Opções de negociação quantitativa

Negociação quantitativa O que é negociação quantitativa Negociação quantitativa consiste em estratégias de negociação com base em análise quantitativa. Que contam com cálculos matemáticos e crunching de números para identificar oportunidades comerciais. Como a negociação quantitativa é geralmente usada por instituições financeiras e hedge funds. As transações geralmente são de grande porte e podem envolver a compra e venda de centenas de milhares de ações e outros títulos. No entanto, a negociação quantitativa está sendo mais usada pelos investidores individuais. BREAKING Down Quantitative Trading O preço eo volume são duas das entradas de dados mais comuns utilizadas na análise quantitativa como as principais entradas aos modelos matemáticos. As técnicas de negociação quantitativas incluem o comércio de alta freqüência. Negociação algorítmica e arbitragem estatística. Essas técnicas são rápidas e tipicamente têm horizontes de investimento de curto prazo. Muitos comerciantes quantitativos estão mais familiarizados com ferramentas quantitativas, como médias móveis e osciladores. Compreendendo o comércio quantitativo Os comerciantes quantitativos aproveitam a tecnologia moderna, a matemática e a disponibilidade de bases de dados abrangentes para tomar decisões comerciais racionais. Os comerciantes quantitativos tomam uma técnica de negociação e criam um modelo dele usando a matemática, e então eles desenvolvem um programa de computador que aplica o modelo aos dados históricos do mercado. O modelo é então testado e otimizado. Se os resultados favoráveis ​​forem alcançados, o sistema é então implementado em mercados em tempo real com capital real. A forma como os modelos de negociação quantitativa funcionam pode ser melhor descrita usando uma analogia. Considere um relatório meteorológico em que o meteorologista prevê 90 chances de chuva enquanto o sol está brilhando. O meteorologista deriva essa conclusão contra-intuitiva coletando e analisando dados climáticos de sensores em toda a área. Uma análise quantitativa computadorizada revela padrões específicos nos dados. Quando estes padrões são comparados aos mesmos padrões revelados nos dados históricos do clima (backtesting) e 90 das 100 vezes o resultado é a chuva, então o meteorologista pode tirar a conclusão com confiança, daí a previsão 90. Os comerciantes quantitativos aplicam esse mesmo processo ao mercado financeiro para tomar decisões comerciais. Vantagens e desvantagens da negociação quantitativa O objetivo da negociação é calcular a ótima probabilidade de executar um comércio lucrativo. Um comerciante típico pode efetivamente monitorar, analisar e tomar decisões comerciais em uma quantidade limitada de títulos antes que a quantidade de dados recebidos superem o processo de tomada de decisão. O uso de técnicas de negociação quantitativas ilumina esse limite usando computadores para automatizar as decisões de monitoramento, análise e negociação. Superar a emoção é um dos problemas mais difundidos na negociação. Seja medo ou ganância, ao negociar, a emoção serve apenas para sufocar o pensamento racional, o que geralmente leva a perdas. Computadores e matemática não possuem emoções, então o comércio quantitativo elimina esse problema. Negociação quantitativa tem seus problemas. Os mercados financeiros são algumas das entidades mais dinâmicas que existem. Portanto, os modelos de negociação quantitativa devem ser tão dinâmicos para serem consistentemente bem-sucedidos. Muitos comerciantes quantitativos desenvolvem modelos que são temporariamente rentáveis ​​para a condição de mercado para o qual eles foram desenvolvidos, mas eles finalmente falham quando as condições do mercado mudam. A tomada de decisão quantitativa sobre a teoria dos jogos na negociação das operações da SIGs se estende por mercados na América do Norte, Europa e Ásia, Onde trocamos essencialmente todos os produtos financeiros listados e classes de ativos. A experiência da SIG na negociação, combinada com pesquisa quantitativa, tecnologia inovadora e pesquisa fundamental, nos posiciona como líderes no mercado global. Derivativos O SIG é reconhecido globalmente como um participante líder no mercado de derivativos, com experiência comprovada em preços de opções, dinâmicas de negociação, estrutura de mercado e gerenciamento de riscos. Nós comprometemos o capital e fornecemos liquidez em quase todos os mercados de opções cotadas em bolsa, incluindo mercados de commodities, energia, patrimônio, bolsa negociada (ETF), índice e futuros. Nossos comerciantes, quentes e desenvolvedores trabalham como equipes para desenvolver estratégias de negociação algorítmicas que nos proporcionam uma vantagem competitiva. Commodities O SIG é um participante ativo nos mercados de opções e futuros em todas as principais commodities, incluindo metais, petróleo e produtos relacionados, gás natural e produtos agrícolas. Energia Nossa equipe de energia participa ativamente de uma ampla gama de produtos, com foco primário em eletricidade, gás natural, clima e opções de energia. Uma sólida compreensão fundamental da previsão do tempo e das características da oferta e da demanda nos proporcionam uma vantagem competitiva no mercado. Equities SIG é um participante ativo em mercados de ações e ETF em todo o mundo. Trocamos ações individuais através do uso de nossas estratégias de negociação algorítmicas proprietárias e fornecemos ampla cobertura de todos os principais ETFs. Obrigações A SIG mantém uma carteira diversificada de produtos de renda fixa ativamente negociados, incluindo obrigações corporativas e conversíveis, swaps de inadimplência de crédito e ETFs de renda fixa. Esses negócios são combinados com outras coberturas de taxas de juros para manter uma carteira de baixo risco que capta ineficiências do mercado. Câmbio Como participante do mercado nos mercados de câmbio, a SIG negocia ativamente opções no local, futuros e ETFs. Esta publicação explora a aplicação da NEAT na negociação do SampP. A estratégia aprendida significativamente desempenha a compra e a manutenção dentro e fora da amostra. Uma parte fundamental de qualquer problema de aprendizado de máquina é definir os recursos e garantir que they8217re seja normalizado de alguma forma. As características serão os percentis de rolamento dos seguintes dados econômicos, um percentil rotativo leva os últimos n pontos de dados e calcula o que os dados indicam, o último ponto de dados é maior do que. A função de fitness é a equidade final e visa maximizar o patrimônio final. Qualquer genoma que tenha uma redução de 20 ou tenta usar uma alavanca maior que - 2 é encerrado. Na prática, você não deseja que sua máquina do sistema aprenda os controles de risco, pois existe potencial que eles não aprendem. A razão pela qual eles estão incorporados dentro da estratégia é acelerar o processo de aprendizagem, pois podemos matar os genomas cedo antes da simulação estar completa com base em quebrar as regras de risco. Lote de todos os recursos de dados Parece que, quando as não-fazendas caiem em seus percentis inferiores, o desemprego atinge os percentis mais altos do ano passado. Os retornos diários no SampP tornam-se mais voláteis. Espera-se que a aprendizagem possa tirar proveito disso. O aprendizado identificou uma estratégia que executa simplesmente comprando e segurando. A estratégia proposta tem uma redução máxima em torno de 20 contra a compra e a retenção, tendo um empate de 40. Além disso, a estratégia desacelerou o índice entre 2000-2003, já que estava vendendo antes de longo período de 2007. Gerando um retorno de 80 vs comprar e Sustentação de 7 Resultados fora da amostra Nos dados fora da amostra (não utilizados durante o treinamento), a estratégia atingiu significativamente a compra e a retenção, aproximadamente 250 retorna vs 50 com uma redução máxima de cerca de 20 contra a compra e a retirada de 50. Um tutorial simples que demonstra como treinar uma rede neural para números de raízes quadradas 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 em CRAN). O treinamento é muito semelhante a outros pacotes de regressão de aprendizado de máquinas em R. A função de treinamento leva 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 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 se reduza, pode-se ver no gráfico de baixo direito que a aptidão máxima, média e mediana geralmente aumenta com cada geração. Esta parte do tutorial NEAT mostrará como usar o pacote RNeat (ainda não em CRAN) para resolver o problema clássico do balanço do pólo. A simulação requer a implementação de 5 funções: processInitialStateFunc 8211 Especifica o estado inicial do sistema, para o problema do balanço do pólo, o estado é a localização do carrinho, a velocidade do carrinho, a aceleração do carrinho, a força aplicada ao carrinho, o ângulo do pólo, o ângulo do pólo Velocidade e aceleração angular do pólo. ProcessUpdateStateFunc 8211 Especifica como tomar o estado atual e atualizá-lo usando as saídas da rede neural. Neste exemplo, esta função simula as equações de movimento e leva a saída da rede neural como a força que está sendo aplicada ao carrinho. ProcessStateToNeuralInputFunc 8211 Permite modificar a normalização do estado do estado antes de ser passada como uma entrada para a rede neural fitnessUpdateFunc 8211 Toma a aptidão antiga, o estado antigo e o novo estado atualizado e determina o que é a nova aptidão do sistema. Para o problema do equilíbrio do pólo, esta função quer recompensar o pendulo sendo certo e recompensar o carrinho próximo ao meio da pista. TerminationCheckFunc 8211 Toma o estado e verifica se o término deve ser encerrado. Pode optar por terminar se o pólo cair, a simulação correu demais 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. Esta parte do tutorial sobre o uso do algoritmo NEAT explica como os genomas são cruzados de maneira significativa, mantendo suas informações topológicas e como a especiação (genomas grupais em espécies) pode ser usada para proteger os genomas fracos com novas informações topológicas de serem erradicadas prematuramente pelo gene Piscina antes do seu espaço de peso pode ser otimizado. A primeira parte deste tutorial pode ser encontrada aqui. Rastreamento de história de 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 de inovação global é incrementado e atribuído a esse gene. O número de inovação global 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 crossover do gene. Genoma Crossover (Mating) Genomas crossover leva dois genomas dos pais (vamos chamá-los A e B) e cria um novo genoma (vamos chamá-lo de criança) levando os genes mais fortes de A e B copiando quaisquer estruturas topológicas ao longo do caminho. Durante o cruzamento, os genes de ambos os genomas são alinhados usando seu número de inovação. Para cada número de inovação, o gene do pai mais adequado é selecionado e inserido no genoma infantil. Se ambos os genomas dos pais são a mesma aptidão, então o gene é selecionado aleatoriamente de ambos os pais com a mesma probabilidade. Se o número de inovação só estiver presente em um dos pais, isso é conhecido como um gene disjunto ou excesso e representa uma inovação topológica, também é inserido na criança. A imagem abaixo mostra o processo de cruzamento para dois genomas da mesma forma física. A especificação leva todos os genomas em um determinado conjunto de genomas e tenta dividi-los em grupos distintos conhecidos como espécies. Os genomas em cada espécie terão características semelhantes. É necessária uma maneira de medir a semelhança entre dois genomas, se dois genomas forem iguais a 8221, eles são da mesma espécie. Uma medida natural a ser utilizada seria uma soma ponderada do número de genes de excesso de amplificador disjuntos (representando diferenças topológicas) e a diferença de pesos entre genes correspondentes. Se a soma ponderada estiver abaixo de algum limiar, então os genomas são da mesma espécie. A vantagem de dividir os genomas em espécies é que, durante a etapa de evolução genética, onde os genomas com baixa aptidão são retirados (removidos inteiramente do grupo do genoma) ao invés de ter cada genoma lutar por esse lugar em cada outro genoma em todo o conjunto de genomas, podemos Faça com que ele lute por esse lugar contra os genomas da mesma espécie. Desta forma, as espécies que se formam a partir de uma nova inovação topológica que podem não ter uma alta aptidão ainda por não terem pesos pesados ​​otimizados sobreviverão ao abate. Resumo de todo o processo Crie um pool de genoma com n genomas aleatórios Pegue cada genoma e aplique para a simulação do problema e calcule a habilidade do genoma Atribua cada genoma a uma espécie Em cada espécie, remova os genomas removendo alguns dos genomas mais fracos. Raça de cada espécie (genomas selecionados aleatoriamente Na espécie para crossover ou mutate) Repita tudo o que está acima. Esta série de quatro partes explorará o algoritmo NeuroEvolution of Augmenting Topologies (NEAT). As partes um e dois resolverão brevemente o algoritmo e discutirão os benefícios, a terceira parte o aplicará ao problema de equilíbrio do pólo e, finalmente, a parte 4 aplicá-lo-á aos dados do mercado. Este algoritmo recentemente foi viral em um vídeo chamado MarIO onde uma rede foi desenvolvida que foi capaz de completar o primeiro nível de super mario, veja o vídeo abaixo. Normalmente, quando se escolhe usar uma rede neural, eles precisam decidir quantas camadas ocultas existem, o número de neurônios em cada camada e quais conexões existem entre os neurônios. Dependendo da natureza do problema, pode ser muito difícil saber o que é uma topologia sensata. Uma vez que a topologia é escolhida, provavelmente será treinado usando uma abordagem de propagação posterior ou uma evolução genética e testada. A abordagem de evolução genética é essencialmente pesquisando através do espaço de pesos de conexão e selecionando redes de alto desempenho e criando-os (isto é conhecido como evolução de topologia fixa). A abordagem acima encontra pesos de conexão ótimos, it8217s, em seguida, até um 8220expert8221 para ajustar manualmente a topologia da rede na tentativa de encontrar iterativamente redes de melhor desempenho. Isso levou ao desenvolvimento de treinamento de topologia variável, onde tanto o espaço de conexão quanto o espaço de estrutura são explorados. Com isso veio uma série de problemas, como as redes tornando-se incrivelmente espalhafatoso e complexo abrandando o processo de aprendizagem da máquina. Com as abordagens genéticas, foi difícil acompanhar as mutações genéticas e a estrutura do cruzamento de forma significativa. O algoritmo NEAT visa desenvolver um algoritmo genético que busca através do peso da rede neural e do espaço estrutural que tenha as seguintes propriedades: Tenha representação genética que permita que a estrutura seja atravessada de forma significativa. Proteja as inovações topológicas que precisam de algumas evoluções para serem otimizadas para Que não desaparece do pool de genes prematuramente. Minimize topologias ao longo do treinamento sem funções de penalização de complexidade de rede especialmente planejadas A através do tratamento do algoritmo pode ser encontrada no papel, Evoluindo Redes Neurais através de Aumentação de Topologias por Kenneth O. Stanley e Risto Miikkulainen (nn. cs. utexas. edudownloadspapersstanley. ec02.pdf). A informação sobre a rede é representada por um genoma, o genoma contém genes de nó e genes de conexão. Os genes do nó definem nós na rede, os nós podem ser entradas (como um indicador técnico), saídas (como uma recomendação de venda de compra) ou ocultas (usadas pela rede para um cálculo). Os genes de conexão juntam-se a nós na rede e têm um peso a ele vinculado. Os genes de conexão têm um nó de entrada, um nó de saída, um peso, um sinalizador ativado habilitado e um número de inovação. O número de inovação é usado para rastrear o histórico de uma evolução de genes e será explicado com mais detalhes na segunda parte. Esta publicação analisará algumas das mutações que podem acontecer na rede, vale ressaltar que cada genoma incorporou dentro dela uma taxa de mutação para cada tipo de mutação que pode ocorrer. Estas taxas de mutação também são aumentadas aleatoriamente ou diminuem à medida que a evolução avança. Atualiza aleatoriamente o peso de um gene de conexão selecionado aleatoriamente. As atualizações são: Novo peso Peso antigo - Número aleatório entre 0 e genomeMutaçãoRate8220Step8221 Novo peso Número aleatório entre -2 e 2 Adiciona aleatoriamente uma nova conexão à rede com um peso aleatório entre -2 E 2 Esta mutação adiciona um novo nó à rede desabilitando uma conexão, substituindo-a por uma conexão de peso 1, um nó e uma conexão com o mesmo peso que a conexão desativada. Em essência, o it8217s foi substituído por um equivalente de funcionamento idêntico. Ativar Desativar Mutate Aleatoriamente habilita e desativa conexões