Livros Em Algoritmo Negociação Estratégias

Algo trading é um campo multidisciplinar que inclui estas áreas: 1. Análise de mercado: basicamente Indicadores Técnicos, Estatística e Leitura de Ofertas Bid. Há muitas toneladas de livros sobre técnicas e estatísticas, no entanto, sugiro uma leitura introdutória muito interessante em Forex de um comerciante especialista que faz o seu sistema de apenas observar movimentos de preços. Trading no Buff por John Templeton 2. Trading software ou Broker039s API que lhe permite criar desenvolver suas estratégias automáticas. Eu sugiro que você comece com: Ninjatrader, it039s livre, ele usa a linguagem C para desenvolver. Você só terá que comprá-lo se you039re vai usá-lo para a negociação real ao vivo. 3. Obviamente you039ll tem que codificar (na linguagem que vem com a plataforma de negociação) ou you039ll tem que contratar alguém para fazê-lo. Uma vez que você terminou um Algo, a primeira etapa é backtest o, com preferivelmente os mesmos dados do broker039s de sua escolha. Tenha em mente que um backtest não é o teste final, porque há muitos fatores que uma vez que você executá-lo quotlivequot, you039ll ver que as ordens de enchimento, mercados rápidos, notícias podem afetar totalmente os resultados. Seja prudente, não se apresse nisto. 3.2k Vistas middot Ver Upvotes middot Não é para reprodução middot Resposta solicitada por Gorkem GeronimTop 5 Essential Beginner Books para Algorithmic Trading Negociação algorítmica é geralmente percebida como uma área complexa para iniciantes para se familiarizar com. Abrange uma vasta gama de disciplinas, com certos aspectos que requerem um grau significativo de maturidade matemática e estatística. Por conseguinte, pode ser extremamente desagradável para os não iniciados. Na realidade, os conceitos gerais são simples de entender, enquanto os detalhes podem ser aprendidos de forma iterativa e contínua. A beleza da negociação algorítmica é que não há necessidade de testar os conhecimentos sobre o capital real, como muitas corretoras oferecem simuladores de mercado altamente realista. Embora existam algumas advertências associadas a esses sistemas, eles fornecem um ambiente para promover um profundo nível de compreensão, com absolutamente nenhum risco de capital. Uma pergunta comum que eu recebo dos leitores de QuantStart é como eu começo no comércio quantitativo. Eu já escrevi um guia de iniciantes para negociação quantitativa. Mas um artigo não pode esperar cobrir a diversidade do assunto. Assim Ive decidiu recomendar o meu favorito entry-level quant livros de negociação neste artigo. A primeira tarefa é obter uma sólida visão geral do assunto. Descobri que é muito mais fácil evitar discussões matemáticas pesadas até que o básico seja coberto e compreendido. Os melhores livros que eu encontrei para este fim são os seguintes: 1) Quantitative Trading por Ernest Chan - Este é um dos meus livros favoritas de finanças. Dr. Chan fornece uma grande visão geral do processo de criação de um sistema de comércio de varejo quantitativa, usando MatLab ou Excel. Ele torna o assunto altamente acessível e dá a impressão de que qualquer um pode fazê-lo. Embora haja uma abundância de detalhes que são ignorados (principalmente para a brevidade), o livro é uma ótima introdução à forma como negociação algorítmica funciona. Ele discute a geração alfa (o modelo de negociação), gerenciamento de risco, sistemas de execução automatizada e certas estratégias (particularmente impulso e reversão média). Este livro é o lugar para começar. 2) Dentro da caixa preta por Rishi K. Narang - neste livro o Dr. Narang explica em detalhe como um fundo de hedge quantitativo profissional opera. Ele é lançado em um investidor experiente que está pensando em investir em uma caixa preta. Apesar da irrelevância aparente para um comerciante de varejo, o livro realmente contém uma riqueza de informações sobre como um verdadeiro sistema de comércio de quantos deve ser realizado. Por exemplo, a importância dos custos de transação e gerenciamento de riscos são delineados, com idéias sobre onde procurar informações adicionais. Muitos varejo algo comerciantes poderiam fazer bem para pegar isso e ver como os profissionais realizar a sua negociação. 3) Algorithmic Trading amp DMA por Barry Johnson - A frase trading algorítmico, no setor financeiro, geralmente se refere aos algoritmos de execução utilizados por bancos e corretores para executar negócios eficientes. Estou usando o termo para cobrir não só os aspectos da negociação, mas também de negociação quantitativa ou sistemática. Este livro é principalmente sobre o primeiro, sendo escrito por Barry Johnson, que é um desenvolvedor de software quantitativo em um banco de investimento. Isso significa que é inútil para o varejo quant Not a todos. Possuir uma compreensão mais profunda de como as trocas funcionam ea microestrutura do mercado pode ajudar imensamente a rentabilidade das estratégias de varejo. Apesar de ser um volume pesado, vale a pena pegar. Uma vez que os conceitos básicos são compreendidos, é necessário começar a desenvolver uma estratégia comercial. Isso geralmente é conhecido como o componente modelo alfa de um sistema de negociação. Estratégias são simples de encontrar nestes dias, no entanto, o verdadeiro valor vem na determinação de seus próprios parâmetros de negociação através de extensa pesquisa e backtesting. Os seguintes livros discutem certos tipos de sistemas de negociação e execução e como implementá-los: 4) Algorithmic Trading por Ernest Chan - Este é o segundo livro do Dr. Chan. No primeiro livro ele eludiu o impulso, a reversão média e certas estratégias de alta freqüência. Este livro discute essas estratégias em profundidade e fornece detalhes significativos de implementação, embora com mais complexidade matemática do que no primeiro (por exemplo, Kalman Filters, StationarityCointegration, CADF etc). As estratégias, mais uma vez, fazem uso extensivo do MatLab, mas o código pode ser facilmente modificado para C, Pythonpandas ou R para aqueles com experiência em programação. Ele também fornece atualizações sobre o comportamento do mercado mais recente, como o primeiro livro foi escrito há alguns anos. 5) Negociação e Trocas por Larry Harris - Este livro concentra-se na microestrutura do mercado. Que eu pessoalmente sinto é uma área essencial para aprender sobre, mesmo nos estágios iniciais de negociação quant. Microestrutura do mercado é a ciência de como os participantes do mercado interagem e as dinâmicas que ocorrem no livro de encomendas. Está intimamente relacionado com a forma como funcionam as trocas e o que realmente acontece quando um comércio é colocado. Este livro é menos sobre as estratégias de negociação como tal, mas mais sobre as coisas a ter em conta ao projetar sistemas de execução. Muitos profissionais no espaço financeiro quant consideram isso como um livro excelente e eu também recomendo. Nesta fase, como um comerciante de varejo, você estará em um bom lugar para começar a pesquisar os outros componentes de um sistema de negociação, como o mecanismo de execução (e sua relação profunda com os custos de transação), bem como gestão de risco e portfólio. Vou discutir livros para esses tópicos em artigos posteriores. Apenas começando com Quantitative TradingHow para identificar estratégias de negociação algorítmica Neste artigo, quero apresentar-lhe os métodos pelos quais eu mesmo identificar rentáveis ​​estratégias de negociação algorítmica. Nosso objetivo hoje é entender em detalhes como encontrar, avaliar e selecionar esses sistemas. Eu vou explicar como identificar estratégias é tanto sobre a preferência pessoal quanto sobre o desempenho da estratégia, como determinar o tipo ea quantidade de dados históricos para testes, como avaliar de forma desapaixonada uma estratégia comercial e, finalmente, como proceder para a fase de backtesting e implementação da estratégia . Identificando suas próprias preferências pessoais para negociar Para ser um comerciante bem sucedido - discricionária ou algoritmicamente - é necessário perguntar-se algumas perguntas honestas. Trading fornece a você a capacidade de perder dinheiro em uma taxa alarmante, por isso é necessário conhecer thyself tanto quanto é necessário compreender a sua estratégia escolhida. Eu diria que a consideração mais importante na negociação é estar ciente de sua própria personalidade. Trading, e negociação algorítmica em particular, exige um grau significativo de disciplina, paciência e desapego emocional. Desde que você está deixando um algoritmo realizar a sua negociação para você, é necessário ser resolvido para não interferir com a estratégia quando ele está sendo executado. Isto pode ser extremamente difícil, especialmente em períodos de estiramento prolongado. No entanto, muitas estratégias que foram mostrados para ser altamente rentável em um backtest pode ser arruinada por simples interferência. Entenda que se você deseja entrar no mundo da negociação algorítmica você será testado emocionalmente e que, para ser bem sucedido, é necessário trabalhar com estas dificuldades A próxima consideração é um dos tempos. Você tem um emprego a tempo inteiro Você trabalha a tempo parcial Você trabalha em casa ou tem um longo trajeto diário Essas perguntas vão ajudar a determinar a freqüência da estratégia que você deve procurar. Para aqueles de vocês no emprego a tempo inteiro, uma estratégia de futuros intraday pode não ser apropriado (pelo menos até que seja totalmente automatizado). Suas restrições de tempo também ditarão a metodologia da estratégia. Se sua estratégia é freqüentemente negociada e dependente de feeds de notícias caras (como um terminal Bloomberg), você terá que ser claramente realista sobre sua capacidade de executar com êxito isso enquanto no escritório Para aqueles de vocês com muito tempo, ou as habilidades Para automatizar a sua estratégia, você pode querer olhar para uma estratégia mais técnica de negociação de alta freqüência (HFT). Minha crença é que é necessário realizar pesquisas contínuas em suas estratégias de negociação para manter um portfólio consistentemente rentável. Poucas estratégias permanecem sob o radar para sempre. Assim, uma parte significativa do tempo atribuído à negociação será na realização de pesquisas em andamento. Pergunte a si mesmo se você está preparado para fazer isso, pois pode ser a diferença entre a rentabilidade forte ou um declínio lento para as perdas. Você também precisa considerar o seu capital de negociação. O montante mínimo ideal geralmente aceito para uma estratégia quantitativa é 50.000 USD (aproximadamente 35.000 para nós no Reino Unido). Se eu estivesse começando novamente, eu começaria com uma quantidade maior, provavelmente mais perto de 100.000 USD (aproximadamente 70.000). Isso ocorre porque os custos de transação podem ser extremamente caros para as estratégias de média e alta frequência e é necessário ter capital suficiente para absorvê-los em períodos de redução. Se você está considerando começar com menos de 10.000 USD, então você precisará se restringir a estratégias de baixa freqüência, negociação em um ou dois ativos, como os custos de transação vai comer rapidamente em seus retornos. Interactive Brokers, que é um dos corretores mais amigáveis ​​para aqueles com habilidades de programação, devido à sua API, tem uma conta de varejo mínimo de 10.000 USD. A habilidade de programação é um fator importante na criação de uma estratégia de negociação algorítmica automatizada. Estar bem informado em uma linguagem de programação como C, Java, C, Python ou R permitirá que você crie o armazenamento de dados de ponta a ponta, o mecanismo de backtest eo sistema de execução. Isto tem uma série de vantagens, a principal das quais é a capacidade de estar completamente consciente de todos os aspectos da infra-estrutura de negociação. Ele também permite que você explore as estratégias de maior freqüência como você estará no controle total de sua pilha de tecnologia. Enquanto isso significa que você pode testar o seu próprio software e eliminar bugs, também significa mais tempo gasto codificação até infra-estrutura e menos sobre a implementação de estratégias, pelo menos na parte anterior da sua negociação algo comercial. Você pode achar que você está confortável negociação no Excel ou MATLAB e pode terceirizar o desenvolvimento de outros componentes. Eu não recomendo este no entanto, especialmente para aqueles que operam em alta freqüência. Você precisa perguntar a si mesmo o que você espera alcançar por negociação algorítmica. Você está interessado em um rendimento regular, pelo qual você espera tirar ganhos de sua conta de negociação Ou, você está interessado em um ganho de capital a longo prazo e pode dar ao luxo de trocar sem a necessidade de fundos de saque A dependência de renda irá ditar a freqüência de sua estratégia . Retiradas de renda mais regulares exigirão uma estratégia de negociação de freqüência mais alta com menos volatilidade (ou seja, uma taxa Sharpe maior). Os comerciantes a longo prazo podem ter recursos para uma freqüência negociando mais sedate. Finalmente, não se deixe iludir pela noção de se tornar extremamente rico em um curto espaço de tempo Algo trading não é um esquema de get-rich-quick - se alguma coisa pode ser um esquema tornar-pobre-rápido. É preciso disciplina, pesquisa, diligência e paciência significativas para ser bem sucedido na negociação algorítmica. Pode levar meses, se não anos, para gerar rentabilidade consistente. Sourcing Idéias de negociação algorítmica Apesar das percepções comuns ao contrário, é realmente bastante simples para localizar estratégias de negociação rentável no domínio público. Nunca as idéias de negociação foram mais facilmente disponíveis do que são hoje. Jornais de finanças acadêmicas, servidores de pré-impressão, blogs de negociação, fóruns de negociação, revistas semanais de negociação e textos especializados fornecem milhares de estratégias de negociação com as quais basear suas idéias. Nosso objetivo como pesquisadores de negociação quantitativa é estabelecer um pipeline de estratégia que nos fornecerá um fluxo de idéias de negociação em andamento. Idealmente, queremos criar uma abordagem metódica para a terceirização, avaliação e implementação de estratégias que nos deparamos. Os objetivos do pipeline são gerar uma quantidade consistente de idéias novas e fornecer-nos uma estrutura para rejeitar a maioria destas idéias com o mínimo de consideração emocional. Devemos ser extremamente cuidadosos para não deixar que os preconceitos cognitivos influenciem nossa metodologia de tomada de decisão. Isso poderia ser tão simples como ter uma preferência por uma classe de ativos em detrimento de outra (ouro e outros metais preciosos vêm à mente) porque eles são percebidos como mais exóticos. Nosso objetivo deve ser sempre encontrar estratégias consistentemente rentáveis, com expectativa positiva. A escolha da classe de ativos deve ser baseada em outras considerações, como restrições de capital de negociação, taxas de corretagem e recursos de alavancagem. Se você está completamente familiarizado com o conceito de uma estratégia comercial, em seguida, o primeiro lugar para olhar é com livros de texto estabelecidos. Textos clássicos fornecem uma ampla gama de idéias mais simples, mais diretas, com as quais se familiarizar com o comércio quantitativo. Aqui está uma seleção que eu recomendo para aqueles que são novos para a negociação quantitativa, que gradualmente se tornam mais sofisticados como você trabalha através da lista: Para uma lista mais longa de livros de negociação quantitativos, visite a lista de leitura QuantStart. O próximo lugar para encontrar estratégias mais sofisticadas é com fóruns de negociação e blogs comerciais. No entanto, uma nota de cautela: Muitos blogs de negociação dependem do conceito de análise técnica. A análise técnica envolve a utilização de indicadores básicos e psicologia comportamental para determinar tendências ou padrões de reversão nos preços dos ativos. Apesar de ser extremamente popular no espaço comercial global, a análise técnica é considerada um pouco ineficaz na comunidade financeira quantitativa. Alguns têm sugerido que não é melhor do que ler um horóscopo ou estudar folhas de chá em termos de seu poder preditivo Na realidade existem indivíduos bem sucedidos fazendo uso da análise técnica. No entanto, como quants com uma caixa de ferramentas matemática e estatística mais sofisticada à nossa disposição, podemos facilmente avaliar a eficácia de tais estratégias baseadas em TA e tomar decisões baseadas em dados em vez de basear o nosso em considerações emocionais ou preconceitos. Aqui está uma lista de blogs e fóruns de negociação algorítmicos bem respeitados: Depois de ter tido alguma experiência na avaliação de estratégias mais simples, é hora de olhar para as ofertas acadêmicas mais sofisticadas. Algumas revistas acadêmicas serão de difícil acesso, sem altas assinaturas ou custos pontuais. Se você é um membro ou aluno de uma universidade, você deve ser capaz de obter acesso a algumas dessas revistas financeiras. Caso contrário, você pode consultar os servidores de pré-impressão. Que são repositórios da internet de rascunhos tardios de artigos acadêmicos que estão sendo submetidos a revisão por pares. Uma vez que estamos apenas interessados ​​em estratégias que podemos replicar com êxito, backtest e obter rentabilidade para, uma revisão por pares é de menor importância para nós. A principal desvantagem das estratégias acadêmicas é que muitas vezes podem estar desatualizados, exigem dados históricos obscuros e caros, o comércio de classes de ativos ilíquidos ou não factor de taxas, derrapagens ou propagação. Também pode não ser claro se a estratégia de negociação deve ser realizada com ordens de mercado, ordens de limite ou se ele contém parar de perdas etc. Assim, é absolutamente essencial para replicar a estratégia de si mesmo como melhor você pode, backtest-lo e adicionar na transação realista Os custos que incluem tantos aspectos das classes de ativos que você deseja negociar dentro Aqui está uma lista dos servidores de pré-impressão mais populares e revistas financeiras que você pode obter idéias de: Que tal formar suas próprias estratégias quantitativas Isso geralmente requer ( Mas não se limita a) especialização em uma ou mais das seguintes categorias: Microestrutura do mercado - Para estratégias de frequência mais elevada, em particular, pode-se utilizar a microestrutura do mercado. A compreensão da dinâmica da carteira de pedidos para gerar rentabilidade. Diferentes mercados terão várias limitações tecnológicas, regulamentos, participantes no mercado e restrições que estão abertas à exploração através de estratégias específicas. Esta é uma área muito sofisticada e os profissionais de varejo terão dificuldade em ser competitivos neste espaço, particularmente porque a competição inclui fundos de hedge quantitativos grandes e bem capitalizados com fortes capacidades tecnológicas. Estrutura do fundo - Os fundos de investimento em comum, como fundos de pensão, parcerias de investimento privado (fundos de hedge), consultores de negociação de commodities e fundos mútuos, são limitados pela pesada regulamentação e suas grandes reservas de capital. Assim, certos comportamentos consistentes podem ser explorados com aqueles que são mais ágeis. Por exemplo, grandes fundos estão sujeitos a limitações de capacidade devido à sua dimensão. Assim, se eles precisam rapidamente descarregar (vender) uma quantidade de títulos, eles terão de cambaleá-lo, a fim de evitar mover o mercado. Algoritmos sofisticados podem tirar proveito disso, e outras idiossincrasias, em um processo geral conhecido como arbitragem de estrutura de fundo. Aprendizagem de máquinas inteligência artificial - Algoritmos de aprendizagem de máquina tornaram-se mais prevalentes nos últimos anos nos mercados financeiros. Classificadores (tais como Naive-Bayes, et al.) Combinadores de função não-linear (redes neurais) e rotinas de otimização (algoritmos genéticos) foram usados ​​para prever caminhos de ativos ou otimizar estratégias de negociação. Se você tem um fundo nesta área você pode ter alguma introspecção em como os algoritmos particulares puderam ser aplicados a determinados mercados. Há, naturalmente, muitas outras áreas para quants para investigar. Bem discutir como criar estratégias personalizadas em detalhes em um artigo posterior. Ao continuar a monitorar essas fontes em uma base semanal, ou mesmo diariamente, você está se preparando para receber uma lista consistente de estratégias de uma gama diversificada de fontes. O próximo passo é determinar como rejeitar um grande subconjunto dessas estratégias, a fim de minimizar desperdiçar seu tempo e backtesting recursos em estratégias que provavelmente não serão rentáveis. Avaliando Estratégias de Negociação A primeira e, sem dúvida, a mais óbvia consideração é se você realmente compreende a estratégia. Você seria capaz de explicar a estratégia de forma concisa ou requer uma série de advertências e listas de parâmetros intermináveis ​​Além disso, a estratégia tem uma base boa e sólida na realidade Por exemplo, você poderia apontar alguma razão comportamental ou restrição da estrutura do fundo que Pode estar causando o padrão (s) que você está tentando explorar Será que esta restrição segurar até uma mudança de regime, como uma perturbação do ambiente regulatório dramática A estratégia se baseia em estatísticas complexas estatísticas ou matemáticas Será aplicável a qualquer série de tempo financeiro ou é Você deve constantemente estar pensando sobre esses fatores ao avaliar novos métodos de negociação, caso contrário você pode desperdiçar uma quantidade significativa de tempo tentando backtest e otimizar estratégias não rentáveis. Depois de ter determinado que você entende os princípios básicos da estratégia que você precisa para decidir se ele se encaixa com seu perfil de personalidade acima mencionados. Isso não é uma consideração tão vaga quanto parece As estratégias diferem substancialmente em suas características de desempenho. Existem certos tipos de personalidade que podem lidar com períodos mais significativos de retirada, ou estão dispostos a aceitar maior risco de maior retorno. Apesar do fato de que nós, quants, tentamos eliminar tanto viés cognitivo quanto possível e devemos ser capazes de avaliar uma estratégia de forma desapaixonada, os vieses sempre fluem. Assim, precisamos de um meio consistente e sem emoções através do qual avaliar o desempenho das estratégias . A estratégia baseia-se em sofisticadas (ou complexas) técnicas estatísticas ou de aprendizagem de máquinas que são difíceis de usar Para entender e exigir um doutorado em estatísticas para compreender Estas técnicas introduzem uma quantidade significativa de parâmetros, o que pode levar a otimização viés É a estratégia susceptível de suportar uma mudança de regime (ou seja, uma nova regulamentação potencial dos mercados financeiros) Sharpe Ratio - A relação de Sharpe Heuristicamente caracteriza a relação rewardrisk da estratégia. Ele quantifica quanto retorno você pode alcançar para o nível de volatilidade suportado pela curva de equidade. Naturalmente, precisamos determinar o período ea frequência em que esses retornos e volatilidade (ou seja, desvio padrão) são medidos. Uma estratégia de frequência mais elevada exigirá maior taxa de amostragem do desvio padrão, mas um período de tempo global mais curto de medição, por exemplo. Alavancagem - A estratégia requer uma alavancagem significativa para ser rentável? A estratégia exige o uso de contratos de derivativos com alavancagem (futuros, opções, swaps) para obter retorno Estes contratos alavancados podem ter uma volatilidade pesada e assim podem facilmente levar a Chamadas de margem. Você tem o capital de negociação e o temperamento para tal volatilidade Freqüência - A freqüência da estratégia está intimamente ligada à sua tecnologia pilha (e, portanto, expertise tecnológica), a relação de Sharpe e nível global de custos de transação. Todas as outras questões consideradas, as estratégias de maior freqüência requerem mais capital, são mais sofisticadas e mais difíceis de implementar. No entanto, supondo que o seu motor de backtesting é sofisticado e livre de bugs, muitas vezes eles terão taxas Sharpe muito maiores. Volatilidade - A volatilidade está fortemente relacionada com o risco da estratégia. A proporção de Sharpe caracteriza isso. Maior volatilidade das classes de ativos subjacentes, se não coberto, muitas vezes leva a maior volatilidade na curva de equidade e, portanto, menores ratios de Sharpe. Naturalmente, estou assumindo que a volatilidade positiva é aproximadamente igual à volatilidade negativa. Algumas estratégias podem ter maior volatilidade para baixo. Você precisa estar ciente desses atributos. WinLoss, Average ProfitLoss - Estratégias serão diferentes em suas características winloss e lucro médio. Pode-se ter uma estratégia muito rentável, mesmo se o número de negociações perdedoras exceder o número de comércios vencedores. Estratégias Momentum tendem a ter este padrão como eles dependem de um pequeno número de grandes sucessos, a fim de ser rentável. Estratégias de reversão média tendem a ter perfis opostos, onde mais dos comércios são vencedores, mas os comércios perdedores podem ser bastante graves. Drawdown Máximo - A redução máxima é a maior queda global percentual na curva de equidade da estratégia. Estratégias Momentum são bem conhecidos por sofrer de períodos de estendidas descolagens (devido a uma seqüência de muitos comércios perdedores incremental). Muitos comerciantes vão desistir em períodos de retração prolongada, mesmo se o teste histórico sugeriu que este é o negócio como de costume para a estratégia. Você precisará determinar qual porcentagem de levantamento (e sobre qual período de tempo) você pode aceitar antes de cessar a negociação de sua estratégia. Esta é uma decisão altamente pessoal e, portanto, deve ser considerada com cuidado. CapacidadeLiquidez - No nível de varejo, a menos que você esteja negociando em um instrumento altamente ilíquido (como um estoque de pequena capitalização), você não terá que se preocupar muito com a capacidade de estratégia. A capacidade determina a escalabilidade da estratégia para aumentar o capital. Muitos dos hedge funds maiores sofrem de problemas de capacidade significativos à medida que suas estratégias aumentam na alocação de capital. Parâmetros - Certas estratégias (especialmente aquelas encontradas na comunidade de aprendizado de máquina) requerem uma grande quantidade de parâmetros. Cada parâmetro extra que uma estratégia exige deixa mais vulnerável ao viés de otimização (também conhecido como ajuste de curva). Você deve tentar e direcionar estratégias com o menor número de parâmetros possível ou certificar-se de que você tem quantidades suficientes de dados com os quais testar suas estratégias. Benchmark - Quase todas as estratégias (a menos que sejam caracterizadas como retorno absoluto) são medidas contra algum benchmark de desempenho. O benchmark é geralmente um índice que caracteriza uma grande amostra da classe de ativos subjacente em que a estratégia negocia. Se a estratégia negocia ações de grande capitalização dos EUA, então o SP500 seria um ponto de referência natural para medir sua estratégia contra. Você vai ouvir os termos alfa e beta, aplicado a estratégias deste tipo. Discutiremos esses coeficientes em profundidade em artigos posteriores. Observe que não discutimos os retornos reais da estratégia. Por que isso é Isoladamente, os retornos realmente nos fornecem informações limitadas sobre a eficácia da estratégia. Eles não lhe dão uma visão de alavancagem, volatilidade, benchmarks ou requisitos de capital. Assim, as estratégias raramente são julgadas em seus retornos sozinho. Sempre considerar os atributos de risco de uma estratégia antes de olhar para os retornos. Nesta fase muitas das estratégias encontradas a partir do seu gasoduto serão rejeitadas fora de mão, uma vez que eles não vão atender aos seus requisitos de capital, restrições de alavancagem, tolerância máxima drawdown ou preferências volatilidade. As estratégias que permanecem podem agora ser consideradas para backtesting. No entanto, antes que isso seja possível, é necessário considerar um critério de rejeição final - o dos dados históricos disponíveis sobre os quais testar essas estratégias. Obtendo Dados Históricos Hoje em dia, a amplitude dos requisitos técnicos em classes de ativos para o armazenamento de dados históricos é substancial. Para manter a competitividade, tanto o lado da compra (fundos) quanto o do lado da venda (bancos de investimento) investem pesadamente em sua infra-estrutura técnica. É imperativo considerar a sua importância. Em particular, estamos interessados ​​em pontualidade, precisão e requisitos de armazenamento. Vou agora esboçar os conceitos básicos de obtenção de dados históricos e como armazená-lo. Infelizmente este é um tópico muito profundo e técnico, então eu não vou ser capaz de dizer tudo neste artigo. No entanto, estarei escrevendo muito mais sobre isso no futuro, já que minha experiência anterior na indústria financeira estava principalmente preocupada com a aquisição, armazenamento e acesso a dados financeiros. Na seção anterior, tínhamos estabelecido um pipeline estratégico que nos permitia rejeitar certas estratégias baseadas em nossos próprios critérios de rejeição pessoal. Nesta seção, filtraremos mais estratégias com base em nossas próprias preferências para obtenção de dados históricos. As considerações principais (especialmente no nível de profissional de varejo) são os custos dos dados, os requisitos de armazenamento eo seu nível de especialização técnica. Também precisamos discutir os diferentes tipos de dados disponíveis e as diferentes considerações que cada tipo de dados irá impor-nos. Vamos começar por discutir os tipos de dados disponíveis e as questões-chave que precisamos pensar: Dados Fundamentais - Isso inclui dados sobre tendências macroeconômicas, tais como taxas de juros, índices de inflação, ações corporativas (dividendos, divisão de ações), registros SEC , Contas corporativas, números de lucros, relatórios de culturas, dados meteorológicos, etc. Estes dados são frequentemente utilizados para valorizar empresas ou outros activos numa base fundamental, ou seja, através de alguns meios de fluxos de caixa futuros esperados. Não inclui série de preços de ações. Alguns dados fundamentais estão disponíveis gratuitamente em sites governamentais. Outros dados fundamentais históricos de longo prazo podem ser extremamente caros. Requisitos de armazenamento muitas vezes não são particularmente grandes, a menos que milhares de empresas estão sendo estudadas ao mesmo tempo. Dados de notícias - Dados de notícias são muitas vezes de natureza qualitativa. Consiste em artigos, postagens de blog, postagens de microblog (tweets) e editorial. As técnicas de aprendizagem mecânica, como os classificadores, são freqüentemente usadas para interpretar o sentimento. Estes dados também são muitas vezes livremente disponíveis ou baratos, através da assinatura de meios de comunicação. Os bancos de dados de armazenamento de documentos NoSQL mais recentes foram projetados para armazenar esse tipo de dados não-estruturados e qualitativos. Asset Price Data - Este é o domínio de dados tradicional do quant. Consiste em séries temporais de preços de ativos. As acções (acções), os produtos de rendimento fixo (obrigações), as matérias-primas e os preços de divisas pertencem a esta classe. Dados históricos diários são muitas vezes simples de obter para as classes de ativos mais simples, como ações. No entanto, uma vez que a precisão ea limpeza são incluídas e os viés estatísticos removidos, os dados podem se tornar caros. Além disso, os dados de séries temporais muitas vezes possuem requisitos significativos de armazenamento, especialmente quando dados intradiários são considerados. Instrumentos Financeiros - As acções, obrigações, futuros e as opções de derivados mais exóticos têm características e parâmetros muito diferentes. Assim, não há tamanho único que se adapte a todas as estruturas de banco de dados que podem acomodá-las. Deve ser dada uma atenção significativa à concepção e implementação de estruturas de bases de dados para vários instrumentos financeiros. Discutiremos a situação detalhadamente quando formos construir um banco de dados mestre de títulos em futuros artigos. Frequência - Quanto maior a frequência dos dados, maiores os custos e requisitos de armazenamento. Para estratégias de baixa frequência, os dados diários são muitas vezes suficientes. Para estratégias de alta freqüência, pode ser necessário obter dados de nível de carrapatos e até mesmo cópias históricas de determinados dados de lista de pedidos de troca de negociação. Implementar um mecanismo de armazenamento para este tipo de dados é muito tecnologicamente intensivo e só é adequado para aqueles com uma forte programação de fundo técnico. Benchmarks - As estratégias descritas acima serão muitas vezes comparadas a um benchmark. Isso geralmente se manifesta como uma série de tempo financeiro adicional. Para as acções, esta é frequentemente uma referência de stock nacional, como o índice SP500 (EUA) ou FTSE100 (Reino Unido). Para um fundo de renda fixa, é útil comparar com um cesto de obrigações ou produtos de renda fixa. A taxa livre de risco (ou seja, a taxa de juros adequada) é também outra referência amplamente aceita. Todas as categorias de classes de ativos possuem um marco de referência favorecido, por isso será necessário pesquisar isso com base na sua estratégia específica, se você deseja ganhar interesse em sua estratégia externamente. Tecnologia - As pilhas de tecnologia por trás de um centro de armazenamento de dados financeiros são complexas. Este artigo só pode arranhar a superfície sobre o que está envolvido na construção de um. No entanto, ele se centra em torno de um mecanismo de banco de dados, como um sistema de gerenciamento de banco de dados relacional (RDBMS), como o MySQL, SQL Server, Oracle ou um mecanismo de armazenamento de documentos (ou seja, NoSQL). Isso é acessado via código de aplicativo de lógica de negócios que consulta o banco de dados e fornece acesso a ferramentas externas, como MATLAB, R ou Excel. Muitas vezes essa lógica de negócios é escrita em C, C, Java ou Python. Você também precisará hospedar esses dados em algum lugar, em seu próprio computador pessoal ou remotamente via servidores de internet. Produtos como o Amazon Web Services fizeram isso mais simples e mais barato nos últimos anos, mas ainda exigirá conhecimentos técnicos significativos para alcançá-los de forma robusta. Como pode ser visto, uma vez identificada uma estratégia através do pipeline, será necessário avaliar a disponibilidade, os custos, a complexidade e os detalhes de implementação de um determinado conjunto de dados históricos. Você pode achar que é necessário rejeitar uma estratégia baseada exclusivamente em considerações de dados históricos. Esta é uma área grande e as equipes de PhDs trabalham em grandes fundos que certificam-se fixar o preço são exatos e oportunos. Não subestime as dificuldades de criar um centro de dados robusto para seus fins de backtesting Eu quero dizer, no entanto, que muitas plataformas backtesting pode fornecer esses dados para você automaticamente - a um custo. Assim, vai demorar muito da dor de implementação longe de você, e você pode se concentrar puramente na implementação da estratégia e otimização. Ferramentas como o TradeStation possuem essa capacidade. No entanto, minha opinião pessoal é implementar o máximo possível internamente e evitar terceirizar partes da pilha para fornecedores de software. Eu prefiro estratégias de alta freqüência devido a suas relações Sharpe mais atraentes, mas eles são muitas vezes fortemente acoplados à pilha de tecnologia, onde a otimização avançada é fundamental. Agora que nós discutimos as questões em torno de dados históricos, é hora de começar a implementar nossas estratégias em um motor de backtesting. Este será o assunto de outros artigos, pois é uma área igualmente grande de discussão apenas começando com Quantitative Trading