Negociação quantitativa - página 9

[MetaQuotes]

Ideia para algoritmo: o fluxo de trabalho completo por trás do desenvolvimento de uma estratégia de negociação quantitativa

Ideia para algoritmo: o fluxo de trabalho completo por trás do desenvolvimento de uma estratégia de negociação quantitativa

Neste vídeo abrangente, Delaney Mackenzie fornece uma visão geral detalhada do fluxo de trabalho seguido por quant traders ao desenvolver uma estratégia de negociação. O palestrante enfatiza o papel crucial de começar com uma hipótese e alavancar dados históricos para fazer previsões informadas sobre o futuro. O processo envolve refinamento e exploração contínuos de um modelo de negociação para garantir sua correlação histórica com retornos futuros, mantendo a independência de outros modelos.

Um dos principais objetivos é projetar um portfólio que maximize os retornos esperados, respeitando várias restrições de risco. Para conseguir isso, o palestrante destaca a importância de testar o modelo com um pequeno capital antes de implantá-lo ao vivo e dimensioná-lo. Além disso, é altamente recomendável incorporar fontes de dados alternativas e empregar técnicas de gerenciamento de risco.

O vídeo investiga os dois estágios de backtesting no desenvolvimento da estratégia de negociação. Em primeiro lugar, desenhando um portfólio e estabelecendo regras de execução e, em segundo lugar, implementando o próprio processo de backtesting. O palestrante ressalta a importância de construir um portfólio com restrição de risco que preserve a integridade das previsões do modelo e aconselha passar para o próximo estágio somente quando o modelo superar consistentemente as oportunidades alternativas de investimento. Além disso, o palestrante incentiva a exploração de novas possibilidades em vez de confiar em versões reformuladas de modelos existentes.

Delaney Mackenzie explica a fase inicial do desenvolvimento de uma estratégia de negociação, que envolve a formulação de uma hipótese econômica para orientar a seleção e o tempo de ativos. A área de finanças visa transformar ideias em resultados lucrativos, prevendo de forma inteligente o futuro com base em hipóteses. Cada decisão tomada na negociação representa essencialmente uma aposta nas mudanças futuras do mercado, destacando o papel crítico de alavancar informações passadas para fazer previsões inteligentes.

O palestrante fornece informações sobre o fluxo de trabalho do desenvolvimento de uma estratégia de negociação quantitativa. O processo começa com a formulação de uma hipótese e sua exploração usando dados de amostra. A comparação da hipótese com os modelos existentes é essencial para o refinamento e, uma vez que o novo modelo demonstre valor, é aconselhável combiná-lo com outros submodelos para aumentar o poder preditivo. O palestrante enfatiza que hipóteses e modelos não existem isoladamente, e um modelo agregado que incorpore múltiplas fontes de informação tende a render melhor desempenho. Além disso, é importante testar o modelo em novos dados para garantir sua validade.

O palestrante enfatiza a importância de testar um modelo em dados não vistos para evitar overfitting durante a fase de desenvolvimento. Eles observam que, embora o backtest de uma estratégia completa seja comumente empregado, é crucial reconhecer que a maior parte do tempo é gasta no desenvolvimento de modelos e preditores, em vez de na construção de portfólios. Portanto, o palestrante ressalta a importância da construção e execução do portfólio, incluindo fatores como taxas de transação, antes de realizar o backtesting para garantir a viabilidade do portfólio em condições reais de mercado. Além disso, o palestrante destaca que o objetivo do backtesting não é apenas avaliar o desempenho preditivo do modelo, mas também avaliar se o portfólio desenhado com base nas previsões do modelo pode resistir às condições do mundo real. Por fim, o palestrante enfatiza a importância de testar o modelo com um pequeno capital antes de aumentá-lo para garantir a implantação efetiva do capital.

O refinamento e a exploração de um modelo de negociação para estabelecer sua correlação histórica com retornos futuros e independência de outros modelos são discutidos pelo palestrante. Este processo é seguido pela construção de um portfólio dentro das restrições de risco definidas. O palestrante enfatiza a importância de garantir que a execução do modelo não distorça o sinal e diminua sua correlação com retornos futuros. Um exemplo de notebook é fornecido para destacar a adição gradual de restrições, permitindo a avaliação do desempenho do modelo sob diferentes condições de risco. Esta seção ressalta a importância de testes e refinamentos completos para garantir a robustez e a eficácia de um modelo de negociação na geração de retornos.

O processo de criação de um portfólio que maximiza os retornos esperados enquanto satisfaz várias restrições de risco é explicado pelo palestrante. Inicialmente, uma estratégia de otimização ingênua é empregada, com foco na maximização do retorno esperado, investindo todo o capital em uma única ação, seguida da introdução de restrições para limitar os valores de investimento. Posteriormente, são adicionadas restrições de concentração de posição, restringindo o investimento em qualquer coisa a uma determinada porcentagem do portfólio. A estratégia do portfólio é ainda mais refinada pela incorporação de restrições de exposição do setor. O palestrante destaca que otimizar um portfólio considerando as restrições de risco pode introduzir complexidade, pois os pesos na estratégia final podem diferir das previsões futuras do modelo. É crucial entender como as restrições de risco influenciam as previsões de modelagem e seu impacto na construção do portfólio.

O palestrante apresenta o conceito de usar linhas alfa, um software de código aberto desenvolvido pela Quantopian, para avaliar a correlação entre os retornos de um modelo e os retornos futuros. As linhas alfa permitem codificar qualquer modelo, independentemente do tamanho do universo para o qual prevê, em um modelo de fator. Ao calcular a correlação entre as previsões do modelo no dia T e os retornos de todos os ativos previstos no dia T+1, as linhas alfa ajudam a determinar se o modelo exibe uma correlação consistentemente positiva com os retornos futuros. No entanto, o palestrante observa que os dados reais nem sempre exibem padrões de correlação ideais.

Discute-se a importância de comparar um novo modelo com modelos existentes, com foco no exame dos retornos de uma carteira ponderada pelo fator e rebalanceada de acordo com um período especificado. O palestrante sugere executar uma análise de regressão linear, usando os retornos ponderados pelo portfólio do novo modelo como variável dependente e os retornos ponderados pelo portfólio dos modelos existentes como variáveis independentes. Essa análise ajuda a avaliar a dependência entre o novo modelo e os existentes, fornecendo informações sobre a potencial geração alfa. O palestrante enfatiza a importância da gestão e diversificação de risco, que pode ser alcançada restringindo cada componente individualmente ou calculando a média de vários componentes de risco para alcançar a diversificação de risco, dependendo da estratégia de investimento.

O palestrante explica a distinção entre os dois estágios de backtesting no desenvolvimento da estratégia de negociação. A primeira etapa envolve o desenho de um portfólio e a determinação das regras de execução, enquanto a segunda etapa envolve a realização de backtesting para avaliar a correlação entre as previsões do modelo e os preços futuros. Construir um portfólio com restrição de risco que incorpore efetivamente as previsões do modelo sem comprometer sua integridade é crucial. O palestrante aconselha os investidores a prosseguir para o próximo estágio somente quando seus backtests fornecerem consistentemente evidências substanciais da superioridade do modelo sobre oportunidades alternativas de investimento. Além disso, o palestrante adverte contra confiar em versões reformuladas de modelos existentes e incentiva uma exploração rigorosa de novas abordagens.

O fluxo de trabalho completo do desenvolvimento de uma estratégia de negociação quantitativa é discutido pelo palestrante. O processo começa com a geração de uma ideia, que pode resultar da compreensão do mundo, da análise de dados ou da identificação de áreas em que o entendimento predominante difere. Depois que o modelo é desenvolvido, testado e refinado, ele é comparado com os modelos existentes para determinar sua singularidade e potencial para gerar um novo alfa. A próxima etapa envolve a realização de testes fora da amostra, a construção de um portfólio e a execução de simulações de otimização com restrição de risco. Finalmente, a estratégia é negociada em papel ou testada usando uma pequena quantia de capital antes de escalar. O palestrante enfatiza que confiar apenas em dados de precificação raramente fornece informações suficientes para gerar ideias inovadoras, e incorporar fontes de dados alternativas é crucial para obter novos insights.

O palestrante ressalta a importância de utilizar dados alternativos para gerar alfa, em vez de depender apenas de preços e dados fundamentais para velocidade e conveniência. Eles também enfatizam a necessidade de diferenciar entre alfa e beta barato, já que tudo o que é considerado em um modelo de risco é considerado o último. As limitações da validação cruzada k-fold na redução do overfitting são discutidas, com o palestrante recomendando o verdadeiro teste fora da amostra como uma abordagem mais confiável. Por fim, o palestrante destaca a importância de ter insights sobre a escolha do conjunto de dados para prever o futuro e explorar abordagens diferentes dos métodos convencionais.

Em resumo, o vídeo de Delaney Mackenzie fornece uma visão geral abrangente do fluxo de trabalho seguido por quant traders ao desenvolver uma estratégia de negociação. Ele enfatiza a importância de começar com uma hipótese, refinar e explorar o modelo de negociação, testá-lo em novos dados, construir um portfólio com restrição de risco e realizar backtesting completo. O palestrante destaca a importância de utilizar dados alternativos, comparando o modelo com modelos existentes e incorporando técnicas de gerenciamento de risco. Eles enfatizam a necessidade de garantir que as previsões do modelo sejam historicamente correlacionadas com retornos futuros e independentes de outros modelos. O palestrante também enfatiza a importância de testar o modelo com uma pequena quantia de capital antes de expandir para a implantação no mundo real.

Além disso, o palestrante investiga as complexidades do design de portfólio e as regras de execução. Eles discutem o processo de construção de um portfólio com restrição de risco que maximiza os retornos esperados enquanto satisfaz diferentes restrições de risco. O palestrante destaca a adição gradual de restrições como concentração de posições e exposições setoriais para avaliar o desempenho do modelo em vários cenários de risco. Eles enfatizam que a otimização do portfólio envolve fazer trade-offs entre maximizar retornos e gerenciar riscos.

O palestrante apresenta o conceito de linhas alfa e seu papel na avaliação da correlação entre os retornos de um modelo e os retornos futuros. Eles explicam como as linhas alfa permitem a codificação de qualquer modelo em um modelo de fator, permitindo a avaliação das previsões do modelo em relação aos retornos futuros. O palestrante reconhece que os dados do mundo real nem sempre exibem correlações positivas consistentes, ressaltando a importância de entender as limitações da análise de correlação.

A comparação do novo modelo com os modelos existentes é enfatizada como uma etapa crucial na avaliação de sua eficácia. O palestrante sugere o uso da análise de regressão linear para avaliar a dependência entre os retornos ponderados pelo portfólio do novo modelo e os dos modelos existentes. Essa comparação ajuda a determinar a exclusividade do modelo e seu potencial para gerar alfa. O palestrante também destaca a importância da gestão de risco e da diversificação na construção do portfólio, seja por meio da restrição de componentes individuais ou da diversificação do risco em vários ativos.

O palestrante destaca ainda os dois estágios de backtesting no desenvolvimento da estratégia de negociação. A primeira etapa envolve o desenho de um portfólio e regras de execução, enquanto a segunda etapa envolve a realização de backtests para avaliar as previsões do modelo em relação aos preços futuros. É crucial construir um portfólio com restrição de risco que incorpore as previsões do modelo sem comprometer sua integridade. O palestrante aconselha os investidores a passarem para o segundo estágio apenas quando houver evidências consistentes da superioridade do modelo sobre oportunidades alternativas de investimento. Eles alertam contra a dependência de versões reformuladas de modelos existentes e incentivam a exploração de novas abordagens.

Por fim, o palestrante descreve todo o fluxo de trabalho do desenvolvimento de uma estratégia de negociação quantitativa. Começa com a geração de uma ideia e progride por meio de testes, refinamento e comparação do modelo com os existentes. A estratégia é então submetida a testes fora da amostra, construção de portfólio e otimização com restrição de risco. Antes de escalar, a estratégia é negociada em papel ou testada usando uma pequena quantia de capital. O palestrante ressalta a importância de incorporar fontes alternativas de dados para obter novos insights e enfatiza a necessidade de diferenciar entre alfa e beta barato. Eles recomendam testes fora da amostra verdadeiros para mitigar o overfitting e enfatizam a importância de entender a escolha do conjunto de dados para prever o futuro.

Em conclusão, o vídeo de Delaney Mackenzie fornece uma compreensão abrangente do fluxo de trabalho seguido por quants no desenvolvimento de uma estratégia de negociação. Ele enfatiza a importância do desenvolvimento de hipóteses, refinamento do modelo, teste de novos dados, gerenciamento de riscos e backtesting completo. O palestrante incentiva o uso de fontes alternativas de dados, a comparação com modelos existentes e a exploração de novas abordagens. Ao seguir esse fluxo de trabalho, os comerciantes quant podem aumentar a eficácia e a robustez de suas estratégias de negociação.

• 00:00:00 Delaney Mackenzie explica o fluxo de trabalho geral que um quant seguirá ao desenvolver uma estratégia de negociação. Primeiro, começa desenvolvendo uma hipótese econômica, que ajudará a decidir em qual ativo investir e quando investir nele. A hipótese é uma previsão de como o mundo funciona, e o objetivo das finanças é pegar ideias e transformá-las em dólares, com base em previsões futuras inteligentes. Cada decisão tomada é essencialmente uma aposta no futuro, tornando-se fundamental utilizar a informação do passado para perceber e fazer uma aposta inteligente nas futuras alterações do mercado.
  
  
• 00:05:00 O palestrante discute o fluxo de trabalho envolvido no desenvolvimento de uma estratégia de negociação quantitativa. O primeiro passo é criar uma hipótese e explorá-la usando dados de amostra. A comparação da hipótese com os modelos existentes é essencial para refiná-la e, uma vez que o novo modelo tenha valor, os especialistas recomendam combiná-lo com outros submodelos para fazer previsões. O palestrante enfatiza a ideia de que as hipóteses não existem isoladamente e os modelos raramente funcionam sozinhos, sendo necessário um modelo agregado que incorpore várias fontes de informação para obter um melhor desempenho. Finalmente, o modelo deve ser testado em novos dados para garantir sua validade.
  
  
• 00:10:00 O palestrante discute a importância de testar um modelo em novos dados que não foram vistos antes, a fim de garantir que não seja superajustado ao período de tempo de desenvolvimento. Eles também observam que o backtesting de uma estratégia completa costuma ser usado em excesso, pois na maioria das vezes você está desenvolvendo modelos e preditores, em vez de construir um portfólio. O palestrante enfatiza a importância da construção e execução do portfólio, incluindo a compreensão das taxas de transação, antes de realizar o backtesting para garantir que o portfólio seja capaz de sobreviver às condições reais do mercado. O palestrante também observa que o objetivo do backtesting não é verificar se o modelo está fazendo boas previsões, mas ver se o portfólio projetado com base nas previsões do modelo pode sobreviver às condições do mundo real. Finalmente, o palestrante enfatiza a importância de testar o modelo em uma pequena quantidade de capital antes de implantá-lo ao vivo e aumentar os valores de capital para realmente ganhar dinheiro.
  
  
• 00:15:00 O palestrante discute o processo de refinar e explorar um modelo de negociação para garantir que ele esteja historicamente correlacionado com retornos futuros e independente de outros modelos. O próximo passo é usar esse modelo para construir um portfólio que esteja dentro das restrições de risco. O palestrante enfatiza a importância de garantir que a execução do modelo não destrua o sinal e reduza a correlação com retornos futuros. Eles destacam um exemplo de notebook em que a adição gradual de restrições pode ajudar a avaliar como um modelo pode funcionar sob várias restrições de risco. Esta seção destaca a importância de testar e refinar um modelo de negociação para garantir que seja robusto e eficaz na geração de retornos.
  
  
• 00:20:00 O palestrante explica o processo de criação de um portfólio que maximize os retornos esperados, mas também satisfaça diferentes restrições de risco. Eles começam com uma estratégia de otimização ingênua que maximiza o retorno esperado investindo todo o dinheiro em uma única ação e adiciona a restrição de que não podem investir mais do que uma certa quantia. Em seguida, eles adicionam uma restrição de concentração de posição, que restringe o investimento de mais de 15% a 30% da carteira em qualquer coisa. Posteriormente, eles refinam a estratégia de portfólio restringindo as exposições setoriais. O palestrante destaca que ao otimizar um portfólio considerando as restrições de risco, os pesos na estratégia final não são os mesmos que as previsões do modelo para o futuro e podem causar muita complexidade. Além disso, o palestrante enfatizou que alguns modelos podem não sobreviver à etapa de restrição de risco, o que exige a compreensão do conceito de modelagem de previsões e como elas são influenciadas pelas restrições de risco.
  
  
• 00:25:00 O apresentador discute o uso de linhas alfa, um software de código aberto desenvolvido pela Quantopian, para verificar se existe alguma correlação entre os retornos de um modelo e os retornos futuros. O apresentador observa que qualquer modelo, independentemente do tamanho do universo para o qual faz previsões, pode ser facilmente codificado em um modelo de fator. As linhas alfa verificam se a previsão de um modelo está correlacionada com retornos futuros calculando a correlação entre as previsões do modelo no dia T e os retornos de todos os ativos previstos no dia T+1. O apresentador observa que uma correlação consistentemente positiva é ideal, mas nem sempre é o caso em dados reais.
  
  
• 00:30:00 O palestrante discute o uso de lentes alfa para verificar se um modelo tem alguma correlação com retornos no passado. Após estabelecer a utilidade do modelo para prever resultados futuros, o próximo passo é compará-lo com outros modelos já existentes para verificar as semelhanças nas previsões e retornos. Essa comparação é importante para determinar a singularidade do modelo e a possibilidade de fazer um novo alfa. O palestrante explica como fazer essa comparação usando o modelo de risco para verificar se a estratégia completa desenvolvida no modelo é semelhante a outros modelos e como ela poderia ser simplificada com a análise de risco no nível de fator individual.
  
  
• 00:35:00 Nesta seção, o palestrante explica como avaliar a eficácia de um modelo de negociação. Eles recomendam comparar os retornos do modelo com outros modelos conhecidos e usar técnicas de risco, como o modelo de risco, para verificar sua eficiência. Eles dão um exemplo de um modelo simples de reversão à média que avaliaram observando a similaridade do risco com outros modelos conhecidos. Eles também enfatizam a importância de comparar o modelo com modelos alfa existentes para garantir benefícios de diversificação e não riscos de concentração. Por fim, eles discutem como construir um portfólio usando a otimização de portfólio ciente do risco, que envolve maximizar os retornos enquanto está sujeito a restrições de risco. O palestrante recomenda o uso de exemplos específicos para detalhar as exposições de cada ação, calcular as exposições de risco de uma carteira e determinar se uma carteira está com risco excessivo.
  
  
• 00:40:00 Aprendemos sobre restrição de risco, que é uma parte crucial do processo de criação do algoritmo. Con apenas negocie um número limitado de nomes sem destruir o alfa, por isso é necessário restringir o risco para evitar o excesso de exposição. A correlação é importante porque a previsão do modelo deve ser correlacionada com preços e retornos futuros, portanto, toda vez que alguém restringe o risco, torna mais difícil manter essa correlação. O algoritmo na parte inferior do exemplo de algoritmo de ações longas/curtas tem restrições, como uma política neutra em relação ao dólar e exposições setoriais iguais. É fundamental considerar restrições inteligentes que otimizem retornos e reduzam riscos.
  
  
• 00:45:00 O palestrante discute todo o fluxo de trabalho do desenvolvimento de uma estratégia de negociação quantitativa. O primeiro passo é ter uma ideia, que pode ser entender o mundo, os dados ou encontrar uma área em que o mundo discorde do seu modelo ou entendimento implícito. Depois que o modelo é testado e refinado, ele é comparado aos modelos existentes para determinar o novo material e determinar a ponderação entre os modelos. A próxima etapa é realizar um teste fora da amostra, construir um portfólio e executar uma simulação de otimização com restrição de risco. Finalmente, a estratégia é negociada no papel ou testada com uma pequena quantidade de capital antes de ser ampliada. O palestrante enfatiza que o uso apenas de dados de precificação quase nunca fornece informações suficientes para gerar novas ideias, e novos insights vêm de fontes alternativas.
  
  
• 00:50:00 O palestrante discute a importância de usar dados alternativos para gerar alfa em vez de usar apenas dados de preços e fundamentos porque é fácil e rápido. O palestrante também discute a necessidade de fatorar os modelos de risco existentes, já que tudo em um modelo de risco é considerado beta barato e não alfa. O palestrante também explica as limitações da validação cruzada k-fold na redução do overfitting e recomenda o uso de testes verdadeiros fora da amostra. Por fim, o palestrante enfatiza a importância de ter insights sobre qual conjunto de dados usar para prever o futuro e como isso seria diferente do que as pessoas fizeram antes.
  
  
• 00:55:00 O palestrante explica como comparar um novo modelo com modelos existentes observando os retornos de um portfólio que foi ponderado pelo fator e rebalanceado de acordo com alguma regra de período de rebalanceamento, geralmente um dia ou um mês. O palestrante sugere executar uma regressão linear com os retornos ponderados pelo portfólio de seu modelo como a variável Y e os retornos ponderados pelo portfólio de seus modelos existentes como a variável de independência. Quanto mais dependência, mais os modelos existentes são semelhantes e explicam o desempenho de seu novo modelo e mais alfa é produzido. O palestrante também enfatiza a importância da gestão e diversificação de riscos, o que pode ser feito restringindo cada componente individual a ser controlado pelo risco ou tomando vários componentes de risco e calculando a média deles juntos para diversificar o risco, dependendo de sua estratégia de investimento.
  
  
• 01:00:00 O palestrante explica a diferença entre os dois estágios de backtest no desenvolvimento de uma estratégia de negociação. O principal estágio de backtest envolve projetar um portfólio e decidir sobre as regras de execução, enquanto o segundo estágio é realmente fazer o backtesting para ver se as previsões do modelo estão correlacionadas com os preços futuros. É importante construir um portfólio com restrição de risco que possa obter as previsões do modelo sem corrompê-las demais. O palestrante adverte que tudo é relativo e os investidores devem passar para o próximo estágio quando seus backtests consistentemente fornecerem evidências suficientes para ser uma oportunidade de investimento melhor do que as alternativas. Por fim, o palestrante adverte contra o uso de modelos que são apenas versões reformuladas dos existentes e incentiva os investidores a explorar rigorosamente a possibilidade de o modelo seguir algo novo.

[MetaQuotes]

Análise Quantitativa de Mercado Utilizando Planilhas Excel! Análise S&P 500 e ideias de negociação

Análise Quantitativa de Mercado Utilizando Planilhas Excel! Análise S&P 500 e ideias de negociação

O vídeo aprofunda o uso de planilhas do Excel para análises quantitativas de mercado, com foco no S&P 500 como exemplo ilustrativo. Julie Marchesi demonstra a criação de uma pasta de trabalho de correlação no Excel, utilizando caixas amarelas como entradas para selecionar o índice de correlação de 74 grupos e um período de retrospectiva de 40 dias. O teste de correlação compara os últimos 40 dias com todos os outros períodos do conjunto de dados, identificando a correlação mais alta. Para validar a correlação, um segundo mercado é usado para confirmar as descobertas e eliminar pontos de dados não confiáveis. O gráfico de índice de correlação rastreia visualmente as mudanças na correlação ao longo do tempo.

O palestrante explica o processo de utilização de planilhas do Excel para análise quantitativa de mercado, destacando especificamente a aplicação ao S&P 500. Eles mostram várias linhas em um gráfico representando o período de retrospectiva e o índice de correlação. Ao analisar essas linhas, o palestrante deriva seu viés para o mercado e faz previsões sobre as tendências futuras. Eles também apresentam um gráfico exibindo a variação percentual média em um período de tempo específico e enfatizam a importância de se concentrar em índices de correlação significativos. O palestrante conclui demonstrando como essa análise pode ser aplicada ao estado atual do mercado S&P 500, enfatizando sua utilidade potencial para a tomada de decisões comerciais informadas.

Examinar diferentes mercados em busca de confirmação ou sinais conflitantes em relação à análise do S&P 500 é o foco da seção subsequente. O palestrante destaca que, embora o petróleo confirme uma forte tendência de alta no mercado e sugira o potencial para mais atividades de alta, o euro e o euro iene exibem atividade de baixa ou negativa nos últimos 20 dias. O ouro, no entanto, não fornece confirmação significativa. Com base na ação recente do mercado, o palestrante sugere um viés negativo no futuro, mas adverte contra a venda a descoberto e recomenda aguardar a confirmação antes de fazer movimentos significativos. No geral, o palestrante conclui que há uma vantagem de alta no mercado, mas é aconselhável ter cautela no curto prazo.

O palestrante discute as conclusões tiradas do teste de correlação em diferentes mercados na seção subsequente. Eles observam a possibilidade de alguma instabilidade no mercado S&P 500 nos próximos cinco dias. Embora a análise histórica indique uma vantagem de alta de longo prazo no S&P 500, o palestrante enfatiza a importância de observar uma atividade neutra no mercado antes de executar qualquer negociação. Eles sugerem combinar análise quantitativa com análise sentimental para obter uma melhor compreensão do mercado e destacar a utilidade das planilhas do Excel na visualização de dados de várias maneiras. O vídeo termina incentivando os espectadores a explorar esse tipo de abordagem de negociação e visitar o site do palestrante para obter mais informações sobre seu diário e negociações ao vivo.

• 00:00:00 Nesta seção, Julie Marchesi discute sua criação de uma pasta de trabalho de correlação usando o Excel que a ajuda a analisar os mercados de uma perspectiva quantitativa. As caixas amarelas servem como entradas que permitem a seleção do índice de correlação de 74 grupos e períodos de retrospectiva de 40 dias. O teste de correlação compara os últimos 40 dias com todos os outros períodos em todo o conjunto de dados para encontrar a correlação mais alta. Depois que as correlações mais altas forem encontradas, a pasta de trabalho usará um segundo mercado para confirmar a correlação e eliminar qualquer ponto de dados não confiável. O gráfico de índice de correlação rastreia como a correlação muda ao longo do tempo.
  
  
• 00:05:00 Nesta seção, o palestrante discute como utilizar planilhas do Excel para análises quantitativas de mercado, usando o S&P 500 como exemplo. Ele mostra diferentes linhas em um gráfico que representam o período de retrospectiva e o índice de correlação. Ao analisar essas linhas, ele pode determinar seu viés para o mercado e fazer previsões sobre tendências futuras. Ele também discute um gráfico que mostra a variação percentual média durante um determinado período de tempo e quais índices de correlação são mais importantes de se observar. O palestrante conclui mostrando como essa análise pode ser aplicada ao estado atual do mercado S&P 500 e por que pode ser útil para a tomada de decisões de negociação.
  
  
• 00:10:00 Nesta seção do vídeo, o palestrante explora como diferentes mercados podem fornecer confirmação ou sinais conflitantes para a análise do S&P 500. Enquanto o petróleo confirma que o mercado está em uma forte tendência de alta e mostra potencial para atividade continuada de alta, o euro e o euro iene mostram atividade de baixa ou negativa nos últimos 20 dias. O ouro, por outro lado, não fornece muita confirmação. O palestrante observa que a recente ação do mercado nos últimos 20 dias sugere um viés negativo no futuro, mas adverte contra a venda a descoberto e sugere aguardar a confirmação antes de fazer grandes movimentos. No geral, o palestrante conclui que há uma tendência de alta no mercado, mas alguns cuidados devem ser tomados no curto prazo.
  
  
• 00:15:00 Nesta seção, o palestrante discute as conclusões tiradas dos testes de correlação em diferentes mercados, afirmando que pode haver alguma instabilidade no mercado S&P 500 nos próximos cinco dias. O palestrante afirma que, embora a análise histórica sugira uma vantagem de alta de longo prazo no S&P 500, eles estão procurando algum tipo de atividade neutra no mercado antes de fazer qualquer negociação. O palestrante sugere combinar análise quantitativa e análise sentimental para entender melhor o mercado e utilizar planilhas do Excel para visualizar os dados de diferentes maneiras. Eles incentivam os espectadores a experimentar esse tipo de negociação e visitar seu site para obter mais informações sobre seu diário e negociações ao vivo.

[MetaQuotes]

Construindo estratégias de capital quantitativo em Python

Construindo estratégias de capital quantitativo em Python

O vídeo fornece uma exploração aprofundada da construção de estratégias quantitativas de ações usando Python e a plataforma de negociação algorítmica Quantopian como um excelente exemplo. O palestrante começa apresentando a si mesmo e sua experiência em análise de dados e finanças quantitativas. Eles explicam que o Quantopian é uma plataforma que permite que investidores de varejo acessem dados e utilizem backtesting para construir suas próprias estratégias quantitativas para negociar ações. Apesar do ceticismo inicial, o palestrante destaca o sucesso da Quantopian em atrair uma comunidade de cientistas quantitativos, hackers e investidores de varejo que colaboram para descobrir ideias de investimento. Eles também mencionam que, embora o Quantopian seja atualmente apoiado por capital de risco e seja pré-receita, há planos para eventualmente oferecer negociação ao vivo como um serviço pago.

O palestrante aprofunda o conceito de construção de estratégias quantitativas por meio de dados e ideias de crowdsourcing na plataforma Quantopian. Eles enfatizam que o Quantopian facilita o envio de mensagens diretas entre os usuários, promovendo conexões e compartilhamento de ideias para o desenvolvimento de algoritmos quantitativos. No entanto, o palestrante reconhece que as limitações de dados podem representar desafios para os usuários que constroem estratégias, pois eles podem não ter acesso a todos os dados de precificação necessários. Além disso, eles observam que o foco da Quantopian é exclusivamente em ações e pode não ser adequado para estratégias de negociação de alta frequência ou sensíveis à latência.

As limitações da plataforma de negociação são discutidas em detalhes. O palestrante enfatiza que o Quantopian não foi projetado para estratégias de baixa latência, como escalpelamento ou criação de mercado. Eles mencionam que a fonte de dados de precificação determina o universo de títulos, que atualmente consiste em apenas alguns milhares de ações domésticas. O palestrante aborda brevemente o modelo básico de derrapagem de código aberto disponível no GitHub. Embora a inclusão de opções e futuros seja uma possibilidade para o futuro, o foco principal continua sendo fornecer estratégias lucrativas e garantir transparência nas estatísticas de lucratividade. O palestrante categoriza cinco estratégias quantitativas básicas implementadas por usuários comuns do Python na plataforma, incluindo reversão à média, momento, intervalo noturno, volatilidade e emparelhamento.

Várias estratégias quant são exploradas, concentrando-se especificamente na interação e ajuste de reversão média e momento. O palestrante destaca estratégias populares, como avaliação e sazonalidade, com dados para essas estratégias acessíveis por meio de fontes como Yahoo Finance ou Google Finance. Eles advertem contra as armadilhas comuns na negociação de pares, como a mineração cega de dados para encontrar títulos não relacionados. Ressalta-se a importância de identificar títulos atrelados ao mesmo valor e observar a distribuição do spread entre os dois ativos. O objetivo é capitalizar com a reversão do spread entre as ações.

As estratégias de negociação de pares e negociação de impulso são discutidas mais adiante, e o palestrante fornece um exemplo de backtesting de uma estratégia de negociação de pares usando Python. A negociação de pares envolve negociar o spread entre duas ações e acarreta riscos, como possíveis reversões. A negociação de impulso, por outro lado, envolve a classificação de ações com base em sua valorização de preço anterior. Embora os dados não possam ser baixados diretamente da plataforma, os usuários podem executar backtests e negociar ao vivo em um universo limitado de aproximadamente 100 ações devido a restrições de largura de banda.

O conceito de avaliação como uma estratégia quantitativa de patrimônio é explorado, exigindo uma análise sistemática do índice fundamental para identificar ações subavaliadas e supervalorizadas. No entanto, a implementação de tais estratégias requer extensa cobertura de dados e uma compreensão da normalização de dados, alinhamento de calendário e manipulação associada. O palestrante sugere implementar essas estratégias usando o método fetcher, que permite aos usuários obter dados CSV da internet. O palestrante também aborda o sentimento como uma estratégia quantitativa de ações, envolvendo a análise do sentimento do mercado e seu impacto nos preços das ações. No entanto, eles alertam que a implementação dessa estratégia requer uma sólida compreensão da análise, normalização e manipulação de dados.

O uso de ações vendidas como um indicador de sentimento em estratégias de ações quantitativas é discutido. A venda a descoberto de ações é reconhecida como difícil e arriscada, apenas com indivíduos experientes dispostos a se envolver nisso. No entanto, dados publicamente disponíveis sobre os níveis de juros curtos, que podem ser obtidos na NASDAQ, podem ser úteis para essa finalidade. O palestrante destaca o risco de restrições de liquidez decorrentes de short squeezes e sugere o uso de um sinal baseado em volatilidade para identificar ações fortemente vendidas, mas menos arriscadas. Eles propõem um algoritmo que classifica as ações com base no sinal "dias para cobrir", representando o número de dias que os vendedores a descoberto levariam para liberar suas posições com base no volume médio diário de negociação. A estratégia envolve comprar as ações menos vendidas e vender as mais vendidas.

O palestrante passa a discutir as etapas intermediárias do processo e o código aberto de algoritmos. Eles reconhecem os desafios de acessar dados valiosos como taxas de empréstimo de corretoras e as limitações de seus modelos de derrapagem. O palestrante aborda questões sobre os tipos de pedidos disponíveis e o sistema de feedback para adicionar mais recursos. Além disso, eles mencionam brevemente o uso da sazonalidade no comércio e sua popularidade online.

É apresentada uma estratégia de equidade quantitativa simples adequada para iniciantes. Usar a sazonalidade para cronometrar o mercado, por exemplo, vender ações em maio e investir em títulos, depois recomprar no mercado de ações em outubro, é destacado como uma regra sistemática direta que permite uma fácil análise de desempenho ao longo do tempo. O palestrante fornece uma análise dos 25 principais algoritmos de patrimônio quantitativo compartilhados na plataforma Quantopian, com base no número de respostas, visualizações e clones. Notavelmente, um artigo sobre o uso de termos de pesquisa do Google para prever os movimentos do mercado, embora considerado superajustado, ganhou atenção significativa nos fóruns. O palestrante também observa que estratégias com siglas longas e complexas envolvendo conceitos matemáticos avançados tendem a atrair mais interesse, apesar da eficácia de estratégias mais simples.

A importância da confiança e segurança na plataforma é enfatizada. O palestrante reconhece a necessidade de construir confiança com os usuários para incentivá-los a fazer upload de seus algoritmos para testes em relação ao mercado. Eles garantem que as medidas de segurança são levadas a sério. Embora os dados de desempenho agregados ao vivo ainda não estejam disponíveis, o palestrante menciona que cerca de mil algoritmos estão sendo executados em simulação. Os benefícios potenciais de uma rede social para quants são discutidos, com o reconhecimento de que pode não impactar diretamente a lucratividade do algoritmo individual. No entanto, existe um desejo dentro da comunidade financeira quantitativa de se conectar, trocar ideias e obter insights de outras pessoas. O valor do Quantopian como um ambiente de aprendizado é destacado, onde as pessoas podem aprender tanto com os sucessos quanto com os erros em um ambiente livre de riscos.

O palestrante explora a popularidade de várias classificações de estratégias de investimento dentro da plataforma. Eles observam que as estratégias de impulso e reversão à média são atualmente as mais populares. Eles expressam entusiasmo com o potencial da plataforma para oferecer conteúdo mais acessível para investidores de varejo. Uma demonstração do backtester da plataforma em Python é fornecida, mostrando o método de inicialização e o método de manipulação de dados, que são executados uma vez por dia ou uma vez por minuto durante a negociação ao vivo. As configurações da interface do usuário permitem especificar datas de backtest, capital inicial e frequência de backtesting. O tópico da comunidade inclui uma função de pesquisa para localizar e utilizar algoritmos criados por outros membros.

Na seção final, o palestrante apresenta seu painel de negociação ao vivo, implantando um algoritmo básico que compra um portfólio ponderado de nove ETFs do setor contra sua conta Interactive Brokers. O painel exibe uma curva de patrimônio de desempenho conectada a um benchmark em vermelho, posições atuais e pedidos e preenchimentos. O palestrante menciona a capacidade de registrar informações para o código-fonte implantado. A referência utilizada são os retornos do SPI, já que atualmente não é oferecido selecionar uma ampla gama de ações de maneira imparcial. Em vez disso, eles fornecem um universo de volume diário em dólares que é atualizado trimestralmente.

• 00:00:00 Nesta seção, a palestrante se apresenta e dá um histórico de sua experiência na área de análise de dados e finanças quantitativas. Ela explica que o Quantopian é uma plataforma de negociação algorítmica que permite a qualquer pessoa, principalmente investidores de varejo, acessar dados e backtesting para criar suas próprias estratégias quantitativas e implantá-las em sua própria conta para negociar ações. O palestrante dá uma visão geral de como o Quantopian funciona e enfatiza que, apesar de seu ceticismo inicial, a plataforma conseguiu atrair uma comunidade de cientistas quantitativos, hackers e investidores de varejo que colaboram para encontrar ideias de investimento. Ela também menciona que a Quantopian é pré-receita e apoiada por capital de risco, com planos de eventualmente cobrar pela negociação ao vivo como um serviço pago.
  
  
• 00:05:00 Nesta seção, o palestrante discute o conceito de construção de estratégias quantitativas a partir de dados e ideias de crowdsourcing em sua plataforma na Quantopian. A plataforma fornece mensagens diretas ponto a ponto e permite que os usuários se conectem e compartilhem suas ideias para a construção de algoritmos quantitativos. No entanto, o palestrante reconhece que as limitações de dados podem ser um grande problema para indivíduos que constroem estratégias, pois podem não ter acesso a todos os dados de precificação necessários para seus algoritmos. Além disso, dado que a plataforma é focada exclusivamente em ações, pode não ser uma plataforma adequada para negociação de alta frequência ou estratégias de negociação sensíveis à latência.
  
  
• 00:10:00 Nesta seção, o palestrante discute as limitações de sua plataforma de negociação, enfatizando que não é uma plataforma de baixa latência para escalpelamento ou estratégias de criação de mercado. Eles também mencionam que sua fonte de dados de precificação define seu universo de títulos, que atualmente inclui apenas alguns milhares de ações domésticas. O palestrante discute brevemente seu modelo básico de derrapagem, que é de código aberto e pode ser encontrado no GitHub. Eles também abordam a possível inclusão de opções e futuros no futuro, mas observam que o foco é fornecer estratégias lucrativas e ser transparente com as estatísticas de lucratividade. Por fim, o palestrante categoriza cinco estratégias quantitativas básicas acessíveis que os usuários comuns do Python na plataforma implementaram, incluindo reversão à média, momento, intervalo noturno, volatilidade e emparelhamento.
  
  
• 00:15:00 Nesta seção, o palestrante discute algumas estratégias básicas de Quan que são construídas na interação e ajuste de reversão à média e momento. Duas estratégias populares são avaliação e sazonalidade, com dados para essas estratégias acessíveis por meio do Yahoo Finance ou do Google Finance. O palestrante então aborda as armadilhas comuns da negociação de pares, incluindo a mineração cega de dados e a descoberta de dois títulos que, na verdade, não têm ligação entre si. Eles incentivam a compreensão de que a negociação de pares envolve encontrar duas coisas que estão ligadas ao mesmo valor, bem como observar a distribuição do spread entre os dois preços de ativos e perceber quando o spread entra nas caudas da distribuição. O objetivo é comprar o spread, vender o spread e apostar que o preço entre as duas ações acabará por reverter.
  
  
• 00:20:00 Nesta seção, o palestrante discute estratégias de negociação de pares e negociação de impulso e demonstra um exemplo de como uma estratégia de negociação de pares pode ser testada usando Python. A negociação de pares envolve negociar o spread entre duas ações e vem com algumas armadilhas comuns, como reversões potencialmente devastadoras. A negociação de impulso, por outro lado, envolve a classificação de ações com base na valorização do preço anterior em um determinado período de tempo. O palestrante também explica que, embora não seja possível baixar dados diretamente do site, você pode executar backtests e negociar ao vivo em um universo limitado de cerca de 100 ações devido a restrições de largura de banda.
  
  
• 00:25:00 Nesta seção, o palestrante discute o conceito de avaliação como uma estratégia quantitativa de ações e como ela requer uma análise de índice fundamental de maneira sistemática para identificar ações baratas e caras. No entanto, ele menciona que tais estratégias requerem boa cobertura de dados e compreensão da normalização de dados, alinhamento de calendários e manipulação de dados associada. O palestrante sugere a implementação de tais estratégias usando o método fetcher, que permite aos usuários obter dados CSV da Internet. Além disso, ele fala sobre o sentimento como uma estratégia quantitativa de ações, que envolve a análise do sentimento do mercado e seu impacto nos preços das ações. No entanto, ele adverte que a implementação dessa estratégia também requer uma sólida compreensão da análise, normalização e manipulação de dados.
  
  
• 00:30:00 Nesta seção, o palestrante discute o uso de ações vendidas como um indicador de sentimento na construção de estratégias de ações quantitativas. Vencer ações é difícil e arriscado, e só quem sabe o que está fazendo está disposto a fazê-lo. O nível de juros curto ou o número de ações vendidas em ações negociadas publicamente são dados publicamente disponíveis que podem ser extraídos da NASDAQ. No entanto, os dados estão atrasados no tempo e têm um instantâneo de baixa frequência. O palestrante também destaca o risco de restrição de liquidez devido ao short squeezing e sugere o uso de um sinal do tipo volatilidade para identificar ações fortemente vendidas, mas menos arriscadas. O algoritmo envolve a classificação de ações com base nos dias para cobrir o sinal, que representa o número de dias médios diários de negociação que os vendedores a descoberto levariam para desfazer. A estratégia compra as ações menos vendidas e vende as mais vendidas.
  
  
• 00:35:00 Nesta seção do vídeo, o palestrante fala sobre as etapas intermediárias do processo e o código aberto dos algoritmos. Ele também discute a dificuldade de acessar dados valiosos, como taxas de empréstimos de corretoras e as limitações de seus modelos de derrapagem. O palestrante responde a perguntas sobre os tipos de pedidos atuais disponíveis e o sistema de feedback para adicionar mais recursos. Além disso, o palestrante menciona brevemente o uso da sazonalidade no comércio e sua popularidade online.
  
  
• 00:40:00 Nesta seção, o palestrante discute o exemplo mais simples de uma estratégia de capital quantitativo para iniciantes. Um desses possíveis exemplos poderia ser o uso da sazonalidade para cronometrar o mercado, por exemplo, vendendo ações em maio e investindo em títulos, depois comprando de volta no mercado de ações em outubro. Esta é uma regra sistemática simples que permite uma análise fácil do desempenho ao longo do tempo. Eles também apresentam uma análise dos 25 principais algoritmos quantitativos de equidade compartilhados na plataforma Quantiopian com base no número de respostas, número de visualizações e quantas vezes foram clonados. Entre eles, um artigo sobre o uso de termos de pesquisa do Google para prever os movimentos do mercado, apesar de ser considerado superajustado, ganhou atenção significativa nos fóruns. Por fim, o palestrante observa que as pessoas tendem a achar estratégias com siglas longas e complicadas envolvendo conceitos matemáticos difíceis mais atraentes do que estratégias simples que funcionam de maneira eficaz.
  
  
• 00:45:00 Nesta seção, o palestrante discute a importância da confiança e da segurança para garantir que as pessoas estejam dispostas a enviar seus algoritmos de geração de dinheiro para uma plataforma online para testes em relação ao mercado. O palestrante destaca a necessidade de construir um nível de confiança com os usuários para que eles se sintam confortáveis ao usar a plataforma, e menciona que eles levam a sério suas medidas de segurança. Embora os dados de desempenho agregados ao vivo ainda não estejam disponíveis, o palestrante observa que eles têm aproximadamente mil algoritmos em execução na simulação. O palestrante considera os benefícios potenciais de uma rede social para quants, mas não tem certeza se isso impulsionará a lucratividade do algoritmo individual. No entanto, ele acredita que há uma demanda reprimida entre as pessoas no mundo das finanças quantitativas para conversar e entender o que os outros estão fazendo. Por fim, o palestrante destaca o valor da plataforma como um ambiente de aprendizado onde as pessoas podem aprender com os acertos e erros uns dos outros em um ambiente seguro e livre de riscos.
  
  
• 00:50:00 Nesta seção do vídeo, o palestrante discute a popularidade de várias classificações de estratégias de investimento e como elas são representadas em sua plataforma. Eles observam que as estratégias de momentum e reversão à média são atualmente as mais populares. Eles expressam entusiasmo com o potencial da plataforma para adicionar mais conteúdo acessível a investidores de varejo. O palestrante também demonstra como o backtester da plataforma funciona em Python, com um método de inicialização e um método de manipulação de dados sendo executados uma vez por dia ou uma vez por minuto na negociação ao vivo. As únicas configurações de interface do usuário são as datas para o backtest, o capital inicial e a frequência do backtesting. Há uma função de pesquisa disponível no tópico da comunidade onde os membros podem encontrar diferentes algoritmos criados por outros membros e copiá-los e colá-los no IDE da plataforma.
  
  
• 00:55:00 Nesta seção, o palestrante demonstra seu painel de negociação ao vivo, onde um algoritmo básico que compra um portfólio de igual peso de nove ETFs do setor é implantado em sua conta Interactive Brokers. O painel mostra uma curva de patrimônio de desempenho conectada a um benchmark em vermelho, posições atuais e pedidos e preenchimentos feitos. O palestrante também menciona a capacidade de registrar informações para um código-fonte implantado. A referência são os retornos do SPI e, atualmente, eles não oferecem a capacidade de selecionar uma ampla gama de ações de maneira imparcial. Em vez disso, eles oferecem um universo de volume diário em dólares que é atualizado trimestralmente.

[MetaQuotes]

O que fazer e o que não fazer no Quant Trading

O que fazer e o que não fazer no Quant Trading

Dr. Ernie Chan, uma figura proeminente no comércio quantitativo, discute os desafios e fornece conselhos valiosos para os comerciantes neste campo. Ele destaca a crescente dificuldade do comércio quantitativo, conforme observado por especialistas do setor, e o baixo desempenho de muitos fundos de aprendizado de máquina. Para ter sucesso, os traders devem aprimorar suas habilidades e aprender lições importantes. Com base em experiências pessoais, o Dr. Chan compartilha o que os traders devem evitar fazer e oferece orientação para o sucesso a longo prazo.

Um dos principais alertas que o Dr. Chan enfatiza é a tentação de alavancar demais, especialmente durante períodos de forte desempenho da estratégia. Embora a fórmula de Kelly seja frequentemente usada para gerenciamento de risco, ele adverte que ela pode levar a expectativas excessivamente otimistas e é sensível a períodos amostrais. Em vez disso, ele sugere o uso da volatilidade como uma medida mais previsível para determinar a alavancagem. Ao visar a volatilidade esperada de uma estratégia, os traders podem determinar os níveis de alavancagem apropriados, concentrando-se no risco em vez de apenas nos retornos previstos.

O Dr. Chan fornece dois conselhos essenciais para o comércio quantitativo. Primeiro, ele enfatiza a importância de considerar o risco negativo de uma estratégia (ou seja, quanto pode ser perdido) em vez de se fixar em ganhos potenciais, que são imprevisíveis. Em segundo lugar, ele adverte contra o uso do desempenho de curto prazo como única base para selecionar gerentes ou determinar alavancagem. Em vez disso, ele aconselha procurar históricos mais longos e utilizar o desempenho de curto prazo para fins de gerenciamento de risco e realocação gradual. Além disso, ele incentiva os comerciantes a adotar uma mentalidade voltada para os negócios, reinvestindo os lucros na infraestrutura de seus negócios comerciais, em vez de se entregar a luxos pessoais.

Investir na infra-estrutura do negócio comercial é um tópico enfatizado pelo Dr. Chan. Ele sugere priorizar investimentos em dados de alta qualidade, máquinas mais rápidas e pessoal qualificado. Dados de qualidade são cruciais para garantir resultados precisos de backtesting, enquanto máquinas mais rápidas aumentam a produtividade da pesquisa. A contratação de pessoal com as habilidades necessárias fortalece ainda mais as capacidades do negócio. O Dr. Chan enfatiza os benefícios de longo prazo desses investimentos, tratando a negociação como um empreendimento comercial sério.

Para melhorar a produtividade da pesquisa, o Dr. Chan destaca a importância de investir em máquinas multi-core e software de computação paralela adequado. Esse investimento pode aumentar significativamente a produtividade em cinco a dez vezes. Ele também recomenda focar na vantagem comparativa de cada um e complementar quaisquer deficiências fazendo parceria com indivíduos que possuam habilidades complementares, como codificação, estratégia, marketing ou operações.

O Dr. Chan defende uma abordagem colaborativa para o comércio quantitativo. Ele destaca que a colaboração pode ocorrer de várias formas, inclusive grupos virtuais de negociação formados por universitários. Compartilhar ideias e ensinar outras pessoas sobre estratégias pode levar a um feedback valioso e melhorar o desempenho geral. Embora seja importante proteger a vantagem competitiva de alguém, compartilhar ideias comerciais básicas pode levar a um influxo líquido de conhecimento e insights.

Além disso, o Dr. Chan aconselha os iniciantes a começar com estratégias de negociação simples baseadas em sólidas justificativas intuitivas. Ele enfatiza o valor de eliminar negociações ruins em vez de buscar apenas as mais lucrativas. Saber quando não negociar e quando não aplicar certas ideias contribui para o sucesso a longo prazo. Ele também incentiva o aprendizado contínuo e a melhoria nas estratégias de negociação.

Durante uma sessão de perguntas e respostas, o Dr. Chan compartilha ideias sobre a construção de derivativos financeiros, recomenda o uso do Python como ponto de partida no campo e discute estratégias eficazes, como negociação de impulso e paridade de risco. Ele enfatiza a necessidade de uma melhor gestão de riscos para sustentar uma estratégia mesmo quando os retornos diminuem.

Em resumo, o Dr. Ernie Chan fornece conselhos valiosos para traders quantitativos. Ele adverte contra a alavancagem excessiva e a confiança no desempenho de curto prazo, enfatizando a importância de considerar o risco de queda e focar em históricos mais longos. Ele enfatiza o investimento em infraestrutura de negócios, incluindo dados, máquinas e pessoal. A colaboração, começando com estratégias simples, e o aprendizado contínuo são essenciais para o sucesso a longo prazo.

• 00:00:00 O Dr. Ernie Chan fala sobre os desafios que o comércio quantitativo enfrenta atualmente e como a indústria está amadurecendo. Ele menciona que a negociação quantitativa está se tornando cada vez mais difícil a cada ano que passa, conforme citado por De Sha e Dr. Lopez de Prado, que administra US$ 13 bilhões em fundos quantitativos. A maioria dos fundos de aprendizado de máquina falha, e o desempenho dos maiores programas de negociação de moedas para investimento tem sido atacado uniformemente nos últimos dois anos. O Dr. Chan acredita que, para sobreviver e ter sucesso neste campo, os traders precisam melhorar seu jogo e aprender algumas lições de alto nível. Ele também compartilha algumas coisas que os traders devem evitar fazer, pois violou a maioria delas e aprendeu a lição.
  
  
• 00:05:00 O palestrante alerta sobre a tentação de alavancar demais na negociação, especialmente durante os momentos em que uma estratégia está funcionando bem. Embora os comerciantes possam ficar tentados a confiar na fórmula de Kelly para gerenciamento de risco, o palestrante observa que isso pode levar a expectativas excessivamente otimistas e ser altamente sensível a períodos de amostragem. Em vez disso, ele sugere usar a volatilidade para determinar a alavancagem como uma entrada mais previsível, pois prever retornos com precisão pode ser muito desafiador. Assim, os comerciantes devem visar a volatilidade esperada de sua estratégia e determinar sua alavancagem com base nessa quantidade, em vez de retornos previstos.
  
  
• 00:10:00 O palestrante dá dois conselhos importantes para negociação de quant. Em primeiro lugar, é essencial focar no lado da língua da estratégia para determinar a alavancagem, que é quanto pode ser perdido com uma estratégia, em vez de quanto pode ser ganho porque isso é imprevisível. Em segundo lugar, é crucial não usar o desempenho de curto prazo para escolher gerentes ou determinar a alavancagem de carregamento porque, de acordo com um estudo acadêmico, é inútil fazê-lo. Em vez disso, o palestrante aconselha procurar um histórico mais longo e usar o desempenho de curto prazo para fins de gerenciamento de risco e realocação gradual. Além disso, ele incentiva os comerciantes a adotar uma mentalidade voltada para os negócios, onde os comerciantes reinvestem seus lucros em equipamentos de dados em vez de gastá-los em extravagâncias como viagens e itens de luxo.
  
  
• 00:15:00 O palestrante enfatiza a importância de investir os lucros no negócio de trading. Em vez de investir em um portfólio maior, é melhor investir na infraestrutura do negócio, como dados, equipamentos ou pessoal. Em relação aos dados, é crucial investir em dados de boa qualidade, pois dados baratos geralmente apresentam ressalvas que podem comprometer a precisão do backtest. Da mesma forma, é importante ter máquinas mais rápidas para aumentar a produtividade da pesquisa e contratar o pessoal certo que tenha as habilidades necessárias para o trabalho. Este investimento no negócio pode melhorar a capacidade de sobrevivência do negócio a longo prazo. O palestrante conclui que administrar um negócio comercial como qualquer outro pode ser benéfico a longo prazo.
  
  
• 00:20:00 O palestrante discute a importância de investir em uma máquina multi-core e um software de computação paralela adequado para aumentar a produtividade da pesquisa de cinco a dez vezes, o que é um excelente investimento considerando que as máquinas são muito mais baratas que a mão de obra. Além disso, investir em uma máquina local é mais econômico e produtivo do que investir em computação em nuvem, que apresenta uma barreira psicológica e requer transferência de dados e pagamento pelo armazenamento. O palestrante enfatiza a necessidade de focar na própria vantagem comparativa e complementar as deficiências investindo em pessoas com habilidades complementares, como codificação, estratégia, marketing ou operações.
  
  
• 00:25:00 O palestrante fala sobre a importância de investir em pessoal para suprir suas deficiências e ampliar suas estratégias. Ele enfatiza que o comércio deve ser tratado como um negócio sério e, se não houver capital para investir em pessoal, há maneiras de lidar com a situação. Os melhores fundos quantitativos agora usam uma abordagem de equipe em que a estratégia criada não é o trabalho de nenhum indivíduo, mas sim um esforço de equipe. Portanto, é benéfico estudar fenômenos financeiros em vez de estratégias de negociação, pois isso melhora a qualidade das estratégias de negociação. O palestrante também observa que a abordagem do comerciante independente está se tornando obsoleta e os comerciantes mais jovens estão adotando uma abordagem única que é promissora.
  
  
• 00:30:00 O palestrante discute os benefícios de estudar o mercado além de apenas gerar estratégias de negociação lucrativas. Ao adotar uma abordagem científica e estudar o fenômeno por sua própria curiosidade e interesse intrínsecos, os traders podem descobrir artefatos interessantes do mercado que são repetíveis e não apenas o resultado de superajuste de dados anteriores. O palestrante defende começar com estratégias de negociação simples com boa justificativa intuitiva e observa que uma estratégia bem-sucedida geralmente envolve a eliminação de negociações ruins em vez de encontrar outras mais lucrativas. Além disso, o trader que sabe quando não negociar e quando não aplicar uma determinada ideia provavelmente terá mais sucesso a longo prazo.
  
  
• 00:35:00 É enfatizada a importância de começar com uma estratégia simples na negociação, pois ajuda a quebrar a enorme quantidade de informações e permite que a experiência pessoal seja adquirida. No entanto, também é importante não ficar nesse nível e adicionar continuamente mais preditores para prolongar a vida de preditores únicos. Múltiplos preditores podem ser combinados exponencialmente de várias maneiras, como linearmente ou em camadas, tornando-os difíceis de replicar e contribuindo para um decaimento alfa mais lento. O aprendizado de máquina geralmente é necessário ao combinar preditores, mas existe o perigo de superajuste. Apesar desses desafios, o palestrante conclui com uma nota otimista, incentivando os traders a aprender e melhorar continuamente suas estratégias.
  
  
• 00:40:00 Ernie fala sobre a importância da colaboração na negociação quantitativa. Ele enfatiza que a colaboração pode acontecer de várias formas, não apenas limitada a grandes corporações ou empresas. Por exemplo, estudantes universitários podem colaborar e formar um grupo de negociação virtual onde diferentes pessoas podem contribuir com várias habilidades para criar uma estratégia de negociação bem-sucedida. Ernie também encoraja os traders a compartilhar suas ideias e não hesitar em ensinar outras pessoas sobre suas estratégias. Embora ele acredite que a maioria das ideias de negociação não são originais, é a execução, o gerenciamento de riscos e outras vantagens competitivas agregadas à estratégia que a fazem funcionar melhor e durar mais tempo. Portanto, os comerciantes não precisam abrir mão de sua vantagem competitiva, mas compartilhar ideias básicas de negociação pode levar a um influxo líquido, pois outros fornecem feedback que pode aprimorar e melhorar a estratégia.
  
  
• 00:45:00 O palestrante discute sua experiência em negociação quantitativa e menciona seu modelo Forex de sucesso que rendeu um índice Sharpe de mais de três durante seu pico. Ele aconselha os engenheiros de software a começar examinando os modelos de outras pessoas, testando-os e negociando-os e fazendo parcerias com indivíduos que possuem conhecimento fundamental, mas carecem de habilidades de codificação. Ele sugere vários métodos para prever a volatilidade e recomenda estratégias de negociação apenas em regimes favoráveis. Quando questionado sobre as qualificações para a contratação de desenvolvedores quantitativos, ele enfatiza as habilidades de codificação e uma compreensão básica do mercado e suas complexidades.
  
  
• 00:50:00 O palestrante discute o que fazer e o que não fazer na negociação quantitativa. Ele enfatiza que se uma estratégia de trading não está dando dinheiro, deve-se diminuir sua alavancagem até que ela se torne ruído na carteira. O palestrante enfatiza a importância de procurar padrões e fenômenos na negociação, semelhantes à física e à engenharia. Como iniciante, ele recomenda identificar uma vantagem competitiva e fazer parceria com alguém com habilidades complementares. O palestrante então considera o uso de mais dados em algoritmos de ML, explicando que mais dados nem sempre é melhor e sugere o uso de bagging para simular dados sem se estender mais no histórico. Por fim, o palestrante afirma que uma melhor gestão de riscos é fundamental, pois permite continuar executando uma estratégia sem perder dinheiro, mesmo que os retornos comecem a diminuir.
  
  
• 00:55:00 Ernie Chan responde a perguntas dos telespectadores relacionadas ao comércio quantitativo. Ele sugere que a construção de derivativos financeiros é uma boa oportunidade para quem tem experiência, mas requer pesquisa em nichos de mercado. Ele recomenda o uso de Crisp Data e Tech Data para back-testing de dados de ações, mas adverte que bons dados têm um alto custo. Chan também discute a negociação de impulso e a paridade de risco como estratégias eficazes no ambiente atual e sugere que o Python é um bom código aberto para começar no campo.

[MetaQuotes]

Finanças Quantitativas | Classificação de estratégias de negociação quantitativa por Radovan Vojtko

Finanças Quantitativas | Classificação de estratégias de negociação quantitativa por Radovan Vojtko

Radovan Vojtko, CEO da Quantpedia, fornece informações valiosas sobre o processo de seleção de estratégias de negociação quantitativa para seu banco de dados. Ele enfatiza a importância de alavancar a pesquisa acadêmica para descobrir estratégias confiáveis e implementáveis que podem ser usadas pelos traders. Apesar dos equívocos comuns, Vojtko destaca que ainda há muitas ideias comerciais em trabalhos acadêmicos que têm potencial.

Vojtko explica que a classe de ativos mais popular para estratégias de negociação são as ações, seguidas por commodities, moedas, títulos e imóveis. Essas classes de ativos oferecem uma ampla gama de oportunidades para implementar estratégias quantitativas. Ele categoriza estratégias quant em várias classificações, incluindo tempo, arbitragem e impulso, entre outros.

Um aspecto fundamental que Vojtko enfatiza é a existência de pontos cegos na pesquisa acadêmica, particularmente em classes de ativos menos cobertas, como títulos e commodities. Esses pontos cegos apresentam oportunidades para descobrir novas fontes de alfa, e os comerciantes podem capitalizá-los. Para combater problemas como P-hacking e replicação, Vojtko recomenda testes rigorosos e o uso de técnicas anônimas de impulso.

Ao contrário da crença de que as estratégias de negociação publicadas não funcionam mais, Vojtko afirma que algumas estratégias continuam a produzir resultados positivos mesmo depois de serem publicadas, com mais de 40% do alfa remanescente após cinco anos. Para selecionar as estratégias mais promissoras, ele sugere a realização de testes fora da amostra, aumentando o ponto de corte para significância estatística, construindo um banco de dados abrangente de estratégias e escolhendo aquelas com melhor desempenho.

Vojtko discute ainda estratégias de negociação específicas, como abordagens de reversão média em negociação de futuros de commodities e estratégias de risco de anúncio de pré-ganhos. Ele enfatiza a importância do decaimento alfa e os desafios impostos pelo P-hacking e mineração de dados. É crucial testar e validar rigorosamente as estratégias antes da implementação.

Abordando o equívoco de que as estratégias de negociação quantitativa perdem eficácia depois de publicadas, Vojtko cita pesquisas que mostram que as estratégias ainda podem ter um bom desempenho ao longo do tempo. Ele aconselha os comerciantes a evitar a dragagem de dados e ressalta a necessidade de testes e validações completos.

Em termos de replicação em pesquisas acadêmicas, Vojtko sugere aumentar o ponto de corte para significância estatística e empregar testes fora da amostra para comparar portfólios com base em dados publicados. Essa abordagem garante uma replicação mais precisa e permite a identificação de estratégias vencedoras.

Para ampliar o pool de estratégias lucrativas, Vojtko recomenda construir um banco de dados com uma ampla gama de estratégias e selecionar aquelas com melhor desempenho. Ele também fornece recursos para encontrar estratégias de negociação quantitativas, como a Social Science Network e a Quantpedia.

Em relação às linguagens de programação para finanças quantitativas, Vojtko menciona a disponibilidade de várias opções e aconselha a escolha de uma linguagem com a qual se sinta confortável. Python é uma linguagem preferida, mas outras opções como Tradestation, Ninjatrader ou Ami Broker também podem ser eficazes. A Vojtko enfatiza a necessidade de mesclar habilidades financeiras e tecnológicas para negociações algorítmicas bem-sucedidas e oferece programas educacionais para desenvolver expertise em ambas as áreas.

• 00:00:00 Nesta seção, Arjuna apresenta Radovan Vojtko, o CEO da Quantpedia, um site que serve como uma enciclopédia de estratégias quantitativas de negociação. Vojtko é um ex-gerente de portfólio e administrou mais de 300 milhões de euros em fundos quantitativos com foco em tendências de ETA de vários ativos, seguindo estratégias, timing de mercado e negociação de volatilidade. Vojtko enfatiza a importância de prestar atenção à pesquisa acadêmica financeira, mencionando que existem muitas estratégias e ideias interessantes de negociação publicadas em pesquisas acadêmicas que as pessoas podem usar para negociar ou ajustá-las para seus próprios sistemas de negociação. Ele também compartilha alguns problemas comuns relacionados à implementação de estratégias que estão fora da pesquisa acadêmica.
  
  
• 00:05:00 Nesta seção, Radovan Vojtko discute o processo de seleção de estratégias de negociação para seu banco de dados. Ele explica que eles leem muitos trabalhos acadêmicos e selecionam estratégias que são implementáveis e têm desempenho confiável e características de risco. Ele dá o exemplo da estratégia de momentum em ações, que foi escrita pela primeira vez em um artigo de 1993 de Jagadeesh e Titman, e artigos subsequentes relacionados. Vojtko também menciona que eles não publicam códigos de negociação, pois os clientes institucionais preferem testar estratégias em seus próprios dados. Finalmente, ele descreve os três grandes grupos que conduzem pesquisas quantitativas: acadêmicos, pesquisas de sell-side e fundos de hedge e empresas de gestão de ativos.
  
  
• 00:10:00 Nesta seção, o palestrante discute a visão geral e a classificação das estratégias de negociação quantitativas. De acordo com o palestrante, as ações são uma classe de ativos bastante abordada na pesquisa acadêmica, seguida por commodities, moedas, títulos e imóveis. O período de tempo mais popular para estratégias de negociação é o rebalanceamento mensal, com negociação de alta frequência sendo sub-representada devido à necessidade de dados mais caros e requisitos de programação. Em termos de tópicos, estratégias de ações como long-short e momentum são as mais populares, seguidas por timing de mercado, valor e efeitos de ganhos fundamentais. O palestrante também apresenta seu ponto de vista sobre como classificar e encontrar estratégias de negociação interessantes em um banco de dados.
  
  
• 00:15:00 Nesta seção, o palestrante discute as diferentes classificações de estratégias quantitativas de negociação e apresenta o conceito de pontos cegos na pesquisa. Pontos cegos referem-se a áreas de pesquisa que não são bem cobertas, apresentando oportunidades para encontrar novas estratégias alfa ou de negociação. O palestrante então apresenta uma distribuição de diferentes estratégias nas classes de ativos, mostrando que as ações são dominantes, enquanto os títulos e REITs não são bem cobertos. Entre os estilos conhecidos, momentum e arbitragem são bem abordados, mas o palestrante destaca oportunidades em estratégias de timing para outras classes de ativos e no desenvolvimento de estratégias interessantes para negociação em moedas.
  
  
• 00:20:00 Nesta seção, Radovan Vojtko discute a classificação de estratégias de negociação quantitativa por classe de ativos, com ênfase particular em estratégias de ações. Ele aponta que existem mais estilos de negociação de ações do que todas as outras classes de ativos combinadas, com seis tipos principais de estratégias de ações que incluem tempo, arbitragem e negociação de valor. No entanto, existem pontos cegos quando se trata de estilos populares e algumas classes de ativos são pouco exploradas, como títulos e commodities. Vojtko também destaca algumas lacunas nas estratégias intraday e short-only, que oferecem uma grande oportunidade para encontrar oportunidades de investimento únicas e interessantes que não foram abordadas em trabalhos de pesquisa.
  
  
• 00:25:00 Nesta seção, o vídeo discute duas estratégias quantitativas de negociação. A primeira estratégia envolve o uso de uma abordagem de reversão média para negociar futuros de commodities. A abordagem envolve agrupar commodities com características semelhantes, calcular o índice de retorno total de commodities para cada grupo de commodities e construir pares dentro de cada grupo. Os pares são então negociados com base na distância histórica e as posições diárias são tomadas se a divergência de preços for superior a dois desvios padrão. A segunda estratégia é o risco de anúncio de lucros anteriores, que tira proveito da tendência de flutuação das ações após os anúncios de lucros. Ao criar um portfólio long-short, os investidores podem lucrar com essa tendência. Embora o desvio do anúncio de lucros seja bem conhecido, o fato de que as ações também tendem a flutuar antes dos anúncios de lucros é menos conhecido.
  
  
• 00:30:00 Nesta seção do vídeo, Radovan Vojtko explica o conceito de decaimento alfa, em que há uma diferença no desempenho dentro e fora da amostra de uma estratégia de negociação. Ele também discute o problema de P-hacking e questões de replicação em pesquisas quantitativas, onde os pesquisadores podem testar um grande número de variações de uma estratégia de negociação até encontrar algo interessante, levando à mineração de dados. Para evitar esse problema, Vojtko sugere usar o anonimato do momentum, que permite ao trader ver se uma estratégia é realmente lucrativa ou se é apenas um acaso estatístico. Apesar dessas questões, existem várias estratégias quantitativas de negociação que foram publicadas em artigos acadêmicos, sendo um exemplo uma estratégia de anúncio de pré-ganhos que mostrou um retorno anual de 40%.
  
  
• 00:35:00 Nesta seção, o palestrante discute o equívoco comum de que as estratégias de negociação quantitativa não funcionam mais depois que são publicadas e conhecidas por outras pessoas, pois recebem arbitragem de outros jogadores. No entanto, a pesquisa de McLean e Pontiff mostra que algumas estratégias ainda funcionam mesmo após a publicação, com mais de 40% de alfa remanescente após cinco anos de publicação. O palestrante também fala sobre a persistência de anomalias ou fatores na negociação, enfatizando que qualquer estratégia pode ser persistente e ter um bom desempenho no futuro, mas o mau timing dos investidores pode levar a retornos menores. O palestrante alerta contra a dragagem ou pesca de dados, que é um uso de mineração de dados que pode levar a falsas descobertas, e destaca a importância de testar rigorosamente qualquer estratégia antes de implementá-la.
  
  
• 00:40:00 Nesta seção, Radovan Vojtko discute a questão da replicação na pesquisa acadêmica, particularmente em estratégias quantitativas de negociação. Ele menciona o problema de pesquisadores minerando dados e procurando padrões sem uma hipótese específica de antemão, resultando em significância estatística sem uso prático real. Vojtko sugere aumentar o ponto de corte para significância estatística para 3,0 ou 3,5 para ser o mais difícil possível na estratégia encontrada, usando testes fora da amostra para comparar portfólios de fatores de patrimônio com base em dados publicados. Dessa forma, os dados falam por si ao escolher os vencedores, permitindo uma replicação mais precisa e uso potencial em negociações futuras.
  
  
• 00:45:00 Nesta seção, Radovan Vojtko discute uma estratégia de anomalias inéditas em que, a cada ano, as anomalias são classificadas por seu desempenho e as de melhor desempenho são negociadas no ano seguinte. Essa estratégia ajuda a filtrar estratégias irrealistas, de baixo desempenho ou de arbitragem, aumentando as chances de descobrir estratégias lucrativas por meio de pesquisas acadêmicas. No entanto, a estratégia não é à prova de balas e a liquidez e os custos de transação devem ser levados em consideração. Além disso, o desempenho de anomalias pode diminuir e vieses e pontos cegos devem ser resolvidos. Vojtko recomenda construir um banco de dados com mais estratégias e escolher aquelas com melhor desempenho para aumentar as chances de encontrar estratégias lucrativas.
  
  
• 00:50:00 Nesta seção do vídeo, o palestrante tira dúvidas dos espectadores e recomenda recursos para encontrar estratégias quantitativas de negociação. Eles sugerem verificar o site Social Science Network, pois é um repositório de trabalhos de pesquisa de ciências sociais, que podem ser pesquisados por palavras-chave, como negociação de pares ou negociação de impulso. O palestrante também recomenda seu próprio site, Quantpedia, que possui uma seção gratuita com mais de 60 estratégias comuns e conhecidas e uma seção premium com mais estratégias exclusivas. Quando perguntado com qual estratégia os iniciantes devem começar, o palestrante sugere olhar para a seleção de custo de ativos e estratégias de impulso no EPS. Para calcular o decaimento beta, o palestrante recomenda consultar os trabalhos acadêmicos mencionados em sua publicação ou fazer uma busca no Google por trabalhos acadêmicos sobre decaimento alfa.
  
  
• 00:55:00 Nesta seção, o palestrante discute as linguagens de programação recomendadas para finanças quantitativas, afirmando que existem muitas disponíveis online e que, em última análise, tudo se resume à preferência pessoal. Eles fornecem um link para seu site, que possui vários links para cerca de 50 testadores anteriores e, pessoalmente, preferem o Python, mas observam que outros são igualmente válidos. Eles sugerem escolher um idioma com o qual você se sinta confortável e usar uma solução pré-construída de fontes fornecidas como Tradestation, Ninjatrader ou Ami Broker para começar a negociar ou testar. Além disso, o palestrante menciona que a negociação algorítmica bem-sucedida requer uma fusão de habilidades em finanças e tecnologia, e eles oferecem programas de educação para treinar indivíduos em ambas as áreas.

[MetaQuotes]

Recorrendo aos dados para uma vantagem comercial · Dave Bergstrom, quant trader

Recorrendo aos dados para uma vantagem comercial · Dave Bergstrom, quant trader

Neste vídeo, Dave Bergstrom, um comerciante quantitativo de sucesso, compartilha sua jornada no mundo do comércio e enfatiza a importância de utilizar técnicas de análise de dados para descobrir as vantagens do mercado. Ele enfatiza a necessidade de evitar ajuste de curva e otimização excessiva, recomenda alavancar vários recursos para aprender negociação e programação e enfatiza a importância do gerenciamento de risco adequado e de ter expectativas realistas. Bergstrom também discute o declínio potencial da negociação de alta frequência e apresenta seu pacote de software, Build Alpha, que auxilia os traders a encontrar e gerar estratégias de negociação lucrativas.

Dave Bergstrom, inicialmente um operador de alta frequência, relata seu caminho desde quase cursar a faculdade de direito até se tornar um operador. Durante seus estudos de graduação, ele se aprofundou na negociação e buscou informações em plataformas como finanças, Twitter e podcasts para aprender sobre padrões de negociação e ações dinâmicas. Embora tenha experimentado sucesso inicial, Bergstrom reconhece que suas estratégias e técnicas iniciais diferem significativamente de seus métodos de negociação atuais. Ele destaca seu uso de técnicas de mineração de dados durante o desenvolvimento da estratégia e apresenta seu pacote de software, Build Alpha, que permite que os traders empreguem várias formas de análise discutidas neste episódio.

Começando com suas origens humildes, Bergstrom revela sua incursão inicial no comércio vendendo camisas e bolsas falsificadas da NFL. Posteriormente, ele financiou uma conta de negociação e se envolveu na negociação de ações com base no momento e na análise técnica, principalmente nos padrões gráficos. No entanto, ele enfrentou inconsistência e lutou para entender por que seu saldo de patrimônio sempre voltava a zero. Com mais experiência, Bergstrom percebeu que a ausência de uma abordagem sistemática prejudicava sua capacidade de obter retornos consistentes. Foi somente depois que ele se mudou para a Flórida e trabalhou como assistente comercial em uma empresa de negociação de alta frequência que ele descobriu o domínio da análise quantitativa, abrindo caminho para a consistência em seus empreendimentos comerciais.

Bergstrom discute ainda sua transição para uma função que exigia análise de dados. Para se destacar nessa posição, ele aprendeu a programar como autodidata e se concentrou na análise técnica objetiva, pois sua empresa acreditava na identificação de anomalias ou padrões nos dados que poderiam levar a negociações lucrativas. Ele explica o processo de testar e testar estratégias antes que elas possam ser empregadas, uma jornada que exigiu vários anos de tentativa e erro para alcançar um sucesso consistente. As visões de Bergstrom sobre a análise técnica evoluíram, favorecendo a análise objetiva que utiliza dados para identificar padrões em vez da análise subjetiva baseada na intuição.

A programação desempenha um papel significativo na jornada comercial de Bergstrom, que ele considera uma superpotência. Reconhecendo que o Excel era insuficiente para lidar com a grande quantidade de dados em negociações de alta frequência, ele aprendeu a programar para passar de uma função de assistente de negociação para uma função de mesa de operações. Bergstrom considera a programação um excelente investimento devido aos seus ganhos assimétricos e risco mínimo. Ele aconselha aspirantes a programadores a explorar diferentes recursos, permanecer diligentes e buscar orientação de pessoas experientes para acelerar o processo de aprendizado.

Bergstrom enfatiza a importância de buscar múltiplos recursos ao aprender a negociar e programar. Ele recomenda a utilização de plataformas como Stack Exchange para programação e incentiva o aprendizado de várias linguagens de programação, como Python, C++ e Java. Ao discutir sua abordagem comercial, Bergstrom se identifica como um minerador de dados e acredita que várias vantagens do mercado podem ser descobertas por meio da análise de dados. Embora alguns percebam a mineração de dados como propensa ao overfitting, ele argumenta que pode ser uma ferramenta valiosa quando são tomadas medidas para evitar o overfitting e a otimização excessiva.

Bergstrom esclarece como ele descobre vantagens comerciais por meio da mineração de dados e emprega uma função de adequação que busca estratégias lucrativas com base em critérios específicos. Ele destaca a importância de evitar o ajuste de curva empregando técnicas como manter um número mínimo de negociações e utilizar a validação cruzada. Ele explica que uma vantagem se refere a algo com uma expectativa positiva, que pode ser identificada por meio da análise de dados. Em última análise, ele busca estratégias lucrativas, mesmo que não sejam baseadas em hipóteses pré-existentes, mas deposita mais confiança em estratégias que se alinham ao raciocínio lógico.

Ter um número significativo de negociações é crucial ao testar uma estratégia, de acordo com Bergstrom. Ele enfatiza os riscos do ajuste de curva e desaconselha a otimização de parâmetros com períodos de retrospectiva. Em vez disso, ele prefere usar métricas não paramétricas, como medidas de contagem. Além disso, Bergstrom ressalta a importância dos regimes de mercado, bem como o volume e a volatilidade, na compreensão do comportamento do mercado. Ele menciona um gráfico poderoso que compartilhou no Twitter que ilustra a importância de definir expectativas realistas e empregar a análise de Monte Carlo para evitar subalocar fundos a um sistema de negociação.

As expectativas realistas na negociação são exploradas ainda mais, pois Bergstrom enfatiza que, mesmo que um backtest mostre uma estratégia lucrativa, é crucial entender que os resultados da vida real podem diferir. Ferramentas como simulações de Monte Carlo e testes de variância auxiliam os traders na criação de uma distribuição de resultados possíveis e no estabelecimento de expectativas realistas para negociações futuras. Bergstrom apresenta suas três leis de negociação, com a primeira lei favorecendo as relações risco-recompensa assimétricas. Isso significa que ele prefere uma porcentagem de vitórias menor, mas um pagamento maior, ao invés do contrário.

O gerenciamento de risco adequado ocupa o centro da filosofia de negociação da Bergstrom, particularmente no que diz respeito ao tamanho da aposta. Ele explica que não é benéfico para um trader ter uma negociação com tamanho significativamente maior do que outras dentro do mesmo padrão ou sistema. Bergstrom adverte contra o investimento excessivo em negociações "emocionantes", pois isso evita que as probabilidades matemáticas sejam executadas em um grande número de negociações, o que é necessário para que a lei dos grandes números entre em vigor. Ele sugere que negociar de maneira mais conservadora e consistente em um número significativo de negociações garante que a vantagem positiva se manifeste. Embora as negociações intradiárias e de alta frequência se alinhem melhor com a lei dos grandes números, Bergstrom acredita que os prazos diários também podem ser eficazes se o teste de variância for satisfatório.

Bergstrom investiga a importância da robustez da estratégia em todos os mercados. Embora reconheça o valor de criar estratégias que funcionem em vários mercados, ele tende a evitar aquelas que geram negociações insuficientes. Em relação aos custos de transação e buscando maiores lucros em cada negociação, Bergstrom acredita que uma abordagem equilibrada é possível. A estratégia não deve ser sobrecarregada com custos de transação excessivos, mas, ao mesmo tempo, não deve ser projetada para gerar um número excessivo de transações. Mudando de marcha, Bergstrom aborda os equívocos comuns em torno do comércio de alta frequência (HFT), afirmando que muitas vezes foi injustamente difamado devido a pessoas que procuram um bode expiatório. Ele acredita firmemente que o HFT é benéfico e não tem intenções predatórias.

Por fim, Bergstrom discute o declínio potencial das negociações de alta frequência, que ele atribui ao aumento da concorrência e à exposição de estratégias. O debate gira em torno de se o declínio se deve a um mercado supersaturado ou às políticas monetárias implementadas pelos bancos centrais, que não suportam o mercado bilateral necessário para negociações de alta frequência. Bergstrom apresenta seu pacote de software, Build Alpha, que capacita os usuários a selecionar sinais e pesquisar diferentes estratégias com base em critérios de saída e uma função de adequação. O software identifica as melhores estratégias e gera código negociável para cada uma delas, possibilitando a criação de portfólios e análises minuciosas. Os interessados podem visitar o site buildalpha.com ou entrar em contato com Dave Bergstrom por e-mail em [e-mail] ou no Twitter @Deeper_DB.

Concluindo, a jornada de Dave Bergstrom para se tornar um trader de sucesso mostra a importância das técnicas de análise de dados para encontrar vantagens no mercado. Sua ênfase na prevenção do ajuste de curvas, utilizando vários recursos para aprender, praticar o gerenciamento de risco adequado e manter expectativas realistas fornece informações valiosas para aspirantes a traders. Além disso, seus pensamentos sobre negociação de alta frequência e a introdução do Build Alpha demonstram seu compromisso com o avanço das estratégias de negociação e a capacitação dos traders por meio de soluções de software inovadoras.

• 00:00:00 Dave Bergstrom, um operador de alta frequência, fala sobre sua jornada desde quase ir para a faculdade de direito até a negociação. Ele começou a negociar durante a graduação e procurou informações na internet, como finanças Twitter e podcasts, para aprender sobre padrões de negociação e ações de impulso. Ele teve sucesso nas negociações iniciais, mas reconhece que suas primeiras estratégias e técnicas de negociação que ele usou são muito diferentes de como ele negocia agora. Dave também fala sobre como ele usa técnicas de mineração de dados durante o desenvolvimento da estratégia e sugere maneiras de reduzir o ajuste de curvas. Ele até desenvolveu um pacote de software chamado Build Alpha, que permite que os traders executem muitas das técnicas e diferentes formas de análise discutidas neste episódio.
  
  
• 00:05:00 Dave Bergstrom, um comerciante quantitativo, compartilha suas origens humildes no comércio, começando por ganhar dinheiro com a venda de camisetas e bolsas falsificadas da NFL. Ele então financiou uma conta de negociação, inicialmente negociando ações com base em dinâmica e análise técnica, particularmente padrões de gráficos. No entanto, ele lutou contra a inconsistência e não conseguia entender por que continuava retornando a um saldo de patrimônio zero. Com mais experiência, Bergstrom percebeu que não tinha sistema e ficava reiniciando, impedindo retornos consistentes. Foi somente quando ele se mudou para a Flórida e se tornou assistente de negociação em uma empresa de negociação de alta frequência que descobriu a análise quantitativa e encontrou um novo caminho para a consistência na negociação.
  
  
• 00:10:00 Dave Bergstrom, um quant trader, fala sobre sua transição para uma função que exigia que ele analisasse dados. Bergstrom teve que aprender a programar sozinho e se concentrar na análise técnica objetiva porque a empresa para a qual trabalhava acreditava na busca de anomalias ou padrões nos dados que poderiam levar a negociações lucrativas. Ele explica que há um processo de teste e backtesting antes que uma borda ou padrão possa ser usado para negociação, e ele teve que realizar tentativa e erro ao longo de alguns anos para obter sucesso consistente. As opiniões de Bergstrom sobre análise técnica mudaram e ele acredita que a análise objetiva, que usa dados para determinar padrões, é melhor do que a análise subjetiva, que depende da intuição para identificar padrões.
  
  
• 00:15:00 Dave Bergstrom explica como aprendeu a programar e por que vê isso como um superpoder. Ele aprendeu a programar porque queria passar de uma função de assistente de instrutor para uma função de mesa comercial, pois percebeu que o Excel não poderia lidar com a quantidade de dados envolvidos na negociação de alta frequência. Bergstrom considera a programação a melhor negociação que alguém pode fazer porque os ganhos são assimétricos enquanto o risco é mínimo. Ele aconselha qualquer pessoa que esteja pensando em aprender a programar a examinar diferentes recursos, ser diligente e encontrar pessoas que possam responder a perguntas para ajudar a acelerar o processo.
  
  
• 00:20:00 Dave Bergstrom discute a importância de buscar múltiplos recursos ao aprender como negociar e programar. Ele recomenda o uso do Stack Exchange para programação e sugere o aprendizado de várias linguagens, como Python, C++ e Java. Quando perguntado sobre sua abordagem comercial, Bergstrom admite ser um minerador de dados e acredita que há muitas vantagens no mercado esperando para serem descobertas por meio da análise de dados. Embora alguns possam ver a mineração de dados como overfitting, ele argumenta que é uma ferramenta útil, desde que sejam tomadas medidas para evitar o overfitting e a otimização excessiva.
  
  
• 00:25:00 Dave Bergstrom fala sobre como ele encontra vantagens na negociação por meio de mineração de dados e usando uma função de adequação que busca estratégias lucrativas com base em critérios específicos. Ele enfatiza a importância de evitar o ajuste de curva usando técnicas como número mínimo de negociações e validação cruzada. Ele também explica que uma vantagem é algo que tem uma expectativa positiva, que pode ser identificada por meio da análise de dados. Em última análise, ele busca estratégias lucrativas mesmo que não sejam baseadas em uma hipótese pré-existente, mas se fizer sentido lógico, ele deposita mais confiança nelas.
  
  
• 00:30:00 Dave Bergstrom discute a importância de ter um grande número de negociações ao testar uma estratégia. Ele também menciona os riscos do ajuste de curva e como evitá-lo não otimizando os parâmetros com períodos de retrospectiva. Em vez disso, ele prefere usar métricas não paramétricas, como medidas de contagem. Ele também enfatiza a importância dos regimes de mercado, bem como o volume e a volatilidade ao compreender o comportamento do mercado. Além disso, ele explica um gráfico poderoso que postou no Twitter que mostra a importância de ter expectativas realistas e usar a análise de Monte Carlo para evitar a subalocação de fundos em um sistema de negociação.
  
  
• 00:35:00 Aprendemos sobre expectativas realistas na negociação. Mesmo que um backtest possa mostrar uma estratégia lucrativa, é importante entender que esses resultados podem não ser os mesmos na vida real. Ferramentas como simulações de Monte Carlo e testes de variância podem ajudar os traders a criar uma distribuição de resultados possíveis e determinar expectativas realistas para negociações futuras. O palestrante convidado também apresenta suas três leis de negociação, a primeira das quais é que ele prefere o risco assimétrico à recompensa, o que significa que ele prefere ter uma porcentagem de vitórias menor, mas um retorno maior do que o oposto.
  
  
• 00:40:00 O trader da Quant Dave Bergstrom enfatiza a importância do gerenciamento de risco adequado na negociação, especificamente no que diz respeito ao dimensionamento das apostas. Ele explica que não é do interesse de um trader ter uma negociação com tamanho significativamente maior do que as outras no mesmo padrão ou sistema. Bergstrom adverte contra apostar demais em negociações “excitantes”, pois não está permitindo que a matemática funcione em um grande número de negociações, o que é necessário para que a lei dos grandes números entre em jogo. Bergstrom sugere que é melhor negociar de forma enfadonha e permanecer no jogo durante um grande número de negociações para garantir que a vantagem positiva ocorra. Embora as negociações intradiárias e de frequência mais alta se prestem melhor à lei dos grandes números, Bergstrom acredita que os prazos diários também podem funcionar se o teste de variância for satisfatório.
  
  
• 00:45:00 Dave Bergstrom discute a importância da robustez em todos os mercados para uma estratégia de negociação. Embora acredite que é uma boa abordagem criar uma estratégia que funcione em vários mercados, ele tende a evitar algo que não gere negócios suficientes. Quando questionado sobre como os custos de transação podem impactar uma estratégia de negociação e se vale a pena buscar mais lucro em cada negociação, Bergstrom acredita que um meio termo é alcançável, onde a estratégia não o mata com custos de transação, mas talvez não gere mil negociações também. Em uma nota diferente, Bergstrom afirma que as HFTs (negociação de alta frequência) são mal compreendidas e muitas vezes pintadas com uma má reputação devido às pessoas que procuram um bode expiatório. Ele acredita que o HFT é benéfico e não há nada de predatório nisso.
  
  
• 00:50:00 Dave Bergstrom discute o declínio potencial da negociação de alta frequência, uma vez que se torna cada vez mais difícil de executar devido à concorrência e exposição de estratégias. Há um debate sobre se é devido a muitos jogadores no mercado ou à política monetária estabelecida pelo Fed e outros bancos centrais que não suportam um mercado bilateral, que é o que o comércio de alta frequência exige. Bergstrom está trabalhando em um pacote de software chamado Build Alpha, que permite aos usuários selecionar em uma lista de sinais e pesquisar diferentes estratégias com base em seus critérios de saída e função de aptidão. Em seguida, encontra as melhores estratégias e gera código negociável para cada uma, permitindo a criação de portfólios e análise dos mesmos. O site do Build Alpha é buildalpha.com, que os usuários podem acessar Dave em [e-mail] ou no Twitter @Deeper_DB.
  

[MetaQuotes]

Qual linguagem de programação para negociação quant e HFT

Qual linguagem de programação para negociação quant e HFT

Este vídeo fornece uma visão geral abrangente das linguagens de programação comumente usadas em negociação quantitativa e negociação de alta frequência (HFT). O palestrante categoriza essas linguagens em pesquisa de prototipagem e linguagens de script interpretativas, bem como linguagens compiladas herdadas, como Java, C#, C e C++. Os prós e os contras de linguagens populares para modelar ideias de negociação, incluindo Python, R, MATLAB e Microsoft Visual Studio, são discutidos em detalhes. Além disso, o vídeo destaca considerações importantes ao selecionar uma linguagem de programação, como colocalização, prototipagem econômica e suporte de corretor. Ele enfatiza a importância de usar ferramentas de produtividade e levar em consideração todo o sistema de negociação, incluindo gerenciamento de risco e gerenciamento de portfólio.

O palestrante começa categorizando as linguagens de programação em diferentes grupos com base em sua adequação para pesquisa de prototipagem e script interpretativo. No contexto da negociação quantitativa, ele aborda especificamente Python e MATLAB como escolhas populares para modelar ideias de negociação. No entanto, ele aponta o desafio das versões fragmentadas do Python (2.7 e 3.x) e destaca os problemas com a compatibilidade e o desempenho do R. O Python, por um lado, oferece inúmeras opções, que podem ser esmagadoras para os desenvolvedores e requerem treinamento adicional. Por outro lado, R tem certas limitações em termos de compatibilidade e desempenho.

Seguindo em frente, o palestrante se aprofunda em várias linguagens de programação comumente usadas em negociação quantitativa e HFT. O Python é discutido, enfatizando seus pontos fortes em termos de pacotes de dados, mas também suas desvantagens, como execução mais lenta e recursos limitados de gerenciamento de pedidos. O palestrante também cita o MATLAB 2015 e o Microsoft Visual Studio 2015, que permitem a integração do Python. Linguagens compiladas legadas como Java, C#, C e C++ são destacadas, com Java sendo recomendado como um ponto de partida adequado para iniciantes em programação. C# é elogiado por sua facilidade de compreensão e técnicas avançadas, enquanto o desempenho ideal com C# é limitado a ambientes Windows.

O vídeo explora ainda mais as linguagens de programação adequadas para negociações quantitativas e de alta frequência, incluindo Java, C/C++ e MATLAB. Java e C# são conhecidos por sua fácil integração com bancos de dados, mas podem surgir limitações devido ao impacto da coleta de lixo no desempenho. C e C++ são elogiadas como linguagens que oferecem velocidade ideal e controle de memória, mas podem ser mais complexas de aprender. O MATLAB é reconhecido como uma plataforma poderosa e versátil com várias caixas de ferramentas para aquisição de dados, análise, execução de negociação e gerenciamento de risco. Seu suporte avançado para matemática e aprendizado de máquina, juntamente com a capacidade de gerar código em C/C++ por meio do MATLAB Coder, são destacados. O palestrante também menciona a opção de incorporar MATLAB em um servidor web de alto desempenho usando MATLAB Production.

Considerações para selecionar uma linguagem de programação em negociação quantitativa e HFT são discutidas minuciosamente. O palestrante destaca a vantagem do co-location em trocas comerciais, particularmente no comércio HFT, e menciona a MathWorks como um provedor que facilita o co-location. A acessibilidade do Lab Home Edition, a partir de $ 150, é mencionada como um ambiente de prototipagem econômico. Além disso, a escolha do corretor é enfatizada como um fator crítico que influencia a seleção da linguagem de programação. A Interactive Brokers é destacada como uma corretora que suporta linguagens legadas como Java, C++ e C#. O palestrante aconselha os recém-chegados a utilizar ferramentas de produtividade e enfatiza a necessidade de considerar os aspectos mais amplos do sistema de negociação, incluindo gerenciamento de risco, avaliação e gerenciamento de portfólio.

No geral, o vídeo fornece informações valiosas sobre as diferentes linguagens de programação usadas na negociação quantitativa e HFT, seus pontos fortes e limitações e os principais fatores a serem considerados ao selecionar uma linguagem para fins comerciais. Ele ressalta a importância de entender todo o sistema de negociação e utilizar ferramentas apropriadas para operações de negociação eficientes e eficazes.

• 00:00:00 O palestrante discute as diferentes opções de linguagem de programação para negociação quantitativa e de alta frequência. Ele categoriza as linguagens em pesquisa de prototipagem e linguagens de script interpretativas, juntamente com linguagens compiladas herdadas. O palestrante cobre Python e MATLAB, que normalmente são usados para modelar ideias de negociação e, em particular, ele aponta o problema de fragmentação nas duas versões principais do Python (2.7 e 3.x). O palestrante também fornece alguns insights sobre os prós e contras de R e Python, e ele sugere que R tem alguns problemas de compatibilidade e desempenho. Enquanto isso, o Python tem muitas opções, o que pode ser confuso para os desenvolvedores, e requer um pouco mais de treinamento.
  
  
• 00:05:00 O palestrante discute várias linguagens de programação usadas para negociação quant e HFT, começando com Python, que é conhecido por seus pacotes de dados, mas também é lento e tem capacidade limitada de gerenciamento de pedidos. Ele também menciona o MATLAB 2015 e o Microsoft Visual Studio 2015, que permitem o uso do Python, e depois passa para linguagens legadas como Java, C#, C e C++, todas linguagens compiladas. Ele destaca o Java como um bom ponto de partida para iniciantes em programação, embora seja limitado em termos de execução adequada e nativa, e recomenda o C# por sua facilidade de entendimento e técnicas avançadas. No entanto, o desempenho ideal com C# só é possível no Windows.
  
  
• 00:10:00 O vídeo discute várias linguagens de programação que são úteis para negociações quantitativas e de alta frequência, incluindo Java, C/C++ e MATLAB. Java e C# podem se integrar facilmente a outros bancos de dados, mas o desempenho pode ser limitado com coletas de lixo. C e C++ são as linguagens de desempenho ideal para controle de velocidade e memória, mas podem ser complicadas de aprender. O MATLAB é uma plataforma poderosa e universal com muitas caixas de ferramentas para aquisição e análise de dados, execução comercial e gerenciamento de água. Ele também possui suporte avançado para matemática e aprendizado de máquina e a capacidade de gerar código para C/C++ com estrita conformidade por meio do codificador MATLAB. Ele também pode ser incorporado a um servidor da Web de alto desempenho com o MATLAB Production.
  
  
• 00:15:00 O palestrante discute considerações para a escolha de uma linguagem de programação para negociação quant e HFT. Ele menciona como o MathWorks permite co-localização em uma bolsa comercial, o que é vantajoso para negociação HFT. Ele continua falando sobre o Lab Home Edition como um ambiente de prototipagem econômico a partir de US$ 150. Além disso, ele enfatiza que a escolha do corretor afetará muito a linguagem a ser usada, com os Interactive Brokers suportando linguagens legadas como Java, C++ e C#. O palestrante aconselha os iniciantes a usarem ferramentas de produtividade e ficarem atentos à parte menor de todo o sistema, que inclui gestão de riscos, avaliação e gestão de portfólio.

[MetaQuotes]

"Arbitragem estatística básica: entendendo a matemática por trás da negociação de pares" por Max Margenot

"Arbitragem estatística básica: entendendo a matemática por trás da negociação de pares" por Max Margenot

No vídeo intitulado "Basic Statistical Arbitrage: Understanding the Math Behind Pairs Trading" apresentado por Max Margenot, o conceito de arbitragem estatística é completamente explicado. Margenot descreve como a arbitragem estatística envolve a criação de negócios com base em desequilíbrios identificados por meio de análises estatísticas e um modelo de como o mercado deve se comportar. O vídeo se concentra na negociação de pares, que se baseia em conceitos estatísticos fundamentais, como estacionariedade, ordens de integração e cointegração.

Margenot começa apresentando o Quantopian, a plataforma de sua empresa que oferece estatísticas gratuitas e palestras sobre finanças para auxiliar indivíduos no desenvolvimento de algoritmos de negociação. Em seguida, ele investiga o significado de estacionaridade, ordens de integração e cointegração na negociação de pares. A estacionaridade refere-se a todas as amostras em uma série temporal sendo extraídas da mesma distribuição de probabilidade com os mesmos parâmetros, geralmente considerados como normalmente distribuídos em aplicações financeiras. O teste Dickey-Fuller aumentado é introduzido como um meio de testar a estacionaridade.

O palestrante enfatiza a incerteza associada aos dados do mundo real, destacando o potencial de falsos positivos em testes de hipóteses, principalmente ao lidar com relações sutis ou sorrateiras entre variáveis. Ele demonstra isso gerando uma relação patológica em uma série temporal que pode passar despercebida por um teste de hipótese. Margenot ressalta a importância da interpretação cautelosa dos resultados e lembra ao público que mesmo a inspeção visual de um gráfico pode não revelar as propriedades estatísticas subjacentes.

As limitações da modelagem de séries temporais e a possibilidade de falsos positivos são discutidas. Embora uma série temporal possa exibir comportamento de reversão à média, ela nem sempre indica estacionariedade. A estacionariedade representa um cenário em que uma série temporal é revertida à média e segue uma distribuição estacionária, determinística e aleatória. É introduzido o conceito de ordens de integração, onde integração de ordem zero não implica estacionariedade, mas estacionariedade implica integração de ordem zero. As somas cumulativas também são explicadas, ilustrando como múltiplas integrações de ordem zero resultam em ordens de integração mais altas.

A hipótese de retornos estacionários em finanças e a dificuldade de encontrar séries temporais estacionárias são abordadas. Os retornos são considerados normalmente distribuídos, indicando estacionariedade. A ordem integrada e a notação de diferença são usadas para testar a estacionaridade. O palestrante observa que, teoricamente, as séries de preços devem ser integradas de ordem um devido a sua relação com os retornos, que são integrados de ordem zero. Um exemplo é fornecido usando dados de preços de uma empresa.

Margenot passa a explicar o conceito de cointegração, que envolve a integração de séries temporais em formas definidas específicas para produzir uma combinação linear estacionária. Embora encontrar duas séries temporais integradas estacionárias possa ser um desafio, a cointegração pode ser valiosa ao explorar séries de preços que tenham uma base econômica razoável. O palestrante enfatiza que as apostas podem ser feitas com base no valor atual do spread estacionário, mesmo sem um modelo de tempo específico para reversão à média.

O processo de criação de dados simulados é demonstrado para ilustrar o cálculo e estimativa de spread usando regressão linear. Margenot enfatiza que os dados financeiros raramente são tão simples quanto subtrair uma variável de outra, necessitando de uma regressão linear para estimar a relação entre as variáveis. O objetivo é determinar o valor beta, que indica a composição da carteira em termos de retornos de mercado. Esta informação permite posições longas e curtas na negociação de pares. Um exemplo envolvendo um par de títulos de energia alternativa é fornecido para ilustrar o conceito.

A construção de uma regressão linear entre dois títulos potenciais para arbitragem estatística básica é explicada. Margenot recomenda encontrar dois títulos dentro do mesmo setor que exibam um relacionamento como ponto de partida para identificar possíveis relacionamentos cointegrativos, o que pode indicar oportunidades de arbitragem. Embora a estacionaridade entre dois títulos seja benéfica, o palestrante enfatiza a necessidade de negociar o maior número possível de apostas independentes diferentes, em vez de depender apenas de um par.

O cálculo de pares e negócios dentro da arbitragem estatística é baseado nos retornos logarítmicos dos pares examinados. A regressão linear entre os retornos logarítmicos, conhecida como método de Engle-Granger, é empregada para determinar se a regressão é estacionária. Uma vez estabelecido um modelo razoável do mundo, um trader pode ganhar uma vantagem por ter mais informações do que outros e fazer apostas relativamente informadas. Para negociar e atualizar ativamente o spread contínuo, é necessária uma noção contínua da média e do desvio padrão. Diferentes métodos, como médias móveis e filtros comuns, podem ser utilizados para iterar e aprimorar a estratégia de negociação.

O palestrante enfatiza que a arbitragem estatística pode ser uma estratégia unitária simples ou complexa. Envolve a identificação de estacionaridade, cointegração e relacionamentos entre pares de ações para negociar. Quanto mais informações alguém tiver em comparação com os outros, melhor poderá capitalizar esses relacionamentos. Construir um portfólio diversificado requer apostas independentes que não dependem umas das outras. A frequência do rebalanceamento depende dos pares individuais e da duração da estacionariedade observada nos dados.

O vídeo passa a discutir a simulação de negociação algorítmica com dados em tempo real. As suposições subjacentes às regressões lineares, como a heterocedasticidade, são mencionadas como fatores que podem afetar sua viabilidade. A cointegração é favorecida em relação à correlação ao modelar relacionamentos entre pares de ações, pois representa uma condição mais forte indicando estacionariedade. Os tamanhos das apostas podem ser determinados sistematicamente usando a média e o desvio padrão do spread hipotético, ao contrário das correlações, que podem não se prestar a abordagens sistemáticas.

Em resumo, o vídeo fornece uma explicação abrangente sobre arbitragem estatística e negociação de pares. Abrange conceitos essenciais, como estacionariedade, ordens de integração e cointegração. A importância da interpretação cuidadosa dos resultados estatísticos e a necessidade de apostas independentes são enfatizadas. O palestrante destaca o papel da regressão linear na estimativa de relacionamentos entre pares de ações e a importância da reversão à média na identificação de oportunidades de arbitragem. O vídeo conclui discutindo a simulação de negociação algorítmica e as considerações para a construção de um portfólio diversificado em arbitragem estatística.

• 00:00:00 Max Margenot apresenta o conceito de arbitragem estatística e como ela pode ser usada para explorar ineficiências de mercado usando análise estatística. Ele explica que a arbitragem estatística envolve usar um modelo de como o mundo deveria ser e fazer negócios com base no desequilíbrio criado pela análise estatística. Ele então explica a plataforma de sua empresa, Quantopian, e como eles oferecem estatísticas gratuitas e palestras financeiras para ajudar as pessoas a escrever algoritmos de negociação. Margenot passa a discutir o uso de estacionaridade, ordens de integração e cointegração ao construir negociações de Paris, que são baseadas em conceitos estatísticos fundamentais.
  
  
• 00:05:00 O palestrante discute o conceito de estacionariedade em dados de séries temporais e a importância dela em modelos estatísticos, como modelos autorregressivos e de média móvel. O palestrante observa que a estacionariedade significa que todas as amostras nos dados da série temporal são extraídas da mesma distribuição de probabilidade com os mesmos parâmetros e que isso é normalmente considerado distribuído normalmente em aplicativos financeiros. O palestrante apresenta o teste Dickey-Fuller aumentado como um teste de hipótese para estacionariedade e demonstra seu uso em dados de séries temporais estacionárias e não estacionárias.
  
  
• 00:10:00 O palestrante discute a incerteza inerente ao trabalhar com dados do mundo real, pois nunca se tem certeza do processo de geração de dados que os faz se comportar de uma maneira específica. Isso leva ao potencial de falsos positivos em testes de hipóteses, especialmente com relacionamentos sutis ou dissimulados entre variáveis. O locutor demonstra isso gerando uma relação patológica com uma série temporal que tem uma pequena tendência periódica na média, que possivelmente poderia passar despercebida pelo teste de hipótese. O palestrante enfatiza a importância do cuidado ao interpretar os resultados dos testes de hipóteses e aponta que mesmo olhando para o gráfico pode não revelar as propriedades estatísticas subjacentes.
  
  
• 00:15:00 O palestrante discute as limitações da modelagem de séries temporais e a possibilidade de falsos positivos. Ele explica que, embora uma série temporal possa ser revertida à média (reverte à média), nem sempre implica em estacionariedade. Em vez disso, a estacionariedade representa uma instância de uma série temporal sendo revertida à média e seguindo uma distribuição estacionária, determinística e aleatória. O palestrante então introduz a noção de ordens de integração, onde integração de ordem zero não implica estacionaridade, mas ser estacionário implica integração de ordem zero. A discussão termina com o conceito de somas cumulativas, onde a adição de uma série integrada de ordem zero várias vezes produz uma série integrada de ordem um e assim por diante.
  
  
• 00:20:00 Discute-se o conceito de ordem integrada e a hipótese de retornos estacionários em finanças. O palestrante explica que é difícil encontrar séries temporais estacionárias e que os retornos são normalmente distribuídos, o que significa que são estacionários. Para testar a estacionaridade, o locutor demonstra o uso de ordem integrada e notação de diferença. Adicionalmente, o palestrante afirma que teoricamente as séries de preços devem ser integradas de ordem um devido a sua relação com os retornos, que são integrados de ordem zero. Um exemplo é dado usando dados de preços de uma empresa.
  
  
• 00:25:00 Margenot explica o conceito de cointegração, que envolve a integração de séries temporais em certas formas definidas, resultando na combinação linear dessas séries que se tornam estacionárias. Embora seja difícil encontrar duas séries temporais integradas estacionárias juntas, a cointegração pode ser útil nos casos em que existe uma base econômica razoável para explorar um determinado conjunto de séries de preços. O spread estacionário é usado para apostar se algo reverterá ou não para a média e, embora não haja um modelo de tempo específico de como essas reversões podem acontecer, as apostas ainda podem ser feitas com base no valor atual do spread.
  
  
• 00:30:00 Max Margenot explica o processo de criação de dados simulados para ilustrar o cálculo de um spread e como estimá-lo usando uma regressão linear. Ele enfatiza que dados financeiros nunca são tão simples quanto ter uma instância de uma variável menos uma instância da outra, então a regressão linear é necessária para estimar a relação entre as duas variáveis. O objetivo é encontrar o valor do beta, que nos dirá como a carteira é composta pelos retornos do mercado. Ao encontrar o valor do beta, podemos determinar o que é longo e o que é curto, permitindo-nos comprar um X 2 e um beta curto X 1 na negociação de pares. Margenot usa um exemplo específico de um par de títulos de energia alternativa para explicar o conceito.
  
  
• 00:35:00 O palestrante explica como construir uma regressão linear entre dois títulos potenciais para uma arbitragem estatística básica. O palestrante aconselha que encontrar dois títulos dentro do mesmo setor que tenham alguma relação entre si fornece uma boa base para verificar se há uma relação cointegrativa que possa indicar uma oportunidade potencial de arbitragem. O palestrante adverte que, embora a estacionaridade entre dois títulos seja grande, é apenas uma previsão e que construir um ativo baseado em um par é uma péssima ideia se você deseja negociar pares, enfatizando a necessidade de negociar o maior número possível de apostas independentes diferentes.
  
  
• 00:40:00 Max Margenot explica que o cálculo de pares e negócios dentro da arbitragem estatística é baseado nos retornos de log dos pares sendo examinados. A regressão linear entre os retornos logarítmicos, conhecida como método de Engle-Granger, é usada para determinar se a regressão linear é estacionária ou não. Depois de um modelo razoável de como o mundo é construído, uma aposta pode ser feita com base em um mínimo de informação mais do que em outra pessoa, dando uma vantagem para fazer uma aposta relativamente razoável. Para negociar ativamente e atualizar o spread contínuo, precisamos de uma noção contínua da média e do desvio padrão. Diferentes métodos podem ser usados, como médias móveis e filtros comuns, para iterar e melhorar a estratégia de negociação.
  
  
• 00:45:00 O palestrante explica como a arbitragem estatística é uma estratégia de unidade que pode ser mantida simples ou complexa. A estratégia envolve a identificação de estacionaridade, cointegração e relacionamentos entre pares de ações para negociar. Quanto mais informações alguém tiver do que outros, melhor eles poderão negociar nesses relacionamentos. Desde que essas relações sejam independentes umas das outras, o palestrante recomenda ter o maior número possível de apostas independentes para construir um portfólio diversificado. Além disso, o palestrante explica que a frequência do rebalanceamento depende do par individual e da duração da estacionariedade encontrada nos dados.
  
  
• 00:50:00 O palestrante explica como simular negociação algorítmica com dados em tempo real. Ele também fala sobre as suposições que fazem parte das regressões lineares, como a heterocedasticidade, que podem inviabilizá-la. O palestrante compartilha sua preferência por cointegração sobre correlação ao modelar relações entre pares de ações, já que a primeira é uma condição mais forte que representa estacionaridade. Ele observa que os tamanhos das apostas podem ser construídos sistematicamente com a média e o desvio padrão do spread hipotético, enquanto isso pode não ser feito tão sistematicamente com correlações.

[MetaQuotes]

Visão geral completa da programação prática em C++ para financeiro quantitativo e HFT

Visão geral completa da programação prática em C++ para financeiro quantitativo e HFT

O vídeo fornece uma visão geral abrangente do uso da programação C++ em finanças e negociação de alta frequência (HFT), oferecendo informações valiosas sobre vários aspectos desse campo. Ele começa discutindo o livro "Practical C++ Financial Programming", destacando sua importância no setor financeiro. O livro aborda tópicos essenciais, como ações de renda fixa e fornece exemplos práticos com seções de código bem estruturadas. Ele assume um nível de conforto com a programação C++ e fornece orientação sobre como aproveitar os modelos C++ de forma eficaz. O palestrante enfatiza a utilização adequada de bibliotecas STL e boost, bem como o uso de bibliotecas de código aberto, como new plot para plotagem e QT para design de interface.

Seguindo em frente, o vídeo explora o uso do QT, uma ferramenta poderosa para desenvolver interfaces de usuário em C++. Embora o QT permita a criação de interfaces gráficas sofisticadas, ele foge da metodologia C++ tradicional, e o vídeo esclarece esse aspecto. A apresentação então se aprofunda em conceitos matemáticos como álgebra linear, interpolação e integração numérica, dividindo-os em algoritmos básicos e equações para facilitar a compreensão. Algoritmos populares e técnicas de modelagem relevantes para finanças também são discutidos, com insights sobre sua implementação em C++. O vídeo enfatiza a importância das simulações de Monte Carlo para aplicações financeiras, dedicando um capítulo a este tópico crítico. Além disso, o uso de Lua e Python para estender bibliotecas financeiras é explorado, juntamente com uma visão geral das linguagens de programação mais populares para cargos de HFT.

À medida que o vídeo avança, ele destaca a integração de Python e Lua com C++ e mostra como Lua pode ser usada de forma eficaz com Redis, aproveitando sua capacidade de incorporação em um aplicativo C++. Várias técnicas C++ também são abordadas, incluindo multi-threading usando Plaza e a utilização de recursos C++ 11 e 14. O vídeo serve como um excelente recurso introdutório para indivíduos que se aventuram na programação C++, abordando alguns dos desafios de gerenciamento de memória associados à linguagem. Ele fornece um roteiro abrangente para aprender programação C++, abrangendo uma ampla gama de opções e técnicas disponíveis para os usuários.

No final, o palestrante compartilha uma crítica positiva de um livro publicado recentemente sobre programação C++ para aplicativos financeiros e de negociação de alta frequência. Este livro aborda especificamente os novos recursos introduzidos no C++ 17 que abordam problemas de hardware de baixo nível, tornando-o um recurso inestimável para os interessados neste campo especializado. Embora o palestrante reconheça não ter nenhuma afiliação com o livro, ele o recomenda enfaticamente como uma valiosa adição aos recursos existentes neste domínio.

• 00:00:00 O palestrante apresenta uma visão geral do livro "Practical C++ Financial Programming", com foco na importância do C++ na indústria financeira. O livro cobre ações de renda fixa e fornece exemplos com um formato útil que divide o código em seções. O livro pressupõe que o leitor esteja confortável com C++ e fornece orientação sobre como usar modelos C++ com eficiência, além de destacar as maneiras corretas de usar STL e aumentar as bibliotecas. O palestrante também aborda o uso de bibliotecas de código aberto, como novo plot para plotagem e QT para design de interface.
  
  
• 00:05:00 O vídeo aborda o uso do QT, ferramenta para desenvolvimento de interfaces de usuário em C++. Embora o QT seja útil para criar interfaces gráficas de usuário sofisticadas, ele rompe com a metodologia C++ tradicional. O vídeo passa para tópicos mais matemáticos, como álgebra linear, interpolação e integração numérica, todos divididos em algoritmos e equações básicas para fácil compreensão. O vídeo também aborda algoritmos e técnicas de modelagem populares e como eles podem ser implementados em C++. O livro inclui um capítulo sobre Monte Carlo, que é fundamental para aplicações financeiras. Por fim, o vídeo discute o uso de Lua e Python para estender bibliotecas financeiras e as linguagens mais populares para cargos de HFT.
  
  
• 00:10:00 O vídeo aborda a integração de Python e Lua com C++ e como Lua pode ser usada com Redis, principalmente devido à sua capacidade de ser incorporada a um aplicativo C++. O vídeo também explora várias técnicas C++, incluindo multi-threading usando Plaza e usando recursos C++ 11 e 14. O vídeo serve como uma excelente introdução para aqueles que desejam mudar para a programação C++ e também aborda alguns dos desafios de gerenciamento de memória associados ao C++. No geral, o vídeo oferece um ótimo roteiro para aprender a programação C++ e abrange uma variedade de opções e técnicas disponíveis para os usuários.
  
  
• 00:15:00 O palestrante faz uma avaliação positiva de um novo livro sobre programação C++ para aplicativos financeiros e de negociação de alta frequência. O livro aborda novos recursos do C++ 17 que abordam hardware de baixo nível, tornando-o um recurso valioso para os interessados neste campo. O palestrante recomenda fortemente o livro e enfatiza que não tem nenhuma afiliação com ele, mas o considera um ótimo complemento para o campo.

[MetaQuotes]

Noções básicas de negociação algorítmica: exemplos e tutorial

Noções básicas de negociação algorítmica: exemplos e tutorial

Este vídeo fornece uma visão geral abrangente da negociação algorítmica, abrangendo vários aspectos, como estilos de negociação, mercados e sistemas. O palestrante começa explicando os fundamentos da negociação algorítmica, enfatizando o uso da análise técnica com base na ação do preço, volume e indicadores matemáticos. É destacado que a negociação algorítmica envolve a execução de negociações e back-testing de algoritmos usando computadores, distinguindo-a da análise técnica tradicional.

Diferentes tipos de negociação quantitativa/algorítmica são introduzidos, incluindo negociação de alta frequência, arbitragem estatística e negociação de tendência/reversão à média/momentum. O palestrante se concentra especificamente em swing e day trading no mercado futuro. A arbitragem estatística envolve a capitalização das diferenças de preços ao comprar e vender simultaneamente um ativo, enquanto a negociação de tendência/reversão à média/momentum utiliza computadores para executar negociações direcionais com fins lucrativos. Para ilustrar esses conceitos, um exemplo de programa de negociação algorítmica é demonstrado usando o software TradeStation. O programa é projetado para comprar em um dia de baixa com uma vela vermelha e vender no próximo dia positivo, incorporando uma meta de dólar e stop. O palestrante mostra a integração deste programa algorítmico em um gráfico do S&P 500 E-minis para fins de back-testing.

O próximo segmento explora uma estratégia de negociação na TradeStation. O palestrante usa um gráfico para demonstrar casos em que a estratégia teria sido bem-sucedida ou malsucedida com base nas cores das velas. Eles diminuem o zoom para mostrar os relatórios de desempenho gerados pelo TradeStation, fornecendo métricas como lucro líquido, lucro total, taxa de ganhos, negociações médias e rebaixamento. A otimização da estratégia também é abordada ajustando paradas e alvos para avaliar o desempenho com diferentes entradas. O palestrante enfatiza o aspecto de economia de tempo da negociação algorítmica, pois pode fornecer informações valiosas que, de outra forma, levariam meses para serem descobertas.

As vantagens e desvantagens da negociação algorítmica são discutidas na seção subsequente. As vantagens incluem redução de erros humanos e emocionais, rápido back-testing de ideias de negociação, entrada de pedidos mais rápida e a capacidade de testar várias ideias e construir portfólios. No entanto, desvantagens como excesso de confiança, superotimização e incapacidade de considerar eventos geopolíticos ou técnicas de negociação fundamentais também são reconhecidas. Embora um algoritmo possa ser programado para evitar negociações em dias políticos ou econômicos significativos, ele geralmente opera em todas as condições de mercado.

O vídeo conclui resumindo seu conteúdo. Ele esclarece a distinção entre negociação quantitativa e negociação técnica fundamental ou regular, enfatizando o poder da negociação algorítmica por meio de um exemplo de algoritmo simples. As vantagens e desvantagens da negociação algorítmica são reiteradas para uma compreensão abrangente. O palestrante incentiva os espectadores a entrar em contato com qualquer dúvida e expressa a esperança de que o vídeo tenha sido informativo e útil.

• 00:00:00 Nesta seção, o instrutor fornece uma cartilha sobre negociação algorítmica, incluindo os diferentes estilos de negociação, mercados e sistemas. A negociação algorítmica se concentra principalmente na análise técnica, usando ação de preço, volume e indicadores matemáticos para informar as negociações. O instrutor explica que a análise técnica em si não é necessariamente algorítmica, pois a negociação algorítmica envolve o uso de um computador para executar negociações e algoritmos de back-testing. O instrutor também identifica diferentes tipos de negociação quant/algorítmica, incluindo negociação de alta frequência, arbitragem estatística e negociação de tendência/reversão à média/momentum, explicando que sua empresa se concentra em swing e day trading no mercado futuro.
  
  
• 00:05:00 Nesta seção, o palestrante discute dois tipos de negociação algorítmica: arbitragem estatística e negociação de tendência/reversão à média/momentum. A arbitragem estatística envolve a compra e venda de um ativo simultaneamente para lucrar com uma diferença de preço, enquanto a negociação de tendência/reversão à média/momentum envolve o uso de computadores para fazer negociações direcionais para gerar lucros. O palestrante fornece um exemplo básico de um programa de negociação algorítmica usando o software TradeStation. O código é baseado na compra de uma vela vermelha em um dia de baixa e na venda no próximo dia positivo com uma meta de dólar e uma parada. O programa é então adicionado a um gráfico do S&P 500 E-minis para fins de back-testing.
  
  
• 00:10:00 Nesta seção, o palestrante dá um exemplo de estratégia de negociação na TradeStation. Eles usam um gráfico para mostrar exemplos de quando a estratégia teria funcionado e quando não teria funcionado com base nas cores das velas. O palestrante então diminui o zoom para mostrar como o TradeStation preenche os relatórios de desempenho, fornecendo o lucro líquido e o lucro total da estratégia, bem como a taxa de ganhos, negociações médias e rebaixamento. Eles também mostram como otimizar a estratégia alterando as paradas e metas para ver como a estratégia teria funcionado com diferentes entradas. O palestrante enfatiza que o objetivo de usar algoritmos para negociação é fornecer informações que levariam meses para descobrir sem eles.
  
  
• 00:15:00 Nesta seção, são discutidas as vantagens e desvantagens da negociação algorítmica. As vantagens incluem a chance reduzida de erro humano e erro emocional, a capacidade de testar ideias de negociação rapidamente, entrada de pedidos mais rápida e a capacidade de testar várias ideias e criar portfólios. As desvantagens incluem uma sensação de excesso de confiança e superotimização, bem como negociação algorítmica que não leva em consideração eventos geopolíticos ou técnicas de negociação fundamentais. Embora um algoritmo possa ser programado para não negociar em dias políticos ou econômicos importantes, ele geralmente funciona em todas as condições de mercado.
  
  
• 00:20:00 Nesta seção, o palestrante conclui resumindo o conteúdo do vídeo. Eles primeiro analisam a diferença entre negociação quantitativa e negociação técnica fundamental ou regular e, em seguida, dão um exemplo de um algoritmo simples para mostrar o poder da negociação algorítmica. As vantagens e desvantagens da negociação algorítmica também são abordadas. O palestrante incentiva os espectadores a entrar em contato se tiverem alguma dúvida e espera que o vídeo tenha sido útil.