Perdagangan Kuantitatif. Apa itu Perdagangan Kuantitatif. Perdagangan kuantitatif terdiri dari strategi perdagangan berdasarkan analisis kuantitatif yang mengandalkan perhitungan matematis dan perhitungan jumlah untuk mengidentifikasi peluang perdagangan Karena perdagangan kuantitatif umumnya digunakan oleh lembaga keuangan dan hedge fund, transaksi biasanya berukuran besar dan Mungkin melibatkan pembelian dan penjualan ratusan ribu saham dan surat berharga lainnya Namun, perdagangan kuantitatif menjadi lebih umum digunakan oleh investor perorangan. BREAKING DOWN Quantitative Trading. Harga dan volume adalah dua input data yang lebih umum yang digunakan dalam analisis kuantitatif sebagai Masukan utama untuk model matematika. Teknik perdagangan kuantitatif mencakup perdagangan algoritme perdagangan frekuensi tinggi dan arbitrase statistik Teknik-teknik ini cepat terbakar dan biasanya memiliki cakrawala investasi jangka pendek Banyak pedagang kuantitatif lebih mengenal alat kuantitatif, seperti rata-rata bergerak dan osilator. Und Erstanding Quantitative Trading. Pedagang kuantitatif memanfaatkan teknologi modern, matematika dan ketersediaan database komprehensif untuk membuat keputusan perdagangan yang rasional. Pedagang kuantitatif mengambil teknik trading dan membuat model menggunakan matematika, dan kemudian mereka mengembangkan sebuah program komputer yang menerapkan Model untuk data pasar historis Model ini kemudian ditunggangi dan dioptimalkan Jika hasil yang menguntungkan tercapai, sistem ini kemudian diimplementasikan di pasar real-time dengan modal riil. Cara kerja model kuantitatif dapat digambarkan dengan menggunakan analogi. Pertimbangkan laporan cuaca di Yang diperkirakan oleh ahli meteorologi 90 kemungkinan hujan saat matahari bersinar Ahli meteorologi memperoleh kesimpulan berlawanan dengan mengumpulkan dan menganalisis data iklim dari sensor di seluruh wilayah. Analisis kuantitatif terkomputerisasi mengungkapkan pola spesifik pada data Bila pola ini dibandingkan dengan pola yang sama. Terungkap dalam iklim historis Data backtesting, dan 90 dari 100 kali hasilnya adalah hujan, maka ahli meteorologi dapat menarik kesimpulan dengan yakin, maka perkiraan 90 pedagang kuantitatif menerapkan proses yang sama ke pasar keuangan untuk membuat keputusan perdagangan. Keuntungan dan Kerugian Perdagangan Kuantitatif. Tujuan trading adalah untuk menghitung probabilitas optimal untuk mengeksekusi perdagangan yang menguntungkan Seorang pedagang biasa dapat secara efektif memantau, menganalisa dan membuat keputusan perdagangan pada sejumlah sekuritas sebelum jumlah data masuk menguasai proses pengambilan keputusan Penggunaan teknik perdagangan kuantitatif Menerangi batas ini dengan menggunakan komputer untuk mengotomatisasi keputusan pemantauan, analisis, dan perdagangan. Emosi arus adalah salah satu masalah yang paling meresap dengan perdagangan. Jadilah ketakutan atau keserakahan, saat berdagang, emosi hanya berfungsi untuk menahan pemikiran rasional, yang biasanya menyebabkan kerugian. Komputer dan matematika tidak memiliki emosi, jadi perdagangan kuantitatif menghilangkan pro ini Blem. Quantitative trading memang memiliki masalah Pasar keuangan adalah beberapa entitas paling dinamis yang ada. Oleh karena itu, model perdagangan kuantitatif harus dinamis untuk sukses secara konsisten Banyak pedagang kuantitatif mengembangkan model yang menguntungkan sementara untuk kondisi pasar dimana mereka dikembangkan. , Namun pada akhirnya mereka gagal ketika kondisi pasar berubah. Panduan Pembaruan untuk Perdagangan Kuantitatif. Pada artikel ini saya akan memperkenalkan beberapa konsep dasar yang menyertai sistem perdagangan kuantitatif end-to-end Pos ini diharapkan dapat melayani dua orang pemirsa. Yang pertama akan menjadi individu yang berusaha mendapatkan pekerjaan di sebuah dana sebagai pedagang kuantitatif. Yang kedua akan menjadi individu yang ingin mencoba dan mendirikan bisnis perdagangan algoritmik ritel mereka sendiri. Perdagangan kuantitatif adalah bidang kuantitatif keuangan yang sangat canggih. Jumlah waktu yang signifikan untuk mendapatkan pengetahuan yang diperlukan untuk lulus wawancara atau membangun strategi trading Anda sendiri Tidak hanya itu tapi juga membutuhkan keahlian pemrograman yang ekstensif, setidaknya dalam bahasa seperti MATLAB, R atau Python Namun seiring dengan frekuensi perdagangan strategi yang meningkat, aspek teknologi menjadi jauh lebih relevan. Jadi, yang akrab dengan CC akan menjadi Yang terpenting adalah sistem perdagangan kuantitatif terdiri dari empat komponen utama. Identifikasi Strategi - Menemukan strategi, memanfaatkan keunggulan dan menentukan frekuensi perdagangan. Strategi Backtesting - Mendapatkan data, menganalisis kinerja strategi dan menghapus bias. Sistem Eksekusi - Menghubungkan ke broker, Mengotomatisasi perdagangan dan meminimalkan biaya transaksi. Manajemen Rugi - Alokasi modal yang optimal, ukuran taruhan kriteria Kelly dan psikologi perdagangan. Kita akan mulai dengan melihat bagaimana mengidentifikasi strategi perdagangan. Identifikasi Strategis. Semua proses perdagangan kuantitatif dimulai dengan periode awal. Penelitian Proses penelitian ini meliputi pencarian strategi, melihat apakah strategi sesuai Ke dalam portofolio strategi lain yang mungkin Anda jalankan, mendapatkan data yang diperlukan untuk menguji strategi dan mencoba mengoptimalkan strategi pengembalian yang lebih tinggi dan atau risiko yang lebih rendah Anda perlu mempertimbangkan kebutuhan modal Anda sendiri jika menjalankan strategi sebagai pedagang eceran. Dan bagaimana biaya transaksi akan mempengaruhi strateginya. Berkaitan dengan kepercayaan populer, sebenarnya cukup mudah untuk menemukan strategi yang menguntungkan melalui berbagai sumber publik. Akademisi secara teratur menerbitkan hasil riset teoritis walaupun sebagian besar kotor dari biaya transaksi Blog keuangan kuantitatif akan membahas strategi secara rinci. Jurnal perdagangan akan Garis besar beberapa strategi yang digunakan oleh dana. Anda mungkin mempertanyakan mengapa individu dan perusahaan sangat ingin mendiskusikan strategi yang menguntungkan mereka, terutama ketika mereka tahu bahwa orang lain berkerumun dalam perdagangan dapat menghentikan strategi untuk bekerja dalam jangka panjang Alasannya terletak pada kenyataan bahwa Mereka tidak akan sering membahas parameter dan metode tuning yang tepat Y telah dilakukan Optimisation ini adalah kunci untuk mengubah strategi yang relatif biasa-biasa saja menjadi sangat menguntungkan. Sebenarnya, salah satu cara terbaik untuk menciptakan strategi unik Anda sendiri adalah dengan menemukan metode yang serupa dan kemudian melaksanakan prosedur pengoptimalan Anda sendiri. Daftar kecil tempat untuk mulai mencari ide strategi. Banyak strategi yang akan Anda lihat akan masuk ke dalam kategori pembalikan rata-rata dan momentum tren berikut Strategi pengembalian rata-rata adalah strategi yang mencoba memanfaatkan kenyataan bahwa lama - term berarti pada seri harga seperti spread antara dua aset yang berkorelasi dan penyimpangan jangka pendek dari mean ini pada akhirnya akan kembali. Strategi momentum mencoba mengeksploitasi psikologi investor dan struktur dana besar dengan cara menunggangi tren pasar, yang Dapat mengumpulkan momentum dalam satu arah, dan mengikuti tren sampai membalikkan. Aspek lain yang sangat penting dalam perdagangan kuantitatif adalah frekuensi strategi trading Low frequen Cy trading LFT umumnya mengacu pada strategi yang memegang aset lebih lama dari pada hari perdagangan. Sejalan dengan itu, HFT frekuensi tinggi umumnya mengacu pada strategi yang memegang aset intraday. Grafik frekuensi ultra tinggi UHFT mengacu pada strategi yang menyimpan aset berdasarkan urutan detik dan milidetik. Sebagai praktisi ritel HFT dan UHFT tentu saja mungkin dilakukan, namun hanya dengan pengetahuan terperinci tentang tumpukan teknologi dan dinamika buku trading, kami tidak akan membahas aspek-aspek ini dalam sebagian besar artikel pengantar ini. Setelah strategi, atau serangkaian strategi, Telah diidentifikasi sekarang perlu diuji untuk profitabilitas pada data historis Itulah domain backtesting. Strategi Backtesting. Tujuan backtesting adalah untuk memberikan bukti bahwa strategi yang diidentifikasi melalui proses di atas menguntungkan bila diterapkan pada aspek historis dan out-of - data contoh Ini menentukan harapan bagaimana strategi akan tampil di dunia nyata Namun, backtesting TIDAK menjamin Keberhasilan, karena berbagai alasan Mungkin ini adalah bidang perdagangan kuantitatif yang paling halus karena mengandung banyak bias, yang harus dipertimbangkan dan dihilangkan dengan hati-hati sebisa mungkin. Kita akan membahas jenis bias yang umum termasuk prasangka bias bias dan bias harapan. Bias juga dikenal sebagai data-snooping bias Bidang lain yang penting dalam backtesting termasuk ketersediaan dan kebersihan data historis, mempertimbangkan biaya transaksi yang realistis dan menentukan platform backtesting yang kuat Kami akan membahas biaya transaksi lebih lanjut di bagian Sistem Eksekusi di bawahnya. Setelah sebuah strategi Telah diidentifikasi, perlu untuk mendapatkan data historis yang digunakan untuk melakukan pengujian dan, mungkin, penyempurnaan Ada sejumlah besar vendor data di semua kelas aset Biaya mereka umumnya berskala dengan kualitas, kedalaman dan ketepatan waktu data. Titik awal tradisional untuk trader quant awal setidaknya di tingkat ritel adalah dengan menggunakan th Data gratis yang dibuat dari Yahoo Finance Saya tidak terlalu memikirkan penyedia layanan di sini, namun saya ingin berkonsentrasi pada masalah umum saat menangani kumpulan data historis. Masalah utama dengan data historis mencakup kebersihan akurasi, bias bertahan dan penyesuaian untuk perusahaan. Tindakan seperti dividen dan pemecahan saham. Akuntabilitas berkaitan dengan keseluruhan kualitas data - apakah itu mengandung kesalahan Kesalahan kadang-kadang mudah dikenali, seperti filter spike yang akan memilih lonjakan yang salah dalam data deret waktu dan benar untuk Mereka Di lain waktu mereka bisa sangat sulit untuk melihat Hal ini sering diperlukan untuk memiliki dua atau lebih penyedia dan kemudian memeriksa semua data mereka terhadap satu sama lain. Preferensi bias sering merupakan fitur dataset bebas atau murah Dataset dengan bias bertahan berarti bahwa Itu tidak mengandung aset yang tidak lagi diperdagangkan Dalam kasus ekuitas ini berarti saham bangkrut yang bangkrut Bias ini berarti bahwa setiap strategi perdagangan saham diuji pada Seperti dataset kemungkinan akan berperforma lebih baik daripada di dunia nyata karena pemenang sejarah telah dipilih sebelumnya. Tindakan gabungan mencakup kegiatan logistik yang dilakukan oleh perusahaan yang biasanya menyebabkan perubahan fungsi fungsi dalam harga mentah, yang seharusnya tidak disertakan dalam Perhitungan pengembalian harga Penyesuaian untuk dividen dan pemecahan saham adalah penyebab umum Suatu proses yang dikenal sebagai penyesuaian kembali perlu dilakukan pada masing-masing tindakan ini Seseorang harus sangat berhati-hati agar tidak membingungkan pemecahan saham dengan tingkat pengembalian yang sebenarnya. Penyesuaian Banyak pedagang telah tertangkap oleh tindakan korporasi. Dalam rangka melaksanakan prosedur backtest, Anda perlu menggunakan platform perangkat lunak Anda memiliki pilihan antara perangkat lunak backtest yang berdedikasi, seperti Tradestation, platform numerik seperti Excel atau MATLAB Atau implementasi kustom penuh dalam bahasa pemrograman seperti Python atau CI tidak terlalu memikirkan Tradestation atau yang serupa, Excel atau MATLAB, seperti yang saya yakini. Dalam menciptakan tumpukan teknologi in-house lengkap untuk alasan yang diuraikan di bawah Salah satu manfaatnya adalah bahwa perangkat lunak dan sistem eksekusi backtest dapat terintegrasi secara ketat, bahkan dengan strategi statistik yang sangat canggih Untuk strategi HFT, sangat penting untuk menggunakan Implementasi kustom. Ketika melakukan backtesting sistem, seseorang harus dapat mengukur seberapa baik kinerjanya. Metrik standar industri untuk strategi kuantitatif adalah penarikan maksimum dan Rasio Sharpe Penarikan maksimum mencirikan penurunan terbesar dari kuota ke puncak kurva ekuitas akun. Selama periode waktu tertentu biasanya tahunan Ini yang paling sering dikutip sebagai strategi persentase LFT akan cenderung memiliki penarikan yang lebih besar daripada strategi HFT, karena sejumlah faktor statistik Backtest historis akan menunjukkan penarikan maksimum terakhir, yang merupakan panduan bagus untuk Kinerja penarikan masa depan dari strategi Pengukuran kedua adalah Sharpe Ratio, yang didefinisikan secara heuristik a Rata-rata kelebihan imbal hasil dibagi dengan standar deviasi keuntungan berlebih Di sini, keuntungan berlebih mengacu pada kembalinya strategi di atas tolok ukur yang telah ditentukan sebelumnya seperti selip S, yang merupakan perbedaan antara apa yang Anda inginkan agar Diisi sesuai dengan apa yang sebenarnya terisi spreadnya, yaitu selisih antara harga bid ask yang diperdagangkan. Perhatikan bahwa spread TIDAK konstan dan tergantung pada likuiditas saat ini yaitu tersedianya order jual beli di pasaran. Biaya transaksi dapat membuat perbedaan antara strategi yang sangat menguntungkan dengan rasio Sharpe yang baik dan strategi yang sangat tidak menguntungkan dengan rasio Sharpe yang mengerikan. Hal ini dapat menjadi tantangan untuk memprediksi biaya transaksi dari backtest dengan tepat sesuai dengan frekuensi strategi, Anda memerlukan Akses ke data pertukaran historis, yang akan mencakup data tick untuk harga permintaan tawaran Seluruh tim quants didedikasikan untuk optimalisasi execu Dalam dana yang lebih besar, untuk alasan ini Pertimbangkan skenario di mana dana perlu melepaskan sejumlah besar perdagangan dimana alasan untuk melakukannya banyak dan beragam Dengan membuang begitu banyak saham ke pasar, mereka akan dengan cepat menekan harga dan Mungkin tidak mendapatkan eksekusi yang optimal. Oleh karena itu algoritma yang meneteskan pesanan pakan ke pasar ada, walaupun kemudian dana tersebut menjalankan risiko selip. Selanjutnya, strategi lain memangsa kebutuhan ini dan dapat memanfaatkan inefisiensi. Ini adalah domain arbitrase struktur dana. Masalah utama akhir untuk sistem eksekusi menyangkut perbedaan kinerja strategi dari kinerja backtested Hal ini dapat terjadi karena sejumlah alasan Kami telah membahas bias bias dan optimisasi di depan, saat mempertimbangkan backtests Namun, beberapa strategi tidak mempermudah pengujian. Untuk bias ini sebelum penyebaran Hal ini terjadi pada HFT yang paling dominan Mungkin ada bug dalam sistem eksekusi dan juga str perdagangan. Ategy itu sendiri yang tidak muncul di backtest tapi DO muncul dalam live trading Pasar mungkin telah mengalami perubahan rezim setelah penyebaran strategi Anda. Lingkungan peraturan baru, perubahan sentimen investor dan fenomena makroekonomi semuanya dapat menyebabkan terjadinya divergensi di pasar. Bagaimana pasar berperilaku dan dengan demikian profitabilitas strategi Anda. Manajemen Rugi. Bagian terakhir dari teka-teki perdagangan kuantitatif adalah proses manajemen risiko. Risiko mencakup semua bias sebelumnya yang telah kita diskusikan Ini mencakup risiko teknologi, seperti server yang berada di tangan Pada saat pertukaran tiba-tiba mengalami kerusakan hard disk, hal ini mencakup risiko broker, seperti broker yang bangkrut tidak sesat kedengarannya, mengingat ketakutan baru-baru ini dengan MF Global. Singkatnya, ini mencakup hampir semua hal yang mungkin mengganggu pelaksanaan perdagangan, dari Yang ada banyak sumber Seluruh buku dikhususkan untuk manajemen risiko untuk strategi kuantitatif jadi saya tidak akan berusaha untuk menjelaskannya Pada semua sumber risiko yang mungkin ada di sini. Manajemen risiko juga mencakup apa yang dikenal sebagai alokasi modal optimal yang merupakan cabang teori portofolio. Ini adalah cara dimana modal dialokasikan ke serangkaian strategi dan perdagangan yang berbeda dalam strategi tersebut. Area yang kompleks dan bergantung pada beberapa matematika non-sepele Standar industri dimana alokasi modal dan strategi strategi yang optimal dikaitkan disebut kriteria Kelly Karena ini adalah artikel pengantar, saya tidak dapat menghitung nilainya Kriteria Kelly membuat beberapa Asumsi tentang sifat statistik pengembalian, yang tidak sering terjadi di pasar keuangan, jadi pedagang sering bersikap konservatif dalam hal penerapannya. Komponen kunci lain dari manajemen risiko adalah dalam berurusan dengan profil psikologis seseorang. Ada banyak bias kognitif. Yang bisa merayap masuk ke dalam trading Meskipun hal ini memang kurang bermasalah dengan trading algoritmik jika strategi dibiarkan sendiri Bias yang umum adalah penghindaran kerugian dimana posisi kalah tidak akan ditutup karena rasa sakit karena harus menyadari kerugian Demikian pula, keuntungan bisa diambil terlalu dini karena rasa takut kehilangan keuntungan yang sudah didapat bisa terlalu besar. Bias dikenal sebagai bias resistansi Hal ini memanifestasikan dirinya ketika para pedagang terlalu menekankan pada kejadian baru-baru ini dan tidak dalam jangka panjang. Maka tentu saja ada pasangan klasik dari bias emosional - ketakutan dan keserakahan ini seringkali dapat menyebabkan under-or over-leveraging , Yang dapat menyebabkan blow up yaitu ekuitas akun menuju nol atau lebih buruk atau mengurangi keuntungan. Seperti dapat dilihat, perdagangan kuantitatif adalah area kuantitatif keuangan yang sangat kompleks, walaupun sangat menarik, saya telah benar-benar menggores permukaan topik di Artikel ini dan sudah mulai agak lama Seluruh buku dan makalah telah ditulis tentang isu-isu yang saya hanya diberi satu atau dua kalimat terhadapnya Untuk alasan itu, sebelum mengajukan permohonan dana kuantitatif jo Bs, perlu dilakukan sejumlah besar studi dasar Setidaknya Anda memerlukan latar belakang statistik dan ekonometrik yang luas, dengan banyak pengalaman dalam implementasi, melalui bahasa pemrograman seperti MATLAB, Python atau R Untuk lebih Strategi yang canggih pada akhir frekuensi yang lebih tinggi, keahlian Anda sepertinya akan menyertakan modifikasi kernel Linux, CC, pemrograman perakitan dan optimisasi jaringan. Jika Anda tertarik untuk mencoba strategi trading algoritmik Anda sendiri, saran pertama saya adalah mendapatkan yang baik. Pada pemrograman Preferensi saya adalah untuk membangun sebanyak data grabber, strategi backtester dan sistem eksekusi sendiri mungkin Jika modal Anda sendiri ada di telepon, tidakkah Anda akan tidur lebih nyenyak di malam hari karena mengetahui bahwa Anda telah sepenuhnya menguji sistem Anda dan sadar Perangkap dan masalah tertentu Outsourcing ini ke vendor, sementara berpotensi menghemat waktu dalam jangka pendek, bisa sangat mahal dalam jangka panjang. . Hanya Memulai dengan Perdagangan Kuantitatif. Tidak Meramalkan Kemungkinan Tapi Itu Dengan Strategi Perdagangan Algoritma Kami. Tampaknya tidak mungkin Satu sistem perdagangan algoritmik dengan begitu banyak identifikasi tren, analisis siklus, volume jual volume sisi kiri, beberapa strategi perdagangan, Entry dinamis, harga target dan stop, dan teknologi sinyal ultra cepat Tapi sebenarnya, platform sistem perdagangan AlgoTrades adalah satu-satunya jenisnya. Tidak ada lagi yang mencari saham panas, sektor, komoditas, indeks, atau opini pasar baca. Algotrades melakukan semua pencarian, timing dan trading untuk Anda dengan menggunakan sistem perdagangan algoritmik. AlgoTrade strategi yang telah terbukti dapat diikuti secara manual dengan menerima peringatan teks email dan SMS, atau bisa jadi 100 perdagangan bebas tangan, terserah Anda Anda dapat menghidupkannya. Off trading otomatis kapan saja sehingga Anda selalu mengendalikan takdir Anda. Sistem Perdagangan Terutorial untuk Investor Savvy. Copyright 2017 - ALGOTRADES - Sistem Perdagangan Algoritma Otomatis. ATURAN RUANG 4 41 - HASIL KINERJA HIPOTHETIK ATAU TERSENDIRI MEMILIKI BATASAN TERTENTU TIDAK MELIHAT KINERJA KINERJA YANG SEBENARNYA, HASIL YANG DIMULAI JANGAN MENYATAKAN PERDAGANGAN YANG SEBENARNYA JUGA, SEJAK TRADES BELUM DITINJAU, HASIL YANG HARUS DILAKUKAN DI BAWAH ATAU APAPUN YANG DILINDUNGI UNTUK DAMPAK, JIKA ADA, FAKTOR PASAR TERTENTU, SEPERTI KURIKULUM PROGRAM PERDAGANGAN SIMULASI SECARA UMUM SECARA UMUM JUGA TERTARIK FAKTA BAHWA MEREKA DITANDATANGANI DENGAN MANFAAT HINDSIGHT TIDAK ADA REPRESENTASI YANG DIBUAT BAHWA APAPUN ACCOUNT AKAN ATAU CERAH UNTUK MENCAPAI KEUNTUNGAN ATAU KERUGIAN YANG SANGAT DILAKUKAN KEPADA MEREKA. Tidak ada representasi yang dibuat atau disiratkan bahwa penggunaan sistem perdagangan algoritmik akan menghasilkan pendapatan atau menjamin keuntungan Ada risiko kerugian yang besar terkait dengan perdagangan berjangka dan dana perdagangan yang diperdagangkan. Perdagangan berjangka dan pertukaran perdagangan yang diperdagangkan melibatkan risiko kerugian yang besar dan tidak sesuai untuk semua orang. Hasil ini didasarkan pada hasil kinerja simulasi atau hipotetis yang memiliki keterbatasan inheren tertentu Tidak seperti hasil yang ditunjukkan dalam catatan kinerja aktual, hasil ini tidak mewakili perdagangan sebenarnya. Juga, karena perdagangan ini sebenarnya tidak dijalankan, hasil ini mungkin kurang atau tidak Kompensasi berlebihan atas dampak, jika ada, faktor pasar tertentu, seperti kurangnya likuiditas Simulasi atau hipotetis program perdagangan pada umumnya juga tunduk pada kenyataan bahwa mereka dirancang dengan keuntungan dari belakang Tidak ada perwakilan dibuat bahwa setiap akun Akan atau kemungkinan akan mencapai keuntungan atau kerugian yang serupa dengan yang ditunjukkan. Informasi di situs ini telah disiapkan tanpa memperhatikan tujuan investasi, situasi keuangan dan kebutuhan investor tertentu dan selanjutnya menyarankan pelanggan untuk tidak bertindak berdasarkan informasi apapun tanpa mendapatkan saran khusus. Dari penasihat keuangan mereka untuk tidak mengandalkan informasi dari situs web sebagai dasar utama untuk Keputusan investasi mereka dan untuk mempertimbangkan profil risiko mereka sendiri, toleransi risiko, dan stop loss mereka sendiri - didukung oleh Enfold WordPress Theme.
No comments:
Post a Comment