00:40:00 我们了解限制风险,这是算法创建过程的关键部分。 Con 仅交易有限数量的名称而不会破坏 alpha,因此有必要限制风险以防止过度暴露。相关性很重要,因为模型的预测必须与未来的价格和回报相关联,因此每次限制风险时,它们都会使维持这种相关性变得更加困难。示例多头/空头股票算法底部的算法对其有限制,例如美元中性政策和相等的行业风险敞口。必须考虑能够优化回报并降低风险的智能约束。
The process of strategy development is that of turning ideas into money. There are numerous steps in between, many of which are unknown to people entering in...
00:15:00 在本节中,演讲者讨论了一些基于均值回归和动量的相互作用和调整的基本 Quan 策略。两种流行的策略是估值和季节性,这些策略的数据可通过雅虎财经或谷歌财经访问。演讲者随后谈到了配对交易的常见陷阱,包括盲目地挖掘数据和发现实际上彼此没有联系的两种证券。他们鼓励人们理解配对交易涉及找到与相同价值相关的两个事物,以及查看两个资产价格之间的价差分布并注意价差何时进入分布的尾部。目标是买入价差,卖出价差,并押注两只股票之间的定价最终会回归。
Presented by Dr. Jess StauthDr Jess Stauth, VP of Quant Strategy at Quantopian, former quant research analyst at StarMine, and former director of quant produ...
The best advice on how to thrive, or at least survive, in the increasingly competitive world of quantitative trading. Topics include optimal leverage, perfor...
In this informative video on Quantitative Finance, Radovan Vojtko provides a comprehensive quantitative trading tutorial on the classification of quantitativ...
00:25:00 Dave Bergstrom 谈到他如何通过数据挖掘和使用适应度函数根据特定标准搜索盈利策略来发现交易优势。他强调了通过使用最小交易次数和交叉验证等技术来防止曲线拟合的重要性。他还解释说,优势是具有积极期望的东西,可以通过数据分析来识别。最终,他会寻找有利可图的策略,即使它不是基于预先存在的假设,但如果它合乎逻辑,他就会更加相信它。
00:30:00 Dave Bergstrom 讨论了在测试策略时进行大量交易的重要性。他还提到了曲线拟合的风险以及如何通过不优化带有回溯期的参数来避免它。相反,他更喜欢使用非参数指标,如计数措施。在理解市场行为时,他还强调了市场制度以及交易量和波动性的重要性。此外,他还解释了他在 Twitter 上发布的一张强大的图表,该图表显示了拥有切合实际的预期和使用蒙特卡罗分析以避免向交易系统分配资金不足的重要性。
EP 103: Escaping randomness, and turning to data for an edge w/ Dave BergstromOn this episode, I’m joined by a quant trader who works at a high frequency tra...
Download: Which programming language for quant and HFT tradingI will be forwarding all newbies with questions to this video and Powerpoint PPT http://quantla...
00:30:00 Max Margenot 解释了创建模拟数据的过程,以说明价差的计算以及如何使用线性回归对其进行估计。他强调,金融数据从来都不是一个变量的一个实例减去另一个变量的一个实例那么简单,因此线性回归对于估计两个变量之间的关系是必要的。目标是找到贝塔值,这将告诉我们投资组合是如何由市场回报组成的。通过找到 beta 值,我们可以确定什么是多头,什么是空头,允许我们在成对交易中买入 1 X 2 和空头 beta X 1。 Margenot 用一对替代能源证券的具体例子来解释这个概念。
This talk was given by Max Margenot at the Quantopian Meetup in Santa Clara on July 17th, 2017. To learn more about Quantopian, visit: https://www.quantopian...
该视频全面概述了 C++ 编程在金融和高频交易 (HFT) 中的使用,提供了对该领域各个方面的宝贵见解。它首先讨论了《实用 C++ 金融编程》一书,强调了它在金融行业的重要性。本书涵盖了固定收益股票等基本主题,并提供了结构良好的代码部分的实际示例。它假定您熟悉 C++ 编程,并提供有关有效利用 C++ 模板的指导。演讲者强调了STL和boost库的正确使用,以及开源库的使用,如new plot用于绘图和QT用于界面设计。
接下来,该视频探讨了 QT 的使用,QT 是一种使用 C++ 开发用户界面的强大工具。虽然 QT 支持创建复杂的图形界面,但它偏离了传统的 C++ 方法,视频阐明了这方面的内容。然后,演示文稿深入探讨了线性代数、插值和数值积分等数学概念,将它们分解为基本算法和方程式以促进理解。还讨论了与金融相关的流行算法和建模技术,并深入了解它们在 C++ 中的实现。该视频强调了蒙特卡洛模拟对金融应用的重要性,并用一章专门介绍了这一关键主题。此外,还探讨了使用 Lua 和 Python 扩展金融库,并概述了高频交易职位最流行的编程语言。
随着视频的推进,它重点介绍了 Python 和 Lua 与 C++ 的集成,并展示了如何利用 Lua 在 C++ 应用程序中的可嵌入性,有效地将 Lua 与 Redis 结合使用。还涵盖了各种 C++ 技术,包括使用 Plaza 的多线程以及 C++ 11 和 14 功能的利用。该视频为尝试 C++ 编程的个人提供了极好的介绍性资源,解决了与该语言相关的一些内存管理挑战。它为学习 C++ 编程提供了全面的路线图,包括可供用户使用的各种选项和技术。
最后,演讲者分享了对最近出版的一本关于金融和高频交易应用程序 C++ 编程的书的积极评价。本书专门介绍了 C++ 17 中引入的解决低级硬件问题的新功能,使其成为对该专业领域感兴趣的人的宝贵资源。尽管演讲者承认与本书没有任何关系,但他强烈推荐将其作为对该领域现有资源的宝贵补充。
00:00:00 演讲者对《Practical C++ Financial Programming》一书进行了概述,重点介绍了C++在金融行业的重要性。该书涵盖固定收益股票,并提供示例以及将代码分解为多个部分的有用格式。本书假定读者熟悉 C++,并提供有关如何有效使用 C++ 模板的指导,同时强调使用 STL 和 boost 库的正确方法。演讲者还谈到了使用开源库,例如用于绘图的 new plot 和用于界面设计的 QT。
00:05:00 该视频讨论了 QT 的使用,QT 是一种使用 C++ 开发用户界面的工具。虽然 QT 可用于创建复杂的图形用户界面,但它脱离了传统的 C++ 方法。然后视频转向更多数学主题,例如线性代数、插值和数值积分,所有这些都分解为基本算法和方程式,以便于理解。该视频还介绍了流行的算法和建模技术,以及如何在 C++ 中实现它们。本书包括关于蒙特卡罗的一章,这对金融应用程序至关重要。最后,该视频讨论了使用 Lua 和 Python 扩展金融库,以及高频交易职位最流行的语言。
00:10:00 该视频介绍了 Python 和 Lua 与 C++ 的集成,以及 Lua 如何与 Redis 一起使用,特别是因为它能够嵌入到 C++ 应用程序中。该视频还探讨了各种 C++ 技术,包括使用 Plaza 的多线程以及使用 C++ 11 和 14 功能。该视频为那些希望进入 C++ 编程的人提供了很好的介绍,它还涵盖了一些与 C++ 相关的内存管理挑战。总的来说,该视频为学习 C++ 编程提供了一个很好的路线图,涵盖了可供用户使用的各种选项和技术。
00:15:00 演讲者对一本关于金融和高频交易应用程序的 C++ 编程的新书给予了正面评价。这本书涵盖了 C++ 17 中解决低级硬件的新特性,使其成为对该领域感兴趣的人的宝贵资源。演讲者强烈推荐这本书,并强调他与这本书没有任何关系,但发现它是对该领域的一个很好的补充。
In this video, we discuss what algorithmic trading is and provide an example with actual code for a very basic trading algorithm. Also discussed are the adva...
从想法到算法:制定量化交易策略背后的完整工作流程
从想法到算法:制定量化交易策略背后的完整工作流程
在这个内容丰富的视频中,Delaney Mackenzie 详细介绍了量化交易员在制定交易策略时遵循的工作流程。演讲者强调了从假设开始并利用历史数据对未来做出明智预测的关键作用。该过程涉及对交易模型的不断完善和探索,以确保其与未来回报的历史相关性,同时保持与其他模型的独立性。
关键目标之一是设计一个投资组合,在遵守各种风险约束的同时最大化预期回报。为实现这一目标,演讲者强调了在实际部署和扩大规模之前以小额资金测试模型的重要性。此外,强烈建议合并替代数据源并采用风险管理技术。
该视频深入探讨了交易策略开发中回溯测试的两个阶段。首先,设计投资组合并建立执行规则,其次,实施回测过程本身。演讲者强调了构建风险约束投资组合的重要性,该投资组合可保持模型预测的完整性,并建议仅当模型持续优于另类投资机会时才进入下一阶段。此外,演讲者鼓励探索新的可能性,而不是依赖现有模型的重新哈希版本。
Delaney Mackenzie 解释了制定交易策略的初始阶段,其中涉及制定经济假设以指导资产选择和时机选择。金融旨在通过基于假设智能地预测未来,将想法转化为有利可图的结果。交易中做出的每个决定本质上都代表着对未来市场变化的押注,凸显了利用过去的信息进行智能预测的关键作用。
演讲者提供了对制定量化交易策略的工作流程的见解。该过程从提出假设并使用样本数据探索它开始。将假设与现有模型进行比较对于改进至关重要,一旦新模型显示出价值,建议将其与其他子模型结合起来以增强预测能力。演讲者强调假设和模型不是孤立存在的,包含多个信息源的聚合模型往往会产生更好的性能。此外,重要的是在新数据上测试模型以确保其有效性。
演讲者强调了在未见数据上测试模型以避免在开发阶段过度拟合的重要性。他们指出,虽然通常采用回测完整策略,但必须承认,大部分时间都花在了开发模型和预测变量上,而不是构建投资组合上。因此,演讲者强调了投资组合构建和执行的重要性,包括交易费用等因素,然后再进行回测以确保投资组合在真实市场条件下的可行性。此外,演讲者强调,回测的目的不仅仅是评估模型的预测性能,而是评估根据模型预测设计的投资组合是否能够承受现实条件。最后,演讲者强调了在扩大规模以确保有效的资本部署之前在少量资本上测试模型的重要性。
演讲者讨论了交易模型的改进和探索,以建立其与未来回报的历史相关性以及与其他模型的独立性。此过程之后是在定义的风险约束内构建投资组合。演讲者强调了确保模型的执行不会扭曲信号并降低其与未来回报的相关性的重要性。提供了一个笔记本示例以突出约束的逐步添加,从而能够评估模型在不同风险条件下的性能。本节强调了彻底测试和改进的重要性,以确保交易模型在产生回报方面的稳健性和有效性。
演讲者解释了在满足各种风险约束的同时设计最大化预期回报的投资组合的过程。最初,采用朴素的优化策略,通过将全部资本投资于一只股票,专注于最大化预期回报,然后引入约束条件来限制投资金额。随后,增加仓位集中度约束,限制对任何一件事的投资在投资组合中的一定比例。通过纳入行业风险限制,进一步完善了投资组合策略。演讲者强调,在考虑风险约束的同时优化投资组合会带来复杂性,因为最终策略中的权重可能与模型对未来的预测不同。了解风险约束如何影响建模预测及其对投资组合构建的影响至关重要。
演讲者介绍了使用 alpha lines 的概念,alpha lines 是 Quantopian 开发的开源软件,用于评估模型的回报与未来回报之间的相关性。 Alpha 线允许将任何模型(无论其预测的宇宙大小如何)编码为因子模型。通过计算模型在 T 日的预测与它在 T+1 日预测的所有资产的回报之间的相关性,alpha 线有助于确定模型是否表现出与未来回报一致的正相关。然而,演讲者指出,真实数据可能并不总是表现出理想的相关模式。
讨论了将新模型与现有模型进行比较的重要性,重点是检查由因子加权并根据特定时期重新平衡的投资组合的回报。演讲者建议运行线性回归分析,将新模型的投资组合加权回报用作因变量,将现有模型的投资组合加权回报用作自变量。此分析有助于评估新模型与现有模型之间的依赖关系,提供对潜在 alpha 生成的洞察力。演讲者强调了风险管理和分散化的重要性,这可以通过单独限制每个成分或平均多个风险成分来实现风险分散来实现,这取决于投资策略。
演讲者解释了交易策略开发中回溯测试的两个阶段之间的区别。初级阶段涉及设计投资组合和确定执行规则,而第二阶段需要进行回测以评估模型预测与未来价格之间的相关性。构建一个风险受限的投资组合,在不损害其完整性的情况下有效地结合模型的预测是至关重要的。演讲者建议投资者只有在他们的回溯测试持续提供大量证据证明该模型优于另类投资机会时才进入下一阶段。此外,演讲者告诫不要依赖现有模型的修改版本,并鼓励对新方法进行严格探索。
演讲者讨论了制定量化交易策略的完整工作流程。这个过程从产生一个想法开始,这个想法可能源于对世界的理解、数据分析或识别普遍理解不同的领域。一旦模型被开发、测试和完善,就会将其与现有模型进行比较,以确定其独特性和产生新 alpha 的潜力。下一步涉及进行样本外测试、构建投资组合以及执行风险约束优化模拟。最后,该策略要么进行纸上交易,要么在扩大规模之前使用少量资金进行测试。演讲者强调,仅依靠定价数据很少能提供足够的信息来产生创新想法,而结合替代数据源对于获得新见解至关重要。
演讲者强调了利用替代数据产生阿尔法的重要性,而不是仅仅依靠定价和基本面数据来提高速度和便利性。他们还强调需要区分 alpha 和便宜的 beta,因为风险模型中考虑的任何内容都被认为是后者。讨论了 k 折交叉验证在减少过度拟合方面的局限性,演讲者推荐真正的样本外测试作为更可靠的方法。最后,演讲者强调了洞察数据集的选择对于预测未来和探索不同于传统方法的方法的重要性。
总之,Delaney Mackenzie 的视频全面概述了量化交易员在制定交易策略时遵循的工作流程。它强调了从假设开始、改进和探索交易模型、在新数据上对其进行测试、构建风险受限的投资组合以及进行彻底回溯测试的重要性。演讲者强调了利用替代数据、将模型与现有模型进行比较以及结合风险管理技术的重要性。他们强调需要确保模型的预测在历史上与未来回报相关并且独立于其他模型。演讲者还强调了在扩大到实际部署之前用少量资金测试模型的重要性。
此外,演讲者还深入探讨了投资组合设计和执行规则的复杂性。他们讨论了构建风险约束投资组合的过程,该投资组合可在满足不同风险约束的同时最大化预期收益。演讲者强调了逐渐增加的约束条件,例如头寸集中度和行业风险敞口,以评估模型在各种风险情景下的表现。他们强调投资组合优化涉及在最大化回报和管理风险之间进行权衡。
演讲者介绍了阿尔法线的概念及其在评估模型回报与未来回报之间相关性方面的作用。他们解释了 alpha 线如何允许将任何模型编码为因子模型,从而能够评估模型对未来回报的预测。演讲者承认现实世界的数据可能并不总是表现出一致的正相关性,强调了理解相关性分析的局限性的重要性。
强调将新模型与现有模型进行比较是评估其有效性的关键步骤。演讲者建议使用线性回归分析来评估新模型的投资组合加权回报与现有模型之间的依赖关系。这种比较有助于确定模型的独特性及其产生 alpha 的潜力。演讲者还强调了风险管理和多元化在投资组合构建中的重要性,无论是通过限制单个组成部分还是通过多种资产分散风险。
演讲者进一步强调了交易策略开发中回测的两个阶段。第一阶段涉及设计投资组合和执行规则,而第二阶段涉及进行回测以评估模型对未来价格的预测。构建一个风险受限的投资组合至关重要,该投资组合在不损害其完整性的情况下纳入模型的预测。演讲者建议投资者仅在有一致证据表明该模型优于其他投资机会时才进入第二阶段。他们告诫不要依赖现有模型的重新哈希版本,并鼓励探索新方法。
最后,演讲者概述了制定量化交易策略的完整工作流程。它从产生一个想法开始,然后通过测试、改进和比较模型与现有模型来取得进展。然后对该策略进行样本外测试、投资组合构建和风险约束优化。在扩大规模之前,该策略要么进行纸上交易,要么使用少量资金进行测试。演讲者强调了合并替代数据源以获得新见解的重要性,并强调了区分阿尔法和廉价贝塔的必要性。他们推荐真正的样本外测试来减轻过度拟合,并强调理解数据集选择对于预测未来的重要性。
总之,Delaney Mackenzie 的视频提供了对宽客在制定交易策略时遵循的工作流程的全面理解。它强调了假设开发、模型改进、新数据测试、风险管理和全面回溯测试的重要性。演讲者鼓励使用替代数据源、与现有模型进行比较以及探索新方法。通过遵循此工作流程,量化交易者可以提高其交易策略的有效性和稳健性。
利用Excel工作表进行市场定量分析!标准普尔 500 指数分析与交易理念
利用Excel工作表进行市场定量分析!标准普尔 500 指数分析与交易理念
该视频深入探讨了如何使用 Excel 工作表进行市场定量分析,重点关注标准普尔 500 指数作为说明性示例。 Julie Marchesi 演示了在 Excel 中创建相关性工作簿,使用黄色框作为输入从 74 个组中选择相关性指数,回顾期为 40 天。相关性测试将过去 40 天与数据集中的所有其他时间段进行比较,确定最高相关性。为了验证相关性,使用第二个市场来确认调查结果并消除不可靠的数据点。相关性指数图表直观地跟踪了相关性随时间的变化。
演讲者解释了利用 Excel 工作表进行市场量化分析的过程,特别强调了在标准普尔 500 指数中的应用。它们在图表上展示了代表回顾期和相关指数的各种线条。通过分析这些线,演讲者得出他们对市场的偏见并对未来趋势做出预测。他们还引入了一个图表,显示特定时间段内的平均百分比变化,并强调关注重要相关指数的重要性。演讲者最后展示了如何将此分析应用于标准普尔 500 指数市场的当前状态,并强调了其在做出明智的交易决策方面的潜在效用。
下一节的重点是检查不同市场以获取与标准普尔 500 指数分析相关的确认信号或相互冲突的信号。发言人强调,虽然石油证实了市场的强劲上升趋势并表明有进一步看涨活动的潜力,但欧元和欧元日元在过去 20 天表现出看跌或消极活动。然而,黄金并没有提供重要的确认。根据最近的市场走势,发言人建议未来出现负面倾向,但警告不要卖空,并建议在采取重大行动之前等待确认。总的来说,演讲者得出结论认为市场存在看涨优势,但建议在短期内谨慎行事。
演讲者在下一节讨论了从不同市场的相关性测试中得出的结论。他们指出未来五天标准普尔 500 指数市场可能出现一些不稳定。尽管历史分析表明标准普尔 500 指数长期看涨,但演讲者强调在执行任何交易之前观察市场中性活动的重要性。他们建议将定量分析与情感分析相结合,以更好地了解市场,并强调 Excel 工作表在以各种方式可视化数据方面的作用。该视频最后鼓励观众探索这种类型的交易方法,并访问演讲者的网站以获取有关他们的日志和实时交易的更多信息。
在 Python 中构建量化股票策略
在 Python 中构建量化股票策略
该视频以 Python 和算法交易平台 Quantopian 作为主要示例,深入探讨了构建量化股权策略。演讲者首先介绍了他们自己以及他们在数据分析和量化金融方面的背景。他们解释说,Quantopian 是一个平台,可以让散户投资者访问数据并利用回测来构建自己的股票交易量化策略。尽管最初持怀疑态度,但演讲者强调了 Quantopian 在吸引合作发现投资理念的量化科学家、黑客和散户投资者社区方面的成功。他们还提到,虽然 Quantopian 目前得到了风险投资的支持并且还没有收入,但他们计划最终提供实时交易作为付费服务。
演讲者通过 Quantopian 平台上的众包数据和想法深入探讨了构建量化策略的概念。他们强调,Quantopian 促进了用户之间的直接消息传递,促进了开发定量算法的联系和想法共享。但是,演讲者承认数据限制可能会给用户构建策略带来挑战,因为他们可能无法访问所有必要的定价数据。此外,他们指出,Quantopian 的重点仅在于股票,可能不适合高频或对延迟敏感的交易策略。
详细讨论了交易平台的局限性。演讲者强调,Quantopian 不是为剥头皮或做市等低延迟策略而设计的。他们提到定价数据来源决定了证券的范围,目前只有几千只国内股票。演讲者简要介绍了他们在 GitHub 上提供的开源基本滑点模型。尽管未来有可能纳入期权和期货,但主要重点仍然是提供盈利策略和确保盈利统计数据的透明度。演讲者对平台上日常 Python 用户实施的五种基本量化策略进行了分类,包括均值回归、动量、隔夜缺口、波动率和配对。
探索了各种量化策略,特别关注均值回归和动量的相互作用和调整。演讲者重点介绍了估值和季节性等流行策略,这些策略的数据可通过雅虎财经或谷歌财经等来源获取。他们告诫要提防配对交易中的常见陷阱,例如盲目挖掘数据以寻找不相关的证券。强调了识别与相同价值挂钩的证券并观察两种资产之间的利差分布的重要性。目标是利用股票之间价差的逆转。
进一步讨论了配对交易和动量交易策略,演讲者提供了使用 Python 回测配对交易策略的示例。配对交易涉及交易两只股票之间的价差,并存在潜在逆转等风险。另一方面,动量交易涉及根据之前的价格升值对股票进行排名。虽然无法直接从平台下载数据,但由于带宽限制,用户可以在大约 100 只股票的有限范围内进行回测和实时交易。
探讨了估值作为一种量化股票策略的概念,需要系统的基本比率分析来识别被低估和高估的股票。然而,实施此类策略需要广泛的数据覆盖范围以及对数据规范化、日历对齐和相关操作的理解。演讲者建议使用 fetcher 方法实施这些策略,使用户能够从 Internet 获取 CSV 数据。演讲者还谈到了作为一种量化股票策略的情绪,涉及市场情绪及其对股价影响的分析。然而,他们警告说,实施这一战略需要对数据分析、规范化和操作有深入的了解。
讨论了在量化股票策略中使用做空股票作为情绪指标。做空股票被认为是困难且有风险的,只有经验丰富的人才愿意参与其中。然而,可以从纳斯达克获得的空头利率水平的公开数据可用于此目的。演讲者强调了轧空导致流动性限制的风险,并建议使用基于波动率的信号来识别严重做空但风险较低的股票。他们提出了一种算法,根据“回补天数”信号对股票进行排名,该信号代表卖空者根据平均每日交易量平仓所需的天数。该策略涉及购买做空最少的股票并做空最做空的股票。
演讲者继续讨论过程中的中间步骤和算法的开源。他们承认访问有价值数据的挑战,例如从经纪人处借入利率以及滑点模型的局限性。演讲者解决了有关可用订单类型和添加更多功能的反馈系统的问题。此外,他们还简要提到了季节性在交易中的应用及其在网上的流行程度。
介绍了一种适合初学者的简单量化股权策略。使用季节性来为市场计时,例如,在 5 月出售股票并投资债券,然后在 10 月买回股票市场,被强调为一个简单的系统规则,可以随着时间的推移轻松进行绩效分析。演讲者根据回复、观看和克隆的数量,提供了 Quantopian 平台上共享的前 25 种量化股权算法的细分。值得注意的是,一篇关于使用谷歌搜索词预测市场走势的论文虽然被认为过度拟合,但在论坛上引起了极大关注。演讲者还指出,尽管更简单的策略有效,但包含涉及高级数学概念的长而复杂首字母缩略词的策略往往会吸引更多的兴趣。
强调了平台中信任和安全的重要性。演讲者承认需要与用户建立信任以鼓励他们上传他们的算法以针对市场进行测试。他们确保认真采取安全措施。虽然实时聚合性能数据尚不可用,但演讲者提到大约有 1000 种算法正在模拟中运行。讨论了社交网络对宽客的潜在好处,并认识到它可能不会直接影响单个算法的盈利能力。然而,量化金融界希望与他人建立联系、交流想法并获得见解。 Quantopian 作为学习环境的价值凸显,人们可以在无风险的环境中从成功和错误中学习。
演讲者探讨了平台内各种投资策略分类的流行程度。他们指出,动量和均值回归策略是目前最受欢迎的。他们对该平台为散户投资者提供更易于访问的内容的潜力表示兴奋。提供了 Python 平台回测器的演示,展示了初始化方法和处理数据方法,在实时交易中每天或每分钟执行一次。用户界面设置允许指定回测日期、初始资本和回测频率。社区线程包括一个搜索功能,用于查找和利用其他成员创建的算法。
在最后一部分,演讲者展示了他们的实时交易仪表板,部署了一个基本算法,根据他们的 Interactive Brokers 账户购买九个行业 ETF 的等权重投资组合。仪表板以红色显示与基准相关联的绩效资产曲线、当前头寸、下单和成交。演讲者提到了记录已部署源代码信息的能力。使用的基准是 SPI 的回报,因为目前不提供以公正的方式选择广泛的股票。相反,他们提供每季度更新一次的每日美元交易量范围。
量化交易的注意事项
量化交易的注意事项
量化交易领域的杰出人物 Ernie Chan 博士讨论了挑战,并为该领域的交易者提供了宝贵的建议。他强调了量化交易的难度越来越大,正如行业专家所指出的那样,以及许多机器学习基金的表现不佳。要想成功,交易者必须提高技能并吸取重要教训。根据个人经验,陈博士分享了交易者应避免做的事情,并提供了长期成功的指导。
陈博士强调的主要警告之一是过度杠杆化的诱惑,尤其是在战略表现强劲的时期。虽然凯利公式经常用于风险管理,但他警告说,它可能导致过于乐观的预期,并且对样本周期敏感。相反,他建议使用波动率作为确定杠杆率的更可预测的指标。通过以策略的预期波动为目标,交易者可以确定适当的杠杆水平,关注风险而不是仅仅预测回报。
陈博士为量化交易提供了两条重要的建议。首先,他强调考虑策略的下行风险(即可能损失多少)而不是专注于不可预测的潜在收益的重要性。其次,他警告不要将短期业绩作为选择经理人或确定杠杆率的唯一依据。相反,他建议寻找更长期的业绩记录,并利用短期业绩进行风险管理和逐步重新分配。此外,他鼓励交易员采用以业务为导向的思维方式,将利润再投资于交易业务的基础设施,而不是沉迷于个人奢侈品。
投资于贸易业务的基础设施是陈博士强调的一个话题。他建议优先投资于高质量数据、更快的机器和技术人员。质量数据对于确保准确的回测结果至关重要,而更快的机器可以提高研究效率。雇用具有必要技能的人员可以进一步增强企业的能力。陈博士强调这些投资的长期利益,将交易视为一项严肃的商业冒险。
为了提高研究效率,陈博士强调了投资多核机器和适当的并行计算软件的重要性。这项投资可以将生产率显着提高五到十倍。他还建议关注自己的比较优势,并通过与拥有互补技能(例如编码、战略、营销或运营)的个人合作来弥补任何不足。
陈博士提倡采用合作的方式进行量化交易。他强调合作可以以多种形式进行,包括由大学生组成的虚拟交易小组。分享想法并向他人传授策略可以带来有价值的反馈并提高整体绩效。虽然保护自己的竞争优势很重要,但分享基本的交易理念可以带来知识和见解的净流入。
此外,陈博士建议初学者从基于可靠直觉理由的简单交易策略开始。他强调消除不良交易的价值,而不是仅仅寻求更有利可图的交易。知道什么时候不交易以及什么时候不应用某些想法有助于长期成功。他还鼓励不断学习和改进交易策略。
在问答环节,陈博士分享了构建金融衍生品的见解,推荐使用Python作为该领域的起点,并讨论了动量交易和风险平价等有效策略。他强调需要更好的风险管理来维持战略,即使在回报减少的情况下也是如此。
综上所述,Ernie Chan 博士为量化交易者提供了宝贵的建议。他警告不要过度杠杆化和依赖短期业绩,强调考虑下行风险和关注长期业绩记录的重要性。他强调投资业务基础设施,包括数据、机器和人员。从简单策略开始的协作和持续学习是取得长期成功的关键。
量化金融 | Radovan Vojtko 对量化交易策略的分类
量化金融 | Radovan Vojtko 对量化交易策略的分类
Quantpedia 的首席执行官 Radovan Vojtko 就为其数据库选择量化交易策略的过程提供了宝贵的见解。他强调了利用学术研究来发现可供交易者使用的可靠且可实施的策略的重要性。尽管存在普遍的误解,但 Vojtko 强调,学术论文中仍有大量具有潜力的交易理念。
Vojtko 解释说,最受欢迎的交易策略资产类别是股票,其次是商品、货币、债券和房地产。这些资产类别为实施量化策略提供了广泛的机会。他将量化策略分为不同的类别,包括时机、套利和动量等。
Vojtko 强调的一个关键方面是学术研究中存在盲点,尤其是在债券和大宗商品等覆盖面较广的资产类别中。这些盲点提供了发现新的 alpha 来源的机会,交易者可以利用它们。为了解决 P-hacking 和复制等问题,Vojtko 建议进行严格测试并使用动量匿名化技术。
与已发布的交易策略不再有效的信念相反,Vojtko 断言,一些策略即使在发布后仍继续产生积极的结果,五年后仍有超过 40% 的 alpha。为了选择最有希望的策略,他建议进行样本外测试,提高统计显着性的临界点,建立一个全面的策略数据库,并选择性能最好的策略。
Vojtko 进一步讨论了具体的交易策略,例如商品期货交易中的均值回归方法和盈余公告风险策略。他强调了 alpha 衰减的重要性以及 P-hacking 和数据挖掘带来的挑战。在实施之前严格测试和验证策略至关重要。
针对量化交易策略一旦发布就会失效的误解,Vojtko 引用了一项研究,表明该策略随着时间的推移仍然可以表现良好。他建议交易员避免数据挖掘,并强调需要进行彻底的测试和验证。
在学术研究的复制方面,Vojtko 建议提高统计显着性的临界点,并采用样本外测试来比较基于已发布数据的投资组合。这种方法确保更准确的复制并能够识别获胜策略。
为了扩大盈利策略池,Vojtko 建议建立一个包含广泛策略的数据库,并选择性能最佳的策略。他还提供用于寻找量化交易策略的资源,例如 Social Science Network 和 Quantpedia。
关于量化金融的编程语言,Vojtko 提到了各种选项的可用性,并建议选择一种人们熟悉的语言。 Python 是首选语言,但其他选项(如 Tradestation、Ninjatrader 或 Ami Broker)也可能有效。 Vojtko 强调需要合并金融和技术技能以实现成功的算法交易,并提供教育计划以发展这两个领域的专业知识。
转向数据以获得交易优势 · Dave Bergstrom,量化交易员
转向数据以获得交易优势 · Dave Bergstrom,量化交易员
在此视频中,成功的量化交易员 Dave Bergstrom 分享了他在交易世界的旅程,并强调了利用数据分析技术发现市场优势的重要性。他强调需要避免曲线拟合和过度优化,建议利用多种资源来学习交易和编程,并强调适当的风险管理和现实期望的重要性。 Bergstrom 还讨论了高频交易的潜在衰退,并介绍了他的软件包 Build Alpha,该软件包可帮助交易者寻找和制定有利可图的交易策略。
Dave Bergstrom 最初是一名高频交易员,他讲述了他从几乎攻读法学院到成为一名交易员的历程。在本科学习期间,他深入研究交易,并在金融推特和播客等平台上寻找信息,以了解交易模式和动量股。尽管他早年取得了成功,但 Bergstrom 承认他早期的策略和技术与他现在的交易方法有很大不同。他重点介绍了他在策略开发过程中对数据挖掘技术的使用,并介绍了他的软件包 Build Alpha,它使交易者能够采用本集中讨论的各种形式的分析。
Bergstrom 出身卑微,通过销售假冒的 NFL 球衣和钱包揭示了他最初涉足贸易领域的经历。随后,他资助了一个交易账户并从事基于动量和技术分析的股票交易,尤其是图表模式。然而,他面临着不一致的情况,并且难以理解为什么他的资产余额总是回到零。随着经验的增加,Bergstrom 意识到缺乏系统的方法阻碍了他获得一致回报的能力。直到他搬到佛罗里达州并在一家高频交易公司担任交易助理后,他才发现了定量分析的领域,为他的交易努力的一致性铺平了道路。
Bergstrom 进一步讨论了他向需要数据分析的角色的转变。为了在这个职位上脱颖而出,他自学编程并专注于客观的技术分析,因为他的公司相信识别数据中的异常或模式可能导致有利可图的交易。他解释了在使用策略之前进行测试和回溯测试的过程,这一过程需要数年的反复试验才能取得持续的成功。 Bergstrom 对技术分析的看法发生了变化,倾向于利用数据识别模式的客观分析,而不是依赖直觉的主观分析。
编程在 Bergstrom 的交易之旅中发挥着重要作用,他认为这是一种超能力。认识到 Excel 不足以处理高频交易中的大量数据,他学习编程以从交易助理角色晋升为交易台角色。 Bergstrom 认为编程是一项出色的投资,因为它的收益不对称且风险极小。他建议有抱负的程序员探索不同的资源,保持勤奋,并向知识渊博的人寻求指导以加快学习过程。
Bergstrom 强调在学习交易和编程时寻求多种资源的重要性。他建议使用 Stack Exchange 等平台进行编程,并鼓励学习多种编程语言,例如 Python、C++ 和 Java。在讨论他的交易方法时,Bergstrom 将自己定位为数据挖掘者,并相信通过数据分析可以发现许多市场优势。虽然有些人认为数据挖掘容易过度拟合,但他认为,如果采取措施防止过度拟合和过度优化,它可能是一个有价值的工具。
Bergstrom 阐明了他如何通过数据挖掘发现交易优势,并使用适应度函数根据特定标准搜索有利可图的策略。他强调了避免曲线拟合的重要性,方法是采用保持最低交易数量和利用交叉验证等技术。他解释说,边缘是指具有积极期望的事物,可以通过数据分析来识别。最终,他寻求有利可图的策略,即使它们不是基于预先存在的假设,但他对符合逻辑推理的策略更有信心。
Bergstrom 表示,在测试策略时,进行大量交易至关重要。他强调了曲线拟合的风险,并建议不要使用回溯期来优化参数。相反,他更喜欢使用非参数指标,如计数措施。此外,Bergstrom 强调了市场制度以及交易量和波动性在理解市场行为方面的重要性。他提到了他在 Twitter 上分享的一张强大的图表,该图表说明了设定切合实际的预期和采用蒙特卡罗分析以避免向交易系统分配资金不足的重要性。
交易中的现实预期得到进一步探讨,正如伯格斯特罗姆强调的那样,即使回测显示有利可图的策略,了解现实生活中的结果可能有所不同也至关重要。蒙特卡罗模拟和方差测试等工具可帮助交易者创建可能结果的分布并为未来交易建立切合实际的预期。 Bergstrom 介绍了他的三项交易法则,第一条法则支持不对称的风险回报率。这意味着他更喜欢较低的胜率但较高的回报,而不是相反。
适当的风险管理在 Bergstrom 的交易理念中占据中心位置,尤其是在下注规模方面。他解释说,在同一模式或系统中,一笔交易的规模明显大于其他交易对交易者而言是不利的。 Bergstrom 警告不要过度投资于“令人兴奋的”交易,因为它会阻止数学概率在大量交易中发挥作用,而这是大数法则生效所必需的。他建议在大量交易中以更保守和一致的方式进行交易,以确保优势得以体现。虽然日内交易和高频交易更符合大数法则,但 Bergstrom 认为,如果方差测试令人满意,每日时间框架也可能有效。
Bergstrom 深入研究了跨市场战略稳健性的重要性。虽然他承认制定适用于多个市场的策略的价值,但他倾向于回避那些产生不足交易的策略。关于交易成本和在每笔交易中寻求更高的利润,Bergstrom 认为一种平衡的方法是可以实现的。该策略不应承受过高的交易成本,但与此同时,不应设计为产生过多的交易。换档,Bergstrom 解决了围绕高频交易 (HFT) 的常见误解,指出由于人们寻找替罪羊,它经常受到不公平的诽谤。他坚信高频交易是有益的,没有掠夺性的意图。
最后,Bergstrom 讨论了高频交易的潜在衰退,他将其归因于竞争加剧和策略暴露。争论的焦点是下跌是由于市场过度饱和还是央行实施的货币政策不支持高频交易所需的双向市场。 Bergstrom 推出了他的软件包 Build Alpha,它使用户能够根据退出标准和适应度函数选择信号并搜索不同的策略。该软件确定最佳策略并为每个策略生成可交易代码,从而实现投资组合的创建和全面分析。有兴趣的人可以访问网站 buildalpha.com 或通过电子邮件David@buildalpha.com或 Twitter @Deeper_DB 联系 Dave Bergstrom。
总之,Dave Bergstrom 成为一名成功交易员的历程展示了数据分析技术在寻找市场优势方面的重要性。他强调防止曲线拟合、利用多种资源进行学习、实践适当的风险管理以及保持切合实际的期望,为有抱负的交易者提供了宝贵的见解。此外,他对高频交易的想法和 Build Alpha 的推出表明了他致力于通过创新的软件解决方案推进交易策略和增强交易者的能力。
哪种编程语言用于量化和高频交易
哪种编程语言用于量化和高频交易
本视频全面概述了量化交易和高频交易 (HFT) 中常用的编程语言。演讲者将这些语言分为原型研究和解释性脚本语言,以及 Java、C#、C 和 C++ 等遗留编译语言。详细讨论了用于建模交易想法的流行语言的优缺点,包括 Python、R、MATLAB 和 Microsoft Visual Studio。此外,该视频强调了选择编程语言时的重要考虑因素,例如主机托管、具有成本效益的原型设计和代理支持。它强调使用生产力工具并考虑整个交易系统的重要性,包括风险管理和投资组合管理。
演讲者首先根据编程语言对原型研究和解释性脚本的适用性将编程语言分为不同的组。在量化交易的背景下,他特别提到 Python 和 MATLAB 作为交易想法建模的流行选择。然而,他指出了 Python 分裂版本(2.7 和 3.x)的挑战,并强调了 R 的兼容性和性能问题。一方面,Python 提供了许多选项,这对开发人员来说可能是压倒性的,并且需要额外的培训。另一方面,R在兼容性和性能方面有一定的局限性。
展望未来,演讲者深入探讨了量化和高频交易中常用的各种编程语言。讨论了 Python,强调了它在数据包方面的优势,但也强调了它的缺点,例如执行速度较慢和订单管理功能有限。演讲者还提到了 MATLAB 2015 和 Microsoft Visual Studio 2015,它们允许集成 Python。突出显示了 Java、C#、C 和 C++ 等遗留编译语言,建议将 Java 作为编程初学者的合适起点。 C# 因其易于理解和先进的技术而受到赞誉,而 C# 的最佳性能仅限于 Windows 环境。
视频进一步探讨了适用于量化和高频交易的编程语言,包括 Java、C/C++ 和 MATLAB。 Java 和 C# 以易于与数据库集成而著称,但由于垃圾收集会影响性能,因此可能会出现限制。 C 和 C++ 被誉为提供最佳速度和内存控制的语言,但它们学习起来可能更复杂。 MATLAB 被认为是一个功能强大的多功能平台,具有用于数据采集、分析、交易执行和风险管理的各种工具箱。它的高级数学和机器学习支持,以及通过 MATLAB Coder 使用 C/C++ 生成代码的能力得到了强调。演讲者还提到了使用 MATLAB Production 将 MATLAB 嵌入到高性能 Web 服务器中的选项。
详细讨论了在量化交易和高频交易中选择编程语言的注意事项。演讲者强调了在交易交易所(尤其是高频交易)中托管的优势,并提到 MathWorks 作为促进托管的提供商。 Lab Home Edition 的起价为 150 美元,是一种经济高效的原型制作环境。此外,经纪人的选择被强调为影响编程语言选择的关键因素。 Interactive Brokers 被强调为支持 Java、C++ 和 C# 等传统语言的代理。演讲者建议新手使用生产力工具,并强调需要考虑交易系统的更广泛方面,包括风险管理、评估和投资组合管理。
总的来说,该视频提供了有关量化交易和高频交易中使用的不同编程语言、它们的优势和局限性以及选择交易语言时要考虑的关键因素的宝贵见解。它强调了了解整个交易系统和使用适当工具进行高效交易操作的重要性。
“基本统计套利:了解配对交易背后的数学”,作者:Max Margenot
“基本统计套利:了解配对交易背后的数学”,作者:Max Margenot
在 Max Margenot 呈现的题为“基本统计套利:理解配对交易背后的数学”的视频中,统计套利的概念得到了彻底的解释。 Margenot 描述了统计套利如何涉及基于通过统计分析和市场行为模型确定的不平衡来创建交易。该视频侧重于配对交易,它依赖于基本统计概念,例如平稳性、积分顺序和协整。
Margenot 首先介绍了他公司的平台 Quantopian,该平台提供免费统计数据和金融讲座,以帮助个人开发交易算法。然后,他深入研究了配对交易中平稳性、积分顺序和协整的重要性。平稳性是指时间序列中的所有样本都来自具有相同参数的相同概率分布,在金融应用中通常假设为正态分布。引入增强的 Dickey-Fuller 检验作为检验平稳性的方法。
演讲者强调了与现实世界数据相关的不确定性,强调了假设检验中出现误报的可能性,尤其是在处理变量之间微妙或隐蔽的关系时。他通过在时间序列中生成一种可能无法通过假设检验检测到的病理关系来证明这一点。 Margenot 强调了对结果进行谨慎解释的重要性,并提醒观众即使对图表进行目视检查也可能无法揭示潜在的统计特性。
讨论了建模时间序列的局限性和误报的可能性。虽然时间序列可能表现出均值回归行为,但并不总是表明平稳性。平稳性表示时间序列既是均值回归又遵循平稳、确定性和随机分布的场景。引入积分阶数的概念,零阶积分不代表平稳,平稳意味着零阶积分。还解释了累积和,说明零阶的多重积分如何导致更高阶的积分。
解决了金融中固定回报的假设和寻找固定时间序列的困难。假定回报服从正态分布,表明平稳性。集成顺序和差异表示法用于测试平稳性。演讲者指出,从理论上讲,由于价格序列与收益的关系,因此价格序列应整合一阶,而收益则整合零阶。使用公司的定价数据提供了一个示例。
Margenot 继续解释协整的概念,它涉及以特定定义的方式对时间序列进行积分,以产生平稳的线性组合。尽管找到两个同时平稳的综合时间序列可能具有挑战性,但在探索具有合理经济基础的价格序列时,协整可能很有价值。演讲者强调,即使没有均值回归的特定时间模型,也可以根据固定点差的当前值进行投注。
演示了创建模拟数据的过程,以说明使用线性回归进行点差计算和估计。 Margenot 强调,财务数据很少像从一个变量中减去另一个变量那样简单,因此需要线性回归来估计变量之间的关系。目标是确定贝塔值,贝塔值表明投资组合在市场回报方面的构成。此信息允许成对交易的多头和空头头寸。提供了一个涉及一对替代能源证券的示例来说明该概念。
解释了为基本统计套利构建两种潜在证券之间的线性回归。 Margenot 建议在同一行业内寻找两种表现出某种关系的证券作为起点,以确定潜在的协整关系,这可能预示着套利机会。虽然两种证券之间的稳定性是有益的,但演讲者强调需要尽可能多地进行不同的独立投注,而不是仅仅依赖一对。
统计套利中货币对和交易的计算基于所检查货币对的对数回报。对数回报之间的线性回归,称为 Engle-Granger 方法,用于确定回归是否平稳。一旦建立了合理的世界模型,交易者就可以通过拥有比其他人更多的信息并做出相对明智的赌注来获得优势。为了积极交易和更新滚动价差,均值和标准差的滚动概念是必要的。可以利用移动平均线和普通过滤器等不同方法来迭代和增强交易策略。
演讲者强调统计套利可以是简单或复杂的单位策略。它涉及确定要交易的股票对之间的平稳性、协整性和关系。一个人与其他人相比拥有的信息越多,他们就越能利用这些关系。建立多元化的投资组合需要相互独立的赌注。重新平衡的频率取决于各个货币对和数据中观察到的平稳性持续时间。
视频继续讨论使用实时数据模拟算法交易。线性回归的假设,例如异方差性,被认为是影响其可行性的因素。在对股票对之间的关系进行建模时,协整优于相关性,因为它代表了表明平稳性的更强条件。可以使用假设点差的均值和标准差系统地确定赌注大小,这与相关性不同,相关性可能不适用于系统性方法。
总之,该视频提供了对统计套利和配对交易的全面解释。它涵盖基本概念,例如平稳性、积分顺序和协整。强调了仔细解释统计结果的重要性和独立投注的必要性。演讲者强调了线性回归在估计成对股票之间的关系中的作用以及均值回归在识别套利机会中的重要性。该视频最后讨论了算法交易的模拟以及在统计套利中构建多元化投资组合的注意事项。
量化金融和高频交易实用 C++ 编程的完整概述
量化金融和高频交易实用 C++ 编程的完整概述
该视频全面概述了 C++ 编程在金融和高频交易 (HFT) 中的使用,提供了对该领域各个方面的宝贵见解。它首先讨论了《实用 C++ 金融编程》一书,强调了它在金融行业的重要性。本书涵盖了固定收益股票等基本主题,并提供了结构良好的代码部分的实际示例。它假定您熟悉 C++ 编程,并提供有关有效利用 C++ 模板的指导。演讲者强调了STL和boost库的正确使用,以及开源库的使用,如new plot用于绘图和QT用于界面设计。
接下来,该视频探讨了 QT 的使用,QT 是一种使用 C++ 开发用户界面的强大工具。虽然 QT 支持创建复杂的图形界面,但它偏离了传统的 C++ 方法,视频阐明了这方面的内容。然后,演示文稿深入探讨了线性代数、插值和数值积分等数学概念,将它们分解为基本算法和方程式以促进理解。还讨论了与金融相关的流行算法和建模技术,并深入了解它们在 C++ 中的实现。该视频强调了蒙特卡洛模拟对金融应用的重要性,并用一章专门介绍了这一关键主题。此外,还探讨了使用 Lua 和 Python 扩展金融库,并概述了高频交易职位最流行的编程语言。
随着视频的推进,它重点介绍了 Python 和 Lua 与 C++ 的集成,并展示了如何利用 Lua 在 C++ 应用程序中的可嵌入性,有效地将 Lua 与 Redis 结合使用。还涵盖了各种 C++ 技术,包括使用 Plaza 的多线程以及 C++ 11 和 14 功能的利用。该视频为尝试 C++ 编程的个人提供了极好的介绍性资源,解决了与该语言相关的一些内存管理挑战。它为学习 C++ 编程提供了全面的路线图,包括可供用户使用的各种选项和技术。
最后,演讲者分享了对最近出版的一本关于金融和高频交易应用程序 C++ 编程的书的积极评价。本书专门介绍了 C++ 17 中引入的解决低级硬件问题的新功能,使其成为对该专业领域感兴趣的人的宝贵资源。尽管演讲者承认与本书没有任何关系,但他强烈推荐将其作为对该领域现有资源的宝贵补充。
算法交易基础:示例和教程
算法交易基础:示例和教程
本视频全面概述了算法交易,涵盖交易风格、市场和系统等各个方面。演讲者首先解释算法交易的基本原理,强调使用基于价格行为、交易量和数学指标的技术分析。需要强调的是,算法交易涉及使用计算机执行交易和对算法进行回溯测试,这与传统的技术分析不同。
介绍了不同类型的量化/算法交易,包括高频交易、统计套利和趋势/均值回归/动量交易。演讲者特别关注期货市场的波段交易和日内交易。统计套利涉及通过同时买卖资产来利用价格差异,而趋势/均值回归/动量交易则利用计算机执行定向交易以获取利润。为了说明这些概念,我们使用 TradeStation 软件演示了一个算法交易程序示例。该程序旨在使用红色蜡烛在下跌日买入,并在接下来的上涨日卖出,并包含美元目标和止损。演讲者展示了将此算法程序集成到标准普尔 500 E-mini 图表中以进行回溯测试。
下一部分探讨 TradeStation 上的交易策略。演讲者使用图表来展示基于蜡烛颜色的策略成功或失败的实例。他们缩小以展示 TradeStation 生成的绩效报告,提供净利润、总利润、赢率、平均交易和回撤等指标。策略的优化也通过调整止损和目标来解决,以评估不同输入的性能。演讲者强调了算法交易节省时间的方面,因为它可以提供有价值的见解,否则可能需要数月才能发现。
算法交易的优点和缺点将在后续部分讨论。优势包括减少人为和情感错误、快速回测交易想法、更快的订单输入以及测试多个想法和构建投资组合的能力。然而,也承认过度自信、过度优化以及无法考虑地缘政治事件或基本面交易技术等缺点。虽然可以对算法进行编程以避免在重要的政治或经济日子进行交易,但它通常可以在所有市场条件下运行。
该视频最后总结了其内容。它阐明了量化交易与基本面或常规技术交易之间的区别,通过一个简单的算法示例强调了算法交易的强大功能。重申了算法交易的优点和缺点,以便全面了解。演讲者鼓励观众提出任何问题,并表示希望该视频能够提供信息和帮助。