Wie Algorithmic Trading-Strategien zu identifizieren In diesem Artikel möchte ich Ihnen die Methoden, mit denen 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 gehen . Identifizieren Sie Ihre eigenen persönlichen Präferenzen für den Handel Um ein erfolgreicher Trader - entweder diskret oder algorithmisch - ist es notwendig, stellen Sie sich einige ehrliche Fragen. 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 einer 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, Einnahmen 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 Finanzzeitschriften, 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 konstante Menge neuer Ideen zu generieren und uns einen Rahmen zu geben, um die Mehrheit dieser Ideen mit minimaler 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 die Rentabilität gewinnen 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 Hedge-Fonds mit starken technologischen Fähigkeiten umfasst. Fondsstruktur - Pooled Investment Funds 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 in 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 von: 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 Lohn-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 schwerste Volatilitäten 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. Gewinnen Sie Verlust, durchschnittlicher Profitverlust - Strategien unterscheiden sich in ihrem Gewinnverlust und durchschnittlichen Profitverlustcharakteristiken. 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. Capacity Liquidity - 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 der Strategie Kapazität. 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 zielen Strategien mit so wenig Parameter wie möglich oder stellen Sie sicher, dass Sie ausreichende Mengen an Daten, mit denen Ihre Strategien zu testen. Benchmark - Fast alle Strategien (sofern nicht als absolute Rendite bezeichnet) werden mit einem Performance-Benchmark bewertet. Der Benchmark ist in der Regel ein Index, der eine große Stichprobe der zugrunde liegenden Assetklasse charakterisiert, die die Strategie abwickelt. Wenn die Strategie großkapitalisierte US-Aktien handelt, wäre die SP500 ein natürlicher Maßstab für Ihre Strategie. Sie hören die Begriffe alpha und beta, angewandt auf Strategien dieses Typs. Wir werden diese Koeffizienten in späteren Artikeln vertiefen. Beachten Sie, dass wir nicht über die tatsächlichen Erträge der Strategie diskutiert haben. Warum ist diese In Isolation, die Renditen tatsächlich bieten uns mit begrenzten Informationen über die Wirksamkeit der Strategie. Sie geben Ihnen keinen Einblick in Leverage, Volatilität, Benchmarks oder Kapitalanforderungen. So werden Strategien selten auf ihre Rückkehr allein beurteilt. Betrachten Sie immer die Risikoattribute einer Strategie, bevor Sie die Rendite betrachten. In diesem Stadium werden viele der Strategien, die von Ihrer Pipeline gefunden werden, von Hand abgelehnt, da sie nicht Ihre Kapitalanforderungen treffen, Hebelbeschränkungen, maximale Drawdown Toleranz oder Volatilitätspräferenzen. Die bisherigen Strategien können nun für Backtesting berücksichtigt werden. Bevor dies jedoch möglich ist, ist es notwendig, ein endgültiges Ablehnungskriterium zu berücksichtigen - das der verfügbaren historischen Daten, um diese Strategien zu testen. Erfassen historischer Daten Die Breite der technischen Anforderungen an Assetklassen für historische Datenspeicherung ist heutzutage beträchtlich. 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 jetzt skizzieren die Grundlagen der Erlangung historischer Daten und wie sie zu speichern. Leider ist dies ein sehr tiefes und technisches Thema, so dass ich nicht in der Lage, alles in diesem Artikel zu sagen. Allerdings werde ich in Zukunft viel mehr darüber schreiben, da meine bisherige Branchenerfahrung in der Finanzbranche hauptsächlich mit Finanzdatenerfassung, - speicherung und - zugriff beschäftigt war. Im vorherigen Abschnitt hatten wir eine Strategie-Pipeline eingerichtet, die es uns erlaubte, bestimmte Strategien auf der Grundlage unserer eigenen Ablehnungskriterien abzulehnen. In diesem Abschnitt werden wir weitere Strategien auf der Grundlage unserer eigenen Präferenzen für den Erhalt historischer Daten zu filtern. Die wichtigsten Überlegungen (insbesondere auf der Ebene des Einzelhandels) sind die Kosten der Daten, der Speicherplatzbedarf und Ihr technisches Fachwissen. Wir müssen auch die verschiedenen Arten von verfügbaren Daten zu diskutieren und die verschiedenen Überlegungen, die jede Art von Daten auf uns auferlegen wird. Beginnen wir mit der Diskussion über die verfügbaren Daten und die wichtigsten Fragen, die wir brauchen werden: Grunddaten - Dazu gehören Daten über makroökonomische Trends wie Zinssätze, Inflationszahlen, Kapitalmaßnahmen (Dividenden, Aktiensplits), SEC-Einreichungen , Unternehmenskonten, Ertragszahlen, Ernteberichte, Meteorologiedaten etc. Diese Daten werden häufig genutzt, um Unternehmen oder andere Vermögenswerte grundsätzlich, dh über gewisse Mittel zu erwarteten zukünftigen Cashflows, zu bewerten. Es enthält keine Aktienkursreihen. Einige grundlegende Daten sind frei verfügbar von der Regierung Websites. Andere langfristige historische Fundamentaldaten können extrem teuer sein. Die Speicheranforderungen sind oft nicht besonders groß, es sei denn, Tausende von Unternehmen werden sofort untersucht. News Daten - News Daten sind oft qualitativen in der Natur. Es besteht aus Artikeln, Blog-Posts, Microblog-Posts (Tweets) und Editorial. Maschinelle Lernmethoden wie Klassifikatoren werden oft verwendet, um Stimmung zu interpretieren. Diese Daten sind auch häufig frei verfügbar oder billig, über das Abonnement der Medien. Die neueren NoSQL-Dokumenten-Speicher-Datenbanken sind entworfen, um diese Art von unstrukturierten, qualitativen Daten zu speichern. Asset Price Data - Dies ist die traditionelle Daten-Domäne der quant. Es besteht aus Zeitreihen von Vermögenspreisen. Aktien (Aktien), festverzinsliche Wertpapiere (Anleihen), Rohstoffe und Devisenpreise befinden sich in dieser Klasse. Tägliche historische Daten sind oft einfach, um für die einfacheren Asset-Klassen, wie Aktien zu erhalten. Sobald jedoch Genauigkeit und Sauberkeit eingeschlossen sind und statistische Vorspannungen entfernt werden, können die Daten teuer werden. Darüber hinaus besitzen Zeitreihendaten oft erhebliche Speicheranforderungen, insbesondere wenn Intraday-Daten betrachtet werden. Finanzinstrumente - Aktien, Anleihen, Futures und die exotischeren Derivate haben sehr unterschiedliche Charakteristiken und Parameter. So gibt es keine einzige Größe passt alle Datenbankstruktur, die sie unterbringen können. Bei der Konzeption und Implementierung von Datenbankstrukturen für verschiedene Finanzinstrumente ist besonderes Augenmerk zu legen. Wir werden die Situation ausführlich diskutieren, wenn wir kommen, um eine Wertpapier-Master-Datenbank in zukünftigen Artikeln zu bauen. Frequenz - Je höher die Frequenz der Daten, desto größer sind die Kosten und Speicheranforderungen. Für niederfrequente Strategien sind oftmals tägliche Daten ausreichend. Für Hochfrequenzstrategien kann es notwendig sein, Tick-Level-Daten und sogar historische Kopien von bestimmten Trading Exchange Orderbuchdaten zu erhalten. Die Implementierung eines Speicher-Engine für diese Art von Daten ist sehr technologisch intensiv und nur für diejenigen mit einem starken programmtechnischen Hintergrund. Benchmarks - Die oben beschriebenen Strategien werden häufig mit einer Benchmark verglichen. Dies zeigt sich in der Regel als zusätzliche finanzielle Zeitreihen. Für Aktien ist dies oft ein nationaler Aktien-Benchmark, wie der SP500-Index (US) oder FTSE100 (UK). Für einen Rentenfonds ist es sinnvoll, einen Korb von Anleihen oder Rentenprodukten zu vergleichen. Der risikofreie Zinssatz (d. H. Der angemessene Zinssatz) ist ebenfalls eine weit verbreitete Benchmark. Alle Asset-Class-Kategorien verfügen über eine bevorzugte Benchmark, so dass es notwendig sein wird, diese basierend auf Ihrer speziellen Strategie zu erforschen, wenn Sie Interesse an Ihrer Strategie nach außen gewinnen möchten. Technologie - Die Technologiestacks hinter einem Finanzdatenspeicher sind komplex. Dieser Artikel kann nur zerkratzen die Oberfläche über das, was in den Aufbau eines beteiligt ist. Allerdings handelt es sich um ein Datenbankmodul, wie z. B. ein relationales Datenbankmanagementsystem (RDBMS) wie MySQL, SQL Server, Oracle oder eine Document Storage Engine (d. H. NoSQL). Dies erfolgt über einen Business-Logic-Anwendungscode, der die Datenbank abfragt und Zugriff auf externe Tools wie MATLAB, R oder Excel bietet. Oft ist diese Geschäftslogik in C, C, Java oder Python geschrieben. Sie müssen auch diese Daten irgendwo, entweder auf Ihrem eigenen PC oder remote über Internet-Server Host. Produkte wie Amazon Web Services haben diese einfacher und billiger in den letzten Jahren gemacht, aber es erfordert noch erhebliche technische Kompetenz, um in einer robusten Weise zu erreichen. Wie zu sehen ist, wird es notwendig sein, die Verfügbarkeit, Kosten, Komplexität und Implementierungsdetails eines bestimmten Satzes von historischen Daten zu bewerten, sobald eine Strategie über die Pipeline identifiziert wurde. Möglicherweise ist es notwendig, eine Strategie abzulehnen, die ausschließlich auf historischen Daten beruht. Dies ist ein großer Bereich und Teams von PhDs Arbeit an großen Fonds, die sicherstellen, dass die Preisgestaltung ist genau und rechtzeitig. Unterschätzen Sie nicht die Schwierigkeiten, ein robustes Rechenzentrum für Ihre Backtesting-Zwecke zu schaffen. Ich möchte jedoch sagen, dass viele Backtesting-Plattformen diese Daten für Sie automatisch zur Verfügung stellen können - zu einem Preis. So wird es viel von der Umsetzung Schmerzen weg von Ihnen nehmen, und Sie können sich nur auf die Umsetzung und Optimierung der Strategie konzentrieren. Tools wie TradeStation besitzen diese Fähigkeit. Allerdings ist meine persönliche Ansicht, so viel wie möglich intern zu implementieren und zu vermeiden, Outsourcing Teile des Stapels an Software-Anbieter. Ich bevorzuge höhere Frequenz Strategien aufgrund ihrer attraktiveren Sharpe Ratios, aber sie sind oft eng an den Technologie-Stack gekoppelt, wo fortgeschrittene Optimierung kritisch ist. Nun, da wir die Fragen rund um historische Daten diskutiert haben, ist es an der Zeit, unsere Strategien in einem Backtesting-Motor umzusetzen. Dies wird das Thema der anderen Artikel, da es ein ebenso großer Bereich der DiskussionBasics of Algorithmic Trading: Konzepte und Beispiele Laden des Spielers. Ein Algorithmus ist ein spezifischer Satz klar definierter Anweisungen, die darauf abzielen, eine Aufgabe oder einen Prozess durchzuführen. 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 den 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 mehrere Entscheidungen zu setzen Parameter basierend auf vorprogrammierten Anweisungen. Algo-Handel wird in vielen Formen von Handels - und Investitionstätigkeiten eingesetzt, darunter: mittel - bis langfristige Anleger oder Kaufbeteiligungen (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 je nach 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 baut 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 durchzuführen und damit die Marktwirkung zu minimieren. 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 zum Beispiel von einem Sell-Side-Market-Maker verwendet werden, verfügen über 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 Computer-Programm, 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 eine niedrigere Kurswährung an und verkaufen Sie die Order auf dem höheren Kurs 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. Eine vorsichtige Anwendung und gründliche Prüfung von algo-trading kann zu profitable Chancen führen.
No comments:
Post a Comment