Forum strategi perdagangan kuantitatif

Perdagangan Kuantitatif Apa itu Perdagangan Kuantitatif Perdagangan kuantitatif terdiri dari strategi trading berdasarkan analisis kuantitatif. Yang mengandalkan perhitungan matematis dan perhitungan angka 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 input utama untuk model matematis. Teknik perdagangan kuantitatif meliputi perdagangan frekuensi tinggi. Perdagangan algoritma dan arbitrase statistik. Teknik ini cepat terbakar dan biasanya memiliki cakrawala investasi jangka pendek. Banyak pedagang kuantitatif lebih mengenal alat kuantitatif, seperti moving averages dan oscillators. Memahami Perdagangan Kuantitatif Pedagang kuantitatif memanfaatkan teknologi modern, matematika dan ketersediaan database komprehensif untuk membuat keputusan perdagangan yang rasional. Pedagang kuantitatif mengambil teknik trading dan membuat model dengan menggunakan matematika, dan kemudian mereka mengembangkan program komputer yang menerapkan model tersebut ke data pasar historis. Model ini kemudian diulang 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 mana ahli meteorologi memperkirakan ada kemungkinan hujan saat matahari bersinar. Ahli meteorologi memperoleh kesimpulan berlawanan dengan mengumpulkan dan menganalisis data iklim dari sensor di seluruh area. Analisis kuantitatif terkomputerisasi menunjukkan pola spesifik dalam data. Bila pola ini dibandingkan dengan pola yang sama yang terungkap dalam data iklim historis (backtesting), dan 90 dari 100 kali hasilnya adalah hujan, maka ahli meteorologi dapat menarik kesimpulan dengan yakin, maka diperkirakan 90. Pedagang kuantitatif menerapkan proses yang sama ke pasar keuangan untuk membuat keputusan perdagangan. Keuntungan dan Kerugian Perdagangan Kuantitatif Tujuan trading adalah 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. Mengatasi emosi adalah salah satu masalah yang paling meluas dengan perdagangan. Baik itu 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 masalah ini. Perdagangan kuantitatif memang memiliki masalah. Pasar keuangan adalah beberapa entitas paling dinamis yang ada. Oleh karena itu, model perdagangan kuantitatif harus dinamis agar konsisten sukses. Banyak pedagang kuantitatif mengembangkan model yang sementara menguntungkan untuk kondisi pasar dimana mereka dikembangkan, namun pada akhirnya mereka gagal saat kondisi pasar berubah. Strategi Tepat - Apakah Mereka Untuk Anda Strategi investasi kuantitatif telah berkembang menjadi alat yang sangat kompleks dengan munculnya komputer modern. , Namun akar strategi kembali berusia di atas 70 tahun. Mereka biasanya dijalankan oleh tim berpendidikan tinggi dan menggunakan model berpemilik untuk meningkatkan kemampuan mereka dalam mengalahkan pasar. Bahkan ada program off-the-shelf yang plug and play untuk mereka yang mencari kesederhanaan. Model Quant selalu bekerja dengan baik saat diuji kembali, namun sebenarnya aplikasi dan tingkat keberhasilannya dapat diperdebatkan. Sementara mereka tampaknya bekerja dengan baik di pasar banteng. Ketika pasar menjadi kacau, strategi kuant dikenakan risiko yang sama seperti strategi lainnya. Sejarah Salah satu pendiri studi teori kuantitatif yang diterapkan pada keuangan adalah Robert Merton. Anda hanya bisa membayangkan betapa sulit dan memakan waktu proses itu sebelum penggunaan komputer. Teori lain di bidang keuangan juga berevolusi dari beberapa studi kuantitatif pertama, termasuk dasar diversifikasi portofolio berdasarkan teori portofolio modern. Penggunaan kedua kuantitatif keuangan dan kalkulus menyebabkan banyak alat umum lainnya termasuk salah satu formula penentuan harga opsi Black-Scholes yang paling terkenal, yang tidak hanya membantu pilihan harga investor dan mengembangkan strategi, namun membantu menjaga pasar tetap dalam kondisi likuiditas. Bila diterapkan langsung ke manajemen portofolio. Tujuannya seperti strategi investasi lainnya. Untuk menambahkan nilai, hasil alfa atau kelebihan. Banyak, sebagai pengembang disebut, menyusun model matematika kompleks untuk mendeteksi peluang investasi. Ada banyak model di luar sana sebagai quants yang mengembangkannya, dan semuanya mengklaim sebagai yang terbaik. Salah satu strategi investasi kuantitatif adalah bahwa model, dan akhirnya komputer, membuat keputusan pembelian yang sebenarnya, bukan manusia. Hal ini cenderung menghilangkan respons emosional yang mungkin dialami seseorang saat membeli atau menjual investasi. Strategi kuantitatif sekarang diterima di komunitas investasi dan dijalankan oleh reksa dana, hedge fund dan investor institusi. Mereka biasanya menggunakan nama alpha generator. Atau alfa gens. Di Balik Tirai Sama seperti di The Wizard of Oz, ada seseorang yang berada di balik tirai yang mendorong prosesnya. Seperti model lainnya, sama baiknya dengan manusia yang mengembangkan program ini. Meskipun tidak ada persyaratan khusus untuk menjadi quant, kebanyakan perusahaan yang menjalankan model quant menggabungkan keterampilan analis investasi, statistik dan pemrogram yang mengkode prosesnya ke dalam komputer. Karena sifat kompleks dari model matematika dan statistik, yang umum untuk melihat kepercayaan seperti gelar sarjana dan doktor di bidang keuangan, ekonomi, matematika dan teknik. Secara historis, anggota tim ini bekerja di kantor belakang. Tapi karena model quant menjadi lebih umum, kantor belakang pindah ke front office. Manfaat Strategi Kuantitas Sementara tingkat keberhasilan keseluruhan masih diperdebatkan, alasan beberapa strategi kuantitatif adalah bahwa mereka didasarkan pada disiplin. Jika modelnya benar, disiplin membuat strategi bekerja dengan komputer kecepatan kilat untuk mengeksploitasi inefisiensi di pasar berdasarkan data kuantitatif. Model-model itu sendiri hanya bisa didasarkan pada beberapa rasio seperti PE. Hutang terhadap ekuitas dan pertumbuhan pendapatan, atau menggunakan ribuan input yang bekerja sama pada saat bersamaan. Strategi yang berhasil dapat menangkap tren pada tahap awal karena komputer terus-menerus menjalankan skenario untuk menemukan inefisiensi sebelum orang lain melakukannya. Model-model tersebut mampu menganalisis kelompok investasi yang sangat besar secara bersamaan, di mana analis tradisional mungkin hanya melihat beberapa pada satu waktu saja. Proses penyaringan dapat menilai alam semesta dengan tingkat kelas seperti 1-5 atau A-F tergantung pada modelnya. Hal ini membuat proses perdagangan aktual sangat mudah dilakukan dengan berinvestasi pada investasi dengan nilai tinggi dan menjual produk dengan rating rendah. Model Quant juga membuka variasi strategi seperti long, short dan longshort. Dana kuantitatif yang berhasil tetap memegang kendali risiko karena sifat modelnya. Sebagian besar strategi dimulai dengan alam semesta atau patokan dan penggunaan pembobotan sektor dan industri dalam model mereka. Hal ini memungkinkan dana untuk mengendalikan diversifikasi sampai batas tertentu tanpa mengorbankan model itu sendiri. Quant funds biasanya berjalan dengan biaya rendah karena mereka tidak memerlukan banyak analis tradisional dan manajer portofolio untuk menjalankannya. Kekurangan dari Quant Strategies Ada beberapa alasan mengapa begitu banyak investor tidak sepenuhnya merangkul konsep membiarkan kotak hitam menjalankan investasi mereka. Untuk semua dana quant yang berhasil di luar sana, sepertinya banyak yang tidak berhasil. Sayangnya untuk reputasi quants, ketika mereka gagal, mereka gagal besar waktu. Manajemen Modal Jangka Panjang adalah salah satu dana lindung nilai yang paling terkenal, seperti yang dilakukan oleh beberapa pemimpin akademis yang paling dihormati dan dua ekonom pemenang Hadiah Nobel Prize Myron S. Scholes dan Robert C. Merton. Selama tahun 1990an, tim mereka menghasilkan laba di atas rata-rata dan menarik modal dari semua jenis investor. Mereka terkenal karena tidak hanya mengeksploitasi inefisiensi, namun menggunakan akses mudah ke modal untuk menciptakan taruhan leverage yang sangat besar pada arah pasar. Sifat disiplin strategi mereka sebenarnya menciptakan kelemahan yang menyebabkan keruntuhan mereka. Manajemen Modal Jangka Panjang dilikuidasi dan dibubarkan pada awal tahun 2000. Modelnya tidak mencakup kemungkinan bahwa pemerintah Rusia dapat gagal membayar sebagian hutangnya sendiri. Peristiwa yang satu ini memicu kejadian dan reaksi berantai yang diperbesar oleh malapetaka buatan. LTCM sangat terlibat dengan operasi investasi lainnya sehingga keruntuhannya mempengaruhi pasar dunia, memicu kejadian dramatis. Dalam jangka panjang, Federal Reserve masuk untuk membantu, dan bank lain dan dana investasi mendukung LTCM untuk mencegah kerusakan lebih lanjut. Inilah salah satu alasan mengapa dana quant dapat gagal, karena didasarkan pada peristiwa sejarah yang mungkin tidak termasuk kejadian masa depan. Sementara tim quant yang kuat akan terus menambahkan aspek baru pada model untuk memprediksi kejadian di masa depan, tidak mungkin memprediksi masa depan setiap saat. Quant funds juga bisa menjadi kewalahan ketika ekonomi dan pasar mengalami volatilitas yang lebih besar dari rata-rata. Sinyal beli dan jual bisa datang begitu cepat sehingga omset tinggi bisa menciptakan komisi dan kejadian kena pajak yang tinggi. Quant funds juga dapat menimbulkan bahaya saat dipasarkan sebagai bukti tahan atau didasarkan pada strategi singkat. Memprediksi penurunan. Menggunakan derivatif dan menggabungkan leverage bisa berbahaya. Salah satu belokan bisa menyebabkan ledakan, yang sering membuat berita. Garis Bawah Strategi investasi kuantitatif telah berevolusi dari kotak hitam kantor belakang hingga alat investasi utama. Mereka dirancang untuk memanfaatkan pemikiran terbaik dalam bisnis dan komputer tercepat untuk memanfaatkan inefisiensi dan memanfaatkan penggunaan untuk membuat taruhan pasar. Mereka bisa sangat sukses jika modelnya memasukkan semua masukan yang tepat dan cukup gesit untuk memprediksi kejadian pasar abnormal. Di sisi lain, sementara dana kuantitatif diuji kembali sampai mereka bekerja, kelemahan mereka adalah mereka mengandalkan data historis untuk kesuksesan mereka. Sementara investasi quant-style memiliki tempatnya di pasar, penting untuk menyadari kekurangan dan risikonya. Agar konsisten dengan strategi diversifikasi. Ide bagusnya untuk menerapkan strategi kuantitatif sebagai gaya investasi dan menggabungkannya dengan strategi tradisional untuk mencapai diversifikasi yang tepat. Teori ekonomi tentang pengeluaran total dalam perekonomian dan pengaruhnya terhadap output dan inflasi. Ekonomi Keynesian dikembangkan. Kepemilikan aset dalam portofolio. Investasi portofolio dilakukan dengan harapan menghasilkan laba di atasnya. Ini. Rasio yang dikembangkan oleh Jack Treynor bahwa langkah-langkah pengembalian yang diperoleh melebihi yang bisa diperoleh tanpa risiko. Pembelian kembali saham beredar (repurchase) oleh perusahaan untuk mengurangi jumlah saham yang beredar di pasaran. Perusahaan. Pengembalian pajak adalah pengembalian pajak yang dibayarkan kepada seseorang atau rumah tangga bila kewajiban pajak sebenarnya kurang dari jumlah tersebut. Nilai moneter dari semua barang jadi dan jasa yang dihasilkan dalam batas negara dalam periode waktu tertentu. Bagaimana Mengidentifikasi Strategi Perdagangan Algoritma Pada artikel ini saya ingin mengenalkan metode kepada saya dimana saya sendiri mengidentifikasi strategi perdagangan algoritmik yang menguntungkan. Tujuan kami hari ini adalah untuk memahami secara rinci bagaimana menemukan, mengevaluasi dan memilih sistem seperti itu. Saya menjelaskan bagaimana mengidentifikasi strategi adalah sebanyak tentang preferensi pribadi karena ini tentang kinerja strategi, bagaimana menentukan jenis dan jumlah data historis untuk pengujian, bagaimana mengevaluasi strategi perdagangan secara tidak hati-hati dan akhirnya bagaimana melangkah menuju fase backtesting dan implementasi strategi. . Mengidentifikasi Preferensi Pribadi Anda Sendiri untuk Perdagangan Agar menjadi trader yang sukses - entah secara discretionally atau algorithmically - Anda perlu bertanya pada diri sendiri beberapa pertanyaan jujur. Trading memberi Anda kemampuan untuk kehilangan uang pada tingkat yang mengkhawatirkan, jadi perlu diketahui diri Anda sebanyak yang diperlukan untuk memahami strategi yang Anda pilih. Saya akan mengatakan pertimbangan terpenting dalam trading adalah menyadari kepribadian Anda sendiri. Perdagangan, dan perdagangan algoritmik pada khususnya, membutuhkan tingkat disiplin, kesabaran dan keterasingan emosional yang signifikan. Karena Anda membiarkan sebuah algoritma melakukan trading Anda untuk Anda, Anda perlu memutuskan untuk tidak mengganggu strategi saat dijalankan. Ini bisa sangat sulit, terutama pada periode penarikan yang diperpanjang. Namun, banyak strategi yang telah terbukti sangat menguntungkan dalam backtest dapat dirusak oleh gangguan sederhana. Pahami bahwa jika Anda ingin memasuki dunia perdagangan algoritmik, Anda akan diuji secara emosional dan agar berhasil, perlu untuk mengatasi kesulitan ini. Pertimbangan selanjutnya adalah salah satu dari waktu. Apakah Anda memiliki pekerjaan penuh waktu Apakah Anda bekerja paruh waktu Apakah Anda bekerja dari rumah atau memiliki perjalanan panjang setiap hari Pertanyaan-pertanyaan ini akan membantu menentukan frekuensi strategi yang harus Anda cari. Bagi Anda yang bekerja penuh waktu, strategi berjangka intraday mungkin tidak sesuai (setidaknya sampai sepenuhnya otomatis). Kendala waktu Anda juga akan menentukan metodologi strategi. Jika strategi Anda sering diperdagangkan dan bergantung pada umpan berita mahal (seperti terminal Bloomberg), Anda pasti harus realistis mengenai kemampuan Anda untuk berhasil menjalankan ini saat berada di kantor. Bagi Anda yang memiliki banyak waktu, atau keterampilan. Untuk mengotomatisasi strategi Anda, Anda mungkin ingin melihat strategi perdagangan frekuensi tinggi yang lebih teknis (HFT). Keyakinan saya adalah bahwa Anda perlu melakukan penelitian terus menerus mengenai strategi trading Anda untuk mempertahankan portofolio yang konsisten menguntungkan. Beberapa strategi tetap berada di bawah radar selamanya. Oleh karena itu porsi yang signifikan dari waktu yang dialokasikan untuk perdagangan akan dilakukan dalam melakukan penelitian yang sedang berlangsung. Tanyakan pada diri Anda apakah Anda siap melakukan ini, karena bisa jadi perbedaan antara profitabilitas yang kuat atau penurunan yang lambat terhadap kerugian. Anda juga perlu mempertimbangkan modal trading Anda. Jumlah minimum ideal ideal yang diterima secara umum untuk strategi kuantitatif adalah 50.000 USD (sekitar 35.000 untuk kami di Inggris). Jika saya mulai lagi, saya akan mulai dengan jumlah yang lebih besar, mungkin mendekati 100.000 USD (sekitar 70.000). Ini karena biaya transaksi bisa sangat mahal untuk strategi frekuensi menengah hingga tinggi dan perlu memiliki modal yang cukup untuk menyerapnya pada saat penarikan. Jika Anda mempertimbangkan untuk memulai dengan kurang dari 10.000 USD maka Anda perlu membatasi diri pada strategi frekuensi rendah, berdagang dalam satu atau dua aset, karena biaya transaksi akan cepat memakan keuntungan Anda. Pialang Interaktif, yang merupakan salah satu pialang ramah bagi mereka yang memiliki keahlian pemrograman, karena API-nya, memiliki akun ritel minimal 10.000 USD. Keterampilan pemrograman merupakan faktor penting dalam menciptakan strategi trading algoritmik otomatis. Menjadi berpengetahuan luas dalam bahasa pemrograman seperti C, Java, C, Python atau R akan memungkinkan Anda membuat penyimpanan data end-to-end, mesin backtest dan sistem eksekusi sendiri. Ini memiliki sejumlah keunggulan, kepala yang merupakan kemampuan untuk sepenuhnya menyadari semua aspek infrastruktur perdagangan. Ini juga memungkinkan Anda untuk mengeksplorasi strategi frekuensi yang lebih tinggi karena Anda akan sepenuhnya mengendalikan tumpukan teknologi Anda. Meskipun ini berarti bahwa Anda dapat menguji perangkat lunak Anda sendiri dan menghilangkan bug, ini juga berarti lebih banyak waktu yang dihabiskan untuk menyusun infrastruktur dan kurang menerapkan strategi, setidaknya di bagian awal karir algo trading Anda. Anda mungkin menemukan bahwa Anda merasa nyaman melakukan trading di Excel atau MATLAB dan dapat melakukan outsourcing pengembangan komponen lainnya. Saya tidak akan merekomendasikan ini namun, terutama untuk perdagangan pada frekuensi tinggi. Anda perlu bertanya pada diri sendiri apa yang ingin Anda capai dengan perdagangan algoritmik. Apakah Anda tertarik dengan penghasilan tetap, di mana Anda berharap dapat menarik penghasilan dari akun trading Anda Atau, apakah Anda tertarik dengan keuntungan modal jangka panjang dan mampu melakukan perdagangan tanpa perlu mencairkan dana Ketergantungan pendapatan akan menentukan frekuensi strategi Anda. . Penarikan pendapatan rutin lebih banyak akan memerlukan strategi perdagangan frekuensi yang lebih tinggi dengan volatilitas yang lebih rendah (yaitu rasio Sharpe yang lebih tinggi). Pedagang jangka panjang mampu menghasilkan frekuensi perdagangan yang lebih tenang. Akhirnya, jangan tertipu oleh gagasan untuk menjadi sangat kaya dalam waktu singkat. Perdagangan Algo BUKAN skema cepat kaya - jika memang itu bisa menjadi skema yang cepat-cepat. Dibutuhkan disiplin, penelitian, ketekunan dan kesabaran yang signifikan untuk sukses dalam perdagangan algoritmik. Ini bisa memakan waktu berbulan-bulan, jika tidak bertahun-tahun, untuk menghasilkan profitabilitas yang konsisten. Sourcing Ide Perdagangan Algoritma Meskipun ada persepsi umum sebaliknya, sebenarnya cukup mudah untuk menemukan strategi perdagangan yang menguntungkan di ranah publik. Tidak pernah ada ide trading yang lebih mudah didapat daripada saat ini. Jurnal keuangan akademis, server pra-cetak, blog perdagangan, forum perdagangan, majalah perdagangan mingguan dan teks khusus memberikan ribuan strategi trading untuk mendasari gagasan Anda. Tujuan kami sebagai peneliti perdagangan kuantitatif adalah untuk membentuk strategi pipa yang akan memberi kita aliran ide perdagangan yang sedang berlangsung. Idealnya kami ingin membuat pendekatan metodis untuk mencari, mengevaluasi dan menerapkan strategi yang kami temukan. Tujuan dari pipeline adalah untuk menghasilkan sejumlah gagasan baru yang konsisten dan memberi kita kerangka untuk menolak sebagian besar gagasan ini dengan minimal pertimbangan emosional. Kita harus sangat berhati-hati untuk tidak membiarkan bias kognitif mempengaruhi metodologi pengambilan keputusan kita. Ini bisa sesederhana memiliki preferensi untuk satu kelas aset di atas yang lain (emas dan logam mulia lainnya muncul dalam pikiran) karena dianggap lebih eksotis. Tujuan kami harus selalu mencari strategi yang menguntungkan secara konsisten, dengan harapan positif. Pilihan kelas aset harus didasarkan pada pertimbangan lain, seperti kendala perdagangan modal, biaya perantara dan kemampuan leverage. Jika Anda benar-benar tidak terbiasa dengan konsep strategi trading maka tempat pertama untuk melihat adalah dengan buku teks mapan. Teks klasik memberikan berbagai gagasan sederhana dan lebih mudah, untuk membiasakan diri dengan perdagangan kuantitatif. Berikut adalah pilihan yang saya rekomendasikan untuk mereka yang baru mengenal perdagangan kuantitatif, yang secara bertahap menjadi lebih canggih saat Anda mengerjakan daftar: Untuk daftar buku kuantitatif trading yang lebih panjang, silakan kunjungi daftar bacaan QuantStart. Tempat berikutnya untuk menemukan strategi yang lebih canggih adalah dengan forum perdagangan dan blog trading. Namun, perhatikan hati-hati: Banyak blog trading mengandalkan konsep analisa teknikal. Analisis teknis melibatkan penggunaan indikator dasar dan psikologi perilaku untuk menentukan tren atau pola pembalikan dalam harga aset. Meskipun sangat populer di ruang perdagangan secara keseluruhan, analisis teknis dianggap agak tidak efektif dalam komunitas keuangan kuantitatif. Beberapa orang menyarankan bahwa itu tidak lebih baik daripada membaca horoskop atau mempelajari daun teh dalam hal kekuatan prediktifnya. Pada kenyataannya ada orang sukses yang memanfaatkan analisis teknis. Namun, sebagai quants dengan kotak peralatan matematis dan statistik yang lebih canggih, kita dapat dengan mudah mengevaluasi keefektifan strategi berbasis TA tersebut dan membuat keputusan berdasarkan data daripada mendasarkan pertimbangan emosional atau prasangka. Berikut adalah daftar blog dan forum perdagangan algoritmik yang sangat dihormati: Begitu Anda memiliki beberapa pengalaman dalam mengevaluasi strategi yang lebih sederhana, sekarang saatnya untuk melihat penawaran akademis yang lebih canggih. Beberapa jurnal akademis akan sulit diakses, tanpa langganan tinggi atau biaya satu kali. Jika Anda adalah anggota atau alumni universitas, Anda harus bisa mendapatkan akses ke beberapa jurnal keuangan ini. Jika tidak, Anda bisa melihat server pra-cetak. Yang merupakan repositori internet dari draf akhir makalah akademis yang sedang menjalani peer review. Karena kita hanya tertarik pada strategi yang dapat berhasil kita tiru, backtest dan dapatkan keuntungan, maka peer review kurang penting bagi kita. Kelemahan utama dari strategi akademis adalah bahwa mereka seringkali bisa ketinggalan zaman, memerlukan data historis yang tidak jelas dan mahal, perdagangan kelas aset tidak likuid atau tidak memperhitungkan biaya, selip atau spread. Juga tidak jelas apakah strategi trading harus dilakukan dengan perintah pasar, membatasi pesanan atau apakah itu berisi stop loss dll. Jadi, sangat penting untuk meniru strategi itu sebaik mungkin, mendukungnya dan menambahkan transaksi realistis. Biaya yang mencakup banyak aspek kelas aset yang Anda inginkan untuk diperdagangkan. Berikut adalah daftar server pra-cetak dan jurnal keuangan yang paling populer sehingga Anda dapat mengemas ide dari: Bagaimana dengan membentuk strategi kuantitatif Anda sendiri Biasanya ini memerlukan ( Namun tidak terbatas pada) keahlian dalam satu atau beberapa kategori berikut: Struktur pasar - Untuk strategi frekuensi yang lebih tinggi, seseorang dapat menggunakan struktur mikro pasar. Yaitu pemahaman dinamika buku pesanan agar bisa menghasilkan profitabilitas. Pasar yang berbeda akan memiliki berbagai keterbatasan teknologi, peraturan, pelaku pasar dan batasan yang semuanya terbuka untuk eksploitasi melalui strategi tertentu. Ini adalah area yang sangat canggih dan praktisi ritel akan merasa sulit untuk bersaing di ruang ini, terutama karena kompetisi tersebut mencakup dana lindung nilai kuantitatif yang besar dan memiliki kapabilitas yang kuat dengan kemampuan teknologi yang kuat. Struktur dana - Dana investasi yang dipusatkan, seperti dana pensiun, kemitraan investasi swasta (hedge fund), penasihat perdagangan komoditas dan reksadana dibatasi oleh peraturan berat dan cadangan modal besar mereka. Dengan demikian perilaku konsisten tertentu bisa dimanfaatkan dengan mereka yang lebih gesit. Misalnya, dana besar tergantung pada keterbatasan kapasitas karena ukurannya. Jadi jika mereka perlu dengan cepat melepaskan (menjual) sejumlah sekuritas, mereka harus terhuyung-huyung untuk menghindari pergerakan pasar. Algoritma yang canggih dapat memanfaatkan hal ini, dan keistimewaan lainnya, dalam proses umum yang dikenal sebagai arbitrase struktur dana. Mesin belajar kecerdasan buatan - Algoritma pembelajaran mesin telah menjadi lebih umum dalam beberapa tahun terakhir di pasar keuangan. Classifiers (seperti Naive-Bayes, dkk.) Pencocokan fungsi non-linear (jaringan syaraf tiruan) dan rutinitas pengoptimalan (algoritma genetika) semuanya telah digunakan untuk memprediksi jalur aset atau strategi perdagangan yang optimal. Jika Anda memiliki latar belakang di bidang ini, Anda mungkin memiliki beberapa wawasan tentang bagaimana algoritme tertentu dapat diterapkan ke pasar tertentu. Ada, tentu saja, banyak daerah lain yang perlu diselidiki. Nah diskusikan bagaimana cara membuat strategi kustom secara detail di artikel selanjutnya. Dengan terus memantau sumber-sumber ini setiap minggu, atau bahkan setiap hari, Anda menyiapkan diri untuk menerima daftar strategi yang konsisten dari beragam sumber. Langkah selanjutnya adalah menentukan cara menolak sebagian besar strategi ini agar meminimalkan pemborosan waktu dan sumber daya backtesting terhadap strategi yang kemungkinan tidak menguntungkan. Mengevaluasi Strategi Perdagangan Pertimbangan pertama, dan bisa dibilang paling jelas adalah apakah Anda benar-benar memahami strateginya. Maukah Anda menjelaskan strategi secara ringkas atau apakah itu memerlukan serangkaian peringatan dan daftar parameter tanpa akhir. Selain itu, apakah strategi tersebut memiliki dasar yang baik dan solid dalam kenyataan Misalnya, dapatkah Anda menunjuk pada beberapa dasar pemikiran atau struktur dana yang membatasi bahwa Mungkin menyebabkan pola yang ingin Anda eksploitasi Apakah kendala ini bertahan terhadap perubahan rezim, seperti gangguan lingkungan peraturan yang dramatis Apakah strategi tersebut bergantung pada peraturan statistik atau matematis yang kompleks Apakah ini berlaku untuk rangkaian waktu keuangan atau Ini spesifik untuk kelas aset yang diklaim menguntungkan pada Anda harus terus memikirkan faktor-faktor ini saat mengevaluasi metode perdagangan baru, jika tidak, Anda mungkin akan membuang banyak waktu untuk melakukan backtest dan mengoptimalkan strategi yang tidak menguntungkan. Setelah Anda menentukan bahwa Anda memahami prinsip dasar strategi yang Anda perlukan untuk memutuskan apakah sesuai dengan profil kepribadian Anda di atas. Ini bukan sebagai pertimbangan yang samar karena kedengarannya Strategi akan berbeda secara substansial dalam karakteristik kinerjanya. Ada tipe kepribadian tertentu yang dapat menangani periode penarikan yang lebih signifikan, atau bersedia menerima risiko lebih besar untuk pengembalian yang lebih besar. Terlepas dari kenyataan bahwa kita, sebagai quants, mencoba dan menghilangkan sebanyak mungkin bias kognitif dan harus dapat mengevaluasi strategi tanpa perasaan, bias akan terus berlanjut. Dengan demikian, kita memerlukan sarana yang konsisten dan tidak emosional untuk mengukur kinerja strategi. . Berikut adalah daftar kriteria yang saya menilai strategi baru yang potensial dengan: Metodologi - Apakah strategi berbasis momentum, revaluasi rata-rata, netral pasar, terarah Apakah strategi mengandalkan teknik statistik atau teknik teknik yang canggih (atau kompleks) yang sulit Untuk memahami dan memerlukan gelar PhD dalam statistik untuk dipegang Apakah teknik ini mengenalkan sejumlah parameter yang signifikan, yang dapat menyebabkan bias optimasi Apakah strategi tersebut cenderung bertahan terhadap perubahan rezim (misalnya peraturan baru yang potensial mengenai pasar keuangan) Rasio Sharpe - Rasio Sharpe Secara heuristik mencirikan rasio rewardrisk strategi. Ini mengkuantifikasi berapa banyak pengembalian yang dapat Anda capai untuk tingkat volatilitas yang dialami oleh kurva ekuitas. Tentu, kita perlu menentukan periode dan frekuensi bahwa tingkat pengembalian dan volatilitas ini (yaitu standar deviasi) diukur di atas. Strategi frekuensi yang lebih tinggi akan memerlukan tingkat sampling deviasi standar yang lebih besar, namun periode pengukuran waktu keseluruhan yang lebih pendek, misalnya. Leverage - Apakah strategi memerlukan leverage yang signifikan agar menguntungkan Apakah strategi tersebut memerlukan penggunaan kontrak derivatif leveraged (futures, options, swaps) untuk mendapatkan pengembalian Kontrak leverage ini dapat memiliki karakteristik volatilitas yang tinggi dan dengan demikian dapat dengan mudah menyebabkan Margin call Apakah Anda memiliki modal perdagangan dan temperamen untuk volatilitas semacam itu Frekuensi - Frekuensi strategi terkait erat dengan tumpukan teknologi Anda (dan dengan demikian keahlian teknologi), rasio Sharpe dan keseluruhan tingkat biaya transaksi. Semua masalah lainnya dipertimbangkan, strategi frekuensi yang lebih tinggi memerlukan modal lebih banyak, lebih canggih dan sulit untuk diterapkan. Namun, dengan asumsi mesin backtesting Anda canggih dan bebas bug, mereka seringkali memiliki rasio Sharpe yang jauh lebih tinggi. Volatilitas - Volatilitas sangat terkait dengan risiko strategi. Rasio Sharpe mencirikan ini. Volatilitas yang lebih tinggi dari kelas aset yang mendasarinya, jika tidak berubah, sering menyebabkan volatilitas yang lebih tinggi pada kurva ekuitas dan dengan demikian rasio Sharpe yang lebih kecil. Saya tentu saja mengasumsikan bahwa volatilitas positif kira-kira sama dengan volatilitas negatif. Beberapa strategi mungkin memiliki volatilitas downside yang lebih besar. Anda harus menyadari atribut ini. WinLoss, Average ProfitLoss - Strategi akan berbeda dalam karakteristik winloss dan average profitloss mereka. Seseorang dapat memiliki strategi yang sangat menguntungkan, bahkan jika jumlah kehilangan perdagangan melebihi jumlah perdagangan yang menang. Strategi Momentum cenderung memiliki pola ini karena mereka mengandalkan sejumlah kecil hit besar agar bisa menguntungkan. Strategi pembalikan rata-rata cenderung memiliki profil yang berlawanan dimana lebih banyak perdagangan adalah pemenang, namun perdagangan yang kalah bisa sangat parah. Drawdown Maksimum - Penarikan maksimum adalah penurunan persentase keseluruhan dari puncak ke puncak terbesar pada kurva ekuitas strategi. Momentum strategi terkenal menderita periode penarikan diperpanjang (karena serangkaian banyak kehilangan perdagangan). Banyak trader akan menyerah pada periode penarikan yang diperpanjang, bahkan jika pengujian historis telah menyarankan bahwa ini adalah bisnis seperti biasa untuk strategi. Anda perlu menentukan berapa persentase penarikan (dan berapa periode waktu) yang dapat Anda terima sebelum menghentikan perdagangan strategi Anda. Ini adalah keputusan yang sangat pribadi dan karenanya harus diperhatikan dengan hati-hati. CapacityLiquidity - Pada tingkat ritel, kecuali jika Anda melakukan perdagangan dengan instrumen yang sangat tidak likuid (seperti saham kecil), Anda tidak perlu terlalu memikirkan kapasitas strategi. Kapasitas menentukan skalabilitas strategi untuk modal lebih lanjut. Banyak dana lindung nilai yang lebih besar mengalami masalah kapasitas yang signifikan karena strategi mereka meningkatkan alokasi modal. Parameter - Strategi tertentu (terutama yang ditemukan di komunitas pembelajaran mesin) memerlukan sejumlah besar parameter. Setiap parameter tambahan bahwa strategi memerlukan daun lebih rentan terhadap bias pengoptimalan (juga dikenal sebagai kurva-pas). Anda harus mencoba dan menargetkan strategi dengan parameter sesedikit mungkin atau pastikan Anda memiliki data dalam jumlah cukup untuk menguji strategi Anda. Benchmark - Hampir semua strategi (kecuali ditandai sebagai return absolut) diukur terhadap beberapa tolok ukur kinerja. Tolok ukur biasanya merupakan indeks yang menjadi ciri sampel besar dari kelas aset dasar yang menjadi strategi perdagangan. Jika strategi memperdagangkan saham AS yang besar, maka SP500 akan menjadi patokan alami untuk mengukur strategi Anda. Anda akan mendengar istilah alpha dan beta, diterapkan pada strategi tipe ini. Kita akan membahas koefisien-koefisien ini secara mendalam dalam artikel selanjutnya. Perhatikan bahwa kita belum membahas pengembalian strategi yang sebenarnya. Mengapa dalam isolasi ini, pengembalian benar-benar memberi kita informasi yang terbatas mengenai keefektifan strategi. Mereka tidak memberi Anda wawasan tentang leverage, volatilitas, tolok ukur atau persyaratan modal. Jadi strategi jarang dinilai pada keuntungan mereka sendiri. Selalu pertimbangkan atribut risiko strategi sebelum melihat hasilnya. Pada tahap ini banyak strategi yang ditemukan dari jaringan pipa Anda akan ditolak, karena mereka tidak memenuhi persyaratan modal, batasan leverage, toleransi penarikan maksimum atau preferensi volatilitas. Strategi yang masih ada sekarang dapat dipertimbangkan untuk melakukan backtesting. Namun, sebelum ini memungkinkan, perlu mempertimbangkan satu kriteria penolakan terakhir - data historis yang tersedia untuk menguji strategi ini. Mendapatkan Data Historis Saat ini, luasnya persyaratan teknis di seluruh kelas aset untuk penyimpanan data historis cukup besar. Agar tetap kompetitif, baik sisi beli (dana) maupun sisi jual (investment bank) banyak berinvestasi di infrastruktur teknis mereka. Sangat penting untuk mempertimbangkan kepentingannya. Secara khusus, kami tertarik pada ketepatan waktu, ketepatan dan persyaratan penyimpanan. Sekarang saya akan menjelaskan dasar-dasar mendapatkan data historis dan bagaimana cara menyimpannya. Sayangnya ini adalah topik yang sangat dalam dan teknis, jadi saya tidak dapat mengatakan semuanya dalam artikel ini. Namun, saya akan menulis lebih banyak tentang hal ini di masa depan karena pengalaman industri terdahulu saya di industri keuangan terutama berkaitan dengan perolehan, penyimpanan, dan akses data keuangan. Pada bagian sebelumnya kami telah menyiapkan strategi pipa yang memungkinkan kami menolak strategi tertentu berdasarkan kriteria penolakan pribadi kami sendiri. Pada bagian ini, kami akan memfilter lebih banyak strategi berdasarkan preferensi kami sendiri untuk mendapatkan data historis. Pertimbangan utama (terutama pada tingkat praktisi ritel) adalah biaya data, persyaratan penyimpanan dan tingkat keahlian teknis Anda. Kita juga perlu membahas berbagai jenis data yang tersedia dan berbagai pertimbangan yang masing-masing jenis data akan berikan pada kita. Mari kita mulai dengan membahas jenis data yang tersedia dan isu utama yang perlu dipikirkan: Data Fundamental - Ini mencakup data tentang tren makroekonomi, seperti suku bunga, angka inflasi, tindakan korporasi (dividen, pembagian saham), pengajuan SEC , Akun perusahaan, angka pendapatan, laporan tanaman, data meteorologi, dll. Data ini sering digunakan untuk menilai perusahaan atau aset lainnya secara fundamental, yaitu melalui beberapa cara arus kas masa depan yang diharapkan. Ini tidak termasuk seri harga saham. Beberapa data fundamental tersedia secara bebas dari situs web pemerintah. Data fundamental historis jangka panjang lainnya bisa sangat mahal. Persyaratan penyimpanan seringkali tidak terlalu besar, kecuali ribuan perusahaan sedang dipelajari sekaligus. Data Berita - Data berita sering bersifat kualitatif. Ini terdiri dari artikel, posting blog, posting microblog (tweets) dan editorial. Teknik belajar mesin seperti pengklasifikasi sering digunakan untuk menginterpretasikan sentimen. Data ini juga sering tersedia secara gratis atau murah, via berlangganan media. Database penyimpanan dokumen NoSQL yang lebih baru dirancang untuk menyimpan data kualitatif terstruktur ini. Data Harga Aset - Ini adalah domain data tradisional dari kuota. Ini terdiri dari deret waktu harga aset. Ekuitas (saham), produk pendapatan tetap (obligasi), komoditas dan harga valuta asing semuanya berada di dalam kelas ini. Data historis harian seringkali mudah diperoleh untuk kelas aset sederhana, seperti ekuitas. Namun, begitu akurasi dan kebersihan disertakan dan bias statistik dilepas, datanya bisa menjadi mahal. Selain itu, data deret waktu sering memiliki persyaratan penyimpanan yang signifikan terutama saat data intraday dipertimbangkan. Instrumen Keuangan - Ekuitas, obligasi, futures dan opsi derivatif yang lebih eksotis memiliki karakteristik dan parameter yang sangat berbeda. Dengan demikian tidak ada satu ukuran yang sesuai dengan semua struktur database yang bisa menampungnya. Perhatian yang signifikan harus diberikan pada perancangan dan implementasi struktur database untuk berbagai instrumen keuangan. Kita akan membahas situasi panjang lebar saat kita membangun database master sekuritas di artikel mendatang. Frekuensi - Semakin tinggi frekuensi data, semakin besar pula kebutuhan biaya dan penyimpanan. Untuk strategi frekuensi rendah, data harian seringkali cukup memadai. Untuk strategi frekuensi tinggi, mungkin perlu untuk mendapatkan data tingkat-tik dan bahkan salinan historis dari data buku pesanan perdagangan dagang tertentu. Menerapkan mesin penyimpanan untuk tipe data ini sangat teknologinya intensif dan hanya cocok untuk mereka yang memiliki latar belakang teknis yang kuat. Tolok ukur - Strategi yang diuraikan di atas akan sering dibandingkan dengan tolok ukur. Ini biasanya memanifestasikan dirinya sebagai rangkaian waktu keuangan tambahan. Untuk ekuitas, ini sering menjadi benchmark saham nasional, seperti indeks SP500 (AS) atau FTSE100 (Inggris). Untuk dana pendapatan tetap, ada gunanya membandingkan dengan sekeranjang obligasi atau produk pendapatan tetap. Tingkat bebas risiko (yaitu suku bunga yang sesuai) juga merupakan tolok ukur yang banyak diterima. Semua kategori kelas aset memiliki tolok ukur yang disukai, jadi perlu dilakukan penelitian berdasarkan strategi khusus Anda, jika Anda ingin menarik minat strategi Anda secara eksternal. Teknologi - Tumpukan teknologi di belakang pusat penyimpanan data keuangan sangat kompleks. Artikel ini hanya bisa menggores permukaan tentang apa saja yang terlibat dalam membangunnya. Namun, ini berpusat di sekitar mesin database, seperti Relational Database Management System (RDBMS), seperti MySQL, SQL Server, Oracle atau Document Storage Engine (yaitu NoSQL). Ini diakses melalui kode aplikasi logika bisnis yang menanyakan database dan menyediakan akses ke alat eksternal, seperti MATLAB, R atau Excel. Seringkali logika bisnis ini ditulis di C, C, Java atau Python. Anda juga perlu meng-host data ini di suatu tempat, baik di komputer pribadi Anda, atau dari jarak jauh melalui server internet. Produk seperti Amazon Web Services telah membuat ini lebih sederhana dan murah dalam beberapa tahun terakhir, namun masih memerlukan keahlian teknis yang signifikan untuk dicapai dengan cara yang kuat. Seperti dapat dilihat, sekali strategi telah diidentifikasi melalui pipa, perlu untuk mengevaluasi ketersediaan, biaya, kompleksitas dan rincian pelaksanaan serangkaian data historis tertentu. Anda mungkin merasa perlu untuk menolak strategi yang hanya didasarkan pada pertimbangan data historis. Ini adalah area yang luas dan tim PhD bekerja dengan dana besar memastikan harga akurat dan tepat waktu. Jangan meremehkan kesulitan untuk menciptakan pusat data yang kuat untuk tujuan backtesting Anda, namun saya ingin mengatakan bahwa platform backtesting dapat menyediakan data ini untuk Anda secara otomatis - dengan biaya tertentu. Dengan demikian akan membawa banyak rasa sakit pelaksanaan dari Anda, dan Anda dapat berkonsentrasi murni pada implementasi dan pengoptimalan strategi. Alat seperti TradeStation memiliki kemampuan ini. Namun, pandangan pribadi saya adalah menerapkan sebanyak mungkin secara internal dan menghindari bagian outsourcing dari tumpukan ke vendor perangkat lunak. Saya lebih memilih strategi frekuensi yang lebih tinggi karena rasio Sharpe mereka yang lebih atraktif, namun seringkali digabungkan dengan teknologi stack, di mana pengoptimalan lanjutan sangat penting. Sekarang setelah kita membahas masalah seputar data historis, saatnya untuk mulai menerapkan strategi kita di mesin backtesting. Ini akan menjadi topik artikel lainnya, karena ini adalah area diskusi yang sama besar. Memulai dengan Quantitative TradingSmartQuant adalah perusahaan perangkat lunak keuangan yang mengembangkan infrastruktur perdagangan algo end-to-end untuk hedge fund kuantitatif dan grup perdagangan institusional. OpenQuant dan generasi berikutnya, OpenQuant2014. Produk andalan SmartQuants saat ini, adalah Platform Pengembangan Algoritma dan Automated Trading System (ATS). OpenQuant menampilkan IDE (Integrated Development Environment) yang menyediakan quants dan trader dengan strategi riset, pengembangan, debugging, backtesting, simulasi, optimasi dan otomasi industri. QuantDesk adalah solusi end-to-end lengkap untuk dana quant dalam berbagai ukuran. Ini termasuk OpenQuant IDE. QuantRouter (server eksekusi algo dengan replikasi pakan, konsolidasi, agregasi dan urutan pesanan cerdas), QuantBase (server data pasar dengan pengambilan umpan waktu nyata dan pengelolaan data historis terpusat), QuantTrader (mesin penyebaran produksi untuk strategi perdagangan otomatis yang dikembangkan dengan OpenQuant) dan QuantController . Sebuah aplikasi server yang melengkapi QuantDesk untuk memungkinkan pengelolaan arsitektur perdagangan terdistribusi SmartQuants yang efisien. QuantWeb adalah versi awan dari QuantDesk dengan browser web front-end. Mendaftar dan dapatkan akun demo QuantWeb gratis. Perbedaan utama antara gaya trading kuantitatif dan discretionary adalah sifat sistematis dari pendekatan kuantitatif. Sementara pedagang discretionary seperti seniman, quants cenderung menjalankan proses produksi yang kompleks, dan oleh karena itu membutuhkan infrastruktur kekuatan industri yang tanpanya mereka tidak dapat mempertahankan tingkat disiplin sistematik yang diperlukan. Sayangnya, menjadi start up tidak membebaskan seseorang dari peraturan ini. Tapi untungnya, seseorang tidak benar-benar perlu membangun seluruh pabrik dari bawah ke atas. Dengan menggunakan infrastruktur perdagangan SmartQuant algo, memungkinkan manajer yang baru muncul untuk berfokus pada tujuan utama mereka, yaitu pengembangan strategi investasi, sekaligus mendapatkan keuntungan dari kerangka kerja yang andal untuk menerapkan dan menerapkannya di pasar. Tentu, kita masih menghabiskan banyak waktu untuk bereksperimen, mencoba dan menguji strategi yang berbeda. Memiliki lingkungan pengembangan yang baik tidak serta merta memungkinkan Anda melewati langkah itu. Keuntungan nyata dari kerangka kerja yang dirancang dengan baik adalah dalam mengurangi waktu antara pengujian dan produksi seminimal mungkin, dan dalam infrastruktur terukur, yang dapat tumbuh dengan perusahaan dari pengelolaan modal benih kecil sampai tingkat kelembagaan yang sesungguhnya. Dengan sistem seperti ini, manajer yang baru muncul dapat merasakan tingkat lapangan bermain saat melakukan trading di pasar yang sama dengan pesaing yang jauh lebih besar, dan dapat sepenuhnya menyadari keuntungan inheren dari menjadi tangkas dan adaptif. Arthur M. Berd Pendiri dan CEO, General Quantitative, LLC Hak Cipta 1997-2016 SmartQuant Ltd infosmartquant