Ai Trading Strategien

Bei Aquitaine Investors glauben wir, dass der erfolgreiche automatisierte Handel in erster Linie auf die Erstellung und Entwicklung von Strategien beruht, die auf bewährten technischen Analysen und Prinzipien des Geldmanagements basieren. Wir glauben, dass Einfachheit und ein wenig Kreativität einen langen Weg gehen. Auf der Grundlage unserer eigenen Erfahrungen können wir Ihre bestehenden Handelsstrategien automatisieren. Ihre Ideen in Arbeitsroboter umzuwandeln, die Ihren persönlichen Anforderungen und Aussichten entsprechen (zB Appetit auf Risiko) Backtest und optimieren Sie Ihre Strategien Wie neue oder bestehende Strategien verbessert werden können, einschließlich Risikomanagement und die Vermeidung von Kurvenanpassung (das heißt, durch über-optimistische Ergebnisse irregeführt) Erstellen Sie maßgeschneiderte Indikatoren, um Ihre Trading-Performance zu verbessern Geben Sie Ratschläge, wie Sie Ihren automatisierten Handel einrichten Infrastruktur Ständige Unterstützung, sobald Ihr Roboter läuft Unsere ausgewählte Programmiersprache ist PowerLanguage, die von Multicharts LLC entwickelt wurde. Intelligentes künstliches TradingExperience ein neues Trading Framework Das intelligente Framework für dynamische Investitionen, wie in FM Retail FX featured Zu den Neulingen in die Geld-Management-Sektor ist Algo Ai Strategies und seine Daisy künstliche Intelligenz Computer-System. Algo Ai Strategies hat vor kurzem begonnen, ihre Geld-Management-Dienstleistungen an Makler als White Label-Produkt anzubieten. Die Gruppe hinter Algo Ai Strategies war einer der aktivsten Aussteller des letzten Novembers Forex Magnates London Gipfels. Algo AI Strategies LTD ist ein 100 automatisiertes Handelssystem-Integrationsunternehmen, das Kunden eine Vielzahl von Handelsoptionen bietet, um optimale Renditen für ihre Investitionen innerhalb des maßgeschneiderten Systems zu schaffen, das nur für ihre spezifischen Bedürfnisse und Risikobereitschaft durch den Broker ihrer Wahl oder eines eingerichtet ist Unserer bevorzugten Broker unter Verwendung einer MAM-Konto-Struktur. Das Algo AI Strategies LTD System, das die neueste Technologie und AI nutzt, betreibt über 1500 Quant Algorithmen. Alle Algorithmen laufen gleichzeitig auf den Live-Märkten und werden ständig mit Live-Trades bewertet, die von den elektronischen Managern und elektronischen Aufsichtsbehörden für optimale Entscheidungen hinsichtlich der Eröffnung, Größe und Schließung jeder Handelssequenz als Marktbedingungen verändert werden. Unser System handelt im mittleren bis hohen Frequenzbereich mit einem eingestellten Risikofaktor, den das System zu keinem Zeitpunkt überschreiten darf. Die künstliche Intelligenz wird die Kunden über alle Kontodaten, die sie per Text erhalten möchten, informieren. Algo AI Strategies LTD nicht außer Kundengeldern. Wir glauben, ein Client sollte nie verlieren Identität mit ihren Mitteln, so haben wir eine monatliche High-Wasser-Gewinn-Split-Vereinbarung auf der Grundlage der Kunden individuelle Brokerage-Kontoauszug. Wenn der Kunde nicht Geld verdient noch Algo AI Strategies LTD. Da die Konten im Mandanten-Namen Algo AI Strategies nicht über eine Sperrphase auf Fonds, die Kunden steuern ihre individuellen Konten. Charting für unsere PAMM während des Blitzes Crash. Schauen Sie sich die Charting unten Hinweis lesen, wie viele Händler und Broker einschließlich ALPARI UK haben ihre Türen auf dieser Black Swan geschlossen und wir machten Alpha während des Blitzes Crash, unser automatisiertes Handelssystem hat genau das, was es war zu tun und zu verwalten durch eine Katastrophe Mit der Unterstützung von Daisy Ihre persönliche Assistentin und kommen aus dem Schutz Ihres Kapitals und machen einen Gewinn. Einige Hedge-Fonds rühmen, dass AI-Algorithmen ihre Handelsentscheidungen treffen, aber diese Systeme könnten konventioneller sein, als sie scheinen. Jeden Tag Computer machen viele Millionen von elektronischen Trades durch die Durchführung von empfindlichen Berechnungen auf eking eine winzige Kante in Bezug auf Geschwindigkeit oder Effizienz. In zunehmendem Maße werden jedoch durch intelligentere, autonomere Algorithmen größere Entscheidungen getroffen. Beide etablierten Handelsfirmen und eine Handvoll von Start-ups erforschen, ob solche Handelstechniken, die aus dem Bereich der künstlichen Intelligenz entlehnt wurden, ihnen helfen könnten, andere Händler auszuschalten. Und jeder mit Geld investiert könnte auch neugierig zu wissen, wenn der Trend könnte die Dynamik der Märkte verändern. Quantitative Hedgefonds, darunter Bridgewater Associates, Renaissance Technologies. D. E. Shaw Und zwei Sigma. Haben sich natürlich schon seit Jahren mit fortschrittlichen algorithmischen Ansätzen beschäftigt. Viele der Methoden, die von diesen Unternehmen eingesetzt werden, sind in Bereichen der künstlichen Intelligenz Forschung gefunden. Aber auch in den vergangenen Jahren hat sich das Interesse an künstlicher Intelligenz durch neue maschinelle Lerntechniken, insbesondere durch tiefes Lernen (mit dem Training eines großen virtuellen neuronalen Netzwerks zur Erkennung von Mustern in Daten), deutlich verbessert, die Computer auf menschliche Ebene gebracht haben Wahrnehmung von Bildern, Text und Audio (siehe 10 Breakthrough Technologies 2013: Deep Learning). Nun ist die Frage, ob AI kann das gleiche für Finanzdaten zu tun. Es ist klar, dass diese jüngsten Fortschritte die Aufmerksamkeit der Ingenieure in der Finanzwirtschaft hat gefangen. An einer wichtigen wissenschaftlichen Veranstaltung für AI-Forscher, die Neural Information Processing Systems (NIPS). Die im vergangenen Dezember in Montreal stattfanden, versammelten sich mehrere tausend Wissenschaftler und Industrieforscher, um Fortschritte bei der Entwicklung neuer maschineller Lernalgorithmen zu diskutieren. In einem Bereich, der für Plakatpräsentationen von Absolventen reserviert war, hatten große Tech-Unternehmen, darunter Google, Facebook, Apple, Microsoft, Amazon und IBM, Rekrutierungstafeln eingerichtet, in der Hoffnung, die heißesten neuen Talente für ihre Arbeit zu gewinnen. Aber fast die Hälfte der Unternehmen, die bei NIPS anwerben, waren keine Tech-Unternehmen, sondern Hedgefonds und Finanzunternehmen. Eines der Unternehmen war das große britische Investmentunternehmen MAN AHL. Die sich seit Jahren auf die Nutzung statistischer Ansätze zur Erarbeitung von Anlagestrategien konzentriert. Anthony Ledford Chef-Wissenschaftler von MAN AHL, erklärt, dass das Unternehmen untersucht, ob Techniken wie tiefes Lernen zu finanzieren verleihen könnte. Sein in einem frühen Stadium, sagt Ledford. Wir haben beiseite legen einen Topf Geld für Test-Trading. Mit tiefem Lernen, wenn alles gut geht, wird es in Test-Trading gehen, wie andere Maschinen-Lern-Ansätze haben. Der Handel könnte wie ein offensichtlicher Ort, um tiefe Lernen anzuwenden scheinen, aber eigentlich ist es nicht klar, wie vergleichbar die Herausforderung der Suche nach subtilen Mustern in Echtzeit-Trading-Daten ist, sagen wir, Gesichter in digitalen Fotografien. Es ist ein ganz anderes Problem, gibt Ledford zu. Akademische Experten klingen auch eine Vorsicht. Stephen Roberts Ein Professor für maschinelles Lernen an der Universität Oxford, sagt, dass tiefes Lernen für die Extraktion von verborgenen Trends, Informationen und Beziehungen gut sein könnte, fügt aber hinzu, dass es noch zu spröde in Bezug auf die Handhabung von hoher Unsicherheit und Lärm, die in der Finanzwelt weit verbreitet sind. Roberts stellt ferner fest, dass tiefes Lernen ein relativ langsamer Prozess sein kann und nicht die Art des garantierten Verhaltens bieten kann, das andere statistische Ansätze bieten. Im Allgemeinen, sagt er, gibt es eine gewisse Hype um die Idee der KI im Finanzbereich. AI ist ein sehr breites Thema, sagt er. Und viele Standard-statistische Techniken verwendet werden, als AI und maschinelles Lernen rebranded. Das heißt, neue Finanzunternehmen, die sich als AI-fokussiert werben können auf etwas. Dazu gehören Sentient. Mit Sitz in San Francisco, Rebellion Research in New York und einer in Hongkong ansässigen Investmentgesellschaft namens Aidyia. Einer der vielversprechendsten Anwendungen von relativ neuen AI-Techniken kann die Verarbeitung unstrukturierter natürlicher Sprachdaten in Form von Nachrichtenartikeln, Unternehmensberichten und Social Media Posts sein, um Einblicke in die zukünftige Performance von Unternehmen, Währungen, Rohstoffen, Oder Finanzinstrumente. Aidyia wurde von einem renommierten künstlichen Intelligenzforscher Ben Goertzel gegründet, der auch der Begründer von Hanson Robotics und der Vorsitzende eines Open-Source-AI-Projekts namens OpenCog ist. Aidyia begann im vergangenen Jahr mit dem Handel, und Goertzel sagt, sein Unternehmen Ansatz ist weit ehrgeiziger als die Techniken, die von den meisten Hedge-Fonds heute von Inspiration aus der evolutionären Programmierung, probabilistische Logik und chaotische Dynamik. Unser System übernimmt eine Vielzahl von Inputs, einschließlich Preis und Volumen von Börsen auf der ganzen Welt, Nachrichten aus verschiedenen Quellen in mehreren Sprachen, makroökonomische und Unternehmen Buchhaltungsdaten und mehr, Goertzel sagte MIT Technology Review. Es untersucht dann, wie diese verschiedenen Faktoren historisch zusammenhängen, und lernt ein Ensemble von Zehntausenden von prädiktiven Modellen, die auf der Grundlage ihrer Erforschung historischer Daten prädiktiven Wert zu haben scheinen, die die Unternehmensinvestitionen unterstützen. Es gibt sicherlich einen Trend zu einer zunehmenden Automatisierung bei den Finanzunternehmen. Preqin. Ein Unternehmen, das Finanzdaten liefert, berichtet, dass 40 Prozent der Hedge-Fonds im vergangenen Jahr waren systematisch, was bedeutet, sie verlassen sich auf Computer-Modelle für ihre Entscheidungen. Nicht jeder ist davon überzeugt, dass eine AI-Revolution im Finanzsektor unmittelbar bevorsteht. David Harding, der Milliardär-Gründer und CEO eines weiteren britischen Handelsunternehmens, Winton Capital Management, ist im Allgemeinen skeptisch gegenüber Hype über Maschinenlernen und AI. Wenn ich ein wenig blickte und Winton ansah, Id sagen, das ist mehr oder weniger das, was wir in den letzten 30 Jahren gemacht haben, sagt er. Harding erinnert sich auch, dass ein ähnlicher Boom im Interesse an neuronalen Netzen zu vielen Start-ups in den frühen 1990er Jahren geführt. Die Leute begannen zu sagen, Theres eine erstaunliche neue EDV-Technik, die wegblasen wird alles, was vor gegangen ist. Es gab auch eine Mode für genetische Algorithmen, erinnert er sich. Nun, ich kann Ihnen sagen, keine dieser Unternehmen gibt es heute keine Wurst von ihnen. Ledford, von Man AHL, hat auch ein paar Worte der Vorsicht für alle, die die neuesten Maschinen-Lerntechniken könnte eine Abkürzung zum Reichtum zu denken denken. Es ist wichtig, sich daran zu erinnern, wie demütigend der Markt sein kann, sagt er. Id sagen dont Pat selbst auf der Rückseite zu viel, aber auch nicht zu entmutigt. Erfahren Sie mehr über AI bei EmTech Digital 2017. Jetzt registrieren Mehr von Robotics Wollen Sie mehr preisgekrönten Journalismus Abonnieren und zu einem Insider. How zu identifizieren Algorithmic Trading-Strategien In diesem Artikel möchte ich Ihnen die Methoden, mit denen ich selbst identifizieren profitable algorithmischen vorstellen Handelsstrategien. Unser Ziel ist es heute zu verstehen, wie diese Systeme zu finden, zu bewerten und auszuwählen sind. Ill erklären, wie Identifizierung Strategien ist so viel über persönliche Präferenz, wie es um Strategie-Performance, wie die Art und Menge der historischen Daten für die Prüfung zu bestimmen, wie man leidenschaftslos eine Handelsstrategie zu bewerten und schließlich, wie man auf die Backtesting-Phase und Strategie Umsetzung gehen . Identifizieren Sie Ihre eigenen persönlichen Präferenzen für den Handel Um ein erfolgreicher Trader - entweder diskret oder algorithmisch - ist es notwendig, stellen Sie sich einige ehrliche Fragen. Trading bietet Ihnen die Möglichkeit, Geld mit einer alarmierenden Rate zu verlieren, so ist es notwendig, sich selbst zu kennen, so viel wie es notwendig ist, um Ihre gewählte Strategie zu verstehen. Ich würde sagen, die wichtigste Überlegung im Handel ist bewusst Ihre eigene Persönlichkeit. Handel und algorithmischen Handel im Besonderen erfordert ein erhebliches Maß an Disziplin, Geduld und emotionale Distanzierung. Da Sie einen Algorithmus Ihren Handel für Sie durchführen lassen, ist es notwendig, behoben zu werden, um die Strategie nicht zu stören, wenn sie ausgeführt wird. Dies kann sehr schwierig sein, vor allem in Zeiten der erweiterten Drawdown. Allerdings können viele Strategien, die sich in einem Backtest als hochprofitabel erwiesen haben, durch einfache Interferenz zerstört werden. Verstehen, dass, wenn Sie in die Welt des algorithmischen Handels geben Sie emotional getestet werden wollen und dass, um erfolgreich zu sein, ist es notwendig, durch diese Schwierigkeiten zu arbeiten Die nächste Überlegung ist eine der Zeit. Haben Sie einen Vollzeitjob Sie arbeiten Teilzeit Sie arbeiten von zu Hause aus oder haben eine lange pendeln jeden Tag Diese Fragen helfen, bestimmen die Häufigkeit der Strategie, die Sie suchen sollten. Für diejenigen von Ihnen in Vollzeit-Beschäftigung, eine Intraday-Futures-Strategie möglicherweise nicht angemessen (zumindest bis es vollautomatisch ist). Ihre Zeitbeschränkungen werden auch die Methodik der Strategie diktieren. Wenn Ihre Strategie häufig gehandelt wird und auf teuren Newsfeeds (wie ein Bloomberg-Terminal) angewiesen ist, müssen Sie eindeutig realistisch sein über Ihre Fähigkeit, diese im Büro zu erledigen. Für diejenigen von Ihnen mit viel Zeit oder den Fähigkeiten Um Ihre Strategie zu automatisieren, möchten Sie vielleicht in eine mehr technische Hochfrequenz-Handel (HFT) - Strategie zu suchen. Mein Glaube ist, dass es notwendig ist, kontinuierliche Forschung in Ihre Trading-Strategien, um ein konsequent profitables Portfolio zu halten. Wenige Strategien bleiben unter dem Radar für immer. Daher wird ein bedeutender Teil der Zeit, die dem Handel zugewiesen wird, in der Durchführung laufender Forschung sein. Fragen Sie sich, ob Sie bereit sind, dies zu tun, wie es der Unterschied zwischen starker Rentabilität oder ein langsamer Rückgang in Richtung Verluste sein kann. Sie müssen auch Ihr Handelskapital berücksichtigen. Die allgemein akzeptierte ideale Mindestmenge für eine quantitative Strategie ist 50.000 USD (ungefähr 35.000 für uns in Großbritannien). Wenn ich wieder anfangen würde, würde ich mit einer größeren Menge beginnen, wahrscheinlich näher bei 100.000 USD (ca. 70.000). Dies liegt daran, dass Transaktionskosten extrem teuer für mittlere bis hochfrequente Strategien sein können und es notwendig ist, genügend Kapital zu haben, um sie in Zeiten des Drawdowns zu absorbieren. Wenn Sie erwägen, beginnen mit weniger als 10.000 USD, dann müssen Sie sich auf niederfrequente Strategien, Handel in ein oder zwei Vermögenswerte zu beschränken, da die Transaktionskosten schnell in Ihre Renditen zu essen. Interactive Brokers, die einer der freundlichsten Broker für diejenigen mit Programmierkenntnissen, aufgrund ihrer API ist, hat ein Retail-Konto mindestens 10.000 USD. Programmierkenntnisse sind ein wichtiger Faktor bei der Schaffung einer automatisierten algorithmischen Handelsstrategie. Die Kenntnisse in einer Programmiersprache wie C, Java, C, Python oder R ermöglichen es Ihnen, End-to-End-Datenspeicherung, Backtest-Engine und Execution-System selbst zu erstellen. Dies hat eine Reihe von Vorteilen, vor allem die Fähigkeit, vollständig bewusst sein, alle Aspekte der Handelsinfrastruktur. Es erlaubt Ihnen auch, die höheren Frequenzstrategien zu erforschen, wie Sie in der vollen Steuerung Ihres Technologiestapels sein werden. Während dies bedeutet, dass Sie Ihre eigene Software testen und Fehler beseitigen können, bedeutet dies auch mehr Zeit verbrachte Kodierung der Infrastruktur und weniger auf die Umsetzung Strategien, zumindest in den früheren Teil Ihrer Algo Trading Karriere. Sie können feststellen, dass Sie bequem handeln in Excel oder MATLAB und können die Entwicklung von anderen Komponenten auslagern. Ich würde dies aber nicht empfehlen, vor allem für diejenigen, die mit hoher Frequenz handeln. Sie müssen sich fragen, was Sie durch algorithmischen Handel zu erreichen hoffen. Sind Sie interessiert an einem regelmäßigen Einkommen, wobei Sie hoffen, Gewinne aus Ihrem Trading-Konto zu ziehen Oder sind Sie an einem langfristigen Kapitalgewinn interessiert und können es sich leisten, den Handel ohne die Notwendigkeit, Drawdown-Fonds Einkommen Abhängigkeit wird die Häufigkeit Ihrer Strategie diktieren . Mehr regelmäßige Einkommensentzüge benötigen eine höhere Frequenzhandelsstrategie mit geringerer Volatilität (d. h. ein höheres Sharpe-Verhältnis). Langfristige Händler können eine sedierende Handelsfrequenz leisten. Schließlich lassen Sie sich nicht von der Vorstellung des Werdens äußerst wohlhabend in einer kurzen Zeitspanne täuschen Algo-Handel ist nicht ein Get-Rich-Quick-System - wenn überhaupt, kann es ein schlecht-schnell-Schema werden. Es braucht erhebliche Disziplin, Forschung, Sorgfalt und Geduld, um bei algorithmischen Handel erfolgreich zu sein. Es kann Monate dauern, wenn nicht Jahre, um konsistente Rentabilität zu generieren. Sourcing Algorithmic Trading Ideas Trotz allgemeiner Wahrnehmungen im Gegenteil, ist es eigentlich ganz einfach, profitable Handelsstrategien im öffentlichen Bereich zu finden. Nie waren Trading-Ideen leichter verfügbar, als sie heute sind. Akademische Finanzzeitschriften, Pre-Print-Server, Handelsblogs, Handelsforen, wöchentliche Börsenmagazine und Fachtexte bieten Tausende von Handelsstrategien, mit denen Sie Ihre Ideen stützen können. Unser Ziel als quantitative Trading-Forscher ist es, eine Strategie-Pipeline, die uns mit einem Strom von laufenden Handel Ideen. Im Idealfall wollen wir einen methodischen Ansatz für die Beschaffung, Bewertung und Umsetzung von Strategien schaffen, auf die wir stoßen. Ziel der Pipeline ist es, eine konstante Menge neuer Ideen zu generieren und uns einen Rahmen zu geben, um die Mehrheit dieser Ideen mit minimaler emotionaler Betrachtung abzulehnen. Wir müssen sehr vorsichtig sein, damit nicht kognitive Vorurteile unsere Entscheidungsfindungsmethodik beeinflussen. Dies könnte so einfach sein, wie eine Präferenz für eine Anlageklasse über eine andere (Gold und andere Edelmetalle in den Sinn kommen), weil sie als mehr exotisch wahrgenommen werden. Unser Ziel sollte immer sein, konsequent rentable Strategien mit positiver Erwartung zu finden. Die Auswahl der Anlagenklasse sollte auf anderen Überlegungen beruhen, wie z. B. Handelskapitalbeschränkungen, Brokergebühren und Leverage-Fähigkeiten. Wenn Sie völlig unbekannt sind mit dem Konzept einer Handelsstrategie dann ist der erste Ort, um zu sehen ist mit etablierten Lehrbüchern. Klassische Texte bieten eine breite Palette von einfacheren, einfacheren Ideen, mit denen Sie sich mit dem quantitativen Handel vertraut machen. Hier ist eine Auswahl, die ich für diejenigen, die neue zu quantitativen Handel, die allmählich mehr anspruchsvoll, wie Sie durch die Liste arbeiten zu empfehlen: Für eine längere Liste der quantitativen Handelsbücher, besuchen Sie bitte die QuantStart Leseliste. Der nächste Ort, um mehr anspruchsvolle Strategien zu finden ist mit Trading-Foren und Trading-Blogs. Allerdings ist ein Hinweis der Vorsicht: Viele Handels-Blogs verlassen sich auf das Konzept der technischen Analyse. Die technische Analyse beinhaltet die Verwendung von Basisindikatoren und Verhaltenspsychologie, um Trends oder Umkehrmuster in den Vermögenspreisen zu bestimmen. Trotz äußerst beliebt in den gesamten Handelsraum, wird die technische Analyse als etwas ineffizient in der quantitativen Finanz-Community. Einige haben vorgeschlagen, dass es nicht besser als das Lesen eines Horoskops oder das Studium Teeblätter in Bezug auf ihre prädiktive Macht In Wirklichkeit gibt es erfolgreiche Personen, die Nutzung der technischen Analyse. Als Quants mit einer anspruchsvolleren mathematischen und statistischen Toolbox können wir jedoch die Effektivität solcher TA-basierten Strategien bewerten und datenbasierte Entscheidungen treffen und nicht auf emotionale Überlegungen oder Vorurteile zurückgreifen. Hier ist eine Liste von gut respektierten algorithmischen Handel Blogs und Foren: Sobald Sie einige Erfahrung bei der Bewertung einfacher Strategien hatte, ist es Zeit, auf die anspruchsvolleren akademischen Angebote zu suchen. Einige akademische Zeitschriften sind schwer zugänglich, ohne hohe Abonnements oder einmalige Kosten. Wenn Sie ein Mitglied oder Absolvent einer Universität sind, sollten Sie in der Lage sein, Zugang zu einigen dieser finanziellen Zeitschriften zu erhalten. Andernfalls können Sie auf Pre-Print-Servern zu suchen. Die Internet-Repositories der späten Entwürfe von akademischen Papieren, die unterziehen Peer-Review sind. Da wir nur an Strategien interessiert sind, die wir erfolgreich replizieren, backtest und profitabel machen können, ist eine Peer-Review für uns von geringerer Bedeutung. Der größte Nachteil der akademischen Strategien ist, dass sie oft veraltet sein können, obskure und teure historische Daten benötigen, den Handel mit illiquiden Anlageklassen oder Faktoren für Gebühren, Rutschung oder Verbreitung nicht berücksichtigen. Es kann auch unklar sein, ob die Handelsstrategie mit Marktaufträgen, Limit Orders oder Stop-Loss etc. durchgeführt werden soll. Daher ist es absolut notwendig, die Strategie selbst so gut wie möglich nachzubilden, sie zu backtest und in realistischer Transaktion zu addieren Hier finden Sie eine Liste der beliebtesten Pre-Print-Server und Finanz-Zeitschriften, die Sie Quelle Ideen aus: Was über die Bildung Ihrer eigenen quantitativen Strategien Dies erfordert im Allgemeinen ( Aber nicht beschränkt auf) Kompetenz in einer oder mehreren der folgenden Kategorien: Marktmikrostruktur - Für höhere Frequenzstrategien insbesondere kann man Marktmikrostrukturen nutzen. D. H. Das Verständnis der Auftragsbuchdynamik, um Rentabilität zu erzeugen. Unterschiedliche Märkte werden verschiedene technologische Beschränkungen, Regelungen, Marktteilnehmer und Einschränkungen haben, die alle zur Ausbeutung durch spezifische Strategien offen sind. Dies ist ein sehr anspruchsvolles Gebiet und Einzelhandel Praktiker finden es schwierig, in diesem Raum wettbewerbsfähig zu sein, zumal der Wettbewerb große, gut-kapitalisierte quantitative Hedge-Fonds mit starken technologischen Fähigkeiten umfasst. Fondsstruktur - Pooled Investment Funds wie Pensionskassen, Private Investment Partnerships (Hedgefonds), Rohstoffhandelsberater und Investmentfonds werden sowohl durch eine starke Regulierung als auch durch ihre großen Kapitalreserven eingeschränkt. So können bestimmte konsequente Verhaltensweisen mit denen, die mehr flinke ausgenutzt werden. Beispielsweise sind große Fonds aufgrund ihrer Größe Kapazitätsengpässen ausgesetzt. Wenn sie also eine Menge von Wertpapieren schnell abladen (verkaufen) müssen, müssen sie sie schwanken, um den Markt nicht zu bewegen. Ausgefeilte Algorithmen können diese und andere Eigenheiten in einem allgemeinen Prozess, der als Fundstruktur-Arbitrage bekannt ist, nutzen. Maschinelles Lernen von künstlicher Intelligenz - Maschinelle Lernalgorithmen sind in den letzten Jahren auf den Finanzmärkten immer häufiger geworden. Klassifikatoren (wie Naive-Bayes et al.) Wurden nicht-lineare Funktionsanpassungen (neuronale Netze) und Optimierungsroutinen (genetische Algorithmen) verwendet, um Assetpfade vorherzusagen oder Handelsstrategien zu optimieren. Wenn Sie einen Hintergrund in diesem Bereich haben Sie vielleicht einen Einblick, wie bestimmte Algorithmen auf bestimmte Märkte angewendet werden könnten. Es gibt, natürlich, viele andere Bereiche für quants zu untersuchen. Nun diskutieren, wie zu kommen mit benutzerdefinierten Strategien im Detail in einem späteren Artikel. Indem Sie diese Quellen wöchentlich oder sogar täglich überwachen, setzen Sie sich für eine konsistente Liste von Strategien aus unterschiedlichsten Quellen ein. Der nächste Schritt besteht darin, zu bestimmen, wie eine große Teilmenge dieser Strategien zurückgewiesen wird, um die Verschwendung Ihrer Zeit und Backtesting-Ressourcen auf Strategien, die wahrscheinlich unrentabel sind, zu minimieren. Auswerten von Handelsstrategien Die erste und wohl offensichtlichste Betrachtung ist, ob Sie die Strategie tatsächlich verstehen. Würden Sie in der Lage, die Strategie prägnant zu erklären oder erfordert es eine Reihe von Einschränkungen und endlose Parameter-Listen Darüber hinaus hat die Strategie eine gute, solide Basis in der Realität Zum Beispiel könnten Sie auf einige verhaltensbezogene Begründung oder Fond Struktur Einschränkung, die zeigen Kann das verursachende Muster verursachen, das Sie ausnutzen möchten, würde diese Einschränkung bis zu einem Regimewechsel halten, wie eine drastische regulatorische Umgebungsunterbrechung Verlässt sich die Strategie auf komplexe statistische oder mathematische Regeln Gilt es für jede finanzielle Zeitreihe oder ist Es spezifisch für die Asset-Klasse, dass es behauptet wird, profitabel zu sein Sie sollten ständig über diese Faktoren bei der Bewertung neuer Handel Methoden denken, sonst können Sie eine beträchtliche Menge an Zeit zu versuchen, Backtest und Optimierung unrentabler Strategien zu verschwenden. Sobald Sie festgestellt haben, dass Sie die grundlegenden Prinzipien der Strategie verstehen, müssen Sie entscheiden, ob es mit Ihrem oben genannten Persönlichkeitsprofil passt. Dies ist nicht so vage eine Überlegung, wie es klingt Strategien werden erheblich unterscheiden sich in ihren Leistungsmerkmalen. Es gibt bestimmte Persönlichkeitstypen, die mehr bedeutende Zeitabschnitte behandeln können oder bereit sind, ein größeres Risiko für eine größere Rückkehr zu akzeptieren. Trotz der Tatsache, dass wir als Quants versuchen, so viel kognitive Vorurteile wie möglich zu eliminieren und in der Lage sein sollten, eine Strategie leidenschaftslos zu bewerten, werden Bias immer kriechen. Daher brauchen wir ein konsequentes, nicht-emotionales Mittel, um die Performance von Strategien zu bewerten . Hier ist die Liste der Kriterien, die ich beurteilen, eine mögliche neue Strategie durch: Methodik - Ist die Strategie Momentum, Mittelwert-Umkehrung, Markt-Neutral, Richtungsabhängige Hat die Strategie auf anspruchsvolle (oder komplexe) statistische oder maschinelle Lerntechniken, die hart sind Zu verstehen und zu verlangen, einen Doktortitel in der Statistik zu begreifen Diese Techniken führen eine signifikante Menge an Parametern, die zu einer Optimierung Bias führen könnte Ist die Strategie wahrscheinlich widerstehen eine Regimewechsel (dh potenzielle neue Regulierung der Finanzmärkte) Sharpe Ratio - Die Sharpe-Ratio Heuristisch charakterisiert das Reward-Risiko-Verhältnis der Strategie. Es quantifiziert, wie viel Rendite Sie erreichen können, für das Niveau der Volatilität durch die Equity-Kurve. Natürlich müssen wir die Periode und Häufigkeit bestimmen, die diese Rendite und Volatilität (d. h. Standardabweichung) überschreitet. Eine höhere Frequenzstrategie erfordert eine größere Abtastrate der Standardabweichung, beispielsweise eine kürzere Gesamtzeitspanne der Messung. Hebelwirkung - Benötigt die Strategie eine beträchtliche Hebelwirkung, um rentabel zu sein, erfordert die Strategie den Einsatz von Leveraged Derivat-Kontrakten (Futures, Optionen, Swaps), um eine Rendite zu erzielen. Diese Leveraged-Kontrakte können schwere Volatilitäten aufweisen und somit leicht führen Margin-Anrufe. Haben Sie das Handelskapital und das Temperament für eine solche Volatilität? Häufigkeit - Die Häufigkeit der Strategie ist eng mit Ihrem Technologie-Stack (und damit technologische Kompetenz), der Sharpe-Ratio und dem Gesamtniveau der Transaktionskosten verbunden. Alle anderen Fragen berücksichtigt, höhere Frequenz Strategien erfordern mehr Kapital, sind anspruchsvoller und schwerer zu implementieren. Unter der Annahme, dass Ihre Backtesting-Engine anspruchsvoll und fehlerfrei ist, haben sie oft deutlich höhere Sharpe-Ratios. Volatilität - Volatilität ist stark mit dem Risiko der Strategie verbunden. Das Sharpe-Verhältnis charakterisiert dies. Eine höhere Volatilität der zugrunde liegenden Assetklassen führt, wenn sie ungesichert ist, häufig zu einer höheren Volatilität in der Aktienkurve und damit zu kleineren Sharpe-Ratios. Ich bin natürlich davon ausgegangen, dass die positive Volatilität etwa gleich der negativen Volatilität ist. Einige Strategien können größere Abwärts-Volatilität haben. Sie müssen sich dieser Attribute bewusst sein. WinLoss, Durchschnittliche ProfitLoss - Strategien unterscheiden sich in ihrer Winloss und durchschnittlichen Profit-Verlust-Eigenschaften. Man kann eine sehr rentable Strategie haben, auch wenn die Anzahl der verlierenden Trades die Anzahl der Gewinne überschreitet. Momentum-Strategien neigen dazu, dieses Muster haben, da sie auf eine kleine Anzahl von großen Hits verlassen, um rentabel zu sein. Mean-Reversion-Strategien neigen dazu, gegnerische Profile haben, wo mehr der Gewinne Gewinner sind, aber die verlierenden Trades kann ziemlich schwer sein. Maximaler Drawdown - Der maximale Drawdown ist der größte prozentuale Rückgang des Gesamt-Peak-to-Tires auf die Eigenkapitalkurve der Strategie. Momentum-Strategien sind weithin bekannt, um von den Perioden der verlängerten Drawdowns zu leiden (wegen einer Zeichenkette von vielen inkrementellen Verlusttrades). Viele Händler werden in Zeiten des erweiterten Drawdowns aufgeben, auch wenn historische Tests darauf hindeuten, dass dies geschäftlich wie üblich für die Strategie ist. Sie müssen bestimmen, welcher Prozentsatz des Drawdowns (und über welchen Zeitraum) Sie akzeptieren können, bevor Sie den Handel mit Ihrer Strategie einstellen. Dies ist eine sehr persönliche Entscheidung und muss daher sorgfältig geprüft werden. CapacityLiquidity - Auf der Retail-Ebene, wenn Sie nicht in einem sehr illiquiden Instrument (wie ein Small-Cap-Aktien) handeln, müssen Sie sich nicht große Sorgen mit Strategiekapazität. Capacity bestimmt die Skalierbarkeit der Strategie für weiteres Kapital. Viele der größeren Hedgefonds leiden unter erheblichen Kapazitätsproblemen, da ihre Strategien die Kapitalallokation erhöhen. Parameter - Bestimmte Strategien (insbesondere jene, die in der maschinellen Lerngemeinschaft gefunden werden) erfordern eine große Anzahl von Parametern. Jeder zusätzliche Parameter, den eine Strategie erfordert, lässt es anfälliger für Optimierungsvorspannung (auch bekannt als Kurvenanpassung). Sie sollten versuchen und Ziel-Strategien mit so wenig Parameter wie möglich oder stellen Sie sicher, dass Sie ausreichende Mengen an Daten, mit denen Ihre Strategien zu testen. Benchmark - Fast alle Strategien (sofern nicht als absolute Rendite bezeichnet) werden mit einem Performance-Benchmark bewertet. Der Benchmark ist in der Regel ein Index, der eine große Stichprobe der zugrunde liegenden Assetklasse charakterisiert, die die Strategie abwickelt. Wenn die Strategie großkapitalisierte US-Aktien handelt, wäre die SP500 ein natürlicher Maßstab für Ihre Strategie. Sie hören die Begriffe alpha und beta, angewandt auf Strategien dieses Typs. Wir werden diese Koeffizienten in späteren Artikeln vertiefen. Beachten Sie, dass wir nicht über die tatsächlichen Erträge der Strategie diskutiert haben. Warum ist diese In Isolation, die Renditen tatsächlich bieten uns mit begrenzten Informationen über die Wirksamkeit der Strategie. Sie geben Ihnen keinen Einblick in Leverage, Volatilität, Benchmarks oder Kapitalanforderungen. So werden Strategien selten auf ihre Rückkehr allein beurteilt. Betrachten Sie immer die Risikoattribute einer Strategie, bevor Sie die Rendite betrachten. In diesem Stadium werden viele der Strategien, die von Ihrer Pipeline gefunden werden, von Hand abgelehnt, da sie nicht Ihre Kapitalanforderungen, Hebelbeschränkungen, maximale Drawdown Toleranz oder Volatilitätsvorlieben erfüllen. Die bisherigen Strategien können nun für Backtesting berücksichtigt werden. Bevor dies jedoch möglich ist, ist es notwendig, ein endgültiges Ablehnungskriterium zu berücksichtigen - das der verfügbaren historischen Daten, um diese Strategien zu testen. Erfassen historischer Daten Die Breite der technischen Anforderungen an Assetklassen für historische Datenspeicherung ist heutzutage beträchtlich. Um wettbewerbsfähig zu bleiben, investieren sowohl die Buy-Side-Fonds als auch die Sell-Side-Investmentbanken stark in ihre technische Infrastruktur. Es ist unerlässlich, seine Bedeutung zu berücksichtigen. Insbesondere interessieren wir uns für Aktualität, Genauigkeit und Speicheranforderungen. Ich werde jetzt skizzieren die Grundlagen der Erlangung historischer Daten und wie sie zu speichern. Leider ist dies ein sehr tiefes und technisches Thema, so dass ich nicht in der Lage, alles in diesem Artikel zu sagen. Allerdings werde ich in Zukunft viel mehr darüber schreiben, da meine bisherige Branchenerfahrung in der Finanzindustrie hauptsächlich mit der Erfassung, Speicherung und dem Zugang von Finanzdaten beschäftigt war. Im vorherigen Abschnitt hatten wir eine Strategie-Pipeline eingerichtet, die es uns erlaubte, bestimmte Strategien auf der Grundlage unserer eigenen Ablehnungskriterien abzulehnen. In diesem Abschnitt werden wir weitere Strategien auf der Grundlage unserer eigenen Präferenzen für den Erhalt historischer Daten zu filtern. Die wichtigsten Überlegungen (insbesondere auf der Ebene des Einzelhandels) sind die Kosten der Daten, der Speicherplatzbedarf und Ihr technisches Fachwissen. Wir müssen auch die verschiedenen Arten von verfügbaren Daten zu diskutieren und die verschiedenen Überlegungen, die jede Art von Daten auf uns auferlegen wird. Beginnen wir mit der Diskussion über die verfügbaren Daten und die wichtigsten Themen, die wir brauchen werden: Grunddaten - Dazu gehören Daten über makroökonomische Trends wie Zinssätze, Inflationszahlen, Kapitalmaßnahmen (Dividenden, Aktiensplits), SEC-Einreichungen , Unternehmenskonten, Ertragszahlen, Ernteberichte, Meteorologiedaten etc. Diese Daten werden häufig verwendet, um Unternehmen oder andere Vermögenswerte grundsätzlich zu bewerten, dh über gewisse Mittel zu erwarteten zukünftigen Zahlungsströmen. Es enthält keine Aktienkursreihen. Einige grundlegende Daten sind frei verfügbar von der Regierung Websites. Andere langfristige historische Fundamentaldaten können extrem teuer sein. Die Speicheranforderungen sind oft nicht besonders groß, es sei denn, Tausende von Unternehmen werden sofort untersucht. News Daten - News Daten sind oft qualitativen in der Natur. Es besteht aus Artikeln, Blog-Posts, Microblog-Posts (Tweets) und Editorial. Maschinelle Lernmethoden wie Klassifikatoren werden oft verwendet, um Stimmung zu interpretieren. Diese Daten sind auch häufig frei verfügbar oder billig, über das Abonnement der Medien. Die neueren NoSQL-Dokumenten-Speicher-Datenbanken sind so konzipiert, diese Art von unstrukturierten, qualitativen Daten zu speichern. Asset Price Data - Dies ist die traditionelle Daten-Domäne der quant. Es besteht aus Zeitreihen von Vermögenspreisen. Aktien (Aktien), festverzinsliche Wertpapiere (Anleihen), Rohstoffe und Devisenpreise befinden sich in dieser Klasse. Tägliche historische Daten sind oft einfach, um für die einfacheren Asset-Klassen, wie Aktien zu erhalten. Sobald jedoch Genauigkeit und Sauberkeit eingeschlossen sind und statistische Vorspannungen entfernt werden, können die Daten teuer werden. Darüber hinaus besitzen Zeitreihendaten oft erhebliche Speicheranforderungen, insbesondere wenn Intraday-Daten betrachtet werden. Finanzinstrumente - Aktien, Anleihen, Futures und die exotischeren Derivate haben sehr unterschiedliche Charakteristiken und Parameter. So gibt es keine einzige Größe passt alle Datenbankstruktur, die sie unterbringen können. Bei der Konzeption und Implementierung von Datenbankstrukturen für verschiedene Finanzinstrumente ist besonderes Augenmerk zu legen. Wir werden die Situation ausführlich diskutieren, wenn wir kommen, um eine Wertpapier-Master-Datenbank in zukünftigen Artikeln zu bauen. Frequenz - Je höher die Frequenz der Daten, desto größer sind die Kosten und Speicheranforderungen. Für niederfrequente Strategien sind oftmals tägliche Daten ausreichend. Für Hochfrequenzstrategien kann es notwendig sein, Tick-Level-Daten und sogar historische Kopien von bestimmten Trading Exchange Orderbuchdaten zu erhalten. Die Implementierung eines Speicher-Engine für diese Art von Daten ist sehr technologisch intensiv und nur für diejenigen mit einem starken programmtechnischen Hintergrund. Benchmarks - Die oben beschriebenen Strategien werden häufig mit einer Benchmark verglichen. Dies zeigt sich in der Regel als zusätzliche finanzielle Zeitreihen. Für Aktien ist dies oft ein nationaler Aktien-Benchmark, wie der SP500-Index (US) oder FTSE100 (UK). Für einen Rentenfonds ist es sinnvoll, einen Korb von Anleihen oder Rentenprodukten zu vergleichen. Der risikolose Zinssatz (d. H. Der angemessene Zinssatz) ist ebenfalls eine weit verbreitete Benchmark. Alle Asset-Class-Kategorien verfügen über eine bevorzugte Benchmark, so dass es notwendig sein wird, diese basierend auf Ihrer speziellen Strategie zu erforschen, wenn Sie Interesse an Ihrer Strategie nach außen gewinnen möchten. Technologie - Die Technologiestacks hinter einem Finanzdatenspeicher sind komplex. Dieser Artikel kann nur zerkratzen die Oberfläche über das, was in den Aufbau eines beteiligt ist. Allerdings handelt es sich um ein Datenbankmodul, wie z. B. ein relationales Datenbankmanagementsystem (RDBMS) wie MySQL, SQL Server, Oracle oder eine Document Storage Engine (d. H. NoSQL). Dies erfolgt über einen Business-Logic-Anwendungscode, der die Datenbank abfragt und Zugriff auf externe Tools wie MATLAB, R oder Excel bietet. Oft ist diese Geschäftslogik in C, C, Java oder Python geschrieben. Sie müssen auch diese Daten irgendwo, entweder auf Ihrem eigenen PC oder remote über Internet-Server Host. Produkte wie Amazon Web Services haben diese einfacher und billiger in den letzten Jahren gemacht, aber es erfordert noch erhebliche technische Kompetenz, um in einer robusten Weise zu erreichen. Wie zu sehen ist, wird es notwendig sein, die Verfügbarkeit, Kosten, Komplexität und Implementierungsdetails eines bestimmten Satzes von historischen Daten zu bewerten, sobald eine Strategie über die Pipeline identifiziert wurde. Möglicherweise ist es notwendig, eine Strategie abzulehnen, die ausschließlich auf historischen Daten beruht. Dies ist ein großer Bereich und Teams von PhDs Arbeit an großen Fonds, die sicherstellen, dass die Preisgestaltung ist genau und rechtzeitig. Unterschätzen Sie nicht die Schwierigkeiten, ein robustes Rechenzentrum für Ihre Backtesting-Zwecke zu schaffen. Ich möchte jedoch sagen, dass viele Backtesting-Plattformen diese Daten für Sie automatisch zur Verfügung stellen können - zu einem Preis. So wird es viel von der Umsetzung Schmerzen weg von Ihnen nehmen, und Sie können sich nur auf die Umsetzung und Optimierung der Strategie konzentrieren. Tools wie TradeStation besitzen diese Fähigkeit. Allerdings ist meine persönliche Ansicht, so viel wie möglich intern zu implementieren und zu vermeiden, Outsourcing Teile des Stapels an Software-Anbieter. Ich bevorzuge höhere Frequenz Strategien aufgrund ihrer attraktiveren Sharpe Ratios, aber sie sind oft eng an den Technologie-Stack gekoppelt, wo fortgeschrittene Optimierung kritisch ist. Nun, da wir die Fragen rund um historische Daten diskutiert haben, ist es an der Zeit, unsere Strategien in einem Backtesting-Motor umzusetzen. Dies wird das Thema anderer Artikel sein, da es ein ebenso großes Gebiet der Diskussion ist