Estratégias De Negociação Comparação

Ao lado de comerciantes ativos, não há arguably nenhum cliente mais valioso a um corretor em linha do que um comerciante das opções. Os negócios com opções oferecem margens de lucro muito mais altas para os corretores do que os negócios em ações e, como resultado, a concorrência é feroz em atrair esses clientes. Este tipo de atmosfera de mercado é grande para os investidores, porque com a concorrência saudável vem inovação e preços competitivos. Nosso vencedor novamente este ano, OptionsHouse (adquirido pela ETRADE em 2016), entende o que é preciso para ter sucesso neste nicho. OptionsHouse não só oferece comissões de opções altamente competitivas, mas também uma plataforma fantástica. Operações de opções são um flat 4.95 .50 por contrato. Apenas Interactive Brokers oferece melhores preços para negociações de opções. Plataforma sábia, OptionsHouses plataforma web oferece todas as ferramentas de um comerciante de opções poderia querer e exibe-os em forma magnífica. Atenção aos detalhes, como automática ao lado personalizado spreads agrupamentos, sem esforço de digitalização através de strategySEEK, e easy-to-understand riskreward dados através tradeLAB, fazer OptionsHouse uma experiência verdadeiramente única. A plataforma OptionsHouse é a melhor da indústria. Mantendo o foco em plataformas de alta octanagem e ferramentas para comerciantes opções, TD Ameritrades thinkorswim e TradeStation não pode ser deixado de fora. Estratégia Roller de thinkorswim permite aos clientes criar regras personalizadas e rolar suas posições de opções existentes automaticamente. O número de configurações e profundidade de personalização disponíveis é impressionante, e algo weve cresceu a esperar de thinkorswim. Para não ficar para trás, a ferramenta TradeStations OptionsStation torna a análise de negociações potenciais uma brisa, e até vai tão longe quanto incluir gráficos 3D PL. Os investidores observam, no entanto: pipoca e óculos 3D não são necessários, e enquanto visualmente atraente, não vimos qualquer vantagem distinta sobre o tradicional 2D PL gráfico. Se características exclusivas e funcionalidade lhe interessam, o tipo de ordem do limite de caminhada de Charles Schwabs, que andará sua ordem para tentar começ o preço o mais favorável dentro da oferta ou da oferta nacional a mais melhor (NBBO), é realmente impressionante. O corretor também oferece Idea Hub, que usa scans direcionados para quebrar visualmente novas negociações de opções possíveis. Há um monte de grandes corretores para escolher no mundo das opções de negociação. Em 2017, os investidores devem esperar que seu corretor inclua análise, análise de PL, análise de risco e gerenciamento de ordem fácil. Funcionalidade de gerenciamento de posição e amarrar a experiência todos juntos é onde plataformas como OptionsHouse e thinkorswim realmente se destacar e se distinguem. Em última análise, trata-se de preferências pessoais e prioridades de ponderação, como custo por comércio versus facilidade de uso e seleção de ferramentas. Todos os dados de preços foram obtidos de um site publicado como 2202017 e acredita-se ser preciso, mas não é garantido. A equipe de funcionários de StockBrokers está trabalhando constantemente com seus representantes em linha do corretor para obter os dados os mais atrasados ​​do preço. Se você acredita que os dados listados acima são imprecisos, entre em contato conosco usando o link na parte inferior desta página. Para as taxas de estoque, preços anunciados é para um tamanho de ordem padrão de 500 ações de ações com preço de 30 por ação. Para ordens de opções, uma taxa regulatória de opções por contrato pode ser aplicada. TD Ameritrade, Inc. e StockBrokers são empresas separadas, não afiliadas e não são responsáveis ​​por cada outros serviços e produtos. As opções não são adequadas para todos os investidores, pois os riscos especiais inerentes à negociação de opções podem expor os investidores a perdas potencialmente rápidas e substanciais. Privilégios de negociação de opções sujeitos à revisão e aprovação da TD Ameritrade. Leia as Características e os Riscos das Opções Padronizadas antes de investir em opções. Oferta válida para uma nova conta Individual, Conjunta ou IRA TD Ameritrade aberta por 09302017 e financiada dentro de 60 dias corridos após a abertura da conta com 3.000 ou mais. Para receber 100 bônus, a conta deve ser financiada com 25.000-99.999. Para receber 300 bônus, a conta deve ser financiada com 100.000-249.999. Para receber 600 bônus, a conta deve ser financiada com 250.000 ou mais. A oferta não é válida em fundos fiduciários isentos de impostos, contas de 401k, planos Keogh, Plano de Participação nos Lucros ou Plano de Compra de Dinheiro. A oferta não é transferível e não é válida com transferências internas, contas administradas pela TD Ameritrade Investment Management, LLC, contas TD Ameritrade Institutional e contas atuais da TD Ameritrade ou com outras ofertas. As ordens de Internet, comissões ou comissões de opções qualificadas sem comissões serão limitadas a um máximo de 250 e deverão ser executadas no prazo de 90 dias corridos após o financiamento da conta. As taxas de contrato, exercício e cessão ainda se aplicam. Limitar uma oferta por cliente. O valor da conta qualificável deve permanecer igual ou maior que o valor após o depósito líquido ter sido feito (menos perdas devido à negociação ou volatilidade de mercado ou saldos de débito da margem) por 12 meses, ou a TD Ameritrade pode cobrar a conta para O custo da oferta, a seu exclusivo critério. A TD Ameritrade reserva-se o direito de restringir ou revogar esta oferta a qualquer momento. Esta não é uma oferta ou solicitação em qualquer jurisdição onde não estamos autorizados a fazer negócios. Aguarde 3-5 dias úteis para que os depósitos em dinheiro sejam lançados na conta. Os impostos relacionados às ofertas da TD Ameritrade são de sua responsabilidade. Valores de varejo que totalizam 600 ou mais durante o ano civil serão incluídos em seu formulário consolidado 1099. Consulte um conselheiro legal ou fiscal para as alterações mais recentes ao código de imposto dos EUA e para regras de elegibilidade rollover. (Código de Oferta 264) Membro da TD Ameritrade Inc. FINRASIPC. TD Ameritrade é uma marca de propriedade conjunta da TD Ameritrade IP Company, Inc. e do Toronto-Dominion Bank. 2016 TD Ameritrade IP Company, Inc. Todos os direitos reservados. Usado com permissão. Aviso Legal . É a principal missão de nossas organizações fornecer revisões, comentários e análises imparciais e objetivas. Enquanto StockBrokers tem todos os dados verificados por participantes da indústria, pode variar de tempos em tempos. Operando como um negócio on-line, este site pode ser compensado através de anunciantes de terceiros. Nosso recebimento de tal compensação não deve ser interpretado como um endosso ou recomendação por StockBrokers, nem deve influenciar nossos comentários, análises e opiniões. Por favor, consulte nossas isenções gerais para obter mais informações. Reink Media Group LLC. Todos os direitos reservados. Trading Systems Trading Systems Sistemas de negociação são a espinha dorsal para os comerciantes mecânicos. Os comerciantes ao longo do tempo aprender seus pontos fortes e fracos. Este processo de evolução leva um comerciante cada vez mais perto do objetivo final de rentabilidade. Este processo requer um pouco de contusões de ego ego e conta bancária. No entanto, no final desta maturação um comerciante, inevitavelmente, sair vitorioso. Embora existam alguns comerciantes que ganhar dinheiro com o dom do toque. A grande maioria dos comerciantes profissionais aprenderam a desenvolver um sistema de comércio vencedor para alcançar o sucesso. Agora, existem alguns sistemas de comércio livre na Internet, mas muitas vezes estes são apenas até técnicas de venda, na esperança de chamar uma pessoa para a grande compra da estratégia premium. Agora, enquanto lá provavelmente é um sistema de comércio livre sólido lá fora, as probabilidades são se o seu livre você está indo para obter o que você paga. Auto Trading System Auto trading permite que o profissional comerciante olhar para o mercado objetivamente. Uma vez que o mercado não é nada mais do que a soma emocional de seus participantes, um sistema de negociação automática permitirá um comerciante para se separar do ruído. Este é o poder dos sistemas de negociação. O sistema irá executar um sinal de negociação, independentemente do que o investidor pode estar emocionalmente sentindo no momento em que o comércio é iniciado. Houve provavelmente um número de comerciantes durante o boom da internet que queria ficar muito tempo porque eles tinham feito tanto dinheiro. Mas qualquer bom sistema automatizado teria tido um número de paradas de proteção no lugar, o que teria colocado o comerciante em uma posição de caixa. Sistemas de negociação automática são um componente essencial de corretores de acesso direto e profissionais de day trading. A maioria das lojas de varejo só oferecerá ordens de compra e venda, mas não negociação totalmente automatizada. O corretor de acesso direto TradeStation Securities, permite que um comerciante para desenvolver estratégias utilizando TradeStations codificação script - linguagem fácil. A linguagem fácil permite que um profissional com pouca ou nenhuma experiência de desenvolvimento escreva estratégias complexas de compra e venda. Estes sistemas podem então ser usados ​​para executar comércios vivos no mercado. A maioria das plataformas de negociação permitirá ao comerciante a escolha das ordens que estão sendo enviadas para o mercado imediatamente ou a autorização do usuário antes da execução. A autorização da ordem permite que um comerciante aplique algum sentido da subjetividade a um sistema negociando. Exigir autorização também pode ser um jogo perigoso como um comerciante nunca sabe quando um sinal de negociação vai trabalhar em seu favor. É por isso que seu melhor para todo o sistema de comércio para executar todos os sinais de negociação, versus tentando escolher e escolher quais os sinais a tomar. Trading System Review Antes de usar qualquer método de negociação, deve haver uma análise aprofundada do sistema de comércio. Embora haja uma série de serviços que oferecem uma revisão do sistema de negociação, é finalmente até o investidor individual para realizar sua diligência. A principal coisa a lembrar é não apenas concentrar-se nos ganhos ao longo de um determinado período de tempo, mas também o máximo drawdown e exposição ao risco do sistema. Por exemplo, se um sistema de baixa é enorme durante um mercado de urso, isso não significa muito. O sistema também deve ser julgado durante uma época de força de mercado também. Lembre-se, não é o sistema, mas sim a sua crença cega na estratégia que acabará por levar ao sucesso. Para obter uma lista de sistemas de negociação visite tradingsystemreviews. As revisões dos sistemas de negociação do site publicaram feedback de usuários e informações de custos para muitos dos sistemas de negociação disponíveis na Internet. Relacionados PostThe Mercado de Câmbio é enorme, com volumes diários de mais de 4 trilhões de dólares. Ao negociar Forex você precisa de um corretor de Forex confiável e altamente regulamentado oferecendo: (i) Narrow Spreads amp Comissões (ii) Variedade de Opções de Negociação e Ativos (iii) Execução Rápida sem Re-Quotes News-Trading e Curry-Trading são os melhores Estratégias para Trading Forex. ÍNDICES DE STOCKS Os índices de estoque de negociação podem se revelar muito lucrativos no longo prazo se você aprender a respeitar algumas regras básicas. Você começa a ganhar dinheiro assim que você se torna capaz de identificar com sucesso duas variáveis ​​comerciais importantes: (i) O que comprar usando análise fundamental (ii) Quando comprar usando análise técnica Ações e índices tendem a seguir padrões de alta últimos 7-9 anos E depois de padrões de baixa últimos 3-4 anos. Mercados de commodities Trading Commodities requer informações perfeitas e uma boa compreensão de como a demanda e a oferta mudam de vez em quando. (Iii) Instrumentos Exóticos Opções Binárias Energia As commodities tendem a seguir os padrões de tempo anuais enquanto os Metais Preciosos tendem a seguir círculos de tempo mais longos. Novembro 30, 2016, 12:34 pm Alguns meses atrás, um leitor me apontar esta nova maneira de conectar R e Excel. Eu não sei por quanto tempo isto tem sido em torno, mas nunca me deparei com ele e nunca vi qualquer postagem no blog ou artigo sobre ele. Então eu decidi escrever um post como a ferramenta é realmente vale a pena e antes que alguém pergunta, I8217m não relacionados com a empresa de qualquer forma. BERT significa Basic Excel R Toolkit. It8217s livre (licenciado sob o GPL v2) e foi desenvolvido por Structured Data LLC. No momento da redação, a versão atual do BERT é 1.07. Mais informações podem ser encontradas aqui. De uma perspectiva mais técnica, o BERT foi projetado para suportar a execução de funções R a partir de células da planilha do Excel. Em termos de Excel, it8217s para escrever User-Defined Functions (UDFs) em R. Neste post I8217m não vai mostrar-lhe como R e Excel interagem via BERT. Existem muito bons tutoriais aqui. Aqui e aqui. Em vez disso eu quero mostrar-lhe como eu usei BERT para construir um 8220control tower8221 para o meu comércio. Meus sinais de negociação são gerados usando uma longa lista de arquivos R, mas eu preciso da flexibilidade do Excel para exibir resultados de forma rápida e eficiente. Como mostrado acima BERT pode fazer isso para mim, mas eu também quero adaptar a aplicação às minhas necessidades. Ao combinar o poder de XML, VBA, R e BERT eu posso criar uma boa aparência ainda poderosa aplicação sob a forma de um arquivo do Excel com o mínimo de código VBA. Finalmente, tenho um único arquivo Excel reunindo todas as tarefas necessárias para gerenciar meu portfólio: atualização de banco de dados, geração de sinal, envio de pedidos etc8230 Minha abordagem pode ser dividida nas 3 etapas abaixo: Use XML para criar menus e botões definidos pelo usuário em um Excel Arquivo. Os menus e botões acima são essencialmente chamadas para funções VBA. Essas funções VBA são wrapup em torno de funções R definidas usando BERT. Com essa abordagem, posso manter uma clara distinção entre o núcleo do meu código mantido em R, SQL e Python e tudo usado para exibir e formatar os resultados mantidos em Excel, VBA amp. XML. Nas próximas seções eu apresento o pré-requisito para desenvolver tal abordagem e um guia passo a passo que explica como o BERT poderia ser usado para simplesmente passar dados de R para o Excel com o mínimo de código VBA. 1 8211 Baixe e instale o BERT a partir deste link. Depois que a instalação for concluída você deve ter um novo menu Add-Ins no Excel com os botões, como mostrado abaixo. Foi assim que o BERT se materializou no Excel. 2 8211 Baixe e instale o editor de UI personalizado. O Custom UI Editor permite criar menus e botões definidos pelo usuário na fita Excel. Um procedimento passo a passo está disponível aqui. Guia passo a passo 1 8211 Código R: A função abaixo R é um código muito simples para fins de ilustração. Calcula e retorna os resíduos de uma regressão linear. Isso é o que queremos recuperar no Excel. Salve isso em um arquivo chamado myRCode. R (qualquer outro nome é muito bem) em um diretório de sua escolha. 2 8211 funções. R no BERT. No Excel, selecione Add-Ins - gt Home Directory e abra o arquivo chamado functions. R. Neste arquivo cole o seguinte código. Certifique-se de inserir o caminho correto. Este é apenas sourcing em BERT o arquivo R que você criou acima. Em seguida, salve e feche o arquivo functions. R. Se você quiser fazer qualquer alteração no arquivo R criado na etapa 1, você terá que recarregá-la usando o botão BERT 8220Reload Startup File8221 no menu Add-Ins do Excel 3 8211 No Excel: Crie e salve um arquivo chamado myFile. xslm (Qualquer outro nome é bom). Este é um arquivo habilitado para macro que você salva no diretório de sua escolha. Depois que o arquivo é salvo, feche-o. 4 8211 Abra o arquivo criado acima no editor de UI personalizado: Depois que o arquivo estiver aberto, cole o código abaixo. Você deve ter algo parecido com isso no editor XML: Essencialmente, esse pedaço de código XML cria um menu adicional (RTrader), um novo grupo (Meu Grupo) e um botão definido pelo usuário (Novo Botão) na fita Excel. Depois de feito, abra myFile. xslm no Excel e feche o Editor de UI personalizado. Você deve ver algo como isto. 5 8211 Editor de VBA aberto. Em myFile. xlsm insira um novo módulo. Cole o código abaixo no módulo recém-criado. Isso apaga resultados anteriores na planilha antes de lidar com novos. 6 8211 Clique em Novo Botão. Agora volte para a planilha e no menu do RTrader clique no botão 8220New Button8221. Você deve ver algo como o abaixo aparecendo. O guia acima é uma versão muito básica do que pode ser alcançado usando BERT, mas mostra como combinar o poder de várias ferramentas específicas para construir seu próprio aplicativo personalizado. De minha perspectiva, o interesse de tal abordagem é a capacidade de colar juntos R e Excel, obviamente, mas também para incluir via XML (e lote) pedaços de código de Python, SQL e muito mais. Isso é exatamente o que eu precisava. Finalmente, gostaria de saber se alguém tem alguma experiência com o BERT. Ao testar estratégias de negociação, uma abordagem comum é dividir o conjunto de dados inicial em dados de amostra: a parte dos dados projetada para calibrar O modelo e fora dos dados de amostra: a parte dos dados utilizados para validar a calibração e garantir que o desempenho criado na amostra será refletida no mundo real. Como regra geral, cerca de 70 dos dados iniciais podem ser utilizados para calibração (i. e. na amostra) e 30 para validação (isto é, fora da amostra). Em seguida, uma comparação dos dados de entrada e saída de dados ajuda a decidir se o modelo é suficientemente robusto. Este post pretende ir um passo mais longe e fornece um método estatístico para decidir se os dados fora da amostra está em consonância com o que foi criado na amostra. No gráfico abaixo a área azul representa o desempenho fora da amostra para uma das minhas estratégias. Uma inspeção visual simples revela um bom ajuste entre o dentro e fora do desempenho da amostra, mas que grau de confiança eu tenho nesta Nesta fase não muito e este é o problema. O que é verdadeiramente necessário é uma medida de semelhança entre os conjuntos de dados de entrada e saída. Em termos estatísticos, isto poderia ser traduzido como a probabilidade de que os valores de desempenho dentro e fora da amostra provenham da mesma distribuição. Existe um teste estatístico não-paramétrico que faz exatamente isso: o teste de Kruskall-Wallis. Uma boa definição deste teste pode ser encontrada no R-Tutor 8220A coleção de amostras de dados são independentes se vierem de populações não relacionadas e as amostras não afetam uns aos outros. Utilizando o teste de Kruskal-Wallis. Podemos decidir se as distribuições da população são idênticas sem supor que elas sigam a distribuição normal.8221 O benefício adicional deste teste não está assumindo uma distribuição normal. Existem outros testes da mesma natureza que poderiam caber nessa estrutura. O teste de Mann-Whitney-Wilcoxon ou os testes de Kolmogorov-Smirnov seriam perfeitamente adequados ao quadro descreve aqui no entanto isso está além do escopo deste artigo para discutir os prós e contras de cada um desses testes. Uma boa descrição junto com exemplos de R pode ser encontrada aqui. Aqui o código usado para gerar o gráfico acima e a análise: No exemplo acima, o período de amostra é mais longo do que o período fora da amostra, portanto, eu criei aleatoriamente 1000 subconjuntos dos dados da amostra, cada um deles com o mesmo comprimento que o out Dos dados da amostra. Em seguida, eu testei cada um no subconjunto de amostra contra a saída de dados de amostra e eu gravei os valores de p. Este processo não cria um único valor de p para o teste de Kruskall-Wallis, mas uma distribuição que torna a análise mais robusta. Neste exemplo, a média dos valores de p está bem acima de zero (0,478) indicando que a hipótese nula deve ser aceita: existem fortes evidências de que os dados de entrada e saída da amostra vêm da mesma distribuição. Como de costume o que é apresentado neste post é um exemplo de brinquedo que apenas arranhões a superfície do problema e deve ser adaptado às necessidades individuais. No entanto, penso que propõe um quadro estatístico interessante e racional para avaliar os resultados da amostra. Este post é inspirado nos seguintes dois artigos: Vigier Alexandre, Chmil Swann (2007), Efeitos de Várias Funções de Otimização no Desempenho de Amostra de Estratégias de Negociação Geneticamente Evoluídas, Previsão de Mercados Financeiros Conferência Vigier Alexandre, Chmil Swann (2010), An Processo de otimização para melhorar inout da consistência da amostra, um caso de mercado de ações, JP Morgan Cazenove Equity Quantitative Conference, Londres Outubro de 2010 13 de dezembro de 2015, 2:03 pm Fazendo investigação quantitativa implica um monte de dados crunching e precisa de dados limpos e confiáveis ​​para Alcançar este objectivo. O que é realmente necessário são os dados limpos que é facilmente acessível (mesmo sem uma conexão à Internet). A maneira mais eficiente de fazer isso para mim foi manter um conjunto de arquivos csv. Obviamente, este processo pode ser tratado de muitas maneiras, mas eu encontrei tempo extra muito eficiente e simples para manter um diretório onde eu armazenar e atualizar arquivos csv. Eu tenho um arquivo csv por instrumento e cada arquivo é nomeado após o instrumento que ele contém. A razão que eu faço assim é dupla: Primeiro, eu don8217t quero baixar (preço) dados do Yahoo, Google etc8230 cada vez que eu quero testar uma nova idéia, mas mais importante uma vez que eu identifiquei e corrigiu um problema, eu don8217t quero ter que Fazê-lo novamente na próxima vez que eu preciso do mesmo instrumento. Simples ainda muito eficiente até agora. O processo é resumido no gráfico abaixo. Em tudo o que segue, eu suponho que os dados vêm do Yahoo. O código terá de ser alterado para os dados do Google, Quandl etc8230 Além disso, eu apresento o processo de atualização dos dados diários de preços. A configuração será diferente para dados de freqüência mais alta e outro tipo de conjunto de dados (ou seja, diferente dos preços). 1 8211 Download de dados iniciais (listOfInstruments. R amp historicalData. R) O arquivo listOfInstruments. R é um arquivo que contém apenas a lista de todos os instrumentos. Se um instrumento não for parte de minha lista (ou seja, nenhum arquivo csv na minha pasta de dados) ou se você fizer isso pela primeira vez você tem que baixar o conjunto de dados históricos iniciais. O exemplo abaixo carrega um conjunto de preços diários de ETFs do Yahoo Finance de volta a janeiro de 2000 e armazena os dados em um arquivo csv. 2 8211 Atualizar dados existentes (updateData. R) O código a seguir é iniciado a partir de arquivos existentes na pasta dedicada e atualiza todos eles um após o outro. Eu costumo executar este processo todos os dias, exceto quando I8217m em férias. Para adicionar um novo instrumento, basta executar o passo 1 acima para este instrumento sozinho. 3 8211 Criar um arquivo em lotes (updateDailyPrices. bat) Outra parte importante do trabalho é a criação de um arquivo em lotes que automatiza o processo de atualização acima (I8217m, um usuário do Windows). Isso evita abrir RRStudio e executar o código de lá. O código abaixo é colocado em um arquivo. bat (o caminho deve ser alterado com a configuração do reader8217s). Observe que eu adicionei um arquivo de saída (updateLog. txt) para rastrear a execução. O processo acima é extremamente simples porque ele só descreve como atualizar dados de preços diários. Eu tenho usado isso por um tempo e tem funcionado muito bem para mim até agora. Para dados mais avançados e / ou freqüências mais altas, as coisas podem ficar muito mais complicadas. Como de costume todos os comentários bem-vindos 23 de março de 2015, 8:55 pm Quando se trata de gerenciar um portfólio de ações versus um benchmark o problema é muito diferente de definir uma estratégia de retorno absoluto. No primeiro um tem que segurar mais estoques do que no mais atrasado onde nenhum estoque em tudo pode ser prendido se não há uma oportunidade boa bastante. A razão para isso é o erro de rastreamento. Isso é definido como o desvio padrão do retorno da carteira menos o retorno do índice de referência. Os estoques menos são mantidos contra um benchmark quanto maior o erro de rastreamento (por exemplo, maior risco). A análise que se segue é amplamente inspirada pelo livro 8220Active Portfolio Management8221 de Grinold amp Kahn. Esta é a bíblia para qualquer pessoa interessada em executar um portfólio contra um benchmark. Eu incentivo fortemente qualquer um com um interesse no tópico para ler o livro do começo ao fim. É muito bem escrito e estabelece as bases da gestão sistemática de carteira ativa (eu não tenho afiliação ao editor ou aos autores). 1 8211 Análise Fatorial Aqui estamos tentando classificar com a maior precisão possível as ações do universo de investimento em uma base de retorno para a frente. Muitas pessoas inventaram muitas ferramentas e inúmeras variantes dessas ferramentas foram desenvolvidas para conseguir isso. Neste post me concentro em duas métricas simples e amplamente utilizadas: Coeficiente de Informação (IC) e Quantiles Return (QR). 1.1 8211 Coeficiente de Informação O horizonte para o retorno futuro tem de ser definido pelo analista e é uma função do volume de negócios da estratégia e da desintegração alfa (este tem sido objecto de extensa investigação). Obviamente, os CI devem ser tão elevados quanto possível em termos absolutos. Para o leitor afiado, no livro de Grinold amp Kahn uma fórmula que liga a relação de informação (IR) e IC é dada: com amplitude sendo o número de apostas independentes (comércios). Esta fórmula é conhecida como a lei fundamental da gestão activa. O problema é que muitas vezes, definir amplitude com precisão não é tão fácil quanto parece. 1.2 8211 Retorno de Quantiles Para obter uma estimativa mais precisa do poder de previsão de fator, é necessário ir um passo adiante e agrupar os estoques por quantil de valores de fator e então analisar o retorno médio de retorno (ou qualquer outra métrica de tendência central) de cada um desses Quantiles. A utilidade desta ferramenta é simples. Um fator pode ter um IC bom, mas seu poder preditivo pode ser limitado a um pequeno número de ações. Isso não é bom como um gestor de carteira terá de escolher estoques dentro de todo o universo, a fim de atender a sua restrição de erro de rastreamento. Os bons quantiles de retorno são caracterizados por uma relação monótona entre os quantiles individuais e retornos forward. Todas as ações no índice SampP500 (no momento da escrita). Obviamente, existe um viés de sobrevivência: a lista de ações no índice mudou significativamente entre o início e o final do período de amostragem, porém é bastante boa apenas para fins ilustrativos. O código abaixo carrega os preços das ações individuais no SampP500 entre janeiro de 2005 e hoje (demora um pouco) e transforma os preços brutos em retorno nos últimos 12 meses e no último mês. O primeiro é o nosso fator, este último será usado como a medida de retorno para a frente. Abaixo está o código para calcular o Coeficiente de Informação e Quantiles Retorno. Note que eu usei quintis neste exemplo, mas qualquer outro método de agrupamento (terciles, deciles etc8230) pode ser usado. Ele realmente depende do tamanho da amostra, o que você deseja capturar e wether você quer ter uma visão ampla ou se concentrar em caudas de distribuição. Para estimar retornos dentro de cada quintil, a mediana tem sido usada como estimador de tendência central. Esta medida é muito menos sensível aos valores atípicos do que a média aritmética. E, finalmente, o código para produzir o Quantiles Retorno gráfico. 3 8211 Como explorar as informações acima No gráfico acima, Q1 é o mais baixo após 12 meses de retorno e Q5 mais alto. Há um aumento quase monotônico no retorno dos quantiles entre Q1 e Q5, o que indica claramente que os estoques que caem em Q5 superam os que caem em Q1 em cerca de 1 por mês. Isso é muito significativo e poderoso para um fator tão simples (não é realmente uma surpresa though8230). Portanto, há maiores chances de vencer o índice por sobreponderar as ações caem no Q5 e subponderar aqueles que caem no primeiro trimestre em relação ao benchmark. Um IC de 0,0206 pode não significar muito em si, mas é significativamente diferente de 0 e indica um bom poder preditivo dos últimos 12 meses de retorno global. Testes de significância formal podem ser avaliados, mas isso está além do escopo deste artigo. 4 8211 Limitações práticas A estrutura acima é excelente para avaliar a qualidade dos fatores de investimento, porém há uma série de limitações práticas que devem ser abordadas para a implementação da vida real: Rebalancing. Na descrição acima, 8282 assumiu que no final de cada mês a carteira é totalmente rebalanceada. Isso significa que todas as ações que caem no primeiro trimestre estão abaixo do peso e todas as ações que caem no Q5 estão acima do peso em relação ao benchmark. Isso nem sempre é possível por razões práticas: alguns estoques podem ser excluídos do universo de investimento, existem restrições sobre o peso da indústria ou do setor, existem restrições sobre o volume de negócios etc 8230 custos de transação. Isso não tem sido levado em conta na análise acima e este é um freio grave para a implementação da vida real. Considerações de volume de negócios são geralmente implementadas na vida real em uma forma de penalidade sobre a qualidade do fator. Coeficiente de transferência. Esta é uma extensão da lei fundamental da gestão ativa e relaxa a suposição do modelo de Grinolds de que os gerentes não enfrentam restrições que os impedem de traduzir seus insights de investimentos diretamente em apostas em carteira. E, finalmente, I8217m espantado com o que pode ser alcançado em menos de 80 linhas de código com R8230 Como de costume todos os comentários bem-vindos 14 de março de 2014, 1:07 pm A pergunta que se deve sempre perguntou himherself quando usando indicadores técnicos é o que seria um objetivo Critérios para selecionar os parâmetros dos indicadores (por exemplo, por que usar um RSI de 14 dias em vez de 15 ou 20 dias). Algoritmos genéticos (GA) são ferramentas bem adaptadas para responder a essa pergunta. Neste post I8217ll mostrar-lhe como configurar o problema em R. Antes de prosseguir o lembrete habitual: O que eu apresento neste post é apenas um exemplo de brinquedo e não um convite para investir. Não é uma estratégia acabada, mas uma idéia de pesquisa que precisa ser mais pesquisada, desenvolvida e adaptada às necessidades individuais. O que são algoritmos genéticos A melhor descrição de GA que eu encontrei vem de Cybernatic Trading um livro de Murray A. Ruggiero. 8220 Algoritmos genéticos foram inventados por John Holland em meados de 1970 para resolver problemas de otimização dura. Este método utiliza a seleção natural, sobrevivência do fittest8221. O processo geral segue as etapas abaixo: Codificar o problema em cromossomos Usando a codificação, desenvolver uma função de aptidão para uso na avaliação de cada valor do cromossomo8217s na resolução de um determinado problema Inicializar uma população de cromossomos Avaliar cada cromossomo na população Criar novos cromossomos por acasalamento de dois Cromossomos. Isso é feito muting e recombinando dois pais para formar duas crianças (os pais são selecionados aleatoriamente, mas tendenciosa por sua aptidão) Avaliar o novo cromossomo Excluir um membro da população que é menos apto do que o novo cromossomo e inserir o novo cromossomo na população . Se o critério de paragem é atingido (número máximo de gerações, os critérios de aptidão são bons o suficiente), em seguida, retornar o melhor cromossomo ou vá para a etapa 4 A partir de uma perspectiva de negociação GA são muito úteis porque são bons em lidar com problemas altamente não-lineares. No entanto, eles apresentam algumas características desagradáveis ​​que vale a pena mencionar: Over fitting: Este é o principal problema e it8217s até o analista para configurar o problema de uma forma que minimize esse risco. Tempo de computação. Se o problema não é definido corretamente, pode ser muito longo para chegar a uma solução decente ea complexidade aumenta exponencialmente com o número de variáveis. Daí a necessidade de selecionar cuidadosamente os parâmetros. Há vários pacotes de R que tratam de GA, eu escolhi usar o mais comum: rgenoud Os preços de fechamento diários para a maioria de ETFs líquidos de finanças de Yahoo que vão para trás a janeiro 2000. O em período da amostra vai de janeiro 2000 a dezembro 2010. O Fora de Período de amostragem começa em janeiro de 2011. A lógica é a seguinte: a função de aptidão é otimizada durante o período de amostra para obter um conjunto de parâmetros ótimos para os indicadores técnicos selecionados. O desempenho desses indicadores é então avaliado no período fora da amostra. Mas antes disso, os indicadores técnicos precisam ser selecionados. O mercado de ações apresenta duas características principais que são familiares a qualquer pessoa com alguma experiência de negociação. Momento de longo prazo e inversão de curto prazo. Esses recursos podem ser traduzidos em termos de indicadores técnicos por: cruzamento de médias móveis e RSI. Isso representa um conjunto de 4 parâmetros: Períodos de retorno para médias móveis de longo e curto prazo, período de retrocesso para o limiar RSI e RSI. Os conjuntos de parâmetros são os cromossomos. O outro elemento-chave é a função fitness. Podemos querer usar algo como: retorno máximo ou Sharpe ratio ou Drawdown média mínima. No que segue, eu escolhi maximizar a relação de Sharpe. A implementação R é um conjunto de 3 funções: fitnessFunction. Define a função de aptidão (por exemplo, a razão máxima de Sharpe) a ser utilizada dentro do mecanismo de negociação de motores GA. Resumo das estatísticas de negociação para os períodos de entrada e saída dos períodos de amostragem para fins de comparação. O mecanismo GA do pacote rgenoud A função genoud é bastante complexa, mas não vou explicar o que significa cada parâmetro, pois quero manter este post curto (ea documentação é realmente boa). Na tabela abaixo, apresentamos para cada instrumento os parâmetros ótimos (RSI, RSI, Short Term Moving Average e Long Term Moving Average) juntamente com as estatísticas de negociação de entrada e saída da amostra. Antes de comentar os resultados acima, eu quero explicar alguns pontos importantes. Para coincidir com a lógica definida acima, limitei os parâmetros para certificar-se de que o período de look-back para a média móvel de longo prazo é sempre maior que a média móvel mais curta. Também obriguei o otimizador a escolher apenas as soluções com mais de 50 operações no período de amostra (por exemplo, significância estatística). Em geral, os resultados da amostra estão longe de ser impressionantes. Os retornos são baixos, mesmo se o número de comércios é pequeno para fazer o resultado realmente significativo. Contudo, existe uma perda significativa de eficiência entre o período de entrada e saída do período de amostragem para o Japão (EWJ), o que muito provavelmente significa um ajuste excessivo. Este post destina-se a dar ao leitor as ferramentas para usar corretamente GA em um quadro de negociação quantitativa. Mais uma vez, é apenas um exemplo que precisa ser refinado. A melhoria potencial poucos a explorar seria: função de fitness. Maximizar a proporção de Sharpe é muito simplista. Uma função 8220smarter8221 certamente melhoraria o padrão de estatísticas de negociação de amostra. Nós tentamos capturar um padrão muito direto. Uma pesquisa mais em profundidade padrão é definitivamente necessário. otimização . Há muitas maneiras de melhorar a forma como a otimização é conduzida. Isso melhoraria tanto a velocidade de cálculo como a racionalidade dos resultados. O código usado nesta postagem está disponível em um repositório Gist. Como de costume todos os comentários bem-vindos 28 de fevereiro de 2014, 3:52 pm Há um enorme corpo de literatura acadêmica e empírica sobre previsão de mercado. Na maioria das vezes, mistura duas características de mercado: Magnitude e Direção. Neste artigo, quero me concentrar em identificar apenas a direção do mercado. O objetivo que eu estabeleci, é identificar as condições de mercado quando as probabilidades são significativamente tendenciosas para um up ou um mercado para baixo. Este post dá um exemplo de como CART (Classification And Regression Trees) pode ser usado neste contexto. Antes de eu proceder o lembrete habitual: O que eu apresento neste post é apenas um exemplo de brinquedo e não um convite para investir. Não é uma estratégia acabada, mas uma idéia de pesquisa que precisa ser mais pesquisada, desenvolvida e adaptada às necessidades individuais. 1 8211 O que é CART e por que usá-lo De estatísticas, CART é um conjunto de técnicas para classificação e previsão. A técnica visa produzir regras que prevejam o valor de uma variável de resultado (alvo) a partir de valores conhecidos de variáveis ​​preditoras (explicativas). Existem muitas implementações diferentes, mas todos eles estão compartilhando uma característica geral e isso é o que eu estou interessado. Da Wikipedia, Algoritmos para construir árvores de decisão geralmente trabalham de cima para baixo, escolhendo uma variável em cada etapa que melhor divide o conjunto de itens. Diferentes algoritmos usam diferentes métricas para medir 8220best8221. Estes geralmente medem a homogeneidade da variável alvo dentro dos subconjuntos. Estas métricas são aplicadas a cada subconjunto candidato, e os valores resultantes são combinados (por exemplo, em média) para proporcionar uma medida da qualidade da divisão. A metodologia CART apresenta algumas características que são muito adequadas para análise de mercado: Não paramétrico. CART pode lidar com qualquer tipo de distribuição estatística não linear. CART pode lidar com um grande espectro de dependência entre variáveis ​​(por exemplo, não limitado a relações lineares) Robusto para outliers Existem vários pacotes R lidar com particionamento recursivo, eu uso aqui rpart para árvores estimativa e rpart. plot para árvores desenho. 2 8211 Data amp Experiment Design Preços diários de OHLC para a maioria dos ETFs líquidos de janeiro de 2000 a dezembro de 2013 extraídos do Google Finance. O período da amostra vai de janeiro de 2000 a dezembro de 2010, o restante do conjunto de dados é o período fora da amostra. Antes de executar qualquer tipo de análise o conjunto de dados tem de ser preparado para a tarefa. A variável alvo é o ETF retorno semanal definido como dois estados do resultado mundial (UP ou DOWN). Se o retorno semanal semanal gt 0 então o mercado no estado UP, o estado DOWN de outra forma As variáveis ​​explicativas são um conjunto de indicadores técnicos derivados do conjunto de dados OHLC diário inicial. Cada indicador representa um comportamento de mercado bem documentado. Para reduzir o ruído nos dados e tentar identificar relações robustas, cada variável independente é considerada como tendo um resultado binário. Volatilidade (VAR1). Alta volatilidade é geralmente associada a um mercado para baixo e baixa volatilidade com um up market. A volatilidade é definida como os 20 dias de ATR bruto (Average True Range) espalhados para a sua média móvel (MA). Se bruto ATR gt MA, em seguida, VAR1 1, senão VAR1 -1. Momento de curto prazo (VAR2). The equity market exhibits short term momentum behavior captured here by a 5 days simple moving averages (SMA). If Price gt SMA then VAR2 1 else VAR2 -1 Long term momentum (VAR3) . The equity market exhibits long term momentum behavior captured here by a 50 days simple moving averages (LMA). If Price gt LMA then VAR3 1 else VAR3 -1 Short term reversal (VAR4) . This is captured by the CRTDR which stands for Close Relative To Daily Range and calculated as following: . If CRTDR gt 0.5, then VAR4 1 else VAR4 -1 Autocorrelation regime (VAR5) . The equity market tends to go through periods of negative and positive autocorrelation regimes. If returns autocorrelation over the last 5 days gt 0 then VAR5 1 else VAR5 -1 I put below a tree example with some explanations In the tree above, the path to reach node 4 is: VAR3 gt0 (Long Term Momentum gt 0) and VAR4 gt 0 (CRTDR gt 0). The red rectangle indicates this is a DOWN leaf (e. g. terminal node) with a probability of 58 (1 8211 0.42). In market terms this means that if Long Term Momentum is Up and CRTDR is gt 0.5 then the probability of a positive return next week is 42 based on the in sample sample data. 18 indicates the proportion of the data set that falls into that terminal node (e. g. leaf). There are many ways to use the above approach, I chose to estimate and combine all possible trees. From the in sample data, I collect all leaves from all possible trees and I gather them into a matrix. This is the 8220rules matrix8221 giving the probability of next week beeing UP or DOWN. I apply the rules in the above matrix to the out of sample data (Jan 2011 8211 Dec 2013) and I compare the results to the real outcome. The problem with this approach is that a single point (week) can fall into several rules and even belong to UP and DOWN rules simultaneously. Therefore I apply a voting scheme . For a given week I sum up all the rules that apply to that week giving a 1 for an UP rule and -1 for a DOWN rule. If the sum is greater than 0 the week is classified as UP, if the sum is negative it8217s a DOWN week and if the sum is equal to 0 there will be no position taken that week (return 0) The above methodology is applied to a set of very liquid ETFs. I plot below the out of sample equity curves along with the buy and hold strategy over the same period. Initial results seem encouraging even if the quality of the outcome varies greatly by instrument. However there is a huge room for improvement. I put below some directions for further analysis Path optimality . The algorithm used here for defining the trees is optimal at each split but it doesn8217t guarantee the optimality of the path. Adding a metric to measure the optimality of the path would certainly improve the above results. Other variables . I chose the explanatory variables solely based on experience. It8217s very likely that this choice is neither good nor optimal. Backtest methodology . I used a simple In and Out of sample methodology. In a more formal backtest I would rather use a rolling or expanding window of in and out sample sub-periods (e. g. walk forward analysis) As usual, any comments welcome