Kvantitativ handelssystemen

Kvantitativ handel Vad är kvantitativ handel Kvantitativ handel består av handelsstrategier baserade på kvantitativ analys. som är beroende av matematiska beräkningar och nummerkrypning för att identifiera handelsmöjligheter. Eftersom kvantitativ handel i allmänhet används av finansinstitut och hedgefonder. Transaktionerna är vanligtvis stora och kan innebära köp och försäljning av hundratusentals aktier och andra värdepapper. Den kvantitativa handeln blir emellertid vanligare av enskilda investerare. BREAKING DOWN Kvantitativ handel Pris och volym är två av de vanligaste dataingångarna som används i kvantitativ analys som huvudinsatser till matematiska modeller. Kvantitativa handelsmetoder inkluderar högfrekvenshandel. algoritmisk handel och statistisk arbitrage. Dessa tekniker är snabbbränder och har typiskt kortfristiga investeringshorisonter. Många kvantitativa näringsidkare är mer bekanta med kvantitativa verktyg, som rörliga medelvärden och oscillatorer. Förstå kvantitativ handel Kvantitativa handlare tar nytta av modern teknik, matematik och tillgången till omfattande databaser för att göra rationella handelsbeslut. Kvantitativa handlare tar en handelsteknik och skapar en modell av den med matematik och utvecklar sedan ett datorprogram som tillämpar modellen på historiska marknadsdata. Modellen backas sedan och optimeras. Om gynnsamma resultat uppnås, implementeras systemet i realtidsmarknader med reell kapital. Det sätt på vilket kvantitativa handelsmodeller fungerar kan bäst beskrivas med hjälp av en analogi. Tänk på en väderleksrapport där meteorologen förutser en 90 risk för regn medan solen skiner. Meteorologen härleder denna motstridiga slutsats genom att samla och analysera klimatdata från sensorer i hela området. En datoriserad kvantitativ analys avslöjar specifika mönster i data. När dessa mönster jämförs med samma mönster som avslöjas i historiska klimatdata (backtesting) och 90 av 100 gånger är resultatet regnigt, då meteorologen kan dra slutsatsen med förtroende, därav 90-prognosen. Kvantitativa handlare tillämpar samma process på finansmarknaden för att fatta handelsbeslut. Fördelar och nackdelar med kvantitativ handel Syftet med handel är att beräkna den optimala sannolikheten för att genomföra en lönsam handel. En typisk näringsidkare kan effektivt övervaka, analysera och fatta handelsbeslut på ett begränsat antal värdepapper innan mängden inkommande data överväger beslutsprocessen. Användningen av kvantitativa handelsmetoder belyser denna gräns genom att använda datorer för att automatisera övervaknings-, analys - och handelsbesluten. Att övervinna känslor är ett av de mest genomgripande problemen med handel. Var det rädsla eller girighet, när handel handlar känslor bara för att kväva rationellt tänkande, vilket vanligtvis leder till förluster. Datorer och matematik har inte känslor, så kvantitativ handel eliminerar detta problem. Kvantitativ handel har sina problem. Finansmarknaderna är några av de mest dynamiska enheterna som finns. Därför måste kvantitativa handelsmodeller vara lika dynamiska för att bli konsekvent framgångsrik. Många kvantitativa näringsidkare utvecklar modeller som är tillfälligt lönsamma för det marknadsförhållande som de utvecklades för, men de misslyckas slutligen när marknadsförhållandena förändras. Kvantitativa handelssystem Trading Room Rethink Strategy, Think RQ. Vid Rios Quantitative fokuserar vi på utveckling, implementering och övervakning av kvantitativa och algoritmiska handelssystem. På de elektroniska finansmarknaderna definieras 8220quant8221 och 8220algo8221 handel som systematisk tillämpning av handelsstrategier genom användning av datorprogram. Våra modeller är utvecklade av våra anställda av marknadspersonal som består av handlare, strateger och programmerare som använder omfattande och rigorös forskning. RQ8217s tillvägagångssätt är att eliminera eller mildra handelsbeslut som drivs av känslor, indisciplin, passion, girighet och eller rädsla, förutom andra faktorer som bidrar till mänskliga fel. RQ Einstein är en kvantitativ modell avsedd för specifika uppdrag, till exempel att utnyttja kortvariga handelsmöjligheter. Kärnan i strategin är en RQ-proprietär kod med framåtblickande algoritmer utformade för att prognostisera och söka efter potentiellt viktiga prisnivåer på marknaderna. TradeStation-plattformen användes för följande handelsdata inklusive prestationssammanfattningar. Filedownload style822128243download title8221SampP 500 Futures 8211 Performance Sammanfattning 8211 2 Lots8221 icon8221style1-PDF-6421564.png8221 file8221thetradingroomwp-contentuploads201601es-33-fästingar-ps. pdf8221 package82218221 level82218221 newwindow8221Y8221downloadfiledownload Filedownload style822128243download title8221SampP 500 Futures 8211 Handels Lista 8211 2 Lots8221 icon8221style1-PDF-6421564.png8221 file8221thetradingroomwp-contentuploads201601es-33-fästingar-Trades. pdf8221 package82218221 level82218221 newwindow8221Y8221downloadfiledownload filedownloaddownload title8221SampP 500 Futures 8211 Performance Sammanfattning 8211 1 Lot8221 icon8221style1-PDF-6421564.png8221 file8221thetradingroomwp-contentuploads201601es-1-25-ps-2-2.pdf8221 package82218221 level82218221 newwindow8221Y8221downloadfiledownload filedownloaddownload title8221SampP 500 Futures 8211 Handelslista 8211 1 Lot8221 icon8221style1-Pdf-6421564.png8221 file8221thetradingroomwp-contentuploads201601es-t-list-1.pdf8221 paket8221822 1 level82218221 newwindow8221Y8221downloadfiledownload Filedownload style822128243download title8221Crude olja terminer 8211 Performance Sammanfattning 2 Lots8221 icon8221style1-PDF-6421564.png8221 file8221thetradingroomwp-contentuploads201601cl-1-25-ps. pdf8221 package82218221 level82218221 newwindow8221Y8221downloadfiledownload Filedownload style822128243download title8221Crude olja terminer 8211 Handels Lista 8211 2 Lots8221 icon8221style1-PDF-6.421.564.png8221 file8221thetradingroomwp-contentuploads201601cl-1-25-handel-list3.pdf8221 package82218221 level82218221 newwindow8221Y8221downloadfiledownload Filedownload style822128243download title8221Gold Futures 8211 Performance Sammanfattning 8211 3 Lots8221 icon8221style1-PDF-6421564.png8221 file8221thetradingroomwp-contentuploads201601gc-ps-3.pdf8221 package82218221 level82218221 newwindow8221Y8221downloadfiledownload Filedownload style822128243download title8221Gold Futures 8211 Handelslista 8211 3 Lots8221 icon8221style1-Pdf-6421564.png8221 file8221thetradin groomwp-contentuploads201601gc-trade-list-5.pdf8221 package82218221 level82218221 newwindow8221Y8221downloadfiledownload Tidigare resultat är hypotetiska. Strategierna har testats igen med Trade Station. Hypotetiska eller simulerade resultat har vissa inneboende begränsningar. Till skillnad från en verklig resultatpost representerar simulerade resultat inte den faktiska handeln. Eftersom handlarna inte faktiskt har genomförts kan resultaten ha under - eller överkompenserade effekter eller eventuella konsekvenser för vissa marknadsfaktorer, såsom brist på likviditet. Simulerade handelsprogram i allmänhet är också föremål för det faktum att de är utformade till efterhand. Ingen representation görs att något konto kommer eller kommer sannolikt att uppnå vinster eller förluster som liknar dem som visas. Futures, Options, Forex och aktiehandel innebär risk och är inte för alla investerare. Tidigare resultat är INTE indikativ på framtida resultat. Ingenting som häri ska tolkas som ett erbjudande att köpa, sälja eller inneha och värdepapper, terminskontrakt och kontanter i valutakurser. Detta är endast avsett för informations - och utbildningsändamål. Handel innebär risk och bör endast drivas med riskkapital. Resultatet inkluderar inte slippage men inkluderar 5,00 per handel per sida commission. Trading Systems Trading Systems Rethink Strategi, Tänk RQ. Vid RQ fokuserar vi på utveckling, implementering och övervakning av kvantitativa och algoritmiska handelssystem. På de elektroniska finansmarknaderna definieras kvant - och algohandel som systematisk tillämpning av handelsstrategier genom användning av datorprogram. Våra modeller är utvecklade av våra anställda av marknadspersonal som består av handlare, strateger och programmerare som använder omfattande och rigorös forskning. RQs-tillvägagångssättet är att eliminera eller mildra handelsbeslut som drivs av känslor, indisciplin, passion, girighet och eller rädsla, förutom andra faktorer som bidrar till mänskliga fel. För att bedöma ett handelssystem måste man förstå strategin och riskhanteringen genomförs. Du bör också lära dig så mycket som möjligt om utvecklaren. På RQ välkomnar vi och uppmuntrar dig att lära känna oss på en-till-en-basis. RQ iNewton Trade Automation över flera marknadsdynamik RQ iNewton är vårt senaste och mest avancerade automatiserade handelssystem hittills. Den kvantitativa modellen är utformad för daghandel samt swinghandel. Funktionerna innefattar intermarknadskorrelationsanalys, tre rörelsefilter och flera exitstrategier. Inkomsterna är baserade på hausseffektiva och outnyttjande fördelningar av prisåtgärder. Flera exit strategier gör det möjligt för handlare att ta kort sikt vinst och eller hålla dig i trenden. Pengarhanteringsfunktionerna inkluderar aktiekurvahandeln stannar för uppköp av aktier och dra ner. Flera åtgärdsknappar på diagrammet gör det enkelt att snabbt aktivera eller inaktivera handelsautomatisering såväl som handelsfilter inklusive intermarknadskorrelationer, rörelse, längtar bara, shorts bara och köp och sälj knappar. RQ Einstein III högpresterande handelsstrategier över flera tillgångsklasser RQ Einstein III är en kvantitativ automatiserad modell avsedd för specifika uppdrag som utnyttjande av kortvariga handelsmöjligheter. Kärnan i strategin är en RQ-proprietär kod med framåtblickande algoritmer som är utformade för att prognostisera och söka efter potentiella nyckelprisnivåer på marknaderna. Fokus skapar opportunistiska möjligheter i samband med volatiliteten på dessa kritiska nivåer. Det är därför en alfamodell som är mest effektiv när den tillämpas över flera tillgångsklasser. Handelsindikatorer En kvantitativ modell med inriktning på institutionell handelsaktivitet RQ Techs flera funktioner är utformade för att hjälpa aktiva aktörer att få klarhet när marknaderna verkar vara i kaos. DMS, vår egenutvecklade dynamiska marknadssentimentindikator ger kvantitativ identifiering av risk-on och risk-off-korrelationer i realtid. Nextreme-hastighetsindikatorn hjälper handelsmän att identifiera var marknadens momentum utvecklas vilket gör det instrumentalt för att välja marknader som är klara för aggressiv prisåtgärd. Indikatorerna Carry Trade and FX Flows är också fördelaktiga för att spotta institutionella rotationsflöden. Överköpta, Översålda och Retracementmarkörer RQ OBOS-R-markörerna kartlägger kortsiktiga överköpta eller överlösta förhållanden samt eventuella återköp från senaste prisåtgärder. De överköpta markörerna visas i gula över prisstängerna. De överförsäljta markörerna visas i gula under prisstängerna. Retracement markörer visas i rött, ovanför staplarna för en ny rally och display i grönt under staplarna för en ny försäljning. En systematisk strategi byggd för att hjälpa diskretionära handlare Som ett omfattande indikatorpaket är GnosTICK utformat för att ge handlare tillgång till innovativa metoder för att ta vinster från marknaderna samtidigt som risken kontrolleras. Konceptet, metoder och verktyg beskrivs i ett lättförståeligt steg för steg-format. GnosTICKs metodik för att handla marknaderna är baserad på odds och målet är att hålla oddsen till din fördel. Den exakta logiken avslöjas med alla nödvändiga regler som behövs för att förstå den kunskap och procedur som driver GnosTICK-algoritmen. Automatiserad handel Exekvering Advanz Auto4X Automatiserar din utförsäljning Advanz Auto4X-plattformen tar dina TradeStation-strategisignaler och automatiserar deras genomförande till flera clearingföretag. Den är utformad för att vara kraftfull, flexibel och exakt för att möta behoven hos komplexa institutionella handelsavdelningar. Det är också utformat för att vara enkelt och effektivt för en enskild näringsidkare. Advanz Auto4X stöder genomförandet av ett antal strategier som arbetar med ett antal tidsramar till någon eller alla Forex-kors som är tillgängliga för handel. Anslutningar är tillgängliga för: Currenex (CMS, PFG, Marex, London Capital, GFT, FCStone, ADM, Baxter FX, FXDD, Man Financial, ODL, NewEdge, BGCCantor, etc.) Oanda, Lava, Hotspot, FXAll, CAX, FIXI , DBFX, FXInside (Integral), MB Trading, Interactive Brokers, GAIN, Forex och FXCM. Advanz Auto Route Förbättra kvaliteten på dina exekveringar på marknaden På dagens marknad kan kvalitetsavrättningar vara kanten som behövs för bästa systemprestanda. Advanz Auto4X med smart order routing kan erbjuda dig anpassade strategier för dina specifika behov, inklusive högfrekvent, säkring, händelsesstyrd och opportunistisk handel. Du kan ställa in flera strategier vid flera clearingföretag. Handelssignaler kan dirigeras till bästa budpriser från flera clearingföretag för att få optimal avrättningar. Handbokens guide till kvantitativ handel I denna artikel kommer jag att introducera dig till några av de grundläggande begreppen som följer med ett end-to-end kvantitativt handelssystem. Detta inlägg kommer förhoppningsvis att tjäna två publikgrupper. Den första kommer att vara individer som försöker få ett jobb hos en fond som en kvantitativ näringsidkare. Den andra kommer att vara individer som vill försöka ställa in sin egen detaljhandel algoritmiska handelsaffär. Kvantitativ handel är ett extremt sofistikerat område av kvantfinansiering. Det kan ta betydande tid att få den kunskap som krävs för att skicka en intervju eller bygga upp egna handelsstrategier. Inte bara det men det kräver omfattande programkompetens, åtminstone på ett språk som MATLAB, R eller Python. Men eftersom handelsfrekvensen i strategin ökar blir de tekniska aspekterna mycket mer relevanta. Att vara bekant med CC kommer därför att vara av största vikt. Ett kvantitativt handelssystem består av fyra huvudkomponenter: Strategi Identifiering - Hitta en strategi, utnyttja en kant och bestämma om handelsfrekvens Strategi Backtesting - Få data, analysera strategins prestanda och avlägsna företeelser Exekutionssystem - Länka till en mäklare, automatisera handeln och minimera transaktionskostnader Riskhantering - Optimal kapitaltilldelning, satsstorlekKellykriterium och handelspsykologi Börja med att ta en titt på hur man identifierar en handelsstrategi. Strategiidentifiering Alla kvantitativa handelsprocesser börjar med en första forskningsperiod. Denna forskningsprocess omfattar att hitta en strategi för att se om strategin passar in i en portfölj av andra strategier du kan springa, att få all data som behövs för att testa strategin och försöka optimera strategin för högre avkastning och lägre risk. Du måste faktor i dina egna kapitalkrav om du kör strategin som detaljhandlare och hur eventuella transaktionskostnader kommer att påverka strategin. I motsats till populär tro är det faktiskt ganska enkelt att hitta lönsamma strategier genom olika offentliga källor. Akademiker publicerar regelbundet teoretiska handelsresultat (om än för det mesta brutto av transaktionskostnader). Kvantitativa finansbloggar diskuterar strategier i detalj. Handels tidskrifter kommer att skissera några av de strategier som används av fonder. Du kanske ifrågasätter varför individer och företag är angelägna om att diskutera sina lönsamma strategier, särskilt när de vet att andra som tränger handeln kan stoppa strategin från att arbeta på lång sikt. Anledningen till detta är att de inte ofta diskuterar de exakta parametrar och inställningsmetoder som de har utfört. Dessa optimeringar är nyckeln till att göra en relativt medelmåttig strategi till en mycket lönsam. Faktum är att ett av de bästa sätten att skapa dina egna unika strategier är att hitta liknande metoder och sedan utföra din egen optimeringsprocedur. Här är en liten lista över platser att börja leta efter strategidéer: Många av de strategier du kommer att titta på kommer att hamna i kategorierna av medelåtervändning och trend-eftermomentum. En medelåterkallande strategi är en som försöker utnyttja det faktum att ett långsiktigt medelvärde på en prisserie (som spridningen mellan två korrelerade tillgångar) existerar och att kortsiktiga avvikelser från detta medel kommer att återgå till sist. En momentumstrategi försöker exploatera både investorspsykologi och stor fondstruktur genom att ta en tur på en marknadsutveckling, som kan samla fart i en riktning och följa trenden tills den återgår. En annan mycket viktig aspekt av kvantitativ handel är frekvensen av handelsstrategin. Lågfrekvenshandel (LFT) refererar i allmänhet till vilken strategi som helst som innehar tillgångar längre än en handelsdag. På motsvarande sätt refererar högfrekvenshandel (HFT) till en strategi som innehar tillgångar intradag. Ultrahögfrekvenshandel (UHFT) avser strategier som håller tillgångar i storleksordningen sekunder och millisekunder. Som detaljhandlare är HFT och UHFT säkert möjliga, men endast med detaljerad kunskap om handelsteknikstaket och orderbokdynamiken. Vi kommer inte att diskutera dessa aspekter i någon större utsträckning i denna inledande artikel. När en strategi eller uppsättning strategier har identifierats behöver den nu testas för lönsamhet på historiska data. Det är domänen för backtesting. Strategi Backtesting Målet med backtesting är att bevisa att strategin som identifierats via ovanstående process är lönsam när den tillämpas på både historisk och out-of-sample data. Detta ställer förväntan på hur strategin kommer att fungera i den verkliga världen. Backtesting är emellertid inte en garanti för framgång, av olika skäl. Det är kanske det mest subtila området för kvantitativ handel eftersom det medför många fördomar, vilket måste noggrant övervägas och elimineras så mycket som möjligt. Vi kommer att diskutera de gemensamma typerna av förspänning, inklusive blickfrekvens. överlevnadskompetens och optimering bias (även känd som data-snooping bias). Andra områden av betydelse inom backtesting inkluderar tillgänglighet och renlighet av historiska data, factoring i realistiska transaktionskostnader och beslut om en robust backtesting-plattform. Tja diskutera transaktionskostnaderna ytterligare i avsnittet Execution Systems nedan. När en strategi har identifierats är det nödvändigt att erhålla de historiska uppgifterna genom vilka man utför testning och kanske förfining. Det finns ett betydande antal datasäljare över alla tillgångsklasser. Deras kostnader varierar i allmänhet med dataens kvalitet, djup och aktualitet. Den traditionella utgångspunkten för inledande kvanthandlare (åtminstone i detaljhandeln) är att använda den fria datasatsen från Yahoo Finance. Jag brukar inte bo på leverantörer för mycket här, men jag vill hellre koncentrera mig på de allmänna frågorna när det gäller historiska dataset. De viktigaste problemen med historiska data är noggrannhet, överlevnadsperspektiv och justering för företagsåtgärder som utdelning och lageravsnitt: Noggrannhet gäller dataens övergripande kvalitet - om det innehåller några fel. Fel kan ibland vara lätta att identifiera, till exempel med ett spikfilter. som kommer att välja felaktiga spikes i tidsseriedata och korrigera dem. Vid andra tillfällen kan de vara mycket svåra att upptäcka. Det är ofta nödvändigt att ha två eller flera leverantörer och sedan kontrollera alla sina uppgifter mot varandra. Survivorship bias är ofta en funktion av gratis eller billiga dataset. En dataset med överlevnadsperspektiv innebär att den inte innehåller tillgångar som inte längre handlar. För aktier betyder detta delistedbankrupt-aktier. Denna bias innebär att varje aktiehandelstrategi som testas på en sådan dataset kommer troligen att fungera bättre än i den verkliga världen, eftersom de historiska vinnarna redan har förhandlats fram. Företagsåtgärder omfattar logistikverksamhet som bedrivs av företaget som vanligtvis orsakar en stegfunktionsförändring i råpriset, som inte ska inkluderas i beräkningen av prisavkastningen. Justeringar för utdelning och lageravdelningar är de vanliga synderna. En process som kallas backjustering är nödvändig för att utföras vid var och en av dessa åtgärder. Man måste vara mycket försiktig om att inte förvirra en aktiesplit med en sann avkastningsjustering. Många en näringsidkare har fångats ut av en företagsaktion För att kunna genomföra ett backtestförfarande är det nödvändigt att använda en mjukvaruplattform. Du har valet mellan dedikerad backtest-programvara, till exempel Tradestation, en numerisk plattform som Excel eller MATLAB eller en fullständig anpassad implementering i ett programmeringsspråk som Python eller C. Jag kommer inte att bo för mycket på Tradestation (eller liknande), Excel eller MATLAB, som jag tror på att skapa en full in-house teknik stack (av skäl som beskrivs nedan). En av fördelarna med att göra det är att backtestprogrammet och exekveringssystemet kan integreras tätt, även med extremt avancerade statistiska strategier. För HFT-strategier är det viktigt att använda en anpassad implementering. Vid backtesting av ett system måste man kunna kvantifiera hur bra det fungerar. Branschstandardvärdena för kvantitativa strategier är den maximala drawdownen och Sharpe-förhållandet. Den maximala drawdownen karakteriserar den största topp-till-droppfallet i kontotkapitalkurvan under en viss tidsperiod (vanligtvis årligen). Detta är oftast citerat som en procentandel. LFT-strategier tenderar att ha större drawdowns än HFT-strategier, på grund av ett antal statistiska faktorer. En historisk backtest visar den senaste maximala drawdownen, vilket är en bra guide för strategins framtida dragningsprestanda. Den andra mätningen är Sharpe-förhållandet, som är heuristiskt definierat som genomsnittet av meravkastningen dividerat med standardavvikelsen för de överskjutande avkastningarna. Här avser meravkastning strategins avkastning över ett förutbestämt riktmärke. såsom SP500 eller en 3-månaders statsskuldräkning. Notera att den årliga avkastningen inte är en åtgärd som brukar utnyttjas, eftersom den inte tar hänsyn till strategins volatilitet (till skillnad från Sharpe-förhållandet). En gång har en strategi blivit tillbakaprövad och anses vara fri från biaser (så mycket som möjligt), med en bra Sharpe och minimerade drawdowns, är det dags att bygga ett exekveringssystem. Exekveringssystem Ett exekveringssystem är det sätt på vilket listan över affärer som genereras av strategin skickas och exekveras av mäklaren. Trots att handelsgenerationen kan vara semi - eller till och med helt automatiserad kan exekveringsmekanismen vara manuellt, halvmanuell (dvs ett klick) eller helt automatiserat. För LFT-strategier är manuella och halvmanuala tekniker vanliga. För HFT-strategier är det nödvändigt att skapa en helt automatiserad exekveringsmekanism, som ofta kommer att vara tätt kopplad till handelsgenerern (på grund av strategins och teknikens beroende). Viktiga överväganden när man skapar ett exekveringssystem är gränssnittet till mäklaren. minimering av transaktionskostnader (inklusive provisioner, släpp och spridning) och divergens av live-systemets prestanda från backtested-prestanda. Det finns många sätt att ansluta till en mäklare. De sträcker sig från att ringa upp din mäklare via telefon till en helautomatiserad högpresterande applikationsprogrammeringsgränssnitt (API). Helst vill du automatisera utförandet av dina affärer så mycket som möjligt. Detta frigör dig för att koncentrera dig på ytterligare forskning, samt låta dig köra flera strategier eller till och med strategier med högre frekvens (i själva verket är HFT väsentligen omöjligt utan automatisk utförande). Den gemensamma backtestingprogrammet som beskrivs ovan, såsom MATLAB, Excel och Tradestation, är bra för lägre frekvens, enklare strategier. Det kommer emellertid att vara nödvändigt att konstruera ett internt exekveringssystem skrivet i ett högprestandaspråk som C för att göra någon riktig HFT. Som en anekdote, i fonden var jag anställd vid, vi hade en 10 minuters handel slinga där vi skulle ladda ner nya marknadsdata var 10: e minut och sedan utföra handlar baserat på den informationen i samma tidsram. Detta använde ett optimerat Python-skript. För allt som närmar sig minut - eller andrafrekvensdata tror jag att CC skulle vara mer idealiskt. I en större fond är det ofta inte kvantetransaktörens domän att optimera utförandet. Men i mindre butiker eller HFT-företag är handlarna exekutörerna och så är en mycket bredare kompetens ofta önskvärd. Ha det i åtanke om du vill vara anställd av en fond. Din programmering färdigheter kommer att vara lika viktigt, om inte mer så än din statistik och ekonometrisk talanger Ett annat stort problem som faller under genomförandebanan är att minimera transaktionskostnaden. Det finns generellt tre komponenter till transaktionskostnader: Provisioner (eller skatt), vilka är de avgifter som tas ut av mäklaren, utbytet och SEC (eller liknande statligt tillsynsorgan) slippa, vilket är skillnaden mellan vad du menade att din order skulle vara fylld i jämförelse med vad den faktiskt fylldes på spridning, vilket är skillnaden mellan budpriset för säkerheten som handlas. Observera att spridningen inte är konstant och är beroende av den nuvarande likviditeten (dvs tillgängligheten av buysell-order) på marknaden. Transaktionskostnader kan göra skillnaden mellan en extremt lönsam strategi med ett bra Sharpe-förhållande och en extremt olönsam strategi med ett fruktansvärt Sharpe-förhållande. Det kan vara en utmaning att korrekt förutsäga transaktionskostnaderna från en backtest. Beroende på frekvensen av strategin behöver du tillgång till historisk utbytesdata, som inkluderar kryssningsdata för budpris. Hela teamet av quants är dedikerade till optimering av genomförandet i de större fonderna, av dessa skäl. Tänk på scenariot där en fond måste avlasta en betydande mängd affärer (varför skälen att göra det är många och varierade). Genom att dumpa så många aktier på marknaden kommer de snabbt att sänka priset och får inte få optimal utförande. Därmed finns algoritmer som drar in foderorder på marknaden, men då löper fonden risken att glida. Dessutom ökar andra strategier på dessa nödvändigheter och kan utnyttja ineffektiviteten. Detta är domänen för fondstrukturen arbitrage. Det sista huvudproblemet för exekveringssystemen gäller divergens av strategins prestanda från backtested prestanda. Detta kan hända av ett antal skäl. Weve har redan diskuterat framåtblickande bias och optimeringsförskjutning i djupet, när vi överväger backtests. Vissa strategier gör det emellertid inte lätt att testa för dessa biaser före utplacering. Detta sker i HFT mest övervägande. Det kan finnas buggar i exekveringssystemet såväl som handelsstrategin själv som inte dyker upp på en backtest men visar sig i live trading. Marknaden kan ha varit föremål för en regeringsändring efter utplaceringen av din strategi. Nya regleringsmiljöer, förändrade investerarnas känslor och makroekonomiska fenomen kan alla leda till avvikelser i hur marknaden beter sig och därmed lönsamheten i din strategi. Riskhantering Det sista stycket i det kvantitativa handelspusslet är processen för riskhantering. Risken inkluderar alla tidigare förevändningar som vi har diskuterat. Det inkluderar teknikrisk, till exempel servrar som är samlokaliserade vid växeln, utvecklar plötsligt en hårddiskfel. Det inkluderar mäklarrisk, som att mäklaren blir konkurs (inte så galen som det låter, med tanke på den senaste skrämningen med MF Global). Kort sagt täcker det nästan allt som eventuellt skulle kunna störa handelens genomförande, av vilket det finns många källor. Hela böcker ägnas åt riskhantering för kvantitativa strategier, så jag vill inte försöka klargöra alla möjliga riskkällor här. Riskhantering omfattar också det som kallas optimal kapitaltilldelning. vilket är en gren av portföljteori. Det här är det sätt på vilket kapital tilldelas en uppsättning olika strategier och till affärer inom dessa strategier. Det är ett komplext område och bygger på lite icke-trivial matematik. Industristandarden med vilken optimal kapitalallokering och hävstångseffekt av strategierna är relaterade kallas Kelly-kriteriet. Eftersom det här är en introduktionsartikel, kommer jag inte att hålla mig vid beräkningen. Kelly-kriteriet gör vissa antaganden om den statistiska karaktären av avkastningen, vilket ofta inte är sant på finansmarknaderna, så handlare är ofta konservativa när det gäller genomförandet. En annan viktig del av riskhanteringen är att hantera sin egen psykologiska profil. Det finns många kognitiva fördomar som kan krypa in till handel. Även om detta är visserligen mindre problematiskt med algoritmisk handel om strategin lämnas ensam. En gemensam bias är det för förlustaversion där en förlorande position inte kommer att stängas ut på grund av smärtan att behöva inse en förlust. På samma sätt kan vinster tas för tidigt eftersom rädslan för att förlora en vinst som redan uppnåtts kan vara för stor. En annan vanlig bias är känd som nyhetsförspänning. Detta manifesterar sig när näringsidkare lägger för stor vikt vid de senaste händelserna och inte på längre sikt. Då är det naturligtvis det klassiska paret av emotionella fördomar - rädsla och girighet. Dessa kan ofta leda till under - eller överhantering, vilket kan orsaka uppblåsning (dvs kontotkapitalrubriken till noll eller sämre) eller minskad vinst. Som det kan ses är kvantitativ handel ett extremt komplext, om än mycket intressant, område för kvantitativ finansiering. Jag har bokstavligen skratst bort ämnets yta i den här artikeln och det börjar redan bli ganska lång. Hela böcker och papper har skrivits om problem som jag bara har givit en mening eller två mot. Av den anledningen är det nödvändigt att innan en ansökan om kvantitativa fondshandelstillfällen genomföras, utförs en omfattande grundstudie. Du behöver åtminstone en omfattande bakgrund i statistik och ekonometri med stor erfarenhet av implementering via ett programmeringsspråk som MATLAB, Python eller R. För mer sofistikerade strategier vid högre frekvensänden är din färdighetssätt sannolikt att inkludera Linux-kärnan modifiering, CC, montering programmering och nätverks latent optimering. Om du är intresserad av att försöka skapa dina egna algoritmiska handelsstrategier, skulle mitt första förslag vara att bli bra på programmeringen. Min preferens är att bygga så mycket av data grabber, strategi backtester och exekveringssystem så enkelt som möjligt. Om din egen kapital ligger på linjen skulle du inte sova bättre på natten och veta att du har testat ditt system fullt ut och är medveten om sina fallgropar och specifika problem. Att outsourca detta till en leverantör, kan potentiellt spara tid på kort sikt, vara extremt dyrt på lång sikt. Bara Komma igång med kvantitativ handel