Trading kvantitativa strategier

Kvantitativa handelsstrategier Handel baseras på förväntade företagshändelser, såsom förväntad fusion eller övertagande eller konkursansökan. Kallas också riskarbitrage. Relativ Value Trading vs Directional Trading De flesta kvantitativa hedgefondens handelsinvesteringsmetoder faller i en av två kategorier: de som använder relativvärdesstrategier och de vars strategier skulle karakteriseras som riktlinjer. Båda strategierna använder kraftigt datormodeller och statistisk programvara. Relativvärdesstrategier försöker kapitalisera på förutsägbara prissättningsförhållanden (ofta medelåtervända relationer) mellan flera tillgångar (till exempel förhållandet mellan korta daterade amerikanska statsskuldavkastningar jämfört med lång daterade amerikanska statsobligationsräntor eller förhållandet i det underförstådda volatilitet i två olika optionsavtal). Riktlinjerna bygger emellertid typiskt på trendföljande eller andra mönsterbaserade vägar som tyder på uppåt eller nedåtgående moment för en säkerhet eller uppsättning värdepapper (till exempel satsar de långvariga amerikanska statsobligationsräntorna att öka eller den implicita volatiliteten kommer att nedgång). Relativvärdesstrategier Vanliga exempel på relativvärdesstrategier är att placera relativa satsningar (dvs. att köpa en tillgång och sälja en annan) på tillgångar vars priser är nära knutna: Statsvärden i två olika länder Statsinstrument med två olika löptider Bolags - värdepapper Skillnaden i underförstådd volatilitet mellan två derivat Aktiekurser vs obligationspriser för en företagsobligationsutgivare Bolagsobligationsräntor mot CDS-spridningar (Credit Default Swap) Listan över potentiella relativvärdesstrategier är mycket lång ovan är bara några exempel. Det finns tre mycket viktiga och vanliga relativa värderingsstrategier som är medvetna om, dock: Statistisk Arbitrage: Handel med en genomsnittlig återföring av värdena på liknande korgar av tillgångar baserade på historiska handelsförhållanden. En vanlig form av statistisk arbitrage, eller stat Arb, handel, är känd som aktiemarknad neutral handel. I denna strategi väljs två korgar av aktier (en lång korg och en kort korg) med målet att de två korgarnas relativa vikter lämnar fonden med noll exponering för olika riskfaktorer (industri, geografi, sektor mm .) Stat Arb kan också innebära handel med ett index mot en liknande matchad ETF, eller ett index jämfört med en enda företags aktie. Konvertibel Arbitrage: Inköp av Konvertibla Obligationsemissioner av ett företag och samtidigt sälja samma företagets stamaktie. Tanken är att om börsen av ett visst företag ska minska, kommer vinsten från den korta positionen att mer än kompensera förlusten på det konvertibla skuldebrevet ställning, givet det konvertibla obligatoriska värdet som ett räntebärande instrument. På samma sätt kan fonden vid varje uppåtgående prisrörelse av stamaktien dra nytta av omvandlingen av sina konvertibla skuldebrev till aktie och sälja den aktien till marknadsvärde med ett belopp som överstiger förluster på dess korta ställning. Fixed Income Arbitrage: Räntebärande värdepapper i utvecklade obligationsmarknader för att utnyttja upplevda relativa ränteanomalier. Arbitrage med fast inkomst kan använda statsobligationer, ränteswapar och räntefutures. Ett populärt exempel på denna typ av handel med räntebitarbitrage är bashandeln, i vilken man säljer (köper) Treasury futures, och köper (säljer) motsvarande belopp av det potentiella leveransobligationen. Här tar man en uppfattning om skillnaden mellan spotpriset på ett obligationslån och det justerade terminskontraktspriset (terminsprisomvandlingsfaktor) och handlar paren av tillgångar i enlighet därmed. Riktlinjer Strategier Direkt handelsstrategier bygger under tiden på trendföljande eller andra mönsterbaserade vägar som tyder på uppåtgående eller nedåtgående moment för ett säkerhetspris. Direkt handel kommer ofta att innehålla någon aspekt av teknisk analys eller kartläggning. Detta innebär att förutsäga prisriktningen genom undersökning av tidigare pris och volymmarknadsdata. Den riktning som handlas kan vara den för en tillgång själv (momentum i aktiekurser, till exempel euro-dollar-växelkursen) eller en faktor som direkt påverkar själva tillgångspriset (till exempel implicit volatilitet för optioner eller ränta räntesatser för statsobligationer). Teknisk handel kan också innefatta användningen av glidande medelvärden, band runt den historiska standardavvikelsen av priser, stöd och motståndsnivåer och förändringshastigheter. Tekniska indikatorer skulle typiskt inte utgöra den enda grunden för en investeringsstrategi för Quantitative Hedge Funds Quant Hedge Funds använder många ytterligare faktorer utöver historisk pris - och volyminformation. Med andra ord har kvantitativa hedgefonder som använder riktlinjer för handelsstrategi generellt övergripande kvantitativa strategier som är mycket mer sofistikerade än den allmänna tekniska analysen. Detta är inte att föreslå den dagen som handlare kanske inte kan dra nytta av Technical Analysis, tvärtom kan många momentumbaserade handelsstrategier vara lönsamma. Sålunda används i denna träningsmodul endast hänvisningar till Quant Hedge Funds handelsstrategier för att endast omfatta tekniska analysbaserade strategier. Andra kvantitativa strategier Andra kvantitativa handelsmetoder som inte lätt kategoriseras som antingen relativvärdesstrategier eller riktlinjer inkluderar: High-Frequency Trading. där handlare försöker utnyttja prissättningsskillnader mellan flera plattformar med många affärer under hela dagen. Strategier för hanterad volatilitet använder termins - och terminskontrakt för att fokusera på att generera låga, men stabila, LIBOR-plus absoluta avkastningar, vilket ökar eller minskar antalet kontrakt dynamiskt som De underliggande volatiliteterna i aktie-, obligations - och andra marknader ändras. Managed Volatility Strategier har vuxit i popularitet de senaste åren tack vare den senaste instabiliteten av både aktie - och obligationsmarknader. larrWhat är en kvantitativ hedgefond Top Quantitative Hedge FundsrarrQuantitative Trading Vad är kvantitativ handel Kvantitativ handel består av handelsstrategier baserade på kvantitativ analys. som är beroende av matematiska beräkningar och nummerkrypning för att identifiera handelsmöjligheter. Eftersom kvantitativ handel i allmänhet används av finansinstitut och hedgefonder. Transaktionerna är vanligtvis stora och kan innebära köp och försäljning av hundratusentals aktier och andra värdepapper. Den kvantitativa handeln blir emellertid vanligare av enskilda investerare. BREAKING DOWN Kvantitativ handel Pris och volym är två av de vanligaste dataingångarna som används i kvantitativ analys som huvudinsatser till matematiska modeller. Kvantitativa handelsmetoder inkluderar högfrekvenshandel. algoritmisk handel och statistisk arbitrage. Dessa tekniker är snabbbränder och har typiskt kortfristiga investeringshorisonter. Många kvantitativa näringsidkare är mer bekanta med kvantitativa verktyg, som rörliga medelvärden och oscillatorer. Förstå kvantitativ handel Kvantitativa handlare tar nytta av modern teknik, matematik och tillgången till omfattande databaser för att göra rationella handelsbeslut. Kvantitativa handlare tar en handelsteknik och skapar en modell av den med matematik och utvecklar sedan ett datorprogram som tillämpar modellen på historiska marknadsdata. Modellen backas sedan och optimeras. Om gynnsamma resultat uppnås, implementeras systemet i realtidsmarknader med reell kapital. Det sätt på vilket kvantitativa handelsmodeller fungerar kan bäst beskrivas med hjälp av en analogi. Tänk på en väderleksrapport där meteorologen förutser en 90 risk för regn medan solen skiner. Meteorologen härleder denna motstridiga slutsats genom att samla och analysera klimatdata från sensorer i hela området. En datoriserad kvantitativ analys avslöjar specifika mönster i data. När dessa mönster jämförs med samma mönster som avslöjas i historiska klimatdata (backtesting) och 90 av 100 gånger är resultatet regnigt, då meteorologen kan dra slutsatsen med förtroende, därav 90-prognosen. Kvantitativa handlare tillämpar samma process på finansmarknaden för att fatta handelsbeslut. Fördelar och nackdelar med kvantitativ handel Syftet med handel är att beräkna den optimala sannolikheten för att genomföra en lönsam handel. En typisk näringsidkare kan effektivt övervaka, analysera och fatta handelsbeslut på ett begränsat antal värdepapper innan mängden inkommande data överväger beslutsprocessen. Användningen av kvantitativa handelsmetoder belyser denna gräns genom att använda datorer för att automatisera övervaknings-, analys - och handelsbesluten. Att övervinna känslor är ett av de mest genomgripande problemen med handel. Var det rädsla eller girighet, när handel handlar känslor bara för att kväva rationellt tänkande, vilket vanligtvis leder till förluster. Datorer och matematik har inte känslor, så kvantitativ handel eliminerar detta problem. Kvantitativ handel har sina problem. Finansmarknaderna är några av de mest dynamiska enheterna som finns. Därför måste kvantitativa handelsmodeller vara lika dynamiska för att bli konsekvent framgångsrik. Många kvantitativa näringsidkare utvecklar modeller som är tillfälligt lönsamma för det marknadsförhållande som de utvecklades för, men de misslyckas i slutändan när marknadsförhållandena förändras. Kvantstrategier - är de för dig Kvantitativa investeringsstrategier har utvecklats till mycket komplexa verktyg med tillkomsten av moderna datorer , men strategierna går tillbaka över 70 år. De drivs vanligtvis av högutbildade lag och använder proprietära modeller för att öka deras förmåga att slå marknaden. Det finns även off-shelf-program som är plug-and-play för dem som söker enkelhet. Kvantmodeller fungerar alltid bra när de testas igen, men deras faktiska applikationer och framgångsgrad är diskutabelt. Medan de verkar fungera bra på tjurmarknaderna. När marknaderna går haywire, är kvantstrategier utsatta för samma risker som alla andra strategier. Historien En av grundarna till studien av kvantitativ teori tillämpad på finans var Robert Merton. Man kan bara föreställa sig hur svårt och tidskrävande processen var före användningen av datorer. Andra teorier inom ekonomi utvecklades också från några av de första kvantitativa studierna, inklusive grunden för diversifiering av portföljer baserat på modern portföljteori. Användningen av både kvantitativ finansiering och kalkyler ledde till många andra gemensamma verktyg, inklusive en av de mest kända, Black-Scholes optionsprissättningsformeln, som inte bara hjälper investerare till prisoptioner och utvecklar strategier, men hjälper till att hålla marknaderna i kontroll med likviditeten. När den tillämpas direkt på portföljförvaltning. Målet är som någon annan investeringsstrategi. att lägga till värde, alfabetisk eller meravkastning. Quants, som utvecklarna heter, komponerar komplexa matematiska modeller för att upptäcka investeringsmöjligheter. Det finns så många modeller där ute som quants som utvecklar dem, och alla hävdar att vara bäst. En av de mest säljande punkterna i quant investment strategys är att modellen, och i slutändan datorn, gör det faktiska beslutet om buysell, inte en människa. Detta tenderar att ta bort eventuellt känslomässigt svar som en person kan uppleva när man köper eller säljer investeringar. Kvantstrategier accepteras nu i investeringssamhället och drivs av fonder, hedgefonder och institutionella investerare. De brukar gå med namnet alfa generatorer. eller alfa-gens. Bakom gardinen Precis som i Wizard of Oz, står någon bakom gardinen som kör processen. Som med vilken modell som helst, är det bara lika bra som den människa som utvecklar programmet. Även om det inte finns något specifikt krav på att bli en kvant, kombinerar de flesta företag som köper kvantmodeller kompetensanalyser, statistiker och programmerare som kodar processen i datorerna. På grund av de matematiska och statistiska modellernas komplicerade karaktär är det vanligt att se uppgifter som doktorsexamen och doktorsexamen i ekonomi, ekonomi, matematik och teknik. Historiskt har dessa lagmedlemmar arbetat i backkontor. men som kvantmodeller blev mer vanliga flyttar backkontoret till kontoret. Fördelar med Quant Strategies Medan den övergripande framgången är diskutabel, är anledningen till att vissa kvantstrategier fungerar, att de bygger på disciplin. Om modellen är rätt, fortsätter disciplinen att strategin arbetar med blixtsnabbsdatorer för att utnyttja ineffektivitet på marknaderna baserad på kvantitativa data. Modellerna själva kan baseras på så lite som några förhållanden som PE. skuld till eget kapital och resultatutveckling, eller använd tusentals insatser som samarbetar samtidigt. Framgångsrika strategier kan hämta trender i sina tidiga skeden, eftersom datorerna ständigt driver scenarier för att lokalisera ineffektivitet innan andra gör det. Modellerna kan analysera en mycket stor grupp av investeringar samtidigt, där den traditionella analytiker kan titta på bara ett fåtal i taget. Screeningsprocessen kan betygsätta universum med betygsnivåer som 1-5 eller A-F beroende på modell. Detta gör den faktiska handelsprocessen väldigt enkel genom att investera i de högklassiga investeringarna och sälja de lågklassiga. Quant modeller öppnar också variationer av strategier som lång, kort och longshort. Framgångsrika kvantfonder håller koll på riskkontrollen på grund av deras modeller. De flesta strategier börjar med ett universum eller riktmärke och använder sektorer och branschvikter i sina modeller. Detta gör att fonderna kan styra diversifieringen i viss utsträckning utan att kompromissa med själva modellen. Kvantfonderna går oftast till lägre kostnad eftersom de inte behöver så många traditionella analytiker och portföljförvaltare att köra dem. Nackdelar med kvantstrategier Det finns anledningar till att så många investerare inte fullt ut tar hand om begreppet att låta en svart låda köra sina investeringar. För alla framgångsrika kvantfonder där ute, verkar lika många som misslyckas. Tyvärr för quants rykte, när de misslyckas misslyckas de stora tiden. Långfristig kapitalförvaltning var en av de mest kända kvanthäckfonderna, eftersom den drivs av några av de mest respekterade akademiska ledarna och två Nobelminnesprisvinnande ekonomer Myron S. Scholes och Robert C. Merton. Under 1990-talet genererade deras team över genomsnittet och attraherade kapital från alla typer av investerare. De var kända för att inte bara utnyttja ineffektivitet utan även med enkel tillgång till kapital för att skapa enorma hävstångssatser på marknadsriktningar. Den disciplinerade karaktären hos deras strategi skapade faktiskt den svaghet som ledde till deras kollaps. Långfristig kapitalförvaltning likviderades och löstes i början av år 2000. I sina modeller ingår inte möjligheten att den ryska regeringen skulle kunna standardisera sin egen skuld. Den här händelsen utlöste händelser och en kedjereaktion förstorad av hävstångsskapande förödelse. LTCM var så starkt involverad i andra investeringsverksamheter att dess kollaps påverkade världsmarknaderna och utlöste dramatiska händelser. På lång sikt gick Federal Reserve in för att hjälpa, och andra banker och investeringsfonder stödde LTCM för att förhindra ytterligare skador. Detta är en av anledningarna till att kvantfonder kan misslyckas, eftersom de bygger på historiska händelser som inte får inkludera framtida händelser. Medan ett starkt kvantteam kontinuerligt kommer att lägga till nya aspekter på modellerna för att förutsäga framtida händelser, är det omöjligt att förutsäga framtiden varje gång. Kvantfonder kan också bli överväldigade när ekonomin och marknaderna upplever större volatilitet än genomsnittet. Köp - och säljsignalerna kan komma så snabbt att den höga omsättningen kan skapa höga provisioner och skattepliktiga händelser. Kvantfonder kan också utgöra en fara när de marknadsförs som bärsäkra eller bygger på korta strategier. Förutsägande nedgångar. Att använda derivat och kombinera hävstång kan vara farligt. En fel tur kan leda till implosioner, vilket ofta gör nyheterna. Bottom Line Kvantitativa investeringsstrategier har utvecklats från backboks svarta lådor till vanliga investeringsverktyg. De är utformade för att utnyttja de bästa sinnena i branschen och de snabbaste datorerna för att både utnyttja ineffektivitet och använda hävstångseffekt för att göra marknadsbud. De kan vara mycket framgångsrika om modellerna har inkluderat alla rätt ingångar och är fimma nog att förutse onormala marknadshändelser. På flipsidan, medan kvantfonderna noggrant testas igen tills de arbetar, är deras svaghet att de är beroende av historiska data för deras framgång. Samtidigt som investeringar i quant-style har sin plats på marknaden är det viktigt att vara medveten om sina brister och risker. Att vara förenlig med diversifieringsstrategier. det är en bra idé att behandla kvantstrategier som en investeringsstil och kombinera den med traditionella strategier för att uppnå rätt diversifiering. En ekonomisk teori om totala utgifter i ekonomin och dess effekter på produktion och inflation. Keynesian ekonomi utvecklades. En innehav av en tillgång i en portfölj. En portföljinvestering görs med förväntan på att få en avkastning på den. Detta. Ett förhållande som utvecklats av Jack Treynor som mäter avkastning som förvärvats över det som kunde ha blivit förtjänat på en risklös. Återköp av utestående aktier (återköp) av ett företag för att minska antalet aktier på marknaden. Företag. En skatteåterbäring är en återbetalning av skatter som betalas till en individ eller hushåll när den faktiska skatteskulden är mindre än beloppet. Det monetära värdet av alla färdiga varor och tjänster som produceras inom ett land gränsar under en viss tidsperiod. Handbokens vägledning till kvantitativ handel I den här artikeln ska jag presentera några av de grundläggande begreppen som åtföljer en end-to-end kvantitativ handel systemet . Detta inlägg kommer förhoppningsvis att tjäna två publikgrupper. Den första kommer att vara individer som försöker få ett jobb hos en fond som en kvantitativ näringsidkare. Den andra kommer att vara individer som vill försöka ställa in sin egen detaljhandel algoritmiska handelsaffär. Kvantitativ handel är ett extremt sofistikerat område av kvantfinansiering. Det kan ta betydande tid att få den kunskap som krävs för att skicka en intervju eller bygga upp egna handelsstrategier. Inte bara det men det kräver omfattande programkompetens, åtminstone på ett språk som MATLAB, R eller Python. Men eftersom handelsfrekvensen i strategin ökar blir de tekniska aspekterna mycket mer relevanta. Att vara bekant med CC kommer därför att vara av största vikt. Ett kvantitativt handelssystem består av fyra huvudkomponenter: Strategi Identifiering - Hitta en strategi, utnyttja en kant och bestämma om handelsfrekvens Strategi Backtesting - Få data, analysera strategins prestanda och avlägsna företeelser Exekutionssystem - Länka till en mäklare, automatisera handeln och minimera transaktionskostnader Riskhantering - Optimal kapitaltilldelning, satsstorlekKellykriterium och handelspsykologi Börja med att ta en titt på hur man identifierar en handelsstrategi. Strategiidentifiering Alla kvantitativa handelsprocesser börjar med en första forskningsperiod. Denna forskningsprocess omfattar att hitta en strategi för att se om strategin passar in i en portfölj av andra strategier du kan springa, att få all data som behövs för att testa strategin och försöka optimera strategin för högre avkastning och lägre risk. Du måste faktor i dina egna kapitalkrav om du kör strategin som detaljhandlare och hur eventuella transaktionskostnader kommer att påverka strategin. I motsats till populär tro är det faktiskt ganska enkelt att hitta lönsamma strategier genom olika offentliga källor. Akademiker publicerar regelbundet teoretiska handelsresultat (om än för det mesta brutto av transaktionskostnader). Kvantitativa finansbloggar diskuterar strategier i detalj. Handels tidskrifter kommer att skissera några av de strategier som används av fonder. Du kanske ifrågasätter varför individer och företag är angelägna om att diskutera sina lönsamma strategier, särskilt när de vet att andra som tränger handeln kan stoppa strategin från att arbeta på lång sikt. Anledningen till detta är att de inte ofta diskuterar de exakta parametrar och inställningsmetoder som de har utfört. Dessa optimeringar är nyckeln till att göra en relativt medelmåttig strategi till en mycket lönsam. Faktum är att ett av de bästa sätten att skapa dina egna unika strategier är att hitta liknande metoder och sedan utföra din egen optimeringsprocedur. Här är en liten lista över platser att börja leta efter strategidéer: Många av de strategier du kommer att titta på kommer att hamna i kategorierna av medelåtervändning och trend-eftermomentum. En medelåterkallande strategi är en som försöker utnyttja det faktum att ett långsiktigt medelvärde på en prisserie (som spridningen mellan två korrelerade tillgångar) existerar och att kortsiktiga avvikelser från detta medel kommer att återgå till sist. En momentumstrategi försöker exploatera både investorspsykologi och stor fondstruktur genom att ta en tur på en marknadsutveckling, som kan samla fart i en riktning och följa trenden tills den återgår. En annan mycket viktig aspekt av kvantitativ handel är frekvensen av handelsstrategin. Lågfrekvenshandel (LFT) refererar i allmänhet till vilken strategi som helst som innehar tillgångar längre än en handelsdag. På motsvarande sätt refererar högfrekvenshandel (HFT) till en strategi som innehar tillgångar intradag. Ultrahögfrekvenshandel (UHFT) avser strategier som håller tillgångar i storleksordningen sekunder och millisekunder. Som detaljhandlare är HFT och UHFT säkert möjliga, men endast med detaljerad kunskap om handelsteknikstaket och orderbokdynamiken. Vi kommer inte att diskutera dessa aspekter i någon större utsträckning i denna inledande artikel. När en strategi eller uppsättning strategier har identifierats behöver den nu testas för lönsamhet på historiska data. Det är domänen för backtesting. Strategi Backtesting Målet med backtesting är att bevisa att strategin som identifierats via ovanstående process är lönsam när den tillämpas på både historisk och out-of-sample data. Detta ställer förväntan på hur strategin kommer att fungera i den verkliga världen. Backtesting är emellertid inte en garanti för framgång, av olika skäl. Det är kanske det mest subtila området för kvantitativ handel eftersom det medför många fördomar, vilket måste noggrant övervägas och elimineras så mycket som möjligt. Vi kommer att diskutera de gemensamma typerna av förspänning, inklusive blickfrekvens. överlevnadskompetens och optimering bias (även känd som data-snooping bias). Andra områden av betydelse inom backtesting inkluderar tillgänglighet och renlighet av historiska data, factoring i realistiska transaktionskostnader och beslut om en robust backtesting-plattform. Tja diskutera transaktionskostnaderna ytterligare i avsnittet Execution Systems nedan. När en strategi har identifierats är det nödvändigt att erhålla de historiska uppgifterna genom vilka man utför testning och kanske förfining. Det finns ett betydande antal datasäljare över alla tillgångsklasser. Deras kostnader varierar i allmänhet med dataens kvalitet, djup och aktualitet. Den traditionella utgångspunkten för inledande kvanthandlare (åtminstone i detaljhandeln) är att använda den fria datasatsen från Yahoo Finance. Jag brukar inte bo på leverantörer för mycket här, men jag vill hellre koncentrera mig på de allmänna frågorna när det gäller historiska dataset. De viktigaste problemen med historiska data är noggrannhet, överlevnadsperspektiv och justering för företagsåtgärder som utdelning och lageravsnitt: Noggrannhet gäller dataens övergripande kvalitet - om det innehåller några fel. Fel kan ibland vara lätta att identifiera, till exempel med ett spikfilter. som kommer att välja felaktiga spikes i tidsseriedata och korrigera dem. Vid andra tillfällen kan de vara mycket svåra att upptäcka. Det är ofta nödvändigt att ha två eller flera leverantörer och sedan kontrollera alla sina uppgifter mot varandra. Survivorship bias är ofta en funktion av gratis eller billiga dataset. En dataset med överlevnadsperspektiv innebär att den inte innehåller tillgångar som inte längre handlar. För aktier betyder detta delistedbankrupt-aktier. Denna bias innebär att varje aktiehandelstrategi som testas på en sådan dataset kommer troligen att fungera bättre än i den verkliga världen, eftersom de historiska vinnarna redan har förhandlats fram. Företagsåtgärder omfattar logistikverksamhet som bedrivs av företaget som vanligen medför en stegfunktionsförändring i råpriset, vilket inte bör inkluderas i beräkningen av prisavkastningen. Justeringar för utdelning och lageravdelningar är de vanliga synderna. En process som kallas backjustering är nödvändig för att utföras vid var och en av dessa åtgärder. Man måste vara mycket försiktig om att inte förvirra en aktiesplit med en sann avkastningsjustering. Många en näringsidkare har fångats ut av en företagsaktion För att kunna genomföra ett backtestförfarande är det nödvändigt att använda en mjukvaruplattform. Du har valet mellan dedikerad backtest-programvara, till exempel Tradestation, en numerisk plattform som Excel eller MATLAB eller en fullständig anpassad implementering i ett programmeringsspråk som Python eller C. Jag kommer inte att bo för mycket på Tradestation (eller liknande), Excel eller MATLAB, som jag tror på att skapa en full in-house teknik stack (av skäl som beskrivs nedan). En av fördelarna med att göra det är att backtestprogrammet och exekveringssystemet kan integreras tätt, även med extremt avancerade statistiska strategier. För HFT-strategier är det viktigt att använda en anpassad implementering. Vid backtesting av ett system måste man kunna kvantifiera hur bra det fungerar. Branschstandardvärdena för kvantitativa strategier är den maximala drawdownen och Sharpe-förhållandet. Den maximala drawdownen karakteriserar den största topp-till-droppfallet i kontotkapitalkurvan under en viss tidsperiod (vanligtvis årligen). Detta är oftast citerat som en procentandel. LFT-strategier tenderar att ha större drawdowns än HFT-strategier, på grund av ett antal statistiska faktorer. En historisk backtest visar den senaste maximala drawdownen, vilket är en bra guide för strategins framtida dragningsprestanda. Den andra mätningen är Sharpe-förhållandet, som är heuristiskt definierat som genomsnittet av meravkastningen dividerat med standardavvikelsen för de överskjutande avkastningarna. Här avser meravkastning strategins avkastning över ett förutbestämt riktmärke. såsom SP500 eller en 3-månaders statsskuldräkning. Notera att den årliga avkastningen inte är en åtgärd som brukar utnyttjas, eftersom den inte tar hänsyn till strategins volatilitet (till skillnad från Sharpe-förhållandet). En gång har en strategi blivit tillbakaprövad och anses vara fri från biaser (så mycket som möjligt), med en bra Sharpe och minimerade drawdowns, är det dags att bygga ett exekveringssystem. Exekveringssystem Ett exekveringssystem är det sätt på vilket listan över affärer som genereras av strategin skickas och exekveras av mäklaren. Trots att handelsgenerationen kan vara semi - eller till och med helt automatiserad kan exekveringsmekanismen vara manuellt, halvmanuell (dvs ett klick) eller helt automatiserat. För LFT-strategier är manuella och halvmanuala tekniker vanliga. För HFT-strategier är det nödvändigt att skapa en helautomatiserad exekveringsmekanism, som ofta kommer att vara tätt kopplad till handelsgenerern (på grund av strategins och teknikens beroende). Viktiga överväganden när man skapar ett exekveringssystem är gränssnittet till mäklaren. minimering av transaktionskostnader (inklusive provisioner, släpp och spridning) och divergens av live-systemets prestanda från backtested-prestanda. Det finns många sätt att ansluta till en mäklare. De sträcker sig från att ringa upp din mäklare via telefon till en helautomatiserad högpresterande applikationsprogrammeringsgränssnitt (API). Helst vill du automatisera utförandet av dina affärer så mycket som möjligt. Detta frigör dig för att koncentrera dig på ytterligare forskning, samt låta dig köra flera strategier eller till och med strategier med högre frekvens (i själva verket är HFT väsentligen omöjligt utan automatisk utförande). Den gemensamma backtestingprogrammet som beskrivs ovan, såsom MATLAB, Excel och Tradestation, är bra för lägre frekvens, enklare strategier. Det kommer emellertid att vara nödvändigt att konstruera ett internt exekveringssystem skrivet i ett högprestandaspråk som C för att göra någon riktig HFT. Som en anekdote, i fonden var jag anställd vid, vi hade en 10 minuters handel slinga där vi skulle ladda ner nya marknadsdata var 10: e minut och sedan utföra handlar baserat på den informationen i samma tidsram. Detta använde ett optimerat Python-skript. För allt som närmar sig minut - eller andrafrekvensdata tror jag att CC skulle vara mer idealiskt. I en större fond är det ofta inte kvantetransaktörens domän att optimera utförandet. Men i mindre butiker eller HFT-företag är handlarna exekutörerna och så är en mycket bredare kompetens ofta önskvärd. Ha det i åtanke om du vill vara anställd av en fond. Din programmering färdigheter kommer att vara lika viktigt, om inte mer så än din statistik och ekonometrisk talanger Ett annat stort problem som faller under genomförandebanan är att minimera transaktionskostnaden. Det finns generellt tre komponenter till transaktionskostnader: Provisioner (eller skatt), vilka är de avgifter som tas ut av mäklaren, utbytet och SEC (eller liknande statligt tillsynsorgan) slippa, vilket är skillnaden mellan vad du menade att din order skulle vara fylld i jämförelse med vad den faktiskt fylldes på spridning, vilket är skillnaden mellan budpriset för säkerheten som handlas. Observera att spridningen inte är konstant och är beroende av den nuvarande likviditeten (dvs tillgängligheten av buysell-order) på marknaden. Transaktionskostnader kan göra skillnaden mellan en extremt lönsam strategi med ett bra Sharpe-förhållande och en extremt olönsam strategi med ett fruktansvärt Sharpe-förhållande. Det kan vara en utmaning att korrekt förutsäga transaktionskostnaderna från en backtest. Beroende på frekvensen av strategin behöver du tillgång till historisk utbytesdata, som inkluderar kryssningsdata för budpris. Hela teamet av quants är dedikerade till optimering av genomförandet i de större fonderna, av dessa skäl. Tänk på scenariot där en fond måste avlasta en betydande mängd affärer (varför skälen att göra det är många och varierade). Genom att dumpa så många aktier på marknaden kommer de snabbt att sänka priset och får inte få optimal utförande. Därmed finns algoritmer som drar in foderorder på marknaden, men då löper fonden risken att glida. Dessutom ökar andra strategier på dessa nödvändigheter och kan utnyttja ineffektiviteten. Detta är domänen för fondstrukturen arbitrage. Det sista huvudproblemet för exekveringssystemen gäller divergens av strategins prestanda från backtested prestanda. Detta kan hända av ett antal skäl. Weve har redan diskuterat framåtblickande bias och optimeringsförskjutning i djupet, när vi överväger backtests. Vissa strategier gör det emellertid inte lätt att testa för dessa biaser före utplacering. Detta sker i HFT mest övervägande. Det kan finnas buggar i exekveringssystemet såväl som handelsstrategin själv som inte dyker upp på en backtest men visar sig i live trading. The market may have been subject to a regime change subsequent to the deployment of your strategy. New regulatory environments, changing investor sentiment and macroeconomic phenomena can all lead to divergences in how the market behaves and thus the profitability of your strategy. Risk Management The final piece to the quantitative trading puzzle is the process of risk management . Risk includes all of the previous biases we have discussed. It includes technology risk, such as servers co-located at the exchange suddenly developing a hard disk malfunction. It includes brokerage risk, such as the broker becoming bankrupt (not as crazy as it sounds, given the recent scare with MF Global). In short it covers nearly everything that could possibly interfere with the trading implementation, of which there are many sources. Whole books are devoted to risk management for quantitative strategies so I wontt attempt to elucidate on all possible sources of risk here. Risk management also encompasses what is known as optimal capital allocation . which is a branch of portfolio theory . This is the means by which capital is allocated to a set of different strategies and to the trades within those strategies. It is a complex area and relies on some non-trivial mathematics. The industry standard by which optimal capital allocation and leverage of the strategies are related is called the Kelly criterion . Since this is an introductory article, I wont dwell on its calculation. The Kelly criterion makes some assumptions about the statistical nature of returns, which do not often hold true in financial markets, so traders are often conservative when it comes to the implementation. Another key component of risk management is in dealing with ones own psychological profile. There are many cognitive biases that can creep in to trading. Although this is admittedly less problematic with algorithmic trading if the strategy is left alone A common bias is that of loss aversion where a losing position will not be closed out due to the pain of having to realise a loss. Similarly, profits can be taken too early because the fear of losing an already gained profit can be too great. Another common bias is known as recency bias . This manifests itself when traders put too much emphasis on recent events and not on the longer term. Then of course there are the classic pair of emotional biases - fear and greed. These can often lead to under - or over-leveraging, which can cause blow-up (i. e. the account equity heading to zero or worse) or reduced profits. As can be seen, quantitative trading is an extremely complex, albeit very interesting, area of quantitative finance. I have literally scratched the surface of the topic in this article and it is already getting rather long Whole books and papers have been written about issues which I have only given a sentence or two towards. For that reason, before applying for quantitative fund trading jobs, it is necessary to carry out a significant amount of groundwork study. At the very least you will need an extensive background in statistics and econometrics, with a lot of experience in implementation, via a programming language such as MATLAB, Python or R. For more sophisticated strategies at the higher frequency end, your skill set is likely to include Linux kernel modification, CC, assembly programming and network latency optimisation. If you are interested in trying to create your own algorithmic trading strategies, my first suggestion would be to get good at programming. My preference is to build as much of the data grabber, strategy backtester and execution system by yourself as possible. If your own capital is on the line, wouldnt you sleep better at night knowing that you have fully tested your system and are aware of its pitfalls and particular issues Outsourcing this to a vendor, while potentially saving time in the short term, could be extremely expensive in the long-term. Just Getting Started with Quantitative Trading