Quant Trading Strategies Blog

Quant Strategies - sind sie für Sie. Quantitative Anlagestrategien haben sich zu sehr komplexen Werkzeugen mit dem Aufkommen der modernen Computer entwickelt, aber die Strategien Wurzeln gehen zurück über 70 Jahre Sie sind in der Regel von hochgebildeten Teams laufen und verwenden proprietäre Modelle, um ihre Fähigkeit zu erhöhen Schlagen den Markt Es gibt sogar off-the-shelf Programme, die Plug-and-Play für diejenigen sind, die Einfachheit suchen Quant-Modelle immer gut funktionieren, wenn sie zurück getestet wurden, aber ihre tatsächlichen Anwendungen und Erfolgsrate sind umstritten, während sie scheinen, gut in den Bullenmärkten zu arbeiten Wenn die Märkte haywire gehen, werden Quant Strategien den gleichen Risiken ausgesetzt wie jede andere Strategie. Die Geschichte Einer der Gründungsväter der Studie der quantitativen Theorie, die auf die Finanzierung angewendet wurde, war Robert Merton Sie können sich nur vorstellen, wie schwierig und zeitaufwändig der Prozess war Vor dem Einsatz von Computern Andere Theorien in der Finanzierung entwickelten sich auch aus einigen der ersten quantitativen Studien, einschließlich der Basis der Portfolio-Diversifizierung auf der Grundlage der modernen Portfolio-Theorie Die Verwendung von quantitativen Finanzen und Kalkül führte zu vielen anderen gemeinsamen Tools, darunter eine der berühmtesten , Die Black-Scholes Option Preisformel, die nicht nur Investoren Preis Optionen und entwickeln Strategien, sondern hilft, halten die Märkte in Schach mit Liquidität. Wenn angewendet direkt auf Portfolio-Management das Ziel ist wie jede andere Investitionsstrategie, um Wert, Alpha oder Überschüssige Renditen Quants, wie die Entwickler genannt werden, komponieren komplexe mathematische Modelle, um Investitionsmöglichkeiten zu erkennen Es gibt so viele Modelle da draußen wie Quants, die sie entwickeln, und alle behaupten, die Besten zu sein Eines der Quantisierungsstrategie s Best-Selling-Punkte ist Dass das Modell, und letztlich der Computer, macht die tatsächliche Kauf verkaufen Entscheidung, nicht ein Mensch Dies neigt dazu, jede emotionale Reaktion, die eine Person kann beim Kauf oder Verkauf von Investitionen zu entfernen. Quant Strategien sind jetzt in der Investment-Community akzeptiert und laufen gegenseitig Fonds, Hedgefonds und institutionelle Anleger Sie gehen in der Regel mit dem Namen Alpha Generatoren oder Alpha Gens. Behind der Vorhang Genau wie in der Zauberer von Oz, ist jemand hinter dem Vorhang, der den Prozess treibt Wie bei jedem Modell ist es nur so gut wie die Menschen, die das Programm entwickeln Während es keine spezifische Voraussetzung für das Werden eines Quantes gibt, kombinieren die meisten Firmen, die Quant-Modelle betreiben, die Fähigkeiten von Investitionsanalysten, Statistiker und Programmierer, die den Prozess in den Computern kodieren. Aufgrund der komplexen Natur der mathematischen und statistischen Modelle , Es ist üblich, um Anmeldeinformationen wie Graduate Grad und Doktoranden in Finanzen, Wirtschaft, Mathematik und Ingenieurwissenschaften zu sehen. Historisch, diese Teammitglieder arbeiteten in den Back-Büros, aber als Quant-Modelle wurde mehr alltäglich, das Back-Office bewegt sich an die Front Office. Benefits Von Quant-Strategien Während die Gesamterfolgsquote umstritten ist, ist der Grund, warum einige Quant-Strategien funktionieren, dass sie auf Disziplin basieren. Wenn das Modell richtig ist, hält die Disziplin die Strategie, mit Blitzschnellcomputern zu arbeiten, um Ineffizienzen in den Märkten auf der Grundlage quantitativer zu nutzen Daten Die Modelle selbst können auf so wenig wie ein paar Verhältnisse wie PE-Schulden an Eigenkapital und Gewinnwachstum basieren oder Tausende von Inputs zusammenarbeiten, die zur gleichen Zeit zusammenarbeiten. Erfolgreiche Strategien können sich auf Trends in ihren frühen Stadien wie die Computer ständig abholen Laufen Szenarien, um Ineffizienzen zu lokalisieren, bevor andere die Modelle in der Lage sind, eine sehr große Gruppe von Investitionen gleichzeitig zu analysieren, wo der traditionelle Analytiker nur einige auf einmal sehen kann. Der Screening-Prozess kann das Universum anhand von Gradniveaus wie 1-5 bewerten Oder AF je nach Modell Dies macht den eigentlichen Handelsprozess sehr einfach durch die Investition in die hoch bewerteten Investitionen und den Verkauf der Low-rated diejenigen. Quant Modelle eröffnen auch Variationen von Strategien wie lange, kurze und lange kurze Erfolgreiche Quant-Fonds halten eine scharfe Blick auf die Risikokontrolle aufgrund der Art ihrer Modelle Die meisten Strategien beginnen mit einem Universum oder Benchmark und nutzen Sektor und Branchengewichtung in ihren Modellen Dies ermöglicht es den Fonds, die Diversifikation in einem gewissen Ausmaß zu kontrollieren, ohne das Modell selbst zu beeinträchtigen Eine niedrigere Kostenbasis, weil sie don t brauchen, wie viele traditionelle Analytiker und Portfoliomanager, um sie zu führen. Disadvantages von Quant Strategies Es gibt Gründe, warum so viele Investoren nicht vollständig umarmen das Konzept der Vermietung einer Black Box laufen ihre Investitionen Für alle erfolgreichen quant Fonds da draußen, genauso viele scheinen erfolglos zu sein Leider für die Quants Reputation, wenn sie scheitern, sie scheitern große time. Long-Term Capital Management war einer der berühmtesten Quoten-Hedge-Fonds, wie es von einigen der meisten geführt wurde Angesehene akademische Führer und zwei Nobel-Memorial-preisgekrönte Ökonomen Myron S Scholes und Robert C Merton In den 1990er Jahren erzielte ihr Team überdurchschnittliche Renditen und zog Kapital von allen Arten von Investoren an. Sie waren berühmt dafür, dass sie nicht nur Ineffizienzen ausnutzten Um Kapital zu schaffen, um enorme gehebelte Wetten auf Marktanweisungen zu schaffen. Die disziplinierte Natur ihrer Strategie schuf tatsächlich die Schwäche, die zu ihrem Zusammenbruch führte Long-Term Capital Management wurde im Frühjahr 2000 liquidiert und aufgelöst. Seine Modelle beinhalteten nicht die Möglichkeit, dass die russische Regierung könnte Ausfall auf einige seiner eigenen Schulden Diese ein Ereignis ausgelöst Ereignisse und eine Kettenreaktion, die durch Leverage-verursachte Chaos LTCM vergrößert wurde, war so stark mit anderen Investitionsvorgängen verwickelt, dass sein Zusammenbruch die Weltmärkte beeinflusste und dramatische Ereignisse auslöste. Auf lange Sicht die Federal Reserve Trat ein, um zu helfen, und andere Banken und Investmentfonds unterstützten LTCM, um weitere Schäden zu verhindern Dies ist einer der Gründe, warum Quant-Fonds scheitern können, da sie auf historischen Ereignissen basieren, die keine zukünftigen Ereignisse beinhalten können. Während ein starkes Quant-Team sein wird Ständig neue Aspekte für die Modelle vorhersagen, um zukünftige Ereignisse vorherzusagen, ist es unmöglich, die Zukunft jedes Mal vorherzusagen, wenn Quant-Fonds auch überwältigt werden können, wenn die Wirtschaft und die Märkte eine überdurchschnittliche Volatilität erfahren. Die Kauf - und Verkaufssignale können so schnell kommen Der hohe Umsatz kann hohe Provisionen und steuerpflichtige Ereignisse verursachen. Quant-Fonds können auch eine Gefahr darstellen, wenn sie als Bären-Beweis vermarktet werden oder auf kurzen Strategien basieren. Vorhersage von Abschwüngen mit Derivaten und Kombination von Hebelwirkung kann gefährlich sein Eine falsche Wendung kann zu Implosionen führen, die Oft machen die news. The Bottom Line Quantitative Anlagestrategien haben sich von Back-Office-Black-Boxen zu Mainstream-Investment-Tools entwickelt Sie sind entworfen, um die besten Köpfe in der Wirtschaft und die schnellsten Computer nutzen, um sowohl Ineffizienzen zu nutzen und nutzen Hebel, um Marktwetten zu machen Sie können Sehr erfolgreich sein, wenn die Modelle alle richtigen Eingaben enthalten haben und sind flink genug, um abnorme Marktereignisse vorherzusagen. Auf der Kehrseite, während Quant-Fonds rigoros zurück getestet werden, bis sie arbeiten, ist ihre Schwäche, dass sie sich auf historische Daten für ihren Erfolg verlassen Quant-style investing hat seinen Platz auf dem Markt, es ist wichtig, sich seiner Unzulänglichkeiten und Risiken bewusst zu sein. Um mit den Diversifizierungsstrategien in Einklang zu stehen, ist es sinnvoll, quant Strategien als Investitionsstil zu behandeln und mit traditionellen Strategien zu kombinieren, um eine ordnungsgemäße Diversifizierung zu erreichen. Die Höchstbeträge der Gelder, die die Vereinigten Staaten ausleihen können, wurde unter dem Zweiten Liberty Bond Act geschaffen. Der Zinssatz, bei dem ein Depotinstitut die Geldreserve an der Federal Reserve an eine andere Depotbank leiht.1 Eine statistische Maßnahme der Dispersion Der Renditen für eine gegebene Sicherheit oder Marktindex Volatilität kann entweder gemessen werden. Eine Handlung der US-Kongress verabschiedet im Jahr 1933 als Banking Act, die Geschäftsbanken von der Teilnahme an der Investition verboten. Nonfarm Gehaltsliste bezieht sich auf jede Arbeit außerhalb von Bauernhöfen, private Haushalte Und die Non-Profit-Sektor Die US Bureau of Labor. The Währung Abkürzung oder Währung Symbol für die indische Rupie INR, die Währung von Indien Die Rupie besteht aus 1.StrategyQuant - Computer generierte Trading-Strategien Plattform. Use StrategyQuant, um neue automatisierte Handelssysteme zu bauen Für jeden Markt oder Zeitrahmen. Generate 2012 - 2017, Alle Rechte vorbehalten. High Risk Investment Warning Trading Devisen und oder Kontrakte für Margenunterschiede tragen ein hohes Risiko und möglicherweise nicht für alle Anleger geeignet Die Möglichkeit besteht, dass Sie können Halten Sie einen Verlust über Ihre hinterlegten Gelder und deshalb sollten Sie nicht mit Kapital spekulieren, dass Sie sich nicht leisten können, Informationen zu verlieren, ist nur allgemeine Ratschläge, die nicht berücksichtigen Ihre Ziele, finanzielle Situation oder Bedürfnisse Es darf nicht als persönlich ausgelegt werden Rat. Beginner s Guide to Quantitative Trading. In diesem Artikel werde ich Ihnen vorstellen, einige der grundlegenden Konzepte, die ein Ende-zu-Ende quantitativen Handelssystem begleiten Diese Post wird hoffentlich zwei Zielgruppen dienen Die ersten werden Einzelpersonen versuchen zu erhalten Ein Job bei einem Fonds als quantitativen Trader Die zweite werden Einzelpersonen, die versuchen wollen, ihre eigenen Einzelhandel algorithmischen Handelsgeschäft. Quantitative Handel ist ein äußerst anspruchsvolles Gebiet der Quant Finanzen Es kann eine beträchtliche Menge an Zeit, um die notwendigen zu nehmen Wissen, um ein Interview zu führen oder eigene Trading-Strategien zu konstruieren Nicht nur das, sondern es erfordert umfangreiche Programmierkenntnisse, zumindest in einer Sprache wie MATLAB, R oder Python Doch da die Handelshäufigkeit der Strategie zunimmt, werden die technologischen Aspekte viel Mehr relevante So vertraut mit CC wird von überragender Bedeutung sein. Ein quantitatives Handelssystem besteht aus vier Hauptkomponenten. Strategie Identifizierung - Finden einer Strategie, Ausnutzung einer Kante und Entscheidung über Handelsfrequenz. Strategie Backtesting - Datenerfassung, Analyse der Strategie Leistung und Entfernung Biases. Execution System - Verknüpfung mit einem Brokerage, Automatisierung des Handels und Minimierung der Transaktionskosten. Risk Management - Optimale Kapitalallokation, Wette Größe Kelly Kriterium und Handelspsychologie. Wir beginnen mit einem Blick auf, wie man eine Handelsstrategie zu identifizieren. Strategie Identifizierung. Alle quantitativen Handelsprozesse beginnen mit einer Anfangsphase der Forschung Dieser Forschungsprozess umfasst die Suche nach einer Strategie, ob die Strategie in ein Portfolio von anderen Strategien, die Sie laufen können, passt, um alle Daten zu erhalten, die notwendig sind, um die Strategie zu testen und die Strategie zu optimieren Für höhere Renditen und oder niedrigere Risiken Sie müssen in Ihre Eigenkapitalanforderungen Faktor, wenn die Ausführung der Strategie als Einzelhändler und wie jede Transaktionskosten werden die Strategie beeinflussen. Unter dem populären Glauben ist es eigentlich ganz einfach, um rentable Strategien durch verschiedene zu finden Öffentliche Quellen Akademiker veröffentlichen regelmäßig theoretische Handelsergebnisse, wenngleich meistens grob von Transaktionskosten Quantitative Finanz-Blogs diskutieren Strategien im Detail Fachzeitschriften werden einige der Strategien, die von Fonds angewendet werden, skizzieren. Sie könnten fragen, warum Einzelpersonen und Firmen scharf sind, ihre rentablen Strategien zu besprechen, vor allem Wenn sie wissen, dass andere, die den Handel verdrängen, die Strategie davon abhalten können, auf lange Sicht zu arbeiten Der Grund liegt darin, dass sie nicht oft die genauen Parameter und Abstimmungsmethoden, die sie durchgeführt haben, besprechen. Diese Optimierungen sind der Schlüssel zum Verwandeln Mittelmäßige Strategie in eine hochprofitable In der Tat ist eine der besten Möglichkeiten, um Ihre eigenen einzigartigen Strategien zu erstellen, um ähnliche Methoden zu finden und dann führen Sie Ihre eigene Optimierung Verfahren. Hier ist eine kleine Liste von Orten zu suchen auf der Suche nach Strategie Ideen. Many Der Strategien, die Sie betrachten werden, fallen in die Kategorien der Mittelwert-Reversion und Trend-Follow-Impuls Eine Mittel-Rückkehr-Strategie ist eine, die versucht, die Tatsache, dass ein langfristiges Mittel auf eine Preisreihe wie die Ausbreitung zwischen zwei zu nutzen Korrelierte Vermögenswerte existieren und kurzfristige Abweichungen von diesem Mittelwert werden schließlich zurückkehren. Eine Impulsstrategie versucht, sowohl die Investorenpsychologie als auch die große Fondsstruktur zu nutzen, indem sie eine Markttrendung durchführen, die in einer Richtung Impulse sammeln und dem Trend folgen kann Kehrt um. Ein weiterer sehr wichtiger Aspekt des quantitativen Handels ist die Häufigkeit der Handelsstrategie Niederfrequenzhandel LFT bezieht sich generell auf jede Strategie, die Vermögenswerte länger als einen Handelstag hält. Entsprechend bezieht sich der Hochfrequenzhandel HFT im Allgemeinen auf eine Strategie, die Vermögenswerte intraday hält Ultra - Hochfrequenzhandel UHFT bezieht sich auf Strategien, die Vermögenswerte in der Größenordnung von Sekunden und Millisekunden halten. Da ein Einzelhandels-Praktiker HFT und UHFT sicherlich möglich sind, aber nur mit detaillierten Kenntnissen über den Handelstechnologie-Stack und die Auftragsbuchdynamik haben wir diese Aspekte auf jeden Fall diskutiert Große Ausdehnung in diesem einleitenden Artikel. Once eine Strategie, oder eine Reihe von Strategien, wurde identifiziert, es muss nun auf Profitabilität auf historische Daten getestet werden Das ist die Domäne der Backtesting. Strategy Backtesting. The Ziel der Backtesting ist, um Beweise dafür, dass die Strategie, die über den obigen Prozess identifiziert wird, ist rentabel, wenn sie sowohl auf historische als auch auf out-of-sample-Daten angewendet wird. Dies setzt die Erwartung, wie die Strategie in der realen Welt umgehen wird. Allerdings ist das Backtesting keine Garantie für den Erfolg, aus verschiedenen Gründen Der subtilste Bereich des quantitativen Handels, da er zahlreiche Vorurteile mit sich bringt, die sorgfältig geprüft und so weit wie möglich eliminiert werden müssen. Wir diskutieren die üblichen Arten von Bias einschließlich der Vorausschau-Bias-Überlebensvorsorge und Optimierungsvorgabe, die auch als Daten-Snooping-Bias bekannt ist Wichtige Bereiche im Rahmen von Backtesting sind die Verfügbarkeit und Sauberkeit der historischen Daten, das Factoring in realistischen Transaktionskosten und die Entscheidung über eine robuste Backtesting-Plattform. Wir werden die Transaktionskosten im Abschnitt Execution Systems weiter unten besprechen. Wenn eine Strategie identifiziert wurde, ist es notwendig zu erhalten Die historischen Daten, durch die die Prüfung durchgeführt werden soll, und vielleicht die Verfeinerung Es gibt eine beträchtliche Anzahl von Datenverkäufern über alle Assetklassen. Ihre Kosten sind in der Regel mit der Qualität, Tiefe und Aktualität der Daten skaliert. Der traditionelle Ausgangspunkt für den Beginn der Quant Trader zumindest Auf der Retail-Ebene ist es, die kostenlose Datensatz von Yahoo Finance Ich gewann t wohnen auf Anbieter zu viel hier, sondern ich möchte mich auf die allgemeinen Fragen im Umgang mit historischen Datensätzen konzentrieren. Die wichtigsten Anliegen mit historischen Daten gehören Genauigkeit Sauberkeit , Überlebensvorsorge und Anpassung für Unternehmensaktionen wie Dividenden und Aktiensplits. Die Genauigkeit bezieht sich auf die Gesamtqualität der Daten - ob es Fehler gibt. Irrtümer können manchmal leicht zu identifizieren sein, z. B. mit einem Spike-Filter, der falsche Spikes auswählt In Zeitreihen-Daten und korrekt für sie Zu anderen Zeiten können sie sehr schwer zu erkennen Es ist oft notwendig, zwei oder mehr Anbieter zu haben und dann alle ihre Daten gegeneinander zu überprüfen. Survivorship Bias ist oft ein Merkmal der freien oder billigen Datasets Ein Datensatz mit Überlebensvoraussetzung bedeutet, dass es keine Vermögenswerte enthält, die nicht mehr handeln. Im Falle von Aktien bedeutet dies, dass die Bankrottbestände nicht bestanden werden. Diese Vorgabe bedeutet, dass jede Aktienhandelsstrategie, die auf einem solchen Datensatz getestet wird, wahrscheinlich besser als in der realen Welt abschneiden wird Die historischen Gewinner sind bereits vorgewählt worden. Korporative Maßnahmen beinhalten logistische Aktivitäten des Unternehmens, die in der Regel eine stufenförmige Veränderung des Rohpreises verursachen, die nicht in die Berechnung der Renditen des Preises aufgenommen werden sollte. Anpassungen für Dividenden und Aktiensplits Sind die üblichen Schuldigen Ein Prozess, der als Rückenverstellung bekannt ist, ist notwendig, um bei jeder dieser Aktionen durchgeführt zu werden. Man muss sehr vorsichtig sein, einen Aktiensplit nicht mit einer wahren Renditeanpassung zu verwechseln. Viele Händler wurden von einer Unternehmensaktion erwischt. Um eine Backtest-Prozedur durchzuführen, ist es notwendig, eine Software-Plattform zu verwenden. Sie haben die Wahl zwischen dedizierter Backtest-Software wie Tradestation, einer numerischen Plattform wie Excel oder MATLAB oder einer kompletten benutzerdefinierten Implementierung in einer Programmiersprache wie Python oder CI gewann t zu viel auf Tradestation oder ähnlich, Excel oder MATLAB, wie ich glaube an die Schaffung eines kompletten Inhouse-Technologie-Stack aus Gründen, die unten skizziert Einer der Vorteile, dies zu tun ist, dass die Backtest-Software und Ausführung System kann eng integriert werden , Auch mit extrem fortgeschrittenen statistischen Strategien Für HFT-Strategien im Besonderen ist es wichtig, eine benutzerdefinierte Umsetzung zu verwenden. Wenn Backtesting ein System muss man in der Lage sein zu quantifizieren, wie gut es durchführt Die Industrie-Standard-Metriken für quantitative Strategien sind die maximale Drawdown und die Sharpe Ratio Der maximale Drawdown charakterisiert den größten Peak-to-Trog-Drop in der Konto-Equity-Kurve über einen bestimmten Zeitraum in der Regel jährlich Dies ist am häufigsten zitiert als prozentuale LFT-Strategien neigen dazu, größere Drawdowns als HFT-Strategien, aufgrund einer Reihe von Statistische Faktoren Ein historischer Backtest zeigt den bisherigen maximalen Drawdown, was ein guter Leitfaden für die zukünftige Drawdown-Performance der Strategie ist. Die zweite Messung ist die Sharpe Ratio, die heuristisch definiert ist als der Durchschnitt der Überschussrenditen dividiert durch die Standardabweichung von Jene Überschussrenditen Hier beziehen sich die Überschussrenditen auf die Rückgabe der Strategie über einer vorgegebenen Benchmark, wie zB der S-Schlupf, was der Unterschied zwischen dem, was Sie beabsichtigt haben, Ihre Bestellung zu bezahlen, im Vergleich zu dem, was es tatsächlich gefüllt war, Ist der Unterschied zwischen dem Bid-Ask-Preis der gehandelten Sicherheit. Beachten Sie, dass der Spread NICHT konstant ist und von der aktuellen Liquidität abhängig ist, dh die Verfügbarkeit von Kaufverkaufsaufträgen im Markt. Transaktionskosten können den Unterschied zwischen einer äußerst rentablen Strategie mit einem Gute Sharpe-Ratio und eine äußerst unrentable Strategie mit einem schrecklichen Sharpe-Verhältnis Es kann eine Herausforderung sein, die Transaktionskosten von einem Backtest korrekt vorherzusagen. Je nach Häufigkeit der Strategie benötigen Sie Zugang zu historischen Daten, die Tick-Daten für Gebote enthalten Fragen Sie die Preise Vollständige Teams von Quants sind auf die Optimierung der Ausführung in den größeren Fonds gewidmet, aus diesen Gründen Betrachten Sie das Szenario, wo ein Fonds muss eine erhebliche Menge von Trades, von denen die Gründe dafür zu tun sind viele und vielfältig durch Dumping so viele Aktien Auf den Markt, werden sie schnell den Preis abschrecken und können keine optimale Ausführung erhalten. Daher gibt es Algorithmen, die Futteraufträge auf den Markt fallen lassen, obwohl dann der Fonds das Risiko des Schlupfes ausführt. Darüber hinaus sind andere Strategien auf diese Bedürfnisse verliebt und können die ausnutzen Ineffizienzen Dies ist die Domäne der Fondsstruktur Arbitrage. Das letzte Hauptproblem für Ausführungssysteme betrifft die Divergenz der Strategie-Performance aus der Rückversicherung Leistung Dies kann aus einer Reihe von Gründen Wir haben bereits diskutiert Look-Ahead Bias und Optimierung Bias in der Tiefe, bei der Prüfung Backtests Allerdings machen einige Strategien es nicht leicht, diese Vorurteile vor der Bereitstellung zu testen. Dies geschieht in HFT am meisten überwiegend Es gibt möglicherweise Fehler im Ausführungssystem sowie die Handelsstrategie selbst, die nicht auf einem Backtest auftauchen, aber DO auftauchen Im Live-Handel Der Markt kann unter Umständen einer Regimewechsel nach dem Einsatz Ihrer Strategie unterworfen werden Neue regulatorische Umgebungen, die Veränderung der Anlegerstimmung und makroökonomische Phänomene können alle zu Divergenzen führen, wie sich der Markt verhält und damit die Profitabilität Ihrer Strategie. Das letzte Stück an die quantitative Trading Puzzle ist der Prozess des Risikomanagements Risiko beinhaltet alle bisherigen Vorurteile, die wir diskutiert haben Es umfasst Technologie-Risiko, wie Server an der Börse plötzlich entwickeln eine Festplatte Fehlfunktion Es umfasst Brokerage Risiko, Wie der Makler in Konkurs wird nicht so verrückt wie es klingt, angesichts der jüngsten Angst mit MF Global In kurz es deckt fast alles, was möglicherweise mit der Handels-Umsetzung stören könnte, von denen es viele Quellen Ganze Bücher sind für das Risikomanagement für quantitative gewidmet Strategien, so werde ich nicht versuchen, auf alle möglichen Gefahrenquellen hier aufzuklären. Das Risikomanagement umfasst auch die so genannte optimale Kapitalallokation, die ein Zweig der Portfolio-Theorie ist. Dies ist die Mittel, mit denen das Kapital einer Reihe von verschiedenen Strategien zugeordnet wird Zu den Trades innerhalb dieser Strategien Es ist ein komplexer Bereich und stützt sich auf einige nicht-triviale Mathematik Der Industriestandard, durch den die optimale Kapitalallokation und die Hebelwirkung der Strategien verwandt werden, heißt das Kelly-Kriterium Da es sich hier um einen einleitenden Artikel handelt, habe ich gewonnen Bei der Berechnung Das Kelly-Kriterium macht einige Annahmen über die statistische Natur der Renditen, die in den Finanzmärkten nicht oft zutreffen, so dass die Händler oftmals konservativ sind, wenn es um die Umsetzung geht. Eine weitere Schlüsselkomponente des Risikomanagements liegt im Umgang mit einem Eigenes psychologisches Profil Es gibt viele kognitive Vorurteile, die in den Handel kriechen können Obwohl dies zwar weniger problematisch ist mit algorithmischen Handel, wenn die Strategie allein gelassen wird Eine gemeinsame Vorspannung ist die der Verlustaversion, wo eine verlorene Position nicht durch den Schmerz geschlossen werden wird Um einen Verlust zu realisieren Ähnlich können Gewinne zu früh genommen werden, weil die Angst, einen bereits gewonnenen Gewinn zu verlieren, zu groß sein kann. Eine weitere gemeinsame Vorliebe ist bekannt als Recency Bias Dies manifestiert sich, wenn die Händler zu viel Wert auf die jüngsten Ereignisse und nicht auf Die längerfristig Dann gibt es natürlich auch das klassische Paar emotionaler Vorurteile - Angst und Gier Diese können oft zu Unter - oder Überhebelung führen, was zu Blow-up führen kann, dh das Konto-Equity-Kurs auf Null oder schlechter oder reduzierte Gewinne Gesehen werden kann, ist der quantitative Handel ein äußerst komplexer, wenn auch sehr interessanter Bereich der quantitativen Finanzierung. Ich habe buchstäblich die Oberfläche des Themas in diesem Artikel gekratzt und es wird schon ziemlich lang Ganze Bücher und Papiere wurden über Fragen geschrieben, die ich habe Nur einen Satz oder zwei aus. Aus diesem Grund, vor der Beantragung von quantitativen Fondshandelsaufgaben, ist es notwendig, eine erhebliche Menge an Grundlagenstudium durchzuführen. Zumindest benötigen Sie einen umfangreichen Hintergrund in der Statistik und Ökonometrie, mit einer Menge von Erfahrung in der Implementierung, über eine Programmiersprache wie MATLAB, Python oder R Für anspruchsvollere Strategien am höheren Frequenzende wird Ihr Skill-Set wahrscheinlich Linux-Kernel-Modifikation, CC, Assembly-Programmierung und Netzwerk-Latenz-Optimierung gehören. Wenn Sie interessiert sind Versuchen, Ihre eigenen algorithmischen Trading-Strategien zu erstellen, wäre mein erster Vorschlag wäre, gut zu programmieren Meine Vorliebe ist es, so viel von der Daten-Grabber, Strategie-Backtester und Ausführungs-System von sich selbst wie möglich zu bauen Wenn Ihr eigenes Kapital ist auf der Linie, wouldn Sie schlafen besser in der Nacht zu wissen, dass Sie Ihr System vollständig getestet haben und sich bewusst sind, seine Fallstricke und besondere Fragen Outsourcing dieses zu einem Verkäufer, während potenziell Zeit sparen in der kurzfristigen, könnte extrem teuer in der langfristigen. Just Getting Begann mit quantitativem Trading.