Estratégias de negociação séries temporais

4 estratégias comuns de negociação ativa.

O comércio ativo é o ato de comprar e vender títulos com base em movimentos de curto prazo para lucrar com os movimentos de preços em um gráfico de ações de curto prazo. A mentalidade associada a uma estratégia de negociação ativa difere da estratégia de longo prazo de compra e retenção. A estratégia de compra e retenção emprega uma mentalidade que sugere que os movimentos de preços a longo prazo superarão os movimentos de preços no curto prazo e, como tal, os movimentos de curto prazo devem ser ignorados. Os comerciantes ativos, por outro lado, acreditam que os movimentos de curto prazo e a captura da tendência do mercado são os lucros obtidos. Existem vários métodos utilizados para realizar uma estratégia de negociação ativa, cada uma com ambientes de mercado adequados e riscos inerentes à estratégia. Aqui estão quatro dos tipos mais comuns de negociação ativa e os custos internos de cada estratégia. (A negociação ativa é uma estratégia popular para aqueles que tentam superar a média do mercado. Para saber mais, veja como superar o mercado.)

O comércio diário é talvez o estilo de negociação ativo mais conhecido. Muitas vezes, é considerado um pseudônimo para negociação ativa. O comércio diário, como o próprio nome indica, é o método de compra e venda de títulos no mesmo dia. As posições são fechadas no mesmo dia em que são tomadas e nenhuma posição é realizada durante a noite. Tradicionalmente, o comércio diário é feito por comerciantes profissionais, como especialistas ou fabricantes de mercado. No entanto, a negociação eletrônica abriu essa prática para comerciantes novatos. (Para leitura relacionada, veja também Day Trading Strategies For Beginners.)

[Aprender qual estratégia vai funcionar melhor para você é uma das primeiras etapas que você precisa tomar como comerciante aspirante. Se você está interessado em fazer o dia, o Curso de Tradutor do Dia da Academia Investopedia pode ensinar-lhe uma estratégia comprovada que inclui seis tipos diferentes de negócios. ]

Alguns realmente consideram a negociação de posições como uma estratégia de compra e retenção e não negociação ativa. No entanto, a negociação de posição, quando realizada por um comerciante avançado, pode ser uma forma de negociação ativa. A negociação de posições usa gráficos de longo prazo - em qualquer lugar do dia a mês - em combinação com outros métodos para determinar a tendência da direção atual do mercado. Este tipo de comércio pode durar vários dias a várias semanas e às vezes mais, dependendo da tendência. Os comerciantes da Tendência procuram maiores ou mais altos sucessivos ou altos baixos para determinar a tendência de uma segurança. Ao saltar e montar a "onda", os comerciantes de tendências pretendem beneficiar tanto da desvantagem como dos movimentos do mercado. Os comerciantes tendem a determinar a direção do mercado, mas eles não tentam prever nenhum nível de preço. Normalmente, os comerciantes de tendências pulam na tendência depois de se estabelecer, e quando a tendência se rompe, eles geralmente saem da posição. Isso significa que, em períodos de alta volatilidade do mercado, a negociação de tendências é mais difícil e suas posições geralmente são reduzidas.

Quando uma tendência se rompe, os comerciantes de swing geralmente entram no jogo. No final de uma tendência, geralmente há uma certa volatilidade de preços à medida que a nova tendência tenta estabelecer-se. Os comerciantes Swing compram ou vendem como a volatilidade dos preços. Os negócios Swing geralmente são mantidos por mais de um dia, mas por um período mais curto do que os negócios de tendências. Os comerciantes Swing muitas vezes criam um conjunto de regras comerciais baseadas em análises técnicas ou fundamentais; Essas regras comerciais ou algoritmos são projetados para identificar quando comprar e vender uma segurança. Enquanto um algoritmo de troca de balanço não precisa ser exato e prever o pico ou o vale de um movimento de preço, ele precisa de um mercado que se mova em uma direção ou outra. Um mercado limitado ou paralelo é um risco para os comerciantes swing. (Para mais informações sobre negociação de swing, veja nossa Introdução ao Swing Trading.)

Scalping é uma das estratégias mais rápidas empregadas pelos comerciantes ativos. Inclui a exploração de várias lacunas de preços causadas por spreads de lances / pedidos e fluxos de pedidos. A estratégia geralmente funciona fazendo o spread ou a compra ao preço da proposta e a venda no preço do pedido para receber a diferença entre os dois pontos de preço. Os Scalpers tentam manter suas posições por um curto período, diminuindo assim o risco associado à estratégia. Além disso, um scalper não tenta explorar grandes movimentos ou mover grandes volumes; Em vez disso, eles tentam aproveitar os pequenos movimentos que ocorrem com freqüência e movem pequenos volumes com mais freqüência. Uma vez que o nível de lucros por comércio é pequeno, os scalpers procuram mercados mais líquidos para aumentar a freqüência de seus negócios. E ao contrário dos comerciantes de swing, os scalpers gostam de mercados silenciosos que não são propensos a movimentos repentinos de preços para que possam potencialmente fazer a propagação repetidamente nos mesmos preços de oferta / pedido. (Para saber mais sobre esta estratégia de negociação ativa, leia Scalping: Pequenos lucros rápidos podem ser adicionados.)

Custos inerentes às estratégias de negociação.

Há uma razão pela qual as estratégias de negociação ativa foram empregadas apenas por comerciantes profissionais. Não só ter uma corretora interna reduz os custos associados ao comércio de alta freqüência, mas também garante uma melhor execução comercial. Comissões mais baixas e melhor execução são dois elementos que melhoram o potencial de lucro das estratégias. Importantes compras de hardware e software são necessárias para implementar com êxito essas estratégias, além de dados de mercado em tempo real. Esses custos tornam bem sucedida implementar e lucrar com o comércio ativo um pouco proibitivo para o comerciante individual, embora nem todos sejam incomuns.

Os comerciantes ativos podem empregar uma ou várias das estratégias acima mencionadas. No entanto, antes de decidir sobre o envolvimento nessas estratégias, os riscos e custos associados a cada um precisam ser explorados e considerados. (Para leitura relacionada, veja também as Técnicas de Gerenciamento de Riscos para Tradutores ativos.)

QuantStart.

Junte-se ao portal de membros privados da Quantcademy que atende à comunidade de comerciantes de varejo de varejo em rápido crescimento. Você encontrará um grupo bem informado de mentalistas quant pronto para responder suas perguntas comerciais mais importantes.

Confira meu ebook sobre o comércio de quant, onde eu ensino você como criar estratégias de negociação sistemáticas lucrativas com ferramentas Python, desde o início.

Dê uma olhada no meu novo ebook sobre estratégias de negociação avançadas usando análise de séries temporais, aprendizado de máquina e estatísticas bayesianas, com Python e R.

Por Michael Halls-Moore em 23 de junho de 2018.

Ao longo dos últimos anos, analisamos várias ferramentas para nos ajudar a identificar padrões exploráveis ​​nos preços dos ativos. Em particular, consideramos a econometria básica, a aprendizagem de máquinas estatísticas e as estatísticas bayesianas.

Embora essas sejam todas ferramentas modernas para a análise de dados, a grande maioria da modelagem de ativos na indústria ainda usa análises estatísticas de séries temporais. Neste artigo, vamos examinar a análise de séries de tempo, delinear seu escopo e aprender como podemos aplicar as técnicas a várias freqüências de dados financeiros.

O que é a análise da série de tempo?

Em primeiro lugar, uma série de tempo é definida como uma quantidade que é medida sequencialmente no tempo ao longo de algum intervalo.

Na sua forma mais ampla, a análise de séries temporais consiste em inferir o que aconteceu com uma série de pontos de dados no passado e tentar prever o que acontecerá com o futuro.

No entanto, vamos adotar uma abordagem estatística quantitativa para as séries temporais, assumindo que nossas séries temporais são realizações de seqüências de variáveis ​​aleatórias. Ou seja, vamos assumir que existe algum processo gerador subjacente para nossas séries temporais com base em uma ou mais distribuições estatísticas a partir das quais essas variáveis ​​são desenhadas.

A análise de séries temporais tenta entender o passado e prever o futuro.

Essa seqüência de variáveis ​​aleatórias é conhecida como um processo estocástico discreto (DTSP). Na negociação quantitativa, estamos preocupados em tentar ajustar modelos estatísticos a esses DTSPs para inferir relações subjacentes entre séries ou prever valores futuros para gerar sinais comerciais.

As séries temporais em geral, incluindo as que estão fora do mundo financeiro, geralmente contêm os seguintes recursos:

Tendências - Uma tendência é um movimento direcional consistente em uma série temporal. Essas tendências serão deterministas ou estocásticas. O primeiro nos permite fornecer um raciocínio subjacente à tendência, enquanto o último é uma característica aleatória de uma série que provavelmente não seríamos capazes de explicar. As tendências aparecem frequentemente em séries financeiras, em particular os preços de commodities, e muitos fundos do Consultor de Negociação de Mercadorias (CTA) usam modelos de identificação de tendência sofisticados em seus algoritmos de negociação. Variação sazonal - Muitas séries temporais contêm variações sazonais. Isto é particularmente verdadeiro em séries que representam vendas comerciais ou níveis climáticos. Em finanças quantitativas, muitas vezes vemos variações sazonais em commodities, particularmente aquelas relacionadas a períodos de crescimento ou variação anual de temperatura (como gás natural). Dependência serial - Uma das características mais importantes das séries temporais, particularmente as séries financeiras, é a correlação serial. Isso ocorre quando as observações das séries temporais que estão próximas entre si no tempo tendem a ser correlacionadas. O agrupamento de volatilidade é um aspecto da correlação serial que é particularmente importante no comércio quantitativo.

Como podemos aplicar a análise de séries temporais em finanças quantitativas?

Nosso objetivo como pesquisadores quantitativos é identificar tendências, variações sazonais e correlação usando métodos estatísticos de séries temporais e, em última análise, gerar sinais comerciais ou filtros baseados em inferências ou previsões.

Nossa abordagem será:

Previsão e previsão de valores futuros - Para negociar com sucesso, precisamos prever com precisão os preços dos ativos futuros, pelo menos em um sentido estatístico. Simular séries - Uma vez que identificamos as propriedades estatísticas das séries temporais financeiras, podemos usá-las para gerar simulações de cenários futuros. Isso nos permite estimar o número de negócios, os custos de negociação esperados, o perfil de retorno esperado, o investimento técnico e financeiro necessário na infra-estrutura e, portanto, o perfil de risco e a rentabilidade de uma determinada estratégia ou portfólio. Relacionamentos Infer - A identificação de relações entre séries temporais e outros valores quantitativos nos permite aprimorar nossos sinais comerciais através de mecanismos de filtração. Por exemplo, se podemos inferir como o spread em um par de câmbio varia de acordo com o volume de lance / pedido, podemos filtrar quaisquer negociações prospectivas que possam ocorrer em um período em que prevemos um amplo spread para reduzir os custos de transação.

Além disso, podemos aplicar testes estatísticos padrão (clássicos / freqüentadores ou bayesianos) a nossos modelos de séries temporais para justificar certos comportamentos, como a mudança de regime nos mercados de ações.

Software de análise de séries temporais.

Até o momento, utilizamos quase exclusivamente o C ++ e o Python para a implementação da nossa estratégia comercial. Ambos os idiomas são "ambientes de primeira classe" para escrever uma stack de troca inteira. Ambos contêm muitas bibliotecas e permitem uma construção "de ponta a ponta" de um sistema comercial exclusivamente dentro desse idioma.

Infelizmente, C ++ e Python não possuem extensas bibliotecas estatísticas. Esta é uma das suas deficiências. Por esse motivo, usaremos o ambiente estatístico R como meio de realizar pesquisas em séries temporais. R é bem adaptado para o trabalho devido à disponibilidade de bibliotecas de séries temporais, métodos estatísticos e capacidades de traçado direto.

Aprenderemos R em uma forma de resolução de problemas, pelo que novos comandos e sintaxe serão introduzidos conforme necessário. Felizmente, existem muitos tutoriais extremamente úteis para o R availabile na internet e vou apontá-los enquanto passamos pela sequência de artigos de análise de séries temporais.

Mapa de análise da série de tempo QuantStart.

Os artigos anteriores até à data sobre os temas de aprendizagem estatística, econometria e análise bayesiana, têm sido principalmente de natureza introdutória e não consideraram aplicações de tais técnicas para informações de preços modernas e de alta freqüência.

Para aplicar algumas das técnicas acima para dados de freqüência mais alta, precisamos de um quadro matemático para unificar nossa pesquisa. A análise de séries temporais fornece essa unificação e nos permite discutir modelos separados dentro de uma configuração estatística.

Eventualmente, utilizaremos ferramentas Bayesianas e técnicas de aprendizado de máquinas em conjunto com os seguintes métodos para prever o nível e a direção dos preços, agir como filtros e determinar "mudança de regime", ou seja, determinar quando nossas séries temporais mudaram seu comportamento estatístico subjacente.

O nosso roteiro da série temporal é o seguinte. Cada um dos tópicos abaixo formará seu próprio artigo ou conjunto de artigos. Uma vez que examinamos esses métodos em profundidade, estaremos em condições de criar alguns modelos modernos sofisticados para examinar dados de alta freqüência.

Introdução à Série de Tempo - Este artigo descreve a área de análise de séries temporais, seu escopo e como ele pode ser aplicado a dados financeiros. Correlação - Um aspecto absolutamente fundamental das séries temporais de modelagem é o conceito de correlação serial. Nós definiremos e descreveremos uma das maiores armadilhas da análise de séries temporais, a saber, que "a correlação não implica causalidade". Previsão - Nesta seção, vamos considerar o conceito de previsão, que está fazendo previsões de direção futura ou nível para uma série de tempo particular e como ela é realizada na prática. Modelos estocásticos - Passamos algum tempo a considerar modelos estocásticos no campo de preços de opções no site, nomeadamente com Geometric Brownian Motion e Stochastic Volatility. Vamos olhar para outros modelos, incluindo o ruído branco e modelos autorregressivos. Regressão - Quando temos tendências determinísticas (ao contrário de estocásticas) nos dados, podemos justificar sua extrapolação usando modelos de regressão. Vamos considerar a regressão linear e não-linear, e contabilizar a correlação em série. Modelos estacionários - Modelos estacionários assumem que as propriedades estatísticas (ou seja, a média e variância) das séries são constantes no tempo. Podemos usar modelos de média móvel (MA), além de combiná-los com modelos autorregressivos para formar modelos ARMA. Modelos não estacionários - Muitas séries temporais financeiras não são estacionárias, ou seja, elas têm variável média e variância. Em particular, os preços dos ativos geralmente têm períodos de alta volatilidade. Para essas séries, precisamos usar modelos não estacionários, como ARIMA, ARCH e GARCH. Modelagem multivariada - Nós consideramos modelos multivariados no QuantStart no passado, ou seja, quando consideramos pares de ações de reversão média. Nesta seção, vamos definir mais rigorosamente a cointegração e analisar mais testes para isso. Também consideraremos os modelos vetoriais autorregressivos (VAR) [não devem ser confundidos com Value-at-Risk!]. Modelos de espaço-estado - State Space Modeling empresta uma longa história de teoria de controle moderna usada na engenharia para nos permitir modelar séries temporais com parâmetros que variam rapidamente (como a variável $ \ beta $ slope entre dois ativos cointegrados em uma regressão linear ). Em particular, consideraremos o famoso Filtro de Kalman e o Modelo de Markov Oculto. Este será um dos principais usos da análise bayesiana em séries temporais.

Como isso se relaciona com outros artigos estatísticos QuantStart?

Meu objetivo com o QuantStart sempre foi tentar esboçar o quadro matemático e estatístico para análise quantitativa e negociação quantitativa, desde o básico até as técnicas modernas mais avançadas.

Até o momento, passamos a maior parte do tempo em técnicas introdutórias e intermediárias. No entanto, agora vamos dirigir nossa atenção para as técnicas avançadas recentes utilizadas em empresas quantitativas.

Isso não só ajudará aqueles que desejam ganhar uma carreira na indústria, mas também dará aos comerciantes de varejo quantitativos entre vocês um conjunto de ferramentas muito mais amplo, bem como uma abordagem unificadora para negociação.

Tendo trabalhado na indústria anteriormente, posso afirmar com certeza que uma fração substancial de profissionais de fundos quantitativos usa técnicas muito sofisticadas para "caçar alfa".

No entanto, muitas dessas empresas são tão grandes que não estão interessadas em estratégias de "restrição de capacidade", ou seja, aquelas que não são escaláveis ​​acima de 1-2 milhões de dólares. Como varejistas, se pudermos aplicar uma estrutura de negociação sofisticada a essas áreas, podemos alcançar rentabilidade a longo prazo.

Nós eventualmente combinaremos nossos artigos sobre a análise de séries temporais, com a abordagem bayesiana para teste de hipóteses e seleção de modelos, juntamente com o código otimizado de C ++, R e Python, para produzir modelos de séries temporais não-lineares e não estacionários que podem trocar em alta - freqüência.

Agora que o software QSForex se aproximou da viabilidade para backtesting de alta freqüência de múltiplos pares de moedas, temos uma estrutura pré-fabricada para testar esses modelos, pelo menos nos mercados cambiais.

O próximo artigo da série discutirá a correlação e por que é um dos aspectos mais fundamentais da análise das séries temporais.

Apenas iniciando o comércio quantitativo?

3 razões para se inscrever para a lista de e-mails QuantStart:

1. Quant Trading Lessons.

Você terá acesso instantâneo a um curso de e-mail gratuito de 10 partes, repleto de sugestões e dicas para ajudá-lo a começar a negociação quantitativa!

2. Todo o conteúdo mais recente.

Todas as semanas, vou enviar-lhe um envoltório de todas as atividades no QuantStart para que você nunca mais perca uma postagem novamente.

Real, dicas de negociação viáveis, sem tonturas.

QuantStart.

Junte-se ao portal de membros privados da Quantcademy que atende à comunidade de comerciantes de varejo de varejo em rápido crescimento. Você encontrará um grupo bem informado de mentalistas quant pronto para responder suas perguntas comerciais mais importantes.

Confira meu ebook sobre o comércio de quant, onde eu ensino você como criar estratégias de negociação sistemáticas lucrativas com ferramentas Python, desde o início.

Dê uma olhada no meu novo ebook sobre estratégias de negociação avançadas usando análise de séries temporais, aprendizado de máquina e estatísticas bayesianas, com Python e R.

Por Michael Halls-Moore em 8 de janeiro de 2017.

Nesta série de artigos, vamos criar um processo estatisticamente robusto para a previsão de séries temporais financeiras. Essas previsões constituirão a base de um grupo de estratégias de negociação automatizadas. O primeiro artigo da série discutirá a abordagem de modelagem e um grupo de algoritmos de classificação que nos permitirão prever a direção do mercado.

Dentro desses artigos, estaremos fazendo uso do scikit-learn, uma biblioteca de aprendizagem de máquinas para Python. Scikit-learn contém implementações de muitas técnicas de aprendizagem de máquinas. Não só isso nos poupa muito tempo na implementação do nosso próprio, mas minimiza o risco de erros introduzidos pelo nosso próprio código e permite uma verificação adicional em relação a bibliotecas escritas em outros pacotes, como R. Isso nos dá uma grande quantidade de confiança se precisarmos criar nossa própria implementação personalizada (por razões de velocidade de execução, digamos).

Processo para Previsão.

Uma explicação detalhada do campo da aprendizagem de máquinas estatísticas está além deste artigo. Para utilizar técnicas como Regressão Logística, Análise Discriminante Linear e Análise Discriminante Quadratic, precisamos descrever alguns conceitos básicos.

Técnicas de aprendizagem supervisionadas.

As técnicas de aprendizagem supervisionadas envolvem um conjunto de tuplas conhecidas $ (x_i, y_i) $, $ i \ in \ $, com $ x_i $ representando as variáveis ​​predictoras (como retornos do mercado de ações remanescentes ou volume negociado) e $ y_i $ representando o associado variáveis ​​de resposta / observação (como o retorno do mercado de ações hoje). Nessa situação, estamos interessados ​​em prever. Dadas as futuras variáveis ​​preditoras, desejamos estimar as respostas desses preditores. Isso é contrário à inferência em que estamos mais interessados ​​na relação entre as variáveis.

Todos os algoritmos que utilizamos neste artigo, juntamente com muitos outros que empregaremos no futuro, são do domínio de aprendizagem supervisionado.

Medindo Precisão de Previsão.

A classe particular de métodos que nos interessa envolve a classificação binária. Ou seja, tentaremos alocar a porcentagem de retorno para um determinado dia em dois baldes: "Up" ou "Down". Num previsão de produção, estaríamos muito preocupados com a magnitude dessa previsão e com os desvios da predição a partir do valor real.

Nesses casos, podemos usar o erro de Mean-Squared, Mean Absolute Deviation e Root-Mean-Squared Error para fornecer uma estimativa de precisão de previsão. A literatura fornece muitos outros exemplos de medidas de precisão de previsão.

Neste caso, só nos preocuparemos com a taxa de sucesso, que é simplesmente a porcentagem de vezes que o provisorista alcançou uma previsão precisa (ou seja, quando o dia acabou e vice-versa). Em exemplos posteriores, usaremos uma matriz de confusão para determinar o desempenho de previsão em uma classe por classe. Além disso, calcularemos os valores acima mencionados e os incorporaremos ao nosso processo de pesquisa comercial.

Fatores de previsão.

Uma metodologia de previsão é tão boa quanto os fatores escolhidos como preditores. Há um número impressionante de fatores potenciais a serem escolhidos quando prevêem o retorno do índice de mercado de ações. Neste artigo, vamos restringir os fatores aos atrasos de tempo dos retornos percentuais atuais. Isso não é porque eles são os melhores preditores, em vez disso é porque é direto demonstrar o processo de previsão em um conjunto de dados facilmente obtido.

A escolha do fator de previsão é extremamente importante, se não o componente mais importante, do pré-programador. Mesmo técnicas simples de aprendizagem de máquina produzirão bons resultados em fatores bem escolhidos. Note que o inverso não é frequentemente o caso. "Lançar um algoritmo em um problema" geralmente levará à má precisão de previsão.

Para este provisorista especificamente, escolhi o primeiro e o segundo tempo de atraso da porcentagem de retorno como preditores para a direção atual do mercado de ações. Esta é uma escolha relativamente arbitrária e há muitos marcos para modificação, por exemplo, adicionando atrasos adicionais ou o volume de ações negociadas. Em geral, é melhor ter menos preditores em um modelo, embora existam testes estatísticos disponíveis que possam demonstrar a capacidade preditiva de cada fator.

Previsão de S & amp; P500 com Regressão Logística, LDA e QDA.

O S & P500 é um índice ponderado das 500 maiores empresas de capital aberto (por capitalização de mercado) no mercado de ações dos EUA. Muitas vezes, é considerado um "benchmark" de ações. Existem muitos produtos derivados para permitir a especulação ou cobertura no índice. Em particular, o S & P500 E-Mini Index Futures Contract é um meio extremamente líquido de negociação do índice.

Nesta seção, vamos usar três classificadores para prever a direção do preço de fechamento no dia $ N $ com base somente na informação de preços conhecida no dia $ N-1 $. Um movimento direto direto significa que o preço de fechamento em $ N $ é maior do que o preço em $ N-1 $, enquanto que um movimento descendente implica um preço de fechamento em US $ N $ inferior a $ N-1 $.

Se pudermos determinar a direção do movimento de uma maneira que exceda significativamente uma taxa de sucesso de 50%, com baixo erro e boa significância estatística, estamos no caminho para formar uma estratégia básica de negociação sistemática com base em nossas previsões. Nesta fase, não estamos preocupados com os algoritmos de classificação de aprendizado de máquinas mais atualizados. Neste momento, estamos apenas a introduzir conceitos e, assim, começaremos a discussão sobre a previsão com alguns métodos elementares.

Regressão Logística.

A primeira técnica que consideramos é a regressão logística (LR). No nosso caso, vamos usar o LR para medir a relação entre uma variável dependente categórica binária ("Up" ou "Down") e múltiplas variáveis ​​contínuas independentes (a porcentagem remanescente retorna). O modelo fornece a probabilidade de que um dia particular (seguinte) seja categorizado como "Up" ou "Down". Nesta implementação, optamos por atribuir cada dia como "Up" se a probabilidade exceder 0,5. Poderíamos usar um limite diferente, mas, por simplicidade, escolhi 0,5.

LR usa a fórmula logística para modelar a probabilidade de obter um dia "Up" ($ Y = U $) com base nos fatores de atraso ($ L_1 $, $ L_2 $):

A função logística é usada porque fornece uma probabilidade entre $ [0,1] $ para todos os valores de $ L_1 $ e $ L_2 $, ao contrário da regressão linear onde as probabilidades negativas podem ser geradas na mesma configuração.

Para ajustar o modelo (ou seja, estimar os coeficientes $ \ beta_i $), o método de máxima verossimilhança é usado. Felizmente para nós, a implementação da montagem e previsão do modelo LR é tratada pela biblioteca scikit-learn.

Análise de Discriminação Linear.

A próxima técnica utilizada é Linear Discriminant Analysis (LDA). LDA difere de LR porque, em LR, nós modelamos $ P (Y = U | L_1, L_2) $ como uma distribuição condicional da resposta $ Y $ dado os preditores $ L_i $, usando uma função logística. Em LDA, a distribuição das variáveis ​​$ L_i $ é modelada separadamente, dado $ Y $ e $ P (Y = U | L_1, L_2) $ é obtido através do Teorema de Bayes.

Essencialmente, LDA resulta do pressuposto de que preditores são retirados de uma distribuição gaussiana multivariada. Após calcular as estimativas para os parâmetros dessa distribuição, os parâmetros podem ser inseridos no Teorema de Bayes para fazer previsões sobre a qual classe pertence uma observação.

A LDA assume que todas as classes compartilham a mesma matriz de covariância.

Não vou me aprofundar nas fórmulas para estimar a distribuição ou probabilidades posteriores que são necessárias para fazer previsões, uma vez mais scikit-learn lida com isso para nós.

Análise Quadratic Discriminant.

A Análise Quadraticamente Discriminante (QDA) está intimamente relacionada à LDA. A diferença significativa é que cada classe agora pode possuir sua própria matriz de covariância.

O QDA geralmente funciona melhor quando os limites de decisão não são lineares. A LDA geralmente funciona melhor quando há menos observações de treinamento (isto é, quando é necessário reduzir a variância). O QDA, por outro lado, funciona bem quando o conjunto de treinamento é grande (ou seja, a variação é menos preocupante). O uso de um ou outro, em última instância, se resume ao trade-off de tendência e desvio.

Tal como acontece com LR e LDA, scikit-learn cuida da implementação da QDA, então precisamos fornecer dados de treinamento / teste para estimação e previsão de parâmetros.

Implementação do Python.

Para a implementação desses previsão, usaremos NumPy, pandas e scikit-learn. Eu já escrevi um tutorial sobre como instalar essas bibliotecas. Comentei fortemente o próprio código, por isso deve ser fácil verificar o que está acontecendo.

O primeiro passo é importar os módulos e bibliotecas relevantes. Vamos importar os classificadores LogisticRegression, LDA e QDA para este provisorista:

Agora que as bibliotecas são importadas, precisamos criar um DataFrame de pandas que contenha os retornos percentuais atrasados ​​por um número anterior de dias (padrão para cinco). create_lagged_series terá um símbolo de estoque (conforme reconhecido pelo Yahoo Finance) e crie um DataFrame atrasado durante o período especificado:

A próxima função auxiliar é projetada para criar uma porcentagem hit_rate para cada modelo, eliminando o código duplicado. Baseia-se no fato de que os objetos Logression Regression, LDA e QDA têm os mesmos métodos (ajuste e previsão). A taxa de sucesso é exibida para o terminal:

Finalmente, nós a gravamos com uma função __main__. Neste caso, vamos tentar prever a direção do mercado de ações dos EUA em 2005, usando dados de retorno de 2001 a 2004:

A saída do código é a seguinte:

Pode-se ver que a Regressão Logística e o Analisador Discriminador Linear foram capazes de ganhar uma taxa de sucesso de 56%. No entanto, o Analisador Quadratic Discriminant foi capaz de melhorar em ambos para produzir uma taxa de sucesso de 60%. Para o período específico analisado, isso provavelmente deve-se ao fato de que existe alguma não-linearidade na relação entre os fatores retardados e a direção que não está bem capturada na análise linear.

Assim, há esperança de que possamos prever parcialmente o mercado de ações dos EUA. Existem algumas ressalvas para esta metodologia de previsão:

Não utilizamos nenhuma forma de validação cruzada para reduzir erros de montagem. Um pré-programador de produção exigiria que essa análise fosse considerada robusta. O pré-programador só foi treinado em dados entre 2001-2004 inclusive. Dados de mercado mais recentes podem ter uma precisão de predição substancialmente diferente. Na verdade, não tentamos trocar essa informação. Em particular, como é que vamos executar trades? Utilizaríamos o futuro e-mini dos EUA? Utilizaríamos as ordens do mercado aberto (MOO) ou do mercado no fechamento (MOC)? Também precisamos considerar os custos de transação.

Em artigos subsequentes, consideramos essas questões em maior profundidade.

Um aviso sobre a previsão aleatória.

Nesta seção, quero destacar o problema de significância estatística quando lida com meteorologistas. Além do previsão descrita acima, também gerei uma série de "previsão" baseada unicamente no sinal de sorteios aleatórios de uma distribuição normal normal. Note-se que, no mesmo período, produziu uma taxa de sucesso de previsão de 53,4% e, no entanto, o método usado para gerar a série é essencialmente não diferente de jogar uma moeda! Tenha isso em mente sempre que você realizar os procedimentos de previsão, pois muitas vezes pode levar a um desempenho comercial terrível se não for levado em consideração.

Nos artigos a seguir, consideraremos os classificadores de previsão não-lineares supervisionados mais avançados, como redes neurais artificiais (ANN) e máquinas vetoriais de suporte (SVM). Com um "estável" de técnicas de aprendizado de máquinas à nossa disposição, posteriormente poderemos usar métodos de conjunto para produzir uma precisão e robustez de previsão que, às vezes, podem exceder as de qualquer previsor individual.

Apenas iniciando o comércio quantitativo?

3 razões para se inscrever para a lista de e-mails QuantStart:

1. Quant Trading Lessons.

Você terá acesso instantâneo a um curso de e-mail gratuito de 10 partes, repleto de sugestões e dicas para ajudá-lo a começar a negociação quantitativa!

2. Todo o conteúdo mais recente.

Todas as semanas, vou enviar-lhe um envoltório de todas as atividades no QuantStart para que você nunca mais perca uma postagem novamente.

Real, dicas de negociação viáveis, sem tonturas.

Estratégias de Negociação Momentum da Série do Tempo no Mercado de Valores Global.

Gagari Chakrabarti.

Nos últimos anos, a presença de lucros anormais nos mercados de ações foi empiricamente validada, colocando assim a Hipótese do Mercado Eficaz em julgamento; e a afirmação de que o mercado sabe que tudo ou o mercado não pode ser espancado provou ser um mito. Com a presença de regras de negociação rentáveis ​​nos mercados de ações, a especulação se torna um fenômeno comum, tornando o sistema financeiro intrinsecamente instável, vulnerável a choques e propenso a falhas. Este estudo, ao explorar a presença de regras comerciais rentáveis ​​no mercado global nos últimos anos, descobre que os submercados dos países desenvolvidos são mais vulneráveis ​​a especular atividades.

* Gagari Chakrabarti é professor assistente de Economia na Presidency University, Kolkata, na Índia. Suas principais áreas de pesquisa são economia financeira, finanças quantitativas e mercados financeiros como sistemas complexos. Ela obteve seu M. Sc., M. Phil. e Ph. D. Graduados em Economia pela Universidade de Calcutá.

Referências.

Informações sobre direitos autorais.

Autores e afiliações.

Gagari Chakrabarti.

Não há afiliações disponíveis.

Sobre este artigo.

Publicado em cooperação com.

Recomendações personalizadas.

Cite o artigo.

.RIS Papers Reference Manager RefWorks Zotero.

.BIB BibTeX JabRef Mendeley.

Compartilhe o artigo.

Acesso ilimitado ao artigo completo Download instantâneo Inclua o imposto de vendas local, se aplicável.

Cite o artigo.

.RIS Papers Reference Manager RefWorks Zotero.

.BIB BibTeX JabRef Mendeley.

Compartilhe o artigo.

Mais de 10 milhões de documentos científicos ao seu alcance.

Switch Edition.

&cópia de; 2017 Springer International Publishing AG. Parte de Springer Nature.

Análise da Série de Tempo e Arbitragem Estatística.

G63.2707, outono de 2009.

Como analisamos os dados financeiros históricos para desenvolver estratégias de negociação lucrativas e de baixo risco? Este curso é uma introdução à análise de séries temporais, tal como utilizado nas finanças e estratégias de negociação relevantes tanto para os participantes do mercado de compra como para os vendedores. O curso será dividido em três partes: Modelos lineares: AR e MA para processos escalares e vetoriais, e estimativa de volatilidade e covariância simples. Avaliação do modelo e análise residual. Cointegration e sua aplicação em modelos de risco e estratégias de negociação de pares. Modelos não-lineares: ARCH, GARCH e modelos de volatilidade mais gerais. Aplicações: microestrutura de mercado, modelagem de custos de transações e estratégias de negociação ótimas tanto para agência quanto para negociação principal.

Instrutores.

Pré-requisitos.

O curso destina-se a estudantes de segundo ano no Programa MS do Instituto Courant em Matemática em Finanças. Espera-se que esses estudantes tenham uma excelente base em matemática aplicada ao financiamento (cálculo estocástico e PDEs), um histórico razoável em finanças (teoria de portfólio e gerenciamento de riscos) e no computação, mas não necessariamente um conhecimento intensivo de estatísticas. Estudantes com preparação comparável podem se matricular se houver espaço disponível.

Cerca de 5 conjuntos de tarefas domésticas (40% no total), um questionário (30%) e um projeto final (30%).

Referências.

Segunda-feira à noite, das 7h10 às 9h da manhã em Silver 713, de 14 de setembro a 7 ou 14 de dezembro. (Não há feriado de Columbus Day este ano.) O cronograma e o esboço abaixo estão sujeitos a alterações dependendo de como o curso desenvolve, e sobre as demandas de viagem dos instrutores.