Melhores estratégias de negociação algorítmica

Noções básicas de negociação algorítmica: conceitos e exemplos.

Um algoritmo é um conjunto específico de instruções claramente definidas destinadas a realizar uma tarefa ou processo.

O comércio algorítmico (negociação automatizada, negociação de caixa preta ou simplesmente negociação de algoritmos) é o processo de usar computadores programados para seguir um conjunto definido de instruções para fazer uma negociação, a fim de gerar lucros a uma velocidade e freqüência impossíveis para uma negociação. comerciante humano. Os conjuntos de regras definidos são baseados em tempo, preço, quantidade ou qualquer modelo matemático. Para além das oportunidades de lucro para o comerciante, a negociação de algoritmos torna os mercados mais líquidos e torna o comércio mais sistemático ao excluir os impactos humanos emocionais nas atividades de negociação. (Para mais, confira Escolhendo o Software de Negociação Algorítmica Certo.)

Suponha que um comerciante siga estes critérios comerciais simples:

Compre 50 ações de uma ação quando a média móvel de 50 dias ultrapassar a média móvel de 200 dias Venda ações da ação quando a média móvel de 50 dias ficar abaixo da média móvel de 200 dias.

Usando este conjunto de duas instruções simples, é fácil escrever um programa de computador que monitore automaticamente o preço das ações (e os indicadores de média móvel) e coloque as ordens de compra e venda quando as condições definidas forem atendidas. O comerciante não precisa mais ficar de olho nos preços e gráficos ao vivo, ou colocar os pedidos manualmente. O sistema de negociação algorítmica faz isso automaticamente, identificando corretamente a oportunidade de negociação. (Para mais informações sobre médias móveis, consulte Médias móveis simples Faça as tendências se destacarem.)

[Se você quiser aprender mais sobre as estratégias comprovadas e no ponto que podem, eventualmente, ser trabalhadas em um sistema de negociação alorítimo, confira o curso Torne-se um Day Trader da Investopedia Academy. ]

Benefícios do comércio algorítmico.

Algo-trading fornece os seguintes benefícios:

Negociações executadas com os melhores preços Possibilidade de colocação imediata e imediata de ordens (com altas chances de execução nos níveis desejados) Negociações cronometradas correta e instantaneamente, para evitar mudanças significativas nos preços Redução dos custos de transação (veja o exemplo de déficit de implementação abaixo) Verificações automatizadas simultâneas em múltiplos condições de mercado Risco reduzido de erros manuais na colocação dos negócios Backtest o algoritmo, com base em dados históricos e em tempo real disponíveis Reduzida possibilidade de erros por parte de comerciantes humanos com base em fatores emocionais e psicológicos.

A maior parte da negociação de algoritmos atuais é a negociação de alta frequência (HFT), que tenta capitalizar a colocação de um grande número de pedidos em velocidades muito rápidas em vários mercados e vários parâmetros de decisão, com base em instruções pré-programadas. (Para mais informações sobre negociação de alta frequência, consulte Estratégias e segredos de empresas de negociação de alta frequência (HFT).)

O comércio de algo é usado em muitas formas de atividades de negociação e investimento, incluindo:

Investidores de médio a longo prazo ou empresas compradoras (fundos de pensão, fundos mútuos, seguradoras) que compram em grandes quantidades, mas não querem influenciar os preços das ações com investimentos discretos e de grande volume. Comerciantes de curto prazo e participantes do lado da venda (formadores de mercado, especuladores e arbitradores) se beneficiam da execução automatizada do comércio; Além disso, o comércio de algo ajuda a criar liquidez suficiente para os vendedores no mercado. Comerciantes sistemáticos (seguidores de tendências, pares de traders, hedge funds, etc.) acham muito mais eficiente programar suas regras de negociação e permitir que o programa troque automaticamente.

O comércio algorítmico fornece uma abordagem mais sistemática ao comércio ativo do que métodos baseados na intuição ou instinto de um comerciante humano.

Estratégias de Negociação Algorítmica.

Qualquer estratégia para negociação algorítmica requer uma oportunidade identificada que seja lucrativa em termos de ganhos aprimorados ou redução de custos. A seguir estão as estratégias de negociação comuns usadas no comércio de algo:

As estratégias de negociação algorítmica mais comuns seguem as tendências de médias móveis, desvios de canal, movimentos de níveis de preços e indicadores técnicos relacionados. Essas são as estratégias mais fáceis e simples de implementar por meio do comércio algorítmico, porque essas estratégias não envolvem previsões nem previsões de preços. As negociações são iniciadas com base na ocorrência de tendências desejáveis, que são fáceis e diretas de implementar por meio de algoritmos, sem entrar na complexidade da análise preditiva. O exemplo acima mencionado de média móvel de 50 e 200 dias é uma tendência popular seguindo a estratégia. (Para mais informações sobre estratégias de negociação de tendências, consulte: Estratégias simples para capitalizar tendências.)

Comprar uma ação com cotação dupla a um preço menor em um mercado e, simultaneamente, vendê-la a um preço mais alto em outro mercado oferece o diferencial de preço como lucro ou arbitragem isenta de risco. A mesma operação pode ser replicada para ações versus instrumentos futuros, já que os diferenciais de preço existem de tempos em tempos. Implementar um algoritmo para identificar esses diferenciais de preço e colocar as ordens permite oportunidades lucrativas de maneira eficiente.

Os fundos de índices definiram períodos de reequilíbrio para aproximar seus investimentos aos seus respectivos índices de referência. Isso cria oportunidades lucrativas para os operadores algorítmicos, que capitalizam os negócios esperados que oferecem lucros de 20 a 80 pontos básicos, dependendo do número de ações no fundo de índice, imediatamente antes do rebalanceamento do fundo de índice. Tais negociações são iniciadas através de sistemas de negociação algorítmica para execução atempada e melhores preços.

Muitos modelos matemáticos comprovados, como a estratégia de negociação delta-neutral, que permitem negociar com combinação de opções e seu título subjacente, onde são feitas negociações para compensar deltas positivos e negativos, de modo que o delta do portfólio seja mantido em zero.

A estratégia de reversão à média baseia-se na ideia de que os preços altos e baixos de um ativo são um fenômeno temporário que revertem para o seu valor médio periodicamente. Identificar e definir uma faixa de preço e implementar um algoritmo com base nisso permite que os negócios sejam colocados automaticamente quando o preço do ativo entra e sai de seu intervalo definido.

A estratégia de preço médio ponderado por volume divide uma ordem grande e libera pedaços menores da ordem para o mercado, determinados dinamicamente, usando perfis de volume histórico específicos do estoque. O objetivo é executar o pedido próximo ao Preço Médio Ponderado pelo Volume (VWAP), beneficiando, assim, no preço médio.

A estratégia de preço médio ponderada pelo tempo quebra uma ordem grande e libera dinamicamente pedaços menores da ordem para o mercado usando intervalos de tempo divididos uniformemente entre um horário de início e de término. O objetivo é executar o pedido próximo ao preço médio entre os horários inicial e final, minimizando o impacto no mercado.

Até que a ordem de negociação esteja totalmente preenchida, este algoritmo continua enviando ordens parciais, de acordo com a taxa de participação definida e de acordo com o volume negociado nos mercados. A "estratégia de etapas" relacionada envia pedidos em uma porcentagem definida pelo usuário de volumes de mercado e aumenta ou diminui essa taxa de participação quando o preço da ação atinge níveis definidos pelo usuário.

A estratégia de déficit de implementação visa minimizar o custo de execução de um pedido negociando o mercado em tempo real, economizando assim no custo do pedido e se beneficiando do custo de oportunidade de execução atrasada. A estratégia aumentará a taxa de participação visada quando o preço das ações se mover favoravelmente e diminuirá quando o preço das ações se mover negativamente.

Existem algumas classes especiais de algoritmos que tentam identificar “acontecimentos” do outro lado. Esses "algoritmos de farejamento", usados, por exemplo, por um criador de mercado do lado da venda, têm a inteligência incorporada para identificar a existência de quaisquer algoritmos no lado da compra de uma ordem grande. Essa detecção por meio de algoritmos ajudará o criador de mercado a identificar grandes oportunidades de pedidos e possibilitará que ele se beneficie com o preenchimento dos pedidos a um preço mais alto. Às vezes, isso é identificado como front-running de alta tecnologia. (Para mais informações sobre comércio de alta frequência e práticas fraudulentas, consulte: Se você comprar ações on-line, você está envolvido em HFTs.)

Requisitos técnicos para negociação algorítmica.

Implementar o algoritmo usando um programa de computador é a última parte, batida com backtesting. O desafio é transformar a estratégia identificada em um processo informatizado integrado que tenha acesso a uma conta de negociação para fazer pedidos. Os seguintes são necessários:

Conhecimentos de programação de computadores para programar a estratégia de negociação necessária, programadores contratados ou software de negociação pré-fabricados. Conectividade de rede e acesso a plataformas de negociação para colocação de pedidos. Acesso a feeds de dados de mercado que serão monitorados pelo algoritmo para oportunidades de fazer pedidos. para backtest o sistema, uma vez construído, antes de ir viver em mercados reais Dados históricos disponíveis para backtesting, dependendo da complexidade das regras implementadas no algoritmo.

Aqui está um exemplo abrangente: A Royal Dutch Shell (RDS) está listada na Bolsa de Valores de Amsterdã (AEX) e na Bolsa de Valores de Londres (LSE). Vamos criar um algoritmo para identificar oportunidades de arbitragem. Aqui estão algumas observações interessantes:

AEX negocia em Euros, enquanto a LSE negocia em Libras Esterlinas Devido à diferença horária de uma hora, a AEX abre uma hora antes da LSE, seguida pelas duas bolsas sendo negociadas simultaneamente pelas próximas horas e negociando apenas na LSE durante a última hora conforme a AEX fecha .

Podemos explorar a possibilidade de negociação de arbitragem sobre as ações da Royal Dutch Shell listadas nesses dois mercados em duas moedas diferentes?

Um programa de computador que pode ler os preços de mercado atuais Feeds de preços de LSE e AEX Um feed de taxa de câmbio para taxa de câmbio de GBP-EUR Capacidade de colocação de pedidos que pode encaminhar o pedido para a capacidade correta de troca.

O programa de computador deve executar o seguinte:

Leia o feed de preço recebido do estoque RDS de ambas as trocas Usando as taxas de câmbio disponíveis, converta o preço de uma moeda para outra Se houver uma discrepância de preço suficiente (descontando os custos de corretagem) levando a uma oportunidade lucrativa, coloque a compra ordem em troca de preço mais baixo e ordem de venda em troca de preço mais alto Se as ordens forem executadas como desejado, o lucro da arbitragem seguirá.

Simples e fácil! No entanto, a prática de negociação algorítmica não é tão simples de manter e executar. Lembre-se, se você puder colocar uma negociação gerada por algoritmos, os outros participantes do mercado também poderão. Consequentemente, os preços flutuam em milissegundos e até microssegundos. No exemplo acima, o que acontece se a transação de compra for executada, mas o comércio de venda não é feito, pois os preços de venda mudam no momento em que seu pedido chega ao mercado? Você vai acabar sentado com uma posição aberta, fazendo com que sua estratégia de arbitragem seja inútil.

Existem riscos e desafios adicionais: por exemplo, riscos de falha do sistema, erros de conectividade de rede, atrasos entre ordens de negociação e execução e, o mais importante de tudo, algoritmos imperfeitos. Quanto mais complexo for um algoritmo, o backtesting mais rigoroso é necessário antes de ser colocado em ação.

The Bottom Line.

A análise quantitativa do desempenho de um algoritmo desempenha um papel importante e deve ser examinada criticamente. É emocionante usar a automação auxiliada por computadores com a noção de ganhar dinheiro sem esforço. Mas é preciso garantir que o sistema seja completamente testado e que os limites necessários sejam definidos. Comerciantes analíticos devem considerar aprender programação e construir sistemas por conta própria, para ter confiança em implementar as estratégias corretas de maneira infalível. Uso cauteloso e testes completos de negociação de algoritmos podem criar oportunidades lucrativas. (Para mais, veja Como codificar seu próprio robô de negociação da Algo.)

Top 5 livros essenciais para iniciantes para negociação algorítmica.

Top 5 livros essenciais para iniciantes para negociação algorítmica.

O comércio algorítmico é geralmente percebido como uma área complexa para os iniciantes aprenderem. Abrange uma ampla gama de disciplinas, com certos aspectos que exigem um grau significativo de maturidade matemática e estatística. Consequentemente, pode ser extremamente desanimador para os não iniciados. Na realidade, os conceitos gerais são fáceis de entender, enquanto os detalhes podem ser aprendidos de maneira iterativa e contínua.

A beleza da negociação algorítmica é que não há necessidade de testar o conhecimento sobre capital real, já que muitas corretoras oferecem simuladores de mercado altamente realistas. Embora existam certas ressalvas associadas a esses sistemas, elas fornecem um ambiente para promover um nível profundo de entendimento, sem absolutamente nenhum risco de capital.

Uma pergunta comum que recebo dos leitores da QuantStart é "Como faço para começar no comércio quantitativo?". Eu já escrevi um guia para iniciantes sobre negociação quantitativa, mas um artigo não pode esperar cobrir a diversidade do assunto. Assim, decidi recomendar meus livros de negociação de quantia de nível de entrada favoritos neste artigo.

A primeira tarefa é obter uma visão geral sólida do assunto. Eu descobri que é muito mais fácil evitar discussões matemáticas pesadas até que o básico seja coberto e entendido. Os melhores livros que encontrei para esse fim são os seguintes:

1) Negociação Quantitativa por Ernest Chan - Este é um dos meus livros financeiros favoritos. O Dr. Chan oferece uma excelente visão geral do processo de criação de um sistema de negociação quantitativo "de varejo", usando o MatLab ou o Excel. Ele torna o assunto altamente acessível e dá a impressão de que "qualquer um pode fazê-lo". Embora haja muitos detalhes que são omitidos (principalmente por questão de brevidade), o livro é uma ótima introdução sobre como funciona o comércio algorítmico. Ele discute geração alfa ("o modelo comercial"), gerenciamento de risco, sistemas automatizados de execução e certas estratégias (particularmente momentum e reversão à média). Este livro é o lugar para começar. 2) Inside the Black Box por Rishi K. Narang - Neste livro, Dr. Narang explica em detalhes como funciona um fundo de hedge quantitativo profissional. É lançado em um investidor experiente que está pensando em investir em tal "caixa preta". Apesar da aparente irrelevância para um comerciante de varejo, o livro realmente contém uma riqueza de informações sobre como um "bom" sistema de negociação de quantum deve ser realizado. Por exemplo, a importância dos custos de transação e gerenciamento de risco são delineados, com idéias sobre onde procurar mais informações. Muitos comerciantes de algo de varejo poderiam fazer bem para pegar isso e ver como os 'profissionais' realizam sua negociação. 3) Negociação Algorítmica & amp; DMA por Barry Johnson - A frase "negociação algorítmica", no setor financeiro, geralmente se refere aos algoritmos de execução usados ​​por bancos e corretores para executar negociações eficientes. Eu estou usando o termo para cobrir não apenas os aspectos de 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 não tem utilidade para o quant varejo? De modo nenhum. Possuir uma compreensão mais profunda de como as trocas funcionam e a "microestrutura de mercado" pode ajudar imensamente a lucratividade das estratégias de varejo. Apesar de ser um tomo pesado, vale a pena pegar.

Uma vez que os conceitos básicos são apreendidos, é necessário começar a desenvolver uma estratégia de negociação. Isso é geralmente conhecido como o componente de modelo alfa de um sistema de negociação. As estratégias são fáceis de encontrar nos dias de hoje, no entanto, o verdadeiro valor vem em determinar 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 escapou ao momentum, à reversão à média e a certas estratégias de alta frequência. Este livro discute essas estratégias em profundidade e fornece detalhes significativos de implementação, embora com mais complexidade matemática do que no primeiro (por exemplo, filtros de Kalman, estacionariedade / cointegração, CADF, etc.). As estratégias, mais uma vez, fazem uso extensivo do MatLab, mas o código pode ser facilmente modificado para C ++, Python / pandas ou R para aqueles com experiência em programação. Ele também fornece atualizações sobre o comportamento mais recente do mercado, já que 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 acho que é uma área essencial para aprender, mesmo nos estágios iniciais da negociação de quant. A microestrutura de mercado é a "ciência" de como os participantes do mercado interagem e as dinâmicas que ocorrem na carteira de pedidos. Está intimamente relacionado a como as trocas funcionam e o que realmente acontece quando uma negociação é feita. Este livro é menos sobre estratégias de negociação como tal, mas mais sobre coisas para estar ciente ao projetar sistemas de execução. Muitos profissionais do espaço financeiro financeiro consideram isso um excelente livro e também o 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 seu profundo relacionamento com os custos de transação), bem como gerenciamento de risco e portfólio. Eu dicarei livros para esses tópicos em artigos posteriores.

A Quantcademy.

Participe do portal de associação da Quantcademy que atende à crescente comunidade de traders de quantificação de varejo e aprenda como aumentar a lucratividade de sua estratégia.

Como identificar estratégias de negociação algorítmicas.

Como identificar estratégias de negociação algorítmicas.

Neste artigo, quero apresentar os métodos pelos quais eu mesmo identifico estratégias lucrativas de negociação algorítmica. Nosso objetivo hoje é entender detalhadamente como encontrar, avaliar e selecionar tais sistemas. Explicarei como as estratégias de identificação envolvem tanto a preferência pessoal quanto o desempenho da estratégia, como determinar o tipo e a quantidade de dados históricos para testes, como avaliar imparcialmente uma estratégia de negociação e, finalmente, como proceder para a fase de backtesting e implementação estratégica.

Identificando suas próprias preferências pessoais para negociação.

Para ser um profissional bem-sucedido - seja de forma discreta ou algorítmica - é necessário fazer algumas perguntas honestas. Negociação fornece-lhe a capacidade de perder dinheiro a um ritmo alarmante, por isso é necessário "conhecer-se", tanto quanto é necessário compreender a sua estratégia escolhida.

Eu diria que a consideração mais importante no comércio é estar ciente de sua própria personalidade. O comércio e o comércio algorítmico, em particular, exigem um grau significativo de disciplina, paciência e distanciamento emocional. Como você está permitindo que um algoritmo realize sua negociação para você, é necessário que ele seja resolvido para não interferir na estratégia quando ela estiver sendo executada. Isso pode ser extremamente difícil, especialmente em períodos de redução prolongada. No entanto, muitas estratégias que se mostraram altamente lucrativas em um backtest podem ser arruinadas pela simples interferência. Entenda que, se você deseja entrar no mundo do comércio algorítmico, será testado emocionalmente e, para ter sucesso, é necessário superar essas dificuldades!

A próxima consideração é uma das vezes. Você tem um emprego a tempo inteiro? Você trabalha meio período? Você trabalha em casa ou tem um longo trajeto todos os dias? Essas perguntas ajudarão a determinar a frequência da estratégia que você deve procurar. Para aqueles que trabalham em tempo integral, uma estratégia de futuros intradiários pode não ser apropriada (pelo menos até que seja totalmente automatizada!). Suas limitações de tempo também ditarão a metodologia da estratégia. Se a sua estratégia é freqüentemente negociada e depende de feeds de notícias caros (como um terminal da Bloomberg), você terá claramente que ser realista em relação à sua capacidade de executar isso com sucesso no escritório! Para aqueles de vocês com muito tempo, ou as habilidades para automatizar sua estratégia, você pode querer olhar para uma estratégia de negociação de alta frequência (HFT) mais técnica.

Acredito que é necessário realizar pesquisas contínuas em suas estratégias de negociação para manter um portfólio consistentemente lucrativo. Poucas estratégias permanecem "sob o radar" para sempre. Portanto, uma parte significativa do tempo destinado 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 rentabilidade forte ou um declínio lento em direção a perdas.

Você também precisa considerar seu capital comercial. O valor mínimo ideal geralmente aceito para uma estratégia quantitativa é de 50.000 USD (aproximadamente £ 35.000 para nós no Reino Unido). Se eu estivesse começando de novo, começaria com uma quantia maior, provavelmente perto de 100.000 USD (aproximadamente £ 70.000). Isso ocorre porque os custos de transação podem ser extremamente caros para as estratégias de média a alta frequência e é necessário ter capital suficiente para absorvê-los em tempos de rebaixamento. Se você está pensando em começar com menos de 10.000 dólares, então você precisará restringir-se a estratégias de baixa frequência, negociando em um ou dois ativos, já que os custos de transação irão rapidamente engolir seus retornos. A Interactive Brokers, que é uma das corretoras mais amigáveis ​​para aqueles com habilidades de programação, devido à sua API, tem uma conta de varejo de no mínimo 10.000 USD.

A habilidade de programação é um fator importante na criação de uma estratégia automatizada de negociação algorítmica. Ter conhecimento em uma linguagem de programação como C ++, Java, C #, Python ou R permitirá que você crie o armazenamento de dados de ponta a ponta, mecanismo de backtest e sistema de execução por conta própria. Isso tem uma série de vantagens, das quais a principal é a capacidade de estar completamente ciente de todos os aspectos da infraestrutura de negociação. Ele também permite que você explore as estratégias de frequência mais alta, pois você estará no controle total da sua "pilha de tecnologia". Embora isso signifique testar seu próprio software e eliminar bugs, também significa mais tempo gasto na codificação de infraestrutura e menos na implementação de estratégias, pelo menos na primeira parte de sua carreira de negociação de algoritmos. Você pode achar que está confortável negociando no Excel ou no MATLAB e pode terceirizar o desenvolvimento de outros componentes. Eu não recomendaria isso, no entanto, especialmente para aqueles que operam em alta freqüência.

Você precisa se perguntar o que você espera alcançar por negociação algorítmica. Você está interessado em uma renda regular, em que você espera obter ganhos de sua conta de negociação? Ou, você está interessado em um ganho de capital a longo prazo e pode se dar ao luxo de negociar sem a necessidade de levantar fundos? Dependência de renda irá ditar a frequência da sua estratégia. Retiradas de renda mais regulares exigirão uma estratégia de negociação de frequência mais alta com menos volatilidade (ou seja, um índice de Sharpe mais alto). Os operadores de longo prazo podem ter uma frequência de negociação mais tranqüila.

Finalmente, não se iluda com a noção de se tornar extremamente rico em um curto espaço de tempo! Algo negociação não é um esquema de enriquecimento rápido - se alguma coisa pode ser um esquema de tornar-se pobre rápido. É preciso muita disciplina, pesquisa, diligência e paciência para ter sucesso no comércio algorítmico. Pode levar meses, se não anos, para gerar lucratividade consistente.

Idéias de Negociação Algorítmica de Sourcing.

Apesar das percepções comuns em contrário, é bastante simples localizar estratégias de negociação lucrativas no domínio público. Nunca as ideias de negociação foram mais prontamente disponíveis do que são hoje. Revistas 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 comércio quantitativo é estabelecer um pipeline de estratégia que nos fornecerá um fluxo de ideias de negociação em andamento. Idealmente, queremos criar uma abordagem metódica para a terceirização, avaliação e implementação de estratégias com as quais nos deparamos. Os objetivos do pipeline são gerar uma quantidade consistente de novas idéias e nos fornecer uma estrutura para rejeitar a maioria dessas idéias com o mínimo de consideração emocional.

Devemos ser extremamente cuidadosos para não deixar que vieses cognitivos influenciem nossa metodologia de tomada de decisão. Isso pode ser tão simples quanto ter uma preferência por uma classe de ativos sobre outra (ouro e outros metais preciosos vêm à mente) porque eles são percebidos como mais exóticos. Nosso objetivo deve ser sempre encontrar estratégias consistentemente lucrativas, com expectativa positiva. A escolha da classe de ativos deve ser baseada em outras considerações, como restrições de capital comercial, taxas de corretagem e capacidades de alavancagem.

Se você não está familiarizado com o conceito de uma estratégia de negociação, então o primeiro lugar a olhar é com livros de texto estabelecidos. Os textos clássicos fornecem uma ampla gama de ideias mais simples e diretas, com as quais você pode se familiarizar com a negociação quantitativa. Aqui está uma seleção que eu recomendo para aqueles que são novos no comércio quantitativo, que gradualmente se tornam mais sofisticados conforme você trabalha na lista:

Para uma lista mais longa de livros de negociações quantitativas, visite a lista de leitura QuantStart.

O próximo lugar para encontrar estratégias mais sofisticadas é com fóruns de negociação e blogs de negociação. No entanto, uma nota de cautela: Muitos blogs de negociação contam com o 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 geral, a análise técnica é considerada um tanto ineficaz na comunidade financeira quantitativa. Alguns sugeriram 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 de análise técnica. No entanto, como pessoas 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 as nossas em considerações emocionais ou preconceitos.

Aqui está uma lista de blogs e fóruns de negociação algorítmica bem respeitados:

Depois de ter alguma experiência em avaliar 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 únicos. Se você é um membro ou ex-aluno de uma universidade, você deve ser capaz de obter acesso a alguns desses periódicos financeiros. Caso contrário, você pode ver os servidores de pré-impressão, que são repositórios da Internet de rascunhos atrasados ​​de trabalhos acadêmicos que estão sendo revisados ​​por especialistas. Como estamos interessados ​​somente em estratégias que podemos replicar com sucesso, fazer backtest e obter lucratividade, uma revisão por pares é de menor importância para nós.

A principal desvantagem das estratégias acadêmicas é que muitas vezes elas podem estar desatualizadas, exigir dados históricos obscuros e caros, negociar em classes de ativos ilíquidos ou não levar em conta taxas, desvios ou spread. Também pode não estar claro se a estratégia de negociação deve ser executada com ordens de mercado, ordens de limite ou se ela contém perdas de parada, etc. Assim, é absolutamente essencial replicar a estratégia você mesmo, fazer o backtest e adicionar transações realistas. custos que incluem tantos aspectos das classes de ativos que você deseja negociar.

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 está limitado a) conhecimento em uma ou mais das seguintes categorias:

Microestrutura de mercado - Para estratégias de maior frequência, em particular, pode-se fazer uso da microestrutura de mercado, ou seja, o entendimento da dinâmica da carteira de pedidos para gerar rentabilidade. Diferentes mercados terão várias limitações tecnológicas, regulamentações, participantes do mercado e restrições que serão abertas à exploração por meio 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 - Fundos de investimento agregados, tais como fundos de pensão, parcerias de investimento privado (hedge funds), consultores de negociação de commodities e fundos mútuos são limitados tanto pela forte regulação quanto por 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 restrições de capacidade devido ao seu tamanho. Assim, se eles precisarem rapidamente descarregar (vender) uma quantidade de títulos, terão que escalonar para evitar "movimentar o mercado". Algoritmos sofisticados podem tirar proveito disso e de outras idiossincrasias, em um processo geral conhecido como arbitragem da estrutura do fundo. Aprendizado de máquina / inteligência artificial - Os algoritmos de aprendizado de máquina se tornaram mais prevalentes nos últimos anos nos mercados financeiros. Classificadores (como Naive-Bayes, et al.) Correspondentes de função não-linear (redes neurais) e rotinas de otimização (algoritmos genéticos) têm sido usados ​​para prever caminhos de ativos ou otimizar estratégias de negociação. Se você tiver experiência nessa área, poderá ter algumas dicas sobre como determinados algoritmos podem ser aplicados a determinados mercados.

Existem, é claro, muitas outras áreas para os quantos investigarem. Discutiremos como detalhar as estratégias personalizadas em um artigo posterior.

Ao continuar a monitorar essas fontes semanalmente ou diariamente, você está se preparando para receber uma lista consistente de estratégias de diversas fontes. O próximo passo é determinar como rejeitar um grande subconjunto dessas estratégias, a fim de minimizar o desperdício de tempo e recursos de backtesting em estratégias que provavelmente não serão lucrativas.

Avaliação de estratégias de negociação.

A primeira e indiscutivelmente mais óbvia consideração é se você realmente entende a estratégia. Você seria capaz de explicar a estratégia de forma concisa ou requer uma série de advertências e listas de parâmetros sem fim? Além disso, a estratégia tem uma base boa e sólida na realidade? Por exemplo, você poderia apontar para algum raciocínio comportamental ou restrição de estrutura de fundos que possa estar causando o (s) padrão (ões) que você está tentando explorar? Essa restrição seria uma mudança de regime, como uma dramática interrupção no ambiente regulatório? A estratégia depende de regras estatísticas ou matemáticas complexas? Aplica-se a qualquer série temporal financeira ou é específico da classe de ativos na qual se afirma ser rentável? Você deve estar constantemente pensando sobre esses fatores ao avaliar novos métodos de negociação, caso contrário você pode perder uma quantidade significativa de tempo tentando fazer backtest e otimizar estratégias não lucrativas.

Depois de determinar que você entende os princípios básicos da estratégia, você precisa decidir se ela se encaixa no perfil de personalidade mencionado anteriormente. Esta não é uma consideração tão vaga quanto parece! Estratégias diferem substancialmente em suas características de desempenho. Existem certos tipos de personalidade que podem lidar com períodos mais significativos de levantamento, ou estão dispostos a aceitar um risco maior de retorno maior. Apesar do fato de que nós, como muitos, tentamos eliminar o máximo de viés cognitivo possível e devemos ser capazes de avaliar uma estratégia imparcialmente, os vieses sempre se infiltrarão. Assim, precisamos de meios consistentes e sem emoção para avaliar o desempenho das estratégias. . Aqui está a lista de critérios que julgo uma nova estratégia em potencial:

Metodologia - A estratégia é baseada no momento, na reversão da média, no neutro do mercado, no direcional? A estratégia baseia-se em técnicas estatísticas sofisticadas (ou complexas!) Ou de aprendizado de máquina que são difíceis de entender e requerem um PhD em estatística para entender? Essas técnicas introduzem uma quantidade significativa de parâmetros, o que pode levar a um viés de otimização? É provável que a estratégia resista a uma mudança de regime (ou seja, nova regulação potencial dos mercados financeiros)? Índice de Sharpe - O índice de Sharpe caracteriza heuristicamente a relação recompensa / risco da estratégia. Quantifica quanto retorno você pode obter para o nível de volatilidade suportado pela curva de capital. Naturalmente, precisamos determinar o período e a frequência com que esses retornos e a volatilidade (ou seja, o desvio padrão) são medidos. Uma estratégia de frequência mais alta exigirá uma taxa de amostragem maior do desvio padrão, mas um período de tempo global mais curto de medição, por exemplo. Alavancagem - A estratégia requer alavancagem significativa para ser rentável? A estratégia requer o uso de contratos de derivativos alavancados (futuros, opções, swaps) para fazer um retorno? Esses contratos alavancados podem ter características pesadas de volatilidade e, portanto, podem facilmente levar a chamadas de margem. Você tem o capital comercial e o temperamento para tal volatilidade? Freqüência - A frequência da estratégia está intimamente ligada à sua pilha de tecnologia (e, portanto, expertise tecnológica), ao índice de Sharpe e ao nível geral de custos de transação. Todas as outras questões consideradas, estratégias de maior frequência exigem mais capital, são mais sofisticadas e mais difíceis de implementar. No entanto, supondo que seu mecanismo de backtesting seja sofisticado e livre de erros, eles geralmente terão taxas de Sharpe muito mais altas. Volatilidade - A volatilidade está fortemente relacionada ao "risco" da estratégia. A proporção de Sharpe caracteriza isso. A maior volatilidade das classes de ativos subjacentes, se não protegidas, muitas vezes leva a uma maior volatilidade na curva de capital e, portanto, menores índices de Sharpe. É claro que estou assumindo que a volatilidade positiva é aproximadamente igual à volatilidade negativa. Algumas estratégias podem ter maior volatilidade negativa. Você precisa estar ciente desses atributos. Ganho / Perda, Lucro Médio / Perda - As estratégias diferem em suas características de ganhos / perdas e lucro / prejuízo médio. Pode-se ter uma estratégia muito lucrativa, mesmo se o número de negociações perdedoras exceder o número de negociações vencedoras. As estratégias de impulso tendem a ter esse padrão, pois dependem de um pequeno número de "grandes sucessos" para serem lucrativos. As estratégias de reversão à média tendem a ter perfis opostos nos quais mais dos negócios são "vencedores", mas os negócios perdedores podem ser bastante severos. Drawdown Máximo - O rebaixamento máximo é a maior queda percentual de ponta a ponta na curva de capital da estratégia. As estratégias de dinâmica são bem conhecidas por sofrer de períodos de rebaixamentos prolongados (devido a uma série de muitos comércios de perda incremental). Muitos traders desistirão em períodos de rebaixamento prolongado, mesmo que testes históricos tenham sugerido que isso é "business as usual" para a estratégia. Você precisará determinar qual porcentagem de rebaixamento (e em qual período de tempo) você pode aceitar antes de interromper sua estratégia. Esta é uma decisão altamente pessoal e, portanto, deve ser considerada com cuidado. Capacidade / Liquidez - No nível de varejo, a menos que você esteja negociando com um instrumento altamente ilíquido (como um stock small-cap), você não terá que se preocupar muito com a capacidade da estratégia. A capacidade determina a escalabilidade da estratégia para mais capital. Muitos dos maiores fundos de hedge sofrem com problemas de capacidade significativos à medida que suas estratégias aumentam na alocação de capital. Parâmetros - Determinadas estratégias (especialmente aquelas encontradas na comunidade de aprendizado de máquina) exigem uma grande quantidade de parâmetros. Cada parâmetro extra que uma estratégia requer deixa mais vulnerável ao viés de otimização (também conhecido como "ajuste de curva"). Você deve tentar direcionar as estratégias com o menor número de parâmetros possível ou ter quantidades suficientes de dados para testar suas estratégias. Benchmark - Quase todas as estratégias (a menos que caracterizadas como "retorno absoluto") são medidas em relação a alguns benchmarks de desempenho. O benchmark é geralmente um índice que caracteriza uma grande amostra da classe de ativos subjacente na qual a estratégia negocia. Se a estratégia negociar ações de grande capitalização dos EUA, o S & P500 seria uma referência natural para medir sua estratégia. Você ouvirá os termos "alpha" e "beta", aplicados a estratégias desse tipo. Discutiremos esses coeficientes em profundidade em artigos posteriores.

Observe que não discutimos os retornos reais da estratégia. Por que é isso? Isoladamente, os retornos realmente nos fornecem informações limitadas sobre a eficácia da estratégia. Eles não dão uma visão sobre alavancagem, volatilidade, benchmarks ou requisitos de capital. Assim, as estratégias raramente são julgadas apenas por seus retornos. Sempre considere os atributos de risco de uma estratégia antes de examinar os retornos.

Neste estágio, muitas das estratégias encontradas em seu pipeline serão rejeitadas, pois elas não atenderão às suas necessidades de capital, limitações de alavancagem, tolerância máxima de redução ou preferências de volatilidade. As estratégias que permanecem podem agora ser consideradas para backtesting. No entanto, antes que isso seja possível, é necessário considerar um critério final de rejeição - o dos dados históricos disponíveis sobre os quais testar essas estratégias.

Obtendo dados históricos.

Atualmente, a amplitude dos requisitos técnicos em classes de ativos para armazenamento de dados históricos é substancial. Para manter a competitividade, tanto o lado comprador (fundos) quanto o lado vendedor (bancos de investimento) investem pesadamente em sua infraestrutura técnica. É imperativo considerar sua importância. Em particular, estamos interessados ​​em pontualidade, precisão e requisitos de armazenamento. Agora descreverei os conceitos básicos da obtenção de dados históricos e como armazená-los. Infelizmente este é um tópico muito profundo e técnico, então não poderei dizer tudo neste artigo. No entanto, escreverei muito mais sobre isso no futuro, já que minha experiência anterior no setor financeiro estava principalmente relacionada à aquisição, armazenamento e acesso de dados financeiros.

Na seção anterior, criamos um pipeline de estratégia que nos permitia rejeitar determinadas estratégias com base em nossos critérios pessoais de rejeição. Nesta seção, filtraremos mais estratégias com base em nossas próprias preferências para obter dados históricos. As principais considerações (especialmente no nível do profissional de varejo) são os custos dos dados, os requisitos de armazenamento e seu nível de conhecimento técnico. Também precisamos discutir os diferentes tipos de dados disponíveis e as diferentes considerações que cada tipo de dados nos impõe.

Vamos começar discutindo os tipos de dados disponíveis e as principais questões que precisaremos pensar:

Dados Fundamentais - Incluem dados sobre tendências macroeconômicas, como taxas de juros, inflação, ações corporativas (dividendos, desdobramentos), arquivamentos na SEC, contas corporativas, dados de lucros, relatórios de safra, dados meteorológicos etc. Esses dados costumam ser usados ​​para valorizam empresas ou outros ativos em uma base fundamental, ou seja, por meio de alguns fluxos de caixa futuros esperados. Não inclui séries de preços de ações. Alguns dados fundamentais estão disponíveis gratuitamente em sites do governo. Outros dados históricos históricos de longo prazo podem ser extremamente caros. Os requisitos de armazenamento muitas vezes não são particularmente grandes, a menos que milhares de empresas estejam sendo estudadas de uma só vez. Dados de Notícias - Os dados de notícias são frequentemente de natureza qualitativa. É composto por artigos, posts, postagens de microblog ("tweets") e editorial. Técnicas de aprendizado de máquina, como classificadores, são frequentemente usadas para interpretar sentimentos. Esses dados também costumam estar disponíveis gratuitamente ou são baratos, por meio da assinatura de meios de comunicação. Os bancos de dados de armazenamento de documentos "NoSQL" mais recentes são projetados para armazenar esse tipo de dados qualitativos não estruturados. Dados de Preço do Ativo - Este é o domínio de dados tradicional do quant. Consiste em séries temporais de preços de ativos. Ações (ações), produtos de renda fixa (títulos), commodities e preços de câmbio estão dentro dessa classe. Dados históricos diários geralmente são fáceis de obter para classes de ativos mais simples, como ações. No entanto, depois que a precisão e a limpeza forem incluídas e os desvios estatísticos forem removidos, os dados poderão se tornar caros. Além disso, os dados de série temporal geralmente possuem requisitos de armazenamento significativos, especialmente quando os dados intraday são considerados. Instrumentos Financeiros - Ações, obrigações, futuros e as opções de derivativos mais exóticas têm características e parâmetros muito diferentes. Assim, não existe uma estrutura de banco de dados "tamanho único" que possa acomodá-los. Deve-se dar um cuidado significativo ao projeto e implementação de estruturas de banco de dados para vários instrumentos financeiros. Discutiremos a situação detalhadamente quando chegarmos a construir um banco de dados mestre de títulos em artigos futuros. Freqüência - Quanto maior a frequência dos dados, maiores são os custos e os requisitos de armazenamento. Para estratégias de baixa frequência, os dados diários costumam ser suficientes. Para estratégias de alta frequência, pode ser necessário obter dados em nível de escala e até cópias históricas de dados específicos do livro de ordens da bolsa de valores. A implementação de um mecanismo de armazenamento para esse tipo de dados é muito intensiva em tecnologia e adequada apenas para aqueles com forte histórico técnico / de programação. Benchmarks - As estratégias descritas acima serão frequentemente comparadas a um benchmark. Isso geralmente se manifesta como uma série temporal financeira adicional. Para ações, este é frequentemente um benchmark de ações nacionais, como o índice S & P500 (EUA) ou FTSE100 (Reino Unido). Para um fundo de renda fixa, é útil comparar com uma cesta de títulos ou produtos de renda fixa. A "taxa livre de risco" (ou seja, taxa de juros apropriada) é também outro ponto de referência amplamente aceito. Todas as categorias de classes de ativos possuem uma referência favorecida, portanto, será necessário pesquisar isso com base em sua estratégia específica, se você deseja obter interesse em sua estratégia externamente. Tecnologia - As pilhas de tecnologia por trás de um centro de armazenamento de dados financeiros são complexas. Este artigo pode apenas arranhar a superfície sobre o que está envolvido na construção de um. No entanto, ele gira em torno de um mecanismo de banco de dados, como um RDBMS (Relational Database Management System), como MySQL, SQL Server, Oracle ou um Document Storage Engine (por exemplo, "NoSQL"). Isso é acessado por meio do código de aplicativo "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, seja em seu próprio computador pessoal ou remotamente por meio de servidores da Internet. Produtos como o Amazon Web Services tornaram isso mais simples e mais barato nos últimos anos, mas ainda exigirão um conhecimento técnico significativo para alcançar de maneira robusta.

Como pode ser visto, uma vez que uma estratégia tenha sido identificada por meio 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 necessário rejeitar uma estratégia baseada somente em considerações de dados históricos. Esta é uma grande área e as equipes de PhDs trabalham em grandes fundos, garantindo que os preços sejam precisos e oportunos. Não subestime as dificuldades de criar um data center robusto para seus fins de backtesting!

Eu quero dizer, no entanto, que muitas plataformas de backtesting podem fornecer esses dados automaticamente para você - a um custo. Assim, você tirará muito da dor da implementação e poderá se concentrar apenas na implementação e otimização da estratégia. Ferramentas como TradeStation possuem essa capacidade. No entanto, minha visão pessoal é implementar o máximo possível internamente e evitar a terceirização de partes da pilha para os fornecedores de software. Eu prefiro estratégias de frequência mais altas devido às suas taxas de Sharpe mais atraentes, mas elas são freqüentemente acopladas à pilha de tecnologia, onde a otimização avançada é crítica.

Agora que discutimos os problemas em torno dos dados históricos, é hora de começar a implementar nossas estratégias em um mecanismo de backtesting. Este será o assunto de outros artigos, pois é uma área de discussão igualmente grande!

Declarações da Live Accounts Trading S & amp; P Crusher e Swing Trader.

Resumo das declarações fornecidas.

A imagem a seguir mostra um resumo dos resultados vistos em duas contas, uma negociando o Swing Trader e a outra negociando o S & amp; P Crusher. Consulte as perguntas frequentes na parte inferior desta página para obter respostas às perguntas mais comuns que recebemos em relação às declarações. Basta lembrar, o desempenho passado não é indicativo do desempenho futuro. Além disso, futuros e opções de negociação envolvem riscos substanciais de perda e não são apropriados para todos os investidores.

O desempenho passado não é indicativo de desempenho futuro. Negociar futuros e opções envolve risco substancial de perda e não é apropriado para todos os investidores.

O desempenho passado não é indicativo de desempenho futuro. Negociar futuros e opções envolve risco substancial de perda e não é apropriado para todos os investidores.

Declarações Reais de Negociação Algorítmica.

Com relação às declarações: 1) As declarações podem não ser representativas da experiência de outras pessoas. 2) As declarações não são necessariamente indicativas de desempenho ou sucesso futuro. 3) Salvo indicação em contrário, nenhuma compensação foi paga em troca dessas Declarações.

Perguntas Frequentes sobre Declarações.

Entendemos. Mostrar declarações pode introduzir várias questões diferentes. Por esse motivo, temos algumas respostas para as perguntas mais comuns que recebemos em relação às declarações.

São estas declarações reais de alguém apenas negociando seus algos?

Sim. Este indivíduo tem 2 contas abertas com o Gain Capital. A primeira conta (E48334) está sendo negociada no Swing Trader. A segunda conta (E48335) está negociando o S & amp; P Crusher.

Por que existem duas contas?

Eles são separados para que os resultados de cada sistema de negociação possam ser visualizados em uma única conta. Isso facilita a visualização do desempenho do Crusher em comparação com o desempenho do Swing Trader.

Por que isso parece confuso? Por que não apenas me dar algumas declarações? Por que o diagrama?

Porque esta é uma conta real que troca os algos & ndash; nem sempre é limpo para exibição. Este indivíduo transferiu dinheiro de uma conta para propagar a segunda conta. Ele também tirou lucros ou retirou alguns dos ganhos em janeiro, fevereiro e março de 2017. Para melhor acompanhar o desempenho real da conta, criamos a imagem mostrada acima & ndash; para que você possa ver o saldo inicial da conta, o saldo final da conta, os saques / depósitos na conta e, finalmente, o lucro total de cada mês.

Você pode explicar o quanto o Swing Trader fez na conta real?

Sim. A conta de swing trader que compartilhamos (E48334) começou a ser negociada em fevereiro de 2017. Ele começou com US $ 40.000 (transferidos de sua conta de britador). Em 2/1/18, ele fez aproximadamente $ 68.001. Este é um ganho percentual de aproximadamente 170%. Nota: Isso não inclui a Taxa de Licenciamento de Algoritmos Quantos, que pode variar de acordo com o tamanho da conta.

Consegui. E quanto ao triturador?

A conta do triturador que compartilhamos (E48335) começou a ser negociada em janeiro de 2017. Ele começou com US $ 109.565. Ele transferiu US $ 40 mil para a conta de swed trader e retirou US $ 40.000 adicionais em janeiro, fevereiro e março. A partir de 01/02/18, sua conta tinha aproximadamente US $ 70.490. Seu lucro total foi de aproximadamente US $ 41.050. Este é um ganho percentual de aproximadamente 72%.

Por que as declarações têm um formato estranho?

A fim de remover informações pessoais (nome e endereço), tivemos que importar a declaração em PDF do Gain Capital para o MS Word. A única edição feita foi remover informações pessoais e destacar em amarelo o valor líquido de liquidação da conta. Quando salvamos este documento de volta em um PDF, a formatação é alinhada de uma maneira estranha, mas ainda é legível.

Por que o segundo saldo da conta vai de US $ 109 mil a aproximadamente US $ 70 mil?

Isso ocorre porque o cliente tirou US $ 40 mil da conta como lucros. Ele também transferiu US $ 40 mil para a conta de swing trader. Isso trouxe seu saldo total para baixo na conta do triturador. Se você adicionar $ 80K de volta ao seu saldo, ele teria aproximadamente $ 150.000.

Quantos contratos estão sendo negociados em cada algoritmo?

A conta do comerciante do balanço está negociando 4 unidades e a conta do triturador está negociando 3 unidades.

Olhando para as declarações, elas são muito confusas. Você pode ajudar a explicá-los?

Cada declaração em PDF mostra duas contas. Você poderia olhar para cada negociação, se você quiser & ndash; no entanto, é mais fácil apenas olhar para o Valor Líquido de Liquidação da conta. Isso mostra o valor total da conta, incluindo negociações abertas e negociações fechadas. É a maneira mais fácil de determinar como uma conta foi feita. No entanto, porque esses indivíduos retiraram dinheiro e transferiram dinheiro para uma nova conta & ndash; Você também precisa consultar a seção Pagamentos / Recebimentos. Isso mostra quaisquer retiradas ou créditos para ou da conta. Além disso, você pode ver essas transferências na própria declaração.

Por que eles cobrem apenas 2017? E quanto a 2016?

Em 2016, a conta que mostramos estava negociando o pacote de opções Crusher V1, Crusher V2, Swing Trader e o condor de ferro semanal. Por causa disso, seria muito confuso determinar os resultados de cada sistema de negociação algorítmica. Os resultados são todos combinados em uma única declaração e achamos que isso não seria útil. Além disso, o proprietário da conta efetuou alguns negócios discricionários em 2016.

Por que você compartilha as declarações? Eu pensei que isso não era permitido?

Nossos advogados nos garantiram que estamos autorizados a compartilhar as declarações, desde que reflitam as contas reais e incluamos as devidas renúncias. Para enfatizar isso mais uma vez: o desempenho passado não é indicativo de desempenho futuro. Além disso, isso não é para todos!

Com isso dito, fornecemos declarações aos clientes para que eles possam ter uma ideia de quais tipos de preenchimentos obtemos e quais foram os retornos reais.

Posso ter alguém para auditar suas declarações?

Sim. Se preferir que um contabilista reveja as nossas declarações & ndash; podemos fornecê-los a um contador profissional certificado com as informações pessoais incluídas. Como não somos CTA's registrados, essas declarações não foram auditadas pela CFTC.

Estratégias de Negociação Algorítmica, Paradigmas e Idéias de Modelagem.

"As aparências enganam", disse uma pessoa sábia. A frase vale para as estratégias de negociação algorítmica. O termo estratégias de negociação algorítmica pode soar muito chique ou muito complicado. No entanto, o conceito é muito simples de entender, uma vez que o básico é claro. Neste artigo, vou falar sobre estratégias de negociação algorítmica com alguns exemplos interessantes.

Se você olhar de fora, um algoritmo é apenas um conjunto de instruções ou regras. Esse conjunto de regras é usado em uma bolsa de valores para automatizar a execução de ordens sem intervenção humana. Este conceito é chamado Algorithmic Trading.

Deixe-me começar com uma estratégia de negociação muito simples. Aqueles que já estão negociando saberão sobre S. M.A e para aqueles que não o fazem; S. M.A é média móvel simples. O S. M.A pode ser calculado usando qualquer número predefinido e fixo de dias. Uma estratégia de negociação algorítmica baseada em S. M.A pode ser simplificada nestes quatro passos simples:

Calcular 5 dias SMA Calcular 20 dias SMA Tomar uma posição longa quando o SMA de 5 dias for maior ou igual a 20 dias SMA Tomar uma posição curta quando o SMA de 5 dias for menor que SMA de 20 dias.

Referimo-nos a esta estratégia de negociação algorítmica como Moving Average Crossover Strategy. Este foi apenas um exemplo simples. Agora, não pense que tudo vai ser uma cama de rosas. Mesmo que fosse, então esteja preparado para os espinhos. Na negociação cotidiana, algoritmos de negociação muito mais complexos são usados ​​para gerar estratégias de negociação algorítmica.

Todas as estratégias de negociação algorítmica que estão sendo usadas hoje podem ser classificadas amplamente nas seguintes categorias:

Momento / Tendência Após Arbitragem Tomada de Mercado de Arbitragem Estatística.

Deixe-me entrar em alguns detalhes.

Estratégias baseadas no momento.

Supondo que haja uma tendência específica no mercado. Como um comerciante de algo, você está seguindo essa tendência. Além de nossa suposição, os mercados caem dentro da semana. Agora, você pode usar estatísticas para determinar se essa tendência continuará. Ou se vai mudar nas próximas semanas. Assim, você fará o seu próximo passo. Você baseou sua estratégia de negociação algorítmica nas tendências de mercado que você determinou usando estatísticas.

Este método de seguir as tendências é chamado de estratégia baseada em dinâmica.

Existem inúmeras maneiras de implementar essa estratégia de negociação algorítmica e discuti isso em detalhes em um de nossos artigos anteriores, chamado “Metodologia de Quantificação de Notícias para o Comércio Automático”.

Se assumirmos que um pharma-corp deve ser comprado por outra empresa, então o preço das ações de nosso corp pode subir. Isso é acionado pela aquisição, que é um evento corporativo. Se você planeja investir com base nas ineficiências de preços que podem acontecer durante um evento corporativo (antes ou depois), então você está usando uma estratégia orientada a eventos. Falência, aquisição, fusão, spin-offs, etc. podem ser o evento que conduz esse tipo de estratégia de investimento.

Essas estratégias podem ser neutras em termos de mercado e usadas amplamente por corretores de hedge funds e proprietários.

Arbitragem Estatística.

Quando surge uma oportunidade de arbitragem por causa de citação incorreta nos preços, pode ser muito vantajoso para a estratégia de negociação de algo. Embora tais oportunidades existam por um período muito curto, os preços no mercado são ajustados rapidamente. E é por isso que esse é o melhor uso de estratégias de negociação algorítmica, já que uma máquina automatizada pode acompanhar essas alterações instantaneamente.

Por exemplo, se o preço da Apple cair para menos de US $ 1, a Microsoft cairá US $ 0,5, mas a Microsoft não caiu, então você vai vender a Microsoft para obter lucro. Você pode ler sobre os equívocos comuns que as pessoas têm sobre Arbitragem Estatística aqui.

Fabricação de mercado.

Para entender o mercado, deixe-me falar primeiro sobre os criadores de mercado.

Segundo a Wikipedia:

Um criador de mercado ou provedor de liquidez é uma empresa, ou um indivíduo, que cita tanto um preço de compra quanto um preço de venda em um instrumento financeiro ou mercadoria mantida em estoque, esperando lucrar com o spread de oferta ou oferta.

A criação de mercado fornece liquidez a valores mobiliários que não são frequentemente negociados na bolsa de valores. O formador de mercado pode melhorar a equação demanda-oferta de títulos. Deixe-me lhe dar um exemplo:

Vamos supor que você tenha Martin, um criador de mercado, que compra por Rs. 500 do mercado e vendê-lo em 505. Ele lhe dará uma cotação bid-ask de Rs. 505-500. O lucro de Rs. 5 não pode ser vendido ou trocado por dinheiro sem perda substancial de valor. Quando Martin assume um risco maior, o lucro também é maior.

Eu achei o livro de Michael Lewis "Flash Boys" no Indian Bull Market bastante interessante e ele fala sobre liquidez, criação de mercado e HFT em grande detalhe. Confira depois de terminar de ler este artigo.

Desde que você precisará ser analítico & amp; Embora seja quantitativo ao entrar ou atualizar para a negociação algorítmica, é imperativo aprender programação (alguns, se não todos) e construir sistemas infalíveis e executar a estratégia de negociação algorítmica correta. Lendo este artigo sobre negociação automatizada com Interactive Brokers usando Python será muito benéfico para você. Você pode ler o artigo aqui.

Paradigmas & amp; Idéias de Modelagem.

Agora que eu apresentei estratégias de negociação algorítmica, estarei lançando alguma luz sobre os paradigmas de estratégia e idéias de modelagem pertencentes a cada estratégia.

Tomada De Mercado Estatística Arbitragem Momentum Machine Learning Based.

Fabricação de mercado.

Como mencionei anteriormente, o objetivo primordial da criação de mercado é infundir liquidez em títulos que não são negociados em bolsas de valores. Para medir a liquidez, levamos em consideração o spread de compra e venda e os volumes de negociação.

Os algoritmos de negociação tendem a lucrar com o spread bid-ask. Vou me referir ao nosso amigo, Martin, novamente nesta seção. Martin sendo um criador de mercado é um provedor de liquidez que pode cotar tanto no lado de compra quanto de venda em um instrumento financeiro que espera lucrar com o spread de oferta de oferta. Martin aceitará o risco de manter os títulos para os quais citou o preço e, uma vez recebido o pedido, muitas vezes ele venderá imediatamente de seu próprio inventário. Ele pode procurar uma oferta de compensação em segundos e vice-versa.

Quando se trata de títulos ilíquidos, os spreads são geralmente mais altos e os lucros também. Martin assumirá um risco maior nesse caso. Vários segmentos do mercado não têm interesse dos investidores devido à falta de liquidez, já que não conseguem sair de várias ações de pequena e média capitalização em um dado momento.

Fabricantes de mercado como Martin são úteis, pois estão sempre prontos para comprar e vender ao preço cotado por eles. De fato, grande parte da negociação de alta frequência (HFT) é uma atividade de mercado passiva. As estratégias estão presentes nos dois lados do mercado (muitas vezes simultaneamente) competindo entre si para fornecer liquidez àqueles que precisam.

Então, quando essa estratégia é mais lucrativa?

Essa estratégia é lucrativa desde que o modelo preveja com precisão as variações futuras de preço.

Modelando idéias baseadas neste paradigma.

O spread bid-ask e o volume de transações podem ser modelados em conjunto para obter a curva de custo de liquidez, que é a taxa paga pelo tomador de liquidez. Se o tomador de liquidez apenas executar ordens com a melhor oferta e pedir, a taxa será igual à oferta de compra, multiplicada pelo volume. Quando os negociadores vão além do melhor lance e pedem mais volume, a taxa também se torna uma função do volume.

O volume de negociação é difícil de modelar, pois depende da estratégia de execução dos tomadores de liquidez. O objetivo deve ser encontrar um modelo para volumes de comércio que seja consistente com a dinâmica de preços. Modelos de criação de mercado são geralmente baseados em um dos dois:

O primeiro se concentra no risco de estoque. O modelo é baseado na posição de estoque preferencial e nos preços com base no apetite de risco. O segundo é baseado na seleção adversa que distingue entre negociações informadas e de ruído. Negociações de ruído não possuem qualquer visão sobre o mercado, enquanto que as transações informadas fazem. Quando a visão do tomador de liquidez é de curto prazo, seu objetivo é obter lucro a curto prazo, utilizando a margem estatística. No caso de visão de longo prazo, o objetivo é minimizar o custo da transação. As estratégias de longo prazo e as restrições de liquidez podem ser modeladas como ruído em torno das estratégias de execução de curto prazo.

Para saber mais sobre o Market Makers, você pode conferir este interessante artigo no blog da QuantInsti.

Arbitragem Estatística.

Se a criação de mercado for a estratégia que faz uso do spread de compra e venda, a Arbitragem Estatística busca lucrar com a precificação estatística de um ou mais ativos com base no valor esperado desses ativos.

Uma maneira mais acadêmica de explicar a arbitragem estatística é espalhar o risco entre mil a milhões de negociações em um período de detenção muito curto, esperando lucrar com a lei dos grandes números. Algoritmos de Arbitragem Estatística são baseados na hipótese de reversão da média, principalmente como um par.

O comércio de pares é uma das várias estratégias coletivamente referidas como Estratégias de Arbitragem Estatística. Em pares estratégia comercial, as ações que exibem co-movimento histórico nos preços são emparelhadas usando semelhanças fundamentais ou baseadas no mercado. A estratégia baseia-se na noção de que os preços relativos em um mercado estão em equilíbrio e que os desvios desse equilíbrio serão eventualmente corrigidos.

Quando um estoque supera o outro, o outperformer é vendido a descoberto e o outro é comprado com a expectativa de que o desvio de curto prazo termine em convergência. Isto frequentemente protege o risco de mercado de movimentos adversos do mercado, isto é, torna a estratégia beta neutra. No entanto, o risco total de mercado de uma posição depende do montante de capital investido em cada ação e da sensibilidade das ações a esse risco.

A Momentum Strategies busca lucrar com a continuidade da tendência existente, aproveitando as oscilações do mercado.

“Em palavras simples, compre alto e venda mais alto e vice-versa.”

E como conseguimos isso?

Nesta estratégia de negociação de algoritmos em particular, teremos posições de curto prazo em ações que estão subindo ou descendo até que apresentem sinais de reversão. É contra-intuitivo para quase todas as outras estratégias bem conhecidas. O investimento em valor é geralmente baseado em reversão de longo prazo para significar, enquanto o investimento em momentum é baseado na lacuna no tempo antes da reversão da média ocorrer.

O momentum está perseguindo o desempenho, mas de uma maneira sistemática, tirando vantagem de outros caçadores de desempenho que estão tomando decisões emocionais. Normalmente, há duas explicações dadas para qualquer estratégia que tenha funcionado historicamente, ou a estratégia é compensada pelo risco extra que ela assume ou por fatores comportamentais, devido a qual prêmio existe.

Há uma longa lista de preconceitos comportamentais e erros emocionais que os investidores exibem devido a que o momento funciona. No entanto, é mais fácil falar do que fazer, pois as tendências não duram para sempre e podem exibir reversões rápidas quando atingem o pico e chegam ao fim. O momento de negociação carrega um grau mais alto de volatilidade do que a maioria das outras estratégias e tenta capitalizar a volatilidade do mercado. É importante ter tempo para comprar e vender corretamente para evitar perdas, usando técnicas adequadas de gerenciamento de risco e interrompendo as perdas. O investimento em momento requer monitoramento adequado e diversificação apropriada para salvaguardar contra esses acidentes graves.

Em primeiro lugar, você deve saber como detectar o momentum do preço ou as tendências. Como você já está negociando, sabe que as tendências podem ser detectadas seguindo ações e ETFs que estão continuamente subindo por dias, semanas ou até vários meses seguidos. Por exemplo, identifique as ações negociadas dentro de 10% de suas 52 semanas de alta ou olhe para a variação do preço percentual nas últimas 12 ou 24 semanas. Da mesma forma para detectar uma tendência mais curta, inclua uma mudança de preço a curto prazo.

Se você se lembra, em 2008, o setor de petróleo e energia foi continuamente classificado como um dos principais setores, mesmo quando estava em colapso. Também podemos analisar os ganhos para entender os movimentos nos preços das ações. Estratégias baseadas em retornos passados ​​(“estratégias de momentum de preço”) ou em surpresa de ganhos (conhecidas como “estratégias de momentum de ganhos”) exploram a reação do mercado a diferentes informações. Uma estratégia de ganho de lucros pode lucrar com a reação negativa a informações relacionadas a ganhos de curto prazo. Da mesma forma, uma estratégia de momentum de preço pode lucrar com a resposta lenta do mercado a um conjunto mais amplo de informações, incluindo a lucratividade de longo prazo.

Aprendizado de Máquina baseado.

Na negociação baseada em Aprendizado de Máquina, os algoritmos são usados ​​para prever o intervalo para movimentos de preço de curtíssimo prazo em um determinado intervalo de confiança. A vantagem de usar a Inteligência Artificial (IA) é que os humanos desenvolvem o software inicial e a própria IA desenvolve o modelo e o aprimora com o tempo. Um grande número de fundos depende de modelos computacionais construídos por cientistas de dados e quants, mas eles geralmente são estáticos, ou seja, não mudam com o mercado. Modelos baseados em ML, por outro lado, podem analisar grandes quantidades de dados em alta velocidade e melhorar-se através de tais análises.

Uma forma de inclinação da máquina chamada “redes Bayesianas” pode ser usada para prever tendências de mercado enquanto utiliza algumas máquinas. Uma IA que inclua técnicas como a computação evolucionária (que é inspirada pela genética) e a aprendizagem profunda pode ser executada em centenas ou mesmo milhares de máquinas. Ele pode criar uma coleção grande e aleatória de operadores de ações digitais e testar seu desempenho em dados históricos. Em seguida, ele escolhe os melhores artistas e usa seu estilo / padrões para criar um novo tipo de trader evoluído. Esse processo é repetido várias vezes e um comerciante digital que pode operar totalmente é criado.

Esse processo é repetido várias vezes e um comerciante digital que pode operar totalmente é criado.

Estes foram alguns importantes paradigmas de estratégia e idéias de modelagem. Em seguida, vamos passar pelo procedimento passo a passo para construir uma estratégia de negociação.

Você pode aprender esses paradigmas detalhadamente no Programa Executivo QuantInsti em Algorithmic Trading (EPAT), um dos mais extensivos cursos de negociação algorítmica disponíveis on-line com gravações de palestras e acesso e suporte vitalícios.

Construindo uma estratégia de negociação algorítmica.

De estratégias de negociação de algoritmos a paradigmas e ideias de modelagem, chego a essa seção do artigo onde vou lhe dizer como construir uma estratégia de negociação algorítmica básica.

Como você começa com a implementação de estratégias de negociação de algo?

Essa é a primeira pergunta que deve ter vindo à sua mente, presumo. A questão é que você já começou conhecendo os fundamentos e os paradigmas das estratégias de negociação algorítmica ao ler este artigo. Agora, que o nosso vagão tem o motor ligado, é hora de pressionar o acelerador.

E como exatamente isso é feito?

Vou explicar como uma estratégia de negociação algorítmica é construída, passo a passo. A descrição concisa lhe dará uma idéia sobre todo o processo.

O primeiro passo é decidir o paradigma da estratégia. Pode ser Market Making, Arbitrage based, Alpha, Hedging ou Execution based strategy. Para este caso em particular, escolherei negociação em pares, que é uma estratégia de arbitragem estatística que é neutra em termos de mercado (beta neutro) e gera alfa, ou seja, gera dinheiro independentemente do movimento do mercado.

Você pode decidir sobre os títulos reais que deseja negociar com base na visão de mercado ou através de correlação visual (no caso de estratégia de negociação de pares). Estabelecer se a estratégia é estatisticamente significativa para os títulos selecionados. Por exemplo, no caso de troca de pares, verifique a cointegração dos pares selecionados.

Agora, codifique a lógica com base na qual você deseja gerar sinais de compra / venda na sua estratégia. Para a troca de pares, verifique a “reversão à média”; calcule o escore z para o spread do par e gere os sinais de compra / venda quando você espera que ele reverta para o significado. Decida sobre as condições de “Stop Loss” e “Profit Taking”.

Stop Loss & # 8211; Uma ordem de stop-loss limita a perda de um investidor em uma posição em um título. Ele dispara uma ordem para eliminar a posição longa ou curta existente para evitar mais perdas e ajuda a tirar a emoção das decisões de negociação. Take Profit & # 8211; ordens take-profit são usadas para fechar automaticamente as posições existentes, a fim de garantir lucros quando há um movimento em uma direção favorável. Citando ou batendo estratégia.

É muito importante decidir se a estratégia será “citando” ou “batendo”. A estratégia de execução, em grande medida, decide o quão agressiva ou passiva sua estratégia será.

Citando & # 8211; Na negociação em pares, você cita uma garantia e, dependendo se essa posição é preenchida ou não, você envia a ordem para a outra. Nesse caso, a probabilidade de obter um preenchimento é menor, mas você salva bid-ask em um lado. Batendo - Neste caso, você envia ordens de mercado simultâneas para ambos os títulos. A probabilidade de obter um preenchimento é maior, mas, ao mesmo tempo, a derrapagem é maior e você paga bid-ask em ambos os lados.

A escolha entre a probabilidade de preenchimento e execução otimizada em termos de derrapagem e executivo cronometrado é o que é isso se eu tiver que colocar dessa maneira. Se você optar por citar, então você precisa decidir para o que está citando, é assim que funciona o par de operações. Se você decidir fazer uma cotação para o título menos líquido, o escorregamento será menor, mas os volumes de negociação cairão em títulos líquidos, por outro lado, aumentarão o risco de derrapagem, mas os volumes de negociação serão altos.

A utilização de estatísticas para verificar a causalidade é outra maneira de chegar a uma decisão, ou seja, a mudança na qual a segurança causa a mudança na outra e na qual ela leva. O teste de causalidade determinará o par de "lead-lag"; citar para o líder e cobrir a segurança de atraso.

Como você decide se a estratégia escolhida foi boa ou ruim?

Como você julga sua hipótese?

É aí que o back-testing da estratégia surge como uma ferramenta essencial para estimar o desempenho da hipótese projetada com base em dados históricos. Uma estratégia pode ser considerada boa se os resultados do backtest e as estatísticas de desempenho apoiarem a hipótese.

Por isso, é importante escolher dados históricos com um número suficiente de pontos de dados. Isso é para criar um número suficiente de negociações de amostra (pelo menos 100 negociações) cobrindo vários cenários de mercado (alta, baixa, etc.). Certifique-se de fazer provisão para custos de corretagem e derrapagem também. Isso vai te dar resultados mais realistas, mas você ainda pode ter que fazer algumas aproximações durante o backtesting. Por exemplo, enquanto backtesting citando estratégias é difícil descobrir quando você obtém um preenchimento. Assim, a prática comum é assumir que as posições são preenchidas com o último preço negociado.

Para que tipo de ferramentas você deve ir, durante o backtesting?

Desde backtesting para estratégias de negociação algorítmica envolve uma enorme quantidade de dados, especialmente se você for usar dados tick by tick. Então, você deve ir para ferramentas que podem lidar com essa enorme quantidade de dados.

R ou MATLAB?

R é excelente para lidar com grandes quantidades de dados e também possui um alto poder de computação. Assim, tornando-se uma das melhores ferramentas para backtesting. Além disso, R é open source e livre de custos. Também podemos usar o MATLAB, mas ele vem com um custo de licenciamento.

Tudo bem, eu acabei de tirar a famosa citação de Ben Parker do filme Homem-Aranha (não do Incrível). Mas confie em mim, é 100% verdade. Não importa o quão confiante você pareça com a sua estratégia ou quão bem sucedido ela possa ser, você deve ir e avaliar cada um e tudo em detalhes. Existem vários parâmetros que você precisa monitorar ao analisar o desempenho e o risco de uma estratégia. Algumas métricas / proporções importantes são mencionadas abaixo:

Retorno Total (CAGR) - Taxa de Crescimento Anual Composta (CAGR). É a taxa de crescimento média anual de um investimento durante um período de tempo especificado superior a um ano. Taxa de acerto - ordem de negociação. Lucro Médio por Lucro Total do Comércio dividido pelo número total de negócios Perda Média por Comércio - Perda Total dividida pelo número total de negócios Retirada Máxima & # 8211; Perda máxima em qualquer negociação Volatilidade de devoluções - Desvio padrão dos “retornos” Sharpe Ratio - Retornos ajustados pelo risco, ou seja, retornos excedentes (sobre a taxa livre de risco) por unidade de volatilidade ou risco total.

Todo o processo de estratégias de negociação algorítmica não termina aqui. O que eu forneci neste artigo é apenas o pé de um Everest sem fim. Para conquistar isso, você deve estar equipado com o conhecimento correto e orientado pelo guia certo. É aí que entra o QuantInsti, para guiá-lo nessa jornada. QuantInsti irá ajudá-lo a conquistar o Everest no final. Se você quiser saber mais sobre estratégias de negociação algorítmica, clique aqui.