Kvantitativ handel Hva er kvantitativ handel Kvantitativ handel består av handelsstrategier basert på kvantitativ analyse. som er avhengige av matematiske beregninger og nummerkrepping for å identifisere handelsmuligheter. Som kvantitativ handel er generelt brukt av finansinstitusjoner og hedgefond. Transaksjonene er vanligvis store i størrelse og kan innebære kjøp og salg av hundrevis av aksjer og andre verdipapirer. Imidlertid blir kvantitativ handel mer vanlig brukt av individuelle investorer. BREAKING DOWN Kvantitativ handel Pris og volum er to av de vanligste datainngangene som brukes i kvantitativ analyse som hovedinngangene til matematiske modeller. Kvantitative handelsmetoder inkluderer høyfrekvent handel. algoritmisk handel og statistisk arbitrage. Disse teknikkene er hurtigbrann og har vanligvis kortsiktige investeringshorisonter. Mange kvantitative handelsfolk er mer kjent med kvantitative verktøy, for eksempel bevegelige gjennomsnitt og oscillatorer. Forstå kvantitativ handel Kvantitative handelsfolk utnytter moderne teknologi, matematikk og tilgjengeligheten av omfattende databaser for å gjøre rasjonelle handelsbeslutninger. Kvantitative handelsfolk tar en handelsteknikk og lager en modell av det ved hjelp av matematikk, og deretter utvikler de et dataprogram som bruker modellen til historiske markedsdata. Modellen blir deretter testet og optimalisert. Dersom gunstige resultater oppnås, implementeres systemet i sanntidsmarkeder med reell kapital. Måten kvantitative handelsmodeller fungerer best kan beskrives ved hjelp av en analogi. Tenk på en værmelding der meteorologen regner med en 90 sjanse for regn mens solen skinner. Meteorologen oppnår denne motstridende konklusjonen ved å samle og analysere klimadata fra sensorer over hele området. En datastyrt kvantitativ analyse avslører spesifikke mønstre i dataene. Når disse mønstrene blir sammenlignet med de samme mønstrene som er avslørt i historiske klima data (backtesting), og 90 av 100 ganger resultatet er regn, kan meteorologen trekke konklusjonen med tillit, dermed 90-prognosen. Kvantitative handelsfolk bruker samme prosess til finansmarkedet for å foreta handelsbeslutninger. Fordeler og ulemper med kvantitativ handel Målet med handel er å beregne den optimale sannsynligheten for å utføre en lønnsom handel. En typisk handelsmann kan effektivt overvåke, analysere og foreta handelsbeslutninger på et begrenset antall verdipapirer før mengden av innkommende data overstyrer beslutningsprosessen. Bruken av kvantitative trading teknikker belyser denne grensen ved hjelp av datamaskiner for å automatisere overvåking, analyse og handelsbeslutninger. Overvinne følelser er en av de mest gjennomgripende problemene med handel. Det er frykt eller grådighet, når handel, følelser tjener bare å kvele rasjonell tenkning, som vanligvis fører til tap. Datamaskiner og matematikk har ikke følelser, så kvantitativ handel eliminerer dette problemet. Kvantitativ handel har problemer. Finansmarkedene er noen av de mest dynamiske enhetene som eksisterer. Derfor må kvantitative handelsmodeller være like dynamiske for å være konsekvent vellykket. Mange kvantitative handelsfolk utvikler modeller som er midlertidig lønnsomme for markedstilstanden som de ble utviklet for, men i siste instans mislykkes det når markedsforholdene endres. Quotations Strategies - Are They For You Kvantitative investeringsstrategier har utviklet seg til svært komplekse verktøy med advent av moderne datamaskiner , men strategiens røtter 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. Kvantitativ og algoritmisk handel Kvantitativ og algoritmisk handel Denne tråden er dedikert til kvantitativ og algoritmisk handel. Første side bør ses som et fokuspunkt for ovennevnte emner. Denne første siden er under bygging og, hvis interessert, besøker den fra tid til annen for å se om nye materialkoblinger er kommet. quotThere er en forskjell mellom å si at det er forutsigbarhet og muligheten til å forutsi kvote. Selv om det alltid er mer profitt i langsiktig prognoser, er det mer matematisk sett mer pålitelighet. 8221 (A. Einstein) Men ikke enklere. SitTradings ikke et spill 8211 Det er en IQ testquot Først, noen ting å vurdere i finans, er fetthaler ansett som uønsket på grunn av den ekstra risikoen de innebærer. For eksempel kan en investeringsstrategi ha en forventet avkastning, etter ett år, det er fem ganger standardavviket. Hvis det antas en normal fordeling, er sannsynligheten for at den er sviktet (negativ avkastning) mindre enn en i en million i praksis, kan den være høyere. Normale fordelinger som oppstår i økonomi gjør det vanligvis fordi faktorene som påvirker verdien eller prisen på en eiendel er matematisk kvoteopptatt, og den sentrale grenseetningen sørger for en slik fordeling. Imidlertid er traumatiske quotreal-worldquot-hendelser (for eksempel et oljeskudd, en stor bedriftskonkurranse eller en abrupt endring i en politisk situasjon) vanligvis ikke matematisk opptatt. Investopedia forklarer Tail Risk Når en portefølje av investeringer er satt sammen, antas det at fordelingen av avkastningen vil følge et normalt mønster. Under denne antagelsen er sannsynligheten for at avkastningen vil flytte mellom gjennomsnittet og tre standardavvik, enten positive eller negative, 99,97. Dette betyr at sannsynligheten for retur som flytter mer enn tre standardavvik utover gjennomsnittet er 0,03, eller nesten null. Konseptet med halerisiko antyder imidlertid at fordelingen ikke er normal, men skjev, og har høyere haler. De dypere haler øker sannsynligheten for at en investering vil bevege seg utover tre standardavvik. Fordeler som er preget av fete haler, ses ofte når man ser på avkastning på sikringsfond. investopediatermsttailrisk. asp Hva kan Quant Traders Lær av Talebs quotAntifragilequot Her er noen snip-sett jeg fant spesielt interessant: 1) Momentum-strategier er mer antifragile enn gjennombruddsstrategier. Taleb sa det ikke, men det var den første tanken som kom til meg. Som jeg argumenterte mange steder, har betydelige tilbakeføringsstrategier naturlig overskuddskapsler (utgang når prisen har vendt tilbake til å bety), men ingen naturlige stoppfall (vi bør kjøpe mer av noe hvis det blir billigere), så det er veldig mye gjenstand for venstre hale risiko, men kan ikke dra nytte av den uventede lykken til høyre hale. Svært skrøbelig Tvert imot har momentumstrategier naturlige stoppfall (utgang når momentum reverserer) og ingen naturlige fortjenestehett (hold samme posisjon så lenge momentet vedvarer). Generelt, veldig antifragilt Unntatt: Hva skjer i løpet av en handel (på grunn av det daglige overløpsgapet eller strømbryteren), kan vi ikke gå ut av en momentumposisjon i tide. Du kan alltid kjøpe et alternativ for å simulere et stoppfall. Taleb ville sikkert godkjenne det. 2) Høyfrekvente strategier er mer antifragile enn lavfrekvente strategier. Taleb sa det heller ikke, og det har ingenting å gjøre med om det er lettere å forutsi kortsiktig vs langsiktig avkastning. Siden HF-strategier tillater oss å akkumulere fortjeneste mye raskere enn lavfrekvente, trenger vi ikke å bruke noen innflytelse. Så selv når vi er uheldig nok til å holde en posisjon av feil tegn når en svarte svan treffes, vil skaden være liten i forhold til den kumulative fortjenesten. Så mens HF-strategier ikke akkurat drar nytte av høyre hale risiko, er de i det minste robuste med hensyn til venstre hale risiko. 5) Korrelasjoner er umulige å estimere. Det eneste vi kan gjøre er å korte til 1 og kjøpe til -1. Taleb hater Markowitz porteføljeoptimalisering, og en av grunnene til at den er avhengig av estimater av covariances av avkastning. Som han sa, kan et par eiendeler som har en -0.2 korrelasjon over en lang periode ha 0,8 korrelasjon over en annen lang periode. Dette gjelder spesielt i tider med økonomisk stress. Jeg er helt enig på dette punktet: Jeg tror at manuell tildeling av korrelasjoner med verdier på -0,75, -0,5, -0,25, 0 til oppføringer av korrelasjonsmatrisen basert på quotintuitionquot (grunnleggende kunnskap) kan generere så god ytelse som noen omhyggelig estimerte tall. Det mer fascinerende spørsmålet er om det er en viss reversering av korrelasjoner. Og hvis ja, hvilke instrumenter kan vi bruke til å dra nytte av det. Kanskje denne artikkelen vil hjelpe: web-docs. stern. nyu. edusalomondocsderivativesGSAM20-20NYU20conference2004210620-20Correlation20trading. pdf 6) Backtest kan bare brukes til å avvise en strategi, for ikke å forutsi dens suksess. Dette ekko poenget som kommenterer Michael Harris i en tidligere artikkel. Siden historiske data aldri vil være lange nok til å fange opp alle mulige Black Swan hendelser som kan oppstå i fremtiden, kan vi aldri vite om en strategi vil mislykkes ulykkelig. Men hvis en strategi allerede feilet i en backtest, kan vi være ganske sikre på at den vil mislykkes igjen i fremtiden. Veldig god lesing: Vurder igjen den rene, tilfeldige gangmynten som spretter spill uten RTM. Vi sa at det ikke var noen tidsstrategi i dette tilfellet. Men nå antar vi at vi finner en krystallkule før spillet starter som forteller oss hva sluttverdien vil være når kampen avsluttes. Husk at denne faktiske sluttverdien sannsynligvis vil være godt over eller under 0. Tegn en rett linje på den tomme grafen fra utgangspunktet til det kjente sluttpunktet. Begynn å spille spillet. Når grafen er over linjen, prognostiser haler og ta pengene dine av bordet. Når grafen er under linjen, prognostiserer hoder og legg pengene tilbake på bordet. Det bør være enkelt å overbevise deg selv om at prognosene dine vil være mye mer nøyaktige enn 5050, og du vil vinne med din timingstrategi (quotwinquot i den forstand at du vil gjøre mye bedre enn noen som ikke prognostiserer eller tid). Dette er selv uten RTM Tilsvarende, med investeringer, hvis vi på en eller annen måte kunne vite hva fremtidig gjennomsnittlig avkastning vil være på forhånd, kan vi markedsføre tid selv uten RTM. I dag, for eksempel, vet vi at gjennomsnittlig avkastning de siste 75 årene er om lag 10 årlig. Gå inn i en tidsmaskin og gå tilbake til 1930. Invest for de neste 75 årene. Når den kumulative årlige avkastningen siden 1930 går over 10, lyser opp aksjene. Når den kumulative årlige avkastningen siden 1930 går under 10, legger du mer penger tilbake til aksjer. I 2005 vil du ha slått markedet med en veldig fin margin. Dette kalles en quote-samplequot-test. Det har en åpenbar feil, fordi investorer i 1930 ikke hadde noen ide om hva den gjennomsnittlige årlige avkastningen skulle være over de neste 75 årene. De visste bare hva de siste gjennomsnittlige årlige avkastningene var. Hvis du gjør testen igjen og bare tillater investorer å bruke den informasjonen som er tilgjengelig for dem på det tidspunktet (en test-av-prøve-prøve), virker markedsplaneringsstrategien ikke. Dette er en enkel type quotchartistquot timing, basert bare på tidligere avkastning. Når fortidens avkastning er høy, lyse opp på aksjer. Når fortidens avkastning er lav, legg mer penger til aksjer. I en ren tilfeldig spasertur uten en krystallkule, vet vi at denne typen timing ikke virker. Årsaken til at det ikke virker, er at uten krystallkulen kan vi ikke definere begrepet quotlowquot og quothigh. quot quotLowquot betyr at den fremtidige gjennomsnittlige valuequot og quothighquot betyr quotabove den fremtidige gjennomsnittlige verdien, men vi vet ikke fremtidens gjennomsnittlige verdi . Vi vet bare den siste gjennomsnittlige verdien, og den informasjonen er ikke til nytte i en ren tilfeldig spasertur uten RTM. De fleste prognosemetoder og timingstrategier basert på prognosene er mer sofistikerte. De bruker vanligvis grunnleggende økonomiske forhold som DP (utbytte til prisforhold) eller PE (pris-til-opptjeningsgrad) for å gjøre prognosene. Argumentet er at disse forholdene noen ganger er høye og noen ganger lave, men det er urimelig å tenke at de muligens kan vokse eller krympe uten grenser (kvittere til uendelig, som akademikere ofte liker å si det). Det er mye mer fornuftig å tenke at mens de noen ganger blir svært høye eller svært lave, må de til slutt gå tilbake til en slags mer normalt nivå. RTM, med andre ord. Hvis disse forholdene har RTM, er det ganske fornuftig å hypotesere at denne RTM i forholdene induserer en lignende RTM-effekt i avkastning, og at forholdene kan brukes til å prognostisere fremtidig avkastning. Fungerer denne typen grunnleggende prognoser egentlig Mens den generelle ideen sikkert virker mer enn plausibel, er beviset i pudding, og teoriene må testes. Det er mulig å undersøke historisk rekord for å se om de ulike ordningene ville ha virket tidligere. Mange har gjort slike studier, både i den populære økonomiske verden og i den akademiske økonomiske verden. Nøkkelpunktet er at når du trykker på disse typer grunnleggende prognosemetoder for å se om de ville ha jobbet tidligere, er det utro hvis du bruker de faktiske midlene til de grunnleggende prognosevariablene beregnet over hele testperioden, fordi Denne informasjonen var ikke tilgjengelig for investorer tidligere. Du må back-test bruke kun informasjon tilgjengelig på det tidspunktet. Med andre ord må du utføre prøver uten prøving, ikke i prøveprøver. De fleste av de populære studiene som kommer til den konklusjon at avkastning er forutsigbar, er ugyldig av denne grunn. Overraskende synes mange av de akademiske studiene å lide av den samme dødelige feilen. Amit Goyal og Ivo Welch diskuterer og undersøker dette innsiktet i deres papir. En omfattende titt på Empirical Performance of Equity Premium Prediction. Da de gjorde utprøvde tester av alle de populære prognosevariablene, inkludert DP og PE, fant de at ingen av dem jobbet: Vårt papir undersøker ytelsen av disse variablene utenom prøven, og finner at det ikke er en enkelt en ville ha hjulpet en virkelige investor overforutsigelse den tidligere rådende historiske egenkapitalprinsippet. De fleste ville ha alvorlig skade. Derfor finner vi at egenkapitalprinsippet for alle praktiske formål ikke har vært forutsigbart. Dette resultatet overrasker også mange mennesker. Den vanlige visdommen er at fremtidige aksjemarkedene er svært forutsigbare ved å bruke vanlige verdsettelsesmål som DP og PE. Goyal og Welchs forskning indikerer at denne troen, som så mange andre, kan være et annet eksempel på hvordan folk ofte blir lurt av tilfeldighet og ser mønstre i tilfeldige data som ikke er der. Det er fortsatt kontrovers i det akademiske samfunn om hvorvidt aksjeavkastning er forutsigbar, og i hvilken grad de kan være forutsigbare, og hva de beste prognosevariablene kan være. Goyal og Welch har tvunget på denne hypotesen, og de har utført den verdifulle tjenesten for å demonstrere hvor viktig det er bare å bruke utprøveforsøk, men forskning og debatt fortsetter. I alle fall er forutsigbarhet, om den eksisterer i det hele tatt, klart mye svakere og vanskeligere å utnytte enn de fleste tror.
No comments:
Post a Comment