Kvantitative Trading Strategier Bloggen

Quant Strategies - er de for deg Kvantitative investeringsstrategier har utviklet seg til svært komplekse verktøy med advent av moderne datamaskiner, men strategierne går tilbake over 70 år. De drives vanligvis av høyt utdannede lag og bruker proprietære modeller for å øke sin evne til å slå markedet. Det er til og med hylleprogrammer som er plug-and-play for de som søker enkelhet. Quant modeller fungerer alltid bra når de testes på nytt, men deres faktiske applikasjoner og suksessrate kan diskuteres. Mens de ser ut til å fungere godt i oksemarkeder. når markeder går til haywire, blir kvantstrategier utsatt for samme risiko som enhver annen strategi. Historien En av grunnleggerne av studiet av kvantitativ teori anvendt på økonomi var Robert Merton. Du kan bare forestille seg hvor vanskelig og tidkrevende prosessen var før bruk av datamaskiner. Andre teorier i økonomi utviklet seg også fra noen av de første kvantitative studiene, inkludert grunnlaget for porteføljediversifisering basert på moderne porteføljeorientering. Bruken av både kvantitativ finansiering og kalkulator førte til mange andre vanlige verktøy, blant annet en av de mest berømte, Black-Scholes opsjonsprisformelen, som ikke bare hjelper investorer til å velge prisalternativer og utvikle strategier, men bidrar til å holde markedene i kontroll med likviditeten. Når det brukes direkte til porteføljestyring. Målet er som enhver annen investeringsstrategi. å legge til verdi, alfa eller meravkastning. Kandidater, som utviklerne kalles, komponerer komplekse matematiske modeller for å oppdage investeringsmuligheter. Det er så mange modeller der ute som quants som utvikler dem, og alle hevder å være de beste. En av investeringsstrategys bestselgende poeng er at modellen, og til slutt datamaskinen, gjør den faktiske buysell-avgjørelsen, ikke et menneske. Dette har en tendens til å fjerne enhver følelsesmessig respons som en person kan oppleve når han kjøper eller selger investeringer. Kvantstrategier er nå akseptert i investeringssamfunnet og drives av verdipapirfond, hedgefond og institusjonelle investorer. De går vanligvis etter navnet alpha generatorer. eller alfa-gens. Bak gardinen På samme måte som i guiden Oz, er noen bak gardinen som kjører prosessen. Som med hvilken som helst modell, er det bare så godt som det menneske som utvikler programmet. Mens det ikke er noe spesifikt krav for å bli en kvant, kombinerer de fleste firmaer som kjører kvantmodeller ferdighetene til investeringsanalytikere, statistikere og programmerere som koden prosessen inn i datamaskinene. På grunn av den komplekse naturen til de matematiske og statistiske modellene, er det vanlig å se legitimasjon som utdannelsesgrader og doktorgrad i økonomi, økonomi, matte og ingeniørfag. Historisk har disse gruppemedlemmene jobbet i bakkene. men som kvantmodeller ble mer vanlig, flytter kontoret til frontkontoret. Fordeler med Quant Strategies Mens den samlede suksessraten er diskutabel, er årsaken til at noen kvantstrategier fungerer, at de er basert på disiplin. Hvis modellen har rett, fortsetter disiplinen strategien å arbeide med lyndrevne datamaskiner for å utnytte ineffektivitet i markedene basert på kvantitative data. Modellene selv kan være basert på så lite som noen forhold som PE. gjeld til egenkapital og lønnsvekst, eller bruk tusenvis av innganger som samarbeider samtidig. Suksessfulle strategier kan hente på trender i sine tidlige stadier, da datamaskiner stadig driver scenarier for å finne ineffektivitet før andre gjør. Modellene er i stand til å analysere en veldig stor gruppe investeringer samtidig, der den tradisjonelle analytikeren kanskje ser på bare noen få om gangen. Skjermeprosessen kan rangere universet etter karakternivåer som 1-5 eller A-F, avhengig av modellen. Dette gjør den faktiske handelsprosessen veldig enkel ved å investere i de høyt vurderte investeringene og selge de lavt vurderte. Quant modeller åpner også variasjoner av strategier som lang, kort og longshort. Suksessfulle kvantfonde holder et godt øye med risikokontroll på grunn av deres modellers natur. De fleste strategier starter med et univers eller referanse og bruker sektor og bransjeviktinger i sine modeller. Dette gjør at midlene kan styre diversifiseringen til en viss grad uten å kompromittere modellen selv. Quant midler kjører vanligvis på lavere pris fordi de ikke trenger så mange tradisjonelle analytikere og porteføljeforvaltere å drive dem. Ulemper med Quant Strategies Det er grunner til at så mange investorer ikke fullt ut omfavner konseptet om å la en svart boks kjøre sine investeringer. For alle de vellykkede kvantfondene der ute, virker like mange som mislykkes. Dessverre for kjendisens omdømme, når de feiler, feiler de stor tid. Langsiktig kapitalforvaltning var en av de mest berømte quant hedgefondene, da den ble drevet av noen av de mest respekterte akademiske ledere og to Nobels minnesprisvinnende økonomer Myron S. Scholes og Robert C. Merton. I løpet av 1990-tallet genererte deres lag over gjennomsnittet avkastning og tiltrukket kapital fra alle typer investorer. De var berømte for ikke bare å utnytte ineffektivitet, men også å bruke enkel tilgang til kapital for å skape enorme løftede spill på markedsretninger. Den disiplinerte naturen til deres strategi skapte faktisk svakheten som førte til deres sammenbrudd. Langsiktig kapitalforvaltning ble likvidert og oppløst i begynnelsen av 2000. Dens modeller inneholdt ikke muligheten for at den russiske regjeringen kunne standardisere noen av sin egen gjeld. Denne hendelsen utløste hendelser og en kjedereaksjon forstørret av løfteskapt opprør. LTCM var så tungt involvert i andre investeringsoperasjoner at dets sammenbrudd påvirket verdensmarkedet, noe som utløste dramatiske hendelser. I det lange løp gikk føderalbanken inn for å hjelpe, og andre banker og investeringsfond støttet LTCM for å forhindre ytterligere skade. Dette er en av grunnene til at kvantfondene kan mislykkes, da de er basert på historiske hendelser som kanskje ikke inkluderer fremtidige hendelser. Mens et sterkt kvantteam stadig vil legge til nye aspekter til modellene for å forutsi fremtidige hendelser, er det umulig å forutsi fremtiden hver gang. Kvantfonde kan også bli overveldet når økonomien og markedene opplever større volatilitet enn gjennomsnittet. Kjøpesalgssignaler kan komme så fort at den høye omsetningen kan skape høye provisjoner og skattepliktige hendelser. Quant midler kan også utgjøre en fare når de markedsføres som bjørnsikre eller er basert på korte strategier. Forutsier nedgangstider. bruk av derivater og kombinere innflytelse kan være farlig. En feil sving kan føre til implosjoner, noe som ofte gjør nyheten. Bunnlinjen Kvantitative investeringsstrategier har utviklet seg fra back office-svarte bokser til vanlige investeringsverktøy. De er designet for å utnytte de beste sinnene i virksomheten og de raskeste datamaskinene til både å utnytte ineffektivitet og bruke innflytelse til å gjøre markedsbud. De kan være svært vellykkede hvis modellene har tatt med alle de riktige inngangene og er krevende nok til å forutsi unormale markedshendelser. På baksiden, mens kvantfondene er strengt testet tilbake til de jobber, er deres svakhet at de stole på historiske data for deres suksess. Mens investering i kvant-stil har sin plass i markedet, er det viktig å være oppmerksom på manglene og risikoen. Å være konsistent med diversifiseringsstrategier. det er en god ide å behandle kvantstrategier som en investeringsstil og kombinere den med tradisjonelle strategier for å oppnå riktig diversifisering. En økonomisk teori om total utgifter i økonomien og dens effekter på produksjon og inflasjon. Keynesian økonomi ble utviklet. En beholdning av en eiendel i en portefølje. En porteføljeinvestering er laget med forventning om å tjene en avkastning på den. Dette. Et forhold utviklet av Jack Treynor som måler avkastning opptjent over det som kunne vært opptjent på en risikofri. Tilbakekjøp av utestående aksjer (tilbakekjøp) av et selskap for å redusere antall aksjer på markedet. Selskaper. En skattemessig tilbakebetaling er refusjon på skatter betales til en person eller husstand når den faktiske skatteforpliktelsen er mindre enn beløpet. Den monetære verdien av alle ferdige varer og tjenester som produseres innen et land grenser i en bestemt tidsperiode. Kvantitativ handel Mye har blitt skrevet om strategien etter inntjeningsmeldingen (PEAD) (se for eksempel boken min), men mindre ble skrevet om pre - earnings announcement strategier. Det endret seg nylig med publisering av to papirer. På samme måte som med PEAD, bruker disse pre-announcement strategiene ikke noen faktiske inntjenings tall eller til og med estimater. De er helt basert på kunngjøringsdatoer (forventet eller faktisk) og kanskje nylig prisbevegelse. Den første, av So og Wang 2014, foreslår ulike enkle, gjennomsnittlige reverseringsstrategier for amerikanske aksjer som inngår i stillinger på markedet, like før en forventet kunngjøring. Her er min omskrivning av en slik strategi: 1) Anta at t er forventet inntjeningsdato for en aksje i Russell 3000-indeksen. 2) Beregn forhåndsmeldingsavkastningen fra dag t-4 til t-2 (kun telle handelsdager). 3) Subtraher en markedsindeksavkastning over samme tilbakekallingsperiode fra forhåndsmeldingen, og kaller denne markedsjusterte avkastningen PAR. 4) Velg de 18 aksjene med den beste PAR og kort dem (med like dollar) på markedet nær t-1, likvidere på markedet nær t1. Velg de 18 aksjene med den verste PAR, og gjør motsatt. Sikre enhver nettoeksponering med en markedsindeks ETF eller fremtid. Jeg backetested denne strategien ved hjelp av Wall Street Horizon (WSH) s forventede inntjeningsdatoer data, bruke det til aksjer i Russell 3000 indeksen, og sikring med IWV. Jeg fikk en CAGR på 9,1 og et Sharpe-forhold på 1 fra 20110803-20160930. Egenkapitalkurven vises nedenfor. Vær oppmerksom på at WSHs data ble brukt i stedet for Yahoo Finance, Compustat, eller til og med Thomson Reuters IBES inntjeningsdata, fordi bare WSHs data er point-in-time. WSH fanget forventet inntjeningsmelding dagen før annonseringen, akkurat som vi ville ha hvis vi var live trading. Vi benyttet ikke den faktiske kunngjøringsdatoen som fanget i de fleste andre datakilder fordi vi ikke kunne være sikre på om et selskap endret forventet kunngjøringsdato på samme dato. Den faktiske kunngjøringsdatoen kan bare bli kjent med sikkerhet etter det faktum, og derfor er det ikke punkt-i-tid. Hvis vi skulle kjøre samme backtest ved å bruke Yahoo Finance's historiske inntjeningsdata, ville CAGR ha falt til 6,8, og Sharpe-forholdet falt til 0,8. Begrepet at selskapene endrer sine forventede kunngjøringsdatoer, tar oss til den andre strategien, skapt av Ekaterina Kramarenko fra Deltixs Quantitative Research Team. I hennes papir En automatisert handelsstrategi som bruker inntektsbevegelser fra Wall Street Horizon beskriver hun følgende strategi som eksplisitt benytter seg av slike endringer som et handelssignal: 1) På markedet nær før inntjeningsmeldingen forventes mellom nåværende nær og de neste dagene åpne, beregne deltaD som er den siste endringen av forventet kunngjøringsdato for den kommende kunngjøringen, målt i kalenderdager. deltaD 0 hvis selskapet flyttet kunngjøringsdatoen senere, og deltaD lt 0 hvis selskapet flyttet kunngjøringsdatoen tidligere. 2) Også på samme marked lukk, beregne deltaU som er antall kalenderdager siden siste endring av forventet kunngjøringsdato. 3) Hvis deltaD 0 og deltaU 45, kjøp aksjene på markedet lukk og likvidere på neste dagsmarkedet åpent. Hvis deltaD gt 0 og deltaU gt 45, gjør motsatt. Intuisjonen bak denne strategien er at hvis et selskap flytter en forventet kunngjøringsdato tidligere, spesielt hvis det skjer nær forventet dato, er det en indikasjon på gode nyheter, og omvendt. Kramarenko fant en CAGR på 14,95 og et Sharpe-forhold på 2,08 ved å anvende denne strategien på SPX-aksjer fra 200613 - 201592. For å reprodusere dette resultatet må man sørge for at kapitalfordelingen er basert på følgende formel: anta at total kjøpekraft er M, og antall handelssignaler på markedet er n, så handles størrelsen per aksje er M5 hvis n lt 5 og er Mn hvis n gt 5. Jeg tilbakekonkurrerte denne strategien fra 201183-2016930 på en fast SPX-universet i 201175, og oppnådde CAGR17.6 og Sharpe-forhold på 0,6. Backtesting dette på Russell 3000 indeks universet av aksjer ga bedre resultater, med CAGR17 og Sharpe ratio1.9. Her justerer jeg handelsstørrelsen per lager til M30 hvis n lt30, og til Mn hvis n gt 30, gitt at totalt antall aksjer i Russell 3000 er omtrent 6 ganger større enn SPX. Egenkapitalkurven vises nedenfor: Det er interessant at en markedsnøytral versjon av denne strategien (ved hjelp av IWV for å sikre netto eksponering) ikke forbedrer Sharpe-forholdet, men reduserer CAGR betydelig. Bekreftelse. Jeg takker Michael Raines på Wall Street Horizon for å gi de historiske forventede inntjeningsdataene for denne undersøkelsen. Videre takker jeg Stuart Farr og Ekaterina Kramarenko på Deltix for å gi meg en kopi av papiret deres og forklare meg nyansene i deres strategi. Min kommende workshop 14 og 21 januar: Algoritmiske opsjonsstrategier Dette nettkurset er forskjellig fra de fleste andre valgmuligheter som tilbys andre steder. Det vil dekke backtesting intraday alternativ strategier og portefølje opsjon strategier. Jeg skrev i en tidligere artikkel om hvorfor vi bør backtest selv dagens (daglige) strategier med intraday quote data. Ellers kan ytelsen til slike strategier oppblåses. Her er et annet glimrende eksempel som jeg kom over nylig. Tenk på olje futures ETF USO og sin onde tvilling, den inverse olje futures ETF DNO. I teorien, hvis USO har en daglig retur på x, vil DNO få en daglig avkastning på - x. I praksis, hvis vi plotter DNOs daglige avkastning fra USO fra 2010927-201699, ved å bruke de vanlige, konsoliderte, sluttdataene som du finner på Yahoo Finance eller en annen leverandør, ser vi at selv om skråningen faktisk er -1 (til innenfor en standardfeil på 0,004), er det mange dager med betydelig avvik fra den rette linjen. Traders i oss vil umiddelbart tenke arbitrage muligheter. Hvis vi backtest en enkel, gjennomsnittlig reverseringsstrategi på dette paret, bare kjøp samme dollar mengde USO og DNO når summen av deres daglige avkastning er mindre enn 40 bps på markedet, hold nede, hold en dag og omvendt - vi vil finne en strategi med et anstendig Sharpe-forhold på 1 selv etter å ha trukket 5 bps per side som transaksjonskostnader. Her er egenkapitalkurven: Ser rimelig ut, men gjør det ikke. Men hvis vi backtester denne strategien igjen med BBO-data på markedet, og ta vare på halvparten av bud-spread-spredningen som transaksjonskostnad, finner vi denne egenkapitalkurven: Vi kan se at problemet ikke bare er at vi mister penger på praktisk talt hver handel, men at det sjeldent var noen handel utløst. Når de daglige EOD-dataene antyder at en handel skal utløses, forteller 1-min-baren BBO-data oss at det faktisk ikke var noen avvik fra gjennomsnittet. (Forresten, var avkastningen ovenfor beregnet før vi selv trekker ut lånekostnadene ved av og til kortslutning av disse ETFene. Rabatten for USO er ca 1 per år på Interactive Brokers, men en bratt 5,6 for DNO.) Hvis du tror dette Problemet er særegent for USO vs DNO, du kan også prøve TBT vs UBT. Forresten har vi bare bekreftet en gylden regel for finansmarkeder: Det er tillatt å tydelig avvik fra effektivt marked når ingen kan lønnsomt handle på arbitrage-muligheten. Merk: ifølge etf har utstederen av DNO midlertidig suspendert kreasjoner for dette fondet per 22. mars 2016 i påvent av innlevering av nytt papir med SEC. Denne handlingen kan skape uvanlige eller overdrevne premier8212 en økning av fondets markedspris i forhold til virkelig verdi. Innløsninger påvirkes ikke. Handel med forsiktighet sjekk INAV vs pris. For en forklaring på opprettelsen av ETF-enheter, se min artikkel Ting du ikke vil vite om ETFer og ETNs. Industrioppdatering Quantiacs nylig registrert som en CTA og driver en markedsplass for handelsalgoritmer som alle kan bidra med. De publiserte også et pedagogisk blogginnlegg for Python og Matlab backtester: quantiacsBlogIntro-to-Algorithmic-Trading-med-Heikin-Ashi. aspx Jeg skal moderere en paneldiskusjon om hvordan kan midler utnytte ikke-tradisjonelle datakilder til å drive avkastning på Quant World Canada i Toronto, 10. november 2016. Kommende Workshops 22. og 29. oktober, Lørdager, Quantitative Momentum Strategies online workshops. Momentum strategier er for dem som ønsker å dra nytte av hale hendelser. Jeg vil diskutere de grunnleggende årsakene til fremdriften av momentum i ulike markeder, samt spesielle momentumstrategier som holder posisjoner fra timer til dager. En senior direktør hos en stor bank skrev meg: 8230Helt du igjen for Momentum Strategies kurs i denne uken . Det var veldig gunstig. Jeg fant dine forklaringer på begrepene veldig tydelige og eksemplene godt utviklet. Jeg liker den strenge tilnærmingen du tar til strategievaluering.8221 Fredag ​​17. juni 2016 Alle elsker å handle eller investere i ETP-er. ETP er akronymet for børshandlede produkter, som inkluderer både børsnoterte fond (ETF) og børsnoterte notater (ETN). De virker enkle, gjennomsiktige, enkle å forstå. Men det er noen få finesser som du kanskje ikke vet om. 1) Den mest populære ETN er VXX, volatilitetsindeksen ETF. Til forskjell fra ETF er ETN faktisk et usikret obligasjon utstedt av utstederen. Dette betyr at prisen på ETN kanskje ikke bare er avhengig av de underliggende eiendelene eller indeksen. Det kan potensielt avhenge av kredittverdigheten til utstederen. Nå er VXX utstedt av Barclays. Du kan tro at Barclays er en stor bank, for stor til å mislykkes, og du kan være riktig. Likevel lover ingen at kredittverdigheten aldri blir nedgradert. Handel med VX-fremtiden har imidlertid ikke det problemet. 2) ETP-utstederen, sammen med de autoriserte deltakerne (markeds beslutningstakere som kan be utstederen om å utstede flere ETP-aksjer eller å innløse slike aksjer for de underliggende eiendelene eller kontanter), skal beholde den totale markedsverdien av ETP-aksjene Nøye sporing av NAV på de underliggende eiendelene. Det var imidlertid en bemerkelsesverdig forekomst når utstederen bevisst ikke gjorde det, noe som medførte store tap for enkelte investorer. Det var da utstederen av TVIX, den leveranserte ETN som sporer 2x den daglige avkastningen til VXX, stoppet all opprettelse av nye TVIX-aksjer midlertidig den 22. februar 2012 (se sixfigureinvesting201510how-do-tvix-work). Den utstederen er Credit Suisse, som kanskje har funnet ut at transaksjonskostnadene for å balansere denne svært volatile ETN ble for høye. På grunn av denne stoppet ble TVIX omgjort til et lukket fond (midlertidig), og dets NAV avviklet vesentlig fra markedsverdien. TVIX handlet med en premie på 90 i forhold til den underliggende indeksen. Med andre ord, investorer som kjøpte TVIX på aksjemarkedet innen utgangen av mars, betalte 90 mer enn de ville ha hvis de kunne kjøpe VIX-indeksen i stedet. Like etter det annonserte Credit Suisse at de ville gjenopprette etableringen av TVIX-aksjer. TVIX-markedsprisen falt umiddelbart til sin NAV per aksje, og forårsaket store tap for de investorene som kjøpte like før gjenopptakelsen. 3) Det kan hende du er kjent med at a-leverte ETF skal spore kun ganger den daglige avkastningen til den underliggende indeksen, ikke den langsiktige avkastningen. Men du er kanskje mindre kjent med det faktum at det heller ikke skal spores ganger intradagavkastningen til den indeksen (selv om det i de fleste tilfeller faktisk gjør det, takket være de mange arbitrageerne.) Saken i punkt: i mai 2010 Flash Crash , opplevde mange inverse leverte ETFer en prisnedgang ettersom markedet krasjet nedover. Som omvendte ETFs trodde mange investorer at de skulle stige i pris og fungere som sikring mot markedsnedgang. For eksempel påpekte dette kommentarbrevet til SEC at DOG, den omvendte ETF som sporer -1x Dow 30-indeksen, gikk ned mer enn 60 fra verdien i begynnelsen (2:40 ET) av Flash Crash. Dette skyldes at ulike markeds beslutningstakere inkludert de autoriserte deltakerne for DOG werent lager markeder på den tiden. Men et like viktig poeng å merke seg er at ved slutten av handelsdagen returnerte DOG 3,2, nesten nøyaktig -1x retur av DIA (ETF som følger Dow 30). Så fungerte det som annonsert. Lærdom: Vi arent antatt å bruke inverse ETFer for intradag eller langsiktig sikring. 4) NAV (ikke NAV per aksje) av ETF trenger ikke å endres på samme måte som markedsverdien av underliggende eiendeler. For eksempel skrev det samme kommentarbrevet jeg sa ovenfor at GLD, gull ETF, gikk ned i pris med 24 fra 1. mars til 31. desember 2013, og spore det samme 24 fallet i spotgullprisen. Men Norges NAV falt 52. Hvorfor De autoriserte deltakerne innløste mange GLD-aksjer, noe som førte til at aksjene som var utestående på GLD, gikk ned fra 416 millioner til 266 millioner. Er det et problem Ikke i det hele tatt. En investor i den ETF bryr seg bare om at hun opplevde samme avkastning som spotgull, og ikke hvor mye eiendeler ETF holdt. Forfatteren av kommentarbokstavet skrev merkelig at investorer som ønsker å delta i gullmarkedet ikke ville kjøpe GLD hvis de visste at en prisnedgang i gull kunne resultere i dobbelt så mye underliggende aktivitetsnedgang for GLD. Det tror jeg er tull. Næringslivsoppdatering Alex Boykov utviklet WFAToolbox 8211 Walk-Forward Analysis Toolbox for MATLAB, som automatiserer prosessen med å bruke et bevegelig vindu for å optimalisere parametere og bare gå inn i bransjer bare utenfor prøvetiden. Han samlet også en frittstående applikasjon fra MATLAB som tillater at noen brukere (med MATLAB eller ikke) å laste opp sitater i CSV-format fra Google Finance for videre import til andre programmer og for å jobbe i Excel. Du kan laste den ned her: wfatoolboxepchan. AImachine-læringsteknikker er mest nyttige når noen gir oss nyskapende tekniske eller grunnleggende indikatorer, og vi har ikke utviklet intuisjonen til hvordan de skal brukes. AI-teknikker kan foreslå måter å inkorporere dem i din handelsstrategi, og øke forståelsen av disse indikatorene. Selvfølgelig, noen ganger kan disse teknikkene også foreslå uventede strategier på velkjente markeder. Kurset dekker de grunnleggende AI-teknikkene som er nyttige for en handelsmann, med vekt på de mange måtene å unngå overfitting. Alle vet at volatiliteten er avhengig av målefrekvensen: standardavviket på 5-minutters retur er forskjellig fra det daglige avkastningen. For å være presis, hvis z er loggprisen, så er volatiliteten, samplet med intervaller av, hvor Var betyr å ta variansen over mange prøvetider. Hvis prisene virkelig følger en geometrisk tilfeldig tur, så var Var () 8801Var ((z (t) - z (t)) 8733, og volatiliteten skaleres bare med kvadratroten av prøvetakingsintervallet. Dette er grunnen til at hvis vi måler daglig avkastning må vi multiplisere den daglige volatiliteten ved 8730252 for å oppnå den årlige volatiliteten. Traders vet også at prisene ikke egentlig følger en geometrisk tilfeldig tur. Hvis prisene er betydelige tilbake, vil vi oppdage at de ikke vandrer bort fra deres første Verdien er like rask som en tilfeldig spasertur. Hvis prisene trender, går de raskere unna. Generelt kan vi skrive hvor H heter Hurst-eksponenten, og den er lik 0,5 for en ekte geometrisk tilfeldig tur, men vil være mindre enn 0,5 for gjennomsnittlig tilbakebetaling av priser, og høyere enn 0,5 for trendende priser. Hvis vi årliggjør volatiliteten til en gjennomsiktig prisserie, vil den ende opp med å ha en lavere årlig volatilitet enn en geometrisk tilfeldig tur, selv om begge har nøyaktig den samme volatilitet målt til, for eksempel, 5-min barer motsatt gjelder for en trending prisserie. For eksempel, hvis vi prøver dette på AUDCAD, en åpenbart gjennomsiktig tidsserie, vil vi få H0.43. Alt ovenfor er kjent for mange handelsmenn, og er faktisk diskutert i boken min. Men det som er mer interessant er at Hurst-eksponenten selv kan endre seg på en gangs skala, og denne endringen signaliserer noen ganger et skifte fra en gjennomsnittlig reversering til et momentum regime, eller omvendt. For å se dette, kan vi plotte volatilitet (eller mer praktisk, varianse) som en funksjon av. Dette kalles ofte termen strukturen av (realisert) volatilitet. Start med den kjente SPY. vi kan beregne intradag retur med midprices fra 1 minutter til 210 minutter (17 timer), og plott loggen (Var ()) mot logg (). Passformen, vist under, er utmerket. (Klikk på bildet for å forstørre). Hellingen, delt med 2, er Hurst-eksponenten, som viser seg å være 0,4941770.003, noe som er svært lite gjennomsnittlig-tilbakevending. Men hvis vi gjør det samme for SPYs daglige avkastning, for intervaller på 1 dag opp til 28 (256) dager, finner vi at H er nå 0.4691770.007, noe som er signifikant gjennombrudd. Konklusjon: Slike reversjonsstrategier på SPY burde fungere bedre interdag enn intradag. Vi kan gjøre den samme analysen for USO (WTI råolje futures ETF). Intradag H er 0,5151770,001, som indikerer betydelig trenderadferd. Den daglige H er 0,561770,02, enda mer signifikant trending. Så momentum strategier bør fungere for råolje futures på alle rimelige tidsskalaer. La oss nå gå til GLD, gull ETF. Intradag H0.5051770.002, noe som er litt trending. Men daglig H0.4691770.007: Signifikant betyr at tilbakevendende Momentum-strategier på gull kan fungere intradag, men betydelige reverseringsstrategier fungerer sikkert bedre over flere dager. Hvor skjer overgangen Vi kan undersøke begrepet struktur tett: Vi kan se at rundt 16-32 dager avviker volatiliteten fra rett linje ekstrapolert fra intradagfrekvenser. Det er der vi bør bytte fra momentum til betydelige reverseringsstrategier. En side notat av interesse: Når vi beregner variansen av avkastning over perioder som strekker seg over to handelsdager, og plott dem som funksjon av logg (). bør inkludere timene da markedet ble stengt Det viser seg at svaret er ja, men ikke helt. For å produsere diagrammet over hvor de daglige avvikene i utgangspunktet faller på samme rette linje som intradagavvik, må vi telle 1 handelsdag som tilsvarer 10 handels timer. Ikke 6,5 (for amerikanske aksjemarkeder), og ikke 24. Det eksakte antallet ekvivalente handels timer varierer selvfølgelig på tvers av ulike instrumenter. Nick over på mintegration. eu diskuterer de nye intradagdatabasene hos Quandl og Kerf. Factorwave (Euan Sinclairs creation) startet et nytt forum: slack. factorwave. Det har noen veldig aktive og grundige diskusjoner om mange handels - og investeringsemner. Prof. Matthew Lyle på Kellogg School of Management har et nytt papir som relaterer grunnleggende til variansrisikopremier: papers. ssrnsol3papers. cfmabstractid2696183. Det er mye mer å bety reverseringsstrategier enn bare parhandel. Finn ut hvordan du trives i dagens lav volatilitetsmiljø som er gunstig for denne typen strategier. Forutsi volatilitet er et veldig gammelt emne. Hver finansstudent har blitt lært å bruke GARCH-modellen for det. Men som de fleste ting vi lærte på skolen, forventer vi ikke nødvendigvis at de skal være nyttige i praksis, eller for å fungere godt utenom prøven. (Når var siste gang du må bruke kalkulator i jobben din) Men ut av nysgjerrighet gjorde jeg en rask undersøkelse av sin kraft på å forutsi volatiliteten til SPYs daglige nærtliggende avkastninger. Jeg estimerte parametrene for en GARCH-modell på treningsdata fra 21. desember 2005 til 5. desember 2011 ved hjelp av Matlabs Econometric-verktøykasse og testet hvor ofte tegnet av den forutsagte 1-dagers endringen i volatilitet er enig med virkeligheten på testsettet fra desember 6, 2011 til 25. november 2015. (En dagsendring i realisert volatilitet er definert som endringen i absolutt verdi av 1-dagers avkastning.) En hyggelig overraskelse: avtalen er 58 av dagene. Hvis dette var nøyaktigheten for å forutsi tegn på SPY-retur, bør vi forberede seg til å gå i pensjon i luksus. Volatilitet er lettere å forutsi enn signert avkastning, ettersom alle finansstudenter også har blitt undervist. Men hva god er en god volatilitetsprediksjon. Vil det være nyttig for opsjonshandlere, som kan handle med underforståtte volatiliteter i stedet for retningsbestemt avkastning. Svaret er ja, realisert volatilitetsprediksjon er nyttig for underforstått volatilitetsprediksjon, men ikke slik du forventer. Hvis GARCH forteller oss at den realiserte volatiliteten vil øke i morgen, vil de fleste av oss instinktivt gå ut og kjøpe oss noen alternativer (dvs. underforstått volatilitet). I tilfelle av SPY, ville vi sannsynligvis gå til å kjøpe noen VXX. Men det ville være en forferdelig feil. Husk at volatiliteten vi forutslo er en usignert avkastning: en prediksjon av økt volatilitet kan bety en veldig bullish dag i morgen. En høy positiv avkastning i SPY følger vanligvis med en bratt nedgang i VXX. Med andre ord, en økning i realisert volatilitet er vanligvis ledsaget av en reduksjon i underforstått volatilitet i dette tilfellet. Men det som er veldig rart er at denne antikorrelasjonen mellom endring i realisert volatilitet og endring i underforstått volatilitet også holder når avkastningen er negativ (57 av dagene med negativ avkastning). En svært negativ avkastning i SPY er faktisk vanligvis ledsaget av en økning i underforstått volatilitet eller VXX, noe som induserer positiv korrelasjon. Men i gjennomsnitt er en økning i realisert volatilitet på grunn av negativ avkastning fortsatt ledsaget av en nedgang i underforstått volatilitet. Resultatet av alle disse er at hvis du forutsier spenningen i SPY vil øke i morgen, bør du kort VXX istedenfor. Quantiacs har nettopp lansert en trading system konkurranse med garanterte investeringer på 2,25 M for de beste tre handelssystemer. (Quantiacs hjelper Quants å få investeringer for sine handelsalgoritmer og hjelper investorer med å finne det riktige handelssystemet.) En ny bok som heter Momo Traders - Tips, triks og strategier fra ti topphandlere har omfattende intervjuer med ti toppdags - og swinghandlere som finner aksjer som beveger seg og kapitaliserer på det momentumet. En annen ny bok som heter Algoritmisk og High-Frequency Trading av 3 matematiske finansprofessorer beskriver de sofistikerte matematiske verktøyene som brukes til høyfrekvent handel og optimal utførelse. Ja, kalkulasjon er nødvendig her. Min kommende workshop 27-28 januar: Algoritmiske opsjonsstrategier Dette er et nytt nettbasert kurs som er forskjellig fra de fleste andre valgmuligheter som tilbys andre steder. Det vil dekke hvordan man kan backtest intraday alternativ strategier og portefølje opsjon strategier. 7-11 mars: Statistisk Arbitrage, Kvantitativ Momentum og Kunstig Intelligens for Traders. Disse kursene er svært intensive treningsøkter holdt i London for en hel uke. Jeg trenger vanligvis å gå en time langs Themsen for å forynge etter hver dags klasse. AI-kurset er nytt, og til min forbauselse, fungerer noen av de forbedrede teknikkene egentlig. Min kommende snakk Jeg skal snakke på QuantCon 2016 9. april i New York. Emnet vil være de særegenheter av volatilitet. Jeg pekte på en særegenhet ovenfor, men det er andre. QTS Partners, L. P., har en nettoavkastning på 1,56 i oktober (YTD: 11,50). Detaljer tilgjengelig for kvalifiserte kvalifiserte personer som definert i CFTC regel 4.7. Av Lukasz Wojtow Mekaniske handelsfolk stopper aldri med å forske på neste markedskant. Ikke bare for å få bedre resultater, men også å ha mer enn ett system. De beste handelsresultater kan oppnås med flere ikke-korrelerte systemer handlet samtidig. Dessverre bruker de fleste handelsfolk lignende ineffektivitet på markedet: noen handelsfolk spesialiserer seg på trenden følgende, noen i gjennomsnittlig reversering og så videre. Det er fordi det å lære å utnytte en slags kanten er vanskelig nok, å mastere alle dem 8211 umulig. Det ville være fordelaktig å ha en programvare som skaper mange ikke-relaterte systemer. Nylig lanserte jeg Genotick - en åpen kildekode programvare som kan skape og administrere en gruppe handelssystemer. På Genoticks kjernen ligger en epiphany: hvis det er mulig å lage programvare med bare en håndfull monteringsinstruksjoner, bør det være mulig å opprette handelssystemer med en håndfull like enkle instruksjoner. Disse enkle og meningsløse instruksjonene blir ekstremt kraftige når de kombineres sammen. Rette instruksjonene i riktig rekkefølge kan skape alle typer mekanisk system: trenden følger, gjennomsnittlig tilbakeringing eller til og med basert på grunnleggende data. Drivmotoren bak Genoticks power er en genetisk algoritme. Nåværende gjennomføring er ganske grunnleggende, men med noen ekstra kjennskap. For eksempel, hvis noen av systemene er veldig dårlige 8211, forblir det i befolkningen, men dets spådommer er reversert. Et annet triks er brukt til å gjenkjenne forutinntatte handelssystemer: Et system kan fjernes hvis det ikke gir speglet prediksjon på speilet data. Så for eksempel må posisjonen på GBPUSD være motsatt den på USDGBP. Genotick støtter også valgfri elitisme (hvor de beste systemene alltid er i befolkningen, mens andre er pensjonert på grunn av alderdom), beskyttelse for nye systemer (for å unngå å fjerne systemer som ennå ikke har mulighet til å bevise seg) og arve innledende systemvekt fra foreldre. Disse alternativene gir brukerne god plass til eksperimentering. Når Genotick kjøres for første gang - det er ingen systemer. De er opprettet ved starten ved hjelp av tilfeldig valgte instruksjoner. Deretter overtar en genetisk algoritme: hvert system utføres for å sjekke dets prediksjon på historiske data. Systemer som spådde riktig vekt på fremtidige spådommer, systemene som forutslo ukorrekt 8211, går ned i vekt. Gradvis, dag etter dag, befolkning i systemer vokser. Dårlige systemer fjernes og gode systemer avles. Prediksjon for hver dag beregnes ved å legge til forutsigelser av alle tilgjengelige systemer på den tiden. Genotick gjenspeiler ikke over de samme historiske dataene mer enn en gang. 8211 treningsprosessen ser ut som om den ble henrettet i det virkelige livet: en dag av gangen. Faktisk er det ingen egen 8220training8221 fase, programmet lærer litt som hver dag går forbi. Interessant, ser Genotick ikke på grunnlag for opprettede systemer. Som hvert system er opprettet ut av tilfeldige instruksjoner, er det mulig (og faktisk veldig sannsynlig) at noen systemer bruker latterlig logikk. For eksempel er det mulig at et system vil gi et 8220Buy8221 signal hvis volumet var positivt for 42 dager siden. Et annet system vil kanskje gå kort hver gang det tredje sifferet i gårdsdagens høyeste er det samme som andre sifferet i dagens Open. Selvfølgelig ville slike systemer aldri overleve i ekte verden, og de ville ikke overleve lenge i Genoticks-befolkningen. Fordi hver systemets innledende vekt er null, får de aldri noen betydelig vekt og derfor ikke ødelegge kumulativ prediksjon gitt av programmet. Det kan virke litt dumt å tillate slike systemer i utgangspunktet, men det gjør det mulig for Genotick å teste algoritmer som er fri for handelsmenn, misforståelser og personlige begrensninger. Det triste faktum er at markedet bryr seg ikke om hvilket system du bruker og hvor mye svette og tårer du legger inn i den. Markedet skal gjøre hva det vil gjøre 8211 ingen spørsmål, ikke ta fanger. Markedet bryr seg ikke om du bruker noen form for intelligens, kunstig eller ikke. Og så, den eneste begrunnelsen bak hvert handelssystem bør være veldig enkelt: 8220Her det jobbet8221. Ingenting mer, ingenting mindre. Dette er den eneste metriske Genotick-brukeren for å måle systemer. Hvert program som kjører, vil være litt annerledes. Egenkapitaloversikt nedenfor viser en mulig ytelse. De viste årene er 2007 til 2015 med faktisk opplæring som starter i 2000. Det er ikke noe spesielt om året 2007, husk 8211 Genotick lærer som det går. Men jeg følte meg viktig å se hvordan den utførte seg under finanskrisen. Markedet som ble handlet var: USDCHF, USDJPY, 10 år US Bond Yield, SPX, EURUSD, GBPUSD og Gold. (I noen tilfeller testet jeg systemet på en markedsindeks som SPX i stedet for et instrument som sporer indeksen som SPY, men forskjellen skal være liten.) Alle markeder ble speilet for å tillate fjerning av forhåndsinnstilte systemer. Noen viktige tall: CAGR: 9.88 Maksimal utvinning: -21.6 Lengste drawdown: 287 handelsdage Lønnsomme dager: 53,3 CALMAR-forhold: 0.644 Sharpe-forhold: 1.06 Gjennomsnittlig årlig gevinst: 24,1 Åttende år: 2013 (-12) (Klikk på de kumulative avkastningene i diagrammet nedenfor for å forstørre.) Kumulative Returns () siden 2007 Disse tallene representerer kun 8220directional edge8221 som tilbys av programvaren. Det var ingen stopp-tap, ingen innflytelse og ingen posisjonstørrelse, noe som kunne forbedre virkelighetsresultatene sterkt. Resultatet forutsetter at posisjonene på balansedagen blir balansert på nytt slik at hvert instrument starter med lik dollarverdien. (Dette er en konstant gjenbalansert portefølje.) Kunstig intelligens er et varmt emne. Selvkjørende biler som kjører bedre enn gjennomsnittlig menneskelig og sjakkalgoritmer som slår en gjennomsnittlig spiller, er fakta. Forskjellen er at bruk av AI for handel er helt lovlig og motstandere kan aldri vite. I motsetning til sjakk og kjøring er det mye tilfeldighet i finansmarkedene, og det kan ta oss lenger tid å legge merke til når AI begynner å vinne. Beste hedgefond kan fortsatt drives av mennesker, men hvis noen handelsmetoder er veldig overlegne, vil AI finne ut det også. For øyeblikket er Genotick mer et proof of concept enn produksjonsklar. Det er svært begrenset i brukervennlighet, det tilgir ikke feil og det er best å spørre før du bruker det til ekte handel. Du trenger Java 7 for å kjøre den. Det er testet på både Linux og Windows 10. Eksempelhistoriske data er inkludert. Eventuelle spørsmål eller kommentarer er velkomne. Jeg har vært en stor fan av opsjonshandler og forfatter Euan Sinclair i lang tid. Jeg har sitert hans høyt lesbare og innflytelsesrike Book Option Trading i mitt eget arbeid, og det er alltid innen rekkevidde fra skrivebordet mitt. Hans nyere bok Volatility Trading er en annen målesel. Jeg løp inn i ham på Chicago Trading Show for noen måneder siden hvor han var en panelist på volatilitetshandel, og han var grasiøst enige om å bli intervjuet av meg. Hva er din pedagogiske bakgrunn, og hvordan startet du din handels karriere jeg fikk en Ph. D. i teoretisk fysikk, studerer overgangen fra kvant til klassisk mekanikk. Jeg hadde alltid tenkt å bli professor, men ideen ble mindre tiltalende når jeg så hva de gjorde hele dagen. På denne tiden var Nick Leeson ved å blåse opp Barings Bank og jeg trodde jeg kunne gjøre det. Jeg mener handelsderivater som ikke blåser opp en bank (selv om jeg nok kunne klare det også). Anbefaler du en ny kandidat med lignende utdanningsbakgrunn som din for å forfølge økonomi eller handel som en karriere i dag, tror jeg ikke jeg ville av noen grunner. The world of derivatives and trading in general is now so much more visible than it was and there are now far better ways to prepare. When I started, physics Ph. D.s were hired only because they were smart and numerate and could pick things up on their own. My first trading firm had no training program. You just had to figure stuff out on your own. Now there are many good MFE courses or you could do a financial economics Ph. D. Further, it would very much depend on exactly what kind of physics had been studied. I did a lot of classical mechanics which is really geometry. This kind of pure theory isnt nearly as useful as a background heavy with stats or simulation. I think I could still make the transition, but it is no longer close to the ideal background. You have been a well-known options trader with a long track record: what do you think is the biggest obstacle to success for a retail options trader Trading costs. Most option trading ideas are still built on the Black-Scholes-Merton framework and the idea of dynamic hedging (albeit heavily modified). Most pro firms have stat arb like execution methods to reduce the effective bid-ask they pay in the underlying. They also pay practically no ticket charges and probably get rebates. Even then, their average profit per option trade is very small and has been steadily decreasing. Further, a lot of positional option trading relies on a large universe of possible trades to consider. This means a trader needs good scanning software to find trades, and a decent risk system because she will tend to have hundreds of positions on at one time. This is all expensive as well. Retail traders cant play this game at all. They have to look for situations that require little or no rebalancing and that can be limited to a much smaller universe. I would recommend the VIX complex or equity earnings events. As an options trader, do you tend to short or long volatility I am short about 95 of the time, but about 35 of my profits come from the long trades. Do you find it possible to fully automate options trading in the same way as that stocks, futures, and FX trading have been automated I see no reason why not. You have recently started a new website called FactorWave. Can you tell us about it What prompted the transition of your focus from options to stocks FactorWave is a set of stock and portfolio tools that do analysis in terms of factors such as value, size, quality and momentum. There is a lot of research by both academics and investors that shows that these (and other) factors can give market beating returns and lower volatility. Ive been interested in stocks for a long time. Most of my option experience has been with stock options and some of my best research was on how these factors affected volatility trading returns. Also, equity markets are a great place to build wealth over the long term. They are a far more suitable vehicle for retirement planning than options I actually think the distinction between trading and investing is fairly meaningless. The only difference seems to be the time scale and this is very dependent on the person involved as well, with long-term meaning anything form months to inter-generational. All Ive ever done as a trader is to look for meaningful edges and I found a lot of these in options. But Ive never found anything as persistent as the stock factors. There is over a hundred years of statistical evidence, studies in many countries and economic and behavioral reasons for their existence. They present some of the best edges I have ever found. That should be appealing to any trader or investor. Thank you These are really valuable insights. Most time series techniques such as the ADF test for stationarity, Johansen test for cointegration, or ARIMA model for returns prediction, assume that our data points are collected at regular intervals. In traders parlance, it assumes bar data with fixed bar length. It is easy to see that this mundane requirement immediately presents a problem even if we were just to analyze daily bars: how are we do deal with weekends and holidays You can see that the statistics of return bars over weekdays can differ significantly from those over weekends and holidays. Here is a table of comparison for SPY daily returns from 20050504-20150409: SPY daily returns Mean Returns (bps) Mean Absolute Returns (bps) Kurtosis (3 is 8220normal8221) Though the absolute magnitude of the returns over a weekday is similar to that over a weekend, the mean returns are much more positive on the weekdays. Note also that the kurtosis of returns is almost doubled on the weekends. (Much higher tail risks on weekends with much less expected returns: why would anyone hold a position over weekends) So if we run any sort of time series analysis on daily data, we are force-fitting a model on data with heterogeneous statistics that wont work well. The problem is, of course, much worse if we attempt time series analysis on intraday bars. Not only are we faced with the weekend gap, in the case of stocks or ETFs we are faced with the overnight gap as well. Here is a table of comparison for AUDCAD 15-min returns vs weekend returns from 20090101-20150616: AUDCAD 15-min returns Mean Returns (bps) Mean Absolute Returns (bps) Kurtosis (3 is 8220normal8221) In this case, every important statistic is different (and it is noteworthy that kurtosis is actually lower on the weekends here, illustrating the mean-reverting character of this time series.) So how should we predict intraday returns with data that has weekend gaps (The same solution should apply to overnight gaps for stocks, and so omitted in the following discussion.) Lets consider several proposals: 1) Just delete the weekend returns, or set them as NaN in Matlab, or missing values NA in R. This wont work because the first few bars of a week isnt properly predicted by the last few bars of the previous week. We shouldnt use any linear model built with daily or intraday data to predict the returns of the first few bars of a week, whether or not that model contains data with weekend gaps. As for how many bars constitute the first few bars, it depends on the lookback of the model. (Notice I emphasize linear model here because some nonlinear models can deal with large jumps during the weekends appropriately.) 2) Just pretend the weekend returns are no different from the daily or intraday returns when buildingtraining the time series model, but do not use the model for predicting weekend returns. Dvs. do not hold positions over the weekends. This has been the default, and perhaps simplest (naive) way of handling this issue for many traders, and it isnt too bad. The predictions for the first few bars in a week will again be suspect, as in 1), so one may want to refrain from trading then. The model built this way isnt the best possible one, but then we dont have to be purists. 3) Use only the most recent period without a gap to train the model. So for an intraday FX model, we would be using the bars in the previous week, sans the weekends, to train the model. Do not use the model for predicting weekend returns nor the first few bars of a week. This sounds fine, except that there is usually not enough data in just a week to build a robust model, and the resulting model typically suffers from severe data snooping bias. You might think that it should be possible to concatenate data from multiple gapless periods to form a larger training set. This concatenation does not mean just piecing together multiple weeks time series into one long time series - that would be equivalent to 2) and wrong. Concatenation just means that we maximize the total log likelihood of a model over multiple independent time series, which in theory can be done without much fuss since log likelihood (i. e. log probability) of independent data are additive. But in practice, most pre-packaged time series model programs do not have this facility. (Do add a comment if anyone knows of such a package in Matlab, R, or Python) Instead of modifying the guts of a likelihood-maximization routine of a time series fitting package, we will examine a short cut in the next proposal. 4) Rather than using a pre-packaged time series model with maximum likelihood estimation, just use an equivalent multiple linear regression (LR) model. Then just fit the training data with this LR model with all the data in the training set except the weekend bars, and use it for predicting all future bars except the weekend bars and the first few bars of a week. This conversion of a time series model into a LR model is fairly easy for an autoregressive model AR(p), but may not be possible for an autoregressive moving average model ARMA(p, q). This is because the latter involves a moving average of the residuals, creating a dependency which I dont know how to incorporate into a LR. But I have found that AR(p) model, due to its simplicity, often works better out-of-sample than ARMA models anyway. It is of course, very easy to just omit certain data points from a LR fit, as each data point is presumed independent. Here is a plot of the out-of-sample cumulative returns of one such AR model built for predicting 15-minute returns of NOKSEK, assuming midpoint executions and no transaction costs (click to enlarge.)Beginner39s Guide to Quantitative Trading In this article Im going to introduce you to some of the basic concepts which accompany an end-to-end quantitative trading system . This post will hopefully serve two audiences. The first will be individuals trying to obtain a job at a fund as a quantitative trader. The second will be individuals who wish to try and set up their own retail algorithmic trading business. Quantitative trading is an extremely sophisticated area of quant finance. It can take a significant amount of time to gain the necessary knowledge to pass an interview or construct your own trading strategies. Not only that but it requires extensive programming expertise, at the very least in a language such as MATLAB, R or Python. However as the trading frequency of the strategy increases, the technological aspects become much more relevant. Thus being familiar with CC will be of paramount importance. A quantitative trading system consists of four major components: Strategy Identification - Finding a strategy, exploiting an edge and deciding on trading frequency Strategy Backtesting - Obtaining data, analysing strategy performance and removing biases Execution System - Linking to a brokerage, automating the trading and minimising transaction costs Risk Management - Optimal capital allocation, bet sizeKelly criterion and trading psychology Well begin by taking a look at how to identify a trading strategy. Strategy Identification All quantitative trading processes begin with an initial period of research. This research process encompasses finding a strategy, seeing whether the strategy fits into a portfolio of other strategies you may be running, obtaining any data necessary to test the strategy and trying to optimise the strategy for higher returns andor lower risk. You will need to factor in your own capital requirements if running the strategy as a retail trader and how any transaction costs will affect the strategy. Contrary to popular belief it is actually quite straightforward to find profitable strategies through various public sources. Academics regularly publish theoretical trading results (albeit mostly gross of transaction costs). Quantitative finance blogs will discuss strategies in detail. Trade journals will outline some of the strategies employed by funds. You might question why individuals and firms are keen to discuss their profitable strategies, especially when they know that others crowding the trade may stop the strategy from working in the long term. The reason lies in the fact that they will not often discuss the exact parameters and tuning methods that they have carried out. These optimisations are the key to turning a relatively mediocre strategy into a highly profitable one. In fact, one of the best ways to create your own unique strategies is to find similar methods and then carry out your own optimisation procedure. Here is a small list of places to begin looking for strategy ideas: Many of the strategies you will look at will fall into the categories of mean-reversion and trend-followingmomentum . A mean-reverting strategy is one that attempts to exploit the fact that a long-term mean on a price series (such as the spread between two correlated assets) exists and that short term deviations from this mean will eventually revert. A momentum strategy attempts to exploit both investor psychology and big fund structure by hitching a ride on a market trend, which can gather momentum in one direction, and follow the trend until it reverses. Another hugely important aspect of quantitative trading is the frequency of the trading strategy. Low frequency trading (LFT) generally refers to any strategy which holds assets longer than a trading day. Correspondingly, high frequency trading (HFT) generally refers to a strategy which holds assets intraday. Ultra-high frequency trading (UHFT) refers to strategies that hold assets on the order of seconds and milliseconds. As a retail practitioner HFT and UHFT are certainly possible, but only with detailed knowledge of the trading technology stack and order book dynamics . We wont discuss these aspects to any great extent in this introductory article. Once a strategy, or set of strategies, has been identified it now needs to be tested for profitability on historical data. That is the domain of backtesting . Strategy Backtesting The goal of backtesting is to provide evidence that the strategy identified via the above process is profitable when applied to both historical and out-of-sample data. This sets the expectation of how the strategy will perform in the real world. However, backtesting is NOT a guarantee of success, for various reasons. It is perhaps the most subtle area of quantitative trading since it entails numerous biases, which must be carefully considered and eliminated as much as possible. We will discuss the common types of bias including look-ahead bias . survivorship bias and optimisation bias (also known as data-snooping bias). Other areas of importance within backtesting include availability and cleanliness of historical data, factoring in realistic transaction costs and deciding upon a robust backtesting platform. Well discuss transaction costs further in the Execution Systems section below. Once a strategy has been identified, it is necessary to obtain the historical data through which to carry out testing and, perhaps, refinement. There are a significant number of data vendors across all asset classes. Their costs generally scale with the quality, depth and timeliness of the data. The traditional starting point for beginning quant traders (at least at the retail level) is to use the free data set from Yahoo Finance. I wont dwell on providers too much here, rather I would like to concentrate on the general issues when dealing with historical data sets. The main concerns with historical data include accuracycleanliness, survivorship bias and adjustment for corporate actions such as dividends and stock splits: Accuracy pertains to the overall quality of the data - whether it contains any errors. Errors can sometimes be easy to identify, such as with a spike filter . which will pick out incorrect spikes in time series data and correct for them. At other times they can be very difficult to spot. It is often necessary to have two or more providers and then check all of their data against each other. Survivorship bias is often a feature of free or cheap datasets. A dataset with survivorship bias means that it does not contain assets which are no longer trading. In the case of equities this means delistedbankrupt stocks. This bias means that any stock trading strategy tested on such a dataset will likely perform better than in the real world as the historical winners have already been preselected. Corporate actions include logistical activities carried out by the company that usually cause a step-function change in the raw price, that should not be included in the calculation of returns of the price. Adjustments for dividends and stock splits are the common culprits. A process known as back adjustment is necessary to be carried out at each one of these actions. One must be very careful not to confuse a stock split with a true returns adjustment. Many a trader has been caught out by a corporate action In order to carry out a backtest procedure it is necessary to use a software platform . You have the choice between dedicated backtest software, such as Tradestation, a numerical platform such as Excel or MATLAB or a full custom implementation in a programming language such as Python or C. I wont dwell too much on Tradestation (or similar), Excel or MATLAB, as I believe in creating a full in-house technology stack (for reasons outlined below). One of the benefits of doing so is that the backtest software and execution system can be tightly integrated, even with extremely advanced statistical strategies. For HFT strategies in particular it is essential to use a custom implementation. When backtesting a system one must be able to quantify how well it is performing. The industry standard metrics for quantitative strategies are the maximum drawdown and the Sharpe Ratio . The maximum drawdown characterises the largest peak-to-trough drop in the account equity curve over a particular time period (usually annual). Dette er oftest sitert som en prosentandel. LFT strategies will tend to have larger drawdowns than HFT strategies, due to a number of statistical factors. A historical backtest will show the past maximum drawdown, which is a good guide for the future drawdown performance of the strategy. The second measurement is the Sharpe Ratio, which is heuristically defined as the average of the excess returns divided by the standard deviation of those excess returns. Here, excess returns refers to the return of the strategy above a pre-determined benchmark . such as the SP500 or a 3-month Treasury Bill. Note that annualised return is not a measure usually utilised, as it does not take into account the volatility of the strategy (unlike the Sharpe Ratio). Once a strategy has been backtested and is deemed to be free of biases (in as much as that is possible), with a good Sharpe and minimised drawdowns, it is time to build an execution system. Execution Systems An execution system is the means by which the list of trades generated by the strategy are sent and executed by the broker. Despite the fact that the trade generation can be semi - or even fully-automated, the execution mechanism can be manual, semi-manual (i. e. one click) or fully automated. For LFT strategies, manual and semi-manual techniques are common. For HFT strategies it is necessary to create a fully automated execution mechanism, which will often be tightly coupled with the trade generator (due to the interdependence of strategy and technology). The key considerations when creating an execution system are the interface to the brokerage . minimisation of transaction costs (including commission, slippage and the spread) and divergence of performance of the live system from backtested performance. There are many ways to interface to a brokerage. They range from calling up your broker on the telephone right through to a fully-automated high-performance Application Programming Interface (API). Ideally you want to automate the execution of your trades as much as possible. This frees you up to concentrate on further research, as well as allow you to run multiple strategies or even strategies of higher frequency (in fact, HFT is essentially impossible without automated execution). The common backtesting software outlined above, such as MATLAB, Excel and Tradestation are good for lower frequency, simpler strategies. However it will be necessary to construct an in-house execution system written in a high performance language such as C in order to do any real HFT. As an anecdote, in the fund I used to be employed at, we had a 10 minute trading loop where we would download new market data every 10 minutes and then execute trades based on that information in the same time frame. This was using an optimised Python script. For anything approaching minute - or second-frequency data, I believe CC would be more ideal. In a larger fund it is often not the domain of the quant trader to optimise execution. However in smaller shops or HFT firms, the traders ARE the executors and so a much wider skillset is often desirable. Bear that in mind if you wish to be employed by a fund. Your programming skills will be as important, if not more so, than your statistics and econometrics talents Another major issue which falls under the banner of execution is that of transaction cost minimisation. There are generally three components to transaction costs: Commissions (or tax), which are the fees charged by the brokerage, the exchange and the SEC (or similar governmental regulatory body) slippage, which is the difference between what you intended your order to be filled at versus what it was actually filled at spread, which is the difference between the bidask price of the security being traded. Note that the spread is NOT constant and is dependent upon the current liquidity (i. e. availability of buysell orders) in the market. Transaction costs can make the difference between an extremely profitable strategy with a good Sharpe ratio and an extremely unprofitable strategy with a terrible Sharpe ratio. It can be a challenge to correctly predict transaction costs from a backtest. Depending upon the frequency of the strategy, you will need access to historical exchange data, which will include tick data for bidask prices. Entire teams of quants are dedicated to optimisation of execution in the larger funds, for these reasons. Consider the scenario where a fund needs to offload a substantial quantity of trades (of which the reasons to do so are many and varied). By dumping so many shares onto the market, they will rapidly depress the price and may not obtain optimal execution. Hence algorithms which drip feed orders onto the market exist, although then the fund runs the risk of slippage. Further to that, other strategies prey on these necessities and can exploit the inefficiencies. This is the domain of fund structure arbitrage . The final major issue for execution systems concerns divergence of strategy performance from backtested performance. This can happen for a number of reasons. Weve already discussed look-ahead bias and optimisation bias in depth, when considering backtests. However, some strategies do not make it easy to test for these biases prior to deployment. This occurs in HFT most predominantly. There may be bugs in the execution system as well as the trading strategy itself that do not show up on a backtest but DO show up in live trading. The market may have been subject to a regime change subsequent to the deployment of your strategy. New regulatory environments, changing investor sentiment and macroeconomic phenomena can all lead to divergences in how the market behaves and thus the profitability of your strategy. Risk Management The final piece to the quantitative trading puzzle is the process of risk management . Risk includes all of the previous biases we have discussed. It includes technology risk, such as servers co-located at the exchange suddenly developing a hard disk malfunction. It includes brokerage risk, such as the broker becoming bankrupt (not as crazy as it sounds, given the recent scare with MF Global). In short it covers nearly everything that could possibly interfere with the trading implementation, of which there are many sources. Whole books are devoted to risk management for quantitative strategies so I wontt attempt to elucidate on all possible sources of risk here. Risk management also encompasses what is known as optimal capital allocation . which is a branch of portfolio theory . This is the means by which capital is allocated to a set of different strategies and to the trades within those strategies. It is a complex area and relies on some non-trivial mathematics. The industry standard by which optimal capital allocation and leverage of the strategies are related is called the Kelly criterion . Since this is an introductory article, I wont dwell on its calculation. The Kelly criterion makes some assumptions about the statistical nature of returns, which do not often hold true in financial markets, so traders are often conservative when it comes to the implementation. Another key component of risk management is in dealing with ones own psychological profile. There are many cognitive biases that can creep in to trading. Although this is admittedly less problematic with algorithmic trading if the strategy is left alone A common bias is that of loss aversion where a losing position will not be closed out due to the pain of having to realise a loss. Similarly, profits can be taken too early because the fear of losing an already gained profit can be too great. Another common bias is known as recency bias . This manifests itself when traders put too much emphasis on recent events and not on the longer term. Then of course there are the classic pair of emotional biases - fear and greed. These can often lead to under - or over-leveraging, which can cause blow-up (i. e. the account equity heading to zero or worse) or reduced profits. As can be seen, quantitative trading is an extremely complex, albeit very interesting, area of quantitative finance. I have literally scratched the surface of the topic in this article and it is already getting rather long Whole books and papers have been written about issues which I have only given a sentence or two towards. For that reason, before applying for quantitative fund trading jobs, it is necessary to carry out a significant amount of groundwork study. At the very least you will need an extensive background in statistics and econometrics, with a lot of experience in implementation, via a programming language such as MATLAB, Python or R. For more sophisticated strategies at the higher frequency end, your skill set is likely to include Linux kernel modification, CC, assembly programming and network latency optimisation. If you are interested in trying to create your own algorithmic trading strategies, my first suggestion would be to get good at programming. My preference is to build as much of the data grabber, strategy backtester and execution system by yourself as possible. If your own capital is on the line, wouldnt you sleep better at night knowing that you have fully tested your system and are aware of its pitfalls and particular issues Outsourcing this to a vendor, while potentially saving time in the short term, could be extremely expensive in the long-term. Just Getting Started with Quantitative TradingModeling Asset Processes Introduction Over the last twenty five years significant advances have been made in the theory of asset processes and there now exist a variety of mathematical models, many of them computationally tractable, that provide a reasonable representation of their defining characteristics. While the Geometric Brownian Motion model remains a staple of stochastic calculus theory, it8230 Systematic Strategies Fund Jan 2017 Commentary The quote from Bloomberg says it all: Last month featured more than its fair share of political excitements, as Donald Trump arrived in the White House. Yet it was resolutely boring for U. S. stocks, with one-month realized volatility on the SampP 500 coming in at 6.51 as the index moved steadily higher. In records8230 Conditional Value at Risk Models One of the most widely used risk measures is the Value-at-Risk, defined as the expected loss on a portfolio at a specified confidence level. In other words, VaR is a percentile of a loss distribution. But despite its popularity VaR suffers from well-known limitations: its tendency to underestimate the risk in the (left) tail of8230 Copulas in Risk Management Copulas in Risk Management The Systematic Volatility Strategy The Systematic Volatility strategy uses mathematical models to quantify the relative value of ETF products based on the CBOE SampP500 Volatility Index (VIX) and create a positive-alpha longshort volatility portfolio. The strategy is designed to perform robustly during extreme market conditions, by utilizing the positive convexity of the underlying ETF assets. It does not rely8230 The Systematic Strategies Quantitative Equity Strategy Systematic Strategies started out in 2009 as a proprietary trading firm engaged in high frequency trading. In 2012 the firm expanded into low frequency systematic trading strategies with the launch of our VIX ETF strategy, which was superseded in 2015 by the Systematic Volatility Strategy. The firm began managing external capital in its managed account platform in 20158230. Strategy Portfolio Construction For many decades the principles of portfolio construction laid out by Harry Markovitz in the 1950s have been broadly accepted as one of the cornerstones of modern portfolio theory (as summarized, for example, in this Wikipedia article). The strengths and weakness of the mean-variance methodology are now widely understood and broadly accepted. But alternatives exist, one8230 HFT VIX Scalper Leads on Collective2 Our high frequency VIX scalping strategy is now the 1 top performing strategy on Collective2, with returns of over 2700 since April 2016 with a Sharpe Ratio above 10 and Profit Factor of 2.8. For more background on HFT scalping strategies see the following post: Systematic Strategies Fund Systematic Strategies was launched in 2009 as a proprietary trading firm engaged in high frequency trading. In 2012 the firm expanded into low frequency systematic trading strategies with the launch of our VIX ETF strategy. The original VIX ETF strategy was superseded in 2015 by the current Systematic Volatility Strategy, which improved on the original version by eliminating8230 The Algorithm A challenge was posted recently on LinkedIn to provide an algorithm to determine the longest palindrome in a specified string. It proved to be fairly straightforward to handle the problem in a single line of Mathematica code, as follows: teststring 8220ItellyoumadamthecatisnotacivicanimalalthoughtisdeifiedinEgypt8221 nlargest 5 TakeLargestByCasesStringCasesteststring, , Overlaps - gt All, PalindromeQ, StringLength, nlargest Flatten8230