Home Screener Charts Wie wir es machen Über Blog Links Nutzungsbedingungen Quantpedia bietet das Material auf dieser Website für informationalucation Zwecke. Nichts auf dieser Website sollte interpretiert werden, um anzugeben oder implizieren, dass die vergangenen Ergebnisse ein Hinweis auf die zukünftige Performance sind. Kein Hinweis auf eine bestimmte Sicherheit auf dieser Website stellt eine Empfehlung für Leser zu kaufen, zu verkaufen oder halten diese Sicherheit. Keine Diskussion oder Bewertung einer bestimmten Investitionsstrategie auf dieser Website stellt eine Empfehlung für die Leser, die Strategie zu beschäftigen. Die Leser sind für ihre eigenen Investitionen Forschung und Entscheidungen verantwortlich. Wir können auch in unserem alleinigen Ermessen, und jederzeit die Bereitstellung, vorübergehend oder dauerhaft, eine oder alle der Website, ohne vorherige Ankündigung einzustellen. Diese Website ist in keiner Weise eine Aufforderung oder ein Angebot zum Verkauf von Wertpapieren oder Anlageberatung. Diese Website ist nicht dazu bestimmt, spezifische individuelle Beratung, einschließlich, ohne Einschränkung, Investitionen, finanzielle, rechtliche, buchhalterische oder steuerliche. Die Informationen auf dieser Website dienen ausschließlich Informationszwecken und können ohne vorherige Ankündigung geändert werden. Quantpedia übernimmt keine Haftung für irgendwelche Ungenauigkeiten in den bereitgestellten Informationen oder für irgendwelche Verluste oder Schäden jeglicher Art, die sich aus der Nutzung aller oder eines Teils dieser Website ergeben. Quantpedia übernimmt keine Haftung für die Nutzung dieser Website. Die Nutzung dieser Website erfolgt auf eigene Gefahr. Diese Website wird ohne vorherige Ankündigung, ohne ausdrückliche oder stillschweigende Zusicherungen, Garantien oder Eigentumsvorbehalt, ohne Verletzung von Ansprüchen, Marktgängigkeit, Eignung für einen bestimmten Zweck, Leistung, Verfügbarkeit, Aktualität, Genauigkeit oder Vollständigkeit, die durch Quantpedia in vollem Umfang vom Gesetz ausgeschlossen werden. Quantpedia haftet weder für Sie noch für irgendeine andere Person für irgendwelche Verluste oder Schäden (direkt oder indirekt, besondere, zufällige, wirtschaftliche oder Folgeschäden, vorbildliche oder strafbare), die im Zusammenhang mit der Nutzung von Oder die Unfähigkeit, diese Website oder die Informationen, oder jede Aktion oder Entscheidung von Ihnen oder einer anderen Person in Abhängigkeit von dieser Website oder die Informationen, oder jede nicht autorisierte Nutzung oder Reproduktion dieser Website oder die Informationen. Quantpedia übernimmt keinerlei Gewähr für die Aktualität, Richtigkeit und Vollständigkeit der Informationen auf dieser Website. Darüber hinaus lehnt Quantpedia die Verantwortung für Inhalte Dritter, einschließlich Informationen durch Hyperlinks zugegriffen. Die Website und ihr Inhalt dürfen ohne ausdrückliche vorherige schriftliche Zustimmung weder kopiert, nachgeahmt, vervielfältigt, neu veröffentlicht, hochgeladen, veröffentlicht, übertragen, verändert, gespiegelt oder in irgendeiner Weise ganz oder teilweise verteilt werden. Durch die Nutzung der Quantpedia und der Dienste, die auf oder über die Quantpedia oder durch Registrierung auf Quantpedia zur Verfügung gestellt werden, stimmen Sie zu, dass Sie elektronische Mitteilungen von Quantpedia erhalten. Diese elektronischen Mitteilungen können Mitteilungen über anwendbare Gebühren und Gebühren sowie andere Informationen betreffend oder in Verbindung mit den Quantpedia andor Dienstleistungen enthalten, die auf oder durch die Quantpedia. Institutional-class Datenmanagement-Backtesting-Strategie-Bereitstellungslösung bereitgestellt werden: - Aktien, Optionen, Futures, Währungen, Körbe und Kundenspezifische synthetische Instrumente werden unterstützt - Mehrere Low-Latency-Daten-Feeds werden unterstützt (Verarbeitungsgeschwindigkeiten in Millionen von Nachrichten pro Sekunde auf Terabyte Daten) - C - und. NET-basierte Strategie Backtesting und Optimierung - Multiple Broker Ausführung unterstützt, Handelssignale in FIX-Aufträge umgesetzt QuantFACTORY - Lösung: - QuantDEVELOPER - Framework und IDE für die Entwicklung von Strategien, Debugging, Backtesting und Optimierung, verfügbar als Visual Studio Plug-in - QuantDATACENTER - ermöglicht die Verwaltung eines historischen Data-Warehouse und die Echtzeit-Erfassung Oder Ultra-Low-Latency-Marktdaten von Anbietern und Börsen - QuantENGINE - ermöglicht die Implementierung und Ausführung vorkompilierter Strategien - Multi-Asset-, Multi-Period-Low-Latency-Daten, mehrere Broker unterstützt Institutionelle Datenmanagement Backtesting-Strategie Implementierungslösung: - OpenQuant - C und Visual Basic. NET-Portfolio-Level-System Backtesting und Handel, Multi-Asset, Intraday-Test, Optimierung, WFA etc. Multiple Broker und Daten-Feeds unterstützt - QuantTrader - Produktionsumfeld - QuantBase - zentrales Datenmanagement - QuantRouter - Klassendaten-Management Backtesting-Strategie-Implementierungslösung: - Multi-Asset-Lösung, mehrere Daten-Feeds unterstützt, unterstützt jede Art von RDBMS eine JDBC-Schnittstelle, z Oracle, Microsoft SQL Server, Sybase, MySQL, etc. - Kunden können IDE verwenden, um ihre Strategie entweder in Java, Ruby oder Python zu skriptieren oder sie können ihre eigene Strategie verwenden IDE - Multiple Broker Ausführung unterstützt, Handel Signale in FIX - (Forex, Optionen, Futures, Aktien, ETFs, Rohstoffe, synthetische Instrumente und benutzerdefinierte Derivat-Spreads etc.), mehrere Daten-Feeds unterstützt - Framework für Trading-Strategien Entwicklung, Debugging, Backtesting (IB, JPMorgan, FXCM etc.) Dedizierte Software-Plattform, integriert mit Tradestations-Daten für Backtesting und Auto-Trading: - tägliche Intraday-Daten (US-Aktien für 43 Jahre, Futures für 61 Support für die EasyLanguage Programmiersprache - Unterstützung von US-Aktien ETFs, Futures, US-Indizes, deutsche Aktien, Deutsche Indizes, Forex-frei für Tradestation Brokerage-Kunden - 249,95 monatlich für Nicht-Profis (Nur Tradestation-Software-Plattform, ohne Brokerage) - 299,95 monatlich für Profis (nur Tradestation-Software-Plattform, ohne Brokerage) Dedizierte Softwareplattform für Backtesting und Auto-Trading: - Unterstützung von Dayintraday-Strategien, Portfolioanalyse und - optimierung, (ASP), IQFeed, MyTrack, FastTrack, QP2, TC2000, beliebige DDE-konforme Feeds, MS-basierte Analysen, Txtfiles und mehr (Yahoo Finanzen. ) - einmalige Gebühr 279 für die Standardausgabe oder 339 für die Professional Edition Dedizierte Softwareplattform für Backtesting und Auto-Trading: - Portfolio-Backtesting und Trading, Multi-Asset, Intraday-Testing, Optimierung, Visualisierung etc. - Auto-Trading in Perl Skriptsprache mit allen zugrundeliegenden Funktionen, die in nativem C geschrieben wurden, vorbereitet für Server-Co-Location - native FXCM - und Interactive Brokers-Unterstützung - kostenlose FXCM-Unterstützung, 100 pro Monat für IB-Plattform, kontaktieren Sie Salesseertrading für weitere Optionen Dedizierte Softwareplattform für Backtesting und Auto-Trading: - Unterstützung von Dayintraday-Strategien, Tests und Optimierung auf Portfolioebene - optimal für Backtesting von preisbasierten Signalen (technische Analyse), C-Scripting - unterstützte Softwareerweiterungen - Datenbeschickung, Strategieabwicklung usw. - 799 pro Lizenz, 150 Jahre Dedizierte Softwareplattform für Backtesting und Auto-Trading: - optimal für Backtesting von preisbasierten Signalen (techn Turtle Edition - Backtesting-Engine, Graphen, Berichte, EoD-Tests - Professional Edition - plus System-Editor, Walk-Forward-Analyse, Intraday-Strategien, Multithread-Tests etc. - Pro Plus Edition Turtle Edition 9999 - Professional Edition 1,990 - Pro Plus Edition 2,990 - Builder Edition 3,990 Dedizierte Softwareplattform für Backtesting und Auto-Trading: - Unterstützung von Dayintraday-Strategien , Portfolio-Test und - Optimierung, Charting, Visualisierung, kundenspezifische Berichte etc. - am besten für Backtesting von preisbasierten Signalen (technische Analyse) - direkter Link zu Interactive Brokern, MB Trading, TD Ameritrade, FXCM ua - Daten aus Textdateien, Google Finance, Yahoo Finanzen, IQFeed und andere - Grundfunktionen (EoD-Funktionalität) - kostenlos - erweiterte Funktionalität - Leasing aus 50 Monaten oder 995 Lizenzen Lizenz Dedizierte Softwareplattform für Backtesting und Auto-Trading: ), Unterstützung von dailyintraday-Strategien, Portfolio-Test und Optimierung, Charting, Visualisierung, benutzerdefinierte Berichterstattung - unterstützt C und Visual Basic. NET - direkten Link zu Interactive Brokers, IQFeed, txtfiles und vieles mehr (Yahoo Finance. ) - Dauerlizenz - 499 - Leasing 50 pro Monat Dedizierte Softwareplattform für Backtesting und Auto-Trading: - Unterstützung von Dayintraday-Strategien, Portfolio-Test und - Optimierung, Charting, Visualisierung, Custom Reporting - technische und auch fundamentale Signale, Multi-Asset - 245 für die erweiterte Version (freie Datenanbieter) - 595 für Premium-Version (Unterstützung mehrerer Datenprovider und Broker) Dedizierte Softwareplattform für Backtesting und Auto-Trading: - Unterstützung von Dayintraday-Strategien, Tests und Optimierung auf Portfolioebene - Technische Analysen) - Einbaudaten für Aktien, Futures und Forex (täglich US-Aktien ab 1990, tägliche Futures 31 Jahre, Forex ab 1983 etc.) - Preiskalkulation von 45 Monaten auf 295 Monate (Preise abhängig von der Datenverfügbarkeit) Dedizierte Softwareplattform Für Backtesting und Auto-Trading: - verwendet MQL4-Sprache, die hauptsächlich für den Handel mit Forex-Markt eingesetzt wird - unterstützt mehrere Forex-Broker und Daten-Feeds - unterstützt die Verwaltung mehrerer Accounts Dedizierte Softwareplattform für Backtesting und Auto-Trading: - Unterstützung von Dayintraday-Strategien Unterstützung für die Programmiersprache EasyLanguage - Unterstützung mehrerer Datenfeeds (Bloomberg, Thomson Reuters, CSI, CQG, eSignal etc.), direkte Unterstützung für mehrere Broker (Interactive Brokers etc.) - Multicharts 797 pro Jahr - Multicharts-Lebensdauer 1.497 - Multicharts Pro 9.900 (Bloomberg Thomson Reuters Datenfeed etc.) Webbasiertes Backtesting-Tool zum Testen von Stockpicking-Strategien: - US-Aktien ETFs (täglich) - punktuelle Grunddaten seit 1999 - - 139 Monate - Manager - 199 Monate - Komplette Funktionalität Portfolio Analytics mit hochfrequenten Marktdaten: - Dieses Produkt ist für den Einsatz von niedrigen, mittleren und hochfrequenten Händlern geeignet. Alle Berechnungen erfolgen unter Verwendung von Hochfrequenz-Marktdaten, die niedrigen und hochfrequenten Händlern zugute kommen. - Intraday Backtesting, Portfolio-Risikomanagement, Prognose und Optimierung zu jedem Preis Sekunde, Minuten, Stunden, Ende des Tages. Modelleingänge vollständig steuerbar. - 8k Markt Tick Datenquellen seit 2012 (Aktien, Indizes ETFs gehandelt NASDAQ). Kunden können auch eigene Marktdaten (z. B. chinesische Aktien) hochladen. - 40 Portfolio-Metriken (VaR, ETL, Alpha, Beta, Sharpe-Verhältnis, Omega-Ratio usw.) - unterstützt R, Matlab, Java Python - 10 Portfolio-Optimierungen Webbasiertes Backtesting-Tool: - US-Aktienkurse (dailyintraday) Daten von QuantQuote - Forex Daten von FXCM - Unterstützung von Trader Interactive Brokers für Live Trading Webbasiertes Backtesting-Tool: - US-Aktien und ETFs-Preise (dailyintraday) seit 2002 - Fundamentaldaten von Morningstar (über 600 Metriken) - Unterstützung von Interactive Brokern für Live-Trading Webbasierte Backtesting-Tools: - einfach zu bedienen, Asset-Allocation-Strategien, Daten seit 1992 - Zeitreihen-Momentum und gleitende Durchschnittsstrategien auf ETFs - Einfache Impuls - und Simple Value-Stock-Picking-Strategien Webbasiertes Backtesting-Tool: - bis zu 25 Jahre Daten für 49 Quantisierungsprogramme, die in den Python - und Matlab-Werbenetzwerken implementiert werden, beherbergt algorithmische Handelswettbewerbe mit Investitionen von 500.000 bis 1 Mio. WebCloud basierendes Backtesting-Tool: - FX (ForexCurrency) - Daten auf großen Paaren, die bis 2007 zurückkehren - SecondMinuteHourlyDaily Bars - Mit jeglichem Broker, der Metatrader 4 als Backend-basiertes Backtestingscreening-Tool einsetzt: - über 10 000 US-Aktien, Daten bis zu 20 Jahre Geschichte - fundamentale technische Kriterien - freie - eingeschränkte Funktionalität (1 Jahr Daten, keine gespeicherten Backtests etc.) - 50 pro Monat - vollständige Funktionalität Webbasiertes Backtesting-Tool zum Testen von Aktienfaktor-Kommissionierung und Asset Allocation-Strategien: - Mehrere Aktienfaktoren mit bewährtem Alpha über Marktkapitalisierungen, Multi-Investment-Universen, Risikomanagement-Filter - Asset Allocation Strategien Backtests, Mischen Asset Allocation MATLAB - High-Level-Sprache und interaktive Umgebung für statistische Berechnungen und Grafiken: - Parallel - und GPU-Computing, Backtesting und Optimierung, umfangreiche Integrationsmöglichkeiten etc. - Preis auf Anfrage hier Kostenlose Softwareumgebung für statistische Berechnungen und Grafiken, viele Quants bevorzugen es für seine außergewöhnliche offene Architektur und Flexibilität: - effektive Datenverarbeitung und Speicherung, grafisch Freie Open-Source-Programmiersprache, offene Architektur, flexibel, leicht erweiterbar über Pakete: - Optimierung der Datenanalyse, einfache Erweiterung über Pakete - empfohlene Erweiterungen - Quantstrat, Rmetrics, Quantmod, Quantlib, PerformanceAnalytics, TTR, BacktestingXL Pro ist ein Add-In für den Aufbau und die Prüfung Ihrer Handelsstrategien in Microsoft Excel 2010 und 2013: - Benutzer können VBA verwenden Um Strategien für BacktestingXL Pro zu entwickeln, ist VBA-Wissen optional, Benutzer können Handelsregeln auf einer Kalkulationstabelle mit standardmäßig vorgefertigten Backtesting-Codes erstellen - unterstützt Pyramidierung, Shortlong-Positionslimitierung, Provisionsberechnung, Equity-Tracking, Out-of-Money-Controlling, buysell Preis Customizing - Mehrere Performancerisk-Berichte - 74,95 für BacktestingXL Pro Webbasiertes Backtesting-Tool: - einfach zu bedienendes, einstufiges webbasiertes Backtesting-Tool zum Testen der relativen Stärke und der gleitenden Durchschnittsstrategien auf ETFs - verschiedene Arten von Strategien für freie, vollständige Backtesting-Funktionalität 34 , 99 monatlich FactorWave ist einfach zu bedienendes webbasiertes Backtesting-Tool für Faktorinvestitionen: - ermöglicht dem Anwender, mehrere ETFoptionsfuturesequity-Faktoren mit bewährtem Alpha über Markt-Cap-Benchmarks zu mischen - kostenlos - ETFStock Screener mit 5 Factors - 149mo - freie Optionsoptionen Screener, Futures Strategien, Vix-Strategien Web-Based Tool - Kostenlose Stock Ratings, saisonale Analyse, Charts Grundlagen - Freie Freemium-Modell Kostenlose webbasierte Backtesting-Tool, um Stock Picking-Strategien zu testen: - US-Aktien, Daten von ValueLine von 1986-2014 - Preis-und Fundamentaldaten, 1700 Aktien, monatlicher Granularitäts-TestQuantitative Trading Über die Post-Earnings Announcement Drift (PEAD) - Strategie wurde viel geschrieben (siehe zB mein Buch), aber weniger wurde über Voransage-Ankündigungsstrategien geschrieben. Das hat sich zuletzt mit der Veröffentlichung von zwei Beiträgen geändert. Genau wie bei PEAD nutzen diese Vorankündigungsstrategien keine tatsächlichen Ergebniszahlen oder sogar Schätzungen. Sie basieren vollständig auf Ankündigungstermine (erwartete oder tatsächliche) und vielleicht neue Preisbewegung. Der erste, von So und Wang 2014, schlägt vor, verschiedene einfache Mittel Reversion-Strategien für US-Aktien, die in Positionen auf dem Markt zu schließen schließen kurz vor einer erwarteten Ankündigung. Hier ist meine Paraphrase einer solchen Strategien: 1) Angenommen, t ist das erwartete Ergebnis Ankündigung Datum für eine Aktie in der Russell 3000 Index. 2) Berechnen Sie die Vorankündigungsrückkehr vom Tag t-4 zu t-2 (nur Zählungstage). 3) Subtrahieren Sie eine Marktindex-Rendite über die gleiche Rückblickperiode von der Vorankündigung zurück, und rufen Sie diese marktorientierte return PAR. 4) Wählen Sie die 18 Aktien mit dem besten PAR und kurz sie (mit gleichen Dollars) auf dem Markt in der Nähe von t-1, liquidieren am Markt schließen von t1. Wählen Sie die 18 Aktien mit dem schlechtesten PAR, und machen Sie das Gegenteil. Hedge jede Netto-Exposure mit einem Markt-Index ETF oder Zukunft. Ich habe diese Strategie mithilfe von Wall Street Horizon (WSH) s erwartete Einkommen Daten Daten getestet, die Anwendung auf Aktien in der Russell 3000 Index und Hedging mit IWV. Ich erhielt einen CAGR von 9.1 und ein Sharpe Verhältnis von 1 von 20110803-20160930. Die Eigenkapitalkurve wird unten angezeigt. Beachten Sie, dass WSH-Daten anstelle von Yahoo Finance, Compustat oder sogar Thomson Reuters IBES-Ertragsdaten verwendet wurden, da nur WSH-Daten punktuell sind. WSH hat am Tag vor der Ankündigung das erwartete Einnahmenankündigungsdatum erfasst, genauso wie bei einem Live-Handel. Wir haben das tatsächliche Ankündigungsdatum nicht wie in den meisten anderen Datenquellen erfasst verwendet, da wir nicht sicher sein konnten, ob ein Unternehmen das erwartete Ankündigungsdatum an demselben Datum geändert hat. Die tatsächliche Ankündigung Datum kann nur mit Sicherheit nach der Tat bekannt sein, und daher ist nicht Punkt-in-Zeit. Wenn wir den gleichen Backtest mit den historischen Ertragsdaten von Yahoo Finances laufen würden, wäre der CAGR auf 6,8 gesunken und das Sharpe-Ratio sank auf 0,8. Die Vorstellung, dass Unternehmen ihre erwarteten Ankündigungstermine ändern, führt uns zur zweiten Strategie, die von Ekaterina Kramarenko von Deltixs Quantitative Research Team erstellt wurde. In ihrer Arbeit "Automated Trading Strategy", die die Ertragsbewegungen von Wall Street Horizon verwendet, beschreibt sie die folgende Strategie, die ausdrücklich solche Veränderungen als Trading-Signal nutzt: 1) Am Markt vor der Ertragsansage, Die nächsten Tage offen, berechnet deltaD, die die letzte Änderung des erwarteten Ankündigungsdatums für die kommende Ankündigung ist, gemessen in Kalendertagen. DeltaD gt 0, wenn das Unternehmen das Ansagedatum später verschoben hat, und deltaD lt 0, wenn das Unternehmen das Ansagedatum früher verschoben hat. 2) Auch am gleichen Markt zu schließen, berechnen deltaU, die die Anzahl der Kalendertage seit der letzten Änderung des erwarteten Ankündigung Datum ist. 3) Wenn deltaD lt 0 und deltaU lt 45, kaufen die Aktie am Markt zu schließen und liquidieren am nächsten Tag Markt offen. Wenn deltaD gt 0 und deltaU gt 45, das Gegenteil tun. Die Intuition hinter dieser Strategie ist, dass, wenn ein Unternehmen eine erwartete Ankündigung früher verschieben, vor allem, wenn dies geschieht in der Nähe des erwarteten Datum, das ist ein Hinweis auf eine gute Nachricht, und umgekehrt. Kramarenko fand eine CAGR von 14,95 und eine Sharpe-Ratio von 2,08 durch Anwendung dieser Strategie auf SPX-Aktien von 200613 bis 201592. Um dieses Ergebnis zu reproduzieren, muss man sicherstellen, dass die Kapitalallokation auf der folgenden Formel basiert: Angenommen, die Summe Kauf-Macht ist M, und die Anzahl der Handelssignale am Markt zu schließen ist n, dann ist die Handelsgröße pro Aktie M5, wenn n lt 5, und ist Mn, wenn n gt 5. Ich habe diese Strategie von 201183-2016930 auf einer festen getestet SPX-Universums auf 201175 und erhielt CAGR17,6 und Sharpe-Verhältnis von 0,6. Backtesting dieses auf Russell 3000 Indexuniversum der Aktien lieferte bessere Resultate, mit CAGR17 und Sharpe ratio1.9. Hier passe ich die Handelsgröße je Aktie auf M30 an, wenn n lt30 und auf Mn wenn ngt 30, da die Gesamtzahl der Aktien in Russell 3000 etwa 6 mal größer ist als die von SPX. Die Eigenkapitalkurve wird nachfolgend dargestellt: Interessanterweise verbessert eine marktneutrale Version dieser Strategie (mit IWV zur Absicherung jeglicher Nettoexposition) nicht das Sharpe-Verhältnis, sondern das CAGR deutlich. Wissen . Ich danke Michael Raines an der Wall Street Horizon für die Bereitstellung der historischen Punkt-in-Zeit erwarteten Verdienstdaten Daten für diese Forschung. Darüber hinaus danke ich Stuart Farr und Ekaterina Kramarenko bei Deltix für die Bereitstellung einer Kopie ihrer Zeitung und erkläre mir die Nuancen ihrer Strategie. Meine bevorstehende Workshop 14. und 21. Januar: Algorithmische Optionen Strategien Dieser Online-Kurs unterscheidet sich von den meisten anderen Optionen Workshops an anderer Stelle angeboten. Es umfasst die Backtesting-Optionen für Intraday-Optionen und Portfoliooptionsstrategien. Ich schrieb in einem früheren Artikel darüber, warum sollten wir backtest sogar End-of-Day (tägliche) Strategien mit Intraday-Quote-Daten. Andernfalls kann die Leistung solcher Strategien aufgeblasen werden. Hier ist ein weiteres brillantes Beispiel, dass ich vor kurzem kam. Betrachten Sie die Öl-Futures ETF USO und seine böse Zwilling, die Inverse Öl-Futures ETF DNO. In der Theorie, wenn USO hat eine tägliche Rendite von x, hat DNO eine tägliche Rendite von - x. In der Praxis, wenn wir die täglichen Renditen von DNO gegen die USO von 2010927-201699, unter Verwendung der üblichen konsolidierten End-of-Day-Daten, die Sie auf Yahoo Finance oder einem anderen Anbieter finden können, plotten, sehen wir, dass obwohl die Steigung tatsächlich ist -1 (bis zu einem Standardfehler von 0,004) gibt es viele Tage mit signifikanter Abweichung von der Geraden. Der Händler in uns wird sofort denken, Arbitrage-Chancen In der Tat, wenn wir Backtest eine einfache mittlere Reversion-Strategie auf diesem Paar - nur kaufen gleichen Dollar-Betrag von USO und DNO, wenn die Summe ihrer täglichen Renditen ist weniger als 40 bps am Markt zu schließen, halten Ein Tag, und umgekehrt - finden wir eine Strategie mit einem anständigen Sharpe Verhältnis von 1 auch nach Abzug von 5 bps pro Seite als Transaktionskosten. Jedoch, wenn wir Backtest diese Strategie wieder mit BBO-Daten am Markt zu schließen, wobei darauf, die Hälfte der Bid-Ask-Spread als Transaktionskosten zu subtrahieren, finden wir diese Equity-Kurve: Wir können sehen Dass das Problem nicht nur darin besteht, dass wir an praktisch jedem Handel Geld verlieren, sondern dass es selten einen Handel ausgelöst hat. Wenn die täglichen EOD-Daten darauf hindeuten, dass ein Handel ausgelöst werden sollte, gibt die 1-minütige BBO-Daten an, dass es tatsächlich keine Abweichung vom Mittelwert gab. (By the way, die oben genannten Renditen wurden berechnet, bevor wir sogar die Anleihekosten von gelegentlich kurzschließen diese ETFs abziehen. Die Rabattsatz für USO ist etwa 1 pro Jahr auf Interactive Brokers, aber ein steiler 5.6 für DNO.) Falls Sie dies denken Problem ist eigenartig zu USO vs DNO, können Sie versuchen, TBT vs UBT als auch. Übrigens haben wir gerade eine goldene Regel der Finanzmärkte verifiziert: Eine offensichtliche Abweichung vom effizienten Markt ist erlaubt, wenn niemand auf die Arbitrage-Chance profitabel handeln kann. Anmerkung: Nach Angaben von etf hat der Emittent von DNO bis zum 22. März 2016 bis zum Zeitpunkt der Einreichung neuer Unterlagen bei der SEC zeitweilig Kreationen für diesen Fonds suspendiert. Diese Maßnahme könnte zu ungewöhnlichen oder überhöhten Prämien führen8212 zu einer Erhöhung des Marktpreises des Fonds gegenüber dem beizulegenden Zeitwert. Rücknahmen sind nicht betroffen. Handel mit Obachtüberprüfung iNAV gegen Preis. Für eine Erläuterung der Schaffung von ETF-Einheiten, siehe meinen Artikel Dinge, die Sie nicht über ETFs und ETNs wissen wollen. Industrie-Update Quantiacs erst vor kurzem als CTA registriert und betreibt einen Markt für Handelsalgorithmen, die jeder beitragen kann. Sie veröffentlichten auch einen pädagogischen Blogpfosten für Python - und Matlab-Rückträger: quantiacsBlogIntro-to-Algorithmic-Trading-mit-Heikin-Ashi. aspx Ich werde eine Podiumsdiskussion moderieren. Wie können Fonds nicht-traditionelle Datenquellen nutzen, um die Investitionsrenditen zu erhöhen Quant-World Canada in Toronto, 10. November 2016. Kommende Workshops 22. und 29. Oktober, Samstags, Quantitative Momentum Strategies Online-Workshops. Momentum-Strategien sind für diejenigen, die von Schwanz Veranstaltungen profitieren wollen. Ich werde die grundlegenden Gründe für die Existenz von Momentum in verschiedenen Märkten sowie spezifische Impulsstrategien diskutieren, die Positionen von Stunden zu Tagen halten. Ein hoher Regisseur bei einer Großbank schrieb mir: 8230Danke wieder für die Momentum Strategies Schulung in dieser Woche . Es war sehr vorteilhaft. Ich fand Ihre Erklärungen der Konzepte sehr klar und die Beispiele gut entwickelt. Ich mag die rigorose Ansatz, den Sie nehmen, um die Bewertung der Strategie.8221 Freitag, 17. Juni 2016 Jeder liebt Handel oder Investitionen in ETPs. ETP ist das Akronym für börsengehandelte Produkte, die sowohl Exchange Traded Funds (ETF) als auch Exchange Traded Notes (ETN) umfassen. Sie scheinen einfach, transparent, leicht zu verstehen. Aber es gibt ein paar Feinheiten, die Sie vielleicht nicht kennen. 1) Die beliebteste ETN ist VXX, der Volatilitätsindex ETF. Im Gegensatz zu ETF ist ETN tatsächlich eine unbesicherte Anleihe des Emittenten. Dies bedeutet, dass der Preis der ETN nicht nur von den zugrunde liegenden Vermögenswerten oder dem Index abhängt. Es könnte von der Kreditwürdigkeit des Emittenten abhängen. Jetzt wird VXX von fx herausgegeben. Sie können denken, dass fx eine große Bank ist, zu groß, um zu scheitern, und Sie können Recht haben. Dennoch verspricht niemand, dass seine Bonität wird nie herabgestuft werden. Der Handel der VX-Zukunft hat jedoch dieses Problem nicht. 2) Der ETP-Emittent soll zusammen mit den berechtigten Teilnehmern (den Market Maker, die den Emittenten auffordern, mehr ETP-Aktien auszugeben oder diese Aktien für die zugrunde liegenden Vermögenswerte oder Barmittel zurückzugeben) den gesamten Marktwert der ETP-Aktien halten Die den NAV der zugrunde liegenden Vermögenswerte genau verfolgen. Allerdings gab es eine bemerkenswerte Instanz, wenn der Emittent absichtlich nicht tun, was zu großen Verlusten für einige Investoren. Das war, als der Emittent von TVIX, dem gehebelten ETN, das 2x die täglichen Renditen von VXX verfolgt, alle Erstellung neuer TVIX-Aktien vorübergehend am 22. Februar 2012 eingestellt hat (siehe sixfigureinvesting201510how-does-tvix-work). Diese Emittentin ist die Credit Suisse, die feststellen konnte, dass die Transaktionskosten für den Ausgleich dieses hochvolatilen ETN zu hoch wurden. Aufgrund dieser Unterbrechung verwandelte sich TVIX in einen geschlossenen Fonds (vorübergehend), und sein NIW wich deutlich von seinem Marktwert ab. TVIX wurde an einem Prämien von 90 bezogen auf den zugrunde liegenden Index gehandelt. Mit anderen Worten, Investoren, die TVIX an der Börse bis Ende März gekauft hatten, bezahlten 90 mehr als sie hätten, wenn sie den VIX-Index stattdessen kaufen könnten. Gleich darauf kündigte die Credit Suisse an, die Schaffung von TVIX-Aktien wieder aufzunehmen. Der Marktpreis von TVIX sank sofort auf seinen NIW pro Aktie, was für die Investoren, die kurz vor der Wiederaufnahme gekauft haben, enorme Verluste verursacht. 3) Sie können mit der Tatsache vertraut sein, dass ein ehrgeiziges ETF nur die täglichen Renditen des zugrunde liegenden Index, nicht seine langfristige Rendite verfolgen soll. Aber Sie sind vielleicht weniger vertraut mit der Tatsache, dass es auch nicht soll, um die Intraday-Rendite des Indexes zu verfolgen (obwohl es meistens tatsächlich tut, dank der vielen Arbitrageurs.) Fall in Punkt: Während der Mai 2010 Flash Crash , Viele inverse Hebel ETFs erlebt einen Rückgang des Preises, wie der Markt nach unten stürzte. Als inverse ETFs dachten viele Anleger, dass sie im Preis steigen und als Absicherung gegen Marktrückgänge handeln sollten. Beispielsweise wies dieser Kommentarbrief an die SEC darauf hin, dass DOG, die inverse ETF, die den Index -1x Dow 30 verfolgt, mehr als 60 von seinem Wert am Anfang (14:40 Uhr ET) des Flash-Crashs abnahm. Dies liegt daran, dass verschiedene Market Maker einschließlich der autorisierten Teilnehmer für DOG werent machen Märkte zu diesem Zeitpunkt. Aber ein ebenso wichtiger Punkt zu beachten ist, dass am Ende des Handelstages DOG zurückkehrte 3.2, fast genau -1x die Rückkehr von DIA (die ETF, die den Dow 30 verfolgt). So funktionierte es wie angekündigt. Lesson learned: Wir arent sollen inverse ETFs für die Intraday - oder langfristige Absicherung nutzen 4) Der NIW (nicht NIW je Aktie) einer ETF muss sich nicht wie der Marktwert der zugrunde liegenden Vermögenswerte ändern. Zum Beispiel schrieb derselbe Kommentarbrief, den ich oben zitierte, dass GLD, die Gold-ETF, im Preis um 24 vom 1. März bis 31. Dezember 2013 zurückging und den gleichen 24 Tropfen des Spot-Goldpreises verfolgte. Allerdings sank ihr NIW 52. Warum die autorisierten Teilnehmer viele GLD-Aktien zurücknahmen, so dass die ausstehenden Aktien der GLD von 416 Millionen auf 266 Millionen sinken. Ist das ein Problem überhaupt nicht. Ein Anleger in dieser ETF sorgt nur, dass sie die gleiche Rückkehr als Punktgold erfahren hat und nicht, wieviel Vermögen die ETF hielt. Der Autor dieses Kommentarbriefes schrieb seltsam, dass Anleger, die an dem Goldmarkt teilnehmen möchten, die GLD nicht kaufen würden, wenn sie wüssten, dass ein Preisrückgang in Gold doppelt so viel zugrunde liegenden Anlagenrückgang für die GLD führen könnte. Das ist, glaube ich, Unsinn. Industry Update Alex Boykov entwickelte die WFAToolbox 8211 Walk-Forward Analysis Toolbox für MATLAB, die den Prozess der Verwendung eines sich bewegenden Fensters automatisiert, um Parameter zu optimieren und Trades nur im Out-of-Sample-Zeitraum einzugeben. Er hat auch eine eigenständige Anwendung von MATLAB kompiliert, die jedem Benutzer (mit MATLAB oder nicht) ermöglicht, Zitate im CSV-Format von Google Finance für den weiteren Import in andere Programme und für das Arbeiten in Excel hochzuladen. Sie können es hier herunterladen: wfatoolboxepchan. AImachine Lerntechniken sind am nützlichsten, wenn jemand gibt uns neu erfunden technische oder grundlegende Indikatoren, und wir havent noch entwickelt die Intuition, wie sie zu benutzen. AI Techniken können Wege vorschlagen, um sie in Ihre Trading-Strategie zu integrieren, und beschleunigen Sie Ihr Verständnis für diese Indikatoren. Natürlich können diese Techniken manchmal auch unerwartete Strategien in vertrauten Märkten vorschlagen. Mein Kurs deckt die grundlegenden KI-Techniken nützlich für einen Händler, mit Schwerpunkt auf die vielen Möglichkeiten, um Überbeanspruchungen zu vermeiden. Jeder weiß, dass die Volatilität von der Messfrequenz abhängt: Die Standardabweichung von 5-Minuten-Renditen unterscheidet sich von der täglichen Rendite. Um genau zu sein, wenn z der Logarithmus ist, dann ist die Volatilität, die in Intervallen von abgetastet wird, wobei Var bedeutet, die Varianz über viele Abtastzeitpunkte zu nehmen. Wenn die Preise wirklich einem geometrischen Zufallspfad folgen, dann wird Var () 8801Var ((z (t) - z (t)) 8733 und die Volatilität einfach mit der Quadratwurzel des Abtastintervalls skaliert Tägliche Rendite, müssen wir die tägliche Volatilität von 8730252 zu multiplizieren, um die annualisierte Volatilität zu erhalten. Händler wissen auch, dass die Preise nicht wirklich folgen einem geometrischen zufälligen Spaziergang. Wenn Preise sind Mittelwert wiederherzustellen, werden wir feststellen, dass sie nicht wandern weg von ihrer ursprünglichen Im allgemeinen können wir schreiben, wo H der Hurst-Exponent genannt wird, und es ist gleich 0,5 für einen wahren geometrischen Zufallsweg, wird aber kleiner sein als Wenn wir die Volatilität einer durchschnittlich rückläufigen Kursreihe annualisieren, wird sie am Ende eine niedrigere annualisierte Volatilität aufweisen als die einer geometrischen zufälligen Wanderung, auch wenn beide genau das haben Gleiche Volatilität gemessen bei, sagen wir, 5-Minuten-Bars. Das Gegenteil ist wahr für eine Trend-Preis-Serie. Zum Beispiel, wenn wir dies auf AUDCAD, eine offensichtlich mean-reverting Zeitreihe versuchen, erhalten wir H0.43. Alle der oben genannten sind bekannt für viele Händler, und sind in der Tat in meinem Buch diskutiert. Interessanter ist jedoch, dass sich der Hurst-Exponent selbst in gewissem Maßstab verändern kann und diese Veränderung manchmal eine Verschiebung von einer mittleren Reversion zu einem Impulsregime oder umgekehrt signalisiert. Um dies zu sehen, können Plot-Volatilität (oder mehr bequem, Varianz) als Funktion von. Dies wird oft die Begriffsstruktur der (realisierten) Volatilität genannt. Beginnen Sie mit dem vertrauten SPY. Können wir die Intraday-Renditen mit Mittelpreisen von 1 Minuten bis 210 Minuten (17 Stunden) berechnen und das Protokoll (Var ()) gegen log () darstellen. Der Sitz, unten gezeigt, ist ausgezeichnet. (Klicken Sie zum Vergrößern auf die Abbildung). Die Steigung, geteilt durch 2, ist der Hurst-Exponent, der sich als 0.4941770.003 ergibt, was sehr geringfügig zurücksetzt. Aber wenn wir das gleiche für tägliche Rückkehr von SPY, für Intervalle von 1 Tag bis zu 28 (256) Tage tun, finden wir, dass H jetzt 0.4691770.007 ist, was bedeutend bedeutet, zurückzukehren. Schlussfolgerung: Mittelwerte Reversionsstrategien auf SPY sollten besser als intraday funktionieren. Wir können die gleiche Analyse für USO (die WTI Rohöl-Futures ETF) zu tun. Der intraday H ist 0,5151770.001, was ein signifikantes Trendverhalten anzeigt. Die tägliche H ist 0,561770,02, noch signifikanter Trend. Also Impulsstrategien sollten für Rohöl-Futures zu jeder angemessenen Zeit Skalen arbeiten. Wir können jetzt zu GLD, die Gold-ETF. Intraday H0.5051770.002, die etwas trends ist. Aber täglich H0.4691770.007: signifikant bedeutete Rückkehr Momentum Strategien auf Gold kann intraday arbeiten, aber mittlere Reversion-Strategien sicherlich besser funktionieren über mehrere Tage. Wo findet der Übergang statt? Wir können die Begriffsstruktur genau untersuchen: Wir können sehen, dass die Volatilitäten von rund 16-32 Tagen von der Geraden, die von den Intraday-Frequenzen extrapoliert wird, abweichen. Das ist, wo wir vom Momentum zu Mittel Reversionsstrategien wechseln sollten. Eine Seite Anmerkung von Interesse: wenn wir die Varianz der Renditen über Perioden berechnen, die zwei Handelstage überspannen und sie als Funktion von log () darstellen. Sollte die Stunden enthalten, wenn der Markt geschlossen wurde. Es stellt sich heraus, dass die Antwort ja, aber nicht vollständig ist. Um das obige Diagramm zu schaffen, bei dem die täglichen Abweichungen zunächst auf die gleiche Gerade wie die Intraday-Varianzen fallen, müssen wir 1 Handelstag als äquivalent zu 10 Handelsstunden zählen. Nicht 6.5 (für die US EquitiesETF Märkte) und nicht 24. Die genaue Anzahl der äquivalenten Handelszeiten, natürlich, variiert über verschiedene Instrumente. Nick über bei mintegration. eu diskutiert die neuen Intraday-Datenbanken bei Quandl und Kerf. Factorwave (Euan Sinclairs Schaffung) begann ein neues Forum: slack. factorwave. Es hat einige sehr aktive und eingehende Diskussionen über viele Handels-und Investitionsthemen. Prof. Matthew Lyle an der Kellogg School of Management hat ein neues Papier, dass die Grundlagen zu Varianz Risikoprämien berichtet: papers. ssrnsol3papers. cfmabstractid2696183. Es gibt viel mehr Reverse-Strategien als nur Paare Handel bedeuten. Finden Sie heraus, wie Sie in der derzeitigen niedrigen Volatilität Umwelt vorteilhaft für diese Art von Strategien gedeihen. Vorhersage Volatilität ist ein sehr altes Thema. Jeder Finanzstudent hat gelernt, die GARCH-Modell für die Verwendung. Aber wie die meisten Dinge, die wir in der Schule gelernt haben, müssen wir nicht unbedingt erwarten, dass sie in der Praxis nützlich sind oder gut out-of-sample arbeiten. (Wann war das letzte Mal benötigen Sie, um Kalkül in Ihrem Job verwenden) Aber aus Neugier, habe ich eine schnelle Untersuchung ihrer Macht auf die Vorhersage der Volatilität der SPY täglichen Nah-zu-nahen Renditen. Ich schätzte die Parameter eines GARCH-Modells auf Trainingsdaten vom 21. Dezember 2005 bis 5. Dezember 2011 mit Matlabs Econometric Toolbox und testete, wie oft das Vorzeichen der vorhergesagten 1-tägigen Veränderung der Volatilität mit der Realität auf dem Testset von Dezember übereinstimmt 6, 2011 bis zum 25. November 2015. (Eine Tagesänderung der realisierten Volatilität ist definiert als die Änderung des absoluten Wertes der 1-Tagesrendite.) Eine angenehme Überraschung: Die Vereinbarung ist 58 der Tage. Wenn dies die Richtigkeit für die Vorhersage des Vorzeichens der SPY-Rückkehr selbst wäre, sollten wir uns darauf vorbereiten, in Luxus zurückzuziehen. Volatilität ist einfacher zu prognostizieren als signierte Rückkehr, wie jeder Finanz-Student auch gelernt wurde. Aber was gut ist eine gute Volatilität Vorhersage, die nützlich sein, um Optionen Trader, die implizite Volatilitäten statt direktionale Renditen handeln kann Die Antwort ist ja, realisierte Volatilität Vorhersage ist nützlich für implizite Volatilität Vorhersage, aber nicht in der Art, wie Sie erwarten würden. Wenn GARCH uns sagt, dass die realisierte Volatilität morgen zunehmen wird, würden die meisten von uns instinktiv ausgehen und uns einige Optionen kaufen (d. H. Implizite Volatilität). Im Falle von SPY, würden wir wahrscheinlich kaufen einige VXX. Aber das wäre ein schrecklicher Fehler. Denken Sie daran, dass die Volatilität, die wir vorhergesagt haben, eine unsignierte Rendite ist: Eine Prognose der erhöhten Volatilität kann einen sehr bullischen Tag morgen bedeuten. Eine hohe positive Rückkehr in SPY wird in der Regel von einem steilen Rückgang der VXX begleitet. Mit anderen Worten, eine Erhöhung der realisierten Volatilität ist in der Regel von einer Abnahme der impliziten Volatilität begleitet. Aber was wirklich merkwürdig ist, ist, dass diese Antikorrelation zwischen der Veränderung der realisierten Volatilität und der Veränderung der impliziten Volatilität auch bei negativer Rendite gilt (57 der Tage mit negativen Renditen). Eine sehr negative Rückkehr in SPY ist in der Regel in der Regel durch eine Erhöhung der impliziten Volatilität oder VXX, induziert positive Korrelation begleitet. Aber im Durchschnitt ist eine Zunahme der realisierten Volatilität aufgrund negativer Renditen noch von einer Abnahme der impliziten Volatilität begleitet. Das Ergebnis aller dieser ist, dass, wenn Sie vorhersagen, die Volatilität der SPY wird morgen zunehmen, sollten Sie VXX statt kurz. Quantiacs startete gerade einen Handelssystemwettbewerb mit garantierten Investitionen von 2,25 M für die besten drei Handelssysteme. (Quantiacs hilft Quants, sich für ihre Handelsalgorithmen zu engagieren und hilft Investoren dabei, das richtige Handelssystem zu finden.) Ein neues Buch namens Momo Traders - Tipps, Tricks und Strategien von Ten Top Traders bietet umfangreiche Interviews mit zehn Top-Day - und Swing-Händlern, die Aktien finden Dass sich bewegen und Kapital aus diesem Momentum. Ein weiteres neues Buch namens Algorithmic und High-Frequency Trading von 3 mathematischen Finanzen Professoren beschreibt die anspruchsvolle mathematische Werkzeuge, die auf Hochfrequenzhandel und optimale Ausführung angewendet werden. Ja, hier ist ein Zahnstein erforderlich. Meine bevorstehende Workshop Januar 27-28: Algorithmische Optionen Strategien Dies ist ein neuer Online-Kurs, der anders ist als die meisten anderen Optionen Workshops angeboten anderswo. Es wird darlegen, wie man intraday Optionsstrategien und Portfoliooptionsstrategien backtest. 7. - 11. März: Statistisches Arbitrage, quantitatives Momentum und Künstliche Intelligenz für Händler. Diese Kurse sind intensive Trainingseinheiten in London für eine volle Woche statt. Ich muss normalerweise für eine Stunde entlang der Themse gehen, um nach jeder Tagklasse zu rejuvenate. Die AI-Kurs ist neu, und zu meinem Erstaunen, einige der verbesserten Techniken tatsächlich funktionieren. Mein bevorstehendes Gespräch Ich spreche am QuantCon 2016 am 9. April in New York. Das Thema wird die Besonderheiten der Volatilität. Ich wies auf eine Besonderheit oben, aber es gibt andere. QTS Partners, L. P. hat eine Netto-Rendite von 1,56 im Oktober (YTD: 11,50). Details verfügbar für qualifizierte berechtigte Personen gemäß der Definition in CFTC Regel 4.7. Von Lukasz Wojtow Mechanische Händler stoppen nie auf der Suche nach dem nächsten Marktrand. Nicht nur, um bessere Ergebnisse zu erzielen, sondern auch mehr als ein System zu haben. Die besten Handelsergebnisse können mit mehreren nicht korrelierten Systemen erzielt werden, die gleichzeitig gehandelt werden. Leider verwenden die meisten Händler ähnliche Markt-Ineffizienz: einige Händler spezialisieren sich auf Trendfolgen, einige in mittlerer Reversion und so weiter. Das ist, weil Lernen, eine Art von Rand zu nutzen ist hart genug, beherrschen alle von ihnen 8211 unmöglich. Es wäre vorteilhaft, eine Software zu haben, die viele nicht verwandte Systeme erzeugt. Vor kurzem habe ich Genotick veröffentlicht - eine Open-Source-Software, die eine Gruppe von Handelssystemen erstellen und verwalten kann. Im Kern von Genoticks liegt eine Epiphanie: Wenn es möglich ist, jede Software mit nur wenigen Assembler-Anweisungen zu erstellen, sollte es möglich sein, beliebige Handelssysteme mit einer Handvoll ähnlicher einfacher Anweisungen zu erstellen. Diese einfachen und aussagekräftigen Anweisungen werden im Zusammenspiel extrem mächtig. Richtige Instruktionen in der richtigen Reihenfolge können beliebige mechanische Systeme erzeugen: Trendfolgen, Mittelwerten oder sogar auf Basis fundamentaler Daten. Die Antriebsmaschine hinter Genoticks Macht ist ein genetischer Algorithmus. Derzeitige Implementierung ist ziemlich einfach, aber mit einigen zusätzlichen Macken. Zum Beispiel, wenn eines der Systeme ist wirklich schlecht 8211 es bleibt in der Bevölkerung, aber seine Vorhersagen sind umgekehrt. Ein weiterer Trick wird verwendet, um zu erkennen, voreingenommen Handelssysteme: ein System kann entfernt werden, wenn es nicht gespiegelt Vorhersage auf gespiegelte Daten. So muss beispielsweise die Position auf GBPUSD gegenüber der auf USDGBP liegen. Genotick unterstützt auch den optionalen Elitismus (wo die besten Systeme immer in der Bevölkerung bleiben, während andere aufgrund des Alters zurückgezogen werden), Schutz für neue Systeme (um zu vermeiden, dass Systeme, die noch keine Chance haben, sich selbst zu beweisen) zu erben Von den Eltern. Diese Optionen bieten dem Anwender viel Raum für Experimente. Wenn Genotick zum ersten Mal ausgeführt wird, gibt es keine Systeme. They are created at the start using randomly chosen instructions. Then, a genetic algorithm takes over: each system is executed to check its prediction on historical data. Systems that predicted correctly gain weight for future predictions, systems that predicted incorrectly 8211 lose weight. Gradually, day after day, population of systems grows. Bad systems are removed and good systems breed. Prediction for each day is calculated by adding predictions of all systems available at the time. Genotick doesnt iterate over the same historical data more than once 8211 training process looks exactly as if it was executed in real life: one day at a time. In fact, there is no separate 8220training8221 phase, program learns a little bit as each day passes by. Interestingly, Genotick doesnt check for rationale behind created systems. As each system is created out of random instructions, its possible (and actually very likely) that some systems use ridiculous logic. For example, its possible that a system will give a 8220Buy8221 signal if Volume was positive 42 days ago. Another system may want to go short each time the third digit in yesterdays High is the same as second digit in todays Open. Of course, such systems would never survive in real world and also they wouldnt survive for long in Genoticks population. Because each systems initial weight is zero, they never gain any significant weight and therefore dont spoil cumulative prediction given by the program. It may seem a little silly to allow such systems in the first place, but it enables Genotick to test algorithms that are free from traders believes, misguided opinions and personal limitations. The sad fact is, the market doesnt care about what system you use and how much sweat and tears you put into it. Market is going to do what it wants to do 8211 no questions asked, not taking prisoners. Market doesnt even care if you use any sort of intelligence, artificial or not. And so, the only rationale behind every trading system should be very simple: 8220Does it work8221. Nicht mehr, nicht weniger. This is the only metric Genotick uses to gauge systems. Each programs run will be a little bit different. Equity chart below shows one possible performance. Years shown are 2007 until 2015 with actual training starting in 2000. There is nothing special about year 2007, remember 8211 Genotick learns as it goes along. However, I felt its important to look how it performed during financial crisis. Markets traded were: USDCHF, USDJPY, 10 Year US Bond Yield, SPX, EURUSD, GBPUSD and Gold. (In some cases, I tested the system on a market index such as SPX instead of an instrument that tracks the index such as SPY, but the difference should be minor.) All markets were mirrored to allow removing biased systems. Some vital numbers: CAGR: 9.88 Maxim drawdown: -21.6 Longest drawdown: 287 trading days Profitable days: 53.3 CALMAR ratio: 0.644 Sharpe ratio: 1.06 Mean annual gain: 24.1 Losing year: 2013 (-12) (Click the cumulative returns in chart below to enlarge.) Cumulative Returns () since 2007 These numbers represent only 8220directional edge8221 offered by the software. There were no stop-losses, no leverage and no position sizing, which could greatly improve real life results. The performance assumes that at the end of each day, the positions are rebalanced so that each instrument starts with equal dollar value. (I. e. this is a constant rebalanced portfolio.) Artificial Intelligence is a hot topic. Self driving cars that drive better than an average human and chess algorithms that beat an average player are facts. The difference is that using AI for trading is perfectly legal and opponents may never know. Unlike chess and driving, there is a lot of randomness in financial markets and it may take us longer to notice when AI starts winning. Best hedge funds can be still run by humans but if any trading method is really superior, AI will figure it out as well. At the moment Genotick is more of a proof-of-concept rather than production-ready. It is very limited in usability, it doesnt forgive mistakes and its best to ask before using it for real trading. You will need Java 7 to run it. Its tested on both Linux and Windows 10. Example historical data is included. Any questions or comments are welcomed. I have been a big fan of options trader and author Euan Sinclair for a long time. I have cited his highly readable and influential book Option Trading in my own work, and it is always within easy reach from my desk. His more recent book Volatility Trading is another must-read. I ran into him at the Chicago Trading Show a few months ago where he was a panelist on volatility trading, and he graciously agreed to be interviewed by me. What is your educational background, and how did you start your trading career I got a Ph. D. in theoretical physics, studying the transition from quantum to classical mechanics. I always had intended to become a professor but the idea became less appealing once I saw what they did all day. At this time Nick Leeson was making news by blowing up Barings Bank and I thought I could do that. I mean trade derivatives not blowing up a bank (although I could probably manage that as well). Do you recommend a new graduate with a similar educational background as yours to pursue finance or trading as a career today I dont think I would for a few reasons. The world of derivatives and trading in general is now so much more visible than it was and there are now far better ways to prepare. When I started, physics Ph. D.s were hired only because they were smart and numerate and could pick things up on their own. My first trading firm had no training program. You just had to figure stuff out on your own. Now there are many good MFE courses or you could do a financial economics Ph. D. Further, it would very much depend on exactly what kind of physics had been studied. I did a lot of classical mechanics which is really geometry. This kind of pure theory isnt nearly as useful as a background heavy with stats or simulation. I think I could still make the transition, but it is no longer close to the ideal background. You have been a well-known options trader with a long track record: what do you think is the biggest obstacle to success for a retail options trader Trading costs. Most option trading ideas are still built on the Black-Scholes-Merton framework and the idea of dynamic hedging (albeit heavily modified). Most pro firms have stat arb like execution methods to reduce the effective bid-ask they pay in the underlying. They also pay practically no ticket charges and probably get rebates. Even then, their average profit per option trade is very small and has been steadily decreasing. Further, a lot of positional option trading relies on a large universe of possible trades to consider. This means a trader needs good scanning software to find trades, and a decent risk system because she will tend to have hundreds of positions on at one time. This is all expensive as well. Retail traders cant play this game at all. They have to look for situations that require little or no rebalancing and that can be limited to a much smaller universe. I would recommend the VIX complex or equity earnings events. As an options trader, do you tend to short or long volatility I am short about 95 of the time, but about 35 of my profits come from the long trades. Do you find it possible to fully automate options trading in the same way as that stocks, futures, and FX trading have been automated I see no reason why not. You have recently started a new website called FactorWave. Can you tell us about it What prompted the transition of your focus from options to stocks FactorWave is a set of stock and portfolio tools that do analysis in terms of factors such as value, size, quality and momentum. There is a lot of research by both academics and investors that shows that these (and other) factors can give market beating returns and lower volatility. Ive been interested in stocks for a long time. Most of my option experience has been with stock options and some of my best research was on how these factors affected volatility trading returns. Also, equity markets are a great place to build wealth over the long term. They are a far more suitable vehicle for retirement planning than options I actually think the distinction between trading and investing is fairly meaningless. The only difference seems to be the time scale and this is very dependent on the person involved as well, with long-term meaning anything form months to inter-generational. All Ive ever done as a trader is to look for meaningful edges and I found a lot of these in options. But Ive never found anything as persistent as the stock factors. There is over a hundred years of statistical evidence, studies in many countries and economic and behavioral reasons for their existence. They present some of the best edges I have ever found. That should be appealing to any trader or investor. Thank you These are really valuable insights. Most time series techniques such as the ADF test for stationarity, Johansen test for cointegration, or ARIMA model for returns prediction, assume that our data points are collected at regular intervals. In traders parlance, it assumes bar data with fixed bar length. It is easy to see that this mundane requirement immediately presents a problem even if we were just to analyze daily bars: how are we do deal with weekends and holidays You can see that the statistics of return bars over weekdays can differ significantly from those over weekends and holidays. Here is a table of comparison for SPY daily returns from 20050504-20150409: SPY daily returns Mean Returns (bps) Mean Absolute Returns (bps) Kurtosis (3 is 8220normal8221) Though the absolute magnitude of the returns over a weekday is similar to that over a weekend, the mean returns are much more positive on the weekdays. Note also that the kurtosis of returns is almost doubled on the weekends. (Much higher tail risks on weekends with much less expected returns: why would anyone hold a position over weekends) So if we run any sort of time series analysis on daily data, we are force-fitting a model on data with heterogeneous statistics that wont work well. The problem is, of course, much worse if we attempt time series analysis on intraday bars. Not only are we faced with the weekend gap, in the case of stocks or ETFs we are faced with the overnight gap as well. Here is a table of comparison for AUDCAD 15-min returns vs weekend returns from 20090101-20150616: AUDCAD 15-min returns Mean Returns (bps) Mean Absolute Returns (bps) Kurtosis (3 is 8220normal8221) In this case, every important statistic is different (and it is noteworthy that kurtosis is actually lower on the weekends here, illustrating the mean-reverting character of this time series.) So how should we predict intraday returns with data that has weekend gaps (The same solution should apply to overnight gaps for stocks, and so omitted in the following discussion.) Lets consider several proposals: 1) Just delete the weekend returns, or set them as NaN in Matlab, or missing values NA in R. This wont work because the first few bars of a week isnt properly predicted by the last few bars of the previous week. We shouldnt use any linear model built with daily or intraday data to predict the returns of the first few bars of a week, whether or not that model contains data with weekend gaps. As for how many bars constitute the first few bars, it depends on the lookback of the model. (Notice I emphasize linear model here because some nonlinear models can deal with large jumps during the weekends appropriately.) 2) Just pretend the weekend returns are no different from the daily or intraday returns when buildingtraining the time series model, but do not use the model for predicting weekend returns. D. h. do not hold positions over the weekends. This has been the default, and perhaps simplest (naive) way of handling this issue for many traders, and it isnt too bad. The predictions for the first few bars in a week will again be suspect, as in 1), so one may want to refrain from trading then. The model built this way isnt the best possible one, but then we dont have to be purists. 3) Use only the most recent period without a gap to train the model. So for an intraday FX model, we would be using the bars in the previous week, sans the weekends, to train the model. Do not use the model for predicting weekend returns nor the first few bars of a week. This sounds fine, except that there is usually not enough data in just a week to build a robust model, and the resulting model typically suffers from severe data snooping bias. You might think that it should be possible to concatenate data from multiple gapless periods to form a larger training set. This concatenation does not mean just piecing together multiple weeks time series into one long time series - that would be equivalent to 2) and wrong. Concatenation just means that we maximize the total log likelihood of a model over multiple independent time series, which in theory can be done without much fuss since log likelihood (i. e. log probability) of independent data are additive. But in practice, most pre-packaged time series model programs do not have this facility. (Do add a comment if anyone knows of such a package in Matlab, R, or Python) Instead of modifying the guts of a likelihood-maximization routine of a time series fitting package, we will examine a short cut in the next proposal. 4) Rather than using a pre-packaged time series model with maximum likelihood estimation, just use an equivalent multiple linear regression (LR) model. Then just fit the training data with this LR model with all the data in the training set except the weekend bars, and use it for predicting all future bars except the weekend bars and the first few bars of a week. This conversion of a time series model into a LR model is fairly easy for an autoregressive model AR(p), but may not be possible for an autoregressive moving average model ARMA(p, q). This is because the latter involves a moving average of the residuals, creating a dependency which I dont know how to incorporate into a LR. But I have found that AR(p) model, due to its simplicity, often works better out-of-sample than ARMA models anyway. It is of course, very easy to just omit certain data points from a LR fit, as each data point is presumed independent. Here is a plot of the out-of-sample cumulative returns of one such AR model built for predicting 15-minute returns of NOKSEK, assuming midpoint executions and no transaction costs (click to enlarge.)
Comments
Post a Comment