Trading Strategien Quant

Handelsstrategien. Die Höchstbeträge der Gelder, die die Vereinigten Staaten leihen können Die Schuldenobergrenze wurde unter dem Zweiten Freiheitsanleihegesetz geschaffen. Der Zinssatz, bei dem ein Depotinstitut die Gelder an der Federal Reserve an eine andere Depotbank leiht.1 Eine statistische Maßnahme von Die Streuung der Renditen für eine gegebene Sicherheit oder Marktindex Volatilität kann entweder gemessen werden. Eine Handlung der US-Kongress verabschiedet im Jahr 1933 als Banking Act, die Geschäftsbanken von der Teilnahme an der Investition verboten. Nonfarm Gehaltsliste bezieht sich auf jede Arbeit außerhalb der landwirtschaftlichen Betriebe, Private Haushalte und die gemeinnützige Sektor Das US-Büro der Arbeit. Die Währung Abkürzung oder Währungssymbol für die indische Rupie INR, die Währung von Indien Die Rupie besteht aus 1.Quant Strategies - sind sie für Sie. Quantitative Anlagestrategien haben sich in Sehr komplexe Werkzeuge mit dem Aufkommen moderner Computer, aber die Strategien Wurzeln gehen über 70 Jahre zurück. Sie werden in der Regel von hochgebildeten Teams geführt und verwenden proprietäre Modelle, um ihre Fähigkeit, den Markt zu schlagen Es gibt sogar off-the-shelf-Programme, die sind Plug-and-Play für diejenigen, die Einfachheit suchen Quant-Modelle arbeiten immer gut, wenn sie zurück getestet wurden, aber ihre tatsächlichen Anwendungen und Erfolgsquote sind umstritten. Während sie scheinen, in den Bullenmärkten gut zu funktionieren, wenn Märkte haywire gehen, werden Quant Strategien den gleichen Risiken unterworfen Jede andere Strategie. Die Geschichte Einer der Gründungsväter der Studie der quantitativen Theorie, die auf die Finanzierung angewendet wurde, war Robert Merton Sie können sich nur vorstellen, wie schwierig und zeitraubend der Prozess war, bevor der Gebrauch von Computern Andere Theorien in der Finanzierung entwickelten sich auch von einigen von Die ersten quantitativen Studien, einschließlich der Basis der Portfolio-Diversifizierung auf der Grundlage der modernen Portfolio-Theorie Die Verwendung von quantitativen Finanzen und Kalkül führte zu vielen anderen gemeinsamen Tools, darunter eine der berühmtesten, die Black-Scholes Option Preisformel, die nicht nur Investoren hilft Preis-Optionen und entwickeln Strategien, sondern hilft, halten die Märkte in Schach mit Liquidität. Wenn angewendet direkt auf Portfolio-Management das Ziel ist wie jede andere Investitionsstrategie, um Wert, Alpha oder Überschuss Renditen Quants, wie die Entwickler genannt werden, komplizieren mathematische Modelle Zu ermitteln Investitionsmöglichkeiten Es gibt so viele Modelle da draußen als Quants, die sie entwickeln, und alle behaupten, die besten Einer einer Quant Investment-Strategie s Best-Selling-Punkte ist, dass das Modell, und letztlich der Computer, macht die tatsächliche Kauf verkaufen Entscheidung, nicht ein Mensch Dies neigt dazu, jede emotionale Antwort, die eine Person beim Kauf oder Verkauf von Investitionen zu entfernen kann. Quant Strategien sind jetzt in der Investment-Community akzeptiert und laufen von Investmentfonds, Hedgefonds und institutionelle Investoren Sie in der Regel durch den Namen Alpha Generatoren oder Alpha Gens. Behind der Vorhang Genau wie in der Zauberer von Oz, ist jemand hinter dem Vorhang, der den Prozess treibt Wie bei jedem Modell, es ist nur so gut wie der Mensch, der das Programm entwickelt Während es keine spezifische Anforderung zum Werden gibt Quant, die meisten Unternehmen, die Quant-Modelle betreiben, kombinieren die Fähigkeiten von Investmentanalysten, Statistiker und Programmierer, die den Prozess in die Computer vergeben. Aufgrund der komplexen Natur der mathematischen und statistischen Modelle ist es üblich, die Anmeldeinformationen wie Graduiertenkollegs und Doktoranden im Finanzen zu sehen , Wirtschaftswissenschaften, Mathematik und Ingenieurwissenschaften. Historisch, diese Teammitglieder arbeiteten in den Back-Büros, aber als Quant-Modelle wurde immer häufiger, das Back-Office bewegt sich an die Front Office. Benefits von Quant Strategies Während die allgemeine Erfolgsquote ist umstritten, der Grund einige Quant Strategies Arbeit ist, dass sie auf Disziplin basieren Wenn das Modell richtig ist, hält die Disziplin die Strategie, mit Blitzschnell-Computern zu arbeiten, um Ineffizienzen in den Märkten auf der Grundlage quantitativer Daten auszunutzen. Die Modelle selbst können auf so wenig wie ein paar Verhältnisse basieren Wie PE-Schulden zu Gerechtigkeit und Gewinnwachstum, oder verwenden Tausende von Inputs zusammenarbeiten zur gleichen Zeit. Successful Strategien können sich auf Trends in ihren frühen Stadien, wie die Computer ständig laufen Szenarien zu lokalisieren Ineffizienzen vor anderen tun Die Modelle sind in der Lage zu analysieren Eine sehr große Gruppe von Investitionen gleichzeitig, wo der traditionelle Analytiker kann nur ein paar auf einmal sehen Der Screening-Prozess kann das Universum nach Grade Ebenen wie 1-5 oder AF je nach Modell bewerten Dies macht den eigentlichen Handelsprozess sehr einfach Durch Investitionen in die hoch bewerteten Investitionen und den Verkauf der Low-rated diejenigen. Quant Modelle eröffnen auch Variationen von Strategien wie lange, kurze und lange kurze Erfolgreiche Quant-Fonds halten ein Blick auf die Risikokontrolle aufgrund der Art ihrer Modelle Die meisten Strategien beginnen Mit einem Universum oder Benchmark und Nutzung Sektor und Industrie Gewichtungen in ihren Modellen Dies ermöglicht es den Fonds, die Diversifizierung in einem gewissen Ausmaß zu kontrollieren, ohne das Modell selbst zu beeinträchtigen Quant Fonds in der Regel auf einer niedrigeren Kosten Basis laufen, weil sie don t brauchen so viele traditionelle Analysten und Portfoliomanager, um sie zu führen. Disadvantages of Quant Strategies Es gibt Gründe, warum so viele Investoren nicht vollständig umarmen das Konzept der Vermietung einer Black Box laufen ihre Investitionen Für alle erfolgreichen quant Fonds da draußen, so viele scheinen erfolglos zu sein. Leider für die Quants Reputation, wenn sie scheitern, sie scheitern große time. Long-Term Capital Management war einer der bekanntesten Quoten-Hedge-Fonds, wie es von einigen der angesehensten akademischen Führer und zwei Nobel Memorial Preisträger Ökonomen Myron S Scholes geführt wurde Und Robert C Merton In den 1990er Jahren erzielte ihr Team überdurchschnittliche Renditen und zog Kapital von allen Arten von Investoren an. Sie waren berühmt dafür, dass sie nicht nur Ineffizienzen ausnutzten, sondern auch einen einfachen Zugang zu Kapital, um enorme gehebelte Wetten auf Marktanweisungen zu schaffen. Die disziplinierte Natur Ihrer Strategie tatsächlich die Schwäche geschaffen, die zu ihrem Zusammenbruch geführt hat Langfristige Kapitalverwaltung wurde im Frühjahr 2000 liquidiert und aufgelöst. Seine Modelle beinhalteten nicht die Möglichkeit, dass die russische Regierung auf einige ihrer eigenen Schulden verstoßen konnte. Diese ein Ereignis löste Ereignisse und a Kettenreaktion, die durch Hebelwirkung entstanden ist, war die LTCM so stark mit anderen Investitionsvorgängen verknüpft, dass der Zusammenbruch die Weltmärkte beeinflusste und dramatische Ereignisse auslöste. Auf lange Sicht trat die Federal Reserve ein, um zu helfen, und andere Banken und Investmentfonds unterstützten LTCM Verhindern, dass weitere Schäden Dies ist einer der Gründe, die Quant-Fonds scheitern können, da sie auf historischen Ereignissen basieren, die keine zukünftigen Ereignisse beinhalten können. Während ein starkes Quant-Team ständig neue Aspekte der Modelle hinzufügt, um zukünftige Ereignisse vorherzusagen, ist es s Unmöglich, die Zukunft jedes Mal vorhersagen Quant Fonds können auch überwältigt werden, wenn die Wirtschaft und Märkte erleben mehr als durchschnittliche Volatilität Die Kauf-und Verkaufssignale können so schnell kommen, dass der hohe Umsatz kann hohe Provisionen und steuerpflichtige Ereignisse Quant Fonds können auch Eine Gefahr darstellen, wenn sie als Bären-Beweis vermarktet werden oder auf kurzen Strategien basieren. Vorhersage von Abschwüngen mit Derivaten und Kombination von Hebelwirkung kann gefährlich sein Eine falsche Wendung kann zu Implosionen führen, die oft die News machen. Die Bottom Line Quantitative Anlagestrategien haben sich aus entwickelt Back-Office-Black-Boxen zu Mainstream-Investment-Tools Sie sind entworfen, um die besten Köpfe in der Wirtschaft und die schnellsten Computer nutzen, um sowohl Ineffizienzen zu nutzen und nutzen Hebel, um Marktwetten zu machen Sie können sehr erfolgreich sein, wenn die Modelle haben alle richtigen Eingaben und sind Flink genug, um abnorme Marktereignisse vorherzusagen Auf der Kehrseite, während Quell-Fonds rigoros zurück getestet werden, bis sie arbeiten, ist ihre Schwäche, dass sie auf historische Daten für ihren Erfolg angewiesen sind. Während Quant-Stil investiert hat seinen Platz auf dem Markt, ist es wichtig Um sich ihrer Unzulänglichkeiten und Risiken bewusst zu sein Um mit den Diversifizierungsstrategien in Einklang zu stehen, ist es sinnvoll, quant Strategien als Investitionsstil zu behandeln und sie mit traditionellen Strategien zu kombinieren, um eine ordnungsgemäße Diversifizierung zu erreichen. Die Höchstbeträge der Gelder, die die Vereinigten Staaten die Schuldenobergrenze leihen können Wurde im Rahmen des Zweiten Freiheitsanleihegesetzes geschaffen. Der Zinssatz, bei dem ein Depotinstitut an der Federal Reserve Geld an eine andere Depotbank leiht.1 Ein statistisches Maß für die Verteilung der Renditen für einen bestimmten Wertpapier oder Marktindex Die Volatilität kann entweder gemessen werden. An handeln der US-Kongress verabschiedet im Jahr 1933 als Banking Act, die Geschäftsbanken von der Teilnahme an der Investition verboten. Nonfarm Gehaltsliste bezieht sich auf jede Arbeit außerhalb der landwirtschaftlichen Betriebe, private Haushalte und der gemeinnützige Sektor Die US Bureau of Labor. The Währung Abkürzung oder Währungssymbol für die indische Rupie INR, die Währung von Indien Die Rupie besteht aus 1.Beginner s Guide to Quantitative Trading. In diesem Artikel werde ich Ihnen vorstellen, einige der grundlegenden Konzepte, die ein Ende zu Ende begleiten Quantitatives Handelssystem Dieser Beitrag wird hoffentlich zwei Zielgruppen dienen Die ersten werden Einzelpersonen versuchen, einen Job an einem Fonds als quantitativen Trader zu erhalten Die zweite werden Einzelpersonen, die versuchen wollen, ihre eigenen Einzelhandel algorithmischen Handelsgeschäft. Quantitative Handel ist ein Extrem anspruchsvoller Bereich der Quant Finanzen Es kann viel Zeit in Anspruch nehmen, um das nötige Wissen zu gewinnen, um ein Interview zu bestehen oder eigene Trading-Strategien zu konstruieren. Nicht nur das, sondern erfordert umfangreiche Programmierkenntnisse, zumindest in einer Sprache wie MATLAB, R oder Python Doch da die Handelshäufigkeit der Strategie zunimmt, werden die technologischen Aspekte viel wichtiger. Das Vertraut mit CC wird von überragender Bedeutung sein. Ein quantitatives Handelssystem besteht aus vier Hauptkomponenten. Strategie Identifizierung - Finden einer Strategie, Ausnutzung einer Kante und Entscheidung über die Handelsfrequenz. Strategie Backtesting - Datenerfassung, Analyse der Strategie-Performance und die Beseitigung von Biases. Execution System - Verknüpfung mit einem Brokerage, Automatisierung der Handel und Minimierung der Transaktionskosten. Risk Management - Optimale Kapitalallokation, Wette Größe Kelly Kriterium und Handelspsychologie . Wir beginnen mit einem Blick auf, wie man eine Handelsstrategie zu identifizieren. Strategie Identifizierung. Alle quantitativen Handelsprozesse beginnen mit einer ersten Phase der Forschung Dieser Forschungsprozess umfasst die Suche nach einer Strategie, ob die Strategie passt in ein Portfolio von anderen Strategien Sie Kann laufen, erhalten alle Daten notwendig, um die Strategie zu testen und versuchen, die Strategie für höhere Renditen und oder niedrigere Risiko zu optimieren Sie müssen in Ihre Eigenkapitalanforderungen Faktor, wenn die Strategie als Einzelhändler und wie sich die Transaktionskosten beeinflussen Die Strategie. Unter dem populären Glauben ist es eigentlich ganz einfach, profitable Strategien durch verschiedene öffentliche Quellen zu finden Akademiker veröffentlichen regelmäßig theoretische Handelsergebnisse, wenngleich meistens grob von Transaktionskosten Quantitative Finanz-Blogs diskutieren Strategien im Detail Fachzeitschriften werden einige der Strategien, Fonds. Sie könnten fragen, warum Einzelpersonen und Firmen sind scharf, ihre profitable Strategien zu diskutieren, vor allem, wenn sie wissen, dass andere Gedränge der Handel kann die Strategie von der Arbeit auf lange Sicht zu stoppen Der Grund liegt in der Tatsache, dass sie nicht oft diskutieren die genaue Parameter und Tuning-Methoden, die sie durchgeführt haben Diese Optimierungen sind der Schlüssel, um eine relativ mittelmäßige Strategie in eine hochprofitable zu verwandeln. Eine der besten Möglichkeiten, um Ihre eigenen einzigartigen Strategien zu schaffen, ist, ähnliche Methoden zu finden und dann selbständig zu machen Optimierung Prozedur. Hier ist eine kleine Liste von Orten zu suchen auf der Suche nach Strategie Ideen. Man der Strategien, die Sie betrachten wird in die Kategorien der Mittel-Reversion und Trend-Follow-Impuls fallen Eine Mittel-Rückkehr-Strategie ist eine, die versucht zu nutzen Die Tatsache, dass ein langfristiger Mittelwert für eine Preisreihe wie die Verteilung zwischen zwei korrelierten Vermögenswerten besteht und dass kurzfristige Abweichungen von diesem Mittelwert schließlich eine Impulsstrategie versetzen werden, sowohl die Investorenpsychologie als auch die große Fondsstruktur zu nutzen, indem sie eine Fahrt abschrecken Ein Markttrend, der in einer Richtung Impulse sammeln kann und dem Trend folgt, bis er sich umkehrt. Ein weiterer, sehr wichtiger Aspekt des quantitativen Handels ist die Häufigkeit der Handelsstrategie. Der niederfrequente Handel LFT bezieht sich generell auf jede Strategie, die Vermögenswerte länger hält als ein Handel Tag Entsprechend bezieht sich Hochfrequenzhandel HFT generell auf eine Strategie, die Vermögenswerte intraday hält. Hochfrequenzhandel UHFT bezieht sich auf Strategien, die Vermögenswerte in der Größenordnung von Sekunden und Millisekunden halten. Als Einzelhandels-Praktiker HFT und UHFT sind sicherlich möglich, aber nur mit detaillierten Kenntnisse der Trading-Technologie-Stack und Auftragsbuchdynamik Wir haben diese Aspekte in diesem Einführungsartikel in großem Umfang diskutiert. Eine Strategie oder eine Reihe von Strategien wurde identifiziert, die nun für die Profitabilität auf historischen Daten getestet werden muss Die Domäne der Backtesting. Strategy Backtesting. Das Ziel der Backtesting ist es, Beweise dafür, dass die Strategie identifiziert über die oben genannten Prozess ist rentabel, wenn auf historische und out-of-sample Daten angewendet Dies setzt die Erwartung, wie die Strategie wird in der Echte Welt Allerdings ist Backtesting NICHT eine Garantie für den Erfolg, aus verschiedenen Gründen Es ist vielleicht der subtilste Bereich des quantitativen Handels, da es zahlreiche Vorurteile mit sich bringt, die sorgfältig betrachtet und so weit wie möglich eliminiert werden müssen. Wir diskutieren die üblichen Arten von Bias Einschließlich der Vorausschau Bias Überlebensvorsorge und Optimierung Bias auch bekannt als Data-Snooping Bias Andere Bereiche von Bedeutung im Backtesting gehören Verfügbarkeit und Sauberkeit der historischen Daten, Factoring in realistischen Transaktionskosten und die Entscheidung über eine robuste Backtesting-Plattform Wir diskutieren Transaktionskosten weiter in Die Execution Systems Abschnitt unten. Once eine Strategie identifiziert wurde, ist es notwendig, die historischen Daten, durch die Durchführung von Tests und vielleicht Verfeinerung Es gibt eine beträchtliche Anzahl von Datenverkäufer über alle Asset-Klassen Ihre Kosten im Allgemeinen mit dem Qualität, Tiefe und Aktualität der Daten Der traditionelle Ausgangspunkt für den Anfang der Quant Trader zumindest auf der Einzelhandelsstufe ist es, den kostenlosen Datensatz von Yahoo Finance zu nutzen, den ich bei den Anbietern zu viel hier gewohnt habe, eher möchte ich mich auf die Allgemeine Fragen beim Umgang mit historischen Datensätzen. Die Hauptanliegen mit historischen Daten sind Genauigkeit Sauberkeit, Überlebensvorstellung und Anpassung für Unternehmensaktionen wie Dividenden und Aktiensplits. Akkanz bezieht sich auf die Gesamtqualität der Daten - ob es Fehler enthält Fehler können Manchmal leicht zu identifizieren, wie mit einem Spike-Filter, die falsche Spikes in Zeitreihen-Daten auswählen und für sie korrigieren zu anderen Zeiten können sie sehr schwer zu erkennen Es ist oft notwendig, zwei oder mehr Anbieter zu haben und dann alle zu überprüfen Ihrer Daten gegeneinander. Survivorship Bias ist oft ein Merkmal der freien oder billigen Datasets Ein Datensatz mit Überlebens-Bias bedeutet, dass es keine Vermögenswerte, die nicht mehr Handel sind Im Falle von Aktien bedeutet dies, dass Bankrott Aktien Dies bedeutet, dass jeder Aktien-Trading-Strategie auf einem solchen Datensatz getestet wird wahrscheinlich besser als in der realen Welt als die historischen Gewinner wurden bereits vorgewählt. Corporate Aktionen gehören logistische Aktivitäten von der Firma durchgeführt, die in der Regel eine Schritt-Funktion ändern in den Rohpreis, dass Sollte nicht in die Berechnung der Renditen des Preises aufgenommen werden Anpassungen für Dividenden und Aktiensplits sind die gemeinsamen Täter Ein Prozess, der als Rückversicherung bekannt ist, ist notwendig, um bei jeder dieser Aktionen durchgeführt werden muss man sehr vorsichtig sein, nicht zu verwechseln eine Aktie Split mit einer echten Rendite Anpassung Viele ein Händler wurde von einer Corporate Action gefangen. Um eine Backtest-Prozedur durchführen ist es notwendig, eine Software-Plattform verwenden Sie haben die Wahl zwischen dedizierten Backtest-Software, wie Tradestation, eine numerische Plattform Wie zB Excel oder MATLAB oder eine vollständige benutzerdefinierte Implementierung in einer Programmiersprache wie Python oder CI gewann t zu viel auf Tradestation oder ähnlich, Excel oder MATLAB, wie ich glaube an die Schaffung eines kompletten Inhouse-Technologie-Stack aus Gründen, die unten definiert sind Von den Vorteilen, dies zu tun ist, dass die Backtest-Software und Ausführungs-System kann eng integriert werden, auch mit extrem fortgeschrittenen statistischen Strategien Für HFT-Strategien im Besonderen ist es wichtig, eine benutzerdefinierte Umsetzung verwenden. Wenn Backtesting ein System muss man in der Lage sein zu quantifizieren, wie Gut es ist die Durchführung der Industrie-Standard-Metriken für quantitative Strategien sind die maximale Drawdown und die Sharpe Ratio Die maximale Drawdown charakterisiert den größten Peak-to-Trog-Drop in der Konto-Equity-Kurve über einen bestimmten Zeitraum in der Regel jährlich Dies ist am häufigsten als ein Prozentuale LFT-Strategien neigen dazu, größere Drawdowns als HFT-Strategien zu haben, aufgrund einer Reihe von statistischen Faktoren Ein historischer Backtest zeigt den bisherigen maximalen Drawdown, was ein guter Leitfaden für die zukünftige Drawdown-Performance der Strategie ist. Die zweite Messung ist die Sharpe Ratio , Die heuristisch definiert ist als der Durchschnitt der Überschussrenditen geteilt durch die Standardabweichung dieser Überschussrenditen Hier beziehen sich die Überschussrenditen auf die Rendite der Strategie über einem vorgegebenen Benchmark wie dem S-Schlupf, was der Unterschied zwischen dem ist Sie beabsichtigten, dass Ihre Bestellung im Vergleich zu dem, was es tatsächlich gefüllt war, ausgefüllt wurde, was der Unterschied zwischen dem Gebotspreis der gehandelten Sicherheit ist. Beachten Sie, dass der Spread NICHT konstant ist und von der aktuellen Liquidität abhängig ist, dh die Verfügbarkeit von Kauf verkaufen Aufträge auf dem Markt. Transaktionskosten können den Unterschied zwischen einer äußerst profitablen Strategie mit einer guten Sharpe-Ratio und einer äußerst unrentablen Strategie mit einer schrecklichen Sharpe-Ratio machen. Es kann eine Herausforderung sein, die Transaktionskosten korrekt von einem Backtest vorherzusagen. Je nach Häufigkeit der Strategie, benötigen Sie Zugang zu historischen Austauschdaten, die Tick-Daten für Bid-Ask-Preise enthalten werden. Gesamte Teams von Quants sind für die Optimierung der Ausführung in den größeren Fonds gewidmet, aus diesen Gründen Betrachten Sie das Szenario, wo ein Fonds muss eine erhebliche Menge zu belasten Von Trades, von denen die Gründe dafür sind vielfältig und vielfältig Durch das Dumping so viele Aktien auf den Markt, werden sie schnell den Preis zu deprimieren und kann nicht optimale Ausführung erhalten Daher Algorithmen, die Futteraufträge auf den Markt zu tropfen gibt, obwohl dann der Fonds läuft Das Risiko von Schlupf Darüber hinaus, andere Strategien Beute auf diese Notwendigkeiten und können die Ineffizienzen ausnutzen Dies ist die Domäne der Fondsstruktur Arbitrage. Das letzte wichtige Problem für Ausführungs-Systeme betrifft Divergenz der Strategie Leistung von Backtted Performance Dies kann für eine Reihe von Gründe, die wir bereits bei der Betrachtung von Backtests in Erwägung gezogen haben, aber bei einigen Strategien ist es nicht leicht, diese Vorurteile vor der Bereitstellung zu testen. Dies geschieht in HFT am meisten überwiegend. Es gibt möglicherweise Fehler im Ausführungssystem als Gut als die Handelsstrategie selbst, die nicht auf einem Backtest auftauchen, aber DO im Live-Handel auftauchen Der Markt kann unter Umständen einer Regimewechsel nach dem Einsatz Ihrer Strategie unterworfen werden Neue regulatorische Umgebungen, die Veränderung der Anlegerstimmung und makroökonomische Phänomene können alle Führen zu Abweichungen, wie sich der Markt verhält und damit die Profitabilität Ihrer Strategie. Risikomanagement. Das letzte Stück zum quantitativen Trading Puzzle ist der Prozess des Risikomanagements Das Risiko beinhaltet alle bisherigen Vorurteile, die wir diskutiert haben. Dazu gehört das Technologierisiko Server, die sich an der Börse befinden, die plötzlich eine Festplattenfehlfunktion entwickelt haben. Dazu gehört das Vermittlungsrisiko, wie der Makler, der nicht so verrückt wird, wie es klingt, angesichts der jüngsten Angst mit MF Global. In kurzem deckt es fast alles ab, was möglicherweise mit dem stören könnte Handelsimplementierung, von denen es viele Quellen gibt. Ganze Bücher sind dem Risikomanagement für quantitative Strategien gewidmet, also werde ich nicht versuchen, auf alle möglichen Gefahrenquellen hier aufzuklären. Das Risikomanagement umfasst auch das, was als optimale Kapitalallokation bekannt ist, die eine Zweigniederlassung ist Portfolio-Theorie Dies ist die Mittel, mit denen das Kapital auf eine Reihe von verschiedenen Strategien und auf die Trades innerhalb dieser Strategien verteilt wird Es ist ein komplexes Gebiet und stützt sich auf einige nicht-triviale Mathematik Der Industriestandard, durch die optimale Kapitalallokation und Hebelwirkung der Strategien Sind verwandt heißt das Kelly-Kriterium Da es sich hierbei um einen einleitenden Artikel handelt, gewann ich bei der Berechnung. Das Kelly-Kriterium macht einige Annahmen über die statistische Natur der Renditen, die in den Finanzmärkten nicht oft zutreffen, so dass die Händler oftmals konservativ sind Es kommt zu der Umsetzung. Eine andere Schlüsselkomponente des Risikomanagements ist im Umgang mit einem eigenen psychologischen Profil Es gibt viele kognitive Vorurteile, die in den Handel kriechen können Obwohl dies zugegebenermaßen weniger problematisch mit algorithmischen Handel ist, wenn die Strategie allein gelassen wird Eine gemeinsame Vorspannung Ist das der Verlust-Abneigung, wo eine verlorene Position nicht ausgeschlossen werden wird, weil der Schmerz, einen Verlust zu realisieren. Ähnlich können Gewinne zu früh genommen werden, weil die Angst, einen bereits gewonnenen Gewinn zu verlieren, zu groß sein kann. Eine weitere gemeinsame Vorliebe ist bekannt Als Recency-Bias Das manifestiert sich, wenn die Händler zu viel Wert auf die jüngsten Ereignisse legen und nicht auf die längerfristige Zeit. Natürlich gibt es das klassische Paar emotionaler Vorurteile - Angst und Gier Diese können oft zu Unter - oder Überhemmung führen, was kann Verursachen Blow-up, dh die Konto-Equity-Überschrift auf Null oder schlechter oder reduzierte Gewinne. Wie man sehen kann, ist der quantitative Handel ein äußerst komplexer, wenn auch sehr interessanter Bereich der quantitativen Finanzierung Ich habe buchstäblich die Oberfläche des Themas in diesem Artikel gekratzt und Es wird schon ziemlich lang Ganze Bücher und Papiere wurden über Fragen geschrieben, die ich nur einen Satz oder zwei ausgesprochen habe. Aus diesem Grund ist es vor der Beantragung von quantitativen Fondshandelsaufgaben notwendig, eine beträchtliche Menge an Grundlagenstudien durchzuführen Zumindest benötigen Sie einen umfangreichen Hintergrund in der Statistik und Ökonometrie, mit viel Erfahrung in der Implementierung, über eine Programmiersprache wie MATLAB, Python oder R Für anspruchsvollere Strategien am höheren Frequenzende, wird Ihr Skill-Set wahrscheinlich sein Linux-Kernel-Modifikation, CC, Assembly-Programmierung und Netzwerk-Latenz-Optimierung. Wenn Sie daran interessiert sind, Ihre eigenen algorithmischen Trading-Strategien zu erstellen, wäre mein erster Vorschlag, um gut zu programmieren Meine Vorliebe ist es, so viel von der Daten-Grabber, Strategie zu bauen Backtester und Ausführungs-System von sich selbst wie möglich Wenn Ihr eigenes Kapital auf der Linie ist, würden Sie nicht besser schlafen in der Nacht wissen, dass Sie Ihr System vollständig getestet haben und sind bewusst von seinen Fallstricke und besondere Fragen Outsourcing dieses an einen Verkäufer, während potenziell sparen Zeit in der kurzfristigen, könnte extrem teuer in der langfristigen. Just Getting Started mit quantitativen Trading.