Comercio Cuantitativo - página 27

 

Cree sus propios algoritmos con ADL® de Trading Technologies



Cree sus propios algoritmos con ADL® de Trading Technologies

Andrew Reynolds, gerente de productos para herramientas de negociación automatizada en Trading Technologies, presenta ADL (Algo Design Lab) como una solución innovadora para simplificar el proceso de desarrollo de algoritmos de negociación. Antes de ADL, los comerciantes interesados en crear sus propios algoritmos tenían que aprender a codificar, lo que requería mucho tiempo y tenía un largo ciclo de desarrollo. Sin embargo, ADL revoluciona el proceso al proporcionar una herramienta gráfica intuitiva que permite a los comerciantes diseñar e implementar algoritmos sin escribir una sola línea de código. Esto reduce significativamente la barrera de entrada en términos de capacidad técnica y permite a los operadores capitalizar rápidamente las oportunidades del mercado. ADL garantiza un rendimiento óptimo al convertir los algoritmos diseñados en un código bien probado que se ejecuta en servidores de alto rendimiento ubicados en el mismo lugar.

Reynolds procede a explicar las características y funcionalidades clave de ADL. El lienzo ADL sirve como espacio de trabajo y consta de una amplia gama de bloques que representan diferentes conceptos y operaciones comerciales. Los comerciantes pueden arrastrar y soltar fácilmente estos bloques para crear algoritmos, y cada bloque tiene propiedades específicas y se puede conectar a otros bloques para definir la lógica deseada. Los bloques de grupo permiten encapsular lógica específica y guardarlos como bloques de biblioteca para reutilizarlos en el futuro. Para mejorar la organización, se pueden agregar marcadores y se encuentra disponible un mecanismo de búsqueda para una navegación rápida a través de bloques y secciones. ADL incorpora técnicas predictivas para detectar posibles conexiones de bloques, lo que acelera aún más el proceso de desarrollo.

A medida que continúa la presentación, el instructor demuestra la creación paso a paso de algoritmos usando ADL. La plataforma ofrece comentarios en tiempo real y funciones fáciles de usar para ayudar en el desarrollo eficiente. El instructor muestra la adición de la lógica del lado de entrada a un algoritmo, seguida de la incorporación de la lógica del lado de salida y, finalmente, la creación de un algoritmo con lógica del lado de entrada y de salida. Se utilizan varios bloques, como bloques de pedidos, extractores de información de mensajes, bloques de campo y bloques de alerta, para definir la funcionalidad deseada de los algoritmos. A lo largo de la demostración, el instructor destaca las opciones de legibilidad y personalización proporcionadas por los bloques de salto, lo que permite a los operadores adaptar sus algoritmos de acuerdo con sus preferencias.

Luego, el instructor presenta el Algoritmo de gestión de pedidos (OMA), que permite aplicar la lógica algorítmica a los pedidos existentes, brindando flexibilidad para manipular el precio, la cantidad, el precio de detención y la cantidad revelada según sea necesario. Explican cómo se puede implementar la estrategia del vagabundo de ofertas, aumentando gradualmente el precio en intervalos hasta que se completa el pedido. El instructor enfatiza que ADL está diseñado para evitar acciones no deseadas y bucles infinitos, lo que garantiza la seguridad del usuario y el comportamiento esperado. Además, ADL incorpora una función de bloqueo de riesgo de P&L que permite a los operadores establecer umbrales de pérdida predefinidos, deteniendo automáticamente el algoritmo si las pérdidas superan la cantidad especificada.

Los presentadores discuten el lanzamiento y monitoreo de algoritmos usando ADL. El lanzamiento de Algol se puede iniciar desde varios widgets dentro del panel de control de Algol de Auto Trader, el libro de pedidos o MD Trader. Se destaca la capacidad de lanzamiento con un solo clic directamente desde la escalera MD Trader, lo que permite a los operadores elegir instrumentos y modificar los parámetros del algoritmo sin esfuerzo. ADL también brinda la capacidad de seleccionar instalaciones de colocación en función del instrumento, y los comerciantes pueden monitorear el progreso de sus algoritmos directamente desde el front-end. Además, la plataforma admite la especificación de diferentes cuentas para cada instrumento al iniciar algoritmos, lo que mejora la flexibilidad y las opciones de administración de cuentas.

Los presentadores enfatizan la disponibilidad de recursos para aprender más sobre ADL en el sitio web de Trading Technologies, incluido un foro de soporte para discutir temas relacionados con ADL. Informan a la audiencia sobre la próxima adición de un bloque de análisis, lo que permite la extracción de datos históricos y la realización de estudios integrados dentro de ADL. Los usuarios tendrán la capacidad de crear estudios personalizados utilizando datos históricos directamente dentro del algoritmo. Los presentadores destacan que Trading Technologies es neutral para los corredores, lo que permite la conexión con cualquier corredor que admita la plataforma. También se mencionan los detalles de precios y el tipo de algoritmo de salida del apilador se identifica como un caso de uso común.

Los oradores profundizan en la versatilidad de escribir algoritmos usando ADL, enfatizando que cada comerciante puede aportar su "salsa secreta" única al comercio algorítmico. Recomiendan el foro de la comunidad de Trading Technologies como un excelente recurso para obtener información adicional y puntos de vista sobre estrategias algorítmicas populares. Se explican las ventajas del lanzamiento con un solo clic con operadores automáticos, lo que permite a los operadores modelar múltiples operaciones simultáneamente. También mencionan la disponibilidad del tablero ADL en las aplicaciones móviles, lo que permite a los comerciantes pausar y reiniciar algoritmos de forma remota.

La presentación continúa con una discusión sobre el acceso a la plataforma ADL a través de una cuenta de demostración gratuita en el sitio de TradeTT, que brinda acceso inmediato y la oportunidad de explorar las capacidades de la plataforma. Se destaca que ADL comparte ubicación con los principales intercambios, lo que ofrece un grupo de servidores ubicados en instalaciones en varios lugares, incluido un servidor gen-pop para que los usuarios experimenten con diferentes oficios. Los oradores también se refirieron a los servicios web y las API, y mencionaron el lanzamiento de la API REST de TT y la utilidad de la plataforma ADL para el comercio de divisas.

Con respecto a las opciones de comercio de divisas, los oradores aclaran que si bien no hay planes inmediatos para conectarse directamente con los intercambios de divisas, las funciones de divisas están disponibles en el CME y NYSE ofrece un contrato de divisas al contado. Animan a los miembros de la audiencia a participar en los foros, que rastrean y abordan las mejoras del producto. La conclusión incluye una vista previa del programa anterior y una solicitud para que los asistentes completen un formulario de encuesta antes de concluir la sesión del seminario web.

  • 00:00:00 Andrew Reynolds, gerente de productos para herramientas de negociación automatizadas en tecnologías de negociación, presenta ADL como una herramienta gráfica interactiva para crear algos que simplifica el proceso de desarrollo para los comerciantes. Antes de ADL, los comerciantes que querían desarrollar un algoritmo tenían que aprender a escribir código, lo que requería mucho tiempo y tenía un ciclo de desarrollo prolongado. Sin embargo, ADL proporciona a los usuarios una herramienta intuitiva para diseñar e implementar algoritmos comerciales sin tener que escribir una sola línea de código. Esto reduce la barrera de entrada en términos de capacidad técnica y permite a los comerciantes aprovechar rápidamente las oportunidades en el mercado. Además, ADL se convierte en código bien probado que se ejecuta en servidores de alto rendimiento ubicados en el mismo lugar, lo que garantiza el mejor rendimiento posible.

  • 00:05:00 Aprendemos sobre el lienzo ADL, que consiste en una variedad de bloques que representan diferentes conceptos comerciales u operaciones que se pueden arrastrar para crear algoritmos. Cada bloque tiene propiedades específicas para su función y se puede conectar a otros bloques para representar la lógica deseada. Los bloques de grupo pueden encapsular una lógica específica y guardarse como bloques de biblioteca para su reutilización en otros algoritmos. Para que las secciones sean más fáciles de encontrar, se pueden agregar marcadores y hay un mecanismo de búsqueda disponible para ubicar rápidamente bloques o secciones específicas. Además, EDL emplea técnicas predictivas para detectar posibles conexiones de bloques, lo que acelera el desarrollo.

  • 00:10:00 Desarrollamos el algoritmo, podemos identificar y resolver rápidamente cualquier error. La plataforma ADL también tiene análisis predictivos que ayudan en el desarrollo del algoritmo, como detectar automáticamente el tipo de bloque que se está introduciendo. También se discutieron las clasificaciones de los algoritmos, a saber, aquellos con lógica de entrada, lógica de salida y ambos. y la lógica del lado de salida. Se demostró un ejemplo de creación de un algoritmo con lógica del lado de entrada, usando un bloque de orden y un bloque de campo para extraer el precio de oferta para una orden limitada. La plataforma ADL proporciona comentarios en tiempo real y funciones fáciles de usar para ayudar en el desarrollo eficiente de algoritmos.

  • 00:15:00 El instructor demuestra cómo agregar lógica del lado de salida a un algoritmo y crear un algoritmo con lógica del lado de entrada y salida. Se agrega un bloque de orden con una orden de límite de venta y se adjunta un extractor de información de mensaje al puerto de salida de llenado de la orden inicial. Este extractor ayuda a extraer información sobre los mensajes alimentados a través de él, como rellenos, y extrae el precio y la cantidad de relleno. También se agrega un bloque de campo para extraer el tamaño mínimo de marca, que se agrega al precio de ejecución para establecer que la orden de cobertura sea una marca mayor que el precio de ejecución. Este precio se convierte entonces en el precio de la orden límite de venta, completando el algoritmo. También se agregan bloques de alerta para notificar al operador sobre el progreso del algoritmo y ayudarlo a distinguir entre varios algoritmos.

  • 00:20:00 El orador demuestra cómo mejorar la legibilidad de un algoritmo mediante el uso de bloques de salto en ADL® de Trading Technologies. Mejoran un algoritmo de reventa básico, agregando más variaciones personalizadas para adaptarse a las preferencias de un comerciante, con un punto de entrada y un punto de salida. Para el punto de salida, eliminan toda la lógica del lado de entrada, agregan un bloque de pedido existente y lo adjuntan al contenedor de pedido único. Luego conectan los mensajes de llenado del multiplexor D a los mensajes de llenado de la lógica anterior para crear un algoritmo que se puede aplicar a cualquier orden de trabajo, que cuando se completa, colocará automáticamente una orden de límite de venta un tick sobre el precio de llenado en un cantidad.

  • 00:25:00 El instructor explica el algoritmo de gestión de pedidos (OMA), que aplica la lógica del algoritmo a un pedido existente y puede manipular el precio, la cantidad, el precio de detención y la cantidad revelada según sea necesario. Esto puede ser útil para un vagabundo de ofertas, donde se agrega lógica a los puertos para aumentar el precio en intervalos hasta que se complete la orden. El instructor también señala que los usuarios pueden cambiar la lógica si es necesario y explica cómo ADL prohíbe ciertas acciones, como adjuntar el instrumento o el precio a la cantidad, así como la verificación lógica para evitar un bucle infinito. ADL es un lenguaje específico del contexto que comprende las intenciones del usuario y evita comportamientos inesperados.

  • 00:30:00 El orador analiza cómo ADL permite a los desarrolladores protegerse contra las pérdidas de P&L a través de su función de bloqueo de riesgo de P&L, que detiene automáticamente un algoritmo si las pérdidas superan una cantidad predeterminada. Esta característica está definida por el usuario y se puede configurar para cada instancia de un algoritmo lanzado. Los algos se pueden iniciar desde varios widgets dentro del panel de control de algo de Auto Trader, el libro de pedidos o MD Trader. El orador destaca el lanzamiento de algoritmos con un solo clic directamente desde la escalera de MD Trader, que le permite elegir el instrumento y realizar cambios en los parámetros de algoritmos. ADL también permite a los usuarios seleccionar instalaciones de colocación en función del instrumento y la capacidad de monitorear el progreso de algos desde el frente. También es posible configurar diferentes cuentas según el algoritmo.

  • 00:35:00 Los presentadores discuten cómo los usuarios pueden especificar diferentes cuentas para cada instrumento al iniciar su algoritmo usando ADL. También mencionan los recursos disponibles en el sitio web de Trading Technologies para aprender más sobre ADL, así como un foro de soporte para discutir todo lo relacionado con ADL. La presentación luego pasa a una sesión de preguntas y respuestas donde Andrew responde las preguntas de la audiencia. Una pregunta planteada es sobre la especificación de cuentas para cada instrumento, que los presentadores ya habían abordado anteriormente.

  • 00:40:00 El orador analiza la próxima adición de un bloque de análisis que permitirá a los usuarios extraer datos históricos y realizar estudios integrados en ADL. También pueden extraer datos históricos para crear estudios personalizados directamente en el algoritmo. Puede usar un bloque de cubo de valor para almacenar cosas que desea buscar más tarde y obtener tantos valores como desee. El orador también dice que son independientes de los corredores, lo que significa que la plataforma se puede conectar a cualquier corredor que la admita. Finalmente, el orador ofrece información sobre precios y menciona que las salidas del apilador son un tipo de algoritmo común.

  • 00:45:00 El orador analiza las diversas formas en que se pueden escribir algoritmos usando ADL, enfatizando que todos tienen su versión de una "salsa secreta". El foro de la comunidad de Trading Technologies es un excelente recurso para obtener información adicional sobre tipos de errores populares, como el "apilador". Hay muchas formas diferentes de crear un tipo de orden simple y el foro es un gran lugar para aprender. El orador también explica las ventajas de usar el lanzamiento con un solo clic con operadores automáticos y cómo facilita el modelado de más de una operación a la vez. Además, mencionan que el tablero de ADL está disponible en las aplicaciones de sus teléfonos y permite a los operadores pausar y reiniciar algoritmos mientras están fuera de su escritorio.

  • 00:50:00 El orador analiza cómo se puede acceder a la plataforma ADL a través de una cuenta de demostración gratuita en el sitio de TradeTT, lo que permite a los usuarios comenzar a usar y probar la plataforma de inmediato. El orador también menciona que la plataforma ADL comparte ubicación con los principales intercambios y ofrece un conjunto de servidores ubicados en las instalaciones de cada ubicación y un servidor gen-pop para los usuarios que desean probar diferentes oficios. Además, el ponente habla del nuevo Bloque Analítico que ADL lanzará en el primer semestre del próximo año, que proporcionará datos históricos y la posibilidad de realizar estudios sobre esos datos. Finalmente, el orador aborda los servicios web y las API, así como el lanzamiento de la API REST de TT el 1 de diciembre y cómo se puede usar la plataforma ADL para el comercio de divisas.

  • 00:55:00 El orador analiza la disponibilidad de opciones de comercio de divisas en la plataforma de Trading Technologies, y señala que actualmente no hay planes inmediatos para conectarse directamente con los intercambios de divisas, aunque las funciones de divisas están disponibles en el CME y se está elaborando un contrato de divisas al contado. ofrecido por NYSE. El orador también alienta a los miembros de la audiencia a hacer preguntas en los foros, donde se rastrean y responden las mejoras del producto. Se dirige a la audiencia a visitar tryTTnow.com para obtener una demostración gratuita de la plataforma Trading Technologies. La conclusión incluye una vista previa del programa anterior y la solicitud de que los asistentes completen un formulario de encuesta antes de salir de la sesión del seminario web.
 

Finanzas Cuantitativas | Clasificación de estrategias comerciales cuantitativas por Radovan Vojtko



Finanzas Cuantitativas | Clasificación de estrategias comerciales cuantitativas por Radovan Vojtko

Arjuna presenta a Radovan Vojtko, el CEO de Quantpedia, una plataforma integral que sirve como una enciclopedia de estrategias comerciales cuantitativas. Con experiencia como exgestor de cartera, Vojtko ha gestionado con éxito más de 300 millones de euros en fondos cuantitativos, centrándose en estrategias de seguimiento de tendencia ETA de múltiples activos, sincronización del mercado y comercio de volatilidad. Destaca la importancia de incorporar la investigación académica financiera en las estrategias comerciales, enfatizando que numerosas ideas comerciales interesantes se publican en documentos académicos, que pueden utilizarse tal como están o personalizarse para adaptarse a sistemas comerciales individuales. Vojtko también aborda los desafíos comunes asociados con la implementación de estrategias derivadas de la investigación académica.

Radovan Vojtko profundiza en el meticuloso proceso de selección de estrategias comerciales para su inclusión en la base de datos de Quantpedia. Él explica que su equipo lee extensamente artículos académicos y selecciona estrategias que son prácticas para implementar y exhiben características confiables de rendimiento y riesgo. Como ejemplo, menciona la estrategia de impulso en acciones, que fue presentada inicialmente en un documento de 1993 por Jagadeesh y Titman, seguida de documentos relacionados posteriores. Vojtko señala que no publican códigos comerciales ya que los clientes institucionales prefieren probar estrategias utilizando sus propios datos. Además, describe los tres grupos principales que contribuyen a la investigación cuantitativa: académicos, investigación del lado del vendedor y fondos de cobertura y empresas de gestión de activos.

El orador proporciona una descripción general de las estrategias comerciales cuantitativas y su clasificación. Las acciones emergen como una clase de activos bien cubierta en la investigación académica, seguidas de las materias primas, las divisas, los bonos y los bienes raíces. El reequilibrio mensual es el período de tiempo más popular para las estrategias comerciales, mientras que el comercio de alta frecuencia está subrepresentado debido a la necesidad de datos más costosos y capacidades de programación avanzadas. En cuanto a los temas, las estrategias de renta variable, como long-short e impulso, atraen la mayor atención, seguidas de la sincronización del mercado, el valor y los efectos fundamentales de las ganancias. El orador comparte su perspectiva sobre la clasificación y el descubrimiento de estrategias comerciales convincentes dentro de la base de datos de Quantpedia.

Se discuten diferentes clasificaciones de estrategias comerciales cuantitativas, junto con el concepto de puntos ciegos en la investigación. Los puntos ciegos se refieren a áreas de investigación que han recibido una cobertura insuficiente, lo que presenta oportunidades para descubrir nuevas estrategias alfa o comerciales. El orador proporciona una distribución de estrategias a través de clases de activos, revelando el dominio de las acciones y destacando la naturaleza poco explorada de los bonos y los fondos de inversión en bienes raíces (REIT). Si bien los estilos populares como el impulso y el arbitraje reciben una amplia cobertura, el orador identifica el potencial en las estrategias de sincronización para otras clases de activos y el desarrollo de estrategias intrigantes para el comercio de divisas.

Radovan Vojtko examina más a fondo la clasificación de las estrategias comerciales cuantitativas por clase de activo, poniendo especial énfasis en las estrategias de renta variable. Señala que hay más estilos de negociación de acciones que todas las demás clases de activos combinadas, destacando seis tipos principales de estrategias de acciones, que incluyen sincronización, arbitraje y negociación de valor. Sin embargo, reconoce puntos ciegos en los estilos populares y áreas poco exploradas, como los bonos y las materias primas. Vojtko enfatiza el potencial de oportunidades de inversión únicas e interesantes en las estrategias intradía y de corto plazo, que no se han cubierto ampliamente en los trabajos de investigación.

El video explora dos estrategias comerciales cuantitativas en detalle. La primera estrategia consiste en emplear un enfoque de reversión a la media para negociar futuros de materias primas. Este enfoque implica agrupar productos básicos con características similares, calcular el índice de rendimiento total de productos básicos para cada grupo y construir pares dentro de cada grupo. Con base en la divergencia histórica y utilizando un umbral de dos desviaciones estándar, se toman posiciones diarias cuando los precios divergen. La segunda estrategia se enfoca en el riesgo previo al anuncio de ganancias, capitalizando 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 este fenómeno. Si bien la deriva posterior al anuncio de ganancias es bien conocida, el orador destaca el hecho menos conocido de que las acciones también tienden a fluctuar antes de los anuncios de ganancias.

Radovan Vojtko explica el concepto de descomposición alfa, que se refiere a la diferencia de rendimiento entre las pruebas dentro y fuera de la muestra de una estrategia comercial. También aborda los problemas de la piratería informática y la replicación en la investigación cuantitativa, en la que los investigadores pueden probar numerosas variaciones de una estrategia comercial hasta que encuentren algo interesante, lo que resulta en la extracción de datos. Para mitigar este problema, Vojtko sugiere utilizar la anonimización del impulso, un método que permite a los operadores determinar si una estrategia es realmente rentable o simplemente una casualidad estadística. A pesar de estos desafíos, se han publicado varias estrategias comerciales cuantitativas en artículos académicos, incluido el ejemplo de una estrategia de anuncio de ganancias previas que ha mostrado un rendimiento anual del 40%.

El orador desacredita la idea errónea de que las estrategias comerciales cuantitativas se vuelven ineficaces una vez que se publican y se dan a conocer a otros, lo que lleva al arbitraje por parte de otros participantes del mercado. La investigación realizada por McLean y Pontiff demuestra que ciertas estrategias continúan funcionando incluso después de la publicación, con más del 40 % del alfa restante cinco años después. El orador también enfatiza la persistencia de anomalías o factores en el comercio, señalando que cualquier estrategia puede exhibir persistencia y generar retornos favorables en el futuro. Sin embargo, un mal momento por parte de los inversores puede obstaculizar los rendimientos. El orador advierte contra el dragado de datos o la pesca de datos, que implica una extracción excesiva de datos y puede dar lugar a falsos descubrimientos. La prueba rigurosa de cualquier estrategia es crucial antes de la implementación.

Radovan Vojtko aborda el tema de la replicación en la investigación académica, particularmente en lo que respecta a las estrategias comerciales cuantitativas. Destaca el problema de los investigadores que extraen datos y buscan patrones sin tener una hipótesis específica de antemano, lo que lleva a una significación estadística sin utilidad práctica. Vojtko sugiere aumentar el punto de corte para la significación estadística a 3,0 o 3,5 para mantener estándares estrictos para las estrategias identificadas. Las pruebas fuera de muestra que comparan carteras de factores de renta variable en función de los datos publicados pueden ayudar en la replicación precisa y el uso potencial en operaciones futuras.

Vojtko presenta una estrategia de anomalías inéditas de impulso, que implica clasificar las anomalías en función de su rendimiento anual y, posteriormente, comercializar las de mejor rendimiento en el año siguiente. Este enfoque ayuda a filtrar las estrategias poco realistas, de bajo rendimiento o impulsadas por el arbitraje, lo que aumenta la probabilidad de descubrir estrategias rentables a través de la investigación académica. Sin embargo, Vojtko advierte que se deben considerar la liquidez y los costos de transacción, y que el desempeño de las anomalías puede disminuir con el tiempo. Recomienda construir una base de datos integral de estrategias y seleccionar aquellas con el mejor rendimiento para mejorar las posibilidades de encontrar estrategias comerciales rentables.

El orador se involucra con las preguntas de los espectadores y brinda recomendaciones de recursos para explorar estrategias comerciales cuantitativas. Sugieren visitar el sitio web de la Red de Ciencias Sociales, que sirve como depósito de trabajos de investigación de las ciencias sociales y se puede buscar usando palabras clave como comercio de pares o comercio de impulso. El orador también recomienda su propio sitio web, Quantpedia, que ofrece una sección gratuita con más de 60 estrategias comúnmente conocidas y una sección premium con más estrategias únicas. Cuando se le preguntó acerca de las estrategias adecuadas para los principiantes, el orador sugiere explorar la selección de costos de activos y las estrategias de impulso sobre las ganancias por acción (EPS). Para calcular el decaimiento beta, el orador aconseja consultar los artículos académicos mencionados en su publicación o realizar una búsqueda en Google de artículos académicos relevantes.

El orador analiza los lenguajes de programación comúnmente utilizados en finanzas cuantitativas y señala que existen numerosas opciones disponibles en línea. En última instancia, la elección del lenguaje de programación se reduce a las preferencias personales. Proporcionan un enlace a su sitio web, que ofrece varios enlaces a aproximadamente 50 back testers. Si bien personalmente favorecen a Python, reconocen la validez de otros lenguajes. El orador recomienda seleccionar un idioma con el que uno se sienta cómodo y utilizar soluciones preconstruidas de plataformas como Tradestation, Ninjatrader o Ami Broker para comenzar a operar o probar. Además, el orador enfatiza que el comercio algorítmico exitoso requiere una fusión de habilidades financieras y tecnológicas y ofrece programas educativos para capacitar a las personas en ambos dominios.

  • 00:00:00 Arjuna presenta a Radovan Vojtko, el CEO 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 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 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 El orador analiza las diferentes clasificaciones de 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 Radovan Vojtko analiza la clasificación de las estrategias comerciales cuantitativas por clase de activo, con especial énfasis en las estrategias de renta variable. 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 valor. 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 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 del anuncio posterior a las ganancias es bien conocida, el hecho de que las acciones también tiendan a fluctuar antes de las ganancias
    anuncios es menos conocido.

  • 00:30:00 Radovan Vojtko explica el concepto de descomposición alfa, en el que hay una diferencia en el rendimiento 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 El orador discute la idea errónea 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 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 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 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 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.
 

Finanzas Cuantitativas | Introducción al aprendizaje automático | cuánticos | Por Eric Hamer



Finanzas Cuantitativas | Introducción al aprendizaje automático | cuánticos | Por Eric Hamer

Eric Hamer, CTO de Quantiacs, presenta la asociación entre Quantiacs y Quantinsti, con el objetivo de democratizar la industria de los fondos de cobertura. Esta colaboración brinda sesiones de capacitación que equipan a los estudiantes con habilidades prácticas utilizando las herramientas y los datos de código abierto de Quantiacs. Quantiacs funciona como un fondo de cobertura de colaboración colectiva, que conecta a los analistas cuantitativos que desarrollan algoritmos con el capital, mientras que Quantinsti ofrece cursos de comercio algorítmico. Hamer destaca que los quants participantes pueden competir en las competencias de Quantiacs, donde tienen la oportunidad de ganar capital de inversión y una parte de las ganancias.

Hamer profundiza en cómo Quantiacs conecta los algoritmos de los codificadores con los mercados de capital, lo que beneficia tanto a Quantiacs como a Quantiacs si las estrategias resultan exitosas. Quantiacs se esfuerza por promover el comercio cuantitativo al ofrecer kits de herramientas de escritorio descargables para MATLAB y Python, estrategias comerciales de muestra y datos de futuros gratuitos al final del día que datan de 1990. También han incorporado indicadores macroeconómicos para ayudar a los clientes a mejorar sus algoritmos. Además, Quantiacs proporciona una plataforma en línea donde los usuarios pueden enviar y evaluar sus algoritmos sin costo alguno. Centrado actualmente en los futuros, Quantiacs tiene como objetivo proporcionar potencialmente datos comparables para los mercados de valores en el futuro.

El orador explica las dos funciones principales de las estrategias comerciales en la plataforma Quantiacs: la función de costo y el sistema comercial. La función de costo da cuenta de los costos de transacción y las comisiones utilizando el 5% de la diferencia entre los precios altos y bajos de un día determinado. Por otro lado, el sistema de negociación permite a los usuarios solicitar información de precios y proporcionar un vector o matriz de pesos que determina la asignación de la cartera. Quantiacs desaconseja el uso de variables globales y ofrece un parámetro de configuración para mantener la información de estado necesaria. Hamer proporciona un ejemplo de una estrategia comercial simple que ha producido un rendimiento anual del 2,5%. El resultado de la estrategia incluye una curva de acciones, el rendimiento de las posiciones largas y cortas y el rendimiento de los futuros individuales. Quantiacs evalúa las estrategias en función del rendimiento positivo, la baja volatilidad y el índice de Sharpe, que mide la rentabilidad ajustada al riesgo.

Hamer introduce el concepto de aprendizaje automático y sus aplicaciones en finanzas cuantitativas. Destaca que una parte importante de las transacciones en las bolsas de valores estadounidenses, aproximadamente del 85% al 90%, se generan por computadora. Las técnicas de aprendizaje automático, como la regresión, la clasificación y el agrupamiento, son cada vez más frecuentes en el campo. Hamer analiza algunas trampas asociadas con el aprendizaje automático y enfatiza la importancia de maximizar los rendimientos ajustados al riesgo sin un comercio excesivo. Si bien las redes neuronales pueden generar excelentes resultados, sus tiempos de ejecución pueden ser prolongados y la arquitectura de CPU tradicional puede no ser óptima. Sin embargo, las GPU de alto rendimiento están disponibles, lo que reduce significativamente el tiempo de ejecución. Aunque existen bibliotecas de código abierto como Python y MATLAB, configurar y entrenar un algoritmo de aprendizaje automático puede ser un proceso complejo que requiere esfuerzo y dedicación.

Hamer profundiza en el proceso de aprendizaje automático, comenzando por especificar el enunciado del problema e identificando el tipo de problema de aprendizaje automático. Explica el requisito de datos numéricos en el aprendizaje automático y analiza la división de datos en conjuntos de entrenamiento y prueba para el entrenamiento y la evaluación de modelos, respectivamente. Hamer proporciona un ejemplo que demuestra cómo se puede utilizar la API de Python de Quantiacs para hacer predicciones sobre el contrato de futuros mini S&P 500, mostrando los resultados utilizando la API de la red neuronal de Keras.

Hamer analiza las limitaciones del modelo de aprendizaje automático creado para predecir los precios futuros de las acciones. Si bien inicialmente puede parecer que el modelo predice con precisión los precios, una inspección más detallada revela que simplemente está utilizando los datos de hoy como un indicador de los datos de mañana. Al aplicar el mismo algoritmo a las devoluciones de datos sin procesar, las predicciones del modelo siguen una forma similar pero no la misma magnitud que los valores verdaderos. Hamer demuestra el bajo rendimiento del modelo cuando se aplica a los datos comerciales y explora posibles vías de mejora. También proporciona una breve descripción general del código fuente utilizado en la función de su sistema comercial.

Hamer procede a demostrar la creación de un modelo Keras secuencial para predecir los rendimientos de futuros del S&P 500. El modelo parte de una estructura básica e incorpora capas específicas. Hamer entrena el modelo utilizando datos de entrenamiento, que comprenden datos de precios reales, mientras que los valores de y representan los datos de retorno que se pronostican. Una vez capacitado, Hamer puede extraer el modelo de la configuración y usarlo para predecir los rendimientos en función de los datos más recientes. Si bien su mini modelo simple S&P 500 no funciona bien, Hamer explica que las técnicas y optimizaciones adecuadas, como el descenso de gradiente y el impulso, pueden resolver el problema.

Hamer analiza las técnicas para mejorar la validez de un algoritmo de aprendizaje automático en finanzas cuantitativas. Sugiere usar la técnica de agregación de arranque, que implica ejecutar el algoritmo en múltiples subconjuntos de datos para obtener información. También se recomienda mantener estrategias simples, utilizar múltiples predicciones para llegar a un consenso y tener cuidado con el sobreajuste, la limpieza de datos y el manejo de datos faltantes y variables aleatorias. Hamer cree que el aprendizaje automático y la inteligencia artificial seguirán siendo herramientas cruciales para pronosticar los mercados financieros.

El orador presenta los cursos EpAT y ConTA, ambos ofrecen sesiones dedicadas al aprendizaje automático. EpAT está dirigido a profesionales que buscan crecimiento en el campo del comercio algorítmico o cuantitativo, mientras que ConTA ofrece un curso a su propio ritmo sobre la implementación de técnicas de regresión utilizando el aprendizaje automático con Python. Hamer responde a las preguntas sobre la elección entre R y Python para el aprendizaje automático y ofrece consejos para evitar el sobreajuste al probar conjuntos de datos alternativos. Sugiere entrenar el modelo tanto con datos de entrenamiento como de prueba y examinar la diferencia de error entre los dos conjuntos para evitar el sobreajuste.

Hamer destaca los peligros del sobreajuste en el aprendizaje automático para el comercio de algoritmos y sugiere emplear la técnica de agregación o embolsado de arranque para dividir un conjunto de datos en subconjuntos más pequeños para realizar pruebas de precisión. Debido al ruido y las fluctuaciones en los datos financieros, cualquier precisión superior al 50% puede considerarse buena.

Finalmente, Hamer enfatiza la importancia de comprender la tecnología para automatizar las estrategias comerciales. Él enfatiza la necesidad de programas educativos que brinden capacitación en las diversas habilidades requeridas para tener éxito como comerciante algorítmico.

  • 00:00:00 Eric Hamer, CTO de Quantiacs, presenta la asociación entre Quantiacs y Quantinsti, cuyo objetivo es democratizar la industria de los fondos de cobertura brindando sesiones de capacitación que permitan a los estudiantes adquirir habilidades prácticas utilizando herramientas y datos de código abierto de Quantiacs. Quantiacs es un fondo de cobertura de colaboración abierta que conecta a los quants que desarrollan algoritmos con el capital, mientras que Quantinsti ofrece cursos de comercio algorítmico. Hamer también destaca cómo los Quants pueden participar en los concursos de Quantiacs para ganar capital de inversión y una parte de las ganancias.

  • 00:05:00 Eric Hamer de Quantiacs analiza cómo conectan los algoritmos de los codificadores con los mercados de capitales, y tanto el quant como los Quantiacs se benefician si las estrategias tienen éxito. Quantiacs tiene como objetivo promover el comercio cuantitativo, ofreciendo kits de herramientas de escritorio descargables para MATLAB y Python, estrategias de comercio de muestra y datos de futuros gratuitos al final del día que datan de 1990. Además, Quantiacs ha agregado indicadores macroeconómicos para ayudar a los clientes a mejorar su algoritmos y una plataforma en línea donde los usuarios pueden enviar y evaluar sus algoritmos de forma gratuita. Si bien actualmente solo trabaja con futuros, Quanciacs puede proporcionar datos comparables para los mercados de acciones en el futuro.

  • 00:10:00 El ponente explica las dos funciones principales de las estrategias comerciales en la plataforma Quantiacs, que son la función de coste y el sistema comercial. La función de costo da cuenta de los costos de transacción y las comisiones utilizando el 5% de la diferencia entre los precios máximos y mínimos de un día determinado. Por otro lado, el sistema de negociación permite al usuario solicitar información de precios y devolver un vector o matriz de pesos que determina la asignación de la cartera. La plataforma desaconseja el uso de variables globales y proporciona un parámetro de configuración para mantener cualquier información de estado necesaria. Luego, el orador muestra el resultado de una estrategia comercial simple, que ha proporcionado un rendimiento del 2,5 % por año e incluye una curva de acciones, el rendimiento de las posiciones largas y cortas y el rendimiento de futuros individuales. Por último, la plataforma evalúa estrategias
    basado en el rendimiento positivo, la baja volatilidad y el índice de Sharpe, que mide los rendimientos ajustados al riesgo.

  • 00:15:00 Eric Hamer presenta el concepto de aprendizaje automático y sus aplicaciones en finanzas cuantitativas. Menciona que entre el 85 % y el 90 % de las transacciones en las bolsas de valores estadounidenses se generan por computadora y que las técnicas de aprendizaje automático como la regresión, la clasificación y la agrupación son cada vez más comunes. Hamer explica algunas de las trampas del aprendizaje automático y destaca la importancia de maximizar el rendimiento ajustado al riesgo sin una rotación excesiva. Si bien el uso de redes neuronales puede generar resultados extremadamente buenos, los tiempos de ejecución pueden ser prolongados y la arquitectura de CPU tradicional no es óptima. Sin embargo, hay GPU de alto rendimiento disponibles que pueden reducir significativamente el tiempo de ejecución. A pesar de las bibliotecas de código abierto disponibles, como Python y MATLAB, configurar y entrenar un algoritmo de aprendizaje automático puede ser un proceso complicado que requiere esfuerzo y trabajo.

  • 00:20:00 Eric Hamer analiza el proceso de aprendizaje automático, comenzando con la especificación del enunciado del problema y la identificación del tipo de problema de aprendizaje automático. Hamer explica que todo debe ser numérico en el aprendizaje automático y que el conjunto de datos generalmente se divide en datos de entrenamiento y prueba para entrenar y evaluar el modelo, respectivamente. Hamer también usa un ejemplo para explicar cómo se puede usar la API de Python de Quantiacs para hacer predicciones sobre el contrato de futuros del mini S&P 500 y mostrar los resultados usando la API de la red neuronal de Keras.

  • 00:25:00 Eric Hamer analiza las limitaciones del modelo de aprendizaje automático que ha creado para predecir los precios futuros de las acciones. Si bien el modelo parece predecir los precios con precisión a primera vista, una inspección más detallada revela que en realidad solo está utilizando los datos de hoy como un indicador de los datos de mañana. Cuando se aplica el mismo algoritmo a las devoluciones de datos sin procesar, las predicciones del modelo siguen la misma forma pero no la misma magnitud que los valores verdaderos. Hamer luego demuestra el bajo rendimiento del modelo cuando se aplica a los datos comerciales y analiza las posibles vías de mejora. También proporciona una breve descripción general del código fuente utilizado en la función de su sistema comercial.

  • 00:30:00 Eric Hamer demuestra cómo crear un modelo Keras secuencial para predecir los rendimientos de futuros del S&P 500. El modelo comienza con un modelo básico y agrega capas específicas. Luego, Eric entrena su modelo con los datos de entrenamiento, que son los datos de precios reales, y los valores de y son los datos de retorno que espera predecir. Una vez que se entrena el modelo, Eric puede sacar su modelo de la configuración y usarlo para predecir cuáles serán los rendimientos en función de los datos más recientes. El minimodelo S&P 500 simple de Eric no funciona bien, pero explica cómo el problema se puede resolver con la técnica adecuada y la optimización, como el descenso de gradiente y el impulso.

  • 00:35:00 Eric Hamer analiza algunas técnicas que se pueden usar para aumentar la validez de un algoritmo de aprendizaje automático aplicado a las finanzas cuantitativas, como la técnica de agregación de arranque, que implica ejecutar el algoritmo en muchas versiones fragmentadas diferentes de los datos para ver qué se puede aprender de él. Aconseja mantener las estrategias simples y usar múltiples predicciones para llegar a un consenso, además de tener cuidado con el sobreajuste, la limpieza de los datos y la contabilidad de los datos faltantes y las variables aleatorias. En general, cree que el aprendizaje automático y la inteligencia artificial seguirán siendo herramientas clave para pronosticar los mercados financieros.

  • 00:40:00 El orador presenta los cursos EpAT y ConTA, los cuales ofrecen sesiones dedicadas al aprendizaje automático. EpAT está diseñado para profesionales que buscan crecer en el campo del comercio algorítmico o cuantitativo, y ConTA ofrece un curso a su propio ritmo sobre la implementación de técnicas de regresión utilizando el aprendizaje automático con Python. El orador también responde preguntas sobre cómo elegir entre R y Python para el aprendizaje automático y cómo evitar el sobreajuste al probar conjuntos de datos alternativos. El orador recomienda entrenar el modelo tanto con datos de entrenamiento como de prueba y observar la diferencia en el error entre los dos para evitar el sobreajuste.

  • 00:45:00 Eric Hamer habla sobre las trampas del sobreajuste en el aprendizaje automático para el comercio de algoritmos y sugiere usar la técnica de agregación o embolsado de arranque para dividir un conjunto de datos en subconjuntos más pequeños para probar la precisión. También señala que una precisión superior al 50% puede considerarse buena en los datos financieros debido a su ruido y fluctuación.

  • 00:50:00 Eric Hamer enfatiza la importancia de comprender la tecnología para automatizar las estrategias comerciales. Menciona la necesidad de programas educativos que puedan capacitar a las personas en las diversas habilidades necesarias para ser un comerciante algorítmico exitoso.
 

¿Podemos usar modelos mixtos para predecir los fondos del mercado? por Brian Christopher - 25 de abril de 2017



¿Podemos usar modelos mixtos para predecir los fondos del mercado? por Brian Christopher - 25 de abril de 2017

Brian Christopher, investigador cuantitativo y desarrollador de Python, ofrece una presentación completa sobre las limitaciones del análisis de series de tiempo tradicional e introduce modelos mixtos, específicamente modelos ocultos de Markov (HMM), como una alternativa prometedora para predecir rendimientos e identificar regímenes de mercado. Enfatiza la necesidad de modelos que puedan manejar datos no estacionarios y distribuciones no lineales aproximadas, que son esenciales en la previsión financiera.

Christopher explora cómo se pueden usar los modelos mixtos, en particular los HMM, para estimar el régimen más probable de un activo, junto con las medias y varianzas asociadas para cada régimen. Explica el proceso computacional, que implica alternar entre calcular parámetros de clase y evaluar datos de probabilidad. El modelo de mezcla gaussiana (GMM), un modelo de mezcla bien conocido, supone que cada régimen sigue una distribución gaussiana. Christopher demuestra cómo se emplea el algoritmo de maximización de expectativas para calcular probabilidades y parámetros de régimen hasta la convergencia. Para ilustrar esto, muestra un ejemplo de clasificación de los regímenes de baja volatilidad, neutral y alta volatilidad de un ETF espía.

A continuación, Christopher profundiza en cómo los GMM pueden manejar conjuntos de datos no estacionarios y no lineales, superando las limitaciones del análisis tradicional de series temporales. Presenta una estrategia de juguete que utiliza cuatro factores, incluidos los rendimientos de los activos y el diferencial de diez años a tres meses del Tesoro de EE. UU., para estimar los rendimientos y los parámetros de la secuencia. Los GMM se utilizan para ajustar y predecir, extrayendo la estimación de la etiqueta del último régimen para determinar la media y la varianza del régimen específico. En lugar de asumir una distribución normal, la distribución su de Johnson se utiliza como parte de la estrategia para explicar la naturaleza no lineal de los datos.

El disertante analiza una estrategia para predecir los fondos del mercado basada en la suposición de que los rendimientos fuera de los intervalos de confianza son valores atípicos. Mediante la construcción de intervalos de confianza del 99 % a través de mil muestras, los rendimientos por debajo del intervalo de confianza inferior se consideran valores atípicos. Christopher analiza los rendimientos después del evento atípico, suponiendo una posición larga o de compra en el ETF durante un número específico de días. El modelo se adapta a la volatilidad cambiante y, aunque la precisión general es de alrededor del 73 %, la curva de renta variable no funciona tan bien como una estrategia de compra y retención. Christopher alienta a la audiencia a explorar los datos por sí mismos, ya que los conjuntos de datos utilizados en la presentación están disponibles en GitHub.

Christopher comparte su análisis del uso de modelos mixtos para predecir los fondos de mercado para varios ETF. Examina la distribución de la mediana de los rendimientos de cada ETF a lo largo de diferentes periodos retrospectivos y de mantenimiento. SPY, Triple Q y TLT superan constantemente en diferentes dimensiones, mientras que GLD, EFA y EEM exhiben distribuciones más simétricas. También evalúa el ratio de suma, que mide los retornos totales de los eventos mayores a 0 divididos por los retornos menores a 0, considerando los valores mayores a 1 como exitosos. SPY, Triple Q y TLT muestran un sólido desempeño en múltiples dimensiones y períodos retrospectivos. Sin embargo, Christopher advierte que los períodos de tenencia más largos pueden estar más influenciados por la tendencia general del mercado.

El presentador analiza el desempeño de diferentes activos en el mercado utilizando modelos mixtos para predecir los mínimos del mercado. El estudio revela que activos como SPY, Triple Q, TLT y GLD funcionan bien dependiendo de variables como la cantidad de pasos o el período retrospectivo. Sin embargo, el desempeño de ciertos activos se deteriora con períodos de tenencia más largos. El estudio evalúa la rentabilidad media de diferentes componentes e identifica resultados prometedores para activos como EEM y Aoife. Se enfatiza la importancia de una distribución de muestreo adecuada y se demuestra que el uso de la distribución su de Johnson es efectivo. En general, la estrategia que utiliza modelos mixtos para predecir los fondos del mercado resulta convincente.

Christopher explica que, si bien GMM ha mostrado éxito constantemente con activos como SPY, Triple Q y TLT, existen estrategias alternativas que funcionan igual o mejor. Describe brevemente el código para la clase corredora del modelo y la función de conveniencia del modelo de ejecución, que implementa los componentes GMM. Enfatiza que el modelo se implementó de manera progresiva para evitar el sesgo de anticipación. Además, Christopher proporciona los datos que usó en formato HDF5 en GitHub.

El orador explica cómo organizar y analizar los datos generados para evaluar la efectividad de la estrategia del modelo mixto. Se pueden emplear varias técnicas de división y agrupación para evaluar métricas y medios. La distribución su de Johnson se utiliza para adaptarse a la volatilidad cambiante en la serie de retorno y se compara con la distribución normal. Christopher sugiere que la precisión de la distribución normal es pobre y que puede ser más beneficioso simplemente mantener el mercado. Sin embargo, alienta a las personas a explorar los datos en GitHub y se ofrece a responder cualquier pregunta o participar en un seminario web.

Durante la sesión de preguntas y respuestas, Christopher responde a las preguntas de la audiencia sobre su seminario web sobre el uso de modelos mixtos para predecir los mínimos del mercado. Aclara que determinó los parámetros de forma para la distribución de Johnson a través de una búsqueda de parámetros aproximados y no investigó exhaustivamente los resultados. También analiza cómo seleccionó factores útiles para su modelo, destacando la inclusión de intereses basados en EE. UU. o métricas de renta fija para mejorar el éxito del modelo en la predicción de rendimientos de activos basados en EE. UU.

Christopher aborda preguntas adicionales de la audiencia con respecto a la aplicación de GMM a los rendimientos en lugar del precio, la cuestión de la escala cuando se usa el precio, el problema de la varianza del sesgo con múltiples factores y la similitud entre la retrospectiva y las pruebas retrospectivas. Sugiere más exploración e investigación sobre combinaciones de factores que son más predictivos en una gama más amplia de activos. También enfatiza la importancia de establecer un límite natural a la cantidad de componentes GMM para evitar el sobreajuste. Christopher invita a la audiencia a comunicarse con él para obtener más preguntas y detalles.

  • 00:00:00 Brian Christopher, investigador cuantitativo y desarrollador de Python, analiza las limitaciones del análisis de series temporales tradicional al predecir rendimientos o cronometrar el mercado debido al requisito estricto de datos estacionarios y la necesidad de un modelo que pueda aproximar distribuciones no lineales. Luego explora el uso de modelos mixtos, específicamente modelos ocultos de Markov (HMM), que se basan en varios conceptos establecidos, como los modelos de Markov, y se pueden usar para aproximar distribuciones no lineales y no requieren datos estacionarios.

  • 00:05:00 Brian Christopher discutió cómo el uso de modelos mixtos puede ayudar a predecir los fondos del mercado y estimar el régimen más probable de un activo, incluidas las medias y varianzas asociadas para cada régimen. El modelo rota entre calcular parámetros de clase y evaluar datos de probabilidad dados cada parámetro, incluida la media y la varianza de cada régimen y la probabilidad de transición entre ellos. El modelo más conocido es el modelo de mezcla gaussiana que supone que cada régimen se genera mediante un proceso gaussiano y utiliza el algoritmo de maximización de expectativas para calcular las probabilidades y los parámetros del régimen hasta que se cumple la convergencia u otro criterio de parada. Brian mostró un ejemplo del uso del modelo para clasificar los regímenes de baja volatilidad, neutral y alta volatilidad de un ETF espía.

  • 00:10:00 Brian Christopher explica cómo los modelos de mezcla gaussiana (GMM) pueden manejar conjuntos de datos no estacionarios y conjuntos de datos no lineales aproximados, superando algunas de las debilidades de los modelos tradicionales de análisis de series temporales. Christopher diseña una estrategia de juguete que utiliza cuatro factores para estimar la secuencia de rendimientos y parámetros, incluidos los rendimientos de los activos, el diferencial de diez años a tres meses del Tesoro de EE. UU. y más. El enfoque utiliza GMM para ajustar y predecir, extrayendo la estimación de la etiqueta del último régimen para obtener la estimación del modelo de la media y la varianza para ese régimen específico, que se alimenta a la distribución su de Johnson, en lugar de a la distribución normal, como parte de la estrategia.

  • 00:15:00 El orador discute una estrategia que asume que cualquier rendimiento real que esté fuera de los intervalos de confianza es atípico y predice fondos de mercado basados en esta suposición. Extraen mil muestras para construir intervalos de confianza del 99 % y asumen que los rendimientos por debajo del intervalo de confianza inferior son valores atípicos. Luego observan los rendimientos después del evento atípico, suponiendo una compra o una compra larga del ETF durante varios días. El modelo se adapta a la volatilidad cambiante y la precisión del modelo en general es de alrededor del 73 %, pero la curva de renta variable deja un poco que desear, especialmente en comparación con una estrategia de comprar y mantener. El orador alienta a las personas a jugar con los datos ellos mismos, ya que puso a disposición los conjuntos de datos en GitHub, y pueden evaluar cada ETF de forma individual o colectiva.

  • 00:20:00 Brian Christopher analiza su análisis de los ETF utilizando modelos mixtos para predecir los fondos del mercado. Observó la distribución de la mediana de los rendimientos de cada ETF en varios periodos retrospectivos y de tenencia. SPY, Triple Q y TLT obtuvieron mejores resultados en todas las dimensiones, mientras que GLD, EFA y EEM tuvieron una distribución más simétrica. También analizó la relación de suma, que suma los rendimientos totales de cada evento superior a 0 dividido por la suma de los rendimientos inferiores a 0, y descubrió que los valores superiores a 1 se consideraban exitosos. SPY, Triple Q y TLT obtuvieron mejores resultados en múltiples dimensiones y períodos retrospectivos. Sin embargo, Christopher advierte que los períodos de tenencia más largos pueden verse más afectados por la tendencia general del mercado.

  • 00:25:00 El orador analiza el desempeño de diferentes activos en el mercado utilizando modelos mixtos para predecir los fondos del mercado. El estudio encontró que los activos como SPY, Triple Q, TLT y GLD funcionan bien según las variables, como la cantidad de pasos o el período retrospectivo. El desempeño de ciertos activos se degrada con períodos de retención más largos. El estudio evaluó la mediana de los rendimientos en diferentes componentes y encontró resultados prometedores para activos como EEM y Aoife. El estudio también destaca la importancia de una distribución de muestreo adecuada, y se demuestra que el uso de la distribución su de Johnson es efectivo. En general, la estrategia que utiliza modelos mixtos para predecir los mínimos del mercado resulta atractiva.

  • 00:30:00 El presentador explica que el modelo de mezcla gaussiana (GMM) es un marco para las predicciones de distribución de activos o retornos que ha mostrado un éxito consistente con SPY, Triple Q y TLT. Sin embargo, algunas estrategias han funcionado igual de bien o mejor, y las expectativas deben moderarse en consecuencia. Luego, el presentador repasa brevemente el código para la clase del corredor del modelo y la función de conveniencia llamada modelo de ejecución, que implementa el GMM en componentes. El presentador enfatiza que el modelo se implementó en forma de avance para garantizar que no haya un sesgo de anticipación involucrado. Además, el presentador puso a disposición los datos que utilizó en Github en formato HDF5.

  • 00:35:00 El orador analiza cómo organizar y analizar los datos generados para determinar la efectividad de la estrategia del modelo mixto. Los datos se pueden dividir y agrupar de varias maneras para evaluar las métricas y los medios. La distribución su de Johnson se utiliza para adaptarse a la volatilidad cambiante en la serie de retorno y se compara con la distribución normal. El orador sugiere que la precisión de la distribución normal es mala y que sería mejor mantener el mercado. Sin embargo, el orador fomenta la exploración de los datos en github y está dispuesto a responder cualquier pregunta o participar en un seminario web.

  • 00:40:00 Brian Christopher responde algunas preguntas de la audiencia sobre su seminario web sobre el uso de modelos mixtos para predecir los fondos del mercado. Explica que determinó los parámetros de forma para la distribución de Johnson a través de una búsqueda de parámetros aproximados y no investigó exhaustivamente los resultados. Christopher también analiza cómo determinó si los factores que seleccionó fueron útiles en su modelo, explicando que probó muchos factores diferentes y finalmente descubrió que el uso de intereses basados en EE. devoluciones.

  • 00:45:00 Brian Christopher responde algunas preguntas de la audiencia sobre por qué aplicó GMM a las devoluciones en lugar de al precio, la cuestión de la escala cuando se usa el precio, el posible problema de sesgo-varianza en los factores K y la similitud de usar mirar hacia atrás a la prueba retrospectiva. También sugiere una mayor exploración e investigación sobre combinaciones de factores que son más predictivos en una gama más amplia de activos y establecer un límite natural para la cantidad de componentes GMM para evitar el sobreajuste. Brian Christopher invita a la audiencia a contactarlo para más preguntas y detalles.
 

Volatilidad implícita de la teoría a la práctica por Arnav Sheth - 7 marzo, 2017



Volatilidad implícita de la teoría a la práctica por Arnav Sheth - 7 marzo, 2017

Arnav Sheth, un estimado profesor con un amplio conocimiento de la volatilidad, sube al escenario como orador de un seminario web titulado "Volatilidad implícita de la teoría a la práctica". El anfitrión presenta a Sheth, destacando su experiencia en el campo, incluida la publicación de su libro y la fundación de una plataforma analítica y de consultoría. El seminario web tiene como objetivo proporcionar a los asistentes una comprensión integral de la volatilidad implícita, los diferentes tipos de volatilidad, las estrategias comerciales que explotan la volatilidad implícita y los recursos en línea disponibles y los índices de Chicago Board Options Exchange (CBOE) para una mayor exploración.

Sheth comienza ofreciendo una descripción general concisa de las opciones, que cubre varias volatilidades, como la volatilidad histórica e implícita. Se sumerge en una estrategia comercial en detalle y analiza un par de índices CBOE, brindando información práctica sobre su aplicación. Para proporcionar un contexto histórico, Sheth comparte los orígenes de las opciones, remontándose al primer contrato de opciones registrado alrededor del año 500 a. Cuenta la historia de Tales, un matemático y filósofo, que se aseguró los derechos exclusivos de todas las prensas de aceitunas durante una cosecha abundante. Esta historia ilustra la manifestación temprana del comercio de opciones.

Pasando a la definición moderna de opciones, Sheth aclara el concepto de opciones de compra, describiéndolas como contratos que permiten especular o cubrir el futuro de un activo subyacente. Él enfatiza que las opciones de compra brindan al destinatario el derecho, pero no la obligación, de salir del contrato. Sheth procede a explicar los conceptos básicos del comercio de opciones de compra y venta, destacando que una opción de compra otorga al comprador el derecho a comprar un activo subyacente a un precio específico, mientras que una opción de venta le otorga al comprador el derecho a vender el activo subyacente a un precio predeterminado. precio. Él subraya que el comercio de opciones es un juego de suma cero, lo que significa que por cada ganador, hay un perdedor, lo que resulta en ganancias y pérdidas totales equivalentes a cero. Sheth advierte sobre los riesgos de vender una opción de compra sin poseer las acciones subyacentes, pero señala que si uno posee las acciones, vender una opción de compra puede ayudar a mitigar el riesgo.

Sheth profundiza en los contratos de opciones, cubriendo opciones de compra larga, compra corta, venta larga y venta corta. Él explica sus resultados potenciales de ganancias y pérdidas, y advierte que los principiantes no deben participar en el comercio de "opciones desnudas". Además, enfatiza la importancia de tener en cuenta el valor del dinero en el tiempo al calcular la ganancia versus el pago. Sheth distingue entre opciones europeas y americanas, aclarando que las opciones europeas solo pueden ejercerse al vencimiento, mientras que las opciones americanas pueden ejercerse en cualquier momento. Concluye esta sección presentando el modelo de fijación de precios de Black-Scholes-Merton, que compara con una "compra de acciones apalancada".

Luego, el enfoque cambia al modelo Black-Scholes-Merton (BSM) y sus supuestos subyacentes. Sheth destaca uno de estos supuestos, afirmando que la volatilidad de los rendimientos se conoce y permanece constante a lo largo de la vida útil de la opción. Procede a analizar la volatilidad histórica, que representa la desviación estándar de los rendimientos históricos de los activos. Sheth explica su importancia para predecir la rentabilidad potencial de una opción, destacando que una mayor volatilidad aumenta el precio de la opción debido a una mayor probabilidad de que el activo termine "en el dinero".

A continuación, Sheth explora la volatilidad implícita y su papel en la ingeniería inversa de la volatilidad del modelo Black-Scholes utilizando opciones de mercado. La volatilidad implícita se interpreta como la volatilidad esperada del mercado y se calcula con base en los precios de las opciones de mercado. Sheth presenta el VIX, que utiliza opciones S&P 500 at the money con vencimiento a 30 días para estimar la volatilidad implícita. El VIX mide la volatilidad que anticipa el mercado durante el período de vencimiento de la opción. Señala que los comerciantes a menudo usan la volatilidad implícita, derivada de los precios de las opciones, para cotizar las opciones y no al revés. Sheth enfatiza que si diferentes strikes están asociados con el mismo activo subyacente, su volatilidad implícita debe permanecer constante.

Sheth procede a explicar el concepto de sesgo de volatilidad en el precio de las opciones. Demuestra cómo la volatilidad implícita se desvía de la volatilidad histórica a medida que el precio de ejercicio diverge, lo que da como resultado el sesgo de la volatilidad. Sheth destaca que el sesgo surgió después de 1987 y presenta una oportunidad para los comerciantes, ya que se refleja en los precios de las opciones. Introduce el término "prima de riesgo de volatilidad", que representa la diferencia entre la volatilidad implícita y realizada. Esta prima se puede explotar en estrategias comerciales. Sheth aclara que, si bien el modelo Black-Scholes se usa principalmente para cotizar opciones, se usa más comúnmente para obtener la volatilidad implícita.

El cálculo de la volatilidad implícita en el mercado de opciones se convierte en el siguiente tema de discusión. Sheth explica cómo los comerciantes utilizan los valores de mercado de opciones específicas sobre activos subyacentes e ingresan estos valores en el modelo Black-Scholes para realizar ingeniería inversa de la volatilidad. La volatilidad implícita se interpreta entonces como la volatilidad esperada por los mercados de opciones durante un período específico, a menudo 30 días. Sheth introduce el concepto de la prima de riesgo de volatilidad y muestra cómo los mercados de opciones tienden a sobrestimar la volatilidad real. Concluye esta sección presentando una distribución de frecuencias de la prima de volatilidad.

El ponente profundiza en las estrategias de negociación basadas en la volatilidad implícita, centrándose en el concepto de venta de straddles. Sheth destaca que la volatilidad implícita suele ser más alta que la volatilidad realizada, lo que da como resultado opciones sobrevaloradas. Como resultado, la estrategia consiste en vender straddles y quedarse corto en volatilidad. Para evaluar los riesgos asociados con estas estrategias, Sheth introduce medidas griegas, que proporcionan un marco para evaluar el riesgo. Ofrece un escenario de ejemplo que involucra la compra de un straddle at-the-money y analiza los resultados de pérdidas y ganancias en función del precio de las acciones subyacentes. Sheth concluye advirtiendo que si el precio de las acciones fluctúa significativamente, es posible que el precio de las opciones ya no sea sensible a la volatilidad.

El video procede a discutir el uso de opciones como cobertura contra cambios en los precios de las acciones. Sheth explica que al comprar simultáneamente una opción de compra y una opción de venta, o vendiendo ambas, lo más cercano al valor del precio de las acciones, se puede lograr la neutralidad delta, pero no se puede cubrir completamente la vega. Luego, Sheth presenta los índices CBOE como una forma conveniente de capitalizar la prima de volatilidad, mencionando específicamente el índice BXM (BuyWrite Monthly), que implica una estrategia de llamada cubierta, y la opción mariposa de hierro BFLY. Él explica que escribir llamadas cubiertas sobre las acciones propias puede reducir el riesgo asociado con mantener únicamente las acciones subyacentes, pero también conlleva la posibilidad de perder las acciones si se llama. Por último, Sheth explica la estrategia de la mariposa de hierro, que consiste en comprar y vender cuatro opciones con tres strikes contra el S&P 500.

Hacia el final del seminario web, Sheth presenta una estrategia que involucra la compra de una opción de venta fuera del dinero y una opción de compra fuera del dinero. Esta estrategia da como resultado una posición de volatilidad corta similar a un straddle inverso, pero con un pago ligeramente exagerado para aumentar el potencial de ganancias.

  • 00:00:00 Se presenta al orador Arnav Sheth como profesor que dirigirá un seminario web sobre la volatilidad implícita de la teoría a la práctica. Cubre los diferentes tipos de volatilidad, cómo usar la volatilidad implícita, las estrategias comerciales para explotar las características de la volatilidad implícita, así como los recursos en línea disponibles y los índices de Chicago Board Options Exchange para ayudar a los asistentes a comenzar. La sesión se está grabando y se pueden hacer preguntas a través de la ventana de preguntas y respuestas. El ponente se presenta como un profesor con un amplio conocimiento de la volatilidad que ha publicado un libro y ha fundado una plataforma de consultoría y análisis.

  • 00:05:00 El orador comienza brindando una breve descripción general de los conceptos básicos de las opciones, incluidos los diferentes tipos de volatilidades, como la volatilidad histórica e implícita. Luego presentan una estrategia comercial en detalle y un par de índices CBOE. El orador también habla sobre la historia de las opciones, comenzando con el primer contrato de opciones registrado que data de alrededor del año 500 a. C., por el matemático y filósofo Thales, quien reservó todas las prensas de aceitunas durante una cosecha abundante. Luego, el orador continúa definiendo qué es una opción de compra en los tiempos modernos, explicando que es un contrato que permite especular o cubrir el futuro de un activo subyacente, específicamente otorgando al destinatario el derecho pero no la obligación de salir.

  • 00:10:00 El orador explica los conceptos básicos del comercio de opciones de compra y venta. Una opción de compra le da al comprador el derecho, pero no la obligación, de comprar un activo subyacente, como una acción, a un precio específico, mientras que una opción de venta le da al comprador el derecho, pero no la obligación, de vender el activo subyacente a un precio específico. precio. El orador señala que el comercio de opciones es un juego de suma cero, lo que significa que por cada ganador hay un perdedor y que las ganancias y pérdidas totales siempre son cero. Además, vender una opción call sin poseer las acciones subyacentes es muy peligroso, pero si posee las acciones subyacentes, vender una opción call puede reducir su riesgo.

  • 00:15:00 Arnav Sheth analiza los diferentes tipos de contratos de opciones, incluidos los de compra larga, compra corta, venta larga y venta corta, y sus posibles resultados de pérdidas y ganancias. Advierte en contra de comenzar con "opciones desnudas" y enfatiza la importancia de tener en cuenta el valor del dinero en el tiempo al calcular la ganancia versus el pago. Sheth también aclara la diferencia entre las opciones europeas y americanas, afirmando que las opciones europeas solo se pueden ejercer al vencimiento, mientras que las opciones americanas se pueden ejercer en cualquier momento. Finalmente, cubre el modelo de fijación de precios Black-Scholes-Merton para opciones, que describe como una "compra de acciones apalancada".

  • 00:20:00 El ponente presenta el modelo Black-Scholes-Merton (BSM) y sus supuestos, uno de los cuales es que la volatilidad de los rendimientos es conocida y constante a lo largo de la vida de la opción. Luego se centra en la volatilidad histórica, que es la desviación estándar de los rendimientos históricos de los activos, y su importancia para predecir la rentabilidad potencial de una opción. Una mayor volatilidad indica un mayor precio de la opción porque hay una mayor probabilidad de que el activo termine en el dinero, lo que resulta en una gran rentabilidad potencial.

  • 00:25:00 El orador analiza la volatilidad implícita y cómo se utiliza para realizar ingeniería inversa de la volatilidad del modelo de Black-Scholes utilizando opciones de mercado. La volatilidad implícita se interpreta como la volatilidad esperada del mercado y se calcula a través de la entrada del precio de la opción de mercado. El VIX, calculado a partir de las opciones del S&P 500 at the money con vencimiento a 30 días, es la mejor estimación de la volatilidad implícita y mide la volatilidad que el mercado espera durante el período de tiempo en que vence una opción. Los comerciantes a menudo usan la volatilidad implícita calculada a través de los precios de las opciones para cotizar las opciones, en lugar de hacerlo al revés. La volatilidad implícita debería ser constante en todos los diferentes strikes si se trata del mismo activo subyacente.

  • 00:30:00 Arnav Sheth explica el sesgo de volatilidad en el precio de las opciones. Muestra que la volatilidad implícita se desvía de la volatilidad histórica a medida que nos alejamos del precio de ejercicio, y esto se conoce como sesgo de volatilidad. El sesgo aparece solo después de 1987, y esto se convierte en una oportunidad para los comerciantes, ya que también se refleja en los precios de las opciones. La diferencia entre la volatilidad implícita y la realizada se denomina prima de riesgo de volatilidad, que puede explotarse en las estrategias comerciales. Sheth explica que el modelo Black Scholes se usa para cotizar opciones, pero se usa más a menudo para obtener volatilidad implícita.

  • 00:35:00 Arnav Sheth explica cómo los comerciantes calculan la volatilidad implícita en un mercado de opciones. Los comerciantes usan el valor de mercado de opciones específicas sobre activos subyacentes e ingresan los cinco valores en el modelo Black Scholes para aplicar ingeniería inversa a la volatilidad. La volatilidad implícita se interpreta entonces como la volatilidad esperada por los mercados de opciones para el siguiente período específico, generalmente 30 días. Se introduce el concepto de prima de riesgo de volatilidad, que es la diferencia entre la volatilidad implícita y la volatilidad real, y se muestra que, en general, los mercados de opciones tienden a sobrestimar cuál será la volatilidad real. Este apartado finaliza con la distribución de frecuencias de la prima de volatilidad.

  • 00:40:00 El orador analiza las estrategias comerciales basadas en la volatilidad implícita y el concepto de venta de straddles. El orador explica que la volatilidad implícita suele ser mayor que la volatilidad realizada y esto da como resultado opciones sobrevaluadas. Por lo tanto, la estrategia es vender straddles e ir corto en volatilidad. El ponente también introduce el concepto de medidas griegas para evaluar los riesgos que implican estas estrategias. El orador proporciona un escenario de ejemplo de compra de un straddle at-the-money y analiza los resultados de pérdidas y ganancias en función del precio de las acciones subyacentes. El orador concluye destacando el riesgo de que el precio de las opciones ya no sea sensible a la volatilidad si el precio de las acciones fluctúa mucho.

  • 00:45:00 El video analiza el uso de opciones para protegerse contra los cambios en los precios de las acciones. Al comprar simultáneamente una opción de compra y una opción de venta o vender una opción de compra y una opción de venta al dinero más cercano al valor del precio de las acciones, puede lograr la neutralidad delta pero no puede protegerse de vega. Luego, el video pasa a explicar los índices CBOE como una manera fácil de aprovechar la prima de volatilidad, específicamente el BXM y una llamada cubierta y la opción mariposa de hierro BFLY. Escribir llamadas cubiertas sobre las acciones que posee puede reducir el riesgo de mantener únicamente las acciones subyacentes, pero uno debe estar preparado para perder las acciones si se las llama. Finalmente, el video explica la estrategia de la mariposa de hierro, que consiste en comprar y vender cuatro opciones con tres strikes contra el S&P 500.

  • 00:50:00 El orador ilustra una estrategia que consiste en comprar una opción de venta fuera del dinero y otra llamada de dinero, lo que lleva a una posición corta de volatilidad similar a un straddle inverso. Sin embargo, la recompensa se exagera ligeramente para aumentar las ganancias.
 

Cómo utilizar los datos del mercado financiero para el análisis fundamental y cuantitativo - 21 de febrero de 2017



Cómo utilizar los datos del mercado financiero para el análisis fundamental y cuantitativo - 21 de febrero de 2017

Altavoces:

  • Deepak Shenoy (Fundador y CEO, Capitalmind)
  • Maxime Fages (Fundador, Investigación cuantitativa de Golden Compass)
  • Marco Nicolás Dibo (CEO, Quanticko Trading)

Aprenda a negociar los fundamentos de manera rentable, comprenda los desafíos que rodean el análisis de datos de alta frecuencia, descubra las oportunidades y los errores en el comercio de futuros y vea una demostración en vivo de un tutorial paso a paso sobre una de las estrategias comerciales más populares, el comercio de pares. ¡estrategia!

 

Sesión Informativa sobre Trading Algorítmico



Sesión Informativa sobre Trading Algorítmico

En la apertura de la sesión informativa sobre trading algorítmico, el ponente agradece el creciente interés por este dominio y reconoce el importante impacto que ha tenido a lo largo de los años. Presentan a Nitesh, cofundador de IH y Quant Institute, como orador de la sesión. Se describe que Nitesh tiene una gran experiencia en los mercados financieros y proporcionará una descripción general del comercio algorítmico, las tendencias y las oportunidades, especialmente para los principiantes. El orador destaca artículos de noticias recientes que demuestran la creciente popularidad del comercio algorítmico y su tasa de crecimiento proyectada de más del 10% CAGR a nivel mundial en los próximos cinco años.

El orador se sumerge en el crecimiento y las oportunidades en el comercio algorítmico, enfatizando su rápida expansión con números porcentuales de dos dígitos en todo el mundo. Presentan datos de diferentes bolsas, mostrando los crecientes volúmenes de negociación algorítmica en los mercados de acciones y materias primas. Para definir el comercio algorítmico, lo explican como el proceso de usar computadoras programadas con un conjunto definido de instrucciones para colocar órdenes comerciales a alta velocidad y frecuencia, con el objetivo de generar ganancias. Se enfatiza el papel crítico de la tecnología en el comercio algorítmico, especialmente en el comercio de alta frecuencia, donde representa una parte significativa (hasta 60-70%) de la rentabilidad de una estrategia comercial.

Pasando a los aspectos clave del comercio algorítmico, el orador analiza la tecnología, la infraestructura y la estrategia. Destacan el papel prominente de la tecnología en el mundo comercial algorítmico actual, con tecnócratas y comerciantes orientados a la tecnología a la cabeza. La infraestructura se identifica como un factor crucial que define la probabilidad de éxito de un comerciante, enfatizando la importancia del tipo de infraestructura utilizada. Por último, el orador explica que la estrategia comercial en sí misma es lo que determina en última instancia la rentabilidad y el éxito, y representa entre el 30 y el 70 % de la probabilidad general de éxito de un comerciante. Describen las diferentes fases del desarrollo de la estrategia, incluida la ideación, el modelado, la optimización y la ejecución.

El orador describe las etapas del comercio algorítmico, como la optimización, la prueba y la ejecución. Destacan la importancia de optimizar las variables de entrada de un modelo comercial para garantizar un resultado consistente antes de avanzar con la ejecución. Además, al automatizar la ejecución, el ponente advierte sobre los riesgos potenciales y destaca la necesidad de un sistema de gestión de riesgos robusto para garantizar la seguridad y prevenir los riesgos operativos. Mencionan que las cotizaciones en el tramo conducen estadísticamente a grandes ganancias y mayores rendimientos por operación.

Se discuten los riesgos involucrados en el comercio algorítmico, incluido el potencial de pérdidas significativas, y se enfatiza la importancia de la gestión del riesgo operativo. El orador también destaca la infraestructura requerida para el comercio algorítmico, como líneas de alta velocidad y colocaciones, que permiten una ejecución más rápida. Se explican los pasos prácticos para configurar una mesa de negociación algorítmica, comenzando con el acceso al mercado a través de la obtención de una membresía o la apertura de una cuenta con un corredor. El orador menciona que los requisitos de licencia pueden variar según el regulador. Elegir la plataforma de negociación algorítmica correcta es crucial y depende de la estrategia específica que se ejecutará.

El ponente analiza las plataformas de negociación algorítmicas y su selección en función del tipo de estrategia. Para las estrategias comerciales de baja frecuencia, los corredores a menudo ofrecen plataformas gratuitas basadas en la web que permiten el comercio automatizado utilizando el código API en varios lenguajes de programación. Para una mayor sensibilidad a la latencia, se pueden usar plataformas implementables a un costo de unos pocos cientos de dólares por mes. El orador también enfatiza que el tipo de infraestructura utilizada depende de la estrategia, con datos y análisis de alta frecuencia que requieren servidores de rendimiento de primera clase.

El orador elabora sobre los diferentes tipos de acceso e infraestructura necesarios para el comercio algorítmico, considerando diversas regulaciones y tecnologías. Explican el concepto de coubicación y alojamiento de proximidad, destacando factores como la latencia, las líneas de enrutamiento de pedidos y los datos de mercado. Se enfatiza la importancia de tener una base de datos y análisis robustos para la optimización de la estrategia, especialmente cuando se trata de grandes cantidades de datos tick-by-tick. Se exploran el costo de acceso a estas herramientas y el nivel de uso de datos requerido para diferentes estrategias comerciales.

El ponente explica que el comercio algorítmico exige herramientas más sofisticadas que Excel, como R o Matlab, para el procesamiento de datos y la construcción de modelos. También mencionan el aumento de los requisitos de cumplimiento y auditoría que conlleva la automatización, que es una tendencia mundial. Se recomienda a los comerciantes que se aseguren de que sus transacciones sean auditables, que sus códigos y estrategias tengan la protección adecuada contra casos extremos o casos fuera de control, y que cuenten con protección de etiqueta. También se recomienda tener un equipo con conocimientos básicos de análisis, tecnología y mercados financieros, con al menos un miembro del equipo especializado en las tres áreas. Esto se compara con la receta comercial convencional para el éxito, que requería habilidades como procesamiento de números, reconocimiento de patrones, velocidad de escritura, comprensión del mercado financiero y disciplina.

El orador analiza la receta del éxito para el comercio cuantitativo utilizando el comercio algorítmico. Enfatizan la necesidad de una sólida comprensión matemática y estadística, así como la competencia en computación financiera. Comprender la tecnología y la estructura del mercado es crucial, junto con una comprensión general de cómo las funciones y las redes del hardware desempeñan un papel en el éxito comercial. La comprensión del mercado financiero también es esencial, y saber cómo codificar y modelar una estrategia es una ventaja adicional. Para aquellos que establecen tiendas de mayor frecuencia, todos estos elementos son vitales. El orador destaca la importancia de EPAT para las personas que ingresan al mundo comercial, especialmente porque muchas personas en finanzas carecen de la comprensión tecnológica necesaria para el éxito.

El orador habla sobre abordar la falta de comprensión en tecnología entre las herramientas de análisis cuantitativo requeridas para el comercio. Mencionan la creación del ePACT (Programa Ejecutivo en Comercio Algorítmico) para profesionales en activo que desean adquirir experiencia en el comercio algorítmico. El programa ePACT es un programa en línea integrado de seis meses que incluye clases de fin de semana de cuatro a cuatro meses y medio, seguidas de un mes y medio a dos meses adicionales de trabajo en proyectos. El trabajo del proyecto permite a los participantes especializarse en el dominio elegido. El programa consta de nueve módulos diferentes impartidos por profesionales de la industria para garantizar que el material cubierto se alinee con las necesidades y tendencias de la industria.

Se analizan los diversos módulos del programa ePACT, comenzando con una introducción al mercado financiero, estadísticas básicas, derivados y riesgo, estadísticas avanzadas y estrategia comercial cuantitativa. El módulo de estrategia comercial cuantitativa cubre varias estrategias comerciales y también incluye temas relacionados con la configuración de una mesa comercial algorítmica y la consideración de los aspectos comerciales involucrados. El programa también cubre la implementación de plataformas comerciales algorítmicas utilizando Python, brindando instrucción sobre los conceptos básicos de Python y cómo implementar estrategias comerciales en diferentes plataformas. A los participantes se les asigna un mentor para supervisar el trabajo de su proyecto, que actúa como una especialización dentro del dominio elegido.

El orador analiza los servicios de apoyo proporcionados por el equipo de servicios de carrera a los participantes y ex alumnos del programa de negociación algorítmica. Destacan la importancia de aprender haciendo, conferencias en vivo y acceso a conferencias grabadas. El orador presenta un gráfico que muestra los requisitos de la industria y los perfiles que las empresas buscan en los solicitantes, asegurando que el programa cubra temas relevantes. Mencionan que el programa cuenta con líderes de la industria como instructores de diferentes países y que sus ex alumnos se encuentran en más de 30 países en todo el mundo. También se destacan los diversos eventos y programas organizados por el instituto para aumentar el conocimiento del comercio algorítmico.

El orador procede a responder varias preguntas de los espectadores relacionadas con el comercio algorítmico. Confirman que los ciudadanos estadounidenses pueden abrir cuentas comerciales en la India, pero deben pasar por un custodio y seguir un proceso específico para abrir una cuenta con un corredor de compensación. El orador recomienda libros del Dr. Ap Chan y Larry Harris para aquellos interesados en configurar una mesa de negociación algorítmica o comenzar con el comercio algorítmico. También mencionan varias plataformas disponibles en India para el comercio algorítmico, como Symphony Fintech, Automated Trading y YouTrade, entre otras. Los datos técnicos reales se pueden obtener directamente del intercambio o a través del corredor de uno. Además, confirman que los estudiantes pueden tomar la misma estrategia que desarrollaron en el curso y aplicarla al comercio en vivo.

El orador continúa respondiendo varias preguntas de los espectadores sobre el comercio algorítmico. Explican que la codificación y el backtesting de una estrategia utilizando diferentes herramientas es posible y no es difícil de portar al comercio en vivo. También se abordan cuestiones relacionadas con las reglamentaciones, el cumplimiento y las licencias para comerciar en el mercado indio. El orador explica que se requiere permiso del intercambio para las estrategias comerciales automatizadas elegibles y que se necesita una demostración. También analizan estrategias comerciales populares, como las basadas en el impulso, el arbitraje estadístico y las estrategias basadas en el aprendizaje automático.

El orador analiza los tipos de estrategias comerciales que se cubren en el curso y enfatiza la importancia de aprender a desarrollar nuevas estrategias, probarlas y ejecutarlas. Responden preguntas sobre las perspectivas laborales para los graduados del curso, los salarios promedio ofrecidos y las habilidades de programación requeridas para analizar patrones de velas japonesas. También se abordan las inquietudes sobre el nivel de conocimiento y el compromiso de tiempo de los profesionales que toman el curso, así como los costos asociados con la creación de una mesa de negociación algorítmica en la India. El orador enfatiza la importancia de tener una comprensión básica de los conceptos clave antes de comenzar el programa para maximizar su valor.

El orador responde varias preguntas relacionadas con el comercio algorítmico, lo que sugiere que las personas con conocimientos limitados de los mercados de valores pueden comunicarse con un especialista en ventas para recibir orientación y obtener una comprensión básica de estos dominios antes de continuar con el curso. Explican que el comercio algorítmico es útil para los comerciantes individuales que desean garantizar la disciplina en sus operaciones y ampliar sus estrategias para incluir múltiples instrumentos. El orador también aborda las preocupaciones sobre la transición de un curso a otro y los corredores en la India que ofrecen servicios de negociación de algoritmos. Finalmente, explican que la colocación de servidores en un intercambio no brinda una ventaja indebida a los comerciantes algorítmicos, sino que beneficia a los comerciantes minoristas al proporcionar márgenes de oferta y demanda más ajustados.

El orador analiza los beneficios del comercio algorítmico para los comerciantes minoristas y cómo la tecnología puede ayudar a minimizar las pérdidas. Abordan preguntas sobre los no programadores que aprenden Python para el comercio algorítmico y si los residentes indios pueden comerciar en los mercados globales. Aclaran que su empresa se centra principalmente en la educación en lugar de proporcionar plataformas de negociación algorítmica o de corretaje. El orador enfatiza que su programa ha ayudado a cientos de participantes de más de 30 países y alienta a las personas interesadas a comunicarse con sus equipos de ventas y desarrollo comercial para obtener más información.

El orador aborda varias preguntas de los espectadores, incluso si todas las estrategias deben ser aprobadas por el intercambio y cómo proteger una estrategia. Explican que los proveedores de algoritmos no pueden ver la estrategia de un comerciante, y los intercambios se preocupan principalmente por garantizar que las estrategias no causen estragos en el mercado. Mencionan un descuento para estudiantes para el programa y discuten la disponibilidad del comercio de algoritmos en los mercados de productos básicos en la India. Además, destacan la importancia del álgebra lineal y la distribución de probabilidad en los perfiles HFT, según el rol, y enfatizan que el comercio algorítmico se puede aplicar en todo el mundo a cualquier instrumento comercial, incluidas las opciones y el mercado de divisas.

Los oradores analizan las estrategias de codificación, el suministro de código reutilizable y la necesidad de aprender Python y R. También responden preguntas sobre la validación de estrategias, el ROI potencial y la infraestructura necesaria para un número moderado de comerciantes. Los oradores advierten contra compartir estrategias con otros y sugieren centrarse en aprender las mejores prácticas y desarrollar ideas de estrategias comerciales únicas.

Los oradores responden varias preguntas sobre el comercio algorítmico, incluido el marco de tiempo ideal para realizar una prueba retrospectiva de una estrategia, el ancho de banda mínimo de Internet requerido para el comercio de volumen moderado y cómo evitar la obtención de corretaje. También analizan los mejores proveedores de operaciones algorítmicas en la India y si se pueden programar estrategias de operaciones discrecionales como la teoría de las ondas de Elliot. Los oradores sugieren que cualquier estrategia se puede codificar si uno se siente cómodo con la programación y tiene reglas claras en mente. Aconsejan a los comerciantes que elijan proveedores en función de sus requisitos individuales y las ventajas y desventajas de cada proveedor.

Para concluir, el ponente agradece a los asistentes y ofrece más ayuda. Aunque no pudieron responder a todas las preguntas debido a limitaciones de tiempo, el orador alienta a la audiencia a enviar sus consultas y proporciona información de contacto para el equipo del Quant Institute. Expresan su agradecimiento por el interés en el comercio algorítmico y enfatizan la importancia del aprendizaje y la práctica continuos en este campo.

  • 00:00:00 El orador presenta la sesión informativa sobre el comercio algorítmico y da la bienvenida a los espectadores. Expresan su gratitud por el creciente interés en el segmento del comercio algorítmico y el impacto que ha tenido a lo largo de los años. El orador presenta al cofundador de IH y Quant Institute, Nitesh, quien hablará en la sesión. Nitesh tiene una gran experiencia en los mercados financieros y brindará una descripción general del comercio algorítmico, las tendencias y las oportunidades para principiantes. El orador también destaca artículos de noticias recientes que demuestran la creciente popularidad del comercio algorítmico y su tasa de crecimiento esperada de más del 10% CAGR a nivel mundial durante los próximos cinco años.

  • 00:05:00 El orador analiza el crecimiento y las oportunidades en el comercio algorítmico, un dominio que se está expandiendo rápidamente con números porcentuales de dos dígitos en todo el mundo. El orador presenta datos de diferentes bolsas que destacan los crecientes volúmenes de negociación algorítmica en los mercados de acciones y materias primas. La definición de comercio algorítmico se proporciona como el proceso de usar computadoras programadas para seguir un conjunto definido de instrucciones para colocar órdenes comerciales para generar ganancias a alta velocidad y frecuencia. La participación de la tecnología se enfatiza como un aspecto crítico del comercio algorítmico, especialmente en el comercio de alta frecuencia, donde representa hasta el 60-70% de la razón por la cual una estrategia comercial genera dinero.

  • 00:10:00 El orador analiza los aspectos clave del comercio algorítmico, que incluyen tecnología, infraestructura y estrategia. El papel de la tecnología en el comercio algorítmico es prominente en el mundo actual con tecnócratas y comerciantes orientados a la tecnología a la cabeza. La infraestructura juega un papel importante, y el tipo de infraestructura utilizada define la probabilidad de éxito de un comerciante. Por último, la estrategia comercial es lo que genera dinero y representa entre el 30 y el 70 % de la probabilidad de éxito de un operador. El orador explica las diferentes fases del desarrollo de la estrategia desde la ideación hasta el modelado y la optimización hasta la ejecución.

  • 00:15:00 El orador describe las etapas del comercio algorítmico que involucran optimización, prueba y ejecución. Hacen hincapié en la importancia de optimizar las variables de entrada de un modelo para garantizar un resultado uniforme antes de pasar a la ejecución. Además, al automatizar la ejecución, el ponente advierte de los riesgos potenciales y destaca la necesidad de un sistema de gestión de riesgos para garantizar la seguridad y prevenir el riesgo operacional. Sugieren cotizaciones en el tramo que estadísticamente conducen a ganancias importantes y un mayor rendimiento por operación.

  • 00:20:00 Se discuten los riesgos involucrados en el comercio algorítmico, como el potencial de grandes pérdidas y la importancia de la gestión del riesgo operativo. También se destaca la infraestructura requerida para el comercio algorítmico, incluidas las líneas de alta velocidad y las colocaciones. Pasando a los pasos prácticos para establecer una mesa de negociación algorítmica, el acceso al mercado es un primer paso crucial, ya sea obteniendo una membresía o abriendo una cuenta con un corredor. Los requisitos de licencia pueden variar según el regulador. La elección de la plataforma de negociación algorítmica adecuada depende en última instancia de la estrategia a ejecutar.

  • 00:25:00 El orador analiza las plataformas de negociación algorítmica y cómo elegir una según el tipo de estrategia que se utilice. Para las estrategias comerciales de baja frecuencia, los corredores a menudo ofrecen plataformas gratuitas basadas en la web que permiten el comercio automatizado utilizando código API para varios lenguajes de programación. Para aquellos con mayor sensibilidad a la latencia, se puede usar una plataforma desplegable por unos pocos cientos de dólares al mes. El orador también señala que el tipo de infraestructura utilizada dependerá del tipo de estrategia que se implemente, con datos y análisis de alta frecuencia que requieren un servidor para un rendimiento de primera clase.

  • 00:30:00 El orador analiza los diferentes tipos de acceso e infraestructura necesarios para el comercio algorítmico y cómo esto puede depender de diversas regulaciones y tecnologías. Se explica el concepto de alojamiento compartido y de proximidad, junto con consideraciones como la latencia, las líneas de enrutamiento de pedidos y los datos de mercado. También se enfatiza la importancia de tener una buena base de datos y análisis para la optimización de la estrategia, especialmente cuando se trata de grandes cantidades de datos tick-by-tick. También se exploran el costo de acceso a estas herramientas y el grado de uso de datos necesario para diferentes estrategias comerciales.

  • 00:35:00 El orador explica que el comercio algorítmico requiere herramientas más sofisticadas que Excel, como R o Matlab, para procesar datos y construir modelos. La automatización también trae más requisitos de cumplimiento y auditoría, que es una tendencia a nivel mundial. Los comerciantes algorítmicos deben asegurarse de que sus transacciones sean auditables y que sus códigos y estrategias no tengan casos extremos o casos fuera de control, y que cuenten con protección de etiqueta. Además, los comerciantes necesitan un equipo con conocimientos básicos de análisis, tecnología y mercados financieros, con al menos un miembro del equipo que se especialice en los tres. El orador compara esto con la receta comercial convencional para el éxito en la que el procesamiento de números, el reconocimiento de patrones, la velocidad de escritura, la comprensión del mercado financiero y la disciplina eran esenciales.

  • 00:40:00 El orador analiza la receta del éxito para el comercio cuantitativo utilizando el comercio algorítmico. Requiere una sólida comprensión matemática y estadística, así como computación financiera. También es necesario comprender la tecnología y la estructura del mercado, junto con la comprensión general de cómo las funciones y las redes del hardware entran en juego en el éxito comercial. Además, se requiere comprensión del mercado financiero, y saber cómo codificar y modelar su estrategia es una ventaja adicional. Para aquellos que establecen una tienda de mayor frecuencia, todos estos elementos son vitales. El orador llama la atención sobre EPAT, que es crucial para aquellos que desean ingresar al mundo comercial, especialmente cuando la mayoría de las personas en finanzas carecen de la comprensión de la tecnología necesaria para el éxito.

  • 00:45:00 El orador habla sobre cómo abordaron la falta de comprensión en la tecnología de las diferentes herramientas de análisis cuantitativo que son necesarias para el comercio. El comercio algorítmico del programa ejecutivo epat fue creado para profesionales que querían adquirir experiencia en el comercio algorítmico. El programa en línea integrado de seis meses incluía fines de semana de clases de cuatro a cuatro meses y medio y un mes y medio a dos meses adicionales de trabajo en proyectos. El trabajo del proyecto actuó como una herramienta para la especialización en el dominio que los participantes querían desarrollar su experiencia. El programa constaba de nueve módulos diferentes e impartido por profesionales de la industria para garantizar que el material cubierto estuviera alineado con las necesidades y tendencias de la industria.

  • 00:50:00 Se discuten los diversos módulos del programa ePACT, comenzando con una introducción al mercado financiero, estadísticas básicas, derivados y riesgo, estadísticas avanzadas y estrategia comercial cuantitativa. Este último incluye varias estrategias comerciales y también cubre el entorno empresarial, como la creación de una mesa de negociación algorítmica y los aspectos comerciales que deben tenerse en cuenta. La plataforma de negociación algorítmica que utiliza Python también es un módulo del programa, que cubre los conceptos básicos de Python y la implementación de estrategias comerciales en diferentes plataformas de negociación, incluidas las plataformas de negociación algorítmica. El programa incluye un proyecto que actúa como especialización, asignando un mentor al participante que puede supervisar el trabajo del proyecto.

  • 00:55:00 El orador analiza los diversos servicios de apoyo proporcionados por el equipo de servicios de carrera tanto a los participantes como a los ex alumnos del programa de comercio algorítmico. También mencionan la importancia de aprender haciendo, conferencias en vivo y acceso a conferencias grabadas. Además, el expositor presentó un gráfico que muestra los requisitos de la industria y los perfiles que las empresas buscan en los postulantes. Esta información ayuda a asegurar que el programa cubra temas relevantes. El programa cuenta con líderes de la industria como instructores de diferentes países, y sus ex alumnos se encuentran en más de 30 países en todo el mundo. Finalmente, destacaron los diversos eventos y programas que han organizado para aumentar el conocimiento del comercio algorítmico.

  • 01:00:00 El orador responde varias preguntas relacionadas con el comercio algorítmico. Confirma que los ciudadanos estadounidenses pueden abrir cuentas comerciales en la India, pero deben pasar por un custodio y seguir un proceso para abrir la cuenta con el corredor de compensación. El orador recomienda libros del Dr. Ap Chan y Larry Harris a aquellos que desean configurar una mesa de comercio algorítmico o comenzar con el comercio algorítmico. También menciona varias plataformas disponibles en India para el comercio de algoritmos como Symphony Fintech, Automated Trading y YouTrade, entre otros. Informa que los usuarios pueden obtener datos técnicos reales ya sea directamente del intercambio o a través de su corredor. Además, confirma que los estudiantes pueden aplicar la misma estrategia que desarrollaron en el curso en vivo en el entorno comercial real.

  • 01:05:00 El orador responde varias preguntas de los espectadores sobre el comercio algorítmico. El orador explica que es posible codificar y realizar pruebas retrospectivas de una estrategia utilizando diferentes herramientas, y no es difícil trasladarla al comercio en vivo. Los espectadores también preguntan sobre la regulación, el cumplimiento y la concesión de licencias para comerciar en el mercado indio. El orador explica que antes de tomar cualquier estrategia comercial automatizada elegible, se requiere permiso del intercambio donde la demostración es necesaria. También se analizan algunas estrategias comerciales populares, como las basadas en el impulso, el arbitraje estadístico y las estrategias comerciales basadas en el aprendizaje automático.

  • 01:10:00 El orador analiza los tipos de estrategias comerciales que se cubren en el curso, enfatizando la importancia de aprender cómo idear nuevas estrategias y cómo probarlas y ejecutarlas. El orador también responde preguntas relacionadas con las perspectivas laborales para quienes completen el curso, los salarios promedio ofrecidos y las habilidades de programación requeridas para analizar patrones de velas japonesas. También abordan las preocupaciones sobre el nivel de conocimiento requerido y el compromiso de tiempo para los profesionales que toman el curso, y los costos asociados con la creación de una mesa de negociación algorítmica en la India. El ponente destaca la importancia de tener una comprensión básica de los conceptos clave antes de iniciar el programa, para poder extraerle el máximo valor.

  • 01:15:00 El orador responde varias preguntas relacionadas con el comercio algorítmico. Sugieren que aquellos que tienen un conocimiento limitado en los mercados bursátiles pueden contactar a un especialista en ventas para obtener orientación para obtener una comprensión básica de estos dominios y luego continuar con el curso. Explican que el comercio algorítmico es útil para los comerciantes individuales si quieren garantizar la disciplina en sus operaciones y ampliar su estrategia para incluir múltiples instrumentos. El orador también aborda las preocupaciones sobre la migración de un curso a otro y los corredores en la India que ofrecen servicios de negociación de algoritmos. Finalmente, explican que la colocación de servidores en un intercambio no brinda una ventaja indebida a los comerciantes algorítmicos y en realidad beneficia a los comerciantes minoristas al proporcionar márgenes de oferta y demanda más ajustados.

  • 01:20:00 El orador analiza los beneficios del comercio algorítmico para los comerciantes minoristas y cómo pueden minimizar las pérdidas con el uso de la tecnología. El orador también aborda las preguntas de los participantes, incluso si es posible que los no programadores aprendan Python para el comercio algorítmico y si los residentes indios pueden comerciar en los mercados globales. Además, el orador aclara que su empresa se centra principalmente en la educación en lugar de proporcionar plataformas de negociación algorítmica o de corretaje. El orador enfatiza que su programa ha ayudado a cientos de participantes de más de 30 países y alienta a las personas interesadas a comunicarse con sus equipos de ventas y desarrollo comercial para obtener más información.

  • 01:25:00 El orador aborda varias preguntas de los espectadores, incluso si todas las estrategias deben ser aprobadas por el intercambio y cómo proteger la estrategia. Explican que los proveedores de algoritmos no podrían ver su estrategia, y los intercambios están más preocupados por garantizar que la estrategia no cause estragos en el mercado. También mencionan un descuento para estudiantes para el programa y la disponibilidad de comercio algorítmico en los mercados de productos básicos en la India. Además, destacan la importancia del álgebra lineal y la distribución de probabilidad en un perfil HFT según el rol y que el comercio algorítmico se puede aplicar en todo el mundo a cualquier instrumento comercial, incluidas las opciones y el mercado de divisas.

  • 01:30:00 Los oradores discuten estrategias de codificación, proporcionando código reutilizable y la necesidad de aprender Python y R. También responden preguntas sobre la validación de estrategias, el ROI potencial y la infraestructura necesaria para un número moderado de comerciantes. Los oradores advierten contra compartir su estrategia con otros y sugieren centrarse en aprender las mejores prácticas y generar sus propias ideas de estrategia comercial.

  • 01:35:00 Los oradores responden varias preguntas sobre el comercio algorítmico, incluido el marco de tiempo ideal para realizar una prueba retrospectiva de una estrategia, el ancho de banda mínimo de Internet requerido para el comercio de volumen moderado y cómo evitar la obtención de corretaje. También analizan los mejores proveedores de operaciones algorítmicas en la India y si se pueden programar estrategias de operaciones discrecionales como la teoría de las ondas de Elliot. Los oradores sugieren que se puede codificar cualquier estrategia si se siente cómodo con la programación y tiene reglas claras en mente. Aconsejan a los comerciantes que elijan proveedores en función de sus requisitos individuales y las ventajas y desventajas del proveedor.

  • 01:40:00 El ponente concluye la sesión informativa sobre trading algorítmico dando las gracias a los asistentes y ofreciendo más ayuda. Aunque no pudieron responder a todas las preguntas debido a limitaciones de tiempo, el orador alienta a la audiencia a enviar sus consultas y proporciona información de contacto para aquellos interesados en el programa o el comercio algorítmico en general. El orador también invita a los asistentes a recibir comentarios a través de una encuesta para ayudar a planificar futuros seminarios web.
 

Impacto del Brexit y eventos recientes del mercado en el comercio algorítmico - 19 de julio de 2016



Impacto del Brexit y eventos recientes del mercado en el comercio algorítmico - 19 de julio de 2016

Nitesh Khandelwal aporta una gran experiencia en los mercados financieros, habiendo trabajado en varias clases de activos en diferentes roles. Es cofundador de iRageCapital Advisory Private Limited, una empresa de renombre que se especializa en brindar servicios de estrategia y tecnología de comercio algorítmico en la India. Nitesh desempeñó un papel fundamental en la conducción de los aspectos comerciales de iRageCapital y QuantInsti. En QuantInsti, también se desempeñó como jefe del departamento de capacitación en derivados y estudios entre mercados. Actualmente, ocupa el cargo de Director en iRage Global Advisory Services Pte Ltd en Singapur. Nitesh tiene experiencia en tesorería bancaria, con experiencia en los dominios de tasas de interés y FX, así como experiencia en mesas de operaciones propias. Tiene una licenciatura en ingeniería eléctrica de IIT Kanpur y una posgrado en administración de IIM Lucknow.

Los eventos globales recientes como el Brexit y la volatilidad resultante en el mercado de divisas han causado una gran preocupación entre los inversores. Es natural que la aversión al riesgo aumente después de tales eventos, ya que los participantes del mercado actúan con cautela en sus actividades comerciales. Sin embargo, incluso en tiempos tan turbulentos, los comerciantes automatizados prosperan. Los informes de los medios indican que los fondos de cobertura que emplean el comercio algorítmico superan constantemente a los comerciantes manuales, particularmente en condiciones de mercado estresantes.

Contenidos de la sesión informativa:

  1. Análisis de los mayores eventos comerciales de la temporada

    • Examinar el impacto del Brexit en diferentes participantes del mercado a nivel mundial
    • Comprender las consecuencias de los aumentos en los costos de transacción, como el aumento de STT por parte de SEBI en India
    • Explorando cómo las empresas comerciales algorítmicas han respondido a estos eventos
  2. Requisitos para convertirse en comerciante de Quant/Algo

    • Identificar los requisitos de la industria para los aspirantes a comerciantes en este campo
    • Resaltar las habilidades y conocimientos esenciales necesarios para tener éxito.
    • Explicar los beneficios del Programa Ejecutivo de Comercio Algorítmico de Quantinsti en el desarrollo de estas habilidades
 

Negociación Cuantitativa usando Análisis de Sentimiento | Por Rajib Ranjan Borah



Negociación Cuantitativa usando Análisis de Sentimiento | Por Rajib Ranjan Borah

Análisis de los sentimientos. También conocido como minería de opiniones, es el proceso de identificar y categorizar computacionalmente las opiniones expresadas en un texto, especialmente para determinar si la actitud del escritor hacia un tema, producto, etc. en particular, es positiva, negativa o neutral.

 

Sesión Informativa sobre Trading Algorítmico por Nitesh Khandelwal - 24 de mayo de 2016



Sesión Informativa sobre Trading Algorítmico por Nitesh Khandelwal - 24 de mayo de 2016

Contenidos de la sesión:

  • Una visión general de la industria del comercio algorítmico
  • Cuota de mercado actual y volúmenes
  • Crecimiento y futuro del comercio algorítmico a nivel mundial
  • Medidas de riesgo y avances tecnológicos
  • Cómo empezar
  • Formas gratuitas y baratas de probar aguas