Negociação Algorítmica Avançada.
Finalmente. implemente estratégias de negociação avançadas usando análise de séries temporais, aprendizado de máquina e estatística bayesiana com as linguagens de programação de código aberto R e Python, para obter resultados diretos e acionáveis na lucratividade de sua estratégia.
Tenho certeza que você notou a supersaturação de tutoriais iniciantes e referências de estatísticas / aprendizado de máquina disponíveis na Internet.
Poucos tutoriais realmente informam como aplicá-los às suas estratégias de negociação algorítmica de uma maneira completa.
Existem centenas de livros didáticos, trabalhos de pesquisa, blogs e posts em fóruns sobre análise de séries temporais, econometria, aprendizado de máquina e estatística Bayesiana.
Quase todos eles se concentram na teoria.
E quanto à implementação prática? Como você usa esse método para sua estratégia? Como você realmente programa essa fórmula em software?
Eu escrevi Advanced Algorithmic Trading para resolver esses problemas.
Ele fornece aplicação no mundo real de análise de séries temporais, aprendizado estatístico de máquina e estatística Bayesiana, para produzir diretamente estratégias de negociação lucrativas com software livre disponível gratuitamente.
Mais de 500 páginas de técnicas quantitativas profissionais de gestão de risco e negociação Métodos avançados de quantização implementados em código R e Python de fácil leitura Faça o download do Índice.
Instant PDF ebook download - sem esperar pela entrega Lifetime no-quibble garantia de reembolso de 100% - sem risco para você! Baixe um capítulo de amostra.
Você está feliz com a programação básica, mas quer aplicar suas habilidades para uma negociação mais avançada.
Se você leu meu livro anterior, Successful Algorithmic Trading, você terá a chance de aprender algumas habilidades básicas de Python e aplicá-las a estratégias simples de negociação.
No entanto, você cresceu além de estratégias simples e quer começar a melhorar sua lucratividade e introduzir algumas técnicas robustas e profissionais de gerenciamento de risco ao seu portfólio.
No Advanced Algorithmic Trading, damos uma olhada detalhada em algumas das bibliotecas de finanças de quantias mais populares para Python e R, incluindo pandas, scikit-learn, statsmodels, QSTrader, timeseries, rugarch e forecast entre muitos outros.
Usaremos essas bibliotecas para analisar uma variedade de métodos nos campos de estatística bayesiana, análise de séries temporais e aprendizado de máquina, usando esses métodos diretamente na pesquisa de estratégia de negociação.
Aplicamos essas ferramentas em um cenário de backtesting end-to-end e de gerenciamento de riscos, usando as bibliotecas R e QSTrader, permitindo que você as "encaixe" facilmente em sua infra-estrutura comercial atual.
Não há necessidade de software Quant Off-The-Shelf caro.
Você pode ter gasto muito dinheiro comprando algumas ferramentas de backtesting sofisticadas no passado e, finalmente, achou-as difíceis de usar e não relevantes para o seu estilo de negociação quant.
A Advanced Algorithmic Trading faz uso de softwares de código aberto completamente gratuitos, incluindo bibliotecas Python e R, que têm comunidades bem informadas e acolhedoras por trás deles.
Mais importante, aplicamos essas bibliotecas diretamente aos problemas de negociação de quant reais, como geração alfa e gerenciamento de risco de portfólio.
"Mas eu não tenho doutorado em estatística."
Embora o aprendizado de máquina, a análise de séries temporais e as estatísticas bayesianas sejam tópicos quantitativos, eles também contêm uma riqueza de métodos intuitivos, muitos dos quais podem ser explicados sem recorrer à matemática avançada.
No Advanced Algorithmic Trading, fornecemos não apenas a teoria para ajudá-lo a entender o que você está implementando (e aprimorá-lo você mesmo!), Mas também tutoriais detalhados de codificação passo a passo que levam as equações e as aplicam diretamente a reais estratégias .
Assim, se você está mais confortável codificando do que com matemática, você pode facilmente seguir os trechos e começar a trabalhar para melhorar a lucratividade de sua estratégia.
Sobre o autor.
Então, quem está por trás disso?
Oi! Meu nome é Mike Halls-Moore e sou o cara por trás do QuantStart e do pacote 'Advanced Algorithmic Trading'.
Desde que trabalhei como desenvolvedor de negociação quantitativa em um fundo de hedge, sou apaixonado pela pesquisa e implementação de negociações quantitativas.
Iniciei a comunidade QuantStart e escrevi "Advanced Algorithmic Trading" para expor os praticantes de varejo aos métodos usados em fundos de hedge quantitativos e empresas de gestão de ativos.
Quais tópicos estão incluídos no livro?
Análise de Séries Temporais.
Você receberá um guia completo para iniciantes para análise de séries temporais, incluindo características de retorno de ativos, correlação serial, modelos de ruído branco e passeio aleatório.
Modelos de Séries Temporais.
Fornecerei uma discussão completa dos modelos de média móvel regressiva (ARMA) e autorregressivo condicional heterocedástico (ARCH) usando o ambiente estatístico R.
Séries Temporais Cointegradas.
Continuaremos a discussão sobre séries temporais cointegradas da Successful Algorithmic Trading e consideraremos o teste de Johansen, aplicando-o às estratégias da ETF.
Modelos de espaço de estado e filtros de Kalman.
Você encontrará uma discussão aprofundada sobre como o Filtro de Kalman pode ser usado para criar proporções de hedge dinâmicas entre pares de ativos do ETF, usando ferramentas Python disponíveis gratuitamente.
Modelos ocultos de Markov.
Você terá uma introdução aos Modelos Ocultos de Markov e como eles podem ser aplicados a dados financeiros para fins de detecção de regime.
Aprendizado de Máquina.
Descobriremos exatamente o que é "aprendizado de máquina estatística", incluindo o aprendizado supervisionado e não supervisionado, e como eles podem nos ajudar a produzir estratégias de negociação sistemáticas lucrativas.
Regressão linear.
Inicialmente, usaremos a técnica familiar de regressão linear, tanto no sentido Bayesiano quanto clássico, como forma de ensinar conceitos mais avançados de aprendizado de máquina.
O tradeoff de viés-variância.
Falarei sobre um dos conceitos mais importantes no aprendizado de máquina, ou seja, o trade-off de viés-variância e como podemos minimizar seus efeitos usando a validação cruzada.
Métodos Baseados em Árvore.
Discutirei um dos modelos mais versáteis de famílias ML, ou seja, os modelos Decision Tree, Random Forest e Boosted Tree, e como podemos aplicá-los para prever retornos de ativos.
Métodos do Kernel.
Discutiremos a família de Classificadores de Vetores de Suporte, incluindo a Máquina de Vetores de Suporte, e como podemos aplicá-los a séries de dados financeiros.
Métodos não supervisionados.
Explicarei como você pode aplicar técnicas de aprendizado não supervisionadas, como o K-Means Clustering, a dados de barra financeiros do OHLCV, a fim de agrupar "velas" em regimes.
Processamento de linguagem natural.
Discutiremos como aplicar métodos de aprendizado de máquina a um grande corpus de documentos em linguagem natural e prever categorias em dados de teste não vistos, como um precursor de modelos baseados em sentimentos.
Estatística Bayesiana.
Fornecerei uma introdução completa aos modelos de probabilidade bayesianos, incluindo uma análise detalhada da inferência, que forma a base para modelos mais complexos ao longo do livro.
Markov-Chain Monte Carlo.
Você aprenderá sobre o MCMC, em particular o algoritmo Metropolis-Hastings, que é uma das principais técnicas de amostragem em estatística bayesiana, usando o software PyMC3.
Volatilidade Estocástica Bayesiana.
Examinaremos os modelos de volatilidade estocástica em uma estrutura bayesiana, usando-os para identificar períodos de grande volatilidade do mercado para o gerenciamento de riscos.
Quais habilidades técnicas você aprenderá?
R: Análise de Séries Temporais.
Você será apresentado ao R, que é um dos ambientes de pesquisa mais utilizados em fundos de hedge quantitativos e gerentes de ativos. Vamos fazer uso de muitas bibliotecas, incluindo timeseries, rugarch e previsão.
Decaimento da Estratégia.
Usaremos R e Python para estimar o desempenho da nossa estratégia ao longo do tempo, permitindo-nos produzir curvas de decaimento de estratégia. Isso ajudará a determinar se uma estratégia precisa ser retirada ou se ainda é viável e lucrativa.
Python: Scikit-Learn.
Nós nos aprofundaremos nos recursos avançados da biblioteca ML do Python, scikit-learn, incluindo otimização de parâmetros, validação cruzada, paralelização e produção de modelos preditivos sofisticados.
Backtesting robusto.
Como criar backtests eficientes vetorizados e orientados a eventos para pesquisa preliminar, com suposições de custos de transação realistas e manipulação de posição, usando R e a popular biblioteca QSTrader.
Python: PyMC3.
Apresentaremos o PyMC3, o kit de ferramentas de modelagem bayesiana flexível ou "Programação probabilística" e o amostrador Markov Chain Monte Carlo para nos ajudar a realizar inferências bayesianas efetivas sobre dados de séries temporais financeiras.
Gerenciamento de riscos.
Continuaremos nossa discussão sobre gerenciamento de risco de livros anteriores e analisaremos a detecção de regime e a volatilidade estocástica como meio de determinar nosso nível de risco atual e alocação de portfólio.
Quais estratégias de negociação e gerenciamento de riscos você implementará?
Carteiras Mensais de Reequilíbrio.
Apresentaremos nossa estrutura de backtesting com carteiras FEF de longo prazo reajustadas mensalmente, em vários mercados financeiros, comparando nossos resultados a um benchmark.
ARIMA + GARCH.
Vamos olhar para uma técnica de séries temporais lineares baseada no modelo ARIMA + GARCH sobre uma série de índices de ações e ver como o desempenho da estratégia muda ao longo do tempo.
Filtros de Kalman para negociação de pares.
Aplicaremos o Filtro Bayman de Kalman a séries temporais cointegradas para estimar dinamicamente a relação de proteção entre pares de ativos, melhorando a estimativa estática de um índice de hedge tradicional.
Detecção de regime.
Usaremos modelos ocultos de Markov para produzir um modelo de detecção de regime de volatilidade. Isso será usado para vetar ordens em uma tendência de curto prazo seguindo a estratégia para aumentar a lucratividade.
O ativo retorna a previsão usando o Aprendizado de máquina.
Usaremos várias técnicas de aprendizado de máquina, como o Random Forests, para prever a direção e o nível do ativo, regredindo em relação a outros recursos transformados.
Análise de sentimentos.
Usaremos os dados do fornecedor de análise de sentimento para gerar um gerador de sinal de negociação baseado em sentimento, aplicando-o a um conjunto de ações S & amp; P500 em vários setores do mercado.
Onde você pode aprender mais sobre nós?
Nós escrevemos mais de 200 posts no QuantStart cobrindo quant trading, quant careers, quant development, data science e machine learning. Você pode ler os arquivos para saber mais sobre nossa metodologia e estratégias de negociação.
E se você não estiver feliz com o livro?
Enquanto achamos que você encontrará o Advanced Algorithmic Trading muito útil em sua educação de negociação quantitativa, também acreditamos que, se você não estiver 100% satisfeito com o livro por qualquer motivo, poderá devolvê-lo sem perguntas para um reembolso total.
Você vai obter uma cópia impressa do livro?
Não. Neste estágio, o livro está disponível apenas no formato Adobe PDF, enquanto o próprio código é fornecido como um arquivo zip de scripts R e Python totalmente funcionais, se você adquirir a opção "Livro + Software".
Qual pacote você deve comprar?
Isso depende principalmente do seu orçamento. O livro com código-fonte extra completo é o melhor se você quiser entrar no código imediatamente, mas o livro em si contém uma enorme quantidade de trechos de código que ajudarão no seu processo de negociação de quantia.
Podemos ser contatados?
Claro! Se você ainda tiver dúvidas depois de ler esta página, entre em contato e faremos o melhor para fornecer uma resposta necessária. No entanto, por favor, dê uma olhada na lista de artigos, que também pode ajudá-lo.
Você precisará de um diploma em matemática?
A maior parte do livro requer uma compreensão de cálculo, álgebra linear e probabilidade. No entanto, muitos dos métodos são intuitivos e o código pode ser seguido sem recurso à matemática avançada.
Uma introdução ao comércio algorítmico: estratégias básicas a avançadas.
Edward Leshik, Jane Cralle.
Descrição.
O livro começa com um guia passo-a-passo para negociação algorítmica, desmistificando esse assunto complexo e fornecendo aos leitores um conhecimento de negociação algorítmico específico e utilizável. Ele fornece informações básicas que levam a um trabalho mais avançado descrevendo os algoritmos de negociação atuais, os fundamentos de seu design, o que eles são, como funcionam, como são usados, suas forças, suas fraquezas, onde estamos agora e para onde vamos .
O livro continua a demonstrar uma seleção de algoritmos detalhados, incluindo sua implementação nos mercados. Usando algoritmos reais que foram usados em leitores de negociação ao vivo têm acesso à funcionalidade de negociação em tempo real e podem usar os algoritmos nunca antes vistos para negociar suas próprias contas.
Os mercados são sistemas adaptativos complexos que exibem um comportamento imprevisível. À medida que os projetistas algorítmicos evoluem, os mercados precisam estar constantemente cientes de quaisquer mudanças que possam afetar seu trabalho, portanto, para o leitor mais aventureiro, há também uma seção sobre como projetar algoritmos de negociação.
Todos os exemplos e algoritmos são demonstrados no Excel no CD-ROM que acompanha, incluindo exemplos algorítmicos reais que foram usados em negociação ao vivo.
Sobre o autor.
Jane Cralle começou sua carreira em corretagem na PaineWebber, e mais tarde passou 22 anos na Linker Capital Management Inc. gerenciando as contas de indivíduos de alta renda. Ela tem um amplo conhecimento dos mercados e é uma trader e investidora especializada - sua extensa experiência é inestimável para medir o "longo prazo" da evolução do mercado. Atualmente, ela está pesquisando e desenvolvendo um sistema automatizado de comércio algorítmico com Edward, e sua especialidade de análise de cluster dos componentes de índice S & P é um trabalho em andamento para um livro proposto intitulado Stocks and their Personalities. Jane mora em Louisville com o marido, Rick Kremer, e três filhos, Sarah, Morgan e Jack.
Permissões.
Solicite permissão para reutilizar o conteúdo deste site.
Declaração de Missão viii.
PARTE I INTRODUÇÃO À NEGOCIAÇÃO DE ALGORITMOS.
Prefácio à Parte I 3.
2 Tudo Sobre Algoritmos de Negociação Que Você Queria Saber. . . 9.
3 Algos Definido e Explicado 11.
4 Quem usa e fornece Algos 13.
5 Por que eles se tornaram populares tão rapidamente? 17.
6 Algos Atualmente Populares 19.
7 Uma visão em perspectiva de uma empresa de nível 1 25.
8 Como usar os algoritmos para comerciantes individuais 29.
9 Como otimizar os comerciantes individuais do comerciante 33.
10 O futuro & ndash; Para onde vamos daqui? 37
PARTE II OS MÉTODOS DE NEGOCIAÇÃO DO LESHIK-CRALLE.
Prefácio à Parte II 41.
11 Nossa Nomenclatura 49.
12 Math Math Toolkit 53.
13 Caixa de Ferramentas Estatísticas 61.
14 Dados & ndash; Símbolo, Data, Carimbo de data / hora, Volume, Preço 67.
15 Mini Seminário do Excel 69.
16 Gráficos do Excel: como lê-los e como compilá-los 75.
17 Nossas métricas & ndash; Algometria 81.
18 Clusters de Personalidade de Stock 85.
19 Selecionando uma Coorte de Ações de Negociação 89.
20 Perfilamento de Estoque 91.
21 Propriedades Estilísticas dos Mercados de Ações 93.
22 Volatilidade 97.
23 Retorna & ndash; Teoria 101.
24 Benchmarks e Medidas de Desempenho 103.
25 Nossos Algoritmos de Negociação Descritos & ndash; As Estratégias ALPHA ALGO 107.
1. ALFA-1 (DIFF) 107.
1a. O ALPHA-1 Algo Expresso na Linguagem de Funções do Excel 109.
2. ALPHA-2 (EMA PLUS) V1 e V2 110.
3. ALPHA-3 (O Oscilador de Leshik-Cralle) 112.
4. ALPHA-4 (Matriz em Tempo Real de Alta Freqüência) 112.
5. ALPHA-5 (Firedawn) 113.
6. ALPHA-6 (peão geral) 113.
7. A Parada de Proteção de Capital Adaptativo LC 114.
26 parâmetros e como configurá-los 115.
27 Análise Técnica (TA) 117.
28 Heurística, IA, Redes Neurais Artificiais e Outras Avenidas a Serem Exploradas 125.
29 Como projetamos um Alpha Algo de negociação 127.
30 Da Hipótese do Mercado Eficiente à Teoria do Prospecto 133.
31 O caminho para o caos (ou ciência não linear) 139.
32 Economia da Complexidade 143.
33 Corretoras 147.
34 Plataformas de Gerenciamento de Pedidos e Sistemas de Execução de Ordens 149.
35 Fornecedores de feed de dados, tempo real, histórico 151.
36 Conectividade 153.
37 Exemplos de Especificação de Hardware 155.
38 Breve digressão filosófica 157.
39 Fontes de informação 159.
Apêndice A & lsquo; A Lista & rsquo; de Usuários e Provedores Algo 165.
Apêndice B Nossa Classificação de Indústrias SETORES Definições 179.
30. Da Hipótese do Mercado Eficiente à Teoria do Prospecto.
Publicado online: 16 de outubro de 2015.
Direitos autorais e cópia; 2011 John Wiley & amp; Sons Ltd.
Uma introdução ao comércio algorítmico: estratégias básicas a avançadas.
Como citar.
Leshik, E. A. e Cralle, J. (eds) (2012) Da Hipótese do Mercado Eficiente à Teoria do Prospecto, em Uma Introdução à Transação Algorítmica: Estratégias Básicas a Avançadas, John Wiley & amp; Sons, Inc., Hoboken, NJ, EUA. doi: 10.1002 / 9781119206033.ch30.
Histórico de Publicações.
Publicado online: 16 de outubro de 2015 Publicado em: 2 JAN 2012.
Informação ISBN.
Imprimir ISBN: 9780470689547.
ISBN online: 9781119206033.
FERRAMENTAS DO CAPÍTULO.
Obter PDF: Este capítulo (72K) Obter PDF: Todos os capítulos Salvar em Meu perfil E-mail Link para este capítulo Citação de exportação para este capítulo Solicitar permissões.
Palavras-chave:
Mercados acionários; Hipótese do mercado eficiente; teoria do prospecto; teoria da utilidade; aversão à perda; ganhos.
Este capítulo descreve a mudança da Hipótese do Mercado Eficiente para a Teoria dos Prospectos, a fim de dar ao novo operador uma mini revisão do pensamento de fundo relativo aos mercados de ações. A Efficient Market Hypothesis (EMH) pressupõe que investidores e negociantes ajam racionalmente em todos os momentos e que a informação seja distribuída de forma igual e instantânea entre eles e se reflita imediatamente no preço da ação. Essa linha de pensamento tornaria a AT inutilizável e, no final, tornaria a negociação impossível, já que todas as informações estariam no mercado e não haveria incentivo para os comerciantes comprarem ou venderem, pois não haveria discordância no preço. O núcleo da teoria do prospecto afirma que quando confrontados por escolhas entre resultados arriscados e incertos, as perspectivas mostram efeitos que são totalmente inconsistentes com a teoria básica da utilidade. Na teoria prospectiva, a aversão à perda refere-se à tendência das pessoas de preferir fortemente evitar perdas para obter ganhos.
Uma introdução ao comércio algorítmico: estratégias básicas a avançadas.
Direitos autorais e cópia; 2011 John Wiley & amp; Sons Ltd.
Editor (es): Edward A Leshik, Jane Cralle.
Publicado em: 16 OUT 2015 11:02 PM EST.
Imprimir ISBN: 9780470689547.
ISBN online: 9781119206033.
Sobre este livro.
O interesse em negociação algorítmica está crescendo massivamente - é mais barato, rápido e fácil de controlar do que o padrão, permite que você "pré-pense" no mercado, execute matemática complexa em tempo real e tome as decisões necessárias com base na estratégia definida. Nós não estamos mais limitados pela 'largura de banda' humana. O custo por si só (estimado em 6 centavos por ação manual, 1 centavo por ação algorítmica) é um driver suficiente para impulsionar o crescimento da indústria. De acordo com a empresa de consultoria Aite Group LLC, as empresas de trading de alta frequência sozinhas representam 73% de todo o volume negociado de ações nos EUA, apesar de representar apenas aproximadamente 2% do total de empresas que operam nos mercados dos EUA. O comércio algorítmico está se tornando a força vital da indústria. Mas é uma indústria secreta com poucos dispostos a compartilhar os segredos de seu sucesso.
O livro começa com um guia passo-a-passo para negociação algorítmica, desmistificando esse assunto complexo e fornecendo aos leitores um conhecimento de negociação algorítmico específico e utilizável. Ele fornece informações básicas que levam a um trabalho mais avançado descrevendo os algoritmos de negociação atuais, os fundamentos de seu design, o que eles são, como funcionam, como são usados, suas forças, suas fraquezas, onde estamos agora e para onde vamos .
O livro continua a demonstrar uma seleção de algoritmos detalhados, incluindo sua implementação nos mercados. Usando algoritmos reais que foram usados em leitores de negociação ao vivo têm acesso à funcionalidade de negociação em tempo real e podem usar os algoritmos nunca antes vistos para negociar suas próprias contas.
Os mercados são sistemas adaptativos complexos que exibem um comportamento imprevisível. À medida que os projetistas algorítmicos evoluem, os mercados precisam estar constantemente cientes de quaisquer mudanças que possam afetar seu trabalho, portanto, para o leitor mais aventureiro, há também uma seção sobre como projetar algoritmos de negociação.
Todos os exemplos e algoritmos são demonstrados no Excel no CD-ROM que acompanha, incluindo exemplos algorítmicos reais que foram usados em negociação ao vivo.
Uma introdução ao comércio algorítmico: estratégias básicas para avançadas (Wiley Trading)
A negociação algorítmica está se tornando a força vital da indústria - é mais barata, mais rápida e mais fácil de controlar do que a negociação padrão, e permite que você “pré-pense” no mercado, executando cálculos complexos em tempo real. Nós não estamos mais limitados pela largura de banda humana, mas a indústria é reservada, com poucos dispostos a compartilhar os segredos de seu sucesso.
Este site não armazena nenhum arquivo em seu servidor. Nós apenas indexamos e linkamos o conteúdo fornecido por outros sites. Entre em contato com os provedores de conteúdo para excluir conteúdos de direitos autorais, se houver e nos envie um email, removeremos os links ou conteúdos relevantes imediatamente.
Negociação Algorítmica Avançada.
Finalmente. implemente estratégias de negociação avançadas usando análise de séries temporais, aprendizado de máquina e estatística bayesiana com as linguagens de programação de código aberto R e Python, para obter resultados diretos e acionáveis na lucratividade de sua estratégia.
Tenho certeza que você notou a supersaturação de tutoriais iniciantes e referências de estatísticas / aprendizado de máquina disponíveis na Internet.
Poucos tutoriais realmente informam como aplicá-los às suas estratégias de negociação algorítmica de uma maneira completa.
Existem centenas de livros didáticos, trabalhos de pesquisa, blogs e posts em fóruns sobre análise de séries temporais, econometria, aprendizado de máquina e estatística Bayesiana.
Quase todos eles se concentram na teoria.
E quanto à implementação prática? Como você usa esse método para sua estratégia? Como você realmente programa essa fórmula em software?
Eu escrevi Advanced Algorithmic Trading para resolver esses problemas.
Ele fornece aplicação no mundo real de análise de séries temporais, aprendizado estatístico de máquina e estatística Bayesiana, para produzir diretamente estratégias de negociação lucrativas com software livre disponível gratuitamente.
Mais de 500 páginas de técnicas quantitativas profissionais de gestão de risco e negociação Métodos avançados de quantização implementados em código R e Python de fácil leitura Faça o download do Índice.
Instant PDF ebook download - sem esperar pela entrega Lifetime no-quibble garantia de reembolso de 100% - sem risco para você! Baixe um capítulo de amostra.
Você está feliz com a programação básica, mas quer aplicar suas habilidades para uma negociação mais avançada.
Se você leu meu livro anterior, Successful Algorithmic Trading, você terá a chance de aprender algumas habilidades básicas de Python e aplicá-las a estratégias simples de negociação.
No entanto, você cresceu além de estratégias simples e quer começar a melhorar sua lucratividade e introduzir algumas técnicas robustas e profissionais de gerenciamento de risco ao seu portfólio.
No Advanced Algorithmic Trading, damos uma olhada detalhada em algumas das bibliotecas de finanças de quantias mais populares para Python e R, incluindo pandas, scikit-learn, statsmodels, QSTrader, timeseries, rugarch e forecast entre muitos outros.
Usaremos essas bibliotecas para analisar uma variedade de métodos nos campos de estatística bayesiana, análise de séries temporais e aprendizado de máquina, usando esses métodos diretamente na pesquisa de estratégia de negociação.
Aplicamos essas ferramentas em um cenário de backtesting end-to-end e de gerenciamento de riscos, usando as bibliotecas R e QSTrader, permitindo que você as "encaixe" facilmente em sua infra-estrutura comercial atual.
Não há necessidade de software Quant Off-The-Shelf caro.
Você pode ter gasto muito dinheiro comprando algumas ferramentas de backtesting sofisticadas no passado e, finalmente, achou-as difíceis de usar e não relevantes para o seu estilo de negociação quant.
A Advanced Algorithmic Trading faz uso de softwares de código aberto completamente gratuitos, incluindo bibliotecas Python e R, que têm comunidades bem informadas e acolhedoras por trás deles.
Mais importante, aplicamos essas bibliotecas diretamente aos problemas de negociação de quant reais, como geração alfa e gerenciamento de risco de portfólio.
"Mas eu não tenho doutorado em estatística."
Embora o aprendizado de máquina, a análise de séries temporais e as estatísticas bayesianas sejam tópicos quantitativos, eles também contêm uma riqueza de métodos intuitivos, muitos dos quais podem ser explicados sem recorrer à matemática avançada.
No Advanced Algorithmic Trading, fornecemos não apenas a teoria para ajudá-lo a entender o que você está implementando (e aprimorá-lo você mesmo!), Mas também tutoriais detalhados de codificação passo a passo que levam as equações e as aplicam diretamente a reais estratégias .
Assim, se você está mais confortável codificando do que com matemática, você pode facilmente seguir os trechos e começar a trabalhar para melhorar a lucratividade de sua estratégia.
Sobre o autor.
Então, quem está por trás disso?
Oi! Meu nome é Mike Halls-Moore e sou o cara por trás do QuantStart e do pacote 'Advanced Algorithmic Trading'.
Desde que trabalhei como desenvolvedor de negociação quantitativa em um fundo de hedge, sou apaixonado pela pesquisa e implementação de negociações quantitativas.
Iniciei a comunidade QuantStart e escrevi "Advanced Algorithmic Trading" para expor os praticantes de varejo aos métodos usados em fundos de hedge quantitativos e empresas de gestão de ativos.
Quais tópicos estão incluídos no livro?
Análise de Séries Temporais.
Você receberá um guia completo para iniciantes para análise de séries temporais, incluindo características de retorno de ativos, correlação serial, modelos de ruído branco e passeio aleatório.
Modelos de Séries Temporais.
Fornecerei uma discussão completa dos modelos de média móvel regressiva (ARMA) e autorregressivo condicional heterocedástico (ARCH) usando o ambiente estatístico R.
Séries Temporais Cointegradas.
Continuaremos a discussão sobre séries temporais cointegradas da Successful Algorithmic Trading e consideraremos o teste de Johansen, aplicando-o às estratégias da ETF.
Modelos de espaço de estado e filtros de Kalman.
Você encontrará uma discussão aprofundada sobre como o Filtro de Kalman pode ser usado para criar proporções de hedge dinâmicas entre pares de ativos do ETF, usando ferramentas Python disponíveis gratuitamente.
Modelos ocultos de Markov.
Você terá uma introdução aos Modelos Ocultos de Markov e como eles podem ser aplicados a dados financeiros para fins de detecção de regime.
Aprendizado de Máquina.
Descobriremos exatamente o que é "aprendizado de máquina estatística", incluindo o aprendizado supervisionado e não supervisionado, e como eles podem nos ajudar a produzir estratégias de negociação sistemáticas lucrativas.
Regressão linear.
Inicialmente, usaremos a técnica familiar de regressão linear, tanto no sentido Bayesiano quanto clássico, como forma de ensinar conceitos mais avançados de aprendizado de máquina.
O tradeoff de viés-variância.
Falarei sobre um dos conceitos mais importantes no aprendizado de máquina, ou seja, o trade-off de viés-variância e como podemos minimizar seus efeitos usando a validação cruzada.
Métodos Baseados em Árvore.
Discutirei um dos modelos mais versáteis de famílias ML, ou seja, os modelos Decision Tree, Random Forest e Boosted Tree, e como podemos aplicá-los para prever retornos de ativos.
Métodos do Kernel.
Discutiremos a família de Classificadores de Vetores de Suporte, incluindo a Máquina de Vetores de Suporte, e como podemos aplicá-los a séries de dados financeiros.
Métodos não supervisionados.
Explicarei como você pode aplicar técnicas de aprendizado não supervisionadas, como o K-Means Clustering, a dados de barra financeiros do OHLCV, a fim de agrupar "velas" em regimes.
Processamento de linguagem natural.
Discutiremos como aplicar métodos de aprendizado de máquina a um grande corpus de documentos em linguagem natural e prever categorias em dados de teste não vistos, como um precursor de modelos baseados em sentimentos.
Estatística Bayesiana.
Fornecerei uma introdução completa aos modelos de probabilidade bayesianos, incluindo uma análise detalhada da inferência, que forma a base para modelos mais complexos ao longo do livro.
Markov-Chain Monte Carlo.
Você aprenderá sobre o MCMC, em particular o algoritmo Metropolis-Hastings, que é uma das principais técnicas de amostragem em estatística bayesiana, usando o software PyMC3.
Volatilidade Estocástica Bayesiana.
Examinaremos os modelos de volatilidade estocástica em uma estrutura bayesiana, usando-os para identificar períodos de grande volatilidade do mercado para o gerenciamento de riscos.
Quais habilidades técnicas você aprenderá?
R: Análise de Séries Temporais.
Você será apresentado ao R, que é um dos ambientes de pesquisa mais utilizados em fundos de hedge quantitativos e gerentes de ativos. Vamos fazer uso de muitas bibliotecas, incluindo timeseries, rugarch e previsão.
Decaimento da Estratégia.
Usaremos R e Python para estimar o desempenho da nossa estratégia ao longo do tempo, permitindo-nos produzir curvas de decaimento de estratégia. Isso ajudará a determinar se uma estratégia precisa ser retirada ou se ainda é viável e lucrativa.
Python: Scikit-Learn.
Nós nos aprofundaremos nos recursos avançados da biblioteca ML do Python, scikit-learn, incluindo otimização de parâmetros, validação cruzada, paralelização e produção de modelos preditivos sofisticados.
Backtesting robusto.
Como criar backtests eficientes vetorizados e orientados a eventos para pesquisa preliminar, com suposições de custos de transação realistas e manipulação de posição, usando R e a popular biblioteca QSTrader.
Python: PyMC3.
Apresentaremos o PyMC3, o kit de ferramentas de modelagem bayesiana flexível ou "Programação probabilística" e o amostrador Markov Chain Monte Carlo para nos ajudar a realizar inferências bayesianas efetivas sobre dados de séries temporais financeiras.
Gerenciamento de riscos.
Continuaremos nossa discussão sobre gerenciamento de risco de livros anteriores e analisaremos a detecção de regime e a volatilidade estocástica como meio de determinar nosso nível de risco atual e alocação de portfólio.
Quais estratégias de negociação e gerenciamento de riscos você implementará?
Carteiras Mensais de Reequilíbrio.
Apresentaremos nossa estrutura de backtesting com carteiras FEF de longo prazo reajustadas mensalmente, em vários mercados financeiros, comparando nossos resultados a um benchmark.
ARIMA + GARCH.
Vamos olhar para uma técnica de séries temporais lineares baseada no modelo ARIMA + GARCH sobre uma série de índices de ações e ver como o desempenho da estratégia muda ao longo do tempo.
Filtros de Kalman para negociação de pares.
Aplicaremos o Filtro Bayman de Kalman a séries temporais cointegradas para estimar dinamicamente a relação de proteção entre pares de ativos, melhorando a estimativa estática de um índice de hedge tradicional.
Detecção de regime.
Usaremos modelos ocultos de Markov para produzir um modelo de detecção de regime de volatilidade. Isso será usado para vetar ordens em uma tendência de curto prazo seguindo a estratégia para aumentar a lucratividade.
O ativo retorna a previsão usando o Aprendizado de máquina.
Usaremos várias técnicas de aprendizado de máquina, como o Random Forests, para prever a direção e o nível do ativo, regredindo em relação a outros recursos transformados.
Análise de sentimentos.
Usaremos os dados do fornecedor de análise de sentimento para gerar um gerador de sinal de negociação baseado em sentimento, aplicando-o a um conjunto de ações S & amp; P500 em vários setores do mercado.
Onde você pode aprender mais sobre nós?
Nós escrevemos mais de 200 posts no QuantStart cobrindo quant trading, quant careers, quant development, data science e machine learning. Você pode ler os arquivos para saber mais sobre nossa metodologia e estratégias de negociação.
E se você não estiver feliz com o livro?
Enquanto achamos que você encontrará o Advanced Algorithmic Trading muito útil em sua educação de negociação quantitativa, também acreditamos que, se você não estiver 100% satisfeito com o livro por qualquer motivo, poderá devolvê-lo sem perguntas para um reembolso total.
Você vai obter uma cópia impressa do livro?
Não. Neste estágio, o livro está disponível apenas no formato Adobe PDF, enquanto o próprio código é fornecido como um arquivo zip de scripts R e Python totalmente funcionais, se você adquirir a opção "Livro + Software".
Qual pacote você deve comprar?
Isso depende principalmente do seu orçamento. O livro com código-fonte extra completo é o melhor se você quiser entrar no código imediatamente, mas o livro em si contém uma enorme quantidade de trechos de código que ajudarão no seu processo de negociação de quantia.
Podemos ser contatados?
Claro! Se você ainda tiver dúvidas depois de ler esta página, entre em contato e faremos o melhor para fornecer uma resposta necessária. No entanto, por favor, dê uma olhada na lista de artigos, que também pode ajudá-lo.
Você precisará de um diploma em matemática?
A maior parte do livro requer uma compreensão de cálculo, álgebra linear e probabilidade. No entanto, muitos dos métodos são intuitivos e o código pode ser seguido sem recurso à matemática avançada.
No comments:
Post a Comment