Quantitative Trading. Was ist Quantitative Trading. Quantitative Handel besteht aus Trading-Strategien auf der Grundlage der quantitativen Analyse, die auf mathematische Berechnungen und Anzahl knirscht, um Handelsmöglichkeiten zu identifizieren Als quantitative Handel wird in der Regel von Finanzinstituten und Hedgefonds verwendet werden die Transaktionen sind in der Regel groß und Kann den Kauf und Verkauf von Hunderten von Tausenden von Aktien und anderen Wertpapieren beteiligen Allerdings wird quantitativen Handel wird immer häufiger von einzelnen Investoren verwendet. BREAKING DOWN Quantitative Trading. Preice und Volumen sind zwei der häufigsten Dateneingaben in der quantitativen Analyse als die verwendet Haupteingaben zu mathematischen Modellen. Quantitative Handelstechniken umfassen hochfrequenten Handel algorithmischen Handel und statistische Arbitrage Diese Techniken sind schnell-Feuer und haben in der Regel kurzfristige Investitionshorizonte Viele quantitative Händler sind vertrauter mit quantitativen Werkzeugen, wie z. B. gleitende Mittelwerte und Oszillatoren. Verständnis von quantitativen Trading. Quantitative Trader nutzen die Vorteile der modernen Technologie, Mathematik und die Verfügbarkeit von umfassenden Datenbanken für die Herstellung von rationalen Handelsentscheidungen. Quantitative Trader nehmen eine Trading-Technik und erstellen ein Modell davon mit Mathematik, und dann entwickeln sie ein Computer-Programm, das die anwendet Modell zu historischen Marktdaten Das Modell wird dann zurückversetzt und optimiert Wenn positive Ergebnisse erzielt werden, wird das System dann in Echtzeit-Märkten mit echtem Kapital implementiert. Die Art und Weise, wie quantitative Handelsmodelle funktionieren, lässt sich am besten mit einer Analogie beschreiben Die der Meteorologe prognostiziert eine 90 Chance des Regens während die Sonne scheint Der Meteorologe leitet diese kontraintuitive Schlussfolgerung durch das Sammeln und Analysieren von Klimadaten von Sensoren im gesamten Bereich Eine computergesteuerte quantitative Analyse zeigt spezifische Muster in den Daten Wenn diese Muster mit den gleichen Mustern verglichen werden Enthüllte in historischen Klimadaten Backtesting, und 90 von 100 Mal das Ergebnis ist Regen, dann kann der Meteorologe die Schlussfolgerung mit Vertrauen zu ziehen, daher die 90 Prognose Quantitative Händler wenden den gleichen Prozess auf den Finanzmarkt, um Handelsentscheidungen zu treffen. Weitere und Nachteile von Quantitative Trading. Das Ziel des Handels ist es, die optimale Wahrscheinlichkeit der Durchführung eines gewinnbringenden Handels zu berechnen Ein typischer Trader kann effektiv überwachen, analysieren und handeln Entscheidungen über eine begrenzte Anzahl von Wertpapieren vor der Menge der eingehenden Daten überwältigt den Entscheidungsprozess Die Verwendung Der quantitativen Handelstechniken beleuchtet diese Grenze durch die Verwendung von Computern, um die Überwachung, Analyse und Handel Entscheidungen zu automatisieren. Overcoming Emotion ist eines der am meisten durchdringenden Probleme mit dem Handel Sei es Angst oder Gier, wenn Handel, Emotionen dient nur zu vernichten rationales Denken, die In der Regel führt zu Verlusten Computer und Mathematik nicht besitzen Emotionen, so quantitativen Handel beseitigt dieses Problem. Quantitative Handel hat seine Probleme Finanzmärkte sind einige der dynamischsten Einheiten, die existieren Daher müssen quantitative Handelsmodelle so dynamisch sein, um konsequent erfolgreich zu sein Viele Quantitative Händler entwickeln Modelle, die vorübergehend rentabel für die Marktbedingung sind, für die sie entwickelt wurden, aber sie scheitern letztlich, wenn sich die Marktbedingungen ändern. Wichtige Strategien - sind sie für Sie. Quantitative Anlagestrategien haben sich zu sehr komplexen Werkzeugen mit dem Aufkommen moderner Computer entwickelt , Aber die Strategien Wurzeln gehen zurück über 70 Jahre Sie sind in der Regel von hochgebildeten Teams laufen und verwenden Sie proprietäre Modelle, um ihre Fähigkeit, den Markt zu schlagen Es gibt sogar off-the-shelf-Programme, die Plug-and-Play für diejenigen, die Einfachheit suchen Quant Modelle arbeiten immer gut, wenn sie zurück getestet wurden, aber ihre tatsächlichen Anwendungen und Erfolgsquote sind umstritten, während sie scheinen, gut in den Bullenmärkten zu arbeiten, wenn Märkte gehen haywire, Quant Strategien sind den gleichen Risiken wie jede andere Strategie unterworfen. Die Geschichte Eins der Gründungsväter der Studie der quantitativen Theorie, die auf die Finanzierung angewendet wurde, war Robert Merton Sie können sich nur vorstellen, wie schwierig und zeitraubend der Prozess war, bevor der Gebrauch von Computern Andere Theorien in der Finanzierung entwickelten sich auch aus einigen der ersten quantitativen Studien, einschließlich der Basis von Portfolio-Diversifikation basierend auf moderner Portfolio-Theorie Die Verwendung von quantitativen Finanzen und Kalkül führte zu vielen anderen gemeinsamen Tools, darunter eine der bekanntesten, die Black-Scholes Option Preisformel, die nicht nur Investoren Preis Optionen und entwickeln Strategien, sondern hilft zu halten Die Märkte in Scheck mit Liquidität. Wenn direkt auf Portfolio-Management angewendet, ist das Ziel wie jede andere Anlagestrategie, um Wert-, Alpha - oder Überschussrenditen hinzuzufügen Quants, wie die Entwickler genannt werden, komponieren mathematische Modelle, um Investitionsmöglichkeiten zu erkennen Es gibt so viele Modelle Da draußen als quants wer sie entwickeln, und alle behaupten, die besten zu sein Einer einer Quant-Investment-Strategie s Best-Selling-Punkte ist, dass das Modell, und letztlich der Computer, macht die tatsächliche Kauf verkaufen Entscheidung, nicht ein Mensch Dies neigt dazu, zu entfernen Jede emotionale Antwort, die eine Person beim Kauf oder Verkauf von Investitionen erleben kann. Quant Strategien sind jetzt in der Investment-Community akzeptiert und laufen durch Investmentfonds, Hedgefonds und institutionelle Investoren Sie in der Regel gehen durch den Namen Alpha-Generatoren oder Alpha-Gens. Behind der Vorhang Just Wie in der Zauberer von Oz, jemand ist hinter dem Vorhang, der den Prozess treibt Wie bei jedem Modell ist es nur so gut wie der Mensch, der das Programm entwickelt. Während es keine spezifische Anforderung gibt, ein Quant zu werden, kombinieren die meisten Firmen, die Quant-Modelle laufen, die Fähigkeiten von Investment-Analysten, Statistiker und die Programmierer, die den Prozess in den Computern kodieren Aufgrund der komplexen Natur der mathematischen und statistischen Modelle ist es üblich, Anmeldeinformationen wie Graduiertenkollegs und Doktoranden in Finanzen, Wirtschaft, Mathematik und Ingenieurwissenschaften zu sehen. Historisch, Diese Teammitglieder arbeiteten in den Back-Büros, aber als Quant-Modelle wurde alltäglicher, das Back-Office bewegt sich an die Front Office. Benefits von Quant Strategies Während die allgemeine Erfolgsquote ist umstritten, der Grund einige Quant-Strategien Arbeit ist, dass sie auf basieren Disziplin Wenn das Modell richtig ist, hält die Disziplin die Strategie, mit Blitzschnellcomputern zu arbeiten, um Ineffizienzen in den Märkten auf der Grundlage quantitativer Daten auszunutzen. Die Modelle selbst können auf so wenig wie ein paar Verhältnisse wie PE-Schulden an Eigenkapital und Gewinnwachstum basieren, Oder verwenden Tausende von Inputs zusammenarbeiten zur gleichen Zeit. Successful Strategien können abholen Trends in ihren frühen Stadien, wie die Computer ständig laufen Szenarien zu lokalisieren Ineffizienzen vor anderen tun Die Modelle sind in der Lage, eine sehr große Gruppe von Investitionen gleichzeitig zu analysieren, wo Der traditionelle Analytiker kann nur einige auf einmal betrachten Der Screening-Prozess kann das Universum nach Klassenstufen wie 1-5 oder AF bewerten, je nach Modell Dies macht den eigentlichen Handelsprozess sehr einfach durch die Investition in die hoch bewerteten Investitionen und den Verkauf Die Low-rated diejenigen. Quant Modelle eröffnen auch Variationen von Strategien wie lange, kurze und lange kurze Erfolgreiche Quant-Fonds halten einen Blick auf die Risikokontrolle aufgrund der Art ihrer Modelle Die meisten Strategien beginnen mit einem Universum oder Benchmark und Nutzung Sektor und Industrie-Gewichtungen in ihren Modellen Dies ermöglicht es den Fonds, die Diversifikation in gewissem Umfang zu kontrollieren, ohne das Modell selbst zu beeinträchtigen. Quant-Fonds laufen in der Regel auf einer niedrigeren Kostenbasis, weil sie nicht so viele traditionelle Analytiker und Portfoliomanager benötigen, um sie zu führen. Die Vorteile von Quant Strategien Es gibt Gründe, warum so viele Investoren nicht vollständig umarmen das Konzept der Vermietung einer Black Box laufen ihre Investitionen Für alle erfolgreichen quant Fonds da draußen, so viele scheinen erfolglos zu sein Leider für die Quants Reputation, wenn sie scheitern, scheitern sie Große zeit. Long-Term Capital Management war eines der bekanntesten Quoten-Hedge-Fonds, wie es von einigen der angesehensten akademischen Führer und zwei Nobel Memorial Preisträger Ökonomen Myron S Scholes und Robert C Merton geführt wurde In den 1990er Jahren, ihre Team erzielte überdurchschnittliche Renditen und zog Kapital von allen Arten von Investoren an. Sie waren berühmt dafür, dass sie nicht nur Ineffizienzen ausnutzten, sondern mit leichtem Zugang zu Kapital, um enorme gehebelte Wetten auf Marktanweisungen zu schaffen. Die disziplinierte Natur ihrer Strategie schuf tatsächlich die Schwäche, die führte Zu ihrem Zusammenbruch Langfristiges Kapitalmanagement wurde im Frühjahr 2000 liquidiert und aufgelöst. Seine Modelle enthielten nicht die Möglichkeit, dass die russische Regierung auf einige ihrer eigenen Schulden verstoßen konnte. Diese ein Ereignis löste Ereignisse und eine Kettenreaktion aus, die durch Hebel-erzeugte Verwüstung LTCM vergrößert wurde War so stark mit anderen Investitionsvorgängen beschäftigt, dass sein Zusammenbruch die Weltmärkte beeinflusste und dramatische Ereignisse auslöste. Auf lange Sicht trat die Federal Reserve ein, um zu helfen, und andere Banken und Investmentfonds unterstützten LTCM, um weitere Schäden zu verhindern. Dies ist einer der Gründe, die Quant-Fonds scheitern können, da sie auf historischen Ereignissen beruhen, die möglicherweise keine zukünftigen Ereignisse beinhalten. Während ein starkes Quant-Team ständig neue Aspekte der Modelle hinzufügt, um zukünftige Ereignisse vorherzusagen, ist es unmöglich, die Zukunft jedes Mal zu quantifizieren Kann auch überwältigt werden, wenn die Wirtschaft und die Märkte eine überdurchschnittliche Volatilität erfahren. Die Kauf - und Verkaufssignale können so schnell kommen, dass der hohe Umsatz hohe Provisionen und steuerpflichtige Ereignisse schaffen kann. Quant-Fonds können auch eine Gefahr darstellen, wenn sie als Bären vermarktet werden - dicht oder basiert auf kurzen Strategien Vorhersage von Abschwüngen mit Derivaten und Kombination von Hebelwirkung kann gefährlich sein Eine falsche Wendung kann zu Implosionen führen, die oft die News machen. Die Bottom Line Quantitative Anlagestrategien haben sich von Back-Office-Black Boxen zu Mainstream-Investment-Tools entwickelt Sind entworfen, um die besten Köpfe in der Wirtschaft und die schnellsten Computer nutzen, um sowohl Ineffizienzen zu nutzen und nutzen Hebel, um Marktwetten zu machen Sie können sehr erfolgreich sein, wenn die Modelle alle richtigen Eingaben enthalten und sind flink genug, um abnorme Marktereignisse vorherzusagen Flip-Seite, während Quant-Fonds rigoros zurück getestet werden, bis sie arbeiten, ihre Schwäche ist, dass sie auf historische Daten für ihren Erfolg angewiesen sind. Während die Quant-Style-Investition ihren Platz auf dem Markt hat, ist es wichtig, sich ihrer Unzulänglichkeiten und Risiken bewusst zu sein Im Einklang mit den Diversifizierungsstrategien ist es eine gute Idee, Quant-Strategien als Investitionsstil zu behandeln und sie mit traditionellen Strategien zu kombinieren, um eine ordnungsgemäße Diversifizierung zu erreichen. Der Zinssatz, bei dem ein Depotinstitut Geld an der Federal Reserve an eine andere Depotbank leiht.1 A Statistische Maßnahme der Streuung der Rendite für eine gegebene Sicherheit oder Marktindex Volatilität kann entweder gemessen werden. Eine Handlung der US-Kongress verabschiedet im Jahr 1933 als Banking Act, die Geschäftsbanken von der Teilnahme an der Investition verboten. Nonfarm Lohn-und Gehaltsliste bezieht sich auf jeden Job außerhalb Der Landwirte, der privaten Haushalte und des gemeinnützigen Sektors Das US-Büro der Arbeit. Die Währungsabkürzung oder das Währungssymbol für die indische Rupie INR, die Währung von Indien Die Rupie besteht aus 1.Angebot auf einem Bankrott-Vermögensgegenstand von einem Interessierter Käufer, der von der Bankrott-Gesellschaft gewählt wird. Von einem Bieterpool aus. Der Begriff statistische Arbitrage-Stat-Arb umfasst eine Vielzahl von Anlagestrategien, die in der Regel eine statistische Gleichgewichtsbeziehung zwischen zwei oder mehr Wertpapieren ausschöpfen sollen. Der allgemeine Grundsatz ist, dass jede Abweichung von der Das Gleichgewicht ist eine vorübergehende Wirkung, und die Wetten sollten auf den Prozess gesetzt werden, der auf das Gleichgewicht zurückkehrt. Der Haupt-Vorbehalt von stat-arb-Paaren Handelstyp-Strategien ist, dass, da die Divergenz vom Gleichgewicht wächst, der Handel wünschenswerter wird, jedoch irgendwann der Divergenz wird so groß werden, dass man zugeben muss, dass die Gleichgewichtsbeziehung nicht mehr existiert, dass das Modell gebrochen ist. Natürlich ist es wünschenswert, die Macht der statistischen Werkzeuge zu bestimmen, die verwendet werden, um diese Beziehungen zu bestimmen und die Dauer eines beobachteten Gleichgewichts aus der Probe zu untersuchen Diese Post wird die Befugnis der statistischen Tests in Bezug auf den Paarenhandel für die folgenden statistischen Prüfungen ADF, BVR, HURST, PP, PGFF, JO-T und JO-E. untersuchen. Der allgemeine Auftraggeber ist der für zwei Aktien und sie Bilden eine stationäre und definitionsgemäß bedeutende Rückkehrpaar, wenn die folgende Gleichung gilt. Wenn zwischen und dann ist und ko-integriert ist, ist der Koeffizient der mittleren Reversion Ein statistischer Test muss durchgeführt werden, um zu prüfen, ob dies als Einheit bekannt ist Root-Test Wenn die Serie eine Einheitswurzel enthält, eignet sie sich nicht für den Paarhandel Es gibt mehrere Wurzeltests, die jeweils einen anderen Test auf den Restprozess ausführen. Man könnte versucht sein, das AR 1-Restmodell abzuschätzen und auf die Verwendung des herkömmlichen linearen zu prüfen Regressionsmethode zur Berechnung des Standard-T-Verhältnisses Es wurde jedoch von Dicky und Fuller 1979 gezeigt, dass das t-Verhältnis nicht der t-Verteilung folgt, daher sind nicht standardmäßige Signifikanztests erforderlich, die als Einheitswurzeltests bekannt sind. Bei jedem Modell gibt es Handeln bei der Bestimmung der Trainingsfenstergröße, zu lang ein Fenster und das Modell kann irrelevante Daten enthalten und sich langsam an die jüngsten Ereignisse anpassen, zu kurz ein Fenster und das Modell reagiert nur auf die jüngsten Ereignisse und vergisst über vergangene Ereignisse schnell Dieser Trade-off Ist bei der Co-Integrationsprüfung problematisch, es wurde in Clegg, M Januar 2014 demonstriert. Auf der Beharrlichkeit der Kointegration in Paaren handelnd, dass für eine feste Fenstergröße die Leistung der meisten Wurzeltests abnimmt, wie es von unten zu tendiert, für 250 Daten Punkte mit dem Sperrfeuer der Co-Integrationstests nur die Kointegration weniger als 25 der Zeit zu erkennen. Intuitiv ist dies sinnvoll, je langsamer der Prozess ist, um die mehr Daten Punkte werden benötigt, um die Reversion zu sehen Es ist etwas unerwünscht, dass die Die Leistung der Einheits-Wurzeltests variiert je nach den Eigenschaften des zugrunde liegenden Prozesses, ist aber für den erfolgreichen Paarhandel nicht erforderlich, dass alle kointegrierten Paare als solche identifiziert werden, so dass die unterschiedliche Leistungseigenschaft von Einheitswurzeltests weitgehend irrelevant ist Interessant ist die falsch positive Rate, so dass Paare als Mittelrückkehr identifiziert werden, wenn sie nicht sind, und wie beharrlich die Ergebnisse sind. Generate 1000 co-integrierte Zeitreihen mit und gleichmäßig verteilt in der Menge, und in der Menge nach Clegg ist dies ähnlich Zu den Arten von Aktienpaaren, die in der Realität angetroffen werden. Wiederholen Sie dies für verschiedene Längen von Zeitreihen und testen Sie, um zu sehen, wie viele Zeitreihen korrekt klassifiziert werden, als co-integrierte mittlere Wiederherstellung mit verschiedenen Tests für verschiedene pValues. In der Mehrheit der Tests PP und PGFF übertreffen Die anderen Methoden Wenn der Prozess mit weniger als 0 85 stark zurückkehrte, identifizierten die Tests PP, PGFF, JO-E und JO-T den Prozess als kointegrierten Mittel, der mehr als 75 der Zeit bei pValue 0 01 zurückkehrte Die schwächeren revertierenden Paare mit mehr als 0 95 die Leistung der statistischen Tests ist mit nur 250 Datenpunkten kläglich. Es lohnt sich zu bedenken, dass 250 Datenpunkte annähernd die Anzahl der Handelstage in einem Jahr ist und vielleicht gibt einen Hinweis darauf, wie Viel historische Daten werden in einer Paar-Handelsstrategie benötigt. False Positive Tests. Folgen die gleiche Prozedur umrissen für die Genauigkeitstest, sondern wählte in der Menge, um Zeitreihen zu generieren, die nicht ko-integriert sind Sehen Sie, welcher Prozentsatz der Pfade fälschlicherweise als Co gemeldet wird - integrierte mittlere Wiederherstellung. Ich habe noch nie diese Tabelle in einem Textbuch gesehen und war überrascht über die Ergebnisse, sowohl HURST und BVR berichten mehr falsche Positiven als Erhöhungen Je mehr der Prozess explodiert desto wahrscheinlicher der Test war, um eine falsche positiv zu zeigen. Vielen Dank Die anderen Tests verhalten sich in vernünftiger Weise mit wenigen falschen Positiven. Dieser Teil des Tutorials zur Verwendung des NEAT-Algorithmus erklärt, wie die Genome in einer aussagekräftigen Weise unter Beibehaltung ihrer topologischen Informationen überquert werden und wie Speziationsgruppengenome in Spezies verwendet werden können, um schwache Genome zu schützen Mit neuen topologischen Informationen aus vorzeitig aus dem Gen-Pool ausgelöscht werden, bevor ihr Gewicht Platz optimiert werden kann. Der erste Teil dieses Tutorials finden Sie hier. Tracking Gene Geschichte durch Innovation Numbers. Part 1 zeigte zwei Mutationen, Link mutate und Knoten mutate, die Beide haben dem Genom neue Gene hinzugefügt. Jedes Mal, wenn ein neues Gen durch eine topologische Innovation entsteht, wird eine globale Innovationsnummer inkrementiert und diesem Gen zugewiesen. Die globale Innovationsnummer verfolgt den historischen Ursprung jedes Gens, wenn zwei Gene die gleiche Innovationsnummer haben Dann müssen sie die gleiche Topologie darstellen, obwohl die Gewichte unterschiedlich sein können. Dies wird während des Gen Crossover ausgenutzt. Genome Crossover Mating. Genomes Crossover nimmt zwei Eltern Genome nennen sie A und B und schafft ein neues Genom nennt man das Kind, das am stärksten nimmt Gene von A und B, die alle topologischen Strukturen auf dem Weg kopieren. Die Crossover-Gene aus beiden Genomen werden mit ihrer Innovationsnummer aufgestellt. Für jede Innovationsnummer wird das Gen aus dem am meisten passenden Elternteil ausgewählt und in das Kindgenom eingefügt. Wenn beide Elterngenome vorliegen Sind die gleiche Fitness, dann wird das Gen zufällig aus jedem Elternteil mit gleicher Wahrscheinlichkeit ausgewählt Wenn die Innovationsnummer nur in einem Elternteil vorhanden ist, dann ist dies als disjunktes oder überschüssiges Gen bekannt und stellt eine topologische Innovation dar, es wird auch in das Kind eingefügt. Das Bild unten zeigt den Crossover-Prozess für zwei Genome der gleichen Fitness. Speciation nimmt alle Genome in einem bestimmten Genom-Pool und versucht, sie in verschiedene Gruppen als Spezies bekannt Die Genome in jeder Spezies haben ähnliche Merkmale. Eine Art zu messen Die Ähnlichkeit zwischen zwei Genomen ist erforderlich, wenn zwei Genome ähnlich sind, sie sind von der gleichen Spezies Eine natürliche Maßnahme zu verwenden wäre eine gewichtete Summe der Anzahl der disjunkte überschüssige Gene, die topologische Unterschiede darstellen, und der Unterschied in den Gewichten zwischen passenden Genen Wenn die gewichteten Summe ist unterhalb einer Schwelle, dann sind die Genome von der gleichen Spezies. Der Vorteil der Aufspaltung der Genome in Spezies ist, dass während der genetischen Evolution Schritt, wo Genome mit niedrigen Fitness werden vollständig aus dem Genom-Pool entfernt, anstatt mit jedem Genom Kampf für sie S Platz gegen jedes andere Genom in der gesamten Genom-Pool können wir es kämpfen für sie s Platz gegen Genome der gleichen Spezies auf diese Art und Weise Arten, die aus einer neuen topologischen Innovation, die möglicherweise nicht eine hohe Fitness noch aufgrund nicht mit es s Gewichte optimiert wird überleben die culling. Summary der gesamten Prozess. Create ein Genom-Pool mit n zufällige Genome. Take jedes Genom und gelten für Problem Simulation und berechnen die Genom Fitness. Assign jedes Genom zu einer Art. In jeder Spezies cull die Genome entfernen einige Der schwächeren Genome. Breed jede Art zufällig wählen Genome in der Spezies entweder Crossover oder mutate. Repeat alle der oben. Post Navigation.
No comments:
Post a Comment