Quant Trading Strategies Blog

Estratégias Quant - são para você As estratégias de investimento quantitativo evoluíram em ferramentas muito complexas com o advento de computadores modernos, mas as estratégias raízes remontam mais de 70 anos. Eles são normalmente executados por equipes altamente educadas e usar modelos proprietários para aumentar sua capacidade de bater o mercado. Há mesmo off-the-shelf programas que são plug-and-play para aqueles que procuram simplicidade. Quant modelos sempre funcionam bem quando testado, mas suas aplicações reais e taxa de sucesso são discutíveis. Enquanto eles parecem funcionar bem em mercados de touro. Quando os mercados se esgotam, estratégias quanti está sujeita aos mesmos riscos que qualquer outra estratégia. A história Um dos fundadores do estudo da teoria quantitativa aplicada às finanças foi Robert Merton. Você só pode imaginar o quão difícil e demorado o processo foi antes do uso de computadores. Outras teorias em finanças também evoluíram a partir de alguns dos primeiros estudos quantitativos, incluindo a base da diversificação de carteiras com base na teoria da carteira moderna. O uso de finanças e cálculos quantitativos levou a muitas outras ferramentas comuns, incluindo uma das mais famosas, a Black-Scholes fórmula de precificação opção, que não só ajuda os investidores preço opções e desenvolver estratégias, mas ajuda a manter os mercados em cheque com liquidez. Quando aplicado diretamente ao gerenciamento de portfólio. O objetivo é como qualquer outra estratégia de investimento. Para adicionar valor, alfa ou excesso retorna. Quants, como os desenvolvedores são chamados, compõem modelos matemáticos complexos para detectar oportunidades de investimento. Existem tantos modelos lá fora como quants que desenvolvê-los, e todos afirmam ser o melhor. Um dos pontos de venda mais vantajosos é que o modelo, e, em última instância, o computador, faz a decisão de compra / venda real, não um ser humano. Isso tende a remover qualquer resposta emocional que uma pessoa pode experimentar ao comprar ou vender investimentos. As estratégias de Quant são agora aceitas na comunidade de investimento e geridas por fundos mútuos, hedge funds e investidores institucionais. Eles normalmente vão pelo nome alfa geradores. Ou alfa gens. Atrás da cortina Assim como em O Mágico de Oz, alguém está por trás da cortina de condução do processo. Como com qualquer modelo, seu somente tão bom quanto o ser humano que desenvolve o programa. Embora não exista um requisito específico para se tornar um quant, a maioria das empresas que executam modelos quant combinam as habilidades de analistas de investimento, estatísticos e programadores que codificam o processo nos computadores. Devido à natureza complexa dos modelos matemáticos e estatísticos, é comum ver credenciais como pós-graduação e doutorado em finanças, economia, matemática e engenharia. Historicamente, esses membros da equipe trabalhavam nos back offices. Mas como os modelos de quant tornou-se mais comum, o back office está se movendo para a frente do escritório. Benefícios de estratégias Quant Enquanto a taxa de sucesso global é discutível, a razão de algumas estratégias quant trabalho é que eles são baseados em disciplina. Se o modelo estiver certo, a disciplina mantém a estratégia trabalhando com computadores de velocidade relâmpago para explorar ineficiências nos mercados com base em dados quantitativos. Os próprios modelos podem ser baseados em tão poucas como algumas relações como P / E. Dívida para capital próprio e crescimento de lucros, ou usar milhares de insumos trabalhando juntos ao mesmo tempo. Estratégias bem sucedidas podem pegar em tendências em seus estágios iniciais como os computadores constantemente executar cenários para localizar ineficiências antes que outros fazem. Os modelos são capazes de analisar um grupo muito grande de investimentos simultaneamente, onde o analista tradicional pode estar olhando apenas alguns de cada vez. O processo de triagem pode classificar o universo por níveis de grau como 1-5 ou A-F dependendo do modelo. Isso torna o processo de negociação real muito simples, investindo nos investimentos altamente cotados e vendendo os mais baixos. Quant modelos também abrem variações de estratégias como longo, curto e longo / curto. Fundos quantos bem sucedidos mantêm um olho afiado no controle de risco devido à natureza de seus modelos. A maioria das estratégias começa com um universo ou benchmark e usa ponderações setoriais e industriais em seus modelos. Isso permite que os fundos controlem a diversificação até certo ponto sem comprometer o próprio modelo. Os fundos Quant funcionam normalmente em uma base de custo mais baixo porque eles não precisam de tantos analistas tradicionais e gerentes de portfólio para executá-los. Desvantagens de estratégias Quant Há razões por que tantos investidores não abraçar totalmente o conceito de deixar uma caixa preta executar seus investimentos. Para todos os fundos quant bem sucedidos lá fora, apenas como muitos parecem ser malsucedido. Infelizmente para a reputação dos quants, quando falham, falham grande. Long-Term Capital Management foi um dos mais famosos fundos de hedge, já que foi administrado por alguns dos mais respeitados líderes acadêmicos e dois economistas premiados com o Prêmio Nobel, Myron S. Scholes e Robert C. Merton. Durante os anos 90, sua equipe gerou retornos acima da média e atraiu capital de todos os tipos de investidores. Eles eram famosos por não só explorar as ineficiências, mas usando o acesso fácil ao capital para criar enormes apostas alavancadas nas direções do mercado. A natureza disciplinada de sua estratégia realmente criou a fraqueza que levou ao seu colapso. Long-Term Capital Management foi liquidada e dissolvida no início de 2000. Seus modelos não incluem a possibilidade de que o governo russo poderia inadimplência em parte de sua própria dívida. Esse evento desencadeou eventos e uma reação em cadeia ampliada pelo caos causado pela alavancagem. A LTCM estava tão envolvida com outras operações de investimento que seu colapso afetou os mercados mundiais, provocando eventos dramáticos. A longo prazo, o Federal Reserve interveio para ajudar, e outros bancos e fundos de investimento apoiou LTCM para evitar quaisquer danos adicionais. Esta é uma das razões pelas quais os fundos podem fracassar, pois são baseados em eventos históricos que podem não incluir eventos futuros. Enquanto uma equipe forte quant será constantemente adicionando novos aspectos aos modelos para prever eventos futuros, é impossível prever o futuro cada vez. Quant fundos também podem se tornar oprimido quando a economia e os mercados estão experimentando maior do que a volatilidade média. Os sinais de compra e venda podem vir tão rapidamente que o alto volume de negócios pode criar comissões elevadas e eventos tributáveis. Quant fundos também podem representar um perigo quando eles são comercializados como à prova de urso ou são baseados em estratégias de curto. Prevendo recessões. Usando derivados e alavancagem de combinação pode ser perigoso. Uma vez errada pode levar a implosões, que muitas vezes fazem a notícia. Bottom Line As estratégias de investimento quantitativo evoluíram de caixas negras de back office para ferramentas de investimento mainstream. Eles são projetados para utilizar as melhores mentes nos negócios e os computadores mais rápidos para explorar as ineficiências e usar alavancagem para fazer apostas no mercado. Eles podem ser muito bem sucedidos se os modelos têm incluído todas as entradas direita e são ágeis o suficiente para prever eventos anormais do mercado. Por outro lado, enquanto os fundos quant são rigorosamente testados até que funcionam, a sua fraqueza é que eles dependem de dados históricos para o seu sucesso. Embora o estilo de estilo de investimento tem seu lugar no mercado, é importante estar ciente de suas deficiências e riscos. Ser coerente com as estratégias de diversificação. É uma boa idéia para tratar as estratégias de quant como um estilo de investimento e combiná-lo com as estratégias tradicionais para alcançar a diversificação adequada. StrategyQuant - Estratégias de negociação geradas por computador Plataforma Use StrategyQuant para construir novos sistemas automatizados de negociação para qualquer mercado ou prazo Gerar teste centenas de estratégias por hora Executar testes de robustez para evitar ajuste de curva Construir-in Walk-Forwad Optimizer e WF Matrix Export como Expert Advisor para MetaTrader4 ou estratégia para NinjaTrader ou Tradestation e muito mais. Por favor, assine nosso boletim também. Levará menos de um minuto e nos permitirá mantê-lo informado sobre novos produtos e atualizações. Eu amo o EA Wizard e eu estou usando muito Eu adoro o EA Wizard e estou usando muito. Eu não sabia nada sobre a programação em MT4 e muitas vezes desejava que eu poderia escrever um EA. Agora seu programa tornou possível. Uma coisa com certeza que estou mais feliz com o apoio muito bom que você oferece. Você realmente me ajudou a ter uma melhor compreensão de como usá-lo. Posso apenas dizer, estou impressionado Depois de trabalhar agora por 4 semanas com a minha versão de propriedade, só posso dizer, estou impressionado. GB ajuda-me a encontrar as boas combinações de trabalho muito rápido. Não, pelo menos, eu gosto muito do código-fonte gerado do GB, porque é muito claro e compreensível, por sinal, bem documentado também. Copyright copy StrategyQuant 2012 - 2016, Todos os direitos reservados. Aviso de Investimento de Alto Risco: Negociar divisas e / ou contratos de diferenças de margem acarreta um alto nível de risco e pode não ser adequado para todos os investidores. A possibilidade existe que você poderia sustentar uma perda em excesso de seus fundos depositados e, portanto, você não deve especular com capital que você não pode perder. As informações fornecidas são apenas recomendações gerais que não levam em conta seus objetivos, situação financeira ou necessidades. Não deve ser interpretado como um conselho pessoal. Este post explora a aplicação de NEAT à negociação do SampP. A estratégia aprendida desempenha significativamente compra e exploração tanto dentro como fora da amostra. Uma parte fundamental de qualquer problema de aprendizagem da máquina é definir as características e garantir que elas sejam normalizadas de alguma forma. As características serão percentis rolantes dos seguintes dados econômicos, um percentil de rolamento leva os últimos n pontos de dados e calcula o ponto de dados que o último ponto de dados é maior que. A função de aptidão é a equidade final, e visa maximizar o capital final. Qualquer genoma que tenha uma redução de 20, ou tenta usar uma alavancagem maior que / - 2 é terminado. Na prática, você não gostaria de fazer a máquina do seu sistema aprender os controles de risco, pois há potencial de que eles não sejam aprendidos. A razão pela qual eles são incorporados dentro da estratégia é acelerar o processo de aprendizagem, como podemos matar genomas cedo antes que a simulação é completa com base em quebrar as regras de risco. Parcela de todos os dados / características Parece que quando não fazendas caem para os seus percentis inferiores / desemprego atinge os percentis mais elevados do dia a dia retorna no SampP tornar-se mais volátil. Espera-se que a aprendizagem possa tirar partido disso. O aprendizado identificou uma estratégia que executa simplesmente compra e exploração. A estratégia proposta tem um drawdown máximo em torno de 20 vs a compra e mantenha tendo um draw down de 40. Além disso, a estratégia shorted o índice entre 2000-2003 como ele estava vendendo antes de ir muito para 2007. Gerando um retorno de 80 vs comprar e Hold de 7 Fora dos resultados da amostra Na saída de dados da amostra (não usado durante o treinamento) a estratégia significativamente fora realizada compra e exploração, aproximadamente 250 retorno vs 50 com uma descida máxima perto de 20 vs comprar e manter a descida de 50. Um tutorial simples que demonstra como treinar uma rede neural para números de raízes quadradas usando um algoritmo genético que procura através do espaço da estrutura topológica. O algoritmo é chamado NEAT (Neuro Evolution of Augmenting Topologies) disponível no pacote RNeat (ainda não no CRAN). O treinamento é muito semelhante a outros pacotes de aprendizagem / regressão de máquina em R. A função de treinamento leva um quadro de dados e uma fórmula. A fórmula é usada para especificar quais colunas no quadro de dados são as variáveis ​​dependentes e quais são a variável explicativa. O código é comentado e deve ser simples o suficiente para novos usuários de R. O desempenho da rede pode ser visto no gráfico inferior esquerdo da imagem acima, há diferenças consideráveis ​​entre a saída esperada ea saída real. É provável que com mais treinamento a magnitude desses erros irá reduzir, pode-se ver no gráfico inferior direito que a aptidão máxima, média e mediana geralmente estão aumentando com cada geração. Esta parte do tutorial NEAT mostrará como usar o pacote RNeat (ainda não no CRAN) para resolver o problema do balanço de pólos clássico. A simulação requer a implementação de 5 funções: processInitialStateFunc 8211 Especifica o estado inicial do sistema, para o problema do balanço de pólo o estado é o local do carrinho, a velocidade do carro, a aceleração do carro, a força sendo aplicada ao carrinho, o ângulo do pólo, Velocidade e aceleração angular do pólo. ProcessUpdateStateFunc 8211 Especifica como tomar o estado atual e atualizá-lo usando as saídas da rede neural. Neste exemplo, esta função simula as equações de movimento e toma a saída de rede neural como a força que está sendo aplicada ao carrinho. ProcessStateToNeuralInputFunc 8211 Permite modificar o estado / normalização do estado antes de ser passado como uma entrada para a rede neural fitnessUpdateFunc 8211 Torna a aptidão antiga, o estado antigo e o novo estado atualizado e determina qual é a aptidão do novo sistema. Para o problema de equilíbrio de pólo esta função quer recompensar o pêndulo sendo para cima direito, e recompensar o carrinho sendo perto do meio da pista. TerminationCheckFunc 8211 Toma o estado e verifica se a terminação deve ser encerrada. Pode optar por terminar se o pólo cai, a simulação correu muito longo ou o carro tem impulsionado fora do final da pista. PlotStateFunc 8211 Traça o estado, para o balanço de pólo isso desenha o carrinho e pêndulo. Esta parte do tutorial sobre o uso do algoritmo NEAT explica como os genomas são atravessados ​​de forma significativa mantendo sua informação topológica e como a especiação (genomas do grupo em espécies) pode ser usado para proteger genomas fracos com novas informações topológicas de ser prematuramente erradicada do gene Antes que seu espaço de peso possa ser otimizado. A primeira parte deste tutorial pode ser encontrada aqui. Rastreando História de Gene através de Números de Inovação A Parte 1 mostrou duas mutações, link mutate e mutate de nó que ambos adicionaram novos genes ao genoma. Cada vez que um novo gene é criado (através de uma inovação topológica) um número de inovação global é incrementado e atribuído a esse gene. O número de inovação global está rastreando a origem histórica de cada gene. Se dois genes têm o mesmo número de inovação, então eles devem representar a mesma topologia (embora os pesos possam ser diferentes). Isto é explorado durante o crossover do gene. Genoma Crossover (Acoplamento) Genomas crossover leva dois genomas pai (permite chamá-los A e B) e cria um novo genoma (vamos chamá-lo a criança), tendo os genes mais fortes de A e B copiando quaisquer estruturas topológicas ao longo do caminho. Durante o crossover genes de ambos os genomas são alinhados usando o seu número de inovação. Para cada número de inovação, o gene do pai mais adequado é seleccionado e inserido no genoma infantil. Se ambos os genomas pai são a mesma aptidão, então o gene é selecionado aleatoriamente de qualquer dos pais com igual probabilidade. Se o número de inovação está presente apenas em um dos progenitores, então este é conhecido como um gene disjunto ou excesso e representa uma inovação topológica, ele também é inserido na criança. A imagem abaixo mostra o processo de crossover para dois genomas da mesma aptidão. A especiação toma todos os genomas num dado conjunto de genomas e tenta dividi-los em grupos distintos conhecidos como espécies. Os genomas em cada espécie terão características semelhantes. Uma maneira de medir a similaridade entre dois genomas é necessária, se dois genomas são 8220 semelhantes8221 eles são da mesma espécie. Uma medida natural a ser usada seria uma soma ponderada do número de genes em excesso disjuntor (representando diferenças topológicas) e a diferença de pesos entre genes correspondentes. Se a soma ponderada estiver abaixo de algum limiar então os genomas são da mesma espécie. A vantagem de dividir os genomas em espécies é que durante o passo de evolução genética onde os genomas com baixa aptidão são eliminados (removidos completamente do conjunto do genoma) ao invés de ter cada genoma para lutar por seu lugar contra todos os outros genomas em todo o genoma piscina que podemos Torná-lo lutar por it8217s lugar contra genomas da mesma espécie. Desta forma, as espécies que se formam a partir de uma nova inovação topológica que pode não ter uma alta aptidão ainda devido a não ter pesos otimizados sobreviverão ao abate. Resumo de todo o processo Crie um conjunto de genomas com n genomas aleatórios Pegue cada genoma e aplique ao problema / simulação e calcule a aptidão do genoma Atribua cada genoma a uma espécie Em cada espécie, abate os genomas removendo alguns dos genomas mais fracos Genomas nas espécies para crossover ou mutate) Repita tudo o que foi dito acima Esta série de quatro partes irá explorar a NeuroEvolução de Aumento de Topologias (NEAT) algoritmo. Partes um e dois brevemente out-line o algoritmo e discutir os benefícios, parte três irá aplicá-lo para o problema de equilíbrio de pólo e, finalmente, parte 4 será aplicá-lo aos dados do mercado. Este algoritmo foi recentemente viral em um vídeo chamado MarI / O onde uma rede foi desenvolvida que foi capaz de completar o primeiro nível de super mario ver o vídeo abaixo. Normalmente, quando se opta por usar uma rede neural, eles têm que decidir quantas camadas ocultas existem, o número de neurônios em cada camada e quais conexões existem entre os neurônios. Dependendo da natureza do problema, pode ser muito difícil saber o que é uma topologia sensata. Uma vez que a topologia é escolhida, provavelmente será treinada usando back-propagação ou uma abordagem de evolução genética e testada. A abordagem de evolução genética é essencialmente pesquisar através do espaço de pesos de conexão e selecionar redes de alto desempenho e criá-las (isso é conhecido como evolução de topologia fixa). A abordagem acima encontra pesos de conexão ótimos, it8217s então para baixo para um 8220expert8221 para ajustar manualmente a topologia da rede em uma tentativa de iterativamente encontrar redes de melhor desempenho. Isso levou ao desenvolvimento de treinamento de topologia variável, onde tanto o espaço de conexão como o espaço de estrutura são explorados. Com isso veio uma série de problemas, como redes tornando-se incrivelmente espessa e complexa abrandar o processo de aprendizagem da máquina. Com as abordagens genéticas, foi difícil acompanhar mutações genéticas e estrutura de cruzamento de forma significativa. O algoritmo NEAT visa desenvolver um algoritmo genético que busca através de peso de rede neural e espaço de estrutura que tem as seguintes propriedades: Possuir representação genética que permite atravessar a estrutura de forma significativa Proteger as inovações topológicas que precisam de algumas evoluções para ser otimizado assim Que não desaparece prematuramente do pool genético Minimize as topologias ao longo do treinamento sem funções de penalização complexas de complexidade de rede especialmente desenhadas Um tratamento através do algoritmo pode ser encontrado no documento Evolving Neural Networks by Augmenting Topologies por Kenneth O. Stanley e Risto Miikkulainen (nn. cs. utexas. edu / downloads / papers / stanley. ec02.pdf). A informação sobre a rede é representada por um genoma, o genoma contém genes de nó e genes de ligação. Os genes do nó definem nós na rede, os nós podem ser entradas (como um indicador técnico), saídas (como uma recomendação de compra / venda) ou ocultos (usados ​​pela rede para um cálculo). Os genes de ligação unem os nós na rede em conjunto e têm um peso ligado a eles. Os genes de ligação têm um nó de entrada, um nó de saída, um peso, um indicador activado / desactivado e um número de inovação. O número de inovação é usado para rastrear o histórico de uma evolução de genes e será explicado com mais detalhes na parte dois. Este post vai olhar para algumas das mutações que podem acontecer com a rede, vale a pena notar que cada genoma tem incorporado dentro de uma taxa de mutação para cada tipo de mutação que pode ocorrer. Estas taxas de mutação também são aleatoriamente aumentadas ou diminuídas à medida que a evolução progride. Randomly atualiza o peso de um gene de conexão selecionado aleatoriamente As atualizações são: Novo Peso Velho Peso / - Número aleatório entre 0 e genomeMutationRate8220Step8221 Novo Peso Número aleatório entre -2 e 2 Adiciona aleatoriamente uma nova conexão à rede com um peso aleatório entre - 2 e 2 Esta mutação adiciona um novo nó à rede desabilitando uma conexão, substituindo-a por uma conexão de peso 1, um nó e uma conexão com o mesmo peso que a conexão desativada. Em essência, ele foi substituído por um equivalente equivalente. Ativar Desativar Mutação Ativa e desativa conexões aleatoriamente