Estratégias De Negociação Quantitativas Pdf

Guia do principiante para negociação quantitativa Neste artigo, vou apresentá-lo a alguns dos conceitos básicos que acompanham um sistema de negociação quantitativa de ponta a ponta. Esta postagem espero que sirva dois públicos. O primeiro será indivíduos tentando obter um emprego em um fundo como um comerciante quantitativo. O segundo será indivíduos que desejam tentar configurar seu próprio negócio de negociação algorítmica de varejo. Negociação quantitativa é uma área extremamente sofisticada de financiamento quantitativo. Pode levar uma quantidade significativa de tempo para obter o conhecimento necessário para passar uma entrevista ou construir suas próprias estratégias de negociação. Não só isso, mas exige uma vasta experiência em programação, pelo menos em uma linguagem como MATLAB, R ou Python. No entanto, à medida que a frequência comercial da estratégia aumenta, os aspectos tecnológicos tornam-se muito mais relevantes. Assim, familiarizar-se com CC será de suma importância. Um sistema de comércio quantitativo consiste em quatro componentes principais: Identificação de Estratégia - Encontrar uma estratégia, explorar uma vantagem e decidir sobre a frequência de negociação. Teste de Estratégia - Obtenção de dados, análise de desempenho da estratégia e remoção de viés. Sistema de Execução - Vinculação a uma corretora, automatizando a negociação e minimizando Custos de transação Gerenciamento de risco - Alocação de capital ótima, tamanho de aposta Critério e psicologia comercial Bem, comece por dar uma olhada em como identificar uma estratégia de negociação. Identificação da Estratégia Todos os processos de negociação quantitativos começam com um período inicial de pesquisa. Este processo de pesquisa abrange a busca de uma estratégia, considerando se a estratégia se enquadra em um portfólio de outras estratégias que você pode estar executando, obtendo todos os dados necessários para testar a estratégia e tentar otimizar a estratégia para maiores retornos e / ou menor risco. Você precisará avaliar seus próprios requisitos de capital se estiver executando a estratégia como um comerciante de varejo e como qualquer custo de transação afetará a estratégia. Contrariamente à crença popular, é realmente bastante direto encontrar estratégias lucrativas através de várias fontes públicas. Os acadêmicos publicam periódicamente resultados teóricos de negociação (embora na maior parte brutos dos custos de transação). Os blogs quantitativos de finanças discutirão as estratégias em detalhes. As revistas comerciais descreverão algumas das estratégias empregadas pelos fundos. Você pode questionar por que indivíduos e empresas estão interessados ​​em discutir suas estratégias rentáveis, especialmente quando sabem que outros que estão aglomerando o comércio podem impedir a estratégia de trabalhar no longo prazo. O motivo reside no fato de que eles geralmente não discutem os parâmetros exatos e os métodos de ajuste que realizaram. Essas otimizações são a chave para transformar uma estratégia relativamente medíocre em uma empresa altamente lucrativa. Na verdade, uma das melhores maneiras de criar suas próprias estratégias únicas é encontrar métodos semelhantes e, em seguida, realizar seu próprio procedimento de otimização. Aqui está uma pequena lista de lugares para começar a procurar idéias de estratégia: muitas das estratégias que você olhará cairão nas categorias de reversão média e tendência-seguimento. Uma estratégia de reversão média é aquela que tenta explorar o fato de que existe uma média de longo prazo em uma série de preços (como o spread entre dois ativos correlacionados) e que os desvios de curto prazo dessa média eventualmente reverterão. Uma estratégia de impulso tenta explorar a psicologia dos investidores e a grande estrutura do fundo, engajando uma tendência de mercado, que pode aumentar o impulso em uma direção e seguir a tendência até reverter. Outro aspecto extremamente importante da negociação quantitativa é a freqüência da estratégia de negociação. A negociação de baixa freqüência (LFT) geralmente se refere a qualquer estratégia que detenha ativos por mais que um dia de negociação. Correspondentemente, a negociação de alta freqüência (HFT) geralmente se refere a uma estratégia que mantém ativos intraday. Ultra-high frequency trading (UHFT) refere-se a estratégias que possuem ativos na ordem de segundos e milissegundos. Como um profissional de varejo HFT e UHFT são certamente possíveis, mas apenas com conhecimento detalhado da pilha de tecnologia comercial e da dinâmica do livro de pedidos. Não discutiremos esses aspectos em grande medida neste artigo introdutório. Uma vez que uma estratégia, ou conjunto de estratégias, foi identificado, agora precisa ser testado quanto à rentabilidade em dados históricos. Esse é o domínio do backtesting. Estratégia Backtesting O objetivo do backtesting é fornecer evidências de que a estratégia identificada através do processo acima é rentável quando aplicado a dados históricos e fora da amostra. Isso define a expectativa de como a estratégia será realizada no mundo real. No entanto, o backtesting NÃO é uma garantia de sucesso, por vários motivos. É talvez a área mais sutil de negociação quantitativa, uma vez que implica numerosos preconceitos, que devem ser cuidadosamente considerados e eliminados o máximo possível. Discutiremos os tipos comuns de viés, incluindo viés avançado. Viés de sobrevivência e viés de otimização (também conhecido como viés de snooping de dados). Outras áreas de importância no backtesting incluem disponibilidade e limpeza de dados históricos, com base em custos de transação realistas e decisão sobre uma plataforma robusta de backtesting. Bem, discuta os custos de transação ainda mais na seção Sistemas de Execução abaixo. Uma vez que uma estratégia foi identificada, é necessário obter os dados históricos através dos quais realizar testes e, talvez, refinamento. Há um número significativo de fornecedores de dados em todas as classes de ativos. Os seus custos geralmente variam com a qualidade, a profundidade e a pontualidade dos dados. O ponto de partida tradicional para os comerciantes quantos iniciais (pelo menos no nível de varejo) é usar o conjunto de dados gratuitos da Yahoo Finance. Não me preocuparia muito com os prestadores, e gostaria de me concentrar nas questões gerais ao lidar com conjuntos de dados históricos. As principais preocupações com os dados históricos incluem limpeza de precisão, viés de sobrevivência e ajuste para ações corporativas, como dividendos e divisões de estoque: a precisão pertence à qualidade geral dos dados - quer contenha algum erro. Os erros às vezes podem ser fáceis de identificar, como, por exemplo, com um filtro de espiga. Que irá escolher picos incorretos em dados da série temporal e correto para eles. Em outras ocasiões, eles podem ser muito difíceis de detectar. Muitas vezes é necessário ter dois ou mais provedores e, em seguida, verificar todos os seus dados uns contra os outros. O viés de sobrevivência é muitas vezes uma característica de conjuntos de dados gratuitos ou baratos. Um conjunto de dados com viés de sobrevivência significa que ele não contém ativos que não estão mais negociando. No caso das ações, isso significa que os estoques são cancelados. Este viés significa que qualquer estratégia de negociação de estoque testada em tal conjunto de dados provavelmente funcionará melhor do que no mundo real, já que os vencedores históricos já foram pré-selecionados. As ações corporativas incluem atividades logísticas realizadas pela empresa que geralmente causam uma mudança de função gradual no preço bruto, que não deve ser incluído no cálculo dos retornos do preço. Ajustes para dividendos e divisões de estoque são os culpados comuns. Um processo conhecido como ajuste de volta é necessário ser realizado em cada uma dessas ações. É preciso ter muito cuidado para não confundir uma divisão de estoque com um verdadeiro ajuste de retorno. Muitos comerciantes foram apanhados por uma ação corporativa. Para realizar um procedimento de backtest, é necessário usar uma plataforma de software. Você tem a escolha entre o software de backtest dedicado, como o Tradestation, uma plataforma numérica como o Excel ou MATLAB ou uma implementação personalizada completa em uma linguagem de programação, como Python ou C. Não demorarei muito em Tradestation (ou similar), Excel ou MATLAB, como acredito na criação de uma pilha de tecnologia interna completa (por razões descritas abaixo). Um dos benefícios de o fazer é que o software de backtest e o sistema de execução podem ser bem integrados, mesmo com estratégias estatísticas extremamente avançadas. Para as estratégias HFT em particular, é essencial usar uma implementação personalizada. Quando testar um sistema, é preciso quantificar o desempenho. As métricas padrão da indústria para estratégias quantitativas são a redução máxima e a Ratio Sharpe. O drawdown máximo caracteriza a maior queda de ponto-a-ponto na curva de equidade da conta em um determinado período de tempo (geralmente anual). Isso geralmente é citado como uma porcentagem. As estratégias LFT tendem a ter maiores disparidades do que as estratégias HFT, devido a uma série de fatores estatísticos. Um backtest histórico mostrará a retirada máxima do passado, que é um bom guia para o futuro desempenho de redução da estratégia. A segunda medida é a Razão de Sharpe, que é definida heuristicamente como a média dos retornos em excesso divididos pelo desvio padrão desses retornos em excesso. Aqui, os retornos em excesso referem-se ao retorno da estratégia acima de um benchmark pré-determinado. Como o SP500 ou um Bill do Tesouro de 3 meses. Observe que o retorno anualizado não é uma medida usualmente utilizada, pois não leva em consideração a volatilidade da estratégia (ao contrário do Razão Sharpe). Uma vez que uma estratégia foi testada novamente e é considerada livre de preconceitos (na medida em que é possível), com um bom Sharpe e reduções minimizadas, é hora de criar um sistema de execução. Sistemas de execução Um sistema de execução é o meio pelo qual a lista de negócios gerados pela estratégia é enviada e executada pelo corretor. Apesar do fato de que a geração de comércio pode ser semi - ou mesmo totalmente automatizada, o mecanismo de execução pode ser manual, semi-manual (ou seja, um clique) ou totalmente automatizado. Para estratégias LFT, as técnicas manuais e semi-manuais são comuns. Para as estratégias HFT, é necessário criar um mecanismo de execução totalmente automatizado, que muitas vezes será fortemente acoplado ao gerador comercial (devido à interdependência da estratégia e da tecnologia). As principais considerações ao criar um sistema de execução são a interface para a corretora. Minimização dos custos de transação (incluindo comissão, deslizamento e propagação) e divergência de desempenho do sistema ao vivo com o desempenho testado. Há muitas maneiras de se conectar a uma corretora. Eles variam de chamar seu corretor no telefone diretamente para uma interface de programação de aplicativos (API) de alto desempenho totalmente automatizada. O ideal é que você automatize a execução de seus negócios o máximo possível. Isso o liberta para se concentrar em novas pesquisas, além de permitir que você execute múltiplas estratégias ou mesmo estratégias de maior freqüência (de fato, HFT é essencialmente impossível sem execução automática). O software de backtesting comum descrito acima, como MATLAB, Excel e Tradestation são bons para estratégias mais baixas e mais simples. No entanto, será necessário construir um sistema de execução interno escrito em uma linguagem de alto desempenho, como C, para fazer qualquer HFT real. Como uma anedota, no fundo em que costumava trabalhar, tivemos um loop de negociação de 10 minutos em que íamos baixar novos dados de mercado a cada 10 minutos e, em seguida, executamos trades com base nessas informações no mesmo período. Isso estava usando um script otimizado em Python. Para qualquer coisa que se aproxime de dados de minuto ou de segunda frequência, acredito que o CC seria mais ideal. Em um fundo maior, muitas vezes não é o domínio do comerciante quant para otimizar a execução. No entanto, em lojas menores ou empresas HFT, os comerciantes são os executores e, portanto, um conjunto de habilidades muito mais amplo é muitas vezes desejável. Tenha em mente se você deseja ser empregado por um fundo. Suas habilidades de programação serão tão importantes, se não mais, do que suas estatísticas e talentos de econometria. Outra questão importante que se enquadra no banner de execução é a redução de custos de transação. Em geral, existem três componentes para os custos de transação: as comissões (ou taxas), que são as taxas cobradas pela corretora, a troca e o escrow SEC (ou órgão regulador governamental similar), que é a diferença entre o que você pretende que seu pedido seja Preenchido em relação ao que foi preenchido na propagação, que é a diferença entre o preço bidask da segurança negociada. Observe que o spread NÃO é constante e depende da liquidez atual (ou seja, disponibilidade de ordens de compra) no mercado. Os custos de transação podem fazer a diferença entre uma estratégia extremamente rentável com uma boa relação Sharpe e uma estratégia extremamente rentável com uma relação Sharpe terrível. Pode ser um desafio prever corretamente os custos de transação de um backtest. Dependendo da frequência da estratégia, você precisará de acesso a dados de troca histórica, que incluirão dados de marca para os preços da bidask. Equipes inteiras de quants dedicam-se a otimizar a execução nos fundos maiores, por estas razões. Considere o cenário em que um fundo precisa descarregar uma quantidade substancial de negócios (dos quais os motivos para isso são muitos e variados). Ao despejar tantas ações no mercado, elas comprimem rapidamente o preço e não podem obter uma execução ótima. Daí existem algoritmos que gotejam pedidos de alimentação no mercado, embora o fundo corra o risco de derrapagem. Além disso, outras estratégias adotam essas necessidades e podem explorar as ineficiências. Este é o domínio da arbitragem da estrutura do fundo. A principal questão importante para os sistemas de execução diz respeito à divergência de desempenho da estratégia com o desempenho testado. Isso pode acontecer por vários motivos. Já discutimos o viés avançado e o viés de otimização em profundidade, quando consideramos backtests. No entanto, algumas estratégias não facilitam a verificação desses preconceitos antes da implantação. Isso ocorre em HFT mais predominantemente. Pode haver erros no sistema de execução, bem como a própria estratégia de negociação que não aparecem em um backtest, mas DO show up live trading. O mercado pode estar sujeito a uma mudança de regime posterior à implantação de sua estratégia. Novos ambientes regulatórios, mudança do sentimento dos investidores e fenômenos macroeconômicos podem levar a divergências quanto ao comportamento do mercado e, assim, a rentabilidade da sua estratégia. Gerenciamento de Riscos A peça final para o enigma de negociação quantitativa é o processo de gerenciamento de riscos. O risco inclui todos os vies anteriores que discutimos. Inclui o risco de tecnologia, como servidores co-localizados no intercâmbio de repente, desenvolvendo um mau funcionamento do disco rígido. Inclui o risco de corretagem, como o corretor se quebrando (não tão louco quanto parece, dado o susto recente com o MF Global). Em suma, abrange quase tudo o que poderia interferir com a implementação da negociação, da qual existem muitas fontes. Livros inteiros são dedicados ao gerenciamento de riscos para estratégias quantitativas, por isso não tentarei elucidar todas as possíveis fontes de risco aqui. O gerenciamento de riscos também abrange o que é conhecido como alocação de capital ótima. Que é um ramo da teoria do portfólio. Este é o meio pelo qual o capital é alocado para um conjunto de estratégias diferentes e para os negócios dentro dessas estratégias. É uma área complexa e depende de algumas matemáticas não triviais. O padrão da indústria pelo qual a alocação ótima de capital e a alavancagem das estratégias estão relacionadas é chamado de critério Kelly. Uma vez que este é um artigo introdutório, não vou ocupar o seu cálculo. O critério de Kelly faz alguns pressupostos sobre a natureza estatística dos retornos, que geralmente não são válidos nos mercados financeiros, então os comerciantes são geralmente conservadores quando se trata da implementação. Outro componente chave do gerenciamento de riscos é lidar com o próprio perfil psicológico. Existem muitos viés cognitivos que podem se aproximar da negociação. Embora isso seja certamente menos problemático com o comércio algorítmico se a estratégia for deixada sozinha. Um viés comum é o da aversão à perda em que uma posição perdedora não será encerrada devido à dor de ter que perceber uma perda. Da mesma forma, os lucros podem ser adotados muito cedo porque o medo de perder um lucro já obtido pode ser muito grande. Outro viés comum é conhecido como viés de recência. Isso se manifesta quando os comerciantes colocam muita ênfase nos eventos recentes e não no longo prazo. Então, é claro, há o par clássico de viés emocionais - medo e ganância. Estes podem, muitas vezes, levar a alavancagem insuficiente ou excessiva, o que pode causar explosão (ou seja, o patrimônio da conta em zero ou pior) ou lucros reduzidos. Como pode ser visto, o comércio quantitativo é uma área extremamente complexa, embora muito interessante, de financiamento quantitativo. Eu literalmente arranhei a superfície do tópico neste artigo e já está ficando bastante longo. Livros e documentos inteiros foram escritos sobre questões que eu apenas dediquei uma ou duas sentenças. Por esse motivo, antes de se candidatar a empregos quantitativos em bolsa de fundos, é necessário realizar uma quantidade significativa de estudo de base. No mínimo, você precisará de um extenso conhecimento em estatística e econometria, com muita experiência em implementação, através de uma linguagem de programação como MATLAB, Python ou R. Para estratégias mais sofisticadas no final da freqüência mais alta, seu conjunto de habilidades é provável Para incluir modificação do kernel do Linux, CC, programação de montagem e otimização de latência de rede. Se você está interessado em tentar criar suas próprias estratégias de negociação algorítmicas, minha primeira sugestão seria melhorar a programação. A minha preferência é criar tanto quanto possível o captador de dados, o backtester de estratégia e o sistema de execução. Se o seu próprio capital estiver na linha, você não dormiria melhor à noite, sabendo que você testou completamente o seu sistema e está ciente de suas armadilhas e questões específicas. Terceirizando isso a um fornecedor, enquanto potencialmente economizando tempo no curto prazo, poderia ser extremamente Caro a longo prazo. Lista de Leitura de Finanças Quantitativas O financiamento quantitativo é um assunto técnico e abrangente. Abrange mercados financeiros, análise de séries temporais, gerenciamento de riscos, engenharia financeira, estatística e aprendizagem de máquinas. Os seguintes livros começam com os princípios básicos absolutos para cada área de assunto e aumentam gradualmente o nível de dificuldade. Você não precisa ler todos eles, mas você certamente deve estudar alguns em profundidade. Quant Finance Tópicos Lista Navegação As listas cobrem financiamento quantitativo geral, guias de carreiras, preparação de entrevistas, negociação quantitativa, matemática, análise estatística e programação em C, Python e R. Lista Navegação Livros clássicos em mercados quantitativos Uma área que rotineiramente alcança quentes prospectivos em A entrevista é a falta de conhecimento básico dos mercados financeiros. É tudo bem e bom ser o melhor matemático e programador do mundo, mas se você não pode dizer o seu estoque de seu vínculo ou seu banco do seu fundo, você achará muito mais difícil passar esses exames de RH. Esses livros também fazem uma leitura melhor da hora de dormir do que os textos de pós-graduação em cálculos estocásticos. Livros para ajudá-lo a se preparar para entrevistas de trabalho quantas Além de precisar estar ciente dos mercados de capitais e como funcionam, a matemática de preços de derivativos e métodos de negociação quantitativa, podendo programar em C e possivelmente em Python, você também precisa aceitar isso Entrevista de quant. Os seguintes livros são recursos fantásticos para prepará-lo. Certifique-se de estudar não apenas o conteúdo dos queimadores, mas também tentar desconstruir o modo como eles estão juntos e o que você realmente está sendo perguntado. Livros-chave para ajudá-lo a aprender o comércio quantitativo, sistemático e algorítmico. Os caminhos de carreira dos quants mudaram recentemente para negociação quantitativa direta e longe do preço derivado. Embora a teoria de Black-Scholes ainda seja imensamente importante para fins de hedge e preços de opções exóticas, agora é necessário estar intimamente familiarizado com o comércio sistemático e com as empresas que o empregam. É difícil obter informações de fundos sobre suas estratégias de negociação (não há surpresa), mas esses livros fornecem uma visão detalhada em como a caixa preta opera. Textos-chave para ajudá-lo a aprender a previsão e previsão de séries temporais multivariadas. A análise de séries temporais ea econometria financeira são componentes-chave da negociação algorítmica moderna - permitindo previsão e previsão de preços dos ativos. As técnicas de análise de séries temporais são amplamente utilizadas em financiamento quantitativo, incluindo gerenciamento de ativos e hedge funds, para fins de previsão. Assim, se você quer que algum dia se torne um comerciante quantitativo habilidoso, é necessário ter um amplo conhecimento da análise estatística das séries temporais e econometria financeira. Os seguintes livros irão levá-lo a partir de séries temporais introdutórias e econometria até a teoria das séries temporais multivariadas avançadas em um nível matemático razoavelmente abrangente: Preços de derivativos através de modelos de cálculo estocástico aplicados O preço de derivativos ainda é uma parte fundamental do setor financeiro, particularmente para renda fixa e Classes de ativos de crédito e depende da teoria desenvolvida a partir do cálculo estocástico. Embora você não precise ler todos os livros abaixo, todos são bons. Cada um fornece uma perspectiva ou ênfase diferente na teoria de preços das opções. Se você tem o seu coração definido para se tornar um índice de preços de derivativos, talvez trabalhando em ações, crédito, renda fixa ou câmbio, então você deve tentar estudar tantos livros da seguinte lista quanto possível: Modelagem de derivativos de renda fixa através de técnicas matemáticas avançadas O mercado de derivativos de renda fixa é o maior mercado global de derivativos, impulsionado principalmente pela demanda de investidores por pontos de vista específicos sobre taxas de juros ou requisitos de fluxo de caixa. A modelagem dos derivados da taxa de juros requer matemática complexa e requer uma sólida compreensão das técnicas de cálculo estocástico. Os textos a seguir apresentam os principais modelos: textos clássicos e modernos sobre como se tornar um programador C especializado C é uma das áreas mais difíceis para iniciantes. Uma vez que é uma linguagem de programação tão grande, e de fato pode ser um primeiro gosto da programação, pode ser extremamente assustador. Os primeiros seis livros da lista, se bem entendidos, o tornariam um programador C competente. Ao ler o restante, você (eventualmente) se tornará um especialista: Iniciante C. Esses livros são projetados para aprender os conceitos básicos e como utilizar a linguagem efetivamente: Intermediário C. Esses livros irão cobrir quase tudo que um quantum praticante provavelmente precisará aprender sobre C em si: AdvancedReference C Para aqueles que desejam se tornar o melhor em seu grupo de pares e trabalhar em negociação de alta freqüência, você precisará saber muito mais sobre o idioma, incluindo a programação de modelos, os ins-and-outs do STL E programação Linux: textos clássicos e modernos sobre como se tornar um especialista em Python programador Nos últimos anos, o Python tornou-se um elemento básico no mundo das finanças quantitativas. Pessoalmente, conheço muitos fundos que o empregam como infra-estrutura computacional de ponta a ponta para a realização de negociação sistemática. É uma linguagem fácil de aprender, mas é mais difícil de dominar, devido às muitas bibliotecas que um quant vai usar. Independentemente de qual tipo de quantos você deseja tornar-se, eu sugeriria aprender o Python, pois só vai se tornar mais amplamente adotado com o passar do tempo: Python iniciante. Esses livros são projetados para aprender os conceitos básicos e como utilizar o Python. Muitas bibliotecas científicas - efetivamente: IntermediateAdvanced Python Esses livros irão cobrir quase tudo que um quantum praticante provavelmente precisará aprender sobre a programação em Python e usar suas bibliotecas - particularmente no que diz respeito à ciência dos dados, aprendizado de máquinas e financiamento quantitativo: livros de texto sobre aprendizagem do R O ambiente de programação estatística R é um ambiente avançado de programação estatística amplamente utilizado em bancos quantitativos sistemáticos e bancos de investimento. Uma ótima maneira de aprender R é emparelhar os seguintes livros com um curso on-line em estatísticas (que muitas vezes usará R de qualquer maneira). Isso realmente ajudará você a lidar com os métodos de negociação quantitativa. Além disso, vários livros foram escritos em vários tópicos estatísticos, muitas vezes usando R como a linguagem de implementação: Beginner R Estes livros são projetados para aprender os conceitos básicos de estatísticas com R, relacionados às finanças quantitativas: IntermediateAdvanced R Os seguintes livros baseiam-se na estatística Teoria aprendida nos textos acima mencionados nos campos da análise de séries temporais e da aprendizagem mecânica: clique abaixo para aprender mais sobre. A informação contida neste site é a opinião dos autores individuais com base em sua observação pessoal, pesquisa e anos de experiência. A editora e seus autores não são conselheiros de investimento registrados, advogados, CPAs ou outros profissionais de serviços financeiros e não prestam assessoria jurídica, fiscal, contábil, de investimento ou outros serviços profissionais. A informação oferecida por este site é apenas de educação geral. Como cada situação factual de indivíduos é diferente, o leitor deve procurar seu próprio conselheiro pessoal. Nem o autor nem o editor assumem qualquer responsabilidade ou responsabilidade por quaisquer erros ou omissões e não têm responsabilidade nem responsabilidade para com qualquer pessoa ou entidade em relação aos danos causados ​​ou alegadamente causados ​​direta ou indiretamente pelas informações contidas neste site. Use por sua conta e risco. Além disso, este site pode receber compensações financeiras das empresas mencionadas através de publicidade, programas afiliados ou de outra forma. Taxas e ofertas de anunciantes exibidos neste site mudam com freqüência, às vezes sem aviso prévio. Enquanto nos esforçamos para manter informações precisas e oportunas, os detalhes da oferta podem estar desactualizados. Os visitantes devem assim verificar os termos de tais ofertas antes de participar delas. O autor e a editora estão isentos de responsabilidade pela atualização de informações e declinam a responsabilidade por conteúdo, produtos e serviços de terceiros, inclusive quando acessados ​​através de hiperlinks ou propagandas neste site. Análise empírica de estratégias de negociação quantitativas. Análise empírica de estratégias de negociação quantitativas. Advisor: Andrew W. Lo. Departamento: Sloan School of Management. Editora: Massachusetts Institute of Technology Data de emissão: 2008 Além do aumento do poder de computação, crescente disponibilidade de vários fluxos de dados, introdução das trocas eletrônicas, redução dos custos de negociação e aquecimento da concorrência no setor de investimentos financeiros, estratégias de negociação quantitativas ou regras quantitativas de negociação. Evoluíram rapidamente em algumas décadas. Eles desafiam a Hipótese do Mercado Eficiente, tentando prever futuros movimentos de preços de ativos de risco a partir da informação histórica do mercado de maneiras algorítmicas ou de maneira estatística. Eles tentam encontrar alguns padrões ou tendências dos dados históricos e usá-los para vencer o benchmark do mercado. Nesta pesquisa, eu introduzo várias estratégias de negociação quantitativas e investiguem seus desempenhos de forma empírica, exceto pela execução de back-tests, supondo que o índice de ações da SampP 500 seja um ativo de risco para o comércio. As estratégias utilizam os dados históricos do próprio índice de ações, o movimento do volume de negociação, o movimento da taxa livre de risco e o movimento da volatilidade implícita para gerar sinais de compra ou venda. Então, eu tento articular e decompor a fonte de sucesso de algumas estratégias nos back-tests em vários fatores, como padrões de tendência ou relações entre variáveis ​​de informações de mercado de maneira intuitiva. Algumas estratégias apresentaram desempenho superior ao benchmark nos back-tests, no entanto, ainda é um problema, como podemos distinguir essas estratégias vencedoras antecipadamente dos perdedores no início do nosso horizonte de investimento. A discreção humana, como a visão macro sobre a tendência do mercado futuro, ainda é importante para que o comércio quantitativo seja bem sucedido no longo prazo. Tese (M. B.A.) - Instituto de Tecnologia de Massachusetts, Sloan School of Management, 2008. Inclui referências bibliográficas (p. 277-280). Palavras-chave: Sloan School of Management. Minha conta