Diskussion zum Artikel "Statistische Arbitrage anhand kointegrierter Aktien (Abschluss): Datenanalyse mit einer spezialisierten Datenbank"

Neuer Kommentar
 

Neuer Artikel Statistische Arbitrage anhand kointegrierter Aktien (Abschluss): Datenanalyse mit einer spezialisierten Datenbank :

Der Artikel zeigt, wie man SQLite (OLTP) mit DuckDB (OLAP) für die Datenverarbeitung im Bereich der statistischen Arbitrage kombinieren kann. Die spaltenorientierte Engine von DuckDB, ASOF JOIN und die Array-Funktionen beschleunigen Kernaufgaben wie die zeitliche Zuordnung von Kursen zu Trades sowie RWEC, wobei bei größeren Eingabedaten im Vergleich zu SQLite Geschwindigkeitssteigerungen von 2- bis 23-fach gemessen wurden. Das ermöglicht einfachere Abfragen und schnellere Analysen, während die Handelsausführung weiterhin in SQLite erfolgt.

Jede Handelsaktivität erfordert Daten. Um eine Kauf- oder Verkaufsposition einzugehen, benötigt man zumindest den aktuellen Kurs des Symbols. In der Regel benötigen wir etwas mehr Daten; zumindest einige Darstellungen der Kurshistorie sind hilfreich, um einen Einblick in die Entwicklung des Kurses des Vermögenswerts im Laufe der Zeit zu gewinnen. Bald werden wir damit beginnen, Höchst- und Tiefstkurse, Kursspannen, Durchschnittswerte, durchschnittliche tatsächliche Kursspannen, volumengewichtete Durchschnittswerte sowie Darstellungen der Kurshistorie zu berechnen. Mit mehr Daten können wir besser nachvollziehen, wie der Preis seinen aktuellen Wert erreicht hat. Wenn wir über genügend Daten verfügen, können wir vielleicht auch Vermutungen darüber anstellen, wie sich der Kurs in den kommenden Stunden, Tagen oder Monaten entwickeln könnte. Wir können die Kursdaten nutzen, um Kerzenmuster zu erkennen und zu interpretieren, und wir können sie verwenden, um mehr oder weniger komplexe Indikatoren zu erstellen, die uns die Visualisierung der Kursentwicklung erleichtern. Es kommt nicht selten vor, dass wir für einen einzelnen Vermögenswert historische Kursdaten aus Dutzenden Monaten zusammenstellen müssen.

Beim Pairs-Trading benötigen wir mindestens doppelt so viele Daten. Wir müssen den mittleren Spread kontinuierlich berechnen, und wir benötigen noch mehr historische Daten, wenn wir überprüfen wollen, ob die Paarbeziehung stark genug ist und weiterhin besteht. Vielleicht möchten wir einen dynamischen Schwellenwert für die Standardabweichung berechnen, der auf der Volatilität basiert. Daher benötigen wir nicht nur mehr Daten, sondern auch mehr Rechenleistung, um die Daten für beide Symbole zu laden und den Spread, den Mittelwert, den Schwellenwert für die Standardabweichung sowie nun auch die Volatilität in Echtzeit zu berechnen.

Der Daten- und Rechenaufwand, den Pairs-Trading-Strategien erfordern, beträgt in der Regel nur einen Bruchteil des Datenbedarfs statistischer Arbitrage-Strategien. Wir haben Körbe, die aus einer unbegrenzten Anzahl von Aktien bestehen, für die wir den Kointegrationsvektor und die entsprechenden Portfoliogewichte berechnen müssen; wir führen einen „Rolling Windows Eigenvector Comparison“ durch, um die Stabilität der Portfoliogewichte zu überprüfen; wir führen einen Chow-Test mit einer kumulativen Quadratsumme durch, um strukturelle Brüche zu antizipieren; und all diese Berechnungen müssen wir in Echtzeit durchführen, um den Handel live zu überwachen. Letztendlich müssen wir all diese Berechnungen für mehrere Körbe gleichzeitig durchführen, das heißt, wir benötigen Kursdaten für Dutzende Wertpapiere und müssen diese so schnell wie möglich verarbeiten, um rechtzeitig auf Warnmeldungen, Kursbrüche und Marktstörungen reagieren zu können.


Autor: Jocimar Lopes

Neuer Kommentar