Negociação quantitativa - página 27

 

Crie seus próprios algoritmos com ADL® da Trading Technologies



Crie seus próprios algoritmos com ADL® da Trading Technologies

Andrew Reynolds, gerente de produto para ferramentas de negociação automatizadas da Trading Technologies, apresenta o ADL (Algo Design Lab) como uma solução inovadora para simplificar o processo de desenvolvimento de algoritmos de negociação. Antes da ADL, os traders interessados em criar seus próprios algoritmos tinham que aprender a codificar, o que consumia muito tempo e tinha um longo ciclo de desenvolvimento. No entanto, o ADL revoluciona o processo ao fornecer uma ferramenta gráfica intuitiva que permite aos traders projetar e implantar algoritmos sem escrever uma única linha de código. Isso reduz significativamente a barreira de entrada em termos de habilidade técnica e permite que os comerciantes capitalizem rapidamente as oportunidades de mercado. O ADL garante desempenho ideal convertendo os algoritmos projetados em código bem testado que é executado em servidores de alto desempenho co-localizados.

Reynolds passa a explicar os principais recursos e funcionalidades do ADL. A tela ADL serve como espaço de trabalho, consistindo em uma ampla variedade de blocos que representam diferentes conceitos e operações de negociação. Os comerciantes podem facilmente arrastar e soltar esses blocos para criar algoritmos, e cada bloco tem propriedades específicas e pode ser conectado a outros blocos para definir a lógica desejada. Blocos de grupo permitem encapsular lógica específica e salvá-los como blocos de biblioteca para reutilização futura. Para melhorar a organização, podem ser adicionados marcadores e um mecanismo de pesquisa está disponível para navegação rápida por blocos e seções. O ADL incorpora técnicas preditivas para detectar possíveis conexões de bloco, acelerando ainda mais o processo de desenvolvimento.

À medida que a apresentação continua, o instrutor demonstra a criação passo a passo de algoritmos usando ADL. A plataforma oferece feedback em tempo real e recursos fáceis de usar para auxiliar no desenvolvimento eficiente. O instrutor mostra a adição da lógica do lado da entrada a um algoritmo, seguida pela incorporação da lógica do lado da saída e, finalmente, a criação de um algoritmo com a lógica do lado da entrada e da saída. Vários blocos, como blocos de pedidos, extratores de informações de mensagem, blocos de campo e blocos de alerta, são utilizados para definir a funcionalidade desejada dos algoritmos. Ao longo da demonstração, o instrutor destaca as opções de legibilidade e personalização fornecidas pelos blocos de salto, permitindo que os traders adaptem seus algoritmos de acordo com suas preferências.

O instrutor então apresenta o Order Management Algo (OMA), que permite aplicar lógica algorítmica a pedidos existentes, fornecendo flexibilidade para manipular preço, quantidade, preço de parada e quantidade divulgada conforme necessário. Eles explicam como a estratégia de bid drifter pode ser implementada, aumentando gradualmente o preço em intervalos até que o pedido seja preenchido. O instrutor enfatiza que o ADL é projetado para evitar ações não intencionais e loops infinitos, garantindo a segurança do usuário e o comportamento esperado. Além disso, o ADL incorpora um recurso de bloqueio de risco P&L que permite aos traders definir limites de perda predefinidos, interrompendo automaticamente o algoritmo se as perdas excederem o valor especificado.

Os apresentadores discutem o lançamento e monitoramento de algoritmos usando ADL. O lançamento do Algol pode ser iniciado a partir de vários widgets no painel de front-end do Auto Trader, livro de pedidos ou MD Trader. A capacidade de lançamento de um clique diretamente da escada MD Trader é destacada, permitindo que os comerciantes escolham instrumentos e modifiquem parâmetros de algo sem esforço. ADL também oferece a capacidade de selecionar instalações de colocation com base no instrumento, e os comerciantes podem monitorar o progresso de seus algoritmos diretamente do front-end. Além disso, a plataforma suporta a especificação de contas diferentes para cada instrumento ao lançar algoritmos, aumentando a flexibilidade e as opções de gerenciamento de contas.

Os apresentadores enfatizam a disponibilidade de recursos para aprender mais sobre ADL no site da Trading Technologies, incluindo um fórum de suporte para discussão de tópicos relacionados a ADL. Eles informam o público sobre a próxima adição de um bloco analítico, permitindo a extração de dados históricos e a realização de estudos integrados no ADL. Os usuários terão a capacidade de criar estudos personalizados usando dados históricos diretamente no algoritmo. Os apresentadores destacam que a Trading Technologies é neutra em relação a corretoras, permitindo a conexão com qualquer corretora que suporte a plataforma. Os detalhes de preços também são mencionados e o tipo de algoritmo de saída do empilhador é identificado como um caso de uso comum.

Os palestrantes mergulham na versatilidade de escrever algoritmos usando ADL, enfatizando que cada trader pode trazer seu "molho secreto" exclusivo para negociação algorítmica. Eles recomendam o fórum da comunidade Trading Technologies como um excelente recurso para obter informações adicionais e insights sobre estratégias algorítmicas populares. As vantagens do lançamento com um único clique com autotraders são explicadas, permitindo que os traders modelem várias negociações simultaneamente. Eles também mencionam a disponibilidade do painel ADL em aplicativos móveis, permitindo que os traders pausem e reiniciem os algoritmos remotamente.

A apresentação prossegue com uma discussão sobre o acesso à plataforma ADL por meio de uma conta de demonstração gratuita no site TradeTT, proporcionando acesso imediato e uma oportunidade de explorar os recursos da plataforma. É destacado que a ADL está co-localizada com as principais exchanges, oferecendo um pool de servidores localizados em instalações em vários locais, incluindo um servidor gen-pop para os usuários experimentarem diferentes negociações. Os palestrantes também abordam serviços da web e APIs, mencionando o lançamento da API TT REST e a utilidade da plataforma ADL para negociação forex.

Em relação às opções de negociação de câmbio, os palestrantes esclarecem que, embora não haja planos imediatos para se conectar diretamente com as bolsas de câmbio, os recursos de câmbio estão disponíveis no CME e a NYSE oferece um contrato de câmbio à vista. Eles incentivam os membros do público a se envolverem nos fóruns, que rastreiam e abordam os aprimoramentos do produto. A conclusão inclui uma prévia do programa de volta e uma solicitação para que os participantes preencham um formulário de pesquisa antes de concluir a sessão do webinar.

  • 00:00:00 Andrew Reynolds, gerente de produto para ferramentas de negociação automatizadas em tecnologias de negociação, apresenta o ADL como uma ferramenta gráfica interativa para criar algos que simplifica o processo de desenvolvimento para os comerciantes. Antes da ADL, os traders que queriam desenvolver um algo tinham que aprender a escrever código, o que consumia muito tempo e tinha um longo ciclo de desenvolvimento. No entanto, a ADL fornece aos usuários uma ferramenta intuitiva para projetar e implantar algoritmos de negociação sem a necessidade de escrever uma única linha de código. Isso diminui a barreira de entrada em termos de habilidade técnica e permite que os traders aproveitem rapidamente as oportunidades no mercado. Além disso, o ADL se converte em código bem testado que é executado em servidores de alto desempenho co-localizados, garantindo o melhor desempenho possível.

  • 00:05:00 Aprendemos sobre a tela ADL, que consiste em uma variedade de blocos que representam diferentes conceitos ou operações de negociação que podem ser arrastados para criar algoritmos. Cada bloco possui propriedades específicas para sua função e pode ser conectado a outros blocos para representar a lógica desejada. Blocos de grupo podem encapsular lógica específica e ser salvos como blocos de biblioteca para reutilização em outros algoritmos. Para tornar as seções mais fáceis de encontrar, marcadores podem ser adicionados e um mecanismo de pesquisa está disponível para localizar rapidamente blocos ou seções específicas. Além disso, o EDL emprega técnicas preditivas para detectar possíveis conexões de bloco, tornando o desenvolvimento mais rápido.

  • 00:10:00 Desenvolvemos o algo, podemos identificar e resolver rapidamente qualquer erro. A plataforma ADL também possui análises preditivas que auxiliam no desenvolvimento do algo, como detectar automaticamente o tipo de bloco que está sendo trazido. Também foram discutidas as classificações de algos, ou seja, aqueles com lógica de entrada, lógica de saída e ambos entrada e sair da lógica lateral. Foi demonstrado um exemplo de criação de um algoritmo com lógica de entrada, usando um bloco de ordem e um bloco de campo para extrair o preço de compra de uma ordem limitada. A plataforma ADL fornece feedback em tempo real e recursos fáceis de usar para auxiliar no desenvolvimento eficiente de algos.

  • 00:15:00 O instrutor demonstra como adicionar lógica de saída a um algoritmo e criar um algoritmo com lógica de entrada e saída. Um bloco de pedido é adicionado com um pedido de limite de venda e um extrator de informações de mensagem é anexado à porta de saída de preenchimento do pedido inicial. Este extrator auxilia na extração de informações referentes às mensagens que passam por ele, como preenchimentos, e extrai o preço e a quantidade de preenchimento. Um bloco de campo também é adicionado para extrair o tamanho mínimo do tick, que é adicionado ao preço de preenchimento para definir a ordem de hedge como um tick maior que o preço de preenchimento. Este preço torna-se então o preço da ordem de limite de venda, completando o algo. Blocos de alerta também são adicionados para notificar o trader sobre o progresso do algo e ajudá-lo a distinguir entre vários algos.

  • 00:20:00 O palestrante demonstra como melhorar a legibilidade de um algoritmo usando blocos de salto no ADL® da Trading Technologies. Eles aprimoram um algoritmo básico de escalpelamento, adicionando mais variações personalizadas para atender às preferências de um trader, com uma entrada e um ponto de saída. Para o ponto de saída, eles retiram toda a lógica do lado de entrada, adicionam um bloco de pedido existente e o anexam ao contêiner de pedido único. Eles então conectam as mensagens de preenchimento do multiplexador D às mensagens de preenchimento da lógica anterior para criar um algoritmo que pode ser aplicado a qualquer ordem de trabalho, que quando preenchida, colocará automaticamente uma ordem de limite de venda um tick acima do preço de preenchimento em um quantidade.

  • 00:25:00 O instrutor explica o Order Management Algo (OMA), que aplica a lógica do algoritmo a um pedido existente e pode manipular o preço, a quantidade, o preço de parada e a quantidade divulgada conforme necessário. Isso pode ser útil para um bid drifter, onde a lógica é adicionada às portas para aumentar o preço em intervalos até que o pedido seja preenchido. O instrutor também observa que os usuários podem inverter a lógica, se necessário, e explica como o ADL proíbe certas ações, como anexar o instrumento ou o preço à quantidade, bem como a verificação lógica para evitar um loop infinito. ADL é uma linguagem específica de contexto que entende as intenções do usuário e evita comportamentos inesperados.

  • 00:30:00 O palestrante discute como o ADL permite que os desenvolvedores se protejam contra perdas de P&L por meio de seu recurso de bloqueio de risco de P&L, que interrompe automaticamente um algoritmo se as perdas excederem um valor predeterminado. Esse recurso é definido pelo usuário e pode ser definido para cada instância de um algoritmo iniciado. Os algos podem ser iniciados a partir de vários widgets no painel de front-end do Auto Trader, livro de pedidos ou MD Trader. O palestrante destaca o lançamento de algos com um clique diretamente da escada do MD Trader, que permite escolher o instrumento e fazer alterações nos parâmetros do algo. O ADL também permite que os usuários selecionem instalações de colocation com base no instrumento e na capacidade de monitorar o progresso de algos desde o front-end. Também é possível definir contas diferentes com base no algoritmo.

  • 00:35:00 Os apresentadores discutem como os usuários podem especificar contas diferentes para cada instrumento ao iniciar seu algoritmo usando ADL. Eles também mencionam os recursos disponíveis no site da Trading Technologies para aprender mais sobre ADL, bem como um fórum de suporte para discutir tudo sobre ADL. A apresentação segue para uma sessão de perguntas e respostas, na qual Andrew responde às perguntas do público. Uma questão levantada é sobre a especificação de contas para cada instrumento, que os apresentadores já haviam abordado anteriormente.

  • 00:40:00 O palestrante discute a próxima adição de um bloco analítico que permitirá aos usuários extrair dados históricos e realizar estudos integrados no ADL. Eles também podem extrair dados históricos para criar estudos personalizados diretamente no algoritmo. Você pode usar um bloco de balde de valor para armazenar coisas que deseja pesquisar mais tarde e obter quantos valores desejar. O palestrante também diz que eles são neutros em corretoras, o que significa que a plataforma pode ser conectada a qualquer corretora que a suporte. Por fim, o palestrante oferece informações sobre preços e menciona que as saídas do empilhador são um tipo de algoritmo comum.

  • 00:45:00 O palestrante discute as várias maneiras pelas quais os algos podem ser escritos usando ADL, enfatizando que cada um tem sua versão de um "molho secreto". O fórum da comunidade Trading Technologies é um ótimo recurso para obter informações adicionais sobre tipos de bugs populares, como o "empilhador". Existem muitas maneiras diferentes de criar um tipo de pedido simples e o fórum é um ótimo lugar para aprender. O palestrante também explica as vantagens de usar o lançamento de clique único com autotraders e como isso facilita a modelagem de mais de uma negociação por vez. Além disso, eles mencionam que o painel ADL está disponível em seus aplicativos de telefone e permite que os traders pausem e reiniciem algo enquanto estão longe de suas mesas.

  • 00:50:00 O palestrante discute como a plataforma ADL pode ser acessada por meio de uma conta de demonstração gratuita no site TradeTT, permitindo que os usuários comecem a usar e fazer demonstrações da plataforma imediatamente. O palestrante também menciona que a plataforma ADL está co-localizada com as principais bolsas e oferece um pool de servidores localizados em instalações em cada local e um servidor gen-pop para usuários que desejam experimentar diferentes negociações. Além disso, o palestrante fala sobre o novo Bloco Analítico que a ADL lançará no primeiro semestre do próximo ano, que fornecerá dados históricos e a possibilidade de realizar estudos sobre esses dados. Por fim, o palestrante aborda serviços da web e APIs, bem como o lançamento da API TT REST em 1º de dezembro e como a plataforma ADL pode ser usada para negociação forex.

  • 00:55:00 O palestrante discute a disponibilidade de opções de negociação de câmbio na plataforma Trading Technologies, observando que atualmente não há planos imediatos para se conectar diretamente com bolsas de câmbio, embora os recursos de câmbio estejam disponíveis no CME e um contrato de câmbio local esteja sendo oferecidos pela NYSE. O palestrante também incentiva os membros da audiência a fazer perguntas nos fóruns, onde os aprimoramentos do produto são rastreados e respondidos. O público é direcionado para visitar tryTTnow.com para uma demonstração gratuita da plataforma Trading Technologies. A conclusão inclui uma prévia do programa de volta e a solicitação de que os participantes preencham um formulário de pesquisa antes de sair da sessão do webinar.
 

Finanças Quantitativas | Introdução ao aprendizado de máquina | Quantiacs | Por Eric Hamer



Finanças Quantitativas | Introdução ao aprendizado de máquina | Quantiacs | Por Eric Hamer

Eric Hamer, CTO da Quantiacs, apresenta a parceria entre a Quantiacs e a Quantinsti, com o objetivo de democratizar a indústria de hedge funds. Essa colaboração fornece sessões de treinamento que equipam os alunos com habilidades práticas usando ferramentas e dados de código aberto da Quantiacs. A Quantiacs funciona como um fundo de hedge de crowdsourcing, conectando analistas quantitativos que desenvolvem algoritmos com capital, enquanto a Quantinsti oferece cursos de negociação algorítmica. Hamer destaca que os quants participantes podem competir nas competições Quantiacs, onde têm a oportunidade de ganhar capital de investimento e uma parte dos lucros.

Hamer investiga como a Quantiacs conecta os algoritmos dos codificadores aos mercados de capitais, beneficiando tanto a quant quanto a Quantiacs se as estratégias forem bem-sucedidas. A Quantiacs se esforça para promover o comércio quantitativo oferecendo kits de ferramentas de desktop para download para MATLAB e Python, amostras de estratégias de negociação e dados futuros gratuitos de fim de dia desde 1990. Eles também incorporaram indicadores macroeconômicos para ajudar os clientes a melhorar seus algoritmos. Além disso, a Quantiacs fornece uma plataforma online onde os usuários podem enviar e avaliar seus algoritmos sem nenhum custo. Atualmente focada em futuros, a Quantiacs visa potencialmente fornecer dados comparáveis para mercados de ações no futuro.

O palestrante explica as duas principais funções das estratégias de negociação na plataforma Quantiacs: a função de custo e o sistema de negociação. A função de custo contabiliza custos de transação e comissões utilizando 5% da diferença entre os preços máximo e mínimo de um determinado dia. Por outro lado, o sistema de negociação permite que os usuários solicitem informações de preços e forneçam um vetor ou matriz de pesos que determina a alocação da carteira. A Quantiacs desencoraja o uso de variáveis globais e oferece um parâmetro de configuração para manter as informações de estado necessárias. Hamer fornece um exemplo de uma estratégia de negociação simples que rendeu um retorno anual de 2,5%. O resultado da estratégia inclui uma curva de ações, desempenho de posições longas e curtas e desempenho futuro individual. A Quantiacs avalia estratégias com base em desempenho positivo, baixa volatilidade e índice de Sharpe, que mede retornos ajustados ao risco.

O conceito de aprendizado de máquina e suas aplicações em finanças quantitativas são introduzidos por Hamer. Ele destaca que uma parcela significativa dos negócios nas bolsas americanas, cerca de 85% a 90%, é gerada por computador. Técnicas de aprendizado de máquina, como regressão, classificação e agrupamento, estão se tornando cada vez mais prevalentes no campo. Hamer discute algumas armadilhas associadas ao aprendizado de máquina, enfatizando a importância de maximizar retornos ajustados ao risco sem negociação excessiva. Embora as redes neurais possam produzir excelentes resultados, seus tempos de execução podem ser longos e a arquitetura tradicional da CPU pode não ser ideal. No entanto, GPUs de alto desempenho estão disponíveis, reduzindo significativamente o tempo de execução. Embora existam bibliotecas de código aberto como Python e MATLAB, configurar e treinar um algoritmo de aprendizado de máquina pode ser um processo complexo que exige esforço e dedicação.

Hamer investiga o processo de aprendizado de máquina, começando com a especificação da declaração do problema e identificando o tipo de problema de aprendizado de máquina. Ele explica o requisito de dados numéricos no aprendizado de máquina e discute a divisão de dados em conjuntos de treinamento e teste para treinamento e avaliação de modelo, respectivamente. Hamer fornece um exemplo demonstrando como a API Quantiacs Python pode ser utilizada para fazer previsões sobre o mini contrato futuro S&P 500, exibindo os resultados usando a API de rede neural Keras.

As limitações do modelo de aprendizado de máquina criado para prever os preços futuros das ações são discutidas por Hamer. Embora inicialmente o modelo possa parecer prever preços com precisão, uma inspeção mais detalhada revela que ele está apenas usando os dados de hoje como um proxy para os dados de amanhã. Ao aplicar o mesmo algoritmo aos retornos de dados brutos, as previsões do modelo seguem uma forma semelhante, mas não a mesma magnitude dos valores verdadeiros. Hamer demonstra o baixo desempenho do modelo quando aplicado a dados de negociação e explora possíveis caminhos para melhorias. Ele também fornece uma breve visão geral do código-fonte usado em sua função de sistema de negociação.

Hamer passa a demonstrar a criação de um modelo Keras sequencial para prever os retornos futuros do S&P 500. O modelo começa com uma estrutura básica e incorpora camadas específicas. Hamer treina o modelo usando dados de treinamento, que compreendem dados de preços reais, enquanto os valores y representam os dados de retorno a serem previstos. Depois de treinado, Hamer pode extrair o modelo das configurações e usá-lo para prever retornos com base nos dados mais recentes. Embora seu minimodelo S&P 500 simples não tenha um bom desempenho, Hamer explica que técnicas e otimizações adequadas, como descida de gradiente e aumento, podem resolver o problema.

Técnicas para aumentar a validade de um algoritmo de aprendizado de máquina em finanças quantitativas são discutidas por Hamer. Ele sugere o uso da técnica de agregação bootstrap, que envolve a execução do algoritmo em vários subconjuntos de dados para obter insights. Manter as estratégias simples, utilizar várias previsões para chegar a um consenso e ser cauteloso com o overfitting, a limpeza de dados e o tratamento de dados ausentes e variáveis aleatórias também são recomendados. Hamer acredita que o aprendizado de máquina e a inteligência artificial continuarão sendo ferramentas cruciais para a previsão dos mercados financeiros.

O palestrante apresenta os cursos EpAT e ConTA, ambos oferecendo sessões dedicadas ao aprendizado de máquina. O EpAT atende a profissionais que buscam crescimento no campo de algo ou trading quantitativo, enquanto o ConTA oferece um curso individualizado sobre a implementação de técnicas de regressão usando aprendizado de máquina com Python. Hamer responde a perguntas sobre a escolha entre R e Python para aprendizado de máquina e oferece conselhos sobre como evitar o overfitting ao testar conjuntos de dados alternativos. Ele sugere treinar o modelo em dados de treinamento e teste e examinar a diferença de erro entre os dois conjuntos para evitar o overfitting.

Hamer destaca os perigos do overfitting no aprendizado de máquina para negociação de algo e sugere o emprego da técnica de agregação bootstrap ou bagging para dividir um conjunto de dados em subconjuntos menores para testes de precisão. Devido ao ruído e flutuações nos dados financeiros, qualquer coisa acima de 50% de precisão pode ser considerada boa.

Finalmente, Hamer enfatiza a importância de entender a tecnologia para automatizar as estratégias de negociação. Ele enfatiza a necessidade de programas de educação que forneçam treinamento nas diversas habilidades necessárias para ter sucesso como trader algorítmico.

  • 00:00:00 Eric Hamer, o CTO da Quantiacs, apresenta a parceria entre a Quantiacs e a Quantinsti, que visa democratizar a indústria de fundos de hedge, fornecendo sessões de treinamento que permitem aos alunos adquirir habilidades práticas usando ferramentas e dados de código aberto da Quantiacs. A Quantiacs é um fundo de hedge de crowdsourcing que conecta quants que desenvolvem algoritmos com capital, enquanto a Quantinsti oferece cursos de negociação algorítmica. Hamer também destaca como a Quants pode participar das competições da Quantiacs para ganhar capital de investimento e uma parte dos lucros.

  • 00:05:00 Eric Hamer, da Quantiacs, discute como eles conectam os algoritmos dos codificadores aos mercados de capitais, com os quant e os Quantiacs se beneficiando se as estratégias forem bem-sucedidas. A Quantiacs visa promover o comércio quantitativo, oferecendo kits de ferramentas de desktop para download para MATLAB e Python, amostras de estratégias de negociação e dados futuros gratuitos de fim de dia desde 1990. Além disso, a Quantiacs adicionou indicadores macroeconômicos para ajudar os clientes a melhorar suas algoritmos e uma plataforma online onde os usuários podem enviar e avaliar seus algoritmos gratuitamente. Embora atualmente trabalhe apenas com futuros, a Quantiacs pode fornecer dados comparáveis para mercados de ações no futuro.

  • 00:10:00 O palestrante explica as duas principais funções das estratégias de negociação na plataforma Quantiacs, que são a função de custo e o sistema de negociação. A função de custo contabiliza os custos de transação e comissões usando 5% da diferença entre os preços altos e baixos de um determinado dia. Por outro lado, o sistema de negociação permite que o usuário solicite informações de preço e retorne um vetor ou matriz de pesos que determina a alocação da carteira. A plataforma desencoraja o uso de variáveis globais e fornece um parâmetro de configuração para manter qualquer informação de estado necessária. O palestrante então mostra o resultado de uma estratégia de negociação simples, que forneceu um retorno de 2,5% ao ano e inclui uma curva de patrimônio, desempenho de posições compradas e vendidas e desempenho futuro individual. Por fim, a plataforma avalia estratégias
    com base no desempenho positivo, baixa volatilidade e índice de Sharpe, que mede retornos ajustados ao risco.

  • 00:15:00 Eric Hamer apresenta o conceito de aprendizado de máquina e suas aplicações em finanças quantitativas. Ele menciona que 85% a 90% das negociações nas bolsas de valores americanas são geradas por computador e que técnicas de aprendizado de máquina como regressão, classificação e agrupamento estão se tornando cada vez mais comuns. Hamer explica algumas das armadilhas do aprendizado de máquina e destaca a importância de maximizar o retorno ajustado ao risco sem rotatividade excessiva. Embora o uso de redes neurais possa levar a resultados extremamente bons, os tempos de execução podem ser longos e a arquitetura tradicional da CPU não é ideal. No entanto, existem GPUs de alto desempenho disponíveis que podem reduzir significativamente o tempo de execução. Apesar das bibliotecas de código aberto disponíveis, como Python e MATLAB, configurar e treinar um algoritmo de aprendizado de máquina pode ser um processo complicado que requer esforço e trabalho.

  • 00:20:00 Eric Hamer discute o processo de aprendizado de máquina, começando com a especificação da declaração do problema e identificando o tipo de problema de aprendizado de máquina. Hamer explica que tudo deve ser numérico no aprendizado de máquina e que o conjunto de dados normalmente é dividido em dados de treinamento e teste para treinar e avaliar o modelo, respectivamente. Hamer também usa um exemplo para explicar como a API Quantiacs Python pode ser usada para fazer previsões sobre o mini contrato futuro S&P 500 e exibir os resultados usando a API de rede neural Keras.

  • 00:25:00 Eric Hamer discute as limitações do modelo de aprendizado de máquina que ele criou para prever os preços futuros das ações. Embora o modelo pareça prever os preços com precisão à primeira vista, uma inspeção mais detalhada revela que, na verdade, ele está apenas usando os dados de hoje como um proxy para os dados de amanhã. Quando o mesmo algoritmo é aplicado aos retornos de dados brutos, as previsões do modelo seguem a mesma forma, mas não a mesma magnitude dos valores verdadeiros. Hamer então demonstra o baixo desempenho do modelo quando aplicado a dados de negociação e discute possíveis caminhos para melhorias. Ele também fornece uma breve visão geral do código-fonte usado em sua função de sistema de negociação.

  • 00:30:00 Eric Hamer demonstra como criar um modelo Keras sequencial para prever os retornos futuros do S&P 500. O modelo começa com um modelo básico e adiciona camadas específicas. Eric então treina seu modelo com os dados de treinamento, que são os dados de preços reais, e os valores y são os dados de retorno que ele espera prever. Depois que o modelo é treinado, Eric pode retirar seu modelo das configurações e usá-lo para prever quais serão os retornos com base nos dados mais recentes. O minimodelo S&P 500 simples de Eric não funciona bem, mas ele explica como o problema pode ser resolvido com técnica e otimização adequadas, como descida de gradiente e aumento.

  • 00:35:00 Eric Hamer discute algumas técnicas que podem ser usadas para aumentar a validade de um algoritmo de aprendizado de máquina aplicado a finanças quantitativas, como a técnica de agregação bootstrap, que envolve a execução do algoritmo em várias versões fragmentadas diferentes dos dados para ver o que pode ser aprendido com isso. Ele aconselha manter as estratégias simples e usar várias previsões para chegar a um consenso, além de ter cuidado com o overfitting, a limpeza dos dados e a contabilização de dados ausentes e variáveis aleatórias. No geral, ele acredita que o aprendizado de máquina e a inteligência artificial continuarão a ser ferramentas-chave na previsão dos mercados financeiros.

  • 00:40:00 O palestrante apresenta os cursos EpAT e ConTA, ambos com sessões dedicadas ao aprendizado de máquina. O EpAT foi desenvolvido para profissionais que buscam crescer no campo de algo ou trading quantitativo, e o ConTA oferece um curso individualizado sobre a implementação de técnicas de regressão usando aprendizado de máquina com Python. O palestrante também responde a perguntas sobre como escolher entre R e Python para aprendizado de máquina e como evitar o overfitting ao testar conjuntos de dados alternativos. O palestrante recomenda treinar o modelo em dados de treinamento e teste e observar a diferença no erro entre os dois para evitar o overfitting.

  • 00:45:00 Eric Hamer discute as armadilhas do overfitting no aprendizado de máquina para negociação de algoritmos e sugere o uso da técnica de agregação bootstrap ou bagging para dividir um conjunto de dados em subconjuntos menores para testar a precisão. Ele também observa que qualquer precisão acima de 50% pode ser considerada boa em dados financeiros devido ao seu ruído e flutuação.

  • 00:50:00 Eric Hamer enfatiza a importância de entender a tecnologia para automatizar as estratégias de negociação. Ele menciona a necessidade de programas de educação que possam treinar as pessoas nas várias habilidades necessárias para ser um trader algorítmico bem-sucedido.
 

Podemos usar modelos de mistura para prever os fundos do mercado? por Brian Christopher - 25 de abril de 2017



Podemos usar modelos de mistura para prever os fundos do mercado? por Brian Christopher - 25 de abril de 2017

Brian Christopher, um pesquisador quantitativo e desenvolvedor Python, oferece uma apresentação abrangente sobre as limitações da análise tradicional de séries temporais e apresenta modelos de mistura, especificamente modelos ocultos de Markov (HMMs), como uma alternativa promissora para prever retornos e identificar regimes de mercado. Ele enfatiza a necessidade de modelos que possam lidar com dados não estacionários e distribuições não lineares aproximadas, essenciais na previsão financeira.

Christopher explora como modelos de mistura, particularmente HMMs, podem ser usados para estimar o regime mais provável de um ativo, junto com as médias e variações associadas para cada regime. Ele explica o processo computacional, que envolve a alternância entre a computação de parâmetros de classe e a avaliação de dados de verossimilhança. O modelo de mistura gaussiana (GMM), um modelo de mistura bem conhecido, assume que cada regime segue uma distribuição gaussiana. Christopher demonstra como o algoritmo de maximização de expectativa é empregado para calcular probabilidades e parâmetros de regime até a convergência. Para ilustrar isso, ele mostra um exemplo de classificação dos regimes de baixa volatilidade, neutro e alta volatilidade de um ETF espião.

Em seguida, Christopher investiga como os GMMs podem lidar com conjuntos de dados não estacionários e não lineares, superando as limitações da análise tradicional de séries temporais. Ele apresenta uma estratégia de brinquedo que utiliza quatro fatores, incluindo retornos de ativos e o spread do tesouro dos EUA de dez anos a três meses, para estimar retornos e parâmetros de sequência. Os GMMs são usados para ajustar e prever, extraindo a estimativa do rótulo do último regime para determinar a média e a variância do regime específico. Em vez de assumir uma distribuição normal, a distribuição Johnson su é utilizada como parte da estratégia para explicar a natureza não linear dos dados.

O palestrante discute uma estratégia para prever fundos de mercado com base na suposição de que os retornos fora dos intervalos de confiança são discrepantes. Ao construir intervalos de confiança de 99% por meio de mil amostras, os retornos abaixo do intervalo de confiança inferior são considerados outliers. Christopher analisa os retornos após o evento outlier, assumindo uma posição long-only ou de compra no ETF por um número especificado de dias. O modelo se adapta à volatilidade variável e, embora a precisão geral seja de cerca de 73%, a curva de patrimônio não funciona tão bem quanto uma estratégia de comprar e manter. Christopher incentiva o público a explorar os dados por conta própria, pois os conjuntos de dados usados na apresentação estão disponíveis no GitHub.

Christopher compartilha sua análise do uso de modelos de mistura para prever fundos de mercado para vários ETFs. Ele examina a distribuição dos retornos médios para cada ETF em diferentes períodos de retrospectiva e retenção. SPY, Triple Q e TLT consistentemente superam em diferentes dimensões, enquanto GLD, EFA e EEM exibem distribuições mais simétricas. Ele também avalia a razão da soma, que mede os retornos totais de eventos maiores que 0 divididos por retornos menores que 0, considerando valores maiores que 1 como sucesso. SPY, Triple Q e TLT mostram forte desempenho em várias dimensões e períodos de retrospectiva. No entanto, Christopher adverte que períodos de retenção mais longos podem ser mais influenciados pela tendência geral do mercado.

O apresentador discute o desempenho de diferentes ativos no mercado usando modelos de mistura para prever os fundos do mercado. O estudo revela que recursos como SPY, Triple Q, TLT e GLD têm bom desempenho, dependendo de variáveis como o número de etapas ou o período de retrospectiva. No entanto, o desempenho de certos ativos se deteriora com períodos de detenção mais longos. O estudo avalia retornos médios em diferentes componentes e identifica resultados promissores para ativos como EEM e Aoife. A importância da distribuição amostral adequada é enfatizada, e o uso da distribuição su de Johnson mostra-se eficaz. No geral, a estratégia que utiliza modelos de mistura para prever os fundos do mercado se mostra atraente.

Christopher explica que, embora o GMM tenha consistentemente mostrado sucesso com ativos como SPY, Triple Q e TLT, existem estratégias alternativas com desempenho igual ou melhor. Ele discute brevemente o código para a classe model runner e a função de conveniência run model, que implementa os componentes GMM. Ele enfatiza que o modelo foi implementado de maneira walk-forward para evitar o viés de antecipação. Além disso, Christopher fornece os dados que usou no formato HDF5 no GitHub.

O palestrante explica como organizar e analisar os dados produzidos para avaliar a eficácia da estratégia do modelo de mistura. Várias técnicas de divisão e agrupamento podem ser empregadas para avaliar métricas e meios. A distribuição su de Johnson é usada para se adaptar à mudança de volatilidade na série de retorno e é comparada com a distribuição normal. Christopher sugere que a precisão da distribuição normal é ruim e que pode ser mais benéfico simplesmente manter o mercado. No entanto, ele incentiva as pessoas a explorar os dados no GitHub e se oferece para responder a quaisquer perguntas ou participar de um webinar.

Durante a sessão de perguntas e respostas, Christopher responde a perguntas do público sobre seu webinar sobre o uso de modelos de mistura para prever fundos de mercado. Ele esclarece que determinou os parâmetros de forma para a distribuição de Johnson por meio de uma pesquisa grosseira de parâmetros e não pesquisou extensivamente os resultados. Ele também discute como selecionou fatores úteis para seu modelo, destacando a inclusão de juros baseados nos EUA ou métricas de renda fixa para aumentar o sucesso do modelo na previsão de retornos de ativos baseados nos EUA.

Christopher aborda questões adicionais do público sobre a aplicação do GMM a retornos em vez de preço, a questão de escala ao usar o preço, o problema de variação de viés com vários fatores e a semelhança entre look-back e back-testing. Ele sugere mais exploração e pesquisa sobre combinações de fatores que são mais preditivos em uma gama mais ampla de ativos. Ele também enfatiza a importância de definir um limite natural para o número de componentes do GMM para evitar o overfitting. Christopher convida o público a entrar em contato com ele para mais perguntas e detalhes.

  • 00:00:00 Brian Christopher, um pesquisador quantitativo e desenvolvedor Python, discute as limitações da análise tradicional de séries temporais ao prever retornos ou cronometrar o mercado devido à exigência estrita de dados estacionários e à necessidade de um modelo que possa aproximar distribuições não lineares. Em seguida, ele explora o uso de modelos de mistura, especificamente modelos ocultos de Markov (HMMs), que são construídos sobre vários conceitos estabelecidos, como modelos de Markov, e podem ser usados para aproximar distribuições não lineares e não requerem dados estacionários.

  • 00:05:00 Brian Christopher discutiu como o uso de modelos de mistura pode ajudar a prever fundos de mercado e estimar o regime mais provável de um ativo, incluindo as médias e variações associadas para cada regime. O modelo gira entre calcular os parâmetros de classe e avaliar os dados de probabilidade dados cada parâmetro, incluindo a média e a variância de cada regime e a probabilidade de transição entre eles. O modelo mais conhecido é o modelo de mistura gaussiana, que assume que cada regime é gerado por um processo gaussiano e usa o algoritmo de maximização de expectativa para calcular as probabilidades e os parâmetros do regime até que a convergência ou outro critério de parada seja atendido. Brian mostrou um exemplo de uso do modelo para classificar os regimes de baixa volatilidade, neutro e alta volatilidade de um ETF espião.

  • 00:10:00 Brian Christopher explica como modelos de mistura gaussiana (GMMs) podem lidar com conjuntos de dados não estacionários e conjuntos de dados não lineares aproximados, superando alguns dos pontos fracos dos modelos tradicionais de análise de séries temporais. Christopher projeta uma estratégia de brinquedo que usa quatro fatores para estimar a sequência de retornos e parâmetros, incluindo retornos de ativos, o spread do tesouro dos EUA de dez anos a três meses e muito mais. A abordagem usa GMMs para ajustar e prever, extraindo a estimativa do último rótulo do regime para obter a estimativa do modelo da média e variância para esse regime específico, que é alimentado para a distribuição Johnson su, em vez da distribuição normal, como parte de A estratégia.

  • 00:15:00 O palestrante discute uma estratégia que assume que quaisquer retornos reais fora dos intervalos de confiança são discrepantes e prevê fundos de mercado com base nessa suposição. Eles extraem mil amostras para construir intervalos de confiança de 99% e assumem que os retornos abaixo do intervalo de confiança inferior são discrepantes. Eles então analisam os retornos após o evento atípico, assumindo uma compra longa ou apenas do ETF por vários dias. O modelo se adapta às mudanças de volatilidade e a precisão geral do modelo é de cerca de 73%, mas a curva de patrimônio deixa um pouco a desejar, especialmente em comparação com uma estratégia de compra e manutenção. O palestrante incentiva as pessoas a brincarem com os próprios dados, pois disponibilizou os conjuntos de dados no GitHub, podendo avaliar cada ETF individual ou coletivamente.

  • 00:20:00 Brian Christopher discute sua análise de ETFs usando modelos de mistura para prever fundos de mercado. Ele examinou a distribuição dos retornos médios para cada ETF em vários períodos de retrospectiva e retenção. SPY, Triple Q e TLT tiveram desempenho superior em todas as dimensões, enquanto GLD, EFA e EEM tiveram uma distribuição mais simétrica. Ele também analisou a razão da soma, que soma os retornos totais de cada evento maior que 0 dividido pela soma dos retornos menores que 0, e descobriu que valores maiores que 1 eram considerados bem-sucedidos. SPY, Triple Q e TLT tiveram desempenho superior em várias dimensões e períodos de retrospectiva. No entanto, Christopher adverte que períodos de retenção mais longos podem ser mais afetados pela tendência geral do mercado.

  • 00:25:00 O palestrante discute o desempenho de diferentes ativos no mercado usando modelos de mistura para prever fundos de mercado. O estudo descobriu que recursos como SPY, Triple Q, TLT e GLD têm bom desempenho, dependendo das variáveis, como o número de etapas ou o período de retrospectiva. O desempenho de certos ativos degrada com períodos de retenção mais longos. O estudo avaliou os retornos médios em diferentes componentes e encontrou resultados promissores para ativos como EEM e Aoife. O estudo também destaca a importância da distribuição amostral adequada, e o uso da distribuição Johnson su se mostra eficaz. No geral, a estratégia que usa modelos de mistura para prever os fundos do mercado é considerada atraente.

  • 00:30:00 O apresentador explica que o Gaussian Mixture Model (GMM) é uma estrutura para previsões de distribuição de ativos ou retornos que tem mostrado sucesso consistente com SPY, Triple Q e TLT. No entanto, algumas estratégias tiveram um desempenho tão bom ou melhor, e as expectativas precisam ser ajustadas de acordo. Em seguida, o apresentador repassa brevemente o código para a classe de executor de modelo e a função de conveniência chamada modelo de execução, que implementa o GMM em componentes. O apresentador enfatiza que o modelo foi implementado de modo avançado para garantir que não houvesse viés de antecipação envolvido. Além disso, o apresentador disponibilizou os dados que utilizou no Github no formato HDF5.

  • 00:35:00 O palestrante discute como organizar e analisar os dados de saída para determinar a eficácia da estratégia do modelo de mistura. Os dados podem ser divididos e agrupados de várias maneiras para avaliar as métricas e os meios. A distribuição su de Johnson é usada para se adaptar à mudança de volatilidade na série de retorno e é comparada com a distribuição normal. O palestrante sugere que a precisão da distribuição normal é ruim e pode ser melhor apenas manter o mercado. No entanto, o palestrante incentiva a exploração dos dados no github e está disposto a responder a quaisquer perguntas ou participar de um webinar.

  • 00:40:00 Brian Christopher responde a algumas perguntas do público sobre seu webinar sobre o uso de modelos de mistura para prever fundos de mercado. Ele explica que determinou os parâmetros de forma para a distribuição de Johnson por meio de uma pesquisa grosseira de parâmetros e não pesquisou extensivamente os resultados. Christopher também discute como ele determinou se os fatores que selecionou foram úteis em seu modelo, explicando que ele tentou muitos fatores diferentes e, finalmente, descobriu que o uso de juros baseados nos EUA ou métricas de renda fixa ajudou a tornar seu modelo mais bem-sucedido na previsão de ativos baseados nos EUA. retorna.

  • 00:45:00 Brian Christopher responde a algumas perguntas do público sobre por que ele aplicou o GMM aos retornos em vez do preço, a questão da escala ao usar o preço, o possível problema de viés-variância nos fatores K e a semelhança do uso de retrospectiva para back-teste. Ele também sugere mais exploração e pesquisa sobre combinações de fatores que são mais preditivos em uma ampla gama de ativos e estabelece um limite natural para o número de componentes GMM para evitar o overfitting. Brian Christopher convida o público a entrar em contato com ele para mais perguntas e detalhes.
 

Volatilidade implícita da teoria à prática por Arnav Sheth - 7 de março de 2017



Volatilidade implícita da teoria à prática por Arnav Sheth - 7 de março de 2017

Arnav Sheth, um professor estimado com amplo conhecimento de volatilidade, sobe ao palco como orador de um webinar intitulado "Volatilidade implícita da teoria à prática". O anfitrião apresenta Sheth, destacando sua experiência na área, incluindo a publicação de seu livro e a fundação de uma consultoria e plataforma analítica. O webinar visa fornecer aos participantes uma compreensão abrangente da volatilidade implícita, diferentes tipos de volatilidade, estratégias de negociação que exploram a volatilidade implícita e recursos on-line disponíveis e índices da Chicago Board Options Exchange (CBOE) para exploração adicional.

Sheth começa oferecendo uma visão geral concisa das opções, cobrindo várias volatilidades, como volatilidade histórica e implícita. Ele mergulha em uma estratégia de negociação em detalhes e discute alguns índices CBOE, fornecendo informações práticas sobre sua aplicação. Para fornecer um contexto histórico, Sheth compartilha as origens das opções, remontando ao primeiro contrato de opções registrado por volta de 500 aC. Ele conta a história de Thales, um matemático e filósofo, que garantiu os direitos exclusivos de todas as prensas de azeitona durante uma colheita abundante. Este conto ilustra a manifestação inicial da negociação de opções.

Passando para a definição moderna de opções, Sheth esclarece o conceito de opções de compra, descrevendo-as como contratos que permitem a especulação ou cobertura do futuro de um ativo subjacente. Ele enfatiza que as opções de compra fornecem ao beneficiário o direito, mas não a obrigação, de rescindir o contrato. Sheth passa a explicar os fundamentos da negociação de opções de compra e venda, destacando que uma opção de compra concede ao comprador o direito de comprar um ativo subjacente a um preço especificado, enquanto uma opção de venda dá ao comprador o direito de vender o ativo subjacente a um preço predeterminado. preço. Ele ressalta que a negociação de opções é um jogo de soma zero, o que significa que para cada vencedor há um perdedor, resultando em lucros e perdas totais iguais a zero. Sheth adverte sobre os riscos de vender uma opção de compra sem possuir o estoque subjacente, mas observa que, se alguém possuir o estoque, vender uma opção de compra pode ajudar a mitigar o risco.

Sheth se aprofunda nos contratos de opções, abrangendo opções de compra, compra e venda, compra e venda. Ele explica seus possíveis resultados de lucros e perdas, alertando contra o envolvimento em negociações de "opções nuas" para iniciantes. Além disso, ele enfatiza a importância de contabilizar o valor do dinheiro no tempo ao calcular lucro versus retorno. Sheth faz distinção entre opções europeias e americanas, esclarecendo que as opções europeias só podem ser exercidas no vencimento, enquanto as opções americanas podem ser exercidas a qualquer momento. Ele conclui esta seção apresentando o modelo de precificação Black-Scholes-Merton, que ele compara a uma "compra de ações alavancada".

O foco então muda para o modelo Black-Scholes-Merton (BSM) e suas suposições subjacentes. Sheth destaca uma dessas premissas, afirmando que a volatilidade dos retornos é conhecida e permanece constante ao longo da vida útil da opção. Ele passa a discutir a volatilidade histórica, que representa o desvio padrão dos retornos históricos dos ativos. Sheth explica sua importância na previsão da rentabilidade potencial de uma opção, destacando que uma maior volatilidade aumenta o preço da opção devido a uma maior probabilidade de o ativo acabar "dentro do dinheiro".

Em seguida, Sheth explora a volatilidade implícita e seu papel na volatilidade de engenharia reversa do modelo Black-Scholes usando opções de mercado. A volatilidade implícita é interpretada como a volatilidade esperada do mercado e é calculada com base nos preços das opções de mercado. Sheth apresenta o VIX, que utiliza opções S&P 500 com vencimento em dinheiro de 30 dias para estimar a volatilidade implícita. O VIX mede a volatilidade que o mercado antecipa durante o período de vencimento da opção. Ele observa que os traders costumam usar a volatilidade implícita, derivada dos preços das opções, para precificar as opções, e não o contrário. Sheth enfatiza que, se diferentes strikes estiverem associados ao mesmo ativo subjacente, sua volatilidade implícita deve permanecer constante.

Sheth passa a explicar o conceito de desvio de volatilidade na precificação de opções. Ele demonstra como a volatilidade implícita se desvia da volatilidade histórica à medida que o preço de exercício diverge, resultando na distorção da volatilidade. Sheth destaca que o viés surgiu após 1987 e representa uma oportunidade para os traders, pois se reflete nos preços das opções. Ele introduz o termo "prêmio de risco de volatilidade", que representa a diferença entre volatilidade implícita e realizada. Este prêmio pode ser explorado em estratégias de negociação. Sheth esclarece que, embora o modelo Black-Scholes seja usado principalmente para precificar opções, ele é mais comumente utilizado para obter a volatilidade implícita.

O cálculo da volatilidade implícita no mercado de opções torna-se o próximo tópico de discussão. Sheth explica como os traders utilizam valores de mercado de opções específicas em ativos subjacentes e inserem esses valores no modelo Black-Scholes para reverter a volatilidade da engenharia. A volatilidade implícita é então interpretada como a volatilidade esperada pelos mercados de opções para um período especificado, geralmente 30 dias. Sheth apresenta o conceito de prêmio de risco de volatilidade, mostrando como os mercados de opções tendem a superestimar a volatilidade real. Ele conclui esta seção apresentando uma distribuição de frequência do prêmio de volatilidade.

O palestrante se aprofunda nas estratégias de negociação baseadas na volatilidade implícita, com foco no conceito de venda de straddles. Sheth destaca que a volatilidade implícita é normalmente maior do que a volatilidade realizada, resultando em opções superfaturadas. Como resultado, a estratégia envolve a venda de straddles e a venda de volatilidade. Para avaliar os riscos associados a essas estratégias, Sheth apresenta as medidas gregas, que fornecem uma estrutura para avaliar o risco. Ele oferece um cenário de exemplo envolvendo a compra de um straddle no dinheiro e discute os resultados de lucros e perdas com base no preço da ação subjacente. Sheth conclui alertando que, se o preço das ações flutuar significativamente, o preço das opções pode não ser mais sensível à volatilidade.

O vídeo passa a discutir o uso de opções como proteção contra mudanças nos preços das ações. Sheth explica que comprando simultaneamente uma opção de compra e venda, ou vendendo ambas, mais próximo do valor do preço da ação, a neutralidade delta pode ser alcançada, mas vega não pode ser totalmente coberto. Sheth então apresenta os índices CBOE como uma maneira conveniente de capitalizar o prêmio de volatilidade, mencionando especificamente o índice BXM (BuyWrite Monthly), que envolve uma estratégia de chamada coberta, e a opção borboleta de ferro BFLY. Ele explica que lançar opções de compra cobertas sobre as ações próprias pode reduzir o risco associado a manter apenas as ações subjacentes, mas também acarreta a possibilidade de perder as ações se for resgatado. Por fim, Sheth explica a estratégia da borboleta de ferro, que consiste em comprar e vender quatro opções com três strikes contra o S&P 500.

No final do webinar, Sheth apresenta uma estratégia envolvendo a compra de uma opção de venda fora do dinheiro e uma opção de compra fora do dinheiro. Essa estratégia resulta em uma posição curta de volatilidade semelhante a um straddle reverso, mas com retorno ligeiramente exagerado para aumentar o potencial de lucro.

  • 00:00:00 O palestrante Arnav Sheth é apresentado como um professor que conduzirá um webinar sobre Volatilidade implícita da teoria à prática. Ele cobre os diferentes tipos de volatilidade, como usar a volatilidade implícita, estratégias de negociação para explorar as características da volatilidade implícita, bem como recursos on-line disponíveis e índices da Chicago Board Options Exchange para ajudar os participantes a começar. A sessão está sendo gravada e as perguntas podem ser feitas por meio da janela de perguntas e respostas. O palestrante é apresentado como um professor com amplo conhecimento em volatilidade, que publicou um livro e fundou uma plataforma de consultoria e análise.

  • 00:05:00 O palestrante começa apresentando uma breve visão geral dos fundamentos das opções, incluindo os diferentes tipos de volatilidade, como volatilidade histórica e implícita. Eles então apresentam uma estratégia de negociação em detalhes e alguns dos índices CBOE. O palestrante também fala sobre a história das opções, começando com o primeiro contrato de opções registrado que data de cerca de 500 aC, do matemático e filósofo Thales, que reservou todas as prensas de azeitona durante uma colheita abundante. O palestrante passa a definir o que é uma opção de compra nos tempos modernos, explicando que é um contrato que permite especular ou fazer hedge sobre o futuro de um ativo subjacente, especificamente dando ao destinatário o direito, mas não a obrigação, de sair.

  • 00:10:00 O palestrante explica os fundamentos da negociação de opções de compra e venda. Uma opção de compra dá ao comprador o direito, mas não a obrigação, de comprar um ativo subjacente, como uma ação a um preço especificado, enquanto uma opção de venda dá ao comprador o direito, mas não a obrigação, de vender o ativo subjacente a um preço especificado preço. O palestrante observa que a negociação de opções é um jogo de soma zero, o que significa que para cada vencedor há um perdedor e que o total de lucros e perdas sempre é igual a zero. Além disso, vender uma opção de compra sem possuir a ação subjacente é muito perigoso, mas se você possui a ação subjacente, vender uma opção de compra pode reduzir seu risco.

  • 00:15:00 Arnav Sheth discute os diferentes tipos de contratos de opções, incluindo chamadas longas, curtas, longas e curtas, e seus possíveis resultados de lucros e perdas. Ele adverte contra começar com "opções nuas" e enfatiza a importância de contabilizar o valor do dinheiro no tempo ao calcular lucro versus retorno. Sheth também esclarece a diferença entre as opções européias e americanas, afirmando que as opções européias só podem ser exercidas no vencimento, enquanto as opções americanas podem ser exercidas a qualquer momento. Finalmente, ele cobre o modelo de precificação Black-Scholes-Merton para opções, que ele descreve como uma "compra de ações alavancada".

  • 00:20:00 O palestrante apresenta o modelo Black-Scholes-Merton (BSM) e suas premissas, sendo uma delas que a volatilidade dos retornos é conhecida e constante ao longo da vida da opção. Em seguida, ele se concentra na volatilidade histórica, que é o desvio padrão dos retornos históricos dos ativos, e sua importância na previsão da lucratividade potencial de uma opção. Maior volatilidade indica um preço de opção maior porque há uma probabilidade maior de que o ativo acabe no dinheiro, resultando em um grande retorno potencial.

  • 00:25:00 O palestrante discute a volatilidade implícita e como ela é usada para reverter a volatilidade do modelo Black-Scholes usando opções de mercado. A volatilidade implícita é interpretada como a volatilidade esperada do mercado e é calculada por meio da entrada do preço da opção de mercado. O VIX, calculado a partir de opções S&P 500 com vencimento em 30 dias, é a melhor estimativa de volatilidade implícita e mede a volatilidade que o mercado espera durante o período de vencimento de uma opção. Os comerciantes costumam usar a volatilidade implícita calculada por meio dos preços das opções para precificar as opções, e não o contrário. A volatilidade implícita deve ser constante em todos os diferentes strikes se estiverem falando sobre o mesmo ativo subjacente.

  • 00:30:00 Arnav Sheth explica a diferença de volatilidade no preço das opções. Ele mostra que a volatilidade implícita se desvia da volatilidade histórica à medida que nos afastamos do preço de exercício, e isso é conhecido como desvio de volatilidade. A inclinação aparece somente depois de 1987, e isso se torna uma oportunidade para os traders, pois também se reflete nos preços das opções. A diferença entre volatilidade implícita e realizada é chamada de prêmio de risco de volatilidade, que pode ser explorado em estratégias de negociação. Sheth explica que o modelo Black Scholes é usado para precificar opções, mas é usado com mais frequência para obter a volatilidade implícita.

  • 00:35:00 Arnav Sheth explica como os traders calculam a volatilidade implícita em um mercado de opções. Os comerciantes usam o valor de mercado de opções específicas sobre ativos subjacentes e inserem todos os cinco valores no modelo Black Scholes para fazer engenharia reversa da volatilidade. A volatilidade implícita é então interpretada como a volatilidade esperada pelos mercados de opções para o próximo período especificado, geralmente 30 dias. É introduzido o conceito de prêmio de risco de volatilidade, que é a diferença entre a volatilidade implícita e a volatilidade real, e é mostrado que, em geral, os mercados de opções tendem a superestimar qual será a volatilidade real. Esta seção termina com a distribuição de frequência do prêmio de volatilidade.

  • 00:40:00 O palestrante discute estratégias de negociação baseadas na volatilidade implícita e no conceito de venda de straddles. O palestrante explica que a volatilidade implícita é tipicamente maior do que a volatilidade realizada e isso resulta em opções superfaturadas. Portanto, a estratégia é vender straddles e vender volatilidade. O palestrante também introduz o conceito de medidas gregas para avaliar os riscos envolvidos nessas estratégias. O palestrante fornece um cenário de exemplo de compra de um straddle no dinheiro e discute os resultados de lucros e perdas com base no preço das ações subjacentes. O palestrante finaliza destacando o risco da precificação das opções deixar de ser sensível à volatilidade caso o preço da ação oscile muito.

  • 00:45:00 O vídeo discute o uso de opções para se proteger contra mudanças nos preços das ações. Ao comprar simultaneamente uma opção de compra e venda ou vender uma opção de compra e venda pelo dinheiro mais próximo do valor do preço da ação, você pode alcançar a neutralidade do delta, mas não pode proteger o vega. O vídeo passa a explicar os índices CBOE como uma maneira fácil de aproveitar o prêmio de volatilidade, especificamente o BXM e uma chamada coberta e a opção borboleta de ferro BFLY. Escrever chamadas cobertas sobre as ações que você possui pode reduzir o risco de manter apenas as ações subjacentes, mas deve-se estar preparado para perder as ações se elas forem resgatadas. Por fim, o vídeo explica a estratégia da borboleta de ferro, que envolve a compra e venda de quatro opções com três strikes contra o S&P 500.

  • 00:50:00 O palestrante ilustra uma estratégia que envolve a compra de uma opção de venda fora do dinheiro e outra opção de compra de dinheiro, o que leva a uma posição curta de volatilidade semelhante a um straddle reverso. No entanto, o pagamento é ligeiramente exagerado para aumentar o lucro.
 

Como usar dados do mercado financeiro para análise fundamental e quantitativa - 21 de fevereiro de 2017



Como usar dados do mercado financeiro para análise fundamental e quantitativa - 21 de fevereiro de 2017

Caixas de som:

  • Deepak Shenoy (Fundador e CEO, Capitalmind)
  • Maxime Fages (Fundador, Golden Compass Quantitative Research)
  • Marco Nicolás Dibo (CEO, Quanticko Trading)

Aprenda a negociar fundamentos de forma lucrativa, entenda os desafios que cercam a análise de dados de alta frequência, descubra as oportunidades e armadilhas na negociação de futuros e veja uma demonstração ao vivo de um tutorial passo a passo sobre uma das estratégias de negociação mais populares, a negociação de pares estratégia!

 

Sessão informativa sobre negociação algorítmica



Sessão informativa sobre negociação algorítmica

Na abertura da sessão informativa sobre negociação algorítmica, o orador agradece o crescente interesse neste domínio e reconhece o impacto significativo que tem tido ao longo dos anos. Eles apresentam Nitesh, o cofundador do IH e do Quant Institute, como o palestrante da sessão. Nitesh é descrito como tendo uma vasta experiência nos mercados financeiros e fornecerá uma visão geral da negociação algorítmica, tendências e oportunidades, especialmente para iniciantes. O palestrante destaca artigos de notícias recentes que demonstram a crescente popularidade da negociação algorítmica e sua taxa de crescimento projetada de mais de 10% CAGR globalmente nos próximos cinco anos.

O palestrante mergulha no crescimento e nas oportunidades da negociação algorítmica, enfatizando sua rápida expansão com números percentuais de dois dígitos em todo o mundo. Eles apresentam dados de diferentes bolsas, mostrando os volumes crescentes de negociação algorítmica nos mercados de ações e commodities. Para definir negociação algorítmica, eles a explicam como o processo de usar computadores programados com um conjunto definido de instruções para colocar ordens de negociação em alta velocidade e frequência, com o objetivo de gerar lucros. O papel crítico da tecnologia na negociação algorítmica é enfatizado, especialmente na negociação de alta frequência, onde representa uma parcela significativa (até 60-70%) da lucratividade de uma estratégia de negociação.

Passando para os principais aspectos da negociação algorítmica, o palestrante discute tecnologia, infraestrutura e estratégia. Eles destacam o papel proeminente da tecnologia no mundo do comércio algorítmico de hoje, com tecnocratas e comerciantes orientados para a tecnologia liderando o caminho. A infraestrutura é identificada como um fator crucial que define a probabilidade de sucesso de um trader, enfatizando a importância do tipo de infraestrutura utilizada. Por fim, o palestrante explica que a própria estratégia de negociação é o que determina a lucratividade e o sucesso, respondendo por 30-70% da probabilidade geral de sucesso de um trader. Eles descrevem as diferentes fases do desenvolvimento da estratégia, incluindo ideação, modelagem, otimização e execução.

As etapas da negociação algorítmica, como otimização, teste e execução, são descritas pelo palestrante. Eles enfatizam a importância de otimizar as variáveis de entrada de um modelo de negociação para garantir uma saída consistente antes de prosseguir com a execução. Além disso, ao automatizar a execução, o palestrante alerta sobre os riscos potenciais e destaca a necessidade de um sistema robusto de gestão de riscos para garantir a segurança e prevenir riscos operacionais. Eles mencionam que as cotações na perna levam estatisticamente a grandes ganhos e retornos mais altos por negociações.

Os riscos envolvidos na negociação algorítmica são discutidos, incluindo o potencial de perdas significativas, e a importância da gestão do risco operacional é enfatizada. O palestrante também destaca a infraestrutura necessária para negociação algorítmica, como linhas de alta velocidade e colocações, que permitem uma execução mais rápida. As etapas práticas de criação de uma mesa de negociação algorítmica são explicadas, começando com o acesso ao mercado por meio da obtenção de uma associação ou abertura de uma conta com um corretor. O palestrante menciona que os requisitos de licenciamento podem variar dependendo do regulador. Escolher a plataforma de negociação algorítmica certa é crucial e depende da estratégia específica a ser executada.

As plataformas de negociação algorítmica e sua seleção com base no tipo de estratégia são discutidas pelo palestrante. Para estratégias de negociação de baixa frequência, os corretores geralmente fornecem plataformas gratuitas baseadas na web que permitem negociação automatizada usando código API em várias linguagens de programação. Para maior sensibilidade à latência, plataformas implantáveis podem ser usadas a um custo de algumas centenas de dólares por mês. O palestrante destaca ainda que o tipo de infraestrutura utilizada depende da estratégia, com dados e análises de alta frequência exigindo servidores de alto desempenho.

O palestrante discorre sobre diferentes tipos de acesso e infraestrutura necessários para negociação algorítmica, considerando vários regulamentos e tecnologias. Eles explicam o conceito de co-location e hospedagem de proximidade, destacando fatores como latência, linhas de roteamento de pedidos e dados de mercado. A importância de ter um banco de dados robusto e analítico para otimização da estratégia é enfatizada, especialmente ao lidar com grandes quantidades de dados tick-by-tick. O custo de acesso a essas ferramentas e o nível de uso de dados necessário para diferentes estratégias de negociação são explorados.

O palestrante explica que a negociação algorítmica exige ferramentas mais sofisticadas do que o Excel, como R ou Matlab, para processamento de dados e construção de modelos. Eles também mencionam o aumento dos requisitos de conformidade e auditoria que acompanham a automação, que é uma tendência global. Os comerciantes são aconselhados a garantir que suas transações sejam auditáveis, seus códigos e estratégias tenham proteção adequada contra casos extremos ou casos descontrolados e tenham proteção de etiqueta em vigor. Também é recomendável ter uma equipe com conhecimentos básicos de análise, tecnologia e mercados financeiros, com pelo menos um membro da equipe especializado nas três áreas. Isso é comparado à receita comercial de sucesso convencional, que exigia habilidades como processamento de números, reconhecimento de padrões, velocidade de digitação, compreensão do mercado financeiro e disciplina.

O palestrante discute a receita de sucesso para negociação quantitativa usando negociação algorítmica. Eles enfatizam a necessidade de uma forte compreensão matemática e estatística, bem como proficiência em computação financeira. Compreender a tecnologia e a estrutura do mercado é crucial, juntamente com uma compreensão geral de como o hardware funciona e as redes desempenham um papel no sucesso comercial. A compreensão do mercado financeiro também é essencial, e saber como codificar e modelar uma estratégia é uma vantagem adicional. Para aqueles que estão montando lojas de alta frequência, todos esses elementos são vitais. O palestrante destaca a importância do EPAT para os indivíduos que estão entrando no mundo do comércio, especialmente porque muitos indivíduos em finanças carecem da compreensão tecnológica necessária para o sucesso.

O palestrante fala sobre abordar a falta de compreensão em tecnologia entre as ferramentas de análise quantitativa necessárias para negociação. Eles mencionam a criação do ePACT (Programa Executivo em Negociação Algorítmica) para profissionais que desejam obter experiência em negociação algorítmica. O programa ePACT é um programa on-line integrado de seis meses que inclui aulas de fim de semana por quatro a quatro meses e meio, seguidos por um mês e meio a dois meses adicionais de trabalho de projeto. O trabalho do projeto permite que os participantes se especializem em seu domínio escolhido. O programa consiste em nove módulos diferentes ministrados por profissionais do setor para garantir que o material abordado esteja alinhado às necessidades e tendências do setor.

Os vários módulos do programa ePACT são discutidos, começando com uma introdução ao mercado financeiro, estatísticas básicas, derivativos e risco, estatísticas avançadas e estratégia de negociação quantitativa. O módulo de estratégia de negociação quantitativa abrange várias estratégias de negociação e também inclui tópicos relacionados à configuração de uma mesa de negociação algorítmica e considerando os aspectos de negócios envolvidos. O programa também abrange a implementação de plataformas de negociação algorítmica usando Python, fornecendo instruções sobre os fundamentos do Python e como implementar estratégias de negociação em diferentes plataformas. Os participantes recebem um mentor para supervisionar o trabalho do projeto, que atua como uma especialização dentro do domínio escolhido.

O palestrante discute os serviços de suporte fornecidos pela equipe de serviços de carreira aos participantes e ex-alunos do programa de negociação algorítmica. Eles destacam a importância de aprender fazendo, palestras ao vivo e acesso a palestras gravadas. O palestrante apresenta um gráfico que mostra os requisitos do setor e os perfis que as empresas buscam nos candidatos, garantindo que o programa aborde temas relevantes. Eles mencionam que o programa tem líderes da indústria como instrutores de diferentes países e que seus ex-alunos estão em mais de 30 países em todo o mundo. Os vários eventos e programas organizados pelo instituto para aumentar a conscientização sobre negociação algorítmica também são destacados.

O palestrante passa a responder a várias perguntas dos espectadores relacionadas à negociação algorítmica. Eles confirmam que os cidadãos dos EUA podem abrir contas de negociação na Índia, mas precisam passar por um custodiante e seguir um processo específico para abrir uma conta com um corretor de compensação. O palestrante recomenda os livros do Dr. Ap Chan e Larry Harris para os interessados em montar uma mesa de negociação algorítmica ou começar com algo trading. Eles também mencionam várias plataformas disponíveis na Índia para negociação algorítmica, como Symphony Fintech, Automated Trading e YouTrade, entre outras. Dados técnicos reais podem ser obtidos diretamente da bolsa ou por meio de um corretor. Além disso, eles confirmam que os alunos podem usar a mesma estratégia desenvolvida no curso e aplicá-la à negociação ao vivo.

O palestrante continua respondendo a várias perguntas dos espectadores sobre negociação algorítmica. Eles explicam que codificar e testar uma estratégia usando diferentes ferramentas é possível e não é difícil de portar para negociação ao vivo. Também são abordadas questões relativas a regulamentos, conformidade e licenciamento para negociação no mercado indiano. O palestrante explica que é necessária permissão da bolsa para estratégias de negociação automatizadas elegíveis e que uma demonstração é necessária. Eles também discutem estratégias de negociação populares, como estratégias baseadas em impulso, arbitragem estatística e aprendizado de máquina.

O palestrante discute os tipos de estratégias de negociação abordadas no curso e enfatiza a importância de aprender como desenvolver novas estratégias, testá-las e executá-las. Eles respondem a perguntas sobre perspectivas de emprego para graduados do curso, salários médios oferecidos e as habilidades de programação necessárias para analisar padrões de velas. Também são abordadas as preocupações sobre o nível de conhecimento e o comprometimento de tempo para os profissionais que fazem o curso, bem como os custos associados à criação de uma mesa de negociação algorítmica na Índia. O palestrante enfatiza a importância de ter uma compreensão básica dos principais conceitos antes de iniciar o programa para maximizar seu valor.

O palestrante responde a várias perguntas relacionadas à negociação algorítmica, sugerindo que indivíduos com conhecimento limitado dos mercados de ações possam entrar em contato com um especialista em vendas para obter orientação para obter uma compreensão básica desses domínios antes de prosseguir com o curso. Eles explicam que a negociação algorítmica é útil para traders individuais que desejam garantir a disciplina em suas negociações e ampliar suas estratégias para incluir vários instrumentos. O palestrante também aborda questões relacionadas à transição de um curso para outro e corretores na Índia que oferecem serviços de negociação de algo. Finalmente, eles explicam que a colocação do servidor em uma bolsa não fornece vantagem indevida para os comerciantes algorítmicos, mas beneficia os comerciantes de varejo, fornecendo spreads de compra e venda mais apertados.

O palestrante discute os benefícios da negociação algorítmica para os comerciantes de varejo e como a tecnologia pode ajudar a minimizar as perdas. Eles abordam questões sobre não-programadores aprendendo Python para negociação algorítmica e se os residentes indianos podem negociar em mercados globais. Eles esclarecem que sua empresa se concentra principalmente na educação, em vez de fornecer corretoras ou plataformas de negociação algorítmica. O palestrante enfatiza que seu programa ajudou centenas de participantes de mais de 30 países e incentiva os interessados a entrar em contato com suas equipes de vendas e desenvolvimento de negócios para obter mais informações.

O palestrante aborda várias questões dos telespectadores, incluindo se todas as estratégias precisam ser aprovadas pela bolsa e como proteger uma estratégia. Eles explicam que os provedores de algo não podem ver a estratégia de um trader, e as trocas estão principalmente preocupadas em garantir que as estratégias não causem estragos no mercado. Eles mencionam um desconto de estudante para o programa e discutem a disponibilidade de negociação de algo nos mercados de commodities na Índia. Além disso, eles destacam a importância da álgebra linear e da distribuição de probabilidade nos perfis HFT, dependendo da função, e enfatizam que o algo trading pode ser aplicado mundialmente a qualquer instrumento de negociação, incluindo opções e forex.

Os palestrantes discutem estratégias de codificação, fornecendo código reutilizável e a necessidade de aprender Python e R. Eles também respondem a perguntas sobre a validação de estratégias, potencial ROI e a infraestrutura necessária para um número moderado de traders. Os palestrantes advertem contra o compartilhamento de estratégias com outras pessoas e sugerem o foco no aprendizado das melhores práticas e no desenvolvimento de ideias únicas de estratégias de negociação.

Os palestrantes respondem a várias perguntas sobre negociação algorítmica, incluindo o período de tempo ideal para testar uma estratégia, a largura de banda mínima da Internet necessária para negociação de volume moderado e como contornar a obtenção de corretagem. Eles também discutem os melhores fornecedores para negociação algorítmica na Índia e se estratégias de negociação discricionária, como a teoria das ondas de Elliot, podem ser programadas. Os palestrantes sugerem que qualquer estratégia pode ser codificada se a pessoa estiver confortável com a programação e tiver regras claras em mente. Eles aconselham os comerciantes a escolher fornecedores com base em seus requisitos individuais e nos prós e contras de cada fornecedor.

Em conclusão, o palestrante agradece aos participantes e oferece mais assistência. Embora não tenham conseguido responder a todas as perguntas devido a limitações de tempo, o palestrante incentiva o público a enviar suas perguntas e fornece informações de contato para a equipe do Quant Institute. Eles expressam seu apreço pelo interesse na negociação algorítmica e enfatizam a importância do aprendizado e prática contínuos neste campo.

  • 00:00:00 O palestrante apresenta a sessão informativa sobre negociação algorítmica e dá as boas-vindas aos espectadores. Eles expressam gratidão pelo crescente interesse no segmento de negociação algorítmica e pelo impacto que teve ao longo dos anos. O palestrante apresenta o co-fundador do IH e Quant Institute, Nitesh, que falará na sessão. Nitesh tem uma vasta experiência nos mercados financeiros e fornecerá uma visão geral da negociação algorítmica, tendências e oportunidades para iniciantes. O palestrante também destaca artigos de notícias recentes que demonstram a crescente popularidade da negociação algorítmica e sua taxa de crescimento esperada de mais de 10% CAGR globalmente nos próximos cinco anos.

  • 00:05:00 O palestrante discute o crescimento e as oportunidades na negociação algorítmica, um domínio que está se expandindo rapidamente com números percentuais de dois dígitos em todo o mundo. O palestrante apresenta dados de diferentes bolsas, destacando os crescentes volumes de negociação algorítmica nos mercados de ações e commodities. A definição de negociação algorítmica é fornecida como o processo de usar computadores programados para seguir um conjunto definido de instruções para colocar ordens de negociação para gerar lucros em alta velocidade e frequência. O envolvimento da tecnologia é enfatizado como um aspecto crítico da negociação algorítmica, especialmente na negociação de alta frequência, onde representa até 60-70% da razão pela qual uma estratégia de negociação está ganhando dinheiro.

  • 00:10:00 O palestrante discute os principais aspectos da negociação algorítmica, que incluem tecnologia, infraestrutura e estratégia. O papel da tecnologia na negociação algorítmica é proeminente no mundo de hoje, com tecnocratas e comerciantes orientados para a tecnologia liderando o grupo. A infraestrutura desempenha um papel importante e o tipo de infraestrutura usada define a probabilidade de sucesso de um trader. Por último, a estratégia de negociação é o que ganha dinheiro e é responsável por 30-70% da probabilidade de sucesso de um trader. O palestrante explica as diferentes fases do desenvolvimento da estratégia, desde a concepção até a modelagem e a otimização até a execução.

  • 00:15:00 O palestrante descreve os estágios da negociação algorítmica que envolvem otimização, teste e execução. Eles enfatizam a importância de otimizar as variáveis de entrada de um modelo para garantir uma saída consistente antes de passar para a execução. Além disso, ao automatizar a execução, o palestrante alerta para os riscos potenciais e reforça a necessidade de um sistema de gestão de riscos para garantir a segurança e prevenir o risco operacional. Eles sugerem cotações na perna estatisticamente levando a grandes ganhos e maior retorno por negociações.

  • 00:20:00 São discutidos os riscos envolvidos na negociação algorítmica, como o potencial de grandes perdas e a importância da gestão do risco operacional. A infraestrutura necessária para negociação algorítmica também é destacada, incluindo linhas de alta velocidade e colocações. Passando para as etapas práticas de criação de uma mesa de negociação algorítmica, o acesso ao mercado é um primeiro passo crucial, seja obtendo uma associação ou abrindo uma conta com um corretor. Os requisitos de licenciamento podem variar dependendo do regulador. Escolher a plataforma de negociação algorítmica certa depende, em última análise, da estratégia a ser executada.

  • 00:25:00 O palestrante discute plataformas de negociação algorítmica e como escolher uma com base no tipo de estratégia que está sendo usada. Para estratégias de negociação de baixa frequência, os corretores geralmente fornecem plataformas gratuitas baseadas na web que permitem negociação automatizada usando código API para várias linguagens de programação. Para aqueles com maior sensibilidade à latência, uma plataforma implantável pode ser usada por algumas centenas de dólares por mês. O palestrante também observa que o tipo de infraestrutura utilizada dependerá do tipo de estratégia que está sendo implantada, com dados e análises de alta frequência exigindo um servidor para desempenho de primeira classe.

  • 00:30:00 O palestrante discute os diferentes tipos de acesso e infraestrutura necessários para negociação algorítmica e como isso pode depender de vários regulamentos e tecnologias. O conceito de co-location e hospedagem de proximidade é explicado, juntamente com considerações como latência, linhas de roteamento de pedidos e dados de mercado. A importância de ter um bom banco de dados e análises para otimização da estratégia também é enfatizada, especialmente quando se lida com grandes quantidades de dados tick-by-tick. O custo de acesso a essas ferramentas e o grau de uso de dados necessário para diferentes estratégias de negociação também são explorados.

  • 00:35:00 O palestrante explica que a negociação algorítmica requer ferramentas mais sofisticadas que o Excel, como R ou Matlab, para processar dados e construir modelos. A automação também traz mais requisitos de conformidade e auditoria, o que é uma tendência global. Os comerciantes algorítmicos precisam garantir que suas transações sejam auditáveis e que seus códigos e estratégias não tenham casos extremos ou fugitivos e tenham proteção de etiqueta em vigor. Além disso, os traders precisam de uma equipe com conhecimento básico de análise, tecnologia e mercados financeiros, com pelo menos um membro da equipe especializado em todos os três. O palestrante compara isso com a receita comercial de sucesso convencional, onde processamento de números, reconhecimento de padrões, velocidade de digitação, compreensão do mercado financeiro e disciplina eram essenciais.

  • 00:40:00 O palestrante discute a receita de sucesso para negociação quantitativa usando negociação algorítmica. Requer uma forte compreensão matemática e estatística, bem como computação financeira. Compreender a tecnologia e a estrutura do mercado também é necessário, juntamente com a compreensão geral de como as funções e redes de hardware entram em jogo no sucesso comercial. Além disso, é necessário entender o mercado financeiro e saber como codificar e modelar sua estratégia é uma vantagem adicional. Para quem está montando uma loja de maior frequência, todos esses elementos são vitais. O palestrante chama a atenção para o EPAT, que é fundamental para quem deseja ingressar no mundo do trading, principalmente quando a maioria dos profissionais de finanças carece do entendimento da tecnologia necessária para o sucesso.

  • 00:45:00 O palestrante fala sobre como eles abordaram a falta de compreensão na tecnologia das diferentes ferramentas de análise quantitativa necessárias para a negociação. O programa executivo epat trading algorítmico foi criado para profissionais que desejam obter experiência em negociação algorítmica. O programa on-line integrado de seis meses incluía fins de semana de aulas por quatro a quatro meses e meio e um mês e meio a dois meses adicionais de trabalho de projeto. O trabalho do projeto atuou como uma ferramenta de especialização no domínio que os participantes desejavam desenvolver seus conhecimentos. O programa foi composto por nove módulos diferentes e ministrados por profissionais do setor para garantir que o material abordado estivesse alinhado com as necessidades e tendências do setor.

  • 00:50:00 Os vários módulos do programa ePACT são discutidos, começando com uma introdução ao mercado financeiro, estatísticas básicas, derivativos e risco, estatísticas avançadas e estratégia de negociação quantitativa. Este último inclui várias estratégias de negociação e também abrange o ambiente de negócios, como a criação de uma mesa de negociação algorítmica e os aspectos de negócios que precisam ser considerados. A plataforma de negociação algorítmica usando Python também é um módulo do programa, que abrange os fundamentos do Python e a implementação de estratégias de negociação em diferentes plataformas de negociação, incluindo plataformas de negociação algorítmica. O programa inclui um projeto que funciona como especialização, atribuindo um mentor ao participante que pode supervisionar o trabalho do projeto.

  • 00:55:00 O palestrante discute os vários serviços de suporte fornecidos pela equipe de serviços de carreira aos participantes e ex-alunos do programa de negociação algorítmica. Eles também mencionam a importância de aprender fazendo, palestras ao vivo e acesso a palestras gravadas. Além disso, o palestrante apresentou um gráfico que mostra os requisitos do setor e os perfis que as empresas procuram nos candidatos. Essas informações ajudam a garantir que o programa abranja tópicos relevantes. O programa tem líderes da indústria como instrutores de diferentes países, e seus ex-alunos estão baseados em mais de 30 países em todo o mundo. Finalmente, eles destacaram os vários eventos e programas que organizaram para aumentar a conscientização sobre negociação algorítmica.

  • 01:00:00 O palestrante responde a várias perguntas relacionadas à negociação algorítmica. Ele confirma que os cidadãos dos EUA podem abrir contas de negociação na Índia, mas precisam passar por um custodiante e seguir um processo para abrir a conta com o corretor de compensação. O palestrante recomenda os livros do Dr. Ap Chan e Larry Harris para aqueles que desejam criar uma mesa de negociação de algo ou começar com negociação de algo. Ele também menciona várias plataformas disponíveis na Índia para negociação de algo como Symphony Fintech, Automated Trading e YouTrade, entre outros. Ele informa que os usuários podem obter dados técnicos reais diretamente da bolsa ou por meio de sua corretora. Além disso, ele confirma que os alunos podem levar a mesma estratégia que desenvolveram no curso ao vivo no ambiente de negociação real.

  • 01:05:00 O palestrante responde a várias perguntas dos telespectadores sobre negociação algorítmica. O palestrante explica que é possível codificar e testar uma estratégia usando diferentes ferramentas, e não é difícil transportá-la para a negociação ao vivo. Os espectadores também estão perguntando sobre regulamentação, conformidade e licenciamento para negociação no mercado indiano. O palestrante explica que, antes de adotar qualquer estratégia de negociação automatizada elegível, é necessária permissão da bolsa onde a demonstração é necessária. Algumas estratégias de negociação populares, como estratégias de negociação baseadas em impulso, arbitragem estatística e aprendizado de máquina, também são discutidas.

  • 01:10:00 O palestrante discute os tipos de estratégias de negociação abordadas no curso, enfatizando a importância de aprender como criar novas estratégias e como testá-las e executá-las. O palestrante também responde a questões relacionadas às perspectivas de emprego para quem conclui o curso, à média salarial oferecida e às habilidades de programação necessárias para analisar padrões de velas. Eles também abordam preocupações sobre o nível de conhecimento necessário e o compromisso de tempo para os profissionais que fazem o curso e os custos associados à criação de uma mesa de negociação algorítmica na Índia. O palestrante enfatiza a importância de ter um entendimento básico dos principais conceitos antes de iniciar o programa, a fim de extrair o máximo de valor dele.

  • 01:15:00 O palestrante responde a várias perguntas relacionadas à negociação algorítmica. Eles sugerem que aqueles que têm conhecimento limitado em mercados de ações podem entrar em contato com um especialista em vendas para obter orientação para obter uma compreensão básica desses domínios e, em seguida, prosseguir com o curso. Eles explicam que a negociação de algoritmos é útil para traders individuais se eles quiserem garantir a disciplina em suas negociações e ampliar sua estratégia para incluir vários instrumentos. O palestrante também aborda questões relacionadas à migração de um curso para outro e corretores na Índia que oferecem serviços de negociação de algo. Finalmente, eles explicam que a colocação do servidor em uma bolsa não fornece vantagem indevida para os comerciantes algorítmicos e, na verdade, beneficia os comerciantes de varejo, fornecendo spreads de compra e venda mais apertados.

  • 01:20:00 O palestrante discute os benefícios da negociação algorítmica para os comerciantes de varejo e como eles podem minimizar as perdas com o uso da tecnologia. O palestrante também aborda questões dos participantes, incluindo se é possível para não programadores aprender Python para negociação algorítmica e se residentes indianos podem negociar em mercados globais. Além disso, o palestrante esclarece que sua empresa está focada principalmente na educação, em vez de fornecer corretoras ou plataformas de negociação algorítmica. O palestrante enfatiza que seu programa ajudou centenas de participantes de mais de 30 países e incentiva os interessados a entrar em contato com suas equipes de vendas e desenvolvimento de negócios para obter mais informações.

  • 01:25:00 O palestrante aborda diversas questões dos telespectadores, inclusive se todas as estratégias precisam ser aprovadas pela bolsa e como proteger a estratégia. Eles explicam que os provedores de algo não seriam capazes de ver sua estratégia, e as trocas estão mais preocupadas em garantir que a estratégia não cause estragos no mercado. Eles também mencionam um desconto de estudante para o programa e a disponibilidade de negociação de algo em mercados de commodities na Índia. Além disso, eles destacam a importância da álgebra linear e da distribuição de probabilidade em um perfil HFT, dependendo da função, e que a negociação de algo pode ser aplicada mundialmente a qualquer instrumento de negociação, incluindo opções e forex.

  • 01:30:00 Os palestrantes discutem estratégias de codificação, fornecendo código reutilizável e a necessidade de aprender Python e R. Eles também respondem a perguntas sobre a validação de estratégias, o ROI potencial e a infraestrutura necessária para um número moderado de traders. Os palestrantes advertem contra compartilhar sua estratégia com outras pessoas e sugerem focar em aprender as melhores práticas e apresentar suas próprias ideias de estratégia de negociação.

  • 01:35:00 Os palestrantes respondem a várias perguntas sobre negociação algorítmica, incluindo o período de tempo ideal para testar uma estratégia, a largura de banda mínima da Internet necessária para negociação de volume moderado e como contornar a obtenção de corretagem. Eles também discutem os melhores fornecedores para negociação algorítmica na Índia e se estratégias de negociação discricionária, como a teoria das ondas de Elliot, podem ser programadas. Os palestrantes sugerem que qualquer estratégia pode ser codificada se você estiver familiarizado com a programação e tiver regras claras em mente. Eles aconselham os comerciantes a escolher fornecedores com base em seus requisitos individuais e nos prós e contras do fornecedor.

  • 01:40:00 O palestrante conclui a sessão informativa sobre negociação algorítmica agradecendo aos participantes e oferecendo mais assistência. Embora não tenham conseguido responder a todas as perguntas devido a limitações de tempo, o palestrante incentiva o público a enviar suas perguntas e fornece informações de contato para os interessados no programa ou negociação algorítmica em geral. O palestrante também solicita feedback dos participantes por meio de uma pesquisa para ajudar a planejar futuros webinars.
 

Impacto do Brexit e eventos recentes do mercado na negociação algorítmica - 19 de julho de 2016



Impacto do Brexit e eventos recentes do mercado na negociação algorítmica - 19 de julho de 2016

Nitesh Khandelwal traz uma vasta experiência nos mercados financeiros, tendo trabalhado em várias classes de ativos em diferentes funções. Ele é o co-fundador da iRageCapital Advisory Private Limited, uma empresa respeitável especializada no fornecimento de tecnologia Algorithmic Trading e serviços de estratégia na Índia. Nitesh desempenhou um papel fundamental na condução dos aspectos comerciais da iRageCapital e da QuantInsti. Na QuantInsti, ele também atuou como chefe do departamento de treinamento de derivativos e estudos intermercados. Atualmente, ele ocupa o cargo de Diretor da iRage Global Advisory Services Pte Ltd em Cingapura. Nitesh tem experiência em tesouraria bancária, com experiência nos domínios de câmbio e taxa de juros, bem como experiência em mesas de negociação proprietárias. Ele é bacharel em Engenharia Elétrica pelo IIT Kanpur e pós-graduado em Administração pelo IIM Lucknow.

Eventos globais recentes, como o Brexit e a volatilidade resultante no mercado de câmbio, causaram grande preocupação entre os investidores. É natural que a aversão ao risco aumente após tais eventos, pois os participantes do mercado exercem cautela em suas atividades de negociação. No entanto, mesmo durante esses tempos turbulentos, os traders automatizados estão prosperando. Os relatórios da mídia indicam que os fundos de hedge que empregam negociação algorítmica superam consistentemente os operadores manuais, principalmente em condições de mercado estressantes.

Conteúdo da Sessão Informativa:

  1. Análise dos maiores eventos de negociação da temporada

    • Examinando o impacto do Brexit em diferentes participantes do mercado globalmente
    • Compreender as consequências dos aumentos dos custos de transação, como o aumento do STT pela SEBI na Índia
    • Explorando como as empresas de negociação algorítmica responderam a esses eventos
  2. Requisitos para se tornar um Quant/Algo Trader

    • Identificar os requisitos da indústria para aspirantes a comerciantes neste campo
    • Destacando as habilidades e conhecimentos essenciais necessários para o sucesso
    • Explicando os benefícios do Programa Executivo da Quantinsti em Algorithmic Trading no desenvolvimento dessas habilidades
 

Negociação Quantitativa usando Análise de Sentimento | Por Rajib Ranjan Borah



Negociação Quantitativa usando Análise de Sentimento | Por Rajib Ranjan Borah

Análise de sentimentos. também conhecido como mineração de opinião, é o processo de identificar e categorizar computacionalmente as opiniões expressas em um texto, especialmente para determinar se a atitude do escritor em relação a um determinado tópico, produto etc. é positiva, negativa ou neutra.

 

Sessão informativa sobre negociação algorítmica por Nitesh Khandelwal - 24 de maio de 2016



Sessão informativa sobre negociação algorítmica por Nitesh Khandelwal - 24 de maio de 2016

Conteúdo da Sessão:

  • Uma visão geral do setor Negociação algorítmica
  • Participação de mercado atual e volumes
  • Crescimento e futuro da negociação algorítmica globalmente
  • Medidas de risco e avanços tecnológicos
  • Como começar
  • Maneiras gratuitas e baratas de testar águas
 

Aproveitando a inteligência artificial para construir estratégias de negociação algorítmica



Aproveitando a inteligência artificial para construir estratégias de negociação algorítmica

O CEO e cofundador de uma empresa de desenvolvimento de estratégia de negociação explica o potencial empolgante da IA e do aprendizado de máquina na negociação de algo. Essas ferramentas foram comprovadas como bem-sucedidas por grandes fundos de hedge quantitativos e sua acessibilidade aumentou significativamente graças a bibliotecas de código aberto e ferramentas fáceis de usar que não exigem sólidos conhecimentos de matemática ou ciência da computação. O palestrante também apresenta os principais termos relacionados à IA e ao aprendizado de máquina no contexto da negociação algorítmica. A inteligência artificial é definida como o estudo de agentes inteligentes que percebem seu ambiente e agem para maximizar o sucesso. O aprendizado de máquina, um subconjunto da IA, concentra-se em algoritmos que podem aprender e fazer previsões sem programação explícita. O reconhecimento de padrões, um ramo do aprendizado de máquina, envolve a descoberta de padrões nos dados, enquanto o aprendizado de regras de associação envolve a formação de declarações if-then com base nesses padrões. O palestrante menciona brevemente o conceito de Big Data, que é caracterizado por seus quatro V's: volume, velocidade, variedade e veracidade.

O apresentador descreve os termos e conceitos a serem discutidos, incluindo big data, veracidade, inteligência artificial, aprendizado de máquina, reconhecimento de padrões e mineração de dados. Em seguida, eles se aprofundam nas melhores práticas e armadilhas comuns ao criar estratégias de negociação algorítmica. Isso inclui definir objetivos tangíveis para o sucesso, priorizar a simplicidade em detrimento da complexidade, focar na criação de um processo e fluxo de trabalho robustos em vez de depender de um único modelo e manter um ceticismo saudável durante todo o processo para evitar resultados tendenciosos.

O palestrante discute como o aprendizado de máquina pode enfrentar o desafio de selecionar indicadores e conjuntos de dados para criar estratégias de negociação. Árvores de decisão e florestas aleatórias são introduzidas como técnicas para identificar indicadores importantes, buscando as melhores divisões de dados. As florestas aleatórias são consideradas mais robustas e poderosas do que as árvores de decisão, embora mais complexas. O palestrante também explora como a combinação de conjuntos de indicadores usando uma técnica chamada "wrapper" pode criar uma combinação mais poderosa.

Em seguida, o palestrante discute o uso de indicadores técnicos em estratégias de negociação algorítmica e seus benefícios na identificação de padrões e tendências subjacentes. A questão de otimizar os parâmetros do indicador com base no aprendizado de máquina é levantada e o conceito de aprendizado conjunto é introduzido, que combina vários classificadores para analisar dados e descobrir diferentes padrões e informações. A distinção entre seleção de recursos e extração de recursos no aprendizado de máquina também é mencionada, com um lembrete para estar atento ao ajuste da curva ao utilizar vários classificadores.

Os apresentadores demonstram a combinação de reconhecimento de padrões e aprendizado de regras de associação como uma forma de alavancar algoritmos de aprendizado de máquina, mantendo a interpretabilidade para estratégias de negociação. Eles fornecem um exemplo usando uma máquina de vetores de suporte para analisar a relação entre um RSI de três períodos e a diferença de preço entre o preço de abertura e um SMA de 50 períodos no Aussie USD. Padrões claros são traduzidos em regras de negociação. No entanto, eles reconhecem as limitações desse método, como análise de dados de alta dimensão, desafios de automação e interpretação da saída. O palestrante apresenta o Trade como uma possível solução para lidar com essas preocupações e permitir que os traders alavanquem algoritmos com quaisquer indicadores que desejarem.

O apresentador passa a demonstrar como criar estratégias de negociação usando uma plataforma de negociação baseada em nuvem. Eles usam o exemplo de construir uma estratégia para negociar o dólar australiano em um gráfico diário usando cinco anos de dados. Para evitar o ajuste da curva, o algoritmo é treinado apenas até 1º de janeiro de 2015, deixando um ano de dados fora da amostra para teste. A importância de não desperdiçar esses dados fora da amostra para evitar backtesting tendencioso é enfatizada. O uso de algoritmos de aprendizado de máquina para análise de indicadores e identificação de padrões é apresentado como uma abordagem flexível e poderosa para otimizar estratégias de negociação.

O apresentador continua demonstrando o processo de construção de uma estratégia de negociação usando a plataforma Trade-Ideas e a biblioteca de indicadores de código aberto TA Lib. Eles analisam o movimento de preços do Aussie USD ao longo de um período de cinco anos, identificam faixas com sinais fortes e refinam as regras para posições longas, selecionando faixas de indicadores e observando suas relações. Ao adicionar uma regra de preço em relação a um SMA de 50 períodos, eles identificam dois intervalos diferentes com sinais fortes. A vantagem de usar Trade-Ideas é destacada, pois permite a análise dos resultados do algoritmo de aprendizado de máquina e a construção de regras diretamente dos histogramas para uma interpretação mais clara.

O apresentador discute o procedimento para a construção de regras curtas para uma estratégia de negociação, incluindo a seleção dos indicadores corretos e regras de refinamento para encontrar sinais curtos fortes. Testar e explorar diferentes padrões com os indicadores são enfatizados para encontrar a estratégia ideal. A geração de código e o teste da estratégia fora da amostra no MetaTrader4, com a inclusão dos custos de transação, também são demonstrados. O apresentador confirma que a abordagem está relacionada à negociação algorítmica.

O palestrante explica como testar a estratégia construída com os dados mais recentes fora da amostra, que não foram usados durante o processo de construção da estratégia. A simulação é realizada usando o MetaTrader, uma plataforma de negociação popular para moedas e ações. A comunidade ativa de desenvolvedores da plataforma cria estratégias automatizadas, indicadores personalizados e oferece uma excelente oportunidade para testar e negociar com os mesmos dados. O foco da simulação é avaliar o desempenho da estratégia em dados fora da amostra. O palestrante menciona que a ferramenta é desenvolvida por uma startup que planeja disponibilizá-la gratuitamente, marcando-a diretamente para as corretoras.

O palestrante aborda a incorporação de técnicas de gerenciamento de risco e dinheiro em uma estratégia após o backtesting. Medidas simples de take profit e stop loss são discutidas como formas de diminuir os rebaixamentos e proteger contra riscos negativos. Para se proteger contra o ajuste da curva, o palestrante enfatiza o uso de seleções amplas, testes fora da amostra e contas de demonstração antes de entrar no ar. A preferência pela simplicidade e transparência em relação às redes neurais de caixa preta nas estratégias de negociação também é mencionada.

Durante a apresentação, o orador aborda questões relativas à comparação da sua plataforma com outras, como a Quanto Pian ou a Quanto Connect, destacando que a sua plataforma foca mais na descoberta e análise de estratégias do que na automatização das estratégias existentes. A importância dos dados técnicos em estratégias automatizadas é reconhecida, além de observar que sua plataforma inclui outros conjuntos de dados, como indicadores de sentimento. O MetaTrader 4 é demonstrado como uma ferramenta útil e é discutida a importância das estratégias de gerenciamento de risco e dinheiro na negociação. O palestrante também cobre as melhores práticas e armadilhas comuns em estratégias de negociação automatizadas.

O palestrante discute o uso de indicadores em estratégias de negociação, enfatizando o trade-off entre complexidade e overfitting. Eles recomendam o uso de três a cinco indicadores por estratégia para encontrar um equilíbrio entre conter informações suficientes e evitar o overfitting. A importância dos dados ou recursos inseridos no algoritmo e como a saída é implementada é destacada. O algoritmo subjacente é considerado menos crucial do que os indicadores usados e sua implementação. Dúvidas sobre o uso do otimizador genético no MetaTrader 4 e a importância de alinhar os indicadores com a plataforma também são abordadas.

O palestrante explora a aplicação do aprendizado de máquina no investimento em valor. O mesmo processo discutido anteriormente para negociação algorítmica pode ser aplicado ao investimento em valor, mas, em vez de indicadores técnicos, são usados conjuntos de dados que quantificam o valor inerente de uma empresa. A capitalização de mercado ou a relação preço-lucro, por exemplo, podem revelar a relação entre esses dados e o movimento do preço do ativo. A otimização do retorno por negociação e a identificação de quando um algoritmo está fora de sincronia com o mercado também são discutidas. Python e R são recomendados como linguagens de programação adequadas, dependendo da experiência e histórico de codificação de cada um.

Por fim, o palestrante destaca as habilidades e conhecimentos essenciais necessários para negociação algorítmica, que envolvem a fusão de finanças e tecnologia. Compreender os mercados, estatísticas de big data e tecnologia para automatizar estratégias são cruciais. Programas de educação quantitativa são sugeridos como um meio de adquirir o treinamento necessário em várias operações e habilidades para se tornar um trader algorítmico de sucesso. Python é recomendado como uma ótima opção para construir algoritmos.

  • 00:00:00 O CEO e co-fundador de uma empresa de desenvolvimento de estratégias de negociação explica por que a IA e o aprendizado de máquina são ferramentas empolgantes para a negociação de algo e como eles foram comprovados como bem-sucedidos por grandes fundos de hedge quantitativos. Ele também destaca que a acessibilidade dessas ferramentas aumentou significativamente devido a bibliotecas e ferramentas de código aberto que não exigem conhecimentos sólidos de matemática ou ciência da computação. Esta seção também cobre a terminologia básica e as melhores práticas para traders e quants aplicarem essas técnicas, bem como aplicações específicas para melhorar os resultados comerciais.

  • 00:05:00 O palestrante fornece definições para termos-chave relacionados à inteligência artificial e aprendizado de máquina no que se refere à negociação algorítmica. A inteligência artificial é definida como um estudo de agentes inteligentes que percebem seu ambiente e agem para maximizar sua chance de sucesso. O aprendizado de máquina, um subconjunto da IA, concentra-se em algoritmos que podem aprender e fazer previsões sem programação explícita. O reconhecimento de padrões é o ramo do aprendizado de máquina focado em descobrir padrões nos dados, e o aprendizado de regras de associação envolve a formatação desses padrões em instruções if-then. Por fim, o palestrante aborda brevemente o Big Data, afirmando que segue os quatro V's de volume, velocidade, variedade e veracidade.

  • 00:10:00 O palestrante descreve alguns dos termos e conceitos que serão discutidos na apresentação, incluindo big data, veracidade, inteligência artificial, aprendizado de máquina, reconhecimento de padrões e mineração de dados. O palestrante fornece algumas práticas recomendadas e armadilhas comuns a serem evitadas ao criar estratégias de negociação algorítmica. Isso inclui definir o sucesso com objetivos tangíveis, priorizar a simplicidade em detrimento da complexidade, focar na criação de um processo e fluxo de trabalho robustos em vez de um modelo único e ter uma boa dose de ceticismo durante todo o processo para evitar tendências em direção a resultados positivos.

  • 00:15:00 O palestrante discute como o aprendizado de máquina pode ajudar a resolver o problema de descobrir quais indicadores e conjuntos de dados usar ao criar uma estratégia de negociação. O palestrante explica como árvores de decisão e florestas aleatórias podem ser usadas para selecionar indicadores, buscando os indicadores e valores que melhor dividem o conjunto de dados, sendo os indicadores no topo da árvore os mais importantes e com maior relação com o conjunto de dados . O palestrante também menciona que as florestas aleatórias são mais robustas e poderosas que as árvores de decisão, mas também mais complexas. Além disso, o palestrante explora como os conjuntos de indicadores podem ser usados juntos para criar uma combinação mais poderosa usando uma técnica conhecida como wrapper.

  • 00:20:00 O palestrante discute o uso de indicadores técnicos em estratégias de negociação algorítmica e os benefícios que eles oferecem na identificação de padrões e tendências subjacentes. Eles também abordam a questão de saber se é possível otimizar os parâmetros do indicador com base no aprendizado de máquina e destacam o uso do aprendizado conjunto para combinar vários classificadores e analisar dados para encontrar diferentes padrões e informações. O palestrante aborda a diferença entre seleção de recursos e extração de recursos no aprendizado de máquina e reconhece a importância de estar ciente do ajuste de curva ao utilizar vários classificadores.

  • 00:25:00 Os apresentadores discutem a combinação de reconhecimento de padrões e aprendizado de regras de associação como uma forma de alavancar algoritmos de aprendizado de máquina enquanto ainda são capazes de interpretar a saída e aplicá-la às suas estratégias de negociação. Eles fornecem um exemplo de uso de uma máquina de vetores de suporte para analisar a relação entre um RSI de três períodos e a diferença de preço entre o preço de abertura e um SMA de 50 períodos no USD australiano. A saída produziu padrões claros que foram traduzidos em regras de negociação. Embora esse método permita que os traders utilizem sua própria intuição e experiência, ele também apresenta várias desvantagens, como dificuldades na análise de dados com alta dimensionalidade, automação e interpretação da saída. O comércio é apresentado como uma solução possível que aborda essas preocupações e permite que os comerciantes aproveitem esses algoritmos para analisar quaisquer indicadores que desejarem.

  • 00:30:00 O apresentador demonstra como construir estratégias de negociação em uma plataforma de negociação baseada em nuvem. O exemplo dado é a construção de uma estratégia para negociar o Aussie USD em um gráfico diário usando os últimos cinco anos de dados. Para evitar o ajuste da curva, o algoritmo só é treinado até 1º de janeiro de 2015, deixando um ano de dados fora da amostra para testar a estratégia em algo inédito. O apresentador enfatiza a importância de não desperdiçar esses dados fora da amostra para evitar viés na seleção de um backtest com bom desempenho em um determinado conjunto de dados. Usar algoritmos de aprendizado de máquina para analisar indicadores e encontrar padrões subjacentes é uma maneira mais flexível e poderosa de otimizar estratégias de negociação.

  • 00:35:00 O apresentador demonstra como construir uma estratégia de negociação usando a plataforma Trade-Ideas e a biblioteca de indicadores de código aberto TA Lib. Eles começam analisando o movimento do preço do Aussie USD ao longo de um período de cinco anos e identificam intervalos em que o algoritmo foi capaz de encontrar sinais fortes. Eles refinam as regras para posições longas selecionando intervalos de indicadores e observando a relação entre eles. Ao adicionar uma regra para o preço relativo a um SMA de 50 períodos, eles podem ver dois intervalos diferentes onde os algoritmos de negociação encontraram sinais fortes. A vantagem de usar Trade-Ideas é que ele permite a análise dos resultados dos algoritmos de aprendizado de máquina, encontrando onde estão os sinais mais fortes e construindo regras diretamente dos histogramas para ver exatamente o que as regras estão dizendo.

  • 00:40:00 O apresentador discute o procedimento para construir regras curtas para uma estratégia de negociação, incluindo selecionar os indicadores corretos e refinar regras para encontrar um sinal curto forte. O apresentador enfatiza a importância de testar e explorar diferentes padrões com os indicadores para encontrar a melhor estratégia. A discussão então passa para a geração de código e teste da estratégia fora da amostra no MetaTrader4, com a capacidade de incorporar custos de transação. O apresentador confirma que a abordagem é negociação algorítmica.

  • 00:45:00 O apresentador explica como testar a estratégia que construiu com os dados mais recentes fora da amostra, que não foram usados no processo de construção da estratégia. A simulação está sendo executada em uma plataforma de negociação popular chamada MetaTrader para negociação de moedas e ações. A plataforma possui uma comunidade ativa de desenvolvedores que desenvolvem estratégias automatizadas, indicadores personalizados e oferece uma excelente oportunidade para testar análises e negociar com os mesmos dados usados para negociação. O foco da simulação é testar o desempenho da estratégia em dados fora da amostra. A ferramenta é desenvolvida por uma start-up que planeja disponibilizá-la gratuitamente, marcando-a diretamente para as corretoras.

  • 00:50:00 O palestrante explica como incorporar técnicas de gerenciamento de risco e dinheiro em uma estratégia após o backtesting. Adicionar um simples take profit e stop loss pode diminuir significativamente o rebaixamento e proteger contra riscos de queda. O palestrante então aborda uma questão sobre como se proteger contra o ajuste de curva na negociação algorítmica. Para evitar o overfitting, o palestrante enfatiza o uso de seleções amplas, testes fora da amostra e contas de demonstração antes de entrar no ar. Por fim, o palestrante observa que sua preferência pessoal é pela simplicidade e transparência em relação às redes neurais de caixa preta para estratégias de negociação.

  • 00:55:00 O palestrante aborda questões sobre como sua plataforma se compara a outras, como Quanto Pian ou Quanto Connect, que se concentram mais em automatizar estratégias existentes, enquanto sua plataforma é mais focada em descoberta e análise de estratégias. Eles também discutiram a importância dos dados técnicos em estratégias automatizadas, mas destacaram que sua plataforma também inclui outros conjuntos de dados, como indicadores sentimentais. Além disso, o palestrante demonstrou o uso do MetaTrader 4 e discutiu a importância das estratégias de gerenciamento de risco e dinheiro na negociação. Por fim, o palestrante discutiu as melhores práticas e armadilhas comuns em estratégias de negociação automatizadas.

  • 01:00:00 O palestrante discute o uso de indicadores em estratégias de negociação e o trade-off entre complexidade e overfitting. Eles recomendam o uso de três a cinco indicadores por estratégia para encontrar um equilíbrio entre conter muita informação e overfitting. O palestrante também discute a importância dos dados ou recursos sendo inseridos no algoritmo e como a saída é implementada. Eles enfatizam que é menos sobre o algoritmo subjacente e mais sobre os indicadores que estão sendo usados e como eles são implementados. O palestrante também aborda questões sobre o uso do otimizador genético no Metatrader4 e a importância de usar os mesmos indicadores usados pela plataforma.

  • 01:05:00 O palestrante discute o uso de aprendizado de máquina para investimento em valor. O mesmo processo discutido anteriormente para negociação algorítmica pode ser usado para investimento em valor, mas, em vez de indicadores técnicos, os investidores usariam conjuntos de dados importantes para quantificar o valor inerente de uma empresa. Por exemplo, um investidor pode usar o valor de mercado ou a relação preço-lucro para ver a relação entre esses dados e o movimento do preço do ativo subjacente. O palestrante também discute maneiras de otimizar o retorno por negociação e como saber quando um algoritmo está fora de sincronia com o mercado. Por fim, o palestrante discute a facilidade de aprender o Metatrader e menciona que tanto o Python quanto o R têm ótimas bibliotecas para aprendizado de máquina, dependendo da experiência e experiência em codificação.

  • 01:10:00 O palestrante discute as habilidades e conhecimentos necessários para negociação algorítmica, que envolve a fusão de finanças e tecnologia. Para projetar estratégias de negociação bem-sucedidas, é preciso entender os mercados, as estatísticas de big data e a tecnologia para automatizar as estratégias. Os programas de educação quantitativa podem fornecer treinamento nas várias operações e habilidades necessárias para se tornar um trader algorítmico bem-sucedido. O Python também é recomendado como uma ótima opção para quem deseja construir seus algoritmos.