Ai Trading Strategien

Bei den Aquitaine Investors glauben wir, dass der erfolgreiche automatisierte Handel in erster Linie auf die Schaffung und Entwicklung von Strategien zurückgreift, die auf bewährten technischen Analysen und Geldmanagement-Prinzipien basieren. Wir glauben, dass Einfachheit und ein wenig Kreativität auch einen langen Weg gehen. Ausgehend von unseren eigenen Erfahrungen können wir Ihre bestehenden Handelsstrategien automatisieren. Schalten Sie Ihre Ideen in Arbeitsroboter ein, die Ihren persönlichen Anforderungen und Aussichten entsprechen (zB Appetit auf Risiko) Backtest und optimieren Sie Ihre Strategien. Analysieren Sie Ihre eigenen Backtest-Ergebnisse Wie neue oder bestehende Strategien verbessert werden können, einschließlich des Risikomanagements und der Vermeidung von Kurvenanpassungen (das heißt, durch über optimistische Ergebnisse irregeführt werden) Erstellen Sie maßgeschneiderte Indikatoren, um Ihre Handelsleistung zu verbessern. Geben Sie Ratschläge, wie Sie Ihren automatisierten Handel einrichten können Infrastruktur Bereitstellung einer kontinuierlichen Unterstützung, sobald Ihr Roboter läuft und läuft Unsere gewählte Programmiersprache ist PowerLanguage, die von Multicharts LLC entwickelt wurde. Intelligent künstlicher HandelDer Aufstieg des künstlich intelligenten Hedge-Fonds Der Aufstieg des künstlich intelligenten Hedge-Fonds In der vergangenen Woche haben Ben Goertzel und seine Firma Aidyia einen Hedgefonds umgesetzt, der alle Aktiengeschäfte mit künstlicher Intelligenz macht. 8220Wenn wir alle sterben, sagt 8221, Goertzel, ein langjähriger AI-Guru und der Firmenchef-Chef-Wissenschaftler, der den Handel behalten würde.8221 Er meint das wörtlich. Goertzel und andere Menschen haben das System natürlich gebaut, und sie werden es nach Bedarf weiter ändern. Aber ihre Schöpfung identifiziert und führt die Geschäfte ganz allein aus und zieht auf mehrere Formen von AI zurück, darunter eine von der genetischen Evolution inspirierte und eine andere, die auf der probabilistischen Logik basiert. Jeden Tag, nach der Analyse alles von Marktpreisen und Volumen zu makroökonomischen Daten und Corporate Accounting Dokumente, diese AI-Motoren machen ihre eigenen Marktvorhersagen und dann 8220vote8221 auf die beste Vorgehensweise. Wenn wir alle sterben, würde es weiter handeln. Ben Goertzel, Aidyia Obwohl Aidyia in Hongkong ansässig ist, handelt es sich bei diesem automatisierten System um US-Aktien, und am ersten Tag, nach Goertzel, erzielte es eine 2-Prozent-Rendite auf einem nicht bekannten Geldpaket. Das ist nicht gerade eindrucksvoll oder statistisch relevant. Aber es stellt eine bemerkenswerte Verschiebung in der Welt der Finanzen dar. Unterstützt durch 143 Millionen in der Finanzierung, San Francisco Startup Sentient Technologies hat leise Handel mit einem ähnlichen System seit letztem Jahr. Datenzentrische Hedgefonds wie zwei Sigma und Renaissance Technologies haben gesagt, dass sie sich auf AI verlassen. Und nach Berichten, zwei anderen8212Bridgewater Associates und Point72 Asset Management, laufen von großen Wall Street Namen Ray Dalio und Steven A. Cohen8212are bewegen sich in die gleiche Richtung. Automatische Verbesserung Hedge Fonds haben sich lange auf Computer verlassen, um Trades zu machen. Laut Marktforschungsunternehmen Preqin. Etwa 1.360 Hedge-Fonds machen die Mehrheit ihrer Trades mit Hilfe von Computermodellen, aber insgesamt 9 Prozent aller Fonds8212 und sie verwalten rund 197 Milliarden insgesamt. Aber das beinhaltet typischerweise DatenwissenschaftlerInnen, 8221quants, 8221 in Wall Street lingo8212using Maschinen, um große statistische Modelle zu bauen. Diese Modelle sind komplex, aber sie sind auch etwas statisch. Wenn sich der Markt ändert, können sie nicht so gut arbeiten, wie sie in der Vergangenheit gearbeitet haben. Und nach Preqin8217s Forschung, die typischen systematischen Fonds doesn8217t immer so gut wie Mittel von menschlichen Managern betrieben (siehe Diagramm unten) In den letzten Jahren haben sich jedoch die Mittel auf echtes maschinelles Lernen bewegt, wo künstlich intelligente Systeme große Datenmengen analysieren können Mit der Geschwindigkeit und verbessern sich durch solche Analyse. Die New Yorker Firma Rebellion Research, die von dem Enkel der Baseball Hall of Fame Hank Greenberg gegründet wurde, beruht unter anderem auf einer Form von maschinellen Lernen namens Bayesian Netzwerke. Mit einer Handvoll Maschinen, um Markttrends vorherzusagen und bestimmte Trades zu lokalisieren. Mittlerweile lehnen sich Outfits wie Aidyia und Sentient auf AI, die über Hunderte oder sogar Tausende von Maschinen läuft. Dazu gehören Techniken wie evolutionäre Berechnungen, die durch Genetik und tiefes Lernen inspiriert sind. Eine Technologie, die jetzt verwendet wird, um Bilder zu erkennen, gesprochene Wörter zu identifizieren und andere Aufgaben innerhalb von Internet-Firmen wie Google und Microsoft auszuführen. Die Hoffnung ist, dass solche Systeme automatisch Veränderungen im Markt erkennen und sich in einer Weise anpassen können, wie Quellmodelle können. 8220They8217re versuchen, Dinge zu sehen, bevor sie sich entwickeln, sagt 8221 Ben Carlson, der Autor eines Reichtums des gesunden Menschenverstandes: Warum Simplicity Trumpf Komplexität in jedem Investitionsplan. Der ein Jahrzehnt mit einem Stiftungsfonds verbrachte, der in eine breite Palette von Geldmanagern investierte. Diese Art von AI-gesteuertes Fondsmanagement sollte mit dem Hochfrequenzhandel nicht verwechselt werden. Es ist nicht auf der Suche nach Front-Trades oder sonst Geld von der Geschwindigkeit der Aktion. Es8217s auf der Suche nach den besten Trades in der längerfristigen82 Stunden, Tage, Wochen, sogar Monate in die Zukunft. Und mehr auf den Punkt, Maschinen82nicht die Menschen8212 die Wahl der Strategie. Evolving Intelligence Obwohl das Unternehmen seinen Fonds nicht offiziell vermarktet hat, sagt Sentient CEO Antoine Blondeau, dass es seit letztem Jahr offiziellen Trades gemacht hat, mit Geld von privaten Investoren (nach längerer Testzeit). Nach einem Bericht von Bloomberg. Das Unternehmen hat mit dem Hedge-Fonds-Geschäft in JP Morgan Chase bei der Entwicklung der AI-Handelstechnologie gearbeitet, aber Blondeau lehnt es ab, seine Partnerschaften zu diskutieren. Er sagt jedoch, dass sein Fonds ganz durch künstliche Intelligenz operiert. Die ganze Idee ist, etwas zu tun, kein anderer Mensch und keine andere Maschine. Das System ermöglicht es dem Unternehmen, bestimmte Risikoeinstellungen anzupassen, sagt Chief Science Officer Babak Hodjat, der Teil des Teams war, das Siri gebaut hat, bevor der digitale Assistent von Apple erworben wurde. Aber sonst funktioniert es ohne menschliche Hilfe. 8220It automatisch Autoren eine Strategie, und es gibt uns Befehle, 8221 Hodjat sagt. 822It sagt: 8216Bei jetzt, mit diesem Instrument, mit diesem besonderen Auftragstyp.8217 Es sagt uns auch, wann man aussteigt, die Exposition reduziert und diese Art von Sachen.8221 Nach Hodjat packt das System unbenutzte Computerleistung von 8220millions8221 von Computer-Prozessoren in Rechenzentren, Internet-Cafés und Computer-Gaming-Zentren von verschiedenen Unternehmen in Asien und anderswo betrieben. Sein Software-Motor basiert mittlerweile auf evolutionärer Berechnungen82die gleiche genetik-inspirierte Technik, die in Aidyia8217s System spielt. Im einfachsten Sinne bedeutet dies, dass es eine große und zufällige Sammlung von digitalen Aktienhändlern schafft und ihre Leistung auf historischen Bestandsdaten prüft. Nach der Auswahl der besten Performer, dann verwendet sie ihre 8220genes8221, um einen neuen Satz von überlegenen Händlern zu schaffen. Und der Prozess wiederholt sich. Schließlich wohnt das System in einem digitalen Händler, der erfolgreich auf eigene Faust operieren kann. 8220Unsere Tausende von Generationen, Billionen und Billionen von 8216.8217 konkurrieren und gedeihen oder sterben, 8221 Blondeau sagt, 8220 und schließlich bekommst du eine Population von intelligenten Händlern, die du tatsächlich einsetzen kann.8221 Deep Investing Obwohl evolutionäre Berechnungen das System heute antreiben, sieht Hodjat auch Versprechen In tiefen Lernalgorithmen8212Algorithmen, die sich bereits als enorm geschickt erwiesen haben, um Bilder zu identifizieren, gesprochene Worte zu erkennen und sogar die natürliche Weise zu verstehen, wie wir Menschen sprechen. So wie tiefes Lernen bestimmte Besonderheiten ermitteln kann, die sich in einem Foto einer Katze zeigen, erklärt er, es könnte bestimmte Merkmale eines Bestandes identifizieren, der Ihnen etwas Geld verdienen kann. Google Just Open Sourced TensorFlow, seine künstliche Intelligenz-Engine Facebook Open Sources seine AI-Hardware als es Rennen Google Google ein Chatbot, die die Bedeutung des Lebens Goertzel8212who beaufsichtigt auch die OpenCog Foundation. Eine Anstrengung, ein Open-Source-Framework für allgemeine künstliche Intelligenz zu schaffen8212disagrees. Dies ist zum Teil, weil tiefe Lernalgorithmen zu einer Ware geworden sind. 8220Wenn jeder etwas benutzt, werden die Vorhersagen auf den Markt gebracht, 8221 sagt er. Sie müssen etwas seltsam machen.8221 Er weist auch darauf hin, dass, obwohl tiefes Lernen geeignet ist, Daten zu analysieren, die durch einen ganz bestimmten Satz von Mustern, wie Fotos und Wörtern, definiert werden, diese Arten von Mustern, die sich zwangsläufig auf den Finanzmärkten zeigen . Und wenn sie es tun, so sind sie doch so nützlich, weil jeder sie finden kann. Für Hodjat ist es jedoch die Aufgabe, das heutige tiefgehende Lernen zu verbessern. Und das kann die Kombination der Technologie mit der evolutionären Berechnung beinhalten. Wie er es erklärt, könntest du evolutionäre Berechnungen verwenden, um bessere tiefe Lernalgorithmen zu bauen. Das heißt Neuroevolution. 8220Sie können die Gewichte entwickeln, die auf dem tiefen Lernenden arbeiten, sagt 8221 Hodjat. 8220Doch können Sie auch die Architektur des tiefen Lernenden selbst entwickeln.8221 Microsoft und andere Outfits bauen bereits tiefe Lernsysteme durch eine Art natürliche Auswahl. Obwohl sie keine evolutionäre Berechnungen an sich verwenden dürfen. Pricing in AI Was auch immer Methoden verwendet werden, einige Frage, ob AI wirklich auf der Wall Street erfolgreich sein kann. Auch wenn ein Fonds mit AI Erfolg hat, besteht das Risiko, dass andere das System duplizieren und damit seinen Erfolg untergraben werden. Wenn sich ein großer Teil des Marktes auf die gleiche Weise verhält, verändert er den Markt. 8220I8217m ein bisschen skeptisch, dass AI das wirklich herausfinden kann, sagt 8221 Carlson. 8220Wenn jemand einen Trick findet, der funktioniert, werden nicht nur andere Mittel an ihm anhängen, sondern auch andere Investoren werden in Geld einsteigen. Es ist wirklich schwierig, sich einer Situation vorzustellen, in der es einfach nur weggeworfen wird.8221 Goertzel sieht dieses Risiko. Das ist, warum Aidyia nicht nur evolutionäre Berechnungen, sondern eine breite Palette von Technologien verwendet. Und wenn andere imitieren die company8217s Methoden, wird es umarmen andere Arten von maschinellen Lernen. Die ganze Idee ist, etwas zu tun, was kein anderer Mensch ist und keine andere Maschine. 8220Finance ist eine Domain, wo man nicht nur von smart profitiert, sagt 8221 Goertzel 8220, aber von einem klugen auf andere Weise von anderen.8221 Mehr BusinessHow, um algorithmische Trading-Strategien zu identifizieren In diesem Artikel möchte ich euch die Methoden vorstellen, mit denen ich Ich identifiziere profitable algorithmische Handelsstrategien. Unser Ziel ist es heute, detailliert zu verstehen, wie man solche Systeme findet, auswertet und auswählt. Ill erklären, wie Identifizierungsstrategien so viel über persönliche Präferenz ist, wie es um Strategie-Performance geht, wie man die Art und Menge der historischen Daten für die Prüfung, wie man leichte Bewertung einer Handelsstrategie und schließlich, wie man auf die Backtesting-Phase und Strategie Umsetzung zu bestimmen . Identifizieren Sie Ihre eigenen persönlichen Vorlieben für den Handel Um ein erfolgreicher Trader zu sein - entweder diskretional oder algorithmisch - ist es notwendig, sich einige ehrliche Fragen zu stellen. Trading bietet Ihnen die Möglichkeit, Geld zu verlieren mit einer alarmierenden Rate, so ist es notwendig, wissen Sie sich so viel wie es notwendig ist, um Ihre gewählte Strategie zu verstehen. Ich würde sagen, die wichtigste Überlegung im Handel ist sich Ihrer eigenen Persönlichkeit bewusst. Handel, und algorithmischen Handel im Besonderen erfordert ein erhebliches Maß an Disziplin, Geduld und emotionale Loslösung. Da Sie einen Algorithmus durchführen lassen Sie Ihren Handel für Sie, ist es notwendig, gelöst werden, um nicht mit der Strategie zu stören, wenn es ausgeführt wird. Dies kann sehr schwierig sein, vor allem in Zeiten der erweiterten Drawdown. Allerdings können viele Strategien, die sich in einem Backtest als sehr profitabel erwiesen haben, durch einfache Interferenz zerstört werden. Verstehen Sie, dass, wenn Sie in die Welt des algorithmischen Handels eintreten wollen, Sie emotional getestet werden und dass, um erfolgreich zu sein, es notwendig ist, diese Schwierigkeiten zu durcharbeiten. Die nächste Betrachtung ist eine der Zeit. Haben Sie einen Vollzeit-Job Haben Sie Teilzeit arbeiten Arbeiten Sie von zu Hause aus oder haben eine lange pendeln jeden Tag Diese Fragen werden dazu beitragen, die Häufigkeit der Strategie, die Sie suchen sollten. Für diejenigen von Ihnen in Vollzeitbeschäftigung kann eine Intraday-Futures-Strategie nicht angemessen sein (zumindest bis es vollständig automatisiert ist). Ihre zeitlichen Einschränkungen werden auch die Methodik der Strategie diktieren. Wenn Ihre Strategie häufig gehandelt wird und auf teure News-Feeds (wie ein Bloomberg-Terminal) angewiesen ist, müssen Sie eindeutig realistisch sein über Ihre Fähigkeit, diese erfolgreich im Büro zu führen. Für diejenigen von Ihnen mit viel Zeit oder den Fähigkeiten Um Ihre Strategie zu automatisieren, können Sie in eine technischere Hochfrequenz-Handel (HFT) Strategie zu suchen. Mein Glaube ist, dass es notwendig ist, kontinuierliche Forschung in Ihre Handelsstrategien durchzuführen, um ein durchweg profitable Portfolio zu erhalten. Wenige Strategien bleiben unter dem Radar für immer. Daher wird ein erheblicher Teil der Zeit, die dem Handel zugewiesen wird, die laufende Forschung durchführen. Fragen Sie sich, ob Sie bereit sind, dies zu tun, da es der Unterschied zwischen einer starken Rentabilität oder einem langsamen Rückgang der Verluste sein kann. Sie müssen auch Ihr Handelskapital betrachten. Der allgemein akzeptierte ideale Mindestbetrag für eine quantitative Strategie beträgt 50.000 USD (ca. 35.000 für uns in Großbritannien). Wenn ich wieder anfange, würde ich mit einem größeren Betrag beginnen, vermutlich näher 100.000 USD (ca. 70.000). Dies liegt daran, dass die Transaktionskosten für Mid - und High-Frequenz-Strategien extrem teuer sein können und es notwendig ist, genügend Kapital zu haben, um sie in Zeiten des Drawdowns aufzunehmen. Wenn Sie erwägen, mit weniger als 10.000 USD beginnen, dann müssen Sie sich auf Niederfrequenz-Strategien beschränken, Handel mit einem oder zwei Vermögenswerte, wie Transaktionskosten schnell in Ihre Renditen zu essen. Interactive Brokers, die einer der freundlichsten Broker für diejenigen mit Programmierkenntnissen ist, aufgrund seiner API, hat ein Retail-Konto mindestens 10.000 USD. Programmierfertigkeit ist ein wichtiger Faktor bei der Erstellung einer automatisierten algorithmischen Handelsstrategie. Kenntnisse in einer Programmiersprache wie C, Java, C, Python oder R ermöglichen es Ihnen, die End-to-End-Datenspeicherung, Backtest-Engine und Ausführungs-System selbst zu erstellen. Dies hat eine Reihe von Vorteilen, deren Chef die Fähigkeit ist, sich ganz auf alle Aspekte der Handelsinfrastruktur zu verlassen. Es erlaubt Ihnen auch, die höheren Frequenzstrategien zu erforschen, da Sie die volle Kontrolle über Ihren Technologie-Stack haben werden. Während dies bedeutet, dass Sie Ihre eigene Software testen und Bugs beseitigen können, bedeutet dies auch mehr Zeit für die Codierung der Infrastruktur und weniger bei der Umsetzung von Strategien, zumindest im früheren Teil Ihrer Algo Trading Karriere. Sie können feststellen, dass Sie bequem handeln in Excel oder MATLAB und können die Entwicklung von anderen Komponenten auslagern. Ich würde das aber nicht empfehlen, besonders für diejenigen, die mit hoher Frequenz handeln. Sie müssen sich fragen, was Sie hoffen, durch algorithmischen Handel zu erreichen. Sind Sie an einem regelmäßigen Einkommen interessiert, womit Sie hoffen, Einnahmen aus Ihrem Handelskonto zu ziehen, oder sind Sie an einem langfristigen Kapitalgewinn interessiert und können sich leisten, ohne die Notwendigkeit, Drawdown-Fonds zu handeln. Die Einkommensabhängigkeit wird die Häufigkeit Ihrer Strategie diktieren . Mehr regelmäßige Einkommensabhebungen erfordern eine höhere Frequenzhandelsstrategie mit geringerer Volatilität (d. h. ein höheres Sharpe-Verhältnis). Langfristige Händler können sich eine sedierte Handelshäufigkeit leisten. Schließlich wird nicht durch die Vorstellung, extrem reichen in einer kurzen Zeitspanne täuschen Algo Handel ist nicht ein get-reich-schnelles Schema - wenn überhaupt, kann es ein mut-arm-schnelles System sein. Es dauert erhebliche Disziplin, Forschung, Sorgfalt und Geduld, um bei algorithmischen Handel erfolgreich zu sein. Es kann Monate dauern, wenn nicht Jahre, um eine gleichbleibende Rentabilität zu erzielen. Sourcing Algorithmic Trading Ideas Trotz gemeinsamer Wahrnehmungen im Gegenteil, ist es eigentlich ganz einfach, profitable Handelsstrategien im öffentlichen Bereich zu finden. Niemals haben Handelsideen mehr verfügbar als heute. Akademische Finanzjournale, Pre-Print-Server, Trading-Blogs, Trading-Foren, wöchentliche Trading-Magazine und Fachtexte bieten Tausende von Trading-Strategien, mit denen Sie Ihre Ideen auf. Unser Ziel als quantitative Handel Forscher ist es, eine Strategie-Pipeline, die uns mit einem Strom von laufenden Handel Ideen zu etablieren. Idealerweise wollen wir einen methodischen Ansatz für die Beschaffung, Bewertung und Umsetzung von Strategien schaffen, auf die wir stoßen. Die Ziele der Pipeline sind es, eine konsequente Menge an neuen Ideen zu generieren und uns einen Rahmen für die Ablehnung der Mehrheit dieser Ideen mit dem Minimum an emotionaler Betrachtung zu geben. Wir müssen sehr sorgfältig darauf achten, dass kognitive Vorurteile unsere Entscheidungsfindungsmethode nicht beeinflussen. Das könnte so einfach sein wie eine Vorliebe für eine Assetklasse über eine andere (Gold und andere Edelmetalle in den Sinn kommen), weil sie als exotisch wahrgenommen werden. Unser Ziel ist es immer, konsequent profitable Strategien zu finden, mit positiver Erwartung. Die Wahl der Anlageklasse sollte auf anderen Überlegungen beruhen, wie z. B. Handelskapitalbeschränkungen, Maklergebühren und Leverage-Fähigkeiten. Wenn Sie mit dem Konzept einer Handelsstrategie völlig vertraut sind, dann ist der erste Ort, um zu sehen, mit etablierten Lehrbüchern. Klassische Texte bieten eine breite Palette von einfacheren, einfacheren Ideen, mit denen Sie sich mit dem quantitativen Handel vertraut machen können. Hier ist eine Auswahl, die ich für diejenigen, die neu sind, um quantitativen Handel, die allmählich anspruchsvoller werden, wie Sie durch die Liste arbeiten: Für eine längere Liste der quantitativen Trading-Bücher, besuchen Sie bitte die QuantStart Leseliste. Der nächste Ort, um anspruchsvollere Strategien zu finden, ist mit Handelsforen und Handelsblogs. Allerdings ist ein Hinweis der Vorsicht: Viele Trading-Blogs verlassen sich auf das Konzept der technischen Analyse. Die technische Analyse beinhaltet die Verwendung von Basisindikatoren und Verhaltenspsychologie, um Trends oder Umkehrmuster in den Vermögenspreisen festzulegen. Trotz der äußerst beliebten im gesamten Handelsplatz, ist die technische Analyse als etwas ineffektiv in der quantitativen Finanz-Community. Manche haben vorgeschlagen, dass es nicht besser ist, ein Horoskop zu lesen oder Teeblätter in Bezug auf seine prädiktive Kraft zu studieren. In Wirklichkeit gibt es erfolgreiche Personen, die technische Analyse anwenden. Doch als Quants mit einer anspruchsvolleren mathematischen und statistischen Toolbox zur Verfügung stehen, können wir die Effektivität solcher TA-basierten Strategien leicht auswerten und datenbasierte Entscheidungen treffen und nicht auf emotionale Überlegungen oder Vorurteile stützen. Hier ist eine Liste von gut respektierten algorithmischen Trading-Blogs und Foren: Sobald Sie einige Erfahrung bei der Bewertung einfacher Strategien gehabt haben, ist es Zeit, die anspruchsvolleren akademischen Angebote zu betrachten. Einige akademische Zeitschriften werden schwer zugänglich sein, ohne hohe Abonnements oder einmalige Kosten. Wenn Sie ein Mitglied oder ein Absolvent einer Universität sind, sollten Sie in der Lage sein, Zugang zu einigen dieser finanziellen Zeitschriften zu erhalten. Andernfalls können Sie sich auf Pre-Print-Servern schauen. Die Internet-Repositories der späten Entwürfe von akademischen Papieren, die sich in Peer-Review. Da wir uns nur für Strategien interessieren, die wir erfolgreich replizieren, backtest und Profitabilität erhalten kann, ist für uns ein Peer-Review von geringerer Bedeutung. Der wichtigste Nachteil der akademischen Strategien ist, dass sie oft entweder veraltet sein können, erfordern obskure und teure historische Daten, den Handel mit illiquiden Vermögensklassen oder nicht in Gebühren, Schlupf oder Spread. Es kann auch unklar sein, ob die Handelsstrategie mit Marktaufträgen, Limit Orders oder ob es Stop-Stress etc. enthält. So ist es absolut notwendig, die Strategie selbst so gut wie möglich zu replizieren, backtest es und fügen Sie realistische Transaktion hinzu Kosten, die so viele Aspekte der Asset-Klassen enthalten, die Sie handeln möchten. Hier ist eine Liste der beliebtesten Pre-Print-Server und Finanz-Zeitschriften, die Sie Ideen aus: Was ist mit der Bildung Ihrer eigenen quantitativen Strategien Dies erfordert in der Regel ( Aber nicht beschränkt auf) Fachwissen in einer oder mehreren der folgenden Kategorien: Marktmikrostruktur - Insbesondere für höhere Frequenzstrategien kann man Marktmikrostruktur nutzen. D. h. das Verständnis der Auftragsbuchdynamik, um die Rentabilität zu erzielen. Verschiedene Märkte haben verschiedene technologische Einschränkungen, Vorschriften, Marktteilnehmer und Zwänge, die alle offen für die Ausbeutung über spezifische Strategien sind. Dies ist ein sehr anspruchsvoller Bereich und Einzelhandels-Praktiker finden es schwer, in diesem Raum wettbewerbsfähig zu sein, zumal der Wettbewerb große, gut kapitalisierte quantitative Hedgefonds mit starken technologischen Fähigkeiten umfasst. Fondsstruktur - Pooled Investmentfonds wie Pensionskassen, Private Investment Partnerschaften (Hedgefonds), Rohstoffhandelsberater und Investmentfonds sind sowohl durch eine starke Regulierung als auch durch ihre großen Kapitalrücklagen eingeschränkt. So können gewisse konsequente Verhaltensweisen mit denen, die mehr flink sind, ausgenutzt werden. Zum Beispiel sind große Fonds aufgrund ihrer Größe Kapazitätsengpässen unterworfen. Wenn sie also eine Menge von Wertpapieren schnell entladen (verkaufen) müssen, müssen sie sie umtauschen, um den Markt zu vermeiden. Ausgefeilte Algorithmen können dies nutzen, und andere Idiosynkrasien, in einem allgemeinen Prozess als Fondsstruktur Arbitrage bekannt. Machine learningartificial Intelligence - Maschinelle Lernalgorithmen sind in den letzten Jahren in den Finanzmärkten häufiger geworden. Klassifikatoren (wie z. B. Naive-Bayes et al.) Nichtlineare Funktionsvergleicher (neuronale Netze) und Optimierungsroutinen (genetische Algorithmen) wurden alle zur Vorhersage von Vermögenspfaden oder zur Optimierung von Handelsstrategien verwendet. Wenn Sie einen Hintergrund in diesem Bereich haben, können Sie einen Einblick darüber haben, wie bestimmte Algorithmen auf bestimmte Märkte angewendet werden könnten. Es gibt natürlich viele andere Bereiche für Quants zu untersuchen. Nun diskutieren, wie man mit kundenspezifischen Strategien im Detail in einem späteren Artikel kommen. Indem Sie diese Quellen auf einer wöchentlichen oder sogar täglichen Basis weiter überwachen, setzen Sie sich auf eine konsistente Liste von Strategien aus einer Vielzahl von Quellen. Der nächste Schritt ist, zu bestimmen, wie man eine große Teilmenge dieser Strategien ablehnt, um zu minimieren, um Ihre Zeit zu verschwenden und Backtesting Ressourcen auf Strategien, die wahrscheinlich unrentabel sind. Auswertung von Handelsstrategien Die erste und wohl offensichtlichste Betrachtung ist, ob Sie die Strategie tatsächlich verstehen. Würden Sie in der Lage sein, die Strategie prägnant zu erklären, oder verlangt es eine Reihe von Vorbehalten und endlosen Parameterlisten. Darüber hinaus hat die Strategie eine gute, solide Basis in der Realität. Zum Beispiel könnten Sie auf eine Verhaltensgrundlage oder eine Fondsstrukturbeschränkung hinweisen Könnte das Muster veranlassen, das du ausprobieren möchtest Wäre diese Einschränkung auf einen Regimewechsel zurückzuführen, wie zB eine dramatische Regulierungsumfeldstörung Ist die Strategie auf komplexe statistische oder mathematische Regeln angewiesen Ist es für jede finanzielle Zeitreihe oder gilt Es ist spezifisch für die Asset-Klasse, dass es behauptet wird, profitabel zu sein Sie sollten ständig über diese Faktoren bei der Bewertung neuer Trading-Methoden denken, sonst können Sie verschwenden eine beträchtliche Menge an Zeit versuchen, Backtest und optimieren unrentable Strategien. Sobald Sie festgestellt haben, dass Sie die Grundprinzipien der Strategie verstehen, müssen Sie entscheiden, ob es mit Ihrem vorgenannten Persönlichkeitsprofil passt. Dies ist nicht so vage eine Überlegung, wie es klingt Strategien unterscheiden sich erheblich in ihren Leistungsmerkmalen. Es gibt bestimmte Persönlichkeitstypen, die mehr bedeutende Perioden des Drawdowns behandeln können oder bereit sind, ein größeres Risiko für eine größere Rendite zu akzeptieren. Trotz der Tatsache, dass wir als Quants versuchen und so viel kognitive Vorurteile wie möglich zu beseitigen und in der Lage sein werden, eine Strategie leidenschaftslos zu bewerten, werden die Bias immer kriechen. So brauchen wir ein konsequentes, emotionales Mittel, um die Performance von Strategien zu beurteilen . Hier ist die Liste der Kriterien, die ich beurteile, eine potenzielle neue Strategie durch: Methodik - Ist die Strategie Momentum basiert, mittler-reverting, marktneutral, direktional Ist die Strategie auf anspruchsvolle (oder komplexe) statistische oder maschinelle Lerntechniken, die hart sind, Zu verstehen und zu erfordern ein PhD in Statistik zu erfassen Haben diese Techniken eine signifikante Menge von Parametern, die zu Optimierung Bias führen könnte, ist die Strategie wahrscheinlich einem Regimewechsel standhalten (dh potenzielle neue Regulierung der Finanzmärkte) Sharpe Ratio - Die Sharpe Ratio Heuristisch charakterisiert das Rewardrisk-Verhältnis der Strategie. Es quantifiziert, wie viel Rendite Sie für die Volatilität erreichen können, die durch die Eigenkapitalkurve ausgehalten wird. Natürlich müssen wir die Periode und die Häufigkeit bestimmen, die diese Rückkehr und die Volatilität (d. h. Standardabweichung) gemessen werden. Eine höhere Frequenzstrategie erfordert eine größere Abtastrate der Standardabweichung, aber eine kürzere Gesamtzeitdauer der Messung, zum Beispiel. Hebelwirkung - Benötigt die Strategie eine beträchtliche Hebelwirkung, um rentabel zu sein Ist die Strategie die Verwendung von Leveraged Derivat-Verträgen (Futures, Optionen, Swaps) erforderlich, um eine Rendite zu erzielen. Diese Leveraged-Verträge können eine schwere Volatilität aufweisen und somit leicht führen Margin Anrufe. Haben Sie das Handelskapital und das Temperament für diese Volatilität Häufigkeit - Die Häufigkeit der Strategie ist eng mit Ihrem Technologie-Stack (und damit technologischem Know-how) verbunden, der Sharpe-Ratio und dem Gesamtbetrag der Transaktionskosten. Alle anderen Fragen, höhere Frequenzstrategien erfordern mehr Kapital, sind anspruchsvoller und schwerer zu implementieren. Allerdings, vorausgesetzt, Ihr Backtesting-Engine ist anspruchsvoll und bug-frei, haben sie oft weit höhere Sharpe-Ratios. Volatilität - Volatilität ist stark auf das Risiko der Strategie bezogen. Das Sharpe-Verhältnis charakterisiert dies. Eine höhere Volatilität der zugrunde liegenden Anlageklassen, wenn sie nicht gesichert ist, führt häufig zu einer höheren Volatilität in der Eigenkapitalkurve und damit zu kleineren Sharpe-Verhältnissen. Ich gehe natürlich davon aus, dass die positive Volatilität etwa der negativen Volatilität entspricht. Einige Strategien können eine größere Abwärtsvolatilität aufweisen. Sie müssen sich dieser Attribute bewusst sein. WinLoss, Average ProfitLoss - Strategien unterscheiden sich in ihrem Winloss und den durchschnittlichen Gewinncharakteristiken. Man kann eine sehr profitable Strategie haben, auch wenn die Anzahl der verlorenen Trades die Anzahl der Siegesserie übersteigt. Momentum-Strategien neigen dazu, dieses Muster zu haben, da sie sich auf eine kleine Anzahl von großen Hits verlassen, um rentabel zu sein. Mittlere Reversionsstrategien neigen dazu, gegensätzliche Profile zu haben, wo mehr der Trades Gewinner sind, aber die verlorenen Trades können ziemlich schwer sein. Maximaler Drawdown - Der maximale Drawdown ist der größte Gesamt-Peak-to-Trog-Prozentsatz, der auf der Eigenkapitalkurve der Strategie liegt. Momentum Strategien sind bekannt, um von Perioden von erweiterten Drawdowns (aufgrund einer Reihe von vielen inkrementellen verlieren Trades) zu leiden. Viele Händler werden in Zeiten des ausgedehnten Drawdowns aufgeben, auch wenn historische Tests vorgeschlagen haben, dass dies geschäftlich wie üblich für die Strategie ist. Sie müssen bestimmen, welcher Prozentsatz des Drawdowns (und über welchen Zeitraum) Sie akzeptieren können, bevor Sie aufhören, Ihre Strategie zu handeln. Das ist eine sehr persönliche Entscheidung und muss daher sorgfältig betrachtet werden. CapacityLiquidität - Auf der Einzelhandelsstufe, wenn Sie nicht in einem sehr illiquiden Instrument handeln (wie ein Small-Cap-Lager), müssen Sie sich nicht mit der Strategiekapazität beschäftigen. Die Kapazitäten bestimmen die Skalierbarkeit der Strategie für weiteres Kapital. Viele der größeren Hedge-Fonds leiden unter erheblichen Kapazitätsproblemen, da ihre Strategien die Kapitalallokation erhöhen. Parameter - Bestimmte Strategien (vor allem die in der maschinellen Lerngemeinschaft gefundenen) erfordern eine große Menge an Parametern. Jeder zusätzliche Parameter, den eine Strategie erfordert, lässt es anfälliger für die Optimierungsvorspannung (auch als Kurvenanpassung bekannt). Sie sollten versuchen, Strategien mit möglichst wenigen Parametern zu zielen oder sicherzustellen, dass Sie genügend Datenmengen haben, mit denen Sie Ihre Strategien testen können. Benchmark - Fast alle Strategien (sofern sie nicht als absolute Rendite gekennzeichnet sind) werden mit einer Performance-Benchmark bewertet. Der Benchmark ist in der Regel ein Index, der eine große Stichprobe der zugrunde liegenden Vermögensklasse kennzeichnet, die die Strategie abwickelt. Wenn die Strategie Großkappen-US-Aktien handelt, wäre der SP500 ein natürlicher Maßstab für die Messung Ihrer Strategie. Sie hören die Begriffe alpha und beta, angewendet auf Strategien dieser Art. Wir werden diese Koeffizienten in späteren Artikeln ausführlich besprechen. Beachten Sie, dass wir die tatsächlichen Renditen der Strategie nicht besprochen haben. Warum ist dies in Isolation, die Renditen tatsächlich liefern uns mit begrenzten Informationen über die Wirksamkeit der Strategie. Sie geben Ihnen keinen Einblick in Hebelwirkung, Volatilität, Benchmarks oder Kapitalanforderungen. So werden Strategien nur selten auf ihre Rückkehr beurteilt. Berücksichtigen Sie immer die Risikoattribute einer Strategie, bevor Sie die Renditen betrachten. In diesem Stadium werden viele der Strategien, die aus deiner Pipeline gefunden werden, aus der Hand abgelehnt, da sie ihre Kapitalanforderungen nicht erfüllen, die Einschränkungen, die maximale Drawdown-Toleranz oder die Volatilitätspräferenzen nutzen. Die verbleibenden Strategien können nun für das Backtesting berücksichtigt werden. Doch bevor dies möglich ist, ist es notwendig, eine abschließende Ablehnungskriterien zu berücksichtigen - die der verfügbaren historischen Daten, um diese Strategien zu testen. Erwerb historischer Daten Heutzutage ist die Breite der technischen Anforderungen über die Assetklassen für die historische Datenspeicherung erheblich. Um wettbewerbsfähig zu bleiben, investieren sowohl die Buy-Side - (Fonds-) als auch die Sell-Side - (Investmentbanken) stark in ihre technische Infrastruktur. Es ist unerlässlich, seine Bedeutung zu berücksichtigen. Insbesondere interessieren wir uns für Aktualität, Genauigkeit und Speicheranforderungen. Ich werde nun die Grundlagen des Erhaltens historischer Daten skizzieren und wie es zu speichern ist. Leider ist das ein sehr tiefes und technisches Thema, also werde ich nicht in der Lage sein, alles in diesem Artikel zu sagen. Allerdings werde ich in der Zukunft viel mehr darüber schreiben, da meine bisherige Branchenerfahrung in der Finanzbranche vor allem mit der Erfassung, Speicherung und dem Zugriff von Finanzdaten befasst war. Im vorigen Abschnitt hatten wir eine Strategie-Pipeline eingerichtet, die es uns erlaubt, bestimmte Strategien auf der Grundlage unserer eigenen Ablehnungskriterien abzulehnen. In diesem Abschnitt werden wir weitere Strategien filtern, die auf unseren eigenen Vorlieben basieren, um historische Daten zu erhalten. 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