Kvantitativ handel Vad är kvantitativ handel Kvantitativ handel består av handelsstrategier baserade på kvantitativ analys. som är beroende av matematiska beräkningar och nummerkrypning för att identifiera handelsmöjligheter. Eftersom kvantitativ handel i allmänhet används av finansinstitut och hedgefonder. Transaktionerna är vanligtvis stora och kan innebära köp och försäljning av hundratusentals aktier och andra värdepapper. Den kvantitativa handeln blir emellertid vanligare av enskilda investerare. BREAKING DOWN Kvantitativ handel Pris och volym är två av de vanligaste dataingångarna som används i kvantitativ analys som huvudinsatser till matematiska modeller. Kvantitativa handelsmetoder inkluderar högfrekvenshandel. algoritmisk handel och statistisk arbitrage. Dessa tekniker är snabbbränder och har typiskt kortfristiga investeringshorisonter. Många kvantitativa näringsidkare är mer bekanta med kvantitativa verktyg, som rörliga medelvärden och oscillatorer. Förstå kvantitativ handel Kvantitativa handlare tar nytta av modern teknik, matematik och tillgången till omfattande databaser för att göra rationella handelsbeslut. Kvantitativa handlare tar en handelsteknik och skapar en modell av den med matematik och utvecklar sedan ett datorprogram som tillämpar modellen på historiska marknadsdata. Modellen backas sedan och optimeras. Om gynnsamma resultat uppnås, implementeras systemet i realtidsmarknader med reell kapital. Det sätt på vilket kvantitativa handelsmodeller fungerar kan bäst beskrivas med hjälp av en analogi. Tänk på en väderleksrapport där meteorologen förutser en 90 risk för regn medan solen skiner. Meteorologen härleder denna motstridiga slutsats genom att samla och analysera klimatdata från sensorer i hela området. En datoriserad kvantitativ analys avslöjar specifika mönster i data. När dessa mönster jämförs med samma mönster som avslöjas i historiska klimatdata (backtesting) och 90 av 100 gånger är resultatet regnigt, då meteorologen kan dra slutsatsen med förtroende, därav 90-prognosen. Kvantitativa handlare tillämpar samma process på finansmarknaden för att fatta handelsbeslut. Fördelar och nackdelar med kvantitativ handel Syftet med handel är att beräkna den optimala sannolikheten för att genomföra en lönsam handel. En typisk näringsidkare kan effektivt övervaka, analysera och fatta handelsbeslut på ett begränsat antal värdepapper innan mängden inkommande data överväger beslutsprocessen. Användningen av kvantitativa handelsmetoder belyser denna gräns genom att använda datorer för att automatisera övervaknings-, analys - och handelsbesluten. Att övervinna känslor är ett av de mest genomgripande problemen med handel. Var det rädsla eller girighet, när handel handlar känslor bara för att kväva rationellt tänkande, vilket vanligtvis leder till förluster. Datorer och matematik har inte känslor, så kvantitativ handel eliminerar detta problem. Kvantitativ handel har sina problem. Finansmarknaderna är några av de mest dynamiska enheterna som finns. Därför måste kvantitativa handelsmodeller vara lika dynamiska för att bli konsekvent framgångsrik. Många kvantitativa näringsidkare utvecklar modeller som är tillfälligt lönsamma för det marknadsförhållande som de utvecklades för, men de misslyckas i slutändan när marknadsförhållandena förändras. Kvantstrategier - är de för dig Kvantitativa investeringsstrategier har utvecklats till mycket komplexa verktyg med tillkomsten av moderna datorer , men strategierna går tillbaka över 70 år. De drivs vanligtvis av högutbildade lag och använder proprietära modeller för att öka deras förmåga att slå marknaden. Det finns även off-shelf-program som är plug-and-play för dem som söker enkelhet. Kvantmodeller fungerar alltid bra när de testas igen, men deras faktiska applikationer och framgångsgrad är diskutabelt. Medan de verkar fungera bra på tjurmarknaderna. När marknaderna går haywire, är kvantstrategier utsatta för samma risker som alla andra strategier. Historien En av grundarna till studien av kvantitativ teori tillämpad på finans var Robert Merton. Man kan bara föreställa sig hur svårt och tidskrävande processen var före användningen av datorer. Andra teorier inom ekonomi utvecklades också från några av de första kvantitativa studierna, inklusive grunden för diversifiering av portföljer baserat på modern portföljteori. Användningen av både kvantitativ finansiering och kalkyler ledde till många andra gemensamma verktyg, inklusive en av de mest kända, Black-Scholes optionsprissättningsformeln, som inte bara hjälper investerare till prisoptioner och utvecklar strategier, men hjälper till att hålla marknaderna i kontroll med likviditeten. När den tillämpas direkt på portföljförvaltning. Målet är som någon annan investeringsstrategi. att lägga till värde, alfabetisk eller meravkastning. Quants, som utvecklarna heter, komponerar komplexa matematiska modeller för att upptäcka investeringsmöjligheter. Det finns så många modeller där ute som quants som utvecklar dem, och alla hävdar att vara bäst. En av de mest säljande punkterna i quant investment strategys är att modellen, och i slutändan datorn, gör det faktiska beslutet om buysell, inte en människa. Detta tenderar att ta bort eventuellt känslomässigt svar som en person kan uppleva när man köper eller säljer investeringar. Kvantstrategier accepteras nu i investeringssamhället och drivs av fonder, hedgefonder och institutionella investerare. De brukar gå med namnet alfa generatorer. eller alfa-gens. Bakom gardinen Precis som i Wizard of Oz, står någon bakom gardinen som kör processen. Som med vilken modell som helst, är det bara lika bra som den människa som utvecklar programmet. Även om det inte finns något specifikt krav på att bli en kvant, kombinerar de flesta företag som köper kvantmodeller kompetensanalyser, statistiker och programmerare som kodar processen i datorerna. På grund av de matematiska och statistiska modellernas komplicerade karaktär är det vanligt att se uppgifter som doktorsexamen och doktorsexamen i ekonomi, ekonomi, matematik och teknik. Historiskt fungerade dessa lagmedlemmar i backkontor. men som kvantmodeller blev mer vanliga flyttar backkontoret till kontoret. Fördelar med Quant Strategies Medan den övergripande framgången är diskutabel, är anledningen till att vissa kvantstrategier fungerar, att de bygger på disciplin. Om modellen är rätt, fortsätter disciplinen att strategin arbetar med blixtsnabbsdatorer för att utnyttja ineffektivitet på marknaderna baserad på kvantitativa data. Modellerna själva kan baseras på så lite som några förhållanden som PE. skuld till eget kapital och resultatutveckling, eller använd tusentals insatser som samarbetar samtidigt. Framgångsrika strategier kan hämta trender i sina tidiga skeden, eftersom datorerna ständigt driver scenarier för att lokalisera ineffektivitet innan andra gör det. Modellerna kan analysera en mycket stor grupp av investeringar samtidigt, där den traditionella analytiker kan titta på bara ett fåtal i taget. Screeningsprocessen kan betygsätta universum med betygsnivåer som 1-5 eller A-F beroende på modell. Detta gör den faktiska handelsprocessen väldigt enkel genom att investera i de högklassiga investeringarna och sälja de lågklassiga. Quant modeller öppnar också variationer av strategier som lång, kort och longshort. Framgångsrika kvantfonder håller koll på riskkontrollen på grund av deras modeller. De flesta strategier börjar med ett universum eller riktmärke och använder sektorer och branschvikter i sina modeller. Detta gör att fonderna kan styra diversifieringen i viss utsträckning utan att kompromissa med själva modellen. Kvantfonderna går oftast till lägre kostnad eftersom de inte behöver så många traditionella analytiker och portföljförvaltare att köra dem. Nackdelar med kvantstrategier Det finns anledningar till att så många investerare inte fullt ut tar hand om begreppet att låta en svart låda köra sina investeringar. För alla de framgångsrika kvantfonderna där ute, verkar lika många som misslyckas. Tyvärr för quants rykte, när de misslyckas misslyckas de stora tiden. Långfristig kapitalförvaltning var en av de mest kända kvanthäckfonderna, eftersom den drivs av några av de mest respekterade akademiska ledarna och två Nobelminnesprisvinnande ekonomer Myron S. Scholes och Robert C. Merton. Under 1990-talet genererade deras team över genomsnittet och attraherade kapital från alla typer av investerare. De var kända för att inte bara utnyttja ineffektivitet utan även med enkel tillgång till kapital för att skapa enorma hävstångssatser på marknadsriktningar. Den disciplinerade karaktären hos deras strategi skapade faktiskt den svaghet som ledde till deras kollaps. Långfristig kapitalförvaltning likviderades och löstes i början av år 2000. I sina modeller ingår inte möjligheten att den ryska regeringen skulle kunna standardisera sin egen skuld. Den här händelsen utlöste händelser och en kedjereaktion förstorad av hävstångsskapande förödelse. LTCM var så tungt involverad i andra investeringsverksamheter att dess kollaps påverkade världsmarknaderna och utlöste dramatiska händelser. På lång sikt gick Federal Reserve in för att hjälpa, och andra banker och investeringsfonder stödde LTCM för att förhindra ytterligare skador. Detta är en av anledningarna till att kvantfonder kan misslyckas, eftersom de bygger på historiska händelser som inte får inkludera framtida händelser. Medan ett starkt kvantteam kontinuerligt kommer att lägga till nya aspekter på modellerna för att förutsäga framtida händelser, är det omöjligt att förutsäga framtiden varje gång. Kvantfonder kan också bli överväldigade när ekonomin och marknaderna upplever större volatilitet än genomsnittet. Köp - och säljsignalerna kan komma så snabbt att den höga omsättningen kan skapa höga provisioner och skattepliktiga händelser. Kvantfonder kan också utgöra en fara när de marknadsförs som bärsäkra eller bygger på korta strategier. Förutsägande nedgångar. Att använda derivat och kombinera hävstång kan vara farligt. En fel tur kan leda till implosioner, vilket ofta gör nyheterna. Bottom Line Kvantitativa investeringsstrategier har utvecklats från backboks svarta lådor till vanliga investeringsverktyg. De är utformade för att utnyttja de bästa sinnena i branschen och de snabbaste datorerna för att både utnyttja ineffektivitet och använda hävstångseffekt för att göra marknadsbud. De kan vara mycket framgångsrika om modellerna har inkluderat alla rätt ingångar och är fimma nog att förutse onormala marknadshändelser. På flipsidan, medan kvantfonderna noggrant testas igen tills de arbetar, är deras svaghet att de är beroende av historiska data för deras framgång. Samtidigt som investeringar i quant-style har sin plats på marknaden är det viktigt att vara medveten om sina brister och risker. Att vara förenlig med diversifieringsstrategier. det är en bra idé att behandla kvantstrategier som en investeringsstil och kombinera den med traditionella strategier för att uppnå rätt diversifiering. Kvantitativ och algoritmisk handel Kvantitativ och algoritmisk handel Denna tråd är avsedd för kvantitativ och algoritmisk handel. Den första sidan bör ses som en kontaktpunkt för ovan nämnda ämnen. Denna första sida är under uppbyggnad och, om det är intresserad, besöker det från tid till annan för att se om nya materiallänkar har kommit fram. Det finns en skillnad mellan att säga att det finns förutsägbarhet och möjligheten att förutsäga kvot. Även om det alltid finns mer vinst i långsiktig prognos, ur matematisk synvinkel finns det mer tillförlitlighet i kortfristig prognostisering. Quot 8220 Gör allt så enkelt som möjligt. 8221 (A. Einstein) Men inte enklare. quotTradings inte ett spel 8211 Det är ett IQ testquot Först, några saker att överväga i finans, är feta svansar anses vara oönskade på grund av den ytterligare risken de innebär. Till exempel kan en investeringsstrategi ha en förväntad avkastning, efter ett år, det är fem gånger dess standardavvikelse. Om man antar en normal fördelning är sannolikheten för att den inte är negativ (negativ avkastning) mindre än en i en miljon i praktiken kan den vara högre. Normala utdelningar som dyker upp i ekonomin gör det i allmänhet, eftersom de faktorer som påverkar ett värde eller pris för tillgångar är matematiskt kvoterade, och den centrala gränsteoretiken ger en sådan fördelning. Men traumatiska kvotreal-worldquot-händelser (som en oljestock, en stor företags konkurs eller en abrupt förändring i en politisk situation) är vanligtvis inte matematiskt välbetalda. Investopedia förklarar svagrisiko När en portfölj av investeringar sätts samman antas det att fördelningen av avkastningen följer ett normalt mönster. Under detta antagande är sannolikheten att avkastningen kommer att flytta mellan medelvärdet och tre standardavvikelser, antingen positiva eller negativa, 99,97. Detta innebär att sannolikheten för avkastning flyttar mer än tre standardavvikelser bortom medelvärdet är 0,03 eller nästan noll. Konceptet med svansrisk föreslår emellertid att fördelningen inte är normal, men snedställd och har färre svansar. De färre svansarna ökar sannolikheten för att en investering kommer att gå utöver tre standardavvikelser. Fördelningar som kännetecknas av feta svans ses ofta när man tittar på hedgefondsavkastning. investopediatermsttailrisk. asp Vad kan Quant Traders Lär dig från Talebs quotAntifragilequot Här är några snip-setar som jag hittade speciellt intressant: 1) Momentumstrategier är mer antifragila än genomsnittliga reversionsstrategier. Taleb sa det inte, men det var den första tanken som kom till mig. Som jag argumenterade på många ställen, innebär det att det finns en naturlig återhämtning av strategier som har naturliga vinstkapslar (utgång när priset har återgått) men inga naturliga stoppförluster (vi borde köpa mer om något om det blir billigare), så det är väldigt mycket föremål för vänster svans risk, men kan inte dra nytta av den oväntade lyckan i höger svans. Mycket ömtålig Tvärtom har momentumstrategier naturliga stoppförluster (utgång när momentum vänder) och inga naturliga vinstkapslar (behåll samma position så länge som fart fortsätter). Generellt mycket antifragilt Bortsett från vad som händer under en handel (på grund av det dagliga övergångsklyftan eller strömbrytare) kan vi inte lämna en momentumposition i tid. Du kan alltid köpa ett alternativ för att simulera en stoppförlust. Taleb skulle säkert godkänna det. 2) Högfrekventa strategier är mer antifragila än lågfrekventa strategier. Taleb sa inte det, och det har ingenting att göra med om det är lättare att förutsäga korttid vs långsiktig avkastning. Eftersom HF-strategier gör att vi kan samla vinster mycket snabbare än lågfrekventa, behöver vi inte tillämpa någon hävstångseffekt. Så även när vi är otur att hålla en position av det felaktiga tecknet när en svart svan träffar kommer skadan att vara liten jämfört med den ackumulerade vinsten. Så medan HF-strategier inte exakt drar nytta av rätt svansrisk, är de åtminstone robusta med avseende på vänster svansrisk. 5) Korrelationer är omöjliga att uppskatta. Det enda vi kan göra är att korta på 1 och köpa till -1. Taleb hatar Markowitz-portföljoptimering, och en av anledningarna är att den bygger på uppskattningar av covariances av avkastning. Som sagt kan ett antal tillgångar som kan ha -0,2 korrelation över en lång period ha 0,8 korrelation över en annan lång period. Detta är särskilt sant i tider med ekonomisk stress. Jag håller helt med om den här punkten: Jag tror att man manuellt tilldelar korrelationer med värdena på -0,75, -0,5, -0,25, 0 till inmatningar av korrelationsmatrisen baserat på quotintuitionquot (grundläggande kunskap) kan generera så bra out-of-sample prestanda som några noggrant uppskattade siffror. Den mer fascinerande frågan är om det verkligen finns en omvänd korrelation. Och om så är fallet, vilka instrument kan vi använda för att dra nytta av det. Kanske kan den här artikeln hjälpa: web-docs. stern. nyu. edusalomondocsderivativesGSAM20-20NYU20conference2004210620-20Correlation20trading. pdf 6) Backtest kan bara användas för att avvisa en strategi, för att inte förutsäga dess framgång. Detta återspeglar den punkt som kommentaren Michael Harris gjorde i en tidigare artikel. Eftersom historiska data aldrig kommer att vara tillräckligt långa för att fånga upp alla möjliga svarta svanhändelser som kan uppstå i framtiden, kan vi aldrig veta om en strategi kommer att misslyckas eländigt. Men om en strategi redan misslyckades i en backtest kan vi vara ganska säkra på att det kommer att misslyckas igen i framtiden. Mycket bra läsning: Överväga återigen det rena slumpmässiga promenadmyntet som kastar spelet utan RTM. Vi sa att det inte fanns någon tidsstrategi i detta fall. Men nu antar vi att vi hittar en kristallkula innan spelet börjar och berättar vad slutvärdet kommer att vara när matchen slutar. Kom ihåg att detta faktiska slutvärde sannolikt kommer att ligga långt över eller under 0. Rita en rak linje på den tomma grafen från startpunkten till den kända slutpunkten. Börja spela spelet. När grafen ligger ovanför linjen, förutse svansar och ta dina pengar utanför bordet. När grafen ligger under linjen, prognos huvuden och lägg tillbaka dina pengar på bordet. Det ska vara lätt att övertyga dig själv om att dina prognoser kommer att vara mycket mer exakta än 5050, och du kommer att vinna med din tidsstrategi (quotwinquot i den meningen att du kommer göra mycket bättre än någon som inte förutser eller tid). Detta är även utan RTM På samma sätt, med investeringar, om vi på något sätt vet vad framtida genomsnittlig avkastning kommer att vara i förväg, kunde vi marknadsföra tid även utan RTM. Idag vet vi till exempel att den genomsnittliga avkastningen under de senaste 75 åren är cirka 10 årlig. Gå in på en tidsmaskin och gå tillbaka till 1930. Investera de närmaste 75 åren. När den kumulativa årliga avkastningen sedan 1930 går över 10, lyser upp aktierna. När den kumulativa årliga avkastningen sedan 1930 går under 10, sätta mer pengar tillbaka i aktier. Vid 2005 har du slog marknaden med en mycket bra marginal. Detta kallas ett kvot-provkvotprov. Det har en uppenbar brist, eftersom investerare 1930 inte hade någon aning om hur genomsnittlig årlig avkastning skulle bli under de kommande 75 åren. De visste bara vad den senaste genomsnittliga årliga avkastningen var. Om du gör testet igen och bara tillåter investerare att använda den information som är tillgänglig för dem vid den tidpunkten (ett test från testet), fungerar marknadsstrategin inte. Detta är en enkel typ av quotchartistquot timing, baserat bara på tidigare avkastning. När tidigare avkastning är hög, tänd upp på lager. När tidigare avkastning är låg, lägg mer pengar till aktier. I en ren slumpmässig promenad utan en kristallkula vet vi att den här typen av timing inte fungerar. Anledningen till att det inte fungerar är att utan kristallbollen kan vi inte definiera begreppen quotlowquot och quothigh. quot quotLowquot betyder att den framtida genomsnittliga valuequot och quothighquot betyder quotabove det framtida genomsnittliga värdet, men vi vet inte det framtida genomsnittliga värdet . Vi vet bara det senaste genomsnittliga värdet, och den informationen är inte användbar i en ren slumpmässig promenad utan RTM. De flesta prognosmetoder och tidsstrategier baserade på prognoserna är mer sofistikerade. De brukar använda grundläggande finansiella förhållanden som DP (utdelning till pris) eller PE (pris-till-vinst-förhållande) för att göra prognoserna. Argumentet är att dessa förhållanden ibland är höga och ibland låga, men det är orimligt att tänka att de eventuellt kan växa eller krympa utan gränser (kvittra till oändlighet, som akademiker ofta tycker om att säga det). Det är mycket mer rimligt att tänka att medan de ibland blir mycket höga eller mycket låga, måste de så småningom återgå till en mer normal nivå. RTM, med andra ord. Om dessa förhållanden har RTM är det ganska rimligt att förutse att denna RTM i förhållandena ger en liknande RTM-effekt i avkastning, och att kvoterna kan användas för att prognostisera framtida avkastning. Fungerar denna typ av grundläggande prognoser faktiskt Medan den allmänna idén verkligen verkar mer än trovärdig är beviset i pudding, och teorierna måste testas. Det är möjligt att undersöka historikposten för att se om de olika systemen skulle ha fungerat tidigare. Många har gjort sådana studier, både i den populära finansiella världen och i den akademiska finansiella världen. Huvuddelen är att när du testar om dessa typer av grundläggande prognosmetoder för att se om de skulle ha fungerat tidigare, är det fusk om du använder de faktiska medel för de grundläggande prognosvariablerna beräknade under hela testperioden, eftersom den informationen var inte tillgänglig för investerare i det förflutna. Du måste göra omprövning med endast information tillgänglig på den tiden. Med andra ord måste du göra provtagningsprov, inte i provprov. De flesta av de populära studierna som når slutsatsen att avkastningen är förutsägbar är ogiltig av denna anledning. Överraskande verkar många av de akademiska studierna drabbas av samma dödliga fel. Amit Goyal och Ivo Welch diskuterar och utforskar denna insikt i sitt papper. En omfattande titt på den empiriska utvecklingen av Equity Premium Prediction. När de utförde prov från alla de populära prognosvariablerna, inklusive DP och PE, fann de att ingen av dem arbetade: Vårt papper undersöker externa resultat av dessa variabler och finner att det inte är en enda man skulle ha hjälpt en världsomspännande investerare att förutse den dåvarande rådande kapitalbasen. De flesta skulle ha blivit skadade. Därför finner vi att för alla praktiska ändamål har aktiekapitalet inte varit förutsägbart. Detta resultat förvånar också många människor. Den gemensamma visdomen är att framtida aktiemarknadsavkastning är mycket förutsägbar med gemensamma värderingsåtgärder som DP och PE. Goyal och Welchs forskning tyder på att denna tro, liksom så många andra, kan vara ett annat exempel på hur människor ofta luras av slumpmässighet och ser mönster i slumpmässiga data som verkligen inte finns där. Det finns fortfarande kontroverser i akademin om huruvida aktieavkastningen är förutsägbar eller i vilken utsträckning de kan vara förutsägbara och vad de bästa prognosvariablerna kan vara. Goyal och Welch har tvivlat på denna hypotes, och de har utfört den värdefulla tjänsten för att visa hur viktigt det är att använda endast out-of-test-tester, men forskning och debatt fortsätter. I alla fall är förutsägbarhet, om den existerar alls, klart mycket svagare och svårare att utnyttja än de flesta tror.
No comments:
Post a Comment