Estratégia de negociação de pares neutros do mercado
Por favor, verifique se você é um humano.
Por favor, clique em "Eu não sou um robô" para continuar.
O acesso a esta página foi negado porque acreditamos que você esteja usando ferramentas de automação para navegar no site.
Isso pode acontecer como resultado do seguinte:
Javascript está desabilitado ou bloqueado por uma extensão (bloqueadores de anúncios, por exemplo) Seu navegador não suporta cookies.
Certifique-se de que o Javascript e os cookies estejam ativados no seu navegador e que você não esteja impedindo o carregamento deles.
ID de referência: # 3c8be4a0-1617-11e8-a326-d7006928b338.
Guia de Negociação de Pares - Parte 1.
Autores da seção superior.
Guia de Negociação de Pares - Parte 1.
Jean Folger.
A origem do comércio de pares é geralmente creditada a um grupo de cientistas da computação, matemáticos e físicos reunidos pela Wall Street's Morgan Stanley & amp; Co. no início a meados da década de 1980. A equipe, que incluiu os cientistas de computação Gerry Bamberger e David Shaw, e o comerciante de quantum Nunzio Tartaglia, foi reunida para estudar oportunidades de arbitragem nos mercados de ações, empregando modelagem estatística avançada e desenvolvendo um programa de negociação automatizado para explorar desequilíbrios de mercado.
O centro de suas pesquisas foi o desenvolvimento de métodos quantitativos para identificar pares de títulos cujos preços exibiram movimentos de preços históricos semelhantes ou que eram altamente correlacionados. Enquanto a caixa preta resultante da equipe foi negociada com sucesso em 1987 & ndash; o grupo obteve um lucro de US $ 50 milhões para o Morgan Stanley & ndash; Nos dois anos seguintes de negociações, os resultados foram baixos o suficiente para que, em 1989, o grupo se desfizesse.
Ao longo dos anos, a negociação de pares ganhou pouca atenção entre os investidores individuais, institucionais e de hedge funds como uma estratégia de investimento neutra em relação ao mercado. Isto é em grande parte devido ao advento da Internet e os avanços na tecnologia de negociação. Esses dois fatores ajudaram a nivelar o campo de atuação dos investidores individuais, tornando os dados de mercado em tempo real e ferramentas poderosas disponíveis e acessíveis a mais do que apenas os traders institucionais. É verdade que os grandes fundos de hedge e os traders institucionais ainda têm vantagens (por exemplo, sistemas proprietários robustos e economias de escala). No entanto, os participantes do mercado de hoje & ndash; se os comerciantes de varejo ou uma equipe de matemáticos altamente qualificados em um quant shop & ndash; ter acesso a dados do mercado financeiro em tempo real, plataformas de negociação de acesso direto, modelagem avançada de computadores e a capacidade de automatizar estratégias de negociação complexas.
Usando a tecnologia - bem como baseando-se em fundamentos, probabilidades, estatísticas e análises técnicas - os pares de comerciantes tentam identificar as relações entre os dois instrumentos, determinar a direção do relacionamento e executar negociações com base nos dados apresentados. Aqui, introduzimos pares de negociação, investimentos neutros em termos de mercado, arbitragem e um exemplo de troca de pares.
Investimento Neutro no Mercado.
O investimento de mercado neutro não é uma estratégia única. Várias estratégias neutras de mercado incluem:
Equidade de mercado neutro.
Arbitragem de títulos lastreados em hipotecas.
Arbitragem de valor relativo.
Arbitragem estatística (& ldquo; StatArb & rdquo;).
As várias estratégias neutras de mercado investem em diferentes tipos de ativos; por exemplo, a arbitragem conversível assume posições compradas em títulos conversíveis e posições vendidas em ações ordinárias. Como outro exemplo, a arbitragem de fusões toma posições longas e curtas nas ações de empresas envolvidas em fusões. A neutralidade de mercado pode ser alcançada tanto no nível de instrumentos individuais quanto no nível da carteira. Embora as estratégias sejam muito diferentes, tanto em termos de ativos quanto de metodologia, todas elas se enquadram no guarda-chuva de mercado neutro. Isso ocorre porque cada um deriva da relação entre um componente longo e um curto - & ndash; quer ao nível dos instrumentos individuais, quer ao nível da carteira.
Como o mercado neutro se relaciona com a negociação de pares.
Os operadores de pares limitam o risco direcional indo longo em uma ação (ou outro instrumento) em um determinado setor ou indústria, e emparelhando essa negociação com uma posição vendida de valor equivalente ao dólar (ou dólar neutro) em um estoque correlacionado (por exemplo $ 10.000 no estoque A e US $ 10.000 em estoque B), normalmente dentro do mesmo setor ou setor. Por não importar em qual direção o mercado se mova, o risco direcional é mitigado. Os lucros dependem da diferença na variação de preço entre os dois instrumentos, independentemente da direção do mercado, e são obtidos através de um ganho na posição líquida.
Você precisa estar logado para postar comentários ou avaliar este artigo.
Guia para negociação de pares.
A negociação de pares é uma estratégia de negociação neutra de mercado que corresponde a uma posição comprada com uma posição vendida em um par de instrumentos altamente correlacionados, como duas ações, fundos negociados em bolsa (ETFs), moedas, commodities ou opções. Os operadores de pares aguardam a fraqueza na correlação e, em seguida, perdem tempo com o sub-performer, ao mesmo tempo que vendem em curto, o super-performer, fechando as posições à medida que o relacionamento retorna às normas estatísticas.
O lucro da estratégia é derivado da diferença na mudança de preço entre os dois instrumentos, e não da direção que cada um move. Portanto, um lucro pode ser realizado se a posição longa subir mais do que a curta, ou a posição curta cair mais do que a longa (em uma situação perfeita, a posição longa sobe e a posição curta cai, mas isso não é um requisito para fazendo um lucro). É possível para os comerciantes de pares lucrarem durante uma variedade de condições de mercado, incluindo períodos em que o mercado sobe, desce ou de lado - e durante períodos de baixa ou alta volatilidade. (Veja também: 4 fatores que moldam as tendências do mercado.)
Pares de Negociação: Investimento de Mercado Neutro.
O conceito de investimento neutro de mercado é relevante porque a negociação de pares é uma estratégia neutra de mercado. Em seu livro de 2000, intitulado “Investimentos Neutros no Mercado: Estratégias Long / Short Hedge Fund”, Joseph G. Nicholas, fundador e presidente do HFR Group, escreveu: “Investimento neutro de mercado refere-se a um grupo de estratégias de investimento que buscam neutralizar certos riscos de mercado. tomando posições longas e curtas de compensação em instrumentos com relações reais ou teóricas. Essas abordagens buscam limitar a exposição a mudanças sistêmicas no preço causadas por mudanças nas variáveis macroeconômicas ou no sentimento do mercado. ”(Veja também: Top 5 Livros para Aprender sobre o Setor de Fundos de Hedge).
As várias estratégias neutras de mercado investem em diferentes tipos de ativos; por exemplo, a arbitragem conversível assume posições compradas em títulos conversíveis e posições vendidas em ações ordinárias. Como outro exemplo, a arbitragem de fusões toma posições longas e curtas nas ações de empresas envolvidas em fusões. A neutralidade de mercado pode ser alcançada tanto no nível de instrumentos individuais quanto no nível da carteira. Embora as estratégias sejam muito diferentes - tanto em termos de ativos quanto de metodologia -, elas estão todas sob o guarda-chuva neutro do mercado. Isso ocorre porque cada um obtém retornos da relação entre um componente longo e um curto - no nível de instrumentos individuais ou no nível do portfólio. (Veja também: Introdução aos tipos de pedidos: negociações longas e curtas.)
Como o mercado neutro se relaciona com a negociação de pares.
Como uma posição é tomada em conjunto com outra posição para reduzir a exposição direcional, as estratégias neutras de mercado geralmente oferecem um hedge contra o risco de mercado. Desta forma, a exposição ao mercado é trocada pela exposição à relação entre as posições longa e curta. Isso não implica que o investimento neutro do mercado seja neutro ao risco ou até mesmo livre de risco (não é nenhum dos dois); no entanto, os riscos são diferentes daqueles associados ao investimento direcional de longo prazo. Uma abordagem neutra de mercado fornece uma fonte alternativa e não correlacionada de retornos quando usada como parte de (mas não como substituta) uma estratégia de investimento global. (Para mais, veja: Cobertura Básica: O que é uma cobertura?)
Pares de Negociação usando Técnicas Orientadas a Dados: Estratégias de Negociação Simples Parte 3.
A negociação de pares é um bom exemplo de uma estratégia baseada em análise matemática. Demonstraremos como aproveitar os dados para criar e automatizar uma estratégia de negociação de pares.
Princípio Subjacente.
Digamos que você tenha um par de títulos X e Y que tenham algum elo econômico subjacente, por exemplo, duas empresas que fabricam o mesmo produto, como a Pepsi e a Coca-Cola. Você espera que a relação ou diferença nos preços (também chamada de spread) desses dois permaneça constante com o tempo. No entanto, de tempos em tempos, pode haver uma divergência no spread entre esses dois pares causada por mudanças temporárias de oferta / demanda, grandes ordens de compra / venda de um título, reação a notícias importantes sobre uma das empresas, etc. , um estoque sobe enquanto o outro se move para baixo um em relação ao outro. Se você espera que essa divergência volte ao normal com o tempo, você pode fazer uma troca de pares.
Quando há uma divergência temporária, os pares negociariam a venda do estoque de melhor desempenho (o estoque que subia) e comprariam o estoque de baixo desempenho (o estoque que descia). Você está apostando que o spread entre os dois estoques acabaria por convergir tanto pelo estoque de alto desempenho que recuou quanto pelo estoque de baixo desempenho, ou ambos - seu negócio vai ganhar dinheiro em todos esses cenários. Se ambas as ações subirem ou descerem juntas sem alterar o spread entre elas, você não ganha nem perde dinheiro.
Assim, a negociação de pares é uma estratégia de negociação neutra de mercado que permite aos comerciantes lucrar com praticamente qualquer condição de mercado: tendência de alta, tendência de baixa ou movimento lateral.
Explicando o Conceito: Começamos gerando dois títulos falsos.
Vamos gerar um falso X de segurança e modelar os retornos diários, a partir de uma distribuição normal. Em seguida, realizamos uma soma cumulativa para obter o valor de X em cada dia.
Agora nós geramos Y, que tem um link econômico profundo para X, então o preço de Y deve variar de maneira muito semelhante a X. Modelamos isso pegando X, deslocando-o e adicionando algum ruído aleatório extraído de uma distribuição normal.
Cointegração
Cointegração, muito semelhante à correlação, significa que a relação entre duas séries irá variar em torno de uma média. As duas séries, Y e X seguem o seguinte:
onde ⍺ é a relação constante e e é ruído branco. Leia mais aqui.
Para pares negociando para trabalhar entre duas séries temporais, o valor esperado da relação ao longo do tempo deve convergir para a média, ou seja, eles devem ser cointegrados.
As séries temporais que construímos acima são cointegradas. Vamos traçar a relação entre os dois agora para que possamos ver como isso se parece.
Testes para cointegração.
Existe um teste conveniente que mora em statsmodels. tsa. stattools. Devemos ver um valor p muito baixo, pois criamos artificialmente duas séries que são tão cointegradas quanto fisicamente possíveis.
Nota: Correlação vs. Cointegração.
Correlação e cointegração, embora teoricamente semelhantes, não são as mesmas. Vejamos exemplos de séries correlacionadas, mas não cointegradas, e vice-versa. Primeiro, vamos verificar a correlação das séries que acabamos de gerar.
Isso é muito alto, como seria de esperar. Mas como duas séries correlacionadas, mas não cointegradas, se parecem? Um exemplo simples são duas séries que apenas divergem.
Valor de p do teste de cointegração: 0,258.
Um exemplo simples de cointegração sem correlação é uma série normalmente distribuída e uma onda quadrada.
Valor de p do teste de cointegração: 0.0.
A correlação é incrivelmente baixa, mas o valor p mostra uma perfeita cointegração!
Como fazer um comércio de pares?
Como duas séries temporais cointegradas (como X e Y acima) se movem na direção e afastam-se uma da outra, haverá momentos em que a propagação será alta e quando a propagação estiver baixa. Fazemos um comércio de pares comprando um título e vendendo outro. Dessa forma, se ambos os valores mobiliários forem juntos ou juntos, não faremos nem perderemos dinheiro - somos neutros em relação ao mercado.
Voltando para X e Y acima que seguem Y = ⍺ X + e, tal que a razão (Y / X) se move em torno do valor médio ⍺, ganhamos dinheiro na proporção dos dois revertendo para a média. Para fazer isso, observaremos quando X e Y estão distantes, ou seja, é muito alto ou muito baixo:
Indo Longo na Relação Isto é quando a relação ⍺ é menor do que o usual e esperamos que aumente. No exemplo acima, apostamos nisso comprando Y e vendendo X. Reduzindo a taxa É quando a proporção ⍺ é grande e esperamos que ela se torne menor. No exemplo acima, apostamos nisso vendendo Y e comprando X.
Tenha em mente que sempre temos uma "posição protegida": uma posição vendida ganha dinheiro se a segurança vendida perde valor e uma posição comprada ganhará dinheiro se uma segurança ganhar valor, por isso estamos imunes ao movimento geral do mercado. Nós só ganhamos ou perdemos dinheiro se os títulos X e Y se movem em relação um ao outro.
Usando dados para encontrar valores mobiliários que se comportam assim.
A melhor maneira de fazer isso é começar com títulos que você suspeita serem cointegrados e fazer um teste estatístico. Se você acabou de executar testes estatísticos sobre todos os pares, será vítima de viés de várias comparações.
O viés de múltiplas comparações é simplesmente o fato de que há uma chance maior de gerar incorretamente um valor p significativo quando muitos testes são executados, porque estamos executando muitos testes. Se 100 testes forem executados em dados aleatórios, devemos esperar ver 5 valores p abaixo de 0,05. Se você estiver comparando n títulos para co-integração, você realizará n (n-1) / 2 comparações, e você deve esperar ver muitos valores p incorretamente significativos, que aumentarão conforme você aumenta. Para evitar isso, escolha um pequeno número de pares que você tenha motivos para suspeitar que possam ser cointegrados e teste cada um individualmente. Isso resultará em menos exposição ao viés de múltiplas comparações.
Então, vamos tentar encontrar algumas ações que exibam cointegração. Vamos trabalhar com uma cesta de ações da US cap tech de grande porte - no S & P 500. Essas ações operam em um segmento semelhante e poderiam ter preços cointegrados. Examinamos uma lista de títulos e testamos a cointegração entre todos os pares. Ele retorna uma matriz de pontuação do teste de cointegração, uma matriz de valor p e quaisquer pares para os quais o valor de p é menor que 0,05. Este método é propenso a viés de comparação múltipla e, na prática, os títulos devem estar sujeitos a uma segunda etapa de verificação. Vamos ignorar isso por causa deste exemplo.
Nota: Incluímos o benchmark de mercado (SPX) em nossos dados - o mercado impulsiona o movimento de tantos títulos que muitas vezes você pode encontrar dois títulos aparentemente cointegrados; mas na realidade eles não estão cointegrados um com o outro, mas ambos conintegrados com o mercado. Isso é conhecido como uma variável de confusão e é importante verificar o envolvimento do mercado em qualquer relacionamento que você encontrar.
Agora vamos tentar encontrar pares cointegrados usando nosso método.
Parece que o "ADBE" e o "MSFT" estão cointegrados. Vamos dar uma olhada nos preços para garantir que isso realmente faça sentido.
A taxa parece que se deslocou em torno de uma média estável. A taxa absoluta não é muito útil em termos estatísticos. É mais útil normalizar nosso sinal tratando-o como um escore z. A pontuação Z é definida como:
Pontuação Z (Valor) = (Valor - Média) / Desvio Padrão.
Na prática, isso geralmente é feito para tentar dar alguma escala aos dados, mas isso pressupõe uma distribuição subjacente. Normalmente normal. No entanto, muitos dados financeiros normalmente não são distribuídos, e devemos ter muito cuidado para não simplesmente assumir a normalidade ou qualquer distribuição específica ao gerar estatísticas. A verdadeira distribuição das proporções poderia ser muito fatigada e propensa a valores extremos atrapalhando nosso modelo e resultando em grandes perdas.
É mais fácil observar agora que a proporção agora se move em torno da média, mas às vezes é propensa a grandes divergências da média, das quais podemos tirar vantagens.
Como falamos sobre os fundamentos da estratégia de negociação em pares e identificamos títulos co-integrados com base no preço histórico, vamos tentar desenvolver um sinal de negociação. Primeiro, vamos recapitular os passos no desenvolvimento de um sinal de negociação usando técnicas de dados:
Colete dados confiáveis e limpe os recursos de criação de dados dos dados para identificar um sinal de negociação / lógica Os recursos podem ser médias móveis ou taxas de dados de preços, correlações ou sinais mais complexos - combine-os para criar novos recursos Gerar um sinal de negociação usando esses recursos, ou seja, instrumentos são uma compra, uma venda ou neutra.
Etapa 1: configure seu problema.
Aqui estamos tentando criar um sinal que nos diz se a relação é uma compra ou uma venda no próximo instante, ou seja, nossa variável de previsão Y:
Y = Razão é comprar (1) ou vender (-1) Y (t) = Sinal (Proporção (t + 1) - Razão (t))
Note que não precisamos prever os preços reais das ações, ou mesmo o valor real da proporção (embora possamos), apenas a direção do próximo movimento na proporção.
Etapa 2: colete dados confiáveis e precisos.
A Auquan Toolbox é sua amiga aqui! Você só precisa especificar o estoque que deseja negociar e usar a fonte de dados, e extrai os dados necessários e os limpa para dividendos e desdobramentos. Então nossos dados aqui já estão limpos.
Estamos usando os seguintes dados do Yahoo em intervalos diários para os dias de negociação nos últimos 10 anos (
2500 pontos de dados): Aberto, Fechado, Alto, Baixo e Volume de Negociação.
Etapa 3: dividir dados.
Não se esqueça deste passo super importante para testar a precisão dos seus modelos. Estamos usando o seguinte Treinamento / validação / teste dividido.
Idealmente, devemos também fazer um conjunto de validação, mas vamos ignorar isso por enquanto.
Etapa 4: engenharia de recursos.
Quais poderiam ser as características relevantes? Queremos prever a direção do movimento da razão. Vimos que nossos dois títulos estão cointegrados, então a proporção tende a se mover e voltar à média. Parece que nossas características devem ser determinadas medidas para a média da razão, a divergência do valor atual da média para gerar nosso sinal de negociação.
Vamos usar os seguintes recursos:
Média Móvel de 60 Dias de Proporção: Medida de média móvel de 5 dias Média Móvel de Proporção: Medida do valor atual da média de 60 dias Desvio Padrão z pontuação: (5d MA - 60d MA) / 60d SD.
O Z Score do rolamento realmente destaca a natureza de reversão da razão!
Etapa 5: Seleção do Modelo.
Vamos começar com um modelo realmente simples. Observando o gráfico de pontuação z, podemos ver que sempre que o recurso z-score fica muito alto ou muito baixo, ele tende a reverter. Vamos usar + 1 / -1 como nossos limites para muito alto e muito baixo, então podemos usar o modelo a seguir para gerar um sinal de negociação:
Proporção é comprar (1) sempre que o escore z for inferior a -1,0 porque esperamos que o escore z volte até 0, portanto, o rácio para aumentar Rácio é vender (-1) quando o escore z é superior a 1,0 porque esperamos z pontuação para voltar a 0, daí relação para diminuir.
Etapa 6: Treine, valide e otimize.
Por fim, vamos ver como nosso modelo realmente funciona com dados reais? Vamos ver como esse sinal se parece nas proporções reais.
O sinal parece razoável, parece que nós vendemos a proporção (pontos vermelhos) quando está alto ou aumentando e compramos de volta quando está baixo (pontos verdes) e diminuindo. O que isso significa para as ações reais que estamos negociando? Vamos dar uma olhada.
Observe como às vezes ganhamos dinheiro com a perna curta e às vezes com a perna longa e às vezes com as duas.
Estamos felizes com nosso sinal nos dados de treinamento. Vamos ver que tipo de lucros esse sinal pode gerar. Podemos fazer um backtester simples que compra 1 rácio (comprar 1 stock de ADBE e rácio de venda x stock de MSFT) quando o rácio é baixo, vender 1 rácio (vender 1 stock de ADBE e rácio de compra x stock de MSFT) quando é alto e calcular PnL destes comércios.
Então essa estratégia parece lucrativa! Agora podemos otimizar ainda mais alterando nossas janelas de média móvel, alterando os limites para as posições de compra / venda e saída, etc. e verificar se há melhorias de desempenho nos dados de validação.
Poderíamos também tentar modelos mais sofisticados como Regressão Logística, SVM, etc. para fazer nossas previsões de 1 / -1.
Por enquanto, digamos que decidimos seguir adiante com esse modelo, isso nos leva a.
Etapa 7: Backtest nos dados de teste.
O backtesting é simples, podemos apenas usar nossa função acima para ver o PnL nos dados de teste.
O modelo faz muito bem! Isso torna o nosso primeiro modelo de negociação de pares simples.
Evite Overfitting.
Antes de terminar a discussão, gostaríamos de mencionar o superajuste. Overfitting é a armadilha mais perigosa de uma estratégia de negociação. Um algoritmo overfit pode funcionar maravilhosamente em um backtest, mas falha miseravelmente em novos dados invisíveis - isso significa que realmente não descobriu qualquer tendência nos dados e nenhum poder preditivo real. Vamos dar um exemplo simples.
Em nosso modelo, usamos estimativas de parâmetros de rolamento e podemos desejar otimizar o tamanho da janela. Podemos decidir simplesmente fazer uma iteração em toda a extensão de janela razoável e possível e escolher o tamanho com base no desempenho do nosso modelo. Abaixo, escrevemos um loop simples para marcar os comprimentos das janelas com base no pnl de dados de treinamento e encontrar o melhor.
Agora, verificamos o desempenho do nosso modelo nos dados de teste e descobrimos que esse tamanho de janela está longe de ser ideal! Isso ocorre porque nossa escolha original foi claramente ajustada aos dados da amostra.
Claramente adequado aos nossos dados de amostra não dá sempre bons resultados no futuro. Apenas por diversão, vamos mapear as pontuações de comprimento calculadas a partir dos dois conjuntos de dados.
Podemos ver que qualquer coisa entre 20 e 50 seria uma boa escolha para a janela.
Para evitar o overfitting, podemos usar o raciocínio econômico ou a natureza do nosso algoritmo para escolher o tamanho da nossa janela. Também podemos usar filtros de Kalman, que não nos obrigam a especificar um comprimento; esse método será abordado em outro caderno posteriormente.
Próximos passos.
Neste post, apresentamos algumas abordagens introdutórias simples para demonstrar o processo de desenvolvimento de uma estratégia de negociação de pares. Na prática, deve-se usar estatísticas mais sofisticadas, algumas das quais estão listadas aqui.
Expoente de Hurst Meia-vida de reversão à média inferida de um processo de Ornstein-Uhlenbeck de filtros de Kalman.
Ao aplaudir mais ou menos, você pode nos indicar quais histórias realmente se destacam.
Equipe Auquan.
A Auquan tem como objetivo engajar pessoas de diversas origens para aplicar as habilidades de seus respectivos campos para desenvolver estratégias de negociação de alta qualidade. Acreditamos que pessoas extremamente talentosas, equipadas com conhecimento e atitude corretos, podem projetar algoritmos de negociação de sucesso.
Comments
Post a Comment