Beginner's Guide to Quantitative Trading Dans cet article, je vais vous présenter quelques-uns des concepts de base qui accompagnent un système de commerce quantitatif de bout en bout. Ce post servira espérons deux publics. Le premier sera les individus qui tentent d'obtenir un emploi dans un fonds en tant que commerçant quantitatif. Le deuxième seront les individus qui souhaitent essayer de mettre en place leur propre commerce de détail trading algorithmique. Le commerce quantitatif est un domaine extrêmement sophistiqué de financement quantique. Il peut prendre une quantité importante de temps pour acquérir les connaissances nécessaires pour passer une entrevue ou de construire vos propres stratégies de négociation. Non seulement cela, mais il nécessite une vaste expertise en programmation, à tout le moins dans une langue comme MATLAB, R ou Python. Cependant, à mesure que la fréquence de négociation de la stratégie augmente, les aspects technologiques deviennent beaucoup plus pertinents. Ainsi, être familier avec CC sera d'une importance primordiale. Un système de négociation quantitatif se compose de quatre composantes principales: Stratégie d'identification - Trouver une stratégie, exploiter une arête et de décider de la fréquence de négociation Backtesting Stratégie - Obtenir des données, l'analyse des performances de la stratégie et l'élimination des biais Système d'exécution - Liaison à un courtage, Les coûts de transaction Gestion des risques - allocation optimale du capital, le critère de la taille de betKelly et la psychologie commerciale Bien commencer par jeter un oeil à la façon d'identifier une stratégie de négociation. Identification de la stratégie Tous les processus de négociation quantitative commencent par une période initiale de recherche. Ce processus de recherche englobe la recherche d'une stratégie, la vérification de la pertinence de la stratégie dans un portefeuille d'autres stratégies que vous pouvez exécuter, l'obtention de toutes les données nécessaires pour tester la stratégie et essayer d'optimiser la stratégie pour des rendements plus élevés ou un risque plus faible. Vous devrez tenir compte de vos propres exigences de capital si vous exécutez la stratégie en tant que commerçant de détail et comment les coûts de transaction affecteront la stratégie. Contrairement à la croyance populaire, il est en fait assez simple de trouver des stratégies rentables par le biais de diverses sources publiques. Les universitaires publient régulièrement des résultats de négociation théoriques (bien que la plupart du temps bruts des coûts de transaction). Les blogs financiers quantitatifs discuteront des stratégies en détail. Les revues spécialisées exposeront quelques-unes des stratégies employées par les fonds. Vous pourriez vous demander pourquoi les particuliers et les entreprises sont désireux de discuter de leurs stratégies rentables, surtout quand ils savent que d'autres surcharger le commerce peut arrêter la stratégie de travailler à long terme. La raison réside dans le fait qu'ils ne discuteront pas souvent les paramètres exacts et les méthodes de réglage qu'ils ont effectué. Ces optimisations sont la clé pour transformer une stratégie relativement médiocre en une stratégie très rentable. En fait, l'une des meilleures façons de créer vos propres stratégies uniques est de trouver des méthodes similaires et ensuite effectuer votre propre procédure d'optimisation. Voici une petite liste d'endroits pour commencer à chercher des idées de stratégie: Beaucoup des stratégies que vous regarderez tomberont dans les catégories de la réversion moyenne et du trendmomentum de tendance. Une stratégie de renversement moyen est celle qui tente d'exploiter le fait qu'une moyenne à long terme sur une série de prix (telle que l'écart entre deux actifs corrélés) existe et que les écarts à court terme de cette moyenne finiront par revenir. Une stratégie de dynamisme tente d'exploiter à la fois la psychologie des investisseurs et la structure de gros fonds en s'accrochant à une tendance du marché, qui peut prendre de l'élan dans une direction et suivre la tendance jusqu'à ce qu'elle inverse. Un autre aspect extrêmement important de la négociation quantitative est la fréquence de la stratégie de négociation. La négociation basse fréquence (LFT) se réfère généralement à toute stratégie qui détient des actifs plus longtemps qu'un jour de bourse. En conséquence, la négociation à haute fréquence (HFT) se réfère généralement à une stratégie qui détient des actifs intraday. La négociation à fréquence ultra-haute (UHFT) fait référence aux stratégies qui détiennent des actifs de l'ordre de secondes et de millisecondes. En tant que praticien de vente au détail HFT et UHFT sont certainement possible, mais seulement avec une connaissance détaillée de la pile de la technologie de négociation et la dynamique du carnet de commandes. Nous ne discuterons pas ces aspects dans une grande mesure dans cet article introductif. Une fois qu'une stratégie, ou un ensemble de stratégies, a été identifié, il doit maintenant être testé pour la rentabilité sur les données historiques. C'est le domaine du backtesting. Stratégie Backtesting L'objectif du backtesting est de fournir la preuve que la stratégie identifiée via le processus ci-dessus est rentable lorsqu'il est appliqué aux données historiques et hors de l'échantillon. Cela définit l'attente de la façon dont la stratégie va fonctionner dans le monde réel. Cependant, le backtesting n'est PAS une garantie de succès, pour diverses raisons. C'est peut-être le domaine le plus subtil du commerce quantitatif, car il comporte de nombreux biais, qui doivent être soigneusement considérés et éliminés autant que possible. Nous discuterons des types communs de biais, y compris le biais prospectif. Le biais de survie et le biais d'optimisation (également connu sous le nom de biais de snooping). D'autres domaines d'importance dans le backtesting incluent la disponibilité et la propreté des données historiques, en tenant compte des coûts de transaction réalistes et en décidant d'une solide plate-forme de backtesting. Eh bien discuter des coûts de transaction plus loin dans la section Systèmes d'exécution ci-dessous. Une fois qu'une stratégie a été identifiée, il est nécessaire d'obtenir les données historiques à travers lesquelles effectuer des tests et, peut-être, le raffinement. Il existe un nombre important de fournisseurs de données dans toutes les classes d'actifs. Leurs coûts s'alignent généralement sur la qualité, la profondeur et l'actualité des données. Le point de départ traditionnel pour les commerçants débutants (au moins au niveau du détail) est d'utiliser l'ensemble de données gratuit de Yahoo Finance. Je ne m'attarderai pas trop sur les prestataires, mais j'aimerais plutôt me concentrer sur les questions générales concernant les ensembles de données historiques. Les principales préoccupations concernant les données historiques comprennent la précision de la propreté, le biais de survie et l'ajustement pour les actions de l'entreprise telles que les dividendes et les divisions d'actions: l'exactitude concerne la qualité globale des données - si elle contient des erreurs. Les erreurs peuvent parfois être faciles à identifier, par exemple avec un filtre à pic. Qui choisira des pics incorrects dans les données de séries chronologiques et les corrigera. D'autres fois, ils peuvent être très difficiles à repérer. Il est souvent nécessaire d'avoir deux ou plusieurs fournisseurs et ensuite vérifier toutes leurs données les uns contre les autres. Le biais de survie est souvent une caractéristique des ensembles de données gratuits ou bon marché. Un ensemble de données avec biais de survie signifie qu'il ne contient pas d'actifs qui ne sont plus de négociation. Dans le cas des actions, cela signifie des actions délistedbankrupt. Ce biais signifie que toute stratégie de négociation d'actions testé sur un tel ensemble de données sera probablement mieux performant que dans le monde réel que les gagnants historiques ont déjà été présélectionnés. Les actions de la société comprennent les activités logistiques réalisées par la société qui entraînent habituellement une modification du prix brut qui ne devrait pas être incluse dans le calcul des rendements du prix. Les ajustements pour les dividendes et les divisions d'actions sont les coupables communs. Un processus dit de rétro-ajustement est nécessaire pour être réalisé à chacune de ces actions. Il faut être très prudent de ne pas confondre un partage de stock avec un ajustement de retour vrai. Beaucoup d'un commerçant a été pris au piège par une action d'entreprise Afin de mener à bien une procédure de backtest, il est nécessaire d'utiliser une plate-forme logicielle. Vous avez le choix entre un logiciel de backtest dédié, comme Tradestation, une plate-forme numérique telle que Excel ou MATLAB ou une implémentation personnalisée complète dans un langage de programmation tel que Python ou C. Je n'habiterai pas trop sur Tradestation (ou similaire), Excel ou MATLAB, car je crois en la création d'une pile complète de la technologie interne (pour les raisons énoncées ci-dessous). L'un des avantages de cela est que le logiciel de backtest et le système d'exécution peuvent être étroitement intégrés, même avec des stratégies statistiques extrêmement avancées. Pour les stratégies HFT en particulier, il est essentiel d'utiliser une implémentation personnalisée. Lors du backtesting d'un système, il faut être en mesure de quantifier son rendement. Les mesures standard de l'industrie pour les stratégies quantitatives sont le retrait maximal et le ratio de Sharpe. Le tirage maximal caractérise la baisse la plus importante de la courbe des capitaux propres au cours d'une période donnée (habituellement annuelle). C'est le plus souvent cité comme un pourcentage. Les stratégies LFT auront tendance à avoir des tirages plus importants que les stratégies HFT, en raison d'un certain nombre de facteurs statistiques. Un backtest historique montrera le tirage maximal passé, qui est un bon guide pour la performance de tirage futur de la stratégie. La deuxième mesure est le ratio de Sharpe, qui est défini de façon heuristique comme la moyenne des rendements excédentaires divisée par l'écart-type de ces rendements excédentaires. Ici, les rendements excédentaires renvoient au retour de la stratégie au-dessus d'un indice de référence prédéterminé. Tels que le SP500 ou un projet de loi du Trésor à 3 mois. Il est à noter que le rendement annualisé n'est pas une mesure habituellement utilisée, car il ne tient pas compte de la volatilité de la stratégie (contrairement au ratio de Sharpe). Une fois qu'une stratégie a été testée et est réputée être exempte de biais (autant que cela est possible), avec un bon Sharpe et réduit les tirages, il est temps de construire un système d'exécution. Systèmes d'exécution Un système d'exécution est le moyen par lequel la liste des métiers générés par la stratégie est envoyée et exécutée par le courtier. En dépit du fait que la génération commerciale peut être semi - ou même entièrement automatisée, le mécanisme d'exécution peut être manuel, semi-manuel (c'est-à-dire un clic) ou entièrement automatisé. Pour les stratégies LFT, les techniques manuelles et semi-manuelles sont courantes. Pour les stratégies HFT, il est nécessaire de créer un mécanisme d'exécution entièrement automatisé, qui sera souvent étroitement couplé avec le générateur de commerce (en raison de l'interdépendance de la stratégie et de la technologie). Les principales considérations lors de la création d'un système d'exécution sont l'interface avec le courtage. La minimisation des coûts de transaction (y compris la commission, le glissement et l'écart) et la divergence des performances du système en direct par rapport aux performances testées. Il existe de nombreuses façons d'interface avec une maison de courtage. Ils vont de l'appel de votre courtier sur le téléphone à droite à une entièrement automatisée haute performance Application Programming Interface (API). Idéalement, vous voulez automatiser l'exécution de vos métiers autant que possible. Cela vous libère pour se concentrer sur de nouvelles recherches, ainsi que vous permettre d'exécuter des stratégies multiples ou même des stratégies de plus haute fréquence (en fait, HFT est essentiellement impossible sans exécution automatisée). Les logiciels communs de backtesting décrits ci-dessus, tels que MATLAB, Excel et Tradestation sont bons pour des stratégies plus simples et plus simples. Cependant, il sera nécessaire de construire un système d'exécution interne écrit dans un langage de haute performance comme C afin de faire tout vrai HFT. Comme une anecdote, dans le fonds que j'avais l'habitude d'être employé à, nous avons eu une boucle de 10 minutes de négociation où nous téléchargeons de nouvelles données sur le marché toutes les 10 minutes, puis exécuter des opérations basées sur ces informations dans le même laps de temps. C'était utiliser un script Python optimisé. Pour tout ce qui s'approche de la minute ou des données de deuxième fréquence, je crois que CC serait plus idéal. Dans un fonds plus important, ce n'est pas souvent le domaine du négociant quantique d'optimiser l'exécution. Toutefois, dans les petits magasins ou les entreprises HFT, les commerçants sont les exécuteurs et donc une compétence beaucoup plus large est souvent souhaitable. Gardez cela à l'esprit si vous souhaitez être employé par un fonds. Vos compétences en programmation seront aussi importantes, voire plus, que vos talents statistiques et économétriques Un autre problème majeur qui tombe sous le signe de l'exécution est celui de la minimisation des coûts de transaction. Il y a généralement trois composantes des coûts de transaction: les commissions (ou taxes), qui sont les frais facturés par la maison de courtage, l'échange et le dérapage de la SEC (ou d'un organisme de réglementation gouvernemental similaire), qui est la différence entre ce que vous vouliez que votre commande soit Rempli à l'égard de ce qu'il a été réellement rempli à l'écart, qui est la différence entre le prix bidask de la valeur marchande. Notez que l'écart n'est PAS constant et dépend de la liquidité actuelle (c'est-à-dire la disponibilité des ordres d'achat) sur le marché. Les coûts de transaction peuvent faire la différence entre une stratégie extrêmement rentable avec un bon ratio Sharpe et une stratégie extrêmement peu rentable avec un terrible ratio de Sharpe. Il peut être difficile de prédire correctement les coûts de transaction à partir d'un backtest. Selon la fréquence de la stratégie, vous aurez besoin d'accéder à des données d'échange historiques, qui incluront des données de tick pour les prix bidask. Des équipes entières de quants sont dédiées à l'optimisation de l'exécution dans les fonds plus importants, pour ces raisons. Considérons le scénario dans lequel un fonds doit décharger une quantité importante de métiers (dont les raisons sont nombreuses et variées). En déversant autant d'actions sur le marché, elles dépriment rapidement le prix et peuvent ne pas obtenir une exécution optimale. D'où les algorithmes qui gouttent les ordres d'alimentation sur le marché existent, bien que le fonds court alors le risque de glissement. De plus, d'autres stratégies envahissent ces nécessités et peuvent exploiter les inefficacités. C'est le domaine de l'arbitrage de la structure du fonds. Le dernier problème majeur pour les systèmes d'exécution concerne la divergence des performances de la stratégie par rapport aux performances testées. Cela peut se produire pour plusieurs raisons. Nous avons déjà discuté du biais prospectif et du biais d'optimisation en profondeur, lors de l'examen de backtests. Cependant, certaines stratégies ne permettent pas de tester facilement ces biais avant le déploiement. Cela se produit dans HFT plus prédominante. Il peut y avoir des bugs dans le système d'exécution ainsi que la stratégie de négociation elle-même qui ne s'affichent pas sur un backtest, mais ne se présentent dans le commerce en direct. Le marché a peut-être fait l'objet d'un changement de régime après le déploiement de votre stratégie. De nouveaux environnements réglementaires, l'évolution du sentiment des investisseurs et les phénomènes macroéconomiques peuvent tous conduire à des divergences dans la façon dont le marché se comporte et donc la rentabilité de votre stratégie. Gestion des risques La dernière pièce du puzzle de négociation quantitative est le processus de gestion des risques. Le risque inclut tous les biais précédents dont nous avons discuté. Il comprend le risque technologique, tels que les serveurs co-situé à l'échange de soudainement développer un dysfonctionnement du disque dur. Il inclut le risque de courtage, comme le courtier faillite (pas aussi fou que cela semble, étant donné le récent effroi avec MF Global). En bref, il couvre presque tout ce qui pourrait interférer avec la mise en œuvre de négociation, dont il existe de nombreuses sources. Tous les livres sont consacrés à la gestion des risques pour les stratégies quantitatives, donc je ne vais pas essayer d'élucider sur toutes les sources possibles de risque ici. La gestion des risques englobe également ce que l'on appelle l'allocation optimale du capital. Qui est une branche de la théorie du portefeuille. C'est le moyen par lequel le capital est alloué à un ensemble de stratégies différentes et aux métiers au sein de ces stratégies. C'est un domaine complexe et repose sur des mathématiques non triviales. La norme de l'industrie par laquelle l'allocation optimale du capital et l'effet de levier des stratégies sont liées est appelée le critère de Kelly. Comme il s'agit d'un article introductif, je n'insisterai pas sur son calcul. Le critère de Kelly fait certaines hypothèses sur la nature statistique des rendements, qui ne sont pas souvent vrai dans les marchés financiers, donc les commerçants sont souvent conservateurs quand il s'agit de la mise en œuvre. Une autre composante essentielle de la gestion des risques est le traitement de son propre profil psychologique. Il existe de nombreux biais cognitifs qui peuvent s'introduire dans le commerce. Bien que cela soit certes moins problématique avec trading algorithmique si la stratégie est laissé seul Un préjugé commun est celui de l'aversion à la perte où une position perdante ne sera pas fermé en raison de la douleur d'avoir à réaliser une perte. De même, les bénéfices peuvent être pris trop tôt parce que la peur de perdre un bénéfice déjà gagné peut être trop grande. Un autre biais commun est connu comme biais récence. Cela se manifeste lorsque les traders mettent trop l'accent sur les événements récents et non sur le long terme. Ensuite, bien sûr, il ya la paire classique de préjugés émotionnels - la peur et la cupidité. Ceux-ci peuvent souvent conduire à un sous - ou un surendettement, ce qui peut provoquer un gonflement (c'est-à-dire l'équité du compte à zéro ou pire) ou des bénéfices réduits. Comme on peut le constater, le commerce quantitatif est un domaine de financement quantitatif extrêmement complexe, quoique très intéressant. J'ai littéralement rayé la surface du sujet dans cet article et il est déjà assez long Livres entiers et des documents ont été écrits sur des questions que je n'ai donné qu'une phrase ou deux vers. Pour cette raison, avant de demander des emplois de négociation de fonds quantitatifs, il est nécessaire d'effectuer une quantité importante de l'étude de terrain. À tout le moins, vous aurez besoin d'un vaste bagage en statistiques et économétrie, avec beaucoup d'expérience dans la mise en œuvre, via un langage de programmation comme MATLAB, Python ou R. Pour des stratégies plus sophistiquées à la fin de fréquence plus élevée, votre ensemble de compétences est probable Pour inclure la modification du noyau Linux, le CC, la programmation d'assemblage et l'optimisation de la latence du réseau. Si vous êtes intéressé à essayer de créer vos propres stratégies de trading algorithmique, ma première suggestion serait d'obtenir de bons programmes. Ma préférence est de construire autant de données grabber, backtestter stratégie et le système d'exécution par vous-même que possible. Si votre propre capital est sur la ligne, wouldnt vous dormez mieux la nuit sachant que vous avez pleinement testé votre système et sont conscients de ses pièges et des questions particulières Externaliser cela à un vendeur, tout en économisant potentiellement du temps à court terme, pourrait être extrêmement Coûteux à long terme. Liste de lecture quantitative financière Le financement quantitatif est un sujet technique et de grande envergure. Il couvre les marchés financiers, l'analyse des séries chronologiques, la gestion des risques, l'ingénierie financière, les statistiques et l'apprentissage automatique. Les livres suivants commencent par les notions de base absolue pour chaque matière et augmentent progressivement le niveau de difficulté. Vous n'avez pas besoin de les lire tous, mais vous devriez certainement étudier quelques-uns en profondeur. Quant Finance Topics List Navigation Les listes couvrent le financement général, les guides de carrière, la préparation aux entrevues, le commerce quantitatif, les mathématiques, l'analyse statistique et la programmation en C, Python et R. Navigation de liste Livres classiques sur les marchés quantifi - Est leur manque de connaissance des marchés financiers de base. Son tout bien et bon étant le meilleur mathématicien et programmeur sur le globe, mais si vous ne pouvez pas dire votre stock de votre obligation, ou votre banque de votre fonds, vous trouverez qu'il est beaucoup plus difficile de passer ces projections HR. Ces livres rendent aussi beaucoup mieux la lecture au lit que les textes sur le calcul stochastique. Des livres pour vous aider à vous préparer à des entrevues de travail quantitatifs En plus d'avoir besoin de connaître les marchés de capitaux et leur fonctionnement, les mathématiques de la tarification des produits dérivés et les méthodes de négociation quantitative, être capable de programmer en C et éventuellement Python, Quant à l'entrevue Les livres suivants sont des ressources fantastiques pour vous préparer. Assurez-vous d'étudier non seulement le contenu des casse-têtes, mais aussi essayer de déconstruire comment theyre mis ensemble et ce que vous êtes vraiment demandé. Des ouvrages-clés pour vous aider à apprendre le trading quantitatif, systématique et algorithmique Les parcours de carrière des quants ont récemment évolué vers des opérations quantitatives directes et loin des prix des dérivés. Bien que la théorie de Black-Scholes soit encore extrêmement importante pour la couverture et l'établissement d'options exotiques, il est maintenant nécessaire d'être intimement familier avec le commerce systématique et les entreprises qui l'emploient. Il est difficile de se procurer des informations sur les fonds au sujet de leurs stratégies commerciales (pas de surprise), mais ces livres fournissent un aperçu en profondeur de la façon dont fonctionne la boîte noire. Des textes clés pour vous aider à apprendre la prévision et la prévision de séries chronologiques multivariées L'analyse des séries chronologiques et l'économétrie financière sont des composantes clés de la négociation algorithmique moderne - permettant de prédire et de prévoir les prix des actifs. Les techniques d'analyse par séries chronologiques sont largement utilisées dans le financement quantitatif, y compris la gestion d'actifs et les fonds de couverture quantitatifs, aux fins de la prévision. Ainsi, si vous souhaitez un jour devenir un négociant quantitatif qualifié, il est nécessaire d'avoir une connaissance approfondie de l'analyse statistique de séries chronologiques et de l'économétrie financière. Les ouvrages suivants vous feront passer d'une série temporelle d'introduction à une théorie de séries chronologiques multivariées avancées à un niveau mathématique raisonnablement complet: Tarification des produits dérivés par le biais de modèles de calcul stochastiques appliqués La tarification des produits dérivés est toujours un élément clé du secteur financier, Crédit, et s'appuie sur la théorie développée à partir du calcul stochastique. Bien que vous n'avez pas besoin de lire chaque livre ci-dessous, ils sont tous bons. Chacune offre une perspective ou un accent différent sur la théorie des prix des options. Si vous avez l'intention de devenir un dérivé de prix, peut-être en actions, en crédit, en titres à revenu fixe ou en devises, vous devriez essayer d'étudier autant de livres de la liste suivante: Modélisation de dérivés à revenu fixe par des techniques mathématiques avancées Le marché des produits dérivés à revenu fixe est le plus important marché mondial de produits dérivés, principalement en raison de la demande des investisseurs pour des vues spécifiques sur les taux d'intérêt ou sur les besoins de trésorerie. La modélisation des dérivés de taux d'intérêt exige des mathématiques complexes et nécessite une solide compréhension des techniques de calcul stochastique. Les textes suivants présentent les principaux modèles: Les textes classiques et modernes sur la façon de devenir un expert C programmateur C est l'une des zones les plus difficiles pour commencer quants à se familiariser avec. Puisqu'il s'agit d'un langage de programmation si volumineux, et peut-être en fait être un quants premier goût de la programmation, il peut être extrêmement intimidant. Les six premiers livres sur la liste, si bien compris, vous ferait un programmeur C compétent. En lisant le reste, vous deviendrez (éventuellement) un expert: Débutant C Ces livres sont conçus pour apprendre les bases et comment utiliser la langue efficacement: Intermédiaire C Ces livres couvriront presque tout ce qu'un pratiquant aura probablement jamais besoin d'apprendre C lui-même: AdvancedReference C Pour ceux qui souhaitent devenir les meilleurs dans leur groupe de pairs et / ou de travailler dans le commerce de haute fréquence, vous aurez besoin de savoir beaucoup plus sur la langue, y compris la programmation de modèles, les ins-and-outs de la STL Et la programmation Linux: des textes classiques et modernes sur la façon de devenir un programmeur Python expert Ces dernières années Python est devenu un aliment de base dans le monde des finances quantitatives. Je connais personnellement de nombreux fonds qui l'utilisent comme infrastructure informatique de bout en bout pour effectuer des opérations systématiques. C'est une langue facile à apprendre, mais il est plus difficile à maîtriser, en raison des nombreuses bibliothèques un quant utilisera. Quel que soit le type de quant que vous souhaitez devenir, je suggérerais d'apprendre Python, car il va seulement devenir plus largement adopté au fil du temps: Beginner Python Ces livres sont conçus pour apprendre les bases et comment utiliser Python - et ses Beaucoup de bibliothèques scientifiques - efficacement: IntermediateAdvanced Python Ces livres couvriront presque tout un pratiquant quant aura probablement jamais besoin d'apprendre sur la programmation en Python et en utilisant ses bibliothèques - en particulier en ce qui concerne la science des données, l'apprentissage des machines et la finance quantique: L'environnement de programmation statistique R est un environnement de programmation statistique avancé largement utilisé au sein de structures quantitatives systématiques et de banques d'investissement. Une excellente façon d'apprendre R est de lier les livres suivants avec un cours en ligne en statistiques (qui fera souvent usage de R de toute façon). Cela vous aidera vraiment à vous familiariser avec les méthodes de négociation quantitative. En outre, de nombreux ouvrages ont été écrits sur divers sujets statistiques, utilisant souvent R comme langage de mise en œuvre: Beginner R Ces livres sont conçus pour apprendre les bases de la statistique avec R, en relation avec la finance quantitative: IntermediateAdvanced R Les livres suivants s'appuient sur les statistiques Théorie apprise dans les textes susmentionnés dans les domaines de l'analyse des séries temporelles et de l'apprentissage automatique: Cliquez ci-dessous pour en savoir plus. L'information contenue sur ce site web est l'opinion des auteurs individuels basée sur leur observation personnelle, leur recherche et leurs années d'expérience. L'éditeur et ses auteurs ne sont pas des conseillers en placement, des avocats, des CPA ou d'autres professionnels des services financiers enregistrés et ne rendent pas de conseils juridiques, fiscaux, comptables, de placement ou autres services professionnels. L'information offerte par ce site Web est seulement l'éducation générale. Parce que chaque situation factuelle des individus est différente, le lecteur devrait chercher son conseiller personnel. Ni l'auteur ni l'éditeur n'assument aucune responsabilité ou responsabilité pour des erreurs ou omissions et n'a aucune responsabilité ni responsabilité envers une personne ou une entité à l'égard des dommages causés ou prétendument causés directement ou indirectement par les informations contenues sur ce site. À utiliser à vos risques et périls. En outre, ce site Web peut recevoir une compensation financière des sociétés mentionnées par la publicité, les programmes d'affiliation ou autrement. Les tarifs et offres des annonceurs affichés sur ce site Web changent fréquemment, parfois sans préavis. Alors que nous nous efforçons de maintenir des informations exactes et en temps opportun, les détails de l'offre peuvent être périmés. Les visiteurs doivent donc vérifier les modalités de ces offres avant de participer à ces offres. L'auteur et son éditeur renoncent à la responsabilité de la mise à jour des informations et déclinent toute responsabilité concernant le contenu, les produits et les services de tiers, y compris lorsqu'ils sont accessibles par l'entremise d'hyperliens et / ou d'annonces sur ce site. Analyse empirique des stratégies de négociation quantitative. Andrew W. Lo. Département: Sloan School of Management. Avec la puissance de calcul croissante, la disponibilité croissante de divers flux de données, l'introduction des échanges électroniques, la diminution des coûts de négociation et la concurrence de l'échauffement dans l'industrie de l'investissement financier, les stratégies de négociation quantitative ou les règles commerciales quantitatives Ont évolué rapidement en quelques décennies. Ils remettent en cause l'hypothèse de marché efficace en essayant de prévoir les mouvements futurs des prix des actifs risqués à partir des données historiques du marché de manière algorithmique ou statistique. Ils essaient de trouver des marques ou des tendances à partir des données historiques et de les utiliser pour battre la référence du marché. Dans cette recherche, je présente plusieurs stratégies de négociation quantitative et d'enquêter sur leurs performances empiriquement, c'est-à-dire en exécutant des back-tests en supposant que l'indice des actions SampP 500 est un actif risqué pour le commerce. Les stratégies utilisent les données historiques de l'indice boursier lui-même, le mouvement du volume de négociation, le mouvement de taux sans risque et le mouvement de volatilité implicite afin de générer des signaux de négociation d'achat ou de vente. Ensuite, je tente d'articuler et de décomposer la source pour les réussites de certaines stratégies dans les back-tests en plusieurs facteurs tels que les tendances ou les relations entre les variables d'information sur le marché de manière intuitive. Certaines stratégies ont enregistré des performances plus élevées que l'indice de référence dans les back-tests, mais il reste difficile de distinguer ces stratégies gagnantes à l'avance des perdants au début de notre horizon d'investissement. La discrétion humaine telle que la vision macro sur la tendance future du marché est considérée comme jouant encore un rôle important pour le commerce quantitatif pour réussir dans le long terme. Thèse (M. B.A.) - Institut de technologie du Massachusetts, Sloan School of Management, 2008. Comprend des références bibliographiques (pages 277-280). Mots-clés: Sloan School of Management. Mon compte
No comments:
Post a Comment