QuantStart.
빠르게 성장하는 소매점 퀀텀 트레이더 커뮤니티를 지원하는 Quantcademy 개인 회원 포털에 가입하십시오. 당신은 당신의 가장 중요한 퀀트 트레이딩 질문에 대답 할 준비가되어있는 지식이 풍부하고 마음이 맞는 퀀트 트레이더 그룹을 찾을 수 있습니다.
퀀트 트레이딩에 관한 나의 eBook을 확인해보십시오. 여기서 저는 파이썬 툴로 수익성 높은 체계적인 트레이딩 전략을 만드는 법을 가르쳐드립니다.
Python 및 R을 사용하여 시계열 분석, 기계 학습 및 베이지안 통계를 사용하는 고급 거래 전략에 관한 새로운 전자 책을 살펴보십시오.
2013 년 4 월 19 일 Michael Halls-Moore 작성
이 기사에서는 수익성있는 알고리즘 거래 전략을 식별하는 방법을 소개하고자합니다. 오늘 우리의 목표는 그러한 시스템을 찾고 평가하고 선택하는 방법을 자세히 이해하는 것입니다. 어떻게 전략을 식별하는 것이 개인의 선호에 관한 것인가와 전략의 성과, 테스트를위한 과거 데이터의 유형과 양을 결정하는 방법, 거래 전략을 냉정하게 평가하는 방법, 마지막으로 백 테스트 단계로 진행하는 방법에 대해 설명합니다. 전략 구현.
거래를위한 자신 만의 개인 선호도 확인.
성공적인 거래자가되기 위해서는 - 임의적으로 또는 알고리즘 적으로 - 정직한 질문을하는 것이 필요합니다. 트레이딩은 놀라운 속도로 돈을 잃을 수있는 능력을 제공하므로 선택한 전략을 이해하는 데 필요한만큼 "자신을 알아야합니다".
나는 거래에서 가장 중요한 고려 사항이 자신의 성격을 인식하고 있다고 말할 수 있습니다. 특히 거래 및 알고리즘 거래는 상당한 수준의 규율, 인내심 및 정서적 인 분리가 필요합니다. 알고리즘이 당신을 위해 당신의 거래를 수행하게하기 때문에, 그것이 실행될 때 전략에 간섭하지 않도록 해결할 필요가 있습니다. 이것은 특히 드로우 다운이 연장 된 기간에 매우 어려울 수 있습니다. 그러나 백 테스트에서 수익성이 높은 것으로 입증 된 많은 전략은 단순한 간섭으로 인해 망가질 수 있습니다. 당신이 알고리즘 트레이딩의 세계에 들어가기를 원한다면 감정적으로 테스트 될 것이고 성공하기 위해서는 이러한 어려움을 극복해야한다는 것을 이해하십시오!
다음 고려 사항은 시간 중 하나입니다. 풀 타임 직업이 있습니까? 파트 타임으로 일하십니까? 당신은 집에서 일하거나 매일 통근 통근을합니까? 이러한 질문은 귀하가 추구해야 할 전략의 빈도를 결정하는 데 도움이됩니다. 정규직 근무자의 경우, 일일 선물 전략이 적절하지 않을 수 있습니다 (적어도 완전히 자동화 될 때까지!). 시간 제약으로 인해 전략의 방법론이 결정됩니다. 당신의 전략이 빈번히 거래되고 값 비싼 뉴스 피드 (예 : 블룸버그 터미널)에 의존한다면 분명히 사무실에서이 전략을 성공적으로 실행할 수있는 능력에 대해 현실적이어야합니다! 많은 시간을 투자 한 사람들이나 전략을 자동화하는 기술을 배우려면보다 기술적 인 고 빈도 거래 (HFT) 전략을 고려해야합니다.
일관되게 수익성있는 포트폴리오를 유지하려면 거래 전략에 대한 지속적인 연구가 필요하다는 것이 나의 믿음입니다. "전략의 밑에 레이다"영원히 체재하십시오. 따라서 거래에 할당되는 상당 부분은 지속적인 연구 수행에 있습니다. 강력한 수익성 또는 손실에 대한 완만 한 쇠퇴의 차이가 될 수 있기 때문에 이것을 할 준비가되어 있는지 여부를 자문 해보십시오.
또한 거래 자본을 고려해야합니다. 양적 전략에 대해 일반적으로 받아 들여지는 이상적인 최소 금액은 50,000 USD입니다 (영국에서는 약 £ 35,000). 제가 다시 시작한다면, 아마 더 많은 금액, 아마 100,000 USD (약 £ 70,000)로 시작합니다. 그 이유는 중개 및 고주파 전략에서 거래 비용이 극도로 높을 수 있고 인출시 자본을 흡수 할 수있는 충분한 자본을 확보해야하기 때문입니다. 10,000 달러 미만으로 시작하는 것을 고려하고 있다면 거래 비용이 급격히 수익에 반영되므로 하나 또는 두 개의 자산으로 거래하는 저주파수 전략으로 제한해야합니다. 인터랙티브 브로커는 프로그래밍 기술을 가진 사람들에게 가장 친숙한 중개업자 중 하나 인 API로 인해 소매 계좌 최소 10,000 USD를 보유하고 있습니다.
프로그래밍 기술은 자동화 된 알고리즘 거래 전략을 수립하는 데 중요한 요소입니다. C ++, Java, C #, Python 또는 R과 같은 프로그래밍 언어에 익숙하면 엔드 투 엔드 데이터 저장소, 백 테스트 엔진 및 실행 시스템을 직접 만들 수 있습니다. 여기에는 여러 가지 장점이 있는데, 그 중 하나는 거래 인프라의 모든 측면을 완전히 인식 할 수있는 능력입니다. 또한 "기술 스택"을 완벽하게 제어 할 수 있도록 고주파수 전략을 탐색 할 수 있습니다. 이는 자신의 소프트웨어를 테스트하고 버그를 제거 할 수 있음을 의미하지만, 적어도 알 고 트레이딩 경력의 초기 부분에서는 인프라를 코딩하는 데 더 많은 시간을 소비하고 전략을 구현하는 데 더 적은 시간을 소비합니다. Excel 또는 MATLAB 거래가 편리하고 다른 구성 요소의 개발을 아웃소싱 할 수 있습니다. 그러나 나는 특히 높은 빈도로 거래하는 사람들에게 이것을 권장하지 않습니다.
알고리즘 거래를 통해 무엇을 성취하고자하는지 스스로 자문 해봐야합니다. 정기 수입에 관심이 있습니까? 이를 통해 귀하의 트레이딩 계좌에서 수입을 얻을 수 있습니다. 또는 장기 자본 이득에 관심이 있습니까? 그리고 자금을 인출 할 필요없이 거래 할 수 있습니까? 소득 의존성은 전략의 빈도를 결정합니다. 보다 정기적으로 수입을 인출하려면 변동성이 적은 (즉, 높은 Sharpe 비율) 고주파 거래 전략이 필요합니다. 장기 트레이더는보다 조용한 거래 빈도를 제공 할 수 있습니다.
마지막으로, 짧은 시간 안에 극도로 부유하게되는 개념에 속지 마십시오! Algo 거래는 부유 한 빠른 계획이 아닙니다. 무엇이든지 가난한 빠른 계획이 될 수있는 경우. 알고리즘 거래에 성공하려면 상당한 훈련, 연구, 부지런함 및 인내가 필요합니다. 일관성있는 수익성을 창출하는 데 몇 년이 걸릴 수도 있습니다.
소싱 알고리즘 거래 아이디어.
반대로 일반적인 인식에도 불구하고, 실제로 공개 도메인에서 수익성있는 거래 전략을 찾는 것은 매우 직접적입니다. 결코 오늘보다 더 쉽게 거래 아이디어를 구할 수 없었습니다. 학술 재무 저널, 인쇄 전 서버, 거래 블로그, 거래 포럼, 주간 거래 잡지 및 전문 텍스트는 아이디어를 바탕으로 수천 가지의 거래 전략을 제공합니다.
양적 거래 연구자로서의 우리의 목표는 지속적인 거래 아이디어를 제공 할 수있는 전략 파이프 라인을 수립하는 것입니다. 이상적으로 우리는 우리가 만나는 전략을 소싱, 평가 및 구현하는 체계적인 접근 방식을 만들고 싶습니다. 파이프 라인의 목표는 일정한 양의 새로운 아이디어를 생성하고 최소한의 감정적 인 배려로 이러한 아이디어의 대부분을 거부 할 수있는 틀을 제공하는 것입니다.
우리는인지 적 편향이 의사 결정 방법에 영향을 미치지 않도록 극도로주의해야합니다. 이것은 하나의 자산 클래스를 다른 자산 클래스보다 선호하는 것처럼 간단 할 수 있습니다 (금 및 기타 귀금속이 마음에 들었습니다). 우리의 목표는 항상 긍정적 인 기대와 함께 지속적으로 수익성있는 전략을 찾는 것입니다. 자산 클래스의 선택은 거래 자본 제약, 중개 수수료 및 레버리지 기능과 같은 다른 고려 사항을 기반으로해야합니다.
당신이 무역 전략의 개념에 완전히 익숙하지 않다면 처음 보는 것은 설립 된 교과서를 사용하는 것입니다. 클래식 텍스트는 양적 거래에 익숙해 지도록보다 간단하고 직관적 인 다양한 아이디어를 제공합니다. 다음은 목록을 통해 작업 할 때 점차 정교 해지는 양적 거래에 익숙하지 않은 사람들에게 내가 추천하는 선택입니다.
양적 거래 도서 목록을 더 보려면 QuantStart 독서 목록을 방문하십시오.
다음으로는 거래 포럼 및 거래 블로그를 통해보다 정교한 전략을 찾을 수 있습니다. 그러나주의 사항 : 많은 거래 블로그는 기술 분석의 개념에 의존합니다. 기술적 분석에는 자산 가격의 추세 또는 반전 패턴을 결정하기 위해 기본 지표 및 행동 심리를 활용하는 것이 포함됩니다.
전체 거래 공간에서 매우 인기가 있음에도 불구하고 기술적 분석은 양적 금융 분야에서 다소 비효율적이라고 여겨집니다. 일부 사람들은 별자리를 읽거나 예측력면에서 차를 연구하는 것보다 낫지 않다고 제안했습니다. 실제로 기술적 인 분석을 이용하는 성공적인 개인이 있습니다. 그러나보다 정교한 수학 및 통계 툴박스를 갖춘 콴트로서 우리는 그러한 "TA 기반"전략의 효과를 쉽게 평가하고 정서적 고려 또는 선입견에 기초하지 않고 데이터 기반 결정을 내릴 수 있습니다.
다음은 잘 알려진 알고리즘 거래 블로그 및 포럼의 목록입니다.
보다 간단한 전략을 평가 한 경험이 있으면보다 정교한 학업을 검토해야합니다. 구독료가 높거나 일회성 비용이 들지 않으면 일부 학술지에 액세스하기 어려울 수 있습니다. 대학의 회원 또는 동창 인 경우 이러한 재정적 저널 중 일부에 대한 액세스 권한을 얻을 수 있어야합니다. 그렇지 않으면 동료 검토가 진행되는 학술 논문 초안의 인터넷 저장소 인 인쇄 전 서버를 볼 수 있습니다. 우리가 성공적으로 복제하고 수익을 얻으려는 전략에만 관심이 있기 때문에 동료 평가는 우리에게별로 중요하지 않습니다.
학술 전략의 주된 단점은 종종 시대에 뒤떨어 지거나 모호하고 값 비싼 과거 데이터가 필요하거나 비유 동 자산 클래스에서 거래되거나 수수료, 미끄러짐 또는 확산을 고려하지 않을 수 있다는 것입니다. 또한 거래 전략이 시장 주문, 주문 제한 또는 중지 손실 등을 포함하는지 여부도 분명하지 않을 수 있습니다. 따라서 가능한 한 최선을 다해 전략을 반복적으로 재 테스트하고 현실적인 거래를 추가하는 것이 절대적으로 중요합니다 당신이 거래하고자하는 자산 클래스의 많은 양상을 포함하는 비용.
다음은 아이디어를 얻을 수있는 인기있는 사전 인쇄 서버 및 재무 저널 목록입니다.
자신의 양적 전략을 수립하는 것은 어떻습니까? 일반적으로 다음 범주 중 하나 이상의 전문 지식이 필요합니다.
시장 미세 구조 - 특히 고주파 전략의 경우 시장 미세 구조, 즉 수익성을 창출하기 위해 주문서 역학을 이해할 수 있습니다. 각기 다른 시장에는 다양한 기술 제한, 규제, 시장 참여자 및 특정 전략을 통한 착취에 대한 제약이있을 것입니다. 이것은 매우 정교한 분야이며, 소매업 종사자는이 분야에서 경쟁이 어렵다는 것을 알게 될 것입니다. 특히, 경쟁에는 강력한 기술적 능력을 갖춘 대규모의 잘 자본화 된 양적 헤지 펀드가 포함됩니다. 펀드 구조 - 연금 펀드, 민간 투자 파트너십 (헤지 펀드), 상품 거래 자문 및 뮤추얼 펀드와 같은 공동 투자 펀드는 대규모 규제와 대규모 자본 보유로 인해 제약을받습니다. 따라서 좀 더 민첩한 사람에게는 일정한 일관된 행동이 악용 될 수 있습니다. 예를 들어, 대규모 자금은 규모 때문에 용량 제약을받을 수 있습니다. 따라서 대량의 유가 증권을 신속하게 적재 (판매)해야하는 경우 "시장 이동"을 피하기 위해 비틀 거리게됩니다. 정교한 알고리즘은 자금 구조 차익 거래라고 알려진 일반적인 프로세스에서이 특이성 및 기타 특이성을 이용할 수 있습니다. 기계 학습 / 인공 지능 - 최근 몇 년 동안 금융 시장에서 기계 학습 알고리즘이 널리 보급되었습니다. Naive-Bayes 등의 분류 자 (Classifier)와 비선형 함수 계산자 (신경망) 및 최적화 루틴 (유전 알고리즘)은 모두 자산 경로를 예측하거나 거래 전략을 최적화하는 데 사용되었습니다. 이 분야에 대한 배경 지식이 있다면 특정 알고리즘이 특정 시장에 어떻게 적용될 수 있는지에 대한 통찰력을 가질 수 있습니다.
물론 퀀트가 조사 할 수있는 많은 분야가있다. 이후 기사에서 맞춤 전략을 세우는 방법에 대해 자세히 설명합니다.
매주 또는 심지어 매일 이러한 소스를 지속적으로 모니터링함으로써 다양한 소스의 일관된 전략 목록을받을 수 있습니다. 다음 단계는 시간 낭비를 최소화하고 수익성이 없을 것으로 예상되는 전략에 대한 자원을 다시 테스트하는 방법으로 이러한 전략의 큰 부분 집합을 거부하는 방법을 결정하는 것입니다.
거래 전략 평가.
첫 번째, 그리고 틀림없이 가장 분명한 고려 사항은 실제로 전략을 이해하는지 여부입니다. 간결하게 전략을 설명 할 수 있습니까? 아니면 일련의 경고와 끝없는 매개 변수 목록이 필요합니까? 또한, 전략은 실제로 좋은, 견고한 기반을 가지고 있습니까? 예를 들어, 당신이 시도하고있는 패턴을 유발할 수있는 행동 적 근거 또는 자금 구조 제약을 지적 할 수 있습니까? 이 제약은 극적인 규제 환경의 혼란과 같은 정권 교체를 견디겠습니까? 전략은 복잡한 통계 또는 수학적 규칙에 의존합니까? 모든 금융 시계열에 적용됩니까 아니면 수익성이 있다고 주장되는 자산 클래스에만 해당합니까? 새로운 거래 방법을 평가할 때 이러한 요소에 대해 끊임없이 생각해야합니다. 그렇지 않으면 무익한 전략을 백 테스팅하고 최적화하는 데 많은 시간을 낭비 할 수 있습니다.
일단 전략의 기본 원칙을 이해했다면, 앞서 언급 한 성격 프로파일에 맞는지 여부를 결정해야합니다. 이것은 소리가 나지 않는 막연한 고려 사항은 아닙니다! 전략은 성능 특성이 크게 다를 것입니다. 더 중요한 기간의 인출을 처리하거나보다 큰 수익을 위해 더 큰 위험을 감수하고자하는 특정 성격 유형이 있습니다. 우리가 퀀트 (quants)로서 가능한 한 많은인지 적 편향을 시도하고 제거하고, 전략을 조심스럽게 평가할 수 있어야 함에도 불구하고, 편향은 언제나 기습적으로 변할 것입니다. 따라서 우리는 전략의 수행을 평가하기위한 일관성 있고 감정적 인 수단이 필요합니다 . 다음은 내가 잠재적 인 새로운 전략을 판단 할 수있는 기준 목록입니다.
방법론 - 전략 모멘텀은 시장 중심, 방향성, 방향성이 있습니까? 전략은 이해하기 어렵고 통계에서 박사 학위를 요구하는 정교한 (또는 복잡한!) 통계 또는 기계 학습 기술에 의존합니까? 이러한 기술로 인해 상당한 양의 매개 변수가 도입되어 최적화 편향으로 이어질 수 있습니까? 전략이 체제 변화 (즉, 금융 시장의 잠재적 새로운 규제)에 견딜 가능성이 있습니까? Sharpe Ratio - Sharpe 비율은 경험적으로 전략의 보상 / 위험 비율의 특성을 나타냅니다. 그것은 주식 곡선에 의해 견디는 변동성 수준에 대해 얼마나 많은 수익을 낼 수 있는지를 정량화합니다. 당연히, 우리는 이러한 수익률과 변동성 (즉, 표준 편차)이 측정되는 기간과 빈도를 결정해야합니다. 보다 높은 빈도 전략은 표준 편차의 샘플링 속도가 더 빨라지지만 예를 들어 전체 측정 시간이 더 짧아야합니다. 레버리지 - 수익성을 위해 전략에 상당한 영향력이 필요합니까? 전략은 수익을 내기 위해 레버리지 파생 상품 (선물, 옵션, 스왑)의 사용을 필요로합니까? 이러한 레버리지 계약은 막대한 변동성을 특징으로 할 수 있으며 이로 인해 마진 콜이 쉽게 발생할 수 있습니다. 그러한 변동성에 대한 거래 자본과 기질이 있습니까? 빈도 - 전략의 빈도는 기술 스택 (기술적 전문성), 샤프 비율 및 전반적인 거래 비용 수준과 밀접하게 관련되어 있습니다. 고려해야 할 다른 모든 문제, 높은 빈도 전략은 더 많은 자본을 필요로하며, 구현하기가 더 정교하고 어렵습니다. 그러나 백 테스팅 엔진이 정교하고 버그가없는 것으로 가정하면 훨씬 높은 Sharpe 비율을 갖게됩니다. 변동성 - 변동성은 전략의 "위험"과 강하게 관련됩니다. Sharpe 비율은 이것을 특징으로합니다. 기초 자산 군의 변동성이 크지 않다면 주식 곡선의 변동성이 커지며 샤프 비율도 작아진다. 나는 물론 긍정적 인 변동성이 거의 네거티브 변동성과 같다고 가정하고 있습니다. 일부 전략은 더 큰 불리한 변동성을 가질 수 있습니다. 이러한 속성을 알고 있어야합니다. 승패, 평균 손익 - 전략은 승패와 평균 손익 특성이 다릅니다. 잃어버린 거래의 수가 승리 한 거래의 수를 초과하더라도 매우 수익률 높은 전략을 가질 수 있습니다. 기세 전략은 수익성이 있기 위해 소수의 "대히트"에 의존하기 때문에이 패턴을 갖는 경향이 있습니다. 평균 회귀 전략은 거래가 "승리자"인 경우 반대되는 경향이 있지만 손실 거래는 매우 심할 수 있습니다. 최대 인출 - 최대 인출은 전략의 지분 곡선에서 가장 큰 전체적인 최저가 하락률입니다. 기세 전략은 장기간의 축소 (많은 증분 손실 거래로 인한 손실)로 고통받는 것으로 잘 알려져 있습니다. 역사적 테스트에서 이것이 전략과 관련하여 "통상적 인 업무"라고 제안한 경우에도 많은 상인은 연장 된 인출 기간에 포기할 것입니다. 당신은 당신의 전략 거래를 중단하기 전에 어느 정도의 연체율 (그리고 어느 기간 동안)을 받을지 결정할 필요가 있습니다. 이는 매우 개인적인 결정이므로 신중하게 고려해야합니다. 용량 / 유동성 - 소매 수준에서, 당신이 (비상주 주식처럼) 고도로 유동성이없는 수단으로 거래하지 않는 한, 당신은 전략 능력에 크게 신경 쓰지 않아도됩니다. 용량은 전략의 추가 자본에 대한 확장 성을 결정합니다. 대형 헤지 펀드의 대부분은 자본 배분에서 전략이 증가함에 따라 상당한 용량 문제로 어려움을 겪습니다. 매개 변수 - 특정 전략 (특히 기계 학습 커뮤니티에있는 전략)에는 많은 양의 매개 변수가 필요합니다. 전략에 필요한 추가 매개 변수가 있으면 최적화 바이어스 ( "곡선 맞춤"이라고도 함)에 취약 해집니다. 가능한 한 적은 수의 매개 변수로 전략을 타겟팅하고 전략을 테스트 할 수있는 충분한 양의 데이터가 있는지 확인해야합니다. 벤치 마크 - 거의 모든 전략 ( "절대 수익"으로 특징 지우지 않는 한)은 일부 성능 벤치 마크에 비해 측정됩니다. 벤치 마크는 일반적으로 전략이 거래하는 기본 자산 클래스의 큰 샘플을 특성화하는 지수입니다. 전략이 미국 주식을 거래 할 경우 S & P500은 전략을 측정하는 자연스러운 벤치 마크가됩니다. 이 유형의 전략에 적용되는 용어 "알파"및 "베타"가 들립니다. 이 계수에 대해서는 이후 기사에서 자세히 다룰 것입니다.
전략의 실제 수익률에 대해서는 언급하지 않았습니다. 왜 이런거야? 이와는 별도로 수익률은 실제로 전략의 효과에 대한 제한된 정보를 제공합니다. 그들은 레버리지, 변동성, 벤치 마크 또는 자본 요구 사항에 대한 통찰력을주지 못합니다. 따라서 전략은 드물게 자신의 수익만으로 판단됩니다. 수익을보기 전에 항상 전략의 위험 요소를 고려하십시오.
이 단계에서 귀사의 파이프 라인에서 발견되는 많은 전략은 자본 요건, 레버리지 제약, 최대 인출 허용 오차 또는 변동성 선호도를 충족시키지 않기 때문에 거부됩니다. 남아있는 전략은 이제 백 테스트로 고려 될 수 있습니다. 그러나 이것이 가능하기 전에 이러한 전략을 테스트 할 수있는 사용 가능한 과거 데이터의 최종 거부 기준을 고려해야합니다.
내역 데이터 얻기.
요즘에는 과거 데이터 저장을위한 자산 클래스 전반에 걸친 기술적 요구 사항의 폭이 넓습니다. 경쟁 우위를 유지하기 위해 구매자 (펀드)와 매도자 측 (투자 은행) 모두 기술 인프라에 막대한 투자를합니다. 그것의 중요성을 고려하는 것이 필수적입니다. 특히 적시성, 정확성 및 저장 요구 사항에 관심이 있습니다. 이제는 이력 데이터를 얻는 기본 및 저장 방법에 대해 간략하게 설명하겠습니다. 불행히도 이것은 매우 깊고 기술적 인 주제이므로이 기사의 모든 내용을 말할 수는 없습니다. 그러나 필자는 금융 산업에서의 이전 업계 경험이 주로 금융 데이터 수집, 저장 및 액세스에 관심을 가졌으므로 향후이 점에 대해 더 많이 쓰겠습니다.
이전 섹션에서는 우리 자신의 개인 거부 기준에 따라 특정 전략을 거부 할 수있는 전략 파이프 라인을 설정했습니다. 이 섹션에서는 과거 데이터를 얻으려는 우리 자신의 선호도에 따라 더 많은 전략을 필터링 할 것입니다. 주요 고려 사항 (특히 소매 실무자 수준)은 데이터 비용, 저장 요구 사항 및 기술 전문성 수준입니다. 우리는 또한 다양한 유형의 사용 가능한 데이터와 각 유형의 데이터가 우리에게 부과 할 다양한 고려 사항을 논의해야합니다.
사용 가능한 데이터의 유형과 고려해야 할 핵심 쟁점에 대해 논의하겠습니다.
기초 데이터 - 금리, 인플레이션 수치, 기업 활동 (배당, 주식 분할), SEC 신고, 기업 회계, 수익 수치, 작물보고, 기상 데이터 등과 같은 거시 경제 동향에 관한 데이터를 포함합니다. 가치있는 회사 또는 기타 자산을 기초로, 즉 미래의 예상 현금 흐름을 통해 제공해야합니다. 주식 가격 시리즈는 포함되지 않습니다. 일부 기본 데이터는 정부 웹 사이트에서 무료로 사용할 수 있습니다. 다른 장기간의 역사적인 기초 자료는 극도로 비쌀 수 있습니다. 수천 개의 회사가 한 번에 연구되지 않는 한, 스토리지 요구 사항은 대개 크지 않습니다. 뉴스 데이터 - 뉴스 데이터는 본질적으로 정 성적입니다. 기사, 블로그 게시물, 마이크로 블로그 게시물 ( "트윗") 및 사설로 구성됩니다. 감정을 해석하기 위해 분류 자와 같은 기계 학습 기술이 종종 사용됩니다. 이 데이터는 언론 매체를 통한 구독을 통해 종종 무료 또는 저렴한 가격으로 제공됩니다. 새로운 "NoSQL"문서 저장소 데이터베이스는 이러한 유형의 비정형, 정 성적 데이터를 저장하도록 설계되었습니다. 자산 가격 데이터 - 이것은 퀀트의 전통적인 데이터 도메인입니다. 자산 가격의 시계열로 구성됩니다. 주식 (주식), 채권 (채권), 상품 및 환율은 모두이 클래스에 포함됩니다. 주식 등의보다 간단한 자산 클래스를 얻기 위해서는 매일의 과거 데이터가 종종 간단합니다. 그러나 정확성과 청결도가 포함되고 통계 편향이 제거되면 데이터가 비쌀 수 있습니다. 또한 시계열 데이터는 특히 일중 데이터를 고려할 때 중요한 저장소 요구 사항을 가지고 있습니다. 금융 상품 - 주식, 채권, 선물 및 이국적인 파생 상품 옵션은 특성과 매개 변수가 매우 다릅니다. 따라서이를 수용 할 수있는 "한 가지 크기의 모든 것"데이터베이스 구조는 없습니다. 다양한 금융 상품에 대한 데이터베이스 구조의 설계 및 구현에 상당한주의를 기울여야합니다. 우리는 향후 기사에서 유가 증권 마스터 데이터베이스를 구축 할 때 그 상황을 충분히 논의 할 것입니다. 빈도 - 데이터 빈도가 높을수록 비용 및 저장 요구 사항이 커집니다. 저주파 전략의 경우 일일 데이터로 충분할 수 있습니다. 고 빈도 전략의 경우 틱 수준의 데이터와 특정 거래 교환 주문서 데이터의 기록 사본을 얻는 것이 필요할 수 있습니다. 이러한 유형의 데이터를위한 스토리지 엔진을 구현하는 것은 기술적으로 집중적이며 프로그래밍 / 기술적 배경이 강한 사람들에게만 적합합니다. 벤치 마크 - 위에서 설명한 전략은 종종 벤치 마크와 비교됩니다. 이것은 일반적으로 추가 금융 시간 시리즈로 나타납니다. 주식의 경우 S & P500 지수 (US) 또는 FTSE100 (UK)과 같은 국가 주식 벤치 마크입니다. 고정 수입 기금의 경우 채권 또는 채권 바구니와 비교하는 것이 유용합니다. "무위험 이자율"(즉, 적절한 이자율)은 널리 받아 들여지는 또 다른 벤치 마크입니다. 모든 자산 클래스 카테고리에는 선호되는 벤치 마크가 있으므로 외부 전략에 관심을 가지려면 특정 전략에 따라이를 조사해야합니다. 기술 - 재무 데이터 저장 센터 뒤의 기술 스택은 복잡합니다. 이 기사에서는 건물을 짓는 것과 관련된 것에 대해서만 표면을 긁을 수 있습니다. 그러나 MySQL, SQL Server, Oracle 또는 Document Storage Engine (예 : "NoSQL")과 같은 관계형 데이터베이스 관리 시스템 (RDBMS)과 같은 데이터베이스 엔진을 중심으로합니다. 데이터베이스를 쿼리하고 MATLAB, R 또는 Excel과 같은 외부 도구에 대한 액세스를 제공하는 "비즈니스 로직"응용 프로그램 코드를 통해 액세스 할 수 있습니다. 종종이 비즈니스 로직은 C ++, C #, Java 또는 Python으로 작성됩니다. 또한 개인용 컴퓨터 또는 인터넷 서버를 통해 원격으로이 데이터를 어딘가에 호스팅해야합니다. Amazon Web Services와 같은 제품은 최근 몇 년 동안이 방법을 더 간단하고 저렴하게 만들었지 만 강력한 기술력을 필요로합니다.
위에서 볼 수 있듯이 일단 전략이 파이프 라인을 통해 확인되면 특정 과거 데이터의 가용성, 비용, 복잡성 및 구현 세부 사항을 평가해야합니다. 과거 데이터 고려 사항만을 토대로 전략을 거부 할 필요가 있음을 알 수 있습니다. 이것은 큰 영역이며 PhD 팀은 가격이 정확하고시기 적절한지 확인하기 위해 대규모 기금에서 일합니다. 백 테스팅을 위해 강력한 데이터 센터를 구축하는 어려움을 과소 평가하지 마십시오!
그러나 많은 백 테스팅 플랫폼이 비용을 들이지 않고 자동으로이 데이터를 제공 할 수 있다고 말하고 싶습니다. 따라서 구현 통증을 당신에게서 멀리 벗어나게되고, 당신은 순전히 전략 구현과 최적화에 집중할 수 있습니다. TradeStation과 같은 도구에는이 기능이 있습니다. 그러나 내 개인적인 관점은 가능한 한 많은 것을 내부적으로 구현하고 스택의 일부를 소프트웨어 공급 업체에 아웃소싱하는 것을 피하는 것입니다. 더 매력적인 Sharpe 비율로 인해 더 높은 빈도 전략을 선호하지만 첨단 최적화가 중요한 기술 스택과 긴밀하게 결합되는 경우가 많습니다.
이제는 과거 데이터를 둘러싼 문제에 대해 논의 해 왔으며 이제는 백 테스트 엔진에서 전략을 구현할 때입니다. 이것은 토론의 동등한 큰 영역이기 때문에 다른 기사의 주제가 될 것입니다!
양적 거래 시작하기?
QuantStart 목록을 구독해야하는 3 가지 이유 :
1. 퀀트 트레이딩 레슨.
계량 거래를 시작하는 데 도움이되는 힌트와 팁으로 가득한 무료 10 일간 코스에 즉시 액세스 할 수 있습니다!
2. 모든 최신 내용.
매주 나는 퀀트 스타트에서 모든 활동의 포장을 보내드릴 것입니다. 그래서 당신은 결코 다시 글을 놓치지 않을 것입니다.
현실감 넘치는 퀀 트레이딩 팁.
알고리즘 트레이딩의 기초 : 개념과 예제.
알고리즘은 작업 또는 프로세스를 수행하기 위해 명확하게 정의 된 지침 집합입니다.
알고리즘 트레이딩 (자동 트레이딩, 블랙 박스 트레이딩, 또는 단순한 알 고 트레이딩)은 a 컴퓨터가 불가능한 속도와 빈도로 이익을 창출하기 위해 거래를하기 위해 정의 된 명령어 세트를 따르도록 프로그래밍 된 컴퓨터를 사용하는 프로세스입니다. 인간 상인. 정의 된 규칙 집합은 타이밍, 가격, 수량 또는 모든 수학적 모델을 기반으로합니다. 상인에 대한 이익 기회와는 별도로, 알 고향 거래는 시장을보다 유동적으로 만들고 무역 활동에 대한 정서적 인적 영향을 배제함으로써보다 체계적인 거래를 만듭니다. (자세한 내용은 올바른 알고리즘 트레이딩 소프트웨어 선택을 확인하십시오.)
거래자가 다음과 같은 간단한 거래 기준을 따랐다 고 가정 해보십시오.
50 일 이동 평균이 200 일 이동 평균보다 커지면 50주의 주식을 매수하십시오. 50 일 이동 평균이 200 일 이동 평균보다 낮아지면 주가는 주식의 주식을 매도합니다.
이 두 가지 간단한 지침을 사용하면 정의 된 조건이 충족 될 때 주가 및 이동 평균 지표를 자동으로 모니터링하고 구매 및 판매 주문을하는 컴퓨터 프로그램을 작성하기 쉽습니다. 상인은 더 이상 실시간 가격 및 그래프를 감시하거나 수동으로 주문할 필요가 없습니다. 알고리즘 거래 시스템은 거래 기회를 정확하게 식별함으로써 자동으로 거래를 수행합니다. 이동 평균에 대한 자세한 내용은 단순 이동 평균을 참조하십시오.
[입증 된 전략과 궁극적으로 알 고리즘 트레이딩 시스템으로 작업 할 수있는 포인트 전략에 대해 자세히 알아 보려면 Investopedia Academy의 Become a Day Trader 코스를 확인하십시오. ]
알고리즘 트레이딩의 이점.
Algo-trading은 다음과 같은 이점을 제공합니다.
가능한 최상의 가격으로 실행되는 거래 신속하고 정확한 거래 주문 배치 (따라서 원하는 수준의 실행 가능성 높음) 중요한 가격 변동을 피하기 위해 정확하고 즉각적인 거래 시간 단축 트랜잭션 비용 절감 (아래의 구현 부족 예 참조) 여러 항목에 대한 동시 자동 점검 시장 조건 거래 배치시 수동 오류 위험 감소 사용 가능한 과거 및 실시간 데이터를 기반으로 알고리즘 백 테 스트 정서적 및 심리적 요인에 기반한 인적 자원 거래자의 실수 가능성 감소.
현재의 고액 거래의 가장 큰 부분은 고주파 거래 (high frequency trading, HFT)입니다. 이 프로그램은 미리 프로그래밍 된 지침에 따라 여러 시장 및 여러 결정 매개 변수에 걸쳐 매우 빠른 속도로 대량 주문을 활용하려고 시도합니다. (고주파 거래에 대한 자세한 내용은 고주파 거래 (HFT) 회사의 전략과 비밀을 참조하십시오.)
Algo-trading은 다음과 같은 다양한 거래 및 투자 활동에 사용됩니다.
주식을 대량 구매하지만 불특정 다수의 투자로 주식 가격에 영향을 미치고 싶지 않은 중장기 투자자 또는 매수 측 회사 (연기금, 뮤추얼 펀드, 보험 회사). 단기 거래자 및 매도자 측 참가자 (시장 형성 자, 투기자 및 중개인)는 자동 거래 실행의 혜택을받습니다. 또한, algo-trading은 시장에있는 판매자에게 충분한 유동성을 창출하는 데 도움을줍니다. 체계적인 거래자 (추종자, 쌍 거래자, 헤지 펀드 등)는 거래 규칙을 프로그래밍하고 프로그램이 자동으로 거래되도록하는 것이 훨씬 더 효율적이라는 것을 알게됩니다.
알고리즘 거래는 인간 상인의 직감이나 본능에 기반한 방법보다 적극적인 거래에 대한 체계적인 접근 방식을 제공합니다.
알고리즘 트레이딩 전략.
알고리즘 거래를위한 모든 전략에는 향상된 수익 또는 비용 절감 측면에서 수익성이 확인 된 기회가 필요합니다. 다음은 algo-trading에서 사용되는 일반적인 거래 전략입니다.
가장 일반적인 알고리즘 트레이딩 전략은 이동 평균, 채널 이탈, 가격 수준 이동 및 관련 기술 지표의 추세를 따릅니다. 이러한 전략은 예측이나 가격 예측을하지 않기 때문에 알고리즘 거래를 통해 구현하는 가장 쉽고 간단한 전략입니다. 거래는 바람직한 추세의 발생을 기반으로 시작되며, 이는 예측 분석의 복잡성에 빠지지 않고 알고리즘을 통해 구현하기 쉽고 간단합니다. 위에서 언급 한 50 일과 200 일 이동 평균의 예는 인기있는 추세 전략입니다. (추세 거래 전략에 대한 자세한 내용은 추세를 활용하는 간단한 전략을 참조하십시오.)
한 시장에서 더 낮은 가격에 이중 상장 주식을 매수하고 다른 시장에서 더 높은 가격으로 동시에 매각하는 것은 가격 차이를 무위험 수익 또는 차익 거래로 제공합니다. 가격 차이가 수시로 존재하기 때문에 동일한 작업이 주식 대 선물 상품에 대해 복제 될 수 있습니다. 이러한 가격 차이를 식별하고 주문을하는 알고리즘을 구현하면 효율적인 방식으로 수익성있는 기회를 얻을 수 있습니다.
인덱스 펀드는 보유 자산을 각각의 벤치 마크 지수와 동등하게 유지하기 위해 재조정 기간을 정했습니다. 이는 인덱스 펀드 재조정 직전에 인덱스 펀드의 주식 수에 따라 20-80의 베이시스 포인트 이익을 제공하는 예상 거래를 활용하는 알고리즘 트레이더에게 수익성있는 기회를 창출합니다. 이러한 거래는 적시 실행 및 최적의 가격을 위해 알고리즘 거래 시스템을 통해 시작됩니다.
델타 중립적 인 거래 전략과 같이 입증 된 많은 수학 모델은 포트폴리오 델타가 0으로 유지되도록 양수 및 음수 델타를 상쇄하기 위해 거래가 이루어지는 옵션과 기본 보안의 조합에 대한 거래를 허용합니다.
평균 회귀 전략은 자산의 고가와 저가가 주기적으로 평균값으로 되돌아가는 일시적인 현상이라는 생각에 기반합니다. 가격 범위를 식별하고 정의하고이를 기반으로 알고리즘을 구현하면 자산 가격이 정의 된 범위를 벗어날 때 거래가 자동으로 배치됩니다.
볼륨 가중 평균 가격 전략은 대량의 주문을 분해하고 주식 관련 과거 볼륨 프로파일을 사용하여 동적으로 결정된 작은 주문 청량을 출시합니다. 목표는 VWAP (Volume Weighted Average Price)에 가까운 주문을 실행하여 평균 가격으로 이익을 얻는 것입니다.
시간 가중 평균 가격 전략은 대량 주문을 해체하고 시작 시간과 종료 시간 사이의 균등하게 나뉘어 진 시간 슬롯을 사용하여 동적으로 결정된 작은 주문 청량을 출시합니다. 목표는 시작 및 종료 시간 사이의 평균 가격에 가까운 주문을 실행하여 시장 영향을 최소화하는 것입니다.
거래 주문이 완전히 채워질 때까지이 알고리즘은 정의 된 참여율과 시장에서 거래되는 거래량에 따라 부분 주문을 계속 전송합니다. 관련 "단계 전략"은 사용자 정의 시장 볼륨 비율로 주문을 보내고 주가가 사용자 정의 수준에 도달하면이 참여율을 높이거나 낮 춥니 다.
구현 부족 전략은 실시간 시장을 거래함으로써 주문의 실행 비용을 최소화함으로써 주문 비용을 절감하고 지연된 실행의 기회 비용으로부터 이익을 얻는 것을 목표로합니다. 이 전략은 주식 가격이 호의적으로 움직일 때 목표로하는 참여율을 높이고, 주가가 반대로 움직이면 목표 참여율을 낮출 것입니다.
다른 측면에서 "사건"을 식별하려고 시도하는 몇 가지 특별한 클래스의 알고리즘이 있습니다. 예를 들어, 판매 측 시장에서 사용되는 이러한 "스니핑 알고리즘"은 대규모 주문의 구매 측면에서 알고리즘의 존재를 식별 할 수있는 내장 인텔리전스를 갖추고 있습니다. 이러한 알고리즘을 통한 탐지는 시장에서 대량 주문 기회를 파악하고 더 높은 가격으로 주문을 작성함으로써 이익을 얻을 수있게 해줍니다. 이것은 때로는 하이테크 전방 주행으로 확인됩니다. (고주파 거래 및 사기 행위에 대한 자세한 내용은 다음을 참조하십시오 : 주식을 온라인으로 구입할 경우 HFT에 관여 함)
알고리즘 거래에 대한 기술적 요구 사항.
컴퓨터 프로그램을 사용하여 알고리즘을 구현하는 것이 마지막 부분으로, 백 테스트가 있습니다. 문제는 식별 된 전략을 주문 거래 계정에 액세스 할 수있는 통합 된 전산 프로세스로 변환하는 것입니다. 다음이 필요합니다.
필요한 거래 전략, 고용 된 프로그래머 또는 미리 만들어진 거래 소프트웨어를 프로그래밍하기위한 컴퓨터 프로그래밍 지식 주문을하기위한 네트워크 연결 및 거래 플랫폼에 대한 액세스 주문을 할 수있는 기회를 알고리즘이 모니터 할 시장 데이터 피드에 액세스 능력 및 인프라 실제 시장에 출시되기 전에 빌드 된 시스템을 백 테스팅하기 알고리즘에서 구현 된 규칙의 복잡성에 따라 백 테스트를위한 사용 가능한 과거 데이터.
다음은 포괄적 인 예입니다 : Royal Dutch Shell (RDS)은 암스테르담 증권 거래소 (AEX)와 런던 증권 거래소 (LSE)에 상장되어 있습니다. 차익 거래 기회를 식별하는 알고리즘을 구축해 보겠습니다. 흥미로운 관찰은 거의 없습니다.
AEX는 유로화로 거래되며, LSE는 스털링 파운드로 거래됩니다. AEX는 1 시간의 시간차로 인해 LSE보다 1 시간 빠르며, 다음 두 시간 동안 동시에 거래가 이루어지며 AEX가 마감되면서 지난 1 시간 동안 LSE에서만 거래됩니다 .
이 두 시장에 상장 된 Royal Dutch Shell 주식에 대해 서로 다른 통화로 차익 거래를 할 수 있는지 알아볼 수 있습니까?
현재 시장 가격을 읽을 수있는 컴퓨터 프로그램 LSE 및 AEX의 가격 피드 GBP-EUR 환율에 대한 외환 환율 피드 주문을 올바른 교환으로 전달할 수있는 주문 배치 기능 과거 가격 피드에 대한 백 테스트 기능.
컴퓨터 프로그램은 다음을 수행해야합니다.
두 거래소의 RDS 주식의 수신 가격 피드를 읽습니다. 사용 가능한 환율을 사용하여 한 통화의 가격을 다른 통화로 변환합니다. 수익성있는 기회로 이어지는 충분히 큰 가격 불일치 (중개 비용을 할인)가 존재하는 경우, 낮은 가격의 거래소에서 주문하고 높은 가격의 거래소에서 주문을 판매합니다. 원하는대로 주문을 실행하면 차익 거래 이익이 발생합니다.
간단하고 쉬운! 그러나 알고리즘 트레이딩의 실행은 유지 관리 및 실행이 간단하지 않습니다. 알 고가 생성 한 거래를 배치 할 수 있다면 다른 마켓 참여자도 마찬가지입니다. 따라서 가격은 밀리 초 및 심지어 마이크로 초 단위로 변동합니다. 위의 예에서 구매 주문 거래가 실행되면 어떻게되지만 주문이 시장에 출시 될 때까지 판매 가격이 변경되지 않습니다. 당신은 개방적인 자세로 앉아 결국 귀하의 차용액 전략을 쓸모 없게 만들 것입니다.
시스템 장애 위험, 네트워크 연결 오류, 거래 주문과 실행 간의 시간 지연, 그리고 무엇보다 불완전한 알고리즘과 같은 추가 위험과 과제가 있습니다. 알고리즘이 복잡할수록 더 엄격한 백 테스팅이 필요합니다.
결론.
알고리즘의 성능을 정량적으로 분석하는 것은 중요한 역할을하므로 비판적으로 검사해야합니다. 돈을 쉽게 벌기위한 개념을 가진 컴퓨터의 도움을 받아 자동화하는 것은 흥미로운 일입니다. 그러나 시스템을 철저히 테스트하고 필요한 한계를 설정해야합니다. 분석적 거래자는 올바른 전략을 확실하게 구현하는 데 자신감을 갖기 위해 스스로 프로그래밍 및 시스템을 학습하는 것을 고려해야합니다. 신중한 사용과 철저한 거래로 수익성 높은 기회를 창출 할 수 있습니다. (자세한 내용은 자신의 Algo 거래 로봇을 코딩하는 방법을 참조하십시오.)
No comments:
Post a Comment