Análise quantitativa forex trading

Análise quantitativa em Forex.

Como negociar com sua mente e não com seu intestino.

O que é análise quantitativa?

A análise quantitativa permite que os comerciantes removam a emoção do processo de investimento. A análise quantitativa é uma abordagem que se concentra em estatísticas ou probabilidades sobre sentimentos intestinais. Dada a tecnologia de computadores e sofisticados modelos de matemática, a análise quantitativa assumiu Wall Street e a maioria dos novos comerciantes e funcionários em Wall Streets ou aqueles com mentalidade quantitativa.

A análise quantitativa tem um lugar no mercado FX, assim como qualquer outro mercado.

Você provavelmente está familiarizado com diferentes formas de análise quantitativa, mesmo que você não se considere um quant, que é alguém que aborda mercados do ponto de vista quantitativo. Uma relação financeira simples, como recompensa de pulso, ganhos por ação ou algo mais difícil, como preço de opções e fluxo de caixa descontado, são formas de análise quantitativa. Como você pode imaginar, os dados são críticos na análise, muitas vezes é tão bom quanto os dados em tantos quantos se concentram na qualidade dos dados utilizados para preencher seus modelos matemáticos e estatísticos.

Exemplos de Análise Quantitativa ou Estatística.

Você não precisa ser um matemático ou ter um doutorado em econometria para se beneficiar da análise estatística. Com estatísticas, você está olhando dependência ou associação de duas variáveis ​​aleatórias ou conjuntos de dados. Os comerciantes se beneficiam da análise estatística comum das correlações, que se referem a uma ampla classe de relações estatísticas e dependência.

Uma correlação comum no mercado FX é que a fraqueza do dólar está correlacionada com uma fraqueza para os mercados emergentes. Outra relação inter-mercado Yen força e fraqueza do mercado de ações.

A análise estatística é útil na determinação de probabilidades futuras, mas não se destina a ser puramente preditiva. Uma afirmação típica é que a correlação não é causalidade.

Causalidade significa causa-efeito explícito, enquanto que a correlação simplesmente significa movimentos comuns em potencial entre duas variáveis ​​aleatórias. A escala dos coeficientes de correlações é -1 para & # 43; 1 enquanto que a negativa é uma relação inversa perfeita ou correlação, zero é correlação zero e uma positiva é a correlação positiva perfeita quase como as duas variáveis ​​ou os mercados são algemados a cada de outros.

Outra forma favorável de análise estatística é conhecida como análise de regressão. A análise de regressão é um modelo estatístico muito favorável e uma análise quantitativa para ajudá-lo a ver a relação entre as variáveis. A análise de regressão enfoca a relação entre uma variável dependente e uma ou mais variáveis ​​dependentes. Especificamente, a análise de regressão ajuda você a entender como o valor típico da variável dependente muda quando uma das variáveis ​​independentes variou. A maioria dos pacotes de gráficos de FX tem um canal de regressão que faz o cálculo da análise de regressão para você e, muitas vezes, é mais fácil de acessar do que as correlações.

A análise de regressão geralmente estima a expectativa condicional ou a direção do preço da variável dependente dada a variável independente.

Isso significa o valor médio da variável dependente em relação a uma variável independente fixa. Isso geralmente é mostrado em uma linha inclinada maior ou menor, cortando o preço na direção da tendência ou em um movimento lateral, a linha de regressão geralmente é plana.

O que é preciso?

Enquanto os modelos matemáticos estão além do escopo deste artigo, muitos comerciantes utilizam o Excel da Microsoft e usam a função de correlação entre as variáveis ​​em um determinado período de tempo para determinar se existe uma correlação positiva ou negativa. No entanto, muitos pontos de pesquisa estabelecem relatórios de correlação e também podem ser encontrados em terminais de pesquisa como Bloomberg ou Reuters.

Se você estiver interessado em fazer esses tipos de modelos você mesmo, é importante observar que os resultados são dados e dados faltantes ou incompletos podem desencadear você.

Portanto, você deve cuidar dos dados perdidos primeiro para ter uma análise efetiva dos dados. Excel é provavelmente a sua melhor aposta em termos de análise simples, mas muitos corretores fornecem ferramentas que podem ajudá-lo a fazer uma grande parte da análise também.

Em conclusão, a análise estatística pretende envolver sua cabeça em variáveis ​​aparentemente aleatórias para um padrão que você pode negociar. O risco sempre deve ser gerenciado, mas esses padrões podem durar por muito tempo, mesmo sem causalidade existente. Embora aparentemente parecido, o teste é o lobo proverbial na roupa de ovelha de análises muitas vezes estatísticas ou quantitativas. Vale a pena estar ciente de testes de atraso lançados como modelagem estatística, porque muitas vezes o backtesting é feito em conjuntos de dados idealizados que podem causar falsas confianças, alavancagem excessiva e perdas potencialmente grandes quando o ambiente atual diverge do conjunto de dados.

Análise quantitativa.

Definição.

Essencialmente, o conceito comercial de Análise Quantitativa envolve o processo de aplicação de uma técnica comercial ou financeira que busca compreender o comportamento dentro do mercado monetário, aplicando um sistema complexo de modelagem matemática e estatística, juntamente com a medição de valores de mercado e pesquisas.

Geralmente, isso é possível através do método de aplicação de uma série de valores numéricos a certas variáveis, com as quais os analistas quantitativos tentam replicar a realidade matematicamente e assim prever mudanças e movimentos com os mercados.

Existem muitas razões para empregar um quant (como os analistas quantitativos são frequentemente carinhosamente conhecidos), pois a análise quantitativa em si pode ser realizada por vários motivos, como uma avaliação de desempenho, medição ou avaliação de um determinado instrumento financeiro. Por exemplo, em termos cambiais para um determinado padrão ou estilo de negociação, enquanto também pode ser usado para prever com precisão certos eventos do mundo real, como mudanças no preço das ações e pontos de viragem na inflação.

Em termos mais amplos, no entanto, a análise quantitativa é mais simplesmente uma maneira de medir e interpretar certas coisas e eventos e pode ser usada para tarefas comuns mais comuns como o cálculo de índices financeiros simples, como ganhos obtidos por ação, ou por razões mais complicadas, tais como calcular o preço da opção ou o fluxo de caixa descontado.

Embora não exista dúvida de que, embora a análise quantitativa seja realmente uma ferramenta poderosa para avaliar o potencial de investimento, é realmente apenas um dos lados da história e sua contrapartida, a análise qualitativa também deve ser utilizada para obter a imagem completa.

Termos relacionados.

Se você está procurando uma leitura adicional para complementar sua educação de negociação forex, você chegou ao.

Em finanças, a opção binária (também chamada de opção de retorno fixo, tudo ou nada ou opção digital) é um tipo de.

O Bitcoin Cash é um caixa eletrônico peer-to-peer para internet. É totalmente descentralizado, sem central.

Sentiment Analysis é a arte de não acompanhar o movimento. Ele efetivamente se concentra na identificação do.

Ao analisar o mercado, os analistas geralmente podem ser divididos em dois campos - fundamentos e.

Artigos relacionados.

Principais movimentos do mercado da semana (10 a 14 de fevereiro de 2017)

Cuide para adivinhar qual moeda era a única moeda para governá-los toda essa semana? (Sugestão: não é o Loonie)

Principais movimentos do mercado da semana (6 a 10 de novembro de 2017)

Como a semana passada, a volatilidade foi relativamente apertada esta semana. Com isso dito, a força da GBP e a fraqueza do USD foram os principais temas desta semana. Então, o que impulsionou a ação do preço forex esta semana? E as outras moedas? Como dirigiram eles?

China Crackdown da dívida atinge as empresas de empréstimos de dinheiro.

Executivos de empresas chinesas que se especializam em oferecer aos consumidores pequenos e fáceis de obter empréstimos tornaram-se um ponto de referência em Wall Street neste ano.

Wall Street Week Ahead: Amazon Shadow Looms grande em frente aos ganhos no varejo.

À medida que os antigos e novos concorrentes da Amazônia se preparam para relatar ganhos, os investidores estão ansiosos para saber como planejam resistir ao crescimento do varejista online número 1.

O segredo da vida é encontrar pessoas que lhe paguem dinheiro para fazer o que você pagaria se você tivesse o dinheiro. Sarah Caldwell.

O BabyPips ajuda os comerciantes individuais a aprender como negociar o mercado cambial.

Apresentamos as pessoas ao mundo do comércio de moeda e fornecemos conteúdos educacionais para ajudá-los a aprender a se tornarem comerciantes rentáveis. Nós também somos uma comunidade de comerciantes que se apoiam na nossa jornada de negociação diária.

Uma Visão Geral Simples da Análise Quantitativa.

Todos os altos, baixos e sentimentos potenciais associados ao investimento podem ofuscar o objetivo final - ganhar dinheiro. Em um esforço para se concentrar no último e eliminar o primeiro, a abordagem "quantitativa" para investir procura prestar atenção aos números em vez dos intangíveis.

Digite o "Quants"

Harry Markowitz é geralmente creditado com o início do movimento de investimento quantitativo quando publicou uma "Seleção de portfólio" no Journal of Finance em março de 1952. Markowitz usou matemática para quantificar a diversificação e é citado como um dos primeiros a adotar o conceito de que os modelos matemáticos poderiam ser aplicado ao investimento.

Robert Merton, pioneiro na teoria financeira moderna, ganhou um Prêmio Nobel por sua pesquisa de trabalho em métodos matemáticos para avaliar derivados. O trabalho de Markowitz e Merton estabeleceu as bases para a abordagem quantitativa (quant) para investir.

Ao contrário dos analistas tradicionais de investimento qualitativo, os quants não visitam empresas, atendem as equipes de gerenciamento ou pesquisam os produtos que as empresas vendem em um esforço para identificar uma vantagem competitiva. Muitas vezes eles não sabem ou se preocupam com os aspectos qualitativos das empresas em que investem, confiando exclusivamente em matemática para tomar decisões de investimento.

Os gerentes de hedge funds abraçaram a metodologia e os avanços em tecnologia de computação que avançaram ainda mais, pois algoritmos complexos poderiam ser calculados em um piscar de olhos. O campo floresceu durante o boom e o busto das dotcom, já que os quants evitaram em grande parte o frenesi do busto tecnológico e do acidente no mercado.

Enquanto eles tropeçavam na Grande Recessão, as estratégias quantitativas permanecem em uso hoje e ganharam atenção notável por seu papel na negociação de alta freqüência (HFT) que depende de matemática para tomar decisões comerciais. O investimento quantitativo também é amplamente praticado como uma disciplina autônoma e em conjunto com a análise qualitativa tradicional tanto para o aprimoramento do retorno como para a mitigação de riscos.

Dados, dados em todo lugar.

O surgimento da era do computador possibilitou criar enormes volumes de dados em períodos de tempo extraordinariamente curtos. Isso levou a estratégias de negociação quantitativa cada vez mais complexas, à medida que os comerciantes procuram identificar padrões consistentes, modelam esses padrões e os usam para prever os movimentos de preços em valores mobiliários.

Os quants implementam suas estratégias usando dados publicamente disponíveis. A identificação de padrões permite que eles criem disparadores automáticos para comprar ou vender títulos.

Por exemplo, uma estratégia de negociação baseada em padrões de volume de negociação pode ter identificado uma correlação entre o volume de negócios e os preços. Então, se o volume de negócios em um estoque específico aumentar quando o preço da ação atinge US $ 25 por ação e cai quando o preço atinge US $ 30, um quant pode configurar uma compra automática em US $ 25,50 e vender automaticamente em US $ 29,50.

Estratégias semelhantes podem ser baseadas nos ganhos, nas previsões de ganhos, nas surpresas de lucros e em vários outros fatores. Em cada caso, os comerciantes quantos puros não se preocupam com as perspectivas de vendas da empresa, equipe de gerenciamento, qualidade do produto ou qualquer outro aspecto de seus negócios. Eles estão colocando suas ordens para comprar e vender com base exclusivamente nos números representados nos padrões que identificaram.

Identificando Padrões para Reduzir Riscos.

A análise quantitativa pode ser usada para identificar padrões que podem se prestar a negócios de segurança rentáveis, mas esse não é seu único valor. Ao ganhar dinheiro é um objetivo que todos os investidores podem entender, a análise quantitativa também pode ser usada para reduzir o risco.

A busca dos chamados "retornos ajustados ao risco" envolve a comparação de medidas de risco, como alfa, beta, r-quadrado, desvio padrão e a relação de Sharpe, a fim de identificar o investimento que irá entregar o maior nível de retorno para o nível de risco. A idéia é que os investidores não devem arriscar mais do que o necessário para atingir seu nível de retorno direcionado.

Assim, se os dados revelarem que dois investimentos provavelmente gerarão retornos similares, mas esse será significativamente mais volátil em termos de variações de preços para cima e para baixo, os quants (e o senso comum) recomendariam o investimento menos arriscado. Novamente, os quants não se preocupam com quem gerencia o investimento, como é o seu balanço, o produto ajuda a ganhar dinheiro ou a qualquer outro fator qualitativo. Eles se concentram inteiramente nos números e escolhem o investimento que (matematicamente falando) oferece o menor nível de risco.

As carteiras de paridade de risco são um exemplo de estratégias baseadas em quantos em ação. O conceito básico envolve a tomada de decisões de alocação de ativos com base na volatilidade do mercado. Quando a volatilidade diminui, o nível de risco assumido no portfólio aumenta. Quando a volatilidade aumenta, o nível de risco na carteira diminui.

Para tornar o exemplo um pouco mais realista, considere um portfólio que divide seus ativos entre o caixa e um fundo do índice S & amp; P 500. Usando o Índice de Volatilidade de Opções de Opções do Conselho de Chicago (VIX) como proxy para a volatilidade do mercado de ações, quando a volatilidade aumenta, nossa carteira hipotética deslocaria seus ativos para dinheiro. Quando a volatilidade diminui, nossa carteira transferirá ativos para o fundo do índice S & P 500. Os modelos podem ser significativamente mais complexos que o que aqui referimos, talvez incluindo ações, títulos, commodities, moedas e outros investimentos, mas o conceito permanece o mesmo.

Os benefícios da Quant Trading.

Quant trading é um processo de tomada de decisão desapaixonado. Os padrões e os números são tudo o que importa. É uma disciplina de compra / venda efetiva, como pode ser executada consistentemente, sem impedimentos pela emoção que muitas vezes é associada a decisões financeiras.

É também uma estratégia econômica. Como os computadores fazem o trabalho, as empresas que dependem de estratégias quantitativas não precisam contratar grandes e caras equipes de analistas e gestores de portfólio. Tampouco eles precisam viajar ao redor do país ou as empresas inspecionando o mundo e se encontrar com a gerência para avaliar potenciais investimentos. Eles simplesmente usam computadores para analisar os dados e executar os negócios.

Quais são os Riscos?

"Mentiras, mentiras e estatísticas" é uma citação usada com freqüência para descrever a miríade de maneiras em que os dados podem ser manipulados. Enquanto os analistas quantitativos procuram identificar padrões, o processo não é, de forma alguma, atempado. A análise envolve o abate por grandes quantidades de dados. Escolher os dados certos não é de forma alguma uma garantia, assim como os padrões que parecem sugerir certos resultados podem funcionar perfeitamente até não. Mesmo quando um padrão parece funcionar, a validação dos padrões pode ser um desafio. Como todo investidor sabe, não há apostas seguras.

Os pontos de inflexão, como a desaceleração do mercado de ações de 2008/2009, podem ser difíceis nessas estratégias, pois os padrões podem mudar de repente. Também é importante lembrar que os dados nem sempre contam toda a história. Os seres humanos podem ver um escândalo ou uma mudança de gerenciamento à medida que ele está se desenvolvendo, enquanto uma abordagem puramente matemática não pode necessariamente fazê-lo. Além disso, uma estratégia torna-se menos eficaz à medida que um número crescente de investidores tentam empregá-la. Os padrões que funcionam tornar-se-ão menos efetivos à medida que mais e mais investidores tentam lucrar com isso.

The Bottom Line.

Muitas estratégias de investimento utilizam uma combinação de estratégias quantitativas e qualitativas. Eles usam estratégias quantitativas para identificar potenciais investimentos e depois usam análise qualitativa para levar seus esforços de pesquisa ao próximo nível na identificação do investimento final.

Eles também podem usar informações qualitativas para selecionar investimentos e dados quantitativos para gerenciamento de risco. Embora as estratégias de investimento quantitativas e qualitativas tenham seus proponentes e seus críticos, as estratégias não precisam ser mutuamente exclusivas.

Análise quantitativa forex trading.

Análise quantitativa forex trading.

Análise quantitativa forex trading.

Finanças Quantitativas para um iniciante no Forex local.

Quantitative Fx Partners é uma equipe pequena e focada de pesquisadores estrangeiros com base na Europa Oriental. Nossa abordagem quantitativa / qualitativa à negociação, a.

OrangeQuant análise quantitativa para ações e forex.

17.09.2017 & # 0183; & # 32; Uma grande hipótese subjacente de flexibilização quantitativa é errada. O primeiro objetivo da flexibilização quantitativa é a opinião e a análise para o true FX trading.

Notícias Forex | FX Trading News, Market Research & amp; Intuições.

David Rodriguez é um estrategista sênior para DailyFX com mais de uma década de experiência em negociação algorítmica e quantitativa. O básico de negociação forex e.

Анализ рынка Forex.

Aprendizado de máquinas para o curso de negociação. Dos cursos de software de análise quantitativa. Ir para: navegação, pesquisa. Sobre Cursos de Software de Análise Quantitativa;

DailyFX - Forex Trading News & amp; Análise.

24.11.2003 & # 0183; & # 32; Vídeo embutido & # 0183; & # 32; Troque o risco de mercado Forex livre usando nossa negociação Forex gratuita. A análise quantitativa é empregada para Vários Quantitativos. Análise qualitativa.

# Forex Scalping ★★ Pairs Trading Métodos Quantitativos e.

Como um iniciante com pouca experiência de negociação prévia matemática / não pode ser dividido em análise quantitativa e negociação algorítmica? O comércio de Forex é bom.

Секреты торговли на рынке FOREX.

Всё для Forex здесь. Смотрите!

Análise técnica do Forex por MACD Indicator - isaet.

A Análise Quantitativa na Negociação de Mercadorias será realizada em Londres, Reino Unido a partir de 13 de maio de 2018. Esta Conferência é um evento de 3 dias e terminará em 15 de maio de 2018.

Vídeo Forex | Análise Quantitativa | 30 de julho de 2008 - YouTube.

Negociação quantitativa usa análise de supercomputadores e algoritmos complexos para descobrir tendências e padrões em dados financeiros. Estreitamente relacionado ao comércio algorítmico.

Negociando com Python | Torne-se um quant.

11.03.2018 & # 0183; & # 32; Essencialmente, o conceito comercial de Análise Quantitativa envolve o processo de aplicação de uma técnica comercial ou financeira que busca compreender.

Качайте прибыль из черного золота!

Анализ финансовых рынков от Форекс-дилера Телетрейд с лицензией ЦБ.

Previsão Forex - Wharton Finance.

Análise Quantitativa Basicamente, a idéia comercial da Análise Quantitativa inclui o procedimento de manchar uma técnica financeira ou comercial buscando.

Amazon: análise quantitativa - Wiley Trading: livros.

Análise quantitativa, pesquisa e estratégias de negociação nos mercados financeiros em todos os prazos.

Notícias Forex | FX Trading News, Market Research & amp; Intuições.

"análise quantitativa" Cancelar. Comércio Quantitativo: Como Rentabilidade e Negociação Sistemática: Uma Abordagem Quantitativa de Rentabilidade, Risco,

Estratégias quantificadas - Análise quantitativa, pesquisa.

Aprenda estratégias de negociação Forex com Dale Woods - Especialista em estratégias de negociação de ação de preço! Concentrando-se em metodologias de negociação swing.

Financial & amp; Análise Quantitativa - pesquisa de quantos.

15.10.2018 & # 0183; & # 32; Finanças quantitativas para um iniciante em conglomerado teórico spot, eu poderia aplicar no mercado Forex e risco simples usando análise quantitativa.

Comércio Quantitativo - Investopedia.

12.11.2018 & # 0183; & # 32; Vídeo embutido & # 0183; & # 32; Análise Quantitativa de Negociação usando o Excel 1 Fundamentos de Negociação Quantitativa - Duração: ferramenta Excel para Forex Trading Analysis - Duração:

Introdução às Estratégias de Negociação Algorítmica Palestra 1.

Existem várias sub-categorias de negociação quantitativa para incluir Arbitragem Estatística Elevada e Análise de Previsão de Mercado. Na AlgorithmicTrading,

Estratégia de Negociação | Gekko Quant - Negociação Quantitativa.

29.05.2018 & # 0183; & # 32; Este artigo é o primeiro de uma série que visa estudar em detalhes a estratégia da ANANTA, um modelo FX sistemático de curto prazo usando sinais de renda fixa. Nós vamos.

Análise quantitativa no Forex - The Balance.

07.12.2018 & # 0183; & # 32; O que é o comércio quantitativo? Estratégias de negociação baseadas em análises quantitativas que dependem de cálculos matemáticos e é de negociação forex.

Negociação algorítmica: a negociação algorítmica realmente funciona?

08.06.2018 & # 0183; & # 32; Aprenda comércio algorítmico, financiamento quantitativo e negociação de alta freqüência online de especialistas da indústria no QuantInsti - A Pioneer Training Institute for.

Analista quantitativo - Wikipedia.

A. Análise Fundamental no Forex Trading análise baseada em quantificação tenta elaborar indicadores como MACD e P-SAR enquanto a análise qualitativa.

Definição de Análise Quantitativa | Investopedia.

Uma Análise Quantitativa de Estratégias de Futuros Gerenciados LINTNER REVISITOU RYAN ABRAMS, CFA, FRM Portfolio Manager Wisconsin Alumni Research Foundation.

Negociação de Matemática.

Aplicando análise quantitativa para ganhar vantagem nos mercados financeiros.

Em defesa de uma abordagem quantitativa dos mercados financeiros.

Tenho a sensação de que existe algum equívoco sutil e difundido sobre pesquisas orientadas por dados nos mercados financeiros e vou levar este artigo: Procurar Alpha & # 8211; Nem mesmo errado: por que as previsões de mercado com base em dados são pior do que inútil por Justice Litle (também aparecendo em seu site: Mercenary Trader) como ponto de partida para a discussão.

O próprio artigo nasceu como um discurso contra este artigo sobre o Yahoo Finance: Why Boring Is Bullish, que # 8220; infers & # 8221; uma chance de 89% de ação de alta no S & amp; P, com base em uma amostra de 18 casos anteriores em que tínhamos "baixa vol e # 8221" semelhantes como agora.

Agora, deixe-me dizer claramente que o artigo do Yahoo é indefensável por vários motivos na minha opinião (para mencionar alguns: tamanho de amostra muito pequeno, sem análise de robustez, sem menção ao número de testes que foram executados), então, neste Concordo com o Sr. Litle.

No entanto, o Sr. Litle vai além disso e explica por que os mercados de ações não podem ser & # 8220; chatos e # 8221; agora mesmo:

& # 8220; A trajetória potencial dos mercados de ações é DIRECTAMENTE IMPACTADA PELA trajetória dos mercados de dívida e moeda (que são OPOSTOS de aborrecimento agora). [& # 8230;] & # 8220; Calma antes da tempestade chata, & # 8221; talvez. Um velho chato aborrecido? Ah, não. & # 8221; [& # 8230;]

e eventualmente move seus críticos para a mineração de dados nos mercados financeiros em geral:

& # 8220; Os mercados estão longe de ser simples. Na verdade, eles são muito complexos. Como tal, as previsões baseadas na mineração de dados de uma única variável histórica ou simples observação de padrões selecionados com cereja são quase sempre piores do que inúteis porque ignoram uma confluência de fatores de núcleo. # 8221; [& # 8230;]

& # 8220; Quando se trata de prever saídas futuras de sistemas complexos, praticamente TODAS as formas de pensamento estatístico de variável única são falhas. & # 8221; [& # 8230;]

& # 8220; A única maneira de evitar se enganar por dados espúrios ou pensamento superficial é colocar graxa de cotovelo real para entender verdadeiramente o que impulsiona os mercados e por que ... e uma vez que você tenha esse entendimento, não precisa escolher ou dados de cereja meu porque você tem algo melhor: a capacidade de avaliar uma confluência de fatores-chave no presente, como impactando importantes relações de mercado aqui e agora. # 8221;

Agora, embora eu concorde que os mercados financeiros são muito complexos e que é muito fácil de enganar, acredito que essas declarações sobre a mineração de dados são muito genéricas.

Usando uma única variável histórica ou levando em consideração a influência de múltiplos fatores, diz absolutamente nada per se sobre a boa previsão (e com a predição & # 8220; eu me refiro a qualquer tipo de inferência estatística sobre o futuro).

Em geral, para poder fazer uma previsão com algum valor, é preciso identificar certos recursos (variáveis) que combinaram de certa forma com algum poder preditivo sobre eventos futuros. Isso é verdade para qualquer campo e para qualquer método de predição, seja AI ou raciocínio humano.

A parte difícil, é claro, é encontrar esses recursos e combiná-los.

Olhando para as coisas desta forma, o autor do artigo do Yahoo é apenas alegando que (uma certa definição de) baixo nível de volatilidade tem algum poder explicativo sobre os retornos futuros. O que o Sr. Litle está respondendo é que a política monetária, a dívida e os mercados monetários são, em vez disso, melhores recursos para usar, com base em sua experiência e visão do mundo.

Isso realmente é diferente da mineração de dados devidamente realizada?

A grande questão é se a compreensão & # 8221; as causas de certas dinâmicas do mercado são um fator chave para torná-las previsíveis até certo ponto (observe as citações em & # 8220; compreensão e # 8221;).

Eu não acredito que este seja o caso.

Para fazer um paralelo com o mundo da Física, os físicos certamente nem sempre entendem por que certas coisas seguem uma determinada lei. Em vez disso, eles observam um certo comportamento e tentam descrevê-lo. Se ao longo do caminho eles podem encontrar algum tipo de explicação para isso, melhor. Mas sempre haverá um adicional & # 8220; porque & # 8221; o que requer uma resposta (por que as maçãs caem para o solo? - & gt; gravidade - & gt; porque a gravidade existe? - & gt; relativity - & gt; etc).

É claro que uma diferença importante com a Física é que os mercados financeiros não podem ser totalmente descritos por equações, sendo os resultados de interações complexas de bilhões de pessoas. Do ponto de vista prático isso significa que, com uma abordagem baseada em dados, temos que colocar muito mais atenção no desenvolvimento de uma estrutura para avaliar o poder preditivo real de qualquer modelo, o que também dificilmente funcionará para # 8201 ;.

Mas dificuldades semelhantes se aplicam a qualquer tipo de negociação discricionária. O mesmo fato de que há tantos fatores em jogo (e, portanto, tanto ruído) torna difícil para o nosso cérebro analisar a situação objetivamente, e certamente os muitos distorsos cognitivos que nos afetam não ajudam.

Então, nossa & # 8220; compreensão & # 8221; das causas dos movimentos do mercado podem realmente ir tão longe. Por exemplo. podemos entender que existe uma certa ineficiência por causa de algumas instituições que operam sob algumas restrições, mas nós não sabemos por quanto tempo essas restrições permanecerão em vigor ou quando alguns concorrentes escolherão essa ineficiência, reduzindo nossa margem de lucro ou mesmo causando a mercados para se comportar de forma totalmente imprevisível.

Com isso, eu não quero dizer que usar algum critério é inútil e # 8211; Em vez disso, eu apenas estou tentando argumentar que há um lugar para ambos na negociação e não vejo nenhum dualismo aqui. A pesquisa pura e correta (devidamente realizada) baseada em dados e pura pesquisa macro / discricionária leva a dois conjuntos diferentes de oportunidades que também podem se sobrepor em algumas situações.

Provavelmente a negociação discricionária pode ser mais sensível à mudança da dinâmica do mercado, enquanto que uma abordagem baseada em dados pode ter sua força na portabilidade das operações para diferentes mercados e em quão quantificável é.

E, em todo caso, acredito firmemente que qualquer análise baseada em dados seja tão boa quanto o pensamento que colocamos nela e, da mesma forma, qualquer tipo de negociação discricionária só pode se beneficiar com a utilização de algumas análises quantitativas.

Para comentar sobre um último ponto abordado por Mr Litle:

& # 8220; No entanto, nós gastamos cerca de zero tempo na mineração de dados, sem interesse em declarações como # 8220; Nos últimos X anos, o S & amp; P fez esse X por cento do tempo. & # 8221;

Por que esse contraste? Porque os mercados são um mar complexo de variáveis ​​de roda e interligação e # 8211; e são os fatores históricos e as relações qualitativas de causa e efeito são o que tem valor duradouro. Não é a saída de uma planilha que importa & # 8211; a escolha de cereja baseada em padrões que não possui informações sobre o que criou os resultados & # 8211; mas os relacionamentos qualitativos verdadeiramente atribuíveis à causalidade conjunta de vários desfechos, caso a caso, com um aceno muito grande para a história e o contexto. & # 8221;

Eu concordo que o que importa é, na verdade, encontrar alguns relacionamentos & # 8221; que têm poder preditivo real sobre o futuro. Mas como se encontra essas relações é uma questão complexa e é preciso cavar as especificidades de cada caso para descobrir se a análise tem algum valor, porque, em geral, a saída de uma planilha pode ser tão boa ou tão ruim quanto qualquer relação qualitativa pode-se pensar em segurar.

Algoritmos de correspondência de pedidos.

Nos mercados de hoje dominados por algos de alta freqüência, espaço para lucros para pessoas que não são HF (e, o mais importante, não-HF ciente), geralmente é reduzido. O impacto de desempenho proporcional da IC é provável que seja maior quanto menor for o seu comércio médio e menor será o seu período de espera.

No entanto, na minha experiência, isto não precisa ser o caso: simplesmente colocar, como em qualquer empresa que você precisa se adaptar aos concorrentes e, neste caso, uma maneira de fazê-lo é prestar mais atenção e melhorar a execução lado da sua negociação. Isso nem sempre é facilmente acessível (consulte a & # 8220; Falha na marca de data / hora e # 8221; relatada por Zerohedge), mas existem algumas frutas que penduram baixo que podem ser escolhidas como um primeiro passo.

Se esta afirmação pode parecer um pouco vaga para você, tenho um exemplo baseado na minha experiência que o apóia e que eu acho que poderia ser útil para os outros (embora não tenha tido muito impacto nas minhas estratégias).

Embora todos os meus modelos estejam totalmente automatizados, ainda gosto de olhar para os mercados e particularmente em livros de pedidos quando minhas ordens estão sendo executadas.

Algo que eu notei há algum tempo atrás ao negociar 30 anos de futuros de obrigações dos EUA foi que sempre que minhas ordens de limite foram executadas, eu estava imediatamente perdido.

O que isso significa é melhor explicado por um exemplo. Digamos que nós tivemos um livro de pedidos que se parecia com isso:

e que minha ordem de limite de venda estava incluída nos 750 @ 134.6.

Sempre que fui executado, o preço médio se moveria imediatamente contra mim, e o livro ficaria assim:

Basicamente, o que estava acontecendo era que meu pedido sempre foi um dos últimos a serem executados, então o simples fato de que ele foi preenchido significava que não havia mais ofertas (lances) no meu nível, e a melhor oferta e oferta iria subir ( baixo) um toque.

Uma rápida investigação no site do CME revelou que a causa para isso era o tipo de correspondência de ordem que estava sendo usado pela troca, um primeiro in, First Out (FIFO) algo.

O que é um algoritmo de correspondência?

Um algoritmo de correspondência é uma técnica para alocar quantidades correspondentes, usadas quando uma ordem de agressor corresponde a uma ou múltiplas ordens de repouso. Algoritmos aplicam-se tanto a correspondência total e implícita.

No site da Rajeev Ranjan, você pode encontrar uma introdução mais aprofundada aos Algoritmos de Correspondência de Pedidos (assim como outros recursos na negociação de HFT / algo).

No exemplo acima, meu modelo de negociação foi instruído para enviar a ordem limite apenas quando o preço estava próximo o suficiente ao meu nível desejado, o que sempre me fez um dos últimos para se juntar à fila e, portanto, um dos últimos a ser preenchido, de acordo com para o paradigma FIFO.

Em termos práticos, o que isso significava era que eu sempre fui executado nos pior cenários possíveis, ou seja, quando o preço continuaria na direção oposta do meu pedido e, ao mesmo tempo, nunca fui executado nos melhores cenários, isso é quando o preço seria # 8220; toque em & # 8221; meu nível e, em seguida, voltei para trás em meu favor.

Como você pode imaginar, uma solução simples para mim foi enviar minhas ordens limitadas (quando operando em algos correspondentes FIFO) o mais cedo possível, mas geralmente, essa observação pode sugerir coisas diferentes para pessoas diferentes. Para os comerciantes de um dia que não estão negociando de forma automatizada, operar sob algoritmos de correspondência FIFO pode significar, muitas vezes, aumentar a execução adversa máxima de um & # 8217; por um tico (o que pode ser bastante, dependendo do que está fazendo), a menos que um é capaz de brincar por aí.

De forma semelhante a este caso, existem outras situações em que a ordem que combina algo em uso e trades de execução em geral pode tornar-se tão importante quanto as estratégias / idéias comerciais próprias.

Outro exemplo de fazer bom uso de algoritmos de correspondência de pedidos pode ser o de um comerciante que opera sob um algoritmo de correspondência pró-rata, típico dos futuros Eurodollar (IR). Se você realmente quer um preenchimento de lotes X, você poderia simplesmente enviar um pedido que é um pouco maior do que X & # 8211; com a quantidade extra sendo ditada pela agressividade que deseja / precisa ser & # 8211; e uma vez preenchido, tente cancelar os lotes restantes (AVISO DE RESPONSABILIDADE: é claro, ao fazer isso, você está arriscando ativamente a ser preenchido em todos os lotes, então, simplesmente não fale minha palavra sobre esta sendo uma boa prática e faça isso na sua próprio risco).

É claro que prestar atenção ao algoritmo de correspondência é apenas coçar a superfície do mundo de alta freqüência, mas eu acho que, em algumas situações, é um arranjo fácil e # 8220; para fazer e um que poderia adicionar diretamente algum valor.

Para concluir esta publicação, deixe-me dizer claramente que, por quanto bom o nosso simulador de mercado é, a execução de trades pode sempre ser modelada de antemão. Isso não significa que devemos desistir tentando tornar as simulações tão realistas (e um pouco conservadoras) quanto possível, p. Ex. em termos de preenchimento e deslizamento (aqui é uma boa publicação sobre o que é o deslizamento pelo Prof. Tucker Balch). Em vez disso, devemos lembrar que não existe um substituto real para a observação pessoal de primeira mão e a interação com o mundo.

Em suma, não deve realmente surpreender que a simples observação seja uma ferramenta poderosa, sendo o primeiro passo do método científico.

Seleção de recursos em algoritmos de negociação.

Ultimamente, procurei uma maneira mais sistemática de superação e, na minha busca, achei útil pedir emprestado algumas técnicas do campo Aprendizagem de Máquinas.

Se você pensa sobre isso, um algoritmo de negociação é apenas uma forma de AI aplicada às séries de preços. Esta afirmação, embora possivelmente óbvia, nos coloca na posição de aplicar uma série de técnicas de Aprendizado de Máquinas para o nosso design de estratégias comerciais.

Expandindo o que discutimos aqui (e aqui), parece intuitivo que quanto mais recursos em um modelo, mais geralmente o modelo pode estar sujeito a superposição. Esse problema é conhecido como o trade-off de desvio de tendência e geralmente é resumido pelo gráfico à direita.

À medida que a complexidade aumenta, o desempenho no conjunto de treinamento aumenta enquanto o poder de previsão se degrada.

O que é possivelmente menos intuitivo é que os recursos específicos utilizados em relação à dinâmica para prever desempenham um papel fundamental na determinação de que estamos superando dados passados, de modo que o comportamento de erro mostrado no gráfico é apenas uma generalização.

Algo particularmente interessante é que o uso da mesma característica (por exemplo, em nossa aplicação, um indicador, um mecanismo de lucro ou perda de parada, etc.) pode ou não causar superposição de acordo com a dinâmica que estamos tentando ajustar.

A razão por trás disso é que alguns fenômenos (ou algumas vezes até variantes do mesmo fenômeno) simplesmente podem ser descritos por alguns recursos.

Por exemplo, imagine que você está tentando prever as futuras vendas de uma loja de roupas esportivas na Austrália. A & # 8220; good & # 8221; O recurso a usar poderia ser a temporada do ano, como (digamos) que os australianos estão particularmente interessados ​​em esportes aquáticos e, portanto, nascentes e os verões tendem a mostrar as melhores vendas do ano.

Agora imagine tentar prever as futuras vendas de uma loja de roupas esportivas similar localizada em algum lugar nos EUA. Pode ser que os cidadãos dos EUA não tenham preferência para qualquer estação específica, como no verão eles praticam esportes aquáticos e no inverno vão esquiar. Neste novo cenário, um modelo que usa a estação do ano como característica é mais provável que resulte em um modelo superado devido às diferentes dinâmicas subjacentes.

De volta aos mercados financeiros, um exemplo disso pode ser como um mecanismo de stop loss tende a ser (geralmente e de acordo com minha experiência) um bom recurso para as estratégias de tendência, mas não para estratégias de reversão média (e vice-versa para lucro alvo ordens). Uma possível explicação disso pode ser que as tendências são bem descritas pela ausência de grandes movimentos adversos, mas sua extensão completa pode ser conhecida de antemão (mas é só eu tentando racionalizar minhas descobertas empíricas).

Então, como você entende quais recursos são bons candidatos?

Felizmente para nós, há um monte de técnicas desenvolvidas no campo Aprendizagem de Máquinas para operar a seleção de recursos. Eu recomendo o seguinte documento de 2003 para uma visão geral dos métodos: Uma Introdução à variável e seleção de recursos por Isabelle Guyon. Qualquer texto de Machine Learning também deve abranger algumas das técnicas, como acontece com a classe excepcional de aprendizado de máquinas da Stanford em Coursera.

Qualquer outro leitor & # 8217; Recomendação (ou comentário) é, naturalmente, muito bem-vinda.

Estimadores de desempenho aparados.

Este é um rápido acompanhamento na minha publicação anterior sobre a normalização Quantile.

Em vez de remover apenas o quilo X superior de retornos / trades ao otimizar o espaço de parâmetros de uma estratégia, minha abordagem recente foi remover os quantiles X superiores e inferiores, de forma efetiva usando um estimador de desempenho aparado robusto em vez do estimador em si.

As vantagens são simétricas para as discutidas no post anterior, desde que seu backtest permita modelagem realista de execução de negócios e # 8211; por exemplo. se você estiver usando ordens de parada e barras comerciais (em oposição aos dados do tick), você provavelmente deseja adicionar uma quantidade de deslizamento de alguma forma proporcional ao tamanho da barra (especificação necessária porque uma modelagem conservadora de ordens de limite é mais fácil de alcançar) .

Descartar os piores retornos é particularmente útil no caso de estratégias com grandes perdas únicas (como, por exemplo, estratégias de reversão média de algum tipo), enquanto que cortar os melhores retornos é mais útil para estratégias com grandes dias positivos (por exemplo, estratégias que seguem a tendência) .

Duas (de muitas) variantes possíveis são:

- Para preservar as autocorrelações dos retornos de uma estratégia, pode-se decidir remover blocos de trades / dias, em vez de trades / dias individuais (de forma semelhante ao que se faz quando bloqueios de negociação / dias).

- Para preservar o número de amostras em nossos resultados em vez de remover os melhores (piores) dias, pode-se substituí-los pelos dias médios / médios positivos (perdidos).

Outra coisa a notar é que, se sua medida de desempenho faz uso de desvio padrão (como é o caso da Ratio de Sharpe), reduzir as colas dos retornos de sua computação provavelmente resultará em uma superestimação do desempenho.

Finalmente, aqui está o código Matlab:

(Normalmente, tenho a variável normalise_excess_pnl automaticamente inicializada para 1 ou 0 do ambiente externo, de acordo com se eu ou não executo uma otimização).

Adaptação, inadimplência e compreensão dos drivers do alfa.

Embora a superposição seja certamente um desafio, cair para o extremo oposto também é uma possibilidade.

Relatando parte de uma entrevista de William Echkardt da revista Futures (que eu recomendaria ler na íntegra a partir daqui):

& # 8220; posso falar um pouco mais sobre o excesso de ajuste, senão as minhas técnicas proprietárias pessoais. Antes de tudo, eu gosto do [termo] sobreposto em vez de ajuste de curva porque o ajuste de curva é um termo a partir de análise de regressão não-linear. É onde você tem muitos dados e está ajustando os pontos de dados a alguma curva. Bem, você não está fazendo isso com os futuros. Tecnicamente não há ajuste de curva aqui; o termo não se aplica. Mas o que você pode fazer é que você pode encaixar demais. A razão pela qual eu gosto do termo over-fit em vez de curve-fit é que o excesso de ajuste mostra que você também pode diminuir. As pessoas que não otimizam estão subjacentes. & # 8221;

Underfitting e Misfitting.

Se estamos usando um número insuficiente de graus de liberdade, para que nosso sistema não diferencie entre algumas mudanças importantes no comportamento do mercado, então o que estamos fazendo é insuficiente. Um exemplo trivial de compensação poderia ser comprar um estoque aleatório do universo de estoque em um ponto aleatório no tempo e mantê-lo por um período de tempo aleatório.

Claramente, o que faz uma variável & # 8220; direita & # 8221; Para um determinado modelo e um determinado recurso é altamente discutível.

Da mesma forma que o que disse por superação, não acho que possamos facilmente dizer em termos absolutos se um modelo é falho com inadequado ou inadimplente (exceto para casos muito óbvios). Em vez disso, eu gosto de argumentar em termos da possível existência de uma melhor especificação do modelo que estamos ignorando, p. Ex. pode haver um fator chave para o qual nosso modelo é particularmente sensível e não contabilizamos (tanto em termos de ativos específicos que aplicamos o modelo como em termos de dinâmica atual do mercado). Ou pode ser o caso de que estamos usando algumas variáveis ​​que são apenas vinculadas ao fator real, mas não são o driver alfa real.

Técnicas para realizar esse tipo de análise incluem PCA e análise fatorial, mas de acordo com o que exatamente é possível aplicar muitas outras técnicas quantitativas (em um nível de carteira, algo como agrupamento de mercado apresentado de David Varadi parece promissor).

Claro (e, infelizmente), temos que ter em mente que, quanto mais operamos esse tipo de análise a posteriori, mais provável é que possamos ir um extremo (improdução / inadimplência) para o outro (superação).

Caudas de gordura e mudanças na dinâmica do mercado.

Em outra parte da entrevista mencionada acima, o Sr. Echkardt relaciona estritamente o número de graus de liberdade com o número de negócios em nosso backtest, argumentando que é preciso mais trades do que o esperado em um mundo gaussiano & # 8221; Por causa das grossas caudas de mercados e # 8217; retorna. Embora eu concorde com a relação qualitativa entre graus de liberdade e número de trades, não tenho certeza de que concordo com a estrita relação quantitativa entre as duas variáveis.

Há duas razões para isso:

1) Não é sempre possível quantificar exatamente o número real de graus de liberdade que está sendo usado ou quanto retrospectiva estamos derramando em nossa modelagem (como discutido na minha publicação anterior);

2) Eu acho que as queixadas de gordura são apenas parte da história. Outra grande parte são as mudanças contínuas que os mercados atravessam (sob a forma de heterocedasticidade, mas não apenas).

Imagine que você teste um modelo ao longo de 2 anos de dados, e isso porque o modelo é um modelo de alta frequência (e, portanto, produz um número muito alto de negócios), você acha que está se protegendo de superposição. O que você pode estar ignorando é que, testando o modelo em uma janela de tempo relativamente curto, você não poderia testá-lo contra diferentes condições de mercado. Pode ser bem que, há 2,5 anos, os mercados fossem um pouco diferentes e seu modelo fosse inútil, o que implica que, assim que os mercados mudarem novamente, você perderá a vantagem. Um exemplo poderia ser um modelo que inconscientemente tira proveito de algum comportamento de mercado nascido do Fed em espera durante um longo período de tempo.

Esta é outra forma de superação se você quiser, mas uma que pode ser explicada simplesmente por olhar a quantidade de trades em relação ao número de parâmetros do modelo # 8217; s.

Por isso, eu sempre gostaria de testar qualquer nova estratégia em tantos dados históricos quanto possível. Em relação a isso, estou em desacordo parcial com o Dr. Chan, que afirma que ele raramente testa estratégias com dados anteriores a 2007 (leia mais aqui: A Pseudo-Ciência do Teste de Hipóteses). Todas as outras coisas sendo iguais, acho uma estratégia que funcionou bem por muito tempo para ser mais provável que funcione no futuro próximo do que uma estratégia que funcionou bem em uma curta história (o que não significa que algo que começou a funcionar apenas recentemente pode continuar a funcionar). Além disso, mesmo se você tiver algo que começou a trabalhar apenas recentemente, ter uma visão de como ele se comportou quando não realizou realmente pode certamente oferecer algumas idéias interessantes e # 8211; especialmente se você não tem certeza sobre o que o motorista por trás do seu alfa realmente é.

Isso me leva ao ponto final antes de concluir esse longo post: precisamos realmente entender o que nosso modelo está fazendo e qual o tipo de ineficiência que estamos explorando?

Pessoalmente, acho que entender o motorista subjacente do nosso alfa é certamente uma grande vantagem, já que ele permite monitorar diretamente o comportamento do driver principal, o que, por sua vez, pode dar-lhe algumas informações práticas em tempos difíceis. No entanto, isso nem sempre é suficiente & # 8211; pense nos fundos da quantia durante a crise de 07-08: eles estavam plenamente conscientes do motorista por trás de suas estratégias estatais arb, mas eles ainda ficaram presos em fluxos de ordens e liquidações forçadas. Outro exemplo poderia muito bem ser a explosão do LTCM.

Moral da história é que sempre pode haver uma camada adicional de complexidade não sendo considerada, de modo que (em parte) a compreensão do driver do nosso alfa não ofereça qualquer vantagem adicional.

Portanto, embora seja bom, não considero necessário entender o verdadeiro motorista por trás do nosso alfa # 8211; desde que nossa análise estatística nos confira confiança suficiente para negociar nossa estratégia.