Definición De Estrategias De Negociación Algorítmica

Algoritmo 1. una serie de ecuaciones algebraicas. 2. una progresión lógica programada para una computadora. 3. un modelo para tomar decisiones. Algoritmo. Modelo de un algoritmo de decisión. Directrices de ACC / AHA para el manejo de pacientes con angina inestable y infarto de miocardio de elevación de segmento no ST. JACC 2000, 36: 970 - 1062. Copyright 2000, por el Colegio Americano de Cardiología y la Asociación Americana del Corazón. Permiso concedido para uso único. No se permite la reproducción posterior sin el permiso del ACC / AHA. Al183go183rithm Proceso sistemático consistente en una secuencia ordenada de pasos, cada paso dependiendo del resultado del anterior. En medicina clínica, un protocolo paso a paso para la gestión de un problema de salud en la tomografía computarizada, las fórmulas utilizadas para calcular la imagen final a partir de los datos de rayos X transmitidos. Mediev. L. algorismus. Después de Muhammad ibn-Musa al-Khwarizmi. Matemático árabe, G. arithmos. Algoritmo de números 1. un método paso a paso para resolver un problema o tomar decisiones, como para hacer un diagnóstico. 2. un procedimiento mecánico establecido para resolver ciertos problemas matemáticos. Algoritmo 1 un procedimiento paso a paso para la solución a un problema por un ordenador, utilizando operaciones matemáticas o lógicas específicas. Compare la heurística. 2 un protocolo explícito con reglas bien definidas a seguir en la resolución de un problema de salud. Algoritmo (1) Un procedimiento secuencial para resolver un problema matemático. (2) Un procedimiento paso a paso para llegar a una decisión al elegir entre múltiples opciones alternativas, vinculadas entre sí por un árbol de decisión. Algoritmo Tomada de decisiones Un conjunto lógico de reglas para resolver un problema específico, que asume que todos los datos son objetivos, que hay un número finito de soluciones al problema y que hay pasos lógicos que deben ser realizados para llegar a Cada una de esas soluciones NIHspeak Un procedimiento paso a paso para resolver un problema de una fórmula. Véase Back-propagation, Critical pathway, Algoritmo genético, Risk of ovarian cancer algorithm. 1. Un proceso que consta de pasos, cada uno dependiendo del resultado del anterior. 2. medicina clínica Un protocolo paso a paso para el manejo de un problema de salud. 3. Tomografía computarizada Las fórmulas utilizadas para el cálculo de la imagen final a partir de los datos de transmisión de rayos X. Mediev. L. algorismus. Después de Muhammad ibn-Musa al-Khwarizmi. Matemático persa, G. arithmos. Algoritmo de números conjunto escrito de preguntas estructuradas y enfocadas, cuyas respuestas forman un protocolo para el manejo de problemas específicos de salud al183go183rithm Proceso sistemático consistente en una secuencia ordenada de pasos, cada paso dependiendo del resultado del anterior. Mediev. L. algorismus. Después de Muhammad ibn-Musa al-Khwarizmi. Matemático persa, G. arithmos. Algoritmo de números, n un protocolo explícito con reglas bien definidas a seguir para resolver un problema complejo. Algoritmo un conjunto de reglas diseñadas para resolver un problema específico procediendo a través de una serie de pasos preestablecidos y lógicos. Se refiere originalmente a problemas puramente matemáticos, ahora usados ​​en una esfera más amplia, p. Para resolver problemas de diagnóstico. A menudo representado en forma de un cuadro y diagrama de línea que establece la lógica del procedimiento o programa. La cartografía de los pasos lógicos que se deben tomar en la eliminación de posibles diagnósticos que no coinciden con los signos clínicos o los hallazgos patológicos y la organización de posibles diagnósticos en orden de probabilidad. La compañía afirmó que el conjunto de algoritmos AES también incluye estrategias algorítmicas tradicionales que buscan dividir los volúmenes de negociación a lo largo del tiempo y estrategias que buscan operar al precio promedio ponderado del volumen de una acción. Desde el accidente de Flash del año pasado, ha habido mucho debate sobre la actividad algorítmica. El algoritmo Progress Apama consiste en un conjunto de herramientas que se pueden utilizar para modelar y ejecutar sofisticados algoritmos de trading. La nueva plataforma Citi Algorithmic Trading fue desarrollada por un equipo mundial de analistas y tecnólogos cuantitativos en Nueva York, Londres y Asia. Ganamos una enorme experiencia en el último año con nuestra oferta de acceso directo al mercado en Brasil, y nuestra intención siempre ha sido agregar trading algorítmico, dijo Owain Self, Jefe de Algorithmic Trading para EMEA y las Américas en UBS Investment Bank. Usando la plataforma Apama, los clientes de compra y venta de Koscoms ofrecen a sus operadores un control total para componer, desplegar y administrar estrategias de negociación algorítmica. Es el pionero de la industria y líder mundial en plataformas de negociación algorítmica neutra para corredores y sistemas de ejecución para acciones, divisas y derivados cotizados. Interfaz FIX vinculada para órdenes DMA o algorítmicas. 4 / PRNewswire-FirstCall / - Progress Software Corporation. Anunció hoy que el fondo de cobertura estadounidense HG Trading ha implementado la Plataforma de Negociación Algorithmic de Progress (R) Apama (R) para sus operaciones comerciales. El comercio algorítmico está ahora firmemente arraigado como una herramienta clave para el sector financiero - el crecimiento significativo de la cuota de negocio tomado por el comercio algorítmico ha sido liderado por la demanda de un mejor rendimiento de ejecución y habilitado por el desarrollo de algoritmos cada vez más sofisticados. En este estudio, el coste de liquidez de las ejecuciones algorítmicas SFGs fue aproximadamente 10bps mejor que el universo QSG, mientras que el coste de sincronización fue aproximadamente 8bps mejor que el universo QSG. Otros contendientes de la corona en la categoría de Best Vendor for Algorithmic Trading incluyeron Aegis, Orc, Deal Hub y Apama. Básicas de Trading Algorítmico: Conceptos y Ejemplos Loading the player. Un algoritmo es un conjunto específico de instrucciones claramente definidas destinadas a llevar a cabo una tarea o proceso. El trading algorítmico (trading automatizado, black-box trading o simplemente algo-trading) es el proceso de usar computadoras programadas para seguir un conjunto definido de instrucciones para colocar un comercio con el fin de generar beneficios a una velocidad y frecuencia que es imposible para un Comerciante humano Los conjuntos de reglas definidas se basan en el tiempo, el precio, la cantidad o cualquier modelo matemático. Aparte de las oportunidades de beneficio para el comerciante, algo-trading hace que los mercados más líquidos y hace que el comercio más sistemático por descartar impactos humanos emocionales en las actividades comerciales. Supongamos que un comerciante sigue estos sencillos criterios comerciales: Compra 50 acciones de una acción cuando su media móvil de 50 días supera el promedio móvil de 200 días Vende las acciones de la acción cuando su promedio móvil de 50 días se sitúa por debajo de la media móvil de 200 días Utilizando este conjunto de dos instrucciones sencillas, es fácil escribir un programa informático que monitorizará automáticamente el precio de las acciones (y los indicadores de media móvil) y colocará las órdenes de compra y venta cuando se cumplan las condiciones definidas. El comerciante ya no tiene que mantener un reloj para los precios en vivo y gráficos, o poner en los pedidos manualmente. El sistema de comercio algorítmico lo hace automáticamente para él, identificando correctamente la oportunidad de negociación. Algo-trading ofrece los siguientes beneficios: Operaciones ejecutadas a los mejores precios posibles Posicionamiento inmediato y preciso de pedidos comerciales (con altas posibilidades de ejecución en los niveles deseados) Operaciones Controlar simultáneamente los controles automatizados en múltiples condiciones de mercado Reducir el riesgo de errores manuales en la colocación de las operaciones Volver a probar el algoritmo, sobre la base de datos históricos y en tiempo real disponibles Reducido La posibilidad de errores por parte de los comerciantes humanos basada en factores emocionales y psicológicos La mayor parte del día actual algo-trading es el comercio de alta frecuencia (HFT), que intenta capitalizar sobre la colocación de un gran número de pedidos a velocidades muy rápidas en múltiples mercados y múltiples decisiones Parámetros, basándose en instrucciones preprogramadas. Algo-trading se utiliza en muchas formas de comercio y las actividades de inversión, incluyendo: Inversores de mediano a largo plazo o empresas de compra de lado (fondos de pensiones , Fondos de inversión, compañías de seguros) que compran en acciones en grandes cantidades pero no quieren influir en los precios de las acciones con inversiones discretas de gran volumen. Los comerciantes a corto plazo y los participantes de la parte vendedora (fabricantes de mercado, especuladores y arbitrajes) se benefician de la ejecución automatizada del comercio, además de las ayudas para la creación de liquidez suficiente para los vendedores en el mercado. Los comerciantes sistemáticos (seguidores de tendencias, comerciantes de parejas, fondos de cobertura, etc.) encuentran mucho más eficiente programar sus reglas comerciales y dejar que el programa se comercialice automáticamente. El comercio algorítmico proporciona un enfoque más sistemático al comercio activo que los métodos basados ​​en la intuición o el instinto de los comerciantes humanos. Estrategias de negociación algorítmica Cualquier estrategia para el comercio algorítmico requiere una oportunidad identificada que sea rentable en términos de ganancias mejoradas o reducción de costos. Las siguientes son estrategias comunes de trading usadas en algo-trading: Las estrategias de trading algorítmicas más comunes siguen las tendencias en las medias móviles. Canales. Movimientos del nivel de precios e indicadores técnicos relacionados. Estas son las estrategias más sencillas y fáciles de implementar a través de la negociación algorítmica, ya que estas estrategias no implican la realización de predicciones o previsiones de precios. Las operaciones se inician en función de las tendencias deseadas. Que son fáciles y sencillos de implementar a través de algoritmos sin entrar en la complejidad del análisis predictivo. El ejemplo mencionado de 50 y 200 días de media móvil es una estrategia de seguimiento de la tendencia popular. Comprar una acción cotizada dual a un precio más bajo en un mercado y venderlo simultáneamente a un precio más alto en otro mercado ofrece el diferencial de precio como beneficio libre de riesgo O arbitraje. La misma operación puede repetirse para las acciones frente a los instrumentos de futuros, ya que existen diferencias de precios de vez en cuando. La implementación de un algoritmo para identificar tales diferenciales de precios y colocar los pedidos permite oportunidades rentables de manera eficiente. Los fondos de índice han definido períodos de reequilibrio para que sus participaciones estén a la par con sus respectivos índices de referencia. Esto crea oportunidades rentables para los comerciantes algorítmicos, que capitalizar las operaciones esperadas que ofrecen beneficios de 20-80 puntos básicos dependiendo de la cantidad de acciones en el fondo índice, justo antes de reequilibrar el fondo de índice. Tales operaciones se inician a través de sistemas de negociación algorítmica para la ejecución oportuna y mejores precios. Una gran cantidad de modelos matemáticos probados, como la estrategia de negociación delta neutral, que permiten la negociación sobre la combinación de opciones y su valor subyacente. Donde las operaciones se colocan para compensar los deltas positivos y negativos para que el delta de la cartera se mantenga en cero. La estrategia de reversión media se basa en la idea de que los precios altos y bajos de un activo son un fenómeno temporal que vuelve a su valor medio periódicamente. Identificar y definir un rango de precios y un algoritmo de implementación basado en que permite que los oficios se colocan automáticamente cuando el precio del activo se rompe dentro y fuera de su rango definido. La estrategia de precio medio ponderado por volumen rompe un pedido grande y libera trozos más pequeños determinados dinámicamente de la orden al mercado usando perfiles de volumen históricos específicos de stock. El objetivo es ejecutar el pedido cerca del Precio Promedio ponderado por volumen (VWAP), beneficiándose así del precio medio. La estrategia de precios promedio ponderada en el tiempo rompe una gran orden y libera trozos más pequeños dinámicamente determinados de la orden al mercado usando intervalos de tiempo divididos de manera uniforme entre un inicio y un final. El objetivo es ejecutar la orden cerca del precio medio entre el inicio y el final, minimizando así el impacto en el mercado. Hasta que el pedido comercial se llene completamente, este algoritmo continúa enviando órdenes parciales, de acuerdo a la relación de participación definida y de acuerdo con el volumen negociado en los mercados. La estrategia de pasos relacionados envía órdenes a un porcentaje definido por el usuario de los volúmenes de mercado y aumenta o disminuye esta tasa de participación cuando el precio de la acción alcanza los niveles definidos por el usuario. La estrategia de déficit de implementación tiene como objetivo minimizar el costo de ejecución de una orden negociando el mercado en tiempo real, ahorrando así el costo de la orden y beneficiándose del costo de oportunidad de la ejecución retrasada. La estrategia aumentará la tasa de participación objetivo cuando el precio de las acciones se mueve favorablemente y disminuirlo cuando el precio de las acciones se mueve adversamente. Hay algunas clases especiales de algoritmos que intentan identificar acontecimientos en el otro lado. Estos algoritmos de sniffing, utilizados, por ejemplo, por un fabricante de mercado de venta, tienen la inteligencia integrada para identificar la existencia de cualquier algoritmo en el lado de compra de una orden grande. Esta detección a través de algoritmos ayudará al creador de mercado a identificar grandes oportunidades de pedidos y le permitirá beneficiarse al llenar los pedidos a un precio más alto. Esto a veces se identifica como de alta tecnología front-running. Requisitos técnicos para el comercio algorítmico La implementación del algoritmo usando un programa de computadora es la última parte, batida con backtesting. El desafío es transformar la estrategia identificada en un proceso computarizado integrado que tiene acceso a una cuenta de negociación para realizar pedidos. Los siguientes son necesarios: Conocimiento de programación de computadoras para programar la estrategia de negociación requerida, programadores contratados o software de comercio pre-fabricado Conectividad de red y acceso a plataformas de negociación para colocar los pedidos Acceso a feeds de datos de mercado que serán monitoreados por el algoritmo para oportunidades de colocar Órdenes La capacidad y la infraestructura para backtest el sistema una vez construido, antes de que vaya vivo en los mercados reales Datos históricos disponibles para backtesting, dependiendo de la complejidad de las reglas implementadas en el algoritmo Aquí está un ejemplo completo: Royal Dutch Shell (RDS) Bolsa de Valores (AEX) y Bolsa de Valores de Londres (LSE). Permite crear un algoritmo para identificar oportunidades de arbitraje. Debido a la diferencia horaria de una hora, AEX se abre una hora antes que LSE, seguido de ambos intercambios que operan simultáneamente durante las próximas horas y luego se negocian sólo en LSE durante La última hora a medida que se cierra AEX ¿Podemos explorar la posibilidad de negociación de arbitraje en las acciones de Royal Dutch Shell que figuran en estos dos mercados en dos monedas diferentes Un programa informático que puede leer los precios actuales del mercado Precios de feeds de LSE y AEX Tipo de cambio de GBP-EUR Capacidad de colocación de pedidos que puede encaminar el pedido al intercambio correcto Capacidad de back-testing en precios históricos El programa de computadora debe realizar lo siguiente: Leer el feed de precio entrante de acciones RDS de ambos intercambios Usando los tipos de cambio disponibles . Convertir el precio de una moneda a otro Si existe una discrepancia de precio suficientemente grande (descontando los costos de corretaje) que conduce a una oportunidad rentable, entonces ponga la orden de compra en el precio más bajo de cambio y el orden de venta en un cambio más alto Si los pedidos se ejecutan como Sin embargo, la práctica del trading algorítmico no es tan simple de mantener y ejecutar. Recuerde, si usted puede colocar un comercio algo-generado, así que puede los otros participantes del mercado. En consecuencia, los precios fluctúan en milisegundos e incluso microsegundos. En el ejemplo anterior, ¿qué sucede si su compra de comercio se ejecuta, pero vender el comercio doesnt como los precios de venta cambian en el momento en que su orden llega al mercado Usted terminará sentado con una posición abierta. Haciendo su estrategia de arbitraje sin valor. Existen riesgos y desafíos adicionales: por ejemplo, los riesgos de falla del sistema, los errores de conectividad de la red, los intervalos de tiempo entre las órdenes comerciales y la ejecución y, lo que es más importante, los algoritmos imperfectos. Cuanto más complejo sea un algoritmo, el backtesting más riguroso es necesario antes de que se ponga en acción. El análisis cuantitativo del rendimiento de un algoritmo juega un papel importante y debe ser examinado críticamente. Es emocionante ir a la automatización ayudada por computadoras con la noción de ganar dinero sin esfuerzo. Pero uno debe asegurarse de que el sistema está completamente probado y los límites requeridos se establecen. Los comerciantes analíticos deben considerar el aprendizaje de la programación y los sistemas de construcción por su cuenta, para estar seguros de la aplicación de las estrategias adecuadas de manera infalible. El uso cauteloso y las pruebas exhaustivas de algo-trading puede crear oportunidades rentables. Cómo identificar las estrategias de comercio algorítmico En este artículo quiero presentarles a los métodos por los cuales yo mismo identificar rentables estrategias de negociación algorítmica. Nuestro objetivo hoy es comprender en detalle cómo encontrar, evaluar y seleccionar tales sistemas. Ill explicar cómo la identificación de estrategias es tanto sobre las preferencias personales como sobre el rendimiento de la estrategia, cómo determinar el tipo y cantidad de datos históricos para las pruebas, cómo evaluar de manera desapasionada una estrategia comercial y, finalmente, cómo proceder hacia la fase de backtesting y la estrategia de implementación . Identificación de sus propias preferencias personales para el comercio Con el fin de ser un comerciante de éxito - discrecional o algorítmicamente - es necesario hacer algunas preguntas honestas. El comercio le proporciona la capacidad de perder dinero a un ritmo alarmante, por lo que es necesario conocer a ti mismo tanto como es necesario para entender su estrategia elegida. Yo diría que la consideración más importante en el comercio es ser consciente de su propia personalidad. El comercio, y el comercio algorítmico en particular, requiere un grado significativo de disciplina, paciencia y desapego emocional. Puesto que usted está dejando un algoritmo realizar su comercio para usted, es necesario ser resuelto para no interferir con la estrategia cuando se está ejecutando. Esto puede ser extremadamente difícil, especialmente en períodos de retiro extendido. Sin embargo, muchas estrategias que han demostrado ser altamente rentables en un backtest pueden ser arruinadas por la simple interferencia. Entender que si desea entrar en el mundo de la negociación algorítmica que será emocionalmente probado y que, para tener éxito, es necesario trabajar a través de estas dificultades La siguiente consideración es uno de los tiempos. ¿Tiene un trabajo a tiempo completo? ¿Trabaja a tiempo parcial? ¿Trabaja desde su casa o tiene un largo viaje diario? Estas preguntas le ayudarán a determinar la frecuencia de la estrategia que debe buscar. Para aquellos de ustedes en el empleo a tiempo completo, una estrategia de futuros intradía puede no ser apropiado (al menos hasta que esté totalmente automatizado). Sus limitaciones de tiempo también dictarán la metodología de la estrategia. Si su estrategia se negocia frecuentemente y depende de los costosos canales de noticias (como un terminal de Bloomberg), tendrá que ser claramente realista acerca de su capacidad para ejecutarlo con éxito mientras está en la oficina. Para aquellos que tienen mucho tiempo o las habilidades Para automatizar su estrategia, tal vez desee estudiar una estrategia de negociación de alta frecuencia más técnica (HFT). Mi creencia es que es necesario llevar a cabo una investigación continua en sus estrategias de negociación para mantener una cartera de manera consistente rentable. Pocas estrategias permanecen bajo el radar para siempre. Por lo tanto, una parte significativa del tiempo asignado al comercio será en la realización de la investigación en curso. Pregúntese si está preparado para hacer esto, ya que puede ser la diferencia entre una fuerte rentabilidad o una lenta disminución hacia las pérdidas. También necesita considerar su capital comercial. La cantidad mínima ideal generalmente aceptada para una estrategia cuantitativa es 50.000 USD (aproximadamente 35.000 para nosotros en el Reino Unido). Si yo estuviera comenzando de nuevo, empezaría con una cantidad mayor, probablemente cerca de 100,000 USD (aproximadamente 70,000). Esto se debe a que los costos de transacción pueden ser extremadamente costosos para las estrategias de media a alta frecuencia y es necesario disponer de capital suficiente para absorberlos en tiempos de reducción. Si está pensando en comenzar con menos de 10.000 dólares, entonces tendrá que restringirse a las estrategias de baja frecuencia, el comercio en uno o dos activos, como los costos de transacción se comen rápidamente en sus declaraciones. Interactive Brokers, que es uno de los corredores más amigables para aquellos con habilidades de programación, debido a su API, tiene una cuenta minorista mínimo de 10.000 USD. La habilidad de programación es un factor importante en la creación de una estrategia automatizada de negociación algorítmica. Ser informado en un lenguaje de programación como C, Java, C, Python o R le permitirá crear el almacenamiento de datos de extremo a extremo, el motor de backtest y el sistema de ejecución usted mismo. Esto tiene una serie de ventajas, el principal de los cuales es la capacidad de ser completamente consciente de todos los aspectos de la infraestructura de comercio. También le permite explorar las estrategias de mayor frecuencia, ya que estará en pleno control de su pila de tecnología. Si bien esto significa que puede probar su propio software y eliminar los errores, también significa más tiempo dedicado a la codificación de la infraestructura y menos en la aplicación de estrategias, al menos en la primera parte de su carrera de comercio algo. Usted puede encontrar que se siente cómodo de comercio en Excel o MATLAB y puede subcontratar el desarrollo de otros componentes. No recomendaría esto sin embargo, particularmente para ésos que negocian en la alta frecuencia. Usted necesita preguntarse lo que espera lograr mediante el comercio algorítmico. ¿Está interesado en un ingreso regular, por el que espera obtener ganancias de su cuenta de comercio O, está interesado en una ganancia de capital a largo plazo y puede permitirse el comercio sin la necesidad de fondos de retiro dependencia de los ingresos dictará la frecuencia de su estrategia . Los retiros de ingresos más regulares requerirán una estrategia de negociación de frecuencia más alta con menos volatilidad (es decir, una proporción Sharpe más alta). Los comerciantes a largo plazo pueden permitirse una frecuencia comercial más tranquila. Por último, no se deje engañar por la noción de convertirse en extremadamente rico en un corto espacio de tiempo Algo de comercio no es un esquema de obtener-rico-rápido - si algo puede ser un esquema de convertirse en pobres-rápido. Se necesita una disciplina, investigación, diligencia y paciencia significativas para tener éxito en el comercio algorítmico. Puede tomar meses, si no años, generar una rentabilidad consistente. Sourcing Algorithmic Trading Ideas A pesar de las percepciones comunes de lo contrario, en realidad es bastante sencillo para localizar estrategias comerciales rentables en el dominio público. Nunca las ideas comerciales han sido más fácilmente disponibles de lo que son hoy en día. Revistas de finanzas académicas, servidores de preimpresión, blogs comerciales, foros comerciales, revistas comerciales semanales y textos especializados proporcionan miles de estrategias comerciales con las cuales basar sus ideas. Nuestra meta como investigadores de comercio cuantitativo es establecer un pipeline de estrategia que nos proporcionará una corriente de ideas comerciales en curso. Idealmente, queremos crear un enfoque metódico para la obtención, evaluación e implementación de estrategias que nos encontremos. Los objetivos de la tubería son generar una cantidad consistente de nuevas ideas y proporcionarnos un marco para rechazar la mayoría de estas ideas con el mínimo de consideración emocional. Debemos ser extremadamente cuidadosos para no dejar que los sesgos cognitivos influyan en nuestra metodología de toma de decisiones. Esto podría ser tan simple como tener una preferencia por una clase de activo sobre otro (oro y otros metales preciosos vienen a la mente) porque son percibidos como más exóticos. Nuestro objetivo siempre debe ser encontrar estrategias consistentemente rentables, con expectativas positivas. La elección de la clase de activo debe basarse en otras consideraciones, como restricciones de capital de negociación, comisiones de corretaje y capacidades de apalancamiento. Si usted está completamente familiarizado con el concepto de una estrategia comercial, entonces el primer lugar para mirar es con los libros de texto establecidos. Los textos clásicos proporcionan una amplia gama de ideas más simples, más directas, con las cuales familiarizarse con el comercio cuantitativo. Aquí hay una selección que recomiendo para aquellos que son nuevos en el comercio cuantitativo, que poco a poco se vuelven más sofisticados a medida que trabajan a través de la lista: Para una lista más larga de libros de comercio cuantitativo, visite la lista de lectura QuantStart. El siguiente lugar para encontrar estrategias más sofisticadas es con los foros de comercio y blogs comerciales. Sin embargo, una nota de precaución: Muchos blogs comerciales se basan en el concepto de análisis técnico. El análisis técnico implica el uso de indicadores básicos y la psicología del comportamiento para determinar tendencias o patrones de inversión en los precios de los activos. A pesar de ser extremadamente popular en el espacio comercial general, el análisis técnico se considera algo ineficaz en la comunidad financiera cuantitativa. Algunos han sugerido que no es mejor que leer un horóscopo o estudiar las hojas de té en términos de su poder predictivo En realidad hay personas exitosas haciendo uso del análisis técnico. Sin embargo, como quants con una caja de herramientas matemática y estadística más sofisticada a nuestra disposición, podemos evaluar fácilmente la efectividad de tales estrategias basadas en TA y tomar decisiones basadas en datos en lugar de basar nuestras en consideraciones emocionales o preconcepciones. Aquí hay una lista de blogs y foros de comercio algorítmico muy respetados: Una vez que haya tenido alguna experiencia en la evaluación de estrategias más simples, es hora de ver las ofertas académicas más sofisticadas. Algunas revistas académicas serán de difícil acceso, sin altas suscripciones o costos únicos. Si usted es miembro o ex alumno de una universidad, debería poder obtener acceso a algunas de estas revistas financieras. De lo contrario, puede consultar los servidores de preimpresión. Que son depósitos de Internet de borradores tardíos de trabajos académicos que están siendo sometidos a revisión por pares. Dado que sólo estamos interesados ​​en estrategias que podemos replicar con éxito, backtest y obtener rentabilidad, una revisión por pares es de menor importancia para nosotros. La principal desventaja de las estrategias académicas es que a menudo pueden estar desfasadas, requerir datos históricos oscuros y caros, comerciar en clases de activos ilíquidos o no tener en cuenta los honorarios, el deslizamiento o la propagación. También puede ser poco claro si la estrategia de negociación se llevará a cabo con órdenes de mercado, órdenes de límite o si contiene detener las pérdidas, etc Por lo tanto, es absolutamente esencial para replicar la estrategia de ti mismo lo mejor posible, backtest y añadir en la transacción realista Los costos que incluyen tantos aspectos de las clases de activos que desea intercambiar pulg Aquí está una lista de los servidores de preimpresión más populares y revistas financieras que se pueden obtener ideas de: ¿Qué pasa con la formación de sus propias estrategias cuantitativas Esto generalmente requiere ( Pero no se limita a) experiencia en una o más de las siguientes categorías: Microestructura del mercado - Para las estrategias de frecuencia más alta, en particular, se puede hacer uso de la microestructura del mercado. Es decir, la comprensión de la dinámica del libro de pedidos con el fin de generar rentabilidad. Los diferentes mercados tendrán varias limitaciones tecnológicas, regulaciones, participantes en el mercado y restricciones que están abiertas a la explotación a través de estrategias específicas. Se trata de un área muy sofisticada y los profesionales de retail tendrán dificultades para ser competitivos en este espacio, sobre todo porque la competencia incluye fondos de cobertura cuantitativos grandes y bien capitalizados con fuertes capacidades tecnológicas. Estructura de los fondos - Los fondos de inversión colectiva, como los fondos de pensiones, las asociaciones de inversión privada (fondos de cobertura), los asesores de comercio de materias primas y los fondos mutuos se ven limitados tanto por la fuerte regulación como por sus grandes reservas de capital. Por lo tanto, ciertos comportamientos consistentes pueden ser explotados con aquellos que son más ágiles. Por ejemplo, los grandes fondos están sujetos a restricciones de capacidad debido a su tamaño. Por lo tanto, si necesitan liberar rápidamente (vender) una cantidad de valores, tendrán que escalonarla para evitar mover el mercado. Los algoritmos sofisticados pueden aprovechar esto, y otras idiosincrasias, en un proceso general conocido como arbitraje de estructura de fondos. Aprendizaje mecánico / inteligencia artificial - Los algoritmos de aprendizaje automático se han vuelto más frecuentes en los últimos años en los mercados financieros. Clasificadores (como Naive-Bayes, et al.) Combinadores de funciones no lineales (redes neuronales) y rutinas de optimización (algoritmos genéticos) se han utilizado para predecir rutas de activos o para optimizar estrategias de negociación. Si usted tiene un fondo en esta área usted puede tener una cierta penetración en cómo los algoritmos particulares se podrían aplicar a ciertos mercados. Hay, por supuesto, muchas otras áreas para quants para investigar. Pues explíqueles cómo elaborar estrategias personalizadas en detalle en un artículo posterior. Al seguir supervisando estas fuentes sobre una base semanal, o incluso diaria, se está preparando para recibir una lista coherente de estrategias de una amplia gama de fuentes. El siguiente paso es determinar cómo rechazar un gran subconjunto de estas estrategias con el fin de minimizar el desperdicio de su tiempo y backtesting recursos sobre las estrategias que probablemente no sean rentables. Evaluación de las estrategias de negociación La primera y posiblemente la más obvia consideración es si realmente entiende la estrategia. ¿Sería capaz de explicar la estrategia de forma concisa o requiere una serie de advertencias y listas de parámetros interminables? Además, ¿tiene la estrategia una buena y sólida base en la realidad? Por ejemplo, ¿podría señalar alguna racionalidad del comportamiento o restricción de la estructura del fondo que Podría estar causando el patrón (s) que está intentando explotar Esta restricción se mantendría hasta un cambio de régimen, como una perturbación dramática del entorno regulador ¿La estrategia se basa en complejas reglas estadísticas o matemáticas ¿Se aplica a cualquier serie temporal financiera o es Es específico para la clase de activos que se dice que es rentable en Usted debe estar constantemente pensando en estos factores al evaluar nuevos métodos de comercio, de lo contrario puede perder una cantidad significativa de tiempo tratando de backtest y optimizar las estrategias no rentables. Una vez que haya determinado que entiende los principios básicos de la estrategia que necesita para decidir si se ajusta a su perfil de personalidad antes mencionado. Esto no es una consideración tan vaga como suena Las estrategias difieren sustancialmente en sus características de rendimiento. Hay ciertos tipos de personalidad que pueden manejar períodos más significativos de reducción, o están dispuestos a aceptar un mayor riesgo de un mayor retorno. Despite the fact that we, as quants, try and eliminate as much cognitive bias as possible and should be able to evaluate a strategy dispassionately, biases will always creep in. Thus we need a consistent, unemotional means through which to assess the performance of strategies. Here is the list of criteria that I judge a potential new strategy by: Methodology - Is the strategy momentum based, mean-reverting, market-neutral, directional Does the strategy rely on sophisticated (or complex) statistical or machine learning techniques that are hard to understand and require a PhD in statistics to grasp Do these techniques introduce a significant quantity of parameters, which might lead to optimisation bias Is the strategy likely to withstand a regime change (i. e. potential new regulation of financial markets) Sharpe Ratio - The Sharpe ratio heuristically characterises the reward/risk ratio of the strategy. It quantifies how much return you can achieve for the level of volatility endured by the equity curve. Naturally, we need to determine the period and frequency that these returns and volatility (i. e. standard deviation) are measured over. A higher frequency strategy will require greater sampling rate of standard deviation, but a shorter overall time period of measurement, for instance. Leverage - Does the strategy require significant leverage in order to be profitable Does the strategy necessitate the use of leveraged derivatives contracts (futures, options, swaps) in order to make a return These leveraged contracts can have heavy volatility characterises and thus can easily lead to margin calls . Do you have the trading capital and the temperament for such volatility Frequency - The frequency of the strategy is intimately linked to your technology stack (and thus technological expertise), the Sharpe ratio and overall level of transaction costs. All other issues considered, higher frequency strategies require more capital, are more sophisticated and harder to implement. However, assuming your backtesting engine is sophisticated and bug-free, they will often have far higher Sharpe ratios. Volatility - Volatility is related strongly to the risk of the strategy. The Sharpe ratio characterises this. Higher volatility of the underlying asset classes, if unhedged, often leads to higher volatility in the equity curve and thus smaller Sharpe ratios. I am of course assuming that the positive volatility is approximately equal to the negative volatility. Some strategies may have greater downside volatility. You need to be aware of these attributes. Win/Loss, Average Profit/Loss - Strategies will differ in their win/loss and average profit/loss characteristics. One can have a very profitable strategy, even if the number of losing trades exceed the number of winning trades. Momentum strategies tend to have this pattern as they rely on a small number of big hits in order to be profitable. Mean-reversion strategies tend to have opposing profiles where more of the trades are winners, but the losing trades can be quite severe. Maximum Drawdown - The maximum drawdown is the largest overall peak-to-trough percentage drop on the equity curve of the strategy. Momentum strategies are well known to suffer from periods of extended drawdowns (due to a string of many incremental losing trades). Many traders will give up in periods of extended drawdown, even if historical testing has suggested this is business as usual for the strategy. You will need to determine what percentage of drawdown (and over what time period) you can accept before you cease trading your strategy. This is a highly personal decision and thus must be considered carefully. Capacity/Liquidity - At the retail level, unless you are trading in a highly illiquid instrument (like a small-cap stock), you will not have to concern yourself greatly with strategy capacity . Capacity determines the scalability of the strategy to further capital. Many of the larger hedge funds suffer from significant capacity problems as their strategies increase in capital allocation. Parameters - Certain strategies (especially those found in the machine learning community) require a large quantity of parameters. Every extra parameter that a strategy requires leaves it more vulnerable to optimisation bias (also known as curve-fitting). You should try and target strategies with as few parameters as possible or make sure you have sufficient quantities of data with which to test your strategies on. Benchmark - Nearly all strategies (unless characterised as absolute return) are measured against some performance benchmark. The benchmark is usually an index that characterises a large sample of the underlying asset class that the strategy trades in. If the strategy trades large-cap US equities, then the SP500 would be a natural benchmark to measure your strategy against. You will hear the terms alpha and beta, applied to strategies of this type. We will discuss these coefficients in depth in later articles. Notice that we have not discussed the actual returns of the strategy. Why is this In isolation, the returns actually provide us with limited information as to the effectiveness of the strategy. They dont give you an insight into leverage, volatility, benchmarks or capital requirements. Thus strategies are rarely judged on their returns alone. Always consider the risk attributes of a strategy before looking at the returns. At this stage many of the strategies found from your pipeline will be rejected out of hand, since they wont meet your capital requirements, leverage constraints, maximum drawdown tolerance or volatility preferences. The strategies that do remain can now be considered for backtesting . However, before this is possible, it is necessary to consider one final rejection criteria - that of available historical data on which to test these strategies. Obtaining Historical Data Nowadays, the breadth of the technical requirements across asset classes for historical data storage is substantial. In order to remain competitive, both the buy-side (funds) and sell-side (investment banks) invest heavily in their technical infrastructure. It is imperative to consider its importance. In particular, we are interested in timeliness, accuracy and storage requirements. I will now outline the basics of obtaining historical data and how to store it. Unfortunately this is a very deep and technical topic, so I wont be able to say everything in this article. However, I will be writing a lot more about this in the future as my prior industry experience in the financial industry was chiefly concerned with financial data acquisition, storage and access. In the previous section we had set up a strategy pipeline that allowed us to reject certain strategies based on our own personal rejection criteria. In this section we will filter more strategies based on our own preferences for obtaining historical data. The chief considerations (especially at retail practitioner level) are the costs of the data, the storage requirements and your level of technical expertise. We also need to discuss the different types of available data and the different considerations that each type of data will impose on us. Lets begin by discussing the types of data available and the key issues we will need to think about: Fundamental Data - This includes data about macroeconomic trends, such as interest rates, inflation figures, corporate actions (dividends, stock-splits), SEC filings, corporate accounts, earnings figures, crop reports, meteorological data etc. This data is often used to value companies or other assets on a fundamental basis, i. e. via some means of expected future cash flows. It does not include stock price series. Some fundamental data is freely available from government websites. Other long-term historical fundamental data can be extremely expensive. Storage requirements are often not particularly large, unless thousands of companies are being studied at once. News Data - News data is often qualitative in nature. It consists of articles, blog posts, microblog posts (tweets) and editorial. Machine learning techniques such as classifiers are often used to interpret sentiment . This data is also often freely available or cheap, via subscription to media outlets. The newer NoSQL document storage databases are designed to store this type of unstructured, qualitative data. Asset Price Data - This is the traditional data domain of the quant. It consists of time series of asset prices. Equities (stocks), fixed income products (bonds), commodities and foreign exchange prices all sit within this class. Daily historical data is often straightforward to obtain for the simpler asset classes, such as equities. However, once accuracy and cleanliness are included and statistical biases removed, the data can become expensive. In addition, time series data often possesses significant storage requirements especially when intraday data is considered. Financial Instruments - Equities, bonds, futures and the more exotic derivative options have very different characteristics and parameters. Thus there is no one size fits all database structure that can accommodate them. Significant care must be given to the design and implementation of database structures for various financial instruments. We will discuss the situation at length when we come to build a securities master database in future articles. Frequency - The higher the frequency of the data, the greater the costs and storage requirements. For low-frequency strategies, daily data is often sufficient. For high frequency strategies, it might be necessary to obtain tick-level data and even historical copies of particular trading exchange order book data. Implementing a storage engine for this type of data is very technologically intensive and only suitable for those with a strong programming/technical background. Benchmarks - The strategies described above will often be compared to a benchmark . This usually manifests itself as an additional financial time series. For equities, this is often a national stock benchmark, such as the SP500 index (US) or FTSE100 (UK). For a fixed income fund, it is useful to compare against a basket of bonds or fixed income products. The risk-free rate (i. e. appropriate interest rate) is also another widely accepted benchmark. All asset class categories possess a favoured benchmark, so it will be necessary to research this based on your particular strategy, if you wish to gain interest in your strategy externally. Technology - The technology stacks behind a financial data storage centre are complex. This article can only scratch the surface about what is involved in building one. However, it does centre around a database engine, such as a Relational Database Management System (RDBMS), such as MySQL, SQL Server, Oracle or a Document Storage Engine (i. e. NoSQL). This is accessed via business logic application code that queries the database and provides access to external tools, such as MATLAB, R or Excel. Often this business logic is written in C, C, Java or Python. You will also need to host this data somewhere, either on your own personal computer, or remotely via internet servers. Products such as Amazon Web Services have made this simpler and cheaper in recent years, but it will still require significant technical expertise to achieve in a robust manner. As can be seen, once a strategy has been identified via the pipeline it will be necessary to evaluate the availability, costs, complexity and implementation details of a particular set of historical data. You may find it is necessary to reject a strategy based solely on historical data considerations. This is a big area and teams of PhDs work at large funds making sure pricing is accurate and timely. Do not underestimate the difficulties of creating a robust data centre for your backtesting purposes I do want to say, however, that many backtesting platforms can provide this data for you automatically - at a cost. Thus it will take much of the implementation pain away from you, and you can concentrate purely on strategy implementation and optimisation. Tools like TradeStation possess this capability. However, my personal view is to implement as much as possible internally and avoid outsourcing parts of the stack to software vendors. I prefer higher frequency strategies due to their more attractive Sharpe ratios, but they are often tightly coupled to the technology stack, where advanced optimisation is critical. Now that we have discussed the issues surrounding historical data it is time to begin implementing our strategies in a backtesting engine. This will be the subject of other articles, as it is an equally large area of discussion