Commercio quantitativo - pagina 27
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
Costruisci i tuoi algoritmi con ADL® di Trading Technologies
Costruisci i tuoi algoritmi con ADL® di Trading Technologies
Andrew Reynolds, product manager per gli strumenti di trading automatico presso Trading Technologies, presenta ADL (Algo Design Lab) come una soluzione rivoluzionaria per semplificare il processo di sviluppo degli algoritmi di trading. Prima di ADL, i trader interessati a creare i propri algoritmi dovevano imparare la programmazione, che richiedeva molto tempo e aveva un lungo ciclo di sviluppo. Tuttavia, ADL rivoluziona il processo fornendo uno strumento grafico intuitivo che consente ai trader di progettare e implementare algoritmi senza scrivere una sola riga di codice. Ciò riduce significativamente la barriera di ingresso in termini di capacità tecnica e consente ai trader di capitalizzare rapidamente le opportunità di mercato. ADL garantisce prestazioni ottimali convertendo gli algoritmi progettati in codice ben collaudato che viene eseguito su server ad alte prestazioni co-localizzati.
Reynolds procede spiegando le caratteristiche e le funzionalità chiave di ADL. La tela ADL funge da spazio di lavoro, costituito da un'ampia gamma di blocchi che rappresentano diversi concetti e operazioni di trading. Gli operatori possono facilmente trascinare e rilasciare questi blocchi per creare algoritmi e ogni blocco ha proprietà specifiche e può essere collegato ad altri blocchi per definire la logica desiderata. I blocchi di gruppo consentono di incapsulare una logica specifica e di salvarli come blocchi di libreria per un futuro riutilizzo. Per migliorare l'organizzazione, è possibile aggiungere segnalibri ed è disponibile un meccanismo di ricerca per una rapida navigazione tra blocchi e sezioni. ADL incorpora tecniche predittive per rilevare potenziali connessioni di blocco, accelerando ulteriormente il processo di sviluppo.
Mentre la presentazione continua, l'istruttore dimostra la creazione passo dopo passo di algoritmi utilizzando ADL. La piattaforma offre feedback in tempo reale e funzionalità intuitive per favorire uno sviluppo efficiente. L'istruttore mostra l'aggiunta della logica del lato di entrata a un algoritmo, seguita dall'incorporazione della logica del lato di uscita e infine la creazione di un algoritmo con la logica sia del lato di entrata che di uscita. Vari blocchi come blocchi di ordini, estrattori di informazioni sui messaggi, blocchi di campi e blocchi di avvisi vengono utilizzati per definire la funzionalità desiderata degli algoritmi. Durante la dimostrazione, l'istruttore evidenzia le opzioni di leggibilità e personalizzazione fornite dai blocchi di salto, consentendo ai trader di adattare i propri algoritmi in base alle proprie preferenze.
L'istruttore introduce quindi l'Order Management Algo (OMA), che consente di applicare la logica algoritmica agli ordini esistenti, fornendo flessibilità per manipolare prezzo, quantità, prezzo stop e quantità divulgata secondo necessità. Spiegano come implementare la strategia di bid drifter, aumentando in modo incrementale il prezzo a intervalli fino a quando l'ordine non viene eseguito. L'istruttore sottolinea che ADL è progettato per prevenire azioni indesiderate e loop infiniti, garantendo la sicurezza dell'utente e il comportamento previsto. Inoltre, ADL incorpora una funzione di blocco del rischio P&L che consente ai trader di impostare soglie di perdita predefinite, arrestando automaticamente l'algoritmo se le perdite superano l'importo specificato.
I relatori discutono del lancio e del monitoraggio degli algoritmi utilizzando ADL. Il lancio di Algol può essere avviato da vari widget all'interno del dashboard dell'algoritmo di Auto Trader front-end, del registro degli ordini o di MD Trader. Viene evidenziata la capacità di avvio con un clic direttamente dalla scala MD Trader, che consente ai trader di scegliere gli strumenti e modificare i parametri dell'algoritmo senza sforzo. ADL offre anche la possibilità di selezionare le strutture di colocation in base allo strumento e i trader possono monitorare l'avanzamento dei loro algoritmi direttamente dal front-end. Inoltre, la piattaforma supporta la specifica di account diversi per ogni strumento durante l'avvio degli algoritmi, migliorando la flessibilità e le opzioni di gestione degli account.
I relatori sottolineano la disponibilità di risorse per saperne di più sull'ADL sul sito Web di Trading Technologies, incluso un forum di supporto per discutere argomenti relativi all'ADL. Informano il pubblico dell'imminente aggiunta di un blocco di analisi, consentendo l'estrazione di dati storici ed eseguendo studi integrati all'interno di ADL. Gli utenti avranno la possibilità di creare studi personalizzati utilizzando i dati storici direttamente all'interno dell'algoritmo. I relatori sottolineano che Trading Technologies è neutrale rispetto al broker, consentendo la connessione a qualsiasi broker che supporti la piattaforma. Vengono inoltre menzionati i dettagli sui prezzi e il tipo di algoritmo di output dello stacker viene identificato come un caso d'uso comune.
I relatori approfondiscono la versatilità della scrittura di algoritmi utilizzando ADL, sottolineando che ogni trader può portare la sua unica "salsa segreta" al trading algoritmico. Raccomandano il forum della comunità di Trading Technologies come una risorsa eccellente per ottenere ulteriori informazioni e approfondimenti sulle strategie algoritmiche più diffuse. Vengono spiegati i vantaggi del lancio con un solo clic con gli autotrader, consentendo ai trader di modellare più operazioni contemporaneamente. Menzionano anche la disponibilità della dashboard ADL sulle app mobili, che consente ai trader di mettere in pausa e riavviare gli algoritmi da remoto.
La presentazione prosegue con una discussione sull'accesso alla piattaforma ADL attraverso un account demo gratuito sul sito TradeTT, fornendo un accesso immediato e un'opportunità per esplorare le capacità della piattaforma. Si evidenzia che ADL è co-localizzato con i principali scambi, offrendo un pool di server situati in strutture in varie località, incluso un server gen-pop per consentire agli utenti di sperimentare diverse operazioni. I relatori hanno anche toccato i servizi Web e le API, menzionando il rilascio dell'API REST TT e l'utilità della piattaforma ADL per il trading sul forex.
Per quanto riguarda le opzioni di trading in valuta estera, i relatori chiariscono che sebbene non ci siano piani immediati per connettersi direttamente con le borse forex, le funzionalità forex sono disponibili sul CME e NYSE offre un contratto forex spot. Incoraggiano i membri del pubblico a partecipare ai forum, che tengono traccia e affrontano i miglioramenti del prodotto. La conclusione include un'anteprima del programma posteriore e una richiesta per i partecipanti di compilare un modulo di sondaggio prima di concludere la sessione del webinar.
Finanza quantitativa | Introduzione all'apprendimento automatico | Quantiaci | Di Eric Hamer
Finanza quantitativa | Introduzione all'apprendimento automatico | Quantiaci | Di Eric Hamer
Eric Hamer, CTO di Quantiacs, presenta la partnership tra Quantiacs e Quantinsti, con l'obiettivo di democratizzare il settore degli hedge fund. Questa collaborazione fornisce sessioni di formazione che forniscono agli studenti competenze pratiche utilizzando gli strumenti e i dati open source di Quantiacs. Quantiacs funziona come un hedge fund di crowdsourcing, collegando analisti quantitativi che sviluppano algoritmi con il capitale, mentre Quantinsti offre corsi di trading algoritmico. Hamer sottolinea che i quanti partecipanti possono competere nelle competizioni Quantiacs, dove hanno l'opportunità di vincere capitale di investimento e una quota dei profitti.
Hamer approfondisce il modo in cui Quantiacs collega gli algoritmi dei programmatori ai mercati dei capitali, avvantaggiando sia quant che Quantiacs se le strategie si rivelano efficaci. Quantiacs si impegna a promuovere il trading quantitativo offrendo kit di strumenti desktop scaricabili per MATLAB e Python, strategie di trading di esempio e dati future di fine giornata gratuiti risalenti al 1990. Hanno anche incorporato indicatori macroeconomici per aiutare i clienti a migliorare i loro algoritmi. Inoltre, Quantiacs fornisce una piattaforma online in cui gli utenti possono inviare e valutare i loro algoritmi senza alcun costo. Attualmente focalizzato sui futures, Quantiacs mira a fornire potenzialmente dati comparabili per i mercati azionari in futuro.
Il relatore spiega le due funzioni principali delle strategie di trading nella piattaforma Quantiacs: la funzione di costo e il sistema di trading. La funzione di costo tiene conto dei costi di transazione e delle commissioni utilizzando il 5% della differenza tra i prezzi massimi e minimi di un dato giorno. D'altra parte, il sistema di negoziazione consente agli utenti di richiedere informazioni sui prezzi e fornire un vettore di peso o una matrice che determina l'allocazione del portafoglio. Quantiacs scoraggia l'uso di variabili globali e offre un parametro di impostazione per mantenere le informazioni sullo stato necessarie. Hamer fornisce un esempio di una semplice strategia di trading che ha prodotto un rendimento annuo del 2,5%. L'output della strategia include una curva azionaria, la performance di posizioni lunghe e corte e la performance dei singoli future. Quantiacs valuta le strategie in base a performance positive, bassa volatilità e indice di Sharpe, che misura i rendimenti aggiustati per il rischio.
Il concetto di machine learning e le sue applicazioni nella finanza quantitativa sono introdotti da Hamer. Sottolinea che una parte significativa degli scambi sulle borse americane, circa dall'85% al 90%, è generata da computer. Tecniche di apprendimento automatico come regressione, classificazione e clustering stanno diventando sempre più diffuse nel settore. Hamer discute alcune insidie associate all'apprendimento automatico, sottolineando l'importanza di massimizzare i rendimenti aggiustati per il rischio senza scambi eccessivi. Sebbene le reti neurali possano produrre risultati eccellenti, i loro tempi di esecuzione possono essere lunghi e l'architettura della CPU tradizionale potrebbe non essere ottimale. Tuttavia, sono disponibili GPU ad alte prestazioni, che riducono significativamente i tempi di esecuzione. Sebbene esistano librerie open source come Python e MATLAB, l'impostazione e l'addestramento di un algoritmo di machine learning può essere un processo complesso che richiede impegno e dedizione.
Hamer approfondisce il processo di apprendimento automatico, iniziando con la specifica della dichiarazione del problema e l'identificazione del tipo di problema di apprendimento automatico. Spiega il requisito per i dati numerici nell'apprendimento automatico e discute la divisione dei dati in set di addestramento e test rispettivamente per l'addestramento e la valutazione del modello. Hamer fornisce un esempio che dimostra come l'API Python di Quantiacs può essere utilizzata per fare previsioni sul mini contratto future S&P 500, visualizzando i risultati utilizzando l'API della rete neurale Keras.
I limiti del modello di apprendimento automatico creato per prevedere i futuri prezzi delle azioni sono discussi da Hamer. Sebbene inizialmente il modello possa sembrare prevedere con precisione i prezzi, un esame più attento rivela che sta semplicemente utilizzando i dati di oggi come proxy per i dati di domani. Quando si applica lo stesso algoritmo ai dati grezzi restituiti, le previsioni del modello seguono una forma simile ma non la stessa grandezza dei valori veri. Hamer dimostra le scarse prestazioni del modello quando applicato ai dati di trading ed esplora potenziali possibilità di miglioramento. Fornisce anche una breve panoramica del codice sorgente utilizzato nella sua funzione di sistema di trading.
Hamer procede dimostrando la creazione di un modello Keras sequenziale per prevedere i rendimenti dei futures S&P 500. Il modello inizia con una struttura di base e incorpora strati specifici. Hamer addestra il modello utilizzando i dati di addestramento, che comprendono i dati sui prezzi effettivi, mentre i valori y rappresentano i dati di ritorno da prevedere. Una volta addestrato, Hamer può estrarre il modello dalle impostazioni e utilizzarlo per prevedere i rendimenti in base ai dati più recenti. Sebbene il suo semplice mini modello S&P 500 non funzioni bene, Hamer spiega che tecniche e ottimizzazioni adeguate come la discesa del gradiente e il potenziamento possono risolvere il problema.
Le tecniche per migliorare la validità di un algoritmo di apprendimento automatico nella finanza quantitativa sono discusse da Hamer. Suggerisce di utilizzare la tecnica di aggregazione bootstrap, che prevede l'esecuzione dell'algoritmo su più sottoinsiemi di dati per ottenere approfondimenti. Si consiglia inoltre di mantenere le strategie semplici, utilizzare più previsioni per raggiungere il consenso ed essere cauti nei confronti dell'overfitting, della pulizia dei dati e della gestione dei dati mancanti e delle variabili casuali. Hamer ritiene che l'apprendimento automatico e l'intelligenza artificiale continueranno a essere strumenti cruciali per la previsione dei mercati finanziari.
Il relatore introduce i corsi EpAT e ConTA, entrambi con sessioni dedicate al machine learning. EpAT si rivolge a professionisti che cercano una crescita nel campo del trading quantitativo o algoritmico, mentre ConTA offre un corso di autoapprendimento sull'implementazione di tecniche di regressione utilizzando l'apprendimento automatico con Python. Hamer risponde alle domande riguardanti la scelta tra R e Python per l'apprendimento automatico e offre consigli su come evitare l'overfitting durante il test di set di dati alternativi. Suggerisce di addestrare il modello sia sui dati di addestramento che di test e di esaminare la differenza di errore tra i due set per evitare l'overfitting.
Hamer evidenzia i pericoli dell'overfitting nell'apprendimento automatico per il trading di algoritmi e suggerisce di utilizzare l'aggregazione bootstrap o la tecnica del bagging per suddividere un set di dati in sottoinsiemi più piccoli per i test di accuratezza. A causa del rumore e delle fluttuazioni dei dati finanziari, qualsiasi precisione superiore al 50% può essere considerata buona.
Infine, Hamer sottolinea l'importanza di comprendere la tecnologia per automatizzare le strategie di trading. Sottolinea la necessità di programmi educativi che forniscano formazione nelle diverse competenze necessarie per avere successo come trader algoritmico.
basato su performance positiva, bassa volatilità e indice di Sharpe, che misura i rendimenti aggiustati per il rischio.
Possiamo usare i Mixture Model per prevedere i minimi di mercato? di Brian Christopher - 25 aprile 2017
Possiamo usare i Mixture Model per prevedere i minimi di mercato? di Brian Christopher - 25 aprile 2017
Brian Christopher, ricercatore quantitativo e sviluppatore Python, offre una presentazione completa sui limiti dell'analisi tradizionale delle serie temporali e introduce modelli misti, in particolare modelli di Markov nascosti (HMM), come un'alternativa promettente per prevedere i rendimenti e identificare i regimi di mercato. Sottolinea la necessità di modelli in grado di gestire dati non stazionari e approssimare distribuzioni non lineari, che sono essenziali nelle previsioni finanziarie.
Christopher esplora il modo in cui i modelli misti, in particolare gli HMM, possono essere utilizzati per stimare il regime più probabile di un asset, insieme alle medie e alle varianze associate per ciascun regime. Spiega il processo computazionale, che prevede l'alternanza tra i parametri della classe di calcolo e la valutazione dei dati di probabilità. Il modello di miscela gaussiana (GMM), un noto modello di miscela, presuppone che ogni regime segua una distribuzione gaussiana. Christopher dimostra come viene impiegato l'algoritmo di massimizzazione delle aspettative per calcolare probabilità e parametri di regime fino alla convergenza. Per illustrare ciò, mostra un esempio di classificazione dei regimi di bassa volatilità, neutrale e alta volatilità di un ETF spia.
Successivamente, Christopher approfondisce il modo in cui i GMM possono gestire set di dati non stazionari e non lineari, superando i limiti dell'analisi delle serie temporali tradizionali. Presenta una strategia giocattolo che utilizza quattro fattori, inclusi i rendimenti degli asset e lo spread da dieci anni a tre mesi del Tesoro statunitense, per stimare i rendimenti e i parametri della sequenza. I GMM vengono utilizzati per l'adattamento e la previsione, estraendo la stima dell'etichetta dell'ultimo regime per determinare la media e la varianza del regime specifico. Invece di assumere una distribuzione normale, la distribuzione di Johnson su viene utilizzata come parte della strategia per tenere conto della natura non lineare dei dati.
Il relatore discute una strategia per prevedere i minimi di mercato sulla base del presupposto che i rendimenti al di fuori degli intervalli di confidenza siano valori anomali. Costruendo intervalli di confidenza del 99% attraverso un migliaio di campioni, i rendimenti al di sotto dell'intervallo di confidenza inferiore sono considerati valori anomali. Christopher analizza i rendimenti dopo l'evento anomalo, assumendo una posizione long-only o di acquisto nell'ETF per un determinato numero di giorni. Il modello si adatta al cambiamento della volatilità e, sebbene l'accuratezza complessiva sia di circa il 73%, la curva azionaria non si comporta bene come una strategia buy-and-hold. Christopher incoraggia il pubblico a esplorare i dati da solo, poiché i set di dati utilizzati nella presentazione sono disponibili su GitHub.
Christopher condivide la sua analisi sull'utilizzo di modelli misti per prevedere i minimi di mercato per vari ETF. Esamina la distribuzione dei rendimenti mediani per ciascun ETF in diversi periodi di tempo retrospettivo e di detenzione. SPY, Triple Q e TLT sovraperformano costantemente in diverse dimensioni, mentre GLD, EFA ed EEM mostrano distribuzioni più simmetriche. Valuta anche il rapporto di somma, che misura i rendimenti totali di eventi maggiori di 0 divisi per i rendimenti inferiori a 0, considerando i valori maggiori di 1 come riusciti. SPY, Triple Q e TLT mostrano ottime prestazioni su più dimensioni e periodi di riflessione. Tuttavia, Christopher avverte che periodi di detenzione più lunghi potrebbero essere maggiormente influenzati dalla tendenza generale del mercato.
Il relatore discute le prestazioni di diverse attività sul mercato utilizzando modelli misti per prevedere i minimi di mercato. Lo studio rivela che asset come SPY, Triple Q, TLT e GLD si comportano bene a seconda di variabili come il numero di passaggi o il periodo di riferimento. Tuttavia, la performance di alcune attività si deteriora con periodi di detenzione più lunghi. Lo studio valuta i rendimenti mediani di diverse componenti e identifica risultati promettenti per asset come EEM e Aoife. Viene sottolineata l'importanza di una corretta distribuzione del campionamento e l'uso della distribuzione Johnson su si dimostra efficace. Nel complesso, la strategia che utilizza modelli misti per prevedere i minimi di mercato si rivela convincente.
Christopher spiega che mentre GMM ha costantemente mostrato successo con risorse come SPY, Triple Q e TLT, ci sono strategie alternative che funzionano allo stesso modo o meglio. Discute brevemente il codice per la classe runner del modello e la funzione di convenienza del modello di esecuzione, che implementa i componenti GMM. Sottolinea che il modello è stato implementato in modo walk-forward per evitare pregiudizi di previsione. Inoltre, Christopher fornisce i dati che ha utilizzato in formato HDF5 su GitHub.
Il relatore spiega come organizzare e analizzare i dati emessi per valutare l'efficacia della strategia del modello misto. Varie tecniche di slicing e raggruppamento possono essere impiegate per valutare metriche e medie. La distribuzione Johnson su viene utilizzata per adattarsi al cambiamento della volatilità nella serie dei rendimenti e viene confrontata con la distribuzione normale. Christopher suggerisce che l'accuratezza della distribuzione normale è scarsa e che potrebbe essere più vantaggioso mantenere semplicemente il mercato. Tuttavia, incoraggia le persone a esplorare i dati su GitHub e si offre di rispondere a qualsiasi domanda o partecipare a un webinar.
Durante la sessione di domande e risposte, Christopher risponde alle domande del pubblico relative al suo webinar sull'utilizzo di modelli misti per prevedere i minimi di mercato. Chiarisce di aver determinato i parametri di forma per la distribuzione di Johnson attraverso una ricerca di parametri grossolani e non ha svolto ricerche approfondite sui risultati. Discute anche di come ha selezionato fattori utili per il suo modello, evidenziando l'inclusione di interessi basati sugli Stati Uniti o metriche sul reddito fisso per migliorare il successo del modello nella previsione dei rendimenti delle attività statunitensi.
Christopher affronta ulteriori domande del pubblico riguardanti l'applicazione del GMM ai rendimenti anziché al prezzo, il problema della scala quando si utilizza il prezzo, il problema della varianza di bias con più fattori e la somiglianza tra look-back e back-testing. Suggerisce ulteriori esplorazioni e ricerche su combinazioni di fattori che sono più predittive in una gamma più ampia di risorse. Sottolinea inoltre l'importanza di fissare un limite naturale al numero di componenti MGM per evitare l'overfitting. Christopher invita il pubblico a contattarlo per ulteriori domande e dettagli.
Volatilità implicita dalla teoria alla pratica di Arnav Sheth - 7 marzo 2017
Volatilità implicita dalla teoria alla pratica di Arnav Sheth - 7 marzo 2017
Arnav Sheth, uno stimato professore con una vasta conoscenza della volatilità, sale sul palco come relatore di un webinar intitolato "Volatilità implicita dalla teoria alla pratica". Il conduttore presenta Sheth, sottolineando la sua esperienza nel settore, inclusa la pubblicazione del suo libro e la fondazione di una piattaforma di consulenza e analisi. Il webinar mira a fornire ai partecipanti una comprensione completa della volatilità implicita, dei diversi tipi di volatilità, delle strategie di trading che sfruttano la volatilità implicita e delle risorse online disponibili e degli indici del Chicago Board Options Exchange (CBOE) per un'ulteriore esplorazione.
Sheth inizia offrendo una panoramica concisa delle opzioni, coprendo varie volatilità come la volatilità storica e implicita. Si tuffa in dettaglio in una strategia di trading e discute un paio di indici CBOE, fornendo approfondimenti pratici sulla loro applicazione. Per fornire un contesto storico, Sheth condivide le origini delle opzioni, risalendo al primo contratto di opzioni registrato intorno al 500 aC. Racconta la storia di Talete, matematico e filosofo, che si assicurò i diritti esclusivi su tutti i frantoi durante un raccolto abbondante. Questa storia illustra la prima manifestazione del trading di opzioni.
Passando alla moderna definizione di opzioni, Sheth chiarisce il concetto di opzioni call, descrivendole come contratti che consentono speculazioni o coperture sul futuro di un asset sottostante. Sottolinea che le opzioni call forniscono al destinatario il diritto, ma non l'obbligo, di recedere dal contratto. Sheth procede spiegando le basi del trading di opzioni call e put, sottolineando che un'opzione call concede all'acquirente il diritto di acquistare un'attività sottostante a un prezzo specificato, mentre un'opzione put dà all'acquirente il diritto di vendere l'attività sottostante a un prezzo predeterminato. prezzo. Sottolinea che il trading di opzioni è un gioco a somma zero, il che significa che per ogni vincitore c'è un perdente, con un totale di profitti e perdite pari a zero. Sheth mette in guardia sui rischi della vendita di un'opzione call senza possedere il titolo sottostante, ma osserva che se si possiede il titolo, la vendita di un'opzione call può aiutare a mitigare il rischio.
Sheth approfondisce ulteriormente i contratti di opzione, coprendo le opzioni long call, short call, long put e short put. Spiega i loro potenziali risultati di profitti e perdite, mettendo in guardia dall'impegnarsi nel trading di "naked options" per i principianti. Inoltre, sottolinea l'importanza di tenere conto del valore temporale del denaro nel calcolo del profitto rispetto al payoff. Sheth distingue tra opzioni europee e americane, chiarendo che le opzioni europee possono essere esercitate solo alla scadenza, mentre le opzioni americane possono essere esercitate in qualsiasi momento. Conclude questa sezione introducendo il modello di prezzo Black-Scholes-Merton, che paragona a un "acquisto di azioni con leva".
L'attenzione si sposta quindi sul modello Black-Scholes-Merton (BSM) e sulle sue ipotesi sottostanti. Sheth evidenzia una di queste ipotesi, affermando che la volatilità dei rendimenti è nota e rimane costante per tutta la durata dell'opzione. Procede a discutere la volatilità storica, che rappresenta la deviazione standard dei rendimenti storici delle attività. Sheth spiega la sua importanza nel prevedere la potenziale redditività di un'opzione, sottolineando che una maggiore volatilità aumenta il prezzo dell'opzione a causa di una maggiore probabilità che l'asset finisca "in the money".
Successivamente, Sheth esplora la volatilità implicita e il suo ruolo nel reverse engineering della volatilità dal modello Black-Scholes utilizzando le opzioni di mercato. La volatilità implicita è interpretata come la volatilità attesa del mercato ed è calcolata sulla base dei prezzi delle opzioni di mercato. Sheth introduce il VIX, che utilizza opzioni S&P 500 at-the-money con scadenza a 30 giorni per stimare la volatilità implicita. Il VIX misura la volatilità che il mercato prevede durante il periodo di scadenza dell'opzione. Nota che i trader usano spesso la volatilità implicita, derivata dai prezzi delle opzioni, per prezzare le opzioni piuttosto che il contrario. Sheth sottolinea che se diversi strike sono associati allo stesso asset sottostante, la loro volatilità implicita dovrebbe rimanere costante.
Sheth procede spiegando il concetto di inclinazione della volatilità nel prezzo delle opzioni. Dimostra come la volatilità implicita devia dalla volatilità storica quando il prezzo di esercizio diverge, determinando l'inclinazione della volatilità. Sheth sottolinea che l'inclinazione è emersa dopo il 1987 e rappresenta un'opportunità per i trader, poiché si riflette nei prezzi delle opzioni. Introduce il termine "premio per il rischio di volatilità", che rappresenta la differenza tra volatilità implicita e realizzata. Questo premio può essere sfruttato nelle strategie di trading. Sheth chiarisce che mentre il modello Black-Scholes viene utilizzato principalmente per valutare le opzioni, è più comunemente utilizzato per ottenere la volatilità implicita.
Il calcolo della volatilità implicita nel mercato delle opzioni diventa il prossimo argomento di discussione. Sheth spiega come i trader utilizzano i valori di mercato di opzioni specifiche su attività sottostanti e inseriscono questi valori nel modello Black-Scholes per decodificare la volatilità. La volatilità implicita viene quindi interpretata come la volatilità attesa dai mercati delle opzioni per un periodo specificato, spesso 30 giorni. Sheth introduce il concetto di premio per il rischio di volatilità, mostrando come i mercati delle opzioni tendano a sovrastimare la volatilità effettiva. Conclude questa sezione presentando una distribuzione di frequenza del premio di volatilità.
Il relatore approfondisce le strategie di trading basate sulla volatilità implicita, concentrandosi sul concetto di vendere straddle. Sheth sottolinea che la volatilità implicita è in genere superiore alla volatilità realizzata, con conseguenti opzioni troppo care. Di conseguenza, la strategia prevede la vendita di straddle e l'andare short sulla volatilità. Per valutare i rischi associati a queste strategie, Sheth introduce misurazioni greche, che forniscono un quadro per la valutazione del rischio. Offre uno scenario di esempio che prevede l'acquisto di uno straddle at-the-money e discute i risultati di profitti e perdite in base al prezzo delle azioni sottostanti. Sheth conclude avvertendo che se il prezzo delle azioni oscilla in modo significativo, il prezzo delle opzioni potrebbe non essere più sensibile alla volatilità.
Il video procede a discutere l'uso delle opzioni come copertura contro le variazioni dei prezzi delle azioni. Sheth spiega che acquistando contemporaneamente una call e una put, o vendendo entrambe, il più vicino possibile al valore del prezzo delle azioni, è possibile ottenere la neutralità delta, ma vega non può essere completamente coperta. Sheth introduce quindi gli indici CBOE come un modo conveniente per capitalizzare il premio di volatilità, citando in particolare l'indice BXM (BuyWrite Monthly), che prevede una strategia call coperta, e l'opzione farfalla di ferro BFLY. Spiega che la scrittura di chiamate coperte sul titolo di proprietà può ridurre il rischio associato alla sola detenzione del titolo sottostante, ma comporta anche la possibilità di perdere il titolo se viene chiamato. Infine, Sheth spiega la strategia della farfalla di ferro, che prevede l'acquisto e la vendita di quattro opzioni con tre colpi contro l'S&P 500.
Verso la fine del webinar, Sheth presenta una strategia che prevede l'acquisto di una put out-of-the-money e di una call out-of-the-money. Questa strategia si traduce in una posizione corta di volatilità simile a un reverse straddle, ma con un payoff leggermente esagerato per aumentare il potenziale di profitto.
Come utilizzare i dati del mercato finanziario per l'analisi fondamentale e quantitativa - 21 febbraio 2017
Come utilizzare i dati del mercato finanziario per l'analisi fondamentale e quantitativa - 21 febbraio 2017
Altoparlanti:
Impara a negoziare i fondamentali in modo redditizio, comprendi le sfide che circondano l'analisi dei dati ad alta frequenza, scopri le opportunità e i trucchi nel trading di futures e guarda una dimostrazione dal vivo di un tutorial passo-passo su una delle strategie di trading più popolari, il trading di coppie strategia!
Sessione informativa sul trading algoritmico
Sessione informativa sul trading algoritmico
In apertura della sessione informativa sul trading algoritmico, il relatore esprime gratitudine per il crescente interesse per questo dominio e riconosce il notevole impatto che ha avuto nel corso degli anni. Presentano Nitesh, il co-fondatore di IH e Quant Institute, come relatore della sessione. Nitesh è descritto come dotato di una ricca esperienza nei mercati finanziari e fornirà una panoramica del trading algoritmico, delle tendenze e delle opportunità, in particolare per i principianti. Il relatore mette in evidenza i recenti articoli di notizie che dimostrano la crescente popolarità del trading algoritmico e il suo tasso di crescita previsto di oltre il 10% CAGR a livello globale nei prossimi cinque anni.
Il relatore si tuffa nella crescita e nelle opportunità nel trading algoritmico, sottolineando la sua rapida espansione con numeri percentuali a due cifre in tutto il mondo. Presentano dati provenienti da diverse borse, mostrando i crescenti volumi di trading algoritmico nei mercati azionari e delle materie prime. Per definire il trading algoritmico, lo spiegano come il processo di utilizzo di computer programmati con un insieme definito di istruzioni per inserire ordini di trading ad alta velocità e frequenza, con l'obiettivo di generare profitti. Viene sottolineato il ruolo critico della tecnologia nel trading algoritmico, specialmente nel trading ad alta frequenza, dove rappresenta una parte significativa (fino al 60-70%) della redditività di una strategia di trading.
Passando agli aspetti chiave del trading algoritmico, il relatore discute di tecnologia, infrastruttura e strategia. Sottolineano il ruolo di primo piano della tecnologia nel mondo del trading algoritmico di oggi, con tecnocrati e trader orientati alla tecnologia in testa. L'infrastruttura è identificata come un fattore cruciale che definisce la probabilità di successo di un trader, sottolineando l'importanza del tipo di infrastruttura utilizzata. Infine, il relatore spiega che la strategia di trading stessa è ciò che alla fine determina la redditività e il successo, rappresentando il 30-70% della probabilità di successo complessiva di un trader. Descrivono le diverse fasi dello sviluppo della strategia, tra cui ideazione, modellazione, ottimizzazione ed esecuzione.
Le fasi del trading algoritmico, come l'ottimizzazione, il test e l'esecuzione, sono descritte dal relatore. Sottolineano l'importanza di ottimizzare le variabili di input di un modello di trading per garantire un output coerente prima di procedere con l'esecuzione. Inoltre, quando si automatizza l'esecuzione, il relatore mette in guardia sui potenziali rischi e sottolinea la necessità di un solido sistema di gestione del rischio per garantire la sicurezza e prevenire i rischi operativi. Dicono che le quotazioni sulla gamba portano statisticamente a guadagni importanti e rendimenti più elevati per operazioni.
Vengono discussi i rischi coinvolti nel trading algoritmico, incluso il potenziale di perdite significative, e viene sottolineata l'importanza della gestione del rischio operativo. Il relatore sottolinea anche l'infrastruttura necessaria per il trading algoritmico, come le linee ad alta velocità e le collocazioni, che consentono un'esecuzione più rapida. Vengono spiegate le fasi pratiche della creazione di un trading desk algoritmico, a partire dall'accesso al mercato attraverso l'ottenimento di un'iscrizione o l'apertura di un conto con un broker. L'oratore afferma che i requisiti di licenza possono variare a seconda dell'autorità di regolamentazione. La scelta della giusta piattaforma di trading algoritmico è fondamentale e dipende dalla specifica strategia da eseguire.
Le piattaforme di trading algoritmico e la loro selezione in base al tipo di strategia sono discusse dal relatore. Per le strategie di trading a bassa frequenza, i broker spesso forniscono piattaforme web gratuite che consentono il trading automatizzato utilizzando il codice API in vari linguaggi di programmazione. Per una maggiore sensibilità alla latenza, le piattaforme distribuibili possono essere utilizzate a un costo di poche centinaia di dollari al mese. Il relatore sottolinea inoltre che il tipo di infrastruttura utilizzata dipende dalla strategia, con dati e analisi ad alta frequenza che richiedono server con prestazioni di prima classe.
Il relatore approfondisce i diversi tipi di accesso e infrastruttura richiesti per il trading algoritmico, considerando vari regolamenti e tecnologie. Spiegano il concetto di co-location e hosting di prossimità, evidenziando fattori come la latenza, le linee di instradamento degli ordini e i dati di mercato. Viene sottolineata l'importanza di disporre di un solido database e analisi per l'ottimizzazione della strategia, soprattutto quando si ha a che fare con grandi quantità di dati tick-by-tick. Vengono esplorati il costo di accesso a questi strumenti e il livello di utilizzo dei dati richiesto per diverse strategie di trading.
Il relatore spiega che il trading algoritmico richiede strumenti più sofisticati di Excel, come R o Matlab, per l'elaborazione dei dati e la costruzione di modelli. Menzionano anche i maggiori requisiti di conformità e audit associati all'automazione, che è una tendenza globale. Si consiglia ai trader di assicurarsi che le loro transazioni siano verificabili, che i loro codici e le loro strategie abbiano una protezione adeguata contro i casi limite o i casi fuori controllo e dispongano di una protezione dell'etichetta. Si consiglia inoltre di disporre di un team con una conoscenza di base di analisi, tecnologia e mercati finanziari, con almeno un membro del team specializzato in tutte e tre le aree. Questo è paragonato alla ricetta di successo del trading convenzionale, che richiedeva abilità come scricchiolio di numeri, riconoscimento di schemi, velocità di battitura, comprensione del mercato finanziario e disciplina.
Il relatore discute la ricetta di successo per il trading quantitativo utilizzando il trading algoritmico. Sottolineano la necessità di una forte comprensione matematica e statistica, nonché competenza nell'informatica finanziaria. Comprendere la tecnologia e la struttura del mercato è fondamentale, insieme a una comprensione generale di come le funzioni hardware e le reti giocano un ruolo nel successo commerciale. Anche la comprensione del mercato finanziario è essenziale e sapere come codificare e modellare una strategia è un ulteriore vantaggio. Per coloro che aprono negozi a frequenza più elevata, tutti questi elementi sono vitali. Il relatore sottolinea l'importanza dell'EPAT per le persone che entrano nel mondo del trading, soprattutto perché molte persone nella finanza non hanno la necessaria comprensione della tecnologia per il successo.
L'oratore parla di affrontare la mancanza di comprensione nella tecnologia tra gli strumenti di analisi quantitativa richiesti per il trading. Menzionano la creazione dell'ePACT (Executive Program in Algorithmic Trading) per i professionisti che lavorano che vogliono acquisire esperienza nel trading algoritmico. Il programma ePACT è un programma online integrato della durata di sei mesi che include lezioni nel fine settimana da quattro a quattro mesi e mezzo, seguite da un ulteriore mese e mezzo o due mesi di project work. Il lavoro del progetto consente ai partecipanti di specializzarsi nel dominio prescelto. Il programma è composto da nove diversi moduli tenuti da professionisti del settore per garantire che il materiale trattato sia in linea con le esigenze e le tendenze del settore.
Vengono discussi i vari moduli del programma ePACT, iniziando con un'introduzione al mercato finanziario, statistiche di base, derivati e rischio, statistiche avanzate e strategia di trading quantitativa. Il modulo di strategia di trading quantitativo copre varie strategie di trading e include anche argomenti relativi alla creazione di un trading desk algoritmico e alla considerazione degli aspetti commerciali coinvolti. Il programma copre anche l'implementazione di piattaforme di trading algoritmico utilizzando Python, fornendo istruzioni sulle basi di Python e su come implementare strategie di trading su diverse piattaforme. Ai partecipanti viene assegnato un mentore per supervisionare il lavoro del progetto, che funge da specializzazione all'interno del dominio prescelto.
Il relatore discute i servizi di supporto forniti dal team dei servizi di carriera ai partecipanti e agli ex studenti del programma di trading algoritmico. Sottolineano l'importanza dell'apprendimento attraverso la pratica, le lezioni dal vivo e l'accesso alle lezioni registrate. Il relatore presenta un grafico che mostra i requisiti del settore e i profili che le aziende cercano nei candidati, assicurando che il programma copra argomenti rilevanti. Dicono che il programma ha leader del settore come istruttori provenienti da diversi paesi e che i loro ex studenti hanno sede in oltre 30 paesi in tutto il mondo. Vengono inoltre evidenziati i vari eventi e programmi organizzati dall'istituto per aumentare la conoscenza del trading algoritmico.
L'oratore procede a rispondere a varie domande degli spettatori relative al trading algoritmico. Confermano che i cittadini statunitensi possono aprire conti di trading in India, ma devono passare attraverso un custode e seguire una procedura specifica per aprire un conto con un broker di compensazione. L'oratore consiglia i libri del Dr. Ap Chan e Larry Harris per coloro che sono interessati a creare un trading desk algoritmico o iniziare con l'algo trading. Menzionano anche diverse piattaforme disponibili in India per il trading algoritmico, come Symphony Fintech, Automated Trading e YouTrade, tra gli altri. I dati tecnici reali possono essere ottenuti direttamente dall'exchange o tramite il proprio broker. Inoltre, confermano che gli studenti possono adottare la stessa strategia che hanno sviluppato nel corso e applicarla al trading dal vivo.
L'oratore continua a rispondere a varie domande degli spettatori in merito al trading algoritmico. Spiegano che la codifica e il backtest di una strategia utilizzando diversi strumenti è possibile e non è difficile da trasferire al trading dal vivo. Vengono inoltre affrontate questioni relative a regolamenti, conformità e licenze per il commercio nel mercato indiano. L'oratore spiega che è richiesta l'autorizzazione dall'exchange per le strategie di trading automatico idonee e che è necessaria una demo. Discutono anche di strategie di trading popolari, come strategie basate sul momentum, sull'arbitraggio statistico e sull'apprendimento automatico.
Il relatore discute i tipi di strategie di trading trattate nel corso e sottolinea l'importanza di imparare a sviluppare nuove strategie, testarle ed eseguirle. Rispondono a domande sulle prospettive di lavoro per i laureati, sui salari medi offerti e sulle capacità di programmazione necessarie per analizzare i modelli di candele. Vengono inoltre affrontate le preoccupazioni relative al livello di conoscenza e all'impegno in termini di tempo per i professionisti che seguono il corso, nonché i costi associati alla creazione di un trading desk algoritmico in India. Il relatore sottolinea l'importanza di avere una conoscenza di base dei concetti chiave prima di iniziare il programma per massimizzarne il valore.
Il relatore risponde a varie domande relative al trading algoritmico, suggerendo che le persone con una conoscenza limitata dei mercati azionari possono contattare uno specialista delle vendite per avere una guida per acquisire una conoscenza di base di questi domini prima di procedere con il corso. Spiegano che il trading algoritmico è utile per i singoli trader che vogliono garantire disciplina nelle loro operazioni e ampliare le proprie strategie per includere più strumenti. Il relatore affronta anche le preoccupazioni relative alla transizione da un corso all'altro e ai broker in India che offrono servizi di algo trading. Infine, spiegano che la collocazione del server in una borsa non fornisce un vantaggio indebito ai trader algoritmici, ma avvantaggia i trader al dettaglio fornendo spread bid-ask più stretti.
Il relatore discute i vantaggi del trading algoritmico per i trader al dettaglio e come la tecnologia può aiutare a ridurre al minimo le perdite. Affrontano domande sui non programmatori che imparano Python per il trading algoritmico e se i residenti indiani possono commerciare nei mercati globali. Chiariscono che la loro azienda si concentra principalmente sull'istruzione piuttosto che sulla fornitura di piattaforme di intermediazione o trading algoritmico. Il relatore sottolinea che il loro programma ha aiutato centinaia di partecipanti provenienti da oltre 30 paesi e incoraggia le persone interessate a contattare i loro team di sviluppo aziendale e di vendita per ulteriori informazioni.
L'oratore risponde a diverse domande degli spettatori, incluso se tutte le strategie devono essere approvate dallo scambio e come proteggere una strategia. Spiegano che i fornitori di algoritmi non possono vedere la strategia di un trader e gli scambi si preoccupano principalmente di garantire che le strategie non causino il caos del mercato. Menzionano uno sconto per studenti per il programma e discutono della disponibilità del trading di algoritmi nei mercati delle materie prime in India. Inoltre, sottolineano l'importanza dell'algebra lineare e della distribuzione di probabilità nei profili HFT, a seconda del ruolo, e sottolineano che l'algo trading può essere applicato in tutto il mondo a qualsiasi strumento di trading, comprese opzioni e forex.
I relatori discutono delle strategie di codifica, della fornitura di codice riutilizzabile e della necessità di apprendere Python e R. Rispondono anche a domande riguardanti la convalida delle strategie, il potenziale ROI e l'infrastruttura necessaria per un numero moderato di trader. I relatori mettono in guardia dal condividere strategie con altri e suggeriscono di concentrarsi sull'apprendimento delle migliori pratiche e sullo sviluppo di idee di strategia di trading uniche.
I relatori rispondono a varie domande sul trading algoritmico, incluso il lasso di tempo ideale per il backtest di una strategia, la larghezza di banda Internet minima richiesta per il trading di volume moderato e come aggirare l'ottenimento del brokeraggio. Discutono anche dei migliori fornitori di trading algoritmico in India e se possono essere programmate strategie di trading discrezionale come la teoria delle onde di Elliot. I relatori suggeriscono che qualsiasi strategia può essere codificata se si è a proprio agio con la programmazione e si hanno in mente regole chiare. Consigliano ai trader di scegliere i fornitori in base alle loro esigenze individuali e ai pro e ai contro di ciascun fornitore.
In conclusione, il relatore ringrazia i partecipanti e offre ulteriore assistenza. Sebbene non siano stati in grado di rispondere a tutte le domande a causa dei limiti di tempo, l'oratore incoraggia il pubblico a inviare le proprie richieste e fornisce le informazioni di contatto per il team del Quant Institute. Esprimono il loro apprezzamento per l'interesse per il trading algoritmico e sottolineano l'importanza dell'apprendimento continuo e della pratica in questo campo.
Impatto della Brexit e dei recenti eventi di mercato sul trading algoritmico - 19 luglio 2016
Impatto della Brexit e dei recenti eventi di mercato sul trading algoritmico - 19 luglio 2016
Nitesh Khandelwal porta una vasta esperienza nei mercati finanziari, avendo lavorato in varie asset class in diversi ruoli. È il co-fondatore di iRageCapital Advisory Private Limited, una società rispettabile specializzata nella fornitura di servizi tecnologici e strategici per il trading algoritmico in India. Nitesh ha svolto un ruolo fondamentale nel guidare gli aspetti commerciali di iRageCapital e QuantInsti. Presso QuantInsti, è stato anche responsabile del dipartimento di formazione sui derivati e sugli studi inter-mercato. Attualmente ricopre la carica di Direttore presso iRage Global Advisory Services Pte Ltd a Singapore. Nitesh ha un background nella tesoreria bancaria, con esperienza nei domini FX e tassi di interesse, nonché esperienza in desk di negoziazione proprietari. Ha conseguito una laurea in ingegneria elettrica presso l'IIT Kanpur e una laurea post-laurea in gestione presso l'IIM Lucknow.
I recenti eventi globali come la Brexit e la conseguente volatilità nel mercato valutario hanno destato notevoli preoccupazioni tra gli investitori. È naturale che l'avversione al rischio aumenti dopo tali eventi, poiché i partecipanti al mercato esercitano cautela nelle loro attività di negoziazione. Tuttavia, anche durante periodi così turbolenti, i trader automatici prosperano. I resoconti dei media indicano che gli hedge fund che utilizzano il trading algoritmico superano costantemente i trader manuali, in particolare in condizioni di mercato stressanti.
Contenuto della sessione informativa:
Analisi dei più grandi eventi di trading della stagione
Requisiti per diventare un Quant/Algo Trader
Trading quantitativo utilizzando l'analisi del sentiment | Di Rajib Ranjan Borah
Trading quantitativo utilizzando l'analisi del sentiment | Di Rajib Ranjan Borah
Analisi del sentimento. noto anche come opinion mining, è il processo di identificazione computazionale e categorizzazione delle opinioni espresse in un pezzo di testo, in particolare per determinare se l'atteggiamento dello scrittore nei confronti di un particolare argomento, prodotto, ecc. è positivo, negativo o neutro.
Sessione informativa sul trading algoritmico di Nitesh Khandelwal - 24 maggio 2016
Sessione informativa sul trading algoritmico di Nitesh Khandelwal - 24 maggio 2016
Contenuti della sessione:
Sfruttare l'intelligenza artificiale per costruire strategie di trading algoritmico
Sfruttare l'intelligenza artificiale per costruire strategie di trading algoritmico
Il CEO e co-fondatore di una società di sviluppo di strategie di trading spiega l'entusiasmante potenziale dell'intelligenza artificiale e dell'apprendimento automatico nel trading algoritmico. Questi strumenti si sono dimostrati efficaci da parte di grandi hedge fund quantitativi e la loro accessibilità è aumentata in modo significativo grazie a librerie open-source e strumenti di facile utilizzo che non richiedono un forte background in matematica o informatica. Il relatore introduce anche termini chiave relativi all'intelligenza artificiale e all'apprendimento automatico nel contesto del trading algoritmico. L'intelligenza artificiale è definita come lo studio di agenti intelligenti che percepiscono il loro ambiente e agiscono per massimizzare il successo. L'apprendimento automatico, un sottoinsieme dell'intelligenza artificiale, si concentra su algoritmi in grado di apprendere e fare previsioni senza una programmazione esplicita. Il riconoscimento dei modelli, un ramo dell'apprendimento automatico, comporta la scoperta di modelli nei dati, mentre l'apprendimento delle regole di associazione comporta la formazione di istruzioni if-then basate su tali modelli. Il relatore accenna brevemente al concetto di Big Data, che si caratterizza per le sue quattro V: volume, velocità, varietà e veridicità.
Il relatore delinea i termini e i concetti da discutere, inclusi big data, veridicità, intelligenza artificiale, apprendimento automatico, riconoscimento di modelli e data mining. Quindi approfondiscono le migliori pratiche e le insidie comuni durante la creazione di strategie di trading algoritmico. Questi includono la definizione di obiettivi tangibili per il successo, la priorità della semplicità rispetto alla complessità, la concentrazione sulla creazione di un processo e un flusso di lavoro robusti invece di fare affidamento su un singolo modello e il mantenimento di un sano scetticismo durante l'intero processo per evitare risultati distorti.
Il relatore procede a discutere di come l'apprendimento automatico può affrontare la sfida della selezione di indicatori e set di dati per la costruzione di strategie di trading. Gli alberi decisionali e le foreste casuali vengono introdotti come tecniche per identificare indicatori importanti cercando le migliori suddivisioni dei dati. Le foreste casuali sono note per essere più robuste e potenti degli alberi decisionali, sebbene più complesse. Il relatore esplora anche come la combinazione di set di indicatori utilizzando una tecnica chiamata "wrapper" possa creare una combinazione più potente.
Successivamente, il relatore discute l'uso di indicatori tecnici nelle strategie di trading algoritmico e i loro vantaggi nell'identificare modelli e tendenze sottostanti. Viene sollevata la questione dell'ottimizzazione dei parametri degli indicatori basati sull'apprendimento automatico e viene introdotto il concetto di apprendimento d'insieme, che combina più classificatori per analizzare i dati e scoprire diversi modelli e informazioni. Viene anche menzionata la distinzione tra selezione delle funzionalità ed estrazione delle funzionalità nell'apprendimento automatico, con un promemoria per prestare attenzione all'adattamento della curva quando si utilizzano più classificatori.
I relatori dimostrano la combinazione di riconoscimento dei modelli e apprendimento delle regole di associazione come un modo per sfruttare gli algoritmi di apprendimento automatico pur mantenendo l'interpretabilità per le strategie di trading. Forniscono un esempio utilizzando una macchina vettoriale di supporto per analizzare la relazione tra un RSI a tre periodi e la differenza di prezzo tra il prezzo di apertura e una SMA a 50 periodi sull'Aussie USD. Modelli chiari vengono tradotti in regole di trading. Tuttavia, riconoscono i limiti di questo metodo, come l'analisi di dati ad alta dimensione, le sfide dell'automazione e l'interpretazione dell'output. Il relatore presenta Trade come una possibile soluzione per affrontare queste preoccupazioni e consentire ai trader di sfruttare gli algoritmi con tutti gli indicatori che desiderano.
Il presentatore procede dimostrando come costruire strategie di trading utilizzando una piattaforma di trading basata su cloud. Usano l'esempio della costruzione di una strategia per negoziare l'Aussie USD su un grafico giornaliero utilizzando cinque anni di dati. Per evitare l'adattamento della curva, l'algoritmo viene addestrato solo fino al 1° gennaio 2015, lasciando un anno di dati fuori campione per il test. Viene sottolineata l'importanza di non sprecare questi dati fuori campione per evitare test retrospettivi distorti. L'utilizzo di algoritmi di apprendimento automatico per l'analisi degli indicatori e l'identificazione dei modelli è presentato come un approccio flessibile e potente per ottimizzare le strategie di trading.
Il presentatore continua dimostrando il processo di costruzione di una strategia di trading utilizzando la piattaforma Trade-Ideas e la libreria di indicatori open source TA Lib. Analizzano il movimento del prezzo dell'Aussie USD nell'arco di cinque anni, identificano gli intervalli con segnali forti e perfezionano le regole per andare long selezionando gli intervalli degli indicatori e annotando le loro relazioni. Aggiungendo una regola per il prezzo relativa a una SMA a 50 periodi, identificano due diversi intervalli con segnali forti. Viene evidenziato il vantaggio dell'utilizzo di Trade-Ideas, in quanto consente l'analisi dei risultati dell'algoritmo di apprendimento automatico e la creazione di regole direttamente dagli istogrammi per un'interpretazione più chiara.
Il presentatore discute la procedura per costruire regole brevi per una strategia di trading, inclusa la selezione degli indicatori giusti e il perfezionamento delle regole per trovare forti segnali brevi. Il test e l'esplorazione di diversi modelli con gli indicatori sono enfatizzati per trovare la strategia ottimale. Viene inoltre dimostrata la generazione del codice e il test della strategia fuori campione in MetaTrader4, con l'inclusione dei costi di transazione. Il presentatore conferma che l'approccio è legato al trading algoritmico.
Il relatore spiega come testare la strategia costruita sui dati fuori campione più recenti, che non sono stati utilizzati durante il processo di costruzione della strategia. La simulazione viene condotta utilizzando MetaTrader, una popolare piattaforma di trading per valute e azioni. La comunità attiva di sviluppatori della piattaforma crea strategie automatizzate, indicatori personalizzati e offre un'eccellente opportunità per testare e fare trading sugli stessi dati. L'obiettivo della simulazione è valutare le prestazioni della strategia su dati fuori campione. Il relatore afferma che lo strumento è stato sviluppato da una startup che intende renderlo disponibile gratuitamente etichettandolo direttamente ai broker.
Il relatore affronta l'incorporazione delle tecniche di gestione del rischio e del denaro in una strategia dopo il backtesting. Semplici misure di take profit e stop loss sono discusse come modi per ridurre i prelievi e proteggersi dai rischi di ribasso. Per proteggersi dall'adattamento della curva, l'oratore sottolinea l'uso di ampie selezioni di bin, test fuori campione e account demo prima di andare in diretta. Viene anche menzionata la preferenza per la semplicità e la trasparenza rispetto alle reti neurali a scatola nera nelle strategie di trading.
Durante la presentazione, il relatore affronta domande relative al confronto della propria piattaforma con altre, come Quanto Pian o Quanto Connect, sottolineando che la loro piattaforma si concentra maggiormente sulla scoperta e l'analisi della strategia piuttosto che sull'automazione delle strategie esistenti. L'importanza dei dati tecnici nelle strategie automatizzate è riconosciuta, pur rilevando che la loro piattaforma include altri set di dati, come gli indicatori di sentiment. MetaTrader 4 viene dimostrato come uno strumento utile e viene discussa l'importanza delle strategie di gestione del rischio e del denaro nel trading. Il relatore copre anche le migliori pratiche e le insidie comuni nelle strategie di trading automatizzato.
Il relatore discute l'uso degli indicatori nelle strategie di trading, sottolineando il trade-off tra complessità e overfitting. Raccomandano di utilizzare da tre a cinque indicatori per strategia per trovare un equilibrio tra il contenimento di informazioni sufficienti e l'evitare l'overfitting. Viene evidenziata l'importanza dei dati o delle funzionalità inserite nell'algoritmo e il modo in cui l'output viene implementato. L'algoritmo sottostante è considerato meno cruciale degli indicatori utilizzati e della loro implementazione. Vengono inoltre affrontate domande sull'utilizzo dell'ottimizzatore genetico in MetaTrader 4 e sull'importanza di allineare gli indicatori con la piattaforma.
Il relatore esplora l'applicazione dell'apprendimento automatico negli investimenti di valore. Lo stesso processo discusso in precedenza per il trading algoritmico può essere applicato al value investing, ma al posto degli indicatori tecnici vengono utilizzati set di dati che quantificano il valore intrinseco di un'azienda. La capitalizzazione di mercato o il rapporto prezzo-utili, ad esempio, possono rivelare la relazione tra questi dati e il movimento del prezzo dell'asset. Vengono discussi anche l'ottimizzazione del rendimento per operazione e l'identificazione di quando un algoritmo non è sincronizzato con il mercato. Python e R sono consigliati come linguaggi di programmazione adatti, a seconda dell'esperienza e del background di codifica.
Infine, il relatore evidenzia le competenze e le conoscenze essenziali richieste per il trading algoritmico, che comporta la fusione di finanza e tecnologia. Comprendere i mercati, le statistiche sui big data e la tecnologia per l'automazione delle strategie è fondamentale. I programmi di educazione quantitativa sono suggeriti come mezzo per acquisire la formazione necessaria in varie operazioni e competenze per diventare un trader algoritmico di successo. Python è raccomandato come un'ottima opzione per la creazione di algoritmi.