Algorithmic Trading Was ist Algorithmic Trading Algorithmischen Handel, auch als Algo-Handel und Black-Box-Handel bezeichnet, ist ein Handelssystem, das fortgeschrittene und komplexe mathematische Modelle und Formeln verwendet, um High-Speed-Entscheidungen und Transaktionen auf den Finanzmärkten zu machen. Der algorithmische Handel beinhaltet die Verwendung von schnellen Computerprogrammen und komplexen Algorithmen zur Erstellung und Festlegung von Handelsstrategien für optimale Renditen. BREAKING DOWN Algorithmischer Handel Einige Anlagestrategien und Handelsstrategien wie Arbitrage. Intermarket-Verbreitung, Marktherstellung und Spekulationen können durch algorithmischen Handel verbessert werden. Elektronische Plattformen können Investitions - und Handelsstrategien durch algorithmischen Handel vollständig betreiben. Als solche sind Algorithmen in der Lage, Handelsanweisungen unter bestimmten Bedingungen in Preis, Volumen und Timing auszuführen. Die Verwendung von algorithmischen Handel wird am häufigsten von großen institutionellen Investoren aufgrund der großen Menge an Aktien, die sie jeden Tag kaufen. Komplexe Algorithmen erlauben es diesen Investoren, den bestmöglichen Preis zu erhalten, ohne den Aktienkurs erheblich zu beeinflussen und die Anschaffungskosten zu erhöhen. Arbitrage ist die Differenz der Marktpreise zwischen zwei verschiedenen Einheiten. Arbitrage wird häufig in globalen Unternehmen praktiziert. Zum Beispiel können Unternehmen in der Lage sein, billigere Lieferungen oder Arbeit aus anderen Ländern zu nutzen. Diese Unternehmen können die Kosten senken und die Gewinne steigern. Arbitrage kann auch im Handel mit SampP-Futures und den SampP 500-Aktien genutzt werden. Es ist typisch für SampP-Futures und SampP 500-Aktien, um Preisunterschiede zu entwickeln. Wenn dies geschieht, werden die Aktien, die auf den NASDAQ - und NYSE-Märkten gehandelt werden, entweder hinterherhinken oder den SampP-Futures vorausgehen und eine Gelegenheit für Arbitrage bieten. Hochgeschwindigkeits-algorithmischer Handel kann diese Bewegungen verfolgen und von den Preisunterschieden profitieren. Trading vor dem Index Fund Rebalancing Renteneinsparungen wie Pensionsfonds werden überwiegend in Investmentfonds investiert. Die Indexfonds der Investmentfonds werden regelmäßig an die neuen Kurse der zugrunde liegenden Vermögenswerte angepasst. Bevor dies geschieht, werden vorprogrammierte Handelsanweisungen durch algorithmische handelsgestützte Strategien ausgelöst, die Gewinne von Investoren zu algorithmischen Händlern übertragen können. Mittlere Reversion Mittlere Reversion ist eine mathematische Methode, die den Durchschnitt einer vorübergehend hohen und niedrigen Preise berechnet. Der algorithmische Handel berechnet diesen Durchschnitt und den potenziellen Gewinn aus der Bewegung des Wertpapiers, da er entweder weggeht oder zum Mittelpreis geht. Skalierer profitieren vom Handel der Bid-Ask-Spread so schnell wie möglich mehrmals am Tag. Die Preisbewegungen müssen geringer sein als die Sicherheiten. Diese Bewegungen passieren innerhalb von Minuten oder weniger, also die Notwendigkeit für schnelle Entscheidungen, die durch algorithmische Trading-Formeln optimiert werden können. Andere Strategien, die durch den algorithmischen Handel optimiert werden, beinhalten Transaktionskostenreduzierung und andere Strategien, die sich auf dunkle Pools beziehen. Machine Learning und Automated Trading Der Big Short (ich mag es) Ich suche Handelsstrategien mit profitable Backtests - UPDATE Ich habe einige sehr interessante Gespräche geführt, seitdem ich meine angeboten habe Nicht-öffentliches Intraday-Trading-Framework im Austausch für Informationen über profitable Strategien, weshalb ich diesen anfänglich zeitlich begrenzten Anruf unbegrenzt verlängern möchte. Beachten Sie, dass ich keine Strategieideen suche. Ich habe viele davon. Die Herausforderung liegt nicht darin, mit einer Idee zu kommen, sondern bei der Auswahl der richtigen und testen sie bis zum Ende, wenn Sie entweder wissen, dass es funktioniert oder dass es nicht tut. Der kritische Faktor ist hier Zeit. Also, was ich im Wesentlichen handeln ist die Zeit, die ich in die Entwicklung eines Rock solide Intraday Trading Framework investiert haben, gegen die Zeit, die Sie in die Entwicklung einer profitable Trading Strategie investiert haben. Es kann eine Aktie, ETF, Zukunft oder Optionsstrategie sein. Alle gesprochenen Diskussionen und Informationen werden vertraulich behandelt. Ich bin natürlich offen für rein diskutieren Ideen, aber bitte nicht erwarten, dass ich sie für Sie testen und nicht beschweren, wenn ich sie umsetzen, ohne um Ihre Zustimmung zu bitten. Aufforderung zur Einreichung von Vorschlägen Suche nach Handelsstrategien mit rentablen Backtests Bis zum 15. Juni akzeptiere ich Vorschläge für vielversprechende Handelsstrategien auf Aktien, Währungen und Aktienbindungsindizes. Die Strategie muss im Backtesting profitabel sein und eine annualisierte Sharpe-Ratio von mindestens 1,0 haben. Am 1. Juli werden die beiden vielversprechendsten Strategien ausgewählt und ihre Autoren können eine der folgenden Optionen wählen: 1) Erhalten Sie eine vollständige und kostenlose Kopie des erweiterten, nicht-öffentlichen Handelsrahmens auf der Grundlage von R, die ich entwickelt und verwendet habe Seit 2012 und dass die Autoren für Live-Trading ihre Strategien mit Interactive Brokers verwenden können. (Die vereinfachte öffentliche Version kann hier heruntergeladen werden) 2) Geben Sie in eine Kooperationsvereinbarung ein, in der ich mich verpflichten werde, ihre Strategie im R - und Papierhandel für maximal drei Monate umzusetzen. Alle Einzelhandelsabteilungen werden mit den Autoren geteilt, wenn sie auftauchen. Darüber hinaus wird der R-Code, der spezifisch für die Strategie ist (nicht der Code des Handelsrahmens), an die Strategie-Autoren übergeben werden. Was ist zu unterbreiten: Eine schriftliche Beschreibung der Strategie sowie eine Liste der Trades sowie die Rückkehrzeiten des Backtests oder ausführbaren Roctavepython-Codes, der direkt die Backtest-Rückkehr-Timeeries berechnet, zusammen mit dem vollständigen Datensatz der im Backtest verwendeten Preise. Senden Sie meine E-Mail in der Kontakt-Sektion ein. Update des reinen R Intraday Trading Framework Schließlich fand ich die Zeit, dies zu tun. Lange überfällig. Das Framework läuft nun mit den neuesten (Unix) Versionen der IB TWSGW (Version 9493 und höher). Dies allein verlangte ein teilweises Re-Schreiben von mehreren Funktionen aus dem großen, aber jetzt etwas veralteten IBrokers R-Paket von Jeff Ryan. Auch die Default-Konfiguration für den Handel EURUSD wurde aktualisiert, so dass es jetzt ein Stück Kuchen ist, um die Beispiel-Dummy-Strategie zu führen. Klone einfach den Git Repo auf deine lokale Maschine. GithubcensixINTRADAY-PartAB und folgen dem README. Etwas über Hardware Ich bin immer noch ein Fan von meinem eigenen Metall zu besitzen. Sicher, die Dinge mit konfigurierbaren Maschinenbildern in der Wolke zu machen, ist beliebt, weil man nicht durch den Ärger der Verwaltung Ihrer eigenen Hardware gehen muss, aber das ist nicht so ein Problem für große Organisationen, wo hunderttausende von Benutzern glücklich sein müssen Minimale kosten So ist die Wolke nicht nur eine Lösung für ein Problem von Menschen, die Skala zu bewältigen haben, sondern gleichzeitig zu versuchen, diese Lösung an die einzelnen Joe zu verkaufen, die sich dort ansetzt, braucht es nicht wirklich. Jedenfalls, wie ich schon sagte, ich bin ein Fan von meinem eigenen Metall zu besitzen. Preisgünstige Hardware können Sie einen langen Weg finden, wenn Sie sich die Zeit nehmen, es richtig zu konfigurieren. Ein 16-64Gb RAM-Desktop mit einem oder sogar zwei GPUs wird so ziemlich alles tun, was Sie brauchen. Es scheint, dass Backtesting-Strategien verwendet viel mehr Computing-Ressourcen als tatsächlichen Live-Trading, weshalb in diesen Tagen können Sie einrichten und führen eine Intraday-Strategie von jedem anständigen Laptop mit Vertrauen, während für die Backtesting und Forschung Sie wirklich wollen, dass die RAM-CPU-GPU-Monster Oben oder eine kleine kleine Supercomputing-Cluster von Ihnen, wie ich hier vor kurzem beschrieben habe. Pure R Intraday Trading Framework Voller Download verfügbar Ich habe INTRADAY-PartA. tar. gz und INTRADAY-PartB. tgz zum Download zur Verfügung gestellt. Censixdownloads. html Finden von Beziehungen zwischen Assets, die für statistische Arbitrage verwendet werden können Statt sich auf die Vorhersage der Preisrichtung und Preisvolatilität mit nichtlinearen Modellen, die mit maschinellen Lernmethoden abgeleitet sind, zu orientieren, wäre eine Alternative, um zu versuchen, ausbeutbare Preisverhältnisse zwischen Vermögenswerten derselben Klasse zu entdecken Und reagiere (Handel), wenn Missbrauch geschieht, mit anderen Worten, statistische Arbitrage. In gewissem Sinne ist das irgendwie leichter als der Versuch, die Preise zu prognostizieren, denn das einzige, was man tun muss, ist, eine relativ stabile, lineare oder nichtlineare Beziehung zwischen einer Gruppe von mindestens zwei Vermögenswerten zu finden und davon auszugehen, dass von der Zeit an Seine Erkennung, diese Beziehung wird für einige Zeit in die Zukunft weiterführen. Der Handel unter dieser Annahme ist dann sehr viel ein reaktiver Prozess, der durch Preisbewegungen ausgelöst wird, die deutlich von der modellierten Beziehung abweichen. Traditionelle Paar-Handel und Handel von assetts in einem VECM (Vector Error Correction Model) Beziehung sind gute Beispiele für Statarb mit linearen Modellen. Also warum nicht ein einfaches einschichtiges neuronales Netzwerk oder sogar ein RBM verwenden, um eine nicht-lineare Preisbeziehung zwischen zwei nicht-kointegrierten Vermögenswerten zu entdecken und wenn dieser Entdeckungsprozess erfolgreich ist, handeln Sie es in ähnlicher Weise wie ein klassisches Paar. Die Dinge werden noch interessanter, wenn Gruppen mit mehr als nur zwei Vermögenswerten berücksichtigt werden. Dies wäre dann das nichtlineare Äquivalent eines VECM. Feature Selection Breadth vs Depth Lets sagen, wir haben eine univariate Maleries Vorhersage Ziel, das entweder von Typ Regression oder Klassifizierung sein kann, und wir müssen entscheiden, welche Eingabe-Features zu wählen. Konkreter haben wir ein großes Universum von Zeiträumen, die wir als Inputs nutzen können und wir würden gerne wissen, wie viele wir wählen sollten (Breite) und auch wie weit zurück in der Zeit wollen wir für jeden (Tiefe) suchen. Es gibt einen zweidimensionalen Raum von Entscheidungen, der durch die folgenden vier Extremfälle begrenzt wird, unter der Annahme, dass wir insgesamt N Serien haben und wir können höchstens Rückblick auf K timesteps: (1) nur eine Serie und einen Rückblick auswählen (2) holt nur eine Serie und Rückblick K timesteps, (3) N N Serie und Rückblick einmal, pp, (4) N N und Rückblick K timesteps. Die optimale Wahl wird wahrscheinlich nicht von denen sein, da (1) und (2) möglicherweise nicht genügend Vorhersageinformationen enthalten und (3) und insbesondere (4) entweder nicht durch die Berechnung von Kontrahierungen oder zu viel zufälliges Rauschen möglich sind. Der vorgeschlagene Weg, sich zu nähern, ist, bei (1) zu beginnen, zu sehen, welche Leistung du bekommst und dann die Größe des Eingaberaums vergrößert, entweder breit oder tiefe, bis du eine zufriedenstellende Vorhersageleistung erreicht hast oder bis du erschöpft bist Ihre Rechenressourcen und müssen entweder den ganzen Ansatz aufgeben: (oder einen neuen (Farm of) Desktop (s) kaufen :) Mit gestapelten Autoencodern und eingeschränkten Boltzmann Maschinen in R 12. Februar 2014 Stacked Autoencoder (SAs) und Restricted Boltzmann Maschinen ( RBMs) sind sehr leistungsfähige Modelle für unbeaufsichtigtes Lernen. Leider sieht es zum Zeitpunkt des Schreibens so aus, als ob es keine direkten R-Implementierungen gibt, was überraschend ist, da beide Modelltypen schon seit einer Weile herum sind und R Implementierungen für viele andere maschinelle Lernmodelltypen hat. Als Workaround konnten SAs mit einem von mehreren neuronalen Netzwerkpaketen von R ziemlich schnell implementiert werden (nnet, AMORE) und RBMs, gut, jemand müsste eine gute R-Implementierung für sie schreiben. Aber angesichts dieser Schulung benötigen beide Modelltypen viele rechnerische Ressourcen, wir wollen auch eine Implementierung, die GPUs nutzen kann. Also im Moment die einfachste Lösung, die wir zu haben scheinen, ist, Theano zu benutzen. Es kann GPUs verwenden und es bietet Implementierungen von gestapelten (Denoising) Autoencodern und RBMs. Darüber hinaus schwebt PythonTheano-Code für mehrere weitere exotische Boltzmann-Maschinenvarianten auch im Netz. Wir können rPython verwenden, um diese Python-Funktionen von R aufzurufen, aber die Herausforderung ist die Daten. Erste große Datensätze zwischen R und Python hin und her, ohne die ascii Serialisierung zu verwenden, die rPython implementiert (zu langsam) muss gelöst werden. Eine mindestens gleichermaßen leistungsfähige Implementierung von Autoencodern, die GPU-Nutzung unterstützt, ist über das Torch7-Framework (Demo) verfügbar. Allerdings werden Torch7-Funktionen mit Lua aufgerufen und rufen sie von innerhalb R stattdessen erfordert einige Arbeit auf C-Ebene. Abschließend: Verwenden Sie Theano (Python) oder Torch7 (lua) für Trainingsmodelle mit GPU-Unterstützung und schreiben Sie die trainierten Modelle in Datei. In R importiere das ausgebildete Modell aus der Datei und verwende die Vorhersage. Update 25. April 2014: Die folgende schöne Lösung Rufen Sie Python von R bis Rcpp an, um uns einen Schritt näher zu bringen, mit Theano direkt von R. Was Frequenzen zu handeln. 13. Januar 2014 Wenn man versucht, verwertbare Marktmuster zu finden, die man als Einzelhändler handeln könnte, ist eine der ersten Fragen: Welche Handelsfrequenzen sollten monatlich wöchentlich täglich oder intraday überall zwischen 5 Sekunden und 1 Stunde betrachten Die Forschung an allen dieser Zeitskalen, dies wird eine wichtige Frage zu beantworten. Ich und andere haben beobachtet, dass es scheint, eine einfache Beziehung zwischen Handelsfrequenz und Menge an Aufwand zu sein, um eine rentable Strategie zu finden, die rein quantitativ ist und ein akzeptables Risiko hat. Kurz gesagt: Je niedriger (langsamer) die Häufigkeit, die Sie handeln möchten, desto schlauer muss Ihre profitable Strategie sein. Tradefreqvssmartness Als Beispiel könnte man das (sehr) hochfrequente Ende des Spektrums betrachten, wo Marktmachungsstrategien, die auf sehr einfacher Mathematik basieren, sehr profitabel sein können, wenn man es geschafft hat, dem Marktzentrum nahe genug zu sein. Wenn wir einen großen Sprung in den täglichen Frequenzbereich nehmen, wird es immer schwieriger, quantitative Strategien zu finden, die rentabel sind, während sie immer noch auf einer einfachen Mathematik basieren. Der Handel in wöchentlichen und monatlichen Intervallen, mit einfachen quantitativen Methoden oder technischen Indikatoren ist nur ein sehr gutes Rezept für Katastrophe. Also, für einen Moment, dass diese Beziehung in der Tat wahr ist und auch in Erwägung zieht, dass wir in unseren Handelsstrategien anspruchsvolle maschinelle Lerntechniken einsetzen können und wollen, könnten wir mit einem wöchentlichen Frequenzfenster beginnen und unseren Weg zu höheren Frequenzen arbeiten. Der wöchentliche Handel muss nicht automatisiert werden und kann von jedem webbasierten Brokerage-Interface aus durchgeführt werden. Wir konnten eine Tasche mit Strategien entwickeln, indem wir öffentlich verfügbare historische Daten in Kombination mit unserem bevorzugten Lernalgorithmus verwenden, um handelsfähige Marktmuster zu finden und dann die Strategie manuell auszuführen. Auf dieser Skala sollte die ganze Anstrengung in die Suche und Feinabstimmung der quantitativen Strategie gehen und sehr wenig Gedanken müssen in die Ausführung des Handels gestellt werden. Handel Automatisierungsaufwand: 0. Strategie Intelligenz erforderlich: 100 Täglicher Handel sollte automatisiert werden, es sei denn, Sie können wirklich einen festen Teil Ihres Tages für die Überwachung der Märkte und die Durchführung von Trades widmen. Die Integration von maschinellen Lernalgorithmen mit automatisiertem täglichen Handel ist keine triviale Aufgabe, aber es kann getan werden. Handel Automatisierungsaufwand: 20, Strategie Intelligenz erforderlich: 80 In Intraday-Zeitskalen, von Minuten und Sekunden bis zu Unter-Sekunden, die Anstrengungen, die Sie unternehmen müssen, um Ihre Geschäfte zu automatisieren, können überall im Bereich zwischen 20 und 90 liegen. Zum Glück ist das kleinere Die Zeitskala wird zum Doll Ihre Strategie kann sein, aber dumm ist natürlich ein relatives Konzept hier. Handel Automatisierungsaufwand: 80, Strategie Intelligenz erforderlich: 20 Welche Funktionen zu verwenden. Handgefertigt vs. gelernt 10. Dezember 2013 An einem Punkt in der Gestaltung eines (Maschinen-) Lernsystems werden Sie unvermeidlich fragen, welche Funktionen in Ihr Modell eingegeben werden. Es gibt mindestens zwei Möglichkeiten. Die erste ist, handgefertigte Funktionen zu verwenden. Diese Option gibt Ihnen in der Regel gute Ergebnisse, wenn die Features gut entworfen sind (das ist natürlich eine Tautologie, da man sie nur so gut anrufen würde, wenn sie dir gute Ergebnisse gaben.). Das Entwerfen von handgefertigten Funktionen erfordert Fachwissen über das Feld, auf das das Lernsystem angewendet wird, d. h. Audioklassifizierung, Bilderkennung oder in unserem Fallhandel. Das Problem hier ist, dass Sie vielleicht nicht von diesem Expertenwissen (noch) und es wird sehr schwer zu kommen oder nehmen Sie eine Menge Zeit oder höchstwahrscheinlich beide. Also die Alternative ist, die Features aus den Daten zu lernen, oder mit anderen Worten, verwenden Sie unbeaufsichtigtes Lernen, um sie zu erhalten. Eine Anforderung hier ist, dass Sie wirklich viele Daten benötigen. Viel mehr davon, als du für handgefertigte Features brauchst, aber dann muss es noch nicht beschriftet werden. Der Nutzen ist jedoch klar. Sie müssen nicht wirklich ein Experte in dem spezifischen Feld sein, das Sie das System entwerfen, d. h. Handel und Finanzierung. Also, während Sie noch herausfinden müssen, welche Teilmenge der gelernten Features am besten für Ihr Lernsystem ist, das ist auch etwas, das Sie mit den handgefertigten Features machen müssten. Mein Vorschlag: Versuchen Sie, einige handgefertigte Funktionen selbst zu entwerfen. Wenn sie nicht durchführen und Sie haben gute Gründe zu glauben, dass es möglich ist, bessere Ergebnisse zu erzielen als die, die Sie bekommen, verwenden Sie unbeaufsichtigte Lernmethoden, um Funktionen zu lernen. Sie können sogar ein Hybrid-System, das entworfen und gelernte Funktionen zusammen verwendet. Warum ich Open Source-Tools für den Aufbau von Handelsanwendungen verwende 19. November 2013 Als ich anfing, in meinem eigenen automatisierten Handel zu suchen, hatte ich drei Anforderungen an die Menge der Werkzeuge, die ich verwenden wollte. 1) Sie sollten so wenig wie möglich kosten, um mich zu starten, auch wenn das bedeutete, dass ich eine Menge Programmierung und Anpassungen selbst machen musste (es würde Zeit kosten) 2) Es sollte eine Gemeinschaft von Gleichgesinnten da draußen geben Mit den gleichen Werkzeugen für einen ähnlichen Zweck. 3) Die Werkzeuge sollen mir erlauben, so tief in die Eingeweide des Systems zu gehen, wie es notwendig ist, auch wenn ich anfangs mein Ziel mehr war, die Grundlagen zu entdecken. Ich wollte mich nicht in einer Situation finden, in der ich zwei Jahre die Linie hinuntersteigen müsste, die ich zu einem anderen Satz von Werkzeugen wechseln musste, nur weil die, mit denen ich begonnen hatte, mir erlaubte, das zu tun, was ich wegen Problemen wollte Geschlossene Quellen und restriktive Lizenzen. Als Ergebnis kam ich zu wählen R als meine Sprache der Wahl für die Entwicklung von Handel Algortihms und ich begann mit Interactive Brokers, da sie eine API für die Anbindung an ihre Brokerage-System. Während es viele nette Trading-Tools gibt, die mit der IB Trader Workstation verbunden sind und einige für den automatisierten Handel verwendet werden können, bietet keiner von ihnen die gleiche Leistung, Flexibilität und Community-Unterstützung, die das R-Projekt hat. Darüber hinaus hat R wirklich ein erstaunliches Repository von freien und sehr adavanced statistische und maschinelle Lernpakete, etwas, das wichtig ist, wenn Sie Handelsalgorithmen erstellen möchten. Copyright-Kopie Censix 2013 - 2015Anwendungen der Graphentheorie In der Finanzierung Sehr große Datensätze 8211 mit umfangreichen Zahlen von Symbolen 8211 stellen Herausforderungen für den Analytiker dar, nicht zuletzt die Schwierigkeit, Beziehungen zwischen den einzelnen Komponenten-Assets zu visualisieren. Abwesend die visuellen Hinweise, die oft durch grafische Bilder hervorgehoben werden, ist es für den Analysten leicht, wichtige Veränderungen in den Beziehungen zu übersehen. Ein Mittel zur Bewältigung des Problems ist die Verwendung von Graphen. In diesem Beispiel habe ich ein Universum der Dow 30 Aktien ausgewählt, zusammen mit einer Probe von Rohstoffen und Anleihen und kompiliert eine Datenbank der täglichen Renditen über den Zeitraum von Januar 2012 bis Dez 2013. Wenn wir wollen, wie die Vermögenswerte korreliert sind , Eine Möglichkeit ist, einen Nachbarschaftsgraphen zu erstellen, der die Zusammenhänge zwischen Vermögenswerten abbildet, die auf einer bestimmten Ebene korreliert sind (0,5 von höher, in dieser Abbildung). Offensichtlich ist die Wahl der Korrelationsschwelle etwas willkürlich, und es ist leicht, die Ergebnisse dynamisch über einen weiten Bereich von verschiedenen Schwellenparametern auszuwerten, etwa im Bereich von 0,3 bis 0,75: Die Wahl des Parameters (und des Zeitrahmens) kann abhängig sein Zum Zweck der Analyse: Um ein Portfolio zu erstellen, können wir einen niedrigeren Schwellenwert auswählen, aber wenn es darum geht, Paare für mögliche statistische Arbitrage-Strategien zu identifizieren, wird man in der Regel nach viel höheren Korrelationsniveaus suchen. Um die ursprüngliche Grafik zurückzukehren, gibt es eine Kerngruppe von stark interkorrelierten Beständen, die wir mit der Mathematica-Funktion FindClique leicht erkennen können, um Graphknoten zu definieren, die mehrere Verbindungen haben: Wir könnten beispielsweise die relative Leistung der Mitglieder erforschen Von dieser Untergruppe im Laufe der Zeit und vielleicht untersuchen die Frage, ob relative Out-Performance oder Unter-Performance ist wahrscheinlich zu bestehen, oder, angesichts der Korrelation Eigenschaften dieser Gruppe, umkehren im Laufe der Zeit, um eine mittlere Reversion Wirkung zu geben. Eine offensichtliche Anwendung könnte sein, ein replizierendes Portfolio zu erstellen, das diese gleichgewichtete Untergruppe von Aktien umfasst und erforscht, wie gut es den Dow-Index über die Zeit verfolgt (hier verwende ich die DIA ETF als Proxy für den Index, um der Sake Der Bequemlichkeit): Die Korrelation zwischen dem Dow-Index (DIA ETF) und dem Portfolio bleibt während des Out-of-Sample-Zeitraums von 2014-2016 stark (ca. 0,91), obwohl die Performance des Portfolios deutlich schwächer ist als die des Index ETF nach dem frühen Teil des Jahres 2014: Eine weitere Anwendung könnte sein, robuste Portfolios von niedrigkorrelierten Vermögenswerten zu konstruieren. Hier verwenden wir z. B. den Graphen, um unabhängige Eckpunkte zu identifizieren, die nur sehr wenige korrelierte Beziehungen haben (mit dem Sternsymbol in der Grafik unten bezeichnet). Wir können dann ein gleich gewichtetes Portfolio erstellen, das die Vermögenswerte mit den niedrigsten Korrelationen umfasst und deren Performance gegenüber dem Dow-Index vergleicht. Das neue Portfolio unterschreitet den Index im Jahr 2014, aber mit geringerer Volatilität und durchschnittlichem Drawdown. Fazit Graph Theorie hat eindeutig viele potenzielle Anwendungen in der Finanzierung. Es ist besonders nützlich, um eine grafische Zusammenfassung von Datensätzen zu schaffen, die eine große Anzahl von komplexen Zusammenhängen beinhalten, die im Mittelpunkt der Portfolio-Theorie und der Indexreplikation steht. Eine weitere nützliche Anwendung wäre es, Korrelations - und Kointegrationsbeziehungen zwischen Paaren oder kleinen Portfolios von Aktien zu identifizieren und zu bewerten, wie sie sich im Laufe der Zeit im Kontext der statistischen Arbitrage entwickeln.
Comments
Post a Comment