Blog De Estratégias Quantitativas De Negociação

Home Screener Gráficos Como fazemos Sobre Blog Links Termos de Serviço A Quantpedia fornece o material neste site para fins informativos. Nada neste site deve ser interpretado para indicar ou implicar que os resultados passados ​​são uma indicação do desempenho futuro. Nenhuma menção de uma segurança específica neste site constitui uma recomendação aos leitores para comprar, vender ou manter essa segurança. Nenhuma discussão ou avaliação de qualquer estratégia de investimento específica neste site constitui uma recomendação para os leitores empregarem a estratégia. Os leitores são responsáveis ​​por suas próprias pesquisas de investimento e decisões. Podemos também, a nosso exclusivo critério, e, a qualquer momento, interromper o fornecimento, temporário ou permanente, de qualquer ou de todo o site, sem aviso prévio. Este site não é de forma alguma uma solicitação ou uma oferta para vender títulos ou serviços de consultoria de investimento. Este site não se destina a fornecer conselhos individuais específicos, incluindo, sem limitação, investimento, financeiro, jurídico, contábil ou fiscal. As informações contidas neste site são apenas para fins informativos gerais e estão sujeitas a alterações sem aviso prévio. A Quantpedia não se responsabiliza por qualquer inexatidão nas informações fornecidas ou por qualquer perda ou dano de qualquer tipo decorrente do uso de toda ou parte deste site. A Quantpedia não aceita qualquer responsabilidade pelo uso deste site. O seu uso deste site é de sua responsabilidade. Este site é fornecido de forma tal como e como base disponível, sem quaisquer representações, garantias ou condições de qualquer tipo, expressa ou implícita, e incluindo, sem limitação, representações implícitas, garantias ou condições de título, não infração, comerciabilidade, Adequação para um propósito específico, desempenho, disponibilidade, pontualidade, precisão ou integridade, todos os quais são negados pela Quantpedia na medida máxima permitida por lei. A Quantpedia não será, em nenhuma circunstância, responsável perante você ou qualquer outra pessoa por qualquer perda ou dano (direto, indireto, especial, incidental, econômico ou conseqüente, exemplar ou punitivo) decorrente, relacionado ou relacionado ao uso de , Ou a impossibilidade de usar, este site ou as informações, ou qualquer ação ou decisão feita por você ou qualquer outra pessoa com base neste site ou nas informações, ou qualquer uso ou reprodução não autorizada deste site ou a informação. A Quantpedia não garante o valor, exatidão ou integridade das informações neste site ou sites aos quais ele liga. Além disso, a Quantpedia se isenta da responsabilidade pelo conteúdo de terceiros, incluindo informações acessadas através de hiperlinks. O site e seu conteúdo não podem ser copiados, imitados, reproduzidos, republicados, enviados, postados, transmitidos, modificados, espelhados ou distribuídos de forma alguma, no todo ou em parte, sem o consentimento prévio por escrito. Ao usar o Quantpedia e os serviços prestados no Quantpedia ou através dele, ou registrando-se na Quantpedia, você concorda em receber comunicações eletrônicas da Quantpedia. Essas comunicações eletrônicas podem incluir avisos sobre taxas e taxas aplicáveis ​​e outras informações relativas ou relacionadas aos serviços da Quantpedia e outros prestados na ou na solução de implantação da estratégia de backtesting de gerenciamento de dados da Quantpedia. Institutional-classe: - ações, opções, futuros, moedas, cestas e Os instrumentos sintéticos personalizados são suportados - múltiplos feeds de dados de baixa latência suportados (velocidades de processamento em milhões de mensagens por segundo em terabytes de dados) - C e back-testing e otimização de estratégia baseada em. Net - execução de vários corretores suportados, sinais comerciais convertidos em ordens FIX QuantFACTORY - Solução de implementação de estratégia de backtesting de gerenciamento de dados de classe institucional: - QuantDEVELOPER - framework e IDE para estratégias de negociação desenvolvimento, depuração, backtesting e otimização, disponível como um plug-in do Visual Studio - QuantDATACENTER - permite gerenciar um data warehouse histórico e capturar em tempo real Ou mercado de latência ultra baixa Ta de provedores e trocas - QuantENGINE - permite implantar e executar estratégias pré-compiladas - multi-ativos, dados de latência baixa de vários períodos, múltiplos corretores suportados Solução de implementação de estratégias de backtesting de gerenciamento de dados de classe institucional: - nível de portfólio OpenQuant - C e VisualBasic. NET Testes de nível intraday, otimização, WFA, multi-ativos, testes de nível intradiário, otimização, WFA, etc. múltiplos corretores e feeds de dados suportados - QuantTrader - ambiente de negociação de produção - QuantBase - gerenciamento de dados centralizado - QuantRouter - roteamento de dados e pedidos Estratégia de backtesting de gerenciamento de dados de classe institucional Solução de implantação: - solução multi-ativos, múltiplos feeds de dados suportados, o banco de dados suporta qualquer tipo de RDBMS fornecendo uma interface JDBC, por exemplo Oracle, Microsoft SQL Server, Sybase, MySQL, etc. - os clientes podem usar o IDE para rotear sua estratégia em Java, Ruby ou Python, ou podem usar sua própria estratégia IDE - execução de vários corretores suportados, sinais comerciais convertidos em ordens FIX Institucional - Solução de implantação de estratégia de backtesting de gerenciamento de dados de classe: - solução multi-ativos (forex, opções, futuros, ações, ETFs, commodities, instrumentos sintéticos e spreads de derivativos personalizados etc.), múltiplos feeds de dados suportados - estrutura para desenvolvimento de estratégias de negociação, depuração, backtesting E otimização - execução de vários corretores suportados, sinais de negociação convertidos em pedidos FIX (IB, JPMorgan, FXCM, etc.) Plataforma de software dedicada integrada com dados de Tradestations para backtesting e auto-negociação: - dados intradiários diários (estoques uss para 43 anos, futuros para 61 Anos) - prático para sinais baseados em preços de backtesting (análise técnica), suporte para linguagem de programação EasyLanguage - suporte de ETF de ações dos EUA Futuros, índices dos EUA, ações alemãs, índices alemães, grátis para clientes de corretagem da Tradestation - 249,95 mensalmente para não profissionais (plataforma de software Tradestation somente, sem corretagem) - 299,95 mensalmente para profissionais (plataforma de software de tradestation somente, sem corretagem) Dedicado Plataforma de software para backtesting e auto-negociação: - suporte a estratégias diárias em tempo real, testes de nível de portfólio e otimização, gráficos, visualização, relatórios personalizados, análise multi-threaded, gráficos 3D, análise WFA etc. - melhor para sinais baseados em preços backtesting (análise técnica) - link direto para eSignal, Interactive Brokers, IQFeed, myTrack, FastTrack, QP2, TC2000, qualquer feed compatível com DDE, MS, txtfiles e mais (Yahoo Finance. ) - uma taxa de tempo 279 para edição padrão ou 339 para edição profissional Plataforma de software dedicado para backtesting e auto-negociação: - backtesting e trading do sistema de nível de portfólio, multi-ativos, teste de nível intradiário, otimização, visualização, etc. - permite a integração R, Negociação automática na linguagem de script Perl com todas as funções subjacentes escritas em C nativo, preparadas para co-localização do servidor - Suporte nativo do FXCM e Interactive Brokers - suporte gratuito ao FXCM, 100 por mês para a plataforma IB, entre em contato com Salesseertrading para outras opções Plataforma de software dedicado para Backtesting e auto-negociação: - suporte a estratégias dailyintraday, testes de nível de portfólio e otimização - melhor para backtesting baseados em preços (análise técnica), C scripting - extensões de software suportadas - manipulação de feeds de dados, execução de estratégia etc. - 799 por licença, 150 por ano Taxa após plataforma de software dedicado para backtesting, otimização, atribuição de desempenho e análise: - Axioma ou 3ª parte Análise do fator de dados, modelagem de risco, análise do ciclo do mercado Plataforma de software dedicada para backtesting e auto-negociação: - melhor para backtesting baseados em preços (análise técnica), suporte a estratégias dailyintraday, teste de nível de portfólio e otimização - Turtle Edition - backtesting engine, Gráficos, relatórios, teste EoD - Edição profissional - editor de sistema mais, análise progressiva, estratégias intradias, teste multi-threaded etc. - Pro Plus Edition - mais gráficos de superfície 3D, scripts etc. - Builder Edition - IB API, depurador etc. - Turtle Edition 990 - Professional Edition 1,990 - Pro Plus Edition 2,990 - Builder Edition 3,990 Plataforma de software dedicada para backtesting e auto-negociação: - suporte a estratégias dailyintraday, teste de nível de portfólio e otimização, gráficos, visualização, relatórios personalizados etc. - melhor para backtesting Sinais baseados em preços (análise técnica) - link direto para Interactive Brokers, MB Trading, TD Ameritrade, FXCM e outros - dados de M arquivos de texto, eSignal, Google Finance, Yahoo finance, IQFeed e outros - funcionalidade básica (funcionalidade EoD) - livre - funcionalidade avançada - arrendamento de 50 meses ou 995 licença de vida Plataforma de software dedicada para backtesting e auto-negociação: - melhor para backtesting Sinais baseados em preços (análise técnica), suporte a estratégias diárias em tempo real, testes de nível de portfólio e otimização, gráficos, visualização, relatórios personalizados - suporta C e Visual Basic. NET - link direto para Interactive Brokers, IQFeed, txtfiles e mais (Yahoo Finance. ) - licença perpétua - 499 - arrendamento 50 por mês Plataforma de software dedicada para backtesting e auto-negociação: - suporte a estratégias diárias em tempo real, testes e otimização de nível de portfólio, gráficos, visualização, relatórios personalizados - sinais técnicos e também fundamentais, suporte multi-ativos - 245 para a Versão Avançada (provedores de dados gratuitos) - 595 para a Versão Premium (suporte a vários provedores de dados e corretores) Plataforma de software dedicada para backtesting e auto-negociação: - suporte a estratégias dailyintraday, teste de nível de portfólio e otimização - melhor para sinais baseados em preços de backtesting ( Análise técnica) - dados de compilação de ações, futuros e divisas (ações diárias dos EUA a partir de 1990, futuros diários 31 anos, divisas a partir de 1983, etc.) - preços de 45 meses a 295 meses (os preços dependem da disponibilidade de dados) Plataforma de software dedicado Para backtesting e auto-negociação: - usa linguagem MQL4, usada principalmente para negociar mercado forex - oferece suporte a vários corretores de Forex e feeds de dados - suporta Gerenciamento de contas múltiplas Plataforma de software dedicado para backtesting e auto-negociação: - suporte a estratégias diárias em tempo real, testes de nível de portfólio e otimização - melhor para sinais baseados em preços de backtesting (análise técnica), suporte para linguagem de programação EasyLanguage - suporte a múltiplos feeds de dados (Bloomberg, Thomson Reuters, CSI, CQG, eSignal, etc.), suporte direto para vários corretores (Interactive Brokers, etc.) - Multicartros 797 por ano - Multitracts lifetime 1.497 - Multicharts Pro 9.900 (Bloomberg Thomson Reuters feed de dados, etc.) Ferramenta de teste back-based com base na Web para testar Estratégias de escolha de estoque: - ETFs de ações dos EUA (diariamente) - dados fundamentais pontuais desde 1999 - estratégias longshort, sinais baseados em preços inflacionados - Designer - 139 meses - Gerente - 199 meses - funcionalidade completa Análise de portfólio usando dados de mercado de alta freqüência: Este produto é para uso de pesquisadores de traders de baixa, média e alta freqüência. Todos os cálculos são feitos usando dados de mercado de alta freqüência que beneficiam os comerciantes e pesquisadores de baixa e alta freqüência. - backtesting intradiário, gerenciamento de risco de portfólio, previsão e otimização a cada preço segundo, minutos, horas, fim de dia. Entradas do modelo totalmente controláveis. - Fontes de dados de mercado de 8k mercado desde 2012 (ações, índices ETFs negociados no NASDAQ). Os clientes também podem carregar seus próprios dados de mercado (por exemplo, ações chinesas). - 40 métricas de portfólio (VaR, ETL, alfa, beta, razão de Sharpe, razão Omega, etc.) - suporta R, Matlab, Java Python - 10 otimizações de portfólio ferramenta de backtesting baseada na Web: - preços de ações dos EUA (dailyintraday), desde 1998, Dados de QuantQuote - dados de forex da FXCM - suportando Trader Interactive Brokers para negociação ao vivo Ferramenta de backtesting baseada na Web: - Preços dos estoques e ETF dos EUA (diariamente, durante o período), desde 2002 - dados fundamentais da Morningstar (mais de 600 métricas) - suporte Interactive Brokers para negociação ao vivo Ferramentas de backtesting baseadas na Web: - simples de usar, estratégias de alocação de ativos, dados desde 1992 - momentum da série de tempo e estratégias de média móvel em ETFs - Estratégias simples de escolha de estoque de Momentum e Simple Value Ferramenta de backtesting baseada na Web: - dados de até 25 anos para 49 Futuros e estoques SP500 - caixa de ferramentas em Python e Matlab - Quantiacs hospeda concursos de negociação algorítmica com investimentos variando de 500k a 1 milhão de ferramentas baseadas na base de dados WebCloud: - dados FX (ForexCurrency) em ma Jor pairs, voltando a 2007 - SecondMinuteHourlyDaily bars - negociação ao vivo compatível com qualquer corretor que esteja usando o Metatrader 4 como ferramenta de proteção back-test baseada na Web backend: - mais de 10 000 estoques dos EUA, dados até 20 anos de história - critérios técnicos fundamentais - grátis - Funcionalidade limitada (1 ano de dados, sem backtests salvos, etc.) - 50 por mês - ferramenta de backtesting baseada na Web com funcionalidade completa para testar as estratégias de escolha de fator de patrimônio e alocação de ativos: - fatores de equidade múltiplos com valores de referência alfa alocados de mercado, investimentos múltiplos Universos, filtros de gerenciamento de riscos - estratégias de alocação de ativos backtests, mistura de alocação de ativos e seleção de fator em um portfólio - grátis no universo SP 100 - 50 meses ou 480 anos - universidades de investimento mais amplas dos EUA, ações da UE do Reino Unido, estratégias de alocação de ativos MATLAB - Linguagem e linguagem de alto nível Ambiente interativo para computação estatística e gráficos: - computação paralela e GPU, backtesting e otimização, ampla possibilitie S de integração, etc. - preço a pedido aqui Ambiente de software livre para computação estatística e gráficos, muitos quants preferem usá-lo por sua arquitetura aberta e flexibilidade excepcional: - instalações eficazes de armazenamento e armazenamento de dados, instalações gráficas para análise de dados, Facilmente expandido através de pacotes - extensões recomendadas - quantstrat, Rmetrics, quantmod, quantlib, PerformanceAnalytics, TTR, portfólio, portfolioSim, backtest, etc. Linguagem de programação livre de código aberto, arquitetura aberta, flexível, facilmente estendida por pacotes: - extensões recomendadas - pandas ( Python Data Analysis Library), pyalgotrade (Python Algorithmic Trading Library), Zipline, ultrafinanças, etc. O BacktestingXL Pro é um complemento para construir e testar suas estratégias de negociação no Microsoft Excel 2010 e 2013: - os usuários podem usar o VBA para criar estratégias para BacktestingXL Pro, o conhecimento do VBA é opcional, os usuários podem construir regras de negociação em uma planilha usando códigos de teste backtest padrão pré-fabricados - supp Pirâmide de ouro, limitação de posição de curta duração, cálculo de comissão, rastreamento de patrimônio, controle de dinheiro livre, customização de preços buysell - relatórios de performancerisk múltiplos - 74.95 para BacktestingXL Pro Ferramenta de backtesting baseada na Web: - ferramenta de backtesting baseada em nível básico de nível básico Para testar a força relativa e as estratégias de média móvel em ETFs - vários tipos de estratégias para funcionalidade de backtesting gratuita e completa 34,99 Fator FactorWave mensal é uma ferramenta de backtesting baseada na web simples para investir fatores: - permite ao usuário misturar múltiplos fatores ETFoptionsfuturesequity com alfa comprovada Sobre benchmarks de mercado - livre - ETFStock Screener com 5 fatores - 149mo - Opções de opções gratuitas, estratégias de futuros, estratégias vix Ferramenta baseada na Web - Avaliações de ações gratuitas, Análise sazonal, Gráficos Fundamentos - Modelo Freemium grátis Ferramenta de backtesting baseada na web gratuita para Estratégias de escolha de estoque de teste: - estoques dos EUA, dados da ValueLine de 1986 a 2014 - preço e dados fundamentais, 1700 ações, Teste de granularidade mensalQuantitativo de negociação Muito tem sido escrito sobre a estratégia de desvio de anúncio pós-ganhos (PEAD) (veja, por exemplo, meu livro), mas menos foi escrito sobre estratégias de anúncio pré-aventuras. Isso mudou recentemente com a publicação de dois artigos. Tal como acontece com o PEAD, estas estratégias de pré-anúncio não fazem uso de números de ganhos reais ou mesmo de estimativas. Eles são baseados inteiramente nas datas de anúncio (esperado ou atual) e talvez no movimento de preços recentes. O primeiro, por So e Wang 2014, sugere várias estratégias simples de reversão média para estoques dos EUA que entram em posições no mercado imediatamente antes de um anúncio esperado. Aqui está a minha paráfrase de uma dessas estratégias: 1) Suponha que t seja a data de anúncio de ganhos esperado para uma ação no índice Russell 3000. 2) Calcule o retorno pré-anúncio do dia t-4 para t-2 (apenas dias de negociação contábil). 3) Subtrair um retorno do índice de mercado sobre o mesmo período de lookback do retorno pré-anúncio e chamar esse PAR de retorno ajustado no mercado. 4) Escolha as 18 ações com o melhor PAR e baixe-os (com dólares iguais) no mercado fechado de t-1, liquida no fechamento do mercado de t1. Escolha as 18 ações com os piores PAR, e faça o contrário. Hedge qualquer exposição líquida com um ETF ou futuro do mercado. Eu testei esta estratégia usando os dados das datas de ganhos esperados de Wall Street Horizon (WSH), aplicando-a às ações no índice Russell 3000 e hedgeando com a IWV. Recebi um CAGR de 9,1 e um índice Sharpe de 1 de 20110803-20160930. A curva de equidade é apresentada abaixo. Note-se que os dados de WSHs foram usados ​​em vez de dados de ganhos do Yahoo Finance, Compustat ou mesmo Thomson Reuters IBES, porque apenas os dados de WSH são pontuais. WSH capturou a data de anúncio de ganhos esperada no dia anterior ao anúncio, assim como teríamos se estivéssemos negociando ao vivo. Nós não usamos a data de anúncio real como capturada na maioria das outras fontes de dados, porque não podíamos ter certeza se uma empresa mudou sua data de anúncio esperada na mesma data. A data de anúncio atual só pode ser conhecida com certeza após o fato e, portanto, não é um ponto-a-tempo. Se fizéssemos o mesmo backtest usando os dados de ganhos históricos do Yahoo Finances, o CAGR teria caído para 6,8 e o índice Sharpe caiu para 0,8. A noção de que as empresas mudam suas datas de anúncio esperadas nos leva à segunda estratégia, criada por Ekaterina Kramarenko da Deltixs Quantitative Research Team. Em seu artigo, uma estratégia de negociação automatizada usando movimentos de data de ganhos de Wall Street Horizon, ela descreve a seguinte estratégia que explícitamente faz uso de tais mudanças como um sinal de negociação: 1) No mercado fechado antes do anúncio de ganhos esperado entre o fechamento atual e Os próximos dias abrem, calculam o deltaD, que é a última alteração da data de anúncio esperada para o próximo anúncio, medido em dias de calendário. DeltaD gt 0 se a empresa mudou a data de anúncio mais tarde e deltaD lt 0 se a empresa mudou a data de anúncio mais cedo. 2) Além disso, no mesmo mercado próximo, calcula deltaU qual é o número de dias de calendário desde a última alteração da data de anúncio esperada. 3) Se deltaD lt 0 e deltaU lt 45, compre o estoque no mercado fechado e liquida nos próximos dias o mercado aberto. Se deltaD gt 0 e deltaU gt 45, faça o contrário. A intuição por trás dessa estratégia é que se uma empresa mover uma data de anúncio esperada mais cedo, especialmente se isso acontecer próximo da data esperada, isso é uma indicação de boas notícias e vice-versa. Kramarenko encontrou um CAGR de 14,95 e um índice de Sharpe de 2,08, aplicando esta estratégia aos estoques SPX de 200613 a 201592. Para reproduzir esse resultado, é necessário garantir que a alocação de capital baseie-se na seguinte fórmula: suponha que o total O poder de compra é M e o número de sinais de negociação no mercado é n, então o tamanho de negociação por estoque é M5 se n lt 5 e é Mn se n gt 5. Eu testei essa estratégia de 201183-2016930 em um ponto fixo SPX em 201175, e obteve o índice CAGR17.6 e Sharpe de 0,6. Backtesting isto no índice índice Russell 3000 de ações produziu melhores resultados, com CAGR17 e Sharpe ratio1.9. Aqui, ajuste o tamanho de negociação por estoque para M30 se n lt30 e Mn se n gt 30, dado que o número total de ações em Russell 3000 é cerca de 6 vezes maior do que o SPX. A curva de equidade é exibida abaixo: Curiosamente, uma versão neutra do mercado desta estratégia (usando a IWV para proteger qualquer exposição líquida) não melhora o índice de Sharpe, mas deprimiu significativamente o CAGR. Reconhecimento. Agradeço a Michael Raines, no Wall Street Horizon, por fornecer dados historicamente históricos de datas de recebimento esperados para esta pesquisa. Além disso, agradeço Stuart Farr e Ekaterina Kramarenko na Deltix por fornecerem-me uma cópia do seu trabalho e me explicando as nuances de sua estratégia. O meu próximo workshop 14 e 21 de janeiro: Estratégias de opções algorítmicas Este curso online é diferente da maioria das outras opções oferecidas em outros lugares. Ele irá cobrir backtesting estratégias de opções intradiárias e estratégias de opções de portfólio. Eu escrevi em um artigo anterior sobre por que devemos backtest até mesmo estratégias de fim de dia (diariamente) com dados de cotação intradiária. Caso contrário, o desempenho de tais estratégias pode ser inflado. Aqui está outro exemplo brilhante que encontrei recentemente. Considere o futuro do petróleo ETF USO e seu gêmeo maligno, o futuro inverso do ETF DNO. Em teoria, se USO tiver um retorno diário de x, DNO terá um retorno diário de - x. Na prática, se traçamos os retornos diários da DNO contra o USO de 2010927-201699, usando os dados habitualmente consolidados de fim de semana que você pode encontrar no Yahoo Finance ou em qualquer outro fornecedor, vemos que embora a inclinação seja de fato -1 (dentro de um erro padrão de 0,004), há muitos dias com desvio significativo da linha reta. O comerciante em nós pensará imediatamente oportunidades de arbitragem. De fato, se recuperarmos uma estratégia de reversão simples e simples nesse par, basta comprar o mesmo valor em dólar de USO e DNO quando a soma de seus retornos diários é inferior a 40 pb no fechamento do mercado, segure Um dia, e vice-versa - vamos encontrar uma estratégia com um índice de Sharpe decente de 1 mesmo depois de deduzir 5 bps por lado como custos de transação. Aqui está a curva de equidade: Parece razoável, não é, no entanto, se voltarmos a testar essa estratégia novamente com os dados do BBO no mercado fechado, tendo o cuidado de subtrair metade do spread de oferta e solicitação como custo de transação, encontramos essa curva de equidade: podemos ver Que o problema não é apenas que perdemos dinheiro em praticamente todos os negócios, mas que raramente houve algum comércio desencadeado. Quando os dados diários do EOD sugerem que um comércio deve ser desencadeado, os dados do BBO da barra de 1 minuto nos dizem que na verdade não houve desvio da média. (A propósito, os retornos acima foram calculados antes mesmo de deduzir os custos emprestados de ocasionalmente curtando esses ETFs. A taxa de desconto para USO é de cerca de 1 por ano em Interactive Brokers, mas um acentuado 5.6 para DNO.) Caso você pense isso O problema é peculiar ao USO vs DNO, você também pode tentar TBT vs UBT. Aliás, acabamos de verificar uma regra de ouro dos mercados financeiros: o desvio aparente do mercado eficiente é permitido quando ninguém pode negociar com rentabilidade com a oportunidade de arbitragem. Nota: de acordo com etf, o emissor da DNO suspendeu temporariamente as criações para este fundo a partir de 22 de março de 2016, pendente de arquivamento de novos papéis com a SEC. Esta ação poderia criar prémios incomuns ou excessivos8212 um aumento do preço de mercado do fundo em relação ao seu valor justo. Os resgates não são afetados. Troque com cuidado verificar INAV vs. preço. Para uma explicação sobre a criação de unidades ETF, veja meu artigo Coisas que você não quer saber sobre ETFs e ETNs. Quantiacs de atualização da indústria recentemente registrados como um CTA e opera um mercado para algoritmos de negociação que qualquer um pode contribuir. Eles também publicaram uma postagem de blog educacional para Python e Matlab backtesters: quantiacsBlogIntro-to-Algorithmic-Trading-com-Heikin-Ashi. aspx Eu vou moderar um painel de discussão sobre como os fundos podem alavancar fontes de dados não tradicionais para gerar retornos de investimento em Quant World Canadá em Toronto, 10 de novembro de 2016. Próximas oficinas 22 e 29 de outubro, sábados, workshops on-line Quantitative Momentum Strategies. As estratégias de Momentum são para aqueles que desejam se beneficiar dos eventos da cauda. Eu discutirei os motivos fundamentais para a existência de impulso em vários mercados, bem como estratégias de impulso específicas que ocupam posições de horas em dias. Um diretor sênior em um grande banco me escreveu: 8230 novamente para o curso de treinamento Momentum Strategies nesta semana . Foi muito benéfico. Eu achei suas explicações sobre os conceitos muito claras e os exemplos bem desenvolvidos. Eu gosto da abordagem rigorosa que você toma para a avaliação da estratégia.8221 Sexta-feira, 17 de junho de 2016 Todo mundo adora negociar ou investir em ETPs. A ETP é o acrônimo de produtos negociados em bolsa, que incluem tanto fundos negociados em bolsa (ETF) como notas trocadas (ETN). Parecem simples, transparentes, fáceis de entender. Mas há algumas sutilezas que talvez você não conheça. 1) O ETN mais popular é o VXX, o ETF do índice de volatilidade. Ao contrário do ETF, a ETN é realmente uma obrigação não garantida emitida pelo emissor. Isso significa que o preço da ETN pode não apenas depender do patrimônio ou índice subjacente. Isso poderia depender do crédito do emissor. Agora o VXX é emitido pela Barclays. Você pode pensar que Barclays é um grande banco, Too Big To Fail, e você pode estar certo. No entanto, ninguém promete que sua classificação de crédito nunca será rebaixada. Negociando o futuro do VX, no entanto, não tem esse problema. 2) O emissor ETP, juntamente com os Participantes Autorizados (os fabricantes de mercado que podem pedir ao emissor emitir mais ações da ETP ou para resgatar tais ações pelos ativos subjacentes ou em dinheiro), devem manter o valor de mercado total das ações da ETP Acompanhando de perto o NAV dos ativos subjacentes. No entanto, houve um exemplo notável quando o emissor deliberadamente não o fez, resultando em grandes perdas para alguns investidores. Foi quando o emissor da TVIX, o ETN alavancado que rastreia 2x os retornos diários do VXX, parou toda a criação de novas ações da TVIX temporariamente em 22 de fevereiro de 2012 (veja seisfigurainvesting201510how-do-tvix-work). Esse emissor é o Credit Suisse, que poderia achar que os custos de transação de reequilíbrio deste ETN altamente volátil estavam se tornando muito altos. Por causa dessa paralisação, a TVIX transformou-se em um fundo fechado (temporariamente) e seu NAV divergiu significativamente do seu valor de mercado. A TVIX foi negociada com um prêmio de 90 em relação ao índice subjacente. Em outras palavras, os investidores que compraram a TVIX no mercado de ações até o final de março pagavam 90 mais do que teriam se pudessem comprar o índice VIX. Logo depois, o Credit Suisse anunciou que eles irão retomar a criação de ações da TVIX. O preço de mercado da TVIX imediatamente caiu para o seu VPL por ação, causando enormes prejuízos para os investidores que compraram antes da retomada. 3) Você pode estar familiarizado com o fato de que um ETF alavancado deve rastrear apenas as vezes o retorno diário do índice subjacente e não o retorno de longo prazo. Mas você pode estar menos familiarizado com o fato de que também não é suposto rastrear os tempos do retorno intradiário desse índice (embora, na maioria das vezes, ele realmente, graças aos muitos arbitragens). Caso em questão: durante o choque instantâneo de maio de 2010 , Muitos ETFs alavancados inversamente experimentaram uma diminuição de preço à medida que o mercado estava falhando para baixo. Como ETFs inversos, muitos investidores pensaram que deveriam subir de preço e atuar como hedge contra as quedas do mercado. Por exemplo, esta carta de comentário para a SEC apontou que o DOG, o ETF inverso que rastreia -1x índice Dow 30, caiu mais de 60 do seu valor no início (2:40 pm ET) do Flash Crash. Isso ocorre porque vários fabricantes de mercado, incluindo os Participantes Autorizados para o DOG, não faziam mercados naquele momento. Mas um ponto igualmente importante a observar é que no final do dia de negociação, o DOG retornou 3,2, quase exatamente -1x o retorno do DIA (o ETF que rastreia o Dow 30). Então funcionou como anunciado. Lição aprendida: não devemos usar ETFs inversos para hedge intradía nem longo prazo 4) O VL (não o VPL por ação) de um ETF não precisa mudar do mesmo valor de mercado da unidade de ativos subjacentes. Por exemplo, a mesma carta de comentário que citei acima escreveu que a GLD, a ETF dourada, declinou no preço em 24 de 1 de março a 31 de dezembro de 2013, rastreando a mesma queda de 24 no preço do ouro no local. No entanto, seu NAV caiu 52. Por que os Participantes Autorizados resgataram muitas ações da GLD, fazendo com que as ações em circulação da GLD diminuíssem de 416 milhões para 266 milhões. Isso não é um problema. Um investidor naquele ETF só se importa que ela tenha experimentado o mesmo retorno que o ouro no local, e não a quantidade de ativos que a ETF realizou. O autor dessa carta de comentários escreveu estranhamente que os investidores que desejassem participar do mercado de ouro não comprariam o GLD se soubessem que um declínio do preço do ouro poderia resultar em duas vezes mais declínio de ativos subjacente para o GLD. Isso, eu acredito, é bobagem. Atualização da Indústria Alex Boykov co-desenvolveu a WFAToolbox 8211 Walk-Forward Analysis Toolbox para MATLAB, que automatiza o processo de usar uma janela em movimento para otimizar parâmetros e entrar em negociações apenas no período fora da amostra. Ele também compilou um aplicativo autônomo do MATLAB que permite que qualquer usuário (com MATLAB ou não) faça o upload de cotações no formato csv da Google Finance para posterior importação para outros programas e para trabalhar no Excel. Você pode baixá-lo aqui: wfatoolboxepchan. As técnicas de aprendizagem da AImachine são mais úteis quando alguém nos dá novos indicadores técnicos ou fundamentais, e ainda não desenvolvemos a intuição de como usá-los. As técnicas de AI podem sugerir maneiras de incorporá-las na sua estratégia comercial e acelerar a compreensão desses indicadores. Claro, às vezes essas técnicas também podem sugerir estratégias inesperadas em mercados familiares. Meu curso cobre as técnicas básicas de IA úteis para um comerciante, com ênfase nas muitas maneiras de evitar a superposição. Todos sabem que a volatilidade depende da frequência de medição: o desvio padrão dos retornos de 5 minutos é diferente do dos retornos diários. Para ser preciso, se z for o preço do registro, então a volatilidade, amostrada em intervalos de, é onde Var significa tomar a variância em vários tempos de amostra. Se os preços realmente seguem uma caminhada aleatória geométrica, então Var () 8801Var ((z (t) - z (t)) 8733, e a volatilidade simplesmente se escala com a raiz quadrada do intervalo de amostragem. É por isso que se medimos Retornos diários, precisamos multiplicar a volatilidade diária por 8730252 para obter a volatilidade anualizada. Os comerciantes também sabem que os preços não seguem realmente uma caminhada aleatória geométrica. Se os preços forem significativos, veremos que eles não se afastar de sua inicial Valorizem tão rápido quanto uma caminhada aleatória. Se os preços estiverem tendendo, eles se afastarão mais rápido. Em geral, podemos escrever onde H é chamado de expoente de Hurst e é igual a 0,5 para uma verdadeira caminhada aleatória geométrica, mas será menor do que 0,5 para os preços médios de reversão e superior a 0,5 para preços de tendência. Se anualizamos a volatilidade de uma série de preços de reversão média, ela terá uma menor volatilidade anualizada do que a de uma caminhada aleatória geométrica, mesmo que ambas tenham exatamente a Mesma volatilidade medida em, digamos, barras de 5 minutos. O oposto é verdadeiro para uma série de preços de tendências. Por exemplo, se tentarmos isso no AUDCAD, uma série de tempo obviamente significante, nós obteremos H0.43. Todos os itens acima são bem conhecidos de muitos comerciantes e, de fato, são discutidos no meu livro. Mas o que é mais interessante é que o expoente de Hurst em si pode mudar em certa escala de tempo, e essa mudança às vezes sinaliza uma mudança de uma reversão média para um regime de momentum ou vice-versa. Para ver isso, podemos traçar a volatilidade (ou mais convenientemente, variância) como uma função de. Isso geralmente é chamado de estrutura de prazo de volatilidade (realizada). Comece com o familiar SPY. Podemos calcular os retornos intraday usando medições intermediárias de 1 minuto a 210 minutos (17 horas) e traçar o log (Var ()) contra log (). O ajuste, mostrado abaixo, é excelente. (Clique na figura para ampliar). A inclinação, dividida por 2, é o expoente de Hurst, que acaba por ser 0.4941770.003, que é muito ligeiramente reverso. Mas se fizermos o mesmo para os retornos diários de SPY, para intervalos de 1 dia até 28 (256) dias, achamos que H é agora 0.4691770.007, o que significa que é significante reverter. Conclusão: as estratégias de reversão média em SPY devem funcionar melhor entre os dias do que intraday. Podemos fazer a mesma análise para a USO (a ETF de futuros de petróleo bruto WTI). O intraday H é 0.5151770.001, indicando comportamento de tendência significativo. O diário H é 0.561770.02, ainda mais significativamente tendencial. Portanto, as estratégias de impulso devem funcionar para futuros de petróleo bruto em qualquer escala de tempo razoável. Vamos agora para o GLD, o ETF dourado. Intraday H0.5051770.002, que está ligeiramente tendência. Mas diariamente H0.4691770.007: significam significativamente reverter As estratégias de Momentum no ouro podem funcionar intraday, mas as estratégias de reversão média certamente funcionam melhor durante vários dias. Onde a transição ocorre. Podemos examinar cuidadosamente o termo estrutura: podemos ver que em torno de 16 a 32 dias, as volatilidades partem da linha reta extrapolada das freqüências intradias. É aí que devemos mudar de dinâmica para as estratégias de reversão. Uma nota de interesse: quando calculamos a variação de retornos ao longo de períodos que se encaixam em dois dias de negociação e traçá-los como função de log (). Deve incluir as horas em que o mercado foi fechado. Acontece que a resposta é sim, mas não completamente. Para produzir o gráfico acima, onde as variações diárias caíram inicialmente na mesma linha reta que as variações intradias, devemos contar 1 dia de negociação como equivalente a 10 horas de negociação. Não 6.5 (para os mercados EU EquitiesETF) e não 24. O número exato de horas de negociação equivalentes, é claro, varia de acordo com diferentes instrumentos. Nick em mintegration. eu discute os novos bancos de dados intraday em Quandl e Kerf. Factorwave (criação do Euan Sinclairs) iniciou um novo fórum: slack. factorwave. Tem algumas discussões muito ativas e aprofundadas sobre muitos tópicos de negociação e investimento. O Prof. Matthew Lyle da Kellogg School of Management apresenta um novo documento que relaciona os fundamentos com os prêmios de risco de variância: papers. ssrnsol3papers. cfmabstractid2696183. Há muito mais para significar estratégias de reversão do que apenas negociação de pares. Descubra como prosperar no atual ambiente de baixa volatilidade favorável a este tipo de estratégias. Prever a volatilidade é um tópico muito antigo. Todo estudante de finanças foi ensinado a usar o modelo GARCH para isso. Mas, como a maioria das coisas que aprendemos na escola, não esperamos necessariamente que elas sejam úteis na prática ou que funcionem bem fora da amostra. (Quando foi a última vez que você precisa usar o cálculo em seu trabalho) Mas, por curiosidade, fiz uma rápida investigação do seu poder em prever a volatilidade dos retornos diários do produto SPY. Eu avaliei os parâmetros de um modelo GARCH sobre dados de treinamento de 21 de dezembro de 2005 a 5 de dezembro de 2011 usando a caixa de ferramentas Econometric Matlabs e testado com que frequência o sinal da mudança de volatilidade prevista de 1 dia concorda com a realidade no conjunto de testes de dezembro 6, 2011 a 25 de novembro de 2015. (A mudança de um dia na volatilidade realizada é definida como a mudança no valor absoluto do retorno de 1 dia). Uma surpresa agradável: o acordo é 58 dos dias. Se esta fosse a precisão para prever o sinal do retorno do SPY, devemos nos preparar para se aposentar no luxo. A volatilidade é mais fácil de prever do que os retornos assinados, como todos os estudantes de finanças também foram ensinados. Mas o que é bom é uma boa previsão de volatilidade Isso seria útil para os comerciantes de opções, que podem trocar volatilidades implícitas em vez de retornos direcionais. A resposta é sim, a previsão de volatilidade realizada é útil para a previsão de volatilidade implícita, mas não da maneira que você esperaria. Se o GARCH nos disser que a volatilidade realizada aumentará amanhã, a maioria de nós instintivamente vai sair e comprar algumas opções (ou seja, volatilidade implícita). No caso da SPY, provavelmente iremos comprar algum VXX. Mas isso seria um erro terrível. Lembre-se de que a volatilidade que prevemos é um retorno não assinado: uma previsão de maior volatilidade pode significar um dia muito bullish amanhã. Um alto retorno positivo no SPY geralmente é acompanhado por uma queda acentuada no VXX. Por outras palavras, um aumento na volatilidade realizada é geralmente acompanhado por uma diminuição da volatilidade implícita neste caso. Mas o que é realmente estranho é que esta anti-correlação entre a mudança na volatilidade realizada e a mudança na volatilidade implícita também ocorre quando o retorno é negativo (57 dos dias com retornos negativos). Um retorno muito negativo no SPY é de fato geralmente acompanhado por um aumento na volatilidade implícita ou VXX, induzindo correlação positiva. Mas, em média, um aumento na volatilidade realizada devido a retornos negativos ainda é acompanhado por uma diminuição da volatilidade implícita. O resultado de tudo isso é que se você prevê que a volatilidade do SPY aumentará amanhã, você deve usar VXX curto em vez disso. Quantiacs acaba de lançar uma competição de sistema de negociação com investimentos garantidos de 2,25 milhões para os três melhores sistemas de negociação. (Quantiacs ajuda Quants a obter investimentos para seus algoritmos de negociação e ajuda os investidores a encontrar o sistema de negociação correto.) Um novo livro chamado Momo Traders - Dicas, Truques e Estratégias de dez Top Traders apresenta extensas entrevistas com dez melhores comerciantes do dia e swing que encontram ações Que movem e capitalizam esse impulso. Outro novo livro chamado Algorithmic and High-Frequency Trading por 3 professores de finanças matemáticas descreve as ferramentas matemáticas sofisticadas que estão sendo aplicadas para a negociação de alta freqüência e a execução ideal. Sim, é necessário um cálculo aqui. Meu próximo Workshop 27-28 de janeiro: estratégias de opções algorítmicas Este é um novo curso on-line que é diferente da maioria das outras opções de oficinas oferecidas em outros lugares. Ele irá cobrir a forma como as estratégias de opções intraday podem ser testadas e estratégias de opções de portfólio. 7 a 11 de março: Arbitragem estatística, Momento Quantitativo e Inteligência Artificial para Comerciantes. Esses cursos são sessões de treinamento altamente intensivas realizadas em Londres por uma semana inteira. Normalmente, eu preciso andar por uma hora ao longo do Tamisa para rejuvenescer depois de cada dia de aula. O curso AI é novo e, para minha surpresa, algumas das técnicas melhoradas realmente funcionam. My Nextcoming Talk falarei na QuantCon 2016 em 9 de abril em Nova York. O tema será The Peculiarities of Volatility. Apontei uma peculiaridade acima, mas há outras. QTS Partners, L. P. tem um retorno líquido de 1,56 em outubro (YTD: 11,50). Detalhes disponíveis para Pessoas Qualificadas Elegíveis conforme definido na Regra 4.7 do CFTC. Por Lukasz Wojtow Os comerciantes mecânicos nunca param de pesquisar para a próxima margem do mercado. Não só para obter melhores resultados, mas também para ter mais de um sistema. Os melhores resultados comerciais podem ser alcançados com múltiplos sistemas não correlacionados comercializados simultaneamente. Infelizmente, a maioria dos comerciantes usa ineficiência de mercado semelhante: alguns comerciantes se especializam em seguimento de tendências, alguns em reversão média e assim por diante. Isso porque aprender a explorar um tipo de vantagem é bastante difícil, dominando todos eles, impossível. Seria benéfico ter um software que crie muitos sistemas não relacionados. Recentemente eu soltei Genotick - um software de código aberto que pode criar e gerenciar um grupo de sistemas de negociação. No núcleo do Genoticks encontra-se uma epifania: se for possível criar qualquer software com apenas um punhado de instruções de montagem, deve ser possível criar qualquer sistema de negociação com um punhado de instruções simples. Essas instruções simples e sem sentido tornam-se extremamente poderosas quando combinadas. As instruções corretas na ordem correta podem criar qualquer tipo de sistema mecânico: seguimento da tendência, retorno médio ou mesmo com base em dados fundamentais. O motor que conduz o poder do Genoticks é um algoritmo genético. A implementação atual é bastante básica, mas com algumas peculiaridades extras. Por exemplo, se algum dos sistemas é realmente ruim, permanece na população, mas suas previsões são revertidas. Outro truque é usado para ajudar a reconhecer sistemas de negociação tendenciosos: um sistema pode ser removido se ele não fornecer uma previsão espelhada em dados espelhados. Então, por exemplo, a posição no GBPUSD deve ser oposta à do USDGBP. O Genotick também apóia o elitismo opcional (onde os melhores sistemas permanecem sempre na população, enquanto outros são aposentados devido à idade avançada), proteção para novos sistemas (para evitar a remoção de sistemas que ainda não tiveram a chance de provar) e herdando o peso dos sistemas iniciais Dos pais. Essas opções oferecem aos usuários espaço suficiente para experimentação. Quando o Genotick é executado pela primeira vez - não há sistemas. Eles são criados no início usando instruções escolhidas aleatoriamente. Então, um algoritmo genético assume: cada sistema é executado para verificar sua previsão em dados históricos. Sistemas que predisseram o aumento de peso correto para previsões futuras, sistemas que predisseram incorretamente 8211 perder peso. Gradualmente, dia a dia, a população de sistemas cresce. Os sistemas defeituosos são removidos e os bons sistemas se reproduzem. A previsão para cada dia é calculada adicionando previsões de todos os sistemas disponíveis no momento. O Genotick não faz iterar sobre o mesmo processo histórico de formação de dados historicamente mais de uma vez que o 8211 parece exatamente como se fosse executado na vida real: um dia por vez. Na verdade, não há uma fase separada 8220training8221, o programa aprende um pouco à medida que passa cada dia. Curiosamente, o Genotick não verifica razões para os sistemas criados. Como cada sistema é criado a partir de instruções aleatórias, é possível (e realmente muito provável) que alguns sistemas usem lógica ridícula. Por exemplo, é possível que um sistema dê um sinal 8220Buy8221 se o Volume for positivo há 42 dias. Outro sistema pode querer ficar curto cada vez que o terceiro dígito em Highday é o mesmo que o segundo dígito no Open de hoje. Claro, esses sistemas nunca sobreviveriam no mundo real e também eles não sobreviverão por muito tempo na população de Genoticks. Como o peso inicial de cada sistema é zero, eles nunca ganham peso significativo e, portanto, não estragam a previsão acumulada dada pelo programa. Pode parecer um pouco bobo permitir esses sistemas em primeiro lugar, mas permite que o Genotick teste algoritmos que são livres de traders, opiniões equivocadas e limitações pessoais. O fato triste é que o mercado não se importa com o sistema que você usa e com quanto suor e lágrimas você coloca nisso. O mercado vai fazer o que quer fazer 8211 sem fazer perguntas, não tomar prisioneiros. O mercado nem se importa se você usar qualquer tipo de inteligência, artificial ou não. E assim, o único raciocínio por trás de cada sistema de comércio deve ser muito simples: 8220Does it work8221. Nada mais nada menos. Este é o único Genotick métrico utilizado para avaliar os sistemas. Cada programa executado será um pouco diferente. O gráfico de equidade abaixo mostra uma performance possível. Os anos apresentados são 2007 até 2015 com treinamento efetivo a partir de 2000. Não há nada de especial no ano de 2007, lembre-se de que o 8211 Genotick aprende enquanto ele anda. No entanto, senti que é importante olhar como ele ocorreu durante a crise financeira. Os mercados negociados foram: USDCHF, USDJPY, rendimento de obrigações nos EUA de 10 anos, SPX, EURUSD, GBPUSD e ouro. (Em alguns casos, testei o sistema em um índice de mercado como SPX em vez de um instrumento que rastreie o índice, como SPY, mas a diferença deve ser menor). Todos os mercados foram espelhados para permitir a remoção de sistemas tendenciosos. Alguns números vitais: CAGR: 9.88 Desembolso máximo: -21.6 Remessa mais longa: 287 dias de negociação Dias rentáveis: 53.3 Rácio CALMAR: 0.644 Relação Sharpe: 1.06 Ganho médio anual: 24.1 Período de queda: 2013 (-12) (Clique no retorno cumulativo no gráfico Abaixo para aumentar.) Retornos acumulados () desde 2007 Esses números representam apenas 8220directional edge8221 oferecido pelo software. Não houve perdas, sem alavancagem e sem dimensionamento de posição, o que poderia melhorar os resultados da vida real. O desempenho pressupõe que no final de cada dia, as posições são reequilibradas para que cada instrumento com valor igual em dólar. (Isto é, um portfólio reequilibrado constante). A Inteligência Artificial é um tópico quente. A auto-condução de carros que conduzem melhor do que um algoritmo humano médio e xadrez que batem um jogador médio são fatos. A diferença é que usar AI para negociação é perfeitamente legal e os oponentes podem nunca saber. Ao contrário do xadrez e da condução, há muita aleatoriedade nos mercados financeiros e pode demorar mais para perceber quando a AI começa a ganhar. Os melhores fundos de hedge podem ser ainda administrados por seres humanos, mas se qualquer método de negociação for realmente superior, a AI também descobrirá. No momento, a Genotick é mais uma prova de conceito ao invés de pronto para produção. It is very limited in usability, it doesnt forgive mistakes and its best to ask before using it for real trading. You will need Java 7 to run it. Its tested on both Linux and Windows 10. Example historical data is included. Any questions or comments are welcomed. I have been a big fan of options trader and author Euan Sinclair for a long time. I have cited his highly readable and influential book Option Trading in my own work, and it is always within easy reach from my desk. His more recent book Volatility Trading is another must-read. I ran into him at the Chicago Trading Show a few months ago where he was a panelist on volatility trading, and he graciously agreed to be interviewed by me. What is your educational background, and how did you start your trading career I got a Ph. D. in theoretical physics, studying the transition from quantum to classical mechanics. I always had intended to become a professor but the idea became less appealing once I saw what they did all day. At this time Nick Leeson was making news by blowing up Barings Bank and I thought I could do that. I mean trade derivatives not blowing up a bank (although I could probably manage that as well). Do you recommend a new graduate with a similar educational background as yours to pursue finance or trading as a career today I dont think I would for a few reasons. The world of derivatives and trading in general is now so much more visible than it was and there are now far better ways to prepare. When I started, physics Ph. D.s were hired only because they were smart and numerate and could pick things up on their own. My first trading firm had no training program. You just had to figure stuff out on your own. Now there are many good MFE courses or you could do a financial economics Ph. D. Further, it would very much depend on exactly what kind of physics had been studied. I did a lot of classical mechanics which is really geometry. This kind of pure theory isnt nearly as useful as a background heavy with stats or simulation. I think I could still make the transition, but it is no longer close to the ideal background. You have been a well-known options trader with a long track record: what do you think is the biggest obstacle to success for a retail options trader Trading costs. Most option trading ideas are still built on the Black-Scholes-Merton framework and the idea of dynamic hedging (albeit heavily modified). Most pro firms have stat arb like execution methods to reduce the effective bid-ask they pay in the underlying. They also pay practically no ticket charges and probably get rebates. Even then, their average profit per option trade is very small and has been steadily decreasing. Further, a lot of positional option trading relies on a large universe of possible trades to consider. This means a trader needs good scanning software to find trades, and a decent risk system because she will tend to have hundreds of positions on at one time. This is all expensive as well. Retail traders cant play this game at all. They have to look for situations that require little or no rebalancing and that can be limited to a much smaller universe. I would recommend the VIX complex or equity earnings events. As an options trader, do you tend to short or long volatility I am short about 95 of the time, but about 35 of my profits come from the long trades. Do you find it possible to fully automate options trading in the same way as that stocks, futures, and FX trading have been automated I see no reason why not. You have recently started a new website called FactorWave. Can you tell us about it What prompted the transition of your focus from options to stocks FactorWave is a set of stock and portfolio tools that do analysis in terms of factors such as value, size, quality and momentum. There is a lot of research by both academics and investors that shows that these (and other) factors can give market beating returns and lower volatility. Ive been interested in stocks for a long time. Most of my option experience has been with stock options and some of my best research was on how these factors affected volatility trading returns. Also, equity markets are a great place to build wealth over the long term. They are a far more suitable vehicle for retirement planning than options I actually think the distinction between trading and investing is fairly meaningless. The only difference seems to be the time scale and this is very dependent on the person involved as well, with long-term meaning anything form months to inter-generational. All Ive ever done as a trader is to look for meaningful edges and I found a lot of these in options. But Ive never found anything as persistent as the stock factors. There is over a hundred years of statistical evidence, studies in many countries and economic and behavioral reasons for their existence. They present some of the best edges I have ever found. That should be appealing to any trader or investor. Thank you These are really valuable insights. Most time series techniques such as the ADF test for stationarity, Johansen test for cointegration, or ARIMA model for returns prediction, assume that our data points are collected at regular intervals. In traders parlance, it assumes bar data with fixed bar length. It is easy to see that this mundane requirement immediately presents a problem even if we were just to analyze daily bars: how are we do deal with weekends and holidays You can see that the statistics of return bars over weekdays can differ significantly from those over weekends and holidays. Here is a table of comparison for SPY daily returns from 20050504-20150409: SPY daily returns Mean Returns (bps) Mean Absolute Returns (bps) Kurtosis (3 is 8220normal8221) Though the absolute magnitude of the returns over a weekday is similar to that over a weekend, the mean returns are much more positive on the weekdays. Note also that the kurtosis of returns is almost doubled on the weekends. (Much higher tail risks on weekends with much less expected returns: why would anyone hold a position over weekends) So if we run any sort of time series analysis on daily data, we are force-fitting a model on data with heterogeneous statistics that wont work well. The problem is, of course, much worse if we attempt time series analysis on intraday bars. Not only are we faced with the weekend gap, in the case of stocks or ETFs we are faced with the overnight gap as well. Here is a table of comparison for AUDCAD 15-min returns vs weekend returns from 20090101-20150616: AUDCAD 15-min returns Mean Returns (bps) Mean Absolute Returns (bps) Kurtosis (3 is 8220normal8221) In this case, every important statistic is different (and it is noteworthy that kurtosis is actually lower on the weekends here, illustrating the mean-reverting character of this time series.) So how should we predict intraday returns with data that has weekend gaps (The same solution should apply to overnight gaps for stocks, and so omitted in the following discussion.) Lets consider several proposals: 1) Just delete the weekend returns, or set them as NaN in Matlab, or missing values NA in R. This wont work because the first few bars of a week isnt properly predicted by the last few bars of the previous week. We shouldnt use any linear model built with daily or intraday data to predict the returns of the first few bars of a week, whether or not that model contains data with weekend gaps. As for how many bars constitute the first few bars, it depends on the lookback of the model. (Notice I emphasize linear model here because some nonlinear models can deal with large jumps during the weekends appropriately.) 2) Just pretend the weekend returns are no different from the daily or intraday returns when buildingtraining the time series model, but do not use the model for predicting weekend returns. Isto é, do not hold positions over the weekends. This has been the default, and perhaps simplest (naive) way of handling this issue for many traders, and it isnt too bad. The predictions for the first few bars in a week will again be suspect, as in 1), so one may want to refrain from trading then. The model built this way isnt the best possible one, but then we dont have to be purists. 3) Use only the most recent period without a gap to train the model. So for an intraday FX model, we would be using the bars in the previous week, sans the weekends, to train the model. Do not use the model for predicting weekend returns nor the first few bars of a week. This sounds fine, except that there is usually not enough data in just a week to build a robust model, and the resulting model typically suffers from severe data snooping bias. You might think that it should be possible to concatenate data from multiple gapless periods to form a larger training set. This concatenation does not mean just piecing together multiple weeks time series into one long time series - that would be equivalent to 2) and wrong. Concatenation just means that we maximize the total log likelihood of a model over multiple independent time series, which in theory can be done without much fuss since log likelihood (i. e. log probability) of independent data are additive. But in practice, most pre-packaged time series model programs do not have this facility. (Do add a comment if anyone knows of such a package in Matlab, R, or Python) Instead of modifying the guts of a likelihood-maximization routine of a time series fitting package, we will examine a short cut in the next proposal. 4) Rather than using a pre-packaged time series model with maximum likelihood estimation, just use an equivalent multiple linear regression (LR) model. Then just fit the training data with this LR model with all the data in the training set except the weekend bars, and use it for predicting all future bars except the weekend bars and the first few bars of a week. This conversion of a time series model into a LR model is fairly easy for an autoregressive model AR(p), but may not be possible for an autoregressive moving average model ARMA(p, q). This is because the latter involves a moving average of the residuals, creating a dependency which I dont know how to incorporate into a LR. But I have found that AR(p) model, due to its simplicity, often works better out-of-sample than ARMA models anyway. It is of course, very easy to just omit certain data points from a LR fit, as each data point is presumed independent. Here is a plot of the out-of-sample cumulative returns of one such AR model built for predicting 15-minute returns of NOKSEK, assuming midpoint executions and no transaction costs (click to enlarge.)