Quantitative-trading-strategies-r

Quantitative-trading-strategies-r

Trading-strategy-with-futures
Option-trading-test
Sistem pembunuh-trading


Whipsaw-trading-system Online-trading-standard-chartered Online-stock-trading-no-minimum-deposit Apa-apakah-maksudnya-saat-opsi saham-saham Renko-brick-forex-trading-strategy-ebook-download Moving-average-highcharts

Strategi Kuantitas - Apakah Mereka Untuk Anda Strategi investasi kuantitatif telah berkembang menjadi alat yang sangat kompleks dengan munculnya komputer modern, namun akar strategi kembali berusia di atas 70 tahun. Mereka biasanya dijalankan oleh tim berpendidikan tinggi dan menggunakan model berpemilik untuk meningkatkan kemampuan mereka dalam mengalahkan pasar. Bahkan ada program off-the-shelf yang plug and play untuk mereka yang mencari kesederhanaan. Model Quant selalu bekerja dengan baik saat diuji kembali, namun sebenarnya aplikasi dan tingkat keberhasilannya dapat diperdebatkan. Sementara mereka tampaknya bekerja dengan baik di pasar banteng. Ketika pasar menjadi kacau, strategi kuant dikenakan risiko yang sama seperti strategi lainnya. Sejarah Salah satu pendiri studi teori kuantitatif yang diterapkan pada keuangan adalah Robert Merton. Anda hanya bisa membayangkan betapa sulit dan memakan waktu proses itu sebelum penggunaan komputer. Teori lain di bidang keuangan juga berevolusi dari beberapa studi kuantitatif pertama, termasuk dasar diversifikasi portofolio berdasarkan teori portofolio modern. Penggunaan kedua kuantitatif keuangan dan kalkulus menyebabkan banyak alat umum lainnya termasuk salah satu yang paling terkenal, rumus opsi opsi Black-Scholes, yang tidak hanya membantu pilihan harga investor dan mengembangkan strategi, namun membantu menjaga pasar tetap terjaga dengan likuiditas. Bila diterapkan langsung ke manajemen portofolio. Tujuannya seperti strategi investasi lainnya. Untuk menambahkan nilai, hasil alfa atau kelebihan. Banyak, sebagai pengembang disebut, menyusun model matematika kompleks untuk mendeteksi peluang investasi. Ada banyak model di luar sana sebagai quants yang mengembangkannya, dan semuanya mengklaim sebagai yang terbaik. Salah satu strategi investasi kuantitatif adalah bahwa model, dan akhirnya komputer, membuat keputusan pembelian yang sebenarnya, bukan manusia. Hal ini cenderung menghilangkan respons emosional yang mungkin dialami seseorang saat membeli atau menjual investasi. Strategi kuantitatif sekarang diterima di komunitas investasi dan dijalankan oleh reksa dana, hedge fund dan investor institusi. Mereka biasanya menggunakan nama alpha generator. Atau alfa gens. Di Balik Tirai Sama seperti di The Wizard of Oz, ada seseorang yang berada di balik tirai yang mendorong prosesnya. Seperti model lainnya, sama baiknya dengan manusia yang mengembangkan program ini. Meskipun tidak ada persyaratan khusus untuk menjadi quant, kebanyakan perusahaan yang menjalankan model quant menggabungkan keterampilan analis investasi, statistik dan pemrogram yang mengkode prosesnya ke dalam komputer. Karena sifat kompleks dari model matematika dan statistik, yang umum untuk melihat kepercayaan seperti gelar sarjana dan doktor di bidang keuangan, ekonomi, matematika dan teknik. Secara historis, anggota tim ini bekerja di kantor belakang. Tapi karena model quant menjadi lebih umum, kantor belakang pindah ke front office. Manfaat Strategi Kuantitas Sementara tingkat keberhasilan keseluruhan masih diperdebatkan, alasan beberapa strategi kuantitatif adalah bahwa mereka didasarkan pada disiplin. Jika modelnya benar, disiplin membuat strategi bekerja dengan komputer kecepatan kilat untuk mengeksploitasi inefisiensi di pasar berdasarkan data kuantitatif. Model-model itu sendiri hanya bisa didasarkan pada beberapa rasio seperti PE. Hutang terhadap ekuitas dan pertumbuhan pendapatan, atau menggunakan ribuan input yang bekerja sama pada saat bersamaan. Strategi yang berhasil dapat menangkap tren pada tahap awal karena komputer terus-menerus menjalankan skenario untuk menemukan inefisiensi sebelum orang lain melakukannya. Model-model tersebut mampu menganalisis kelompok investasi yang sangat besar secara bersamaan, di mana analis tradisional mungkin hanya melihat beberapa pada satu waktu saja. Proses penyaringan dapat menilai alam semesta dengan tingkat kelas seperti 1-5 atau A-F tergantung pada modelnya. Hal ini membuat proses perdagangan aktual sangat mudah dilakukan dengan berinvestasi pada investasi dengan nilai tinggi dan menjual produk dengan rating rendah. Model Quant juga membuka variasi strategi seperti long, short dan longshort. Dana kuantitatif yang berhasil tetap memegang kendali risiko karena sifat modelnya. Sebagian besar strategi dimulai dengan alam semesta atau patokan dan penggunaan pembobotan sektor dan industri dalam model mereka. Hal ini memungkinkan dana untuk mengendalikan diversifikasi sampai batas tertentu tanpa mengorbankan model itu sendiri. Quant funds biasanya berjalan dengan biaya rendah karena mereka tidak memerlukan banyak analis tradisional dan manajer portofolio untuk menjalankannya. Kekurangan dari Quant Strategies Ada beberapa alasan mengapa begitu banyak investor tidak sepenuhnya merangkul konsep membiarkan kotak hitam menjalankan investasi mereka. Untuk semua dana quant yang berhasil di luar sana, sepertinya banyak yang tidak berhasil. Sayangnya untuk reputasi quants, ketika mereka gagal, mereka gagal besar waktu. Manajemen Modal Jangka Panjang adalah salah satu dana lindung nilai yang paling terkenal, seperti yang dilakukan oleh beberapa pemimpin akademis yang paling dihormati dan dua ekonom pemenang Hadiah Nobel Prize Myron S. Scholes dan Robert C. Merton. Selama tahun 1990an, tim mereka menghasilkan laba di atas rata-rata dan menarik modal dari semua jenis investor. Mereka terkenal karena tidak hanya mengeksploitasi inefisiensi, namun menggunakan akses mudah ke modal untuk menciptakan taruhan leverage yang sangat besar pada arah pasar. Sifat disiplin strategi mereka sebenarnya menciptakan kelemahan yang menyebabkan keruntuhan mereka. Manajemen Modal Jangka Panjang dilikuidasi dan dibubarkan pada awal tahun 2000. Modelnya tidak mencakup kemungkinan bahwa pemerintah Rusia dapat gagal membayar sebagian hutangnya sendiri. Peristiwa yang satu ini memicu kejadian dan reaksi berantai yang diperbesar oleh malapetaka buatan. LTCM sangat terlibat dengan operasi investasi lainnya sehingga keruntuhannya mempengaruhi pasar dunia, memicu kejadian dramatis. Dalam jangka panjang, Federal Reserve masuk untuk membantu, dan bank lain dan dana investasi mendukung LTCM untuk mencegah kerusakan lebih lanjut. Inilah salah satu alasan mengapa dana quant dapat gagal, karena didasarkan pada peristiwa sejarah yang mungkin tidak termasuk kejadian masa depan. Sementara tim quant yang kuat akan terus menambahkan aspek baru pada model untuk memprediksi kejadian di masa depan, tidak mungkin memprediksi masa depan setiap saat. Quant funds juga bisa menjadi kewalahan ketika ekonomi dan pasar mengalami volatilitas yang lebih besar dari rata-rata. Sinyal beli dan jual bisa datang begitu cepat sehingga omset tinggi bisa menciptakan komisi dan kejadian kena pajak yang tinggi. Quant funds juga dapat menimbulkan bahaya saat dipasarkan sebagai bukti tahan atau didasarkan pada strategi singkat. Memprediksi penurunan. Menggunakan derivatif dan menggabungkan leverage bisa berbahaya. Salah satu belokan bisa menyebabkan ledakan, yang sering membuat berita. Garis Bawah Strategi investasi kuantitatif telah berevolusi dari kotak hitam kantor belakang hingga alat investasi utama. Mereka dirancang untuk memanfaatkan pemikiran terbaik dalam bisnis dan komputer tercepat untuk memanfaatkan inefisiensi dan memanfaatkan penggunaan untuk membuat taruhan pasar. Mereka bisa sangat sukses jika modelnya memasukkan semua masukan yang tepat dan cukup gesit untuk memprediksi kejadian pasar abnormal. Di sisi lain, sementara dana kuantitatif diuji kembali sampai mereka bekerja, kelemahan mereka adalah mereka mengandalkan data historis untuk kesuksesan mereka. Sementara investasi quant-style memiliki tempatnya di pasar, penting untuk menyadari kekurangan dan risikonya. Agar konsisten dengan strategi diversifikasi. Ide bagusnya untuk menerapkan strategi kuantitatif sebagai gaya investasi dan menggabungkannya dengan strategi tradisional untuk mencapai diversifikasi yang tepat. Teori ekonomi tentang pengeluaran total dalam perekonomian dan pengaruhnya terhadap output dan inflasi. Ekonomi Keynesian dikembangkan. Kepemilikan aset dalam portofolio. Investasi portofolio dilakukan dengan harapan menghasilkan laba di atasnya. Ini. Rasio yang dikembangkan oleh Jack Treynor bahwa langkah-langkah pengembalian yang diperoleh melebihi yang bisa diperoleh tanpa risiko. Pembelian kembali saham beredar (repurchase) oleh perusahaan untuk mengurangi jumlah saham yang beredar di pasaran. Perusahaan. Pengembalian pajak adalah pengembalian pajak yang dibayarkan kepada seseorang atau rumah tangga bila kewajiban pajak sebenarnya kurang dari jumlah tersebut. Nilai moneter dari semua barang jadi dan jasa yang dihasilkan dalam batas negara dalam periode waktu tertentu. Panduan untuk Perdagangan Kuantitatif Pada artikel ini saya akan memperkenalkan beberapa konsep dasar yang menyertai perdagangan kuantitatif end-to-end. Sistem. Pos ini diharapkan bisa melayani dua khalayak. Yang pertama adalah individu yang berusaha mendapatkan pekerjaan di sebuah dana sebagai pedagang kuantitatif. Yang kedua akan menjadi individu yang ingin mencoba dan mengatur bisnis perdagangan algoritmik ritel mereka sendiri. Perdagangan kuantitatif adalah bidang keuangan kuantum yang sangat canggih. Perlu waktu lama untuk mendapatkan pengetahuan yang diperlukan untuk menyampaikan wawancara atau membuat strategi trading Anda sendiri. Tidak hanya itu tapi juga membutuhkan keahlian pemrograman yang ekstensif, setidaknya dalam bahasa seperti MATLAB, R atau Python. Namun seiring dengan meningkatnya frekuensi perdagangan, aspek teknologi menjadi jauh lebih relevan. Dengan demikian menjadi akrab dengan CC akan sangat penting. Sistem perdagangan kuantitatif terdiri dari empat komponen utama: Identifikasi Strategi - Menemukan strategi, memanfaatkan tepi dan menentukan frekuensi perdagangan Strategi Backtesting - Mendapatkan data, menganalisis kinerja strategi dan menghapus bias Sistem Eksekusi - Menghubungkan ke broker, mengotomatisasi perdagangan dan meminimalkan Biaya transaksi Manajemen Risiko - Alokasi modal yang optimal, ukuran taruhan Kriteria kutu dan psikologi trading Mulailah dengan melihat bagaimana mengidentifikasi strategi trading. Identifikasi Strategi Semua proses perdagangan kuantitatif dimulai dengan periode penelitian awal. Proses penelitian ini mencakup pencarian strategi, melihat apakah strategi tersebut sesuai dengan portofolio strategi lain yang mungkin Anda jalani, mendapatkan data yang diperlukan untuk menguji strategi dan mencoba mengoptimalkan strategi untuk keuntungan yang lebih tinggi dan atau risiko yang lebih rendah. Anda perlu mempertimbangkan kebutuhan modal Anda sendiri jika menjalankan strategi sebagai pedagang eceran dan bagaimana biaya transaksi akan mempengaruhi strategi. Berlawanan dengan kepercayaan populer, sebenarnya cukup mudah untuk menemukan strategi yang menguntungkan melalui berbagai sumber publik. Akademisi secara teratur mempublikasikan hasil perdagangan teoritis (walaupun sebagian besar kotor dari biaya transaksi). Blog keuangan kuantitatif akan membahas strategi secara rinci. Jurnal perdagangan akan menjelaskan beberapa strategi yang digunakan oleh dana. Anda mungkin mempertanyakan mengapa individu dan perusahaan sangat ingin mendiskusikan strategi yang menguntungkan mereka, terutama ketika mereka tahu bahwa orang lain berkerumun dalam perdagangan dapat menghentikan strategi tersebut untuk bekerja dalam jangka panjang. Alasannya terletak pada kenyataan bahwa mereka tidak akan sering membahas parameter dan metode penyetelan yang tepat yang telah mereka lakukan. Optimisation ini adalah kunci untuk mengubah strategi yang relatif biasa-biasa saja menjadi sangat menguntungkan. Sebenarnya, salah satu cara terbaik untuk menciptakan strategi unik Anda adalah menemukan metode yang serupa dan kemudian menerapkan prosedur pengoptimalan Anda sendiri. Berikut adalah daftar kecil tempat untuk mulai mencari ide strategi: Banyak strategi yang akan Anda lihat akan masuk dalam kategori pembalikan rata-rata dan tren-berikut ini. Strategi pembalikan rata-rata adalah strategi yang mencoba memanfaatkan fakta bahwa mean jangka panjang pada rangkaian harga (seperti spread antara dua aset berkorelasi) ada dan penyimpangan jangka pendek dari mean ini pada akhirnya akan kembali. Strategi momentum mencoba mengeksploitasi kedua psikologi investor dan struktur dana besar dengan cara menunggangi tren pasar, yang dapat mengumpulkan momentum dalam satu arah, dan mengikuti tren sampai berbalik arah. Aspek lain yang sangat penting dalam perdagangan kuantitatif adalah frekuensi strategi trading. Perdagangan frekuensi rendah (LFT) umumnya mengacu pada strategi yang memegang aset lebih lama dari hari perdagangan. Sejalan dengan itu, high frequency trading (HFT) umumnya mengacu pada strategi yang memegang aset intraday. Perdagangan frekuensi ultra tinggi (UHFT) mengacu pada strategi yang menyimpan aset berdasarkan urutan detik dan milidetik. Sebagai praktisi ritel HFT dan UHFT tentu saja mungkin, namun hanya dengan pengetahuan terperinci tentang tumpukan teknologi perdagangan dan dinamika buku pesanan. Kami tidak akan membahas aspek-aspek ini untuk sebagian besar dalam artikel pendahuluan ini. Begitu strategi, atau serangkaian strategi, telah diidentifikasi, sekarang perlu diuji untuk mendapatkan keuntungan berdasarkan data historis. Itulah domain backtesting. Strategi Backtesting Tujuan backtesting adalah untuk memberikan bukti bahwa strategi yang diidentifikasi melalui proses di atas menguntungkan bila diterapkan pada data historis dan data di luar sampel. Ini menentukan harapan bagaimana strategi akan tampil di dunia nyata. Namun, backtesting BUKAN jaminan kesuksesan, karena berbagai alasan. Ini mungkin adalah bidang perdagangan kuantitatif yang paling halus karena mengandung banyak bias, yang harus dipertimbangkan dan dihilangkan dengan hati-hati sebanyak mungkin. Kita akan membahas jenis bias yang umum termasuk bias melihat ke depan. Bias bias bertahan dan bias optimasi (juga dikenal sebagai data-snooping bias). Bidang penting lainnya dalam backtesting mencakup ketersediaan dan kebersihan data historis, mempertimbangkan biaya transaksi yang realistis dan menentukan platform backtesting yang kuat. Nah diskusikan biaya transaksi lebih jauh di bagian Sistem Eksekusi di bawah ini. Begitu strategi telah diidentifikasi, perlu memperoleh data historis untuk melakukan pengujian dan, mungkin, penyempurnaan. Ada sejumlah besar vendor data di semua kelas aset. Biaya mereka umumnya berskala dengan kualitas, kedalaman dan ketepatan waktu data. Titik awal tradisional untuk memulai pedagang quant (setidaknya di tingkat ritel) adalah dengan menggunakan kumpulan data gratis dari Yahoo Finance. Saya tidak banyak memikirkan penyedia layanan di sini, tapi saya ingin berkonsentrasi pada masalah umum saat menangani kumpulan data historis. Masalah utama dengan data historis termasuk keakuratan pemeliharaan bersih, bias bertahan dan penyesuaian untuk tindakan korporasi seperti dividen dan pemecahan saham: Akurasi berkaitan dengan keseluruhan kualitas data - apakah itu mengandung kesalahan. Kesalahan terkadang mudah dikenali, seperti filter spike. Yang akan memilih lonjakan salah dalam data deret waktu dan benar untuk mereka. Di lain waktu mereka bisa sangat sulit dikenali. Hal ini sering diperlukan untuk memiliki dua atau lebih penyedia dan kemudian memeriksa semua data mereka terhadap satu sama lain. Bias bertahan sering merupakan ciri dataset bebas atau murah. Dataset dengan bias survivorship berarti tidak mengandung aset yang tidak lagi diperdagangkan. Dalam kasus ekuitas ini berarti saham delistedbankrupt. Bias ini berarti bahwa strategi perdagangan saham yang diuji pada dataset semacam itu kemungkinan akan berkinerja lebih baik daripada di dunia nyata karena pemenang historis telah dipilih sebelumnya. Tindakan perusahaan meliputi kegiatan logistik yang dilakukan oleh perusahaan yang biasanya menyebabkan perubahan fungsi fungsi dalam harga mentah, yang seharusnya tidak dimasukkan dalam perhitungan imbal hasil harga. Penyesuaian dividen dan stock split merupakan penyebab umum. Proses yang dikenal sebagai penyesuaian kembali perlu dilakukan pada masing-masing tindakan ini. Kita harus sangat berhati-hati untuk tidak membingungkan pemecahan saham dengan penyesuaian kembali yang sebenarnya. Banyak trader telah tertangkap oleh tindakan korporasi Untuk melakukan prosedur backtest, perlu menggunakan platform perangkat lunak. Anda memiliki pilihan antara perangkat lunak backtest yang berdedikasi, seperti Tradestation, platform numerik seperti Excel atau MATLAB atau implementasi kustom penuh dalam bahasa pemrograman seperti Python atau C. Saya tidak banyak memikirkan Tradestasi (atau yang sejenis), Excel atau MATLAB, seperti yang saya yakini untuk menciptakan tumpukan teknologi internal (untuk alasan yang diuraikan di bawah). Salah satu manfaatnya adalah bahwa perangkat lunak dan sistem operasi backtest dapat terintegrasi secara ketat, bahkan dengan strategi statistik yang sangat canggih. Untuk strategi HFT khususnya sangat penting untuk menggunakan implementasi custom. Ketika backtesting sistem seseorang harus dapat mengukur seberapa baik kinerjanya. Metrik standar industri untuk strategi kuantitatif adalah penarikan maksimum dan Sharpe Ratio. Penarikan maksimum mencirikan penurunan peak-to-through terbesar dalam kurva ekuitas akun selama periode waktu tertentu (biasanya tahunan). Ini paling sering dikutip sebagai persentase. Strategi LFT cenderung memiliki penarikan yang lebih besar daripada strategi HFT, karena sejumlah faktor statistik. Backtest historis akan menunjukkan penarikan maksimum terakhir, yang merupakan panduan bagus untuk kinerja penarikan masa depan strategi. Pengukuran kedua adalah Sharpe Ratio, yang secara heuristik didefinisikan sebagai rata-rata kelebihan return dibagi dengan standar deviasi dari excess returns tersebut. Di sini, keuntungan berlebih mengacu pada kembalinya strategi di atas tolok ukur yang telah ditentukan sebelumnya. Seperti SP500 atau Treasury Bill 3 bulan. Perhatikan bahwa pengembalian tahunan bukanlah ukuran yang biasanya digunakan, karena tidak memperhitungkan volatilitas strategi (tidak seperti rasio Sharpe). Begitu strategi telah dilelang dan dianggap bebas dari bias (sebanyak mungkin), dengan Sharpe yang bagus dan penarikan yang diminimalkan, sekarang saatnya untuk membangun sistem eksekusi. Sistem Eksekusi Suatu sistem eksekusi adalah cara dimana daftar perdagangan yang dihasilkan oleh strategi dikirim dan dilaksanakan oleh broker. Terlepas dari kenyataan bahwa generasi perdagangan bisa bersifat semi-atau bahkan sepenuhnya otomatis, mekanisme eksekusi bisa manual, semi-manual (hanya satu klik) atau otomatis sepenuhnya. Untuk strategi LFT, teknik manual dan semi manual sering terjadi. Untuk strategi HFT, perlu dibuat mekanisme eksekusi otomatis sepenuhnya, yang seringkali digabungkan dengan generator perdagangan (karena saling ketergantungan strategi dan teknologi). Pertimbangan utama saat membuat sistem eksekusi adalah antarmuka ke broker. Minimisasi biaya transaksi (termasuk komisi, selip dan spread) dan perbedaan kinerja live system dari backtested performance. Ada banyak cara untuk melakukan interface ke broker. Mereka mulai menelepon broker Anda di telepon sampai ke Pemrograman Pemrograman Aplikasi (API) berkinerja tinggi. Idealnya Anda ingin mengotomatisasi pelaksanaan perdagangan Anda sebanyak mungkin. Ini membebaskan Anda untuk berkonsentrasi pada penelitian lebih lanjut, dan juga memungkinkan Anda menjalankan beberapa strategi atau bahkan strategi dengan frekuensi yang lebih tinggi (sebenarnya, HFT pada dasarnya tidak mungkin dilakukan tanpa eksekusi otomatis). Perangkat lunak backtesting umum yang diuraikan di atas, seperti MATLAB, Excel dan Tradestation bagus untuk frekuensi rendah, strategi yang lebih sederhana. Namun perlu dibangun sebuah sistem eksekusi in-house yang ditulis dalam bahasa kinerja tinggi seperti C untuk melakukan HFT nyata. Sebagai anekdot, dalam dana yang saya gunakan untuk bekerja, kami memiliki loop perdagangan 10 menit dimana kami akan mendownload data pasar baru setiap 10 menit dan kemudian melakukan perdagangan berdasarkan informasi tersebut dalam jangka waktu yang sama. Ini menggunakan skrip Python yang dioptimalkan. Untuk apa pun yang mendekati data frekuensi kedua atau kedua, saya yakin CC akan lebih ideal. Dalam dana yang lebih besar itu sering bukan domain dari quant trader untuk mengoptimalkan eksekusi. Namun di toko-toko kecil atau perusahaan HFT, para pedagang ADALAH pelaksana dan begitu banyak skillset yang lebih luas seringkali diminati. Ingatlah bahwa jika Anda ingin dipekerjakan oleh sebuah dana. Keterampilan pemrograman Anda akan sama pentingnya, jika tidak lebih dari itu, daripada kemampuan statistik dan ekonometri Anda. Isu utama lainnya yang berada di bawah panji eksekusi adalah minimisasi biaya transaksi. Biasanya ada tiga komponen untuk biaya transaksi: Komisi (atau pajak), yang merupakan biaya yang dibebankan oleh selisih broker, bursa dan SEC (atau badan pemerintah yang serupa), yang merupakan perbedaan antara apa yang Anda inginkan agar Dipenuhi versus apa yang sebenarnya terisi spread, yang merupakan perbedaan antara harga bidask dari keamanan yang diperdagangkan. Perhatikan bahwa spread TIDAK konstan dan tergantung pada likuiditas saat ini (yaitu ketersediaan pesanan buysell) di pasar. Biaya transaksi dapat membuat perbedaan antara strategi yang sangat menguntungkan dengan rasio Sharpe yang baik dan strategi yang sangat tidak menguntungkan dengan rasio Sharpe yang mengerikan. Ini bisa menjadi tantangan untuk memprediksi biaya transaksi dari backtest dengan benar. Bergantung pada frekuensi strategi, Anda memerlukan akses ke data pertukaran historis, yang akan mencakup data tick untuk harga bidask. Seluruh tim quants didedikasikan untuk optimalisasi eksekusi dalam dana yang lebih besar, untuk alasan ini. Pertimbangkan skenario di mana dana perlu melepaskan sejumlah besar perdagangan (yang alasannya banyak dan beragam). Dengan membuang begitu banyak saham ke pasar, mereka akan dengan cepat menekan harga dan mungkin tidak mendapatkan eksekusi yang optimal. Oleh karena itu algoritma yang meneteskan pesanan pakan ke pasar ada, walaupun kemudian dana tersebut menjalankan risiko selip. Selanjutnya, strategi lain memangsa kebutuhan ini dan bisa memanfaatkan inefisiensi. Ini adalah domain arbitrase struktur dana. Isu utama terakhir untuk sistem eksekusi menyangkut perbedaan kinerja strategi dari kinerja backtested. Hal ini bisa terjadi karena sejumlah alasan. Weve sudah membahas bias pratinjau dan bias optimasi secara mendalam, saat mempertimbangkan backtests. Namun, beberapa strategi tidak mempermudah pengujian bias ini sebelum penerapan. Hal ini terjadi pada HFT yang paling dominan. Mungkin ada bug dalam sistem eksekusi dan juga strategi trading itu sendiri yang tidak muncul di backtest tapi DO muncul dalam live trading. Pasar mungkin telah mengalami perubahan rezim setelah penerapan strategi Anda. Lingkungan peraturan baru, mengubah sentimen investor dan fenomena makroekonomi semuanya dapat menyebabkan perbedaan dalam bagaimana pasar berperilaku dan dengan demikian profitabilitas strategi Anda. Manajemen Resiko Bagian terakhir dari teka-teki perdagangan kuantitatif adalah proses manajemen risiko. Risiko mencakup semua bias sebelumnya yang telah kita diskusikan. Ini termasuk risiko teknologi, seperti server yang berada di bursa tiba-tiba mengembangkan kerusakan hard disk. Ini termasuk risiko broker, seperti broker menjadi bangkrut (tidak serakah kedengarannya, mengingat ketakutan baru-baru ini dengan MF Global). Singkatnya, ini mencakup hampir semua hal yang mungkin mengganggu pelaksanaan perdagangan, yang banyak sumbernya ada. Seluruh buku dikhususkan untuk manajemen risiko untuk strategi kuantitatif jadi saya tidak berusaha untuk menjelaskan semua kemungkinan sumber risiko di sini. Manajemen risiko juga mencakup apa yang dikenal dengan optimalisasi alokasi modal. Yang merupakan cabang teori portofolio. Ini adalah cara dimana modal dialokasikan ke serangkaian strategi yang berbeda dan perdagangan dalam strategi tersebut. Ini adalah area yang kompleks dan bergantung pada beberapa matematika non-sepele. Standar industri dimana alokasi modal dan leverage strategi yang efektif terkait disebut kriteria Kelly. Karena ini adalah artikel pengantar, saya tidak memikirkan perhitungannya. Kriteria Kelly membuat beberapa asumsi tentang sifat statistik pengembalian, yang tidak sering terjadi di pasar keuangan, sehingga para pedagang sering bersikap konservatif dalam hal pelaksanaannya. Komponen kunci lain dari manajemen risiko adalah menangani profil psikologis sendiri. Ada banyak bias kognitif yang bisa merayap masuk ke trading. Meskipun hal ini memang kurang bermasalah dengan perdagangan algoritmik jika strategi dibiarkan sendiri. Bias umum adalah adanya keengganan rugi dimana posisi kehilangan tidak akan ditutup karena rasa sakit karena harus merealisasikan kerugian. Demikian pula, keuntungan bisa diambil terlalu dini karena rasa takut kehilangan keuntungan yang sudah didapat bisa terlalu besar. Bias umum lainnya dikenal sebagai bias resesi. Ini memanifestasikan dirinya saat para pedagang terlalu menekankan pada kejadian baru-baru ini dan tidak dalam jangka panjang. Lalu tentu saja ada sepasang bias emosional klasik - ketakutan dan keserakahan. Hal ini seringkali dapat menyebabkan under-atau over-leveraging, yang dapat menyebabkan ledakan (yaitu ekuitas akun yang mengarah ke nol atau lebih buruk) atau mengurangi keuntungan. Seperti dapat dilihat, perdagangan kuantitatif adalah bidang keuangan kuantitatif yang sangat kompleks, meski sangat menarik. Saya telah benar-benar menggaruk permukaan topik dalam artikel ini dan sudah mulai agak lama. Buku dan makalah utuh telah ditulis mengenai masalah yang hanya saya berikan satu atau dua kalimat di atas. Oleh karena itu, sebelum melamar pekerjaan perdagangan dana kuantitatif, perlu dilakukan sejumlah studi dasar. Paling tidak Anda memerlukan latar belakang statistik dan ekonometri yang luas, dengan banyak pengalaman dalam implementasi, melalui bahasa pemrograman seperti MATLAB, Python atau R. Untuk strategi yang lebih canggih pada akhir frekuensi yang lebih tinggi, keahlian Anda kemungkinan besar. Untuk memasukkan modifikasi kernel Linux, CC, pemrograman perakitan dan optimasi latency jaringan. Jika Anda tertarik untuk mencoba strategi trading algoritmik Anda sendiri, saran pertama saya adalah belajar dengan baik. Preferensi saya adalah membangun sebanyak mungkin data grabber, strategi backtester dan sistem eksekusi sendiri. Jika modal Anda sendiri ada di telepon, maukah Anda tidur lebih nyenyak di malam hari karena mengetahui bahwa Anda telah sepenuhnya menguji sistem Anda dan menyadari perangkapnya dan masalah tertentu Outsourcing ini ke vendor, sementara berpotensi menghemat waktu dalam jangka pendek, bisa sangat Mahal dalam jangka panjang. Memulai dengan Quantitative Trading Matematika dan Pemodelan Matematika II (FINC 621) adalah kelas tingkat pascasarjana yang saat ini ditawarkan di Universitas Loyola di Chicago selama musim dingin. FINC 621 membahas topik dalam bidang keuangan kuantitatif, matematika dan pemrograman. Kelasnya praktis dan terdiri dari ceramah dan komponen laboratorium. Laboratorium menggunakan bahasa pemrograman R dan siswa diminta untuk menyerahkan tugas masing-masing pada akhir setiap kelas. Tujuan akhir FINC 621 adalah untuk memberi para siswa alat praktis yang dapat mereka gunakan untuk membuat, model dan menganalisis strategi perdagangan sederhana. Beberapa link R yang berguna Tentang Instruktur Harry G. adalah pedagang kuantitatif senior untuk sebuah perusahaan perdagangan HFT di Chicago. Dia memegang gelar master8217 di bidang Teknik Elektro dan gelar master8217 di bidang Matematika Keuangan dari University of Chicago. Di waktu luangnya, Harry mengajar kursus pascasarjana di Kuantitatif Keuangan di Universitas Loyola di Chicago. Dia juga penulis Trading Kuantitatif dengan R 30 November 2016, 12:34 Beberapa bulan yang lalu pembaca menunjukkan cara baru menghubungkan R dan Excel ini. Saya tidak tahu berapa lama ini, tapi saya tidak pernah menemukannya dan saya tidak pernah melihat posting blog atau artikel tentang hal itu. Jadi saya memutuskan untuk menulis sebuah pos sebagai alat itu benar-benar layak dan sebelum ada yang bertanya, saya tidak berhubungan dengan perusahaan dengan cara apa pun. BERT adalah singkatan dari Basic Excel R Toolkit. It8217s gratis (dilisensikan di bawah GPL v2) dan telah dikembangkan oleh Structured Data LLC. Pada saat penulisan versi BERT saat ini adalah 1.07. Informasi lebih lanjut dapat ditemukan di sini. Dari perspektif yang lebih teknis, BERT dirancang untuk mendukung fungsi R dari sel Excel spreadsheet. Dalam istilah Excel, untuk menulis User-Defined Functions (UDFs) di R. Dalam posting ini, saya tidak akan menunjukkan bagaimana R dan Excel berinteraksi melalui BERT. Ada tutorial yang sangat bagus disini. Disini dan disini Sebagai gantinya saya ingin menunjukkan bagaimana saya menggunakan BERT untuk membangun menara 8220control8221 untuk trading saya. Sinyal perdagangan saya dihasilkan dengan menggunakan daftar panjang file R tapi saya memerlukan fleksibilitas Excel untuk menampilkan hasilnya dengan cepat dan efisien. Seperti yang ditunjukkan di atas, BERT bisa melakukan ini untuk saya tapi saya juga ingin menyesuaikan aplikasi dengan kebutuhan saya. Dengan menggabungkan kekuatan XML, VBA, R dan BERT saya bisa membuat aplikasi yang bagus namun bagus dalam bentuk file Excel dengan kode VBA minimum. Pada akhirnya saya memiliki satu file Excel yang mengumpulkan semua tugas yang diperlukan untuk mengelola portofolio saya: update database, pembuatan sinyal, pengiriman pesanan dll8230 Pendekatan saya dapat dipecah dalam 3 langkah di bawah ini: Gunakan XML untuk membangun menu dan tombol yang ditentukan pengguna di Excel mengajukan. Menu dan tombol di atas pada dasarnya adalah panggilan ke fungsi VBA. Fungsi VBA tersebut membungkus fungsi R yang didefinisikan menggunakan BERT. Dengan pendekatan ini, saya dapat membedakan secara jelas antara inti kode saya yang disimpan di R, SQL dan Python dan semua yang digunakan untuk menampilkan dan memformat hasil yang tersimpan di Excel, VBA amp XML. Pada bagian berikutnya saya menyajikan prasyarat untuk mengembangkan pendekatan semacam itu dan panduan langkah demi langkah yang menjelaskan bagaimana BERT dapat digunakan untuk hanya mengirimkan data dari R ke Excel dengan kode VBA minimal. 1 8211 Download dan install BERT dari link ini. Setelah instalasi selesai Anda harus memiliki menu Add-ins baru di Excel dengan tombol seperti gambar di bawah ini. Ini bagaimana BERT terwujud di Excel. 2 8211 Download dan pasang editor UI Ubahsuaian. Editor UI Ubahsuaian memungkinkan untuk membuat menu dan tombol yang ditentukan pengguna di pita Excel. Prosedur langkah demi langkah tersedia di sini. Panduan Langkah demi Langkah 1 8211 R Kode: Fungsi di bawah R adalah potongan kode yang sangat sederhana untuk tujuan ilustrasi saja. Ini menghitung dan mengembalikan residu dari regresi linier. Inilah yang ingin kita ambil di Excel. Simpan ini di file bernama myRCode.R (nama lain baik-baik saja) dalam direktori pilihan Anda. 2 8211 function.R dalam BERT. Dari Excel pilih Add-Ins -gt Home Directory dan buka file yang disebut functions.R. Dalam file ini paste kode berikut. Pastikan Anda memasukkan jalur yang benar. Ini hanya sumber ke file BERT R yang Anda buat di atas. Kemudian simpan dan tutup fungsi file. Jika Anda ingin membuat perubahan pada file R yang dibuat pada langkah 1 Anda harus memuatnya kembali menggunakan tombol BERT 8220Reload Startup File8221 dari menu Add-Ins di Excel 3 8211 Di Excel: Buat dan simpan file bernama myFile.xslm (Nama lain baik-baik saja). Ini adalah file makro-enabled yang Anda simpan di direktori pilihan Anda. Setelah file disimpan, simpanlah. 4 8211 Buka file yang dibuat di atas pada editor UI Ubahsuaian: Setelah file terbuka, tempelkan kode di bawah ini. Anda harus memiliki sesuatu seperti ini di editor XML: Intinya, bagian dari kode XML ini menciptakan menu tambahan (RTrader), grup baru (Grup Saya) dan tombol yang ditetapkan pengguna (Tombol Baru) di pita Excel. Setelah Anda selesai, buka myFile.xslm di Excel dan tutup Custom UI Editor. Anda harus melihat sesuatu seperti ini. 5 8211 Buka editor VBA. Di myFile.xlsm masukkan modul baru. Tempel kode di bawah ini di modul yang baru dibuat. Ini menghapus hasil sebelumnya di lembar kerja sebelum mengatasi masalah yang baru. 6 8211 Klik Tombol Baru. Sekarang kembali ke spreadsheet dan di menu RTrader klik tombol 8220New Button8221. Anda harus melihat sesuatu seperti di bawah ini muncul. Panduan di atas adalah versi yang sangat mendasar dari apa yang dapat dicapai dengan menggunakan BERT namun ini menunjukkan kepada Anda bagaimana menggabungkan kekuatan beberapa alat khusus untuk membuat aplikasi kustom Anda sendiri. Dari perspektif saya, minat pendekatan semacam itu adalah kemampuan untuk merekatkan R dan Excel secara jelas, tetapi juga memasukkan kode XML (dan batch) dari Python, SQL dan banyak lagi. Inilah yang saya butuhkan. Akhirnya saya akan penasaran untuk mengetahui apakah ada yang memiliki pengalaman dengan BERT 19 Agustus 2016, 9:26 am Ketika menguji strategi perdagangan, pendekatan yang umum adalah membagi data awal yang ditetapkan ke dalam data sampel: bagian dari data yang dirancang untuk mengkalibrasi Model dan data sampel: bagian dari data yang digunakan untuk memvalidasi kalibrasi dan memastikan bahwa kinerja yang tercipta dalam sampel akan tercermin dalam dunia nyata. Sebagai aturan praktis sekitar 70 data awal dapat digunakan untuk kalibrasi (yaitu dalam sampel) dan 30 untuk validasi (yaitu di luar sampel). Kemudian perbandingan data masuk dan keluar dari data sampel membantu untuk menentukan apakah model cukup kuat. Pos ini bertujuan untuk melangkah lebih jauh dan menyediakan metode statistik untuk memutuskan apakah data sampel tidak sesuai dengan apa yang tercipta dalam sampel. Pada grafik di bawah area biru mewakili kinerja sampel untuk salah satu strategi saya. Inspeksi visual sederhana menunjukkan kesesuaian antara kinerja di dalam dan di luar kinerja sampel, namun tingkat kepercayaan apa yang saya miliki dalam hal ini. Pada tahap ini tidak banyak dan inilah masalahnya. Apa yang benar-benar dibutuhkan adalah ukuran kesamaan antara data masuk dan keluar dari kumpulan data sampel. Secara statistik, hal ini dapat diterjemahkan sebagai kemungkinan bahwa masuk dan keluar dari sampel kinerja sampel berasal dari distribusi yang sama. Ada uji statistik non-parametrik yang melakukan hal ini: Tes Kruskall-Wallis. Definisi yang baik dari tes ini dapat ditemukan pada pengumpulan sampel data R-Tutor 8220A bersifat independen jika berasal dari populasi yang tidak terkait dan sampelnya tidak saling mempengaruhi. Menggunakan Uji Kruskal-Wallis. Kita dapat memutuskan apakah distribusi populasi identik tanpa menganggapnya mengikuti distribusi normal.8221 Manfaat tambahan dari tes ini tidak mengasumsikan distribusi normal. Ini ada tes lain dengan sifat yang sama yang bisa masuk ke dalam kerangka itu. Uji Mann-Whitney-Wilcoxon atau tes Kolmogorov-Smirnov akan sesuai dengan kerangka kerja di sini, namun hal ini berada di luar cakupan artikel ini untuk membahas pro dan kontra dari setiap tes ini. Deskripsi yang bagus bersama dengan contoh R dapat ditemukan di sini. Berikut kode yang digunakan untuk menghasilkan bagan di atas dan analisisnya: Pada contoh di atas dalam periode sampel lebih panjang dari pada periode sampel, saya membuat secara acak 1000 subset dari data sampel masing-masing memiliki panjang yang sama dengan yang ada. Dari data sampel Kemudian saya menguji masing-masing subset sampel dengan data sampel dan saya mencatat nilai p. Proses ini tidak menghasilkan nilai p tunggal untuk uji Kruskall-Wallis namun distribusi membuat analisis lebih kuat. Dalam contoh ini, mean dari nilai p berada jauh di atas nol (0,478) yang menunjukkan bahwa hipotesis nol harus diterima: ada bukti kuat bahwa data masuk dan keluar dari data sampel berasal dari distribusi yang sama. Seperti biasa apa yang disajikan dalam posting ini adalah contoh mainan yang hanya menggores permukaan masalah dan harus disesuaikan dengan kebutuhan individu. Namun saya pikir ini mengusulkan kerangka statistik yang menarik dan rasional untuk mengevaluasi hasil sampel. Pos ini terinspirasi oleh dua makalah berikut: Vigier Alexandre, Chmil Swann (2007), Pengaruh Berbagai Fungsi Optimal terhadap Kinerja Sampel Strategi Perdagangan Evolusi Genetis, Peramalan Pasar Keuangan Konferensi Vigier Alexandre, Chmil Swann (2010), An Proses optimasi untuk memperbaiki kekurangan konsistensi sampel, kasus Pasar Modal, JP Morgan Cazenove Equity Quantitative Conference, London Oktober 2010 13 Desember 2015, 2:03 pm Melakukan penelitian kuantitatif menyiratkan banyak data yang berderak dan satu memerlukan data yang bersih dan dapat diandalkan untuk Capai ini Yang sangat dibutuhkan adalah data bersih yang mudah diakses (bahkan tanpa koneksi internet). Cara yang paling efisien untuk melakukan ini bagi saya adalah memelihara satu set file csv. Tentunya proses ini bisa ditangani dengan berbagai cara tapi saya menemukan waktu yang sangat efisien dan sederhana untuk mempertahankan direktori tempat saya menyimpan dan memperbarui file csv. Saya memiliki satu file csv per instrumen dan setiap file diberi nama sesuai instrumen yang dikandungnya. Alasan saya melakukannya ada dua: Pertama, saya tidak ingin mendownload (harga) data dari Yahoo, Google dll8230 setiap kali saya ingin menguji ide baru tapi yang lebih penting lagi setelah saya mengidentifikasi dan memperbaiki masalah, saya tidak perlu Lakukan lagi saat aku membutuhkan instrumen yang sama. Sederhana namun sangat efisien sejauh ini. Prosesnya dirangkum dalam grafik di bawah ini. Dalam semua hal berikut, saya berasumsi bahwa data berasal dari Yahoo. Kode itu harus diubah untuk data dari Google, Quandl etc8230 Selain itu saya mempresentasikan proses updating data harga harian. Penyiapannya akan berbeda untuk data frekuensi yang lebih tinggi dan jenis dataset lainnya (yaitu berbeda dari harga). 1 8211 Download data awal (listOfInstruments.R amp historicalData.R) Daftar berkasOfInstruments.R adalah file yang hanya berisi daftar semua instrumen. Jika sebuah instrumen tidak termasuk dalam daftar saya (yaitu file csv di folder data saya) atau jika Anda melakukannya untuk pertama kalinya Anda mendownload kumpulan data historis awal. Contoh di bawah ini mendownload satu set harga harian ETF dari Yahoo Finance kembali ke Januari 2000 dan menyimpan datanya dalam file csv. 2 8211 Memperbarui data yang ada (updateData.R) Kode di bawah ini dimulai dari file yang ada di folder khusus dan mengupdate semuanya satu demi satu. Biasanya saya menjalankan proses ini setiap hari kecuali saat I8217m sedang libur. Untuk menambahkan instrumen baru, cukup jalankan langkah 1 di atas untuk instrumen ini saja. 3 8211 Buat file batch (updateDailyPrices.bat) Bagian penting lainnya dari pekerjaan ini adalah membuat file batch yang mengotomatisasi proses update di atas (I8217m pengguna Windows). Hal ini untuk menghindari pembukaan RRStudio dan menjalankan kode dari sana. Kode di bawah ini ditempatkan pada file .bat (path harus diubah dengan setup pembaca8217). Perhatikan bahwa saya menambahkan file output (updateLog.txt) untuk melacak eksekusi. Proses di atas sangat sederhana karena hanya menjelaskan bagaimana cara mengupdate data harga harian. Saya telah menggunakan ini untuk sementara dan telah bekerja sangat lancar sejauh ini. Untuk data yang lebih maju dan frekuensi yang lebih tinggi, semuanya bisa menjadi lebih rumit. Seperti biasa setiap komentar selamat datang 23 Maret 2015, 8:55 pm Ketika sampai pada pengelolaan portofolio saham versus benchmark, masalahnya sangat berbeda dengan menentukan strategi pengembalian yang absolut. Yang pertama harus memegang lebih banyak saham daripada di kemudian hari dimana tidak ada stok sama sekali yang bisa diadakan jika tidak ada cukup peluang bagus. Alasannya adalah kesalahan pelacakan. Ini didefinisikan sebagai standar deviasi return portofolio dikurangi return benchmark. Semakin sedikit saham yang dimiliki vs benchmark semakin tinggi kesalahan pelacakan (misalnya risiko yang lebih tinggi). Analisis berikut ini sebagian besar terinspirasi oleh buku 8220Active Portfolio Management8221 oleh Grinold amp Kahn. Ini adalah kitab suci bagi siapa saja yang tertarik untuk menjalankan portofolio terhadap tolok ukur. Saya sangat menganjurkan siapapun yang tertarik dengan topik untuk membaca buku ini dari awal sampai akhir. Tulisan itu ditulis dengan sangat baik dan meletakkan fondasi pengelolaan portofolio aktif yang sistematis (saya tidak berafiliasi dengan editor atau penulisnya). 1 8211 Analisis Faktor Disini kita mencoba memberi peringkat seakurat mungkin saham di alam semesta investasi secara forward return. Banyak orang datang dengan banyak alat dan varian alat yang tak terhitung jumlahnya telah dikembangkan untuk mencapai hal ini. Dalam posting ini saya berfokus pada dua metrik sederhana dan banyak digunakan: Information Coefficient (IC) dan Quantiles Return (QR). 1.1 8211 Koefisien Informasi Prospek untuk forward return harus didefinisikan oleh analis dan itu adalah fungsi dari strategi dan pergantian alfa (ini telah menjadi subyek penelitian ekstensif). Jelas IC harus setinggi mungkin secara absolut. Untuk pembaca yang tajam, dalam buku oleh Grinold amp Kahn sebuah formula yang menghubungkan Information Ratio (IR) dan IC diberikan: dengan luasnya adalah jumlah taruhan independen (perdagangan). Rumus ini dikenal sebagai hukum dasar manajemen aktif. Masalahnya adalah seringkali, menentukan luasnya secara akurat tidaklah semudah kedengarannya. 1.2 8211 Quantiles Return Untuk mendapatkan perkiraan faktor prediktif faktor yang lebih akurat, diperlukan langkah lebih lanjut dan memberi saham kelompok dengan nilai faktor kuantitatif kemudian menganalisis rata-rata forward return (atau metrik tendensi sentral lainnya) dari masing-masing Quantiles. Kegunaan alat ini sangat mudah. Sebuah faktor dapat memiliki IC yang baik namun kekuatan prediktifnya mungkin terbatas pada sejumlah kecil saham. Ini tidak baik karena manajer portofolio harus memilih saham di seluruh alam semesta untuk memenuhi kendala kesalahan pelacakannya. Kembalinya quantiles yang baik ditandai oleh hubungan monoton antara quantiles individual dan forward returns. Semua saham di indeks SampP500 (pada saat penulisan). Jelas ada bias kapal bertahan hidup: daftar saham dalam indeks telah berubah secara signifikan antara awal dan akhir periode sampel, betapapun cukupnya hanya untuk tujuan ilustrasi. Kode di bawah ini mengunduh harga saham individual di SampP500 antara Jan 2005 dan hari ini (dibutuhkan beberapa saat) dan mengubah harga mentah menjadi kembali selama 12 bulan terakhir dan bulan lalu. Yang pertama adalah faktor kita, yang terakhir akan digunakan sebagai forward return measure. Berikut adalah kode untuk menghitung Informasi Coefficient dan Quantiles Return. Perhatikan bahwa saya menggunakan kuintil dalam contoh ini namun metode pengelompokan lainnya (terciles, deciles etc8230) dapat digunakan. Itu sangat tergantung pada ukuran sampel, apa yang ingin Anda tangkap dan cuaca Anda ingin memiliki gambaran umum atau fokus pada ekor distribusi. Untuk memperkirakan kembali dalam setiap kuintil, median telah digunakan sebagai estimator tendensi sentral. Ukuran ini jauh lebih sensitif terhadap outlier daripada mean aritmetik. Dan akhirnya kode untuk menghasilkan Quantiles Return chart. 3 8211 Cara memanfaatkan informasi di atas Dalam grafik di atas Q1 adalah terendah melewati 12 bulan kembali dan Q5 tertinggi. Ada kenaikan monoton dalam jumlah kuantum yang kembali antara Q1 dan Q5 yang secara jelas menunjukkan bahwa saham yang jatuh ke Q5 mengungguli yang jatuh ke Q1 sekitar 1 per bulan. Ini sangat penting dan kuat untuk faktor sederhana seperti itu (tidak benar-benar kejutan sekalipun8230). Oleh karena itu ada kemungkinan lebih besar untuk mengalahkan indeks oleh overweighting saham jatuh ke Q5 dan underweighting mereka jatuh ke Q1 relatif terhadap benchmark. Sebuah IC sebesar 0,0206 mungkin tidak berarti banyak dalam dirinya sendiri tetapi secara signifikan berbeda dari 0 dan menunjukkan kekuatan prediksi yang baik dalam 12 bulan terakhir kembali secara keseluruhan. Tes signifikansi formal dapat dievaluasi namun hal ini berada di luar cakupan artikel ini. 4 8211 Keterbatasan Praktis Kerangka di atas sangat baik untuk mengevaluasi faktor investasi, namun ada beberapa keterbatasan praktis yang harus ditangani untuk pelaksanaan kehidupan nyata: Rebalancing. Dalam uraian di atas, maka diasumsikan bahwa pada akhir setiap bulan portofolio tersebut sepenuhnya dapat diseimbangkan kembali. Ini berarti semua saham yang jatuh di Q1 adalah saham kurus dan semua saham yang jatuh di Q5 kelebihan berat badan dibandingkan dengan benchmark. Hal ini tidak selalu memungkinkan untuk alasan praktis: beberapa saham mungkin dikecualikan dari alam semesta investasi, ada kendala pada bobot industri atau sektor, ada kendala pada perputaran dll8230 Biaya Transaksi. Ini belum diperhitungkan dalam analisis di atas dan ini adalah rem yang serius terhadap pelaksanaan kehidupan nyata. Pertimbangan turnover biasanya diimplementasikan dalam kehidupan nyata dalam bentuk penalti terhadap kualitas faktor. Koefisien transfer Ini adalah perpanjangan dari hukum dasar manajemen aktif dan ini melonggarkan asumsi model Grinold8217 bahwa manajer tidak menghadapi kendala yang menghalangi mereka untuk menerjemahkan wawasan investasi mereka secara langsung ke dalam taruhan portofolio. Dan akhirnya, saya tercengang dengan apa yang bisa diraih dengan kurang dari 80 baris kode dengan R8230 Seperti biasa setiap komentar selamat datang 14 Maret 2014, 1:07. Pertanyaan yang harus selalu ditanyakan kepadanya saat menggunakan indikator teknis adalah apa yang akan menjadi tujuan. Kriteria untuk memilih parameter indikator (misalnya mengapa menggunakan RSI 14 hari daripada 15 atau 20 hari). Algoritma genetika (GA) adalah alat yang sesuai untuk menjawab pertanyaan itu. Dalam posting ini saya akan menunjukkan kepada Anda bagaimana cara mengatur masalah di R. Sebelum saya melanjutkan pengingat yang biasa: Apa yang saya sajikan dalam posting ini hanyalah contoh mainan dan bukan undangan untuk berinvestasi. Ini bukan strategi jadi baik ide penelitian yang perlu diteliti lebih lanjut, dikembangkan dan disesuaikan dengan kebutuhan individu. Apa itu algoritma genetika Deskripsi terbaik GA yang saya temukan berasal dari Cybernatic Trading sebuah buku oleh Murray A. Ruggiero. 8220 Algoritma genetika diciptakan oleh John Holland pada pertengahan 1970 untuk memecahkan masalah optimasi keras. Metode ini menggunakan seleksi alam, survival of the fittest8221. Proses umum mengikuti langkah-langkah di bawah ini: Menyandikan masalah ke dalam kromosom Menggunakan pengkodean, kembangkan fungsi kebugaran untuk digunakan dalam mengevaluasi setiap nilai kromosom8217 dalam memecahkan masalah yang diberikan Inisialisasi populasi kromosom Mengevaluasi setiap kromosom dalam populasi Buat kromosom baru dengan kawin dua Kromosom. Hal ini dilakukan dengan cara mematikan dan menggabungkan dua orang tua untuk membentuk dua anak (orang tua dipilih secara acak tapi bias oleh kebugarannya) Mengevaluasi kromosom baru Menghapus anggota populasi yang kurang pas dibanding kromosom baru dan memasukkan kromosom baru ke dalam populasi. . Jika kriteria berhenti tercapai (jumlah generasi maksimum, kriteria kebugaran cukup baik8230), kembalikan kromosom terbaik atau lebih baik ke langkah 4 Dari perspektif perdagangan, GA sangat berguna karena mereka baik dalam menangani masalah nonlinear yang tinggi. Namun, hal itu menunjukkan beberapa fitur buruk yang patut disebutkan: Lebih pas: Ini adalah masalah utama dan penting bagi analis untuk menyiapkan masalah dengan cara yang meminimalkan risiko ini. Komputasi waktu. Jika masalahnya tidak jelas, bisa sangat lama untuk mencapai solusi yang layak dan kompleksitas meningkat secara eksponensial dengan jumlah variabel. Makanya perlu hati-hati memilih parameternya. Ada beberapa paket R yang berhubungan dengan GA, saya memilih untuk menggunakan yang paling umum: rgenoud Harga penutupan harian untuk ETF likuid paling banyak dari keuangan Yahoo akan kembali ke Januari 2000. Pada periode sampel berlangsung dari Januari 2000 sampai Desember 2010. Out of Periode sampel dimulai pada Januari 2011. Logikanya adalah sebagai berikut: fungsi kebugaran dioptimalkan selama periode sampel untuk mendapatkan satu set parameter optimal untuk indikator teknis yang dipilih. Kinerja indikator tersebut kemudian dievaluasi pada periode sampel. Tapi sebelum melakukannya indikator teknis harus dipilih. Pasar ekuitas menunjukkan dua karakteristik utama yang familiar bagi siapa saja yang memiliki beberapa pengalaman trading. Momentum jangka panjang dan pembalikan jangka pendek. Fitur tersebut dapat diterjemahkan dalam bentuk indikator teknis dengan cara: moving averages cross over dan RSI. Ini mewakili seperangkat 4 parameter: Periode lihat-kembali untuk rata-rata bergerak jangka panjang dan pendek, periode lihat kembali untuk ambang RSI dan RSI. Set parameter adalah kromosom. Elemen kunci lainnya adalah fungsi fitness. Kami mungkin ingin menggunakan sesuatu seperti: rasio pengembalian maksimum atau Sharpe atau Drawdown rata-rata minimum. Berikut ini, saya memilih untuk memaksimalkan rasio Sharpe. Implementasi R adalah seperangkat 3 fungsi: fitnessFunction. Mendefinisikan fungsi kebugaran (misalnya rasio Sharpe maksimum) yang akan digunakan dalam perdagangan mesin GAStatistik. Ringkasan statistik perdagangan untuk masuk dan keluar dari periode sampel untuk tujuan perbandingan genoud. Mesin GA dari paket rgenoud Fungsi genoud agak rumit tapi saya tidak akan menjelaskan parameter masing-masing parameter karena saya ingin menyimpan postingan ini singkat (dan dokumentasinya sangat bagus). Pada tabel di bawah ini saya menyajikan untuk masing-masing instrumen parameter optimal (RSI look-back period, RSI threshold, Moving Average Average, dan Moving Average Jangka Panjang) seiring dengan masuk dan keluar dari statistik perdagangan sampel. Sebelum mengomentari hasil di atas, saya ingin menjelaskan beberapa poin penting. Agar sesuai dengan logika yang didefinisikan di atas, saya membatasi parameter untuk memastikan periode peninjauan kembali untuk moving average jangka panjang selalu lebih lama sehingga moving average yang lebih pendek. Saya juga membatasi pengoptimal untuk memilih hanya solusi dengan lebih dari 50 perdagangan dalam periode sampel (misalnya signifikansi statistik). Keseluruhan hasil sampel jauh dari mengesankan. Tingkat pengembaliannya rendah walaupun jumlah perdagangan kecil untuk membuat hasilnya benar-benar signifikan. Namun, ada penurunan efisiensi yang signifikan antara di dalam dan di luar periode sampel untuk Jepang (EWJ) yang sangat mungkin berarti terlalu pas. Pos ini dimaksudkan untuk memberi pembaca alat untuk menggunakan GA dengan benar dalam kerangka kerja perdagangan kuantitatif. Sekali lagi, itu hanya sebuah contoh yang perlu disempurnakan lebih lanjut. Beberapa peningkatan potensial untuk dijelajahi adalah: fungsi kebugaran. Memaksimalkan rasio Sharpe sangat sederhana. Fungsi 8220smarter8221 pasti akan memperbaiki pola statistik perdagangan sampel. Kami mencoba untuk menangkap pola yang sangat mudah. Diperlukan penelitian pola yang lebih mendalam. Optimasi. Ada banyak cara untuk memperbaiki cara optimasi dilakukan. Ini akan memperbaiki kecepatan komputasi dan rasionalitas hasilnya. Kode yang digunakan dalam posting ini tersedia di repositori Gist. Seperti biasa ada komentar selamat datang 28 Februari 2014, 3:52 WIB Ada sekumpulan literatur baik akademis maupun empiris tentang peramalan pasar. Sebagian besar waktu itu menggabungkan dua fitur pasar: Besaran dan Arah. Pada artikel ini saya ingin fokus hanya pada mengidentifikasi arah pasar. Tujuan yang saya tetapkan sendiri, adalah untuk mengidentifikasi kondisi pasar saat peluang tersebut secara signifikan bias menuju pasar turun atau turun. Pos ini memberi contoh bagaimana DNA CART (Klasifikasi dan Regresi) dapat digunakan dalam konteks ini. Sebelum saya meneruskan pengingat biasa: Apa yang saya sajikan dalam posting ini hanyalah contoh mainan dan bukan undangan untuk berinvestasi. Ini bukan strategi jadi baik ide penelitian yang perlu diteliti lebih lanjut, dikembangkan dan disesuaikan dengan kebutuhan individu. 1 8211 Apa itu CART dan mengapa menggunakannya Dari statistik, CART adalah seperangkat teknik untuk klasifikasi dan prediksi. Teknik ini bertujuan untuk menghasilkan aturan yang memprediksi nilai variabel hasil (target) dari variabel prediktor (explanatory) yang diketahui. Ada banyak implementasi yang berbeda namun semuanya saling berbagi karakteristik umum dan itulah yang saya minati. Dari Wikipedia, Algoritma untuk membangun pohon keputusan biasanya bekerja dengan top-down, dengan memilih variabel pada setiap langkah yang paling baik yang membedakan rangkaian item. Algoritma yang berbeda menggunakan metrik yang berbeda untuk mengukur 8220best8221. Ini umumnya mengukur homogenitas variabel target dalam himpunan bagian. Metrik ini diterapkan ke setiap subset kandidat, dan nilai yang dihasilkan digabungkan (misalnya rata-rata) untuk memberikan ukuran kualitas perpecahan. Metodologi CART menunjukkan beberapa karakteristik yang sangat sesuai untuk analisis pasar: Non parametrik. CART dapat menangani segala jenis distribusi statistik Non linier. CART dapat menangani spektrum ketergantungan yang besar antar variabel (misalnya tidak terbatas pada hubungan linier) Kuat terhadap outlier Ada berbagai paket R yang berhubungan dengan Partisi Rekursif, saya menggunakan rpart untuk memperkirakan pohon dan rpart.plot untuk menggambar pohon. 2 8211 Data amp Desain Percobaan Harga OHLC harian untuk sebagian besar ETF cair mulai Januari 2000 sampai Desember 2013 diambil dari Google finance. Dalam periode sampel berlangsung dari Januari 2000 sampai Desember 2010 sisa dataset adalah dari periode sampel. Sebelum menjalankan semua jenis analisis, dataset harus dipersiapkan untuk tugas tersebut. Variabel target adalah forward mingguan ETF yang didefinisikan sebagai dua keadaan hasil dunia (UP atau DOWN). Jika forward forward kembali gt 0 maka pasar di UP state, DOWN state dinyatakan. Variabel explanatory adalah seperangkat indikator teknis yang berasal dari dataset OHLC harian awal. Setiap indikator mewakili perilaku pasar yang terdokumentasi dengan baik. Untuk mengurangi kebisingan dalam data dan untuk mencoba mengidentifikasi hubungan yang kuat, masing-masing variabel independen dianggap memiliki hasil biner. Volatilitas (VAR1). Volatilitas tinggi biasanya terkait dengan pasar turun dan volatilitas rendah dengan pasar naik. Volatilitas didefinisikan sebagai 20 hari baku ATR (Average True Range) yang menyebar ke moving average (MA). Jika baku ATR gt MA maka VAR1 1, lain VAR1 -1. Momentum jangka pendek (VAR2). Pasar ekuitas menunjukkan momentum momentum pendek yang tertangkap di sini dengan rata-rata pergerakan sederhana 5 hari (SMA). Jika Harga gt SMA maka VAR2 1 else VAR2 -1 Momentum jangka panjang (VAR3). Pasar ekuitas menunjukkan perilaku momentum jangka panjang yang tertangkap di sini dengan rata-rata pergerakan sederhana 50 hari (LMA). Jika Harga gt LMA maka VAR3 1 else VAR3 -1 Pembalikan jangka pendek (VAR4). Ini ditangkap oleh CRTDR yang merupakan singkatan dari Close Relative To Daily Range dan dihitung sebagai berikut:. Jika CRTDR gt 0.5, maka VAR4 1 lagi VAR4 -1 Autocorrelation regime (VAR5). Pasar ekuitas cenderung melewati periode rezim autokorelasi negatif dan positif. Jika mengembalikan autokorelasi selama 5 hari terakhir gt 0 maka VAR5 1 else VAR5 -1 Saya meletakkan di bawah contoh pohon dengan beberapa penjelasan Pada pohon di atas, jalur untuk mencapai simpul 4 adalah: VAR3 gt0 (Momentum Jangka Panjang gt 0) dan VAR4 Gt 0 (CRTDR gt 0). Kotak merah menunjukkan bahwa ini adalah daun BAWAH (misalnya simpul terminal) dengan probabilitas 58 (1 8211 0,42). Dalam istilah pasar ini berarti bahwa jika Momentum Jangka Panjang di Atas dan CRTDR adalah gt 0.5 maka probabilitas pengembalian positif minggu depan adalah 42 berdasarkan pada data sampel sampel. 18 menunjukkan proporsi kumpulan data yang jatuh ke dalam simpul terminal (misalnya daun). Ada banyak cara untuk menggunakan pendekatan di atas, saya memilih untuk memperkirakan dan menggabungkan semua kemungkinan pohon. Dari data sampel, saya mengumpulkan semua daun dari semua pohon yang mungkin dan saya kumpulkan mereka ke dalam matriks. Ini adalah matriks 8220rules8221 yang memberi probabilitas minggu depan beeing UP atau DOWN. Saya menerapkan aturan di matriks di atas sampai data sampel (Jan 2011 8211 Desember 2013) dan saya membandingkan hasilnya dengan hasil sebenarnya. Masalah dengan pendekatan ini adalah bahwa satu titik (minggu) bisa masuk dalam beberapa peraturan dan bahkan termasuk dalam peraturan UP dan DOWN secara bersamaan. Oleh karena itu saya menerapkan skema voting. Untuk minggu tertentu saya meringkas semua peraturan yang berlaku untuk minggu itu memberikan 1 untuk aturan UP dan -1 untuk aturan DOWN. Jika jumlahnya lebih besar dari 0 minggu diklasifikasikan sebagai UP, jika jumlahnya negatif maka minggu ke bawah dan jika jumlahnya sama dengan 0 tidak akan ada posisi yang diambil minggu itu (return 0) Metodologi di atas diterapkan pada Set ETFs sangat cair. Saya merencanakan di bawah kurva ekuitas sampel seiring dengan strategi buy and hold selama periode yang sama. Hasil awal tampak menggembirakan meski kualitas hasilnya sangat bervariasi menurut instrumen. Namun ada ruang besar untuk perbaikan. Saya meletakkan beberapa petunjuk untuk analisis lebih lanjut Path optimality. Algoritma yang digunakan di sini untuk menentukan pohon optimal pada setiap perpecahan namun tidak menjamin optimalitas jalan. Menambahkan metrik untuk mengukur optimalitas jalan tentunya akan meningkatkan hasil di atas. Variabel lainnya Saya memilih variabel penjelas semata-mata berdasarkan pengalaman. Kemungkinan besar pilihan ini tidak baik dan tidak optimal. Metodologi Backtest. Saya menggunakan In and Out sederhana dari metodologi sampel. Dalam backtest yang lebih formal, saya lebih suka menggunakan jendela bergulir atau meluas masuk dan keluar sub-periode sampel (misalnya analisis berjalan ke depan) Seperti biasa, ada komentar selamat datang
Simple-moving-average-technical-analysis
Top-forex-trading-companies-in-india