![MQL5 - Langage des stratégies de trading intégré au terminal client MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Construisez vos propres algos avec ADL® de Trading Technologies
Construisez vos propres algos avec ADL® de Trading Technologies
Andrew Reynolds, chef de produit pour les outils de trading automatisés chez Trading Technologies, présente ADL (Algo Design Lab) comme une solution révolutionnaire pour simplifier le processus de développement des algorithmes de trading. Avant ADL, les traders souhaitant créer leurs propres algorithmes devaient apprendre le codage, ce qui prenait du temps et avait un long cycle de développement. Cependant, ADL révolutionne le processus en fournissant un outil graphique intuitif qui permet aux traders de concevoir et de déployer des algorithmes sans écrire une seule ligne de code. Cela réduit considérablement la barrière à l'entrée en termes de capacité technique et permet aux commerçants de capitaliser rapidement sur les opportunités du marché. ADL garantit des performances optimales en convertissant les algorithmes conçus en code bien testé qui s'exécute sur des serveurs hautes performances colocalisés.
Reynolds explique ensuite les principales caractéristiques et fonctionnalités d'ADL. Le canevas ADL sert d'espace de travail, composé d'un large éventail de blocs représentant différents concepts et opérations de trading. Les traders peuvent facilement faire glisser et déposer ces blocs pour créer des algorithmes, et chaque bloc a des propriétés spécifiques et peut être connecté à d'autres blocs pour définir la logique souhaitée. Les blocs de groupe permettent d'encapsuler une logique spécifique et de les enregistrer en tant que blocs de bibliothèque pour une réutilisation future. Pour améliorer l'organisation, des signets peuvent être ajoutés et un mécanisme de recherche est disponible pour une navigation rapide dans les blocs et les sections. ADL intègre des techniques prédictives pour détecter les connexions de blocs potentielles, accélérant davantage le processus de développement.
Au fur et à mesure de la présentation, l'instructeur démontre la création étape par étape d'algorithmes à l'aide d'ADL. La plate-forme offre des commentaires en temps réel et des fonctionnalités conviviales pour aider à un développement efficace. L'instructeur présente l'ajout d'une logique côté entrée à un algorithme, suivi de l'incorporation d'une logique côté sortie, et enfin de la création d'un algorithme avec une logique côté entrée et une logique côté sortie. Divers blocs tels que des blocs d'ordre, des extracteurs d'informations de message, des blocs de champ et des blocs d'alerte sont utilisés pour définir la fonctionnalité souhaitée des algorithmes. Tout au long de la démonstration, l'instructeur met en évidence les options de lisibilité et de personnalisation fournies par les blocs de saut, permettant aux commerçants d'adapter leurs algorithmes en fonction de leurs préférences.
L'instructeur présente ensuite l'algorithme de gestion des commandes (OMA), qui permet d'appliquer une logique algorithmique aux commandes existantes, offrant la flexibilité de manipuler le prix, la quantité, le prix stop et la quantité divulguée selon les besoins. Ils expliquent comment la stratégie de bid drifter peut être mise en œuvre, en augmentant progressivement le prix à intervalles réguliers jusqu'à ce que la commande soit exécutée. L'instructeur souligne que l'ADL est conçu pour empêcher les actions involontaires et les boucles infinies, garantissant la sécurité de l'utilisateur et le comportement attendu. De plus, ADL intègre une fonction de blocage des risques P&L qui permet aux traders de définir des seuils de perte prédéfinis, arrêtant automatiquement l'algorithme si les pertes dépassent le montant spécifié.
Les présentateurs discutent du lancement et de la surveillance d'algorithmes utilisant ADL. Le lancement d'Algol peut être lancé à partir de divers widgets dans le tableau de bord de l'algo Auto Trader, le carnet de commandes ou MD Trader. La capacité de lancement en un clic directement depuis l'échelle MD Trader est mise en évidence, permettant aux traders de choisir des instruments et de modifier les paramètres d'algo sans effort. ADL offre également la possibilité de sélectionner des installations de colocation en fonction de l'instrument, et les commerçants peuvent surveiller la progression de leurs algorithmes directement depuis le front-end. De plus, la plate-forme prend en charge la spécification de différents comptes pour chaque instrument lors du lancement d'algorithmes, améliorant ainsi la flexibilité et les options de gestion des comptes.
Les présentateurs soulignent la disponibilité de ressources pour en savoir plus sur ADL sur le site Web de Trading Technologies, y compris un forum de support pour discuter de sujets liés à ADL. Ils informent le public de l'ajout prochain d'un bloc d'analyse, permettant l'extraction de données historiques et la réalisation d'études intégrées dans ADL. Les utilisateurs auront la possibilité de créer des études personnalisées en utilisant des données historiques directement dans l'algorithme. Les présentateurs soulignent que Trading Technologies est neutre en tant que courtier, permettant la connexion à tout courtier prenant en charge la plate-forme. Les détails de tarification sont également mentionnés et le type d'algorithme de sortie de l'empileur est identifié comme un cas d'utilisation courant.
Les conférenciers se penchent sur la polyvalence des algorithmes d'écriture à l'aide d'ADL, soulignant que chaque trader peut apporter sa "sauce secrète" unique au trading algorithmique. Ils recommandent le forum de la communauté Trading Technologies comme une excellente ressource pour obtenir des informations supplémentaires et des idées sur les stratégies algorithmiques populaires. Les avantages du lancement en un seul clic avec les commerçants automatiques sont expliqués, permettant aux commerçants de modéliser plusieurs transactions simultanément. Ils mentionnent également la disponibilité du tableau de bord ADL sur les applications mobiles, permettant aux traders de suspendre et de redémarrer les algorithmes à distance.
La présentation se poursuit par une discussion sur l'accès à la plate-forme ADL via un compte de démonstration gratuit sur le site TradeTT, offrant un accès immédiat et une opportunité d'explorer les capacités de la plate-forme. Il est souligné qu'ADL est colocalisé avec les principaux échanges, offrant un pool de serveurs situés dans des installations à divers endroits, y compris un serveur gen-pop permettant aux utilisateurs d'expérimenter différents métiers. Les intervenants abordent également les services Web et les API, mentionnant la sortie de l'API TT REST et l'utilité de la plate-forme ADL pour le trading forex.
En ce qui concerne les options de trading de devises, les conférenciers précisent que bien qu'il n'y ait pas de plans immédiats pour se connecter directement aux échanges de devises, des fonctionnalités de forex sont disponibles sur le CME et NYSE propose un contrat de change au comptant. Ils encouragent les membres du public à s'engager dans les forums, qui suivent et abordent les améliorations des produits. La conclusion comprend un aperçu du programme de retour et une demande aux participants de remplir un formulaire d'enquête avant de conclure la session du webinaire.
Finance quantitative | Introduction à l'apprentissage automatique | Quantiacs | Par Eric Hamer
Finance quantitative | Introduction à l'apprentissage automatique | Quantiacs | Par Eric Hamer
Eric Hamer, le CTO de Quantiacs, présente le partenariat entre Quantiacs et Quantinsti, visant à démocratiser l'industrie des hedge funds. Cette collaboration propose des sessions de formation qui permettent aux étudiants d'acquérir des compétences pratiques en utilisant les outils et les données open source de Quantiacs. Quantiacs fonctionne comme un fonds spéculatif participatif, reliant les analystes quantitatifs qui développent des algorithmes au capital, tandis que Quantinsti propose des cours de trading algorithmique. Hamer souligne que les quants participants peuvent participer à des compétitions Quantiacs, où ils ont la possibilité de gagner un capital d'investissement et une part des bénéfices.
Hamer se penche sur la façon dont Quantiacs connecte les algorithmes des codeurs aux marchés des capitaux, profitant à la fois au quant et aux Quantiacs si les stratégies s'avèrent fructueuses. Quantiacs s'efforce de promouvoir le trading quantitatif en proposant des kits d'outils de bureau téléchargeables pour MATLAB et Python, des exemples de stratégies de trading et des données gratuites sur les contrats à terme en fin de journée datant de 1990. Ils ont également intégré des indicateurs macroéconomiques pour aider les clients à améliorer leurs algorithmes. De plus, Quantiacs fournit une plate-forme en ligne où les utilisateurs peuvent soumettre et évaluer leurs algorithmes sans frais. Actuellement axé sur les contrats à terme, Quantiacs vise à fournir des données potentiellement comparables pour les marchés boursiers à l'avenir.
Le conférencier explique les deux fonctions principales des stratégies de trading dans la plateforme Quantiacs : la fonction de coût et le système de trading. La fonction de coût tient compte des coûts de transaction et des commissions en utilisant 5 % de la différence entre les prix les plus élevés et les plus bas d'un jour donné. D'autre part, le système de négociation permet aux utilisateurs de demander des informations sur les prix et de fournir un vecteur ou une matrice de pondération qui détermine l'allocation du portefeuille. Quantiacs déconseille l'utilisation de variables globales et propose un paramètre de configuration pour conserver les informations d'état nécessaires. Hamer fournit un exemple de stratégie de trading simple qui a généré un rendement annuel de 2,5 %. Le résultat de la stratégie comprend une courbe des actions, la performance des positions longues et courtes et la performance des contrats à terme individuels. Quantiacs évalue les stratégies sur la base de performances positives, d'une faible volatilité et du ratio de Sharpe, qui mesure les rendements ajustés au risque.
Le concept d'apprentissage automatique et ses applications en finance quantitative sont introduits par Hamer. Il souligne qu'une partie importante des transactions sur les bourses américaines, environ 85% à 90%, sont générées par ordinateur. Les techniques d'apprentissage automatique telles que la régression, la classification et le regroupement sont de plus en plus répandues dans le domaine. Hamer discute de certains pièges associés à l'apprentissage automatique, soulignant l'importance de maximiser les rendements ajustés au risque sans négociation excessive. Bien que les réseaux neuronaux puissent donner d'excellents résultats, leurs temps d'exécution peuvent être longs et l'architecture CPU traditionnelle peut ne pas être optimale. Cependant, des GPU performants sont disponibles, réduisant considérablement le temps d'exécution. Bien qu'il existe des bibliothèques open source telles que Python et MATLAB, la configuration et la formation d'un algorithme d'apprentissage automatique peuvent être un processus complexe nécessitant des efforts et du dévouement.
Hamer se penche sur le processus d'apprentissage automatique, en commençant par spécifier l'énoncé du problème et en identifiant le type de problème d'apprentissage automatique. Il explique l'exigence de données numériques dans l'apprentissage automatique et discute de la division des données en ensembles de formation et de test pour la formation et l'évaluation des modèles, respectivement. Hamer fournit un exemple démontrant comment l'API Quantiacs Python peut être utilisée pour faire des prédictions sur le mini contrat à terme S&P 500, en affichant les résultats à l'aide de l'API du réseau neuronal Keras.
Les limites du modèle d'apprentissage automatique créé pour prédire les cours boursiers futurs sont discutées par Hamer. Bien que le modèle puisse initialement sembler prédire avec précision les prix, une inspection plus approfondie révèle qu'il utilise simplement les données d'aujourd'hui comme approximation des données de demain. Lors de l'application du même algorithme aux retours de données brutes, les prédictions du modèle suivent une forme similaire mais pas la même ampleur que les valeurs réelles. Hamer démontre les mauvaises performances du modèle lorsqu'il est appliqué aux données de trading et explore les pistes d'amélioration potentielles. Il fournit également un bref aperçu du code source utilisé dans sa fonction de système commercial.
Hamer procède à la démonstration de la création d'un modèle Keras séquentiel pour prédire les rendements des contrats à terme S&P 500. Le modèle commence par une structure de base et intègre des couches spécifiques. Hamer entraîne le modèle à l'aide de données d'entraînement, qui comprennent des données de prix réelles, tandis que les valeurs y représentent les données de retour à prédire. Une fois formé, Hamer peut extraire le modèle des paramètres et l'utiliser pour prédire les rendements en fonction des données les plus récentes. Bien que son mini-modèle S&P 500 simple ne fonctionne pas bien, Hamer explique que des techniques et des optimisations appropriées telles que la descente de gradient et l'amplification peuvent résoudre le problème.
Des techniques pour améliorer la validité d'un algorithme d'apprentissage automatique en finance quantitative sont discutées par Hamer. Il suggère d'utiliser la technique d'agrégation bootstrap, qui consiste à exécuter l'algorithme sur plusieurs sous-ensembles de données pour obtenir des informations. Il est également recommandé de garder des stratégies simples, d'utiliser plusieurs prédictions pour parvenir à un consensus et de faire attention au surajustement, au nettoyage des données et à la gestion des données manquantes et des variables aléatoires. Hamer pense que l'apprentissage automatique et l'intelligence artificielle continueront d'être des outils cruciaux pour la prévision des marchés financiers.
L'orateur présente les cours EpAT et ConTA, tous deux proposant des sessions dédiées à l'apprentissage automatique. EpAT s'adresse aux professionnels à la recherche d'une croissance dans le domaine du trading algo ou quantitatif, tandis que ConTA propose un cours à votre rythme sur la mise en œuvre de techniques de régression à l'aide de l'apprentissage automatique avec Python. Hamer répond aux questions concernant le choix entre R et Python pour l'apprentissage automatique et offre des conseils pour éviter le surajustement lors du test d'ensembles de données alternatifs. Il suggère de former le modèle sur les données de formation et de test et d'examiner la différence d'erreur entre les deux ensembles pour éviter le surajustement.
Hamer souligne les dangers du surajustement dans l'apprentissage automatique pour le trading d'algorithmes et suggère d'utiliser la technique d'agrégation bootstrap ou d'ensachage pour diviser un ensemble de données en sous-ensembles plus petits pour des tests de précision. En raison du bruit et des fluctuations des données financières, toute précision supérieure à 50 % peut être considérée comme bonne.
Enfin, Hamer souligne l'importance de comprendre la technologie pour automatiser les stratégies de trading. Il souligne la nécessité de programmes d'éducation qui offrent une formation aux diverses compétences requises pour réussir en tant que trader algorithmique.
basé sur une performance positive, une faible volatilité et le ratio de Sharpe, qui mesure les rendements ajustés au risque.
Pouvons-nous utiliser des modèles de mélange pour prédire les creux du marché ? par Brian Christopher - 25 avril 2017
Pouvons-nous utiliser des modèles de mélange pour prédire les creux du marché ? par Brian Christopher - 25 avril 2017
Brian Christopher, chercheur quantitatif et développeur Python, fait une présentation complète sur les limites de l'analyse traditionnelle des séries chronologiques et présente des modèles de mélange, en particulier des modèles de Markov cachés (HMM), comme une alternative prometteuse pour prédire les rendements et identifier les régimes de marché. Il souligne la nécessité de modèles capables de gérer des données non stationnaires et des distributions non linéaires approximatives, qui sont essentielles dans les prévisions financières.
Christopher explore comment les modèles de mélange, en particulier les HMM, peuvent être utilisés pour estimer le régime le plus probable d'un actif, ainsi que les moyennes et les variances associées pour chaque régime. Il explique le processus de calcul, qui consiste à alterner entre le calcul des paramètres de classe et l'évaluation des données de vraisemblance. Le modèle de mélange gaussien (GMM), un modèle de mélange bien connu, suppose que chaque régime suit une distribution gaussienne. Christopher montre comment l'algorithme de maximisation des attentes est utilisé pour calculer les probabilités et les paramètres du régime jusqu'à la convergence. Pour illustrer cela, il présente un exemple de classification des régimes à faible volatilité, neutre et à forte volatilité d'un ETF espion.
Ensuite, Christopher se penche sur la façon dont les GMM peuvent gérer des ensembles de données non stationnaires et non linéaires, surmontant les limites de l'analyse traditionnelle des séries chronologiques. Il présente une stratégie de jouet qui utilise quatre facteurs, y compris les rendements des actifs et l'écart du Trésor américain de dix ans à trois mois, pour estimer les rendements et les paramètres de la séquence. Les GMM sont utilisés pour ajuster et prédire, en extrayant l'estimation de l'étiquette du dernier régime pour déterminer la moyenne et la variance du régime spécifique. Au lieu de supposer une distribution normale, la distribution su de Johnson est utilisée dans le cadre de la stratégie pour tenir compte de la nature non linéaire des données.
L'orateur discute d'une stratégie pour prédire les creux du marché basée sur l'hypothèse que les rendements en dehors des intervalles de confiance sont des valeurs aberrantes. En construisant des intervalles de confiance à 99 % sur un millier d'échantillons, les rendements inférieurs à l'intervalle de confiance inférieur sont considérés comme des valeurs aberrantes. Christopher analyse les rendements après l'événement aberrant, en supposant une position longue uniquement ou d'achat dans l'ETF pendant un nombre de jours spécifié. Le modèle s'adapte à l'évolution de la volatilité et, bien que la précision globale soit d'environ 73 %, la courbe des actions ne fonctionne pas aussi bien qu'une stratégie d'achat et de conservation. Christopher encourage le public à explorer les données eux-mêmes, car les ensembles de données utilisés dans la présentation sont disponibles sur GitHub.
Christopher partage son analyse de l'utilisation de modèles mixtes pour prédire les creux du marché pour divers ETF. Il examine la distribution des rendements médians pour chaque FNB sur différentes périodes rétrospectives et de détention. SPY, Triple Q et TLT surpassent constamment dans différentes dimensions, tandis que GLD, EFA et EEM présentent des distributions plus symétriques. Il évalue également le rapport de somme, qui mesure les rendements totaux des événements supérieurs à 0 divisés par les rendements inférieurs à 0, en considérant les valeurs supérieures à 1 comme réussies. SPY, Triple Q et TLT affichent de solides performances sur plusieurs dimensions et périodes rétrospectives. Cependant, Christopher prévient que des périodes de détention plus longues peuvent être davantage influencées par la tendance générale du marché.
Le présentateur discute de la performance de différents actifs sur le marché en utilisant des modèles mixtes pour prédire les creux du marché. L'étude révèle que des actifs tels que SPY, Triple Q, TLT et GLD fonctionnent bien en fonction de variables telles que le nombre d'étapes ou la période de rétrospection. Cependant, la performance de certains actifs se détériore avec des périodes de détention plus longues. L'étude évalue les rendements médians de différentes composantes et identifie des résultats prometteurs pour des actifs comme EEM et Aoife. L'importance d'une bonne distribution d'échantillonnage est soulignée et l'utilisation de la distribution su de Johnson s'avère efficace. Dans l'ensemble, la stratégie utilisant des modèles mixtes pour prédire les creux du marché s'avère convaincante.
Christopher explique que bien que GMM ait toujours réussi avec des actifs tels que SPY, Triple Q et TLT, il existe des stratégies alternatives qui fonctionnent de manière égale ou supérieure. Il décrit brièvement le code de la classe Model Runner et la fonction de commodité Run Model, qui implémente les composants GMM. Il souligne que le modèle a été mis en œuvre de manière progressive pour éviter le biais d'anticipation. De plus, Christopher fournit les données qu'il a utilisées au format HDF5 sur GitHub.
L'orateur explique comment organiser et analyser les données produites pour évaluer l'efficacité de la stratégie du modèle de mélange. Diverses techniques de découpage et de regroupement peuvent être utilisées pour évaluer les métriques et les moyens. La distribution de Johnson su est utilisée pour s'adapter à l'évolution de la volatilité dans la série de rendements et est comparée à la distribution normale. Christopher suggère que la précision de la distribution normale est médiocre et qu'il peut être plus avantageux de simplement détenir le marché. Cependant, il encourage les individus à explorer les données sur GitHub et propose de répondre à toute question ou de participer à un webinaire.
Au cours de la session de questions-réponses, Christopher répond aux questions du public concernant son webinaire sur l'utilisation de modèles de mélange pour prédire les creux du marché. Il précise qu'il a déterminé les paramètres de forme pour la distribution de Johnson par le biais d'une recherche de paramètres grossiers et qu'il n'a pas effectué de recherches approfondies sur les résultats. Il explique également comment il a sélectionné des facteurs utiles pour son modèle, soulignant l'inclusion d'intérêts américains ou de mesures de titres à revenu fixe pour améliorer le succès du modèle dans la prévision des rendements des actifs américains.
Christopher aborde des questions supplémentaires du public concernant l'application de GMM aux rendements au lieu du prix, la question de l'échelle lors de l'utilisation du prix, le problème de biais-variance avec plusieurs facteurs et la similitude entre le retour en arrière et les tests en amont. Il suggère de poursuivre l'exploration et la recherche sur des combinaisons de facteurs qui sont plus prédictives sur un plus large éventail d'actifs. Il souligne également l'importance de fixer une limite naturelle au nombre de composants GMM pour éviter le surajustement. Christopher invite le public à le contacter pour d'autres questions et détails.
La volatilité implicite de la théorie à la pratique par Arnav Sheth - 7 mars 2017
La volatilité implicite de la théorie à la pratique par Arnav Sheth - 7 mars 2017
Arnav Sheth, un professeur estimé possédant une connaissance approfondie de la volatilité, prend la parole en tant qu'orateur d'un webinaire intitulé "Volatilité implicite de la théorie à la pratique". L'hôte présente Sheth, soulignant son expertise dans le domaine, y compris sa publication de livre et la création d'une plateforme de conseil et d'analyse. Le webinaire vise à fournir aux participants une compréhension complète de la volatilité implicite, des différents types de volatilité, des stratégies de négociation exploitant la volatilité implicite, ainsi que des ressources en ligne disponibles et des indices du Chicago Board Options Exchange (CBOE) pour une exploration plus approfondie.
Sheth commence par offrir un aperçu concis des options, couvrant diverses volatilités telles que la volatilité historique et implicite. Il plonge dans une stratégie de trading en détail et discute de quelques indices CBOE, fournissant des informations pratiques sur leur application. Pour fournir un contexte historique, Sheth partage les origines des options, remontant au premier contrat d'options enregistré vers 500 av. Il raconte l'histoire de Thales, mathématicien et philosophe, qui a obtenu les droits exclusifs sur toutes les presses à olives lors d'une récolte abondante. Cette histoire illustre les premières manifestations du trading d'options.
Passant à la définition moderne des options, Sheth clarifie le concept d'options d'achat, les décrivant comme des contrats qui permettent de spéculer ou de se couvrir sur l'avenir d'un actif sous-jacent. Il souligne que les options d'achat confèrent au bénéficiaire le droit, mais non l'obligation, de résilier le contrat. Sheth poursuit en expliquant les bases du trading d'options d'achat et de vente, soulignant qu'une option d'achat accorde à l'acheteur le droit d'acheter un actif sous-jacent à un prix spécifié, tandis qu'une option de vente donne à l'acheteur le droit de vendre l'actif sous-jacent à un prix prédéterminé. prix. Il souligne que le trading d'options est un jeu à somme nulle, ce qui signifie que pour chaque gagnant, il y a un perdant, ce qui entraîne des profits et des pertes totaux équivalents à zéro. Sheth met en garde contre les risques de vendre une option d'achat sans posséder l'action sous-jacente, mais note que si l'on possède l'action, la vente d'un appel peut aider à atténuer les risques.
Sheth approfondit les contrats d'option, couvrant les options d'achat long, d'appel court, de vente longue et de vente courte. Il explique leurs résultats potentiels en matière de profits et pertes, mettant en garde contre la négociation d'"options nues" pour les débutants. De plus, il souligne l'importance de tenir compte de la valeur temporelle de l'argent lors du calcul du profit par rapport au gain. Sheth fait la distinction entre les options européennes et américaines, précisant que les options européennes ne peuvent être exercées qu'à l'expiration, tandis que les options américaines peuvent être exercées à tout moment. Il conclut cette section en présentant le modèle de tarification Black-Scholes-Merton, qu'il compare à un « achat d'actions à effet de levier ».
L'accent est ensuite mis sur le modèle Black-Scholes-Merton (BSM) et ses hypothèses sous-jacentes. Sheth met en évidence l'une de ces hypothèses, affirmant que la volatilité des rendements est connue et reste constante tout au long de la durée de vie de l'option. Il poursuit en discutant de la volatilité historique, qui représente l'écart type des rendements historiques des actifs. Sheth explique son importance pour prédire la rentabilité potentielle d'une option, soulignant qu'une volatilité plus élevée augmente le prix de l'option en raison d'une plus grande probabilité que l'actif se retrouve «dans la monnaie».
Ensuite, Sheth explore la volatilité implicite et son rôle dans l'ingénierie inverse de la volatilité du modèle Black-Scholes en utilisant des options de marché. La volatilité implicite est interprétée comme la volatilité attendue du marché et est calculée sur la base des prix des options du marché. Sheth présente le VIX, qui utilise des options S&P 500 à parité de 30 jours pour estimer la volatilité implicite. Le VIX mesure la volatilité que le marché anticipe pendant la période d'expiration de l'option. Il note que les traders utilisent souvent la volatilité implicite, dérivée des prix des options, pour évaluer les options plutôt que l'inverse. Sheth souligne que si différents prix d'exercice sont associés au même actif sous-jacent, leur volatilité implicite devrait rester constante.
Sheth poursuit en expliquant le concept de biais de volatilité dans la tarification des options. Il démontre comment la volatilité implicite s'écarte de la volatilité historique lorsque le prix d'exercice diverge, ce qui entraîne un biais de volatilité. Sheth souligne que le biais est apparu après 1987 et présente une opportunité pour les traders, car il se reflète dans les prix des options. Il introduit le terme « prime de risque de volatilité », qui représente la différence entre la volatilité implicite et la volatilité réalisée. Cette prime peut être exploitée dans les stratégies de trading. Sheth précise que si le modèle Black-Scholes est principalement utilisé pour évaluer les options, il est plus couramment utilisé pour obtenir la volatilité implicite.
Le calcul de la volatilité implicite sur le marché des options devient le prochain sujet de discussion. Sheth explique comment les traders utilisent les valeurs de marché d'options spécifiques sur des actifs sous-jacents et saisissent ces valeurs dans le modèle Black-Scholes pour inverser la volatilité. La volatilité implicite est alors interprétée comme la volatilité attendue par les marchés d'options pour une période déterminée, souvent 30 jours. Sheth introduit le concept de prime de risque de volatilité, montrant comment les marchés d'options ont tendance à surestimer la volatilité réelle. Il conclut cette section en présentant une distribution de fréquence de la prime de volatilité.
L'orateur se penche sur les stratégies de trading basées sur la volatilité implicite, en se concentrant sur le concept de vente de chevauchements. Sheth souligne que la volatilité implicite est généralement supérieure à la volatilité réalisée, ce qui entraîne des options surévaluées. En conséquence, la stratégie consiste à vendre des chevauchements et à vendre à découvert sur la volatilité. Pour évaluer les risques associés à ces stratégies, Sheth introduit des mesures grecques, qui fournissent un cadre d'évaluation des risques. Il propose un exemple de scénario impliquant l'achat d'un straddle à parité et discute des résultats de profits et pertes en fonction du cours de l'action sous-jacente. Sheth conclut en avertissant que si le cours de l'action fluctue considérablement, le prix des options peut ne plus être sensible à la volatilité.
La vidéo discute de l'utilisation des options comme couverture contre les variations du cours des actions. Sheth explique qu'en achetant simultanément un call et un put, ou en vendant les deux, au plus près de la valeur du cours de l'action, la neutralité delta peut être atteinte, mais le vega ne peut pas être entièrement couvert. Sheth présente ensuite les indices CBOE comme un moyen pratique de capitaliser sur la prime de volatilité, en mentionnant spécifiquement l'indice BXM (BuyWrite Monthly), qui implique une stratégie d'achat couverte, et l'option papillon de fer BFLY. Il explique que la vente d'options d'achat couvertes sur l'action détenue peut réduire le risque associé à la seule détention de l'action sous-jacente, mais elle comporte également la possibilité de perdre l'action si elle est appelée. Enfin, Sheth explique la stratégie du papillon de fer, qui consiste à acheter et vendre quatre options avec trois strikes contre le S&P 500.
Vers la fin du webinaire, Sheth présente une stratégie impliquant l'achat d'un put hors du cours et d'un appel hors du cours. Cette stratégie se traduit par une position de volatilité courte similaire à un chevauchement inversé, mais avec un gain légèrement exagéré pour augmenter le potentiel de profit.
Comment utiliser les données des marchés financiers pour l'analyse fondamentale et quantitative - 21 février 2017
Comment utiliser les données des marchés financiers pour l'analyse fondamentale et quantitative - 21 février 2017
Haut-parleurs:
Apprenez à trader les fondamentaux de manière rentable, comprenez les défis liés à l'analyse de données à haute fréquence, découvrez les opportunités et les pièges du trading à terme et visionnez une démonstration en direct d'un tutoriel étape par étape sur l'une des stratégies de trading les plus populaires, le trading de paires. stratégie!
Séance d'information sur le trading algorithmique
Séance d'information sur le trading algorithmique
Dans l'ouverture de la séance d'information sur le trading algorithmique, le conférencier exprime sa gratitude pour l'intérêt croissant pour ce domaine et reconnaît l'impact significatif qu'il a eu au fil des ans. Ils présentent Nitesh, le co-fondateur d'IH et de Quant Institute, en tant que conférencier de la session. Nitesh est décrit comme ayant une riche expérience des marchés financiers et fournira un aperçu du trading algorithmique, des tendances et des opportunités, en particulier pour les débutants. L'orateur met en lumière des articles de presse récents qui démontrent la popularité croissante du trading algorithmique et son taux de croissance projeté de plus de 10 % de TCAC dans le monde au cours des cinq prochaines années.
L'orateur plonge dans la croissance et les opportunités du trading algorithmique, soulignant son expansion rapide avec des pourcentages à deux chiffres dans le monde entier. Ils présentent des données de différentes bourses, mettant en évidence les volumes croissants de trading algorithmique sur les marchés des actions et des matières premières. Pour définir le trading algorithmique, ils l'expliquent comme le processus d'utilisation d'ordinateurs programmés avec un ensemble défini d'instructions pour passer des ordres de trading à grande vitesse et fréquence, dans le but de générer des profits. Le rôle critique de la technologie dans le trading algorithmique est souligné, en particulier dans le trading à haute fréquence, où elle représente une part importante (jusqu'à 60 à 70 %) de la rentabilité d'une stratégie de trading.
Passant aux aspects clés du trading algorithmique, l'orateur discute de la technologie, de l'infrastructure et de la stratégie. Ils soulignent le rôle prédominant de la technologie dans le monde actuel du trading algorithmique, avec les technocrates et les traders axés sur la technologie en tête. L'infrastructure est identifiée comme un facteur crucial qui définit la probabilité de succès d'un commerçant, soulignant l'importance du type d'infrastructure utilisée. Enfin, l'orateur explique que la stratégie de trading elle-même est ce qui détermine en fin de compte la rentabilité et le succès, représentant 30 à 70 % de la probabilité de réussite globale d'un trader. Ils décrivent les différentes phases du développement de la stratégie, y compris l'idéation, la modélisation, l'optimisation et l'exécution.
Les étapes du trading algorithmique, telles que l'optimisation, les tests et l'exécution, sont décrites par le conférencier. Ils soulignent l'importance d'optimiser les variables d'entrée d'un modèle de trading pour assurer une sortie cohérente avant de poursuivre l'exécution. De plus, lors de l'automatisation de l'exécution, l'orateur met en garde contre les risques potentiels et souligne la nécessité d'un système de gestion des risques robuste pour assurer la sécurité et prévenir les risques opérationnels. Ils mentionnent que les cotations sur la jambe conduisent statistiquement à des gains importants et à des rendements plus élevés par transaction.
Les risques liés au trading algorithmique sont discutés, y compris le potentiel de pertes importantes, et l'importance de la gestion des risques opérationnels est soulignée. Le conférencier souligne également l'infrastructure requise pour le trading algorithmique, comme les lignes à haut débit et les collocations, qui permettent une exécution plus rapide. Les étapes pratiques de la mise en place d'un trading desk algorithmique sont expliquées, en commençant par l'accès au marché en passant par l'obtention d'une adhésion ou l'ouverture d'un compte chez un courtier. L'orateur mentionne que les exigences en matière de licences peuvent varier selon le régulateur. Le choix de la bonne plateforme de trading algorithmique est crucial et dépend de la stratégie spécifique à exécuter.
Les plateformes de trading algorithmique et leur sélection en fonction du type de stratégie sont discutées par le conférencier. Pour les stratégies de trading à basse fréquence, les courtiers fournissent souvent des plates-formes Web gratuites qui permettent un trading automatisé à l'aide de code API dans divers langages de programmation. Pour une plus grande sensibilité à la latence, des plates-formes déployables peuvent être utilisées pour un coût de quelques centaines de dollars par mois. Le conférencier souligne également que le type d'infrastructure utilisé dépend de la stratégie, avec des données et des analyses à haute fréquence nécessitant des serveurs performants de premier ordre.
Le conférencier élabore sur les différents types d'accès et d'infrastructure requis pour le trading algorithmique, en tenant compte de diverses réglementations et technologies. Ils expliquent le concept de colocation et d'hébergement de proximité, en mettant en évidence des facteurs tels que la latence, les lignes de routage des commandes et les données du marché. L'importance de disposer d'une base de données et d'analyses robustes pour l'optimisation de la stratégie est soulignée, en particulier lorsqu'il s'agit de grandes quantités de données tick par tick. Le coût d'accès à ces outils et le niveau d'utilisation des données requis pour différentes stratégies de trading sont explorés.
Le conférencier explique que le trading algorithmique nécessite des outils plus sophistiqués qu'Excel, comme R ou Matlab, pour le traitement des données et la construction de modèles. Ils mentionnent également les exigences accrues en matière de conformité et d'audit qui accompagnent l'automatisation, qui est une tendance mondiale. Il est conseillé aux commerçants de s'assurer que leurs transactions sont auditables, que leurs codes et stratégies disposent d'une protection adéquate contre les cas extrêmes ou les cas d'emballement, et qu'ils ont mis en place une protection de l'étiquette. Il est également recommandé d'avoir une équipe avec une compréhension de base de l'analyse, de la technologie et des marchés financiers, avec au moins un membre de l'équipe spécialisé dans les trois domaines. Ceci est comparé à la recette du succès commercial conventionnel, qui nécessitait des compétences telles que le traitement des chiffres, la reconnaissance des formes, la vitesse de frappe, la compréhension des marchés financiers et la discipline.
Le conférencier discute de la recette du succès du trading quantitatif utilisant le trading algorithmique. Ils soulignent la nécessité d'une solide compréhension mathématique et statistique, ainsi que la maîtrise de l'informatique financière. Comprendre la technologie et la structure du marché est crucial, ainsi qu'une compréhension globale de la façon dont les fonctions matérielles et les réseaux jouent un rôle dans le succès commercial. La compréhension des marchés financiers est également essentielle, et savoir coder et modéliser une stratégie est un atout supplémentaire. Pour ceux qui créent des magasins à fréquence élevée, tous ces éléments sont vitaux. L'orateur souligne l'importance de l'EPAT pour les personnes entrant dans le monde du commerce, d'autant plus que de nombreuses personnes dans la finance n'ont pas la compréhension technologique nécessaire pour réussir.
L'orateur parle de remédier au manque de compréhension de la technologie parmi les outils d'analyse quantitative nécessaires au trading. Ils mentionnent la création de l'ePACT (Executive Program in Algorithmic Trading) pour les professionnels en activité qui souhaitent acquérir une expertise dans le trading algorithmique. Le programme ePACT est un programme en ligne intégré de six mois qui comprend des cours le week-end pendant quatre à quatre mois et demi, suivis d'un mois et demi à deux mois supplémentaires de travail sur le projet. Le travail de projet permet aux participants de se spécialiser dans le domaine de leur choix. Le programme se compose de neuf modules différents enseignés par des praticiens de l'industrie pour s'assurer que le matériel couvert correspond aux besoins et aux tendances de l'industrie.
Les différents modules du programme ePACT sont abordés, en commençant par une introduction au marché financier, aux statistiques de base, aux produits dérivés et aux risques, aux statistiques avancées et à la stratégie de négociation quantitative. Le module de stratégie de trading quantitatif couvre diverses stratégies de trading et comprend également des sujets liés à la mise en place d'un bureau de trading algorithmique et à la prise en compte des aspects commerciaux impliqués. Le programme couvre également la mise en œuvre de plates-formes de trading algorithmiques utilisant Python, fournissant des instructions sur les bases de Python et comment mettre en œuvre des stratégies de trading sur différentes plates-formes. Les participants se voient attribuer un mentor pour superviser leur travail de projet, qui agit comme une spécialisation dans le domaine choisi.
Le conférencier discute des services de soutien fournis par l'équipe des services de carrière aux participants et aux anciens du programme de négociation algorithmique. Ils soulignent l'importance de l'apprentissage par la pratique, des conférences en direct et de l'accès à des conférences enregistrées. Le conférencier présente un graphique montrant les exigences de l'industrie et les profils que les entreprises recherchent chez les candidats, en s'assurant que le programme couvre des sujets pertinents. Ils mentionnent que le programme compte des leaders de l'industrie en tant qu'instructeurs de différents pays et que leurs anciens élèves sont basés dans plus de 30 pays à travers le monde. Les différents événements et programmes organisés par l'institut pour faire connaître le trading algorithmique sont également mis en avant.
Le conférencier répond ensuite à diverses questions des téléspectateurs liées au trading algorithmique. Ils confirment que les citoyens américains peuvent ouvrir des comptes de trading en Inde mais doivent passer par un dépositaire et suivre un processus spécifique pour ouvrir un compte auprès d'un courtier compensateur. Le conférencier recommande les livres du Dr Ap Chan et Larry Harris pour ceux qui souhaitent mettre en place un bureau de trading algorithmique ou commencer avec le trading algo. Ils mentionnent également plusieurs plates-formes disponibles en Inde pour le trading algorithmique, telles que Symphony Fintech, Automated Trading et YouTrade, entre autres. Les données techniques réelles peuvent être obtenues soit directement auprès de la bourse, soit par l'intermédiaire de son courtier. De plus, ils confirment que les étudiants peuvent adopter la même stratégie qu'ils ont développée dans le cours et l'appliquer au trading en direct.
Le conférencier continue de répondre à diverses questions des téléspectateurs concernant le trading algorithmique. Ils expliquent qu'il est possible de coder et de tester une stratégie à l'aide de différents outils et qu'il n'est pas difficile de la porter au trading en direct. Les questions concernant la réglementation, la conformité et les licences pour le commerce sur le marché indien sont également abordées. L'orateur explique qu'une autorisation est requise de la bourse pour les stratégies de trading automatisées éligibles et qu'une démo est nécessaire. Ils discutent également des stratégies de trading populaires, telles que les stratégies basées sur le momentum, l'arbitrage statistique et l'apprentissage automatique.
L'orateur discute des types de stratégies de trading couvertes dans le cours et souligne l'importance d'apprendre à développer de nouvelles stratégies, à les tester et à les exécuter. Ils répondent aux questions sur les perspectives d'emploi des diplômés du cours, les salaires moyens offerts et les compétences en programmation requises pour analyser les modèles de chandeliers. Les préoccupations concernant le niveau de connaissances et l'engagement en temps des professionnels qui suivent le cours, ainsi que les coûts associés à la mise en place d'un bureau de négociation algorithmique en Inde, sont également abordées. Le conférencier souligne l'importance d'avoir une compréhension de base des concepts clés avant de commencer le programme pour maximiser sa valeur.
Le conférencier répond à diverses questions liées au trading algorithmique, suggérant que les personnes ayant une connaissance limitée des marchés boursiers peuvent contacter un spécialiste des ventes pour obtenir des conseils afin d'acquérir une compréhension de base de ces domaines avant de poursuivre le cours. Ils expliquent que le trading algorithmique est utile aux traders individuels qui souhaitent assurer la discipline dans leurs transactions et étendre leurs stratégies pour inclure plusieurs instruments. L'orateur aborde également les préoccupations concernant la transition d'un cours à un autre et les courtiers en Inde qui offrent des services de trading algo. Enfin, ils expliquent que la colocation de serveurs sur une bourse n'offre pas d'avantage indu aux commerçants algorithmiques, mais profite aux commerçants de détail en offrant des écarts acheteur-vendeur plus serrés.
L'orateur discute des avantages du trading algorithmique pour les commerçants de détail et de la manière dont la technologie peut aider à minimiser les pertes. Ils abordent des questions sur les non-programmeurs apprenant Python pour le trading algorithmique et si les résidents indiens peuvent négocier sur les marchés mondiaux. Ils précisent que leur entreprise se concentre principalement sur l'éducation plutôt que sur la fourniture de plateformes de courtage ou de trading algorithmique. Le conférencier souligne que leur programme a aidé des centaines de participants de plus de 30 pays et encourage les personnes intéressées à contacter leurs équipes de développement commercial et de vente pour plus d'informations.
L'orateur répond à plusieurs questions des téléspectateurs, notamment si toutes les stratégies doivent être approuvées par l'échange et comment protéger une stratégie. Ils expliquent que les fournisseurs d'algo ne peuvent pas voir la stratégie d'un trader et que les échanges se préoccupent principalement de s'assurer que les stratégies ne causent pas de ravages sur le marché. Ils mentionnent une remise pour les étudiants pour le programme et discutent de la disponibilité du trading d'algorithmes sur les marchés des matières premières en Inde. En outre, ils soulignent l'importance de l'algèbre linéaire et de la distribution de probabilité dans les profils HFT, selon le rôle, et soulignent que le trading d'algorithmes peut être appliqué dans le monde entier à n'importe quel instrument de trading, y compris les options et le forex.
Les conférenciers discutent des stratégies de codage, de la fourniture de code réutilisable et de la nécessité d'apprendre Python et R. Ils répondent également aux questions concernant la validation des stratégies, le retour sur investissement potentiel et l'infrastructure nécessaire pour un nombre modéré de commerçants. Les conférenciers mettent en garde contre le partage de stratégies avec d'autres et suggèrent de se concentrer sur l'apprentissage des meilleures pratiques et le développement d'idées de stratégie de trading uniques.
Les conférenciers répondent à diverses questions sur le trading algorithmique, y compris le délai idéal pour tester une stratégie, la bande passante Internet minimale requise pour le trading à volume modéré et comment contourner l'obtention d'un courtage. Ils discutent également des meilleurs fournisseurs de trading algorithmique en Inde et de la possibilité de programmer des stratégies de trading discrétionnaires telles que la théorie des vagues d'Elliot. Les conférenciers suggèrent que toute stratégie peut être codée si l'on est à l'aise avec la programmation et que l'on a des règles claires en tête. Ils conseillent aux commerçants de choisir des fournisseurs en fonction de leurs besoins individuels et des avantages et inconvénients de chaque fournisseur.
En conclusion, l'orateur remercie les participants et offre une assistance supplémentaire. Bien qu'il n'ait pas été en mesure de répondre à toutes les questions en raison de contraintes de temps, l'orateur encourage le public à envoyer ses demandes et fournit les coordonnées de l'équipe du Quant Institute. Ils expriment leur appréciation de l'intérêt pour le trading algorithmique et soulignent l'importance de l'apprentissage continu et de la pratique dans ce domaine.
Impact du Brexit et des événements récents du marché sur le trading algorithmique - 19 juillet 2016
Impact du Brexit et des événements récents du marché sur le trading algorithmique - 19 juillet 2016
Nitesh Khandelwal apporte une vaste expérience des marchés financiers, ayant travaillé sur diverses classes d'actifs dans différents rôles. Il est le co-fondateur d'iRageCapital Advisory Private Limited, une société réputée spécialisée dans la fourniture de services de technologie et de stratégie de trading algorithmique en Inde. Nitesh a joué un rôle central dans la conduite des aspects commerciaux d'iRageCapital et de QuantInsti. Chez QuantInsti, il a également occupé le poste de responsable du département de formation aux dérivés et aux études inter-marchés. Actuellement, il occupe le poste de directeur chez iRage Global Advisory Services Pte Ltd à Singapour. Nitesh a une formation en trésorerie bancaire, avec une expertise dans les domaines des changes et des taux d'intérêt, ainsi qu'une expérience dans les bureaux de négociation pour compte propre. Il est titulaire d'un baccalauréat en génie électrique de l'IIT Kanpur et d'un diplôme d'études supérieures en gestion de l'IIM Lucknow.
Les récents événements mondiaux tels que le Brexit et la volatilité qui en résulte sur le marché des devises ont suscité de vives inquiétudes chez les investisseurs. Il est naturel que l'aversion au risque augmente après de tels événements, car les acteurs du marché font preuve de prudence dans leurs activités de trading. Cependant, même en ces temps turbulents, les commerçants automatisés prospèrent. Les rapports des médias indiquent que les fonds spéculatifs utilisant le trading algorithmique surpassent systématiquement les traders manuels, en particulier dans des conditions de marché stressantes.
Contenu informatif de la session :
Analyse des plus grands événements commerciaux de la saison
Conditions requises pour devenir un trader Quant/Algo
Trading quantitatif utilisant l'analyse des sentiments | Par Rajib Ranjan Borah
Trading quantitatif utilisant l'analyse des sentiments | Par Rajib Ranjan Borah
Analyse des sentiments. également connu sous le nom d'exploration d'opinions, est le processus d'identification et de catégorisation informatique des opinions exprimées dans un texte, en particulier afin de déterminer si l'attitude de l'auteur envers un sujet, un produit, etc. particulier est positive, négative ou neutre.
Séance d'information sur le trading algorithmique par Nitesh Khandelwal - 24 mai 2016
Séance d'information sur le trading algorithmique par Nitesh Khandelwal - 24 mai 2016
Contenu de la session :
Tirer parti de l'intelligence artificielle pour créer des stratégies de trading algorithmiques
Tirer parti de l'intelligence artificielle pour créer des stratégies de trading algorithmiques
Le PDG et co-fondateur d'une société de développement de stratégies de trading explique le potentiel passionnant de l'IA et de l'apprentissage automatique dans le trading algo. Ces outils ont fait leurs preuves auprès de grands fonds spéculatifs quantitatifs, et leur accessibilité a considérablement augmenté grâce aux bibliothèques open source et aux outils conviviaux qui ne nécessitent pas de solides connaissances en mathématiques ou en informatique. Le conférencier introduit également des termes clés liés à l'IA et à l'apprentissage automatique dans le contexte du trading algorithmique. L'intelligence artificielle est définie comme l'étude d'agents intelligents qui perçoivent leur environnement et agissent pour maximiser leur succès. L'apprentissage automatique, un sous-ensemble de l'IA, se concentre sur des algorithmes capables d'apprendre et de faire des prédictions sans programmation explicite. La reconnaissance de formes, une branche de l'apprentissage automatique, implique la découverte de modèles dans les données, tandis que l'apprentissage de règles d'association implique la formation d'instructions si-alors basées sur ces modèles. Le conférencier évoque brièvement le concept de Big Data, qui se caractérise par ses quatre V : volume, vélocité, variété et véracité.
Le présentateur décrit les termes et les concepts à discuter, y compris les mégadonnées, la véracité, l'intelligence artificielle, l'apprentissage automatique, la reconnaissance des formes et l'exploration de données. Ils se penchent ensuite sur les meilleures pratiques et les pièges courants lors de la création de stratégies de trading algorithmique. Il s'agit notamment de définir des objectifs concrets de réussite, de privilégier la simplicité à la complexité, de se concentrer sur la création d'un processus et d'un flux de travail robustes au lieu de s'appuyer sur un modèle unique, et de maintenir un scepticisme sain tout au long du processus pour éviter des résultats biaisés.
L'orateur poursuit en discutant de la manière dont l'apprentissage automatique peut relever le défi de la sélection d'indicateurs et d'ensembles de données pour l'élaboration de stratégies de trading. Les arbres de décision et les forêts aléatoires sont introduits comme techniques pour identifier les indicateurs importants en recherchant les meilleurs fractionnements de données. Les forêts aléatoires sont plus robustes et puissantes que les arbres de décision, bien que plus complexes. L'orateur explore également comment la combinaison d'ensembles d'indicateurs à l'aide d'une technique appelée "wrapper" peut créer une combinaison plus puissante.
Ensuite, le conférencier discute de l'utilisation d'indicateurs techniques dans les stratégies de trading algorithmique et de leurs avantages dans l'identification des modèles et tendances sous-jacents. La question de l'optimisation des paramètres des indicateurs basés sur l'apprentissage automatique est soulevée et le concept d'apprentissage d'ensemble est introduit, qui combine plusieurs classificateurs pour analyser les données et découvrir différents modèles et informations. La distinction entre la sélection de caractéristiques et l'extraction de caractéristiques dans l'apprentissage automatique est également mentionnée, avec un rappel d'être attentif à l'ajustement des courbes lors de l'utilisation de plusieurs classificateurs.
Les présentateurs démontrent la combinaison de la reconnaissance des formes et de l'apprentissage des règles d'association comme un moyen de tirer parti des algorithmes d'apprentissage automatique tout en maintenant l'interprétabilité des stratégies de trading. Ils fournissent un exemple utilisant une machine à vecteurs de support pour analyser la relation entre un RSI à trois périodes et la différence de prix entre le prix d'ouverture et un SMA à 50 périodes sur l'Aussie USD. Des modèles clairs sont traduits en règles commerciales. Cependant, ils reconnaissent les limites de cette méthode, telles que l'analyse de données de grande dimension, les défis de l'automatisation et l'interprétation des résultats. L'orateur présente le commerce comme une solution possible pour répondre à ces préoccupations et permettre aux commerçants de tirer parti des algorithmes avec tous les indicateurs qu'ils souhaitent.
Le présentateur explique ensuite comment créer des stratégies de trading à l'aide d'une plateforme de trading basée sur le cloud. Ils utilisent l'exemple de la construction d'une stratégie pour négocier l'Aussie USD sur un graphique journalier en utilisant cinq années de données. Pour éviter l'ajustement de la courbe, l'algorithme n'est formé que jusqu'au 1er janvier 2015, laissant une année de données hors échantillon pour les tests. L'importance de ne pas gaspiller ces données hors échantillon pour éviter un backtesting biaisé est soulignée. L'utilisation d'algorithmes d'apprentissage automatique pour l'analyse des indicateurs et l'identification des modèles est présentée comme une approche flexible et puissante pour optimiser les stratégies de trading.
Le présentateur poursuit en démontrant le processus de construction d'une stratégie de trading à l'aide de la plateforme Trade-Ideas et de la bibliothèque d'indicateurs open source TA Lib. Ils analysent le mouvement des prix de l'Aussie USD sur une période de cinq ans, identifient les fourchettes avec des signaux forts et affinent les règles pour rester long en sélectionnant des fourchettes d'indicateurs et en notant leurs relations. En ajoutant une règle de prix par rapport à un SMA de 50 périodes, ils identifient deux gammes différentes avec des signaux forts. L'avantage d'utiliser Trade-Ideas est mis en évidence, car il permet d'analyser les résultats de l'algorithme d'apprentissage automatique et de construire des règles directement à partir d'histogrammes pour une interprétation plus claire.
Le présentateur discute de la procédure de construction de règles courtes pour une stratégie de trading, y compris la sélection des bons indicateurs et l'affinement des règles pour trouver des signaux courts forts. L'accent est mis sur le test et l'exploration de différents modèles avec les indicateurs pour trouver la stratégie optimale. La génération de code et le test de la stratégie hors échantillon dans MetaTrader4, avec l'inclusion des coûts de transaction, sont également démontrés. Le présentateur confirme que l'approche est liée au trading algorithmique.
L'orateur explique comment tester la stratégie construite sur les données hors échantillon les plus récentes, qui n'ont pas été utilisées lors du processus d'élaboration de la stratégie. La simulation est effectuée à l'aide de MetaTrader, une plateforme de trading populaire pour les devises et les actions. La communauté active de développeurs de la plateforme crée des stratégies automatisées, des indicateurs personnalisés et offre une excellente opportunité de tester et de négocier sur les mêmes données. L'objectif de la simulation est d'évaluer la performance de la stratégie sur des données hors échantillon. L'orateur mentionne que l'outil est développé par une startup prévoyant de le rendre disponible gratuitement en le labellisant directement aux brokers.
L'orateur aborde l'incorporation des techniques de gestion du risque et de l'argent dans une stratégie après backtesting. Des mesures simples de prise de profit et de stop-loss sont discutées comme des moyens de réduire les prélèvements et de se protéger contre les risques de baisse. Pour se prémunir contre l'ajustement de la courbe, l'orateur met l'accent sur l'utilisation de larges sélections de bacs, de tests hors échantillon et de comptes de démonstration avant la mise en ligne. La préférence pour la simplicité et la transparence par rapport aux réseaux de neurones à boîte noire dans les stratégies de trading est également mentionnée.
Au cours de la présentation, l'orateur aborde des questions concernant la comparaison de leur plate-forme avec d'autres, telles que Quanto Pian ou Quanto Connect, soulignant que leur plate-forme se concentre davantage sur la découverte et l'analyse de stratégies plutôt que sur l'automatisation de stratégies existantes. L'importance des données techniques dans les stratégies automatisées est reconnue, tout en notant que leur plate-forme comprend d'autres ensembles de données, tels que des indicateurs de sentiment. MetaTrader 4 est démontré comme un outil utile, et l'importance des stratégies de gestion des risques et de l'argent dans le trading est discutée. Le conférencier couvre également les meilleures pratiques et les pièges courants des stratégies de trading automatisées.
L'orateur discute de l'utilisation des indicateurs dans les stratégies de trading, en mettant l'accent sur le compromis entre la complexité et le surajustement. Ils recommandent d'utiliser trois à cinq indicateurs par stratégie pour trouver un équilibre entre contenir suffisamment d'informations et éviter le surajustement. L'importance des données ou des caractéristiques introduites dans l'algorithme et la manière dont la sortie est implémentée sont mises en évidence. L'algorithme sous-jacent est considéré comme moins crucial que les indicateurs utilisés et leur mise en œuvre. Les questions sur l'utilisation de l'optimiseur génétique dans MetaTrader 4 et l'importance d'aligner les indicateurs avec la plateforme sont également abordées.
Le conférencier explore l'application de l'apprentissage automatique dans l'investissement axé sur la valeur. Le même processus décrit précédemment pour le trading algorithmique peut être appliqué à l'investissement dans la valeur, mais au lieu d'indicateurs techniques, des ensembles de données qui quantifient la valeur inhérente d'une entreprise sont utilisés. La capitalisation boursière ou le ratio cours/bénéfice, par exemple, peut révéler la relation entre ces données et l'évolution du prix de l'actif. L'optimisation du rendement par transaction et l'identification du moment où un algorithme n'est pas synchronisé avec le marché sont également abordées. Python et R sont recommandés comme langages de programmation appropriés, en fonction de l'expérience et des antécédents de codage.
Enfin, le conférencier met en lumière les compétences et connaissances essentielles requises pour le trading algorithmique, qui impliquent la fusion de la finance et de la technologie. Comprendre les marchés, les statistiques du Big Data et la technologie pour automatiser les stratégies sont cruciaux. Des programmes d'éducation quantitative sont suggérés comme moyen d'acquérir la formation nécessaire dans diverses opérations et compétences pour devenir un trader algorithmique performant. Python est recommandé comme une excellente option pour créer des algorithmes.