Estratégias de opções quantitativas

Negociação quantitativa.
O que é 'Negociação Quantitativa'
Negociação quantitativa consiste em estratégias de negociação baseadas em análises quantitativas, que dependem de cálculos matemáticos e crunching de números para identificar oportunidades comerciais. Como a negociação quantitativa é geralmente utilizada por instituições financeiras e fundos de hedge, as transações geralmente são de grande porte e podem envolver a compra e venda de centenas de milhares de ações e outros títulos. No entanto, a negociação quantitativa está sendo mais usada pelos investidores individuais.
BREAKING 'Quantitative Trading'
As técnicas quantitativas de negociação incluem comércio de alta freqüência, negociação algorítmica e arbitragem estatística. Essas técnicas são rápidas e tipicamente têm horizontes de investimento de curto prazo. Muitos comerciantes quantitativos estão mais familiarizados com ferramentas quantitativas, como médias móveis e osciladores.
Compreender a negociação quantitativa.
Os comerciantes quantitativos aproveitam a tecnologia moderna, a matemática e a disponibilidade de bases de dados abrangentes para tomar decisões comerciais racionais.
Os comerciantes quantitativos tomam uma técnica de negociação e criam um modelo dele usando a matemática, e então eles desenvolvem um programa de computador que aplica o modelo aos dados históricos do mercado. O modelo é então testado e otimizado. Se os resultados favoráveis ​​forem alcançados, o sistema é então implementado em mercados em tempo real com capital real.
A maneira como os modelos de negociação quantitativa funcionam pode ser melhor descrita usando uma analogia. Considere um relatório meteorológico em que o meteorologista prevê 90% de chance de chuva enquanto o sol está brilhando. O meteorologista deriva essa conclusão contra-intuitiva coletando e analisando dados climáticos de sensores em toda a área. Uma análise quantitativa computadorizada revela padrões específicos nos dados. Quando esses padrões são comparados com os mesmos padrões revelados em dados climáticos históricos (backtesting), e 90 de 100 vezes o resultado é chuva, então o meteorologista pode tirar a conclusão com confiança, daí a previsão de 90%. Os comerciantes quantitativos aplicam esse mesmo processo ao mercado financeiro para tomar decisões comerciais.
Vantagens e desvantagens da negociação quantitativa.
O objetivo da negociação é calcular a ótima probabilidade de executar um comércio lucrativo. Um comerciante típico pode efetivamente monitorar, analisar e tomar decisões comerciais em uma quantidade limitada de títulos antes que a quantidade de dados recebidos superem o processo de tomada de decisão. O uso de técnicas de negociação quantitativas ilumina esse limite usando computadores para automatizar as decisões de monitoramento, análise e negociação.
A superação da emoção é um dos problemas mais comuns na negociação. Seja medo ou ganância, ao negociar, a emoção serve apenas para sufocar o pensamento racional, o que geralmente leva a perdas. Computadores e matemática não possuem emoções, então o comércio quantitativo elimina esse problema.
Negociação quantitativa tem seus problemas. Os mercados financeiros são algumas das entidades mais dinâmicas que existem. Portanto, os modelos de negociação quantitativa devem ser tão dinâmicos para serem consistentemente bem-sucedidos. Muitos comerciantes quantitativos desenvolvem modelos que são temporariamente rentáveis ​​para a condição de mercado para o qual eles foram desenvolvidos, mas eles finalmente falham quando as condições do mercado mudam.

Estratégias de opções quantitativas
Obter através da App Store Leia esta publicação em nosso aplicativo!
Artigos sobre estratégias de negociação de opções de backtesting.
Estou procurando por todos os tipos de pesquisa sobre estratégias de negociação de opções. Com isso quero dizer documentos que publicam resultados em diferentes estratégias de negociação de opções devidamente testadas com dados do mundo real.
Eu fiz um pouco de escavação e encontrei os seguintes artigos - a maioria deles oferece uma perspectiva bastante distinta em comparação com a teoria clássica de preços de opções!
O seguinte é o meu favorito: você pode fazer alguns backtests por conta própria com dados livremente disponíveis (usando o VXO como informação de volatilidade) e com qualquer planilha - fácil e elegante:
Atualizarei esta resposta de vez em quando, quando novos documentos interessantes forem realizados:
Como eu, também, tive muita preocupação com esta questão, vou compartilhar algumas das minhas descobertas na dupla esperança de encorajar comentários sobre os trabalhos e provocar mais atividades nesta questão.

Quant Strategies - São para você?
As estratégias quantitativas de investimento evoluíram para ferramentas muito complexas com o advento dos computadores modernos, mas as raízes das estratégias remontam aos 70 anos. Geralmente são executados por equipes altamente educadas e usam modelos proprietários para aumentar sua capacidade de vencer o mercado. Existem até programas disponíveis que são plug-and-play para quem procura simplicidade. Quant modelos sempre funcionam bem quando testados, mas suas aplicações reais e taxa de sucesso são discutíveis. Embora pareçam funcionar bem nos mercados de touro, quando os mercados se afastam, as estratégias de quant estão sujeitas aos mesmos riscos que qualquer outra estratégia.
[As estratégias quantitativas de investimento tornaram-se extremamente populares entre os comerciantes do dia, mas elas não são as únicas estratégias que os comerciantes usam para obter lucro consistente. O Curso de Tradutor de Torneios de Dia da Invastopedia descreve uma estratégia comprovada que inclui seis tipos de negócios, juntamente com estratégias de gerenciamento de risco. Com mais de cinco horas de vídeo sob demanda, exercícios e conteúdo interativo, você ganhará as habilidades necessárias para negociar qualquer segurança em qualquer mercado.]
Um dos pais fundadores do estudo da teoria quantitativa aplicada ao financiamento foi Robert Merton. Você só pode imaginar o quão difícil e demorado o processo foi antes do uso de computadores. Outras teorias em finanças também evoluíram a partir de alguns dos primeiros estudos quantitativos, incluindo a base da diversificação do portfólio com base na moderna teoria da carteira. O uso de financiamento e cálculo quantitativo levou a muitas outras ferramentas comuns, incluindo uma das mais famosas, a fórmula de preços de opções Black-Scholes, que não só ajuda as opções de preços dos investidores e desenvolver estratégias, mas também ajuda a manter os mercados em risco com liquidez.
Quando aplicado diretamente ao gerenciamento de portfólio, o objetivo é como qualquer outra estratégia de investimento: agregar valor, alfa ou excesso de retorno. Quants, como os desenvolvedores são chamados, compor modelos matemáticos complexos para detectar oportunidades de investimento. Existem tantos modelos por aí como quants que os desenvolvem, e todos afirmam ser os melhores. Um dos pontos mais vendidos da estratégia de investimento de quant é que o modelo e, finalmente, o computador, fazem a decisão de compra / venda real, não um humano. Isso tende a remover qualquer resposta emocional que uma pessoa possa experimentar ao comprar ou vender investimentos.
As estratégias Quant são agora aceitas na comunidade de investimentos e administradas por fundos mútuos, hedge funds e investidores institucionais. Eles geralmente passam pelo nome de geradores alfa, ou alfa gens.
Assim como no "The Wizard of Oz", alguém está atrás da cortina que conduz o processo. Tal como acontece com qualquer modelo, é tão bom quanto o humano que desenvolve o programa. Embora não exista um requisito específico para se tornar um quant, a maioria das empresas que executam quant modelos combinam as habilidades de analistas de investimentos, estatísticos e programadores que codificam o processo nos computadores. Devido à natureza complexa dos modelos matemáticos e estatísticos, é comum ver credenciais como pós-graduação e doutorado em finanças, economia, matemática e engenharia.
Historicamente, esses membros da equipe trabalharam nos back-office, mas, à medida que os modelos quant tornam-se mais comuns, o back office está se movendo para o front office.
Benefícios de Quant Strategies.
Embora a taxa de sucesso global seja discutível, o motivo de algumas estratégias de quant é funcionar é que elas são baseadas em disciplina. Se o modelo for certo, a disciplina mantém a estratégia trabalhando com computadores com velocidade relâmpada para explorar ineficiências nos mercados com base em dados quantitativos. Os próprios modelos podem basear-se em apenas alguns ratios como P / E, dívida para patrimônio e crescimento de ganhos, ou usar milhares de insumos trabalhando juntos ao mesmo tempo.
Estratégias bem-sucedidas podem adotar as tendências em seus estágios iniciais, pois os computadores constantemente correm cenários para localizar ineficiências antes que outros o façam. Os modelos são capazes de analisar simultaneamente um grande grupo de investimentos, onde o analista tradicional pode estar olhando apenas alguns por vez. O processo de triagem pode avaliar o universo por níveis como 1-5 ou A-F, dependendo do modelo. Isso torna o processo de negociação real muito direto investindo nos investimentos altamente cotados e vendendo os mais baixos.
Os modelos Quant também abrem variações de estratégias como longas, curtas e longas / curtas. Os fundos cuidadosos bem sucedidos mantêm um olho no controle de risco devido à natureza de seus modelos. A maioria das estratégias começa com um universo ou benchmark e usa as ponderações setoriais e industriais em seus modelos. Isso permite que os fundos controlem a diversificação até certo ponto sem comprometer o próprio modelo. Os fundos Quant geralmente funcionam com base em custos mais baixos porque não precisam de tantos analistas tradicionais e gerentes de portfólio para executá-los.
Desvantagens de Quant Strategies.
Há razões pelas quais tantos investidores não aceitam completamente o conceito de deixar uma caixa preta executar seus investimentos. Para todos os fundos bem sucedidos da quantia lá fora, apenas muitos parecem ser infrutíferos. Infelizmente para a reputação dos quants, quando eles falham, eles falham em grande momento.
O Gerenciamento de Capital de Longo Prazo foi um dos mais famosos fundos hedge quant, já que foi dirigido por alguns dos líderes acadêmicos mais respeitados e dois economistas vencedores do Prêmio Nobel, Myron S. Scholes e Robert C. Merton. Durante a década de 1990, sua equipe gerou retornos acima da média e atraiu capital de todos os tipos de investidores. Eles eram famosos por não só explorarem ineficiências, mas usando fácil acesso ao capital para criar apostas alavancadas enormes nas direções do mercado.
A natureza disciplinada de sua estratégia realmente criou a fraqueza que levou ao seu colapso. A Administração de Capital de Longo Prazo foi liquidada e dissolvida no início de 2000. Os modelos não incluíram a possibilidade de o governo russo estar inadimplente em algumas das suas próprias dívidas. Este evento desencadeou eventos e uma reação em cadeia ampliada por estragos criados por alavancagem. LTCM estava tão fortemente envolvido com outras operações de investimento que seu colapso afetou os mercados mundiais, provocando eventos dramáticos. A longo prazo, o Federal Reserve entrou para ajudar, e outros bancos e fundos de investimento apoiaram o LTCM para evitar mais danos. Esta é uma das razões pelas quais os fundos quantitativos podem falhar, pois eles são baseados em eventos históricos que podem não incluir eventos futuros.
Enquanto uma equipe de quantos forte estará constantemente adicionando novos aspectos aos modelos para prever eventos futuros, é impossível prever o futuro sempre. Quant fundos também podem se surpreender quando a economia e os mercados estão passando por uma volatilidade maior do que a média. Os sinais de compra e venda podem vir tão rapidamente que o alto volume de negócios pode gerar altas comissões e eventos tributáveis. Os fundos Quant também podem representar um perigo quando são comercializados como resistentes ao incômodo ou baseados em estratégias curtas. Prever as desacelerações, usar derivadas e combinar alavancagem pode ser perigoso. Uma vez errada pode levar a implosões, que muitas vezes fazem as novidades.
As estratégias quantitativas de investimento evoluíram de caixas pretas de back office para ferramentas de investimento convencionais. Eles são projetados para utilizar as melhores mentes no negócio e os computadores mais rápidos, tanto para explorar ineficiências quanto para utilizar a alavancagem para fazer apostas no mercado. Eles podem ter muito sucesso se os modelos incluíram todas as entradas certas e são ágeis o suficiente para prever eventos anormais do mercado. Por outro lado, enquanto os fundos quantitativos são rigorosamente testados até que eles funcionam, sua fraqueza é que eles dependem de dados históricos para o seu sucesso. Embora o investimento em estilo de quantum tenha seu lugar no mercado, é importante estar atento às suas deficiências e riscos. Para ser consistente com as estratégias de diversificação, é uma boa idéia tratar estratégias quantitativas como um estilo de investimento e combiná-lo com estratégias tradicionais para alcançar uma diversificação adequada.

S T R E E T DE W A L L S.
Tipos de Estratégias Quantitativas de Negociação de Fundos de Hedge.
Quant Hedge Funds vem em todas as formas e tamanhos - de pequenas empresas com empregados que numeram na adolescência, para fundos internacionais com presença em três continentes. Uma base de ativos maiores não se correlaciona necessariamente com um número maior de funcionários; em vez disso, a equipe do Hedge Fund provavelmente é uma função do número de estratégias que emprega. Quant Hedge Funds pode se concentrar em ações, renda fixa ou outras classes de ativos, embora raramente um Quant Hedge Fund esteja envolvido em uma estratégia de longo prazo de seleção de ações individualmente, sem cobertura. Muitos CTAs ou “Consultores de Negociação de Commodities” também seriam considerados Quant Hedge Funds, dado o seu papel na compra ou venda de contratos futuros, opções de futuros ou contratos de forex off-exchange de varejo (ou aconselhamento a outros para negociar nessas commodities).
A tabela a seguir fornece mais detalhes sobre diferentes tipos de estratégias de investimento em Hedge Funds; é importante notar que as versões quantitativas e não quantitativas de quase todos esses estilos de investimento Hedge Fund podem ser construídas:
Relative Value Trading vs. Directional Trading.
As abordagens de negociação / investimento Quantitative Hedge Fund se enquadram em uma das duas categorias: as que utilizam as estratégias de Valor Relativo e aquelas cujas estratégias serão caracterizadas como Direcional. Ambas as estratégias utilizam fortemente modelos de computador e software estatístico.
As estratégias de Relative Value tentam capitalizar relacionamentos de preços previsíveis (muitas vezes - relacionamentos de retorno) entre múltiplos ativos (por exemplo, a relação entre os rendimentos de curto prazo do Tesouro dos EUA vs. os rendimentos de longo prazo do Tesouro dos EUA ou a relação no implícito volatilidade em dois contratos de opção diferentes). As estratégias direcionais, entretanto, normalmente são baseadas em caminhos baseados em tendências ou outros padrões, sugestivos de impulso ascendente ou descendente para uma garantia ou conjunto de valores mobiliários (por exemplo, apostando que os rendimentos de longo prazo dos títulos do Tesouro dos EUA aumentarão ou que a volatilidade implícita declínio).
Relative Value Strategies.
Os exemplos comuns de estratégias de Relativo de Valor incluem a colocação de apostas relativas (ou seja, comprar um bem e vender outro) em ativos cujos preços estão intimamente vinculados:
Títulos governamentais de dois países diferentes Títulos do governo de dois prazos diferentes até o vencimento Títulos de obrigações de capital corporativo versus títulos hipotecários O diferencial de volatilidade implícita entre dois derivativos. Preços de ações versus preços de títulos para um emissor de títulos corporativos. Diferenças de rendimento de obrigações de capital vs. Swap de inadimplência de crédito (CDS ) se espalha.
A lista de estratégias de valor relativo potencial é muito longa; acima são apenas alguns exemplos. Existem três estratégias de Valor Relativo muito importantes e comummente utilizadas para se conscientizar, no entanto:
Arbitragem estatística: negociação de uma tendência de reversão média dos valores de cestas semelhantes de ativos com base em relações comerciais históricas. Uma forma comum de Arbitragem Estatística, ou "Arat Stat", "trading", é conhecida como Equity Market Neutral trading. Nesta estratégia, duas cestas de ações são escolhidas (uma cesta "longa" e uma cesta "curta"), com o objetivo de que os pesos relativos das duas cestas saiam do fundo com exposição líquida zero a vários fatores de risco (indústria, geografia, setor, etc. .) Stat Arb também pode envolver a negociação de um índice contra um ETF similar, ou um índice versus ações de uma única empresa. Arbitragem convertível: compra de emissões de obrigações convertíveis por uma empresa e simultaneamente venda das ações ordinárias da mesma empresa, com a idéia de que, se o estoque de uma determinada empresa declinar, o lucro da posição curta compensará mais do que qualquer perda na posição de títulos convertíveis, dado o valor do vínculo convertível como instrumento de renda fixa. De igual modo, em qualquer movimento ascendente das ações ordinárias, o fundo pode lucrar com a conversão de suas obrigações convertíveis em ações, vendendo essas ações no mercado valor por um valor que exceda todas as perdas em sua posição curta. Arbitragem de Renda Fixa: negociação de títulos de renda fixa em mercados de títulos desenvolvidos para explorar anomalias de taxa de juros relativos percebidas. Posições de Arbitragem de Renda Fixa podem usar títulos do governo, swaps de taxa de juros e futuros de taxa de juros. Um exemplo popular desse estilo de negociação em arbitragem de renda fixa é o "comércio de base", no qual um vende (compra) futuros do Tesouro e compra ( vende uma quantidade correspondente do potencial entregável. В Aqui, está a considerar a diferença entre o preço à vista de uma obrigação e o preço do contrato futuro ajustado (fator de conversão do preço de futuros) e a negociação dos pares de ativos em conformidade.
Estratégias direcionais.
As estratégias de negociação direcional, entretanto, geralmente se baseiam em caminhos de tendências ou outros motivos baseados em padrões sugerentes de impulso ascendente ou descendente para um preço de segurança. O comércio direcional geralmente incorporará algum aspecto da Análise Técnica ou "cartografia". Isso envolve a previsão da direção de preços através do estudo dos preços do mercado passado e do volume de dados do mercado. A "negociação" que está sendo negociada pode ser a de um bem em si (dinamismo nos preços das ações, por exemplo, ou a taxa de câmbio do euro / dólar norte-americano) ou um fator que afeta diretamente a o próprio preço dos ativos (por exemplo, volatilidade implícita para opções ou taxas de juros para títulos do governo).
A negociação técnica também pode incluir o uso de médias móveis, bandas em torno do desvio padrão histórico de preços, níveis de suporte e resistência e taxas de mudança. Normalmente, os indicadores técnicos não constituiriam a única base para o investimento de um Fundo Quantitativo de Hedge estratégia; Os Quante Hedge Funds empregam muitos fatores adicionais além das informações históricas sobre preço e volume. Em outras palavras, os Fundos Quantitativos de Hedge que empregam estratégias de negociação direcional geralmente têm estratégias quantitativas gerais que são muito mais sofisticadas do que a Análise Técnica geral.
Isso não é para sugerir que os comerciantes do dia não possam lucrar com a Análise Técnica - pelo contrário, muitas estratégias de negociação baseadas em impulso podem ser lucrativas. Assim, para os fins deste módulo de treinamento, as referências às estratégias de negociação Quant Hedge Fund não incluirão apenas estratégias baseadas em análise técnica.
Outras estratégias quantitativas.
Outras abordagens comerciais quantitativas que não são facilmente categorizadas como estratégias de Relative Value ou estratégias direcionais incluem:
Negociação de alta freqüência, onde os comerciantes tentam tirar proveito das discrepâncias de preços entre múltiplas plataformas com muitas negociações ao longo do dia. As estratégias de volatilidade administrada usam futuros e contratos a prazo para se concentrar na geração de retornos absolutos baixos, estáveis ​​e LIBOR-plus, aumentando ou diminuindo a número de contratos dinamicamente à medida que as volatilidades subjacentes das ações, títulos e outros mercados mudam. Estratégias de volatilidade gerenciadas ganharam popularidade nos últimos anos devido à recente instabilidade dos mercados de ações e títulos. & larr; O que é um Fundo de cobertura quantitativo? Top Quantitative Hedge Funds & rarr;

Gekko Quant - Negociação Quantitativa.
Negociação Quantitativa, Arbitragem Estatística, Aprendizado de Máquina e Opções Binárias.
Pós-navegação.
Investigação sobre o poder dos testes de cointegração / reversão à média.
O termo arbitragem estatística (stat-arb) abrange uma ampla variedade de estratégias de investimento que tipicamente visam explorar uma relação de equilíbrio estatístico entre dois ou mais títulos. O princípio geral é que qualquer divergência do equilíbrio é um efeito temporário e que as apostas devem ser colocadas no processo, revertendo para o seu equilíbrio.
A principal advertência das estratégias de tipo de comércio de stat-arb / pairs é que, à medida que a divergência do equilíbrio cresce, o comércio se torna mais desejável, no entanto, em algum momento, a divergência crescerá tão grande que se deve admitir que a relação de equilíbrio não existe mais O modelo está quebrado. Naturalmente, é desejável estimar o poder das ferramentas estatísticas usadas para determinar essas relações e avaliar a duração de qualquer equilíbrio observado a partir da amostra.
Este post irá investigar o poder dos testes estatísticos em relação à negociação em pares para os seguintes testes estatísticos: ADF, BVR, HURST, PP, PGFF,
O princípio geral é que, para duas ações, elas formam um par estacionário e, por definição, um par de reversão, se a seguinte equação for válida:
Se é entre e então e são co-integrados,
é o coeficiente de reversão à média. Um teste estatístico deve ser realizado para verificar se, isso é conhecido como um teste de raiz unitária. Se a série contiver uma raiz unitária, ela não é adequada para a troca de pares. Existem vários testes de raiz unitária, cada um executando um teste diferente no processo residual. Poder-se-ia tentar estimar o modelo residual AR (1) e verificar o uso do método de regressão linear convencional, calculando o índice t padrão. No entanto, foi mostrado por Dicky e Fuller [1979] que a razão t não segue a distribuição t, portanto, testes de significância não padrão são necessários, conhecidos como testes de raiz unitária.
Como em todos os modelos, há um trade off ao determinar o tamanho da janela de treinamento, uma janela muito longa e o modelo pode conter dados irrelevantes e ser lento para se ajustar a eventos recentes, uma janela muito curta e o modelo responde apenas a eventos recentes e esquece eventos passados ​​rapidamente. Este trade off é problemático nos testes de cointegração, foi demonstrado em Clegg, M., janeiro de 2014. Sobre a persistência da cointegração em pares, negociando que, para um tamanho de janela fixo, o poder da maioria dos testes de raiz unitária diminui.
tende para 1 de baixo, para 250 pontos de dados com.
a enxurrada de testes de co-integração só detecta a co-integração em menos de 25% do tempo!
Intuitivamente isso faz sentido, quanto mais lento o processo for para reverter, mais pontos de dados serão necessários para ver a reversão. É um pouco indesejável que o poder dos testes de raiz unitária variem dependendo das propriedades do processo subjacente, no entanto, não é necessário que os pares cointegrados sejam identificados como tal. em grande parte irrelevante.
O que é mais interessante é a taxa de falsos positivos, então os pares identificados como significativos revertam quando não são, e quão persistentes são os resultados.
Gerar 1000 séries temporais co-integradas com e uniformemente distribuídas no conjunto, e no conjunto de acordo com Clegg isso é semelhante aos tipos de pares de ações encontrados na realidade. Repita isso para diferentes comprimentos de série temporal e teste para ver quantas séries temporais são classificadas corretamente como reversão co-integrada / média usando vários testes para diferentes pValues.
Na maioria dos testes PP e PGFF superam os outros métodos. Quando o processo foi fortemente revertido com menos de 0,85, os testes PP, PGFF, JO-E e JO-T identificaram corretamente o processo como co-integrado / média, revertendo mais de 75% do tempo em pValue 0,01. Para alguns dos pares de reversão mais fracos com maior que 0,95, o desempenho dos testes estatísticos é pesaroso com apenas 250 pontos de dados.
Vale a pena ter em mente que 250 pontos de dados é aproximadamente o número de dias de negociação em um ano e talvez dá uma indicação de quantos dados históricos são necessários em uma estratégia de negociação de pares.
Siga o mesmo procedimento descrito para o teste de precisão, mas escolha no conjunto para gerar séries temporais que não sejam co-integradas. Veja qual porcentagem dos caminhos é falsamente relatado como co-integrado / retorno médio.
Eu nunca vi esse gráfico em um livro de texto e fiquei surpreso com os resultados, tanto HURST quanto BVR relataram mais falsos positivos como aumentos! Quanto mais o processo explode, mais provável é que o teste mostre um falso positivo!
Felizmente os outros testes se comportam de maneira razoável com poucos falsos positivos.
Evolução de redes neurais através do aumento de topologias - Parte 4 de 4 & # 8211; Estratégia de negociação.
Esta publicação explora a aplicação do NEAT para negociar o S & amp; P. A estratégia aprendida significativamente desempenha a compra e a manutenção dentro e fora da amostra.
Uma parte fundamental de qualquer problema de aprendizado de máquina é definir os recursos e garantir que eles sejam normalizados de alguma forma.
Os recursos serão os percentis de rolagem dos seguintes dados econômicos, um percentil rolante pega os últimos n pontos de dados e calcula que% dos dados apontam que o ponto de dados mais recente é maior que.
A função de adequação é a equidade final e visa maximizar o patrimônio final.
Qualquer genoma que tenha uma redução de 20%, ou as tentativas de usar uma alavanca maior que +/- 2 é encerrada. Na prática, você não quer que sua máquina do sistema aprenda os controles de risco, pois há potencial para que eles não sejam aprendidos. A razão pela qual eles estão incorporados dentro da estratégia é acelerar o processo de aprendizagem, pois podemos matar os genomas cedo antes da simulação estar completa com base em quebrar as regras de risco.
Lote de todos os dados / recursos.
Parece que, quando as não-fazendas caem em seus percentis mais baixos / o desemprego atinge os percentis mais altos, o dia-a-dia retorna no S & amp; P torna-se mais volátil. Espera-se que a aprendizagem possa tirar proveito disso.
O aprendizado identificou uma estratégia que simplesmente executa compra e manutenção. A estratégia proposta tem uma redução máxima em torno de 20%, contra a compra e a retenção, tendo uma redução de 40%. Além disso, a estratégia desacelerou o índice entre 2000-2003, já que estava sendo vendida antes de longo período de 2007. Gerando um retorno de 80% contra compra e retenção de 7%!
Nos dados fora da amostra (não utilizados durante o treinamento), a estratégia atingiu significativamente a compra e a retenção, aproximadamente 250% de retorno vs 50% com uma redução máxima de cerca de 20% contra a compra e retenção de 50%.
RNeat & # 8211; Rede Neural de Raiz Quadrada treinada usando Topologias de Aumento e # 8211; Exemplo simples.
Um tutorial simples que demonstra como treinar uma rede neural para números de raiz quadrada usando um algoritmo genético que busca através do espaço da estrutura topológica. O algoritmo é chamado NEAT (Neuro Evolution of Augmenting Topologies) disponível no pacote RNeat (ainda não em CRAN).
O treinamento é muito semelhante a outros pacotes de aprendizado de máquina / regressão em R. A função de treinamento usa um quadro de dados e uma fórmula. A fórmula é usada para especificar quais colunas no quadro de dados são as variáveis ​​dependentes e quais são as variáveis ​​explicativas. O código é comentado e deve ser simples o suficiente para novos usuários de R.
O desempenho da rede pode ser visto no gráfico inferior esquerdo da imagem acima, há diferenças consideráveis ​​entre a saída esperada e a saída real. É provável que com mais treinamento a magnitude desses erros seja reduzida, pode ser visto no gráfico inferior direito que a aptidão máxima, média e mediana geralmente estão aumentando a cada geração.
Desenvolvendo redes neurais através do aumento de topologias - Parte 3 de 4.
Esta parte do tutorial NEAT mostrará como usar o pacote RNeat (ainda não em CRAN) para resolver o problema clássico do balanço do pólo.
A simulação requer a implementação de 5 funções:
processInitialStateFunc & # 8211; Isto especifica o estado inicial do sistema, para o problema de equilíbrio do pólo o estado é a localização do carrinho, velocidade do carrinho, aceleração do carrinho, força sendo aplicada ao carrinho, ângulo do pólo, velocidade angular do pólo e aceleração angular do polo. processUpdateStateFunc & # 8211; Isso especifica como obter o estado atual e atualizá-lo usando as saídas da rede neural. Neste exemplo, esta função simula as equações de movimento e leva a saída da rede neural como a força que está sendo aplicada ao carrinho. processStateToNeuralInputFunc & # 8211; Permite modificar o estado / normalização do estado antes de ser passado como uma entrada para a rede neural fitnessUpdateFunc & # 8211; Leva o antigo fitness, o estado antigo e o novo estado atualizado e determina qual é o novo sistema de fitness. Para o problema do equilíbrio do pólo, esta função quer recompensar o pendulo sendo certo e recompensar o carrinho próximo ao meio da pista. terminationCheckFunc & # 8211; Obtém o estado e verifica se a rescisão deve ser finalizada. Pode optar por terminar se o mastro cair, a simulação durou muito ou o carrinho foi retirado do final da pista. plotStateFunc & # 8211; Traça o estado, para o equilíbrio do pólo isso desenha o carrinho e o pêndulo.
Desenvolvendo redes neurais através do aumento de topologias - Parte 2 de 4.
Esta parte do tutorial sobre o uso do algoritmo NEAT explica como os genomas são cruzados de forma significativa mantendo suas informações topológicas e como a especiação (genomas de grupo em espécies) pode ser usada para proteger genomas fracos com novas informações topológicas de serem erradicadas prematuramente do gene pool antes que seu espaço de peso possa ser otimizado.
A primeira parte deste tutorial pode ser encontrada aqui.
Acompanhando história de genes através de números de inovação.
A Parte 1 mostrou duas mutações, mutação de ligação e mutação do nó, que adicionaram novos genes ao genoma. Cada vez que um novo gene é criado (através de uma inovação topológica), um número de inovação global é incrementado e atribuído a esse gene.
O número global de inovações está rastreando a origem histórica de cada gene. Se dois genes tiverem o mesmo número de inovação, eles devem representar a mesma topologia (embora os pesos possam ser diferentes). Isso é explorado durante o cruzamento do gene.
O cruzamento de genomas leva dois genomas pai (vamos chamá-los de A e B) e cria um novo genoma (vamos chamá-lo de filho), pegando os genes mais fortes de A e B copiando quaisquer estruturas topológicas ao longo do caminho.
Durante o cruzamento, os genes de ambos os genomas são alinhados usando seu número de inovação. Para cada número de inovação, o gene do pai mais apto é selecionado e inserido no genoma da criança. Se ambos os genomas pais tiverem a mesma aptidão, então o gene é selecionado aleatoriamente de um dos pais com igual probabilidade. Se o número de inovação está presente apenas em um dos pais, então isso é conhecido como um gene disjunto ou excessivo e representa uma inovação topológica; ele também é inserido na criança.
A imagem abaixo mostra o processo de cruzamento para dois genomas da mesma forma física.
A especiação toma todos os genomas em um dado conjunto de genoma e tenta dividi-los em grupos distintos conhecidos como espécies. Os genomas de cada espécie terão características semelhantes.
Uma maneira de medir a similaridade entre dois genomas é necessária, se dois genomas forem "similares". eles são da mesma espécie. Uma medida natural a ser usada seria uma soma ponderada do número de disjuntos & amp; excesso de genes (representando diferenças topológicas) e a diferença de pesos entre genes correspondentes. Se a soma ponderada estiver abaixo de algum limiar, então os genomas são da mesma espécie.
A vantagem de dividir os genomas em espécies é que, durante o passo da evolução genética, onde os genomas com baixa aptidão são retirados (removidos inteiramente do grupo do genoma) ao invés de cada genoma lutar pelo lugar dele contra todos os outros genomas em todo o mundo piscina de genoma nós podemos fazer isto lutar por isto é lugar contra genomas da mesma espécie. Desta forma, espécies que se formam a partir de uma nova inovação topológica que pode não ter uma alta aptidão ainda devido a não ter seus pesos otimizados sobreviverão ao abate.
Resumo do processo inteiro.
Criar um conjunto de genoma com n genomas aleatórios Pegue cada genoma e aplique-o ao problema / simulação e calcule a adequação do genoma Atribua cada genoma a uma espécie Em cada espécie abata os genomas removendo alguns dos genomas mais fracos Reproduza cada espécie (selecione genomas aleatoriamente nas espécies) para crossover ou mutar) Repita todos os itens acima.

Gekko Quant - Negociação Quantitativa.
Negociação Quantitativa, Arbitragem Estatística, Aprendizado de Máquina e Opções Binárias.
Arquivo da Categoria: Estratégia de Negociação.
Pós-navegação.
Spreads de crédito de alta probabilidade & # 8211; Usando curvas de regressão linear.
Encontrei essa série de vídeos durante o fim de semana, um negociante de opções discute como ele troca spreads de crédito (principalmente busca reversão média). A maioria de vocês estará familiarizado com as bandas bollinger como uma estratégia comum de reversão média, essencialmente você toma a média móvel e o desvio padrão móvel do estoque. Em seguida, traça em seu gráfico a média móvel e uma banda superior e inferior (média móvel +/- n * desvios padrão).
Supõe-se que o preço irá reverter para a média móvel, portanto, qualquer movimento de preço para as bandas é um bom ponto de entrada. Um problema comum com essa estratégia é que a média móvel é um indicador de LAGGING e geralmente é muito lenta para rastrear o preço se um longo período de lookback é usado.
O Vídeo 1 apresenta uma técnica chamada Curvas de regressão linear # 8220; # 8221; cerca de 10 minutos. As curvas de regressão linear visam resolver o problema de que a média móvel seja lenta para rastrear o preço.
Curva de Regressão Linear vs Média Móvel Simples.
Veja quão firmemente a curva de regressão linear azul segue o preço de fechamento, é significativamente mais rápido identificar voltas no mercado onde a média móvel simples tem um erro de rastreamento considerável. O MSE poderia ser usado para quantificar o aperto.
Como calcular a curva de regressão linear:
Neste exemplo você tem 100 preços de fechamento para seu estoque dado. A barra 1 é o preço mais antigo, a barra 100 é o preço mais recente. Nós usaremos uma regressão de 20 dias.
1. Tome os preços 1-20 e desenhe a linha de melhor ajuste através deles.
2. No final da sua melhor linha de ajuste (então barra 20), desenhe um pequeno círculo.
3. Pegue os preços 2-21 e desenhe a linha de melhor ajuste através deles.
4. No final da sua linha de melhor ajuste (assim barra 21) desenhe um pequeno círculo.
5. Repetir até o bar 100.
6. Junte todos os seus círculos pequenos, esta é a sua curva de regressão linear & # 8217;
Então, em poucas palavras, você acaba de juntar as extremidades de uma regressão linear rolante.
É & # 8216; risco & # 8217; recompensado nos mercados de ações?
Esta publicação procura examinar se a frase bem conhecida & # 8220; quanto maior o risco, maior a recompensa & # 8221; aplica-se aos constituintes do FTSE 100. Numerosos modelos tentaram capturar métricas de recompensa de risco, o mais conhecido é o Modelo de Preços de Alocação de Capital (CAPM). O CAPM tenta quantificar o retorno de um investimento que um investidor deve receber para ser adequadamente compensado pelo risco que assumiu.
O código abaixo calcula o desvio padrão de rolamento dos retornos, & # 8216; o risco & # 8217 ;, para os constituintes FTSE 100. Em seguida, agrupa os estoques em quartis por essa métrica de risco, os grupos são atualizados diariamente. Quartil 1 é o menor estoque de volatilidade, o quartil 2 é o mais alto. Um índice igualmente ponderado ($ amt) é criado para cada quartil. De acordo com a teoria acima, Q4 (high vol) deve produzir os maiores retornos cumulativos.
Ao usar um lookback de 1 mês para o cálculo stdev, há um índice vencedor claro, o menor índice vol (preto). Curiosamente o segundo melhor índice é o maior índice vol (azul). O gráfico acima é calculado usando os retornos aritméticos.
Ao usar um lookback mais longo de 250 dias, um ano comercial, o índice vol mais alto é o melhor desempenho e o menor índice vol, o pior desempenho.
Para o lookback curto (30 dias), o índice de baixa voltagem foi o melhor desempenho.
Para um longo lookback (250 dias), o índice de alta voltagem foi o melhor desempenho.
Uma possível explicação (não testada) é que, para um curto lookback, a métrica de risco de volatilidade é mais sensível às movimentações no estoque e, portanto, em um anúncio de notícias / ganhos, o estoque tem maior probabilidade de se deslocar do índice atual de ele em um índice vol maior. Talvez não seja razoável supor que o índice vol elevado contenha apenas as ações que tiveram um anúncio recente / volatilidade temporária e estão em um período de consolidação ou reversão à média. Ou, para colocar de outra forma, para visões curtas, o índice de vol alto não contém os estoques que são permanentemente altamente vol, enquanto que, para os longos retrocessos, quaisquer desvios vol temporários são suavizados.
Abaixo estão os mesmos gráficos acima, mas para retornos geométricos.
Otimização de Parâmetro & # 038; Backtesting & # 8211; Parte 2.
O código apresentado aqui terá como objetivo otimizar uma estratégia com base no indicador de média móvel simples. A estratégia será longa quando a média móvel A & gt; média móvel B. A otimização é determinar o período para fazer cada uma das médias móveis A & amp; B.
Por favor, note que esta não pretende ser uma boa estratégia, é meramente aqui dar um exemplo de como otimizar um parâmetro.
TradingStrategy esta função implementa a lógica de negociação e calcula os retornos RunIterativeStrategy esta função itera através de possíveis combinações de parâmetros e chamadas TradingStrategy para cada novo conjunto de parâmetros CalculatePerformanceMetric leva uma tabela de retornos (de RunIterativeStrategy) e executa uma função / métrica em cada conjunto de retornos. PerformanceTable chama CalculatePerformanceMetric para muita métrica diferente e compila os resultados em uma tabela OrderPerformanceTable nos permite solicitar a tabela de desempenho por uma determinada métrica, ou seja, ordem pela maior razão de sharpe SelectTopNStrategies seleciona as melhores N estratégias para uma métrica de desempenho especificada (charts. PerformanceSummary só pode enredo.
20 estratégias, portanto, essa função para selecionar uma amostra) FindOptimumStrategy faz o que diz na lata.
Estratégia de Negociação & # 8211; VWAP Mean Reversion.
Esta estratégia vai usar o preço médio ponderado do volume (VWAP) como um indicador para a versão média comercial de volta ao VWAP. Razão Annual Sharpe (Rf = 0%) é 0.9016936.
Esta publicação é uma resposta para o gekkoquant / 2012/07/29 / trading-strategy-sp-vwap-trend-follow / onde houve um erro no código indicando que o VWAP não foi revertido (este didn & # 8217; t sentar bem comigo, ou algumas das pessoas que comentaram). Como sempre, não tome a minha palavra para nada, teste a estratégia sozinha. Um dos perigos de usar R ou Matlab é que é fácil para viés direto encaixar no seu código. Existem bibliotecas, como Quantstrat for R, que protegem contra isso, mas eu encontrei-os terrivelmente lento para correr.
Todas as condições são verificadas no fechamento, e a negociação é mantida por um dia a partir do fechamento Se o preço / vwap & gt; uLim ir curto Se o preço / vwap & lt; Passei muito tempo.
Estratégia de Negociação & # 8211; S & # 038; P VWAP Tendência Siga (BUGGY)
ACTUALIZAÇÃO: Os retornos excepcionais vistos nessa estratégia foram devidos a 2 dias de avanço no sinal (e depois à direção comercial subsequente), ou seja, quando os retornos foram calculados para o dia T, o sinal de troca utilizado foi no dia T + 2.
Esse viés ocorreu nas linhas:
Tanto o quadro de dados de sinal quanto o comércio tiveram as datas corretas para cada sinal / transações no entanto, quando o comércio de índice * ocorreu, o comércio foi tratado como vetores não datados (que é 2 elementos mais curtos que o índice ret), portanto, o deslocamento de 2 dias. A moral dessa história é fundir os quadros de dados antes de se multiplicar!
Obrigado por todos que comentaram sobre isso, um post corrigido é seguir!
Essa estratégia usará o preço médio ponderado por volume (VWAP) como um indicador para determinar a direção da tendência atual e negociar na mesma direção da tendência. Razão Annual Sharpe (Rf = 0%) é 8.510472.
Todas as condições são verificadas no fechamento, e a negociação é mantida por um dia a partir do fechamento Se o preço / vwap & gt; uLim ir longo Se o preço / vwap & lt; lLim vai curto.
Inicialmente eu pensei que o preço seria médio revertendo para VWAP (isso pode ser visto em dados de alta frequência), no entanto, isso não parece ser o caso com dados EOD. Para uma estratégia tão simples, estou espantado que a proporção de Sharpe seja tão alta (suspeitamente alta). O código foi verificado por dupla e tripple para ver se algum viés de redirecionamento ocorreu, no entanto, eu não vi nada.