Estratégias quantias - são para você As estratégias quantitativas de investimento evoluíram para ferramentas muito complexas com o advento dos computadores modernos, mas as raízes das estratégias remontam aos 70 anos. Geralmente são executados por equipes altamente educadas e usam modelos proprietários para aumentar sua capacidade de vencer o mercado. Há até programas disponíveis que são plug-and-play para quem procura simplicidade. Quant modelos sempre funcionam bem quando testados, mas suas aplicações reais e taxa de sucesso são discutíveis. Enquanto eles parecem funcionar bem em mercados de touro. Quando os mercados se afastam, as estratégias de quant estão sujeitas aos mesmos riscos que qualquer outra estratégia. A História Um dos pais fundadores do estudo da teoria quantitativa aplicada ao financiamento foi Robert Merton. Você só pode imaginar o quão difícil e demorado o processo foi antes do uso de computadores. Outras teorias em finanças também evoluíram a partir de alguns dos primeiros estudos quantitativos, incluindo a base da diversificação do portfólio com base na moderna teoria da carteira. O uso de financiamento e cálculo quantitativo levou a muitas outras ferramentas comuns, incluindo uma das mais famosas, a fórmula de preços de opções Black-Scholes, que não só ajuda as opções de preços dos investidores e desenvolve estratégias, mas também ajuda a manter os mercados em risco com liquidez. Quando aplicado diretamente ao gerenciamento de portfólio. O objetivo é como qualquer outra estratégia de investimento. Para adicionar valor, alfa ou excesso de retorno. Quants, como os desenvolvedores são chamados, compor modelos matemáticos complexos para detectar oportunidades de investimento. Existem quantos modelos lá fora, como quants que os desenvolvem, e todos afirmam ser os melhores. Uma das estratégias de investimento de quantos pontos mais vendidos é que o modelo e, finalmente, o computador, fazem a decisão de compra / venda real, não um humano. Isso tende a remover qualquer resposta emocional que uma pessoa possa experimentar ao comprar ou vender investimentos. As estratégias Quant são agora aceitas na comunidade de investimentos e administradas por fundos mútuos, hedge funds e investidores institucionais. Eles geralmente passam pelo nome de geradores alfa. Ou alfa gens. Atrás da cortina Assim como no The Wizard of Oz, alguém está atrás da cortina que conduz o processo. Tal como acontece com qualquer modelo, é tão bom quanto o humano que desenvolve o programa. Embora não exista um requisito específico para se tornar um quant, a maioria das empresas que executam modelos quant combinam as habilidades de analistas de investimentos, estatísticos e programadores que codificam o processo nos computadores. Devido à natureza complexa dos modelos matemáticos e estatísticos, é comum ver credenciais como diplomas de pós-graduação e doutorado em finanças, economia, matemática e engenharia. Historicamente, esses membros da equipe trabalharam nos back offices. Mas, à medida que os modelos quant tornam-se mais comuns, o back office está se movendo para o front office. Benefícios de Quant Strategies Embora a taxa de sucesso global seja discutível, o motivo de algumas estratégias de quant é funcionar é que elas são baseadas em disciplina. Se o modelo for certo, a disciplina mantém a estratégia trabalhando com computadores com velocidade relâmpada para explorar ineficiências nos mercados com base em dados quantitativos. Os próprios modelos podem basear-se em apenas algumas proporções como P / E. Dívida para patrimônio e crescimento de lucros, ou use milhares de insumos trabalhando juntos ao mesmo tempo. Estratégias bem-sucedidas podem retomar as tendências em seus estágios iniciais, pois os computadores constantemente correm cenários para localizar ineficiências antes que outros o façam. Os modelos são capazes de analisar simultaneamente um grande grupo de investimentos, onde o analista tradicional pode estar olhando apenas alguns por vez. O processo de triagem pode avaliar o universo por níveis de classificação como 1-5 ou A-F, dependendo do modelo. Isso torna o processo de negociação real muito direto, investindo nos investimentos altamente cotados e vendendo os mais baixos. Os modelos Quant também abrem variações de estratégias como longas, curtas e longas / curtas. Os fundos cuidadosos bem sucedidos mantêm um olho no controle de risco devido à natureza de seus modelos. A maioria das estratégias começa com um universo ou benchmark e usa ponderações setoriais e industriais em seus modelos. Isso permite que os fundos controlem a diversificação até certo ponto sem comprometer o próprio modelo. Os fundos Quant normalmente funcionam com base em custos mais baixos porque não precisam de tantos analistas tradicionais e gerentes de portfólio para executá-los. Desvantagens de Quant Strategies Existem razões pelas quais tantos investidores não aceitam completamente o conceito de deixar uma caixa preta executar seus investimentos. Para todos os fundos de quantos bem sucedidos lá fora, apenas muitos parecem ser infrutíferos. Infelizmente para a reputação de quants, quando eles falham, eles falham grande momento. O Gerenciamento de Capital de Longo Prazo foi um dos mais famosos fundos hedge de quant, já que foi dirigido por alguns dos líderes acadêmicos mais respeitados e dois economistas vencedores do Prêmio Nobel, Myron S. Scholes e Robert C. Merton. Na década de 1990, sua equipe gerou retornos acima da média e atraiu capital de todos os tipos de investidores. Eles eram famosos por não só explorarem ineficiências, mas usando fácil acesso ao capital para criar grandes apostas alavancadas nas direções do mercado. A natureza disciplinada de sua estratégia realmente criou a fraqueza que levou ao seu colapso. A Administração de Capital de Longo Prazo foi liquidada e dissolvida no início de 2000. Os modelos não incluíam a possibilidade de o governo russo estar inadimplente em algumas das suas próprias dívidas. Este evento desencadeou eventos e uma reação em cadeia ampliada por estragos criados por alavancagem. LTCM estava tão fortemente envolvido com outras operações de investimento que seu colapso afetou os mercados mundiais, provocando eventos dramáticos. A longo prazo, a Reserva Federal entrou para ajudar, e outros bancos e fundos de investimento apoiaram o LTCM para evitar mais danos. Esta é uma das razões pelas quais os fundos quantitativos podem falhar, pois eles são baseados em eventos históricos que podem não incluir eventos futuros. Enquanto uma equipe de quantos fortes estará constantemente adicionando novos aspectos aos modelos para prever eventos futuros, é impossível prever o futuro sempre. Os fundos Quant também podem ficar sobrecarregados quando a economia e os mercados experimentam uma volatilidade maior do que a média. Os sinais de compra e venda podem chegar tão rapidamente que o alto volume de negócios pode gerar altas comissões e eventos tributáveis. Os fundos quantitos também podem representar um perigo quando são comercializados como resistentes ao incômodo ou baseados em estratégias curtas. Previsão de recessões. O uso de derivados e a alavancagem combinada podem ser perigosos. Uma vez errada pode levar a implosões, que muitas vezes fazem as novidades. The Bottom Line As estratégias quantitativas de investimento evoluíram de caixas pretas do back office para as principais ferramentas de investimento. Eles são projetados para utilizar as melhores mentes no negócio e os computadores mais rápidos, tanto para explorar ineficiências quanto usar a alavancagem para fazer apostas no mercado. Eles podem ser muito bem sucedidos se os modelos incluíram todas as entradas certas e são ágeis o suficiente para prever eventos de mercado anormais. Por outro lado, enquanto os fundos quantitativos são rigorosamente testados até que eles funcionam, sua fraqueza é que eles dependem de dados históricos para seu sucesso. Embora o investimento em estilo quantitativo tenha seu lugar no mercado, é importante estar atento às suas deficiências e riscos. Para ser consistente com as estratégias de diversificação. É uma boa idéia tratar estratégias quantitativas como um estilo de investimento e combiná-lo com estratégias tradicionais para alcançar uma diversificação adequada. Negociação quantitativa Muito foi escrito sobre a estratégia de desvio de anúncios pós-ganhos (PEAD) (veja, por exemplo, meu livro), Mas menos foi escrito sobre estratégias de anúncio pré-aventuras. Isso mudou recentemente com a publicação de dois artigos. Tal como acontece com o PEAD, estas estratégias de pré-anúncio não fazem uso de números de ganhos reais ou mesmo de estimativas. Eles são baseados inteiramente nas datas de anúncio (esperado ou atual) e talvez no movimento de preços recentes. O primeiro, por So e Wang 2014, sugere várias estratégias simples de reversão média para estoques dos EUA que entram em posições no mercado imediatamente antes de um anúncio esperado. Aqui está a minha paráfrase de uma dessas estratégias: 1) Suponha que t seja a data de anúncio de ganhos esperado para uma ação no índice Russell 3000. 2) Calcule o retorno pré-anúncio do dia t-4 para t-2 (apenas dias de negociação contábil). 3) Subtrair um retorno do índice de mercado sobre o mesmo período de lookback do retorno pré-anúncio e chamar esse PAR de retorno ajustado no mercado. 4) Escolha as 18 ações com o melhor PAR e baixe-os (com dólares iguais) no mercado fechado de t-1, liquida no fechamento do mercado de t1. Escolha as 18 ações com os piores PAR, e faça o contrário. Hedge qualquer exposição líquida com um ETF ou futuro do mercado. Eu testei esta estratégia usando os dados das datas de ganhos esperados de Wall Street Horizon (WSH), aplicando-a às ações no índice Russell 3000 e hedgeando com a IWV. Recebi um CAGR de 9,1 e um índice de Sharpe de 1 de 2011/08 / 03-2016 / 09/30. A curva de equidade é apresentada abaixo. Note-se que os dados de WSHs foram usados em vez de dados de ganhos da Yahoo Finance, Compustat ou mesmo da Thomson Reuters I / B / E / S, porque apenas os dados do WSHs são pontuais. WSH capturou a data de anúncio de ganhos esperada no dia anterior ao anúncio, assim como teríamos se estivéssemos negociando ao vivo. Nós não usamos a data de anúncio real como capturada na maioria das outras fontes de dados, porque não podíamos ter certeza se uma empresa mudou sua data de anúncio esperada na mesma data. A data de anúncio atual só pode ser conhecida com certeza após o fato e, portanto, não é um ponto-a-tempo. Se fizéssemos o mesmo backtest usando os dados de ganhos históricos do Yahoo Finances, o CAGR teria caído para 6,8 e o índice Sharpe caiu para 0,8. A noção de que as empresas mudam suas datas de anúncio esperadas nos leva à segunda estratégia, criada por Ekaterina Kramarenko da Deltixs Quantitative Research Team. Em seu artigo, uma estratégia de negociação automatizada usando movimentos de data de ganhos de Wall Street Horizon, ela descreve a seguinte estratégia que explícitamente faz uso de tais mudanças como um sinal de negociação: 1) No mercado fechado antes do anúncio de ganhos esperado entre o fechamento atual e Os próximos dias abrem, calculam o deltaD, que é a última alteração da data de anúncio esperada para o próximo anúncio, medido em dias de calendário. DeltaD gt 0 se a empresa mudou a data de anúncio mais tarde e deltaD lt 0 se a empresa mudou a data de anúncio mais cedo. 2) Além disso, no mesmo mercado próximo, calcula deltaU qual é o número de dias de calendário desde a última alteração da data de anúncio esperada. 3) Se deltaD lt 0 e deltaU lt 45, compre o estoque no mercado fechado e liquida nos próximos dias o mercado aberto. Se deltaD gt 0 e deltaU gt 45, faça o contrário. A intuição por trás dessa estratégia é que se uma empresa mover uma data de anúncio esperada mais cedo, especialmente se isso acontecer próximo da data esperada, isso é uma indicação de boas notícias e vice-versa. Kramarenko encontrou um CAGR de 14,95 e um índice Sharpe de 2,08 aplicando esta estratégia aos estoques SPX de 2006/1/3 a 2015/9/2. Para reproduzir esse resultado, é necessário garantir que a alocação de capital baseie-se na seguinte fórmula: suponha que o poder de compra total seja M e o número de sinais de negociação no fechamento do mercado seja n, então o tamanho de negociação por estoque É M / 5 se n lt 5 e é M / n se n gt 5. Eu testei esta estratégia de 2011/8 / 3-2016 / 9/30 em um universo SPX fixo em 2011/7/5 e obtive CAGR17 .6 e Sharpe de 0,6. Backtesting isto no índice índice Russell 3000 de ações produziu melhores resultados, com CAGR17 e Sharpe ratio1.9. Aqui, ajuste o tamanho de negociação por estoque para M / 30 se n lt30 e M / n se n gt 30, dado que o número total de ações em Russell 3000 é cerca de 6 vezes maior do que o SPX. A curva de equidade é exibida abaixo: Curiosamente, uma versão neutra do mercado desta estratégia (usando a IWV para proteger qualquer exposição líquida) não melhora o índice de Sharpe, mas deprimiu significativamente o CAGR. Reconhecimento. Agradeço a Michael Raines, no Wall Street Horizon, por fornecer dados historicamente históricos de datas de recebimento esperados para esta pesquisa. Além disso, agradeço Stuart Farr e Ekaterina Kramarenko na Deltix por fornecerem-me uma cópia do seu trabalho e me explicando as nuances de sua estratégia. O meu próximo workshop 14 e 21 de janeiro: Estratégias de opções algorítmicas Este curso online é diferente da maioria das outras opções oferecidas em outros lugares. Ele irá cobrir backtesting estratégias de opções intradiárias e estratégias de opções de portfólio. Eu escrevi em um artigo anterior sobre por que devemos backtest até mesmo estratégias de fim de dia (diariamente) com dados de cotação intradiária. Caso contrário, o desempenho de tais estratégias pode ser inflado. Aqui está outro exemplo brilhante que encontrei recentemente. Considere o futuro do petróleo ETF USO e seu gêmeo maligno, o futuro inverso do ETF DNO. Em teoria, se USO tiver um retorno diário de x, DNO terá um retorno diário de - x. Na prática, se traçamos os retornos diários da DNO contra o USO a partir de 2010/9 / 27-2016 / 9/9, usando os dados habitualmente consolidados de fim de semana que você pode encontrar no Yahoo Finance ou em qualquer outro fornecedor, Vemos que embora a inclinação seja de fato -1 (dentro de um erro padrão de 0,004), há muitos dias com desvio significativo da linha reta. O comerciante em nós pensará imediatamente oportunidades de arbitragem. De fato, se recuperarmos uma estratégia de reversão simples e simples neste par, basta comprar o mesmo valor em dólar de USO e DNO quando a soma de seus rendimentos diários for inferior a 40 pb no fechamento do mercado, segure Um dia, e vice-versa - vamos encontrar uma estratégia com um índice de Sharpe decente de 1 mesmo depois de deduzir 5 bps por lado como custos de transação. Aqui está a curva de equidade: Parece razoável, não é, no entanto, se voltarmos a testar essa estratégia novamente com os dados do BBO no mercado fechado, tendo o cuidado de subtrair a metade do spread de oferta e solicitação como custo de transação, encontramos essa curva de equidade: podemos ver Que o problema não é apenas que perdemos dinheiro em praticamente todos os negócios, mas que raramente houve algum comércio desencadeado. Quando os dados diários do EOD sugerem que um comércio deve ser desencadeado, os dados do BBO da barra de 1 minuto nos dizem que na verdade não houve desvio da média. (A propósito, os retornos acima foram calculados antes mesmo de deduzir os custos emprestados de ocasionalmente curtando esses ETFs. A taxa de desconto para USO é de cerca de 1 por ano em Interactive Brokers, mas um acentuado 5.6 para DNO.) Caso você pense isso O problema é peculiar ao USO vs DNO, você também pode tentar TBT vs UBT. Aliás, acabamos de verificar uma regra de ouro dos mercados financeiros: o desvio aparente do mercado eficiente é permitido quando ninguém pode negociar com rentabilidade com a oportunidade de arbitragem. Nota: de acordo com etf, o emissor da DNO suspendeu temporariamente as criações para este fundo a partir de 22 de março de 2016, pendente de arquivamento de novos papéis com a SEC. Esta ação poderia criar prémios incomuns ou excessivos8212 um aumento do preço de mercado do fundo em relação ao seu valor justo. Os resgates não são afetados. Troque com cuidado verificar INAV vs. preço. Para uma explicação sobre a criação de unidades ETF, veja meu artigo Coisas que você não quer saber sobre ETFs e ETNs. Quantiacs de atualização da indústria recentemente registrados como um CTA e opera um mercado para algoritmos de negociação que qualquer um pode contribuir. Eles também publicaram uma postagem de blog educacional para Python e Matlab backtesters: quantifics / Blog / Intro-to-Algorithmic-Trading-with-Heikin-Ashi. aspx Eu vou moderar uma discussão em painel sobre como os fundos podem alavancar fontes de dados não tradicionais para Impulsionar os retornos dos investimentos na Quant World Canada, em Toronto, 10 de novembro de 2016. Próximas oficinas 22 e 29 de outubro, sábados, workshops on-line Quantitative Momentum Strategies. As estratégias de Momentum são para aqueles que desejam se beneficiar dos eventos da cauda. Eu discutirei os motivos fundamentais para a existência de impulso em vários mercados, bem como estratégias de impulso específicas que ocupam posições de horas em dias. Um diretor sênior em um grande banco me escreveu: 8230 novamente para o curso de treinamento Momentum Strategies nesta semana . Foi muito benéfico. Eu achei suas explicações sobre os conceitos muito claras e os exemplos bem desenvolvidos. Eu gosto da abordagem rigorosa que você toma para a avaliação da estratégia.8221 Sexta-feira, 17 de junho de 2016 Todo mundo adora negociar ou investir em ETPs. A ETP é o acrônimo de produtos negociados em bolsa, que incluem tanto fundos negociados em bolsa (ETF) como notas trocadas (ETN). Parecem simples, transparentes, fáceis de entender. Mas há algumas sutilezas que talvez você não conheça. 1) O ETN mais popular é o VXX, o ETF do índice de volatilidade. Ao contrário do ETF, a ETN é realmente uma obrigação não garantida emitida pelo emissor. Isso significa que o preço da ETN pode não apenas depender do patrimônio ou índice subjacente. Isso poderia depender do crédito do emissor. Agora o VXX é emitido pela Barclays. Você pode pensar que Barclays é um grande banco, Too Big To Fail, e você pode estar certo. No entanto, ninguém promete que sua classificação de crédito nunca será rebaixada. Negociando o futuro do VX, no entanto, não tem esse problema. 2) O emissor ETP, juntamente com os Participantes Autorizados (os fabricantes de mercado que podem pedir ao emissor emitir mais ações da ETP ou para resgatar tais ações pelos ativos subjacentes ou em dinheiro), devem manter o valor de mercado total das ações da ETP Acompanhando de perto o NAV dos ativos subjacentes. No entanto, houve um exemplo notável quando o emissor deliberadamente não o fez, resultando em grandes perdas para alguns investidores. Foi quando o emissor da TVIX, o ETN alavancado que rastreia 2x os retornos diários do VXX, parou toda a criação de novas ações da TVIX temporariamente em 22 de fevereiro de 2012 (veja seisfigureinvesting / 2015/10 / how-does-tvix-work /) . Esse emissor é o Credit Suisse, que poderia achar que os custos de transação de reequilíbrio deste ETN altamente volátil estavam se tornando muito altos. Por causa dessa paralisação, a TVIX transformou-se em um fundo fechado (temporariamente) e seu NAV divergiu significativamente do seu valor de mercado. A TVIX foi negociada com um prêmio de 90 em relação ao índice subjacente. Em outras palavras, os investidores que compraram a TVIX no mercado de ações até o final de março pagavam 90 mais do que teriam se pudessem comprar o índice VIX. Logo depois, o Credit Suisse anunciou que eles irão retomar a criação de ações da TVIX. O preço de mercado da TVIX imediatamente caiu para o seu VPL por ação, causando enormes prejuízos para os investidores que compraram antes da retomada. 3) Você pode estar familiarizado com o fato de que um ETF alavancado deve rastrear apenas as vezes o retorno diário do índice subjacente e não o retorno de longo prazo. Mas você pode estar menos familiarizado com o fato de que também não é suposto rastrear os tempos do retorno intradiário desse índice (embora, na maioria das vezes, ele realmente, graças aos muitos arbitragens). Caso em questão: durante o choque instantâneo de maio de 2010 , Muitos ETFs alavancados inversamente experimentaram uma diminuição de preço à medida que o mercado estava falhando para baixo. Como ETFs inversos, muitos investidores pensaram que deveriam subir de preço e atuar como hedge contra as quedas do mercado. Por exemplo, esta carta de comentário para a SEC apontou que o DOG, o ETF inverso que rastreia -1x índice Dow 30, caiu mais de 60 do seu valor no início (2:40 pm ET) do Flash Crash. Isso ocorre porque vários fabricantes de mercado, incluindo os Participantes Autorizados para o DOG, não faziam mercados naquele momento. Mas um ponto igualmente importante a observar é que no final do dia de negociação, o DOG retornou 3,2, quase exatamente -1x o retorno do DIA (o ETF que rastreia o Dow 30). Então funcionou como anunciado. Lição aprendida: não devemos usar ETFs inversos para hedge intradía nem longo prazo 4) O VL (não o VPL por ação) de um ETF não precisa mudar do mesmo valor de mercado da unidade de ativos subjacentes. Por exemplo, a mesma carta de comentário que citei acima escreveu que a GLD, a ETF dourada, declinou no preço em 24 de 1 de março a 31 de dezembro de 2013, rastreando a mesma queda de 24 no preço do ouro no local. No entanto, seu NAV caiu 52. Por que os Participantes Autorizados resgataram muitas ações da GLD, fazendo com que as ações em circulação da GLD diminuíssem de 416 milhões para 266 milhões. Isso não é um problema. Um investidor naquele ETF só se importa que ela tenha experimentado o mesmo retorno que o ouro no local, e não a quantidade de ativos que a ETF realizou. O autor dessa carta de comentários escreveu estranhamente que os investidores que desejassem participar do mercado de ouro não comprariam o GLD se soubessem que um declínio do preço do ouro poderia resultar em duas vezes mais declínio de ativos subjacente para o GLD. Isso, eu acredito, é bobagem. Atualização da Indústria Alex Boykov co-desenvolveu a WFAToolbox 8211 Walk-Forward Analysis Toolbox para MATLAB, que automatiza o processo de usar uma janela em movimento para otimizar parâmetros e entrar em negociações apenas no período fora da amostra. Ele também compilou um aplicativo autônomo do MATLAB que permite que qualquer usuário (com MATLAB ou não) faça o upload de cotações no formato csv da Google Finance para posterior importação para outros programas e para trabalhar no Excel. Você pode baixá-lo aqui: wfatoolbox / epchan. As técnicas de aprendizado de AI / máquina são mais úteis quando alguém nos fornece indicadores técnicos ou fundamentais novos, e ainda não desenvolvemos a intuição de como usá-los. As técnicas de AI podem sugerir maneiras de incorporá-las na sua estratégia comercial e acelerar a compreensão desses indicadores. Claro, às vezes essas técnicas também podem sugerir estratégias inesperadas em mercados familiares. Meu curso cobre as técnicas básicas de IA úteis para um comerciante, com ênfase nas muitas maneiras de evitar a superposição. Todos sabem que a volatilidade depende da frequência de medição: o desvio padrão dos retornos de 5 minutos é diferente do dos retornos diários. Para ser preciso, se z for o preço do registro, então a volatilidade, amostrada em intervalos de, é onde Var significa tomar a variância em vários tempos de amostra. Se os preços realmente seguem uma caminhada aleatória geométrica, então Var () 8801Var ((z (t) - z (t)) 8733, e a volatilidade simplesmente se escala com a raiz quadrada do intervalo de amostragem. É por isso que se medimos Retornos diários, precisamos multiplicar a volatilidade diária por 8730252 para obter a volatilidade anualizada. Os comerciantes também sabem que os preços não seguem realmente uma caminhada aleatória geométrica. Se os preços forem significativos, veremos que eles não se afastar de sua inicial Valorizem tão rápido quanto uma caminhada aleatória. Se os preços estiverem tendendo, eles se afastarão mais rápido. Em geral, podemos escrever onde H é chamado de expoente de Hurst e é igual a 0,5 para uma verdadeira caminhada aleatória geométrica, mas será menor do que 0,5 para os preços médios de reversão e superior a 0,5 para preços de tendência. Se anualizamos a volatilidade de uma série de preços de reversão média, ela terá uma menor volatilidade anualizada do que a de uma caminhada aleatória geométrica, mesmo que ambas tenham exatamente a Mesma volatilidade medida em, digamos, barras de 5 minutos. O oposto é verdadeiro para uma série de preços de tendências. Por exemplo, se tentarmos isso no AUDCAD, uma série de tempo obviamente significante, nós obteremos H0.43. Todos os itens acima são bem conhecidos de muitos comerciantes e, de fato, são discutidos no meu livro. Mas o que é mais interessante é que o expoente de Hurst em si pode mudar em certa escala de tempo, e essa mudança às vezes sinaliza uma mudança de uma reversão média para um regime de momentum ou vice-versa. Para ver isso, podemos traçar a volatilidade (ou mais convenientemente, variância) como uma função de. Isso geralmente é chamado de estrutura de prazo de volatilidade (realizada). Comece com o familiar SPY. Podemos calcular os retornos intraday usando medições intermediárias de 1 minuto a 210 minutos (17 horas) e traçar o log (Var ()) contra log (). O ajuste, mostrado abaixo, é excelente. (Clique na figura para ampliar). A inclinação, dividida por 2, é o expoente de Hurst, que acaba por ser 0.4941770.003, que é muito ligeiramente reverso. Mas se fizermos o mesmo para os retornos diários de SPY, para intervalos de 1 dia até 28 (256) dias, achamos que H é agora 0.4691770.007, o que significa que é significante reverter. Conclusão: as estratégias de reversão média em SPY devem funcionar melhor entre os dias do que intraday. Podemos fazer a mesma análise para a USO (a ETF de futuros de petróleo bruto WTI). O intraday H é 0.5151770.001, indicando comportamento de tendência significativo. O diário H é 0.561770.02, ainda mais significativamente tendencial. Portanto, as estratégias de impulso devem funcionar para futuros de petróleo bruto em qualquer escala de tempo razoável. Vamos agora para o GLD, o ETF dourado. Intraday H0.5051770.002, que está ligeiramente tendência. Mas diariamente H0.4691770.007: significam significativamente reverter As estratégias de Momentum no ouro podem funcionar intraday, mas as estratégias de reversão média certamente funcionam melhor durante vários dias. Onde a transição ocorre. Podemos examinar cuidadosamente o termo estrutura: podemos ver que em torno de 16 a 32 dias, as volatilidades partem da linha reta extrapolada das freqüências intradias. É aí que devemos mudar de dinâmica para as estratégias de reversão. Uma nota de interesse: quando calculamos a variação de retornos ao longo de períodos que se encaixam em dois dias de negociação e traçá-los como função de log (). Deve incluir as horas em que o mercado foi fechado. Acontece que a resposta é sim, mas não completamente. Para produzir o gráfico acima, onde as variações diárias caíram inicialmente na mesma linha reta que as variações intradias, devemos contar 1 dia de negociação como equivalente a 10 horas de negociação. Não 6.5 (para os mercados de ações / ETF dos EUA) e não 24. O número exato de horas de negociação equivalentes, é claro, varia de acordo com diferentes instrumentos. Nick em mintegration. eu discute os novos bancos de dados intraday em Quandl e Kerf. Factorwave (criação do Euan Sinclairs) iniciou um novo fórum: slack. factorwave. Tem algumas discussões muito ativas e aprofundadas sobre muitos tópicos de negociação e investimento. O professor Matthew Lyle da Kellogg School of Management apresenta um novo documento que relaciona os fundamentos com os prémios de risco de variância: papers. ssrn / sol3 / papers. cfmabstractid2696183. Há muito mais para significar estratégias de reversão do que apenas negociação de pares. Descubra como prosperar no atual ambiente de baixa volatilidade favorável a este tipo de estratégias. Prever a volatilidade é um tópico muito antigo. Todo estudante de finanças foi ensinado a usar o modelo GARCH para isso. Mas, como a maioria das coisas que aprendemos na escola, não esperamos necessariamente que elas sejam úteis na prática ou que funcionem bem fora da amostra. (Quando foi a última vez que você precisa usar o cálculo em seu trabalho) Mas, por curiosidade, fiz uma rápida investigação do seu poder em prever a volatilidade dos retornos diários do produto SPY. Eu avaliei os parâmetros de um modelo GARCH sobre dados de treinamento de 21 de dezembro de 2005 a 5 de dezembro de 2011 usando a caixa de ferramentas Econometric Matlabs e testado com que frequência o sinal da mudança de volatilidade prevista de 1 dia concorda com a realidade no conjunto de testes de dezembro 6, 2011 a 25 de novembro de 2015. (A mudança de um dia na volatilidade realizada é definida como a mudança no valor absoluto do retorno de 1 dia). Uma surpresa agradável: o acordo é 58 dos dias. Se esta fosse a precisão para prever o sinal do retorno do SPY, devemos nos preparar para se aposentar no luxo. A volatilidade é mais fácil de prever do que os retornos assinados, como todos os estudantes de finanças também foram ensinados. Mas o que é bom é uma boa previsão de volatilidade Isso seria útil para os comerciantes de opções, que podem trocar volatilidades implícitas em vez de retornos direcionais. A resposta é sim, a previsão de volatilidade realizada é útil para a previsão de volatilidade implícita, mas não da maneira que você esperaria. Se o GARCH nos disser que a volatilidade realizada aumentará amanhã, a maioria de nós instintivamente vai sair e comprar algumas opções (ou seja, volatilidade implícita). No caso da SPY, provavelmente iremos comprar algum VXX. Mas isso seria um erro terrível. Lembre-se de que a volatilidade que prevemos é um retorno não assinado: uma previsão de maior volatilidade pode significar um dia muito bullish amanhã. Um alto retorno positivo no SPY geralmente é acompanhado por uma queda acentuada no VXX. Por outras palavras, um aumento na volatilidade realizada é geralmente acompanhado por uma diminuição da volatilidade implícita neste caso. Mas o que é realmente estranho é que esta anti-correlação entre a mudança na volatilidade realizada e a mudança na volatilidade implícita também ocorre quando o retorno é negativo (57 dos dias com retornos negativos). Um retorno muito negativo no SPY é de fato geralmente acompanhado por um aumento na volatilidade implícita ou VXX, induzindo correlação positiva. Mas, em média, um aumento na volatilidade realizada devido a retornos negativos ainda é acompanhado por uma diminuição da volatilidade implícita. O resultado de tudo isso é que se você prevê que a volatilidade do SPY aumentará amanhã, você deve usar VXX curto em vez disso. Quantiacs acaba de lançar uma competição de sistema de negociação com investimentos garantidos de 2,25 milhões para os três melhores sistemas de negociação. (Quantiacs ajuda Quants a obter investimentos para seus algoritmos de negociação e ajuda os investidores a encontrar o sistema de negociação correto.) Um novo livro chamado Momo Traders - Dicas, Truques e Estratégias de dez Top Traders apresenta extensas entrevistas com dez melhores comerciantes do dia e swing que encontram ações Que movem e capitalizam esse impulso. Outro novo livro chamado Algorithmic and High-Frequency Trading por 3 professores de finanças matemáticas descreve as ferramentas matemáticas sofisticadas que estão sendo aplicadas para a negociação de alta freqüência e a execução ideal. Sim, é necessário um cálculo aqui. Meu próximo Workshop 27-28 de janeiro: estratégias de opções algorítmicas Este é um novo curso on-line que é diferente da maioria das outras opções de oficinas oferecidas em outros lugares. Ele irá cobrir a forma como as estratégias de opções intraday podem ser testadas e estratégias de opções de portfólio. 7 a 11 de março: Arbitragem estatística, Momento Quantitativo e Inteligência Artificial para Comerciantes. Esses cursos são sessões de treinamento altamente intensivas realizadas em Londres por uma semana inteira. Normalmente, eu preciso andar por uma hora ao longo do Tamisa para rejuvenescer depois de cada dia de aula. O curso AI é novo e, para minha surpresa, algumas das técnicas melhoradas realmente funcionam. My Nextcoming Talk falarei na QuantCon 2016 em 9 de abril em Nova York. O tema será The Peculiarities of Volatility. Apontei uma peculiaridade acima, mas há outras. QTS Partners, L. P. tem um retorno líquido de 1,56 em outubro (YTD: 11,50). Detalhes disponíveis para Pessoas Qualificadas Elegíveis conforme definido na Regra 4.7 do CFTC. Por Lukasz Wojtow Os comerciantes mecânicos nunca param de pesquisar para a próxima margem do mercado. Não só para obter melhores resultados, mas também para ter mais de um sistema. Os melhores resultados comerciais podem ser alcançados com múltiplos sistemas não correlacionados comercializados simultaneamente. Infelizmente, a maioria dos comerciantes usa ineficiência de mercado semelhante: alguns comerciantes se especializam em seguimento de tendências, alguns em reversão média e assim por diante. Thats because learning to exploit one kind of edge is hard enough, mastering all of them 8211 impossible. It would be beneficial to have a software that creates many non-related systems. Recently I released Genotick - an open source software that can create and manage a group of trading systems. At the Genoticks core lies an epiphany: if its possible to create any software with just a handful of assembler instructions, it should be possible to create any trading systems with a handful of similarly simple instructions. These simple and meaningless-on-its-own instructions become extremely powerful when combined together. Right instructions in the right order can create any type of mechanical system: trend following, mean reverting or even based on fundamental data. The driving engine behind Genoticks power is a genetic algorithm. Current implementation is quite basic, but with some extra quirks. For example, if any of the systems is really bad 8211 it stays in the population but its predictions are reversed. Another trick is used to help recognize biased trading systems: a system can be removed if it doesnt give mirrored prediction on mirrored data. So for example, position on GBP/USD must be opposite to the one on USD/GBP. Genotick also supports optional elitism (where the best systems always stay in the population, while others are retired due to old age), protection for new systems (to avoid removing systems that didnt yet have a chance to prove themselves) and inheriting initial systems weight from parents. These options give users plenty of room for experimentation. When Genotick is run for the first time - there are no systems. They are created at the start using randomly chosen instructions. Then, a genetic algorithm takes over: each system is executed to check its prediction on historical data. Systems that predicted correctly gain weight for future predictions, systems that predicted incorrectly 8211 lose weight. Gradually, day after day, population of systems grows. Bad systems are removed and good systems breed. Prediction for each day is calculated by adding predictions of all systems available at the time. Genotick doesnt iterate over the same historical data more than once 8211 training process looks exactly as if it was executed in real life: one day at a time. In fact, there is no separate 8220training8221 phase, program learns a little bit as each day passes by. Interestingly, Genotick doesnt check for rationale behind created systems. As each system is created out of random instructions, its possible (and actually very likely) that some systems use ridiculous logic. For example, its possible that a system will give a 8220Buy8221 signal if Volume was positive 42 days ago. Another system may want to go short each time the third digit in yesterdays High is the same as second digit in todays Open. Of course, such systems would never survive in real world and also they wouldnt survive for long in Genoticks population. Because each systems initial weight is zero, they never gain any significant weight and therefore dont spoil cumulative prediction given by the program. It may seem a little silly to allow such systems in the first place, but it enables Genotick to test algorithms that are free from traders believes, misguided opinions and personal limitations. The sad fact is, the market doesnt care about what system you use and how much sweat and tears you put into it. Market is going to do what it wants to do 8211 no questions asked, not taking prisoners. Market doesnt even care if you use any sort of intelligence, artificial or not. And so, the only rationale behind every trading system should be very simple: 8220Does it work8221. Nothing more, nothing less. This is the only metric Genotick uses to gauge systems. Each programs run will be a little bit different. Equity chart below shows one possible performance. Years shown are 2007 until 2015 with actual training starting in 2000. There is nothing special about year 2007, remember 8211 Genotick learns as it goes along. However, I felt its important to look how it performed during financial crisis. Markets traded were: USD/CHF, USD/JPY, 10 Year US Bond Yield, SPX, EUR/USD, GBP/USD and Gold. (In some cases, I tested the system on a market index such as SPX instead of an instrument that tracks the index such as SPY, but the difference should be minor.) All markets were mirrored to allow removing biased systems. Some vital numbers: CAGR: 9.88 Maxim drawdown: -21.6 Longest drawdown: 287 trading days Profitable days: 53.3 CALMAR ratio: 0.644 Sharpe ratio: 1.06 Mean annual gain: 24.1 Losing year: 2013 (-12) (Click the cumulative returns in chart below to enlarge.) Cumulative Returns () since 2007 These numbers represent only 8220directional edge8221 offered by the software. There were no stop-losses, no leverage and no position sizing, which could greatly improve real life results. The performance assumes that at the end of each day, the positions are rebalanced so that each instrument starts with equal dollar value. (I. e. this is a constant rebalanced portfolio.) Artificial Intelligence is a hot topic. Self driving cars that drive better than an average human and chess algorithms that beat an average player are facts. The difference is that using AI for trading is perfectly legal and opponents may never know. Unlike chess and driving, there is a lot of randomness in financial markets and it may take us longer to notice when AI starts winning. Best hedge funds can be still run by humans but if any trading method is really superior, AI will figure it out as well. At the moment Genotick is more of a proof-of-concept rather than production-ready. It is very limited in usability, it doesnt forgive mistakes and its best to ask before using it for real trading. You will need Java 7 to run it. Its tested on both Linux and Windows 10. Example historical data is included. Any questions or comments are welcomed. I have been a big fan of options trader and author Euan Sinclair for a long time. I have cited his highly readable and influential book Option Trading in my own work, and it is always within easy reach from my desk. His more recent book Volatility Trading is another must-read. I ran into him at the Chicago Trading Show a few months ago where he was a panelist on volatility trading, and he graciously agreed to be interviewed by me. What is your educational background, and how did you start your trading career I got a Ph. D. in theoretical physics, studying the transition from quantum to classical mechanics. I always had intended to become a professor but the idea became less appealing once I saw what they did all day. At this time Nick Leeson was making news by blowing up Barings Bank and I thought I could do that. I mean trade derivatives not blowing up a bank (although I could probably manage that as well). Do you recommend a new graduate with a similar educational background as yours to pursue finance or trading as a career today I dont think I would for a few reasons. The world of derivatives and trading in general is now so much more visible than it was and there are now far better ways to prepare. When I started, physics Ph. D.s were hired only because they were smart and numerate and could pick things up on their own. My first trading firm had no training program. You just had to figure stuff out on your own. Now there are many good MFE courses or you could do a financial economics Ph. D. Further, it would very much depend on exactly what kind of physics had been studied. I did a lot of classical mechanics which is really geometry. This kind of pure theory isnt nearly as useful as a background heavy with stats or simulation. I think I could still make the transition, but it is no longer close to the ideal background. You have been a well-known options trader with a long track record: what do you think is the biggest obstacle to success for a retail options trader Trading costs. Most option trading ideas are still built on the Black-Scholes-Merton framework and the idea of dynamic hedging (albeit heavily modified). Most pro firms have stat arb like execution methods to reduce the effective bid-ask they pay in the underlying. They also pay practically no ticket charges and probably get rebates. Even then, their average profit per option trade is very small and has been steadily decreasing. Further, a lot of positional option trading relies on a large universe of possible trades to consider. This means a trader needs good scanning software to find trades, and a decent risk system because she will tend to have hundreds of positions on at one time. This is all expensive as well. Retail traders cant play this game at all. They have to look for situations that require little or no rebalancing and that can be limited to a much smaller universe. I would recommend the VIX complex or equity earnings events. As an options trader, do you tend to short or long volatility I am short about 95 of the time, but about 35 of my profits come from the long trades. Do you find it possible to fully automate options trading in the same way as that stocks, futures, and FX trading have been automated I see no reason why not. You have recently started a new website called FactorWave. Can you tell us about it What prompted the transition of your focus from options to stocks FactorWave is a set of stock and portfolio tools that do analysis in terms of factors such as value, size, quality and momentum. There is a lot of research by both academics and investors that shows that these (and other) factors can give market beating returns and lower volatility. Ive been interested in stocks for a long time. Most of my option experience has been with stock options and some of my best research was on how these factors affected volatility trading returns. Also, equity markets are a great place to build wealth over the long term. They are a far more suitable vehicle for retirement planning than options I actually think the distinction between trading and investing is fairly meaningless. The only difference seems to be the time scale and this is very dependent on the person involved as well, with long-term meaning anything form months to inter-generational. All Ive ever done as a trader is to look for meaningful edges and I found a lot of these in options. But Ive never found anything as persistent as the stock factors. There is over a hundred years of statistical evidence, studies in many countries and economic and behavioral reasons for their existence. They present some of the best edges I have ever found. That should be appealing to any trader or investor. Thank you These are really valuable insights. Most time series techniques such as the ADF test for stationarity, Johansen test for cointegration, or ARIMA model for returns prediction, assume that our data points are collected at regular intervals. In traders parlance, it assumes bar data with fixed bar length. It is easy to see that this mundane requirement immediately presents a problem even if we were just to analyze daily bars: how are we do deal with weekends and holidays You can see that the statistics of return bars over weekdays can differ significantly from those over weekends and holidays. Here is a table of comparison for SPY daily returns from 2005/05/04-2015/04/09: SPY daily returns Mean Returns (bps) Mean Absolute Returns (bps) Kurtosis (3 is 8220normal8221) Though the absolute magnitude of the returns over a weekday is similar to that over a weekend, the mean returns are much more positive on the weekdays. Note also that the kurtosis of returns is almost doubled on the weekends. (Much higher tail risks on weekends with much less expected returns: why would anyone hold a position over weekends) So if we run any sort of time series analysis on daily data, we are force-fitting a model on data with heterogeneous statistics that wont work well. The problem is, of course, much worse if we attempt time series analysis on intraday bars. Not only are we faced with the weekend gap, in the case of stocks or ETFs we are faced with the overnight gap as well. Here is a table of comparison for AUDCAD 15-min returns vs weekend returns from 2009/01/01-2015/06/16: AUDCAD 15-min returns Mean Returns (bps) Mean Absolute Returns (bps) Kurtosis (3 is 8220normal8221) In this case, every important statistic is different (and it is noteworthy that kurtosis is actually lower on the weekends here, illustrating the mean-reverting character of this time series.) So how should we predict intraday returns with data that has weekend gaps (The same solution should apply to overnight gaps for stocks, and so omitted in the following discussion.) Lets consider several proposals: 1) Just delete the weekend returns, or set them as NaN in Matlab, or missing values NA in R. This wont work because the first few bars of a week isnt properly predicted by the last few bars of the previous week. We shouldnt use any linear model built with daily or intraday data to predict the returns of the first few bars of a week, whether or not that model contains data with weekend gaps. As for how many bars constitute the first few bars, it depends on the lookback of the model. (Notice I emphasize linear model here because some nonlinear models can deal with large jumps during the weekends appropriately.) 2) Just pretend the weekend returns are no different from the daily or intraday returns when building/training the time series model, but do not use the model for predicting weekend returns. I. e. do not hold positions over the weekends. This has been the default, and perhaps simplest (naive) way of handling this issue for many traders, and it isnt too bad. The predictions for the first few bars in a week will again be suspect, as in 1), so one may want to refrain from trading then. The model built this way isnt the best possible one, but then we dont have to be purists. 3) Use only the most recent period without a gap to train the model. So for an intraday FX model, we would be using the bars in the previous week, sans the weekends, to train the model. Do not use the model for predicting weekend returns nor the first few bars of a week. This sounds fine, except that there is usually not enough data in just a week to build a robust model, and the resulting model typically suffers from severe data snooping bias. You might think that it should be possible to concatenate data from multiple gapless periods to form a larger training set. This concatenation does not mean just piecing together multiple weeks time series into one long time series - that would be equivalent to 2) and wrong. Concatenation just means that we maximize the total log likelihood of a model over multiple independent time series, which in theory can be done without much fuss since log likelihood (i. e. log probability) of independent data are additive. But in practice, most pre-packaged time series model programs do not have this facility. (Do add a comment if anyone knows of such a package in Matlab, R, or Python) Instead of modifying the guts of a likelihood-maximization routine of a time series fitting package, we will examine a short cut in the next proposal. 4) Rather than using a pre-packaged time series model with maximum likelihood estimation, just use an equivalent multiple linear regression (LR) model. Then just fit the training data with this LR model with all the data in the training set except the weekend bars, and use it for predicting all future bars except the weekend bars and the first few bars of a week. This conversion of a time series model into a LR model is fairly easy for an autoregressive model AR(p), but may not be possible for an autoregressive moving average model ARMA(p, q). This is because the latter involves a moving average of the residuals, creating a dependency which I dont know how to incorporate into a LR. But I have found that AR(p) model, due to its simplicity, often works better out-of-sample than ARMA models anyway. It is of course, very easy to just omit certain data points from a LR fit, as each data point is presumed independent. Here is a plot of the out-of-sample cumulative returns of one such AR model built for predicting 15-minute returns of NOKSEK, assuming midpoint executions and no transaction costs (click to enlarge.)
No comments:
Post a Comment