Al handelsstrategier

Vid Aquitaine Investors tror vi att framgångsrik automatiserad handel för det första bygger på skapandet och utvecklingen av strategier som bygger på beprövad teknisk analys och principer för penninghantering. Vi tror att enkelhet och lite kreativitet går långt också. Med hjälp av våra egna erfarenheter kan vi automatisera dina befintliga handelsstrategier. Vrid dina idéer till arbetsrobotar som matchar dina personliga krav och synpunkter (t. ex. aptit för risker) Back-test och optimera dina strategier Ge analys av dina egna testresultat. Ge råd om hur nya eller befintliga strategier kan förbättras, inklusive riskhantering och undvikande av kurvanpassning (det vill säga vilseledas av överoptimistiska resultat) Skapa skräddarsydda indikatorer för att förbättra ditt handelsprestanda Ge råd om hur du konfigurerar din automatiserade handel infrastruktur Ge kontinuerligt stöd när din robot är igång Vårt valda programmeringsspråk är PowerLanguage som utvecklades av Multicharts LLC. Intelligent artifical tradingReceptionen av den artificiellt intelligenta hedgefonden Uppkomsten av den artificiellt intelligenta hedgefonden Den senaste veckan har Ben Goertzel och hans företag, Aidyia, påbörjat en hedgefond som gör alla aktiehandelar med hjälp av artificiell intelligens8212. Inget mänskligt ingripande krävs. 8220Om vi ​​alla dör, 8221 säger Goertzel, en långvarig AI-guru och företagets huvudforskare 8220, skulle han fortsätta att handla.8221 Han menar detta bokstavligen. Goertzel och andra människor byggde naturligtvis systemet, och de fortsätter att modifiera det efter behov. Men deras skapelse identifierar och exekverar handlar helt och hållet på egen hand, och bygger på flera former av AI, inklusive en inspirerad av genetisk utveckling och en annan baserad på probabilistisk logik. Varje dag, efter analys av allt från marknadspriser och volymer till makroekonomiska data och företagsbokföringsdokument, gör dessa AI-motorer sina egna marknadsutsikter och sedan 8220vote8221 på bästa sätt. Om vi ​​alla dör, skulle det fortsätta att handla. Ben Goertzel, Aidyia Även om Aidyia är baserad i Hong Kong handlar det här automatiserade systemet i amerikanska aktier och på sin första dag, enligt Goertzel, genererade den en 2 procent avkastning på en obesluten pool av pengar. That8217s är inte exakt imponerande eller statistiskt relevant. Men det representerar en anmärkningsvärd förskjutning i finansvärlden. Stödd av 143 miljoner i finansiering har San Francisco startup Sentient Technologies varit tyst handel med ett liknande system sedan förra året. Data-centrerade hedgefonder som Two Sigma och Renaissance Technologies har sagt att de är beroende av AI. Och enligt rapporter, två andra8212Bridgewater Associates och Point72 Asset Management, som drivs av stora Wall Street namn Ray Dalio och Steven A. Cohen8212are flyttar i samma riktning. Automatisk förbättring Hedgefonder har länge lita på datorer för att hjälpa till att göra affärer. Enligt marknadsundersökningsföretaget Preqin. cirka 1360 hedgefonder gör en majoritet av sina affärer med hjälp av datormodeller8212 genom 9 procent av alla medel8212 och de klarar cirka 197 miljarder totalt. Men detta involverar vanligtvis datavetenskapare8212 eller 8220quants, 8221 i Wall Street lingo8212using maskiner för att bygga stora statistiska modeller. Dessa modeller är komplexa, men de är också något statiska. När marknaden förändras kan de kanske inte fungera lika bra som de arbetade tidigare. Och enligt Preqin8217s forskning utför den typiska systematiska fonden alltid såväl som medel som drivs av mänskliga chefer (se diagram nedan) Under de senaste åren har emellertid medel flyttat mot äkta maskininlärning där artificiellt intelligenta system kan analysera stora mängder data i snabbhet och förbättra sig genom en sådan analys. New York-företaget Rebellion Research, som grundades av barnbarnet Baseball Hall of Famer Hank Greenberg, bygger bland annat på en form av maskininlärning som kallas bayesiska nätverk. Använda en handfull maskiner för att förutsäga marknadstrender och bestämma särskilda affärer. Samtidigt lutar sig kläder som Aidyia och Sentient på AI som går över hundratals eller till och med tusentals maskiner. Detta inkluderar tekniker som evolutionär beräkning, som är inspirerad av genetik och djupt lärande. en teknik som nu kände igen bilder, identifierar talade ord och utför andra uppgifter inom internetföretag som Google och Microsoft. Förhoppningen är att sådana system automatiskt kan identifiera förändringar på marknaden och anpassa sig på sätt som kvantmodeller can8217t. 8220They8217 försöker se saker innan de utvecklas, säger 8221 Ben Carlson, författaren till en rikedom av gemensam sans: varför enkelhet trummar komplexitet i någon investeringsplan. som tillbringade ett årtionde med en kapitalfond som investerade i ett stort antal pengarchefer. Denna typ av AI-driven fondförvaltning bör inte förväxlas med högfrekvent handel. Det är inte att se framåtriktade affärer eller på annat sätt tjäna pengar från handlingshastighet. It8217s letar efter de bästa affärer på längre sikt8212hours, days, weeks, even months in future. Och mer till den punkten, väljer man inte strategin. Utvecklande intelligens Även om företaget inte har öppet marknadsfört sin fond, säger Sentient VD Antoine Blondeau att det har gjort officiella affärer sedan förra året med pengar från privata investerare (efter en längre period av testhandel). Enligt en rapport från Bloomberg. Företaget har arbetat med hedgefonderverksamheten inom JP Morgan Chase för att utveckla AI-handelstekniken, men Blondeau avstår från att diskutera partnerskap. Han säger emellertid att dess fond verkar helt genom artificiell intelligens. Hela ideen är att göra något ingen annan human och ingen annan maskin gör. Systemet gör det möjligt för företaget att justera vissa riskinställningar, säger chief science officer Babak Hodjat, som var en del av laget som byggde Siri innan den digitala assistenten förvärvades av Apple. Men annars fungerar den utan mänsklig hjälp. 8220Det författar automatiskt en strategi, och det ger oss kommandon, säger 8221 Hodjat. 8220Det säger: 8216Buy så mycket nu med det här instrumentet, med den här typen av order.8217 Det berättar också när du ska avsluta, minska exponeringen och den typen saker.8221 Enligt Hodjat tar systemet oanvänd datorstyrka från 8220millions8221 av dataprocessorer inom datacenter, internetkaféer och dataspelcentraler som drivs av olika företag i Asien och på andra håll. Dess mjukvaru-motor är under tiden baserad på evolutionär beräkning8212 av samma genetikinspirerade teknik som spelar in i Aidyia8217s system. I de enklaste termerna betyder det att det skapar en stor och slumpmässig samling av digitala aktiehandlare och tester deras prestanda på historiska lagerdata. Efter att ha valt de bästa artisterna använder den sedan sin 8220genes8221 för att skapa en ny uppsättning överlägsna handlare. Och processen upprepar. Så småningom går systemet in på en digital handlare som framgångsrikt kan driva sig själv. 8220Over tusentals generationer trillioner och biljoner 8216beings8217 konkurrerar och trivs eller dör, 8221 Blondeau säger 8220 och så småningom får du en befolkning av smarta handlare som du faktiskt kan distribuera.8221 Deep Investing Även om den evolutionära beräkningen driver systemet idag ser Hodjat också löftet i djupa inlärningsalgoritmer8212algoritmer som redan har visat sig enormt skickliga för att identifiera bilder, känna igen talade ord och till och med förstå det naturliga sättet vi människor talar. Precis som djupt lärande kan identifiera särskilda egenskaper som dyker upp på ett foto av en katt, förklarar han att det kan identifiera särskilda egenskaper hos ett lager som kan göra dig lite pengar. Google Just Open Sourced TensorFlow, dess artificiella intelligensmotor Facebook öppna källor dess AI-maskinvara som det går Google Google gjorde en chatbot som debatterar meningen med livet Goertzel8212 som också övervakar OpenCog Foundation. ett försök att bygga en öppen källkod för allmän artificiell intelligens8212disagrees. Detta beror delvis på att djupa inlärningsalgoritmer har blivit en vara. 8220Om alla använder något, kommer det att förutsägas att förutsägelser kommer att prissättas på marknaden, 8221 säger han. 8220Du måste göra något konstigt.8221 Han påpekar också att även om djup inlärning är lämpad för att analysera data definierade av en mycket speciell uppsättning mönster, såsom foton och ord, uppträder dessa typer av mönster nödvändigtvis på finansmarknaderna . Och om de gör det, är de lika användbara, för alla kan hitta dem. För Hodjat är det dock uppgiften att förbättra dagens djupa lärande. Och detta kan innebära att man kombinerar tekniken med evolutionär beräkning. När han förklarar det kan du använda evolutionär beräkning för att bygga bättre djupinlärningsalgoritmer. Detta kallas neurovolution. 8220Du kan utveckla vikterna som fungerar på den djupa eleven, säger 8221 Hodjat. 8220But du kan också utveckla den djupa elevens arkitektur.8221 Microsoft och andra outfits bygger redan djupa inlärningssystem genom ett slags naturligt urval. även om de kanske inte använder evolutionär beräkning i sig. Prissättning i AI Vilka metoder som helst används, vissa frågor om AI verkligen kan lyckas på Wall Street. Även om en fond uppnår framgång med AI är risken att andra kommer att duplicera systemet och därmed undergräva framgången. Om en stor del av marknaden beter sig på samma sätt förändras marknaden. 8220I8217m lite skeptisk att AI verkligen kan räkna ut det, säger Carlson 8221. 8220Hvis någon hittar ett knep som fungerar, kommer inte bara andra medel att låsa på det men andra investerare kommer hälla pengar på. It8217 är verkligen svårt att förutse en situation där den inte blir arbitrad borta.8221 Goertzel ser denna risk. That8217s varför Aidyia använder inte bara evolutionär beräkning utan ett brett spektrum av tekniker. Och om andra efterliknar företagets metoder, kommer det att omfamna andra typer av maskininlärning. Hela tanken är att göra någonting ingen annan person och ingen annan maskin. 8220Finance är en domän där du inte bara kan vara smart, 8221 Goertzel säger 8220 men att vara smart på ett annat sätt än andra.8221 Mer BusinessHow att identifiera algoritmiska handelsstrategier I denna artikel vill jag presentera dig för de metoder som jag jag identifierar lönsamma algoritmiska handelsstrategier. Vårt mål idag är att förstå i detalj hur man hittar, utvärderar och väljer sådana system. Jag förklarar hur identifierande strategier handlar lika mycket om personlig preferens som det handlar om strategiprestanda, hur man bestämmer typen och kvantiteten av historiska data för testning, hur man diskutivt utvärderar en handelsstrategi och slutligen hur man går vidare mot backtesting-fasen och genomförandet av strategin . Identifiera dina egna personliga preferenser för handel För att vara en framgångsrik näringsidkare - antingen diskret eller algoritmiskt - är det nödvändigt att fråga dig själv några ärliga frågor. Trading ger dig möjlighet att förlora pengar i en alarmerande takt, så det är nödvändigt att känna dig så mycket som det är nödvändigt att förstå din valda strategi. Jag skulle säga att det viktigaste övervägandet i handel är att vara medveten om din egen personlighet. Handels - och algoritmisk handel i synnerhet kräver en väsentlig grad av disciplin, tålamod och emotionell avreglering. Eftersom du låter en algoritm utföra din handel för dig, är det nödvändigt att bli löst för att inte störa strategin när den utförs. Detta kan vara extremt svårt, särskilt i perioder med förlängd drawdown. Men många strategier som har visat sig vara mycket lönsamma i en backtest kan förstöras av enkla störningar. Förstå att om du vill komma in i algoritmiska handelsvärlden kommer du att bli emotionellt testad och att för att lyckas är det nödvändigt att arbeta genom dessa svårigheter. Nästa övervägning är en tid. Har du ett heltidsjobb Arbetar du deltid Arbetar du hemifrån eller har en lång pendling varje dag Dessa frågor hjälper dig att bestämma frekvensen av strategin som du ska söka. För dig som är heltidsanställd kanske en strategi för intraday futures kanske inte är lämplig (åtminstone tills den är helt automatiserad). Dina tidsbegränsningar kommer också att diktera strategins metodik. Om din strategi ofta handlas och är beroende av dyra nyhetsflöden (t. ex. en Bloomberg terminal) måste du tydligt vara realistisk om din förmåga att framgångsrikt driva det här på kontoret. För dig med mycket tid eller färdigheter För att automatisera din strategi kanske du vill undersöka en mer teknisk högfrekvenshandel (HFT) strategi. Min tro är att det är nödvändigt att genomföra kontinuerlig forskning i dina handelsstrategier för att upprätthålla en konsekvent lönsam portfölj. Få strategier förblir under radaren för alltid. En betydande del av den tid som allokeras till handel kommer därför att ske i pågående forskning. Fråga dig själv om du är beredd att göra det, eftersom det kan vara skillnaden mellan stark lönsamhet eller en långsam nedgång mot förluster. Du måste också överväga ditt handelskapital. Det allmänt accepterade idealbeloppet för en kvantitativ strategi är 50 000 USD (cirka 35 000 för oss i Storbritannien). Om jag började igen skulle jag börja med en större mängd, förmodligen närmare 100 000 USD (cirka 70 000). Detta beror på att transaktionskostnaderna kan vara extremt dyra för mellan - och högfrekventa strategier och det är nödvändigt att ha tillräcklig kapital för att absorbera dem i nedgångstider. Om du funderar på att börja med mindre än 10 000 USD måste du begränsa dig till lågfrekventa strategier, handel med en eller två tillgångar, eftersom transaktionskostnaderna snabbt kommer att äta i din avkastning. Interaktiva Mäklare, som är en av de vänligaste mäklarna till dem med programmeringsförmåga, på grund av API: n, har ett kundkonto på minst 10 000 USD. Programmeringskunskap är en viktig faktor för att skapa en automatiserad algoritmisk handelsstrategi. Att vara kunnig i ett programmeringsspråk som C, Java, C, Python eller R gör att du kan skapa end-to-end datalagring, backtestmotor och exekveringssystem själv. Detta har ett antal fördelar, vars chef är förmågan att vara helt medveten om alla aspekter av handelsinfrastrukturen. Det låter dig också utforska de högre frekvensstrategierna, eftersom du kommer att ha full kontroll över din teknikstack. Medan det här betyder att du kan testa din egen programvara och eliminera buggar, betyder det också mer tid att spendera kodning av infrastruktur och mindre på implementering av strategier, åtminstone i den tidigare delen av din algo trading karriär. Det kan hända att du är bekväm handel i Excel eller MATLAB och kan outsourca utvecklingen av andra komponenter. Jag skulle inte rekommendera det här, särskilt för de som handlar med hög frekvens. Du måste fråga dig själv vad du hoppas uppnå genom algoritmisk handel. Är du intresserad av en regelbunden inkomst, där du hoppas kunna dra in intäkter från ditt handelskonto Eller är du intresserad av en långsiktig realisationsvinst och har råd att handla utan att behöva räkna pengar? Inkomstberoende kommer att diktera frekvensen av din strategi . Mer regelbundna intäkter kommer att kräva en högre handelsstrategi med mindre volatilitet (dvs högre Sharpe-förhållande). Långsiktiga näringsidkare har råd med en mer lugn handelsfrekvens. Slutligen, bli inte lurad av tanken att bli extremt rik på kort tid. Algo trading är inte ett snabbt riksschema - om något kan det bli ett snabbt fattigt system. Det krävs stor disciplin, forskning, noggrannhet och tålamod för att lyckas med algoritmisk handel. Det kan ta månader, om inte år, att skapa konsekvent lönsamhet. Sourcing Algoritmic Trading Ideas Trots gemensamma uppfattningar tvärtom är det faktiskt ganska enkelt att hitta lönsamma handelsstrategier inom det offentliga området. Aldrig har handelsidéer varit mer tillgängliga än de är idag. Academic finance tidskrifter, pre-print servrar, handelsbloggar, handelsforum, veckohandelstidningar och specialtexter ger tusentals handelsstrategier som du kan basera dina idéer på. Vårt mål som kvantitativa handelsforskare är att upprätta en strategipipeline som ger oss en ström av pågående handelsideer. Helst vill vi skapa ett metodiskt tillvägagångssätt för inköp, utvärdering och genomförande av strategier som vi stöter på. Syftet med rörledningen är att skapa en konsekvent mängd nya idéer och att ge oss en ram för att förkasta majoriteten av dessa idéer med det minsta emotionella övervägandet. Vi måste vara mycket noga med att inte låta kognitiva förspänningar påverka vår beslutsfattande metodik. Det kan vara så enkelt att ha en preferens för en tillgångsklass över en annan (guld och andra ädla metaller kommer i åtanke) eftersom de uppfattas som mer exotiska. Vårt mål bör alltid vara att hitta konsekvent lönsamma strategier, med positiv förväntan. Valet av tillgångsklass bör baseras på andra överväganden, såsom handelskapitalbegränsningar, mäklaravgifter och hävstångseffekter. Om du är helt okänd med begreppet handelsstrategi är det första stället att titta på med etablerade läroböcker. Klassiska texter ger ett brett utbud av enklare, mer enkla idéer, för att bekanta sig med kvantitativ handel. Här är ett urval som jag rekommenderar för dem som är ny på kvantitativ handel, som gradvis blir mer sofistikerade när du arbetar genom listan: För en längre lista över kvantitativa handelsböcker, besök QuantStart-läsningslistan. Nästa plats för att hitta mer sofistikerade strategier är med handelsforum och handelsbloggar. Men en försiktighetsåtgärd: Många handelsbloggar bygger på begreppet teknisk analys. Teknisk analys innebär att man använder grundläggande indikatorer och beteendepsykologi för att bestämma trender eller omvänt mönster i tillgångspriser. Trots att den är extremt populär i det totala handelsutrymmet, anses teknisk analys vara något ineffektiv i det kvantitativa finanssamhället. Några har föreslagit att det inte är bättre att läsa ett horoskop eller studera teblad med avseende på dess prediktiva kraft. I verkligheten finns det framgångsrika individer som använder sig av teknisk analys. Men som quants med en mer sofistikerad matematisk och statistisk verktygslåda till vårt förfogande kan vi enkelt utvärdera effektiviteten hos sådana TA-baserade strategier och göra databaserade beslut snarare än basen på emotionella överväganden eller förutfattade. Här är en lista över väl respekterade algoritmiska handelsbloggar och forum: När du har fått lite erfarenhet av att utvärdera enklare strategier är det dags att titta på de mer sofistikerade akademiska erbjudandenen. Vissa akademiska tidskrifter kommer vara svåra att få tillgång till, utan höga abonnemang eller engångskostnader. Om du är medlem eller alumni på ett universitet bör du kunna få tillgång till några av dessa finansiella tidskrifter. Annars kan du titta på förtrycksservrar. vilka är internetförvar av sena utkast till akademiska uppsatser som genomgår peer review. Eftersom vi bara är intresserade av strategier som vi framgångsrikt kan replikera, backtest och få lönsamhet för, är en peer review av mindre betydelse för oss. Den stora nackdelen med akademiska strategier är att de ofta också kan vara omoderna, kräva dolda och dyra historiska data, handla i illikvida tillgångsklasser eller inte medverka i avgifter, glidande eller spridning. Det kan också vara oklart huruvida handelsstrategin ska genomföras med marknadsordningar, begränsningsorder eller om det innehåller stoppförluster etc. Det är därför absolut nödvändigt att replikera strategin själv så mycket du kan, backtest det och lägga till i realistisk transaktion kostnader som inkluderar så många aspekter av tillgångsklasserna som du vill handla in. Här är en lista över de mer populära förtrycksservrarna och de finansiella tidskrifterna som du kan ge idéer från: Vad sägs om att skapa egna kvantitativa strategier. Detta kräver i allmänhet ( men är inte begränsad till) kompetens inom en eller flera av följande kategorier: Marknadsmikrostruktur - För högre frekvensstrategier kan man särskilt utnyttja marknadsmikrostruktur. dvs förståelse av orderbokdynamiken för att generera lönsamhet. Olika marknader kommer att ha olika tekniska begränsningar, regler, marknadsaktörer och begränsningar som alla är öppna för exploatering via specifika strategier. Det här är ett mycket sofistikerat område och detaljhandelsutövare kommer att få svårt att vara konkurrenskraftiga i detta utrymme, särskilt i tävlingen ingår stora, välkapitaliserade kvantitativa hedgefonder med stark teknisk kapacitet. Fondstruktur - Inlånade investeringsfonder, såsom pensionsfonder, privata investeringspartnerskap (hedgefonder), råvaruhandelsrådgivare och fonder begränsas både av kraftig reglering och deras stora kapitalreserver. Således kan vissa konsekventa beteenden utnyttjas hos dem som är mer fina. Till exempel är stora medel föremål för kapacitetsbegränsningar på grund av deras storlek. Således, om de måste snabbt avlasta (sälja) en mängd värdepapper, måste de staggera det för att undvika att flytta marknaden. Sofistikerade algoritmer kan dra nytta av detta och andra idiosynkraser, i en generell process som kallas fonden struktur arbitrage. Machine learningartificial intelligence - Maskininlärningsalgoritmer har blivit vanligare de senaste åren på finansmarknaderna. Klassificatorer (som Naive-Bayes, et al.), Icke-linjära funktionskompatörer (neurala nätverk) och optimeringsrutiner (genetiska algoritmer) har alla använts för att förutsäga tillgångsbanor eller optimera handelsstrategier. Om du har en bakgrund i detta område kan du få viss inblick i hur särskilda algoritmer kan tillämpas på vissa marknader. Det finns naturligtvis många andra områden för quants att undersöka. Tja diskutera hur du ska komma med anpassade strategier i detalj i en senare artikel. Genom att fortsätta att övervaka dessa källor varje vecka, eller till och med dagligen, lägger du dig på att få en konsekvent lista över strategier från ett brett spektrum av källor. Nästa steg är att bestämma hur man avvisar en stor delmängd av dessa strategier för att minimera slöseri med din tid och backtesting resurser på strategier som sannolikt kommer att vara olönsam. Utvärdering av handelsstrategier Det första och förmodligen mest uppenbara övervägandet är om du faktiskt förstår strategin. Skulle du kunna förklara strategin kortfattat eller behöver den en rad försiktighetsåtgärder och oändliga parametrar? Dessutom har strategin en bra och solid grund i verkligheten. Kan du till exempel peka på någon beteendemässig motivering eller fondstrukturbegränsning som kan orsaka det eller de mönster som du försöker utnyttja Skulle denna begränsning hålla fast vid en regimskifte, t. ex. en dramatisk miljöförstöring Står strategin på komplexa statistiska eller matematiska regler Gäller det för någon ekonomisk tidsserie eller är Det specifika för tillgångsklassen att det hävdas vara lönsamt. Du bör ständigt tänka på dessa faktorer när du utvärderar nya handelsmetoder, annars kan du slösa bort en betydande tid som försöker backtest och optimera olönsamma strategier. När du väl har bestämt att du förstår de grundläggande principerna i strategin måste du bestämma om den passar din ovannämnda personlighetsprofil. Detta är inte så vett en övervägande som det låter Strategierna kommer att skilja sig väsentligt i deras prestanda egenskaper. Det finns vissa personlighetstyper som kan hantera mer betydande perioder av utbetalning eller är villiga att acceptera större risk för större avkastning. Trots det faktum att vi som strängar försöker eliminera så mycket kognitiv bias som möjligt och borde kunna utvärdera en strategi passivt, kommer fördomar alltid att krypa in. Således behöver vi ett konsekvent, unemotionellt sätt genom vilket man bedömer prestandan i strategier . Här är listan över kriterier som jag bedömer en potentiell ny strategi av: Metodik - Är strategisk momentum baserad, medelåtervänd, marknadsneutral, riktad? Använder strategin sig på sofistikerade (eller komplexa) statistiska eller maskininlärningstekniker som är svåra för att förstå och kräva doktorsexamen i statistik Förstå dessa tekniker en betydande mängd parametrar, vilket kan leda till optimeringsförskjutning. Om strategin sannolikt kommer att motstå en reglerversion (dvs. potentiell ny reglering av finansmarknaderna). Sharpe Ratio - Sharpe-förhållandet heuristiskt karaktäriserar strategins rewardrisk-förhållande. Det kvantifierar hur mycket avkastning du kan uppnå för volatiliteten som uthålls av aktiekurvan. Naturligtvis måste vi bestämma vilken period och frekvens som dessa avkastningar och volatilitet (dvs standardavvikelse) mäts över. En högre frekvensstrategi kräver en större samplingsfrekvens av standardavvikelsen, men en kortare övergripande mätperiod, till exempel. Hävstångseffekt - kräver strategin betydande hävstångseffektivitet för att vara lönsam Om strategin kräver användning av avtal om levererad derivat (terminer, optioner, swappar) för att få en avkastning Dessa leveransavtal kan ha stor volatilitet karakteriseras och kan sålunda lätt leda till marginal samtal. Har du handelskapitalet och temperamentet för sådan volatilitet Frekvens? Strategins frekvens är nära kopplad till din teknikstack (och därmed teknisk expertis), Sharpe-förhållandet och den övergripande nivån av transaktionskostnader. Alla andra frågor som beaktas kräver högre frekvensstrategier mer kapital, är mer sofistikerade och svårare att genomföra. Om du antar att din backtesting-motor är sofistikerad och bugfri, kommer de dock ofta att ha mycket högre Sharpe-förhållanden. Volatilitet - Volatilitet är starkt relaterad till risken för strategin. Sharpe-förhållandet karaktäriserar detta. Högre volatilitet i de underliggande tillgångsklasserna, om de inte är bundna, leder ofta till högre volatilitet i aktiekurvan och därmed mindre Sharpe-kvoter. Jag antar självklart att den positiva volatiliteten är ungefär lika med den negativa volatiliteten. Vissa strategier kan ha större volatilitet i nackdelen. Du måste vara medveten om dessa attribut. WinLoss, Average ProfitLoss - Strategier skiljer sig åt i deras winloss och genomsnittliga profitloss egenskaper. Man kan ha en mycket lönsam strategi, även om antalet förlorade affärer överstiger antalet vinnande affärer. Momentumstrategier tenderar att ha detta mönster eftersom de är beroende av ett litet antal stora träffar för att vara lönsamma. Mean-reversion strategier tenderar att ha motsatta profiler där mer av branschen är vinnare, men de förlorande affärer kan vara ganska allvarliga. Maximal Drawdown - Den maximala drawdownen är den största övergripande topp-till-med-procentuella nedgången på strategins aktiekurva. Momentumstrategier är kända för att drabbas av perioder med förlängda drawdowns (på grund av en sträng av många inkrementella förlorande affärer). Många handlare kommer att ge upp i perioder med förlängd drawdown, även om historisk testning har föreslagit att det här är affärer som vanligt för strategin. Du måste bestämma vilken procentandel av drawdown (och över vilken tidsperiod) du kan acceptera innan du slutar handla din strategi. Detta är ett mycket personligt beslut och måste därför övervägas noggrant. Kapacitet Likviditet - I detaljhandeln, om du inte handlar i ett starkt illikvide instrument (som ett aktiebolag) behöver du inte mycket om dig själv med strategisk kapacitet. Kapaciteten bestämmer skalbarheten i strategin för ytterligare kapital. Många av de större hedgefonderna lider av stora kapacitetsproblem, eftersom deras strategier ökar i kapitaltilldelningen. Parametrar - Vissa strategier (särskilt de som finns i maskininlärningsgemenskapen) kräver en stor mängd parametrar. Varje extra parameter som en strategi kräver gör den mer sårbar för optimeringsförspänning (även känd som kurvmontering). Du bör försöka rikta in strategier med så få parametrar som möjligt eller se till att du har tillräckliga mängder data för att testa dina strategier. Benchmark - Nästan alla strategier (om inte karaktäriseras som absolut avkastning) mäts mot vissa prestationsindex. Referensvärdet är vanligtvis ett index som karakteriserar ett stort urval av den underliggande tillgångsklassen som strategin handlar om. Om strategin handlar med stora cap-amerikanska aktier, skulle SP500 vara ett naturligt riktmärke för att mäta din strategi mot. Du kommer att höra termerna alpha och beta, tillämpas på strategier av denna typ. Vi kommer att diskutera dessa koefficienter i djupet i senare artiklar. Observera att vi inte har diskuterat strategins faktiska avkastning. Varför är det här Isolerat ger avkastningen oss faktiskt begränsad information om strategins effektivitet. De ger dig inte inblick i hävstångseffekt, volatilitet, riktmärken eller kapitalkrav. Således bedöms strategier sällan på deras avkastning ensam. Överväga alltid riskattributen för en strategi innan du tittar på avkastningen. I det här skedet kommer många av de strategier som hittas från din pipeline att bli avvisade, eftersom de inte uppfyller dina kapitalkrav, hävstångseffekter, maximal drawdown tolerance eller volatilitetspreferenser. De strategier som finns kvar kan nu betraktas som backtesting. Men innan det är möjligt är det nödvändigt att överväga ett slutgiltigt avslagskriterium, det vill säga tillgängliga historiska uppgifter för att testa dessa strategier. Hämta historisk data Idag är bredden av de tekniska kraven över tillgångsklasser för historisk datalagring betydande. För att förbli konkurrenskraftiga investerar både köpsidan (fonderna) och säljsidan (investeringsbankerna) kraftigt i sin tekniska infrastruktur. Det är absolut nödvändigt att överväga dess betydelse. Vi är speciellt intresserade av tidlighet, noggrannhet och lagringskrav. Jag ska nu redogöra för grunderna för att erhålla historisk data och hur man lagrar den. Tyvärr är det här ett mycket djupt och tekniskt ämne, så jag kan inte säga allt i den här artikeln. Jag kommer emellertid att skriva mycket mer om detta i framtiden, eftersom min tidigare branschupplevelse i finansbranschen främst gällde ekonomiskt datainsamling, lagring och åtkomst. I det föregående avsnittet hade vi satt upp en strategiprocess som gjorde att vi kunde avvisa vissa strategier utifrån våra egna personliga avslagskriterier. I det här avsnittet filtrerar vi fler strategier utifrån våra egna preferenser för att erhålla historisk data. The chief considerations (especially at retail practitioner level) are the costs of the data, the storage requirements and your level of technical expertise. We also need to discuss the different types of available data and the different considerations that each type of data will impose on us. Lets begin by discussing the types of data available and the key issues we will need to think about: Fundamental Data - This includes data about macroeconomic trends, such as interest rates, inflation figures, corporate actions (dividends, stock-splits), SEC filings, corporate accounts, earnings figures, crop reports, meteorological data etc. This data is often used to value companies or other assets on a fundamental basis, i. e. via some means of expected future cash flows. It does not include stock price series. Some fundamental data is freely available from government websites. Other long-term historical fundamental data can be extremely expensive. Storage requirements are often not particularly large, unless thousands of companies are being studied at once. News Data - News data is often qualitative in nature. It consists of articles, blog posts, microblog posts (tweets) and editorial. Machine learning techniques such as classifiers are often used to interpret sentiment . This data is also often freely available or cheap, via subscription to media outlets. The newer NoSQL document storage databases are designed to store this type of unstructured, qualitative data. Asset Price Data - This is the traditional data domain of the quant. It consists of time series of asset prices. Equities (stocks), fixed income products (bonds), commodities and foreign exchange prices all sit within this class. Daily historical data is often straightforward to obtain for the simpler asset classes, such as equities. However, once accuracy and cleanliness are included and statistical biases removed, the data can become expensive. In addition, time series data often possesses significant storage requirements especially when intraday data is considered. Financial Instruments - Equities, bonds, futures and the more exotic derivative options have very different characteristics and parameters. Thus there is no one size fits all database structure that can accommodate them. Significant care must be given to the design and implementation of database structures for various financial instruments. We will discuss the situation at length when we come to build a securities master database in future articles. Frequency - The higher the frequency of the data, the greater the costs and storage requirements. For low-frequency strategies, daily data is often sufficient. For high frequency strategies, it might be necessary to obtain tick-level data and even historical copies of particular trading exchange order book data. Implementing a storage engine for this type of data is very technologically intensive and only suitable for those with a strong programmingtechnical background. Benchmarks - The strategies described above will often be compared to a benchmark . This usually manifests itself as an additional financial time series. For equities, this is often a national stock benchmark, such as the SP500 index (US) or FTSE100 (UK). For a fixed income fund, it is useful to compare against a basket of bonds or fixed income products. The risk-free rate (i. e. appropriate interest rate) is also another widely accepted benchmark. All asset class categories possess a favoured benchmark, so it will be necessary to research this based on your particular strategy, if you wish to gain interest in your strategy externally. Technology - The technology stacks behind a financial data storage centre are complex. This article can only scratch the surface about what is involved in building one. However, it does centre around a database engine, such as a Relational Database Management System (RDBMS), such as MySQL, SQL Server, Oracle or a Document Storage Engine (i. e. NoSQL). This is accessed via business logic application code that queries the database and provides access to external tools, such as MATLAB, R or Excel. Often this business logic is written in C, C, Java or Python. You will also need to host this data somewhere, either on your own personal computer, or remotely via internet servers. Products such as Amazon Web Services have made this simpler and cheaper in recent years, but it will still require significant technical expertise to achieve in a robust manner. As can be seen, once a strategy has been identified via the pipeline it will be necessary to evaluate the availability, costs, complexity and implementation details of a particular set of historical data. You may find it is necessary to reject a strategy based solely on historical data considerations. This is a big area and teams of PhDs work at large funds making sure pricing is accurate and timely. Do not underestimate the difficulties of creating a robust data centre for your backtesting purposes I do want to say, however, that many backtesting platforms can provide this data for you automatically - at a cost. Thus it will take much of the implementation pain away from you, and you can concentrate purely on strategy implementation and optimisation. Tools like TradeStation possess this capability. However, my personal view is to implement as much as possible internally and avoid outsourcing parts of the stack to software vendors. I prefer higher frequency strategies due to their more attractive Sharpe ratios, but they are often tightly coupled to the technology stack, where advanced optimisation is critical. Now that we have discussed the issues surrounding historical data it is time to begin implementing our strategies in a backtesting engine. This will be the subject of other articles, as it is an equally large area of discussion Just Getting Started with Quantitative Trading