Quant Strategies - Apakah Mereka Untuk Anda. Strategi investasi kuantitatif telah berkembang menjadi alat yang sangat kompleks dengan munculnya komputer modern, namun akar strategi berhasil bertahan selama 70 tahun. Mereka biasanya dijalankan oleh tim berpendidikan tinggi dan menggunakan model berpemilik untuk meningkatkan kemampuan mereka terhadap Mengalahkan pasar Bahkan ada program off-the-shelf yang plug-and-play untuk mereka yang mencari kesederhanaan model Quant selalu berjalan dengan baik saat diuji kembali, namun aplikasi dan tingkat keberhasilan mereka yang sebenarnya masih dapat diperdebatkan Sementara mereka tampaknya bekerja dengan baik di pasar bull Ketika pasar menjadi kacau, strategi quant menjadi sasaran risiko yang sama seperti strategi lainnya. Sejarah Salah satu pendiri studi teori kuantitatif yang diterapkan pada keuangan adalah Robert Merton Anda hanya bisa membayangkan betapa sulit dan memakan waktu prosesnya. Sebelum penggunaan komputer Teori lain di bidang keuangan juga berevolusi dari beberapa studi kuantitatif pertama, termasuk basis diversifikasi portofolio D pada teori portofolio modern Penggunaan keuangan kuantitatif dan kalkulus menyebabkan banyak alat umum lainnya termasuk salah satu formula penentuan harga pilihan Black-Scholes yang paling terkenal, yang tidak hanya membantu pilihan harga investor dan mengembangkan strategi, namun membantu menjaga pasar. Di cek dengan likuiditas. Bila diterapkan secara langsung pada manajemen portofolio, tujuannya adalah seperti strategi investasi lainnya untuk menambahkan nilai, keuntungan alfa atau kelebihan, karena para pengembang dipanggil, menyusun model matematika kompleks untuk mendeteksi peluang investasi Ada banyak model di luar sana. Sebagai quants yang mengembangkannya, dan semua mengklaim sebagai yang terbaik Salah satu strategi investasi terbaik adalah bahwa model, dan akhirnya komputer, membuat keputusan jual beli aktual, bukan manusia. Hal ini cenderung menghilangkan emosi. Respon yang dialami seseorang saat membeli atau menjual investasi. Strategi tepat sekarang diterima di komunitas investasi dan dijalankan oleh reksadana, hedge fund an D investor institusional Mereka biasanya menggunakan nama alpha generators atau alpha gens. Behind the Curtain Sama seperti di The Wizard of Oz, seseorang berada di balik tirai yang mendorong proses Seperti model lainnya, sama baiknya dengan manusia yang mengembangkan Meskipun tidak ada persyaratan khusus untuk menjadi quant, kebanyakan perusahaan yang menjalankan model kuantitatif menggabungkan keterampilan analis investasi, statistik dan pemrogram yang mengkode prosesnya ke dalam komputer. Karena sifat kompleks dari model matematika dan statistik, ini umum terjadi. Untuk melihat kredensial seperti gelar sarjana dan doktor di bidang keuangan, ekonomi, matematika dan teknik. Secara historis, anggota tim ini bekerja di kantor belakang namun karena model quant menjadi lebih umum, kantor belakang pindah ke kantor depan. Manfaat Strategi Kuantitas Sementara Tingkat keberhasilan keseluruhan masih diperdebatkan, alasan beberapa strategi kuantitatif bekerja adalah bahwa mereka didasarkan pada disiplin Jika modelnya benar, disiplin tetap E strategi yang bekerja dengan komputer kecepatan kilat untuk mengeksploitasi inefisiensi di pasar berdasarkan data kuantitatif Model itu sendiri dapat didasarkan pada beberapa rasio seperti hutang PE terhadap ekuitas dan pertumbuhan pendapatan, atau menggunakan ribuan masukan yang bekerja sama pada saat yang sama. Time. Successful strategi dapat mengambil pada tren pada tahap awal mereka sebagai komputer terus-menerus menjalankan skenario untuk menemukan inefisiensi sebelum orang lain Model mampu menganalisis kelompok yang sangat besar investasi secara bersamaan, di mana analis tradisional mungkin melihat hanya beberapa Pada suatu waktu Proses penyaringan dapat memberi nilai pada alam semesta dengan tingkat kelas seperti 1-5 atau AF tergantung pada model Ini membuat proses perdagangan sebenarnya sangat mudah dilakukan dengan berinvestasi pada investasi dengan nilai tinggi dan menjual yang berpredikat rendah. Model yang tepat juga terbuka. Up variasi strategi seperti panjang, singkat dan panjang pendek Dana kuantitatif yang berhasil terus mengawasi kontrol risiko karena sifat model mereka M Strategi awal dimulai dengan alam semesta atau benchmark dan penggunaan pembobotan sektor dan industri dalam model mereka. Hal ini memungkinkan dana untuk mengendalikan diversifikasi sampai batas tertentu tanpa mengurangi model itu sendiri. Kuantitas biasanya berjalan dengan biaya lebih rendah karena mereka tidak memerlukan banyak Analis tradisional dan manajer portofolio untuk menjalankannya. Kelebihan Strategi Kuantitas Ada beberapa alasan mengapa begitu banyak investor tidak sepenuhnya menganut konsep membiarkan kotak hitam menjalankan investasi mereka. Untuk semua dana quant yang berhasil di luar sana, seperti banyak tampaknya tidak berhasil Sayangnya, untuk reputasi yang kurang baik, ketika gagal, mereka gagal dalam jumlah besar. Manajemen Modal Jangka Panjang adalah salah satu dana lindung nilai paling terkenal, seperti yang dilakukan oleh beberapa pemimpin akademis yang paling dihormati dan dua pakar pemenang Hadiah Nobel Perdamaian Myron S Scholes dan Robert C Merton Selama tahun 1990an, tim mereka menghasilkan hasil di atas rata-rata dan menarik modal dari semua jenis investor. Ada yang terkenal karena tidak hanya memanfaatkan inefisiensi, tapi dengan menggunakan akses mudah ke modal untuk menciptakan taruhan yang sangat besar terhadap arah pasar. Sifat disiplin strategi mereka sebenarnya menciptakan kelemahan yang menyebabkan keruntuhan mereka Manajemen Modal Jangka Panjang dilikuidasi dan dibubarkan pada awal tahun 2000 Modelnya tidak mencakup kemungkinan bahwa pemerintah Rusia dapat gagal membayar sebagian dari hutangnya sendiri Peristiwa yang satu ini memicu kejadian dan reaksi berantai yang diperbesar oleh leverage yang tercipta LTCM sangat terlibat dengan operasi investasi lainnya sehingga keruntuhannya mempengaruhi pasar dunia. , Memicu kejadian dramatis Dalam jangka panjang, Federal Reserve masuk untuk membantu, dan bank lain dan dana investasi mendukung LTCM untuk mencegah kerusakan lebih lanjut. Ini adalah salah satu alasan mengapa dana quant dapat gagal, karena didasarkan pada peristiwa sejarah yang mungkin terjadi. Tidak termasuk kejadian masa depan. Sementara tim quant yang kuat akan terus menambahkan aspek baru pada model untuk memprediksi masa depan Peristiwa, tidak mungkin untuk memprediksi masa depan setiap kali Quant funds juga dapat menjadi kewalahan ketika ekonomi dan pasar mengalami volatilitas yang lebih besar dari rata-rata Sinyal beli dan jual bisa datang begitu cepat sehingga omset tinggi dapat menciptakan komisi dan kejadian kena pajak yang tinggi. Quant funds juga dapat menimbulkan bahaya saat dipasarkan sebagai bukti tahan banting atau didasarkan pada strategi pendek Memprediksi penurunan menggunakan derivatif dan menggabungkan leverage dapat berbahaya. Salah belokan salah dapat menyebabkan ledakan, yang sering membuat berita. Inti Kuantitatif investasi Strategi telah berevolusi dari kotak hitam kantor belakang menjadi alat investasi utama. Mereka dirancang untuk memanfaatkan pemikiran terbaik dalam bisnis dan komputer tercepat untuk memanfaatkan inefisiensi dan memanfaatkannya untuk membuat taruhan pasar. Mereka dapat menjadi sangat sukses jika modelnya mencakup semua Masukan yang benar dan cukup gesit untuk memprediksi kejadian pasar abnormal Di sisi lain, sementara dana quant ketat Kembali diuji sampai mereka bekerja, kelemahan mereka adalah mereka mengandalkan data historis untuk kesuksesan mereka. Meskipun investasi bergaya kuantitatif ada pada pasarnya, penting untuk menyadari kekurangan dan risikonya Agar konsisten dengan strategi diversifikasi, hal ini dapat dilakukan dengan baik. Ide untuk memperlakukan strategi kuantitatif sebagai gaya investasi dan menggabungkannya dengan strategi tradisional untuk mencapai diversifikasi yang tepat. Sebuah survei yang dilakukan oleh Biro Statistik Perburuhan Amerika Serikat untuk membantu mengukur lowongan pekerjaan Ini mengumpulkan data dari pengusaha. Jumlah maksimum uang Amerika Serikat Dapat meminjam Langit-langit utang dibuat berdasarkan Undang-Undang Liberty Reserve Kedua. Tingkat suku bunga dimana lembaga penyimpanan meminjamkan dana yang dipelihara di Federal Reserve ke institusi penyimpanan lainnya.1 Ukuran statistik dari penyebaran pengembalian untuk keamanan atau indeks pasar tertentu Volatilitas dapat diukur. Tindakan Kongres AS disahkan pada tahun 1933 sebagai Undang-Undang Perbankan, yang melarang bank umum f Ikut berpartisipasi dalam investasi. Penggajian narmarm mengacu pada pekerjaan di luar peternakan, rumah tangga pribadi dan sektor nirlaba Biro Perburuhan Amerika Serikat. Beginner s Guide to Quantitative Trading. In artikel ini saya akan memperkenalkan beberapa konsep dasar Yang menyertai sistem perdagangan kuantitatif end-to-end Pos ini diharapkan akan melayani dua khalayak Yang pertama adalah individu yang berusaha mendapatkan pekerjaan di sebuah dana sebagai pedagang kuantitatif. Yang kedua adalah individu yang ingin mencoba dan mendirikan ritel mereka sendiri. Bisnis perdagangan algoritmik. perdagangan kuantitatif adalah bidang keuangan kuantum yang sangat canggih Diperlukan banyak waktu untuk mendapatkan pengetahuan yang diperlukan untuk lulus wawancara atau membuat strategi trading Anda sendiri Tidak hanya itu, namun juga memerlukan keahlian pemrograman yang ekstensif, sangat Paling tidak dalam bahasa seperti MATLAB, R atau Python Namun seiring dengan frekuensi perdagangan strategi yang meningkat, aspek teknologi menjadi lebih r Dengan demikian, CC menjadi sangat penting. Sistem perdagangan kuantitatif terdiri dari empat komponen utama. Identifikasi Strategi - Menemukan strategi, memanfaatkan tepi dan menentukan frekuensi perdagangan. Backtesting Strategi - Mendapatkan data, menganalisis kinerja strategi dan menghapus bias..Execution System - Menghubungkan ke brokerage, mengotomatisasi perdagangan dan meminimalkan biaya transaksi. Manajemen Rugi - Alokasi modal yang optimal, ukuran taruhan kriteria Kelly dan psikologi perdagangan. Kita akan mulai dengan melihat bagaimana mengidentifikasi strategi trading. Identifikasi Strategi. Semua proses perdagangan kuantitatif dimulai dengan periode penelitian awal Proses penelitian ini mencakup pencarian strategi, melihat apakah strategi tersebut sesuai dengan portofolio strategi lain yang mungkin Anda jalankan, mendapatkan data yang diperlukan untuk menguji strategi dan mencoba mengoptimalkan strategi untuk Tingkat pengembalian yang lebih tinggi dan atau risiko yang lebih rendah Anda perlu memperhitungkan kebutuhan modal sendiri Jika menjalankan strategi sebagai pedagang eceran dan bagaimana biaya transaksi akan mempengaruhi strategi. Berkaitan dengan kepercayaan populer, sebenarnya cukup mudah untuk menemukan strategi yang menguntungkan melalui berbagai sumber publik. Akademisi secara teratur menerbitkan hasil riset teoritis walaupun sebagian besar melakukan transaksi biaya keuangan Kuantitatif Blog akan membahas strategi secara rinci Jurnal perdagangan akan menjelaskan beberapa strategi yang digunakan oleh dana. Anda mungkin mempertanyakan mengapa individu dan perusahaan sangat ingin mendiskusikan strategi yang menguntungkan mereka, terutama ketika mereka tahu bahwa orang lain berkerumun dalam perdagangan dapat menghentikan strategi untuk bekerja di Jangka panjang Alasannya terletak pada kenyataan bahwa mereka tidak akan sering mendiskusikan parameter dan metode penyetelan yang tepat yang telah mereka lakukan. Optimisme ini adalah kunci untuk mengubah strategi yang relatif biasa-biasa saja menjadi strategi yang sangat menguntungkan. Sebenarnya, salah satu cara terbaik untuk Buat strategi unik Anda sendiri adalah menemukan metode serupa dan kemudian membawa o Ut prosedur optimasi Anda sendiri. Di sini adalah daftar kecil tempat untuk mulai mencari ide strategi. Banyak strategi yang akan Anda lihat akan masuk ke dalam kategori pembalikan rata-rata dan momentum tren berikut Strategi pengembalian rata-rata adalah strategi yang Upaya untuk mengeksploitasi fakta bahwa mean jangka panjang pada seri harga seperti spread antara dua aset berkorelasi ada dan bahwa penyimpangan jangka pendek dari mean ini pada akhirnya akan kembali. Strategi momentum mencoba untuk mengeksploitasi kedua psikologi investor dan struktur dana besar dengan melakukan hitching. Sebuah naik pada tren pasar, yang dapat mengumpulkan momentum dalam satu arah, dan mengikuti tren sampai membalikkan. Studi yang sangat penting lainnya dari perdagangan kuantitatif adalah frekuensi strategi perdagangan LFT frekuensi rendah umumnya mengacu pada strategi yang memegang aset lebih lama. Dari pada hari perdagangan Sejalan dengan itu, HFT frekuensi tinggi umumnya mengacu pada strategi yang memegang aset intraday. Perdagangan UHFT ultra tinggi berkecepatan tinggi. Bagi strategi yang menyimpan aset sesuai urutan detik dan milidetik Sebagai praktisi ritel HFT dan UHFT tentu saja mungkin dilakukan, namun hanya dengan pengetahuan terperinci tentang tumpukan teknologi perdagangan dan dinamika buku pesanan, kami tidak akan membahas aspek-aspek ini sampai sejauh mana hal ini. Artikel pengantar. Setelah strategi, atau serangkaian strategi, telah diidentifikasi sekarang perlu diuji untuk profitabilitas pada data historis Itulah domain backtesting. Strategi Backtesting. Tujuan backtesting adalah untuk memberikan bukti bahwa strategi diidentifikasi melalui Proses di atas menguntungkan bila diterapkan pada data historis dan di luar sampel. Ini menentukan harapan bagaimana strategi akan tampil di dunia nyata. Namun, backtesting TIDAK menjamin kesuksesan, karena berbagai alasan Mungkin ini adalah area yang paling halus. Perdagangan kuantitatif karena mengandung banyak bias, yang harus dipertimbangkan dan dihilangkan dengan hati-hati sebanyak mungkin. Kita akan membahas jenis-jenis umum dari Bias bias bias berpeluang bias dan bias pengoptimalan juga dikenal sebagai bias pengintaian data Bidang penting lainnya dalam backtesting meliputi ketersediaan dan kebersihan data historis, mempertimbangkan biaya transaksi yang realistis dan menentukan platform backtesting yang kuat. Kita akan membahas biaya transaksi lebih jauh. Di bagian Sistem Eksekusi di bawah ini. Setelah sebuah strategi diidentifikasi, perlu untuk mendapatkan data historis untuk melakukan pengujian dan, mungkin, penyempurnaan Ada sejumlah besar vendor data di semua kelas aset Biaya mereka umumnya berskala Kualitas, kedalaman dan ketepatan waktu data Titik awal tradisional untuk trader quant awal setidaknya di tingkat ritel adalah dengan menggunakan kumpulan data gratis dari Yahoo Finance Saya tidak banyak memikirkan penyedia layanan di sini, namun saya ingin berkonsentrasi pada Isu-isu umum ketika berhadapan dengan kumpulan data historis. Perhatian utama dengan data historis mencakup akurasi Anliness, bias bertahan dan penyesuaian untuk tindakan perusahaan seperti dividen dan pemecahan saham. Akuntabilitas berkaitan dengan keseluruhan kualitas data - apakah itu mengandung kesalahan Kesalahan kadang-kadang mudah dikenali, seperti filter spike yang akan memilih salah Lonjakan data time series dan benar untuk mereka Di lain waktu mereka bisa sangat sulit untuk melihat Hal ini sering diperlukan untuk memiliki dua atau lebih penyedia dan kemudian memeriksa semua data mereka terhadap satu sama lain. Bias penyuratan sering merupakan fitur bebas atau murah. Dataset Dataset dengan bias bertahan berarti tidak mengandung aset yang tidak lagi diperdagangkan. Dalam kasus ekuitas, ini berarti saham bangkrut yang bangkrut. Bias ini berarti bahwa setiap strategi perdagangan saham yang diuji pada kumpulan data tersebut kemungkinan akan berkinerja lebih baik daripada di dunia nyata. Karena para pemenang sejarah telah dipilih sebelumnya. Tindakan gabungan mencakup kegiatan logistik yang dilakukan oleh perusahaan yang biasanya menyebabkan langkah-fungsi c Tergantung pada harga mentah, yang seharusnya tidak dimasukkan dalam perhitungan pengembalian harga Penyesuaian untuk dividen dan pemecahan saham adalah penyebab umum Suatu proses yang dikenal sebagai penyesuaian kembali perlu dilakukan pada masing-masing tindakan ini Seseorang harus Sangat berhati-hati untuk tidak membingungkan pemecahan saham dengan penyesuaian pengembalian yang sebenarnya Banyak trader telah tertangkap oleh aksi korporasi. Untuk melakukan prosedur backtest, perlu menggunakan platform perangkat lunak Anda memiliki pilihan antara perangkat lunak backtest yang berdedikasi, Seperti Tradestation, sebuah platform numerik seperti Excel atau MATLAB atau implementasi kustom penuh dalam bahasa pemrograman seperti Python atau CI tidak terlalu memikirkan Tradestation atau yang serupa, Excel atau MATLAB, karena saya percaya untuk menciptakan rumah lengkap. Tumpukan teknologi untuk alasan yang diuraikan di bawah Salah satu manfaatnya adalah bahwa perangkat lunak dan sistem operasi backtest dapat terintegrasi secara ketat, bahkan dengan strategi statistik yang sangat canggih. Untuk strategi HFT, sangat penting untuk menggunakan implementasi kustom. Ketika melakukan backtesting sistem, seseorang harus dapat mengukur seberapa baik kinerjanya. Metrik standar industri untuk strategi kuantitatif adalah penarikan maksimum dan Rasio Sharpe Penarikan maksimum menandai Penurunan puncak-ke-palung terbesar dalam kurva ekuitas akun selama periode waktu tertentu biasanya tahunan Ini yang paling sering dikutip sebagai strategi LFT persentase cenderung akan memiliki penarikan yang lebih besar daripada strategi HFT, karena sejumlah faktor statistik Backtest historis akan Menunjukkan penarikan maksimum terakhir, yang merupakan panduan bagus untuk kinerja penarikan masa depan strategi Pengukuran kedua adalah Sharpe Ratio, yang secara heuristik didefinisikan sebagai rata-rata keuntungan berlebih dibagi dengan standar deviasi dari kelebihan di atas. Di sini, kelebihan Pengembalian mengacu pada kembalinya strategi di atas patokan yang telah ditentukan sebelumnya seperti selip S, yang merupakan selisihnya Antara apa yang Anda inginkan agar pesanan Anda terisi dibandingkan dengan apa yang sebenarnya terisi spreadnya, yaitu perbedaan antara tawaran mengajukan harga dari harga yang diperdagangkan. Perhatikan bahwa spread TIDAK konstan dan bergantung pada likuiditas saat ini yaitu ketersediaan Membeli pesanan jual di pasar. Biaya transaksi dapat membuat perbedaan antara strategi yang sangat menguntungkan dengan rasio Sharpe yang baik dan strategi yang sangat tidak menguntungkan dengan rasio Sharpe yang mengerikan. Ini bisa menjadi tantangan untuk memperkirakan biaya transaksi dari backtest dengan tepat sesuai frekuensi. Dari strategi tersebut, Anda memerlukan akses ke data pertukaran historis, yang akan mencakup data tick untuk harga permintaan tawaran Seluruh tim yang berkomplot berdedikasi untuk mengoptimalkan eksekusi dalam dana yang lebih besar, untuk alasan ini Pertimbangkan skenario di mana dana perlu dibongkar Sejumlah besar perdagangan yang alasannya banyak dan beragam Dengan membuang begitu banyak saham ke pasar, mereka akan melakukannya Dengan cepat menekan harga dan mungkin tidak mendapatkan eksekusi yang optimal. Oleh karena itu algoritma yang meneteskan pesanan ke pasar ada, walaupun kemudian dana tersebut menjalankan risiko selip. Selanjutnya, strategi lain memangsa kebutuhan ini dan dapat memanfaatkan inefisiensi. Ini adalah domain dari Struktur dana arbitrase. Isu utama akhir untuk sistem eksekusi menyangkut divergensi kinerja strategi dari kinerja backtested Hal ini dapat terjadi karena sejumlah alasan Kami telah membahas bias bias dan optimisasi di depan, saat mempertimbangkan backtests Namun, beberapa strategi tidak Memudahkan untuk menguji bias ini sebelum penyebaran Hal ini terjadi pada HFT yang paling dominan Mungkin ada bug dalam sistem eksekusi dan juga strategi perdagangan itu sendiri yang tidak muncul pada backtest namun DO muncul dalam live trading Pasar mungkin Telah mengalami perubahan rezim setelah penerapan strategi Anda. Lingkungan peraturan baru, mengubah sentimen investor Dan fenomena makro ekonomi semua dapat menyebabkan perbedaan dalam bagaimana pasar berperilaku dan dengan demikian profitabilitas strategi Anda. Manajemen Rugi. Bagian terakhir dari teka-teki perdagangan kuantitatif adalah proses manajemen risiko. Risiko mencakup semua bias sebelumnya yang telah kita diskusikan Ini mencakup Risiko teknologi, seperti server yang berada di bursa tiba-tiba mengembangkan kerusakan hard disk Ini mencakup risiko brokerage, seperti broker yang bangkrut tidak separah kedengarannya, mengingat ketakutan baru-baru ini dengan MF Global Singkatnya, ini mencakup hampir semua hal Mungkin bisa mengganggu pelaksanaan perdagangan, di antaranya ada banyak sumber. Buku utuh dikhususkan untuk manajemen risiko untuk strategi kuantitatif jadi saya tidak berusaha untuk menjelaskan semua kemungkinan sumber risiko di sini. Manajemen risiko juga mencakup apa yang dikenal sebagai alokasi modal yang optimal. Yang merupakan cabang teori portofolio Inilah cara dimana modal dialokasikan ke serangkaian strategi yang berbeda S dan perdagangan dalam strategi tersebut Ini adalah area yang kompleks dan bergantung pada beberapa matematika non-trivial Standar industri dimana alokasi modal dan leverage strategi yang efektif terkait disebut kriteria Kelly Karena ini adalah artikel pengantar, saya memenangkan Saya memikirkan perhitungannya Kriteria Kelly membuat beberapa asumsi tentang sifat statistik pengembalian, yang tidak sering terjadi di pasar keuangan, sehingga para pedagang sering bersikap konservatif dalam hal pelaksanaannya. Komponen kunci lain dari manajemen risiko adalah dalam berurusan dengan Satu profil psikologis sendiri Ada banyak bias kognitif yang dapat merayap masuk ke dalam perdagangan Meskipun hal ini memang kurang bermasalah dengan perdagangan algoritmik jika strategi dibiarkan saja Bias umum adalah penghindaran kerugian dimana posisi kalah tidak akan ditutup karena Rasa sakit karena harus menyadari kerugian Demikian pula, keuntungan bisa diambil terlalu dini karena rasa takut kehilangan keuntungan yang sudah didapat bisa jadi Terlalu besar Bias umum lainnya dikenal sebagai bias resistansi Hal ini memanifestasikan dirinya ketika para pedagang terlalu menekankan pada kejadian baru-baru ini dan tidak dalam jangka panjang. Maka tentu saja ada pasangan klasik dari bias emosional - ketakutan dan keserakahan ini seringkali dapat menyebabkan under - Atau over-leveraging, yang dapat menyebabkan blow up yaitu ekuitas akun menuju nol atau lebih buruk atau mengurangi keuntungan. Seperti dapat dilihat, perdagangan kuantitatif adalah bidang kuantitatif yang sangat kompleks, walaupun sangat menarik, saya telah benar-benar menggaruk permukaan Dari topik dalam artikel ini dan sudah semakin lama Buku dan makalah utuh telah ditulis mengenai isu-isu yang hanya saya berikan satu atau dua kalimat untuk alasan itu, sebelum mengajukan pekerjaan perdagangan dana kuantitatif, perlu dilakukan Sejumlah besar studi dasar Setidaknya Anda memerlukan latar belakang statistik dan ekonometrik yang luas, dengan banyak pengalaman dalam implementasi, melalui bahasa pemrograman. Seperti MATLAB, Python atau R Untuk strategi yang lebih canggih pada akhir frekuensi yang lebih tinggi, keahlian Anda sepertinya akan menyertakan modifikasi kernel Linux, CC, pemrograman perakitan dan optimisasi jaringan. Jika Anda tertarik untuk mencoba strategi trading algoritmik Anda sendiri. , Saran pertama saya adalah untuk menjadi ahli pemrograman. Preferensi saya adalah membangun sebanyak mungkin data grabber, strategi backtester dan sistem eksekusi sendiri. Jika modal Anda sendiri ada di telepon, tidakkah Anda akan tidur lebih nyenyak pada malam hari mengetahui bahwa Anda telah sepenuhnya menguji sistem Anda dan menyadari perangkap dan masalah tertentu Outsourcing ini ke vendor, sementara berpotensi menghemat waktu dalam jangka pendek, bisa sangat mahal dalam jangka panjang. Hanya Memulai dengan Quantitative Trading. Matematika Keuangan dan Pemodelan II FINC 621 adalah kelas tingkat pascasarjana yang saat ini ditawarkan di Universitas Loyola di Chicago selama musim dingin di tahun FINC 621 membahas topik di Keuangan kuantitatif, matematika dan pemrograman Kelas ini praktis dan terdiri dari ceramah dan komponen laboratorium Laboratorium menggunakan bahasa pemrograman R dan siswa diwajibkan untuk menyerahkan tugas masing-masing pada akhir setiap kelas Tujuan akhir FINC 621 adalah untuk memberi para siswa alat praktis yang dapat mereka gunakan untuk membuat, model dan menganalisis strategi perdagangan sederhana. Beberapa tautan R yang bermanfaat. Tentang Instruktur. Harry G adalah pedagang kuantitatif senior untuk sebuah perusahaan perdagangan HFT di Chicago Dia memegang master s Gelar di bidang Teknik Elektro dan gelar master di bidang Matematika Keuangan dari University of Chicago Di waktu senggangnya, Harry mengajar kursus tingkat sarjana di Kuantitatif Keuangan di Universitas Loyola di Chicago. Dia juga penulis Quantitative Trading with R.
No comments:
Post a Comment