Un análisis empírico de las estrategias de negociación cuantitativa Un análisis empírico de las estrategias de negociación cuantitativa Asesor: Andrew W. Lo. Departamento: Sloan School of Management. Junto con el creciente poder de computación, la creciente disponibilidad de varios flujos de datos, la introducción de los intercambios electrónicos, la disminución de los costos de negociación y la competencia de calentamiento en la industria de inversión financiera, las estrategias de comercio cuantitativo o las normas de comercio cuantitativo Han evolucionado rápidamente en unas pocas décadas. Desafían la Hipótesis de Mercado Eficiente tratando de predecir los movimientos futuros de precios de los activos riesgosos a partir de la información histórica del mercado de manera algorítmica o de manera estadística. Ellos tratan de encontrar algunos patrones o tendencias de los datos históricos y utilizarlos para superar el mercado de referencia. En esta investigación, introdujo varias estrategias de comercio cuantitativo e investigar sus desempeños empíricamente, es decir, mediante la realización de back-tests suponiendo que el índice SampP 500 es un activo de riesgo para el comercio. Las estrategias utilizan los datos históricos del propio índice bursátil, el movimiento de los volúmenes de transacciones, el movimiento de tasas libres de riesgo y el movimiento de volatilidad implícita para generar señales comerciales de compra o venta. Entonces intento articular y descomponer la fuente para los éxitos de algunas estrategias en las pruebas de nuevo en varios factores tales como patrones de la tendencia o relaciones entre las variables de la información del mercado de manera intuitiva. Algunas estrategias registraron un desempeño más alto que el benchmark en las pruebas de retroceso, sin embargo todavía es un problema cómo podemos distinguir estas estrategias ganadoras de antemano de los perdedores al comienzo de nuestro horizonte de inversión. Se considera que la discreción humana, como la visión macro sobre la futura tendencia del mercado, sigue desempeñando un papel importante para que el comercio cuantitativo tenga éxito a largo plazo. Tesis (M. B.A.) - Instituto de Tecnología de Massachusetts, Sloan School of Management, 2008. Incluye referencias bibliográficas (p.227-280). Palabras clave: Sloan School of Management. (FINC 621) es una clase de nivel de posgrado que actualmente se ofrece en la Universidad Loyola en Chicago durante el trimestre de invierno. FINC 621 explora temas de finanzas cuantitativas, matemáticas y programación. La clase es de naturaleza práctica y está compuesta por una conferencia y un componente de laboratorio. Los laboratorios utilizan el lenguaje de programación R y los estudiantes deben presentar sus asignaciones individuales al final de cada clase. El objetivo final de FINC 621 es proveer a los estudiantes con herramientas prácticas que pueden usar para crear, modelar y analizar estrategias comerciales simples. Algunos enlaces R útiles Acerca del Instructor Harry G. es un comerciante cuantitativo senior para una empresa comercial de HFT en Chicago. Tiene un master8217s grado en Ingeniería Eléctrica y un master8217s grado en Matemáticas Financieras de la Universidad de Chicago. En su tiempo libre, Harry enseña un curso de posgrado en Finanzas Cuantitativas en la Universidad Loyola de Chicago. También es autor de Quantitative Trading con R. Trading cuantitativo y algorítmico Trading cuantitativo y algorítmico Este hilo está dedicado al comercio cuantitativo y algorítmico. La primera página debe ser vista como un punto focal en relación con los temas mencionados. Esta primera página está en construcción y, si está interesado, visita de vez en cuando para ver si hay nuevos materiales / enlaces. Hay una diferencia entre decir que hay predictibilidad y la capacidad de predecir. Aunque siempre hay más beneficios en las predicciones a largo plazo, desde el punto de vista matemático, hay más fiabilidad en el pronóstico a corto plazo. 8220 Haz todo lo más simple posible. 8221 (A. Einstein) Pero no más simple. QuotTradings no es un juego 8211 Es un test de QI Primero, algunas cosas a considerar en finanzas, las colas gordas se consideran indeseables debido al riesgo adicional que implican. Por ejemplo, una estrategia de inversión puede tener un rendimiento esperado, después de un año, que es cinco veces su desviación estándar. Suponiendo una distribución normal, la probabilidad de su fracaso (rendimiento negativo) es inferior a uno en un millón en la práctica, puede ser mayor. Las distribuciones normales que surgen en las finanzas generalmente lo hacen porque los factores que influyen en un valor de los activos o en el precio son matemáticamente quotwell-behavedquot, y el teorema del límite central proporciona tal distribución. Sin embargo, los acontecimientos traumáticos del mundo real (como un shock petrolero, una gran quiebra corporativa o un cambio abrupto en una situación política) generalmente no son matemáticamente bien educados. Investopedia explica el riesgo de cola Cuando se compone una cartera de inversiones, se supone que la distribución de retornos seguirá un patrón normal. Bajo este supuesto, la probabilidad de que los rendimientos se muevan entre la media y tres desviaciones estándar, sea positiva o negativa, es 99.97. Esto significa que la probabilidad de que los retornos se muevan más de tres desviaciones estándar más allá de la media es 0,03, o virtualmente nula. Sin embargo, el concepto de riesgo de cola sugiere que la distribución no es normal, sino sesgada, y tiene colas más gruesas. Las colas más gruesas aumentan la probabilidad de que una inversión se mueva más allá de tres desviaciones estándar. Las distribuciones que se caracterizan por las colas gordas se ven a menudo cuando se mira en los rendimientos de los fondos de cobertura. Lo que pueden los comerciantes cuantitativos aprender de Talebs quotAntifragilequot Aquí hay unos cuantos snip-sets que me pareció particularmente interesante: 1) Estrategias de impulso son más antifragile que las estrategias de reversión de media. Taleb no dijo eso, pero ese fue el primer pensamiento que me vino a la cabeza. Como he argumentado en muchos lugares, las estrategias de revertir medios tienen límites de beneficios naturales (salida cuando el precio ha revertido a la media), pero no naturales (no debemos comprar más de algo si se vuelve más barato), por lo que está muy sujeto a la cola izquierda Riesgo, pero no puede tomar ventaja de la buena suerte inesperada de la cola derecha. Muy frágil, por el contrario, las estrategias de impulso tienen pérdidas de parada naturales (salida cuando el momento se invierte) y sin límites de beneficio natural (mantener la misma posición siempre y cuando el impulso persista). Generalmente, muy antifragil Excepto: ¿qué pasa si durante una interrupción de negociación (debido a la brecha diaria de noche, o disyuntores), no podemos salir de una posición de impulso en el tiempo Bueno, siempre se puede comprar una opción para simular una parada de pérdida. Taleb ciertamente aprobaría eso. 2) Las estrategias de alta frecuencia son más antifragiles que las de baja frecuencia. Taleb tampoco dijo eso, y no tiene nada que ver con si es más fácil predecir los retornos a corto plazo frente a largo plazo. Dado que las estrategias de HF nos permiten acumular ganancias mucho más rápido que las de baja frecuencia, no necesitamos aplicar ningún apalancamiento. Por lo tanto, incluso cuando no tenemos la suficiente suerte de mantener una posición de la señal equivocada cuando un Cisne Negro golpea, el daño será pequeño en comparación con los beneficios acumulados. Así que mientras que las estrategias de HF no se benefician exactamente del riesgo de la cola derecha, son al menos robustas con respecto al riesgo de cola izquierda. 5) Las correlaciones son imposibles de estimar / predecir. Lo único que podemos hacer es cortar a 1 y comprar a -1. Taleb odia la optimización de la cartera de Markowitz, y una de las razones es que se basa en estimaciones de covarianzas de los rendimientos de los activos. Como dijo, un par de activos que pueden tener una correlación de -0,2 durante un período largo pueden tener una correlación de 0,8 en otro largo período. Esto es especialmente cierto en tiempos de estrés financiero. Estoy totalmente de acuerdo en este punto: creo que la asignación manual de correlaciones con valores de / 0,75, / 0, 5, / 0, 25, 0 a las entradas de la matriz de correlación basada en quotintuitionquot (conocimiento fundamental) puede generar como bueno out-of - Muestra de rendimiento como cualquier número meticulosamente estimado. La pregunta más fascinante es si hay de hecho la media-reversión de las correlaciones. Y si es así, ¿qué instrumentos podemos utilizar para sacar provecho de él? Tal vez este artículo ayudará: web-docs. stern. nyu. edu/salomon/docs/derivatives/GSAM20-20NYU20conference2004210620-20Correlation20trading. pdf 6) Backtest sólo se puede utilizar para Rechazar una estrategia, no predecir su éxito. Esto se hace eco del punto formulado por el comentarista Michael Harris en un artículo anterior. Dado que los datos históricos nunca serán lo suficientemente largos como para capturar todos los posibles eventos del Cisne Negro que pueden ocurrir en el futuro, nunca podremos saber si una estrategia fallará miserablemente. Sin embargo, si una estrategia ya falló en un backtest, podemos estar bastante seguros de que volverá a fallar en el futuro. Muy buena lectura: Considere una vez más el puro paseo al azar juego de lanzar monedas sin RTM. Dijimos que no había estrategia de tiempo en este caso. Pero ahora supongamos que encontramos una bola de cristal antes de que comience el juego que nos dice cuál será el valor final cuando el juego termine. Recuerde que es probable que este valor final real esté bien por encima o por debajo de 0. Dibuje una línea recta en el gráfico vacío desde el punto inicial hasta el punto final conocido. Empieza a jugar. Siempre que la gráfica esté por encima de la línea, pronostique las colas y saque su dinero de la mesa. Siempre que el gráfico esté por debajo de la línea, pronostique las cabezas y ponga su dinero en la mesa. Debe ser fácil convencerse de que sus pronósticos serán mucho más precisos que 50/50, y usted ganará con su estrategia de sincronización (quotwinquot en el sentido de que va a hacer mucho mejor que alguien que no pronostica o tiempo). Esto es, incluso sin RTM De manera similar, con la inversión, si pudiéramos de alguna manera saber lo que el rendimiento medio futuro será de antemano, podríamos mercado de tiempo, incluso sin RTM. Hoy, por ejemplo, sabemos que el rendimiento promedio de los últimos 75 años es de aproximadamente 10 anualizados. Entrar en una máquina del tiempo y volver a 1930. Invertir por los próximos 75 años. Siempre que los rendimientos anualizados acumulados desde 1930 superan los 10, aligerar las existencias. Cada vez que los rendimientos anualizados acumulados desde 1930 van por debajo de 10, poner más dinero de nuevo en las existencias. Para el 2005, habrá superado el mercado con un margen muy bueno. Esto se denomina prueba de quotin-samplequot. Tiene un defecto obvio, porque los inversores en 1930 no tenían ni idea de cuál sería el rendimiento anualizado promedio durante los próximos 75 años. Sólo sabían cuáles eran los rendimientos anualizados promedio anteriores. Si vuelve a realizar la prueba y sólo permite a los inversionistas utilizar la información disponible para ellos en ese momento (una prueba de quotout de muestra), la estrategia de sincronización de mercado no funciona. Éste es un tipo simple de tiempo quotchartistquot, basado solamente en vueltas pasadas. Cuando los rendimientos pasados son altos, aligere encima de las existencias. Cuando los rendimientos pasados son bajos, ponga más dinero en acciones. En un paseo aleatorio puro sin una bola de cristal, sabemos que este tipo de sincronización no funciona. La razón por la que no funciona es porque sin la bola de cristal, no podemos definir las nociones de quotlowquot y quothigh. quot quotLowquot significa quotbelow el valor medio futuroquot y quothighquot significa quotabove el valor medio futuro, pero no sabemos el valor medio futuro . Sólo conocemos el valor medio pasado, y esa información no sirve de nada en un paseo aleatorio puro sin RTM. La mayoría de los métodos de predicción y las estrategias de tiempo basado en los pronósticos son más sofisticados. Usualmente usan índices financieros fundamentales como D / P (relación de dividendo a precio) o P / E (relación precio-ganancia) para hacer las previsiones. El argumento es que estas proporciones son a veces altas ya veces bajas, pero no es razonable pensar que pueden crecer o contraerse sin límites (quotwander hasta el infinito, como los académicos a menudo les gusta decirlo). Es mucho más razonable pensar que mientras que a veces se ponen muy altos o muy bajos, deben eventualmente volver a algún tipo de nivel más normal. RTM, en otras palabras. Si estas relaciones tienen RTM, es bastante razonable suponer que este RTM en las proporciones induce un efecto RTM similar en los retornos, y que las relaciones pueden usarse para pronosticar rendimientos futuros. ¿Esta clase de pronóstico fundamental funciona realmente? Aunque la idea general ciertamente parece más que plausible, la prueba está en el budín, y las teorías necesitan ser probadas. Es posible examinar el registro histórico para ver si los diversos esquemas habrían funcionado en el pasado. Muchas personas han hecho este tipo de estudios, tanto en el mundo financiero popular y en el mundo financiero académico. El punto clave es que al volver a probar este tipo de métodos de previsión fundamentales para ver si hubieran funcionado en el pasado, es hacer trampa si utiliza los medios reales de las variables de pronóstico fundamentales calculadas durante todo el período de la prueba, Esa información no estaba disponible para los inversionistas en el pasado. Debe hacer una copia de seguridad utilizando únicamente la información disponible en ese momento. En otras palabras, debe realizar exámenes fuera de la muestra, no pruebas en la muestra. La mayoría de los estudios populares que llegan a la conclusión de que los rendimientos son predecibles no son válidos por esta razón. Sorprendentemente, muchos de los estudios académicos parecen sufrir el mismo defecto fatal. Amit Goyal e Ivo Welch discuten y exploran esta percepción en su artículo Una mirada comprensiva al rendimiento empírico de la predicción de la prima de equidad. Cuando realizaron exámenes fuera de muestra de todas las variables de pronóstico populares, incluyendo D / P y P / E, encontraron que ninguna de ellas funcionó: En nuestro trabajo se explora el rendimiento de estas variables y se encuentra Que ninguno habría ayudado a un inversionista del mundo real a superar la prima de equidad histórica que prevalecía entonces. La mayoría habría herido. Por lo tanto, encontramos que, para todos los propósitos prácticos, la prima de equidad no ha sido predecible. Este resultado también sorprende a mucha gente. La sabiduría común es que los rendimientos futuros del mercado de valores son altamente predecibles usando medidas comunes de valoración como D / P y P / E. La investigación de Goyal y Welchs indica que esta creencia, como tantos otros, puede ser simplemente otro ejemplo de cómo la gente suele ser engañada por la aleatoriedad y ver patrones en datos aleatorios que realmente no existen. Todavía hay controversia en la comunidad académica acerca de si las rentabilidades de las acciones son predecibles y en qué medida podrían ser predecibles y cuáles podrían ser las mejores variables de pronóstico. Goyal y Welch han puesto en tela de juicio esta hipótesis y han realizado el valioso servicio de demostrar cuán importante es utilizar sólo las pruebas fuera de la muestra, pero la investigación y el debate continúan. En cualquier caso, la previsibilidad, si existe, es claramente mucho más débil y más difícil de explotar de lo que la mayoría de la gente piensa.
Comments
Post a Comment