Comercio Cuantitativo - página 27
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Cree sus propios algoritmos con ADL® de Trading Technologies
Cree sus propios algoritmos con ADL® de Trading Technologies
Andrew Reynolds, gerente de productos para herramientas de negociación automatizada en Trading Technologies, presenta ADL (Algo Design Lab) como una solución innovadora para simplificar el proceso de desarrollo de algoritmos de negociación. Antes de ADL, los comerciantes interesados en crear sus propios algoritmos tenían que aprender a codificar, lo que requería mucho tiempo y tenía un largo ciclo de desarrollo. Sin embargo, ADL revoluciona el proceso al proporcionar una herramienta gráfica intuitiva que permite a los comerciantes diseñar e implementar algoritmos sin escribir una sola línea de código. Esto reduce significativamente la barrera de entrada en términos de capacidad técnica y permite a los operadores capitalizar rápidamente las oportunidades del mercado. ADL garantiza un rendimiento óptimo al convertir los algoritmos diseñados en un código bien probado que se ejecuta en servidores de alto rendimiento ubicados en el mismo lugar.
Reynolds procede a explicar las características y funcionalidades clave de ADL. El lienzo ADL sirve como espacio de trabajo y consta de una amplia gama de bloques que representan diferentes conceptos y operaciones comerciales. Los comerciantes pueden arrastrar y soltar fácilmente estos bloques para crear algoritmos, y cada bloque tiene propiedades específicas y se puede conectar a otros bloques para definir la lógica deseada. Los bloques de grupo permiten encapsular lógica específica y guardarlos como bloques de biblioteca para reutilizarlos en el futuro. Para mejorar la organización, se pueden agregar marcadores y se encuentra disponible un mecanismo de búsqueda para una navegación rápida a través de bloques y secciones. ADL incorpora técnicas predictivas para detectar posibles conexiones de bloques, lo que acelera aún más el proceso de desarrollo.
A medida que continúa la presentación, el instructor demuestra la creación paso a paso de algoritmos usando ADL. La plataforma ofrece comentarios en tiempo real y funciones fáciles de usar para ayudar en el desarrollo eficiente. El instructor muestra la adición de la lógica del lado de entrada a un algoritmo, seguida de la incorporación de la lógica del lado de salida y, finalmente, la creación de un algoritmo con lógica del lado de entrada y de salida. Se utilizan varios bloques, como bloques de pedidos, extractores de información de mensajes, bloques de campo y bloques de alerta, para definir la funcionalidad deseada de los algoritmos. A lo largo de la demostración, el instructor destaca las opciones de legibilidad y personalización proporcionadas por los bloques de salto, lo que permite a los operadores adaptar sus algoritmos de acuerdo con sus preferencias.
Luego, el instructor presenta el Algoritmo de gestión de pedidos (OMA), que permite aplicar la lógica algorítmica a los pedidos existentes, brindando flexibilidad para manipular el precio, la cantidad, el precio de detención y la cantidad revelada según sea necesario. Explican cómo se puede implementar la estrategia del vagabundo de ofertas, aumentando gradualmente el precio en intervalos hasta que se completa el pedido. El instructor enfatiza que ADL está diseñado para evitar acciones no deseadas y bucles infinitos, lo que garantiza la seguridad del usuario y el comportamiento esperado. Además, ADL incorpora una función de bloqueo de riesgo de P&L que permite a los operadores establecer umbrales de pérdida predefinidos, deteniendo automáticamente el algoritmo si las pérdidas superan la cantidad especificada.
Los presentadores discuten el lanzamiento y monitoreo de algoritmos usando ADL. El lanzamiento de Algol se puede iniciar desde varios widgets dentro del panel de control de Algol de Auto Trader, el libro de pedidos o MD Trader. Se destaca la capacidad de lanzamiento con un solo clic directamente desde la escalera MD Trader, lo que permite a los operadores elegir instrumentos y modificar los parámetros del algoritmo sin esfuerzo. ADL también brinda la capacidad de seleccionar instalaciones de colocación en función del instrumento, y los comerciantes pueden monitorear el progreso de sus algoritmos directamente desde el front-end. Además, la plataforma admite la especificación de diferentes cuentas para cada instrumento al iniciar algoritmos, lo que mejora la flexibilidad y las opciones de administración de cuentas.
Los presentadores enfatizan la disponibilidad de recursos para aprender más sobre ADL en el sitio web de Trading Technologies, incluido un foro de soporte para discutir temas relacionados con ADL. Informan a la audiencia sobre la próxima adición de un bloque de análisis, lo que permite la extracción de datos históricos y la realización de estudios integrados dentro de ADL. Los usuarios tendrán la capacidad de crear estudios personalizados utilizando datos históricos directamente dentro del algoritmo. Los presentadores destacan que Trading Technologies es neutral para los corredores, lo que permite la conexión con cualquier corredor que admita la plataforma. También se mencionan los detalles de precios y el tipo de algoritmo de salida del apilador se identifica como un caso de uso común.
Los oradores profundizan en la versatilidad de escribir algoritmos usando ADL, enfatizando que cada comerciante puede aportar su "salsa secreta" única al comercio algorítmico. Recomiendan el foro de la comunidad de Trading Technologies como un excelente recurso para obtener información adicional y puntos de vista sobre estrategias algorítmicas populares. Se explican las ventajas del lanzamiento con un solo clic con operadores automáticos, lo que permite a los operadores modelar múltiples operaciones simultáneamente. También mencionan la disponibilidad del tablero ADL en las aplicaciones móviles, lo que permite a los comerciantes pausar y reiniciar algoritmos de forma remota.
La presentación continúa con una discusión sobre el acceso a la plataforma ADL a través de una cuenta de demostración gratuita en el sitio de TradeTT, que brinda acceso inmediato y la oportunidad de explorar las capacidades de la plataforma. Se destaca que ADL comparte ubicación con los principales intercambios, lo que ofrece un grupo de servidores ubicados en instalaciones en varios lugares, incluido un servidor gen-pop para que los usuarios experimenten con diferentes oficios. Los oradores también se refirieron a los servicios web y las API, y mencionaron el lanzamiento de la API REST de TT y la utilidad de la plataforma ADL para el comercio de divisas.
Con respecto a las opciones de comercio de divisas, los oradores aclaran que si bien no hay planes inmediatos para conectarse directamente con los intercambios de divisas, las funciones de divisas están disponibles en el CME y NYSE ofrece un contrato de divisas al contado. Animan a los miembros de la audiencia a participar en los foros, que rastrean y abordan las mejoras del producto. La conclusión incluye una vista previa del programa anterior y una solicitud para que los asistentes completen un formulario de encuesta antes de concluir la sesión del seminario web.
Finanzas Cuantitativas | Clasificación de estrategias comerciales cuantitativas por Radovan Vojtko
Finanzas Cuantitativas | Clasificación de estrategias comerciales cuantitativas por Radovan Vojtko
Arjuna presenta a Radovan Vojtko, el CEO de Quantpedia, una plataforma integral que sirve como una enciclopedia de estrategias comerciales cuantitativas. Con experiencia como exgestor de cartera, Vojtko ha gestionado con éxito más de 300 millones de euros en fondos cuantitativos, centrándose en estrategias de seguimiento de tendencia ETA de múltiples activos, sincronización del mercado y comercio de volatilidad. Destaca la importancia de incorporar la investigación académica financiera en las estrategias comerciales, enfatizando que numerosas ideas comerciales interesantes se publican en documentos académicos, que pueden utilizarse tal como están o personalizarse para adaptarse a sistemas comerciales individuales. Vojtko también aborda los desafíos comunes asociados con la implementación de estrategias derivadas de la investigación académica.
Radovan Vojtko profundiza en el meticuloso proceso de selección de estrategias comerciales para su inclusión en la base de datos de Quantpedia. Él explica que su equipo lee extensamente artículos académicos y selecciona estrategias que son prácticas para implementar y exhiben características confiables de rendimiento y riesgo. Como ejemplo, menciona la estrategia de impulso en acciones, que fue presentada inicialmente en un documento de 1993 por Jagadeesh y Titman, seguida de documentos relacionados posteriores. Vojtko señala que no publican códigos comerciales ya que los clientes institucionales prefieren probar estrategias utilizando sus propios datos. Además, describe los tres grupos principales que contribuyen a la investigación cuantitativa: académicos, investigación del lado del vendedor y fondos de cobertura y empresas de gestión de activos.
El orador proporciona una descripción general de las estrategias comerciales cuantitativas y su clasificación. Las acciones emergen como una clase de activos bien cubierta en la investigación académica, seguidas de las materias primas, las divisas, los bonos y los bienes raíces. El reequilibrio mensual es el período de tiempo más popular para las estrategias comerciales, mientras que el comercio de alta frecuencia está subrepresentado debido a la necesidad de datos más costosos y capacidades de programación avanzadas. En cuanto a los temas, las estrategias de renta variable, como long-short e impulso, atraen la mayor atención, seguidas de la sincronización del mercado, el valor y los efectos fundamentales de las ganancias. El orador comparte su perspectiva sobre la clasificación y el descubrimiento de estrategias comerciales convincentes dentro de la base de datos de Quantpedia.
Se discuten diferentes clasificaciones de estrategias comerciales cuantitativas, junto con el concepto de puntos ciegos en la investigación. Los puntos ciegos se refieren a áreas de investigación que han recibido una cobertura insuficiente, lo que presenta oportunidades para descubrir nuevas estrategias alfa o comerciales. El orador proporciona una distribución de estrategias a través de clases de activos, revelando el dominio de las acciones y destacando la naturaleza poco explorada de los bonos y los fondos de inversión en bienes raíces (REIT). Si bien los estilos populares como el impulso y el arbitraje reciben una amplia cobertura, el orador identifica el potencial en las estrategias de sincronización para otras clases de activos y el desarrollo de estrategias intrigantes para el comercio de divisas.
Radovan Vojtko examina más a fondo la clasificación de las estrategias comerciales cuantitativas por clase de activo, poniendo especial énfasis en las estrategias de renta variable. Señala que hay más estilos de negociación de acciones que todas las demás clases de activos combinadas, destacando seis tipos principales de estrategias de acciones, que incluyen sincronización, arbitraje y negociación de valor. Sin embargo, reconoce puntos ciegos en los estilos populares y áreas poco exploradas, como los bonos y las materias primas. Vojtko enfatiza el potencial de oportunidades de inversión únicas e interesantes en las estrategias intradía y de corto plazo, que no se han cubierto ampliamente en los trabajos de investigación.
El video explora dos estrategias comerciales cuantitativas en detalle. La primera estrategia consiste en emplear un enfoque de reversión a la media para negociar futuros de materias primas. Este enfoque implica agrupar productos básicos con características similares, calcular el índice de rendimiento total de productos básicos para cada grupo y construir pares dentro de cada grupo. Con base en la divergencia histórica y utilizando un umbral de dos desviaciones estándar, se toman posiciones diarias cuando los precios divergen. La segunda estrategia se enfoca en el riesgo previo al anuncio de ganancias, capitalizando la tendencia de las acciones a la deriva después de los anuncios de ganancias. Al crear una cartera larga-corta, los inversores pueden beneficiarse de este fenómeno. Si bien la deriva posterior al anuncio de ganancias es bien conocida, el orador destaca el hecho menos conocido de que las acciones también tienden a fluctuar antes de los anuncios de ganancias.
Radovan Vojtko explica el concepto de descomposición alfa, que se refiere a la diferencia de rendimiento entre las pruebas dentro y fuera de la muestra de una estrategia comercial. También aborda los problemas de la piratería informática y la replicación en la investigación cuantitativa, en la que los investigadores pueden probar numerosas variaciones de una estrategia comercial hasta que encuentren algo interesante, lo que resulta en la extracción de datos. Para mitigar este problema, Vojtko sugiere utilizar la anonimización del impulso, un método que permite a los operadores determinar si una estrategia es realmente rentable o simplemente una casualidad estadística. A pesar de estos desafíos, se han publicado varias estrategias comerciales cuantitativas en artículos académicos, incluido el ejemplo de una estrategia de anuncio de ganancias previas que ha mostrado un rendimiento anual del 40%.
El orador desacredita la idea errónea de que las estrategias comerciales cuantitativas se vuelven ineficaces una vez que se publican y se dan a conocer a otros, lo que lleva al arbitraje por parte de otros participantes del mercado. La investigación realizada por McLean y Pontiff demuestra que ciertas estrategias continúan funcionando incluso después de la publicación, con más del 40 % del alfa restante cinco años después. El orador también enfatiza la persistencia de anomalías o factores en el comercio, señalando que cualquier estrategia puede exhibir persistencia y generar retornos favorables en el futuro. Sin embargo, un mal momento por parte de los inversores puede obstaculizar los rendimientos. El orador advierte contra el dragado de datos o la pesca de datos, que implica una extracción excesiva de datos y puede dar lugar a falsos descubrimientos. La prueba rigurosa de cualquier estrategia es crucial antes de la implementación.
Radovan Vojtko aborda el tema de la replicación en la investigación académica, particularmente en lo que respecta a las estrategias comerciales cuantitativas. Destaca el problema de los investigadores que extraen datos y buscan patrones sin tener una hipótesis específica de antemano, lo que lleva a una significación estadística sin utilidad práctica. Vojtko sugiere aumentar el punto de corte para la significación estadística a 3,0 o 3,5 para mantener estándares estrictos para las estrategias identificadas. Las pruebas fuera de muestra que comparan carteras de factores de renta variable en función de los datos publicados pueden ayudar en la replicación precisa y el uso potencial en operaciones futuras.
Vojtko presenta una estrategia de anomalías inéditas de impulso, que implica clasificar las anomalías en función de su rendimiento anual y, posteriormente, comercializar las de mejor rendimiento en el año siguiente. Este enfoque ayuda a filtrar las estrategias poco realistas, de bajo rendimiento o impulsadas por el arbitraje, lo que aumenta la probabilidad de descubrir estrategias rentables a través de la investigación académica. Sin embargo, Vojtko advierte que se deben considerar la liquidez y los costos de transacción, y que el desempeño de las anomalías puede disminuir con el tiempo. Recomienda construir una base de datos integral de estrategias y seleccionar aquellas con el mejor rendimiento para mejorar las posibilidades de encontrar estrategias comerciales rentables.
El orador se involucra con las preguntas de los espectadores y brinda recomendaciones de recursos para explorar estrategias comerciales cuantitativas. Sugieren visitar el sitio web de la Red de Ciencias Sociales, que sirve como depósito de trabajos de investigación de las ciencias sociales y se puede buscar usando palabras clave como comercio de pares o comercio de impulso. El orador también recomienda su propio sitio web, Quantpedia, que ofrece una sección gratuita con más de 60 estrategias comúnmente conocidas y una sección premium con más estrategias únicas. Cuando se le preguntó acerca de las estrategias adecuadas para los principiantes, el orador sugiere explorar la selección de costos de activos y las estrategias de impulso sobre las ganancias por acción (EPS). Para calcular el decaimiento beta, el orador aconseja consultar los artículos académicos mencionados en su publicación o realizar una búsqueda en Google de artículos académicos relevantes.
El orador analiza los lenguajes de programación comúnmente utilizados en finanzas cuantitativas y señala que existen numerosas opciones disponibles en línea. En última instancia, la elección del lenguaje de programación se reduce a las preferencias personales. Proporcionan un enlace a su sitio web, que ofrece varios enlaces a aproximadamente 50 back testers. Si bien personalmente favorecen a Python, reconocen la validez de otros lenguajes. El orador recomienda seleccionar un idioma con el que uno se sienta cómodo y utilizar soluciones preconstruidas de plataformas como Tradestation, Ninjatrader o Ami Broker para comenzar a operar o probar. Además, el orador enfatiza que el comercio algorítmico exitoso requiere una fusión de habilidades financieras y tecnológicas y ofrece programas educativos para capacitar a las personas en ambos dominios.
anuncios es menos conocido.
Finanzas Cuantitativas | Introducción al aprendizaje automático | cuánticos | Por Eric Hamer
Finanzas Cuantitativas | Introducción al aprendizaje automático | cuánticos | Por Eric Hamer
Eric Hamer, CTO de Quantiacs, presenta la asociación entre Quantiacs y Quantinsti, con el objetivo de democratizar la industria de los fondos de cobertura. Esta colaboración brinda sesiones de capacitación que equipan a los estudiantes con habilidades prácticas utilizando las herramientas y los datos de código abierto de Quantiacs. Quantiacs funciona como un fondo de cobertura de colaboración colectiva, que conecta a los analistas cuantitativos que desarrollan algoritmos con el capital, mientras que Quantinsti ofrece cursos de comercio algorítmico. Hamer destaca que los quants participantes pueden competir en las competencias de Quantiacs, donde tienen la oportunidad de ganar capital de inversión y una parte de las ganancias.
Hamer profundiza en cómo Quantiacs conecta los algoritmos de los codificadores con los mercados de capital, lo que beneficia tanto a Quantiacs como a Quantiacs si las estrategias resultan exitosas. Quantiacs se esfuerza por promover el comercio cuantitativo al ofrecer kits de herramientas de escritorio descargables para MATLAB y Python, estrategias comerciales de muestra y datos de futuros gratuitos al final del día que datan de 1990. También han incorporado indicadores macroeconómicos para ayudar a los clientes a mejorar sus algoritmos. Además, Quantiacs proporciona una plataforma en línea donde los usuarios pueden enviar y evaluar sus algoritmos sin costo alguno. Centrado actualmente en los futuros, Quantiacs tiene como objetivo proporcionar potencialmente datos comparables para los mercados de valores en el futuro.
El orador explica las dos funciones principales de las estrategias comerciales en la plataforma Quantiacs: la función de costo y el sistema comercial. La función de costo da cuenta de los costos de transacción y las comisiones utilizando el 5% de la diferencia entre los precios altos y bajos de un día determinado. Por otro lado, el sistema de negociación permite a los usuarios solicitar información de precios y proporcionar un vector o matriz de pesos que determina la asignación de la cartera. Quantiacs desaconseja el uso de variables globales y ofrece un parámetro de configuración para mantener la información de estado necesaria. Hamer proporciona un ejemplo de una estrategia comercial simple que ha producido un rendimiento anual del 2,5%. El resultado de la estrategia incluye una curva de acciones, el rendimiento de las posiciones largas y cortas y el rendimiento de los futuros individuales. Quantiacs evalúa las estrategias en función del rendimiento positivo, la baja volatilidad y el índice de Sharpe, que mide la rentabilidad ajustada al riesgo.
Hamer introduce el concepto de aprendizaje automático y sus aplicaciones en finanzas cuantitativas. Destaca que una parte importante de las transacciones en las bolsas de valores estadounidenses, aproximadamente del 85% al 90%, se generan por computadora. Las técnicas de aprendizaje automático, como la regresión, la clasificación y el agrupamiento, son cada vez más frecuentes en el campo. Hamer analiza algunas trampas asociadas con el aprendizaje automático y enfatiza la importancia de maximizar los rendimientos ajustados al riesgo sin un comercio excesivo. Si bien las redes neuronales pueden generar excelentes resultados, sus tiempos de ejecución pueden ser prolongados y la arquitectura de CPU tradicional puede no ser óptima. Sin embargo, las GPU de alto rendimiento están disponibles, lo que reduce significativamente el tiempo de ejecución. Aunque existen bibliotecas de código abierto como Python y MATLAB, configurar y entrenar un algoritmo de aprendizaje automático puede ser un proceso complejo que requiere esfuerzo y dedicación.
Hamer profundiza en el proceso de aprendizaje automático, comenzando por especificar el enunciado del problema e identificando el tipo de problema de aprendizaje automático. Explica el requisito de datos numéricos en el aprendizaje automático y analiza la división de datos en conjuntos de entrenamiento y prueba para el entrenamiento y la evaluación de modelos, respectivamente. Hamer proporciona un ejemplo que demuestra cómo se puede utilizar la API de Python de Quantiacs para hacer predicciones sobre el contrato de futuros mini S&P 500, mostrando los resultados utilizando la API de la red neuronal de Keras.
Hamer analiza las limitaciones del modelo de aprendizaje automático creado para predecir los precios futuros de las acciones. Si bien inicialmente puede parecer que el modelo predice con precisión los precios, una inspección más detallada revela que simplemente está utilizando los datos de hoy como un indicador de los datos de mañana. Al aplicar el mismo algoritmo a las devoluciones de datos sin procesar, las predicciones del modelo siguen una forma similar pero no la misma magnitud que los valores verdaderos. Hamer demuestra el bajo rendimiento del modelo cuando se aplica a los datos comerciales y explora posibles vías de mejora. También proporciona una breve descripción general del código fuente utilizado en la función de su sistema comercial.
Hamer procede a demostrar la creación de un modelo Keras secuencial para predecir los rendimientos de futuros del S&P 500. El modelo parte de una estructura básica e incorpora capas específicas. Hamer entrena el modelo utilizando datos de entrenamiento, que comprenden datos de precios reales, mientras que los valores de y representan los datos de retorno que se pronostican. Una vez capacitado, Hamer puede extraer el modelo de la configuración y usarlo para predecir los rendimientos en función de los datos más recientes. Si bien su mini modelo simple S&P 500 no funciona bien, Hamer explica que las técnicas y optimizaciones adecuadas, como el descenso de gradiente y el impulso, pueden resolver el problema.
Hamer analiza las técnicas para mejorar la validez de un algoritmo de aprendizaje automático en finanzas cuantitativas. Sugiere usar la técnica de agregación de arranque, que implica ejecutar el algoritmo en múltiples subconjuntos de datos para obtener información. También se recomienda mantener estrategias simples, utilizar múltiples predicciones para llegar a un consenso y tener cuidado con el sobreajuste, la limpieza de datos y el manejo de datos faltantes y variables aleatorias. Hamer cree que el aprendizaje automático y la inteligencia artificial seguirán siendo herramientas cruciales para pronosticar los mercados financieros.
El orador presenta los cursos EpAT y ConTA, ambos ofrecen sesiones dedicadas al aprendizaje automático. EpAT está dirigido a profesionales que buscan crecimiento en el campo del comercio algorítmico o cuantitativo, mientras que ConTA ofrece un curso a su propio ritmo sobre la implementación de técnicas de regresión utilizando el aprendizaje automático con Python. Hamer responde a las preguntas sobre la elección entre R y Python para el aprendizaje automático y ofrece consejos para evitar el sobreajuste al probar conjuntos de datos alternativos. Sugiere entrenar el modelo tanto con datos de entrenamiento como de prueba y examinar la diferencia de error entre los dos conjuntos para evitar el sobreajuste.
Hamer destaca los peligros del sobreajuste en el aprendizaje automático para el comercio de algoritmos y sugiere emplear la técnica de agregación o embolsado de arranque para dividir un conjunto de datos en subconjuntos más pequeños para realizar pruebas de precisión. Debido al ruido y las fluctuaciones en los datos financieros, cualquier precisión superior al 50% puede considerarse buena.
Finalmente, Hamer enfatiza la importancia de comprender la tecnología para automatizar las estrategias comerciales. Él enfatiza la necesidad de programas educativos que brinden capacitación en las diversas habilidades requeridas para tener éxito como comerciante algorítmico.
basado en el rendimiento positivo, la baja volatilidad y el índice de Sharpe, que mide los rendimientos ajustados al riesgo.
¿Podemos usar modelos mixtos para predecir los fondos del mercado? por Brian Christopher - 25 de abril de 2017
¿Podemos usar modelos mixtos para predecir los fondos del mercado? por Brian Christopher - 25 de abril de 2017
Brian Christopher, investigador cuantitativo y desarrollador de Python, ofrece una presentación completa sobre las limitaciones del análisis de series de tiempo tradicional e introduce modelos mixtos, específicamente modelos ocultos de Markov (HMM), como una alternativa prometedora para predecir rendimientos e identificar regímenes de mercado. Enfatiza la necesidad de modelos que puedan manejar datos no estacionarios y distribuciones no lineales aproximadas, que son esenciales en la previsión financiera.
Christopher explora cómo se pueden usar los modelos mixtos, en particular los HMM, para estimar el régimen más probable de un activo, junto con las medias y varianzas asociadas para cada régimen. Explica el proceso computacional, que implica alternar entre calcular parámetros de clase y evaluar datos de probabilidad. El modelo de mezcla gaussiana (GMM), un modelo de mezcla bien conocido, supone que cada régimen sigue una distribución gaussiana. Christopher demuestra cómo se emplea el algoritmo de maximización de expectativas para calcular probabilidades y parámetros de régimen hasta la convergencia. Para ilustrar esto, muestra un ejemplo de clasificación de los regímenes de baja volatilidad, neutral y alta volatilidad de un ETF espía.
A continuación, Christopher profundiza en cómo los GMM pueden manejar conjuntos de datos no estacionarios y no lineales, superando las limitaciones del análisis tradicional de series temporales. Presenta una estrategia de juguete que utiliza cuatro factores, incluidos los rendimientos de los activos y el diferencial de diez años a tres meses del Tesoro de EE. UU., para estimar los rendimientos y los parámetros de la secuencia. Los GMM se utilizan para ajustar y predecir, extrayendo la estimación de la etiqueta del último régimen para determinar la media y la varianza del régimen específico. En lugar de asumir una distribución normal, la distribución su de Johnson se utiliza como parte de la estrategia para explicar la naturaleza no lineal de los datos.
El disertante analiza una estrategia para predecir los fondos del mercado basada en la suposición de que los rendimientos fuera de los intervalos de confianza son valores atípicos. Mediante la construcción de intervalos de confianza del 99 % a través de mil muestras, los rendimientos por debajo del intervalo de confianza inferior se consideran valores atípicos. Christopher analiza los rendimientos después del evento atípico, suponiendo una posición larga o de compra en el ETF durante un número específico de días. El modelo se adapta a la volatilidad cambiante y, aunque la precisión general es de alrededor del 73 %, la curva de renta variable no funciona tan bien como una estrategia de compra y retención. Christopher alienta a la audiencia a explorar los datos por sí mismos, ya que los conjuntos de datos utilizados en la presentación están disponibles en GitHub.
Christopher comparte su análisis del uso de modelos mixtos para predecir los fondos de mercado para varios ETF. Examina la distribución de la mediana de los rendimientos de cada ETF a lo largo de diferentes periodos retrospectivos y de mantenimiento. SPY, Triple Q y TLT superan constantemente en diferentes dimensiones, mientras que GLD, EFA y EEM exhiben distribuciones más simétricas. También evalúa el ratio de suma, que mide los retornos totales de los eventos mayores a 0 divididos por los retornos menores a 0, considerando los valores mayores a 1 como exitosos. SPY, Triple Q y TLT muestran un sólido desempeño en múltiples dimensiones y períodos retrospectivos. Sin embargo, Christopher advierte que los períodos de tenencia más largos pueden estar más influenciados por la tendencia general del mercado.
El presentador analiza el desempeño de diferentes activos en el mercado utilizando modelos mixtos para predecir los mínimos del mercado. El estudio revela que activos como SPY, Triple Q, TLT y GLD funcionan bien dependiendo de variables como la cantidad de pasos o el período retrospectivo. Sin embargo, el desempeño de ciertos activos se deteriora con períodos de tenencia más largos. El estudio evalúa la rentabilidad media de diferentes componentes e identifica resultados prometedores para activos como EEM y Aoife. Se enfatiza la importancia de una distribución de muestreo adecuada y se demuestra que el uso de la distribución su de Johnson es efectivo. En general, la estrategia que utiliza modelos mixtos para predecir los fondos del mercado resulta convincente.
Christopher explica que, si bien GMM ha mostrado éxito constantemente con activos como SPY, Triple Q y TLT, existen estrategias alternativas que funcionan igual o mejor. Describe brevemente el código para la clase corredora del modelo y la función de conveniencia del modelo de ejecución, que implementa los componentes GMM. Enfatiza que el modelo se implementó de manera progresiva para evitar el sesgo de anticipación. Además, Christopher proporciona los datos que usó en formato HDF5 en GitHub.
El orador explica cómo organizar y analizar los datos generados para evaluar la efectividad de la estrategia del modelo mixto. Se pueden emplear varias técnicas de división y agrupación para evaluar métricas y medios. La distribución su de Johnson se utiliza para adaptarse a la volatilidad cambiante en la serie de retorno y se compara con la distribución normal. Christopher sugiere que la precisión de la distribución normal es pobre y que puede ser más beneficioso simplemente mantener el mercado. Sin embargo, alienta a las personas a explorar los datos en GitHub y se ofrece a responder cualquier pregunta o participar en un seminario web.
Durante la sesión de preguntas y respuestas, Christopher responde a las preguntas de la audiencia sobre su seminario web sobre el uso de modelos mixtos para predecir los mínimos del mercado. Aclara que determinó los parámetros de forma para la distribución de Johnson a través de una búsqueda de parámetros aproximados y no investigó exhaustivamente los resultados. También analiza cómo seleccionó factores útiles para su modelo, destacando la inclusión de intereses basados en EE. UU. o métricas de renta fija para mejorar el éxito del modelo en la predicción de rendimientos de activos basados en EE. UU.
Christopher aborda preguntas adicionales de la audiencia con respecto a la aplicación de GMM a los rendimientos en lugar del precio, la cuestión de la escala cuando se usa el precio, el problema de la varianza del sesgo con múltiples factores y la similitud entre la retrospectiva y las pruebas retrospectivas. Sugiere más exploración e investigación sobre combinaciones de factores que son más predictivos en una gama más amplia de activos. También enfatiza la importancia de establecer un límite natural a la cantidad de componentes GMM para evitar el sobreajuste. Christopher invita a la audiencia a comunicarse con él para obtener más preguntas y detalles.
Volatilidad implícita de la teoría a la práctica por Arnav Sheth - 7 marzo, 2017
Volatilidad implícita de la teoría a la práctica por Arnav Sheth - 7 marzo, 2017
Arnav Sheth, un estimado profesor con un amplio conocimiento de la volatilidad, sube al escenario como orador de un seminario web titulado "Volatilidad implícita de la teoría a la práctica". El anfitrión presenta a Sheth, destacando su experiencia en el campo, incluida la publicación de su libro y la fundación de una plataforma analítica y de consultoría. El seminario web tiene como objetivo proporcionar a los asistentes una comprensión integral de la volatilidad implícita, los diferentes tipos de volatilidad, las estrategias comerciales que explotan la volatilidad implícita y los recursos en línea disponibles y los índices de Chicago Board Options Exchange (CBOE) para una mayor exploración.
Sheth comienza ofreciendo una descripción general concisa de las opciones, que cubre varias volatilidades, como la volatilidad histórica e implícita. Se sumerge en una estrategia comercial en detalle y analiza un par de índices CBOE, brindando información práctica sobre su aplicación. Para proporcionar un contexto histórico, Sheth comparte los orígenes de las opciones, remontándose al primer contrato de opciones registrado alrededor del año 500 a. Cuenta la historia de Tales, un matemático y filósofo, que se aseguró los derechos exclusivos de todas las prensas de aceitunas durante una cosecha abundante. Esta historia ilustra la manifestación temprana del comercio de opciones.
Pasando a la definición moderna de opciones, Sheth aclara el concepto de opciones de compra, describiéndolas como contratos que permiten especular o cubrir el futuro de un activo subyacente. Él enfatiza que las opciones de compra brindan al destinatario el derecho, pero no la obligación, de salir del contrato. Sheth procede a explicar los conceptos básicos del comercio de opciones de compra y venta, destacando que una opción de compra otorga al comprador el derecho a comprar un activo subyacente a un precio específico, mientras que una opción de venta le otorga al comprador el derecho a vender el activo subyacente a un precio predeterminado. precio. Él subraya que el comercio de opciones es un juego de suma cero, lo que significa que por cada ganador, hay un perdedor, lo que resulta en ganancias y pérdidas totales equivalentes a cero. Sheth advierte sobre los riesgos de vender una opción de compra sin poseer las acciones subyacentes, pero señala que si uno posee las acciones, vender una opción de compra puede ayudar a mitigar el riesgo.
Sheth profundiza en los contratos de opciones, cubriendo opciones de compra larga, compra corta, venta larga y venta corta. Él explica sus resultados potenciales de ganancias y pérdidas, y advierte que los principiantes no deben participar en el comercio de "opciones desnudas". Además, enfatiza la importancia de tener en cuenta el valor del dinero en el tiempo al calcular la ganancia versus el pago. Sheth distingue entre opciones europeas y americanas, aclarando que las opciones europeas solo pueden ejercerse al vencimiento, mientras que las opciones americanas pueden ejercerse en cualquier momento. Concluye esta sección presentando el modelo de fijación de precios de Black-Scholes-Merton, que compara con una "compra de acciones apalancada".
Luego, el enfoque cambia al modelo Black-Scholes-Merton (BSM) y sus supuestos subyacentes. Sheth destaca uno de estos supuestos, afirmando que la volatilidad de los rendimientos se conoce y permanece constante a lo largo de la vida útil de la opción. Procede a analizar la volatilidad histórica, que representa la desviación estándar de los rendimientos históricos de los activos. Sheth explica su importancia para predecir la rentabilidad potencial de una opción, destacando que una mayor volatilidad aumenta el precio de la opción debido a una mayor probabilidad de que el activo termine "en el dinero".
A continuación, Sheth explora la volatilidad implícita y su papel en la ingeniería inversa de la volatilidad del modelo Black-Scholes utilizando opciones de mercado. La volatilidad implícita se interpreta como la volatilidad esperada del mercado y se calcula con base en los precios de las opciones de mercado. Sheth presenta el VIX, que utiliza opciones S&P 500 at the money con vencimiento a 30 días para estimar la volatilidad implícita. El VIX mide la volatilidad que anticipa el mercado durante el período de vencimiento de la opción. Señala que los comerciantes a menudo usan la volatilidad implícita, derivada de los precios de las opciones, para cotizar las opciones y no al revés. Sheth enfatiza que si diferentes strikes están asociados con el mismo activo subyacente, su volatilidad implícita debe permanecer constante.
Sheth procede a explicar el concepto de sesgo de volatilidad en el precio de las opciones. Demuestra cómo la volatilidad implícita se desvía de la volatilidad histórica a medida que el precio de ejercicio diverge, lo que da como resultado el sesgo de la volatilidad. Sheth destaca que el sesgo surgió después de 1987 y presenta una oportunidad para los comerciantes, ya que se refleja en los precios de las opciones. Introduce el término "prima de riesgo de volatilidad", que representa la diferencia entre la volatilidad implícita y realizada. Esta prima se puede explotar en estrategias comerciales. Sheth aclara que, si bien el modelo Black-Scholes se usa principalmente para cotizar opciones, se usa más comúnmente para obtener la volatilidad implícita.
El cálculo de la volatilidad implícita en el mercado de opciones se convierte en el siguiente tema de discusión. Sheth explica cómo los comerciantes utilizan los valores de mercado de opciones específicas sobre activos subyacentes e ingresan estos valores en el modelo Black-Scholes para realizar ingeniería inversa de la volatilidad. La volatilidad implícita se interpreta entonces como la volatilidad esperada por los mercados de opciones durante un período específico, a menudo 30 días. Sheth introduce el concepto de la prima de riesgo de volatilidad y muestra cómo los mercados de opciones tienden a sobrestimar la volatilidad real. Concluye esta sección presentando una distribución de frecuencias de la prima de volatilidad.
El ponente profundiza en las estrategias de negociación basadas en la volatilidad implícita, centrándose en el concepto de venta de straddles. Sheth destaca que la volatilidad implícita suele ser más alta que la volatilidad realizada, lo que da como resultado opciones sobrevaloradas. Como resultado, la estrategia consiste en vender straddles y quedarse corto en volatilidad. Para evaluar los riesgos asociados con estas estrategias, Sheth introduce medidas griegas, que proporcionan un marco para evaluar el riesgo. Ofrece un escenario de ejemplo que involucra la compra de un straddle at-the-money y analiza los resultados de pérdidas y ganancias en función del precio de las acciones subyacentes. Sheth concluye advirtiendo que si el precio de las acciones fluctúa significativamente, es posible que el precio de las opciones ya no sea sensible a la volatilidad.
El video procede a discutir el uso de opciones como cobertura contra cambios en los precios de las acciones. Sheth explica que al comprar simultáneamente una opción de compra y una opción de venta, o vendiendo ambas, lo más cercano al valor del precio de las acciones, se puede lograr la neutralidad delta, pero no se puede cubrir completamente la vega. Luego, Sheth presenta los índices CBOE como una forma conveniente de capitalizar la prima de volatilidad, mencionando específicamente el índice BXM (BuyWrite Monthly), que implica una estrategia de llamada cubierta, y la opción mariposa de hierro BFLY. Él explica que escribir llamadas cubiertas sobre las acciones propias puede reducir el riesgo asociado con mantener únicamente las acciones subyacentes, pero también conlleva la posibilidad de perder las acciones si se llama. Por último, Sheth explica la estrategia de la mariposa de hierro, que consiste en comprar y vender cuatro opciones con tres strikes contra el S&P 500.
Hacia el final del seminario web, Sheth presenta una estrategia que involucra la compra de una opción de venta fuera del dinero y una opción de compra fuera del dinero. Esta estrategia da como resultado una posición de volatilidad corta similar a un straddle inverso, pero con un pago ligeramente exagerado para aumentar el potencial de ganancias.
Cómo utilizar los datos del mercado financiero para el análisis fundamental y cuantitativo - 21 de febrero de 2017
Cómo utilizar los datos del mercado financiero para el análisis fundamental y cuantitativo - 21 de febrero de 2017
Altavoces:
Aprenda a negociar los fundamentos de manera rentable, comprenda los desafíos que rodean el análisis de datos de alta frecuencia, descubra las oportunidades y los errores en el comercio de futuros y vea una demostración en vivo de un tutorial paso a paso sobre una de las estrategias comerciales más populares, el comercio de pares. ¡estrategia!
Sesión Informativa sobre Trading Algorítmico
Sesión Informativa sobre Trading Algorítmico
En la apertura de la sesión informativa sobre trading algorítmico, el ponente agradece el creciente interés por este dominio y reconoce el importante impacto que ha tenido a lo largo de los años. Presentan a Nitesh, cofundador de IH y Quant Institute, como orador de la sesión. Se describe que Nitesh tiene una gran experiencia en los mercados financieros y proporcionará una descripción general del comercio algorítmico, las tendencias y las oportunidades, especialmente para los principiantes. El orador destaca artículos de noticias recientes que demuestran la creciente popularidad del comercio algorítmico y su tasa de crecimiento proyectada de más del 10% CAGR a nivel mundial en los próximos cinco años.
El orador se sumerge en el crecimiento y las oportunidades en el comercio algorítmico, enfatizando su rápida expansión con números porcentuales de dos dígitos en todo el mundo. Presentan datos de diferentes bolsas, mostrando los crecientes volúmenes de negociación algorítmica en los mercados de acciones y materias primas. Para definir el comercio algorítmico, lo explican como el proceso de usar computadoras programadas con un conjunto definido de instrucciones para colocar órdenes comerciales a alta velocidad y frecuencia, con el objetivo de generar ganancias. Se enfatiza el papel crítico de la tecnología en el comercio algorítmico, especialmente en el comercio de alta frecuencia, donde representa una parte significativa (hasta 60-70%) de la rentabilidad de una estrategia comercial.
Pasando a los aspectos clave del comercio algorítmico, el orador analiza la tecnología, la infraestructura y la estrategia. Destacan el papel prominente de la tecnología en el mundo comercial algorítmico actual, con tecnócratas y comerciantes orientados a la tecnología a la cabeza. La infraestructura se identifica como un factor crucial que define la probabilidad de éxito de un comerciante, enfatizando la importancia del tipo de infraestructura utilizada. Por último, el orador explica que la estrategia comercial en sí misma es lo que determina en última instancia la rentabilidad y el éxito, y representa entre el 30 y el 70 % de la probabilidad general de éxito de un comerciante. Describen las diferentes fases del desarrollo de la estrategia, incluida la ideación, el modelado, la optimización y la ejecución.
El orador describe las etapas del comercio algorítmico, como la optimización, la prueba y la ejecución. Destacan la importancia de optimizar las variables de entrada de un modelo comercial para garantizar un resultado consistente antes de avanzar con la ejecución. Además, al automatizar la ejecución, el ponente advierte sobre los riesgos potenciales y destaca la necesidad de un sistema de gestión de riesgos robusto para garantizar la seguridad y prevenir los riesgos operativos. Mencionan que las cotizaciones en el tramo conducen estadísticamente a grandes ganancias y mayores rendimientos por operación.
Se discuten los riesgos involucrados en el comercio algorítmico, incluido el potencial de pérdidas significativas, y se enfatiza la importancia de la gestión del riesgo operativo. El orador también destaca la infraestructura requerida para el comercio algorítmico, como líneas de alta velocidad y colocaciones, que permiten una ejecución más rápida. Se explican los pasos prácticos para configurar una mesa de negociación algorítmica, comenzando con el acceso al mercado a través de la obtención de una membresía o la apertura de una cuenta con un corredor. El orador menciona que los requisitos de licencia pueden variar según el regulador. Elegir la plataforma de negociación algorítmica correcta es crucial y depende de la estrategia específica que se ejecutará.
El ponente analiza las plataformas de negociación algorítmicas y su selección en función del tipo de estrategia. Para las estrategias comerciales de baja frecuencia, los corredores a menudo ofrecen plataformas gratuitas basadas en la web que permiten el comercio automatizado utilizando el código API en varios lenguajes de programación. Para una mayor sensibilidad a la latencia, se pueden usar plataformas implementables a un costo de unos pocos cientos de dólares por mes. El orador también enfatiza que el tipo de infraestructura utilizada depende de la estrategia, con datos y análisis de alta frecuencia que requieren servidores de rendimiento de primera clase.
El orador elabora sobre los diferentes tipos de acceso e infraestructura necesarios para el comercio algorítmico, considerando diversas regulaciones y tecnologías. Explican el concepto de coubicación y alojamiento de proximidad, destacando factores como la latencia, las líneas de enrutamiento de pedidos y los datos de mercado. Se enfatiza la importancia de tener una base de datos y análisis robustos para la optimización de la estrategia, especialmente cuando se trata de grandes cantidades de datos tick-by-tick. Se exploran el costo de acceso a estas herramientas y el nivel de uso de datos requerido para diferentes estrategias comerciales.
El ponente explica que el comercio algorítmico exige herramientas más sofisticadas que Excel, como R o Matlab, para el procesamiento de datos y la construcción de modelos. También mencionan el aumento de los requisitos de cumplimiento y auditoría que conlleva la automatización, que es una tendencia mundial. Se recomienda a los comerciantes que se aseguren de que sus transacciones sean auditables, que sus códigos y estrategias tengan la protección adecuada contra casos extremos o casos fuera de control, y que cuenten con protección de etiqueta. También se recomienda tener un equipo con conocimientos básicos de análisis, tecnología y mercados financieros, con al menos un miembro del equipo especializado en las tres áreas. Esto se compara con la receta comercial convencional para el éxito, que requería habilidades como procesamiento de números, reconocimiento de patrones, velocidad de escritura, comprensión del mercado financiero y disciplina.
El orador analiza la receta del éxito para el comercio cuantitativo utilizando el comercio algorítmico. Enfatizan la necesidad de una sólida comprensión matemática y estadística, así como la competencia en computación financiera. Comprender la tecnología y la estructura del mercado es crucial, junto con una comprensión general de cómo las funciones y las redes del hardware desempeñan un papel en el éxito comercial. La comprensión del mercado financiero también es esencial, y saber cómo codificar y modelar una estrategia es una ventaja adicional. Para aquellos que establecen tiendas de mayor frecuencia, todos estos elementos son vitales. El orador destaca la importancia de EPAT para las personas que ingresan al mundo comercial, especialmente porque muchas personas en finanzas carecen de la comprensión tecnológica necesaria para el éxito.
El orador habla sobre abordar la falta de comprensión en tecnología entre las herramientas de análisis cuantitativo requeridas para el comercio. Mencionan la creación del ePACT (Programa Ejecutivo en Comercio Algorítmico) para profesionales en activo que desean adquirir experiencia en el comercio algorítmico. El programa ePACT es un programa en línea integrado de seis meses que incluye clases de fin de semana de cuatro a cuatro meses y medio, seguidas de un mes y medio a dos meses adicionales de trabajo en proyectos. El trabajo del proyecto permite a los participantes especializarse en el dominio elegido. El programa consta de nueve módulos diferentes impartidos por profesionales de la industria para garantizar que el material cubierto se alinee con las necesidades y tendencias de la industria.
Se analizan los diversos módulos del programa ePACT, comenzando con una introducción al mercado financiero, estadísticas básicas, derivados y riesgo, estadísticas avanzadas y estrategia comercial cuantitativa. El módulo de estrategia comercial cuantitativa cubre varias estrategias comerciales y también incluye temas relacionados con la configuración de una mesa comercial algorítmica y la consideración de los aspectos comerciales involucrados. El programa también cubre la implementación de plataformas comerciales algorítmicas utilizando Python, brindando instrucción sobre los conceptos básicos de Python y cómo implementar estrategias comerciales en diferentes plataformas. A los participantes se les asigna un mentor para supervisar el trabajo de su proyecto, que actúa como una especialización dentro del dominio elegido.
El orador analiza los servicios de apoyo proporcionados por el equipo de servicios de carrera a los participantes y ex alumnos del programa de negociación algorítmica. Destacan la importancia de aprender haciendo, conferencias en vivo y acceso a conferencias grabadas. El orador presenta un gráfico que muestra los requisitos de la industria y los perfiles que las empresas buscan en los solicitantes, asegurando que el programa cubra temas relevantes. Mencionan que el programa cuenta con líderes de la industria como instructores de diferentes países y que sus ex alumnos se encuentran en más de 30 países en todo el mundo. También se destacan los diversos eventos y programas organizados por el instituto para aumentar el conocimiento del comercio algorítmico.
El orador procede a responder varias preguntas de los espectadores relacionadas con el comercio algorítmico. Confirman que los ciudadanos estadounidenses pueden abrir cuentas comerciales en la India, pero deben pasar por un custodio y seguir un proceso específico para abrir una cuenta con un corredor de compensación. El orador recomienda libros del Dr. Ap Chan y Larry Harris para aquellos interesados en configurar una mesa de negociación algorítmica o comenzar con el comercio algorítmico. También mencionan varias plataformas disponibles en India para el comercio algorítmico, como Symphony Fintech, Automated Trading y YouTrade, entre otras. Los datos técnicos reales se pueden obtener directamente del intercambio o a través del corredor de uno. Además, confirman que los estudiantes pueden tomar la misma estrategia que desarrollaron en el curso y aplicarla al comercio en vivo.
El orador continúa respondiendo varias preguntas de los espectadores sobre el comercio algorítmico. Explican que la codificación y el backtesting de una estrategia utilizando diferentes herramientas es posible y no es difícil de portar al comercio en vivo. También se abordan cuestiones relacionadas con las reglamentaciones, el cumplimiento y las licencias para comerciar en el mercado indio. El orador explica que se requiere permiso del intercambio para las estrategias comerciales automatizadas elegibles y que se necesita una demostración. También analizan estrategias comerciales populares, como las basadas en el impulso, el arbitraje estadístico y las estrategias basadas en el aprendizaje automático.
El orador analiza los tipos de estrategias comerciales que se cubren en el curso y enfatiza la importancia de aprender a desarrollar nuevas estrategias, probarlas y ejecutarlas. Responden preguntas sobre las perspectivas laborales para los graduados del curso, los salarios promedio ofrecidos y las habilidades de programación requeridas para analizar patrones de velas japonesas. También se abordan las inquietudes sobre el nivel de conocimiento y el compromiso de tiempo de los profesionales que toman el curso, así como los costos asociados con la creación de una mesa de negociación algorítmica en la India. El orador enfatiza la importancia de tener una comprensión básica de los conceptos clave antes de comenzar el programa para maximizar su valor.
El orador responde varias preguntas relacionadas con el comercio algorítmico, lo que sugiere que las personas con conocimientos limitados de los mercados de valores pueden comunicarse con un especialista en ventas para recibir orientación y obtener una comprensión básica de estos dominios antes de continuar con el curso. Explican que el comercio algorítmico es útil para los comerciantes individuales que desean garantizar la disciplina en sus operaciones y ampliar sus estrategias para incluir múltiples instrumentos. El orador también aborda las preocupaciones sobre la transición de un curso a otro y los corredores en la India que ofrecen servicios de negociación de algoritmos. Finalmente, explican que la colocación de servidores en un intercambio no brinda una ventaja indebida a los comerciantes algorítmicos, sino que beneficia a los comerciantes minoristas al proporcionar márgenes de oferta y demanda más ajustados.
El orador analiza los beneficios del comercio algorítmico para los comerciantes minoristas y cómo la tecnología puede ayudar a minimizar las pérdidas. Abordan preguntas sobre los no programadores que aprenden Python para el comercio algorítmico y si los residentes indios pueden comerciar en los mercados globales. Aclaran que su empresa se centra principalmente en la educación en lugar de proporcionar plataformas de negociación algorítmica o de corretaje. El orador enfatiza que su programa ha ayudado a cientos de participantes de más de 30 países y alienta a las personas interesadas a comunicarse con sus equipos de ventas y desarrollo comercial para obtener más información.
El orador aborda varias preguntas de los espectadores, incluso si todas las estrategias deben ser aprobadas por el intercambio y cómo proteger una estrategia. Explican que los proveedores de algoritmos no pueden ver la estrategia de un comerciante, y los intercambios se preocupan principalmente por garantizar que las estrategias no causen estragos en el mercado. Mencionan un descuento para estudiantes para el programa y discuten la disponibilidad del comercio de algoritmos en los mercados de productos básicos en la India. Además, destacan la importancia del álgebra lineal y la distribución de probabilidad en los perfiles HFT, según el rol, y enfatizan que el comercio algorítmico se puede aplicar en todo el mundo a cualquier instrumento comercial, incluidas las opciones y el mercado de divisas.
Los oradores analizan las estrategias de codificación, el suministro de código reutilizable y la necesidad de aprender Python y R. También responden preguntas sobre la validación de estrategias, el ROI potencial y la infraestructura necesaria para un número moderado de comerciantes. Los oradores advierten contra compartir estrategias con otros y sugieren centrarse en aprender las mejores prácticas y desarrollar ideas de estrategias comerciales únicas.
Los oradores responden varias preguntas sobre el comercio algorítmico, incluido el marco de tiempo ideal para realizar una prueba retrospectiva de una estrategia, el ancho de banda mínimo de Internet requerido para el comercio de volumen moderado y cómo evitar la obtención de corretaje. También analizan los mejores proveedores de operaciones algorítmicas en la India y si se pueden programar estrategias de operaciones discrecionales como la teoría de las ondas de Elliot. Los oradores sugieren que cualquier estrategia se puede codificar si uno se siente cómodo con la programación y tiene reglas claras en mente. Aconsejan a los comerciantes que elijan proveedores en función de sus requisitos individuales y las ventajas y desventajas de cada proveedor.
Para concluir, el ponente agradece a los asistentes y ofrece más ayuda. Aunque no pudieron responder a todas las preguntas debido a limitaciones de tiempo, el orador alienta a la audiencia a enviar sus consultas y proporciona información de contacto para el equipo del Quant Institute. Expresan su agradecimiento por el interés en el comercio algorítmico y enfatizan la importancia del aprendizaje y la práctica continuos en este campo.
Impacto del Brexit y eventos recientes del mercado en el comercio algorítmico - 19 de julio de 2016
Impacto del Brexit y eventos recientes del mercado en el comercio algorítmico - 19 de julio de 2016
Nitesh Khandelwal aporta una gran experiencia en los mercados financieros, habiendo trabajado en varias clases de activos en diferentes roles. Es cofundador de iRageCapital Advisory Private Limited, una empresa de renombre que se especializa en brindar servicios de estrategia y tecnología de comercio algorítmico en la India. Nitesh desempeñó un papel fundamental en la conducción de los aspectos comerciales de iRageCapital y QuantInsti. En QuantInsti, también se desempeñó como jefe del departamento de capacitación en derivados y estudios entre mercados. Actualmente, ocupa el cargo de Director en iRage Global Advisory Services Pte Ltd en Singapur. Nitesh tiene experiencia en tesorería bancaria, con experiencia en los dominios de tasas de interés y FX, así como experiencia en mesas de operaciones propias. Tiene una licenciatura en ingeniería eléctrica de IIT Kanpur y una posgrado en administración de IIM Lucknow.
Los eventos globales recientes como el Brexit y la volatilidad resultante en el mercado de divisas han causado una gran preocupación entre los inversores. Es natural que la aversión al riesgo aumente después de tales eventos, ya que los participantes del mercado actúan con cautela en sus actividades comerciales. Sin embargo, incluso en tiempos tan turbulentos, los comerciantes automatizados prosperan. Los informes de los medios indican que los fondos de cobertura que emplean el comercio algorítmico superan constantemente a los comerciantes manuales, particularmente en condiciones de mercado estresantes.
Contenidos de la sesión informativa:
Análisis de los mayores eventos comerciales de la temporada
Requisitos para convertirse en comerciante de Quant/Algo
Negociación Cuantitativa usando Análisis de Sentimiento | Por Rajib Ranjan Borah
Negociación Cuantitativa usando Análisis de Sentimiento | Por Rajib Ranjan Borah
Análisis de los sentimientos. También conocido como minería de opiniones, es el proceso de identificar y categorizar computacionalmente las opiniones expresadas en un texto, especialmente para determinar si la actitud del escritor hacia un tema, producto, etc. en particular, es positiva, negativa o neutral.
Sesión Informativa sobre Trading Algorítmico por Nitesh Khandelwal - 24 de mayo de 2016
Sesión Informativa sobre Trading Algorítmico por Nitesh Khandelwal - 24 de mayo de 2016
Contenidos de la sesión: