Trading Strategier Sammenligning

Best Options Trading Brokers 2017 Ved siden av aktive handelsfolk, er det uten tvil ingen klient mer verdifull for en online megler enn en opsjonshandler. Alternativhandler gir mye høyere fortjenestemarginer for meglere enn aksjehandel, og som et resultat er konkurransen hard i å tiltrekke disse kundene. Denne typen markedsatmosfære er stor for investorer fordi med sunn konkurranse kommer innovasjon og konkurransedyktig prising. Våre vinner igjen i år, forstår OptionsHouse (kjøpt av ETRADE i 2016) hva som trengs for å lykkes i denne nisje. OptionsHouse tilbyr ikke bare konkurransedyktige opsjonsoppdrag, men også en fantastisk plattform. Options handler er en flat 4,95 .50 per kontrakt. Bare Interactive Brokers tilbyr bedre all-around priser for opsjonshandler. Platform klok, OptionsHouses web-baserte plattform tilbyr alle verktøyene en mulighet handler kan ønske og viser dem i praktfull form. Oppmerksomhet på detaljer, som automatisk ved siden av egendefinerte spreads grupperinger, enkel scanning gjennom strategySEEK, og lett å forstå risikofylte data gjennom tradeLAB, gjør OptionsHouse til en virkelig unik opplevelse. OptionsHouse-plattformen er den beste i bransjen. Hold fokus på høyoktane plattformer og verktøy for opsjonshandlere, TD Ameritrades thinkorswim og TradeStation kan ikke utelukkes. Strategi Roller fra thinkorswim gjør at klienter kan lage egne regler og rulle sine eksisterende alternativer posisjoner automatisk. Antall innstillinger og dybde av tilpasning tilgjengelig er imponerende, og noe vi har vokst til å forvente fra thinkorswim. For ikke å være overgått, gjør TradeStations OptionsStation-verktøyet å analysere potensielle handler en bris, og går til og med så langt som inkludert 3D PL-diagrammer. Investorer merker imidlertid: Popcorn og 3D-briller er ikke påkrevd, og mens vi visuelt tiltalende, så vi ikke noen klar fordel i forhold til det tradisjonelle 2D PL-diagrammet. Hvis unike funksjoner og funksjonalitet er viktige for deg, vil Charles Schwabs Walk Limit bestillings type, som vil gå din bestilling for å prøve å få den mest gunstige prisen innen det nasjonale beste budet eller tilbudet (NBBO), virkelig imponerende. Megleren tilbyr også Idea Hub, som bruker målrettede skanninger for å visuelt bryte ned nye mulige opsjonshandler. Det er mange gode meglere å velge mellom i verden av opsjonshandel. I 2017 bør investorene forvente at megleren skal inkludere skanning, PL analyse, risikoanalyse og enkel ordrebehandling. Posisjonsstyringsfunksjonalitet og sammenkobling av opplevelsen er hvor plattformer som OptionsHouse og thinkorswim virkelig skiller seg ut og skiller seg ut. Til syvende og sist kommer det ned til personlig preferanse og veier prioriteter, for eksempel kostnad per handel versus brukervennlighet og valg av verktøy. Alle prisdata ble hentet fra et publisert nettsted fra 2202017 og antas å være nøyaktig, men er ikke garantert. StockBrokers ansatte jobber kontinuerlig med sine online meglerrepresentanter for å få de nyeste prisdataene. Hvis du mener at dataene som er oppført ovenfor, er unøyaktige, kan du kontakte oss ved å bruke linken nederst på denne siden. For aksjekurs, er annonsert prissetting for en ordinær ordrestørrelse på 500 aksjer på aksjer prissatt til 30 per aksje. For opsjonsordre kan en opsjonsregulativ avgift per kontrakt gjelde. TD Ameritrade, Inc. og StockBrokers er separate, ikke-tilknyttede selskaper og er ikke ansvarlige for hverandres tjenester og produkter. Alternativer er ikke egnet for alle investorer da de spesielle risikoene knyttet til opsjonshandel kan utsette investorer for potensielt raske og betydelige tap. Alternativer trading privilegier underlagt TD Ameritrade gjennomgang og godkjenning. Vennligst les egenskaper og risiko for standardiserte alternativer før du investerer i alternativer. Tilbud gyldig for en ny individuell, felles eller IRA TD Ameritrade-konto åpnet kl 09302017 og finansiert innen 60 kalenderdager med kontoposisjon med 3.000 eller mer. For å motta 100 bonus, må kontoen finansieres med 25.000-99.999. For å motta 300 bonus, må kontoen finansieres med 100.000-249.999. For å motta 600 bonus, må kontoen finansieres med 250 000 eller mer. Tilbudet er ikke gyldig på skattefritakede trusts, 401k-kontoer, Keogh-planer, Fortjeneste-delingsplan eller Penger-kjøpeplan. Tilbudet er ikke overførbart og ikke gyldig med interne overføringer, kontoer forvaltet av TD Ameritrade Investment Management, LLC, TD Ameritrade Institutional accounts og nåværende TD Ameritrade-kontoer eller med andre tilbud. Kvalifisert provisjonsfri Internett-aksje, ETF eller opsjonsordre vil bli begrenset til maksimalt 250 og må utføres innen 90 kalenderdager med kontofinansiering. Kontrakt, trening og oppdragsavgift gjelder fortsatt. Begrens ett tilbud per klient. Konto verdien av kvalifiserende konto må forbli lik eller høyere enn verdien etter at netto innskudd ble foretatt (minus eventuelle tap som følge av handel eller markedsvolatilitet eller margin debetbalanser) i 12 måneder, eller TD Ameritrade kan belaste kontoen for Kostnaden for tilbudet etter eget skjønn. TD Ameritrade forbeholder seg retten til å begrense eller tilbakekalle dette tilbudet når som helst. Dette er ikke et tilbud eller en oppfordring i noen jurisdiksjon der vi ikke er autorisert til å drive forretninger. Vennligst tillat 3-5 virkedager for eventuelle innskudd i kontanter. Skatter knyttet til TD Ameritrade tilbyr er ditt ansvar. Detaljhandel verdier på totalt 600 eller mer i kalenderåret vil bli inkludert i konsolidert skjema 1099. Vennligst kontakt en juridisk eller skattemessig rådgiver for de siste endringene i amerikansk skattekode og regler for overføringskompetanse. (Tilbudskode 264) TD Ameritrade Inc. medlem FINRASIPC. TD Ameritrade er et varemerke eid av TD Ameritrade IP Company, Inc. og Toronto-Dominion Bank. 2016 TD Ameritrade IP Company, Inc. Alle rettigheter reservert. Brukes med tillatelse. Ansvarsfraskrivelse. Det er vårt organisasjons primære oppdrag å gi vurderinger, kommentarer og analyser som er objektive og objektive. Mens StockBrokers har alle data verifisert av bransjens deltakere, kan det variere fra tid til annen. Fungerer som en Internett-bedrift, kan dette nettstedet kompenseres gjennom tredjepartsannonsører. Våre kvitteringer for slik kompensasjon skal ikke tolkes som en anbefaling eller anbefaling fra StockBrokers, og det skal heller ikke forstyrre våre vurderinger, analyser og meninger. Vennligst se våre generelle ansvarsfraskrivelser for mer informasjon. Reink Media Group LLC. Alle rettigheter reservert. Leveringssystemer Handelssystemer Handelssystemer er ryggraden for mekaniske forhandlere. Traders over tid lærer sine styrker og svakheter. Denne utviklingsprosessen tar en næringsdrivende enda mer nær det ultimate målet om lønnsomhet. Denne prosessen krever ganske mye blåmerker av ego og bankkonto. Men på slutten av denne modningen vil en handelsmann uunngåelig komme seg. Mens det er noen handelsmenn som tjener penger på en gavegave. De aller fleste profesjonelle handelsfolk har lært å utvikle et vinnende handelssystem for å oppnå suksess. Nå er det noen gratis handelssystemer på Internett, men altfor ofte er disse bare salgsteknikker, og håper å tegne en person inn i det store kjøpet av premiumstrategien. Nå mens det nok er et solidt gratis handelssystem der ute, er oddsene dersom det er gratis, skal du få det du betaler for. Auto Trading System Auto trading gjør det mulig for profesjonelle næringsdrivende å se på markedet objektivt. Siden markedet ikke er noe mer enn den følelsesmessige summen av deltakerne, vil et automatisk handelssystem tillate en næringsdrivende å skille seg fra støyen. Dette er kraften i handelssystemer. Systemet vil utføre et handelssignal uavhengig av hva investor kan føle seg følelsesmessig på når handel er initiert. Det var sannsynligvis en rekke handelsmenn under internettboomen som ønsket å bli lenge fordi de hadde gjort så mye penger. Men noe godt automatisert system ville ha hatt en rekke beskyttende stopper på plass, noe som ville ha plassert handelsmannen i kontantposisjon. Auto trading systemer er en sentral komponent av direkte tilgang meglere og dag handel fagfolk. De fleste butikkene vil bare tilby kjøp og salg ordre, men ikke fullt automatisert handel. Direkte tilgang megler TradeStation Securities, gjør det mulig for en næringsdrivende å utvikle strategier som bruker TradeStations kodingsskript - enkelt språk. Lett språk gir en næringsdrivende med liten eller ingen utviklingserfaring til å skrive komplekse kjøp og salgsstrategier. Disse systemene kan da brukes til å utføre live-handel i markedet. De fleste handelsplatformene vil tillate handelsmannen å velge om bestillingene sendes til markedet umiddelbart eller brukerautorisasjon før utførelsen. Ordreautorisasjon tillater en næringsdrivende å anvende noen følelse av subjektivitet til et handelssystem. Krevende autorisasjon kan også være et farlig spill som en handelsmann aldri vet når et handelssignal vil fungere i deres favør. Det er derfor det beste for alle handelssystemene å utføre alle handelssignaler, i motsetning til å prøve å velge og velge hvilke signaler som skal tas. Trading System Review Før du bruker noen trading metode, må det være en grundig undersøkelse av handelssystemet. Selv om det finnes en rekke tjenester som tilbyr en trading system gjennomgang, er det i siste instans opp til den enkelte investor å utføre sin due diligence. Den viktigste tingen å huske er å ikke bare fokusere på gevinster i løpet av en bestemt tidsperiode, men også maksimal uttelling og risikoeksponering av systemet. For eksempel, hvis et bearish system er opp stort under et bjørnmarked, betyr dette ikke mye. Systemet bør også vurderes i løpet av en tid med markedsstyrke også. Husk, det er ikke systemet, men din blinde tro på strategien som til slutt fører til suksess. For en liste over handelssystemer besøk handel systemreviews. Nettstedshandel system vurderinger har lagt inn tilbakemeldinger fra brukere og kostnadsinformasjon for mange av handelssystemene som er tilgjengelige på Internett. Relatert innleggDenmarksmarkedet er stort med daglige volumer på over 4 billioner USD. Når du handler Forex, trenger du en pålitelig og høyregulert Forex megler tilbud: (i) Smal Spreads amp Provisjoner (ii) Mangfold av handel alternativer og eiendeler (iii) Rask gjennomføring uten re-Quotes Nyheter-Trading og Curry-Trading er den beste Strategier for Trading Forex. STOKER INDIKASJONER Handelsobligasjonsindekser Indikasjoner kan vise seg å være svært lønnsomme på lang sikt hvis du lærer å respektere noen grunnleggende regler. Du begynner å tjene penger så snart du er i stand til å identifisere to viktige handelsvariabler: (i) Hva skal du kjøpe ved å bruke Fundamental Analysis (ii) Når du skal kjøpe ved hjelp av teknisk analyse Aksjer og indekser pleier å følge bullish mønstre siste 7-9 år og etter bearish mønstre siste 3-4 år. COMMODITY MARKETS Trading Commodities krever perfekt informasjon og en veldig god forståelse for hvordan etterspørsel og forsyning skifter fra tid til annen. Varer kan omsettes ved bruk av: (i) Ekskluderte handelsvarer (ETC) (ii) Futures, Forwads og CFDs (iii) Eksotiske instrumenter Binær alternativer Energikostnader har en tendens til å følge årlige tidsmønstre mens dyrebare metaller har en tendens til å følge lengre tidskretser. 30, 2016, 12:34 For noen måneder siden leser en leser meg ut denne nye måten å koble R og Excel. Jeg vet ikke hvor lenge dette har eksistert, men jeg kom aldri over det, og I8217ve har aldri sett noen blogginnlegg eller artikkel om det. Så jeg bestemte meg for å skrive et innlegg som verktøyet er virkelig verdt det og før noen spør, I8217m ikke relatert til selskapet på noen måte. BERT står for Basic Excel R Toolkit. It8217s er gratis (lisensiert under GPL v2), og den er utviklet av Structured Data LLC. På tidspunktet for skriving er den nåværende versjonen av BERT 1,07. Mer informasjon finner du her. Fra et mer teknisk perspektiv er BERT designet for å støtte kjører R-funksjoner fra Excel-regnearkceller. I Excel-termer, it8217s for å skrive brukerdefinerte funksjoner (UDFer) i R. I dette innlegget vil I8217m ikke vise deg hvordan R og Excel samhandler via BERT. Det er veldig gode opplæringsprogrammer her. her og her. I stedet vil jeg vise deg hvordan jeg brukte BERT til å bygge en 8220control tower8221 for min handel. Mine handelssignaler genereres ved hjelp av en lang liste med R-filer, men jeg trenger fleksibiliteten til Excel for å vise resultater raskt og effektivt. Som vist ovenfor kan BERT gjøre dette for meg, men jeg vil også skreddersy applikasjonen til mine behov. Ved å kombinere kraften i XML, VBA, R og BERT, kan jeg lage et godt og likevel kraftig program i form av en Excel-fil med minimum VBA-kode. Til slutt har jeg en enkelt Excel-fil som samler alle nødvendige oppgaver for å håndtere porteføljen min: databaseoppdatering, signalgenerering, innlevering av ordre etc8230 Min tilnærming kan brytes ned i de tre trinnene nedenfor: Bruk XML til å bygge brukerdefinerte menyer og knapper i en Excel fil. Ovennevnte menyer og knapper er i hovedsak anrop til VBA-funksjoner. Disse VBA-funksjonene er vikle rundt R-funksjoner definert ved hjelp av BERT. Med denne tilnærmingen kan jeg holde et klart skille mellom kjernen i koden min i R, SQL og Python, og alt brukt til å vise og formatere resultater som holdes i Excel, VBA amp XML. I de neste avsnittene presenterer jeg forutsetningen for å utvikle en slik tilnærming og en trinnvis veiledning som forklarer hvordan BERT kunne brukes til å bare overføre data fra R til Excel med minimal VBA-kode. 1 8211 Last ned og installer BERT fra denne linken. Når installasjonen er fullført, skal du ha en ny tilleggsmeny i Excel med knappene som vist nedenfor. Dette er hvordan BERT materialiseres i Excel. 2 8211 Last ned og installer Custom UI editor. Den Custom UI Editor lar deg lage brukerdefinerte menyer og knapper i Excel-bånd. En trinnvis prosedyre er tilgjengelig her. Steg for trinn guide 1 8211 R Kode: Den nedenfor R-funksjonen er et veldig enkelt stykke kode for illustrasjonsformål. Det beregner og returnerer residualene fra en lineær regresjon. Dette er hva vi vil hente i Excel. Lagre dette i en fil som heter myRCode. R (hvilket som helst annet navn er greit) i en katalog av ditt valg. 2 8211 funksjoner. R i BERT. Fra Excel velger du Add-Ins - gt Home Directory og åpner filen som heter funksjoner. R. I denne filen lim inn følgende kode. Pass på at du setter inn den riktige banen. Dette er bare innhenting i BERT R-filen du opprettet ovenfor. Lagre og lukk deretter filfunksjonene. R. Skulle du ønsker å gjøre noen endringer i R-filen som ble opprettet i trinn 1, må du laste den inn igjen ved hjelp av BERT-knappen 8220Reload Startup File8221 fra tilleggsmenyen i Excel 3 8211 I Excel: Opprett og lagre en fil som heter myFile. xslm (noe annet navn er greit). Dette er en makroaktivert fil som du lagrer i katalogen etter eget valg. Når filen er lagret, lukk den. 4 8211 Åpne filen opprettet ovenfor i Custom UI editor: Når filen er åpen, lim inn underkoden. Du bør ha noe slikt i XML-editoren: Denne delen av XML-koden oppretter i hovedsak en ekstra meny (RTrader), en ny gruppe (Min gruppe) og en brukerdefinert knapp (Ny knapp) i Excel-båndet. Når du er ferdig, åpner du myFile. xslm i Excel og lukker Custom UI Editor. Du bør se noe sånt. 5 8211 Åpne VBA-editor. I myFile. xlsm legg inn en ny modul. Lim inn koden nedenfor i den nylig opprettede modulen. Dette sletter tidligere resultater i regnearket før du klarte nye. 6 8211 Klikk Ny knapp. Gå nå tilbake til regnearket, og klikk på 8220New Button8221-knappen i RTrader-menyen. Du bør se noe som nedenfor vises. Guiden ovenfor er en veldig grunnleggende versjon av hva som kan oppnås ved hjelp av BERT, men det viser deg hvordan du kombinerer kraften til flere spesifikke verktøy for å bygge ditt eget tilpassede program. Fra mitt perspektiv er interessen for en slik tilnærming evnen til å lim sammen R og Excel selvsagt, men også å inkludere via XML (og batch) koden fra Python, SQL og mer. Dette er akkurat det jeg trengte. Endelig vil jeg være nysgjerrig på å vite om noen har noen erfaring med BERT 19. august 2016, kl 9:26. Når man tester handelsstrategier, er en felles tilnærming å dele det opprinnelige datasettet inn i prøvedata: den delen av dataene som er beregnet for å kalibrere modellen og ut av prøvedata: den delen av dataene som brukes til å validere kalibreringen og sikre at ytelsen skapt i prøven, blir reflektert i den virkelige verden. Som en tommelfingerregel kan rundt 70 av de opprinnelige dataene brukes til kalibrering (dvs. i prøven) og 30 for validering (dvs. ute av prøven). Deretter bidrar en sammenligning av inn og ut av prøvedata til å bestemme om modellen er robust nok. Dette innlegget tar sikte på å gå et skritt videre og gir en statistisk metode for å avgjøre om utdataene stemmer overens med det som ble opprettet i prøven. I diagrammet nedenfor representerer det blå området ut av prøveytelsen for en av mine strategier. En enkel visuell inspeksjon avslører en god passform mellom inn og ut av prøveytelsen, men hvilken grad av tillit har jeg i dette På dette stadiet ikke mye, og dette er problemet. Det som virkelig trengs, er et mål på likhet mellom inn og ut av prøvesettene. I statistiske termer kan dette oversettes som sannsynligheten for at inn - og utprøveprøveverdiene kommer fra samme fordeling. Det er en ikke-parametrisk statistisk test som gjør akkurat dette: Kruskall-Wallis-testen. En god definisjon av denne testen kunne bli funnet på R-Tutor 8220A-samlingen av dataprøver er uavhengige hvis de kommer fra ikke-relaterte populasjoner, og prøvene påvirker ikke hverandre. Bruke Kruskal-Wallis-testen. vi kan bestemme om befolkningsfordelingene er identiske uten at de antar at de skal følge den normale fordeling.8221 Den ekstra fordelen av denne testen antar ikke en normal fordeling. Det finnes andre tester av samme natur som kan passe inn i rammen. Mann-Whitney-Wilcoxon-testen eller Kolmogorov-Smirnov-testene passer perfekt til rammen beskriver her, men dette er utenfor rammen av denne artikkelen for å diskutere fordeler og ulemper ved hver av disse testene. En god beskrivelse sammen med R eksempler finnes her. Here8217s koden som brukes til å generere diagrammet ovenfor og analysen: I eksemplet ovenfor er det i prøveperioden lengre enn ut av prøveperioden, derfor har jeg tilfeldig opprettet 1000 delmengder av prøvedataene, hver av dem har samme lengde som ut av prøvedata. Deretter testet jeg hver i prøvesubset mot ut av prøvedata og jeg registrerte p-verdiene. Denne prosessen skaper ikke en eneste p-verdi for Kruskall-Wallis-testen, men en distribusjon som gjør analysen mer robust. I dette eksemplet er middelverdien av p-verdiene langt over null (0,478) som indikerer at nullhypotesen skal aksepteres: det er sterke bevis på at inn - og utgående av prøvedata kommer fra samme fordeling. Som vanlig er det som er presentert i dette innlegget et leketøyeksempel som bare riper opp overflaten av problemet og bør skreddersys for individuelle behov. Men jeg synes det foreslår et interessant og rasjonelt statistisk rammeverk for å evaluere ut av utvalgsresultater. Dette innlegget er inspirert av følgende to papirer: Vigier Alexandre, Chmil Swann (2007), Effekt av ulike optimaliseringsfunksjoner på utsatt ytelse av genetisk utviklede handelsstrategier, Forecasting Financial Markets Conference Vigier Alexandre, Chmil Swann (2010), An optimaliseringsprosess for å forbedre innsamlingen av konsistensen, et aksjemarkedssak, JP Morgan Cazenove Equity Quantitative Conference, London oktober 2010 13. desember 2015 klokken 14:03 Å gjøre kvantitativ forskning innebærer mye datakrytende og man trenger rene og pålitelige data til oppnå dette. Det som virkelig trengs er ren data som er lett tilgjengelig (selv uten en internettforbindelse). Den mest effektive måten å gjøre dette på for meg, har vært å opprettholde et sett med csv-filer. Selvfølgelig kan denne prosessen håndteres på mange måter, men jeg fant svært effektiv og enkel overtid for å opprettholde en katalog der jeg lagrer og oppdaterer csv-filer. Jeg har en CSV-fil per instrument, og hver fil er oppkalt etter instrumentet den inneholder. Grunnen til at jeg gjør det er todelt: For det første vil jeg ikke laste ned (pris) data fra Yahoo, Google etc8230 hver gang jeg vil teste en ny ide, men enda viktigere når jeg har identifisert og løst et problem, vil jeg ikke Gjør det igjen neste gang jeg trenger det samme instrumentet. Enkel, men svært effektiv hittil. Prosessen er oppsummert i tabellen nedenfor. I alt som følger, antar jeg at data kommer fra Yahoo. Koden må endres for data fra Google, Quandl etc8230 I tillegg presenterer jeg prosessen med å oppdatere daglige prisdata. Oppsettet vil variere for høyere frekvensdata og annen datasett (dvs. forskjellig fra priser). 1 8211 Innledende data nedlasting (listOfInstruments. R amp historicalData. R) FillistenOfInstruments. R er en fil som bare inneholder listen over alle instrumenter. Hvis et instrument isn8217t er en del av listen min (det vil si ingen csv-fil i data-mappen min), eller hvis du gjør det for første gang, må du laste ned det første historiske datasettet. Eksempelet nedenfor laster ned et sett med ETFs daglige priser fra Yahoo Finance tilbake til januar 2000 og lagrer dataene i en csv-fil. 2 8211 Oppdater eksisterende data (updateData. R) Koden nedenfor starter fra eksisterende filer i den dedikerte mappen og oppdaterer dem alle etter hverandre. Jeg kjører vanligvis denne prosessen hver dag unntatt når I8217m er på ferie. For å legge til et nytt instrument, kjør du bare trinn 1 over for dette instrumentet alene. 3 8211 Opprett en batchfil (updateDailyPrices. bat) En annen viktig del av jobben er å lage en batchfil som automatiserer oppdateringsprosessen over (I8217m en Windows-bruker). Dette unngår å åpne RRStudio og kjøre koden derfra. Koden nedenfor er plassert på en. bat-fil (banen må endres med oppsettet reader8217s). Merk at jeg har lagt til en utdatafil (updateLog. txt) for å spore kjøringen. Prosessen over er ekstremt enkel fordi den bare beskriver hvordan du oppdaterer daglige prisdata. I8217ve har brukt dette på en stund, og det har jobbet veldig jevnt for meg så langt. For mer avanserte data og eller høyere frekvenser kan ting bli vanskeligere. Som vanlig mottok noen kommentarer 23. mars 2015, 20:55 Når det gjelder å forvalte en portefølje av aksjer i forhold til en referanse, er problemet svært forskjellig fra å definere en absolutt avkastningsstrategi. I den førstnevnte må man holde flere aksjer enn i den senere hvor det ikke kan holdes noe lager hvis det ikke er god nok mulighet. Årsaken til dette er sporingsfeilen. Dette er definert som standardavviket i porteføljens avkastning minus referanseavkastningen. Jo mindre aksjer holdes vs. et referanse desto høyere sporing feil (for eksempel høyere risiko). Analysen som følger er i stor grad inspirert av boken 8220Active Portfolio Management8221 av Grinold amp Kahn. Dette er Bibelen for alle som er interessert i å drive en portefølje mot et referanseindeks. Jeg oppfordrer sterkt alle med interesse for emnet å lese boka fra begynnelse til slutt. It8217 er veldig godt skrevet og legger grunnlaget for systematisk aktiv porteføljestyring (jeg har ingen tilknytning til redaktøren eller forfatterne). 1 8211 Faktoranalyse Her prøver vi å rangere så nøyaktig som mulig aksjene i investeringsuniverset på en forward return basis. Mange mennesker kom opp med mange verktøy og utallige variant av disse verktøyene er utviklet for å oppnå dette. I dette innlegget fokuserer jeg på to enkle og mye brukte beregninger: Informasjonskoeffisient (IC) og Quantiles Return (QR). 1.1 8211 Informasjonskoeffisient Horisonten for videresendingen må defineres av analytikeren, og it8217s er en funksjon av strategi8217s omsetning og alfaforfallet (dette har vært gjenstand for omfattende undersøkelser). Åpenbart må IC-er være så høye som mulig i absolutte tal. For den ivrige leseren, i boken av Grinold amp Kahn er det gitt en formel som forbinder Informasjonsforhold (IR) og IC: med bredde er antall uavhengige spill (handler). Denne formelen er kjent som den grunnleggende loven for aktiv ledelse. Problemet er at det ofte ikke er så enkelt å definere bredde som det lyder. 1.2 8211 Quantiles Return For å få et mer nøyaktig estimat av faktorforutsigelsestrømmen it8217s er nødvendig for å gå et skritt videre og gruppere aksjer ved kvantifaktor av faktorverdier, analyser deretter gjennomsnittlig videresendingsavkastning (eller hvilken som helst annen sentral tendensmetrisk) for hver av disse quantiles. Bruken av dette verktøyet er grei. En faktor kan ha en god IC, men dens prediktive kraft kan begrenses til et lite antall aksjer. Dette er ikke bra da en porteføljeforvalter må plukke aksjer i hele universet for å møte sin sporingsfeilbegrensning. God kvantilgjenoppretting er preget av et monotont forhold mellom de enkelte kvantiler og fremoveravkastning. Alle aksjene i SampP500-indeksen (på tidspunktet for skriving). Det er åpenbart at det er en overlevelsesskipsforstyrrelse: listen over aksjer i indeksen har endret seg betydelig mellom start og slutt på prøveperioden, men it8217s er godt nok bare for illustrasjonsformål. Koden nedenfor laster ned individuelle aksjekurser i SampP500 mellom januar 2005 og i dag (det tar en stund) og gjør de raske prisene tilbake i løpet av de siste 12 månedene og den siste måneden. Den førstnevnte er vår faktor, sistnevnte vil bli brukt som fremoverrettsmål. Nedenfor er koden for å beregne informasjonskoeffisient og kvantilførsel. Merk at jeg brukte quintiles i dette eksemplet, men noen annen gruppemetode (terciles, deciles etc8230) kan brukes. det avhenger egentlig av utvalgsstørrelsen, hva du vil fange og hvorvidt du vil ha en bred oversikt eller fokus på distribusjonshaler. For å estimere avkastning innenfor hver kvintil, har median blitt brukt som sentral tendens estimator. Dette tiltaket er mye mindre følsomt for utjevnere enn aritmetisk middel. Og til slutt koden for å produsere Quantiles Return diagrammet. 3 8211 Slik utnytter du informasjonen ovenfor I diagrammet over Q1 er det laveste siste 12 måneder tilbake og Q5 høyest. Det er en nesten monotonisk økning i kvantilavkastningen mellom Q1 og Q5, noe som klart indikerer at aksjer som faller inn i Q5, overgår de som faller inn i Q1 med ca. 1 per måned. Dette er veldig viktig og kraftig for en så enkel faktor (ikke egentlig en overraskelse though8230). Derfor er det større sjanser til å slå indeksen ved å overvurdere aksjene som faller inn i Q5 og undervekting de som faller inn i Q1 i forhold til referansen. En IC på 0,0206 kan ikke bety mye i seg selv, men it8217 er vesentlig forskjellig fra 0 og indikerer en god prediktiv kraft i de siste 12 månedene tilbake generelt. Formelle signifikanstest kan vurderes, men dette er utenfor rammen av denne artikkelen. 4 8211 Praktiske begrensninger Ovennevnte rammeverk er utmerket for evaluering av investeringer faktor8217s kvalitet, men det er en rekke praktiske begrensninger som må tas opp for real-life implementering: Rebalancing. I beskrivelsen ovenfor antok it8217s at porteføljen ved utgangen av hver måned er fullstendig balansert. Det betyr at alle aksjer som faller i 1. kvartal er undervektige og alle aksjer som faller i 5. kvartal er overvektige i forhold til referanseporteføljen. Dette er ikke alltid mulig av praktiske årsaker: Noen aksjer kan utelukkes fra investeringsuniverset, det er begrensninger på industri - eller sektorvekt, det er begrensninger på omsetningen etc8230 Transaksjonskostnader. Dette er ikke tatt i betraktning i analysen ovenfor, og dette er en alvorlig bremse til virkeliggjøring. Omsetningsoverveksten blir vanligvis implementert i virkeligheten i form av straff på faktorkvalitet. Overføringskoeffisient. Dette er en utvidelse av den grunnleggende loven for aktiv ledelse, og det slapper av antakelsen om Grinold8217s modell at ledere ikke står overfor noen begrensninger som hindrer dem i å oversette sine investeringsinnsikter direkte i porteføljesats. Og til slutt, I8217m overrasket over hva som kan oppnås på mindre enn 80 kodelinjer med R8230. Som vanlig mottok noen kommentarer 14. mars 2014 kl. 13:07 Spørsmålet man alltid burde spørre seg selv når man bruker tekniske indikatorer, er det som ville være et mål kriterier for å velge indikatorparametere (f. eks. hvorfor du bruker en 14-dagers RSI i stedet for 15 eller 20 dager). Genetiske algoritmer (GA) er godt egnet verktøy for å svare på det spørsmålet. I dette innlegget viser I8217ll deg hvordan du setter opp problemet i R. Før jeg fortsetter den vanlige påminnelsen: Det jeg presenterer i dette innlegget, er bare et leketøyeksempel og ikke en invitasjon til å investere. Det er ikke en ferdig strategi heller enn en forskningside som må undersøkes videre, utvikles og skreddersys for individuelle behov. Hva er genetiske algoritmer Den beste beskrivelsen av GA jeg kom over kommer fra Cybernatic Trading en bok av Murray A. Ruggiero. 8220Genetic Algorithms ble oppfunnet av John Holland i midten av 1970 for å løse vanskelige optimaliseringsproblemer. Denne metoden bruker naturlig utvalg, overlevelse av fittest8221. Den generelle prosessen følger trinnene nedenfor: Kodifisere problemet i kromosomer Ved hjelp av kodingen, utvikle en treningsfunksjon til bruk ved å evaluere hver kromosom8217s verdi ved å løse et gitt problem. Initialisere en kromosoms befolkning. Evaluer hvert kromosom i befolkningen. Opprett nye kromosomer ved å parre to kromosomer. Dette gjøres ved å mutere og rekombinere to foreldre til å danne to barn (foreldrene er valgt tilfeldig, men partisk av deres kondisjon) Evaluere det nye kromosomet Slett et medlem av befolkningen som er mindre egnet enn det nye kromosomet og sett inn det nye kromosomet i befolkningen . Hvis stoppkriteriene er nådd (maksimalt antall generasjoner, er treningscriteriene gode nok8230), og returner deretter det beste kromosomet alternativt gå til trinn 4 Fra et handelsperspektiv er GA veldig nyttig fordi de er gode til å håndtere svært ulineære problemer. Men de har noen ubehagelige funksjoner som er verdt å nevne: Overpassing: Dette er hovedproblemet og it8217s ned til analytikeren for å sette opp problemet på en måte som minimerer denne risikoen. Datatid. Hvis problemet isn8217t er riktig definert, kan det være ekstremt lang tid å nå en anstendig løsning og kompleksiteten øker eksponentielt med antall variabler. Derfor er det nødvendig å nøye velge parametrene. Det er flere R-pakker som omhandler GA, jeg valgte å bruke den vanligste: Rgenoud Daglig sluttkurs for de fleste likvide ETFer fra Yahoo Finance går tilbake til januar 2000. I prøveperioden går fra januar 2000 til desember 2010. Ut av prøveperioden starter i januar 2011. Logikken er som følger: Treningsfunksjonen er optimalisert i løpet av prøveperioden for å oppnå et sett med optimale parametere for de valgte tekniske indikatorene. Resultatene av disse indikatorene blir deretter vurdert uten prøveperiode. Men før det gjøres må de tekniske indikatorene velges. Aksjemarkedet har to hovedtrekk som er kjent for alle som har noen handelserfaring. Langsiktig momentum og kortvarig reversering. Disse funksjonene kan oversettes med tanke på tekniske indikatorer ved å flytte gjennomsnitt over og RSI. Dette representerer et sett med 4 parametere: Look-back perioder for lengre og kortsiktige glidende gjennomsnitt, tilbaketrukket periode for RSI og RSI terskel. Parametrene er kromosomene. Det andre nøkkelelementet er treningsfunksjonen. Vi vil kanskje bruke noe som: Maksimal avkastning eller Sharpe-forhold eller minimums gjennomsnittlig Drawdown. I det følgende valgte jeg å maksimere Sharpe-forholdet. R-implementeringen er et sett med 3 funksjoner: fitnessfunksjon. definerer treningsfunksjonen (for eksempel maksimal Sharpe-forhold) som skal brukes i GA-motoren tradingStatistics. Sammendrag av handelsstatistikk for inn og ut av prøveperioder til sammenligningsformål. GA-motoren fra rgenoud-pakken Genoud-funksjonen er ganske kompleks, men I8217m skal ikke forklare hva hver parameter betyr som jeg vil beholde dette innlegget kort (og dokumentasjonen er veldig bra). I tabellen nedenfor presenterer jeg for hvert instrument de optimale parametrene (RSI-tilbaketrukket periode, RSI-terskel, Kortsiktig Moving Average og Long Term Moving Average) sammen med inn og ut av samhandelsstatistikken. Før jeg kommenterer resultatene ovenfor, vil jeg forklare noen viktige punkter. For å matche logikken som er definert ovenfor begrensede jeg parametrene for å sikre at tilbaketrukket perioden for det langsiktige glidende gjennomsnittet alltid er lengre enn det kortere glidende gjennomsnittet. Jeg har også begrenset optimisten til å velge kun løsningene med mer enn 50 bransjer i prøveperioden (for eksempel statistisk signifikans). Samlet er resultatet av utvalgene langt fra imponerende. Avkastningen er lav, selv om antall handler er små for å gjøre resultatet veldig viktig. Men there8217s er et betydelig effektivitetsutbytte mellom inn og ut av prøveperioden for Japan (EWJ), noe som sannsynligvis betyr overmontering. Dette innlegget er ment å gi leseren verktøyene til riktig bruk av GA i et kvantitativt handelsramme. Igjen, It8217 er bare et eksempel som må forbedres ytterligere. Noen mulige forbedringer for å utforske ville være: treningsfunksjon. Maksimering av Sharpe-forholdet er veldig forenklet. En 8220smarter8221-funksjon ville absolutt forbedre utvalget av utvalgsstatistikk. Vi prøver å fange et veldig greit mønster. En mer grundig mønsterforskning er definitivt nødvendig. optimalisering. Det er mange måter å forbedre måten optimaliseringen utføres på. Dette vil forbedre både beregningshastigheten og rasjonaliteten av resultatene. Koden som brukes i dette innlegget er tilgjengelig på et Gist-depot. Som vanlig kommer kommentarer velkommen 28. februar 2014, 15:52 Det er en enorm litteratur litteratur, både akademisk og empirisk om markedsforutsetninger. Mesteparten av tiden blander det to markedsfunksjoner: Magnitude og Direction. I denne artikkelen vil jeg bare fokusere på å identifisere markedsretningen bare. Målet jeg satte meg selv er å identifisere markedsforhold når oddsen er vesentlig forspent mot et opp eller ned-marked. Dette innlegget gir et eksempel på hvordan CART (klassifisering og regresjonstrær) kan brukes i denne konteksten. Før jeg fortsetter den vanlige påminnelsen: Det jeg presenterer i dette innlegget er bare et leketøy eksempel og ikke en invitasjon til å investere. Det er ikke en ferdig strategi heller enn en forskningside som må undersøkes videre, utvikles og skreddersys for individuelle behov. 1 8211 Hva er CART og hvorfor bruke det Fra statistikk er CART et sett med teknikker for klassifisering og prediksjon. Teknikken er rettet mot å produsere regler som forutsier verdien av en utfall (mål) - variabel fra kjente verdier av forklarende (forklarende) variabler. Det er mange forskjellige implementeringer, men de deler alle en generell karakteristikk, og det er det jeg er interessert i. Fra Wikipedia, Algoritmer for konstruksjon av beslutningstrender, fungerer vanligvis topp ned, ved å velge en variabel i hvert trinn som best deler opp settet av elementer. Ulike algoritmer bruker forskjellige beregninger for å måle 8220best8221. Disse måler generelt homogeniteten til målvariabelen innenfor delmengder. Disse beregningene blir brukt på hver kandidatsubset, og de resulterende verdier kombineres (for eksempel i gjennomsnitt) for å gi et mål på kvaliteten på splittelsen. CART metodikk utviser noen egenskaper som er svært velegnet for markedsanalyse: Ikke parametrisk. CART kan håndtere alle typer statistiske utdelinger, ikke lineære. CART kan håndtere et stort spekter av avhengighet mellom variabler (for eksempel ikke begrenset til lineære relasjoner) Robust til utelukker Det finnes forskjellige R-pakker som omhandler Rekursiv partisjonering, jeg bruker her rpart for trær estimering og rpart. plot for trær tegning. 2 8211 Data amp Experiment Design Daglige OHLC-priser for de fleste likvide ETFer fra januar 2000 til desember 2013 hentet fra Google Finance. I prøveperioden går fra januar 2000 til desember 2010, resten av datasettet er ute av prøveperioden. Før du kjører noen type analyse må datasettet være forberedt på oppgaven. Målvariabelen er ETFs ukentlige returreferanse definert som to tilstander av verdensresultatet (OPP eller NED). Hvis ukentlig fremover returnerer gt 0, så markerer markedet i UP-stand NED, ellers. De forklarende variablene er et sett med tekniske indikatorer fra det første daglige OHLC datasettet. Hver indikator representerer en veldokumentert markedsadferd. For å redusere støyen i dataene og for å prøve å identifisere robuste forhold, regnes hver uavhengig variabel for å ha et binært utfall. Volatilitet (VAR1). Høy volatilitet er vanligvis assosiert med et down-marked og lav volatilitet med et opp marked. Volatilitet er definert som 20 dagers rå ATR (Average True Range) spredt til det bevegelige gjennomsnittet (MA). Hvis rå ATR gt MA så VAR1 1, ellers VAR1 -1. Kortsiktig momentum (VAR2). Aksjemarkedet viser kortvarig momentumadferanse fanget her med 5 dagers enkle glidende gjennomsnitt (SMA). Hvis pris gt SMA deretter VAR2 1 annet VAR2 -1 Langsiktig momentum (VAR3). Aksjemarkedet viser langsiktig momentumadferd som er fanget her med et 50 dagers enkelt glidende gjennomsnitt (LMA). Hvis Pris gt LMA deretter VAR3 1 annet VAR3 -1 Kortvarig reversering (VAR4). Dette er fanget av CRTDR som står for nært forhold til daglig rekkevidde og beregnes som følger:. If CRTDR gt 0.5, then VAR4 1 else VAR4 -1 Autocorrelation regime (VAR5) . The equity market tends to go through periods of negative and positive autocorrelation regimes. If returns autocorrelation over the last 5 days gt 0 then VAR5 1 else VAR5 -1 I put below a tree example with some explanations In the tree above, the path to reach node 4 is: VAR3 gt0 (Long Term Momentum gt 0) and VAR4 gt 0 (CRTDR gt 0). The red rectangle indicates this is a DOWN leaf (e. g. terminal node) with a probability of 58 (1 8211 0.42). In market terms this means that if Long Term Momentum is Up and CRTDR is gt 0.5 then the probability of a positive return next week is 42 based on the in sample sample data. 18 indicates the proportion of the data set that falls into that terminal node (e. g. leaf). There are many ways to use the above approach, I chose to estimate and combine all possible trees. From the in sample data, I collect all leaves from all possible trees and I gather them into a matrix. This is the 8220rules matrix8221 giving the probability of next week beeing UP or DOWN. I apply the rules in the above matrix to the out of sample data (Jan 2011 8211 Dec 2013) and I compare the results to the real outcome. The problem with this approach is that a single point (week) can fall into several rules and even belong to UP and DOWN rules simultaneously. Therefore I apply a voting scheme . For a given week I sum up all the rules that apply to that week giving a 1 for an UP rule and -1 for a DOWN rule. If the sum is greater than 0 the week is classified as UP, if the sum is negative it8217s a DOWN week and if the sum is equal to 0 there will be no position taken that week (return 0) The above methodology is applied to a set of very liquid ETFs. I plot below the out of sample equity curves along with the buy and hold strategy over the same period. Initial results seem encouraging even if the quality of the outcome varies greatly by instrument. However there is a huge room for improvement. I put below some directions for further analysis Path optimality . The algorithm used here for defining the trees is optimal at each split but it doesn8217t guarantee the optimality of the path. Adding a metric to measure the optimality of the path would certainly improve the above results. Other variables . I chose the explanatory variables solely based on experience. It8217s very likely that this choice is neither good nor optimal. Backtest methodology . I used a simple In and Out of sample methodology. In a more formal backtest I would rather use a rolling or expanding window of in and out sample sub-periods (e. g. walk forward analysis) As usual, any comments welcome