La maggior parte delle grandi imprese di investimento quantitativo (ad esempio Sigma, Renaissance, ecc.) Sono notoriamente riservate sia internamente che esternamente ai loro algoritmi di negoziazione e alle prestazioni dettagliate, ma è un fatto ben noto che queste imprese quantistiche sono tra i migliori Hedge Fund in il mondo ... e considerando che la loro strategia è in gran parte (se non interamente) quantitativa, è quindi logico suggerire che funziona chiaramente.
Inoltre, ho solo bisogno di indirizzarti alla nostra classifica qui: " Algoritmi di trading - Backtest, Performance, Exposure | Quantici e ti permetterò di giudicare da solo se questi sistemi "funzionano".
Ovviamente la risposta più lunga è che la maggior parte degli algoritmi sviluppati dai dilettanti non funzionano in modo coerente. Sono spesso eccessivamente attrezzati e privi di adeguati meccanismi di gestione del rischio. Gli algoritmi di trading quantitativo di Wall Street sono disponibili in molti modi: Algoritmi di esecuzione (le alghe di esecuzione servono a piazzare un grande ordine nel modo più efficiente possibile in modo da influire minimamente sul mercato), algos ad alta frequenza (HFT) combinato con hardware HFT specializzato (questi operano a intervalli di millisecondi), algos basati sul sentiment (questi prendono decisioni basate sul sentimento pubblico), algos basati su varie forme di arbitraggio (ad esempio inefficienze di mercato), algos di gestione del portafoglio a lungo termine ad alta capacità, diamine, si potrebbe anche considerare i robo-advisor della gestione patrimoniale devono essere algos o specie.
Non è difficile fare un modello quantitativo. Non è difficile collegarlo a un ambiente di trading dal vivo. Guadagnare sostanzialmente sui tassi di mercato è una storia diversa.
Il mio primo modello di trading in una banca privata era qualcosa che ora chiamerebbero un algoritmo di programmazione degli obiettivi polinomiale basato su momenti di distribuzione più elevati. Un algoritmo facile da manipolare dagli anziani (grande vantaggio), dai quants per la revisione (grande vantaggio), con metriche di aggiustamento del rischio molto trasparenti.
Prendi i 4 momenti come di seguito:
E poi ottimizzi l'equazione (P6) come di seguito:
Dove vedi λ1, λ2, λ3 e λ4 hai il tuo input variabile per l'alta direzione. Un 1-1-0-0 sarebbe un modello a varianza media, basato sull'assurdità di cui Markowitz stava scrivendo. Tuttavia, le 4 opzioni ti danno una quantità illimitata di portafogli che potresti provare, dallo 0-0-0-1, all'1-1-1-1 al 25-1-3-573.
Questo algoritmo può riequilibrare automaticamente un portfolio con le impostazioni fisse (o dinamiche) che hai inserito.
Funzionava come un treno. Chi inizia con la finanza quantitativa dovrebbe dare un'occhiata a un modello di varianza media-asimmetria-curtosi. È pura base, ma è un inizio migliore nel mondo di QF rispetto al modello 2D Markowitz.
Un secondo modello che ho messo insieme era un sistema EWS su coppie FX in Africa. Quindi per RWF / KES si cercherebbero variabili che potrebbero prevedere il prezzo a lungo termine. Abbiamo finito col contattare un professore coreano su un modello di previsioni del tempo che ha creato. Lo abbiamo rielaborato in MATLAB e abbiamo ricevuto molti dati sulle precipitazioni. Altri fattori stavano creando tutti i tipi di modelli politici / corruzione che avevano guidato lo scambio in passato. Molto divertente, alla fine abbiamo finito per vendere il sistema EWS.
Un altro modello che ho realizzato era basato su variabili macro. Semplici segnali di acquisto e vendita, basati su una combinazione di macro variabili statunitensi pubblicate, dai permessi di alloggio al tasso di disoccupazione mensile. Era un modello estremamente facile. Comprare e vendere in pochi minuti quando una cifra sarebbe stata pubblicata. Lungo e breve allo stesso tempo, uscire allo stesso tempo, sfruttando il vantaggio che lo shock nella variabile ha causato un maggiore profitto in una parte del commercio rispetto all'altra, compensando per un piccolo profitto.
