Estratégias de negociação quantitativa excel

Negociação Quantitativa.

O que é 'negociação quantitativa'

A negociação quantitativa consiste em estratégias de negociação baseadas em análises quantitativas, que dependem de cálculos matemáticos e processamento de números para identificar oportunidades de negociação. Como a negociação quantitativa é geralmente usada por instituições financeiras e fundos de hedge, as transações geralmente são grandes em tamanho e podem envolver a compra e venda de centenas de milhares de ações e outros títulos. No entanto, o comércio quantitativo está se tornando mais comumente usado por investidores individuais.

QUEBRANDO "Negociação Quantitativa"

As técnicas de negociação quantitativa incluem negociação de alta frequência, negociação algorítmica e arbitragem estatística. Essas técnicas são rápidas e normalmente têm horizontes de investimento de curto prazo. Muitos comerciantes quantitativos estão mais familiarizados com ferramentas quantitativas, como médias móveis e osciladores.

Compreender Negociação Quantitativa.

Comerciantes quantitativos aproveitam a tecnologia moderna, a matemática e a disponibilidade de bancos de dados abrangentes para tomar decisões comerciais racionais.

Comerciantes quantitativos adotam uma técnica de negociação e criam um modelo usando a matemática, e então desenvolvem um programa de computador que aplica o modelo a dados históricos do mercado. O modelo é então backtested e otimizado. Se resultados favoráveis ​​forem alcançados, o sistema é então implementado em mercados em tempo real com capital real.

A forma como os modelos de negociação quantitativa funcionam pode ser melhor descrita usando uma analogia. Considere um boletim meteorológico em que o meteorologista prevê 90% de chance de chuva enquanto o sol estiver brilhando. O meteorologista deriva essa conclusão contra-intuitiva ao coletar e analisar dados climáticos de sensores em toda a área. Uma análise quantitativa computadorizada revela padrões específicos nos dados. Quando esses padrões são comparados com os mesmos padrões revelados em dados históricos do clima (backtesting), e 90 de 100 vezes o resultado é chuva, então o meteorologista pode tirar a conclusão com confiança, daí a previsão de 90%. Os comerciantes quantitativos aplicam este mesmo processo ao mercado financeiro para tomar decisões comerciais.

Vantagens e desvantagens da negociação quantitativa.

O objetivo da negociação é calcular a probabilidade ótima de executar uma negociação lucrativa. Um trader típico pode efetivamente monitorar, analisar e tomar decisões de negociação sobre um número limitado de títulos antes que a quantidade de dados recebidos sobrecarregue o processo de tomada de decisão. O uso de técnicas quantitativas de negociação ilumina esse limite usando computadores para automatizar as decisões de monitoramento, análise e negociação.

Superar a emoção é um dos problemas mais difusos da negociação. Seja medo ou ganância, quando se negocia, a emoção serve apenas para sufocar o pensamento racional, o que geralmente leva a perdas. Computadores e matemática não possuem emoções, então a negociação quantitativa elimina esse problema.

A negociação quantitativa tem seus problemas. Os mercados financeiros são algumas das entidades mais dinâmicas que existem. Portanto, os modelos de negociação quantitativos devem ser tão dinâmicos para serem consistentemente bem-sucedidos. Muitos comerciantes quantitativos desenvolvem modelos que são temporariamente lucrativos para as condições de mercado para as quais foram desenvolvidos, mas acabam fracassando quando as condições do mercado mudam.

Guia para iniciantes em negociação quantitativa.

Guia para iniciantes em negociação quantitativa.

Neste artigo, vou apresentar alguns dos conceitos básicos que acompanham um sistema de negociação quantitativo de ponta a ponta. Espera-se que este post atenda a dois públicos-alvo. O primeiro será indivíduos tentando obter um emprego em um fundo como um comerciante quantitativo. A segunda será pessoas que desejam tentar montar seu próprio negócio de comércio algorítmico "de varejo".

A negociação quantitativa é uma área extremamente sofisticada de finanças quânticas. 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 requer extensa experiência em programação, pelo menos em uma linguagem como MATLAB, R ou Python. No entanto, à medida que a frequência de negociação da estratégia aumenta, os aspectos tecnológicos tornam-se muito mais relevantes. Assim, estar familiarizado com o C / C ++ será de suma importância.

Um sistema de negociação quantitativo consiste em quatro componentes principais:

Identificação Estratégica - Encontrando uma estratégia, explorando uma vantagem e decidindo sobre a frequência de negociação Backtesting da estratégia - Obtendo dados, analisando o desempenho da estratégia e removendo vieses Sistema de Execução - Vinculando a uma corretora, automatizando a negociação e minimizando custos de transação tamanho da aposta "/ critério de Kelly e psicologia de negociação.

Começaremos dando uma olhada em como identificar uma estratégia de negociação.

Identificação de estratégia.

Todos os processos de negociação quantitativos começam com um período inicial de pesquisa. Este processo de pesquisa engloba encontrar uma estratégia, verificando se a estratégia se encaixa em um portfólio de outras estratégias que você pode estar executando, obtendo quaisquer dados necessários para testar a estratégia e tentando otimizar a estratégia para retornos mais altos e / ou menor risco. Você precisará levar em conta suas próprias necessidades de capital se administrar a estratégia como um operador de "varejo" e como os custos de transação afetarão a estratégia.

Ao contrário da crença popular, é bastante simples encontrar estratégias lucrativas por meio de várias fontes públicas. Os acadêmicos publicam regularmente resultados teóricos de negociação (embora, em sua maioria, sejam brutos dos custos de transação). Os blogs de finanças quantitativas discutirão as estratégias em detalhes. Os jornais de comércio delinearão algumas das estratégias empregadas pelos fundos.

Você pode questionar por que os indivíduos e as empresas estão interessados ​​em discutir suas estratégias lucrativas, especialmente quando sabem que outras pessoas "que estão ocupando o mercado" podem impedir que a estratégia funcione a longo prazo. A razão está no fato de que eles não costumam discutir os parâmetros exatos e os métodos de ajuste que eles realizaram. Essas otimizações são a chave para transformar uma estratégia relativamente medíocre em uma 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 ideias estratégicas:

Muitas das estratégias que você irá analisar se encaixarão nas categorias de reversão à média e tendência / momento. Uma estratégia de reversão à 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 correlatos) e que desvios de curto prazo dessa média acabarão sendo revertidos. Uma estratégia de momentum tenta explorar tanto a psicologia do investidor quanto a grande estrutura de fundos, "pegando carona" em uma tendência de mercado, que pode ganhar impulso em uma direção e seguir a tendência até que ela se reverta.

Outro aspecto extremamente importante da negociação quantitativa é a frequência da estratégia de negociação. A negociação de baixa frequência (LFT) geralmente se refere a qualquer estratégia que detenha ativos por mais de um dia de negociação. Correspondentemente, a negociação de alta frequência (HFT) geralmente se refere a uma estratégia que mantém ativos intraday. Negociação de frequência ultra-alta (UHFT) refere-se a estratégias que mantêm ativos na ordem de segundos e milissegundos. Como profissionais de varejo, HFT e UHFT certamente são possíveis, mas apenas com conhecimento detalhado da "pilha de tecnologia" e da dinâmica do livro de pedidos. Não vamos discutir esses aspectos em grande medida neste artigo introdutório.

Uma vez que uma estratégia, ou conjunto de estratégias, tenha sido identificada, ela agora precisa ser testada quanto à lucratividade nos dados históricos. Esse é o domínio do backtesting.

Backtesting de estratégia.

O objetivo do backtesting é fornecer evidências de que a estratégia identificada por meio do processo acima é lucrativa quando aplicada a dados históricos e fora da amostra. Isso define a expectativa de como a estratégia funcionará no "mundo real". No entanto, backtesting não é garantia de sucesso, por várias razões. É talvez a área mais sutil do comércio quantitativo, uma vez que implica inúmeros vieses, que devem ser cuidadosamente considerados e eliminados, tanto quanto possível. Discutiremos os tipos comuns de polarização, incluindo viés de antecipação, viés de sobrevivência e viés de otimização (também conhecido como viés de "espionagem de dados"). Outras áreas de importância dentro do backtesting incluem a disponibilidade e a limpeza de dados históricos, levando em consideração custos de transação realistas e decidindo sobre uma plataforma robusta de backtesting. Discutiremos os custos de transação na seção Sistemas de Execução abaixo.

Uma vez que uma estratégia tenha sido 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. Seus custos geralmente variam de acordo com a qualidade, profundidade e pontualidade dos dados. O ponto de partida tradicional para os comerciantes de quantia iniciais (pelo menos no nível de varejo) é usar o conjunto de dados gratuito do Yahoo Finance. Não vou me debruçar muito sobre fornecedores aqui, em vez disso, gostaria de me concentrar nas questões gerais ao lidar com conjuntos de dados históricos.

As principais preocupações com dados históricos incluem exatidão / limpeza, viés de sobrevivência e ajuste para ações corporativas, como dividendos e desdobramentos:

Precisão pertence à qualidade geral dos dados - se contém algum erro. Às vezes, os erros podem ser fáceis de identificar, como com um filtro de pico, que detecta "picos" incorretos nos dados de séries temporais e os corrige. Em outras ocasiões, 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 sendo negociados. No caso de ações, isso significa ações excluídas / falidas. Esse viés significa que qualquer estratégia de negociação de ações testada em tal conjunto de dados provavelmente terá um desempenho 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 na função de etapa do preço bruto, que não deve ser incluída no cálculo dos retornos do preço. Ajustes para dividendos e desdobramentos são os culpados comuns. Um processo conhecido como ajuste de costas é necessário para ser realizado em cada uma dessas ações. É preciso ter muito cuidado para não confundir uma divisão de ações com um verdadeiro ajuste de retorno. Muitos traders foram pegos por uma ação corporativa!

Para realizar um procedimento de backtest, é necessário usar uma plataforma de software. Você tem a escolha entre softwares backtest dedicados, como o Tradestation, uma plataforma numérica como o Excel ou o MATLAB ou uma implementação personalizada completa em uma linguagem de programação como Python ou C ++. Eu não vou me demorar muito em Tradestation (ou similar), Excel ou MATLAB, como eu acredito em criar uma pilha de tecnologia interna completa (por razões descritas abaixo). Um dos benefícios disso é que o software de backtest e o sistema de execução podem ser totalmente integrados, mesmo com estratégias estatísticas extremamente avançadas. Para as estratégias de HFT, em particular, é essencial usar uma implementação personalizada.

Ao fazer o backtest de um sistema, é preciso ser capaz de quantificar o desempenho do mesmo. As métricas "padrão da indústria" para estratégias quantitativas são o rebaixamento máximo e o Índice de Sharpe. O rebaixamento máximo caracteriza a maior queda de ponta a ponta na curva de patrimônio da conta em um determinado período de tempo (geralmente anual). Isso é mais frequentemente citado como uma porcentagem. As estratégias de LFT tenderão a ter rebaixamentos maiores do que as estratégias de HFT, devido a vários fatores estatísticos. Um backtest histórico mostrará o último drawdown máximo, que é um bom guia para o futuro desempenho de drawdown da estratégia. A segunda medida é o Índice de Sharpe, que é definido heuristicamente como a média dos retornos excedentes dividida pelo desvio padrão desses retornos excedentes. Aqui, os retornos excedentes referem-se ao retorno da estratégia acima de um benchmark pré-determinado, como o S & P500 ou um Tesouro de 3 meses. Note-se que o retorno anualizado não é uma medida normalmente utilizada, pois não leva em conta a volatilidade da estratégia (ao contrário do Índice de Sharpe).

Uma vez que uma estratégia tenha sido testada novamente e seja considerada livre de vieses (na medida em que isso seja possível!), Com um bom Sharpe e rebaixamentos minimizados, é hora de construir um sistema de execução.

Sistemas de Execução.

Um sistema de execução é o meio pelo qual a lista de negociações geradas pela estratégia é enviada e executada pelo intermediário. Apesar do fato de que a geração de comércio pode ser semi ou totalmente automatizada, o mecanismo de execução pode ser manual, semi-manual (ou seja, "um clique") ou totalmente automatizado. Para estratégias de LFT, técnicas manuais e semi-manuais são comuns. Para as estratégias de HFT, é necessário criar um mecanismo de execução totalmente automatizado, que muitas vezes será fortemente acoplado ao gerador de comércio (devido à interdependência entre estratégia e tecnologia).

As principais considerações ao criar um sistema de execução são a interface com a corretora, a minimização dos custos de transação (incluindo comissão, derrapagem e spread) e a divergência de desempenho do sistema ao vivo do desempenho do backtested.

Há muitas maneiras de interagir com uma corretora. Eles variam de chamar seu corretor por telefone até uma Application Programming Interface (API) de alto desempenho totalmente automatizada. O ideal é que você queira automatizar a execução de seus negócios o máximo possível. Isso libera você para se concentrar em mais pesquisas, bem como permitir que você execute várias estratégias ou mesmo estratégias de maior frequência (na verdade, HFT é essencialmente impossível sem execução automatizada). O software comum de backtesting descrito acima, como MATLAB, Excel e Tradestation, é bom para estratégias mais simples e de menor frequência. 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 eu costumava trabalhar, tínhamos um "ciclo de negociação" de 10 minutos, onde baixávamos novos dados de mercado a cada 10 minutos e depois executávamos negociações com base nessas informações no mesmo período de tempo. Isso estava usando um script Python otimizado. Para qualquer coisa que se aproxime de dados de frequência de minutos ou segundos, acredito que C / C ++ seria mais ideal.

Em um fundo maior, muitas vezes não é o domínio do comerciante de quantificação para otimizar a execução. No entanto, em pequenas lojas ou empresas de HFT, os comerciantes são os executores e, portanto, um conjunto de habilidades muito mais amplo é geralmente desejável. Tenha isso 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 econométricos!

Outra questão importante que cai sob a bandeira da execução é a minimização dos custos de transação. Geralmente, há três componentes nos custos de transação: Comissões (ou impostos), que são as taxas cobradas pela corretora, pela bolsa e pela SEC (ou órgão regulador governamental similar); escorregamento, que é a diferença entre o que você pretendia que seu pedido fosse preenchido versus o que foi realmente preenchido; spread, que é a diferença entre o preço de compra / venda do título negociado. Observe que o spread NÃO é constante e depende da liquidez atual (ou seja, disponibilidade de ordens de compra / venda) no mercado.

Os custos de transação podem fazer a diferença entre uma estratégia extremamente lucrativa com um bom índice de Sharpe e uma estratégia extremamente não lucrativa com um índice de Sharpe terrível. Pode ser um desafio prever corretamente os custos de transação de um backtest. Dependendo da frequência da estratégia, você precisará acessar os dados históricos do câmbio, que incluirão dados de ticks para preços de compra / venda. Equipes inteiras de quantos são dedicadas à otimização da execução nos fundos maiores, por esses motivos. Considere o cenário em que um fundo precisa descarregar uma quantidade substancial de negociações (das quais as razões para isso são muitas e variadas!). Ao "despejar" tantas ações no mercado, elas rapidamente deprimirão o preço e podem não obter uma execução ideal. Daí algoritmos que "gotejam feed" ordens para o mercado existem, embora o fundo corre o risco de derrapagem. Além disso, outras estratégias "atacam" essas necessidades e podem explorar as ineficiências. Este é o domínio da arbitragem da estrutura do fundo.

A última grande questão para os sistemas de execução diz respeito à divergência de desempenho da estratégia do desempenho do backtested. Isso pode acontecer por vários motivos. Já analisamos o viés de look-ahead e o viés de otimização em profundidade, ao considerar os backtests. No entanto, algumas estratégias não facilitam o teste desses vieses antes da implantação. Isso ocorre em HFT mais predominantemente. Pode haver bugs no sistema de execução, bem como a própria estratégia de negociação que não aparece em um backtest, mas aparece no live trading. O mercado pode ter sido sujeito a uma mudança de regime após a implantação de sua estratégia. Novos ambientes regulatórios, mudanças no sentimento do investidor e fenômenos macroeconômicos podem levar a divergências na forma como o mercado se comporta e, consequentemente, na rentabilidade de sua estratégia.

Gerenciamento de riscos.

A peça final do quebra-cabeça de negociação quantitativa é o processo de gerenciamento de risco. "Risco" inclui todos os vieses anteriores que discutimos. Isso inclui risco de tecnologia, como servidores co-localizados na central de repente desenvolvendo um mau funcionamento do disco rígido. Isso inclui risco de corretagem, como o corretor estar falido (não tão louco quanto parece, dado o recente susto com a MF Global!). Em suma, abrange quase tudo o que poderia interferir com a implementação comercial, dos quais existem muitas fontes. Livros inteiros são dedicados à gestão de risco para estratégias quantitativas, então eu não tentarei elucidar todas as possíveis fontes de risco aqui.

A gestão de risco também abrange o que é conhecido como alocação de capital ideal, que é um ramo da teoria de portfólio. Esse é o meio pelo qual o capital é alocado a um conjunto de estratégias diferentes e aos 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 de Kelly. Como este é um artigo introdutório, não vou me alongar em seu cálculo. O critério de Kelly faz algumas suposições sobre a natureza estatística dos retornos, que muitas vezes não são verdadeiros nos mercados financeiros, de modo que os operadores geralmente são conservadores quando se trata da implementação.

Outro componente fundamental do gerenciamento de riscos é lidar com o próprio perfil psicológico. Existem muitos vieses cognitivos que podem surgir na negociação. Embora isso seja reconhecidamente menos problemático com negociação algorítmica se a estratégia for deixada em paz! Um viés comum é o da aversão à perda, em que uma posição perdedora não será fechada devido à dor de ter que perceber uma perda. Da mesma forma, os lucros podem ser tomados muito cedo porque o medo de perder um lucro já ganho pode ser muito grande. Outro viés comum é conhecido como viés de recência. Isso se manifesta quando os operadores enfatizam demais os eventos recentes e não a longo prazo. Então, é claro, há o par clássico de preconceitos emocionais - medo e ganância. Estes podem muitas vezes levar a sub ou sobre-alavancagem, o que pode causar blow-up (ou seja, o título da conta indo para 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 para as quais eu só dei uma ou duas sentenças. Por esse motivo, antes de se candidatar a cargos quantitativos de negociação 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, por meio de uma linguagem de programação como MATLAB, Python ou R. Para estratégias mais sofisticadas no final de frequência mais alta, seu conjunto de habilidades é provável para incluir a modificação do kernel do Linux, C / C ++, programação de montagem e otimização de latência de rede.

Se você estiver interessado em tentar criar suas próprias estratégias de negociação algorítmica, minha primeira sugestão seria se programar bem. Minha preferência é construir o máximo possível de dados capturados, backtester de estratégia e sistema de execução. Se o seu próprio capital está em jogo, não dormiria melhor à noite sabendo que você testou completamente o seu sistema e está ciente de suas armadilhas e problemas específicos? Terceirizar isso para um fornecedor, enquanto potencialmente economiza tempo a curto prazo, pode ser extremamente caro a longo prazo.

A Quantcademy.

Participe do portal de associação da Quantcademy que atende à crescente comunidade de traders de quantificação de varejo e aprenda como aumentar a lucratividade de sua estratégia.

Negociação Algorítmica Bem Sucedida.

Como encontrar novas ideias de estratégia de negociação e avaliá-las objetivamente para o seu portfólio usando um mecanismo de backtesting personalizado no Python.

Comércio Algorítmico Avançado.

Como implementar estratégias de negociação avançadas usando análise de séries temporais, aprendizado de máquina e estatísticas Bayesianas com R e Python.

Quant Trading Books.

Por favor, selecione uma categoria:

Quant Trading Machine Aprendizagem História Geral R Python C + + Programação Fin Math Jobs Hedge Funds Nossos Bloggers.

Esta categoria é curada por: Kris Longmore, da Robot Wealth.

Kris é ex-engenheiro e quantia de hedge funds. Ele fundou a Quantify Partners e a Robot Wealth, que facilitam a busca por obsessão por aprendizado de máquina e comércio algorítmico.

(*) Observe que os livros da Quant Start estão disponíveis apenas em seu site. Nós não somos afiliados à Quant Start, nem compensados ​​por este link. Nós simplesmente gostamos de promover o trabalho dos mocinhos.

Livros com curadoria dos melhores:

Estes livros são organizados pelos principais autores da nossa comunidade:

Quando você faz o pedido através desta página, a Amazon joga alguns shekels do nosso jeito. Não há nenhum custo adicional para você, e é uma ótima maneira de mostrar seu amor pela Quantocracia.

Direitos autorais & copy; 2015-2018 e middot; Design do site por: The Dynamic Duo.

Negociação Quantitativa.

Investimento quantitativo e idéias de negociação, pesquisa e análise.

Sexta-feira, 27 de março de 2009.

Um leitor comenta sobre negociação usando o Excel VBA e o Modelo de Fator.

7 comentários:

Eu acho que as principais razões por trás de uma popularidade do Excel / VBA em um mundo de comércio quant e quant são:

Eu definitivamente acho que o fator bandwagon está em jogo, muitas vezes somos como ovelhas, e não vejo razão para que estratégias ou sistemas de investimento sejam diferentes.

Um pouco de sorte não irá interferir no forex.

"No entanto, um problema que encontrei é o meu desejo contínuo de modificar e melhorar regularmente o sistema, o que eu descobri que pode se tornar contraproducente, pois há um perigo real de que o desenvolvimento do sistema se torne um fim em si mesmo!"

"No entanto, um problema que encontrei é o meu desejo contínuo de modificar e melhorar regularmente o sistema, o que eu descobri que pode se tornar contraproducente, pois há um perigo real de que o desenvolvimento do sistema se torne um fim em si mesmo!"

* gestão deficiente da memória (isso pode piorar ainda mais o desempenho),

* você não pode usar o sistema de controle de versão que permitiria rastrear mudanças (quem-o-por-quando-quando) e facilitaria a colaboração (veja, por exemplo, svnbook. red-bean / nightly / en / svn. intro. whatis. html # svn. intro. righttool e tortoisesvn. tigris /; deve haver algumas ferramentas de controle de versão da Microsoft). Com base na minha experiência, a partir de algum código VBA de volume se torna incontrolável, uma das razões para isso é que você não pode usar o controle de versão.

* Pouca flexibilidade (em comparação com as alternativas que vou ser.

** ausência de classes (class = estrutura + métodos que podem acessar e modificar o conteúdo da estrutura)

** ausência virtual de mecanismos de abstração (Variant é muito propensa a erros). Você pode precisar deles se quiser usar o mesmo algoritmo para um estoque e para uma curva de juros (mesma ação, objetos diferentes).

Oi Dr. Ernie Chan.

Eu usei o matlab2ibapi por vários meses e descobri que ele é bastante útil e confiável para automatizar minhas estratégias. Na verdade, vou publicar um artigo ilustrando como usá-lo.

EPAT TM - Programa Executivo em Negociação Algorítmica.

O Programa Executivo em Negociação Algorítmica da QuantInsti é projetado para profissionais que desejam crescer no campo, ou planejam iniciar suas carreiras em Negociação Algorítmica e Quantitativa.

Ele inspira os traders tradicionais a uma carreira de negociação algorítmica bem-sucedida, concentrando-se em derivativos, negociação quantitativa, mercado eletrônico ou tecnologia relacionada ao comércio e gerenciamento de riscos. Este abrangente curso de negociação algorítmica oferece insights inigualáveis ​​sobre o mundo dos algoritmos, tecnologia financeira e mudança da microestrutura do mercado, seguindo uma estrutura de curso exaustiva projetada pelos principais tradutores algorítmicos, especialistas quantitativos e líderes de pensamento de HFT.

Duração - 6 meses (4 meses de treinamento & # 038; 2 meses de trabalho de projeto opcional)

Especialização - Classe particular de ativos e / ou estratégia de negociação algorítmica através do trabalho do projeto.

Entrega on-line - Uma experiência de aprendizado focada que consiste em sessões práticas conduzidas por meio de reuniões na Web e ambientes virtuais de aprendizagem.

Certificação - A avaliação é composta por tarefas, questionário e participação. Após a conclusão bem-sucedida, os participantes receberão um certificado da QuantInsti Quantitative Learning Pvt Ltd.

O currículo.

Este módulo é material preparatório para iniciantes que recentemente começaram a aprender Algorithmic Trading.

Aborda as bases do Algorithmic Trading, Statistics, Options & Derivatives, módulo de Auto-estudo do MS Excel, a ser completado antes que as Palestras ao Vivo comecem de 10 a 20 horas de curso, seguidas pelos Testes Primários obrigatórios.

Este módulo é o primeiro módulo com palestras ao vivo no treinamento Algorithmic Trading e abrange alguns dos conceitos mais cruciais a serem aplicados e usados ​​no futuro.

Termos básicos, conceitos relacionados a ordens e gerenciamento de dados Arquitetura do sistema e gerenciamento de riscos na negociação algorítmica - complexidades envolvidas Gestão de fluxo de pedidos, rastreamento, discrição, estratégias VWAP 12 horas de palestras ao vivo e 10 horas de curso composto por tarefas e questionários.

Um módulo para iniciantes neste curso de comércio da Algo que inclui conceitos de probabilidade, estatística e econometria.

Trabalhando com conjuntos de dados OHLC, indicadores e geração de sinais de negociação Aplicação de estratégias de negociação no MS Excel, aplicação de estatísticas na previsão de preços futuros de ações e aproximações de risco / recompensa Sessões práticas e práticas transmitindo habilidades computacionais que serão necessárias mais tarde 9 horas palestras e 8 horas de curso composto por tarefas e questionários.

Introdução aos tópicos avançados em cursos de negociação quantitativa que requer conhecimento sobre Opções e Derivativos e Estatística.

Modelos de precificação de opções e seus aplicativos. Carteiras de opções de construção com base nos gregos da opção. Conceitos de negociação de dispersão, implementação e roadblocks Concepção de uma ferramenta de gerenciamento de risco que mostra a sensibilidade do portfólio de opções a diferentes condições, permitindo que o trader modifique seu portfólio para atender a cenários futuros de mercado: 12-15 horas de conteúdo de palestras e 10-15 horas de curso.

R é uma linguagem popular para negociação e análise quantitativa. Os cursos de negociação algorítmica contam com a linguagem estatística de código aberto R para manipulação e gerenciamento de dados e Análise de séries temporais.

Introdução ao R através de testes estatísticos básicos e cálculos seguidos por códigos escritos para construir indicadores quantitativos e estratégias de negociação Dicas e truques R úteis para navegar em grandes conjuntos de dados Implementando o modelo usando GARCH (1,1) para prever a volatilidade usando R e estimar os parâmetros do modelo Usando pacotes avançados para codificar estratégias de negociação em R 15 horas de conteúdo de palestras e 25 horas de curso.

Este é o módulo mais estratégico para traders individuais, bem como para traders institucionais que desejam montar sua própria mesa de operações ou estão buscando novas plataformas / software / infraestrutura.

Entendendo os requisitos de infraestrutura Entendendo o ambiente de negócios, incluindo ambiente regulatório, os investimentos de capital necessários para configurar uma Mesa de Operações Algorítmicas Além do corpo docente da QI, os especialistas do setor são convidados a compartilhar experiências e insights de 3 a 9 horas de conteúdo da palestra.

É o módulo mais crucial deste curso de negociação algorítmica com altos requisitos dos alunos para praticar e tentar estratégias hands-on.

Exposição a diferentes paradigmas de estratégia de negociação quantitativa populares em negociação algorítmica, tais como arbitragem estatística, microestrutura de mercado, tendência, mercado, aprendizagem de máquina Avaliar problemas e oportunidades nos mercados globais através das lentes da econometria, psicologia e estatística Lidar com a incerteza com foco em gerenciamento de risco na negociação de 42 a 47 horas de conteúdo de palestras e 75 a 80 horas de trabalho no curso.

Aprenda a automatizar suas estratégias de negociação neste módulo do EPAT ™. Novamente, um módulo exigente que é prático e prático, exigindo que os participantes aprendam e pratiquem o Python para backtesting e execução de estratégias. Os principais especialistas, como o Dr. Yves Hilpisch, autor do livro "Python for Finance", são um dos principais membros do corpo docente deste módulo.

Introdução a plataformas de negociação automatizadas baseadas em Python Aprenda a escrever seus próprios códigos em Python Programação Orientada a Objetos e Pacotes Úteis em Python para negociação Permite que o participante implemente estratégias no ambiente de negociação ao vivo de 18 a 24 horas de conteúdo de palestras e 80 a 100 horas de curso trabalhos.

Os participantes podem optar por concluir um projeto sob orientação de um profissional / comerciante que envolva ideação e criação de uma estratégia de negociação. O tópico do projeto se qualifica para área de especialização e aprendizagem aprimorada. Os participantes precisam comparecer ao exame final para se qualificarem para a Certificação.

Faculdade EPAT.

Nitin é um parceiro da Pentagon Advisory Ltd. Ele tem sido um quant em iRageCapital.

Palestrante mundialmente renomado em Opções, Derivativos e Pesquisa de Negociação Baseada em Notícias.

Autor de "Algorithmic Trading: Estratégias Vencedoras e Sua Justificativa".

Faculdade de oficinas sobre programas de Algorithmic Trading realizados pela Indian National Stock Exchange.

Varun Divakar é membro da equipe de pesquisa e desenvolvimento da Quantra na QuantInsti.

Autor de "Python for Finance - Analisar grandes dados financeiros", publicado por O'Reilly.

Co-fundador iRageCapital e QuantInsti. Especialista em Estudos Inter-Mercados.

Vivek trabalhou em várias instituições financeiras e educacionais líderes na Índia e em Cingapura.

Chefe do departamento de Pesquisa Quantitativa da QuantInsti. Analista líder e especialista em quantificação.

Sameer lidera a divisão de Programação de Baixa Latência na iRageCapital Advisory Pvt Ltd.

Autor, IBridgePy, um software de código aberto para negociar com Interactive Brokers.

Radha trabalha como cientista de dados na Thomson Reuters.

Gaurav lidera o desenvolvimento comercial quantitativo na iRage, juntamente com o negócio global de clientes.

Sunith é especialista no campo de algoritmos evolutivos e modelos não convencionais de computação.

A Anil concebeu práticas de risco e conformidade para toda a empresa na iRageCapital.

Nitin Agarwal.

Nitin é sócio da Pentagon Advisory Ltd. Sua gama de experiência vai desde o desenvolvimento de novas tecnologias químicas revolucionárias até a criação de estratégias de negociação proprietárias. Antes de liderar a equipe de Operações na Pentagon Advisory, ele tem sido uma quantia na iRageCapital e um Associado de Liderança com o Aditya Birla Group. Ele tem uma paixão pelo ensino e em seu tempo livre escreve artigos para revistas internacionais. Seu artigo mais recente envolveu o desenvolvimento da equação de Swamee-Aggarwal.

Rajib Ranjan Borah.

Rajib fez seu bacharelado em engenharia da computação pela NIT, Surathkal e PGDM da IIM Calcutta. Ele é finalista da Olimpíada Nacional de Biologia e representou a Índia no Campeonato Mundial de Quebra-Cabeças.

Rajib lidera o negócio de negociação de propulsores da iRage como seu CEO, focando no desenvolvimento de estratégias, gerenciamento de risco e processos internos. Ele também é palestrante regular em conferências de comércio algorítmico na Ásia, América e Europa. Experiências anteriores - quant research (Bloomberg, NY); negociação de alta frequência (Optiver, Amsterdã); tecnologia de análise de dados (Oracle); estratégia de negócios para uma empresa de investimento e bolsas de derivativos (PwC).

Dr. Ernest P. Chan.

Dr. Chan é um operador de pool de commodities e consultor comercial. Desde 1994, ele tem focado no desenvolvimento de modelos estatísticos e algoritmos avançados de computador para encontrar padrões e tendências em grandes quantidades de dados. Ele aplicou sua experiência em reconhecimento de padrões estatísticos para projetos que vão desde recuperação textual na IBM Research, dados de relacionamento com clientes de mineração no Morgan Stanley e negociação de arbitragem estatística.

pesquisa de estratégia no Credit Suisse, Mapleridge Capital Management e outros fundos de hedge.

Shaurya Chandra.

Shaurya fez B. Tech Electrical Engineering da IIT Roorkee e PGDM da IIM Ahmedabad.

Shaurya foca extensivamente em pesquisa estatística e desenvolvimento de estratégias. Em seus papéis anteriores, suas áreas de foco foram Derivativos e Pesquisa Quantitativa, com foco nos algoritmos de execução de ordens de venda. Antes da iRageCapital, Shaurya trabalhou no Bank of America, na Edelweiss Securities Ltd. e na Systematix Stock & Shares Ltd., onde trabalhou como Analista de Derivativos e Quantitativo focado nos mercados de ações da Índia.

Varun Divakar.

Varun é graduado em engenharia civil pelo Instituto Indiano de Tecnologia, Roorkee.

Varun Divakar é membro da equipe de Pesquisa e Desenvolvimento da Quantra na QuantInsti e é responsável pela criação do conteúdo para estratégias de negociação, usando técnicas de Quantitative e Machine Learning.

Antes da QuantInsti, Varun trabalhou como trader de commodities associado gerenciando mercados internacionais de energia e softs no Futures First.

Dr. Yves Hilpisch.

Nitesh Khandelwal.

Nitesh fez engenharia elétrica de B. Tech de IIT Kanpur e PGDM de IIM Lucknow.

Nitesh tem uma rica experiência em mercados financeiros abrangendo várias classes de ativos em diferentes funções. Antes de liderar o QuantInsti ™ como seu CEO, ele era o líder de negócios da iRage.

Ele tem experiência anterior em tesouraria bancária (domínio de taxas de câmbio e juros) e como trader líder em uma mesa de negociação proprietária.

Vivek Krishnamoorthy.

Abhishek Kulkarni.

Sameer Kumar.

Sameer concluiu seu mestrado em Economia e Sistemas de Informação na BITS Pilani.

Sameer lidera a pesquisa de tecnologia de núcleo e aprendizado de máquina na iRage. Ele é apaixonado por conduzir a tecnologia básica ao estabelecer novos benchmarks na latência de tick-to-trade. Ele está envolvido em projetar modelos comerciais usando pesquisas de aprendizado profundo aproveitando a natureza temporal e espacial da microestrutura de mercado simultaneamente.

Dr. Hui Liu

Dr. Liu é o autor de IbridgePy e fundador da Running River Investment LLC. Seus principais interesses comerciais são ações dos EUA e mercado Forex. A Running River Investment LLC é um fundo de hedge privado especializado no desenvolvimento de estratégias de negociação automatizadas usando o Python.

Radha Krishna Pendyala.

Radha trabalha como cientista de dados na Thomson Reuters. Seu trabalho envolve a aplicação de aprendizado de máquina e técnicas de modelagem financeira quantitativa para grandes conjuntos de dados, a fim de resolver problemas específicos no setor financeiro. Obteve seu mestrado em engenharia financeira pela City University of New York.

Gaurav Raizada.

Gaurav fez o B. Tech Chemical Engineering do IIT Kanpur e o PGDM do IIM Lucknow.

Gaurav lidera o desenvolvimento comercial quantitativo na iRage, juntamente com o negócio global de clientes. Ele também lidera o desenvolvimento de sistemas, desempenho e estratégia, incluindo desenvolvimento de sistemas de negociação, redução de latência e otimização.

Antes da iRageCapital, Gaurav trabalhou com o Axis Bank como um operador de derivativos de taxas de juros.

Sunith Reddy.

Sunith fez o B. Tech, Computer Engineering da IIT Madras.

Sunith é especialista no campo de algoritmos evolutivos e modelos não convencionais de computação. Seu trabalho foi apresentado no "Simpósio de Modelos Não-Convencionais da Computação". A Sunith traz consigo uma alta qualidade de conhecimento técnico, especialmente nos campos de algoritmos e arquitetura de alto desempenho. Experiência anterior - LimeLabs, Yahoo R & D, Xilinx.

Anil Yadav.

Anil fez B. Tech Mechanical Engineering da IIT Kanpur e PGDM da IIM Lucknow.

Na iRage, Anil gerenciou várias estratégias de negociação e, em seguida, também projetou práticas de risco e conformidade para toda a empresa. A Anil desenvolveu e liderou com sucesso o desenvolvimento escalonável da Estratégia Quantitativa para as operações do fundo. Antes da iRage, Anil trabalhou como trader independente de commodities, gerenciando um portfólio de produtos de metais e energia e como Analista Sênior no Private Equity do The Chatterjee Group (TCG).

fundo e como analista conversível no Lehman Brothers.

Histórias de sucesso.

Jacques Francois Joubert.

Analista Quantitativo na NMRQL,

“Passei muito tempo procurando o equivalente de CFA para negociação algorítmica e o EPAT é a correspondência mais próxima. Adorei como o curso cobriu uma ampla gama de tópicos. Quando comecei o curso, tinha planos de voltar à universidade para estudar matemática, mas, pouco antes de terminar o curso, fui contratado por um cobiçado fundo de hedge quantitativo como analista quantitativo. Um agradecimento especial à faculdade. ”

CEO da Quanticko Trading S. A.

"Estou muito feliz com o apoio prestado pela equipe de administração. O corpo docente está muito empenhado em resolver dúvidas. Tendo trabalhado em uma das principais corretoras, eu certamente gostaria de entrar em negociação algorítmica e é aí que o curso EPAT da QuantInsti vai ajudar mim."

Associate na Morgan Stanley,

"Na Quantinsti, aprendi a desenvolver estratégias quantitativas que podem ser usadas em negociação algorítmica e de alta frequência. O corpo docente da Quantinsti é altamente qualificado. Os insights que eles trazem para a sala de aula como consultores são muito valiosos e tornam cada lição muito eficaz. A experiência de aprendizado on-line foi muito boa e me deu a flexibilidade para ver as gravações de palestras perdidas. "

Fundador, Chengetedzai Central.

Depositário de Valores Mobiliários, Zimbábue.

"Estou iniciando uma mesa de Algorithmic e High-Frequency mais tarde, então para mim o melhor (parte) foi obter a experiência real e o conhecimento de como implementar as estratégias que seriam úteis em minhas próprias mesas. Neste programa, você aprende desde o básico até as estatísticas avançadas. É uma experiência incrível porque você aprende a trabalhar na plataforma de negociação avançada que é usada por muitas mesas de operações. "

EPAT TM Alumni Profile.

Nós treinamos participantes que vêm de experiências muito ricas e interdisciplinares, tanto em termos de sua formação acadêmica quanto de sua experiência na indústria.

Alunos de todos os continentes habitados participaram do EPAT ™.

O curso é projetado para profissionais que trabalham com um grande interesse em mercados financeiros e avanços tecnológicos. Em cada lote de EPAT ™, vemos uma rica mistura de traders, analistas, desenvolvedores, gestores de risco, fundadores, proprietários de mesa para fornecer uma experiência única de interação e networking com outras participações.

Aprender a construir uma estratégia comercial perfeita é uma coisa, mas é realmente a execução de idéias que separa as ovelhas das cabras. Nossos alunos dominam a arte da execução com projetos que não são apenas inovadores, mas também inovadores. Eles aproveitam o conhecimento adquirido durante o EPAT ™ e os transformam em trabalhos de pesquisa originais e prontos para publicação.

Alguns dos tópicos do projeto recentemente concluídos como parte do curso do EPAT ™ incluem:

Desenvolvimento do Sistema de Negociação Automatizada em Nuvem com Aprendizado de Máquina por Maxime Fages e Estratégia de Troca e Backtesting de Pareamento Derek Wong usando a Quantstrat por Marco Nicolas Dibo.

Admissão EPAT.

Quem pode se inscrever?

O curso de negociação Algo da QuantInsti destina-se a pessoas que trabalham ou pretendem migrar para o lado de compra ou venda de negócios com foco em derivativos, negociação quantitativa, mercado eletrônico ou tecnologia relacionada ao comércio e gerenciamento de riscos.

O Programa Executivo na Algorithmic Trading ™ fornece treinamento prático para Quants, Traders Programmers, Gerentes de Fundos, Consultores, Desenvolvedores de Produtos Financeiros, Pesquisadores e Entusiastas da Algo Trading. Ele fornece insights sobre os fundamentos do comércio quantitativo e as soluções tecnológicas para implementá-los.

Cada participante que é aceito no curso tem um alto nível de curiosidade intelectual, um forte interesse em finanças e fortes habilidades analíticas. Embora não haja exigência específica de graduação, a maioria dos participantes terá formação em disciplinas quantitativas, como matemática, estatística, ciências físicas, engenharia, pesquisa operacional, ciência da computação, finanças ou economia. Os participantes de outras disciplinas devem ter familiaridade com cálculos, planilhas e resolução de problemas computacionais.

Processo de admissão.

Antes da admissão, será realizada uma sessão de aconselhamento que se concentrará na compreensão dos pontos fortes e fracos dos participantes. Essas sessões não determinam necessariamente a elegibilidade dos participantes, mas ajudam os conselheiros a orientá-los com informações antes da inscrição.

Etapas de Admissão.

Datas importantes.

* Adicional de 18% GST Aplicável para Participantes Indígenas Residentes.

Descontos estão disponíveis para residentes de mercados emergentes, entre em contato conosco para mais detalhes no contact @ quantinsti.

Desconto baseado em mérito nas taxas do curso estão disponíveis com base na sua pontuação no teste de bolsa de estudos. Clique aqui para aproveitar.

Experiencia de aprendizado.

A QuantInsti oferece experiência de aprendizado on-line interativa, incluindo palestras ao vivo, tutoriais, interações de solução de problemas com o corpo docente. Nossos cursos de Negociação Algorítmica fornecem acesso 24 horas a todas as palestras gravadas e materiais do programa, acessíveis através do seu laptop, tablets e telefones.

As palestras ao vivo do EPAT TM são gravadas e carregadas em um portal de aprendizado personalizado. Cada participante recebe sua própria conta, permitindo que ele acesse o seguinte:

Aulas ao vivo e gravadas Notas de exercícios, exercícios, material de leitura adicional Amostra de código e planilhas Acesso da equipe de suporte para resolver suas dúvidas sobre prioridade.

O sistema de gerenciamento de aprendizagem rastreará seu aprendizado e fornecerá feedback imediato sobre seu progresso. Um gerente de aprendizado dedicado discutirá regularmente seu progresso em ligações e bate-papo para entender suas consultas e seu progresso. A maioria das ferramentas e softwares usados ​​no programa são de código aberto e estão disponíveis gratuitamente para permitir que os alunos continuem aprendendo após a conclusão do curso.

Por que este curso de comércio de algo?

Exposição Prática - Adquira o conhecimento, ferramentas e técnicas utilizadas pelos comerciantes no mundo real. Ensino e suporte especializados - O corpo docente do EPAT TM é uma equipe aclamada de acadêmicos e profissionais especialistas no setor Serviços de carreira - Nossos serviços de carreira e recursos de trabalho fique disponível para você no momento em que você começar o programa e durar toda a sua carreira profissional.

Seis meses de treinamento de negociação algorítmica na QuantInsti®

Aprendizagem ao Longo da Vida no QuantInsti®

Prometemos a aprendizagem ao longo da vida para os alunos após a conclusão do EPAT TM, que compreende:

Acesso a uma rede de professores e ex-alunos, que são profissionais e pesquisadores em negociação quantitativa, algorítmica e de alta frequência para os membros da indústria através de nossas comunidades on-line, grupos Linkedin Assistência na colocação e crescimento de carreira nas funções relevantes Convite para palestras convidadas que incluem novas inovações tecnológicas, treinamento para trabalhar em novas plataformas, avanço no campo relevante.

Exposição aos vários paradigmas de estratégia que são usados ​​globalmente para negociação algorítmica Automatize suas estratégias de negociação, aprendendo as ferramentas e habilidades necessárias para escrever e implementar as estratégias. Seja treinado para iniciar o Algorithmic Trading por conta própria, enquanto aprende tudo, desde a rede e hardware. Aspecto da HFT ao ambiente regulatório para o manuseio das operações de mesa Progressão da carreira para a indústria de comércio algorítmico - Beneficie-se dos Serviços de Posicionamento na QuantInsti após a conclusão bem-sucedida do programa. Especialize-se em uma classe de ativos ou paradigma de estratégia específica, passando por um projeto com um membro do corpo docente especialista no mesmo domínio.

Gerenciamento de dados de alta frequência e construção de modelos econométricos Aprenda a fazer backtest, implementar e negociar estratégias quantitativas avançadas Usar habilidades de programação para construir sistemas de negociação de baixa latência Usando pacotes estatísticos e integrando-os ao seu sistema de negociação Compreensão de criação de mercado, otimização de spread, custo de transação análise e gerenciamento antecipado de riscos Utilização de modelos de precificação de opções para a execução de livros sobre volatilidade e para a criação de mercados Mistura elétrica de conhecimento prático e teórico.

Os alunos bem-sucedidos deram 15 a 20 horas por semana para revisar e concluir o trabalho do curso dentro de um período de 4 meses antes de prosseguir para 2 meses de trabalho de projeto opcional.

Abordagem Quant para Construir Estratégias de Negociação: Parte Um.

Recentemente, Quandl entrevistou um gerente sênior de carteira quantitativa em um grande fundo de hedge. Nós falamos sobre como ela constrói estratégias de negociação - como ela transita de uma representação abstrata do mercado para algo concreto com poderes preditivos genuínos.

Você pode nos dizer como você cria novas estratégias de negociação?

Tudo começa com uma hipótese. Eu conjecturo que deve haver uma relação entre dois instrumentos, ou talvez haja um novo instrumento no mercado que esteja ganhando popularidade, ou talvez haja um fator macroeconômico incomum que descobri que impulsiona o comportamento de precificação de micro. Então eu escrevo uma equação - um modelo, se você quiser - que visa capturar esse relacionamento. Normalmente, haverá algum tipo de equação de processo que mostra como as variáveis ​​evoluem com o tempo, com um componente aleatório (estocástico).

O próximo passo é encontrar uma solução de formato fechado para este modelo. Às vezes isso é fácil; às vezes isso leva dias e semanas de álgebra; às vezes não há solução de forma fechada e tenho que me contentar com uma aproximação. Acho muito útil o kit de ferramentas de manipulação simbólica do Mathematica nesta etapa do processo.

Ok, agora eu tenho um modelo do mercado. Eu preciso testar se é realista. Nesta fase, geralmente me volto para o Matlab. Assumo alguns valores plausíveis para vários parâmetros e executo algumas simulações. As saídas simuladas parecem razoáveis? Eles refletem, pelo menos conceitualmente, a dinâmica real do mercado?

Assumindo que o modelo passe por essa verificação de integridade, é hora de ir além da exploração ou ideação do céu azul e da pesquisa formal.

O que você quer dizer com “pesquisa formal”? E por que isso é necessário?

Refiro-me à transição de uma representação abstrata e estilizada do mercado para algo concreto e não ambíguo, com poderes preditivos genuínos.

É difícil criar modelos realmente preditivos. Mas é muito fácil se enganar pensando que você criou um modelo preditivo, quando, na verdade, você simplesmente se encaixou demais ou usou testes na amostra ou impôs um conhecimento exógeno em suas regras, ou o que você tem. A maioria dos "sistemas" desmorona no mundo real por esse motivo preciso.

Eu não quero que isso aconteça ao meu modelo; Eu vou estar arriscando dinheiro real com isso. Assim, ao longo dos anos, construí e aprimorei uma abordagem sistemática, lenta e constante que minimiza o risco de me enganar. Isso é o que eu chamo de "pesquisa formal".

Quais etapas você inclui no seu processo formal de pesquisa?

Logo no início, meu maior medo é a contaminação de dados. A história é um recurso limitado; Depois de esgotar os dados históricos para testar, você não poderá gerar mais nenhum. Estou paranóico por não ter esgotado meu suprimento de dados fora de amostra não contaminados.

Então começo dividindo meus dados históricos em partes não sobrepostas. Eu então escolho aleatoriamente para que nem eu saiba qual pedaço é qual. (Isso protege contra preconceitos subconscientes: por exemplo, ter aversão ao risco quando eu sei que meu conjunto de dados de teste é 2008, ou que estou buscando risco em 2009).

Eu designo um pedaço como meu conjunto de calibração. Eu costumo usar o Python para calibração: eu uso suas bibliotecas de otimização internas e escrevi algumas das minhas. Neste exemplo em particular, meus parâmetros são restritos e correlacionados. Então eu uso um processo de otimização de 2 etapas chamado algoritmo EM. Os otimizadores podem ser sensíveis às condições iniciais, então eu uso o Monte Carlo para escolher um número de pontos de partida no espaço da solução. Tudo isso é muito fácil de fazer em Python.

O resultado dessa calibração deve ser um conjunto de “parâmetros do modelo” - valores numéricos - que podem ser combinados com observações reais do mercado para prever outros preços de mercado.

Depois de calibrar o modelo, testei a amostra. As previsões são estáveis ​​e os resíduos significam uma reversão? Se não, o modelo não funciona; tão simples como isso. Eu tento vários "truques" para quebrar o modelo. Por exemplo, calibre dados mensais, mas teste em dados diários. Ou eu testo parâmetros dos EUA nos dados do mercado canadense. Se o modelo reflete verdadeiramente a realidade econômica subjacente, deve ser bastante robusto para esses tipos de ataques. (Economia não muda quando você cruza fronteiras).

Então, você separa estritamente na amostra e fora da amostra; você se cega para intervalos de datas; você usa Monte Carlo para evitar vieses de ponto inicial; e você tenta vários truques de robustez. O que mais você faz para garantir que não se engane?

Eu coloco um prêmio muito alto em parcimônia. Se meu modelo requer muitos parâmetros ou tem muitos graus de liberdade, é apenas ajuste de curva; não é um modelo de todo. Então, estou constantemente tentando remover fatores. Se o modelo continuar funcionando (e permanecer "rico") com vários fatores removidos, provavelmente será um bom fator.

Uma segunda prova de robustez é se o modelo funciona bem, não importa qual estratégia de negociação você construa em cima dele. Se você só pode ganhar dinheiro usando uma regra de escala não linear complexa com todos os tipos de condições de borda, isso sugere uma falta de robustez.

Por fim, não há substituto para os dados. Penso em todos os conjuntos de dados possíveis fora da amostra em que posso testar o modelo de forma plausível: diferentes países, diferentes instrumentos, diferentes intervalos de tempo, diferentes frequências de datas. O modelo tem que trabalhar em todos eles; senão você tem viés de seleção nos resultados.

Isso parece abrangente. O que acontece depois?

Armado com um modelo calibrado, o próximo passo é construir uma simulação de PL. Resíduos de reversão média podem não ser suficientes se o conjunto de oportunidades for muito pequeno para compensar o bid-ask, ou se as explosões ocasionais matarem todos os meus lucros. Então eu preciso testar uma estratégia de negociação real usando o meu modelo. Aqui é onde eu tenho que exercitar o máximo cuidado: é muito fácil adaptar-se à curva adicionando novas variáveis ​​livres, ou distorcer os resultados com conhecimento subconsciente, ou eliminar os valores discrepantes. Simplicidade, separação rigorosa de amostras e honestidade intelectual são importantes aqui.

Eu uso o Excel para back-testing. Esta é uma escolha deliberada: o Excel não é tão poderoso quanto o Python, e isso significa que existe um limite superior em quão complexo eu posso fazer minhas regras de negociação. Isso é uma coisa boa: uma estratégia que requer complexidade para ser lucrativa provavelmente não é uma boa estratégia em primeiro lugar.

O Excel também permite que eu veja minhas suposições explicitadas; É fácil perder o controle de tais coisas quando você está trabalhando no código. Ele me permite visualizar as estatísticas de desempenho (risco, retorno, rebaixamentos, eficiência de capital, taxa de Sharpe e assim por diante) de forma rápida e clara. Mesmo que meu modelo “funcione”, não há garantia de que uma estratégia de negociação construída em torno do modelo será economicamente viável, portanto, essas estatísticas são importantes.

Muito poucos modelos de negociação superam todas as etapas acima: formulação de blue-sky e testes de sanidade; calibração histórica e desempenho fora da amostra; back-test e rentabilidade da estratégia de negociação. Mas, para os poucos que fazem isso, agora é hora de entrar em produção. Este é um jogo totalmente diferente.

Você pode ler a segunda parte da entrevista aqui. Nele, discutimos como a produção é um jogo totalmente novo e onde obter ideias para novas estratégias. Também respondemos às perguntas do leitor na terceira parte da entrevista.

Alguma pergunta para o nosso quant? Comentários? Deixe-os abaixo e ela responderá a você. Gostaríamos de saber sobre seu processo de criação de estratégias de negociação.

Deixe uma resposta Cancelar resposta.

Abordagem de uma Quant para construir estratégias de negociação: primeira parte Uma abordagem quantitativa para construir estratégias de negociação: parte dois Uma abordagem quantitativa para construir estratégias de negociação: parte três [& # 8230]

[& # 8230] Uma abordagem quantitativa para a construção de estratégias comerciais: primeira parte [Quandl] [& # 8230;]

[& # 8230;] parte de nossa entrevista com um gerente sênior de carteira quantitativa em um grande fundo de hedge. Na primeira parte, ela discutiu a fase teórica da criação de uma estratégia de negociação quantitativa. No segundo [& # 8230;]

[& # 8230;] Статья с аггрегатора Quandl Resource Hub. [& # 8230;]

Abordagem da Quant para Construir Estratégias de Negociação: Part One [Quandl] Recentemente, Quandl entrevistou um gerente sênior de carteira quantitativa em um grande fundo de hedge. Nós falamos sobre como ela constrói estratégias de negociação como ela transita de uma representação abstrata do mercado para algo concreto com poderes preditivos genuínos. Você pode nos dizer como você cria novas estratégias de negociação? Tudo começa com uma hipótese. Eu conjecturo que deveria haver um [& # 8230;]

[& # 8230] 1. Uma abordagem Quant para construir estratégias de negociação: primeira parte [& # 8230;]

Eu achei a entrevista bastante útil. No entanto, observo que você já usou o Matlab, Python e Excel (e presumivelmente usa C # / C ++ / Java) para produção. Não é este processo de mudança entre 4 idiomas complicado? Além disso, o que é em Matlab que você não pode fazer em Python ou vice-versa? Além disso, em relação ao Excel, você não acha que, embora a visualização seja útil, ela carrega muito risco operacional (as fórmulas não são arrastadas corretamente, a planilha não é atualizada corretamente, etc.)? Adoraria ouvir sobre isso.

& gt; Este processo de mudança entre 4 idiomas não é complicado?

Não é tão complicado. Eu normalmente acho que a parte mais entediante é garantir que os dados fluam de forma consistente e suave entre diferentes aplicativos ou idiomas. A tradução de sintaxe é fácil; tradução de dados, não tanto.

& gt; O que é isso no Matlab que você não pode fazer em Python ou vice-versa?

Hoje em dia, você tem razão, não há muito o que você não pode fazer em Python. E de fato me vejo usando Python cada vez mais. Mas esse nem sempre foi o caso; A multiplicidade de bibliotecas financeiras de código aberto em Python é um fenômeno relativamente recente.

& gt; Com relação ao Excel, você não acha que, embora a visualização seja útil, ela carrega muito risco operacional (as fórmulas não são arrastadas corretamente, a planilha não é atualizada corretamente, etc.)?

Eu concordo totalmente. O Excel é frágil de várias maneiras: é fácil cometer erros operacionais, é impossível auditar; não é muito produtivo; paira nos momentos mais inconvenientes. Então você tem que ter muito cuidado em como e onde você usa o Excel. Dito isso, acho que os benefícios superam os muitos custos.

Eu achei a entrevista útil. No entanto, eu vejo que você já usou o Matlab, Python e excel (e possivelmente estaria usando C ++ / C # / Java / python para produção). Este processo não é complicado? Além disso, o que é que no Matlab você não pode fazer em Python ou vice-versa? E você não acha que o Excel é um risco operacional (você geralmente arrasta e solta fórmulas que podem introduzir erros manuais, confiar na atualização das folhas corretamente, etc.)?

[& # 8230] Uma abordagem quantitativa para construir estratégias de negociação (quandl) [& # 8230]

Abordagem muito sensata. Eu gosto especialmente da importância colocada em manter seus dados OOS sacrossantos. O único aspecto com o qual tenho dúvidas é a remoção de fatores para testar a estabilidade. Talvez seja apenas o formato de entrevista tornando as coisas um pouco menos claras. Mas eu construo modelos de uma forma bottom-up não de cima para baixo. Um novo fator adiciona informações ou não. Se o meu modelo de dois fatores tem IC mais alto do que o meu modelo de três fatores, então o terceiro fator é supérfluo e não deve ser adicionado em primeiro lugar. Então, por definição, a remoção de um fator de um modelo bem especificado sempre resultará em desempenho de previsão degradado.

Minhas desculpas, lvcm, eu não estava claro o suficiente. (Veja também minha resposta para David, up-thread).

Eu não removo fatores em minha fase de testes; Eu tento removê-los na minha fase de especificação. Se novos graus de liberdade não estiverem adicionando poder explicativo, eu os esvazio. Mas uma vez que eu passei para testes e verificações de robustez, não faz sentido remover fatores. (Na verdade, eu nem sei o que isso significa "não é como se você pudesse simplesmente" ignorar "kappa ou qualquer outra coisa".

Mantendo os dados OOS sacrossantos & # 8212; totalmente com você sobre isso. Se há uma coisa que eu gostaria de poder martelar nas cabeças das pessoas, é a importância deste passo.

Eu faço modelagem quantitativa e análise para viver. Eu fiz alguns modelos interessantes em R até agora. O problema é que eu não sou nem bom em Python nem tenho horas para aprender isso, & # 8211; ser capaz de fazer tarefas confortavelmente. Existe uma maneira de colaborar com alguém que tenha a experiência e conhecimento para fazer o teste de volta, teste de PL, etc.

É claro que posso fazer estimativas de modelos em relação aos preços históricos & # 8211; no entanto, isso não é suficiente. É necessário simular como o modelo teria sido executado se estivesse realmente operando.

Você já tentou usar o Quantopian para back-testing? Seu IDE (ambiente de desenvolvedor integrado) facilita bastante, embora exija conhecimento em Python.

Também construí um ambiente de teste de retorno em Ruby (uma linguagem de programação semelhante ao Python).

De qualquer forma, eu ficaria feliz em ajudá-lo a traduzir seu modelo em algo programático.

Este é um informativo para entrevista como quant. Você poderia dar mais detalhes sobre o uso de Monte Carlo em parâmetros & # 8217; inicialização? Mais uma vez obrigado.

Estou um pouco surpreso com este artigo. Por que fazer um modelo estocástico fora do caminho que você gasta & # 8216; semanas & # 8217; resolver com álgebra auxiliada por computador, mas depois descartar a maioria dos parâmetros? Como o produto final poderia ser diferente de outras coisas?

Você me entende mal & # 8212; minhas desculpas por não ser mais claro!

Eu tento descartar os parâmetros logo no início, quando estou especificando meu modelo. Eu vi quants com modelos com 20 parâmetros de longo prazo e 12 graus diários de liberdade. Para mim, esses modelos não são, eles são articuladores universais: eles podem se encaixar em qualquer coisa. Eu nunca arriscaria dinheiro em nada tão complexo.

Então, tento ser o mais parcimonioso possível ao criar meu modelo.

Uma vez que eu tenha definido um modelo que eu acho que é economicamente razoável e logisticamente correto, só então tento minhas verificações de robustez. E neste estágio eu não descarto parâmetros. Mas eu presto atenção às sensibilidades. Se a minha lucratividade é incrivelmente sensível a um parâmetro específico que atinge um valor específico e se desfaz em pequenas perturbações, então suspeito que meu modelo seja apenas "sortudo", não inteligente. Mas eu concordo com você que remover parâmetros totalmente neste estágio seria bobo.

Estou impressionado, o que você acha sobre a regra de gerenciamento de dinheiro, como tamanho ótimo de apostas?

Esta é uma excelente entrevista e eu aprecio que você tenha tido tempo para fornecer insights sobre o design da sua estratégia. Isso seria muito demorado, mas seria possível fornecer um exemplo real usando um sistema real (independentemente de o sistema ser lucrativo ou não). Conceitualmente eu entendo o que você está dizendo, mas seria informativo para colocar exemplos reais para as etapas. Mais uma vez, obrigado pelo seu tempo.

Eu gostaria de fazer uma pergunta básica. Eu estou começando no campo da análise quantitativa. No entanto, você parece ser bastante experiente e neste campo por um longo tempo. Gostaria de perguntar se as estratégias quantitativas ou técnicas estão lhe dando consistência & # 8216; confortável & # 8217; retorna. Você confia em um sistema ou continua a modificá-lo arbitrariamente e se você usa alguma análise fundamental também para auxiliar a análise técnica.

Você tem que continuar evoluindo com os mercados. Nenhum sistema ou estratégia única funciona para sempre.

Eu gostaria de perguntar quais são as verificações e procedimentos adicionais quando um modelo é levado ao vivo, em particular como você monitora e gerencia continuamente o modelo uma vez vivo? Você configura regras de monitoramento predefinidas ou disjuntores que desativam o modelo automaticamente? Se sim, como você constrói estes, que tipos de medidas você usa neles? Também relacionado como você identifica e lida com períodos de desempenho inferior razoável? Esse desempenho insuficiente pode tornar uma dúvida os modelos e fazer parecer que um modelo parou de funcionar quando isso não acontece.

Eu sou meio antiquado & # 8212; Eu não acredito que os disjuntores realmente funcionem. Ou, para ser mais preciso, os portfólios com disjuntores programáticos têm desempenho inferior às carteiras sem, no longo prazo. O raciocínio é que os disjuntores impedem que você saia de bons negócios com muita frequência, de tal forma que essas perdas superam as raras ocasiões em que elas evitam que você tenha grandes problemas.

Nota: Eu estou falando sobre portfólios clássicos de quantificadores aqui; execução não eletrônica ou HFT. Nos últimos casos, posso ver totalmente por que você deseja vários failafes e disjuntores; esses livros podem fugir de você muito rápido. Mas essa não é minha área de especialização.

Dentro da minha área, observei alguns padrões em modelos que se quebram. Para começar, eles raramente explodem instantaneamente; em vez disso, ou a oportunidade simplesmente desaparece (arbitrada por copycats) ou o spread lentamente e imperceptivelmente se distancia cada vez mais do valor justo e nunca volta (mudança de regime).

Por outro lado, se uma negociação diverge e então a divergência acelera, isso me cheira muito mais a capitulação. Nesses casos, quero manter minha posição e, de fato, adicionar, se puder.

Portanto, a conclusão paradoxal é que quanto mais rápido um modelo perde dinheiro, mais provável é que ainda seja válido.

Boa sorte em programar um disjuntor coerente para lidar com essa lógica!

Este é realmente um microcosmo do problema maior. Uma situação em que um disjuntor realmente ajudaria, quase certamente será uma perversão suficiente para evitar a maioria das tentativas a priori de definição. São os desconhecidos desconhecidos que te pegam, todas as vezes.

Nota importante: o acima é informado pela minha própria posição e preferência de risco. Sou superior o suficiente e bem-sucedido o suficiente para que a maximização do portfólio seja meu incentivo central. Se eu fosse mais jovem, manter meu emprego (permanecer no jogo) seria meu incentivo central. E, nesse caso, os disjuntores ajudam porque evitam perdas catastróficas e perdedoras de empregos, enquanto as perdas perdidas não aparecem em nenhum relatório da PL.

& gt; Como você identifica e lida com períodos de desempenho insuficiente?

Esta é a pergunta de cem milhões de dólares! Eu gostaria de ter uma resposta definitiva e inequívoca para lhe dar "# 8212; isso me ajudaria também

Obrigado pelo feedback. Eu tomo um pequeno conforto do fato de que os profissionais também lutam com esse tipo de pergunta.

Mais uma pergunta se eu puder & # 8212; Eu brinquei com as idéias de (mas ainda não realmente testadas / simuladas / implementadas) mais & # 8220; gradual & # 8221; tipo de gestão / monitorização, e. onde você controla digamos a quantidade de capital comprometida com um modelo específico (ou cesta de modelos) e reduza gradualmente ou diminua gradualmente ao longo do tempo, dependendo do desempenho do modelo agregado.

A ideia básica seria que o processo de gestão teria uma visão de longo prazo suficiente para não levar o modelo & # 8220; out & # 8221; dos mercados de rebaixamentos razoáveis ​​/ esperados (devido à observação de uma amostra suficientemente grande de desempenho), enquanto ainda assegurando que o modelo finalmente pare de ser negociado se os retornos forem reduzidos ou negativos para um tamanho de amostra representativo.

É claro que essa idéia não seria garantia contra perdas como tal, mas a esperança seria que isso pudesse ser suficiente para pelo menos impedir um estilo de expansão do LTCM.

(Para adicionar: eu acho que parece-me que um dos erros com o blowup LTCM foi assumindo que seus modelos sempre funcionaria e, portanto, eles não tinham plano, sem nível de monitoramento, nada para dizer-lhes sistema fora do conhecido / parâmetros esperados, reduzir a escala para preservar o capital & # 8221 ;. E eu gostaria de aprender e evitar esse tipo de erro, se for possível & # 8230;)

Você mencionou "mudança de regime" & # 8221 ;. Então, como você decide que o seu comércio perdeu o suficiente para você considerar que seu modelo não funciona mais? Eu acho que um & # 8220; Post # 3: monitoramento e manutenção & # 8221; seria legal 😀 Obrigado por compartilhar!

Tudo muito sensato. Eu achei este comentário interessante:

& # 8221; Por exemplo, eu calculo em dados mensais mas testo em dados diários. & # 8221;

Eu acho que depende do que você quer dizer com "calibração & # 8217; mas isso me pareceu um pouco incomum.

Vamos simplificar e suponha que eu esteja tentando capturar tendências (lentas) usando um crossover de média móvel. Eu brinco com dados mensais até conseguir algo que acho que funciona. Para mover para dados diários eu deveria multiplicar alguns parâmetros por.

20 (como os comprimentos médios móveis) porque há cerca de 20 dias úteis em um mês e outros por.

sqrt (20) [vários parâmetros de escala muito chatos para discutir aqui]. Mas o modelo ainda deve se comportar da mesma maneira. O volume de negócios, por exemplo, não deve aumentar quando eu passo para o diário.

Por outro lado, se eu mantiver os parâmetros iguais, em vez de pegar uma tendência de 6 meses, eu estou pegando uma tendência de 6 dias úteis. Mas o ponto ideal para a tendência seguindo a maioria dos ativos tende a ser um pouco mais lento do que isso, então é improvável que pareça tão bom. Também o meu volume de negócios será muito maior, mas então você esperaria isso. Para colocar de outra forma, eu não tenho certeza de que todos os aspectos do comportamento do mercado são "fractal". de tal modo que posso aplicar exatamente o mesmo modelo a diferentes escalas de tempo.

Oi Rob Poster original aqui. Obrigado por um comentário mais perspicaz!

Os mercados são fractais? Grande pergunta e uma que passei muitas noites debatendo sobre scotch.

Pessoalmente, acho que não, porque certos eventos exógenos atuam como uma função forçadora: chamadas de margem diárias de trocas, MTMs mensais para fundos de hedge, demonstrações financeiras trimestrais para bancos de capital aberto. Esses eventos causam * algo * para acontecer (não importa o que) nessas freqüências. Assim, nem todas as escalas de tempo são criadas iguais, e apenas acelerar / desacelerar o relógio não é * uma abordagem “neutra”.

Então, eu realmente sou muito cauteloso sobre quais estratégias eu faria com esse tipo de mudança de tempo.

Aqui está uma estratégia de brinquedo onde o deslocamento do tempo pode funcionar. Pegue 2 tiras de futuros no mesmo “espaço” - talvez trigo de inverno e primavera. Procure casos em que 1 é retrocedido e o outro em contango. Compre frente baixa, venda de volta alta, venda frente alta, compre de volta baixa. Uma estratégia totalmente simples, quase “burra”, mas para muitos pares de futuros costumava funcionar bem.

Este é um ótimo caso para mudar escalas de tempo. Essa estratégia deve funcionar se você amostrar / reequilibrar semanalmente, mensalmente ou trimestralmente - porque as variáveis ​​de decisão são estado puro, sem caminho. Não estamos olhando para históricos de preços; nem estamos olhando para instrumentos com um componente de tempo (títulos que se acumulam, ou opções que decaem ou aleatoriamente caminham com um desvio). Então, dado que a estratégia é realmente limpa, podemos nos safar desse tipo de teste de robustez.

(Advertência: o lance-pedido é o fator complicador aqui - sua escala de tempo escolhida precisa ser grande o suficiente para permitir uma ação de preço que supere o atrito. O lance-pedido é a ruína de quantos em todos os lugares.)

Mas eu nunca aplicaria esse mesmo teste para dizer uma estratégia de acompanhamento de tendências. Isso levantaria todo tipo de questões filosóficas. O que significa para uma estratégia ter um “ponto ideal” em, digamos, 9 dias, ou 200 dias, ou sempre? Ao otimizar para esse ponto ideal, você está ajustando a curva? Ou o fato de que quase todo mundo usa 9d e 200d cria uma profecia auto-realizável, e então esses números representam algo estrutural sobre o mercado? Eu já ouvi argumentos convincentes nos dois sentidos. E se você amostrasse seus dados no intervalo X e, em seguida, fizesse médias móveis de 9X e 200X & # 8212; Isso funcionaria? Diversas questões filosóficas; Eu não tenho certeza das respostas.

Outras notas: Concordo que “calibração” foi uma escolha desleixada da palavra por mim nessa frase em particular. "Ideação" teria sido melhor. Se você está calibrando, já está introduzindo mais estrutura do que a mudança de horário pode manipular com segurança.

Você está absolutamente correto re (t) e sqrt (t) - e eu concordo com você, muito chato para discutir aqui.

Mais uma vez obrigado pelo comentário!

Eu acho que "calibrar em dados mensais, mas teste em dados diários" # 8221; significa recalibrar um modelo de rolamento (como, por exemplo, uma regressão contínua) todos os meses, mas usando dados diários. Em seguida, teste com esse modelo recalibrado no mês seguinte, novamente usando dados diários.

Meio como um método de teste para a frente?

Desculpe por não ser claro. O que eu quis dizer foi mais próximo da interpretação original de Rob: Eu construo uma ideia com dados amostrados na frequência X, mas depois a testo com dados amostrados na frequência Y. A recalibração de walk-forward ou mensal é um exercício separado, que eu empreender após o modelo ter sido "em produção" # 8221; por algum tempo.

Aves tardias obtêm o worm: dados de pagamento e força da empresa.

Em um recente artigo do Huffington Post, Nathaniel Sillin, diretor de educação financeira global da Visa, escreveu: “Entender quanto custa administrar uma casa e a importância de pagar suas contas em dia pode ajudá-lo a evitar erros dispendiosos”. De acordo, o sábio conselho de Sillin não é tão universal quanto você imagina. Pelo menos não no mundo dos negócios. A Bloomberg citou um relatório do parceiro de Quandl, Dun & amp; Bradstreet (essencialmente a Experian e Equifax do mundo dos negócios), alegando que “para grandes empresas,. . . as coisas são diferentes. Por um lado, eles.

O panorama dos dados do setor automotivo.

Desde que o homem inventou a roda pela primeira vez, nossa necessidade de otimizar a forma como nos movemos tem sido uma obsessão quase primitiva. Desde o advento do primeiro veículo motorizado até carros autônomos, a indústria automobilística evoluiu rapidamente em sua adoção da tecnologia. Estamos agora experimentando o que é provavelmente o maior avanço no setor automotivo desde que Henry Ford projetou pela primeira vez sua linha de montagem móvel: a ascensão do carro conectado. Estimativas de inteligência de BI do Scotiabank, até 2020, mais de 75% dos novos carros embarcados serão conectados à Internet. Desde a leitura das notificações do Facebook até a medição da segurança e da integridade do motor.

Icebergs, camaleões e víboras: uma pesquisa de execução de FX.

O mercado de câmbio há muito tem sido o mais descentralizado e opaco de todos os mercados. Como resultado, os operadores de FX trabalham sob grandes desvantagens informacionais em comparação com seus pares em outras classes de ativos. Diferentemente dos mercados acionários, nos quais as regulamentações da SEC determinam que as bolsas públicas informem os preços das transações e os volumes de negociação diários, o FX não possui tais fontes de dados unificadas. Não há trocas centrais, buracos ou quadros de avisos. Em vez disso, as transações de câmbio ocorrem por meio de um milhão de telefonemas, visitas de clientes, segmentos de e-mail e plataformas de negociação. Todo o mercado é over-the-counter, festa a festa, e ninguém sabe o que alguém está fazendo além.