Quant Trading Strategy

Estratégias Quant - são para você As estratégias de investimento quantitativo evoluíram em ferramentas muito complexas com o advento de computadores modernos, mas as estratégias raízes remontam mais de 70 anos. Eles são normalmente executados por equipes altamente educadas e usar modelos proprietários para aumentar sua capacidade de bater o mercado. Há mesmo off-the-shelf programas que são plug-and-play para aqueles que procuram simplicidade. Quant modelos sempre funcionam bem quando testado, mas suas aplicações reais e taxa de sucesso são discutíveis. Enquanto eles parecem funcionar bem em mercados de touro. Quando os mercados se esgotam, estratégias quanti está sujeita aos mesmos riscos que qualquer outra estratégia. A história Um dos fundadores do estudo da teoria quantitativa aplicada às finanças foi Robert Merton. Você só pode imaginar o quão difícil e demorado o processo foi antes do uso de computadores. Outras teorias em finanças também evoluíram a partir de alguns dos primeiros estudos quantitativos, incluindo a base da diversificação de carteiras com base na teoria da carteira moderna. O uso de finanças e cálculos quantitativos levou a muitas outras ferramentas comuns, incluindo uma das mais famosas, a Black-Scholes fórmula de precificação opção, que não só ajuda os investidores preço opções e desenvolver estratégias, mas ajuda a manter os mercados em cheque com liquidez. Quando aplicado diretamente ao gerenciamento de portfólio. O objetivo é como qualquer outra estratégia de investimento. Para adicionar valor, alfa ou excesso retorna. Quants, como os desenvolvedores são chamados, compõem modelos matemáticos complexos para detectar oportunidades de investimento. Existem tantos modelos lá fora como quants que desenvolvê-los, e todos afirmam ser o melhor. Um dos pontos mais vendidos da estratégia de investimento quantitativa é que o modelo e, finalmente, o computador, fazem a decisão de compra / venda real, e não um ser humano. Isso tende a remover qualquer resposta emocional que uma pessoa pode experimentar ao comprar ou vender investimentos. As estratégias de Quant são agora aceitas na comunidade de investimento e geridas por fundos mútuos, hedge funds e investidores institucionais. Eles normalmente vão pelo nome alfa geradores. Ou alfa gens. Atrás da cortina Assim como em O Mágico de Oz, alguém está por trás da cortina de condução do processo. Como com qualquer modelo, 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 modelos quant combinam as habilidades de analistas de investimento, estatísticos e programadores que codificam o processo nos computadores. Devido à natureza complexa dos modelos matemáticos e estatísticos, é comum ver credenciais como pós-graduação e doutorado em finanças, economia, matemática e engenharia. Historicamente, esses membros da equipe trabalhavam nos back offices. Mas como os modelos de quant tornou-se mais comum, o back office está se movendo para a frente do escritório. Benefícios de estratégias Quant Enquanto a taxa de sucesso global é discutível, a razão de algumas estratégias quant trabalho é que eles são baseados em disciplina. Se o modelo estiver certo, a disciplina mantém a estratégia trabalhando com computadores de velocidade relâmpago para explorar ineficiências nos mercados com base em dados quantitativos. Os próprios modelos podem ser baseados em tão poucas como algumas relações como P / E. Dívida para capital próprio e crescimento de lucros, ou usar milhares de insumos trabalhando juntos ao mesmo tempo. Estratégias bem sucedidas podem pegar em tendências em seus estágios iniciais como os computadores constantemente executar cenários para localizar ineficiências antes que outros fazem. Os modelos são capazes de analisar um grupo muito grande de investimentos simultaneamente, onde o analista tradicional pode estar olhando apenas alguns de cada vez. O processo de triagem pode classificar o universo por níveis de grau como 1-5 ou A-F dependendo do modelo. Isso torna o processo de negociação real muito simples, investindo nos investimentos altamente cotados e vendendo os mais baixos. Quant modelos também abrem variações de estratégias como longo, curto e longo / curto. Fundos quantos bem sucedidos mantêm um olho afiado no controle de risco devido à natureza de seus modelos. A maioria das estratégias começa com um universo ou benchmark e usa ponderações setoriais e industriais em seus modelos. Isso permite que os fundos controlem a diversificação até certo ponto sem comprometer o próprio modelo. Os fundos Quant funcionam normalmente em uma base de custo mais baixo porque eles não precisam de tantos analistas tradicionais e gerentes de portfólio para executá-los. Desvantagens de estratégias Quant Há razões por que tantos investidores não abraçar totalmente o conceito de deixar uma caixa preta executar seus investimentos. Para todos os fundos quant bem sucedidos lá fora, apenas como muitos parecem ser malsucedido. Infelizmente para a reputação dos quants, quando falham, falham grande. Long-Term Capital Management foi um dos mais famosos fundos de hedge, já que foi administrado por alguns dos mais respeitados líderes acadêmicos e dois economistas premiados com o Prêmio Nobel, Myron S. Scholes e Robert C. Merton. Durante os anos 90, sua equipe gerou retornos acima da média e atraiu capital de todos os tipos de investidores. Eles eram famosos por não só explorar as ineficiências, mas usando o acesso fácil ao capital para criar enormes apostas alavancadas nas direções do mercado. A natureza disciplinada de sua estratégia realmente criou a fraqueza que levou ao seu colapso. Long-Term Capital Management foi liquidada e dissolvida no início de 2000. Seus modelos não incluem a possibilidade de que o governo russo poderia inadimplência em parte de sua própria dívida. Esse evento desencadeou eventos e uma reação em cadeia ampliada pelo caos causado pela alavancagem. A LTCM estava tão envolvida com outras operações de investimento que seu colapso afetou os mercados mundiais, provocando eventos dramáticos. A longo prazo, o Federal Reserve interveio para ajudar, e outros bancos e fundos de investimento apoiou LTCM para evitar quaisquer danos adicionais. Esta é uma das razões pelas quais os fundos podem fracassar, pois são baseados em eventos históricos que podem não incluir eventos futuros. Enquanto uma equipe forte quant estará constantemente adicionando novos aspectos aos modelos para prever eventos futuros, é impossível prever o futuro cada vez. Quant fundos também podem se tornar oprimido quando a economia e os mercados estão experimentando maior do que a volatilidade média. Os sinais de compra e venda podem vir tão rapidamente que o alto volume de negócios pode criar comissões elevadas e eventos tributáveis. Quant fundos também podem representar um perigo quando eles são comercializados como à prova de urso ou são baseados em estratégias de curto. Prevendo recessões. Usando derivativos e alavancagem de combinação pode ser perigoso. Uma vez errada pode levar a implosões, que muitas vezes fazem a notícia. Bottom Line As estratégias de investimento quantitativo evoluíram de caixas negras de back office para ferramentas de investimento mainstream. Eles são projetados para utilizar as melhores mentes nos negócios e os computadores mais rápidos para explorar as ineficiências e usar alavancagem para fazer apostas no mercado. Eles podem ser muito bem sucedidos se os modelos têm incluído todas as entradas direita e são ágeis o suficiente para prever eventos anormais do mercado. Por outro lado, enquanto os fundos quant são rigorosamente testados até que funcionam, a sua fraqueza é que eles dependem de dados históricos para o seu sucesso. Enquanto o estilo de estilo de investimento tem seu lugar no mercado, é importante estar ciente de suas deficiências e riscos. Ser coerente com as estratégias de diversificação. É uma boa idéia para tratar estratégias quant como um estilo de investimento e combiná-lo com as estratégias tradicionais para alcançar uma diversificação adequada. ARIMA GARCH Estratégia de Negociação no S P500 Índice de Mercado de Capitais Utilizando R Por Michael Halls-Moore em 7 de outubro de 2015 Neste artigo eu quero mostrar-lhe como aplicar todo o conhecimento adquirido nos postos de análise de séries de tempo anteriores para uma estratégia de negociação No índice S P500 US mercado de ações. Veremos que, combinando os modelos ARIMA e GARCH, podemos superar significativamente uma abordagem Buy-and-Hold a longo prazo. Visão Geral da Estratégia A idéia da estratégia é relativamente simples, mas se você quiser experimentar com ela, eu sugiro que você leia os posts anteriores sobre a análise de séries temporais para entender o que você estaria modificando. A estratégia é feita de forma contínua: Dia, n, os dias k anteriores dos retornos logarítmicos diferenciados de um índice de mercado de ações são usados ​​como uma janela para ajustar um modelo ideal de ARIMA e GARCH. O modelo combinado é usado para fazer uma previsão para o dia seguinte retorna. Se a previsão é negativa, o estoque é curto no fechamento anterior, enquanto que se for positivo, é desejado. Se a previsão é a mesma direção que o dia anterior, então nada é alterado. Para esta estratégia usei o máximo de dados disponíveis do Yahoo Finance para o S P500. Tenho tomado k 500, mas este é um parâmetro que pode ser otimizado, a fim de melhorar o desempenho ou reduzir drawdown. O backtest é realizado de uma forma direta vetorizada usando R. Ele não foi implementado no backtestter evento-driven Python até agora. Daí o desempenho alcançado em um sistema de comércio real seria provavelmente um pouco menos do que você pode conseguir aqui, devido à comissão e derrapagem. Implementação da Estratégia Para implementar a estratégia, vamos usar um pouco do código que criamos anteriormente na série de artigos de análise de séries temporais, bem como algumas novas bibliotecas, incluindo o rugarch. Que foi sugerido para mim por Ilya Kipnis sobre a QuantStrat Trader. Vou passar a sintaxe de uma forma passo a passo e, em seguida, apresentar a implementação completa no final, bem como um link para o meu dataset para o indicador ARIGA GARCH. Eu incluí o último porque ele me levou um par de dias no meu PC dekstop para gerar os sinais Você deve ser capaz de replicar meus resultados na íntegra como o próprio código não é muito complexo, embora leve algum tempo para simular se Você executá-lo totalmente. A primeira tarefa é instalar e importar as bibliotecas necessárias em R: Se você já tem as bibliotecas instaladas você pode simplesmente importá-los: Com isso feito vai aplicar a estratégia para o S P500. Podemos usar o quantmod para obter dados que remontam a 1950 para o índice. Yahoo Finance usa o símbolo GPSC. Podemos então criar os retornos logarítmicos diferenciados do Preço de Encerramento do S P500 e retirar o valor inicial de NA: Precisamos criar um vetor, previsões para armazenar nossos valores de previsão em datas específicas. Definimos o comprimento foreLength para ser igual ao comprimento de dados de negociação que temos menos k, o comprimento da janela: Nesta fase, precisamos de loop através de todos os dias nos dados de negociação e ajustar um ARIMA apropriado e modelo GARCH para a janela de rolamento de Comprimento k. Dado que tentamos 24 ajustes separados ARIMA e encaixar um modelo GARCH, para cada dia, o indicador pode levar muito tempo para gerar. Usamos o índice d como uma variável de loop eo laço de k para o comprimento dos dados de negociação: Então, criamos a janela de rolamento tomando os retornos S P500 e selecionando os valores entre 1 d e kd, onde k 500 para esta estratégia: Utilizamos o mesmo procedimento que no artigo ARIMA para pesquisar todos os modelos ARMA com p in e q in, com exceção de p, q 0. Envolvemos a chamada arimaFit em um bloco de tratamento de exceções de tryCatch R para garantir que, se não obtivermos um ajuste para um valor específico de p e q, ignorá-lo e passar para a próxima combinação de p e q. Observe que definimos o valor integrado de d 0 (este é um d diferente do nosso parâmetro de indexação) e, como tal, estamos realmente ajustando um modelo ARMA. Em vez de um ARIMA. O procedimento de looping nos fornecerá o melhor modelo ARMA, em termos do Critério de Informação Akaike, que podemos usar para alimentar nosso modelo GARCH: No próximo bloco de código vamos usar a biblioteca do rugarch, com o GARCH (1,1) modelo. A sintaxe para isso requer que configuremos um objeto de especificação ugarchspec que leva um modelo para a variância ea média. A variância recebe o modelo GARCH (1,1) enquanto a média toma um modelo ARMA (p, q), onde p e q são escolhidos acima. Nós também escolhemos a distribuição sged para os erros. Uma vez escolhida a especificação, realizamos o ajuste real do ARMA GARCH usando o comando ugarchfit, que leva o objeto de especificação, o k retorna do S P500 e um solucionador de otimização numérica. Optamos por usar híbrido. Que tenta solucionadores diferentes, a fim de aumentar a probabilidade de convergência: Se o modelo GARCH não converge, então simplesmente definir o dia para produzir uma longa previsão, que é claramente um palpite. No entanto, se o modelo não converge, em seguida, a saída da data e amanhã s previsão direção (1 ou -1) como uma seqüência de caracteres em que ponto o loop é fechado. Para preparar a saída para o arquivo CSV criei uma seqüência de caracteres que contém os dados separados por uma vírgula com a direção de previsão para o dia seguinte: A etapa penúltimo é a saída do arquivo CSV para o disco. Isso nos permite pegar o indicador e usá-lo em um software de backtesting alternativo para análise posterior, se assim for desejado: No entanto, há um pequeno problema com o arquivo CSV tal como está agora. O arquivo contém uma lista de datas e uma previsão para a direção de amanhã. Se fôssemos carregar isso para o código de backtest abaixo como ele está, nós realmente estaria introduzindo um viés look-ahead porque o valor de predição representaria dados não conhecidos no momento da previsão. A fim de explicar isso, precisamos simplesmente mover o valor previsto um dia antes. Eu encontrei este para ser mais direto usando Python. Desde que eu não quero assumir que você instalou quaisquer bibliotecas especiais (como pandas), eu mantive-o para puro Python. Aqui está o script curto que leva este procedimento para fora. Certifique-se de executá-lo no mesmo diretório que o arquivo forecast. csv: Neste ponto, agora temos o arquivo indicador corrigido armazenado nas previsões new. csv. Uma vez que isso leva uma quantidade substancial de tempo para calcular, eu provei o arquivo completo aqui para você baixar: Resultados da Estratégia Agora que geramos nosso arquivo CSV indicador, precisamos comparar seu desempenho com Buy Hold. Em primeiro lugar, lemos no indicador a partir do arquivo CSV e armazená-lo como spArimaGarch: Criamos então uma interseção das datas para as previsões ARIMA GARCH eo conjunto original de retornos do S P500. Podemos então calcular os retornos para a estratégia ARIMA GARCH multiplicando o sinal de previsão (ou -) com o próprio retorno: uma vez que temos os retornos da estratégia ARIGA GARCH podemos criar curvas de equidade tanto para o modelo ARIMA GARCH quanto para Buy Hold. Finalmente, podemos combiná-los em uma única estrutura de dados: Finalmente, podemos usar o comando xyplot para traçar as duas curvas patrimoniais na mesma parcela: A curva de equidade até 6 de outubro de 2015 é a seguinte: Como você pode ver, Período, a estratégia ARIMA GARCH superou significativamente o Buy Hold. No entanto, você também pode ver que a maioria do ganho ocorreu entre 1970 e 1980. Observe que a volatilidade da curva é bastante mínima até o início dos anos 80, momento em que a volatilidade aumenta significativamente e os retornos médios são menos impressionantes. Claramente a curva de equidade promete grande desempenho ao longo de todo o período. No entanto, seria esta estratégia realmente foram negociáveis ​​Primeiro de tudo, vamos considerar o fato de que o modelo ARMA só foi publicado em 1951. Não foi realmente amplamente utilizado até 1970, quando Box Jenkins discutiu em seu livro. Em segundo lugar, o modelo ARCH não foi descoberto (publicamente) até o início dos anos 80, por Engle, e o próprio GARCH foi publicado por Bollerslev em 1986. Em terceiro lugar, este backtest foi efectivamente realizado num índice bursátil e não num instrumento fisicamente transaccionável. A fim de obter acesso a um índice como este, teria sido necessário para o comércio de futuros S P500 ou uma réplica Exchange Traded Fund (ETF), como SPDR. Portanto, é realmente apropriado aplicar tais modelos a uma série histórica anterior à sua invenção. Uma alternativa é começar a aplicar os modelos a dados mais recentes. De fato, podemos considerar o desempenho nos últimos dez anos, de 1 de janeiro de 2005 a hoje: Como você pode ver a curva de equidade permanece abaixo de uma estratégia de Buy Hold por quase 3 anos, mas durante o crash da bolsa de 2008/2009 Faz muito bem. Isto faz sentido porque é provável que haja uma correlação serial significativa neste período e será bem capturado pelos modelos ARIMA e GARCH. Uma vez que o mercado recuperou pós-2009 e entra o que parece ser mais uma tendência estocástica, o desempenho do modelo começa a sofrer mais uma vez. Observe que essa estratégia pode ser facilmente aplicada a diferentes índices de ações, ações ou outras classes de ativos. Eu recomendo fortemente que você tente pesquisar outros instrumentos, como você pode obter melhorias substanciais sobre os resultados apresentados aqui. Próximas Etapas Agora que terminamos de discutir a família de modelos ARIMA e GARCH, eu quero continuar a discussão da análise de séries temporais considerando processos de longa memória, modelos de estados-espaço e séries temporais co-integradas. Essas áreas subseqüentes de séries temporais nos apresentarão modelos que podem melhorar nossas previsões para além daquelas apresentadas aqui, o que aumentará significativamente nossa rentabilidade comercial e / ou reduzirá o risco. Código completo Aqui está a listagem completa para a geração de indicadores, backtesting e plotagem: E o código Python para aplicar a forecast. csv antes de reimportar: Michael Halls-Moore Mike é o fundador da QuantStart e tem estado envolvido na indústria financeira quantitativa para a Últimos cinco anos, principalmente como um desenvolvedor quant e mais tarde como um consultor de comerciante quant para hedge funds. Artigos relacionados Analisar suas estratégias e resultados de negociação Encontrar pontos fracos e potencial de melhoria Construir portfólios óptimos e usar o melhor gerenciamento de dinheiro Por que você precisa Quant Analyzer É muito simples. Conhecimento detalhado Possibilidade de melhorar. Quant Analyzer lhe permite analisar sua negociação e deixá-lo melhorá-lo. Apenas alguns exemplos: Negociar apenas algumas estratégias Reveja cada estratégia e descubra se ela pode ser melhorada - por exemplo, não negociar em dias especiais usando Cenários de O Que Se Encontre o melhor método de dimensionamento de posição usando o Money Management Simulator Verificando um novo EA Use Monte Carlo no backtest de estratégia para descobrir se a estratégia vai sobreviver no mundo real Escolhendo entre muitas estratégias Use Portfolio Master para encontrar o portfólio ideal de suas estratégias Flexibilidade e extensibilidade Uma das melhores características do Quant Analyzer é a extensão total. Assim como você pode adicionar um novo indicador personalizado à sua plataforma de negociação favorita, você pode adicionar um novo recurso ao Quant Analyzer fazendo um simples snippet de código. Você quer que ele para calcular novo valor estatístico não incluído no programa Você pode adicioná-lo. Você deseja criar uma nova coluna na tabela ou um novo campo na visão geral dos resultados É possível. Deseja criar um novo caso de ocorrência ou novo método de gestão de dinheiro. Você pode fazê-lo. Mesmo se você não é proficiente na programação, não há nada que o impeça de pedir a alguém para fazer isso por você. Construir portfólios ótimos usando um Portfolio Master Vamos dizer que você tem 20 estratégias diferentes, mas o seu tamanho de conta ou abordagem de diversificação de setor / símbolo permite que você troque apenas 5 deles. Então você tem que escolher quais 5 dessas 20 estratégias para o comércio - em outras palavras, como construir um portofolio ideal de 5 estratégias a partir do 20 que estão disponíveis. Portfolio Master pode fazer isso por você, e mais - ele suporta filtragem por: correlação - para que o portfólio não contém estratégias que são setores muito correlacionados - de modo que o portfólio não contém muitas estratégias do mesmo setor ou símbolo Executar testes de Monte Carlo De suas estratégias A análise de Monte Carlo (ou simulação) é uma técnica poderosa que pode ajudá-lo a verificar o backtest da estratégia - se a estratégia estiver realmente funcionando ou se os resultados do backtest foram alcançados por ajuste de sorte ou curva. Se você já se perguntou como melhorar seus resultados comerciais E se você evitar negociação em um determinado dias da semana. Ou como seus resultados de troca olhar como se você d alguma maneira faltou os 10 negócios os mais rentáveis. Isso e muito mais é exatamente o que você pode simular usando o que se cenários - eles oferecem uma maneira flexível para trabalhar com seus resultados de negociação e filtrar alguns dos comércios usando diferentes cenários do que poderia acontecer. Encontre o melhor modelo de dimensionamento de posição O recurso de Simulação de Gerenciamento de Dinheiro do Quant Analyzer permite simular a negociação de sua estratégia com diferentes modelos de gerenciamento de dinheiro (dimensionamento de posição). Por exemplo, compare os resultados de negociação usando lotes fixos ou risco de conta com opções de risco diferentes.