Gemeinsam Algorithmische Trading Strategien

Grundlagen des algorithmischen Handels: Konzepte und Beispiele Ein Algorithmus ist ein spezifischer Satz klar definierter Anweisungen, die eine Aufgabe oder einen Prozess ausführen sollen. Algorithmischer Handel (automatisierter Handel, Black-Box-Handel oder einfach algo-Handel) ist der Prozess der Verwendung von Computern programmiert, um eine definierte Reihe von Anweisungen für die Platzierung eines Handels folgen, um Gewinne mit einer Geschwindigkeit und Häufigkeit, die unmöglich ist, Menschlichen Händler. Die definierten Regelsätze basieren auf Timing, Preis, Menge oder jedem mathematischen Modell. Neben den Gewinnchancen für den Trader macht algo-trading die Märkte liquider und macht den Handel systematischer, indem er emotionale menschliche Auswirkungen auf die Handelsaktivitäten ausschließt. Angenommen, ein Trader folgt diesen einfachen Handelskriterien: Kaufe 50 Aktien einer Aktie, wenn der 50-Tage-Gleitende Durchschnitt über dem 200-Tage-Gleitdurchschnitt liegt. Verkaufe Aktien der Aktie, wenn der 50-Tage-Gleitende Durchschnitt unter den 200-Tage-Gleitender Durchschnitt fällt Unter Verwendung dieses Satzes von zwei einfachen Anweisungen ist es einfach, ein Computerprogramm zu schreiben, das automatisch den Aktienkurs (und die gleitenden Durchschnittsindikatoren) überwacht und die Kauf - und Verkaufsaufträge platziert, wenn die definierten Bedingungen erfüllt sind. Der Händler muss nicht mehr eine Uhr für Live-Preise und Grafiken, oder legen Sie die Aufträge manuell zu halten. Das algorithmische Handelssystem tut es automatisch, indem er die Handelschance korrekt identifiziert. (Mehr zu den gleitenden Durchschnitten finden Sie unter: Einfache Bewegungsdurchschnitte machen Trends aus.) Algo-trading bietet die folgenden Vorteile: Handel zu bestmöglichen Preisen ausgeführt Sofortige und genaue Auftragsabwicklung (dadurch hohe Chancen bei der Ausführung auf gewünschten Ebenen) Trades Timing korrekt und sofort, um signifikante Preisänderungen zu vermeiden Reduzierte Transaktionskosten (siehe nachfolgendes Beispiel für die Implementierungsminderung) Gleichzeitige automatisierte Überprüfung mehrerer Marktbedingungen Reduziertes Risiko für manuelle Fehler bei der Platzierung der Trades Backtest des Algorithmus auf der Grundlage verfügbarer historischer und Echtzeitdaten Reduziert Möglichkeit von Fehlern durch menschliche Händler auf der Grundlage emotionaler und psychologischer Faktoren Der größte Teil des heutigen Algo-Handels ist der Hochfrequenzhandel (HFT), der versucht, eine große Anzahl von Aufträgen mit sehr schnellen Geschwindigkeiten auf mehrere Märkte und mehrfache Entscheidung zu setzen Parameter, basierend auf vorprogrammierten Anweisungen. Algo-Trading wird in vielen Formen von Handels - und Investitionsaktivitäten eingesetzt, darunter: mittel - bis langfristige Anleger oder Buy-Side-Gesellschaften (Pensionskassen) , Investmentfonds, Versicherungsgesellschaften), die zwar in großen Mengen kaufen, die Aktienpreise aber nicht mit diskreten, großvolumigen Investitionen beeinflussen wollen. Kurzfristige Händler und Verkaufsseitenteilnehmer (Marktmacher, Spekulanten und Arbitrageure) profitieren von automatisierter Handelsausführung, algo-Handelshilfen, um genügend Liquidität für Verkäufer auf dem Markt zu schaffen. Systematische Händler (Trendfolger, Paare Händler, Hedgefonds usw.) finden es viel effizienter, ihre Handelsregeln zu programmieren und das Programm automatisch handeln zu lassen. Algorithmischen Handel bietet einen systematischeren Ansatz für den aktiven Handel als Methoden auf der Grundlage einer menschlichen Händler Intuition oder Instinkt. Algorithmische Handelsstrategien Jede Strategie für den algorithmischen Handel erfordert eine identifizierte Chance, die in Bezug auf ein verbessertes Ergebnis oder eine Kostensenkung rentabel ist. Die folgenden handelsstrategien werden im algo-handel verwendet: Die gebräuchlichsten algorithmischen handelsstrategien folgen den trends bei gleitenden durchschnitten. Kanal Ausbrüche. Preisniveaubewegungen und damit zusammenhängende technische Indikatoren. Dies sind die einfachsten und einfachsten Strategien, um durch den algorithmischen Handel zu implementieren, da diese Strategien keine Prognosen oder Preisvorhersagen beinhalten. Trades werden basierend auf dem Auftreten von wünschenswerten Trends initiiert. Die einfach und unkompliziert durch Algorithmen implementiert werden können, ohne in die Komplexität der Vorhersageanalyse einzutreten. Das oben genannte Beispiel für 50 und 200 Tage gleitenden Durchschnitt ist ein beliebter Trend nach Strategie. (Für mehr über Tendenzhandelsstrategien siehe: Einfache Strategien zur Aktivierung von Trends.) Der Kauf eines dualen börsennotierten Wertpapiers zu einem niedrigeren Kurs in einem Markt und der gleichzeitigen Veräußerung zu einem höheren Preis in einem anderen Markt bietet die Preisdifferenz als risikofreien Gewinn Oder Arbitrage. Der gleiche Vorgang kann für Aktien gegen Futures-Instrumente repliziert werden, da Preisunterschiede von Zeit zu Zeit bestehen. Die Implementierung eines Algorithmus zur Identifizierung solcher Preisunterschiede und die Platzierung der Aufträge ermöglicht profitable Chancen in effizienter Weise. Die Indexfonds haben definierte Perioden des Ausgleichs festgelegt, um ihre Bestände auf ihre Benchmark-Indizes zu bringen. Dies schafft profitable Chancen für algorithmische Händler, die auf erwarteten Trades, die 20-80 Basispunkte Gewinne in Abhängigkeit von der Anzahl der Aktien im Index-Fonds, kurz vor dem Index Fonds Rebalancing bieten zu profitieren. Solche Trades werden über algorithmische Handelssysteme für rechtzeitige Ausführung und beste Preise initiiert. Viele bewährte mathematische Modelle, wie die delta-neutrale Trading-Strategie, die den Handel auf Kombination von Optionen und die zugrunde liegenden Sicherheit ermöglichen. Wo Trades zum Ausgleich von positiven und negativen Deltas platziert werden, so dass das Portfolio-Delta auf Null gehalten wird. Die mittlere Reversionsstrategie basiert auf der Idee, dass die hohen und niedrigen Preise eines Vermögenswertes ein temporäres Phänomen sind, das periodisch auf ihren Mittelwert zurückgeht. Ermittlung und Definition einer Preisspanne und Implementierung Algorithmus auf der Grundlage, dass Trades automatisch platziert werden, wenn der Preis für Asset Pausen in und aus der definierten Bereich ermöglicht. Die volumengewogene durchschnittliche Preisstrategie bricht einen großen Auftrag auf und gibt dynamisch bestimmte kleinere Stücke des Auftrags auf den Markt ab, indem sie spezifische historische Volumenprofile verwendet. Ziel ist es, die Order in der Nähe des volumengewichteten Durchschnittspreises (VWAP) auszuführen und damit den Durchschnittspreis zu nutzen. Die zeitgewichtete durchschnittliche Preisstrategie bricht einen großen Auftrag auf und gibt dynamisch bestimmte kleinere Stücke des Auftrags auf dem Markt unter Verwendung gleichmäßig geteilter Zeitschlitze zwischen einer Anfangs - und einer Endzeit frei. Ziel ist es, die Order in der Nähe des Durchschnittspreises zwischen der Start - und Endzeit auszuführen, wodurch die Marktwirkung minimiert wird. Solange der Handelsauftrag nicht vollständig gefüllt ist, setzt dieser Algorithmus fort, Teilaufträge entsprechend der definierten Teilnahmequote und entsprechend dem auf den Märkten gehandelten Volumen zu senden. Die zugehörige Schrittstrategie sendet Aufträge zu einem benutzerdefinierten Prozentsatz der Marktvolumina und erhöht oder verringert diese Beteiligungsquote, wenn der Aktienkurs auf benutzerdefinierte Ebenen ankommt. Die Implementierungs-Defizit-Strategie zielt darauf ab, die Ausführungskosten eines Auftrags durch den Handel auf dem Real-Time-Markt zu minimieren, wodurch die Kosten der Bestellung eingespart werden und die Opportunitätskosten der verzögerten Ausführung profitieren. Die Strategie wird die angestrebte Beteiligungsquote erhöhen, wenn sich der Aktienkurs positiv entwickelt und sinkt, wenn der Aktienkurs sich negativ bewegt. Es gibt einige spezielle Klassen von Algorithmen, die versuchen, Ereignisse auf der anderen Seite zu identifizieren. Diese Sniffing-Algorithmen, die beispielsweise von einem Sell-Market-Hersteller genutzt werden, haben die eingebaute Intelligenz, um die Existenz von Algorithmen auf der Buy-Seite eines großen Auftrags zu identifizieren. Eine solche Erkennung durch Algorithmen hilft dem Marktmacher, große Orderchancen zu identifizieren und ihm zu ermöglichen, durch das Ausfüllen der Aufträge zu einem höheren Preis zu profitieren. Dies wird manchmal als Hightech-Front-Run bezeichnet. (Für mehr über Hochfrequenzhandel und betrügerische Praktiken, siehe: Wenn Sie Aktien kaufen, sind Sie in HFTs beteiligt.) Technische Anforderungen für Algorithmic Trading Die Umsetzung der Algorithmus mit einem Computer-Programm ist der letzte Teil, mit Backtesting clubbed. Die Herausforderung besteht darin, die identifizierte Strategie in einen integrierten EDV-gestützten Prozess umzuwandeln, der Zugang zu einem Handelskonto für die Auftragserteilung hat. Die folgenden werden benötigt: Programmierkenntnisse, um die erforderliche Handelsstrategie zu programmieren, angeheuerte Programmierer oder vorgefertigte Handelssoftware Netzwerkkonnektivität und Zugang zu Handelsplattformen, um die Aufträge zu vergeben Zugang zu Marktdatenfeeds, die durch den Algorithmus auf Gelegenheitsmöglichkeiten überwacht werden Bestellungen Die Fähigkeit und Infrastruktur, Backtest System einmal gebaut, bevor es live auf realen Märkten Erhältliche historische Daten für Backtesting, abhängig von der Komplexität der Regeln in Algorithmen implementiert Hier ist ein umfassendes Beispiel: Royal Dutch Shell (RDS) ist in Amsterdam gelistet (AEX) und der London Stock Exchange (LSE). Erstellen Sie einen Algorithmus, um Arbitrage-Chancen zu identifizieren. Hier sind einige interessante Beobachtungen: AEX-Geschäfte in Euros, während LSE in Sterling Pfund handelt Wegen der einstündigen Zeitverschiebung, öffnet AEX eine Stunde früher als LSE, gefolgt von beiden Börsen, die gleichzeitig für die nächsten paar Stunden gehandelt werden und dann nur im LSE Handel Die letzte Stunde als AEX schließt Können wir erkunden die Möglichkeit des Arbitrage-Handels auf der Royal Dutch Shell-Aktien auf diesen beiden Märkten in zwei verschiedenen Währungen aufgeführt Ein Computerprogramm, das aktuelle Marktpreise lesen können Preis-Feeds von LSE und AEX A forex Rate Feed für GBP-EUR-Umrechnungskurs Auftragsvergabe, die den Auftrag an den richtigen Austausch weiterleiten kann Rücktestfähigkeit auf historische Preisvorschübe Das Computerprogramm sollte folgende Schritte ausführen: Lesen Sie den eingehenden Preisvorschub des RDS-Bestands von beiden Börsen mit den verfügbaren Wechselkursen . Wandeln Sie den Preis einer Währung in einen anderen um. Wenn es eine ausreichend große Preisdiskrepanz gibt (Rabatt auf die Maklergebühren), die zu einer rentablen Chance führt, dann legen Sie den Kaufauftrag auf den günstigeren Devisenumtausch und den Kaufauftrag auf höherer Kurswährung an Erwünscht, wird die Arbitrage Profit folgen Einfach und leicht Aber die Praxis der algorithmischen Handel ist nicht so einfach zu pflegen und auszuführen. Denken Sie daran, wenn Sie einen Algo-generierten Handel platzieren können, so können die anderen Marktteilnehmer. Infolgedessen schwanken die Preise in Milli - und sogar Mikrosekunden. In dem obigen Beispiel, was passiert, wenn Ihr Kaufhandel ausgeführt wird, aber verkaufen Handel nicht, wie die Verkaufspreise ändern sich durch die Zeit Ihre Bestellung trifft den Markt Sie werden am Ende sitzen mit einer offenen Position. So dass Ihre Arbitrage-Strategie wertlos. Es gibt zusätzliche Risiken und Herausforderungen: zum Beispiel Systemausfallrisiken, Netzwerkkonnektivitätsfehler, Zeitverzögerungen zwischen Handelsaufträgen und Ausführung und vor allem unvollständige Algorithmen. Je komplexer ein Algorithmus ist, desto strenger ist das Backtesting, bevor es in die Tat umgesetzt wird. Quantitative Analyse einer Algorithmen-Performance spielt eine wichtige Rolle und sollte kritisch untersucht werden. Seine spannende für die Automatisierung von Computern mit einer Vorstellung, um Geld zu machen mühelos gehen. Aber man muss sicherstellen, dass das System gründlich getestet wird und die erforderlichen Grenzen gesetzt sind. Analytische Händler sollten das Lernen von Programmierungs - und Gebäudesystemen selbst in Erwägung ziehen, um sicherzustellen, dass die richtigen Strategien in narrensicherer Weise umgesetzt werden. Sorgfältige Verwendung und gründliche Prüfung von algo-trading kann profitable Chancen zu schaffen. Haben Sie Ihre eigenen Indikator erstellt Jetzt können Sie unsere Marketscope Indicore SDK zum Debuggen und Backtest Ihre Strategie herunterladen. Marketscope Indicore Marketscope Indicore ist ideal für die gängigsten API-Anforderungen, die speziell für den algorithmischen Handel entwickelt wurden. Seine verwendet am besten für Backtesting und Strategie-Optimierung, wenn youre Aufbau Ihrer eigenen Trading-Strategie. Vorgefertigte Open-Source-Strategien (15) und Indikatoren (53) Freie Daten über mehr als 80 Instrumente über 40 Monate an Daten Umfangreiche Auftragsarten inklusive Markt-, Limit-, Stop - und Stop-Limit-Aufträgen Getting Started Bereits ein FXCM-Konto Ein FXCM-Konto, einschließlich kostenlose Praxis account8212no Minimum Balance erforderlich Eine IDE oder Text-Editor, der LUA läuft (dh SciTE) VPS Free Hosting: Pflegen Sie einen Saldo von 5.000 Basiswährung (oder 500.000 JPY und 40k HKD) auf Ihrem MT4-Konto, und die VPS ist bei Ihnen kostenfrei. (Wenn zum Beispiel Ihr Kontostand australische Dollar (AUD) ist, ist dies ein Kontostand von 5.000 AUD). Wenn Sie diese Voraussetzung nicht am Ende des Monats erfüllen, kann eine Gebühr von 30 Basiswährung (oder 3k JPY und 240 HKD) von jedem Ihrer FXCM-Konten belastet werden, um die VPS-Kosten zu decken. Risiko-Warnung: Unser Service umfasst Produkte, die marginal gehandelt werden und ein Risiko von Verlusten über Ihre eingezahlten Gelder tragen. Die Produkte sind möglicherweise nicht für alle Anleger geeignet. Bitte stellen Sie sicher, dass Sie vollständig verstehen, die Risiken beteiligt. Wie identifizieren Sie algorithmische Trading-Strategien In diesem Artikel möchte ich Ihnen die Methoden, durch die ich selbst identifizieren profitable algorithmische Handelsstrategien vorstellen. Unser Ziel ist es heute zu verstehen, wie diese Systeme zu finden, zu bewerten und auszuwählen sind. Ill erklären, wie Identifizierung Strategien ist so viel über persönliche Präferenz, wie es um Strategie-Performance, wie die Art und Menge der historischen Daten für die Prüfung zu bestimmen, wie man leidenschaftslos eine Handelsstrategie zu bewerten und schließlich, wie man auf die Backtesting-Phase und Strategie Umsetzung . Identifizieren Sie Ihre eigenen persönlichen Präferenzen für den Handel Um ein erfolgreicher Trader - entweder diskret oder algorithmisch - zu sein, ist es notwendig, sich einige ehrliche Fragen zu stellen. Trading bietet Ihnen die Möglichkeit, Geld mit einer alarmierenden Rate zu verlieren, so ist es notwendig, sich selbst zu kennen, so viel wie es notwendig ist, um Ihre gewählte Strategie zu verstehen. Ich würde sagen, die wichtigste Überlegung im Handel ist bewusst Ihre eigene Persönlichkeit. Handel und algorithmischen Handel im Besonderen erfordert ein erhebliches Maß an Disziplin, Geduld und emotionale Distanzierung. Da Sie einen Algorithmus Ihren Handel für Sie durchführen lassen, ist es notwendig, behoben zu werden, um die Strategie nicht zu stören, wenn sie ausgeführt wird. Dies kann sehr schwierig sein, vor allem in Zeiten der erweiterten Drawdown. Allerdings können viele Strategien, die sich in einem Backtest als hochprofitabel erwiesen haben, durch einfache Interferenz zerstört werden. Verstehen, dass, wenn Sie in die Welt des algorithmischen Handels geben Sie emotional getestet werden wollen und dass, um erfolgreich zu sein, ist es notwendig, durch diese Schwierigkeiten zu arbeiten Die nächste Überlegung ist eine der Zeit. Haben Sie einen Vollzeitjob Sie arbeiten Teilzeit Sie arbeiten von zu Hause aus oder haben eine lange pendeln jeden Tag Diese Fragen helfen, bestimmen die Häufigkeit der Strategie, die Sie suchen sollten. Für diejenigen von Ihnen in Vollzeit-Beschäftigung, eine Intraday-Futures-Strategie möglicherweise nicht angemessen (zumindest bis es vollautomatisch ist). Ihre Zeitbeschränkungen werden auch die Methodik der Strategie diktieren. Wenn Ihre Strategie häufig gehandelt wird und auf teuren Newsfeeds (wie ein Bloomberg-Terminal) angewiesen ist, müssen Sie eindeutig realistisch sein über Ihre Fähigkeit, diese im Büro zu erledigen. Für diejenigen von Ihnen mit viel Zeit oder den Fähigkeiten Um Ihre Strategie zu automatisieren, möchten Sie vielleicht in eine mehr technische HF-Strategie zu suchen. Mein Glaube ist, dass es notwendig ist, kontinuierliche Forschung in Ihre Trading-Strategien, um ein konsequent profitables Portfolio zu halten. Wenige Strategien bleiben unter dem Radar für immer. Daher wird ein bedeutender Teil der Zeit, die dem Handel zugewiesen wird, in der Durchführung laufender Forschung sein. Fragen Sie sich, ob Sie bereit sind, dies zu tun, da es der Unterschied zwischen starker Rentabilität oder ein langsamer Rückgang in Richtung Verluste sein kann. Sie müssen auch Ihr Handelskapital berücksichtigen. Die allgemein akzeptierte ideale Mindestmenge für eine quantitative Strategie ist 50.000 USD (ungefähr 35.000 für uns in Großbritannien). Wenn ich wieder anfangen würde, würde ich mit einer größeren Menge beginnen, wahrscheinlich näher bei 100.000 USD (ca. 70.000). Dies liegt daran, dass Transaktionskosten extrem teuer für mittlere bis hochfrequente Strategien sein können und es notwendig ist, genügend Kapital zu haben, um sie in Zeiten des Drawdowns zu absorbieren. Wenn Sie erwägen, beginnen mit weniger als 10.000 USD, dann müssen Sie sich auf niederfrequente Strategien, Handel in ein oder zwei Vermögenswerte zu beschränken, da die Transaktionskosten schnell in Ihre Renditen zu essen. Interactive Brokers, die eine der freundlichsten Broker für diejenigen mit Programmierkenntnissen, aufgrund ihrer API ist, hat ein Retail-Konto mindestens 10.000 USD. Programmierkenntnisse sind ein wichtiger Faktor bei der Schaffung einer automatisierten algorithmischen Handelsstrategie. Die Kenntnisse in einer Programmiersprache wie C, Java, C, Python oder R ermöglichen es Ihnen, End-to-End-Datenspeicherung, Backtest-Engine und Execution-System selbst zu erstellen. Dies hat eine Reihe von Vorteilen, vor allem die Fähigkeit, vollständig bewusst sein, alle Aspekte der Handelsinfrastruktur. Es erlaubt Ihnen auch, die höheren Frequenzstrategien zu erforschen, wie Sie in der vollen Steuerung Ihres Technologiestapels sein werden. Während dies bedeutet, dass Sie Ihre eigene Software testen und Fehler beseitigen können, bedeutet dies auch mehr Zeit verbrachte Kodierung der Infrastruktur und weniger auf die Umsetzung Strategien, zumindest in den 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 dies aber nicht empfehlen, vor allem für diejenigen, die mit hoher Frequenz handeln. Sie müssen sich fragen, was Sie durch algorithmischen Handel zu erreichen hoffen. Sind Sie interessiert an einem regelmäßigen Einkommen, wobei Sie hoffen, Gewinne aus Ihrem Trading-Konto zu ziehen Oder sind Sie an einem langfristigen Kapitalgewinn interessiert und können es sich leisten, ohne die Notwendigkeit, Drawdown-Fonds Einkommensabhängigkeit wird die Häufigkeit Ihrer Strategie diktieren . Mehr regelmäßige Einkommensentzüge benötigen eine höhere Frequenzhandelsstrategie mit geringerer Volatilität (d. h. ein höheres Sharpe-Verhältnis). Langfristige Händler können eine sedierende Handelsfrequenz leisten. Schließlich lassen Sie sich nicht von der Vorstellung des Werdens äußerst wohlhabend in einer kurzen Zeitspanne täuschen Algo-Handel ist nicht ein Get-Rich-Quick-System - wenn überhaupt, kann es ein schlecht-schnell-Schema werden. Es braucht erhebliche Disziplin, Forschung, Sorgfalt und Geduld, um bei algorithmischen Handel erfolgreich zu sein. Es kann Monate dauern, wenn nicht Jahre, um konsistente Rentabilität zu generieren. Sourcing Algorithmic Trading Ideas Trotz allgemeiner Wahrnehmungen im Gegenteil, ist es eigentlich ganz einfach, profitable Handelsstrategien im öffentlichen Bereich zu finden. Nie waren Trading-Ideen leichter verfügbar, als sie heute sind. Akademische Finanzjournale, Pre-Print-Server, Handelsblogs, Handelsforen, wöchentliche Börsenmagazine und Fachtexte bieten Tausende von Handelsstrategien, mit denen Sie Ihre Ideen stützen können. Unser Ziel als quantitative Trading-Forscher ist es, eine Strategie-Pipeline, die uns mit einem Strom von laufenden Handel Ideen. Im Idealfall wollen wir einen methodischen Ansatz für die Beschaffung, Bewertung und Umsetzung von Strategien schaffen, auf die wir stoßen. Ziel der Pipeline ist es, eine konsequente Menge an neuen Ideen zu generieren und uns einen Rahmen zu geben, um die Mehrheit dieser Ideen mit minimal emotionaler Betrachtung abzulehnen. Wir müssen sehr vorsichtig sein, damit nicht kognitive Vorurteile unsere Entscheidungsfindungsmethodik beeinflussen. Dies könnte so einfach sein, wie eine Präferenz für eine Anlageklasse über eine andere (Gold und andere Edelmetalle in den Sinn kommen), weil sie als mehr exotisch wahrgenommen werden. Unser Ziel sollte immer sein, konsequent rentable Strategien mit positiver Erwartung zu finden. Die Auswahl der Anlagenklasse sollte auf anderen Überlegungen beruhen, wie z. B. Handelskapitalbeschränkungen, Brokergebühren und Leverage-Fähigkeiten. Wenn Sie völlig unbekannt sind mit dem Konzept einer Handelsstrategie dann ist der erste Ort, um zu sehen ist mit etablierten Lehrbüchern. Klassische Texte bieten eine breite Palette von einfacheren, einfacheren Ideen, mit denen Sie sich mit dem quantitativen Handel vertraut machen. Hier ist eine Auswahl, die ich für diejenigen, die neue zu quantitativen Handel, die allmählich mehr anspruchsvoll, wie Sie durch die Liste arbeiten zu empfehlen: Für eine längere Liste der quantitativen Handelsbücher, besuchen Sie bitte die QuantStart Leseliste. Der nächste Ort, um mehr anspruchsvolle Strategien zu finden ist mit Trading-Foren und Trading-Blogs. Allerdings ist ein Hinweis der Vorsicht: Viele Handels-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 zu bestimmen. Trotz äußerst beliebt in den gesamten Handelsraum, wird die technische Analyse als etwas ineffizient in der quantitativen Finanz-Community. Einige haben vorgeschlagen, dass es nicht besser als das Lesen eines Horoskops oder das Studium Teeblätter in Bezug auf ihre prädiktive Macht In Wirklichkeit gibt es erfolgreiche Personen, die Nutzung der technischen Analyse. Als Quants mit einer anspruchsvolleren mathematischen und statistischen Toolbox können wir jedoch die Effektivität solcher TA-basierten Strategien bewerten und datenbasierte Entscheidungen treffen und nicht auf emotionale Überlegungen oder Vorurteile zurückgreifen. Hier ist eine Liste von gut respektierten algorithmischen Handel Blogs und Foren: Sobald Sie einige Erfahrung bei der Bewertung einfacher Strategien hatte, ist es Zeit, auf die anspruchsvolleren akademischen Angebote zu suchen. Einige akademische Zeitschriften sind schwer zugänglich, ohne hohe Abonnements oder einmalige Kosten. Wenn Sie ein Mitglied oder Absolvent einer Universität sind, sollten Sie in der Lage sein, Zugang zu einigen dieser finanziellen Zeitschriften zu erhalten. Andernfalls können Sie auf Pre-Print-Servern zu suchen. Die Internet-Repositories der späten Entwürfe von akademischen Papieren, die unterziehen Peer-Review sind. Da wir nur an Strategien interessiert sind, die wir erfolgreich replizieren, backtest und profitabel machen können, ist eine Peer-Review für uns von geringerer Bedeutung. Der größte Nachteil der akademischen Strategien ist, dass sie oft veraltet sein können, obskure und teure historische Daten benötigen, den Handel mit illiquiden Anlageklassen oder Faktoren für Gebühren, Rutschung oder Verbreitung nicht berücksichtigen. Es kann auch unklar sein, ob die Handelsstrategie mit Marktaufträgen, Limit Orders oder Stop-Loss etc. durchgeführt werden soll. Daher ist es absolut notwendig, die Strategie selbst so gut wie möglich nachzubilden, sie zu backtest und in realistischer Transaktion zu addieren Hier finden Sie eine Liste der beliebtesten Pre-Print-Server und Finanz-Zeitschriften, die Sie Quelle Ideen aus: Was über die Bildung Ihrer eigenen quantitativen Strategien Dies erfordert im Allgemeinen ( Aber nicht beschränkt auf) Kompetenz in einer oder mehreren der folgenden Kategorien: Marktmikrostruktur - Für höhere Frequenzstrategien insbesondere kann man Marktmikrostrukturen nutzen. D. H. Das Verständnis der Auftragsbuchdynamik, um Rentabilität zu erzeugen. Unterschiedliche Märkte werden verschiedene technologische Beschränkungen, Regelungen, Marktteilnehmer und Einschränkungen haben, die alle zur Ausbeutung durch spezifische Strategien offen sind. Dies ist ein sehr anspruchsvolles Gebiet und Einzelhandel Praktiker finden es schwierig, in diesem Raum wettbewerbsfähig zu sein, zumal der Wettbewerb große, gut-kapitalisierte quantitative Hedgefonds mit starken technologischen Fähigkeiten umfasst. Fondsstruktur - Gesammelte Investmentfonds wie Pensionskassen, Private Investment Partnerships (Hedgefonds), Rohstoffhandelsberater und Investmentfonds werden sowohl durch eine starke Regulierung als auch durch ihre großen Kapitalreserven eingeschränkt. So können bestimmte konsequente Verhaltensweisen mit denen, die mehr flinke ausgenutzt werden. Beispielsweise sind große Fonds aufgrund ihrer Größe Kapazitätsengpässen ausgesetzt. Wenn sie also eine Menge von Wertpapieren schnell abladen (verkaufen) müssen, müssen sie sie schwanken, um den Markt nicht zu bewegen. Ausgefeilte Algorithmen können diese und andere Eigenheiten in einem allgemeinen Prozess, der als Fundstruktur-Arbitrage bekannt ist, nutzen. Maschinelles Lernen von künstlicher Intelligenz - Maschinelle Lernalgorithmen sind in den letzten Jahren auf den Finanzmärkten immer häufiger geworden. Klassifikatoren (wie Naive-Bayes et al.) Wurden nicht-lineare Funktionsanpassungen (neuronale Netze) und Optimierungsroutinen (genetische Algorithmen) verwendet, um Assetpfade vorherzusagen oder Handelsstrategien zu optimieren. Wenn Sie einen Hintergrund in diesem Bereich haben Sie vielleicht einen Einblick, wie bestimmte Algorithmen auf bestimmte Märkte angewendet werden könnten. Es gibt, natürlich, viele andere Bereiche für quants zu untersuchen. Nun diskutieren, wie zu kommen mit benutzerdefinierten Strategien im Detail in einem späteren Artikel. Indem Sie diese Quellen wöchentlich oder sogar täglich überwachen, setzen Sie sich für eine konsistente Liste von Strategien aus unterschiedlichsten Quellen ein. Der nächste Schritt besteht darin, zu bestimmen, wie eine große Teilmenge dieser Strategien zurückgewiesen wird, um die Verschwendung Ihrer Zeit und Backtesting-Ressourcen auf Strategien, die wahrscheinlich unrentabel sind, zu minimieren. Auswerten von Handelsstrategien Die erste und wohl offensichtlichste Betrachtung ist, ob Sie die Strategie tatsächlich verstehen. Würden Sie in der Lage, die Strategie prägnant zu erklären oder erfordert es eine Reihe von Einschränkungen und endlose Parameter-Listen Darüber hinaus hat die Strategie eine gute, solide Basis in der Realität Zum Beispiel könnten Sie auf einige verhaltensbezogene Begründung oder Fond Struktur Einschränkung, die zeigen Kann das verursachende Muster verursachen, das Sie ausnutzen möchten, würde diese Einschränkung bis zu einem Regimewechsel halten, wie eine drastische regulatorische Umgebungsunterbrechung Verlässt sich die Strategie auf komplexe statistische oder mathematische Regeln Gilt es für jede finanzielle Zeitreihe oder ist Es spezifisch für die Asset-Klasse, dass es behauptet wird, profitabel zu sein Sie sollten ständig über diese Faktoren bei der Bewertung neuer Handel Methoden denken, sonst können Sie eine beträchtliche Menge an Zeit zu versuchen, Backtest und Optimierung unrentabler Strategien zu verschwenden. Sobald Sie festgestellt haben, dass Sie die grundlegenden Prinzipien der Strategie verstehen, müssen Sie entscheiden, ob es mit Ihrem oben genannten Persönlichkeitsprofil passt. Dies ist nicht so vage eine Überlegung, wie es klingt Strategien werden erheblich unterscheiden sich in ihren Leistungsmerkmalen. Es gibt bestimmte Persönlichkeitstypen, die mehr bedeutende Zeitabschnitte behandeln können oder bereit sind, ein größeres Risiko für eine größere Rückkehr zu akzeptieren. Trotz der Tatsache, dass wir als Quants versuchen, so viel kognitive Vorurteile wie möglich zu eliminieren und in der Lage sein sollten, eine Strategie leidenschaftslos zu bewerten, werden Bias immer kriechen. Daher brauchen wir ein konsequentes, nicht-emotionales Mittel, um die Performance von Strategien zu bewerten . Hier ist die Liste der Kriterien, die ich beurteilen, eine mögliche neue Strategie durch: Methodik - Ist die Strategie Momentum, Mittelwert-Umkehrung, Markt-Neutral, Richtungsabhängige Hat die Strategie auf anspruchsvolle (oder komplexe) statistische oder maschinelle Lerntechniken, die hart sind Zu verstehen und zu verlangen, einen Doktortitel in der Statistik zu begreifen Diese Techniken führen eine signifikante Menge an Parametern, die zu einer Optimierung Bias führen könnte Ist die Strategie wahrscheinlich widerstehen eine Regimewechsel (dh potenzielle neue Regulierung der Finanzmärkte) Sharpe Ratio - Die Sharpe-Ratio Heuristisch charakterisiert das Reward-Risiko-Verhältnis der Strategie. Es quantifiziert, wie viel Rendite Sie erreichen können, für das Niveau der Volatilität durch die Equity-Kurve. Natürlich müssen wir die Periode und Häufigkeit bestimmen, die diese Renditen und die Volatilität (d. h. Standardabweichung) überschreiten. Eine höhere Frequenzstrategie erfordert eine größere Abtastrate der Standardabweichung, beispielsweise eine kürzere Gesamtzeitspanne der Messung. Hebelwirkung - Benötigt die Strategie eine beträchtliche Hebelwirkung, um rentabel zu sein, erfordert die Strategie den Einsatz von Leveraged Derivat-Kontrakten (Futures, Optionen, Swaps), um eine Rendite zu erzielen. Diese Leveraged-Kontrakte können eine hohe Volatilität aufweisen und somit leicht führen Margin-Anrufe. Haben Sie das Handelskapital und das Temperament für eine solche Volatilität? Häufigkeit - Die Häufigkeit der Strategie ist eng mit Ihrem Technologie-Stack (und damit technologische Kompetenz), der Sharpe-Ratio und dem Gesamtniveau der Transaktionskosten verbunden. Alle anderen Fragen berücksichtigt, höhere Frequenz Strategien erfordern mehr Kapital, sind anspruchsvoller und schwerer zu implementieren. Unter der Annahme, dass Ihre Backtesting-Engine anspruchsvoll und fehlerfrei ist, haben sie oft deutlich höhere Sharpe-Ratios. Volatilität - Volatilität ist stark mit dem Risiko der Strategie verbunden. Das Sharpe-Verhältnis charakterisiert dies. Eine höhere Volatilität der zugrunde liegenden Assetklassen führt, wenn sie ungesichert ist, häufig zu einer höheren Volatilität in der Aktienkurve und damit zu kleineren Sharpe-Ratios. Ich bin natürlich davon ausgegangen, dass die positive Volatilität etwa gleich der negativen Volatilität ist. Einige Strategien können größere Abwärts-Volatilität haben. Sie müssen sich dieser Attribute bewusst sein. WinLoss, Durchschnittliche ProfitLoss - Strategien unterscheiden sich in ihrer Winloss und durchschnittlichen Profit-Verlust-Eigenschaften. Man kann eine sehr rentable Strategie haben, auch wenn die Anzahl der verlierenden Trades die Anzahl der Gewinne überschreitet. Momentum-Strategien neigen dazu, dieses Muster haben, da sie auf eine kleine Anzahl von großen Hits verlassen, um rentabel zu sein. Mean-Reversion-Strategien neigen dazu, gegnerische Profile haben, wo mehr der Gewinne Gewinner sind, aber die verlierenden Trades kann ziemlich schwer sein. Maximaler Drawdown - Der maximale Drawdown ist der größte prozentuale Rückgang des Gesamt-Peak-to-Tires auf die Eigenkapitalkurve der Strategie. Momentum-Strategien sind weithin bekannt, um von den Perioden der verlängerten Drawdowns zu leiden (wegen einer Zeichenkette von vielen inkrementellen Verlusttrades). Viele Händler werden in Zeiten des erweiterten Drawdowns aufgeben, auch wenn historische Tests darauf hindeuten, 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 den Handel mit Ihrer Strategie einstellen. Dies ist eine sehr persönliche Entscheidung und muss daher sorgfältig geprüft werden. CapacityLiquidity - Auf der Retail-Ebene, wenn Sie nicht in einem sehr illiquiden Instrument (wie ein Small-Cap-Aktien) handeln, müssen Sie sich nicht große Sorgen mit Strategiekapazität. Capacity bestimmt die Skalierbarkeit der Strategie für weiteres Kapital. Viele der größeren Hedgefonds leiden unter erheblichen Kapazitätsproblemen, da ihre Strategien die Kapitalallokation erhöhen. Parameter - Bestimmte Strategien (insbesondere jene, die in der maschinellen Lerngemeinschaft gefunden werden) erfordern eine große Anzahl von Parametern. Jeder zusätzliche Parameter, den eine Strategie erfordert, lässt es anfälliger für Optimierungsvorspannung (auch bekannt als Kurvenanpassung). Sie sollten versuchen und Ziel-Strategien mit so wenig Parameter wie möglich oder stellen Sie sicher, dass Sie ausreichende Mengen an Daten, mit denen Ihre Strategien zu testen. Benchmark - Nearly all strategies (unless characterised as absolute return) are measured against some performance benchmark. The benchmark is usually an index that characterises a large sample of the underlying asset class that the strategy trades in. If the strategy trades large-cap US equities, then the SP500 would be a natural benchmark to measure your strategy against. You will hear the terms alpha and beta, applied to strategies of this type. We will discuss these coefficients in depth in later articles. Notice that we have not discussed the actual returns of the strategy. Why is this In isolation, the returns actually provide us with limited information as to the effectiveness of the strategy. They dont give you an insight into leverage, volatility, benchmarks or capital requirements. Thus strategies are rarely judged on their returns alone. Always consider the risk attributes of a strategy before looking at the returns. At this stage many of the strategies found from your pipeline will be rejected out of hand, since they wont meet your capital requirements, leverage constraints, maximum drawdown tolerance or volatility preferences. The strategies that do remain can now be considered for backtesting . However, before this is possible, it is necessary to consider one final rejection criteria - that of available historical data on which to test these strategies. Obtaining Historical Data Nowadays, the breadth of the technical requirements across asset classes for historical data storage is substantial. In order to remain competitive, both the buy-side (funds) and sell-side (investment banks) invest heavily in their technical infrastructure. It is imperative to consider its importance. In particular, we are interested in timeliness, accuracy and storage requirements. I will now outline the basics of obtaining historical data and how to store it. Unfortunately this is a very deep and technical topic, so I wont be able to say everything in this article. However, I will be writing a lot more about this in the future as my prior industry experience in the financial industry was chiefly concerned with financial data acquisition, storage and access. In the previous section we had set up a strategy pipeline that allowed us to reject certain strategies based on our own personal rejection criteria. In this section we will filter more strategies based on our own preferences for obtaining historical data. 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