Ai trading strategies no Brasil

Na Aquitaine Investors, acreditamos que o comércio automatizado bem sucedido depende, antes de mais, da criação e desenvolvimento de estratégias baseadas em análises técnicas comprovadas e princípios de gerenciamento de dinheiro. Acreditamos que a simplicidade e um pouco de criatividade também passam por um longo caminho. Com base em nossas próprias experiências, podemos automatizar suas estratégias de negociação atuais Transformar suas idéias em robôs de trabalho que combinem com seus requisitos e perspectivas pessoais (por exemplo, o apetite por risco) Back-test e otimizar suas estratégias Fornecer análise de seus próprios resultados de back-testing Fornecer conselhos Sobre como as estratégias novas ou existentes podem ser melhoradas, incluindo o gerenciamento de riscos e a evitação do ajuste de curva (ou seja, sendo enganados por resultados excessivamente otimistas) Crie indicadores personalizados para melhorar seu desempenho comercial Fornecer conselhos sobre como configurar sua negociação automática Infraestrutura Fornecer suporte contínuo, uma vez que seu robô esteja funcionando. Nossa linguagem de programação escolhida é o PowerLanguage que foi desenvolvido pela Multicharts LLC. Comércio Inteligente InteligenteExperiência Um novo quadro de negociação O quadro inteligente para o investimento dinâmico, conforme apresentado no FM Retail FX Entre os novos participantes do setor de gerenciamento de dinheiro estão Algo Ai Strategies e seu sistema informático de inteligência artificial Daisy. Tendo previamente focado em comercializar seus serviços diretamente para clientes de varejo, a Algo Ai Strategies recentemente começou a oferecer seus serviços de gerenciamento de dinheiro aos corretores como um produto de etiqueta branca. Representando um dos seus rótulos brancos, o grupo que tem por trás das Estratégias Algo Ai foi um dos expositores mais ativos durante a última Cúpula de Forex Magnates London Summit. Algo AI Strategies LTD é uma empresa de integração de 100 sistemas automatizados de negociação, projetada para oferecer aos clientes uma multiplicidade de opções de negociação para produzir retornos ótimos no seu investimento dentro do sistema personalizado criado apenas por suas necessidades específicas e apetite de risco através do corretor de sua escolha ou um Dos nossos corretores preferenciais utilizando uma estrutura de contas do MAM. Aproveitando a mais recente tecnologia e AI, o sistema Algo AI Strategies LTD opera em excesso de 1500 algoritmos quant. Todos os algoritmos são executados simultaneamente nos mercados ao vivo e são constantemente avaliados com trades ao vivo sendo implantados pelos Gerentes Eletrônicos e Supervisores Eletrônicos para decisões ótimas quanto à abertura, tamanho e fechamento de cada seqüência de negociação à medida que as condições do mercado estão mudando. Nosso sistema comercializa em um modo de média a alta freqüência com um fator de risco definido que o sistema não pode exceder em qualquer momento. A inteligência artificial manterá os clientes informados de todos e quaisquer dados da conta que eles gostariam através do texto. Algo AI Strategies LTD não exclui os fundos do cliente. Acreditamos que um cliente nunca deve perder a identidade com seus fundos, então nós temos um acordo de divisão de lucro mensal de alta qualidade mensal baseado no extrato da conta de corretagem individual dos clientes. Se o cliente não ganhar dinheiro nem Algo AI Strategies LTD. Como as contas estão no nome dos clientes, Algo AI Strategies não possui um período de bloqueio em fundos, os clientes controlam suas contas individuais. Gráfico para o nosso PAMM durante o crash do flash. Observe o gráfico abaixo. Leia quantos comerciantes e corretores, incluindo o ALPARI UK, fecharam suas portas com base nesse Black Swan e fizemos alfa durante o crash do flash, nosso sistema de comércio automatizado fez exatamente o que deveria fazer e gerenciar através de um desastre Com a assistência da Daisy, seu assistente pessoal e saia protegendo seu capital e ganhando lucro. Alguns fundos de hedge possuem que os algoritmos de IA tomam suas decisões comerciais, mas esses sistemas podem ser mais convencionais do que parecem. Todos os dias, os computadores fazem muitos milhões de negócios eletrônicos, realizando cálculos delicados com o objetivo de obter uma pequena vantagem em termos de velocidade ou eficiência. Cada vez mais, no entanto, decisões comerciais mais importantes estão sendo feitas por algoritmos mais inteligentes e autônomos. Ambas as empresas comerciais estabelecidas e um punhado de startups estão explorando se essas técnicas de negociação, emprestadas do campo da inteligência artificial, poderiam ajudá-las a superar outros comerciantes. E qualquer pessoa com dinheiro investido pode ser curioso para saber se a tendência poderia alterar a dinâmica dos mercados. Fundos de hedge quantitativos, incluindo Bridgewater Associates, Renaissance Technologies. D. E. Shaw. E Two Sigma. Tem, naturalmente, usando abordagens algorítmicas avançadas há alguns anos. Muitos dos métodos empregados por essas empresas são encontrados em áreas de pesquisa de inteligência artificial. Mas os últimos dois anos também viram um tremendo ressurgimento do interesse na inteligência artificial, graças a novas técnicas de aprendizagem mecânica, especialmente a aprendizagem profunda (envolvendo a formação de uma grande rede neural virtual para reconhecer padrões de dados) que tornaram os computadores capazes de nível humano Percepção de imagens, texto e áudio (ver 10 Breakthrough Technologies 2017: Deep Learning). Agora, a questão é se a AI pode fazer o mesmo por dados financeiros. É claro que esse recente progresso chamou a atenção dos engenheiros que trabalham em finanças. Em um evento acadêmico importante para pesquisadores de AI, o Neural Information Processing Systems (NIPS). Realizada em Montreal em dezembro passado, vários milhares de pesquisadores acadêmicos e industriais se reuniram para discutir o progresso no desenvolvimento de novos algoritmos de aprendizado de máquina. Em uma área reservada para apresentações de pôsteres por estudantes de pós-graduação, grandes empresas de tecnologia, incluindo Google, Facebook, Apple, Microsoft, Amazon e IBM, pagaram a criação de tabelas de recrutamento, na esperança de atrair o novo talento mais quente para trabalhar. Mas quase metade das empresas que recrutam na NIPS não eram empresas de tecnologia, mas hedge funds e empresas financeiras. Uma das empresas havia a grande empresa britânica de investimentos MAN AHL. Que há anos se concentrou no uso de abordagens estatísticas para elaborar estratégias de investimento. Anthony Ledford. Cientista em chefe da MAN AHL, explica que a empresa está explorando se técnicas como o aprendizado profundo podem se prestar para financiar. Está em um estágio inicial, diz Ledford. Nós reservamos um pote de dinheiro para o comércio de testes. Com o aprendizado profundo, se tudo correr bem, ele entrará no teste de negociação, como outras abordagens de aprendizagem em máquina têm. O comércio pode parecer um lugar óbvio para aplicar o aprendizado profundo, mas, na verdade, não é claro como o desafio de encontrar padrões sutis em dados de negociação em tempo real é, digamos, detectar rostos em fotografias digitais. É um problema muito diferente, diz Ledford. Os especialistas acadêmicos também tomam nota de cautela. Stephen Roberts. Um professor de aprendizado de máquinas na Universidade de Oxford, diz que o aprendizado profundo pode ser bom para extrair tendências escondidas, informações e relacionamentos, mas acrescenta que ainda é muito frágil no que diz respeito ao tratamento de alta incerteza e ruído, que são prevalentes nas finanças. Roberts também observa que o aprendizado profundo pode ser um processo relativamente lento e não pode oferecer o tipo de comportamento garantido que outras abordagens estatísticas oferecem. Em geral, ele diz, há uma certa quantidade de hype em torno da idéia de AI em finanças. AI é um assunto muito amplo, ele diz. E muitas técnicas estatísticas padrão usadas estão sendo rebranded como AI e máquina de aprendizagem. Dito isto, as novas empresas financeiras que se anunciam como focadas na AI podem estar ligadas a algo. Estes incluem Sentient. Com sede em San Francisco, Rebellion Research em Nova York, e uma empresa de investimentos da Hong Kong, chamada Aidyia. Um dos usos mais promissores de técnicas de AI relativamente novas pode ser o processamento de dados de linguagem natural não estruturados na forma de artigos de notícias, relatórios de empresas e postagens de redes sociais, em um esforço para obter informações sobre o desempenho futuro de empresas, moedas, commodities, Ou instrumentos financeiros. Aidyia foi fundada por um conhecido pesquisador de inteligência artificial, Ben Goertzel, que também é o fundador da Hanson Robotics e o presidente de um projeto open source de AI chamado OpenCog. Aidyia começou a negociar no ano passado, e Goertzel diz que a abordagem de sua empresa é muito mais ambiciosa do que as técnicas utilizadas pela maioria dos hedge funds hoje, inspirando-se na programação evolutiva, lógica probabilística e dinâmica caótica. Nosso sistema ingerece uma variedade de insumos, incluindo preço e volume de trocas em todo o mundo, notícias de várias fontes em vários idiomas, dados de contabilidade macroeconômica e empresa, e mais, disse Goertzel à MIT Technology Review. Em seguida, estuda como esses vários fatores se relacionaram historicamente e aprende um conjunto de dezenas de milhares de modelos preditivos que parecem ter valor preditivo, com base em seu estudo de dados históricos, que ajudam a orientar os investimentos da empresa. Existe certamente uma tendência para aumentar a automação entre as empresas financeiras. Preqin. Uma empresa que fornece dados da indústria financeira, informa que 40 por cento dos hedge funds criados no ano passado foram sistemáticos, o que significa que eles dependem de modelos de computador para suas decisões. Nem todos estão convencidos de que uma revolução da AI em finanças é iminente, no entanto. David Harding, o fundador do bilionário e CEO de outra empresa comercial britânica, Winton Capital Management, geralmente é céptico quanto ao hype sobre o aprendizado da máquina e a AI. Se eu apertei um pouco e olhei para Winton, eu disse que é mais ou menos o que estamos fazendo nos últimos 30 anos, ele diz. Harding também lembra que um boom semelhante no interesse em redes neurais resultou em muitas startups no início da década de 1990. As pessoas começaram a dizer: existe uma nova e incrível técnica de computação que vai afastar tudo o que foi feito antes. Havia também uma moda para algoritmos genéticos, lembra. Bem, posso dizer que nenhuma dessas empresas existe hoje, nem uma salsicha delas. Ledford, da Man AHL, também tem algumas palavras de cautela para quem pensa que as últimas técnicas de aprendizado automático de máquinas podem oferecer um atalho para a riqueza. É importante lembrar a humildade do mercado, diz ele. Diga que não se toque nas costas demais, mas também não fique tão desanimado. Saiba mais sobre a AI na EmTech Digital 2017. Registre-se agora Mais de Robótica Quer mais jornalismo premiado Assine e torne-se um Insider. Como identificar estratégias de negociação algorítmica Neste artigo, eu quero apresentar-lhe os métodos pelos quais eu próprio identifico algorítmico rentável Estratégias de negociação. Nosso objetivo hoje é entender detalhadamente como encontrar, avaliar e selecionar esses sistemas. Vou explicar como a identificação de estratégias é tanto sobre preferência pessoal quanto sobre o desempenho da estratégia, como determinar o tipo e quantidade de dados históricos para testes, como avaliar de forma imparcial uma estratégia de negociação e, finalmente, como proceder para a fase de teste e a implementação da estratégia. . Identificando suas próprias preferências pessoais para negociação Para ser um comerciante bem-sucedido - de forma discricionária ou algorítmica - é necessário fazer-se algumas perguntas honestas. A negociação oferece a você a capacidade de perder dinheiro a um ritmo alarmante, por isso é necessário se conhecer tanto quanto for necessário entender a estratégia escolhida. Eu diria que a consideração mais importante na negociação é estar ciente de sua própria personalidade. O comércio e o comércio algorítmico em particular, requer um grau significativo de disciplina, paciência e descolamento emocional. Uma vez que você está deixando um algoritmo executar sua negociação para você, é necessário ser resolvido para não interferir com a estratégia quando está sendo executado. Isso pode ser extremamente difícil, especialmente em períodos de redução prolongada. No entanto, muitas estratégias que mostraram ser altamente rentáveis ​​em um backtest podem ser arruinadas por uma simples interferência. Compreenda que, se você deseja entrar no mundo da negociação algorítmica, você será testado emocionalmente e, para ser bem-sucedido, é necessário trabalhar com essas dificuldades. A próxima consideração é uma vez. Você trabalha em tempo integral Você trabalha a tempo parcial Você trabalha em casa ou tem um longo trajeto a cada dia. Essas perguntas ajudarão a determinar a freqüência da estratégia que você deve procurar. Para aqueles de vocês no emprego a tempo inteiro, uma estratégia de futuros intradiária pode não ser apropriada (pelo menos até que seja totalmente automatizada). Suas restrições de tempo também ditarão a metodologia da estratégia. Se sua estratégia é freqüentemente negociada e dependente de feeds de notícias caras (como um terminal da Bloomberg), você terá claramente que ser realista sobre a sua capacidade de executar com sucesso enquanto estiver no escritório Para aqueles com você com muito tempo, ou as habilidades Para automatizar sua estratégia, você pode querer examinar uma estratégia mais técnica de negociação de alta freqüência (HFT). Minha opinião é que é necessário realizar pesquisas contínuas sobre suas estratégias de negociação para manter um portfólio consistentemente lucrativo. Poucas estratégias permanecem sob o radar para sempre. Assim, uma parcela significativa do tempo atribuído à negociação será na realização de pesquisas em andamento. Pergunte a si mesmo se você está preparado para fazer isso, pois pode ser a diferença entre uma forte rentabilidade ou um declínio lento em relação às perdas. Você também precisa considerar seu capital comercial. O valor mínimo ideal geralmente aceito para uma estratégia quantitativa é de 50,000 USD (aproximadamente 35,000 para nós no Reino Unido). Se eu estivesse começando de novo, eu começaria com uma quantidade maior, provavelmente mais perto de 100,000 USD (aproximadamente 70,000). Isso ocorre porque os custos de transação podem ser extremamente caros para estratégias de média a alta freqüência e é necessário ter capital suficiente para absorvê-los em tempos de redução. Se você está considerando começar com menos de 10.000 USD, então você precisará se restringir a estratégias de baixa freqüência, negociando em um ou dois ativos, uma vez que os custos de transação irão comer rapidamente em seus retornos. Interactive Brokers, que é um dos corretores mais amigáveis ​​para aqueles com habilidades de programação, devido à sua API, possui uma conta mínima de 10.000 USD. A habilidade de programação é um fator importante na criação de uma estratégia de negociação algorítmica automatizada. Ser informado em uma linguagem de programação como C, Java, C, Python ou R permitirá que você crie o sistema de armazenamento de dados, o sistema de backtest e o sistema de execução de ponta a ponta. Isso tem uma série de vantagens, cujo chefe é a capacidade de estar completamente atento a todos os aspectos da infra-estrutura comercial. Também permite que você explore as estratégias de maior freqüência, pois você terá o controle total da sua pilha de tecnologia. Embora isso signifique que você pode testar seu próprio software e eliminar bugs, também significa mais tempo gasto na codificação de infra-estrutura e menos na implementação de estratégias, pelo menos na parte anterior da sua carreira de trading. Você pode achar que você está confortável negociando no Excel ou MATLAB e pode terceirizar o desenvolvimento de outros componentes. Eu não recomendaria isso no entanto, particularmente para aqueles que negociam em alta freqüência. Você precisa se perguntar o que você espera alcançar por meio de negociação algorítmica. Você está interessado em um rendimento regular, pelo qual você deseja obter lucros de sua conta de negociação Ou você está interessado em um ganho de capital a longo prazo e pode se negociar sem a necessidade de retirar fundos. A dependência da renda determinará a freqüência de sua estratégia . As retiradas de renda mais regulares exigirão uma estratégia de negociação de maior freqüência com menor volatilidade (ou seja, uma proporção Sharpe mais alta). Os comerciantes de longo prazo podem pagar uma frequência comercial mais tranquila. Finalmente, não se sinta iludido com a noção de tornar-se extremamente rico num curto espaço de tempo. A negociação de Algo não é um esquema rápido e rápido. Se alguma coisa pode ser um esquema rápido e rápido. É preciso disciplina, pesquisa, diligência e paciência importantes para serem bem-sucedidos no comércio algorítmico. Pode levar meses, senão anos, gerar rentabilidade consistente. Sourcing Algorithmic Trading Ideas Apesar das percepções comuns ao contrário, é realmente bastante direto para localizar estratégias comerciais lucrativas no domínio público. Nunca as idéias comerciais estão mais disponíveis do que hoje. Revistas de finanças acadêmicas, servidores de pré-impressão, blogs comerciais, fóruns de negociação, revistas comerciais semanais e textos especializados fornecem milhares de estratégias de negociação com as quais basear suas idéias. Nosso objetivo como pesquisadores quantitativos de negócios é estabelecer um pipeline estratégico que nos forneça um fluxo de idéias comerciais em andamento. Idealmente, queremos criar uma abordagem metódica para sourcing, avaliação e implementação de estratégias que encontramos. Os objetivos do pipeline são gerar uma quantidade consistente de novas idéias e fornecer-nos uma estrutura para rejeitar a maioria dessas idéias com o mínimo de consideração emocional. Devemos ter o cuidado de não deixar influenciar a tendência cognitiva na nossa metodologia de tomada de decisão. Isso pode ser tão simples como ter uma preferência por uma classe de ativos sobre outra (o ouro e outros metais preciosos vêm à mente) porque são percebidos como mais exóticos. Nosso objetivo sempre deve ser encontrar estratégias consistentemente lucrativas, com expectativas positivas. A escolha da classe de ativos deve basear-se em outras considerações, como restrições de capital de negociação, taxas de corretagem e recursos de alavancagem. Se você não está completamente familiarizado com o conceito de estratégia comercial, então o primeiro lugar a olhar é com livros didáticos estabelecidos. Os textos clássicos fornecem uma ampla gama de idéias mais simples e diretas, para se familiarizarem com a negociação quantitativa. Aqui está uma seleção que eu recomendo para aqueles que são novos para negociação quantitativa, que gradualmente se tornam mais sofisticados enquanto você trabalha através da lista: Para obter uma lista mais longa de livros de negociação quantitativos, visite a lista de leitura QuantStart. O próximo local para encontrar estratégias mais sofisticadas é com fóruns de negociação e blogs comerciais. No entanto, uma nota de cautela: muitos blogs comerciais dependem do conceito de análise técnica. A análise técnica envolve a utilização de indicadores básicos e psicologia comportamental para determinar tendências ou padrões de inversão nos preços dos ativos. Apesar de ser extremamente popular no espaço comercial geral, a análise técnica é considerada um pouco ineficaz na comunidade de finanças quantitativas. Alguns sugeriram que não é melhor do que ler um horóscopo ou estudar folhas de chá em termos de seu poder preditivo. Na realidade, há indivíduos bem sucedidos que fazem uso da análise técnica. No entanto, como quants com uma caixa de ferramentas matemática e estatística mais sofisticada à nossa disposição, podemos avaliar facilmente a eficácia de tais estratégias baseadas em TA e tomar decisões baseadas em dados, em vez de basear nossa em considerações ou preconceitos emocionais. Aqui está uma lista de blogs e fóruns de negociação algorítmica bem respeitados: uma vez que você teve alguma experiência na avaliação de estratégias mais simples, é hora de olhar para as ofertas acadêmicas mais sofisticadas. Algumas revistas acadêmicas serão de difícil acesso, sem altas assinaturas ou custos pontuais. Se você é membro ou aluno de uma universidade, você poderá obter acesso a algumas dessas revistas financeiras. Caso contrário, você pode olhar para servidores de pré-impressão. Que são repositórios de internet de rascunhos finais de documentos acadêmicos que estão sendo submetidos a revisão pelos pares. Uma vez que estamos apenas interessados ​​em estratégias que possamos replicar com sucesso, fazer backtest e obter rentabilidade, uma revisão por pares é de menor importância para nós. A principal desvantagem das estratégias acadêmicas é que muitas vezes podem estar desactualizadas, requerem dados históricos obscuros e dispendiosos, trocam classes de ativos ilíquidas ou não influenciam taxas, derrapagens ou spread. Também pode não estar claro se a estratégia de negociação deve ser realizada com ordens de mercado, ordens limitantes ou se contém perdas de parada, etc. Portanto, é absolutamente essencial replicar a estratégia o melhor que puder, fazer uma prova e adicionar uma transação realista Custos que incluem tantos aspectos das classes de ativos que você deseja negociar. Aqui está uma lista dos servidores de pré-impressão mais populares e jornais financeiros dos quais você pode criar ideias: o que é sobre a formação de suas próprias estratégias quantitativas. Mas não está limitado a) experiência em uma ou mais das seguintes categorias: Microestrutura de mercado - Para estratégias de maior freqüência em particular, pode-se usar a microestrutura do mercado. Ou seja, compreensão da dinâmica do livro de pedidos para gerar rentabilidade. Diferentes mercados terão várias limitações tecnológicas, regulamentos, participantes do mercado e restrições que estão abertas à exploração através de estratégias específicas. Esta é uma área muito sofisticada e os profissionais de varejo terão dificuldade em ser competitivos neste espaço, particularmente porque a competição inclui fundos de hedge quantitativos grandes e bem capitalizados com fortes capacidades tecnológicas. Estrutura do fundo - Os fundos de investimento em conjunto, como fundos de pensão, parcerias de investimento privado (fundos de hedge), consultores de negociação de commodities e fundos de investimento, são limitados por uma forte regulamentação e suas grandes reservas de capital. Assim, certos comportamentos consistentes podem ser explorados com aqueles que são mais ágeis. Por exemplo, grandes fundos estão sujeitos a restrições de capacidade devido ao tamanho deles. Assim, se eles precisam rapidamente descarregar (vender) uma quantidade de títulos, eles terão que dimensioná-lo para evitar mover o mercado. Algoritmos sofisticados podem tirar proveito disso, e outras idiossincrasias, em um processo geral conhecido como arbitragem de estrutura de fundos. Aprendizagem mecânica de inteligência artificial - Os algoritmos de aprendizagem de máquinas tornaram-se mais prevalentes nos últimos anos nos mercados financeiros. Os classificadores (como Naive-Bayes, et al.) Correspondentes de função não-linear (redes neurais) e rotinas de otimização (algoritmos genéticos) foram usados ​​para prever caminhos de ativos ou otimizar estratégias de negociação. Se você tem um histórico nesta área, você pode ter alguma visão sobre como determinados algoritmos podem ser aplicados em certos mercados. Há, é claro, muitas outras áreas para investigar quants. Bem, discuta como apresentar estratégias personalizadas em detalhes em um artigo posterior. Ao continuar monitorando essas fontes em uma base semanal, ou mesmo diariamente, você está se preparando para receber uma lista consistente de estratégias de uma variedade diversificada de fontes. O próximo passo é determinar como rejeitar um grande subconjunto dessas estratégias, a fim de minimizar o desperdício de seu tempo e os recursos de backtesting em estratégias que provavelmente não serão lucrativas. Avaliando as estratégias de negociação A primeira e, possivelmente, a consideração mais óbvia é se você realmente entende a estratégia. Você poderia explicar a estratégia de forma concisa ou exigir uma série de ressalvas e listas de parâmetros infinitos. Além disso, a estratégia tem uma base boa e sólida na realidade. Por exemplo, você poderia apontar alguma lógica comportamental ou restrição de estrutura de fundo que Pode estar causando o (s) padrão (s) que você está tentando explorar. Essa restrição suportaria uma mudança de regime, como uma dramática perturbação do ambiente regulatório. A estratégia depende de regras complexas estatísticas ou matemáticas Aplica-se a qualquer série de tempo financeiro ou é É específico para a classe de ativos que se afirma ser rentável. Você deve estar pensando constantemente nesses fatores ao avaliar novos métodos comerciais, caso contrário você pode desperdiçar uma quantidade significativa de tempo tentando fazer backtest e otimizar estratégias não lucrativas. Uma vez que você tenha determinado que você entende os princípios básicos da estratégia, você precisa decidir se ele se encaixa com o seu perfil de personalidade acima mencionado. Esta não é uma consideração tão vaga quanto parece. As estratégias diferirão substancialmente em suas características de desempenho. Existem certos tipos de personalidade que podem lidar com períodos mais significativos de redução ou estão dispostos a aceitar um maior risco de retorno maior. Apesar do fato de que nós, como quants, tentamos eliminar todo o viés cognitivo possível e deveríamos poder avaliar uma estratégia de forma desapaixonada, os preconceitos sempre se aproximarão. Portanto, precisamos de um meio consistente, sem emoção, através do qual avaliar o desempenho das estratégias . Aqui está a lista de critérios que eu julgo uma nova estratégia potencial através de: Metodologia - É o impulso da estratégia, a reversão média, o mercado neutro, direcional. A estratégia depende de técnicas sofisticadas (ou complexas) de técnicas estatísticas ou de máquinas que são difíceis. Para entender e exigir um doutorado em estatísticas para entender. Essas técnicas introduzem uma quantidade significativa de parâmetros, o que pode levar a um viés de otimização. A estratégia é susceptível de suportar uma mudança de regime (ou seja, uma nova regulamentação potencial dos mercados financeiros). Razão de Sharpe - A relação de Sharpe Caracteriza heuristicamente o rácio de risco de risco da estratégia. Quantifica quanto retorno você consegue para o nível de volatilidade suportado pela curva patrimonial. Naturalmente, precisamos determinar o período e a frequência que esses retornos e volatilidade (ou seja, o desvio padrão) são medidos. Uma estratégia de maior freqüência exigirá maior taxa de amostragem do desvio padrão, mas um período de tempo geral mais curto, por exemplo. Alavancagem - A estratégia exige alavancagem significativa para ser lucrativa. A estratégia requer o uso de contratos de derivativos alavancados (futuros, opções, swaps) para fazer um retorno. Estes contratos alavancados podem ter uma forte volatilidade e, portanto, podem facilmente levar a Chamadas de margem. Você tem o capital de negociação e o temperamento para essa volatilidade Frequência - A freqüência da estratégia está intimamente ligada à sua pilha de tecnologia (e, portanto, experiência tecnológica), ao índice de Sharpe e ao nível geral dos custos de transação. Todas as outras questões consideradas, as estratégias de maior freqüência requerem mais capital, são mais sofisticadas e mais difíceis de implementar. No entanto, assumindo que seu mecanismo de teste de backtest é sofisticado e livre de erros, eles geralmente terão taxas de Sharpe muito maiores. Volatilidade - A volatilidade está fortemente relacionada ao risco da estratégia. A relação Sharpe caracteriza isso. A maior volatilidade das classes de ativos subjacentes, se não coberta, muitas vezes leva a uma maior volatilidade na curva de patrimônio e, portanto, menores índices de Sharpe. Provavelmente suponho que a volatilidade positiva é aproximadamente igual à volatilidade negativa. Algumas estratégias podem ter maior volatilidade negativa. Você precisa estar ciente desses atributos. WinLoss, Average ProfitLoss - As estratégias serão diferentes nas suas características de ganhos e ganhos de lucro. Pode-se ter uma estratégia muito lucrativa, mesmo que o número de negócios perdidos exceda o número de negociações vencedoras. As estratégias de impulso tendem a ter esse padrão, pois dependem de um pequeno número de grandes sucessos para serem lucrativos. As estratégias de reversão média tendem a ter perfis opostos onde mais dos negócios são vencedores, mas os negócios perdidos podem ser bastante graves. Drawdown máximo - A redução máxima é a maior queda percentual global na curva de equidade da estratégia. As estratégias de Momentum são bem conhecidas por sofrerem períodos de redução prolongada (devido a uma série de muitos negócios perdidos incrementais). Muitos comerciantes vão desistir em períodos de redução prolongada, mesmo que os testes históricos sugeriram que este é um negócio como de costume para a estratégia. Você precisará determinar qual porcentagem de redução (e em que período de tempo) você pode aceitar antes de deixar de negociar sua estratégia. Esta é uma decisão altamente pessoal e, portanto, deve ser considerada com cuidado. CapacityLiquidity - No nível de varejo, a menos que você esteja negociando em um instrumento altamente ilíquido (como um estoque de pequena capitalização), você não terá que se preocupar muito com a capacidade da estratégia. A capacidade determina a escalabilidade da estratégia para aumentar o capital. Muitos dos hedge funds maiores sofrem de importantes problemas de capacidade à medida que suas estratégias aumentam na alocação de capital. Parâmetros - Certas estratégias (especialmente aquelas encontradas na comunidade de aprendizagem de máquinas) requerem uma grande quantidade de parâmetros. Todo parâmetro adicional que uma estratégia exige deixa-o mais vulnerável ao viés de otimização (também conhecido como ajuste de curva). Você deve tentar e segmentar estratégias com o menor número possível de parâmetros ou garantir que você tenha quantidades suficientes de dados para testar suas estratégias. Benchmark - Quase todas as estratégias (a menos que sejam caracterizadas como retorno absoluto) são medidas em relação a um benchmark de desempenho. O benchmark geralmente é um índice que caracteriza uma grande amostra da classe de ativos subjacentes na qual a estratégia negocia. Se a estratégia negociar ações americanas de grande capitalização, então o SP500 seria uma referência natural para medir a sua estratégia. Você ouvirá os termos alfa e beta, aplicado a estratégias deste tipo. Vamos discutir esses coeficientes em profundidade em artigos posteriores. Observe que não discutimos os retornos reais da estratégia. Por que isso é isolado, os retornos realmente nos fornecem informações limitadas sobre a eficácia da estratégia. Eles não lhe dão uma visão de alavancagem, volatilidade, benchmarks ou requisitos de capital. Assim, as estratégias raramente são avaliadas apenas em seus retornos. Sempre considere os atributos de risco de uma estratégia antes de analisar os retornos. Nesta fase, muitas das estratégias encontradas no seu pipeline serão rejeitadas, uma vez que não atendem aos requisitos de capital, alavancar restrições, tolerar a tolerância máxima ou preferências de volatilidade. As estratégias que permanecem agora podem ser consideradas para testes anteriores. No entanto, antes disso é possível, é necessário considerar um critério de rejeição final - o dos dados históricos disponíveis para testar essas estratégias. Obtenção de dados históricos Atualmente, a amplitude dos requisitos técnicos em todas as classes de ativos para o armazenamento histórico de dados é substancial. Para se manterem competitivos, tanto o lado da compra (fundos) quanto os de venda (bancos de investimento) investem fortemente em sua infraestrutura técnica. É imperativo considerar sua importância. Em particular, estamos interessados ​​em requisitos de tempo, precisão e armazenamento. Vou agora descrever os conceitos básicos de obtenção de dados históricos e como armazená-lo. Infelizmente, este é um tópico muito profundo e técnico, então não consigo dizer tudo neste artigo. No entanto, vou escrever muito mais sobre isso no futuro, já que minha experiência na indústria anterior no setor financeiro se preocupou principalmente com a aquisição, armazenamento e acesso de dados financeiros. Na seção anterior, criamos um pipeline de estratégia que nos permitiu rejeitar certas estratégias com base em nossos próprios critérios de rejeição pessoal. Nesta seção, vamos filtrar mais estratégias com base em nossas próprias preferências para obter dados históricos. The chief considerations (especially at retail practitioner level) are the costs of the data, the storage requirements and your level of technical expertise. We also need to discuss the different types of available data and the different considerations that each type of data will impose on us. Lets begin by discussing the types of data available and the key issues we will need to think about: Fundamental Data - This includes data about macroeconomic trends, such as interest rates, inflation figures, corporate actions (dividends, stock-splits), SEC filings, corporate accounts, earnings figures, crop reports, meteorological data etc. This data is often used to value companies or other assets on a fundamental basis, i. e. via some means of expected future cash flows. It does not include stock price series. Some fundamental data is freely available from government websites. Other long-term historical fundamental data can be extremely expensive. Storage requirements are often not particularly large, unless thousands of companies are being studied at once. News Data - News data is often qualitative in nature. It consists of articles, blog posts, microblog posts (tweets) and editorial. Machine learning techniques such as classifiers are often used to interpret sentiment . This data is also often freely available or cheap, via subscription to media outlets. The newer NoSQL document storage databases are designed to store this type of unstructured, qualitative data. Asset Price Data - This is the traditional data domain of the quant. It consists of time series of asset prices. Equities (stocks), fixed income products (bonds), commodities and foreign exchange prices all sit within this class. Daily historical data is often straightforward to obtain for the simpler asset classes, such as equities. However, once accuracy and cleanliness are included and statistical biases removed, the data can become expensive. In addition, time series data often possesses significant storage requirements especially when intraday data is considered. Financial Instruments - Equities, bonds, futures and the more exotic derivative options have very different characteristics and parameters. Thus there is no one size fits all database structure that can accommodate them. Significant care must be given to the design and implementation of database structures for various financial instruments. We will discuss the situation at length when we come to build a securities master database in future articles. Frequency - The higher the frequency of the data, the greater the costs and storage requirements. For low-frequency strategies, daily data is often sufficient. For high frequency strategies, it might be necessary to obtain tick-level data and even historical copies of particular trading exchange order book data. Implementing a storage engine for this type of data is very technologically intensive and only suitable for those with a strong programmingtechnical background. Benchmarks - The strategies described above will often be compared to a benchmark . This usually manifests itself as an additional financial time series. For equities, this is often a national stock benchmark, such as the SP500 index (US) or FTSE100 (UK). For a fixed income fund, it is useful to compare against a basket of bonds or fixed income products. The risk-free rate (i. e. appropriate interest rate) is also another widely accepted benchmark. All asset class categories possess a favoured benchmark, so it will be necessary to research this based on your particular strategy, if you wish to gain interest in your strategy externally. Technology - The technology stacks behind a financial data storage centre are complex. This article can only scratch the surface about what is involved in building one. However, it does centre around a database engine, such as a Relational Database Management System (RDBMS), such as MySQL, SQL Server, Oracle or a Document Storage Engine (i. e. NoSQL). This is accessed via business logic application code that queries the database and provides access to external tools, such as MATLAB, R or Excel. Often this business logic is written in C, C, Java or Python. You will also need to host this data somewhere, either on your own personal computer, or remotely via internet servers. Products such as Amazon Web Services have made this simpler and cheaper in recent years, but it will still require significant technical expertise to achieve in a robust manner. As can be seen, once a strategy has been identified via the pipeline it will be necessary to evaluate the availability, costs, complexity and implementation details of a particular set of historical data. You may find it is necessary to reject a strategy based solely on historical data considerations. This is a big area and teams of PhDs work at large funds making sure pricing is accurate and timely. Do not underestimate the difficulties of creating a robust data centre for your backtesting purposes I do want to say, however, that many backtesting platforms can provide this data for you automatically - at a cost. Thus it will take much of the implementation pain away from you, and you can concentrate purely on strategy implementation and optimisation. Tools like TradeStation possess this capability. However, my personal view is to implement as much as possible internally and avoid outsourcing parts of the stack to software vendors. I prefer higher frequency strategies due to their more attractive Sharpe ratios, but they are often tightly coupled to the technology stack, where advanced optimisation is critical. Now that we have discussed the issues surrounding historical data it is time to begin implementing our strategies in a backtesting engine. This will be the subject of other articles, as it is an equally large area of discussion