Stratégies De Trading Quantitatives Forex

Trading quantitatif Qu'est-ce que le commerce quantitatif? Le commerce quantitatif consiste en des stratégies de négociation basées sur une analyse quantitative. Qui s'appuient sur des calculs mathématiques et le calcul des nombres pour identifier les opportunités commerciales. Comme le commerce quantitatif est généralement utilisé par les institutions financières et les hedge funds. Les transactions sont généralement de grande taille et peuvent impliquer l'achat et la vente de centaines de milliers d'actions et autres titres. Cependant, le commerce quantitatif est de plus en plus utilisé par les investisseurs individuels. RUPTURE Quantitative Trading Prix et le volume sont deux des entrées de données les plus courantes utilisées dans l'analyse quantitative comme les principaux intrants pour les modèles mathématiques. Les techniques de négociation quantitatives comprennent le négoce à haute fréquence. Négociation algorithmique et arbitrage statistique. Ces techniques sont rapides et ont généralement des horizons d'investissement à court terme. Beaucoup de commerçants quantitatifs sont plus familiers avec des outils quantitatifs, tels que les moyennes mobiles et les oscillateurs. Comprendre l'échange quantitatif Les commerçants quantitatifs tirent parti de la technologie moderne, des mathématiques et de la disponibilité de bases de données complètes pour prendre des décisions commerciales rationnelles. Les commerçants quantitatifs adoptent une technique de négociation et en créent un modèle en utilisant les mathématiques, puis ils développent un programme informatique qui applique le modèle aux données historiques du marché. Le modèle est ensuite testé et optimisé. Si des résultats favorables sont obtenus, le système est alors mis en œuvre sur des marchés en temps réel avec un capital réel. La façon dont fonctionnent les modèles commerciaux de négociation peut être mieux décrite en utilisant une analogie. Considérez un rapport météorologique dans lequel le météorologue prévoit une chance de 90 de pluie pendant que le soleil brille. Le météorologue tire cette conclusion contre-intuitive par la collecte et l'analyse des données climatiques des capteurs dans toute la région. Une analyse quantitative informatisée révèle des modèles spécifiques dans les données. Lorsque ces modèles sont comparés aux mêmes tendances révélées par les données climatiques historiques (backtesting) et 90 sur 100 fois le résultat est la pluie, alors le météorologue peut tirer la conclusion avec confiance, d'où les prévisions 90. Les commerçants quantitatifs appliquent ce même processus au marché financier pour prendre des décisions commerciales. Avantages et inconvénients de la négociation quantitative L'objectif de la négociation est de calculer la probabilité optimale d'exécuter un commerce rentable. Un trader typique peut effectivement surveiller, analyser et prendre des décisions de négociation sur un nombre limité de titres avant que le montant des données entrantes écrase le processus décisionnel. L'utilisation de techniques commerciales quantitatives éclaire cette limite en utilisant des ordinateurs pour automatiser les décisions de surveillance, d'analyse et de négociation. Surmonter l'émotion est l'un des problèmes les plus répandus avec le commerce. Qu'il s'agisse de la peur ou de la cupidité, lorsque le commerce, l'émotion sert seulement à étouffer la pensée rationnelle, qui conduit généralement à des pertes. Les ordinateurs et les mathématiques ne possèdent pas d'émotions, de sorte que le commerce quantitatif élimine ce problème. Le commerce quantitatif a ses problèmes. Les marchés financiers sont parmi les entités les plus dynamiques qui existent. Par conséquent, les modèles commerciaux quantitatifs doivent être aussi dynamiques pour réussir systématiquement. De nombreux commerçants quantitatifs développent des modèles qui sont temporairement rentables pour la condition de marché pour laquelle ils ont été développés, mais ils échouent finalement quand les conditions de marché changent. Stratégies quantitatives - sont-elles pour vous Les stratégies d'investissement quantitatives ont évolué en outils très complexes avec l'avènement des ordinateurs modernes , Mais les racines des stratégies remontent à plus de 70 ans. Ils sont généralement gérés par des équipes hautement qualifiées et utilisent des modèles exclusifs pour augmenter leur capacité à battre le marché. Il ya même des programmes prêts à l'emploi qui sont plug-and-play pour ceux qui recherchent la simplicité. Les modèles Quant fonctionnent toujours bien lorsqu'ils sont testés à nouveau, mais leurs applications réelles et leur taux de réussite sont discutables. Alors qu'ils semblent bien fonctionner sur les marchés haussiers. Quand les marchés ne se déroulent pas, les stratégies quanti sont soumises aux mêmes risques que toute autre stratégie. L'histoire L'un des pères fondateurs de l'étude de la théorie quantitative appliquée à la finance était Robert Merton. Vous pouvez seulement imaginer combien le processus était difficile et fastidieux avant l'utilisation des ordinateurs. D'autres théories de la finance ont également évolué à partir de certaines des premières études quantitatives, y compris la base de la diversification du portefeuille basée sur la théorie du portefeuille moderne. L'utilisation de la finance quantitative et calcul a conduit à de nombreux autres outils communs, y compris l'un des plus célèbres, la formule de Black-Scholes option prix, qui non seulement aide les investisseurs prix options et développer des stratégies, mais aide à garder les marchés en échec avec la liquidité. Lorsqu'il est appliqué directement à la gestion de portefeuille. L'objectif est comme toute autre stratégie d'investissement. Pour ajouter de la valeur, alpha ou des rendements excédentaires. Quants, comme les développeurs sont appelés, composent des modèles mathématiques complexes pour détecter les opportunités d'investissement. Il ya autant de modèles là-bas que les quants qui les développent, et tous prétendent être les meilleurs. L'une des stratégies de placement quantitatives best-sellers points est que le modèle, et finalement l'ordinateur, rend la décision buysell réelle, et non pas un humain. Cela tend à éliminer toute réaction émotionnelle qu'une personne peut éprouver lors de l'achat ou la vente d'investissements. Quant, les stratégies sont maintenant acceptées dans la communauté des investisseurs et gérées par les fonds communs de placement, les hedge funds et les investisseurs institutionnels. Ils vont généralement par le nom des générateurs alpha. Ou alpha gens. Derrière le rideau Tout comme dans le magicien d'Oz, quelqu'un est derrière le rideau conduisant le processus. Comme avec n'importe quel modèle, son seulement aussi bon que l'humain qui développe le programme. Bien qu'il n'y ait aucune exigence spécifique pour devenir un quant, la plupart des entreprises qui exécutent des modèles quantitatifs combinent les compétences des analystes d'investissement, des statisticiens et des programmeurs qui codent le processus dans les ordinateurs. En raison de la nature complexe des modèles mathématiques et statistiques, il est commun de voir les diplômes comme les diplômes d'études supérieures et les doctorats en finance, en économie, en mathématiques et en génie. Historiquement, ces membres de l'équipe ont travaillé dans les back offices. Mais comme les modèles quantiques sont devenus plus courants, le back office se déplace vers le front office. Avantages de la stratégie Quant Alors que le taux de réussite global est discutable, la raison pour laquelle certaines stratégies quantitatives de travail est qu'ils sont basés sur la discipline. Si le modèle est juste, la discipline maintient la stratégie de travail avec les ordinateurs à vitesse de foudre pour exploiter les inefficiences sur les marchés basés sur des données quantitatives. Les modèles eux-mêmes peuvent être basés sur aussi peu que quelques rapports comme PE. La dette par rapport aux capitaux propres et la croissance des bénéfices, ou utiliser des milliers d'entrées travaillant ensemble en même temps. Stratégies réussies peuvent ramasser sur les tendances à leurs stades précoces que les ordinateurs constamment exécuter des scénarios pour localiser les inefficiences avant que les autres ne. Les modèles sont capables d'analyser un très grand groupe d'investissements simultanément, où l'analyste traditionnel peut ne regarder que quelques-uns à la fois. Le processus de dépistage peut évaluer l'univers selon les niveaux de grade comme 1-5 ou A-F selon le modèle. Cela rend le processus de négociation réelle très simple en investissant dans les investissements hautement cotés et de vendre les moins notés. Quant modèles aussi ouvrir des variations de stratégies comme long, court et longshort. Les fonds quantitatifs réussis gardent un œil attentif sur le contrôle du risque en raison de la nature de leurs modèles. La plupart des stratégies commencent par un univers ou une référence et utilisent des pondérations sectorielles et industrielles dans leurs modèles. Cela permet aux fonds de contrôler la diversification dans une certaine mesure sans compromettre le modèle lui-même. Les fonds Quant fonctionnent généralement à moindre coût car ils ne nécessitent pas autant d'analystes traditionnels et de gestionnaires de portefeuille pour les exécuter. Inconvénients des stratégies Quant Il existe des raisons pour lesquelles tant d'investisseurs n'acceptent pas complètement le concept de laisser une boîte noire exécuter leurs investissements. Pour tous les fonds quantitatifs réussis là-bas, tout comme beaucoup semblent être infructueuses. Malheureusement pour la réputation quants, quand ils échouent, ils échouent grand temps. Long-Term Capital Management a été l'un des plus célèbres hedge funds, car il a été dirigé par certains des leaders académiques les plus respectés et deux économistes Myron S. Scholes et Robert C. Merton, lauréats du prix Nobel. Au cours des années 1990, leur équipe a généré des rendements supérieurs à la moyenne et attiré des capitaux de tous les types d'investisseurs. Ils étaient célèbres pour non seulement exploiter les inefficacités, mais en utilisant un accès facile au capital pour créer d'énormes paris à effet de levier sur les directions du marché. La nature disciplinée de leur stratégie a effectivement créé la faiblesse qui a conduit à leur effondrement. La gestion du capital à long terme a été liquidée et dissoute au début de l'an 2000. Ses modèles n'incluent pas la possibilité que le gouvernement russe ne puisse pas rembourser une partie de sa propre dette. Cet événement a déclenché des événements et une réaction en chaîne amplifiée par les dégâts causés par le levier. LTCM a été si fortement impliqué dans d'autres opérations d'investissement que son effondrement a affecté les marchés mondiaux, déclenchant des événements dramatiques. À long terme, la Réserve fédérale est intervenue pour aider, et d'autres banques et fonds d'investissement ont soutenu LTCM pour éviter tout autre dommage. C'est l'une des raisons pour lesquelles les fonds quantiques peuvent échouer, car ils sont basés sur des événements historiques qui peuvent ne pas inclure les événements futurs. Tandis qu'une équipe forte de quant sera constamment ajoutant de nouveaux aspects aux modèles pour prédire des événements futurs, son impossible de prédire l'avenir à chaque fois. Quant, les fonds peuvent également être dépassés lorsque l'économie et les marchés connaissent une volatilité supérieure à la moyenne. Les signaux d'achat et de vente peuvent venir si rapidement que le chiffre d'affaires élevé peut créer des commissions élevées et des événements imposables. Les fonds Quant peuvent aussi représenter un danger lorsqu'ils sont commercialisés à l'épreuve des ours ou sont basés sur des stratégies courtes. Prévision des ralentissements. L'utilisation de dérivés et la combinaison de levier peut être dangereux. Un mauvais tournant peut conduire à des implosions, qui font souvent les nouvelles. Le fond Les stratégies d'investissement quantitatives ont évolué des boîtes noires du back office aux outils d'investissement courants. Ils sont conçus pour utiliser les meilleurs esprits de l'entreprise et les ordinateurs les plus rapides à la fois à exploiter les inefficiences et à utiliser le levier pour faire des paris sur le marché. Ils peuvent être très réussis si les modèles ont inclus toutes les bonnes entrées et sont assez agiles pour prédire les événements anormaux du marché. D'un autre côté, alors que les fonds quantiques sont rigoureusement testés jusqu'à ce qu'ils fonctionnent, leur faiblesse est qu'ils s'appuient sur des données historiques pour leur succès. Alors que l'investissement de type quantique a sa place sur le marché, il est important d'être conscient de ses lacunes et de ses risques. Être cohérent avec les stratégies de diversification. C'est une bonne idée de traiter les stratégies quantitatives comme un style d'investissement et de le combiner avec des stratégies traditionnelles pour atteindre une diversification appropriée. Guide de débutants Trading Quantitative Dans cet article, je vais vous présenter quelques-uns des concepts de base qui accompagnent un bout à bout Système commercial quantitatif. Ce post servira espérons deux publics. Le premier sera les individus qui tentent d'obtenir un emploi dans un fonds en tant que négociant quantitatif. Le deuxième seront les individus qui souhaitent essayer de mettre en place leur propre commerce de détail trading algorithmique. Le commerce quantitatif est un domaine extrêmement sophistiqué de financement quantique. Il peut prendre une quantité importante de temps pour acquérir les connaissances nécessaires pour passer une entrevue ou de construire vos propres stratégies de négociation. Non seulement cela, mais il nécessite une vaste expertise en programmation, à tout le moins dans une langue comme MATLAB, R ou Python. Cependant, à mesure que la fréquence de négociation de la stratégie augmente, les aspects technologiques deviennent beaucoup plus pertinents. Ainsi, être familier avec CC sera d'une importance primordiale. Un système de négociation quantitatif se compose de quatre composantes principales: Stratégie d'identification - Trouver une stratégie, exploiter une arête et de décider de la fréquence de négociation Stratégie Backtesting - Obtenir des données, l'analyse des performances de la stratégie et l'élimination des biais Système d'exécution - Liaison à un courtage, Les coûts de transaction Gestion des risques - allocation optimale du capital, le critère de la taille de betKelly et la psychologie commerciale Bien commencer par jeter un oeil à la façon d'identifier une stratégie de négociation. Identification de la stratégie Tous les processus de négociation quantitative commencent par une période initiale de recherche. Ce processus de recherche englobe la recherche d'une stratégie, la vérification de la pertinence de la stratégie dans un portefeuille d'autres stratégies que vous pouvez exécuter, l'obtention de toutes les données nécessaires pour tester la stratégie et essayer d'optimiser la stratégie pour des rendements plus élevés ou un risque plus faible. Vous devrez tenir compte de vos propres exigences de capital si vous exécutez la stratégie en tant que commerçant de détail et comment les coûts de transaction affecteront la stratégie. Contrairement à la croyance populaire, il est en fait assez simple de trouver des stratégies rentables par le biais de diverses sources publiques. Les universitaires publient régulièrement des résultats de négociation théoriques (bien que la plupart du temps bruts des coûts de transaction). Les blogs financiers quantitatifs discuteront des stratégies en détail. Les revues spécialisées exposeront quelques-unes des stratégies employées par les fonds. Vous pourriez vous demander pourquoi les particuliers et les entreprises sont désireux de discuter de leurs stratégies rentables, surtout quand ils savent que d'autres surcharger le commerce peut arrêter la stratégie de travailler à long terme. La raison réside dans le fait qu'ils ne discuteront pas souvent les paramètres exacts et les méthodes de réglage qu'ils ont effectué. Ces optimisations sont la clé pour transformer une stratégie relativement médiocre en une stratégie très rentable. En fait, l'une des meilleures façons de créer vos propres stratégies uniques est de trouver des méthodes similaires et ensuite effectuer votre propre procédure d'optimisation. Voici une petite liste d'endroits pour commencer à chercher des idées de stratégie: Beaucoup des stratégies que vous regarderez tomberont dans les catégories de la réversion moyenne et du trendmomentum de tendance. Une stratégie de renversement moyen est celle qui tente d'exploiter le fait qu'une moyenne à long terme sur une série de prix (telle que l'écart entre deux actifs corrélés) existe et que les écarts à court terme de cette moyenne finiront par revenir. Une stratégie de dynamisme tente d'exploiter à la fois la psychologie des investisseurs et la structure de gros fonds en attelant un tour sur une tendance du marché, qui peut recueillir l'élan dans une direction, et suivre la tendance jusqu'à ce qu'il inverse. Un autre aspect extrêmement important de la négociation quantitative est la fréquence de la stratégie de négociation. La négociation basse fréquence (LFT) se réfère généralement à toute stratégie qui détient des actifs plus longtemps qu'un jour de bourse. En conséquence, la négociation à haute fréquence (HFT) se réfère généralement à une stratégie qui détient des actifs intraday. La négociation à fréquence ultra-haute (UHFT) fait référence aux stratégies qui détiennent des actifs de l'ordre de secondes et de millisecondes. En tant que praticien de vente au détail HFT et UHFT sont certainement possible, mais seulement avec une connaissance détaillée de la pile de la technologie de négociation et la dynamique du carnet de commandes. Nous ne discuterons pas ces aspects dans une grande mesure dans cet article introductif. Une fois qu'une stratégie, ou un ensemble de stratégies, a été identifié, il doit maintenant être testé pour la rentabilité sur les données historiques. C'est le domaine du backtesting. Stratégie Backtesting L'objectif du backtesting est de fournir la preuve que la stratégie identifiée via le processus ci-dessus est rentable lorsqu'il est appliqué aux données historiques et hors de l'échantillon. Cela définit l'attente de la façon dont la stratégie va fonctionner dans le monde réel. Cependant, le backtesting n'est PAS une garantie de succès, pour diverses raisons. C'est peut-être le domaine le plus subtil du commerce quantitatif, car il comporte de nombreux biais, qui doivent être soigneusement considérés et éliminés autant que possible. Nous discuterons des types communs de biais, y compris le biais prospectif. Le biais de survie et le biais d'optimisation (également connu sous le nom de biais de snooping). D'autres domaines d'importance dans le backtesting incluent la disponibilité et la propreté des données historiques, en tenant compte des coûts de transaction réalistes et en décidant d'une solide plate-forme de backtesting. Eh bien discuter des coûts de transaction plus loin dans la section Systèmes d'exécution ci-dessous. Une fois qu'une stratégie a été identifiée, il est nécessaire d'obtenir les données historiques à travers lesquelles effectuer des tests et, peut-être, le raffinement. Il existe un nombre important de fournisseurs de données dans toutes les classes d'actifs. Leurs coûts s'alignent généralement sur la qualité, la profondeur et l'actualité des données. Le point de départ traditionnel pour les commerçants débutants (au moins au niveau du détail) est d'utiliser l'ensemble de données gratuit de Yahoo Finance. Je ne m'attarderai pas trop sur les fournisseurs, mais j'aimerais plutôt me concentrer sur les questions générales lorsqu'on traite des données historiques. Les principales préoccupations concernant les données historiques comprennent la précision de la propreté, le biais de survie et l'ajustement pour les actions de l'entreprise telles que les dividendes et les divisions d'actions: l'exactitude concerne la qualité globale des données - si elle contient des erreurs. Les erreurs peuvent parfois être faciles à identifier, par exemple avec un filtre à pic. Qui choisira des pics incorrects dans les données de séries chronologiques et les corrigera. D'autres fois, ils peuvent être très difficiles à repérer. Il est souvent nécessaire d'avoir deux ou plusieurs fournisseurs et ensuite vérifier toutes leurs données les uns contre les autres. Le biais de survie est souvent une caractéristique des ensembles de données gratuits ou bon marché. Un ensemble de données avec biais de survie signifie qu'il ne contient pas d'actifs qui ne sont plus de négociation. Dans le cas des actions, cela signifie des actions délistedbankrupt. Ce biais signifie que toute stratégie de négociation d'actions testé sur un tel ensemble de données sera probablement mieux performant que dans le monde réel que les gagnants historiques ont déjà été présélectionnés. Les actions de la société comprennent les activités logistiques réalisées par la société qui entraînent habituellement une modification du prix brut qui ne devrait pas être incluse dans le calcul des rendements du prix. Les ajustements pour les dividendes et les divisions d'actions sont les coupables communs. Un processus dit de rétro-ajustement est nécessaire pour être réalisé à chacune de ces actions. Il faut être très prudent de ne pas confondre un partage de stock avec un ajustement de retour vrai. Beaucoup d'un commerçant a été pris au piège par une action d'entreprise Afin de mener à bien une procédure de backtest, il est nécessaire d'utiliser une plate-forme logicielle. Vous avez le choix entre un logiciel de backtest dédié, comme Tradestation, une plate-forme numérique telle que Excel ou MATLAB ou une implémentation personnalisée complète dans un langage de programmation tel que Python ou C. Je n'habiterai pas trop sur Tradestation (ou similaire), Excel ou MATLAB, car je crois en la création d'une pile complète de la technologie interne (pour les raisons énoncées ci-dessous). L'un des avantages de cela est que le logiciel de backtest et le système d'exécution peuvent être étroitement intégrés, même avec des stratégies statistiques extrêmement avancées. Pour les stratégies HFT en particulier, il est essentiel d'utiliser une implémentation personnalisée. Lors du backtesting d'un système, il faut être en mesure de quantifier son rendement. Les mesures standard de l'industrie pour les stratégies quantitatives sont le retrait maximal et le ratio de Sharpe. Le tirage maximal caractérise la baisse la plus importante de la courbe des capitaux propres au cours d'une période donnée (habituellement annuelle). C'est le plus souvent cité comme un pourcentage. Les stratégies LFT auront tendance à avoir des tirages plus importants que les stratégies HFT, en raison d'un certain nombre de facteurs statistiques. Un backtest historique montrera le tirage maximal passé, qui est un bon guide pour la performance de tirage futur de la stratégie. La deuxième mesure est le ratio de Sharpe, qui est défini de façon heuristique comme la moyenne des rendements excédentaires divisée par l'écart-type de ces rendements excédentaires. Ici, les rendements excédentaires renvoient au retour de la stratégie au-dessus d'un indice de référence prédéterminé. Tels que le SP500 ou un projet de loi du Trésor à 3 mois. Il est à noter que le rendement annualisé n'est pas une mesure habituellement utilisée, car il ne tient pas compte de la volatilité de la stratégie (contrairement au ratio de Sharpe). Une fois qu'une stratégie a été testée et est réputée être exempte de biais (autant que cela est possible), avec un bon Sharpe et réduit les tirages, il est temps de construire un système d'exécution. Systèmes d'exécution Un système d'exécution est le moyen par lequel la liste des métiers générés par la stratégie est envoyée et exécutée par le courtier. En dépit du fait que la génération commerciale peut être semi - ou même entièrement automatisée, le mécanisme d'exécution peut être manuel, semi-manuel (c'est-à-dire un clic) ou entièrement automatisé. Pour les stratégies LFT, les techniques manuelles et semi-manuelles sont courantes. Pour les stratégies HFT, il est nécessaire de créer un mécanisme d'exécution entièrement automatisé, qui sera souvent étroitement couplé avec le générateur de commerce (en raison de l'interdépendance de la stratégie et de la technologie). Les principales considérations lors de la création d'un système d'exécution sont l'interface avec le courtage. La minimisation des coûts de transaction (y compris la commission, le glissement et l'écart) et la divergence des performances du système en direct par rapport aux performances testées. Il existe de nombreuses façons d'interface avec une maison de courtage. Ils vont de l'appel de votre courtier sur le téléphone à droite à une entièrement automatisée haute performance Application Programming Interface (API). Idéalement, vous voulez automatiser l'exécution de vos métiers autant que possible. Cela vous libère pour se concentrer sur de nouvelles recherches, ainsi que vous permettre d'exécuter des stratégies multiples ou même des stratégies de plus haute fréquence (en fait, HFT est essentiellement impossible sans exécution automatisée). Les logiciels communs de backtesting décrits ci-dessus, tels que MATLAB, Excel et Tradestation sont bons pour des stratégies plus simples et plus simples. Cependant, il sera nécessaire de construire un système d'exécution interne écrit dans un langage de haute performance comme C afin de faire tout vrai HFT. Comme une anecdote, dans le fonds que j'avais l'habitude d'être employé à, nous avons eu une boucle de 10 minutes de négociation où nous téléchargeons de nouvelles données sur le marché toutes les 10 minutes, puis exécuter des opérations basées sur ces informations dans le même laps de temps. C'était utiliser un script Python optimisé. Pour tout ce qui s'approche de la minute ou des données de deuxième fréquence, je crois que CC serait plus idéal. Dans un fonds plus important, ce n'est pas souvent le domaine du négociant quantique d'optimiser l'exécution. Toutefois, dans les petits magasins ou les entreprises HFT, les commerçants sont les exécuteurs et donc une compétence beaucoup plus large est souvent souhaitable. Gardez cela à l'esprit si vous souhaitez être employé par un fonds. Vos compétences en programmation seront aussi importantes, voire plus, que vos talents statistiques et économétriques Un autre problème majeur qui tombe sous le signe de l'exécution est celui de la minimisation des coûts de transaction. Il y a généralement trois composantes des coûts de transaction: Les commissions (ou taxes), qui sont les frais facturés par la maison de courtage, l'échange et le dérapage de la SEC (ou d'un organisme de réglementation similaire), qui est la différence entre ce que vous vouliez que votre commande soit Rempli à l'égard de ce qu'il a été réellement rempli à l'écart, qui est la différence entre le prix bidask de la valeur marchande. Notez que l'écart n'est PAS constant et dépend de la liquidité actuelle (c'est-à-dire la disponibilité des ordres d'achat) sur le marché. Les coûts de transaction peuvent faire la différence entre une stratégie extrêmement rentable avec un bon ratio Sharpe et une stratégie extrêmement peu rentable avec un terrible ratio de Sharpe. Il peut être difficile de prédire correctement les coûts de transaction à partir d'un backtest. En fonction de la fréquence de la stratégie, vous aurez besoin d'accéder à des données d'échange historiques, qui incluront des données de tick pour les prix bidask. Des équipes entières de quants sont dédiées à l'optimisation de l'exécution dans les fonds plus importants, pour ces raisons. Considérons le scénario dans lequel un fonds doit décharger une quantité importante de métiers (dont les raisons sont nombreuses et variées). En déversant autant d'actions sur le marché, elles dépriment rapidement le prix et peuvent ne pas obtenir une exécution optimale. D'où les algorithmes qui gouttent les ordres d'alimentation sur le marché existent, bien que le fonds court alors le risque de glissement. De plus, d'autres stratégies envahissent ces nécessités et peuvent exploiter les inefficacités. C'est le domaine de l'arbitrage de la structure du fonds. Le dernier problème majeur pour les systèmes d'exécution concerne la divergence des performances de la stratégie par rapport aux performances testées. Cela peut se produire pour plusieurs raisons. Nous avons déjà discuté du biais prospectif et du biais d'optimisation en profondeur, lors de l'examen de backtests. Cependant, certaines stratégies ne permettent pas de tester facilement ces biais avant le déploiement. Cela se produit dans HFT plus prédominante. Il peut y avoir des bugs dans le système d'exécution ainsi que la stratégie de négociation elle-même qui ne s'affichent pas sur un backtest, mais ne se présentent dans le commerce en direct. Le marché a peut-être fait l'objet d'un changement de régime après le déploiement de votre stratégie. De nouveaux environnements réglementaires, l'évolution du sentiment des investisseurs et des phénomènes macroéconomiques peuvent tous conduire à des divergences dans la façon dont le marché se comporte et donc la rentabilité de votre stratégie. Gestion des risques La dernière pièce du puzzle de négociation quantitative est le processus de gestion des risques. Le risque inclut tous les biais précédents dont nous avons discuté. Il comprend le risque technologique, tels que les serveurs co-situé à l'échange de soudainement développer un dysfonctionnement du disque dur. Il inclut le risque de courtage, comme le courtier faillite (pas aussi fou que cela semble, étant donné le récent effroi avec MF Global). En bref, il couvre presque tout ce qui pourrait interférer avec la mise en œuvre de négociation, dont il existe de nombreuses sources. Tous les livres sont consacrés à la gestion des risques pour les stratégies quantitatives, donc je ne vais pas essayer d'élucider sur toutes les sources possibles de risque ici. La gestion des risques englobe également ce que l'on appelle l'allocation optimale du capital. Qui est une branche de la théorie du portefeuille. C'est le moyen par lequel le capital est alloué à un ensemble de stratégies différentes et aux métiers au sein de ces stratégies. C'est un domaine complexe et repose sur des mathématiques non triviales. La norme de l'industrie par laquelle l'allocation optimale du capital et l'effet de levier des stratégies sont liées est appelée le critère de Kelly. Comme il s'agit d'un article introductif, je n'insisterai pas sur son calcul. Le critère de Kelly fait certaines hypothèses sur la nature statistique des rendements, qui ne sont pas souvent vrai dans les marchés financiers, donc les commerçants sont souvent conservateurs quand il s'agit de la mise en œuvre. Une autre composante essentielle de la gestion des risques est le traitement de son propre profil psychologique. Il existe de nombreux biais cognitifs qui peuvent s'introduire dans le commerce. Bien que cela soit certes moins problématique avec trading algorithmique si la stratégie est laissé seul Un préjugé commun est celui de l'aversion à la perte où une position perdante ne sera pas fermé en raison de la douleur d'avoir à réaliser une perte. De même, les bénéfices peuvent être pris trop tôt parce que la peur de perdre un bénéfice déjà gagné peut être trop grande. Un autre biais commun est connu comme biais récence. Cela se manifeste lorsque les traders mettent trop l'accent sur les événements récents et non sur le long terme. Ensuite, bien sûr, il ya la paire classique de préjugés émotionnels - la peur et la cupidité. Ceux-ci peuvent souvent conduire à un sous - ou un surendettement, ce qui peut provoquer un gonflement (c'est-à-dire l'équité du compte à zéro ou pire) ou des bénéfices réduits. Comme on peut le constater, le commerce quantitatif est un domaine de financement quantitatif extrêmement complexe, quoique très intéressant. J'ai littéralement rayé la surface du sujet dans cet article et il est déjà assez long Livres entiers et des documents ont été écrits sur des questions que je n'ai donné qu'une phrase ou deux vers. Pour cette raison, avant de demander des emplois de négociation de fonds quantitatifs, il est nécessaire d'effectuer une quantité importante de l'étude de terrain. À tout le moins, vous aurez besoin d'un vaste bagage en statistiques et économétrie, avec beaucoup d'expérience dans la mise en œuvre, via un langage de programmation comme MATLAB, Python ou R. Pour des stratégies plus sophistiquées à la fin de fréquence plus élevée, votre ensemble de compétences est probable Pour inclure la modification du noyau Linux, le CC, la programmation d'assemblage et l'optimisation de la latence du réseau. Si vous êtes intéressé à essayer de créer vos propres stratégies de trading algorithmique, ma première suggestion serait d'obtenir de bons programmes. Ma préférence est de construire autant de données grabber, backtestter stratégie et le système d'exécution par vous-même que possible. Si votre propre capital est sur la ligne, wouldnt vous dormez mieux la nuit sachant que vous avez pleinement testé votre système et sont conscients de ses pièges et des questions particulières Externaliser cela à un vendeur, tout en économisant potentiellement du temps à court terme, pourrait être extrêmement Coûteux à long terme.