The Rise of the Artificially Intelligent Hedge Fund O surgimento do fundo de hedge artificialmente inteligente Na semana passada, Ben Goertzel e sua empresa, Aidyia, ativaram um fundo de hedge que faz todas as ações negociadas usando inteligência artificial, uma intervenção humana necessária. 8220 Se todos morrermos, 8221 diz que Goertzel, um guru de longa data da IA e cientista-chefe da empresa, continuaria negociando.8221 Ele significa isso literalmente. Goertzel e outros humanos construíram o sistema, é claro, e eles continuam a modificá-lo conforme necessário. Mas sua criação identifica e executa negócios inteiramente por conta própria, com base em múltiplas formas de AI, incluindo uma inspirada pela evolução genética e outra baseada na lógica probabilística. Todos os dias, depois de analisar tudo, desde preços e volumes de mercado até dados macroeconômicos e documentos contábeis corporativos, esses mecanismos de AI fazem suas próprias previsões de mercado e, em seguida, 8220vote8221 no melhor curso de ação. Se todos nós morrermos, ele continuaria negociando. Ben Goertzel, Aidyia Embora Aidyia tenha sede em Hong Kong, este sistema automatizado opera em ações dos EUA, e no seu primeiro dia, de acordo com a Goertzel, gerou um retorno de 2% sobre um grupo de fundos não divulgado. Isso não é exatamente impressionante, ou estatisticamente relevante. Mas representa uma mudança notável no mundo das finanças. Com respaldo de 143 milhões de financiamento, o Sentient Technologies da San Francisco tem negociado discretamente com um sistema similar desde o ano passado. Os fundos de hedge centrados em dados, como o Two Sigma e Renaissance Technologies, disseram que dependem da AI. E de acordo com os relatórios, outros dois 8212Bridgewater Associates e Point72 Asset Management, administrados pelos grandes nomes de Wall Street, Ray Dalio e Steven A. Cohen8212, estão se movendo na mesma direção. A melhoria automática Os fundos Hedge há muito se basearam em computadores para ajudar a fazer negócios. De acordo com a empresa de pesquisa de mercado Preqin. Cerca de 1.360 fundos de hedge realizam a maioria de seus negócios com ajuda de modelos de computador8212 por um total de 9% de todos os fundos8212 e eles gerenciam cerca de 197 bilhões no total. Mas isso geralmente envolve cientistas de dados8212 ou 8220quants, 8221 em máquinas de linguagem de Wall Street com ferramentas para construir grandes modelos estatísticos. Esses modelos são complexos, mas também são bastante estáticos. À medida que o mercado muda, eles podem não funcionar tão bem quanto eles trabalharam no passado. E, de acordo com a pesquisa do Preqin8217, o fundo sistemático típico não funciona sempre, bem como os fundos operados por gerentes humanos (ver gráfico abaixo). No entanto, nos últimos anos, os fundos se moveram para uma verdadeira aprendizagem de máquinas, onde sistemas artificialmente inteligentes podem analisar grandes quantidades de dados Na velocidade e melhora-se através dessa análise. A empresa de Nova York Rebellion Research, fundada pelo neto do salão de fama do baseball Hank Greenberg, entre outros, depende de uma forma de aprendizagem de máquinas chamada redes bayesianas. Usando um punhado de máquinas para prever as tendências do mercado e identificar negócios específicos. Enquanto isso, roupas, como Aidyia e Sentient, estão apoiando-se em IA que atravessa centenas ou mesmo milhares de máquinas. Isso inclui técnicas como a computação evolutiva, que é inspirada pela genética e aprendizagem profunda. Uma tecnologia agora usada para reconhecer imagens, identificar palavras faladas e executar outras tarefas dentro de empresas de internet como a Google e a Microsoft. A esperança é que tais sistemas possam reconhecer automaticamente as mudanças no mercado e se adaptarem de maneira que os modelos quantos possam ser usados. 8220They8217re tentando ver as coisas antes de se desenvolver, 8221 diz que Ben Carlson, o autor de A Wealth of Common Sense: Por que a simplicidade trata a complexidade em qualquer plano de investimento. Que passou uma década com um fundo de doação que investiu em uma ampla gama de gerentes de dinheiro. Esse tipo de gerenciamento de fundos orientado por AI não deve ser confundido com o comércio de alta freqüência. Não está procurando negócios de primeira linha ou, de outra forma, ganhar dinheiro com a velocidade de ação. It8217s que procuram os melhores negócios a mais longo prazo, horas, dias, semanas e até meses no futuro. E, ao longo do tempo, as máquinas 8212not humans8212 escolhem a estratégia. Inteligência em evolução Embora a empresa não tenha comercializado abertamente seu fundo, o CEO da Sentient, Antoine Blondeau, diz que vem fazendo negócios oficiais desde o ano passado usando dinheiro de investidores privados (após um período mais longo de trocas de teste). De acordo com um relatório da Bloomberg. A empresa trabalhou com o negócio de hedge funds dentro do JP Morgan Chase no desenvolvimento da tecnologia de negociação da AI, mas Blondeau declina discutir suas parcerias. Ele diz, no entanto, que seu fundo opera inteiramente através da inteligência artificial. Toda a idéia é fazer algo sem outro humano e nenhuma outra máquina está fazendo. O sistema permite que a empresa ajuste certas configurações de risco, diz o diretor de ciência Babak Hodjat, que fazia parte da equipe que construiu Siri antes que o assistente digital fosse adquirido pela Apple. Mas, de outra forma, funciona sem ajuda humana. 8220 Ele automaticamente autoriza uma estratégia, e nos dá comandos, 8221 diz Hodjat. 8220It diz: 8216 Compre por favor agora, com este instrumento, usando este tipo de ordem particular.8217 Ele também nos diz quando sair, reduzir a exposição e esse tipo de coisa.8221 De acordo com Hodjat, o sistema agarra a potência do computador não utilizada de 8220milhões8221 de Processadores de computador dentro de centros de dados, cibercafés e centros de jogos de computador operados por várias empresas na Ásia e em outros lugares. O seu motor de software, por sua vez, é baseado na computação evolutiva na mesma técnica de inspiração genética que se desempenha no sistema Aidyia8217s. Nos termos mais simples, isso significa que ele cria uma coleção grande e aleatória de comerciantes de estoque digital e testa seu desempenho em dados de estoque históricos. Depois de escolher os melhores resultados, ele usa seus 8220genes8221 para criar um novo conjunto de comerciantes superiores. E o processo se repete. Eventualmente, o sistema abriga em um comerciante digital que pode operar com sucesso por conta própria. Por outro lado, milhares de gerações, trilhões e trilhões de 8216 pessoas 8217 competem e prosperam ou morrem, 8221 Blondeau diz, 8220 e, eventualmente, você obtém uma população de comerciantes inteligentes que você pode realmente implantar.8221 Deep Investing Embora a computação evolutiva direcione o sistema hoje, Hodjat também vê promissor Em algoritmos de aprendizado profundo8212aloritemas que já se mostraram extremamente habilidosos para identificar imagens, reconhecer palavras faladas e até mesmo entender a maneira natural que os humanos falamos. Assim como o aprendizado profundo pode identificar características particulares que aparecem em uma foto de um gato, ele explica, poderia identificar características particulares de um estoque que pode fazer você ganhar algum dinheiro. Google Just Open Sourced TensorFlow, seu mecanismo de inteligência artificial Facebook abre fontes Seu hardware AI como ele corre Google Google fez um Chatbot que debate o significado da vida Goertzel8212 que também supervisiona a Fundação OpenCog. Um esforço para construir uma estrutura de fonte aberta para inteligência artificial geral8212disagrees. Isso ocorre em parte porque os algoritmos de aprendizado profundo se tornaram uma mercadoria. 8220Se todos estiverem usando alguma coisa, as previsões da página serão estimadas no mercado, 8221 ele diz. 8220 Você precisa fazer algo estranho.8221 Ele também aponta que, embora o aprendizado profundo seja adequado para analisar os dados definidos por um conjunto muito particular de padrões, como fotos e palavras, esses tipos de padrões don8217t aparecem necessariamente nos mercados financeiros . E se o fizerem, eles não são úteis, porque qualquer um pode encontrá-los. Para Hodjat, no entanto, a tarefa é melhorar a aprendizagem profunda de hoje8217. E isso pode envolver a combinação da tecnologia com a computação evolutiva. Como ele explica, você poderia usar a computação evolutiva para construir melhores algoritmos de aprendizagem profunda. Isso é chamado de neuroevolução. 8220Você pode evoluir os pesos que operam no aluno profundo, 8221 Hodjat diz. 8220 Mas você também pode evoluir a arquitetura do próprio aprendiz profundo.8221 A Microsoft e outras roupas já estão criando sistemas de aprendizado profundo através de uma espécie de seleção natural. Embora eles não estejam usando computação evolutiva per se. Preços em AI Independentemente dos métodos utilizados, alguns questionam se a AI pode realmente ter sucesso em Wall Street. Mesmo que um fundo obtenha sucesso com AI, o risco é que outros dupliquem o sistema e, assim, prejudiquem seu sucesso. Se uma grande parte do mercado se comporta da mesma forma, ela muda o mercado. 8220I8217m um pouco céptico de que a AI pode realmente descobrir isso, 8221 Carlson diz. 8220 Se alguém encontrar um truque que funcione, não só os outros fundos se encaixam, mas outros investidores irão despejar dinheiro. É realmente difícil imaginar uma situação em que não se acaba de arbitrar.8221 A Goertzel vê esse risco. That8217s porque Aidyia está usando não apenas computação evolutiva, mas uma ampla gama de tecnologias. E se outros imitam os métodos da empresa, adotarão outros tipos de aprendizado de máquinas. Toda a idéia é fazer algo que não seja outro humano e nenhuma outra máquina está fazendo. 8220Finance é um domínio onde você se beneficia não apenas de ser inteligente, 8221 Goertzel diz, 8220, mas de ser inteligente de maneira diferente dos outros.8221 Mais informações Como identificar estratégias de negociação algorítmica Neste artigo, quero apresentar-lhe os métodos pelos quais eu Eu próprio identifico estratégias de negociação algorítmicas lucrativas. Nosso objetivo hoje é entender detalhadamente como encontrar, avaliar e selecionar esses sistemas. Vou explicar como a identificação de estratégias é tanto sobre preferências pessoais como sobre o desempenho da estratégia, como determinar o tipo e quantidade de dados históricos para o teste, como avaliar de forma imparcial uma estratégia de negociação e, finalmente, como proceder para a fase de teste e a implementação da estratégia. . Identificando suas próprias preferências pessoais para negociação Para ser um comerciante bem-sucedido - de forma discricionária ou algorítmica - é necessário fazer-se algumas perguntas honestas. O Trading fornece-lhe a capacidade de perder dinheiro a um ritmo alarmante, por isso é necessário conhecer-se tanto quanto for necessário entender a estratégia escolhida. Eu diria que a consideração mais importante na negociação é estar ciente de sua própria personalidade. O comércio e o comércio algorítmico em particular, requer um grau significativo de disciplina, paciência e distanciamento emocional. Uma vez que você está deixando um algoritmo executar sua negociação para você, é necessário ser resolvido para não interferir com a estratégia quando está sendo executado. Isso pode ser extremamente difícil, especialmente em períodos de redução prolongada. No entanto, muitas estratégias que mostraram ser altamente rentáveis em um backtest podem ser arruinadas por uma simples interferência. Compreenda que, se você deseja entrar no mundo da negociação algorítmica, você será testado emocionalmente e, para ser bem sucedido, é necessário trabalhar com essas dificuldades. A próxima consideração é uma vez. Você trabalha em tempo integral Você trabalha em meio período Você trabalha em casa ou tem uma longa jornada diária? Essas perguntas ajudarão a determinar a freqüência da estratégia que você deve procurar. Para aqueles que trabalham em tempo integral, uma estratégia de futuros intradía pode não ser apropriada (pelo menos até que seja totalmente automatizada). Suas restrições de tempo também ditarão a metodologia da estratégia. Se sua estratégia é freqüentemente negociada e dependente de feeds de notícias caras (como um terminal da Bloomberg), você terá claramente que ser realista sobre a sua capacidade de executar com sucesso enquanto estiver no escritório Para aqueles com você com muito tempo, ou as habilidades Para automatizar sua estratégia, você pode querer examinar uma estratégia mais técnica de negociação de alta freqüência (HFT). Minha opinião é que é necessário realizar pesquisas contínuas sobre suas estratégias de negociação para manter um portfólio consistentemente lucrativo. Poucas estratégias permanecem sob o radar para sempre. Assim, uma parcela significativa do tempo atribuído 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 uma forte rentabilidade ou um declínio lento em relação a perdas. Você também precisa considerar seu capital de negociação. 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 novamente, eu começaria com um montante maior, provavelmente mais perto de 100.000 USD (aproximadamente 70.000). Isso ocorre porque os custos de transação podem ser extremamente caros para estratégias de média a alta freqüência e é necessário ter capital suficiente para absorvê-los em tempos de redução. Se você está considerando começar com menos de 10.000 USD, então você precisará se restringir a estratégias de baixa freqüência, negociando em um ou dois ativos, já que os custos de transação irão comer rapidamente em seus retornos. Interactive Brokers, que é um dos corretores mais amigáveis para aqueles com habilidades de programação, devido à sua API, tem uma conta de varejo mínima de 10.000 USD. A habilidade de programação é um fator importante na criação de uma estratégia de negociação algorítmica automatizada. Estar bem informado em uma linguagem de programação como C, Java, C, Python ou R permitirá que você crie o sistema de armazenamento de dados, back-test e execução de ponta a ponta você mesmo. Isso tem uma série de vantagens, cujo chefe é a capacidade de estar completamente atento a todos os aspectos da infra-estrutura comercial. Também permite que você explore as estratégias de maior freqüência, pois você terá o controle total da sua pilha de tecnologia. Embora isso signifique que você possa testar seu próprio software e eliminar erros, também significa mais tempo gasto na codificação de infra-estrutura e menos na implementação de estratégias, pelo menos na parte anterior da sua carreira de trading. Você pode achar que você está confortável negociando no Excel ou MATLAB e pode terceirizar o desenvolvimento de outros componentes. Eu não recomendaria isso no entanto, especialmente para aqueles que negociavam em alta freqüência. Você precisa se perguntar o que você espera alcançar por meio de negociação algorítmica. Você está interessado em um rendimento regular, pelo qual você deseja obter lucros da sua conta de negociação Ou você está interessado em um ganho de capital a longo prazo e pode se negociar sem a necessidade de retirar recursos. A dependência da renda determinará a freqüência de sua estratégia . As retiradas de renda mais regulares exigirão uma estratégia de negociação de maior freqüência com menor volatilidade (ou seja, uma proporção Sharpe mais alta). Os comerciantes de longo prazo podem pagar uma frequência comercial mais tranquila. Finalmente, não se ilude com a noção de tornar-se extremamente rico em um curto espaço de tempo. A negociação de Algo não é um esquema rápido e rico, se alguma coisa pode ser um esquema rápido e rápido. É preciso disciplina, pesquisa, diligência e paciência significativas para serem bem-sucedidas no comércio algorítmico. Pode levar meses, senão anos, gerar rentabilidade consistente. Sourcing Algorithmic Trading Ideas Apesar das percepções comuns ao contrário, é realmente bastante direto para localizar estratégias comerciais rentáveis no domínio público. Nunca as idéias comerciais estão mais disponíveis do que hoje. Revistas de finanças acadêmicas, servidores de pré-impressão, blogs comerciais, fóruns de negociação, revistas comerciais semanais e textos especializados fornecem milhares de estratégias de negociação com as quais basear suas idéias. Nosso objetivo como pesquisadores quantitativos de negócios é estabelecer um pipeline estratégico que nos forneça um fluxo de idéias comerciais em andamento. Idealmente, queremos criar uma abordagem metódica para sourcing, avaliação e implementação de estratégias que encontramos. Os objetivos do pipeline são gerar uma quantidade consistente de novas idéias e fornecer-nos uma estrutura para rejeitar a maioria dessas idéias com o mínimo de consideração emocional. Devemos ser extremamente cuidadosos para não permitir influências cognitivas na nossa metodologia de tomada de decisão. Isso poderia ser tão simples como ter uma preferência por uma classe de ativos sobre outra (o ouro e outros metais preciosos vêm à mente) porque são percebidos como mais exóticos. Nosso objetivo sempre deve ser encontrar estratégias consistentemente lucrativas, com expectativas positivas. A escolha da classe de ativos deve basear-se em outras considerações, como restrições de capital de negociação, taxas de corretagem e capacidades de alavancagem. Se você não está completamente familiarizado com o conceito de estratégia comercial, então o primeiro lugar a olhar é com os livros didáticos estabelecidos. Os textos clássicos fornecem uma ampla gama de idéias mais simples e diretas, para se familiarizarem com a negociação quantitativa. Aqui está uma seleção que eu recomendo para aqueles que são novos para o comércio quantitativo, que gradualmente se tornam mais sofisticados conforme você trabalha através da lista: Para uma lista mais longa de livros de negociação quantitativos, visite a lista de leitura QuantStart. O próximo local para encontrar estratégias mais sofisticadas é com fóruns comerciais e blogs comerciais. No entanto, uma nota de cautela: muitos blogs comerciais dependem do 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 pouco ineficaz na comunidade de finanças quantitativas. Alguns sugeriram que não é melhor do que ler um horóscopo ou estudar folhas de chá em termos de seu poder preditivo. Na realidade, há indivíduos bem sucedidos que fazem uso da análise técnica. No entanto, como quants com uma caixa de ferramentas matemática e estatística mais sofisticada à nossa disposição, podemos avaliar facilmente a eficácia de tais estratégias baseadas em TA e tomar decisões baseadas em dados, em vez de basear nossa em considerações emocionais ou preconceitos. Aqui está uma lista de blogs e fóruns de negociação algorítmica bem respeitados: uma vez que você teve alguma experiência na avaliação de estratégias mais simples, é hora de analisar as ofertas acadêmicas mais sofisticadas. Algumas revistas acadêmicas serão de difícil acesso, sem inscrições elevadas ou custos pontuais. Se você é um membro ou ex-aluno de uma universidade, você poderá obter acesso a algumas dessas revistas financeiras. Caso contrário, você pode olhar para servidores de pré-impressão. Que são repositórios de internet de rascunhos finais de documentos acadêmicos que estão sendo submetidos a revisão pelos pares. Uma vez que estamos apenas interessados em estratégias que possamos replicar com sucesso, backtest e obter rentabilidade, uma revisão pelos pares é de menor importância para nós. A principal desvantagem das estratégias acadêmicas é que muitas vezes podem estar desatualizadas, exigir dados históricos obscuros e dispendiosos, negociar em classes de ativos ilíquidas ou não influenciar taxas, derrapagens ou spread. Também não é claro se a estratégia de negociação deve ser realizada com ordens de mercado, ordens limitadas ou se contém perdas de parada, etc. Portanto, é absolutamente essencial replicar a estratégia o melhor que puder, fazer uma prova e fazer uma transação realista 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 jornais financeiros dos quais você pode gerar idéias: o que é sobre a formação de suas próprias estratégias quantitativas. Mas não está limitado a) experiência em uma ou mais das seguintes categorias: Microestrutura de mercado - Para estratégias de maior freqüência em particular, pode-se usar a microestrutura do mercado. Isto é, compreensão da dinâmica do livro de pedidos para gerar rentabilidade. Diferentes mercados terão várias limitações tecnológicas, regulamentos, participantes do mercado e restrições que estão abertas à exploração através 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 - Os fundos de investimento em conjunto, como fundos de pensão, parcerias de investimentos privados (hedge funds), consultores de negociação de commodities e fundos de investimento, são limitados por uma regulamentação pesada e 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 tamanho deles. Assim, se eles precisam rapidamente descarregar (vender) uma quantidade de valores mobiliários, eles terão que escaloná-lo para evitar mover o mercado. Algoritmos sofisticados podem tirar proveito disso, e outras idiossincrasias, em um processo geral conhecido como arbitragem de estrutura de fundos. Aprendizagem mecânica de inteligência artificial - Os algoritmos de aprendizagem de máquinas tornaram-se mais prevalentes nos últimos anos nos mercados financeiros. Os classificadores (como Naive-Bayes, et al.) Correspondentes de função não-linear (redes neurais) e rotinas de otimização (algoritmos genéticos) foram todos usados para prever caminhos de ativos ou otimizar estratégias de negociação. Se você tem um histórico nesta área, você pode ter alguma visão sobre como determinados algoritmos podem ser aplicados a certos mercados. Há, é claro, muitas outras áreas para investigar quants. Bem, discuta como encontrar estratégias detalhadas em detalhes em um artigo posterior. Ao continuar monitorando essas fontes numa base semanal, ou mesmo diária, você está se preparando para receber uma lista consistente de estratégias de uma variedade diversificada de fontes. O próximo passo é determinar como rejeitar um grande subconjunto destas estratégias, a fim de minimizar o desperdício do seu tempo e os recursos de teste em estratégias que provavelmente não serão lucrativas. Avaliando Estratégias de Negociação A primeira e, possivelmente, a consideração mais óbvia é se você realmente entende a estratégia. Você poderia explicar a estratégia de forma concisa ou exigir uma série de advertências e listas de parâmetros intermináveis. Além disso, a estratégia tem uma base boa e sólida na realidade. Por exemplo, você poderia apontar alguma lógica comportamental ou restrição de estrutura de fundos que Pode estar causando o (s) padrão (s) que você está tentando explorar. Essa restrição suportaria uma mudança de regime, como uma ruptura dramática do ambiente regulatório. A estratégia depende de regras estatísticas ou matemáticas complexas Aplica-se a qualquer série de tempo financeiro ou é É específico para a classe de ativos que se afirma ser rentável. Você deve estar pensando constantemente nesses fatores ao avaliar novos métodos comerciais, caso contrário você pode desperdiçar uma quantidade significativa de tempo tentando fazer backtest e otimizar estratégias não lucrativas. Uma vez que você tenha determinado que você entende os princípios básicos da estratégia, você precisa decidir se ele se encaixa com o seu perfil de personalidade acima mencionado. Esta não é uma consideração tão vaga quanto parece. As estratégias diferirão substancialmente em suas características de desempenho. Existem certos tipos de personalidade que podem lidar com períodos mais significativos de redução ou estão dispostos a aceitar um maior risco de retorno maior. Apesar do fato de que nós, como quants, tentamos eliminar todo o viés cognitivo possível e devemos avaliar uma estratégia de forma desapaixonada, os preconceitos sempre fluirão. Portanto, precisamos de um meio consistente e sem emoção para avaliar o desempenho das estratégias . Aqui está a lista de critérios que eu julgo uma nova estratégia potencial por: Metodologia - É o impulso da estratégia, o retorno médio, o mercado neutro, direcional. A estratégia depende de técnicas de aprendizado estatístico ou de máquinas sofisticadas (ou complexas) que são difíceis Para entender e exigir um doutorado em estatística para entender. Essas técnicas introduzem uma quantidade significativa de parâmetros, o que pode levar a um viés de otimização. A estratégia provavelmente suportará uma mudança de regime (ou seja, uma nova regulamentação potencial de mercados financeiros). Razão de Sharpe - A relação de Sharpe Caracteriza heuristicamente a proporção de risco de risco da estratégia. Quantifica quanto retorno você consegue para o nível de volatilidade suportado pela curva patrimonial. Naturalmente, precisamos determinar o período e a frequência em que esses retornos e volatilidade (ou seja, o desvio padrão) são medidos. Uma estratégia de freqüência mais alta exigirá maior taxa de amostragem do desvio padrão, mas um período de tempo geral mais curto, por exemplo. Alavancagem - A estratégia exige alavancagem significativa para ser lucrativa. A estratégia requer o uso de contratos de derivativos alavancados (futuros, opções, swaps) para fazer um retorno. Estes contratos alavancados podem ter uma forte volatilidade e, portanto, podem facilmente levar a Chamadas de margem. Você tem o capital de negociação e o temperamento dessa volatilidade Frequência - A freqüência da estratégia está intimamente ligada à sua pilha de tecnologia (e, portanto, experiência tecnológica), ao índice Sharpe e ao nível geral dos custos de transação. Todas as outras questões consideradas, estratégias de maior freqüência requerem mais capital, são mais sofisticadas e mais difíceis de implementar. No entanto, assumindo que seu mecanismo de teste de backtest é sofisticado e livre de erros, eles geralmente terão taxas de Sharpe muito maiores. Volatilidade - A volatilidade está fortemente relacionada ao risco da estratégia. A relação Sharpe caracteriza isso. A maior volatilidade das classes de ativos subjacentes, se não coberta, muitas vezes leva a uma maior volatilidade na curva de patrimônio e, portanto, menores índices de Sharpe. Naturalmente, suponho que a volatilidade positiva seja aproximadamente igual à volatilidade negativa. Algumas estratégias podem ter maior volatilidade negativa. Você precisa estar ciente desses atributos. WinLoss, Average ProfitLoss - As estratégias serão diferentes nas suas características de ganhos e ganhos de lucro. Pode-se ter uma estratégia muito lucrativa, mesmo que o número de negociações perdidas exceda o número de negócios vencedores. 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 média tendem a ter perfis opostos em que mais dos negócios são vencedores, mas os negócios perdidos podem ser bastante graves. Drawdown máximo - A redução máxima é a maior queda percentual global na curva de equidade da estratégia. As estratégias de Momentum são bem conhecidas por sofrerem períodos de alongamento prolongado (devido a uma série de muitas operações perdidas incrementais). Muitos comerciantes vão desistir em períodos de redução prolongada, mesmo que os testes históricos sugeriram que este é um negócio como de costume para a estratégia. Você precisará determinar qual porcentagem de redução (e em que período de tempo) você pode aceitar antes de deixar de negociar sua estratégia. Esta é uma decisão altamente pessoal e, portanto, deve ser considerada com cuidado. CapacityLiquidity - No nível de varejo, a menos que você esteja negociando em um instrumento altamente ilíquido (como um estoque de pequena capitalização), você não terá que se preocupar muito com a capacidade da estratégia. A capacidade determina a escalabilidade da estratégia para aumentar o capital. Muitos dos maiores hedge funds sofrem de importantes problemas de capacidade à medida que suas estratégias aumentam em alocação de capital. Parâmetros - Certas estratégias (especialmente aquelas encontradas na comunidade de aprendizagem de máquinas) exigem uma grande quantidade de parâmetros. Todo parâmetro adicional que uma estratégia requer deixa mais vulnerável ao viés de otimização (também conhecido como ajuste de curva). Você deve tentar e alvejar estratégias com o menor número possível de parâmetros ou garantir que você tenha 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 um benchmark de desempenho. O benchmark geralmente é um índice que caracteriza uma grande amostra da classe de ativos subjacentes em que a estratégia negocia. Se a estratégia negociar ações americanas de grande capitalização, então o SP500 seria uma referência natural para medir sua estratégia. Você ouvirá os termos alfa e beta, aplicado a estratégias deste tipo. Vamos discutir estes coeficientes em profundidade em artigos posteriores. Observe que não discutimos os retornos reais da estratégia. Por que isso é isolado, os retornos realmente nos fornecem informações limitadas sobre a eficácia da estratégia. Eles não lhe dão uma visão de alavancagem, volatilidade, benchmarks ou requisitos de capital. Assim, as estratégias raramente são avaliadas apenas em seus retornos. Considere sempre os atributos de risco de uma estratégia antes de analisar os retornos. Nesta fase, muitas das estratégias encontradas no seu pipeline serão rejeitadas, uma vez que não atendem aos requisitos de capital, alavancam restrições, tolerâncias máximas de tolerância ou preferências de volatilidade. As estratégias que permanecem podem agora ser consideradas para testes anteriores. No entanto, antes disso é possível, é necessário considerar um critério final de rejeição - o dos dados históricos disponíveis para testar essas estratégias. Obtenção de dados históricos Atualmente, a amplitude dos requisitos técnicos em todas as classes de ativos para o armazenamento histórico de dados é substancial. Para se manterem competitivos, tanto o lado da compra (fundos) quanto os de venda (bancos de investimento) investem fortemente em sua infraestrutura técnica. É imperativo considerar sua importância. Em particular, estamos interessados em requisitos de tempo, precisão e armazenamento. Vou agora descrever os conceitos básicos de obtenção de dados históricos e como armazená-lo. Infelizmente, este é um tópico muito profundo e técnico, então não consigo dizer tudo neste artigo. No entanto, vou escrever muito mais sobre isso no futuro, já que minha experiência na indústria anterior no setor financeiro estava principalmente preocupada com aquisição, armazenamento e acesso de dados financeiros. Na seção anterior, montamos um pipeline de estratégia que nos permitiu rejeitar certas estratégias com base em nossos próprios critérios de rejeição pessoal. Nesta seção, vamos filtrar mais estratégias com base em nossas próprias preferências para obter dados históricos. As principais considerações (especialmente no nível do profissional varejista) são os custos dos dados, dos requisitos de armazenamento e do seu nível de conhecimento técnico. Também precisamos discutir os diferentes tipos de dados disponíveis e as diferentes considerações que cada tipo de dados nos importam. Comece por discutir os tipos de dados disponíveis e as questões-chave que precisaremos para pensar: Dados Fundamentais - Isso inclui dados sobre tendências macroeconômicas, tais como taxas de juros, números de inflação, ações corporativas (dividendos, estoque-divisão), registros da SEC , Contas corporativas, números de ganhos, relatórios de culturas, dados meteorológicos, etc. Estes dados são freqüentemente usados para avaliar empresas ou outros ativos em uma base fundamental, ou seja, por meio de fluxos de caixa futuros esperados. Não inclui séries de preços de ações. Alguns dados fundamentais estão disponíveis gratuitamente nos sites do governo. Outros dados fundamentais históricos de longo prazo podem ser extremamente caros. Os requisitos de armazenamento geralmente 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 muitas vezes de natureza qualitativa. Consiste em artigos, postagens de blog, postagens de microblog (tweets) e editoriais. As técnicas de aprendizagem de máquinas, como os classificadores, costumam ser usadas para interpretar o sentimento. Esses dados também são freqüentemente disponíveis gratuitamente ou baratos, por meio da assinatura de meios de comunicação. Os bancos de dados de armazenamento de documentos Novos NoSQL são projetados para armazenar esse tipo de dados qualitativos não estruturados. Dados do preço do recurso - Este é o domínio de dados tradicional do quant. Consiste em séries temporais de preços dos ativos. As ações (ações), produtos de renda fixa (títulos), commodities e preços de câmbio se enquadram nesta classe. Os dados históricos diários geralmente são simples de obter para as classes de ativos mais simples, como ações. No entanto, uma vez que a precisão e a limpeza estão incluídas e os preconceitos estatísticos removidos, os dados podem se tornar caros. Além disso, os dados das séries temporais geralmente possuem requisitos de armazenamento significativos, especialmente quando os dados intradiários são considerados. Instrumentos Financeiros - Ações, títulos, futuros e opções derivadas mais exóticas possuem características e parâmetros muito diferentes. Assim, não existe um tamanho único para toda a estrutura de banco de dados que possa acomodá-los. Deve ser dado um cuidado significativo à concepção e implementação de estruturas de banco de dados para vários instrumentos financeiros. Vamos discutir a situação ao longo de quando chegarmos a construir um banco de dados mestre de valores mobiliários em futuros artigos. Frequência - Quanto maior a frequência dos dados, maiores são os custos e os requisitos de armazenamento. Para estratégias de baixa frequência, os dados diários são frequentemente suficientes. Para estratégias de alta freqüência, talvez seja necessário obter dados de nível de tiquetaque e até cópias históricas de determinados dados do livro de pedidos de troca de negócios. Implementar um mecanismo de armazenamento para este tipo de dados é muito tecnicamente intensivo e só é adequado para aqueles que possuem um sólido cenário técnico de programação. Pontos de referência - As estratégias descritas acima serão comparadas com um benchmark. Isso geralmente se manifesta como uma série de tempo financeiro adicional. Para as ações, isso geralmente é uma referência de estoque nacional, como o índice SP500 (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, a taxa de juros adequada) também é outra referência amplamente aceita. Todas as categorias de classe de ativos possuem uma referência preferencial, por isso será necessário pesquisar isso com base em sua estratégia específica, se desejar ganhar interesse em sua estratégia externamente. Tecnologia - As pilhas de tecnologia por trás de um centro de armazenamento de dados financeiros são complexas. Este artigo apenas pode arranhar a superfície sobre o que está envolvido na construção de um. No entanto, ele se centra em torno de um mecanismo de banco de dados, como um Sistema de Gerenciamento de Banco de Dados Relacional (RDBMS), como MySQL, SQL Server, Oracle ou um Document Storage Engine (ou seja, NoSQL). Isso é acessado através do código de aplicativo de lógica comercial que consulta o banco de dados e fornece acesso a ferramentas externas, como MATLAB, R ou Excel. Muitas vezes, essa lógica de negócios está escrita em C, C, Java ou Python. Você também precisará hospedar esses dados em algum lugar, seja em seu próprio computador pessoal, seja remotamente através de servidores de internet. Produtos como o Amazon Web Services tornaram isso mais simples e barato nos últimos anos, mas ainda exigirá conhecimentos técnicos significativos para alcançar de forma robusta. Como pode ser visto, uma vez que uma estratégia tenha sido identificada através 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 que é necessário rejeitar uma estratégia baseada unicamente em considerações de dados históricos. Esta é uma grande área e equipes de doutorados trabalham em grandes fundos garantindo que os preços sejam precisos e oportunos. Não subestime as dificuldades de criar um centro de dados robusto para os seus resultados de backtesting. Eu quero dizer, no entanto, que muitas plataformas de backtesting podem fornecer esses dados para você automaticamente - a um custo. Assim, demorará muito da dor de implementação para você, e você pode se concentrar exclusivamente na implementação e otimização da estratégia. Ferramentas como a TradeStation possuem essa capacidade. No entanto, minha visão pessoal é implementar o máximo possível internamente e evitar terceirizar partes da pilha para fornecedores de software. Eu prefiro estratégias de freqüência mais altas devido aos seus índices de Sharpe mais atraentes, mas muitas vezes estão fortemente acoplados à pilha de tecnologia, onde a otimização avançada é crítica. Agora que discutimos as questões relacionadas aos dados históricos, é hora de começar a implementar nossas estratégias em um mecanismo de teste. Este será o assunto de outros artigos, uma vez que é uma área de discussão igualmente grande. O comércio com a Inteligência usando TradingSolutions TradingSolutions combina análise técnica com tecnologias de inteligência artificial (AI) usando redes neurais e algoritmos genéticos para aprender padrões de dados históricos e otimizar os parâmetros do sistema. Este software de negociação funciona com ações, futuros, moedas (FOREX) e muitos outros instrumentos financeiros. Também pode construir sistemas para mercados americanos e internacionais. Mais de 300 dos indicadores técnicos mais populares. Prova comprovada e desempenho do cliente. Suporte de dados líder na indústria da eSignal. Interactive Brokers e muitos outros proprietários Optimal Signal tecnologia. Suporte técnico gratuito. 100 sistemas gratuitos e modelos de rede neural pré-construídos. Usado com sucesso em mais de 66 países ao redor do mundo. Garantia de devolução do dinheiro de 30 dias.
No comments:
Post a Comment