Quantitativer Handel - Seite 27

 

Erstellen Sie Ihre eigenen Algen mit ADL® von Trading Technologies



Erstellen Sie Ihre eigenen Algen mit ADL® von Trading Technologies

Andrew Reynolds, Produktmanager für automatisierte Handelstools bei Trading Technologies, stellt ADL (Algo Design Lab) als bahnbrechende Lösung zur Vereinfachung des Entwicklungsprozesses von Handelsalgorithmen vor. Vor ADL mussten Händler, die ihre eigenen Algorithmen erstellen wollten, das Programmieren erlernen, was zeitaufwändig war und einen langen Entwicklungszyklus erforderte. ADL revolutioniert den Prozess jedoch, indem es ein intuitives grafisches Tool bereitstellt, das es Händlern ermöglicht, Algorithmen zu entwerfen und bereitzustellen, ohne eine einzige Codezeile schreiben zu müssen. Dies senkt die Eintrittsbarriere hinsichtlich der technischen Fähigkeiten erheblich und ermöglicht es Händlern, Marktchancen schnell zu nutzen. ADL sorgt für optimale Leistung, indem es die entwickelten Algorithmen in gut getesteten Code umwandelt, der auf am selben Standort befindlichen Hochleistungsservern läuft.

Reynolds erläutert anschließend die wichtigsten Merkmale und Funktionen von ADL. Als Arbeitsbereich dient der ADL-Canvas, der aus einer Vielzahl von Blöcken besteht, die unterschiedliche Handelskonzepte und -vorgänge darstellen. Händler können diese Blöcke einfach per Drag-and-Drop verschieben, um Algorithmen zu erstellen. Jeder Block verfügt über spezifische Eigenschaften und kann mit anderen Blöcken verbunden werden, um die gewünschte Logik zu definieren. Gruppenblöcke ermöglichen die Kapselung spezifischer Logik und deren Speicherung als Bibliotheksblöcke zur späteren Wiederverwendung. Um die Organisation zu verbessern, können Lesezeichen hinzugefügt werden, und es steht ein Suchmechanismus zur schnellen Navigation durch Blöcke und Abschnitte zur Verfügung. ADL beinhaltet Vorhersagetechniken zur Erkennung potenzieller Blockverbindungen und beschleunigt so den Entwicklungsprozess weiter.

Im weiteren Verlauf der Präsentation demonstriert der Dozent die schrittweise Erstellung von Algorithmen mithilfe von ADL. Die Plattform bietet Echtzeit-Feedback und benutzerfreundliche Funktionen, die eine effiziente Entwicklung unterstützen. Der Dozent demonstriert das Hinzufügen von Logik auf der Eingangsseite zu einem Algorithmus, gefolgt von der Einbeziehung von Logik auf der Ausgangsseite und schließlich die Erstellung eines Algorithmus mit Logik auf der Eingangs- und Ausgangsseite. Verschiedene Blöcke wie Auftragsblöcke, Nachrichteninformationsextraktoren, Feldblöcke und Alarmblöcke werden verwendet, um die gewünschte Funktionalität der Algorithmen zu definieren. Während der gesamten Demonstration hebt der Kursleiter die Lesbarkeit und Anpassungsoptionen hervor, die Sprungblöcke bieten und es Händlern ermöglichen, ihre Algorithmen entsprechend ihren Vorlieben anzupassen.

Anschließend stellt der Kursleiter den Order Management Algo (OMA) vor, der die Anwendung algorithmischer Logik auf bestehende Aufträge ermöglicht und die Flexibilität bietet, Preis, Menge, Stop-Preis und offengelegte Menge nach Bedarf zu manipulieren. Sie erklären, wie die Bid-Drifter-Strategie umgesetzt werden kann, bei der der Preis schrittweise erhöht wird, bis die Bestellung ausgeführt wird. Der Dozent betont, dass ADL darauf ausgelegt ist, unbeabsichtigte Aktionen und Endlosschleifen zu verhindern und so die Sicherheit des Benutzers und das erwartete Verhalten zu gewährleisten. Darüber hinaus verfügt ADL über eine P&L-Risikoblockierungsfunktion, die es Händlern ermöglicht, vordefinierte Verlustschwellenwerte festzulegen und den Algorithmus automatisch zu stoppen, wenn die Verluste den angegebenen Betrag überschreiten.

Die Referenten diskutieren den Start und die Überwachung von Algorithmen mithilfe von ADL. Der Start von Algol kann über verschiedene Widgets im Front-End-Algo-Dashboard, Orderbuch oder MD Trader von Auto Trader initiiert werden. Hervorgehoben wird die Ein-Klick-Startfunktion direkt von der MD Trader-Leiter aus, die es Händlern ermöglicht, Instrumente auszuwählen und Algo-Parameter mühelos zu ändern. ADL bietet außerdem die Möglichkeit, Colocation-Einrichtungen basierend auf dem Instrument auszuwählen, und Händler können den Fortschritt ihrer Algorithmen direkt vom Frontend aus überwachen. Darüber hinaus unterstützt die Plattform die Angabe unterschiedlicher Konten für jedes Instrument beim Starten von Algorithmen und erhöht so die Flexibilität und Kontoverwaltungsoptionen.

Die Referenten betonen die Verfügbarkeit von Ressourcen, um mehr über ADL auf der Trading Technologies-Website zu erfahren, einschließlich eines Support-Forums zur Diskussion von ADL-bezogenen Themen. Sie informieren das Publikum über die bevorstehende Hinzufügung eines Analyseblocks, der die Extraktion historischer Daten und die Durchführung integrierter Studien innerhalb von ADL ermöglicht. Benutzer haben die Möglichkeit, benutzerdefinierte Studien mit historischen Daten direkt im Algorithmus zu erstellen. Die Referenten betonen, dass Trading Technologies Broker-neutral ist und eine Verbindung zu jedem Broker ermöglicht, der die Plattform unterstützt. Preisdetails werden ebenfalls erwähnt und der Algorithmustyp „Stacker-Ausgaben“ wird als häufiger Anwendungsfall identifiziert.

Die Redner vertiefen sich in die Vielseitigkeit des Schreibens von Algorithmen mithilfe von ADL und betonen, dass jeder Händler seine einzigartige „Geheimsauce“ in den algorithmischen Handel einbringen kann. Sie empfehlen das Community-Forum von Trading Technologies als hervorragende Ressource, um zusätzliche Informationen und Einblicke in beliebte algorithmische Strategien zu erhalten. Die Vorteile des Ein-Klick-Starts mit Autotradern werden erläutert, der es Händlern ermöglicht, mehrere Trades gleichzeitig zu modellieren. Sie erwähnen auch die Verfügbarkeit des ADL-Dashboards in mobilen Apps, das es Händlern ermöglicht, Algorithmen aus der Ferne anzuhalten und neu zu starten.

Die Präsentation geht weiter mit einer Diskussion über den Zugriff auf die ADL-Plattform über ein kostenloses Demokonto auf der TradeTT-Website, das sofortigen Zugriff und die Möglichkeit bietet, die Funktionen der Plattform zu erkunden. Es wird hervorgehoben, dass ADL mit großen Börsen kooperiert und über einen Pool von Servern verfügt, die sich in Einrichtungen an verschiedenen Standorten befinden, einschließlich eines Gen-Pop-Servers, auf dem Benutzer mit verschiedenen Trades experimentieren können. Die Redner gehen auch auf Webdienste und APIs ein und erwähnen die Veröffentlichung der TT REST API und den Nutzen der ADL-Plattform für den Devisenhandel.

In Bezug auf Devisenhandelsoptionen stellen die Redner klar, dass es zwar keine unmittelbaren Pläne für eine direkte Verbindung mit Forex-Börsen gibt, Forex-Funktionen jedoch auf der CME verfügbar sind und die NYSE einen Spot-Forex-Kontrakt anbietet. Sie ermutigen die Zuschauer, sich in den Foren zu engagieren, in denen Produktverbesserungen verfolgt und thematisiert werden. Der Abschluss beinhaltet eine Vorschau auf das Backprogramm und eine Aufforderung an die Teilnehmer, vor Abschluss der Webinar-Sitzung ein Umfrageformular auszufüllen.

  • 00:00:00 Andrew Reynolds, Produktmanager für automatisierte Handelstools bei Trading Technologies, stellt ADL als interaktives grafisches Tool zum Erstellen von Algorithmen vor, das den Entwicklungsprozess für Händler vereinfacht. Vor ADL mussten Händler, die einen Algorithmus entwickeln wollten, lernen, Code zu schreiben, was zeitaufwändig war und einen langen Entwicklungszyklus erforderte. ADL bietet Benutzern jedoch ein intuitives Tool zum Entwerfen und Bereitstellen von Handelsalgorithmen, ohne eine einzige Codezeile schreiben zu müssen. Dies senkt die Eintrittsbarriere hinsichtlich der technischen Fähigkeiten und ermöglicht es Händlern, Marktchancen schnell zu nutzen. Darüber hinaus wandelt ADL in gut getesteten Code um, der auf am gleichen Standort befindlichen Hochleistungsservern läuft und so die bestmögliche Leistung gewährleistet.

  • 00:05:00 Wir lernen etwas über den ADL-Canvas, der aus einer Vielzahl von Blöcken besteht, die verschiedene Handelskonzepte oder -operationen darstellen und herausgezogen werden können, um Algorithmen zu erstellen. Jeder Block verfügt über funktionsspezifische Eigenschaften und kann mit anderen Blöcken verbunden werden, um die gewünschte Logik darzustellen. Gruppenblöcke können spezifische Logik kapseln und als Bibliotheksblöcke zur Wiederverwendung in anderen Algorithmen gespeichert werden. Um das Auffinden von Abschnitten zu erleichtern, können Lesezeichen hinzugefügt werden und es steht ein Suchmechanismus zum schnellen Auffinden bestimmter Blöcke oder Abschnitte zur Verfügung. Darüber hinaus nutzt EDL Vorhersagetechniken, um potenzielle Blockverbindungen zu erkennen und so die Entwicklung zu beschleunigen.

  • 00:10:00 Wir entwickeln den Algo, wir können eventuelle Fehler schnell erkennen und beheben. Die ADL-Plattform verfügt auch über prädiktive Analysen, die bei der Entwicklung des Algos helfen, wie z. B. die automatische Erkennung des Typs des eingebrachten Blocks. Die Klassifizierungen von Algos wurden ebenfalls besprochen, nämlich solche mit Eingangslogik, Ausgangslogik und beiden Eingangslogiken und ausgangsseitige Logik. Es wurde ein Beispiel für die Erstellung eines Algorithmus mit eingangsseitiger Logik demonstriert, bei dem ein Orderblock und ein Feldblock verwendet wurden, um den Geldkurs für eine Limitorder zu extrahieren. Die ADL-Plattform bietet Echtzeit-Feedback und benutzerfreundliche Funktionen, um die effiziente Entwicklung von Algen zu unterstützen.

  • 00:15:00 Der Kursleiter zeigt, wie man einem Algo Ausgangs-Logik hinzufügt und einen Algo mit sowohl Eingangs- als auch Ausgangs-Logik erstellt. Bei einer Verkaufslimitorder wird ein Orderblock hinzugefügt und ein Nachrichteninformationsextraktor wird an den Fill-Ausgabeport der ursprünglichen Order angehängt. Dieser Extraktor hilft dabei, Informationen zu den durch ihn übermittelten Nachrichten zu extrahieren, z. B. Abfüllungen, und den Abfüllpreis und die Abfüllmenge zu extrahieren. Außerdem wird ein Feldblock hinzugefügt, um die minimale Tick-Größe zu extrahieren, die zum Ausführungspreis addiert wird, um die Hedge-Order so festzulegen, dass sie einen Tick größer als der Ausführungspreis ist. Dieser Preis wird dann zum Preis der Verkaufslimitorder und vervollständigt den Algorithmus. Außerdem werden Warnblöcke hinzugefügt, um den Händler über den Fortschritt des Algos zu informieren und ihm bei der Unterscheidung zwischen mehreren Algos zu helfen.

  • 00:20:00 Der Referent zeigt, wie man die Lesbarkeit eines Algorithmus durch den Einsatz von Sprungblöcken im ADL® von Trading Technologies verbessern kann. Sie verbessern einen grundlegenden Scalping-Algorithmus, indem sie weitere Variationen hinzufügen, die auf die Vorlieben eines Händlers zugeschnitten sind, mit einem Einstiegs- und einem Ausstiegspunkt. Für den Austrittspunkt entfernen sie die gesamte Eingangslogik, fügen einen vorhandenen Auftragsblock hinzu und hängen ihn an den einzelnen Auftragscontainer an. Anschließend verbinden sie die Ausführungsnachrichten vom D-Multiplexer mit den Ausführungsnachrichten der vorherigen Logik, um einen Algorithmus zu erstellen, der auf jeden funktionierenden Auftrag angewendet werden kann, der bei Ausführung automatisch einen Verkaufslimitauftrag einen Tick über dem Ausführungspreis bei a platziert Menge.

  • 00:25:00 Der Kursleiter erklärt den Order Management Algo (OMA), der die Algo-Logik auf eine bestehende Order anwendet und den Preis, die Menge, den Stop-Preis und die offengelegte Menge nach Bedarf manipulieren kann. Dies kann für einen Bid-Drifter nützlich sein, bei dem den Ports eine Logik hinzugefügt wird, um den Preis in Intervallen zu erhöhen, bis die Bestellung ausgeführt wird. Der Dozent weist außerdem darauf hin, dass Benutzer die Logik bei Bedarf umdrehen können, und erklärt, wie ADL bestimmte Aktionen verbietet, z. B. das Anhängen des Instruments oder Preises an die Menge, sowie Logikprüfungen, um eine Endlosschleife zu verhindern. ADL ist eine kontextspezifische Sprache, die die Absichten des Benutzers versteht und unerwartetes Verhalten verhindert.

  • 00:30:00 Der Redner erläutert, wie ADL es Entwicklern ermöglicht, sich durch seine P&L-Risikoblockierungsfunktion vor P&L-Verlusten zu schützen, die automatisch einen Algorithmus stoppt, wenn Verluste einen vorgegebenen Betrag überschreiten. Diese Funktion ist benutzerdefiniert und kann für jede gestartete Instanz eines Algos festgelegt werden. Die Algorithmen können über mehrere Widgets im Front-End-Algo-Dashboard, Orderbuch oder MD Trader von Auto Trader gestartet werden. Der Redner hebt den Ein-Klick-Start von Algos direkt von der MD Trader-Leiter hervor, der es Ihnen ermöglicht, das Instrument auszuwählen und Änderungen an Algo-Parametern vorzunehmen. Mit ADL können Benutzer außerdem Colocation-Einrichtungen basierend auf dem Instrument auswählen und den Fortschritt der Algen vom Frontend aus überwachen. Es ist auch möglich, basierend auf dem Algorithmus unterschiedliche Konten einzurichten.

  • 00:35:00 Die Referenten diskutieren, wie Benutzer beim Starten ihres Algorithmus mithilfe von ADL unterschiedliche Konten für jedes Instrument angeben können. Sie erwähnen auch die auf der Website von Trading Technologies verfügbaren Ressourcen, um mehr über ADL zu erfahren, sowie ein Support-Forum zur Diskussion aller ADL-Themen. Die Präsentation geht dann in eine Frage-und-Antwort-Runde über, in der Andrew Fragen des Publikums beantwortet. Eine Frage, die aufgeworfen wurde, betrifft die Angabe von Konten für jedes Instrument, die die Referenten bereits zuvor behandelt hatten.

  • 00:40:00 Der Redner diskutiert die bevorstehende Hinzufügung eines Analyseblocks, der es Benutzern ermöglichen wird, historische Daten zu extrahieren und integrierte Studien in ADL durchzuführen. Sie können auch historische Daten abrufen, um benutzerdefinierte Studien direkt in den Algorithmus einzubauen. Mit einem Wert-Bucket-Block können Sie Dinge speichern, die Sie später nachschlagen möchten, und so viele Werte abrufen, wie Sie möchten. Der Sprecher sagt außerdem, dass sie Broker-neutral sind, was bedeutet, dass die Plattform mit jedem Broker verbunden werden kann, der sie unterstützt. Abschließend bietet der Redner Informationen zur Preisgestaltung und erwähnt, dass Staplerausgänge ein häufiger Algorithmustyp sind.

  • 00:45:00 Der Redner diskutiert die verschiedenen Möglichkeiten, wie Algen mit ADL geschrieben werden können, und betont, dass jeder seine Version einer „geheimen Soße“ hat. Das Community-Forum von Trading Technologies ist eine großartige Quelle, um zusätzliche Informationen zu beliebten Fehlertypen wie dem „Stacker“ zu erhalten. Es gibt viele verschiedene Möglichkeiten, einen einfachen Auftragstyp zu erstellen, und das Forum ist ein großartiger Ort zum Lernen. Der Redner erklärt außerdem die Vorteile des Single-Click-Launchs bei Autotradern und wie es einfacher ist, mehr als einen Trade gleichzeitig zu modellieren. Darüber hinaus erwähnen sie, dass das ADL-Dashboard in ihren Telefon-Apps verfügbar ist und es Händlern ermöglicht, Algorithmen anzuhalten und neu zu starten, wenn sie nicht an ihrem Schreibtisch sind.

  • 00:50:00 Der Redner erläutert, wie über ein kostenloses Demokonto auf der TradeTT-Website auf die ADL-Plattform zugegriffen werden kann, sodass Benutzer die Plattform sofort nutzen und testen können. Der Redner erwähnt auch, dass die ADL-Plattform gemeinsam mit großen Börsen angesiedelt ist und einen Pool von Servern in Einrichtungen an jedem Standort sowie einen Gen-Pop-Server für Benutzer bietet, die verschiedene Trades ausprobieren möchten. Darüber hinaus spricht der Redner über den neuen Analytics Block, den ADL in der ersten Hälfte des nächsten Jahres einführen wird und der historische Daten und die Möglichkeit bietet, Studien zu diesen Daten durchzuführen. Abschließend geht der Redner auf Webdienste und APIs sowie auf die Veröffentlichung der TT REST API am 1. Dezember ein und wie die ADL-Plattform für den Devisenhandel genutzt werden kann.

  • 00:55:00 Der Redner erörtert die Verfügbarkeit von Devisenhandelsoptionen auf der Trading Technologies-Plattform und weist darauf hin, dass derzeit keine unmittelbaren Pläne für eine direkte Verbindung mit Forex-Börsen bestehen, obwohl Forex-Funktionen auf der CME verfügbar sind und ein Spot-Forex-Vertrag abgeschlossen wird angeboten von der NYSE. Der Redner ermutigt die Zuschauer außerdem, Fragen in den Foren zu stellen, wo Produktverbesserungen verfolgt und beantwortet werden. Das Publikum wird gebeten, tryTTnow.com zu besuchen, um eine kostenlose Demo der Trading Technologies-Plattform zu erhalten. Der Abschluss beinhaltet eine Vorschau auf das Backprogramm und die Bitte an die Teilnehmer, vor Verlassen der Webinar-Sitzung ein Umfrageformular auszufüllen.
Build your own algos with ADL® by Trading Technologies
Build your own algos with ADL® by Trading Technologies
  • 2017.10.28
  • www.youtube.com
Thursday 26th October 20177:30 PM IST | 10:00 AM EST | 10:00 PM SGTLearn how to build, deploy, and launch basic algo using ADLThe webinar covers:- What is AD...
 

Quantitative Finanzen | Einführung in maschinelles Lernen | Quantiacs | Von Eric Hamer



Quantitative Finanzen | Einführung in maschinelles Lernen | Quantiacs | Von Eric Hamer

Eric Hamer, der CTO von Quantiacs, stellt die Partnerschaft zwischen Quantiacs und Quantinsti vor, die darauf abzielt, die Hedgefonds-Branche zu demokratisieren. Im Rahmen dieser Zusammenarbeit werden Schulungen angeboten, die den Studierenden praktische Fertigkeiten im Umgang mit den Open-Source-Tools und -Daten von Quantiacs vermitteln. Quantiacs fungiert als Crowdsourcing-Hedgefonds und verbindet quantitative Analysten, die Algorithmen entwickeln, mit Kapital, während Quantinsti Kurse im algorithmischen Handel anbietet. Hamer betont, dass teilnehmende Quants an Quantiacs-Wettbewerben teilnehmen können, bei denen sie die Möglichkeit haben, Investitionskapital und einen Anteil am Gewinn zu gewinnen.

Hamer untersucht, wie Quantiacs die Algorithmen der Programmierer mit den Kapitalmärkten verbindet, was sowohl dem Quant als auch den Quantiacs zugute kommt, wenn sich die Strategien als erfolgreich erweisen. Quantiacs ist bestrebt, den quantitativen Handel zu fördern, indem es herunterladbare Desktop-Toolkits für MATLAB und Python, Beispielhandelsstrategien und kostenlose End-of-Day-Futures-Daten aus dem Jahr 1990 anbietet. Sie haben auch makroökonomische Indikatoren integriert, um Kunden bei der Verbesserung ihrer Algorithmen zu unterstützen. Darüber hinaus stellt Quantiacs eine Online-Plattform zur Verfügung, auf der Nutzer ihre Algorithmen kostenlos einreichen und bewerten können. Quantiacs konzentriert sich derzeit auf Futures und möchte in Zukunft möglicherweise vergleichbare Daten für die Aktienmärkte bereitstellen.

Der Referent erläutert die beiden Hauptfunktionen von Handelsstrategien auf der Quantiacs-Plattform: die Kostenfunktion und das Handelssystem. Die Kostenfunktion berücksichtigt Transaktionskosten und Provisionen, indem sie 5 % der Differenz zwischen dem höchsten und dem niedrigsten Preis eines bestimmten Tages verwendet. Andererseits ermöglicht das Handelssystem Benutzern, Preisinformationen anzufordern und einen Gewichtsvektor oder eine Gewichtsmatrix bereitzustellen, die die Portfolioallokation bestimmt. Quantiacs rät von der Verwendung globaler Variablen ab und bietet einen Einstellungsparameter zur Verwaltung der erforderlichen Statusinformationen. Hamer liefert ein Beispiel für eine einfache Handelsstrategie, die eine jährliche Rendite von 2,5 % erbracht hat. Die Ergebnisse der Strategie umfassen eine Aktienkurve, die Performance von Long- und Short-Positionen sowie die Performance einzelner Futures. Quantiacs bewertet Strategien auf der Grundlage positiver Performance, geringer Volatilität und der Sharpe Ratio, die risikobereinigte Renditen misst.

Das Konzept des maschinellen Lernens und seine Anwendungen im quantitativen Finanzwesen werden von Hamer vorgestellt. Er betont, dass ein erheblicher Teil der Geschäfte an amerikanischen Börsen, etwa 85 bis 90 %, computergeneriert sind. Techniken des maschinellen Lernens wie Regression, Klassifizierung und Clustering gewinnen in diesem Bereich zunehmend an Bedeutung. Hamer erörtert einige Fallstricke im Zusammenhang mit maschinellem Lernen und betont, wie wichtig es ist, risikobereinigte Renditen ohne übermäßigen Handel zu maximieren. Obwohl neuronale Netze hervorragende Ergebnisse liefern können, können ihre Ausführungszeiten langwierig sein und die herkömmliche CPU-Architektur ist möglicherweise nicht optimal. Es stehen jedoch leistungsstarke GPUs zur Verfügung, die die Ausführungszeit erheblich verkürzen. Obwohl es Open-Source-Bibliotheken wie Python und MATLAB gibt, kann das Einrichten und Trainieren eines Algorithmus für maschinelles Lernen ein komplexer Prozess sein, der Aufwand und Hingabe erfordert.

Hamer befasst sich mit dem Prozess des maschinellen Lernens, beginnend mit der Spezifizierung der Problemstellung und der Identifizierung der Art des maschinellen Lernproblems. Er erläutert den Bedarf an numerischen Daten beim maschinellen Lernen und erörtert die Aufteilung der Daten in Trainings- und Testsätze für das Modelltraining bzw. die Modellbewertung. Hamer liefert ein Beispiel, das zeigt, wie die Python-API von Quantiacs verwendet werden kann, um Vorhersagen zum Mini-S&P-500-Futures-Kontrakt zu treffen, und zeigt die Ergebnisse mithilfe der Keras-API für neuronale Netzwerke an.

Die Grenzen des maschinellen Lernmodells zur Vorhersage zukünftiger Aktienkurse werden von Hamer erörtert. Während das Modell zunächst den Anschein erweckt, Preise genau vorherzusagen, zeigt sich bei näherer Betrachtung, dass es lediglich die Daten von heute als Proxy für die Daten von morgen verwendet. Wenn derselbe Algorithmus auf Rohdatenrückgaben angewendet wird, folgen die Vorhersagen des Modells einer ähnlichen Form, weisen jedoch nicht dieselbe Größenordnung wie die wahren Werte auf. Hamer demonstriert die schlechte Leistung des Modells bei der Anwendung auf Handelsdaten und untersucht mögliche Verbesserungsmöglichkeiten. Außerdem gibt er einen kurzen Überblick über den Quellcode, der in seiner Handelssystemfunktion verwendet wird.

Hamer demonstriert anschließend die Erstellung eines sequentiellen Keras-Modells zur Vorhersage der S&P 500-Futures-Renditen. Das Modell beginnt mit einer Grundstruktur und bezieht spezifische Schichten ein. Hamer trainiert das Modell mithilfe von Trainingsdaten, die tatsächliche Preisdaten umfassen, während die y-Werte die vorherzusagenden Renditedaten darstellen. Nach dem Training kann Hamer das Modell aus den Einstellungen extrahieren und es verwenden, um Renditen auf der Grundlage der neuesten Daten vorherzusagen. Obwohl sein einfaches S&P 500-Minimodell keine gute Leistung erbringt, erklärt Hamer, dass geeignete Techniken und Optimierungen wie Gradientenabstieg und Boosting das Problem lösen können.

Techniken zur Verbesserung der Gültigkeit eines maschinellen Lernalgorithmus im quantitativen Finanzwesen werden von Hamer diskutiert. Er schlägt die Verwendung der Bootstrap-Aggregationstechnik vor, bei der der Algorithmus auf mehreren Teilmengen der Daten ausgeführt wird, um Erkenntnisse zu gewinnen. Es wird außerdem empfohlen, die Strategien einfach zu halten, mehrere Vorhersagen zu nutzen, um einen Konsens zu erzielen, und auf Überanpassung, Datenbereinigung und den Umgang mit fehlenden Daten und Zufallsvariablen zu achten. Hamer glaubt, dass maschinelles Lernen und künstliche Intelligenz weiterhin entscheidende Werkzeuge für die Prognose von Finanzmärkten sein werden.

Der Redner stellt die Kurse EpAT und ConTA vor, die beide spezielle Sitzungen zum maschinellen Lernen anbieten. EpAT richtet sich an Fachleute, die Wachstum im Bereich Algo oder quantitativer Handel anstreben, während ConTA einen Kurs zum Selbststudium zur Implementierung von Regressionstechniken mithilfe von maschinellem Lernen mit Python anbietet. Hamer beantwortet Fragen zur Wahl zwischen R und Python für maschinelles Lernen und gibt Ratschläge zur Vermeidung einer Überanpassung beim Testen alternativer Datensätze. Er schlägt vor, das Modell sowohl auf Trainings- als auch auf Testdaten zu trainieren und den Fehlerunterschied zwischen den beiden Sätzen zu untersuchen, um eine Überanpassung zu verhindern.

Hamer weist auf die Gefahren einer Überanpassung beim maschinellen Lernen für den Algo-Handel hin und schlägt vor, die Bootstrap-Aggregation oder Bagging-Technik einzusetzen, um einen Datensatz für Genauigkeitstests in kleinere Teilmengen aufzuteilen. Aufgrund des Rauschens und der Schwankungen der Finanzdaten kann eine Genauigkeit von mehr als 50 % als gut angesehen werden.

Abschließend betont Hamer, wie wichtig es ist, die Technologie zu verstehen, um Handelsstrategien zu automatisieren. Er betont die Notwendigkeit von Bildungsprogrammen, die die Ausbildung in den vielfältigen Fähigkeiten ermöglichen, die für den Erfolg als algorithmischer Händler erforderlich sind.

  • 00:00:00 Eric Hamer, der CTO von Quantiacs, stellt die Partnerschaft zwischen Quantiacs und Quantinsti vor, die darauf abzielt, die Hedgefonds-Branche zu demokratisieren, indem Schulungen angeboten werden, die es Studenten ermöglichen, praktische Fähigkeiten mithilfe der Open-Source-Tools und -Daten von Quantiacs zu erwerben. Quantiacs ist ein Crowdsourcing-Hedgefonds, der Quants, die Algorithmen entwickeln, mit Kapital verbindet, während Quantinsti Kurse im algorithmischen Handel anbietet. Hamer hebt außerdem hervor, wie Quants an Quantiacs-Wettbewerben teilnehmen können, um Investitionskapital und einen Teil des Gewinns zu gewinnen.

  • 00:05:00 Eric Hamer von Quantiacs diskutiert, wie sie die Algorithmen der Programmierer mit den Kapitalmärkten verbinden, wobei sowohl Quant als auch Quantiacs profitieren, wenn die Strategien erfolgreich sind. Quantiacs zielt darauf ab, den quantitativen Handel zu fördern, indem es herunterladbare Desktop-Toolkits für MATLAB und Python, Beispielhandelsstrategien und kostenlose End-of-Day-Futures-Daten aus dem Jahr 1990 anbietet. Darüber hinaus hat Quantiacs makroökonomische Indikatoren hinzugefügt, um Kunden bei der Verbesserung ihrer Daten zu unterstützen Algorithmen und eine Online-Plattform, auf der Benutzer ihre Algorithmen kostenlos einreichen und bewerten können. Während Quantiacs derzeit nur mit Futures arbeitet, könnte es sein, dass Quantiacs in Zukunft vergleichbare Daten für Aktienmärkte bereitstellt.

  • 00:10:00 Der Referent erklärt die beiden Hauptfunktionen von Handelsstrategien in der Quantiacs-Plattform, nämlich die Kostenfunktion und das Handelssystem. Die Kostenfunktion berücksichtigt Transaktionskosten und Provisionen, indem sie 5 % der Differenz zwischen dem Höchst- und Tiefstpreis eines bestimmten Tages verwendet. Andererseits ermöglicht das Handelssystem dem Benutzer, Preisinformationen anzufordern und einen Gewichtsvektor oder eine Gewichtsmatrix zurückzusenden, die die Portfolioallokation bestimmt. Die Plattform rät von der Verwendung globaler Variablen ab und bietet einen Einstellungsparameter zum Verwalten aller erforderlichen Statusinformationen. Anschließend zeigt der Redner das Ergebnis einer einfachen Handelsstrategie, die eine Rendite von 2,5 % pro Jahr erbracht hat und eine Aktienkurve, die Performance von Long- und Short-Positionen sowie die Performance einzelner Futures umfasst. Schließlich bewertet die Plattform Strategien
    basierend auf positiver Performance, geringer Volatilität und der Sharpe Ratio, die risikobereinigte Renditen misst.

  • 00:15:00 Eric Hamer stellt das Konzept des maschinellen Lernens und seine Anwendungen im quantitativen Finanzwesen vor. Er erwähnt, dass 85 bis 90 % der Geschäfte an amerikanischen Börsen computergeneriert sind und dass Techniken des maschinellen Lernens wie Regression, Klassifizierung und Clustering immer häufiger eingesetzt werden. Hamer erklärt einige der Fallstricke des maschinellen Lernens und betont, wie wichtig es ist, die risikobereinigte Rendite ohne übermäßige Abwanderung zu maximieren. Der Einsatz neuronaler Netze kann zwar zu äußerst guten Ergebnissen führen, die Ausführungszeiten können jedoch langwierig sein und die herkömmliche CPU-Architektur ist nicht optimal. Es stehen jedoch leistungsstarke GPUs zur Verfügung, die die Ausführungszeit erheblich verkürzen können. Trotz der verfügbaren Open-Source-Bibliotheken wie Python und MATLAB kann das Einrichten und Trainieren eines Algorithmus für maschinelles Lernen ein komplizierter Prozess sein, der Aufwand und Arbeit erfordert.

  • 00:20:00 Eric Hamer diskutiert den Prozess des maschinellen Lernens, beginnend mit der Spezifizierung der Problemstellung und der Identifizierung der Art des maschinellen Lernproblems. Hamer erklärt, dass beim maschinellen Lernen alles numerisch sein muss und dass der Datensatz typischerweise in Trainings- und Testdaten unterteilt wird, um das Modell zu trainieren bzw. zu bewerten. Hamer erklärt außerdem anhand eines Beispiels, wie mit der Python-API von Quantiacs Vorhersagen zum Mini-S&P-500-Futures-Kontrakt getroffen und die Ergebnisse mithilfe der Keras-API für neuronale Netzwerke angezeigt werden können.

  • 00:25:00 Eric Hamer diskutiert die Grenzen des von ihm entwickelten maschinellen Lernmodells zur Vorhersage zukünftiger Aktienkurse. Während das Modell auf den ersten Blick Preise genau vorherzusagen scheint, zeigt eine genauere Betrachtung, dass es tatsächlich nur die Daten von heute als Proxy für die Daten von morgen verwendet. Wenn derselbe Algorithmus auf Rohdatenrückgaben angewendet wird, folgen die Vorhersagen des Modells derselben Form, aber nicht derselben Größe wie die wahren Werte. Anschließend demonstriert Hamer die schlechte Leistung des Modells bei der Anwendung auf Handelsdaten und erörtert mögliche Verbesserungsmöglichkeiten. Außerdem gibt er einen kurzen Überblick über den Quellcode, der in seiner Handelssystemfunktion verwendet wird.

  • 00:30:00 Eric Hamer zeigt, wie man ein sequentielles Keras-Modell erstellt, um die Renditen von S&P 500-Futures vorherzusagen. Das Modell beginnt mit einem Basismodell und fügt spezifische Schichten hinzu. Anschließend trainiert Eric sein Modell mit den Trainingsdaten, bei denen es sich um die tatsächlichen Preisdaten handelt, und die y-Werte sind die Rückgabedaten, die er vorhersagen möchte. Sobald das Modell trainiert ist, kann Eric sein Modell aus den Einstellungen ziehen und es verwenden, um die Renditen basierend auf den neuesten Daten vorherzusagen. Erics einfaches S&P 500-Minimodell funktioniert nicht gut, aber er erklärt, wie das Problem mit der richtigen Technik und Optimierung wie Gradientenabstieg und Boosting gelöst werden kann.

  • 00:35:00 Eric Hamer erörtert einige Techniken, die verwendet werden können, um die Gültigkeit eines Algorithmus für maschinelles Lernen bei der Anwendung auf quantitative Finanzen zu erhöhen, beispielsweise die Bootstrap-Aggregationstechnik, bei der der Algorithmus auf vielen verschiedenen zerhackten Versionen der Daten ausgeführt wird um zu sehen, was man daraus lernen kann. Er empfiehlt, die Strategien einfach zu halten und mehrere Vorhersagen zu verwenden, um einen Konsens zu erzielen. Außerdem empfiehlt er, bei Überanpassungen, der Bereinigung der Daten und der Berücksichtigung fehlender Daten und Zufallsvariablen vorsichtig zu sein. Insgesamt ist er davon überzeugt, dass maschinelles Lernen und künstliche Intelligenz weiterhin wichtige Instrumente zur Prognose von Finanzmärkten sein werden.

  • 00:40:00 Der Redner stellt die Kurse EpAT und ConTA vor, die beide spezielle Sitzungen zum maschinellen Lernen anbieten. EpAT richtet sich an Fachleute, die im Bereich Algo oder quantitativer Handel wachsen möchten, und ConTA bietet einen Kurs zum Selbststudium zur Implementierung von Regressionstechniken mithilfe von maschinellem Lernen mit Python. Der Redner beantwortet auch Fragen zur Wahl zwischen R und Python für maschinelles Lernen und zur Vermeidung einer Überanpassung beim Testen alternativer Datensätze. Der Referent empfiehlt, das Modell sowohl auf Trainings- als auch auf Testdaten zu trainieren und den Fehlerunterschied zwischen beiden zu prüfen, um eine Überanpassung zu vermeiden.

  • 00:45:00 Eric Hamer diskutiert die Fallstricke der Überanpassung beim maschinellen Lernen für den Algo-Handel und schlägt vor, die Bootstrap-Aggregation oder Bagging-Technik zu verwenden, um einen Datensatz in kleinere Teilmengen aufzuteilen, um die Genauigkeit zu testen. Er weist außerdem darauf hin, dass bei Finanzdaten eine Genauigkeit von mehr als 50 % aufgrund des Rauschens und der Schwankungen als gut angesehen werden kann.

  • 00:50:00 Eric Hamer betont, wie wichtig es ist, die Technologie zu verstehen, um Handelsstrategien zu automatisieren. Er erwähnt die Notwendigkeit von Bildungsprogrammen, die den Menschen die verschiedenen Fähigkeiten vermitteln können, die für einen erfolgreichen algorithmischen Trader erforderlich sind.
Quantitative Finance | Machine Learning in Trading | Quantiacs | Eric Hamer
Quantitative Finance | Machine Learning in Trading | Quantiacs | Eric Hamer
  • 2017.06.16
  • www.youtube.com
Join Eric Hamer in this engaging YouTube video as he introduces you to the fascinating world of quantitative finance and its application in machine learning ...
 

Können wir Mischungsmodelle verwenden, um Markttiefs vorherzusagen? von Brian Christopher – 25. April 2017



Können wir Mischungsmodelle verwenden, um Markttiefs vorherzusagen? von Brian Christopher – 25. April 2017

Brian Christopher, ein quantitativer Forscher und Python-Entwickler, hält eine umfassende Präsentation über die Grenzen der traditionellen Zeitreihenanalyse und stellt Mischungsmodelle, insbesondere Hidden-Markov-Modelle (HMMs), als vielversprechende Alternative zur Vorhersage von Renditen und zur Identifizierung von Marktregimen vor. Er betont die Notwendigkeit von Modellen, die instationäre Daten verarbeiten und nichtlineare Verteilungen annähern können, was für Finanzprognosen von wesentlicher Bedeutung ist.

Christopher untersucht, wie Mischungsmodelle, insbesondere HMMs, verwendet werden können, um das wahrscheinlichste Regime eines Vermögenswerts zusammen mit den zugehörigen Mittelwerten und Varianzen für jedes Regime abzuschätzen. Er erklärt den Berechnungsprozess, der den Wechsel zwischen der Berechnung von Klassenparametern und der Auswertung von Wahrscheinlichkeitsdaten beinhaltet. Das Gaußsche Mischungsmodell (GMM), ein bekanntes Mischungsmodell, geht davon aus, dass jedes Regime einer Gaußschen Verteilung folgt. Christopher demonstriert, wie der Erwartungsmaximierungsalgorithmus verwendet wird, um Wahrscheinlichkeiten und Regimeparameter bis zur Konvergenz zu berechnen. Um dies zu veranschaulichen, zeigt er ein Beispiel für die Klassifizierung der Regime niedriger Volatilität, Neutralität und hoher Volatilität eines Spionage-ETF.

Als nächstes untersucht Christopher, wie GMMs mit instationären und nichtlinearen Datensätzen umgehen können und so die Einschränkungen der traditionellen Zeitreihenanalyse überwinden. Er stellt eine Spielzeugstrategie vor, die vier Faktoren nutzt, darunter Vermögensrenditen und den Zehn-Jahres-zu-Drei-Monats-Spread des US-Finanzministeriums, um Sequenzrenditen und -parameter zu schätzen. GMMs werden zur Anpassung und Vorhersage verwendet und extrahieren die Schätzung des letzten Regime-Labels, um den Mittelwert und die Varianz des spezifischen Regimes zu bestimmen. Anstatt eine Normalverteilung anzunehmen, wird die Johnson-Su-Verteilung als Teil der Strategie verwendet, um der nichtlinearen Natur der Daten Rechnung zu tragen.

Der Redner diskutiert eine Strategie zur Vorhersage von Markttiefs, die auf der Annahme basiert, dass Renditen außerhalb der Konfidenzintervalle Ausreißer sind. Durch die Konstruktion von 99 %-Konfidenzintervallen anhand tausender Stichproben werden Ergebnisse unterhalb des unteren Konfidenzintervalls als Ausreißer betrachtet. Christopher analysiert die Renditen nach dem Ausreißerereignis und geht dabei von einer Long-Only- oder Kaufposition im ETF für eine bestimmte Anzahl von Tagen aus. Das Modell passt sich an sich ändernde Volatilität an, und obwohl die Gesamtgenauigkeit bei etwa 73 % liegt, schneidet die Aktienkurve nicht so gut ab wie eine Buy-and-Hold-Strategie. Christopher ermutigt das Publikum, die Daten selbst zu erkunden, da die in der Präsentation verwendeten Datensätze auf GitHub verfügbar sind.

Christopher teilt seine Analyse der Verwendung von Mischungsmodellen zur Vorhersage von Markttiefs für verschiedene ETFs. Er untersucht die Verteilung der durchschnittlichen Renditen für jeden ETF über verschiedene Rückschau- und Haltezeiträume hinweg. SPY, Triple Q und TLT übertreffen durchweg in verschiedenen Dimensionen, während GLD, EFA und EEM symmetrischere Verteilungen aufweisen. Er bewertet auch das Summenverhältnis, das die Gesamtrenditen von Ereignissen größer als 0 dividiert durch Renditen kleiner als 0 misst, wobei Werte größer als 1 als erfolgreich angesehen werden. SPY, Triple Q und TLT zeigen über mehrere Dimensionen und Rückblickszeiträume hinweg eine starke Leistung. Christopher warnt jedoch davor, dass längere Haltedauern stärker vom allgemeinen Markttrend beeinflusst werden könnten.

Der Moderator erörtert die Leistung verschiedener Vermögenswerte auf dem Markt mithilfe von Mischungsmodellen zur Vorhersage von Markttiefs. Die Studie zeigt, dass Vermögenswerte wie SPY, Triple Q, TLT und GLD abhängig von Variablen wie der Anzahl der Schritte oder dem Lookback-Zeitraum eine gute Leistung erbringen. Allerdings verschlechtert sich die Wertentwicklung bestimmter Vermögenswerte bei längerer Haltedauer. Die Studie bewertet die durchschnittlichen Renditen verschiedener Komponenten und identifiziert vielversprechende Ergebnisse für Vermögenswerte wie EEM und Aoife. Die Bedeutung einer korrekten Stichprobenverteilung wird betont, und die Verwendung der Johnson-Su-Verteilung hat sich als effektiv erwiesen. Insgesamt erweist sich die Strategie, die Mischungsmodelle zur Vorhersage von Markttiefs nutzt, als überzeugend.

Christopher erklärt, dass GMM zwar durchweg Erfolg mit Assets wie SPY, Triple Q und TLT gezeigt hat, es aber auch alternative Strategien gibt, die die gleiche oder eine bessere Leistung erbringen. Er geht kurz auf den Code für die Model-Runner-Klasse und die Run-Model-Convenience-Funktion ein, die die GMM-Komponenten implementiert. Er betont, dass das Modell „walk-forward“ umgesetzt wurde, um eine Voreingenommenheit zu vermeiden. Darüber hinaus stellt Christopher die von ihm verwendeten Daten im HDF5-Format auf GitHub zur Verfügung.

Der Referent erklärt, wie die ausgegebenen Daten organisiert und analysiert werden, um die Wirksamkeit der Mischungsmodellstrategie zu bewerten. Zur Bewertung von Metriken und Mittelwerten können verschiedene Slicing- und Gruppierungstechniken eingesetzt werden. Die Johnson-Su-Verteilung dient zur Anpassung an sich ändernde Volatilitäten in der Renditereihe und wird mit der Normalverteilung verglichen. Christopher weist darauf hin, dass die Genauigkeit der Normalverteilung schlecht ist und dass es vorteilhafter sein könnte, einfach den Markt zu halten. Er ermutigt jedoch Einzelpersonen, die Daten auf GitHub zu erkunden, und bietet an, Fragen zu beantworten oder an einem Webinar teilzunehmen.

Während der Frage-und-Antwort-Runde beantwortet Christopher Fragen des Publikums zu seinem Webinar über die Verwendung von Mischungsmodellen zur Vorhersage von Markttiefs. Er stellt klar, dass er die Formparameter für die Johnson-Verteilung durch eine grobe Parametersuche ermittelt und die Ergebnisse nicht ausführlich untersucht hat. Er erörtert auch, wie er hilfreiche Faktoren für sein Modell ausgewählt hat, und hebt die Einbeziehung US-basierter Zinsen oder festverzinslicher Kennzahlen hervor, um den Erfolg des Modells bei der Vorhersage US-basierter Vermögensrenditen zu steigern.

Christopher beantwortet weitere Fragen des Publikums zur Anwendung von GMM auf Renditen anstelle von Preisen, zum Skalenproblem bei der Verwendung von Preisen, zum Bias-Varianz-Problem bei mehreren Faktoren und zur Ähnlichkeit zwischen Look-Back und Backtesting. Er schlägt weitere Untersuchungen und Untersuchungen zu Kombinationen von Faktoren vor, die für ein breiteres Spektrum von Vermögenswerten eine bessere Vorhersagekraft haben. Er betont auch, wie wichtig es ist, der Anzahl der GMM-Komponenten eine natürliche Grenze zu setzen, um eine Überanpassung zu vermeiden. Christopher lädt das Publikum ein, sich für weitere Fragen und Details an ihn zu wenden.

  • 00:00:00 Brian Christopher, ein quantitativer Forscher und Python-Entwickler, erörtert die Einschränkungen der traditionellen Zeitreihenanalyse bei der Vorhersage von Renditen oder dem Timing des Marktes aufgrund der strengen Anforderung stationärer Daten und der Notwendigkeit eines Modells, das nichtlineare Verteilungen annähern kann. Anschließend untersucht er die Verwendung von Mischungsmodellen, insbesondere Hidden-Markov-Modellen (HMMs), die auf mehreren etablierten Konzepten wie Markov-Modellen aufbauen und zur Approximation nichtlinearer Verteilungen verwendet werden können und keine stationären Daten erfordern.

  • 00:05:00 Brian Christopher erläuterte, wie die Verwendung von Mischungsmodellen dabei helfen kann, Markttiefs vorherzusagen und das wahrscheinlichste Regime eines Vermögenswerts abzuschätzen, einschließlich der zugehörigen Mittelwerte und Varianzen für jedes Regime. Das Modell wechselt zwischen der Berechnung von Klassenparametern und der Auswertung von Wahrscheinlichkeitsdaten für jeden Parameter, einschließlich des Mittelwerts und der Varianz sowie der Übergangswahrscheinlichkeit jedes Regimes zwischen ihnen. Das bekannteste Modell ist das Gaußsche Mischungsmodell, das davon ausgeht, dass jedes Regime durch einen Gaußschen Prozess erzeugt wird, und den Erwartungsmaximierungsalgorithmus verwendet, um die Wahrscheinlichkeiten und Regimeparameter zu berechnen, bis die Konvergenz oder ein anderes Stoppkriterium erfüllt ist. Brian zeigte ein Beispiel für die Verwendung des Modells zur Klassifizierung der Systeme niedriger Volatilität, Neutralität und hoher Volatilität eines Spionage-ETF.

  • 00:10:00 Brian Christopher erklärt, wie Gaußsche Mischungsmodelle (GMMs) mit instationären Datensätzen umgehen und nichtlineare Datensätze annähern können, wodurch einige der Schwächen traditioneller Zeitreihenanalysemodelle überwunden werden. Christopher entwirft eine Spielzeugstrategie, die vier Faktoren verwendet, um die Abfolge von Renditen und Parametern abzuschätzen, darunter Vermögensrenditen, den Spread der US-Staatsanleihen von zehn Jahren auf drei Monate und mehr. Der Ansatz verwendet GMMs zur Anpassung und Vorhersage und extrahiert die Schätzung der letzten Regimebezeichnung, um die Modellschätzung des Mittelwerts und der Varianz für dieses spezifische Regime zu erhalten, die als Teil der Johnson-Su-Verteilung statt der Normalverteilung zugeführt wird die Strategie.

  • 00:15:00 Der Redner diskutiert eine Strategie, die davon ausgeht, dass es sich bei allen tatsächlichen Renditen, die außerhalb der Konfidenzintervalle liegen, um Ausreißer handelt, und auf der Grundlage dieser Annahme Markttiefs vorhersagt. Sie ziehen tausend Stichproben, um 99 %-Konfidenzintervalle zu erstellen, und gehen davon aus, dass Renditen unterhalb des unteren Konfidenzintervalls Ausreißer sind. Anschließend schauen sie sich die Renditen nach dem Ausreißerereignis an und gehen dabei von einer Long-Only-Aktion oder einem Kauf des ETFs für mehrere Tage aus. Das Modell passt sich an sich ändernde Volatilität an und die Genauigkeit des Modells liegt insgesamt bei etwa 73 %, die Aktienkurve lässt jedoch etwas zu wünschen übrig, insbesondere im Vergleich zu einer Buy-and-Hold-Strategie. Der Redner ermutigt die Menschen, selbst mit den Daten zu spielen, da er die Datensätze auf GitHub zur Verfügung gestellt hat und sie jeden ETF einzeln oder gemeinsam bewerten können.

  • 00:20:00 Brian Christopher bespricht seine Analyse von ETFs mithilfe von Mischungsmodellen zur Vorhersage von Markttiefs. Er untersuchte die Verteilung der durchschnittlichen Renditen für jeden ETF über verschiedene Rückschau- und Haltezeiträume hinweg. SPY, Triple Q und TLT schnitten in allen Dimensionen besser ab, während GLD, EFA und EEM eine symmetrischere Verteilung aufwiesen. Er untersuchte auch das Summenverhältnis, das die Gesamtrendite jedes Ereignisses größer als 0 dividiert durch die Summe der Renditen kleiner als 0 aufsummiert, und stellte fest, dass Werte größer als 1 als erfolgreich angesehen wurden. SPY, Triple Q und TLT schnitten in mehreren Dimensionen und Rückblickszeiträumen besser ab. Christopher warnt jedoch davor, dass längere Haltedauern stärker vom allgemeinen Markttrend beeinflusst werden könnten.

  • 00:25:00 Der Redner diskutiert die Leistung verschiedener Vermögenswerte auf dem Markt mithilfe von Mischungsmodellen zur Vorhersage von Markttiefs. Die Studie ergab, dass Vermögenswerte wie SPY, Triple Q, TLT und GLD abhängig von den Variablen, wie der Anzahl der Schritte oder dem Lookback-Zeitraum, eine gute Leistung erbringen. Die Wertentwicklung bestimmter Vermögenswerte nimmt mit längerer Haltedauer ab. Die Studie bewertete die durchschnittlichen Renditen verschiedener Komponenten und ergab vielversprechende Ergebnisse für Vermögenswerte wie EEM und Aoife. Die Studie unterstreicht auch die Bedeutung einer korrekten Stichprobenverteilung, und die Verwendung der Johnson-Su-Verteilung hat sich als effektiv erwiesen. Insgesamt erweist sich die Strategie, Mix-Modelle zur Vorhersage von Markttiefs zu verwenden, als überzeugend.

  • 00:30:00 Der Moderator erklärt, dass das Gaussian Mixture Model (GMM) ein Rahmenwerk für Vermögens- oder Renditeverteilungsvorhersagen ist, das sich bei SPY, Triple Q und TLT als durchweg erfolgreich erwiesen hat. Allerdings haben sich einige Strategien genauso gut oder besser entwickelt, und die Erwartungen müssen entsprechend angepasst werden. Anschließend geht der Moderator kurz auf den Code für die Model-Runner-Klasse und die praktische Funktion namens „Run Model“ ein, die das GMM in Komponenten implementiert. Der Moderator betont, dass das Modell im Walk-Forward-Stil umgesetzt wurde, um sicherzustellen, dass es keine Voreingenommenheit gab. Darüber hinaus stellte der Moderator die von ihm verwendeten Daten auf Github im HDF5-Format zur Verfügung.

  • 00:35:00 Der Referent erläutert, wie die ausgegebenen Daten organisiert und analysiert werden, um die Wirksamkeit der Mischungsmodellstrategie zu bestimmen. Die Daten können auf verschiedene Arten segmentiert und gruppiert werden, um die Metriken und Mittelwerte auszuwerten. Die Johnson-Su-Verteilung dient zur Anpassung an sich ändernde Volatilitäten in der Renditereihe und wird mit der Normalverteilung verglichen. Der Sprecher weist darauf hin, dass die Genauigkeit der Normalverteilung schlecht ist und es möglicherweise besser ist, einfach den Markt zu halten. Der Redner empfiehlt jedoch die Erkundung der Daten auf Github und ist bereit, alle Fragen zu beantworten oder an einem Webinar teilzunehmen.

  • 00:40:00 Brian Christopher beantwortet einige Fragen des Publikums zu seinem Webinar über die Verwendung von Mischungsmodellen zur Vorhersage von Markttiefs. Er erklärt, dass er die Formparameter für die Johnson-Verteilung durch eine grobe Parametersuche ermittelt und die Ergebnisse nicht umfassend recherchiert habe. Christopher erörtert auch, wie er festgestellt hat, ob die von ihm ausgewählten Faktoren in seinem Modell hilfreich waren. Er erklärt, dass er viele verschiedene Faktoren ausprobiert hat und letztendlich herausgefunden hat, dass die Verwendung US-basierter Zinsen oder festverzinslicher Kennzahlen dazu beigetragen hat, sein Modell bei der Vorhersage US-basierter Vermögenswerte erfolgreicher zu machen kehrt zurück.

  • 00:45:00 Brian Christopher beantwortet einige Fragen des Publikums dazu, warum er GMM auf Renditen anstelle des Preises angewendet hat, das Skalenproblem bei der Verwendung des Preises, das mögliche Bias-Varianz-Problem bei K-Faktoren und die Ähnlichkeit der Verwendung von Lookback zum Backtesting. Er schlägt außerdem weitere Untersuchungen und Untersuchungen zu Kombinationen von Faktoren vor, die für ein breiteres Spektrum von Vermögenswerten eine bessere Vorhersagekraft haben, und die Festlegung einer natürlichen Grenze für die Anzahl der GMM-Komponenten, um eine Überanpassung zu vermeiden. Brian Christopher lädt das Publikum ein, sich für weitere Fragen und Details an ihn zu wenden.
Can we use Mixture Models to Predict Market Bottoms? by Brian Christopher - 25th April 2017
Can we use Mixture Models to Predict Market Bottoms? by Brian Christopher - 25th April 2017
  • 2017.04.26
  • www.youtube.com
Date and Time:Tuesday, April 25th, 20178:00 PM IST | 09:30 AM CST | 8:30 AM MST This session explains and illustrated the use of Mixture Models with a sample...
 

Implizite Volatilität von der Theorie zur Praxis von Arnav Sheth – 7. März 2017



Implizite Volatilität von der Theorie zur Praxis von Arnav Sheth – 7. März 2017

Arnav Sheth, ein angesehener Professor mit umfassenden Kenntnissen über Volatilität, betritt die Bühne als Redner eines Webinars mit dem Titel „Implizite Volatilität von der Theorie zur Praxis“. Der Moderator stellt Sheth vor und hebt seine Fachkenntnisse auf diesem Gebiet hervor, einschließlich seiner Buchveröffentlichung und der Gründung einer Beratungs- und Analyseplattform. Ziel des Webinars ist es, den Teilnehmern ein umfassendes Verständnis der impliziten Volatilität, verschiedener Arten von Volatilität, Handelsstrategien unter Ausnutzung der impliziten Volatilität sowie verfügbarer Online-Ressourcen und Indizes der Chicago Board Options Exchange (CBOE) zur weiteren Erkundung zu vermitteln.

Sheth bietet zunächst einen kurzen Überblick über Optionen und deckt dabei verschiedene Volatilitäten wie historische und implizite Volatilität ab. Er geht ausführlich auf eine Handelsstrategie ein, bespricht einige CBOE-Indizes und gibt praktische Einblicke in deren Anwendung. Um einen historischen Kontext zu schaffen, teilt Sheth die Ursprünge von Optionen mit, die auf den ersten aufgezeichneten Optionskontrakt um 500 v. Chr. zurückgehen. Er erzählt die Geschichte von Thales, einem Mathematiker und Philosophen, der sich während einer reichen Ernte die Exklusivrechte an allen Olivenpressen sicherte. Diese Geschichte veranschaulicht die frühe Manifestation des Optionshandels.

Im Hinblick auf die moderne Definition von Optionen erläutert Sheth das Konzept von Call-Optionen und beschreibt sie als Verträge, die eine Spekulation oder Absicherung der Zukunft eines zugrunde liegenden Vermögenswerts ermöglichen. Er betont, dass Call-Optionen dem Empfänger das Recht, aber nicht die Pflicht, aus dem Vertrag zurückzutreten, einräumen. Sheth erklärt dann die Grundlagen des Handels mit Call- und Put-Optionen und betont, dass eine Call-Option dem Käufer das Recht einräumt, einen Basiswert zu einem bestimmten Preis zu kaufen, während eine Put-Option dem Käufer das Recht einräumt, den Basiswert zu einem vorher festgelegten Preis zu verkaufen Preis. Er betont, dass der Optionshandel ein Nullsummenspiel ist, was bedeutet, dass es auf jeden Gewinner einen Verlierer gibt, was dazu führt, dass die Gesamtgewinne und -verluste gleich Null sind. Sheth warnt vor den Risiken des Verkaufs einer Call-Option, ohne die zugrunde liegende Aktie zu besitzen, weist jedoch darauf hin, dass der Verkauf einer Call-Option dazu beitragen kann, das Risiko zu mindern, wenn man die Aktie besitzt.

Sheth befasst sich eingehender mit Optionsverträgen und deckt Long-Call-, Short-Call-, Long-Put- und Short-Put-Optionen ab. Er erläutert die möglichen Gewinn- und Verlustergebnisse und warnt Anfänger davor, sich auf den Handel mit „nackten Optionen“ einzulassen. Darüber hinaus betont er die Bedeutung der Berücksichtigung des Zeitwerts des Geldes bei der Berechnung von Gewinn und Auszahlung. Sheth unterscheidet zwischen europäischen und amerikanischen Optionen und stellt klar, dass europäische Optionen nur bei Ablauf ausgeübt werden können, während amerikanische Optionen jederzeit ausgeübt werden können. Er schließt diesen Abschnitt mit der Einführung des Black-Scholes-Merton-Preismodells ab, das er mit einem „gehebelten Aktienkauf“ vergleicht.

Der Fokus verlagert sich dann auf das Black-Scholes-Merton (BSM)-Modell und seine zugrunde liegenden Annahmen. Sheth hebt eine dieser Annahmen hervor und stellt fest, dass die Volatilität der Renditen bekannt ist und über die gesamte Laufzeit der Option konstant bleibt. Anschließend geht er auf die historische Volatilität ein, die die Standardabweichung der historischen Vermögensrenditen darstellt. Sheth erklärt seine Bedeutung für die Vorhersage der potenziellen Rentabilität einer Option und betont, dass eine höhere Volatilität den Optionspreis erhöht, da die Wahrscheinlichkeit größer ist, dass der Vermögenswert „im Geld“ landet.

Als nächstes untersucht Sheth die implizite Volatilität und ihre Rolle bei der Rückentwicklung der Volatilität aus dem Black-Scholes-Modell unter Verwendung von Marktoptionen. Die implizite Volatilität wird als erwartete Volatilität des Marktes interpretiert und auf der Grundlage von Marktoptionspreisen berechnet. Sheth führt den VIX ein, der S&P 500-Optionen mit einer Laufzeit von 30 Tagen am Geld nutzt, um die implizite Volatilität abzuschätzen. Der VIX misst die Volatilität, die der Markt während des Ablaufzeitraums der Option erwartet. Er weist darauf hin, dass Händler häufig die implizite Volatilität, die aus Optionspreisen abgeleitet wird, zur Bewertung von Optionen verwenden und nicht umgekehrt. Sheth betont, dass die implizite Volatilität konstant bleiben sollte, wenn verschiedene Strikes mit demselben Basiswert verbunden sind.

Sheth erklärt dann das Konzept der Volatilitätsabweichung bei der Optionspreisgestaltung. Er zeigt, wie die implizite Volatilität von der historischen Volatilität abweicht, wenn der Ausübungspreis divergiert, was zu einem Volatilitätsversatz führt. Sheth betont, dass der Skew nach 1987 auftrat und eine Chance für Händler darstellt, da er sich in den Optionspreisen widerspiegelt. Er führt den Begriff „Volatilitätsrisikoprämie“ ein, der die Differenz zwischen impliziter und realisierter Volatilität darstellt. Diese Prämie kann in Handelsstrategien ausgenutzt werden. Sheth stellt klar, dass das Black-Scholes-Modell zwar hauptsächlich zur Preisgestaltung von Optionen verwendet wird, es jedoch häufiger zur Ermittlung der impliziten Volatilität verwendet wird.

Die Berechnung der impliziten Volatilität auf dem Optionsmarkt wird zum nächsten Diskussionsthema. Sheth erklärt, wie Händler Marktwerte bestimmter Optionen auf Basiswerte nutzen und diese Werte in das Black-Scholes-Modell eingeben, um die Volatilität zurückzuentwickeln. Die implizite Volatilität wird dann als die erwartete Volatilität der Optionsmärkte für einen bestimmten Zeitraum, oft 30 Tage, interpretiert. Sheth stellt das Konzept der Volatilitätsrisikoprämie vor und zeigt, wie Optionsmärkte dazu neigen, die tatsächliche Volatilität zu überschätzen. Er schließt diesen Abschnitt mit der Darstellung einer Häufigkeitsverteilung der Volatilitätsprämie ab.

Der Redner geht auf Handelsstrategien ein, die auf impliziter Volatilität basieren, und konzentriert sich dabei auf das Konzept des Straddle-Verkaufs. Sheth betont, dass die implizite Volatilität typischerweise höher ist als die realisierte Volatilität, was zu überteuerten Optionen führt. Daher besteht die Strategie darin, Straddles zu verkaufen und auf Volatilität zu verzichten. Um die mit diesen Strategien verbundenen Risiken einzuschätzen, führt Sheth griechische Messungen ein, die einen Rahmen für die Risikobewertung bieten. Er bietet ein Beispielszenario mit dem Kauf eines Straddle am Geld und erörtert die Gewinn- und Verlustergebnisse basierend auf dem zugrunde liegenden Aktienkurs. Abschließend warnt Sheth, dass die Optionspreise möglicherweise nicht mehr volatilitätsempfindlich reagieren, wenn der Aktienkurs erheblich schwankt.

Im Video geht es dann um den Einsatz von Optionen als Absicherung gegen Änderungen der Aktienkurse. Sheth erklärt, dass durch den gleichzeitigen Kauf eines Calls und eines Puts oder den Verkauf beider, die dem Wert des Aktienpreises am nächsten kommen, Delta-Neutralität erreicht werden kann, Vega jedoch nicht vollständig abgesichert werden kann. Anschließend stellt Sheth CBOE-Indizes als bequeme Möglichkeit vor, von der Volatilitätsprämie zu profitieren, und erwähnt insbesondere den BXM-Index (BuyWrite Monthly), der eine Covered-Call-Strategie beinhaltet, und die BFLY-Iron-Butterfly-Option. Er erklärt, dass das Schreiben von gedeckten Calls auf die eigene Aktie das Risiko reduzieren kann, das mit dem alleinigen Halten der zugrunde liegenden Aktie verbunden ist, es aber auch die Möglichkeit birgt, die Aktie zu verlieren, wenn sie gekündigt wird. Abschließend erklärt Sheth die Strategie des Iron Butterfly, die den Kauf und Verkauf von vier Optionen mit drei Strikeouts gegenüber dem S&P 500 beinhaltet.

Gegen Ende des Webinars stellt Sheth eine Strategie vor, die den Kauf eines Out-of-the-Money-Puts und eines Out-of-the-Money-Calls beinhaltet. Diese Strategie führt zu einer Short-Volatilitätsposition, die einem Reverse Straddle ähnelt, jedoch mit einer leicht überhöhten Auszahlung, um das Gewinnpotenzial zu erhöhen.

  • 00:00:00 Der Redner Arnav Sheth wird als Professor vorgestellt, der ein Webinar zum Thema Implizite Volatilität von der Theorie zur Praxis leiten wird. Er behandelt die verschiedenen Arten der Volatilität, die Nutzung der impliziten Volatilität, Handelsstrategien zur Nutzung der Merkmale der impliziten Volatilität sowie verfügbare Online-Ressourcen und Chicago Board Options Exchange-Indizes, um den Teilnehmern den Einstieg zu erleichtern. Die Sitzung wird aufgezeichnet und über das Frage- und Antwortfenster können Fragen gestellt werden. Der Redner wird als Professor mit umfassenden Kenntnissen über Volatilität vorgestellt, der ein Buch veröffentlicht und eine Beratungs- und Analyseplattform gegründet hat.

  • 00:05:00 Der Referent gibt zunächst einen kurzen Überblick über die Grundlagen von Optionen, einschließlich der verschiedenen Arten von Volatilitäten, wie z. B. historische und implizite Volatilität. Anschließend stellen sie eine Handelsstrategie im Detail und einige der CBOE-Indizes vor. Der Redner spricht auch über die Geschichte der Optionen, beginnend mit dem ersten aufgezeichneten Optionsvertrag aus der Zeit um 500 v. Chr. des Mathematikers und Philosophen Thales, der während einer Rekordernte alle Olivenpressen ausgebucht hatte. Anschließend definiert der Redner, was eine Call-Option in der heutigen Zeit ist, und erklärt, dass es sich um einen Vertrag handelt, der es einem ermöglicht, über die Zukunft eines zugrunde liegenden Vermögenswerts zu spekulieren oder ihn abzusichern, wobei dem Empfänger insbesondere das Recht, aber nicht die Verpflichtung zum Ausstieg eingeräumt wird.

  • 00:10:00 Der Referent erklärt die Grundlagen des Handels mit Call- und Put-Optionen. Eine Call-Option gibt dem Käufer das Recht, aber nicht die Verpflichtung, einen zugrunde liegenden Vermögenswert, beispielsweise eine Aktie, zu einem bestimmten Preis zu kaufen, während eine Put-Option dem Käufer das Recht, aber nicht die Verpflichtung gibt, den zugrunde liegenden Vermögenswert zu einem bestimmten Preis zu verkaufen Preis. Der Redner weist darauf hin, dass der Optionshandel ein Nullsummenspiel ist, das heißt, auf jeden Gewinner gibt es einen Verlierer und die Gesamtgewinne und -verluste betragen immer Null. Darüber hinaus ist der Verkauf eines Calls ohne Besitz der zugrunde liegenden Aktie sehr gefährlich. Wenn Sie jedoch die zugrunde liegende Aktie besitzen, kann der Verkauf eines Calls Ihr Risiko verringern.

  • 00:15:00 Arnav Sheth erörtert die verschiedenen Arten von Optionskontrakten, einschließlich Long Call, Short Call, Long Put und Short Put, und ihre möglichen Gewinn- und Verlustergebnisse. Er warnt davor, mit „nackten Optionen“ zu beginnen und betont, wie wichtig es ist, bei der Berechnung von Gewinn und Auszahlung den Zeitwert des Geldes zu berücksichtigen. Sheth verdeutlicht auch den Unterschied zwischen europäischen und amerikanischen Optionen und erklärt, dass europäische Optionen nur bei Ablauf ausgeübt werden können, während amerikanische Optionen jederzeit ausgeübt werden können. Abschließend geht er auf das Black-Scholes-Merton-Preismodell für Optionen ein, das er als „gehebelten Aktienkauf“ bezeichnet.

  • 00:20:00 Der Redner stellt das Black-Scholes-Merton (BSM)-Modell und seine Annahmen vor. Eine davon ist, dass die Volatilität der Renditen bekannt und über die gesamte Laufzeit der Option konstant ist. Anschließend konzentriert er sich auf die historische Volatilität, also die Standardabweichung der historischen Vermögensrenditen, und ihre Bedeutung für die Vorhersage der potenziellen Rentabilität einer Option. Eine größere Volatilität weist auf einen höheren Optionspreis hin, da die Wahrscheinlichkeit größer ist, dass der Vermögenswert im Geld landet, was zu einer hohen potenziellen Auszahlung führt.

  • 00:25:00 Der Redner diskutiert die implizite Volatilität und wie sie verwendet wird, um die Volatilität aus dem Black-Scholes-Modell mithilfe von Marktoptionen zurückzuentwickeln. Die implizite Volatilität wird als vom Markt erwartete Volatilität interpretiert und anhand der Eingabe des Marktoptionspreises berechnet. Der VIX, der anhand von S&P 500-Optionen mit einer Laufzeit von 30 Tagen am Geld berechnet wird, ist die beste Schätzung der impliziten Volatilität und misst die Volatilität, die der Markt über den Zeitraum erwartet, in dem eine Option abläuft. Händler verwenden häufig die durch Optionspreise berechnete implizite Volatilität, um Optionen zu bewerten, und nicht umgekehrt. Die implizite Volatilität sollte über alle verschiedenen Strikes hinweg konstant sein, wenn es sich um denselben Basiswert handelt.

  • 00:30:00 Arnav Sheth erklärt den Volatilitätsunterschied bei der Optionspreisgestaltung. Er zeigt, dass die implizite Volatilität von der historischen Volatilität abweicht, wenn wir uns vom Ausübungspreis entfernen, und dies wird als Volatilitätsverzerrung bezeichnet. Der Skew tritt erst nach 1987 auf und stellt für Händler eine Chance dar, da er sich auch in den Optionspreisen widerspiegelt. Die Differenz zwischen impliziter und realisierter Volatilität wird als Volatilitätsrisikoprämie bezeichnet und kann in Handelsstrategien ausgenutzt werden. Sheth erklärt, dass das Black-Scholes-Modell zur Preisgestaltung von Optionen verwendet wird, es jedoch häufiger zur Ermittlung der impliziten Volatilität verwendet wird.

  • 00:35:00 Arnav Sheth erklärt, wie Händler die implizite Volatilität auf einem Optionsmarkt berechnen. Händler nutzen den Marktwert bestimmter Optionen auf Basiswerte und geben alle fünf Werte in das Black-Scholes-Modell ein, um die Volatilität zurückzuentwickeln. Die implizite Volatilität wird dann als die von den Optionsmärkten für den nächsten festgelegten Zeitraum, in der Regel 30 Tage, erwartete Volatilität interpretiert. Es wird das Konzept der Volatilitätsrisikoprämie eingeführt, die die Differenz zwischen der impliziten Volatilität und der tatsächlichen Volatilität darstellt, und es wird gezeigt, dass Optionsmärkte im Großen und Ganzen dazu neigen, die tatsächliche Volatilität zu überschätzen. Dieser Abschnitt endet mit der Häufigkeitsverteilung der Volatilitätsprämie.

  • 00:40:00 Der Redner diskutiert Handelsstrategien basierend auf impliziter Volatilität und dem Konzept des Straddle-Verkaufs. Der Referent erklärt, dass die implizite Volatilität typischerweise größer ist als die realisierte Volatilität und dies zu überteuerten Optionen führt. Daher besteht die Strategie darin, Straddles zu verkaufen und auf Volatilität zu verzichten. Der Redner stellt außerdem das Konzept der griechischen Messungen vor, um die mit diesen Strategien verbundenen Risiken einzuschätzen. Der Redner liefert ein Beispielszenario für den Kauf eines Straddle am Geld und erörtert die Gewinn- und Verlustergebnisse basierend auf dem zugrunde liegenden Aktienkurs. Abschließend weist der Redner auf das Risiko hin, dass die Optionspreise nicht mehr volatilitätsempfindlich reagieren, wenn der Aktienkurs stark schwankt.

  • 00:45:00 Das Video diskutiert den Einsatz von Optionen zur Absicherung gegen Änderungen der Aktienkurse. Durch den gleichzeitigen Kauf eines Calls und eines Puts oder durch den Verkauf eines Calls und eines Puts zu dem Geld, das dem Wert des Aktienpreises am nächsten kommt, können Sie Delta-Neutralität erreichen, Vega jedoch nicht absichern. Anschließend erläutert das Video CBOE-Indizes als einfache Möglichkeit, von der Volatilitätsprämie zu profitieren, insbesondere den BXM und einen Covered Call sowie die BFLY-Iron-Butterfly-Option. Das Schreiben von gedeckten Calls auf die Aktie, die Sie besitzen, kann das Risiko reduzieren, nur die zugrunde liegende Aktie zu halten, aber man muss damit rechnen, die Aktie zu verlieren, wenn sie gekündigt wird. Abschließend erklärt das Video die Strategie des Iron Butterfly, bei der vier Optionen mit drei Strikes gegen den S&P 500 gekauft und verkauft werden.

  • 00:50:00 Der Redner veranschaulicht eine Strategie, die den Kauf eines Out-of-the-Money-Puts und eines weiteren Money-Calls beinhaltet, was zu einer Short-Volatilitätsposition ähnlich einem Reverse Straddle führt. Allerdings ist die Auszahlung etwas übertrieben, um den Gewinn zu steigern.
Implied Volatility From Theory to Practice by Arnav Sheth - 7 March, 2017
Implied Volatility From Theory to Practice by Arnav Sheth - 7 March, 2017
  • 2017.03.08
  • www.youtube.com
Date and Time: Tuesday, March 7, 2017 (9:30 PM IST | 8:00 AM PST)Volatility is a cornerstone concept in options trading, and all traders have a theory of how...
 

So nutzen Sie Finanzmarktdaten für fundamentale und quantitative Analysen – 21. Februar 2017



So nutzen Sie Finanzmarktdaten für fundamentale und quantitative Analysen – 21. Februar 2017

Lautsprecher:

  • Deepak Shenoy (Gründer und CEO, Capitalmind)
  • Maxime Fages (Gründer, Golden Compass Quantitative Research)
  • Marco Nicolás Dibo (CEO, Quanticko Trading)

Lernen Sie, mit den Grundlagen profitabel zu handeln, verstehen Sie die Herausforderungen im Zusammenhang mit der Hochfrequenz-Datenanalyse, entdecken Sie die Chancen und Fallstricke beim Futures-Handel und sehen Sie sich eine Live-Demonstration einer Schritt-für-Schritt-Anleitung zu einer der beliebtesten Handelsstrategien, dem Paarhandel, an Strategie!

How to Use Financial Market Data for Fundamental and Quantitative Analysis - 21st Feb 2017
How to Use Financial Market Data for Fundamental and Quantitative Analysis - 21st Feb 2017
  • 2017.02.22
  • www.youtube.com
Date and Time:Tuesday, February 21, 20177:00 PM IST | 9:30 PM SGT | 10:30 AM ARTSpeakers:- Deepak Shenoy (Founder and CEO, Capitalmind)- Maxime Fages (Found...
 

Informationsveranstaltung zum algorithmischen Handel



Informationsveranstaltung zum algorithmischen Handel

Zu Beginn der Informationsveranstaltung zum algorithmischen Handel bedankt sich der Redner für das wachsende Interesse an diesem Bereich und würdigt die bedeutenden Auswirkungen, die er im Laufe der Jahre hatte. Sie stellen Nitesh, den Mitbegründer von IH und Quant Institute, als Redner der Sitzung vor. Es wird beschrieben, dass Nitesh über umfassende Erfahrung auf den Finanzmärkten verfügt und einen Überblick über algorithmischen Handel, Trends und Möglichkeiten insbesondere für Anfänger bietet. Der Redner hebt aktuelle Nachrichtenartikel hervor, die die zunehmende Beliebtheit des algorithmischen Handels und seine prognostizierte Wachstumsrate von über 10 % CAGR weltweit in den nächsten fünf Jahren belegen.

Der Redner geht auf das Wachstum und die Chancen des algorithmischen Handels ein und betont dessen schnelle Expansion mit zweistelligen Prozentzahlen weltweit. Sie präsentieren Daten verschiedener Börsen und veranschaulichen die zunehmenden Volumina des algorithmischen Handels auf den Aktien- und Rohstoffmärkten. Um den algorithmischen Handel zu definieren, erklären sie ihn als den Prozess, bei dem mithilfe von Computern, die mit einem definierten Satz von Anweisungen programmiert sind, Handelsaufträge mit hoher Geschwindigkeit und Häufigkeit erteilt werden, mit dem Ziel, Gewinne zu erzielen. Die entscheidende Rolle der Technologie im algorithmischen Handel wird betont, insbesondere im Hochfrequenzhandel, wo sie einen erheblichen Teil (bis zu 60–70 %) der Rentabilität einer Handelsstrategie ausmacht.

Anschließend geht der Redner auf die Schlüsselaspekte des algorithmischen Handels ein und erörtert Technologie, Infrastruktur und Strategie. Sie unterstreichen die herausragende Rolle der Technologie in der heutigen algorithmischen Handelswelt, wobei Technokraten und technologieorientierte Händler die Führung übernehmen. Die Infrastruktur wird als entscheidender Faktor identifiziert, der die Erfolgswahrscheinlichkeit eines Händlers bestimmt, wobei die Bedeutung der Art der verwendeten Infrastruktur hervorgehoben wird. Abschließend erklärt der Redner, dass die Handelsstrategie selbst letztendlich über Rentabilität und Erfolg entscheidet und 30–70 % der Gesamterfolgswahrscheinlichkeit eines Händlers ausmacht. Sie beschreiben die verschiedenen Phasen der Strategieentwicklung, einschließlich Ideenfindung, Modellierung, Optimierung und Umsetzung.

Der Referent beschreibt die Phasen des algorithmischen Handels wie Optimierung, Test und Ausführung. Sie betonen, wie wichtig es ist, die Eingabevariablen eines Handelsmodells zu optimieren, um eine konsistente Ausgabe sicherzustellen, bevor mit der Ausführung fortgefahren wird. Darüber hinaus warnt der Redner bei der Automatisierung der Ausführung vor potenziellen Risiken und betont die Notwendigkeit eines robusten Risikomanagementsystems, um die Sicherheit zu gewährleisten und betriebliche Risiken zu verhindern. Sie erwähnen, dass Quotes auf dem Bein statistisch gesehen zu großen Gewinnen und höheren Renditen pro Trade führen.

Die mit dem algorithmischen Handel verbundenen Risiken werden diskutiert, einschließlich der Möglichkeit erheblicher Verluste, und die Bedeutung des operationellen Risikomanagements wird hervorgehoben. Der Redner hebt auch die für den algorithmischen Handel erforderliche Infrastruktur hervor, wie zum Beispiel Hochgeschwindigkeitsleitungen und Kollokationen, die eine schnellere Ausführung ermöglichen. Es werden die praktischen Schritte zur Einrichtung eines algorithmischen Handelsschalters erläutert, angefangen beim Marktzugang über den Erwerb einer Mitgliedschaft bis hin zur Eröffnung eines Kontos bei einem Broker. Der Redner erwähnt, dass die Lizenzanforderungen je nach Regulierungsbehörde variieren können. Die Wahl der richtigen algorithmischen Handelsplattform ist entscheidend und hängt von der konkreten umzusetzenden Strategie ab.

Der Referent geht auf algorithmische Handelsplattformen und deren Auswahl je nach Strategietyp ein. Für Low-Frequency-Trading-Strategien stellen Broker oft kostenlose, webbasierte Plattformen zur Verfügung, die den automatisierten Handel mithilfe von API-Code in verschiedenen Programmiersprachen ermöglichen. Für eine höhere Latenzempfindlichkeit können einsetzbare Plattformen zum Preis von einigen hundert Dollar pro Monat genutzt werden. Der Referent betont außerdem, dass die Art der eingesetzten Infrastruktur von der Strategie abhängt, wobei hochfrequente Daten und Analysen erstklassige Leistungsserver erfordern.

Der Referent geht auf die verschiedenen Zugangsarten und Infrastrukturen ein, die für den algorithmischen Handel erforderlich sind, und berücksichtigt dabei verschiedene Vorschriften und Technologien. Sie erklären das Konzept des Co-Location- und Proximity-Hostings und heben Faktoren wie Latenz, Order-Routing-Linien und Marktdaten hervor. Die Bedeutung einer robusten Datenbank und Analyse für die Strategieoptimierung wird betont, insbesondere beim Umgang mit großen Mengen an Tick-by-Tick-Daten. Es werden die Kosten für den Zugriff auf diese Tools und der Umfang der Datennutzung untersucht, der für verschiedene Handelsstrategien erforderlich ist.

Der Referent erklärt, dass der algorithmische Handel für die Datenverarbeitung und Modellbildung ausgefeiltere Tools als Excel wie R oder Matlab erfordert. Sie erwähnen auch die erhöhten Compliance- und Audit-Anforderungen, die mit der Automatisierung einhergehen, einem globalen Trend. Händlern wird empfohlen, sicherzustellen, dass ihre Transaktionen überprüfbar sind, ihre Codes und Strategien angemessen vor Grenzfällen oder außer Kontrolle geratenen Fällen geschützt sind und über einen Etikette-Schutz verfügen. Es wird außerdem empfohlen, ein Team mit grundlegenden Kenntnissen in den Bereichen Analytik, Technologie und Finanzmärkte zu haben, wobei mindestens ein Teammitglied auf alle drei Bereiche spezialisiert ist. Dies wird mit dem herkömmlichen Erfolgsrezept für den Handel verglichen, das Fähigkeiten wie Zahlenverarbeitung, Mustererkennung, Tippgeschwindigkeit, Verständnis der Finanzmärkte und Disziplin erforderte.

Der Referent erläutert das Erfolgsrezept für quantitativen Handel mittels algorithmischem Handel. Sie betonen die Notwendigkeit eines ausgeprägten mathematischen und statistischen Verständnisses sowie Kenntnisse in der Finanzinformatik. Das Verständnis von Technologie und Marktstruktur ist von entscheidender Bedeutung, ebenso wie ein umfassendes Verständnis dafür, wie Hardwarefunktionen und Netzwerke eine Rolle für den Handelserfolg spielen. Ein Verständnis der Finanzmärkte ist ebenfalls unerlässlich, und das Wissen, wie man eine Strategie programmiert und modelliert, ist ein zusätzlicher Vorteil. Für diejenigen, die Geschäfte mit höherer Frequenz einrichten, sind alle diese Elemente von entscheidender Bedeutung. Der Redner unterstreicht die Bedeutung von EPAT für Einzelpersonen, die in die Handelswelt einsteigen, insbesondere da vielen Personen im Finanzbereich das notwendige Technologieverständnis für den Erfolg fehlt.

Der Redner spricht über die Beseitigung des mangelnden technologischen Verständnisses der für den Handel erforderlichen quantitativen Analysetools. Sie erwähnen die Schaffung des ePACT (Executive Program in Algorithmic Trading) für Berufstätige, die Fachwissen im algorithmischen Handel erwerben möchten. Das ePACT-Programm ist ein sechsmonatiges integriertes Online-Programm, das Wochenendkurse für vier bis viereinhalb Monate umfasst, gefolgt von weiteren eineinhalb bis zwei Monaten Projektarbeit. Die Projektarbeit ermöglicht den Teilnehmern eine Spezialisierung auf das von ihnen gewählte Fachgebiet. Das Programm besteht aus neun verschiedenen Modulen, die von Branchenpraktikern unterrichtet werden, um sicherzustellen, dass der behandelte Stoff mit den Bedürfnissen und Trends der Branche übereinstimmt.

Die verschiedenen Module des ePACT-Programms werden besprochen, beginnend mit einer Einführung in den Finanzmarkt, grundlegende Statistiken, Derivate und Risiko, fortgeschrittene Statistiken und quantitative Handelsstrategie. Das Modul „Quantitative Handelsstrategie“ deckt verschiedene Handelsstrategien ab und umfasst auch Themen rund um den Aufbau eines algorithmischen Handelsschalters und die Berücksichtigung der damit verbundenen Geschäftsaspekte. Das Programm umfasst auch die Implementierung algorithmischer Handelsplattformen mit Python und bietet Unterricht in den Grundlagen von Python und der Implementierung von Handelsstrategien auf verschiedenen Plattformen. Den Teilnehmern wird ein Mentor zugewiesen, der ihre Projektarbeit überwacht und als Spezialisierung innerhalb des von ihnen gewählten Bereichs fungiert.

Der Referent erörtert die Unterstützungsleistungen, die das Career-Services-Team Teilnehmern und Alumni des algorithmischen Handelsprogramms bietet. Sie unterstreichen die Bedeutung von Learning by Doing, Live-Vorlesungen und dem Zugang zu aufgezeichneten Vorlesungen. Der Referent stellt eine Grafik vor, die die Branchenanforderungen und die Profile zeigt, nach denen Unternehmen bei Bewerbern suchen, um sicherzustellen, dass das Programm relevante Themen abdeckt. Sie erwähnen, dass das Programm Branchenführer als Dozenten aus verschiedenen Ländern hat und dass ihre Absolventen in über 30 Ländern weltweit ansässig sind. Hervorgehoben werden auch die verschiedenen Veranstaltungen und Programme des Instituts zur Sensibilisierung für den algorithmischen Handel.

Anschließend beantwortet der Redner verschiedene Fragen der Zuschauer zum algorithmischen Handel. Sie bestätigen, dass US-Bürger Handelskonten in Indien eröffnen können, sich jedoch an eine Depotbank wenden und einem bestimmten Verfahren folgen müssen, um ein Konto bei einem Clearing-Broker zu eröffnen. Der Redner empfiehlt Bücher von Dr. Ap Chan und Larry Harris für diejenigen, die daran interessiert sind, einen algorithmischen Trading Desk einzurichten oder mit Algo Trading zu beginnen. Sie erwähnen auch mehrere in Indien verfügbare Plattformen für den algorithmischen Handel, darunter Symphony Fintech, Automated Trading und YouTrade. Echte technische Daten können entweder direkt von der Börse oder über den eigenen Broker eingeholt werden. Darüber hinaus bestätigen sie, dass die Studierenden dieselbe Strategie, die sie im Kurs entwickelt haben, auf den Live-Handel anwenden können.

Der Referent beantwortet weiterhin verschiedene Fragen der Zuschauer zum algorithmischen Handel. Sie erklären, dass das Codieren und Backtesten einer Strategie mit verschiedenen Tools möglich und nicht schwer auf den Live-Handel zu übertragen ist. Auch Fragen zu Vorschriften, Compliance und Lizenzierung für den Handel auf dem indischen Markt werden beantwortet. Der Referent erklärt, dass für geeignete automatisierte Handelsstrategien eine Genehmigung der Börse erforderlich ist und eine Demo erforderlich ist. Sie diskutieren auch beliebte Handelsstrategien, wie z. B. momentumbasierte, statistische Arbitrage- und maschinelle Lernstrategien.

Der Referent erörtert die im Kurs behandelten Arten von Handelsstrategien und betont, wie wichtig es ist, zu lernen, wie man neue Strategien entwickelt, testet und umsetzt. Sie beantworten Fragen zu den Berufsaussichten für Kursabsolventen, den angebotenen Durchschnittsgehältern und den Programmierkenntnissen, die für die Analyse von Candlestick-Mustern erforderlich sind. Bedenken hinsichtlich des Wissensstands und des Zeitaufwands für Berufstätige, die den Kurs absolvieren, sowie der Kosten, die mit der Einrichtung eines algorithmischen Handelsschalters in Indien verbunden sind, werden ebenfalls angesprochen. Der Redner betont, wie wichtig es ist, vor Beginn des Programms ein grundlegendes Verständnis der Schlüsselkonzepte zu haben, um seinen Wert zu maximieren.

Der Referent beantwortet verschiedene Fragen im Zusammenhang mit dem algorithmischen Handel und schlägt vor, dass Personen mit begrenzten Kenntnissen der Aktienmärkte sich an einen Vertriebsspezialisten wenden können, um Hilfe zu erhalten, um ein grundlegendes Verständnis dieser Bereiche zu erlangen, bevor sie mit dem Kurs fortfahren. Sie erklären, dass algorithmischer Handel für einzelne Händler nützlich ist, die Disziplin bei ihren Geschäften gewährleisten und ihre Strategien auf die Einbeziehung mehrerer Instrumente ausweiten möchten. Der Redner geht auch auf Bedenken hinsichtlich des Übergangs von einem Kurs zum anderen und auf Broker in Indien ein, die Algo-Handelsdienste anbieten. Abschließend erklären sie, dass die Server-Colocation an einer Börse algorithmischen Händlern keinen unangemessenen Vorteil verschafft, sondern Einzelhändlern durch die Bereitstellung engerer Geld-Brief-Spannen zugute kommt.

Der Redner erörtert die Vorteile des algorithmischen Handels für Einzelhändler und wie Technologie dazu beitragen kann, Verluste zu minimieren. Sie befassen sich mit Fragen dazu, wie Nicht-Programmierer Python für den algorithmischen Handel lernen und ob indische Einwohner auf globalen Märkten handeln können. Sie stellen klar, dass sich ihr Unternehmen in erster Linie auf Bildung konzentriert und nicht auf die Bereitstellung von Brokerage- oder algorithmischen Handelsplattformen. Der Redner betont, dass sein Programm Hunderten von Teilnehmern aus über 30 Ländern geholfen hat, und ermutigt interessierte Personen, sich für weitere Informationen an ihre Geschäftsentwicklungs- und Vertriebsteams zu wenden.

Der Redner geht auf mehrere Fragen der Zuschauer ein, darunter, ob alle Strategien von der Börse genehmigt werden müssen und wie eine Strategie geschützt werden kann. Sie erklären, dass Algorithmenanbieter die Strategie eines Händlers nicht sehen können und Börsen in erster Linie darauf bedacht sind, sicherzustellen, dass Strategien keine Marktverwüstung verursachen. Sie erwähnen einen Studentenrabatt für das Programm und diskutieren die Verfügbarkeit des Algo-Handels auf den Rohstoffmärkten in Indien. Darüber hinaus heben sie die Bedeutung der linearen Algebra und der Wahrscheinlichkeitsverteilung in HFT-Profilen je nach Rolle hervor und betonen, dass Algo-Trading weltweit auf jedes Handelsinstrument, einschließlich Optionen und Forex, angewendet werden kann.

Die Referenten diskutieren Codierungsstrategien, die Bereitstellung von wiederverwendbarem Code und die Notwendigkeit, Python und R zu lernen. Sie beantworten auch Fragen zur Validierung von Strategien, zum potenziellen ROI und zur notwendigen Infrastruktur für eine moderate Anzahl von Händlern. Die Redner warnen davor, Strategien mit anderen zu teilen, und schlagen vor, sich auf das Erlernen von Best Practices und die Entwicklung einzigartiger Handelsstrategieideen zu konzentrieren.

Die Referenten beantworten verschiedene Fragen zum algorithmischen Handel, darunter den idealen Zeitrahmen für das Backtesting einer Strategie, die minimale Internetbandbreite, die für den Handel mit mittlerem Volumen erforderlich ist, und wie man die Beschaffung von Brokerage umgehen kann. Sie diskutieren auch die besten Anbieter für algorithmischen Handel in Indien und ob diskretionäre Handelsstrategien wie die Elliot-Wellen-Theorie programmiert werden können. Die Referenten weisen darauf hin, dass jede Strategie codiert werden kann, wenn man mit der Programmierung vertraut ist und klare Regeln im Kopf hat. Sie raten Händlern, Anbieter auf der Grundlage ihrer individuellen Anforderungen und der Vor- und Nachteile jedes Anbieters auszuwählen.

Abschließend bedankt sich der Referent bei den Anwesenden und bietet weitere Hilfe an. Obwohl sie aus Zeitgründen nicht alle Fragen beantworten konnten, ermutigt der Redner das Publikum, seine Anfragen einzusenden, und stellt Kontaktinformationen für das Team des Quant Institute bereit. Sie drücken ihre Wertschätzung für das Interesse am algorithmischen Handel aus und betonen die Bedeutung kontinuierlichen Lernens und Übens in diesem Bereich.

  • 00:00:00 Der Referent leitet die Informationsveranstaltung zum algorithmischen Handel ein und begrüßt die Zuschauer. Sie bedanken sich für das wachsende Interesse am Segment des algorithmischen Handels und die Auswirkungen, die es im Laufe der Jahre hatte. Der Redner stellt den Mitbegründer von IH und Quant Institute, Nitesh, vor, der bei der Sitzung sprechen wird. Nitesh verfügt über umfangreiche Erfahrung auf den Finanzmärkten und bietet einen Überblick über algorithmischen Handel, Trends und Möglichkeiten für Anfänger. Der Redner hebt auch aktuelle Nachrichtenartikel hervor, die die zunehmende Beliebtheit des algorithmischen Handels und seine erwartete weltweite Wachstumsrate von über 10 % CAGR in den nächsten fünf Jahren belegen.

  • 00:05:00 Der Redner diskutiert das Wachstum und die Chancen im algorithmischen Handel, einem Bereich, der weltweit mit zweistelligen Prozentzahlen schnell wächst. Der Redner präsentiert Daten verschiedener Börsen und verdeutlicht die zunehmenden Volumina des algorithmischen Handels sowohl auf den Aktien- als auch auf den Rohstoffmärkten. Unter algorithmischem Handel versteht man den Prozess, bei dem Computer verwendet werden, die so programmiert sind, dass sie einem definierten Satz von Anweisungen folgen, um Handelsaufträge zu erteilen, um mit hoher Geschwindigkeit und Häufigkeit Gewinne zu erzielen. Der Einsatz von Technologie wird als entscheidender Aspekt des algorithmischen Handels hervorgehoben, insbesondere im Hochfrequenzhandel, wo er bis zu 60–70 % der Gründe dafür ausmacht, dass eine Handelsstrategie Geld einbringt.

  • 00:10:00 Der Redner diskutiert die Schlüsselaspekte des algorithmischen Handels, darunter Technologie, Infrastruktur und Strategie. Die Rolle der Technologie im algorithmischen Handel spielt in der heutigen Welt eine herausragende Rolle, wobei Technokraten und technologieorientierte Händler die Nase vorn haben. Die Infrastruktur spielt eine große Rolle und die Art der genutzten Infrastruktur bestimmt die Erfolgswahrscheinlichkeit eines Händlers. Schließlich ist es die Handelsstrategie, die Geld einbringt und 30–70 % der Erfolgswahrscheinlichkeit eines Händlers ausmacht. Der Referent erläutert die verschiedenen Phasen der Strategieentwicklung von der Ideenfindung über die Modellierung und Optimierung bis hin zur Umsetzung.

  • 00:15:00 Der Referent beschreibt die Phasen des algorithmischen Handels, die Optimierung, Test und Ausführung umfassen. Sie betonen, wie wichtig es ist, die Eingabevariablen eines Modells zu optimieren, um eine konsistente Ausgabe sicherzustellen, bevor mit der Ausführung fortgefahren wird. Darüber hinaus warnt der Referent bei der Automatisierung der Ausführung vor potenziellen Risiken und betont die Notwendigkeit eines Risikomanagementsystems, um die Sicherheit zu gewährleisten und betriebliche Risiken zu verhindern. Sie deuten darauf hin, dass Quotes auf dem Bein statistisch gesehen zu großen Gewinnen und höheren Erträgen pro Trade führen.

  • 00:20:00 Es werden die mit dem algorithmischen Handel verbundenen Risiken diskutiert, beispielsweise das Potenzial für große Verluste und die Bedeutung des operativen Risikomanagements. Auch die für den algorithmischen Handel erforderliche Infrastruktur wird hervorgehoben, einschließlich Hochgeschwindigkeitsleitungen und Kollokationen. Kommen wir nun zu den praktischen Schritten der Einrichtung eines algorithmischen Handelsschalters. Der Marktzugang ist ein entscheidender erster Schritt, entweder durch den Erwerb einer Mitgliedschaft oder die Eröffnung eines Kontos bei einem Broker. Die Lizenzanforderungen können je nach Regulierungsbehörde variieren. Die Wahl der richtigen algorithmischen Handelsplattform hängt letztendlich von der umzusetzenden Strategie ab.

  • 00:25:00 Der Redner diskutiert algorithmische Handelsplattformen und wie man eine basierend auf der Art der verwendeten Strategie auswählt. Für Low-Frequency-Trading-Strategien stellen Broker oft kostenlose, webbasierte Plattformen zur Verfügung, die den automatisierten Handel mithilfe von API-Code für verschiedene Programmiersprachen ermöglichen. Für diejenigen mit höherer Latenzempfindlichkeit kann eine bereitstellbare Plattform für ein paar hundert Dollar pro Monat genutzt werden. Der Redner weist außerdem darauf hin, dass die Art der verwendeten Infrastruktur von der Art der eingesetzten Strategie abhängt, wobei Hochfrequenzdaten und -analysen einen Server für erstklassige Leistung erfordern.

  • 00:30:00 Der Referent erörtert die verschiedenen Arten von Zugang und Infrastruktur, die für den algorithmischen Handel erforderlich sind, und wie dies von verschiedenen Vorschriften und Technologien abhängen kann. Das Konzept des Co-Location- und Proximity-Hostings wird erläutert, zusammen mit Überlegungen wie Latenz, Order-Routing-Linien und Marktdaten. Auch die Bedeutung einer guten Datenbank und guter Analysen für die Strategieoptimierung wird betont, insbesondere beim Umgang mit großen Mengen an Tick-by-Tick-Daten. Auch die Kosten für den Zugriff auf diese Tools und der Grad der Datennutzung, der für verschiedene Handelsstrategien erforderlich ist, werden untersucht.

  • 00:35:00 Der Redner erklärt, dass für den algorithmischen Handel ausgefeiltere Tools als Excel, wie R oder Matlab, erforderlich sind, um Daten zu verarbeiten und Modelle zu erstellen. Automatisierung bringt auch höhere Compliance- und Audit-Anforderungen mit sich, was weltweit ein Trend ist. Algorithmische Händler müssen sicherstellen, dass ihre Transaktionen überprüfbar sind und dass ihre Codes und Strategien keine Randfälle oder außer Kontrolle geratenen Fälle enthalten und über Etiketteschutz verfügen. Darüber hinaus benötigen Händler ein Team mit grundlegenden Kenntnissen in den Bereichen Analytik, Technologie und Finanzmärkte, wobei mindestens ein Teammitglied auf alle drei Bereiche spezialisiert ist. Der Redner vergleicht dies mit dem herkömmlichen Erfolgsrezept beim Trading, bei dem Zahlenverarbeitung, Mustererkennung, Tippgeschwindigkeit, Finanzmarktverständnis und Disziplin unerlässlich waren.

  • 00:40:00 Der Referent diskutiert das Erfolgsrezept für quantitativen Handel mittels algorithmischem Handel. Es erfordert ein ausgeprägtes mathematisches und statistisches Verständnis sowie Finanzinformatik. Darüber hinaus ist es erforderlich, die Technologie und die Marktstruktur zu verstehen sowie insgesamt zu verstehen, wie Hardwarefunktionen und Netzwerke für den Handelserfolg eine Rolle spielen. Darüber hinaus ist Verständnis für den Finanzmarkt erforderlich, und das Wissen, wie man seine Strategie programmiert und modelliert, ist ein zusätzlicher Vorteil. Für diejenigen, die ein Geschäft mit höherer Frequenz einrichten, sind alle diese Elemente von entscheidender Bedeutung. Der Redner macht auf EPAT aufmerksam, das für diejenigen von entscheidender Bedeutung ist, die in die Handelswelt einsteigen möchten, insbesondere wenn den meisten Personen im Finanzbereich das für den Erfolg erforderliche Verständnis der Technologie fehlt.

  • 00:45:00 Der Redner spricht darüber, wie sie den Mangel an Verständnis in der Technologie der verschiedenen quantitativen Analysetools, die für den Handel notwendig sind, angegangen sind. Das epat Executive Program Algorithmic Trading wurde für Berufstätige entwickelt, die sich Fachwissen im algorithmischen Handel aneignen möchten. Das sechsmonatige integrierte Online-Programm umfasste vier- bis viereinhalbmonatige Unterrichtswochenenden und zusätzlich eineinhalb- bis zweimonatige Projektarbeit. Die Projektarbeit fungierte als Instrument zur Spezialisierung in dem Bereich, den die Teilnehmer zum Aufbau ihres Fachwissens anstreben. Das Programm bestand aus neun verschiedenen Modulen und wurde von Praktikern aus der Branche unterrichtet, um sicherzustellen, dass der behandelte Stoff auf die Bedürfnisse und Trends der Branche abgestimmt war.

  • 00:50:00 Die verschiedenen Module des ePACT-Programms werden besprochen, beginnend mit einer Einführung in den Finanzmarkt, grundlegende Statistiken, Derivate und Risiko, fortgeschrittene Statistiken und quantitative Handelsstrategie. Letzteres umfasst verschiedene Handelsstrategien und deckt auch das Geschäftsumfeld ab, beispielsweise den Aufbau eines algorithmischen Handelsschalters und die zu berücksichtigenden Geschäftsaspekte. Die algorithmische Handelsplattform mit Python ist ebenfalls ein Modul des Programms, das die Grundlagen von Python und die Umsetzung von Handelsstrategien auf verschiedenen Handelsplattformen, einschließlich algorithmischer Handelsplattformen, behandelt. Das Programm umfasst ein Projekt, das als Spezialisierung dient und dem Teilnehmer einen Mentor zuweist, der die Projektarbeit überwachen kann.

  • 00:55:00 Der Referent bespricht die verschiedenen Unterstützungsleistungen, die das Career-Services-Team sowohl den Teilnehmern als auch den Alumni des algorithmischen Handelsprogramms bietet. Sie erwähnen auch die Bedeutung von Learning by Doing, Live-Vorlesungen und dem Zugriff auf aufgezeichnete Vorlesungen. Darüber hinaus präsentierte der Referent eine Grafik, die die Branchenanforderungen und Profile zeigt, nach denen Unternehmen bei Bewerbern suchen. Diese Informationen tragen dazu bei, dass das Programm relevante Themen abdeckt. Das Programm besteht aus Branchenführern als Dozenten aus verschiedenen Ländern und ihre Absolventen sind in über 30 Ländern weltweit ansässig. Abschließend hoben sie die verschiedenen Veranstaltungen und Programme hervor, die sie organisiert haben, um das Bewusstsein für den algorithmischen Handel zu schärfen.

  • 01:00:00 Der Referent beantwortet verschiedene Fragen rund um den algorithmischen Handel. Er bestätigt, dass US-Bürger Handelskonten in Indien eröffnen können, sie müssen sich jedoch an eine Depotbank wenden und einem Verfahren folgen, um das Konto beim Clearing-Broker zu eröffnen. Der Redner empfiehlt Bücher von Dr. Ap Chan und Larry Harris für diejenigen, die einen Algo-Trading-Desk einrichten oder mit dem Algo-Trading beginnen möchten. Er erwähnt auch verschiedene in Indien verfügbare Plattformen für den Algo-Handel, darunter Symphony Fintech, Automated Trading und YouTrade. Er weist darauf hin, dass Nutzer echte technische Daten entweder direkt von der Börse oder über ihren Broker erhalten können. Darüber hinaus bestätigt er, dass die Studierenden die gleiche Strategie, die sie im Kurs entwickelt haben, auch live in der realen Handelsumgebung anwenden können.

  • 01:05:00 Der Referent beantwortet verschiedene Fragen der Zuschauer zum algorithmischen Handel. Der Referent erklärt, dass das Codieren und Backtesten einer Strategie mit verschiedenen Tools möglich ist und es nicht schwierig ist, sie auf den Live-Handel zu übertragen. Zuschauer fragen auch nach Regulierung, Compliance und Lizenzierung für den Handel auf dem indischen Markt. Der Redner erklärt, dass vor der Anwendung einer geeigneten automatisierten Handelsstrategie die Genehmigung der Börse erforderlich ist, an der die Demo erforderlich ist. Einige beliebte Handelsstrategien wie Momentum-basierte, statistische Arbitrage und auf maschinellem Lernen basierende Handelsstrategien werden ebenfalls besprochen.

  • 01:10:00 Der Referent bespricht die Arten von Handelsstrategien, die im Kurs behandelt werden, und betont, wie wichtig es ist, zu lernen, wie man neue Strategien entwickelt und wie man sie testet und umsetzt. Der Referent beantwortet auch Fragen zu den Berufsaussichten der Absolventen des Kurses, zu den angebotenen Durchschnittsgehältern und zu den Programmierkenntnissen, die für die Analyse von Candlestick-Mustern erforderlich sind. Sie gehen auch auf Bedenken hinsichtlich des erforderlichen Wissensniveaus und des Zeitaufwands für Berufstätige ein, die den Kurs absolvieren, sowie auf die Kosten, die mit der Einrichtung eines algorithmischen Handelsschalters in Indien verbunden sind. Der Redner betont, wie wichtig es ist, vor Beginn des Programms ein grundlegendes Verständnis der Schlüsselkonzepte zu haben, um den größtmöglichen Nutzen daraus zu ziehen.

  • 01:15:00 Der Referent beantwortet verschiedene Fragen rund um den algorithmischen Handel. Sie schlagen vor, dass diejenigen, die über begrenzte Kenntnisse auf den Aktienmärkten verfügen, sich an einen Vertriebsspezialisten wenden können, um sich ein grundlegendes Verständnis dieser Bereiche anzueignen und dann mit dem Kurs fortzufahren. Sie erklären, dass Algo-Trading für einzelne Händler nützlich ist, wenn sie bei ihren Trades Disziplin gewährleisten und ihre Strategie auf die Einbeziehung mehrerer Instrumente ausweiten möchten. Der Redner geht auch auf Bedenken hinsichtlich der Migration von einem Kurs zu einem anderen und auf Broker in Indien ein, die Algo-Handelsdienste anbieten. Abschließend erklären sie, dass die Server-Kolokation an einer Börse algorithmischen Händlern keinen unangemessenen Vorteil verschafft und Einzelhändlern durch die Bereitstellung engerer Geld-Brief-Spannen tatsächlich Vorteile bringt.

  • 01:20:00 Der Referent erörtert die Vorteile des algorithmischen Handels für Einzelhändler und wie sie durch den Einsatz von Technologie Verluste minimieren können. Der Redner geht auch auf Fragen der Teilnehmer ein, unter anderem darauf, ob es für Nicht-Programmierer möglich ist, Python für den algorithmischen Handel zu erlernen, und ob indische Einwohner auf globalen Märkten handeln können. Darüber hinaus stellt der Redner klar, dass sich sein Unternehmen in erster Linie auf Bildung konzentriert und nicht auf die Bereitstellung von Brokerage- oder algorithmischen Handelsplattformen. Der Redner betont, dass sein Programm Hunderten von Teilnehmern aus über 30 Ländern geholfen hat, und ermutigt interessierte Personen, sich für weitere Informationen an ihre Geschäftsentwicklungs- und Vertriebsteams zu wenden.

  • 01:25:00 Der Redner geht auf mehrere Fragen der Zuschauer ein, darunter, ob alle Strategien von der Börse genehmigt werden müssen und wie die Strategie geschützt werden kann. Sie erklären, dass Algo-Anbieter Ihre Strategie nicht sehen könnten und die Börsen mehr darauf bedacht seien, sicherzustellen, dass die Strategie keine Marktverwüstung anrichte. Sie erwähnen auch einen Studentenrabatt für das Programm und die Verfügbarkeit von Algo-Handel auf den Rohstoffmärkten in Indien. Darüber hinaus heben sie die Bedeutung der linearen Algebra und der Wahrscheinlichkeitsverteilung in einem HFT-Profil je nach Rolle hervor und betonen, dass Algo-Trading weltweit auf jedes Handelsinstrument, einschließlich Optionen und Forex, angewendet werden kann.

  • 01:30:00 Die Referenten diskutieren Codierungsstrategien, die Bereitstellung von wiederverwendbarem Code und die Notwendigkeit, Python und R zu lernen. Sie beantworten auch Fragen zur Validierung von Strategien, zum potenziellen ROI und zur benötigten Infrastruktur für eine moderate Anzahl von Händlern. Die Redner warnen davor, Ihre Strategie mit anderen zu teilen, und schlagen vor, sich auf das Erlernen der besten Praktiken zu konzentrieren und eigene Ideen für Handelsstrategien zu entwickeln.

  • 01:35:00 Die Referenten beantworten verschiedene Fragen zum algorithmischen Handel, darunter den idealen Zeitrahmen für das Backtesting einer Strategie, die minimale Internetbandbreite, die für den Handel mit moderatem Volumen erforderlich ist, und wie man die Beschaffung von Brokerage umgehen kann. Sie diskutieren auch die besten Anbieter für algorithmischen Handel in Indien und ob diskretionäre Handelsstrategien wie die Elliot-Wellen-Theorie programmiert werden können. Die Referenten weisen darauf hin, dass jede Strategie codiert werden kann, wenn man sich mit der Programmierung auskennt und klare Regeln im Kopf hat. Sie raten Händlern, Anbieter auf der Grundlage ihrer individuellen Anforderungen sowie der Vor- und Nachteile des Anbieters auszuwählen.

  • 01:40:00 Der Redner schließt die informative Sitzung zum algorithmischen Handel ab, indem er sich bei den Teilnehmern bedankt und weitere Hilfe anbietet. Obwohl sie aus Zeitgründen nicht alle Fragen beantworten konnten, ermutigt der Redner das Publikum, seine Anfragen einzusenden, und stellt Kontaktinformationen für diejenigen bereit, die sich für das Programm oder den algorithmischen Handel im Allgemeinen interessieren. Der Redner bittet die Teilnehmer außerdem durch eine Umfrage um Feedback, um bei der Planung zukünftiger Webinare zu helfen.
Informative Session on Algorithmic Trading
Informative Session on Algorithmic Trading
  • 2016.11.03
  • www.youtube.com
Know everything you wanted to know about Algorithmic Trading from the stalwart market practitioner Nitesh Khandelwal, Founder of iRage.Most Useful linksJoin ...
 

Auswirkungen des Brexit und der jüngsten Marktereignisse auf den algorithmischen Handel – 19. Juli 2016



Auswirkungen des Brexit und der jüngsten Marktereignisse auf den algorithmischen Handel – 19. Juli 2016

Nitesh Khandelwal bringt umfangreiche Erfahrung auf den Finanzmärkten mit, da er in verschiedenen Anlageklassen in unterschiedlichen Rollen gearbeitet hat. Er ist Mitbegründer von iRageCapital Advisory Private Limited, einem renommierten Unternehmen, das sich auf die Bereitstellung von Technologie- und Strategiedienstleistungen für den algorithmischen Handel in Indien spezialisiert hat. Nitesh spielte eine entscheidende Rolle bei der Förderung der Geschäftsaspekte von iRageCapital und QuantInsti. Bei QuantInsti fungierte er außerdem als Leiter der Schulungsabteilung für Derivate und marktübergreifende Studien. Derzeit ist er Direktor bei iRage Global Advisory Services Pte Ltd in Singapur. Nitesh verfügt über einen Hintergrund im Bank-Treasury mit Fachkenntnissen in den Bereichen Devisen und Zinssätze sowie Erfahrung in Eigenhandelsabteilungen. Er hat einen Bachelor-Abschluss in Elektrotechnik vom IIT Kanpur und einen Postgraduiertenabschluss in Management vom IIM Lucknow.

Jüngste globale Ereignisse wie der Brexit und die daraus resultierende Volatilität am Devisenmarkt haben bei den Anlegern große Besorgnis hervorgerufen. Es ist normal, dass die Risikoaversion nach solchen Ereignissen zunimmt, da die Marktteilnehmer bei ihren Handelsaktivitäten Vorsicht walten lassen. Doch selbst in solch turbulenten Zeiten gedeihen automatisierte Händler. Medienberichte deuten darauf hin, dass Hedgefonds, die algorithmischen Handel einsetzen, manuelle Händler durchweg übertreffen, insbesondere unter schwierigen Marktbedingungen.

Inhalte der informativen Sitzung:

  1. Analyse der größten Handelsereignisse der Saison

    • Untersuchung der Auswirkungen des Brexit auf verschiedene Marktteilnehmer weltweit
    • Verständnis der Folgen steigender Transaktionskosten, wie beispielsweise der STT-Anhebung durch SEBI in Indien
    • Wir untersuchen, wie algorithmische Handelsunternehmen auf diese Ereignisse reagiert haben
  2. Voraussetzungen, um ein Quant-/Algo-Händler zu werden

    • Ermittlung der Branchenanforderungen für angehende Händler in diesem Bereich
    • Hervorhebung der wesentlichen Fähigkeiten und Kenntnisse, die für den Erfolg erforderlich sind
    • Erläutern Sie die Vorteile des Executive Program in Algorithmic Trading von Quantinsti bei der Entwicklung dieser Fähigkeiten
Impact of Brexit and Recent Market Events on Algorithmic Trading - July 19, 2016
Impact of Brexit and Recent Market Events on Algorithmic Trading - July 19, 2016
  • 2016.07.20
  • www.youtube.com
Tuesday, July 19, 201606:00 PM IST | 08:30 PM SGT | 12:30 PM GMTIntroduction: Recent global event such as Brexit and the subsequent volatility in the currenc...
 

Quantitativer Handel mit Sentiment-Analyse | Von Rajib Ranjan Borah



Quantitativer Handel mit Sentiment-Analyse | Von Rajib Ranjan Borah

Stimmungsanalyse. Auch als Opinion Mining bekannt, handelt es sich um den Prozess der rechnerischen Identifizierung und Kategorisierung der in einem Text geäußerten Meinungen, insbesondere um festzustellen, ob die Einstellung des Autors zu einem bestimmten Thema, Produkt usw. positiv, negativ oder neutral ist.

Quantitative Trading using Sentiment Analysis | By Rajib Ranjan Borah
Quantitative Trading using Sentiment Analysis | By Rajib Ranjan Borah
  • 2016.06.29
  • www.youtube.com
This session focuses on explaining Quantitative Trading using Sentiment Analysis. The video discusses how quantitative analysis of news can be used to make a...
 

Informationsveranstaltung zum algorithmischen Handel von Nitesh Khandelwal – 24. Mai 2016



Informationsveranstaltung zum algorithmischen Handel von Nitesh Khandelwal – 24. Mai 2016

Sitzungsinhalte:

  • Ein Überblick über die Branche des algorithmischen Handels
  • Aktueller Marktanteil und Volumen
  • Wachstum und Zukunft des algorithmischen Handels weltweit
  • Risikomaßnahmen und technologische Fortschritte
  • Wie man anfängt
  • Kostenlose und günstige Möglichkeiten, Wasser zu testen
Informative Session about Algorithmic Trading by Nitesh Khandelwal - May 24, 2016
Informative Session about Algorithmic Trading by Nitesh Khandelwal - May 24, 2016
  • 2016.05.26
  • www.youtube.com
Date and Time:Tuesday, May 24, 201606:00 PM IST | 08:30 PM SGT | 12:30 PM GMTSession Contents:An overview of the Algorithmic Trading industry- Current market...
 

Nutzung künstlicher Intelligenz zur Entwicklung algorithmischer Handelsstrategien



Nutzung künstlicher Intelligenz zur Entwicklung algorithmischer Handelsstrategien

Der CEO und Mitbegründer eines Unternehmens zur Entwicklung von Handelsstrategien erklärt das spannende Potenzial von KI und maschinellem Lernen im Algorithmenhandel. Diese Tools haben sich bei großen quantitativen Hedgefonds als erfolgreich erwiesen und ihre Zugänglichkeit hat sich dank Open-Source-Bibliotheken und benutzerfreundlichen Tools, die keine ausgeprägten Mathematik- oder Informatikkenntnisse erfordern, erheblich verbessert. Der Referent stellt außerdem Schlüsselbegriffe rund um KI und maschinelles Lernen im Kontext des algorithmischen Handels vor. Unter künstlicher Intelligenz versteht man die Untersuchung intelligenter Agenten, die ihre Umgebung wahrnehmen und Maßnahmen ergreifen, um den Erfolg zu maximieren. Maschinelles Lernen, eine Teilmenge der KI, konzentriert sich auf Algorithmen, die ohne explizite Programmierung lernen und Vorhersagen treffen können. Bei der Mustererkennung, einem Zweig des maschinellen Lernens, geht es darum, Muster in Daten aufzudecken, während beim Lernen von Assoziationsregeln die Bildung von Wenn-Dann-Aussagen auf der Grundlage dieser Muster erfolgt. Der Redner geht kurz auf das Konzept von Big Data ein, das durch seine vier Vs gekennzeichnet ist: Volumen, Geschwindigkeit, Vielfalt und Wahrhaftigkeit.

Der Referent skizziert die zu diskutierenden Begriffe und Konzepte, darunter Big Data, Wahrhaftigkeit, künstliche Intelligenz, maschinelles Lernen, Mustererkennung und Data Mining. Anschließend befassen sie sich mit Best Practices und häufigen Fallstricken bei der Entwicklung algorithmischer Handelsstrategien. Dazu gehört die Definition konkreter Erfolgsziele, die Bevorzugung von Einfachheit vor Komplexität, die Konzentration auf die Schaffung eines robusten Prozesses und Arbeitsablaufs, anstatt sich auf ein einziges Modell zu verlassen, und die Aufrechterhaltung einer gesunden Skepsis während des gesamten Prozesses, um verzerrte Ergebnisse zu vermeiden.

Anschließend erörtert der Redner, wie maschinelles Lernen die Herausforderung der Auswahl von Indikatoren und Datensätzen für die Entwicklung von Handelsstrategien bewältigen kann. Entscheidungsbäume und Zufallswälder werden als Techniken eingeführt, um wichtige Indikatoren durch die Suche nach den besten Datenaufteilungen zu identifizieren. Zufällige Wälder gelten als robuster und leistungsfähiger als Entscheidungsbäume, wenn auch komplexer. Der Redner untersucht auch, wie die Kombination von Indikatorsätzen mithilfe einer Technik namens „Wrapper“ zu einer leistungsfähigeren Kombination führen kann.

Als nächstes erörtert der Redner die Verwendung technischer Indikatoren in algorithmischen Handelsstrategien und ihre Vorteile bei der Identifizierung zugrunde liegender Muster und Trends. Es wird die Frage nach der Optimierung von Indikatorparametern auf Basis von maschinellem Lernen aufgeworfen und das Konzept des Ensemble-Lernens vorgestellt, das mehrere Klassifikatoren kombiniert, um Daten zu analysieren und unterschiedliche Muster und Informationen aufzudecken. Der Unterschied zwischen Merkmalsauswahl und Merkmalsextraktion beim maschinellen Lernen wird ebenfalls erwähnt und daran erinnert, bei der Verwendung mehrerer Klassifikatoren auf die Kurvenanpassung zu achten.

Die Referenten demonstrieren die Kombination von Mustererkennung und Lernen von Assoziationsregeln als eine Möglichkeit, maschinelle Lernalgorithmen zu nutzen und gleichzeitig die Interpretierbarkeit für Handelsstrategien beizubehalten. Sie liefern ein Beispiel, bei dem eine Support-Vektor-Maschine verwendet wird, um die Beziehung zwischen einem RSI mit drei Perioden und der Preisdifferenz zwischen dem Eröffnungspreis und einem SMA mit 50 Perioden beim australischen USD zu analysieren. Klare Muster werden in Handelsregeln übersetzt. Sie erkennen jedoch die Einschränkungen dieser Methode an, wie z. B. die Analyse hochdimensionaler Daten, Herausforderungen bei der Automatisierung und die Interpretation der Ausgabe. Der Redner stellt Trade als mögliche Lösung vor, um diese Bedenken auszuräumen und es Händlern zu ermöglichen, Algorithmen mit beliebigen Indikatoren zu nutzen.

Anschließend demonstriert der Moderator, wie man mithilfe einer cloudbasierten Handelsplattform Handelsstrategien entwickelt. Sie verwenden das Beispiel der Entwicklung einer Strategie für den Handel mit dem australischen USD auf einem Tages-Chart unter Verwendung von Daten aus fünf Jahren. Um eine Kurvenanpassung zu vermeiden, wird der Algorithmus nur bis zum 1. Januar 2015 trainiert, sodass ein Jahr mit Out-of-Sample-Daten zum Testen übrig bleibt. Es wird betont, wie wichtig es ist, diese Out-of-Sample-Daten nicht zu verschwenden, um ein voreingenommenes Backtesting zu vermeiden. Der Einsatz maschineller Lernalgorithmen zur Indikatoranalyse und Mustererkennung wird als flexibler und leistungsstarker Ansatz zur Optimierung von Handelsstrategien dargestellt.

Anschließend demonstriert der Moderator den Prozess der Erstellung einer Handelsstrategie mithilfe der Plattform von Trade-Ideas und der Open-Source-Indikatorbibliothek TA Lib. Sie analysieren die Preisbewegung des australischen USD über einen Zeitraum von fünf Jahren, identifizieren Bereiche mit starken Signalen und verfeinern die Regeln für Long-Positionen, indem sie Indikatorbereiche auswählen und ihre Beziehungen notieren. Indem sie eine Regel für den Preis relativ zu einem 50-Perioden-SMA hinzufügen, identifizieren sie zwei verschiedene Bereiche mit starken Signalen. Der Vorteil der Verwendung von Trade-Ideas wird hervorgehoben, da es die Analyse der Ergebnisse von maschinellen Lernalgorithmen und die Erstellung von Regeln direkt aus Histogrammen für eine klarere Interpretation ermöglicht.

Der Moderator erläutert das Verfahren zum Erstellen von Short-Regeln für eine Handelsstrategie, einschließlich der Auswahl der richtigen Indikatoren und der Verfeinerung der Regeln, um starke Short-Signale zu finden. Der Schwerpunkt liegt auf dem Testen und Erkunden verschiedener Muster mit den Indikatoren, um die optimale Strategie zu finden. Außerdem wird die Codegenerierung und das Out-of-Sample-Testen der Strategie in MetaTrader4 unter Einbeziehung der Transaktionskosten demonstriert. Der Referent bestätigt, dass der Ansatz mit dem algorithmischen Handel zusammenhängt.

Der Referent erklärt, wie man die Strategie testet, die auf den neuesten Out-of-Sample-Daten basiert, die während des Strategieentwicklungsprozesses nicht verwendet wurden. Die Simulation wird mit MetaTrader durchgeführt, einer beliebten Handelsplattform für Währungen und Aktien. Die aktive Entwicklergemeinschaft der Plattform erstellt automatisierte Strategien und benutzerdefinierte Indikatoren und bietet eine hervorragende Möglichkeit zum Testen und Handeln mit denselben Daten. Der Schwerpunkt der Simulation liegt auf der Bewertung der Leistung der Strategie anhand von Out-of-Sample-Daten. Der Redner erwähnt, dass das Tool von einem Startup entwickelt wurde, das plant, es kostenlos zur Verfügung zu stellen, indem es direkt an Maklerunternehmen weitergeleitet wird.

Der Redner befasst sich mit der Einbindung von Risiko- und Geldmanagementtechniken in eine Strategie nach dem Backtesting. Einfache Take-Profit- und Stop-Loss-Maßnahmen werden als Möglichkeiten diskutiert, Drawdowns zu verringern und sich vor Abwärtsrisiken zu schützen. Um einer Kurvenanpassung vorzubeugen, betont der Redner die Verwendung einer breiten Bin-Auswahl, Tests außerhalb der Stichprobe und Demokonten vor der Live-Schaltung. Die Bevorzugung von Einfachheit und Transparenz gegenüber Black-Box-Neuronalen Netzen bei Handelsstrategien wird ebenfalls erwähnt.

Während der Präsentation geht der Redner auf Fragen zum Vergleich seiner Plattform mit anderen wie Quanto Pian oder Quanto Connect ein und betont, dass sich seine Plattform mehr auf die Strategiefindung und -analyse als auf die Automatisierung bestehender Strategien konzentriert. Die Bedeutung technischer Daten in automatisierten Strategien wird anerkannt, gleichzeitig wird darauf hingewiesen, dass die Plattform auch andere Datensätze umfasst, beispielsweise Stimmungsindikatoren. MetaTrader 4 wird als nützliches Werkzeug demonstriert und die Bedeutung von Risiko- und Geldmanagementstrategien im Handel wird diskutiert. Der Referent geht außerdem auf Best Practices und häufige Fallstricke bei automatisierten Handelsstrategien ein.

Der Redner erörtert den Einsatz von Indikatoren in Handelsstrategien und betont den Kompromiss zwischen Komplexität und Überanpassung. Sie empfehlen die Verwendung von drei bis fünf Indikatoren pro Strategie, um ein Gleichgewicht zwischen der Bereitstellung ausreichender Informationen und der Vermeidung einer Überanpassung zu finden. Die Bedeutung der in den Algorithmus eingespeisten Daten oder Funktionen und die Art und Weise, wie die Ausgabe implementiert wird, werden hervorgehoben. Der zugrunde liegende Algorithmus wird als weniger entscheidend angesehen als die verwendeten Indikatoren und deren Implementierung. Es werden auch Fragen zur Verwendung des genetischen Optimierers in MetaTrader 4 und zur Bedeutung der Ausrichtung von Indikatoren auf die Plattform beantwortet.

Der Redner untersucht die Anwendung von maschinellem Lernen beim Value Investing. Der gleiche Prozess, der zuvor für den algorithmischen Handel besprochen wurde, kann auf Value Investing angewendet werden, allerdings werden anstelle technischer Indikatoren Datensätze verwendet, die den inhärenten Wert eines Unternehmens quantifizieren. Beispielsweise können die Marktkapitalisierung oder das Kurs-Gewinn-Verhältnis den Zusammenhang zwischen diesen Daten und der Preisbewegung des Vermögenswerts aufzeigen. Darüber hinaus werden die Optimierung der Rendite pro Trade und die Erkennung, wann ein Algorithmus nicht mit dem Markt synchron ist, besprochen. Als geeignete Programmiersprachen werden je nach Programmiererfahrung und Hintergrund Python und R empfohlen.

Abschließend hebt der Redner die wesentlichen Fähigkeiten und Kenntnisse hervor, die für den algorithmischen Handel erforderlich sind, bei dem es um die Verschmelzung von Finanzen und Technologie geht. Das Verständnis der Märkte, Big-Data-Statistiken und Technologien zur Automatisierung von Strategien sind von entscheidender Bedeutung. Quantitative Bildungsprogramme werden als Mittel zum Erwerb der notwendigen Ausbildung in verschiedenen Abläufen und Fähigkeiten vorgeschlagen, um ein erfolgreicher algorithmischer Händler zu werden. Python wird als großartige Option zum Erstellen von Algorithmen empfohlen.

  • 00:00:00 Der CEO und Mitbegründer eines Unternehmens zur Entwicklung von Handelsstrategien erklärt, warum KI und maschinelles Lernen spannende Werkzeuge für den Algo-Handel sind und wie sie sich bei großen quantitativen Hedgefonds als erfolgreich erwiesen haben. Er betont auch, dass die Zugänglichkeit dieser Tools aufgrund von Open-Source-Bibliotheken und Tools, die keine ausgeprägten Mathematik- oder Informatikkenntnisse erfordern, erheblich zugenommen hat. In diesem Abschnitt werden auch die grundlegende Terminologie und Best Practices für Händler und Quants zur Anwendung dieser Techniken sowie spezifische Anwendungen zur Verbesserung der Handelsergebnisse behandelt.

  • 00:05:00 Der Referent liefert Definitionen für Schlüsselbegriffe im Zusammenhang mit künstlicher Intelligenz und maschinellem Lernen im Zusammenhang mit dem algorithmischen Handel. Unter künstlicher Intelligenz versteht man die Untersuchung intelligenter Agenten, die ihre Umgebung wahrnehmen und Maßnahmen ergreifen, um ihre Erfolgschancen zu maximieren. Maschinelles Lernen, eine Teilmenge der KI, konzentriert sich auf Algorithmen, die ohne explizite Programmierung lernen und Vorhersagen treffen können. Mustererkennung ist der Zweig des maschinellen Lernens, der sich auf das Aufdecken von Mustern in Daten konzentriert. Beim Lernen von Assoziationsregeln geht es darum, diese Muster in Wenn-Dann-Anweisungen zu formatieren. Abschließend geht der Redner kurz auf Big Data ein und erklärt, dass es den vier Vs von Volumen, Geschwindigkeit, Vielfalt und Wahrhaftigkeit folgt.

  • 00:10:00 Der Redner skizziert einige der Begriffe und Konzepte, die in der Präsentation diskutiert werden, darunter Big Data, Wahrhaftigkeit, künstliche Intelligenz, maschinelles Lernen, Mustererkennung und Data Mining. Anschließend stellt der Redner einige Best Practices und häufige Fallstricke vor, die es bei der Entwicklung algorithmischer Handelsstrategien zu vermeiden gilt. Dazu gehört, den Erfolg mit greifbaren Zielen zu definieren, der Einfachheit Vorrang vor der Komplexität zu geben, sich auf die Schaffung eines robusten Prozesses und Arbeitsablaufs anstelle eines einzelnen Modells zu konzentrieren und während des gesamten Prozesses eine gesunde Portion Skepsis aufzubringen, um eine Tendenz zu positiven Ergebnissen zu vermeiden.

  • 00:15:00 Der Redner erläutert, wie maschinelles Lernen dabei helfen kann, das Problem zu lösen, herauszufinden, welche Indikatoren und Datensätze beim Aufbau einer Handelsstrategie verwendet werden sollen. Der Referent erklärt, wie Entscheidungsbäume und Zufallswälder zur Auswahl von Indikatoren verwendet werden können, indem nach den Indikatoren und Werten gesucht wird, die den Datensatz am besten aufteilen, wobei die Indikatoren an der Spitze des Baums wichtiger sind und eine höhere Beziehung zum Datensatz haben . Der Redner erwähnt auch, dass Random Forests robuster und leistungsfähiger als Entscheidungsbäume, aber auch komplexer sind. Darüber hinaus untersucht der Redner, wie Indikatorsätze zusammen verwendet werden können, um mithilfe einer als Wrapper bekannten Technik eine wirkungsvollere Kombination zu schaffen.

  • 00:20:00 Der Redner diskutiert den Einsatz technischer Indikatoren in algorithmischen Handelsstrategien und die Vorteile, die sie bei der Identifizierung zugrunde liegender Muster und Trends bieten. Sie befassen sich auch mit der Frage, ob es möglich ist, Indikatorparameter auf der Grundlage von maschinellem Lernen zu optimieren, und heben den Einsatz von Ensemble-Lernen hervor, um mehrere Klassifikatoren zu kombinieren und Daten zu analysieren, um unterschiedliche Muster und Informationen zu finden. Anschließend geht der Redner auf den Unterschied zwischen Merkmalsauswahl und Merkmalsextraktion beim maschinellen Lernen ein und erkennt an, wie wichtig es ist, bei der Verwendung mehrerer Klassifikatoren auf die Kurvenanpassung zu achten.

  • 00:25:00 Die Referenten diskutieren die Kombination von Mustererkennung und Lernen von Assoziationsregeln als eine Möglichkeit, maschinelle Lernalgorithmen zu nutzen und gleichzeitig die Ausgabe zu interpretieren und auf ihre Handelsstrategien anzuwenden. Sie liefern ein Beispiel für die Verwendung einer Support-Vektor-Maschine zur Analyse der Beziehung zwischen einem RSI mit drei Perioden und der Preisdifferenz zwischen dem Eröffnungspreis und einem SMA mit 50 Perioden beim australischen USD. Die Ausgabe ergab klare Muster, die in Handelsregeln übersetzt wurden. Während diese Methode es Händlern ermöglicht, ihre eigene Intuition und Erfahrung zu nutzen, hat sie auch mehrere Nachteile, wie z. B. Schwierigkeiten bei der Analyse von Daten mit hoher Dimensionalität, der Automatisierung und der Interpretation der Ausgabe. Der Handel wird als mögliche Lösung vorgestellt, die diese Bedenken berücksichtigt und es Händlern ermöglicht, diese Algorithmen zu nutzen, um beliebige Indikatoren zu analysieren.

  • 00:30:00 Der Moderator zeigt, wie man Handelsstrategien auf einer cloudbasierten Handelsplattform entwickelt. Das angegebene Beispiel ist die Entwicklung einer Strategie für den Handel mit dem australischen USD auf einem Tages-Chart unter Verwendung der Daten der letzten fünf Jahre. Um eine Kurvenanpassung zu vermeiden, wird der Algorithmus nur bis zum 1. Januar 2015 trainiert, sodass ein Jahr mit Out-of-Sample-Daten zum Testen der Strategie verbleibt, die er zuvor noch nicht gesehen hat. Der Referent betont, wie wichtig es ist, diese Out-of-Sample-Daten nicht zu verschwenden, um eine Verzerrung bei der Auswahl eines Backtests zu vermeiden, der bei einem bestimmten Datensatz eine gute Leistung erbringt. Die Verwendung von Algorithmen für maschinelles Lernen zur Analyse von Indikatoren und zur Suche nach zugrunde liegenden Mustern ist eine flexiblere und leistungsfähigere Möglichkeit, Handelsstrategien zu optimieren.

  • 00:35:00 Der Moderator zeigt, wie man mithilfe der Plattform von Trade-Ideas und der Open-Source-Indikatorbibliothek TA Lib eine Handelsstrategie erstellt. Sie analysieren zunächst die Preisbewegung des australischen USD über einen Zeitraum von fünf Jahren und identifizieren Bereiche, in denen der Algorithmus starke Signale finden konnte. Sie verfeinern die Regeln für Long-Positionen, indem sie Indikatorbereiche auswählen und die Beziehung zwischen ihnen notieren. Durch das Hinzufügen einer Regel für den Preis im Verhältnis zu einem 50-Perioden-SMA können sie zwei verschiedene Bereiche erkennen, in denen Handelsalgorithmen starke Signale gefunden haben. Der Vorteil der Verwendung von Trade-Ideas besteht darin, dass es die Analyse der Ergebnisse von Algorithmen für maschinelles Lernen ermöglicht, die Ermittlung der stärksten Signale ermöglicht und die Erstellung von Regeln direkt aus den Histogrammen ermöglicht, um genau zu sehen, was die Regeln aussagen.

  • 00:40:00 Der Moderator bespricht das Verfahren zum Erstellen kurzer Regeln für eine Handelsstrategie, einschließlich der Auswahl der richtigen Indikatoren und der Verfeinerung der Regeln, um ein starkes Short-Signal zu finden. Der Moderator betont, wie wichtig es ist, verschiedene Muster mit den Indikatoren zu testen und zu erkunden, um die beste Strategie zu finden. Anschließend geht es weiter mit der Generierung von Code und dem Testen der Strategie außerhalb der Stichprobe in MetaTrader4, mit der Möglichkeit, Transaktionskosten einzubeziehen. Der Moderator bestätigt, dass es sich bei dem Ansatz um algorithmischen Handel handelt.

  • 00:45:00 Der Moderator erklärt, wie man die Strategie testet, die sie auf der Grundlage der neuesten Out-of-Sample-Daten erstellt haben, die nicht im Strategieentwicklungsprozess verwendet wurden. Die Simulation wird auf einer beliebten Handelsplattform namens MetaTrader für den Handel mit Währungen und Aktien ausgeführt. Die Plattform verfügt über eine aktive Community von Entwicklern, die automatisierte Strategien und benutzerdefinierte Indikatoren entwickeln und bietet eine hervorragende Möglichkeit, Analysen zu testen und mit denselben Daten zu handeln, die auch für den Handel verwendet werden. Der Schwerpunkt der Simulation liegt darauf, die Leistung der Strategie anhand von Out-of-Sample-Daten zu testen. Das Tool wurde von einem Start-up entwickelt, das es durch White-Labeling direkt den Maklern kostenlos zur Verfügung stellen will.

  • 00:50:00 Der Referent erklärt, wie man Risiko- und Geldmanagementtechniken nach dem Backtesting in eine Strategie integriert. Das Hinzufügen eines einfachen Take-Profit und Stop-Loss könnte den Drawdown erheblich verringern und vor Abwärtsrisiken schützen. Anschließend geht der Redner auf die Frage ein, wie man sich vor Kurvenanpassungen im algorithmischen Handel schützen kann. Um eine Überanpassung zu vermeiden, betont der Redner die Verwendung einer breiten Bin-Auswahl, Tests außerhalb der Stichprobe und Demokonten vor der Live-Schaltung. Abschließend weist der Redner darauf hin, dass seine persönliche Präferenz bei Handelsstrategien für Einfachheit und Transparenz gegenüber Black-Box-Neuronalen Netzen liegt.

  • 00:55:00 Der Redner geht auf Fragen ein, wie seine Plattform im Vergleich zu anderen Plattformen wie Quanto Pian oder Quanto Connect abschneidet, die sich mehr auf die Automatisierung bestehender Strategien konzentrieren, während ihre Plattform stärker auf die Strategiefindung und -analyse ausgerichtet ist. Sie diskutierten auch über die Bedeutung technischer Daten in automatisierten Strategien, betonten jedoch, dass ihre Plattform auch andere Datensätze umfasst, beispielsweise sentimentale Indikatoren. Darüber hinaus demonstrierte der Referent den Einsatz von MetaTrader 4 und diskutierte die Bedeutung von Risiko- und Geldmanagementstrategien im Handel. Abschließend diskutierte der Redner die Best Practices und häufigen Fallstricke bei automatisierten Handelsstrategien.

  • 01:00:00 Der Redner diskutiert den Einsatz von Indikatoren in Handelsstrategien und den Kompromiss zwischen Komplexität und Überanpassung. Sie empfehlen die Verwendung von drei bis fünf Indikatoren pro Strategie, um ein Gleichgewicht zwischen hohem Informationsgehalt und Überanpassung zu finden. Der Redner erörtert auch die Bedeutung der Daten oder Funktionen, die in den Algorithmus eingespeist werden, und wie die Ausgabe implementiert wird. Sie betonen, dass es weniger auf den zugrunde liegenden Algorithmus als vielmehr auf die verwendeten Indikatoren und deren Implementierung ankommt. Der Redner geht auch auf Fragen zur Verwendung des genetischen Optimierers in Metatrader4 ein und wie wichtig es ist, dieselben Indikatoren zu verwenden, die auch von der Plattform verwendet werden.

  • 01:05:00 Der Redner diskutiert den Einsatz von maschinellem Lernen für Value Investing. Derselbe Prozess, der zuvor für den algorithmischen Handel besprochen wurde, kann für Value-Investments verwendet werden, aber anstelle technischer Indikatoren würden Anleger Datensätze verwenden, die für die Quantifizierung des inhärenten Werts eines Unternehmens wichtig sind. Beispielsweise könnte ein Anleger die Marktkapitalisierung oder das Kurs-Gewinn-Verhältnis verwenden, um die Beziehung zwischen diesen Daten und der Preisbewegung des zugrunde liegenden Vermögenswerts zu erkennen. Der Redner erörtert auch Möglichkeiten zur Optimierung der Rendite pro Trade und wie man erkennt, wann ein Algorithmus nicht mit dem Markt synchron ist. Abschließend geht der Redner auf die Leichtigkeit des Erlernens von Metatrader ein und erwähnt, dass sowohl Python als auch R über hervorragende Bibliotheken für maschinelles Lernen verfügen, abhängig von der Erfahrung und dem Hintergrund des Programmierers.

  • 01:10:00 Der Referent erörtert die notwendigen Fähigkeiten und Kenntnisse, die für den algorithmischen Handel erforderlich sind, bei dem es um die Verschmelzung von Finanzen und Technologie geht. Um erfolgreiche Handelsstrategien zu entwerfen, muss man die Märkte, Big-Data-Statistiken und die Technologie zur Automatisierung der Strategien verstehen. Quantitative Bildungsprogramme können Schulungen zu den verschiedenen Abläufen und Fähigkeiten anbieten, die erforderlich sind, um ein erfolgreicher algorithmischer Händler zu werden. Python wird auch als großartige Option für diejenigen empfohlen, die ihre Algorithmen erstellen möchten.
Leveraging Artificial Intelligence to Build Algorithmic Trading Strategies
Leveraging Artificial Intelligence to Build Algorithmic Trading Strategies
  • 2016.03.23
  • www.youtube.com
In this session on "Leveraging Artificial Intelligence to Build Algorithmic Trading Strategies", our guest speaker, Mr Tad Slaff, CEO of Inovance covered the...