Algo Handelsstrategie

Grundlagen des algorithmischen Handels: Konzepte und Beispiele Ein Algorithmus ist ein spezifischer Satz von klar definierten Anweisungen, die darauf abzielen, eine Aufgabe oder einen Prozess durchzuführen. Algorithmischer Handel (automatisierte Handel, Black-Box-Handel oder einfach Algo-Trading) ist der Prozess der Verwendung von Computern programmiert, um eine definierte Reihe von Anweisungen für die Platzierung eines Handels zu folgen, um Gewinne mit einer Geschwindigkeit und Häufigkeit zu generieren, die für eine unmöglich ist Menschlicher Händler Die definierten Regelsätze basieren auf Timing, Preis, Menge oder einem mathematischen Modell. Neben den Gewinnchancen für den Händler macht algo-trading die Märkte liquider und macht den Handel systematischer, indem er emotionale menschliche Auswirkungen auf die Handelsaktivitäten ausübt. Angenommen, ein Trader folgt diesen einfachen Handelskriterien: Kaufen Sie 50 Aktien einer Aktie, wenn der 50-Tage-Gleitender Durchschnitt über den 200-Tage-Gleitender Durchschnitt geht. Teilen Sie Aktien der Aktie, wenn der 50-Tage-Gleitender Durchschnitt unter den 200-Tage-Gleitender Durchschnitt geht Mit diesem Satz von zwei einfachen Anweisungen ist es einfach, ein Computerprogramm zu schreiben, das automatisch den Aktienkurs (und die gleitenden durchschnittlichen Indikatoren) überwacht und die Kauf - und Verkaufsaufträge platziert, wenn die definierten Bedingungen erfüllt sind. Der Trader muss nicht mehr auf Live-Preise und Grafiken aufpassen oder die Aufträge manuell einlegen. Das algorithmische Handelssystem tut es automatisch für ihn, indem es die Handelsmöglichkeit korrekt identifiziert. (Für mehr über bewegte Durchschnitte siehe: Einfache Umzugsdurchschnitte machen Trends heraus.) Algo-Trading bietet folgende Vorteile: Trades, die zu den bestmöglichen Preisen ausgeführt werden Sofortige und genaue Trading-Platzierung (damit hohe Chancen auf Ausführung auf Wunsch) Trades Zeitlich abgestimmt und sofort, um signifikante Preisänderungen zu vermeiden Reduzierte Transaktionskosten (siehe Implementierungsfehlbetrag Beispiel unten) Gleichzeitige automatisierte Überprüfung auf mehrere Marktbedingungen Reduziertes Risiko von manuellen Fehlern bei der Platzierung der Trades Backtest der Algorithmus, basierend auf verfügbaren historischen und Echtzeitdaten Reduziert Möglichkeit von Fehlern von menschlichen Händlern, die auf emotionalen und psychologischen Faktoren basieren Der größte Teil des heutigen Algo-Handels ist der Hochfrequenzhandel (HFT), der versucht, eine große Anzahl von Aufträgen mit sehr schnellen Geschwindigkeiten über mehrere Märkte und mehrere Entscheidungen zu tätigen Parameter, basierend auf vorprogrammierten Anweisungen. (Zu mehr im Hochfrequenzhandel siehe: Strategien und Geheimnisse von High Frequency Trading (HFT) - Firmen) Algo-Trading wird in vielen Formen der Handels - und Investitionstätigkeit eingesetzt, darunter: mittel - bis langfristige Anleger oder Buy-Side-Unternehmen (Pensionsfonds) , Investmentfonds, Versicherungsgesellschaften), die in großen Mengen in Aktien kaufen, aber nicht die Aktienpreise mit diskreten, großvolumigen Investitionen beeinflussen wollen. Kurzfristige Händler und Verkaufsseitenteilnehmer (Market Maker, Spekulanten und Arbitrageure) profitieren von der automatisierten Handelsabwicklung darüber hinaus, Algo-Trading hilft bei der Schaffung von ausreichenden Liquidität für Verkäufer auf dem Markt. Systematische Händler (Trendfolger, Paar Trader, Hedgefonds etc.) finden es viel effizienter, ihre Handelsregeln zu programmieren und das Programm automatisch zu handeln. Der algorithmische Handel bietet einen systematischeren Ansatz für den aktiven Handel als Methoden, die auf einer menschlichen Trader-Intuition oder einem Instinkt basieren. Algorithmische Handelsstrategien Jede Strategie für den algorithmischen Handel erfordert eine identifizierte Chance, die in Bezug auf verbesserte Erträge oder Kostensenkungen rentabel ist. Im Folgenden werden gemeinsame Handelsstrategien verwendet, die im Algo-Trading verwendet werden: Die gängigsten algorithmischen Trading-Strategien folgen den Trends bei gleitenden Durchschnitten. Kanalausbrüche. Preisniveaubewegungen und zugehörige technische Indikatoren. Dies sind die einfachsten und einfachsten Strategien, um durch algorithmischen Handel zu implementieren, da diese Strategien keine Vorhersagen oder Preisvorhersagen beinhalten. Trades werden auf der Grundlage des Auftretens von wünschenswerten Trends initiiert. Die einfach und unkompliziert sind, um durch Algorithmen zu implementieren, ohne in die Komplexität der prädiktiven Analyse zu gelangen. Das oben genannte Beispiel von 50 und 200 Tage gleitenden Durchschnitt ist ein beliebter Trend nach Strategie. (Weitere Informationen zu Trendhandelsstrategien finden Sie unter: Einfache Strategien zur Aktivierung von Trends.) Der Kauf eines dualen Börsenplatzes zu einem niedrigeren Preis in einem Markt und der gleichzeitige Veräußerung zu einem höheren Preis in einem anderen Markt bietet die Preisdifferenz als risikofreier Gewinn Oder Arbitrage. Der gleiche Vorgang kann für Aktien gegen Futures-Instrumente repliziert werden, da Preisdifferenzen von Zeit zu Zeit existieren. Die Implementierung eines Algorithmus zur Identifizierung solcher Preisunterschiede und die Platzierung der Aufträge ermöglicht rentable Möglichkeiten in effizienter Weise. Index-Fonds haben Perioden des Neugewinns definiert, um ihre Bestände mit ihren jeweiligen Benchmark-Indizes in Einklang zu bringen. Dies schafft profitable Chancen für algorithmische Händler, die auf erwarteten Trades profitieren, die 20-80 Basispunkte Gewinne in Abhängigkeit von der Anzahl der Aktien im Indexfonds, kurz vor dem Indexfonds-Rebalancing anbieten. Solche Trades werden über algorithmische Handelssysteme für rechtzeitige Ausführung und beste Preise initiiert. Viele bewährte mathematische Modelle, wie die delta-neutrale Trading-Strategie, die den Handel auf Kombination von Optionen und deren zugrunde liegenden Sicherheit ermöglichen. Wo Trades gesetzt werden, um positive und negative Deltas zu versetzen, so dass das Portfolio-Delta auf Null gehalten wird. Die mittlere Reversionsstrategie basiert auf der Idee, dass die hohen und niedrigen Preise eines Vermögenswertes ein temporäres Phänomen sind, das periodisch auf ihren Mittelwert zurückkehrt. Identifizieren und Definieren einer Preisspanne und Implementierung von Algorithmen auf der Grundlage, dass Trades automatisch platziert werden, wenn der Preis von Asset Pausen in und aus seinem definierten Bereich. Die volumengewichtete durchschnittliche Preisstrategie zerbricht einen großen Auftrag und gibt dynamisch bestimmte kleinere Stücke des Auftrags auf den Markt mit Aktienspezifischen historischen Volumenprofilen frei. Ziel ist es, den Auftrag in der Nähe des volumengewichteten Durchschnittspreises (VWAP) auszuführen und damit zu einem durchschnittlichen Preis zu profitieren. Die zeitgewichtete durchschnittliche Preisstrategie zerbricht einen großen Auftrag und gibt dynamisch bestimmte kleinere Stücke des Auftrags auf den Markt mit gleichmäßig geteilten Zeitschlitzen zwischen Start - und Endzeit frei. Ziel ist es, den Auftrag in der Nähe des Durchschnittspreises zwischen Start - und Endzeiten auszuführen und damit die Markteinwirkung zu minimieren. Bis der Trade Order vollständig ausgefüllt ist, fährt dieser Algorithmus fort, Teilaufträge zu senden, entsprechend der definierten Beteiligungsquote und nach dem Volumen, das auf den Märkten gehandelt wird. Die zugehörige Schrittstrategie sendet Aufträge zu einem benutzerdefinierten Prozentsatz des Marktvolumens und erhöht oder verringert diese Erwerbsquote, wenn der Aktienkurs benutzerdefinierte Werte erreicht. Die Implementierungs-Defizitstrategie zielt darauf ab, die Ausführungskosten eines Auftrags durch den Handel auf dem Echtzeitmarkt zu minimieren und dadurch die Kosten der Bestellung zu senken und von den Opportunitätskosten der verzögerten Ausführung zu profitieren. Die Strategie wird die gezielte Erwerbsquote erhöhen, wenn sich der Aktienkurs günstig bewegt und abnimmt, wenn sich der Aktienkurs negativ bewegt. Es gibt ein paar spezielle Klassen von Algorithmen, die versuchen, Ereignisse auf der anderen Seite zu identifizieren. Diese Sniffing-Algorithmen, die zum Beispiel von einem Sell-Side-Market-Maker verwendet werden, haben die eingebaute Intelligenz, um die Existenz von Algorithmen auf der Kaufseite eines großen Auftrags zu identifizieren. Solche Erkennung durch Algorithmen wird dem Marktmacher dabei helfen, große Auftragsmöglichkeiten zu identifizieren und ihm zu ermöglichen, durch die Besetzung der Aufträge zu einem höheren Preis zu profitieren. Dies wird manchmal als Hightech-Frontlauf bezeichnet. (Für mehr auf High-Frequenz-Handel und betrügerische Praktiken, siehe: Wenn Sie Aktien kaufen Online, sind Sie in HFTs beteiligt.) Technische Voraussetzungen für Algorithmic Trading Die Umsetzung der Algorithmus mit einem Computer-Programm ist der letzte Teil, Clubbed mit Backtesting. Die Herausforderung besteht darin, die identifizierte Strategie in einen integrierten computergestützten Prozess umzuwandeln, der Zugang zu einem Handelskonto für die Platzierung von Aufträgen hat. Folgende werden benötigt: Computerprogrammierkenntnisse zur Programmierung der geforderten Handelsstrategie, angepasste Programmierer oder vorgefertigte Trading-Software Netzwerkkonnektivität und Zugriff auf Handelsplattformen für die Platzierung der Aufträge Der Zugriff auf Marktdaten-Feeds, die vom Algorithmus für die Möglichkeit der Platzierung überwacht werden Aufträge Die Fähigkeit und die Infrastruktur, das System einmalig zu testen, bevor es auf echten Märkten geht Erhältlich historische Daten für das Backtesting, abhängig von der Komplexität der im Algorithmus implementierten Regeln Hier ist ein umfassendes Beispiel: Royal Dutch Shell (RDS) ist in Amsterdam aufgeführt Börse (AEX) und Londoner Börse (LSE). Lets bauen einen Algorithmus, um Arbitrage-Möglichkeiten zu identifizieren. Hier sind einige interessante Beobachtungen: AEX handelt in Euro, während LSE in Pfund Sterling pflegt. Aufgrund der einstündigen Zeitdifferenz eröffnet AEX eine Stunde früher als LSE, gefolgt von beiden Börsen, die gleichzeitig für die nächsten Stunden handeln und dann nur in LSE handeln Die letzte Stunde als AEX schließt können wir die Möglichkeit der Arbitrage Handel auf der Royal Dutch Shell Aktie auf diesen beiden Märkten in zwei verschiedenen Währungen gelistet ein Computer-Programm, das aktuelle Marktpreise lesen können Preis Feeds von sowohl LSE und AEX A Forex Rate Feed für GBP-EUR Umrechnungskurs Bestellen von Platzierungsmöglichkeiten, die den Auftrag an den richtigen Austausch weiterleiten können Back-Testing-Fähigkeit zu historischen Preisfuttermitteln Das Computerprogramm sollte folgendes ausführen: Lesen Sie den eingehenden Preisvorschub der RDS-Aktie von beiden Börsen unter Verwendung der verfügbaren Wechselkurse . Umwandlung des Preises einer Währung in andere Wenn es eine ausreichend große Preisdiskrepanz (Abzinsung der Vermittlungskosten) gibt, die zu einer gewinnbringenden Gelegenheit führt, dann legen Sie den Kaufauftrag auf niedrigeren Preisvermittlungs - und Verkaufsauftrag auf höherer Preisvermittlung Wenn die Aufträge als ausgeführt werden Gewünscht, wird die Arbitrage Gewinn folgen Simple und Easy Allerdings ist die Praxis der algorithmischen Handel ist nicht so einfach zu pflegen und auszuführen. Denken Sie daran, wenn Sie einen Algo-generierten Handel platzieren können, so können die anderen Marktteilnehmer. Infolgedessen schwanken die Preise in Milli - und sogar Mikrosekunden. In dem obigen Beispiel, was passiert, wenn Ihr Kaufhandel ausgeführt wird, aber verkaufen Handel nicht als die Verkaufspreise ändern sich um die Zeit Ihre Bestellung trifft den Markt Sie werden am Ende sitzen mit einer offenen Position. Ihre Arbitrage-Strategie wertlos machen. Es gibt zusätzliche Risiken und Herausforderungen: z. B. Systemausfallrisiken, Netzwerkverbindungsfehler, Zeitverzögerungen zwischen Handelsaufträgen und Ausführung und vor allem unvollständige Algorithmen. Je komplexer ein Algorithmus ist, desto strengeres Backtesting ist nötig, bevor es in die Tat umgesetzt wird. Die quantitative Analyse einer Algorithmen-Performance spielt eine wichtige Rolle und sollte kritisch untersucht werden. Es ist spannend, für die Automatisierung zu helfen, die von Computern mit einer Vorstellung geboten wird, um mühelos Geld zu verdienen. Aber man muss sicherstellen, dass das System gründlich getestet ist und die erforderlichen Grenzwerte festgelegt sind. Analytische Händler sollten überlegen, Programmierung und Gebäude-Systeme auf eigene Faust zu lernen, um sicher zu sein, die Umsetzung der richtigen Strategien in narrensicherer Weise zu sein. Der vorsichtige Gebrauch und die gründliche Prüfung von algo-trading können rentable Chancen schaffen. Eine ökonomische Theorie der Gesamtausgaben in der Wirtschaft und ihre Auswirkungen auf die Produktion und Inflation. Keynesianische Wirtschaft wurde entwickelt. Ein Bestand eines Vermögenswerts in einem Portfolio. Eine Portfolioinvestition erfolgt mit der Erwartung, eine Rendite zu erzielen. Dies. Ein von Jack Treynor entwickeltes Verhältnis, das die Erträge übertrifft, die über das hinausgekommen sind, was im risikolosen verdient werden könnte. Der Rückkauf ausstehender Aktien (Rückkauf) durch eine Gesellschaft, um die Anzahl der Aktien auf dem Markt zu reduzieren. Firmen. Eine Steuererstattung ist eine Erstattung für Steuern, die an eine Einzelperson oder einen Haushalt gezahlt werden, wenn die tatsächliche Steuerpflicht weniger als der Betrag ist. Der monetäre Wert aller fertiggestellten Waren und Dienstleistungen, die innerhalb eines Landes erstellt wurden, grenzt in einer bestimmten Zeitspanne.8 Arten von Algorithmischen Forex Strategien Vor 2 Jahren geschrieben 12:10 AM 12 November 2014 2 Kommentare Wie versprochen, heres der nächste Teil meiner Serie Auf algorithmischen Forex Trading Systemen. Stellen Sie sicher, dass Sie sich den ersten Teil auf, was Sie wissen müssen über Algo FX Trading vor dem Lesen auf diesem Trading-Ansatz in der Regel appelliert an diejenigen, die schauen, um zu beseitigen oder zu reduzieren menschlichen emotionalen Eingriff in die Entscheidungsfindung zu treffen. Immerhin können Kauf - oder Verkaufssignale mit einem programmierten Satz von Anweisungen erzeugt und direkt auf Ihrer Handelsplattform ausgeführt werden. Amazeballs Heres mein Geld Wo schreibe ich Halten Sie Ihre Pferde, junge Padawan Setzen Sie Ihre hart verdienten Geld zurück in Ihre Brieftasche und verbringen ein wenig mehr Zeit Verständnis algorithmischen Handel zuerst. Um anzufangen, werfen wir einen Blick auf die verschiedenen Klassifikationen dieses Handelsansatzes. Algorithmische Handelsstrategien Es gibt acht Hauptarten des Algo-Handels, die auf den verwendeten Strategien basieren. Ziemlich überwältigend, huh Natürlich können Sie diese Strategien auch mischen und abgleichen, was so viele Kombinationsmöglichkeiten liefert. Eine der einfachsten Strategien ist einfach, Markttrends zu folgen, mit Kauf - oder Verkaufsaufträgen, die auf einer Reihe von Bedingungen basieren, die durch technische Indikatoren erfüllt werden. Diese Strategie kann auch historische und aktuelle Daten in der Vorhersage vergleichen, ob Trends wahrscheinlich weitergehen oder rückgängig machen werden. Eine weitere grundlegende Art von Algo-Handelsstrategie ist das mittlere Reversions-System, das unter der Annahme arbeitet, dass die Märkte 80 der Zeit reichen. Black-Boxen, die diese Strategie verwenden, berechnen typischerweise einen durchschnittlichen Vermögenspreis mit historischen Daten und nehmen Berufe in Erwartung des aktuellen Preises, der zum Durchschnittspreis zurückkehrt. Immer versuchen, die Nachrichten zu handeln. Nun, diese Strategie kann es für Sie tun Ein News-basiertes algorithmisches Trading-System ist in der Regel an News-Drähte gehakt, automatisch generieren Handelssignale je nachdem, wie sich die tatsächlichen Daten im Vergleich zum Marktkonsensus oder den vorherigen Daten ausmachen. Wie Sie in unserem Schulunterricht auf Marktstimmung gelernt haben. Kommerzielle und nicht-kommerzielle Positionierung kann auch verwendet werden, um Markt-Tops und Böden zu lokalisieren. Forex Algo-Strategien, die auf Marktstimmung basieren, können die Verwendung des COT-Berichts oder eines Systems beinhalten, das extreme Netto-Short - oder Long-Positionen erkennt. Moderne Ansätze sind auch in der Lage, Social Media Netzwerke zu scannen, um Währungsvorurteile zu messen. Jetzt heres, wo es ein wenig komplizierter als üblich wird. Die Verwendung von Arbitrage im algorithmischen Handel bedeutet, dass das System auf Preis-Ungleichgewichte über verschiedene Märkte hinaus jagt und davon profitiert. Da die Forex-Preisunterschiede in der Regel Mikropips sind, müssen Sie wirklich große Positionen handeln, um erhebliche Gewinne zu erzielen. Dreieckige Arbitrage, die zwei Währungspaare und eine Währungskreuzung zwischen den beiden beinhaltet, ist auch eine beliebte Strategie unter dieser Klassifikation. 6. Hochfrequenzhandel Wie der Name schon sagt, arbeitet diese Art von Handelssystem mit blitzschnellen Geschwindigkeiten, führt Kauf oder Verkauf von Signalen und schließt Trades in einer Angelegenheit von Millisekunden. Diese verwenden typischerweise Arbitrage - oder Scalping-Strategien, die auf schnellen Preisschwankungen basieren und hohe Handelsvolumina beinhalten. Dies ist eine Strategie von großen Finanzinstituten, die sehr geheimnisvoll über ihre Forex-Positionen sind. Anstatt eine riesige lange oder kurze Position mit nur einem Makler zu platzieren, brechen sie ihre Geschäfte in kleinere Positionen auf und führen diese unter verschiedenen Brokern aus. Ihr Algorithmus kann sogar ermöglichen, dass diese kleineren Handelsaufträge zu unterschiedlichen Zeiten platziert werden, um andere Marktteilnehmer davon abzuhalten, herauszufinden. Auf diese Weise können Finanzinstitute unter normalen Marktbedingungen ohne plötzliche Preisschwankungen Geschäfte durchführen. Einzelhandelshändler, die das Handelsvolumen verfolgen, können nur die Spitze des Eisbergs sehen, wenn es um diese großen Trades geht. Wenn Sie denken, dass Eisberg ist hinterlistig, dann ist die Stealth-Strategie sogar schleichender Eisberging war eine so übliche Praxis in den letzten Jahren, dass Hardcore-Marktbeobachter in der Lage waren, in diese Idee zu hacken und kommen mit einem Algorithmus, um diese kleineren Aufträge zusammenzustellen Herauszufinden, ob ein großer Marktspieler hinter all dem steht. Wie Sie vermutlich vermutet haben, dauert es einen soliden Hintergrund in der Finanzmarktanalyse und Computerprogrammierung, um in der Lage zu sein, solche anspruchsvollen Handelsalgorithmen zu entwerfen. Quantitative Analysten oder Quants werden typischerweise in C-, C - oder Java-Programmierung geschult, bevor sie mit algorithmischen Handelssystemen kommen können. Lassen Sie sich nicht davon abhalten, dass Sie die ersten drei oder vier Arten von algorithmischen Handelsstrategien sollten Ihnen schon sehr vertraut sein, wenn Sie schon seit längerer Zeit handeln oder wenn Sie ein fleißiger Student in unserer Schule der Pipsologie waren. Bleiben Sie für den nächsten Teil dieser Serie, wie ich es vorhaben, Sie auf die neuesten Entwicklungen und die Zukunft des algorithmischen FX Trading zu lassen. Bis zur nächsten WocheCreate Your Own Forex Indikatoren Haben Sie Ihren eigenen Indikator erstellt Jetzt können Sie unsere Marketscope Indicore SDK herunterladen, um Ihre Strategie zu debuggen und zu backtest. Marketscope Indicore Marketscope Indicore ist ideal für die gängigsten API-Bedürfnisse, speziell für den algorithmischen Handel entwickelt. Es ist am besten für Backtesting und Strategie-Optimierung, wenn youre Aufbau Ihrer eigenen Trading-Strategie. Vorgefertigte Open Source Strategien (15) und Indikatoren (53) Freie Daten zu mehr als 80 Instrumenten über 40 Monate Daten Eine vollständige Palette von Auftragsarten, einschließlich Markt-, Grenz-, Stop - und Stop-Limit-Aufträgen Getting Started Schon jetzt ein FXCM-Konto Ein FXCM-Konto, einschließlich kostenloser Übungskonto8212no minimale Balance erforderlich Ein IDE - oder Texteditor, der LUA (dh SciTE) ausführt Wie man algorithmische Handelsstrategien identifiziert In diesem Artikel möchte ich euch die Methoden vorstellen, mit denen ich selbst profitable algorithmische Handelsstrategien identifiziere. Unser Ziel ist es heute, detailliert zu verstehen, wie man solche Systeme findet, auswertet und auswählt. Ill erklären, wie Identifizierungsstrategien so viel über persönliche Präferenz ist, wie es um Strategie-Performance geht, wie man die Art und Menge der historischen Daten für die Prüfung, wie man leichte Bewertung einer Handelsstrategie und schließlich, wie man auf die Backtesting-Phase und Strategie Umsetzung zu bestimmen . Identifizieren Sie Ihre eigenen persönlichen Vorlieben für den Handel Um ein erfolgreicher Trader zu sein - entweder diskretional oder algorithmisch - ist es notwendig, sich einige ehrliche Fragen zu stellen. Trading bietet Ihnen die Möglichkeit, Geld zu verlieren mit einer alarmierenden Rate, so ist es notwendig, wissen Sie sich so viel wie es notwendig ist, um Ihre gewählte Strategie zu verstehen. Ich würde sagen, die wichtigste Überlegung im Handel ist sich Ihrer eigenen Persönlichkeit bewusst. Handel, und algorithmischen Handel im Besonderen erfordert ein erhebliches Maß an Disziplin, Geduld und emotionale Loslösung. Da Sie einen Algorithmus durchführen lassen Sie Ihren Handel für Sie, ist es notwendig, gelöst werden, um nicht mit der Strategie zu stören, wenn es ausgeführt wird. Dies kann sehr schwierig sein, vor allem in Zeiten der erweiterten Drawdown. Allerdings können viele Strategien, die sich in einem Backtest als sehr profitabel erwiesen haben, durch einfache Interferenz zerstört werden. Verstehen Sie, dass, wenn Sie in die Welt des algorithmischen Handels eintreten wollen, Sie emotional getestet werden und dass, um erfolgreich zu sein, es notwendig ist, diese Schwierigkeiten zu durcharbeiten. Die nächste Betrachtung ist eine der Zeit. Haben Sie einen Vollzeit-Job Haben Sie Teilzeit arbeiten Arbeiten Sie von zu Hause aus oder haben eine lange pendeln jeden Tag Diese Fragen werden dazu beitragen, die Häufigkeit der Strategie, die Sie suchen sollten. Für diejenigen von Ihnen in Vollzeitbeschäftigung kann eine Intraday-Futures-Strategie nicht angemessen sein (zumindest bis es vollständig automatisiert ist). Ihre zeitlichen Einschränkungen werden auch die Methodik der Strategie diktieren. Wenn Ihre Strategie häufig gehandelt wird und auf teure News-Feeds (wie ein Bloomberg-Terminal) angewiesen ist, müssen Sie eindeutig realistisch sein über Ihre Fähigkeit, diese erfolgreich im Büro zu führen. Für diejenigen von Ihnen mit viel Zeit oder den Fähigkeiten Um Ihre Strategie zu automatisieren, können Sie in eine technischere Hochfrequenz-Handel (HFT) Strategie zu suchen. Mein Glaube ist, dass es notwendig ist, kontinuierliche Forschung in Ihre Handelsstrategien durchzuführen, um ein durchweg profitable Portfolio zu erhalten. Wenige Strategien bleiben unter dem Radar für immer. Daher wird ein erheblicher Teil der Zeit, die dem Handel zugewiesen wird, die laufende Forschung durchführen. Fragen Sie sich, ob Sie bereit sind, dies zu tun, da es der Unterschied zwischen einer starken Rentabilität oder einem langsamen Rückgang der Verluste sein kann. Sie müssen auch Ihr Handelskapital betrachten. Der allgemein akzeptierte ideale Mindestbetrag für eine quantitative Strategie beträgt 50.000 USD (ca. 35.000 für uns in Großbritannien). Wenn ich wieder anfange, würde ich mit einem größeren Betrag beginnen, vermutlich näher 100.000 USD (ca. 70.000). Dies liegt daran, dass die Transaktionskosten für Mid - und High-Frequenz-Strategien extrem teuer sein können und es notwendig ist, genügend Kapital zu haben, um sie in Zeiten des Drawdowns aufzunehmen. Wenn Sie erwägen, mit weniger als 10.000 USD beginnen, dann müssen Sie sich auf Niederfrequenz-Strategien beschränken, den Handel in ein oder zwei Vermögenswerte, wie Transaktionskosten schnell in Ihre Renditen zu essen. Interactive Brokers, die einer der freundlichsten Broker für diejenigen mit Programmierkenntnissen ist, aufgrund seiner API, hat ein Retail-Konto mindestens 10.000 USD. Programmierfertigkeit ist ein wichtiger Faktor bei der Erstellung einer automatisierten algorithmischen Handelsstrategie. Kenntnisse in einer Programmiersprache wie C, Java, C, Python oder R ermöglichen es Ihnen, die End-to-End-Datenspeicherung, Backtest-Engine und Ausführungs-System selbst zu erstellen. Dies hat eine Reihe von Vorteilen, deren Chef die Fähigkeit ist, sich ganz auf alle Aspekte der Handelsinfrastruktur zu verlassen. Es erlaubt Ihnen auch, die höheren Frequenzstrategien zu erforschen, da Sie die volle Kontrolle über Ihren Technologie-Stack haben werden. Während dies bedeutet, dass Sie Ihre eigene Software testen und Bugs beseitigen können, bedeutet dies auch mehr Zeit für die Codierung der Infrastruktur und weniger bei der Umsetzung von Strategien, zumindest im früheren Teil Ihrer Algo Trading Karriere. Sie können feststellen, dass Sie bequem handeln in Excel oder MATLAB und können die Entwicklung von anderen Komponenten auslagern. Ich würde das aber nicht empfehlen, besonders für diejenigen, die mit hoher Frequenz handeln. Sie müssen sich fragen, was Sie hoffen, durch algorithmischen Handel zu erreichen. Sind Sie an einem regelmäßigen Einkommen interessiert, womit Sie hoffen, Einnahmen aus Ihrem Handelskonto zu ziehen, oder sind Sie an einem langfristigen Kapitalgewinn interessiert und können sich leisten, ohne die Notwendigkeit, Drawdown-Fonds zu handeln. Die Einkommensabhängigkeit wird die Häufigkeit Ihrer Strategie diktieren . Mehr regelmäßige Einkommensabhebungen erfordern eine höhere Frequenzhandelsstrategie mit geringerer Volatilität (d. h. ein höheres Sharpe-Verhältnis). Langfristige Händler können sich eine sedierte Handelshäufigkeit leisten. Schließlich wird nicht durch die Vorstellung, extrem reichen in einer kurzen Zeitspanne täuschen Algo Handel ist nicht ein get-reich-schnelles Schema - wenn überhaupt, kann es ein mut-arm-schnelles System sein. Es dauert erhebliche Disziplin, Forschung, Sorgfalt und Geduld, um bei algorithmischen Handel erfolgreich zu sein. Es kann Monate dauern, wenn nicht Jahre, um eine gleichbleibende Rentabilität zu erzielen. Sourcing Algorithmic Trading Ideas Trotz gemeinsamer Wahrnehmungen im Gegenteil, ist es eigentlich ganz einfach, profitable Handelsstrategien im öffentlichen Bereich zu finden. Niemals haben Handelsideen mehr verfügbar als heute. Akademische Finanzjournale, Pre-Print-Server, Trading-Blogs, Trading-Foren, wöchentliche Trading-Magazine und Fachtexte bieten Tausende von Trading-Strategien, mit denen Sie Ihre Ideen auf. Unser Ziel als quantitative Handel Forscher ist es, eine Strategie-Pipeline, die uns mit einem Strom von laufenden Handel Ideen zu etablieren. Idealerweise wollen wir einen methodischen Ansatz für die Beschaffung, Bewertung und Umsetzung von Strategien schaffen, auf die wir stoßen. Die Ziele der Pipeline sind es, eine konsequente Menge an neuen Ideen zu generieren und uns einen Rahmen für die Ablehnung der Mehrheit dieser Ideen mit dem Minimum an emotionaler Betrachtung zu geben. Wir müssen sehr sorgfältig darauf achten, dass kognitive Vorurteile unsere Entscheidungsfindungsmethode nicht beeinflussen. Das könnte so einfach sein wie eine Vorliebe für eine Assetklasse über eine andere (Gold und andere Edelmetalle in den Sinn kommen), weil sie als exotisch wahrgenommen werden. Unser Ziel ist es immer, konsequent profitable Strategien zu finden, mit positiver Erwartung. Die Wahl der Anlageklasse sollte auf anderen Überlegungen beruhen, wie z. B. Handelskapitalbeschränkungen, Maklergebühren und Leverage-Fähigkeiten. Wenn Sie mit dem Konzept einer Handelsstrategie völlig vertraut sind, dann ist der erste Ort, um zu sehen, mit etablierten Lehrbüchern. Klassische Texte bieten eine breite Palette von einfacheren, einfacheren Ideen, mit denen Sie sich mit dem quantitativen Handel vertraut machen können. Hier ist eine Auswahl, die ich für diejenigen, die neu sind, um quantitativen Handel, die allmählich anspruchsvoller werden, wie Sie durch die Liste arbeiten: Für eine längere Liste der quantitativen Trading-Bücher, besuchen Sie bitte die QuantStart Leseliste. Der nächste Ort, um anspruchsvollere Strategien zu finden, ist mit Handelsforen und Handelsblogs. Allerdings ist ein Hinweis der Vorsicht: Viele Trading-Blogs verlassen sich auf das Konzept der technischen Analyse. Die technische Analyse beinhaltet die Verwendung von Basisindikatoren und Verhaltenspsychologie, um Trends oder Umkehrmuster in den Vermögenspreisen festzulegen. Trotz der äußerst beliebten im gesamten Handelsplatz, ist die technische Analyse als etwas ineffektiv in der quantitativen Finanz-Community. Manche haben vorgeschlagen, dass es nicht besser ist, ein Horoskop zu lesen oder Teeblätter in Bezug auf seine prädiktive Kraft zu studieren. In Wirklichkeit gibt es erfolgreiche Personen, die technische Analyse anwenden. Doch als Quants mit einer anspruchsvolleren mathematischen und statistischen Toolbox zur Verfügung stehen, können wir die Effektivität solcher TA-basierten Strategien leicht auswerten und datenbasierte Entscheidungen treffen und nicht auf emotionale Überlegungen oder Vorurteile stützen. Hier ist eine Liste von gut respektierten algorithmischen Trading-Blogs und Foren: Sobald Sie einige Erfahrung bei der Bewertung einfacher Strategien gehabt haben, ist es Zeit, die anspruchsvolleren akademischen Angebote zu betrachten. Einige akademische Zeitschriften werden schwer zugänglich sein, ohne hohe Abonnements oder einmalige Kosten. Wenn Sie ein Mitglied oder ein Absolvent einer Universität sind, sollten Sie in der Lage sein, Zugang zu einigen dieser finanziellen Zeitschriften zu erhalten. Andernfalls können Sie sich auf Pre-Print-Servern schauen. Die Internet-Repositories der späten Entwürfe von akademischen Papieren, die sich in Peer-Review. Da wir uns nur für Strategien interessieren, die wir erfolgreich replizieren, backtest und Profitabilität erhalten kann, ist für uns ein Peer-Review von geringerer Bedeutung. Der wichtigste Nachteil der akademischen Strategien ist, dass sie oft entweder veraltet sein können, erfordern obskure und teure historische Daten, den Handel mit illiquiden Vermögensklassen oder nicht in Gebühren, Schlupf oder Spread. Es kann auch unklar sein, ob die Handelsstrategie mit Marktaufträgen, Limit Orders oder ob es Stop-Stress etc. enthält. So ist es absolut notwendig, die Strategie selbst so gut wie möglich zu replizieren, backtest es und fügen Sie realistische Transaktion hinzu Kosten, die so viele Aspekte der Asset-Klassen enthalten, die Sie handeln möchten. Hier ist eine Liste der beliebtesten Pre-Print-Server und Finanz-Zeitschriften, die Sie Ideen aus: Was ist mit der Bildung Ihrer eigenen quantitativen Strategien Dies erfordert in der Regel ( Aber nicht beschränkt auf) Fachwissen in einer oder mehreren der folgenden Kategorien: Marktmikrostruktur - Insbesondere für höhere Frequenzstrategien kann man Marktmikrostruktur nutzen. D. h. das Verständnis der Auftragsbuchdynamik, um die Rentabilität zu erzielen. Verschiedene Märkte haben verschiedene technologische Einschränkungen, Vorschriften, Marktteilnehmer und Zwänge, die alle offen für die Ausbeutung über spezifische Strategien sind. Dies ist ein sehr anspruchsvoller Bereich und Einzelhandels-Praktiker finden es schwer, in diesem Raum wettbewerbsfähig zu sein, zumal der Wettbewerb große, gut kapitalisierte quantitative Hedgefonds mit starken technologischen Fähigkeiten umfasst. Fondsstruktur - Pooled Investmentfonds wie Pensionskassen, Private Investment Partnerschaften (Hedgefonds), Rohstoffhandelsberater und Investmentfonds sind sowohl durch eine starke Regulierung als auch durch ihre großen Kapitalrücklagen eingeschränkt. So können gewisse konsequente Verhaltensweisen mit denen, die mehr flink sind, ausgenutzt werden. Zum Beispiel sind große Fonds aufgrund ihrer Größe Kapazitätsengpässen unterworfen. Wenn sie also eine Menge von Wertpapieren schnell entladen (verkaufen) müssen, müssen sie sie umtauschen, um den Markt zu vermeiden. Ausgefeilte Algorithmen können dies nutzen, und andere Idiosynkrasien, in einem allgemeinen Prozess als Fondsstruktur Arbitrage bekannt. Machine learningartificial Intelligence - Maschinelle Lernalgorithmen sind in den letzten Jahren in den Finanzmärkten häufiger geworden. Klassifikatoren (wie z. B. Naive-Bayes et al.) Nichtlineare Funktionsvergleicher (neuronale Netze) und Optimierungsroutinen (genetische Algorithmen) wurden alle zur Vorhersage von Vermögenspfaden oder zur Optimierung von Handelsstrategien verwendet. Wenn Sie einen Hintergrund in diesem Bereich haben, können Sie einen Einblick darüber haben, wie bestimmte Algorithmen auf bestimmte Märkte angewendet werden könnten. Es gibt natürlich viele andere Bereiche für Quants zu untersuchen. Nun diskutieren, wie man mit kundenspezifischen Strategien im Detail in einem späteren Artikel kommen. Indem Sie diese Quellen auf einer wöchentlichen oder sogar täglichen Basis weiter überwachen, setzen Sie sich auf eine konsistente Liste von Strategien aus einer Vielzahl von Quellen. Der nächste Schritt ist, zu bestimmen, wie man eine große Teilmenge dieser Strategien ablehnt, um zu minimieren, um Ihre Zeit zu verschwenden und Backtesting Ressourcen auf Strategien, die wahrscheinlich unrentabel sind. Auswertung von Handelsstrategien Die erste und wohl offensichtlichste Betrachtung ist, ob Sie die Strategie tatsächlich verstehen. Würden Sie in der Lage sein, die Strategie prägnant zu erklären, oder verlangt es eine Reihe von Vorbehalten und endlosen Parameterlisten. Darüber hinaus hat die Strategie eine gute, solide Basis in der Realität. Zum Beispiel könnten Sie auf eine Verhaltensgrundlage oder eine Fondsstrukturbeschränkung hinweisen Könnte das Muster veranlassen, das du ausprobieren möchtest Wäre diese Einschränkung auf einen Regimewechsel zurückzuführen, wie zB eine dramatische Regulierungsumfeldstörung Ist die Strategie auf komplexe statistische oder mathematische Regeln angewiesen Ist es für jede finanzielle Zeitreihe oder gilt Es ist spezifisch für die Asset-Klasse, dass es behauptet wird, profitabel zu sein Sie sollten ständig über diese Faktoren bei der Bewertung neuer Trading-Methoden denken, sonst können Sie verschwenden eine beträchtliche Menge an Zeit versuchen, Backtest und optimieren unrentable Strategien. Sobald Sie festgestellt haben, dass Sie die Grundprinzipien der Strategie verstehen, müssen Sie entscheiden, ob es mit Ihrem vorgenannten Persönlichkeitsprofil passt. Dies ist nicht so vage eine Überlegung, wie es klingt Strategien unterscheiden sich erheblich in ihren Leistungsmerkmalen. Es gibt bestimmte Persönlichkeitstypen, die mehr bedeutende Perioden des Drawdowns behandeln können oder bereit sind, ein größeres Risiko für eine größere Rendite zu akzeptieren. Trotz der Tatsache, dass wir als Quants versuchen und so viel kognitive Vorurteile wie möglich zu beseitigen und in der Lage sein werden, eine Strategie leidenschaftslos zu bewerten, werden die Bias immer kriechen. So brauchen wir ein konsequentes, emotionales Mittel, um die Performance von Strategien zu beurteilen . Hier ist die Liste der Kriterien, die ich beurteile, eine potenzielle neue Strategie durch: Methodik - Ist die Strategie Momentum basiert, mittler-reverting, marktneutral, direktional Ist die Strategie auf anspruchsvolle (oder komplexe) statistische oder maschinelle Lerntechniken, die hart sind, Zu verstehen und zu erfordern ein PhD in Statistik zu erfassen Haben diese Techniken eine signifikante Menge von Parametern, die zu Optimierung Bias führen könnte, ist die Strategie wahrscheinlich einem Regimewechsel standhalten (dh potenzielle neue Regulierung der Finanzmärkte) Sharpe Ratio - Die Sharpe Ratio Heuristisch charakterisiert das Rewardrisk-Verhältnis der Strategie. Es quantifiziert, wie viel Rendite Sie für die Volatilität erreichen können, die durch die Eigenkapitalkurve ausgehalten wird. Natürlich müssen wir die Periode und die Häufigkeit bestimmen, die diese Rückkehr und die Volatilität (d. h. Standardabweichung) gemessen werden. Eine höhere Frequenzstrategie erfordert eine größere Abtastrate der Standardabweichung, aber eine kürzere Gesamtzeitdauer der Messung, zum Beispiel. Hebelwirkung - Benötigt die Strategie eine beträchtliche Hebelwirkung, um rentabel zu sein Ist die Strategie die Verwendung von Leveraged Derivat-Verträgen (Futures, Optionen, Swaps) erforderlich, um eine Rendite zu erzielen. Diese Leveraged-Verträge können eine schwere Volatilität aufweisen und somit leicht führen Margin Anrufe. Haben Sie das Handelskapital und das Temperament für diese Volatilität Häufigkeit - Die Häufigkeit der Strategie ist eng mit Ihrem Technologie-Stack (und damit technologischem Know-how) verbunden, der Sharpe-Ratio und dem Gesamtbetrag der Transaktionskosten. Alle anderen Fragen, höhere Frequenzstrategien erfordern mehr Kapital, sind anspruchsvoller und schwerer zu implementieren. Allerdings, vorausgesetzt, Ihr Backtesting-Engine ist anspruchsvoll und bug-frei, haben sie oft weit höhere Sharpe-Ratios. Volatilität - Volatilität ist stark auf das Risiko der Strategie bezogen. Das Sharpe-Verhältnis charakterisiert dies. Eine höhere Volatilität der zugrunde liegenden Anlageklassen, wenn sie nicht gesichert ist, führt häufig zu einer höheren Volatilität in der Eigenkapitalkurve und damit zu kleineren Sharpe-Verhältnissen. Ich gehe natürlich davon aus, dass die positive Volatilität etwa gleich der negativen Volatilität ist. Einige Strategien können eine größere Abwärtsvolatilität aufweisen. Sie müssen sich dieser Attribute bewusst sein. WinLoss, Average ProfitLoss - Strategien unterscheiden sich in ihrem Winloss und den durchschnittlichen Gewinncharakteristiken. Man kann eine sehr profitable Strategie haben, auch wenn die Anzahl der verlorenen Trades die Anzahl der Siegesserie übersteigt. Momentum-Strategien neigen dazu, dieses Muster zu haben, da sie sich auf eine kleine Anzahl von großen Hits verlassen, um rentabel zu sein. Mittlere Reversionsstrategien neigen dazu, gegensätzliche Profile zu haben, wo mehr der Trades Gewinner sind, aber die verlorenen Trades können ziemlich schwer sein. Maximaler Drawdown - Der maximale Drawdown ist der größte Gesamt-Peak-to-Trog-Prozentsatz, der auf der Eigenkapitalkurve der Strategie liegt. Momentum Strategien sind bekannt, um von Perioden von erweiterten Drawdowns (aufgrund einer Reihe von vielen inkrementellen verlieren Trades) zu leiden. Viele Händler werden in Zeiten des ausgedehnten Drawdowns aufgeben, auch wenn historische Tests vorgeschlagen haben, dass dies geschäftlich wie üblich für die Strategie ist. Sie müssen bestimmen, welcher Prozentsatz des Drawdowns (und über welchen Zeitraum) Sie akzeptieren können, bevor Sie aufhören, Ihre Strategie zu handeln. Das ist eine sehr persönliche Entscheidung und muss daher sorgfältig betrachtet werden. CapacityLiquidität - Auf der Einzelhandelsstufe, wenn Sie nicht in einem sehr illiquiden Instrument handeln (wie ein Small-Cap-Lager), müssen Sie sich nicht mit der Strategiekapazität beschäftigen. Die Kapazitäten bestimmen die Skalierbarkeit der Strategie für weiteres Kapital. Viele der größeren Hedge-Fonds leiden unter erheblichen Kapazitätsproblemen, da ihre Strategien die Kapitalallokation erhöhen. Parameter - Bestimmte Strategien (vor allem die in der maschinellen Lerngemeinschaft gefundenen) erfordern eine große Menge an Parametern. Jeder zusätzliche Parameter, den eine Strategie erfordert, lässt es anfälliger für die Optimierungsvorspannung (auch als Kurvenanpassung bekannt). Sie sollten versuchen, Strategien mit möglichst wenigen Parametern zu zielen oder sicherzustellen, dass Sie genügend Datenmengen haben, mit denen Sie Ihre Strategien testen können. Benchmark - Fast alle Strategien (sofern sie nicht als absolute Rendite gekennzeichnet sind) werden mit einer Performance-Benchmark bewertet. Der Benchmark ist in der Regel ein Index, der eine große Stichprobe der zugrunde liegenden Vermögensklasse kennzeichnet, die die Strategie abwickelt. Wenn die Strategie Großkappen-US-Aktien handelt, wäre der SP500 ein natürlicher Maßstab für die Messung Ihrer Strategie. Sie hören die Begriffe alpha und beta, angewendet auf Strategien dieser Art. Wir werden diese Koeffizienten in späteren Artikeln ausführlich besprechen. Beachten Sie, dass wir die tatsächlichen Renditen der Strategie nicht besprochen haben. Warum ist dies in Isolation, die Renditen tatsächlich liefern uns mit begrenzten Informationen über die Wirksamkeit der Strategie. Sie geben Ihnen keinen Einblick in Hebelwirkung, Volatilität, Benchmarks oder Kapitalanforderungen. So werden Strategien nur selten auf ihre Rückkehr beurteilt. Berücksichtigen Sie immer die Risikoattribute einer Strategie, bevor Sie die Renditen betrachten. In diesem Stadium werden viele der Strategien, die aus deiner Pipeline gefunden werden, aus der Hand abgelehnt, da sie ihre Kapitalanforderungen nicht erfüllen, die Einschränkungen, die maximale Drawdown-Toleranz oder die Volatilitätspräferenzen nutzen. Die verbleibenden Strategien können nun für das Backtesting berücksichtigt werden. Doch bevor dies möglich ist, ist es notwendig, eine abschließende Ablehnungskriterien zu berücksichtigen - die der verfügbaren historischen Daten, um diese Strategien zu testen. Erwerb historischer Daten Heutzutage ist die Breite der technischen Anforderungen über die Assetklassen für die historische Datenspeicherung erheblich. Um wettbewerbsfähig zu bleiben, investieren sowohl die Buy-Side - (Fonds-) als auch die Sell-Side - (Investmentbanken) stark in ihre technische Infrastruktur. Es ist unerlässlich, seine Bedeutung zu berücksichtigen. Insbesondere interessieren wir uns für Aktualität, Genauigkeit und Speicheranforderungen. Ich werde nun die Grundlagen des Erhaltens historischer Daten skizzieren und wie es zu speichern ist. Leider ist das ein sehr tiefes und technisches Thema, also werde ich nicht in der Lage sein, alles in diesem Artikel zu sagen. Allerdings werde ich in der Zukunft viel mehr darüber schreiben, da meine bisherige Branchenerfahrung in der Finanzbranche vor allem mit der Erfassung, Speicherung und dem Zugriff von Finanzdaten befasst war. Im vorigen Abschnitt hatten wir eine Strategie-Pipeline eingerichtet, die es uns erlaubt, bestimmte Strategien auf der Grundlage unserer eigenen persönlichen Ablehnungskriterien abzulehnen. In diesem Abschnitt werden wir weitere Strategien filtern, die auf unseren eigenen Vorlieben basieren, um historische Daten zu erhalten. Die Hauptüberlegungen (vor allem auf der Ebene des Einzelhandels) sind die Kosten der Daten, die Speicheranforderungen und Ihr Fachwissen. Wir müssen auch die verschiedenen Arten von verfügbaren Daten und die verschiedenen Überlegungen besprechen, die jede Art von Daten auf uns auferlegen wird. Beginnen wir mit der Diskussion über die verfügbaren Daten und die wichtigsten Themen, die wir uns vorstellen müssen: Grunddaten - Hierzu gehören Daten über makroökonomische Trends wie Zinssätze, Inflationszahlen, Kapitalmaßnahmen (Dividenden, Aktiensplits), SEC-Einreichungen , Unternehmensabschlüsse, Ertragszahlen, Ernteberichte, meteorologische Daten etc. Diese Daten werden häufig verwendet, um Unternehmen oder andere Vermögenswerte grundsätzlich zu bewerten, dh über einige Mittel der erwarteten zukünftigen Cashflows. Es enthält keine Aktienkursreihen. Einige grundlegende Daten sind frei von Regierungs-Websites verfügbar. Andere langfristige historische Grunddaten können extrem teuer sein. Speicheranforderungen sind oft nicht besonders groß, es sei denn, Tausende von Unternehmen werden sofort untersucht. News-Daten - News-Daten sind oft qualitativ in der Natur. Es besteht aus Artikeln, Blog-Posts, Microblog-Posts (Tweets) und Editorial. Maschinelle Lerntechniken wie Klassifikatoren werden oft verwendet, um Stimmung zu interpretieren. Diese Daten sind auch oft frei verfügbar oder billig, über Abonnement für Medien. Die neueren NoSQL-Dokumentenspeicher-Datenbanken sind so konzipiert, dass diese Art von unstrukturierten, qualitativen Daten gespeichert werden. Asset Price Data - Dies ist die traditionelle Datendomäne der quant. Es besteht aus Zeitreihen von Vermögenspreisen. Aktien (Aktien), festverzinsliche Produkte (Anleihen), Rohstoffe und Devisenpreise sitzen alle in dieser Klasse. Tägliche historische Daten sind oft einfach, um für die einfacheren Assetklassen wie Aktien zu erhalten. Sobald jedoch Genauigkeit und Sauberkeit eingeschlossen sind und statistische Vorspannungen entfernt werden, können die Daten teuer werden. Darüber hinaus besitzen Zeitreihendaten oftmals erhebliche Speicheranforderungen, insbesondere wenn Intraday-Daten berücksichtigt werden. Finanzinstrumente - Aktien, Anleihen, Futures und die exotischeren Derivatoptionen haben sehr unterschiedliche Merkmale und Parameter. So gibt es keine Größe für alle Datenbankstrukturen, die sie aufnehmen können. Die Gestaltung und Umsetzung von Datenbankstrukturen für verschiedene Finanzinstrumente muss erheblich berücksichtigt werden. Wir werden die Situation ausführlich erörtern, wenn wir in zukünftigen Artikeln eine Wertpapier-Stammdatenbank erstellen. Häufigkeit - Je höher die Häufigkeit der Daten, desto größer die Kosten - und Speicheranforderungen. Für niederfrequente Strategien sind die täglichen Daten oft ausreichend. Für Hochfrequenz-Strategien, könnte es notwendig sein, Tick-Level-Daten und sogar historische Kopien von bestimmten Börsenhandel Buch Daten zu erhalten. Die Implementierung eines Speicher-Engine für diese Art von Daten ist sehr technologisch intensiv und nur für diejenigen mit einem starken programmtechnischen Hintergrund geeignet. Benchmarks - Die oben beschriebenen Strategien werden oft mit einer Benchmark verglichen. Dies zeigt sich in der Regel als zusätzliche finanzielle Zeitreihe. Für Aktien ist dies oft eine nationale Aktien-Benchmark wie der SP500-Index (US) oder FTSE100 (UK). Für einen festverzinslichen Fonds ist es sinnvoll, sich gegen einen Korb von Anleihen oder festverzinslichen Produkten zu vergleichen. Der risikofreie Zinssatz (d. H. Angemessener Zinssatz) ist auch ein weiterer weithin akzeptierter Benchmark. Alle Asset-Class-Kategorien besitzen eine bevorzugte Benchmark, so dass es notwendig sein muss, dies auf der Grundlage Ihrer speziellen Strategie zu erforschen, wenn Sie Interesse an Ihrer Strategie nach außen gewinnen möchten. Technologie - Die Technologie-Stacks hinter einem Finanzdatenspeicher sind komplex. Dieser Artikel kann nur die Oberfläche kratzen, was mit dem Aufbau eines verbunden ist. Allerdings konzentriert es sich um eine Datenbank-Engine, wie z. B. ein Relational Database Management System (RDBMS) wie MySQL, SQL Server, Oracle oder eine Document Storage Engine (d. h. NoSQL). Dies wird über einen Geschäftslogik-Anwendungscode zugegriffen, der die Datenbank abfragt und Zugriff auf externe Tools wie MATLAB, R oder Excel bietet. Oft ist diese Geschäftslogik in C, C, Java oder Python geschrieben. Sie müssen auch diese Daten irgendwo, entweder auf Ihrem eigenen Personal Computer oder remote über Internet-Server Host. Products such as Amazon Web Services have made this simpler and cheaper in recent years, but it will still require significant technical expertise to achieve in a robust manner. As can be seen, once a strategy has been identified via the pipeline it will be necessary to evaluate the availability, costs, complexity and implementation details of a particular set of historical data. You may find it is necessary to reject a strategy based solely on historical data considerations. This is a big area and teams of PhDs work at large funds making sure pricing is accurate and timely. Do not underestimate the difficulties of creating a robust data centre for your backtesting purposes I do want to say, however, that many backtesting platforms can provide this data for you automatically - at a cost. Thus it will take much of the implementation pain away from you, and you can concentrate purely on strategy implementation and optimisation. Tools like TradeStation possess this capability. However, my personal view is to implement as much as possible internally and avoid outsourcing parts of the stack to software vendors. I prefer higher frequency strategies due to their more attractive Sharpe ratios, but they are often tightly coupled to the technology stack, where advanced optimisation is critical. Now that we have discussed the issues surrounding historical data it is time to begin implementing our strategies in a backtesting engine. This will be the subject of other articles, as it is an equally large area of discussion Just Getting Started with Quantitative Trading