Optimal-trading-strategy-under-arbitrage

Optimal-trading-strategy-under-arbitrage

Option-trading-job-colorado
Infiniti-fx-lease-options
Kaya-oleh-forex


Trading-strategy-in-bond Option-trading-software-free-download Online-native-american-trading-post Rsi-trendline-strategy Mudahnya-trading-forex Online-trading-history

Algorithmic Trading Apa itu Algorithmic Trading Algorithmic trading, juga disebut perdagangan algo dan perdagangan kotak hitam, adalah sistem perdagangan yang menggunakan model matematis dan kompleks yang canggih dan formula untuk membuat keputusan dan transaksi berkecepatan tinggi di pasar keuangan. Perdagangan algoritma melibatkan penggunaan program komputer cepat dan algoritma kompleks untuk menciptakan dan menentukan strategi trading untuk keuntungan optimal. BREAKING DOWN Algorithmic Trading Beberapa strategi investasi dan strategi trading seperti arbitrase. Penyebaran antar pasar, pembuatan pasar, dan spekulasi dapat ditingkatkan melalui perdagangan algoritmik. Platform elektronik dapat sepenuhnya mengoperasikan strategi investasi dan perdagangan melalui perdagangan algoritmik. Dengan demikian, algoritma dapat mengeksekusi instruksi perdagangan dalam kondisi tertentu dalam harga, volume, dan waktu. Penggunaan perdagangan algoritmik paling sering digunakan oleh investor institusional besar karena banyaknya saham yang mereka beli setiap hari. Algoritma yang kompleks memungkinkan investor tersebut memperoleh harga terbaik tanpa mempengaruhi harga saham secara signifikan dan meningkatkan biaya pembelian. Arbitrase adalah selisih antara harga pasar antara dua entitas yang berbeda. Arbitrase biasanya dilakukan dalam bisnis global. Misalnya, perusahaan dapat memanfaatkan pasokan yang lebih murah atau tenaga kerja dari negara lain. Perusahaan-perusahaan ini mampu memangkas biaya dan meningkatkan keuntungan. Arbitrase juga bisa dimanfaatkan dalam perdagangan berjangka SampP dan saham SampP 500. Ini khas untuk saham SampP dan saham SampP 500 untuk mengembangkan perbedaan harga. Bila ini terjadi, saham yang diperdagangkan di pasar NASDAQ dan NYSE tertinggal baik atau maju dari masa depan SampP, memberikan kesempatan untuk arbitrase. Perdagangan algoritmik berkecepatan tinggi bisa melacak pergerakan dan keuntungan dari perbedaan harga. Perdagangan Sebelum Dana Indeks Rebalancing Tabungan pensiun seperti dana pensiun sebagian besar diinvestasikan pada reksadana. Dana reksa dana indeks secara teratur disesuaikan agar sesuai dengan harga baru dari underlying asset fund. Sebelum ini terjadi, instruksi trading yang terprogram dipicu oleh strategi dukungan algoritmik yang didukung, yang dapat mentransfer keuntungan dari investor ke pedagang algoritmik. Mean Reversion Mean reversion adalah metode matematis yang menghitung rata-rata harga sementara dan rendah sementara keamanan. Perdagangan algoritma menghitung rata-rata ini dan potensi keuntungan dari pergerakan harga sekuritas karena harganya jauh atau mendekati harga rata-rata. Laba-laba skalar dari perdagangan bid-ask menyebar secepat mungkin beberapa kali dalam sehari. Pergerakan harga harus lebih kecil dari pada keamanan yang menyebar. Gerakan ini terjadi dalam beberapa menit atau kurang, sehingga kebutuhan akan keputusan cepat, yang dapat dioptimalkan dengan formula perdagangan algoritmik. Strategi lain yang dioptimalkan oleh perdagangan algoritmik mencakup pengurangan biaya transaksi dan strategi lain yang berkaitan dengan kolam gelap. Pembelajaran Maritim dan Perdagangan Otomatis The Big Short (saya suka) Mencari strategi perdagangan dengan backtests yang menguntungkan - UPDATE Saya memiliki beberapa percakapan yang sangat menarik karena saya menawarkan Kerangka perdagangan intraday non-publik sebagai pertukaran informasi mengenai strategi yang menguntungkan, oleh karena itu saya ingin memperpanjang panggilan terbatas pada waktu terbatas ini secara tidak terbatas. Perhatikan bahwa saya tidak mencari ide strategi. Saya memiliki banyak dari mereka sendiri. Tantangannya tidak terletak pada ide yang ada, tapi dalam memilih yang benar dan mengujinya sampai akhir, kapan Anda akan tahu bahwa itu berhasil atau tidak. Faktor kritis di sini adalah waktu. Jadi, apa dasarnya saya adalah perdagangan yang telah saya investasikan ke dalam pengembangan kerangka perdagangan intraday yang solid dengan waktu yang telah Anda investasikan untuk mengembangkan strtategy perdagangan yang menguntungkan. Ini bisa menjadi strategi saham, ETF, future atau option. Semua diskusi dan pertukaran informasi akan dijaga kerahasiaannya. Saya tentu saja terbuka untuk membicarakan ide secara murni, tapi tolong jangan mengharapkan saya untuk mengujinya untuk Anda dan jangan mengeluh jika saya menerapkannya tanpa meminta persetujuan Anda. Panggilan untuk Proposal Mencari strategi perdagangan dengan backtests yang menguntungkan Sampai 15 Juni. Saya menerima proposal untuk strategi perdagangan yang menjanjikan pada indeks saham, mata uang dan sahambondcommodity. Strategi ini harus menguntungkan dalam backtesting dan memiliki rasio sharpe tahunan minimal 1,0. Pada tanggal 1 Juli, dua strategi yang paling menjanjikan akan dipilih dan penulis mereka dapat memilih salah satu dari opsi berikut: 1) Dapatkan salinan lengkap dan gratis dari kerangka kerja perdagangan non publik yang disempurnakan berdasarkan R yang telah saya kembangkan dan gunakan Sejak 2012 dan bisa penulis gunakan untuk live trading strategi mereka dengan Interactive Brokers. (Versi publik yang disederhanakan dapat didownload di sini) 2) Masuk ke dalam kesepakatan kerja sama di mana saya akan berkomitmen untuk menerapkan strategi mereka di R dan perdagangan kertas selama maksimal tiga bulan. Semua perdagangan individu akan dibagi dengan penulis saat mereka tiba. Selain itu, kode R yang spesifik untuk strategi (bukan kode kerangka kerja perdagangan) akan diserahkan kepada penulis strategi. Apa yang harus disampaikan: Deskripsi lengkap tentang strategi ditambah daftar perdagangan ditambah waktu pengembalian kode backtest atau kode Roctavepython yang dapat digunakan secara langsung untuk menghitung backsest return timeseries, bersama dengan dataset lengkap harga yang digunakan di backtest. Kirimkan ke email saya yang tersedia di bagian Kontak Pembaruan Kerangka Perdagangan Intraday R murni Akhirnya saya menemukan waktu untuk melakukan ini. Lama tertunda. Kerangka kerja sekarang berjalan dengan versi terbaru (unix) dari IB TWSGW (versi 9493 dan yang lebih tinggi). Hal ini sendiri membutuhkan penulisan kembali parsial beberapa fungsi dari paket IBrokers R yang hebat namun sekarang sedikit usang oleh Jeff Ryan. Juga konfigurasi default untuk trading EURUSD telah diupdate sehingga sekarang menjadi sepotong kue untuk menjalankan contoh strategi dummy. Cukup kloning repo git ke mesin lokal Anda. GithubcensixINTRADAY-PartAB dan ikuti README. Sesuatu tentang Hardware Aku masih penggemar memiliki logam saya sendiri. Tentu, melakukan hal-hal dengan gambar mesin yang dapat dikonfigurasi di awan sangat populer karena Anda tidak perlu repot mengelola perangkat keras Anda sendiri, namun, bukankah kerumitan itu benar-benar hanya menjadi masalah bagi organisasi besar di mana ratusan pengguna harus tetap bahagia di Biaya minimal Begitu juga awan bukan hanya solusi untuk masalah orang-orang yang harus mengelola skala, tapi pada saat bersamaan mencoba menjual-pada solusi itu ke joe individu di luar sana yang, mari menghadapinya, tidak benar-benar membutuhkannya. Bagaimanapun, seperti yang saya katakan, saya adalah penggemar yang memiliki logam saya sendiri. Hardware off-the-shelf yang murah bisa membawa Anda jauh jika Anda meluangkan waktu untuk mengkonfigurasinya dengan benar. Sebuah desktop RAM 16-64Gb dengan satu atau bahkan dua GPU akan cukup banyak melakukan apapun yang Anda butuhkan. Tampaknya strategi backtesting menggunakan lebih banyak sumber daya komputasi daripada perdagangan live aktual, oleh karena itu hari ini Anda dapat menyiapkan dan menjalankan strategi intraday dari laptop yang layak dengan keyakinan, sedangkan untuk backtesting dan penelitian Anda benar-benar menginginkan monster CPU RAM GPU Di atas atau sekelompok kecil supercomputing kecil Anda sendiri, seperti yang baru saja saya jelaskan di sini. Murni R Intraday trading framwork Download lengkap tersedia Saya telah membuat INTRADAY-PartA.tar.gz dan INTRADAY-PartB.tgz tersedia untuk didownload. Censixdownloads.html Menemukan hubungan antara aset yang dapat digunakan untuk arbitrase statistik Alih-alih berfokus pada peramalan arah harga dan volatilitas harga dengan model nonlinier yang diperoleh dengan metode pembelajaran mesin, alternatifnya adalah mencoba dan menemukan hubungan harga yang dapat dieksploitasi antara aset kelas yang sama. Dan bereaksi (trade) ketika terjadi salah saji, dengan kata lain, melakukan arbitrase statistik. Dalam arti ini mungkin lebih mudah daripada mencoba meramalkan harga, karena satu-satunya yang harus dilakukan adalah menemukan hubungan linier atau linier yang relatif stabil antara satu kelompok dengan setidaknya dua aset dan mengasumsikan bahwa, sejak saat Pendeteksiannya, hubungan itu akan berlanjut untuk beberapa waktu ke depan. Perdagangan dengan asumsi ini kemudian sangat banyak proses reaktif yang dipicu oleh pergerakan harga yang menyimpang secara signifikan dari hubungan model. Perdagangan Pasangan Tradisional dan perdagangan assetts dalam VECM (Vector Error Correction Model) adalah contoh yang baik untuk statarb dengan menggunakan model linier. Jadi mengapa tidak menggunakan jaringan syaraf tiruan satu lapisan atau bahkan RBM untuk menemukan hubungan harga non linier antara dua aset tidak terkointegrasi dan jika proses penemuan ini berhasil, lakukan perdagangan dengan cara yang mirip dengan pasangan klasik. Hal menjadi lebih menarik lagi bila kelompok dengan lebih dari dua aset dipertimbangkan. Ini kemudian akan menjadi ekuivalen non-linear dari VECM. Pilihan Fitur Breadth vs Depth Katakanlah kita memiliki target predikat predecessition univariat yang bisa berupa regresi atau klasifikasi tipe, dan kita harus memutuskan fitur input apa yang akan dipilih. Lebih konkretnya, kita memiliki sekumpulan besar timeseries yang bisa kita gunakan sebagai masukan dan kita ingin tahu berapa banyak yang harus kita pilih (luasnya) dan juga seberapa jauh ke belakang kita ingin mencari masing-masing (kedalaman). Ada dua dimensi ruang pilihan, dibatasi oleh empat kasus ekstrem berikut, dengan asumsi bahwa kita memiliki total seri N dan paling tidak kita dapat melihat kembali timesteps K: (1) hanya memilih satu seri dan tampilan balik Satu timestep, (2) pilih hanya satu seri dan lookback K timesteps, (3) pilih seri N dan lihat satu timestep, (4) pilih seri N dan lookback K timesteps. Pilihan yang optimal kemungkinan besar bukan salah satunya, karena (1) dan (2) mungkin tidak mengandung cukup informasi prediksi dan (3) dan terutama (4) tidak dapat dilakukan karena kontraksi komputasi atau mengandung terlalu banyak noise acak. Cara yang disarankan untuk mendekati ini adalah mulai dari kecil pada (1), lihat kinerja apa yang Anda dapatkan, dan kemudian tingkatkan ukuran ruang masukan, baik secara luas atau mendalam, sampai Anda mencapai kinerja prediksi yang memuaskan atau sampai Anda lelah. Sumber daya komputasi Anda dan perlu untuk mengabaikan keseluruhan pendekatan :( atau beli desktop baru (pertanian) :) Menggunakan Stacked Autoencoders dan Mesin Boltzmann yang Dibekukan di R 12 Februari 2014 Stacked Autoencoders (SAs) dan Mesin Boltzmann yang Dibatasi ( RBM) adalah model yang sangat kuat untuk pembelajaran tanpa pengawasan. Sayangnya, pada saat penulisan ini terlihat seolah-olah tidak ada implementasi R langsung yang tersedia, yang mengejutkan karena kedua tipe model telah ada selama beberapa waktu dan R memiliki implementasi untuk jenis model pembelajaran mesin lainnya. Sebagai solusi, SA dapat diimplementasikan dengan menggunakan salah satu dari beberapa paket jaringan syaraf R yang cukup cepat (nnet, AMORE) dan RBMs, nah, seseorang harus menulis implementasi R yang baik untuk mereka. Namun mengingat bahwa pelatihan kedua tipe model ini membutuhkan banyak sumber daya komputasi, kami juga menginginkan implementasi yang bisa memanfaatkan GPU. Jadi saat ini solusi paling sederhana yang kita miliki adalah menggunakan Theano. Ini bisa menggunakan GPU dan ini menyediakan implementasi autoencoders dan RBM yang ditumpuk (denoising). Selain kode PythonTheano untuk beberapa varian Mesin Boltzmann lainnya yang lebih eksotis juga beredar di net. Kita bisa menggunakan rPython untuk memanggil fungsi Python ini dari R tapi tantangannya adalah data. Mendapatkan dataset besar bolak-balik antara R dan Python tanpa menggunakan serialisasi ascii yang mengimplementasikan rPython (terlalu lambat) perlu dipecahkan. Implementasi autoencoders setidaknya sama kuat yang mendukung penggunaan GPU tersedia melalui kerangka kerja Torch7 (demo). Namun, fungsi Torch7 dipanggil menggunakan lua dan memanggilnya dari dalam R alih-alih akan memerlukan beberapa pekerjaan di tingkat C. Sebagai kesimpulan: Gunakan Theano (Python) atau Torch7 (lua) untuk model pelatihan dengan dukungan GPU dan tuliskan model yang dilatih untuk diajukan. Di R, impor model yang dilatih dari file dan digunakan untuk prediksi. Update 25 April 2014: Solusi bagus berikut Call Python dari R melalui Rcpp harus membawa kita selangkah lebih dekat untuk menggunakan Theano secara langsung dari R. Frekuensi apa untuk Perdagangan. 13 Januari 2014 Saat mencoba menemukan pola pasar yang dapat dieksploitasi yang bisa diperdagangkan sebagai pedagang eceran, salah satu pertanyaan pertama adalah: Frekuensi perdagangan apa yang harus dilihat pada Harian Mingguan Bulanan atau intraday antara 5 detik sampai 1 jam Dengan waktu terbatas yang tersedia untuk Melakukan penelitian pada semua rentang waktu ini, ini menjadi pertanyaan penting untuk dijawab. Saya dan orang lain telah mengamati bahwa tampaknya ada hubungan yang sederhana antara frekuensi perdagangan dan jumlah usaha yang dibutuhkan untuk menemukan strategi yang menguntungkan yang murni kuantitatif dan memiliki risiko yang dapat diterima. Singkatnya: Semakin rendah (lambat) frekuensi yang Anda inginkan untuk diperdagangkan, semakin pintar strategi menguntungkan Anda. Sebagai contoh, orang bisa melihat frekuensi spektrum yang sangat tinggi, di mana strategi pemasaran berdasarkan matematika yang sangat sederhana bisa sangat menguntungkan, jika Anda berhasil cukup dekat ke pusat pasar. Mengambil lompatan besar ke ranah frekuensi harian, menjadi jauh lebih sulit untuk menemukan strategi kuantitatif yang menguntungkan sementara masih didasarkan pada matematika yang agak sederhana. Perdagangan dalam interval mingguan dan bulanan, dengan menggunakan metode kuantitatif sederhana atau indikator teknis hanya merupakan resep bencana yang sangat bagus. Jadi, dengan asumsi sejenak hubungan ini memang benar dan juga mengingat bahwa kita dapat dan ingin menggunakan teknik pembelajaran mesin yang canggih dalam strategi trading kita, kita dapat memulai dengan jendela frekuensi mingguan dan berjalan menuju frekuensi yang lebih tinggi. Perdagangan mingguan tidak harus otomatis sama sekali dan bisa dilakukan dari antarmuka pialang berbasis web. Kita bisa mengembangkan sekumpulan strategi, menggunakan data historis yang tersedia untuk umum dikombinasikan dengan algoritma pembelajaran favorit kita untuk menemukan pola pasar yang dapat diperdagangkan dan kemudian menjalankan strategi secara manual. Pada skala ini, semua upaya harus dilakukan untuk menemukan dan menyempurnakan strategi kuantitatif dan pemikiran yang sangat kecil perlu dimasukkan ke dalam eksekusi perdagangan. Upaya otomasi perdagangan: 0. Strategi yang dibutuhkan cerdas: 100 Perdagangan harian harus otomatis, kecuali Anda benar-benar dapat mendedikasikan porsi tetap hari Anda untuk memantau pasar dan mengeksekusi perdagangan. Mengintegrasikan algoritma pembelajaran mesin dengan perdagangan harian otomatis bukanlah tugas sepele, namun bisa dilakukan. Upaya otomasi perdagangan: 20, Kebutuhan kecerdasan strategi: 80 Pada rentang waktu intraday, mulai dari menit dan detik sampai sub-detik, usaha yang harus Anda lakukan untuk mengotomatisasi perdagangan Anda dapat berada di manapun dalam kisaran antara 20 dan 90. Untungnya semakin kecil Skala waktu menjadi bodoh strategi Anda, tapi bisu tentu saja merupakan konsep relatif di sini. Upaya otomasi perdagangan: 80, dibutuhkan kecerdasan Strategi: 20 Fitur apa yang digunakan. Hand-crafted vs. pelajari 10 Desember 2013 Pada satu titik dalam perancangan sistem pembelajaran (mesin), Anda pasti akan bertanya kepada diri sendiri fitur apa yang akan dimasukkan ke model Anda. Setidaknya ada dua pilihan. Yang pertama adalah menggunakan fitur hand-crafted. Pilihan ini biasanya akan memberi Anda hasil yang bagus jika fitur dirancang dengan baik (tentu saja ini adalah tautologi, karena Anda hanya akan menyebutnya dirancang dengan baik jika memberi hasil yang bagus.). Merancang fitur buatan tangan memerlukan pengetahuan ahli tentang bidang dimana sistem pembelajaran akan diterapkan, yaitu klasifikasi audio, pengenalan gambar atau dalam kasus kami. Masalahnya di sini adalah Anda mungkin belum memiliki pengetahuan ahli tersebut (dan) dan akan sangat sulit didapat atau membutuhkan banyak waktu atau kemungkinan besar keduanya. Jadi alternatifnya adalah dengan mempelajari fitur dari data atau dengan kata lain, gunakan pembelajaran tanpa pengawasan untuk mendapatkannya. Satu persyaratan di sini adalah Anda benar-benar membutuhkan banyak data. Jauh lebih banyak dari yang Anda butuhkan untuk fitur buatan tangan, tapi sekali lagi itu tidak perlu diberi label. Namun manfaatnya jelas. Anda tidak perlu menjadi ahli dalam bidang spesifik yang Anda desain untuk sistem, yaitu perdagangan dan keuangan. Jadi, sementara Anda masih perlu mencari tahu bagian mana dari fitur terpelajar yang terbaik untuk sistem pembelajaran Anda, itu juga merupakan sesuatu yang harus Anda lakukan dengan fitur buatan tangan. Saran saya: Cobalah merancang beberapa fitur buatan tangan sendiri. Jika mereka tidak melakukan dan Anda memiliki alasan bagus untuk percaya bahwa kemungkinan menghasilkan lebih baik daripada hasil yang Anda dapatkan, gunakan metode pembelajaran tanpa pengawasan untuk mempelajari fitur. Anda bahkan bisa membuat sistem hibrida yang menggunakan fitur yang dirancang dan dipelajari bersama. Mengapa saya menggunakan alat Open Source untuk membangun aplikasi perdagangan 19 November 2013 Ketika saya pertama kali mulai melakukan trading otomatis saya sendiri, saya memiliki tiga persyaratan mengenai seperangkat alat yang ingin saya gunakan. 1) Mereka harus biaya sesedikit mungkin untuk memulai, bahkan jika itu berarti saya harus melakukan banyak pemrograman dan penyesuaian sendiri (akan memakan waktu) 2) Harus ada komunitas orang yang berpikiran sama di luar sana. Menggunakan alat yang sama untuk tujuan yang sama. 3) Alat harus memungkinkan saya masuk sedalam isi perut dari sistem seperlunya, bahkan jika pada awalnya, tujuan saya lebih banyak untuk menemukan dasar-dasarnya. Saya tidak ingin menemukan diri saya dalam situasi di mana dua tahun ke depan saya perlu beralih ke perangkat yang berbeda, hanya karena yang telah saya mulai dengan tidak mengizinkan saya melakukan apa yang saya inginkan karena masalah dengan Sumber tertutup dan lisensi yang membatasi. Akibatnya, saya memilih R sebagai bahasa pilihan untuk mengembangkan algortihms dan mulai menggunakan Interactive Brokers karena mereka menyediakan API untuk berinteraksi dengan sistem broker mereka. Meskipun ada banyak alat perdagangan bagus yang terhubung ke IB Trader Workstation dan beberapa dapat digunakan untuk perdagangan otomatis, semua ini menawarkan kekuatan, fleksibilitas dan dukungan masyarakat yang sama dengan yang dimiliki proyek R. Selain itu, R telah benar-benar merupakan gudang yang menakjubkan dari paket pembelajaran statistik dan mesin gratis dan sangat adavanced, sesuatu yang penting jika Anda ingin membuat algoritme perdagangan. Salinan Cipta Censix 2013 - 2015Aplikasi Teori Grafik Di Bidang Keuangan Kumpulan data yang sangat besar 8211 terdiri dari sejumlah besar simbol 8211 menghadirkan tantangan bagi analis, yang tidak kalah pentingnya adalah memvisualisasikan hubungan antara aset komponen individual. Tidak ada petunjuk visual yang sering disorot oleh gambar grafis, mudah bagi analis untuk mengabaikan perubahan penting dalam hubungan. Salah satu cara mengatasi masalah adalah dengan penggunaan grafik. Dalam contoh ini saya telah memilih sekuritas Dow 30 saham, bersama dengan sampel komoditas dan obligasi dan mengumpulkan basis data pengembalian harian selama periode Januari-Desember 2013. Jika kita ingin melihat bagaimana aset tersebut berkorelasi , Salah satu caranya adalah membuat grafik kedekatan yang memetakan keterkaitan antara aset yang berkorelasi pada beberapa tingkat yang ditentukan (0,5 lebih tinggi, dalam ilustrasi ini). Jelas pilihan ambang korelasi agak sewenang-wenang, dan mudah untuk mengevaluasi hasilnya secara dinamis, di berbagai parameter ambang yang berbeda, katakanlah dalam kisaran 0,3 sampai 0,75: Pilihan parameter (dan kerangka waktu) mungkin tergantung Pada tujuan analisis: untuk membangun portofolio kita dapat memilih nilai ambang yang lebih rendah tetapi jika tujuannya adalah untuk mengidentifikasi pasangan untuk strategi arbitrase statistik yang mungkin, seseorang biasanya akan mencari korelasi yang jauh lebih tinggi. Mengembalikan ke grafik asli, ada kelompok inti dari saham yang sangat saling berkorelasi sehingga kita dapat dengan mudah mengidentifikasi dengan lebih jelas menggunakan fungsi Mathematica FindClique untuk menentukan nodus grafik yang memiliki banyak koneksi: Kita mungkin, misalnya, dapat mengeksplorasi kinerja relatif anggota Dari sub kelompok ini dari waktu ke waktu dan mungkin menyelidiki pertanyaan apakah kinerja relatif rendah atau kinerja rendah cenderung bertahan, atau, mengingat karakteristik korelasi kelompok ini, berbalik dari waktu ke waktu untuk memberi efek pengembalian rata-rata. Sebuah aplikasi yang jelas mungkin untuk membangun portofolio replikasi yang terdiri dari sub kelompok saham yang memiliki bobot sama, dan mengeksplorasi seberapa baik indeks Dow Jones melintas dari waktu ke waktu (di sini saya menggunakan DIA ETF sebagai proxy untuk indeks tersebut, demi Kenyamanan): Korelasi antara indeks Dow (DIA ETF) dan portofolio tetap kuat (sekitar 0,91) sepanjang periode di luar sampel dari 2014-2016, meskipun kinerja portofolio jelas lebih lemah daripada indeks ETF setelah bagian awal 2014: Aplikasi lain mungkin untuk membangun portofolio aset berkorelasi rendah yang kuat. Sebagai contoh, kita menggunakan grafik untuk mengidentifikasi simpul independen yang memiliki hubungan berkorelasi sangat sedikit (ditunjuk menggunakan simbol bintang pada grafik di bawah). Kami kemudian dapat membuat portofolio bobot sama dengan aset yang memiliki korelasi terendah dan membandingkan kinerjanya dengan Indeks Dow. Portofolio baru ini berkinerja buruk pada indeks selama tahun 2014, namun dengan volatilitas dan penarikan rata-rata yang lebih rendah. Kesimpulan Teori graf jelas memiliki banyak potensi aplikasi di bidang keuangan. Ini sangat berguna sebagai sarana untuk menyediakan ringkasan grafis kumpulan data yang melibatkan sejumlah besar hubungan timbal balik yang kompleks, yang merupakan jantung teori portofolio dan replikasi indeks. Aplikasi lain yang berguna adalah mengidentifikasi dan mengevaluasi hubungan korelasi dan kointegrasi antara pasangan atau portofolio saham kecil, karena mereka berevolusi dari waktu ke waktu, dalam konteks arbitrase statistik.
How-to-get-200-hari-moving-average
Simple-trading-strategy-gold