Quantitative Trading Systems Download

Beginner's Guide to Quantitative Trading Dans cet article, je vais vous présenter quelques-uns des concepts de base qui accompagnent un système de commerce quantitatif de bout en bout. Ce post servira espérons deux publics. Le premier sera les individus qui tentent d'obtenir un emploi dans un fonds en tant que commerçant quantitatif. Le deuxième seront les individus qui souhaitent essayer de mettre en place leur propre commerce de détail trading algorithmique. Le commerce quantitatif est un domaine extrêmement sophistiqué de financement quantique. Il peut prendre une quantité importante de temps pour acquérir les connaissances nécessaires pour passer une entrevue ou de construire vos propres stratégies de négociation. Non seulement cela, mais il nécessite une vaste expertise en programmation, à tout le moins dans une langue comme MATLAB, R ou Python. Cependant, à mesure que la fréquence de négociation de la stratégie augmente, les aspects technologiques deviennent beaucoup plus pertinents. Ainsi, être familier avec CC sera d'une importance primordiale. Un système de négociation quantitatif se compose de quatre composantes principales: Stratégie d'identification - Trouver une stratégie, exploiter une arête et de décider de la fréquence de négociation Stratégie Backtesting - Obtenir des données, l'analyse des performances de la stratégie et l'élimination des biais Système d'exécution - Liaison à un courtage, Les coûts de transaction Gestion des risques - allocation optimale du capital, le critère de la taille de betKelly et la psychologie commerciale Bien commencer par jeter un oeil à la façon d'identifier une stratégie de négociation. Identification de la stratégie Tous les processus de négociation quantitative commencent par une période initiale de recherche. Ce processus de recherche englobe la recherche d'une stratégie, la vérification de la pertinence de la stratégie dans un portefeuille d'autres stratégies que vous pouvez exécuter, l'obtention de toutes les données nécessaires pour tester la stratégie et essayer d'optimiser la stratégie pour des rendements plus élevés ou un risque plus faible. Vous devrez tenir compte de vos propres exigences de capital si vous exécutez la stratégie en tant que commerçant de détail et comment les coûts de transaction affecteront la stratégie. Contrairement à la croyance populaire, il est en fait assez simple de trouver des stratégies rentables par le biais de diverses sources publiques. Les universitaires publient régulièrement des résultats de négociation théoriques (bien que la plupart du temps bruts des coûts de transaction). Les blogs financiers quantitatifs discuteront des stratégies en détail. Les revues spécialisées exposeront quelques-unes des stratégies utilisées par les fonds. Vous pourriez vous demander pourquoi les particuliers et les entreprises sont désireux de discuter de leurs stratégies rentables, surtout quand ils savent que d'autres surcharger le commerce peut arrêter la stratégie de travailler à long terme. La raison réside dans le fait qu'ils ne discuteront pas souvent les paramètres exacts et les méthodes de réglage qu'ils ont effectué. Ces optimisations sont la clé pour transformer une stratégie relativement médiocre en une stratégie très rentable. En fait, l'une des meilleures façons de créer vos propres stratégies uniques est de trouver des méthodes similaires et ensuite effectuer votre propre procédure d'optimisation. Voici une petite liste d'endroits pour commencer à chercher des idées de stratégie: Beaucoup des stratégies que vous regarderez tomberont dans les catégories de la réversion moyenne et du trendmomentum de tendance. Une stratégie de renversement moyen est celle qui tente d'exploiter le fait qu'une moyenne à long terme sur une série de prix (telle que l'écart entre deux actifs corrélés) existe et que les écarts à court terme de cette moyenne finiront par revenir. Une stratégie de dynamisme tente d'exploiter à la fois la psychologie des investisseurs et la structure de gros fonds en attelant un tour sur une tendance du marché, qui peut recueillir l'élan dans une direction, et suivre la tendance jusqu'à ce qu'il inverse. Un autre aspect extrêmement important de la négociation quantitative est la fréquence de la stratégie de négociation. La négociation basse fréquence (LFT) se réfère généralement à toute stratégie qui détient des actifs plus longtemps qu'un jour de bourse. En conséquence, la négociation à haute fréquence (HFT) se réfère généralement à une stratégie qui détient des actifs intraday. La négociation à fréquence ultra-haute (UHFT) se réfère à des stratégies qui détiennent des actifs de l'ordre de secondes et de millisecondes. En tant que praticien de vente au détail HFT et UHFT sont certainement possible, mais seulement avec une connaissance détaillée de la pile de la technologie de négociation et la dynamique du carnet de commandes. Nous ne discuterons pas ces aspects dans une grande mesure dans cet article introductif. Une fois qu'une stratégie, ou un ensemble de stratégies, a été identifié, il doit maintenant être testé pour la rentabilité sur les données historiques. C'est le domaine du backtesting. Stratégie Backtesting L'objectif du backtesting est de fournir la preuve que la stratégie identifiée via le processus ci-dessus est rentable lorsqu'il est appliqué aux données historiques et hors de l'échantillon. Cela définit l'attente de la façon dont la stratégie va fonctionner dans le monde réel. Cependant, le backtesting n'est PAS une garantie de succès, pour diverses raisons. C'est peut-être le domaine le plus subtil du commerce quantitatif, car il comporte de nombreux biais, qui doivent être soigneusement considérés et éliminés autant que possible. Nous discuterons des types communs de biais, y compris le biais prospectif. Le biais de survie et le biais d'optimisation (également connu sous le nom de biais de snooping). D'autres domaines d'importance dans backtesting incluent la disponibilité et la propreté des données historiques, en tenant compte des coûts de transaction réalistes et en décidant d'une plate-forme de backtesting robuste. Eh bien discuter des coûts de transaction plus loin dans la section Systèmes d'exécution ci-dessous. Une fois qu'une stratégie a été identifiée, il est nécessaire d'obtenir les données historiques à travers lesquelles effectuer des tests et, peut-être, le raffinement. Il existe un nombre important de fournisseurs de données dans toutes les classes d'actifs. Leurs coûts s'alignent généralement sur la qualité, la profondeur et l'actualité des données. Le point de départ traditionnel pour les commerçants débutants (au moins au niveau du détail) est d'utiliser l'ensemble de données gratuit de Yahoo Finance. Je ne m'attarderai pas trop sur les fournisseurs, mais j'aimerais plutôt me concentrer sur les questions générales concernant les ensembles de données historiques. Les principales préoccupations concernant les données historiques comprennent la précision de la propreté, le biais de survie et l'ajustement pour les actions de l'entreprise telles que les dividendes et les divisions d'actions: l'exactitude concerne la qualité globale des données - si elle contient des erreurs. Les erreurs peuvent parfois être faciles à identifier, par exemple avec un filtre à pic. Qui choisira des pics incorrects dans les données de séries chronologiques et les corrigera. D'autres fois, ils peuvent être très difficiles à repérer. Il est souvent nécessaire d'avoir deux ou plusieurs fournisseurs et ensuite vérifier toutes leurs données les uns contre les autres. Le biais de survie est souvent une caractéristique des ensembles de données gratuits ou bon marché. Un ensemble de données avec biais de survie signifie qu'il ne contient pas d'actifs qui ne sont plus de négociation. Dans le cas des actions, cela signifie des actions délistedbankrupt. Ce biais signifie que toute stratégie de négociation d'actions testé sur un tel ensemble de données sera probablement mieux performant que dans le monde réel que les gagnants historiques ont déjà été présélectionnés. Les actions de la société comprennent les activités logistiques réalisées par la société qui entraînent habituellement une modification du prix brut qui ne devrait pas être incluse dans le calcul des rendements du prix. Les ajustements pour les dividendes et les divisions d'actions sont les coupables communs. Un processus dit de rétro-ajustement est nécessaire pour être réalisé à chacune de ces actions. Il faut être très prudent de ne pas confondre un partage de stock avec un ajustement de retour vrai. Beaucoup d'un commerçant a été pris au piège par une action d'entreprise Afin de réaliser une procédure de backtest, il est nécessaire d'utiliser une plate-forme logicielle. Vous avez le choix entre un logiciel de backtest dédié, comme Tradestation, une plate-forme numérique telle que Excel ou MATLAB ou une implémentation personnalisée complète dans un langage de programmation tel que Python ou C. Je n'habiterai pas trop sur Tradestation (ou similaire), Excel ou MATLAB, car je crois en la création d'une pile complète de la technologie interne (pour les raisons énoncées ci-dessous). L'un des avantages de cela est que le logiciel de backtest et le système d'exécution peuvent être étroitement intégrés, même avec des stratégies statistiques extrêmement avancées. Pour les stratégies HFT en particulier, il est essentiel d'utiliser une implémentation personnalisée. Lors du backtesting d'un système, il faut être en mesure de quantifier son rendement. Les mesures standard de l'industrie pour les stratégies quantitatives sont le retrait maximal et le ratio de Sharpe. Le tirage maximal caractérise la baisse la plus importante de la courbe des capitaux propres au cours d'une période donnée (habituellement annuelle). C'est le plus souvent cité comme un pourcentage. Les stratégies LFT auront tendance à avoir des tirages plus importants que les stratégies HFT, en raison d'un certain nombre de facteurs statistiques. Un backtest historique montrera le tirage maximal passé, qui est un bon guide pour la performance de tirage futur de la stratégie. La deuxième mesure est le ratio de Sharpe, qui est défini de façon heuristique comme la moyenne des rendements excédentaires divisée par l'écart-type de ces rendements excédentaires. Ici, les rendements excédentaires renvoient au retour de la stratégie au-dessus d'un indice de référence prédéterminé. Tels que le SP500 ou un projet de loi du Trésor à 3 mois. Il est à noter que le rendement annualisé n'est pas une mesure habituellement utilisée, car il ne tient pas compte de la volatilité de la stratégie (contrairement au ratio de Sharpe). Une fois qu'une stratégie a été testée et est réputée être exempte de biais (autant que cela est possible), avec un bon Sharpe et réduit les tirages, il est temps de construire un système d'exécution. Systèmes d'exécution Un système d'exécution est le moyen par lequel la liste des métiers générés par la stratégie est envoyée et exécutée par le courtier. En dépit du fait que la génération commerciale peut être semi - ou même entièrement automatisée, le mécanisme d'exécution peut être manuel, semi-manuel (c'est-à-dire un clic) ou entièrement automatisé. Pour les stratégies LFT, les techniques manuelles et semi-manuelles sont courantes. Pour les stratégies HFT, il est nécessaire de créer un mécanisme d'exécution entièrement automatisé, qui sera souvent étroitement couplé avec le générateur de commerce (en raison de l'interdépendance de la stratégie et de la technologie). Les principales considérations lors de la création d'un système d'exécution sont l'interface avec le courtage. La minimisation des coûts de transaction (y compris la commission, le glissement et l'écart) et la divergence des performances du système en direct par rapport aux performances testées. Il existe de nombreuses façons d'interface avec une maison de courtage. Ils vont de l'appel de votre courtier sur le téléphone à droite à une entièrement automatisée haute performance Application Programming Interface (API). Idéalement, vous voulez automatiser l'exécution de vos métiers autant que possible. Cela vous libère pour se concentrer sur de nouvelles recherches, ainsi que vous permettre d'exécuter des stratégies multiples ou même des stratégies de plus haute fréquence (en fait, HFT est essentiellement impossible sans exécution automatisée). Les logiciels communs de backtesting décrits ci-dessus, tels que MATLAB, Excel et Tradestation sont bons pour des stratégies plus simples et plus simples. Cependant, il sera nécessaire de construire un système d'exécution interne écrit dans un langage de haute performance comme C afin de faire tout vrai HFT. Comme une anecdote, dans le fonds que j'avais l'habitude d'être employé à, nous avons eu une boucle de 10 minutes de négociation où nous téléchargeons de nouvelles données sur le marché toutes les 10 minutes, puis exécuter des opérations basées sur ces informations dans le même laps de temps. C'était utiliser un script Python optimisé. Pour tout ce qui s'approche de la minute ou des données de deuxième fréquence, je crois que CC serait plus idéal. Dans un fonds plus important, ce n'est pas souvent le domaine du négociant quantique d'optimiser l'exécution. Toutefois, dans les petits magasins ou les entreprises HFT, les commerçants sont les exécuteurs et donc une compétence beaucoup plus large est souvent souhaitable. Gardez cela à l'esprit si vous souhaitez être employé par un fonds. Vos compétences en programmation seront aussi importantes, voire plus, que vos talents statistiques et économétriques Un autre problème majeur qui tombe sous le signe de l'exécution est celui de la minimisation des coûts de transaction. Il y a généralement trois composantes des coûts de transaction: Les commissions (ou taxes), qui sont les frais facturés par la maison de courtage, l'échange et le dérapage de la SEC (ou d'un organisme de réglementation similaire), qui est la différence entre ce que vous vouliez que votre commande soit Rempli à l'égard de ce qu'il a été réellement rempli à l'écart, qui est la différence entre le prix bidask de la valeur marchande. Notez que l'écart n'est PAS constant et dépend de la liquidité actuelle (c'est-à-dire la disponibilité des ordres d'achat) sur le marché. Les coûts de transaction peuvent faire la différence entre une stratégie extrêmement rentable avec un bon ratio Sharpe et une stratégie extrêmement peu rentable avec un terrible ratio de Sharpe. Il peut être difficile de prédire correctement les coûts de transaction à partir d'un backtest. Selon la fréquence de la stratégie, vous aurez besoin d'accéder à des données d'échange historiques, qui incluront des données de tick pour les prix bidask. Des équipes entières de quants sont dédiées à l'optimisation de l'exécution dans les fonds plus importants, pour ces raisons. Considérons le scénario dans lequel un fonds doit décharger une quantité importante de métiers (dont les raisons sont nombreuses et variées). En déversant autant d'actions sur le marché, elles dépriment rapidement le prix et peuvent ne pas obtenir une exécution optimale. D'où les algorithmes qui gouttent les ordres d'alimentation sur le marché existent, bien que le fonds court alors le risque de glissement. De plus, d'autres stratégies envahissent ces nécessités et peuvent exploiter les inefficacités. C'est le domaine de l'arbitrage de la structure du fonds. Le dernier problème majeur pour les systèmes d'exécution concerne la divergence des performances de la stratégie par rapport aux performances testées. Cela peut se produire pour plusieurs raisons. Nous avons déjà discuté du biais prospectif et du biais d'optimisation en profondeur, lors de l'examen de backtests. Cependant, certaines stratégies ne permettent pas de tester facilement ces biais avant le déploiement. Cela se produit dans HFT plus prédominante. Il peut y avoir des bogues dans le système d'exécution ainsi que la stratégie de négociation elle-même qui ne s'affichent pas sur un backtest, mais ne se présentent dans le commerce en direct. Le marché a peut-être fait l'objet d'un changement de régime après le déploiement de votre stratégie. De nouveaux environnements réglementaires, l'évolution du sentiment des investisseurs et les phénomènes macroéconomiques peuvent tous conduire à des divergences dans la façon dont le marché se comporte et donc la rentabilité de votre stratégie. Gestion des risques La dernière pièce du puzzle de négociation quantitative est le processus de gestion des risques. Le risque inclut tous les biais précédents dont nous avons discuté. Il comprend le risque technologique, tels que les serveurs co-situé à l'échange de soudainement développer un dysfonctionnement du disque dur. Il inclut le risque de courtage, comme le courtier faillite (pas aussi fou que cela semble, étant donné le récent effroi avec MF Global). En bref, il couvre presque tout ce qui pourrait interférer avec la mise en œuvre de négociation, dont il existe de nombreuses sources. Tous les livres sont consacrés à la gestion des risques pour les stratégies quantitatives, donc je ne vais pas essayer d'élucider sur toutes les sources possibles de risque ici. La gestion des risques englobe également ce que l'on appelle l'allocation optimale du capital. Qui est une branche de la théorie du portefeuille. C'est le moyen par lequel le capital est alloué à un ensemble de stratégies différentes et aux métiers au sein de ces stratégies. C'est un domaine complexe et repose sur des mathématiques non triviales. La norme de l'industrie par laquelle l'allocation optimale du capital et l'effet de levier des stratégies sont liées est appelée le critère de Kelly. Comme il s'agit d'un article introductif, je n'insisterai pas sur son calcul. Le critère de Kelly fait certaines hypothèses sur la nature statistique des rendements, qui ne sont pas souvent vrai dans les marchés financiers, donc les commerçants sont souvent conservateurs quand il s'agit de la mise en œuvre. Une autre composante essentielle de la gestion des risques est le traitement de son propre profil psychologique. Il existe de nombreux biais cognitifs qui peuvent s'introduire dans le commerce. Bien que cela soit certes moins problématique avec trading algorithmique si la stratégie est laissé seul Un préjugé commun est celui de l'aversion à la perte où une position perdante ne sera pas fermé en raison de la douleur d'avoir à réaliser une perte. De même, les bénéfices peuvent être pris trop tôt parce que la peur de perdre un bénéfice déjà gagné peut être trop grande. Un autre biais commun est connu comme biais récence. Cela se manifeste lorsque les traders mettent trop l'accent sur les événements récents et non sur le long terme. Ensuite, bien sûr, il ya la paire classique de préjugés émotionnels - la peur et la cupidité. Ceux-ci peuvent souvent conduire à un sous - ou un surendettement, ce qui peut provoquer un gonflement (c'est-à-dire l'équité du compte à zéro ou pire) ou des bénéfices réduits. Comme on peut le constater, le commerce quantitatif est un domaine de financement quantitatif extrêmement complexe, quoique très intéressant. J'ai littéralement rayé la surface du sujet dans cet article et il est déjà assez long Livres entiers et des documents ont été écrits sur des questions que je n'ai donné qu'une phrase ou deux vers. Pour cette raison, avant de demander des emplois de négociation de fonds quantitatifs, il est nécessaire d'effectuer une quantité importante de l'étude de terrain. À tout le moins, vous aurez besoin d'un vaste bagage en statistiques et économétrie, avec beaucoup d'expérience dans la mise en œuvre, via un langage de programmation comme MATLAB, Python ou R. Pour des stratégies plus sophistiquées à la fin de fréquence plus élevée, votre ensemble de compétences est probable Pour inclure la modification du noyau Linux, le CC, la programmation d'assemblage et l'optimisation de la latence du réseau. Si vous êtes intéressé à essayer de créer vos propres stratégies de trading algorithmique, ma première suggestion serait d'obtenir de bons programmes. Ma préférence est de construire autant de données grabber, backtestter stratégie et le système d'exécution par vous-même que possible. Si votre propre capital est sur la ligne, wouldnt vous dormez mieux la nuit sachant que vous avez pleinement testé votre système et sont conscients de ses pièges et des questions particulières Externaliser cela à un vendeur, tout en économisant potentiellement du temps à court terme, pourrait être extrêmement Coûteux à long terme. Février 24, 2014 5:00 am 0 commentaires Vues: 7760 Les rôles de négociateur quantitatif au sein de fonds de grande quantite sont souvent perçus comme l'un des postes les plus prestigieux et lucratifs dans le paysage de l'emploi financier quantitatif. Les carrières commerciales dans un fonds 8220parent8221 sont souvent considérées comme un tremplin pour permettre éventuellement de former leur propre fonds, avec une allocation de capital initiale de l'employeur parent et une liste des premiers investisseurs à apporter à bord. La concurrence pour les positions commerciales quantitatives est intense et donc un investissement important de temps et d'effort est nécessaire pour obtenir une carrière dans le commerce quantitatif. Dans cet article, je vais décrire les cheminements de carrière communs, les itinéraires dans le domaine, l'arrière-plan requis et un plan d'auto-étude pour aider les commerçants de détail et les futurs professionnels à acquérir des compétences dans le commerce quantitatif. Définition des attentes Avant de nous pencher sur les listes de manuels scolaires et d'autres ressources, je tenterai d'établir des attentes quant à ce que cela implique. La recherche commerciale quantitative est beaucoup plus étroitement liée aux tests d'hypothèses scientifiques et à la rigueur académique que la perception des commerçants de banques d'investissement et la bravade associée. Il ya très peu (ou inexistant) de l'apport discrétionnaire lors de la négociation quantitative étant donné que les processus sont presque universellement automatisés. La méthode scientifique et les tests d'hypothèses sont des processus hautement valorisés au sein de la communauté financière quantique et, en tant que telle, toute personne désireuse d'entrer sur le terrain devra avoir été formée en méthodologie scientifique. Cela signifie souvent, mais non exclusivement, la formation à un niveau de recherche doctoral 8211 généralement par l'intermédiaire d'avoir obtenu un doctorat ou un diplôme de maîtrise dans un domaine quantitatif. Bien que l'on peut entrer dans le commerce quantitatif à un niveau professionnel via des moyens de rechange, il n'est pas commun. Les compétences requises par un chercheur de négociation quantitative sophistiquée sont diverses. Une formation approfondie en mathématiques. La probabilité et les tests statistiques fournissent la base quantitative sur laquelle construire. Une compréhension des composantes du commerce quantitatif est essentielle, y compris la prévision, la génération du signal, le backtesting, le nettoyage des données, la gestion du portefeuille et les méthodes d'exécution. Des connaissances plus avancées sont nécessaires pour l'analyse des séries temporelles, l'apprentissage de la méthode statistique (y compris les méthodes non linéaires), l'optimisation et la microstructure des marges d'échange. Parallèlement à cela, il ya une bonne connaissance de la programmation, y compris la façon de prendre des modèles universitaires et de les mettre en œuvre rapidement. Il s'agit d'un apprentissage important et ne devrait pas être pris à la légère. Il est souvent dit qu'il faut 5-10 ans pour apprendre suffisamment de matériel pour être constamment rentable au négoce quantitatif dans une entreprise professionnelle. Cependant, les récompenses sont importantes. C'est un environnement hautement intellectuel avec un groupe de pairs très intelligent. Il fournira des défis continus à un rythme rapide. Il est extrêmement bien rémunéré et fournit de nombreuses options de carrière, y compris la capacité de devenir un entrepreneur en démarrant votre propre fonds après avoir démontré un historique à long terme. Contexte nécessaire Il est fréquent de considérer une carrière en finance quantitative (et finalement la recherche quantitative de commerce) tout en étudiant sur un diplôme de premier cycle de numérologie ou dans un doctorat technique spécialisé. Cependant, les conseils suivants s'appliquent à ceux qui souhaiteraient peut-être faire une transition vers une carrière commerciale quantique, mais avec l'avertissement que cela prendra un peu plus longtemps et impliquera un réseautage étendu et beaucoup d'auto-apprentissage. Au niveau le plus élémentaire, la recherche commerciale quantitative exige une solide compréhension des mathématiques et des tests d'hypothèses statistiques. Les suspects habituels du calcul multivarié, de l'algèbre linéaire et de la théorie des probabilités sont tous nécessaires. Une bonne note de cours dans un cours de premier cycle de mathématiques ou de physique d'une école bien considérée vous fournira généralement l'arrière-plan nécessaire. Si vous n'avez pas de formation en mathématiques ou en physique, je suggère que vous devriez poursuivre un diplôme d'une école supérieure dans l'un de ces domaines. Vous serez en concurrence avec des personnes qui ont de telles connaissances et il sera donc très difficile de gagner un poste dans un fonds sans quelques titres universitaires définitifs. En plus d'avoir une compréhension mathématique solide, il est nécessaire d'être habile à mettre en œuvre des modèles, via la programmation informatique. Les choix courants de langages de modélisation de nos jours comprennent R. Le langage de statistiques open-source Python. Avec ses vastes bibliothèques d'analyse de données ou MatLab. Gagner une grande familiarité avec l'un de ces paquets est une condition préalable nécessaire pour devenir un commerçant quantitatif. Si vous avez une vaste expérience en programmation informatique, vous pouvez envisager d'entrer dans un fonds via la route de développement quantitatif. La dernière grande compétence requise par les chercheurs commerciaux quantitatifs est celle de pouvoir interpréter objectivement de nouvelles recherches et ensuite les mettre en œuvre rapidement. Il s'agit d'une compétence acquise grâce à la formation doctorale et une des raisons pour lesquelles les candidats au doctorat des écoles supérieures sont souvent les premiers à être choisi pour les positions de négociation quantitative. L'obtention d'un doctorat dans l'un des domaines suivants (en particulier l'apprentissage par machine ou l'optimisation) est un bon moyen d'obtenir un fonds quantique sophistiqué. Introduction Trading quantitatif Le commerce quantitatif a explosé en popularité à la fois dans l'espace des fonds professionnels et au niveau du détail. Il est, bien sûr, le sujet principal de ce site Web écrit beaucoup de quelques articles sur la façon de commencer la négociation quantitatives quantitatives introduction. Vous trouverez ci-dessous un bref aperçu du domaine: Pour une introduction plus approfondie, vous devriez prendre les textes suivants par le gestionnaire de fonds de couverture Ernie Chan, qui incluent des détails significatifs sur la mise en œuvre des stratégies de négociation quantitatives. Ils sont lancés à l'investisseur de détail sophistiqué, mais les méthodologies de négociation et les techniques de gestion des risques sont solides et reportés dans l'espace de fonds professionnels: Si vous souhaitez obtenir plus de détails sur les détails de mise en œuvre des stratégies de négociation quantitatives (en particulier au niveau du détail) Jetez un oeil à la quantité de négociation des articles sur ce site. EconometricsTime Series Analysis Fondamentalement, la majorité du commerce quantitatif est sur l'analyse des séries chronologiques. Cela comprend principalement les séries de prix des actifs en fonction du temps, mais peut inclure des séries dérivées sous une certaine forme. Ainsi, l'analyse des séries chronologiques est un sujet essentiel pour le chercheur en commerce quantitatif. I8217ve écrit sur la façon de commencer dans l'article sur le Top 10 des ressources essentielles pour l'apprentissage économétrie financière. Cet article comprend des guides de base sur la probabilité et le début de la programmation dans R, que nous discuterons plus en détail dans la deuxième partie de cette série d'articles. Les trois textes fondamentaux que je recommande de commencer en économétrie et en analyse de séries chronologiques sont: Si vous souhaitez en savoir plus sur chaque livre et comment il peut vous aider, je suggère de jeter un coup d'œil à mon article sur les ressources économétriques. Récemment, je suis tombé sur une ressource fantastique appelée OTexts. Qui fournit des manuels d'accès libre. Le livre suivant est particulièrement utile pour la prévision: Prévisions: principes et pratique par Hyndman et Athanasopoulos 8211 Ce livre gratuit est un excellent moyen de commencer à apprendre sur la prévision statistique via l'environnement de programmation R. Il couvre la régression simple et multivariée, le lissage exponentiel et les techniques ARIMA ainsi que des modèles de prévision plus avancés. Le livre est initialement lancé à des degrés businesscommerce, mais est suffisamment technique pour être d'intérêt pour commencer quants. Avec les bases de séries chronologiques sous votre ceinture la prochaine étape est de commencer à étudier les techniques d'apprentissage statistique de machine, qui sont l'état actuel 8220s de l'art8221 dans le financement quantitatif. Intermédiaire Apprentissage de la statistique La recherche quantitative quantitative repose sur de vastes techniques d'apprentissage statistique. Jusqu'à tout récemment, le seul endroit où apprendre des techniques appliquées à la finance quantitative était dans la littérature. Il existe maintenant des manuels bien établis qui permettent de combler le fossé entre la théorie et la pratique. Il s'agit du prochain suivi logique de l'économétrie et des techniques de prévision des séries chronologiques, bien qu'il existe un chevauchement important dans les deux domaines. La méthode recommandée pour commencer la compréhension de l'apprentissage statistique est d'étudier les deux ouvrages suivants (avec des auteurs qui se chevauchent): Introduction à l'apprentissage statistique: avec des applications en R par James et al 8211 Ce texte fournit une excellente introduction aux techniques modernes d'apprentissage statistique. Il est destiné au praticien, plutôt qu'au statisticien académique, il sera donc utile pour ceux qui viennent d'un contexte financier avec une expérience d'apprentissage machine minimale. Il utilise R pour tous ses exemples et en tant que tel est facile à mettre en œuvre. Il est recommandé de lire ceci avant de lire le livre suivant ci-dessous. Les éléments de l'apprentissage statistique: l'exploration de données, l'inférence et la prévision par Hastie, et al 8211 Connu affectueusement comme 8220ESL8221 au sein de la communauté statistique, ce livre est un suivi fantastique à la 8220ISL8221 récemment publié. Il va beaucoup plus loin dans la théorie et fournira une base solide dans l'apprentissage statistique. Vous pouvez également télécharger une copie gratuite pour le livre du site de l'auteur (statweb. stanford. edu Un ensemble particulièrement utile (et gratuit) de cours Web sur l'apprentissage de la machineAI sont fournis par Coursera: Apprentissage de la machine par Andrew Ng 8211 Ce cours couvre les bases Des méthodes que j'ai brièvement mentionnées ci-dessus. Il a reçu de grands éloges de personnes qui ont participé. Il est probablement mieux vus comme un compagnon de lecture ISL ou ESL ci-dessus. Les réseaux de neurones pour l'apprentissage des machines par Geoffrey Hinton 8211 Ce cours se concentre principalement sur Les réseaux de neurones, qui ont une longue histoire d'association avec le financement quantitatif. Si vous souhaitez se concentrer spécifiquement sur ce domaine, alors ce cours vaut la peine d'examiner, en conjonction avec un manuel solide sur la région. Dans la série, nous étudierons les thèmes de l'apprentissage machine non linéaire, de l'optimisation mathématique, de la microstructure du marché des changes, de la théorie du portefeuille et de la programmation informatique pour tous les domaines d'étude nécessaires à un chercheur prospectif de commerce quantitatif. 8212 Par Michael Halls-Moore de QuantStart Construire des systèmes de trading rentables