Menú principal Estrategias de negociación cuantitativa Operaciones basadas en eventos corporativos anticipados, como la fusión anticipada o la actividad de toma de posesión o la declaración de quiebra. También se llama arbitraje de riesgo. Negociación de valor relativo versus negociación direccional La mayoría de los enfoques de negociación / inversión de fondos de cobertura cuantitativos se clasifican en una de dos categorías: las que utilizan estrategias de valor relativo y aquellas cuyas estrategias se caracterizarían como direccionales. Ambas estrategias utilizan en gran medida modelos informáticos y software estadístico. Las estrategias de Valor Relativo tratan de capitalizar relaciones de precios predecibles (a menudo relaciones de media revertir) entre múltiples activos (por ejemplo, la relación entre los rendimientos a corto plazo de los bonos del Tesoro de Estados Unidos y los rendimientos de bonos del Tesoro de Estados Unidos a largo plazo o la relación implícita Volatilidad en dos contratos de opciones diferentes). Las estrategias direccionales, por su parte, suelen basarse en tendencias u otros caminos basados en patrones que sugieren un impulso ascendente o descendente para un valor o conjunto de valores (por ejemplo, las apuestas de que los rendimientos de bonos del Tesoro estadounidense a largo plazo aumentarán o que la volatilidad implícita será disminución). Estrategias de Valor Relativo Ejemplos comunes de estrategias de Valor Relativo incluyen colocar apuestas relativas (es decir, comprar un activo y vender otro) en activos cuyos precios están estrechamente vinculados: Valores gubernamentales de dos países diferentes Valores gubernamentales de dos diferentes longitudes hasta el vencimiento El diferencial de volatilidad implícita entre dos derivados Los precios de las acciones frente a los precios de los bonos para un emisor de bonos corporativos Los diferenciales de rendimiento de los bonos corporativos frente a los diferenciales de Credit Default Swap (CDS) La lista de posibles estrategias de valor relativo es muy larga. Hay tres muy importantes y comúnmente utilizados estrategias de valor relativo a ser conscientes de, sin embargo: Arbitraje estadístico: el comercio de una tendencia a la media revertir los valores de cestas similares de activos sobre la base de relaciones comerciales históricas. Una forma común de Arbitraje Estadístico, o Stat Arb, la negociación, se conoce como negociación Neutral de Equity Market. En esta estrategia, se seleccionan dos canastas de acciones (una canasta larga y una canasta corta), con el objetivo de que los pesos relativos de las dos cestas salgan del fondo con cero exposición neta a diversos factores de riesgo (industria, geografía, sector, etc.). .) Stat Arb también podría implicar el comercio de un índice frente a un ETF similar, o un índice frente a un stock de una sola compañía. Arbitraje Convertible: compra de emisiones de bonos convertibles por una empresa y simultáneamente venta de acciones comunes de la misma compañía, con la idea de que si la acción de una determinada empresa disminuye, el beneficio de la posición corta compensará más que cualquier pérdida en la obligación convertible , Dado el valor de los bonos convertibles como un instrumento de renta fija. Del mismo modo, en cualquier movimiento al alza del precio de las acciones comunes, el fondo puede beneficiarse de la conversión de sus obligaciones convertibles en acciones, vendiéndolas a valor de mercado por un monto que exceda cualquier pérdida en su posición corta. Arbitraje de renta fija: negociación de valores de renta fija en mercados de bonos desarrollados para explotar las anomalías relativas a las tasas de interés percibidas. Las posiciones de Arbitraje de Ingreso Fijo pueden usar bonos del gobierno, swaps de tasas de interés y futuros de tasas de interés. Un ejemplo popular de este estilo de negociación en el arbitraje de renta fija es el comercio de base, en el cual uno vende (compra) futuros del Tesoro y compra (vende) una cantidad correspondiente del bono entregable potencial. Aquí, uno está tomando una opinión sobre la diferencia entre el precio al contado de un bono y el precio del contrato de futuros ajustado (factor de conversión del precio de futuros) y la negociación de los pares de activos en consecuencia. Estrategias direccionales Las estrategias de negociación direccional, por su parte, suelen basarse en los seguimientos de tendencias u otros caminos basados en patrones que sugieren un impulso ascendente o descendente para un precio de seguridad. El comercio direccional incorporará a menudo algún aspecto del Análisis Técnico o del gráfico. Esto implica predecir la dirección de los precios a través del estudio de datos de mercado de precios y precios pasados. La dirección que se negocia puede ser la de un activo en sí (impulso en los precios de las acciones, por ejemplo, o el tipo de cambio euro / dólar estadounidense) o un factor que afecta directamente al propio precio del activo (por ejemplo, volatilidad implícita para opciones o tasas de interés Para bonos del gobierno). El comercio técnico también puede comprender el uso de promedios móviles, bandas alrededor de la desviación estándar histórica de los precios, los niveles de soporte y resistencia y las tasas de cambio. Normalmente, los indicadores técnicos no constituirían la única base para una estrategia de inversión cuantitativa de hedge funds Quant Hedge Funds emplea muchos factores adicionales por encima de la información histórica de precios y volúmenes. En otras palabras, los fondos de cobertura cuantitativos que emplean estrategias de negociación direccional generalmente tienen estrategias cuantitativas generales que son mucho más sofisticadas que el análisis técnico general. Esto no es para sugerir que los comerciantes de día puede no ser capaz de beneficiarse de la analisis tecnica al contrario, muchas estrategias de negociacion basadas en el impulso puede ser rentable. Por lo tanto, para los propósitos de este módulo de capacitación, las referencias a las estrategias de negociación de Quant Hedge Fund no incluirán únicamente estrategias basadas en Análisis Técnico. Otras estrategias cuantitativas Otros enfoques comerciales cuantitativos que no se clasifican fácilmente como estrategias de valor relativo o estrategias direccionales incluyen: Negociación de alta frecuencia. Donde los comerciantes intentan aprovechar las discrepancias de precios entre múltiples plataformas con muchas operaciones a lo largo del día. Las estrategias de Managed Volatility utilizan futuros y contratos a plazo para centrarse en generar retornos LIBOR-plus bajos, pero estables, incrementando o disminuyendo dinámicamente el número de contratos. Las volatilidades subyacentes de las acciones, los bonos y otros mercados cambian. Las estrategias de volatilidad administrada han ganado popularidad en los últimos años debido a la reciente inestabilidad de los mercados de acciones y bonos. LarrQue es un Fondo de Cobertura Cuantitativo Top Cuantitativo Hedge FundsrarrEste post explora la aplicación de NEAT a la negociación de la SampP. La estrategia aprendida realiza de manera significativa la compra y la retención tanto dentro como fuera de la muestra. Una parte clave de cualquier problema de aprendizaje de la máquina es definir las características y asegurar que se normalizan de alguna manera. Las características serán los percentiles móviles de los siguientes datos económicos, un percentil rodante toma los últimos n puntos de datos y calcula qué punto de datos el último punto de datos es mayor que. La función de aptitud es la equidad final, y apunta a maximizar la equidad final Cualquier genoma que tiene un 20 bajar, o intenta usar un apalancamiento mayor que / - 2 se termina. En la práctica, no querrías hacer que tu máquina del sistema aprendiera los controles de riesgo, ya que existe el potencial de que no se aprendan. La razón por la que están incrustados dentro de la estrategia es acelerar el proceso de aprendizaje, ya que podemos matar los genomas antes de que la simulación se complete sobre la base de romper las reglas de riesgo. Trama de todos los datos / características Parece que cuando los no agricultores caen a sus percentiles inferiores / el desempleo alcanza los percentiles más altos, los rendimientos del día a día en el SampP se vuelven más volátiles. Se espera que el aprendizaje pueda aprovechar esto. El aprendizaje ha identificado una estrategia que realiza simplemente comprar y mantener. La estrategia propuesta tiene una reducción máxima de alrededor de 20 frente a la compra y mantenga teniendo un retiro de 40. Además, la estrategia de cortocircuito el índice entre 2000-2003, ya que se estaba vendiendo antes de ir largo a 2007. Generación de un retorno de 80 vs comprar y 7 de los resultados de la muestra En la salida de los datos de la muestra (no se utiliza durante el entrenamiento) la estrategia significativamente fuera realizó la compra y la celebración, aproximadamente 250 de retorno vs 50 con una reducción máxima cerca de 20 vs comprar y retener el sorteo de 50. Un sencillo tutorial que muestra cómo entrenar una red neuronal a números de raíces cuadradas usando un algoritmo genético que busca a través del espacio de la estructura topológica. El algoritmo se denomina NEAT (Neuro Evolution of Augmenting Topologies) disponible en el paquete RNeat (todavía no en CRAN). El entrenamiento es muy similar a otros paquetes de aprendizaje / regresión de máquina en R. La función de entrenamiento toma un marco de datos y una fórmula. La fórmula se utiliza para especificar qué columnas en el marco de datos son las variables dependientes y cuáles son la variable explicativa. El código es comentado y debe ser lo suficientemente simple para los nuevos usuarios de R. El rendimiento de la red se puede ver en el gráfico de la parte inferior izquierda de la imagen anterior, hay diferencias considerables entre la producción esperada y la producción real. Es probable que con más entrenamiento la magnitud de estos errores se reduzca, puede verse en el gráfico de abajo a la derecha que la aptitud máxima, media y mediana están aumentando generalmente con cada generación. Esta parte del tutorial de NEAT mostrará cómo usar el paquete RNeat (aún no en CRAN) para resolver el problema clásico de balance de polos. La simulación requiere la implementación de 5 funciones: processInitialStateFunc 8211 Especifica el estado inicial del sistema, para el problema de equilibrio de polos el estado es la ubicación del carro, la velocidad del carro, la aceleración del carro, la fuerza que se aplica al carro, el ángulo del polo, el polo angular Velocidad y aceleración angular del polo. ProcessUpdateStateFunc 8211 Esto especifica cómo tomar el estado actual y actualizarlo utilizando las salidas de la red neuronal. En este ejemplo, esta función simula las ecuaciones de movimiento y toma la salida de red neural como la fuerza que se está aplicando al carro. ProcessStateToNeuralInputFunc 8211 Permite modificar el estado / normalización del estado antes de que se pase como una entrada a la red neuronal fitnessUpdateFunc 8211 Toma la aptitud antigua, el estado antiguo y el nuevo estado actualizado y determina cuál es la aptitud del nuevo sistema. Para el problema de equilibrio de polos esta función quiere recompensar el péndulo hacia arriba, y recompensa al carro estar cerca del centro de la pista. TerminationCheckFunc 8211 Captura el estado y comprueba si la terminación debe finalizar. Puede optar por terminar si el polo se cae, la simulación ha funcionado demasiado tiempo o el carro ha expulsado del final de la pista. PlotStateFunc 8211 Traza el estado, para el balance de polo esto dibuja el carro y el péndulo. Esta parte del tutorial sobre el uso del algoritmo NEAT explica cómo los genomas se cruzan de manera significativa manteniendo su información topológica y cómo la especiación (genomas de grupo en especies) puede ser utilizado para proteger a los genomas débiles con nueva información topológica de ser erradicada prematuramente del gen Antes de que su espacio de peso pueda ser optimizado. La primera parte de este tutorial se puede encontrar aquí. Seguimiento de la historia del gen a través de los números de innovación La Parte 1 mostró dos mutaciones, mutación de enlace y mutación del nodo que ambos añadieron nuevos genes al genoma. Cada vez que un nuevo gen se crea (a través de una innovación topológica) un número de innovación global se incrementa y se asigna a ese gen. El número de innovación global está siguiendo el origen histórico de cada gen. Si dos genes tienen el mismo número de innovación, deben representar la misma topología (aunque los pesos pueden ser diferentes). Esto es explotado durante el cruce de genes. Genoma Crossover (Genética) Genomas crossover toma genomas de dos padres (permite llamarlos A y B) y crea un nuevo genoma (lo llamamos el niño) tomando los genes más fuertes de A y B copiando cualquier estructura topológica a lo largo del camino. Durante el cruce, los genes de ambos genomas se alinean utilizando su número de innovación. Para cada número de innovación se selecciona el gen del padre más adecuado y se inserta en el genoma infantil. Si ambos genomas padre son la misma aptitud entonces el gen se selecciona aleatoriamente de cualquiera de los padres con igual probabilidad. Si el número de innovación sólo está presente en un padre, entonces esto se conoce como un gen disjunto o exceso y representa una innovación topológica, también se inserta en el niño. La imagen a continuación muestra el proceso de cruce de dos genomas de la misma aptitud. La especiación toma todos los genomas en un grupo de genomas dado y trata de dividirlos en grupos distintos conocidos como especies. Los genomas en cada especie tendrán características similares. Una forma de medir la similitud entre dos genomas se requiere, si dos genomas son 8220similar8221 son de la misma especie. Una medida natural a utilizar sería una suma ponderada del número de genes disjuntos del exceso de amperios (que representan las diferencias topológicas) y la diferencia en los pesos entre los genes que coinciden. Si la suma ponderada está por debajo de cierto umbral entonces los genomas son de la misma especie. La ventaja de dividir los genomas en especies es que durante el paso de la evolución genética donde los genomas con baja aptitud se sacrifican (eliminados completamente de la piscina del genoma) en lugar de tener cada genoma luchar por su lugar contra todos los otros genomas en todo el genoma piscina que podemos Lo hacen luchar por su lugar contra los genomas de la misma especie. De esta manera, las especies que se forman a partir de una nueva innovación topológica que podría no tener una alta aptitud todavía debido a no tener los pesos optimizados sobrevivirán al sacrificio. Resumen de todo el proceso Crear un grupo de genomas con n genomas aleatorios Tomar cada genoma y aplicar a problema / simulación y calcular el genoma de fitness Asignar cada genoma a una especie En cada especie de sacrificio de los genomas quitar algunos de los genomas más débiles Raza cada especie Genomas en la especie a cruzar o mutar) Repita todo lo anterior Esta serie de cuatro partes explorará la NeuroEvolución de las topologías de aumento (NEAT) algoritmo. Las partes uno y dos resumirán brevemente el algoritmo y discutirán los beneficios, la tercera parte lo aplicará al problema de equilibrado de polos y finalmente la parte 4 lo aplicará a los datos de mercado. Este algoritmo recientemente se viró viral en un video llamado MarI / O donde se desarrolló una red que fue capaz de completar el primer nivel de super mario ver el video de abajo. Normalmente, cuando uno elige utilizar una red neuronal tienen que decidir cuántas capas ocultas hay, el número de neuronas en cada capa y qué conexiones existen entre las neuronas. Dependiendo de la naturaleza del problema, puede ser muy difícil saber qué es una topología sensible. Una vez que se elige la topología, lo más probable es que sea entrenado usando back-propagation o un enfoque de evolución genética y probado. El enfoque de evolución genética es esencialmente buscar a través del espacio de pesos de conexión y seleccionar redes de alto rendimiento y criarlos (esto se conoce como evolución de topología fija). El enfoque anterior encuentra pesos de conexión óptimos, 8282s luego hacia abajo a un 8220expert8221 para ajustar manualmente la topología de la red en un intento de encontrar iterativamente redes de mejor desempeño. Esto llevó al desarrollo de la formación de topología variable, donde tanto el espacio de conexión como el espacio de estructura se exploran. Con esto vino un anfitrión de problemas tales como redes que hacían increíblemente espeso y complejo que retardaba abajo el proceso que aprendía de la máquina. Con los enfoques genéticos fue difícil rastrear las mutaciones genéticas y la estructura de crossover de una manera significativa. El algoritmo NEAT tiene como objetivo desarrollar un algoritmo genético que busque a través del peso de la red neuronal y el espacio de la estructura que tiene las siguientes propiedades: Tener una representación genética que permita cruzar la estructura de manera significativa Proteger las innovaciones topológicas que necesitan unas pocas evoluciones para ser optimizado Que no desaparece prematuramente del grupo genético Minimizar las topologías durante el entrenamiento sin funciones de penalización de complejidad de red especialmente diseñadas A través del tratamiento del algoritmo se puede encontrar en el documento Evolving Neural Networks by Augmenting Topologies de Kenneth O. Stanley y Risto Miikkulainen (nn. cs. utexas. edu / downloads / papers / stanley. ec02.pdf). La información sobre la red está representada por un genoma, el genoma contiene genes de nodo y genes de conexión. Los genes del nodo definen nodos en la red, los nodos pueden ser entradas (como un indicador técnico), resultados (como una recomendación de compra / venta) u ocultos (utilizados por la red para un cálculo). Los genes de conexión unen nodos en la red y tienen un peso asociado a ellos. Los genes de conexión tienen un nodo de entrada, un nodo de salida, un peso, un indicador habilitado / deshabilitado y un número de innovación. El número de innovación se utiliza para rastrear la historia de una evolución de los genes y se explicará con más detalle en la segunda parte. Este post se verá en algunas de las mutaciones que pueden suceder a la red, vale la pena señalar que cada genoma ha incrustado en su interior una tasa de mutación para cada tipo de mutación que puede ocurrir. Estas tasas de mutación también se incrementan o disminuyen al azar a medida que avanza la evolución. Al azar actualiza el peso de un gen de conexión seleccionado al azar Las actualizaciones son: Peso nuevo Peso antiguo / - Número aleatorio entre 0 y genomeMutationRate8220Step8221 Nuevo peso Número aleatorio entre -2 y 2 Agrega aleatoriamente una nueva conexión a la red con un peso aleatorio entre - 2 y 2 Esta mutación añade un nuevo nodo a la red deshabilitando una conexión, reemplazándola por una conexión de peso 1, un nodo y una conexión con el mismo peso que la conexión desactivada. En esencia se ha reemplazado con un equivalente equivalente. Habilitar Desactivar Mutacion Activa y desactiva aleatoriamente las conexionesCategoría de Archivos: Estrategia de Negocio Me encontré con esta serie de videos durante el fin de semana, un comerciante de opciones discute cómo él negocia spreads de crédito (principalmente busca reversión media). La mayoría de ustedes estarán familiarizados con las bandas de bollinger como una estrategia común de reversión media, esencialmente toman el promedio móvil y la desviación estándar en movimiento de la población. A continuación, trazar en su gráfico el promedio móvil y una banda superior e inferior (media móvil / - desviaciones nstandard). Se supone que el precio se revertirá a la media móvil por lo tanto cualquier movimiento de precios a las bandas es un buen punto de entrada. Un problema común con esta estrategia es que el promedio móvil es un indicador LAGGING ya menudo es muy lento para rastrear los movimientos de precios si se utiliza un período largo de retroceso. El video 1 presenta una técnica llamada 8220 curvas de regresión lineal8221 alrededor de 10 minutos pulgadas curvas de regresión lineal objetivo de resolver el problema de la media móvil es lento para realizar un seguimiento del precio. Curva de regresión lineal vs promedio móvil simple Vea cómo firmemente la curva de regresión lineal azul sigue el precio de cierre, it8217s significativamente más rápido para identificar las vueltas en el mercado donde como el promedio móvil simple tiene error de seguimiento considerable. Se podría tomar el MSE para cuantificar la estanqueidad. Cómo calcular la curva de regresión lineal: En este ejemplo tiene 100 precios de cierre para su stock dado. Bar 1 es el precio más antiguo, bar 100 es el precio más reciente. Utilizaremos una regresión de 20 días. 1. Tome los precios 1-20 y dibujar la línea de mejor ajuste a través de ellos 2. Al final de su mejor línea de ajuste (por lo que la barra 20), dibuja un pequeño círculo 3. Toma los precios 2-21 y dibuja la línea de mejor ajuste A través de ellos 4. Al final de su mejor línea de ajuste (por lo que la barra 21) dibujar un pequeño círculo 5. Repita hasta la barra 100 6. Unirse a todos sus pequeños círculos, esta es su 8216 curva de regresión lineal8217 Así que en pocas palabras, acaba de unirse a la De una regresión lineal de rodadura. Este post mira para examinar si la frase bien conocida 8220 cuanto mayor es el riesgo mayor es la recompensa8221 se aplica a los constituyentes FTSE 100. Numerosos modelos han intentado capturar métricas de recompensas de riesgo, el más conocido es el Modelo de Asignación de Precios de Capital (CAPM). CAPM intenta cuantificar el rendimiento de una inversión que un inversionista debe recibir para ser adecuadamente compensado por el riesgo que ha tomado. El código siguiente calcula la desviación estándar de rotación de los rendimientos, 8216 el riesgo 8217, para los constituyentes FTSE 100. A continuación, agrupa las poblaciones en cuartiles por esta métrica de riesgo, los grupos se actualizan diariamente. El cuartil 1 es el de menor volatilidad, el cuartil 2 es el más alto. Se crea un índice (amt) igualmente ponderado para cada cuartil. De acuerdo con la teoría anterior Q4 (alto vol) debe producir los retornos acumulativos más altos. Cuando se utiliza un lookback de 1 mes para el cálculo stdev hay un índice claro ganador, el índice vol más bajo (negro). Curiosamente, el segundo mejor índice es el índice de vol más alto (azul). El gráfico anterior se calcula utilizando retornos aritméticos. Cuando se utiliza un lookback más largo de 250 días, un año de comercio, el índice de vol más alto es el mejor rendimiento y el índice de vol más bajo el peor desempeño. Para el lookback corto (30 días) el índice del bajo vol era el mejor ejecutante Para el lookback largo (250days) el índice del alto vol era el mejor ejecutante Una explicación posible (untested) es que para un lookback corto la métrica del riesgo de la volatilidad es más sensible a movimientos en la acción Y por lo tanto en un anuncio de noticias / ganancias de la acción tiene una mayor probabilidad de pasar de it8217s índice actual en un índice de vol más alto. Tal vez no sea razonable asumir que el índice de alto vol tiene sólo las acciones que han tenido un anuncio reciente / volatilidad temporal y que están en un período de consolidación o reversión media. O para ponerlo de otra manera para los lookbacks cortos el índice del alto volente doesn8217t contiene las poblaciones que son permanentemente altamente vol, mientras que para los lookbacks largos todas las desviaciones provisionales del vol se suavizan hacia fuera. A continuación se muestran los mismos gráficos que los anteriores, pero para los retornos geométricos.
No comments:
Post a Comment