R negociação sistemática
Negociação Sistemática: Benefícios e Riscos.
Negociação Sistemática: Benefícios e Riscos.
por Michael R. Bryant.
Negociação sistemática refere-se à compra e venda de instrumentos financeiros, como ações ou forex, usando uma estratégia de negociação predefinida chamada sistema de negociação. A maioria dos sistemas de negociação é codificada em uma linguagem de script que permite que eles sejam executados na plataforma de negociação de um corretor. A alternativa à negociação sistemática é chamada de negociação discricionária, na qual o negociador toma decisões de compra e venda numa base de comércio por negócio. Costuma-se dizer que o trabalho de um operador sistemático é seguir seu sistema, enquanto o operador discricionário pode alterar sua estratégia dependendo de como o mercado evolui.
Um dos benefícios mais significativos do comércio sistemático é que ele ajuda a remover decisões emocionais do processo de negociação. Quando o dinheiro real está em risco nos mercados, as emoções do medo e da ganância podem facilmente sobrecarregar a tomada de decisão racional. Isso pode ser mitigado em grande parte por ter uma estratégia de negociação que toma as decisões por você.
Outro benefício é que a maioria dos sistemas de negociação pode ser automatizada, o que significa que as ordens de compra e venda podem ser executadas automaticamente através da plataforma de negociação da sua corretora, enquanto o sistema é executado durante a negociação ao vivo. Isso resulta em uma execução mais rápida das ordens de negociação e reduz a probabilidade de que uma negociação possa ser perdida devido a questionamentos ou hesitação. A execução automatizada de pedidos também permite negociar estratégias com curtos períodos de tempo. Por exemplo, um sistema de negociação que funciona em barras de um minuto dos futuros do E-mini S & P 500 pode ser difícil de executar manualmente, mas pode funcionar bem se automatizado.
Como as estratégias de negociação sistemática são geralmente escritas em uma linguagem de script ou programação, elas geralmente podem ser testadas em dados históricos. Essa capacidade de fazer back-teste de uma estratégia de negociação é um dos maiores benefícios da negociação sistemática. O back-testing diz o quão bem a estratégia teria feito no passado. Embora o desempenho com backtesting não garanta resultados futuros, pode ser muito útil ao avaliar estratégias em potencial. Os resultados testados novamente podem ser usados para eliminar estratégias que não se adequam ao seu estilo de negociação ou que provavelmente não atendem às suas metas de desempenho.
Traders iniciantes em trading sistemático questionam frequentemente se a abordagem sistemática pode ser lucrativa. Às vezes, acreditam que somente o investimento de compra e venda é lucrativo no longo prazo. A realidade é que traders profissionais, como os corretores de hedge funds e os chamados Commodity Trading Advisors (CTAs), vêm trocando o dinheiro de seus clientes com lucro por muitos anos, usando sistemas de negociação. Esses profissionais, cujos registros comerciais são auditados, demonstraram por décadas que a negociação sistemática pode ser lucrativa.
Apesar dos benefícios da negociação sistemática, também há riscos. O principal risco é selecionar um sistema de negociação mal projetado. Um sistema de negociação pode ser mal projetado por várias razões, incluindo o excesso de adequação ao mercado, sendo baseado em hipóteses irrealistas ou usando controles de risco inadequados. Se você optar por projetar seu próprio sistema, você precisa ter conhecimento de negociação no mercado, bem como técnicas de construção de estratégia. Se você decidir comprar um sistema, o principal desafio é avaliar possíveis estratégias e selecionar a melhor com base em suas preferências comerciais e metas de desempenho.
Supondo que você tenha escolhido um sistema de negociação viável, também há riscos durante a negociação ao vivo. Esses riscos incluem riscos relacionados à tecnologia e riscos de execução. Particularmente para negociação automatizada, a velocidade de sua conexão com a Internet pode ser um fator na execução de transações. Também é necessário saber como sua plataforma de negociação responderá se você perder a conectividade. Você será capaz de fazer um pedido de saída pelo telefone, se necessário, e o sistema manterá o controle adequado de suas posições quando ele voltar? Outro risco de execução é o escorregamento, que é a diferença entre o preço no qual uma ordem de negociação é colocada e o preço no qual o pedido é preenchido. A quantidade de slippage que você recebe pode depender do seu corretor e da plataforma do corretor, bem como do mercado e do prazo. Se você não assumir escorregamentos suficientes ao avaliar uma estratégia, poderá descobrir que os resultados de desempenho durante a negociação ao vivo estão abaixo de suas expectativas.
Por fim, nenhum sistema de negociação permanece lucrativo para sempre. Mesmo a melhor estratégia de negociação pode parar de funcionar se for baseada em alguma característica do mercado que muda. Às vezes, uma pequena modificação no sistema, como alterar um valor de entrada, pode restaurar seu desempenho. No entanto, mesmo que a estratégia seja fundamentalmente sólida, é sempre prudente acompanhar seu desempenho e estar preparado para interromper a negociação caso ela pare de funcionar.
Se você gostaria de ser informado sobre novos desenvolvimentos, novidades e ofertas especiais da Adaptrade Software, por favor, junte-se à nossa lista de e-mail. Obrigado.
Copyright © 2004-2015 Adaptrade Software. Todos os direitos reservados.
R negociação sistemática
Os dez principais métodos de negociação sistemática.
Os dez principais métodos de negociação sistemática.
por Michael R. Bryant.
Os métodos sistemáticos de negociação são a base para sistemas de negociação e estratégias de negociação automatizadas. Eles consistem em indicadores técnicos ou outros métodos matemáticos usados para gerar sinais objetivos de compra e venda nos mercados financeiros. Alguns dos métodos mais populares estão em uso desde antes do advento dos computadores, enquanto outros métodos são mais recentes. Este artigo lista dez dos métodos sistemáticos mais populares encontrados em sistemas de negociação.
Movendo crossovers médios. Sistemas de negociação baseados no cruzamento de duas médias móveis de diferentes comprimentos é talvez o método de negociação sistemático mais comum. Este método também inclui crossovers médios móveis triplos, bem como o indicador de divergência de convergência da média móvel (MACD), que é a diferença entre duas médias móveis exponenciais. As médias móveis podem ser calculadas de várias maneiras, como simples, exponencial, ponderada, etc.
Quebras do canal. Nesse método, um canal de preço é definido pelo mais alto e o mais baixo mais baixo de um número anterior de barras. Uma negociação é sinalizada quando o mercado irrompe acima ou abaixo do canal. Isso também é conhecido como canal Donchian, que tradicionalmente usa um período de lookback de 20 dias. O famoso sistema de “tartaruga” foi supostamente baseado em fugas de canal.
Fugas de volatilidade. Estes são similares em alguns aspectos às fugas de canal exceto que em vez de usar o mais alto e mais baixo mais baixo, a fuga é baseada na assim chamada volatilidade. A volatilidade é tipicamente representada pelo intervalo médio verdadeiro (ATR), que é essencialmente uma média dos intervalos das barras, ajustada para intervalos de abertura, ao longo de um número passado de barras. O ATR é adicionado ou subtraído do preço atual da barra para determinar o preço inicial.
Suporte / Resistência Este método baseia-se na ideia de que, se o mercado estiver abaixo de um nível de resistência, terá dificuldade em ultrapassar esse preço, ao passo que, se estiver acima de um nível de suporte, terá dificuldade em ficar abaixo desse preço. É considerado significativo quando o mercado ultrapassa um nível de suporte ou resistência. Além disso, quando o mercado rompe um nível de resistência, esse preço se torna o novo nível de suporte. Da mesma forma, quando o mercado cai através de um nível de suporte, esse preço se torna o novo nível de resistência. Os níveis de suporte e resistência são tipicamente baseados em preços recentes e significativos, como altos e baixos recentes ou pontos de reversão.
Osciladores e ciclos Osciladores são indicadores técnicos que se movem dentro de um intervalo definido, como zero a 100, e representam a extensão em que o mercado está sobrecomprado ou sobrevendido. Os osciladores típicos incluem o stochastics, o Williams% R, o Rate of Change (ROC) e o Indicador de Força Relativa (RSI). Os osciladores também revelam a natureza cíclica dos mercados. Métodos mais diretos de análise de ciclo também são possíveis, como o cálculo do comprimento do ciclo dominante. O comprimento do ciclo pode ser usado como uma entrada para outros indicadores ou como parte de um método de previsão de preço.
Padrões de preço. Um padrão de preço pode ser tão simples quanto um preço de fechamento mais alto ou tão complicado quanto um padrão de cabeça e ombros. Numerosos livros foram escritos sobre o uso de padrões de preços na negociação. O tema das velas japonesas é essencialmente uma maneira de categorizar diferentes padrões de preço e vinculá-los ao comportamento do mercado.
Envelopes de preço. Neste método, as bandas são construídas acima e abaixo do mercado, de modo que o mercado normalmente permanece dentro das bandas. Bandas de Bollinger, que calculam a largura do envelope a partir do desvio padrão de preço, são provavelmente o tipo de envelope de preço mais comumente usado. Os sinais de negociação são normalmente gerados quando o mercado toca ou passa pela banda superior ou inferior.
Hora do dia / dia da semana. Os métodos de negociação baseados no tempo, baseados na hora do dia ou no dia da semana, são bastante comuns. Um sistema de negociação bem conhecido para os futuros do S & P 500 comprados em aberto às segundas-feiras e encerrado no fechamento. Aproveitou-se de uma tendência que o mercado tinha na época para negociar às segundas-feiras. Outras abordagens sistemáticas restringem os negócios a determinados momentos do dia que tendem a favorecer certos padrões, como tendências, reversões ou alta liquidez.
Volume. Muitos métodos sistemáticos de negociação são baseados unicamente em preços (aberto, alto, baixo e próximo). No entanto, o volume é um dos componentes básicos dos dados de mercado. Como tal, os métodos baseados no volume, embora menos comuns do que os métodos baseados no preço, são dignos de nota. Muitas vezes, os comerciantes usam o volume para confirmar ou validar uma mudança de mercado. Alguns dos métodos sistemáticos mais comuns baseados no volume são os indicadores baseados em volume, como o volume no balanço (OBV), a linha de acumulação / distribuição e o oscilador Chaiken.
Previsão. A previsão de mercado usa métodos matemáticos para prever o preço do mercado em algum momento no futuro. A previsão é qualitativamente diferente dos métodos listados acima, que são projetados para identificar tendências ou padrões de mercado comercializáveis. Em contraste, um sistema de negociação baseado na previsão pode, por exemplo, comprar o mercado hoje, se a previsão é de que o mercado seja maior a uma semana a partir de hoje.
Por favor, tenha em mente que esta lista é baseada na popularidade, o que não é necessariamente o mesmo que rentabilidade. Sistemas comerciais bem-sucedidos geralmente empregam uma combinação de métodos e muitas vezes de maneiras não convencionais. Além disso, é possível que outros métodos menos populares sejam mais lucrativos em alguns casos.
Se você gostaria de ser informado sobre novos desenvolvimentos, novidades e ofertas especiais da Adaptrade Software, por favor, junte-se à nossa lista de e-mail. Obrigado.
Copyright © 2004-2015 Adaptrade Software. Todos os direitos reservados.
Nicholas R. Kirk.
Desenvolvedor Quantitativo e Cientista de Dados.
Nick traz uma imensa experiência no desenvolvimento de sistemas de negociação sistemáticos. Desempenhou funções de consultor em muitas empresas de investimento, incluindo a Schroders Asset Management, a Mitsubishi UFJ Securities e a AXA Investment Managers. No início de sua carreira, ele trabalhou em sistemas de mensagens de alto desempenho no IBM Research Center, La Gaude (França). Desde 2015, Nick tem negociado criptomoedas com sucesso, pesquisando e desenvolvendo múltiplas estratégias de negociação lucrativas. Nick foi professor convidado na Universidade de Washington, onde ensinou o comércio sistemático de criptomoedas no seu programa de Mestrado em Finanças Computacionais. Ele também ensina um workshop sistemático de negociação de criptomoedas com Ernest P. Chan.
Nick tem um mestrado em matemática aplicada pela Universidade de Washington.
Ernest P. Chan.
Ernie é o membro gestor da QTS Capital Management, LLC. Depois de se formar com um PhD da Universidade de Cornell em 1994, Ernie trabalhou como pesquisador no grupo de Tecnologias da Linguagem Humana da IBM T. J. Watson Research Center, onde projetou algoritmos estatísticos de reconhecimento de padrões. Ernie se juntou ao Morgan Stanley, do Investment Bank, trabalhando em seu grupo de mineração de dados, onde foi pioneiro na aplicação de algoritmos estatísticos à complexa tarefa de extrair relacionamentos com clientes no banco de dados de contas de clientes do Morgan Stanley.
Ele foi convidado a participar de um grupo de negociação proprietária no Credit Suisse em Nova York em 1998 para desenvolver modelos estatísticos para ações e negociação de futuros. Mais tarde, ele se juntou à Mapleridge Capital Management Corp. em 2002 como Analista Quantitativo Sênior trabalhando em estratégias de negociação de futuros e, em seguida, na Maple Financial em 2003 como pesquisador sênior e trader. Ele co-fundou a EXP Capital Management, LLC, uma empresa de administração de fundos com sede em Chicago em 2008 e fundou a QTS Capital Management, LLC. em 2011.
Ele é o autor de “Negociação Quantitativa: Como Construir seu Próprio Negócio de Negociação Algorítmica”, “Negociação Algorítmica: Estratégias Vencedoras e Sua Razão”, e “Negociação de Máquina: Implantando Algoritmos de Computador para Conquistar os Mercados”, todos publicados pela Wiley. Ele foi professor adjunto de Finanças na Nanyang Technological University em Cingapura (NTU) e membro do Industry NTU-SGX Center for Financial Education. Ernie ensina Risk Analytics no programa de Mestrado em Ciência da Preditiva da Northwestern University, e ministra workshops sobre Arbitragem Estatística, Estratégias Quantitativas de Momento e Inteligência Artificial para Traders em Londres.
Ernie tem mestrado e doutorado em física teórica pela Cornell University.
Laurent Hoffmann.
Pesquisador Quantitativo e Cientista de Dados.
Depois de concluir seu doutorado e pesquisa de pós-doutorado, Laurent ingressou na d-fine em Frankfurt como analista e consultor de risco quantitativo. Em seguida, mudou-se para o Depfa Bank em Londres, onde foi analista quantitativo e pesquisador em negociações de renda fixa e crédito estruturado, trabalhando em modelos de precificação de derivativos, técnicas estatísticas para arbitragem de valor relativo sistemático e liquidação ótima de ativos ilíquidos. Ele ocupou cargos de consultoria em hedge funds em Londres, pesquisando várias estratégias sistemáticas de negociação, incluindo arbitragem de volatilidade cambial e de opções, e a construção de carteiras reversíveis de contratos futuros. Laurent também é um empreendedor e co-fundou a OpenCapacity, que desenvolve sistemas de aprendizado de máquina para análise preditiva na indústria de transporte público.
Laurent tem um mestrado em Finanças Matemáticas pela Universidade de Oxford e um mestrado e doutorado em Física Teórica e Matemática pela Universidade de Kaiserslautern.
Brian G. Peterson.
Brian Peterson é sócio e head trader de negociação automatizada da DV Trading em Chicago. Na DV, Brian administra uma equipe de negociação quantitativa que é uma das 25 principais criadoras de mercado em vários mercados de taxa de juros e energia, e uma forma de mercado registrada em muitos deles. Além dos produtos de taxa de juros e energia, a equipe de Brian também comercializa FX, agricultura e outras commodities. A equipe de Brian participa regularmente como formador de mercado designado no lançamento de novos produtos em várias bolsas globais de commodities.
Brian é um professor sênior no departamento de Finanças Computacionais e Gerenciamento de Risco da Universidade de Washington, onde leciona desenvolvimento quantitativo de sistemas de negociação. Em finanças computacionais, Brian publicou vários artigos sobre risco de portfólio e construção de portfólio, e é regularmente convidado para falar em grandes conferências sobre tópicos relacionados a finanças quantitativas. Ele tem sido palestrante sobre Computação de Alto Desempenho e Negociação Algorítmica na Trading Show Chicago (2016) e na Conferência Internacional para Computação de Alto Desempenho (2015).
Brian também é autor ou coautor de mais de 10 pacotes de código aberto para usar o R in Finance, o administrador da organização da participação do R no Google Summer of Code e um membro fundador do comitê da conferência anual de financiamento quantitativo R / Finance. Chicago. Antes da DV e da UW, Brian ocupou cargos semelhantes em outras grandes empresas comerciais de Chicago e foi executivo de duas empresas globais de consultoria de gestão, uma das quais foi incluída na Fortune 1000 durante o boom da Internet nos anos 90.
Como consultor de gestão, Brian aconselhou 8 dos 10 principais bancos globais e muitos bancos regionais, aproximadamente metade dos 25 principais gestores de ativos, corretoras globais e muitos outros clientes de serviços não financeiros em setores como saúde, produtos farmacêuticos, manufatura, serviços e tecnologia.
Timothy V. Kirk.
Chefe da Blockchain Research.
Tim é um talentoso cientista de materiais com experiência em Física, Química e Engenharia. Depois de concluir seu doutorado, ele foi pesquisador de pós-doutorado no Laboratório de Bioquímica, ESPCI ParisTech (França), onde desenvolveu instrumentos e dispositivos para ensaios baseados em microfluidos e sequenciamento de DNA. Ele também estudou Gestão de Tecnologia na Haas School of Business, enquanto em Berkeley, e nos últimos dois anos circulou de volta para este campo. Desta vez, suas habilidades analíticas estão focadas nos mercados de blockchain, onde ele realiza pesquisa detalhada de setor por setor sobre as tecnologias subjacentes e o potencial de mercado de ativos e plataformas.
Tim é mestre em Ciência dos Materiais pela UC Berkeley e PhD em Engenharia Bioquímica pela University College London.
A Cypher Capital é uma empresa de investimentos quantitativos, especializada no comércio sistemático de criptomoedas. Negociamos um conjunto diversificado de estratégias, incluindo a criação de mercado, fornecendo liquidez à economia simbólica revolucionária e emergente. Além de se engajar em negociações de alta frequência, a Cypher Capital investe em ativos baseados em blockchain que possuem fortes fundamentos.
Nicholas R. Kirk.
Desenvolvedor Quantitativo e Cientista de Dados.
Ernest P. Chan.
Laurent Hoffmann.
Pesquisador Quantitativo e Cientista de Dados.
Brian G. Peterson.
Timothy V. Kirk.
Chefe da Blockchain Research.
artigos de pesquisa.
Análise de Criptomoedas - Uma Pesquisa de Literatura Acadêmica Recente.
Esta é uma pesquisa de literatura acadêmica recente que discute a diversificação de carteira e o hedge usando criptomoedas & # 8230;
KCS Token & # 8211; do KuCoin; Cálculo de Bônus e Avaliação de Preço.
Esta planilha analisa o token KCS do KuCoin & # 8211; bônus emitido e preço & # 8211; dado o volume de negócios de câmbio, o dividendo esperado e a quantidade de KCS realizada & # 8230;
FunFair - Avaliação de um Token de Jogo de Blockchain.
Este white paper examina a FunFair, uma startup de apostas em blockchain, e explora os valores potenciais de seu token de utilidade, FUN & # 8230;
Comunicados de imprensa e cobertura da mídia.
FunFair e o futuro do jogo de blockchain.
Quer você participe de jogos de azar ou não, é uma grande indústria.
Por William Kolb - 01 de novembro de 2017.
Bitcoin & nero; nerds & # 8217; dar lugar a ternos de Wall Street na conferência de moeda digital.
O mundo das finanças está ficando tão interessado em bitcoins que não é mais apenas a terra dos codificadores.
CNBC - Evelyn Cheng, 25 de maio de 2017.
Depois que o bitcoin se recupera para registrar uma alta, os investidores revigorados apostam em ganhos ainda maiores.
Os analistas também prevêem que o bitcoin aumentará com o aumento do interesse dos investidores à medida que mais fundos de criptografia e lançamento de derivativos de bitcoin se desenvolvam.
CNBC - Evelyn Cheng, 12 de outubro de 2017.
Oficina do Comércio Guru Ernie Chan Usa Bitcoin Exchange Gemini.
A próxima geração do Bitcoin Exchange Gemini será usada como uma caixa de areia para estudantes dos renomados traders algorítmicos Ernest Chan e Nick Kirk.
R negociação sistemática
Resultados. Quando você é um investidor de longa data e os mercados se comportam como fizeram em 2017, é fácil se concentrar nos resultados e tender a permitir que sua mente diminua a importância do processo. Quando o seu gráfico de patrimônio aumenta todos os meses durante doze meses seguidos, você tem total confiança em seu processo, porque os resultados são muito favoráveis.
Então fevereiro de 2018 bate em você. Os resultados que seu cérebro se acostumou a mudar drasticamente e seu foco muda para o processo. Todos os dias, a mídia financeira lembra que a volatilidade retornou com uma vingança como a que você não experimentou há tanto tempo que esqueceu o que se sente. Isso é muito desagradável. Intensivo até mesmo. De repente, há uma voz em sua mente gritando que deve haver algo descontroladamente errado com o seu processo.
Processo. É muito mais importante do que o resultado e é no que nós, como investidores, devemos nos concentrar, mas por que nós, quando produzimos retornos positivos todos os meses em 2017. Nosso processo de investimento deve ter sido sólido, dado o quão suave e ascendente está nosso patrimônio. curva foi no ano passado.
Dúvidas Se você os tiver sobre o seu processo, não há nada como um aumento na volatilidade e um rápido declínio para fazer com que você questione se sua estratégia de investimento está precisando urgentemente de uma atualização. Novas regras talvez. As perdas mais apertadas teriam funcionado tão bem este mês. A compra de opções de preço barato em janeiro agora parece um movimento tão óbvio que você deveria ter feito.
relaxar. Se você tiver uma estratégia sólida que tenha se provado ao longo do tempo, então agora não deve ser diferente e você deve ignorar os alarmes da mídia financeira e relaxar. Agora não é hora de pular de navio e abandonar sua estratégia. Certamente você leu sobre os ganhos que você teria desfrutado se você tivesse comprado ações da Berkshire Hathaway e da Apple décadas atrás e apenas segurado. Eu suspeito que você também entenda que teria que suportar muitos rebaixamentos acima de 40% entre então e agora. O que estamos experimentando ultimamente é brincadeira de criança em comparação com esses levantamentos.
Meu conselho é manter o curso (supondo que seu curso seja uma estratégia de investimento sistemático que lhe agrade e lhe proporcione retornos e rebaixamentos que sejam aceitáveis), não preste atenção às manchetes alarmistas na mídia, e se você for na fase de acumulação do seu plano de investimentos, continue contribuindo a cada mês.
Atualização de janeiro de 2018. Atirando em todos os cilindros.
No mês passado senti como um para os livros de registro. Índices de ações amplos aumentaram sem resistência ao longo do mês, como se tudo estivesse bem com o mundo. Os mercados caíram um pouco no final de janeiro, mas mesmo com esse declínio, minha estratégia de alocação de ativos táticos, que usa ETFs, subiu 6,69%.
A volatilidade permanece no lado baixo, mas aumentou e está empurrando o limite para eu estar preparado para reduzir a alavancagem. Atualmente, estou usando 30% de alavancagem e tenho feito isso há algum tempo. As taxas de juros são baixas e a volatilidade, até agora, tem sido baixa, então tem sido uma ocasião oportuna para usar a margem.
Às vezes, é assim que meu gráfico de patrimônio se move sempre tão alto que me lembro de não confundir um mercado altista com cérebro. As condições foram excepcionais para uma estratégia de alocação tática de ativos, como a minha, e eu usei a margem de forma responsável e valeu a pena. Tenha em mente que nós, como investidores, devemos nos concentrar no processo sobre o resultado. Todo mês eu relato o resultado, mas é o processo de investimento subjacente que é verdadeiramente importante.
2017 foi um grande ano para o meu estilo de investimento.
Agora você sabe que os mercados de ações dos EUA, em particular, tiveram um sólido 2017. Minha estratégia de investimento no ETF seleciona cinco ou seis ETFs no final de cada mês e os mantém até o final do mês seguinte, quando as seleções são feitas novamente. não deveria ser nenhuma surpresa que o meu estilo de investimento de alocação de ativos tático tivesse me mantido SPY todo mês ao longo de 2017.
Volatilidade foi historicamente baixa no ano passado. Em média, eu usei 30% de alavancagem em 2017, mas a volatilidade anualizada da minha carteira de ETF estava quase sempre abaixo de 10%.
Fui questionado sobre minhas expectativas em relação a quais mercados serão os vencedores de 2018. Meu estilo de investimento baseia-se, em parte, no entendimento de que eu, como investidor, não faço previsões. Sim, posso dizer quais classes de ativos estão representadas em minhas propriedades agora, mas não posso dizer por quanto tempo as terei. Nem posso fazer qualquer tipo de suposição sobre como meu portfólio se sairá globalmente em 2018. Como aludi em postagens anteriores, considero retornos mensais análogos à escolha de bolinhas verdes e vermelhas de uma bolsa com os olhos vendados. Minha estratégia determina se há mais bolinhas verdes (retornos mensais positivos) do que bolinhas vermelhas (retornos mensais negativos), mas não tenho nada a dizer na ordem em que os bolinhas serão escolhidos.
O desempenho de dezembro foi outro mármore verde, já que meu portfólio cresceu 2,29%, dando um ganho total para 2017 de 22,4%. A incrível característica de 2017 foi a baixa volatilidade. Se você olhar para o meu gráfico de patrimônio abaixo, você verá o quão incrivelmente suave foi no ano passado.
Meu ganho para o rácio de dor é absurdamente alto 4,96 devido a ser medido em pouco menos de dois anos, quando os mercados proporcionaram retornos sólidos. No longo prazo, espero que essa proporção diminua para entre 1,5 e 2,0.
Meus cinco fundos ETF para janeiro cobrem ações americanas, ações asiáticas e energia.
Meu desempenho de estratégia de impulso de ETF para novembro.
Mais um mês, outro ótimo desempenho. Minha estratégia produziu um retorno de 3,0% em novembro e, novamente, a volatilidade permanece excepcionalmente baixa. Ninguém sabe por quanto tempo esse regime de baixa volatilidade permanecerá, mas fortes ganhos com redução mínima podem tornar os investidores muito confortáveis, se não excessivamente confiantes, e devemos estar cientes de que uma maior volatilidade retornará um dia e as perdas mensais serão mais prevalentes do que foram nos últimos dois anos.
A baixa volatilidade combinada com retornos mensais consistentemente positivos resultou em um índice de ganho de dor de 4,52 que está além do excepcional e que eu espero que seja menor no futuro.
Você nunca sabe qual caminho seus retornos mensais seguirão. Minha estratégia agora forneceu 13 meses de retorno sem perda. Eu não pude prever isso. Sim, é bom, mas nunca se deve confundir um mercado altista com cérebro. De acordo com o gráfico abaixo, qualquer pessoa que siga uma estratégia passiva global do ETF fez quase tão bem quanto minha estratégia. O verdadeiro teste virá quando os mercados se tornarem pessimistas e a disposição de cada investidor de manter sua estratégia (se tiver um) for testada.
As minhas holdings permanecem inalteradas de novembro a dezembro, com a minha maior participação sendo EPP (iShares MSCI Pacific ex-Japan).
Eu acompanho o desempenho da minha estratégia de ETF no Collective2.
Meu desempenho de estratégia de impulso de ETF para outubro.
Penso no jogo de mármore de Van Tharp quando se trata de desempenho mensal de uma estratégia de investimento. Os mármores verdes representam retornos mensais positivos e os mármores vermelhos representam retornos mensais negativos. Sua estratégia influencia o número de cada cor dos mármores em uma sacola. Todo mês você coloca sua mão na bolsa, pega uma bolinha e olha para ela para ver se sua estratégia forneceu um retorno positivo ou negativo. Nesse quadro de referência, acabei de retirar o décimo segundo marco verde consecutivo, já que minha estratégia proporcionou um retorno de 3,23% em outubro, acumulando um retorno de 16,2% no acumulado do ano.
Basta dizer que estou muito satisfeito com retornos tão consistentes, mas é isso que a combinação da minha estratégia e dos mercados proporcionou. Em algum momento, os mercados não serão tão gentis e eu experimentarei um empate. Desde que os mercados não caiam abruptamente em um ritmo muito rápido, minha estratégia de momentum de ETF deve fornecer proteção de downside. Esse é um dos principais benefícios de uma estratégia tática de investimento em alocação de ativos.
Minha maior participação em novembro é a EPP (iShares MSCI Pacific ex-Japan).
Backtest Multi-Asset: Estratégias de Negociação Rotacional.
Eu quero discutir a implementação de Estratégias de Negociação Rotacional usando a biblioteca de backtesting na Caixa de Ferramentas do Investidor Sistemático. A estratégia de Negociação Rotacional troca alocações de investimento ao longo do tempo, apostando em poucos ativos de topo. Por exemplo, a classificação pode ser baseada na força relativa ou momentum. Alguns exemplos das Estratégias de Negociação Rotacional (ou Alocação de Ativos Táticos) são:
Eu quero ilustrar o comércio rotacional usando a estratégia introduzida na tela de ETF no borne da estratégia do setor do ETF. A cada mês, essa estratégia investe nos dois primeiros dos 21 ETFs classificados por seus retornos de 6 meses. Para reduzir o volume de negócios, nos meses subsequentes as posições de ETF são mantidas enquanto esses ETFs estiverem no top 6 rank.
Antes de podermos implementar essa estratégia, precisamos criar duas rotinas auxiliares. Primeiro, vamos criar uma função que selecione as N posições principais para cada período:
Em seguida, vamos criar uma função que selecionará as N posições principais de cada período e as manterá até que elas fiquem abaixo de KeepN rank:
Agora estamos prontos para implementar essa estratégia usando a biblioteca de backtesting na caixa de ferramentas Systematic Investor:
Há muitas maneiras de melhorar essa estratégia. Aqui está uma lista de exemplos de outras maneiras de considerar:
Considere uma variedade de métodos de classificação. Ou seja Retornos de 1/2/3/6/12 mês e suas combinações, ranking ajustado ao risco. Para controlar os levantamentos e aumentar o desempenho, considere o mecanismo de tempo, conforme apresentado em Uma Abordagem Quantitativa para a Alocação de Ativos Táticos, de M. Faber (2006). Considere um universo de ativos diferente. Inclua ETFs que sejam menos correlacionados aos outros ativos, como Commodities, Fixed Income e International Equity Markets. Por exemplo, dê uma olhada no post sobre estratégia internacional de país único.
O único limite é a sua imaginação. Eu também recomendaria fazer uma análise de sensibilidade durante o desenvolvimento de sua estratégia para garantir que você não está superdimensionando os dados.
Para ver o código-fonte completo deste exemplo, por favor dê uma olhada na função bt. rotational. trading. test () em bt. test. r no github.
Comentários estão fechados.
Posts populares recentes.
Artigos mais visitados da semana.
Jobs para usuários de R.
É alimentado por WordPress usando um design bavotasan.
Direitos autorais & copy; 2017 R-blogueiros. Todos os direitos reservados. Termos e Condições para este site.
Gekko Quant - Negociação Quantitativa.
Negociação Quantitativa, Arbitragem Estatística, Aprendizado de Máquina e Opções Binárias.
Pós-navegação.
Arbitragem Estatística & # 8211; Negociando um par cointegrado.
No meu último post gekkoquant / 2012/12/17 / estatística-arbitragem-testing-for-cointegration-augmented-dicky-fuller / demonstrei a cointegração, um teste matemático para identificar pares estacionários onde o spread por definição deve ser revertido à média.
Neste post, pretendo mostrar como negociar um par cointegrado e continuar analisando as ações Royal Dutch Shell A vs B (sabemos que elas estão cointegradas em meu último post). Negociar um par cointegrado é direto, sabemos a média e a variância do spread, sabemos que esses valores são constantes. O ponto de entrada para um stat arb é simplesmente procurar por um grande desvio fora da média.
Uma estratégia básica é:
Se spread (t) & gt; = Spread Médio + 2 * Desvio Padrão, então, Curto Se spread (t) & lt; = Spread Médio & # 8211; 2 * Desvio Padrão e depois Longo.
Se spread (t) & gt; = nDia Média Móvel + 2 * nDay Rolling Desvio padrão, em seguida, será Short If spread (t) & lt; = nDay Moving Average & # 8211; 2 * nDay Rolling O desvio padrão, em seguida, é longo.
Se espalhado (t) & lt; = Spread Médio + 2 * Degradado E espalhado (t-1) & gt; Spread Médio + 2 * Std Se spread (t) & gt; = Spread Médio & # 8211; 2 * Std AND spread (t-1) & lt; Spread Médio & # 8211; 2 * Std Advantage é que só trocamos quando vemos a reversão à média, enquanto os outros modelos esperam uma reversão à média em um grande desvio da média (o spread está explodindo?)
Este post irá olhar para o modelo de média móvel e desvios padrão rolantes para as ações Royal Dutch Shell A vs B, ele usará a taxa de hedge encontrada no último post.
Sharpe Ratio Shell A & amp; B Stat Arb Shell A.
Índice de Sharpe Anualizado (Rf = 0%):
Shell A e B Stat Arb 0,8224211.
Shell A 0,166307.
O stat arb tem um índice Sharpe Superior ao invés de simplesmente investir na Shell A. À primeira vista, o índice de sharpe de 0,8 parece decepcionante, mas como a estratégia passa a maior parte do tempo fora do mercado, ele terá uma taxa anualizada baixa. proporção de sharpe. Para aumentar o índice de sharpe, pode-se procurar negociar frequências mais altas ou ter um par de portfólios para que mais tempo seja gasto no mercado.
22 pensamentos sobre & ldquo; Arbitragem Estatística & # 8211; Negociando um par cointegrado & rdquo;
isso também significa que quando identificada a divergência máxima eu posso tomar posição em derivativos como opções?
- Opção de compra de multibanco no primeiro estoque.
-Compre opção de compra no segundo.
ou com um BacKSpreadCall no primeiro e um BackSpreadPut no segundo para que eu possa definir as proteções e eu posso rolá-las se elas saírem do controle & # 8230;
As posições curtas devem ser moneyness ATM ou levemente OTM na minha opinião.
O que você pensa sobre?
Você tentou usar a abordagem de teste de Johansen para realizar testes mais rigorosos de cointegração? O que você acha de combinar o Engle-Granger com o Johansen?
O spread acima não oscila em torno dele significa, idealmente, que um par cointegrado não deve ser negociado de forma lateral, como mostrado acima, e seu artigo foi perfeito para a cointegração adequada que você demonstrou. mas esse spread não é um spread perfeito.
Eu 100% concordo com você.
No entanto, para fins práticos, desde que a reversão da média aconteça mais rapidamente do que a média, então você se sairá bem.
Eu acho que algo que eu perdi, como quantificar a meia vida / velocidade de reversão.
Por favor, note que na demonstração acima, o período de retorno é de 90 dias. Isso é razoavelmente curto. A escolha de 200 dias resultará em uma média menos responsiva / muda de direção. Isso provavelmente aumentará o tamanho das bandas de desvio padrão e resultará em menos negócios por ano. Isso geralmente resulta em um menor índice de Sharpe.
Post muito interessante. Adoraria ver a implementação em uma cesta de pares.
Eu faço algumas alterações no seu programa para calcular as bandas de bollinger e eu quero saber por que você colocou o desvio padrão para a direita? (movingStd = rollapply (spread, lookback, sd, alinhamento = & # 8221; direita & # 8221 ;, na. pad = TRUE))
OK obrigado por responder!
Seu blog me dá a chance de implementar e construir mais rapidamente a minha estratégia stat arb.
Vou testar modelos diferentes para arbitragem estatística. Eu mantenho todos os visitantes no circuito!
Em seu programa, o efeito martingale não está aqui. Como posso adicionar esse efeito?
Estou executando meus próprios backtests com programas diferentes (Excel, R e ProRealTime (uma plataforma francesa)) e para fazer alguma comparação, eu preciso adicionar o efeito martingale.
Obrigado pelo esclarecimento. Pelo mesmo argumento, rollmean tem que ter o mesmo: rollmean (spread, lookback, na. pad = TRUE, align = ’right’)
Com esta nova modificação, a taxa de Sharpe cai drasticamente.
Coisas boas!! Eu acho que existem dois erros no seu código, no entanto. A primeira é no cálculo da média móvel. Você esqueceu de definir o parâmetro align para & # 8220; right & # 8221; (como você faz para o desvio padrão). Função usa default & # 8220; center & # 8221; e seus dados & # 8211; spread e média móvel não estão alinhados. Você pode ver isso da trama também. A média móvel termina 45 dias antes do spread. Segundo bug está no cálculo dos retornos de negociação. Eu acho que você deve ter o retorno do dia seguinte quando entramos na posição no preço de fechamento.
Obrigado pelo seu código elegante. Eu notei que sua linha de código:
destina-se a aplicar a função shortPositionFunc para (-1 * aboveUpperBand + belowMAvg).
No entanto, a função shortPositionFunc aceita dois argumentos x e y.
Existe algum erro no código?
Obrigado pelo seu esclarecimento!
Obrigado Gekko pelo código de backtesting. É muito útil. Alguns comentários abaixo:
1) Outro leitor já comentou sobre isso acima. O movingAvg precisa ser corrigido adicionando-se align = "right" para se ter o primeiro número médio móvel no dia 90:
movingAvg = rollmean (spread, lookback, align = ”right”, na. pad = TRUE)
2) como entramos no final do dia, o retorno da data de negociação não deve ser contabilizado. podemos simplesmente deslocar cada elemento no vetor de “posições” usando a função “shift” na biblioteca taRifx.
Além disso, não acredito que o retorno diário seja (aRet - stockPair $ hedgeRatio * bRet). Imagine se você tivesse uma grande taxa de hedge, ou seja, se a ação A precificasse US $ 100 e a ação B tivesse US $ 10, então a hedgeRatio estaria na casa dos 10. Como aet e bRet estão em%, a fórmula não trabalhos. O retorno diário deve ser aRet-bRet * (razão entre o índice neutro do dólar versus o índice de hedge).
#Calculate spread diário ret.
dailyRet & lt; - aRet - bRet * hedgeRatioOVERdollarNeutralRatio.
tradingRet & lt; - dailyRet * shift (posições, -1)
Eu estou procurando novas estratégias em negociação de pares de ações que melhorem a abordagem de cointegração padrão (por exemplo, comecei a investigar o par de negociação com copulas, que ainda parece uma alternativa instável à cointegração). Você tem algum papel novo para me sugerir? Muito obrigado e parabéns pelo ótimo blog.
A segunda metade do livro passa por muitas técnicas mais avançadas para proteger um portfólio / encontrar pares estacionários.
Estou um pouco confuso nesta etapa.
Quando eu plotei o longoPositions e ShortPositions junto com o spread, bandas e linhas médias móveis encontrados, então há sinais longos consecutivos e sinais curtos. De acordo com o meu entendimento
longPostions & lt; - se o spread estiver abaixo da banda inferior.
longExit & lt; - se o spread estiver acima de movAvg durante o tempo.
shortPostions & lt; - se o spread estiver acima da banda superior.
shortExit & lt; - se o spread estiver abaixo de movAvg enquanto curto.
é a mesma coisa que seu código está fazendo. Por favor me ajude a entender essa parte.
Oi Gekko, eu li os livros do EP Chan que fala sobre esse assunto e eu estou um pouco confuso sobre a reserva média. Quando dois ativos são cointegrados, estamos supondo que eles retornarão à sua média, mas sua média móvel ou sua média total em um período fixo? Eu estou dando melhores resultados usando parâmetros estáticos do que usando bandas de bollinger. Eu vou te mostrar uma imagem com a minha dúvida. prntscr / 51jofw Poderia escrever outro artigo de reversão à média! Obrigado por todos.
Oi Gekko Ótimo Código. Você poderia explicar mais de perto uma ideia por trás dessa função cappedCumSum? Eu não entendo o momento em que você está especificando duas variáveis de entrada, mas na função Reduce () é apenas um parâmetro, & # 8211; é por causa de 0?
Há um erro. Seu algoritmo parece, no futuro, o problema na função rollmean. Algoritmo usando a média móvel dos dias futuros para fechar a posição.
Os dez principais métodos de negociação sistemática.
Os dez principais métodos de negociação sistemática.
por Michael R. Bryant.
Os métodos sistemáticos de negociação são a base para sistemas de negociação e estratégias de negociação automatizadas. Eles consistem em indicadores técnicos ou outros métodos matemáticos usados para gerar sinais objetivos de compra e venda nos mercados financeiros. Alguns dos métodos mais populares estão em uso desde antes do advento dos computadores, enquanto outros métodos são mais recentes. Este artigo lista dez dos métodos sistemáticos mais populares encontrados em sistemas de negociação.
Movendo crossovers médios. Sistemas de negociação baseados no cruzamento de duas médias móveis de diferentes comprimentos é talvez o método de negociação sistemático mais comum. Este método também inclui crossovers médios móveis triplos, bem como o indicador de divergência de convergência da média móvel (MACD), que é a diferença entre duas médias móveis exponenciais. As médias móveis podem ser calculadas de várias maneiras, como simples, exponencial, ponderada, etc.
Quebras do canal. Nesse método, um canal de preço é definido pelo mais alto e o mais baixo mais baixo de um número anterior de barras. Uma negociação é sinalizada quando o mercado irrompe acima ou abaixo do canal. Isso também é conhecido como canal Donchian, que tradicionalmente usa um período de lookback de 20 dias. O famoso sistema de “tartaruga” foi supostamente baseado em fugas de canal.
Fugas de volatilidade. Estes são similares em alguns aspectos às fugas de canal exceto que em vez de usar o mais alto e mais baixo mais baixo, a fuga é baseada na assim chamada volatilidade. A volatilidade é tipicamente representada pelo intervalo médio verdadeiro (ATR), que é essencialmente uma média dos intervalos das barras, ajustada para intervalos de abertura, ao longo de um número passado de barras. O ATR é adicionado ou subtraído do preço atual da barra para determinar o preço inicial.
Suporte / Resistência Este método baseia-se na ideia de que, se o mercado estiver abaixo de um nível de resistência, terá dificuldade em ultrapassar esse preço, ao passo que, se estiver acima de um nível de suporte, terá dificuldade em ficar abaixo desse preço. É considerado significativo quando o mercado ultrapassa um nível de suporte ou resistência. Além disso, quando o mercado rompe um nível de resistência, esse preço se torna o novo nível de suporte. Da mesma forma, quando o mercado cai através de um nível de suporte, esse preço se torna o novo nível de resistência. Os níveis de suporte e resistência são tipicamente baseados em preços recentes e significativos, como altos e baixos recentes ou pontos de reversão.
Osciladores e ciclos Osciladores são indicadores técnicos que se movem dentro de um intervalo definido, como zero a 100, e representam a extensão em que o mercado está sobrecomprado ou sobrevendido. Os osciladores típicos incluem o stochastics, o Williams% R, o Rate of Change (ROC) e o Indicador de Força Relativa (RSI). Os osciladores também revelam a natureza cíclica dos mercados. Métodos mais diretos de análise de ciclo também são possíveis, como o cálculo do comprimento do ciclo dominante. O comprimento do ciclo pode ser usado como uma entrada para outros indicadores ou como parte de um método de previsão de preço.
Padrões de preço. Um padrão de preço pode ser tão simples quanto um preço de fechamento mais alto ou tão complicado quanto um padrão de cabeça e ombros. Numerosos livros foram escritos sobre o uso de padrões de preços na negociação. O tema das velas japonesas é essencialmente uma maneira de categorizar diferentes padrões de preço e vinculá-los ao comportamento do mercado.
Envelopes de preço. Neste método, as bandas são construídas acima e abaixo do mercado, de modo que o mercado normalmente permanece dentro das bandas. Bandas de Bollinger, que calculam a largura do envelope a partir do desvio padrão de preço, são provavelmente o tipo de envelope de preço mais comumente usado. Os sinais de negociação são normalmente gerados quando o mercado toca ou passa pela banda superior ou inferior.
Hora do dia / dia da semana. Os métodos de negociação baseados no tempo, baseados na hora do dia ou no dia da semana, são bastante comuns. Um sistema de negociação bem conhecido para os futuros do S & P 500 comprados em aberto às segundas-feiras e encerrado no fechamento. Aproveitou-se de uma tendência que o mercado tinha na época para negociar às segundas-feiras. Outras abordagens sistemáticas restringem os negócios a determinados momentos do dia que tendem a favorecer certos padrões, como tendências, reversões ou alta liquidez.
Volume. Muitos métodos sistemáticos de negociação são baseados unicamente em preços (aberto, alto, baixo e próximo). No entanto, o volume é um dos componentes básicos dos dados de mercado. Como tal, os métodos baseados no volume, embora menos comuns do que os métodos baseados no preço, são dignos de nota. Muitas vezes, os comerciantes usam o volume para confirmar ou validar uma mudança de mercado. Alguns dos métodos sistemáticos mais comuns baseados no volume são os indicadores baseados em volume, como o volume no balanço (OBV), a linha de acumulação / distribuição e o oscilador Chaiken.
Previsão. A previsão de mercado usa métodos matemáticos para prever o preço do mercado em algum momento no futuro. A previsão é qualitativamente diferente dos métodos listados acima, que são projetados para identificar tendências ou padrões de mercado comercializáveis. Em contraste, um sistema de negociação baseado na previsão pode, por exemplo, comprar o mercado hoje, se a previsão é de que o mercado seja maior a uma semana a partir de hoje.
Por favor, tenha em mente que esta lista é baseada na popularidade, o que não é necessariamente o mesmo que rentabilidade. Sistemas comerciais bem-sucedidos geralmente empregam uma combinação de métodos e muitas vezes de maneiras não convencionais. Além disso, é possível que outros métodos menos populares sejam mais lucrativos em alguns casos.
Se você gostaria de ser informado sobre novos desenvolvimentos, novidades e ofertas especiais da Adaptrade Software, por favor, junte-se à nossa lista de e-mail. Obrigado.
Copyright © 2004-2015 Adaptrade Software. Todos os direitos reservados.
Nicholas R. Kirk.
Desenvolvedor Quantitativo e Cientista de Dados.
Nick traz uma imensa experiência no desenvolvimento de sistemas de negociação sistemáticos. Desempenhou funções de consultor em muitas empresas de investimento, incluindo a Schroders Asset Management, a Mitsubishi UFJ Securities e a AXA Investment Managers. No início de sua carreira, ele trabalhou em sistemas de mensagens de alto desempenho no IBM Research Center, La Gaude (França). Desde 2015, Nick tem negociado criptomoedas com sucesso, pesquisando e desenvolvendo múltiplas estratégias de negociação lucrativas. Nick foi professor convidado na Universidade de Washington, onde ensinou o comércio sistemático de criptomoedas no seu programa de Mestrado em Finanças Computacionais. Ele também ensina um workshop sistemático de negociação de criptomoedas com Ernest P. Chan.
Nick tem um mestrado em matemática aplicada pela Universidade de Washington.
Ernest P. Chan.
Ernie é o membro gestor da QTS Capital Management, LLC. Depois de se formar com um PhD da Universidade de Cornell em 1994, Ernie trabalhou como pesquisador no grupo de Tecnologias da Linguagem Humana da IBM T. J. Watson Research Center, onde projetou algoritmos estatísticos de reconhecimento de padrões. Ernie se juntou ao Morgan Stanley, do Investment Bank, trabalhando em seu grupo de mineração de dados, onde foi pioneiro na aplicação de algoritmos estatísticos à complexa tarefa de extrair relacionamentos com clientes no banco de dados de contas de clientes do Morgan Stanley.
Ele foi convidado a participar de um grupo de negociação proprietária no Credit Suisse em Nova York em 1998 para desenvolver modelos estatísticos para ações e negociação de futuros. Mais tarde, ele se juntou à Mapleridge Capital Management Corp. em 2002 como Analista Quantitativo Sênior trabalhando em estratégias de negociação de futuros e, em seguida, na Maple Financial em 2003 como pesquisador sênior e trader. Ele co-fundou a EXP Capital Management, LLC, uma empresa de administração de fundos com sede em Chicago em 2008 e fundou a QTS Capital Management, LLC. em 2011.
Ele é o autor de “Negociação Quantitativa: Como Construir seu Próprio Negócio de Negociação Algorítmica”, “Negociação Algorítmica: Estratégias Vencedoras e Sua Razão”, e “Negociação de Máquina: Implantando Algoritmos de Computador para Conquistar os Mercados”, todos publicados pela Wiley. Ele foi professor adjunto de Finanças na Nanyang Technological University em Cingapura (NTU) e membro do Industry NTU-SGX Center for Financial Education. Ernie ensina Risk Analytics no programa de Mestrado em Ciência da Preditiva da Northwestern University, e ministra workshops sobre Arbitragem Estatística, Estratégias Quantitativas de Momento e Inteligência Artificial para Traders em Londres.
Ernie tem mestrado e doutorado em física teórica pela Cornell University.
Laurent Hoffmann.
Pesquisador Quantitativo e Cientista de Dados.
Depois de concluir seu doutorado e pesquisa de pós-doutorado, Laurent ingressou na d-fine em Frankfurt como analista e consultor de risco quantitativo. Em seguida, mudou-se para o Depfa Bank em Londres, onde foi analista quantitativo e pesquisador em negociações de renda fixa e crédito estruturado, trabalhando em modelos de precificação de derivativos, técnicas estatísticas para arbitragem de valor relativo sistemático e liquidação ótima de ativos ilíquidos. Ele ocupou cargos de consultoria em hedge funds em Londres, pesquisando várias estratégias sistemáticas de negociação, incluindo arbitragem de volatilidade cambial e de opções, e a construção de carteiras reversíveis de contratos futuros. Laurent também é um empreendedor e co-fundou a OpenCapacity, que desenvolve sistemas de aprendizado de máquina para análise preditiva na indústria de transporte público.
Laurent tem um mestrado em Finanças Matemáticas pela Universidade de Oxford e um mestrado e doutorado em Física Teórica e Matemática pela Universidade de Kaiserslautern.
Brian G. Peterson.
Brian Peterson é sócio e head trader de negociação automatizada da DV Trading em Chicago. Na DV, Brian administra uma equipe de negociação quantitativa que é uma das 25 principais criadoras de mercado em vários mercados de taxa de juros e energia, e uma forma de mercado registrada em muitos deles. Além dos produtos de taxa de juros e energia, a equipe de Brian também comercializa FX, agricultura e outras commodities. A equipe de Brian participa regularmente como formador de mercado designado no lançamento de novos produtos em várias bolsas globais de commodities.
Brian é um professor sênior no departamento de Finanças Computacionais e Gerenciamento de Risco da Universidade de Washington, onde leciona desenvolvimento quantitativo de sistemas de negociação. Em finanças computacionais, Brian publicou vários artigos sobre risco de portfólio e construção de portfólio, e é regularmente convidado para falar em grandes conferências sobre tópicos relacionados a finanças quantitativas. Ele tem sido palestrante sobre Computação de Alto Desempenho e Negociação Algorítmica na Trading Show Chicago (2016) e na Conferência Internacional para Computação de Alto Desempenho (2015).
Brian também é autor ou coautor de mais de 10 pacotes de código aberto para usar o R in Finance, o administrador da organização da participação do R no Google Summer of Code e um membro fundador do comitê da conferência anual de financiamento quantitativo R / Finance. Chicago. Antes da DV e da UW, Brian ocupou cargos semelhantes em outras grandes empresas comerciais de Chicago e foi executivo de duas empresas globais de consultoria de gestão, uma das quais foi incluída na Fortune 1000 durante o boom da Internet nos anos 90.
Como consultor de gestão, Brian aconselhou 8 dos 10 principais bancos globais e muitos bancos regionais, aproximadamente metade dos 25 principais gestores de ativos, corretoras globais e muitos outros clientes de serviços não financeiros em setores como saúde, produtos farmacêuticos, manufatura, serviços e tecnologia.
Timothy V. Kirk.
Chefe da Blockchain Research.
Tim é um talentoso cientista de materiais com experiência em Física, Química e Engenharia. Depois de concluir seu doutorado, ele foi pesquisador de pós-doutorado no Laboratório de Bioquímica, ESPCI ParisTech (França), onde desenvolveu instrumentos e dispositivos para ensaios baseados em microfluidos e sequenciamento de DNA. Ele também estudou Gestão de Tecnologia na Haas School of Business, enquanto em Berkeley, e nos últimos dois anos circulou de volta para este campo. Desta vez, suas habilidades analíticas estão focadas nos mercados de blockchain, onde ele realiza pesquisa detalhada de setor por setor sobre as tecnologias subjacentes e o potencial de mercado de ativos e plataformas.
Tim é mestre em Ciência dos Materiais pela UC Berkeley e PhD em Engenharia Bioquímica pela University College London.
A Cypher Capital é uma empresa de investimentos quantitativos, especializada no comércio sistemático de criptomoedas. Negociamos um conjunto diversificado de estratégias, incluindo a criação de mercado, fornecendo liquidez à economia simbólica revolucionária e emergente. Além de se engajar em negociações de alta frequência, a Cypher Capital investe em ativos baseados em blockchain que possuem fortes fundamentos.
Nicholas R. Kirk.
Desenvolvedor Quantitativo e Cientista de Dados.
Ernest P. Chan.
Laurent Hoffmann.
Pesquisador Quantitativo e Cientista de Dados.
Brian G. Peterson.
Timothy V. Kirk.
Chefe da Blockchain Research.
artigos de pesquisa.
Análise de Criptomoedas - Uma Pesquisa de Literatura Acadêmica Recente.
Esta é uma pesquisa de literatura acadêmica recente que discute a diversificação de carteira e o hedge usando criptomoedas & # 8230;
KCS Token & # 8211; do KuCoin; Cálculo de Bônus e Avaliação de Preço.
Esta planilha analisa o token KCS do KuCoin & # 8211; bônus emitido e preço & # 8211; dado o volume de negócios de câmbio, o dividendo esperado e a quantidade de KCS realizada & # 8230;
FunFair - Avaliação de um Token de Jogo de Blockchain.
Este white paper examina a FunFair, uma startup de apostas em blockchain, e explora os valores potenciais de seu token de utilidade, FUN & # 8230;
Comunicados de imprensa e cobertura da mídia.
FunFair e o futuro do jogo de blockchain.
Quer você participe de jogos de azar ou não, é uma grande indústria.
Por William Kolb - 01 de novembro de 2017.
Bitcoin & nero; nerds & # 8217; dar lugar a ternos de Wall Street na conferência de moeda digital.
O mundo das finanças está ficando tão interessado em bitcoins que não é mais apenas a terra dos codificadores.
CNBC - Evelyn Cheng, 25 de maio de 2017.
Depois que o bitcoin se recupera para registrar uma alta, os investidores revigorados apostam em ganhos ainda maiores.
Os analistas também prevêem que o bitcoin aumentará com o aumento do interesse dos investidores à medida que mais fundos de criptografia e lançamento de derivativos de bitcoin se desenvolvam.
CNBC - Evelyn Cheng, 12 de outubro de 2017.
Oficina do Comércio Guru Ernie Chan Usa Bitcoin Exchange Gemini.
A próxima geração do Bitcoin Exchange Gemini será usada como uma caixa de areia para estudantes dos renomados traders algorítmicos Ernest Chan e Nick Kirk.
No comments:
Post a Comment