Quantitative Trading Strategies In R Pdf

Negociação quantitativa e algorítmica Negociação quantitativa e algorítmica Essa discussão é dedicada ao comércio quantitativo e algorítmico. A primeira página deve ser vista como um ponto focal em relação aos tópicos acima mencionados. Esta primeira página está em construção e, se interessado, visite-a de tempos em tempos para ver se novas ligações de materiais chegaram. Há uma diferença entre dizer que existe previsibilidade e a capacidade de prever o quot. Embora haja sempre mais lucro na previsão de longo prazo, do ponto de vista matemático, há mais confiabilidade na previsão de curto prazo. 8220 Faça tudo o mais simples possível. 8221 (A. Einstein) Mas não é mais simples. QuotTradings não é um jogo 8211 É um teste de QI Em primeiro lugar, algumas coisas a serem consideradas em finanças, as caudas de gordura são consideradas indesejáveis ​​devido ao risco adicional que elas implicam. Por exemplo, uma estratégia de investimento pode ter um retorno esperado, após um ano, ou seja, cinco vezes seu desvio padrão. Supondo uma distribuição normal, a probabilidade de sua falha (retorno negativo) é inferior a um em um milhão na prática, pode ser maior. As distribuições normais que emergem em finanças geralmente fazem isso porque os fatores que influenciam o valor ou o preço de um recurso são matematicamente testados e o teorema do limite central fornece essa distribuição. No entanto, os eventos traumáticos do quotreal-worldquot (como um choque do petróleo, uma falência empresarial grande ou uma mudança abrupta em uma situação política) geralmente não são matematicamente bem comportados. Investopedia explica Tail Risk Quando uma carteira de investimentos é montada, assume-se que a distribuição de retornos seguirá um padrão normal. Sob esta suposição, a probabilidade de que os retornos se movam entre a média e três desvios padrão, seja positiva ou negativa, é de 99,97. Isso significa que a probabilidade de retornar movendo mais de três desvios padrão além da média é de 0,03 ou praticamente nula. No entanto, o conceito de risco de cauda sugere que a distribuição não é normal, mas distorcida e tem caudas mais gordas. As caudas mais gordas aumentam a probabilidade de um investimento se mover além de três desvios padrão. As distribuições que são caracterizadas por caudas de gordura são frequentemente vistas quando se olha para os retornos dos fundos de hedge. Investopediatermsttailrisk. asp O que podem os Quant Traders aprender de Talebs quotAntifragilequot Aqui estão alguns conjuntos de snipes que eu achei particularmente interessantes: 1) As estratégias de Momentum são mais antimestrais do que as estratégias de reversão média. Taleb não disse isso, mas esse foi o primeiro pensamento que me veio à mente. Como eu argumentava em muitos lugares, as estratégias de reversão significativas têm limites naturais de lucro (saída quando o preço reverteu para significar), mas sem perdas de parada natural (devemos comprar mais de algo se for mais barato), por isso está muito sujeito à cauda esquerda Risco, mas não pode aproveitar a boa fortuna inesperada da cauda direita. Muito frágil, pelo contrário, as estratégias de impulso têm perdas de parada naturais (saia quando o momento se inverte) e sem lucros naturais (mantenha a mesma posição enquanto persistir o momentum). Geralmente, muito antifragado Exceto: e se durante uma parada de negociação (devido ao intervalo diário durante a noite ou disjuntores), não podemos sair de uma posição de impulso no tempo. Bem, você sempre pode comprar uma opção para simular uma perda de parada. Taleb certamente aprovaria isso. 2) As estratégias de alta freqüência são mais antimestrais do que as estratégias de baixa freqüência. Taleb também não disse isso, e não tem nada a ver se é mais fácil prever os retornos de curto prazo vs. longo prazo. Uma vez que as estratégias de HF nos permitem acumular lucros muito mais rápido que os de baixa freqüência, não precisamos usar qualquer alavancagem. Então, mesmo quando não temos a menor chance de manter uma posição do sinal errado quando um Black Swan atinge, o dano será pequeno em comparação com os lucros acumulados. Assim, enquanto as estratégias de HF não se beneficiam exatamente com o risco de cauda direita, elas são pelo menos robustas em relação ao risco de cauda esquerda. 5) As correlações são impossíveis de estimar. A única coisa que podemos fazer é diminuir em 1 e comprar em -1. A Taleb odeia a otimização de portfólio Markowitz, e uma das razões é que ela depende de estimativas de covariáveis ​​de retornos de ativos. Como ele disse, um par de ativos que podem ter correlação de -0,2 durante um longo período podem ter correlação de 0,8 em outro longo período. Isto é especialmente verdadeiro em tempos de estresse financeiro. Eu concordo muito sobre este ponto: acredito que a atribuição manual de correlações com valores de -0,75, -0,5, -0,25, 0 para entradas da matriz de correlação com base em quotintuitionquot (conhecimento fundamental) pode gerar como bom desempenho fora da amostra como Qualquer número estimado meticulosamente. A questão mais fascinante é se há realmente reversão de correlações. E, em caso afirmativo, quais instrumentos podemos usar para tirar proveito disso. Talvez este artigo ajude: web-docs. stern. nyu. edusalomondocsderivativesGSAM20-20NYU20conference2004210620-20Correlation20trading. pdf 6) Backtest só pode ser usado para rejeitar uma estratégia, não para prever sua sucesso. Isso faz eco do ponto que fez o comentarista Michael Harris em um artigo anterior. Como os dados históricos nunca serão suficientemente longos para capturar todos os possíveis eventos do Black Swan que podem ocorrer no futuro, nunca saberemos se uma estratégia falhará miseravelmente. No entanto, se uma estratégia já falhou em um backtest, podemos ter certeza de que ele irá falhar novamente no futuro. Muito boa leitura: considere mais uma vez o puro jogo de jogging de moeda aleatória sem RTM. Nós dissemos que não houve uma estratégia de tempo neste caso. Mas agora suponha que encontremos uma bola de cristal antes do início do jogo, que nos diz qual será o valor final quando o jogo terminar. Lembre-se de que este valor final real provavelmente estará bem acima ou abaixo de 0. Desenhe uma linha reta no gráfico vazio do ponto de partida para o ponto final conhecido. Comece a jogar o jogo. Sempre que o gráfico estiver acima da linha, projete as caudas e tire seu dinheiro da mesa. Sempre que o gráfico estiver abaixo da linha, preveja as cabeças e coloque seu dinheiro de volta na mesa. Deve ser fácil convencer-se de que suas previsões serão muito mais precisas do que 5050 e você ganhará com sua estratégia de tempo (quotwinquot no sentido de que você fará muito melhor do que alguém que não prevê nem tempo). Isto é mesmo sem a RTM. De forma semelhante, com o investimento, se pudéssemos saber de alguma forma o retorno médio do futuro, poderemos comercializar o tempo sem a RTM. Hoje, por exemplo, sabemos que o retorno médio nos últimos 75 anos é de cerca de 10 anualizados. Entre em uma máquina do tempo e volte para 1930. Invista nos próximos 75 anos. Sempre que os retornos anualizados acumulados desde 1930 ultrapassarem os 10, aliviem as ações. Sempre que os retornos anualizados acumulados desde 1930 diminuem 10 abaixo, coloque mais dinheiro em estoque. Em 2005, você terá superado o mercado por uma margem muito boa. Isso é chamado de quotin-samplequot test. Tem uma falha óbvia, porque os investidores em 1930 não tinham idéia do que o retorno anualizado médio seria nos próximos 75 anos. Eles só sabiam quais eram os retornos anuais anualizados do passado. Se você fizer o teste novamente e apenas permitir que os investidores usem as informações disponíveis para eles no momento (um teste de quotout de amostra), a estratégia de timing de mercado não funciona. Este é um tipo simples de tempo de quotchartistquot, baseado apenas em retornos passados. Quando os retornos passados ​​são altos, alivie os estoques. Quando os retornos passados ​​são baixos, coloque mais dinheiro em ações. Em uma caminhada aleatória pura sem uma bola de cristal, sabemos que esse tipo de timing não funciona. A razão pela qual não funciona é porque, sem a bola de cristal, não podemos definir as noções de quotlowquot e quothigh. quot quotLowquot significa que o valor médio futuro e quothighquot significa quotabove o valor médio futuro, mas não sabemos o valor médio futuro . Só conhecemos o valor médio passado, e essa informação é inútil em uma caminhada aleatória pura sem RTM. A maioria dos métodos de previsão e estratégias de tempo baseadas nas previsões são mais sofisticadas. Eles costumam usar índices financeiros fundamentais como DP (relação dividendo-para-preço) ou PE (índice de preço a lucro) para fazer as previsões. O argumento é que esses índices são às vezes altos e às vezes baixos, mas não é razoável pensar que eles podem crescer ou encolher sem limites (de acordo com o infinito, como os acadêmicos muitas vezes gostam de dizer). É muito mais razoável pensar que, embora às vezes eles sejam muito altos ou muito baixos, eles devem eventualmente reverter para algum tipo de nível mais normal. RTM, em outras palavras. Se esses índices possuem RTM, é bastante sensato a hipótese de que esse RTM nas razões induzisse um efeito RTM semelhante nos retornos e que os índices podem ser usados ​​para prever os retornos futuros. Esse tipo de previsão fundamental realmente funciona. Embora a idéia geral pareça mais do que plausível, a prova está no pudim, e as teorias precisam ser testadas. É possível examinar o histórico para ver se os vários esquemas teriam funcionado no passado. Muitas pessoas fizeram esse tipo de estudos, tanto no mundo financeiro popular quanto no mundo financeiro acadêmico. O ponto-chave é que, ao testar esses tipos de métodos de previsão fundamentais para ver se eles teriam funcionado no passado, é trapaça se você usar os meios reais das variáveis ​​de previsão fundamentais calculadas durante todo o período do teste, porque Essa informação não estava disponível para os investidores no passado. Você deve testar novamente usando apenas informações disponíveis no momento. Em outras palavras, você deve fazer testes fora da amostra, não testes na amostra. A maioria dos estudos populares que chegam à conclusão de que os retornos são previsíveis são inválidos por esse motivo. Surpreendentemente, muitos dos estudos acadêmicos parecem sofrer a mesma falha fatal. Amit Goyal e Ivo Welch discutem e exploram essa visão em seu artigo, Uma Análise Completa do Desempenho Empírico de Equity Premium Prediction. Quando eles fizeram testes fora de amostra de todas as variáveis ​​de previsão populares, incluindo DP e PE, eles descobriram que nenhum deles funcionou: nosso artigo explora o desempenho fora da amostra dessas variáveis ​​e descobre que não é uma única Um teria ajudado um investidor do mundo real a superar o padrão do patrimônio histórico antigo que prevalece. A maioria teria dano absoluto. Portanto, achamos que, para todos os propósitos práticos, o prêmio de equivalência patrimonial não foi previsível. Este resultado também surpreende muitas pessoas. A sabedoria comum é que os futuros retornos do mercado de ações são altamente previsíveis usando medidas de avaliação comuns como DP e PE. A pesquisa de Goyal e Welchs indica que essa crença, como tantos outros, pode ser apenas outro exemplo de como as pessoas geralmente são enganadas pela aleatoriedade e vêem padrões em dados aleatórios que realmente não estão lá. Ainda há controvérsias na comunidade acadêmica sobre se os retornos de estoque são previsíveis e até que ponto eles podem ser previsíveis e quais as melhores variáveis ​​de previsão. Goyal e Welch lançaram dúvidas sobre essa hipótese e realizaram o valioso serviço de demonstrar o quão importante é usar apenas testes fora da amostra, mas pesquisas e debates continuam. Em qualquer caso, a previsibilidade, se existe, é claramente muito mais fraca e mais difícil de explorar do que a maioria das pessoas pensa. A Matemática Financeira e a Modelagem II (FINC 621) é uma classe de nível de pós-graduação que atualmente é oferecida na Universidade Loyola em Chicago durante O quarto de inverno. O FINC 621 explora tópicos em finanças quantitativas, matemática e programação. A classe é de natureza prática e é composta de uma conferência e de um componente de laboratório. Os laboratórios utilizam a linguagem de programação R e os alunos devem enviar suas atribuições individuais no final de cada aula. O objetivo final do FINC 621 é fornecer aos alunos ferramentas práticas que possam usar para criar, modelar e analisar estratégias de negociação simples. Alguns links R úteis Sobre o Instrutor Harry G. é um comerciante quantitativo sênior para uma empresa comercial de HFT em Chicago. Ele possui um grau master8217s em Engenharia Elétrica e um mestrado em Matemática Financeira da Universidade de Chicago. Em seu tempo livre, Harry ensina um curso de graduação em finanças quantitativas na Universidade Loyola, em Chicago. Ele também é autor de Negociação Quantitativa com R. Análise empírica de estratégias de negociação quantitativas. Uma análise empírica de estratégias de negociação quantitativas. Orientador: Andrew W. Lo. Departamento: Sloan School of Management. Editora: Massachusetts Institute of Technology Data de emissão: 2008 Além do aumento do poder de computação, crescente disponibilidade de vários fluxos de dados, introdução das trocas eletrônicas, redução dos custos de negociação e aquecimento da concorrência no setor de investimentos financeiros, estratégias de negociação quantitativas ou regras quantitativas de negociação. Evoluíram rapidamente em algumas décadas. Eles desafiam a Hipótese do Mercado Eficiente, tentando prever futuros movimentos de preços de ativos de risco a partir da informação histórica do mercado de maneiras algorítmicas ou de maneira estatística. Eles tentam encontrar alguns padrões ou tendências dos dados históricos e usá-los para superar o benchmark do mercado. Nesta pesquisa, eu introduzo várias estratégias de negociação quantitativas e investigue seus desempenhos de forma empírica, exceto pela execução de back-tests, supondo que o índice de ações da SampP 500 seja um ativo de risco para o comércio. As estratégias utilizam os dados históricos do próprio índice de ações, o movimento do volume de negociação, o movimento da taxa livre de risco e o movimento de volatilidade implícita para gerar sinais de compra ou venda. Em seguida, eu tento articular e decompor a fonte de sucessos de algumas estratégias nos back-tests em vários fatores, como padrões de tendência ou relações entre variáveis ​​de informações de mercado de maneira intuitiva. Algumas estratégias registaram performances mais altas do que o benchmark nos back-tests, no entanto, ainda é um problema, como podemos distinguir as estratégias de vencedores antecipadamente dos perdedores no início do nosso horizonte de investimento. A discreção humana, como a visão macro sobre a tendência do mercado futuro, ainda é importante para que o comércio quantitativo seja bem sucedido no longo prazo. Tese (M. B.A.) - Instituto de Tecnologia de Massachusetts, Sloan School of Management, 2008. Inclui referências bibliográficas (p. 277-280). Palavras-chave: Sloan School of Management. Minha conta