vil ikke diskutere disse aspektene i stor grad i denne innledende artikkelen. Når en strategi eller et sett av strategier er blitt identifisert, må det nå testes for lønnsomhet på historiske data. Det er domenet til backtesting. Strategi Backtesting Målet med backtesting er å gi bevis på at strategien identifisert via den ovennevnte prosessen er lønnsom når den brukes på både historiske og utestengede data. Dette setter forventningen om hvordan strategien vil utføre i den virkelige verden. Imidlertid er backtesting ikke en garanti for suksess, av ulike årsaker. Det er kanskje det mest subtile området med kvantitativ handel siden det innebærer en rekke forstyrrelser, som må vurderes og elimineres så mye som mulig. Vi vil diskutere de vanlige typene av forstyrrelser, inkludert forutgående forspenning. overlevelsesforstyrrelser og optimaliseringsforstyrrelser (også kjent som data-snooping bias). Andre områder av betydning innen backtesting inkluderer tilgjengelighet og renslighet av historiske data, factoring i realistiske transaksjonskostnader og avgjørelse om en robust backtesting-plattform. Tenk godt om transaksjonskostnadene ytterligere i delen Execution Systems nedenfor. Når en strategi er identifisert, er det nødvendig å skaffe seg de historiske dataene gjennom hvilke å ​​utføre testing og, kanskje, raffinement. Det er et betydelig antall datalagere på tvers av alle aktivaklasser. Deres kostnader er generelt i samsvar med kvaliteten, dybden og aktualiteten til dataene. Det tradisjonelle utgangspunktet for begynnende kvanthandlere (minst på detaljnivå) er å bruke det frie datasettet fra Yahoo Finance. Jeg vil ikke bo på leverandører for mye her, men jeg vil helst konsentrere meg om de generelle problemene når det gjelder historiske datasett. De viktigste bekymringene med historiske data inkluderer nøyaktighet, overlevelsesforstyrrelser og justering for bedriftsaksjoner som utbytte og aksjesplittelser. Nøyaktigheten gjelder dataens generelle kvalitet - om den inneholder feil. Feil kan noen ganger være lett å identifisere, for eksempel med et spikefilter. som vil plukke ut feil pigger i tidsseriedata og korrigere for dem. Andre ganger kan de være svært vanskelig å få øye på. Det er ofte nødvendig å ha to eller flere leverandører og deretter sjekke alle dataene sine mot hverandre. Overlevelsesforstyrrelser er ofte en funksjon av gratis eller billige datasett. Et datasett med overlevelsesforstyrrelser betyr at det ikke inneholder eiendeler som ikke lenger handler. For aksjer betyr dette delistedbankrupt aksjer. Denne bias betyr at enhver aksjehandelsstrategi som er testet på et datasett, sannsynligvis vil fungere bedre enn i den virkelige verden som de historiske vinnerne allerede er forhåndsvalgt. Virksomhetsaksjoner omfatter logistiske aktiviteter utført av selskapet som vanligvis medfører en trinnfunksjon endring i råprisen, som ikke skal inkluderes i beregningen av prisavkastningen. Justeringer for utbytte og aksjeklover er de vanlige synderne. En prosess kjent som tilbakestilling er nødvendig for å bli utført ved hver av disse handlingene. Man må være veldig forsiktig for ikke å forvirre en aksjesplitt med en ekte avkastningsjustering. Mange næringsdrivende har blitt fanget ut av en bedriftsaksjon For å kunne utføre en backtest-prosedyre, er det nødvendig å bruke en programvareplattform. Du har valget mellom dedikert backtest-programvare, for eksempel Tradestation, en numerisk plattform som Excel eller MATLAB eller en full tilpasset implementering i et programmeringsspråk som Python eller C. Jeg vil ikke bo for mye på Tradestation (eller lignende), Excel eller MATLAB, som jeg tror på å skape en full innebygd teknologi-stabell (av årsaker som er skissert nedenfor). En av fordelene ved å gjøre det er at backtestprogramvaren og kjøresystemet kan være tett integrert, selv med ekstremt avanserte statistiske strategier. For spesielt HFT-strategier er det viktig å bruke en tilpasset implementering. Ved backtesting av et system må man kunne kvantifisere hvor godt det utfører. Bransjestandardene for kvantitative strategier er maksimal drawdown og Sharpe Ratio. Maksimal drawdown karakteriserer den største topp-til-gjennom-dråpen i konto egenkapitalkurven over en bestemt tidsperiode (vanligvis årlig). Dette er oftest sitert som en prosentandel. LFT strategier vil ha en tendens til å ha større drawdowns enn HFT strategier, på grunn av en rekke statistiske faktorer. En historisk backtest viser den siste maksimale drawdownen, noe som er en god guide til strategiens fremtidige drawdown-ytelse. Den andre måling er Sharpe-forholdet, som er heuristisk definert som gjennomsnittet av meravkastningen dividert med standardavviket for disse meravkastningene. Her refererer meravkastning til strategiens avkastning over et forhåndsbestemt referanseindeks. slik som SP500 eller en 3-måneders statsskatt. Merk at årlig avkastning ikke er et mål som vanligvis benyttes, da det ikke tar hensyn til strategiens volatilitet (i motsetning til Sharpe-forholdet). Når en strategi er blitt testet og anses å være fri for biases (så mye som det er mulig), med en god Sharpe og minimerte drawdowns, er det på tide å bygge et eksekveringssystem. Eksekveringssystemer Et eksekveringssystem er det middel som gjør at listen over transaksjoner generert av strategien sendes og utføres av megleren. Til tross for at handelsgenerasjonen kan være halv - eller til og med fullt automatisert, kan utførelsesmekanismen være manuell, semi-manuell (dvs. ett klikk) eller fullt automatisert. For LFT-strategier er manuelle og semi-manuelle teknikker vanlige. For HFT-strategier er det nødvendig å skape en fullautomatisk utførelsesmekanisme, som ofte vil være tett kombinert med handelsgeneratoren (på grunn av sammenheng mellom strategi og teknologi). Nøkkelhensynene ved opprettelse av et kjøresystem er grensesnittet til megling. minimering av transaksjonskostnader (inkludert provisjon, slipp og spredning) og divergens av ytelsen til live-systemet fra tilbakeprøvd ytelse. Det er mange måter å grensesnitt til en megling. De spenner fra å ringe opp megleren på telefonen helt til et fullt automatisert applikasjonsprogrammeringsgrensesnitt (API) med høy ytelse. Ideelt sett vil du automatisere utførelsen av handler så mye som mulig. Dette frigjør deg for å konsentrere seg om ytterligere forskning, samt tillate deg å kjøre flere strategier eller til og med strategier med høyere frekvens (faktisk er HFT i det vesentlige umulig uten automatisk utførelse). Den vanlige backtestingsprogrammet som er skissert ovenfor, som MATLAB, Excel og Tradestation, er bra for lavere frekvens, enklere strategier. Imidlertid vil det være nødvendig å konstruere et internt kjøringssystem skrevet i et høypresterende språk som C for å gjøre noen ekte HFT. Som en anekdote, i fondet jeg pleide å være ansatt hos, hadde vi en 10 minutters handelsløkke hvor vi ville laste ned nye markedsdata hvert 10. minutt og deretter utføre handler basert på denne informasjonen i samme tidsramme. Dette brukte et optimert Python-skript. For noe som nærmer seg mini - eller andrefrekvensdata, tror jeg at CC ville være mer ideell. I et større fond er det ofte ikke domenet til quant trader for å optimalisere utførelsen. Men i mindre butikker eller HFT-firmaer, er handelsfolk BE eksekutorene, og så er en mye bredere ferdighet ofte ønskelig. Vær oppmerksom på om du ønsker å være ansatt i et fond. Programmeringsevnen din vil være like viktig, om ikke mer, enn statistikken din og økonometriske talenter. Et annet stort problem som faller under banneret til utførelse, er at transaksjonskostnadsminimering. Det er generelt tre komponenter til transaksjonskostnader: Provisjoner (eller skatt), som er gebyrene som belastes av megling, bytte og SEC (eller lignende statlig tilsynsorgan) slippage, som er forskjellen mellom hva du tenkte at bestillingen din skulle være fylt på versus hva det faktisk var fylt på spredning, som er forskjellen mellom budprisen på sikkerheten som handles. Vær oppmerksom på at spredningen ikke er konstant og er avhengig av den nåværende likviditeten (dvs. tilgjengeligheten av kjøpsordre) i markedet. Transaksjonskostnader kan gjøre forskjellen mellom en ekstremt lønnsom strategi med et godt Sharpe-forhold og en ekstremt ulønnsom strategi med et forferdelig Sharpe-forhold. Det kan være en utfordring å korrekt forutsi transaksjonskostnader fra en backtest. Avhengig av frekvensen av strategien, trenger du tilgang til historiske utvekslingsdata, som vil inneholde kryssdata for budsjettpriser. Hele teamet av quants er dedikert til optimalisering av gjennomføring i de større fondene, av disse årsakene. Tenk på scenariet der et fond må avlaste en betydelig mengde handler (hvorav grunnene til å gjøre det er mange og varierte). Ved å dumpe så mange aksjer på markedet, vil de raskt redusere prisen og kan ikke få optimal utførelse. Derfor eksisterer algoritmer som drikker foderordrer på markedet, selv om fondet løper risikoen for glidning. Videre utfordrer andre strategier disse nødvendighetene og kan utnytte ineffektiviteten. Dette er domenet i fondsstrukturarbitrage. Det endelige hovedproblemet for eksekveringssystemer gjelder divergens av strategiytelse fra tilbakeprøvd ytelse. Dette kan skje av flere grunner. Weve har allerede diskutert fremtidsforstyrrelser og optimaliseringskonsekvenser i dybden, når vi vurderer backtests. Noen strategier gjør det imidlertid ikke enkelt å teste for disse biases før distribusjon. Dette skjer i HFT mest overveiende. Det kan være feil i kjøringssystemet, så vel som handelsstrategien selv som ikke vises på en backtest, men viser seg i live trading. Markedet kan ha vært gjenstand for en regimeendring etter utplasseringen av strategien din. Nye reguleringsmiljøer, endring av investorens følelser og makroøkonomiske fenomener kan alle føre til avvik i hvordan markedet oppfører seg og dermed lønnsomheten i strategien din. Risikostyring Det endelige stykket til det kvantitative handelsspillet er prosessen med risikostyring. Risiko inkluderer alle de tidligere forutsetningene vi har diskutert. Det inkluderer teknologi risiko, for eksempel servere samlokalisert på utveksling plutselig utvikle en feil på harddisken. Det inkluderer meglerisiko, slik som megleren blir konkurs (ikke så gal som det høres, gitt den siste skremme med MF Global). Kort sagt dekker det nesten alt som muligens kunne forstyrre handelsimplementasjonen, hvorav det er mange kilder. Hele bøkene er viet til risikostyring for kvantitative strategier, så jeg vil ikke forsøke å belyse alle mulige risikokilder her. Risikostyring omfatter også det som kalles optimal kapitalallokering. som er en gren av portefølje teori. Dette er måten som kapital er allokert til et sett av forskjellige strategier og til handler innenfor disse strategiene. Det er et komplekst område og er avhengig av noen ikke-trivial matematikk. Industristandarden med hvilken optimal kapitalfordeling og innflytelse av strategiene er relatert kalles Kelly-kriteriet. Siden dette er en innledende artikkel, vil jeg ikke bo på beregningen. Kelly-kriteriet gir noen antagelser om den statistiske karakteren av avkastningen, som ikke ofte holder fast i finansmarkedet, slik at handelsmenn ofte er konservative når det gjelder implementeringen. En annen viktig del av risikostyringen er å håndtere en egen psykologisk profil. Det er mange kognitive forstyrrelser som kan krype inn i handel. Selv om dette er riktignok mindre problematisk med algoritmisk handel hvis strategien er igjen. En felles bias er at tap aversjon hvor en tapende stilling ikke vil bli stengt ut på grunn av smerten ved å innse et tap. På samme måte kan fortjeneste bli tatt for tidlig fordi frykten for å miste en allerede oppnådd fortjeneste kan være for stor. En annen vanlig bias er kjent som nyhetsforspenning. Dette manifesterer seg når handelsmenn legger for mye vekt på nylige hendelser og ikke på lengre sikt. Så er det selvfølgelig det klassiske paret av følelsesmessige forstyrrelser - frykt og grådighet. Disse kan ofte føre til under - eller overbelastning, noe som kan føre til oppblåsing (dvs. kontoenes egenkapitaloverskrift til null eller verre) eller redusert fortjeneste. Som det kan ses, er kvantitativ handel et ekstremt komplekst, men svært interessant, område med kvantitativ finans. Jeg har bokstavelig talt klargjort overflaten av emnet i denne artikkelen, og det blir allerede ganske lenge. Hele bøker og papirer er skrevet om problemer som jeg bare har gitt en setning eller to mot. Av den grunn er det nødvendig å utføre en betydelig mengde grunnarbeidstudie før søknad om kvantitative fondhandelsjobber. I det minste vil du trenge en omfattende bakgrunn i statistikk og økonometri, med stor erfaring i implementering, via et programmeringsspråk som MATLAB, Python eller R. For mer sofistikerte strategier ved høyere frekvensenden er ditt ferdighetssett sannsynlig å inkludere Linux kjerne modifikasjon, CC, montering programmering og nettverk latens optimalisering. Hvis du er interessert i å prøve å lage dine egne algoritmiske handelsstrategier, vil mitt første forslag være å bli god til programmering. Min preferanse er å bygge så mye av data grabber, strategi backtester og kjøresystem av deg selv som mulig. Hvis din egen hovedstad er på linjen, ville du ikke sove bedre om natten og vite at du har testet systemet fullt ut og er klar over fallgruvene og bestemte problemstillinger. Outsourcing dette til en leverandør, mens potensielt spare tid på kort sikt, kan være ekstremt dyrt på lang sikt. Bare Komme i gang med kvantitativ handel