Ilościowe trading strategie excel

Czytnik komentuje transakcje za pomocą Excela VBA i modelu czynnikowego. Przemyślane komentarze od czytelnika Johna S. z Wielkiej Brytanii na temat jego doświadczenia z technologią handlową i modelami: Opracowuję własne, osobiste systemy automatycznego handlu za pomocą Excela VBA i na podstawie reguł, które mam opracowywany przez lata jako aktywny prywatny inwestor, wykorzystujący zarówno techniczną, jak i fundamentalną analizę danych. Jedną z kluczowych zalet przyjęcia podejścia opartego na automatycznym systemie handlu, które pomogło mi, jest uniknięcie pokusy ręcznej ingerencji, a przez to poprawa rentowności poprzez utrzymanie spójności. Znalazłem wyzwanie, jakim jest opracowanie udanego systemu, który będzie bardzo satysfakcjonujący z osobistej perspektywy, ponieważ zdaję sobie sprawę, że wielu próbowało i nie udało się. Jednak jednym z problemów, z jakimi się zetknąłem, jest moje nieustanne dążenie do regularnego modyfikowania i ulepszania systemu, który, jak odkryłem, może stać się przeciwny do zamierzonego, ponieważ istnieje realne niebezpieczeństwo, że rozwój systemu staje się celem samym w sobie. Po prostu nie mogę przestać majstrować tak szybko jak ja. wymyślić nowy pomysł lub funkcję Jedną z zalet korzystania z Excel VBA, które znalazłem jest to, że jest z natury elastyczna, ponieważ ułatwia przetwarzanie danych, które mogą być ważne, zwłaszcza przy użyciu podstawowych danych w ramach systemu. W tym względzie zdaję sobie sprawę, że każdy przedsiębiorca próbuje zbudować coś, co sprawi, że system będzie bardziej opłacalny. Zauważyłem, że wielu handlowców wydaje się skupiać wyłącznie na cenie, próbując znaleźć przewagę, patrząc na specjalne wskaźniki lub kombinację wskaźników itp. Łączenie analizy danych cen z podejściem modelu czynnikowego jest wyzwaniem, które idealnie pasuje do Excel VBA, ponieważ może mogą być łatwo wykorzystane do przetwarzania zarówno podstawowych, jak i makroekonomicznych danych w formę, która może być zintegrowana z analizą danych o cenach. Rozumiem z twojej książki, że Matlab jest potężniejszy niż Excel VBA i może być tak samo elastyczny w integracji danych podstawowych i makroekonomicznych, ale po prostu chciałbym zwrócić twoją uwagę na korzyści, które znalazłem przy użyciu Excel VBA, które mogą odpowiadać tym, którzy lubią siebie, są bardziej wygodne korzystanie z Excel VBA i niechętnie się zmieniają. Inne funkcje, które mogą być wykorzystane, które uznałem za przydatne, gdy testowanie z tyłu automatycznie generuje wykresy cen, które zawierają punkty wejścia i wyjścia, co zapewnia wizualne zapewnienie, że system działa zgodnie z zamierzeniami, a także generowanie automatycznych raportów Word nagrywających kluczowe wyniki na przyszłość. Przykro mi, jeśli brzmię za bardzo jak ogłoszenie o komentarzach Microsoft 7: Sądzę, że główne przyczyny popularności ExcelVBA w świecie handlu kwantowego i ilościowego to: 1. Wiele osób już go używa - więc wszyscy myślą, że to droga iść. 2. Prostota VBA (nie ma pewności, czy jest ona skorelowana z jej elastycznością) - która pozwala na efektywne wykorzystanie przez każdego - niezależnie od tego, czy jest to inwestor, wytwórca danych lub programista. 3. VBA i Excel można łatwo rozszerzyć (w celu poprawy wydajności, zintegrowania oprogramowania innej firmy lub po prostu w celu użycia modularizera) poprzez przeniesienie rzeczywistej logiki modelu do C, COM lub As na późniejszy (łatwy sposób na zintegrowanie analizy kwantowej napisany przy pomocy Excela i VBA) - można rzucić okiem na moje rozwiązanie: excel4net Zdecydowanie uważam, że czynnik modowy jest w grze, często jesteśmy jak owce i nie widzę powodu, dla którego strategia lub systemy inwestycyjne byłyby inne. odrobina szczęścia nie wpłynie na rynek forex Jednak jednym problemem, z którym się zetknąłem jest ciągłe dążenie do regularnego modyfikowania i ulepszania systemu, który jak stwierdziłem może stać się przeciwnie produktywny, ponieważ istnieje realne zagrożenie, że rozwój systemu staje się celem samym w sobie. Interesujący punkt. Uważam, że najlepszym sposobem radzenia sobie z tym jest zaakceptowanie (lub odrzucenie) współczynnika WinLoss, który wytwarza twoja metoda handlowa. Chodzi mi o to, że jeśli wymienisz przeciwny trend i, psychicznie, czujesz się komfortowo z wysokim poziomem zwycięskich transakcji, będziesz miał trudności z radzeniem sobie z systemem, który generuje tyle wygranych lub strat. W takich okolicznościach być może Ty (i system) będziecie lepiej sytuowani, ustanawiając bardziej rygorystyczne kryteria i poświęcając niektóre konfiguracje - ale niezbyt wiele - w celu osiągnięcia wyższego poziomu zwycięskich transakcji (chociaż w tym procesie również może zmniejszyć współczynnik Avg średnich strat w winach). Zgadzam się jednak: to trudny problem, który wypalił wydarzenie najbardziej zaprawionym traderom. Jednak jednym z napotkanych przeze mnie problemów jest ciągłe dążenie do regularnego modyfikowania i ulepszania systemu, który jak stwierdziłem może stać się przeciwny do zamierzonego, ponieważ istnieje realne niebezpieczeństwo, że rozwój systemu staje się celem samym w sobie. Byłem bardzo zaskoczony twoim postem. W świecie analityków ilościowych (projektowanie i wdrażanie modeli instrumentów pochodnych dla czołowych banków inwestycyjnych, które spędziłem na tym 6 lat) Excel VBA jest uważany za najmniej elastyczny i zrównoważony język programowania, z którym mamy do czynienia języki zostaną wkrótce wycofane. Rozumiem, że teraz nadal jesteś z niego zadowolony, ale pomyślałeś, że możesz chcieć przestudiować alternatywne rozwiązania. Przy stosunkowo niewielkiej cenie wyjściowej możesz uzyskać wydajność i zrównoważony rozwój, które mogą Cię zaskoczyć. Problemy VBA, które przychodzą na myśl, to: słaba wydajność, złe zarządzanie pamięcią (może to pogorszyć wydajność), nie można używać systemu kontroli wersji, który umożliwia śledzenie zmian (kto-dlaczego-kiedy-kiedy) i ułatwi współpracę (patrz np. svnbook. red-beannightlyensvn. intro. whatis. htmlsvn. intro. righttool i tortoisesvn. tigris. org powinny istnieć niektóre narzędzia kontroli wersji Microsoft). Na podstawie mojego doświadczenia, począwszy od jakiegoś tomu kod VBA przestał być zarządzany, jednym z powodów jest to, że nie można używać kontroli wersji. słaba elastyczność (w porównaniu z alternatywami będę brakiem klas (metody struktury klas, które mogą uzyskać dostęp i modyfikować zawartość struktury) wirtualny brak mechanizmów abstrakcji (wariant jest podatny na błędy). Możesz ich potrzebować, jeśli chcesz używaj tego samego algorytmu dla akcji i krzywej wydajności (ta sama akcja, różne obiekty) Alternatywnymi, łatwymi w użyciu językami programowania będą Matlab i Python, oba języki są przyjazne dla SVN (patrz trzeci punkt), Excel-friendly, ale Słaba wydajność Matlab jest dość kosztowny (1K - 10K, w zależności od tego, jakie pakiety potrzebujesz i od twojej lokalizacji), o wiele ładniejszy i przyjazny dla użytkownika, zespół wsparcia jest w gotowości Porada dotycząca wydajności Matlab: wektoryzuj swój kod (operuj wektorami i macierze, a nie na zasadzie element po elemencie, np. wektor, w którym element i byłby ceną towaru X w dniu obserwacji daty i dni lub macierzy, gdzie element ij byłby wynikiem waluty Y w dniu i dla dojrzałości j). Inny sposób na s Peer up Matlab to kupić pakiet, który może konwertować kod Matlab na kod C, który może być skompilowany w DLL, którego możesz użyć w Excelu. Taki DLL działałby znacznie szybciej (może być sto razy szybszy, zależy od twojego zadania). Python jest darmowy, dość surowy, zabiera trochę czasu, ale warto. Jest bardziej elastyczny, bardziej odpowiedni język programowania. Inne języki, które możesz rozważyć, to C, VB i samodzielna VB (wszystko przez Microsoft, wszystko w rozsądnej cenie). Ustawiłbym je pomiędzy C (patrz poniżej) i Excel VBA C byłby najpotężniejszy, VB byłby najprostszy do użycia - jest prawie identyczny z VBA. Ponownie, istnieje kompromis pomiędzy elastycznością i prostolinijnością podobną do Excel VBA. Odręcznie napisany kod C jest najlepszy z punktu widzenia wydajności, jest to dość uniwersalny język, ale nauka go zajmuje dużo więcej czasu. Mam nadzieję, że uznasz to za interesujące. Cześć Dr Ernie Chan Czytałem twoją książkę o handlu ilościowym. Mówi się, że MATLAB jest dobrym narzędziem do opracowania złożonych strategii. Ale nie ma do tego dobrze zaaprobowanego API. Ostatnio znaleziono MATLAB2IB. Ale czy jest wystarczająco dobre i dobrze przetestowane W twojej książce mówi się, że ExcelVBA jest powolny w porównaniu do C. Jestem zainteresowany opracowaniem automatycznego systemu transakcyjnego. Czy mam używać tego nowego MATLAB2IB i kontynuować rozwijanie strategii w Matlab? Jestem dobry w Matlab i używałem go intensywnie podczas mojego doktora i innej pracy. Nie użyłem dużo C i okazało się to trudniejsze w porównaniu z MATLAB. Biorąc pod uwagę wybór, zawsze będę kodował w MATLAB. Ale czy konieczne jest rozwijanie strategii w C, jeśli chcę rozwinąć automatyczny system transakcyjny Hi Vinay, korzystałem z matlab2ibapi przez kilka miesięcy i okazało się, że jest ono całkiem użyteczne i niezawodne do automatyzacji moich strategii. W rzeczywistości opublikuję artykuł ilustrujący, jak z niego korzystać. ErnieMany popularne strategie handlu ilościowego są publiczne od dłuższego czasu. Teraz, jeśli chcesz wykorzystać taką strategię za prawdziwe pieniądze, musisz upewnić się, że twoja strategia działa dobrze. Dla prostych strategii MS Excel jest idealny do tego zadania. Ale ponieważ chcielibyśmy później użyć optymalizacji i konkretnej wizualizacji, używamy Theta Suite i Matlab. Pozwala to również na analizę bardziej złożonych strategii, jeśli chcesz. Stworzenie ilościowej strategii handlowej: sygnał MACD 8211 Jednym z najbardziej popularnych wskaźników technicznych jest Moving Average ConvergenceDivergence (MACD), która jest zasadniczo różnicą pomiędzy dwiema ruchomymi średnimi. W literaturze mówi się, że zerowe przekroczenie linii MACD dałoby dobrą wskazówkę do kupowania zapasów. Kiedyś dodają sygnał wyzwalający i twierdzą, że byłoby jeszcze lepiej. Niech zobaczą, czy to prawda. Bardziej precyzyjnie handel MACD jest zwykle definiowany jako resp. w pętli z czasem wygląda to tak, gdzie EMA12 i EMA26 są dwiema różnymi wykładniczymi wartościami ruchomymi ze stałymi 8220constl128221 i 82208221constl268221. EMA jest zdefiniowana jako: Odpowiedni system handlu z okresem sygnału 8220constl 98221 wygląda jak Testowanie strategii z prawdziwymi danymi historycznymi Ta część jest bardzo ważna. Nie mogę tego zbyt mocno podkreślić: w późniejszym poście będziemy mówić o back-testing o wiele więcej. Przypisanie tych danych do procesu ThetaML pozwala na oszacowanie wydajności strategii handlowej opartej na MACD. Oto wykres cen akcji IBM od 2000-01-01 do 2017-12-31: Wykres matlabowy ceny akcji IBM Backtesting strategii handlowej MACD Możemy uruchomić powyższe modele ThetaML używając Theta Suite Orchestrator i połączyć je z historią Dane IBM w Matlab w Konfiguratorze. Następnie, w Eksploratorze wyników, uzyskujemy wydajność odpowiedniej strategii handlu sygnałem MACD bez krótkiej sprzedaży Plotka wydajności strategii handlowej MACD i przy krótkiej sprzedaży wygląda na to, że strategia handlowania Wydajność MACD z krótką sprzedażą Należy pamiętać, że przez większość lat strategia sygnału MACD nie działa lepiej niż sama zasada. Biorąc pod uwagę koszty transakcji, wygląda to jeszcze gorzej. Co ciekawe, rok 2000 przyniósł doskonałe wyniki strategii MACD, ale wszystkie późniejsze lata nie przyniosły tak dobrego rezultatu. Wniosek Łatwo jest sprawdzić, czy strategia dobrze by działała z wykorzystaniem danych historycznych. ThetaML i Matlab to doskonałe narzędzia do tego zadania. Strategia handlowa oparta na MACD, którą analizowaliśmy, nie jest znacznie lepsza niż sama strategia bazowa. Inne parametry strategii handlowej mogą prowadzić do lepszych wyników, więc możemy przeprowadzić optymalizację. Zobaczymy, że w przyszłym tygodniu. 30 listopada 2018, 12:34 Kilka miesięcy temu czytelnik wskazał mi ten nowy sposób połączenia R i Excela. Nie wiem, od jak dawna to się działo, ale nigdy się nie natknąłem i I8217 nigdy nie widziałem żadnego bloga ani artykułu na ten temat. Postanowiłem napisać post, ponieważ narzędzie jest naprawdę warte, a zanim ktokolwiek zapyta, I8217m nie jest w żaden sposób związany z firmą. BERT to skrót od Basic Excel R Toolkit. It8217s za darmo (na licencji GPL v2) i został opracowany przez Structured Data LLC. W chwili pisania bieżącej wersji BERT jest 1,07. Więcej informacji można znaleźć tutaj. Z bardziej technicznego punktu widzenia BERT został zaprojektowany do obsługi funkcji R z komórek arkusza kalkulacyjnego Excel. W kategoriach Excel, it8217s do zapisywania funkcji zdefiniowanych przez użytkownika (UDF) w R. W tym poście I8217m nie pokażę, jak R i Excel współdziałają za pośrednictwem BERT. Tutaj są bardzo dobre tutoriale. tu i tu. Zamiast tego pragnę pokazać jak wykorzystałem BERT do budowy 8220control tower8221 dla mojego handlu. Moje sygnały handlowe są generowane przy użyciu długiej listy plików R, ale potrzebna jest elastyczność programu Excel w celu szybkiego i wydajnego wyświetlania wyników. Jak pokazano powyżej, BERT może to zrobić dla mnie, ale chcę również dostosować aplikację do moich potrzeb. Łącząc moc XML, VBA, R i BERT I, mogę stworzyć dobrze wyglądającą, ale potężną aplikację w postaci pliku Excela z minimalnym kodem VBA. Ostatecznie mam pojedynczy plik programu Excel zbierający wszystkie potrzebne zadania do zarządzania portfelem: aktualizacja bazy danych, generowanie sygnału, składanie zleceń itp8230 Moje podejście można podzielić na trzy kroki: Użyj XML do tworzenia menu i przycisków zdefiniowanych przez użytkownika w programie Excel plik. Powyższe menu i przyciski są zasadniczo wywołaniami funkcji VBA. Te funkcje VBA są wrapup wokół funkcji R określonych przy użyciu BERT. Z tego podejścia mogę zachować jasne rozróżnienie między rdzeniem mojego kodu przechowywanym w R, SQL i Pythonie oraz wszystko używane do wyświetlania i formatowania wyników przechowywanych w programie Excel, VBA amp XML. W kolejnych sekcjach przedstawiamy warunek wstępny opracowania takiego podejścia oraz przewodnik krok po kroku, który wyjaśnia, w jaki sposób BERT mógłby zostać użyty do prostego przekazywania danych z R do Excel przy minimalnym kodzie VBA. 1 8211 Pobierz i zainstaluj BERT z tego linku. Po zakończeniu instalacji powinieneś mieć nowe menu dodatków w programie Excel za pomocą przycisków pokazanych poniżej. W ten sposób BERT został zrealizowany w programie Excel. 2 8211 Pobierz i zainstaluj własny edytor UI. Niestandardowy edytor interfejsów użytkownika pozwala na tworzenie własnych menu i przycisków użytkownika w wstążce programu Excel. Procedura krok po kroku jest dostępna tutaj. Instrukcja krok po kroku 1 Kod 8211 R: Poniższa funkcja R jest bardzo prostym kodem do celów ilustracyjnych. Oblicza i zwraca resztki z regresji liniowej. To, co chcemy pobrać w programie Excel. Zapisz to w pliku o nazwie myRCode. R (dowolna inna nazwa jest w porządku) w wybranym katalogu. 2 8211 funkcji. R w BERT. Z Excela wybierz Add-Ins - gt Home Directory i otwórz plik o nazwie functions. R. W tym pliku wklej następujący kod. Upewnij się, że wstawiłeś poprawną ścieżkę. To jest tylko pozyskiwanie do pliku BERT R utworzonego powyżej. Następnie zapisz i zamknij funkcje pliku. R. Jeśli chcesz dokonać jakiejkolwiek zmiany w pliku R utworzonym w kroku 1, będziesz musiał ponownie załadować go za pomocą przycisku BERT 8220Reload Startup File8221 z menu Add-Ins w Excel 3 8211 W Excel: Utwórz i zapisz plik o nazwie myFile. xslm (każde inne imię jest w porządku). Jest to plik z włączoną funkcją makro, który zapisujesz w wybranym katalogu. Po zapisaniu pliku zamknij go. 4 8211 Otwórz plik utworzony powyżej w edytorze niestandardowego interfejsu użytkownika: Po otworzeniu pliku wklej poniższy kod. Powinieneś mieć coś takiego w edytorze XML: zasadniczo ten fragment kodu XML tworzy dodatkowe menu (RTrader), nową grupę (Moja grupa) i przycisk zdefiniowany przez użytkownika (Nowy przycisk) w wstążce programu Excel. Po zakończeniu otwórz plik myFile. xslm w programie Excel i zamknij Edytor niestandardowego interfejsu użytkownika. Powinieneś coś takiego zobaczyć. 5 8211 Otwórz edytor VBA. W programie myFile. xlsm wstaw nowy moduł. Wklej kod poniżej w nowo utworzonym module. Spowoduje to usunięcie poprzednich wyników w arkuszu przed zmodyfikowaniem nowych. 6 8211 Kliknij przycisk Nowy. Teraz wróć do arkusza kalkulacyjnego iw menu RTrader kliknij przycisk 8220New Button8221. Powinieneś zobaczyć coś podobnego do poniższego. Powyższy przewodnik jest bardzo podstawową wersją tego, co można osiągnąć przy użyciu BERT, ale pokazuje, jak połączyć moc kilku konkretnych narzędzi, aby zbudować własną aplikację. Z mojego punktu widzenia interesem takiego podejścia jest zdolność do łączenia R i Excela z oczywistym wrażeniem, ale także do umieszczania w plikach XML (i wsadowych) kodu z Pythona, SQL i innych. To jest dokładnie to, czego potrzebuję. Wreszcie byłabym ciekawa wiedzieć, czy ktoś ma jakieś doświadczenia z BERT 19 sierpnia 2018, 9:26 pm Podczas testowania strategii handlowych wspólne podejście polega na podzieleniu początkowego zestawu danych na przykładowe dane: część danych przeznaczonych do kalibracji model i dane przykładowe: część danych wykorzystywanych do sprawdzania poprawności kalibracji i zapewnienia, że ​​osiągi wykonane w próbce zostaną odzwierciedlone w rzeczywistym świecie. Zgodnie z zasadą około 70 pierwszych danych można użyć do kalibracji (tj. W próbce) i 30 dla walidacji (tj. Poza próbkę). Następnie porównanie danych wejściowych i wyjściowych pomaga określić, czy model jest wystarczająco wytrzymały. Ten post ma na celu krok dalej i dostarcza statystycznej metody do decydowania, czy dane z próbki są zgodne z tym, co zostało utworzone w próbce. Na poniższym wykresie niebieski obszar reprezentuje wydajność poza próbką dla jednej z moich strategii. Prosta inspekcja wizualna ujawnia dobre dopasowanie pomiędzy wynikami w próbie i poza nią, ale jaki stopień zaufania mam w tym Na tym etapie niewiele i jest to problem. Naprawdę potrzebna jest miara podobieństwa między zestawami danych próbnych i wyjściowych. W ujęciu statystycznym można to przetłumaczyć jako prawdopodobieństwo, że dane wejściowe do wyników prób i ich wyniki pochodzą z tej samej dystrybucji. Istnieje nieparametryczny test statystyczny, który wykonuje dokładnie to: test Kruskalla-Wallisa. Dobra definicja tego testu została znaleziona w kolekcji próbek R-Tutor 8220A niezależnie od ich pochodzenia, jeśli pochodzą one z niepowiązanych populacji, a próbki nie mają wpływu na siebie. Korzystanie z testu Kruskal-Wallis. możemy rozstrzygnąć, czy rozkłady populacji są identyczne, nie zakładając, że będą przestrzegać normalnego rozkładu.8221 Dodatkową zaletą tego testu nie zakłada się rozkładu normalnego. Istnieją inne testy o tym samym charakterze, które mogłyby zmieścić się w tej strukturze. Test Mann-Whitney-Wilcoxon lub testy Kolmogorov-Smirnov doskonale pasuje do ramy opisanej tutaj, jednakże poza zakresem tego artykułu omówiono zalety i wady każdego z tych testów. Dobry opis wraz z przykładami R można znaleźć tutaj. Here8217s kod używany do generowania wykresu powyżej i analizy: W powyższym przykładzie w próbce jest dłuższy niż poza okres próbki, dlatego losowo utworzyłem 1000 podzbiorów danych próbki, z których każda ma taką samą długość jak na wyjściu danych przykładowych. Następnie przetestowałem każdy w podzbiorze próbki na podstawie danych z próby i zapisałem wartości p. Ten proces nie tworzy pojedynczej wartości p dla testu Kruskall-Wallis, ale dystrybucji, która czyni analizę bardziej solidną. W tym przykładzie średnia wartości p jest znacznie powyżej zera (0,478), wskazując, że należy zaakceptować hipotezę zerową: istnieją silne dowody, że dane wejściowe i przykładowe pochodzą z tej samej dystrybucji. Jak zwykle to, co jest prezentowane w tym poście, jest zabawnym przykładem, który tylko zarysowuje powierzchnię problemu i powinien być dopasowany do indywidualnych potrzeb. Myślę jednak, że proponuje interesujące i racjonalne ramy statystyczne w celu oceny wyników prób. Ten post inspirowany jest przez następujące dwa artykuły: Vigier Alexandre, Chmil Swann (2007), Efekty różnych funkcji optymalizacyjnych na przykładzie przykładowych strategii rozwoju opartych na genetyce, prognozowanie rynków finansowych Konferencja Vigier Alexandre, Chmil Swann (2017), An proces optymalizacji w celu poprawy spójności próbki, przypadek giełdy, JP Morgan Cazenove Equity Quantitative Conference, Londyn, październik 2017 13 grudnia 2018, 14:03 Przeprowadzanie badań ilościowych wymaga dużej ilości danych i wymaga czystych i wiarygodnych danych do osiągnąć to. Potrzebne są czyste dane, które są łatwo dostępne (nawet bez połączenia z Internetem). Najbardziej skutecznym sposobem na to zrobić dla mnie było utrzymanie zestawu plików csv. Oczywiście ten proces można obsługiwać na wiele sposobów, ale znalazłem bardzo wydajne i proste nadgodziny w celu utrzymania katalogu, w którym przechowywam i aktualizuję pliki csv. Mam jeden plik CSV na instrument, a każdy plik nosi nazwę po instrumencie, który zawiera. Powód, dla którego tak robię, jest dwojaki: Po pierwsze, nie chcę pobierać danych (cen) z Yahoo, Google etc8230 za każdym razem, gdy chcę przetestować nowy pomysł, ale co ważniejsze, gdy tylko zidentyfikowałem i naprawiłem problem, nie chcę tego robić. zrób to jeszcze raz następnym razem, gdy potrzebuję tego samego instrumentu. Proste, ale bardzo wydajne do tej pory. Proces ten podsumowano w poniższej tabeli. Weźmiemy pod uwagę, że dane pochodzą od Yahoo. Kod będzie musiał być poprawiony dla danych Google, Quandl itd8230 Ponadto przedstawiam proces aktualizacji danych dziennych cen. Ustawienie będzie inne w przypadku danych o wyższych częstotliwościach i innych typach danych (różniących się od cen). 1 8211 Początkowe pobieranie danych (listOfInstruments. R amp historicalData. R) Lista plikówOpcja Instrumentów. R jest plikiem zawierającym tylko listę wszystkich instrumentów. Jeśli urządzenie nie jest częścią mojej listy (tzn. Nie ma pliku csv w moim folderze danych) lub jeśli zrobisz to po raz pierwszy, musisz pobrać wstępny zestaw danych historycznych. Poniższy przykład pobierz zestaw cen ETF z Yahoo Finance do stycznia 2000 i zapisuje dane w pliku csv. 2 821 Aktualizowanie istniejących danych (updateData. R) Poniższy kod zaczyna się od istniejących plików w dedykowanym folderze i aktualizuje je jeden po drugim. Zwykle prowadzę ten proces codziennie, z wyjątkiem I8217m na wakacjach. Aby dodać nowy instrument, po prostu uruchom krok 1 powyżej dla tego instrumentu. 3 8211 Tworzenie pliku wsadowego (updateDailyPrices. bat) Inną ważną częścią zadania jest utworzenie pliku wsadowego, który automatyzuje proces aktualizacji powyżej (I8217m użytkownik systemu Windows). Uniemożliwia to otwarcie programu RRStudio i uruchomienie tego kodu. Poniższy kod znajduje się na pliku. bat (ścieżka musi zostać zmodyfikowana przez czytnik reader8217s). Zauważ, że dodałem plik wyjściowy (updateLog. txt), aby śledzić wykonanie. Powyższy proces jest niezwykle prosty, ponieważ opisuje tylko aktualizację danych dziennych. I8217 używałem tego od jakiegoś czasu i jak na razie działa ono bardzo sprawnie. Jeśli chodzi o bardziej zaawansowane dane i wyższe częstotliwości, rzeczy mogą być trudniejsze. Jak zwykle wszelkie komentarze są mile widziane 23 marca 2018, 20:55. Jeśli chodzi o zarządzanie portfelem akcji w porównaniu z benchmarkiem, problem różni się znacznie od definiowania strategii bezwzględnej stopy zwrotu. W poprzednim trzeba było trzymać więcej zapasów, niż w późniejszym czasie, w których nie ma żadnych zapasów, jeśli nie ma wystarczająco dużo okazji. Powodem tego jest błąd śledzenia. Jest to definiowana jako odchylenie standardowe zysku portfela minus wynik z benchmarku. Mniejsze zapasy są utrzymywane w porównaniu z benchmarkiem, tym wyższy jest błąd śledzenia (np. Większe ryzyko). Poniższa analiza jest w dużej mierze zainspirowana książką 8220Active Portfolio Management8221 firmy Grinold amp Kahn. To jest Biblia dla wszystkich zainteresowanych prowadzeniem portfela w stosunku do benchmarku. Gorąco zachęcam wszystkich zainteresowanych tematem do przeczytania książki od początku do końca. Jest bardzo dobrze napisany i stanowi podstawę systematycznego zarządzania portfelem aktywnym (nie mam przynależności do redaktora lub autorów). 1 8211 Analiza czynnikowa Tutaj staramy się uszeregować tak dokładnie, jak to możliwe, zapasy we wszechświecie inwestycyjnym na zasadzie zwrotu w przód. Wiele osób wymyśliło wiele narzędzi i opracowano niezliczoną liczbę tych narzędzi, aby to osiągnąć. W tym poście skoncentruję się na dwóch prostych i szeroko stosowanych wskaźnikach: Współczynnik informacji (IC) i Quantiles Return (QR). 1.1 8211 Współczynnik informacyjny Horyzont dla stopy zwrotu z inwestycji powinien być określony przez analityka, a it8217 jest funkcją obrotów strategicznych 8217 i rozkładu alfa (był to temat szeroko zakrojonych badań). Oczywiście układy scalone muszą być na najwyższym poziomie w wartościach bezwzględnych. Dla czytelnika, w książce Grinolda Kahna podaje się formułę łączącą informację Ratio (IR) i IC: szerokość to liczba niezależnych zakładów. Ta formuła jest znana jako podstawowe prawo aktywnego zarządzania. Problemem jest to, że często definiowanie szerokości dokładnie nie jest tak łatwe, jak się wydaje. 1.2 8211 Return Quantiles Aby dokładniej oszacować czynnik predykcyjny czynnika, konieczne jest, aby przejść krok dalej i zapasy grup według kwantowości wartości współczynników następnie analizować średnie stopy zwrotu z inwestycji (lub inne średnie wskaźniki tendencji) każdego z tych quantiles. Użyteczność tego narzędzia jest prosta. Czynnik może mieć dobrą wartość IC, ale jego moc predykcyjna może być ograniczona do niewielkiej liczby zasobów. Nie jest to dobre, ponieważ menedżer portfela będzie musiał wybierać akcje w całym wszechświecie, aby spełnić ograniczenia dotyczące błędu śledzenia. Dobry powrót kwantyli charakteryzuje się monotonną zależnością między poszczególnymi kwantyliami i zwrotami do przodu. Wszystkie zapasy w indeksie SampP500 (w momencie pisania). Oczywiście istnieje tendencja do przetrwania statku: lista zapasów w indeksie znacznie się zmieniła między początkiem i końcem okresu próbnego, jednak jest wystarczająco dobra jedynie w celach ilustracyjnych. Poniższy kod pobiera indywidualne ceny akcji w SampP500 między rokiem 2005 a dzisiaj (wymaga trochę czasu) i zmienia surowe ceny w zamian za ostatnie 12 miesięcy i ostatniego miesiąca. Pierwszy jest naszym czynnikiem, ten ostatni zostanie wykorzystany jako środek powrotu. Poniżej znajduje się kod do obliczania współczynnika informacji i zwrotu ilościowego. Zauważ, że w tym przykładzie użyłem kwintyli, ale można użyć innej metody grupowania (terciles, deciles etc8230). to naprawdę zależy od rozmiaru próbki, co chcesz uchwycić i pogoda chcesz mieć szeroki przegląd lub skupić się na dystrybucji ogonów. W celu oszacowania zwrotów w obrębie każdego kwintyla, mediana została użyta jako estymator tendencji centralnej. Ten środek jest znacznie mniej wrażliwy na przekrój niż średnia arytmetyczna. I wreszcie kod do wygenerowania wykresu Quantiles Return. 3 8211 Jak wykorzystać powyższe informacje Na wykresie powyżej Q1 jest najniższy z ostatnich 12 miesięcy i najwyższy Q5. Występuje prawie monotoniczny wzrost zwrotu kwantyli między Q1 i Q5, który wyraźnie wskazuje, że zapasy spadające do Q5 przewyższają te przypadające na Q1 o około 1 na miesiąc. Jest to bardzo znaczące i potężne dla tak prostego czynnika (nie jest to naprawdę niespodzianka8280). Dlatego większe szanse na pokonanie indeksu przewyższają zapasy spadające w czwartym kwartale i pomniejszają te spadające do Q1 w stosunku do benchmarku. Wartość IC wynosząca 0,0206 może nie oznaczać wiele w sobie, ale znacząco różni się od 0 i wskazuje na dobrą siłę predykcyjną z ostatnich 12 miesięcy ogólnego zwrotu. Formalne testy istotności mogą być oceniane, ale wykracza to poza zakres tego artykułu. 4 8211 Praktyczne ograniczenia Powyższe ramy są doskonałe do oceny jakości inwestycji 882, ale istnieje szereg praktycznych ograniczeń, które należy uwzględnić w rzeczywistych wdrożeniach: Rebalancing. W powyższym opisie założono, że na koniec każdego miesiąca portfel jest w pełni rekompensowany. Oznacza to, że wszystkie zapasy spadające w I kwartale są niedoważone, a wszystkie zapasy w Q5 są nadwagą w stosunku do benchmarku. Nie zawsze jest to możliwe z przyczyn praktycznych: niektóre akcje mogą zostać wyłączone ze świata inwestycyjnego, istnieją ograniczenia dotyczące branży lub sektora, istnieją ograniczenia dotyczące obrotu itd .8230 Koszty transakcji. Nie zostało to uwzględnione w powyższej analizie i jest to poważnym hamulcem dla rzeczywistej realizacji. Uwarunkowania dotyczące obrotu są zwykle realizowane w rzeczywistym życiu w postaci kary za jakość czynnika. Współczynnik transferu. Jest to rozszerzenie podstawowego prawa aktywnego zarządzania i rozluźnia założenie modelu Grinold8217, który kierownicy nie mają żadnych ograniczeń, które uniemożliwiają im tłumaczenie ich inwestycji bezpośrednio na zakłady w portfelu. I na koniec, I8217m jest zdumiony tym, co można osiągnąć w mniej niż 80 liniach kodu z R8230 Jak zwykle wszelkie komentarze są mile widziane 14 marca 2017, 13:07 Pytanie, które należy zawsze zadawać samemu sobie przy stosowaniu wskaźników technicznych, jest tym, co byłoby celem kryteria wyboru parametrów wskaźników (np. dlaczego stosować 14-dniowy RSI zamiast 15 lub 20 dni). Algorytmy genetyczne (GA) są dobrze dopasowanymi narzędziami do odpowiedzi na to pytanie. W tym poście I8217ll pokazuje, jak skonfigurować problem w R. Zanim przejdę do zwykłego przypomnienia: To, co prezentuję w tym poście, jest tylko zabawnym przykładem, a nie zaproszeniem do inwestowania. Nie jest to skończona strategia, ale idea badawcza, która musi być dalej badana, rozwijana i dostosowywana do indywidualnych potrzeb. Jakie są algorytmy genetyczne Najlepszy opis GA, który spotkałem, pochodzi z książki Cybernatic Trading autorstwa Murraya A. Ruggiero. 8220 Algorytmy genetyczne zostały wymyślone przez Johna Hollanda w połowie 1970 roku w celu rozwiązania trudnych problemów optymalizacyjnych. Ta metoda wykorzystuje dobór naturalny, przetrwanie najsilniejszego8221. Ogólny proces przebiega według poniższych kroków: Zakoduj problem na chromosomach Używając kodowania, opracuj funkcję fitness do oceny wartości każdego chromosomu8217 w rozwiązywaniu danego problemu Inicjalizuj populację chromosomów Oceń każdy chromosom w populacji Twórz nowe chromosomy przez kojarzenie dwóch chromosomy. Odbywa się to poprzez wyciszanie i łączenie dwóch rodziców w celu utworzenia dwojga dzieci (rodzice są wybierani losowo, ale stronniczy pod względem ich przydatności) Ocena nowego chromosomu Usuń członka populacji, który jest mniej sprawny niż nowy chromosom i wstaw nowy chromosom do populacji . Jeśli kryteria zatrzymania zostaną osiągnięte (maksymalna liczba pokoleń, kryteria przydatności są wystarczająco dobre8230), to następnie zwróć najlepszy chromosom lub przejdź do kroku 4 Z punktu widzenia handlu GA są bardzo przydatne, ponieważ dobrze radzą sobie z wysoce nieliniowymi problemami. Jednak wykazują pewne nieprzyjemne cechy, o których warto wspomnieć: nadmierne dopasowanie: jest to główny problem, który należy do analityka, aby skonfigurować problem w sposób minimalizujący to ryzyko. Czas obliczeń. Jeśli problem nie zostanie właściwie zdefiniowany, osiągnięcie bardzo przyzwoitego rozwiązania może być niezwykle długotrwałe, a złożoność wzrasta wykładniczo wraz z liczbą zmiennych. Stąd konieczność starannego doboru parametrów. Istnieje kilka pakietów R zajmujących się GA, zdecydowałem się użyć najbardziej popularnego: rgenoud Codzienne ceny zamknięcia dla większości płynnych funduszy ETF z finansów Yahoo sięgają stycznia 2000. Okres próbny trwa od stycznia 2000 r. Do grudnia 2017 r. Okres próbny rozpoczyna się w styczniu 2017 r. Logika jest następująca: funkcja fitness jest zoptymalizowana w okresie próbkowania w celu uzyskania zestawu optymalnych parametrów dla wybranych wskaźników technicznych. Wyniki tych wskaźników są następnie oceniane w okresie poza próbą. Zanim to jednak nastąpi, należy wybrać wskaźniki techniczne. Rynek akcji wykazuje dwie główne cechy, które są znane każdemu z pewnym doświadczeniem handlowym. Długoterminowy rozpęd i krótkoterminowe odwrócenie. Cechy te można przetłumaczyć w kategoriach wskaźników technicznych poprzez: przenoszenie średnich przekrojów i RSI. Jest to zestaw 4 parametrów: Okresy oczekiwania dla krótko - i długoterminowych średnich kroczących, okres oczekiwania dla RSI i próg RSI. Zestaw parametrów to chromosomy. Drugim kluczowym elementem jest funkcja fitness. Możemy chcieć użyć czegoś takiego jak maksymalny zwrot lub stosunek Sharpa lub minimalna średnia wypłata. W dalszej części zdecydowałem się zmaksymalizować stosunek Sharpe'a. Implementacja R to zestaw 3 funkcji: fitnessFunction. definiuje funkcję fitness (np. maksymalny współczynnik Sharpe'a), który ma być stosowany w statystykach handlowych silnika GA. podsumowanie statystyk handlowych dla okresów próbnych i poza nimi dla celów porównawczych genoud. silnik GA z pakietu rgenoud Funkcja genoud jest dość złożona, ale I8217m nie wyjaśni, co oznacza każdy parametr, ponieważ chcę, aby ten post był krótki (a dokumentacja jest naprawdę dobra). W poniższej tabeli przedstawiam dla każdego instrumentu optymalne parametry (okres obserwacji RSI, próg RSI, krótkoterminową średnią ruchomą i długoterminową średnią ruchomą) wraz z wejściowymi i zewnętrznymi statystykami transakcji. Zanim zacznę komentować powyższe wyniki, chcę wyjaśnić kilka ważnych kwestii. Aby dopasować się do logiki zdefiniowanej powyżej, ograniczyłem parametry, aby upewnić się, że okres obserwacji dla długoterminowej średniej kroczącej jest zawsze dłuższy niż krótsza średnia krocząca. Zmniejszyłem także optymalizator, aby wybrać tylko rozwiązania z ponad 50 transakcjami w okresie próbnym (np. Istotność statystyczna). Ogólnie rzecz biorąc, wyniki próbne nie są imponujące. Zwroty są niskie, nawet jeśli liczba transakcji jest niewielka, aby wynik był naprawdę znaczący. Jednak w przypadku Japonii (EWJ) znaczna utrata wydajności między okresem próbkowania w Japonii i poza nim bardzo prawdopodobnie oznacza dopasowanie. Ten post ma na celu udostępnienie czytelnikowi narzędzi do właściwego korzystania z GA w ramach ilościowego handlu. Po raz kolejny It8217 jest tylko przykładem, który należy jeszcze dopracować. Kilka potencjalnych ulepszeń do odkrycia to: funkcja fitness. maksymalizacja współczynnika Sharpe'a jest bardzo uproszczona. Funkcja 8220smarter8221 z pewnością poprawiłaby wzorcowy wzór statystyk transakcyjnych. staramy się uchwycić bardzo prosty wzór. Niezbędne jest bardziej szczegółowe badanie wzoru. optymalizacja . istnieje wiele sposobów na ulepszenie sposobu przeprowadzania optymalizacji. Poprawiłoby to zarówno szybkość obliczeń, jak i racjonalność wyników. Kod użyty w tym poście jest dostępny w repozytorium GIST. Jak zwykle wszelkie uwagi mile widziane 28 lutego 2017, 15:52 Istnieje ogromna ilość literatury zarówno akademickiej, jak i empirycznej o prognozowaniu rynku. W większości przypadków łączy on dwie cechy rynkowe: jasność i kierunek. W tym artykule chcę skupić się na identyfikacji tylko kierunku rynku. Celem, jaki sobie postawiłem, jest identyfikacja warunków rynkowych, gdy szanse są znacząco obciążone na rynku wyższym lub niższym. Ten post daje przykład, w jaki sposób można wykorzystać CART (drzewa klasyfikacji i regresji) w tym kontekście. Zanim przejdę do zwykłego przypomnienia: To, co prezentuję w tym poście, jest tylko zabawnym przykładem, a nie zaproszeniem do inwestowania. Nie jest to skończona strategia, ale idea badawcza, która musi być dalej badana, rozwijana i dostosowywana do indywidualnych potrzeb. 1 8211 Co to jest CART i dlaczego go używać Ze statystyk CART to zbiór technik klasyfikacji i prognozowania. Technika ma na celu stworzenie reguł, które przewidują wartość zmiennej wynikowej (docelowej) ze znanych wartości zmiennych predykcyjnych (objaśniających). Istnieje wiele różnych implementacji, ale wszystkie mają wspólną ogólną charakterystykę i to, czym jestem zainteresowany. Z Wikipedii Algorytmy konstruowania drzew decyzyjnych zwykle działają z góry na dół, wybierając zmienną w każdym kroku, który najlepiej dzieli zestaw elementów. Różne algorytmy wykorzystują różne metryki do pomiaru 8220best8221. Z reguły mierzą one homogeniczność zmiennej docelowej w obrębie podzbiorów. Te metryki są stosowane do każdego podzbioru kandydatów, a wartości wynikowe są łączone (na przykład uśrednione), aby zapewnić miarę jakości podziału. Metodologia CART wykazuje pewne cechy, które bardzo dobrze nadają się do analizy rynku: nieparametryczny. CART może obsłużyć dowolny typ rozkładu statystycznego Nieliniowy. CART może obsłużyć duże spektrum zależności między zmiennymi (np. Nie ogranicza się do relacji liniowych) Odporne na wartości odstające Istnieją różne pakiety R zajmujące się partycjonowaniem cyklicznym, używam tutaj rpart do estymacji drzew i rpart. plot do rysowania drzew. 2 8211 Wzmacniacz danych Projekt eksperymentu Codzienne ceny OHLC dla większości płynnych ETF-ów od stycznia 2000 r. Do grudnia 2017 r. Pozyskiwane z finansowania Google. W okresie próbnym trwa od stycznia 2000 r. Do grudnia 2017 r. Pozostałą część zestawu danych stanowi okres próbny. Przed uruchomieniem dowolnego typu analizy zestaw danych musi zostać przygotowany do wykonania zadania. Zmienną docelową jest tygodniowy powrót ETF zdefiniowany jako dwa stany światowego wyniku (UP lub DOWN). Jeśli cotygodniowy zwrot w przód gt 0 to rynek w stanie up, stan DOWN inaczej inaczej Zmienne objaśniające to zestaw wskaźników technicznych pochodzących z początkowego zbioru danych OHLC. Każdy wskaźnik reprezentuje dobrze udokumentowane zachowanie rynkowe. Aby zmniejszyć szum w danych i spróbować zidentyfikować solidne relacje, każda niezależna zmienna ma wynik binarny. Zmienność (VAR1). Wysoka zmienność jest zwykle kojarzona z rynkiem zniżkowym i niską zmiennością z wyższym rynkiem. Zmienność definiuje się jako 20-dniowy surowy ATR (Średni zakres rzeczywisty) rozłożony na średnią ruchomą (MA). Jeśli surowy ATR gt MA to VAR1 1, inaczej VAR1 -1. Krótkoterminowy moment (VAR2). Rynek akcyjny wykazuje krótkotrwałe zachowanie w postaci pędu uchwycone tutaj przez proste 5-dniowe średnie ruchome (SMA). Jeśli Cena gt SMA to VAR2 1 inny VAR2 -1 Długoterminowy pęd (VAR3). Rynek akcji wykazuje długookresowe zachowanie związane z pędem uchwycone tutaj przez 50-dniowe proste średnie ruchome (LMA). Jeśli cena gt LMA to VAR3 1 inny VAR3 -1 Krótkoterminowe odwrócenie (VAR4). Jest to przechwytywane przez CRTDR, który oznacza Close Relative To Daily Range i obliczane w następujący sposób:. Jeśli CRTDR gt 0,5, to VAR4 1 inny schemat VAR4 -1 autokorelacji (VAR5). Rynek akcji zwykle przechodzi przez okresy negatywnych i pozytywnych reżimów autokorelacji. Jeśli zwróci autokorelację w ciągu ostatnich 5 dni gt 0, to VAR5 1 jeszcze VAR5 -1 umieściłem poniżej przykład drzewa z kilkoma wyjaśnieniami W drzewie powyżej ścieżka do węzła 4 to: VAR3 gt0 (Long Term Momentum gt 0) i VAR4 gt 0 (CRTDR gt 0). Czerwony prostokąt wskazuje, że jest to liść DOLNY (na przykład węzeł końcowy) z prawdopodobieństwem 58 (1 8211 0,42). W terminach rynkowych oznacza to, że jeśli Long Term Momentum wzrósł, a CRTDR wynosi gt 0,5, to prawdopodobieństwo pozytywnego zwrotu w przyszłym tygodniu wynosi 42 w oparciu o dane próbki w próbce. 18 wskazuje udział zbioru danych przypadającego na ten węzeł końcowy (na przykład liść). Istnieje wiele sposobów wykorzystania powyższego podejścia, postanowiłem oszacować i połączyć wszystkie możliwe drzewa. Z danych na próbce zbieram wszystkie liście ze wszystkich możliwych drzew i gromadzę je w macierzy. Jest to macierz 8220 jednostek 8221, która daje prawdopodobieństwo, że w przyszłym tygodniu pojawi się UP lub DOWN. Zastosowałem zasady w powyższej macierzy do danych z próby (styczeń 2017 8211 grudnia 2017) i porównuję wyniki z rzeczywistym rezultatem. Problem z tym podejściem polega na tym, że pojedynczy punkt (tydzień) może być podzielony na kilka reguł, a nawet może należeć jednocześnie do reguł UP i DOWN. Dlatego stosuję system głosowania. Przez dany tydzień podsumowuję wszystkie zasady obowiązujące w tym tygodniu, podając 1 dla reguły UP i -1 dla reguły DOWN. Jeśli suma jest większa niż 0, tydzień jest klasyfikowany jako UP, jeśli suma jest ujemna to8217s w dół tygodnia, a jeśli suma jest równa 0, nie będzie pozycji podjętej w tym tygodniu (powrót 0) Powyższa metodologia jest stosowana do zestaw bardzo płynnych ETFów. Sporządzam wykres poniżej wybranych krzywych equity wraz ze strategią buy and hold w tym samym okresie. Początkowe wyniki wydają się zachęcające, nawet jeśli jakość wyniku różni się znacznie w zależności od instrumentu. Istnieje jednak ogromne pole do poprawy. Podaję poniżej kilka wskazówek do dalszej analizy Optymalizacja ścieżki. Algorytm używany do definiowania drzew jest optymalny dla każdego podziału, ale nie gwarantuje optymalności ścieżki. Dodanie metryki do pomiaru optymalności ścieżki z pewnością poprawiłoby powyższe wyniki. Inne zmienne. Wybrałem zmienne objaśniające wyłącznie na podstawie doświadczenia. Jest bardzo prawdopodobne, że ten wybór nie jest ani dobry, ani optymalny. Metodologia historyczna. Użyłem prostej metodologii In i Out of sample. W bardziej formalnej analizie historycznej wolałbym raczej użyć zwijanego lub rozwijającego się okna pod-okresów próbnych (np. Analizować dalej) Jak zwykle, wszelkie komentarze welcomeCategory Archives: Strategie handlowe Wygląd może zwodzić, jak mawiała mądra osoba. Wyrażenie to jest prawdziwe w przypadku algorytmicznych strategii handlowych. Pojęcie strategii handlu algorytmicznego może brzmieć bardzo fantazyjnie lub zbyt skomplikowane. Jednak koncepcja jest bardzo prosta do zrozumienia, gdy podstawy są jasne. W tym artykule opowiem wam o algorytmicznych strategiach handlowych z kilkoma interesującymi przykładami. Jeśli spojrzeć na to z zewnątrz, algorytm to tylko zestaw instrukcji lub reguł. Te zestawy reguł są następnie używane na giełdzie w celu zautomatyzowania realizacji zamówień bez interwencji człowieka. Ta koncepcja nazywa się Algorithmic Trading. Zacznę od bardzo prostej strategii handlowej. Ci, którzy już są w obrocie, wiedzą o S. M.A i dla tych, którzy nie S. M.A jest Simple Moving Average. S. M.A można obliczyć za pomocą dowolnej predefiniowanej i ustalonej liczby dni. Algorytmiczna strategia handlowa oparta na SMA może zostać uproszczona w czterech prostych krokach: Oblicz 5 dni SMA Oblicz 20 dni SMA Podejmij długą pozycję, gdy 5 dni SMA jest większa lub równa 20 dni SMA Podejmij krótką pozycję, gdy 5 dni SMA jest mniejszy niż 20-dniowa SMA Odwołujemy się do tej algorytmicznej strategii handlowej jako średniej ruchomej strategii Crossover. To był tylko prosty przykład. Teraz nie idźcie do głowy, żeby myśleć, że to będzie łóżko róż. Nawet jeśli tak, to przygotuj się na ciernie. W codziennym handlu do generowania algorytmicznych strategii handlowych wykorzystywane są znacznie bardziej złożone algorytmy transakcyjne. Algorytmiczne strategie transakcyjne Wszystkie algorytmiczne strategie transakcyjne, które są obecnie stosowane, można ogólnie podzielić na następujące kategorie: MomentumTrend Po arbitrażu Statystyczny arbitraż Market Making Pozwólcie mi przejść do kilku szczegółów. Strategie oparte na Momentum Zakładając, że istnieje szczególny trend na rynku. Jako trader algo podążasz za tym trendem. Zgodnie z naszym założeniem rynki przypadają w ciągu tygodnia. Teraz możesz użyć statystyk, aby określić, czy trend ten będzie kontynuowany. Lub jeśli to się zmieni w nadchodzących tygodniach. W związku z tym wykonasz następny ruch. Oparłeś swoją algorytmiczną strategię handlową na trendach rynkowych, które określiłeś za pomocą statystyk. Ta metoda śledzenia trendów nosi nazwę Strategii opartej na Momentum. Istnieje wiele sposobów wdrożenia tej algorytmicznej strategii handlowej i omówiłem to szczegółowo w jednym z naszych poprzednich artykułów pod nazwą "Metodologia kwantyfikowania wiadomości dla automatycznego handlu" Jeśli założymy, że lek ma być kupiony przez inną firmę, wówczas akcje cena naszego korpusu może wzrosnąć. Wywołane jest to przejęciem, które jest wydarzeniem korporacyjnym. Jeśli planujesz inwestować w oparciu o nieefektywne ceny, które mogą wystąpić podczas wydarzenia firmowego (przed lub po), to korzystasz ze strategii opartej na zdarzeniach. Bankructwo, przejęcia, fuzje, odpady itp. Mogą być wydarzeniem, które napędza taką strategię inwestycyjną. Strategie te mogą być neutralne na rynku i powszechnie stosowane przez fundusze hedgingowe i zastrzeżone podmioty gospodarcze. Arbitraż statystyczny Kiedy szansa na arbitraż powstaje z powodu błędnego oznaczenia cen, bardzo korzystne może być stosowanie strategii handlu algo. Chociaż takie możliwości istnieją przez bardzo krótki czas, ponieważ ceny na rynku są szybko dostosowywane. I właśnie dlatego jest to najlepsze wykorzystanie algorytmicznych strategii handlowych, ponieważ zautomatyzowana maszyna może natychmiastowo śledzić takie zmiany. Na przykład, jeśli cena Apple8217 spadnie poniżej 1, Microsoft spadnie o 0,5, ale Microsoft nie spadł, więc pójdziesz i sprzedasz Microsoft, by zarobić. Możesz przeczytać o powszechnych błędnych przekonaniach, które ludzie mają na temat Arbitrażu Statystycznego. Tworzenie rynku Aby zrozumieć tworzenie rynku, pozwól mi najpierw porozmawiać o Market Makers. Według Wikipedii: animator rynku lub dostawca płynności to firma lub osoba fizyczna, która wycenia zarówno cenę kupna, jak i sprzedaży w instrumencie finansowym lub towarze przechowywanym w zapasach, mając nadzieję na osiągnięcie zysku z spreadu bid-offer, lub skręcać. Tworzenie rynku zapewnia płynność papierom wartościowym, które nie są często przedmiotem obrotu na giełdzie. Animator rynku może poprawić równanie popytu i podaży papierów wartościowych. Pozwól, że dam ci przykład: Załóżmy, że masz Martina, animatora rynku, który kupuje dla Rs. 500 z rynku i sprzedaj go w 505. Da ci on ofertę bid-ask z Rs. 505-500. Zysk z Rs. 5 nie można sprzedawać ani wymieniać na gotówkę bez znacznej utraty wartości. Kiedy Martin podejmuje większe ryzyko, zysk jest również wyższy. Zauważyłem, że książka Michaela Lewisa "Flash Boys" na indyjskim rynku byków jest interesująca i mówi o płynności, tworzeniu rynku i HFT w szczegółach. Sprawdź to po zakończeniu czytania tego artykułu. Ponieważ musisz być analitycznym wzmacniaczem ilościowym podczas wchodzenia na giełdę lub aktualizacji do handlu algorytmicznego, konieczne jest nauczenie się programowania (niektóre, jeśli nie wszystkie) i budowanie niezawodnych systemów i realizacja strategii handlu algorytmicznego. Czytanie tego artykułu na temat automatycznego handlu z interaktywnymi brokerami przy użyciu Pythona będzie bardzo korzystne dla ciebie. Możesz przeczytać artykuł tutaj . Paradigms amp Modeling Ideas Teraz, gdy wprowadziłem cię w strategię handlu algorytmicznego, rzucę nieco światła na paradygmaty strategii i pomysły modelowania odnoszące się do każdej strategii. Market Making Statystyczny arbitraż Momentum Uczenie maszynowe Bazowanie na rynku Jak już wcześniej wspomniałem, głównym celem tworzenia rynku jest nadanie płynności papierom wartościowym, które nie są przedmiotem obrotu na giełdach. Aby zmierzyć płynność, uwzględniamy spread i wolumen obrotu. Algorytmy handlowe mają tendencję do korzystania z spreadu bid-ask. W tej sekcji będę odnosić się do naszego kolegi, Martina. Martin, który jest animatorem rynku, jest dostawcą płynności, który może zacytować zarówno po stronie kupna, jak i sprzedaży w instrumencie finansowym, mając nadzieję na zysk z spreadu oferty kupna. Martin zaakceptuje ryzyko związane z przechowywaniem papierów wartościowych, za które podał cenę, a po otrzymaniu zamówienia, często będzie on natychmiast sprzedawał ze swojego inwentarza. Może on szukać oferty kompensacyjnej w kilka sekund i na odwrót. Jeśli chodzi o niepłynne papiery wartościowe, spready są zwykle wyższe, podobnie jak zyski. W tym przypadku Martin podejmie wyższe ryzyko. Kilka segmentów na rynku nie ma zainteresowania inwestorów z powodu braku płynności, ponieważ nie są one w stanie uzyskać wyjścia z kilku małych i średnich spółek w danym momencie. Twórcy rynku, tacy jak Martin, są pomocni, ponieważ zawsze są gotowi kupić i sprzedać w cenie podanej przez nich. In fact, much of high frequency trading (HFT) is passive market making. The strategies are present on both sides of the market (often simultaneously) competing with each other to provide liquidity to those who need. So, when is this strategy most profitable This strategy is profitable as long as the model accurately predicts the future price variations. Modeling ideas based on this Paradigm The bid-ask spread and trade volume can be modeled together to get the liquidity cost curve which is the fee paid by the liquidity taker. If the liquidity taker only executes orders at the best bid and ask, the fee will be equal to the bid ask spread times the volume. When the traders go beyond best bid and ask taking more volume, the fee becomes a function of the volume as well. Trade volume is difficult to model as it depends on the liquidity takers execution strategy. The objective should be to find a model for trade volumes that is consistent with price dynamics. Market making models are usually based on one of the two: The first focuses on inventory risk. The model is based on preferred inventory position and prices based on the risk appetite. The second is based on adverse selection which distinguishes between informed and noise trades. Noise trades do not possess any view on the market whereas informed trades do. When the view of the liquidity taker is short term, its aim is to make short term profit utilizing the statistical edge. In the case of long term view, the objective is to minimize the transaction cost. The long-term strategies and liquidity constraints can be modeled as noise around the short-term execution strategies. To know more about Market Makers, you can check out this interesting article on QuantInstis blog. Statistical Arbitrage If Market making is the strategy that makes use of the bid-ask spread, Statistical Arbitrage seeks to profit from statistical mispricing of one or more assets based on the expected value of these assets. A more academic way to explain statistical arbitrage is to spread the risk among thousand to million trades in a very short holding time to, expecting to gain profit from the law of large numbers. Statistical Arbitrage Algorithms are based on mean reversion hypothesis, mostly as a pair. Pairs trading is one of the several strategies collectively referred to as Statistical Arbitrage Strategies. In pairs trade strategy, stocks that exhibit historical co-movement in prices are paired using fundamental or market-based similarities. The strategy builds upon the notion that the relative prices in a market are in equilibrium, and that deviations from this equilibrium eventually will be corrected. When one stock outperforms the other, the outperformer is sold short and the other stock is bought long with the expectation that the short term diversion will end in convergence. This often hedges market risk from adverse market movements i. e. makes the strategy beta neutral. However, the total market risk of a position depends on the amount of capital invested in each stock and the sensitivity of stocks to such risk. Momentum Strategies seek to profit from the continuance of existing trend by taking advantage of market swings. In simple words, buy high and sell higher and vice versa. And how do we achieve this In this particular algo-trading strategy we will take short-term positions in stocks that are going up or down until they show signs of reversal. It is counter-intuitive to almost all other well-known strategies. Value investing is generally based on long-term reversion to mean whereas momentum investing is based on the gap in time before mean reversion occurs. Momentum is chasing performance, but in a systematic way taking advantage of other performance chasers who are making emotional decisions. There are usually two explanations given for any strategy that has been proven to work historically, either the strategy is compensated for the extra risk that it takes or there are behavioral factors due to which premium exists. There is a long list of behavioral biases and emotional mistakes that investors exhibit due to which momentum works. However, this is easier said than done as trends dont last forever and can exhibit swift reversals when they peak and come to an end. Momentum trading carries a higher degree of volatility than most other strategies and tries to capitalize on the market volatility. It is important to time the buys and sells correctly to avoid losses by using proper risk management techniques and stop losses. Momentum investing requires proper monitoring and appropriate diversification to safeguard against such severe crashes. Firstly, you should know how to detect Price momentum or the trends. As you are already into trading, you know that trends can be detected by following stocks and ETFs that have been continuously going up for days, weeks or even several months in a row. For instance, identify the stocks trading within 10 of their 52 weeks high or look at the percentage price change over the last 12 or 24 weeks. Similarly to spot a shorter trend, include a shorter term price change. If you remember, back in 2008, the oil and energy sector was continuously ranked as one of the top sectors even while it was collapsing. We can also look at earnings to understand the movements in stock prices. Strategies based on either past returns (price momentum strategies) or on earnings surprise (known as earnings momentum strategies) exploit market under-reaction to different pieces of information. An earnings momentum strategy may profit from the under-reaction to information related to short-term earnings. Similarly, a price momentum strategy may profit from markets slow response to a broader set of information including longer-term profitability. Machine Learning based In Machine Learning based trading, algorithms are used to predict the range for very short term price movements at a certain confidence interval. The advantage of using Artificial Intelligence (AI) is that humans develop the initial software and the AI itself develops the model and improves it over time. A large number of funds rely on computer models built by data scientists and quants but theyre usually static, i. e. they dont change with the market. ML based models on the other hand can analyze large amounts of data at high speed and improve themselves through such analysis. A form of machine leaning called Bayesian networks can be used to predict market trends while utilizing a couple of machines. An AI which includes techniques such as evolutionary computation (which is inspired by genetics) and deep learning might run across hundreds or even thousands of machines. It can create a large and random collection of digital stock traders and test their performance on historical data. It then picks the best performers and uses their stylepatterns to create a new of evolved traders. This process repeats multiple times and a digital trader that can fully operate on its own is created. This process repeats multiple times and a digital trader that can fully operate on its own is created. This process repeats multiple times and a digital trader that can fully operate on its own is created. These were some important strategy paradigms and modelling ideas. Next, we will go through the step by step procedure to build a trading strategy. You can learn these Paradigms in great detail in QuantInstis Executive Programme in Algorithmic Trading (EPAT) . one of the most extensive algorithmic trading courses available online with lecture recordings and lifetime access and support. Building an algorithmic trading strategy From algo trading strategies to paradigms and modeling ideas, I come to that section of the article where I will tell you how to build a basic algorithmic trading strategy. How do you start with the implementation of algo trading strategies That is the first question that must have come to your mind, I presume. The point is that you have already started by knowing the basics and paradigms of algorithmic trading strategies while reading this article. Now, that our bandwagon has its engine turned on, it is time to press on the accelerator. And how exactly is this done I will explain how an algorithmic trading strategy is built, step by step. The concise description will give you an idea about the entire process. The first step is to decide the strategy paradigm. It can be Market Making, Arbitrage based, Alpha generating, Hedging or Execution based strategy. For this particular instance, I will choose pair trading which is a statistical arbitrage strategy that is market neutral (Beta neutral) and generates alpha, i. e.makes money irrespective of market movement. You can decide on the actual securities you want to trade based on market view or through visual correlation (in the case of pair trading strategy). Establish if the strategy is statistically significant for the selected securities. For instance, in the case of pair trading, check for co-integration of the selected pairs. Now, code the logic based on which you want to generate buysell signals in your strategy. For pair trading check for mean reversion calculate the z-score for the spread of the pair and generate buysell signals when you expect it to revert to mean. Decide on the Stop Loss and Profit Taking conditions. Stop Loss 8211 A stop-loss order limits an investors loss on a position in a security. It fires an order to square off the existing long or short position to avoid further losses and helps to take emotion out of trading decisions. Take Profit 8211 take-profit orders are used to automatically close out existing positions in order to lock in profits when there is a move in a favorable direction. Quoting or Hitting strategy It is very important to decide if the strategy will be quoting or hitting. Execution strategy to a great extent decides how aggressive or passive your strategy is going to be. Quoting 8211 In pair trading you quote for one security and depending on if that position gets filled or not you send out the order for the other. In this case, the probability of getting a fill is lesser but you save bid-ask on one side. Hitting - In this case, you send out simultaneous market orders for both securities. The probability of getting a fill is higher but at the same time slippage is more and you pay bid-ask on both sides. The choice between the probability of fill and Optimized execution in terms of slippage and timed executive is what this is if I have to put it that way. If you choose to quote, then you need to decide what are quoting for, this is how pair trading works. If you decide to quote for the less liquid security, slippage will be less but the trading volumes will come down liquid securities on the other hand increase the risk of slippage but trading volumes will be high. Using stats to check causality is another way of arriving at a decision, i. e. change in which security causes change in the other and which one leads. The causality test will determine the lead-lag pair quote for the leading and cover the lagging security. How do you decide if the strategy you chose was good or bad How do you judge your hypothesis This is where back-testing the strategy comes as an essential tool for estimation of the performance of the designed hypothesis based on historical data. A strategy can be considered to be good if the backtest results and performance statistics back the hypothesis. Hence, it is important to choose historical data with a sufficient number of data points. This is to create a sufficient number of sample trades (at least 100 trades) covering various market scenarios (bullish, bearish etc.). Ensure that you make provision for brokerage and slippage costs as well. This will get you more realistic results but you might still have to make some approximations while backtesting. For instance, while backtesting quoting strategies it is difficult to figure out when you get a fill. So, the common practice is to assume that the positions get filled with the last traded price. What kind of tools should you go for, while backtesting Since backtesting for algorithmic trading strategies involves a huge amount of data, especially if you are going to use tick by tick data. So, you should go for tools which can handle such mammoth load of data. R or MATLAB R is excellent for dealing with huge amounts of data and has a high computation power as well. Thus, making it one of the better tools for backtesting. Also, R is open source and free of cost. We can use MATLAB as well but it comes with a licensing cost. With great strategy, comes greater scrutiny, A Great Thinker once quoted. Fine, I just ripped off Ben Parkers famous quotation from the Spiderman movie (not the Amazing one). But trust me, it is 100 true. No matter how confident you seem with your strategy or how successful it might turn out previously, you must go down and evaluate each and everything in detail. There are several parameters that you would need to monitor when analyzing a strategys performance and risk. Some important metricsratios are mentioned below: Total Returns (CAGR)- Compound Annual Growth Rate (CAGR). It is the mean annual growth rate of an investment over a specified period of time longer than one year. Hit Ratio - Order to trade ratio. Average Profit per Trade - Total profit divided by the total number of trades Average Loss per trade - Total loss divided by the total number of trades Maximum Drawdown 8211 Maximum loss in any trade Volatility of Returns - Standard deviation of the returns Sharpe Ratio - Risk adjusted returns, i. e. excess returns (over risk free rate) per unit volatility or total risk. The entire process of Algorithmic trading strategies does not end here. What I have provided in this article is just the foot of an endless Everest. In order to conquer this, you must be equipped with the right knowledge and mentored by the right guide . Thats where QuantInsti comes in, to guide you through this journey. QuantInsti will help you conquer the Everest at the end. If you want to know more about algorithmic trading strategies then you can click here . This article is the final project submitted by the author as a part of his coursework in Executive Programme in Algorithmic Trading (EPAT) at QuantInsti. Do check our Projects page and have a look at what our students are building. Marco has spent his career as a trader and portfolio manager, with a particular focus in equity and derivatives markets. He specializes in quantitative finance and algorithmic trading and currently serves as head of the Quantitative Trading Desk and Vice-president of Argentina Valores S. A. Marco is also Co-Founder and CEO of Quanticko Trading SA, a firm devoted to the development of high frequency trading strategies and trading software. Marco holds a BS in Economics and an MSc in Finance from the University of San Andrs. Introduction One of my favorite classes during EPAT was the one on statistical arbitrage. so the pair trading strategy seemed a nice idea for me. My strategy triggers new orders when the pair ratio of the prices of the stocks diverge from the mean. But in order to work, we first have to test for the pair to be cointegrated. If the pair ratio is cointegrated, the ratio is mean-reverting and the greater the dispersion from its mean, the higher the probability of a reversal, which makes the trade more attractive. I chose the following pair of stocks: The idea is the following: If we find two stocks that are correlated (they correspond to the same sector), and the pair ratio diverges from a certain threshold, we short the stock that is expensive and buy the one that is cheap. Once they converge to the mean, we close the positions and profit from the reversal. In this post we see how to compute historical volatility in python, and the different measures of risk-adjusted return based on it. We have also provided the python codes for these measures which might be of help to the readers. Introduction Volatility measures the dispersion of returns for a given security. Volatility can be measured by the standard deviation of returns for a security over a chosen period of time. Historic volatility is derived from time series of past price data, whereas, an implied volatility is derived using the market price of a traded derivative instrument like an options contract. Sentiment Analysis. also known as opinion mining, is the process of computationally identifying and categorizing opinions expressed in a piece of text, especially in order to determine whether the writers attitude towards a particular topic, product, etc. is positive, negative, or neutral. The analysis finds significant prominence in social media, stock markets, law, policy making, sociology and even customer service. Machines are faster at responding to events than humans and can process much vaster amount of information without any fatigue. In more volatile markets, people tend to react less strongly to positive news and react more strongly to negative news. Of course, there are situations where sentiment analysis, or sometimes also called News Analytics, works well for a position, while in other cases it fails. The following slide show is a summary of favourable and profitable outcomes of sentiment analysis in trading. Next Steps: Now that you have understood a little about how sentiment analysis works, you would also want to know the pitfalls. For this and other such questions, we have an upcoming webinar on 8220Quantitative Strategies using Sentiment Analysis8221 by Rajib Ranjan Borah. The webinar will give a brief overview of how sentiment analysis works and some historical perspective along with suggestions on how to develop trading strategies. Register for the webinar on this link. Python has emerged as one of the most popular language to code in Algorithmic Trading, owing to its ease of installation, free usage, easy structure, and availability of variety of modules. Globally, Algo Traders and researchers in Quant are extensively using Python for prototyping, backtesting, building their proprietary risk and order management system as well as in optimisation of testing modules. This blog post highlights some of the key steps involved in Algorithmic Trading using Python as the programming language. The screenshots are taken from the webinar of Dr. Yves Hilpisch. in collaboration with QuantInsti. Dr. Hilpisch is world-renowned authority in the world of Python and is the founder of Python Quants GmbH, with several books on the subject under his belt. He also serves as a faculty at QuantInsti, one of Asias pioneer education training firm in Algorithmic Trading. All examples shown are based on the platform and API of oanda. Background information about Python and the libraries used can be found in the OReilly book Hilpisch, Yves (2017): Python for Finance Analyze Big Financial Data. The post is divided in two parts. The current post highlights the basics of connecting with the Oanda platform using python and backtesting the trading strategies. The next post will cover working with streaming data as well as automated trading in real-time. High Frequency Trading (HFT) involves the concept of 8220Order Types8221, which signals a trader to enter or exit a position. According to Reuters, Order types can reach an estimated 2,000 variations as a fully electronic market and more than 50 trading venues have multiplied the possibilities of how, when and with whom to trade. Clearly, the rules of the game are redefined by the Order Types and their correct implementation in the marketplace. Amidst a long list, we touch upon some of the popular ones, frequently used by HFT practitioners. The following Infographic shows 4 HFT Order Types, and examples when a buy or sell order is placed. Introduction Traders in the derivative market often exercise one of the following: Call option or Put Option . Call option is a financial contract between a buyer and seller, whereby the buyer has the right, but not the obligation, to buy an agreed quantity of a financial instrument from the seller of the option at a certain time for a certain price (the strike price). The Put Option serves the opposite. In a Covered Call , the seller of the call options owns the corresponding amount of the underlying instrument. A Covered Call is an income generating option strategy which involves two legs: Buying a stock Selling an Out of the money (OTM) call option If the call is sold simultaneously along with the stock purchase, the strategy is referred to as a buy-write strategy. In a Covered Call, the trader holds a neutral to a bullish outlook. Covered Call is a net debit transaction because you pay for the stock and receive a small premium for the call option sold. The idea of this blog post is to elaborate on the covered call strategy by an example and to plot its payoff using Python. The post also highlights 8220Calendar Call8221 as it is a modification of the Covered Call strategy. To measure the performance of a trading strategy, annualized returns are often a common metric. However comparing two strategies based on annualised returns may not always be a logical way due to several reasons. Some strategies might be directional, some market neutral and some might be leveraged which makes annualized return alone a futile measure of performance measurement. Also, even if two strategies have comparable annual returns, the risk is still an important aspect that needs to be measured. A strategy with high annual returns is not necessarily very attractive if it has a high-risk component we generally prefer better risk-adjusted returns over just better returns. Sharpe Ratio takes care of risk assessment and the problem related to the comparison of strategies. Sharpe ratio is a measure for calculating the risk-adjusted return. It is the ratio of the excess expected return of an investment (over risk-free rate) per unit of volatility or standard deviation. (morehellip)