Lista De Estratégias Quantitativas De Negociação

Principais Fundos de Hedge Quantitativos Novos Fundos de Hedge estão sendo estabelecidos em uma base diária (e muitas vezes, parece, são shuttered igualmente rapidamente). No entanto, existem vários Fundos de Hedge Quant proeminentes que tiveram um histórico significativo, e enquanto a longevidade não é garantia de poder de permanência futuro, essas empresas são consideradas líderes no espaço Quant Hedge Fund: DE Shaw Quantitative Management Associates Duas Sigma Renaissance Technologies AlphaSimplex Grupo Capula AQR Capital PanAgora Acadian Gestão de Activos Esta lista não é exaustiva. Por exemplo, muitos fundos de hedge multi-estratégia, embora normalmente não conhecidos como Quant Hedge Funds, têm estratégias quantitativas significativas que eles executam como parte de sua plataforma. Considere a Highbridge Capital Management, uma plataforma de investimentos diversificada do tipo 29B, composta por fundos de hedge, produtos tradicionais de gestão de investimentos e investimentos de crédito e de capital com períodos de espera de longo prazo. Entre outras estratégias, a Highbridge oferece fundos de Arbitragem de Convertible Bond e Arbitragem Estatística, que são tipicamente pensados ​​como estratégias mais quantitativas do que algumas de suas outras ofertas de produtos, que incluem crédito e investimentos macro globais. Além disso, tenha em mente que as empresas que não Hedge Funds executar estratégias de negociação quantitativa. Muitos bancos grandes fazem, através de divisões de negociação proprietárias. No entanto, com a implementação da Regra Volcker. Os bancos são limitados nos tipos de atividades de investimento que podem se envolver. Como resultado, muitas estratégias de negociação de quantos têm se movido e provavelmente continuarão a passar de mesas de negociação internas nos bancos para bancos de gestão de ativos de armas. Fundada em: 1988 Baseado: New York City EmployeesTamanho: 1,100 aproximadamente 26 bilhões em capital de investimento (a partir de 1 de março de 2012) Descrição: A empresa tem uma presença significativa em muitos Dos mercados de capitais mundiais, investindo em uma ampla gama de empresas e instrumentos financeiros dentro das principais nações industrializadas e em uma série de mercados emergentes. As suas actividades vão desde a implantação de estratégias de investimento baseadas quer em modelos matemáticos quer em competências humanas à aquisição de empresas existentes e ao financiamento ou desenvolvimento de novas. Estratégias: As estratégias quantitativas da empresa são, em sua maioria, baseadas em: o uso de técnicas matemáticas para identificar oportunidades de lucro decorrentes de sutis anomalias que afetam os preços de vários títulos; a aplicação de modelos proprietários projetados para medir e controlar várias formas de risco; Técnicas quantitativas para minimizar os custos de transação associados à compra e venda de títulos e à utilização de tecnologia de otimização proprietária para a construção de carteiras de investimentos em evolução dinâmica com base nessas oportunidades de lucro, fatores de risco e custos de transação. Ao identificar oportunidades de lucro, o grupo de D. E. Shaw analisa uma enorme quantidade de dados associados a dezenas de milhares de instrumentos financeiros, juntamente com vários fatores não associados a nenhum desses instrumentos. Os dados são obtidos de muitos países em todo o mundo, e abrange uma ampla gama de classes de ativos. Quando este processo analítico produz um novo modelo, a empresa acredita ser de valor preditivo, torna-se elegível para implantação dentro de uma ou mais estratégias de negociação, em alguns casos, juntamente com uma dúzia ou mais de outros modelos envolvendo alguns dos mesmos instrumentos financeiros, De diferentes anomalias de mercado. A tecnologia de otimização proprietária da firm8217s foi projetada com o objetivo de maximizar o retorno esperado enquanto controla o risco agregado associado a uma carteira que pode, em alguns casos, incluir posições simultâneas em vários milhares de títulos. Em vez de considerar cada transação isoladamente, o software de otimização de carteira firm8217s é projetado para contabilizar inter-relações complexas entre um grande conjunto de instrumentos financeiros que podem variar ao longo de várias classes de ativos diferentes. Em muitos casos, os algoritmos de otimização da empresa podem melhorar os retornos ajustados ao risco, não apenas através da diversificação convencional, mas também estabelecendo exposições compensatórias a vários fatores de risco no nível da carteira. As carteiras são frequentemente reoptimizadas numa base mais ou menos contínua, com um fluxo contínuo de transacções executadas para tirar partido das oportunidades de lucro potencialmente emergentes e / ou para gerir várias formas de riscos que variam dinamicamente. As decisões de negociação sensíveis ao tempo são muitas vezes feitas muito rapidamente usando dados em tempo real obtidos de várias fontes em todo os mercados financeiros mundiais. A empresa negocia em quase 24 horas, e geralmente executa dezenas de milhares de transações por dia. Fundada em: 1975 Baseado em: Newark, NJ FuncionáriosTamanho: 36 profissionais de investimento (mais pessoal de escritório adicional) aproximadamente 83 bilhões em ativos sob gestão (AUM) em 1 de março de 2012 Descrição: Nós vemos potencial de investimento em pequenas mas difundidas mispricings de títulos. As estratégias ativas podem desempenhar um papel fundamental no cumprimento dos objetivos de investimento. Os preços dos ativos ocasionalmente desviam-se dos valores implícitos nos fundamentos subjacentes, e o gerenciamento ativo pode melhorar os retornos, posicionando uma carteira para lucrar com um eventual retorno aos fundamentos. Esses desvios de valores justos criam oportunidades que nossos processos são projetados para identificar e explorar. Porque estes são padrões que persistem ao longo do tempo, ao invés de tendências passageiras, estamos confiantes de que nossos processos podem continuar a superar a longo prazo. Nossa abordagem bottom-up combina os princípios da teoria da avaliação e do financiamento comportamental com a habilidade e o julgamento de nossos profissionais de investimento. Os membros da equipe com uma média de 20 anos de experiência de investimento e trazendo perspectivas diversas, incluindo professores universitários, engenheiros, físicos e economistas, trabalharam juntos em uma ampla gama de condições de mercado. Nosso processo de otimização proprietário gera carteiras diversificadas em um grande número de ações. E ao restringir riscos como tamanho, setorindústria e desvio em relação ao benchmark, ao mesmo tempo em que estamos focados nos custos de liquidez e transações, acreditamos que podemos alvejar a geração alfa mais efetivamente. A abordagem de investimento QMA8217s é sensata e sólida, mas não estática. Através de pesquisas contínuas, continuamos a encontrar maneiras de aprimorar a natureza adaptativa de nossos processos de investimento. Fundada: 2001 Baseado em: Nova Iorque (Hong Kong, Houston e escritórios satélites de Londres) EmpregadosTamanho: Cerca de 300 (estimado) vários bilhões de dólares (maio de 2012) Descrição: Temos sido bem sucedidos Aplicando nossas estratégias de negociação de investimento disciplinadas e orientadas a processos desde 2001. Essas estratégias, que são expressas em vários mercados e classes de ativos, baseiam-se em modelos estatísticos desenvolvidos usando análise matemática rigorosa e a visão de indústria da equipe Two Sigma8217s grande e experiente. O desenvolvimento dessas estratégias requer grandes recursos computacionais para identificar, quantificar e atuar com sucesso nas oportunidades de mercado, ao mesmo tempo em que monitora de perto a exposição ao risco. A tecnologia é uma parte integrante das estratégias de negociação, funções corporativas e vida em geral no Two Sigma. Para nós, a tecnologia é um centro de lucro, não apenas um item de custo, e continua a ser uma força motriz por trás da estrutura da empresa. Todos os dias, trabalhamos em pequenas equipes para desenvolver e aprimorar instrumentos analíticos e de mensuração para os mercados financeiros, e incentivamos a colaboração uma estrutura que parece rara no campo financeiro. De fato, muitos observaram que nós olhamos e sentimos muito como uma empresa de software. Fundada em 1982 com base em: Long Island, Nova York, Londres EmpregadosTamanho: 27515 bilhões Descrição: Renaissance Technologies LLC é uma empresa de gestão de investimentos dedicada a produzir retornos superiores para seus clientes e funcionários aderindo a métodos matemáticos e estatísticos. Fundada: na Base: Cambridge, MA EmpregadosTamanho: 28na Descrição: AlphaSimplex especializa-se em estratégias de investimento de retorno absoluto que são implementadas principalmente com futuros e contratos a termo. Usando técnicas quantitativas de ponta, nossa abordagem única ao investimento fornece a adaptabilidade e a tomada de decisão contextual geralmente associada aos gestores fundamentais, mas dentro de um quadro puramente quantitativo e controlado pelo risco. Cada uma das estratégias de investimento das empresas baseia-se numa abordagem multi-modelo para a gestão de carteiras que procura gerar alfa com maior consistência e que facilita a adição regular de modelos recentemente desenvolvidos. Estratégias: Macro Global Quantitativa é uma estratégia global macro quantitativa de modelo que se baseia em um conjunto diversificado de fatores em muitos mercados diferentes. Os modelos de componentes que compõem o produto foram desenvolvidos ao longo de vários anos e um conjunto diversificado de ambientes de mercado. Para qualquer ambiente de mercado determinado, há pelo menos um ou dois modelos de componentes projetados para gerar alfa para esse ambiente específico. O gerente usa técnicas estatísticas avançadas para pesar dinamicamente os modelos de componentes para explorar mais eficazmente as condições atuais do mercado. Global Tactical Asset Allocation é uma estratégia extremamente eficiente em termos de capital ou de estratégia alfa8221, cujo objetivo é adicionar um incremental de 1 ou 2 pontos percentuais de retorno a uma carteira existente sem aumentar a volatilidade dos portfólios existentes em mais de 1 ou 2 pontos percentuais anualmente. A estratégia também pode ser gerenciada em níveis de risco mais altos para gerar retornos mais elevados. LASER e ALTERNATIVAS GLOBAIS utilizam futuros e forwards para replicar exposições a um conjunto diversificado de premiações de risco líquido mais comuns que geram retornos de fundos de hedge. Esta estratégia proporciona benefícios de diversificação semelhantes a um fundo de hedge funds e é adequada para os grandes investidores institucionais que, de outra forma, não encontrarão capacidade adequada entre os gestores de fundos de cobertura, como um buffer de liquidez com uma carteira menos líquida e para os pequenos investidores Não teriam acesso aos benefícios de diversificação dos fundos de hedge devido a requisitos mínimos de investimento. Fundada em: 2005 Baseado em: Londres (Greenwich, CT e Tóquio) EmpregadosTamanho: Menos de 509B (2011) Descrição: Capula Investment Management LLP é uma empresa global especializada em renda fixa. A empresa gerencia estratégias de negociação de renda fixa em retorno absoluto e produtos de renda fixa melhorados, juntamente com um produto de hedge de risco de cauda. A Capula Investment Management LLP centra-se no desenvolvimento de estratégias de investimento inovadoras que apresentam uma baixa correlação com os mercados tradicionais de acções e de rendimento fixo. O que diferencia Capula é o seu foco macro, disciplina de negociação forte e orientação de curto prazo, em vez de um estilo de investimento de médio prazo. A compreensão das empresas de riscos de liquidez e riscos de cauda ajudou a prosperar em todas as fases do ciclo de investimento, incluindo períodos de extrema perturbação do mercado. O Fundo Capula GRV está focado em taxas de juros e macro trading. O fundo envolve estratégias de valor relativo e convergência que buscam explorar anomalias de preços nos mercados de títulos públicos, swap de taxas de juros e principais mercados de derivativos negociados em bolsa e emprega uma superposição macro defensiva. Os temas de investimento são impulsionados principalmente pela geração alfa e visam permanecer neutros em relação aos movimentos direcionais nos principais mercados de capitais. O Fundo de Risco Capula Tail investe em uma gama de instrumentos principalmente nos mercados do G7. Visa retornos superiores em épocas de crise de liquidez e sistêmica, minimizando os efeitos negativos nas condições normais de mercado. Ambos os fundos são ativamente gerenciados no estilo de negociação proprietária. Fundada em: 1998 Baseado em: Greenwich, CT EmpregadosTamanho: 19044B (final de 2011) Descrição: A AQR Capital Management é uma empresa de gestão de investimentos que emprega um processo de pesquisa global multi-ativos disciplinado. AQRs produtos de investimento são fornecidos através de um conjunto limitado de veículos de investimento coletivo e contas separadas que utilizam todos ou um subconjunto de estratégias de investimento AQR8217s. Esses produtos de investimento abrangem desde hedge funds agressivos de alta volatilidade neutra ao mercado, até produtos tradicionais de baixa volatilidade de referência. As decisões de investimento são tomadas usando uma série de modelos globais de alocação de ativos, arbitragem e seleção de segurança, e implementadas usando sistemas proprietários de negociação e gerenciamento de riscos. A AQR acredita que um processo sistemático e disciplinado é essencial para alcançar o sucesso a longo prazo no investimento e gestão de risco. Além disso, os modelos devem basear-se em princípios econômicos sólidos, não simplesmente construídos para se adequar ao passado, e devem conter tanto senso comum como o poder de fogo estatístico. Fundada em: 1989 Baseado em: Boston, MA EmpregadosTamanho: 50-20022.3B (final de 2011) Descrição: A PanAgora é uma instituição financeira de gestão de investimentos com base quantitativa que utiliza estratégias de selecção de acções bottom-up, Macro estratégias. Procuramos fornecer soluções de investimento utilizando sofisticadas técnicas quantitativas que incorporam insights fundamentais e grandes quantidades de informações de mercado. Embora as estratégias de investimento da PanAgoras sejam de natureza altamente sistemática, os processos implantados nessas estratégias são construídos e supervisionados por profissionais talentosos com experiência de investimento significativa e diversificada. A pesquisa inovadora desempenha um papel central na nossa filosofia e processo de investimento e é um componente essencial da capacidade da nossa empresa de oferecer soluções de investimento atrativas. As equipes de investimento são organizadas em um grupo de Estratégias de Equidade e um grupo de Estratégias de Ativos Multi. A maioria dos membros da equipe de investimento estão envolvidos em pesquisas originais usando intuição fundamental, inteligência de mercado, finanças modernas e métodos científicos. As estratégias de investimento da PanAgoras baseiam-se nestes princípios orientadores: Os mercados de capitais não são perfeitamente eficientes e, por conseguinte, apresentam oportunidades de investimento atrativas para investidores disciplinados. Investigação inovadora que combina a criatividade com a teoria financeira moderna e técnicas estatísticas (arte e ciência) é a base de um processo de investimento bem sucedido. Uma abordagem sistemática ao investimento que combina o pensamento intuitivo e fundamental com técnicas quantitativas é susceptível de gerar retornos persistentes e atractivos ajustados ao risco. A atenção ao risco ea implementação eficiente podem preservar e, muitas vezes, melhorar os resultados de desempenho. Objetivos claramente definidos, transparência e acesso a profissionais talentosos de investimento ajudam a alcançar a satisfação do cliente. Fundada em: 1987 Baseado em: Boston (Singapura e Londres) EmpregadosTamanho: 200-50048B (33112) Descrição: Acadian tem um processo de investimento rigoroso e estruturado. Quantificamos a maioria dos aspectos de nosso processo de investimento, incluindo o excesso de retorno que acreditamos que cada segurança em nosso universo de investimentos gerará em um determinado horizonte e o risco que esperamos que uma determinada carteira experimente em relação a seu índice de referência. O objetivo desta nota é explicar por que acreditamos que uma abordagem quantitativa faz sentido, e quais vantagens e desvantagens essa abordagem tem em relação a abordagens mais tradicionais. Acreditamos que as técnicas quantitativas são ferramentas. Eles são formas de aplicar abordagens tradicionais para tomar decisões de investimento de forma disciplinada e sistemática. Assim, nossa abordagem ao investimento não está em desacordo com uma abordagem tradicional. Utilizamos as mesmas ferramentas que muitos gestores de carteira tradicionais utilizam, mas tentamos aplicá-las de forma muito sistemática e disciplinada, evitando emoções e derrapagens na implementação. A Acadian é especializada em estratégias ativas globais e internacionais de equidade, empregando sofisticados modelos analíticos para a seleção ativa de ações, bem como a avaliação de grupos de pares (país, região e indústria). Também oferecemos estratégias de renda fixa nos mercados emergentes. Nosso banco de dados proprietário abrange mais de 40.000 títulos em mais de 60 mercados em todo o mundo. Acadian8217s capacidades de pesquisa extensa são usadas para desenvolver estratégias de gestão de investimento personalizado para os nossos clientes. Quantitative Trading O que é Quantitative Trading Quantitative negociação consiste em estratégias de negociação com base na análise quantitativa. Que se baseiam em cálculos matemáticos e número crunching para identificar oportunidades comerciais. Como o comércio quantitativo é geralmente usado por instituições financeiras e fundos de hedge. As transações são geralmente de grande porte 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. BREAKING Down Quantitative Trading Preço e volume são duas das entradas de dados mais comuns utilizados na análise quantitativa como os principais inputs para modelos matemáticos. As técnicas de negociação quantitativas incluem o comércio de alta frequência. Negociação algorítmica e arbitragem estatística. Estas técnicas são rápido-fogo e têm tipicamente horizontes de investimento a curto prazo. Muitos comerciantes quantitativos estão mais familiarizados com ferramentas quantitativas, como médias móveis e osciladores. Compreender a negociação quantitativa Comerciantes quantitativos tirar proveito da tecnologia moderna, matemática ea disponibilidade de bancos de dados abrangentes para tomar decisões comerciais racionais. Os comerciantes quantitativos tomam uma técnica de negociação e criam um modelo usando a matemática, e então desenvolvem um programa de computador que aplica o modelo aos dados históricos do mercado. O modelo é então testado e otimizado. Se forem obtidos resultados favoráveis, o sistema é então implementado em mercados em tempo real com capital real. A forma como funcionam os modelos de negociação quantitativa pode ser melhor descrita usando uma analogia. Considere um relatório meteorológico em que o meteorologista prevê uma chance de 90 de chuva enquanto o sol está brilhando. O meteorologista obtém essa conclusão contra-intuitiva coletando e analisando dados climáticos de sensores em toda a área. Uma análise quantitativa informatizada revela padrões específicos nos dados. Quando estes padrões são comparados com os mesmos padrões revelados nos dados climáticos históricos (backtesting), e 90 em cada 100 vezes o resultado é chuva, então o meteorologista pode tirar a conclusão com confiança, daí a previsão 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 um comércio rentável. Um comerciante típico pode efetivamente monitorar, analisar e tomar decisões de negociação em um número limitado de títulos antes que a quantidade de dados recebidos oprima o processo de tomada de decisão. O uso de técnicas de negociação quantitativas ilumina esse limite usando computadores para automatizar as decisões de monitoramento, análise e negociação. Superar a emoção é um dos problemas mais difundidos com a negociação. Seja medo ou ganância, ao negociar, a emoção serve apenas para sufocar o pensamento racional, que geralmente leva a perdas. Computadores e matemática não possuem emoções, portanto, o comércio quantitativo elimina esse problema. O comércio quantitativo 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 a condição de mercado para a qual eles foram desenvolvidos, mas eles falham, em última instância, quando as condições de mercado mudam. Guia de início de negociação quantitativa Neste artigo eu estou indo para introduzir alguns dos conceitos básicos que acompanham um Sistema de comércio quantitativo de ponta a ponta. Este post esperamos servir duas audiências. O primeiro será indivíduos que tentam obter um emprego em um fundo como um comerciante quantitativo. O segundo serão os indivíduos que desejam tentar criar seu próprio negócio de negociação algorítmica de varejo. A negociação quantitativa é uma área extremamente sofisticada de finanças quantitativas. 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 uma extensa experiência em programação, pelo menos em uma linguagem como MATLAB, R ou Python. Contudo, à medida que a frequência de negociação da estratégia aumenta, os aspectos tecnológicos tornam-se muito mais relevantes. Assim, estar familiarizado com CC será de suma importância. Um sistema de negociação quantitativo consiste em quatro componentes principais: Identificação da Estratégia - Encontrar uma estratégia, explorando uma vantagem e decidir sobre a freqüência de negociação Backtesting Estratégia - Obtendo dados, analisando o desempenho da estratégia e removendo viéses Execution System - Ligação a uma corretora, automatizando a negociação e minimizando Custos de transação Gerenciamento de Risco - alocação de capital otimizada, a aposta critério de tamanhoKelly e psicologia de negociação Bem, comece por dar uma olhada em como identificar uma estratégia de negociação. Identificação da estratégia Todos os processos de negociação quantitativa começam com um período inicial de pesquisa. Este processo de pesquisa engloba encontrar uma estratégia, ver se a estratégia se encaixa em um portfólio de outras estratégias que você pode estar executando, obtendo todos os dados necessários para testar a estratégia e tentar otimizar a estratégia para maiores retornos e / ou menor risco. Você precisará considerar seus próprios requisitos de capital se estiver executando a estratégia como um comerciante varejista e como quaisquer custos de transação afetarão a estratégia. Ao contrário da crença popular é realmente bastante simples de encontrar estratégias rentáveis ​​através de várias fontes públicas. Os acadêmicos publicam regularmente resultados de negociação teóricos (embora na maior parte brutos dos custos de transação). Os blogs quantitativos das finanças discutirão estratégias detalhadamente. Revistas de comércio descreverão algumas das estratégias empregadas pelos fundos. Você pôde questionar porque os indivíduos e as empresas são afiados discutir suas estratégias rentáveis, especial quando sabem que outros que aglomeram o comércio podem parar a estratégia do trabalho no prazo. A razão reside no fato de que eles não costumam discutir os parâmetros exatos e métodos de ajuste que eles têm realizado. Estas otimizações são a chave para transformar uma estratégia relativamente medíocre em uma altamente rentável. Na verdade, uma das melhores maneiras de criar suas próprias estratégias únicas é encontrar métodos semelhantes e, em seguida, realizar o seu próprio processo de otimização. Aqui está uma pequena lista de lugares para começar a procurar idéias de estratégia: Muitas das estratégias que você vai olhar para cair nas categorias de média-reversão e trend-followingmomentum. Uma estratégia de reversão de média é aquela que tenta explorar o fato de que existe uma média de longo prazo em uma série de preços (como o spread entre dois ativos correlacionados) e que os desvios a curto prazo dessa média reverterão. Uma estratégia de dinamismo tenta explorar tanto a psicologia dos investidores quanto a estrutura de grandes fundos ao engatar uma tendência de mercado, que pode ganhar impulso em uma direção e seguir a tendência até que ela reverta. Outro aspecto extremamente importante do comércio quantitativo é a freqüência da estratégia de negociação. Negociação de baixa freqüência (LFT) geralmente se refere a qualquer estratégia que detém ativos mais do que um dia de negociação. Correspondentemente, a negociação de alta freqüência (HFT) geralmente se refere a uma estratégia que detém ativos intraday. Ultra-high frequency trading (UHFT) refere-se a estratégias que mantêm ativos na ordem de segundos e milissegundos. Como um praticante de varejo HFT e UHFT são certamente possível, mas apenas com conhecimento detalhado da pilha de tecnologia de negociação e dinâmica livro de pedidos. Nós não vamos discutir estes aspectos em grande medida neste artigo introdutório. Uma vez que uma estratégia, ou conjunto de estratégias, foi identificado, agora precisa ser testado para rentabilidade em dados históricos. Esse é o domínio do backtesting. Backtesting da estratégia O objetivo do backtesting é fornecer evidências de que a estratégia identificada através do processo acima é rentável quando aplicada a dados históricos e fora da amostra. Isso define a expectativa de como a estratégia irá funcionar no mundo real. No entanto, backtesting não é uma garantia de sucesso, por várias razões. É talvez a área mais sutil de negociação quantitativa, uma vez que implica vieses numerosos, que devem ser cuidadosamente considerados e eliminados, tanto quanto possível. Discutiremos os tipos comuns de viés, incluindo o viés prospectivo. Viés de sobrevivência e viés de otimização (também conhecido como viés de snooping de dados). Outras áreas de importância dentro de backtesting incluem disponibilidade e limpeza de dados históricos, factoring em custos de transação realistas e decidir sobre uma robusta plataforma de backtesting. Bem discutir os custos de transação ainda mais na seção Execution Systems abaixo. Uma vez que uma estratégia foi identificada, é necessário obter os dados históricos através dos quais para realizar testes e, talvez, refinamento. Há um número significativo de fornecedores de dados em todas as classes de ativos. Os seus custos geralmente variam em função da qualidade, profundidade e actualidade dos dados. O ponto de partida tradicional para comerciantes começantes do princípio (pelo menos no nível de varejo) é usar o jogo de dados livre de Finanças de Yahoo. Eu não vou me debruçar demais sobre os provedores, mas gostaria de me concentrar nas questões gerais ao lidar com conjuntos de dados históricos. As principais preocupações com dados históricos incluem a precisão de limpeza, viés de sobrevivência e ajuste para ações corporativas, tais como dividendos e divisões de ações: A precisão diz respeito à qualidade geral dos dados - se ele contém quaisquer erros. Erros às vezes podem ser fáceis de identificar, como com um filtro de pico. Que selecionará pontos incorretos em dados de séries de tempo e corrigirá para eles. Em outros momentos, eles podem ser muito difíceis de detectar. Muitas vezes é necessário ter dois ou mais provedores e, em seguida, verificar todos os seus dados uns contra os outros. O viés de sobrevivência é muitas vezes uma característica de conjuntos de dados gratuitos ou baratos. Um conjunto de dados com viés de sobrevivência significa que ele não contém ativos que não são mais comerciais. No caso de acções, isto significa ações de delistedbankrupt. Esse viés significa que qualquer estratégia de negociação de ações testada em um desses conjuntos de dados provavelmente funcionará melhor do que no mundo real, já que os vencedores históricos já foram pré-selecionados. As ações corporativas incluem atividades logísticas realizadas pela empresa que geralmente causam uma mudança de função no preço bruto, que não deve ser incluída no cálculo dos retornos do preço. Os ajustes para dividendos e divisões de ações são os culpados comuns. Um processo conhecido como ajuste posterior é necessário para ser realizado em cada uma dessas ações. Deve-se ter muito cuidado para não confundir um grupamento de ações com um verdadeiro ajuste de retorno. Muitos comerciantes têm sido pegos por uma ação corporativa Para realizar um backtest procedimento é necessário usar uma plataforma de software. Você tem a escolha entre software de backtest dedicado, como Tradestation, uma plataforma numérica como o Excel ou MATLAB ou uma implementação personalizada completa em uma linguagem de programação como Python ou C. Eu não vou morar demais em Tradestation (ou similar), Excel ou MATLAB, como eu acredito em criar uma pilha inteira da tecnologia interna (pelas razões esboçadas abaixo). Um dos benefícios de fazer isso é que o software de backtest e o sistema de execução podem ser bem integrados, mesmo com estratégias estatísticas extremamente avançadas. Para estratégias HFT, em particular, é essencial usar uma implementação personalizada. Quando backtesting um sistema um deve ser capaz de quantificar o quão bem ele está realizando. As métricas padrão da indústria para estratégias quantitativas são a redução máxima eo Índice de Sharpe. A descida máxima caracteriza a maior queda pico-a-minucioso na curva de equidade da conta durante um determinado período de tempo (geralmente anual). Isso é mais freqüentemente citado como uma porcentagem. As estratégias LFT tendem a ter maiores reduções do que as estratégias HFT, devido a uma série de fatores estatísticos. Um backtest histórico mostrará o drawdown máximo passado, que é um bom guia para o desempenho de drawdown futuro da estratégia. A segunda medição é a Relação de Sharpe, que é definida heuristicamente como a média dos retornos excedentes divididos pelo desvio padrão desses retornos excedentes. Aqui, os retornos excedentes referem-se ao retorno da estratégia acima de um ponto de referência pré-determinado. Como o SP500 ou um Tesouro de 3 meses. Observe 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 tem sido backtested e é considerado livre de preconceitos (na medida do possível), com um bom Sharpe e minimizado drawdowns, é hora de construir um sistema de execução. Sistemas de Execução Um sistema de execução é o meio pelo qual a lista de negócios gerados pela estratégia são enviados e executados pelo corretor. Apesar do fato de que a geração comercial pode ser semi - ou mesmo totalmente automatizada, o mecanismo de execução pode ser manual, semi-manual (ou seja, um clique) ou totalmente automatizado. Para estratégias LFT, 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 associado com o gerador de comércio (devido à interdependência de estratégia e tecnologia). As principais considerações ao criar um sistema de execução são a interface para a corretora. Minimização dos custos de transação (incluindo comissão, deslizamento e spread) e divergência de desempenho do sistema ao vivo de desempenho backtestado. Há muitas maneiras de interagir com uma corretora. Eles variam de chamar seu corretor no telefone direto para um totalmente automatizado de alto desempenho Application Programming Interface (API). Idealmente, você deseja automatizar a execução de seus negócios, tanto quanto possível. Isso libera você para se concentrar em mais pesquisas, bem como permitir que você execute várias estratégias ou mesmo estratégias de maior freqüência (na verdade, HFT é essencialmente impossível sem a execução automatizada). O software de backtesting comum descrito acima, como MATLAB, Excel e Tradestation são bons para menor frequência, estratégias mais simples. No entanto, será necessário construir um sistema de execução interno escrito em uma linguagem de alto desempenho, como C, a fim de fazer qualquer HFT real. Como uma anedota, no fundo que eu costumava ser empregado em, tivemos um loop de negociação de 10 minutos, onde iria baixar novos dados de mercado a cada 10 minutos e, em seguida, executar comércios com base nessa informação no mesmo período de tempo. Isso foi usando um script Python otimizado. Para qualquer coisa que se aproxima de minutos ou de dados de segunda freqüência, eu acredito CC seria mais ideal. Em um fundo maior, muitas vezes não é o domínio do comerciante quant para otimizar a execução. No entanto, em pequenas lojas ou empresas HFT, os comerciantes são os executores e, portanto, um conjunto de habilidades muito mais amplo é muitas vezes 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 de minimização de custos de transação. Geralmente, existem três componentes para os custos de transação: Comissões (ou impostos), que são as taxas cobradas pela corretora, pela bolsa e pela derrogação da SEC (ou órgão regulador governamental semelhante), que é a diferença entre o que você pretendia que sua ordem fosse Preenchido em relação ao que foi realmente preenchido no spread, que é a diferença entre o preço bidask do título negociado. Observe que o spread não é constante e é dependente da liquidez atual (ou seja, disponibilidade de ordens de compra) no mercado. Os custos de transação podem fazer a diferença entre uma estratégia extremamente lucrativa com uma boa relação de Sharpe e uma estratégia extremamente desprotegida com uma proporção de Sharpe terrível. Pode ser um desafio para prever corretamente os custos de transação de um backtest. Dependendo da frequência da estratégia, você precisará acessar dados históricos de troca, que incluirão dados de tick para os preços de bidask. Equipes inteiras de quants são dedicadas à otimização da execução nos fundos maiores, por estas razões. Considere o cenário em que um fundo precisa descarregar uma quantidade substancial de negócios (dos quais as razões para fazê-lo são muitas e variadas). Ao lançar tantas ações para o mercado, elas rapidamente diminuirão o preço e poderão não obter uma execução ótima. Daí os algoritmos que gotejam ordens de alimentação para o mercado existem, embora então 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 de estrutura de fundo. A grande questão final para os sistemas de execução diz respeito à divergência do desempenho da estratégia com o desempenho testado. Isso pode acontecer por várias razões. Nós já discutimos o viés prospectivo eo viés de otimização em profundidade, ao considerar backtests. No entanto, algumas estratégias não tornam mais fácil testar esses vieses antes da implantação. Isto ocorre em HFT mais predominantemente. Pode haver bugs no sistema de execução, bem como a própria estratégia de negociação que não aparecem em um backtest, mas mostrar-se na negociação ao vivo. O mercado pode ter sido sujeito a uma mudança de regime subseqüente à implantação de sua estratégia. Novos ambientes regulatórios, a mudança do sentimento dos investidores e os fenômenos macroeconômicos podem levar a divergências na forma como o mercado se comporta e, portanto, a rentabilidade de sua estratégia. Gestão de Risco A peça final para o quebra-cabeça negociação quantitativa é o processo de gestão de risco. Risco inclui todos os preconceitos anteriores que discutimos. Ele inclui o risco de tecnologia, tais como servidores co-localizado na troca de repente desenvolvendo um mau funcionamento do disco rígido. Inclui o risco da corretora, tal como o corretor que torna-se falido (não tão louco como soa, dado o susto recente com MF global). Em suma, abrange quase tudo o que poderia interferir com a execução de negociação, de que há muitas fontes. Livros inteiros são dedicados à gestão de risco para estratégias quantitativas assim que eu wontt tentativa de elucidate em todas as fontes possíveis do risco aqui. A gestão de risco também engloba o que é conhecido como alocação de capital ótima. Que é um ramo da teoria da carteira. Este é o meio pelo qual o capital é alocado para um conjunto de diferentes estratégias e para os negócios dentro dessas estratégias. É uma área complexa e depende de algumas matemáticas não-triviais. O padrão da indústria, através do qual a otimização da alocação de capital e alavancagem das estratégias estão relacionadas, é chamado de critério de Kelly. Uma vez que este é um artigo introdutório, eu não ficarei no 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 comerciantes são frequentemente conservadores quando se trata da implementação. Outro componente chave do gerenciamento de risco é lidar com o perfil psicológico próprio. Há muitos preconceitos cognitivos que podem fluir para a negociação. Embora isso seja reconhecidamente menos problemático com negociação algorítmica se a estratégia é deixada sozinho Um preconceito comum é que a aversão perda, onde uma posição perdedora não será encerrada devido à dor de ter que perceber uma perda. Similarmente, os lucros podem ser tomados demasiado cedo porque o medo de perder um lucro já ganhado pode ser demasiado grande. Outro viés comum é conhecido como viés de recência. Isto manifesta-se quando os comerciantes colocam demasiada ênfase em eventos recentes e não a longo prazo. Então, claro, há o par clássico de preconceitos emocionais - medo e ganância. Estes podem muitas vezes levar a sub ou excesso de alavancagem, o que pode causar blow-up (ou seja, o título da conta de equidade para zero ou pior) ou lucros reduzidos. Como pode ser visto, o comércio quantitativo é uma área extremamente complexa, embora muito interessante, de finanças quantitativas. Eu literalmente arranhado a superfície do tópico neste artigo e já está ficando bastante longa livros inteiros e artigos foram escritos sobre questões que eu só deu uma frase ou duas para. Por essa razão, antes de aplicar para empregos quantitativos de negociação de fundos, é necessário realizar uma quantidade significativa de estudo de base. No mínimo, você precisará de um extenso histórico em estatística e econometria, com muita experiência na implementação, através de uma linguagem de programação como MATLAB, Python ou R. Para estratégias mais sofisticadas no final de freqüência mais alta, seu conjunto de habilidades é provável Para incluir modificação de kernel do Linux, CC, 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 ficar bom em programação. Minha preferência é construir o máximo de dados grabber, backtestter estratégia e sistema de execução por si mesmo como possível. Se o seu próprio capital está na linha, wouldnt você dormir melhor à noite sabendo que você testou plenamente o seu sistema e estão cientes de suas armadilhas e questões específicas Outsourcing isso para um fornecedor, enquanto potencialmente economizando tempo no curto prazo, poderia ser extremamente Caro a longo prazo. Basta começar com Quantitative TradingLets começar com o básico, em seguida, I039ll entrar nas estratégias: Investimento quantitativo é uma abordagem para a implementação de estratégias de investimento de forma automatizada (ou semi-automatizada). Esta abordagem presta-se bem a (1) utilizar conjuntos de dados grandes ou únicos. (2) refinando-os em informações explicativas, e (3) desdobrando-os como negociações via tecnologia. No seu núcleo, cada investidor quant está procurando uma vantagem, então I039ll explicar como cada elemento é usado para capturar borda. Os melhores quants empregam o método científico que eles vêm acima com uma hipótese baseada em uma observação do mundo real, então eles testá-lo. A maioria das pessoas equiparar investimentos quantitativos com doutores avançados e matemática de ponta de alto nível. Matemática avançada muitas vezes não é o principal motor de borda muitas das estratégias mais rentáveis ​​quant são realmente muito simples de entender. A chave para chegar a uma hipótese vencedora é entender os temas mais rentáveis ​​em finanças, em seguida, para chegar a um processo para sourcing e expressar esses temas. Alguns exemplos de temas altamente rentáveis: G overnments criar uma multidão de oportunidades para pura gamification. Eles são motivados pela política em vez de lucro, e existem inúmeras agências e regimes nacionais que criam regras confusas e contraditórias. Quants look to reverse-engineer these rule structures and pinpoint inefficiencies within a system and across systems so they can capitalize on them. Governments tend to be slower to respond than profit-motivated actors, so the inefficiencies they create can persist for a long time (often indefinitely). For these reasons they are a profitable source of low-hanging fruit for quants: (a) Classic R egulatory Arbitrage . Financial actors often scour the rule systems of regulators in an effort to find inefficiencies. One example: the electricity regulators have a reputation for being so incompetent that their complex rules and regulations provide electricity traders with innumerable opportunities. As Bloomberg put it, quotFERC (the electricity regulator) builds markets with so many bells and whistles and buttons and valves that some of the buttons end up having no function but to dispense money. If you can find those buttons, what you do is just keep pressing them until the FERC notices and gets mad at you. 1 quot (b) Cross-Border Regulatory Arbitrage. Example: U. S. regulators require companies to report quarterly financials. Companies listed on the Taiwanese exchange are required to report monthly sales. Quants can take the monthly sales for semi-conductor companies listed in Taiwan2 and use deploy those signals ahead of investors waiting on the quarterly information in the U. S. They can also use the information to create better estimates for index performance and trade options or ETFs more effectively. (c) Inter-Agency Regulatory A rbitrage. This is when quants use the fact that rules have a tendency to conflict across different regulators within the same system. Example: The implementation of the new Dodd-Frank legislation (which hedge fund titan John Paulson artfully referred to as quotgobbledygook3 quot) has been a field day for quant investors who are decoding the rules. One aspect of the law states that banks amp thrift institutions that are FDIC-insured must report 039Call Data039, which requires disclosures of earnings, among other things. Many of these banks are now inadvertently reporting earnings via FDIC reports ahead of their quarterly 10-Q reports, providing an opportunity to take advantage of this timing discrepancy. Exchange rules. Much like governments, exchanges come up with specific trading rules that can be gamed: (a) Time Zone Arbitrage. 4 An arbitrage existed (now illegal) whereby some international mutual funds could be gamed due to differences in time zones. Per the rules, all mutual funds had their prices set end of day at 4pm EST, when U. S. exchanges closed. The problem was that for some international mutual funds, their markets had already closed prior to 4pm EST, which meant that investors could see the closing prices before the actual close. They would then simply algorithmically buy funds that they knew would be priced higher than the price being paid. (b) Flash Pricing. Several quantitative approaches often cited in discussions of high frequency trading are actually based on exploiting exchange rules. Quants use quotflash pricing5 quot to get a sneak peek on large order flow and then trade microseconds ahead of other participants to step in the middle. (c) Rebate Arbitrage. This is a tactic that uses an exchange rule that seeks to reward market participants that provide liquidity to the exchange versus those that remove liquidity. Several high frequency approaches seek to take advantage of this 039money button039 by placing trades that neutralize the market impact of their bets while maximizing their free rebates. Market participant rules. In addition to the inefficiencies created by governments and exchanges, market participants have their own rules to trade against, whether it be institutions with their own unique protocols or individuals with behavioral biases. Examples: (a) Algorithmic pattern recognition. One significant area of market innovation of late has been in pattern recognition. Back in the simpler days, if a big institutional order came in to a brokerage house, the broker would likely need to shop the order around to multiple other brokers to fill up the big trade. If broker Mike at Morgan Stanley called broker George at Goldman Sachs, George might be able to intuit that a big order was happening and keep some shares for himself while selling some of the others to Mike to fill his order. Brokers would track volume moves and the information at hand to quotRead the Tape6 quot to try and take advantage of big directional moves in a stock due to these block purchases. Nowadays, all institutional trading is done via electronic algorithm, where orders are routed in staggered patterns to multiple exchanges as well as different brokers, dark pools, and crossing networks in effort to fill them in the most effective, secretive way possible. Instead of reading the tape, modern quantitative funds now work on the other side and try to quotbreak the codequot. In other words, they seek to recognize and isolate custom trade execution patterns in an effort to trade against them. (b) ETF Rule Trading. When a stock is being added to an index, the ETFs representing that index often MUST buy that stock as well. By understanding the rules of index additionssubtractions, hedge funds can trade ahead of the forced buying and capitalize on those rules. (c) Prospectus A rbitrage. Many mutual funds amp hedge funds have their own investing rules. For example, many mutual funds arbitrarily set rules for themselves that they cannot own a stock under 5. Others must only invest in stocks that meet their specific quotgrowthquot or quotvaluequot characteristics. For a savvy quant investor, they can use textual analysis to scan for these types of rules across prospectuses, source the publicly available information on mutual fund holdings (via 13F filings), determine which funds hold assets close to their stated thresholds, and trade against those constraints. (d) Behavioral biases. Many retail investors have well-established psychological biases. For example, retail investors have a tendency to cut winning positions add to losing positions due to a loss-aversion bias. Quants can identify general behavioral biases among certain classes of investors, isolate which stocks express those biases and are favored by the class of investors, then trade against the irrational behavior as a source of return. Other Pure Informational Advantages. Some funds focus on finding unique data sources to extract an edge. A very interesting WSJ article7 shared that: Some funds use satellite imagery to determine whether crops are growing at the expected rate in order to estimate commodity supplies amp prices. Others use satellite imagery to gauge whether parking lots are full or empty at specific retailers as a way to anticipate sales. Others measure the shadows cast from buildings to estimate the rate of new construction in major cities. A lista continua. There are an innumerable number of clever ways to find better, faster information rather than wait for the quarterly amp annual reports to come out. 2. Refining Data. All of the above thus far describes different types of trades and data sets that can be used to extract an edge. Often the uniqueness of the data alone is enough to confer an obvious advantage, but additional edge can be extracted using the best techniques to scrub amp refine the information. This is often where the PhD-level mathematics can provide an edge. Monte Carlo simulation, machine-learning algorithms, refinements to traditional regression analysis or other means can contribute to higher predictive values for a given date set. Deep Math Applications. The inefficiencies amp data sets above are intuitive to understand and do not fundamentally require advanced math applications. That being said, there are strategies that are only explained with advanced math. Emc2 is not a fundamentally intuitive concept, but it has been used to explain a vast array of knowledge that didn039t exist prior to its discovery. The same discoveries can be unearthed in finance (though no one would broadly disseminate them as long as they are effective.) An example of a financial field where advanced math is almost mandatory is o ptions. Options (and derivative securities in general) have more complex mathematical underpinnings than traditional stocks. As opposed to stocks that move primarily in relation to the health of the company and the broader economy, the value of options are are also affected by (i) the passage of time, (ii) the volatility of the underlying security, (iii) the movements of the broader market, (iv) the volatility of the broader market, and other key factors. All of the factors change non-linearly with the movement of the others, so the higher-order moments of each variable can have a meaningful impact on value of the option. Add these complications to the fact that the options market has its own unique opportunities for trading amp rule gamification and you suddenly have a very intense math problem. Sometimes there is no simple underpinning to solving these inefficiencies and it comes down to building the best mathematical mousetrap to assess differences in price vs. value. 3. Deployment methods The last main category of edge can be found through deployment methods. If a fund can find amp refine data on par with other quant funds they can still lose if they are slower to deploy their algorithms and trades. Additionally, there is valuable information released every day that can move the markets (from company specific information to economic indicators), and those who can process that information and trade on it faster can win. The reality here is that there is such a diversity of profitable quant strategies that deployment is one of the hardest edges to maintain. High-frequency trading (HFT) has become a veritable arms-race to zero latency (ie: trading at speeds approaching zero microseconds.) That being said, there can be winners in an arms-race and there have been firms that have benefited from highly profitable advancements: Microwaves. For HFT firms, fiberoptics are a painfully slow way to communicate. The problem is that the speed of light is somewhat hampered down by all that bouncing around inside the optic cable, and it slows the information down. To solve for this, firms now use microwave transmitters8. which can communicate directly from point A to point B via a less convoluted route. The result is a transmission time that is up to 50 faster, which saves precious microseconds. Another way to trade faster with an exchange is to 039co-locate039 or to purchase a server directly on site with an exchange. HFT firms pay top dollar not only to co-locate servers but also for the front-row seats which cut down the physical distance by multiple centimeters (or maybe even meters). Better algorithms. Beyond the hardware considerations, HFT firms are constantly looking for faster ways to process their algorithms and shave off processing time. This is done via a combination of software (and hardware) advancements that eliminate every microsecond possible. I hope that was helpful Looking forward to any comments or feel free to email: nathan (at) clarityspring There is no data to answer this question. Here are quantitative and algorithmic strategies I had heard about or seen in use. Kalman filters hidden markov models topological manifold learning non-linear kernel regression techniques APT type factor models monte carlo options pricing techniques continuous time APT factor models with latent variables spectral techniques for doing bag of words extraction of factors from natural language corpus for generating forcings for stochastic partial differential models of asset dynamics pairs tradingmean regression statistical arbitrage strategies automatic graphical model construction (structural inference over dynamic Bayesian networks) reinforcement learning based pairs trading strategies jair. orgmedia1336l. information theory based investment strategies see en. wikipedia. orgwikiGam. J. L. Kelly, Jr. quotA New Interpretation of Information Rate, quot Bell System Technical Journal . Vol. 35, July 1956, pp. 917-26 Sparse over complete basis function methods for feature extraction applications 039information geometry039 a field on the border between information theory, probability theory and differential geometry still very new anything that can be used to model or extract features from a time series Most of the returns are not generated by creating fundamentally new algorithms, but by applying existing algorithms in novel ways to new data sets. For instance, the market might be efficient with respect to most algorithms with respect to price. I would say the market is efficient with respect to a given algorithm and property of the market if you are unable to use knowledge about statistical relations extracted with a given algorithm to generate returns which exceed the cost of capital, after transaction costs. So you might be unable to predict price movements with the above strategies, because there are so many firms already doing that. However the market might be inefficient with respect to a given algorithm and say volatility instead of price. How do you make money on thatquot If you are clever you can profit from statistical predictability in nearly any property of the market. For instance, if I take an RSS feed of news reports about stocks and use bag of words techniques for factor extractions and use these factors to predict the price volatility of a stock. Say I knew that there are an abnormally high volume of news reports about a company. This may indicate that the volitility (variance) of the security039s price will be abnormally high for a few days (you would back test to determine a relationship). You know the security price is likely to move, but you do not know what direction it will move in. So you buy a butterfly option. See: en. wikipedia. orgwikiBut. Long 1 call with a strike price of (X a) Short 2 calls with a strike price of X Long 1 call with a strike price of (X a) Using novel combinations of derivatives you can take advantage of your ability to forecast even extremely esoteric statistical properties of the market. More complex and profitable trading strategies use relationships between multiple assets. Novel (and preferably non-public) data is also important. The best returns will be generated by strategies that use data which no one else has. For instance, there was a group of people that took public data from NASA039s Landsat satellite and used it to predict US corn and soy bean production. During the cold war mathematical models were developed that allowed the US to predict Soviet crop yields using satellite data better than the Soviets could predict crop yield from the ground. These models were used to predict soy bean and corn production in the US by this company. Using this public data and algorithms the company was able to predict aggregate US crop production more accurately than the USDA. This data was used to front run price movements from USDA crop yield reports. The company was purchased by a hedge fund that specialized in trading soy bean and corn futures. They can generate high rates of return on their capital, because they have information no one else has. Quantitative methods in investment can be used to 1gt Give a model which enables you to better estimate latent variables from data 2gt Give a model which allows predictions of how the market will respond to changes in underlying variables (such as interest rate or change in oil prices) 3gt Create a model about how prices and volatility responds to eventsnews reports Quantative methods generally fall into 3 categories: 1gt Decision making (ex. order generation) 2gt Modeling (predictive, generative) 3gt Asset Allocation (allocating capital between investment strategies or assets) 4gt improving estimates of latent variables used in other models, by incorporating new sources of data or extracting information from existing sources in an improved manner Kelly Criterion and Mean Variance Portfolio Theory fall into category 3 Neural networks, rule based trading strategies, decision trees, adaptive learning, SVMs for signal generation fall into category 1 CAPMAPT, Black Scholes fall into catego ry 2 An example of category 4, which be using implied volatility, historical volatility and extracted corporate events to estimate volatility of an assets price over a given time horizon. Historical volatility will lag actual volatility, so incorporating multiple sources of data (or higher frequency data) can yield improvements over using historical volatility. Traditionally, a quotquantquot uses methods from statistics, Ito calculus, monte carlo methods and partial differential equations. These methods from applied mathematics are limited and and largely have become commoditized. quotQuantitativequot strategies in the past 10 years have moved away from these methods and now incorporate a wider range of academic disciplines, especially machine learning. 23.8k Views middot View Upvotes middot Not for Reproduction May be my reply is not regarding the discussion. but Haven039t you thought that in case of the opening of the profile and the selection of exchange you should observe to the principles I mean improving the abilities of dealing, as well as the advancing of trading methods A very experienced trader can produce his personal indicators or even trade automates Anyway, all these bases on one basic thing that we all, without exception, have to exploit: on the trading platform You can read the reviews or try the most popular platforms by yourself. I would propose to check them for free and test by this address: 378 Views middot Not for Reproduction