Både för privata projekt och för kunder har jag arbetat mycket med koden mycket i år för att utvärdera automatiserade handelsstrategier. Det blir ofta en uppgift att jämföra äpplen och apelsinerna. E g att använda ett exx exempel, några av Strategierna bara köpa sälja 1 mycket, i en gemensam valuta Andra handlar i tre eller fyra valutor och använder olika storlekar, fördubblas när du förlorar osv. Då finns det frågor om hur vi betraktar marginalförhållanden, handelskostnader, initialkapital Ränta som uppnås när den fulla kapitalen inte är i strategin Skatt, CGT, frimärksavgift, ens går det några Några strategier har olika resultat om vi ser på genomsnittliga förluster för att förlora handeln mot den värsta förlusten. Den senare är vad som bestämmer marginalanropet. Vilket är viktigare . Men jag är ofta besviken över akademiska tidningar som inte antar någon spridning, obegränsad kapital, men alltid får det annonserade priset men många delar du vill köpa, etc. Vissa strategier som ser bra ut utan sprung Ead faller ifrån varandra när jag tillämpar en pessimistisk spridning andra strategier är nästan opåverkade. Så äntligen är min fråga någon kan peka mig på papper böcker om accepterad praxis i strategi utvärdering och jämförelse Allmänna råd, diskussioner och åsikter om detta ämne är också välkomna, men Den viktigaste sak som jag behöver behöver för närvarande är en Hoyle-referens, jag kan inte bara använda som en guide, men det förklarar också klart de aktuella avvägningarna och varför de flesta väljer att göra det på så sätt. UPDATE Tack för svaren hittills , Och jag tar en titt på de böcker som föreslogs här och i andra trådar, jag ville bara klargöra att det i fråga om denna fråga inte handlar om att utforma strategier. Jag får en uppsättning branscher för varje uppsättning strategier och Bli ombedd att säga vilket som är bäst Tradena kan ha kommit från algoritmer eller från mänskliga handlare Mitt föredragna tillvägagångssätt är detaljerad simulering definiera hur mycket pengar i början, inkludera alla kostnader och se hur mycket pengar i slutet Othe R ser bra ut med att bara räkna piprörelser För vissa strategier ger detta ett liknande resultat, för andra ger det ett annat resultat Jag vill veta hur de stora pojkarna hanterar detta och varför, så jag kan använda det som grundinriktningen och sedan Argumentera intelligent mot olika metoder. asked 27 okt 11 på 2 45. Hur identifierar du algoritmiska handelsstrategier. I den här artikeln vill jag presentera dig för de metoder som jag själv identifierar lönsamma algoritmiska handelsstrategier. Vårt mål idag är att förstå i detalj Hur man hittar, utvärderar och väljer sådana system Jag ska förklara hur identifierande strategier handlar lika mycket om personlig preferens som det handlar om strategiprestanda, hur man bestämmer typen och kvantiteten av historiska data för testning, hur man diskutivt utvärderar en handelsstrategi och slutligen Hur man går vidare mot backtesting-fasen och genomförandet av strategin. Identifiera dina egna personliga preferenser för handel. För att vara en framgångsrik näringsidkare - antingen diskret Tionellt eller algoritmiskt - det är nödvändigt att fråga dig själv ärliga frågor. Trading ger dig möjlighet att förlora pengar i en alarmerande takt, så det är nödvändigt att känna dig så mycket som det är nödvändigt att förstå din valda strategi. Jag skulle säga att Viktigaste överväganden i handel är att vara medveten om din egen personlighet Handel och särskilt algoritmisk handel kräver en väsentlig grad av disciplin, tålamod och emotionell avreglering Eftersom du låter en algoritm utföra din handel för dig är det nödvändigt att lösas inte Att störa strategin när den utförs Detta kan vara extremt svårt, särskilt i perioder med förlängd drawdown Men många strategier som har visat sig vara mycket lönsamma i en backtest kan förstöras genom enkel inblandning. Förstå att om du vill ange Världen av algoritmisk handel kommer du att bli emotionellt testad och att för att lyckas är det nödvändigt att arbeta genom t Hese problems. The next consideration är en tid Har du ett heltidsjobb Arbetar du deltid Arbetar du hemifrån eller har en lång pendling varje dag Dessa frågor hjälper dig att bestämma frekvensen av strategin du borde söka för dem Av dig i heltidsanställning kan en intraday futures strategi kanske inte vara lämplig åtminstone tills den är helt automatiserad. Dina tidsbegränsningar kommer också att diktera strategins metodik. Om din strategi ofta handlas och är beroende av dyra nyhetsflöden som en Bloomberg terminal Du måste tydligt vara realistisk om din förmåga att framgångsrikt driva det här på kontoret För dig som har mycket tid eller kompetens för att automatisera din strategi kanske du vill undersöka en mer teknisk högfrekvent handel med HFT Strategi. Min tro är att det är nödvändigt att genomföra kontinuerlig forskning i dina handelsstrategier för att behålla en konsekvent lönsam portfölj Få strategier förblir under radaren för alltid H Ence en betydande del av den tid som allokeras till handel kommer att vara i genomförande av pågående forskning Fråga dig själv om du är beredd att göra detta, eftersom det kan vara skillnaden mellan stark lönsamhet eller en långsam nedgång till förluster. Du måste också överväga din handel Kapital Det allmänt accepterade idealbeloppet för en kvantitativ strategi är 50 000 USD cirka 35 000 för oss i Storbritannien Om jag började igen skulle jag börja med ett större belopp, förmodligen närmare 100 000 USD cirka 70 000 Detta beror på att transaktionskostnader kan vara extremt dyra För mellan - och högfrekventa strategier och det är nödvändigt att ha tillräckligt med kapital för att absorbera dem i nedgångstider. Om du funderar på att börja med mindre än 10 000 USD måste du begränsa dig till lågfrekventa strategier, handla i en eller Två tillgångar, eftersom transaktionskostnaderna snabbt kommer att äta i din avkastning Interactive Brokers, som är en av de vänligaste mäklarna till de med program Ming kompetens, på grund av dess API, har ett kundkonto minimum 10.000 USD. Programmering färdighet är en viktig faktor för att skapa en automatisk algoritmisk handelsstrategi Att vara kunnig i ett programmeringsspråk som C, Java, C, Python eller R kommer att göra det möjligt för dig Att skapa end-to-end datalagring, backtestmotor och exekveringssystem själv Det här har ett antal fördelar, vars chef är möjligheten att vara helt medveten om alla aspekter av handelsinfrastrukturen. Det gör det också möjligt att utforska den högre frekvensen Strategier som du kommer att ha full kontroll över din teknikstack. Medan det här betyder att du kan testa din egen programvara och eliminera buggar, betyder det också mer tid att spendera kodning av infrastruktur och mindre på implementeringsstrategier, åtminstone i den tidigare delen av ditt algo Handel karriär Du kanske tycker att du är bekväm handel i Excel eller MATLAB och kan outsourca utvecklingen av andra komponenter Jag skulle inte rekommendera detta dock, särskilt för de tra Ding vid hög frekvens. Du måste fråga dig själv vad du hoppas uppnå genom algoritmisk handel. Är du intresserad av en regelbunden inkomst, varigenom du hoppas kunna dra in intäkter från ditt handelskonto. Eller är du intresserad av en långsiktig vinst och kan Råd att handla utan att behöva drawdown fonder Inkomstberoende kommer att diktera frekvensen av din strategi Fler regelbundna inkomstavdrag kommer att kräva en högre frekvens handelsstrategi med mindre volatilitet dvs en högre Sharpe-förhållande Långsiktiga näringsidkare har råd med en mer lugn handelsfrekvens. Fördjupas inte av tanken på att bli extremt rik på kort tid. Algo trading är inte ett snabbt rikssystem - om något kan det bli ett snabbt fattigt system. Det tar stor disciplin, forskning, flit och Tålamod att lyckas med algoritmisk handel Det kan ta månader, om inte år, att skapa konsekvent lönsamhet. Söka Algoritmiska Trading Ideas. Trots gemensamma uppfattningar mot kontra Ry, det är faktiskt ganska enkelt att hitta lönsamma handelsstrategier i det offentliga området. Aldrig har handelsidéer varit mer tillgängliga än de är idag. Akademiska finansblad, prepress-servrar, handelsbloggar, handelsforum, veckohandelstidningar och specialtexter ger Tusentals handelsstrategier för att basera dina idéer på. Vårt mål som kvantitativa handelsforskare är att skapa en strategipipeline som kommer att ge oss en ström av pågående handelsideer. Vi vill helst skapa ett metodiskt tillvägagångssätt för inköp, utvärdering och genomförande av strategier Att vi kommer överens Syftet med rörledningen är att skapa en konsekvent mängd nya idéer och att ge oss en ram för att avvisa majoriteten av dessa idéer med det minsta emotionella övervägandet. Vi måste vara extremt försiktiga så att vi inte låter kognitiva påverkan påverka Vår beslutsfattande metodik Det här kan vara så enkelt att ha en preferens för en tillgångsklass ove R ett annat guld och andra ädla metaller komma ihåg eftersom de uppfattas som mer exotiska. Vårt mål borde alltid vara att hitta konsekvent lönsamma strategier med positiv förväntan. Valet av tillgångsklass bör baseras på andra överväganden, såsom handelskapitalbegränsningar, mäklar Avgifter och hävstångseffekter. Om du är helt obekant med begreppet handelsstrategi är det första stället att titta på med etablerade läroböcker. Klassiska texter ger ett brett utbud av enklare och mer enkla idéer för att bekanta dig med kvantitativ handel. Här är Ett urval som jag rekommenderar för dem som är nya för kvantitativ handel, som gradvis blir mer sofistikerade när du arbetar genom listan. För en längre lista över kvantitativa handelsböcker, besök QuantStarts läsningslista. Nästa plats för att hitta mer sofistikerade strategier Är med handelsforum och handelsbloggar Men en försiktighetsåtgärd Många handelsbloggar är beroende av Koncept av teknisk analys Teknisk analys innebär att man använder grundläggande indikatorer och beteendepsykologi för att bestämma trender eller omvändningsmönster i tillgångspriser. Trots att det är extremt populärt i det totala handelsutrymmet anses teknisk analys vara något ineffektiv i det kvantitativa finanssamhället. Några har föreslagit att det är Inte bättre än att läsa ett horoskop eller studera teblad med avseende på dess prediktiva kraft. I själva verket finns det framgångsrika individer som använder sig av teknisk analys. Vi kan emellertid enkelt, som quants med en mer sofistikerad matematisk och statistisk verktygslåda, utvärdera effektiviteten hos Sådana TA-baserade strategier och göra databaserade beslut snarare än basen på känslomässiga överväganden eller förutryckningar. Här är en lista över väl respekterade algoritmiska handelsbloggar och forum. När du har haft lite erfarenhet av att utvärdera enklare strategier är det dags att Titta på de mer sofistikerade akademiska erbjudandenen Några acad Emic tidskrifter kommer vara svåra att få tillgång till, utan höga abonnemang eller engångskostnader Om du är medlem eller alumni på ett universitet bör du kunna få tillgång till några av dessa finansiella tidskrifter. Annars kan du titta på förtrycksservrar Som är internetförråd av sena utkast till akademiska papper som genomgår peer review Eftersom vi bara är intresserade av strategier som vi framgångsrikt kan replikera, backtest och få lönsamhet för, är en peer review av mindre betydelse för oss. Den stora nackdelen med akademiska strategier Är att de ofta också kan vara omoderna, kräva obskyra och dyra historiska data, handla i illikvida tillgångsklasser eller inte medföra avgifter, släppa eller sprida. Det kan också vara oklart huruvida handelsstrategin ska genomföras med marknadsordningar , Gränsvärden eller om det innehåller stoppförluster mm Således är det absolut nödvändigt att replikera strategin själv så gott du kan, backtest det och lägga till i realistiska transaktionskostnader S som innehåller så många aspekter av de tillgångsklasser som du vill handla in. Här är en lista över de mer populära förtrycksservrarna och de finansiella tidskrifterna som du kan skaffa idéer från. Vad sägs om att skapa egna kvantitativa strategier. Detta kräver i allmänhet men Är inte begränsad till kompetens inom en eller flera av följande kategorier. Marknadsmikrostruktur - För högre frekvensstrategier kan man utnyttja marknadsmikrostrukturen, dvs förståelse av orderbokens dynamik för att skapa lönsamhet. Olika marknader kommer att ha olika tekniska begränsningar Regler, marknadsaktörer och begränsningar som alla är öppna för exploatering via specifika strategier. Detta är ett mycket sofistikerat område, och detaljhandelsutövare kommer att få svårt att vara konkurrenskraftiga i detta utrymme, särskilt i tävlingen ingår stora, välkapitaliserade kvantitativa hedgefonder med Starka tekniska möjligheter. Fonden struktur - Pooled investeringsfonder, såsom pensionsfonder, Privata investeringar partnerskap hedgefonder, råvaru rådgivare och fonder är begränsade både av kraftig reglering och deras stora kapital reserver sålunda vissa konsekventa beteenden kan utnyttjas med dem som är mer nimble till exempel stora medel är utsatta för kapacitetsbegränsningar på grund av deras storlek Således om de behöver snabbt avlasta sälja en mängd värdepapper, måste de staggera det för att undvika att flytta marknaden. Sofistikerade algoritmer kan dra nytta av detta och andra idiosynkraser, i en generell process som kallas fonden struktur arbitrage. Machine learning Artificiell intelligens - Maskininlärningsalgoritmer har blivit vanligare de senaste åren på finansmarknaderna Klassificatorer som Naive-Bayes, et al. Icke-linjära funktionskompatörer neurala nätverk och optimeringsrutiner genetiska algoritmer har alla använts för att förutsäga tillgångsbanor eller optimera handelsstrategier Om Du har en bakgrund på detta område kan du få lite insikt i Hur särskilda algoritmer kan tillämpas på vissa marknader. Det finns naturligtvis många andra områden för quants att undersöka. Vi kommer att diskutera hur man ska komma fram till anpassade strategier i detalj i en senare artikel. Genom att fortsätta att övervaka dessa källor på en vecka, Eller till och med dagligen, baserar du dig på att få en konsekvent lista över strategier från ett brett spektrum av källor. Nästa steg är att bestämma hur man avvisar en stor delmängd av dessa strategier för att minimera att slösa bort din tid och backtesting resurser på strategier Som sannolikt kommer att vara olönsam. Evalerande handelsstrategier. Det första och förmodligen mest uppenbara övervägande är om du faktiskt förstår strategin. Skulle du kunna förklara strategin kortfattat eller behöver det en rad försiktighetsåtgärder och oändliga parametervistor. Dessutom, Har strategin en bra, solid grund i verkligheten Kan du till exempel peka på någon beteendemässig motivering eller fondstrukturbegränsning som kan vara causi Ng det mönster som du försöker utnyttja Skulle denna begränsning hålla fast vid en regimförändring, till exempel en dramatisk miljöförstöring Är strategin beroende av komplexa statistiska eller matematiska regler Gäller det för någon ekonomisk tidsserie eller är den specifik för Tillgångsklass som det hävdas vara lönsam Du borde ständigt tänka på dessa faktorer när man utvärderar nya handelsmetoder, annars kan du slösa bort betydande tid på att försöka backtest och optimera olönsamma strategier. När du har bestämt dig för att du förstår de grundläggande Strategiernas principer måste du bestämma om det passar din ovannämnda personlighetsprofil. Det här är inte så vett en övervägande som det låter Strategierna kommer att skilja sig väsentligt i deras prestandaegenskaper. Det finns vissa personlighetsformer som kan hantera mer betydande perioder av drawdown eller är Villig att acceptera större risk för större avkastning trots att vi, a S försök, försök att eliminera så mycket kognitiv bias som möjligt och borde kunna utvärdera en strategi passivt, förspänningar kommer alltid att krypa in Således behöver vi ett konsekvent, unemotionellt sätt genom vilket att bedöma prestandan av strategier Här är listan över kriterier som Jag bedömer en potentiell ny strategi genom. Metodologi - Är strategiska momentumbaserade, medelåtervändande, marknadsneutrala, riktiga? Använder strategin sig på sofistikerade eller komplexa statistiska eller maskininlärningstekniker som är svåra att förstå och kräver en doktorand i statistik till Grepp Inför dessa tekniker en betydande mängd parametrar som kan leda till optimeringsförskjutning. Om strategin sannolikt kommer att motstå en reglervändning, dvs potentiell ny reglering av finansmarknaderna. Sharpe Ratio - Sharpe-förhållandet karaktäriserar heuristiskt strategins belöningsriskförhållande. Kvantifierar hur mycket avkastning du kan uppnå för volatiliteten som uthålls av aktiekurvan. Naturligtvis behöver vi t O bestämma den period och frekvens som dessa avkastningar och volatilitet, dvs standardavvikelsen mäts över. En högre frekvensstrategi kräver en större samplingsfrekvens av standardavvikelsen, men en kortare övergripande tidsperiod för mätning. Exempelvis kräver strategin betydande hävstångseffekt För att vara lönsam Tror strategin att användningen av levererade derivatkontrakt futures, optioner, swappar för att få en avkastning Dessa leveransavtal kan ha stor volatilitet karaktäriserar och kan sålunda leda till marginalanrop Har du handelskapitalet och de Temperament för sådan volatilitet. Frequency - Strategins frekvens är nära kopplad till din teknikstack och därmed teknisk expertis, Sharpe-förhållandet och övergripande nivå av transaktionskostnader. Alla andra frågor som beaktas kräver högre frekvensstrategier mer kapital, är mer sofistikerade och hårdare Att genomföra Men förutsatt att din backtesting-motor är sop Histicated och bug-free, kommer de ofta att ha mycket högre Sharpe-förhållanden. Volatilitet är starkt relaterad till strategins risk Sharpe-förhållandet karaktäriserar denna högre volatilitet i de underliggande tillgångsklasserna, om de inte är bundna, leder ofta till högre volatilitet i Kapitalkurva och därmed mindre Sharpe-förhållanden. Jag antar självklart att den positiva volatiliteten är ungefär lika med den negativa volatiliteten. Vissa strategier kan ha större volatilitet i nackdelen. Du måste vara medveten om dessa attribut. Vinförlust, genomsnittlig vinstförlust - Strategier kommer att skilja sig åt i Deras vinstförluster och genomsnittliga vinstförlustegenskaper Man kan ha en väldigt lönsam strategi, även om antalet förlorade affärer överstiger antalet vinnande affärer Momentumstrategier tenderar att ha detta mönster eftersom de är beroende av ett litet antal stora träffar för att vara Lönsamma Mean-reversion strategier tenderar att ha motsatta profiler där flera av affärer är vinnare, men de förlorande affärer kan vara ganska seve Maximal Drawdown - Den maximala drawdownen är den största totala procentuella topp-till-procentuella nedgången på strategins aktiekurva Momentum-strategier är kända för att drabbas av perioder med förlängda drawdowns på grund av en rad många inkrementella förlorande affärer. Många handlare kommer att Ge upp i perioder med förlängd drawdown även om historisk testning har föreslagit att det här är affären som vanligt för strategin. Du måste bestämma vilken procentandel av drawdownen och över vilken tidsperiod du kan acceptera innan du slutar handla din strategi. Detta är en mycket personlig Beslut och därmed måste övervägas noggrant. Kapacitet Likviditet - Om du inte handlar i ett starkt illikvide instrument som en litenkapitalandel, behöver du inte i detaljhandeln ta itu med strategisk kapacitet. Kapaciteten bestämmer strategins skalbarhet Till ytterligare kapital Många av de större hedgefonderna lider av betydande kapacitetsproblem eftersom deras strategier ökar i kapitaltilldelningen. Parametrar - Vissa strategier, särskilt de som finns i maskininlärningsgruppen, kräver en stor mängd parametrar. Varje extra parameter som en strategi kräver, gör den mer sårbar mot optimeringsförspänning, även känd som kurvmontering. Du bör försöka rikta in strategier med så få parametrar som möjligt Eller se till att du har tillräckliga mängder data för att testa dina strategier. Benchmark - Nästan alla strategier om de inte karaktäriseras som absolut avkastning mäts mot vissa prestationsindex. Referensindex är vanligtvis ett index som karakteriserar ett stort urval av den underliggande tillgångsklassen som Strategin handlar om Om strategin handlar med stora cap US-aktier, skulle S P500 vara ett naturligt referensvärde för att mäta din strategi mot. Du kommer att höra termerna alfa och beta, tillämpade på sådana strategier. Vi diskuterar dessa koefficienter djupt I senare artiklar. Notice att vi inte har diskuterat den faktiska avkastningen i strategin Varför är th I isolation ger avkastningen oss faktiskt begränsad information om strategins effektivitet. De ger inte dig insikt i hävstångseffekt, volatilitet, riktmärken eller kapitalkrav. Således bedöms strategier sällan på deras avkastning. Alltid överväga riskattributen för En strategi innan vi tittar på avkastningen. I det här skedet kommer många av de strategier som hittas från din pipeline att bli avvisade, eftersom de inte uppfyller dina kapitalkrav, hävstångseffekter, maximal drawdown tolerance eller volatilitetspreferenser. De strategier som finns kvar kan Men innan det är möjligt är det nödvändigt att överväga ett slutligt avslagskriterium - det med tillgängliga historiska data för att testa dessa strategier. Innehåll av historiska data. Idag är bredden av de tekniska kraven över tillgångsklasser för Historiskt datalagring är väsentligt För att vara konkurrenskraftig, både köpsidan och försäljningssidan Investeringsbanker investerar kraftigt i sin tekniska infrastruktur Det är absolut nödvändigt att överväga dess betydelse Speciellt är vi intresserade av aktualitet, noggrannhet och lagringskrav. Jag ska nu redogöra för grunderna för att erhålla historisk data och hur man lagrar den. Tyvärr är detta en väldigt djup och Tekniskt ämne, så jag vann inte att kunna säga allt i den här artikeln Jag kommer emellertid att skriva mycket mer om detta i framtiden, eftersom min tidigare branschupplevelse i finansbranschen främst handlade om ekonomisk datainsamling, lagring och åtkomst. I det föregående avsnittet hade vi satt upp en strategiprofil som möjliggjorde att vi avvisade vissa strategier utifrån våra egna personliga avslagskriterier. I det här avsnittet kommer vi att filtrera fler strategier utifrån våra egna preferenser för att erhålla historiska data. Huvudhänsynen särskilt på detaljhandelsnivå Är kostnaderna för data, lagringskraven och din tekniska expertis Vi behöver också Diskutera olika typer av tillgängliga data och de olika överväganden som varje typ av data kommer att införa på oss. Börja med att diskutera de typer av data som finns och de viktigaste frågorna vi kommer att behöva tänka på. Grundläggande data - Detta inkluderar data om makroekonomisk Trender, såsom räntesatser, inflationstal, företagsaktioner utdelningar, aktieskikt, SEC-arkiv, företagsredovisning, resultattal, grödorapporter, meteorologiska data etc. Dessa data används ofta för att värdera företag eller andra tillgångar på grundval Via vissa medel för förväntade framtida kassaflöden Det ingår inte aktiekursserier Vissa grundläggande data är fritt tillgängliga från statliga webbplatser Andra långsiktiga historiska grundläggande data kan vara extremt dyra Lagringskrav är ofta inte särskilt stora, om inte tusentals företag studeras På en gång. Ny data - Nyhetsdata är ofta kvalitativa. Den består av artiklar, blogginlägg, mikrobloginlägg tweets och Redaktionella Maskininlärningstekniker som klassificeringsmedel används ofta för att tolka känslor. Dessa data är också ofta fritt tillgängliga eller billiga via abonnemang på mediautbud. De nyare databaserna för NoSQL-dokumentlagring är utformade för att lagra denna typ av ostrukturerad, kvalitativ data. Asset Price Data - Detta är den traditionella datadomänen för kvanten. Det består av tidsserier av tillgångspriser. Aktier, obligationer, obligationer, råvaror och valutakurser ligger alla i denna klass. Dagliga historiska data är ofta enkla att få för de enklare tillgångsklasserna, så Som aktier Men när noggrannhet och renlighet ingår och statistiska förskjutningar tas bort kan data bli dyrare Dessutom har tidsseriedata ofta betydande lagringskrav, speciellt när intradagdata beaktas. Finansiella instrument - aktier, obligationer, terminer och mer exotiska Derivatalternativ har mycket olika egenskaper och parametrar Det finns ingen storlek som passar alla databasstrukturer som kan rymma dem. Väsentlig omsorg måste ges till utformningen och genomförandet av databasstrukturer för olika finansiella instrument. Vi kommer att diskutera situationen på lång sikt när vi kommer att bygga en värdepappersmasterdatabas i framtida artiklar. Frekvens - Ju högre frekvensen av data, desto större är kostnaderna och lagringskraven. För lågfrekventa strategier är dagliga data ofta tillräckliga. För högfrekventa strategier kan det vara nödvändigt att få fältnivådata och till och med historiska kopior av särskild handel Utbyte orderbokdata Genomförandet av en lagringsmotor för denna typ av data är mycket tekniskt intensiv och lämpar sig bara för dem med stark programmeringsteknik. Bakgrund - De strategier som beskrivs ovan kommer ofta att jämföras med ett riktmärke. Detta brukar uppstå som en extra finansiell Tidsserier För aktier är detta ofta ett nationellt aktiemärke, till exempel S P500 index US eller FTSE100 UK För en räntefonder är det värdefullt att jämföra med en korg med obligationer eller ränteprodukter. Den riskfria räntan, dvs lämplig ränta, är också ett annat allmänt accepterat riktmärke. Alla tillgångsklasskategorier har ett favoriserat riktmärke, Så det kommer bli nödvändigt att undersöka detta baserat på din specifika strategi om du vill intressera dig för din strategi externt. Teknik - Teknikstakarna bakom ett ekonomiskt datalagringscenter är komplexa Denna artikel kan bara repa ytan om vad som är inblandat i Bygga en Men det är centrerad kring en databasmotor, t. ex. ett relationsdatabasstyrningssystem RDBMS, till exempel MySQL, SQL Server, Oracle eller en dokumentlagringsmotor, dvs NoSQL. Detta nås via företagslogikansökningskod som frågar databasen och ger Tillgång till externa verktyg, till exempel MATLAB, R eller Excel. Denna affärslogik är ofta skrivet i C, C, Java eller Python. Du måste också vara värd för dessa data Någonstans, antingen på din egen dator eller på distans via Internet-servrar. Produkter som Amazon Web Services har gjort det enklare och billigare de senaste åren men det kommer fortfarande att kräva en betydande teknisk expertis för att uppnå på ett robust sätt. Som kan ses, När en strategi har identifierats via rörledningen kommer det att vara nödvändigt att utvärdera tillgängligheten, kostnaderna, komplexiteten och genomförandedetaljerna för en viss uppsättning historiska data. Det kan hända att det är nödvändigt att avvisa en strategi baserad enbart på historiska dataöverväganden. Detta är en Stort område och lag av doktorer arbetar i stora fonder så att prissättningen är korrekt och i tid. Underskattar inte svårigheterna att skapa ett robust datacenter för din backtesting. Jag vill dock säga att många backtesting-plattformar kan tillhandahålla denna data för Du automatiskt - till en kostnad Således kommer det att ta mycket av genomförandeproblemet bort från dig, och du kan koncentrera dig rent på genomförandet av strategin en Nd optimering Verktyg som TradeStation har denna förmåga Men min personliga uppfattning är att implementera så mycket som möjligt internt och undvika att outsourca delar av stacken till programvaruförsäljare Jag föredrar högre frekvensstrategier på grund av deras mer attraktiva Sharpe-förhållanden, men de är ofta tätt kopplade Till tekniken stacken där avancerad optimering är kritisk. Nu när vi har diskuterat problemen kring historiska data är det dags att börja implementera våra strategier i en backtesting motor. Det kommer att bli föremål för andra artiklar, eftersom det är lika stort område av Diskussion. Just komma igång med kvantitativ Trading. Evaluering Din Trading Strategy Del 2.I den sista posten vi behandlade hur man utvärderar lönsamheten och risken för din strategi Låt oss nu titta på att mäta statistisk signifikans, stabilitet och levande prestanda av Din strategi. Statistisk betydelse. Efter att ha kört din backtest en av de första frågorna måste du fråga dig Är det självklart att dessa resultat är statistiskt signifikanta, eller med andra ord, vilka chanser att dessa resultat inträffade enbart genom slumpmässig chans. Även om dykning i en statistisk analysverksamhet kan vara skrämmande finns det några ganska enkla tekniker för att få en bättre uppfattning om Huruvida du faktiskt har hittat ett repeterbart, exploaterbart mönster på marknaden. Förtroendeintervaller En fördel med att vända sig till statistisk analys är att du kan få konkreta konfidensintervall på dina resultat. Tagen från CFA-studieguiden kan vi använda t-distributionen För att beräkna konfidensintervallerna kring vår avkastning per handel. RPT T-distributionen ger oss en konservativ uppskattning av hur sannolikt ett medeltal ligger inom ett visst intervall. Det fungerar särskilt bra när vi har små samplingsstorlekar, har inte mycket information Om fördelningen av underliggande data och har tyngre svansar, vilket innebär en större sannolikhet för stora rörelser. Detta gör det mycket bra att arbeta med vit H finansiella data. Lyckligtvis kan vi enkelt beräkna t-fördelningen i Excel med TDIST-funktionen, som ser på dina grader av frihetsprovstorlek - 1 och om det är en-tailed du bara bryr dig om att hitta den nedre gränsen eller en två - tailed testar du bryr dig om att hitta den övre och nedre gränsen. Vad denna beräkning kommer att berätta för oss är Med 95-förtroende kommer min avkastning per handel att vara över och under. För att minska intervallet för konfidensintervallet kan du antingen öka din provstorlek eller Minska ditt konfidensintervall till 90. Du vill att den nedre gränsen ska vara minst tillräcklig för att täcka din trading costs. Monte Carlo Simulation. This är en annan populär som du hör mycket om men fortfarande inte anställd av den genomsnittliga näringsidkaren. Vad Monte Carlo simulation tells you is, had I run a huge amount of strategies, randomly going long and short for each trade, what is the chance the to total returned at least as much as my strategy. For example, if your proprietary strategy had re turned 20 , but you find that a completely random strategy had a 50 chance of returning at least that amount, you aren t going to be very confident with your strategy moving forward. Here is one good resource on how to apply a Monte Carlo Simulation in Excel but before blindly trusting it, there are a couple things to consider. You need to run enough simulations until the results converge on a central value to trust the results. Strategies that overfit the data set will perform well against a Monte Carlo Simulation so you must run the test over data that was not used to build the strategy. This a very brief overview of only two ways you can measure the statistical significance of your strategy There is a lot more quantitative research in this area and I would highly recommend Evidence-Based Technical Analysis by David Aronson as a trader-friendly reference to these types of techniques. The stability of your strategy refers to the consistency and predictability of your returns This is relate d to both the strategy s risk and statistical significance, but I think it is important to view it as its own category. When we talk about a strategy being stable, we want to look at how the strategy performed across a variety of market conditions, whether a majority of the returns came from only a few trades and how susceptible the strategy is to large drawdowns. Most traders look at this as the smoothness of the equity curve. Measuring Smoothness R , the coefficient of determination, measures how well a data set fits a particular model, in this case a simple line or curve To measure the smoothness of our returns, we are looking find out how well our equity curve fits a straight line. In a perfect world, our equity curve would be a steep, straight line going from the bottom left corner to the top right we could always hope for a exponential growth, but let s not get ahead of ourselves. What the coefficient of determination tells us is close to this straight line our equity curve falls We a re looking for a high determination coefficient meaning our equity curve is a close fit and a steep slope meaning our equity is growing at a fast rate These two measures help us objectively analyze how smooth our equity curve is. In Excel, this is very easy to do Plot your equity curve as a scatter plot, right click on one of the points, and select Add Trendline In the dialogue box, select a linear trendline, then under options set the intercept to be 0 and click to show both the equation and R value. The m value in front of the x will show you the slope of the line we are looking for high positive values and the R value is close we are to that line values over 7 are what we re looking for. Just like that, you have all the information you need to measure the smoothness of your equity curve. Market Condition Testing Another aspect to consider is under what market conditions our strategy tended to perform well and under what conditions it performed poorly This can help you get a better feel of the characteristics of your strategy as well help when you start trading live. There are two basic ways to look at this the simple way and the slightly more complex way. In the simple way, you would define the different market conditions yourself using indicators as filters For example, you would decide that the market is trending when the ADX is over 25 and volatile when the ATR is over 1 0 You might see that 80 of your returns came when the market market was in a strong trend ADX 25 and you had losses when the market was flat or moving sideways You can then use this information to try to improve your strategy or add these filters when you go trade live Here is more information on what these indicators mean. It is important to remember that these filters should be as uncorrelated as possible with the logic used to create your strategy If you are using a technical indicator that incorporates the strength of the trend, adding a trend filter doesn t tell you much more about your strategy besides adding another entry condition. The slightly more complex way involves our old friend, the regression, except now we are running a multiple regression and we are less concerned with the R values as we are concerned with the beta coefficients of our indicators. Once again, we re going to choose indicators to identify different market conditions, but instead of defining the different levels ADX 25 trending , we are going to let the regression show us which factors were most important. Larger coefficients will tell us which indicators had the largest impact on our returns, though we want to be sure to standardize the indicators and make sure that the results are statistically significant. Here is a great video by Business Insider on running a multiple regression in Excel If you are using a Mac, you are somewhat handicapped and must use the LINEST function which will require an extra step calculate the p-value Here is a video on how to use the LINEST function for a multiple regression and here is how to calculate the p-value from the results. This isn t going to give us clear-cut filters but we are able to easily test a larger number of indicators and get a good understanding of what factors played a role in our returns Once again, we want to be sure we only use filters that are uncorrelated with the indicators used to create our entry signals. Measuring the stability of your returns is an important consideration when evaluating a strategy and while eyeballing the smoothness of the equity curve is always a good idea, using a more objective, quantitative approach is desirable when comparing multiple strategies. Live Performance. Once you have tested a strategy and go to trade it live, the next big question is how do I know when this strategy has fallen out of sync with the market. Knowing when to stop trading a particular strategy can have a huge impact on the overall returns of your portfolio. Trending Equity One way to look at the returns of your strategy once you star t trading live is by measuring the trend of these returns Obviously we want an equity curve in a positive trend. A simple, visual way to do this is by calculating a simple moving average SMA of your returns When the equity curve dips below the SMA and enters a downtrend, you might want to look to either stop trading the strategy or decrease the position sizes. There are two parameters to consider when using this approach the period of the SMA and how you define a downtrend. These parameters can be chosen by a combination of historical performance and your own risk tolerance. You want to select the period of the SMA that gives a good buffer between your backtesting returns and the SMA A longer period SMA will lead to larger buffers, while shorter periods are going to make your equity curve more likely to dip into your SMA I have found SMA periods between 25 and 100 to be most effective depending on how often you strategy trades. How far below the SMA the equity curve dips before you stop tra ding should be more than what you observed in your backtests but not too much where you risk losing a large amount of your capital You should look for at least a 10 or greater dip than what you saw in your backtest before stopping the strategy. It is reasonable to expect that your live performance won t be as good as the historical performance so you want to be sure that your returns are actually in a downtrend before discontinuing the strategy. Consecutive Losses A more sensitive way to know when your strategy is falling out of sync is by looking at the probability of having a string of consecutive losses. For example, let s say you have had 20 trades and are in the midst of a string of 5 consecutive losses Based on your historical accuracy, what is the probability that this would happen. Turns out this a more complex question than meets the eye and requires a fairly sophisticated recursive formula Luckily, you can find a handy calculator here to do it for you or if you want to play aroun d with the somewhat messy Excel calculations yourself, you can download the spreadsheet here When using the online calculator, we are concerned with the streak of losses so the probability of success would actually be 1 - Accuracy , so a strategy with 60 accuracy would have a 40 probability of a loss Special thanks to sci-fi writer mathematician Max Griffin for the calculator. What we can see is that if we thought our strategy was 75 accurate 25 probability of a loss and we had a streak of 5 losses in only 20 trades, there is only a 1 19 chance of this happening. If this is the case, you should take a hard look at your strategy as it shows that your 75 accuracy was most likely due to overfitting the data used to build your strategy and is not likely to hold up in live trading. Properly evaluating your strategy is a crucial step that is often overlooked Many traders spend huge amounts of time coming up with a strategy, and then rely on only a few basic metrics to decide whether to trade or discard the strategy. Only by analyzing the profitability, risk, statistical significance, stability, and live performance of the strategy can we have confidence to trade it live. What other metrics do you use when evaluating your strategy. And be sure to check out TRAIDE to learn how you can leverage machine-learning algorithms when building your next strategy.
No comments:
Post a Comment