Negociação algorítmica vs negociação sistemática

Noções básicas de negociação algorítmica: conceitos e exemplos.

Um algoritmo é um conjunto específico de instruções claramente definidas destinadas a realizar uma tarefa ou processo.

O comércio algorítmico (negociação automatizada, negociação de caixa preta ou simplesmente negociação de algoritmos) é o processo de usar computadores programados para seguir um conjunto definido de instruções para fazer uma negociação, a fim de gerar lucros a uma velocidade e freqüência impossíveis para uma negociação. comerciante humano. Os conjuntos de regras definidos são baseados em tempo, preço, quantidade ou qualquer modelo matemático. Para além das oportunidades de lucro para o comerciante, a negociação de algoritmos torna os mercados mais líquidos e torna o comércio mais sistemático ao excluir os impactos humanos emocionais nas atividades de negociação. (Para mais, confira Escolhendo o Software de Negociação Algorítmica Certo.)

Suponha que um comerciante siga estes critérios comerciais simples:

Compre 50 ações de uma ação quando a média móvel de 50 dias ultrapassar a média móvel de 200 dias Venda ações da ação quando a média móvel de 50 dias ficar abaixo da média móvel de 200 dias.

Usando este conjunto de duas instruções simples, é fácil escrever um programa de computador que monitore automaticamente o preço das ações (e os indicadores de média móvel) e coloque as ordens de compra e venda quando as condições definidas forem atendidas. O comerciante não precisa mais ficar de olho nos preços e gráficos ao vivo, ou colocar os pedidos manualmente. O sistema de negociação algorítmica faz isso automaticamente, identificando corretamente a oportunidade de negociação. (Para mais informações sobre médias móveis, consulte Médias móveis simples Faça as tendências se destacarem.)

[Se você quiser aprender mais sobre as estratégias comprovadas e no ponto que podem, eventualmente, ser trabalhadas em um sistema de negociação alorítimo, confira o curso Torne-se um Day Trader da Investopedia Academy. ]

Benefícios do comércio algorítmico.

Algo-trading fornece os seguintes benefícios:

Negociações executadas com os melhores preços Possibilidade de colocação imediata e imediata de ordens (com altas chances de execução nos níveis desejados) Negociações cronometradas correta e instantaneamente, para evitar mudanças significativas nos preços Redução dos custos de transação (veja o exemplo de déficit de implementação abaixo) Verificações automatizadas simultâneas em múltiplos condições de mercado Risco reduzido de erros manuais na colocação dos negócios Backtest o algoritmo, com base em dados históricos e em tempo real disponíveis Reduzida possibilidade de erros por parte de comerciantes humanos com base em fatores emocionais e psicológicos.

A maior parte da negociação de algoritmos atuais é a negociação de alta frequência (HFT), que tenta capitalizar a colocação de um grande número de pedidos em velocidades muito rápidas em vários mercados e vários parâmetros de decisão, com base em instruções pré-programadas. (Para mais informações sobre negociação de alta frequência, consulte Estratégias e segredos de empresas de negociação de alta frequência (HFT).)

O comércio de algo é usado em muitas formas de atividades de negociação e investimento, incluindo:

Investidores de médio a longo prazo ou empresas compradoras (fundos de pensão, fundos mútuos, seguradoras) que compram em grandes quantidades, mas não querem influenciar os preços das ações com investimentos discretos e de grande volume. Comerciantes de curto prazo e participantes do lado da venda (formadores de mercado, especuladores e arbitradores) se beneficiam da execução automatizada do comércio; Além disso, o comércio de algo ajuda a criar liquidez suficiente para os vendedores no mercado. Comerciantes sistemáticos (seguidores de tendências, pares de traders, hedge funds, etc.) acham muito mais eficiente programar suas regras de negociação e permitir que o programa troque automaticamente.

O comércio algorítmico fornece uma abordagem mais sistemática ao comércio ativo do que métodos baseados na intuição ou instinto de um comerciante humano.

Estratégias de Negociação Algorítmica.

Qualquer estratégia para negociação algorítmica requer uma oportunidade identificada que seja lucrativa em termos de ganhos aprimorados ou redução de custos. A seguir estão as estratégias de negociação comuns usadas no comércio de algo:

As estratégias de negociação algorítmica mais comuns seguem as tendências de médias móveis, desvios de canal, movimentos de níveis de preços e indicadores técnicos relacionados. Essas são as estratégias mais fáceis e simples de implementar por meio do comércio algorítmico, porque essas estratégias não envolvem previsões nem previsões de preços. As negociações são iniciadas com base na ocorrência de tendências desejáveis, que são fáceis e diretas de implementar por meio de algoritmos, sem entrar na complexidade da análise preditiva. O exemplo acima mencionado de média móvel de 50 e 200 dias é uma tendência popular seguindo a estratégia. (Para mais informações sobre estratégias de negociação de tendências, consulte: Estratégias simples para capitalizar tendências.)

Comprar uma ação com cotação dupla a um preço menor em um mercado e, simultaneamente, vendê-la a um preço mais alto em outro mercado oferece o diferencial de preço como lucro ou arbitragem isenta de risco. A mesma operação pode ser replicada para ações versus instrumentos futuros, já que os diferenciais de preço existem de tempos em tempos. Implementar um algoritmo para identificar esses diferenciais de preço e colocar as ordens permite oportunidades lucrativas de maneira eficiente.

Os fundos de índices definiram períodos de reequilíbrio para aproximar seus investimentos aos seus respectivos índices de referência. Isso cria oportunidades lucrativas para os operadores algorítmicos, que capitalizam os negócios esperados que oferecem lucros de 20 a 80 pontos básicos, dependendo do número de ações no fundo de índice, imediatamente antes do rebalanceamento do fundo de índice. Tais negociações são iniciadas através de sistemas de negociação algorítmica para execução atempada e melhores preços.

Muitos modelos matemáticos comprovados, como a estratégia de negociação delta-neutral, que permitem negociar com combinação de opções e seu título subjacente, onde são feitas negociações para compensar deltas positivos e negativos, de modo que o delta do portfólio seja mantido em zero.

A estratégia de reversão à média baseia-se na ideia de que os preços altos e baixos de um ativo são um fenômeno temporário que revertem para o seu valor médio periodicamente. Identificar e definir uma faixa de preço e implementar um algoritmo com base nisso permite que os negócios sejam colocados automaticamente quando o preço do ativo entra e sai de seu intervalo definido.

A estratégia de preço médio ponderado por volume divide uma ordem grande e libera pedaços menores da ordem para o mercado, determinados dinamicamente, usando perfis de volume histórico específicos do estoque. O objetivo é executar o pedido próximo ao Preço Médio Ponderado pelo Volume (VWAP), beneficiando, assim, no preço médio.

A estratégia de preço médio ponderada pelo tempo quebra uma ordem grande e libera dinamicamente pedaços menores da ordem para o mercado usando intervalos de tempo divididos uniformemente entre um horário de início e de término. O objetivo é executar o pedido próximo ao preço médio entre os horários inicial e final, minimizando o impacto no mercado.

Até que a ordem de negociação esteja totalmente preenchida, este algoritmo continua enviando ordens parciais, de acordo com a taxa de participação definida e de acordo com o volume negociado nos mercados. A "estratégia de etapas" relacionada envia pedidos em uma porcentagem definida pelo usuário de volumes de mercado e aumenta ou diminui essa taxa de participação quando o preço da ação atinge níveis definidos pelo usuário.

A estratégia de déficit de implementação visa minimizar o custo de execução de um pedido negociando o mercado em tempo real, economizando assim no custo do pedido e se beneficiando do custo de oportunidade de execução atrasada. A estratégia aumentará a taxa de participação visada quando o preço das ações se mover favoravelmente e diminuirá quando o preço das ações se mover negativamente.

Existem algumas classes especiais de algoritmos que tentam identificar “acontecimentos” do outro lado. Esses "algoritmos de farejamento", usados, por exemplo, por um criador de mercado do lado da venda, têm a inteligência incorporada para identificar a existência de quaisquer algoritmos no lado da compra de uma ordem grande. Essa detecção por meio de algoritmos ajudará o criador de mercado a identificar grandes oportunidades de pedidos e possibilitará que ele se beneficie com o preenchimento dos pedidos a um preço mais alto. Às vezes, isso é identificado como front-running de alta tecnologia. (Para mais informações sobre comércio de alta frequência e práticas fraudulentas, consulte: Se você comprar ações on-line, você está envolvido em HFTs.)

Requisitos técnicos para negociação algorítmica.

Implementar o algoritmo usando um programa de computador é a última parte, batida com backtesting. O desafio é transformar a estratégia identificada em um processo informatizado integrado que tenha acesso a uma conta de negociação para fazer pedidos. Os seguintes são necessários:

Conhecimentos de programação de computadores para programar a estratégia de negociação necessária, programadores contratados ou software de negociação pré-fabricados. Conectividade de rede e acesso a plataformas de negociação para colocação de pedidos. Acesso a feeds de dados de mercado que serão monitorados pelo algoritmo para oportunidades de fazer pedidos. para backtest o sistema, uma vez construído, antes de ir viver em mercados reais Dados históricos disponíveis para backtesting, dependendo da complexidade das regras implementadas no algoritmo.

Aqui está um exemplo abrangente: A Royal Dutch Shell (RDS) está listada na Bolsa de Valores de Amsterdã (AEX) e na Bolsa de Valores de Londres (LSE). Vamos criar um algoritmo para identificar oportunidades de arbitragem. Aqui estão algumas observações interessantes:

AEX negocia em Euros, enquanto a LSE negocia em Libras Esterlinas Devido à diferença horária de uma hora, a AEX abre uma hora antes da LSE, seguida pelas duas bolsas sendo negociadas simultaneamente pelas próximas horas e negociando apenas na LSE durante a última hora conforme a AEX fecha .

Podemos explorar a possibilidade de negociação de arbitragem sobre as ações da Royal Dutch Shell listadas nesses dois mercados em duas moedas diferentes?

Um programa de computador que pode ler os preços de mercado atuais Feeds de preços de LSE e AEX Um feed de taxa de câmbio para taxa de câmbio de GBP-EUR Capacidade de colocação de pedidos que pode encaminhar o pedido para a capacidade correta de troca.

O programa de computador deve executar o seguinte:

Leia o feed de preço recebido do estoque RDS de ambas as trocas Usando as taxas de câmbio disponíveis, converta o preço de uma moeda para outra Se houver uma discrepância de preço suficiente (descontando os custos de corretagem) levando a uma oportunidade lucrativa, coloque a compra ordem em troca de preço mais baixo e ordem de venda em troca de preço mais alto Se as ordens forem executadas como desejado, o lucro da arbitragem seguirá.

Simples e fácil! No entanto, a prática de negociação algorítmica não é tão simples de manter e executar. Lembre-se, se você puder colocar uma negociação gerada por algoritmos, os outros participantes do mercado também poderão. Consequentemente, os preços flutuam em milissegundos e até microssegundos. No exemplo acima, o que acontece se a transação de compra for executada, mas o comércio de venda não é feito, pois os preços de venda mudam no momento em que seu pedido chega ao mercado? Você vai acabar sentado com uma posição aberta, fazendo com que sua estratégia de arbitragem seja inútil.

Existem riscos e desafios adicionais: por exemplo, riscos de falha do sistema, erros de conectividade de rede, atrasos entre ordens de negociação e execução e, o mais importante de tudo, algoritmos imperfeitos. Quanto mais complexo for um algoritmo, o backtesting mais rigoroso é necessário antes de ser colocado em ação.

The Bottom Line.

A análise quantitativa do desempenho de um algoritmo desempenha um papel importante e deve ser examinada criticamente. É emocionante usar a automação auxiliada por computadores com a noção de ganhar dinheiro sem esforço. Mas é preciso garantir que o sistema seja completamente testado e que os limites necessários sejam definidos. Comerciantes analíticos devem considerar aprender programação e construir sistemas por conta própria, para ter confiança em implementar as estratégias corretas de maneira infalível. Uso cauteloso e testes completos de negociação de algoritmos podem criar oportunidades lucrativas. (Para mais, veja Como codificar seu próprio robô de negociação da Algo.)

Dr. Ash Booth.

Cientista de Dados, Algo Trader, Machine Learning Aficionado.

A diferença entre negociações automatizadas, algorítmicas e de alta frequência.

Ao dizer às pessoas que eu trabalho em sistemas de negociação automatizados e algorítmicos, uma resposta comum tende a ser:

& # 8220; Ah, essa coisa de negociação de alta frequência? & # 8221;

E eu acho que é por causa do atual (principalmente negativo) hype em torno de negociação de alta frequência. Uma resposta verdadeira à sua pergunta é "às vezes, mas nem sempre". Para explicar, deixe-me rever rapidamente o processo de negociação (por uma questão de brevidade, vou me ater ao ponto de vista do comprador).

O diagrama acima mostra o processamento de um pedido desde a decisão de investimento até a execução de uma negociação. Neste exemplo, o processo começa com a ideia de um analista que leva a uma decisão de negociar. A ideia é avaliada e aprovada pelo gestor da carteira, que gera uma instrução para comprar ou vender uma certa quantidade de ativos & # 8216; abc & # 8217 ;. A ordem é então passada para um comerciante cujo trabalho é decidir qual a melhor abordagem / corretor a ser usada.

Acesso Direto ao Mercado (DMA) representa a capacidade do cliente de acessar a infra-estrutura de roteamento de ordens dos corretores, permitindo que eles emitissem seus pedidos quase diretamente para as bolsas. O acesso patrocinado é um passo em frente do DMA, estes tendem a ser de baixíssima latência, conexões diretas com o mercado. Nessa situação, o cliente usa sua própria infraestrutura, mas com o identificador de negociação do corretor. O acesso patrocinado é usado (predominantemente) por clientes que exploram estratégias de negociação de alta frequência.

Negociações algorítmicas referem-se a estratégias de execução de negociação que são normalmente usadas por gerentes de fundos para comprar ou vender grandes quantidades de ativos. Eles visam minimizar o custo dessas transações sob certas restrições de risco e prazo. Tais sistemas seguem regras predefinidas para determinar como executar cada pedido. As pessoas costumam pensar que esses sistemas estão em baixa e vendem alto. tomar decisões de investimento & # 8211; mas este não é o caso. Os sistemas de negociação algorítmica são oferecidos por muitos corretores e simplesmente executam as ordens que eles recebem. Seu trabalho é obter um bom preço (comparado a vários benchmarks) e minimizar o impacto da negociação. Isso é feito cortando pedidos e reagindo dinamicamente a eventos do mercado.

Claro que existem algoritmos que lidam com a tomada de decisões de investimento e é aí que entra a negociação automatizada.

A negociação automatizada, muitas vezes confundida com negociação algorítmica, é a automação completa do processo de negociação quantitativa. Assim, a negociação automatizada deve encapsular: modelagem quantitativa e rastreamento de indicadores para determinar o início e encerramento do negócio; monitoramento de risco de carteira; bem como negociação algorítmica. Esse tipo de negociação tende a ser feito por fundos de hedge quantitativos que usam algoritmos de execução de propriedade e comércio via DMA ou acesso patrocinado.

A negociação de alta frequência (HFT) é um subconjunto da negociação automatizada. Aqui, as oportunidades são procuradas e aproveitadas em escalas de tempo muito pequenas, desde milésimos de segundos até horas. Algumas estratégias de alta frequência adotam um papel do tipo market maker, tentando manter uma posição relativamente neutra e provando liquidez (na maior parte do tempo) enquanto aproveitam qualquer discrepância de preço. Outras estratégias invocam métodos de análise de séries temporais, aprendizado de máquina e inteligência artificial para prever movimentos e isolar tendências entre as massas de dados. Especificidades da estratégia à parte, para o HFT, monitorar o risco geral de estoque e incorporar essas informações nas decisões de precificação / negociação é sempre vital.

Lembre-se, o comércio algorítmico deveria ter sido chamado de "execução algorítmica" # 8221; negociação automatizada faz o que diz na lata; e HFT é um tipo específico de negociação automatizada ultrarrápida.

Pós-navegação.

4 pensamentos sobre & ldquo; A diferença entre negociação automatizada, algorítmica e de alta frequência & rdquo;

Post muito útil! obrigado.

Em sua experiência, então, como você classificaria esses três formatos de negociação em termos de latência comercial?

Nice post, útil.

Você pode elaborar a diferença entre o "Automated Trading" & # 8221; e HFT? Na sua definição, parece ser a única diferença sendo o tamanho (notional ou real?) Das negociações?

Forex Mecânico

Negociação no mercado de câmbio usando estratégias de negociação mecânicas.

Comércio algorítmico discricionário Vs: é um melhor que o outro? Não!

Aposto que a maioria de vocês teve uma pergunta muito simples em suas mentes desde que você começou sua jornada na negociação. A negociação discricionária é melhor que a negociação sistemática? Os traders que "entendem" & # 8221; tem uma vantagem sobre aqueles que simplesmente usam sistemas estatisticamente sonoros? A negociação algorítmica mesmo "funciona" # 8221; em absoluto? A resposta a estas perguntas não é muito fácil, uma vez que existem poucas fontes bem conhecidas de evidências em que podemos realmente ver qual é o sucesso a longo prazo das duas formas de abordagem dos mercados. Na postagem de hoje, falarei sobre os índices de traders algorítmicos discricionários do grupo Barclay Hedge, nos quais você verá que os traders discricionários não têm vantagem sobre os traders algorítmicos. No final, ambas as formas de negociação obtêm retornos muito semelhantes, embora ambas tenham diferenças específicas que discutiremos nos próximos parágrafos.

Como sabemos se a negociação algorítmica é melhor que a negociação discricionária? Fácil, encontre uma fonte de informação que tenha coletado informações de mais de 100 empresas e indivíduos negociando os mercados e comparando o desempenho durante os últimos 20 anos. Existe tal fonte de informação? Sim! O grupo Barclay Hedge coletou esses dados nos últimos 20 anos com um índice discricionário e um índice sistemático com a esperança de mostrar qual abordagem é melhor. Atualmente, o índice discricionário apresenta 150 contribuintes (entre operadores individuais e empresas) que tomam suas decisões de forma discricionária em pelo menos 65% dos casos, enquanto o índice algorítmico de traders apresenta mais de 400 colaboradores que tomam suas decisões usando sistemas automatizados em pelo menos 95 % de casos.

Quando comparamos os dois gráficos, os resultados são óbvios a olho nu. O resultado final de ambos os índices após 24 anos de seguimento foi MUITO semelhante e & # 8211; do ponto de vista do lucro & # 8211; Contribuidores de negociação algorítmicos e discricionários tiveram um retorno geral semelhante. Isso prova o fato de que a negociação discricionária e algorítmica é & # 8211; em seus níveis mais altos & # 8211; bastante semelhante em relação às suas capacidades gerais de lucro. Isso faz sentido, como & # 8211; afinal de contas & # 8211; ambos os tipos de comerciantes estão atrás dos mesmos mercados e, portanto, as características que podem explorar a longo prazo são fundamentalmente as mesmas. Se um comerciante discricionário lucra com tendências de longo prazo, também pode um comerciante manual e enquanto um sistema automatizado pode lucrar com a negociação 24/5 e a execução extremamente rápida, isso parece ser compensado pelo nível mais alto de & # 8220; entendimento & # 8221; inerente ao cérebro humano através da negociação discricionária. No final, os resultados em relação aos lucros são MUITO semelhantes.

Do ponto de vista de empate, a profundidade máxima de consumo do índice de comerciante sistemático é mais do que o dobro do índice de comerciante discricionário, embora a duração máxima do período de amortização deste índice seja, pelo menos, duas vezes superior à do primeiro. No geral & # 8211; ao considerar ambos os fatores & # 8211; o índice de comerciante sistemático na verdade tem um índice de úlcera mais baixo do que o índice de comerciante discricionário. Por assim dizer, teríamos que dizer aqui que os operadores sistemáticos tendem a entrar em reduções mais profundas, porém mais curtas, do que os operadores discricionários, enquanto os operadores discricionários tendem a entrar em períodos de consumo menores, porém muito mais longos. No final, o índice sistemático tem uma curva de capital muito mais linear, enquanto o índice discricionário tem um número muito menor de lineares & # 8221; Veja.

Outro fator importante aqui é a significância estatística dos resultados. Os comerciantes sistemáticos são quase 3 vezes mais abundantes do que os operadores discricionários e, portanto, o índice sistemático tem mais valor estatístico, pois representa uma porcentagem maior da população ativa de negociação. Enquanto os comerciantes discricionários são apenas 150, os comerciantes sistemáticos são 457, este número maior deve implicar que o índice de comerciante sistemático cobre mais & # 8220; extremos & # 8221; da mesma população, enquanto o índice discricionário é mais restrito.

Em geral, esses índices nos dão informações muito importantes sobre os mercados, eles mostram que as OBRAS DE NEGOCIAÇÃO sistemáticas que reduzem os comprimentos dos períodos são em geral menores do que para os operadores discricionários e que as profundidades tendem a ser maiores que os sistemas discricionários. Os sistemas discricionários alcançam uma tonelada a mais de lucro que os traders algorítmicos? Não! Ambos os tipos de negociação têm & # 8211; em seus níveis mais altos & # 8211; as mesmas capacidades de lucro. Será extremamente interessante ficar de olho nesses índices à medida que os computadores evoluírem, pois veremos como isso afeta o desempenho de um tipo de negociação versus o desempenho do outro. Minha previsão seria que o efeito será maior e maior à medida que os sistemas ganham capacidades muito mais altas (quando eles começam a se aproximar do poder de processamento do cérebro humano). Note-se como durante 1987-1995 os operadores discricionários tiveram um desempenho melhor, mas durante os últimos anos (2008-2011), os operadores sistemáticos começaram a progredir em termos de rentabilidade.

Da próxima vez que alguém lhe perguntar se a negociação algorítmica funciona, basta indicá-la ao índice de negociador sistemático da Barclay! Se você gostaria de aprender mais sobre minha jornada no comércio automatizado e como você também pode aprender e obter uma verdadeira educação neste campo, considere juntar-se a Asirikuy, um site repleto de vídeos educacionais, sistemas de negociação, desenvolvimento e um som honesto e transparente. abordagem para negociação automatizada em geral. Espero que tenha gostado deste artigo ! : o)

Negociação Algorítmica Vs Negociação Discricionária.

Introdução.

Se você é um comerciante discricionário, você pode ter feito essas perguntas antes.

Qual é o futuro da negociação algorítmica? Devo mudar de prática de negociação discricionária para algorítmica? A negociação algorítmica está assumindo os mercados financeiros? Quem vencerá esta guerra entre homem e máquina?

Para responder a essas perguntas, primeiro precisamos saber o que faz essas práticas se diferenciarem umas das outras.

Neste post, tentaremos decodificar todas as questões relacionadas à negociação algorítmica versus negociação discricionária.

Negociação Discricionária.

Um operador discricionário possui um conjunto de regras que eles tendem a seguir em toda a sua prática de negociação, essas regras são modificadas ou substituídas com base em sua experiência e no que funciona melhor para elas. Alguns seguem rigorosamente essas regras, enquanto outros tendem a experimentar até o momento em que acham que quebraram o código e continuam a fazer as modificações necessárias em sua estratégia.

Um operador discricionário estuda os sinais e gráficos e, em seguida, decide se deve comprar ou vender o ativo. O comerciante chama os tiros em negociação discricionária, ou seja, quando entrar ou sair de posições.

Na negociação discricionária, o risco máximo provém de decisões tomadas sob a influência de emoções descontroladas do comerciante. Na maioria dos casos, essas emoções podem levar a negócios que não podem ser logicamente defendidos. Assim, para obter lucro, torna-se extremamente importante não apenas ter uma estratégia lucrativa, mas também verificar as emoções de uma pessoa.

Negociação Algorítmica.

Operadores sistemáticos usam algoritmos para tomar decisões relacionadas ao comércio ou prever sua melhor chance de obter lucro com os investimentos que fazem. Os algoritmos são alterados com base nas condições de mercado, tipo de ações, mercados, etc.

Um operador sistemático não pode suportar o grau de incerteza confiando em estudar os gráficos manualmente e ler os sinais. Ele / ela prefere fazer previsões com base em dados históricos, criar uma estratégia de algoritmo que atenda às condições do mercado, codifique-a e ligue-a. Seu papel se torna o de um espectador que monitora o desempenho dos algoritmos com base na lógica que foi construída e faz as alterações necessárias, uma vez que o algoritmo caiu no desempenho ou parou de funcionar.

Principais fatores de diferenciação.

Estratégia de negociação:

A estratégia de negociação de operadores discricionários é derivada das informações coletadas por gráficos de aprendizado, condições de mercado, sinais indicativos de compreensão e outros fatores relacionados que os ajudam a elaborar um determinado conjunto de regras a serem seguidas antes de fazer um pedido ou decidir quando sair.

Um trader algorítmico, por outro lado, considera arriscado depender apenas das descobertas obtidas pelo exame de gráficos. A decisão de fazer um pedido ou fazer uma saída depende do (s) algoritmo (s). Os algoritmos são projetados com base em:

Conhecimento de Estatística de Competências de Programação de Derivativos & amp; Estudo de habilidades de gerenciamento de riscos de probabilidade de previsão de dados históricos.

Isso é feito por profissionais que possuem o conjunto de habilidades necessárias. O sistema estuda o mercado e toma decisões com base na lógica definida para os algoritmos.

Influência das emoções humanas:

Comerciantes discricionários são propensos a serem influenciados por fatores emocionais no momento da tomada de decisão. Os comerciantes geralmente tendem a defender seu viés emocional no momento de projetar o resultado, o que pode levar a perdas significativas.

O risco de ser influenciado por fatores relacionados às emoções é quase nulo no comércio de algo. Os modelos matemáticos são puramente baseados no conjunto de instruções e eliminam a intervenção de qualquer tipo de emoções, seja ganância, medo, falsas intuições etc.

Automação:

A prática de negociação discricionária restringe o uso de sistemas automatizados que dão as ordens para você. Ele é gerenciado manualmente pelo trader e o sistema tem pouco ou nada a dizer no que você deseja fazer a seguir.

Não há necessidade de um operador algorítmico para monitorar mercados e ler gráficos, já que os negócios são feitos automaticamente. As informações inseridas no sistema são processadas pela caixa preta e são feitas sugestões para o melhor resultado possível. Uma vez que o trader esteja convencido do resultado, ele pode trocar os algos e apenas rastrear o progresso e fazer mudanças de acordo.

Regras pré-definidas:

Não existem regras pré-definidas para um operador discricionário. A compra ou saída é feita com base na experiência e no estudo feito pelo trader, o que pode resultar em múltiplas regras de negociação para cada execução.

As regras em negociação algorítmica são pré-definidas e backtested. O backtesting de dados históricos aumenta a probabilidade de um resultado bem sucedido. Os negócios são colocados em níveis pré-definidos que são governados por algoritmos.

Analisando as condições atuais do mercado:

Um comportamento impulsivo de um operador discricionário devido a uma mudança repentina nas condições de mercado pode resultar em uma perda. Isso pode ser devido à falta de compreensão ou falha na leitura da volatilidade do mercado.

Técnicas como análise de sentimentos ajudam os algos a se saírem melhor nesses cenários e são capazes de ler as flutuações nos mercados com base em fatores externos.

Indicadores observados por um comerciante discricionário.

Um conjunto típico de observações feitas por um operador discricionário na tabela de preços mencionada acima pode ser listado como:

A tendência geral é para cima Onde devo colocar minha parada e limite? Notícias atuais que podem afetar a tendência de movimento ascendente A média móvel está subindo também O indicador atual sinaliza uma reversão.

Indicadores observados por um trader algorítmico.

As observações e conclusões feitas por um trader algorítmico podem ser listadas como:

Qual é o sucesso do algoritmo e a probabilidade de ele ter lucro para mim? O que os dados históricos indicam? As estimativas futuras do estoque com base na tendência atual e histórica O que a série temporal de um estoque indica Qual é a margem de erro na estratégia que eu projetei?

Conclusão.

A tecnologia é parte da evolução e nós, seres humanos, geramos tecnologias que definirão este século. Adaptar-se a novos e melhores meios de negociação é como mudar para melhores resultados e não se pode fugir disso. Os algoritmos reduzem a margem de erro e removem os "fatores humanos", como emoções, erros baseados em negociações manuais, estratégias de negociação obsoletas, etc.

Como um comércio algorítmico supercomputador, segue uma disciplina e lógica rígidas.

Para citar Albert Hibbs: "Mesmo que eu não tenha chegado à lua, minhas máquinas fizeram"

Então deixe suas máquinas fazer o dinheiro para você.

Se você quiser aprender vários aspectos do comércio algorítmico, confira o Programa Executivo em Algorithmic Trading (EPAT ™). O curso abrange módulos de treinamento como o Statistics & amp; Econometria, Computação Financeira & amp; Tecnologia e Algoritmica & amp; Negociação Quantitativa. EPAT ™ prepara você com os conjuntos de habilidades necessárias para ser um profissional bem sucedido. Inscreva-se agora!

Como identificar estratégias de negociação algorítmicas.

Como identificar estratégias de negociação algorítmicas.

Neste artigo, quero apresentar os métodos pelos quais eu mesmo identifico estratégias lucrativas de negociação algorítmica. Nosso objetivo hoje é entender detalhadamente como encontrar, avaliar e selecionar tais sistemas. Explicarei como as estratégias de identificação envolvem tanto a preferência pessoal quanto o desempenho da estratégia, como determinar o tipo e a quantidade de dados históricos para testes, como avaliar imparcialmente uma estratégia de negociação e, finalmente, como proceder para a fase de backtesting e implementação estratégica.

Identificando suas próprias preferências pessoais para negociação.

Para ser um profissional bem-sucedido - seja de forma discreta ou algorítmica - é necessário fazer algumas perguntas honestas. Negociação fornece-lhe a capacidade de perder dinheiro a um ritmo alarmante, por isso é necessário "conhecer-se", tanto quanto é necessário compreender a sua estratégia escolhida.

Eu diria que a consideração mais importante no comércio é estar ciente de sua própria personalidade. O comércio e o comércio algorítmico, em particular, exigem um grau significativo de disciplina, paciência e distanciamento emocional. Como você está permitindo que um algoritmo realize sua negociação para você, é necessário que ele seja resolvido para não interferir na estratégia quando ela estiver sendo executada. Isso pode ser extremamente difícil, especialmente em períodos de redução prolongada. No entanto, muitas estratégias que se mostraram altamente lucrativas em um backtest podem ser arruinadas pela simples interferência. Entenda que, se você deseja entrar no mundo do comércio algorítmico, será testado emocionalmente e, para ter sucesso, é necessário superar essas dificuldades!

A próxima consideração é uma das vezes. Você tem um emprego a tempo inteiro? Você trabalha meio período? Você trabalha em casa ou tem um longo trajeto todos os dias? Essas perguntas ajudarão a determinar a frequência da estratégia que você deve procurar. Para aqueles que trabalham em tempo integral, uma estratégia de futuros intradiários pode não ser apropriada (pelo menos até que seja totalmente automatizada!). Suas limitações de tempo também ditarão a metodologia da estratégia. Se a sua estratégia é freqüentemente negociada e depende de feeds de notícias caros (como um terminal da Bloomberg), você terá claramente que ser realista em relação à sua capacidade de executar isso com sucesso no escritório! Para aqueles de vocês com muito tempo, ou as habilidades para automatizar sua estratégia, você pode querer olhar para uma estratégia de negociação de alta frequência (HFT) mais técnica.

Acredito que é necessário realizar pesquisas contínuas em suas estratégias de negociação para manter um portfólio consistentemente lucrativo. Poucas estratégias permanecem "sob o radar" para sempre. Portanto, uma parte significativa do tempo destinado à negociação será na realização de pesquisas em andamento. Pergunte a si mesmo se você está preparado para fazer isso, pois pode ser a diferença entre rentabilidade forte ou um declínio lento em direção a perdas.

Você também precisa considerar seu capital comercial. O valor mínimo ideal geralmente aceito para uma estratégia quantitativa é de 50.000 USD (aproximadamente £ 35.000 para nós no Reino Unido). Se eu estivesse começando de novo, começaria com uma quantia maior, provavelmente perto de 100.000 USD (aproximadamente £ 70.000). Isso ocorre porque os custos de transação podem ser extremamente caros para as estratégias de média a alta frequência e é necessário ter capital suficiente para absorvê-los em tempos de rebaixamento. Se você está pensando em começar com menos de 10.000 dólares, então você precisará restringir-se a estratégias de baixa frequência, negociando em um ou dois ativos, já que os custos de transação irão rapidamente engolir seus retornos. A Interactive Brokers, que é uma das corretoras mais amigáveis ​​para aqueles com habilidades de programação, devido à sua API, tem uma conta de varejo de no mínimo 10.000 USD.

A habilidade de programação é um fator importante na criação de uma estratégia automatizada de negociação algorítmica. Ter conhecimento em uma linguagem de programação como C ++, Java, C #, Python ou R permitirá que você crie o armazenamento de dados de ponta a ponta, mecanismo de backtest e sistema de execução por conta própria. Isso tem uma série de vantagens, das quais a principal é a capacidade de estar completamente ciente de todos os aspectos da infraestrutura de negociação. Ele também permite que você explore as estratégias de frequência mais alta, pois você estará no controle total da sua "pilha de tecnologia". Embora isso signifique testar seu próprio software e eliminar bugs, também significa mais tempo gasto na codificação de infraestrutura e menos na implementação de estratégias, pelo menos na primeira parte de sua carreira de negociação de algoritmos. Você pode achar que está confortável negociando no Excel ou no MATLAB e pode terceirizar o desenvolvimento de outros componentes. Eu não recomendaria isso, no entanto, especialmente para aqueles que operam em alta freqüência.

Você precisa se perguntar o que você espera alcançar por negociação algorítmica. Você está interessado em uma renda regular, em que você espera obter ganhos de sua conta de negociação? Ou, você está interessado em um ganho de capital a longo prazo e pode se dar ao luxo de negociar sem a necessidade de levantar fundos? Dependência de renda irá ditar a frequência da sua estratégia. Retiradas de renda mais regulares exigirão uma estratégia de negociação de frequência mais alta com menos volatilidade (ou seja, um índice de Sharpe mais alto). Os operadores de longo prazo podem ter uma frequência de negociação mais tranqüila.

Finalmente, não se iluda com a noção de se tornar extremamente rico em um curto espaço de tempo! Algo negociação não é um esquema de enriquecimento rápido - se alguma coisa pode ser um esquema de tornar-se pobre rápido. É preciso muita disciplina, pesquisa, diligência e paciência para ter sucesso no comércio algorítmico. Pode levar meses, se não anos, para gerar lucratividade consistente.

Idéias de Negociação Algorítmica de Sourcing.

Apesar das percepções comuns em contrário, é bastante simples localizar estratégias de negociação lucrativas no domínio público. Nunca as ideias de negociação foram mais prontamente disponíveis do que são hoje. Revistas de finanças acadêmicas, servidores de pré-impressão, blogs de negociação, fóruns de negociação, revistas semanais de negociação e textos especializados fornecem milhares de estratégias de negociação com as quais basear suas idéias.

Nosso objetivo como pesquisadores de comércio quantitativo é estabelecer um pipeline de estratégia que nos fornecerá um fluxo de ideias de negociação em andamento. Idealmente, queremos criar uma abordagem metódica para a terceirização, avaliação e implementação de estratégias com as quais nos deparamos. Os objetivos do pipeline são gerar uma quantidade consistente de novas idéias e nos fornecer uma estrutura para rejeitar a maioria dessas idéias com o mínimo de consideração emocional.

Devemos ser extremamente cuidadosos para não deixar que vieses cognitivos influenciem nossa metodologia de tomada de decisão. Isso pode ser tão simples quanto ter uma preferência por uma classe de ativos sobre outra (ouro e outros metais preciosos vêm à mente) porque eles são percebidos como mais exóticos. Nosso objetivo deve ser sempre encontrar estratégias consistentemente lucrativas, com expectativa positiva. A escolha da classe de ativos deve ser baseada em outras considerações, como restrições de capital comercial, taxas de corretagem e capacidades de alavancagem.

Se você não está familiarizado com o conceito de uma estratégia de negociação, então o primeiro lugar a olhar é com livros de texto estabelecidos. Os textos clássicos fornecem uma ampla gama de ideias mais simples e diretas, com as quais você pode se familiarizar com a negociação quantitativa. Aqui está uma seleção que eu recomendo para aqueles que são novos no comércio quantitativo, que gradualmente se tornam mais sofisticados conforme você trabalha na lista:

Para uma lista mais longa de livros de negociações quantitativas, visite a lista de leitura QuantStart.

O próximo lugar para encontrar estratégias mais sofisticadas é com fóruns de negociação e blogs de negociação. No entanto, uma nota de cautela: Muitos blogs de negociação contam com o conceito de análise técnica. A análise técnica envolve a utilização de indicadores básicos e psicologia comportamental para determinar tendências ou padrões de reversão nos preços dos ativos.

Apesar de ser extremamente popular no espaço comercial geral, a análise técnica é considerada um tanto ineficaz na comunidade financeira quantitativa. Alguns sugeriram que não é melhor do que ler um horóscopo ou estudar folhas de chá em termos de seu poder preditivo! Na realidade, existem indivíduos bem sucedidos fazendo uso de análise técnica. No entanto, como pessoas com uma caixa de ferramentas matemática e estatística mais sofisticada à nossa disposição, podemos facilmente avaliar a eficácia de tais estratégias baseadas em TA e tomar decisões baseadas em dados em vez de basear as nossas em considerações emocionais ou preconceitos.

Aqui está uma lista de blogs e fóruns de negociação algorítmica bem respeitados:

Depois de ter alguma experiência em avaliar estratégias mais simples, é hora de olhar para as ofertas acadêmicas mais sofisticadas. Algumas revistas acadêmicas serão de difícil acesso, sem altas assinaturas ou custos únicos. Se você é um membro ou ex-aluno de uma universidade, você deve ser capaz de obter acesso a alguns desses periódicos financeiros. Caso contrário, você pode ver os servidores de pré-impressão, que são repositórios da Internet de rascunhos atrasados ​​de trabalhos acadêmicos que estão sendo revisados ​​por especialistas. Como estamos interessados ​​somente em estratégias que podemos replicar com sucesso, fazer backtest e obter lucratividade, uma revisão por pares é de menor importância para nós.

A principal desvantagem das estratégias acadêmicas é que muitas vezes elas podem estar desatualizadas, exigir dados históricos obscuros e caros, negociar em classes de ativos ilíquidos ou não levar em conta taxas, desvios ou spread. Também pode não estar claro se a estratégia de negociação deve ser executada com ordens de mercado, ordens de limite ou se ela contém perdas de parada, etc. Assim, é absolutamente essencial replicar a estratégia você mesmo, fazer o backtest e adicionar transações realistas. custos que incluem tantos aspectos das classes de ativos que você deseja negociar.

Aqui está uma lista dos servidores de pré-impressão mais populares e revistas financeiras que você pode obter idéias de:

Que tal formar suas próprias estratégias quantitativas? Isso geralmente requer (mas não está limitado a) conhecimento em uma ou mais das seguintes categorias:

Microestrutura de mercado - Para estratégias de maior frequência, em particular, pode-se fazer uso da microestrutura de mercado, ou seja, o entendimento da dinâmica da carteira de pedidos para gerar rentabilidade. Diferentes mercados terão várias limitações tecnológicas, regulamentações, participantes do mercado e restrições que serão abertas à exploração por meio de estratégias específicas. Esta é uma área muito sofisticada e os profissionais de varejo terão dificuldade em ser competitivos neste espaço, particularmente porque a competição inclui fundos de hedge quantitativos grandes e bem capitalizados com fortes capacidades tecnológicas. Estrutura do fundo - Fundos de investimento agregados, tais como fundos de pensão, parcerias de investimento privado (hedge funds), consultores de negociação de commodities e fundos mútuos são limitados tanto pela forte regulação quanto por suas grandes reservas de capital. Assim, certos comportamentos consistentes podem ser explorados com aqueles que são mais ágeis. Por exemplo, grandes fundos estão sujeitos a restrições de capacidade devido ao seu tamanho. Assim, se eles precisarem rapidamente descarregar (vender) uma quantidade de títulos, terão que escalonar para evitar "movimentar o mercado". Algoritmos sofisticados podem tirar proveito disso e de outras idiossincrasias, em um processo geral conhecido como arbitragem da estrutura do fundo. Aprendizado de máquina / inteligência artificial - Os algoritmos de aprendizado de máquina se tornaram mais prevalentes nos últimos anos nos mercados financeiros. Classificadores (como Naive-Bayes, et al.) Correspondentes de função não-linear (redes neurais) e rotinas de otimização (algoritmos genéticos) têm sido usados ​​para prever caminhos de ativos ou otimizar estratégias de negociação. Se você tiver experiência nessa área, poderá ter algumas dicas sobre como determinados algoritmos podem ser aplicados a determinados mercados.

Existem, é claro, muitas outras áreas para os quantos investigarem. Discutiremos como detalhar as estratégias personalizadas em um artigo posterior.

Ao continuar a monitorar essas fontes semanalmente ou diariamente, você está se preparando para receber uma lista consistente de estratégias de diversas fontes. O próximo passo é determinar como rejeitar um grande subconjunto dessas estratégias, a fim de minimizar o desperdício de tempo e recursos de backtesting em estratégias que provavelmente não serão lucrativas.

Avaliação de estratégias de negociação.

A primeira e indiscutivelmente mais óbvia consideração é se você realmente entende a estratégia. Você seria capaz de explicar a estratégia de forma concisa ou requer uma série de advertências e listas de parâmetros sem fim? Além disso, a estratégia tem uma base boa e sólida na realidade? Por exemplo, você poderia apontar para algum raciocínio comportamental ou restrição de estrutura de fundos que possa estar causando o (s) padrão (ões) que você está tentando explorar? Essa restrição seria uma mudança de regime, como uma dramática interrupção no ambiente regulatório? A estratégia depende de regras estatísticas ou matemáticas complexas? Aplica-se a qualquer série temporal financeira ou é específico da classe de ativos na qual se afirma ser rentável? Você deve estar constantemente pensando sobre esses fatores ao avaliar novos métodos de negociação, caso contrário você pode perder uma quantidade significativa de tempo tentando fazer backtest e otimizar estratégias não lucrativas.

Depois de determinar que você entende os princípios básicos da estratégia, você precisa decidir se ela se encaixa no perfil de personalidade mencionado anteriormente. Esta não é uma consideração tão vaga quanto parece! Estratégias diferem substancialmente em suas características de desempenho. Existem certos tipos de personalidade que podem lidar com períodos mais significativos de levantamento, ou estão dispostos a aceitar um risco maior de retorno maior. Apesar do fato de que nós, como muitos, tentamos eliminar o máximo de viés cognitivo possível e devemos ser capazes de avaliar uma estratégia imparcialmente, os vieses sempre se infiltrarão. Assim, precisamos de meios consistentes e sem emoção para avaliar o desempenho das estratégias. . Aqui está a lista de critérios que julgo uma nova estratégia em potencial:

Metodologia - A estratégia é baseada no momento, na reversão da média, no neutro do mercado, no direcional? A estratégia baseia-se em técnicas estatísticas sofisticadas (ou complexas!) Ou de aprendizado de máquina que são difíceis de entender e requerem um PhD em estatística para entender? Essas técnicas introduzem uma quantidade significativa de parâmetros, o que pode levar a um viés de otimização? É provável que a estratégia resista a uma mudança de regime (ou seja, nova regulação potencial dos mercados financeiros)? Índice de Sharpe - O índice de Sharpe caracteriza heuristicamente a relação recompensa / risco da estratégia. Quantifica quanto retorno você pode obter para o nível de volatilidade suportado pela curva de capital. Naturalmente, precisamos determinar o período e a frequência com que esses retornos e a volatilidade (ou seja, o desvio padrão) são medidos. Uma estratégia de frequência mais alta exigirá uma taxa de amostragem maior do desvio padrão, mas um período de tempo global mais curto de medição, por exemplo. Alavancagem - A estratégia requer alavancagem significativa para ser rentável? A estratégia requer o uso de contratos de derivativos alavancados (futuros, opções, swaps) para fazer um retorno? Esses contratos alavancados podem ter características pesadas de volatilidade e, portanto, podem facilmente levar a chamadas de margem. Você tem o capital comercial e o temperamento para tal volatilidade? Freqüência - A frequência da estratégia está intimamente ligada à sua pilha de tecnologia (e, portanto, expertise tecnológica), ao índice de Sharpe e ao nível geral de custos de transação. Todas as outras questões consideradas, estratégias de maior frequência exigem mais capital, são mais sofisticadas e mais difíceis de implementar. No entanto, supondo que seu mecanismo de backtesting seja sofisticado e livre de erros, eles geralmente terão taxas de Sharpe muito mais altas. Volatilidade - A volatilidade está fortemente relacionada ao "risco" da estratégia. A proporção de Sharpe caracteriza isso. A maior volatilidade das classes de ativos subjacentes, se não protegidas, muitas vezes leva a uma maior volatilidade na curva de capital e, portanto, menores índices de Sharpe. É claro que estou assumindo que a volatilidade positiva é aproximadamente igual à volatilidade negativa. Algumas estratégias podem ter maior volatilidade negativa. Você precisa estar ciente desses atributos. Ganho / Perda, Lucro Médio / Perda - As estratégias diferem em suas características de ganhos / perdas e lucro / prejuízo médio. Pode-se ter uma estratégia muito lucrativa, mesmo se o número de negociações perdedoras exceder o número de negociações vencedoras. As estratégias de impulso tendem a ter esse padrão, pois dependem de um pequeno número de "grandes sucessos" para serem lucrativos. As estratégias de reversão à média tendem a ter perfis opostos nos quais mais dos negócios são "vencedores", mas os negócios perdedores podem ser bastante severos. Drawdown Máximo - O rebaixamento máximo é a maior queda percentual de ponta a ponta na curva de capital da estratégia. As estratégias de dinâmica são bem conhecidas por sofrer de períodos de rebaixamentos prolongados (devido a uma série de muitos comércios de perda incremental). Muitos traders desistirão em períodos de rebaixamento prolongado, mesmo que testes históricos tenham sugerido que isso é "business as usual" para a estratégia. Você precisará determinar qual porcentagem de rebaixamento (e em qual período de tempo) você pode aceitar antes de interromper sua estratégia. Esta é uma decisão altamente pessoal e, portanto, deve ser considerada com cuidado. Capacidade / Liquidez - No nível de varejo, a menos que você esteja negociando com um instrumento altamente ilíquido (como um stock small-cap), você não terá que se preocupar muito com a capacidade da estratégia. A capacidade determina a escalabilidade da estratégia para mais capital. Muitos dos maiores fundos de hedge sofrem com problemas de capacidade significativos à medida que suas estratégias aumentam na alocação de capital. Parâmetros - Determinadas estratégias (especialmente aquelas encontradas na comunidade de aprendizado de máquina) exigem uma grande quantidade de parâmetros. Cada parâmetro extra que uma estratégia requer deixa mais vulnerável ao viés de otimização (também conhecido como "ajuste de curva"). Você deve tentar direcionar as estratégias com o menor número de parâmetros possível ou ter quantidades suficientes de dados para testar suas estratégias. Benchmark - Quase todas as estratégias (a menos que caracterizadas como "retorno absoluto") são medidas em relação a alguns benchmarks de desempenho. O benchmark é geralmente um índice que caracteriza uma grande amostra da classe de ativos subjacente na qual a estratégia negocia. Se a estratégia negociar ações de grande capitalização dos EUA, o S & P500 seria uma referência natural para medir sua estratégia. Você ouvirá os termos "alpha" e "beta", aplicados a estratégias desse tipo. Discutiremos esses coeficientes em profundidade em artigos posteriores.

Observe que não discutimos os retornos reais da estratégia. Por que é isso? Isoladamente, os retornos realmente nos fornecem informações limitadas sobre a eficácia da estratégia. Eles não dão uma visão sobre alavancagem, volatilidade, benchmarks ou requisitos de capital. Assim, as estratégias raramente são julgadas apenas por seus retornos. Sempre considere os atributos de risco de uma estratégia antes de examinar os retornos.

Neste estágio, muitas das estratégias encontradas em seu pipeline serão rejeitadas, pois elas não atenderão às suas necessidades de capital, limitações de alavancagem, tolerância máxima de redução ou preferências de volatilidade. As estratégias que permanecem podem agora ser consideradas para backtesting. No entanto, antes que isso seja possível, é necessário considerar um critério final de rejeição - o dos dados históricos disponíveis sobre os quais testar essas estratégias.

Obtendo dados históricos.

Atualmente, a amplitude dos requisitos técnicos em classes de ativos para armazenamento de dados históricos é substancial. Para manter a competitividade, tanto o lado comprador (fundos) quanto o lado vendedor (bancos de investimento) investem pesadamente em sua infraestrutura técnica. É imperativo considerar sua importância. Em particular, estamos interessados ​​em pontualidade, precisão e requisitos de armazenamento. Agora descreverei os conceitos básicos da obtenção de dados históricos e como armazená-los. Infelizmente este é um tópico muito profundo e técnico, então não poderei dizer tudo neste artigo. No entanto, escreverei muito mais sobre isso no futuro, já que minha experiência anterior no setor financeiro estava principalmente relacionada à aquisição, armazenamento e acesso de dados financeiros.

Na seção anterior, criamos um pipeline de estratégia que nos permitia rejeitar determinadas estratégias com base em nossos critérios pessoais de rejeição. Nesta seção, filtraremos mais estratégias com base em nossas próprias preferências para obter dados históricos. As principais considerações (especialmente no nível do profissional de varejo) são os custos dos dados, os requisitos de armazenamento e seu nível de conhecimento técnico. Também precisamos discutir os diferentes tipos de dados disponíveis e as diferentes considerações que cada tipo de dados nos impõe.

Vamos começar discutindo os tipos de dados disponíveis e as principais questões que precisaremos pensar:

Dados Fundamentais - Incluem dados sobre tendências macroeconômicas, como taxas de juros, inflação, ações corporativas (dividendos, desdobramentos), arquivamentos na SEC, contas corporativas, dados de lucros, relatórios de safra, dados meteorológicos etc. Esses dados costumam ser usados ​​para valorizam empresas ou outros ativos em uma base fundamental, ou seja, por meio de alguns fluxos de caixa futuros esperados. Não inclui séries de preços de ações. Alguns dados fundamentais estão disponíveis gratuitamente em sites do governo. Outros dados históricos históricos de longo prazo podem ser extremamente caros. Os requisitos de armazenamento muitas vezes não são particularmente grandes, a menos que milhares de empresas estejam sendo estudadas de uma só vez. Dados de Notícias - Os dados de notícias são frequentemente de natureza qualitativa. É composto por artigos, posts, postagens de microblog ("tweets") e editorial. Técnicas de aprendizado de máquina, como classificadores, são frequentemente usadas para interpretar sentimentos. Esses dados também costumam estar disponíveis gratuitamente ou são baratos, por meio da assinatura de meios de comunicação. Os bancos de dados de armazenamento de documentos "NoSQL" mais recentes são projetados para armazenar esse tipo de dados qualitativos não estruturados. Dados de Preço do Ativo - Este é o domínio de dados tradicional do quant. Consiste em séries temporais de preços de ativos. Ações (ações), produtos de renda fixa (títulos), commodities e preços de câmbio estão dentro dessa classe. Dados históricos diários geralmente são fáceis de obter para classes de ativos mais simples, como ações. No entanto, depois que a precisão e a limpeza forem incluídas e os desvios estatísticos forem removidos, os dados poderão se tornar caros. Além disso, os dados de série temporal geralmente possuem requisitos de armazenamento significativos, especialmente quando os dados intraday são considerados. Instrumentos Financeiros - Ações, obrigações, futuros e as opções de derivativos mais exóticas têm características e parâmetros muito diferentes. Assim, não existe uma estrutura de banco de dados "tamanho único" que possa acomodá-los. Deve-se dar um cuidado significativo ao projeto e implementação de estruturas de banco de dados para vários instrumentos financeiros. Discutiremos a situação detalhadamente quando chegarmos a construir um banco de dados mestre de títulos em artigos futuros. Freqüência - Quanto maior a frequência dos dados, maiores são os custos e os requisitos de armazenamento. Para estratégias de baixa frequência, os dados diários costumam ser suficientes. Para estratégias de alta frequência, pode ser necessário obter dados em nível de escala e até cópias históricas de dados específicos do livro de ordens da bolsa de valores. A implementação de um mecanismo de armazenamento para esse tipo de dados é muito intensiva em tecnologia e adequada apenas para aqueles com forte histórico técnico / de programação. Benchmarks - As estratégias descritas acima serão frequentemente comparadas a um benchmark. Isso geralmente se manifesta como uma série temporal financeira adicional. Para ações, este é frequentemente um benchmark de ações nacionais, como o índice S & P500 (EUA) ou FTSE100 (Reino Unido). Para um fundo de renda fixa, é útil comparar com uma cesta de títulos ou produtos de renda fixa. A "taxa livre de risco" (ou seja, taxa de juros apropriada) é também outro ponto de referência amplamente aceito. Todas as categorias de classes de ativos possuem uma referência favorecida, portanto, será necessário pesquisar isso com base em sua estratégia específica, se você deseja obter interesse em sua estratégia externamente. Tecnologia - As pilhas de tecnologia por trás de um centro de armazenamento de dados financeiros são complexas. Este artigo pode apenas arranhar a superfície sobre o que está envolvido na construção de um. No entanto, ele gira em torno de um mecanismo de banco de dados, como um RDBMS (Relational Database Management System), como MySQL, SQL Server, Oracle ou um Document Storage Engine (por exemplo, "NoSQL"). Isso é acessado por meio do código de aplicativo "lógica de negócios" que consulta o banco de dados e fornece acesso a ferramentas externas, como MATLAB, R ou Excel. Muitas vezes, essa lógica de negócios é escrita em C ++, C #, Java ou Python. Você também precisará hospedar esses dados em algum lugar, seja em seu próprio computador pessoal ou remotamente por meio de servidores da Internet. Produtos como o Amazon Web Services tornaram isso mais simples e mais barato nos últimos anos, mas ainda exigirão um conhecimento técnico significativo para alcançar de maneira robusta.

Como pode ser visto, uma vez que uma estratégia tenha sido identificada por meio do pipeline, será necessário avaliar a disponibilidade, os custos, a complexidade e os detalhes de implementação de um determinado conjunto de dados históricos. Você pode achar necessário rejeitar uma estratégia baseada somente em considerações de dados históricos. Esta é uma grande área e as equipes de PhDs trabalham em grandes fundos, garantindo que os preços sejam precisos e oportunos. Não subestime as dificuldades de criar um data center robusto para seus fins de backtesting!

Eu quero dizer, no entanto, que muitas plataformas de backtesting podem fornecer esses dados automaticamente para você - a um custo. Assim, você tirará muito da dor da implementação e poderá se concentrar apenas na implementação e otimização da estratégia. Ferramentas como TradeStation possuem essa capacidade. No entanto, minha visão pessoal é implementar o máximo possível internamente e evitar a terceirização de partes da pilha para os fornecedores de software. Eu prefiro estratégias de frequência mais altas devido às suas taxas de Sharpe mais atraentes, mas elas são freqüentemente acopladas à pilha de tecnologia, onde a otimização avançada é crítica.

Agora que discutimos os problemas em torno dos dados históricos, é hora de começar a implementar nossas estratégias em um mecanismo de backtesting. Este será o assunto de outros artigos, pois é uma área de discussão igualmente grande!