Por favor, verifique se você é um humano.
Por favor, clique em "Eu não sou um robô" para continuar.
O acesso a esta página foi negado porque acreditamos que você esteja usando ferramentas de automação para navegar no site.
Isso pode acontecer como resultado do seguinte:
Javascript está desabilitado ou bloqueado por uma extensão (bloqueadores de anúncios, por exemplo) Seu navegador não suporta cookies.
Certifique-se de que o Javascript e os cookies estejam ativados no seu navegador e que você não esteja impedindo o carregamento deles.
ID de referência: # 7f4eb0d0-1313-11e8-bd60-5149d12e2dc5.
Futuros do Mercado: Introdução aos Derivados do Tempo.
Mesmo em nossa sociedade avançada, baseada em tecnologia, ainda vivemos em grande parte à mercê do clima. Ela influencia nossas vidas e escolhas diárias e tem um enorme impacto nas receitas e lucros corporativos. Até recentemente, havia muito poucas ferramentas financeiras que ofereciam proteção das empresas contra os riscos relacionados ao clima. No entanto, o início da derivada do tempo - ao tornar o clima uma commodity comercializável - mudou tudo isso. Aqui nós olhamos como o derivativo do clima foi criado, como ele difere do seguro e como ele funciona como um instrumento financeiro.
Estima-se que quase 20% da economia dos EUA seja diretamente afetada pelo clima, e que a rentabilidade e as receitas de praticamente todos os setores - agricultura, energia, entretenimento, construção, viagens e outros - dependam, em grande parte, dos caprichos da economia. temperatura. Em um depoimento de 1998 ao Congresso, o ex-secretário de Comércio William Daley declarou: "O tempo não é apenas uma questão ambiental; é um fator econômico importante. Pelo menos 1 trilhão de dólares de nossa economia é sensível ao clima".
Os riscos enfrentados pelas empresas devido ao clima são um tanto exclusivos. As condições climáticas tendem a afetar mais o volume e o uso do que afetam diretamente o preço. Um inverno excepcionalmente quente, por exemplo, pode deixar empresas de concessionárias e de energia com excesso de oferta de petróleo ou gás natural (porque as pessoas precisam de menos para aquecer suas casas). Ou, um verão excepcionalmente frio pode deixar vazios os assentos do hotel e da companhia aérea. Embora os preços possam mudar um pouco como consequência de uma demanda excepcionalmente alta ou baixa, os ajustes de preço não compensam necessariamente as receitas perdidas resultantes de temperaturas excessivas.
Finalmente, o risco climático também é único, pois é altamente localizado, não pode ser controlado e, apesar dos grandes avanços na ciência meteorológica, ainda não pode ser previsto com precisão e consistência.
Temperatura como uma mercadoria.
Até recentemente, o seguro tem sido a principal ferramenta usada pelas empresas para proteção contra condições climáticas inesperadas. Mas o seguro fornece proteção apenas contra danos catastróficos. O seguro não faz nada para proteger contra a demanda reduzida que as empresas experimentam como resultado do clima que é mais quente ou mais frio do que o esperado.
No final da década de 1990, as pessoas começaram a perceber que, se quantificassem e indexassem o clima em termos de temperaturas médias mensais ou sazonais, e anexassem uma quantia em dólar a cada valor de índice, elas poderiam, de certo modo, "pacote" e clima comercial. Na verdade, esse tipo de negociação seria comparável à negociação de valores variáveis de índices de ações, moedas, taxas de juros e commodities agrícolas. O conceito de clima como mercadoria comercializável, portanto, começou a tomar forma.
"Em contraste com as várias perspectivas fornecidas pelo governo e pelas previsões independentes, o comércio de derivativos climáticos deu aos participantes do mercado uma visão quantificável dessas perspectivas", observou Agbeli Ameko, sócio-gerente da EnerCast.
Em 1997, ocorreu o primeiro comércio de derivativos climáticos de balcão (over-the-counter - OTC) e o campo de gestão de risco climático. De acordo com Valerie Cooper, ex-diretora executiva da Weather Risk Management Association, uma indústria de derivativos climáticos de US $ 8 bilhões desenvolveu-se dentro de alguns anos de sua criação.
Em contraste com o seguro meteorológico.
Em geral, os derivados climáticos cobrem eventos de baixo risco e alta probabilidade. O seguro meteorológico, por outro lado, geralmente cobre eventos de alto risco e baixa probabilidade, conforme definido em uma política altamente personalizada ou personalizada. Por exemplo, uma empresa pode usar um derivativo climático para se proteger contra um inverno que os meteorologistas acham que ficará 5 ° F mais quente que a média histórica (um evento de baixo risco e alta probabilidade). Nesse caso, a empresa sabe que suas receitas seriam afetadas por esse tipo de clima. Mas a mesma empresa provavelmente compraria uma apólice de seguro para proteção contra danos causados por inundações ou furacões (eventos de alto risco e baixa probabilidade).
CME Weather Futures and Options on Futures.
Em 1999, a Chicago Mercantile Exchange (CME) levou os derivativos climáticos um passo adiante e introduziu futuros e opções sobre futuros negociados em bolsa - os primeiros produtos de seu tipo. Derivados do tempo OTC são negociados de forma privada, acordos individualizados feitos entre duas partes. Mas os futuros de clima CME e opções sobre futuros são contratos padronizados negociados publicamente no mercado aberto em um ambiente de leilão eletrônico, com negociação contínua de preços e completa transparência de preços.
De um modo geral, os futuros de clima CME e opções sobre futuros são derivados negociados em bolsa que - por meio de índices específicos - refletem temperaturas médias mensais e sazonais de 15 US e cinco cidades europeias. Esses derivativos são contratos juridicamente vinculantes entre duas partes e liquidados em dinheiro. Cada contrato é baseado no valor final do índice mensal ou sazonal que é determinado pela Earth Satellite (EarthSat) Corp, uma empresa internacional especializada em tecnologias de informação geográfica. Outras empresas meteorológicas europeias determinam valores para os contratos europeus. O EarthSat trabalha com dados de temperatura fornecidos pelo Centro Nacional de Dados Climáticos (NCDC), e os dados que ele fornece são amplamente utilizados em toda a indústria de derivativos meteorológicos de balcão, bem como pela CME.
Figura 1 - Tabela de derivativos climáticos com cotação dos contratos de maio de 2005. Fonte: Weather-i ™ do Chicago Mercantile Exchange.
Os contratos meteorológicos nas cidades dos EUA para os meses de inverno estão vinculados a um índice de valores de graus de aquecimento (HDD). Esses valores representam temperaturas para os dias nos quais a energia é usada para aquecimento. Os contratos para as cidades dos EUA nos meses de verão são orientados para um índice de valores de graus-dia de arrefecimento (CDD), que representam temperaturas para os dias nos quais a energia é usada para ar condicionado. Os valores de HDD e CDD são calculados de acordo com quantos graus a temperatura média de um dia varia de uma linha de base de 65 ° Fahrenheit. (A temperatura média do dia é baseada na temperatura máxima e mínima de meia-noite a meia-noite).
Medindo os valores diários do índice.
Um valor de HDD é igual ao número de graus que a temperatura média do dia é inferior a 65 ° F. Por exemplo, a temperatura média de um dia de 40 ° F lhe daria um valor de HDD de 25 (65 - 40). Se a temperatura excedesse 65 ° F, o valor do HDD seria zero. Isso ocorre porque, em teoria, normalmente não haveria necessidade de aquecimento em um dia mais quente que 65 °.
Figura 2 - Tabela que resume as temperaturas médias diárias e o correspondente HDD e seu impacto no contrato relevante.
Um valor de CDD é igual ao número de graus que uma temperatura média diária excede 65 ° F. Por exemplo, a temperatura média de um dia de 80 ° F lhe daria um valor de CDD diário de 15 (80 - 65). Se a temperatura fosse inferior a 65 ° F, o valor do CDD seria zero. Mais uma vez, lembre-se que, em teoria, normalmente não haveria necessidade de ar condicionado se a temperatura fosse inferior a 65 ° F.
Para as cidades europeias, os futuros climáticos da CME para os meses de HDD são calculados de acordo com o quanto a temperatura média do dia é inferior a 18 ° Celsius. No entanto, os futuros climáticos CME para os meses de verão nas cidades europeias baseiam-se não no índice CDD, mas em um índice de temperaturas acumuladas, a Temperatura Média Cumulativa (CAT).
Medindo os valores mensais do índice.
Um valor de índice mensal de HDD ou CDD é simplesmente a soma de todos os valores diários de HDD ou CDD registrados naquele mês. E os valores sazonais de HDD e CDD, portanto, são simplesmente valores acumulados para os meses de inverno ou verão. Por exemplo, se houvesse 10 valores diários de HDD registrados em novembro de 2004 em Chicago, o índice de HDD de novembro de 2004 seria a soma dos 10 valores diários. Assim, se os valores de HDD para o mês fossem 25, 15, 20, 25, 18, 22, 20, 19, 21 e 23, o valor do índice mensal de HDD seria 208.
O valor de um contrato futuro de clima CME é determinado pela multiplicação do valor mensal de HDD ou CDD por $ 20. No exemplo acima, o contrato meteorológico de novembro da CME seria liquidado em US $ 4.160 (US $ 20 x 208 = US $ 4.160).
Os atuais usuários de futuros sobre clima são principalmente empresas de energia em negócios relacionados à energia. No entanto, há uma crescente conscientização e sinais de crescimento potencial no comércio de futuros climáticos entre empresas agrícolas, restaurantes e empresas envolvidas em turismo e viagens. Muitos traders de derivativos de clima OTC também negociam futuros CME Weather para fins de cobertura de suas transações de balcão.
As vantagens desses produtos estão se tornando cada vez mais conhecidas: o volume negociado de futuros climáticos CME em 2003 mais que quadruplicou em relação ao ano anterior, totalizando cerca de US $ 1,6 bilhão em valor nocional, e a dinâmica desse volume continua a aumentar.
(Para mais informações sobre os produtos da CME Weather, acesse seu site, que também oferece links para empresas e agências de pesquisa relacionadas ao clima.)
Como você troca o tempo?
O clima impacta nossas vidas diárias e grandes empresas, trazendo benefícios e riscos significativos com base na variabilidade de fatores climáticos como temperatura, vento, chuva, queda de neve, etc. A Germanwatch cita que entre 1997 e 2016, uma média impressionante de cerca de 30% dos EUA O PIB foi afetado negativamente pelo clima. Para mitigar os riscos emergentes de fatores climáticos prejudiciais, os derivados climáticos ganharam uma tremenda popularidade.
Este artigo discute o uso de derivativos climáticos, como eles são diferentes de derivativos de commodities associados, como funcionam os diversos derivativos climáticos e quem são os principais competidores na esfera derivativa do tempo.
Uso de derivados do tempo.
Os cenários a seguir indicam o uso de derivativos climáticos:
As empresas de energia podem entrar em derivativos climáticos para eliminar os riscos de variações de temperatura, levando a uma demanda e fornecimento incertos para seus negócios de energia, serviços públicos e energia. Para eliminar o risco de má produção agrícola devido ao mau tempo, as empresas agrícolas podem entrar em contratos de derivativos, que incluem casos de chuvas fortes ou baixas chuvas, condições adversas de temperatura ou impactos de ventos fortes ou queda de neve. Hedging por organizações de gerenciamento de eventos - como empresas organizadoras de esportes, empresas de turismo e viagens ou parques temáticos ao ar livre - para mitigar os impactos negativos da chuva em seus negócios de eventos. Companhias de seguros, fundos de hedge e até mesmo governos negociam derivativos climáticos, para fins de hedging Especuladores, arbitradores e criadores de mercado vão para apostas especulativas ou oportunidades de arbitragem sobre condições climáticas.
Empresas de serviços públicos, energia e energia são os maiores players do mercado de derivativos climáticos.
Exemplo de derivativos climáticos e como eles funcionam.
Derivados climáticos foram introduzidos em meados dos anos 90 como produtos OTC entre duas partes individuais, principalmente como cláusulas condicionais (como se a temperatura excedesse os graus "Z", uma parte ofereceria outro desconto de "Y" no acordo). Eles logo se tornaram populares o suficiente para serem incluídos pelas bolsas como futuros facilmente negociados, opções, swaps e opções em contratos futuros. A CME hoje oferece derivativos climáticos específicos para locais - cidades dos EUA como Des Moines ou Las Vegas e cidades globais na Europa e Ásia - para produtos específicos de temperatura. Derivados climáticos quantificam o quanto a temperatura varia da média mensal ou sazonal em uma cidade / região designada. As variações são dimensionadas para índices ponderados em dólar, permitindo um valor quantificado em dólares para variações de temperatura. Os contratos estão ligados ao índice de dias de grau de aquecimento (HDD) e dias de graus de resfriamento (CDD) com base no limite de temperatura ajustado de 65 ° F nos EUA (18 ° C na Europa). Esses valores indicam um quantum de recursos disponíveis necessários para aquecimento ou resfriamento. Se a temperatura ficar abaixo desse limite para indicar 35 ° F indicando a necessidade de aquecimento, o valor de HDD será 30 (65-35) e o valor de CDD será zero, pois não é necessário resfriamento. Para temperaturas acima desse limite de 65 ° F, digamos a 85 ° F, o HDD será zero, pois não é necessário aquecimento, enquanto o valor de CDD será 20 (85-65). Cada contrato é avaliado para cada dia (ou mês) multiplicando o valor do HDD ou CDD por $ 20. Para o primeiro caso (HDD = 30 e CDD = 0), o valor do contrato de HDD será de $ 600 e o CDD será zero. Para o segundo caso (HDD = 0 e CDD = 20), o valor do contrato de HDD será zero e o contrato de CDD será de $ 400. Usando o mecanismo acima, pode-se tomar posições de negociação apropriadas para mitigar riscos específicos de temperatura, conforme percebido por seus respectivos negócios.
Derivativos climáticos versus commodities.
Um ponto importante que diferencia os derivativos de utilidades / commodities (energia, eletricidade, agricultura) e derivativos climáticos é que o primeiro permite a proteção do preço com base em um volume específico, enquanto o segundo oferece proteção contra a utilização real ou o rendimento, independente do volume. Por exemplo, pode-se bloquear o preço de X barris de petróleo bruto ou X alqueires de milho comprando futuros de petróleo ou futuros de milho, respectivamente. Mas entrar em derivativos climáticos permite cobrir o risco total de rendimento e utilização. A temperatura abaixo de 10 graus irá resultar em danos completos à cultura do trigo; a chuva nos finais de semana em Las Vegas afetará os passeios pela cidade. Portanto, uma combinação de derivativos climáticos e de commodities é melhor para a mitigação geral de riscos. (Para mais, veja: Commodities Trading: Uma Visão Geral.)
The Bottom Line.
O mercado de derivativos climáticos cresceu globalmente com um grande investimento vindo de uma variedade de participantes. Os instrumentos climáticos são um meio útil para reduzir os riscos de condições específicas do clima. Dependendo das necessidades, podem ser utilizados derivados específicos do tempo ou uma combinação equilibrada de clima e derivados tradicionais de mercadorias para cobertura.
Estratégias de negociação de tempo
A Weather Trades é a única empresa no mundo que fornece alta precisão.
A Weather Trades é a ÚNICA empresa do mundo que fornece YEAR-AHEAD.
Desenvolvido ao longo de 22 anos, com mais de 200.000 horas de trabalho e 100.000 horas de computador.
O Líder Global em Análises Baseadas no Clima & amp; Business Intelligence.
A Weather Trades oferece a vantagem competitiva inigualável de planejar proativamente o clima com mais de um ano de antecedência! Por que esperar e reagir quando já é tarde demais? Nossos insights exclusivos usam uma metodologia proprietária de previsão baseada em matemática, estatística e dezenas de variáveis meteorológicas.
A Weather Trades é a única empresa no mundo que fornece orientação meteorológica de negócios com alta precisão para todos os 195 países e 6,4 milhões de locais em todo o mundo. Nosso portal de planejamento empresarial ajuda você a determinar os períodos de tempo mais favoráveis para seus negócios / produtos em qualquer região global, planejado ano a ano.
Desenvolvida ao longo de 22 anos com mais de 200.000 horas de trabalho e mais de 100.000 horas de computador, e gerando previsões para 6,4 milhões de locais em todos os 195 países e ilhas, uma previsão do Weather Trends divulgada há um ano é mais precisa do que qualquer outra. previsão do dia.
Estratégias de negociação de tempo
Um artigo, "Good Day Sunshine: Retorno de Ações e o Tempo", correlaciona o sol dos dias com as mudanças no preço das ações. A teoria é que o sol aumenta o humor das pessoas e o bom humor melhora as perspectivas das pessoas no mercado. O artigo conclui que “a luz do sol está altamente correlacionada de forma significativa com os retornos diários das ações. Depois de controlar a luz do sol, outras condições climáticas, como chuva e neve, não estão relacionadas a devoluções. Achei isso interessante, então tentei reproduzir os resultados.
Embora o jornal analise muitos locais diferentes, apenas olhei para Nova York. Eu obtive previsões do tempo para o dia seguinte de um feed do Twitter para tentar minimizar o viés de antecipação. Uma vez que eu tinha meus dados, organizei-os em um arquivo. csv para que eu pudesse usá-lo no meu algoritmo. O algoritmo em si é simples: se o próximo dia vai ser ensolarado ou na maior parte ensolarado, vai longo. Caso contrário, fica curto. Ele sempre compra ou vende a maior parte das ações possíveis, considerando o caixa ou posições atuais.
Essa estratégia funciona bem usando o S & P 500, particularmente em relação ao benchmark por volta de 08-09. Estou curioso para ver se há algum padrão perceptível nos valores mobiliários que façam melhor ou pior nessa estratégia, pois talvez os operadores de certas ações sejam mais ou menos afetados pelo sol.
Se você estiver interessado em usar um histórico de clima diferente, poderá ver aqui. Com um algoritmo que usa dados de uma fonte como essa, no entanto, você precisa garantir que a mudança de horário esteja correta, de modo que o clima correto afete o dia certo da negociação. Da mesma forma, observe que haveria um leve viés, já que você usaria as condições meteorológicas reais, e não as previstas.
Sinta-se à vontade para copiar o algoritmo clicando em Clonar abaixo. Você pode experimentar diferentes ações contra o clima de Nova York, ou você pode adicionar fontes climáticas diferentes que você encontrar.
O material deste site é fornecido apenas para fins informativos e não constitui uma oferta de venda, uma solicitação de compra ou uma recomendação ou endosso para qualquer segurança ou estratégia, nem constitui uma oferta para fornecer serviços de consultoria de investimento pela Quantopian. Além disso, o material não oferece opinião com relação à adequação de qualquer investimento específico ou de segurança. Nenhuma informação aqui contida deve ser considerada como uma sugestão para se envolver ou se abster de qualquer ação relacionada ao investimento, já que nenhuma das empresas da Quantopian ou de suas afiliadas está prestando consultoria de investimento, atuando como consultora de qualquer plano ou entidade sujeita a o Employee Retirement Income Security Act de 1974, conforme alterado, conta de aposentadoria individual ou anuidade de aposentadoria individual, ou dar conselhos em uma capacidade fiduciária com relação aos materiais aqui apresentados. Se você for um investidor individual ou outro investidor, entre em contato com seu consultor financeiro ou outro fiduciário não relacionado com a Quantopian sobre se qualquer ideia, estratégia, produto ou serviço de investimento descrito aqui pode ser apropriado para suas circunstâncias. Todos os investimentos envolvem risco, incluindo perda de principal. A Quantopian não garante a exatidão ou integridade das opiniões expressas no site. As opiniões estão sujeitas a alterações e podem ter se tornado não confiáveis por várias razões, incluindo mudanças nas condições de mercado ou circunstâncias econômicas.
Eu ajustei seu algoritmo para comprar / vender aleatoriamente, em vez de usar o clima histórico. O clima pode ser um indicador útil, mas, para o seu exemplo, talvez seja apenas uma entrada binária aleatória que resulta em evitar a crise de 2008-2009.
Eu estou apenas baseando isso no papel. Isso era muito mais extenso do que isso, e achava que o clima e o mercado estavam altamente correlacionados. É improvável que a suposta correlação seja resultado da aleatoriedade da grande amostra utilizada pelos autores. Se o meu teste foi bem sucedido ou não baseado na sorte é impossível dizer, e pode-se dizer isso sobre muitos backtests. Tudo o que estou dizendo é que posso reproduzir os resultados, o que parece interessante.
O material deste site é fornecido apenas para fins informativos e não constitui uma oferta de venda, uma solicitação de compra ou uma recomendação ou endosso para qualquer segurança ou estratégia, nem constitui uma oferta para fornecer serviços de consultoria de investimento pela Quantopian. Além disso, o material não oferece opinião com relação à adequação de qualquer investimento específico ou de segurança. Nenhuma informação aqui contida deve ser considerada como uma sugestão para se envolver ou se abster de qualquer ação relacionada ao investimento, já que nenhuma das empresas da Quantopian ou de suas afiliadas está prestando consultoria de investimento, atuando como consultora de qualquer plano ou entidade sujeita a o Employee Retirement Income Security Act de 1974, conforme alterado, conta de aposentadoria individual ou anuidade de aposentadoria individual, ou dar conselhos em uma capacidade fiduciária com relação aos materiais aqui apresentados. Se você for um investidor individual ou outro investidor, entre em contato com seu consultor financeiro ou outro fiduciário não relacionado com a Quantopian sobre se qualquer ideia, estratégia, produto ou serviço de investimento descrito aqui pode ser apropriado para suas circunstâncias. Todos os investimentos envolvem risco, incluindo perda de principal. A Quantopian não garante a exatidão ou integridade das opiniões expressas no site. As opiniões estão sujeitas a alterações e podem ter se tornado não confiáveis por várias razões, incluindo mudanças nas condições de mercado ou circunstâncias econômicas.
Ao fazer ajustes, descobri que a desaceleração de 2008-09 pode resultar no que parece ser um algoritmo vencedor. Eu estou querendo saber se o efeito pode estar em jogo no seu algoritmo, uma vez que parece que o seu retorno acompanha o mercado uma vez que a crise diminui.
Sim, esses curtos backtests de dados diários podem facilmente caber para evitar a crise financeira. Parte da alegria do backtesting!
Renaissance determinou isso com NYC, Greenich e onde eles estão localizados como suas áreas de teste. Eles liberaram as informações porque, depois dos custos de transação, não mostraram ganhos suficientes. É falado em "Mais dinheiro que Deus".
Em geral, acho que comparar os retornos gerais com uma marca de referência em qualquer período de tempo pode ser enganoso. Então, estamos olhando apenas para retornos de 1,3 e 10 anos.
Eu prefiro comparar o & quot; trailing & quot; Retornos de 6 meses ou 1 ano para todo o período de backtesting e seu desempenho relativo ao benchmark.
Também estou interessado em classificar esses períodos em períodos de baixa e alta e entender como consistentemente o modelo supera o benchmark em períodos de baixa (perdem menos que o benchmark) e quão consistentemente ele atende ou supera o benchmark em anos de alta.
Estou falando de períodos de subida / descida separadamente porque, em geral, em modelos quânticos, encontrar um mercado sofisticado é bem diferente de evitar / proteger um mercado em baixa.
Eu adoraria ver alguns desses números no resumo do backtest.
Outro papel para aqueles que estão interessados. Eu duvido que seja aleatoriedade.
Desculpe, algo deu errado. Tente novamente ou entre em contato enviando feedback.
Você enviou com sucesso um ticket de suporte.
Nossa equipe de suporte entrará em contato em breve.
O material deste site é fornecido apenas para fins informativos e não constitui uma oferta de venda, uma solicitação de compra ou uma recomendação ou endosso para qualquer segurança ou estratégia, nem constitui uma oferta para fornecer serviços de consultoria de investimento pela Quantopian.
Além disso, o material não oferece opinião com relação à adequação de qualquer investimento específico ou de segurança. Nenhuma informação aqui contida deve ser considerada como uma sugestão para se envolver ou se abster de qualquer ação relacionada ao investimento, já que nenhuma das empresas da Quantopian ou de suas afiliadas está prestando consultoria de investimento, atuando como consultora de qualquer plano ou entidade sujeita a o Employee Retirement Income Security Act de 1974, conforme alterado, conta de aposentadoria individual ou anuidade de aposentadoria individual, ou dar conselhos em uma capacidade fiduciária com relação aos materiais aqui apresentados. Se você for um investidor individual ou outro investidor, entre em contato com seu consultor financeiro ou outro fiduciário não relacionado com a Quantopian sobre se qualquer ideia, estratégia, produto ou serviço de investimento descrito aqui pode ser apropriado para suas circunstâncias. Todos os investimentos envolvem risco, incluindo perda de principal. A Quantopian não garante a exatidão ou integridade das opiniões expressas no site. As opiniões estão sujeitas a alterações e podem ter se tornado não confiáveis por várias razões, incluindo mudanças nas condições de mercado ou circunstâncias econômicas.
O material deste site é fornecido apenas para fins informativos e não constitui uma oferta de venda, uma solicitação de compra ou uma recomendação ou endosso para qualquer segurança ou estratégia, nem constitui uma oferta para fornecer serviços de consultoria de investimento pela Quantopian.
Além disso, o material não oferece opinião com relação à adequação de qualquer investimento específico ou de segurança. Nenhuma informação aqui contida deve ser considerada como uma sugestão para se envolver ou se abster de qualquer ação relacionada ao investimento, já que nenhuma das empresas da Quantopian ou de suas afiliadas está prestando consultoria de investimento, atuando como consultora de qualquer plano ou entidade sujeita a o Employee Retirement Income Security Act de 1974, conforme alterado, conta de aposentadoria individual ou anuidade de aposentadoria individual, ou dar conselhos em uma capacidade fiduciária com relação aos materiais aqui apresentados. Se você for um investidor individual ou outro investidor, entre em contato com seu consultor financeiro ou outro fiduciário não relacionado com a Quantopian sobre se qualquer ideia, estratégia, produto ou serviço de investimento descrito aqui pode ser apropriado para suas circunstâncias. Todos os investimentos envolvem risco, incluindo perda de principal. A Quantopian não garante a exatidão ou integridade das opiniões expressas no site. As opiniões estão sujeitas a alterações e podem ter se tornado não confiáveis por várias razões, incluindo mudanças nas condições de mercado ou circunstâncias econômicas.
Abordagem Quant para Construir Estratégias de Negociação: Parte Um.
Recentemente, Quandl entrevistou um gerente sênior de carteira quantitativa em um grande fundo de hedge. Nós falamos sobre como ela constrói estratégias de negociação - como ela transita de uma representação abstrata do mercado para algo concreto com poderes preditivos genuínos.
Você pode nos dizer como você cria novas estratégias de negociação?
Tudo começa com uma hipótese. Eu conjecturo que deve haver uma relação entre dois instrumentos, ou talvez haja um novo instrumento no mercado que esteja ganhando popularidade, ou talvez haja um fator macroeconômico incomum que descobri que impulsiona o comportamento de precificação de micro. Então eu escrevo uma equação - um modelo, se você quiser - que visa capturar esse relacionamento. Normalmente, haverá algum tipo de equação de processo que mostra como as variáveis evoluem com o tempo, com um componente aleatório (estocástico).
O próximo passo é encontrar uma solução de formato fechado para este modelo. Às vezes isso é fácil; às vezes isso leva dias e semanas de álgebra; às vezes não há solução de forma fechada e tenho que me contentar com uma aproximação. Acho muito útil o kit de ferramentas de manipulação simbólica do Mathematica nesta etapa do processo.
Ok, agora eu tenho um modelo do mercado. Eu preciso testar se é realista. Nesta fase, geralmente me volto para o Matlab. Assumo alguns valores plausíveis para vários parâmetros e executo algumas simulações. As saídas simuladas parecem razoáveis? Eles refletem, pelo menos conceitualmente, a dinâmica real do mercado?
Assumindo que o modelo passe por essa verificação de integridade, é hora de ir além da exploração ou ideação do céu azul e da pesquisa formal.
O que você quer dizer com “pesquisa formal”? E por que isso é necessário?
Refiro-me à transição de uma representação abstrata e estilizada do mercado para algo concreto e não ambíguo, com poderes preditivos genuínos.
É difícil criar modelos realmente preditivos. Mas é muito fácil se enganar pensando que você criou um modelo preditivo, quando, na verdade, você simplesmente se encaixou demais ou usou testes na amostra ou impôs um conhecimento exógeno em suas regras, ou o que você tem. A maioria dos "sistemas" desmorona no mundo real por esse motivo preciso.
Eu não quero que isso aconteça ao meu modelo; Eu vou estar arriscando dinheiro real com isso. Assim, ao longo dos anos, construí e aprimorei uma abordagem sistemática, lenta e constante que minimiza o risco de me enganar. Isso é o que eu chamo de "pesquisa formal".
Quais etapas você inclui no seu processo formal de pesquisa?
Logo no início, meu maior medo é a contaminação de dados. A história é um recurso limitado; Depois de esgotar os dados históricos para testar, você não poderá gerar mais nenhum. Estou paranóico por não ter esgotado meu suprimento de dados fora de amostra não contaminados.
Então começo dividindo meus dados históricos em partes não sobrepostas. Eu então escolho aleatoriamente para que nem eu saiba qual pedaço é qual. (Isso protege contra preconceitos subconscientes: por exemplo, ter aversão ao risco quando eu sei que meu conjunto de dados de teste é 2008, ou que estou buscando risco em 2009).
Eu designo um pedaço como meu conjunto de calibração. Eu costumo usar o Python para calibração: eu uso suas bibliotecas de otimização internas e escrevi algumas das minhas. Neste exemplo em particular, meus parâmetros são restritos e correlacionados. Então eu uso um processo de otimização de 2 etapas chamado algoritmo EM. Os otimizadores podem ser sensíveis às condições iniciais, então eu uso o Monte Carlo para escolher um número de pontos de partida no espaço da solução. Tudo isso é muito fácil de fazer em Python.
O resultado dessa calibração deve ser um conjunto de “parâmetros do modelo” - valores numéricos - que podem ser combinados com observações reais do mercado para prever outros preços de mercado.
Depois de calibrar o modelo, testei a amostra. As previsões são estáveis e os resíduos significam uma reversão? Se não, o modelo não funciona; tão simples como isso. Eu tento vários "truques" para quebrar o modelo. Por exemplo, calibre dados mensais, mas teste em dados diários. Ou eu testo parâmetros dos EUA nos dados do mercado canadense. Se o modelo reflete verdadeiramente a realidade econômica subjacente, deve ser bastante robusto para esses tipos de ataques. (Economia não muda quando você cruza fronteiras).
Então, você separa estritamente na amostra e fora da amostra; você se cega para intervalos de datas; você usa Monte Carlo para evitar vieses de ponto inicial; e você tenta vários truques de robustez. O que mais você faz para garantir que não se engane?
Eu coloco um prêmio muito alto em parcimônia. Se meu modelo requer muitos parâmetros ou tem muitos graus de liberdade, é apenas ajuste de curva; não é um modelo de todo. Então, estou constantemente tentando remover fatores. Se o modelo continuar funcionando (e permanecer "rico") com vários fatores removidos, provavelmente será um bom fator.
Uma segunda prova de robustez é se o modelo funciona bem, não importa qual estratégia de negociação você construa em cima dele. Se você só pode ganhar dinheiro usando uma regra de escala não linear complexa com todos os tipos de condições de borda, isso sugere uma falta de robustez.
Por fim, não há substituto para os dados. Penso em todos os conjuntos de dados possíveis fora da amostra em que posso testar o modelo de forma plausível: diferentes países, diferentes instrumentos, diferentes intervalos de tempo, diferentes frequências de datas. O modelo tem que trabalhar em todos eles; senão você tem viés de seleção nos resultados.
Isso parece abrangente. O que acontece depois?
Armado com um modelo calibrado, o próximo passo é construir uma simulação de PL. Resíduos de reversão média podem não ser suficientes se o conjunto de oportunidades for muito pequeno para compensar o bid-ask, ou se as explosões ocasionais matarem todos os meus lucros. Então eu preciso testar uma estratégia de negociação real usando o meu modelo. Aqui é onde eu tenho que exercitar o máximo cuidado: é muito fácil adaptar-se à curva adicionando novas variáveis livres, ou distorcer os resultados com conhecimento subconsciente, ou eliminar os valores discrepantes. Simplicidade, separação rigorosa de amostras e honestidade intelectual são importantes aqui.
Eu uso o Excel para back-testing. Esta é uma escolha deliberada: o Excel não é tão poderoso quanto o Python, e isso significa que existe um limite superior em quão complexo eu posso fazer minhas regras de negociação. Isso é uma coisa boa: uma estratégia que requer complexidade para ser lucrativa provavelmente não é uma boa estratégia em primeiro lugar.
O Excel também permite que eu veja minhas suposições explicitadas; É fácil perder o controle de tais coisas quando você está trabalhando no código. Ele me permite visualizar as estatísticas de desempenho (risco, retorno, rebaixamentos, eficiência de capital, taxa de Sharpe e assim por diante) de forma rápida e clara. Mesmo que meu modelo “funcione”, não há garantia de que uma estratégia de negociação construída em torno do modelo será economicamente viável, portanto, essas estatísticas são importantes.
Muito poucos modelos de negociação superam todas as etapas acima: formulação de blue-sky e testes de sanidade; calibração histórica e desempenho fora da amostra; back-test e rentabilidade da estratégia de negociação. Mas, para os poucos que fazem isso, agora é hora de entrar em produção. Este é um jogo totalmente diferente.
Você pode ler a segunda parte da entrevista aqui. Nele, discutimos como a produção é um jogo totalmente novo e onde obter ideias para novas estratégias. Também respondemos às perguntas do leitor na terceira parte da entrevista.
Alguma pergunta para o nosso quant? Comentários? Deixe-os abaixo e ela responderá a você. Gostaríamos de saber sobre seu processo de criação de estratégias de negociação.
Deixe uma resposta Cancelar resposta.
Abordagem de uma Quant para construir estratégias de negociação: primeira parte Uma abordagem quantitativa para construir estratégias de negociação: parte dois Uma abordagem quantitativa para construir estratégias de negociação: parte três [& # 8230]
[& # 8230] Uma abordagem quantitativa para a construção de estratégias comerciais: primeira parte [Quandl] [& # 8230;]
[& # 8230;] parte de nossa entrevista com um gerente sênior de carteira quantitativa em um grande fundo de hedge. Na primeira parte, ela discutiu a fase teórica da criação de uma estratégia de negociação quantitativa. No segundo [& # 8230;]
[& # 8230;] Статья с аггрегатора Quandl Resource Hub. [& # 8230;]
Abordagem da Quant para Construir Estratégias de Negociação: Part One [Quandl] Recentemente, Quandl entrevistou um gerente sênior de carteira quantitativa em um grande fundo de hedge. Nós falamos sobre como ela constrói estratégias de negociação como ela transita de uma representação abstrata do mercado para algo concreto com poderes preditivos genuínos. Você pode nos dizer como você cria novas estratégias de negociação? Tudo começa com uma hipótese. Eu conjecturo que deveria haver um [& # 8230;]
[& # 8230] 1. Uma abordagem Quant para construir estratégias de negociação: primeira parte [& # 8230;]
Eu achei a entrevista bastante útil. No entanto, observo que você já usou o Matlab, Python e Excel (e presumivelmente usa C # / C ++ / Java) para produção. Não é este processo de mudança entre 4 idiomas complicado? Além disso, o que é em Matlab que você não pode fazer em Python ou vice-versa? Além disso, em relação ao Excel, você não acha que, embora a visualização seja útil, ela carrega muito risco operacional (as fórmulas não são arrastadas corretamente, a planilha não é atualizada corretamente, etc.)? Adoraria ouvir sobre isso.
& gt; Este processo de mudança entre 4 idiomas não é complicado?
Não é tão complicado. Eu normalmente acho que a parte mais entediante é garantir que os dados fluam de forma consistente e suave entre diferentes aplicativos ou idiomas. A tradução de sintaxe é fácil; tradução de dados, não tanto.
& gt; O que é isso no Matlab que você não pode fazer em Python ou vice-versa?
Hoje em dia, você tem razão, não há muito o que você não pode fazer em Python. E de fato me vejo usando Python cada vez mais. Mas esse nem sempre foi o caso; A multiplicidade de bibliotecas financeiras de código aberto em Python é um fenômeno relativamente recente.
& gt; Com relação ao Excel, você não acha que, embora a visualização seja útil, ela carrega muito risco operacional (as fórmulas não são arrastadas corretamente, a planilha não é atualizada corretamente, etc.)?
Eu concordo totalmente. O Excel é frágil de várias maneiras: é fácil cometer erros operacionais, é impossível auditar; não é muito produtivo; paira nos momentos mais inconvenientes. Então você tem que ter muito cuidado em como e onde você usa o Excel. Dito isso, acho que os benefícios superam os muitos custos.
Eu achei a entrevista útil. No entanto, eu vejo que você já usou o Matlab, Python e excel (e possivelmente estaria usando C ++ / C # / Java / python para produção). Este processo não é complicado? Além disso, o que é que no Matlab você não pode fazer em Python ou vice-versa? E você não acha que o Excel é um risco operacional (você geralmente arrasta e solta fórmulas que podem introduzir erros manuais, confiar na atualização das folhas corretamente, etc.)?
[& # 8230] Uma abordagem quantitativa para construir estratégias de negociação (quandl) [& # 8230]
Abordagem muito sensata. Eu gosto especialmente da importância colocada em manter seus dados OOS sacrossantos. O único aspecto com o qual tenho dúvidas é a remoção de fatores para testar a estabilidade. Talvez seja apenas o formato de entrevista tornando as coisas um pouco menos claras. Mas eu construo modelos de uma forma bottom-up não de cima para baixo. Um novo fator adiciona informações ou não. Se o meu modelo de dois fatores tem IC mais alto do que o meu modelo de três fatores, então o terceiro fator é supérfluo e não deve ser adicionado em primeiro lugar. Então, por definição, a remoção de um fator de um modelo bem especificado sempre resultará em desempenho de previsão degradado.
Minhas desculpas, lvcm, eu não estava claro o suficiente. (Veja também minha resposta para David, up-thread).
Eu não removo fatores em minha fase de testes; Eu tento removê-los na minha fase de especificação. Se novos graus de liberdade não estiverem adicionando poder explicativo, eu os esvazio. Mas uma vez que eu passei para testes e verificações de robustez, não faz sentido remover fatores. (Na verdade, eu nem sei o que isso significa "não é como se você pudesse simplesmente" ignorar "kappa ou qualquer outra coisa".
Mantendo os dados OOS sacrossantos & # 8212; totalmente com você sobre isso. Se há uma coisa que eu gostaria de poder martelar nas cabeças das pessoas, é a importância deste passo.
Eu faço modelagem quantitativa e análise para viver. Eu fiz alguns modelos interessantes em R até agora. O problema é que eu não sou nem bom em Python nem tenho horas para aprender isso, & # 8211; ser capaz de fazer tarefas confortavelmente. Existe uma maneira de colaborar com alguém que tenha a experiência e conhecimento para fazer o teste de volta, teste de PL, etc.
É claro que posso fazer estimativas de modelos em relação aos preços históricos & # 8211; no entanto, isso não é suficiente. É necessário simular como o modelo teria sido executado se estivesse realmente operando.
Você já tentou usar o Quantopian para back-testing? Seu IDE (ambiente de desenvolvedor integrado) facilita bastante, embora exija conhecimento em Python.
Também construí um ambiente de teste de retorno em Ruby (uma linguagem de programação semelhante ao Python).
De qualquer forma, eu ficaria feliz em ajudá-lo a traduzir seu modelo em algo programático.
Este é um informativo para entrevista como quant. Você poderia dar mais detalhes sobre o uso de Monte Carlo em parâmetros & # 8217; inicialização? Mais uma vez obrigado.
Estou um pouco surpreso com este artigo. Por que fazer um modelo estocástico fora do caminho que você gasta & # 8216; semanas & # 8217; resolver com álgebra auxiliada por computador, mas depois descartar a maioria dos parâmetros? Como o produto final poderia ser diferente de outras coisas?
Você me entende mal & # 8212; minhas desculpas por não ser mais claro!
Eu tento descartar os parâmetros logo no início, quando estou especificando meu modelo. Eu vi quants com modelos com 20 parâmetros de longo prazo e 12 graus diários de liberdade. Para mim, esses modelos não são, eles são articuladores universais: eles podem se encaixar em qualquer coisa. Eu nunca arriscaria dinheiro em nada tão complexo.
Então, tento ser o mais parcimonioso possível ao criar meu modelo.
Uma vez que eu tenha definido um modelo que eu acho que é economicamente razoável e logisticamente correto, só então tento minhas verificações de robustez. E neste estágio eu não descarto parâmetros. Mas eu presto atenção às sensibilidades. Se a minha lucratividade é incrivelmente sensível a um parâmetro específico que atinge um valor específico e se desfaz em pequenas perturbações, então suspeito que meu modelo seja apenas "sortudo", não inteligente. Mas eu concordo com você que remover parâmetros totalmente neste estágio seria bobo.
Estou impressionado, o que você acha sobre a regra de gerenciamento de dinheiro, como tamanho ótimo de apostas?
Esta é uma excelente entrevista e eu aprecio que você tenha tido tempo para fornecer insights sobre o design da sua estratégia. Isso seria muito demorado, mas seria possível fornecer um exemplo real usando um sistema real (independentemente de o sistema ser lucrativo ou não). Conceitualmente eu entendo o que você está dizendo, mas seria informativo para colocar exemplos reais para as etapas. Mais uma vez, obrigado pelo seu tempo.
Eu gostaria de fazer uma pergunta básica. Eu estou começando no campo da análise quantitativa. No entanto, você parece ser bastante experiente e neste campo por um longo tempo. Gostaria de perguntar se as estratégias quantitativas ou técnicas estão lhe dando consistência & # 8216; confortável & # 8217; retorna. Você confia em um sistema ou continua a modificá-lo arbitrariamente e se você usa alguma análise fundamental também para auxiliar a análise técnica.
Você tem que continuar evoluindo com os mercados. Nenhum sistema ou estratégia única funciona para sempre.
Eu gostaria de perguntar quais são as verificações e procedimentos adicionais quando um modelo é levado ao vivo, em particular como você monitora e gerencia continuamente o modelo uma vez vivo? Você configura regras de monitoramento predefinidas ou disjuntores que desativam o modelo automaticamente? Se sim, como você constrói estes, que tipos de medidas você usa neles? Também relacionado como você identifica e lida com períodos de desempenho inferior razoável? Esse desempenho insuficiente pode tornar uma dúvida os modelos e fazer parecer que um modelo parou de funcionar quando isso não acontece.
Eu sou meio antiquado & # 8212; Eu não acredito que os disjuntores realmente funcionem. Ou, para ser mais preciso, os portfólios com disjuntores programáticos têm desempenho inferior às carteiras sem, no longo prazo. O raciocínio é que os disjuntores impedem que você saia de bons negócios com muita frequência, de tal forma que essas perdas superam as raras ocasiões em que elas evitam que você tenha grandes problemas.
Nota: Eu estou falando sobre portfólios clássicos de quantificadores aqui; execução não eletrônica ou HFT. Nos últimos casos, posso ver totalmente por que você deseja vários failafes e disjuntores; esses livros podem fugir de você muito rápido. Mas essa não é minha área de especialização.
Dentro da minha área, observei alguns padrões em modelos que se quebram. Para começar, eles raramente explodem instantaneamente; em vez disso, ou a oportunidade simplesmente desaparece (arbitrada por copycats) ou o spread lentamente e imperceptivelmente se distancia cada vez mais do valor justo e nunca volta (mudança de regime).
Por outro lado, se uma negociação diverge e então a divergência acelera, isso me cheira muito mais a capitulação. Nesses casos, quero manter minha posição e, de fato, adicionar, se puder.
Portanto, a conclusão paradoxal é que quanto mais rápido um modelo perde dinheiro, mais provável é que ainda seja válido.
Boa sorte em programar um disjuntor coerente para lidar com essa lógica!
Este é realmente um microcosmo do problema maior. Uma situação em que um disjuntor realmente ajudaria, quase certamente será uma perversão suficiente para evitar a maioria das tentativas a priori de definição. São os desconhecidos desconhecidos que te pegam, todas as vezes.
Nota importante: o acima é informado pela minha própria posição e preferência de risco. Sou superior o suficiente e bem-sucedido o suficiente para que a maximização do portfólio seja meu incentivo central. Se eu fosse mais jovem, manter meu emprego (permanecer no jogo) seria meu incentivo central. E, nesse caso, os disjuntores ajudam porque evitam perdas catastróficas e perdedoras de empregos, enquanto as perdas perdidas não aparecem em nenhum relatório da PL.
& gt; Como você identifica e lida com períodos de desempenho insuficiente?
Esta é a pergunta de cem milhões de dólares! Eu gostaria de ter uma resposta definitiva e inequívoca para lhe dar "# 8212; isso me ajudaria também
Obrigado pelo feedback. Eu tomo um pequeno conforto do fato de que os profissionais também lutam com esse tipo de pergunta.
Mais uma pergunta se eu puder & # 8212; Eu brinquei com as idéias de (mas ainda não realmente testadas / simuladas / implementadas) mais & # 8220; gradual & # 8221; tipo de gestão / monitorização, e. onde você controla digamos a quantidade de capital comprometida com um modelo específico (ou cesta de modelos) e reduza gradualmente ou diminua gradualmente ao longo do tempo, dependendo do desempenho do modelo agregado.
A ideia básica seria que o processo de gestão teria uma visão de longo prazo suficiente para não levar o modelo & # 8220; out & # 8221; dos mercados de rebaixamentos razoáveis / esperados (devido à observação de uma amostra suficientemente grande de desempenho), enquanto ainda assegurando que o modelo finalmente pare de ser negociado se os retornos forem reduzidos ou negativos para um tamanho de amostra representativo.
É claro que essa idéia não seria garantia contra perdas como tal, mas a esperança seria que isso pudesse ser suficiente para pelo menos impedir um estilo de expansão do LTCM.
(Para adicionar: eu acho que parece-me que um dos erros com o blowup LTCM foi assumindo que seus modelos sempre funcionaria e, portanto, eles não tinham plano, sem nível de monitoramento, nada para dizer-lhes sistema fora do conhecido / parâmetros esperados, reduzir a escala para preservar o capital & # 8221 ;. E eu gostaria de aprender e evitar esse tipo de erro, se for possível & # 8230;)
Você mencionou "mudança de regime" & # 8221 ;. Então, como você decide que o seu comércio perdeu o suficiente para você considerar que seu modelo não funciona mais? Eu acho que um & # 8220; Post # 3: monitoramento e manutenção & # 8221; seria legal 😀 Obrigado por compartilhar!
Tudo muito sensato. Eu achei este comentário interessante:
& # 8221; Por exemplo, eu calculo em dados mensais mas testo em dados diários. & # 8221;
Eu acho que depende do que você quer dizer com "calibração & # 8217; mas isso me pareceu um pouco incomum.
Vamos simplificar e suponha que eu esteja tentando capturar tendências (lentas) usando um crossover de média móvel. Eu brinco com dados mensais até conseguir algo que acho que funciona. Para mover para dados diários eu deveria multiplicar alguns parâmetros por.
20 (como os comprimentos médios móveis) porque há cerca de 20 dias úteis em um mês e outros por.
sqrt (20) [vários parâmetros de escala muito chatos para discutir aqui]. Mas o modelo ainda deve se comportar da mesma maneira. O volume de negócios, por exemplo, não deve aumentar quando eu passo para o diário.
Por outro lado, se eu mantiver os parâmetros iguais, em vez de pegar uma tendência de 6 meses, eu estou pegando uma tendência de 6 dias úteis. Mas o ponto ideal para a tendência seguindo a maioria dos ativos tende a ser um pouco mais lento do que isso, então é improvável que pareça tão bom. Também o meu volume de negócios será muito maior, mas então você esperaria isso. Para colocar de outra forma, eu não tenho certeza de que todos os aspectos do comportamento do mercado são "fractal". de tal modo que posso aplicar exatamente o mesmo modelo a diferentes escalas de tempo.
Oi Rob Poster original aqui. Obrigado por um comentário mais perspicaz!
Os mercados são fractais? Grande pergunta e uma que passei muitas noites debatendo sobre scotch.
Pessoalmente, acho que não, porque certos eventos exógenos atuam como uma função forçadora: chamadas de margem diárias de trocas, MTMs mensais para fundos de hedge, demonstrações financeiras trimestrais para bancos de capital aberto. Esses eventos causam * algo * para acontecer (não importa o que) nessas freqüências. Assim, nem todas as escalas de tempo são criadas iguais, e apenas acelerar / desacelerar o relógio não é * uma abordagem “neutra”.
Então, eu realmente sou muito cauteloso sobre quais estratégias eu faria com esse tipo de mudança de tempo.
Aqui está uma estratégia de brinquedo onde o deslocamento do tempo pode funcionar. Pegue 2 tiras de futuros no mesmo “espaço” - talvez trigo de inverno e primavera. Procure casos em que 1 é retrocedido e o outro em contango. Compre frente baixa, venda de volta alta, venda frente alta, compre de volta baixa. Uma estratégia totalmente simples, quase “burra”, mas para muitos pares de futuros costumava funcionar bem.
Este é um ótimo caso para mudar escalas de tempo. Essa estratégia deve funcionar se você amostrar / reequilibrar semanalmente, mensalmente ou trimestralmente - porque as variáveis de decisão são estado puro, sem caminho. Não estamos olhando para históricos de preços; nem estamos olhando para instrumentos com um componente de tempo (títulos que se acumulam, ou opções que decaem ou aleatoriamente caminham com um desvio). Então, dado que a estratégia é realmente limpa, podemos nos safar desse tipo de teste de robustez.
(Advertência: o lance-pedido é o fator complicador aqui - sua escala de tempo escolhida precisa ser grande o suficiente para permitir uma ação de preço que supere o atrito. O lance-pedido é a ruína de quantos em todos os lugares.)
Mas eu nunca aplicaria esse mesmo teste para dizer uma estratégia de acompanhamento de tendências. Isso levantaria todo tipo de questões filosóficas. O que significa para uma estratégia ter um “ponto ideal” em, digamos, 9 dias, ou 200 dias, ou sempre? Ao otimizar para esse ponto ideal, você está ajustando a curva? Ou o fato de que quase todo mundo usa 9d e 200d cria uma profecia auto-realizável, e então esses números representam algo estrutural sobre o mercado? Eu já ouvi argumentos convincentes nos dois sentidos. E se você amostrasse seus dados no intervalo X e, em seguida, fizesse médias móveis de 9X e 200X & # 8212; Isso funcionaria? Diversas questões filosóficas; Eu não tenho certeza das respostas.
Outras notas: Concordo que “calibração” foi uma escolha desleixada da palavra por mim nessa frase em particular. "Ideação" teria sido melhor. Se você está calibrando, já está introduzindo mais estrutura do que a mudança de horário pode manipular com segurança.
Você está absolutamente correto re (t) e sqrt (t) - e eu concordo com você, muito chato para discutir aqui.
Mais uma vez obrigado pelo comentário!
Eu acho que "calibrar em dados mensais, mas teste em dados diários" # 8221; significa recalibrar um modelo de rolamento (como, por exemplo, uma regressão contínua) todos os meses, mas usando dados diários. Em seguida, teste com esse modelo recalibrado no mês seguinte, novamente usando dados diários.
Meio como um método de teste para a frente?
Desculpe por não ser claro. O que eu quis dizer foi mais próximo da interpretação original de Rob: Eu construo uma ideia com dados amostrados na frequência X, mas depois a testo com dados amostrados na frequência Y. A recalibração de walk-forward ou mensal é um exercício separado, que eu empreender após o modelo ter sido "em produção" # 8221; por algum tempo.
Aves tardias obtêm o worm: dados de pagamento e força da empresa.
Em um recente artigo do Huffington Post, Nathaniel Sillin, diretor de educação financeira global da Visa, escreveu: “Entender quanto custa administrar uma casa e a importância de pagar suas contas em dia pode ajudá-lo a evitar erros dispendiosos”. De acordo, o sábio conselho de Sillin não é tão universal quanto você imagina. Pelo menos não no mundo dos negócios. A Bloomberg citou um relatório do parceiro de Quandl, Dun & amp; Bradstreet (essencialmente a Experian e Equifax do mundo dos negócios), alegando que “para grandes empresas,. . . as coisas são diferentes. Por um lado, eles.
O panorama dos dados do setor automotivo.
Desde que o homem inventou a roda pela primeira vez, nossa necessidade de otimizar a forma como nos movemos tem sido uma obsessão quase primitiva. Desde o advento do primeiro veículo motorizado até carros autônomos, a indústria automobilística evoluiu rapidamente em sua adoção da tecnologia. Estamos agora experimentando o que é provavelmente o maior avanço no setor automotivo desde que Henry Ford projetou pela primeira vez sua linha de montagem móvel: a ascensão do carro conectado. Estimativas de inteligência de BI do Scotiabank, até 2020, mais de 75% dos novos carros embarcados serão conectados à Internet. Desde a leitura das notificações do Facebook até a medição da segurança e da integridade do motor.
Icebergs, camaleões e víboras: uma pesquisa de execução de FX.
O mercado de câmbio há muito tem sido o mais descentralizado e opaco de todos os mercados. Como resultado, os operadores de FX trabalham sob grandes desvantagens informacionais em comparação com seus pares em outras classes de ativos. Diferentemente dos mercados acionários, nos quais as regulamentações da SEC determinam que as bolsas públicas informem os preços das transações e os volumes de negociação diários, o FX não possui tais fontes de dados unificadas. Não há trocas centrais, buracos ou quadros de avisos. Em vez disso, as transações de câmbio ocorrem por meio de um milhão de telefonemas, visitas de clientes, segmentos de e-mail e plataformas de negociação. Todo o mercado é over-the-counter, festa a festa, e ninguém sabe o que alguém está fazendo além.
Um artigo, "Good Day Sunshine: Retorno de Ações e o Tempo", correlaciona o sol dos dias com as mudanças no preço das ações. A teoria é que o sol aumenta o humor das pessoas e o bom humor melhora as perspectivas das pessoas no mercado. O artigo conclui que “a luz do sol está altamente correlacionada de forma significativa com os retornos diários das ações. Depois de controlar a luz do sol, outras condições climáticas, como chuva e neve, não estão relacionadas a devoluções. Achei isso interessante, então tentei reproduzir os resultados.
Embora o jornal analise muitos locais diferentes, apenas olhei para Nova York. Eu obtive previsões do tempo para o dia seguinte de um feed do Twitter para tentar minimizar o viés de antecipação. Uma vez que eu tinha meus dados, organizei-os em um arquivo. csv para que eu pudesse usá-lo no meu algoritmo. O algoritmo em si é simples: se o próximo dia vai ser ensolarado ou na maior parte ensolarado, vai longo. Caso contrário, fica curto. Ele sempre compra ou vende a maior parte das ações possíveis, considerando o caixa ou posições atuais.
Essa estratégia funciona bem usando o S & P 500, particularmente em relação ao benchmark por volta de 08-09. Estou curioso para ver se há algum padrão perceptível nos valores mobiliários que façam melhor ou pior nessa estratégia, pois talvez os operadores de certas ações sejam mais ou menos afetados pelo sol.
Se você estiver interessado em usar um histórico de clima diferente, poderá ver aqui. Com um algoritmo que usa dados de uma fonte como essa, no entanto, você precisa garantir que a mudança de horário esteja correta, de modo que o clima correto afete o dia certo da negociação. Da mesma forma, observe que haveria um leve viés, já que você usaria as condições meteorológicas reais, e não as previstas.
Sinta-se à vontade para copiar o algoritmo clicando em Clonar abaixo. Você pode experimentar diferentes ações contra o clima de Nova York, ou você pode adicionar fontes climáticas diferentes que você encontrar.
O material deste site é fornecido apenas para fins informativos e não constitui uma oferta de venda, uma solicitação de compra ou uma recomendação ou endosso para qualquer segurança ou estratégia, nem constitui uma oferta para fornecer serviços de consultoria de investimento pela Quantopian. Além disso, o material não oferece opinião com relação à adequação de qualquer investimento específico ou de segurança. Nenhuma informação aqui contida deve ser considerada como uma sugestão para se envolver ou se abster de qualquer ação relacionada ao investimento, já que nenhuma das empresas da Quantopian ou de suas afiliadas está prestando consultoria de investimento, atuando como consultora de qualquer plano ou entidade sujeita a o Employee Retirement Income Security Act de 1974, conforme alterado, conta de aposentadoria individual ou anuidade de aposentadoria individual, ou dar conselhos em uma capacidade fiduciária com relação aos materiais aqui apresentados. Se você for um investidor individual ou outro investidor, entre em contato com seu consultor financeiro ou outro fiduciário não relacionado com a Quantopian sobre se qualquer ideia, estratégia, produto ou serviço de investimento descrito aqui pode ser apropriado para suas circunstâncias. Todos os investimentos envolvem risco, incluindo perda de principal. A Quantopian não garante a exatidão ou integridade das opiniões expressas no site. As opiniões estão sujeitas a alterações e podem ter se tornado não confiáveis por várias razões, incluindo mudanças nas condições de mercado ou circunstâncias econômicas.
Eu ajustei seu algoritmo para comprar / vender aleatoriamente, em vez de usar o clima histórico. O clima pode ser um indicador útil, mas, para o seu exemplo, talvez seja apenas uma entrada binária aleatória que resulta em evitar a crise de 2008-2009.
Eu estou apenas baseando isso no papel. Isso era muito mais extenso do que isso, e achava que o clima e o mercado estavam altamente correlacionados. É improvável que a suposta correlação seja resultado da aleatoriedade da grande amostra utilizada pelos autores. Se o meu teste foi bem sucedido ou não baseado na sorte é impossível dizer, e pode-se dizer isso sobre muitos backtests. Tudo o que estou dizendo é que posso reproduzir os resultados, o que parece interessante.
O material deste site é fornecido apenas para fins informativos e não constitui uma oferta de venda, uma solicitação de compra ou uma recomendação ou endosso para qualquer segurança ou estratégia, nem constitui uma oferta para fornecer serviços de consultoria de investimento pela Quantopian. Além disso, o material não oferece opinião com relação à adequação de qualquer investimento específico ou de segurança. Nenhuma informação aqui contida deve ser considerada como uma sugestão para se envolver ou se abster de qualquer ação relacionada ao investimento, já que nenhuma das empresas da Quantopian ou de suas afiliadas está prestando consultoria de investimento, atuando como consultora de qualquer plano ou entidade sujeita a o Employee Retirement Income Security Act de 1974, conforme alterado, conta de aposentadoria individual ou anuidade de aposentadoria individual, ou dar conselhos em uma capacidade fiduciária com relação aos materiais aqui apresentados. Se você for um investidor individual ou outro investidor, entre em contato com seu consultor financeiro ou outro fiduciário não relacionado com a Quantopian sobre se qualquer ideia, estratégia, produto ou serviço de investimento descrito aqui pode ser apropriado para suas circunstâncias. Todos os investimentos envolvem risco, incluindo perda de principal. A Quantopian não garante a exatidão ou integridade das opiniões expressas no site. As opiniões estão sujeitas a alterações e podem ter se tornado não confiáveis por várias razões, incluindo mudanças nas condições de mercado ou circunstâncias econômicas.
Ao fazer ajustes, descobri que a desaceleração de 2008-09 pode resultar no que parece ser um algoritmo vencedor. Eu estou querendo saber se o efeito pode estar em jogo no seu algoritmo, uma vez que parece que o seu retorno acompanha o mercado uma vez que a crise diminui.
Sim, esses curtos backtests de dados diários podem facilmente caber para evitar a crise financeira. Parte da alegria do backtesting!
Renaissance determinou isso com NYC, Greenich e onde eles estão localizados como suas áreas de teste. Eles liberaram as informações porque, depois dos custos de transação, não mostraram ganhos suficientes. É falado em "Mais dinheiro que Deus".
Em geral, acho que comparar os retornos gerais com uma marca de referência em qualquer período de tempo pode ser enganoso. Então, estamos olhando apenas para retornos de 1,3 e 10 anos.
Eu prefiro comparar o & quot; trailing & quot; Retornos de 6 meses ou 1 ano para todo o período de backtesting e seu desempenho relativo ao benchmark.
Também estou interessado em classificar esses períodos em períodos de baixa e alta e entender como consistentemente o modelo supera o benchmark em períodos de baixa (perdem menos que o benchmark) e quão consistentemente ele atende ou supera o benchmark em anos de alta.
Estou falando de períodos de subida / descida separadamente porque, em geral, em modelos quânticos, encontrar um mercado sofisticado é bem diferente de evitar / proteger um mercado em baixa.
Eu adoraria ver alguns desses números no resumo do backtest.
Outro papel para aqueles que estão interessados. Eu duvido que seja aleatoriedade.
Desculpe, algo deu errado. Tente novamente ou entre em contato enviando feedback.
Você enviou com sucesso um ticket de suporte.
Nossa equipe de suporte entrará em contato em breve.
O material deste site é fornecido apenas para fins informativos e não constitui uma oferta de venda, uma solicitação de compra ou uma recomendação ou endosso para qualquer segurança ou estratégia, nem constitui uma oferta para fornecer serviços de consultoria de investimento pela Quantopian.
Além disso, o material não oferece opinião com relação à adequação de qualquer investimento específico ou de segurança. Nenhuma informação aqui contida deve ser considerada como uma sugestão para se envolver ou se abster de qualquer ação relacionada ao investimento, já que nenhuma das empresas da Quantopian ou de suas afiliadas está prestando consultoria de investimento, atuando como consultora de qualquer plano ou entidade sujeita a o Employee Retirement Income Security Act de 1974, conforme alterado, conta de aposentadoria individual ou anuidade de aposentadoria individual, ou dar conselhos em uma capacidade fiduciária com relação aos materiais aqui apresentados. Se você for um investidor individual ou outro investidor, entre em contato com seu consultor financeiro ou outro fiduciário não relacionado com a Quantopian sobre se qualquer ideia, estratégia, produto ou serviço de investimento descrito aqui pode ser apropriado para suas circunstâncias. Todos os investimentos envolvem risco, incluindo perda de principal. A Quantopian não garante a exatidão ou integridade das opiniões expressas no site. As opiniões estão sujeitas a alterações e podem ter se tornado não confiáveis por várias razões, incluindo mudanças nas condições de mercado ou circunstâncias econômicas.
O material deste site é fornecido apenas para fins informativos e não constitui uma oferta de venda, uma solicitação de compra ou uma recomendação ou endosso para qualquer segurança ou estratégia, nem constitui uma oferta para fornecer serviços de consultoria de investimento pela Quantopian.
Além disso, o material não oferece opinião com relação à adequação de qualquer investimento específico ou de segurança. Nenhuma informação aqui contida deve ser considerada como uma sugestão para se envolver ou se abster de qualquer ação relacionada ao investimento, já que nenhuma das empresas da Quantopian ou de suas afiliadas está prestando consultoria de investimento, atuando como consultora de qualquer plano ou entidade sujeita a o Employee Retirement Income Security Act de 1974, conforme alterado, conta de aposentadoria individual ou anuidade de aposentadoria individual, ou dar conselhos em uma capacidade fiduciária com relação aos materiais aqui apresentados. Se você for um investidor individual ou outro investidor, entre em contato com seu consultor financeiro ou outro fiduciário não relacionado com a Quantopian sobre se qualquer ideia, estratégia, produto ou serviço de investimento descrito aqui pode ser apropriado para suas circunstâncias. Todos os investimentos envolvem risco, incluindo perda de principal. A Quantopian não garante a exatidão ou integridade das opiniões expressas no site. As opiniões estão sujeitas a alterações e podem ter se tornado não confiáveis por várias razões, incluindo mudanças nas condições de mercado ou circunstâncias econômicas.
Abordagem Quant para Construir Estratégias de Negociação: Parte Um.
Recentemente, Quandl entrevistou um gerente sênior de carteira quantitativa em um grande fundo de hedge. Nós falamos sobre como ela constrói estratégias de negociação - como ela transita de uma representação abstrata do mercado para algo concreto com poderes preditivos genuínos.
Você pode nos dizer como você cria novas estratégias de negociação?
Tudo começa com uma hipótese. Eu conjecturo que deve haver uma relação entre dois instrumentos, ou talvez haja um novo instrumento no mercado que esteja ganhando popularidade, ou talvez haja um fator macroeconômico incomum que descobri que impulsiona o comportamento de precificação de micro. Então eu escrevo uma equação - um modelo, se você quiser - que visa capturar esse relacionamento. Normalmente, haverá algum tipo de equação de processo que mostra como as variáveis evoluem com o tempo, com um componente aleatório (estocástico).
O próximo passo é encontrar uma solução de formato fechado para este modelo. Às vezes isso é fácil; às vezes isso leva dias e semanas de álgebra; às vezes não há solução de forma fechada e tenho que me contentar com uma aproximação. Acho muito útil o kit de ferramentas de manipulação simbólica do Mathematica nesta etapa do processo.
Ok, agora eu tenho um modelo do mercado. Eu preciso testar se é realista. Nesta fase, geralmente me volto para o Matlab. Assumo alguns valores plausíveis para vários parâmetros e executo algumas simulações. As saídas simuladas parecem razoáveis? Eles refletem, pelo menos conceitualmente, a dinâmica real do mercado?
Assumindo que o modelo passe por essa verificação de integridade, é hora de ir além da exploração ou ideação do céu azul e da pesquisa formal.
O que você quer dizer com “pesquisa formal”? E por que isso é necessário?
Refiro-me à transição de uma representação abstrata e estilizada do mercado para algo concreto e não ambíguo, com poderes preditivos genuínos.
É difícil criar modelos realmente preditivos. Mas é muito fácil se enganar pensando que você criou um modelo preditivo, quando, na verdade, você simplesmente se encaixou demais ou usou testes na amostra ou impôs um conhecimento exógeno em suas regras, ou o que você tem. A maioria dos "sistemas" desmorona no mundo real por esse motivo preciso.
Eu não quero que isso aconteça ao meu modelo; Eu vou estar arriscando dinheiro real com isso. Assim, ao longo dos anos, construí e aprimorei uma abordagem sistemática, lenta e constante que minimiza o risco de me enganar. Isso é o que eu chamo de "pesquisa formal".
Quais etapas você inclui no seu processo formal de pesquisa?
Logo no início, meu maior medo é a contaminação de dados. A história é um recurso limitado; Depois de esgotar os dados históricos para testar, você não poderá gerar mais nenhum. Estou paranóico por não ter esgotado meu suprimento de dados fora de amostra não contaminados.
Então começo dividindo meus dados históricos em partes não sobrepostas. Eu então escolho aleatoriamente para que nem eu saiba qual pedaço é qual. (Isso protege contra preconceitos subconscientes: por exemplo, ter aversão ao risco quando eu sei que meu conjunto de dados de teste é 2008, ou que estou buscando risco em 2009).
Eu designo um pedaço como meu conjunto de calibração. Eu costumo usar o Python para calibração: eu uso suas bibliotecas de otimização internas e escrevi algumas das minhas. Neste exemplo em particular, meus parâmetros são restritos e correlacionados. Então eu uso um processo de otimização de 2 etapas chamado algoritmo EM. Os otimizadores podem ser sensíveis às condições iniciais, então eu uso o Monte Carlo para escolher um número de pontos de partida no espaço da solução. Tudo isso é muito fácil de fazer em Python.
O resultado dessa calibração deve ser um conjunto de “parâmetros do modelo” - valores numéricos - que podem ser combinados com observações reais do mercado para prever outros preços de mercado.
Depois de calibrar o modelo, testei a amostra. As previsões são estáveis e os resíduos significam uma reversão? Se não, o modelo não funciona; tão simples como isso. Eu tento vários "truques" para quebrar o modelo. Por exemplo, calibre dados mensais, mas teste em dados diários. Ou eu testo parâmetros dos EUA nos dados do mercado canadense. Se o modelo reflete verdadeiramente a realidade econômica subjacente, deve ser bastante robusto para esses tipos de ataques. (Economia não muda quando você cruza fronteiras).
Então, você separa estritamente na amostra e fora da amostra; você se cega para intervalos de datas; você usa Monte Carlo para evitar vieses de ponto inicial; e você tenta vários truques de robustez. O que mais você faz para garantir que não se engane?
Eu coloco um prêmio muito alto em parcimônia. Se meu modelo requer muitos parâmetros ou tem muitos graus de liberdade, é apenas ajuste de curva; não é um modelo de todo. Então, estou constantemente tentando remover fatores. Se o modelo continuar funcionando (e permanecer "rico") com vários fatores removidos, provavelmente será um bom fator.
Uma segunda prova de robustez é se o modelo funciona bem, não importa qual estratégia de negociação você construa em cima dele. Se você só pode ganhar dinheiro usando uma regra de escala não linear complexa com todos os tipos de condições de borda, isso sugere uma falta de robustez.
Por fim, não há substituto para os dados. Penso em todos os conjuntos de dados possíveis fora da amostra em que posso testar o modelo de forma plausível: diferentes países, diferentes instrumentos, diferentes intervalos de tempo, diferentes frequências de datas. O modelo tem que trabalhar em todos eles; senão você tem viés de seleção nos resultados.
Isso parece abrangente. O que acontece depois?
Armado com um modelo calibrado, o próximo passo é construir uma simulação de PL. Resíduos de reversão média podem não ser suficientes se o conjunto de oportunidades for muito pequeno para compensar o bid-ask, ou se as explosões ocasionais matarem todos os meus lucros. Então eu preciso testar uma estratégia de negociação real usando o meu modelo. Aqui é onde eu tenho que exercitar o máximo cuidado: é muito fácil adaptar-se à curva adicionando novas variáveis livres, ou distorcer os resultados com conhecimento subconsciente, ou eliminar os valores discrepantes. Simplicidade, separação rigorosa de amostras e honestidade intelectual são importantes aqui.
Eu uso o Excel para back-testing. Esta é uma escolha deliberada: o Excel não é tão poderoso quanto o Python, e isso significa que existe um limite superior em quão complexo eu posso fazer minhas regras de negociação. Isso é uma coisa boa: uma estratégia que requer complexidade para ser lucrativa provavelmente não é uma boa estratégia em primeiro lugar.
O Excel também permite que eu veja minhas suposições explicitadas; É fácil perder o controle de tais coisas quando você está trabalhando no código. Ele me permite visualizar as estatísticas de desempenho (risco, retorno, rebaixamentos, eficiência de capital, taxa de Sharpe e assim por diante) de forma rápida e clara. Mesmo que meu modelo “funcione”, não há garantia de que uma estratégia de negociação construída em torno do modelo será economicamente viável, portanto, essas estatísticas são importantes.
Muito poucos modelos de negociação superam todas as etapas acima: formulação de blue-sky e testes de sanidade; calibração histórica e desempenho fora da amostra; back-test e rentabilidade da estratégia de negociação. Mas, para os poucos que fazem isso, agora é hora de entrar em produção. Este é um jogo totalmente diferente.
Você pode ler a segunda parte da entrevista aqui. Nele, discutimos como a produção é um jogo totalmente novo e onde obter ideias para novas estratégias. Também respondemos às perguntas do leitor na terceira parte da entrevista.
Alguma pergunta para o nosso quant? Comentários? Deixe-os abaixo e ela responderá a você. Gostaríamos de saber sobre seu processo de criação de estratégias de negociação.
Deixe uma resposta Cancelar resposta.
Abordagem de uma Quant para construir estratégias de negociação: primeira parte Uma abordagem quantitativa para construir estratégias de negociação: parte dois Uma abordagem quantitativa para construir estratégias de negociação: parte três [& # 8230]
[& # 8230] Uma abordagem quantitativa para a construção de estratégias comerciais: primeira parte [Quandl] [& # 8230;]
[& # 8230;] parte de nossa entrevista com um gerente sênior de carteira quantitativa em um grande fundo de hedge. Na primeira parte, ela discutiu a fase teórica da criação de uma estratégia de negociação quantitativa. No segundo [& # 8230;]
[& # 8230;] Статья с аггрегатора Quandl Resource Hub. [& # 8230;]
Abordagem da Quant para Construir Estratégias de Negociação: Part One [Quandl] Recentemente, Quandl entrevistou um gerente sênior de carteira quantitativa em um grande fundo de hedge. Nós falamos sobre como ela constrói estratégias de negociação como ela transita de uma representação abstrata do mercado para algo concreto com poderes preditivos genuínos. Você pode nos dizer como você cria novas estratégias de negociação? Tudo começa com uma hipótese. Eu conjecturo que deveria haver um [& # 8230;]
[& # 8230] 1. Uma abordagem Quant para construir estratégias de negociação: primeira parte [& # 8230;]
Eu achei a entrevista bastante útil. No entanto, observo que você já usou o Matlab, Python e Excel (e presumivelmente usa C # / C ++ / Java) para produção. Não é este processo de mudança entre 4 idiomas complicado? Além disso, o que é em Matlab que você não pode fazer em Python ou vice-versa? Além disso, em relação ao Excel, você não acha que, embora a visualização seja útil, ela carrega muito risco operacional (as fórmulas não são arrastadas corretamente, a planilha não é atualizada corretamente, etc.)? Adoraria ouvir sobre isso.
& gt; Este processo de mudança entre 4 idiomas não é complicado?
Não é tão complicado. Eu normalmente acho que a parte mais entediante é garantir que os dados fluam de forma consistente e suave entre diferentes aplicativos ou idiomas. A tradução de sintaxe é fácil; tradução de dados, não tanto.
& gt; O que é isso no Matlab que você não pode fazer em Python ou vice-versa?
Hoje em dia, você tem razão, não há muito o que você não pode fazer em Python. E de fato me vejo usando Python cada vez mais. Mas esse nem sempre foi o caso; A multiplicidade de bibliotecas financeiras de código aberto em Python é um fenômeno relativamente recente.
& gt; Com relação ao Excel, você não acha que, embora a visualização seja útil, ela carrega muito risco operacional (as fórmulas não são arrastadas corretamente, a planilha não é atualizada corretamente, etc.)?
Eu concordo totalmente. O Excel é frágil de várias maneiras: é fácil cometer erros operacionais, é impossível auditar; não é muito produtivo; paira nos momentos mais inconvenientes. Então você tem que ter muito cuidado em como e onde você usa o Excel. Dito isso, acho que os benefícios superam os muitos custos.
Eu achei a entrevista útil. No entanto, eu vejo que você já usou o Matlab, Python e excel (e possivelmente estaria usando C ++ / C # / Java / python para produção). Este processo não é complicado? Além disso, o que é que no Matlab você não pode fazer em Python ou vice-versa? E você não acha que o Excel é um risco operacional (você geralmente arrasta e solta fórmulas que podem introduzir erros manuais, confiar na atualização das folhas corretamente, etc.)?
[& # 8230] Uma abordagem quantitativa para construir estratégias de negociação (quandl) [& # 8230]
Abordagem muito sensata. Eu gosto especialmente da importância colocada em manter seus dados OOS sacrossantos. O único aspecto com o qual tenho dúvidas é a remoção de fatores para testar a estabilidade. Talvez seja apenas o formato de entrevista tornando as coisas um pouco menos claras. Mas eu construo modelos de uma forma bottom-up não de cima para baixo. Um novo fator adiciona informações ou não. Se o meu modelo de dois fatores tem IC mais alto do que o meu modelo de três fatores, então o terceiro fator é supérfluo e não deve ser adicionado em primeiro lugar. Então, por definição, a remoção de um fator de um modelo bem especificado sempre resultará em desempenho de previsão degradado.
Minhas desculpas, lvcm, eu não estava claro o suficiente. (Veja também minha resposta para David, up-thread).
Eu não removo fatores em minha fase de testes; Eu tento removê-los na minha fase de especificação. Se novos graus de liberdade não estiverem adicionando poder explicativo, eu os esvazio. Mas uma vez que eu passei para testes e verificações de robustez, não faz sentido remover fatores. (Na verdade, eu nem sei o que isso significa "não é como se você pudesse simplesmente" ignorar "kappa ou qualquer outra coisa".
Mantendo os dados OOS sacrossantos & # 8212; totalmente com você sobre isso. Se há uma coisa que eu gostaria de poder martelar nas cabeças das pessoas, é a importância deste passo.
Eu faço modelagem quantitativa e análise para viver. Eu fiz alguns modelos interessantes em R até agora. O problema é que eu não sou nem bom em Python nem tenho horas para aprender isso, & # 8211; ser capaz de fazer tarefas confortavelmente. Existe uma maneira de colaborar com alguém que tenha a experiência e conhecimento para fazer o teste de volta, teste de PL, etc.
É claro que posso fazer estimativas de modelos em relação aos preços históricos & # 8211; no entanto, isso não é suficiente. É necessário simular como o modelo teria sido executado se estivesse realmente operando.
Você já tentou usar o Quantopian para back-testing? Seu IDE (ambiente de desenvolvedor integrado) facilita bastante, embora exija conhecimento em Python.
Também construí um ambiente de teste de retorno em Ruby (uma linguagem de programação semelhante ao Python).
De qualquer forma, eu ficaria feliz em ajudá-lo a traduzir seu modelo em algo programático.
Este é um informativo para entrevista como quant. Você poderia dar mais detalhes sobre o uso de Monte Carlo em parâmetros & # 8217; inicialização? Mais uma vez obrigado.
Estou um pouco surpreso com este artigo. Por que fazer um modelo estocástico fora do caminho que você gasta & # 8216; semanas & # 8217; resolver com álgebra auxiliada por computador, mas depois descartar a maioria dos parâmetros? Como o produto final poderia ser diferente de outras coisas?
Você me entende mal & # 8212; minhas desculpas por não ser mais claro!
Eu tento descartar os parâmetros logo no início, quando estou especificando meu modelo. Eu vi quants com modelos com 20 parâmetros de longo prazo e 12 graus diários de liberdade. Para mim, esses modelos não são, eles são articuladores universais: eles podem se encaixar em qualquer coisa. Eu nunca arriscaria dinheiro em nada tão complexo.
Então, tento ser o mais parcimonioso possível ao criar meu modelo.
Uma vez que eu tenha definido um modelo que eu acho que é economicamente razoável e logisticamente correto, só então tento minhas verificações de robustez. E neste estágio eu não descarto parâmetros. Mas eu presto atenção às sensibilidades. Se a minha lucratividade é incrivelmente sensível a um parâmetro específico que atinge um valor específico e se desfaz em pequenas perturbações, então suspeito que meu modelo seja apenas "sortudo", não inteligente. Mas eu concordo com você que remover parâmetros totalmente neste estágio seria bobo.
Estou impressionado, o que você acha sobre a regra de gerenciamento de dinheiro, como tamanho ótimo de apostas?
Esta é uma excelente entrevista e eu aprecio que você tenha tido tempo para fornecer insights sobre o design da sua estratégia. Isso seria muito demorado, mas seria possível fornecer um exemplo real usando um sistema real (independentemente de o sistema ser lucrativo ou não). Conceitualmente eu entendo o que você está dizendo, mas seria informativo para colocar exemplos reais para as etapas. Mais uma vez, obrigado pelo seu tempo.
Eu gostaria de fazer uma pergunta básica. Eu estou começando no campo da análise quantitativa. No entanto, você parece ser bastante experiente e neste campo por um longo tempo. Gostaria de perguntar se as estratégias quantitativas ou técnicas estão lhe dando consistência & # 8216; confortável & # 8217; retorna. Você confia em um sistema ou continua a modificá-lo arbitrariamente e se você usa alguma análise fundamental também para auxiliar a análise técnica.
Você tem que continuar evoluindo com os mercados. Nenhum sistema ou estratégia única funciona para sempre.
Eu gostaria de perguntar quais são as verificações e procedimentos adicionais quando um modelo é levado ao vivo, em particular como você monitora e gerencia continuamente o modelo uma vez vivo? Você configura regras de monitoramento predefinidas ou disjuntores que desativam o modelo automaticamente? Se sim, como você constrói estes, que tipos de medidas você usa neles? Também relacionado como você identifica e lida com períodos de desempenho inferior razoável? Esse desempenho insuficiente pode tornar uma dúvida os modelos e fazer parecer que um modelo parou de funcionar quando isso não acontece.
Eu sou meio antiquado & # 8212; Eu não acredito que os disjuntores realmente funcionem. Ou, para ser mais preciso, os portfólios com disjuntores programáticos têm desempenho inferior às carteiras sem, no longo prazo. O raciocínio é que os disjuntores impedem que você saia de bons negócios com muita frequência, de tal forma que essas perdas superam as raras ocasiões em que elas evitam que você tenha grandes problemas.
Nota: Eu estou falando sobre portfólios clássicos de quantificadores aqui; execução não eletrônica ou HFT. Nos últimos casos, posso ver totalmente por que você deseja vários failafes e disjuntores; esses livros podem fugir de você muito rápido. Mas essa não é minha área de especialização.
Dentro da minha área, observei alguns padrões em modelos que se quebram. Para começar, eles raramente explodem instantaneamente; em vez disso, ou a oportunidade simplesmente desaparece (arbitrada por copycats) ou o spread lentamente e imperceptivelmente se distancia cada vez mais do valor justo e nunca volta (mudança de regime).
Por outro lado, se uma negociação diverge e então a divergência acelera, isso me cheira muito mais a capitulação. Nesses casos, quero manter minha posição e, de fato, adicionar, se puder.
Portanto, a conclusão paradoxal é que quanto mais rápido um modelo perde dinheiro, mais provável é que ainda seja válido.
Boa sorte em programar um disjuntor coerente para lidar com essa lógica!
Este é realmente um microcosmo do problema maior. Uma situação em que um disjuntor realmente ajudaria, quase certamente será uma perversão suficiente para evitar a maioria das tentativas a priori de definição. São os desconhecidos desconhecidos que te pegam, todas as vezes.
Nota importante: o acima é informado pela minha própria posição e preferência de risco. Sou superior o suficiente e bem-sucedido o suficiente para que a maximização do portfólio seja meu incentivo central. Se eu fosse mais jovem, manter meu emprego (permanecer no jogo) seria meu incentivo central. E, nesse caso, os disjuntores ajudam porque evitam perdas catastróficas e perdedoras de empregos, enquanto as perdas perdidas não aparecem em nenhum relatório da PL.
& gt; Como você identifica e lida com períodos de desempenho insuficiente?
Esta é a pergunta de cem milhões de dólares! Eu gostaria de ter uma resposta definitiva e inequívoca para lhe dar "# 8212; isso me ajudaria também
Obrigado pelo feedback. Eu tomo um pequeno conforto do fato de que os profissionais também lutam com esse tipo de pergunta.
Mais uma pergunta se eu puder & # 8212; Eu brinquei com as idéias de (mas ainda não realmente testadas / simuladas / implementadas) mais & # 8220; gradual & # 8221; tipo de gestão / monitorização, e. onde você controla digamos a quantidade de capital comprometida com um modelo específico (ou cesta de modelos) e reduza gradualmente ou diminua gradualmente ao longo do tempo, dependendo do desempenho do modelo agregado.
A ideia básica seria que o processo de gestão teria uma visão de longo prazo suficiente para não levar o modelo & # 8220; out & # 8221; dos mercados de rebaixamentos razoáveis / esperados (devido à observação de uma amostra suficientemente grande de desempenho), enquanto ainda assegurando que o modelo finalmente pare de ser negociado se os retornos forem reduzidos ou negativos para um tamanho de amostra representativo.
É claro que essa idéia não seria garantia contra perdas como tal, mas a esperança seria que isso pudesse ser suficiente para pelo menos impedir um estilo de expansão do LTCM.
(Para adicionar: eu acho que parece-me que um dos erros com o blowup LTCM foi assumindo que seus modelos sempre funcionaria e, portanto, eles não tinham plano, sem nível de monitoramento, nada para dizer-lhes sistema fora do conhecido / parâmetros esperados, reduzir a escala para preservar o capital & # 8221 ;. E eu gostaria de aprender e evitar esse tipo de erro, se for possível & # 8230;)
Você mencionou "mudança de regime" & # 8221 ;. Então, como você decide que o seu comércio perdeu o suficiente para você considerar que seu modelo não funciona mais? Eu acho que um & # 8220; Post # 3: monitoramento e manutenção & # 8221; seria legal 😀 Obrigado por compartilhar!
Tudo muito sensato. Eu achei este comentário interessante:
& # 8221; Por exemplo, eu calculo em dados mensais mas testo em dados diários. & # 8221;
Eu acho que depende do que você quer dizer com "calibração & # 8217; mas isso me pareceu um pouco incomum.
Vamos simplificar e suponha que eu esteja tentando capturar tendências (lentas) usando um crossover de média móvel. Eu brinco com dados mensais até conseguir algo que acho que funciona. Para mover para dados diários eu deveria multiplicar alguns parâmetros por.
20 (como os comprimentos médios móveis) porque há cerca de 20 dias úteis em um mês e outros por.
sqrt (20) [vários parâmetros de escala muito chatos para discutir aqui]. Mas o modelo ainda deve se comportar da mesma maneira. O volume de negócios, por exemplo, não deve aumentar quando eu passo para o diário.
Por outro lado, se eu mantiver os parâmetros iguais, em vez de pegar uma tendência de 6 meses, eu estou pegando uma tendência de 6 dias úteis. Mas o ponto ideal para a tendência seguindo a maioria dos ativos tende a ser um pouco mais lento do que isso, então é improvável que pareça tão bom. Também o meu volume de negócios será muito maior, mas então você esperaria isso. Para colocar de outra forma, eu não tenho certeza de que todos os aspectos do comportamento do mercado são "fractal". de tal modo que posso aplicar exatamente o mesmo modelo a diferentes escalas de tempo.
Oi Rob Poster original aqui. Obrigado por um comentário mais perspicaz!
Os mercados são fractais? Grande pergunta e uma que passei muitas noites debatendo sobre scotch.
Pessoalmente, acho que não, porque certos eventos exógenos atuam como uma função forçadora: chamadas de margem diárias de trocas, MTMs mensais para fundos de hedge, demonstrações financeiras trimestrais para bancos de capital aberto. Esses eventos causam * algo * para acontecer (não importa o que) nessas freqüências. Assim, nem todas as escalas de tempo são criadas iguais, e apenas acelerar / desacelerar o relógio não é * uma abordagem “neutra”.
Então, eu realmente sou muito cauteloso sobre quais estratégias eu faria com esse tipo de mudança de tempo.
Aqui está uma estratégia de brinquedo onde o deslocamento do tempo pode funcionar. Pegue 2 tiras de futuros no mesmo “espaço” - talvez trigo de inverno e primavera. Procure casos em que 1 é retrocedido e o outro em contango. Compre frente baixa, venda de volta alta, venda frente alta, compre de volta baixa. Uma estratégia totalmente simples, quase “burra”, mas para muitos pares de futuros costumava funcionar bem.
Este é um ótimo caso para mudar escalas de tempo. Essa estratégia deve funcionar se você amostrar / reequilibrar semanalmente, mensalmente ou trimestralmente - porque as variáveis de decisão são estado puro, sem caminho. Não estamos olhando para históricos de preços; nem estamos olhando para instrumentos com um componente de tempo (títulos que se acumulam, ou opções que decaem ou aleatoriamente caminham com um desvio). Então, dado que a estratégia é realmente limpa, podemos nos safar desse tipo de teste de robustez.
(Advertência: o lance-pedido é o fator complicador aqui - sua escala de tempo escolhida precisa ser grande o suficiente para permitir uma ação de preço que supere o atrito. O lance-pedido é a ruína de quantos em todos os lugares.)
Mas eu nunca aplicaria esse mesmo teste para dizer uma estratégia de acompanhamento de tendências. Isso levantaria todo tipo de questões filosóficas. O que significa para uma estratégia ter um “ponto ideal” em, digamos, 9 dias, ou 200 dias, ou sempre? Ao otimizar para esse ponto ideal, você está ajustando a curva? Ou o fato de que quase todo mundo usa 9d e 200d cria uma profecia auto-realizável, e então esses números representam algo estrutural sobre o mercado? Eu já ouvi argumentos convincentes nos dois sentidos. E se você amostrasse seus dados no intervalo X e, em seguida, fizesse médias móveis de 9X e 200X & # 8212; Isso funcionaria? Diversas questões filosóficas; Eu não tenho certeza das respostas.
Outras notas: Concordo que “calibração” foi uma escolha desleixada da palavra por mim nessa frase em particular. "Ideação" teria sido melhor. Se você está calibrando, já está introduzindo mais estrutura do que a mudança de horário pode manipular com segurança.
Você está absolutamente correto re (t) e sqrt (t) - e eu concordo com você, muito chato para discutir aqui.
Mais uma vez obrigado pelo comentário!
Eu acho que "calibrar em dados mensais, mas teste em dados diários" # 8221; significa recalibrar um modelo de rolamento (como, por exemplo, uma regressão contínua) todos os meses, mas usando dados diários. Em seguida, teste com esse modelo recalibrado no mês seguinte, novamente usando dados diários.
Meio como um método de teste para a frente?
Desculpe por não ser claro. O que eu quis dizer foi mais próximo da interpretação original de Rob: Eu construo uma ideia com dados amostrados na frequência X, mas depois a testo com dados amostrados na frequência Y. A recalibração de walk-forward ou mensal é um exercício separado, que eu empreender após o modelo ter sido "em produção" # 8221; por algum tempo.
Aves tardias obtêm o worm: dados de pagamento e força da empresa.
Em um recente artigo do Huffington Post, Nathaniel Sillin, diretor de educação financeira global da Visa, escreveu: “Entender quanto custa administrar uma casa e a importância de pagar suas contas em dia pode ajudá-lo a evitar erros dispendiosos”. De acordo, o sábio conselho de Sillin não é tão universal quanto você imagina. Pelo menos não no mundo dos negócios. A Bloomberg citou um relatório do parceiro de Quandl, Dun & amp; Bradstreet (essencialmente a Experian e Equifax do mundo dos negócios), alegando que “para grandes empresas,. . . as coisas são diferentes. Por um lado, eles.
O panorama dos dados do setor automotivo.
Desde que o homem inventou a roda pela primeira vez, nossa necessidade de otimizar a forma como nos movemos tem sido uma obsessão quase primitiva. Desde o advento do primeiro veículo motorizado até carros autônomos, a indústria automobilística evoluiu rapidamente em sua adoção da tecnologia. Estamos agora experimentando o que é provavelmente o maior avanço no setor automotivo desde que Henry Ford projetou pela primeira vez sua linha de montagem móvel: a ascensão do carro conectado. Estimativas de inteligência de BI do Scotiabank, até 2020, mais de 75% dos novos carros embarcados serão conectados à Internet. Desde a leitura das notificações do Facebook até a medição da segurança e da integridade do motor.
Icebergs, camaleões e víboras: uma pesquisa de execução de FX.
O mercado de câmbio há muito tem sido o mais descentralizado e opaco de todos os mercados. Como resultado, os operadores de FX trabalham sob grandes desvantagens informacionais em comparação com seus pares em outras classes de ativos. Diferentemente dos mercados acionários, nos quais as regulamentações da SEC determinam que as bolsas públicas informem os preços das transações e os volumes de negociação diários, o FX não possui tais fontes de dados unificadas. Não há trocas centrais, buracos ou quadros de avisos. Em vez disso, as transações de câmbio ocorrem por meio de um milhão de telefonemas, visitas de clientes, segmentos de e-mail e plataformas de negociação. Todo o mercado é over-the-counter, festa a festa, e ninguém sabe o que alguém está fazendo além.
No comments:
Post a Comment