نحوه شناسایی استراتژی های تجارت الگوریتمی
نحوه شناسایی استراتژی های تجارت الگوریتمی
در این مقاله می خواهم شما را با روشهایی معرفی کنم که من خودم استراتژی های سودآور تجارت الگوریتمی را شناسایی می کنم. هدف ما امروز این است که به تفصیل نحوه یافتن ، ارزیابی و انتخاب چنین سیستم هایی را درک کنیم. من توضیح خواهم داد که چگونه شناسایی استراتژی ها به همان اندازه در مورد ترجیح شخصی در مورد عملکرد استراتژی ، چگونگی تعیین نوع و کمیت داده های تاریخی برای آزمایش ، نحوه ارزیابی یک استراتژی معاملاتی و در آخر چگونگی پیشبرد به مرحله پس زمینه و چگونگی پیشبرد و در آخر اینکه چگونه می توان به مرحله پس زمینه و ارزیابی می کند ، توضیح می دهم. اجرای استراتژی.
شناسایی ترجیحات شخصی خود برای تجارت
برای اینکه یک معامله گر موفق باشید - چه از نظر قابل قبول یا الگوریتمی - لازم است از خودتان سؤالات صادقانه بپرسید. تجارت این امکان را برای شما فراهم می کند که با نرخ نگران کننده پول خود را از دست بدهید ، بنابراین لازم است "خود را بشناسید" به همان اندازه که لازم است برای درک استراتژی انتخابی خود لازم باشد.
من می گویم مهمترین توجه در تجارت ، آگاهی از شخصیت خود شما است. تجارت و تجارت به طور خاص ، به درجه قابل توجهی از نظم و انضباط ، صبر و جدایی عاطفی نیاز دارد. از آنجا که شما به یک الگوریتم اجازه می دهید تجارت خود را برای شما انجام دهد ، لازم است حل شود که هنگام اجرای آن در استراتژی دخالت نکنید. این می تواند بسیار دشوار باشد ، به خصوص در دوره های کشش طولانی. با این حال ، بسیاری از استراتژی ها که نشان داده شده است که در یک پشتی بسیار سودآور هستند ، با تداخل ساده می توانند خراب شوند. درک کنید که اگر می خواهید وارد دنیای تجارت الگوریتمی شوید ، از نظر عاطفی مورد آزمایش قرار خواهید گرفت و برای موفقیت ، لازم است از طریق این مشکلات کار کنید!
نکته بعدی یکی از زمان ها است. آیا کار تمام وقت دارید؟آیا شما پاره وقت کار می کنید؟آیا از خانه کار می کنید یا هر روز رفت و آمد طولانی دارید؟این سؤالات به تعیین فراوانی استراتژی مورد نیاز شما کمک می کند. برای کسانی که در اشتغال تمام وقت شما هستند ، یک استراتژی آتی Intraday ممکن است مناسب نباشد (حداقل تا زمانی که کاملاً خودکار نباشد!). محدودیت های زمانی شما همچنین روش شناسی استراتژی را دیکته می کند. اگر استراتژی شما غالباً معامله و متکی به فیدهای خبری گران قیمت (مانند ترمینال بلومبرگ) باشد ، به وضوح باید در مورد توانایی خود در اجرای موفقیت آمیز این کار در حین دفتر واقع بینانه باشید!برای کسانی از شما که زمان زیادی را دارند یا مهارت های خودکار سازی استراتژی خود ، ممکن است بخواهید به یک استراتژی تجاری فرکانس بالا (HFT) فنی تر توجه کنید.
اعتقاد من این است که لازم است تحقیقات مداوم در مورد استراتژی های معاملاتی خود را برای حفظ یک سبد مداوم سودآور انجام دهید. چند استراتژی برای همیشه "زیر رادار" باقی می مانند. از این رو بخش قابل توجهی از زمان اختصاص یافته به تجارت در انجام تحقیقات مداوم خواهد بود. از خود بپرسید که آیا شما آماده انجام این کار هستید ، زیرا این می تواند تفاوت بین سودآوری قوی یا کاهش آهسته به سمت ضرر باشد.
شما همچنین باید سرمایه تجاری خود را در نظر بگیرید. حداقل مبلغ ایده آل به طور کلی پذیرفته شده برای یک استراتژی کمی 50،000 دلار است (تقریباً 35،000 پوند برای ما در انگلیس). اگر دوباره شروع می کردم ، با مبلغ بیشتری شروع می کردم ، احتمالاً نزدیک به 100000 دلار (تقریباً 70،000 پوند). این امر به این دلیل است که هزینه های معاملات می تواند برای استراتژی های با فرکانس بالا بسیار گران باشد و لازم است سرمایه کافی برای جذب آنها در مواقع کاهش داشته باشد. اگر در نظر دارید با کمتر از 10،000 دلار شروع کنید ، باید خود را به استراتژی های با فرکانس پایین ، تجارت در یک یا دو دارایی محدود کنید ، زیرا هزینه های معاملات به سرعت در بازده شما می خورد. کارگزاران تعاملی که یکی از دوستانه ترین کارگزاران کسانی است که مهارت برنامه نویسی دارند ، به دلیل API ، دارای حداقل 10،000 دلار حساب خرده فروشی است.
مهارت برنامه نویسی یک عامل مهم در ایجاد یک استراتژی تجارت خودکار الگوریتمی است. دانستن در یک زبان برنامه نویسی مانند C ++ ، Java ، C#، Python یا R شما را قادر می سازد تا خودتان ذخیره سازی داده های نهایی ، موتور پشتی و سیستم اجرای خود را ایجاد کنید. این دارای مزایای بسیاری است که رئیس آن توانایی آگاهی کامل از همه جنبه های زیرساخت های تجاری است. همچنین به شما امکان می دهد استراتژی های فرکانس بالاتر را کشف کنید زیرا در کنترل کامل "پشته فناوری" خود خواهید بود. در حالی که این بدان معنی است که شما می توانید نرم افزار خود را آزمایش کرده و اشکالات را از بین ببرید ، همچنین به معنای زمان صرف شده برای کدگذاری زیرساخت ها و کمتر در اجرای استراتژی ها ، حداقل در بخش اولیه حرفه ای تجارت ALGO است. ممکن است متوجه شوید که در Excel یا Matlab تجارت راحتی دارید و می توانید توسعه سایر مؤلفه ها را برون سپاری کنید. من این را توصیه نمی کنم ، به ویژه برای کسانی که با فرکانس بالا تجارت می کنند.
شما باید از خود بپرسید که با تجارت الگوریتمی به چه چیزی می خواهید برسید. آیا به درآمد منظم علاقه دارید ، به موجب آن امیدوار هستید که از حساب معاملاتی خود درآمد کسب کنید؟یا ، آیا شما به سود سرمایه بلند مدت علاقه دارید و بدون نیاز به سرمایه گذاری می توانید تجارت کنید؟وابستگی به درآمد فراوانی استراتژی شما را دیکته می کند. برداشت منظم بیشتر درآمدهای نیاز به استراتژی تجارت فرکانس بالاتری با نوسانات کمتری دارد (یعنی نسبت شارپ بالاتر). معامله گران بلند مدت می توانند یک فرکانس معاملات آرام بخش تری داشته باشند.
سرانجام ، با مفهوم ثروتمند شدن در یک فضای کوتاه از زمان ، فریب نخورید!تجارت Algo یک طرح سریع و غنی نیست-اگر هر چیزی می تواند یک طرح سریع و فقیر باشد. برای موفقیت در تجارت الگوریتمی ، نظم و انضباط ، تحقیق ، کوشش و صبر لازم است. برای ایجاد سودآوری مداوم می تواند ماهها طول بکشد.
ایده های تجارت الگوریتمی
علیرغم برداشت های مشترک برعکس ، یافتن استراتژی های تجاری سودآور در حوزه عمومی کاملاً ساده است. هرگز ایده های تجاری به راحتی از امروز در دسترس نبوده است. مجلات مالی دانشگاهی ، سرورهای پیش چاپ ، وبلاگ های معاملاتی ، انجمن های معاملاتی ، مجلات تجاری هفتگی و متون تخصصی هزاران استراتژی معاملاتی را ارائه می دهند که با آنها می توانید ایده های خود را پایه گذاری کنید.
هدف ما به عنوان محققین تجارت کمی، ایجاد یک خط لوله استراتژی است که جریانی از ایده های معاملاتی مداوم را در اختیار ما قرار دهد. در حالت ایدهآل، ما میخواهیم یک رویکرد روشمند برای منبعیابی، ارزیابی و اجرای استراتژیهایی که با آنها برخورد میکنیم ایجاد کنیم. اهداف خط لوله تولید مقدار ثابتی از ایده های جدید و ارائه چارچوبی برای رد اکثریت این ایده ها با حداقل ملاحظات احساسی است.
ما باید بسیار مراقب باشیم که اجازه ندهیم سوگیری های شناختی بر روش تصمیم گیری ما تأثیر بگذارد. این می تواند به سادگی ترجیح دادن یک طبقه دارایی نسبت به دیگری باشد (طلا و سایر فلزات گرانبها به ذهن متبادر می شوند) زیرا آنها عجیب تر تلقی می شوند. هدف ما همیشه باید یافتن استراتژیهای سودآور و با انتظارات مثبت باشد. انتخاب طبقه دارایی باید بر اساس ملاحظات دیگری مانند محدودیت های سرمایه تجاری، کارمزد کارگزاری و قابلیت های اهرمی باشد.
اگر با مفهوم استراتژی معاملاتی کاملاً ناآشنا هستید، اولین جایی که باید نگاه کنید کتاب های درسی معتبر است. متون کلاسیک طیف گستردهای از ایدههای سادهتر و سرراستتر را ارائه میدهند که میتوانید با تجارت کمی آشنا شوید. در اینجا انتخابی وجود دارد که من برای کسانی که تازه وارد تجارت کمی هستند توصیه می کنم، که به تدریج با کار کردن در لیست پیچیده تر می شوند:
-
- ارنست چان - بری جانسون - شلدون ناتنبرگ - یوان سینکلر - لری هریس
برای فهرست طولانیتری از کتابهای معاملاتی کمی، لطفاً از فهرست خواندن QuantStart دیدن کنید.
مکان بعدی برای یافتن استراتژی های پیچیده تر، انجمن های تجاری و وبلاگ های تجاری است. با این حال، یک نکته احتیاط: بسیاری از وبلاگ های تجاری بر مفهوم تحلیل تکنیکال تکیه دارند. تحلیل تکنیکال شامل استفاده از شاخص های اساسی و روانشناسی رفتاری برای تعیین روند یا الگوهای معکوس در قیمت دارایی ها است.
علیرغم محبوبیت بسیار زیاد در فضای کلی معاملات، تحلیل تکنیکال در جامعه مالی کمی تا حدودی بی اثر تلقی می شود. برخی گفته اند که از نظر قدرت پیش بینی آن بهتر از خواندن فال یا مطالعه برگ چای نیست!در واقع افراد موفقی وجود دارند که از تحلیل تکنیکال استفاده می کنند. با این حال، بهعنوان کمیتهایی که جعبه ابزار ریاضی و آماری پیچیدهتری در اختیار داریم، میتوانیم به راحتی اثربخشی چنین استراتژیهای «مبتنی بر TA» را ارزیابی کنیم و به جای اینکه تصمیمات خود را بر اساس ملاحظات عاطفی یا پیشادعایهها قرار دهیم، تصمیمهای مبتنی بر داده بگیریم.
در اینجا لیستی از وبلاگ ها و انجمن های تجاری الگوریتمی معتبر وجود دارد:
هنگامی که تجربه ای در ارزیابی استراتژی های ساده تر داشتید، وقت آن است که به پیشنهادات علمی پیچیده تر نگاه کنید. دسترسی به برخی مجلات دانشگاهی بدون اشتراک بالا یا هزینه های یکباره دشوار خواهد بود. اگر عضو یا فارغ التحصیل یک دانشگاه هستید، باید بتوانید به برخی از این مجلات مالی دسترسی داشته باشید. در غیر این صورت، میتوانید به سرورهای پیشچاپ نگاه کنید، که مخازن اینترنتی پیشنویسهای دیرهنگام مقالات دانشگاهی هستند که در حال بررسی همتایان هستند. از آنجایی که ما فقط به استراتژی هایی علاقه مندیم که بتوانیم با موفقیت آن ها را تکرار کنیم، پس آزمون را انجام دهیم و سودآوری به دست آوریم، بررسی همتا برای ما اهمیت کمتری دارد.
نکته منفی اصلی استراتژیهای دانشگاهی این است که اغلب یا قدیمی هستند، به دادههای تاریخی مبهم و گرانقیمت نیاز دارند، در طبقات داراییهای نقدشونده معامله میکنند یا هزینهها، لغزش یا گسترش را فاکتور نمیکنند. همچنین ممکن است مشخص نباشد که آیا استراتژی معاملاتی باید با دستورات بازار انجام شود، دستورات محدود یا شامل توقف ضرر و غیره است. بنابراین کاملاً ضروری است که استراتژی را خودتان تا جایی که می توانید تکرار کنید، آن را بک تست کنید و تراکنش واقعی را اضافه کنید. هزینه هایی که شامل جنبه های بسیاری از طبقات دارایی است که می خواهید در آنها معامله کنید.
در اینجا لیستی از محبوبترین سرورهای پیشچاپ و مجلات مالی وجود دارد که میتوانید از آنها ایده بگیرید:
در مورد شکل گیری استراتژی های کمی خود چطور؟این به طور کلی نیاز به تخصص (اما محدود به) در یک یا چند دسته از دسته های زیر دارد:
- ریزساختار بازار - به ویژه برای استراتژی های فرکانس بالاتر، می توان از ریزساختار بازار استفاده کرد، یعنی درک پویایی دفتر سفارش به منظور ایجاد سودآوری. بازارهای مختلف دارای محدودیتهای فناوری، مقررات، شرکتکنندگان در بازار و محدودیتهایی خواهند بود که همگی برای بهرهبرداری از طریق استراتژیهای خاص باز هستند. این یک منطقه بسیار پیچیده است و شاغلان خردهفروشی رقابت در این فضا را دشوار خواهند یافت، بهویژه که رقابت شامل صندوقهای تامینی کمی بزرگ و با سرمایه خوب با قابلیتهای تکنولوژیکی قوی است.
- ساختار صندوق - صندوقهای سرمایهگذاری ادغامشده، مانند صندوقهای بازنشستگی، مشارکتهای سرمایهگذاری خصوصی (صندوقهای تامینی)، مشاوران تجارت کالا و صندوقهای متقابل هم به دلیل مقررات سنگین و هم ذخایر سرمایه بزرگ آنها محدود شدهاند. بنابراین برخی از رفتارهای ثابت را می توان با افرادی که زیرک تر هستند مورد سوء استفاده قرار داد. به عنوان مثال، وجوه بزرگ به دلیل اندازه آنها در معرض محدودیت ظرفیت قرار دارند. بنابراین اگر آنها نیاز به تخلیه (فروش) سریع مقداری از اوراق بهادار داشته باشند، برای جلوگیری از "تحرک بازار" باید آن را تلنبار کنند. الگوریتمهای پیچیده میتوانند از این مزیت و سایر ویژگیهای خاص در فرآیندی کلی که به عنوان آربیتراژ ساختار صندوق شناخته میشود، بهره ببرند.
- یادگیری ماشین/هوش مصنوعی - الگوریتمهای یادگیری ماشینی در سالهای اخیر در بازارهای مالی رایجتر شدهاند. طبقهبندیکنندهها (مانند Naive-Bayes و همکاران)، تطبیقکنندههای غیرخطی توابع (شبکههای عصبی) و روتینهای بهینهسازی (الگوریتمهای ژنتیک) همگی برای پیشبینی مسیرهای دارایی یا بهینهسازی استراتژیهای معاملاتی استفاده شدهاند. اگر پیشینه ای در این زمینه دارید، ممکن است بینشی در مورد نحوه اعمال الگوریتم های خاص در بازارهای خاص داشته باشید.
البته بسیاری از زمینه های دیگر برای بررسی کوانت ها وجود دارد. در مقاله بعدی درباره نحوه ارائه استراتژی های سفارشی به تفصیل بحث خواهیم کرد.
با ادامه نظارت بر این منابع به صورت هفتگی یا حتی روزانه، خود را آماده می کنید تا لیستی ثابت از استراتژی ها را از طیف متنوعی از منابع دریافت کنید. گام بعدی این است که تعیین کنید چگونه می توان زیرمجموعه بزرگی از این استراتژی ها را رد کرد تا اتلاف وقت خود را به حداقل برسانید و منابع را در مورد استراتژی هایی که احتمالاً بی سود هستند، آزمایش کنید.
ارزیابی استراتژی های معاملاتی
اولین و مسلماً واضح ترین ملاحظه این است که آیا شما واقعاً استراتژی را درک می کنید یا خیر. آیا میتوانید استراتژی را به اختصار توضیح دهید یا به مجموعهای از هشدارها و فهرستهای پارامترهای بیپایان نیاز دارد؟بعلاوه، آیا این استراتژی در واقعیت پایه خوب و محکمی دارد؟به عنوان مثال، آیا می توانید به برخی منطق رفتاری یا محدودیت ساختار صندوق اشاره کنید که ممکن است باعث ایجاد الگو(هایی) شود که می خواهید از آن بهره برداری کنید؟آیا این محدودیت باعث تغییر رژیم، مانند اختلال چشمگیر محیط نظارتی می شود؟آیا استراتژی بر قوانین پیچیده آماری یا ریاضی تکیه دارد؟آیا برای هر سری زمانی مالی اعمال می شود یا مختص طبقه دارایی است که ادعا می شود در آن سودآور است؟هنگام ارزیابی روش های معاملاتی جدید، باید دائماً به این عوامل فکر کنید، در غیر این صورت ممکن است زمان قابل توجهی را در تلاش برای بک تست و بهینه سازی استراتژی های بی سود تلف کنید.
هنگامی که تشخیص دادید که اصول اساسی استراتژی را درک می کنید، باید تصمیم بگیرید که آیا این استراتژی با مشخصات شخصیتی شما مطابقت دارد یا خیر. این آنقدرها هم که به نظر می رسد مبهم نیست!استراتژی ها به طور قابل توجهی در ویژگی های عملکرد خود متفاوت خواهند بود. تیپهای شخصیتی خاصی وجود دارند که میتوانند دورههای مهم تری از افت را تحمل کنند، یا حاضرند ریسک بیشتری را برای بازدهی بیشتر بپذیرند. علیرغم این واقعیت که ما، به عنوان کمیت، سعی می کنیم تا حد امکان سوگیری شناختی را حذف کنیم و باید بتوانیم یک استراتژی را بدون غرض ارزیابی کنیم، سوگیری ها همیشه وارد می شوند. بنابراین ما به وسیله ای ثابت و غیر عاطفی نیاز داریم که از طریق آن عملکرد استراتژی ها را ارزیابی کنیم.. در اینجا لیستی از معیارهایی است که من یک استراتژی جدید بالقوه را بر اساس آنها قضاوت می کنم:
- روش شناسی - آیا حرکت استراتژی مبتنی بر بازگشت میانگین، بازار خنثی و جهت دار است؟آیا این استراتژی بر تکنیکهای آماری یا یادگیری ماشینی پیچیده (یا پیچیده!) تکیه دارد که درک آنها سخت است و درک آن به مدرک دکترای آمار نیاز دارد؟آیا این تکنیک ها مقدار قابل توجهی از پارامترها را معرفی می کنند که ممکن است منجر به سوگیری بهینه سازی شود؟آیا این استراتژی احتمالاً در برابر تغییر رژیم (یعنی مقررات جدید بالقوه بازارهای مالی) مقاومت می کند؟
- نسبت شارپ - نسبت شارپ به طور اکتشافی نسبت پاداش/ریسک استراتژی را مشخص می کند. این مقدار بازدهی را که می توانید برای سطح نوسان تحمل شده توسط منحنی حقوق صاحبان سهام بدست آورید، تعیین می کند. به طور طبیعی، ما باید دوره و فرکانسی را تعیین کنیم که این بازده ها و نوسانات (یعنی انحراف استاندارد) در آن اندازه گیری می شوند. یک استراتژی فرکانس بالاتر به نرخ نمونه برداری بیشتر از انحراف استاندارد نیاز دارد، اما برای مثال، یک دوره زمانی کلی اندازه گیری کوتاه تر است.
- اهرم - آیا استراتژی برای سودآوری به اهرم قابل توجهی نیاز دارد؟آیا استراتژی استفاده از قراردادهای مشتقه اهرمی (آتی، اختیار معامله، مبادله) را برای ایجاد بازده ضروری می کند؟این قراردادهای اهرمی می توانند دارای ویژگی های نوسانات سنگین باشند و بنابراین به راحتی می توانند منجر به فراخوانی حاشیه شوند. آیا سرمایه تجاری و خلق و خوی چنین نوسانی را دارید؟
- فرکانس - فرکانس استراتژی کاملاً با پشته فناوری شما (و در نتیجه تخصص فناوری) ، نسبت شارپ و سطح کلی هزینه های معاملات مرتبط است. تمام موضوعات دیگر در نظر گرفته شده ، استراتژی های فرکانس بالاتر به سرمایه بیشتری نیاز دارند ، پیشرفته تر و اجرای آن سخت تر است. با این حال ، با فرض اینکه موتور پشتی شما پیشرفته و عاری از اشکال باشد ، آنها اغلب نسبت های شارپ به مراتب بالاتری دارند.
- نوسانات - نوسانات به شدت مربوط به "خطر" استراتژی است. نسبت شارپ این را مشخص می کند. نوسانات بالاتر کلاسهای دارایی زیرین ، در صورت عدم وجود ، اغلب منجر به نوسانات بالاتر در منحنی سهام و در نتیجه نسبت های شارپ کوچکتر می شود. من البته فرض می کنم که نوسانات مثبت تقریباً برابر با نوسانات منفی است. برخی از استراتژی ها ممکن است نوسانات نزولی بیشتری داشته باشند. شما باید از این ویژگی ها آگاه باشید.
- برنده/ضرر ، متوسط سود/ضرر - استراتژی ها در پیروزی/ضرر و میانگین ویژگی های سود/زیان آنها متفاوت خواهد بود. حتی اگر تعداد از دست دادن معاملات بیش از تعداد معاملات برنده باشد ، می توان یک استراتژی بسیار سودآور داشت. استراتژی های حرکت تمایل به داشتن این الگوی دارند زیرا آنها به تعداد کمی از "بازدیدهای بزرگ" متکی هستند تا سودآور باشند. استراتژی های معنادار تمایل به پروفایل های متضاد دارند که در آن بیشتر معاملات "برنده" هستند ، اما معاملات باخت می تواند بسیار شدید باشد.
- حداکثر پیش بینی-حداکثر کاهش بزرگترین افت درصد درصد اوج به فرآیند در منحنی سهام عدالت استراتژی است. استراتژی های حرکت به خوبی شناخته شده است که از دوره های کشش طولانی رنج می برند (به دلیل رشته ای از بسیاری از معاملات از دست دادن افزایشی). بسیاری از معامله گران در دوره هایی از کشش طولانی تسلیم می شوند ، حتی اگر آزمایش های تاریخی نشان داده است که این "تجارت به طور معمول" برای استراتژی است. شما باید تعیین کنید که قبل از متوقف کردن تجارت استراتژی خود ، چه درصد از کاهش (و در چه مدت) می توانید بپذیرید. این یک تصمیم بسیار شخصی است و بنابراین باید با دقت در نظر گرفته شود.
- ظرفیت/نقدینگی - در سطح خرده فروشی ، مگر اینکه در یک ابزار بسیار ناعادلانه (مانند یک سهام کوچک) تجارت کنید ، دیگر نیازی به نگرانی خود با ظرفیت استراتژی نخواهید داشت. ظرفیت مقیاس پذیری استراتژی را برای سرمایه بیشتر تعیین می کند. با افزایش استراتژی های آنها در تخصیص سرمایه ، بسیاری از صندوق های محافظت از بزرگتر از مشکلات ظرفیت قابل توجهی رنج می برند.
- پارامترها - استراتژی های خاصی (به ویژه موارد موجود در جامعه یادگیری ماشین) به مقدار زیادی پارامترها نیاز دارند. هر پارامتر اضافی که یک استراتژی به آن نیاز دارد ، آن را در برابر تعصب بهینه سازی آسیب پذیرتر می کند (همچنین به عنوان "متناسب با منحنی" شناخته می شود). شما باید استراتژی ها را با تا حد ممکن پارامترها هدف قرار دهید و یا اطمینان حاصل کنید که مقادیر کافی از داده ها را برای آزمایش استراتژی های خود دارید.
- معیار - تقریباً همه استراتژی ها (مگر اینکه به عنوان "بازگشت مطلق" مشخص شوند) در برابر برخی معیارهای عملکرد اندازه گیری می شوند. این معیار معمولاً شاخصی است که نمونه بزرگی از کلاس دارایی های اساسی را نشان می دهد که استراتژی در آن معامله می شود. اگر این استراتژی دارای سهام بزرگ ایالات متحده باشد ، پس S&P500 یک معیار طبیعی برای اندازه گیری استراتژی شما در برابر است. اصطلاحات "آلفا" و "بتا" را که برای استراتژی های این نوع اعمال می شود ، خواهید شنید. ما در مقالات بعدی در مورد این ضرایب در عمق بحث خواهیم کرد.
توجه داشته باشید که ما در مورد بازده واقعی استراتژی صحبت نکرده ایم. چرا این هست؟به طور مجزا، بازده در واقع اطلاعات محدودی در مورد اثربخشی استراتژی در اختیار ما قرار می دهد. آنها بینشی در مورد اهرم، نوسانات، معیارها یا نیازهای سرمایه به شما نمی دهند. بنابراین استراتژی ها به ندرت تنها بر اساس بازده آنها مورد قضاوت قرار می گیرند. همیشه قبل از بررسی بازده، ویژگی های ریسک یک استراتژی را در نظر بگیرید.
در این مرحله، بسیاری از استراتژیهایی که از خط لوله شما یافت میشوند، رد میشوند، زیرا نیازهای سرمایه، محدودیتهای اهرمی، حداکثر تحمل کاهش یا ترجیحات نوسانی را برآورده نمیکنند. استراتژی هایی که باقی مانده اند اکنون می توانند برای بک تست در نظر گرفته شوند. با این حال، قبل از اینکه این امکان پذیر باشد، لازم است یک معیار رد نهایی را در نظر بگیریم - معیاری از داده های تاریخی موجود برای آزمایش این استراتژی ها.
به دست آوردن داده های تاریخی
امروزه، گستردگی الزامات فنی در بین طبقات دارایی برای ذخیره سازی داده های تاریخی قابل توجه است. برای حفظ رقابت، هر دو طرف خرید (صندوق) و طرف فروش (بانک های سرمایه گذاری) به شدت در زیرساخت های فنی خود سرمایه گذاری می کنند. توجه به اهمیت آن ضروری است. به طور خاص، ما علاقه مند به به موقع بودن، دقت و الزامات ذخیره سازی هستیم. اکنون اصول اولیه به دست آوردن داده های تاریخی و نحوه ذخیره آن را بیان می کنم. متأسفانه این موضوع بسیار عمیق و فنی است، بنابراین من نمی توانم همه چیز را در این مقاله بگویم. با این حال، در آینده بیشتر در مورد این موضوع خواهم نوشت زیرا تجربه قبلی من در صنعت مالی عمدتاً مربوط به جمع آوری، ذخیره سازی و دسترسی به داده های مالی بود.
در بخش قبل، خط لوله راهبردی را تنظیم کرده بودیم که به ما امکان میداد استراتژیهای خاصی را بر اساس معیارهای رد شخصی خود رد کنیم. در این بخش، استراتژی های بیشتری را بر اساس ترجیحات خودمان برای به دست آوردن داده های تاریخی فیلتر خواهیم کرد. ملاحظات اصلی (به ویژه در سطح متخصص خرده فروشی) هزینه های داده ها، الزامات ذخیره سازی و سطح تخصص فنی شما است. ما همچنین باید در مورد انواع مختلف داده های موجود و ملاحظات مختلفی که هر نوع داده بر ما تحمیل می کند بحث کنیم.
بیایید با بحث در مورد انواع داده های موجود و مسائل کلیدی که باید در مورد آنها فکر کنیم شروع کنیم:
- داده های بنیادی - این شامل داده هایی در مورد روندهای اقتصاد کلان، مانند نرخ های بهره، ارقام تورم، اقدامات شرکت ها (سود سهام، تقسیم سهام)، پرونده های SEC، حساب های شرکتی، ارقام سود، گزارش های محصول، داده های هواشناسی و غیره است. این داده ها اغلب برایارزش شرکتها یا سایر داراییها را بر مبنای بنیادی، یعنی از طریق برخی ابزارهای جریانهای نقدی مورد انتظار آتی، ارزیابی کنید. سری قیمت سهام را شامل نمی شود. برخی از داده های اساسی به طور رایگان از وب سایت های دولتی در دسترس است. سایر داده های بنیادی تاریخی بلندمدت می توانند بسیار گران باشند. نیازهای ذخیره سازی اغلب زیاد نیستند، مگر اینکه هزاران شرکت به طور همزمان مورد مطالعه قرار گیرند.
- داده های خبری - داده های خبری اغلب ماهیت کیفی دارند. این شامل مقالات، پست های وبلاگ، پست های میکروبلاگ ("توییت") و سرمقاله است. تکنیک های یادگیری ماشینی مانند طبقه بندی کننده ها اغلب برای تفسیر احساسات استفاده می شوند. این داده ها همچنین اغلب به صورت رایگان یا ارزان از طریق اشتراک در رسانه ها در دسترس هستند. پایگاههای داده ذخیرهسازی اسناد جدیدتر "NoSQL" برای ذخیره این نوع دادههای بدون ساختار و کیفی طراحی شدهاند.
- داده های قیمت دارایی - این دامنه داده سنتی کمیت است. این شامل مجموعه زمانی قیمت دارایی است. سهام (سهام) ، محصولات با درآمد ثابت (اوراق بهادار) ، کالاها و قیمت های ارزی که همه در این کلاس قرار دارند. داده های تاریخی روزانه اغلب برای به دست آوردن کلاسهای دارایی ساده تر مانند سهام ، ساده است. با این حال ، هنگامی که دقت و پاکیزگی گنجانده شده و تعصبات آماری حذف شود ، داده ها می توانند گران شوند. علاوه بر این ، داده های سری زمانی اغلب دارای نیازهای ذخیره سازی قابل توجهی به ویژه هنگامی که داده های داخل در نظر گرفته می شوند.
- ابزارهای مالی - سهام ، اوراق قرضه ، آینده و گزینه های مشتق عجیب و غریب تر از ویژگی ها و پارامترهای بسیار متفاوتی برخوردار هستند. بنابراین هیچ ساختار پایگاه داده "یک اندازه متناسب با همه" وجود ندارد که بتواند آنها را در خود جای دهد. برای طراحی و اجرای ساختارهای پایگاه داده برای ابزارهای مختلف مالی باید مراقبت قابل توجهی انجام شود. ما وقتی می خواهیم یک پایگاه داده مستر اوراق بهادار در مقالات آینده ایجاد کنیم ، در مورد اوضاع طولانی بحث خواهیم کرد.
- فرکانس - هرچه فرکانس داده ها بیشتر باشد ، هزینه ها و نیازهای ذخیره سازی بیشتر می شود. برای استراتژی های با فرکانس پایین ، داده های روزانه اغلب کافی است. برای استراتژی های فرکانس بالا ، ممکن است لازم باشد داده های سطح کنه و حتی نسخه های تاریخی داده های کتاب سفارش مبادله خاص را بدست آورید. اجرای یک موتور ذخیره سازی برای این نوع داده ها از نظر فنی بسیار فشرده و فقط برای افرادی که دارای برنامه نویسی/پیشینه فنی قوی هستند مناسب است.
- معیارها - استراتژی های توضیح داده شده در بالا اغلب با یک معیار مقایسه می شوند. این معمولاً خود را به عنوان یک سری زمانی مالی اضافی نشان می دهد. برای سهام ، این اغلب یک معیار سهام ملی است ، مانند شاخص S&P500 (ایالات متحده) یا FTSE100 (انگلستان). برای یک صندوق درآمد ثابت ، مقایسه با سبد اوراق قرضه یا محصولات با درآمد ثابت مفید است."نرخ بدون ریسک" (یعنی نرخ بهره مناسب) نیز یکی دیگر از معیارهای پذیرفته شده است. تمام دسته های دارایی دارای یک معیار مورد علاقه هستند ، بنابراین در صورت تمایل به علاقه به استراتژی خود در خارج از کشور ، لازم است این موضوع را بر اساس استراتژی خاص خود تحقیق کنید.
- فناوری - پشته های فناوری در پشت یک مرکز ذخیره سازی داده های مالی پیچیده است. این مقاله فقط می تواند سطح را در مورد آنچه در ساخت یک دخیل است ، خراش دهد. با این حال ، این مرکز در اطراف یک موتور پایگاه داده ، مانند یک سیستم مدیریت پایگاه داده رابطه ای (RDBMS) ، مانند MySQL ، SQL Server ، Oracle یا یک موتور ذخیره سازی سند (یعنی "NOSQL") قرار دارد. این از طریق کد برنامه "منطق تجارت" که پایگاه داده را پرس و جو می کند و دسترسی به ابزارهای خارجی مانند Matlab ، R یا Excel را فراهم می کند ، قابل دسترسی است. غالباً این منطق تجاری در C ++ ، C#، Java یا Python نوشته شده است. شما همچنین باید این داده ها را در جایی ، یا در رایانه شخصی شخصی خود ، یا از راه دور از طریق سرورهای اینترنتی میزبانی کنید. محصولاتی مانند خدمات وب آمازون در سالهای اخیر این امر را ساده تر و ارزان تر کرده اند ، اما هنوز هم به تخصص فنی قابل توجهی برای دستیابی به روشی قوی نیاز دارد.
همانطور که مشاهده می شود، هنگامی که یک استراتژی از طریق خط لوله شناسایی شد، ارزیابی در دسترس بودن، هزینه ها، پیچیدگی و جزئیات پیاده سازی مجموعه خاصی از داده های تاریخی ضروری است. ممکن است دریابید که لازم است یک استراتژی را که صرفاً بر اساس ملاحظات داده های تاریخی است رد کنید. این منطقه بزرگی است و تیمهای دکترا با سرمایههای بزرگ کار میکنند تا مطمئن شوند قیمتگذاری دقیق و به موقع است. مشکلات ایجاد یک مرکز داده قوی برای اهداف بک تست خود را دست کم نگیرید!
با این حال، میخواهم بگویم که بسیاری از پلتفرمهای بکآزمایش میتوانند این دادهها را به صورت خودکار - با هزینه - برای شما فراهم کنند. بنابراین بسیاری از دردهای پیاده سازی را از شما دور می کند و می توانید صرفاً روی اجرای استراتژی و بهینه سازی تمرکز کنید. ابزارهایی مانند TradeStation این قابلیت را دارند. با این حال، دیدگاه شخصی من این است که تا حد امکان به صورت داخلی پیاده سازی شود و از برون سپاری بخش هایی از پشته به فروشندگان نرم افزار اجتناب شود. من استراتژیهای فرکانس بالاتر را به دلیل نسبتهای شارپ جذابترشان ترجیح میدهم، اما آنها اغلب به شدت با پشته فناوری مرتبط هستند، جایی که بهینهسازی پیشرفته حیاتی است.
اکنون که مسائل مربوط به داده های تاریخی را مورد بحث قرار دادیم، زمان آن رسیده است که استراتژی های خود را در یک موتور تست بک تست شروع کنیم. این موضوع مقالات دیگر خواهد بود، زیرا به همان اندازه حوزه بحث گسترده است!
QSAalpha
به پلتفرم تحقیقاتی QSAlpha بپیوندید که به پر کردن خط لوله تحقیقاتی استراتژی شما کمک می کند، سبد سهام شما را متنوع می کند و بازدهی با ریسک را برای افزایش سودآوری بهبود می بخشد.