Comercio Cuantitativo - página 9

 

De la idea al algoritmo: el flujo de trabajo completo detrás del desarrollo de una estrategia comercial cuantitativa



De la idea al algoritmo: el flujo de trabajo completo detrás del desarrollo de una estrategia comercial cuantitativa

En este completo video, Delaney Mackenzie brinda una descripción detallada del flujo de trabajo seguido por los comerciantes cuantitativos al desarrollar una estrategia comercial. El orador enfatiza el papel crucial de comenzar con una hipótesis y aprovechar los datos históricos para hacer predicciones informadas sobre el futuro. El proceso implica el refinamiento y la exploración continuos de un modelo comercial para asegurar su correlación histórica con los rendimientos futuros mientras se mantiene la independencia de otros modelos.

Uno de los objetivos clave es diseñar una cartera que maximice los rendimientos esperados mientras se adhiere a varias restricciones de riesgo. Para lograr esto, el orador destaca la importancia de probar el modelo con una pequeña cantidad de capital antes de implementarlo en vivo y escalarlo. Además, se recomienda encarecidamente incorporar fuentes de datos alternativas y emplear técnicas de gestión de riesgos.

El video profundiza en las dos etapas del backtesting en el desarrollo de la estrategia comercial. En primer lugar, diseñar una cartera y establecer reglas de ejecución y, en segundo lugar, implementar el propio proceso de backtesting. El orador subraya la importancia de construir una cartera con restricciones de riesgo que preserve la integridad de las predicciones del modelo y aconseja pasar a la siguiente etapa solo cuando el modelo supera constantemente las oportunidades de inversión alternativas. Además, el orador fomenta la exploración de nuevas posibilidades en lugar de confiar en versiones refritos de modelos existentes.

Delaney Mackenzie explica la fase inicial del desarrollo de una estrategia comercial, que implica formular una hipótesis económica para guiar la selección y el momento de los activos. Finanzas tiene como objetivo transformar las ideas en resultados rentables mediante la predicción inteligente del futuro en función de hipótesis. Cada decisión que se toma en el comercio representa esencialmente una apuesta sobre los cambios futuros del mercado, lo que destaca el papel fundamental de aprovechar la información pasada para hacer predicciones inteligentes.

El orador proporciona información sobre el flujo de trabajo del desarrollo de una estrategia comercial cuantitativa. El proceso comienza con la formulación de una hipótesis y su exploración utilizando datos de muestra. Comparar la hipótesis con los modelos existentes es esencial para el refinamiento, y una vez que el nuevo modelo demuestre valor, es recomendable combinarlo con otros submodelos para mejorar el poder predictivo. El orador enfatiza que las hipótesis y los modelos no existen de forma aislada, y un modelo agregado que incorpora múltiples fuentes de información tiende a rendir mejor. Además, es importante probar el modelo con nuevos datos para garantizar su validez.

El orador enfatiza la importancia de probar un modelo con datos no vistos para evitar el sobreajuste durante la fase de desarrollo. Señalan que, si bien se suele emplear el backtesting de una estrategia completa, es crucial reconocer que la mayor parte del tiempo se dedica a desarrollar modelos y predictores en lugar de construir carteras. Por lo tanto, el orador destaca la importancia de la construcción y ejecución de la cartera, incluidos factores como las tarifas de transacción, antes de realizar pruebas retrospectivas para garantizar la viabilidad de la cartera en condiciones reales de mercado. Además, el ponente destaca que el objetivo del backtesting no es únicamente evaluar el desempeño predictivo del modelo, sino también evaluar si la cartera diseñada en base a las predicciones del modelo puede resistir las condiciones del mundo real. Finalmente, el orador enfatiza la importancia de probar el modelo en una pequeña cantidad de capital antes de escalarlo para asegurar un despliegue de capital efectivo.

El orador analiza el refinamiento y la exploración de un modelo comercial para establecer su correlación histórica con los rendimientos futuros y la independencia de otros modelos. Este proceso es seguido por la construcción de una cartera dentro de las restricciones de riesgo definidas. El ponente destaca la importancia de asegurar que la ejecución del modelo no distorsione la señal y disminuya su correlación con los rendimientos futuros. Se proporciona un ejemplo de cuaderno para resaltar la adición gradual de restricciones, lo que permite la evaluación del rendimiento del modelo en diferentes condiciones de riesgo. Esta sección subraya la importancia de las pruebas y el refinamiento exhaustivos para garantizar la solidez y la eficacia de un modelo comercial en la generación de rendimientos.

El orador explica el proceso de diseño de una cartera que maximiza los rendimientos esperados mientras satisface varias restricciones de riesgo. Inicialmente, se emplea una estrategia de optimización ingenua, centrada en maximizar el rendimiento esperado invirtiendo todo el capital en una sola acción, seguido de la introducción de restricciones para limitar los montos de inversión. Posteriormente, se agregan restricciones de concentración de posiciones, restringiendo la inversión en cualquier cosa a un cierto porcentaje de la cartera. La estrategia de cartera se refina aún más mediante la incorporación de restricciones de exposición sectorial. El ponente destaca que optimizar una cartera teniendo en cuenta las restricciones de riesgo puede generar complejidad, ya que las ponderaciones en la estrategia final pueden diferir de las predicciones del modelo sobre el futuro. Es crucial comprender cómo las restricciones de riesgo influyen en las predicciones del modelo y su impacto en la construcción de la cartera.

El orador presenta el concepto de usar líneas alfa, un software de código abierto desarrollado por Quantopian, para evaluar la correlación entre los rendimientos de un modelo y los rendimientos futuros. Las líneas alfa permiten codificar cualquier modelo, independientemente del tamaño del universo que prediga, en un modelo factorial. Al calcular la correlación entre las predicciones del modelo en el día T y los rendimientos de todos los activos que predijo en el día T+1, las líneas alfa ayudan a determinar si el modelo exhibe una correlación positiva constante con los rendimientos futuros. Sin embargo, el orador señala que es posible que los datos reales no siempre muestren patrones de correlación ideales.

Se analiza la importancia de comparar un nuevo modelo con los modelos existentes, centrándose en examinar los rendimientos de una cartera ponderada por el factor y reequilibrada de acuerdo con un período específico. El orador sugiere ejecutar un análisis de regresión lineal, utilizando los rendimientos ponderados de cartera del nuevo modelo como variable dependiente y los rendimientos ponderados de cartera de los modelos existentes como variables independientes. Este análisis ayuda a evaluar la dependencia entre el nuevo modelo y los existentes, proporcionando información sobre la posible generación alfa. El orador enfatiza la importancia de la gestión y diversificación del riesgo, que se puede lograr restringiendo cada componente individualmente o promediando múltiples componentes riesgosos para lograr la diversificación del riesgo, según la estrategia de inversión.

El orador explica la distinción entre las dos etapas de backtesting en el desarrollo de la estrategia comercial. La primera etapa consiste en diseñar una cartera y determinar las reglas de ejecución, mientras que la segunda etapa consiste en realizar pruebas retrospectivas para evaluar la correlación entre las predicciones del modelo y los precios futuros. Es crucial construir una cartera con restricciones de riesgo que incorpore efectivamente las predicciones del modelo sin comprometer su integridad. El orador aconseja a los inversores que pasen a la siguiente etapa solo cuando sus pruebas retrospectivas brinden consistentemente evidencia sustancial de la superioridad del modelo sobre oportunidades de inversión alternativas. Además, el orador advierte que no se debe confiar en versiones repetidas de modelos existentes y alienta una exploración rigurosa de enfoques novedosos.

El orador analiza el flujo de trabajo completo para desarrollar una estrategia comercial cuantitativa. El proceso comienza con la generación de una idea, que puede derivarse de la comprensión del mundo, el análisis de datos o la identificación de áreas donde difiere la comprensión predominante. Una vez que el modelo se desarrolla, prueba y refina, se compara con los modelos existentes para determinar su singularidad y potencial para generar nuevos alfa. El siguiente paso consiste en realizar pruebas fuera de la muestra, construir una cartera y realizar simulaciones de optimización con restricciones de riesgo. Finalmente, la estrategia se negocia en papel o se prueba con una pequeña cantidad de capital antes de escalar. El orador enfatiza que confiar únicamente en los datos de precios rara vez proporciona suficiente información para generar ideas innovadoras, y la incorporación de fuentes de datos alternativas es crucial para obtener nuevos conocimientos.

El orador subraya la importancia de utilizar datos alternativos para generar alfa, en lugar de depender únicamente de los precios y los datos fundamentales para la velocidad y la comodidad. También enfatizan la necesidad de diferenciar entre alfa y beta barato, ya que todo lo que se tiene en cuenta en un modelo de riesgo se considera este último. Se discuten las limitaciones de la validación cruzada k-fold para reducir el sobreajuste, y el orador recomienda pruebas verdaderas fuera de la muestra como un enfoque más confiable. Por último, el orador destaca la importancia de tener conocimientos sobre la elección del conjunto de datos para predecir el futuro y explorar enfoques que difieren de los métodos convencionales.

En resumen, el video de Delaney Mackenzie brinda una descripción completa del flujo de trabajo seguido por los comerciantes cuantitativos al desarrollar una estrategia comercial. Enfatiza la importancia de comenzar con una hipótesis, refinar y explorar el modelo comercial, probarlo con nuevos datos, construir una cartera con restricciones de riesgo y realizar pruebas retrospectivas exhaustivas. El orador destaca la importancia de utilizar datos alternativos, comparar el modelo con los modelos existentes e incorporar técnicas de gestión de riesgos. Destacan la necesidad de garantizar que las predicciones del modelo se correlacionen históricamente con los rendimientos futuros y sean independientes de otros modelos. El orador también enfatiza la importancia de probar el modelo con una pequeña cantidad de capital antes de escalarlo a la implementación en el mundo real.

Además, el ponente profundiza en las complejidades del diseño de carteras y las reglas de ejecución. Discuten el proceso de construcción de una cartera con restricciones de riesgo que maximiza los rendimientos esperados mientras satisface diferentes restricciones de riesgo. El orador destaca la adición gradual de restricciones como la concentración de posiciones y las exposiciones sectoriales para evaluar cómo se comporta el modelo en varios escenarios de riesgo. Hacen hincapié en que la optimización de la cartera implica hacer concesiones entre la maximización de los rendimientos y la gestión del riesgo.

El orador introduce el concepto de líneas alfa y su papel en la evaluación de la correlación entre los rendimientos de un modelo y los rendimientos futuros. Explican cómo las líneas alfa permiten la codificación de cualquier modelo en un modelo factorial, lo que permite la evaluación de las predicciones del modelo frente a rendimientos futuros. El orador reconoce que es posible que los datos del mundo real no siempre muestren correlaciones positivas consistentes, lo que subraya la importancia de comprender las limitaciones del análisis de correlación.

Se enfatiza la comparación del nuevo modelo con los modelos existentes como un paso crucial para evaluar su efectividad. El ponente sugiere utilizar el análisis de regresión lineal para evaluar la dependencia entre los rendimientos ponderados de cartera del nuevo modelo y los de los modelos existentes. Esta comparación ayuda a determinar la singularidad del modelo y su potencial para generar alfa. El orador también destaca la importancia de la gestión de riesgos y la diversificación en la construcción de carteras, ya sea restringiendo los componentes individuales o diversificando el riesgo entre múltiples activos.

El orador destaca además las dos etapas de backtesting en el desarrollo de la estrategia comercial. La primera etapa implica el diseño de una cartera y reglas de ejecución, mientras que la segunda etapa implica la realización de pruebas retrospectivas para evaluar las predicciones del modelo frente a los precios futuros. Es crucial construir una cartera con restricciones de riesgo que incorpore las predicciones del modelo sin comprometer su integridad. El ponente aconseja a los inversores que pasen a la segunda etapa solo cuando haya pruebas consistentes de la superioridad del modelo sobre las oportunidades de inversión alternativas. Advierten contra confiar en versiones refritos de modelos existentes y animan a explorar nuevos enfoques.

Finalmente, el orador describe el flujo de trabajo completo para desarrollar una estrategia comercial cuantitativa. Comienza con la generación de una idea y progresa a través de la prueba, el perfeccionamiento y la comparación del modelo con los existentes. Luego, la estrategia se somete a pruebas fuera de la muestra, construcción de cartera y optimización con restricciones de riesgo. Antes de escalar, la estrategia se negocia en papel o se prueba con una pequeña cantidad de capital. El ponente subraya la importancia de incorporar fuentes de datos alternativas para obtener nuevos conocimientos y enfatiza la necesidad de diferenciar entre alfa y beta barata. Recomiendan pruebas verdaderas fuera de la muestra para mitigar el sobreajuste y enfatizan la importancia de comprender la elección del conjunto de datos para predecir el futuro.

En conclusión, el video de Delaney Mackenzie brinda una comprensión integral del flujo de trabajo seguido por los quants en el desarrollo de una estrategia comercial. Enfatiza la importancia del desarrollo de hipótesis, el refinamiento del modelo, las pruebas con nuevos datos, la gestión de riesgos y las pruebas exhaustivas. El orador fomenta el uso de fuentes de datos alternativas, la comparación con modelos existentes y la exploración de enfoques novedosos. Al seguir este flujo de trabajo, los comerciantes cuantitativos pueden mejorar la efectividad y solidez de sus estrategias comerciales.

  • 00:00:00 Delaney Mackenzie explica el flujo de trabajo general que seguirá un quant al desarrollar una estrategia comercial. Primero, comienza desarrollando una hipótesis económica, que ayudará a decidir en qué activo invertir y cuándo invertir en él. La hipótesis es una predicción sobre cómo funciona el mundo, y el objetivo de las finanzas es tomar ideas y convertirlas en dólares, con base en predicciones futuras inteligentes. Cada decisión que se toma es esencialmente una apuesta al futuro, por lo que es crucial utilizar información pasada para comprender y hacer una apuesta inteligente sobre los cambios futuros en el mercado.

  • 00:05:00 El orador analiza el flujo de trabajo involucrado en el desarrollo de una estrategia comercial cuantitativa. El primer paso es proponer una hipótesis y explorarla utilizando datos de muestra. Comparar la hipótesis con los modelos existentes es esencial para refinarla, y una vez que el nuevo modelo tiene valor, los expertos recomiendan combinarlo con otros submodelos para hacer predicciones. El disertante enfatiza la idea de que las hipótesis no existen de forma aislada y los modelos rara vez funcionan solos, lo que requiere un modelo agregado que incorpore varias fuentes de información para lograr un mejor desempeño. Finalmente, el modelo debe probarse con nuevos datos para garantizar su validez.

  • 00:10:00 El orador analiza la importancia de probar un modelo con datos nuevos que no ha visto antes para asegurarse de que no se ajuste demasiado al período de tiempo de desarrollo. También señalan que el backtesting de una estrategia completa a menudo se usa en exceso, ya que la mayoría de las veces se están desarrollando modelos y predictores, en lugar de construir una cartera. El orador enfatiza la importancia de la construcción y ejecución de la cartera, incluida la comprensión de las tarifas de transacción, antes de realizar pruebas retrospectivas para garantizar que la cartera pueda sobrevivir a las condiciones reales del mercado. El ponente también señala que el propósito del backtesting no es verificar si el modelo está haciendo buenas predicciones, sino ver si la cartera diseñada en base a las predicciones del modelo puede sobrevivir a las condiciones del mundo real. Finalmente, el orador enfatiza la importancia de probar el modelo con una pequeña cantidad de capital antes de implementarlo en vivo y aumentar las cantidades de capital para ganar dinero.

  • 00:15:00 El orador analiza el proceso de perfeccionamiento y exploración de un modelo comercial para asegurarse de que esté históricamente correlacionado con rendimientos futuros e independiente de otros modelos. El siguiente paso es usar este modelo para construir una cartera que esté dentro de las restricciones de riesgo. El ponente destaca la importancia de asegurar que la ejecución del modelo no destruya la señal y reduzca la correlación con rendimientos futuros. Destacan un ejemplo de cuaderno donde agregar restricciones gradualmente puede ayudar a evaluar cómo un modelo puede funcionar bajo varias restricciones de riesgo. Esta sección destaca la importancia de probar y refinar un modelo comercial para garantizar que sea sólido y eficaz en la generación de rendimientos.

  • 00:20:00 El orador explica el proceso de diseño de una cartera que maximiza los rendimientos esperados pero también satisface diferentes restricciones de riesgo. Comienzan con una estrategia de optimización ingenua que maximiza el rendimiento esperado invirtiendo todo el dinero en una sola acción y agrega la restricción de que no pueden invertir más de una cierta cantidad. Luego, agregan una restricción de concentración de posición, que restringe invertir más del 15% al 30% de la cartera en cualquier cosa. Posteriormente, refinan la estrategia de cartera restringiendo las exposiciones sectoriales. El ponente señala que al optimizar una cartera teniendo en cuenta las restricciones de riesgo, los pesos en la estrategia final no son los mismos que las predicciones del modelo del futuro y pueden causar mucha complejidad. Además, el orador enfatizó que algunos modelos podrían no sobrevivir al paso de restricción de riesgo, lo que exige comprender el concepto de modelado de predicciones y cómo se ven influenciadas por las restricciones de riesgo.

  • 00:25:00 El presentador analiza el uso de líneas alfa, un software de código abierto desarrollado por Quantopian, para verificar si existe alguna correlación entre los rendimientos de un modelo y los rendimientos futuros. El presentador señala que cualquier modelo, independientemente del tamaño del universo para el que hace predicciones, puede codificarse fácilmente en un modelo factorial. Las líneas alfa verifican si la predicción de un modelo está correlacionada con los rendimientos futuros mediante el cálculo de la correlación entre las predicciones del modelo en el día T y los rendimientos de todos los activos que predijo en el día T+1. El presentador señala que lo ideal es una correlación positiva constante, pero no siempre es así en los datos reales.

  • 00:30:00 El orador analiza el uso de lentes alfa para verificar si un modelo tiene alguna correlación con los rendimientos en el pasado. Después de establecer la utilidad del modelo para predecir resultados futuros, el siguiente paso es compararlo con otros modelos que ya existen para verificar las similitudes en las predicciones y los rendimientos. Esta comparación es importante para determinar la unicidad del modelo y la posibilidad de hacer nuevos alfa. El ponente explica cómo realizar esta comparación utilizando el modelo de riesgo para comprobar si la estrategia completa desarrollada en el modelo es similar a otros modelos y cómo podría simplificarse con el análisis de riesgo a nivel de factor individual.

  • 00:35:00 En esta sección, el orador explica cómo evaluar la efectividad de un modelo comercial. Recomiendan comparar las rentabilidades del modelo con otros modelos conocidos y utilizar técnicas conscientes del riesgo, como el modelo de riesgo, para comprobar su eficiencia. Dan un ejemplo de un modelo de reversión a la media simple que evaluaron observando la similitud del riesgo con otros modelos conocidos. También destacan la importancia de comparar el modelo con los modelos alfa existentes para garantizar los beneficios de la diversificación y no los riesgos de concentración. Finalmente, analizan cómo construir una cartera mediante la optimización de cartera consciente del riesgo, lo que implica maximizar los rendimientos mientras se está sujeto a restricciones de riesgo. El orador recomienda usar ejemplos específicos para desglosar las exposiciones de cada acción, calcular las exposiciones de riesgo de una cartera y determinar si una cartera tiene un riesgo excesivo.

  • 00:40:00 Aprendemos a restringir el riesgo, que es una parte crucial del proceso de creación de algoritmos. Los contras solo comercian con un número limitado de nombres sin destruir alfa, por lo que es necesario limitar el riesgo para evitar el exceso de exposición. La correlación es importante porque la predicción del modelo debe estar correlacionada con los precios y rendimientos futuros, por lo que cada vez que se restringe el riesgo, se hace más difícil mantener esta correlación. El algoritmo en la parte inferior del ejemplo de algoritmo de renta variable largo/corto tiene restricciones a su alrededor, como una política de dólar neutral y exposiciones sectoriales iguales. Es fundamental considerar restricciones inteligentes que optimicen los rendimientos y reduzcan los riesgos.

  • 00:45:00 El orador analiza el flujo de trabajo completo para desarrollar una estrategia comercial cuantitativa. El primer paso es tener una idea, que puede ser comprender el mundo, los datos o encontrar un área en la que el mundo no esté de acuerdo con su modelo o comprensión implícitos. Una vez que el modelo se prueba y refina, se compara con los modelos existentes para determinar el nuevo material y determinar la ponderación entre los modelos. El siguiente paso es realizar una prueba fuera de la muestra, construir una cartera y ejecutar una simulación de optimización con restricciones de riesgo. Finalmente, la estrategia se negocia en papel o se prueba con una pequeña cantidad de capital antes de ser ampliada. El orador enfatiza que el uso de solo datos de precios casi nunca brinda suficiente información para generar nuevas ideas, y los nuevos conocimientos provienen de fuentes alternativas.

  • 00:50:00 El orador discute la importancia de usar datos alternativos para generar alfa en lugar de usar solo precios y datos fundamentales porque es fácil y rápido. El orador también analiza la necesidad de eliminar los modelos de riesgo existentes, ya que cualquier cosa en un modelo de riesgo se considera beta barata y no alfa. El orador también explica las limitaciones de la validación cruzada k-fold para reducir el sobreajuste y recomienda usar pruebas verdaderas fuera de la muestra. Finalmente, el orador enfatiza la importancia de tener conocimientos sobre qué conjunto de datos usar para predecir el futuro y cómo diferiría de lo que la gente ha hecho antes.

  • 00:55:00 El orador explica cómo comparar un nuevo modelo con los modelos existentes observando los rendimientos de una cartera que ha sido ponderada por el factor y reequilibrada de acuerdo con alguna regla de período de reequilibrio, generalmente un día o un mes. El orador sugiere ejecutar una regresión lineal con los rendimientos ponderados de la cartera de su modelo como la variable Y y los rendimientos ponderados de la cartera de sus modelos existentes como la variable independiente. Cuanta más dependencia, más se parecen los modelos existentes y explican el rendimiento de su nuevo modelo, y más alfa se produce. El orador también enfatiza la importancia de la gestión del riesgo y la diversificación, lo que se puede hacer restringiendo cada componente individual para que esté controlado por el riesgo o tomando múltiples componentes riesgosos y promediarlos para diversificar el riesgo, según su estrategia de inversión.

  • 01:00:00 El orador explica la diferencia entre las dos etapas de backtest en el desarrollo de una estrategia comercial. La etapa principal de backtest consiste en diseñar una cartera y decidir las reglas de ejecución, mientras que la segunda etapa consiste en realizar backtesting para ver si las predicciones del modelo están correlacionadas con los precios futuros. Es importante construir una cartera con restricciones de riesgo que pueda obtener las predicciones del modelo sin corromperlas demasiado. El orador advierte que todo es relativo y que los inversores deben pasar a la siguiente etapa cuando sus pruebas retrospectivas brinden constantemente evidencia suficiente para ser una mejor oportunidad de inversión que las alternativas. Finalmente, el orador advierte contra el uso de modelos que son solo versiones refritos de los existentes y alienta a los inversores a explorar rigurosamente la posibilidad de que el modelo siga algo nuevo.
 

¡Análisis cuantitativo del mercado utilizando hojas de cálculo de Excel! S&P 500 Análisis e ideas comerciales



¡Análisis cuantitativo del mercado utilizando hojas de cálculo de Excel! S&P 500 Análisis e ideas comerciales

El video profundiza en el uso de hojas de cálculo de Excel para el análisis cuantitativo del mercado, con un enfoque en el S&P 500 como ejemplo ilustrativo. Julie Marchesi demuestra la creación de un libro de trabajo de correlación en Excel, utilizando cuadros amarillos como entradas para seleccionar el índice de correlación de 74 grupos y un período retrospectivo de 40 días. La prueba de correlación compara los últimos 40 días con todos los demás períodos del conjunto de datos, identificando la correlación más alta. Para validar la correlación, se utiliza un segundo mercado para confirmar los hallazgos y eliminar puntos de datos no confiables. El gráfico de índice de correlación realiza un seguimiento visual de los cambios en la correlación a lo largo del tiempo.

El orador explica el proceso de utilizar hojas de cálculo de Excel para el análisis cuantitativo del mercado, destacando específicamente la aplicación al S&P 500. Muestran varias líneas en un gráfico que representa el período retrospectivo y el índice de correlación. Al analizar estas líneas, el orador deriva su sesgo por el mercado y hace predicciones sobre tendencias futuras. También presentan un gráfico que muestra el cambio porcentual promedio durante un período de tiempo específico y enfatizan la importancia de centrarse en índices de correlación significativos. El orador concluye demostrando cómo se puede aplicar este análisis al estado actual del mercado S&P 500, enfatizando su utilidad potencial para tomar decisiones comerciales informadas.

Examinar diferentes mercados en busca de confirmación o señales contradictorias en relación con el análisis del S&P 500 es el enfoque de la siguiente sección. El orador destaca que mientras el petróleo confirma una fuerte tendencia alcista en el mercado y sugiere el potencial de una mayor actividad alcista, el euro y el euro yen exhiben una actividad bajista o negativa en los últimos 20 días. El oro, sin embargo, no proporciona una confirmación significativa. Con base en la acción reciente del mercado, el orador sugiere un sesgo negativo en el futuro, pero advierte contra las ventas en corto y recomienda esperar la confirmación antes de realizar movimientos significativos. En general, el orador concluye que hay una tendencia alcista en el mercado, pero es recomendable actuar con cautela a corto plazo.

El orador analiza las conclusiones extraídas de las pruebas de correlación entre diferentes mercados en la sección siguiente. Señalan la posibilidad de cierta inestabilidad en el mercado S&P 500 durante los próximos cinco días. Aunque el análisis histórico indica una tendencia alcista a largo plazo en el S&P 500, el orador enfatiza la importancia de observar la actividad neutral en el mercado antes de ejecutar cualquier operación. Sugieren combinar el análisis cuantitativo con el análisis sentimental para obtener una mejor comprensión del mercado y resaltar la utilidad de las hojas de cálculo de Excel para visualizar datos de varias maneras. El video concluye alentando a los espectadores a explorar este tipo de enfoque comercial y visitar el sitio web del orador para obtener más información sobre su diario y operaciones en vivo.

  • 00:00:00 En esta sección, Julie Marchesi analiza su creación de un libro de trabajo de correlación usando Excel que la ayuda a analizar los mercados desde una perspectiva cuantitativa. Los cuadros amarillos sirven como entradas que permiten la selección del índice de correlación de 74 grupos y períodos retrospectivos de 40 días. La prueba de correlación compara los últimos 40 días con todos los demás períodos en todo el conjunto de datos para encontrar la correlación más alta. Una vez que se han encontrado las correlaciones más altas, el libro de trabajo usa un segundo mercado para confirmar la correlación y descartar cualquier punto de datos poco confiable. El gráfico de índice de correlación rastrea cómo cambia la correlación a lo largo del tiempo.

  • 00:05:00 En esta sección, el orador analiza cómo utilizar las hojas de cálculo de Excel para el análisis cuantitativo del mercado, usando el S&P 500 como ejemplo. Muestra diferentes líneas en un gráfico que representan el período retrospectivo y el índice de correlación. Al analizar estas líneas, puede determinar su preferencia por el mercado y hacer predicciones sobre tendencias futuras. También analiza un gráfico que muestra el cambio porcentual promedio durante un cierto período de tiempo y qué índices de correlación son más importantes para observar. El ponente concluye mostrando cómo se puede aplicar este análisis al estado actual del mercado S&P 500 y por qué puede ser útil para tomar decisiones comerciales.

  • 00:10:00 En esta sección del video, el orador explora cómo los diferentes mercados pueden proporcionar señales de confirmación o conflicto para el análisis del S&P 500. Mientras que el petróleo confirma que el mercado tiene una fuerte tendencia alcista y muestra potencial para una actividad alcista continua, el euro y el euro yen muestran una actividad bajista o negativa en los últimos 20 días. El oro, por otro lado, no proporciona mucha confirmación en absoluto. El orador señala que la acción reciente del mercado durante los últimos 20 días sugiere un sesgo negativo en el futuro, pero advierte contra las ventas en corto y sugiere esperar la confirmación antes de realizar grandes movimientos. En general, el orador concluye que hay una tendencia alcista en el mercado, pero se debe tener cierta precaución en el corto plazo.

  • 00:15:00 En esta sección, el orador analiza las conclusiones extraídas de las pruebas de correlación entre diferentes mercados, afirmando que puede haber cierta inestabilidad en el mercado S&P 500 durante los próximos cinco días. El orador afirma que, aunque el análisis histórico sugiere una tendencia alcista a largo plazo en el S&P 500, están buscando algún tipo de actividad neutral en el mercado antes de realizar cualquier operación. El orador sugiere combinar el análisis cuantitativo y el análisis sentimental para obtener una mejor comprensión del mercado y utilizar hojas de cálculo de Excel para visualizar los datos de diferentes maneras. Animan a los espectadores a probar este tipo de operaciones y visitar su sitio web para obtener más información sobre su diario y operaciones en vivo.
 

Creación de estrategias de equidad cuantitativa en Python



Creación de estrategias de equidad cuantitativa en Python

El video proporciona una exploración en profundidad de la creación de estrategias de acciones cuantitativas utilizando Python y la plataforma de negociación algorítmica Quantopian como un excelente ejemplo. El orador comienza presentándose a sí mismo y su experiencia en análisis de datos y finanzas cuantitativas. Explican que Quantopian es una plataforma que permite a los inversores minoristas acceder a datos y utilizar backtesting para construir sus propias estrategias cuantitativas para negociar acciones. A pesar del escepticismo inicial, el orador destaca el éxito de Quantopian al atraer a una comunidad de científicos cuánticos, piratas informáticos e inversores minoristas que colaboran para descubrir ideas de inversión. También mencionan que, si bien Quantopian actualmente cuenta con el respaldo de una empresa de riesgo y es previo a los ingresos, hay planes para eventualmente ofrecer operaciones en vivo como un servicio pago.

El orador profundiza en el concepto de construir estrategias cuantitativas a través de datos e ideas de colaboración colectiva en la plataforma Quantopian. Destacan que Quantopian facilita la mensajería directa entre usuarios, fomentando las conexiones y el intercambio de ideas para desarrollar algoritmos cuantitativos. Sin embargo, el orador reconoce que las limitaciones de datos pueden plantear desafíos para los usuarios que construyen estrategias, ya que es posible que no tengan acceso a todos los datos de precios necesarios. Además, señalan que el enfoque de Quantopian es únicamente en acciones y puede no ser adecuado para estrategias comerciales de alta frecuencia o sensibles a la latencia.

Las limitaciones de la plataforma de negociación se analizan en detalle. El orador enfatiza que Quantopian no está diseñado para estrategias de baja latencia como el scalping o la creación de mercado. Mencionan que la fuente de datos de precios determina el universo de valores, que actualmente consta de solo unos pocos miles de acciones nacionales. El orador menciona brevemente su modelo de deslizamiento básico de código abierto disponible en GitHub. Aunque la inclusión de opciones y futuros es una posibilidad para el futuro, el enfoque principal sigue siendo brindar estrategias rentables y garantizar la transparencia en las estadísticas de rentabilidad. El orador clasifica cinco estrategias cuantitativas básicas implementadas por los usuarios cotidianos de Python en la plataforma, que incluyen reversión a la media, impulso, brecha nocturna, volatilidad y emparejamiento.

Se exploran varias estrategias cuantitativas, centrándose específicamente en la interacción y el ajuste de la reversión media y el impulso. El orador destaca estrategias populares como la valoración y la estacionalidad, con datos para estas estrategias accesibles a través de fuentes como Yahoo Finance o Google Finance. Advierten contra las trampas comunes en el comercio de pares, como la extracción ciega de datos para encontrar valores no relacionados. Se enfatiza la importancia de identificar valores vinculados a un mismo valor y observar la distribución del diferencial entre los dos activos. El objetivo es capitalizar la reversión del diferencial entre las acciones.

Se analizan más a fondo las estrategias de trading de pares y de trading de impulso, y el orador proporciona un ejemplo de backtesting de una estrategia de trading de pares utilizando Python. El comercio de pares implica negociar el diferencial entre dos acciones y conlleva riesgos como posibles reversiones. El comercio de impulso, por otro lado, implica clasificar las acciones en función de su apreciación de precio anterior. Aunque los datos no se pueden descargar directamente desde la plataforma, los usuarios pueden ejecutar pruebas retrospectivas y transacciones en vivo dentro de un universo limitado de aproximadamente 100 acciones debido a las limitaciones de ancho de banda.

Se explora el concepto de valoración como una estrategia cuantitativa de acciones, que requiere un análisis sistemático de la relación fundamental para identificar acciones infravaloradas y sobrevaloradas. Sin embargo, implementar tales estrategias requiere una amplia cobertura de datos y una comprensión de la normalización de datos, la alineación del calendario y la manipulación asociada. El orador sugiere implementar estas estrategias utilizando el método de búsqueda, que permite a los usuarios obtener datos CSV de Internet. El orador también aborda el sentimiento como una estrategia cuantitativa de acciones, lo que implica el análisis del sentimiento del mercado y su impacto en los precios de las acciones. Sin embargo, advierten que implementar esta estrategia requiere una sólida comprensión del análisis, la normalización y la manipulación de datos.

Se analiza el uso de acciones en corto como indicador de sentimiento en las estrategias de acciones cuantitativas. La venta corta de acciones se reconoce como difícil y arriesgada, y solo las personas experimentadas están dispuestas a participar. Sin embargo, los datos disponibles públicamente sobre niveles de interés a corto plazo, que se pueden obtener de NASDAQ, pueden ser útiles para este propósito. El orador destaca el riesgo de restricciones de liquidez derivadas de las restricciones en corto y sugiere usar una señal basada en la volatilidad para identificar acciones muy cortas pero menos riesgosas. Proponen un algoritmo que clasifica las acciones en función de la señal de "días para cubrir", que representa la cantidad de días que los vendedores en corto tardarían en deshacer sus posiciones en función del volumen de negociación diario promedio. La estrategia consiste en comprar las acciones en corto y en corto en las más cortas.

El orador pasa a discutir los pasos intermedios en el proceso y la fuente abierta de algoritmos. Reconocen los desafíos de acceder a datos valiosos como las tasas de préstamo de los corredores y las limitaciones de sus modelos de deslizamiento. El orador responde preguntas sobre los tipos de pedidos disponibles y el sistema de comentarios para agregar más funciones. Además, mencionan brevemente el uso de la estacionalidad en el comercio y su popularidad en línea.

Se presenta una estrategia de renta variable cuantitativa simple adecuada para principiantes. El uso de la estacionalidad para cronometrar el mercado, por ejemplo, vender acciones en mayo e invertir en bonos, y luego volver a comprar en el mercado de valores en octubre, se destaca como una regla sistemática sencilla que permite un fácil análisis del rendimiento a lo largo del tiempo. El orador proporciona un desglose de los 25 algoritmos de equidad cuantitativa principales compartidos en la plataforma Quantopian, según la cantidad de respuestas, vistas y clones. En particular, un documento sobre el uso de los términos de búsqueda de Google para predecir los movimientos del mercado, aunque se considera sobreajustado, ha ganado una atención significativa en los foros. El orador también señala que las estrategias con acrónimos largos y complejos que involucran conceptos matemáticos avanzados tienden a atraer más interés, a pesar de la efectividad de las estrategias más simples.

Se enfatiza la importancia de la confianza y la seguridad en la plataforma. El orador reconoce la necesidad de generar confianza con los usuarios para alentarlos a cargar sus algoritmos para probarlos contra el mercado. Aseguran que las medidas de seguridad se toman en serio. Si bien los datos de rendimiento agregados en vivo aún no están disponibles, el orador menciona que se están ejecutando alrededor de mil algoritmos en simulación. Se discuten los beneficios potenciales de una red social para los quants, y se reconoce que es posible que no afecte directamente la rentabilidad de los algoritmos individuales. Sin embargo, existe el deseo dentro de la comunidad de finanzas cuantitativas de conectarse, intercambiar ideas y obtener información de otros. Se destaca el valor de Quantopian como entorno de aprendizaje, donde las personas pueden aprender tanto de los aciertos como de los errores en un entorno libre de riesgos.

El orador explora la popularidad de varias clasificaciones de estrategias de inversión dentro de la plataforma. Señalan que las estrategias de impulso y reversión a la media son actualmente las más populares. Expresan entusiasmo por el potencial de la plataforma para ofrecer contenido más accesible para inversores minoristas. Se proporciona una demostración del backtester de la plataforma en Python, que muestra el método de inicialización y el método de manejo de datos, que se ejecutan una vez al día o una vez por minuto durante el comercio en vivo. La configuración de la interfaz de usuario permite especificar fechas de backtesting, capital inicial y frecuencia de backtesting. El hilo de la comunidad incluye una función de búsqueda para encontrar y utilizar algoritmos creados por otros miembros.

En la sección final, el orador presenta su panel de negociación en vivo, implementando un algoritmo básico que compra una cartera de igual ponderación de nueve ETF del sector contra su cuenta de Interactive Brokers. El tablero muestra una curva de equidad de rendimiento conectada a un punto de referencia en rojo, posiciones actuales y pedidos realizados y rellenos. El orador menciona la capacidad de registrar información para el código fuente implementado. El punto de referencia utilizado es la rentabilidad del SPI, ya que actualmente no se ofrece la posibilidad de seleccionar una amplia gama de acciones de forma imparcial. En su lugar, proporcionan un universo de volumen diario en dólares que se actualiza trimestralmente.

  • 00:00:00 En esta sección, la ponente se presenta y da un trasfondo de su experiencia en el campo del análisis de datos y las finanzas cuantitativas. Ella explica que Quantopian es una plataforma de negociación algorítmica que permite a cualquier persona, en particular a los inversores minoristas, acceder a datos y realizar pruebas retrospectivas para crear sus propias estrategias cuantitativas e implementarlas contra su propia cuenta para negociar acciones. El orador ofrece una descripción general de cómo funciona Quantopian y enfatiza que, a pesar de su escepticismo inicial, la plataforma ha logrado atraer a una comunidad de científicos cuánticos, piratas informáticos e inversores minoristas que colaboran para encontrar ideas de inversión. También menciona que Quantopian genera ingresos previos y está respaldado por el respaldo de empresas, con planes de cobrar eventualmente por el comercio en vivo como un servicio pago.

  • 00:05:00 En esta sección, el orador analiza el concepto de crear estrategias cuantitativas a partir de datos e ideas de colaboración colectiva en su plataforma en Quantopian. La plataforma proporciona mensajería directa entre pares y permite a los usuarios conectarse y compartir sus ideas para construir algoritmos cuantitativos. Sin embargo, el orador reconoce que las limitaciones de datos pueden ser un problema importante para las personas que crean estrategias, ya que es posible que no tengan acceso a todos los datos de precios necesarios para sus algoritmos. Además, dado que la plataforma se centra únicamente en acciones, es posible que no sea una plataforma adecuada para el comercio de alta frecuencia o estrategias comerciales sensibles a la latencia.

  • 00:10:00 En esta sección, el orador analiza las limitaciones de su plataforma de negociación, y enfatiza que no es una plataforma de baja latencia para estrategias de especulación o creación de mercado. También mencionan que su fuente de datos de precios define su universo de valores, que actualmente solo incluye unos pocos miles de acciones nacionales. El orador analiza brevemente su modelo de deslizamiento básico, que es de código abierto y se puede encontrar en GitHub. También abordan la posible inclusión de opciones y futuros en el futuro, pero tenga en cuenta que el enfoque está en proporcionar estrategias rentables y ser transparente con las estadísticas de rentabilidad. Por último, el orador categoriza cinco estrategias cuantitativas accesibles básicas que han implementado los usuarios de Python todos los días en la plataforma, que incluyen reversión a la media, impulso, brecha nocturna, volatilidad y emparejamiento.

  • 00:15:00 En esta sección, el orador analiza algunas estrategias básicas de Quan que se basan en la interacción y el ajuste de la reversión media y el impulso. Dos estrategias populares son la valoración y la estacionalidad, y se puede acceder a los datos de estas estrategias a través de Yahoo Finance o Google Finance. Luego, el orador analiza las trampas comunes del comercio de pares, incluida la extracción de datos a ciegas y la búsqueda de dos valores que en realidad no tienen ningún vínculo entre sí. Fomentan la comprensión de que el comercio de pares implica encontrar dos cosas que están vinculadas al mismo valor, así como observar la distribución del diferencial entre los dos precios de los activos y notar cuándo el diferencial entra en la cola de la distribución. El objetivo es comprar el diferencial, vender el diferencial y apostar a que el precio entre las dos acciones finalmente se revertirá.

  • 00:20:00 En esta sección, el orador analiza las estrategias de comercio de pares y de impulso y demuestra un ejemplo de cómo se puede realizar una prueba retrospectiva de una estrategia de comercio de pares utilizando Python. El comercio de pares implica negociar el diferencial entre dos acciones y viene con algunas trampas comunes, como reversiones potencialmente devastadoras. El comercio de impulso, por otro lado, implica clasificar las acciones en función de su apreciación de precio anterior durante un período de tiempo determinado. El orador también explica que, si bien no puede descargar datos directamente desde su sitio, puede ejecutar pruebas retrospectivas y operaciones en vivo dentro de un universo limitado de alrededor de 100 acciones debido a las limitaciones de ancho de banda.

  • 00:25:00 En esta sección, el orador analiza el concepto de valoración como una estrategia cuantitativa de acciones y cómo requiere un análisis de la relación fundamental de manera sistemática para identificar acciones baratas y caras. Sin embargo, menciona que tales estrategias requieren una buena cobertura de datos y comprensión de la normalización de datos, la alineación de calendarios y la manipulación de datos asociada. El orador sugiere implementar tales estrategias utilizando el método de búsqueda, que permite a los usuarios obtener datos CSV de Internet. Además, habla del sentimiento como una estrategia de renta variable cuantitativa, que implica analizar el sentimiento del mercado y su impacto en los precios de las acciones. Sin embargo, advierte que implementar esta estrategia también requiere una sólida comprensión del análisis, la normalización y la manipulación de datos.

  • 00:30:00 En esta sección, el orador analiza el uso de acciones en corto como indicador de sentimiento en la creación de estrategias cuantitativas de acciones. Acortar acciones es difícil y arriesgado, y solo aquellos que saben lo que están haciendo están dispuestos a hacerlo. El nivel de interés corto o la cantidad de acciones cortas en acciones que cotizan en bolsa son datos disponibles públicamente que se pueden extraer de NASDAQ. Sin embargo, los datos se retrasan en el tiempo y tienen una instantánea de baja frecuencia. El orador también destaca el riesgo de restricción de liquidez debido a la compresión corta y sugiere usar una señal de tipo de volatilidad para identificar acciones muy cortas pero menos riesgosas. El algoritmo implica clasificar las acciones en función de los días para cubrir la señal, que representa la cantidad de días de negociación diaria promedio que los vendedores en corto tardarían en relajarse. La estrategia compra las acciones menos cortadas y las más cortas.

  • 00:35:00 En esta sección del video, el orador habla sobre los pasos intermedios en el proceso y el código abierto de los algoritmos. También analiza la dificultad de acceder a datos valiosos, como las tasas de préstamos de los corredores y las limitaciones de sus modelos de deslizamiento. El orador responde preguntas sobre los tipos de pedidos actuales disponibles y el sistema de comentarios para agregar más funciones. Además, el orador menciona brevemente el uso de la estacionalidad en el comercio y su popularidad en línea.

  • 00:40:00 En esta sección, el orador discute el ejemplo más simple de una estrategia de equidad cuantitativa para los principiantes. Un posible ejemplo podría ser usar la estacionalidad para cronometrar el mercado, por ejemplo, vender acciones en mayo e invertir en bonos, y luego volver a comprar en el mercado de valores en octubre. Esta es una regla sistemática simple que permite un fácil análisis del desempeño a través del tiempo. También presentan un desglose de los 25 principales algoritmos cuantitativos de equidad compartidos en la plataforma Quantiopian según la cantidad de respuestas, la cantidad de vistas y cuántas veces se clonaron. Entre estos, un documento sobre el uso de los términos de búsqueda de Google para predecir los movimientos del mercado, a pesar de que se considera demasiado ajustado, ha ganado una atención significativa en los foros. Por último, el orador señala que las personas tienden a encontrar estrategias con acrónimos largos y complicados que involucran conceptos matemáticos difíciles más atractivas que estrategias simples que funcionan de manera efectiva.

  • 00:45:00 En esta sección, el orador analiza la importancia de la confianza y la seguridad para garantizar que las personas estén dispuestas a cargar sus algoritmos para generar dinero en una plataforma en línea para probarlos en el mercado. El ponente destaca la necesidad de generar un nivel de confianza con los usuarios para que se sientan cómodos usando la plataforma y menciona que se toman en serio sus medidas de seguridad. Aunque los datos de rendimiento agregados en vivo aún no están disponibles, el orador señala que tienen aproximadamente mil algoritmos ejecutándose en simulación. El orador considera los beneficios potenciales de una red social para los cuantos, pero no está seguro de si impulsará la rentabilidad del algoritmo individual. Sin embargo, él cree que hay una demanda reprimida entre las personas en el mundo de las finanzas cuantitativas para hablar entre sí y comprender lo que hacen los demás. Por último, el orador destaca el valor de la plataforma como un entorno de aprendizaje donde las personas pueden aprender de los éxitos y errores de los demás en un entorno seguro y sin riesgos.

  • 00:50:00 En esta sección del video, el orador analiza la popularidad de varias clasificaciones de estrategias de inversión y cómo se representan dentro de su plataforma. Observan que las estrategias de impulso y reversión a la media son actualmente las más populares. Expresan su entusiasmo por el potencial de la plataforma para agregar más contenido accesible para los inversores minoristas. El orador también demuestra cómo funciona el backtester de la plataforma en Python, con un método de inicialización y un método de manejo de datos que se ejecutan una vez al día o una vez por minuto en operaciones en vivo. Las únicas configuraciones de la interfaz de usuario son las fechas para el backtest, el capital inicial y la frecuencia del backtesting. Hay una función de búsqueda disponible en el hilo de la comunidad donde los miembros pueden encontrar diferentes algoritmos creados por otros miembros y copiarlos y pegarlos en el IDE de la plataforma.

  • 00:55:00 En esta sección, el orador demuestra su tablero de operaciones en vivo donde se implementa un algoritmo básico que compra una cartera de igual ponderación de nueve ETF sectoriales contra su cuenta de Interactive Brokers. El tablero muestra una curva de equidad de rendimiento conectada a un punto de referencia en rojo, posiciones actuales y pedidos y rellenos realizados. El orador también menciona la capacidad de registrar información para un código fuente que se implementa. El punto de referencia son los rendimientos de SPI y, actualmente, no ofrecen la posibilidad de seleccionar una amplia franja de acciones de manera imparcial. En cambio, ofrecen un universo de volumen diario en dólares que se actualiza trimestralmente.
 

Lo que se debe y no se debe hacer en el comercio cuantitativo



Lo que se debe y no se debe hacer en el comercio cuantitativo

El Dr. Ernie Chan, una figura prominente en el comercio cuantitativo, analiza los desafíos y brinda valiosos consejos para los comerciantes en este campo. Destaca la creciente dificultad del comercio cuantitativo, como lo señalaron los expertos de la industria, y el bajo rendimiento de muchos fondos de aprendizaje automático. Para tener éxito, los comerciantes deben mejorar sus habilidades y aprender lecciones importantes. Basándose en experiencias personales, el Dr. Chan comparte lo que los comerciantes deben evitar y ofrece orientación para el éxito a largo plazo.

Una de las advertencias clave que enfatiza el Dr. Chan es la tentación de sobreapalancarse, particularmente durante los períodos de fuerte desempeño de la estrategia. Si bien la fórmula de Kelly se usa a menudo para la gestión de riesgos, advierte que puede generar expectativas demasiado optimistas y es sensible a los períodos de muestra. En cambio, sugiere usar la volatilidad como una medida más predecible para determinar el apalancamiento. Al enfocarse en la volatilidad esperada de una estrategia, los operadores pueden determinar los niveles de apalancamiento apropiados, centrándose en el riesgo en lugar de únicamente en los rendimientos previstos.

El Dr. Chan brinda dos consejos esenciales para el comercio cuantitativo. Primero, enfatiza la importancia de considerar el riesgo a la baja de una estrategia (es decir, cuánto se puede perder) en lugar de fijarse en las ganancias potenciales, que son impredecibles. En segundo lugar, advierte contra el uso del desempeño a corto plazo como la única base para seleccionar gerentes o determinar el apalancamiento. En cambio, aconseja buscar registros de seguimiento más largos y utilizar el rendimiento a corto plazo para la gestión de riesgos y la reasignación gradual. Además, alienta a los comerciantes a adoptar una mentalidad orientada a los negocios, reinvirtiendo las ganancias en la infraestructura de su negocio comercial en lugar de permitirse lujos personales.

Invertir en la infraestructura del negocio comercial es un tema que enfatiza el Dr. Chan. Sugiere priorizar las inversiones en datos de alta calidad, máquinas más rápidas y personal calificado. Los datos de calidad son cruciales para garantizar resultados de backtesting precisos, mientras que las máquinas más rápidas mejoran la productividad de la investigación. La contratación de personal con las habilidades necesarias fortalece aún más las capacidades del negocio. El Dr. Chan enfatiza los beneficios a largo plazo de estas inversiones, y trata el comercio como una empresa comercial seria.

Para mejorar la productividad de la investigación, el Dr. Chan destaca la importancia de invertir en máquinas multinúcleo y software de cómputo paralelo adecuado. Esta inversión puede aumentar significativamente la productividad de cinco a diez veces. También recomienda centrarse en la ventaja comparativa de cada uno y complementar cualquier deficiencia asociándose con personas que posean habilidades complementarias, como codificación, estrategia, marketing u operaciones.

El Dr. Chan aboga por un enfoque colaborativo para el comercio cuantitativo. Destaca que la colaboración puede ocurrir de varias formas, incluidos los grupos comerciales virtuales formados por estudiantes universitarios. Compartir ideas y enseñar a otros sobre estrategias puede generar comentarios valiosos y mejorar el rendimiento general. Si bien proteger la ventaja competitiva de uno es importante, compartir ideas comerciales básicas puede conducir a una afluencia neta de conocimientos y puntos de vista.

Además, el Dr. Chan aconseja a los principiantes que comiencen con estrategias comerciales simples basadas en justificaciones intuitivas sólidas. Enfatiza el valor de eliminar las malas operaciones en lugar de buscar únicamente las más rentables. Saber cuándo no comerciar y cuándo no aplicar ciertas ideas contribuye al éxito a largo plazo. También fomenta el aprendizaje continuo y la mejora en las estrategias comerciales.

Durante una sesión de preguntas y respuestas, el Dr. Chan comparte información sobre la construcción de derivados financieros, recomienda usar Python como punto de partida en el campo y analiza estrategias efectivas como el comercio de impulso y la paridad de riesgo. Él enfatiza la necesidad de una mejor gestión de riesgos para mantener una estrategia incluso cuando los rendimientos disminuyen.

En resumen, el Dr. Ernie Chan brinda valiosos consejos para los comerciantes cuantitativos. Advierte contra el apalancamiento excesivo y la dependencia del rendimiento a corto plazo, destacando la importancia de considerar el riesgo a la baja y centrarse en registros de seguimiento más largos. Hace hincapié en invertir en infraestructura comercial, incluidos datos, máquinas y personal. La colaboración, comenzando con estrategias simples y el aprendizaje continuo, son claves para el éxito a largo plazo.

  • 00:00:00 El Dr. Ernie Chan habla sobre los desafíos que enfrenta actualmente el comercio cuantitativo y cómo está madurando la industria. Menciona que el comercio cuantitativo se vuelve cada vez más difícil con cada año que pasa, según lo citado por De Sha y el Dr. López de Prado, quien administra $ 13 mil millones de fondos cuantitativos. La mayoría de los fondos de aprendizaje automático fallan, y el desempeño de los programas de comercio de divisas invertibles más grandes ha sido atacado uniformemente en los últimos dos años. El Dr. Chan cree que para sobrevivir y tener éxito en este campo, los comerciantes deben mejorar su juego y aprender algunas lecciones de alto nivel. También comparte algunas cosas que los comerciantes deben evitar hacer, ya que ha violado la mayoría de ellas y ha aprendido la lección.

  • 00:05:00 El orador advierte sobre la tentación de apalancar demasiado en el comercio, especialmente durante los momentos en que una estrategia está funcionando bien. Si bien los comerciantes pueden sentirse tentados a confiar en la fórmula de Kelly para la gestión de riesgos, el orador señala que puede generar expectativas demasiado optimistas y ser muy sensible a los períodos de muestra. En su lugar, sugiere utilizar la volatilidad para la determinación del apalancamiento como una entrada más predecible, ya que predecir los rendimientos con precisión puede ser muy desafiante. Por lo tanto, los operadores deben apuntar a la volatilidad esperada de su estrategia y determinar su apalancamiento en función de esa cantidad en lugar de los rendimientos previstos.

  • 00:10:00 El orador da dos consejos importantes para el comercio cuantitativo. En primer lugar, es esencial centrarse en el lado de la lengua de la estrategia para determinar el apalancamiento, que es cuánto se puede perder con una estrategia, en lugar de cuánto se puede ganar porque esto es impredecible. En segundo lugar, es crucial no utilizar el rendimiento a corto plazo para elegir gerentes o determinar el apalancamiento porque, según un estudio académico, es inútil hacerlo. En cambio, el orador aconseja buscar un historial más largo y utilizar el desempeño a corto plazo para fines de gestión de riesgos y reasignación gradual. Además, alienta a los comerciantes a adoptar una mentalidad orientada a los negocios, donde los comerciantes reinvierten sus ganancias en equipos de datos en lugar de gastarlos en extravagancias como viajes y artículos de lujo.

  • 00:15:00 El orador enfatiza la importancia de invertir las ganancias en el negocio comercial. En lugar de invertir en una cartera más grande, es mejor invertir en la infraestructura del negocio, como datos, equipos o personal. Con respecto a los datos, es crucial invertir en datos de buena calidad, ya que los datos baratos a menudo tienen advertencias que pueden comprometer la precisión del backtest. Del mismo modo, es importante contar con máquinas más rápidas para mejorar la productividad de la investigación y contratar al personal adecuado que tenga las habilidades necesarias para el trabajo. Esta inversión en el negocio puede mejorar la capacidad de supervivencia a largo plazo del negocio. El orador concluye que administrar un negocio comercial como cualquier otro negocio puede ser beneficioso a largo plazo.

  • 00:20:00 El ponente comenta la importancia de invertir en una máquina multinúcleo y un software de cómputo paralelo adecuado para aumentar de cinco a diez veces la productividad de la investigación, lo cual es una excelente inversión considerando que las máquinas son mucho más baratas que la mano de obra. Además, invertir en una máquina local es más rentable y productivo que invertir en computación en la nube, que presenta una barrera psicológica y requiere transferencias de datos y pago por almacenamiento. El orador enfatiza la necesidad de centrarse en la ventaja comparativa de uno y complementar cualquier deficiencia invirtiendo en personal con habilidades complementarias, como codificación, estrategia, marketing u operaciones.

  • 00:25:00 El ponente comenta la importancia de invertir en personal para cubrir tus carencias y ampliar tus estrategias. Él enfatiza que el comercio debe tratarse como un negocio serio, y si uno no tiene el capital para invertir en personal, hay formas de lidiar con la situación. Los mejores fondos cuantitativos ahora utilizan un enfoque de equipo donde la estrategia creada no es el trabajo de un individuo sino un esfuerzo de equipo. Por lo tanto, es beneficioso estudiar los fenómenos financieros en lugar de las estrategias comerciales, ya que esto mejora la calidad de las estrategias comerciales. El orador también señala que el enfoque del comerciante independiente se está volviendo obsoleto y que los comerciantes más jóvenes están adoptando un enfoque único que es prometedor.

  • 00:30:00 El orador analiza los beneficios de estudiar el mercado más allá de generar estrategias comerciales rentables. Al adoptar un enfoque científico y estudiar el fenómeno por su propia curiosidad e interés intrínsecos, los comerciantes pueden descubrir artefactos interesantes del mercado que son repetibles y no solo el resultado de sobreajustar datos pasados. El orador aboga por comenzar con estrategias comerciales simples con una buena justificación intuitiva y señala que una estrategia exitosa a menudo implica eliminar malas operaciones en lugar de encontrar otras más rentables. Además, el comerciante que sabe cuándo no comerciar y cuándo no aplicar una determinada idea probablemente tendrá más éxito a largo plazo.

  • 00:35:00 Se enfatiza la importancia de comenzar con una estrategia simple en el comercio, ya que ayuda a superar la abrumadora cantidad de información y permite adquirir experiencia personal. Sin embargo, también es importante no permanecer en este nivel y agregar continuamente más predictores para prolongar la vida de los predictores individuales. Los predictores múltiples se pueden combinar exponencialmente de varias maneras, como linealmente o en capas, lo que dificulta su replicación y contribuye a una descomposición alfa más lenta. El aprendizaje automático suele ser necesario cuando se combinan predictores, pero existe el peligro de un ajuste excesivo. A pesar de estos desafíos, el orador concluye con una nota optimista, alentando a los comerciantes a aprender y mejorar continuamente sus estrategias.

  • 00:40:00 Ernie habla sobre la importancia de la colaboración en el comercio cuantitativo. Él enfatiza que la colaboración puede ocurrir de varias formas, no solo limitada a grandes corporaciones o empresas. Por ejemplo, los estudiantes universitarios pueden colaborar y formar un grupo comercial virtual donde diferentes personas pueden contribuir con diversas habilidades para crear una estrategia comercial exitosa. Ernie también alienta a los comerciantes a compartir sus ideas y no dude en enseñar a otros sobre sus estrategias. Si bien él cree que la mayoría de las ideas comerciales no son originales, es la ejecución, la gestión de riesgos y otras ventajas competitivas agregadas a la estrategia lo que hace que funcione mejor y dure más. Por lo tanto, los comerciantes no necesitan ceder su ventaja competitiva, pero compartir ideas comerciales básicas puede conducir a una entrada neta a medida que otros brindan comentarios que pueden agudizar y mejorar la estrategia.

  • 00:45:00 El orador analiza su experiencia en el comercio cuantitativo y menciona su exitoso modelo de Forex que arrojó una relación de Sharpe de más de tres durante su punto máximo. Aconseja a los ingenieros de software que comiencen por examinar los modelos de otras personas, realizar pruebas retrospectivas y comercializarlos, y asociarse con personas que poseen conocimientos fundamentales pero carecen de habilidades de codificación. Sugiere varios métodos para predecir la volatilidad y recomienda estrategias comerciales solo en regímenes favorables. Cuando se le pregunta sobre las calificaciones para contratar desarrolladores cuantitativos, enfatiza las habilidades de codificación y una comprensión básica del mercado y sus complejidades.

  • 00:50:00 El orador discute lo que se debe y no se debe hacer en el comercio cuantitativo. Él enfatiza que si una estrategia comercial no genera dinero, uno debe disminuir su apalancamiento hasta que se convierta en ruido en la cartera. El orador enfatiza la importancia de buscar patrones y fenómenos en el comercio, afines a la física y la ingeniería. Como principiante, recomienda identificar una ventaja competitiva y asociarse con alguien con habilidades complementarias. Luego, el orador considera usar más datos en los algoritmos de ML, explica que más datos no siempre es mejor, y sugiere usar embolsado para simular datos sin extenderse más en el historial. Finalmente, el ponente afirma que una mejor gestión del riesgo es crucial, ya que permite seguir ejecutando una estrategia sin perder dinero, incluso si los rendimientos comienzan a disminuir.

  • 00:55:00 Ernie Chan responde preguntas de los espectadores relacionadas con el comercio cuantitativo. Sugiere que construir derivados financieros es una buena oportunidad para aquellos con experiencia, pero requiere buscar en áreas de nicho. Recomienda usar Crisp Data y Tech Data para realizar pruebas retrospectivas de los datos de acciones, pero advierte que los buenos datos tienen un alto costo. Chan también analiza el comercio de impulso y la paridad de riesgo como estrategias efectivas en el entorno actual, y sugiere que Python es una buena fuente abierta para comenzar en el campo.
 

Finanzas Cuantitativas | Clasificación de estrategias comerciales cuantitativas por Radovan Vojtko



Finanzas Cuantitativas | Clasificación de estrategias comerciales cuantitativas por Radovan Vojtko

Radovan Vojtko, director ejecutivo de Quantpedia, brinda información valiosa sobre el proceso de selección de estrategias comerciales cuantitativas para su base de datos. Él enfatiza la importancia de aprovechar la investigación académica para descubrir estrategias confiables e implementables que puedan ser utilizadas por los comerciantes. A pesar de los conceptos erróneos comunes, Vojtko destaca que todavía hay muchas ideas comerciales en artículos académicos que tienen potencial.

Vojtko explica que la clase de activos más popular para las estrategias comerciales son las acciones, seguidas de las materias primas, las divisas, los bonos y los bienes raíces. Estas clases de activos ofrecen una amplia gama de oportunidades para implementar estrategias cuantitativas. Clasifica las estrategias cuantitativas en varias clasificaciones, que incluyen sincronización, arbitraje e impulso, entre otras.

Un aspecto clave que enfatiza Vojtko es la existencia de puntos ciegos en la investigación académica, particularmente en clases de activos menos cubiertos como bonos y materias primas. Estos puntos ciegos presentan oportunidades para descubrir nuevas fuentes de alfa, y los comerciantes pueden capitalizarlos. Para combatir problemas como la piratería informática y la replicación, Vojtko recomienda pruebas rigurosas y el uso de técnicas de anonimización de impulso.

Contrariamente a la creencia de que las estrategias comerciales publicadas ya no funcionan, Vojtko afirma que algunas estrategias continúan dando resultados positivos incluso después de su publicación, con más del 40% del alfa restante después de cinco años. Para seleccionar las estrategias más prometedoras, sugiere realizar pruebas fuera de la muestra, aumentar el punto de corte para la significancia estadística, crear una base de datos integral de estrategias y elegir aquellas con el mejor rendimiento.

Vojtko analiza además estrategias comerciales específicas, como los enfoques de reversión a la media en el comercio de futuros de productos básicos y las estrategias de riesgo de anuncio de ganancias previas. Enfatiza la importancia de la descomposición alfa y los desafíos que plantean el P-hacking y la minería de datos. Es crucial probar y validar rigurosamente las estrategias antes de implementarlas.

Al abordar la idea errónea de que las estrategias comerciales cuantitativas pierden efectividad una vez publicadas, Vojtko cita investigaciones que muestran que las estrategias aún pueden funcionar bien con el tiempo. Aconseja a los comerciantes que eviten el dragado de datos y subraya la necesidad de realizar pruebas y validaciones exhaustivas.

En términos de replicación en la investigación académica, Vojtko sugiere aumentar el punto de corte para la significación estadística y emplear pruebas fuera de muestra para comparar carteras basadas en datos publicados. Este enfoque asegura una replicación más precisa y permite la identificación de estrategias ganadoras.

Para ampliar el conjunto de estrategias rentables, Vojtko recomienda crear una base de datos con una amplia gama de estrategias y seleccionar aquellas con el mejor rendimiento. También proporciona recursos para encontrar estrategias comerciales cuantitativas, como Social Science Network y Quantpedia.

En cuanto a los lenguajes de programación para finanzas cuantitativas, Vojtko menciona la disponibilidad de varias opciones y aconseja elegir un lenguaje con el que uno se sienta cómodo. Python es un lenguaje preferido, pero otras opciones como Tradestation, Ninjatrader o Ami Broker también pueden ser efectivas. Vojtko enfatiza la necesidad de fusionar las habilidades financieras y tecnológicas para el comercio algorítmico exitoso y ofrece programas educativos para desarrollar experiencia en ambas áreas.

  • 00:00:00 En esta sección, Arjuna presenta a Radovan Vojtko, el director ejecutivo de Quantpedia, un sitio web que sirve como una enciclopedia de estrategias comerciales cuantitativas. Vojtko es un antiguo gestor de carteras y ha gestionado más de 300 millones de euros en fondos cuantitativos centrados en estrategias de seguimiento de tendencias ETA de múltiples activos, sincronización del mercado y comercio de volatilidad. Vojtko enfatiza la importancia de prestar atención a la investigación académica financiera y menciona que hay muchas estrategias comerciales e ideas interesantes publicadas en investigaciones académicas que las personas pueden usar para operar o modificarlas para sus propios sistemas comerciales. También comparte algunos problemas comunes relacionados con la implementación de estrategias que están fuera de la investigación académica.

  • 00:05:00 En esta sección, Radovan Vojtko analiza el proceso de selección de estrategias comerciales para su base de datos. Explica que leen muchos artículos académicos y seleccionan estrategias que son implementables y tienen características confiables de rendimiento y riesgo. Da el ejemplo de la estrategia de impulso en acciones sobre la que se escribió por primera vez en un artículo de 1993 de Jagadeesh y Titman, y artículos posteriores relacionados. Vojtko también menciona que no publican códigos comerciales ya que los clientes institucionales prefieren probar estrategias con sus propios datos. Finalmente, describe los tres grandes grupos que realizan investigación cuantitativa: académicos, investigación del lado del vendedor y fondos de cobertura y compañías de gestión de activos.

  • 00:10:00 En esta sección, el orador analiza la descripción general y la clasificación de las estrategias comerciales cuantitativas. Según el orador, las acciones son una clase de activos bien cubierta en la investigación académica, seguidas de las materias primas, las divisas, los bonos y los bienes raíces. El marco de tiempo más popular para las estrategias comerciales es el reequilibrio mensual, con operaciones de alta frecuencia subrepresentadas debido a la necesidad de requisitos de programación y datos más costosos. En cuanto a los temas, las estrategias de renta variable, como largo-corto plazo e impulso, son las más populares, seguidas de la sincronización del mercado, el valor y los efectos fundamentales de las ganancias. El orador también presenta su punto de vista sobre cómo clasificar y encontrar estrategias comerciales interesantes en una base de datos.

  • 00:15:00 En esta sección, el orador analiza las diferentes clasificaciones de las estrategias comerciales cuantitativas e introduce el concepto de puntos ciegos en la investigación. Los puntos ciegos se refieren a áreas de investigación que no están bien cubiertas, lo que presenta oportunidades para encontrar nuevas estrategias alfa o comerciales. Luego, el orador presenta una distribución de diferentes estrategias a través de las clases de activos, mostrando que las acciones son dominantes, mientras que los bonos y los REIT no están bien cubiertos. Entre los estilos conocidos, el impulso y el arbitraje están bien cubiertos, pero el orador destaca las oportunidades en las estrategias de sincronización para otras clases de activos y en el desarrollo de estrategias interesantes para el comercio de divisas.

  • 00:20:00 En esta sección, Radovan Vojtko analiza la clasificación de las estrategias comerciales cuantitativas por clase de activo, con especial énfasis en las estrategias de acciones. Señala que hay más estilos de negociación de acciones que todas las demás clases de activos combinadas, con seis tipos principales de estrategias de acciones que incluyen sincronización, arbitraje y negociación de valores. Sin embargo, hay puntos ciegos cuando se trata de estilos populares y algunas clases de activos están poco exploradas, como los bonos y las materias primas. Vojtko también destaca algunas brechas en las estrategias intradía y de solo posiciones cortas, que ofrecen una gran oportunidad para encontrar oportunidades de inversión únicas e interesantes que no se han cubierto en los trabajos de investigación.

  • 00:25:00 En esta sección, el video analiza dos estrategias comerciales cuantitativas. La primera estrategia consiste en utilizar un enfoque de reversión a la media para negociar futuros de materias primas. El enfoque implica agrupar productos básicos con características similares, calcular el índice de rendimiento total de productos básicos para cada grupo de productos básicos y crear pares dentro de cada grupo. Luego, los pares se negocian en función de la distancia histórica y se toman posiciones diarias si la divergencia de los precios es superior a dos desviaciones estándar. La segunda estrategia es el riesgo previo al anuncio de ganancias, que aprovecha la tendencia de las acciones a la deriva después de los anuncios de ganancias. Al crear una cartera larga-corta, los inversores pueden beneficiarse de esta tendencia. Si bien la deriva posterior al anuncio de ganancias es bien conocida, el hecho de que las acciones también tienden a fluctuar antes de los anuncios de ganancias es menos conocido.

  • 00:30:00 En esta sección del video, Radovan Vojtko explica el concepto de decaimiento alfa, donde hay una diferencia en el desempeño dentro y fuera de la muestra de una estrategia comercial. También analiza el problema de la piratería informática y los problemas de replicación en la investigación cuantitativa, donde los investigadores pueden probar una gran cantidad de variaciones de una estrategia comercial hasta que encuentren algo interesante, lo que lleva a la extracción de datos. Para evitar este problema, Vojtko sugiere utilizar la anonimización del impulso, que le permite al comerciante ver si una estrategia es realmente rentable o si es solo una casualidad estadística. A pesar de estos problemas, existen varias estrategias comerciales cuantitativas que se han publicado en artículos académicos, siendo un ejemplo una estrategia de anuncio de ganancias previas que ha mostrado un rendimiento anual del 40%.

  • 00:35:00 En esta sección, el orador discute el concepto erróneo común de que las estrategias comerciales cuantitativas ya no funcionan una vez que son publicadas y conocidas por otros, ya que son arbitradas por otros jugadores. Sin embargo, la investigación realizada por McLean y Pontiff muestra que algunas estrategias aún funcionan incluso después de la publicación, con más del 40 % del alfa restante después de cinco años de publicación. El orador también habla sobre la persistencia de anomalías o factores en el comercio, enfatizando que cualquier estrategia puede ser persistente y tener un buen desempeño en el futuro, pero un mal momento por parte de los inversores puede conducir a rendimientos más bajos. El ponente advierte contra el dragado de datos o la pesca de datos, que es un uso de la minería de datos que puede conducir a descubrimientos falsos, y destaca la importancia de probar rigurosamente cualquier estrategia antes de implementarla.

  • 00:40:00 En esta sección, Radovan Vojtko analiza el tema de la replicación en la investigación académica, particularmente en las estrategias comerciales cuantitativas. Menciona el problema de los investigadores que extraen datos y buscan patrones sin una hipótesis específica de antemano, lo que da como resultado una significación estadística sin un uso práctico real. Vojtko sugiere aumentar el punto de corte para la significación estadística a 3,0 o 3,5 para ser lo más estricto posible con la estrategia encontrada, utilizando pruebas fuera de la muestra para comparar carteras de factores de renta variable en función de los datos publicados. De esta manera, los datos hablan por sí mismos al elegir a los ganadores, lo que permite una replicación más precisa y un uso potencial en operaciones futuras.

  • 00:45:00 En esta sección, Radovan Vojtko analiza una estrategia de anomalías inéditas de impulso en la que cada año, las anomalías se clasifican según su rendimiento y las de mejor rendimiento se negocian en el año siguiente. Esta estrategia ayuda a filtrar estrategias poco realistas, de bajo rendimiento o de arbitraje, lo que aumenta las posibilidades de descubrir estrategias rentables a través de la investigación académica. Sin embargo, la estrategia no es infalible y hay que tener en cuenta la liquidez y los costes de transacción. Además, el rendimiento de las anomalías puede disminuir y se deben abordar los sesgos y los puntos ciegos. Vojtko recomienda crear una base de datos de más estrategias y elegir las que tengan el mejor rendimiento para aumentar las posibilidades de encontrar estrategias rentables.

  • 00:50:00 En esta sección del video, el orador responde las preguntas de los espectadores y recomienda recursos para encontrar estrategias comerciales cuantitativas. Sugieren consultar el sitio web Social Science Network, ya que es un repositorio de trabajos de investigación de las ciencias sociales, que se pueden buscar por palabras clave como comercio de pares o comercio de impulso. El orador también recomienda su propio sitio web, Quantpedia, que tiene una sección gratuita con más de 60 estrategias comunes y conocidas y una sección premium con más estrategias únicas. Cuando se le preguntó con qué estrategia deberían comenzar los principiantes, el orador sugiere mirar las estrategias de impulso y selección de costos de activos en EPS. Para calcular el decaimiento beta, el orador recomienda consultar los artículos académicos mencionados en su publicación o hacer una búsqueda en Google de artículos académicos sobre el decaimiento alfa.

  • 00:55:00 En esta sección, el orador analiza los lenguajes de programación recomendados para las finanzas cuantitativas, afirmando que hay muchos disponibles en línea y que, en última instancia, se trata de una preferencia personal. Proporcionan un enlace a su sitio web que tiene varios enlaces a alrededor de 50 back testers, y personalmente prefieren Python, pero tienen en cuenta que otros son igual de válidos. Sugieren elegir un idioma con el que se sienta cómodo y usar una solución preconstruida de fuentes proporcionadas como Tradestation, Ninjatrader o Ami Broker para comenzar a operar o probar. Además, el orador menciona que el comercio algorítmico exitoso requiere una combinación de habilidades en finanzas y tecnología, y ofrecen programas educativos para capacitar a las personas en ambas áreas.
 

Recurriendo a los datos para una ventaja comercial · Dave Bergstrom, operador cuantitativo



Recurriendo a los datos para una ventaja comercial · Dave Bergstrom, operador cuantitativo

En este video, Dave Bergstrom, un comerciante cuantitativo exitoso, comparte su viaje en el mundo comercial y enfatiza la importancia de utilizar técnicas de análisis de datos para descubrir las ventajas del mercado. Hace hincapié en la necesidad de evitar el ajuste de curvas y la optimización excesiva, recomienda aprovechar múltiples recursos para aprender a operar y programar, y destaca la importancia de una gestión de riesgos adecuada y tener expectativas realistas. Bergstrom también analiza el posible declive del comercio de alta frecuencia y presenta su paquete de software, Build Alpha, que ayuda a los comerciantes a encontrar y generar estrategias comerciales rentables.

Dave Bergstrom, inicialmente un comerciante de alta frecuencia, relata su camino desde casi estudiar derecho hasta convertirse en comerciante. Durante sus estudios universitarios, profundizó en el comercio y buscó información en plataformas como Twitter de finanzas y podcasts para aprender sobre patrones comerciales y acciones de impulso. Aunque experimentó un éxito temprano, Bergstrom reconoce que sus primeras estrategias y técnicas difieren significativamente de sus métodos comerciales actuales. Destaca su uso de técnicas de minería de datos durante el desarrollo de la estrategia y presenta su paquete de software, Build Alpha, que permite a los comerciantes emplear varias formas de análisis discutidas en este episodio.

Comenzando con sus humildes comienzos, Bergstrom revela su incursión inicial en el comercio vendiendo camisetas y bolsos falsificados de la NFL. Posteriormente, financió una cuenta comercial y se dedicó a negociar acciones en función del impulso y el análisis técnico, en particular los patrones de gráficos. Sin embargo, se enfrentó a la inconsistencia y luchó por entender por qué su saldo de capital volvía constantemente a cero. Con más experiencia, Bergstrom se dio cuenta de que la ausencia de un enfoque sistemático obstaculizaba su capacidad para lograr rendimientos consistentes. Fue solo después de que se mudó a Florida y trabajó como asistente comercial en una empresa comercial de alta frecuencia que descubrió el ámbito del análisis cuantitativo, allanando el camino para la consistencia en sus esfuerzos comerciales.

Bergstrom analiza más a fondo su transición a un rol que exigía el análisis de datos. Para sobresalir en este puesto, aprendió a programar de forma autodidacta y se centró en el análisis técnico objetivo, ya que su empresa creía en la identificación de anomalías o patrones en los datos que podrían conducir a operaciones rentables. Explica el proceso de pruebas y estrategias de backtesting antes de que puedan emplearse, un viaje que requirió varios años de prueba y error para lograr un éxito constante. Los puntos de vista de Bergstrom sobre el análisis técnico han evolucionado, favoreciendo el análisis objetivo que utiliza datos para identificar patrones sobre el análisis subjetivo basado en la intuición.

La programación juega un papel importante en el viaje comercial de Bergstrom, que él considera una superpotencia. Reconociendo que Excel era insuficiente para manejar la gran cantidad de datos en el comercio de alta frecuencia, aprendió a programar para pasar de un rol de asistente comercial a un rol de mesa comercial. Bergstrom considera que la programación es una excelente inversión debido a sus ganancias asimétricas y su mínimo riesgo. Aconseja a los aspirantes a programadores que exploren diferentes recursos, se mantengan diligentes y busquen orientación de personas con conocimientos para acelerar el proceso de aprendizaje.

Bergstrom enfatiza la importancia de buscar múltiples recursos al aprender a operar y programar. Recomienda utilizar plataformas como Stack Exchange para programar y anima a aprender varios lenguajes de programación, como Python, C++ y Java. Al hablar sobre su enfoque comercial, Bergstrom se identifica a sí mismo como un minero de datos y cree que se pueden descubrir numerosas ventajas del mercado a través del análisis de datos. Si bien algunos perciben que la minería de datos es propensa al sobreajuste, él argumenta que puede ser una herramienta valiosa cuando se toman medidas para evitar el sobreajuste y la optimización excesiva.

Bergstrom arroja luz sobre cómo descubre las ventajas comerciales a través de la extracción de datos y emplea una función de aptitud que busca estrategias rentables basadas en criterios específicos. Destaca la importancia de evitar el ajuste de curvas empleando técnicas como mantener un número mínimo de operaciones y utilizar validación cruzada. Explica que una ventaja se refiere a algo con una expectativa positiva, que se puede identificar a través del análisis de datos. En última instancia, busca estrategias rentables, incluso si no se basan en hipótesis preexistentes, pero confía más en las estrategias que se alinean con el razonamiento lógico.

Tener un número significativo de operaciones es crucial cuando se prueba una estrategia, según Bergstrom. Hace hincapié en los riesgos del ajuste de curvas y desaconseja optimizar los parámetros con períodos retrospectivos. En cambio, prefiere usar métricas no paramétricas como medidas de conteo. Además, Bergstrom subraya la importancia de los regímenes de mercado, así como el volumen y la volatilidad, para comprender el comportamiento del mercado. Menciona un poderoso gráfico que compartió en Twitter que ilustra la importancia de establecer expectativas realistas y emplear el análisis de Monte Carlo para evitar la asignación insuficiente de fondos a un sistema comercial.

Las expectativas realistas en el comercio se exploran más a fondo, ya que Bergstrom enfatiza que incluso si un backtest muestra una estrategia rentable, es crucial comprender que los resultados de la vida real pueden diferir. Herramientas como las simulaciones de Monte Carlo y las pruebas de varianza ayudan a los operadores a crear una distribución de posibles resultados y establecer expectativas realistas para operaciones futuras. Bergstrom presenta sus tres leyes de negociación, con la primera ley favoreciendo las proporciones asimétricas de riesgo-recompensa. Esto significa que prefiere un porcentaje de ganancias más bajo pero una recompensa más alta, en lugar de lo contrario.

La gestión adecuada del riesgo ocupa un lugar central en la filosofía comercial de Bergstrom, particularmente en lo que respecta al tamaño de las apuestas. Explica que no es beneficioso para un comerciante tener una operación con un tamaño significativamente mayor que otras dentro del mismo patrón o sistema. Bergstrom advierte contra la inversión excesiva en operaciones "emocionantes", ya que evita que las probabilidades matemáticas se desarrollen en una gran cantidad de operaciones, lo cual es necesario para que la ley de los grandes números entre en vigor. Sugiere que operar de una manera más conservadora y consistente en un número significativo de operaciones garantiza que se manifieste la ventaja positiva. Si bien el comercio intradiario y de alta frecuencia se alinea mejor con la ley de los grandes números, Bergstrom cree que los marcos de tiempo diarios también pueden ser efectivos si la prueba de varianza es satisfactoria.

Bergstrom profundiza en la importancia de la solidez de la estrategia en todos los mercados. Si bien reconoce el valor de crear estrategias que funcionen en múltiples mercados, tiende a rehuir aquellas que generan intercambios insuficientes. Con respecto a los costos de transacción y la búsqueda de mayores ganancias en cada operación, Bergstrom cree que se puede lograr un enfoque equilibrado. La estrategia no debe estar cargada de costos de transacción excesivos, pero al mismo tiempo, no debe estar diseñada para generar un número excesivo de operaciones. Cambiando de tema, Bergstrom aborda los conceptos erróneos comunes que rodean el comercio de alta frecuencia (HFT), afirmando que a menudo ha sido vilipendiado injustamente debido a que las personas buscan un chivo expiatorio. Él cree firmemente que HFT es beneficioso y no tiene intenciones depredadoras.

Por último, Bergstrom analiza el posible declive del comercio de alta frecuencia, que atribuye al aumento de la competencia y la exposición de las estrategias. El debate gira en torno a si la caída se debe a un mercado sobresaturado o a las políticas monetarias implementadas por los bancos centrales, que no respaldan el mercado bilateral requerido para el comercio de alta frecuencia. Bergstrom presenta su paquete de software, Build Alpha, que permite a los usuarios seleccionar señales y buscar diferentes estrategias basadas en criterios de salida y una función de aptitud. El software identifica las mejores estrategias y genera un código negociable para cada una, lo que permite la creación de carteras y un análisis exhaustivo. Las personas interesadas pueden visitar el sitio web buildalpha.com o ponerse en contacto con Dave Bergstrom por correo electrónico en David@buildalpha.com o en Twitter @Deeper_DB.

En conclusión, el viaje de Dave Bergstrom para convertirse en un comerciante exitoso muestra la importancia de las técnicas de análisis de datos para encontrar ventajas en el mercado. Su énfasis en evitar el ajuste de curvas, utilizar múltiples recursos para aprender, practicar una gestión de riesgos adecuada y mantener expectativas realistas proporciona información valiosa para los aspirantes a comerciantes. Además, sus pensamientos sobre el comercio de alta frecuencia y la introducción de Build Alpha demuestran su compromiso con el avance de las estrategias comerciales y el empoderamiento de los comerciantes a través de soluciones de software innovadoras.

  • 00:00:00 Dave Bergstrom, un comerciante de alta frecuencia, analiza su viaje desde casi ir a la facultad de derecho hasta el comercio. Comenzó a operar durante la licenciatura y buscó información en Internet, como finanzas, Twitter y podcasts, para aprender sobre patrones comerciales y acciones de impulso. Tuvo un éxito temprano en el comercio, pero reconoce que sus primeras estrategias y técnicas comerciales que usó entonces son muy diferentes de cómo comercia ahora. Dave también habla sobre cómo utiliza técnicas de minería de datos durante el desarrollo de estrategias y sugiere formas de reducir el ajuste de curvas. Incluso desarrolló un paquete de software llamado Build Alpha, que permite a los operadores realizar muchas de las técnicas y diferentes formas de análisis discutidas en este episodio.

  • 00:05:00 Dave Bergstrom, un comerciante cuantitativo, comparte sus humildes comienzos en el comercio, empezando por ganar dinero vendiendo camisetas y bolsos falsificados de la NFL. Luego financió una cuenta comercial, inicialmente negociando acciones en función del impulso y el análisis técnico, en particular los patrones de gráficos. Sin embargo, luchó con la inconsistencia y no podía entender por qué seguía volviendo a un saldo de capital cero. Con más experiencia, Bergstrom se dio cuenta de que no tenía un sistema y siguió reiniciando, evitando cualquier retorno constante. Fue solo cuando se mudó a Florida y se convirtió en asistente comercial en una empresa comercial de alta frecuencia que descubrió el análisis cuantitativo y encontró un nuevo camino hacia la consistencia en el comercio.

  • 00:10:00 Dave Bergstrom, un operador cuantitativo, habla sobre su transición a un rol que requería que analizara datos. Bergstrom tuvo que aprender a programar por sí mismo y centrarse en el análisis técnico objetivo porque la empresa para la que trabajaba creía en la búsqueda de anomalías o patrones en los datos que pudieran conducir a realizar operaciones rentables. Explica que hay un proceso de prueba y backtesting antes de que una ventaja o patrón pueda usarse para operar, y tuvo que realizar pruebas y errores durante algunos años para obtener un éxito constante. Los puntos de vista de Bergstrom sobre el análisis técnico han cambiado y cree que el análisis objetivo, que utiliza datos para determinar patrones, es mejor que el análisis subjetivo, que depende de la intuición para identificar patrones.

  • 00:15:00 Dave Bergstrom explica cómo aprendió a programar y por qué lo ve como un superpoder. Aprendió a programar porque quería pasar de un rol de asistente de entrenador a un rol de mesa de comercio cuando se dio cuenta de que Excel no podía manejar la cantidad de datos involucrados en el comercio de alta frecuencia. Bergstrom considera que la programación es la mejor operación que cualquiera puede hacer porque las ganancias son asimétricas y el riesgo es mínimo. Aconseja a cualquiera que esté considerando aprender a programar que busque diferentes recursos, sea diligente y encuentre personas que puedan responder preguntas para ayudar a acelerar el proceso.

  • 00:20:00 Dave Bergstrom habla sobre la importancia de buscar múltiples recursos al aprender a operar y programar. Recomienda usar Stack Exchange para programar y sugiere aprender varios lenguajes, como Python, C++ y Java. Cuando se le preguntó acerca de su enfoque comercial, Bergstrom admite ser un minero de datos y cree que hay muchas ventajas en el mercado que esperan ser descubiertas a través del análisis de datos. Si bien algunos pueden ver la minería de datos como un ajuste excesivo, él argumenta que es una herramienta útil siempre que se tomen medidas para evitar el ajuste excesivo y la optimización excesiva.

  • 00:25:00 Dave Bergstrom habla sobre cómo encuentra ventajas en el comercio a través de la extracción de datos y el uso de una función de aptitud que busca estrategias rentables basadas en criterios específicos. Hace hincapié en la importancia de evitar el ajuste de curvas mediante el uso de técnicas como el número mínimo de intercambios y la validación cruzada. También explica que una ventaja es algo que tiene una expectativa positiva, que se puede identificar a través del análisis de datos. En última instancia, busca estrategias rentables aunque no se base en una hipótesis preexistente, pero si tiene sentido lógico, le da más confianza.

  • 00:30:00 Dave Bergstrom habla sobre la importancia de tener una gran cantidad de operaciones al probar una estrategia. También menciona los riesgos del ajuste de curvas y cómo evitarlo al no optimizar los parámetros con períodos retrospectivos. En cambio, prefiere usar métricas no paramétricas como medidas de conteo. También enfatiza la importancia de los regímenes de mercado, así como el volumen y la volatilidad al comprender el comportamiento del mercado. Además, explica un poderoso gráfico que publicó en Twitter que muestra la importancia de tener expectativas realistas y utilizar el análisis de Monte Carlo para evitar la asignación insuficiente de fondos a un sistema comercial.

  • 00:35:00 Aprendemos sobre expectativas realistas en el comercio. Aunque un backtest puede mostrar una estrategia rentable, es importante comprender que estos resultados pueden no ser los mismos en la vida real. Herramientas como las simulaciones de Monte Carlo y las pruebas de varianza pueden ayudar a los operadores a crear una distribución de posibles resultados y determinar expectativas realistas para operaciones futuras. El orador invitado también presenta sus tres leyes de negociación, la primera de las cuales es que prefiere el riesgo asimétrico a la recompensa, lo que significa que preferiría tener un porcentaje de ganancias más bajo pero un pago más alto que lo contrario.

  • 00:40:00 El trader de Quant, Dave Bergstrom, enfatiza la importancia de una adecuada gestión de riesgos en el comercio, específicamente con respecto al tamaño de las apuestas. Él explica que no es lo mejor para un comerciante tener una operación con un tamaño significativamente mayor que las otras en el mismo patrón o sistema. Bergstrom advierte contra apostar demasiado en operaciones "emocionantes", ya que no permite que las matemáticas se desarrollen en una gran cantidad de operaciones, lo cual es necesario para que entre en juego la ley de los grandes números. Bergstrom sugiere que es mejor comerciar de forma aburrida y permanecer en el juego durante una gran cantidad de operaciones para garantizar que se desarrolle la ventaja positiva. Si bien el comercio intradiario y de mayor frecuencia se presta mejor a la ley de los grandes números, Bergstrom cree que los marcos de tiempo diarios también pueden funcionar si la prueba de varianza es satisfactoria.

  • 00:45:00 Dave Bergstrom analiza la importancia de la solidez en los mercados para una estrategia comercial. Si bien cree que es un buen enfoque para crear una estrategia que funcione en múltiples mercados, tiende a rehuir algo que no genera suficientes intercambios. Cuando se le preguntó acerca de cómo los costos de transacción pueden afectar una estrategia comercial y si vale la pena buscar más ganancias en cada operación, Bergstrom cree que se puede lograr un término medio feliz, donde la estrategia no lo mata con los costos de transacción, pero quizás no genera mil oficios tampoco. En una nota diferente, Bergstrom afirma que los HFT (comercio de alta frecuencia) se malinterpretan y, a menudo, se los pinta con mala reputación debido a que las personas buscan un chivo expiatorio. Él cree que HFT es beneficioso y no tiene nada de depredador.

  • 00:50:00 Dave Bergstrom analiza el posible declive del comercio de alta frecuencia a medida que se vuelve cada vez más difícil de ejecutar debido a la competencia y la exposición de las estrategias. Existe un debate sobre si se debe a demasiados jugadores en el mercado o a la política monetaria establecida por la Fed y otros bancos centrales que no respaldan un mercado de dos caras, que es lo que requiere el comercio de alta frecuencia. Bergstrom está trabajando en un paquete de software llamado Build Alpha que permite a los usuarios seleccionar de una lista de señales y buscar diferentes estrategias en función de sus criterios de salida y función de aptitud. Luego encuentra las mejores estrategias y genera código negociable para cada una, lo que permite la creación de carteras y el análisis de las mismas. El sitio web de Build Alpha es buildalpha.com, al que los usuarios pueden contactar con Dave en David@buildalpha.com o en Twitter @Deeper_DB.
 

Qué lenguaje de programación para el comercio cuantitativo y HFT



Qué lenguaje de programación para el comercio cuantitativo y HFT

Este video proporciona una descripción general completa de los lenguajes de programación comúnmente utilizados en el comercio cuantitativo y el comercio de alta frecuencia (HFT). El orador clasifica estos lenguajes en lenguajes de creación de prototipos e interpretación de secuencias de comandos, así como lenguajes compilados heredados como Java, C#, C y C++. Se analizan en detalle las ventajas y desventajas de los lenguajes populares para modelar ideas comerciales, incluidos Python, R, MATLAB y Microsoft Visual Studio. Además, el video destaca consideraciones importantes al seleccionar un lenguaje de programación, como la ubicación conjunta, la creación de prototipos rentables y el soporte de intermediarios. Enfatiza la importancia de utilizar herramientas de productividad y tener en cuenta todo el sistema comercial, incluida la gestión de riesgos y la gestión de carteras.

El orador comienza categorizando los lenguajes de programación en diferentes grupos en función de su idoneidad para la investigación de prototipos y la creación de scripts interpretativos. En el contexto del comercio cuantitativo, aborda específicamente Python y MATLAB como opciones populares para modelar ideas comerciales. Sin embargo, señala el desafío de las versiones fragmentadas de Python (2.7 y 3.x) y destaca los problemas con la compatibilidad y el rendimiento de R. Python, por un lado, ofrece numerosas opciones, lo que puede ser abrumador para los desarrolladores y requiere capacitación adicional. Por otro lado, R tiene ciertas limitaciones en términos de compatibilidad y rendimiento.

En el futuro, el orador profundiza en varios lenguajes de programación comúnmente utilizados en el comercio cuantitativo y HFT. Se analiza Python, enfatizando sus fortalezas en términos de paquetes de datos, pero también sus inconvenientes, como una ejecución más lenta y capacidades limitadas de gestión de órdenes. El ponente también menciona MATLAB 2015 y Microsoft Visual Studio 2015, que permiten la integración de Python. Se destacan los lenguajes compilados heredados como Java, C#, C y C++, y se recomienda Java como un punto de partida adecuado para los principiantes en programación. C# es elogiado por su facilidad de comprensión y sus técnicas avanzadas, mientras que el rendimiento óptimo con C# se limita a los entornos de Windows.

El video explora aún más los lenguajes de programación adecuados para el comercio cuantitativo y de alta frecuencia, incluidos Java, C/C++ y MATLAB. Java y C# se destacan por su fácil integración con las bases de datos, pero pueden surgir limitaciones debido a que la recolección de basura afecta el rendimiento. C y C++ son elogiados como lenguajes que ofrecen velocidad y control de memoria óptimos, pero pueden ser más complejos de aprender. MATLAB es reconocida como una plataforma poderosa y versátil con varias cajas de herramientas para la adquisición de datos, el análisis, la ejecución comercial y la gestión de riesgos. Se destaca su soporte avanzado de aprendizaje automático y matemático, junto con la capacidad de generar código en C/C++ a través de MATLAB Coder. El ponente también menciona la opción de integrar MATLAB en un servidor web de alto rendimiento utilizando MATLAB Production.

Las consideraciones para seleccionar un lenguaje de programación en el comercio cuantitativo y HFT se discuten a fondo. El orador destaca la ventaja de la ubicación conjunta en los intercambios comerciales, particularmente en el comercio HFT, y menciona a MathWorks como un proveedor que facilita la ubicación conjunta. La asequibilidad de Lab Home Edition, a partir de $150, se menciona como un entorno de creación de prototipos rentable. Además, se enfatiza la elección del corredor como un factor crítico que influye en la selección del lenguaje de programación. Interactive Brokers se destaca como un corredor que admite lenguajes heredados como Java, C++ y C#. El orador aconseja a los recién llegados que utilicen herramientas de productividad y enfatiza la necesidad de considerar los aspectos más amplios del sistema comercial, incluida la gestión de riesgos, la evaluación y la gestión de carteras.

En general, el video brinda información valiosa sobre los diferentes lenguajes de programación utilizados en el comercio cuantitativo y HFT, sus fortalezas y limitaciones, y los factores clave a considerar al seleccionar un idioma para fines comerciales. Subraya la importancia de comprender todo el sistema comercial y utilizar las herramientas apropiadas para operaciones comerciales eficientes y efectivas.

  • 00:00:00 El orador analiza las diferentes opciones de lenguaje de programación para el comercio cuantitativo y de alta frecuencia. Clasifica los lenguajes en investigación de creación de prototipos y lenguajes de secuencias de comandos interpretativos, junto con lenguajes compilados heredados. El orador cubre Python y MATLAB, que normalmente se usan para modelar ideas comerciales y, en particular, señala el problema de fragmentación en las dos versiones principales de Python (2.7 y 3.x). El orador también brinda información sobre los pros y los contras de R y Python, y sugiere que R tiene algunos problemas con la compatibilidad y el rendimiento. Mientras tanto, Python tiene demasiadas opciones, lo que puede resultar confuso para los desarrolladores y requiere un poco más de capacitación.

  • 00:05:00 El orador analiza varios lenguajes de programación utilizados para el comercio cuantitativo y HFT, comenzando con Python, que es conocido por sus paquetes de datos, pero también es lento y tiene una capacidad de gestión de pedidos limitada. También menciona MATLAB 2015 y Microsoft Visual Studio 2015, que permiten el uso de Python, y luego pasa a lenguajes heredados como Java, C#, C y C++, todos los cuales son lenguajes compilados. Destaca Java como un buen punto de partida para los novatos en programación, aunque está limitado en términos de ejecutarlo correctamente y de forma nativa, y recomienda C# por su facilidad de comprensión y técnicas avanzadas. Sin embargo, el rendimiento óptimo con C# solo es posible en Windows.

  • 00:10:00 El video analiza varios lenguajes de programación que son útiles para el comercio cuantitativo y de alta frecuencia, incluidos Java, C/C++ y MATLAB. Java y C# pueden integrarse fácilmente con otras bases de datos, pero el rendimiento puede verse limitado por las recolecciones de elementos no utilizados. C y C++ son los lenguajes de desempeño óptimo para la velocidad y el control de la memoria, pero pueden ser complicados de aprender. MATLAB es una plataforma potente y universal con muchas cajas de herramientas para la adquisición y el análisis de datos, la ejecución comercial y la gestión del agua. También cuenta con soporte avanzado de matemáticas y aprendizaje automático, y la capacidad de generar código para C/C++ con estricto cumplimiento a través del codificador MATLAB. También se puede integrar en un servidor web de alto rendimiento con MATLAB Production.

  • 00:15:00 El orador analiza las consideraciones para elegir un lenguaje de programación para el comercio cuantitativo y HFT. Menciona cómo MathWorks permite la ubicación conjunta en un intercambio comercial, lo que es ventajoso para el comercio HFT. Continúa hablando de Lab Home Edition como un entorno de creación de prototipos rentable por un precio inicial de $150. Además, enfatiza que la elección del bróker afectará en gran medida qué idioma usar, ya que Interactive Brokers admite lenguajes heredados como Java, C++ y C#. El orador aconseja a los novatos que utilicen herramientas de productividad y estén al tanto de la porción más pequeña de todo el sistema, que incluye la gestión de riesgos, la evaluación y la gestión de carteras.
 

"Basic Statistical Arbitrage: Understanding the Math Behind Pairs Trading" by Max Margenot



"Basic Statistical Arbitrage: Understanding the Math Behind Pairs Trading" by Max Margenot

In the video titled "Basic Statistical Arbitrage: Understanding the Math Behind Pairs Trading" presented by Max Margenot, the concept of statistical arbitrage is thoroughly explained. Margenot describes how statistical arbitrage involves creating trades based on imbalances identified through statistical analysis and a model of how the market should behave. The video focuses on pairs trading, which relies on fundamental statistical concepts such as stationarity, integration orders, and cointegration.

Margenot begins by introducing Quantopian, his company's platform that offers free statistics and finance lectures to assist individuals in developing trading algorithms. He then delves into the significance of stationarity, integration orders, and cointegration in pairs trading. Stationarity refers to all samples in a time series being drawn from the same probability distribution with the same parameters, often assumed to be normally distributed in financial applications. The augmented Dickey-Fuller test is introduced as a means to test for stationarity.

The speaker emphasizes the uncertainty associated with real-world data, highlighting the potential for false positives in hypothesis tests, particularly when dealing with subtle or sneaky relationships between variables. He demonstrates this by generating a pathological relationship in a time series that may go undetected by a hypothesis test. Margenot underscores the importance of cautious interpretation of results and reminds the audience that even visual inspection of a graph may not reveal the underlying statistical properties.

The limitations of modeling time series and the possibility of false positives are discussed. While a time series may exhibit mean-reverting behavior, it does not always indicate stationarity. Stationarity represents a scenario where a time series is both mean-reverting and follows a stationary, deterministic, and random distribution. The concept of integration orders is introduced, where integration of order zero does not imply stationarity, but stationarity implies integration of order zero. Cumulative sums are also explained, illustrating how multiple integrations of order zero result in higher orders of integration.

The assumption of stationary returns in finance and the difficulty of finding stationary time series are addressed. Returns are assumed to be normally distributed, indicating stationarity. Integrated order and difference notation are used to test for stationarity. The speaker notes that theoretically, price series should be integrated of order one due to their relationship with returns, which are integrated of order zero. An example is provided using pricing data from a company.

Margenot proceeds to explain the concept of cointegration, which involves the integration of time series in specific defined ways to yield a linear combination that is stationary. Although finding two integrated time series that are stationary together can be challenging, cointegration can be valuable when exploring price series that have a reasonable economic basis. The speaker emphasizes that bets can be placed based on the current value of the stationary spread, even without a specific time model for mean reversion.

The process of creating simulated data is demonstrated to illustrate spread calculation and estimation using linear regression. Margenot stresses that financial data is rarely as simple as subtracting one variable from another, necessitating a linear regression to estimate the relationship between the variables. The goal is to determine the beta value, which indicates the composition of the portfolio in terms of market returns. This information allows for long and short positions in pairs trading. An example involving a pair of alternative-energy securities is provided to illustrate the concept.

Constructing a linear regression between two potential securities for basic statistical arbitrage is explained. Margenot recommends finding two securities within the same sector that exhibit a relationship as a starting point to identify potential co-integrative relationships, which can indicate arbitrage opportunities. While stationarity between two securities is beneficial, the speaker emphasizes the need to trade on as many different independent bets as possible rather than relying solely on one pair.

The calculation of pairs and deals within statistical arbitrage is based on the log returns of the examined pairs. The linear regression between the log returns, known as the Engle-Granger method, is employed to determine whether the regression is stationary. Once a reasonable model of the world is established, a trader can gain an edge by having more information than others and making relatively informed bets. To actively trade and update the rolling spread, a rolling notion of the mean and standard deviation is necessary. Different methods such as moving averages and common filters can be utilized to iterate and enhance the trading strategy.

The speaker emphasizes that statistical arbitrage can be a simple or complex unit strategy. It involves identifying stationarity, cointegration, and relationships between pairs of stocks to trade on. The more information one has compared to others, the better they can capitalize on these relationships. Building a diversified portfolio requires independent bets that are not reliant on each other. The frequency of rebalancing depends on the individual pairs and the duration of stationarity observed in the data.

The video moves on to discuss the simulation of algorithmic trading with real-time data. The assumptions underlying linear regressions, such as heteroscedasticity, are mentioned as factors that can affect their viability. Cointegration is favored over correlation when modeling relationships between pairs of stocks, as it represents a stronger condition indicating stationarity. Bet sizes can be systematically determined using the mean and standard deviation of the hypothesized spread, unlike correlations, which may not lend themselves to systematic approaches.

In summary, the video provides a comprehensive explanation of statistical arbitrage and pairs trading. It covers essential concepts such as stationarity, integration orders, and cointegration. The importance of careful interpretation of statistical results and the need for independent bets are emphasized. The speaker highlights the role of linear regression in estimating relationships between pairs of stocks and the significance of mean reversion in identifying arbitrage opportunities. The video concludes by discussing the simulation of algorithmic trading and the considerations for constructing a diversified portfolio in statistical arbitrage.

  • 00:00:00 Max Margenot introduces the concept of statistical arbitrage and how it can be used to exploit market inefficiencies using statistical analysis. He explains that statistical arbitrage involves using a model of how the world should be and making trades based on the imbalance created by the statistical analysis. He then explains his company's platform, Quantopian, and how they offer free statistics and finance lectures to help people write trading algorithms. Margenot goes on to discuss the usage of stationarity, integration orders, and cointegration when building Paris trades, which are based on fundamental statistical concepts.

  • 00:05:00 The speaker discusses the concept of stationarity in time series data and the importance of it in statistical models, such as autoregressive and moving average models. The speaker notes that stationarity means that all samples in the time series data are drawn from the same probability distribution with the same parameters, and that this is typically assumed to be normally distributed in financial applications. The speaker introduces the augmented Dickey-Fuller test as a hypothesis test for stationarity and demonstrates its use on both stationary and non-stationary time series data.

  • 00:10:00 The speaker discusses the inherent uncertainty of working with real-world data as one is never sure of the data generating process that makes it behave in a particular way. This leads to the potential for false positives in hypothesis tests, especially with subtle or sneaky relationships between variables. The speaker demonstrates this by generating a pathological relationship with a time series that has a little periodic trend in the mean, which could possibly be missed by the hypothesis test. The speaker emphasizes the importance of care when interpreting results from hypothesis tests and points out that even looking at the graph may not reveal the underlying statistical properties.

  • 00:15:00 The speaker discusses the limitations of modeling time series and the possibility of false positives. He explains that although a time series may be mean-reverting (reverses back to the mean), it doesn't always imply stationarity. Instead, stationarity represents an instance of a time series being mean-reverting and following a stationary, deterministic, and random distribution. The speaker then introduces the notion of orders of integration, where integration of order zero doesn't imply stationarity, but being stationary implies integration of order zero. The discussion concludes with the concept of cumulative sums, where adding a series integrated of order zero multiple times produces a series integrated of order one and so on.

  • 00:20:00 The concept of integrated order and the assumption of stationary returns in finance are discussed. The speaker explains that it is difficult to find stationary time series, and that returns are assumed to be normally distributed, meaning they are stationary. To test for stationarity, the speaker demonstrates the use of integrated order and difference notation. Additionally, the speaker states that theoretically, price series should be integrated of order one due to their relationship with returns, which are integrated of order zero. An example is given using pricing data from a company.

  • 00:25:00 Margenot explains the concept of cointegration, which involves the integration of time series in certain defined ways resulting in the linear combination of those series that becomes stationary. While it is hard to find two integrated time series that are stationary together, cointegration can be useful in cases where there is a reasonable economic basis for exploring a particular set of price series. The stationary spread is used to bet on whether something will revert or not to the mean, and while there is no specific time model of how these reverts can happen, bets can still be placed based on the current value of the spread.

  • 00:30:00 Max Margenot explains the process of creating simulated data to illustrate the calculation of a spread and how to estimate it using a linear regression. He emphasizes that financial data is never as simple as having one instance of one variable minus one instance of the other, so the linear regression is necessary to estimate the relationship between the two variables. The goal is to find the beta value, which will tell us how the portfolio is made up of the returns of the market. By finding the beta value, we can determine what is a long and what's a short, allowing us to buy one X 2 and short beta X 1 in pairs trading. Margenot uses a specific example of a pair of alternative-energy securities to explain the concept.

  • 00:35:00 The speaker explains how to construct a linear regression between two potential securities for a basic statistical arbitrage. The speaker advises that finding two securities within the same sector that have some relationship to each other provides a good basis to jump off and see whether there is a co-integrative relationship that could indicate a potential arbitrage opportunity. The speaker cautions that while stationarity between two securities is great, it is only a forecast and that constructing an asset based on one pair is a terrible idea if one wants to trade pairs, emphasizing the need to trade as many different independent bets as possible.

  • 00:40:00 Max Margenot explains that the calculation of pairs and deals within statistical arbitrage is based on the log returns of the pairs being examined. The linear regression between the log returns, known as the Engle-Granger method, is used to determine whether the linear regression is stationary or not. Once a reasonable model of how the world is built, a bet can be placed based on some modicum of information more than someone else, giving an edge to make a relatively reasonable bet. To actively trade and update rolling spread, we need a rolling notion of the mean and standard deviation. Different methods can be used, such as moving averages and common filters, to iterate and improve trading strategy.

  • 00:45:00 The speaker explains how statistical arbitrage is a unit strategy that can be kept simple or made complex. The strategy involves identifying stationarity, cointegration, and relationships between pairs of stocks to trade on. The more information one has than others, the better they can trade on these relationships. As long as these relationships are independent from each other, the speaker recommends having as many independent bets as possible in order to build a diversified portfolio. Additionally, the speaker explains that the frequency of rebalancing depends on the individual pair and the duration of stationarity found in the data.

  • 00:50:00 The speaker explains how to simulate algorithmic trading with real-time data. He also talks about the assumptions that go into linear regressions, such as heteroscedasticity, which could make it not viable. The speaker shares his preference for cointegration over correlation when modeling relationships between pairs of stocks, as the former is a stronger condition that represents stationarity. He notes that bet sizes can be constructed systematically with the mean and standard deviation of the hypothesized spread, whereas this may not be done as systematically with correlations.
 

Descripción general completa de la programación práctica en C++ para finanzas cuantitativas y HFT



Descripción general completa de la programación práctica en C++ para finanzas cuantitativas y HFT

El video proporciona una descripción general completa del uso de la programación C++ en finanzas y comercio de alta frecuencia (HFT), y ofrece información valiosa sobre varios aspectos de este campo. Comienza discutiendo el libro "Programación financiera práctica en C++", destacando su importancia en la industria financiera. El libro cubre temas esenciales como las acciones de renta fija y proporciona ejemplos prácticos con secciones de código bien estructuradas. Asume un nivel de comodidad con la programación de C++ y brinda orientación sobre cómo aprovechar las plantillas de C++ de manera efectiva. El ponente hace hincapié en la utilización adecuada de las bibliotecas STL y Boost, así como en el uso de bibliotecas de código abierto como New plot para el trazado y QT para el diseño de la interfaz.

Avanzando, el video explora el uso de QT, una poderosa herramienta para desarrollar interfaces de usuario en C++. Si bien QT permite la creación de interfaces gráficas sofisticadas, se desvía de la metodología tradicional de C++ y el video arroja luz sobre este aspecto. Luego, la presentación profundiza en conceptos matemáticos como álgebra lineal, interpolación e integración numérica, desglosándolos en algoritmos y ecuaciones básicos para facilitar la comprensión. También se analizan algoritmos populares y técnicas de modelado relevantes para las finanzas, con información sobre su implementación en C++. El video enfatiza la importancia de las simulaciones de Monte Carlo para aplicaciones financieras y dedica un capítulo a este tema crítico. Además, se explora el uso de Lua y Python para ampliar las bibliotecas financieras, junto con una descripción general de los lenguajes de programación más populares para los puestos de trabajo de HFT.

A medida que avanza el video, destaca la integración de Python y Lua con C++ y muestra cómo Lua se puede usar de manera efectiva con Redis, aprovechando su capacidad de integración dentro de una aplicación C++. También se cubren varias técnicas de C++, incluido el subprocesamiento múltiple con Plaza y la utilización de las características de C++ 11 y 14. El video sirve como un excelente recurso introductorio para las personas que se aventuran en la programación en C++, ya que aborda algunos de los desafíos de administración de memoria asociados con el lenguaje. Proporciona una hoja de ruta integral para aprender a programar en C++, que abarca una amplia gama de opciones y técnicas disponibles para los usuarios.

Hacia el final, el orador comparte una reseña positiva de un libro publicado recientemente sobre programación C++ para aplicaciones financieras y comerciales de alta frecuencia. Este libro cubre específicamente las nuevas características introducidas en C++ 17 que abordan problemas de hardware de bajo nivel, lo que lo convierte en un recurso invaluable para aquellos interesados en este campo especializado. Aunque el orador reconoce no tener afiliación con el libro, lo recomienda enfáticamente como una valiosa adición a los recursos existentes en este dominio.

  • 00:00:00 El ponente ofrece una visión general del libro "Programación financiera práctica en C++", centrándose en la importancia de C++ en la industria financiera. El libro cubre acciones de renta fija y proporciona ejemplos con un formato útil que divide el código en secciones. El libro asume que el lector se siente cómodo con C++ y brinda orientación sobre cómo usar las plantillas de C++ de manera eficiente, además de resaltar las formas correctas de usar STL y aumentar las bibliotecas. El orador también habla sobre el uso de bibliotecas de código abierto como la nueva trama para el trazado y QT para el diseño de la interfaz.

  • 00:05:00 El video analiza el uso de QT, una herramienta para desarrollar interfaces de usuario en C++. Si bien QT es útil para crear interfaces gráficas de usuario sofisticadas, rompe con la metodología tradicional de C++. Luego, el video pasa a temas más matemáticos, como álgebra lineal, interpolación e integración numérica, todos los cuales se dividen en algoritmos y ecuaciones básicos para una fácil comprensión. El video también cubre algoritmos populares y técnicas de modelado, y cómo se pueden implementar en C++. El libro incluye un capítulo sobre Monte Carlo, que es fundamental para las aplicaciones financieras. Finalmente, el video analiza el uso de Lua y Python para ampliar las bibliotecas financieras y los lenguajes más populares para los puestos de trabajo de HFT.

  • 00:10:00 El video cubre la integración de Python y Lua con C++ y cómo se puede usar Lua con Redis, particularmente debido a su capacidad para integrarse en una aplicación C++. El video también explora varias técnicas de C++, incluido el subprocesamiento múltiple con Plaza y el uso de funciones de C++ 11 y 14. El video sirve como una excelente introducción para aquellos que buscan pasar a la programación C++ y también cubre algunos de los desafíos de administración de memoria asociados con C++. En general, el video ofrece una excelente hoja de ruta para aprender a programar en C++ y cubre una variedad de opciones y técnicas disponibles para los usuarios.

  • 00:15:00 El orador da una reseña positiva de un nuevo libro sobre programación en C++ para aplicaciones comerciales financieras y de alta frecuencia. El libro cubre nuevas funciones en C++ 17 que abordan el hardware de bajo nivel, lo que lo convierte en un recurso valioso para aquellos interesados en este campo. El orador recomienda mucho el libro y enfatiza que no tiene afiliación con él, pero lo encontró una gran adición al campo.
 

Conceptos básicos de comercio algorítmico: ejemplos y tutorial



Conceptos básicos de comercio algorítmico: ejemplos y tutorial

Este video proporciona una descripción general completa del comercio algorítmico, que cubre varios aspectos, como los estilos de negociación, los mercados y los sistemas. El orador comienza explicando los fundamentos del comercio algorítmico, enfatizando el uso del análisis técnico basado en la acción del precio, el volumen y los indicadores matemáticos. Se destaca que el comercio algorítmico implica la ejecución de operaciones y pruebas retrospectivas de algoritmos utilizando computadoras, distinguiéndolo del análisis técnico tradicional.

Se introducen diferentes tipos de comercio cuantitativo/algorítmico, incluido el comercio de alta frecuencia, el arbitraje estadístico y el comercio de tendencia/reversión a la media/impulso. El orador se centra específicamente en el swing y el comercio diario en el mercado de futuros. El arbitraje estadístico implica capitalizar las diferencias de precio mediante la compra y venta simultáneas de un activo, mientras que el comercio de tendencia/reversión a la media/impulso utiliza computadoras para ejecutar operaciones direccionales con fines de lucro. Para ilustrar estos conceptos, se muestra un ejemplo de programa de comercio algorítmico utilizando el software TradeStation. El programa está diseñado para comprar en un día bajista con vela roja y vender en el siguiente día positivo, incorporando un objetivo en dólares y un stop. El orador muestra la integración de este programa algorítmico en un gráfico del S&P 500 E-minis para realizar pruebas retrospectivas.

El siguiente segmento explora una estrategia comercial en TradeStation. El orador usa un gráfico para demostrar instancias en las que la estrategia habría tenido éxito o no en función de los colores de las velas. Se alejan para mostrar los informes de rendimiento generados por TradeStation, proporcionando métricas como la ganancia neta, la ganancia total, la tasa de ganancias, las operaciones promedio y la reducción. La optimización de la estrategia también se aborda mediante el ajuste de paradas y objetivos para evaluar el rendimiento con diferentes entradas. El orador enfatiza el aspecto de ahorro de tiempo del comercio algorítmico, ya que puede proporcionar información valiosa que, de otro modo, habría llevado meses descubrir.

Las ventajas y desventajas del comercio algorítmico se analizan en la sección siguiente. Las ventajas incluyen errores humanos y emocionales reducidos, pruebas retrospectivas rápidas de ideas comerciales, entrada de pedidos más rápida y la capacidad de probar múltiples ideas y crear carteras. Sin embargo, también se reconocen desventajas como el exceso de confianza, la optimización excesiva y la incapacidad de considerar eventos geopolíticos o técnicas comerciales fundamentales. Si bien un algoritmo se puede programar para evitar la negociación en días políticos o económicos significativos, generalmente opera en todas las condiciones del mercado.

El video concluye resumiendo su contenido. Aclara la distinción entre el comercio cuantitativo y el comercio técnico fundamental o regular, enfatizando el poder del comercio algorítmico a través de un ejemplo de algoritmo simple. Las ventajas y desventajas del comercio algorítmico se reiteran para una comprensión integral. El orador alienta a los espectadores a comunicarse con cualquier pregunta y expresa la esperanza de que el video haya sido informativo y útil.

  • 00:00:00 En esta sección, el instructor proporciona una introducción al trading algorítmico, incluidos los diferentes estilos, mercados y sistemas de trading. El comercio algorítmico se centra principalmente en el análisis técnico, utilizando la acción del precio, el volumen y los indicadores matemáticos para informar los intercambios. El instructor explica que el análisis técnico en sí mismo no es necesariamente algorítmico, ya que el comercio algorítmico implica el uso de una computadora para ejecutar operaciones y algoritmos de prueba retrospectiva. El instructor también identifica diferentes tipos de negociación cuantitativa/algorítmica, incluida la negociación de alta frecuencia, el arbitraje estadístico y la negociación de tendencia/reversión a la media/momentum, y explica que su empresa se centra en la negociación oscilante y diaria en el mercado de futuros.

  • 00:05:00 En esta sección, el orador analiza dos tipos de negociación algorítmica: arbitraje estadístico y negociación de tendencia/reversión a la media/impulso. El arbitraje estadístico implica comprar y vender un activo simultáneamente para beneficiarse de una diferencia de precio, mientras que el comercio de tendencia/reversión a la media/impulso implica el uso de computadoras para realizar transacciones direccionales para generar ganancias. Luego, el orador proporciona un ejemplo básico de un programa de comercio algorítmico que utiliza el software TradeStation. El código se basa en comprar en una vela roja en un día bajista y vender en el siguiente día positivo con un objetivo en dólares y un stop. Luego, el programa se agrega a un gráfico del S&P 500 E-minis para realizar pruebas retrospectivas.

  • 00:10:00 En esta sección, el orador da un ejemplo de una estrategia comercial en TradeStation. Utilizan un gráfico para mostrar ejemplos de cuándo habría funcionado la estrategia y cuándo no, según los colores de las velas. Luego, el orador se aleja para mostrar cómo TradeStation completa los informes de rendimiento, brindando la ganancia neta y la ganancia total de la estrategia, así como la tasa de ganancia, las transacciones promedio y la reducción. También muestran cómo optimizar la estrategia cambiando las paradas y los objetivos para ver cómo se habría desempeñado la estrategia con diferentes entradas. El orador enfatiza que el objetivo de usar algoritmos para el comercio es proporcionar información que habría llevado meses descifrar sin ellos.

  • 00:15:00 En esta sección, se analizan las ventajas y desventajas del comercio algorítmico. Las ventajas incluyen la posibilidad reducida de error humano y error emocional, la capacidad de realizar una prueba retrospectiva de las ideas comerciales rápidamente, una entrada de pedidos más rápida y la capacidad de probar múltiples ideas y crear carteras. Las desventajas incluyen una sensación de exceso de confianza y sobreoptimización, así como el comercio algorítmico que no tiene en cuenta los eventos geopolíticos o las técnicas comerciales fundamentales. Si bien un algoritmo se puede programar para no realizar operaciones en días políticos o económicos clave, generalmente se ejecuta en todas las condiciones del mercado.

  • 00:20:00 En esta sección, el orador concluye resumiendo el contenido del video. Primero revisan la diferencia entre el comercio cuantitativo y el comercio técnico fundamental o regular, y luego dan un ejemplo de un algoritmo simple para mostrar el poder del comercio algorítmico. También se cubren las ventajas y desventajas del comercio algorítmico. El orador alienta a los espectadores a comunicarse si tienen alguna pregunta y espera que el video haya sido útil.