التمويل الكمي والتداول المنهجي

التمويل الكمي والتداول المنهجي
الحصول على فيا أب ستور قراءة هذه المشاركة في التطبيق لدينا!
فئات استراتيجيات التداول المنهجي؟
ما هي الفئات الرئيسية لاستراتيجيات التداول المنهجي (مثل الزخم، ومتوسط ​​الانعكاس)، كما يمكن أن ينظر فيها محلل أو صندوق تمويل؟
هل هناك أي استراتيجيات فرعية مشتركة؟
وهناك أنواع أخرى من الاستراتيجيات لا يغطيها متوسط ​​الانعكاس / الاتجاه التالي:
المراجحة - الحفاظ على الأصول المترابطة قريبة من السعر (مؤشر سبس مقابل 500 الأسهم الواردة فيه، أو تجارة الذهب في لندن مقابل تجارة الذهب في نيويورك)
صنع السوق - شراء على العرض، وبيع على أسأل، وكسب انتشار.
خصم السيولة - بعض فينوس تدفع لك لوضع أوامر الحد في الكتاب. وضع في أمر حد لشراء، عندما ضرب ضرب محاولة في نفس السعر الذي اشتريته في (أو أفضل) وكسب الخصم. يعمل بشكل أفضل على ارتفاع حجم الأصول منخفضة السعر.
تجارة المفترسة - تسعى سيولة كبيرة مخفية في السوق والأمامية تشغيله.
(تحليل تويت، وتحديد المزاج العالمي / الإقليمي واستخدام النظريات النفسية المعروفة للتنبؤ تأثير على سلوك السوق)
تداول الأحداث - تحليل الأخبار (الإلكترونية، والورق، والمدونات، والأحداث) والتنبؤ بأثر السوق على الحقائق الجديدة ذات الصلة (التقاضي، والمنتجات الجديدة، والإدارة الجديدة،.)
ولا يوجد تصنيف رسمي لنماذج التداول الكمي. بعد كل شيء، "التقييمات" هي بطبيعتها الذاتية، بغض النظر عن مقدار الرياضيات التي وضعنا وراءها. ولكن هناك بعض المصطلحات القياسية للصناعة التي قد تكون مفيدة.
ومن الممكن أيضا تقسيمها حسب التنفيذ:
الأفق الزمني: بدءا من المدى الطويل إلى عالية التردد هيكل الرهان: النسبية أو الجوهرية الصكوك: سائلة أو غير سائلة.
وهذه لا تصل حتى إلى بناء محفظة، وحدود الموقف، ورصد المخاطر، الخ.
أما ما يعمل، والحفاظ على هذا الحد الأقصى في الاعتبار:
الثيران كسب المال، الدببة كسب المال، ولكن الخنازير الحصول على ذبح.
وأخيرا، فإن مقارنة علماء الرسوم البيانية بأنهم يقارنون بين علماء الفلك وعلماء الفلك.
يمكنني استخدام أندي لانك طريقة التدفق النقدي، انها المفضلة لدي.

QuantStart.
توفر بوابة عضوية كوانتستارت كوانتستارت الموارد التعليمية التفصيلية لتعلم التداول المنهجي ومجتمع قوي من التجار خوارزمية ناجحة لمساعدتك.
أحدث المقالات.
مجرد بدء مع التداول الكمي؟
3 أسباب الاشتراك في قائمة البريد الإلكتروني كوانتستارت:
1. دروس التداول الكمي.
سوف تحصل على إمكانية الوصول الفوري إلى دورة مجانية 10-البريد الإلكتروني معبأة مع تلميحات ونصائح لمساعدتك على البدء في التداول الكمي!
2. جميع أحدث المحتوى.
كل أسبوع سوف نرسل لك التفاف جميع الأنشطة على كوانتستارت لذلك عليك أن لا يفوتون وظيفة مرة أخرى.
ريال مدريد، وقابلة للتنفيذ نصائح التداول الكمي مع أي هراء.

إدارة المحفظة.
التمويل الكمي | إدارة المحافظ | التداول المنهجي.
المشاركات الاخيرة.
احدث التعليقات.
الاقسام.
تغلب على السوق مع ميوتشي وماركويتز.
المقدمة.
أنا متحمس جدا لأن أشارك أخيرا بعض من أبحاثي استكشاف ميوتشي (ميوتشي (2005)) أساليب التحسين محفظة، وكيف المحافظ الناتجة مقارنة استخدام البيانات التاريخية. بالنسبة لأولئك غير مألوف مع أتيليو ميوتشي، يدير برنامج إدارة المخاطر المتقدمة وإدارة المحافظ السنوية في مدينة نيويورك كل صيف. يجذب البرنامج الأكاديمي الأكاديميين والمهنيين في هذه الصناعة، ويتم مناقشة أكثر من 6 أيام مكثفة، والموضوعات والتقنيات في إدارة المخاطر وإدارة المحافظ في العمق. لقد كنت محظوظا لحضور البرنامج التدريبي خلال صيف عام 2017. في هذا المنصب، سوف أستكشف إمكانية تحسين محفظة صناديق الاستثمار المتطورة في القطاع 9، باستخدام أساليب ميوتشي، وتحديدا إطاره المحدد في "قائمة التحقق" (ميوتشي (2018))، وسأتحقق مما إذا كانت أساليب ميوتشي تضيف قيمة على استخدام البيانات التاريخية. وأخيرا، سوف أستخدم إطار ماركويتز (ماركويتز) (1952) الذي يستخدم إطارا تربيعيا من أجل تحسين المحفظة، وسيجري مقارنة النتائج باستخدام التحسينات الدنيا للتباين ومتوسط ​​التباين.
خلفية.
تختلف طرق ميوتشي الأساسية عن الممارسة المعيارية من حيث أنه يفضل استخدام الربح والخسارة [P & أمب؛ L] على العوائد، ويفضل محاكاة مونت كارلو على الاستخدام المباشر للبيانات التاريخية. ويمكن الاطلاع على تفاصيل إطاره في "قائمة التحقق" (ميوتشي (2018))، ومع ذلك سأقدم ملخصا موجزا هنا:
بالنسبة لكل أداة، يحتاج المرء إلى تحديد "المتغيرات"، أو الدوافع للتغيرات في السعر التي "موزعة بشكل مستقل ومستقل" [إيد]. بالنسبة للأسهم، وعادة ما يكون هذا هو لوغ-ريتورنس. وبمجرد أن يتم تحديد المتغيرات (على سبيل المثال، عوائد سجل للأسهم)، وهذا ينتج مصفوفة من المتغيرات. ولتقليل الخطأ في التقدير، يتم تقليل البعد بحساب القيم الذاتية والمستقبلات الذاتية. ثم، يتم تعريف مجموعة فرعية من القيم الذاتية / إيجنفكتورس على أنها "إشارة"، في حين يتم تصنيف ما تبقى من "الضوضاء". وبالنسبة للقيم الذاتية "للإشارة" وذات النواتج الذاتية، يتم تحويلها إلى المكونات الرئيسية [أجهزة الكمبيوتر] (أي نتاج المتغيرات مع الإشارات الموجبة). ويقدر توزيع كل من أجهزة الكمبيوتر، فضلا عن الاعتماد بينهما (كوبولا). وبالنسبة لمكونات الضوضاء، يفترض أن توزع هذه القيم بمتوسط ​​0، وأن الانحراف المعياري يساوي القيمة المقابلة للضوضاء، ويفترض أنها مستقلة / غير مرتبطة ببعضها البعض. بعد ذلك، يتم إجراء محاكاة مونتي كارلو من خلال إجراء تجارب N، لفترات P، من التوزيع التلوي المقدر في الخطوة السابقة. والفكرة هي أن التحسين ينبغي أن يحدث في بعض أفق الاستثمار في المستقبل، وبالتالي يجب أن يتم توقع الأسعار إلى حيث أنها على الأرجح ستكون. وأخيرا، يجب تحويل هذه العوائد إلى P & أمب؛ لس، وبالتالي يتم مضاعفة توزيع N الثابتة في أفق الاستثمار في أحدث أسعار الأمن للحصول على توزيع P & أمب؛ لس. وأخيرا، يتم إجراء تحسين المحفظة على P & أمب؛ لس، بدلا من العائد في المئة. وبالتالي، فإن الحل ينتج الحيازات (أي عدد الأسهم لكل ضمان) بدلا من الأوزان التقليدية للأصول.
وبغية تبسيط هذه العملية، تم وضع عدد من الافتراضات لهذه الدراسة.
الافتراضات.
يتم النظر في الأسهم فقط، في حين أن إطار ميوتشي يتضمن الدخل الثابت والمشتقات ويفترض أن جميع الإشارات-أجهزة الكمبيوتر لديها توزيع الانحراف طالب-t ويفترض أن جميع أجهزة الكمبيوتر الضجيج إما أن توزع عادة، أو يكون توزيع الطلاب t، ويتم اختيار استنادا إلى الخير أندرسون دارلينج من اختبار صالح نظرا لوجود 9 إتفس سبر القطاع، فمن المفترض أن هناك دائما 3 أجهزة الكمبيوتر إشارة، و 6 أجهزة الكمبيوتر الضوضاء ويعتقد أن الاعتماد بين أجهزة الكمبيوتر إشارة 3 أن يكون كوبولا الكرمة (كرامر و (ششيبسمير (2018)) هيكل يفترض أن الاعتماد بين أجهزة الكمبيوتر 6 الضوضاء غير مترابطة داخل أجهزة الكمبيوتر 6، وكذلك غير مترابطة مع أجهزة الكمبيوتر إشارة 3 يتم تجاهل تكاليف المعاملات لإعادة التوازن الأمثل هو طويل فقط، استثمرت بالكامل مع قیود الحد الأقصی للوزن علی مؤشرین متقلبین لأعلی تقلب بالنسبة لکل فترة، یتم حساب التقلبات التاریخیة، وبالنسبة لشرکتي إتف المتقلبین الأعلی، تقید الأوزان الخاصة بھا من خلال حساب الوزن العکس للتذبذب (أر 100٪ من الثروة) بالنسبة لمحاكاة معدل التحرك التلقائي الانعكاسي [أرما]، يكون نموذج أرما مناسبا إذا كان اختبار لجونغ بوكس ​​يشير إلى الترابط الذاتي مع دلالة إحصائية 2.5٪ أنا على بينة من الانتقادات لاختبار يجونغ بوكس ​​للعلاقات الذاتية وتستخدم البيانات الأسبوعية لحساب المتغيرات، القيم الذاتية / إيجنفكتور وحل في نهاية المطاف للحيازات والأساس المنطقي هو أن هذا يلغي بعض الضوضاء من اليومية الأسعار، ومع ذلك توفر ما يكفي من البيانات لاستخلاص النتائج يتم تقييم الأداء باستخدام البيانات اليومية المصفوفات كوفاريانس يتم تقديرها باستخدام منهجيات "قوية" قوية :: كوفروب () استخدمت لتقدير مصفوفة التباين 3 يتم اختيار ويندوز لتقييم آفاق تاريخية 18 شهرا يفترض أن يكون من المفترض أن تكون نافذة الأفق القصير 36 شهرا نافذة متوسطة الأفق 60 شهرا يفترض أنها نافذة أفق طويل يتم إعادة توازن المحافظ الشهرية، وبالتالي أفق الاستثمار ميوتشي هو 4 أسابيع قبل ويتوقع المتغيرات 4 فترات المقبلة، ومن ثم إعادة تسعير والأمثل في هذا الأفق قبل 4 سنوات.
وتجدر الإشارة أيضا إلى أنني قدمت العديد من الافتراضات أعلاه. إذا حدث أي شخص لقراءة مشاركتي الأولى في إستراتيجية التداول منخفضة الفولاتيل، فقد يتساءلون لماذا لم أكن قد اتبعت النهج القائم على الفرضيات الذي حدده بيترسون (2017). بدأ العمل في هذا المنصب في الربع الأول من عام 2018، بعد أشهر من حضاري في برنامج ميوتشي. تم الحصول على الكثير من العمل والافتراضات والنتائج في جميع أنحاء عام 2018. كنت قد اتخذت دورة CFRM561 براين بيترسون في ربيع / صيف عام 2018، بعد الانتهاء من الكثير من العمل. وبسبب عدد الافتراضات التي يمكن القول بأنها يمكن تحويلها إلى فرضيات قابلة للاختبار، فإن ذلك سيؤدي إلى تأخير كبير في إطلاق هذه المعلومات. وأعتقد أن لدي بعض الاستنتاجات القيمة لتقاسمها استنادا إلى العمل الذي أنجز بالفعل، وبالتالي قررت كتابة هذا المنصب. ومن الناحية المثالية، سيتم اختبار جميع الافتراضات التي أعددتها أعلاه باستخدام الأساليب المبينة في بيترسون (2017)، لضمان أن افتراضات التوزيع والاعتماد سليمة، وتقليل خطر الإفراط في الإمداد.
نتيجة النسخ المتماثل.
لتكرار النتائج، اثنين من حزم بلدي، تحت عنوان المحمية و تسكونف تحتاج إلى تثبيت. سوف تقوم خطوط التعليمات البرمجية التالية بتثبيت الحزم، شريطة أن يتم تثبيت مكتبة ديفتولس بالفعل. تحذير: بروبفوليو لديها الكثير من التبعيات، لذلك تثبيته سيتم تثبيت العديد من حزم إضافية. يرجى مراجعة وصف الحزمة قبل التثبيت. رمز لتكرار النتائج يمكن العثور عليها في التذييل.
أرما النهج.
طوال عام 2018، وأحيانا خلال التحليل، لاحظت أن بعض القطاعات عرضت الارتباط الذاتي (على سبيل المثال زلو في بعض الأحيان يبدو أن لها علاقة ذاتية كبيرة). خلال الخطوة "السعي لتحقيق الثبات" (ميوتشي (2018))، يجب أن النتيجة لا تسفر عن الارتباط الذاتي مرة واحدة وقد تم تحديد ثابت. ونظرا لأنني لاحظت الارتباط الذاتي، فإن هذا يعني ضمنا وجود معلومات في سلسلة العودة التي لم يتم التقاطها. في محاولة للحصول على بقايا غير مترابطة (إنفاريانتس)، قررت التحقق من وجود علاقة ذاتية ذات دلالة إحصائية باستخدام اختبار لجونغ بوكس ​​بنسبة 2.5٪. إذا تم رفض فرضية فارغة، ثم استخدمت توقعات :: auto. arima () لتناسب نموذج أرما. الوقت الوحيد الذي تتم فيه هذه الخطوة الإضافية هو لمدة 18 شهرا النافذة. وهو امتداد لنهج مونت كارلو، وأكثر دقة من الناحية الفنية لأنه يضمن أن المتغيرات هي إيد. لم أفعل ذلك لمدة 36 شهرا و 60 شهرا النوافذ، لأنني لم اختبار هذا سابقا في عام 2018، ووجدت أن استخدام توقعات :: auto. arima () لم يحقق تحسينات في الأداء. إذا كان أي شيء يؤثر سلبا على الأداء.
معايير التحسين، الأهداف واختيار المعيار.
الهدف المعايير الوظيفية.
والهدف من هذه الدراسة هو تحقيق أقصى قدر من العائدات المعدلة حسب المخاطر، أو الحصول على أعلى مستوى من العوائد لأقل قدر من المخاطر. وبالتالي، فإن نسبة شارب سوف تستخدم في الغالب لتقييم أداء الاستراتيجية، ولكن سيتم تقييم ذلك في سياق العائد السنوي والتقلب السنوي. على سبيل المثال، إذا كانت نسبة شارب للاستراتيجية 1 هي 2.0، إلا أن العائد السنوي هو 3٪، وإذا كانت نسبة شارب من الاستراتيجية 2 هي 1.5، إلا أن العائد السنوي هو 9٪، ثم يفضل الإستراتيجية 2 على الإستراتيجية 1.
ويمكن توضيح الهدف مع الرسم البياني أدناه. وبمجرد الحصول علی أداء المحفظة أو الاستراتیجیة، وتحسب المخاطر والعائد السنوي، یمکن رسمھا علی مؤامرة مبعثر للمخاطر لعودة مقارنة الاستراتیجیات بصريا. والهدف هو اختيار الاستراتيجية التي هي أعلى إلى أعلى اليسار. وهذا هو أدنى المخاطر وأعلى استراتيجية العودة. ومن الناحية العملية، لا توجد عادة نقاط في هذا المجال، وعادة ما تميل جميع النقاط نحو الحق (أي ارتفاع المخاطر). إذا كان نقطتان على نفس الخط الأفقي (نفس العائد)، الاستراتيجية على اليسار هو الأفضل (السهم "جيد")، لأنه لديه نفس العائد ولكن أقل خطر. إذا كانت نقطتان على نفس الخط الرأسي، فإن الإستراتيجية في الأعلى (السهم "الأفضل") هي الأفضل، حيث أن لديها المزيد من العائد لنفس المستوى من المخاطر. أي استراتيجية إلى أعلى يسار نقطة أخرى هو أفضل (السهم "العظمى") لأنه لديه عائد أعلى وانخفاض المخاطر. إن أي إستراتيجيات تقع على بعض المنحدرات الإيجابية المنحدرة فيما يتعلق ببعضها البعض تحتاج إلى تقييم على أساس كل حالة على حدة، لأنه إذا كان لديهم نفس نسبة شارب، فهي تقريبا "مكافئة"، ومع ذلك، إذا كان نقطة أعلى بكثير، وفقط قليلا إلى اليمين، ثم أنه يعادل التأثير في "أفضل" الخط، حيث يتم الحصول على كمية كبيرة من العائد لزيادة صغيرة في خطر.
تصور الأهداف: تعظيم نسبة شارب.
اختيار المعيار.
وسوف يكون المؤشر الرئيسي لهذه الدراسة هو محفظة متساوية الوزن من جميع 9 قطاعات القطاع، إعادة التوازن شهريا. ومن المغري اختيار مؤشر S & أمب؛ P500 كمعيار مرجعي، حيث أنه من الأسهل أن يتفوق على الأداء، ولكن مع معيار الوزن المتساوي، فإنه لا يتفوق فقط على مؤشر S & أمب؛ P500 المرجح للأوزان، فإنه لا يقدم أي افتراضات نموذجية، وبالتالي فهو معيار عادلة ليتم تقييمها ضد.
ويتضح هذا التفوق في حافظة الوزن المتساوي على الحافظة المرجحة بأوزان رأس المال في المخططات والجدول أدناه، حيث يظهر مؤشر المساواة في الوزن عوائد سنوية أعلى، ومخاطر سنوية أقل، وخصائص أفضل للذيل (انخفاض القيمة المعرضة للخطر و إيتل). بيد أن التحسينات في هذه الدراسة قد تتفوق على المؤشر المرجح للأوزان، إذا لم تتمكن من أداء المحفظة ذات الوزن المتساوي، فإنها ليست مفيدة، مما يبرر استخدام الحافظة ذات الوزن المتساوي كمؤشر مرجعي.
عوائد تراكمية للمؤشر S & P 500 (مرجحة كاب) مقابل محفظة القطاعات ذات القيمة المتساوية.
خطر عودة مؤشر مؤشر ستاندرد اند بورز 500 (مرجح كاب) مقابل محفظة القطاعات ذات القيمة المتساوية.
إحصاءات أداء مؤشر ستاندرد أند بورز 500 (مرجح بالوزن) مقابل محفظة القطاعات ذات القيمة المتساوية.
(يونيو 2000 & # 8211؛ ديسمبر 2018)
الهيكل العام والعملية.
أولا، سيتم تقييم الحد الأدنى التباين الأمثل لكل نافذة الوقت، حيث سيتم مقارنة نهج مونت كارلو مونوتشي مع الطريقة التاريخية. وسيتم تحديد استراتيجية أقوى، أي التاريخية مقابل مونت كارلو، لكل طول النافذة.
بعد ذلك، سيتم تقييم نفس المقارنة (التاريخية مقابل مونت كارلو) لمعيار شارب الأمثل، ضمن كل طول النافذة.
وأخيرا، سيتم تحديد ملخص لاستراتيجيات الأداء المتفوق بالنسبة إلى المؤشر المعياري، ومن ثم يمكن تقييم ما إذا كان نهج مونت كارلو [ماك] يضيف قيمة على المؤشر القياسي والطريقة التاريخية.
الأداء التاريخي مقابل مونت كارلو الأداء للحد الأدنى من التباين الأمثل.
مقارنة الأداء.
60 شهر النافذة.
في هذه الحالة، أداء نهج ماك مقابل النهج التاريخي لا يمكن تمييزها تقريبا من بعضها البعض. وتظهر كلتا الاستراتيجيتين خصائص مماثلة للمخاطر والعوائد. أما عمليات السحب فهي أقل بالنسبة لكل من نظام إدارة العمليات والنهج التاريخية مقابل المعيار. وفي حالة تبعثر المخاطر، يمكننا أن نرى أن كلا الاستراتيجيتين في السيناريو "الجيد"، حيث يبدو أنها تظهر مخاطر أقل مقابل المعيار. وهذا ما يؤكده الاختباران T و F-بيلتس أدناه، حيث لا يمكن التمييز بين إحصائية ماك والأساليب التاريخية إحصائيا، في حين أن الطريقة التاريخية لها خطر إحصائي أقل بكثير بالمقارنة مع المعيار.
أنا لا أفسر هذا لاستنتاج أن نهج ماك يضيف أي قيمة هنا. أحد التفسيرات المحتملة هو أن نهج إدارة الموارد البشرية يؤكد أنه تم تحديد حافظة "الحد الأدنى العالمي للتباين"، حيث أن كلا الإستراتيجيتين تختاران نفس صناديق الاستثمار المتداولة للقطاع ذات الأوزان القابلة للمقارنة عبر الزمن. ومع ذلك، ليس هناك معلومات كافية هنا لاستنتاج ما إذا كان هذا صحيحا أم لا، أو إذا كان نهج ماك يضيف أي قيمة على الطريقة التاريخية.
وبالنظر إلى الاختيار بين الطريقتين، لأن النهج التاريخي هو أكثر بساطة، من المرجح أن استخدام هذا النهج، نظرا لأنه لا يمكن تمييزه عن نهج ماك.
عوائد التراكمي التاريخية مقابل مونت كارلو.
تراجع تاريخي مقابل مونت كارلو.
تاريخي مقابل مونت كارلو خطر عودة مبعثر.
إحصاءات أداء النهج التاريخية مقابل مونت كارلو.
(نافذة 60 شهر)
(ديسمبر 2003 & # 8211؛ ديسمبر 2018)
نافذة 36 شهرا.
هنا، لدينا نتيجة مماثلة جدا لنافذة 60 شهرا، إلا أنه يبدو كما لو أن العائد المتوسط ​​هو أسوأ من المعيار، وخصوصا عندما ننظر إلى مؤامرة مبعثر المخاطر عودة أدناه. ومع ذلك، وبالنظر إلى أن نسبة شارب لكل من ماك والنهج التاريخي هي مماثلة لنسبة شارب من المعيار، وبالنظر إلى أن خطر لكلا الاستراتيجيتين هو أقل من الناحية الإحصائية أقل بكثير (أكد في اختبار F أدناه)، وإذا كانت الاستراتيجيات إلى رفع مستوى تقلب المؤشر المعياري، عندئذ ستتحقق عائدات مماثلة. وعلاوة على ذلك، فإن الفرق المتوسط ​​لتوزيعات العائد للاستراتيجيات لا يختلف إحصائيا اختلافا كبيرا عن المعيار المعياري (مؤكدا مع اختبار t أدناه)، وبالتالي فإن تفسيري هو أن هذه حالة مماثلة لنافذة 60 شهرا، حيث فإن أداء ماك والتاريخي مقابل المعيار قابل للمقارنة، ويتم الحصول على تخفيض هام إحصائيا في المخاطر في المحافظ.
مرة أخرى، نظرا لبساطة النهج التاريخي، وأود أن اختيار الأسلوب التاريخي على نهج ماك.
عوائد التراكمي التاريخية مقابل مونت كارلو.
تراجع تاريخي مقابل مونت كارلو.
تاريخي مقابل مونت كارلو خطر عودة مبعثر.
إحصاءات أداء النهج التاريخية مقابل مونت كارلو.
(نافذة 36 شهرا)
(ديسمبر 2001 & # 8211؛ ديسمبر 2018)
نافذة 18 شهرا.
في هذه الحالة، يبدو كما لو أن النتائج لا يمكن تمييزها عن المعيار، سواء بالنسبة للمقاربات التاريخية و ماك. ومع ذلك، عند إجراء المزيد من الفحص لخصائص المخاطر، فإن ما لدينا هو نفس العائد لكل من النهجين التاريخي والمتوسطي لمخاطر أقل بكثير من الناحية الإحصائية مقابل المعيار (مؤكدة في اختبار F أدناه). عند فحص مؤامرة الانتثار بالمخاطر والعودة، يمكن ملاحظة السيناريو "الجيد"، حيث تظهر جميع الاستراتيجيات الثلاث (التاريخية و ماك و أرما) أقل إحصائيا بدرجة كبيرة من المخاطر مقابل المعيار.
ومرة أخرى، بما أن النهج التاريخي يمكن مقارنته بنهجي ماك و أرما، فبإمكاني اختيار النهج التاريخي بسبب بساطته.
عوائد التراكمي التاريخية مقابل مونت كارلو.
تراجع تاريخي مقابل مونت كارلو.
تاريخي مقابل مونت كارلو خطر عودة مبعثر.
إحصاءات أداء النهج التاريخية مقابل مونت كارلو.
(نافذة 18 شهرا)
(يونيو 2000 & # 8211؛ ديسمبر 2018)
نتائج القسم.
في جميع أطوال النافذة، أظهرت الطريقة التاريخية ونهج ماك على حد سواء إحصائيا أقل بكثير من المخاطر مقابل المعيار، ولكن بين الاستراتيجيتين، فإنها لا يمكن تمييزها تقريبا.
وتفسيري هو أنه نظرا لأن الحد الأدنى من التباين الأمثل يتجاهل بشكل فعال أي مدخلات العودة، فإن نهج ماك (و أرما) يؤكدان أن الطريقة التاريخية هي العثور على حافظة الحد الأدنى العالمية للتباين، أو أنها لا تضيف أي قيمة. ما هو مطلوب هو معلومات العودة للتحقق إذا كان إضافة معلومات العودة كمدخل في التحسين تمكن من التمييز في الأداء بين ماك والنهج التاريخية. وسيتم التحقيق في ذلك في القسم اللاحق.
الأداء التاريخي مقابل مونت كارلو الأداء الأمثل الأمثل نسبة شارب.
مقارنة الأداء.
60 شهر النافذة.
وفي هذه الحالة بالذات، فإن نهج إدارة الموارد البشرية هو استراتيجية ضعيفة الأداء، عند مقارنتها بكل من المعيار والأساليب التاريخية. الطريقة التاريخية تمكن من الحفاظ على نفس المستوى من العائد، مع خطر إحصائيا أقل بكثير، ولكن نهج ماك أداء ضعيف جدا، وخاصة منذ اختبار تي مقارنة توزيع العائدات بين كلا النهجين منخفضة إلى حد ما عند 0.13، مشيرا إلى أن هناك فرصة أن العائدات إحصائيا مختلفة بشكل ملحوظ.
ويبدو كما لو أن نهج ماك على طول هذا الإطار غير قادر على التقاط خصائص العودة الصحيحة، مما يؤدي إلى الأداء المدقع للغاية مقابل كل من المعيار والطريقة التاريخية.
وبالتالي، فإن النهج التاريخي لا يزال المفضل على طول نافذة 60 شهرا.
عوائد التراكمي التاريخية مقابل مونت كارلو.
تراجع تاريخي مقابل مونت كارلو.
تاريخي مقابل مونت كارلو خطر عودة مبعثر.
إحصاءات أداء النهج التاريخية مقابل مونت كارلو.
(نافذة 60 شهر)
(ديسمبر 2003 & # 8211؛ ديسمبر 2018)
نافذة 36 شهرا.
في هذا السيناريو، فإنه يظهر تقريبا كما لو تم الحصول على نتائج مماثلة كحالة الحد الأدنى التباين الأمثل، بقدر العائدات أقل (ولكن لا تختلف إحصائيا بشكل كبير)، والمخاطر هي إحصائيا أقل بكثير، لكل من ماك والنهج التاريخية مقابل . المؤشر. ومع ذلك، ففي حالة الحد الأدنى من التباين، كانت نسبة شارب لكلتا الاستراتيجيتين مماثلة لنسبة شارب للمعيار، ولكنها في هذه الحالة أقل بكثير (0.45 مقابل 0.38 و 0.37، المعياري مقارنة بالماضي والتاريخي، على التوالي) . ومن ثم، فإن االستغالل النظري الستراتيجيات تقلب المؤشر المعياري من شأنه أن يسفر عن محافظ تظهر عائدات مماثلة ذات مخاطر أعلى.
ومن ثم، فإن كل من النهج الإداري والمقاربات التاريخية هما من ضعفي الأداء مقابل المعيار في هذا السيناريو، وينبغي استخدام المعيار على أي نهج.
ما هو مثير للاهتمام في هذه الحالة، هو أن النهج ماك يظهر إحصائيا أقل بكثير خطر مقابل النهج التاريخي. ويعني ذلك أن نهج إدارة الموارد هو التقاط خصائص المخاطر والعائد أفضل من النهج التاريخي على طول هذا الإطار، وهو سمة إيجابية لنهج ماك، ويمكن استخدامها في الدراسات المستقبلية لتحسين الأداء المحتمل على المستوى المعياري.
عوائد التراكمي التاريخية مقابل مونت كارلو.
تراجع تاريخي مقابل مونت كارلو.
تاريخي مقابل مونت كارلو خطر عودة مبعثر.
إحصاءات أداء النهج التاريخية مقابل مونت كارلو.
(نافذة 36 شهرا)
(ديسمبر 2001 & # 8211؛ ديسمبر 2018)
نافذة 18 شهرا.
هنا، يبدأ نهج ماك لإظهار أداء قوي على النهج التاريخي، وخصوصا عندما يتم استخدام طريقة أرما. هذا واضح من الرسم البياني العائد التراكمي حيث أرما و ماك هي الأداء القوي على المدى الطويل، فضلا عن الرسم البياني للتخفيض، حيث يبدو أن المعياري لديها أسوأ السحب، ويبدو أن النهج التاريخي بطيئا بعد المالية - الانتعاش الأزمات مقابل استراتيجيات ماك و أرما. عند فحص تبعثر المخاطر والعودة، يمكن ملاحظة السيناريو "العظيم"، حيث استراتيجية أرما إلى أعلى يسار المعيار.
هنا، فإن النهج التاريخية، ماك و أرما كلها لديها خطر أقل إحصائيا أقل مقابل المعيار، ومع ذلك، فإن جميع توزيعات العودة لا يمكن تمييزها إحصائيا. ما هو مثير للاهتمام حول استراتيجية أرما، هو أن متوسط ​​السحب الانتعاش أقل من النهج التاريخي. وأخيرا، فإن كل من القيمة المعرضة للخطر 100 (أي أسوأ خسارة) هي الأدنى بالنسبة لنهجي ماك و أرما.
إن اهتمامي الخاص بنهج أرما هو أنني لم أختبر جودة عملية الإشارة، كما أنني لم أجري أي اختبارات للإرسال الزائد، وبالتالي فإنني أحذر من هذه النتائج. ومع ذلك، هو النهج الصحيح لأساليب ميوتشي بقدر ما يضمن أن المتغيرات هي إيد.
لذلك، يبدو أنه في أطوال النافذة السفلى، فإن قوة نهج ماك من ميوتشي قابلة للقياس الكمي، حتى لو تم استخدام نهج ماك فقط (أي ليس نهج أرما)، بقدر أنها تعطي مخاطر أقل مع نسبة شارب أعلى مقابل كل من والمعيار والطريقة التاريخية. ويدعم هذا عند تقييم نافذة 36 شهرا، حيث أظهر نهج ماك خصائص أفضل للمخاطر مقابل النهج التاريخي.
عوائد التراكمي التاريخية مقابل مونت كارلو.
تراجع تاريخي مقابل مونت كارلو.
تاريخي مقابل مونت كارلو خطر عودة مبعثر.
إحصاءات أداء النهج التاريخية مقابل مونت كارلو.
(نافذة 18 شهرا)
(يونيو 2000 & # 8211؛ ديسمبر 2018)
نتائج القسم.
يبدو كما لو كان، عند أطوال نافذة أقصر، قوة نهج ماك يبدأ في السطح بقدر ما مخاطر استراتيجيات أقل إحصائيا بشكل ملحوظ. من أجل تقييم ما إذا كان نهج ماك هو الأمثل حقا، مطلوب مقارنة بين أقوى الاستراتيجيات عبر فترات النافذة وطرق التحسين لتقييم ما إذا كانت حقا استراتيجية متفوقة. وسيكون هذا هو الهدف في القسم التالي.
المقارنة الشاملة وتحديد الاستراتيجية المثلى.
عند مقارنة النتائج أعلاه، فإن الأداء الواضح هم:
الحد الأدنى التباين التاريخي (60 شهرا) مونتي كارلو الأمثل شارب (18 شهرا) أرما الأمثل شارب (18 شهرا)
وهو ملخص في الجدول أدناه.
يتم استبعاد نافذة 36 شهرا لأنه لا يمكن أن يتفوق على المعيار في جميع الاختبارات.
18 شهر مقابل 60 شهر ويندوز.
من أجل التعرف على أفضل أداء صحيح، يتم إعادة تشغيل النتائج لمدة 18 شهرا نافذة مع نفس طول الإطار كما نافذة 60 شهرا. عند فحص العوائد التراكمية، من الواضح أن كلا من 18 شهرا ماك و أرما النهج يظهر عوائد قوية. اختبار t أدناه يؤكد أن 18 شهرا أرما الأمثل شارب لديها عوائد إحصائية مختلفة إحصائيا نسبيا مقابل 60 شهرا استراتيجية الحد الأدنى من التباين التاريخي. كل من استراتيجيات 18 شهرا (أرما و ماك) المعرض إحصائيا أقل بكثير خطر مقابل 60 شهرا الحد الأدنى من استراتيجية الفرق. وبالتالي، استنادا إلى هذه النتائج، والقيود داخل هذه الدراسة، ويبدو أن أساليب ميوتشي لإضافة قيمة كبيرة على البيانات التاريخية، إذا كانت تستخدم مع نوافذ زمنية أقصر نسبيا (أي & لوت؛ 60 شهرا).
أعلى إستراتيجية عائد تراكمي.
أعلى أداء استراتيجية تراجع.
أعلى أداء استراتيجية المخاطر عودة مبعثر.
إحصاءات الأداء من الاستراتيجيات الأعلى أداء.
(18 شهرا مقابل 60 شهر ويندوز)
(ديسمبر 2003 & # 8211؛ ديسمبر 2018)
الأفكار النهائية والاستنتاج العام.
وهناك اعتبار إضافي يحتاج إلى عناية. لم افترض أي تكاليف للمعاملات، وبالنظر إلى أفق زمني أقصر لاستراتيجيات 18 شهرا، فضلا عن طريقة الأمثل (شارب الأمثل مقابل الحد الأدنى من التباين)، عندما يتم رسم الأوزان لكل من الاستراتيجيات، فمن الواضح أن 18 الشهر استراتيجيات أرما و ماك ليست حقا استراتيجيات إدارة المحافظ؛ فإنها تظهر خصائص استراتيجيات التداول التكتيكية بسبب الأوزان الحافظة المتغيرة بقوة.
وبالتالي، إذا كان الهدف هو أوزان محفظة مستقرة، ثم نافذة الأفق الطويل والحد الأدنى التباين الأمثل ويبدو أن الخيار الأفضل في إطار هذه الدراسة بالذات، ويرجع ذلك إلى الأوزان مستقرة نسبيا. ومع ذلك، إذا كان هناك شهية للتعقيد، وتكاليف المعاملات الفردية منخفضة، ثم هناك إمكانية لإضافة المزيد من القيمة باستخدام أساليب أتيليو ميوتشي ل.
وقد يكون من الممكن تثبيت الأوزان في إطار السيناريوهات التي تبلغ 18 شهرا، إلا أنه خارج نطاق هذه الدراسة، وقد يكون من المفيد التحقيق فيها في وقت لاحق.
الأوزان المتداول للحد الأدنى من التباين الاستراتيجية الأمثل.
الأوزان المتداول لاستراتيجية الأمثل شارب الأمثل.
الأوزان المتداول لاستراتيجية الأمثل شارب الأمثل.
فرص البحوث المستقبلية.
استنادا إلى العمل في هذه الدراسة، وأعتقد أن هناك الكثير من الفرص لاستكشاف قوة أساليب ميوتشي. وأعتقد أن هناك الكثير من الإمكانات لآفاق.
بدء اختبار الفرضية من المبادئ الأولى لتقليل عدد الافتراضات (على سبيل المثال توزيع إشارة بيسي) إضافة التحيز إضافية مدروسة للمساعدة في أداء خارج العينة استخدام التحقق من صحة الصليب لتقييم التوزيع و كوبولا المناسب التحقق من القدرة التنبؤية من عملية أرما إضافة قيود التركيز على الأمثل الأمثل شارب لتحقيق الاستقرار في الأوزان الأصول، وخاصة في إطار 18 شهرا تحديد أنظمة مختلفة (على سبيل المثال عالية مقابل التقلب المنخفض) وتطبيق نماذج مختلفة / فرضيات / افتراضات لكل نظام.
يرجى الاتصال بي إذا كان لديك أي أسئلة / تعليقات / ملاحظات أو لديك أي أفكار. وآمل أن تكون هذه مثيرة للاهتمام ومفيدة.
© 2018 إرول بيسيروجلو.
الملحق: رمز لتكرار النتائج.
رمز الإستراتيجية التاريخية:
مونتي كارلو رمز استراتيجية المحاكاة.
مونت كارلو مع رمز استراتيجية أرما:
حساب النتائج بعد تشغيل أحد السيناريوهات الثلاثة أعلاه.
المراجع.
كرامر، نيكول، وأولف شيبسمير. 2018. "مقدمة في فين كوبولاس." تيشنيسش ونيفرزيتات مونشن. statistics. ma. tum. de/fileadmin/w00bdb/www/veranstaltungen/Vines. pdf.
ماركويتز، هاري. 1952. "اختيار المحفظة". مجلة المالية 7 (1). وايلي لرابطة التمويل الأمريكية: 77-91. JSTOR / ثابت / 2975974.
ميوتشي، أتيليو. 2005. "المخاطر وتخصيص الأصول". arpm. co/book/.
تكرار تقلبات كرسب المحافظ العشرية في R.
المقدمة.
في هذا المنصب، وأنا توفير رمز R التي تمكن من تكرار مركز البحوث في أسعار الأمن (كرسب) فولاتيلي ديسيلز باستخدام Yahoo! البيانات المالية. ويرتبط هذا المنصب إلى آخر مشاركة بلوق في أنه سيتم إنشاء كرسب منخفضة الحافظة العشرية التقلب، مما يسهل تكرار استراتيجية التداول إما المرتبطة بها.
هناك عدد قليل من المحاذير لهذا النسخ المتماثل:
سيكون هناك التحيز البقاء منذ ياهو! التمويل لا يحتوي على مخزونات غير مدرجة في القائمة هذا الرمز يستغرق وقتا طويلا لتشغيل (+2 ساعة على الجهاز الخاص بي، باستثناء تحميل الرموز)، لذلك يجب أن لا يتم تنفيذها في وقت واحد المكتبات المعالجة المتوازية في هذا الرمز تشغيل في لينكس بالنسبة إلى ويندوز، "ليبراري (سنو)" & # 8221؛ يجب استخدام بدلا من "مكتبة (موازية)" و "مكتبة (دوسنو)" بدلا من "مكتبة (دوارياليل)" مجموعة سوك من المرجح أن تحتاج إلى استخدام بدلا من كتلة فورك ونتيجة لذلك، الكائنات والدوائر والمكتبات يجب أن يتم تصديرها صراحة إلى النوى، وبالتالي تستهلك المزيد من ذاكرة الوصول العشوائي هناك +5000 الأوراق المالية للتحميل من ياهو! المالية، وأي واحد منهم يمكن أن تفشل عشوائيا، مما يؤدي إلى نتائج مختلفة في كل مرة يتم تنفيذ التعليمات البرمجية الأمر متروك للمستخدم الفردي أن يقرر ما إذا كانوا يريدون تحميل رموز فاشلة مراقبة الجودة [ق] لهذا الرمز ليست شاملة ، أي كان هدفي بسرعة للحصول على بيانات لمشروع حساس للوقت ورقة النسخ المتماثل، وبالتالي هناك إمكانية لمزيد من مراقبة الجودة، والتي سوف أشير في آخر.
ترتبط هذه التعليمات البرمجية بمشروع النسخ المتماثل الورقي للدورة استغرقت صيف عام 2018 (تصميم نظام التداول المتقدمة). وسوف أشارك في المشروع في وظيفة لاحقة.
لتشغيل البرنامج النصي التالي، واحدة من حزم بلدي، بعنوان تسكونف (الذي يقف على "الراحة سلسلة الوقت") يحتاج إلى تثبيت. السطر التالي من التعليمات البرمجية تثبيت الحزمة، شريطة أن مكتبة ديفتولس مثبتة بالفعل.
تحميل الأمن.
من أجل تحديد الكون من الأسهم لتشمل، وهناك حاجة إلى قائمة من الأوراق الأمنية التي تتداول في بورصة نيويورك وناسداك. تم تحديد ذلك من خلال قراءة الوظيفة ذات الصلة من قبل لويس ماراسيو، ووفقا للمناقشة، قائمة الأوراق المالية التي التداول في بورصة نيويورك و أميكس تم الحصول عليها بعد ذلك من ناسداكترادر ​​/ trader. aspx؟ إد = سيمبولديردفس في 8 يوليو 2018.
تنسيق الملف هو ملف نصي محدد الأنبوب. أنه يحتوي على أسهم و إتفس المفضلة، والتي يجب استبعادها من النسخ المتماثل. لذلك، تم استيراد الملف إلى ميكروسوفت إكسيل، ثم تمت تصفيته للأشرطة التي لم تكن إتفس، وحيث "رمز أكت" استبعاد الحرف "$"، حيث كانت هذه الأسهم المفضلة في الغالب. وأخيرا، يجب أن يكون التبادل جزءا من بورصة نيويورك، أو بورصة ناسداك، ورمز الصرف الوحيد المدرج في بورصة ناسداك والذي ليس جزءا من هذه البورصات هو "Z"، وهو التسمية لشركة باتس غلوبال ماركيتس؛ وبالتالي تم استبعاد أي مخزون مع رمز الصرف "Z". بعد هذه الاستثناءات، بقي 6،157 رمز شريط في الملف. تم تصدير الرموز من هذه القائمة التي تم تنظيفها إلى ملف مفصول بفواصل [كسف].
تحميل تيكرز وتحميل البيانات.
بعد ذلك، يتم تحميل الأشرطة في البيئة العالمية، ومن ثم تحميلها واحدا تلو الآخر من ياهو! التمويل لتجنب الحصول على حظر من قبل الموقع. قد يكون من الممكن تحميل المزيد من الرموز في وقت واحد، وبالتالي تسريع العملية، ولكن لم أكن اختبار ذلك لضمان أنني لم قطع. يتم تخزين هذه في بيئة منفصلة بعنوان "ستوكبريسينف". لقد أضفت رمز لحفظ وتحميل شريط تحميلها، لأنه يستغرق وقتا طويلا، مع ما يقرب من 2 ساعة على الجهاز الخاص بي.
أخفقت الرموز التالية أثناء التنزيل. This is important, since the failed symbols appear to change each time this code is run, which ultimately yields slightly different volatility decile performance. This means that to replicate the numbers in this post, the exact same symbols will need to fail/be present.
Failed Download Symbols.
Quality Control.
Here, there are 2 known issues I have come across while working on this code. One, is that there’s a symbol with the name “TRUE”, which not surprisingly, causes issues. The fix is to rename it to “TRUE.”.
The second issue is that the ticker OHGI appears to have “garbage” data, thus it is excluded completely from the replication.
OHGI Adjusted Closing Prices.
It is possible that there are more anomalies within the data, however, from my perspective, there was a time-sensitive deliverable, and thus given that the numbers were sensible, insofar as they were comparable to results generated by the actual CRSP volatility decile indices, they were used for the replication project. Any additional investigations and QC should be performed at this stage.
This next block of code uses roughly 17 GB of RAM on my machine using a fork cluster with 8 cores, therefore, please ensure that there is adequate memory to run the code. The code checks that each stock has at least 80% of trading days populated within a year (as per CRSP’s requirements), and then calculates the annualized volatility for that stock for each year. Fortunately, the code only takes 1.5 minutes to run using parallel processing.
Volatiliy Decile Replication.
Next, the data is checked for continuity, i. e. that there are no missing years.
The plot below indicates a break before 1973, indicating that there are gaps in the data prior to that year.
Thus, the data is filtered to ensure that the time series begins in 1973.
Next, stocks are assigned to deciles. In order to accomplish this, the code below extracts all volatilities for the stocks for each year…
By summarizing the results, outliers can clearly be observed in the more recent years. This indicates that the high volatility stocks can very likely also benefit from additional QC, however to keep this post brief, no additional QC will be conducted.
Volatility Decile by Year (1995 and onward)
Now that volatility has been assigned to deciles for each year, stocks can be assigned deciles based on their volatilities for each year. This takes roughly 37 minutes on my machine using all 8 cores.
So far, we have lost 212 stocks from a failure to download, and after running the code block above, we have also lost an additional 392 symbols due to NA or NULL values, which ultimately results in a loss of 9.81% of symbols.
Based on the results in the previous block of code, decile portfolios can be constructed for each year. The following code takes roughly 24 minutes to run on my machine (using 8 cores).
The code above generates a matrix of 1/0 flags, where the rows are the years, and the columns are the stocks. Two things now need to happen to proceed. First, the date needs to be converted to an end-of-year date, since CRSP assigns the portfolio weights in the subsequent year (later, PerformanceAnalytics::Return. portfolio() will then assign the weights to the subsequent year). Second, the 1/0 flags need to be converted to weights, so that they sum to 1 for each year (each row).
Some checks are performed to ensure that the weights sum to 1 across all years.
Verification of Weight-Sums Across Deciles and Years.
Here is another check, where the number of stocks for each decile by year is computed. What we should observe, and do ultimately see, is an approximately equal distribution of stocks across all deciles within a year. Or in other words, the number of stocks across each row (year) should nearly all be equal.
Count of Stocks Across Deciles and Years.
We are almost ready to compute the volatility decile portfolios. The column names across all volatility deciles are verified to ensure that they are equal across all years. This will be used to match weights to the stock returns when computing a portfolio.
It returns an empty result, indicating that any one of the list item’s names can be used as a reference.
Next, the “stockNames” variable contents are matched to the stock price names so that matrix multiplication can be performed later (i. e. the order of the weights match the order of the stock returns).
Now, a very large matrix of prices, in the same order as the stock weights, will be created. Ideally, the xts::merge() function would be used. However, since there is a large volume of data, my machine cannot handle it. The way around it, is to loop through all the stocks and join them together, very slowly. The code below runs in sequence (one core) and takes just over 30 minutes on my machine.
So we have a matrix of prices, in the same order as the weights that were calculated. The code below verifies that the order is the same across all decile portfolios.
Returns then need to be calculated from the matrix of prices.
Finally, the decile portfolio returns can be calculated, using the stock returns and weights that were calculated previously.
Below, the cumulative returns are plotted on a log-scale, which facilitates a visual comparison of the decile performance. We can see that the higher volatility deciles exhibit higher cumulative returns, which is what is expected as the volatility increases.
Cumulative Returns of Volatility Decile Portfolios (Log Scale)
Numeric results can be generated using the following line of code.
The Sharpe Ratio declines as the volatility increases, which is consistent with the low-volatility anomaly. However, the peculiar result is that the Sharpe ratio then increases at the high volatility portfolios. One reason for this could be the embedded survivorship bias, since riskier stocks in the high volatility portfolios would be excluded, thereby increasing risk-adjusted returns. However, if we compare the Sharpe-Ratio-trend against actual CRSP data results, seen in the table below, they exhibit the initial decline in Sharpe Ratio, and subsequent rise in Sharpe Ratio for the higher volatility deciles, which conflicts with the low-volatility anomaly results. Overall, replicated volatility decile returns, risk, and tail risk increase as the volatility increases, which is consistent with expectations, and which is observed in the actual CRSP volatility decile performance.
Replicated Volatility Decile Results.
Actual Volatility Decile Results.
Table extracted from:
Han, Yufeng, Ke Yang, and Guofu Zhou. 2018. “A New Anomaly: The Cross-Sectional Profitability of Technical Analysis.” Journal of Financial and Quantitative Analysis 48 (5). Cambridge University Press: 1433–61. dx. doi/10.1017/S0022109013000586.
استنتاج.
This post presents R code which uses free Yahoo! Finance data to replicate the performance of CRSP volatility deciles. Though the replicated portfolios contain survivorship bias, the overall risk and return characteristics match those exhibited by actual CRSP volatility decile portfolios.
© 2018 Erol Biceroglu.
An EMA Trading Strategy for a Low Volatility Portfolio.
المقدمة.
The process I’m going to follow is based on content from the University of Washington’s CFRM561 course Advanced Trading System Design. “Hypothesis driven development” is the core principle of this course, where each step in the development process involves hypothesizing testable ideas, and verifying these ideas before proceeding to the next stage. The stages involve identifying one or more market indicators, testing that the indicators are actually measuring the intended market phenomena, hypothesizing entry and exit signals based on the market indicator(s), confirming if the signals have predictive power, and then setting entry and exit rules based on the signals.
I am personally a fan of low volatility investing, insofar as it provides enhanced risk-adjusted returns vs. traditional cap-weighted market indices. Thus, I have reconstructed the CRSP lowest volatility decile portfolio using data from Yahoo! Finance, and will use this index as the baseline for evaluating the trading strategy. The goal here is to verify if a Exponentially-Weighed Moving Average [EMA] trading strategy can further enhance risk-adjusted returns by either increasing returns without increasing risk, decreasing risk without impacting returns, or both.
This post is a significantly condensed version of the full report. The full-version report, which is the actual assignment I submitted, can be found here. It contains all the details for each step, results of the hypothesis tests, including the signal strength, as well as the interim parameter optimization steps.
The first question related to the indicator that we need to ask ourselves is, “what do we think we’re measuring?”
It can be argued that the EMA is measuring the “true de-noised price level”, where the thinking is that the moving average “averages” the noise away, thereby revealing the true level.
It can also be argued that, assuming the EMA is measuring the “true” level, it is also measuring the price trend. The rationale here is that, if there’s a true level revealed, then the trend can be inferred from the time series of “true levels”.
In order to test that EMA is measuring the true level, the correlation between the low-vol index level and EMA indicator is tested for strength and statistical significance. To test the trend, it is compared against a measure of “true” slope by testing for high and statistically significant correlation and cointegration.
Prior to defining any signal, the main prediction that might be possible with an EMA is stating whether or not the future index level will be greater than or less than the current index level, instead of generating a point-forecast. For this tool, confusion matrices are used to measure if the future-index-level-forecasts are correctly classified as higher or lower than current index levels. The statistical significance of the confusion matrices are also verified to ensure that there is some information content.
In terms of the actual signal, the thought behind it is that if the current index level exceeds the EMA level, this will increase the subsequent EMA value (which was verified as a measure of “true” price level), which will ultimately increase the EMA trend. This would then be interpreted as a potential signal that the index level will rise.
The rationale for the converse stands, in that, if the current index level is less than the EMA level, this will decrease the subsequent EMA value (which is a measure of “true” price level), thereby indicating that the index level will potentially decrease.
The rules are simple: if it is likely that the price will increase based on the relationship between indicator and index, (i. e. the index level exceeds the EMA level) then a long position should be initiated. Conversely, if it is likely that the price will decrease based on the same relationship, then any long position(s) should be closed.
Benchmarks and Objectives of Strategy.
الأهداف.
The main goal is to verify if the risk-adjusted returns for the low volatility index can be enhanced. Thus, maximizing a measure of risk-adjusted performance is the objective of this strategy, since leverage can always be applied to increase absolute returns.
Given that the objective is to maximize risk-adjusted returns, the following statistics can be used to quantify risk-adjusted returns:
During the trading simulations, PMD will be used to assess risk-adjusted returns as it is more sensitive to the tails than the SR. However, in order to evaluate the viability of the trading strategy, the SR will be used.
المعايير.
Results of the EMA trading strategy will be compared against a 100% long version of the low volatility index. This portfolio is the ‘buy-and-hold’ [BH] version of the index, whereas the trading strategy will be referred to as the Moving-Average Portfolio [MAPortfolio]. The BH portfolio is the “no effort” portfolio with which to measure if the trading signals are adding value. Success is not defined on absolute returns; it may be possible to observe absolute lower returns, however exhibit higher risk-adjusted returns.
Signal Strength Results.
The Heidke Skill Score [HSS] is used to quantify signal strength, as it is more unforgiving than the “Probability of Detection”.
HSS for the up signal indicates that the skill level is relatively low for lag days of 15 or greater. Moreover, the skill level is highest for 1 day-forward with a 5 day lag, and drops off relatively rapidly for a 5-day lag when the number of forward days exceed 3 days.
The HSSs are much higher for the down signal, and appear to persist for 1 – 5 forward days, and lag days up to 60 days, assuming that less than 1% skill is not enough to make useful predictions. To clarify, the 60-day-persistence isn’t visible on the contour plot, however numerically the HSSs are more persistent for the down signal vs. the up signal. So far, this implies that the down signal contains more predictive power than the up signal.
All skill scores determined to be “strong” are also statistically significant, both for up and down signals.
نتائج استراتيجية التداول.
After testing various lag-lengths exhibiting high HSSs for both up and down signals, as well as performing a parameter optimization, the conclusion detailed in the full report was that it is likely more reliable to set the lag length based only on the HSS strength instead of the backtest results due to poor out-of-sample performance [OOS]. The OOS results, as well as the code, for the high HSS lag lengths (5 days for the up signal and 5 days for the down signal) are displayed below.
One key observation is that the performance during the 2008 financial crisis was relatively spectacular, with a drawdown of only approximately 10%, vs. 40% for the BH index. During the start of the OOS performance, there was some underperformance, up until the dot-com crash in late 1999 and early 2000, where drawdowns for the MA portfolio were minimal, allowing returns to be maintained.
Mean returns are not statistically significantly different, however variance is statistically significantly lower, resulting in the superior Sharpe Ratio of 2.43, vs. 1.14 for the BH Index. Unfortunately, the trading strategy does not exhibit positive skew, whereas, surprisingly, the BH Index exhibits positive skew. However, excess kurtosis, though high for both portfolios, is significantly higher for the BH index. It appears as though the trading strategy is significantly reducing the impact of negative market events, allowing the preservation of accumulated returns, with the drawback of potentially missing out on any upside. Given that the objective is to enhance risk-adjusted returns, the biased parameter combination appears to successfully meet this criteria. One additional factor is the transaction costs, which were not considered in this study. These would need to be factored in to the backtests to verify that superior risk-adjusted returns are maintained.

Quantitative finance & systematic trading

استراتيجياتنا مؤتمتة بالكامل وتعمل على الترددات المنخفضة والعالية، وذلك باستخدام خوارزميات رياضية الملكية ونماذج الاقتصاد القياسي.
الاستراتيجيات المنهجية على حد سواء منصة الحساب المدارة وهيكل صندوق التحوط المغذي الرئيسي للمستثمرين.
عملائنا تشمل ارتفاع أصحاب الثروات، المكاتب العائلية، والمستثمرين المؤسسيين.
بالإضافة إلى إدارة استراتيجياتها الخاصة، تشارك الشركة في البحث والتطوير نيابة عن شركات تجارية أخرى.

Quantitative finance & systematic trading

الحصول على فيا أب ستور قراءة هذه المشاركة في التطبيق لدينا!
فئات استراتيجيات التداول المنهجي؟
ما هي الفئات الرئيسية لاستراتيجيات التداول المنهجي (مثل الزخم، ومتوسط ​​الانعكاس)، كما يمكن أن ينظر فيها محلل أو صندوق تمويل؟
هل هناك أي استراتيجيات فرعية مشتركة؟
وهناك أنواع أخرى من الاستراتيجيات لا يغطيها متوسط ​​الانعكاس / الاتجاه التالي:
المراجحة - الحفاظ على الأصول المترابطة قريبة من السعر (مؤشر سبس مقابل 500 الأسهم الواردة فيه، أو تجارة الذهب في لندن مقابل تجارة الذهب في نيويورك)
market making - buy on bid, sell on ask, gain the spread.
liquidity rebate - some venus pay you for putting limit orders in the book. وضع في أمر حد لشراء، عندما ضرب ضرب محاولة في نفس السعر الذي اشتريته في (أو أفضل) وكسب الخصم. Works best on high volume, low price assets.
تجارة المفترسة - تسعى سيولة كبيرة مخفية في السوق والأمامية تشغيله.
behavioral trading - quantify market sentiment and trade on it (analyze tweets, determine global/regional mood and use known psychological theories to predict the effect on market behavior)
event trading - analyze news (electronic, paper, blogs, twits) and predict market impact of new relevant facts (litigation, new products, new management, . )
ولا يوجد تصنيف رسمي لنماذج التداول الكمي. بعد كل شيء، "التقييمات" هي بطبيعتها الذاتية، بغض النظر عن مقدار الرياضيات التي وضعنا وراءها. But there are some industry-standard terms that might be helpful.
ومن الممكن أيضا تقسيمها حسب التنفيذ:
Time horizon: ranging from long-term to high-frequency Bet structure: relative or intrinsic Instruments: liquid or illiquid.
And these don't even get into portfolio construction, position limits, risk monitoring, etc.
As for what works, keep this maxim in mind:
الثيران كسب المال، الدببة كسب المال، ولكن الخنازير الحصول على ذبح.
And lastly, comparing chartists to quants is like comparing astrologists to astronomers.
I use ANDY LANK CASH FLOW method , it's my favorite.