Estratégia de negociação ssrn

Guia para iniciantes em negociação quantitativa.

Guia para iniciantes em negociação quantitativa.

Neste artigo, vou apresentar alguns dos conceitos básicos que acompanham um sistema de negociação quantitativo 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 requer extensa experiência em programação, pelo menos em uma linguagem como MATLAB, R ou Python. No entanto, à medida que a frequência de negociação da estratégia aumenta, os aspectos tecnológicos tornam-se muito mais relevantes. Assim, estar familiarizado com o C / C ++ será de suma importância.

Um sistema de negociação 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 de Kelly e psicologia de negociação.

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 levar em conta suas próprias necessidades de capital se administrar a estratégia como um operador de "varejo" e como os custos de transação afetarão a estratégia.

Ao contrário da crença popular, é bastante simples encontrar estratégias lucrativas por meio de várias fontes públicas. Os acadêmicos publicam regularmente resultados teóricos de negociação (embora, em sua maioria, sejam brutos dos custos de transação). Os blogs de finanças quantitativas discutirão as estratégias em detalhes. Os jornais de comércio delinearão algumas das estratégias empregadas pelos fundos.

Você pode questionar por que os indivíduos e as empresas estão interessados ​​em discutir suas estratégias lucrativas, especialmente quando sabem que outras pessoas "que estão ocupando o mercado" podem impedir que a estratégia funcione a longo prazo. A razão está no fato de que eles não costumam discutir 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 lucrativa. Na verdade, uma das melhores maneiras de criar suas próprias estratégias é encontrar métodos semelhantes e, em seguida, realizar seu próprio procedimento de otimização.

Aqui está uma pequena lista de lugares para começar a procurar ideias estratégicas:

Muitas das estratégias que você irá analisar se encaixarão nas categorias de reversão à média e tendência / momento. 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 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 frequência da estratégia de negociação. A negociação de baixa frequência (LFT) geralmente se refere a qualquer estratégia que detenha ativos por mais de um dia de negociação. Correspondentemente, a negociação de alta frequência (HFT) geralmente se refere a uma estratégia que mantém ativos intraday. Negociação de frequência ultra-alta (UHFT) refere-se a estratégias que mantêm 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, tenha sido identificada, ela agora precisa ser testada quanto à lucratividade nos dados históricos. Esse é o domínio do backtesting.

Backtesting 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 funcionará 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 polarização, incluindo viés de antecipação, viés de sobrevivência e viés de otimização (também conhecido como viés de "espionagem 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 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 de quantia iniciais (pelo menos no nível de varejo) é usar o conjunto de dados gratuito do Yahoo Finance. Eu não vou me debruçar muito sobre provedores aqui, ao invés disso eu gostaria de me concentrar nas questões gerais ao lidar com conjuntos de dados históricos.

As principais preocupações com dados históricos incluem exatidão / limpeza, viés de sobrevivência e ajuste para ações corporativas, como dividendos e desdobramentos:

Precisão pertence à qualidade geral dos dados - se contém algum erro. Às vezes, os erros podem ser fáceis de identificar, como com um filtro de pico, que selecionará "picos" incorretos nos dados de séries temporais e os corrigirá. 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 é muitas vezes 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 sendo negociados. No caso de ações, isso significa ações excluídas / falidas. Esse viés significa que qualquer estratégia de negociação de ações testada em tal conjunto de dados provavelmente terá um desempenho 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 na função de etapa do preço bruto, que não deve ser incluída no cálculo dos retornos do preço. Ajustes para dividendos e desdobramentos são os culpados comuns. Um processo conhecido como ajuste de costas é necessário para ser realizado em cada uma dessas ações. É preciso ter muito cuidado para não confundir uma divisão de ações com um verdadeiro ajuste de retorno. Muitos traders 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 de 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 ++. Eu não vou me demorar muito em Tradestation (ou similar), Excel ou MATLAB, como eu acredito em criar uma pilha de tecnologia interna completa (por razões descritas abaixo). Um dos benefícios disso é que o software de backtest e o sistema de execução podem ser totalmente integrados, mesmo com estratégias estatísticas extremamente avançadas. Para as estratégias de HFT, em particular, é essencial usar uma implementação personalizada.

Ao fazer o backtest de um sistema, é preciso ser capaz de quantificar o desempenho do mesmo. As métricas "padrão da indústria" para estratégias quantitativas são o rebaixamento máximo e o Índice de Sharpe. O rebaixamento máximo caracteriza a maior queda de ponta a ponta na curva de patrimônio da conta em um determinado período de tempo (geralmente anual). Isso é mais frequentemente citado como uma porcentagem. As estratégias de LFT tenderão a ter rebaixamentos maiores do que as estratégias de HFT, devido a vários 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 o Índice de Sharpe, que é definido heuristicamente como a média dos retornos excedentes dividida pelo desvio padrão desses retornos excedentes. 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. Note que o retorno anualizado não é uma medida normalmente utilizada, pois não leva em conta a volatilidade da estratégia (diferentemente do Índice de Sharpe).

Uma vez que a 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 negociações geradas pela estratégia é enviada e executada pelo corretor. Apesar do fato de que a geração de comércio pode ser semi ou totalmente automatizada, o mecanismo de execução pode ser manual, semi-manual (ou seja, "um clique") ou totalmente automatizado. Para estratégias de LFT, técnicas manuais e semi-manuais são comuns. Para as estratégias de HFT, é necessário criar um mecanismo de execução totalmente automatizado, que muitas vezes estará intimamente ligado ao gerador de comércio (devido à interdependência entre estratégia e 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.

Há muitas maneiras de interagir com uma corretora. Eles variam de chamar seu corretor pelo telefone até uma Application Programming Interface (API) de alto desempenho totalmente automatizada. O ideal é que você queira automatizar a execução de seus negócios 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 de quantificação para otimizar a execução. No entanto, em pequenas lojas ou empresas de HFT, os comerciantes são os executores e, portanto, um conjunto de habilidades muito mais amplo é geralmente desejável. Tenha isso 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 cai sob a bandeira da execução é a minimização dos custos de transação. Geralmente, há três componentes nos custos de transação: Comissões (ou impostos), que são as taxas cobradas pela corretora, pela bolsa de valores e pela SEC (ou órgão regulador governamental similar); escorregamento, que é a diferença entre o que você pretendia que seu pedido fosse preenchido versus o que foi realmente preenchido; spread, que é a diferença entre o preço de compra / venda do título negociado. Observe que o spread NÃO é constante e depende da liquidez atual (ou seja, 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 rapidamente deprimirão o preço e podem não obter uma execução ideal. Daí algoritmos que "gotejam feed" ordens para o mercado existem, embora o fundo corre o risco de derrapagem. Além disso, outras estratégias "atacam" essas necessidades e podem explorar as ineficiências. Este é o domínio da arbitragem da estrutura do fundo.

A última grande questão para os sistemas de execução diz respeito à divergência de desempenho da estratégia do desempenho do backtested. 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 ter sido sujeito a uma mudança de regime após a implementação da sua estratégia. Novos ambientes regulatórios, mudanças no sentimento do investidor e fenômenos macroeconômicos podem levar a divergências na forma como o mercado se comporta e, portanto, na rentabilidade de sua estratégia.

Gerenciamento de riscos.

A peça final do quebra-cabeça de negociação quantitativa é o processo de gerenciamento de risco. "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. Esse é o meio pelo qual o capital é alocado a um conjunto de estratégias diferentes e aos 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 algumas suposições sobre a natureza estatística dos retornos, que muitas vezes não são verdadeiros nos mercados financeiros, de modo que os operadores geralmente são 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 reconhecidamente menos problemático com negociação algorítmica se a estratégia for deixada em paz! 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 operadores enfatizam demais os eventos recentes e não a longo prazo. Então, é claro, há o par clássico de preconceitos emocionais - medo e ganância. Estes podem muitas vezes levar a sub ou sobre-alavancagem, o que pode causar blow-up (ou seja, o título da conta indo para 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 documentos inteiros foram escritos sobre questões para as quais eu só dei uma ou duas sentenças. Por essa razão, antes de se candidatar a cargos quantitativos de negociação 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 a modificação do kernel do Linux, C / C ++, programação de montagem e otimização de latência de rede.

Se você estiver interessado em tentar criar suas próprias estratégias de negociação algorítmica, minha primeira sugestão seria se programar bem. Minha preferência é construir o máximo possível de dados capturados, backtester de estratégia e sistema de execução. Se o seu próprio capital está em jogo, não dormiria melhor à noite sabendo que você testou completamente o 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.

Participe do portal de associação da Quantcademy que atende à crescente comunidade de traders de quantificação de varejo e aprenda como aumentar a lucratividade de sua estratégia.

Como identificar estratégias de negociação algorítmicas.

Como identificar estratégias de negociação algorítmicas.

Neste artigo, quero apresentar os métodos pelos quais eu mesmo identifico estratégias lucrativas de negociação algorítmica. Nosso objetivo hoje é entender detalhadamente como encontrar, avaliar e selecionar tais sistemas. Explicarei como as estratégias de identificação envolvem tanto a preferência pessoal quanto o desempenho da estratégia, como determinar o tipo e a quantidade de dados históricos para testes, como avaliar imparcialmente uma estratégia de negociação e, finalmente, como proceder para a fase de backtesting e implementação estratégica.

Identificando suas próprias preferências pessoais para negociação.

Para ser um profissional bem-sucedido - seja de forma discreta ou algorítmica - é necessário fazer algumas perguntas honestas. Negociação fornece-lhe a capacidade de perder dinheiro a um ritmo alarmante, por isso é necessário "conhecer-se", tanto quanto é necessário compreender a sua estratégia escolhida.

Eu diria que a consideração mais importante no comércio é estar ciente de sua própria personalidade. O comércio e o comércio algorítmico, em particular, exigem um grau significativo de disciplina, paciência e distanciamento emocional. Como você está permitindo que um algoritmo realize sua negociação para você, é necessário que ele seja resolvido para não interferir na estratégia quando ela estiver sendo executada. Isso pode ser extremamente difícil, especialmente em períodos de redução prolongada. No entanto, muitas estratégias que se mostraram altamente lucrativas em um backtest podem ser arruinadas pela simples interferência. Entenda que, se você deseja entrar no mundo do comércio algorítmico, será testado emocionalmente e, para ter sucesso, é necessário superar essas dificuldades!

A próxima consideração é uma das vezes. Você tem um emprego a tempo inteiro? Você trabalha meio período? Você trabalha em casa ou tem um longo trajeto todos os dias? Essas perguntas ajudarão a determinar a frequência da estratégia que você deve procurar. Para aqueles que trabalham em tempo integral, uma estratégia de futuros intradiários pode não ser apropriada (pelo menos até que seja totalmente automatizada!). Suas limitações de tempo também ditarão a metodologia da estratégia. Se a sua estratégia é freqüentemente negociada e depende de feeds de notícias caros (como um terminal da Bloomberg), você terá claramente que ser realista em relação à sua capacidade de executar isso com sucesso no escritório! Para aqueles de vocês com muito tempo, ou as habilidades para automatizar sua estratégia, você pode querer olhar para uma estratégia de negociação de alta frequência (HFT) mais técnica.

Acredito que é necessário realizar pesquisas contínuas em suas estratégias de negociação para manter um portfólio consistentemente lucrativo. Poucas estratégias permanecem "sob o radar" para sempre. Portanto, uma parte significativa do tempo destinado à negociação será na realização de pesquisas em andamento. Pergunte a si mesmo se você está preparado para fazer isso, pois pode ser a diferença entre rentabilidade forte ou um declínio lento em direção a perdas.

Você também precisa considerar seu capital comercial. O valor mínimo ideal geralmente aceito para uma estratégia quantitativa é de 50.000 USD (aproximadamente £ 35.000 para nós no Reino Unido). Se eu estivesse começando de novo, começaria com uma quantia maior, provavelmente perto de 100.000 USD (aproximadamente £ 70.000). Isso ocorre porque os custos de transação podem ser extremamente caros para as estratégias de média a alta frequência e é necessário ter capital suficiente para absorvê-los em tempos de rebaixamento. Se você está considerando começar com menos de 10.000 dólares, então você precisará restringir-se a estratégias de baixa frequência, negociando em um ou dois ativos, pois os custos de transação irão rapidamente engolir seus retornos. A Interactive Brokers, que é uma das corretoras mais amigáveis ​​para aqueles com habilidades de programação, devido à sua API, tem uma conta de varejo de no mínimo 10.000 USD.

A habilidade de programação é um fator importante na criação de uma estratégia automatizada de negociação algorítmica. Ter conhecimento em uma linguagem de programação como C ++, Java, C #, Python ou R permitirá que você crie o armazenamento de dados de ponta a ponta, mecanismo de backtest e sistema de execução por conta própria. Isso tem uma série de vantagens, das quais a principal é a capacidade de estar completamente ciente de todos os aspectos da infraestrutura de negociação. Ele também permite que você explore as estratégias de frequência mais alta, pois você estará no controle total da sua "pilha de tecnologia". Embora isso signifique testar seu próprio software e eliminar bugs, também significa mais tempo gasto na codificação de infraestrutura e menos na implementação de estratégias, pelo menos na primeira parte de sua carreira de negociação de algoritmos. Você pode achar que está confortável negociando no Excel ou no MATLAB e pode terceirizar o desenvolvimento de outros componentes. Eu não recomendaria isso, no entanto, especialmente para aqueles que operam em alta freqüência.

Você precisa se perguntar o que você espera alcançar por negociação algorítmica. Você está interessado em uma renda regular, em que você espera obter ganhos de sua conta de negociação? Ou, você está interessado em um ganho de capital a longo prazo e pode se dar ao luxo de negociar sem a necessidade de levantar fundos? Dependência de renda irá ditar a frequência da sua estratégia. Retiradas de renda mais regulares exigirão uma estratégia de negociação de frequência mais alta com menos volatilidade (ou seja, um índice maior de Sharpe). Comerciantes de longo prazo podem ter uma frequência de negociação mais tranqüila.

Finalmente, não se iluda com a noção de se tornar extremamente rico em um curto espaço de tempo! Algo negociação não é um esquema de enriquecimento rápido - se alguma coisa pode ser um esquema de tornar-se pobre rápido. É preciso muita disciplina, pesquisa, diligência e paciência para ter sucesso no comércio algorítmico. Pode levar meses, se não anos, para gerar lucratividade consistente.

Idéias de Negociação Algorítmica de Sourcing.

Apesar das percepções comuns em contrário, é bastante simples localizar estratégias de negociação lucrativas no domínio público. Nunca as ideias de negociação foram mais prontamente disponíveis do que são hoje. Revistas de finanças acadêmicas, servidores de pré-impressão, blogs de negociação, fóruns de negociação, revistas semanais de negociação e textos especializados fornecem milhares de estratégias de negociação com as quais basear suas idéias.

Nosso objetivo como pesquisadores de comércio quantitativo é estabelecer um pipeline de estratégia que nos fornecerá um fluxo de ideias de negociação em andamento. Idealmente, queremos criar uma abordagem metódica para a terceirização, avaliação e implementação de estratégias com as quais nos deparamos. Os objetivos do pipeline são gerar uma quantidade consistente de novas idéias e nos fornecer uma estrutura para rejeitar a maioria dessas idéias com o mínimo de consideração emocional.

Devemos ser extremamente cuidadosos para não deixar que vieses cognitivos influenciem nossa metodologia de tomada de decisão. Isso pode ser tão simples quanto ter uma preferência por uma classe de ativos sobre outra (ouro e outros metais preciosos vêm à mente) porque eles são percebidos como mais exóticos. Nosso objetivo deve ser sempre encontrar estratégias consistentemente lucrativas, com expectativa positiva. A escolha da classe de ativos deve ser baseada em outras considerações, como restrições de capital comercial, taxas de corretagem e capacidades de alavancagem.

Se você não está familiarizado com o conceito de uma estratégia de negociação, então o primeiro lugar a olhar é com livros de texto estabelecidos. Os textos clássicos fornecem uma ampla gama de ideias mais simples e diretas, com as quais você pode se familiarizar com a negociação quantitativa. Aqui está uma seleção que eu recomendo para aqueles que são novos no comércio quantitativo, que gradualmente se tornam mais sofisticados conforme você trabalha na lista:

Para uma lista mais longa de livros de negociações quantitativas, visite a lista de leitura QuantStart.

O próximo lugar para encontrar estratégias mais sofisticadas é com fóruns de negociação e blogs de negociação. No entanto, uma nota de cautela: Muitos blogs de negociação contam com o conceito de análise técnica. A análise técnica envolve a utilização de indicadores básicos e psicologia comportamental para determinar tendências ou padrões de reversão nos preços dos ativos.

Apesar de ser extremamente popular no espaço comercial geral, a análise técnica é considerada um tanto ineficaz na comunidade financeira quantitativa. Alguns sugeriram que não é melhor do que ler um horóscopo ou estudar folhas de chá em termos de poder preditivo! Na realidade, existem indivíduos bem sucedidos fazendo uso de análise técnica. No entanto, como pessoas com uma caixa de ferramentas matemática e estatística mais sofisticada à nossa disposição, podemos facilmente avaliar a eficácia de tais estratégias baseadas em TA e tomar decisões baseadas em dados em vez de basear as nossas em considerações emocionais ou preconceitos.

Aqui está uma lista de blogs e fóruns de negociação algorítmica bem respeitados:

Depois de ter alguma experiência em avaliar estratégias mais simples, é hora de olhar para as ofertas acadêmicas mais sofisticadas. Algumas revistas acadêmicas serão de difícil acesso, sem altas assinaturas ou custos únicos. Se você é um membro ou ex-aluno de uma universidade, você deve ser capaz de obter acesso a alguns desses periódicos financeiros. Caso contrário, você pode ver os servidores de pré-impressão, que são repositórios da Internet de rascunhos atrasados ​​de trabalhos acadêmicos que estão sendo revisados ​​por especialistas. Como estamos interessados ​​apenas em estratégias que podemos replicar com sucesso, fazer backtest e obter lucratividade, uma revisão por pares é de menor importância para nós.

A principal desvantagem das estratégias acadêmicas é que muitas vezes elas podem estar desatualizadas, exigir dados históricos obscuros e caros, negociar em classes de ativos ilíquidos ou não levar em consideração taxas, escorregões ou spread. Também pode não estar claro se a estratégia de negociação deve ser executada com ordens de mercado, ordens de limite ou se ela contém perdas de parada, etc. Assim, é absolutamente essencial replicar a estratégia você mesmo, fazer o backtest e adicionar transações realistas. custos que incluem tantos aspectos das classes de ativos que você deseja negociar.

Aqui está uma lista dos servidores de pré-impressão mais populares e revistas financeiras que você pode obter idéias de:

Que tal formar suas próprias estratégias quantitativas? Isso geralmente requer (mas não está limitado a) conhecimento em uma ou mais das seguintes categorias:

Microestrutura de mercado - Para estratégias de maior frequência, em particular, pode-se fazer uso da microestrutura de mercado, ou seja, o entendimento da dinâmica da carteira de pedidos para gerar rentabilidade. Diferentes mercados terão várias limitações tecnológicas, regulamentações, participantes do mercado e restrições que serão abertas à exploração por meio de estratégias específicas. Esta é uma área muito sofisticada e os profissionais de varejo terão dificuldade em ser competitivos neste espaço, particularmente porque a competição inclui fundos de hedge quantitativos grandes e bem capitalizados com fortes capacidades tecnológicas. Estrutura do fundo - Fundos de investimento agregados, tais como fundos de pensão, parcerias de investimento privado (hedge funds), consultores de negociação de commodities e fundos mútuos são limitados tanto pela regulamentação pesada quanto por suas grandes reservas de capital. Assim, certos comportamentos consistentes podem ser explorados com aqueles que são mais ágeis. Por exemplo, grandes fundos estão sujeitos a restrições de capacidade devido ao seu tamanho. Assim, se eles precisarem rapidamente descarregar (vender) uma quantidade de títulos, terão que escalonar para evitar "movimentar o mercado". Algoritmos sofisticados podem tirar proveito disso e de outras idiossincrasias, em um processo geral conhecido como arbitragem da estrutura do fundo. Aprendizado de máquina / inteligência artificial - Os algoritmos de aprendizado de máquina se tornaram mais prevalentes nos últimos anos nos mercados financeiros. Classificadores (como Naive-Bayes, et al.) Correspondentes de função não-linear (redes neurais) e rotinas de otimização (algoritmos genéticos) têm sido usados ​​para prever caminhos de ativos ou otimizar estratégias de negociação. Se você tiver experiência nessa área, poderá ter algumas dicas sobre como determinados algoritmos podem ser aplicados a determinados mercados.

Existem, é claro, muitas outras áreas para os quantos investigarem. Discutiremos como detalhar as estratégias personalizadas em um artigo posterior.

Ao continuar a monitorar essas fontes semanalmente ou diariamente, você está se preparando para receber uma lista consistente de estratégias de diversas fontes. O próximo passo é determinar como rejeitar um grande subconjunto dessas estratégias, a fim de minimizar o desperdício de tempo e recursos de backtesting em estratégias que provavelmente não serão lucrativas.

Avaliação de estratégias de negociação.

A primeira e indiscutivelmente mais óbvia consideração é se você realmente entende a estratégia. Você seria capaz de explicar a estratégia de forma concisa ou requer uma série de advertências e listas de parâmetros sem fim? Além disso, a estratégia tem uma base boa e sólida na realidade? Por exemplo, você poderia apontar para algum raciocínio comportamental ou restrição de estrutura de fundos que possa estar causando o (s) padrão (ões) que você está tentando explorar? Essa restrição seria uma mudança de regime, como uma dramática interrupção no ambiente regulatório? A estratégia depende de regras estatísticas ou matemáticas complexas? Aplica-se a qualquer série temporal financeira ou é específico para a classe de ativos na qual se afirma ser rentável? Você deve estar constantemente pensando sobre esses fatores ao avaliar novos métodos de negociação, caso contrário você pode perder uma quantidade significativa de tempo tentando fazer backtest e otimizar estratégias não lucrativas.

Depois de determinar que você entende os princípios básicos da estratégia, você precisa decidir se ela se encaixa no perfil de personalidade mencionado anteriormente. Esta não é uma consideração tão vaga quanto parece! Estratégias diferem substancialmente em suas características de desempenho. Existem certos tipos de personalidade que podem lidar com períodos mais significativos de levantamento, ou estão dispostos a aceitar um risco maior de retorno maior. Apesar do fato de que nós, como muitos, tentamos eliminar o máximo de viés cognitivo possível e devemos ser capazes de avaliar uma estratégia imparcialmente, os vieses sempre se infiltrarão. Assim, precisamos de meios consistentes e sem emoção para avaliar o desempenho das estratégias. . Aqui está a lista de critérios que julgo uma nova estratégia em potencial:

Metodologia - A estratégia é baseada no momento, na reversão da média, no neutro do mercado, no direcional? A estratégia depende de técnicas sofisticadas (ou complexas!) Ou técnicas de aprendizado de máquina que são difíceis de entender e requerem um PhD em estatística para entender? Essas técnicas introduzem uma quantidade significativa de parâmetros, o que pode levar a um viés de otimização? É provável que a estratégia resista a uma mudança de regime (ou seja, nova regulação potencial dos mercados financeiros)? Índice de Sharpe - O índice de Sharpe caracteriza heuristicamente a relação recompensa / risco da estratégia. Quantifica quanto retorno você pode obter para o nível de volatilidade suportado pela curva de capital. Naturalmente, precisamos determinar o período e a frequência com que esses retornos e a volatilidade (ou seja, o desvio padrão) são medidos. Uma estratégia de frequência mais alta exigirá uma taxa de amostragem maior do desvio padrão, mas um período de tempo global mais curto de medição, por exemplo. Alavancagem - A estratégia requer alavancagem significativa para ser rentável? A estratégia requer o uso de contratos de derivativos alavancados (futuros, opções, swaps) para fazer um retorno? Esses contratos alavancados podem ter características pesadas de volatilidade e, portanto, podem facilmente levar a chamadas de margem. Você tem o capital comercial e o temperamento para tal volatilidade? Freqüência - A frequência da estratégia está intimamente ligada à sua pilha de tecnologia (e, portanto, ao conhecimento tecnológico), ao índice de Sharpe e ao nível geral de custos de transação. Todas as outras questões consideradas, estratégias de maior frequência exigem mais capital, são mais sofisticadas e mais difíceis de implementar. No entanto, supondo que seu mecanismo de backtesting seja sofisticado e livre de erros, eles geralmente terão taxas de Sharpe muito mais altas. Volatilidade - A volatilidade está fortemente relacionada ao "risco" da estratégia. A proporção de Sharpe caracteriza isso. A maior volatilidade das classes de ativos subjacentes, se não protegidas, muitas vezes leva a uma maior volatilidade na curva de capital e, portanto, menores índices de Sharpe. É claro que estou assumindo que a volatilidade positiva é aproximadamente igual à volatilidade negativa. Algumas estratégias podem ter maior volatilidade negativa. Você precisa estar ciente desses atributos. Ganho / Perda, Lucro Médio / Perda - As estratégias diferem em suas características de ganhos / perdas e lucro / prejuízo médio. Pode-se ter uma estratégia muito lucrativa, mesmo se o número de negociações perdedoras exceder o número de negociações vencedoras. As estratégias de impulso tendem a ter esse padrão, pois dependem de um pequeno número de "grandes sucessos" para serem lucrativos. As estratégias de reversão à média tendem a ter perfis opostos nos quais mais dos negócios são "vencedores", mas os negócios perdedores podem ser bastante severos. Drawdown Máximo - O rebaixamento máximo é a maior queda percentual de ponta a ponta na curva de capital da estratégia. As estratégias de dinâmica são bem conhecidas por sofrer de períodos de rebaixamentos prolongados (devido a uma série de muitos comércios de perda incremental). Muitos traders desistirão em períodos de rebaixamento prolongado, mesmo que testes históricos tenham sugerido que isso é "business as usual" para a estratégia. Você precisará determinar qual porcentagem de rebaixamento (e em qual período de tempo) você pode aceitar antes de interromper sua estratégia. Esta é uma decisão altamente pessoal e, portanto, deve ser considerada com cuidado. Capacidade / Luidez - No nível de varejo, a menos que você esteja negociando com um instrumento altamente ilíquido (como ações de pequena capitalização), você não terá que se preocupar muito com a capacidade da estratégia. A capacidade determina a escalabilidade da estratégia para mais capital. Muitos dos maiores fundos de hedge sofrem com problemas de capacidade significativos à medida que suas estratégias aumentam na alocação de capital. Parâmetros - Certas estratégias (especialmente aquelas encontradas na comunidade de aprendizado de máquina) exigem uma grande quantidade de parâmetros. Cada parâmetro extra que uma estratégia requer deixa mais vulnerável ao viés de otimização (também conhecido como "ajuste de curva"). Você deve tentar direcionar as estratégias com o menor número de parâmetros possível ou ter quantidades suficientes de dados para testar suas estratégias. Benchmark - Quase todas as estratégias (a menos que caracterizadas como "retorno absoluto") são medidas em relação a alguns benchmarks de desempenho. O benchmark é geralmente um índice que caracteriza uma grande amostra da classe de ativos subjacente na qual a estratégia negocia. Se a estratégia negociar ações de grande capitalização dos EUA, o S & P500 seria uma referência natural para medir sua estratégia. Você ouvirá os termos "alpha" e "beta", aplicados a estratégias desse tipo. Discutiremos esses coeficientes em profundidade em artigos posteriores.

Observe que não discutimos os retornos reais da estratégia. Por que é isso? Isoladamente, os retornos realmente nos fornecem informações limitadas sobre a eficácia da estratégia. Eles não dão uma visão sobre alavancagem, volatilidade, benchmarks ou requisitos de capital. Assim, as estratégias raramente são julgadas apenas por seus retornos. Sempre considere os atributos de risco de uma estratégia antes de examinar os retornos.

Neste estágio, muitas das estratégias encontradas em seu pipeline serão rejeitadas, pois elas não atenderão às suas necessidades de capital, limitações de alavancagem, tolerância máxima de redução ou preferências de volatilidade. As estratégias que permanecem podem agora ser consideradas para backtesting. No entanto, antes que isso seja possível, é necessário considerar um critério final de rejeição - o dos dados históricos disponíveis sobre os quais testar essas estratégias.

Obtendo dados históricos.

Atualmente, a amplitude dos requisitos técnicos em classes de ativos para armazenamento de dados históricos é substancial. Para manter a competitividade, tanto o lado comprador (fundos) quanto o lado vendedor (bancos de investimento) investem pesadamente em sua infraestrutura técnica. É imperativo considerar sua importância. Em particular, estamos interessados ​​nos requisitos de pontualidade, precisão e armazenamento. Agora descreverei os conceitos básicos da obtenção de dados históricos e como armazená-los. Infelizmente este é um tópico muito profundo e técnico, então não poderei dizer tudo neste artigo. No entanto, escreverei muito mais sobre isso no futuro, já que minha experiência anterior no setor financeiro estava principalmente relacionada à aquisição, armazenamento e acesso de dados financeiros.

Na seção anterior, criamos um pipeline de estratégia que nos permitia rejeitar determinadas estratégias com base em nossos critérios pessoais de rejeição. Nesta seção, filtraremos mais estratégias com base em nossas próprias preferências para obter dados históricos. As principais considerações (especialmente no nível do profissional de varejo) são os custos dos dados, os requisitos de armazenamento e seu nível de especialização técnica. Também precisamos discutir os diferentes tipos de dados disponíveis e as diferentes considerações que cada tipo de dados nos impõe.

Vamos começar discutindo os tipos de dados disponíveis e as principais questões que precisaremos pensar:

Dados Fundamentais - Incluem dados sobre tendências macroeconômicas, como taxas de juros, inflação, ações corporativas (dividendos, desdobramentos), arquivamentos na SEC, contas corporativas, dados de lucros, relatórios de safra, dados meteorológicos etc. Esses dados costumam ser usados ​​para valorizam empresas ou outros ativos em uma base fundamental, ou seja, por meio de alguns fluxos de caixa futuros esperados. Não inclui séries de preços de ações. Alguns dados fundamentais estão disponíveis gratuitamente em sites do governo. Outros dados históricos históricos de longo prazo podem ser extremamente caros. Os requisitos de armazenamento muitas vezes não são particularmente grandes, a menos que milhares de empresas estejam sendo estudadas de uma só vez. Dados de Notícias - Os dados de notícias são frequentemente de natureza qualitativa. É composto por artigos, posts, postagens de microblog ("tweets") e editorial. Técnicas de aprendizado de máquina, como classificadores, são freqüentemente usadas para interpretar sentimentos. Esses dados também costumam estar disponíveis gratuitamente ou são baratos, por meio da assinatura de meios de comunicação. Os bancos de dados de armazenamento de documentos "NoSQL" mais recentes são projetados para armazenar esse tipo de dados qualitativos não estruturados. Dados de Preço do Ativo - Este é o domínio de dados tradicional do quant. Consiste em séries temporais de preços de ativos. Ações (ações), produtos de renda fixa (títulos), commodities e preços de câmbio estão dentro dessa classe. Dados históricos diários geralmente são fáceis de obter para classes de ativos mais simples, como ações. No entanto, depois que a precisão e a limpeza forem incluídas e os desvios estatísticos forem removidos, os dados poderão se tornar caros. Além disso, os dados de série temporal geralmente possuem requisitos de armazenamento significativos, especialmente quando os dados intraday são considerados. Instrumentos Financeiros - Ações, obrigações, futuros e as opções de derivativos mais exóticas têm características e parâmetros muito diferentes. Assim, não existe uma estrutura de banco de dados "tamanho único" que possa acomodá-los. Deve-se dar um cuidado significativo ao projeto e implementação de estruturas de banco de dados para vários instrumentos financeiros. Discutiremos a situação detalhadamente quando chegarmos a construir um banco de dados mestre de títulos em artigos futuros. Freqüência - Quanto maior a frequência dos dados, maiores são os custos e os requisitos de armazenamento. Para estratégias de baixa frequência, os dados diários costumam ser suficientes. Para estratégias de alta frequência, pode ser necessário obter dados em nível de escala e até cópias históricas de dados específicos do livro de ordens da bolsa de valores. A implementação de um mecanismo de armazenamento para esse tipo de dados é muito intensiva em tecnologia e adequada apenas para aqueles com forte histórico técnico / de programação. Benchmarks - As estratégias descritas acima serão frequentemente comparadas a um benchmark. Isso geralmente se manifesta como uma série temporal financeira adicional. Para ações, este é frequentemente um benchmark de ações nacionais, como o índice S & P500 (EUA) ou FTSE100 (Reino Unido). Para um fundo de renda fixa, é útil comparar com uma cesta de títulos ou produtos de renda fixa. A "taxa livre de risco" (isto é, taxa de juros apropriada) é também outro ponto de referência amplamente aceito. Todas as categorias de classe de ativos possuem uma referência favorecida, portanto, será necessário pesquisar isso com base em sua estratégia específica, se você deseja obter interesse em sua estratégia externamente. Tecnologia - As pilhas de tecnologia por trás de um centro de armazenamento de dados financeiros são complexas. Este artigo pode apenas arranhar a superfície sobre o que está envolvido na construção de um. No entanto, ele gira em torno de um mecanismo de banco de dados, como um RDBMS (Relational Database Management System), como MySQL, SQL Server, Oracle ou um Document Storage Engine (por exemplo, "NoSQL"). Isso é acessado por meio do código de aplicativo "lógica de negócios" que consulta o banco de dados e fornece acesso a ferramentas externas, como MATLAB, R ou Excel. Muitas vezes, essa lógica de negócios é escrita em C ++, C #, Java ou Python. Você também precisará hospedar esses dados em algum lugar, seja em seu próprio computador pessoal ou remotamente por meio de servidores da Internet. Produtos como o Amazon Web Services tornaram isso mais simples e mais barato nos últimos anos, mas ainda exigirão um conhecimento técnico significativo para alcançar de maneira robusta.

Como pode ser visto, uma vez que uma estratégia tenha sido identificada por meio do pipeline, será necessário avaliar a disponibilidade, os custos, a complexidade e os detalhes de implementação de um determinado conjunto de dados históricos. Você pode achar necessário rejeitar uma estratégia baseada somente em considerações de dados históricos. Esta é uma grande área e as equipes de PhDs trabalham em grandes fundos, garantindo que os preços sejam precisos e oportunos. Não subestime as dificuldades de criar um data center robusto para seus fins de backtesting!

Eu quero dizer, no entanto, que muitas plataformas de backtesting podem fornecer esses dados automaticamente para você - a um custo. Assim, você tirará muito da dor da implementação e poderá se concentrar apenas na implementação e otimização da estratégia. Ferramentas como TradeStation possuem essa capacidade. No entanto, minha visão pessoal é implementar o máximo possível internamente e evitar a terceirização de partes da pilha para os fornecedores de software. Eu prefiro estratégias de frequência mais altas devido às suas taxas de Sharpe mais atraentes, mas elas são freqüentemente acopladas à pilha de tecnologia, onde a otimização avançada é crítica.

Agora que discutimos os problemas em torno dos dados históricos, é hora de começar a implementar nossas estratégias em um mecanismo de backtesting. Este será o assunto de outros artigos, pois é uma área de discussão igualmente grande!

Estratégias de Negociação de Momento Lucrativo para Investidores Individuais.

Foltice, B. & Langer, T. (2015) Estratégias rentáveis ​​de negociação de momentum para investidores individuais. Mercados Financeiros e Gestão de Carteira, 29 (2), 85-113.

32 páginas Publicado em: 8 de abril de 2014 Última revisão: 30 de abril de 2015.

Bryan Foltice.

Thomas Langer.

Universidade de Muenster - Centro de Finanças.

Estratégias de Negociação de Momento Lucrativo para Investidores Individuais.

Estratégias de Negociação de Momento Lucrativo para Investidores Individuais.

Data de gravação: 24 de janeiro de 2015.

Por quase três décadas, estudos científicos exploraram estratégias de investimento de momentum e observaram retornos excedentes estáveis ​​em vários mercados financeiros. No entanto, as estratégias de negociação tipicamente analisadas em tais pesquisas não são acessíveis a investidores individuais devido a restrições de venda a descoberto, nem são lucrativas devido aos altos custos de negociação. Incorporando essas restrições, exploramos uma estratégia de negociação simplificada que explora os retornos excedentes do momentum superior para um pequeno número de ações individuais. Com base nos dados dos EUA da Bolsa de Valores de Nova York de julho de 1991 a dezembro de 2010, analisamos se essa estratégia de momentum simplificada supera o benchmark depois de levar em conta custos e riscos realistas de transação. Descobrimos que a estratégia pode de fato funcionar para investidores individuais com valores iniciais de investimento de pelo menos US $ 5.000. Em outras tentativas de melhorar essa estratégia prática de negociação, analisamos uma estratégia de negociação de momentum sobreposta que consiste em uma negociação mais frequente de um número menor de ações “vencedoras”. Descobrimos que aumentar a frequência de negociação aumenta inicialmente os retornos ajustados ao risco dessas carteiras até um ponto ideal, após o qual os custos de transação excessivos começam a dominar a cena. Em um estudo de calibração, descobrimos que, dependendo do valor do investimento inicial da carteira, a freqüência ótima de negociação do momento varia de bianual a mensal.

Palavras-chave: Investimento de Momento, Finanças Pessoais, Gerenciamento de Portfólio.

Pares de Negociação com Ações.

O conceito de negociação de pares é direto - encontre 2 ações que têm preços que se movem historicamente juntos e apostam na convergência quando o spread entre eles se amplia. Essa arbitragem relativa deve exibir uma expectativa de retorno positiva, pois geralmente há alta probabilidade de convergência. A estratégia básica (como mencionado em Gatev, Goetzmann, Rouwenhorst, 2006) tornou-se popular, portanto, essas regras simples ainda são lucrativas, mas os lucros estão lentamente se desgastando. Muitas novas melhorias na estratégia surgiram, portanto, nos últimos anos (poderíamos mencionar, por exemplo, Do, Faff, 2010).

Razão fundamental.

Como os preços em pares de ações estavam intimamente cointegrados no passado, há alta probabilidade de que esses dois papéis compartilhem fontes comuns de correlações de retorno fundamentais. Um choque temporário poderia tirar uma ação da faixa de preço comum, que apresenta uma oportunidade de arbitragem estatística. O universo de pares é continuamente atualizado, o que garante que os pares que não se movem mais em sincronia sejam removidos da negociação, e apenas pares com alta probabilidade de convergência permanecem.

pares de negociação, equity long short, arbitragem.

Estratégia de negociação simples.

As ações iluid são removidas do universo de investimento. O índice de retorno total acumulado é então criado para cada ação (dividendos incluídos) e o preço inicial durante o período de formação é definido como $ 1 (normalização de preço). Os pares são formados ao longo de um período de doze meses (período de formação) e são negociados no próximo período de seis meses (período de negociação). O parceiro correspondente para cada ação é encontrado procurando a segurança que minimiza a soma dos desvios quadrados entre duas séries de preços normalizados. Os 20 pares superiores com a menor medida histórica de distância são então negociados e a posição long-short é aberta quando os preços dos pares divergiram em dois desvios padrão e a posição é fechada quando os preços retornam.

Documento de Origem.

Gatev, Goetzmann, Rouwenhorst: Pares de Negociação: Desempenho de uma Regra de Arbitragem de Valor Relativo.

Testamos uma estratégia de investimento de Wall Street, negociação de pares, com dados diários em 1962-2002. As ações são combinadas em pares com uma distância mínima entre os preços históricos normalizados. Uma regra de negociação simples gera retornos excedentes médios anualizados de até 11% para portfólios de pares de autofinanciamento. Os lucros geralmente excedem as estimativas conservadoras de custos de transação. Resultados de bootstrap sugerem que o efeito de pares difere dos lucros de reversão documentados anteriormente. A robustez dos retornos excedentes indica que os pares negociam lucros de preços errados temporários de substitutos próximos. Relacionamos a rentabilidade com a presença de um fator comum nos retornos, diferente das medidas de risco convencionais.

Outros papéis

Faff: A simples troca de pares ainda funciona?

Nós reexaminamos e aprimoramos as evidências sobre o "comércio de pares", mais proeminentemente documentado nos mercados norte-americanos por Gatev, Goeztmann e Rouwenhorst (1999, 2006). Estendendo sua análise original para junho de 2008, confirmamos a continuação da tendência de queda na lucratividade. No entanto, ao contrário da crença popular, descobrimos que o aumento da atividade dos fundos de hedge não é uma explicação plausível para o declínio. Em vez disso, observamos que as propriedades de convergência subjacentes são menos confiáveis ​​- há uma probabilidade maior de que um par de substitutos próximos nos últimos 12 meses não sejam mais substitutos próximos no semestre subsequente. Essa fragilidade na dinâmica da Lei do Preço Único reflete riscos fundamentais aumentados, ou incerteza na percepção do mercado de valores relativos dos títulos emparelhados. No entanto, ainda achamos que mais da metade dos pares selecionados são lucrativos ou muito lucrativos. Além disso, demonstramos algum sucesso na identificação desses casos de sucesso, aumentando o método original de emparelhamento de pares para incorporar o aspecto da série temporal dos preços históricos e / ou concentrando-se em indústrias com um alto nível de homogeneidade.

Este artigo testa as implicações de precificação de ativos da hipótese de mudança de atenção do investidor proposta em trabalhos teóricos recentes. Nosso objetivo é avaliar diretamente como a dinâmica de desatenção do investidor afeta a eficiência relativa de preços dos ativos vinculados. Criamos um novo proxy para a distração dos investidores nas séries temporais e exploramos seu impacto em uma configuração promissora e até então amplamente negligenciada: negociação de pares de ações (Gatev, 2006), uma abordagem de arbitragem de valor relativo proprietária popular. Baseando-se em quase 50 anos de dados diários para o mercado de ações dos EUA, bem como em evidências de oito principais mercados de ações internacionais, fornecemos evidências amplas e robustas para efeitos substanciais de distração. Por exemplo, o retorno médio de um mês em pares de ações long-short norte-americanos que abrem em dias de alta distração é cerca de duas vezes maior que o retorno em pares que abrem em dias de baixa distração. Diversos testes conceitualmente bastante diversos dão suporte à ideia de que a atenção do investidor variável no tempo é uma importante fonte de atrito nos mercados financeiros.

Mostramos que uma estratégia de negociação de pares acionários gera retornos anormais grandes e significativos. Em seguida, examinamos os impulsionadores econômicos dessa estratégia. Primeiro, descobrimos que esse retorno não é impulsionado apenas pela reversão de curto prazo dos retornos. Em segundo lugar, decompomos as correlações de retorno de ações em pares àquelas que podem ser explicadas por fatores comuns (como tamanho, book-to-market e accruals) e aqueles que não podem. Descobrimos que as correlações de pares explicáveis ​​por fatores comuns conduzem a maioria dos retornos de negociação de pares. Terceiro, os lucros ponderados pelo valor da negociação de pares são maiores nas empresas em um ambiente de informação mais rico, e nossa estratégia de negociação tem desempenho insatisfatório na recente crise de liquidez, sugerindo que os lucros da negociação de pares não são impulsionados principalmente pelo atraso na difusão e na fluidez da informação. provisão. Finalmente, de acordo com a teoria de eficiência de mercado adaptativa, o retorno a essa estratégia simples de negociação de pares diminuiu com o tempo.

Este artigo examina uma estratégia de negociação de pares de ações usando dados diários, semanais e mensais sobre os preços das ações no período 1998-2007. Os autores mostram que quando as ações são combinadas em pares com distância mínima entre os preços históricos normalizados, uma regra de negociação simples baseada na volatilidade entre esses preços gera retornos brutos anualizados de até 15% para a frequência de dados semanal. Os resultados do Bootstrap sugerem que os retornos da estratégia são atribuíveis à habilidade e não à sorte, enquanto coeficientes beta insignificantes fornecem evidência de que essa é uma estratégia neutra de mercado. A resistência dos retornos da estratégia aos fatores de reversão sugere que a negociação de pares é fundamentalmente diferente das estratégias de reversão documentadas anteriormente baseadas em conceitos como a reversão à média.

A regra de arbitragem de valor relativo ("pares de negociação") é uma estratégia de investimento especulativo bem estabelecida nos mercados financeiros, que remonta à década de 1980. Com base no preço incorreto relativo entre um par de ações, as estratégias de negociação de pares criam retornos excedentes se o spread entre dois estoques normalmente em desenvolvimento se afastar de seu caminho de equilíbrio e for considerado reversão à média. Para superar o problema da detecção temporária, em contraste com os desvios mais duradouros do equilíbrio de propagação, este artigo faz uma ponte entre a literatura sobre a mudança de regime de Markov e o trabalho científico sobre arbitragem estatística.

Estratégias de arbitragem estatística, como a negociação de pares e suas generalizações, dependem da construção de spreads reversíveis com um certo grau de previsibilidade. Este artigo aplica testes de cointegração para identificar ações a serem usadas em pares, estratégias de negociação. Além de estimar o equilíbrio de longo prazo e modelar os resíduos resultantes, selecionamos pares de ações para compor uma carteira de negociação de pares com base em um indicador de lucratividade avaliado na amostra. A rentabilidade da estratégia é avaliada com dados da Bolsa de Valores de São Paulo de janeiro de 2005 a outubro de 2012. A análise empírica mostra que a estratégia proposta apresenta retornos excedentes de 16,38% ao ano, Índice de Sharpe de 1,34 e baixa correlação com o mercado.

Neste documento, fornecemos a primeira evidência abrangente do Reino Unido sobre a lucratividade da estratégia de negociação de pares. Evidências sugerem que a estratégia funciona bem em períodos de crise, então nós controlamos o risco e a flexibilidade para avaliar o desempenho. Para avaliar o efeito das fricções de mercado na estratégia, usamos várias estimativas de custos de transação. Também apresentamos evidências sobre o desempenho da estratégia em diferentes estados econômicos e de mercado. Nossos resultados mostram que os portfólios de negociação de pares geralmente têm pouca exposição a fatores de risco de ações conhecidos, como mercado, tamanho, valor, momentum e reversão. No entanto, um modelo que controla o risco e a liquidez explica uma proporção muito maior de retornos. A incorporação de diferentes suposições sobre o lance pede spreads leva a reduções nas estimativas de desempenho. Quando permitimos exposições ao risco variáveis ​​no tempo, condicionadas ao retorno do mercado acionário contemporâneo, os retornos ajustados ao risco geralmente não são significativamente diferentes de zero.

Um estudo exploratório é realizado para avaliar a persistência da cointegração entre as ações dos EUA. Em outras palavras, se um par de ações for cointegrado em um período, é provável que ele seja cointegrado no período subsequente? É realizado um exame de pares formados a partir dos constituintes do S & P 500 durante cada um dos anos civis de 2002-2012, compreendendo mais de 860.000 pares no total. A evidência não suporta a hipótese de que a cointegração é uma propriedade persistente.

Realizamos uma análise empírica em larga escala de pares de negociação, uma abordagem popular de arbitragem de valor relativo. Começamos com um estudo entre países de 34 mercados de ações internacionais e descobrimos que retornos anormais são um fenômeno persistente. Em seguida, construímos um conjunto abrangente de dados dos EUA para explorar mais profundamente as fontes por trás da lucratividade intrigante. Nossas descobertas indicam que o tipo de notícia que leva ao par da divergência, a dinâmica da atenção do investidor, bem como a dinâmica dos limites da arbitragem, são fatores importantes do desempenho variável da estratégia no tempo.

Motivado pela prática da indústria de negociação de pares, estudamos as estratégias de timing ideais para negociar um spread de preço que reverta a média. Um problema ótimo de parada dupla é formulado para analisar o momento de iniciar e subsequentemente otimizar a posição, sujeito aos custos de transação. Modelando o spread de preços por um processo de Ornstein-Uhlenbeck, aplicamos uma metodologia probabilística e derivamos rigorosamente os intervalos ótimos de preço para entrada e saída no mercado. Como extensão, incorporamos uma restrição de perda de limite para limitar a perda máxima. Mostramos que a região de entrada é caracterizada por um intervalo de preço limitado que fica estritamente acima do nível de stop loss. Quanto ao tempo de saída, um nível de stop loss mais alto sempre implica um nível de take-profit ótimo mais baixo. Os resultados analíticos e numéricos são fornecidos para ilustrar a dependência das estratégias de temporização nos parâmetros do modelo, como custo de transação e nível de perda de parada.

A negociação de pares é uma estratégia de investimento especulativo bem reconhecida que é amplamente utilizada nos mercados financeiros, e o método da distância é a estratégia de negociação de pares mais comumente implementada por traders e fundos de hedge. No entanto, esta abordagem, que pode ser vista como uma análise de correlação linear padrão, só é capaz de descrever completamente a estrutura de dependência entre ações sob a hipótese de retornos normais multivariados. Para superar essa limitação, propomos uma nova estratégia de negociação de pares usando a técnica de modelagem de copula. O cópula permite estimar separadamente as distribuições marginais dos retornos das ações, bem como sua estrutura de dependência conjunta. Assim, a nova estratégia proposta, que é baseada na estrutura de dependência ótima estimada e nas distribuições marginais, pode identificar posições relativas subvalorizadas ou supervalorizadas com mais precisão e confiança. Assim, considera-se gerar mais oportunidades de negociação e lucros. Um exemplo simples de um par de um ciclo é usado para ilustrar as vantagens do método proposto. Além disso, uma grande amostra de análise usando os dados da indústria de serviços públicos também é fornecida. Os resultados empíricos gerais verificaram que a estratégia proposta pode gerar maiores lucros em comparação com o método da distância convencional. Argumentamos que a estratégia de negociação proposta pode ser considerada como uma generalização da estratégia de negociação de pares convencional.

Este artigo testa a estratégia de negociação de pares proposta por Gatev, Goetzmann e Rouwenhorts (2006). Investiga se a rentabilidade dos pares que se abrem após um dia de volume acima da média em um dos ativos é distinta nas características dos retornos e se a introdução de um limite nos dias em que o par está aberto pode melhorar os retornos da estratégia. Os resultados sugerem que, de fato, os pares abertos após um choque unilateral são menos lucrativos e que uma limitação no número de dias em que um par está aberto pode melhorar significativamente a lucratividade em até 30 pontos-base por mês.

Examinamos e comparamos o desempenho de três diferentes estratégias de negociação de pares - a cointegração à distância e métodos cópulas - no mercado acionário dos EUA de 1962 a 2014, usando uma série de custos de negociação variáveis ​​no tempo. Usando várias medidas de desempenho, concluímos que a estratégia de cointegração tem um desempenho tão bom quanto o método da distância. No entanto, o método da cópula mostra um desempenho relativamente ruim. Particularmente, os métodos de distância, cointegração e cópula mostram um retorno mensal médio em excesso de 36, 33 e 5 pontos-base após os custos de transação e 88, 83 e 43 pontos-base antes dos custos de transação. Nos últimos anos, os métodos de distância e cointegração têm apresentado menores oportunidades de negociação, enquanto essa freqüência permanece estável para o método cópula. Enquanto o fator luidez é negativamente correlacionado com os retornos de todas as estratégias, não encontramos evidências de sua correlação com os retornos excedentes do mercado. Todas as estratégias mostram alfas positivos e significativos depois de contabilizar vários fatores de risco.

Analisamos a arbitragem estatística com pares negociando assumindo que o spread de dois ativos segue um processo de Ornstein-Uhlenbeck que reverte a média em torno de um nível de equilíbrio de longo prazo. Nesse contexto, comprovamos a existência de arbitragem estatística e obtemos condições de otimalidade para negociação da carteira de spread. Na existência de incerteza na média de longo prazo e na volatilidade do spread, a arbitragem estatística não é mais garantida. No entanto, a probabilidade de perda assintótica pode ser limitada como uma função do erro padrão dos parâmetros do modelo. O framework proposto fornece uma nova tecnologia de filtragem para identificar os melhores pares no mercado. Exemplos empíricos são fornecidos para três pares de ações da NYSE.

Assumimos que o desvio nos retornos dos preços dos ativos consiste em um componente idiossincrático e um componente comum dado por um fator de cointegração. Analisamos a estratégia de investimento ideal para um agente que maximiza a utilidade esperada da riqueza, negociando dinamicamente esses ativos. A solução ótima é construída explicitamente em forma fechada e mostra-se afim no fator de cointegração. Calibramos o modelo para três ativos negociados na bolsa Nasdaq (Google, Facebook e Amazon) e empregamos simulações para demonstrar o desempenho da estratégia.

Este artigo investiga como os dois direcionadores técnicos, volatilidade e correlação, influenciam o algoritmo de negociação de pares de estratégias de investimento. Nós modelamos e comprovamos empiricamente a conexão entre a seleção de pares baseada em regras, o algoritmo de negociação e o retorno total. Nossas percepções explicam por que a rentabilidade da negociação de pares varia entre mercados, setores, circunstâncias macroeconômicas e características da empresa. Além disso, avaliamos criticamente o poder do procedimento de seleção de pares aplicado tradicionalmente. No mercado norte-americano, encontramos retornos mensais ajustados ao risco de até 76 pb para carteiras, que são classificados duas vezes em volatilidade e correlação entre 1990 e 2014. Nossos resultados são robustos para questões de liquidez, spread bid-ask e limites de arbitragem.

O retorno da estratégia de negociação de pares depende dos movimentos de divergência / convergência de um par selecionado de preços de ações. No entanto, se a relação estável de longo prazo das ações mudar, o preço não convergirá e o comércio aberto após divergência será encerrado com perdas. Propomos um novo modelo que, incluindo as variáveis ​​fundamentais das empresas que medem fatores idiossincráticos, antecipa as mudanças nessa relação e rejeita aquelas negociações desencadeadas por uma divergência produzida por mudanças fundamentais em uma das empresas. O modelo é testado em ações europeias e os resultados obtidos superam os do modelo de distância base.

Examinamos um novo método para identificar substitutos econômicos próximos no contexto da arbitragem de valor relativo. Mostramos que substitutos econômicos próximos correspondem a um caso especial de cointegração, pelo qual os preços individuais têm aproximadamente a mesma exposição a um fator não estacionário comum. Uma métrica de proximidade construída a partir da relação de cointegração prevê fortemente a probabilidade de convergência e a lucratividade na negociação de pares baseados em cointegração. De 1962 a 2013, uma estratégia de negociação de pares cointegrados de paridade próxima gera 58 bps por mês após os custos de negociação, experimenta uma probabilidade de convergência de 71% e supera uma estratégia de pares selecionados por distâncias de preço minimizadas.

A negociação de pares é uma estratégia de negociação venerável. Há concordância de que funcionou bem no passado distante. Mas é menos claro se ainda é rentável hoje. Neste documento de trabalho, o universo de pares elegíveis é definido pelas participações de um determinado ETF. É mostrado que os estoques devem ser de ETFs que selecionam estoques de alta qualidade e baixa volatilidade. A medida usual de proximidade apresentada na literatura é ruim. O artigo apresenta uma alternativa simples e claramente superior baseada em cruzamentos zero. A estratégia é executada com o universo correto e a regra de seleção de pares aprimorada antes dos custos de negociação ser muito boa. Depende dos custos de negociação assumidos, se isso também estiver na vida de negociação real.

Este artigo utiliza dados do S & P100 para examinar o desempenho de carteiras de negociação de pares que são classificadas pelo nível de significância da cointegração entre seus constituintes. Descobrimos que portfólios que são formados com pares altamente cointegrados, denominados "supercointegrados", produzem o melhor desempenho, refletindo uma relação positiva entre o nível de cointegração e a lucratividade da negociação de pares. O portfólio supercointegrado também apresenta desempenho superior fora da amostra para os investimentos simples de compra e manutenção no portfólio de mercado em termos de índice de Sharpe. Ligamos o risco de variação de tempo da estratégia de negociação de pares à volatilidade agregada do mercado. Além disso, relatamos uma relação risco-retorno positiva entre a estratégia e a volatilidade do mercado, que é reforçada durante o mercado de baixa. Nossos resultados permanecem válidos ao aplicar a estratégia aos dados do índice europeu.

Realizamos um estudo para avaliar e comparar o desempenho relativo das estratégias de negociação de distância e pares de cópula mistas. Usando dados das ações do S & P 500 de 1990 a 2015, descobrimos que a estratégia de cópula mista é capaz de gerar um retorno médio excedente maior do que o método tradicional de distância sob diferentes estruturas de ponderação quando o número de sinais negociáveis ​​é equiparável. Particularmente, os métodos de cópula mista e distância mostram um excesso médio ponderado de valor anualizado após os custos no capital comprometido e totalmente investido de 3,98% e 3,14% e 12,73% e 6,07%, respectivamente, com índices anuais de Sharpe de até 0,88. A estratégia de cópula mista mostra alfas positivos e significativos durante o período de amostragem após a contabilização de vários fatores de risco. Também fornecemos algumas evidências sobre o desempenho das estratégias em diferentes estados de mercado.

Examinamos o desempenho das regras técnicas de negociação na estratégia de investimento em arbitragem estatística usando dados diários de 1990 a 2016 para 15 pares de commodities, patrimônio e moeda. Adotando o método de taxa de descoberta falsa para controlar o viés de bisbilhotagem de dados e exercitar 18.412 regras técnicas de negociação, encontramos evidências de previsibilidade significativa e excesso de lucratividade, especialmente para spreads de commodities, em que a estratégia de melhor desempenho gera um retorno médio anualizado de 17,6%. Além disso, realizamos uma análise fora da amostra para validar cruzados nossos resultados em subperíodos diferentes. Verificamos que, embora a rentabilidade das regras baseadas em análise técnica apresente uma tendência descendente em relação à amostra, as oportunidades de troca de pares foram aumentadas em certos casos.

Avaliação de estratégias de negociação.

16 Páginas Publicado em: 3 de agosto de 2014 Última revisão: 26 de agosto de 2014.

Campbell R. Harvey.

Duke University - Fuqua School of Business; Agência Nacional de Pesquisa Econômica (NBER); Duke Innovation & Entrepreneurship Initiative.

Texas A & M University, Departamento de Finanças.

Data de Escrita: 25 de agosto de 2014.

Fornecemos algumas novas ferramentas para avaliar estratégias de negociação. Quando se sabe que muitas estratégias e combinações de estratégias foram tentadas, precisamos ajustar nosso método de avaliação para esses múltiplos testes. Sharpe Ratios e outras estatísticas serão exageradas. Nossos métodos são simples de implementar e permitem a avaliação em tempo real das estratégias de negociação do candidato.

Palavras-chave: Relação de Sharpe, Múltiplos testes, Holm, BHY, Bonferroni, Seleção de estratégias, Backtest, Corte de cabelo, Relação de Sharpe de corte de cabelo, Mineração de dados, Machine Learning, Higgs Boson, Estratégias de Negociação, Testes fora da amostra, Testes in-Sample, FDR FWER, Capital IQ, PBO.

Classificação JEL: G12, G14, G30, G00, C12, C20, B41.

Um sistema rotacional tão simples que um homem das cavernas poderia trocá-lo.

O problema com essas estratégias rotacionais é que, a menos que alguém esteja emitindo os sinais ou o investidor tenha a capacidade de configurar a estratégia no Excel, não há uma maneira fácil para o investidor negociar o sistema rotacional. Há simplesmente muitas variáveis ​​para calcular à mão, e a maioria dos investidores não tem tempo ou inclinação para aprender R ou aprender a codificar em Tradestation ou algo parecido.

O que eu gosto na idéia do Redshark é que, como o título indica, é muito fácil calcular os sinais. Na verdade, tudo que se precisa é o mais básico dos pacotes de gráficos.

Testei-o sobre os Fundos Setoriais da Fidelity, que eu particularmente gosto porque eles podem ser negociados sem derrapagens e comissões zero. Isso os torna candidatos perfeitos para testes, já que os resultados históricos têm maior probabilidade de serem generalizados no futuro.

Tudo o que foi dito, aqui estão as regras:

Compre os 3 fundos que estiveram acima de suas médias móveis de 50 dias pelo maior número de dias Reserve os fundos por pelo menos 30 dias No 30º dia, se o $ SPX estiver abaixo da média móvel de 50 dias, todos os fundos serão liquidados no dia seguinte e o sistema não negociará novamente até que o $ SPX esteja acima da média móvel de 50 dias. No 30º dia, se as posições abertas ainda estiverem entre as 3 primeiras, não faça nada e reavalie no dia seguinte OU se um fundo ainda não estiver classificado entre os 3 primeiros, venda-o no 31º dia e compre o primeiro. fundo que o substituiu no top 3.

Isso é tudo que existe para isso. Eu não otimizei as variáveis. Eu escolhi 50 dias para ambos porque eu simplesmente prefiro a média móvel de 50 dias.

Resultados de 1.1.2000 a 2.2.2012.

Retorno Anual Composto: 12,21% Vencedores: 60,78% Desembolso Máximo do Sistema: -32.10% Sharpe: 0.74.

Espero que a maioria dos leitores se pergunte o que isso fará com os ETFs. Eu estou me perguntando também.

Redshark sugeriu usar títulos. Eu adicionei dois títulos da Fidelity (FBNDX e FTBFX) ao portfólio, e eles tiveram um efeito deletério no desempenho.

Então você tem: um sistema rotacional muito simples que bate buy-and-hold com drawdowns reduzidos, e você não precisa de nenhum software especializado para gerar os sinais.

US Search Desktop.

Agradecemos seus comentários sobre como melhorar a Pesquisa do Yahoo. Este fórum é para você fazer sugestões de produtos e fornecer feedback atencioso. Estamos sempre tentando melhorar nossos produtos e podemos usar o feedback mais popular para fazer uma mudança positiva!

Se você precisar de assistência de qualquer tipo, visite nosso fórum de suporte à comunidade ou encontre ajuda individualizada em nosso site de ajuda. Este fórum não é monitorado por nenhum problema relacionado a suporte.

O fórum de comentários do produto do Yahoo agora exige um ID e uma senha válidos do Yahoo para participar.

Agora você precisa fazer login usando sua conta de e-mail do Yahoo para nos fornecer feedback e enviar votos e comentários para as ideias existentes. Se você não tiver um ID do Yahoo ou a senha do seu ID do Yahoo, inscreva-se para obter uma nova conta.

Se você tiver um ID e uma senha válidos do Yahoo, siga estas etapas se quiser remover suas postagens, comentários, votos e / ou perfil do fórum de comentários do produto do Yahoo.

Vote em uma ideia existente () ou publique uma nova ideia…

Idéias quentes Idéias superiores Novas ideias Categoria Status Meu feedback.

Xnxx vedios.

Trazer de volta o layout antigo com pesquisa de imagens.

sim: a única possibilidade (eu acho) enviar todas as informações para (alienvault.

Desinformação na ordem DVD.

Eu pedi DVD / Blueray "AL. A confidencial" tudo que eu consegui foi Blue ray & amp; um contato # para obter o DVD que não funcionou. Eu encomendo minha semana com Marilyn ____DVD / blue ray & amp; Eu peguei os dois - tolamente, assumi que o mesmo se aplicaria a L. A. ___ETC não. Eu não tenho uma máquina de raio azul ----- Eu não quero uma máquina de raio azul Eu não quero filmes blueray. Como obtenho minha cópia de DVD de L. A. Confidential?

yahoo, pare de bloquear email.

Passados ​​vários meses agora, o Yahoo tem bloqueado um servidor que pára nosso e-mail.

O Yahoo foi contatado pelo dono do servidor e o Yahoo alegou que ele não bloquearia o servidor, mas ainda está sendo bloqueado. CEASE & amp; DESISTIR.

Não consigo usar os idiomas ingleses no e-mail do Yahoo.

Por favor, me dê a sugestão sobre isso.

Motor de busca no Yahoo Finance.

Um conteúdo que está no Yahoo Finance não aparece nos resultados de pesquisa do Yahoo ao pesquisar por título / título da matéria.

Existe uma razão para isso, ou uma maneira de reindexar?

Procure por "turkey ******" imagens sem ser avisado de conteúdo adulto ou que o mostre.

O Yahoo está tão empenhado em atender os gostos lascivos das pessoas que nem posso procurar imagens de uma marca de "peitos de peru" sem ser avisado sobre conteúdo adulto? Apenas usar a palavra "******" em QUALQUER contexto significa que provavelmente vou pegar seios humanos em toda a página e ter que ser avisado - e passar por etapas para evitá-lo?

Aqui está minha sugestão Yahoo:

Invente um programa de computador que reconheça palavras como 'câncer' ou 'peru' ou 'galinha' em uma frase que inclua a palavra '******' e não assuma automaticamente que a digitação "***** * "significa que estou procurando por ***********.

Descobrir uma maneira de fazer com que as pessoas que ESTÃO procurando *********** busquem ativamente por si mesmas, sem assumir que o resto de nós deve querer ************************************************ uma palavra comum - ****** - que qualquer um pode ver qualquer dia em qualquer seção de carne em qualquer supermercado em todo o país. :(

O Yahoo está tão empenhado em atender os gostos lascivos das pessoas que nem posso procurar imagens de uma marca de "peitos de peru" sem ser avisado sobre conteúdo adulto? Apenas usar a palavra "******" em QUALQUER contexto significa que provavelmente vou pegar seios humanos em toda a página e ter que ser avisado - e passar por etapas para evitá-lo?

Aqui está minha sugestão Yahoo:

Invente um programa de computador que reconheça palavras como 'câncer' ou 'peru' ou 'galinha' em uma frase que inclua a palavra '******' e não assuma automaticamente que a digitação "***** * "significa que estou procurando por mais ...

Por que, quando eu faço login no YahooGroups, todos os grupos aparecem em francês ?!

Quando entro no YahooGroups e ligo para um grupo, de repente tudo começa a aparecer em francês? O que diabos está acontecendo lá ?! Por alguma razão, o sistema está automaticamente me transferindo para o fr. groups. yahoo. Alguma ideia?

consertar o que está quebrado.

Eu não deveria ter que concordar com coisas que eu não concordo com a fim de dizer o que eu acho - eu não tive nenhum problema resolvido desde que comecei a usar o Yahoo - fui forçado a jogar meu antigo mensageiro, trocar senhas, obter novas messenger, disse para usar o meu número de telefone para alertar as pessoas que era o meu código de segurança, receber mensagens diárias sobre o bloqueio de yahoo tentativas de uso (por mim) para quem sabe por que como ele não faz e agora eu obter a nova política aparecer em cada turno - as empresas costumam pagar muito caro pela demografia que os usuários fornecem para você, sem custo, pois não sabem o que você está fazendo - está lá, mas não está bem escrito - e ninguém pode responder a menos que concordem com a política. Já é ruim o suficiente você empilhar o baralho, mas depois não fornece nenhuma opção de lidar com ele - o velho era bom o suficiente - todas essas mudanças para o pod de maré comendo mofos não corta - vou relutantemente estar ativamente olhando - estou cansado do mudanças em cada turno e mesmo aqueles que não funcionam direito, eu posso apreciar o seu negócio, mas o Ameri O homem de negócios pode vender-nos ao licitante mais alto por muito tempo - desejo-lhe boa sorte com sua nova safra de guppies - tente fazer algo realmente construtivo para aqueles a quem você serve - a cauda está abanando o cachorro novamente - isso é como um replay de Washington d c

Eu não deveria ter que concordar com coisas que eu não concordo com a fim de dizer o que eu acho - eu não tive nenhum problema resolvido desde que comecei a usar o Yahoo - fui forçado a jogar meu antigo mensageiro, trocar senhas, obter novas messenger, disse para usar o meu número de telefone para alertar as pessoas que era o meu código de segurança, receber mensagens diárias sobre o bloqueio de yahoo tentativas de uso (por mim) para quem sabe por que isso acontece e agora eu recebo a nova política em cada turno - as empresas costumam pagar muito pela demografia que os usuários fornecem para você ... mais.

Pares de Negociação com Ações.

O conceito de negociação de pares é direto - encontre 2 ações que têm preços que se movem historicamente juntos e apostam na convergência quando o spread entre eles se amplia. Essa arbitragem relativa deve exibir uma expectativa de retorno positiva, pois geralmente há alta probabilidade de convergência. A estratégia básica (como mencionado em Gatev, Goetzmann, Rouwenhorst, 2006) tornou-se popular, portanto, essas regras simples ainda são lucrativas, mas os lucros estão lentamente se desgastando. Muitas novas melhorias na estratégia surgiram, portanto, nos últimos anos (poderíamos mencionar, por exemplo, Do, Faff, 2010).

Razão fundamental.

Como os preços em pares de ações estavam intimamente cointegrados no passado, há alta probabilidade de que esses dois papéis compartilhem fontes comuns de correlações de retorno fundamentais. Um choque temporário poderia tirar uma ação da faixa de preço comum, que apresenta uma oportunidade de arbitragem estatística. O universo de pares é continuamente atualizado, o que garante que os pares que não se movem mais em sincronia sejam removidos da negociação, e apenas os pares com alta probabilidade de convergência permanecem.

pares de negociação, equity long short, arbitragem.

Estratégia de negociação simples.

As ações iluid são removidas do universo de investimento. O índice de retorno total acumulado é então criado para cada ação (dividendos incluídos) e o preço inicial durante o período de formação é definido como $ 1 (normalização de preço). Os pares são formados ao longo de um período de doze meses (período de formação) e são negociados no próximo período de seis meses (período de negociação). O parceiro correspondente para cada ação é encontrado procurando a segurança que minimiza a soma dos desvios quadrados entre duas séries de preços normalizados. Os 20 pares superiores com a menor medida histórica de distância são então negociados e a posição long-short é aberta quando os preços dos pares divergiram em dois desvios padrão e a posição é fechada quando os preços retornam.

Documento de Origem.

Gatev, Goetzmann, Rouwenhorst: Pares de Negociação: Desempenho de uma Regra de Arbitragem de Valor Relativo.

Testamos uma estratégia de investimento de Wall Street, negociação de pares, com dados diários em 1962-2002. As ações são combinadas em pares com uma distância mínima entre os preços históricos normalizados. Uma regra de negociação simples gera retornos excedentes médios anualizados de até 11% para portfólios de pares de autofinanciamento. Os lucros geralmente excedem as estimativas conservadoras de custos de transação. Resultados de bootstrap sugerem que o efeito de pares difere dos lucros de reversão documentados anteriormente. A robustez dos retornos excedentes indica que os pares negociam lucros de preços errados temporários de substitutos próximos. Relacionamos a rentabilidade com a presença de um fator comum nos retornos, diferente das medidas de risco convencionais.

Outros papéis

Faff: A simples troca de pares ainda funciona?

Nós reexaminamos e aprimoramos as evidências sobre o "comércio de pares", mais proeminentemente documentado nos mercados norte-americanos por Gatev, Goeztmann e Rouwenhorst (1999, 2006). Estendendo sua análise original para junho de 2008, confirmamos a continuação da tendência de queda na lucratividade. No entanto, ao contrário da crença popular, descobrimos que o aumento da atividade dos fundos de hedge não é uma explicação plausível para o declínio. Em vez disso, observamos que as propriedades de convergência subjacentes são menos confiáveis ​​- há uma probabilidade maior de que um par de substitutos próximos nos últimos 12 meses não sejam mais substitutos próximos no semestre subsequente. Esta fragilidade na dinâmica da Lei do Preço Único reflete riscos fundamentais aumentados, ou incerteza na percepção do mercado de valores relativos dos títulos emparelhados. No entanto, ainda achamos que mais da metade dos pares selecionados são lucrativos ou muito lucrativos. Além disso, demonstramos algum sucesso na identificação desses casos de sucesso, aumentando o método original de emparelhamento de pares para incorporar o aspecto da série temporal dos preços históricos e / ou concentrando-se em indústrias com um alto nível de homogeneidade.

Este artigo testa as implicações de precificação de ativos da hipótese de mudança de atenção do investidor proposta em trabalhos teóricos recentes. Nosso objetivo é avaliar diretamente como a dinâmica de desatenção do investidor afeta a eficiência relativa de preços dos ativos vinculados. Criamos um novo proxy para a distração dos investidores nas séries temporais e exploramos seu impacto em uma configuração promissora e até então amplamente negligenciada: negociação de pares de ações (Gatev, 2006), uma abordagem de arbitragem de valor relativo proprietária popular. Baseando-se em quase 50 anos de dados diários para o mercado de ações dos EUA, bem como em evidências de oito principais mercados de ações internacionais, fornecemos evidências amplas e robustas para efeitos substanciais de distração. Por exemplo, o retorno médio de um mês em pares de ações long-short norte-americanos que abrem em dias de alta distração é cerca de duas vezes maior que o retorno em pares que abrem em dias de baixa distração. Diversos testes conceitualmente bastante diversos dão suporte à ideia de que a atenção do investidor variável no tempo é uma importante fonte de atrito nos mercados financeiros.

Mostramos que uma estratégia de negociação de pares acionários gera retornos anormais grandes e significativos. Em seguida, examinamos os impulsionadores econômicos dessa estratégia. Primeiro, descobrimos que esse retorno não é impulsionado apenas pela reversão de curto prazo dos retornos. Em segundo lugar, decompomos as correlações de retorno de ações em pares àquelas que podem ser explicadas por fatores comuns (como tamanho, book-to-market e accruals) e aqueles que não podem. Descobrimos que as correlações de pares explicáveis ​​por fatores comuns conduzem a maioria dos retornos de negociação de pares. Terceiro, os lucros ponderados pelo valor da negociação de pares são maiores nas empresas em um ambiente de informação mais rico, e nossa estratégia de negociação tem desempenho insatisfatório na recente crise de liquidez, sugerindo que os lucros da negociação de pares não são impulsionados principalmente pelo atraso na difusão e na fluidez da informação. provisão. Finalmente, de acordo com a teoria de eficiência de mercado adaptativa, o retorno a essa estratégia simples de negociação de pares diminuiu com o tempo.

Este artigo examina uma estratégia de negociação de pares de ações usando dados diários, semanais e mensais sobre os preços das ações no período 1998-2007. Os autores mostram que quando as ações são combinadas em pares com distância mínima entre os preços históricos normalizados, uma regra de negociação simples baseada na volatilidade entre esses preços gera retornos brutos anualizados de até 15% para a frequência de dados semanal. Os resultados do Bootstrap sugerem que os retornos da estratégia são atribuíveis à habilidade e não à sorte, enquanto coeficientes beta insignificantes fornecem evidência de que essa é uma estratégia neutra de mercado. A resistência dos retornos da estratégia aos fatores de reversão sugere que a negociação de pares é fundamentalmente diferente das estratégias de reversão documentadas anteriormente baseadas em conceitos como a reversão à média.

A regra de arbitragem de valor relativo ("pares de negociação") é uma estratégia de investimento especulativo bem estabelecida nos mercados financeiros, que remonta à década de 1980. Com base no preço incorreto relativo entre um par de ações, as estratégias de negociação de pares criam retornos excedentes se o spread entre dois estoques normalmente em desenvolvimento se afastar de seu caminho de equilíbrio e for considerado reversão à média. Para superar o problema da detecção temporária, em contraste com os desvios mais duradouros do equilíbrio de propagação, este artigo faz uma ponte entre a literatura sobre a mudança de regime de Markov e o trabalho científico sobre arbitragem estatística.

Estratégias de arbitragem estatística, como a negociação de pares e suas generalizações, dependem da construção de spreads reversíveis com um certo grau de previsibilidade. Este artigo aplica testes de cointegração para identificar ações a serem usadas em pares, estratégias de negociação. Além de estimar o equilíbrio de longo prazo e modelar os resíduos resultantes, selecionamos pares de ações para compor uma carteira de negociação de pares com base em um indicador de lucratividade avaliado na amostra. A rentabilidade da estratégia é avaliada com dados da Bolsa de Valores de São Paulo de janeiro de 2005 a outubro de 2012. A análise empírica mostra que a estratégia proposta apresenta retornos excedentes de 16,38% ao ano, Índice de Sharpe de 1,34 e baixa correlação com o mercado.

In this paper we provide the first comprehensive UK evidence on the profitability of the pairs trading strategy. Evidence suggests that the strategy performs well in crisis periods, so we control for both risk and luidity to assess performance. To evaluate the effect of market frictions on the strategy we use several estimates of transaction costs. We also present evidence on the performance of the strategy in different economic and market states. Our results show that pairs trading portfolios typically have little exposure to known equity risk factors such as market, size, value, momentum and reversal. However, a model controlling for risk and luidity explains a far larger proportion of returns. Incorporating different assumptions about bid ask spreads leads to reductions in performance estimates. When we allow for time-varying risk exposures, conditioned on the contemporaneous equity market return, risk adjusted returns are generally not significantly different from zero.

An exploratory study is conducted to assess the persistence of cointegration among U. S. equities. In other words, if a pair of equities is found to be cointegrated in one period, is it likely that it will be found to be cointegrated in the subsequent period? An examination is performed of pairs formed from constituents of the S&P 500 during each of the calendar years 2002-2012, comprising over 860,000 pairs in total. The evidence does not support the hypothesis that cointegration is a persistent property.

We perform a large-scale empirical analysis of pairs trading, a popular relative-value arbitrage approach. We start with a cross-country study of 34 international stock markets and uncover that abnormal returns are a persistent phenomenon. We then construct a comprehensive U. S. data set to explore the sources behind the puzzling profitability in more depth. Our findings indicate that the type of news leading to pair divergence, the dynamics of investor attention as well as the dynamics of limits to arbitrage are important drivers of the strategy's time-varying performance.

Motivated by the industry practice of pairs trading, we study the optimal timing strategies for trading a mean-reverting price spread. An optimal double stopping problem is formulated to analyze the timing to start and subsequently luidate the position subject to transaction costs. Modeling the price spread by an Ornstein-Uhlenbeck process, we apply a probabilistic methodology and rigorously derive the optimal price intervals for market entry and exit. As an extension, we incorporate a stop-loss constraint to limit the maximum loss. We show that the entry region is characterized by a bounded price interval that lies strictly above the stop-loss level. As for the exit timing, a higher stop-loss level always implies a lower optimal take-profit level. Both analytical and numerical results are provided to illustrate the dependence of timing strategies on model parameters such as transaction cost and stop-loss level.

Pairs trading is a well-acknowledged speculative investment strategy that is widely used in the financial markets, and distance method is the most commonly implemented pairs trading strategy by traders and hedge funds. However, this approach, which can be seen as a standard linear correlation analysis, is only able to fully describe the dependency structure between stocks under the assumption of multivariate normal returns. To overcome this limitation, we propose a new pairs trading strategy using copula modeling technue. Copula allows separate estimation of the marginal distributions of stock returns as well as their joint dependency structure. Thus, the proposed new strategy, which is based on the estimated optimal dependency structure and marginal distributions, can identify relative undervalued or overvalued positions with more accuracy and confidence. Hence, it is deemed to generate more trading opportunities and profits. A simple one-pair-one-cycle example is used to illustrate the advantages of the proposed method. Besides, a large sample analysis using the utility industry data is provided as well. The overall empirical results have verified that the proposed strategy can generate higher profits compared with the conventional distance method. We argue that the proposed trading strategy can be considered as a generalization of the conventional pairs trading strategy.

This paper tests the Pairs Trading strategy as proposed by Gatev, Goetzmann and Rouwenhorts (2006). It investigates if the profitability of pairs opening after an above average volume day in one of the assets are distinct in returns characteristics and if the introduction of a limit on the days the pair is open can improve the strategy returns. Results suggest that indeed pairs opening after a single sided shock are less profitable and that a limitation on the numbers of days a pair is open can significantly improve the profitability by as much as 30 basis points per month.

We examine and compare the performance of three different pairs trading strategies - the distance cointegration, and copula methods - on the US equity market from 1962 to 2014 using a time-varying series of trading costs. Using various performance measures, we conclude that cointegration strategy performs as well as the distance method. However, the copula method shows relatively poor performance. Particularly, the distance, cointegration, and copula methods show a mean monthly excess return of 36, 33, and 5 bps after transaction costs and 88, 83, and 43 bps before transaction costs. In recent years, the distance and cointegration methods have presented less trading opportunities whereas this frequency remains stable for the copula method. While luidity factor is negatively correlated to all strategies' returns, we find no evidence of their correlation to market excess returns. Todas as estratégias mostram alfas positivos e significativos depois de contabilizar vários fatores de risco.

We analyse statistical arbitrage with pairs trading assuming that the spread of two assets follows a mean-reverting Ornstein-Uhlenbeck process around a long-term equilibrium level. Within this framework, we prove the existence of statistical arbitrage and derive optimality conditions for trading the spread portfolio. In the existence of uncertainty in the long-term mean and volatility of the spread, statistical arbitrage is no longer guaranteed. However, the asymptotic probability of loss can be bounded as a function of the standard error of the model parameters. The proposed framework provides a new filtering technue for identifying best pairs in the market. Empirical examples are provided for three pairs of stocks from the NYSE.

We assume that the drift in the returns of asset prices consists of an idiosyncratic component and a common component given by a co-integration factor. We analyze the optimal investment strategy for an agent who maximizes expected utility of wealth by dynamically trading in these assets. The optimal solution is constructed explicitly in closed-form and is shown to be affine in the co-integration factor. We calibrate the model to three assets traded on the Nasdaq exchange (Google, Facebook, and Amazon) and employ simulations to showcase the strategy's performance.

This paper investigates how the two technical drivers, volatility and correlation, influence the algorithm of the investment strategy pairs trading. We model and empirically prove the connection between the rule-based pair selection, the trading algorithm, and the total return. Our insights explain why pairs trading profitability varies across markets, industries, macroeconomic circumstances, and firm characteristics. Furthermore, we critically evaluate the power of the traditionally applied pair selection procedure. In the US market, we find risk-adjusted monthly returns of up to 76bp for portfolios, which are double sorted on volatility and correlation between 1990 and 2014. Our findings are robust to luidity issues, bid-ask spread, and limits of arbitrage.

Pairs trading strategy’s return depends on the divergence/convergence movements of a selected pair of stocks’ prices. However, if the stable long term relationship of the stocks changes, price will not converge and the trade opened after divergence will close with losses. We propose a new model that, including companies’ fundamental variables that measure idiosyncratic factors, anticipates the changes in this relationship and rejects those trades triggered by a divergence produced by fundamental changes in one of the companies. The model is tested on European stocks and the results obtained outperform those of the base distance model.

We examine a new method for identifying close economic substitutes in the context of relative value arbitrage. We show that close economic substitutes correspond to a special case of cointegration whereby individual prices have approximately the same exposure to a common nonstationary factor. A metric of closeness constructed from the cointegrating relation strongly predicts both convergence probability and profitability in cointegration-based pairs trading. From 1962 to 2013, a strategy of trading cointegrated pairs of near-parity generates 58 bps per month after trading costs, experiences a 71% convergence probability and outperforms a strategy of pairs selected by minimized price distances.

Pairs trading is a venerable trading strategy. There is agreement that it worked fine in the far past. But it is less clear if it still profitable today. In this working paper the universe of eligible pairs is defined by the holdings of a given ETF. It is shown that the stocks must be from ETFs which select high-quality, low-volatility stocks. The usual closeness measure presented in the literature performs poor. The paper presents a simple and clearly superior alternative based on zero-crossings. The strategy performs with the correct universe and the improved pairs selection rule before trading costs quite fine. It depends on the assumed trading costs if this is also in real-trading life the case.

This paper uses S&P100 data to examine the performance of pairs trading portfolios that are sorted by the significance level of cointegration between their constituents. We find that portfolios that are formed with highly cointegrated pairs, named as "supercointegrated", yield the best performance reflecting a positive relationship between the level of cointegration and pairs trading profitability. The supercointegrated portfolio also shows superior out-of-sample performance to the simple buy-and-hold investments on the market portfolio in terms of Sharpe ratio. We link the time-varying risk of the pairs trading strategy to aggregated market volatility. Moreover we report a positive risk-return relationship between the strategy and market volatility, which is enhanced during the bear market. Our results remain valid when applying the strategy to European index data.

We carry out a study to evaluate and compare the relative performance of the distance and mixed copula pairs trading strategies. Using data from the S&P 500 stocks from 1990 to 2015, we find that the mixed copula strategy is able to generate a higher mean excess return than the traditional distance method under different weighting structures when the number of tradeable signals is equiparable. Particularly, the mixed copula and distance methods show a mean annualized value-weighted excess returns after costs on committed and fully invested capital as high as 3.98% and 3.14% and 12.73% and 6.07%, respectively, with annual Sharpe ratios up to 0.88. The mixed copula strategy shows positive and significant alphas during the sample period after accounting for various risk-factors. We also provide some evidence on the performance of the strategies over different market states.

We examine the technical trading rules performance on the statistical arbitrage investment strategy using daily data from 1990 to 2016 for 15 commodity, equity and currency pairs. Adopting the false discovery rate method to control for data snooping bias and exercising 18,412 technical trading rules, we find evidence of significant predictability and excess profitability, especially for commodity spreads, in which the best performing strategy generates an annualized mean excess return of 17.6%. In addition, we perform an out-of-sample analysis to cross-validate our results in different subperiods. We find that whilst the profitability of rules based on technical analysis exhibits a downward trend over the sample, the opportunities for pairs trading returns have been increased in certain cases.