Quantitative Handelsstrategien Pdf

Eine empirische Analyse quantitativer Handelsstrategien Eine empirische Analyse quantitativer Handelsstrategien Berater: Andrew W. Lo. Abteilung: Sloan School of Management. Mit der zunehmenden Rechenleistung, der zunehmenden Verfügbarkeit verschiedener Datenströme, der Einführung des elektronischen Austausches, der Senkung der Handelskosten und des Aufheizens in der Finanzindustrie, quantitativen Handelsstrategien oder quantitativen Handelsregeln Haben sich in wenigen Jahrzehnten rasant entwickelt. Sie fordern die Effiziente Markthypothese heraus, indem sie versuchen, künftige Preisbewegungen von riskanten Vermögenswerten aus den historischen Marktinformationen algorithmisch oder statistisch zu prognostizieren. Sie versuchen, einige Muster oder Trends aus den historischen Daten zu finden und sie verwenden, um die Markt-Benchmark zu schlagen. In dieser Forschung stelle ich einige quantitative Handelsstrategien vor und untersuche ihre Leistungen empirisch, d. h. durch Ausführung von Rücktests unter der Annahme, daß der SampP 500-Aktienindex ein riskantes Vermögen zum Handel ist. Die Strategien nutzen die historischen Daten des Aktienindex selbst, die Handelsvolumenbewegung, die risikofreie Zinsentwicklung und die implizite Volatilitätsbewegung, um Kauf - oder Verkaufssignale zu generieren. Dann versuche ich, die Quelle für Erfolge einiger Strategien in den Back-Tests in mehrere Faktoren wie Trendmuster oder Beziehungen zwischen Marktinformationsvariablen intuitiv zu artikulieren und zu zerlegen. Einige Strategien verzeichneten höhere Leistungen als die Benchmark in den Back-Tests, aber es ist immer noch ein Problem, wie wir diese Siegerstrategien im Voraus von den Verlierern zu Beginn unseres Anlagehorizonts unterscheiden können. Die menschliche Diskretion wie die makroökonomische Sicht auf den zukünftigen Markttrend ist nach wie vor eine wichtige Rolle für den quantitativen Handel, um langfristig erfolgreich zu sein. Thesis (M. B.A.) - Massachusetts Institut für Technologie, Sloan School of Management, 2008. Beinhaltet bibliographische Verweise (S. 277-280). Schlüsselwörter: Sloan School of Management. Mein KontoFinancial Mathematics and Modeling II (FINC 621) ist eine Absolventenstufe, die derzeit an der Loyola University in Chicago im Winterquartier angeboten wird. FINC 621 erforscht Themen der quantitativen Finanzierung, Mathematik und Programmierung. Die Klasse ist praktischer Natur und besteht sowohl aus einer Vorlesung als auch aus einer Laborkomponente. Die Labore verwenden die Programmiersprache R und die Studierenden sind verpflichtet, ihre einzelnen Aufgaben am Ende jeder Klasse einzureichen. Das Ziel von FINC 621 ist es, den Studierenden praktische Werkzeuge zur Verfügung zu stellen, mit denen sie einfache Handlungsstrategien erstellen, modellieren und analysieren können. Einige nützliche R-Links Über den Instructor Harry G. ist ein führender quantitativer Trader für ein HFT-Handelsunternehmen in Chicago. Er hält einen master8217s Grad in der Elektrotechnik und ein master8217s Grad in der Finanzmathematik von der Universität von Chicago. In seiner Freizeit unterrichtet Harry einen Graduiertenkurs in Quantitative Finance an der Loyola University in Chicago. Er ist auch der Autor von quantitativen Handel mit R. Quantitative und Algorithmic Trading Quantitative und Algorithmic Trading Dieser Thread ist auf quantitative und algorithmische Handel gewidmet. Die erste Seite sollte als Schwerpunkt der oben genannten Themen betrachtet werden. Diese erste Seite befindet sich im Bau und, wenn interessiert, besuchen Sie es von Zeit zu Zeit zu sehen, ob neue materiallinks angekommen sind. "Es gibt einen Unterschied zwischen der Aussage, dass es Vorhersagbarkeit und die Fähigkeit, vorherzusagen" Obwohl es immer mehr Gewinn in der langfristigen Prognose, aus einer mathematischen Sicht gibt es mehr Zuverlässigkeit in kurzfristigen Prognose. quot 8220Make alles so einfach wie möglich. 8221 (A. Einstein) Aber nicht einfacher. Tradings nicht ein Spiel 8211 Sein ein IQ testquot Zuerst einige Dinge, zum in der Finanzierung zu betrachten, werden fette Schwänze als unerwünscht betrachtet wegen des zusätzlichen Risikos, das sie implizieren. Beispielsweise kann eine Anlagestrategie nach einem Jahr eine erwartete Rendite aufweisen, dh das Fünffache ihrer Standardabweichung. Unter der Annahme einer Normalverteilung ist die Wahrscheinlichkeit ihres Versagens (negative Rückkehr) in der Praxis geringer als eine in einer Million, sie kann höher sein. Normale Verteilungen, die sich im Finanzwesen ergeben, sind im Allgemeinen so, weil die Faktoren, die einen Vermögenswert oder einen Preis beeinflussen, mathematisch quotwell-behaviert sind und der zentrale Grenzwertsatz eine solche Verteilung vorsieht. Allerdings sind traumatische, quotale-worldquot-Ereignisse (wie ein Ölschock, ein großer Unternehmensbankrott oder eine abrupte Änderung in einer politischen Situation) normalerweise nicht mathematisch gut erzogen. Investopedia erklärt Tail Risk Wenn ein Portfolio von Investitionen zusammengestellt wird, wird davon ausgegangen, dass die Verteilung der Renditen ein normales Muster folgen wird. Unter dieser Annahme ist die Wahrscheinlichkeit, dass die Rückkehr zwischen dem Mittelwert und drei Standardabweichungen, entweder positiv oder negativ, 99,97 bewegen wird. Das bedeutet, dass die Wahrscheinlichkeit, dass mehr als drei Standardabweichungen über den Mittelwert hinausgehen, 0,03 oder nahezu null beträgt. Das Konzept des Schwanzrisikos deutet jedoch darauf hin, dass die Verteilung nicht normal, sondern schief ist und dicke Schwänze hat. Die fetteren Schwänze erhöhen die Wahrscheinlichkeit, dass eine Investition über drei Standardabweichungen hinausgehen wird. Verteilungen, die durch fette Schwänze gekennzeichnet werden, werden häufig gesehen, wenn sie Hedgefondsrückkehr betrachten. Investopediatermsttailrisk. asp Was können Quant Trader von Talebs lernenAntifragilequot Hier sind ein paar Snip-Sets fand ich besonders interessant: 1) Momentum-Strategien sind mehr antifragile als Mittel-Reversion-Strategien. Taleb hat das nicht gesagt, aber das ist der erste Gedanke, der mir in den Sinn kam. Wie ich an vielen Stellen argumentierte, bedeuten die Rückkehrstrategien natürliche Gewinnkappen (Ausgang, wenn der Preis zurückgekehrt ist), aber keine natürlichen Stop-Verluste (wir sollten etwas mehr kaufen, wenn es billiger wird), so dass es sehr stark dem linken Schwanz ausgesetzt ist Risiko, kann aber nicht nutzen das unerwartete Glück der rechten Schwanz. Sehr zerbrechlich Im Gegenteil, Impulsstrategien haben natürliche Stop-Verluste (Austritt, wenn Impulsumkehr) und keine natürlichen Gewinn-Caps (behalten Sie die gleiche Position, solange Impuls anhält). In der Regel sehr antifragile Außer: Was passiert, wenn während eines Handels-Halt (aufgrund der täglichen Nachtlücke oder Leistungsschalter), können wir nicht beenden eine Momentum-Position in der Zeit Nun, können Sie immer kaufen eine Option, um einen Stop-Loss zu simulieren. Taleb würde das sicherlich billigen. 2) Hochfrequenzstrategien sind antifragiler als niederfrequente Strategien. Taleb auch nicht sagen, dass, und es hat nichts mit zu tun, ob es einfacher ist, kurzfristige vs langfristige Renditen vorherzusagen. Da HF-Strategien es erlauben, Gewinne viel schneller zu akkumulieren als niederfrequente, müssen wir keine Hebelwirkung anwenden. Auch wenn wir Pech haben, eine Position des falschen Zeichens zu halten, wenn ein Schwarzer Schwan trifft, wird der Schaden im Vergleich zu den kumulativen Gewinnen klein sein. Während HF-Strategien nicht genau vom richtigen Schwanzrisiko profitieren, sind sie zumindest robust gegenüber dem linken Schwanzrisiko. 5) Korrelationen sind unmöglich zu schätzen predict. Das einzige, was wir tun können, ist, bei 1 zu kürzen und bei -1 zu kaufen. Taleb hasst Markowitz Portfolio-Optimierung, und einer der Gründe ist, dass es auf Schätzungen der Kovarianz der Vermögenswerte zurückgibt. Wie er sagte, kann ein Paar von Vermögenswerten, die -0,2 Korrelation über einen langen Zeitraum haben können 0,8 Korrelation über einen anderen langen Zeitraum haben. Dies gilt insbesondere in Zeiten der finanziellen Belastung. Ich stimme voll und ganz zu: Ich glaube, dass die manuelle Zuordnung von Korrelationen mit Werten von -0,75, -0,5, -0,25, 0 zu Einträgen der Korrelationsmatrix auf Basis von quotintuitionquot (Grundlagenwissen) eine gute Out-of-Sample-Performance erzeugen kann Irgendwelche sorgfältig geschätzten Zahlen. Die faszinierendere Frage ist, ob es tatsächlich Mittelwert-Reversion von Korrelationen gibt. Und wenn ja, welche Instrumente können wir nutzen, um davon zu profitieren Vielleicht hilft dieser Artikel: web-docs. stern. nyu. edusalomondocsderivativesGSAM20-20NYU20conference2004210620-20Correlation20trading. pdf 6) Backtest kann nur verwendet werden, um eine Strategie abzulehnen, nicht um ihre vorherzusagen Erfolg. Das ist der Punkt, den der Kommentator Michael Harris in einem früheren Artikel gemacht hat. Da historische Daten nie lang genug sein werden, um alle möglichen Black Swan Ereignisse, die in der Zukunft auftreten können, zu erfassen, können wir nie wissen, ob eine Strategie miserabel ausfallen wird. Allerdings, wenn eine Strategie bereits in einem Backtest fehlgeschlagen, können wir ziemlich sicher sein, dass es in Zukunft wieder scheitern wird. Sehr gute Lektüre: Betrachten wir einmal das reine Zufallswanderungsspiel ohne RTM. Wir sagten, es gebe keine Zeitstrategie in diesem Fall. Aber jetzt nehmen wir an, dass wir eine Kristallkugel finden, bevor das Spiel beginnt, das uns sagt, was der Endwert ist, wenn das Spiel endet. Beachten Sie, dass dieser tatsächliche Endwert wahrscheinlich weit über oder unter 0 liegt. Zeichnen Sie eine gerade Linie auf dem leeren Graphen vom Startpunkt bis zum bekannten Endpunkt. Starten Sie das Spiel. Immer, wenn die Grafik über der Linie, Prognose Schwänze und nehmen Sie Ihr Geld aus dem Tisch. Immer, wenn die Grafik unter der Linie, Prognose Köpfe und legen Sie Ihr Geld wieder auf den Tisch. Es sollte leicht sein, sich zu überzeugen, dass Ihre Prognosen viel genauer als 5050 sein werden, und Sie werden mit Ihrer Timing-Strategie zu gewinnen (quotwinquot in dem Sinne, dass Sie viel besser als jemand tun, der nicht prognostiziert oder Zeit). Dies ist auch ohne RTM Ebenso könnten wir mit der Investition, wenn wir irgendwie wissen, was die künftige durchschnittliche Rendite im Voraus sein wird, Marktzeit auch ohne RTM. Heute zum Beispiel wissen wir, dass die durchschnittliche Rendite in den letzten 75 Jahren etwa 10 annualisiert ist. Holen Sie sich in eine Zeitmaschine und gehen Sie zurück zu 1930. Investieren Sie für die nächsten 75 Jahre. Immer, wenn die kumulierten jährlichen Renditen seit 1930 über 10, leuchten auf Lager. Wann immer die kumulierten annualisierten Renditen seit 1930 unter 10 fallen, setzen mehr Geld zurück in Aktien. Bis 2005 haben Sie den Markt durch eine sehr schöne Marge geschlagen. Dies wird als Quotin-Beispielquot-Test bezeichnet. Es hat einen offensichtlichen Fehler, weil die Anleger im Jahr 1930 keine Ahnung hatten, was die durchschnittliche annualisierte Rendite in den nächsten 75 Jahren sein würde. Sie wussten nur, was die letzten durchschnittlichen annualisierten Renditen waren. Wenn Sie den Test erneut durchführen und nur den Anlegern erlauben, die ihnen zur Zeit zur Verfügung stehenden Informationen zu verwenden (ein Quotienten-Beispiel-Test), funktioniert die Markt-Timing-Strategie nicht. Dies ist eine einfache Art von quotchartistquot Timing, basierend nur auf vergangene Rückkehr. Wenn Rückkehr der Vergangenheit hoch ist, erleichtern Sie oben auf Aktien. Wenn vergangene Renditen niedrig sind, setzen Sie mehr Geld in Aktien. In einem reinen gelegentlichen Weg ohne eine Kristallkugel, wissen wir, daß diese Art des Timings nicht arbeitet. Der Grund, den es nicht funktioniert, ist, weil ohne die Kristallkugel, wir nicht imstande sind, die Begriffe von quotlowquot und quothigh. quot zu definieren. QuotQuote bedeutet, dass der zukünftige durchschnittliche valuequot und quothighquot Mittel über dem zukünftigen durchschnittlichen Wert, quot, aber wir wissen nicht den zukünftigen Durchschnittswert . Wir kennen nur den bisherigen Durchschnittswert, und diese Information ist in einem reinen Zufallswanderweg ohne RTM nutzlos. Die meisten Prognosemethoden und Timing-Strategien auf der Grundlage der Prognosen sind anspruchsvoller. Für die Prognosen verwenden sie in der Regel fundamentale Finanzkennzahlen wie DP (Dividenden-Preis-Verhältnis) oder PE (Price-to-earning Ratio). Das Argument ist, dass diese Verhältnisse manchmal hoch und manchmal niedrig sind, aber es ist unvernünftig, zu denken, dass sie möglicherweise wachsen oder schrumpfen können, ohne Grenzen (quer durch die Unendlichkeit, wie die Akademiker oft sagen, es). Es ist viel vernünftiger zu denken, dass, während sie manchmal sehr hoch oder sehr niedrig, müssen sie schließlich auf eine Art von normaleren Niveau zurück. RTM, mit anderen Worten. Wenn diese Verhältnisse RTM haben, ist es ziemlich vernünftig zu vermuten, dass dieses RTM in den Verhältnissen einen ähnlichen RTM-Effekt in Renditen induziert und dass die Verhältnisse zur Prognose zukünftiger Renditen verwendet werden können. Funktioniert diese Art von Grundprognose tatsächlich? Während die allgemeine Idee sicher mehr als plausibel scheint, ist der Beweis im Pudding, und die Theorien müssen getestet werden. Es ist möglich, die historische Aufzeichnung zu prüfen, um zu sehen, ob die verschiedenen Systeme in der Vergangenheit gearbeitet haben würden. Viele Menschen haben diese Art von Studien, sowohl in der populären Finanzwelt und in der akademischen Finanzwelt getan. Der Schlüsselpunkt ist, dass beim Back-Testen dieser Art von grundlegenden Voraussage Methoden, um zu sehen, ob sie in der Vergangenheit gearbeitet haben, ist es Betrug, wenn Sie die tatsächlichen Mittel der grundlegenden Prognose-Variablen über den gesamten Zeitraum des Tests berechnet zu verwenden, weil Dass diese Informationen den Anlegern in der Vergangenheit nicht zur Verfügung standen. Sie müssen einen Rücktest nur unter Verwendung der zur Zeit verfügbaren Informationen durchführen. Mit anderen Worten, Sie müssen Out-of-Probe-Tests, nicht in-Probe-Tests. Die meisten der populären Studien, die zu dem Schluss kommen, dass Rückkehr vorhersehbar ist, sind aus diesem Grund ungültig. Überraschenderweise scheinen viele der akademischen Studien unter demselben tödlichen Fehler zu leiden. Amit Goyal und Ivo Welch diskutieren und erforschen diese Einsicht in ihrer Arbeit Ein umfassender Blick auf die empirische Leistung der Equity Premium Prädiktion. Wenn sie Out-of-Probe-Tests aller populären Vorhersagevariablen, einschließlich DP und PE, fanden sie, dass keiner von ihnen arbeitete: Unser Papier untersucht die Out-of-Sample-Leistung dieser Variablen, und findet, dass nicht eine einzige Hätte man einem realen Investor geholfen, die damals vorherrschende historische Eigenkapitalprämie auszugleichen. Die meisten würden völlig verletzt. Daher finden wir, dass die Eigenkapitalprämie für alle praktischen Zwecke nicht vorhersehbar ist. Dieses Ergebnis überrascht auch sehr viele Menschen. Die gemeinsame Weisheit ist, dass künftige Aktienrenditen durch gemeinsame Bewertungsmaßstäbe wie DP und PE hoch vorhersehbar sind. Goyal und Welchs Forschung zeigt, dass dieser Glaube, wie so viele andere, kann nur ein weiteres Beispiel dafür, wie Menschen oft durch Zufall getäuscht werden und sehen Muster in zufälligen Daten, die arent wirklich gibt. Es gibt immer noch Kontroversen in der akademischen Gemeinschaft darüber, ob oder nicht Aktienrenditen vorhersehbar sind, und in welchem ​​Maße sie vorhersehbar sein könnten, und was die besten prognostizierenden Variablen sein könnte. Goyal und Welch haben Zweifel an dieser Hypothese geäußert, und sie haben die wertvolle Dienstleistung der Demonstration, wie wichtig es ist Gebrauch nur out-of-Probe-Tests durchgeführt, aber Forschung und Debatte fortgesetzt. In jedem Fall ist die Vorhersagbarkeit, wenn sie überhaupt existiert, deutlich schwächer und schwieriger zu nutzen als die meisten denken.