Trading Strategie Confronto

Migliori Trading Opzioni Brokers 2017 Accanto a operatori attivi, non vi è probabilmente nessun cliente più prezioso per un broker online che un commerciante di opzioni. Opzioni commerci offrono margini di profitto molto più elevati per i broker di commerci, e, di conseguenza, la concorrenza è feroce per attirare questi clienti. Questo tipo di atmosfera mercato è grande per gli investitori perché con sana competizione arriva l'innovazione e prezzi competitivi. Il nostro vincitore anche quest'anno, OptionsHouse (acquisita da ETRADE nel 2016), capisce quello che serve per avere successo in questa nicchia. OptionsHouse non solo offre opzioni di commissioni altamente competitive, ma anche una piattaforma fantastica. Opzioni mestieri sono un piatto 4,95 .50 per contratto. Solo Interactive Brokers offre una migliore all-around prezzi per le opzioni compravendite. Piattaforma saggio, la piattaforma OptionsHouses web-based offre tutti gli strumenti di un commerciante di opzioni può desiderare e li visualizza in forma splendida. L'attenzione ai dettagli, come automatica a fianco personalizzato diffonde raggruppamenti, la scansione senza sforzo attraverso strategySEEK, e facile da comprendere i dati riskreward attraverso TradeLab, fare OptionsHouse un'esperienza davvero unica. La piattaforma OptionsHouse è la migliore del settore. Mantenere i riflettori su piattaforme ad alto ottano e strumenti per commercianti di opzioni, TD Ameritrades thinkorswim e TradeStation non possono essere lasciati fuori. Strategia Roller da thinkorswim consente ai clienti di creare regole personalizzate e rotolare automaticamente le loro posizioni in opzioni esistenti. Il numero di impostazioni e profondità di personalizzazione disponibili è impressionante, e qualcosa weve coltivato aspettarsi da thinkorswim. Per non essere da meno, strumento TradeStation OptionsStation fa analizzando potenziali operazioni un gioco da ragazzi, e persino va per quanto inclusi grafici 3D PL. Gli investitori di notare, però: Popcorn e occhiali 3D non sono necessari, e mentre visivamente accattivante, non abbiamo visto alcun vantaggio rispetto alla tradizionale grafico 2D PL. Se caratteristiche uniche e questioni funzionalità per te, Charles Schwabs Passeggiata Limite tipo di ordine, che sarà a piedi il vostro ordine per cercare di ottenere il prezzo più favorevole entro l'offerta migliore nazionale o di offerta (NBBO), è davvero impressionante. Il broker offre anche Hub Idea, che utilizza scansioni mirate a visivamente abbattere nuovi possibili opzioni di commerci. Ci sono un sacco di grandi mediatori tra cui scegliere nel mondo del trading di opzioni. Nel 2017, gli investitori dovrebbero aspettarsi loro broker per includere la scansione, l'analisi PL, analisi dei rischi e la gestione facile-ordine. funzionalità di gestione Posizione e legando l'esperienza tutti insieme è dove piattaforme come OptionsHouse e thinkorswim davvero spiccano e distinguersi. In definitiva, si tratta di preferenze personali e le priorità di peso, come il costo per il commercio contro la facilità d'uso e la selezione degli utensili. Tutti i dati relativi ai prezzi è stato ottenuto da un sito web pubblicato come di 2.202.017 e si crede di essere preciso, ma non sono garantite. Il personale gli agenti di cambio è costantemente al lavoro con i suoi rappresentanti broker on-line per ottenere i dati relativi ai prezzi più recenti. Se si ritiene che i dati sopra elencati siano corrette, puoi contattarci tramite il link in fondo a questa pagina. Le tariffe degli scambi azioni, il prezzo pubblicizzato è per una dimensione di ordine standard di 500 parti di azioni al prezzo di 30 dollari per azione. Per le opzioni di ordini, può applicare una delle opzioni a pagamento regolamentare per contratto. TD Ameritrade, Inc. e agenti di cambio sono separate, le aziende non affiliate e non sono responsabili per ogni altri servizi e prodotti. Le opzioni non sono adatti a tutti gli investitori, come i rischi particolari inerenti alla negoziazione di opzioni possono esporre gli investitori a perdite potenzialmente rapidi e sostanziali. privilegi opzioni commerciali soggette a TD Ameritrade revisione e l'approvazione. Si prega di leggere: caratteristiche e rischi opzioni standardizzate prima di investire in opzioni. Offerta valida per un nuovo individuale, congiunto o IRA TD Ameritrade conto aperto da 09.302.017 e finanziato entro 60 giorni di calendario di apertura del conto con 3.000 o più. Per ricevere 100 fx, account deve essere finanziato con 25,000-99,999. Per ricevere 300 fx, account deve essere finanziato con 100,000-249,999. Per ricevere 600 di fx, account deve essere finanziato con 250.000 o più. L'offerta non è valida per i trust esenti da tasse, conti 401k, piani Keogh, profitto programma di condivisione, o Money piano di acquisto. Offerta non è trasferibile e non cumulabile con trasferimenti interni, conti gestiti da TD Ameritrade Investment Management, LLC, conti TD Ameritrade istituzionali, e conti correnti TD Ameritrade o con altre offerte. Qualificati ordini senza commissione internet equità, ETF o opzioni saranno limitati ad un massimo di 250 e devono eseguire entro 90 giorni di calendario di finanziamento conto. Contratto, si applicano ancora di esercizio, e le spese di assegnazione. Limite di una sola offerta per cliente. il valore del conto del conto qualificazione deve rimanere uguale, o superiore, il valore dopo il deposito netta è stata fatta (al netto di eventuali perdite dovute alla negoziazione o saldi volatilità di mercato o di debito margine) per 12 mesi, o TD Ameritrade può addebitare il conto il costo dell'offerta a sua esclusiva discrezione. TD Ameritrade si riserva il diritto di limitare o revocare l'offerta in qualsiasi momento. Questa non è un'offerta o una sollecitazione in alcuna giurisdizione in cui non siamo autorizzati a fare affari. Si prega di consentire 3-5 giorni lavorativi per eventuali depositi in contanti di inviare sul conto. Le imposte relative al TD Ameritrade offerte sono a vostro carico. I valori di vendita al dettaglio per un totale di 600 o più durante l'anno civile saranno inclusi nella forma consolidata 1099. Si prega di consultare un consulente legale o fiscale per le più recenti modifiche al codice fiscale degli Stati Uniti e per le regole di ammissibilità rollover. (Offerta Codice 264) membro FINRASIPC TD Ameritrade Inc.. TD Ameritrade è un marchio registrato di proprietà congiunta di TD Ameritrade società IP, Inc. e The Toronto-Dominion Bank. 2016 TD Ameritrade IP Company, Inc. Tutti i diritti riservati. Usato con permesso. Esclusione di responsabilità. Sono le nostre organizzazioni missione primaria di fornire recensioni, commenti e analisi che sono imparziale e obiettiva. Mentre gli agenti di cambio ha tutti i dati verificati da operatori del settore, che può variare di volta in volta. Operando come un business online, questo sito può essere compensata tramite gli inserzionisti terze parti. Il nostro ricevimento di tale compensazione non deve essere interpretata come un'approvazione o raccomandazione da parte di agenti di cambio, né si BIAS nostre recensioni, analisi e opinioni. Si prega di vedere le nostre Avvertenze generali per ulteriori informazioni. Reink Media Group LLC. Tutti i diritti sistemi reserved. Trading Sistemi di Trading Systems di negoziazione sono la spina dorsale per i commercianti meccanici. I commercianti nel corso del tempo imparano i loro punti di forza e di debolezza. Questo processo evolutivo richiede un operatore sempre più vicini alla meta finale della redditività. Questo processo richiede un po 'di lividi di quelli ego e conto in banca. Tuttavia, alla fine di questa maturazione un commerciante inevitabilmente uscire vittoriosi. Mentre ci sono alcuni commercianti che fanno i soldi sul dono del tatto. La stragrande maggioranza di operatori professionali hanno imparato a sviluppare un sistema di trading vincente per raggiungere il successo. Ora ci sono alcuni sistemi di trading gratuiti su Internet, ma troppo spesso questi sono solo su tecniche di vendita, sperando di disegnare una persona nel grande acquisto della strategia premium. Ora, mentre probabilmente vi è un sistema di libero scambio solido là fuori, le probabilità sono se il suo libero che si sta per ottenere quello che si paga. Trading System Auto Trading Automatico permette al trader professionista di guardare al mercato oggettivamente. Dal momento che il mercato non è altro che la somma emozionale dei suoi partecipanti, un sistema di trading automatico consentirà un commerciante di separarsi dal rumore. Questo è il potere di sistemi di trading. Il sistema eseguirà un segnale di trading indipendentemente da ciò che l'investitore può essere emotivamente sensazione al momento è iniziato il commercio. Ci sono stati probabilmente un numero di operatori durante il boom di Internet, che ha voluto rimanere a lungo, perché avevano fatto così tanti soldi. Ma ogni sistema automatizzato bene avrebbe avuto un certo numero di fermate di protezione in atto, che avrebbe messo il commerciante in una posizione di cassa. sistemi di trading sono una componente fondamentale di mediatori accesso diretto e professionisti giorno di negoziazione. La maggior parte dei negozi al dettaglio saranno semplicemente comprare e vendere gli ordini, ma non completamente automatizzato di trading. Il broker accesso diretto TradeStation Securities, permette un commerciante di sviluppare strategie che utilizzano TradeStation codifica sceneggiatura - lingua facile. lingua Easy consente un commerciante con poca o nessuna esperienza di sviluppo di scrivere buy complessa e vendere strategie. Questi sistemi possono essere utilizzati per eseguire operazioni in tempo reale sul mercato. La maggior parte delle piattaforme di trading permetteranno al commerciante la scelta degli ordini vengono inviati al mercato immediatamente o autorizzazione all'utente prima dell'esecuzione. autorizzazione ordine permette un commerciante di applicare un certo senso di soggettività ad un sistema di negoziazione. La richiesta di autorizzazione può anche essere un gioco pericoloso come un commerciante non sa mai quando un segnale di trading funziona in loro favore. Questo è il motivo del suo meglio per tutto il sistema commerciale per eseguire tutti i segnali di trading, rispetto cercando di scegliere quali segnali di prendere. Trading System Review Prima di utilizzare qualsiasi metodo di trading, ci deve essere un esame approfondito del sistema commerciale. Mentre ci sono una serie di servizi che offrono una revisione del sistema di scambio, è in ultima analisi, fino al singolo investitore per eseguire la sua due diligence. La cosa fondamentale da ricordare è quello di concentrarsi non solo sui guadagni nel corso di un determinato periodo di tempo, ma anche la massima perdita e il rischio di esposizione del sistema. Ad esempio, se un sistema è ribassista fino enorme nel corso di un mercato orso, questo non significa molto. Il sistema deve inoltre essere giudicato in un tempo di forza mercato pure. Ricordate, non è il sistema, ma piuttosto la vostra fede cieca nella strategia che alla fine porterà al successo. Per un elenco dei sistemi di trading visitare tradingsystemreviews. L'recensioni sistemi di trading sito ha pubblicato il feedback degli utenti e informazioni sui costi per molti dei sistemi di trading disponibili su Internet. Related PostIl mercato dei cambi è enorme, con volumi giornalieri di oltre 4 miliardi di dollari. Quando si fa trading forex è necessario un affidabile e di alto regolata Forex broker di offerta: (i) ridurre gli spread Commissioni amp (ii) varietà di opzioni e attività di negoziazione (iii) Esecuzione veloce senza Re-Quotes Notizie-Trading e Curry-Trading sono i migliori strategie per il Forex trading. STOCKS INDICI scorte di negoziazione amp Indici può rivelarsi molto redditizio nel lungo periodo se si impara a rispettare alcune regole di base. Si inizia a fare i soldi, non appena si diventa in grado di identificare con successo due importanti variabili contrattazioni: (i) Cosa acquistare utilizzando Analisi Fondamentale (ii) quando acquistare utilizzando Azioni analisi tecniche e indici tendono a seguire modelli rialziste ultimi 7-9 anni e dopo i modelli ribassisti ultimi 3-4 anni. COMMODITY mercati di negoziazione Commodities richiede informazioni perfetto e una buona comprensione di come la domanda e lo spostamento dell'offerta di tanto in tanto. Materie prime possono essere negoziati con: (i) Commodities Excgange-Traded (ETC) (ii) Futures, forwads e CFD (iii) esotiche Instruments binarie opzioni energetiche Materie prime tendono a seguire schemi temporali annuali, mentre metalli preziosi tendono a seguire più tempo circles. November 30, 2016, 12:34 qualche mese fa un lettore segnalo questo nuovo modo di collegare R ed Excel. Io don8217t so per quanto tempo questo è stato in giro, ma non ho mai incontrato e I8217ve mai visto alcun post o un articolo su di esso. Così ho deciso di scrivere un post come lo strumento è davvero valsa la pena e prima che qualcuno chiede, I8217m non legato alla società in qualsiasi modo. BERT acronimo di Basic Excel R Toolkit. It8217s gratuito (sotto licenza GPL v2) ed è stato sviluppato da Dati strutturati LLC. Al momento della stesura della versione corrente del BERT è 1.07. Ulteriori informazioni possono essere trovate qui. Da un punto di vista più tecnico, il BERT è progettato per supportare le funzioni di esecuzione R da celle del foglio di Excel. In termini di Excel, it8217s per la scrittura di funzioni definite dall'utente (UDF) a R. In questo post I8217m non andando a mostrare come R ed Excel interagiscono tramite BERT. Ci sono molto buoni tutorial qui. qui e qui. Invece io voglio mostrarti come ho usato BERT di costruire un tower8221 8220control per il mio trading. I miei segnali di trading sono generati utilizzando una lunga lista di file R, ma ho bisogno della flessibilità di Excel per visualizzare i risultati in modo rapido ed efficiente. Come indicato sopra BERT può fare questo per me, ma voglio anche di adattare l'applicazione alle mie esigenze. Combinando la potenza di XML, VBA, R e BERT posso creare un bell'aspetto ma potente applicazione sotto forma di un file Excel con codice minimo VBA. In definitiva Ho un singolo file di Excel raccolta di tutti i compiti necessari per gestire il mio portafoglio: aggiornamento del database, la generazione di segnali, gli ordini presentazione etc8230 mio approccio potrebbe essere suddiviso in 3 passaggi riportati di seguito: Utilizzare XML per creare menu e pulsanti definiti dall'utente in un Excel file. I menu ei pulsanti di cui sopra sono chiamate essenzialmente a funzioni VBA. Queste funzioni VBA sono wrapup intorno alle funzioni di ricerca definite utilizzando BERT. Con questo approccio posso mantenere una chiara distinzione tra il nucleo del mio codice tenuto in R, SQL e Python e tutto utilizzato per visualizzare e formattare i risultati tenuti in Excel, VBA XML amplificatore. Nelle prossime sezioni vi presento il presupposto di tale sviluppato un approccio e una guida passo passo che spiega come BERT potrebbe essere utilizzato semplicemente per il passaggio di dati da R in Excel con codice minimo VBA. 1 8211 Scaricare e installare BERT da questo link. Una volta completata l'installazione si dovrebbe avere un nuovo menu componenti aggiuntivi in ​​Excel con i tasti come mostrato di seguito. Questo è il modo BERT materializzata in Excel. 2 8211 Scaricare e installare editor personalizzato dell'interfaccia utente. L'interfaccia utente personalizzata Editor permette di creare menu e pulsanti definiti dall'utente in nastro Excel. Una procedura passo passo è disponibile qui. Guida passo passo 1 8211 R Codice: Il sotto funzione R è un semplice pezzo di codice solo a scopo illustrativo. Calcola e restituire i residui da una regressione lineare. Questo è quello che vogliamo recuperare in Excel. Salva questo in un file chiamato myRCode. R (qualsiasi altro nome va bene) in una directory di vostra scelta. 2 8211 functions. R in BERT. Da Excel selezionare Componenti aggiuntivi - gt Home directory e aprire il file chiamato functions. R. In questo file incollare il seguente codice. Assicurarsi di inserire il percorso corretto. Questo è solo di sourcing in BERT file R creato in precedenza. Quindi salvare e chiudere il file functions. R. Se si vuole fare alcuna modifica al file R creata nel passaggio 1 si dovrà ricaricare utilizzando il pulsante BERT 8220Reload avvio File8221 dal menu componenti aggiuntivi in ​​Excel 8211 In Excel 3: Creare e salvare un file chiamato myFile. xslm (qualsiasi altro nome va bene). Si tratta di un file con attivazione macro che si salva nella directory di vostra scelta. Una volta che il file viene salvato in prossimità di esso. 4 8211 Aprire il file creato in precedenza in editor personalizzato dell'interfaccia utente: Una volta che il file è aperto, incollare il codice qui sotto. Si dovrebbe avere qualcosa di simile nel editor XML: Essenzialmente questo pezzo di codice XML crea un menu aggiuntivo (RTrader), un nuovo gruppo (Il mio gruppo) e un pulsante definito dall'utente (Nuova Button) nella barra multifunzione di Excel. Una volta fatto you8217re, myFile. xslm aperto in Excel e chiudere l'editor interfaccia utente personalizzata. Si dovrebbe vedere qualcosa di simile. 5 8211 Apri editor VBA. In myFile. xlsm inserire un nuovo modulo. Incollare il codice riportato di seguito nel modulo appena creato. Questo cancella i risultati precedenti nel foglio di lavoro prima di affrontare nuovi. 6 8211 clic sul pulsante Nuovo. Ora tornare al foglio di calcolo e nel menu RTrader fare clic sul pulsante 8220New Button8221. Si dovrebbe vedere qualcosa di simile al di sotto apparire. La guida di cui sopra è una versione molto di base di ciò che può essere raggiunto utilizzando BERT ma mostra come combinare la potenza di diversi strumenti specifici per costruire la propria applicazione personalizzata. Dal mio punto di vista l'interesse di un tale approccio è la capacità di incollare insieme R ed Excel, ovviamente, ma anche di comprendere tramite XML (e batch) pezzi di codice da Python, SQL e molto altro ancora. Questo è esattamente quello che mi serviva. Infine Sarei curioso di sapere se qualcuno ha qualche esperienza con BERT 19 agosto, 2016, 9:26 Durante il test di strategie di trading un approccio comune è quello di dividere i dati iniziali fissati in in dati di esempio: la parte dei dati progettata per calibrare il modello e di dati di esempio: la parte dei dati utilizzati per convalidare la taratura e garantisce che l'creata nel campione sarà riflessa nel mondo reale. Come regola empirica circa 70 dei primi dati possono essere utilizzati per la calibrazione (cioè nella campione) e 30 per la convalida (cioè fuori dal campione). Poi un confronto tra il dentro e fuori della Guida dati campione per decidere se il modello è abbastanza robusto. Questo post si propone di andare un passo ulteriore e fornisce un metodo statistico per decidere se il fuori i dati del campione è in linea con quello che è stato creato nel campione. Nella tabella qui sotto l'area blu rappresenta la prestazione di campione per una delle mie strategie. Una semplice ispezione visiva rivela una buona misura tra il dentro e fuori di prestazioni campione, ma quale grado di fiducia devo in questa in questa fase non tanto e questo è il problema. Ciò che è veramente necessario è una misura di somiglianza tra il dentro e fuori di insiemi di dati di esempio. In termini statistici questo potrebbe essere tradotto come la probabilità che il dentro e fuori figure prestazioni campione provenienti dalla stessa distribuzione. C'è un test statistico non parametrico che fa esattamente questo: il test Kruskall-Wallis. Una buona definizione di questo test potrebbe essere trovato sulla R-Tutor 8220A raccolta di campioni di dati sono indipendenti se provengono da popolazioni indipendenti e i campioni non si influenzano a vicenda. Utilizzando il test di Kruskal-Wallis. possiamo decidere se le distribuzioni della popolazione siano identiche senza assumere loro di seguire il normale distribution.8221 Il vantaggio di questo test non sta assumendo una distribuzione normale. Esiste altri test della stessa natura che potrebbe inserirsi in tale contesto. Il test di Mann-Whitney-Wilcoxon o test di Kolmogorov-Smirnov sarebbe adatta perfettamente il quadro descrive qui tuttavia questo va oltre lo scopo di questo articolo per discutere i pro ei contro di ciascuna di queste prove. Una buona descrizione con esempi R può essere trovato qui. Here8217s il codice utilizzato per generare la tabella di cui sopra e l'analisi: Nell'esempio sopra nell'esempio di periodo è più lungo del fuori periodo campione perciò casualmente creato 1000 sottoinsiemi del in dati campione ciascuno di essi avente la stessa lunghezza della fuori dei dati di esempio. Poi ho provato ciascuno nel sottoinsieme del campione contro il fuori dati di esempio e ho registrato i valori di p. Questo processo non crea un singolo valore di p per il test Kruskall-Wallis ma una distribuzione rendendo l'analisi più robusto. In questo esempio, la media dei valori di p è ben sopra lo zero (0,478) che indica che l'ipotesi nulla dovrebbe essere accettato: ci sono forti evidenze che il dentro e fuori di dati di esempio viene dalla stessa distribuzione. Come al solito ciò che viene presentato in questo post è un esempio giocattolo che graffia solo la superficie del problema e dovrebbero essere adattati alle esigenze individuali. Tuttavia penso che propone un quadro statistico interessante e razionale per valutare di risultati del campione. Questo post è ispirato ai seguenti due documenti: Vigier Alexandre, Chmil Swann (2007), gli effetti delle diverse funzioni di ottimizzazione sul Out of Performance campione di strategie di trading geneticamente evoluto, Previsione mercati finanziari Conferenza Vigier Alexandre, Chmil Swann (2010), Un processo di ottimizzazione per migliorare INOUT di consistenza del campione, un caso Stock Market, JP Morgan Cazenove Equità quantitativa Conference, Londra ottobre 2010 13 dicembre 2015, 14:03 Fare ricerca quantitativa implica un sacco di dati scricchiolio e uno ha bisogno di dati puliti e affidabili per raggiungere questo obiettivo. Ciò che è veramente necessario è dati pulito che è facilmente accessibile (anche senza una connessione ad internet). Il modo più efficace per fare questo per me è stata quella di mantenere una serie di file CSV. Ovviamente questo processo può essere gestito in molti modi, ma ho trovato straordinario molto efficiente e semplice da mantenere una directory in cui posso conservare e aggiornare i file CSV. Ho un file CSV per ogni strumento e ogni file prende il nome dello strumento che contiene. La ragione per cui lo faccio è duplice: in primo luogo, io don8217t voglio scaricare i dati (prezzo) da Yahoo, Google etc8230 ogni volta che voglio testare una nuova idea, ma ancora più importante una volta ho identificato e risolto un problema, ho don8217t vogliono avere a farlo di nuovo la prossima volta che ho bisogno lo stesso strumento. Semplice ma molto efficiente finora. Il processo è riassunto nella tabella sottostante. In tutto ciò che segue, presumo che i dati proviene da Yahoo. Il codice dovrà essere modificato per i dati da parte di Google, Quandl etc8230 Inoltre vi presento il processo di aggiornamento dati sui prezzi al giorno. L'impostazione sarà diversa per i dati a frequenza più alta e altri tipi di file di dati (cioè diverso dai prezzi). 1 8211 dati scaricano iniziale (listOfInstruments. R amp historicalData. R) Il file listOfInstruments. R è un file che contiene solo l'elenco di tutti gli strumenti. Se una parte di strumento isn8217t della mia lista (cioè nessun file CSV nella mia cartella di dati) oppure se lo si fa per la prima volta è necessario scaricare il set di dati storici iniziale. L'esempio che segue scarica un insieme di ETF prezzi giornalieri da Yahoo Finance torna a gennaio 2000 e memorizzare i dati in un file CSV. 2 8211 l'aggiornamento dei dati esistenti (updateData. R) Il codice di seguito parte da file esistenti nella cartella dedicata e aggiorna tutti loro uno dopo l'altro. Io di solito eseguito questo processo tutti i giorni tranne quando I8217m in vacanza. Per aggiungere un nuovo strumento, è sufficiente eseguire il passaggio 1 sopra solo per questo strumento. 3 8211 creare un file batch (updateDailyPrices. bat) Un'altra parte importante del lavoro è la creazione di un file batch che automatizza il processo di aggiornamento di cui sopra (I8217m un utente di Windows). Questo evita l'apertura RRStudio ed eseguire il codice da lì. Il codice qui sotto è posto su un file. bat (il percorso deve essere modificato con l'installazione reader8217s). Si noti che ho aggiunto un file di output (updateLog. txt) per monitorare l'esecuzione. Il processo di cui sopra è estremamente semplice perché descrive solo come aggiornare i dati sui prezzi al giorno. I8217ve stanno usando questo per un po 'e ha lavorato molto bene per me finora. Per i dati più avanzati eo frequenze più alte, le cose possono diventare molto più complicato. Come al solito i commenti accolgono 23 Marzo 2015, 20:55 Quando si tratta di gestione di un portafoglio di azioni rispetto a un punto di riferimento il problema è molto diverso da definire una strategia di rendimento assoluto. Nel primo si deve tenere più scorte che in seguito, dove l'assenza di scorte a tutti possono aver luogo, se non è abbastanza buona occasione. La ragione di ciò è il tracking error. Questo è definito come la deviazione standard del rendimento del portafoglio meno il rendimento del benchmark. I meno scorte si tiene contro un punto di riferimento più alto è il tracking error (ad es rischio più elevato). L'analisi che segue è in gran parte ispirata al libro 8220Active portafoglio Management8221 da Grinold amp Kahn. Questa è la bibbia per chiunque sia interessato nella gestione di un portafoglio contro un punto di riferimento. Incoraggio vivamente chiunque abbia un interesse per l'argomento di leggere il libro dall'inizio alla fine. It8217s molto ben scritto e pone le basi della sistematica gestione attiva del portafoglio (non ho alcuna affiliazione al direttore o gli autori). 1 8211 Analisi fattoriale Qui we8217re cercando di classificare nel modo più accurato possibile le scorte dell'universo di investimento su base ritorno in avanti. Molte persone si avvicinò con molti strumenti e innumerevoli varianti di questi strumenti sono stati sviluppati per raggiungere questo obiettivo. In questo post mi concentro su due metriche semplici e ampiamente utilizzati: Informazioni Coefficient (IC) e Quantili Return (QR). 1.1 8211 Informazioni Coefficiente L'orizzonte per il ritorno in avanti deve essere definito dall'analista e it8217s una funzione del fatturato strategy8217s e il decadimento alfa (questo è stato oggetto di approfondite ricerche). Ovviamente CI devono essere il più alto possibile in termini assoluti. Per il lettore attento, nel libro di Grinold amp Kahn una formula che collega Information Ratio (IR) e IC è dato: con ampiezza è il numero di scommesse indipendenti (commercio). Questa formula è nota come legge fondamentale della gestione attiva. Il problema è che spesso, definendo l'ampiezza con precisione non è così facile come sembra. 1.2 8211 Quantili Ritorno Al fine di avere una stima più accurata del fattore di potere predittivo it8217s necessario fare un passo ulteriore e le scorte di gruppo da quantile dei valori del fattore di poi analizzare il rendimento medio a termine (o di qualsiasi altro parametro tendenza centrale) di ciascuno di questi quantili. L'utilità di questo strumento è molto semplice. Un fattore può avere un buon IC ma il suo potere predittivo può essere limitata ad un piccolo numero di stock. Questo non è buono come un gestore di portafoglio dovrà scegliere le scorte entro l'intero universo, al fine di soddisfare il suo vincolo di tracking error. Buone quantili di ritorno sono caratterizzate da una relazione monotona tra i singoli quantili e ritorna avanti. Tutti i titoli nell'indice SampP500 (al momento della scrittura). Ovviamente c'è una tendenza nave di sopravvivenza: la lista di titoli nell'indice è cambiata in modo significativo tra l'inizio e la fine del periodo di campionamento, tuttavia it8217s abbastanza buono solo a scopo illustrativo. Il codice di seguito scarica i prezzi delle azioni individuali nel SampP500 tra il gennaio 2005 e oggi (ci vuole un po ') e gira i prezzi grezzi in cambio negli ultimi 12 mesi e nell'ultimo mese. Il primo è il fattore, quest'ultimo sarà usato come misura di ritorno in avanti. Di seguito è riportato il codice per calcolare informazioni coefficiente e Quantili ritorno. Si noti che ho usato quintili in questo esempio, ma qualsiasi altro metodo di raggruppamento (terzili, decile etc8230) può essere utilizzato. in realtà dipende la dimensione del campione, ciò che si desidera catturare e tempo che si desidera avere una panoramica ampia o concentrarsi su code di distribuzione. Per stimare i rendimenti all'interno di ogni quintile, mediana è stata utilizzata come stimatore tendenza centrale. Questa misura è molto meno sensibile a valori anomali di media aritmetica. E infine il codice per produrre il grafico Quantili ritorno. 3 8211 Come sfruttare le informazioni sopra riportate nella tabella qui sopra Q1 è più bassi negli ultimi 12 mesi ritornano e Q5 più alto. Vi è un aumento quasi monotona nei quantili di ritorno tra Q1 e Q5 che indica chiaramente che le scorte di cadere in Q5 outperform quelle che rientrano in Q1 di circa 1 al mese. Questo è molto significativo e potente per un semplice fattore tale (non proprio una sorpresa though8230). Quindi ci sono maggiori possibilità di battere l'indice sovrappesando gli stock di cadere in Q5 e sottoponderare quelle che rientrano in Q1 rispetto al benchmark. Un IC di 0,0206 potrebbe non significare molto in sé, ma it8217s significativamente diverso da 0 e indica una buona capacità previsionale degli ultimi 12 mesi, rendimento complessivo. test di significatività formali possono essere valutati, ma questo è oltre la portata di questo articolo. 4 8211 limitazioni pratiche Il quadro di cui sopra è eccellente per la valutazione degli investimenti factor8217s qualità però ci sono una serie di limitazioni pratiche che devono essere affrontate per l'attuazione vita reale: riequilibrante. Nella descrizione di cui sopra, it8217s presupposto che alla fine di ogni mese il portafoglio è completamente riequilibrato. Ciò significa che tutti gli stock che cadono in Q1 sono sottopeso e tutti gli stock che cadono in Q5 sono in sovrappeso rispetto al benchmark. Questo non è sempre possibile per ragioni pratiche: alcuni titoli potrebbero essere esclusi dal universo di investimento, ci sono vincoli per l'industria o il peso del settore, ci sono vincoli sul fatturato etc8230 costi di transazione. Questo non è essere preso in considerazione nell'analisi di cui sopra e questo è un grave freno all'attuazione vita reale. Considerazioni sulla cifra d'affari sono generalmente implementati nella vita reale in una forma di sanzione sulla qualità fattore. coefficiente di trasferimento. Si tratta di una estensione della legge fondamentale della gestione attiva e rilassa l'assunzione di modello di Grinold8217s che i manager devono affrontare vincoli che li escludono dalla conversione loro investimenti intuizioni direttamente nelle scommesse portafoglio. E, infine, I8217m stupito da ciò che può essere raggiunto in meno di 80 righe di codice con R8230 Come al solito commenti accolgono 14 Marzo 2014, 13:07 La domanda che ci si dovrebbe sempre himherself chiesto quando si utilizza indicatori tecnici è quello che sarebbe un obiettivo criteri per selezionare i parametri indicatori (ad esempio, il motivo per cui utilizzando un 14 giorni RSI, piuttosto che 15 o 20 giorni). Gli algoritmi genetici (GA) sono strumenti altamente adeguati per rispondere a questa domanda. In questo post I8217ll mostrerà come impostare il problema in R. Prima di procedere il solito promemoria: Quello che presento in questo post è solo un esempio giocattolo e non un invito ad investire. La sua non è una strategia finita sia, ma un'idea di ricerca che deve essere ulteriormente studiato, sviluppato e adattato alle esigenze individuali. Quali sono gli algoritmi genetici La migliore descrizione di GA mi sono imbattuto proviene da Cybernatic Trading un libro di Murray A. Ruggiero. 8220Genetic algoritmi sono stati inventato da John Holland a metà del 1970 per risolvere i problemi di ottimizzazione difficili. Questo metodo utilizza la selezione naturale, sopravvivenza del fittest8221. Il processo generale segue i passi di seguito: codificare il problema in cromosomi utilizzando la codifica, lo sviluppo di una funzione di fitness per l'uso nella valutazione ogni valore chromosome8217s nel risolvere un determinato problema Inizializzare una popolazione di cromosomi valutare ogni cromosoma nella popolazione Creare nuovi cromosomi accoppiando due cromosomi. Questo viene fatto muting e ricombinando due genitori in modo da formare due bambini (i genitori sono scelti a caso, ma viziate da loro idoneità) valutare la nuova cromosoma Eliminare un membro della popolazione che è meno in forma rispetto al nuovo cromosoma e inserire il nuovo cromosoma nella popolazione . Se i criteri di arresto viene raggiunto (numero massimo di generazioni, i criteri di idoneità è buono enough8230) per poi tornare il miglior cromosoma in alternativa, passare al punto 4 Dal punto di vista commerciale GA sono molto utili perché sono bravo a trattare con i problemi altamente non lineari. Tuttavia essi presentano alcune caratteristiche sgradevoli che sono degni di nota: Overfitting: Questo è il problema principale e it8217s verso il basso per l'analista di impostare il problema in modo tale da minimizzare questo rischio. tempo di calcolo. Se il problema isn8217t correttamente definito, può essere estremamente lungo per raggiungere una soluzione accettabile e la complessità aumenta esponenzialmente con il numero di variabili. Da qui la necessità di selezionare con attenzione i parametri. Ci sono diversi pacchetti che si occupano di R GA, ho scelto di utilizzare i più comuni uno: rgenoud prezzi di chiusura giornalieri per gli ETF più liquidi da Yahoo Finance che risale al gennaio 2000. L'nel periodo di campionamento va dal gennaio 2000 al dicembre 2010. L'Out of periodo inizia campione su gennaio 2011. la logica è la seguente: la funzione di fitness è ottimizzata per il periodo di campionamento per ottenere una serie di parametri ottimali per gli indicatori tecnici selezionati. L'andamento di tali indicatori viene poi valutato nel fuori periodo di campionamento. Ma prima di farlo indicatori tecnici devono essere selezionati. Il mercato azionario presenta due caratteristiche principali che sono familiari a chiunque abbia una certa esperienza di trading. slancio a lungo termine e l'inversione a breve termine. Tali caratteristiche possono essere tradotti in termini di indicatori tecnici per: medie mobili attraversare e RSI. Questo rappresenta un insieme di 4 parametri: periodi Look-posteriori per medie mobili lungo e breve termine, guardare-back periodo per la soglia RSI e RSI. I set di parametri sono i cromosomi. L'altro elemento chiave è la funzione di fitness. Potremmo voler usare qualcosa di simile: il massimo ritorno o indice di Sharpe o drawdown media minima. In ciò che segue, ho scelto di massimizzare il rapporto di Sharpe. L'implementazione R è un insieme di 3 funzioni: fitnessFunction. definisce la funzione di fitness (per esempio massimo indice di Sharpe) da utilizzare entro i tradingStatistics motore GA. riepilogo delle statistiche di negoziazione per il dentro e fuori dei periodi di esempio per scopi di confronto Genoud. il motore GA dal pacchetto rgenoud La funzione Genoud è piuttosto complesso, ma I8217m non andare a spiegare che cosa significa ogni parametro come voglio mantenere questo post breve (e la documentazione è veramente buono). Nella tabella qui sotto vi presento per ogni strumento i parametri ottimali (periodo di look-indietro RSI, soglia di RSI, a breve termine media mobile, e lungo termine Moving Average), insieme con il dentro e fuori delle statistiche commerciali del campione. Prima di commentare i risultati di cui sopra, voglio spiegare alcuni punti importanti. Per abbinare la logica sopra definito, ho delimitato i parametri per assicurarsi che il periodo di look-retro per la media mobile a lungo termine è sempre più che la media mobile più breve. Ho anche costretto l'ottimizzatore di scegliere solo le soluzioni con più di 50 mestieri del periodo del campione (ad es, la significatività statistica). Nel complesso il fuori risultati dei campioni sono tutt'altro che impressionanti. I rendimenti sono bassi, anche se il numero di transazioni è piccolo per rendere pubblico il risultato davvero significativo. there8217s Tuttavia, una significativa perdita di efficienza tra il dentro e fuori del periodo di campionamento per il Giappone (EWJ), che molto probabilmente significa Overfitting. Questo post ha lo scopo di dare al lettore gli strumenti per utilizzare correttamente GA in un quadro di trading quantitativo. Ancora una volta, It8217s solo un esempio che deve essere ulteriormente raffinata. Alcuni potenziale miglioramento da esplorare potrebbe essere: funzione di fitness. massimizzando l'indice di Sharpe è molto semplicistico. Una funzione 8220smarter8221 certamente migliorare la fuori modello di statistiche commerciali del campione. cerchiamo di catturare un modello molto semplice. Una più approfondita ricerca modello è sicuramente necessaria. ottimizzazione. ci sono molti modi per migliorare il modo in cui viene condotta l'ottimizzazione. Ciò migliorare sia la velocità di calcolo e la razionalità dei risultati. Il codice utilizzato in questo post è disponibile su un repository Gist. Come al solito i commenti di benvenuto 28 febbraio 2014, 15:52 Vi è un corpo enorme di letteratura sia accademica ed empirica su previsioni di mercato. Il più delle volte si mescola due caratteristiche del mercato: grandezza e la direzione. In questo articolo voglio concentrarsi sull'individuazione solo la direzione del mercato. L'obiettivo mi sono posto, è quello di individuare le condizioni di mercato quando le probabilità sono significativamente influenzati verso un alto o un mercato verso il basso. Questo post dà un esempio di come CART (classificazione e regressione alberi) possono essere utilizzati in questo contesto. Prima di procedere il solito promemoria: Quello che presento in questo post è solo un esempio giocattolo e non un invito ad investire. La sua non è una strategia finita sia, ma un'idea di ricerca che deve essere ulteriormente studiato, sviluppato e adattato alle esigenze individuali. 1 8211 Qual è CART e perché usarlo Da statistiche, CART sono un insieme di tecniche per la classificazione e la previsione. La tecnica mira a produrre norme che prevedono il valore di una variabile outcome (target) dai valori noti di predittore (esplicative) variabili. Ci sono molte implementazioni diverse, ma sono tutti condividono una caratteristica generale e questo è ciò che Im interessa. Da Wikipedia, Algoritmi per la costruzione di alberi di decisione solito lavorare dall'alto verso il basso, scegliendo una variabile ad ogni passo che meglio divide l'insieme di elementi. Diversi algoritmi utilizzano parametri diversi per la misurazione 8220best8221. Questi generalmente misurano l'omogeneità della variabile di destinazione all'interno dei sottoinsiemi. Queste metriche sono applicati a ciascun gruppo candidato, ed i valori risultanti vengono combinati (ad esempio la media) per fornire una misura della qualità della scissione. metodologia CART presenta alcune caratteristiche che sono molto adatti per l'analisi di mercato: non parametrico. CART grado di gestire qualsiasi tipo di distribuzioni statistiche non lineari. CART in grado di gestire un ampio spettro di dipendenza tra variabili (ad esempio, non limitato a relazioni lineari) robusto per valori anomali ci sono vari pacchetti R si occupano di ricorsiva partizionamento, io uso qui rpart per gli alberi e la stima rpart. plot per gli alberi di disegno. 2 8211 prezzi amp dati Esperimento design quotidiano OHLC per gli ETF più liquidi da gennaio 2000 a dicembre 2013 estratte da Google Finance. Il periodo di campionamento va dal gennaio 2000 al dicembre 2010 il resto del set di dati è la fuori periodo di campionamento. Prima di eseguire qualsiasi tipo di analisi del set di dati deve essere preparato per l'attività. La variabile obiettivo è il ritorno in avanti ETF settimanale definita come due stati del mondo esito (su o giù). Se settimanale di ritorno in avanti gt 0 allora il mercato nello stato UP, altrimenti stato Giù Le variabili esplicative sono una serie di indicatori tecnici derivati ​​dal set di dati iniziali OHLC quotidiana. Ogni indicatore rappresenta un comportamento di mercato ben documentata. Per ridurre il rumore nei dati e tentare di identificare le relazioni solide, ciascuna variabile indipendente è considerata avere un risultato binario. Volatilità (Q1). Elevata volatilità è di solito associata con un mercato verso il basso e bassa volatilità con un up del mercato. La volatilità è definita come la 20 giorni ATR grezzo (True Range media) diffuso alla sua media mobile (MA). Se grezzo ATR gt MA poi VAR1 1, altrimenti VAR1 -1. slancio breve termine (VAR2). The equity market exhibits short term momentum behavior captured here by a 5 days simple moving averages (SMA). If Price gt SMA then VAR2 1 else VAR2 -1 Long term momentum (VAR3) . The equity market exhibits long term momentum behavior captured here by a 50 days simple moving averages (LMA). If Price gt LMA then VAR3 1 else VAR3 -1 Short term reversal (VAR4) . This is captured by the CRTDR which stands for Close Relative To Daily Range and calculated as following: . If CRTDR gt 0.5, then VAR4 1 else VAR4 -1 Autocorrelation regime (VAR5) . The equity market tends to go through periods of negative and positive autocorrelation regimes. If returns autocorrelation over the last 5 days gt 0 then VAR5 1 else VAR5 -1 I put below a tree example with some explanations In the tree above, the path to reach node 4 is: VAR3 gt0 (Long Term Momentum gt 0) and VAR4 gt 0 (CRTDR gt 0). The red rectangle indicates this is a DOWN leaf (e. g. terminal node) with a probability of 58 (1 8211 0.42). In market terms this means that if Long Term Momentum is Up and CRTDR is gt 0.5 then the probability of a positive return next week is 42 based on the in sample sample data. 18 indicates the proportion of the data set that falls into that terminal node (e. g. leaf). There are many ways to use the above approach, I chose to estimate and combine all possible trees. From the in sample data, I collect all leaves from all possible trees and I gather them into a matrix. This is the 8220rules matrix8221 giving the probability of next week beeing UP or DOWN. I apply the rules in the above matrix to the out of sample data (Jan 2011 8211 Dec 2013) and I compare the results to the real outcome. The problem with this approach is that a single point (week) can fall into several rules and even belong to UP and DOWN rules simultaneously. Therefore I apply a voting scheme . For a given week I sum up all the rules that apply to that week giving a 1 for an UP rule and -1 for a DOWN rule. If the sum is greater than 0 the week is classified as UP, if the sum is negative it8217s a DOWN week and if the sum is equal to 0 there will be no position taken that week (return 0) The above methodology is applied to a set of very liquid ETFs. I plot below the out of sample equity curves along with the buy and hold strategy over the same period. Initial results seem encouraging even if the quality of the outcome varies greatly by instrument. However there is a huge room for improvement. I put below some directions for further analysis Path optimality . The algorithm used here for defining the trees is optimal at each split but it doesn8217t guarantee the optimality of the path. Adding a metric to measure the optimality of the path would certainly improve the above results. Other variables . I chose the explanatory variables solely based on experience. It8217s very likely that this choice is neither good nor optimal. Backtest methodology . I used a simple In and Out of sample methodology. In a more formal backtest I would rather use a rolling or expanding window of in and out sample sub-periods (e. g. walk forward analysis) As usual, any comments welcome