Classificação da estratégia de negociação

Previsão de séries temporais financeiras - Parte I.

Previsão de séries temporais financeiras - Parte I.

Nesta série de artigos, vamos criar um processo estatisticamente robusto para previsão de séries temporais financeiras. Essas previsões formarão a base para um grupo de estratégias de negociação automatizadas. O primeiro artigo da série discutirá a abordagem de modelagem e um grupo de algoritmos de classificação que nos permitirá prever a direção do mercado.

Dentro desses artigos, usaremos o scikit-learn, uma biblioteca de aprendizado de máquina para Python. O Scikit-learn contém implementações de muitas técnicas de aprendizado de máquina. Isso não só nos poupa muito tempo na implementação da nossa, mas minimiza o risco de erros introduzidos pelo nosso próprio código e permite uma verificação adicional em relação a bibliotecas escritas em outros pacotes, como R. Isso nos dá uma grande quantidade de confiança se precisarmos criar nossa própria implementação personalizada (por razões de velocidade de execução, digamos).

Processo para previsão.

Uma explicação detalhada do campo da aprendizagem de máquina estatística está além deste artigo. Para utilizar técnicas como Regressão Logística, Análise Discriminante Linear e Análise Discriminante Quadrática, precisamos delinear alguns conceitos básicos.

Técnicas de Aprendizagem Supervisionadas.

As técnicas de aprendizado supervisionadas envolvem um conjunto de tuplas conhecidas $ (x_i, y_i) $, $ i \ in \ $, com $ x_i $ representando as variáveis ​​preditoras (como retornos do mercado de ações atrasados ​​ou volume negociado) e $ y_i $ representando o associado variáveis ​​de resposta / observação (como o retorno do mercado de ações hoje). Nesta situação, estamos interessados ​​na previsão. Dadas as variáveis ​​preditoras futuras, desejamos estimar as respostas desses preditores. Isso está em oposição à inferência onde estamos mais interessados ​​na relação entre as variáveis.

Todos os algoritmos que utilizamos neste artigo, juntamente com muitos outros que serão utilizados no futuro, são do domínio de aprendizagem supervisionada.

Medindo Precisão de Previsão.

A classe particular de métodos em que estamos interessados ​​envolve classificação binária. Ou seja, tentaremos alocar o retorno percentual de um dia específico em dois intervalos: "Para cima" ou "Para baixo". Em uma previsão de produção estaríamos muito preocupados com a magnitude desta previsão e os desvios da previsão do valor real.

Nesses casos, podemos utilizar o erro médio, o desvio absoluto médio e o erro quadrático médio da raiz para fornecer uma estimativa da precisão da previsão. A literatura fornece numerosos outros exemplos de medidas de precisão de previsão.

Neste caso, estaremos apenas preocupados com a taxa de acerto, que é simplesmente a porcentagem de vezes que o previsor alcançou uma previsão precisa (ou seja, quando o dia acabou e vice-versa). Em exemplos posteriores, faremos uso de uma matriz de confusão para determinar o desempenho de previsão em uma base de classe por classe. Além disso, calcularemos os valores acima mencionados e os incorporaremos ao processo de pesquisa de negociação.

Fatores de previsão.

Uma metodologia de previsão é tão boa quanto os fatores escolhidos como preditores. Há um número impressionante de fatores potenciais a serem escolhidos ao se prever retornos do índice do mercado de ações. Neste artigo, vamos restringir os fatores às defasagens de tempo dos retornos percentuais atuais. Isso não é porque eles são os melhores preditores, e sim porque é simples demonstrar o processo de previsão em um conjunto de dados facilmente obtido.

A escolha do fator de previsão é extremamente importante, se não o mais importante, componente do previsor. Mesmo técnicas simples de aprendizado de máquina produzirão bons resultados em fatores bem escolhidos. Note que o inverso não é frequentemente o caso. "Lançar um algoritmo em um problema" geralmente leva a uma baixa precisão de previsão.

Especificamente para esse analista, escolhi o primeiro e o segundo desfasamento dos retornos percentuais como os preditores da direção atual do mercado de ações. Esta é uma escolha relativamente arbitrária e há muito espaço para modificação, por exemplo, adicionando atrasos adicionais ou o volume de ações negociadas. Geralmente, é melhor ter menos preditores em um modelo, embora existam testes estatísticos disponíveis que possam demonstrar a capacidade preditiva de cada fator.

Previsão S & amp; P500 com Regressão Logística, LDA e QDA.

O S & amp; P500 é um índice ponderado das 500 maiores empresas de capital aberto (por capitalização de mercado) no mercado de ações dos EUA. Muitas vezes, é considerado um "benchmark" de ações. Existem muitos produtos derivados para permitir a especulação ou cobertura no índice. Em particular, o contrato de futuros do S & amp; P500 E-Mini Index é um meio extremamente líquido de negociação do índice.

Nesta seção, usaremos três classificadores para prever a direção do preço de fechamento no dia $ N $ com base apenas na informação de preço conhecida no dia $ N-1 $. Um movimento direcional ascendente significa que o preço de fechamento em $ N $ é maior do que o preço em $ N-1 $, enquanto um movimento descendente implica em um preço de fechamento em $ N $ menor do que em $ N-1 $.

Se pudermos determinar a direção do movimento de maneira que exceda significativamente uma taxa de acerto de 50%, com baixo erro e uma boa significância estatística, então estamos no caminho de formar uma estratégia básica de negociação sistemática com base em nossas previsões. Neste estágio, não estamos preocupados com os algoritmos de classificação de aprendizado de máquina mais atualizados. No momento, estamos apenas introduzindo conceitos e, assim, começaremos a discussão sobre previsão com alguns métodos elementares.

Regressão Logística.

A primeira técnica que vamos considerar é a regressão logística (LR). No nosso caso, vamos usar o LR para medir a relação entre uma variável dependente categórica binária ("Up" ou "Down") e várias variáveis ​​contínuas independentes (os retornos percentuais defasados). O modelo fornece a probabilidade de que um determinado dia (seguinte) será categorizado como "Up" ou "Down". Nesta implementação, escolhemos atribuir cada dia como "Up" se a probabilidade exceder 0,5. Poderíamos usar um limite diferente, mas, por simplicidade, escolhi 0,5.

O LR usa a fórmula logística para modelar a probabilidade de obter um dia "Up" ($ Y = U $) com base nos fatores de atraso ($ L_1 $, $ L_2 $):

A função logística é usada porque fornece uma probabilidade entre $ [0,1] $ para todos os valores de $ L_1 $ e $ L_2 $, ao contrário da regressão linear, na qual as probabilidades negativas podem ser geradas na mesma configuração.

Para ajustar o modelo (ou seja, estimar os coeficientes $ \ beta_i $), o método de máxima verossimilhança é usado. Felizmente para nós, a implementação do ajuste e previsão do modelo LR é feita pela biblioteca scikit-learn.

Análise Discriminante Linear.

A próxima técnica usada é a Análise Linear Discriminante (LDA). O LDA difere do LR porque na LR modelamos $ P (Y = U | L_1, L_2) $ como uma distribuição condicional da resposta $ Y $ dados os preditores $ L_i $, usando uma função logística. No LDA, a distribuição das variáveis ​​$ L_i $ é modelada separadamente, dado $ Y $, e $ P (Y = U | L_1, L_2) $ é obtido através do Teorema de Bayes.

Essencialmente, o LDA resulta da suposição de que os preditores são extraídos de uma distribuição multivariada gaussiana. Após estimativas de calcu - lação para os parâmetros dessa distribuição, os parâmetros podem ser introduzidos no Teorema de Bayes para fazer previsões sobre a qual classe uma observação pertence.

O LDA assume que todas as classes compartilham a mesma matriz de covariância.

Eu não vou me debruçar sobre as fórmulas para estimar a distribuição ou as probabilidades posteriores que são necessárias para fazer previsões, pois mais uma vez o scikit-learn lida com isso para nós.

Análise Discriminante Quadrática.

A Análise Discriminante Quadrática (QDA) está intimamente relacionada com a LDA. A diferença significativa é que cada classe pode agora possuir sua própria matriz de covariância.

O QDA geralmente funciona melhor quando os limites de decisão não são lineares. O LDA geralmente apresenta melhor desempenho quando há menos observações de treinamento (ou seja, quando é necessário reduzir a variação). O QDA, por outro lado, apresenta um bom desempenho quando o conjunto de treinamento é grande (ou seja, a variação é menos preocupante). O uso de um ou de outro, em última análise, resume-se ao trade-off de viés-variância.

Assim como com LR e LDA, o scikit-learn cuida da implementação do QDA, portanto, precisamos fornecer apenas dados de treinamento / teste para estimativa e previsão de parâmetros.

Implementação Python.

Para a implementação destes meteorologistas vamos fazer uso de NumPy, pandas e scikit-learn. Eu escrevi anteriormente um tutorial sobre como instalar essas bibliotecas. Eu tenho fortemente comentado o código em si, então deve ser fácil determinar o que está acontecendo.

O primeiro passo é importar os módulos e bibliotecas relevantes. Vamos importar os classificadores LogisticRegression, LDA e QDA para esse previsor:

Agora que as bibliotecas são importadas, precisamos criar um DataFrame pandas que contenha os retornos percentuais com defasagem para um número anterior de dias (com o padrão de cinco). create_lagged_series pegará um símbolo de ação (conforme reconhecido pelo Yahoo Finance) e criará um DataFrame com defasagem durante o período especificado:

A próxima função auxiliar foi projetada para criar uma porcentagem de hit_rate para cada modelo, eliminando o código duplicado. Ele se baseia no fato de que os objetos Logistic Regression, LDA e QDA possuem os mesmos métodos (ajuste e previsão). A taxa de acertos é enviada para o terminal:

Finalmente, nós o associamos com uma função __main__. Neste caso, vamos tentar prever a direção do mercado de ações dos EUA em 2005, usando dados de retornos de 2001 a 2004:

A saída do código é a seguinte:

Pode-se observar que tanto a Regressão Logística quanto o Analisador Discriminante Linear conseguiram uma taxa de acerto de 56%. No entanto, o Analisador Discriminante Quadrático foi capaz de melhorar em ambos para produzir uma taxa de acerto de 60%. Para o período em particular analisado, isto é provavelmente devido ao fato de que há alguma não-linearidade na relação entre os fatores defasados ​​e a direção que não é bem capturada na análise linear.

Assim, há esperança de que possamos prever parcialmente o mercado de ações dos EUA. Há algumas ressalvas a esta metodologia de previsão:

Não usamos qualquer forma de validação cruzada para reduzir erros de ajuste. Um analista de produção exigiria que tal análise fosse considerada robusta. O previsor só foi treinado em dados entre 2001-2004 inclusive. Dados mais recentes do mercado de ações podem ter precisão de previsão substancialmente diferente. Na verdade, não tentamos negociar essa informação. Em particular, como podemos realmente executar negociações? Nós usaríamos o futuro do e-mini dos EUA? Nós faríamos uso de ordens Market-On-Open (MOO) ou Market-On-Close (MOC)? Também precisaríamos considerar os custos de transação.

Nos artigos subseqüentes, consideraremos essas questões em maior profundidade.

Um aviso sobre previsão aleatória.

Nesta seção, quero destacar abertamente o problema de significância estatística ao lidar com os previsores. Além do previsor acima, também gerou uma série de "previsão" baseada apenas no sinal de sorteios aleatórios de uma distribuição normal padrão. Note-se que no mesmo período produziu uma taxa de acerto de previsão de 53,4% e ainda o método usado para gerar a série não é essencialmente diferente de jogar uma moeda! Tenha isso em mente sempre que você executar procedimentos de previsão, pois muitas vezes pode levar a um desempenho comercial terrível se não for levado em conta.

Nos artigos a seguir, serão considerados os classificadores de previsão não linear supervisionados mais avançados, como redes neurais artificiais (ANN) e máquinas de vetores de suporte (SVM). Com uma "estabilidade" de técnicas de aprendizado de máquina à nossa disposição, poderemos usar métodos de conjunto para produzir uma precisão de previsão e robustez que às vezes pode exceder as de qualquer previsor individual.

A Quantcademy.

Participe do portal de associação da Quantcademy que atende à crescente comunidade de traders de quantificação de varejo e aprenda como aumentar a lucratividade de sua estratégia.

Negociação Algorítmica Bem Sucedida.

Como encontrar novas ideias de estratégia de negociação e avaliá-las objetivamente para o seu portfólio usando um mecanismo de backtesting personalizado no Python.

Comércio Algorítmico Avançado.

Como implementar estratégias de negociação avançadas usando análise de séries temporais, aprendizado de máquina e estatísticas Bayesianas com R e Python.

4 estratégias de negociação ativas comuns.

Negociação ativa é o ato de comprar e vender títulos com base em movimentos de curto prazo para lucrar com os movimentos de preços em um gráfico de ações de curto prazo. A mentalidade associada a uma estratégia de negociação ativa difere da estratégia de compra e manutenção de longo prazo.

A estratégia buy-and-hold emprega uma mentalidade que sugere que os movimentos de preços a longo prazo superam os movimentos de preços no curto prazo e, como tal, os movimentos de curto prazo devem ser ignorados. Os traders ativos, por outro lado, acreditam que os movimentos de curto prazo e capturando a tendência do mercado são onde os lucros são feitos.

Existem vários métodos usados ​​para realizar uma estratégia de negociação ativa, cada um com ambientes de mercado apropriados e riscos inerentes à estratégia.

Aqui estão quatro das estratégias de negociação ativas mais comuns e os custos internos de cada estratégia. (A negociação ativa é uma estratégia popular para aqueles que tentam superar a média do mercado. Para saber mais, confira Como superar o mercado.)

1. Dia de Negociação.

O day trading é talvez o estilo de negociação ativo mais conhecido. Muitas vezes é considerado um pseudônimo de negociação ativa em si. O dia de negociação, como o próprio nome indica, é o método de comprar e vender títulos dentro do mesmo dia. As posições são fechadas no mesmo dia em que são tomadas e nenhuma posição é mantida durante a noite. Tradicionalmente, o comércio diário é feito por traders profissionais, como especialistas ou criadores de mercado. No entanto, o comércio eletrônico abriu esta prática para os comerciantes novatos. (Para leitura relacionada, consulte Estratégias de negociação diurna para iniciantes.)

[Aprender qual estratégia vai funcionar melhor para você é um dos primeiros passos que você precisa dar como um aspirante a trader. Se você estiver interessado em day trading, o Day Trader Course da Investopedia Academy pode ensinar uma estratégia comprovada que inclui seis diferentes tipos de negócios. ]

2. Posicionar Negociação.

Alguns realmente consideram a negociação de posição uma estratégia de compra e manutenção e não negociação ativa. No entanto, a negociação de posição, quando feita por um trader avançado, pode ser uma forma de negociação ativa. A negociação de posição usa gráficos de prazo mais longo - em qualquer lugar de diário a mensal - em combinação com outros métodos para determinar a tendência da direção atual do mercado. Esse tipo de negociação pode durar de vários dias a várias semanas e, às vezes, mais, dependendo da tendência. Os operadores de tendências procuram sucessivos máximos ou máximos mais altos para determinar a tendência de um título. Ao seguir em frente e andar na "onda", os comerciantes de tendência pretendem se beneficiar tanto dos movimentos ascendentes quanto negativos dos movimentos do mercado. Os operadores de tendências procuram determinar a direção do mercado, mas não tentam prever nenhum nível de preço. Normalmente, os comerciantes de tendência saltam na tendência depois que ela se estabeleceu, e quando a tendência se rompe, eles geralmente saem da posição. Isso significa que, em períodos de alta volatilidade do mercado, a negociação de tendência é mais difícil e suas posições geralmente são reduzidas.

3. Negociação Swing.

Quando uma tendência quebra, os operadores de swing normalmente entram no jogo. No final de uma tendência, normalmente há alguma volatilidade de preços, à medida que a nova tendência tenta se estabelecer. Os negociadores de Swing compram ou vendem à medida que a volatilidade dos preços se instala. As negociações de Swing são geralmente realizadas por mais de um dia, mas por um período mais curto do que as negociações de tendência. Os operadores de swing geralmente criam um conjunto de regras de negociação baseadas em análises técnicas ou fundamentais. Essas regras comerciais ou algoritmos são projetados para identificar quando comprar e vender um título. Embora um algoritmo de negociação oscilante não precise ser exato e prever o pico ou o vale de um movimento de preço, ele precisa de um mercado que se mova em uma direção ou outra. Um mercado limitado ou lateral é um risco para os comerciantes de swing. (Para mais, veja Introdução à Swing Trading.)

4. Escalpelamento.

Escalpelamento é uma das estratégias mais rápidas empregadas pelos comerciantes ativos. Inclui a exploração de várias lacunas de preços causadas por spreads bid-ask e fluxos de pedidos. A estratégia geralmente funciona fazendo o spread ou comprando ao preço de compra e vendendo ao preço de venda para receber a diferença entre os dois pontos de preço. Scalpers tentam manter suas posições por um curto período, diminuindo assim o risco associado à estratégia. Além disso, um scalper não tenta explorar grandes movimentos ou mover grandes volumes. Em vez disso, eles tentam tirar proveito de pequenos movimentos que ocorrem com frequência e movem volumes menores com mais frequência. Como o nível de lucros por negociação é pequeno, os cambistas buscam mais mercados líquidos para aumentar a frequência de seus negócios. E, ao contrário dos comerciantes de swing, os cambistas gostam de mercados tranquilos que não são propensos a movimentos repentinos de preços, de modo que podem fazer o spread repetidamente nos mesmos preços de compra / venda. (Para saber mais sobre essa estratégia de negociação ativa, leia Escalpelamento: Pequenos Lucros Rápidos Podem Adicionar.)

Custos Inerentes às Estratégias de Negociação.

Há uma razão para que estratégias de negociação ativas tenham sido empregadas apenas por traders profissionais. Não apenas ter uma corretora interna reduz os custos associados à negociação de alta frequência, mas também garante uma melhor execução do negócio. Comissões mais baixas e melhor execução são dois elementos que melhoram o potencial de lucro das estratégias. Compras significativas de hardware e software são normalmente necessárias para implementar com sucesso essas estratégias. além de dados de mercado em tempo real. Esses custos tornam o comércio ativo um tanto quanto proibitivo para o operador individual, embora não seja totalmente inatingível.

The Bottom Line.

Comerciantes ativos podem empregar uma ou várias das estratégias acima mencionadas. No entanto, antes de decidir envolver-se nessas estratégias, os riscos e custos associados a cada um precisam ser explorados e considerados. (Para leitura relacionada, consulte as Técnicas de Gerenciamento de Risco para Comerciantes Ativos.)

25 lugares para encontrar estratégias de negociação quantitativa.

Compartilhe este post:

O comércio quantitativo envolve o uso de cálculos matemáticos, análise de dados e processamento de números para buscar oportunidades de negócios lucrativos nos mercados financeiros.

Preço, volume e dados fundamentais podem ser usados ​​para formular estratégias de negociação quantitativas, dependendo do que você está esperando alcançar. No restante deste artigo, identificarei 25 lugares on-line, onde você poderá encontrar algumas estratégias e ideias lucrativas de negociação de quant:

O SSRN, a Rede de Pesquisas em Ciências Sociais, contém uma grande quantidade de informações acadêmicas de alta qualidade, e há muitos periódicos e artigos interessantes relacionados a finanças e comércio.

Se você for ao site principal e começar a pesquisar palavras-chave como & # 8216; trading & # 8217 ;, & # 8216; stocks & # 8217 ;, & # 8216; forex & # 8217; etc você é obrigado a encontrar alguns grandes trabalhos e muitas idéias interessantes. Pode ser uma boa idéia classificar seus resultados para que você esteja observando as adições mais recentes, já que alguns dos trabalhos mais antigos não são mais tão relevantes ou efetivos.

Quantpedia é chamada de enciclopédia on-line de estratégias de negociação de quant e este é um dos meus lugares favoritos para encontrar idéias de sistemas sólidos. Há uma grande mistura de sistemas aqui, alguns complexos e alguns simples, e ao longo de vários prazos e mercados diferentes.

Enquanto SSRN contém cargas de trabalhos de pesquisa diferentes em vários tópicos, Quantpedia supera organizando só as melhores estratégias em um lugar. Ele divide várias idéias de estratégias acadêmicas e as apresenta em um formato fácil de entender, o que é crucial.

Eu tive muito sucesso com algumas das estratégias lá e consegui transferir algumas delas para a Amibroker para testá-las eu mesmo. Não é particularmente barato, mas vale a pena o dinheiro na minha opinião.

A Quantocracia é um agregador curado de links de negociação quântica de toda a web e é um excelente recurso para ficar de olho. Há sempre muitos artigos que podem ser instigados e perspicazes no site, desde simples ideias de negociação de quantia até argumentos muito mais complexos.

O Elite Trader é chamado de rede social número um para os comerciantes, mas é essencialmente um fórum que contém muitas discussões interessantes e tópicos relacionados à negociação. Há uma quantidade razoável de discussão relacionada à negociação quantitativa, com seções sobre negociação automatizada, NinjaTrader, Collective2 etc.

O sucesso do sistema comerciante tem ido por um bom tempo e contém inúmeras idéias e estratégias de sistema de negociação de vários contribuintes e profissionais de negociação. O site está sempre aberto a novos envios, o que significa que há sempre conteúdos novos e interessantes provenientes de uma ampla variedade de fontes. O objetivo da STS é "educar e capacitar o comerciante de varejo com todo o conhecimento e ferramentas para ter sucesso no mundo comercial quantitativo".

A Quantopian oferece uma plataforma que oferece aos usuários a oportunidade de trabalhar em algoritmos de negociação ao vivo. Reúne os melhores talentos do mundo de algoritmos e finanças e dá a eles a chance de se tornarem inativos. As ferramentas oferecidas pela Quantopian facilitam a resolução de problemas de infraestrutura e qualidade de dados, permitindo que os usuários se concentrem no desenvolvimento de suas ideias de investimento.

O fórum Trade2Win tem um grande número de seguidores dos comerciantes do Reino Unido e contém muitas discussões de negociação em todos os tipos de áreas. Se você navegar para a seção sobre sistemas de negociação, provavelmente encontrará alguns tópicos interessantes sobre as estratégias de negociação de quant.

Como o Fórum Trade2Win, o Fórum de Ações Aussie também tem uma seção relacionada a estratégias e sistemas de negociação e também há muitas informações úteis para os usuários da Amibroker.

Blue Owl Press é a página inicial de todos os livros do Dr. Howard Bandy. O Dr. Bandy é um programador experiente da Amibroker e possui vários livros que contêm todos os tipos de estratégias de negociação.

O Price Action Lab é um software para analisar a ação do preço construído pelo experiente trader Michael Harris. Harris & # 8217; O blog PAL é uma mina de ouro para pesquisa e ideias quantitativas de negociação e é uma leitura obrigatória para quem acha que a negociação quant é fácil. Como Harris mostra e outra vez, há muito mais a negociação quantitativa do que a maioria das pessoas imagina.

O Better System Trader é um blog relativamente novo que apresenta entrevistas quinzenais em podcast com alguns dos melhores traders do sistema do setor e muitos dos autores nesta página foram apresentados no site nos últimos meses. Fundada por Andrew Swanscott, esta é uma obrigação para qualquer pessoa interessada em idéias de negociação de quant.

Ernie Chan é um comerciante quantitativo bem respeitado e autor de uma série de best-seller quântico negociando livros, incluindo "Quantitative Trading: How to Build Your Own Algorithmic Trading Business".

Ernie tem estado na indústria desde o final dos anos 90 e seu blog contém muitas informações interessantes sobre o mundo comercial quantitativo.

A Trading Markets foi fundada por Larry Connors (criador do indicador RSI da Connors), Kevin Haggerty e alguns outros profissionais de trading. O site de Mercados de Negociação tem uma enorme quantidade de conteúdo relacionado à negociação de ações, bem como outros ativos, e vale sempre a pena vasculhar novas idéias de negociação. O site também contém vários sistemas de negociação pagos e cursos úteis para o aprendizado do Amibroker.

Cesar Alvarez é engenheiro de software, trader de quant e programador da Amibroker que passou nove anos trabalhando para a Trading Markets e a Connors Research (acima). Seu blog é atualizado regularmente com novas idéias e pesquisas sobre sistemas de negociação e vale a pena ficar de olho nele.

O ASX Market Watch é um excelente recurso para trocar idéias de sistemas e tutoriais da Amibroker executados por Dave McLachlan. O site é focado principalmente para o mercado de ações australiano (ASX), mas também contém muitos vídeos úteis e material grátis.

Pesquisa Quantitativa e Negociação de Jonathan Kinlay é um ótimo recurso para os mais recentes modelos, teorias e estratégias de investimento usando quant research e trading. O site contém várias estratégias de negociação desenvolvidas a partir de algoritmos baseados em notícias criados pela Quantitative Trading na Systematic Strategies, LLC. A pesquisa de investimentos do Dr. Kinlay criou as estratégias de arbitragem de volatilidade atualmente sendo usadas pelo fundo de hedge Caissa Capital.

Alpha Architect visa capacitar os investidores através da educação. As quatro crenças fundamentais da Alpha Architect reforçam sua missão de reduzir a lacuna de retorno comportamental entre os investidores. Ele fornece uma série de estratégias sobre patrimônio ativo, alocação de ativos e alternativas. O site é um excelente recurso para investidores de longo prazo, com mentalidade independente e sensíveis a impostos, que buscam obter um bom valor pelo seu dinheiro.

Turing Finance desenvolvido a partir StuartReid. co. za, um blog pessoal que mostra as idéias pessoais do autor sobre a aplicação da informática moderna nos mercados financeiros. A Turing Finance concentra-se no conteúdo e não no autor e pretende solicitar contribuições de pesquisadores que compartilham a paixão de Stuart Reid. Promove o conceito de que a ciência da computação e a aprendizagem de máquina podem transformar todo o cenário do mercado financeiro.

Dual Momentum Investing fornece uma visão sobre o método de investimento de momentum utilizado por Gary Antonacci. O método visa aumentar os níveis de lucro, reduzindo o risco. Oferece aos investidores uma maneira de obter retornos de longo prazo em seus investimentos enquanto reduz as perdas de mercado e se baseia nos 35 anos de experiência de Gary Antonacci. Dual Momentum visa utilizar variações significativas na força relativa e tendências do mercado.

O Quants Portal é um projeto de fundos hedge de fonte aberta que oferece estratégias quantitativas baseadas em investimentos momentâneos. Com um crescente interesse em quantocracia, o site oferece inúmeros recursos para discutir o investimento de momentum, back testing e outras estratégias financeiras quantitativas. A equipe por trás do Quants Portal é composta por estudantes de gestão financeira, gestão de investimentos e estatística matemática, que pesquisam e revisam os métodos de investimento em dinâmica.

Eu ouvi pela primeira vez de Quantifiable Edges de Rob Hanna através de um podcast Better System Trader e é um ótimo site para pesquisa quantificável e ver os resultados de interessantes idéias de negociação. Rob utiliza conceitos de análise técnica para quantificar bordas lucrativas no mercado. Tais ideias de negociação geralmente incorporam indicadores, amplitude, volume, sentimento, volatilidade, sazonalidade e ação de preço. Seu trabalho nas bordas noturnas também é muito interessante.

A KJ Trading Systems oferece métodos para melhorar o desempenho comercial entre os investidores. Oferece as técnicas usadas por Kevin Davey em seus 25 anos de experiência em negociação. Além dos artigos de livre comércio, a KJ Trading Systems também oferece inúmeros vídeos, webinars gratuitos e a estratégia de negociação de futuros usada por Kevin Davey em seus próprios investimentos.

O QuantStart é um recurso de negociação algorítmica que fornece aos investidores em potencial uma excelente maneira de iniciar uma carreira em finanças quantitativas e negociação algorítmica. Também oferece inúmeros artigos e vídeos intuitivos. O QuantStart também explica como as ferramentas Python podem ser usadas na criação de estratégias de negociação lucrativas.

O Chartist vem do comerciante experiente e seguidor de tendência Nick Radge, que é autor de vários livros e artigos populares. Nick Radge é baseado na Austrália e é outro programador competente da Amibroker. O site oferece vários modelos de investimento de assinatura que permitem que os operadores copiem as negociações de Nick, além de fornecerem vários artigos e vídeos informativos.

O Automated Trading System da Jez Liberty é focado principalmente na estratégia de acompanhamento de tendências, e o blog contém vários artigos interessantes que são úteis para qualquer profissional que siga o sistema. O site também contém retornos mensais de uma série de assistentes de tendência que sempre faz uma leitura interessante.

Portanto, há 25 locais on-line para começar a procurar estratégias e ideias quantitativas de negociação. Tenho certeza de que perdi alguns da lista, então, por favor, deixe-me saber nos comentários quais são seus favoritos. # 8230;

Redes neurais para negociação algorítmica. Previsão simples de séries temporais.

ATUALIZAÇÃO IMPORTANTE:

Esta é a primeira parte das minhas experiências na aplicação de aprendizado profundo ao financiamento, em particular ao comércio algorítmico.

Eu quero implementar o sistema de negociação do zero baseado apenas em abordagens de aprendizado profundo, então para qualquer problema que tenhamos aqui (previsão de preço, estratégia de negociação, gerenciamento de risco) usaremos diferentes variações de redes neurais artificiais (RNAs) e verificaremos o quão bem elas podem lidar com isso.

Agora pretendo trabalhar nas próximas seções:

Eu recomendo fortemente que você verifique o código e o IPython Notebook neste repositório.

Nesta primeira parte, quero mostrar como MLPs, CNNs e RNNs podem ser usados ​​para previsão de séries temporais financeiras. Nesta parte, não vamos usar nenhuma engenharia de recursos. Vamos considerar apenas o conjunto de dados históricos dos movimentos do preço do índice S & P 500. Temos informações de 1950 a 2016 sobre preços abertos, próximos, altos e baixos para todos os dias do ano e volume de negócios. Em primeiro lugar, vamos tentar apenas prever preço próximo no final do dia seguinte, em segundo lugar, vamos tentar prever o retorno (preço próximo - preço aberto). Faça o download do conjunto de dados do Yahoo Finance ou deste repositório.

Problema definiton.

Consideraremos nosso problema como 1) problema de regressão (tentando prever preço exatamente próximo ou retorno no dia seguinte) 2) problema de classificação binária (o preço subirá [1; 0] ou diminuirá [0; 1]).

Para treinar NNs, vamos usar o framework Keras.

Primeiro, vamos preparar nossos dados para treinamento. Queremos prever o valor de t + 1 com base nas informações de N dias anteriores. Por exemplo, tendo preços próximos dos últimos 30 dias no mercado, queremos prever, qual será o preço amanhã, no dia 31.

Usamos primeiro 90% das séries temporais como conjunto de treinamento (consideramos como dados históricos) e duramos 10% como conjunto de testes para avaliação de modelo.

Aqui está um exemplo de carregamento, divisão em amostras de treinamento e pré-processamento de dados de entrada brutos:

Problema de regressão. MLP.

Será apenas perceptron de camada 2-escondida. Número de neurônios ocultos é escolhido empiricamente, vamos trabalhar na otimização de hiperparâmetros nas próximas seções. Entre duas camadas ocultas, adicionamos uma camada de eliminação para evitar overfitting.

O importante é Denso (1), Ativação ("linear") e "mse" na seção de compilação. Queremos uma saída que possa estar em qualquer intervalo (predizemos valor real) e nossa função de perda é definida como erro quadrático médio.

Vejamos o que acontece se apenas passarmos pedaços de 20 dias para fechar preços e prever preço no 21º dia. MSE final = 46,3635263557, mas não é uma informação muito representativa. Abaixo está o gráfico das previsões para os primeiros 150 pontos do conjunto de dados de teste. A linha preta é dados reais, um azul - previsto. Podemos ver claramente que nosso algoritmo não está nem perto por valor, mas pode aprender a tendência.

Vamos escalar nossos dados usando o método preprocessing. scale () de sklearn para termos a média zero e a variação de unidade da série temporal e treinar o mesmo MLP. Agora temos MSE = 0,0040424330518 (mas é em dados escalados). No gráfico abaixo, você pode ver as séries temporais reais escalonadas (preto) e nossa previsão (azul) para ele:

Para usar este modelo no mundo real, devemos voltar para as séries temporais sem escala. Podemos fazê-lo, multiplicando ou predizendo por desvio padrão de séries temporais que usamos para fazer previsões (20 etapas de tempo não escalonadas) e adicionando seu valor médio:

MSE neste caso é igual a 937.963649937. Aqui está o gráfico de previsões restauradas (vermelho) e dados reais (verde):

Não é ruim, não é? Mas vamos tentar algoritmos mais sofisticados para esse problema!

Problema de regressão. CNN.

Eu não vou mergulhar na teoria das redes neurais convolucionais, você pode conferir esses recursos incríveis:

Vamos definir uma rede neural convolucional de duas camadas (combinação de camadas de convolução e de pool máximo) com uma camada totalmente conectada e a mesma saída da anterior:

Vamos verificar os resultados. MSEs para dados escalados e restaurados são: 0.227074542433; 935.520550172. As parcelas estão abaixo:

Mesmo olhando no MSE em dados escalonados, esta rede aprendeu muito pior. Muito provavelmente, a arquitetura mais profunda precisa de mais dados para treinamento ou é super adaptada devido ao número muito alto de filtros ou camadas. Vamos considerar esse problema mais tarde.

Problema de regressão. RNN

Como arquitetura recorrente, eu quero usar duas camadas LSTM empilhadas (leia mais sobre LSTMs aqui).

As parcelas das previsões estão abaixo, MSEs = 0,0246238639582; 939.948636707.

A previsão de RNN parece mais com o modelo de média móvel, não pode aprender e prever todas as flutuações.

Então, é um resultado um pouco imprevisível, mas podemos ver que os MLPs funcionam melhor para essa previsão de séries temporais. Vamos verificar o que acontecerá se mudarmos da regressão para o problema de classificação. Agora, usaremos preços não próximos, mas retorno diário (preço de fechamento de preço fechado) e queremos prever se o preço de fechamento é maior ou menor do que o preço de abertura com base nos retornos dos últimos 20 dias.

Problema de classificação. MLP.

O código é alterado apenas um pouco - nós mudamos nossa última camada Densa para ter saída [0; 1] ou [1; 0] e adicione a saída softmax para esperar uma saída probabilística.

Para carregar saídas binárias, altere a seguinte linha de código:

Também mudamos a função de perda para entropia cruzada binária e adicionamos métricas de precisão.

Ah, não é melhor do que adivinhar aleatoriamente (50% de precisão), vamos tentar algo melhor. Confira os resultados abaixo.

US Search Desktop.

Agradecemos seus comentários sobre como melhorar a Pesquisa do Yahoo. Este fórum é para você fazer sugestões de produtos e fornecer feedback atencioso. Estamos sempre tentando melhorar nossos produtos e podemos usar o feedback mais popular para fazer uma mudança positiva!

Se você precisar de assistência de qualquer tipo, visite nosso fórum de suporte à comunidade ou encontre ajuda individualizada em nosso site de ajuda. Este fórum não é monitorado por nenhum problema relacionado a suporte.

O fórum de comentários do produto do Yahoo agora exige um ID e uma senha válidos do Yahoo para participar.

Agora você precisa fazer login usando sua conta de e-mail do Yahoo para nos fornecer feedback e enviar votos e comentários para as ideias existentes. Se você não tiver um ID do Yahoo ou a senha do seu ID do Yahoo, inscreva-se para obter uma nova conta.

Se você tiver um ID e uma senha válidos do Yahoo, siga estas etapas se quiser remover suas postagens, comentários, votos e / ou perfil do fórum de comentários do produto do Yahoo.

Vote em uma ideia existente () ou publique uma nova ideia…

Idéias quentes Idéias superiores Novas ideias Categoria Status Meu feedback.

Trazer de volta o layout antigo com pesquisa de imagens.

Xnxx vedios.

Motor de busca no Yahoo Finance.

Um conteúdo que está no Yahoo Finance não aparece nos resultados de pesquisa do Yahoo ao pesquisar por título / título da matéria.

Existe uma razão para isso, ou uma maneira de reindexar?

Não consigo usar os idiomas ingleses no e-mail do Yahoo.

Por favor, me dê a sugestão sobre isso.

O que vocês pagam por boas sugestões que aumentam a receita porque eu tenho uma que é garantida para fazer $. Me avise se estiver interessado.

O que vocês pagam por boas sugestões que aumentam a receita porque eu tenho uma que é garantida para fazer $. Me avise se estiver interessado.

Por favor, envie para desindexação.

Por favor, envie o link '410' para desindexação. Obrigado.

diga trump a tempo de imposto todo o mundo doa 1 dólar como patos ilimitado e.

como eles fazem para patos ilimitados e os fundos quando eles correm para o escritório?

Pare de ser um traidor para o nosso país. Whoo nomeou você para ser Juiz e Júri re Trump.

Quem nomeou você como juiz e jurado do presidente Trump?

Não é fácil dar um comentário.

Mantenha a verdadeira notícia que é muito importante. Trunfos *** a vida antes de ele ser presidente não é importante hoje, quando ele nem estava no cargo. Rússia, China, militares, comércio, protegendo a fronteira que eu vivo precisando da parede etc é o que é importante. A mídia não achava que era importante quando outros presidentes estavam fazendo negócios enquanto estavam no cargo, como os Kennedy, Clinton e outros. Ele mostra que você está alvejando Trump, que não é isso que os relatórios devem fazer. Também você sabe que eu pareço lembrar quando Obama disse que ele usou o Facebook etc a máquina eletrônica para ajudá-lo a ser eleito e como eles eram espertos e eu pensei a mesma coisa, mas agora, quando é Trumps campanha usando isso que está errado. Você não consegue ver porque está perdendo os espectadores? Você não está sendo tarifa. Como sobre as coisas importantes nas notícias que afetam nossa segurança (defesa, proteção de nossas fronteiras, negócios para empregos, dinheiro em nossos livros de bolso, quem no congresso estava por trás deles recebendo um aumento, etc.) O que é coisas que queremos saber.

Mantenha a verdadeira notícia que é muito importante. Trunfos *** a vida antes de ele ser presidente não é importante hoje, quando ele nem estava no cargo. Rússia, China, militares, comércio, protegendo a fronteira que eu vivo precisando da parede etc é o que é importante. A mídia não achava que era importante quando outros presidentes estavam fazendo negócios enquanto estavam no cargo, como os Kennedy, Clinton e outros. Ele mostra que você está alvejando Trump, que não é isso que os relatórios devem fazer. Além disso, você sabe que eu me lembro quando Obama disse que ele usou o Facebook, etc o eletrônico ... mais.