Ai trading strategy

Pada Aquitaine Investors, kami percaya bahwa perdagangan otomatis yang sukses sangat bergantung pada penciptaan dan pengembangan strategi yang didasarkan pada analisis teknis dan prinsip pengelolaan uang yang telah terbukti. Kami percaya bahwa kesederhanaan dan sedikit kreativitas juga akan berlanjut. Menggambar pengalaman kami sendiri, kami dapat Mengotomasi strategi trading Anda yang ada Mengubah ide Anda menjadi robot kerja yang sesuai dengan kebutuhan dan prospek pribadi Anda (misalnya selera risiko) Uji balik dan optimalkan strategi Anda Berikan analisis hasil pengujian balik Anda sendiri Berikan saran Bagaimana strategi baru atau strategi yang ada dapat ditingkatkan, termasuk pengelolaan risiko dan penghindaran kurva yang pas (yaitu disesatkan oleh hasil yang terlalu optimis) Buat indikator dipesan lebih dahulu untuk meningkatkan kinerja perdagangan Anda Memberikan saran tentang bagaimana menyiapkan trading otomatis Anda. Infrastruktur Sediakan dukungan terus menerus begitu robot Anda aktif dan berjalan. Bahasa pemrograman pilihan kami adalah bahasa PowerLanguage yang dikembangkan oleh Multicharts LLC. Perdagangan cerdas artifisial Naiknya Dana Hedge Artificial Intelligence Rise of the Artificial Intelligent Hedge Fund Pekan lalu, Ben Goertzel dan perusahaannya, Aidyia, menyerahkan dana lindung nilai yang membuat semua perdagangan saham menggunakan kecerdasan buatan8212Tidak diperlukan intervensi manusia. Jika kita semua mati, 8221 mengatakan bahwa Goertzel, seorang guru AI yang sudah lama dan ilmuwan kepala perusahaan itu, tetap akan terus berdagang.8221 Dia berarti ini secara harfiah. Goertzel dan manusia lain membangun sistem itu, tentu saja, dan mereka terus memodifikasinya sesuai kebutuhan. Tapi ciptaan mereka mengidentifikasi dan mengeksekusi perdagangan sepenuhnya dengan sendirinya, menggunakan berbagai bentuk AI, termasuk yang terinspirasi oleh evolusi genetik dan yang lainnya berdasarkan logika probabilistik. Setiap hari, setelah menganalisis segala sesuatu mulai dari harga pasar dan volume hingga data makroekonomi dan dokumen akuntansi perusahaan, mesin AI ini membuat prediksi pasar mereka sendiri dan kemudian 8220vote8221 melakukan tindakan terbaik. Jika kita semua mati, itu akan terus berdagang. Ben Goertzel, Aidyia Meskipun Aidyia berbasis di Hong Kong, sistem otomatis ini diperdagangkan di ekuitas AS, dan pada hari pertama, menurut Goertzel, ini menghasilkan imbal hasil 2 persen dari jumlah uang yang tidak diketahui. Itu tidak terlalu mengesankan, atau relevan secara statistik. Tapi ini merupakan pergeseran penting dalam dunia keuangan. Didukung oleh 143 juta dana, San Francisco startup Sentient Technologies telah diam-diam melakukan trading dengan sistem serupa sejak tahun lalu. Dana lindung nilai data-sentris seperti Two Sigma dan Renaissance Technologies mengatakan bahwa mereka bergantung pada AI. Dan menurut laporan, dua orang lagi dari Asosiasi Manajemen Aset dan Point72 Asset Management, yang dikelola oleh nama besar Wall Street Ray Dalio dan Steven A. Cohen8212 bergerak ke arah yang sama. Perbaikan Otomatis Hedge fund telah lama mengandalkan komputer untuk membantu melakukan perdagangan. Menurut firma riset riset Preqin. Beberapa 1.360 dana lindung nilai membuat sebagian besar perdagangan mereka dibantu oleh model komputer. Hampir 9 persen dari semua dana8212 dan mereka mengelola total sekitar 197 miliar. Tapi ini biasanya melibatkan ilmuwan data, atau 8220quant, 8221 di Wall Street lingo8212 menggunakan mesin untuk membangun model statistik besar. Model-model ini rumit, tapi juga agak statis. Seiring perubahan pasar, mereka mungkin tidak bekerja sebaik mereka bekerja di masa lalu. Dan menurut penelitian Preqin8217, dana sistematis yang khas tidak selalu berjalan sebaik dana yang dioperasikan oleh manajer manusia (lihat bagan di bawah). Namun, dalam beberapa tahun terakhir, dana telah beralih ke pembelajaran mesin yang sebenarnya, di mana sistem cerdas buatan dapat menganalisis sejumlah besar data. Pada kecepatan dan memperbaiki diri melalui analisis semacam itu. Perusahaan Pemberontakan New York, yang didirikan oleh cucu Hall of Fame Hank Greenberg, antara lain bergantung pada bentuk pembelajaran mesin yang disebut jaringan Bayesian. Menggunakan beberapa mesin untuk memprediksi tren pasar dan menentukan perdagangan tertentu. Sementara itu, pakaian seperti Aidyia dan Sentent bersandar pada AI yang membentang di ratusan atau bahkan ribuan mesin. Ini termasuk teknik seperti perhitungan evolusioner, yang terinspirasi oleh genetika, dan pembelajaran yang mendalam. Sebuah teknologi yang sekarang digunakan untuk mengenali gambar, mengidentifikasi kata-kata yang diucapkan, dan melakukan tugas lain di dalam perusahaan Internet seperti Google dan Microsoft. Harapannya adalah bahwa sistem semacam itu dapat secara otomatis mengenali perubahan di pasar dan menyesuaikan dengan cara yang dapat dilakukan oleh model kuantitatif. 8216Mereka mencoba melihat berbagai hal sebelum mereka berkembang, 8221 mengatakan Ben Carlson, penulis buku A Wealth of Common Sense: Mengapa Kesederhanaan Mengalahkan Kompleksitas dalam Rencana Investasi Setiap. Yang menghabiskan satu dekade dengan dana abadi yang diinvestasikan dalam berbagai macam pengelola uang. Pengelolaan dana berbasis AI ini seharusnya tidak disalahartikan dengan perdagangan frekuensi tinggi. Ini tidak mencari perdagangan jangka pendek atau menghasilkan uang dari kecepatan tindakan. Ini mencari perdagangan terbaik dalam jangka panjang8212hours, days, weeks, bahkan bulan ke depan. Dan yang lebih penting lagi, tidak ada gunanya memilih strategi itu. Intelijen yang Berkembang Meskipun perusahaan belum secara terbuka memasarkan propertinya, CEO Antio Blondeau mengatakan telah melakukan perdagangan resmi sejak tahun lalu dengan menggunakan uang dari investor swasta (setelah periode uji perdagangan yang lebih lama). Menurut sebuah laporan dari Bloomberg. Perusahaan telah bekerja sama dengan bisnis hedge fund di dalam JP Morgan Chase dalam mengembangkan teknologi perdagangan AI, namun Blondeau menolak untuk mendiskusikan kemitraannya. Dia mengatakan, bagaimanapun, bahwa dana beroperasi sepenuhnya melalui kecerdasan buatan. Seluruh ide adalah melakukan sesuatu yang tidak manusiawi lainnya dan tidak ada mesin lain yang melakukannya. Sistem ini memungkinkan perusahaan untuk menyesuaikan pengaturan risiko tertentu, kata chief science officer Babak Hodjat, yang merupakan bagian dari tim yang membangun Siri sebelum asisten digital diakuisisi oleh Apple. Tapi sebaliknya, ia beroperasi tanpa bantuan manusia. Mereka secara otomatis mengarang sebuah strategi, dan ini memberi kita perintah, kata 82juta Hodjat. 8220Buat ini sekarang, dengan instrumen ini, dengan menggunakan jenis pesanan khusus ini.8217 Ini juga memberitahu kita kapan harus keluar, mengurangi pemaparan, dan barang semacam itu.8221 Menurut Hodjat, sistem ini mengambil alih kekuatan komputer dari 8220millions8221 dari Prosesor komputer di dalam pusat data, kafe internet, dan pusat game komputer yang dioperasikan oleh berbagai perusahaan di Asia dan tempat lain. Mesin perangkat lunaknya, sementara itu, didasarkan pada perhitungan evolusioner8212 teknik terinspirasi genetika yang sama yang dimainkan dalam sistem Aidyia8217. Dalam istilah yang paling sederhana, ini berarti menciptakan koleksi pedagang saham digital yang besar dan acak dan menguji kinerja mereka pada data stok historis. Setelah memilih pemain terbaik, mereka kemudian menggunakan 8220genes8221 mereka untuk menciptakan satu set baru pedagang unggul. Dan prosesnya berulang. Akhirnya, sistem rumah di pada pedagang digital yang berhasil dapat beroperasi dengan sendirinya. Selama ribuan generasi, triliunan dan triliunan 8216beings8217 bersaing dan berkembang atau mati, 8221 Blondeau mengatakan, dan akhirnya, Anda mendapatkan populasi pedagang pintar yang benar-benar dapat Anda terapkan.8221 Deep Investing Meskipun perhitungan evolusioner mendorong sistem hari ini, Hodjat juga melihat janji Dalam algoritma pembelajaran yang mendalam8212algoritma yang telah terbukti sangat mahir dalam mengidentifikasi gambar, mengenali kata-kata yang diucapkan, dan bahkan memahami cara alami yang manusiawi kita bicarakan. Sama seperti belajar yang dalam dapat menunjukkan ciri-ciri tertentu yang muncul dalam foto seekor kucing, dia menjelaskan, ia dapat mengidentifikasi fitur tertentu dari persediaan yang bisa memberi Anda sejumlah uang. Google Just Open Sourced TensorFlow, Mesin Intelijen Buatannya Facebook Open Sources Perangkat Keras AI-nya sebagai Races Google Google Membuat Chatbot yang Membedakan Makna Kehidupan Goertzel8212 yang juga mengawasi OpenCog Foundation. Upaya untuk membangun kerangka kerja open source untuk kecerdasan buatan umum8212disagrees. Hal ini sebagian karena algoritma pembelajaran yang dalam telah menjadi komoditas. Jika semua orang menggunakan sesuatu, ramalannya akan masuk ke pasar, 8221 katanya. Anda harus melakukan sesuatu yang aneh.8221 Dia juga menunjukkan bahwa, walaupun pembelajaran mendalam cocok untuk menganalisis data yang didefinisikan oleh seperangkat pola yang sangat khusus, seperti foto dan kata-kata, jenis pola ini tidak mungkin muncul di pasar keuangan. . Dan jika mereka melakukannya, mereka tidak berguna, karena setiap orang bisa menemukannya. Bagi Hodjat, bagaimanapun, tugasnya adalah memperbaiki pembelajaran mendalam saat ini. Dan ini mungkin melibatkan penggabungan teknologi dengan perhitungan evolusioner. Saat dia menjelaskannya, Anda bisa menggunakan perhitungan evolusioner untuk membangun algoritma pembelajaran yang lebih baik. Ini disebut neuroevolution. Anda bisa mengembangkan bobot yang beroperasi pada pelajar yang dalam, kata 82juta Hodjat. Tapi Anda juga bisa mengembangkan arsitektur pembelajar dalam dirinya sendiri.8221 Microsoft dan peralatan lainnya sudah membangun sistem pembelajaran yang dalam melalui semacam seleksi alam. Meskipun mereka mungkin tidak menggunakan perhitungan evolusioner per se. Harga di AI Apapun metode yang digunakan, beberapa pertanyaan apakah AI benar-benar dapat berhasil di Wall Street. Bahkan jika satu dana mencapai kesuksesan dengan AI, risikonya adalah bahwa orang lain akan menduplikat sistem dan dengan demikian merusak kesuksesannya. Jika sebagian besar pasar berperilaku seperti itu, ia akan mengubah pasar. Sedikit skeptis bahwa AI dapat benar-benar memikirkan hal ini, kata Carlson 8221. Jika seseorang menemukan tipuan yang berhasil, tidak hanya dana lain yang melekat padanya tapi investor lain akan menuangkan uang ke dalamnya. Ini benar-benar sulit membayangkan situasi di mana hal itu tidak dapat disepakati secara sewenang-wenang.8221 Goertzel melihat risiko ini. Itu sebabnya Aidyia tidak menggunakan perhitungan evolusioner melainkan juga berbagai teknologi. Dan jika orang lain meniru metode perusahaan, ia akan menganut jenis pembelajaran mesin lainnya. Keseluruhan gagasannya adalah melakukan sesuatu yang tidak dilakukan manusia lain dan tidak ada pekerjaan lain yang dilakukan. 8220Finance adalah domain di mana Anda mendapatkan keuntungan bukan hanya karena pintar, 8221 Goertzel mengatakan, tapi tidak pintar dengan cara yang berbeda dari orang lain.8221 Bisnis Lebih Lanjut Mengidentifikasi Strategi Perdagangan Algoritma Pada artikel ini saya ingin mengenalkan Anda pada metode yang dengannya saya Saya mengidentifikasi strategi perdagangan algoritmik yang menguntungkan. Tujuan kami hari ini adalah untuk memahami secara rinci bagaimana menemukan, mengevaluasi dan memilih sistem seperti itu. Saya menjelaskan bagaimana mengidentifikasi strategi adalah sebanyak tentang preferensi pribadi karena ini tentang kinerja strategi, bagaimana menentukan jenis dan jumlah data historis untuk pengujian, bagaimana mengevaluasi strategi perdagangan secara tidak hati-hati dan akhirnya bagaimana melangkah menuju fase backtesting dan implementasi strategi. . Mengidentifikasi Preferensi Pribadi Anda Sendiri untuk Perdagangan Agar menjadi trader yang sukses - entah secara discretionally atau algorithmically - Anda perlu bertanya pada diri sendiri beberapa pertanyaan jujur. Trading memberi Anda kemampuan untuk kehilangan uang pada tingkat yang mengkhawatirkan, jadi perlu diketahui diri Anda sebanyak yang diperlukan untuk memahami strategi yang Anda pilih. Saya akan mengatakan pertimbangan terpenting dalam trading adalah menyadari kepribadian Anda sendiri. Perdagangan, dan perdagangan algoritmik pada khususnya, membutuhkan tingkat disiplin, kesabaran dan keterasingan emosional yang signifikan. Karena Anda membiarkan sebuah algoritma melakukan trading Anda untuk Anda, Anda perlu memutuskan untuk tidak mengganggu strategi saat dijalankan. Ini bisa sangat sulit, terutama pada periode penarikan yang diperpanjang. Namun, banyak strategi yang telah terbukti sangat menguntungkan dalam backtest dapat dirusak oleh gangguan sederhana. Pahami bahwa jika Anda ingin memasuki dunia perdagangan algoritmik, Anda akan diuji secara emosional dan agar berhasil, perlu untuk mengatasi kesulitan ini. Pertimbangan selanjutnya adalah salah satu dari waktu. Apakah Anda memiliki pekerjaan penuh waktu Apakah Anda bekerja paruh waktu Apakah Anda bekerja dari rumah atau memiliki perjalanan panjang setiap hari Pertanyaan-pertanyaan ini akan membantu menentukan frekuensi strategi yang harus Anda cari. Bagi Anda yang bekerja penuh waktu, strategi berjangka intraday mungkin tidak sesuai (setidaknya sampai sepenuhnya otomatis). Kendala waktu Anda juga akan menentukan metodologi strategi. Jika strategi Anda sering diperdagangkan dan bergantung pada umpan berita mahal (seperti terminal Bloomberg), Anda pasti harus realistis mengenai kemampuan Anda untuk berhasil menjalankan ini saat berada di kantor. Bagi Anda yang memiliki banyak waktu, atau keterampilan. Untuk mengotomatisasi strategi Anda, Anda mungkin ingin melihat strategi perdagangan frekuensi tinggi yang lebih teknis (HFT). Keyakinan saya adalah bahwa Anda perlu melakukan penelitian terus menerus mengenai strategi trading Anda untuk mempertahankan portofolio yang konsisten menguntungkan. Beberapa strategi tetap berada di bawah radar selamanya. Oleh karena itu porsi yang signifikan dari waktu yang dialokasikan untuk perdagangan akan dilakukan dalam melakukan penelitian yang sedang berlangsung. Tanyakan pada diri Anda apakah Anda siap melakukan ini, karena bisa jadi perbedaan antara profitabilitas yang kuat atau penurunan yang lambat terhadap kerugian. Anda juga perlu mempertimbangkan modal trading Anda. Jumlah minimum ideal ideal yang diterima secara umum untuk strategi kuantitatif adalah 50.000 USD (sekitar 35.000 untuk kami di Inggris). Jika saya mulai lagi, saya akan mulai dengan jumlah yang lebih besar, mungkin mendekati 100.000 USD (sekitar 70.000). Ini karena biaya transaksi bisa sangat mahal untuk strategi frekuensi menengah hingga tinggi dan perlu memiliki modal yang cukup untuk menyerapnya pada saat penarikan. Jika Anda mempertimbangkan untuk memulai dengan kurang dari 10.000 USD maka Anda perlu membatasi diri pada strategi frekuensi rendah, berdagang dalam satu atau dua aset, karena biaya transaksi akan cepat memakan keuntungan Anda. Pialang Interaktif, yang merupakan salah satu pialang ramah bagi mereka yang memiliki keahlian pemrograman, karena API-nya, memiliki akun ritel minimal 10.000 USD. Keterampilan pemrograman merupakan faktor penting dalam menciptakan strategi trading algoritmik otomatis. Menjadi berpengetahuan luas dalam bahasa pemrograman seperti C, Java, C, Python atau R akan memungkinkan Anda membuat penyimpanan data end-to-end, mesin backtest dan sistem eksekusi sendiri. Ini memiliki sejumlah keunggulan, kepala yang merupakan kemampuan untuk sepenuhnya menyadari semua aspek infrastruktur perdagangan. Ini juga memungkinkan Anda untuk mengeksplorasi strategi frekuensi yang lebih tinggi karena Anda akan sepenuhnya mengendalikan tumpukan teknologi Anda. Meskipun ini berarti bahwa Anda dapat menguji perangkat lunak Anda sendiri dan menghilangkan bug, ini juga berarti lebih banyak waktu yang dihabiskan untuk menyusun infrastruktur dan kurang menerapkan strategi, setidaknya di bagian awal karir algo trading Anda. Anda mungkin menemukan bahwa Anda merasa nyaman melakukan trading di Excel atau MATLAB dan dapat melakukan outsourcing pengembangan komponen lainnya. Saya tidak akan merekomendasikan ini namun, terutama untuk perdagangan pada frekuensi tinggi. Anda perlu bertanya pada diri sendiri apa yang ingin Anda capai dengan perdagangan algoritmik. Apakah Anda tertarik dengan penghasilan tetap, di mana Anda berharap dapat menarik penghasilan dari akun trading Anda Atau, apakah Anda tertarik dengan keuntungan modal jangka panjang dan mampu melakukan perdagangan tanpa perlu mencairkan dana Ketergantungan pendapatan akan menentukan frekuensi strategi Anda. . Penarikan pendapatan rutin lebih banyak akan memerlukan strategi perdagangan frekuensi yang lebih tinggi dengan volatilitas yang lebih rendah (yaitu rasio Sharpe yang lebih tinggi). Pedagang jangka panjang mampu menghasilkan frekuensi perdagangan yang lebih tenang. Akhirnya, jangan tertipu oleh gagasan untuk menjadi sangat kaya dalam waktu singkat. Perdagangan Algo BUKAN skema cepat kaya - jika memang itu bisa menjadi skema yang cepat-cepat. Dibutuhkan disiplin, penelitian, ketekunan dan kesabaran yang signifikan untuk sukses dalam perdagangan algoritmik. Ini bisa memakan waktu berbulan-bulan, jika tidak bertahun-tahun, untuk menghasilkan profitabilitas yang konsisten. Sourcing Ide Perdagangan Algoritma Meskipun ada persepsi umum sebaliknya, sebenarnya cukup mudah untuk menemukan strategi perdagangan yang menguntungkan di ranah publik. Tidak pernah ada ide trading yang lebih mudah didapat daripada saat ini. Jurnal keuangan akademis, server pra-cetak, blog perdagangan, forum perdagangan, majalah perdagangan mingguan dan teks khusus memberikan ribuan strategi trading untuk mendasari gagasan Anda. Tujuan kami sebagai peneliti perdagangan kuantitatif adalah untuk membentuk strategi pipa yang akan memberi kita aliran ide perdagangan yang sedang berlangsung. Idealnya kami ingin membuat pendekatan metodis untuk mencari, mengevaluasi dan menerapkan strategi yang kami temukan. Tujuan dari pipeline adalah untuk menghasilkan sejumlah gagasan baru yang konsisten dan memberi kita kerangka untuk menolak sebagian besar gagasan ini dengan minimal pertimbangan emosional. Kita harus sangat berhati-hati untuk tidak membiarkan bias kognitif mempengaruhi metodologi pengambilan keputusan kita. Ini bisa sesederhana memiliki preferensi untuk satu kelas aset di atas yang lain (emas dan logam mulia lainnya muncul dalam pikiran) karena dianggap lebih eksotis. Tujuan kami harus selalu mencari strategi yang menguntungkan secara konsisten, dengan harapan positif. Pilihan kelas aset harus didasarkan pada pertimbangan lain, seperti kendala perdagangan modal, biaya perantara dan kemampuan leverage. Jika Anda benar-benar tidak terbiasa dengan konsep strategi trading maka tempat pertama untuk melihat adalah dengan buku teks mapan. Teks klasik memberikan berbagai gagasan sederhana dan lebih mudah, untuk membiasakan diri dengan perdagangan kuantitatif. Berikut adalah pilihan yang saya rekomendasikan untuk mereka yang baru mengenal perdagangan kuantitatif, yang secara bertahap menjadi lebih canggih saat Anda mengerjakan daftar: Untuk daftar buku kuantitatif trading yang lebih panjang, silakan kunjungi daftar bacaan QuantStart. Tempat berikutnya untuk menemukan strategi yang lebih canggih adalah dengan forum perdagangan dan blog trading. Namun, perhatikan hati-hati: Banyak blog trading mengandalkan konsep analisa teknikal. Analisis teknis melibatkan penggunaan indikator dasar dan psikologi perilaku untuk menentukan tren atau pola pembalikan dalam harga aset. Meskipun sangat populer di ruang perdagangan secara keseluruhan, analisis teknis dianggap agak tidak efektif dalam komunitas keuangan kuantitatif. Beberapa orang menyarankan bahwa itu tidak lebih baik daripada membaca horoskop atau mempelajari daun teh dalam hal kekuatan prediktifnya. Pada kenyataannya ada orang sukses yang memanfaatkan analisis teknis. Namun, sebagai quants dengan kotak peralatan matematis dan statistik yang lebih canggih, kita dapat dengan mudah mengevaluasi keefektifan strategi berbasis TA tersebut dan membuat keputusan berdasarkan data daripada mendasarkan pertimbangan emosional atau prasangka. Berikut adalah daftar blog dan forum perdagangan algoritmik yang sangat dihormati: Begitu Anda memiliki beberapa pengalaman dalam mengevaluasi strategi yang lebih sederhana, sekarang saatnya untuk melihat penawaran akademis yang lebih canggih. Beberapa jurnal akademis akan sulit diakses, tanpa langganan tinggi atau biaya satu kali. Jika Anda adalah anggota atau alumni universitas, Anda harus bisa mendapatkan akses ke beberapa jurnal keuangan ini. Jika tidak, Anda bisa melihat server pra-cetak. Yang merupakan repositori internet dari draf akhir makalah akademis yang sedang menjalani peer review. Karena kita hanya tertarik pada strategi yang dapat berhasil kita tiru, backtest dan dapatkan keuntungan, maka peer review kurang penting bagi kita. Kelemahan utama dari strategi akademis adalah bahwa mereka seringkali bisa ketinggalan zaman, memerlukan data historis yang tidak jelas dan mahal, perdagangan kelas aset tidak likuid atau tidak memperhitungkan biaya, selip atau spread. Juga tidak jelas apakah strategi trading harus dilakukan dengan perintah pasar, membatasi pesanan atau apakah itu berisi stop loss dll. Jadi, sangat penting untuk meniru strategi itu sebaik mungkin, mendukungnya dan menambahkan transaksi realistis. Biaya yang mencakup banyak aspek kelas aset yang Anda inginkan untuk diperdagangkan. Berikut adalah daftar server pra-cetak dan jurnal keuangan yang paling populer sehingga Anda dapat mengemas ide dari: Bagaimana dengan membentuk strategi kuantitatif Anda sendiri Biasanya ini memerlukan ( Namun tidak terbatas pada) keahlian dalam satu atau beberapa kategori berikut: Struktur pasar - Untuk strategi frekuensi yang lebih tinggi, seseorang dapat menggunakan struktur mikro pasar. Yaitu pemahaman dinamika buku pesanan agar bisa menghasilkan profitabilitas. Pasar yang berbeda akan memiliki berbagai keterbatasan teknologi, peraturan, pelaku pasar dan batasan yang semuanya terbuka untuk eksploitasi melalui strategi tertentu. Ini adalah area yang sangat canggih dan praktisi ritel akan merasa sulit untuk bersaing di ruang ini, terutama karena kompetisi tersebut mencakup dana lindung nilai kuantitatif yang besar dan memiliki kapabilitas yang kuat dengan kemampuan teknologi yang kuat. Struktur dana - Dana investasi yang dipusatkan, seperti dana pensiun, kemitraan investasi swasta (hedge fund), penasihat perdagangan komoditas dan reksadana dibatasi oleh peraturan berat dan cadangan modal besar mereka. Dengan demikian perilaku konsisten tertentu bisa dimanfaatkan dengan mereka yang lebih gesit. Misalnya, dana besar tergantung pada keterbatasan kapasitas karena ukurannya. Jadi jika mereka perlu dengan cepat melepaskan (menjual) sejumlah sekuritas, mereka harus terhuyung-huyung untuk menghindari pergerakan pasar. Algoritma yang canggih dapat memanfaatkan hal ini, dan keistimewaan lainnya, dalam proses umum yang dikenal sebagai arbitrase struktur dana. Mesin belajar kecerdasan buatan - Algoritma pembelajaran mesin telah menjadi lebih umum dalam beberapa tahun terakhir di pasar keuangan. Classifiers (seperti Naive-Bayes, dkk.) Pencocokan fungsi non-linear (jaringan syaraf tiruan) dan rutinitas pengoptimalan (algoritma genetika) semuanya telah digunakan untuk memprediksi jalur aset atau strategi perdagangan yang optimal. Jika Anda memiliki latar belakang di bidang ini, Anda mungkin memiliki beberapa wawasan tentang bagaimana algoritme tertentu dapat diterapkan ke pasar tertentu. Ada, tentu saja, banyak daerah lain yang perlu diselidiki. Nah diskusikan bagaimana cara membuat strategi kustom secara detail di artikel selanjutnya. Dengan terus memantau sumber-sumber ini setiap minggu, atau bahkan setiap hari, Anda menyiapkan diri untuk menerima daftar strategi yang konsisten dari beragam sumber. Langkah selanjutnya adalah menentukan cara menolak sebagian besar strategi ini agar meminimalkan pemborosan waktu dan sumber daya backtesting terhadap strategi yang kemungkinan tidak menguntungkan. Mengevaluasi Strategi Perdagangan Pertimbangan pertama, dan bisa dibilang paling jelas adalah apakah Anda benar-benar memahami strateginya. Maukah Anda menjelaskan strategi secara ringkas atau apakah itu memerlukan serangkaian peringatan dan daftar parameter tanpa akhir. Selain itu, apakah strategi tersebut memiliki dasar yang baik dan solid dalam kenyataan Misalnya, dapatkah Anda menunjuk pada beberapa dasar pemikiran atau struktur dana yang membatasi bahwa Mungkin menyebabkan pola yang ingin Anda eksploitasi Apakah kendala ini bertahan terhadap perubahan rezim, seperti gangguan lingkungan peraturan yang dramatis Apakah strategi tersebut bergantung pada peraturan statistik atau matematis yang kompleks Apakah ini berlaku untuk rangkaian waktu keuangan atau Ini spesifik untuk kelas aset yang diklaim menguntungkan pada Anda harus terus memikirkan faktor-faktor ini saat mengevaluasi metode perdagangan baru, jika tidak, Anda mungkin akan membuang banyak waktu untuk melakukan backtest dan mengoptimalkan strategi yang tidak menguntungkan. Setelah Anda menentukan bahwa Anda memahami prinsip dasar strategi yang Anda perlukan untuk memutuskan apakah sesuai dengan profil kepribadian Anda di atas. Ini bukan sebagai pertimbangan yang samar karena kedengarannya Strategi akan berbeda secara substansial dalam karakteristik kinerjanya. Ada tipe kepribadian tertentu yang dapat menangani periode penarikan yang lebih signifikan, atau bersedia menerima risiko lebih besar untuk pengembalian yang lebih besar. Terlepas dari kenyataan bahwa kita, sebagai quants, mencoba dan menghilangkan sebanyak mungkin bias kognitif dan harus dapat mengevaluasi strategi tanpa perasaan, bias akan terus berlanjut. Dengan demikian, kita memerlukan sarana yang konsisten dan tidak emosional untuk mengukur kinerja strategi. . Berikut adalah daftar kriteria yang saya menilai strategi baru yang potensial dengan: Metodologi - Apakah strategi berbasis momentum, revaluasi rata-rata, netral pasar, terarah Apakah strategi mengandalkan teknik statistik atau teknik teknik yang canggih (atau kompleks) yang sulit Untuk memahami dan memerlukan gelar PhD dalam statistik untuk dipegang Apakah teknik ini mengenalkan sejumlah parameter yang signifikan, yang dapat menyebabkan bias optimasi Apakah strategi tersebut cenderung bertahan terhadap perubahan rezim (misalnya peraturan baru yang potensial mengenai pasar keuangan) Rasio Sharpe - Rasio Sharpe Secara heuristik mencirikan rasio rewardrisk strategi. Ini mengkuantifikasi berapa banyak pengembalian yang dapat Anda capai untuk tingkat volatilitas yang dialami oleh kurva ekuitas. Tentu, kita perlu menentukan periode dan frekuensi bahwa tingkat pengembalian dan volatilitas ini (yaitu standar deviasi) diukur di atas. Strategi frekuensi yang lebih tinggi akan memerlukan tingkat sampling deviasi standar yang lebih besar, namun periode pengukuran waktu keseluruhan yang lebih pendek, misalnya. Leverage - Apakah strategi memerlukan leverage yang signifikan agar menguntungkan Apakah strategi tersebut memerlukan penggunaan kontrak derivatif leveraged (futures, options, swaps) untuk mendapatkan pengembalian Kontrak leverage ini dapat memiliki karakteristik volatilitas yang tinggi dan dengan demikian dapat dengan mudah menyebabkan Margin call Apakah Anda memiliki modal perdagangan dan temperamen untuk volatilitas semacam itu Frekuensi - Frekuensi strategi terkait erat dengan tumpukan teknologi Anda (dan dengan demikian keahlian teknologi), rasio Sharpe dan keseluruhan tingkat biaya transaksi. Semua masalah lainnya dipertimbangkan, strategi frekuensi yang lebih tinggi memerlukan modal lebih banyak, lebih canggih dan sulit untuk diterapkan. Namun, dengan asumsi mesin backtesting Anda canggih dan bebas bug, mereka seringkali memiliki rasio Sharpe yang jauh lebih tinggi. Volatilitas - Volatilitas sangat terkait dengan risiko strategi. Rasio Sharpe mencirikan ini. Volatilitas yang lebih tinggi dari kelas aset yang mendasarinya, jika tidak berubah, sering menyebabkan volatilitas yang lebih tinggi pada kurva ekuitas dan dengan demikian rasio Sharpe yang lebih kecil. Saya tentu saja mengasumsikan bahwa volatilitas positif kira-kira sama dengan volatilitas negatif. Beberapa strategi mungkin memiliki volatilitas downside yang lebih besar. Anda harus menyadari atribut ini. WinLoss, Average ProfitLoss - Strategi akan berbeda dalam karakteristik winloss dan average profitloss mereka. Seseorang dapat memiliki strategi yang sangat menguntungkan, bahkan jika jumlah kehilangan perdagangan melebihi jumlah perdagangan yang menang. Strategi Momentum cenderung memiliki pola ini karena mereka mengandalkan sejumlah kecil hit besar agar bisa menguntungkan. Strategi pembalikan rata-rata cenderung memiliki profil yang berlawanan dimana lebih banyak perdagangan adalah pemenang, namun perdagangan yang kalah bisa sangat parah. Drawdown Maksimum - Penarikan maksimum adalah penurunan persentase keseluruhan dari puncak ke puncak terbesar pada kurva ekuitas strategi. Momentum strategi terkenal menderita periode penarikan diperpanjang (karena serangkaian banyak kehilangan perdagangan). Banyak trader akan menyerah pada periode penarikan yang diperpanjang, bahkan jika pengujian historis telah menyarankan bahwa ini adalah bisnis seperti biasa untuk strategi. Anda perlu menentukan berapa persentase penarikan (dan berapa periode waktu) yang dapat Anda terima sebelum menghentikan perdagangan strategi Anda. Ini adalah keputusan yang sangat pribadi dan karenanya harus diperhatikan dengan hati-hati. CapacityLiquidity - Pada tingkat ritel, kecuali jika Anda melakukan perdagangan dengan instrumen yang sangat tidak likuid (seperti saham kecil), Anda tidak perlu terlalu memikirkan kapasitas strategi. Kapasitas menentukan skalabilitas strategi untuk modal lebih lanjut. Banyak dana lindung nilai yang lebih besar mengalami masalah kapasitas yang signifikan karena strategi mereka meningkatkan alokasi modal. Parameter - Strategi tertentu (terutama yang ditemukan di komunitas pembelajaran mesin) memerlukan sejumlah besar parameter. Setiap parameter tambahan bahwa strategi memerlukan daun lebih rentan terhadap bias pengoptimalan (juga dikenal sebagai kurva-pas). Anda harus mencoba dan menargetkan strategi dengan parameter sesedikit mungkin atau pastikan Anda memiliki data dalam jumlah cukup untuk menguji strategi Anda. Benchmark - Hampir semua strategi (kecuali ditandai sebagai return absolut) diukur terhadap beberapa tolok ukur kinerja. Tolok ukur biasanya merupakan indeks yang menjadi ciri sampel besar dari kelas aset dasar yang menjadi strategi perdagangan. Jika strategi memperdagangkan saham AS yang besar, maka SP500 akan menjadi patokan alami untuk mengukur strategi Anda. Anda akan mendengar istilah alpha dan beta, diterapkan pada strategi tipe ini. Kita akan membahas koefisien-koefisien ini secara mendalam dalam artikel selanjutnya. Perhatikan bahwa kita belum membahas pengembalian strategi yang sebenarnya. Mengapa dalam isolasi ini, pengembalian benar-benar memberi kita informasi yang terbatas mengenai keefektifan strategi. Mereka tidak memberi Anda wawasan tentang leverage, volatilitas, tolok ukur atau persyaratan modal. Jadi strategi jarang dinilai pada keuntungan mereka sendiri. Selalu pertimbangkan atribut risiko strategi sebelum melihat hasilnya. Pada tahap ini banyak strategi yang ditemukan dari jaringan pipa Anda akan ditolak, karena mereka tidak memenuhi persyaratan modal, batasan leverage, toleransi penarikan maksimum atau preferensi volatilitas. Strategi yang masih ada sekarang dapat dipertimbangkan untuk melakukan backtesting. Namun, sebelum ini memungkinkan, perlu mempertimbangkan satu kriteria penolakan terakhir - data historis yang tersedia untuk menguji strategi ini. Mendapatkan Data Historis Saat ini, luasnya persyaratan teknis di seluruh kelas aset untuk penyimpanan data historis cukup besar. Agar tetap kompetitif, baik sisi beli (dana) maupun sisi jual (investment bank) banyak berinvestasi di infrastruktur teknis mereka. Sangat penting untuk mempertimbangkan kepentingannya. Secara khusus, kami tertarik pada ketepatan waktu, ketepatan dan persyaratan penyimpanan. Sekarang saya akan menjelaskan dasar-dasar mendapatkan data historis dan bagaimana cara menyimpannya. Sayangnya ini adalah topik yang sangat dalam dan teknis, jadi saya tidak dapat mengatakan semuanya dalam artikel ini. Namun, saya akan menulis lebih banyak tentang hal ini di masa depan karena pengalaman industri terdahulu saya di industri keuangan terutama berkaitan dengan perolehan, penyimpanan, dan akses data keuangan. Pada bagian sebelumnya kami telah menyiapkan strategi pipa yang memungkinkan kami menolak strategi tertentu berdasarkan kriteria penolakan pribadi kami sendiri. Pada bagian ini, kami akan memfilter lebih banyak strategi berdasarkan preferensi kami sendiri untuk mendapatkan data historis. The chief considerations (especially at retail practitioner level) are the costs of the data, the storage requirements and your level of technical expertise. We also need to discuss the different types of available data and the different considerations that each type of data will impose on us. Lets begin by discussing the types of data available and the key issues we will need to think about: Fundamental Data - This includes data about macroeconomic trends, such as interest rates, inflation figures, corporate actions (dividends, stock-splits), SEC filings, corporate accounts, earnings figures, crop reports, meteorological data etc. This data is often used to value companies or other assets on a fundamental basis, i. e. via some means of expected future cash flows. It does not include stock price series. Some fundamental data is freely available from government websites. Other long-term historical fundamental data can be extremely expensive. Storage requirements are often not particularly large, unless thousands of companies are being studied at once. News Data - News data is often qualitative in nature. It consists of articles, blog posts, microblog posts (tweets) and editorial. Machine learning techniques such as classifiers are often used to interpret sentiment . This data is also often freely available or cheap, via subscription to media outlets. The newer NoSQL document storage databases are designed to store this type of unstructured, qualitative data. Asset Price Data - This is the traditional data domain of the quant. It consists of time series of asset prices. Equities (stocks), fixed income products (bonds), commodities and foreign exchange prices all sit within this class. Daily historical data is often straightforward to obtain for the simpler asset classes, such as equities. However, once accuracy and cleanliness are included and statistical biases removed, the data can become expensive. In addition, time series data often possesses significant storage requirements especially when intraday data is considered. Financial Instruments - Equities, bonds, futures and the more exotic derivative options have very different characteristics and parameters. Thus there is no one size fits all database structure that can accommodate them. Significant care must be given to the design and implementation of database structures for various financial instruments. We will discuss the situation at length when we come to build a securities master database in future articles. Frequency - The higher the frequency of the data, the greater the costs and storage requirements. For low-frequency strategies, daily data is often sufficient. For high frequency strategies, it might be necessary to obtain tick-level data and even historical copies of particular trading exchange order book data. Implementing a storage engine for this type of data is very technologically intensive and only suitable for those with a strong programmingtechnical background. Benchmarks - The strategies described above will often be compared to a benchmark . This usually manifests itself as an additional financial time series. For equities, this is often a national stock benchmark, such as the SP500 index (US) or FTSE100 (UK). For a fixed income fund, it is useful to compare against a basket of bonds or fixed income products. The risk-free rate (i. e. appropriate interest rate) is also another widely accepted benchmark. All asset class categories possess a favoured benchmark, so it will be necessary to research this based on your particular strategy, if you wish to gain interest in your strategy externally. Technology - The technology stacks behind a financial data storage centre are complex. This article can only scratch the surface about what is involved in building one. However, it does centre around a database engine, such as a Relational Database Management System (RDBMS), such as MySQL, SQL Server, Oracle or a Document Storage Engine (i. e. NoSQL). This is accessed via business logic application code that queries the database and provides access to external tools, such as MATLAB, R or Excel. Often this business logic is written in C, C, Java or Python. You will also need to host this data somewhere, either on your own personal computer, or remotely via internet servers. Products such as Amazon Web Services have made this simpler and cheaper in recent years, but it will still require significant technical expertise to achieve in a robust manner. As can be seen, once a strategy has been identified via the pipeline it will be necessary to evaluate the availability, costs, complexity and implementation details of a particular set of historical data. You may find it is necessary to reject a strategy based solely on historical data considerations. This is a big area and teams of PhDs work at large funds making sure pricing is accurate and timely. Do not underestimate the difficulties of creating a robust data centre for your backtesting purposes I do want to say, however, that many backtesting platforms can provide this data for you automatically - at a cost. Thus it will take much of the implementation pain away from you, and you can concentrate purely on strategy implementation and optimisation. Tools like TradeStation possess this capability. However, my personal view is to implement as much as possible internally and avoid outsourcing parts of the stack to software vendors. I prefer higher frequency strategies due to their more attractive Sharpe ratios, but they are often tightly coupled to the technology stack, where advanced optimisation is critical. Now that we have discussed the issues surrounding historical data it is time to begin implementing our strategies in a backtesting engine. This will be the subject of other articles, as it is an equally large area of discussion Just Getting Started with Quantitative Trading