O segredo para encontrar lucro em pares de negociação.
"Quants" é o nome de Wall Street para pesquisadores de mercado que usam análise quantitativa para desenvolver estratégias de negociação lucrativas. Em suma, um quant cobre as relações de preço e relações matemáticas entre empresas ou veículos de negociação, a fim de divinar oportunidades de negociação rentáveis. Durante a década de 1980, um grupo de quantos trabalhando para o Morgan Stanley atingiu o ouro com uma estratégia chamada de comércio de pares. Os investidores institucionais e as mesas proprietárias de negociação nos principais bancos de investimento têm usado a técnica desde então, e muitos obtiveram um lucro com a estratégia.
Raramente é do interesse dos banqueiros de investimento e gestores de fundos mútuos compartilharem estratégias de negociação lucrativas com o público, de modo que o comércio de pares permaneceu um segredo dos profissionais (e de alguns indivíduos hábeis) até o advento da internet. O comércio on-line abriu as portas para informações financeiras em tempo real e deu ao novato acesso a todos os tipos de estratégias de investimento. Não demorou muito para que o comércio de pares atraísse investidores individuais e pequenos traders que buscavam proteger sua exposição ao risco dos movimentos do mercado mais amplo.
O objetivo é combinar dois veículos comerciais altamente correlacionados, negociando um longo e outro curto quando a relação de preço do par diverge "x" número de desvios padrão - "x" é otimizado usando dados históricos. Se o par reverter à sua tendência média, um lucro é obtido em uma ou ambas as posições.
O primeiro passo para projetar uma troca de pares é encontrar duas ações altamente correlacionadas. Normalmente, isso significa que as empresas estão no mesmo setor ou subsetor, mas nem sempre. Por exemplo, os estoques indexados, como o QQQQ (Nasdaq 100) ou o SPY (S & amp; 500), podem oferecer excelentes oportunidades de negociação de pares. Dois índices que geralmente são negociados juntos são o S & P 500 e o Dow Jones Utilities Average. Este gráfico de preço simples dos dois índices demonstra sua correlação:
Para o nosso exemplo, vamos analisar duas empresas altamente correlacionadas: a GM e a Ford. Como ambos são fabricantes americanos de automóveis, seus estoques tendem a se mover juntos.
Abaixo está um gráfico semanal da relação de preços entre a Ford e a GM (calculado pela divisão do preço das ações da Ford pelo preço das ações da GM). Esta razão de preço é algumas vezes chamada de "desempenho relativo" (não confundir com o índice de força relativa, algo completamente diferente). A linha branca do centro representa a relação do preço médio nos últimos dois anos. As linhas amarela e vermelha representam um e dois desvios padrão da razão média, respectivamente.
No gráfico abaixo, o potencial de lucro pode ser identificado quando a relação de preço atinge seu primeiro ou segundo desvio. Quando essas divergências lucrativas ocorrem, é hora de assumir uma posição comprada no mau desempenho e uma posição curta no superastro. A receita da venda a descoberto pode ajudar a cobrir o custo da posição comprada, fazendo com que os pares se tornem pouco dispendiosos. O tamanho da posição do par deve corresponder ao valor em dólares em vez do número de ações; Desta forma, um movimento de 5% em um é igual a um movimento de 5% no outro. Como em todos os investimentos, existe o risco de que os negócios possam entrar no vermelho, por isso é importante determinar pontos otimizados de stop-loss antes de implementar o comércio de pares.
Um exemplo usando contratos de futuros.
Uma negociação de pares no mercado de futuros pode envolver uma arbitragem entre o contrato de futuros e a posição de caixa de um determinado índice. Quando o contrato futuro fica à frente da posição de caixa, um comerciante pode tentar lucrar, encurtando o futuro e indo muito longe no estoque de rastreamento do índice, esperando que eles se juntem em algum momento. Muitas vezes, os movimentos entre um índice ou commodity e seu contrato futuro são tão rígidos que os lucros são deixados apenas para o mais rápido dos traders - frequentemente usando computadores para executar automaticamente posições enormes em um piscar de olhos.
Um exemplo usando opções.
Evidência de Rentabilidade.
Os interessados na técnica de troca de pares podem encontrar mais informações e instruções no livro de Ganapathy Vidyamurthy, Pairs Trading: Métodos Quantitativos e Análise, que você pode encontrar aqui.
Top 5 livros para se tornar um comerciante de Forex.
Para muitos investidores, o mundo do câmbio, ou forex, parece assustador e, portanto, é muitas vezes esquecido ou evitado. No entanto, vários livros estão disponíveis sobre o tema da troca de moeda, que vão desde a educação básica no mercado forex até estratégias avançadas de negociação com base em análise fundamental e análise técnica.
"Troca de moeda para manequins"
"Moeda Trading for Dummies" é uma boa escolha para os comerciantes que estão apenas começando a enfrentar o mundo do câmbio. Publicado em 2011, o livro foi escrito por Brian Dolan, um veterano do mercado Forex há mais de 20 anos, trabalhando como trader de câmbio e analista de mercado. Dolan foi o principal estrategista cambial do Forex, onde supervisionou análises fundamentais e técnicas, e é regularmente usado como um recurso para os últimos desenvolvimentos da moeda pela mídia financeira. O livro é um dos melhores para iniciantes, pois apresenta instruções claras e fáceis de ler sobre o mercado forex.
"Dia de Negociação no Mercado de Moedas"
O "Day Trading the Currency Market", de Kathy Lien, é muito popular entre os novos e crescentes traders de forex. Seu livro fornece uma abordagem em duas frentes, oferecendo tanto teoria quanto aprendizado acionável, com insights equilibrados sobre as estratégias fundamentais e técnicas de negociação forex projetadas para gerar lucros regulares. O livro de Lien também oferece informações abrangentes e específicas sobre todos os aspectos dos mercados monetários e de câmbio. Lien orienta os leitores, passo a passo, através dos fundamentos de Forex - como fatores de longo e curto prazo que afetam os pares de moedas -, além de cobrir as estratégias de negociação de análise técnica que os profissionais de câmbio utilizam diariamente.
A Lien, uma analista de câmbio de renome mundial, tem décadas de experiência e um extenso currículo. Anteriormente trabalhando no JP Morgan Chase & amp; Co (NYSE: JPM), Lien é o diretor administrativo da BK Asset Management. Ela é uma convidada frequentemente apresentada na Bloomberg, CNBC e Reuters.
"Previsão de moeda"
Escrito pelo analista do Merrill Lynch Michael Rosenberg, "Previsão de Moeda" é considerado um dos trabalhos inovadores e definitivos em negociação forex. Durante décadas, analistas e comerciantes recorreram à peça concisa, intuitiva e inteligente de Rosenberg, que combina a macroeconomia do forex com análises fundamentais e técnicas. O livro foi publicado pela primeira vez em 1995, mas continua sendo um guia útil para os mercados de câmbio. Rosenberg vincula a dinâmica monetária internacional ao que legitimamente acontece nos mercados de câmbio. Há muito tempo ele é saudado como líder entre os analistas de forex, e sua capacidade de delinear conexões claras entre fatores financeiros e financeiros díspares continua a fazer da "Previsão de Moeda" um guia para traders interessados em trocar moedas.
"Técnicas Japonesas de Cartografia de Candelabros"
"Japanese Candlestick Charting Techniques", de Steve Nison, fornece uma longa e profunda instrução sobre os gráficos de velas japonesas, uma ferramenta técnica versátil que é muito popular entre os traders de forex. O livro discute como gráficos candlestick são usados em conjunto com outras ferramentas técnicas para auxiliar na melhoria da análise técnica de mercado. O gráfico de castiçais também é usado com frequência para futuros, especulação, hedge, ações ou qualquer lugar em que a análise técnica possa ser aplicada. Os antecedentes de Nison, compostos de anos de pesquisa e estudo, bem como aplicação prática e sua linguagem fácil de entender tornam as "Técnicas Japonesas de Gráficos de Candelabros" uma leitura ideal para traders que estão buscando uma melhor compreensão da estratégia de negociação forex.
"Como ganhar dinheiro em divisas"
Courtney Smith começa "How to Make a Living Trading Foreign Exchange", com uma introdução ao mundo do forex, explicando as noções básicas de comércio de divisas e como ele funciona. A maior parte do livro é dedicada a estratégias de negociação que Smith recomenda para ganhar dinheiro através de negociação forex, citando seis maneiras que ele apregoa como ideais para ajudar os comerciantes a ganhar uma renda estável. Exclusivo para o livro é a regra de rejeição de Smith, uma estratégia projetada para dobrar o lucro gerado a partir de sistemas básicos de fuga de canal. O livro de Smith também fornece importantes técnicas de gerenciamento de risco, bem como material sobre a psicologia do comércio.
[Para que o resto de nós chegue ao mundo das operações cambiais e cambiais, um sólido controle sobre nossas próprias finanças é um bom ponto de partida. O curso Master Your Money da Investopedia Academy oferece 20 horas de vídeos e lições interativas para nos ensinar tudo o que precisamos saber sobre como orçamentar, economizar, aumentar nosso poder aquisitivo e investir no futuro. Verifique isso agora! ]
Par Estratégia de Negociação e Backtesting usando Quantstrat.
Um recente Webinar Apresentação de Marco Nicolas Dibo.
Este webinar perspicaz sobre negociação de pares e dados de sourcing abrange os fundamentos da estratégia de negociação de pares, seguidos de dois exemplos. No primeiro exemplo, Marco cobre a estratégia de negociação de pares para diferentes ações negociadas na mesma bolsa, e no segundo exemplo, Marco ilustrou a estratégia de pares para diferentes futuros de commodities negociados em diferentes bolsas. Marco também detalha as diferentes fontes de dados, incluindo o Quandl, que pode ser usado para criar estratégias de negociação.
Este artigo é o projeto final submetido pelo autor como parte de seu curso no Executive Program em Algorithmic Trading (EPAT) da QuantInsti. Confira nossa página de projetos e veja o que nossos alunos estão construindo.
Marco passou sua carreira como comerciante e gerente de portfólio, com um foco particular nos mercados de ações e derivativos. Ele é especialista em finanças quantitativas e negociação algorítmica e atualmente atua como chefe da Quantitative Trading Desk e vice-presidente da Argentina Valores SA Marco também é co-fundador e CEO da Quanticko Trading SA, uma empresa dedicada ao desenvolvimento de estratégias de negociação de alta frequência e software de negociação. Marco é bacharel em Economia e mestre em Finanças pela Universidade de San Andrés.
Introdução.
Uma das minhas aulas favoritas durante a EPAT foi a arbitragem estatística, então a estratégia de negociação em pares pareceu uma boa ideia para mim. Minha estratégia desencadeia novas ordens quando a relação par dos preços das ações diverge da média. Mas, para trabalhar, primeiro temos que testar o par a ser cointegrado. Se o coeficiente par é cointegrado, a razão é reversão-média e quanto maior a dispersão de sua média, maior a probabilidade de reversão, o que torna o comércio mais atraente. Eu escolhi o seguinte par de ações:
A idéia é a seguinte: Se encontrarmos duas ações correlacionadas (elas correspondem ao mesmo setor), e a proporção de pares divergir de um certo limite, nós encurtaremos o estoque que é caro e compraremos aquele que é barato. Uma vez que eles convergem para a média, fechamos as posições e lucramos com a reversão.
Lógica de Estratégia de Negociação.
A lógica é simples. O algoritmo calcula a pontuação Z diária para cada par de ações. O escore Z é o número de desvios padrão que a relação do par divergiu da média:
Onde R é a razão de preço de ambos os estoques, μ é a média da razão e σ é o desvio padrão da relação de preço.
Uma vez que a pontuação Z está fora de um certo limite, preenchemos a primeira condição necessária para enviar um pedido.
Mas o algoritmo também deve atender a uma segunda condição: calcula o teste de Dickey Fuller aumentado para o par de estoques. Mais especificamente, obtém o valor p do teste. Em seguida, compara-o com um nível de significância definido (alfa) e, se o valor p for menor que o alfa, isso significa que as séries de razão de preço são estacionárias e a segunda condição é atendida. Se ambas as condições forem atendidas, o algoritmo compra o perdedor e vende o vencedor. As regras de saída se aplicam em um determinado limite de pontuação Z. Para a otimização da estratégia, as variáveis que usei foram as seguintes:
Limites de entrada do Z-Score Limites de saída do Z-Score Segunda condição (cointegração) Verdadeiro ou Falso.
Detalhes do código e Backtest no exemplo:
O período in-sample para o backtesting foi de 01-01-2009 a 31-12-2012. O escore Z foi calculado usando os seguintes parâmetros:
Média móvel do índice de preço: 20 dias Desvio padrão do índice de preço: 20 dias Janela de teste do ADF: 60 dias Capital inicial = 100.000 USD Quantidades de compra / venda de spread = 3000.
Quando encurtarmos o spread, estamos vendendo "C & # 8221; e comprando & # 8220; BAC & # 8221; e quando compramos o spread, estamos fazendo o oposto. Eu usei biblioteca quantstrat [1] para backtesting a estratégia. Vamos mergulhar no código:
Como mencionado anteriormente, usarei a biblioteca quantstrat para otimizar minha estratégia. Para usar a quantstrat, primeiro precisamos definir e inicializar instrumentos, estratégia, portfólio, conta e ordens:
Então, calculamos e adicionamos à estratégia nossos dois indicadores para a estratégia:
& # 8211; Teste ADF (Verdadeiro ou Falso)
No gráfico a seguir, podemos ver a evolução do escore Z durante o período e os valores possíveis para o limiar, onde a razão reverte para a média e os valores extremos. Eu defino algumas linhas no limiar da pontuação Z +/- 2, onde parece haver uma reversão da relação do par. Este valor do z-score significa que a relação do par é +/- desvios-padrão da sua média.
Agora, definimos nossas variáveis de otimização:
Como podemos ver em nosso resumo, existem 2 indicadores, 7 sinais e 3 regras definidas em nossa estratégia. Agora podemos executar o backtest, verificar as transações e o desempenho da nossa estratégia.
A otimização foi feita com os seguintes valores para as variáveis:
Do backtest na amostra, obtivemos os seguintes resultados:
Desta tabela podemos obter os valores das variáveis que otimizam a estratégia. À primeira vista, parece que existem 3 candidatos (caso 4, caso 6 e caso 8). Se compararmos entre os casos 6 e 8 chegamos à conclusão de que o caso 8 é o melhor, pois tem um índice de Sharpe anualizado maior e lucro para rebaixamento máximo, uma porcentagem maior de negócios positivos, um patrimônio final maior e com o mesmo número de comércios. Então agora ficamos com apenas 2 candidatos: 4 e 8. Se nós apenas estivéssemos verificando o que tem o maior índice anualizado de Sharpe, preferiríamos o caso 4. O caso 8 também não leva em conta que a série deve ser cointegrado, e caso 4, portanto, isso seria outra vantagem para o caso 4. Mas, se levarmos em conta o número de transações, o lucro para o rebaixamento máximo, o patrimônio final, a porcentagem de negócios positivos e o fato de que diferença na relação de Sharpe não é uma grande diferença, nós definitivamente selecionaremos o caso 8 como nosso melhor candidato.
Fora do Backtest de Amostra:
Agora que otimizamos a estratégia e obtivemos os valores ideais para os parâmetros, podemos executar uma amostra da blacktest e ver como a estratégia funciona. O período fora da amostra para o teste de retorno vai de 01-01-2013 a 31-12-2015 e os valores otimizados para os limites e regras foram os seguintes:
Limite de Compra do Z-Score = -2 Limite de Venda do Z-Score = 2 Limite de Saída Longo do Z-Score = -1 Limite de Saída Curto do Z-Score = 1 Teste do ADF = Falso.
O gráfico a seguir mostra as diferentes transações, a equidade final e os resultados de redução para nossa estratégia:
A partir da tabela abaixo, podemos ver que os resultados do backtest out of sample não são tão bons quanto os obtidos no backtest in sample.
O índice de Sharpe anualizado ainda é positivo, mas menor do que o 3,52 obtido anteriormente. O lucro para o rebaixamento máximo é bem pior do que o 4,23, mas o rebaixamento máximo diminuiu de 16327 para 8641. Nossa estratégia oferece um retorno acumulado de 16,04% e um retorno anualizado de 5,08% durante os três anos em que foi implementado.
Conclusão.
A ideia quando comecei o Programa Executivo em negociação algorítmica era aprender como modelar uma estratégia de negociação quantitativa, fazer o backtest e depois otimizá-la. Graças aos meus professores e ao pessoal da QuantInsti, sinto que o objetivo foi alcançado. Tudo no curso foi excelente e recomendaria a todos os interessados em aprender negociação algorítmica.
Próximos passos.
Para entender as estatísticas por trás do Pair Trading, Correlation e Cointegration, dê uma olhada no nosso post aqui. Aprenda a aplicação da reversão à média e otimize os parâmetros de negociação usando este modelo Excel para download.
Se você é um codificador ou um profissional de tecnologia olhando para iniciar sua própria mesa de negociação automatizada. Aprenda negociação automatizada de palestras interativas ao vivo por profissionais diários. O Programa Executivo em Negociação Algorítmica abrange módulos de treinamento, como Estatísticas & amp; Econometria, Computação Financeira & amp; Tecnologia e Algoritmica & amp; Negociação Quantitativa. Inscreva-se agora!
Par livros de estratégias de negociação
Eu estou tentando aprender sobre estratégia de negociação de pares e estou usando este pseudo código para escrever meu programa R.
Atualmente estou usando Systematic Investor Toolbox (SIT) para backtesting usando análise técnica, mas eu não sei como fazer backtest par estratégias de negociação usando SIT.
O problema atual é como simular a compra e venda de pares no SIT. Se SIT não pode fazer pares de estratégia de negociação de volta, em seguida, como devo executar estratégia de negociação de pares, especialmente entrando e saindo. Que lógica devo usar?
Depois de pesquisar um pouco, sei que podemos criar um backtester a partir do zero usando o PerformanceAnalytics; mas antes do teste de volta, temos que criar valores de sinal e retorno. Abaixo está um código de exemplo.
No código acima, a criação de sinal é fácil, mas para pares que trocam a lógica que devo usar para criar sinais e retornar para esses sinais?
Par livros de estratégias de negociação
@Anthony, A seu ponto, eu acho que existem muitas aplicações de ML que podem ser valiosas para um processo de investimento além de tentar encaixar e prever preços / retornos diretamente. isso é apenas um exemplo. Combinação de sinal, como descrito nesta série popular é outra ótima aplicação.
a) O alfa da estratégia se origina do conjunto de dados (financial_health_grade). Pareceu-me que a suposição de que ações do mesmo financial_health_grade se comportam de maneira semelhante é feita no início do processo. Mas o agrupamento parece estar usando o preço das ações para chegar aos clusters. O alfa será considerado parte do conjunto de dados ou do algoritmo de agrupamento. Estou fazendo esta pergunta porque houve um impulso recentemente para encontrar alpha nos conjuntos de dados que a Quantopian fornece e não tenho certeza se uma justificativa econômica pode ser feita de que o alpha foi derivado diretamente do financial_health_grade,
Minha análise não pretende dizer nada sobre qualquer alfa incorporado no financial_health_grade. Pode haver algum alfa lá, mas essa análise não exige isso. Estou simplesmente dizendo que os estoques com graus de saúde semelhantes devem ter reações econômicas semelhantes e comportamento dos preços das ações. Eu uso os preços das ações, traduzido em retornos e, em seguida, reduzido para 50 carregamentos de PCA, para fazer o agrupamento junto com o valor de mercado e financial_health_grade. A matriz de recursos para o clustering tem 52 colunas: 50 são os loadings do PCA, um é o financial_health_grade e um é o valor de mercado. Uma análise completamente separada poderia ser feita (via alphalens) para ver se o financial_health_grade é de fato um fator alfa, mas, novamente, não relacionado ao meu post.
b) Eu também tenho uma questão geral com os pares negociando como uma estratégia para a alocação de fundos Q. A negociação de pares se encaixa nos requisitos dos critérios de alocação de fundos Q, onde precisamos controlar os riscos beta, de setor e de concentração de posições para estar dentro de certos limites que são atingidos normalmente por meio do order_optimal_portfolio e do subjacente cvxopt. Se soubermos quais pares vamos negociar, talvez nem sempre seja possível encaixar bem com o algoritmo subjacente em order_optimal_portfolio para seleção de ações com exposições de risco controladas.
Sim! Um par de pares é muito adequado para uma alocação de fundos Q. Uma característica dos pares algos que é muito boa é que os lados longos e curtos são naturalmente balanceados com ativos auto-similares. Assim, um livro de pares, muitas vezes sem qualquer massagem adicional, é naturalmente beta e setorialmente neutro. O desafio com pares algos é muitas vezes chegando com pares válidos o suficiente e, de forma relacionada, alcançando uso consistente de capital. Há um exemplo aqui que usa order_optimal_portfolio dentro de um algoritmo de pares.
Eu concordo com a resposta de Delaney. Em relação ao teste de Johansen, notei este post solitário que aponta para uma implementação em Python que você pode copiar / colar. Eu não tentei isso.
O material deste site é fornecido apenas para fins informativos e não constitui uma oferta de venda, uma solicitação de compra ou uma recomendação ou endosso para qualquer segurança ou estratégia, nem constitui uma oferta para fornecer serviços de consultoria de investimento pela Quantopian. Além disso, o material não oferece opinião com relação à adequação de qualquer investimento específico ou de segurança. Nenhuma informação aqui contida deve ser considerada como uma sugestão para se envolver ou se abster de qualquer ação relacionada ao investimento, pois nenhuma das suas afiliadas está comprometida em fornecer consultoria de investimento, agir como um consultor para qualquer plano ou entidade sujeita a o Employee Retirement Income Security Act de 1974, conforme alterado, conta de aposentadoria individual ou anuidade de aposentadoria individual, ou dar conselhos em uma capacidade fiduciária com relação aos materiais aqui apresentados. Se você for um investidor individual ou outro investidor, entre em contato com seu consultor financeiro ou outro fiduciário não relacionado com a Quantopian sobre se qualquer ideia, estratégia, produto ou serviço de investimento descrito aqui pode ser apropriado para suas circunstâncias. Todos os investimentos envolvem risco, incluindo perda de principal. A Quantopian não garante a exatidão ou integridade das opiniões expressas no site. As opiniões estão sujeitas a alterações e podem ter se tornado não confiáveis por várias razões, incluindo mudanças nas condições de mercado ou circunstâncias econômicas.
@ Jonathan, obrigado por explicar detalhadamente e fornecer indicadores úteis, incluindo as alterações no order_optimal_portfolio que são necessárias para acompanhar a estratégia de negociação de Paris. Vejo agora como a própria estratégia de negociação de pares pode reduzir as exposições ao risco e por que não precisamos de order_optimal_portfolio para fazer isso para nós nessa estratégia.
Eu tinha ficado longe do que parecem ser estratégias baseadas em preços puros antes, porque eu tinha desenvolvido alguns equívocos que os algoritmos de tipo de reversão Média não estavam sendo favorecidos na alocação de Q depois de ler alguns posts no fórum, obrigado por esclarecer a situação.
Este é um tema muito interessante para explorar e eu definitivamente estaria gastando algum tempo nesta área em breve expandindo o seu excelente trabalho de pesquisa.
Não obtenho a decomposição do PCA que você usa:
pcaponents_.T como os novos dados.
Eu teria feito:
res [& # 39; Market Cap & # 39;] [returns. columns].values [:, np. newaxis],
res [& # 39; Saúde financeira & # 39;] [returns. columns].values [:, np. newaxis])
Essencialmente, você tem 504 amostras de dados com cerca de 1400 recursos que você deseja reduzir para 50. Ou seja, 504 amostras de 50 recursos. A fit_transform encontra os novos eixos e transforma os dados. Você acabou de usar os eixos.
Em relação ao viés de comparações múltiplas, ainda não tenho uma percepção intuitiva disso. Digamos que eu tenha uma caixa de 1000 palitos de dente e quero encontrar pares que tenham quase o mesmo peso e comprimento, dentro das tolerâncias especificadas. Eu tenho uma balança e um microscópio de medição. Arregaço as mangas e começo a fazer comparações aleatórias entre pares. Depois de 1000 * 999/2 = 499,500 comparações, estou pronto, e tenho uma lista de pares de palitos de dente (eu esqueci de mencionar, antes da minha avaliação, eu tinha cada palito gravado a laser com um número de série). Então, onde entra o preconceito?
Acho que a ideia aqui é que, se eu tiver algumas informações adicionais sobre os palitos de dente, além do peso e do comprimento, poderei usá-lo para melhorar minha avaliação. Por exemplo, se os palitos de dente são coloridos (para as férias), vermelho e verde, posso supor que os palitos vermelhos foram feitos em uma fábrica de palitos vermelhos e os verdes em uma fábrica separada. Nesse caso, agrupar por cor pode ajudar a melhorar minha avaliação e reduzir o número de pares espúrios. Mas se os palitos de dente forem todos feitos na mesma fábrica, e o processo de coloração não afetar o peso e / ou o comprimento de maneira diferente por cor, então eu poderia estar alegando que descobri uma técnica melhorada para emparelhar palitos, mas não fez nada substantivo.
Para a análise de Jonathan, estou pensando que a hipótese é algo como "Toda essa análise sofisticada funciona e reduz o número de pares espúrios cointegrados, em uma abordagem de força bruta". Assim, parece que seria necessário fazer a análise de força bruta e, em seguida, descobrir como compará-lo com a técnica proposta, para determinar se é benéfico. Pode ser "a bomba"; mas para mim a vantagem não é clara (além de talvez reduzir o problema a ser mais computacionalmente tratável com os recursos disponíveis).
Um par de pares é muito adequado para uma alocação de fundos Q.
Intuitivamente, como outras técnicas de quantificação bem conhecidas que usam dados prontamente disponíveis (por exemplo, reversão de média de preço), acho que haveria captações muito pequenas por aí. Minha suposição é que, por décadas, os fundos de hedge tiveram grandes honkin & # 39; computadores agitando o problema, espremendo o alfa da troca de pares. Eu não tenho experiência na indústria, mas não parece que o Quantopian tenha alguma vantagem nessa área. Dito isso, talvez como um fator alfa incremental no grande esquema multifatorial descrito no post do blog de Jonathan, pode-se colocá-lo no mix, apenas por causa do yuck. Seria factível formular pares negociando como um fator alfa de pipeline geral?
Como comentário geral, eu concordo que a mensagem sobre o que é mais provável conseguir uma atribuição é confusa. Por um lado, temos a diretiva para usar & quot; conjuntos de dados alternativos & quot; e, por outro, a orientação que associa a negociação, potencialmente usando apenas os fundamentos da empresa e dados de preço-volume, seria atraente. E também orientação de que algos multifatoriais são desejáveis (mas talvez apenas se todos os fatores forem baseados em conjuntos de dados alternativos?). Pessoalmente, eu não quero gastar os próximos 6 meses desenvolvendo um algoritmo de troca de pares (ou fator alfa, se isso for viável), e depois outro papel de 6 meses, apenas para saber que minhas chances de conseguir uma alocação são escassos devido à intenção estratégica de não corresponder aos requisitos (esta é a mensagem que acho que recebi relativamente às estratégias de reversão à média dos preços e possivelmente até aos fatores alfa de reversão da média dos preços. Não tenho a certeza). Em certo sentido, uma vantagem que a Quantopian tem sobre os fundos de hedge tradicionais é que eles podem ignorar totalmente a intenção estratégica e apenas basear suas avaliações e alocações no desempenho do algoritmo de caixa preta. Isso eliminaria o risco de mentalidade de rebanho ou preconceitos pessoais por parte da equipe do fundo. Basta ir com os dados.
O notebook é ótimo. Eu acho que todo mundo entende que o exemplo aqui (palestra 24) referenciado de passagem foi meramente fornecido como um ponto de partida para pares negociados naquela época, eu vou apenas moderar um pouco, não dissecar demais, mas já que eu Deu uma olhada, então para aqueles que podem viajar por esse caminho, algumas coisas para saber. Se clonar isso, a data final é ajustada automaticamente para hoje e por isso não é surpresa que desde que se originou há algum tempo atrás, 3 das suas 4 ações foram retiradas, pelo que estes comentários aplicam-se apenas ao final de 2015 antes os delists (antes do primeiro em fevereiro de 2016). Ele atinge uma alavancagem de 1,36 em um ponto e, como sempre, é algo para nós mantermos um olho. Seu FixedSlippage resulta em nenhum preenchimento parcial que pode ser útil para testes às vezes, da Ajuda: o uso ingênuo de modelos de deslizamento fixo levará a preenchimentos irrealistas, particularmente com grandes pedidos e / ou títulos ilíquidos. Usando o mesmo FixedSlippage, os retornos são quase idênticos em 1M vs 10M, embora o uso de capital se torne apenas 9%. Assim, a linha de slippage pode ser comentada para slippage padrão e, em seguida, em 1M há uma média de [integer edited later porque pode ter havido um bug na contagem neste momento] minutos de preenchimentos parciais por ação, e o efeito recebe retornos de +29 a -16 e reduz a alavancagem máxima para .52. Tanto o par ABGB quanto o FSLR sofreram perdas. Não é um grande negócio, pois é apenas um ponto de partida para construir, há também o outro algoritmo de negociação de pares (mais básico, palestra 23) na série de palestras que vale a pena conhecer.
Essencialmente, você tem 504 amostras de dados com cerca de 1400 recursos que você deseja reduzir para 50. Ou seja, 504 amostras de 50 recursos. A fit_transform encontra os novos eixos e transforma os dados. Você acabou de usar os eixos.
É intencional que eu não faça a transformação dos dados. A interpretação financeira é que os componentes são betas por ação para fatores estatísticos ocultos. Quando você passa com fit_transform (.) Você obtém a série temporal de cada fator oculto. Não quero isso. Eu simplesmente quero agrupar os betas.
@Grant, coiote verde-oliva,
Não concordo que este trabalho seja para benefício exclusivo do tempo de computação. A principal diferença entre encontrar pares e sua analogia com o palito é que o resultado de sua busca por palitos será a verdade básica, mas isso não acontece no trabalho estatístico. O palito mais curto de hoje não deixa de ser o palito mais curto amanhã. Uma busca por pares de força bruta certamente trará muitos resultados espúrios. Para proteger contra a mineração de dados, você deve condicionar sua pesquisa.
O material deste site é fornecido apenas para fins informativos e não constitui uma oferta de venda, uma solicitação de compra ou uma recomendação ou endosso para qualquer segurança ou estratégia, nem constitui uma oferta para fornecer serviços de consultoria de investimento pela Quantopian. Além disso, o material não oferece opinião com relação à adequação de qualquer investimento específico ou de segurança. Nenhuma informação aqui contida deve ser considerada como uma sugestão para se envolver ou se abster de qualquer ação relacionada ao investimento, pois nenhuma das suas afiliadas está comprometida em fornecer consultoria de investimento, agir como um consultor para qualquer plano ou entidade sujeita a o Employee Retirement Income Security Act de 1974, conforme alterado, conta de aposentadoria individual ou anuidade de aposentadoria individual, ou dar conselhos em uma capacidade fiduciária com relação aos materiais aqui apresentados. Se você for um investidor individual ou outro investidor, entre em contato com seu consultor financeiro ou outro fiduciário não relacionado com a Quantopian sobre se qualquer ideia, estratégia, produto ou serviço de investimento descrito aqui pode ser apropriado para suas circunstâncias. Todos os investimentos envolvem risco, incluindo perda de principal. A Quantopian não garante a exatidão ou integridade das opiniões expressas no site. As opiniões estão sujeitas a alterações e podem ter se tornado não confiáveis por várias razões, incluindo mudanças nas condições de mercado ou circunstâncias econômicas.
@Anthony, A seu ponto, eu acho que existem muitas aplicações de ML que podem ser valiosas para um processo de investimento além de tentar encaixar e prever preços / retornos diretamente. isso é apenas um exemplo. Combinação de sinal, como descrito nesta série popular é outra ótima aplicação.
a) O alfa da estratégia se origina do conjunto de dados (financial_health_grade). Pareceu-me que a suposição de que ações do mesmo financial_health_grade se comportam de maneira semelhante é feita no início do processo. Mas o agrupamento parece estar usando o preço das ações para chegar aos clusters. O alfa será considerado parte do conjunto de dados ou do algoritmo de agrupamento. Estou fazendo esta pergunta porque houve um impulso recentemente para encontrar alpha nos conjuntos de dados que a Quantopian fornece e não tenho certeza se uma justificativa econômica pode ser feita de que o alpha foi derivado diretamente do financial_health_grade,
Minha análise não pretende dizer nada sobre qualquer alfa incorporado no financial_health_grade. Pode haver algum alfa lá, mas essa análise não exige isso. Estou simplesmente dizendo que os estoques com graus de saúde semelhantes devem ter reações econômicas semelhantes e comportamento dos preços das ações. Eu uso os preços das ações, traduzido em retornos e, em seguida, reduzido para 50 carregamentos de PCA, para fazer o agrupamento junto com o valor de mercado e financial_health_grade. A matriz de recursos para o clustering tem 52 colunas: 50 são os loadings do PCA, um é o financial_health_grade e um é o valor de mercado. Uma análise completamente separada poderia ser feita (via alphalens) para ver se o financial_health_grade é de fato um fator alfa, mas, novamente, não relacionado ao meu post.
b) Eu também tenho uma questão geral com os pares negociando como uma estratégia para a alocação de fundos Q. A negociação de pares se encaixa nos requisitos dos critérios de alocação de fundos Q, onde precisamos controlar os riscos beta, de setor e de concentração de posições para estar dentro de certos limites que são atingidos normalmente por meio do order_optimal_portfolio e do subjacente cvxopt. Se soubermos quais pares vamos negociar, talvez nem sempre seja possível encaixar bem com o algoritmo subjacente em order_optimal_portfolio para seleção de ações com exposições de risco controladas.
Sim! Um par de pares é muito adequado para uma alocação de fundos Q. Uma característica dos pares algos que é muito boa é que os lados longos e curtos são naturalmente balanceados com ativos auto-similares. Assim, um livro de pares, muitas vezes sem qualquer massagem adicional, é naturalmente beta e setorialmente neutro. O desafio com pares algos é muitas vezes chegando com pares válidos o suficiente e, de forma relacionada, alcançando uso consistente de capital. Há um exemplo aqui que usa order_optimal_portfolio dentro de um algoritmo de pares.
Eu concordo com a resposta de Delaney. Em relação ao teste de Johansen, notei este post solitário que aponta para uma implementação em Python que você pode copiar / colar. Eu não tentei isso.
O material deste site é fornecido apenas para fins informativos e não constitui uma oferta de venda, uma solicitação de compra ou uma recomendação ou endosso para qualquer segurança ou estratégia, nem constitui uma oferta para fornecer serviços de consultoria de investimento pela Quantopian. Além disso, o material não oferece opinião com relação à adequação de qualquer investimento específico ou de segurança. Nenhuma informação aqui contida deve ser considerada como uma sugestão para se envolver ou se abster de qualquer ação relacionada ao investimento, pois nenhuma das suas afiliadas está comprometida em fornecer consultoria de investimento, agir como um consultor para qualquer plano ou entidade sujeita a o Employee Retirement Income Security Act de 1974, conforme alterado, conta de aposentadoria individual ou anuidade de aposentadoria individual, ou dar conselhos em uma capacidade fiduciária com relação aos materiais aqui apresentados. Se você for um investidor individual ou outro investidor, entre em contato com seu consultor financeiro ou outro fiduciário não relacionado com a Quantopian sobre se qualquer ideia, estratégia, produto ou serviço de investimento descrito aqui pode ser apropriado para suas circunstâncias. Todos os investimentos envolvem risco, incluindo perda de principal. A Quantopian não garante a exatidão ou integridade das opiniões expressas no site. As opiniões estão sujeitas a alterações e podem ter se tornado não confiáveis por várias razões, incluindo mudanças nas condições de mercado ou circunstâncias econômicas.
@ Jonathan, obrigado por explicar detalhadamente e fornecer indicadores úteis, incluindo as alterações no order_optimal_portfolio que são necessárias para acompanhar a estratégia de negociação de Paris. Vejo agora como a própria estratégia de negociação de pares pode reduzir as exposições ao risco e por que não precisamos de order_optimal_portfolio para fazer isso para nós nessa estratégia.
Eu tinha ficado longe do que parecem ser estratégias baseadas em preços puros antes, porque eu tinha desenvolvido alguns equívocos que os algoritmos de tipo de reversão Média não estavam sendo favorecidos na alocação de Q depois de ler alguns posts no fórum, obrigado por esclarecer a situação.
Este é um tema muito interessante para explorar e eu definitivamente estaria gastando algum tempo nesta área em breve expandindo o seu excelente trabalho de pesquisa.
Não obtenho a decomposição do PCA que você usa:
pcaponents_.T como os novos dados.
Eu teria feito:
res [& # 39; Market Cap & # 39;] [returns. columns].values [:, np. newaxis],
res [& # 39; Saúde financeira & # 39;] [returns. columns].values [:, np. newaxis])
Essencialmente, você tem 504 amostras de dados com cerca de 1400 recursos que você deseja reduzir para 50. Ou seja, 504 amostras de 50 recursos. A fit_transform encontra os novos eixos e transforma os dados. Você acabou de usar os eixos.
Em relação ao viés de comparações múltiplas, ainda não tenho uma percepção intuitiva disso. Digamos que eu tenha uma caixa de 1000 palitos de dente e quero encontrar pares que tenham quase o mesmo peso e comprimento, dentro das tolerâncias especificadas. Eu tenho uma balança e um microscópio de medição. Arregaço as mangas e começo a fazer comparações aleatórias entre pares. Depois de 1000 * 999/2 = 499,500 comparações, estou pronto, e tenho uma lista de pares de palitos de dente (eu esqueci de mencionar, antes da minha avaliação, eu tinha cada palito gravado a laser com um número de série). Então, onde entra o preconceito?
Acho que a ideia aqui é que, se eu tiver algumas informações adicionais sobre os palitos de dente, além do peso e do comprimento, poderei usá-lo para melhorar minha avaliação. Por exemplo, se os palitos de dente são coloridos (para as férias), vermelho e verde, posso supor que os palitos vermelhos foram feitos em uma fábrica de palitos vermelhos e os verdes em uma fábrica separada. Nesse caso, agrupar por cor pode ajudar a melhorar minha avaliação e reduzir o número de pares espúrios. Mas se os palitos de dente forem todos feitos na mesma fábrica, e o processo de coloração não afetar o peso e / ou o comprimento de maneira diferente por cor, então eu poderia estar alegando que descobri uma técnica melhorada para emparelhar palitos, mas não fez nada substantivo.
Para a análise de Jonathan, estou pensando que a hipótese é algo como "Toda essa análise sofisticada funciona e reduz o número de pares espúrios cointegrados, em uma abordagem de força bruta". Assim, parece que seria necessário fazer a análise de força bruta e, em seguida, descobrir como compará-lo com a técnica proposta, para determinar se é benéfico. Pode ser "a bomba"; mas para mim a vantagem não é clara (além de talvez reduzir o problema a ser mais computacionalmente tratável com os recursos disponíveis).
Um par de pares é muito adequado para uma alocação de fundos Q.
Intuitivamente, como outras técnicas de quantificação bem conhecidas que usam dados prontamente disponíveis (por exemplo, reversão de média de preço), acho que haveria captações muito pequenas por aí. Minha suposição é que, por décadas, os fundos de hedge tiveram grandes honkin & # 39; computadores agitando o problema, espremendo o alfa da troca de pares. Eu não tenho experiência na indústria, mas não parece que o Quantopian tenha alguma vantagem nessa área. Dito isso, talvez como um fator alfa incremental no grande esquema multifatorial descrito no post do blog de Jonathan, pode-se colocá-lo no mix, apenas por causa do yuck. Seria factível formular pares negociando como um fator alfa de pipeline geral?
Como comentário geral, eu concordo que a mensagem sobre o que é mais provável conseguir uma atribuição é confusa. Por um lado, temos a diretiva para usar & quot; conjuntos de dados alternativos & quot; e, por outro, a orientação que associa a negociação, potencialmente usando apenas os fundamentos da empresa e dados de preço-volume, seria atraente. E também orientação de que algos multifatoriais são desejáveis (mas talvez apenas se todos os fatores forem baseados em conjuntos de dados alternativos?). Pessoalmente, eu não quero gastar os próximos 6 meses desenvolvendo um algoritmo de troca de pares (ou fator alfa, se isso for viável), e depois outro papel de 6 meses, apenas para saber que minhas chances de conseguir uma alocação são escassos devido à intenção estratégica de não corresponder aos requisitos (esta é a mensagem que acho que recebi relativamente às estratégias de reversão à média dos preços e possivelmente até aos fatores alfa de reversão da média dos preços. Não tenho a certeza). Em certo sentido, uma vantagem que a Quantopian tem sobre os fundos de hedge tradicionais é que eles podem ignorar totalmente a intenção estratégica e apenas basear suas avaliações e alocações no desempenho do algoritmo de caixa preta. Isso eliminaria o risco de mentalidade de rebanho ou preconceitos pessoais por parte da equipe do fundo. Basta ir com os dados.
O notebook é ótimo. Eu acho que todo mundo entende que o exemplo aqui (palestra 24) referenciado de passagem foi meramente fornecido como um ponto de partida para pares negociados naquela época, eu vou apenas moderar um pouco, não dissecar demais, mas já que eu Deu uma olhada, então para aqueles que podem viajar por esse caminho, algumas coisas para saber. Se clonar isso, a data final é ajustada automaticamente para hoje e por isso não é surpresa que desde que se originou há algum tempo atrás, 3 das suas 4 ações foram retiradas, pelo que estes comentários aplicam-se apenas ao final de 2015 antes os delists (antes do primeiro em fevereiro de 2016). Ele atinge uma alavancagem de 1,36 em um ponto e, como sempre, é algo para nós mantermos um olho. Seu FixedSlippage resulta em nenhum preenchimento parcial que pode ser útil para testes às vezes, da Ajuda: o uso ingênuo de modelos de deslizamento fixo levará a preenchimentos irrealistas, particularmente com grandes pedidos e / ou títulos ilíquidos. Usando o mesmo FixedSlippage, os retornos são quase idênticos em 1M vs 10M, embora o uso de capital se torne apenas 9%. Assim, a linha de slippage pode ser comentada para slippage padrão e, em seguida, em 1M há uma média de [integer edited later porque pode ter havido um bug na contagem neste momento] minutos de preenchimentos parciais por ação, e o efeito recebe retornos de +29 a -16 e reduz a alavancagem máxima para .52. Tanto o par ABGB quanto o FSLR sofreram perdas. Não é um grande negócio, pois é apenas um ponto de partida para construir, há também o outro algoritmo de negociação de pares (mais básico, palestra 23) na série de palestras que vale a pena conhecer.
Essencialmente, você tem 504 amostras de dados com cerca de 1400 recursos que você deseja reduzir para 50. Ou seja, 504 amostras de 50 recursos. A fit_transform encontra os novos eixos e transforma os dados. Você acabou de usar os eixos.
É intencional que eu não faça a transformação dos dados. A interpretação financeira é que os componentes são betas por ação para fatores estatísticos ocultos. Quando você passa com fit_transform (.) Você obtém a série temporal de cada fator oculto. Não quero isso. Eu simplesmente quero agrupar os betas.
@Grant, coiote verde-oliva,
Não concordo que este trabalho seja para benefício exclusivo do tempo de computação. A principal diferença entre encontrar pares e sua analogia com o palito é que o resultado de sua busca por palitos será a verdade básica, mas isso não acontece no trabalho estatístico. O palito mais curto de hoje não deixa de ser o palito mais curto amanhã. Uma busca por pares de força bruta certamente trará muitos resultados espúrios. Para proteger contra a mineração de dados, você deve condicionar sua pesquisa.
O material deste site é fornecido apenas para fins informativos e não constitui uma oferta de venda, uma solicitação de compra ou uma recomendação ou endosso para qualquer segurança ou estratégia, nem constitui uma oferta para fornecer serviços de consultoria de investimento pela Quantopian. Além disso, o material não oferece opinião com relação à adequação de qualquer investimento específico ou de segurança. Nenhuma informação aqui contida deve ser considerada como uma sugestão para se envolver ou se abster de qualquer ação relacionada ao investimento, pois nenhuma das suas afiliadas está comprometida em fornecer consultoria de investimento, agir como um consultor para qualquer plano ou entidade sujeita a o Employee Retirement Income Security Act de 1974, conforme alterado, conta de aposentadoria individual ou anuidade de aposentadoria individual, ou dar conselhos em uma capacidade fiduciária com relação aos materiais aqui apresentados. Se você for um investidor individual ou outro investidor, entre em contato com seu consultor financeiro ou outro fiduciário não relacionado com a Quantopian sobre se qualquer ideia, estratégia, produto ou serviço de investimento descrito aqui pode ser apropriado para suas circunstâncias. Todos os investimentos envolvem risco, incluindo perda de principal. A Quantopian não garante a exatidão ou integridade das opiniões expressas no site. As opiniões estão sujeitas a alterações e podem ter se tornado não confiáveis por várias razões, incluindo mudanças nas condições de mercado ou circunstâncias econômicas.
Комментарии
Отправить комментарий