Ai Trading Strategien

Der Aufstieg des künstlich intelligenten Hedge Fund. Der Aufstieg des künstlich intelligenten Hedge Fund. Last Woche, Ben Goertzel und seine Firma, Aidyia, wandte sich ein Hedge-Fonds, dass alle Aktien Trades mit künstlichen Intelligenz keine menschliche Intervention erforderlich Wenn wir alle sterben , Sagt Goertzel, ein langjähriger AI-Guru und der Chef-Wissenschaftler des Unternehmens, es würde den Handel behalten. Er bedeutet, dass dieses buchstäblich Goertzel und andere Menschen das System natürlich gebaut haben, und sie werden es auch weiterhin ändern, wie nötig. Aber ihre Schöpfung identifiziert und führt Handelt ganz auf sich selbst, zieht sich auf mehrere Formen von AI, darunter eine von der genetischen Evolution inspiriert und eine andere, die auf probabilistischer Logik basiert. Jeden Tag, nach der Analyse alles von Marktpreisen und Volumen zu makroökonomischen Daten und Corporate Accounting Dokumente, machen diese AI-Motoren ihre eigenen Marktvorhersagen und dann über die beste Vorgehensweise abstimmen. Wenn wir alle sterben, würde es weiterhin den Handel Ben Goertzel, Aidyia. Though Aidyia ist in Hong Kong basiert, ist dieses automatisierte System in US-Aktien und am ersten Tag, nach Goertzel, es hat eine 2-Prozent-Rendite auf einem nicht offenbarten Pool von Geld erzeugt Das ist nicht gerade eindrucksvoll oder statistisch relevant Aber es stellt eine bemerkenswerte Verschiebung in der Welt der Finanzierung dar. Unterstützt von 143 Millionen in der Finanzierung, San Francisco Startup Sentient Technologies war leise Handel Mit einem ähnlichen System seit dem letzten Jahr Data-centric Hedge-Fonds wie zwei Sigma und Renaissance Technologies haben gesagt, sie verlassen sich auf AI Und nach Berichten, zwei andere Bridgewater Associates und Point72 Asset Management, von großen Wall Street Namen Ray Dalio und Steven A Cohen laufen Bewegen sich in die gleiche Richtung. Automatische Verbesserung. Hedge-Fonds haben sich schon lange auf Computer zu helfen, Trades zu machen Nach Marktforschungsunternehmen Preqin einige 1.360 Hedge-Fonds machen eine Mehrheit ihrer Trades mit Hilfe von Computer-Modellen etwa 9 Prozent aller Fonds und sie Verwalten etwa 197 Milliarden insgesamt Aber dies in der Regel umfasst Datenwissenschaftler oder Quants, in Wall Street Lingu mit Maschinen, um große statistische Modelle zu bauen Diese Modelle sind komplex, aber sie sind auch etwas statisch Wie der Markt ändert, können sie nicht so gut funktionieren wie sie Arbeitete in der Vergangenheit Und nach Preqins Forschung, der typische systematische Fonds doesn t immer so gut wie die von menschlichen Managern betriebenen Führungskräfte sehen Diagramm unten. In den letzten Jahren jedoch haben sich die Mittel auf echtes maschinelles Lernen bewegt, wo künstlich intelligente Systeme können Analysieren große Mengen an Daten mit der Geschwindigkeit und verbessern sich durch solche Analyse Die New Yorker Firma Rebellion Research, die von dem Enkel der Baseball Hall of Fame Hank Greenberg gegründet wurde, beruht unter anderem auf einer Form von maschinellen Lernen namens Bayesian Netzwerke mit einer Handvoll Maschinen Um Markttrends vorherzusagen und bestimmte Trades zu lokalisieren Inzwischen sind Outfits wie Aidyia und Sentient auf AI gelehnt, die über Hunderte oder sogar Tausende von Maschinen läuft. Dazu gehören Techniken wie evolutionäre Berechnungen, die von Genetik inspiriert sind und tiefes Erlernen einer Technologie, die jetzt verwendet wird Um Bilder zu erkennen, gesprochene Worte zu identifizieren und andere Aufgaben in Internet-Firmen wie Google und Microsoft durchzuführen. Die Hoffnung ist, dass solche Systeme automatisch Veränderungen im Markt erkennen und sich anpassen können, wie es sich bei den Quant-Modellen darum handelt. Sie versuchen, die Dinge vorher zu sehen Entwickeln, sagt Ben Carlson, der Autor eines Reichtums des gesunden Menschenverstandes Warum Simplicity Trumpf Komplexität in jedem Investitionsplan, der ein Jahrzehnt mit einem Stiftungsfonds verbrachte, der in eine breite Palette von Geldmanagern investierte. Diese Art von AI-getriebenes Fondsmanagement sollte nicht Verwechselt werden mit Hochfrequenz-Handel Es ist nicht auf der Suche nach Front-Trades oder sonst Geld von der Geschwindigkeit der Aktion Es ist auf der Suche nach den besten Trades in den längerfristigen Stunden, Tage, Wochen, sogar Monate in die Zukunft Und mehr zu den Punkt, Maschinen nicht Menschen sind die Wahl der Strategie. Effving Intelligence. Though das Unternehmen hat nicht offen vermarktet seinen Fonds, Sentient CEO Antoine Blondeau sagt, dass es offizielle Trades seit letztem Jahr mit Geld von privaten Investoren nach einer längeren Zeit der Test-Trades gemacht hat Zu einem Bericht von Bloomberg hat das Unternehmen mit dem Hedge-Fonds-Geschäft in JP Morgan Chase bei der Entwicklung von AI-Handelstechnologie gearbeitet, aber Blondeau lehnt es ab, seine Partnerschaften zu diskutieren. Er sagt jedoch, dass sein Fonds vollständig durch künstliche Intelligenz operiert. Die ganze Idee ist Um etwas zu tun, das kein anderer Mensch und keine andere Maschine tut. Das System ermöglicht es dem Unternehmen, bestimmte Risikoeinstellungen anzupassen, sagt Chief Science Officer Babak Hodjat, der Teil des Teams war, das Siri gebaut hat, bevor der digitale Assistent von Apple erworben wurde , Es funktioniert ohne menschliche Hilfe Es automatisch Autoren eine Strategie, und es gibt uns Befehle, Hodjat sagt, es sagt Jetzt kaufen, mit diesem Instrument, mit dieser bestimmten Auftragsart Es sagt uns auch, wenn zu beenden, zu reduzieren Exposition, und diese Art Von Sachen. Nach Hodjat, packt das System unbenutzte Computer-Power von Millionen von Computer-Prozessoren in Rechenzentren, Internet-Cafés und Computer-Gaming-Zentren von verschiedenen Unternehmen in Asien und anderswo betrieben seine Software-Engine, mittlerweile basiert auf evolutionäre Berechnung das gleiche Genetik-inspirierte Technik, die in Aidyia s System spielt. In der einfachsten Begriffe bedeutet dies, dass es eine große und zufällige Sammlung von digitalen Aktienhändler und testet ihre Leistung auf historische Bestandsdaten Nach der Auswahl der besten Performer, dann verwendet ihre Gene zu erstellen Ein neuer Satz von überlegenen Händlern Und der Prozess wiederholt sich schließlich, das System beherbergt auf einem digitalen Händler, der erfolgreich auf eigene Faust arbeiten kann Tausende von Generationen, Billionen und Billionen von Wesen konkurrieren und gedeihen oder sterben, sagt Blondeau, und schließlich, Sie Bekommen eine Bevölkerung von intelligenten Händlern, die Sie tatsächlich deploy. Deep Investing. Though evolutionäre Berechnung treibt das System heute, Hodjat sieht auch Versprechen in tiefen Lernalgorithmen Algorithmen, die bereits bewiesen haben, enorm geschickt zu identifizieren Bilder, erkennen gesprochene Worte und sogar das Verständnis der natürlichen Wie wir Menschen sprechen Gerade so tiefes Lernen kann bestimmte Merkmale, die sich in einem Foto von einer Katze, er erklärt, könnte es bestimmte Merkmale eines Bestandes, die Sie etwas Geld. Google Just Open Sourced TensorFlow, seine künstliche Intelligenz-Engine identifizieren können. Facebook Open Sources seine AI-Hardware, wie es läuft Google. Google machte einen Chatbot, der die Bedeutung des Lebens debattiert. Goertzel, der auch die OpenCog-Stiftung beaufsichtigt, einen Aufwand zu schaffen, um ein Open-Source-Framework für allgemeine künstliche Intelligenz zu schaffen, ist nicht der Grund, weil tiefe Lernalgorithmen Sind eine Ware geworden Wenn alle etwas gebrauchen, werden die Vorhersagen in den Markt gezahlt, er sagt, du musst etwas seltsames tun. Er weist auch darauf hin, dass das tiefe Lernen für die Analyse von Daten, die durch einen ganz bestimmten Satz definiert sind, geeignet ist Muster, wie Fotos und Worte, diese Art von Mustern don t unbedingt auftauchen in den Finanzmärkten Und wenn sie tun, sie aren t das nützlich wieder, weil jeder kann sie finden. Für Hodjat, aber die Aufgabe ist es, zu verbessern Das ist heute das tiefe Lernen und das kann die Kombination der Technologie mit der evolutionären Berechnung beinhalten. Wie er es erklärt, könntest du evolutionäre Berechnungen nutzen, um bessere tiefe Lernalgorithmen zu bauen. Dies heißt Neuroevolution Du kannst die Gewichte entwickeln, die auf dem tiefen Lernenden arbeiten, Hodjat sagt Aber du Kann auch die Architektur des tiefen Lernenden selbst entwickeln Microsoft und andere Outfits bauen bereits tiefe Lernsysteme durch eine Art natürliche Selektion, obwohl sie nicht mit evolutionären Berechnungen per se. Pricing in AI. Whatever Methoden verwendet werden, einige Frage, ob AI Kann auf der Wall Street wirklich gelingen Auch wenn ein Fonds mit AI Erfolg hat, ist das Risiko, dass andere das System duplizieren und damit seinen Erfolg untergraben werden. Wenn sich ein großer Teil des Marktes in gleicher Weise verhält, ändert sich der Markt, den ich skeptisch mache Dass AI das wirklich herausfinden kann, sagt Carlson, wenn jemand einen Trick findet, der funktioniert, werden nicht nur andere Fonds auf sie hineinschieben, sondern auch andere Investoren werden Geld in das Geld investieren. Es ist wirklich schwer, sich einer Situation vorzustellen, in der es nicht einfach weggezogen wird. Goertzel sieht dieses Risiko Das ist der Grund, warum Aidyia nicht nur evolutionäre Berechnungen einsetzt, sondern eine breite Palette von Technologien und wenn andere die Methoden des Unternehmens nachahmen, wird es auch andere Arten von Maschinenlernen umarmen. Die ganze Idee ist, etwas anderes menschliches und nein zu tun Andere Maschine macht Finanzen ist eine Domain, wo man nicht nur von intelligente profitieren, sagt Goertzel, aber von smart in einer anderen Weise von anderen. Mehr Business. Experience ein neues Trading Framework. Die intelligente Framework für dynamische Investing. As Featured in FM Einzelhandel FX. Zu den neuen Marktteilnehmern gehört die Algo Ai-Strategie und ihr Daisy-Künstliches Intelligenz-Computersystem Nachdem Algo Ai Strategies vor kurzem damit begonnen hat, ihre Dienstleistungen direkt an Privatkunden zu vermarkten, hat Algo Ai Strategies vor kurzem damit begonnen, ihre Geldmanagement-Dienstleistungen an Broker als White Label-Produkt anzubieten Die Gruppe hinter Algo Ai Strategies war einer der aktivsten Aussteller im letzten November s Forex Magnates London Summit. Algo AI Strategies LTD ist ein 100 automatisiertes Trading System Integration Unternehmen entwickelt, um Kunden eine Vielzahl von Trading-Optionen bieten Um eine optimale Rendite für ihre Investition in das maßgeschneiderte System zu schaffen, das nur für ihre spezifischen Bedürfnisse und die Risikoneigung durch den Broker ihrer Wahl oder einen unserer bevorzugten Broker unter Verwendung einer MAM-Account-Struktur eingerichtet ist. Die neueste Technologie und die AI, die Algo-AI-Strategien LTD-System arbeitet über 1500 Quant-Algorithmen Alle Algorithmen laufen gleichzeitig in den Live-Märkten und werden ständig mit Live-Trades bewertet, die von den Electronic Managers und Electronic Supervisors für optimale Entscheidungen über die Eröffnung, Größe und Schließung jedes Handels eingesetzt werden Sequenz, da sich die Marktbedingungen ändern Unser System handelt in einem mittleren bis hohen Frequenzmodus mit einem festgelegten Risikofaktor, den das System zu einem bestimmten Zeitpunkt nicht überschreiten kann. Die künstliche Intelligenz wird die Kunden über alle Buchungsdaten informieren, die sie über text. Algo haben möchten AI-Strategien LTD nicht ausgenommen Kunden-Fonds Wir glauben, dass ein Kunde niemals die Identität mit ihren Fonds verlieren sollte, so dass wir eine monatlich hohe Wasserzeichen Gewinnspaltung Vereinbarung auf der Grundlage der Kunden individuelle Brokerage Kontoauszug Wenn der Client nicht Geld verdient noch Algo AI Strategies LTD Da die Konten sind in den Clients Namen Algo AI Strategien hat keine Sperrfrist auf Fonds, Kunden kontrollieren ihre individuellen Konten. Charting für unsere PAMM während der Flash-Crash. Look bei der Charting unten Hinweis lesen, wie viele Händler und Broker einschließlich ALPARI UK haben ihre Türen auf der Grundlage dieses Black Swan geschlossen und wir haben Alpha während des Flash-Crashs gemacht, unser automatisiertes Trading-System hat genau das gemacht, was es zu tun und zu verwalten durch eine Katastrophe mit der Hilfe von Daisy Ihre persönliche Assistent und kommen aus Schutz Ihrer Hauptstadt Und machen einen Gewinn. Wie identifizieren algorithmische Trading-Strategien. In diesem Artikel möchte ich Ihnen die Methoden, mit denen ich selbst identifizieren profitable algorithmische Trading-Strategien Unser Ziel heute ist es, im Detail zu verstehen, zu bewerten, zu bewerten und wählen Sie solche Systeme I Ll erklären, wie die Identifizierung von Strategien so viel über die persönliche Präferenz ist, wie es um die Strategie-Performance geht, wie man die Art und Menge der historischen Daten für die Prüfung festlegt, wie man eine Handelsstrategie leidenschaftsmäßig auswertet und schließlich wie man in die Backtesting-Phase und die Strategieimplementierung übergeht. Identifizieren Sie Ihre eigenen persönlichen Vorlieben für Trading. Um ein erfolgreicher Trader zu sein - entweder diskretional oder algorithmisch - ist es notwendig, sich fragen, einige ehrliche Fragen Trading bietet Ihnen die Möglichkeit, Geld zu verlieren mit einer alarmierenden Rate, so ist es notwendig, um Kenne dich selbst so viel wie es notwendig ist, deine gewählte Strategie zu verstehen. Ich würde sagen, dass die wichtigste Überlegung im Handel auf Ihre eigene Persönlichkeit aufmerksam ist. Der Handel und insbesondere der algorithmische Handel erfordert ein gewisses Maß an Disziplin, Geduld und emotionaler Loslösung Sie lassen einen Algorithmus führen Sie Ihren Handel für Sie, ist es notwendig, gelöst werden, um nicht mit der Strategie zu stören, wenn es ausgeführt wird Dies kann sehr schwierig sein, vor allem in Zeiten der erweiterten Drawdown Allerdings sind viele Strategien, die sich gezeigt haben Hoch rentabel in einem Backtest kann durch einfache Interferenz ruiniert werden Verstehen Sie, dass, wenn Sie die Welt des algorithmischen Handels eingeben wollen, werden Sie emotional getestet und dass, um erfolgreich zu sein, ist es notwendig, durch diese Schwierigkeiten zu arbeiten. Die nächste Betrachtung ist eine Der Zeit Haben Sie einen Vollzeit-Job Haben Sie Teilzeit arbeiten Arbeiten Sie von zu Hause aus oder haben eine lange pendeln jeden Tag Diese Fragen werden dazu beitragen, die Häufigkeit der Strategie, die Sie suchen sollten Für diejenigen von Ihnen in Vollzeitbeschäftigung, ein Intraday-Futures-Strategie kann nicht mindestens angemessen sein, bis es voll automatisiert ist. Ihre Zeitbeschränkungen werden auch die Methodik der Strategie diktieren Wenn Ihre Strategie häufig gehandelt wird und auf teure News-Feeds wie ein Bloomberg-Terminal angewiesen ist, müssen Sie eindeutig realistisch sein Ihre Fähigkeit, diese erfolgreich im Büro zu führen Für diejenigen von Ihnen mit viel Zeit oder die Fähigkeiten, um Ihre Strategie zu automatisieren, können Sie in eine technische Hochfrequenz-HFT-Strategie zu suchen. Mein Glaube ist, dass es ist Notwendig, um fortwährende Forschung in Ihre Handelsstrategien durchzuführen, um ein konsequent profitables Portfolio aufrechtzuerhalten Wenige Strategien bleiben unter dem Radar für immer So ein erheblicher Teil der Zeit, die dem Handel zugeteilt wird, wird in der Durchführung der laufenden Forschung Fragen Sie sich, ob Sie bereit sind, dies zu tun, Wie es der Unterschied zwischen einer starken Profitabilität oder einem langsamen Rückgang zu Verlusten sein kann. Sie müssen auch Ihr Handelskapital berücksichtigen Der allgemein akzeptierte ideale Mindestbetrag für eine quantitative Strategie beträgt 50.000 USD ca. 35.000 für uns in Großbritannien Wenn ich wieder anfange, Ich würde mit einer größeren Menge beginnen, vermutlich näher 100.000 USD ca. 70.000 Dies liegt daran, dass die Transaktionskosten für Mid - und High-Frequenz-Strategien extrem teuer sein können und es notwendig ist, genügend Kapital zu haben, um sie in Zeiten des Drawdowns zu absorbieren. Wenn Sie erwägen Beginnend mit weniger als 10.000 USD dann müssen Sie sich auf niederfrequente Strategien beschränken, den Handel mit einem oder zwei Vermögenswerten, da die Transaktionskosten schnell in Ihre Renditen eindringen werden Interactive Brokers, die einer der freundlichsten Broker für diejenigen mit Programmierkenntnissen ist , Aufgrund seiner API, hat ein Retail-Konto mindestens 10.000 USD. Programming Skill ist ein wichtiger Faktor bei der Schaffung einer automatisierten algorithmischen Trading-Strategie Als kenntnisreich in einer Programmiersprache wie C, Java, C, Python oder R ermöglicht es Ihnen, zu erstellen Die End-to-End-Datenspeicherung, Backtest-Engine und Execution-System selbst Dies hat eine Reihe von Vorteilen, deren Chef die Fähigkeit ist, sich ganz auf alle Aspekte der Handelsinfrastruktur zu verlassen. Außerdem können Sie die höheren Frequenzstrategien erforschen Sie werden in voller Kontrolle über Ihre Technologie-Stack Während dies bedeutet, dass Sie Ihre eigene Software testen und Bugs zu beseitigen, bedeutet es auch mehr Zeit verbrachte Codierung Infrastruktur und weniger auf die Umsetzung von 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 würde ich würde dies nicht empfehlen, vor allem für diejenigen, die mit hoher Frequenz. Sie müssen sich fragen, was Sie hoffen, durch algorithmischen Handel zu erreichen Sind Sie Interessiert an einem regelmäßigen Einkommen, wobei Sie hoffen, Einnahmen aus Ihrem Handelskonto zu ziehen, oder sind Sie an einem langfristigen Kapitalgewinn interessiert und können sich leisten, ohne die Notwendigkeit, Drawdown-Mittel zu handeln. Einkommensabhängigkeit wird die Häufigkeit Ihrer Strategie bestimmen Einkommensabhebungen erfordern eine höhere Frequenz Handelsstrategie mit weniger Volatilität iea höhere Sharpe-Verhältnis Langfristige Händler können sich eine mehr sedierte Trading-Frequenz. Finally, nicht von der Vorstellung von immer sehr wohlhabend in einer kurzen Zeit Zeit Algo Handel ist getäuscht werden NICHT ein get-rich-schnelles Schema - wenn überhaupt, kann es ein schlechtes Schema sein. Es braucht erhebliche Disziplin, Forschung, Sorgfalt und Geduld, um bei algorithmischem Handel erfolgreich zu sein. Es kann Monate dauern, wenn nicht Jahre, um eine gleichbleibende Rentabilität zu generieren. Sourcing Algorithmic Trading Ideas. Despite gemeinsame Wahrnehmungen im Gegenteil, ist es eigentlich ganz einfach, um rentable Trading-Strategien in der Öffentlichkeit zu finden Niemals haben Handelsideen mehr verfügbar, als sie heute sind Akademische Finanzen Zeitschriften, Pre-Print-Server, Handel Blogs , Trading-Foren, wöchentliche Trading-Magazine und Fachtexte bieten Tausende von Trading-Strategien, mit denen Sie Ihre Ideen auf. Our Ziel als quantitative Trading-Forscher ist es, eine Strategie-Pipeline, die uns mit einem Strom von laufenden Handel Ideen schaffen wird Idealerweise wollen wir Einen methodischen Ansatz für die Beschaffung, Bewertung und Umsetzung von Strategien zu schaffen, auf die wir stoßen Die Ziele der Pipeline sind es, eine konsequente Menge an neuen Ideen zu generieren und uns einen Rahmen für die Ablehnung der Mehrheit dieser Ideen mit dem Minimum an emotionaler Betrachtung zu geben. Wir müssen sehr vorsichtig sein, um nicht kognitiven Bias Einfluss auf unsere Entscheidungsfindung Methodik Dies könnte so einfach wie eine Vorliebe für eine Asset-Klasse über ein anderes Gold und andere Edelmetalle in den Sinn kommen, weil sie als exotisch wahrgenommen werden Unser Ziel sollte immer sein Um konsequent profitable Strategien zu finden, mit positiver Erwartung Die Wahl der Assetklasse sollte auf anderen Überlegungen basieren, wie z. B. Handelskapitalbeschränkungen, Maklergebühren und Leverage-Fähigkeiten. Wenn Sie mit dem Konzept einer Handelsstrategie völlig vertraut sind, dann ist der erste Platz Blick 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 neu sind, um quantitativen Handel, die allmählich anspruchsvoller werden, wie Sie arbeiten Durch die Liste. Für eine längere Liste der quantitativen Trading-Bücher, besuchen Sie bitte die QuantStart Leseliste. Der nächste Ort, um mehr anspruchsvolle Strategien zu finden ist mit Handels-Foren und Trading-Blogs Allerdings ist ein Hinweis der Vorsicht Viele Trading-Blogs verlassen sich auf das Konzept der technischen Analyse Die technische Analyse beinhaltet die Verwendung von grundlegenden Indikatoren und Verhaltenspsychologie, um Trends oder Umkehrmuster in Assetpreisen zu bestimmen. Obwohl es im gesamten Handelsraum sehr beliebt ist, wird die technische Analyse als etwas ineffektiv in der quantitativen Finanzgemeinschaft betrachtet. Einige haben vorgeschlagen, dass es nicht besser ist als Ein Horoskop zu lesen oder Teeblätter in Bezug auf seine prädiktive Kraft zu studieren In Wirklichkeit gibt es erfolgreiche Einzelpersonen, die technische Analyse verwenden. Als Quants mit einer anspruchsvolleren mathematischen und statistischen Toolbox zur Verfügung stehen, können wir die Wirksamkeit solcher TA - Basierte Strategien und machen datenbasierte Entscheidungen anstatt uns auf emotionale Überlegungen oder Vorurteile. Hier ist eine Liste von gut respektierten algorithmischen Handel Blogs und Foren. Wenn Sie haben einige Erfahrung bei der Bewertung einfacher Strategien, ist es Zeit, um die Anspruchsvollere akademische Angebote Einige akademische Zeitschriften werden schwer zugänglich sein, ohne hohe Abonnements oder einmalige Kosten Wenn Sie Mitglied oder Absolvent einer Universität sind, sollten Sie in der Lage sein, Zugang zu einigen dieser Finanzzeitschriften zu erhalten. Ansonsten können Sie schauen Bei Pre-Print-Servern, die Internet-Repositories von späten Entwürfen von akademischen Papieren sind, die sich einer Peer-Review unterziehen. Da wir uns nur für Strategien interessieren, die wir erfolgreich replizieren, backtest und Profitabilität erhalten kann, ist eine Peer-Review für uns weniger wichtig Der größte Nachteil der akademischen Strategien ist, dass sie oft entweder veraltet sein können, erfordern unklar und teure historische Daten, Handel mit illiquiden Vermögensklassen oder nicht in Gebühren, Schlupf oder Spread Faktor Es kann auch unklar sein, ob die Handelsstrategie sein soll Durchgeführt mit Marktaufträgen, Limit Orders oder ob es Stop-Verluste etc. So ist es absolut notwendig, um die Strategie selbst so gut wie möglich zu replizieren, backtest es und fügen Sie in realistische Transaktionskosten, die so viele Aspekte der Asset-Klassen, die Sie wünschen Um zu handeln. Hier ist eine Liste der populäreren Pre-Print-Server und Finanz-Zeitschriften, die Sie können Ideen Ideen aus. Was über die Bildung Ihrer eigenen quantitativen Strategien Dies erfordert in der Regel erfordert, ist aber nicht beschränkt auf Know-how in einer oder mehreren der folgenden Kategorien. Market-Mikrostruktur - Insbesondere für höhere Frequenzstrategien kann man die Marktmikrostruktur nutzen, dh das Verständnis der Auftragsbuchdynamik, um die Rentabilität zu generieren. Verschiedene Märkte haben verschiedene technologische Einschränkungen, Regulierungen, Marktteilnehmer und Zwänge, die alle zur Ausbeutung offen sind Über spezifische Strategien Dies ist ein sehr anspruchsvoller Bereich, und Einzelhandels-Praktiker werden es schwer finden, in diesem Raum wettbewerbsfähig zu sein, zumal der Wettbewerb große, gut kapitalisierte quantitative Hedgefonds mit starken technologischen Fähigkeiten umfasst. Fundstruktur - Pooled Investmentfonds, wie zB Pensionsfonds, private Investmentpartnerschaften Hedgefonds, Rohstoffhandelsberater und Investmentfonds sind sowohl durch eine schwere Regulierung als auch durch ihre großen Kapitalreserven eingeschränkt. So können gewisse konsequente Verhaltensweisen mit denen, die noch flinker sind, ausgenutzt werden. Zum Beispiel sind große Fonds Kapazitätsengpässe unterworfen Zu ihrer Größe So, wenn sie schnell zu verladen verkaufen müssen eine Menge von Wertpapieren, müssen sie es zu verschlingen, um zu vermeiden, den Markt zu bewegen Sophisticated Algorithmen können diese und andere Idiosyncrasies in einem allgemeinen Prozess als Fondsstruktur Arbitrage bekannt zu nutzen. Machine Lernen künstliche Intelligenz - Maschinelle Lernalgorithmen haben sich in den letzten Jahren in den Finanzmärkten häufiger Klassifikatoren wie Naive-Bayes et al nichtlineare Funktion Anpassungen neuronale Netze und Optimierungsroutinen genetische Algorithmen wurden alle verwendet, um Asset-Pfade vorherzusagen oder zu optimieren Trading-Strategien Wenn Sie einen Hintergrund in diesem Bereich haben, können Sie einige Einblick in, wie bestimmte Algorithmen auf bestimmte Märkte angewendet werden könnte. Es gibt natürlich viele andere Bereiche für Quants zu untersuchen Wir werden diskutieren, wie man mit kundenspezifischen Strategien in kommen Detail in einem späteren Artikel. By weiterhin diese Quellen auf einer wöchentlichen oder sogar täglichen Basis zu überwachen, setzen Sie sich auf eine konsistente Liste von Strategien aus einer Vielzahl von Quellen zu erhalten Der nächste Schritt ist zu bestimmen, wie man ein großes ablehnen Teilmenge dieser Strategien, um zu minimieren Verschwendung Ihrer Zeit und Backtesting Ressourcen auf Strategien, die wahrscheinlich unrentabel sind. Evaluating Trading Strategies. The erste und wohl am deutlichsten berücksichtigen ist, ob Sie tatsächlich verstehen, die Strategie Möchten Sie die Strategie zu erklären Prägnant oder erfordert es eine Reihe von Vorbehalten und endlosen Parameterlisten Darüber hinaus hat die Strategie eine gute, solide Basis in Wirklichkeit Zum Beispiel könnten Sie auf einige Verhaltensgrundlagen oder Fondsstruktur Einschränkung, die das Muster verursachen könnte Sie sind Versuchen, auszunutzen Wäre diese Einschränkung bis zu einem Regimewechsel, wie eine dramatische regulatorische Umwälzung Störung Ist die Strategie auf komplexe statistische oder mathematische Regeln angewendet Ist es für jede finanzielle Zeitreihe oder ist es spezifisch für die Asset-Klasse, die es behauptet wird, Um profitabel zu sein Sie sollten ständig über diese Faktoren bei der Bewertung neuer Trading-Methoden denken, sonst können Sie verschwenden eine beträchtliche Menge an Zeit versuchen, Backtest und optimieren unrentable Strategien. Once Sie haben festgestellt, dass Sie verstehen, die grundlegenden Prinzipien der Strategie, die Sie benötigen Zu entscheiden, ob es mit Ihrem vorgenannten Persönlichkeitsprofil passt Das ist nicht so vage eine Betrachtung wie es klingt Strategien unterscheiden sich erheblich in ihren Leistungsmerkmalen Es gibt bestimmte Persönlichkeitstypen, die mehr signifikante Perioden des Drawdowns behandeln können oder bereit sind, ein größeres Risiko zu akzeptieren Größere Rückkehr Trotz der Tatsache, dass wir als Quants versuchen und so viel kognitive Bias wie möglich zu beseitigen und in der Lage sein werden, eine Strategie leidenschaftslos zu beurteilen, werden die Bias immer kriechen. So brauchen wir ein konsequentes, emotionales Mittel, um die Leistung zu beurteilen Strategien Hier ist die Liste der Kriterien, die ich beurteilen, eine potenzielle neue Strategie von. Methodologie - Ist die Strategie Momentum basiert, mittler-reverting, marktneutral, direktional Ist die Strategie auf anspruchsvolle oder komplexe statistische oder maschinelle Lerntechniken, die schwer zu sein Verstehen und fordern ein PhD in der Statistik zu erfassen Haben diese Techniken eine signifikante Menge von Parametern, die zu Optimierung Bias führen könnte, ist die Strategie wahrscheinlich, um einen Regimewechsel zu widerstehen, dh potenzielle neue Regulierung der Finanzmärkte. Sharpe Ratio - Die Sharpe-Verhältnis heuristisch charakterisiert Das Lohnrisiko-Verhältnis der Strategie Es quantifiziert, wie viel Rendite Sie für die Volatilität erreichen können, die durch die Eigenkapitalkurve ausgehalten wird. Natürlich müssen wir die Periode und die Frequenz bestimmen, die diese Renditen und die Volatilität, dh die Standardabweichung, über eine höhere Frequenzstrategie gemessen werden Wird eine größere Stichprobenrate der Standardabweichung erfordern, aber eine kürzere Gesamtzeit der Messung, zum Beispiel. Leverage - Braucht die Strategie erhebliche Hebelwirkung, um rentabel zu sein Ist die Strategie notwendig, die Verwendung von Leveraged Derivat-Kontrakte Futures, Optionen, Swaps in Um eine Rückkehr zu machen Diese gehebelten Verträge können schwere Volatilität aufweisen und können so leicht zu Margin-Anrufen führen. Haben Sie das Handelskapital und das Temperament für diese Volatilität. Frequenz - Die Häufigkeit der Strategie ist eng mit Ihrem Technologie-Stack verbunden und damit Technologisches Know-how, die Sharpe-Ratio und das Gesamtniveau der Transaktionskosten Alle anderen Fragen, die höhere Frequenzstrategien erfordern mehr Kapital, sind anspruchsvoller und schwieriger zu implementieren. Allerdings ist die Annahme, dass Ihr Backtesting-Engine anspruchsvoll und fehlerfrei ist Sharpe Ratios. Volatility - Volatilität ist stark auf das Risiko der Strategie bezogen Das Sharpe-Verhältnis charakterisiert diese Höhere Volatilität der zugrunde liegenden Assetklassen, wenn sie nicht gespannt sind, führt oft zu einer höheren Volatilität in der Aktienkurve und damit zu kleineren Sharpe-Ratios, die ich natürlich annehme Dass die positive Volatilität annähernd gleich der negativen Volatilität ist Einige Strategien können eine größere Abwärtsvolatilität haben Sie müssen sich dieser Attribute bewusst sein. Win Loss, Average Profit Loss - Strategien unterscheiden sich in ihrem Gewinnverlust und durchschnittlichen Gewinnverlust Eigenschaften Man kann ein Sehr rentable Strategie, auch wenn die Anzahl der verlorenen Trades die Anzahl der Siegesserie übersteigt Momentum Strategien neigen dazu, dieses Muster zu haben, da sie auf eine kleine Anzahl von großen Hits angewiesen sind, um rentabel zu sein. Mittelwert-Reversionsstrategien neigen dazu, sich gegensätzliche Profile zu haben, wo mehr Der Trades sind Gewinner, aber die verlorenen Trades können sehr schwer sein. Maximum Drawdown - Der maximale Drawdown ist der größte Gesamt-Peak-to-Trog-Prozentsatz Drop auf der Aktienkurve der Strategie Momentum Strategien sind bekannt, dass sie von Perioden verlängert werden Drawdowns aufgrund einer Reihe von vielen inkrementellen verlieren Trades Viele Händler geben in Zeiten der erweiterten Drawdown, auch wenn historische Tests hat vorgeschlagen, dass dies geschäftlich wie üblich für die Strategie Sie müssen bestimmen, welcher Prozentsatz der Drawdown und über welchen Zeitraum Sie Kann akzeptieren, bevor Sie aufhören, Ihre Strategie zu handeln Dies ist eine sehr persönliche Entscheidung und muss daher sorgfältig betrachtet werden. Kapazität Liquidität - Auf der Einzelhandelsstufe, es sei denn, Sie handeln in einem sehr illiquiden Instrument wie ein Small-Cap-Lager, müssen Sie nicht Beschäftigen sich stark mit der Strategiekapazität Kapazitäten bestimmen die Skalierbarkeit der Strategie auf weiteres Kapital Viele der größeren Hedge-Fonds leiden unter erheblichen Kapazitätsproblemen, da ihre Strategien die Kapitalallokation erhöhen. Parameter - Bestimmte Strategien, die vor allem in der maschinellen Lerngemeinschaft zu finden sind, erfordern eine große Menge an Parametern Jeder zusätzliche Parameter, den eine Strategie erfordert, lässt es anfälliger für Optimierungsvorgabe, auch bekannt als Kurvenanpassung Sie sollten versuchen, Strategien mit möglichst wenigen Parametern zu zielen oder sicherzustellen, dass Sie genügend Datenmengen haben, mit denen Sie Ihre Strategien testen können On. Benchmark - Fast alle Strategien, sofern nicht als absolute Rendite charakterisiert, werden mit einer Performance-Benchmark bewertet. Der Benchmark ist in der Regel ein Index, der eine große Stichprobe der zugrunde liegenden Anlageklasse kennzeichnet, die die Strategie abwickelt. Wenn die Strategie die Large-Cap US-Aktien handelt, dann Die S P500 wäre ein natürlicher Maßstab, um Ihre Strategie zu messen. Sie werden die Begriffe alpha und beta hören, die auf Strategien dieses Typs angewendet werden. Wir werden diese Koeffizienten in späteren Artikeln ausführlich besprechen. Nichts, dass wir die tatsächlichen Erträge der Strategie Warum ist dies in Isolation, die Renditen liefern uns tatsächlich nur begrenzte Informationen über die Wirksamkeit der Strategie Sie geben Ihnen keinen Einblick in Hebelwirkung, Volatilität, Benchmarks oder Kapitalanforderungen So werden Strategien nur selten über ihre Rückkehr allein beurteilt Risiko-Attribute einer Strategie vor dem Betrachten der Renditen. In diesem Stadium werden viele der Strategien aus Ihrer Pipeline abgelehnt werden aus der Hand abgelehnt werden, da sie getroffen haben, um Ihre Kapitalanforderungen zu erfüllen, nutzen Einschränkungen, maximale Drawdown-Toleranz oder Volatilität Präferenzen Die Strategien, die 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 won t 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. Let s 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, ie 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 programming technical 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 S P500 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 ie 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 ie NoSQL This is accessed via business logic application code that queries the database and provides access to external tools, such as MATLAB, R or Excel Often this business logic is written in C , C , Java or Python You will also need to host this data somewhere, either on your own personal computer, or remotely via internet servers Products such as Amazon Web Services have made this simpler and cheaper in recent years, but it will still require significant technical expertise to achieve in a robust manner. As can be seen, once a strategy has been identified via the pipeline it will be necessary to evaluate the availability, costs, complexity and implementation details of a particular set of historical data You may find it is necessary to reject a strategy based solely on historical data considerations This is a big area and teams of PhDs work at large funds making sure pricing is accurate and timely Do not underestimate the difficulties of creating a robust data centre for your backtesting purposes. I do want to say, however, that many backtesting platforms can provide this data for you automatically - at a cost Thus it will take much of the implementation pain away from you, and you can concentrate purely on strategy implementation and optimisation Tools like TradeStation possess this capability However, my personal view is to implement as much as possible internally and avoid outsourcing parts of the stack to software vendors I prefer higher frequency strategies due to their more attractive Sharpe ratios, but they are often tightly coupled to the technology stack, where advanced optimisation is critical. Now that we have discussed the issues surrounding historical data it is time to begin implementing our strategies in a backtesting engine This will be the subject of other articles, as it is an equally large area of discussion. Just Getting Started with Quantitative Trading.