Quantocracy é um dos principais sites de agregação de links quant. Eu leio diariamente e eu sugiro fortemente que você verifique se você quiser ficar no topo da notícia na blogosfera quant: Bem-vindo ao seu recurso FREE Algorithmic Trading, onde você vai aprender a desenvolver estratégias rentáveis de negociação algorítmica e ganhar uma carreira em Quantitativo. Últimos artigos Por Michael Halls-Moore em 11 de outubro de 2017 Na terça-feira passada eu voei para Nova York, EUA para dar uma palestra no Meetup Quantopian NYC e moderar um painel sobre Programação Wars no Trading Show de Nova York 2017. Ambos os eventos foram Extremamente interessante e eu conheci um monte de grandes pessoas. Eu quero escrever um breve resumo da viagem, pois trouxe à minha atenção algumas áreas fascinantes de pesquisa de finanças quantia que eu não estava ciente de. Leia mais. Por Michael Halls-Moore em 28 de setembro de 2017 Este é um post curto para permitir que os leitores do QuantStart saibam que falarei em alguns eventos em Nova York e Cingapura nos próximos meses: Leia mais. Por Michael Halls-Moore em 27 de setembro de 2017 No artigo anterior da série Hidden Markov Modelos foram introduzidos. Eles foram discutidos no contexto da classe mais ampla de Modelos de Markov. Eles foram motivados pela necessidade de comerciantes quantitativos terem a capacidade de detectar regimes de mercado, a fim de ajustar como suas estratégias quant são gerenciadas. Leia mais. Por Michael Halls-Moore em 21 de setembro de 2017 Anteriormente em QuantStart consideramos os fundamentos matemáticos de State Space Models e Kalman Filters. Bem como a aplicação da biblioteca pykalman a um par de ETFs para ajustar dinamicamente uma relação de hedge como base para uma estratégia de negociação de reversão média. Leia mais. Por Michael Halls-Moore em 6 de setembro de 2017 O mundo das finanças quantitativas continua a evoluir a um ritmo acelerado. Mesmo nos últimos quatro anos da existência deste site, o mercado de postos de trabalho quantitativos mudou significativamente. Neste artigo descrevemos essas mudanças. O conselho em o que é provável ser na demanda nos próximos anos será aplicável ambos àquelas ainda na instrução assim como aqueles que pensam adiante a uma mudança da carreira. Leia mais. Negociação quantitativa O que é negociação quantitativa negociação quantitativa consiste em estratégias de negociação com base na análise quantitativa. Que se baseiam em cálculos matemáticos e número crunching para identificar oportunidades comerciais. Como o comércio quantitativo é geralmente usado por instituições financeiras e fundos de hedge. As transações são normalmente de grande porte e podem envolver a compra e venda de centenas de milhares de ações e outros títulos. No entanto, o comércio quantitativo está se tornando mais comumente usado por investidores individuais. BREAKING Down Quantitative Trading Preço e volume são duas das entradas de dados mais comuns utilizados na análise quantitativa como os principais inputs para modelos matemáticos. As técnicas de negociação quantitativas incluem o comércio de alta frequência. Negociação algorítmica e arbitragem estatística. Estas técnicas são rápido-fogo e têm tipicamente horizontes de investimento a curto prazo. Muitos comerciantes quantitativos estão mais familiarizados com ferramentas quantitativas, como médias móveis e osciladores. Compreender a negociação quantitativa Comerciantes quantitativos tirar proveito da tecnologia moderna, matemática ea disponibilidade de bases de dados completas para tomar decisões comerciais racionais. Os comerciantes quantitativos tomam uma técnica de negociação e criam um modelo usando matemática, e então desenvolvem um programa de computador que aplica o modelo aos dados históricos do mercado. O modelo é então testado e otimizado. Se forem obtidos resultados favoráveis, o sistema é então implementado em mercados em tempo real com capital real. A forma como funcionam os modelos quantitativos de negociação pode ser melhor descrita usando uma analogia. Considere um relatório meteorológico em que o meteorologista prevê uma chance de 90 de chuva, enquanto o sol está brilhando. O meteorologista obtém essa conclusão contra-intuitiva coletando e analisando dados climáticos de sensores em toda a área. Uma análise quantitativa computadorizada revela padrões específicos nos dados. Quando esses padrões são comparados aos mesmos padrões revelados nos dados climáticos históricos (backtesting), e 90 em cada 100 vezes o resultado é chuva, então o meteorologista pode tirar a conclusão com confiança, daí a previsão de 90. Os comerciantes quantitativos aplicam este mesmo processo ao mercado financeiro para tomar decisões comerciais. Vantagens e Desvantagens da Negociação Quantitativa O objetivo da negociação é calcular a ótima probabilidade de executar um comércio rentável. Um comerciante típico pode efetivamente monitorar, analisar e tomar decisões de negociação em um número limitado de títulos antes que a quantidade de dados recebidos oprima o processo de tomada de decisão. O uso de técnicas de negociação quantitativas ilumina esse limite usando computadores para automatizar as decisões de monitoramento, análise e negociação. Superar a emoção é um dos problemas mais difundidos com a negociação. Seja medo ou ganância, ao negociar, a emoção serve apenas para sufocar o pensamento racional, que geralmente leva a perdas. Computadores e matemática não possuem emoções, portanto, o comércio quantitativo elimina esse problema. O comércio quantitativo tem seus problemas. Os mercados financeiros são algumas das entidades mais dinâmicas que existem. Portanto, os modelos de negociação quantitativos devem ser tão dinâmicos para serem consistentemente bem-sucedidos. Muitos comerciantes quantitativos desenvolvem modelos que são temporariamente lucrativos para a condição de mercado para a qual foram desenvolvidos, mas falham em última instância quando as condições de mercado mudam. Estratégias Quantitativas - São para Você As estratégias de investimento quantitativas evoluíram em ferramentas muito complexas com o advento de computadores modernos , Mas as raízes das estratégias remontam a mais de 70 anos. Eles são normalmente executados por equipes altamente educadas e usar modelos proprietários para aumentar sua capacidade de bater o mercado. Há mesmo off-the-shelf programas que são plug-and-play para aqueles que procuram simplicidade. Quant modelos sempre funcionam bem quando testado, mas suas aplicações reais e taxa de sucesso são discutíveis. Enquanto eles parecem funcionar bem em mercados de touro. Quando os mercados se esgotam, estratégias quanti está sujeita aos mesmos riscos que qualquer outra estratégia. A história Um dos fundadores do estudo da teoria quantitativa aplicada às finanças foi Robert Merton. Você só pode imaginar o quão difícil e demorado o processo foi antes do uso de computadores. Outras teorias em finanças também evoluíram a partir de alguns dos primeiros estudos quantitativos, incluindo a base da diversificação de carteiras com base na teoria da carteira moderna. O uso de finanças e cálculos quantitativos levou a muitas outras ferramentas comuns, incluindo uma das mais famosas, a Black-Scholes fórmula de precificação opção, que não só ajuda os investidores preço opções e desenvolver estratégias, mas ajuda a manter os mercados em cheque com liquidez. Quando aplicado diretamente ao gerenciamento de portfólio. O objetivo é como qualquer outra estratégia de investimento. Para adicionar valor, alfa ou excesso retorna. Quants, como os desenvolvedores são chamados, compõem modelos matemáticos complexos para detectar oportunidades de investimento. Existem tantos modelos lá fora como quants que desenvolvê-los, e todos afirmam ser o melhor. Um dos pontos de venda mais vantajosos é que o modelo, e, em última instância, o computador, faz a decisão de compra / venda real, não um ser humano. Isso tende a remover qualquer resposta emocional que uma pessoa pode experimentar ao comprar ou vender investimentos. As estratégias de Quant são agora aceitas na comunidade de investimento e geridas por fundos mútuos, hedge funds e investidores institucionais. Eles normalmente vão pelo nome alfa geradores. Ou alfa gens. Atrás da cortina Assim como em O Mágico de Oz, alguém está por trás da cortina de condução do processo. Como com qualquer modelo, seu somente tão bom quanto o ser humano que desenvolve o programa. Embora não exista um requisito específico para se tornar um quant, a maioria das empresas que executam modelos quant combinam as habilidades de analistas de investimento, estatísticos e programadores que codificam o processo nos computadores. Devido à natureza complexa dos modelos matemáticos e estatísticos, é comum ver credenciais como pós-graduação e doutorado em finanças, economia, matemática e engenharia. Historicamente, esses membros da equipe trabalhavam nos back offices. Mas como os modelos de quant tornou-se mais comum, o back office está se movendo para a frente do escritório. Benefícios de estratégias Quant Enquanto a taxa de sucesso global é discutível, a razão de algumas estratégias quant trabalho é que eles são baseados em disciplina. Se o modelo estiver certo, a disciplina mantém a estratégia trabalhando com computadores de velocidade relâmpago para explorar ineficiências nos mercados com base em dados quantitativos. Os próprios modelos podem ser baseados em tão poucas como algumas relações como P / E. Dívida para capital próprio e crescimento de lucros, ou usar milhares de insumos trabalhando juntos ao mesmo tempo. Estratégias bem sucedidas podem pegar em tendências em seus estágios iniciais como os computadores constantemente executar cenários para localizar ineficiências antes que outros fazem. Os modelos são capazes de analisar um grupo muito grande de investimentos simultaneamente, onde o analista tradicional pode estar olhando apenas alguns de cada vez. O processo de triagem pode classificar o universo por níveis de grau como 1-5 ou A-F dependendo do modelo. Isso torna o processo de negociação real muito simples, investindo nos investimentos altamente cotados e vendendo os mais baixos. Quant modelos também abrem variações de estratégias como longo, curto e longo / curto. Fundos quantos bem sucedidos mantêm um olho afiado no controle de risco devido à natureza de seus modelos. A maioria das estratégias começa com um universo ou benchmark e usa ponderações setoriais e industriais em seus modelos. Isso permite que os fundos controlem a diversificação até certo ponto sem comprometer o próprio modelo. Os fundos Quant funcionam normalmente em uma base de custo mais baixo porque eles não precisam de tantos analistas tradicionais e gerentes de portfólio para executá-los. Desvantagens de estratégias Quant Há razões por que tantos investidores não abraçar totalmente o conceito de deixar uma caixa preta executar seus investimentos. Para todos os fundos quant bem sucedidos lá fora, apenas como muitos parecem ser malsucedido. Infelizmente para a reputação dos quants, quando falham, falham grande. Long-Term Capital Management foi um dos mais famosos fundos de hedge, já que foi administrado por alguns dos mais respeitados líderes acadêmicos e dois economistas premiados com o Prêmio Nobel, Myron S. Scholes e Robert C. Merton. Durante os anos 90, sua equipe gerou retornos acima da média e atraiu capital de todos os tipos de investidores. Eles eram famosos por não só explorar as ineficiências, mas usando o acesso fácil ao capital para criar enormes apostas alavancadas nas direções do mercado. A natureza disciplinada de sua estratégia realmente criou a fraqueza que levou ao seu colapso. Long-Term Capital Management foi liquidada e dissolvida no início de 2000. Seus modelos não incluem a possibilidade de que o governo russo poderia inadimplência em parte de sua própria dívida. Esse evento desencadeou eventos e uma reação em cadeia ampliada pelo caos causado pela alavancagem. A LTCM estava tão envolvida com outras operações de investimento que seu colapso afetou os mercados mundiais, provocando eventos dramáticos. A longo prazo, o Federal Reserve interveio para ajudar, e outros bancos e fundos de investimento apoiou LTCM para evitar quaisquer danos adicionais. Esta é uma das razões pelas quais os fundos podem fracassar, pois são baseados em eventos históricos que podem não incluir eventos futuros. Enquanto uma equipe forte quant será constantemente adicionando novos aspectos aos modelos para prever eventos futuros, é impossível prever o futuro cada vez. Quant fundos também podem se tornar oprimido quando a economia e os mercados estão experimentando maior do que a volatilidade média. Os sinais de compra e venda podem vir tão rapidamente que o alto volume de negócios pode criar comissões elevadas e eventos tributáveis. Quant fundos também podem representar um perigo quando eles são comercializados como à prova de urso ou são baseados em estratégias de curto. Prevendo recessões. Usando derivativos e alavancagem de combinação pode ser perigoso. Uma vez errada pode levar a implosões, que muitas vezes fazem a notícia. Bottom Line As estratégias de investimento quantitativo evoluíram de caixas negras de back office para ferramentas de investimento mainstream. Eles são projetados para utilizar as melhores mentes nos negócios e os computadores mais rápidos para explorar as ineficiências e usar alavancagem para fazer apostas no mercado. Eles podem ser muito bem sucedidos se os modelos têm incluído todas as entradas direita e são ágeis o suficiente para prever eventos anormais do mercado. Por outro lado, enquanto os fundos quant são rigorosamente testados até que funcionam, a sua fraqueza é que eles dependem de dados históricos para o seu sucesso. Embora o estilo de estilo de investimento tem seu lugar no mercado, é importante estar ciente de suas deficiências e riscos. Ser coerente com as estratégias de diversificação. É uma boa idéia para tratar estratégias quant como um estilo de investimento e combiná-lo com as estratégias tradicionais para alcançar a diversificação adequada. Uma pessoa que negocia derivados, commodities, obrigações, acções ou moedas com um risco superior à média em troca de. QuotHINTquot é uma sigla que significa quothigh renda não impostos. quot É aplicado a high-assalariados que evitam pagar renda federal. Um fabricante de mercado que compra e vende títulos corporativos de curto prazo, chamados de papel comercial. Um negociante de papel é tipicamente. Uma ordem colocada com uma corretora para comprar ou vender um número definido de ações a um preço especificado ou melhor. A compra e venda irrestrita de bens e serviços entre países sem a imposição de restrições, tais como. No mundo dos negócios, um unicórnio é uma empresa, geralmente um start-up que não tem um registro de desempenho estabelecido. Produtos de negociação comercial teoria do jogo tomada de decisão no comércio SIGs operações estendem através de mercados na América do Norte, Europa e Ásia, onde Comercializamos essencialmente todos os produtos financeiros e classes de ativos listados. A experiência da SIG em negociação, combinada com pesquisa quantitativa, tecnologia inovadora e pesquisa fundamental, nos posiciona como líderes no mercado global. Derivativos A SIG é reconhecida globalmente como um participante líder no mercado de derivativos, com experiência comprovada em preço de opções, dinâmica de negociação, estrutura de mercado e gerenciamento de risco. Comprometemos capital e fornecemos liquidez em quase todos os mercados de opções cotadas na bolsa, incluindo mercados de commodities, energia, equity, Exchange Traded Fund (ETF), índice e futuros. Nossos traders, quants e desenvolvedores trabalham como equipes para desenvolver estratégias de negociação algorítmica que nos dão uma vantagem competitiva. Commodities SIG é um participante ativo nos mercados de opções e futuros em todas as principais commodities, incluindo metais, petróleo e produtos relacionados, gás natural e produtos agrícolas. Energia Nossa equipe de energia participa ativamente de uma ampla gama de produtos, com foco principal na eletricidade, gás natural, clima e opções de energia. Uma compreensão fundamental forte da previsão do tempo e das características da oferta e demanda nos dá uma vantagem competitiva no mercado. Equities A SIG é um participante ativo nos mercados de ações e ETF em todo o mundo. Negociamos ações individuais através do uso de nossas estratégias de negociação algorítmicas proprietárias e fornecemos ampla cobertura de todos os principais ETFs. Bonds SIG mantém uma carteira diversificada de produtos de renda fixa ativamente negociados, incluindo obrigações corporativas e convertíveis, credit default swaps e ETFs de renda fixa. Essas operações são associadas a outras hedges de taxa de juros para manter uma carteira de baixo risco que capta as ineficiências do mercado. Foreign Exchange Como participante de mercado nos mercados de câmbio, a SIG negocia ativamente opções de spot, futuros e ETFs. Esta parte do tutorial sobre o uso do algoritmo NEAT explica como os genomas são cruzados de forma significativa mantendo suas informações topológicas e como a especiação (Genomas de grupo em espécies) podem ser usados para proteger genomas fracos com novas informações topológicas de serem prematuramente erradicadas do pool genético antes que seu espaço de peso possa ser otimizado. A primeira parte deste tutorial pode ser encontrada aqui. Rastreando História de Gene através de Números de Inovação A Parte 1 mostrou duas mutações, link mutate e mutate de nó que ambos adicionaram novos genes ao genoma. Cada vez que um novo gene é criado (através de uma inovação topológica) um número de inovação global é incrementado e atribuído a esse gene. O número de inovação global está rastreando a origem histórica de cada gene. Se dois genes têm o mesmo número de inovação, então eles devem representar a mesma topologia (embora os pesos possam ser diferentes). Isto é explorado durante o crossover do gene. Genoma Crossover (Acoplamento) Genomas crossover leva dois genomas pai (permite chamá-los A e B) e cria um novo genoma (vamos chamá-lo a criança), tendo os genes mais fortes de A e B copiando quaisquer estruturas topológicas ao longo do caminho. Durante o crossover genes de ambos os genomas são alinhados usando o seu número de inovação. Para cada número de inovação, o gene do pai mais adequado é seleccionado e inserido no genoma infantil. Se ambos os genomas pai são a mesma aptidão, então o gene é selecionado aleatoriamente de qualquer dos pais com igual probabilidade. Se o número de inovação está presente somente em um dos progenitores, então isso é conhecido como um gene disjunto ou em excesso e representa uma inovação topológica, ela também é inserida na criança. A imagem abaixo mostra o processo de crossover para dois genomas da mesma aptidão. A especiação toma todos os genomas num dado conjunto de genomas e tenta dividi-los em grupos distintos conhecidos como espécies. Os genomas em cada espécie terão características semelhantes. Uma maneira de medir a similaridade entre dois genomas é necessária, se dois genomas são 8220 semelhantes8221 eles são da mesma espécie. Uma medida natural a ser usada seria uma soma ponderada do número de genes em excesso disjuntor (representando diferenças topológicas) e a diferença de pesos entre genes correspondentes. Se a soma ponderada estiver abaixo de algum limiar então os genomas são da mesma espécie. A vantagem de dividir os genomas em espécies é que durante o passo de evolução genética onde os genomas com baixa aptidão são eliminados (removidos completamente do conjunto do genoma) ao invés de ter cada genoma para lutar por seu lugar contra todos os outros genomas em todo o genoma piscina que podemos Torná-lo lutar por it8217s lugar contra genomas da mesma espécie. Desta forma, as espécies que se formam a partir de uma nova inovação topológica que pode não ter uma alta aptidão ainda devido a não ter pesos otimizados sobreviverão ao abate. Resumo de todo o processo Crie um conjunto de genomas com n genomas aleatórios Pegue cada genoma e aplique ao problema / simulação e calcule a aptidão do genoma Atribua cada genoma a uma espécie Em cada espécie, abate os genomas removendo alguns dos genomas mais fracos Genomas nas espécies para crossover ou mutate) Repita tudo o que foi dito acima Esta série de quatro partes irá explorar a NeuroEvolução de Aumento de Topologias (NEAT) algoritmo. Partes um e dois brevemente out-line o algoritmo e discutir os benefícios, parte três irá aplicá-lo para o problema de equilíbrio de pólo e, finalmente, parte 4 será aplicá-lo aos dados do mercado. Este algoritmo foi recentemente viral em um vídeo chamado MarI / O onde uma rede foi desenvolvida que foi capaz de completar o primeiro nível de super mario ver o vídeo abaixo. Normalmente, quando se opta por usar uma rede neural, eles têm que decidir quantas camadas ocultas existem, o número de neurônios em cada camada e quais conexões existem entre os neurônios. Dependendo da natureza do problema, pode ser muito difícil saber o que é uma topologia sensata. Uma vez que a topologia é escolhida, provavelmente será treinada usando back-propagação ou uma abordagem de evolução genética e testada. A abordagem de evolução genética é essencialmente pesquisar através do espaço de pesos de conexão e selecionar redes de alto desempenho e criá-las (isso é conhecido como evolução de topologia fixa). A abordagem acima encontra pesos de conexão ótimos, it8217s então para baixo para um 8220expert8221 para ajustar manualmente a topologia da rede em uma tentativa de iterativamente encontrar redes de melhor desempenho. Isso levou ao desenvolvimento de treinamento de topologia variável, onde tanto o espaço de conexão quanto o espaço de estrutura são explorados. Com isso veio uma série de problemas, como redes tornando-se incrivelmente espessa e complexa abrandar o processo de aprendizagem da máquina. Com as abordagens genéticas, foi difícil acompanhar mutações genéticas e estrutura de cruzamento de forma significativa. O algoritmo NEAT visa desenvolver um algoritmo genético que busca através de peso de rede neural e espaço de estrutura que tem as seguintes propriedades: Possuir representação genética que permite atravessar a estrutura de forma significativa Proteger as inovações topológicas que precisam de algumas evoluções para ser otimizado assim Que não desaparece prematuramente do pool genético Minimize as topologias ao longo do treinamento sem funções de penalização complexas de complexidade de rede especialmente desenhadas Um tratamento através do algoritmo pode ser encontrado no documento Evolving Neural Networks by Augmenting Topologies por Kenneth O. Stanley e Risto Miikkulainen (nn. cs. utexas. edu / downloads / papers / stanley. ec02.pdf). A informação sobre a rede é representada por um genoma, o genoma contém genes de nó e genes de ligação. Os genes do nó definem nós na rede, os nós podem ser entradas (como um indicador técnico), saídas (como uma recomendação de compra / venda) ou ocultos (usados pela rede para um cálculo). Os genes de conexão unem os nós na rede em conjunto e têm um peso ligado a eles. Os genes de ligação têm um nó de entrada, um nó de saída, um peso, um indicador activado / desactivado e um número de inovação. O número de inovação é usado para rastrear o histórico de uma evolução de genes e será explicado com mais detalhes na parte dois. Este post vai olhar para algumas das mutações que podem acontecer com a rede, vale a pena notar que cada genoma tem incorporado dentro de uma taxa de mutação para cada tipo de mutação que pode ocorrer. Estas taxas de mutação também são aleatoriamente aumentadas ou diminuídas à medida que a evolução progride. Randomly atualiza o peso de um gene de conexão selecionado aleatoriamente As atualizações são: Novo Peso Velho Peso / - Número aleatório entre 0 e genomeMutationRate8220Step8221 Novo Peso Número aleatório entre -2 e 2 Adiciona aleatoriamente uma nova conexão à rede com um peso aleatório entre - 2 e 2 Esta mutação adiciona um novo nó à rede desabilitando uma conexão, substituindo-a por uma conexão de peso 1, um nó e uma conexão com o mesmo peso que a conexão desativada. Em essência, ele foi substituído por um equivalente equivalente. Ativar Desativar Mutação Ativa e desativa conexões aleatoriamente Este post derivará as equações de movimento e simulará o clássico problema de controle de pêndulo invertido. Postagens subseqüentes aplicam aprendizagem de máquina para descobrir como controlar o pêndulo e mantê-lo no ar. Um vídeo da simulação pode ser encontrado em: A derivação da matemática segue a abordagem descrita no vídeo a seguir, no entanto eu decidi modelar o atrito entre o carrinho e pista. Carro Diagrama do corpo livre do carro Diagrama do corpo livre do pêndulo Resolver as forças nos diagramas do corpo livre e definir igual à sua aceleração Definição do sistema de coordenadas e A aceleração do pêndulo é a aceleração do carro mais a aceleração do pêndulo relativo Para o carrinho Converta o sistema de coordenadas de volta para o e componentes Substituir as acelerações na equação (1) e (2) É indesejável ter uma tensão desconhecida T para eliminar usando um truque. Substituir a equação (1) pela equação (0) Reorganizar a equação (6) e (5) dão as equações do sistema em variáveis mensuráveis conhecidas. Ambos os termos de aceleração e dependem um do outro que é indesejável, substitua a equação por na equação para remover A dependência O sistema pode ser simulado usando equações de atualização do Euler:
No comments:
Post a Comment