Estratégias de negociação quantitativa amazon

Negociação Quantitativa.

O que é 'negociação quantitativa'

A negociação quantitativa consiste em estratégias de negociação baseadas em análises quantitativas, que dependem de cálculos matemáticos e processamento de números para identificar oportunidades de negociação. Como a negociação quantitativa é geralmente usada por instituições financeiras e fundos de hedge, as transações geralmente são grandes em tamanho e podem envolver a compra e venda de centenas de milhares de ações e outros títulos. No entanto, o comércio quantitativo está se tornando mais comumente usado por investidores individuais.

QUEBRANDO "Negociação Quantitativa"

As técnicas de negociação quantitativa incluem negociação de alta frequência, negociação algorítmica e arbitragem estatística. Essas técnicas são rápidas e normalmente têm horizontes de investimento de curto prazo. Muitos comerciantes quantitativos estão mais familiarizados com ferramentas quantitativas, como médias móveis e osciladores.

Compreender Negociação Quantitativa.

Comerciantes quantitativos aproveitam a tecnologia moderna, a matemática e a disponibilidade de bancos de dados abrangentes para tomar decisões comerciais racionais.

Comerciantes quantitativos adotam uma técnica de negociação e criam um modelo usando a matemática, e então desenvolvem um programa de computador que aplica o modelo a dados históricos do mercado. O modelo é então backtested e otimizado. Se resultados favoráveis ​​forem alcançados, o sistema é então implementado em mercados em tempo real com capital real.

A forma como os modelos de negociação quantitativa funcionam pode ser melhor descrita usando uma analogia. Considere um boletim meteorológico em que o meteorologista prevê 90% de chance de chuva enquanto o sol estiver brilhando. O meteorologista deriva essa conclusão contra-intuitiva ao coletar e analisar dados climáticos de sensores em toda a área. Uma análise quantitativa computadorizada revela padrões específicos nos dados. Quando esses padrões são comparados com os mesmos padrões revelados em dados históricos do clima (backtesting), e 90 de 100 vezes o resultado é chuva, então o meteorologista pode tirar a conclusão com confiança, daí a previsão de 90%. Os comerciantes quantitativos aplicam este mesmo processo ao mercado financeiro para tomar decisões comerciais.

Vantagens e desvantagens da negociação quantitativa.

O objetivo da negociação é calcular a probabilidade ótima de executar uma negociação lucrativa. Um trader típico pode efetivamente monitorar, analisar e tomar decisões de negociação sobre um número limitado de títulos antes que a quantidade de dados recebidos sobrecarregue o processo de tomada de decisão. O uso de técnicas quantitativas de negociação ilumina esse limite usando computadores para automatizar as decisões de monitoramento, análise e negociação.

Superar a emoção é um dos problemas mais difusos da negociação. Seja medo ou ganância, quando se negocia, a emoção serve apenas para sufocar o pensamento racional, o que geralmente leva a perdas. Computadores e matemática não possuem emoções, então a negociação quantitativa elimina esse problema.

A negociação quantitativa tem seus problemas. Os mercados financeiros são algumas das entidades mais dinâmicas que existem. Portanto, os modelos de negociação quantitativos devem ser tão dinâmicos para serem consistentemente bem-sucedidos. Muitos comerciantes quantitativos desenvolvem modelos que são temporariamente lucrativos para as condições de mercado para as quais foram desenvolvidos, mas acabam fracassando quando as condições do mercado mudam.

Quant Trading Books.

Por favor, selecione uma categoria:

Quant Trading Machine Aprendizagem História Geral R Python C + + Programação Fin Math Jobs Hedge Funds Nossos Bloggers.

Esta categoria é curada por: Kris Longmore, da Robot Wealth.

Kris é ex-engenheiro e quantia de hedge funds. Ele fundou a Quantify Partners e a Robot Wealth, que facilitam a busca por obsessão por aprendizado de máquina e comércio algorítmico.

(*) Observe que os livros da Quant Start estão disponíveis apenas em seu site. Nós não somos afiliados à Quant Start, nem compensados ​​por este link. Nós simplesmente gostamos de promover o trabalho dos mocinhos.

Livros com curadoria dos melhores:

Estes livros são organizados pelos principais autores da nossa comunidade:

Quando você faz o pedido através desta página, a Amazon joga alguns shekels do nosso jeito. Não há nenhum custo adicional para você, e é uma ótima maneira de mostrar seu amor pela Quantocracia.

Direitos autorais & copy; 2015-2018 e middot; Design do site por: The Dynamic Duo.

Guia para iniciantes em negociação quantitativa.

Guia para iniciantes em negociação quantitativa.

Neste artigo, vou apresentar alguns dos conceitos básicos que acompanham um sistema de negociação quantitativo de ponta a ponta. Espera-se que este post atenda a dois públicos-alvo. O primeiro será indivíduos tentando obter um emprego em um fundo como um comerciante quantitativo. A segunda será pessoas que desejam tentar montar seu próprio negócio de comércio algorítmico "de varejo".

A negociação quantitativa é uma área extremamente sofisticada de finanças quânticas. Pode levar uma quantidade significativa de tempo para obter o conhecimento necessário para passar uma entrevista ou construir suas próprias estratégias de negociação. Não só isso, mas requer extensa experiência em programação, pelo menos em uma linguagem como MATLAB, R ou Python. No entanto, à medida que a frequência de negociação da estratégia aumenta, os aspectos tecnológicos tornam-se muito mais relevantes. Assim, estar familiarizado com o C / C ++ será de suma importância.

Um sistema de negociação quantitativo consiste em quatro componentes principais:

Identificação Estratégica - Encontrando uma estratégia, explorando uma vantagem e decidindo sobre a frequência de negociação Backtesting da estratégia - Obtendo dados, analisando o desempenho da estratégia e removendo vieses Sistema de Execução - Vinculando a uma corretora, automatizando a negociação e minimizando custos de transação tamanho da aposta "/ critério de Kelly e psicologia de negociação.

Começaremos dando uma olhada em como identificar uma estratégia de negociação.

Identificação de estratégia.

Todos os processos de negociação quantitativos começam com um período inicial de pesquisa. Este processo de pesquisa engloba encontrar uma estratégia, verificando se a estratégia se encaixa em um portfólio de outras estratégias que você pode estar executando, obtendo quaisquer dados necessários para testar a estratégia e tentando otimizar a estratégia para retornos mais altos e / ou menor risco. Você precisará levar em conta suas próprias necessidades de capital se administrar a estratégia como um operador de "varejo" e como os custos de transação afetarão a estratégia.

Ao contrário da crença popular, é bastante simples encontrar estratégias lucrativas por meio de várias fontes públicas. Os acadêmicos publicam regularmente resultados teóricos de negociação (embora, em sua maioria, sejam brutos dos custos de transação). Os blogs de finanças quantitativas discutirão as estratégias em detalhes. Os jornais de comércio delinearão algumas das estratégias empregadas pelos fundos.

Você pode questionar por que os indivíduos e as empresas estão interessados ​​em discutir suas estratégias lucrativas, especialmente quando sabem que outras pessoas "que estão ocupando o mercado" podem impedir que a estratégia funcione a longo prazo. A razão está no fato de que eles não costumam discutir os parâmetros exatos e os métodos de ajuste que eles realizaram. Essas otimizações são a chave para transformar uma estratégia relativamente medíocre em uma altamente lucrativa. Na verdade, uma das melhores maneiras de criar suas próprias estratégias únicas é encontrar métodos semelhantes e, em seguida, realizar seu próprio procedimento de otimização.

Aqui está uma pequena lista de lugares para começar a procurar ideias estratégicas:

Muitas das estratégias que você irá analisar se encaixarão nas categorias de reversão à média e tendência / momento. Uma estratégia de reversão à média é aquela que tenta explorar o fato de que existe uma média de longo prazo em uma "série de preços" (como o spread entre dois ativos correlatos) e que desvios de curto prazo dessa média acabarão sendo revertidos. Uma estratégia de momentum tenta explorar tanto a psicologia do investidor quanto a grande estrutura de fundos, "pegando carona" em uma tendência de mercado, que pode ganhar impulso em uma direção e seguir a tendência até que ela se reverta.

Outro aspecto extremamente importante da negociação quantitativa é a frequência da estratégia de negociação. A negociação de baixa frequência (LFT) geralmente se refere a qualquer estratégia que detenha ativos por mais de um dia de negociação. Correspondentemente, a negociação de alta frequência (HFT) geralmente se refere a uma estratégia que mantém ativos intraday. Negociação de frequência ultra-alta (UHFT) refere-se a estratégias que mantêm ativos na ordem de segundos e milissegundos. Como profissionais de varejo, HFT e UHFT certamente são possíveis, mas apenas com conhecimento detalhado da "pilha de tecnologia" e da dinâmica do livro de pedidos. Não vamos discutir esses aspectos em grande medida neste artigo introdutório.

Uma vez que uma estratégia, ou conjunto de estratégias, tenha sido identificada, ela agora precisa ser testada quanto à lucratividade nos dados históricos. Esse é o domínio do backtesting.

Backtesting de estratégia.

O objetivo do backtesting é fornecer evidências de que a estratégia identificada por meio do processo acima é lucrativa quando aplicada a dados históricos e fora da amostra. Isso define a expectativa de como a estratégia funcionará no "mundo real". No entanto, backtesting não é garantia de sucesso, por várias razões. É talvez a área mais sutil do comércio quantitativo, uma vez que implica inúmeros vieses, que devem ser cuidadosamente considerados e eliminados, tanto quanto possível. Discutiremos os tipos comuns de polarização, incluindo viés de antecipação, viés de sobrevivência e viés de otimização (também conhecido como viés de "espionagem de dados"). Outras áreas de importância dentro do backtesting incluem a disponibilidade e a limpeza de dados históricos, levando em consideração custos de transação realistas e decidindo sobre uma plataforma robusta de backtesting. Discutiremos os custos de transação na seção Sistemas de Execução abaixo.

Uma vez que uma estratégia tenha sido identificada, é necessário obter os dados históricos através dos quais realizar testes e, talvez, refinamento. Há um número significativo de fornecedores de dados em todas as classes de ativos. Seus custos geralmente variam de acordo com a qualidade, profundidade e pontualidade dos dados. O ponto de partida tradicional para os comerciantes de quantia iniciais (pelo menos no nível de varejo) é usar o conjunto de dados gratuito do Yahoo Finance. Não vou me debruçar muito sobre fornecedores aqui, em vez disso, gostaria de me concentrar nas questões gerais ao lidar com conjuntos de dados históricos.

As principais preocupações com dados históricos incluem exatidão / limpeza, viés de sobrevivência e ajuste para ações corporativas, como dividendos e desdobramentos:

Precisão pertence à qualidade geral dos dados - se contém algum erro. Às vezes, os erros podem ser fáceis de identificar, como com um filtro de pico, que detecta "picos" incorretos nos dados de séries temporais e os corrige. Em outras ocasiões, podem ser muito difíceis de detectar. Muitas vezes é necessário ter dois ou mais provedores e, em seguida, verificar todos os seus dados uns contra os outros. O viés de sobrevivência é muitas vezes uma "característica" de conjuntos de dados gratuitos ou baratos. Um conjunto de dados com viés de sobrevivência significa que ele não contém ativos que não estão mais sendo negociados. No caso de ações, isso significa ações excluídas / falidas. Esse viés significa que qualquer estratégia de negociação de ações testada em tal conjunto de dados provavelmente terá um desempenho melhor do que no "mundo real", já que os "vencedores" históricos já foram pré-selecionados. As ações corporativas incluem atividades "logísticas" realizadas pela empresa, que geralmente causam uma mudança na função de etapa do preço bruto, que não deve ser incluída no cálculo dos retornos do preço. Ajustes para dividendos e desdobramentos são os culpados comuns. Um processo conhecido como ajuste de costas é necessário para ser realizado em cada uma dessas ações. É preciso ter muito cuidado para não confundir uma divisão de ações com um verdadeiro ajuste de retorno. Muitos traders foram pegos por uma ação corporativa!

Para realizar um procedimento de backtest, é necessário usar uma plataforma de software. Você tem a escolha entre softwares backtest dedicados, como o Tradestation, uma plataforma numérica como o Excel ou o MATLAB ou uma implementação personalizada completa em uma linguagem de programação como Python ou C ++. Eu não vou me demorar muito em Tradestation (ou similar), Excel ou MATLAB, como eu acredito em criar uma pilha de tecnologia interna completa (por razões descritas abaixo). Um dos benefícios disso é que o software de backtest e o sistema de execução podem ser totalmente integrados, mesmo com estratégias estatísticas extremamente avançadas. Para as estratégias de HFT, em particular, é essencial usar uma implementação personalizada.

Ao fazer o backtest de um sistema, é preciso ser capaz de quantificar o desempenho do mesmo. As métricas "padrão da indústria" para estratégias quantitativas são o rebaixamento máximo e o Índice de Sharpe. O rebaixamento máximo caracteriza a maior queda de ponta a ponta na curva de patrimônio da conta em um determinado período de tempo (geralmente anual). Isso é mais frequentemente citado como uma porcentagem. As estratégias de LFT tenderão a ter rebaixamentos maiores do que as estratégias de HFT, devido a vários fatores estatísticos. Um backtest histórico mostrará o último drawdown máximo, que é um bom guia para o futuro desempenho de drawdown da estratégia. A segunda medida é o Índice de Sharpe, que é definido heuristicamente como a média dos retornos excedentes dividida pelo desvio padrão desses retornos excedentes. Aqui, os retornos excedentes referem-se ao retorno da estratégia acima de um benchmark pré-determinado, como o S & P500 ou um Tesouro de 3 meses. Note-se que o retorno anualizado não é uma medida normalmente utilizada, pois não leva em conta a volatilidade da estratégia (ao contrário do Índice de Sharpe).

Uma vez que uma estratégia tenha sido testada novamente e seja considerada livre de vieses (na medida em que isso seja possível!), Com um bom Sharpe e rebaixamentos minimizados, é hora de construir um sistema de execução.

Sistemas de Execução.

Um sistema de execução é o meio pelo qual a lista de negociações geradas pela estratégia é enviada e executada pelo intermediário. Apesar do fato de que a geração de comércio pode ser semi ou totalmente automatizada, o mecanismo de execução pode ser manual, semi-manual (ou seja, "um clique") ou totalmente automatizado. Para estratégias de LFT, técnicas manuais e semi-manuais são comuns. Para as estratégias de HFT, é necessário criar um mecanismo de execução totalmente automatizado, que muitas vezes será fortemente acoplado ao gerador de comércio (devido à interdependência entre estratégia e tecnologia).

As principais considerações ao criar um sistema de execução são a interface com a corretora, a minimização dos custos de transação (incluindo comissão, derrapagem e spread) e a divergência de desempenho do sistema ao vivo do desempenho do backtested.

Há muitas maneiras de interagir com uma corretora. Eles variam de chamar seu corretor por telefone até uma Application Programming Interface (API) de alto desempenho totalmente automatizada. O ideal é que você queira automatizar a execução de seus negócios o máximo possível. Isso libera você para se concentrar em mais pesquisas, bem como permitir que você execute várias estratégias ou mesmo estratégias de maior frequência (na verdade, HFT é essencialmente impossível sem execução automatizada). O software comum de backtesting descrito acima, como MATLAB, Excel e Tradestation, é bom para estratégias mais simples e de menor frequência. No entanto, será necessário construir um sistema de execução interno escrito em uma linguagem de alto desempenho, como C ++, para fazer qualquer HFT real. Como uma anedota, no fundo em que eu costumava trabalhar, tínhamos um "ciclo de negociação" de 10 minutos, onde baixávamos novos dados de mercado a cada 10 minutos e depois executávamos negociações com base nessas informações no mesmo período de tempo. Isso estava usando um script Python otimizado. Para qualquer coisa que se aproxime de dados de frequência de minutos ou segundos, acredito que C / C ++ seria mais ideal.

Em um fundo maior, muitas vezes não é o domínio do comerciante de quantificação para otimizar a execução. No entanto, em pequenas lojas ou empresas de HFT, os comerciantes são os executores e, portanto, um conjunto de habilidades muito mais amplo é geralmente desejável. Tenha isso em mente se você deseja ser empregado por um fundo. Suas habilidades de programação serão tão importantes, se não mais, do que suas estatísticas e talentos econométricos!

Outra questão importante que cai sob a bandeira da execução é a minimização dos custos de transação. Geralmente, há três componentes nos custos de transação: Comissões (ou impostos), que são as taxas cobradas pela corretora, pela bolsa e pela SEC (ou órgão regulador governamental similar); escorregamento, que é a diferença entre o que você pretendia que seu pedido fosse preenchido versus o que foi realmente preenchido; spread, que é a diferença entre o preço de compra / venda do título negociado. Observe que o spread NÃO é constante e depende da liquidez atual (ou seja, disponibilidade de ordens de compra / venda) no mercado.

Os custos de transação podem fazer a diferença entre uma estratégia extremamente lucrativa com um bom índice de Sharpe e uma estratégia extremamente não lucrativa com um índice de Sharpe terrível. Pode ser um desafio prever corretamente os custos de transação de um backtest. Dependendo da frequência da estratégia, você precisará acessar os dados históricos do câmbio, que incluirão dados de ticks para preços de compra / venda. Equipes inteiras de quantos são dedicadas à otimização da execução nos fundos maiores, por esses motivos. Considere o cenário em que um fundo precisa descarregar uma quantidade substancial de negociações (das quais as razões para isso são muitas e variadas!). Ao "despejar" tantas ações no mercado, elas rapidamente deprimirão o preço e podem não obter uma execução ideal. Daí algoritmos que "gotejam feed" ordens para o mercado existem, embora o fundo corre o risco de derrapagem. Além disso, outras estratégias "atacam" essas necessidades e podem explorar as ineficiências. Este é o domínio da arbitragem da estrutura do fundo.

A última grande questão para os sistemas de execução diz respeito à divergência de desempenho da estratégia do desempenho do backtested. Isso pode acontecer por vários motivos. Já analisamos o viés de look-ahead e o viés de otimização em profundidade, ao considerar os backtests. No entanto, algumas estratégias não facilitam o teste desses vieses antes da implantação. Isso ocorre em HFT mais predominantemente. Pode haver bugs no sistema de execução, bem como a própria estratégia de negociação que não aparece em um backtest, mas aparece no live trading. O mercado pode ter sido sujeito a uma mudança de regime após a implantação de sua estratégia. Novos ambientes regulatórios, mudanças no sentimento do investidor e fenômenos macroeconômicos podem levar a divergências na forma como o mercado se comporta e, consequentemente, na rentabilidade de sua estratégia.

Gerenciamento de riscos.

A peça final do quebra-cabeça de negociação quantitativa é o processo de gerenciamento de risco. "Risco" inclui todos os vieses anteriores que discutimos. Isso inclui risco de tecnologia, como servidores co-localizados na central de repente desenvolvendo um mau funcionamento do disco rígido. Isso inclui risco de corretagem, como o corretor estar falido (não tão louco quanto parece, dado o recente susto com a MF Global!). Em suma, abrange quase tudo o que poderia interferir com a implementação comercial, dos quais existem muitas fontes. Livros inteiros são dedicados à gestão de risco para estratégias quantitativas, então eu não tentarei elucidar todas as possíveis fontes de risco aqui.

A gestão de risco também abrange o que é conhecido como alocação de capital ideal, que é um ramo da teoria de portfólio. Esse é o meio pelo qual o capital é alocado a um conjunto de estratégias diferentes e aos negócios dentro dessas estratégias. É uma área complexa e depende de algumas matemáticas não triviais. O padrão da indústria pelo qual a alocação ótima de capital e a alavancagem das estratégias estão relacionadas é chamado de critério de Kelly. Como este é um artigo introdutório, não vou me alongar em seu cálculo. O critério de Kelly faz algumas suposições sobre a natureza estatística dos retornos, que muitas vezes não são verdadeiros nos mercados financeiros, de modo que os operadores geralmente são conservadores quando se trata da implementação.

Outro componente fundamental do gerenciamento de riscos é lidar com o próprio perfil psicológico. Existem muitos vieses cognitivos que podem surgir na negociação. Embora isso seja reconhecidamente menos problemático com negociação algorítmica se a estratégia for deixada em paz! Um viés comum é o da aversão à perda, em que uma posição perdedora não será fechada devido à dor de ter que perceber uma perda. Da mesma forma, os lucros podem ser tomados muito cedo porque o medo de perder um lucro já ganho pode ser muito grande. Outro viés comum é conhecido como viés de recência. Isso se manifesta quando os operadores enfatizam demais os eventos recentes e não a longo prazo. Então, é claro, há o par clássico de preconceitos emocionais - medo e ganância. Estes podem muitas vezes levar a sub ou sobre-alavancagem, o que pode causar blow-up (ou seja, o título da conta indo para zero ou pior!) Ou lucros reduzidos.

Como pode ser visto, o comércio quantitativo é uma área extremamente complexa, embora muito interessante, de financiamento quantitativo. Eu literalmente arranhei a superfície do tópico neste artigo e já está ficando bastante longo! Livros e documentos inteiros foram escritos sobre questões para as quais eu só dei uma ou duas sentenças. Por esse motivo, antes de se candidatar a cargos quantitativos de negociação de fundos, é necessário realizar uma quantidade significativa de estudo de base. No mínimo, você precisará de um extenso conhecimento em estatística e econometria, com muita experiência em implementação, por meio de uma linguagem de programação como MATLAB, Python ou R. Para estratégias mais sofisticadas no final de frequência mais alta, seu conjunto de habilidades é provável para incluir a modificação do kernel do Linux, C / C ++, programação de montagem e otimização de latência de rede.

Se você estiver interessado em tentar criar suas próprias estratégias de negociação algorítmica, minha primeira sugestão seria se programar bem. Minha preferência é construir o máximo possível de dados capturados, backtester de estratégia e sistema de execução. Se o seu próprio capital está em jogo, não dormiria melhor à noite sabendo que você testou completamente o seu sistema e está ciente de suas armadilhas e problemas específicos? Terceirizar isso para um fornecedor, enquanto potencialmente economiza tempo a curto prazo, pode ser extremamente caro a longo prazo.

A Quantcademy.

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

Negociação Algorítmica Bem Sucedida.

Como encontrar novas ideias de estratégia de negociação e avaliá-las objetivamente para o seu portfólio usando um mecanismo de backtesting personalizado no Python.

Comércio Algorítmico Avançado.

Como implementar estratégias de negociação avançadas usando análise de séries temporais, aprendizado de máquina e estatísticas Bayesianas com R e Python.

Top 5 livros essenciais para iniciantes para negociação algorítmica.

Top 5 livros essenciais para iniciantes para negociação algorítmica.

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

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

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

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

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

Uma vez que os conceitos básicos são apreendidos, é necessário começar a desenvolver uma estratégia de negociação. Isso é geralmente conhecido como o componente de modelo alfa de um sistema de negociação. As estratégias são fáceis de encontrar nos dias de hoje, no entanto, o verdadeiro valor vem em determinar seus próprios parâmetros de negociação através de extensa pesquisa e backtesting. Os seguintes livros discutem certos tipos de sistemas de negociação e execução e como implementá-los:

4) Algorithmic Trading por Ernest Chan - Este é o segundo livro do Dr. Chan. No primeiro livro, ele escapou ao momentum, à reversão à média e a certas estratégias de alta frequência. Este livro discute essas estratégias em profundidade e fornece detalhes significativos da implementação, embora com mais complexidade matemática do que na primeira (por exemplo, filtros de Kalman, estacionariedade / cointegração, CADF, etc.). As estratégias, mais uma vez, fazem uso extensivo do MatLab, mas o código pode ser facilmente modificado para C ++, Python / pandas ou R para aqueles com experiência em programação. Ele também fornece atualizações sobre o comportamento mais recente do mercado, já que o primeiro livro foi escrito há alguns anos. 5) Negociação e Trocas por Larry Harris - Este livro concentra-se na microestrutura do mercado, que eu pessoalmente acho que é uma área essencial para aprender, mesmo nos estágios iniciais da negociação de quant. A microestrutura de mercado é a "ciência" de como os participantes do mercado interagem e as dinâmicas que ocorrem na carteira de pedidos. Está intimamente relacionado a como funcionam as trocas e o que realmente acontece quando uma negociação é feita. Este livro é menos sobre estratégias de negociação como tal, mas mais sobre coisas para estar ciente ao projetar sistemas de execução. Muitos profissionais do espaço financeiro financeiro consideram isso um excelente livro e também o recomendo.

Nesta fase, como um comerciante de varejo, você estará em um bom lugar para começar a pesquisar os outros componentes de um sistema de negociação, como o mecanismo de execução (e seu profundo relacionamento com os custos de transação), bem como gerenciamento de risco e portfólio. Eu dicarei livros para esses tópicos em artigos posteriores.

A Quantcademy.

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

Negociação Algorítmica Bem Sucedida.

Como encontrar novas ideias de estratégia de negociação e avaliá-las objetivamente para o seu portfólio usando um mecanismo de backtesting personalizado no Python.

Comércio Algorítmico Avançado.

Como implementar estratégias de negociação avançadas usando análise de séries temporais, aprendizado de máquina e estatísticas Bayesianas com R e Python.

Livros sobre Investimento Quantitativo.

Gestão Quantitativa de Portfólio.

Quian, Edward E., Hua, Ronald H. e Sorensen, Eric H. Quantitative Equity Portfolio Management: Técnicas e Aplicações Modernas (2007). Amazon Chincarini, Ludwig B. e Kim, D. Quantitative Equity Portfolio Management: Uma Abordagem Ativa para Construção e Gerenciamento de Portfólio (2006).Amazon Grinold, R. e Kahn, R. Gerenciamento Ativo de Portfólio: Uma Abordagem Quantitativa para Produzir Retornos Superiores e Risco de Controle (1999). Amazônia

Bloch, D. Um Guia Prático para Negociação Quantitativa do Portfólio (2014). SSRN Davey, K. Construindo Sistemas de Negociação Algorítmica: A Jornada do Comerciante da Mineração de Dados à Simulação de Monte Carlo para o Live Trading (2014). Amazon Narang, Rishi K. Dentro da Caixa Negra: Um Guia Simples para Negociação Quantitativa e de Alta Frequência (2013). Amazon Fitschen, K. Construindo Sistemas Confiáveis ​​de Negociação: Estratégias Negociáveis ​​que Desempenham em Backtest e Atendem suas Metas de Risco-Recompensa (2013). Amazon Chan, E. Algorithmic Trading: Estratégias vencedoras e sua fundamentação (2013). Amazon Kauffman e Perry J. Trading Systems e Methods (2013). Amazon Johnson, B. Algorithmic Trading e DMA: Uma introdução às estratégias de negociação de acesso direto (2010). Amazon Tomasini, E. Trading Systems: uma nova abordagem para o desenvolvimento de sistemas e otimização de portfólios (2009). Amazon Chan, E. Comércio Quantitativo: Como Construir Seu Próprio Negócio de Negociação Algorítmica (2008). Amazônia

Achelis, S. Análise Técnica de A a Z (2013). Amazon Bulkowski, Thomas N. Encyclopedia of Candlestick Charts (2008). Amazon Bulkowski, Thomas N. Encyclopedia of Chart Patterns (2005). Amazon Colby, Robert W. A enciclopédia de indicadores técnicos do mercado (2002). Amazon Nison, S. Técnicas Japonesas de Cartografia de Candlestick (2001). Amazon Murphy, John J. Análise Técnica dos Mercados Financeiros: Um Guia Abrangente sobre Métodos e Aplicações de Negociação (1999). Amazon Schwager, Jack D. Começando em Análise Técnica (1999). Amazon Schwager, Jack D. Schwager em Futures: Technical Analysis (1995). Amazônia

Ang, A. Asset Management: Uma Abordagem Sistemática para Investir em Fator (2014). Amazon Piard, F. O Analista Pragmático Fundamental: Aplicando Técnicas Quantitativas à Análise Fundamental de Ações (2014). Amazon Piard, F. Quantitative Investing: Estratégias para explorar as anomalias do mercado de ações para todos os investidores (2014). Amazon Ang, A. Asset Management: Uma Abordagem Sistemática para Investir em Fator (2014). Amazon Greyserman, A. e Kaminski, K. Tendência Seguindo com Futuros Gerenciados: The Search for Crisis Alpha (2014). Amazon Masonson, L. Tudo sobre ETF Momentum Strategies (2014). Amazon Antonacci, G. Dual Momentum Investing: uma estratégia inovadora para maiores retornos com menor risco (2014). Amazon Morris, Gregory L. Investindo com a tendência: uma abordagem baseada em regras para o gerenciamento de dinheiro (2013). Amazon Patterson, Jackie A. Verdade sobre a rotação da ETF: Financie sua aposentadoria investindo em fundos negociados em bolsa de topo em uma hora por semana (2012). Amazon Faber, Mebane T. e Richardson, Eric W. O portfólio da Ivy: como investir como as principais dotações e evitar os mercados de ursos (2011). Amazon Greenblatt, J. O pequeno livro que ainda bate o mercado (2010). Amazon Greenblatt, J. O pequeno livro que bate o mercado (2005). Amazônia

Outros bons livros sobre negociação e mercados financeiros ("literatura popular")

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 focar no último e eliminar o primeiro, a abordagem “quantitativa” do investimento 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 adotante inicial do conceito de que modelos matemáticos poderiam ser aplicado ao investimento.

Robert Merton, um pioneiro na teoria financeira moderna, ganhou um prêmio Nobel por seu trabalho de pesquisa em métodos matemáticos para precificação de derivativos. O trabalho de Markowitz e Merton lançou as bases para a abordagem quantitativa (quant) do investimento.

Ao contrário dos analistas de investimento qualitativos tradicionais, os interessados ​​não visitam empresas, não conhecem as equipes de gerenciamento nem pesquisam os produtos que as empresas vendem em um esforço para identificar uma vantagem competitiva. Eles geralmente não sabem ou se preocupam com os aspectos qualitativos das empresas nas quais investem, confiando apenas na matemática para tomar decisões de investimento.

Os gestores de hedge funds adotaram a metodologia e os avanços na tecnologia de computação que avançaram ainda mais no campo, já que algoritmos complexos poderiam ser calculados em um piscar de olhos. O campo floresceu durante o boom e o estouro das pontocom, já que os quants evitaram em grande parte o frenesi do colapso tecnológico e o crash do mercado.

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

Dados, dados em todo lugar.

A ascensão da era do computador tornou possível o processamento de enormes volumes de dados em períodos de tempo extraordinariamente curtos. Isso levou a estratégias de negociação quantitativas cada vez mais complexas, na medida em que os comerciantes buscam identificar padrões consistentes, modelar esses padrões e usá-los para prever movimentos de preços em títulos.

Os quantos implementam suas estratégias usando dados disponíveis publicamente. A identificação de padrões permite que eles configurem gatilhos 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 negociação e os preços. Assim, se o volume de negociação de uma determinada ação subir quando o preço da ação atingir US $ 25 por ação e cair quando o preço atingir US $ 30, um quant pode configurar uma compra automática de US $ 25,50 e uma venda automática de US $ 29,50.

Estratégias semelhantes podem ser baseadas em ganhos, previsões de lucros, surpresas de lucros e uma série de outros fatores. Em cada caso, os traders de quantia pura não se importam com as perspectivas de vendas, a equipe de gerenciamento, a qualidade do produto ou qualquer outro aspecto de seus negócios. Eles estão colocando suas ordens para comprar e vender estritamente com base nos números contabilizados nos padrões que identificaram.

Identificando padrões para reduzir o risco.

A análise quantitativa pode ser usada para identificar padrões que podem ser usados ​​em negociações de segurança lucrativas, mas esse não é seu único valor. Embora ganhar dinheiro seja uma meta que todo investidor possa 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 o índice de Sharpe, a fim de identificar o investimento que proporcionará o mais alto nível de retorno para o nível dado. risco. A ideia é que os investidores não arrisquem mais do que o necessário para atingir o nível de retorno desejado.

Portanto, se os dados revelarem que dois investimentos provavelmente gerarão retornos semelhantes, mas que um deles será significativamente mais volátil em termos de oscilações de preço para cima e para baixo, os quantos (e o bom senso) recomendariam o investimento menos arriscado. Mais uma vez, os "quants" não se importam com quem gerencia o investimento, com o que se parece com o seu balanço, com o produto que ajuda a ganhar dinheiro ou qualquer outro fator qualitativo. Eles se concentram inteiramente nos números e escolhem o investimento que (matematicamente falando) oferece o nível mais baixo de risco.

Portfólios de paridade de risco são um exemplo de estratégias baseadas em quantia em ação. O conceito básico envolve tomar decisões de alocação de ativos com base na volatilidade do mercado. Quando a volatilidade declina, o nível de risco assumido na carteira aumenta. Quando a volatilidade aumenta, o nível de risco assumido na carteira diminui.

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

Os benefícios da negociação Quant.

Quant trading é um processo de decisão desapaixonado. Os padrões e números são tudo o que importa. É uma disciplina eficaz de compra / venda, que pode ser executada de forma consistente, livre da emoção que é frequentemente associada a decisões financeiras.

Também é uma estratégia econômica. Como os computadores fazem o trabalho, as empresas que dependem de estratégias quant não precisam contratar equipes grandes e caras de analistas e gerentes de portfólio. Eles também não precisam viajar pelo país ou pelo mundo para inspecionar empresas e se reunir com a administração para avaliar possíveis investimentos. Eles simplesmente usam computadores para analisar os dados e executar os negócios.

Quais são os riscos?

"Mentiras, malditas mentiras e estatísticas" é uma citação muitas vezes usada para descrever a miríade de maneiras em que os dados podem ser manipulados. Enquanto analistas quantitativos buscam identificar padrões, o processo não é, de forma alguma, à prova de erros. A análise envolve a seleção de 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 que eles não funcionem. Mesmo quando um padrão parece funcionar, validar os padrões pode ser um desafio. Como todo investidor sabe, não há apostas seguras.

Pontos de inflexão, como a desaceleração do mercado de ações de 2008/2009, podem ser difíceis para essas estratégias, pois os padrões podem mudar repentinamente. Também é importante lembrar que os dados nem sempre contam toda a história. Os humanos podem ver um escândalo ou uma mudança gerencial enquanto 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 tenta empregá-la. Os padrões que funcionam se tornarão menos eficazes à medida que mais e mais investidores tentem lucrar com isso.

The Bottom Line.

Muitas estratégias de investimento usam uma combinação de estratégias quantitativas e qualitativas. Eles usam estratégias quant para identificar potenciais investimentos e, em seguida, usam análises qualitativas para levar seus esforços de pesquisa ao próximo nível na identificação do investimento final.

Eles também podem usar uma visão qualitativa para selecionar investimentos e quantificar os dados para o gerenciamento de riscos. Embora as estratégias de investimento quantitativo e qualitativo tenham seus proponentes e seus críticos, as estratégias não precisam ser mutuamente exclusivas.