Noções básicas de negociação algorítmica: conceitos e exemplos.
Um algoritmo é um conjunto específico de instruções claramente definidas destinadas a realizar uma tarefa ou processo.
O comércio algorítmico (negociação automatizada, negociação de caixa preta ou simplesmente negociação de algoritmos) é o processo de usar computadores programados para seguir um conjunto definido de instruções para fazer uma negociação, a fim de gerar lucros a uma velocidade e freqüência impossíveis para uma negociação. comerciante humano. Os conjuntos de regras definidos são baseados em tempo, preço, quantidade ou qualquer modelo matemático. Para além das oportunidades de lucro para o comerciante, a negociação de algoritmos torna os mercados mais líquidos e torna o comércio mais sistemático ao excluir os impactos humanos emocionais nas atividades de negociação. (Para mais, confira Escolhendo o Software de Negociação Algorítmica Certo.)
Suponha que um comerciante siga estes critérios comerciais simples:
Compre 50 ações de uma ação quando a média móvel de 50 dias ultrapassar a média móvel de 200 dias. Venda ações da ação quando a média móvel de 50 dias ficar abaixo da média móvel de 200 dias.
Usando este conjunto de duas instruções simples, é fácil escrever um programa de computador que monitore automaticamente o preço das ações (e os indicadores de média móvel) e coloque as ordens de compra e venda quando as condições definidas forem atendidas. O comerciante não precisa mais ficar de olho nos preços e gráficos ao vivo, ou colocar os pedidos manualmente. O sistema de negociação algorítmica faz isso automaticamente, identificando corretamente a oportunidade de negociação. (Para obter mais informações sobre médias móveis, consulte Médias móveis simples Faça as tendências se destacarem.)
[Se você quiser aprender mais sobre as estratégias comprovadas e que podem eventualmente ser trabalhadas em um sistema de negociação alorítimo, confira o curso Torne-se um Day Trader da Investopedia Academy. ]
Benefícios do comércio algorítmico.
Algo-trading fornece os seguintes benefícios:
Negociações executadas com os melhores preços Possibilidade de colocação imediata e imediata de ordens (com altas chances de execução nos níveis desejados) Negociações cronometradas correta e instantaneamente, para evitar mudanças significativas nos preços Redução dos custos de transação (veja o exemplo de déficit de implementação abaixo) Verificações automatizadas simultâneas em múltiplos condições de mercado Risco reduzido de erros manuais na colocação dos negócios Backtest o algoritmo, com base em dados históricos e em tempo real disponíveis Reduzida possibilidade de erros por parte de comerciantes humanos com base em fatores emocionais e psicológicos.
A maior parte da negociação de algoritmos atuais é a negociação de alta frequência (HFT), que tenta capitalizar a colocação de um grande número de pedidos em velocidades muito rápidas em vários mercados e vários parâmetros de decisão, com base em instruções pré-programadas. (Para mais informações sobre negociação de alta frequência, consulte Estratégias e segredos de empresas de negociação de alta frequência (HFT).)
O comércio de algo é usado em muitas formas de atividades de negociação e investimento, incluindo:
Investidores de médio a longo prazo ou empresas compradoras (fundos de pensão, fundos mútuos, seguradoras) que compram em grandes quantidades, mas não querem influenciar os preços das ações com investimentos discretos e de grande volume. Os comerciantes de curto prazo e os participantes do lado da venda (fabricantes de mercado, especuladores e arbitragentes) se beneficiam da execução comercial automatizada; Além disso, o comércio de algo ajuda a criar liquidez suficiente para os vendedores no mercado. Comerciantes sistemáticos (seguidores de tendência, pares de traders, hedge funds, etc.) acham muito mais eficiente programar suas regras de negociação e permitir que o programa troque automaticamente.
O comércio algorítmico proporciona uma abordagem mais sistemática ao comércio ativo do que os métodos baseados na intuição ou instinto do comerciante humano.
Estratégias de negociação algorítmica.
Qualquer estratégia para negociação algorítmica requer uma oportunidade identificada que seja lucrativa em termos de ganhos aprimorados ou redução de custos. A seguir estão as estratégias de negociação comuns usadas no comércio de algo:
As estratégias de negociação algorítmicas mais comuns seguem as tendências em médias móveis, fuga de canais, movimentos no nível de preços e indicadores técnicos relacionados. Essas são as estratégias mais fáceis e simples de implementar por meio do comércio algorítmico, porque essas estratégias não envolvem previsões nem previsões de preços. As negociações são iniciadas com base na ocorrência de tendências desejáveis, que são fáceis e diretas de implementar por meio de algoritmos, sem entrar na complexidade da análise preditiva. O exemplo acima mencionado de média móvel de 50 e 200 dias é uma tendência popular seguindo a estratégia. (Para mais informações sobre estratégias de negociação de tendências, consulte: Estratégias simples para capitalizar tendências.)
Comprar uma ação com cotação dupla a um preço menor em um mercado e, simultaneamente, vendê-la a um preço mais alto em outro mercado oferece o diferencial de preço como lucro ou arbitragem isenta de risco. A mesma operação pode ser replicada para ações versus instrumentos futuros, já que os diferenciais de preço existem de tempos em tempos. Implementar um algoritmo para identificar esses diferenciais de preços e colocar as ordens permite oportunidades lucrativas de maneira eficiente.
Os fundos de índices definiram períodos de reequilíbrio para aproximar seus investimentos aos seus respectivos índices de referência. Isso cria oportunidades lucrativas para os operadores algorítmicos, que capitalizam os negócios esperados que oferecem lucros de 20 a 80 pontos básicos, dependendo do número de ações no fundo de índice, imediatamente antes do rebalanceamento do fundo de índice. Tais negociações são iniciadas através de sistemas de negociação algorítmica para execução atempada e melhores preços.
Muitos modelos matemáticos comprovados, como a estratégia de negociação delta-neutral, que permitem negociar com combinação de opções e seu título subjacente, onde são feitas negociações para compensar deltas positivos e negativos, de modo que o delta do portfólio seja mantido em zero.
A estratégia de reversão à média baseia-se na ideia de que os preços altos e baixos de um ativo são um fenômeno temporário que revertem para seu valor médio periodicamente. Identificar e definir uma faixa de preço e implementar um algoritmo com base nisso permite que os negócios sejam colocados automaticamente quando o preço do ativo entra e sai de seu intervalo definido.
A estratégia de preço médio ponderado por volume divide uma ordem grande e libera partes menores da ordem para o mercado, determinadas dinamicamente, usando perfis históricos específicos de estoque. O objetivo é executar o pedido próximo ao Preço Médio Ponderado pelo Volume (VWAP), beneficiando, assim, no preço médio.
A estratégia de preço médio ponderada pelo tempo quebra uma ordem grande e libera dinamicamente pedaços menores da ordem para o mercado usando intervalos de tempo divididos uniformemente entre uma hora inicial e final. O objetivo é executar o pedido próximo ao preço médio entre os horários inicial e final, minimizando o impacto no mercado.
Até que a ordem de negociação esteja totalmente preenchida, este algoritmo continua enviando ordens parciais, de acordo com a taxa de participação definida e de acordo com o volume negociado nos mercados. A "estratégia de etapas" relacionada envia ordens a uma porcentagem definida pelo usuário de volumes de mercado e aumenta ou diminui essa taxa de participação quando o preço da ação atinge os níveis definidos pelo usuário.
A estratégia de déficit de implementação visa minimizar o custo de execução de um pedido negociando o mercado em tempo real, economizando assim no custo do pedido e se beneficiando do custo de oportunidade de execução atrasada. A estratégia aumentará a taxa de participação visada quando o preço das ações se mover favoravelmente e diminuirá quando o preço das ações se mover negativamente.
Existem algumas classes especiais de algoritmos que tentam identificar “acontecimentos” do outro lado. Esses "algoritmos de farejamento", usados, por exemplo, por um criador de mercado no lado da venda, têm a inteligência incorporada para identificar a existência de quaisquer algoritmos no lado da compra de uma grande ordem. Essa detecção por meio de algoritmos ajudará o criador de mercado a identificar grandes oportunidades de pedidos e possibilitará que ele se beneficie com o preenchimento dos pedidos a um preço mais alto. Às vezes, isso é identificado como front-running de alta tecnologia. (Para mais informações sobre comércio de alta frequência e práticas fraudulentas, consulte: Se você comprar ações on-line, você está envolvido em HFTs.)
Requisitos técnicos para negociação algorítmica.
Implementar o algoritmo usando um programa de computador é a última parte, batida com backtesting. O desafio é transformar a estratégia identificada em um processo informatizado integrado que tenha acesso a uma conta de negociação para fazer pedidos. Os seguintes são necessários:
Conhecimentos de programação de computadores para programar a estratégia de negociação necessária, programadores contratados ou software de negociação pré-fabricados. Conectividade de rede e acesso a plataformas de negociação para colocação de pedidos. Acesso a feeds de dados de mercado que serão monitorados pelo algoritmo para oportunidades de fazer pedidos. para backtest o sistema, uma vez construído, antes de ir viver em mercados reais Dados históricos disponíveis para backtesting, dependendo da complexidade das regras implementadas no algoritmo.
Aqui está um exemplo abrangente: A Royal Dutch Shell (RDS) está listada na Bolsa de Valores de Amsterdã (AEX) e na Bolsa de Valores de Londres (LSE). Vamos criar um algoritmo para identificar oportunidades de arbitragem. Aqui estão algumas observações interessantes:
AEX negocia em Euros, enquanto a LSE negocia em Libras Esterlinas Devido à diferença horária de uma hora, a AEX abre uma hora antes da LSE, seguida pelas duas bolsas negociadas simultaneamente pelas próximas horas e depois negociando apenas na LSE durante a última hora conforme a AEX fecha .
Podemos explorar a possibilidade de negociação de arbitragem sobre as ações da Royal Dutch Shell listadas nesses dois mercados em duas moedas diferentes?
Um programa de computador que pode ler os preços de mercado atuais Feeds de preço de LSE e AEX Um feed de taxa forex para taxa de câmbio GBP-EUR Capacidade de colocação de pedidos que pode encaminhar o pedido para a capacidade correta de troca de teste de retorno em feeds de preços históricos.
O programa de computador deve executar o seguinte:
Leia o preço de entrada do estoque RDS de ambas as bolsas Usando as taxas de câmbio disponíveis, converta o preço de uma moeda para outra. Se houver uma discrepância de preço suficientemente grande (descontando os custos de corretagem) levando a uma oportunidade rentável, então coloque a compra ordem em troca de preços mais baixos e ordem de venda em troca de preços mais elevados Se as ordens forem executadas conforme desejado, o lucro de arbitragem seguirá.
Simples e fácil! No entanto, a prática de negociação algorítmica não é tão simples de manter e executar. Lembre-se, se você puder colocar uma negociação gerada por algoritmos, os outros participantes do mercado também poderão. Consequentemente, os preços flutuam em milissegundos e até microssegundos. No exemplo acima, o que acontece se a transação de compra for executada, mas o comércio de venda não é feito, pois os preços de venda mudam no momento em que seu pedido chega ao mercado? Você vai acabar sentado com uma posição aberta, fazendo com que sua estratégia de arbitragem seja inútil.
Existem riscos e desafios adicionais: por exemplo, riscos de falha do sistema, erros de conectividade de rede, atrasos entre ordens de negociação e execução e, o mais importante de tudo, algoritmos imperfeitos. Quanto mais complexo for um algoritmo, o backtesting mais rigoroso é necessário antes de ser colocado em ação.
The Bottom Line.
A análise quantitativa do desempenho de um algoritmo desempenha um papel importante e deve ser examinada criticamente. É excitante ir pela automação auxiliada por computadores com a noção de ganhar dinheiro sem esforço. Mas é preciso garantir que o sistema seja completamente testado e que os limites necessários sejam definidos. Comerciantes analíticos devem considerar aprender programação e construir sistemas por conta própria, para ter confiança em implementar as estratégias corretas de maneira infalível. Uso cauteloso e testes completos de negociação de algoritmos podem criar oportunidades lucrativas. (Para mais, veja Como codificar seu próprio robô de negociação da Algo.)
Algorithmic Trading System Design & amp; Implementação.
AlgorithmicTrading é um desenvolvedor de sistema de negociação de terceiros especializado em sistemas automatizados de negociação, estratégias de negociação algorítmica e análise de negociação quantitativa. Oferecemos dois algoritmos de negociação distintos para comerciantes de varejo e investidores profissionais.
Assista ao nosso blog de vídeo algorítmico em que nosso principal desenvolvedor analisa o desempenho a partir de 6/10/17 & ndash; 8/8/17 usando nosso sistema de negociação automatizado. Visite nosso Blog Algorithmic Trading para ver todos os vídeos de desempenho de 2016-2018 no acumulado do ano. Os futuros e opções de negociação envolvem risco substancial de perda e não são adequados para todos os investidores.
Comece hoje mesmo na negociação algorítmica.
Os Destaques do Swing Trader.
Nossa Swing Trading Strategy negocia o S & P 500 Emini Futures (ES) e o Ten Year Note (TY). Este é um sistema de negociação 100% automatizado que pode ser executado automaticamente com os melhores esforços por vários Corretores Registrados da NFA. Também pode ser instalado e carregado na plataforma Tradestation. Os seguintes dados cobrem o período de avanço (fora da amostra) que abrange 10/1 / 15-1 / 4/18. A negociação de futuros envolve risco substancial de perda e não é apropriada para todos os investidores. O desempenho passado não é indicativo de desempenho futuro. Esses dados presumem que 1 unidade (US $ 15.000) foi negociada durante todo o período em análise (non-compounded).
* Perdas podem exceder o rebaixamento máximo. Isso é medido de um ponto para o outro, fechando o comércio para fechar o comércio. O desempenho passado não é indicativo de desempenho futuro.
O Swing Trader Monthly P / L.
As negociações que começam em outubro de 2015 são consideradas Walk-Forward / Out-of-Sample, enquanto os negócios anteriores a outubro de 2015 são considerados testados novamente. O lucro / perda dado é baseado em uma conta de US $ 15.000 que vende uma unidade no Swing Trader. Esses dados não são compostos.
* Perdas podem exceder o rebaixamento máximo. Isso é medido de um ponto para o outro, fechando o comércio para fechar o comércio. O desempenho passado não é indicativo de desempenho futuro.
CFTC REGRA 4.41: Os resultados são baseados em resultados de desempenho simulados ou hipotéticos que possuem certas limitações inerentes. Ao contrário dos resultados apresentados em um registro de desempenho real, esses resultados não representam a negociação real. Além disso, como esses negócios não foram efetivamente executados, esses resultados podem ter uma compensação maior ou menor pelo impacto, se houver, de alguns fatores de mercado, como a falta de liquidez. Programas de negociação simulados ou hipotéticos em geral também estão sujeitos ao fato de serem projetados com o benefício de retrospectiva. Não está sendo feita nenhuma representação de que qualquer conta terá ou poderá obter lucros ou perdas similares a essas demonstrações.
Noções básicas de negociação algorítmica.
Algorithmic Trading, também conhecido como Quant Trading é um estilo de negociação que utiliza algoritmos de previsão de mercado para encontrar negociações potenciais. Existem várias subcategorias de negociação quantitativa para incluir High Frequency Trading (HFT), Arbitragem Estatística e Análise de Predição de Mercado. Na AlgorithmicTrading, nós nos concentramos no desenvolvimento de sistemas de negociação automatizados que fazem negócios de swing, dia e opções para aproveitar as ineficiências do mercado.
Atualmente, estamos oferecendo dois sistemas de negociação de futuros que negociam o ES & amp; Futuros de TY. Continue lendo para ver por si mesmo como implementar um sistema de negociação de algo projetado profissionalmente pode ser benéfico para suas metas de investimento. Nós não somos consultores de negociação de commodities registrados e, portanto, não controlamos diretamente contas de clientes e ndash; no entanto, negociamos ambos os sistemas de negociação com nosso próprio capital, utilizando um dos corretores de execução de negociação automatizada.
Exemplo de negociação algorítmica.
Estratégia de negociação de futuros: o pacote Swing Trader.
Este pacote utiliza nossos algoritmos de melhor desempenho desde o início. Visite a página do negociante de swing para ver os preços, as estatísticas de comércio, a lista de comércio completo e muito mais. Este pacote é ideal para o cético que deseja negociar um sistema robusto que tenha se saído bem em negociações cegas para fora e para fora da amostra. Cansado de modelos otimistas back-testados que nunca parecem funcionar quando comercializados ao vivo? Em caso afirmativo, considere este sistema comercial de caixa preta. Este é o nosso algoritmo de negociação mais popular para venda.
Detalhes no Swing Trader System.
Futuros & amp; Estratégia de negociação de opções: o pacote S & amp; P Crusher v2.
Este pacote utiliza sete estratégias de negociação na tentativa de diversificar melhor sua conta. Este pacote utiliza comércios de swing, day trades, condutores de ferro e chamadas cobertas para tirar proveito de várias condições de mercado. Este pacote é negociado em unidades de tamanho de US $ 30.000 e foi lançado ao público em outubro de 2016. Visite a página do produto S & P Crusher para ver os resultados do back-test com base nos relatórios de comercialização.
Detalhes no triturador S & P.
Cobrindo os fundamentos do design do sistema de negociação automatizado.
Múltiplos Sistemas de Negociação Algorítmica Disponíveis.
Escolha de um dos nossos sistemas de negociação & ndash; O Swing Trader ou o S & amp; P Crusher. Cada página mostra a lista de comércio completo, incluindo otimização de postagem, resultados avançados. Esses sistemas de negociação informatizados de caixa preta são totalmente automatizados para gerar alfa ao tentar minimizar o risco.
Algoritmos de negociação múltipla trabalhando juntos.
Nossa metodologia de negociação quântica nos emprega várias estratégias de negociação de algoritmos para diversificar melhor sua conta de negociação automática. Saiba mais visitando nossa página de metodologia de design de estratégias de negociação.
Trades During Bear & amp; Bull Markets.
Em nossa opinião, a chave para o desenvolvimento de um sistema de negociação algorítmico que realmente funciona, é dar conta de múltiplas condições de mercado. A qualquer momento, o mercado poderia passar de um touro para um mercado em baixa. Ao assumir uma posição agnóstica de direção do mercado, estamos tentando superar em Bull e amp; Condições do mercado de urso.
Sistemas de negociação totalmente automatizados.
Você pode negociar automaticamente nosso software algorítmico usando um corretor de auto-execução (com os melhores esforços). Temos vários corretores para você escolher. Remova decisões emocionais baseadas em sua negociação usando nosso sistema de negociação automatizado.
O Algorithmic Trading funciona?
Acompanhe o progresso diário de nossos algoritmos de negociação quantitativos com o aplicativo intermediário OEC. Você também receberá declarações diárias da firma de compensação registrada da NFA. Você pode comparar cada uma das suas negociações com a lista comercial que publicamos no final de cada dia. Os exemplos completos de negociação algorítmica são publicados para todos verem. A lista de comércio completo pode ser vista visitando a página de negociação algorítmica para o sistema que você está negociando. Quer ver algumas declarações de contas ativas? Visite os retornos ao vivo & amp; página de declarações.
Múltiplas Estratégias de Negociação Quant.
Nossos sistemas de negociação quantitativos têm diferentes expectativas com base nos algoritmos preditivos empregados. Nossos Sistemas Automatizados de Negociação colocam negociações swing, day trade, condors de ferro e amp; chamadas cobertas. Essas estratégias 100% Quant são baseadas puramente em indicadores técnicos e algoritmos de reconhecimento de padrões.
Nosso software de negociação automatizado ajuda a remover suas emoções da negociação.
Algoritmos de negociação múltiplos são negociados como parte de um maior sistema de negociação algorítmica.
Cada estratégia de negociação algorítmica oferecida possui vários pontos fortes e fracos. Seus pontos fortes e fracos são identificados com base em três estados de mercado potenciais: Strong Up, Sideways & amp; Down movendo mercados. A estratégia de negociação de condores de ferro supera os mercados em movimento lateral e ascendente, enquanto o algoritmo das notas de tesouro se sobressai nos mercados em baixa. Com base no backtesting, espera-se que o algoritmo de momentum tenha um bom desempenho durante os mercados em ascensão. Confira a seguinte coleção de vídeos, onde cada algoritmo de negociação oferecido é revisado por nosso desenvolvedor líder. Os pontos fortes de cada troco comercial são revisados juntamente com os fracos daqueles.
Diversos tipos de estratégias de negociação são usados em nosso software de negociação automatizado.
Comissões do dia são inseridas & amp; saiu no mesmo dia, enquanto as negociações de giro terão um longo prazo de negociação com base nas expectativas para o S & amp; P 500 a tendência de maior ou menor no prazo intermédio. As negociações de opções são colocadas nas opções S & P 500 Weekly em futuros, geralmente entrando em uma segunda-feira e mantendo até a expiração de sexta-feira.
Estratégias de negociação Swing.
As seguintes Estratégias de Negociação Swing colocam negociações de swing direcional no S & amp; P 500 Emini Futures (ES) e no Ten Year Note (TY). Eles são usados em ambos os sistemas de negociação automatizados que oferecemos para aproveitar as tendências de longo prazo que nossos algoritmos de predição de mercado estão esperando.
Futures Swing Trading Strategy # 1: Momentum Swing Trading Algorithm.
A Momentum Swing Trading Strategy coloca os negócios do swing no Emini S & amp; P Futures, aproveitando as condições de mercado que sugerem um movimento de prazo intermediário mais alto. Este algoritmo de negociação é usado em ambos os nossos sistemas de negociação automatizados: O S & amp; P Crusher v2 & amp; O comerciante do balanço.
Futures Swing Trading Strategy # 2: Algoritmo de dez anos de Tesouro.
A Estratégia de Negociação do Tesouro (TY) coloca negociações de swing na Nota de dez anos (TY). Uma vez que o TY normalmente se move inverso para os mercados mais amplos, esta estratégia cria um comércio de swing que é semelhante ao curto-circuito do S & amp; P 500. Este T-Note algo tem expectativas positivas para condições de mercado em baixa. Este algoritmo de negociação é usado em ambos os nossos sistemas de negociação automatizados: O S & amp; P Crusher v2 & amp; O comerciante do balanço.
Estratégias de negociação diária.
As estratégias de negociação do dia seguinte colocam o day trade no S & amp; P 500 Emini Futures (ES). Eles quase sempre entram em negociações durante os primeiros 20 minutos após a abertura dos mercados de ações e saem antes do fechamento dos mercados. Paradas apertadas são utilizadas em todos os momentos.
Estratégia de Negociação do Dia de Futuros # 1: Algoritmo de Negociação de Dia.
A Estratégia de Negociação de Curto Prazo coloca negociações diárias no Emini S & amp; P Futures quando o mercado mostra fraqueza pela manhã (prefere uma grande diferença). Esta estratégia de negociação é utilizada no sistema de negociação automatizado S & amp; P Crusher v2.
Estratégia de Negociação de Dia de Futuro # 2: Algoritmo de Negociação de Dia de Breakout.
A Breakout Day Trading Strategy coloca o day trade no Emini-S & P Futures quando o mercado mostra força pela manhã. Esta estratégia de negociação de futuros é utilizada no sistema de negociação automatizado S & amp; P Crusher v2.
Futures Day Trading Strategy # 3: Morning Gap Day Trading Algorithm.
A Estratégia de Negociação do Morning Gap Day coloca transações de dia curtas nos Emini S & amp; P Futures quando o mercado tem uma grande lacuna, seguido por um curto período de fraqueza. Esta estratégia de negociação é utilizada no sistema de negociação automatizado S & amp; P Crusher v2.
Estratégias de negociação de opções.
As seguintes estratégias de negociação de opções coletam premium nas opções semanais S & amp; P 500 Emini (ES). Eles são usados em nosso S & amp; P Crusher v2, a fim de aproveitar as vantagens de lateralmente, para baixo & amp; up moving market conditions. Um benefício para as opções de negociação com nossas estratégias de negociação algorítmica é que elas são suportadas em um ambiente de negociação automatizado usando um dos corretores de execução automática.
Opções Trading Strategy # 1: Algoritmo de Condor Iron Condor.
A Estratégia de Negociação de Opções de Condor de Ferro é perfeita para o indivíduo que quer uma taxa de vitoria comercial mais vendida por devolução ou que simplesmente quer receber prémio no S & amp; P 500 Emini Futures vendendo Iron Condors. Quando nossos algoritmos esperam uma condição de mercado de derivação lateral ou ascendente, esse sistema criará uma operação de Condor de Ferro. Esta estratégia é usada em um dos nossos Sistemas Automatizados de Negociação: The S & amp; P Crusher v2.
Estratégia de Negociação de Opções # 2: Algoritmo de Opções de Chamadas Cobertas.
A Estratégia de Negociação de Opções de Chamada Coberta se vende de chamadas cobertas de dinheiro contra os algoritmos de momentum Long ES swing trades, para coletar premium e ajudar a minimizar as perdas se o mercado se mover contra nossa posição de algoritmo de momentum. Quando negociado com o Momentum Swing Trading Algorithm - como é o caso no S & amp; P Crusher & amp; amp; ES / TY Futures Trading Systems, isso cria uma posição de compra coberta. Quando negociados no Sistema de Negociação Bearish Trader, as chamadas são vendidas sem cobertura e, portanto, estão a descoberto. Em ambos os casos, & ndash; como um suporte ao longo do algoritmo & ndash; Ele funciona bem em condições de mercado de lado e para baixo. Esta estratégia é usada em um dos nossos Sistemas Automatizados de Negociação: The S & amp; P Crusher v2.
Embora cada uma dessas estratégias de negociação possa ser negociada isoladamente, elas são negociadas melhor em uma coleção mais ampla de algoritmos de negociação & ndash; como visto em um dos nossos sistemas automatizados de negociação, como o The Swing Trader.
Algoritmos de negociação que realmente funcionam?
Essa série de vídeos de negociação algorítmica é feita para que nossos clientes possam ver os detalhes de cada negociação semanalmente. Assista a cada um dos seguintes vídeos de negociação algorítmica para ver em tempo real o desempenho de nossos algoritmos de negociação. Sinta-se à vontade para visitar nossos Críticas de AlgorithmicTrading & amp; Página de imprensa para ver o que os outros estão falando sobre nós.
Inscrição na newsletter.
Obtenha atualizações de desempenho da AlgorithmicTrading juntando-se a nossa newsletter.
O que separa o comércio algorítmico de outras técnicas técnicas de negociação?
Nos dias de hoje, parece que todo mundo tem uma opinião sobre as técnicas de negociação técnica. Head & amp; Padrões de ombros, MACD Bullish Crosses, VWAP Divergences, a lista continua. Nesses vídeos, nosso engenheiro líder de projeto analisa alguns exemplos de estratégias de negociação encontradas on-line. Ele toma suas Dicas de negociação, codifica e executa um teste de back-back simples para ver o quão eficaz eles realmente são. Depois de analisar seus resultados iniciais, ele otimiza o código para ver se uma abordagem quantitativa à negociação pode melhorar as descobertas iniciais. Se você é novo na negociação algorítmica, esses blogs de vídeo serão bastante interessantes. Nosso designer utiliza máquinas de estado finito para codificar essas dicas básicas de negociação. Como o Algorithmic Trading é diferente do comércio técnico tradicional? Simplificando, Algorithmic Trading requer precisão e fornece uma janela para um potencial de algoritmos baseado em back-testing que possui limitações.
Procurando por Tutorial de Negociação Algorítmica Gratuita e amp; Como fazer vídeos?
Assista múltiplas apresentações de vídeo educacional por nosso designer principal em negociação algorítmica para incluir um vídeo que cobre nossa Metodologia de Design de Quant Trading e um Tutorial de Negociação Algorítmica. Esses vídeos de estratégia comercial fornecem exemplos de codificação de algoritmos de negociação e apresentamos a nossa abordagem de negociação de mercados usando análise quantitativa. Nesses vídeos, você verá muitas razões pelas quais a negociação automática está decolando para incluir ajudar a remover suas emoções da negociação. Visite nossa página de Vídeos de Comércio Educacional para ver uma lista completa de mídia educacional.
Comece a usar um dos nossos sistemas de negociação automatizada hoje.
Don & rsquo; T saudades. Junte-se aos que já estão negociando com AlgorithmicTrading. Comece hoje com um dos nossos pacotes de negociação algorítmica.
Várias opções de execução automática de comércio estão disponíveis.
Nossos algoritmos de negociação podem ser executados automaticamente usando um dos corretores de execução automática registrados pela NFA (com os melhores esforços) ou podem ser negociados em seu próprio PC usando MultiCharts ou Tradestation.
O FOX Group é uma empresa de corretagem independente que se encontra no icônico edifício da Câmara de Comércio de Chicago, no coração do distrito financeiro da cidade. Eles são registrados no NFA e são capazes de executar nossos algoritmos automaticamente com os melhores esforços.
Os corretores interativos são corretores registrados pela NFA que podem executar nossos algoritmos automaticamente com os melhores esforços. Além disso, eles suportam clientes canadenses.
Se você preferir executar os algoritmos em seu próprio PC, o MultiCharts é a plataforma preferida de software de negociação para execução automática. Oferece benefícios consideráveis aos comerciantes e oferece vantagens significativas em relação às plataformas concorrentes. Ele vem com gráficos de alta definição, suporte a mais de 20 feeds de dados e mais de 10 corretores, backtesting dinâmico de estratégia em nível de portfólio, suporte a EasyLanguage, relatórios interativos de desempenho, otimização genética, scanner de mercado e replay de dados.
A TradeStation é mais conhecida pelo software de análise e pela plataforma de negociação eletrônica que oferece ao operador ativo e a determinados mercados de traders institucionais que permitem que os clientes projetem, testem, otimizem, monitorem e automatizem suas próprias ações, opções e opções personalizadas. estratégias de negociação de futuros. Tradestation é outra opção para pessoas que desejam negociar automaticamente nossos algoritmos em seu próprio PC.
Guia para iniciantes em negociação quantitativa.
Guia para iniciantes em negociação quantitativa.
Neste artigo, vou apresentá-lo a alguns dos conceitos básicos que acompanham um sistema de negociação quantitativa de ponta a ponta. Espera-se que este post atenda a dois públicos-alvo. O primeiro será indivíduos tentando obter um emprego em um fundo como um comerciante quantitativo. A segunda será pessoas que desejam tentar montar seu próprio negócio de comércio algorítmico "de varejo".
A negociação quantitativa é uma área extremamente sofisticada de finanças quânticas. Pode levar uma quantidade significativa de tempo para obter o conhecimento necessário para passar uma entrevista ou construir suas próprias estratégias de negociação. Não só isso, mas exige uma ampla experiência em programação, pelo menos em uma linguagem como MATLAB, R ou Python. No entanto, à medida que a frequência comercial da estratégia aumenta, os aspectos tecnológicos tornam-se muito mais relevantes. Assim, ser familiar com C / C ++ será de suma importância.
Um sistema de comércio quantitativo consiste em quatro componentes principais:
Identificação Estratégica - Encontrando uma estratégia, explorando uma vantagem e decidindo sobre a frequência de negociação Backtesting da estratégia - Obtendo dados, analisando o desempenho da estratégia e removendo vieses Sistema de Execução - Vinculando a uma corretora, automatizando a negociação e minimizando custos de transação tamanho da aposta "/ critério Kelly e psicologia comercial.
Começaremos dando uma olhada em como identificar uma estratégia de negociação.
Identificação de Estratégia.
Todos os processos de negociação quantitativos começam com um período inicial de pesquisa. Este processo de pesquisa engloba encontrar uma estratégia, verificando se a estratégia se encaixa em um portfólio de outras estratégias que você pode estar executando, obtendo quaisquer dados necessários para testar a estratégia e tentando otimizar a estratégia para retornos mais altos e / ou menor risco. Você precisará avaliar seus próprios requisitos de capital se estiver executando a estratégia como um comerciante "varejista" e como qualquer custo de transação afetará a estratégia.
Ao contrário da crença popular, é bastante simples encontrar estratégias lucrativas por meio de várias fontes públicas. Os acadêmicos publicam periodicamente resultados teóricos de negociação (embora na maioria dos custos brutos de transação). Os blogs de finanças quantitativas discutirão estratégias em detalhes. As revistas comerciais descreverão algumas das estratégias empregadas pelos fundos.
Você pode questionar por que indivíduos e empresas estão interessados em discutir suas estratégias rentáveis, especialmente quando sabem que outros "aglomerando o comércio" podem impedir a estratégia de trabalhar no longo prazo. A razão está no fato de que eles geralmente não discutem os parâmetros exatos e os métodos de ajuste que eles realizaram. Essas otimizações são a chave para transformar uma estratégia relativamente medíocre em uma altamente rentável. Na verdade, uma das melhores maneiras de criar suas próprias estratégias únicas é encontrar métodos semelhantes e, em seguida, realizar seu próprio procedimento de otimização.
Aqui está uma pequena lista de lugares para começar a procurar idéias de estratégia:
Muitas das estratégias que você olhará cairão nas categorias de reversão média e tendência / impulso. Uma estratégia de reversão à média é aquela que tenta explorar o fato de que existe uma média de longo prazo em uma "série de preços" (como o spread entre dois ativos correlatos) e que os desvios de curto prazo dessa média acabarão sendo revertidos. Uma estratégia de momentum tenta explorar tanto a psicologia do investidor quanto a grande estrutura de fundos, "pegando carona" em uma tendência de mercado, que pode ganhar impulso em uma direção e seguir a tendência até que ela se reverta.
Outro aspecto extremamente importante da negociação quantitativa é a freqüência da estratégia de negociação. A negociação de baixa freqüência (LFT) geralmente se refere a qualquer estratégia que detenha ativos por mais tempo do que um dia de negociação. Correspondentemente, a negociação de alta frequência (HFT) geralmente se refere a uma estratégia que mantém ativos intraday. Ultra-high frequency trading (UHFT) refere-se a estratégias que possuem ativos na ordem de segundos e milissegundos. Como profissionais de varejo, HFT e UHFT certamente são possíveis, mas apenas com conhecimento detalhado da "pilha de tecnologia" e da dinâmica do livro de pedidos. Não vamos discutir esses aspectos em grande medida neste artigo introdutório.
Uma vez que uma estratégia, ou conjunto de estratégias, foi identificado, agora precisa ser testado quanto à lucratividade em dados históricos. Esse é o domínio do backtesting.
Teste de estratégia.
O objetivo do backtesting é fornecer evidências de que a estratégia identificada por meio do processo acima é lucrativa quando aplicada a dados históricos e fora da amostra. Isso define a expectativa de como a estratégia será realizada no "mundo real". No entanto, backtesting não é garantia de sucesso, por várias razões. É talvez a área mais sutil do comércio quantitativo, uma vez que implica inúmeros vieses, que devem ser cuidadosamente considerados e eliminados, tanto quanto possível. Discutiremos os tipos comuns de viés, incluindo viés avançado, viés de sobrevivência e viés de otimização (também conhecido como viés de dados). Outras áreas de importância dentro do backtesting incluem a disponibilidade e a limpeza de dados históricos, levando em consideração custos de transação realistas e decidindo sobre uma plataforma robusta de backtesting. Discutiremos os custos de transação ainda mais na seção Sistemas de Execução abaixo.
Uma vez que uma estratégia tenha sido identificada, é necessário obter os dados históricos através dos quais realizar testes e, talvez, refinamento. Há um número significativo de fornecedores de dados em todas as classes de ativos. Seus custos geralmente variam de acordo com a qualidade, profundidade e pontualidade dos dados. O ponto de partida tradicional para os comerciantes quantos iniciais (pelo menos no nível de varejo) é usar o conjunto de dados gratuitos da Yahoo Finance. Não vou me debruçar muito sobre fornecedores aqui, em vez disso, gostaria de me concentrar nas questões gerais ao lidar com conjuntos de dados históricos.
As principais preocupações com dados históricos incluem precisão / limpeza, viés de sobrevivência e ajuste para ações corporativas, como dividendos e divisões de ações:
Precisão pertence à qualidade geral dos dados - se contém algum erro. Os erros às vezes podem ser fáceis de identificar, como, por exemplo, com um filtro de espiga, que irá escolher "picos" incorretos em dados da série temporal e corrigi-los. Em outras ocasiões, podem ser muito difíceis de detectar. Muitas vezes é necessário ter dois ou mais provedores e, em seguida, verificar todos os seus dados uns contra os outros. O viés de sobrevivência geralmente é uma "característica" de conjuntos de dados gratuitos ou baratos. Um conjunto de dados com viés de sobrevivência significa que ele não contém ativos que não estão mais negociados. No caso de ações, isso significa ações excluídas / falidas. Este viés significa que qualquer estratégia de negociação de ações testada em tal conjunto de dados provavelmente funcionará melhor do que no "mundo real", já que os "vencedores" históricos já foram pré-selecionados. As ações corporativas incluem atividades "logísticas" realizadas pela empresa que geralmente causam uma mudança de função gradual no preço bruto, que não deve ser incluído no cálculo dos retornos do preço. Ajustes para dividendos e desdobramentos são os culpados comuns. Um processo conhecido como ajuste de volta é necessário para ser realizado em cada uma dessas ações. É preciso ter muito cuidado para não confundir um estoque de divisão com um verdadeiro ajuste de retorno. Muitos comerciantes foram pegos por uma ação corporativa!
Para realizar um procedimento de backtest, é necessário usar uma plataforma de software. Você tem a escolha entre softwares backtest dedicados, como o Tradestation, uma plataforma numérica como o Excel ou o MATLAB ou uma implementação personalizada completa em uma linguagem de programação como Python ou C ++. Não vou demorar muito na Tradestation (ou similar), no Excel ou no MATLAB, pois acredito na criação de uma pilha de tecnologia interna completa (por razões descritas abaixo). Um dos benefícios de o fazer é que o software de backtest e o sistema de execução podem ser bem integrados, mesmo com estratégias estatísticas extremamente avançadas. Para as estratégias HFT em particular, é essencial usar uma implementação personalizada.
Quando testar um sistema, é preciso quantificar o desempenho. As métricas "padrão do setor" para estratégias quantitativas são o rebaixamento máximo e o Índice de Sharpe. A retirada máxima caracteriza a maior queda de pico a calha na curva de equidade da conta em um determinado período de tempo (geralmente anual). Isso geralmente é citado como uma porcentagem. As estratégias de LFT tendem a ter maiores disparidades do que as estratégias de HFT, devido a uma série de fatores estatísticos. Um backtest histórico mostrará o último drawdown máximo, que é um bom guia para o futuro desempenho de drawdown da estratégia. A segunda medida é a Ratia de Sharpe, que é definida heuristicamente como a média dos retornos em excesso divididos pelo desvio padrão desses retornos em excesso. Aqui, os retornos excedentes referem-se ao retorno da estratégia acima de um benchmark pré-determinado, como o S & P500 ou um Tesouro de 3 meses. Observe que o retorno anualizado não é uma medida usualmente utilizada, pois não leva em consideração a volatilidade da estratégia (ao contrário do Ratio Sharpe).
Uma vez que uma estratégia tenha sido backtested e seja considerada livre de preconceitos (na medida em que isso é possível!), Com um bom Sharpe e rebaixamentos minimizados, é hora de construir um sistema de execução.
Sistemas de Execução.
Um sistema de execução é o meio pelo qual a lista de negócios gerados pela estratégia é enviada e executada pelo corretor. Apesar do fato de que a geração de comércio pode ser semi - ou mesmo totalmente automatizada, o mecanismo de execução pode ser manual, semi-manual (ou seja, "um clique") ou totalmente automatizado. Para estratégias LFT, as técnicas manuais e semi-manuais são comuns. Para as estratégias HFT, é necessário criar um mecanismo de execução totalmente automatizado, que muitas vezes será estreitamente acoplado ao gerador comercial (devido à interdependência da estratégia e da tecnologia).
As principais considerações ao criar um sistema de execução são a interface com a corretora, a minimização dos custos de transação (incluindo comissão, derrapagem e spread) e a divergência de desempenho do sistema ao vivo do desempenho do backtested.
Existem muitas maneiras de se conectar a uma corretora. Eles variam de chamar seu corretor no telefone diretamente para uma interface de programação de aplicativos (API) de alto desempenho totalmente automatizada. O ideal é que você queira automatizar a execução de suas negociações o máximo possível. Isso libera você para se concentrar em mais pesquisas, bem como permitir que você execute várias estratégias ou mesmo estratégias de maior frequência (na verdade, HFT é essencialmente impossível sem execução automatizada). O software comum de backtesting descrito acima, como MATLAB, Excel e Tradestation, é bom para estratégias mais simples e de menor frequência. No entanto, será necessário construir um sistema de execução interno escrito em uma linguagem de alto desempenho, como C ++, para fazer qualquer HFT real. Como uma anedota, no fundo em que eu costumava trabalhar, tínhamos um "loop de negociação" de 10 minutos, onde baixávamos novos dados de mercado a cada 10 minutos e depois executávamos negociações com base nessas informações no mesmo período de tempo. Isso estava usando um script Python otimizado. Para qualquer coisa que se aproxime de dados de frequência de minutos ou segundos, acredito que C / C ++ seria mais ideal.
Em um fundo maior, muitas vezes não é o domínio do comerciante quant para otimizar a execução. No entanto, em lojas menores ou empresas HFT, os comerciantes são os executores e, portanto, um conjunto de habilidades muito mais amplo é muitas vezes desejável. Tenha em mente se você deseja ser empregado por um fundo. Suas habilidades de programação serão tão importantes, se não mais, do que suas estatísticas e talentos econométricos!
Outra questão importante que se enquadra na bandeira de execução é a redução de custos de transações. Geralmente, existem três componentes para os custos de transação: Comissões (ou impostos), que são as taxas cobradas pela corretora, a troca e a SEC (ou órgão regulador governamental similar); deslizamento, qual é a diferença entre o que você pretendia que seu pedido fosse preenchido em relação ao que estava preenchido; spread, que é a diferença entre o preço de oferta / oferta da garantia negociada. Observe que o spread NÃO é constante e depende da liquidez atual (isto é, disponibilidade de ordens de compra / venda) no mercado.
Os custos de transação podem fazer a diferença entre uma estratégia extremamente lucrativa com um bom índice de Sharpe e uma estratégia extremamente não lucrativa com um índice de Sharpe terrível. Pode ser um desafio prever corretamente os custos de transação de um backtest. Dependendo da frequência da estratégia, você precisará acessar os dados históricos do câmbio, que incluirão dados de ticks para preços de compra / venda. Equipes inteiras de quantos são dedicadas à otimização da execução nos fundos maiores, por esses motivos. Considere o cenário em que um fundo precisa descarregar uma quantidade substancial de negociações (das quais as razões para isso são muitas e variadas!). Ao "despejar" tantas ações no mercado, elas comprimirão rapidamente o preço e não poderão obter uma execução ótima. Daí, os algoritmos que os pedidos de "gotejamento de alimentação" no mercado existem, embora o fundo corra o risco de derrapagem. Além disso, outras estratégias "presas" sobre essas necessidades e podem explorar as ineficiências. Este é o domínio da arbitragem da estrutura do fundo.
A questão principal final para os sistemas de execução diz respeito à divergência de desempenho da estratégia com o desempenho testado. Isso pode acontecer por vários motivos. Já analisamos o viés de look-ahead e o viés de otimização em profundidade, ao considerar os backtests. No entanto, algumas estratégias não facilitam o teste desses vieses antes da implantação. Isso ocorre em HFT mais predominantemente. Pode haver bugs no sistema de execução, bem como a própria estratégia de negociação que não aparece em um backtest, mas aparece no live trading. O mercado pode estar sujeito a uma mudança de regime posterior à implantação de sua estratégia. Novos ambientes regulatórios, mudanças no sentimento dos investidores e fenômenos macroeconômicos podem levar a divergências quanto ao comportamento do mercado e, assim, a rentabilidade da sua estratégia.
Gerenciamento de riscos.
A peça final para o enigma de negociação quantitativa é o processo de gerenciamento de riscos. "Risco" inclui todos os vieses anteriores que discutimos. Isso inclui risco de tecnologia, como servidores co-localizados na central de repente desenvolvendo um mau funcionamento do disco rígido. Isso inclui risco de corretagem, como o corretor estar falido (não tão louco quanto parece, dado o recente susto com a MF Global!). Em suma, abrange quase tudo o que poderia interferir com a implementação comercial, dos quais existem muitas fontes. Livros inteiros são dedicados ao gerenciamento de risco para estratégias quantitativas, então eu não tentarei elucidar todas as possíveis fontes de risco aqui.
A gestão de risco também abrange o que é conhecido como alocação de capital ideal, que é um ramo da teoria de portfólio. Este é o meio pelo qual o capital é alocado para um conjunto de estratégias diferentes e para os negócios dentro dessas estratégias. É uma área complexa e depende de algumas matemáticas não triviais. O padrão da indústria pelo qual a alocação ótima de capital e a alavancagem das estratégias estão relacionadas é chamado de critério de Kelly. Como este é um artigo introdutório, não vou me alongar em seu cálculo. O critério de Kelly faz alguns pressupostos sobre a natureza estatística dos retornos, que geralmente não são válidos nos mercados financeiros, então os comerciantes são geralmente conservadores quando se trata da implementação.
Outro componente fundamental do gerenciamento de riscos é lidar com o próprio perfil psicológico. Existem muitos vieses cognitivos que podem surgir na negociação. Embora isso seja certamente menos problemático com o comércio algorítmico se a estratégia for deixada sozinha! Um viés comum é o da aversão à perda, em que uma posição perdedora não será fechada devido à dor de ter que perceber uma perda. Da mesma forma, os lucros podem ser tomados muito cedo porque o medo de perder um lucro já ganho pode ser muito grande. Outro viés comum é conhecido como viés de recência. Isso se manifesta quando os comerciantes colocam muita ênfase nos eventos recentes e não no longo prazo. Então, é claro, há o par clássico de viés emocional - medo e ganância. Estes podem, muitas vezes, levar a alavancagem insuficiente ou excessiva, o que pode causar explosão (ou seja, o patrimônio da conta em zero ou pior!) Ou lucros reduzidos.
Como pode ser visto, o comércio quantitativo é uma área extremamente complexa, embora muito interessante, de financiamento quantitativo. Eu literalmente arranhei a superfície do tópico neste artigo e já está ficando bastante longo! Livros e papéis inteiros foram escritos sobre questões que eu apenas dediquei uma ou duas sentenças. Por essa razão, antes de se candidatar a empregos quantitativos em bolsa de fundos, é necessário realizar uma quantidade significativa de estudo de base. No mínimo, você precisará de um extenso conhecimento em estatística e econometria, com muita experiência em implementação, por meio de uma linguagem de programação como MATLAB, Python ou R. Para estratégias mais sofisticadas no final de frequência mais alta, seu conjunto de habilidades é provável para incluir modificação do kernel do Linux, C / C ++, programação de montagem e otimização de latência da rede.
Se você estiver interessado em tentar criar suas próprias estratégias de negociação algorítmica, minha primeira sugestão seria se programar bem. A minha preferência é criar o máximo de captura de dados, backtester de estratégia e sistema de execução por si mesmo possível. Se o seu próprio capital estiver na linha, você não dormiria melhor à noite sabendo que você testou completamente seu sistema e está ciente de suas armadilhas e problemas específicos? Terceirizar isso para um fornecedor, enquanto potencialmente economiza tempo a curto prazo, pode ser extremamente caro a longo prazo.
A Quantcademy.
Junte-se ao portal de adesão da Quantcademy que atende à comunidade de comerciantes de varejo de varejo em rápido crescimento e saiba como aumentar a rentabilidade da sua estratégia.
Negociação Algorítmica Bem Sucedida.
Como encontrar novas ideias de estratégia de negociação e avaliá-las objetivamente para seu portfólio usando um mecanismo de backtesting personalizado em Python.
Negociação Algorítmica Avançada.
Como implementar estratégias de negociação avançadas usando análise de séries temporais, aprendizado de máquinas e estatísticas bayesianas com R e Python.
Tarefa Algorítmica de Negociação em R.
Nesta publicação, vou mostrar como usar R para coletar os estoques listados em leais3, obter dados históricos do Yahoo e depois executar uma estratégia de negociação algorítmica simples. Ao longo do caminho, você aprenderá alguma raspagem na web, uma função atingindo uma API de finanças e um htmlwidget para fazer um gráfico de séries de tempo interativo.
Para esta publicação, um algoritmo de negociação é definido como um conjunto de regras que desencadeiam um evento de compra ou venda, em vez de um modelo preditivo ou uma previsão de séries temporais. Esse é o tipo mais simples de algoritmo de negociação, mas se você estiver interessado em se aprofundar nas finanças com R, eu o encorajaria a seguir o curso da DataCamp na modelagem de uma estratégia de negociação quantitativa em R.
Fundo.
Em 2015, comecei a investir um pouco em loyal3. O seu serviço é incomum e um ótimo lugar para iniciar sua jornada de investimento. Em vez de cobrar ao investidor por negociações, leal3 cobra as empresas para listar em sua plataforma. A premissa é que as pessoas que gostam do serviço de uma empresa também compram a ação e, ao fazê-lo, tornam-se fortes defensores da marca. Fazer a plataforma mais atraente é que você pode comprar partes fracionárias. Então, você pode entrar nesse estoque de $ 800 amazon por apenas US $ 10 e comprar outra fração de US $ 10 cada vez que você tiver um pouco de dinheiro extra no final do mês. Claro que há custos de fricção, uma vez que você precisa negociar no Windows e seu portfólio inteiro está limitado.
70 ações, mas leais3 representa uma maneira divertida e de baixo custo para explorar o treinamento de capital. Você pode colocar a pele real no jogo por apenas US $ 10!
Para ser claro, eu tenho as contas típicas de aposentadoria e investimento, mas gosto da interface limpa do loyal3 no aplicativo e da falta de taxas. Eu acabo checando minha carteira de lealdade e diversão mais frequentemente do que meus fundos mútuos, simplesmente porque é fácil e divertida ver o desempenho dos estoques que escolhi diretamente.
Os estoques disponíveis em loyal3.
Configurando seu espaço de trabalho.
Para começar, carregue as bibliotecas no seu ambiente. Eu quase sempre uso rvest for web scraping estes dias. Existem outros pacotes que funcionam, incluindo o RSelenium, mas eu gosto do quão fácil pode ser executado.
O segundo pacote, pbapply, é opcional porque simplesmente adiciona uma barra de progresso às funções de aplicação. Como você poderia estar raspando centenas de páginas da web, uma barra de progresso pode ser útil para estimar o tempo.
Em seguida, a TTR é um pacote que acabei de começar a explorar. A biblioteca é usada para construir “Regras de negociação técnica”. Embora você aprenda um simples algoritmo de negociação neste post, o pacote TTR pode realizar cálculos mais sofisticados e vale a pena aprender.
A biblioteca dygraphs é um invólucro para uma biblioteca de gráficos de JavaScript rápida e aberta. É um dos htmlwidgets que torna o R mais dinâmico e faz parte de um arquivo html em vez de uma imagem estática. Por fim, o pacote lubridate é usado para facilitar a manipulação da data.
Coleção de dados.
Todos os estoques loyal3 estão todos listados em uma única página. Antes de pesquisar os preços diários individuais das ações para construir seu algoritmo de negociação, você precisa coletar todos os tickers disponíveis. A primeira coisa a fazer é declarar stock. list como uma string de URL. O próximo uso read_html () para que sua sessão R crie uma sessão na Internet e colete todas as informações html na página como um conjunto de nós XML. A página CSS tem um ID chamado “pany-name”. Use isso como um parâmetro ao chamar html_nodes () para selecionar apenas os dados XML associados a este nó. Por fim, use html_text () para que os valores de texto reais dos nomes das empresas sejam coletados.
Para examinar os estoques disponíveis em loyal3, você pode imprimir o objeto stocks. names no seu console. Isso retorna o nome da empresa como um vetor de texto.
Para pesquisar os preços das ações, você precisa primeiro obter o símbolo do ticker. Quando você está no site leal3, você pode clicar no tile da empresa para carregar uma página com um símbolo de ticker e outras informações da empresa.
Usando html_nodes () nos estoques, você puxa todos os nós marcados com um “a”. Em HTML, o & lt; a & gt; tag define um hiperlink que é usado para vincular a página de um formulário a outro. Na tag de hiperlink, o "href" refere-se ao endereço exato da URL. Então html_attr () irá extrair o URL para TODOS os links da página se você passar em “href”.
Depois de fazer uma inspeção manual, achei que os links 54 a 123 na página representam as páginas da empresa que eu preciso para raspar as informações do ticker. A última linha usa paste0 () para concatenar a sequência do URL base "loyal3" às páginas específicas da empresa, como "/ WALMART". Por exemplo, loyal3 / WALMART:
Em cada uma das páginas da empresa, há uma descrição, um preço de fechamento recente e o ticker. Todas as páginas da empresa são organizadas o mesmo, de modo que a função personalizada get. ticker () pode ser usada para extrair o símbolo do ticker.
Dentro da página da empresa, há uma tabela chamada "ticker-price". A função irá navegar para uma página da empresa, identificar a tabela apropriada, extrair o texto com html_text (). Por fim, usando sub () juntamente com a expressão regular ^ ([[: alpha:]] *). * E \\ 1 manterão todos os caracteres alfabéticos. O resultado é que todos os caracteres especiais, como $, e quaisquer caracteres numéricos, como o preço de fechamento, são removidos. Como a função lê cada uma das 70 páginas, ela somente coletará o ticker de estoque.
A página de estoque loyal3 para o Alibaba, onde você vê a tabela que contém o ticker do estoque, BABA, está abaixo do texto em negrito.
Armado com sua função personalizada, use o pblapply () para aplicá-la a cada um dos materiais. links que contêm a página de cada empresa. O objeto resultante, stock. tickers, é uma lista de tickers de ações individuais com cada elemento correspondente a uma empresa individual.
Uma maneira de alterar uma lista de elementos em um objeto plano é com do. call (). Aqui, você está aplicando rbind para row bind cada elemento de lista em um único vetor. Por fim, você cria um quadro de dados com o símbolo e a informação do nome da empresa.
Para ser consistente em sua análise, você pode querer limitar a quantidade de informações históricas coletadas em cada ação. A função Sys. Data () armazenará um objeto de data como ano, mês e dia. Usar anos com um número inteiro é uma maneira de subtrair uma quantidade de tempo específica do objeto start. date.
Para obter os dados de finanças do Yahoo, o objeto de data deve ser alterado para objetos de caractere simples sem traço. Usando a função de substituição global gsub () em start. date e end. date mudará a classe e simultaneamente removerá traços. Dentro de gsub (), passe o padrão de personagem para procurar, então os caracteres de substituição. Neste caso, o padrão de substituição é um caractere vazio entre citações. O último parâmetro é o objeto ao qual gsub () será aplicado.
A função TTR () getYahooData () aceita um símbolo de estoque e uma data inicial e final. A função retorna um quadro de dados que possui informações de séries temporais. Cada linha é uma data e as colunas contêm informações como o preço “Aberto”, “Alto”, “Baixo” e “Fechamento” para um patrimônio. Como você está pesquisando várias empresas, você pode usar o lapply () ou o pblapply (). Passe o vetor de símbolos da empresa e, em seguida, a função getYahooData () e, em seguida, a informação da data. Os objetos de data são parâmetros reciclado sempre que getYahooData () é aplicado a um símbolo de estoque.
Para fazer a seleção da lista retornada, stocks. ts, mais fácil de navegar, você pode adicionar nomes aos elementos da lista. O uso de nomes com o objeto stocks. ts declara os nomes como o vetor de símbolo $ original.
Ao trabalhar com grandes listas, eu gosto de examinar o objeto resultante para garantir que o resultado seja o que eu esperava. Agora que os elementos têm nomes, você pode referenciá-los diretamente. Neste exemplo, você está examinando as 6 primeiras linhas para AMC Entertainment Holdings (AMC). Usar head () na lista ao fazer referência a $ AMC retornará uma parte da série temporal para este estoque:
Examinando os dados de estoque.
Quando ouço comentaristas de notícias financeiras, muitas vezes se referem a gráficos. Apesar da negociação de alta freqüência e da gestão ativa realizada por outros, muitos pequenos investidores ainda se referem a gráficos para obter informações. O objeto da série temporal pode ser exibido rapidamente com o enredo. Passe na lista referente ao elemento nomeado, como $ AMC e, em seguida, à coluna que você deseja exibir, aqui $ Close.
O enredo anterior é estático e não muito interessante.
Vamos usar uma biblioteca JavaScript para criar um gráfico que você possa explorar. Neste trecho de código, você pode observar o operador "% & gt;%" ou pipe. O operador de pipe é uma boa maneira de escrever código conciso. Ele encaminha um objeto para a próxima função sem forçá-lo a reescrever um nome de objeto como você fez anteriormente neste post.
Neste exemplo, você cria um dygraph referente ao estoque do Twitter, $ TWTR e, em seguida, a coluna que deseja traçar, $ Close. Dentro do dygraph, main adiciona um título especificado entre as cotações. Usando o "% & gt;%" todo este objeto é encaminhado para a próxima função dyRangeSelector (). Você pode especificar um intervalo de datas padrão usando c () com uma string de data de início e fim. O objeto HTML resultante é uma série temporal dinâmica para o estoque do Twitter com um controle deslizante de data na parte inferior.
Lembre-se, para alterar o patrimônio exibido, altere o símbolo do ticker na lista stocks. ts e, em seguida, o título do gráfico.
Este é um gráfico básico para o estoque do Twitter.
Uma Estratégia de Negociação Simples: Trend Following.
Os comerciantes de alta freqüência e os hedge funds usam modelos sofisticados e abordagens baseadas em regras para executar negócios. Se você quiser saber mais, sugiro visitar a parapian para abordagens avançadas. Para abordagens mais simples, comece com esta página na Investopedia.
No código abaixo, você irá visualizar uma estratégia de negociação de impulso simples. Basicamente, você gostaria de calcular as médias móveis de 200 dias e 50 dias para um preço de ações. Em qualquer dia em que a média móvel de 50 dias esteja acima da média móvel de 200 dias, você compraria ou manteria sua posição. Nos dias em que a média de 200 dias é superior à média móvel de 50 dias, você venderia suas ações. Esta estratégia é chamada de estratégia seguindo estratégia. A natureza positiva ou negativa entre as duas médias baseadas no tempo representa o momento do estoque.
O pacote TTR fornece SMA () para calcular a média móvel simples. Neste snippet de código, você está examinando os primeiros 6 valores das médias móveis de 200 e 50 dias do Twitter. SMA () funciona passando os dados da série temporal para um estoque e uma coluna específica, como Close. Este é um único vetor de preços de fechamento do estoque TWTR. O segundo parâmetro é um número inteiro que representa o número de observações para a média móvel. Sem usar head (), a função SMA () retornará todos os valores.
Agora que você examinou detalhadamente a função da média móvel, você precisa se inscrever para cada uma das 70 ações. stocks. ts é uma lista de 70 quadros de dados contendo dados de estoque individuais. A quarta coluna de cada quadro de dados contém o preço de fechamento que queremos usar para as médias móveis.
A função personalizada mov. avgs () aceita um único quadro de dados de estoque para calcular as médias móveis. A primeira linha seleciona os preços de fechamento porque indexa [, 4] para criar stock. close. Em seguida, a função usa ifelse para verificar o número de linhas no quadro de dados. Especificamente, se a nota no quadro de dados for menor que (2 * 260), a função criará um quadro de dados de médias móveis com “NA”.
Eu escolhi esse número porque há cerca de 250 dias de negociação por ano, então isso irá verificar se a série temporal tem cerca de 2 anos ou mais de duração. Loyal3 às vezes pode ter acesso a IPOs e, se o estoque for recém-público, não haverá dados suficientes para uma média móvel de 200 dias. No entanto, se o valor nrow for superior a 2 * 260, a função criará um quadro de dados com os dados originais juntamente com médias móveis de 200 e 50 dias como novas colunas. Usando colnames, eu declaro os nomes das colunas. A última parte da função usa full. cases para verificar os valores na coluna média móvel de 200 dias. Quaisquer linhas que não tenham um valor são descartadas no resultado final.
Armado com esta função mov. avgs (), você pode usar o pblapply () para adicionar os cálculos da média móvel a cada um dos 70 quadros de dados.
Use o código abaixo para visualizar as médias móveis de um estoque usando um gráfico. Mais uma vez, este código está usando o operador “% & gt;%” para encaminhar objetos. A função dygraph () aceita a estrutura de dados stocks. ts $ FOX. Especificamente, o quadro de dados é indexado pelo nome da coluna com c ('sma_200', 'sma_50'). Este objeto é passado para dySeries () nas próximas 2 linhas. Você pode se referir a uma coluna pelo nome, para que dySeries () trace uma linha para os valores “sma_50” e “sma_200” nas linhas 2 e 3. Esse objeto é encaminhado novamente para o dyRangeSelector () para ajustar a altura do seletor. Por fim, adicionei algum sombreamento para definir períodos em que você quisesse comprar ou manter o patrimônio líquido e um período em que você deveria ter vendido suas ações ou ficado afastado, dependendo da sua posição.
Aqui está o resultado final em uma série de tempo interativa.
As médias móveis FOX com regiões sombreadas para comprar / segurar versus vender.
Conclusão.
Como comerciante algorítmico de brotação, você não precisa traçar todos os 70 compartilhamentos. Em vez disso, você desejaria executar o código todos os dias e adicionar uma maneira programática de identificar ações que se ajustassem ao método baseado em regras, "compre se a média móvel de 50 dias estiver acima da média móvel de 200 dias". Ao revisar o gráfico anterior, a seção verde é uma ocasião em que você compraria o patrimônio da FOX. A seção vermelha representa o tempo para vender suas ações e não voltar a entrar.
Como o gráfico é interativo, você pode usar o controle deslizante para redimensionar o visual. Com base nesta abordagem simples de troca de algo, agora pode ser um bom momento para comprar FOX! 30 de dezembro de 2016 foi um dia de negociação em que a média móvel de 50 dias mudou US $ 0,01 acima da média móvel de 200 dias!
A seção ampliada da equidade FOX.
Claro, lembre-se de todos os investimentos podem perder valor. Para saber mais sobre finanças e negociação de algoritmos, confira os cursos do DataCamp aqui.
Conselho Consultivo Global.
Ernie é o membro gerente da QTS Capital Management, LLC., Uma operadora e consultora comercial de commodities… Leia mais.
Gautam Mitra é o fundador e o diretor geral da OptiRisk Systems. Um cientista de pesquisa de renome internacional… Leia mais.
Equipe Principal e Fundadores.
Sobre o QuantInsti®
O QuantInsti® é um dos pioneiros institutos de pesquisa e treinamento de comércio algorítmico da Ásia, com foco na preparação de profissionais do mercado financeiro para o campo contemporâneo de negociação algorítmica e quantitativa. Como os mercados financeiros nos mercados emergentes estão evoluindo rapidamente como mercados desenvolvidos; nós prevemos uma mudança disruptiva no cenário dos mercados emergentes, em que os volumes de câmbio da ordem de 70% e acima serão gerados pela Algorithmic Trading.
O instituto QuantInsti® desenvolveu o currículo do primeiro Programa Executivo em Algorithmic Trading (EPAT ™) da Ásia em 2010. Como uma iniciativa de profissionais do mercado financeiro com excelentes credenciais acadêmicas e profissionais, o programa visa atender às demandas urgentes por conjuntos de habilidades altamente especializados. um domínio potencialmente lucrativo de negociação algorítmica. O QuantInsti® abriu as portas para os participantes globais em 2012, introduzindo salas de aula virtuais para o seu curso emblemático EPAT ™ e desde então tem participado de todos os continentes habitados.
Nossa visão para o mundo.
Acreditamos no fornecimento de educação financeira para todos, aproveitando os avanços tecnológicos.
No QuantInsti®, tudo se resume a desenvolver a ideia de um "comércio", ajuste fino de estratégias e como você pode aplicá-lo, exercitando esse processo por meio de uma metodologia rigorosamente analítica, usando ferramentas e algoritmos quantitativos. Nós descrevemos isso como "a vanguarda das finanças". A necessidade da hora é preencher a lacuna entre o conhecimento teórico sobre ferramentas financeiras e teorias econométricas, modelos de precificação em modelos e estratégias de trabalho.
Além de oferecer cursos on-line, nossos membros do corpo docente viajam pelo mundo para participar de conferências conduzidas pela academia ou indústria, de modo a compartilhar seus conhecimentos com outros parceiros líderes em conhecimento.
Missão e Metas.
Nossa missão é ajudar todos os traders em todo o mundo a se iniciarem no mundo do comércio automatizado e se beneficiarem de inovações tecnológicas. Estamos empenhados em assegurar uma experiência de aprendizagem duradoura que possa ajudar os nossos participantes na sua carreira profissional, transmitindo conhecimento através de medidas inovadoras e eficazes.
Valores fundamentais.
Excelência: Excel na aprendizagem Conhecimento: Sempre se concentre em agregar valor transmitindo conhecimento Extensivo: Aprendizado Integral.
O QuantInsti® tem como objetivo expandir o alcance do Algorithmic Trading para todo e qualquer comerciante de varejo e institucional, fornecendo as ferramentas, habilidades e atitudes necessárias para negociar com sucesso nos mercados.
O QuantInsti® visa melhorar os mercados de negociação, treinando traders com o conhecimento e a atitude corretos necessários para tornar os mercados mais eficientes.
Milestones.
Completou 34 lotes EPAT ™ de sucesso Usuários de mais de 130 países se beneficiaram de nossas iniciativas educacionais Lançamos 8 novos cursos no Quantra ™, incluindo 3 cursos gratuitos Colaborou com a NSE Academy para um curso de certificação conjunta Colaborou com o Dr. E. P. Chan realizou 13 seminários educacionais para mais de 10.000 participantes de todo o mundo Publicou 105 artigos informativos sobre estratégias de negociação, ferramentas, plataformas e conselhos de carreira Colaborou com mais de 35 empresas para oferecer oportunidades de colocação para EPATians Nosso corpo docente contribuiu para instituições renomadas e conferências globais como: palestrante convidado no IIM Ahmedabad Palestrante na Coalescence, IIM Kashipur Palestrante convidado no Colloquium, IIM Ranchi Palestrante convidado na QuantCon 2017, em Nova York.
Lançamento bem sucedido de um balcão único para Algorithmic & # 038; Cursos e treinamentos de negociação quantitativa: Quantra Dois cursos da Quantra são certificados em conjunto pela QuantInsti® e pela MCX - principal bolsa de negociação de commodities na Índia. Dr. Yves Hilpisch & # 038; O Dr. EP Chan lançou o Python e o Momentum Strategies como parte do currículo do EPAT ™ Novos membros do corpo docente do EPAT ™ incluem o Dr. Hui Liu e RadhaKrishna Pendyala que ensinam “trading automatizado no IB” e “ETF Trading” Lançado o Risco do Tesouro do Banco do Prof. Moorad Choudhry Programa de certificação de gestão em Cingapura, na Ásia Através de webinars gratuitos e sessões interativas on-line, foram alcançados mais de 11.000 registros de mais de 90 países. Estudantes de mais de 40 países participaram dos cursos pagos em todos os continentes habitados.
Algo Trading Partner para o Entrepreneurship Summit 2015 no IIT Bombay Realizou um workshop de dois dias em Palm and Lauric Oils Price Outlook Conference & # 038; Exposição (POC) a convite da Bursa Malaysia Derivatives Realizou um evento educacional e de networking com a equipe Goldman Sachs Asset Management em Mumbai Convidado para falar no capítulo SGX-India em AFACT em Cingapura Convidado a participar do “The Trading Show” em Chicago Convidado para falar na mesa redonda realizada pelo Grupo de Finanças e Pesquisa (FRG) do Instituto Indira Gandhi de Pesquisa para o Desenvolvimento (IGIDR) O Prof Gautam Mitra e o Dr. EP Chan juntaram-se à Plataforma de Aprendizado App-friendly EPAT ™ relançada do Conselho Consultivo para educação móvel.
QuantInsti® chega a Cingapura Participou da Bolsa de Valores da Tailândia (SET) para um workshop exclusivo sobre Técnicas de Negociação de Opções Realizou sessões exclusivas nos Programas de Desenvolvimento Gerencial da Bolsa Nacional de Valores (NSE) em Algorithmic Trading nas cidades de Mumbai, Chennai e Kochi. Índia Convidada para falar na 4ª Conferência Anual: Modelos Comportamentais & # 038; Sentiment Analysis Applied to Finance ”, realizado em Londres, 23º lote de EPAT ™, concluído com centenas de ex-alunos da QuantInsti® em todo o mundo.
Realizou sessões de aprendizado para instituições acadêmicas em todo o país Convidado como palestrante na conferência de protocolo FIX, Mumbai. Completou com sucesso 16 lotes do programa Executive em Algorithmic Trading Convidado como palestrante na conferência Algorithmic Trading organizada pela CMU-Princeton em Chicago. Realizou vários webinars informativos gratuitos sobre tópicos relacionado ao treinamento algorítmico Certificação de Algorithmic Trading, exames e cursos para NSE.
Realizou sessões nos principais intercâmbios, escolas de gestão e institutos tecnológicos na Índia. Iniciou os programas on-line e em sala de aula. Iniciou um novo centro em Goregaon, Mumbai, Índia.
Organizou dois workshops sobre Algorithmic Trading em colaboração com a Thomson Reuters. Completou com sucesso mais 5 lotes com estudantes de diferentes perfis, incluindo traders manuais, analistas de ações, negociadores de algoritmos, engenheiros e estudantes de comércio.
Fundada em outubro de 2010 Iniciou o primeiro programa de treinamento em comércio algorítmico na Índia - EPAT ™ (Programa Executivo em Algorithmic Trading) O primeiro lote de alunos do EPAT ™ iniciou sua jornada no comércio da Quant e da Algo.
Conselho Consultivo Global.
Dr. Ernest P. Chan.
Ernie é o membro gerente da QTS Capital Management, LLC., Uma operadora de pool de commodities e consultora comercial. O QTS administra um fundo de hedge, assim como contas individuais. Mais informações sobre seus serviços podem ser encontradas no epchan.
Ernie é o autor de “Quantitative Trading: como construir seu próprio negócio de negociação algorítmica” e “Algorithmic Trading: estratégias vitoriosas e sua fundamentação”, ambas publicadas por John Wiley & # 038; Filhos. Ele mantém um blog popular “Quantitative Trading” em epchan. blogspot.
Ernie também ministra cursos e workshops em comércio e finanças em Londres, Cingapura e outros lugares. Ele foi nomeado Professor Adjunto de Finanças da Nanyang Technological University e membro do Industry NTU-SGX Center for Financial Education. Ele também é professor adjunto no programa de Mestrado em Ciências da Preditiva da Northwestern University.
Professor Gautam Mitra.
Gautam Mitra é o fundador e o diretor geral da OptiRisk Systems. Ele é um cientista de pesquisa de renome internacional no campo de Pesquisa Operacional em geral e otimização computacional e modelagem em particular. Ele desenvolveu um grupo de pesquisa de classe mundial em sua área de especialização com pesquisadores da Europa, Reino Unido, EUA e Índia.
Ele publicou cinco livros e mais de cento e cinquenta artigos de pesquisa. Ele é um ex-aluno da UCL e atualmente é professor visitante da UCL. Em 2004, ele foi premiado com o título de "professor ilustre" pela Brunel University, em reconhecimento às suas contribuições no domínio da otimização computacional, análise de risco e modelagem.
Na OptiRisk Systems, ele dirige pesquisas e busca ativamente o desenvolvimento da empresa; a empresa hoje é líder no domínio da análise financeira. O professor Mitra também é fundador e presidente dos seminários da empresa irmã UNICOM. Os sistemas OptiRisk e os seminários da UNICOM têm subsidiárias na Índia. Na Índia e no Sudeste Asiático, ambas as empresas estão passando por um período de crescimento orgânico.
Equipe Principal e Fundadores.
Anil Yadav.
Anil é membro da equipe de assessoria de estratégia de algoritmos da iRageCapital e é responsável pela criação e estratégias de benchmarking para os clientes em várias classes de ativos.
Antes da iRage, Anil trabalhou como trader independente de commodities gerenciando um portfólio de metais e produtos energéticos. Ele também trabalhou como Analista Sênior no fundo de Private Equity do The Chatterjee Group (TCG) e como Analista Conversível no Lehman Brothers.
Anil é pós-graduada em Administração pelo Instituto Indiano de Administração, Lucknow e B. Tech em Engenharia Mecânica pelo Instituto Indiano de Tecnologia, em Kanpur.
Anupriya Gupta.
Anupriya é o diretor administrativo da QuantInsti ™ e lidera o gerenciamento geral do QuantInsti ™. Ela tem uma rica experiência gerencial e pedagógica e tem sido responsável por apresentar novos cursos e novas iniciativas de negócios. Ela trabalhou com os principais educadores na Índia em várias organizações. Antes da QuantInsti ™, Anupriya estava trabalhando com Iniciativas Educacionais em Mumbai / Ahmedabad e Citigroup.
Ela fez seu mestrado em Ciências (5 anos Integrado) em Matemática do IIT Kanpur. Depois disso, ela fez seu segundo mestrado em Educação pelo Instituto Tata de Ciências Sociais (TISS) em Mumbai.
Gaurav Raizada.
Gaurav é diretor da iRageCapital Advisory Private Ltd., lidera a prática consultiva da empresa na Índia sobre Sistemas, Desempenho e Estratégias. Ele consultou extensivamente com foco central no desenvolvimento e execução de estratégias, incluindo desenvolvimento de sistemas de negociação, redução de latência, otimização e análise de custos de transação.
Uma área de foco específico para a Gaurav tem trabalhado com clientes em operações de alta frequência, corretoras e bancos. Suas áreas atuais de pesquisa são Econometria de Alta Freqüência, Produtos Estruturados e Análise de Custo de Transação.
Antes da iRageCapital, Gaurav trabalhou com o Axis Bank como um operador de derivativos de taxas de juros. Ele também trabalhou como engenheiro de desempenho na Veritas Software, onde percebeu a sensação da otimização.
Gaurav é pós-graduado em administração pelo Indian Institute of Management, Lucknow e B. Tech. em Engenharia Química pelo Instituto Indiano de Tecnologia, Kanpur.
Nitesh Khandelwal.
Nitesh tem uma rica experiência em mercados financeiros abrangendo várias classes de ativos em diferentes funções. Ele foi cofundador da iRageCapital Advisory Private Limited, que é um nome confiável no fornecimento de tecnologia e serviços de estratégia de Negociação Algorítmica na Índia. Ele liderou o lado comercial da iRageCapital e da QuantInsti ™. No QuantInsti ™, ele também era o chefe do departamento de treinamento em derivativos & # 038; estudos intermercados. Atualmente, ele é diretor da iRage Global Advisory Services, Pte Ltd, com sede em Cingapura.
Ele tinha experiência anterior em tesouraria bancária (domínio de taxa de juros) e em mesa de negociação proprietária. Ele fez seu Bacharelado em Tecnologia em Engenharia Elétrica do IIT Kanpur antes de fazer sua pós-graduação em Gestão pelo IIM Lucknow.
Rajib Ranjan Borah.
Rajib é o co-fundador & # 038; Diretor da iRageCapital Advisory Pvt Ltd, & # 038; Quantitative Quantitative Learning Pvt Ltd.
Sistemas de negociação de alta frequência para os mercados do Sudeste Asiático ajudando a gerar volumes significativos dentro do segmento de opções. Na QI, Rajib gerencia o segmento de cursos sobre derivativos de opções; e também trabalha com intercâmbios, financeiros & # 038; instituições educacionais para projetar programas educacionais. Ele conduziu workshops e conferências na América, Europa e Ásia.
Antes da iRage, Rajib trabalhou com a principal empresa de HFT, Optiver, em Amsterdã; trabalhando no mercado de derivativos de opções, & # 038; estratégias de arbitragem de capital de alta frequência em todos os principais mercados europeus & # 038; Trocas nos EUA. Antes da Optiver, Rajib era consultor de estratégia de gestão na PricewaterhouseCoopers, onde ajudou um consórcio na criação de uma bolsa nacional de derivativos de commodities.
Finalista da Olimpíada Nacional, Rajib representou duas vezes a Índia no Campeonato Mundial de Quebra-Cabeças. Ele é pós-graduado em administração pelo Instituto Indiano de Administração de Calcutá, bacharel em Engenharia de Computação pelo Instituto Nacional de Tecnologia Surathkal; e tem experiências de estágio com a Bloomberg em Nova York (pesquisa de derivativos de opções de ações) & # 038; com a sede da estratégia da EMEA da Solutia na Bélgica.
Shaurya Chandra.
Shaurya é Diretora da iRageCapital Advisory Private Ltd., liderando a prática consultiva da empresa na Índia em Pesquisa, Desenvolvimento de Estratégias e Gerenciamento de Riscos. Ele aconselhou extensivamente com foco central no desenvolvimento da estratégia de pesquisa estatística apoiada por rigorosos testes de retorno e configuração de sistemas & # 038; processos de gestão de risco.
Uma área de foco específico para a Shaurya tem trabalhado com clientes em algoritmos de execução de ordens de venda para corretoras líderes. Suas atuais áreas de pesquisa são: Estratégias Estatísticas e Algoritmos de Execução Ótima e Trading Baseada em Regras.
Anteriormente à iRageCapital, Shaurya vem com experiência no Bank of America, na Edelweiss Securities Ltd. e na Systematix Stock & # 038; Shares Ltd., onde trabalhou como Analista de Derivativos e Quantitativo focado nos mercados de Ações Indianas.
Shaurya é pós-graduada em administração pelo Instituto Indiano de Administração, Ahmedabad e pela B. Tech. em Engenharia Elétrica do Instituto Indiano de Tecnologia, Roorkee.
Sameer Kumar.
Sameer se formou na BITS Pilani com Mestrado em Economia e Sistemas de Informação. Ele começou sua carreira no Yahoo! onde ele ganhou experiência em arquitetura técnica, design e desenvolvimento de sistemas altamente escaláveis.
Um evangelista de C ++ e perl poeta com amplo conhecimento de economia e dinâmica de mercado, ele agora projeta e constrói estratégias financeiras com inteligência embutida.
Reddy de sol.
Suneeth é um especialista nos campos de algoritmos evolutivos e modelos não convencionais de computação. Durante seu programa de bacharelado em Ciência da Computação na IIT Madras, a Suneeth esteve envolvida em algumas pesquisas inovadoras em computação de proteínas e computação de DNA. Seu trabalho foi apresentado no "Simpósio de Modelos Não-Convencionais da Computação".
Ele então passou a trabalhar com o Yahoo R, onde ele projetou algumas plataformas escaláveis realmente grandes. Ele também tem dois pedidos de patente pendentes. Antes da iRageCapital, ele estava no grupo Lime e desempenhou um papel fundamental no desenvolvimento das principais infraestruturas e plataformas do Lime.
A Suneeth traz consigo uma alta qualidade de conhecimento técnico, especialmente nos campos de algoritmos e arquiteturas de alto desempenho. Além de acadêmicos, tênis, vida selvagem e futebol o mantêm ocupado.
Swati Goyal.
Swati lidera as Vendas e Operações Globais na QuantInsti ™ Quantitative learning Private Ltd. A Swati tem uma rica experiência em Marketing e Operações, que ajudou imensamente a escalar as operações QuantInsti ™ nos últimos anos, garantindo a execução tranquila dos programas QuantInsti ™.
Antes da QuantInsti ™, ela trabalhou na divisão de comércio eletrônico do Times Group, onde era responsável por desenvolver e cultivar relacionamentos corporativos. Ela possui um Diploma de Pós-Graduação em Administração pela Amity Business School, Noida. Ela também é uma viajante ávida e gosta de passar seu tempo livre lendo notícias e ficção.
Vivek Bajaj.
Vivek é o diretor da Kredent Enterprises, que é um dos investidores estratégicos em várias iniciativas do grupo iRage. Ele foi um comerciante e administra mais de 200 traders, negociando vários ativos. Ele faz parte de vários comitês de bolsas e reguladores e tem contribuído ativamente na evolução do mercado de derivativos indianos. Ele também é educador e tem dirigido uma academia de treinamento em finanças chamada Kredent Academy. Ele foi palestrante em várias faculdades e instituições superiores, incluindo IIT e IIMs.
Academicamente, ele é um Revisor Oficial de Contas, secretário da empresa e também é graduado em Administração de Pós-Graduação pelo IIM Indore.
Auquan.
Crie suas próprias estratégias de negociação algorítmicas.
QuantQuest é ao vivo! Participe e lucre com suas estratégias.
Desenvolver e Backtest Algorithmic Trading Strategies.
Auquan em Notícias.
Junte-se à nossa série de tutoriais de negociação quantitativa para iniciantes para uma introdução à negociação algorítmica, estratégias de negociação e finanças. Os tutoriais não exigem conhecimento financeiro prévio.
Concorrência.
Participe da primeira competição de comércio de algo da Índia: mostre seu talento para fundos quantitativos e compartilhe lucros de suas estratégias. Fornecemos as ferramentas, os dados e o backtester para começar.
Obtenha nossa caixa de ferramentas de backtesting gratuita e de código aberto para iniciantes criarem e fazer backtest de estratégias. Também temos estratégias de amostra e conjuntos de dados gratuitos para você começar.
Auquan & # 8211; Crie suas próprias estratégias de negociação.
Estamos colmatar o fosso entre a ciência dos dados e as finanças, traduzindo as competências analíticas de pessoas talentosas em lucros comerciais.
A Auquan é iniciada com o objetivo de tornar o comércio algorítmico acessível a todos. Trabalhamos na interseção da ciência de dados e finanças; aproveitando a perícia de cientistas de dados para desenvolver estratégias de negociação superiores. Dessa forma, estamos democratizando a tecnologia de negociação algorítmica para permitir que qualquer engenheiro desenvolva uma estratégia.
Auquan em Notícias.
Próximos passos.
Participe do QuantQuest e ganhe lucros com suas estratégias de negociação.
Conheça o time.
A Auquan é capacitada por uma equipe de indivíduos altamente motivados, cada um dos quais é um veterano de suas respectivas indústrias.
Chandini Jain.
Optiver | UIUC | Deutsche Bank | IIT Kanpur.
Kanav Arora.
UrbanClap | Gemas De Bolso | Microsoft | UC Berkeley.
Conheça os vencedores do QuantQuest.
Nishant Rai.
Engenheiro de Software na Rubrik, Inc.
IIT Kanpur, QuantQuest Rank 1.
Hardik Malhotra.
Engenheiro de Software na Amazon.
BITS Pilani, QuantQuest Rank 2.
Keshav Sehgal.
Data Scientist @WalmartLabs India.
IIM Calcutá, IIT Kgp, QuantQuest Rank 3.
Ankit Sinha.
Analista, Goldman Sachs.
IIMA, IIT Delhi, QuantQuest Rank 4.
Abhinav Baid.
Engenheiro de Software, Bloomberg LP.
BITS Pilani, QuantQuest Rank 5.
Aayush Goel.
Data Scientist, FarmGuide.
O que nossos usuários dizem
Quant Quest é um dos seus desafios de tipo que acontece na Índia. O auquantoolbox com base em Python que o Auquan fornece é muito fácil de usar. No cenário de negociação algorítmica, ser capaz de testar diferentes partes de suas estratégias se torna muito importante. Continue lendo.
Keshav Sehgal Data Scientist no Walmart Labs IIMC, IIT Kgp, Ranking QuantQuest 3.
Eu aprendi sobre Auquan através da célula de colocação da faculdade. Alguns dias depois, experimentei e foi divertido. Eu sou mais um programador do que um profissional, então no começo eu não tinha certeza do que estava fazendo. Continue lendo.
Nishant Rai Software Engineer em Rubrik, Inc. IIT Kanpur, Ranking QuantQuest 1.
Eu fiquei sabendo sobre a Auquan através do QuantQuest. Eles me ajudaram a fazer minhas primeiras incursões em negociação quantitativa. Seu sistema é super intuitivo de usar e desenvolvi rapidamente um sistema comercial com ferramentas de aprendizado de máquinas. Quando eu fiz perguntas, continue a ler.
Hardik Malhotra Engenheiro de Software na Amazon BITS Pilani, QuantQuest Rank 2.
Fiquei entusiasmado quando eu soube sobre Auquan. Eles fornecem dados de alta qualidade e caixa de ferramentas em Python, o que simplifica o desenvolvimento e teste de sistemas de negociação quantitativos. Consegui implementar minhas ideias de negociação quantitativa, particularmente com base em inteligência artificial e em Continue Reading.
Aayush Goel Data Scientist no Farm Guide IIT Delhi.
Комментариев нет:
Отправить комментарий