Ai Handelsstrategien

Der Aufstieg des künstlich intelligenten Hedgefonds Der Aufstieg des künstlich intelligenten Hedgefonds Letzte Woche beendeten Ben Goertzel und sein Unternehmen Aidyia einen Hedgefonds, der alle Aktienhandel mit künstlicher Intelligenz8212no menschlichen Eingriffs erfordert. 8220Wenn wir alle sterben, sagt 8221 Goertzel, ein langjähriger KI-Guru und der Chef-Wissenschaftler des Unternehmens8217, würde er weiter handeln.8221 Er meint das wörtlich. Goertzel und andere Menschen bauten das System, natürlich, und sie8217ll weiterhin ändern, wie gebraucht. Aber ihre Schaffung identifiziert und führt Trades ganz auf seine eigene, die sich auf mehrere Formen von AI, darunter eine von der genetischen Evolution und eine andere auf der Grundlage der probabilistischen Logik inspiriert. Jeden Tag, nach der Analyse alles von Marktpreisen und Mengen zu makroökonomischen Daten und Corporate Buchhaltungsunterlagen, machen diese AI-Motoren ihre eigenen Marktvorhersagen und dann 8220vote8221 auf die beste Vorgehensweise. Wenn wir alle sterben, würde es weiter handeln. Ben Goertzel, Aidyia Obwohl Aidyia in Hongkong ansässig ist, handelt es sich bei diesem automatisierten System um US-Aktien, und am ersten Tag, so Goertzel, erwirtschaftete er eine 2-prozentige Rendite auf einem nicht bekannten Pool. That8217s nicht gerade beeindruckend, oder statistisch relevant. Aber es stellt eine bemerkenswerte Verschiebung in der Welt der Finanzen. Unterstützt von 143 Millionen in der Finanzierung, San Francisco Startup Sentient Technologies hat leise Handel mit einem ähnlichen System seit dem letzten Jahr. Daten-zentrische Hedge-Fonds wie Two Sigma und Renaissance Technologies haben gesagt, sie verlassen sich auf KI. Und nach Berichten, zwei andere8212Bridgewater Associates und Point72 Asset Management, laufen von großen Wall-Street-Namen Ray Dalio und Steven A. Cohen8212A bewegen sich in die gleiche Richtung. Automatische Verbesserung Hedgefonds haben sich schon lange auf Computer verlassen, um Trades zu machen. Laut Marktforschungsunternehmen Preqin. Machen rund 1.360 Hedge-Fonds eine Mehrheit ihrer Trades mit Hilfe von Computermodellen8212durchgehend 9 Prozent aller Fonds8212 und sie verwalten insgesamt etwa 197 Milliarden. Aber dies umfasst in der Regel Daten-Wissenschaftler8212oder 8221quants, 8221 in Wall Street lingo8212using Maschinen, um große statistische Modelle zu bauen. Diese Modelle sind komplex, aber sie sind auch etwas statisch. Da sich der Markt ändert, können sie nicht so gut funktionieren, wie sie in der Vergangenheit gearbeitet haben. Und nach Preqin8217s Forschung, die typischen systematischen Fonds doesn8217t immer durchführen, sowie Fonds von menschlichen Managern betrieben (siehe Grafik unten) In den letzten Jahren jedoch haben die Mittel in Richtung echte Maschine Lernen, wo künstlich intelligente Systeme können große Mengen an Daten zu analysieren bewegt Mit Geschwindigkeit und verbessern sich durch eine solche Analyse. Das New Yorker Unternehmen Rebellion Research, gegründet von dem Enkel der Baseballhalle von Famer Hank Greenberg, unter anderem, beruht auf einer Form des maschinellen Lernens namens bayesischen Netzwerken. Mit einer Handvoll Maschinen, um Markttrends vorherzusagen und bestimmte Trades zu lokalisieren. Inzwischen lehnen Outfits wie Aidyia und Sentient auf AI, die über Hunderte oder sogar Tausende von Maschinen läuft. Dazu gehören Techniken wie evolutionäre Berechnung, die durch Genetik und tiefes Lernen inspiriert ist. Eine Technologie, die jetzt verwendet wird, um Bilder zu erkennen, gesprochene Worte zu identifizieren und andere Aufgaben in Internet-Firmen wie Google und Microsoft durchzuführen. Die Hoffnung ist, dass solche Systeme automatisch Veränderungen im Markt erkennen und sich so anpassen können, wie es bei quantitativen Modellen der Fall ist. 8220They8217re versuchen, Dinge zu sehen, bevor sie entwickeln, 8221 sagt Ben Carlson, der Autor von A Reichtum des gesunden Menschenverstandes: Warum Simplicity Trumps Komplexität in jedem Anlageplan. Der ein Jahrzehnt mit einem Stiftungsfonds verbrachte, der in eine breite Palette von Geldmanagern investierte. Diese Art von AI-getriebenen Fonds-Management sollte nicht mit Hochfrequenz-Handel verwechselt werden. Es ist nicht auf der Suche nach Front-Run-Trades oder auf andere Weise Geld von der Geschwindigkeit der Aktion. It8217s auf der Suche nach den besten Trades in der längeren time8212hours, Tage, Wochen, sogar Monate in die Zukunft. Und mehr auf den Punkt, Maschinen8212nicht humans8212are Wahl der Strategie. Evolving Intelligence Obwohl das Unternehmen seinen Fonds nicht offen vermarktet hat, sagt Sentient CEO Antoine Blondeau, dass es seit dem letzten Jahr offizielle Handelsgeschäfte mit Geld von Privatanlegern (nach einem längeren Zeitraum von Test-Trades) gemacht hat. Laut einem Bericht von Bloomberg. Hat das Unternehmen mit dem Hedge-Fonds-Geschäft in JP Morgan Chase in der Entwicklung von AI-Handelstechnologie gearbeitet, aber Blondeau lehnt ab, seine Partnerschaften zu diskutieren. Er sagt jedoch, dass sein Fonds ganz durch künstliche Intelligenz arbeitet. Die ganze Idee ist, etwas zu tun, kein anderer Mensch und keine andere Maschine zu tun. Das System erlaubt dem Unternehmen, bestimmte Risikofaktoren anzupassen, sagt der Chef-Wissenschaftsoffizier Babak Hodjat, der Teil des Teams war, das Siri baute, bevor der digitale Assistent von Apple erworben wurde. Aber sonst arbeitet sie ohne menschliche Hilfe. 8220It automatisch Autoren einer Strategie, und es gibt uns Befehle, 8221 Hodjat sagt. 8220Bei diesem viel jetzt, mit diesem Instrument, mit dieser bestimmten Reihenfolge type.8217 Es sagt uns auch, wann zu beenden, reduzieren Exposition, und diese Art von stuff.8221 Laut Hodjat, greift das System unbenutzte Computerleistung von 8220millions8221 von Computer-Prozessoren in Rechenzentren, Internet-Cafés und Computer-Gaming-Zentren von verschiedenen Unternehmen in Asien und anderswo betrieben. Seine Software-Engine basiert auf der evolutionären Berechnung8212die gleiche genetik-inspirierte Technik, die in das Aidyia8217-System spielt. Im einfachsten Sinne bedeutet dies, dass es eine große und zufällige Sammlung von digitalen Aktienhändler erstellt und testet ihre Leistung auf historischen Bestandsdaten. Nach der Auswahl der besten Performer, dann verwendet sie ihre 8220genes8221, um eine neue Reihe von überlegenen Händlern zu schaffen. Und der Vorgang wiederholt sich. Irgendwann wird das System in einem digitalen Händler, der erfolgreich auf eigene Faust zu betreiben. 8220User Tausende von Generationen, Billionen und Billionen von 8216beings8217 konkurrieren und gedeihen oder sterben, 8221 Blondeau sagt, 8220 und schließlich erhalten Sie eine Population von intelligenten Händlern können Sie tatsächlich deploy.8221 Deep Investing Obwohl evolutionäre Berechnungen das System heute treibt, sieht Hodjat auch Versprechen In tiefen Lernalgorithmen8212algorithmen, die sich bereits bewährt haben, um Bilder zu identifizieren, gesprochene Worte zu erkennen und sogar das natürliche Verständnis der Menschen zu verstehen. Genau wie tiefes Lernen kann bestimmte Merkmale, die auftauchen in einem Foto von einer Katze zu ermitteln, erklärt er, könnte es bestimmte Merkmale einer Aktie, die Sie etwas Geld machen können zu identifizieren. Google Open Open TensorFlow, seine künstliche Intelligenz-Engine Facebook Open Quellen seiner AI-Hardware, wie es Rennen Google Google Ein Chatbot, dass die Debatte über das Leben des Lebens Goertzel8212who überwacht auch die OpenCog Foundation. Eine Bemühung, ein Open-Source-Framework für allgemeine künstliche Intelligenz8212disagrees aufzubauen. Dies ist zum Teil, weil tiefe Lernalgorithmen eine Ware geworden sind. 8220Wenn jeder etwas benutzt, werden die Vorhersagen auf den Markt kommen, sagt er. 8220 Sie müssen etwas seltsames tun.8221 Er weist auch darauf hin, dass, obwohl tiefes Lernen geeignet ist, Daten zu analysieren, die durch einen ganz bestimmten Satz von Mustern, wie Fotos und Worten, definiert werden, diese Arten von Mustern an den Finanzmärkten unbedingt auftauchen müssen . Und wenn sie es tun, dann machen sie sich daran, weil jeder sie finden kann. Für Hodjat besteht die Aufgabe darin, das tiefe Lernen am heutigen Tage zu verbessern. Und dies kann die Kombination der Technologie mit der evolutionären Berechnung. Wie er es erklärt, könnten Sie evolutionäre Berechnungen verwenden, um bessere Tiefen-Lernalgorithmen zu erstellen. Dies nennt man Neurowirkung. 8220 Sie können die Gewichte entwickeln, die auf den tiefen Lernenden wirken, 8221 Hodjat sagt. 8220But können Sie auch die Architektur des tiefen Lernenden selbst entwickeln.8221 Microsoft und andere Outfits bauen bereits tiefe Lernsysteme durch eine Art natürliche Selektion auf. Obwohl sie evtl. nicht evolutionäre Berechnungen an sich haben. Preise in AI Welche Methoden verwendet werden, einige Frage, ob AI wirklich auf der Wall Street erfolgreich sein kann. Selbst wenn ein Fonds mit AI Erfolg hat, besteht das Risiko, dass andere das System duplizieren und damit seinen Erfolg untergraben. Wenn sich ein großer Teil des Marktes in der gleichen Weise verhält, verändert er den Markt. 8220I8217m ein bisschen skeptisch, dass AI wirklich das herausfinden kann, sagt 8221 Carlson. 8220Wenn jemand einen Trick findet, der klappt, werden nicht nur andere Fonds auf ihn verriegeln, aber andere Investoren werden Geld in Geld geben. Es ist wirklich schwer, sich eine Situation vorzustellen, in der es nicht gerade Arbitrage wird.8221 Goertzel sieht dieses Risiko. Das ist, warum Aidyia nicht nur evolutionäre Berechnung, sondern eine breite Palette von Technologien verwendet. Und wenn andere imitieren die company8217s Methoden, wird es umarmen andere Arten von Maschinen lernen. Die ganze Idee ist, etwas zu tun, das kein anderer Mensch und keine andere Maschine macht. 8220Finance ist eine Domain, wo Sie nicht nur davon profitieren, smart, 8221 Goertzel sagt, 8220but von smart in einer anderen Weise von anderen.8221 Mehr BusinessHow, um algorithmische Trading-Strategien zu identifizieren In diesem Artikel möchte ich Ihnen die Methoden vorstellen, mit denen ich Selbst profitable algorithmische Handelsstrategien zu identifizieren. Unser Ziel ist es heute zu verstehen, wie diese Systeme zu finden, zu bewerten und auszuwählen sind. Ill erklären, wie Identifizierung Strategien ist so viel über persönliche Präferenz, wie es um Strategie-Performance, wie die Art und Menge der historischen Daten für die Prüfung zu bestimmen, wie man leidenschaftslos eine Handelsstrategie zu bewerten und schließlich, wie man auf die Backtesting-Phase und Strategie Umsetzung gehen . Identifizieren Sie Ihre eigenen persönlichen Präferenzen für den Handel Um ein erfolgreicher Trader - entweder diskret oder algorithmisch - zu sein, ist es notwendig, sich einige ehrliche Fragen zu stellen. Trading bietet Ihnen die Möglichkeit, Geld mit einer alarmierenden Rate zu verlieren, so ist es notwendig, sich selbst zu kennen, so viel wie es notwendig ist, um Ihre gewählte Strategie zu verstehen. Ich würde sagen, die wichtigste Überlegung im Handel ist bewusst Ihre eigene Persönlichkeit. Handel und algorithmischen Handel im Besonderen erfordert ein erhebliches Maß an Disziplin, Geduld und emotionale Distanzierung. Da Sie einen Algorithmus Ihren Handel für Sie durchführen lassen, ist es notwendig, behoben zu werden, um die Strategie nicht zu stören, wenn sie ausgeführt wird. Dies kann sehr schwierig sein, vor allem in Zeiten der erweiterten Drawdown. Allerdings können viele Strategien, die sich in einem Backtest als hochprofitabel erwiesen haben, durch einfache Interferenz zerstört werden. Verstehen, dass, wenn Sie in die Welt des algorithmischen Handels geben Sie emotional getestet werden wollen und dass, um erfolgreich zu sein, ist es notwendig, durch diese Schwierigkeiten zu arbeiten Die nächste Überlegung ist eine der Zeit. Haben Sie einen Vollzeitjob Sie arbeiten Teilzeit Sie arbeiten von zu Hause aus oder haben eine lange pendeln jeden Tag Diese Fragen helfen, bestimmen die Häufigkeit der Strategie, die Sie suchen sollten. Für diejenigen von Ihnen in Vollzeit-Beschäftigung, eine Intraday-Futures-Strategie möglicherweise nicht angemessen (zumindest bis es vollautomatisch ist). Ihre Zeitbeschränkungen werden auch die Methodik der Strategie diktieren. Wenn Ihre Strategie häufig gehandelt wird und auf teuren Newsfeeds (wie ein Bloomberg-Terminal) angewiesen ist, müssen Sie eindeutig realistisch sein über Ihre Fähigkeit, diese im Büro zu erledigen. Für diejenigen von Ihnen mit viel Zeit oder den Fähigkeiten Um Ihre Strategie zu automatisieren, möchten Sie vielleicht in eine mehr technische HF-Strategie zu suchen. Mein Glaube ist, dass es notwendig ist, kontinuierliche Forschung in Ihre Trading-Strategien, um ein konsequent profitables Portfolio zu halten. Wenige Strategien bleiben unter dem Radar für immer. Daher wird ein bedeutender Teil der Zeit, die dem Handel zugewiesen wird, in der Durchführung laufender Forschung sein. Fragen Sie sich, ob Sie bereit sind, dies zu tun, da es der Unterschied zwischen starker Rentabilität oder ein langsamer Rückgang in Richtung Verluste sein kann. Sie müssen auch Ihr Handelskapital berücksichtigen. Die allgemein akzeptierte ideale Mindestmenge für eine quantitative Strategie ist 50.000 USD (ungefähr 35.000 für uns in Großbritannien). Wenn ich wieder anfangen würde, würde ich mit einer größeren Menge beginnen, wahrscheinlich näher bei 100.000 USD (ca. 70.000). Dies liegt daran, dass Transaktionskosten extrem teuer für mittlere bis hochfrequente Strategien sein können und es notwendig ist, genügend Kapital zu haben, um sie in Zeiten des Drawdowns zu absorbieren. Wenn Sie erwägen, beginnen mit weniger als 10.000 USD, dann müssen Sie sich auf niederfrequente Strategien, Handel in ein oder zwei Vermögenswerte zu beschränken, da die Transaktionskosten schnell in Ihre Renditen zu essen. Interactive Brokers, die einer der freundlichsten Broker für diejenigen mit Programmierkenntnissen, aufgrund ihrer API ist, hat ein Retail-Konto mindestens 10.000 USD. Programmierkenntnisse sind ein wichtiger Faktor bei der Schaffung einer automatisierten algorithmischen Handelsstrategie. Die Kenntnisse in einer Programmiersprache wie C, Java, C, Python oder R ermöglichen es Ihnen, End-to-End-Datenspeicherung, Backtest-Engine und Execution-System selbst zu erstellen. Dies hat eine Reihe von Vorteilen, vor allem die Fähigkeit, vollständig bewusst sein, alle Aspekte der Handelsinfrastruktur. Es erlaubt Ihnen auch, die höheren Frequenzstrategien zu erforschen, wie Sie in der vollen Steuerung Ihres Technologiestapels sein werden. Während dies bedeutet, dass Sie Ihre eigene Software testen und Fehler beseitigen können, bedeutet dies auch mehr Zeit verbrachte Kodierung der Infrastruktur und weniger auf die Umsetzung Strategien, zumindest in den früheren Teil Ihrer Algo Trading Karriere. Sie können feststellen, dass Sie bequem handeln in Excel oder MATLAB und können die Entwicklung von anderen Komponenten auslagern. Ich würde dies aber nicht empfehlen, vor allem für diejenigen, die mit hoher Frequenz handeln. Sie müssen sich fragen, was Sie durch algorithmischen Handel zu erreichen hoffen. Sind Sie interessiert an einem regelmäßigen Einkommen, wobei Sie hoffen, Einnahmen aus Ihrem Trading-Konto zu ziehen Oder sind Sie an einem langfristigen Kapitalgewinn interessiert und können es sich leisten, ohne die Notwendigkeit, Drawdown-Fonds Einkommensabhängigkeit wird die Häufigkeit Ihrer Strategie diktieren . Mehr regelmäßige Einkommensentzüge benötigen eine höhere Frequenzhandelsstrategie mit geringerer Volatilität (d. h. ein höheres Sharpe-Verhältnis). Langfristige Händler können eine sedierende Handelsfrequenz leisten. Schließlich lassen Sie sich nicht von der Vorstellung des Werdens äußerst wohlhabend in einer kurzen Zeitspanne täuschen Algo-Handel ist nicht ein Get-Rich-Quick-Regelung - wenn überhaupt, kann es ein schlecht-schnell-Schema werden. Es braucht erhebliche Disziplin, Forschung, Sorgfalt und Geduld, um bei algorithmischen Handel erfolgreich zu sein. Es kann Monate dauern, wenn nicht Jahre, um konsistente Rentabilität zu generieren. Sourcing Algorithmic Trading Ideas Trotz allgemeiner Wahrnehmungen im Gegenteil, ist es eigentlich ganz einfach, profitable Handelsstrategien im öffentlichen Bereich zu finden. Nie waren Trading-Ideen leichter verfügbar, als sie heute sind. Akademische Finanzzeitschriften, Pre-Print-Server, Handelsblogs, Handelsforen, wöchentliche Börsenmagazine und Fachtexte bieten Tausende von Handelsstrategien, mit denen Sie Ihre Ideen stützen können. Unser Ziel als quantitative Trading-Forscher ist es, eine Strategie-Pipeline, die uns mit einem Strom von laufenden Handel Ideen. Im Idealfall wollen wir einen methodischen Ansatz für die Beschaffung, Bewertung und Umsetzung von Strategien schaffen, auf die wir stoßen. Ziel der Pipeline ist es, eine konstante Menge neuer Ideen zu generieren und uns einen Rahmen zu geben, um die Mehrheit dieser Ideen mit minimaler emotionaler Betrachtung abzulehnen. Wir müssen sehr vorsichtig sein, damit nicht kognitive Vorurteile unsere Entscheidungsfindungsmethodik beeinflussen. Dies könnte so einfach sein, wie eine Präferenz für eine Anlageklasse über eine andere (Gold und andere Edelmetalle in den Sinn kommen), weil sie als mehr exotisch wahrgenommen werden. Unser Ziel sollte immer sein, konsequent rentable Strategien mit positiver Erwartung zu finden. Die Auswahl der Anlagenklasse sollte auf anderen Überlegungen beruhen, wie z. B. Handelskapitalbeschränkungen, Brokergebühren und Leverage-Fähigkeiten. Wenn Sie völlig unbekannt sind mit dem Konzept einer Handelsstrategie dann ist der erste Ort, um zu sehen ist mit etablierten Lehrbüchern. Klassische Texte bieten eine breite Palette von einfacheren, einfacheren Ideen, mit denen Sie sich mit dem quantitativen Handel vertraut machen. Hier ist eine Auswahl, die ich für diejenigen, die neue zu quantitativen Handel, die allmählich mehr anspruchsvoll, wie Sie durch die Liste arbeiten zu empfehlen: Für eine längere Liste der quantitativen Handelsbücher, besuchen Sie bitte die QuantStart Leseliste. Der nächste Ort, um mehr anspruchsvolle Strategien zu finden ist mit Trading-Foren und Trading-Blogs. Allerdings ist ein Hinweis der Vorsicht: Viele Handels-Blogs verlassen sich auf das Konzept der technischen Analyse. Die technische Analyse beinhaltet die Verwendung von Basisindikatoren und Verhaltenspsychologie, um Trends oder Umkehrmuster in den Vermögenspreisen zu bestimmen. Trotz äußerst beliebt in den gesamten Handelsraum, wird die technische Analyse als etwas ineffizient in der quantitativen Finanz-Community. Einige haben vorgeschlagen, dass es nicht besser als das Lesen eines Horoskops oder das Studium Teeblätter in Bezug auf ihre prädiktive Macht In Wirklichkeit gibt es erfolgreiche Personen, die Nutzung der technischen Analyse. Als Quants mit einer anspruchsvolleren mathematischen und statistischen Toolbox können wir jedoch die Effektivität solcher TA-basierten Strategien bewerten und datenbasierte Entscheidungen treffen und nicht auf emotionale Überlegungen oder Vorurteile zurückgreifen. Hier ist eine Liste von gut respektierten algorithmischen Handel Blogs und Foren: Sobald Sie einige Erfahrung bei der Bewertung einfacher Strategien hatte, ist es Zeit, auf die anspruchsvolleren akademischen Angebote zu suchen. Einige akademische Zeitschriften sind schwer zugänglich, ohne hohe Abonnements oder einmalige Kosten. Wenn Sie ein Mitglied oder Absolvent einer Universität sind, sollten Sie in der Lage sein, Zugang zu einigen dieser finanziellen Zeitschriften zu erhalten. Andernfalls können Sie auf Pre-Print-Servern zu suchen. Die Internet-Repositories der späten Entwürfe von akademischen Papieren, die unterziehen Peer-Review sind. Da wir nur an Strategien interessiert sind, die wir erfolgreich replizieren, backtest und profitabel machen können, ist eine Peer-Review für uns von geringerer Bedeutung. Der größte Nachteil der akademischen Strategien ist, dass sie oft veraltet sein können, obskure und teure historische Daten benötigen, den Handel mit illiquiden Anlageklassen oder Faktoren für Gebühren, Rutschung oder Verbreitung nicht berücksichtigen. Es kann auch unklar sein, ob die Handelsstrategie mit Marktaufträgen, Limit Orders oder Stop-Loss etc. durchgeführt werden soll. Daher ist es absolut notwendig, die Strategie selbst so gut wie möglich nachzubilden, sie zu backtest und in realistischer Transaktion zu addieren Hier finden Sie eine Liste der beliebtesten Pre-Print-Server und Finanz-Zeitschriften, die Sie Quelle Ideen aus: Was über die Bildung Ihrer eigenen quantitativen Strategien Dies erfordert im Allgemeinen ( Aber nicht beschränkt auf) Kompetenz in einer oder mehreren der folgenden Kategorien: Marktmikrostruktur - Für höhere Frequenzstrategien insbesondere kann man Marktmikrostrukturen nutzen. D. H. Das Verständnis der Auftragsbuchdynamik, um Rentabilität zu erzeugen. Unterschiedliche Märkte werden verschiedene technologische Beschränkungen, Regelungen, Marktteilnehmer und Einschränkungen haben, die alle zur Ausbeutung durch spezifische Strategien offen sind. Dies ist ein sehr anspruchsvolles Gebiet und Einzelhandel Praktiker finden es schwierig, in diesem Raum wettbewerbsfähig zu sein, zumal der Wettbewerb große, gut-kapitalisierte quantitative Hedge-Fonds mit starken technologischen Fähigkeiten umfasst. Fondsstruktur - Gesammelte Investmentfonds wie Pensionskassen, Private Investment Partnerships (Hedgefonds), Rohstoffhandelsberater und Investmentfonds werden sowohl durch eine starke Regulierung als auch durch ihre großen Kapitalreserven eingeschränkt. So können bestimmte konsequente Verhaltensweisen mit denen, die mehr flinke ausgenutzt werden. Beispielsweise sind große Fonds aufgrund ihrer Größe Kapazitätsengpässen ausgesetzt. Wenn sie also eine Menge von Wertpapieren schnell abladen (verkaufen) müssen, müssen sie sie schwanken, um den Markt nicht zu bewegen. Ausgefeilte Algorithmen können diese und andere Eigenheiten in einem allgemeinen Prozess, der als Fundstruktur-Arbitrage bekannt ist, nutzen. Maschinelles Lernen von künstlicher Intelligenz - Maschinelle Lernalgorithmen sind in den letzten Jahren auf den Finanzmärkten immer häufiger geworden. Klassifikatoren (wie Naive-Bayes et al.) Wurden nicht-lineare Funktionsanpassungen (neuronale Netze) und Optimierungsroutinen (genetische Algorithmen) verwendet, um Assetpfade vorherzusagen oder Handelsstrategien zu optimieren. Wenn Sie einen Hintergrund in diesem Bereich haben Sie vielleicht einen Einblick, wie bestimmte Algorithmen auf bestimmte Märkte angewendet werden könnten. Es gibt, natürlich, viele andere Bereiche für quants zu untersuchen. Nun diskutieren, wie zu kommen mit benutzerdefinierten Strategien im Detail in einem späteren Artikel. Indem Sie diese Quellen wöchentlich oder sogar täglich überwachen, setzen Sie sich für eine konsistente Liste von Strategien aus unterschiedlichsten Quellen ein. Der nächste Schritt besteht darin, zu bestimmen, wie eine große Teilmenge dieser Strategien zurückgewiesen wird, um die Verschwendung Ihrer Zeit und Backtesting-Ressourcen auf Strategien, die wahrscheinlich unrentabel sind, zu minimieren. Auswerten von Handelsstrategien Die erste und wohl offensichtlichste Betrachtung ist, ob Sie die Strategie tatsächlich verstehen. Würden Sie in der Lage, die Strategie prägnant zu erklären oder erfordert es eine Reihe von Einschränkungen und endlose Parameter-Listen Darüber hinaus hat die Strategie eine gute, solide Basis in der Realität Zum Beispiel könnten Sie auf einige verhaltensbezogene Begründung oder Fond Struktur Einschränkung, die zeigen Kann das verursachende Muster verursachen, das Sie ausnutzen möchten, würde diese Einschränkung bis zu einem Regimewechsel halten, wie eine drastische regulatorische Umgebungsunterbrechung Verlässt sich die Strategie auf komplexe statistische oder mathematische Regeln Gilt es für jede finanzielle Zeitreihe oder ist Es spezifisch für die Asset-Klasse, dass es behauptet wird, profitabel zu sein Sie sollten ständig über diese Faktoren bei der Bewertung neuer Handel Methoden denken, sonst können Sie eine beträchtliche Menge an Zeit zu versuchen, Backtest und Optimierung unrentabler Strategien zu verschwenden. Sobald Sie festgestellt haben, dass Sie die grundlegenden Prinzipien der Strategie verstehen, müssen Sie entscheiden, ob es mit Ihrem oben genannten Persönlichkeitsprofil passt. Dies ist nicht so vage eine Überlegung, wie es klingt Strategien werden erheblich unterscheiden sich in ihren Leistungsmerkmalen. Es gibt bestimmte Persönlichkeitstypen, die mehr bedeutende Zeitabschnitte behandeln können oder bereit sind, ein größeres Risiko für eine größere Rückkehr zu akzeptieren. Trotz der Tatsache, dass wir als Quants versuchen, so viel kognitive Vorurteile wie möglich zu eliminieren und in der Lage sein sollten, eine Strategie leidenschaftslos zu bewerten, werden Bias immer kriechen. Daher brauchen wir ein konsequentes, nicht-emotionales Mittel, um die Performance von Strategien zu bewerten . Hier ist die Liste der Kriterien, die ich beurteilen, eine mögliche neue Strategie von: Methodik - Ist die Strategie Momentum, Mittelwert-Umkehrung, Markt-Neutral, Richtungsabhängige Hat die Strategie auf anspruchsvolle (oder komplexe) statistische oder maschinelle Lerntechniken, die hart sind Zu verstehen und zu verlangen, einen Doktortitel in der Statistik zu begreifen Diese Techniken führen eine signifikante Menge an Parametern, die zu einer Optimierung Bias führen könnte Ist die Strategie wahrscheinlich widerstehen eine Regimewechsel (dh potenzielle neue Regulierung der Finanzmärkte) Sharpe Ratio - Die Sharpe-Ratio Heuristisch charakterisiert das Reward-Risiko-Verhältnis der Strategie. Es quantifiziert, wie viel Rendite Sie erreichen können, für das Niveau der Volatilität durch die Equity-Kurve. Natürlich müssen wir die Periode und Häufigkeit bestimmen, die diese Rendite und Volatilität (d. h. Standardabweichung) überschreitet. Eine höhere Frequenzstrategie erfordert eine größere Abtastrate der Standardabweichung, beispielsweise eine kürzere Gesamtzeitspanne der Messung. Hebelwirkung - Benötigt die Strategie eine beträchtliche Hebelwirkung, um rentabel zu sein, erfordert die Strategie den Einsatz von Leveraged Derivat-Kontrakten (Futures, Optionen, Swaps), um eine Rendite zu erzielen. Diese Leveraged-Kontrakte können schwere Volatilitäten aufweisen und somit leicht führen Margin-Anrufe. Haben Sie das Handelskapital und das Temperament für eine solche Volatilität? Häufigkeit - Die Häufigkeit der Strategie ist eng mit Ihrem Technologie-Stack (und damit technologische Kompetenz), der Sharpe-Ratio und dem Gesamtniveau der Transaktionskosten verbunden. Alle anderen Fragen berücksichtigt, höhere Frequenz Strategien erfordern mehr Kapital, sind anspruchsvoller und schwerer zu implementieren. Unter der Annahme, dass Ihre Backtesting-Engine anspruchsvoll und fehlerfrei ist, haben sie oft deutlich höhere Sharpe-Ratios. Volatilität - Volatilität ist stark mit dem Risiko der Strategie verbunden. Das Sharpe-Verhältnis charakterisiert dies. Eine höhere Volatilität der zugrunde liegenden Assetklassen führt, wenn sie ungesichert ist, häufig zu einer höheren Volatilität in der Aktienkurve und damit zu kleineren Sharpe-Ratios. Ich bin natürlich davon ausgegangen, dass die positive Volatilität etwa gleich der negativen Volatilität ist. Einige Strategien können größere Abwärts-Volatilität haben. Sie müssen sich dieser Attribute bewusst sein. WinLoss, Durchschnittliche ProfitLoss - Strategien unterscheiden sich in ihrer Winloss und durchschnittlichen Profit-Verlust-Eigenschaften. Man kann eine sehr profitable Strategie haben, auch wenn die Anzahl der verlierenden Trades die Anzahl der Gewinne überschreitet. Momentum-Strategien neigen dazu, dieses Muster haben, da sie auf eine kleine Anzahl von großen Hits verlassen, um rentabel zu sein. Mean-Reversion-Strategien neigen dazu, gegnerische Profile haben, wo mehr der Gewinne Gewinner sind, aber die verlierenden Trades kann ziemlich schwer sein. Maximaler Drawdown - Der maximale Drawdown ist der größte prozentuale Rückgang des Gesamt-Peak-to-Tires auf die Eigenkapitalkurve der Strategie. Momentum-Strategien sind weithin bekannt, um von den Perioden der verlängerten Drawdowns zu leiden (wegen einer Zeichenkette von vielen inkrementellen Verlusttrades). Viele Händler werden in Zeiten des erweiterten Drawdowns aufgeben, auch wenn historische Tests darauf hindeuten, dass dies geschäftlich wie üblich für die Strategie ist. Sie müssen bestimmen, welcher Prozentsatz des Drawdowns (und über welchen Zeitraum) Sie akzeptieren können, bevor Sie den Handel mit Ihrer Strategie einstellen. Dies ist eine sehr persönliche Entscheidung und muss daher sorgfältig geprüft werden. CapacityLiquidity - Auf der Retail-Ebene, wenn Sie nicht in einem sehr illiquiden Instrument (wie ein Small-Cap-Aktien) handeln, müssen Sie sich nicht große Sorgen mit Strategiekapazität. Capacity bestimmt die Skalierbarkeit der Strategie für weiteres Kapital. Viele der größeren Hedgefonds leiden unter erheblichen Kapazitätsproblemen, da ihre Strategien die Kapitalallokation erhöhen. Parameter - Bestimmte Strategien (insbesondere jene, die in der maschinellen Lerngemeinschaft gefunden werden) erfordern eine große Anzahl von Parametern. Jeder zusätzliche Parameter, den eine Strategie erfordert, lässt es anfälliger für Optimierungsvorspannung (auch bekannt als Kurvenanpassung). Sie sollten versuchen und Ziel-Strategien mit so wenig Parameter wie möglich oder stellen Sie sicher, dass Sie ausreichende Mengen an Daten, mit denen Ihre Strategien zu testen. Benchmark - Fast alle Strategien (sofern nicht als absolute Rendite bezeichnet) werden mit einem Performance-Benchmark bewertet. Der Benchmark ist in der Regel ein Index, der eine große Stichprobe der zugrunde liegenden Assetklasse charakterisiert, die die Strategie abwickelt. Wenn die Strategie großkapitalisierte US-Aktien abwickelt, wäre die SP500 ein natürlicher Maßstab für Ihre Strategie. Sie hören die Begriffe alpha und beta, angewandt auf Strategien dieses Typs. Wir werden diese Koeffizienten in späteren Artikeln vertiefen. Beachten Sie, dass wir nicht über die tatsächlichen Erträge der Strategie diskutiert haben. Warum ist diese In Isolation, die Renditen tatsächlich bieten uns mit begrenzten Informationen über die Wirksamkeit der Strategie. Sie geben Ihnen keinen Einblick in Leverage, Volatilität, Benchmarks oder Kapitalanforderungen. So werden Strategien selten auf ihre Rückkehr allein beurteilt. Betrachten Sie immer die Risikoattribute einer Strategie, bevor Sie die Rendite betrachten. In diesem Stadium werden viele der Strategien, die von Ihrer Pipeline gefunden werden, von Hand abgelehnt, da sie nicht Ihre Kapitalanforderungen treffen, Hebelbeschränkungen, maximale Drawdown Toleranz oder Volatilitätspräferenzen. Die bisherigen Strategien können nun für Backtesting berücksichtigt werden. Bevor dies jedoch möglich ist, ist es notwendig, ein endgültiges Ablehnungskriterium zu berücksichtigen - das der verfügbaren historischen Daten, um diese Strategien zu testen. Erfassen historischer Daten Die Breite der technischen Anforderungen an Assetklassen für historische Datenspeicherung ist heutzutage beträchtlich. Um wettbewerbsfähig zu bleiben, investieren sowohl die Buy-Side-Fonds als auch die Sell-Side-Investmentbanken stark in ihre technische Infrastruktur. Es ist unerlässlich, seine Bedeutung zu berücksichtigen. Insbesondere interessieren wir uns für Aktualität, Genauigkeit und Speicheranforderungen. Ich werde jetzt skizzieren die Grundlagen der Erlangung historischer Daten und wie sie zu speichern. Leider ist dies ein sehr tiefes und technisches Thema, so dass ich nicht in der Lage, alles in diesem Artikel zu sagen. Allerdings werde ich in Zukunft viel mehr darüber schreiben, da meine bisherige Branchenerfahrung in der Finanzindustrie hauptsächlich mit der Erfassung, Speicherung und dem Zugriff von Finanzdaten beschäftigt war. Im vorherigen Abschnitt hatten wir eine Strategie-Pipeline eingerichtet, die es uns erlaubte, bestimmte Strategien auf der Grundlage unserer eigenen Ablehnungskriterien abzulehnen. In diesem Abschnitt werden wir weitere Strategien auf der Grundlage unserer eigenen Präferenzen für den Erhalt historischer Daten zu filtern. Die wichtigsten Überlegungen (insbesondere auf der Ebene des Einzelhandels) sind die Kosten der Daten, der Speicherplatzbedarf und Ihr technisches Fachwissen. Wir müssen auch die verschiedenen Arten von verfügbaren Daten zu diskutieren und die verschiedenen Überlegungen, die jede Art von Daten auf uns auferlegen wird. Beginnen wir mit der Diskussion über die verfügbaren Daten und die wichtigsten Fragen, die wir brauchen werden: Grunddaten - Dazu gehören Daten über makroökonomische Trends wie Zinssätze, Inflationszahlen, Kapitalmaßnahmen (Dividenden, Aktiensplits), SEC-Einreichungen , Unternehmenskonten, Ertragszahlen, Ernteberichte, Meteorologiedaten etc. Diese Daten werden häufig verwendet, um Unternehmen oder andere Vermögenswerte grundsätzlich zu bewerten, dh über gewisse Mittel zu erwarteten zukünftigen Zahlungsströmen. Es enthält keine Aktienkursreihen. Einige grundlegende Daten sind frei verfügbar von der Regierung Websites. Andere langfristige historische Fundamentaldaten können extrem teuer sein. Die Speicheranforderungen sind oft nicht besonders groß, es sei denn, Tausende von Unternehmen werden sofort untersucht. News Data - News data is often qualitative in nature. It consists of articles, blog posts, microblog posts (tweets) and editorial. Machine learning techniques such as classifiers are often used to interpret sentiment . This data is also often freely available or cheap, via subscription to media outlets. The newer NoSQL document storage databases are designed to store this type of unstructured, qualitative data. Asset Price Data - This is the traditional data domain of the quant. It consists of time series of asset prices. Equities (stocks), fixed income products (bonds), commodities and foreign exchange prices all sit within this class. Daily historical data is often straightforward to obtain for the simpler asset classes, such as equities. However, once accuracy and cleanliness are included and statistical biases removed, the data can become expensive. In addition, time series data often possesses significant storage requirements especially when intraday data is considered. Financial Instruments - Equities, bonds, futures and the more exotic derivative options have very different characteristics and parameters. Thus there is no one size fits all database structure that can accommodate them. Significant care must be given to the design and implementation of database structures for various financial instruments. We will discuss the situation at length when we come to build a securities master database in future articles. Frequency - The higher the frequency of the data, the greater the costs and storage requirements. For low-frequency strategies, daily data is often sufficient. For high frequency strategies, it might be necessary to obtain tick-level data and even historical copies of particular trading exchange order book data. Implementing a storage engine for this type of data is very technologically intensive and only suitable for those with a strong programmingtechnical background. Benchmarks - The strategies described above will often be compared to a benchmark . This usually manifests itself as an additional financial time series. For equities, this is often a national stock benchmark, such as the SP500 index (US) or FTSE100 (UK). For a fixed income fund, it is useful to compare against a basket of bonds or fixed income products. The risk-free rate (i. e. appropriate interest rate) is also another widely accepted benchmark. All asset class categories possess a favoured benchmark, so it will be necessary to research this based on your particular strategy, if you wish to gain interest in your strategy externally. Technology - The technology stacks behind a financial data storage centre are complex. This article can only scratch the surface about what is involved in building one. However, it does centre around a database engine, such as a Relational Database Management System (RDBMS), such as MySQL, SQL Server, Oracle or a Document Storage Engine (i. e. NoSQL). This is accessed via business logic application code that queries the database and provides access to external tools, such as MATLAB, R or Excel. Often this business logic is written in C, C, Java or Python. You will also need to host this data somewhere, either on your own personal computer, or remotely via internet servers. Products such as Amazon Web Services have made this simpler and cheaper in recent years, but it will still require significant technical expertise to achieve in a robust manner. As can be seen, once a strategy has been identified via the pipeline it will be necessary to evaluate the availability, costs, complexity and implementation details of a particular set of historical data. You may find it is necessary to reject a strategy based solely on historical data considerations. This is a big area and teams of PhDs work at large funds making sure pricing is accurate and timely. Do not underestimate the difficulties of creating a robust data centre for your backtesting purposes I do want to say, however, that many backtesting platforms can provide this data for you automatically - at a cost. Thus it will take much of the implementation pain away from you, and you can concentrate purely on strategy implementation and optimisation. Tools like TradeStation possess this capability. However, my personal view is to implement as much as possible internally and avoid outsourcing parts of the stack to software vendors. I prefer higher frequency strategies due to their more attractive Sharpe ratios, but they are often tightly coupled to the technology stack, where advanced optimisation is critical. Now that we have discussed the issues surrounding historical data it is time to begin implementing our strategies in a backtesting engine. This will be the subject of other articles, as it is an equally large area of discussionTrade with Intelligence using TradingSolutions TradingSolutions combines technical analysis with artificial intelligence (AI) technologies using neural networks and genetic algorithms to learn patterns from historical data and optimize system parameters. This trading software works with stocks, futures, currencies (FOREX) and many other financial instruments . It can also build systems for U. S. and International markets . Over 300 of the most popular technical indicators. Proven sample and customer performance . Industry leading data support from eSignal. Interactive Brokers and many more Proprietary Optimal Signal technology. Free Technical Support. 100 Free Systems and pre-built neural network models . Successfully used in over 66 countries around the world. 30-Day Money Back Guarantee.