Estratégias de negociação de arbitragem estatística

Por favor, verifique se você é um humano.

Por favor, clique em "Eu não sou um robô" para continuar.

O acesso a esta página foi negado porque acreditamos que você esteja usando ferramentas de automação para navegar no site.

Isso pode acontecer como resultado do seguinte:

Javascript está desabilitado ou bloqueado por uma extensão (bloqueadores de anúncios, por exemplo) Seu navegador não suporta cookies.

Certifique-se de que o Javascript e os cookies estejam ativados no seu navegador e que você não esteja impedindo o carregamento deles.

ID de referência: # a0c1c4a0-184a-11e8-b847-ad3cf2d56baa.

Estratégias e segredos de empresas de negociação de alta frequência (HFT).

Sigilo, Estratégia e Velocidade são os termos que melhor definem as empresas de negociação de alta frequência (HFT) e, na verdade, o setor financeiro em geral, como existe hoje.

As empresas de HFT são sigilosas sobre suas formas de operação e chaves para o sucesso. As pessoas importantes associadas à HFT ignoraram a publicidade e preferiram ser menos conhecidas, embora isso esteja mudando agora.

As empresas do negócio de HFT operam através de múltiplas estratégias para negociar e ganhar dinheiro. As estratégias incluem diferentes formas de arbitragem - arbitragem de índice, arbitragem de volatilidade, arbitragem estatística e arbitragem de fusão junto com macro global, patrimônio longo / curto, mercado passivo e assim por diante.

O HFT conta com a velocidade ultrarrápida do software de computador, acesso a dados (NASDAQ TotalView-ITCH, NYSE OpenBook, etc.) a importantes recursos e conectividade com latência mínima (atraso).

Vamos explorar um pouco mais sobre os tipos de empresas de HFT, suas estratégias para ganhar dinheiro, grandes players e muito mais.

As empresas de HFT geralmente usam dinheiro privado, tecnologia privada e várias estratégias privadas para gerar lucros. As empresas de negociação de alta frequência podem ser divididas amplamente em três tipos.

A forma mais comum e maior de empresa de HFT é a empresa proprietária independente. A negociação proprietária (ou "negociação prop") é executada com o dinheiro da própria empresa e não dos clientes. Da mesma forma, os lucros são para a empresa e não para clientes externos. Algumas empresas HTF são uma parte subsidiária de uma corretora. Muitas das corretoras regulares possuem uma subseção conhecida como mesas de operações proprietárias, onde a HFT é feita. Esta seção é separada do negócio que a empresa faz para seus clientes externos regulares. Por fim, as firmas de HFT também operam como hedge funds. Seu foco principal é lucrar com as ineficiências na precificação de títulos e outras categorias de ativos usando arbitragem.

Antes da Regra Volcker, muitos bancos de investimento tinham segmentos dedicados ao HFT. Pós-Volcker, nenhum banco comercial pode ter agências negociadoras proprietárias ou quaisquer investimentos em fundos de hedge. Embora todos os grandes bancos tenham fechado suas lojas de HFT, alguns desses bancos ainda enfrentam alegações sobre uma possível má conduta relacionada a HFT conduzida no passado.

Existem muitas estratégias empregadas pelos comerciantes proprietários para ganhar dinheiro para suas empresas; alguns são bastante comuns, alguns são mais controversos.

Essas empresas negociam de ambos os lados, ou seja, fazem pedidos de compra e venda usando ordens de limite que estão acima do mercado atual (no caso de venda) e ligeiramente abaixo do preço de mercado atual (no caso de compra). A diferença entre os dois é o lucro que eles acumulam. Assim, essas firmas se entregam ao "mercado" apenas para lucrar com a diferença entre o spread de compra e venda. Essas transações são realizadas por computadores de alta velocidade usando algoritmos. Outra fonte de renda para as empresas de HFT é que elas são pagas para fornecer liquidez pelas Redes de Comunicações Eletrônicas (ECNs) e algumas bolsas de valores. As empresas de HFT desempenham o papel de criadoras de mercado criando spreads bid-ask, produzindo ações de baixo volume e alto volume (favoritos típicos para HFT) muitas vezes em um único dia. Essas empresas protegem o risco, eliminando o comércio e criando um novo. (Veja: Escolha de Melhores Negociantes de Alta Freqüência de Ações (HFTs)) Outra maneira de essas empresas ganharem dinheiro é procurando por discrepâncias de preço entre títulos em diferentes bolsas ou classes de ativos. Essa estratégia é chamada de arbitragem estatística, na qual um trader proprietário está à procura de inconsistências temporárias nos preços em diferentes bolsas. Com a ajuda de transações ultrarrápidas, eles aproveitam essas pequenas flutuações que muitos nem percebem. Empresas de HFT também ganham dinheiro se entregando à ignição momentum. A empresa pode tentar causar um aumento no preço de uma ação usando uma série de negociações com o objetivo de atrair outros traders de algoritmos para negociar esse estoque. O instigador de todo o processo sabe que depois do movimento rápido de preços “artificialmente criado”, o preço reverte ao normal e, portanto, o comerciante lucra tomando uma posição antecipada e, eventualmente, negociando antes que ele fracasse. (Leitura relacionada: Como o investidor de varejo lucra com a negociação de alta frequência)

O mundo da HFT tem jogadores que variam de pequenas empresas a médias empresas e grandes players. Alguns nomes da indústria (em nenhuma ordem particular) são Automated Trading Desk (ATD), Chopper Trading, DRW Holdings LLC, Tradebot Systems Inc., KCG Holdings Inc. (fusão de GETCO e Knight Capital), Susquehanna International Group LLP ( SIG), a Virtu Financial, a Allston Trading LLC, a Geneva Trading, a Hudson River Trading (HRT), a Jump Trading, a Five Rings Capital LLC, a Jane Street, etc.

As firmas envolvidas em HFTs frequentemente enfrentam riscos relacionados a anomalias de software, condições dinâmicas de mercado, bem como regulamentos e conformidade. Uma das instâncias flagrantes foi um fiasco ocorrido em 1º de agosto de 2012, que levou a Knight Capital Group à falência - perdeu US $ 400 milhões em menos de uma hora após a abertura dos mercados naquele dia. A "falha de negociação", causada por um mau funcionamento do algoritmo, levou a um comércio errático e a ordens ruins em 150 ações diferentes. A empresa acabou sendo resgatada. Essas empresas têm que trabalhar em sua gestão de riscos, uma vez que se espera que elas garantam muita conformidade regulatória, além de enfrentar desafios operacionais e tecnológicos.

Algorithmic Trading System Design & amp; Implementação.

AlgorithmicTrading é um desenvolvedor de sistema de negociação de terceiros especializado em sistemas automatizados de negociação, estratégias de negociação algorítmica e análise de negociação quantitativa. Oferecemos dois algoritmos de negociação distintos para comerciantes de varejo e investidores profissionais.

Assista ao nosso blog de vídeo algorítmico em que nosso principal desenvolvedor analisa o desempenho a partir de 6/10/17 & ndash; 8/8/17 usando nosso sistema de negociação automatizado. Visite nosso Blog Algorithmic Trading para ver todos os vídeos de desempenho de 2016-2018 no acumulado do ano. Os futuros e opções de negociação envolvem risco substancial de perda e não são adequados para todos os investidores.

Comece hoje mesmo na negociação algorítmica.

Os Destaques do Swing Trader.

Nossa Swing Trading Strategy negocia o S & P 500 Emini Futures (ES) e o Ten Year Note (TY). Este é um sistema de negociação 100% automatizado que pode ser executado automaticamente com os melhores esforços por vários Corretores Registrados da NFA. Também pode ser instalado e carregado na plataforma Tradestation. Os seguintes dados cobrem o período de avanço (fora da amostra) que abrange 10/1 / 15-1 / 4/18. A negociação de futuros envolve risco substancial de perda e não é apropriada para todos os investidores. O desempenho passado não é indicativo de desempenho futuro. Esses dados presumem que 1 unidade (US $ 15.000) foi negociada durante todo o período em análise (non-compounded).

* Perdas podem exceder o rebaixamento máximo. Isso é medido de pico a vale, fechando o comércio para fechar o comércio. O desempenho passado não é indicativo de desempenho futuro.

O Swing Trader Mensal P / L.

Os negócios iniciados em outubro de 2015 são considerados Walk-Forward / Out-of-Sample, enquanto os negócios anteriores a outubro de 2015 são considerados back-tested. Os lucros / perdas fornecidos são baseados em uma conta de US $ 15.000 que troca 1 unidade no Swing Trader. Esses dados não são compostos.

* Perdas podem exceder o rebaixamento máximo. Isso é medido de pico a vale, fechando o comércio para fechar o comércio. O desempenho passado não é indicativo de desempenho futuro.

CFTC REGRA 4.41: Os resultados são baseados em resultados de desempenho simulados ou hipotéticos que possuem certas limitações inerentes. Ao contrário dos resultados mostrados em um registro de desempenho real, esses resultados não representam negociação real. Além disso, como esses negócios não foram efetivamente executados, esses resultados podem ter uma compensação maior ou menor pelo impacto, se houver, de alguns fatores de mercado, como a falta de liquidez. Programas de negociação simulados ou hipotéticos em geral também estão sujeitos ao fato de que eles são projetados com o benefício da retrospectiva. Não está sendo feita nenhuma representação de que qualquer conta terá ou poderá obter lucros ou perdas similares a essas demonstrações.

Noções básicas de negociação algorítmica.

O Algorithmic Trading, também conhecido como Quant Trading, é um estilo de negociação que utiliza algoritmos de previsão de mercado para encontrar transações potenciais. Existem várias subcategorias de negociação quantitativa para incluir High Frequency Trading (HFT), Arbitragem Estatística e Análise de Predição de Mercado. Na AlgorithmicTrading, nós nos concentramos no desenvolvimento de sistemas de negociação automatizados que fazem negócios de swing, dia e opções para aproveitar as ineficiências do mercado.

Atualmente, estamos oferecendo dois sistemas de negociação de futuros que negociam o ES & amp; Futuros de TY. Continue lendo para ver por si mesmo como implementar um sistema de negociação de algo projetado profissionalmente pode ser benéfico para suas metas de investimento. Nós não somos registrados Consultores de Negociação de Commodities e, portanto, não controlamos diretamente as contas de clientes & ndash; no entanto, negociamos ambos os sistemas de negociação com nosso próprio capital, utilizando um dos corretores de execução de negociação automatizada.

Exemplo de negociação algorítmica.

Estratégia de negociação de futuros: o pacote Swing Trader.

Este pacote utiliza nossos algoritmos de melhor desempenho desde o início. Visite a página do comerciante do swing para ver preços, estatísticas comerciais completas, lista completa de comércio e muito mais. Este pacote é ideal para o cético que deseja negociar um sistema robusto que tenha se saído bem em negociações cegas para fora e para fora da amostra. Cansado de modelos otimistas com back-testing que nunca parecem funcionar quando negociados ao vivo? Se assim for, considere este sistema de negociação de caixa preta. Este é o nosso algoritmo de negociação mais popular para venda.

Detalhes no Swing Trader System.

Futuros & amp; Estratégia de negociação de opções: o pacote S & amp; P Crusher v2.

Este pacote utiliza sete estratégias de negociação em uma tentativa de diversificar melhor sua conta. Este pacote utiliza comércios de swing, day trades, condutores de ferro e chamadas cobertas para tirar proveito de várias condições de mercado. Este pacote é negociado em unidades de tamanho de US $ 30.000 e foi lançado ao público em outubro de 2016. Visite a página de produtos do S & amp; P Crusher para ver os resultados do back-test com base nos relatórios de comercialização.

Detalhes no triturador S & P.

Cobrindo os fundamentos do design do sistema de negociação automatizado.

Múltiplos Sistemas de Negociação Algorítmica Disponíveis.

Escolha de um dos nossos sistemas de negociação & ndash; O Swing Trader ou o S & amp; P Crusher. Cada página mostra a lista de negociação completa, incluindo resultados de otimização de post-forward, walk-forward. Esses sistemas de negociação informatizados de caixa preta são totalmente automatizados para gerar alfa ao tentar minimizar o risco.

Algoritmos de negociação múltiplos trabalhando juntos.

Nossa metodologia de negociação quântica nos emprega várias estratégias de negociação de algoritmos para diversificar melhor sua conta de negociação automática. Saiba mais visitando nossa página de metodologia de design de estratégias de negociação.

Trades During Bear & amp; Mercados de touro.

Em nossa opinião, a chave para o desenvolvimento de um sistema de negociação algorítmica que realmente funciona é contabilizar múltiplas condições de mercado. A qualquer momento, o mercado poderia passar de um touro para um mercado em baixa. Ao tomar uma posição agnóstica de direção de mercado, estamos tentando superar o desempenho em Bull & amp; Condições de mercado do urso.

Sistemas de negociação totalmente automatizados.

Você pode negociar automaticamente nosso software algorítmico usando um corretor de execução automática (com os melhores esforços). Temos vários corretores para você escolher. Remova as decisões baseadas em emoções de sua negociação usando nosso sistema de negociação automatizado.

O comércio algorítmico funciona?

Acompanhe o progresso diário de nossos algoritmos de negociação quantitativa com o aplicativo do corretor OEC. Você também receberá declarações diárias da empresa de compensação da NFA Registered. Você pode comparar cada uma das suas negociações com a lista comercial que publicamos no final de cada dia. Exemplos completos de negociação algorítmica são postados para todos verem. A lista completa de transações pode ser vista visitando a página de negociação algorítmica do sistema que você está negociando. Quer ver algumas declarações de contas ativas? Visite os retornos ao vivo & amp; página de instruções.

Múltiplas Estratégias de Negociação Quant.

Nossos sistemas de negociação quantitativos têm diferentes expectativas com base nos algoritmos preditivos empregados. Nossos Sistemas de Negociação Automatizada colocarão operações de swing, day trade, condutores de ferro & amp; chamadas cobertas. Estas Estratégias 100% Quant baseiam-se puramente em indicadores técnicos e algoritmos de reconhecimento de padrões.

Nosso software de negociação automatizada ajuda a remover suas emoções da negociação.

Algoritmos de negociação múltiplos são negociados como parte de um maior sistema de negociação algorítmica.

Cada estratégia de negociação algorítmica oferecida tem vários pontos fortes e fracos. Seus pontos fortes e fracos são identificados com base em três estados de mercado potenciais: Strong Up, Sideways & amp; Abaixo mercados em movimento. A estratégia de negociação de condores de ferro supera os mercados em movimento lateral e ascendente, enquanto o algoritmo das notas de tesouro se destaca nos mercados em baixa. Com base no backtesting, espera-se que o algoritmo de momentum tenha um bom desempenho durante os mercados em ascensão. Confira a seguinte coleção de vídeos, onde cada algoritmo de negociação oferecido é revisado por nosso desenvolvedor líder. Os pontos fortes de cada algoritmo de negociação são analisados ​​juntamente com as suas fraquezas.

Vários tipos de estratégias de negociação são usados ​​em nosso software de negociação automatizada.

Comissões do dia são inseridas & amp; saiu no mesmo dia, enquanto as negociações de giro terão um longo prazo de negociação com base nas expectativas para o S & amp; P 500 a tendência de maior ou menor no prazo intermédio. Os negócios de opções são colocados nas opções semanais do S & amp; P 500 sobre futuros, normalmente entrando em uma segunda-feira e mantendo até a expiração da sexta-feira.

Swing Trading Strategies.

As seguintes Swing Trading Strategies colocam operações de swing direcional no S & amp; P 500 Emini Futures (ES) e na Nota de Dez Anos (TY). Eles são usados ​​em ambos os sistemas de negociação automatizados que oferecemos para aproveitar as tendências de longo prazo que nossos algoritmos de predição de mercado estão esperando.

Futures Swing Trading Strategy # 1: Momentum Swing Trading Algorithm.

A Momentum Swing Trading Strategy coloca os negócios do swing no Emini S & amp; P Futures, aproveitando as condições de mercado que sugerem um movimento de prazo intermediário mais alto. Este algoritmo de negociação é usado em ambos os nossos sistemas de negociação automatizados: O S & amp; P Crusher v2 & amp; O comerciante do balanço.

Estratégia de Negociação de Futuros Swing # 2: Algoritmo de Notas do Tesouro de Dez Anos.

A Tesouraria Note (TY) Trading Strategy coloca swing trades na nota de dez anos (TY). Uma vez que o TY tipicamente se move inversamente para os mercados mais amplos, esta estratégia cria um trade swing semelhante ao shorting do S & P 500. Esse algoritmo T-Note tem expectativas positivas para condições de mercado em baixa. Este algoritmo de negociação é usado em ambos os nossos sistemas de negociação automatizados: O S & amp; P Crusher v2 & amp; O comerciante do balanço.

Estratégias de Negociação Diária.

As estratégias de negociação do dia seguinte colocam o day trade no S & amp; P 500 Emini Futures (ES). Eles quase sempre entram em negociações durante os primeiros 20 minutos após a abertura dos mercados de ações e saem antes do fechamento dos mercados. Paradas apertadas são utilizadas em todos os momentos.

Estratégia de Negociação do Dia de Futuros # 1: Algoritmo de Negociação de Dia.

A Estratégia de Negociação de Dia Curta coloca negociações diárias no Emini S & P Futures quando o mercado mostra fraqueza pela manhã (prefere uma grande diferença para baixo). Esta estratégia de negociação é utilizada no sistema de negociação automatizado S & amp; P Crusher v2.

Estratégia de Negociação de Dia de Futuro # 2: Algoritmo de Negociação de Dia de Breakout.

A Breakout Day Trading Strategy coloca o day trade no Emini-S & P Futures quando o mercado mostra força pela manhã. Esta estratégia de negociação de futuros é utilizada no sistema de negociação automatizado S & amp; P Crusher v2.

Estratégia de Negociação de Dia de Futuros # 3: Algoritmo de Negociação de Dia de Intervalo da Manhã.

O Morning Gap Day Trading Strategy coloca negócios de dia curto no Emini S & amp; P Futures quando o mercado tem uma grande lacuna, seguido por um curto período de fraqueza. Esta estratégia de negociação é utilizada no sistema de negociação automatizado S & amp; P Crusher v2.

Estratégias de Negociação de Opções.

As seguintes estratégias de negociação de opções cobram prêmio no S & amp; P 500 Emini Weekly Options (ES). Eles são usados ​​em nosso S & amp; P Crusher v2, a fim de aproveitar as vantagens de lateralmente, para baixo & amp; condições de mercado em movimento. Um benefício para as opções de negociação com nossas estratégias de negociação algorítmica é que elas são suportadas em um ambiente de negociação automatizado usando um dos corretores de execução automática.

Opções Trading Strategy # 1: Algoritmo de Condor Iron Condor.

A Estratégia de Negociação de Opções da Iron Condor é perfeita para quem deseja uma taxa de ganhos por negociação mais alta e que simplesmente quer cobrar prêmios no S & amp; P 500 Emini Futures com a venda da Iron Condors. Quando nossos algoritmos esperam uma condição de mercado de derivação lateral ou ascendente, esse sistema criará uma operação de Condor de Ferro. Essa estratégia é usada em um dos nossos Sistemas de negociação automatizados: O S & amp; P Crusher v2.

Estratégia de negociação de opções # 2: Algoritmo de opções de chamadas cobertas.

A Estratégia de Negociação de Opções de Compra Coberta vende de chamadas cobertas por dinheiro contra os algoritmos de momento Long swing swing, para arrecadar premium e ajudar a minimizar as perdas caso o mercado se mova contra nossa posição de algoritmo de momentum. Quando negociado com o Algoritmo de Troca de Momentum Swing - como é o caso no S & amp; P Crusher & amp; ES / TY Futures Trading Systems, isso cria uma posição de compra coberta. Quando negociados no Sistema de Negociação Bearish Trader, as chamadas são vendidas sem cobertura e, portanto, são vendidas a descoberto. Em ambos os casos, & ndash; como um suporte ao longo do algoritmo & ndash; Ele funciona bem em condições de mercado em movimento lateral e para baixo. Essa estratégia é usada em um dos nossos Sistemas de negociação automatizados: O S & amp; P Crusher v2.

Embora cada uma dessas estratégias de negociação possa ser negociada sozinha, elas são negociadas melhor em uma coleção mais ampla de algoritmos de negociação & ndash; como visto em um dos nossos sistemas automatizados de negociação, como o The Swing Trader.

Algoritmos de negociação que realmente funcionam?

Essa série de vídeos de negociação algorítmica é feita para que nossos clientes possam ver os detalhes de cada negociação semanalmente. Assista a cada um dos seguintes vídeos de negociação algorítmica para ver em tempo real o desempenho de nossos algoritmos de negociação. Sinta-se à vontade para visitar nossos Críticas de AlgorithmicTrading & amp; Página Press Releases para ver o que os outros estão dizendo sobre nós.

Inscrição na Newsletter.

Obtenha atualizações de desempenho da AlgorithmicTrading juntando-se à nossa newsletter.

O que separa o comércio algorítmico de outras técnicas técnicas de negociação?

Nos dias de hoje, parece que todo mundo tem uma opinião sobre as técnicas de negociação técnica. Head & amp; Padrões de ombros, MACD Bullish Crosses, VWAP Divergences, a lista continua. Nesses vídeos, nosso engenheiro líder de projeto analisa alguns exemplos de estratégias de negociação encontradas on-line. Ele pega suas Tips Trading, faz um código e executa um back-test simples para ver o quão efetivas elas realmente são. Depois de analisar seus resultados iniciais, ele otimiza o código para ver se uma abordagem quantitativa à negociação pode melhorar as descobertas iniciais. Se você é novo em negociação algorítmica, esses blogs de vídeo serão bastante interessantes. Nosso designer utiliza máquinas de estado finito para codificar essas dicas básicas de negociação. Como a negociação algorítmica difere da negociação técnica tradicional? Simplificando, Algorithmic Trading requer precisão e fornece uma janela para um potencial de algoritmos baseado em back-testing que possui limitações.

Procurando por Algorithmic Trading Tutorial & amp; Como para vídeos?

Assista a várias apresentações de vídeo educativo feitas por nosso designer líder em negociação algorítmica para incluir um vídeo que cobre nossa Metodologia de Design de Quantificação Comercial e um Tutorial de Negociação Algorítmica. Esses vídeos de estratégia de negociação fornecem exemplos de codificação de comércio algorítmico e o introduzem à nossa abordagem de negociar os mercados usando análise quantitativa. Nesses vídeos, você verá muitas razões pelas quais a negociação automatizada está decolando para incluir a ajuda para remover suas emoções da negociação. Visite nossa página de vídeos de negociação educacional para ver uma lista completa de mídia educacional.

Comece a usar um dos nossos sistemas de negociação automatizados hoje.

Não perca. Junte-se aos que já estão negociando com AlgorithmicTrading. Comece hoje mesmo com um dos nossos pacotes de negociação algorítmica.

Várias opções de execução automática de comércio estão disponíveis.

Nossos algoritmos de negociação podem ser executados automaticamente usando um dos corretores de execução automática registrados pela NFA (com os melhores esforços) ou podem ser negociados em seu próprio PC usando MultiCharts ou Tradestation.

O FOX Group é uma corretora de introdução independente localizada no icônico prédio da Chicago Board of Trade, no coração do distrito financeiro da cidade. Eles são registrados no NFA e são capazes de executar nossos algoritmos automaticamente com os melhores esforços.

Os corretores interativos são corretores registrados pela NFA que podem executar nossos algoritmos automaticamente com os melhores esforços. Além disso, eles suportam clientes canadenses.

Se você preferir executar os algoritmos em seu próprio PC, o MultiCharts é a plataforma preferida de software de negociação para execução automática. Ele oferece benefícios consideráveis ​​para os traders e oferece vantagens significativas sobre as plataformas concorrentes. Ele vem com gráficos de alta definição, suporte a mais de 20 feeds de dados e mais de 10 corretores, backtesting dinâmico de estratégia em nível de portfólio, suporte a EasyLanguage, relatórios interativos de desempenho, otimização genética, scanner de mercado e replay de dados.

A TradeStation é mais conhecida pelo software de análise e pela plataforma de negociação eletrônica que fornece ao operador ativo e a determinados mercados de traders institucionais que permitem que os clientes projetem, testem, otimizem, monitorem e automatizem suas próprias ações, opções e opções personalizadas. estratégias de negociação de futuros. Tradestation é outra opção para pessoas que desejam negociar automaticamente nossos algoritmos em seu próprio PC.

Testando a eficiência do mercado usando a arbitragem estatística com aplicações para o momentum e estratégias de valor

Este documento introduz o conceito de arbitragem estatística, uma oportunidade de negociação de horizonte longo que gera um lucro sem risco e é projetado para explorar anomalias persistentes. A arbitragem estatística contorna o dilema da hipótese conjunta dos testes tradicionais de eficiência de mercado, porque sua definição é independente de qualquer modelo de equilíbrio e sua existência é incompatível com a eficiência do mercado. Fornecemos uma metodologia para testar a arbitragem estatística e, em seguida, investigamos empiricamente se as estratégias de negociação de momento e valor constituem oportunidades de arbitragem estatística. Apesar do ajuste para custos de transação, a influência de ações pequenas, exigências de margem, buffers de liquidez para a marcação a mercado de vendas a descoberto e taxas de empréstimo mais altas, encontramos evidências de que essas estratégias geram arbitragem estatística.

Classificação JEL.

Escolha uma opção para localizar / acessar este artigo:

Verifique se você tem acesso através de suas credenciais de login ou de sua instituição.

Verifique este artigo em outro lugar.

Agradecemos a Warren Bailey, a Peter Carr, a Amiyatosh Purnanandam, a Bill Schwert, a Yiu-Kuen Tse, a David Weinbaum, aos participantes do seminário da Cornell University e à Singapore Management University, e a um juiz anônimo por muitos comentários e sugestões úteis. Mitch Warachka agradece o apoio financeiro do Centro de Pesquisa Wharton-SMU, Singapore Management University. Melvyn Teo está em dívida com a Fundação Lee pelo apoio financeiro. O Credit Suisse First Boston não necessariamente concorda ou endossa o conteúdo deste artigo.

Uma nova abordagem para a arbitragem estatística: Estratégias baseadas em modelos de fatores dinâmicos de preços e seu desempenho.

Estratégias de arbitragem estatística são tipicamente baseadas em modelos de retornos. Introduzimos uma nova estratégia de arbitragem estatística baseada em modelos de fatores dinâmicos de preços. Nosso objetivo neste trabalho é explorar as propriedades de reversão da média dos preços relatados na literatura. Fazemos isso porque, para capturar as mesmas informações usando um modelo de fator baseado em retorno, um número muito maior de atrasos seria necessário, levando a estimativas de parâmetros imprecisas. Para testar empiricamente o desempenho relativo de modelos baseados em retorno e baseados em preço, construímos portfólios (long-short, long-only e equal weighted) com base nas previsões geradas por dois modelos de fatores dinâmicos. Usando o estoque de empresas incluídas no índice S & P 500 para a construção de portfólios, a análise empírica testa estatisticamente o desempenho relativo de previsão usando o framework Diebold-Mariano e realizando o teste para arbitragem estatística proposto por Hogan et al. (2004). Nossos resultados mostram que os preços permitem previsões significativamente mais precisas do que retornos e passam no teste de arbitragem estatística. Atribuímos essa descoberta às propriedades de reversão da média dos preços das ações. O alto nível de precisão das previsões usando modelos de fatores baseados em preços tem importantes implicações teóricas e práticas.

Classificação JEL.

Escolha uma opção para localizar / acessar este artigo:

Verifique se você tem acesso através de suas credenciais de login ou de sua instituição.

Gekko Quant - Negociação Quantitativa.

Negociação Quantitativa, Arbitragem Estatística, Aprendizado de Máquina e Opções Binárias.

Pós-navegação.

Investigação sobre o poder dos testes de cointegração / reversão à média.

O termo arbitragem estatística (stat-arb) engloba uma ampla variedade de estratégias de investimento que normalmente visam explorar uma relação de equilíbrio entre dois ou mais valores mobiliários. O princípio geral é que qualquer divergência do equilíbrio é um efeito temporário e que as apostas devem ser colocadas no processo, revertendo para o seu equilíbrio.

A principal ressalva das estratégias do tipo stat-arb / pairs trading é que à medida que a divergência do equilíbrio cresce, o comércio se torna mais desejável, porém em algum ponto a divergência crescerá tanto que é preciso admitir que a relação de equilíbrio não existe mais modelo está quebrado. Naturalmente, é desejável estimar o poder das ferramentas estatísticas usadas para determinar essas relações e avaliar a duração de qualquer equilíbrio observado fora da amostra.

Este post investigará o poder dos testes estatísticos em relação à negociação em pares para os seguintes testes estatísticos: ADF, BVR, HURST, PP, PGFF,

O princípio geral é que, para duas ações, elas formam um par estacionário e, por definição, um par de reversão, se a seguinte equação for válida:

Se é entre e então e são co-integrados,

é o coeficiente de reversão à média. Um teste estatístico deve ser realizado para verificar se, isto é conhecido como teste de raiz unitária. Se a série contiver uma raiz unitária, ela não é adequada para a troca de pares. Existem vários testes de raiz unitária, cada um executando um teste diferente no processo residual. Pode-se ficar tentado a estimar o modelo residual AR (1) e verificar a utilização do método de regressão linear convencional, calculando a relação t padrão. No entanto, foi mostrado por Dicky e Fuller [1979] que a razão t não segue a distribuição t, portanto, testes de significância não padronizados são necessários, conhecidos como testes de raiz unitária.

Como em todos os modelos, há um trade off ao determinar o tamanho da janela de treinamento, uma janela muito longa e o modelo pode conter dados irrelevantes e ser lento para se ajustar a eventos recentes, uma janela muito curta e o modelo responde apenas a eventos recentes e esquece eventos passados ​​rapidamente. Este trade off é problemático em testes de cointegração, foi demonstrado em Clegg, M., janeiro de 2014. Sobre a persistência da cointegração em pares, negociando que, para um tamanho de janela fixo, o poder da maioria dos testes de raiz unitária diminui como.

tende a 1 de baixo, para 250 pontos de dados com.

a enxurrada de testes de co-integração só detecta a co-integração em menos de 25% do tempo!

Intuitivamente isso faz sentido, quanto mais lento o processo for para reverter, mais pontos de dados serão necessários para ver a reversão. É um pouco indesejável que o poder dos testes de raiz unitária variem dependendo das propriedades do processo subjacente, no entanto, não é necessário para os pares bem sucedidos que todos os pares cointegrados são identificados, como a variável propriedade de energia dos testes de raiz unitária. em grande parte irrelevante.

O que é mais interessante é a taxa de falsos positivos, de modo que os pares são identificados como reversão da média quando não são, e quão persistentes são os resultados.

Gerar 1000 séries temporais co-integradas com e uniformemente distribuídas no conjunto, e no conjunto de acordo com Clegg isso é semelhante aos tipos de pares de ações encontrados na realidade. Repita isso para diferentes comprimentos de série temporal e teste para ver quantas séries temporais são classificadas corretamente como reversão co-integrada / média usando vários testes para diferentes pValues.

Na maioria dos testes, o PP e o PGFF superam os outros métodos. Quando o processo foi fortemente revertido com menos de 0,85, os testes PP, PGFF, JO-E e JO-T identificaram corretamente o processo como co-integrado / média, revertendo mais de 75% do tempo em pValue 0,01. Para alguns dos pares de reversão mais fracos com mais de 0,95, o desempenho dos testes estatísticos é lamentável, com apenas 250 pontos de dados.

Vale a pena ter em mente que 250 pontos de dados é aproximadamente o número de dias de negociação em um ano e talvez dá uma indicação de quantos dados históricos são necessários em uma estratégia de negociação de pares.

Siga o mesmo procedimento descrito para o teste de precisão, mas escolha no conjunto para gerar séries temporais que não sejam co-integradas. Veja qual porcentagem dos caminhos é falsamente reportada como co-integrada / reversão à média.

Eu nunca vi esse gráfico em um livro de texto e fiquei surpreso com os resultados, tanto HURST quanto BVR relataram mais falsos positivos como aumentos! Quanto mais o processo explode, mais provável é que o teste mostre um falso positivo!

Felizmente os outros testes se comportam de maneira razoável com poucos falsos positivos.

Evolução de redes neurais através do aumento de topologias - Parte 4 de 4 & # 8211; Estratégia de Negociação.

Este post explora a aplicação de NEAT para negociar o S & amp; P. A estratégia aprendida outorga de forma significativa a compra e a retenção tanto dentro quanto fora da amostra.

Uma parte essencial de qualquer problema de aprendizado de máquina é definir os recursos e garantir que eles sejam normalizados de alguma forma.

Os recursos serão os percentis de rolagem dos seguintes dados econômicos, um percentil rolante pega os últimos n pontos de dados e calcula em qual% de dados apontam que o ponto de dados mais recente é maior que.

A função de adequação é a equidade final e visa maximizar o patrimônio final.

Qualquer genoma que tenha um desconto de 20%, ou tenta usar uma alavancagem maior que +/- 2, é encerrado. Na prática, você não quer que sua máquina do sistema aprenda os controles de risco, pois há potencial para que eles não sejam aprendidos. A razão pela qual eles estão inseridos na estratégia é acelerar o processo de aprendizagem, já que podemos matar os genomas antes que a simulação seja concluída, com base na quebra das regras de risco.

Plot de todos os dados / recursos.

Parece que quando os não-agricultores caem para os seus percentis mais baixos / o desemprego atinge os percentis mais altos, os retornos do dia a dia no S & P se tornam mais voláteis. Espera-se que o aprendizado possa tirar proveito disso.

O aprendizado identificou uma estratégia que simplesmente executa compra e manutenção. A estratégia proposta tem um rebaixamento máximo em torno de 20% contra o buy and hold com um drawdown de 40%. Além disso, a estratégia encurtou o índice entre 2000-2003, uma vez que estava se vendendo antes de ser comprada em 2007. Gerando um retorno de 80% contra comprar e segurar de 7%!

Nos dados fora da amostra (não utilizados durante o treinamento), a estratégia executou significativamente a compra e manutenção, aproximadamente 250% de retorno contra 50% com um rebaixamento máximo próximo a 20% contra compra e espera de 50%.

RNeat & # 8211; Rede Neural de Raiz Quadrada treinada usando Topologias de Ampliação & # 8211; Exemplo Simples

Um tutorial simples que demonstra como treinar uma rede neural para números de raiz quadrada usando um algoritmo genético que busca através do espaço da estrutura topológica. O algoritmo é chamado NEAT (Neuro Evolution of Augmenting Topologies) disponível no pacote RNeat (ainda não no CRAN).

O treinamento é muito semelhante a outros pacotes de aprendizado de máquina / regressão em R. A função de treinamento usa um quadro de dados e uma fórmula. A fórmula é usada para especificar quais colunas no quadro de dados são as variáveis ​​dependentes e quais são as variáveis ​​explicativas. O código é comentado e deve ser simples o suficiente para novos usuários de R.

O desempenho da rede pode ser visto no gráfico inferior esquerdo da imagem acima, há diferenças consideráveis ​​entre a saída esperada e a saída real. É provável que com mais treinamento a magnitude desses erros seja reduzida, pode ser visto no gráfico inferior direito que a aptidão máxima, média e mediana geralmente estão aumentando a cada geração.

Desenvolvendo redes neurais através do aumento de topologias - Parte 3 de 4.

Esta parte do tutorial do NEAT mostrará como usar o pacote RNeat (ainda não no CRAN) para resolver o problema clássico de equilíbrio de pólos.

A simulação requer a implementação de 5 funções:

processInitialStateFunc & # 8211; Isto especifica o estado inicial do sistema, para o problema de equilíbrio do pólo o estado é a localização do carrinho, velocidade do carrinho, aceleração do carrinho, força sendo aplicada ao carrinho, ângulo do pólo, velocidade angular do pólo e aceleração angular do polo. processUpdateStateFunc & # 8211; Isso especifica como obter o estado atual e atualizá-lo usando as saídas da rede neural. Neste exemplo, esta função simula as equações de movimento e toma a saída da rede neural como a força que está sendo aplicada ao carrinho. processStateToNeuralInputFunc & # 8211; Permite modificar o estado / normalização do estado antes de ser passado como uma entrada para a aptidão da rede neuralUpdateFunc & # 8211; Leva o antigo fitness, o estado antigo e o novo estado atualizado e determina qual é o novo sistema de fitness. Para o problema do equilíbrio dos pólos, esta função quer recompensar o pêndulo para cima e recompensar o carrinho perto do meio da pista. terminationCheckFunc & # 8211; Obtém o estado e verifica se a rescisão deve ser finalizada. Pode optar por terminar se o mastro cair, a simulação durou muito ou o carrinho foi retirado do final da pista. plotStateFunc & # 8211; Traça o estado, para o equilíbrio do pólo isso desenha o carrinho e o pêndulo.

Desenvolvendo redes neurais através do aumento de topologias - Parte 2 de 4.

Esta parte do tutorial sobre o uso do algoritmo NEAT explica como os genomas são cruzados de forma significativa mantendo suas informações topológicas e como a especiação (genomas de grupo em espécies) pode ser usada para proteger genomas fracos com novas informações topológicas de serem erradicadas prematuramente do gene pool antes que seu espaço de peso possa ser otimizado.

A primeira parte deste tutorial pode ser encontrada aqui.

Rastreando a história dos genes através de números de inovação.

A parte 1 mostrou duas mutações, mutação de ligação e mutação de nó, que adicionaram novos genes ao genoma. Cada vez que um novo gene é criado (através de uma inovação topológica), um número global de inovação é incrementado e atribuído a esse gene.

O número global de inovação está rastreando a origem histórica de cada gene. Se dois genes tiverem o mesmo número de inovação, eles devem representar a mesma topologia (embora os pesos possam ser diferentes). Isso é explorado durante o cruzamento do gene.

O cruzamento de genomas leva dois genomas pai (vamos chamá-los de A e B) e cria um novo genoma (vamos chamá-lo de filho), pegando os genes mais fortes de A e B copiando quaisquer estruturas topológicas ao longo do caminho.

Durante os genes de cruzamento de ambos os genomas são alinhados usando seu número de inovação. Para cada número de inovação, o gene do pai mais apto é selecionado e inserido no genoma da criança. Se ambos os genomas pais tiverem a mesma aptidão, então o gene é selecionado aleatoriamente de um dos pais com igual probabilidade. Se o número de inovação está presente apenas em um dos pais, então isso é conhecido como um gene disjunto ou excessivo e representa uma inovação topológica; ele também é inserido na criança.

A imagem abaixo mostra o processo de cruzamento para dois genomas da mesma aptidão.

A especiação toma todos os genomas em um dado conjunto de genoma e tenta dividi-los em grupos distintos conhecidos como espécies. Os genomas de cada espécie terão características semelhantes.

Uma maneira de medir a similaridade entre dois genomas é necessária, se dois genomas forem "similares". eles são da mesma espécie. Uma medida natural a ser usada seria uma soma ponderada do número de disjuntos & amp; genes em excesso (representando diferenças topológicas) e a diferença de pesos entre genes correspondentes. Se a soma ponderada estiver abaixo de um certo limite, os genomas são da mesma espécie.

A vantagem de dividir os genomas em espécies é que, durante a etapa de evolução genética, os genomas com baixa aptidão são descartados (removidos inteiramente do pool do genoma) em vez de cada genoma lutar por seu lugar contra todos os outros genomas em todo o genoma. piscina de genoma nós podemos fazer isto lutar por isto é lugar contra genomas da mesma espécie. Desta forma, espécies que se formam a partir de uma nova inovação topológica que pode não ter uma alta aptidão ainda devido a não ter seus pesos otimizados sobreviverão ao abate.

Resumo do processo inteiro.

Criar um conjunto de genoma com n genomas aleatórios Pegue cada genoma e aplique-o ao problema / simulação e calcule a adequação do genoma Atribua cada genoma a uma espécie Em cada espécie abata os genomas removendo alguns dos genomas mais fracos Reproduza cada espécie (selecione genomas aleatoriamente nas espécies) para crossover ou mutate) Repita todos os itens acima.