Quantitative Handels Systeme Pdf Download

Beginner39s Guide to Quantitative Trading In diesem Artikel Im gehe, um Ihnen einige der grundlegenden Konzepte, die ein Ende-zu-Ende-quantitativen Handelssystem zu begleiten. Dieser Beitrag wird hoffentlich zwei Publikum dienen. Die erste wird Einzelpersonen versuchen, einen Job an einem Fonds als quantitative Händler zu erhalten. Die zweite wird Einzelpersonen, die versuchen wollen, und gründen ihre eigenen Handel algorithmischen Handelsgeschäft. Der quantitative Handel ist ein äußerst anspruchsvoller Bereich der Quantfinanzierung. Es kann eine beträchtliche Menge an Zeit, um das notwendige Wissen zu gewinnen, um ein Interview oder konstruieren Sie Ihre eigenen Trading-Strategien. Nicht nur das, sondern es erfordert umfangreiche Programmierkenntnisse, zumindest in einer Sprache wie MATLAB, R oder Python. Doch mit zunehmender Handelsfrequenz der Strategie werden die technologischen Aspekte viel wichtiger. Daher ist es wichtig, mit C C vertraut zu sein. Ein quantitatives Handelssystem besteht aus vier Hauptkomponenten: Strategieidentifizierung - Strategiefindung, Ausnutzung einer Kante und Festlegung der Handelsfrequenz Strategy Backtesting - Datenerfassung, Analyse der Strategieperformance und Beseitigung von Bias Execution System - Verknüpfung mit einem Brokerage, Automatisierung des Handels und Minimierung Transaktionskosten Risk Management - Optimale Kapitalallokation, Wette Größe Kelly-Kriterium und Handelspsychologie Nun, indem Sie einen Blick auf, wie eine Handelsstrategie zu identifizieren beginnen. Strategieidentifikation Alle quantitativen Handelsprozesse beginnen mit einer ersten Forschungsperiode. Dieser Forschungsprozess umfasst das Finden einer Strategie, ob die Strategie passt in ein Portfolio von anderen Strategien, die Sie ausgeführt werden können, erhalten alle Daten, die notwendig sind, um die Strategie zu testen und versuchen, die Strategie für höhere Renditen oder ein geringeres Risiko zu optimieren. Sie müssen in Ihrem Eigenkapitalbedarf Faktor, wenn Sie die Strategie als Einzelhändler und wie alle Transaktionskosten werden die Strategie beeinflussen. Entgegen der landläufigen Meinung ist es eigentlich ganz einfach, gewinnbringende Strategien durch verschiedene öffentliche Quellen zu finden. Akademiker veröffentlichen regelmäßig theoretische Handelsergebnisse (wenn auch vorwiegend für Transaktionskosten). Quantitative Finance-Blogs diskutieren Strategien im Detail. Fachzeitschriften skizzieren einige der Strategien, die durch Mittel eingesetzt werden. Man könnte fragen, warum Einzelpersonen und Firmen sind scharf, ihre profitable Strategien zu diskutieren, vor allem, wenn sie wissen, dass andere, die den Handel verdrängen kann die Strategie von der Arbeit auf lange Sicht zu stoppen. Der Grund liegt in der Tatsache, dass sie nicht oft diskutieren die genauen Parameter und Tuning-Methoden, die sie durchgeführt haben. Diese Optimierungen sind der Schlüssel, um eine relativ mittelmäßige Strategie zu einem äußerst profitablen zu machen. In der Tat ist eine der besten Weisen, Ihre eigenen einzigartigen Strategien zu verursachen, um ähnliche Methoden zu finden und dann Ihr eigenes Optimierungsverfahren durchzuführen. Hier ist eine kleine Liste von Orten zu beginnen suchen nach Strategie Ideen: Viele der Strategien, die Sie betrachten wird in die Kategorien der Mittel-Reversion und Trend-folgenden Impuls fallen. Eine Mittelrücksetzstrategie ist diejenige, die versucht, die Tatsache auszuschöpfen, dass ein langfristiges Mittel auf einer Preisserie existiert (wie der Spread zwischen zwei korrelierten Vermögenswerten), und dass kurzfristige Abweichungen von diesem Mittel schließlich zurückgehen werden. Eine Impulsstrategie versucht, sowohl die Anlegerpsychologie als auch die Big-Fonds-Struktur zu nutzen, indem sie eine Fahrt auf einem Markttrend ausnutzt, die in einer Richtung Dynamik gewinnen und dem Trend folgen kann, bis sie sich umkehrt. Ein weiterer sehr wichtiger Aspekt des quantitativen Handels ist die Häufigkeit der Handelsstrategie. Niedrigfrequenzhandel (LFT) bezieht sich allgemein auf jede Strategie, die Vermögenswerte länger als ein Handelstag hält. Entsprechend bezieht sich der Hochfrequenzhandel (HFT) im Allgemeinen auf eine Strategie, die Vermögenswerte intraday hält. Ultra-Hochfrequenz-Handel (UHFT) bezieht sich auf Strategien, die Vermögenswerte in der Größenordnung von Sekunden und Millisekunden halten. Als Handelspartner sind HFT und UHFT sicher möglich, aber nur mit detaillierter Kenntnis der Handelstechnologie Stack und Orderbuch Dynamik. Wir werden diese Aspekte in diesem einleitenden Artikel in großem Ausmaß diskutieren. Sobald eine Strategie oder ein Satz von Strategien identifiziert wurde, muss sie nun für die Rentabilität auf historischen Daten getestet werden. Das ist die Domäne des Backtests. Strategie Backtesting Das Ziel des Backtesting ist es, nachzuweisen, dass die anhand des obigen Prozesses identifizierte Strategie rentabel ist, wenn sie sowohl auf historische als auch auf Out-of-Sample-Daten angewendet wird. Dies setzt die Erwartung, wie die Strategie in der realen Welt durchführen wird. Allerdings ist Backtesting nicht eine Garantie für den Erfolg, aus verschiedenen Gründen. Es ist vielleicht das subtilste Gebiet des quantitativen Handels, da es zahlreiche Vorurteile mit sich bringt, die sorgfältig geprüft und so weit wie möglich beseitigt werden müssen. Wir diskutieren die gemeinsamen Arten von Bias einschließlich Vorausschau. Überlebens-Bias und Optimierung Bias (auch bekannt als Data-Snooping Bias). Weitere Schwerpunkte im Backtesting sind Verfügbarkeit und Sauberkeit historischer Daten, Factoring in realistischen Transaktionskosten und die Entscheidung über eine robuste Backtesting-Plattform. Besprechen Sie die Transaktionskosten weiter unten im Abschnitt Ausführungssysteme. Sobald eine Strategie identifiziert wurde, ist es notwendig, die historischen Daten zu erhalten, durch die zur Durchführung von Tests und vielleicht Verfeinerung. Es gibt eine beträchtliche Anzahl von Datenanbietern in allen Assetklassen. Ihre Kosten sind in der Regel mit der Qualität, Tiefe und Aktualität der Daten. Der traditionelle Ausgangspunkt für den Beginn der quant Trader (zumindest auf der Retail-Ebene) ist die Nutzung der kostenlosen Datensatz von Yahoo Finance. Ich werde nicht auf Anbieter zu viel hier wohnen, eher möchte ich mich auf die allgemeinen Fragen konzentrieren, wenn es um historische Datensätze geht. Die wichtigsten Anliegen mit historischen Daten sind Genauigkeit Sauberkeit, Überlebens-Bias und Anpassung für Corporate-Aktionen wie Dividenden und Aktiensplits: Genauigkeit bezieht sich auf die allgemeine Qualität der Daten - ob es Fehler enthält. Fehler können manchmal leicht zu identifizieren, wie mit einem Spike-Filter. Die falsche Spitzen in den Zeitreihendaten herausholen und für sie korrigieren. Zu anderen Zeiten können sie sehr schwer zu erkennen. Es ist oft notwendig, zwei oder mehr Anbieter zu haben und dann alle ihre Daten gegeneinander zu überprüfen. Survivorship Bias ist oft ein Merkmal von freien oder billigen Datensätzen. Ein Datensatz mit Überlebensvorspannung bedeutet, dass er keine Vermögenswerte enthält, die nicht mehr handeln. Im Falle von Aktien bedeutet dies, dass es sich um bankrotte Aktien handelt. Diese Vorspannung bedeutet, dass jede Börsenstrategie, die auf einem solchen Datensatz getestet wird, wahrscheinlich besser abschneidet als in der realen Welt, da die historischen Gewinner bereits vorgewählt wurden. Corporate Aktionen umfassen logistische Aktivitäten durch das Unternehmen, die in der Regel eine Schritt-Funktion ändern in den Rohpreisen, die nicht in die Berechnung der Renditen des Preises aufgenommen werden. Anpassungen für Dividenden und Aktiensplits sind die gemeinsamen Täter. Ein Verfahren, das als Rückenanpassung bekannt ist, muss bei jeder dieser Aktionen durchgeführt werden. Man muss sehr vorsichtig sein, einen Aktiensplit nicht mit einer wahren Renditeanpassung zu verwechseln. Viele Händler wurden von einer Unternehmensaktion gefangen Um ein Backtest-Verfahren durchzuführen, ist es notwendig, eine Software-Plattform zu nutzen. Sie haben die Wahl zwischen dedizierten Backtest-Software, wie Tradestation, eine numerische Plattform wie Excel oder MATLAB oder eine vollständige benutzerdefinierte Implementierung in einer Programmiersprache wie Python oder C. Ich werde nicht zu viel auf Tradestation (oder ähnlich), Excel oder wohnen MATLAB, wie ich glaube an die Schaffung eines Full-in-house-Technologie-Stack (aus Gründen unten beschrieben). Einer der Vorteile davon ist, dass die Backtest-Software und das Ausführungssystem auch bei extrem fortgeschrittenen statistischen Strategien eng integriert werden können. Für HFT-Strategien ist es besonders wichtig, eine benutzerdefinierte Implementierung zu verwenden. Beim Backtesting eines Systems muss man in der Lage sein zu quantifizieren, wie gut es funktioniert. Die Industriestandard-Metriken für quantitative Strategien sind der maximale Drawdown und das Sharpe Ratio. Der maximale Drawdown charakterisiert den grössten Peak-to-trough-Rückgang der Kontoguthabenkurve über einen bestimmten Zeitraum (in der Regel jährlich). Dies wird meist als Prozentsatz angegeben. LFT-Strategien neigen dazu, größere Drawdowns als HFT-Strategien, aufgrund einer Reihe von statistischen Faktoren haben. Ein historischer Backtest zeigt den bisherigen maximalen Drawdown, der ein guter Leitfaden für die zukünftige Drawdown-Performance der Strategie ist. Die zweite Messung ist das Sharpe-Verhältnis, das heuristisch definiert ist als der Durchschnitt der Überschussrenditen dividiert durch die Standardabweichung dieser Überschussrenditen. Hier bezieht sich die Überschussrendite auf die Rendite der Strategie oberhalb eines vordefinierten Benchmarks. Wie das SP500 oder ein 3-monatiges Schatzamt. Beachten Sie, dass die jährliche Rendite keine übliche Maßnahme ist, da sie die Volatilität der Strategie nicht berücksichtigt (im Gegensatz zum Sharpe Ratio). Sobald eine Strategie rückgängig gemacht wurde und als frei von Verzerrungen betrachtet wird (so viel wie möglich), mit einem guten Sharpe und minimierten Drawdowns, ist es Zeit, ein Ausführungssystem aufzubauen. Ausführungssysteme Ein Ausführungssystem ist das Mittel, mit dem die Liste der durch die Strategie erzeugten Geschäfte durch den Broker gesendet und ausgeführt wird. Trotz der Tatsache, dass die Handelsgenerierung halb - oder sogar vollautomatisiert werden kann, kann der Ausführungsmechanismus manuell, halb-manuell (d. H. Ein Klick) oder vollautomatisiert sein. Für LFT-Strategien sind manuelle und halb-manuelle Techniken üblich. Für HFT-Strategien ist es notwendig, einen vollautomatischen Ausführungsmechanismus zu schaffen, der oft eng mit dem Handelsgenerator (aufgrund der Interdependenz von Strategie und Technologie) gekoppelt ist. Die wichtigsten Überlegungen bei der Erstellung eines Ausführungssystems sind die Schnittstelle zum Maklergeschäft. Minimierung der Transaktionskosten (einschließlich Provision, Rutschung und Spread) und Divergenz der Performance des Live-Systems von der getesteten Performance. Es gibt viele Möglichkeiten, um eine Brokerage Schnittstelle. Sie reichen vom Aufruf Ihres Brokers über das Telefon bis hin zu einer vollautomatischen, leistungsstarken Application Programming Interface (API). Idealerweise möchten Sie die Ausführung Ihres Trades so weit wie möglich automatisieren. Dies befreit Sie, um auf weitere Forschung konzentrieren, sowie ermöglichen es Ihnen, mehrere Strategien oder sogar Strategien der höheren Frequenz laufen (in der Tat, HFT ist im Wesentlichen unmöglich, ohne automatisierte Ausführung). Die oben beschriebene gemeinsame Backtesting-Software wie MATLAB, Excel und Tradestation eignet sich für niedrigere, einfachere Strategien. Allerdings wird es notwendig sein, ein hauseigenes Ausführungssystem zu erstellen, das in einer Hochleistungssprache wie C geschrieben ist, um irgendeine reale HFT durchzuführen. Als Anekdote hatten wir in dem Fonds, in dem ich früher beschäftigt war, eine 10-minütige Handelsschleife, wo wir alle 10 Minuten neue Marktdaten herunterladen und dann Trades basierend auf diesen Informationen im gleichen Zeitrahmen ausführen würden. Dies war mit einem optimierten Python-Skript. Für irgendetwas, das Minuten - oder Sekundärfrequenzdaten annähert, glaube ich, dass C C idealer wäre. In einem größeren Fonds ist es oft nicht die Domäne des Quant-Traders, die Ausführung zu optimieren. Allerdings in kleineren Geschäften oder HFT-Firmen, die Händler sind die Ausführenden und so eine viel breitere Skillset ist oft wünschenswert. Denken Sie daran, wenn Sie von einem Fonds beschäftigt werden möchten. Ihre Programmierkenntnisse werden so wichtig sein, wenn nicht mehr, als Ihre Statistiken und Ökonometrie Talente Ein weiteres wichtiges Thema, das unter dem Banner der Ausführung fällt, ist die der Transaktionskostenminimierung. Es gibt in der Regel drei Komponenten zu Transaktionskosten: Provisionen (oder Steuern), die die Gebühren sind, die durch das Maklergeschäft, die Börse und die SEC (oder ähnliche Regulierungsbehörde) Schlupf, die der Unterschied zwischen dem, was Sie beabsichtigten Ihre Bestellung zu sein Gefüllt im Vergleich zu dem, was es tatsächlich auf Ausbreitung gefüllt wurde, was der Unterschied zwischen dem Bid fragen Preis des gehandelten Wertes ist. Beachten Sie, dass der Spread nicht konstant ist und von der aktuellen Liquidität (d. H. Verfügbarkeit von Kaufverkaufsaufträgen) abhängig ist. Transaktionskosten können den Unterschied zwischen einer äußerst profitablen Strategie mit einer guten Sharpe-Ratio und einer äußerst unrentablen Strategie mit einer schrecklichen Sharpe-Ratio machen. Es kann eine Herausforderung sein, die Transaktionskosten von einem Backtest korrekt vorherzusagen. Abhängig von der Häufigkeit der Strategie benötigen Sie Zugriff auf historische Daten, die Tick-Daten für Geld-Brief-Preise enthalten werden. Gesamte Teams von Quants werden aus diesen Gründen der Optimierung der Ausführung in den größeren Fonds gewidmet. Betrachten Sie das Szenario, in dem ein Fonds eine beträchtliche Menge von Geschäften (von denen die Gründe dafür vielfältig sind) abzuladen brauchen. Durch das Dumping so viele Aktien auf den Markt, werden sie schnell drücken den Preis und kann nicht erhalten optimale Ausführung. Daher existieren Algorithmen, die Futteraufträge auf den Markt tropfen, obwohl der Fonds das Risiko eines Rutschens ausübt. Darüber hinaus gehen andere Strategien auf diese Notwendigkeiten und können die Ineffizienzen ausbeuten. Dies ist die Domäne der Fondsstruktur Arbitrage. Das letzte Hauptproblem bei Ausführungssystemen betrifft die Divergenz der Strategieperformance von der getesteten Performance. Dies kann aus einer Reihe von Gründen geschehen. Weve bereits diskutiert, Blick nach vorne Bias und Optimierung Bias in der Tiefe, bei der Prüfung Backtests. Einige Strategien machen es jedoch nicht einfach, diese Vorurteile vor der Bereitstellung zu testen. Dies geschieht in HFT überwiegend. Es kann Bugs in der Ausführung System sowie die Trading-Strategie selbst, die nicht angezeigt werden, auf einem Backtest aber DO zeigen sich im Live-Handel. Der Markt könnte unter Umständen einem Regimewechsel nach dem Einsatz Ihrer Strategie unterliegen. Neue regulatorische Rahmenbedingungen, veränderte Investorenstimmung und makroökonomische Phänomene können alle zu Divergenzen in der Marktverfassung und damit zur Rentabilität Ihrer Strategie führen. Risikomanagement Das letzte Stück des quantitativen Handelspuzzles ist der Prozess des Risikomanagements. Das Risiko beinhaltet alle bisherigen Vorurteile, die wir besprochen haben. Es umfasst Technologie-Risiko, wie z. B. Server an der Börse plötzlich eine Festplatte Fehlfunktion an. Es enthält Brokerage-Risiko, wie der Makler Bankrott (nicht so verrückt wie es klingt, angesichts der jüngsten Angst mit MF Global). Kurz gesagt, es deckt fast alles, was möglicherweise die Handelsumsetzung stören könnte, von der es viele Quellen gibt. Ganze Bücher sind dem Risikomanagement für quantitative Strategien gewidmet, so will ich nicht versuchen, auf alle möglichen Quellen des Risikos hier aufzuklären. Das Risikomanagement umfasst auch die so genannte optimale Kapitalallokation. Die ein Zweig der Portfolio-Theorie ist. Dies ist die Mittel, mit denen das Kapital zu einer Reihe von verschiedenen Strategien und den Handel innerhalb dieser Strategien zugeordnet wird. Es ist ein komplexes Gebiet und stützt sich auf einige nicht-triviale Mathematik. Der Industriestandard, nach dem die optimale Kapitalallokation und die Hebelwirkung der Strategien zusammenhängen, wird das Kelly-Kriterium genannt. Da dies ein einleitender Artikel ist, werde ich nicht auf seine Berechnung. Das Kelly-Kriterium macht einige Annahmen über den statistischen Charakter der Renditen, die nicht oft auf den Finanzmärkten gelten, so dass Händler oft konservativ sind, wenn es um die Umsetzung geht. Ein weiterer Schwerpunkt des Risikomanagements liegt im Umgang mit dem eigenen psychologischen Profil. Es gibt viele kognitive Verzerrungen, die in den Handel einschleichen können. Obwohl dies bei algorithmischem Handel zugegebenermaßen weniger problematisch ist, wenn die Strategie allein bleibt. Eine gemeinsame Vorspannung ist diejenige der Verlustaversion, bei der eine Verlustposition aufgrund des Schmerzes, einen Verlust zu realisieren, nicht ausgeschlossen wird. Ebenso können Gewinne zu früh genommen werden, weil die Angst, einen bereits gewonnenen Gewinn zu verlieren, zu groß sein kann. Eine andere gemeinsame Vorspannung wird als Wiederholungsvorspannung bezeichnet. Dies äußert sich, wenn die Händler zu viel Wert auf die jüngsten Ereignisse legen und nicht längerfristig. Dann gibt es natürlich das klassische Paar emotionale Vorurteile - Angst und Gier. Diese können häufig zu Unter - oder Überhebungen führen, was zu einem Blow-up (d. h. dem Konto-Eigenkapital-Überschrift zu null oder schlechter) oder zu reduzierten Gewinnen führen kann. Wie zu sehen ist, ist der quantitative Handel ein äußerst komplexer, wenn auch sehr interessanter Bereich der quantitativen Finanzierung. Ich habe buchstäblich zerkratzt die Oberfläche des Themas in diesem Artikel und es ist schon ziemlich lange Ganze Bücher und Papiere wurden über Themen, die ich habe nur einen Satz oder zwei in Richtung geschrieben. Aus diesem Grund, vor der Anwendung für quantitative Fondshandel Arbeitsplätze, ist es notwendig, eine erhebliche Menge an Grundlagenstudie durchzuführen. Zumindest benötigen Sie einen umfangreichen Hintergrund in Statistik und Ökonometrie, mit viel Erfahrung in der Umsetzung, über eine Programmiersprache wie MATLAB, Python oder R. Für mehr anspruchsvolle Strategien am höheren Frequenz Ende, ist Ihre Fähigkeit gesetzt wahrscheinlich Um Linux Kernel-Modifikation, CC, Assembly-Programmierung und Netzwerk-Latenz-Optimierung. Wenn Sie daran interessiert sind, Ihre eigenen algorithmischen Trading-Strategien zu schaffen, wäre mein erster Vorschlag, um gute Programmierung zu bekommen. Meine Vorliebe ist es, so viel von der Daten-Grabber, Strategie Backtester und Execution-System von sich selbst wie möglich zu bauen. Wenn Ihr eigenes Kapital auf der Linie ist, würden Sie nicht besser schlafen in der Nacht wissen, dass Sie Ihr System vollständig getestet haben und wissen, ihre Fallstricke und besondere Probleme Outsourcing dies zu einem Anbieter, während potenziell Zeitersparnis auf kurze Sicht könnte extrem sein Teuer in der langfristigen. February 24, 2014 5:00 am 0 comments Views: 7642 Quantitative Traderrollen in großen Quant-Fonds werden oft als eine der renommiertesten und lukrativsten Positionen in der quantitativen Finanzen Beschäftigung Landschaft zu sehen. Handelskarrieren in einem 8220parent8221 Fonds werden häufig als Sprungbrett betrachtet, um schließlich erlaubend, einen eigenen Fonds zu bilden, mit einer Anfangskapitalzuteilung vom übergeordneten Arbeitgeber und einer Liste der frühen Investoren, um an Bord mitzunehmen. Der Wettbewerb für quantitative Handelspositionen ist intensiv und damit eine erhebliche Investition von Zeit und Mühe ist notwendig, um eine Karriere in quant trading zu erhalten. In diesem Artikel werde ich skizzieren die gemeinsamen Karrierewege, Routen in das Feld, die erforderlichen Hintergrund und ein Selbststudien-Plan zu helfen, sowohl Einzelhändler und Möchtegern-Profis gewinnen Fähigkeiten im quantitativen Handel. Einstellung Erwartungen Bevor wir uns in die Listen der Lehrbücher und andere Ressourcen, ich werde versuchen, einige Erwartungen über das, was die Rolle beinhaltet. Die quantitative Handelsforschung ist viel stärker mit der wissenschaftlichen Hypothesenprüfung und der akademischen Strenge abgestimmt als die Wahrnehmung von Investmentbankhändlern und der damit verbundenen Bravadoisierung. Es gibt sehr wenig (oder nicht vorhandene) diskretionäre Input bei der Durchführung von quantitativen Handel wie die Prozesse sind fast universell automatisiert. Die wissenschaftliche Methode und Hypothesentests sind hoch geschätzte Prozesse innerhalb der quant Finance-Community und als solche, die in das Feld geben wollen, müssen in der wissenschaftlichen Methodologie ausgebildet worden sein. Dies bedeutet oft, aber nicht ausschließlich, die Ausbildung zur Doktoratsstufe 8211 in der Regel durch eine Promotion oder Absolventenstufe Master in einem quantitativen Bereich. Obwohl man in quantitativen Handel auf professioneller Ebene über alternative Mittel brechen kann, ist es nicht üblich. Die Fähigkeiten eines anspruchsvollen quantitativen Handelsforschers sind vielfältig. Ein umfangreicher Hintergrund in Mathematik. Die Wahrscheinlichkeit und die statistische Erprobung die quantitative Grundlage liefern. Das Verständnis der Komponenten des quantitativen Handels ist von wesentlicher Bedeutung, einschließlich Prognose, Signalerzeugung, Backtesting, Datenbereinigung, Portfolio Management und Ausführungsmethoden. Für die Zeitreihenanalyse, das statistische maschinelle Lernen (einschließlich nichtlinearer Methoden), die Optimierung und die Austauschmarkt-Mikrostruktur sind erweiterte Kenntnisse erforderlich. Gekoppelt mit diesem ist eine gute Kenntnisse der Programmierung, einschließlich, wie man akademische Modelle nehmen und implementieren sie schnell. Dies ist eine bedeutende Lehre und sollte nicht leicht eingegangen werden. Es wird oft gesagt, dass es dauert 5-10 Jahre, um ausreichendes Material zu lernen, um konsequent rentabel zu quantitativen Handel in einem professionellen Unternehmen. Allerdings sind die Belohnungen signifikant. Es ist eine sehr intellektuelle Umgebung mit einer sehr intelligenten Peergruppe. Es bietet kontinuierliche Herausforderungen in einem schnellen Tempo. Es ist extrem gut vergütet und bietet viele Karriere-Optionen, einschließlich der Fähigkeit, ein Unternehmer zu werden, indem Sie Ihren eigenen Fonds nach dem Nachweis einer langfristigen Erfolgsbilanz. Notwendige Hintergrund Es ist üblich, eine Karriere in quantitativen Finanzen (und schließlich quantitative Handelsforschung) während des Studiums auf einem numerate undergraduate degree oder innerhalb einer spezialisierten technischen Doktorarbeit zu betrachten. Allerdings ist die folgende Beratung für diejenigen, die den Übergang in eine quantitative Trading-Karriere von einem anderen, wenn auch mit dem Vorbehalt, dass es etwas länger dauern wird und wird umfangreiche Vernetzung und viel Selbst-Studium. Auf der grundlegendsten Ebene erfordert professionelle quantitative Handelsforschung ein solides Verständnis der mathematischen und statistischen Hypothesen Tests. Die üblichen Verdächtigen des multivariaten Kalküls, der linearen Algebra und der Wahrscheinlichkeitstheorie sind alle erforderlich. Eine gute Klasse in einem Bachelor-Studiengang der Mathematik oder Physik aus einer angesehenen Schule wird in der Regel bieten Ihnen die notwendigen Hintergrund. Wenn Sie keinen Hintergrund in Mathematik oder Physik haben, dann würde ich vorschlagen, dass Sie ein Studium von einer Top-Schule in einem dieser Felder zu verfolgen. Sie konkurrieren mit Einzelpersonen, die solches Wissen haben und so wird es sehr schwierig sein, eine Position an einem Fonds ohne einige definitive akademische Anmeldeinformationen zu gewinnen. Zusätzlich zu einem soliden mathematischen Verständnis ist es notwendig, bei der Implementierung von Modellen durch Computerprogrammierung geschickt zu sein. Die gemeinsamen Entscheidungen der Modellierung Sprachen in diesen Tagen gehören R. Die Open-Source-statistische Sprache Python. Mit seinen umfangreichen Datenanalyse-Bibliotheken oder MatLab. Das Erlernen einer umfassenden Vertrautheit mit einem dieser Pakete ist eine notwendige Voraussetzung, um ein quantitativer Händler zu werden. Wenn Sie einen umfangreichen Hintergrund in der Computerprogrammierung haben, möchten Sie vielleicht erwägen, Einstieg in einen Fonds über die Quantitative Developer Route. Die letzte große Fähigkeit, die von quantitativen Handelsforschern benötigt wird, besteht darin, dass sie in der Lage ist, die neue Forschung objektiv zu interpretieren und dann schnell umzusetzen. Dies ist eine Fähigkeit, die durch Doktorandenausbildung gelernt wird, und einer der Gründe, warum Doktoranden aus Top-Schulen oft die ersten sind, die für quantitative Handelspositionen ausgewählt werden. Eine Promotion in einem der folgenden Bereiche (insbesondere maschinelles Lernen oder Optimieren) ist ein guter Weg in einen anspruchsvollen Quantfonds. Einführender quantitativer Handel Der quantitative Handel hat sich sowohl im professionellen Fondsraum als auch auf der Einzelhandelsstufe in der Popularität explodiert. Es ist, natürlich, das Hauptthema dieser Website I8217ve geschrieben eine ganze Reihe von Artikeln, wie Sie beginnen Einführung quantitativen algorithmischen Handel. Im Folgenden erhalten Sie einen kurzen Überblick über das Feld: Für eine tiefere Einleitung sollten Sie die folgenden Texte vom Hedge-Fonds-Manager Ernie Chan abholen, in denen wesentliche Implementierungsdetails zu quantisierten Handelsstrategien enthalten sind. Sie sind auf dem anspruchsvollen Privatanleger angesiedelt, aber die Handelsmethoden und Risikomanagement-Techniken sind gesund und übernehmen in den professionellen Fondsraum: Wenn Sie mehr Einblick in die Implementierungsdetails von quantisierten Handelsstrategien (insbesondere auf der Retail-Ebene) gewinnen wollen, Werfen Sie einen Blick auf die quant Handel Artikel auf dieser Website. Econometrics Zeitreihenanalyse Grundsätzlich ist die Mehrheit des quantitativen Handels über Zeitreihenanalyse. Hierbei handelt es sich überwiegend um Asset-Preisreihen als Funktion der Zeit, kann aber auch Derivate in irgendeiner Form enthalten. So ist die Zeitreihenanalyse ein wesentliches Thema für den quantitativen Handelsforscher. I8217ve geschrieben, wie man in den Artikel über Top 10 Essential Resources für Learning Financial Econometrics erhalten. Dieser Artikel enthält grundlegende Anleitungen zur Wahrscheinlichkeit und zum Beginn der Programmierung in R, die wir im zweiten Teil dieser Artikelreihe ausführlicher erörtern. Die drei grundlegenden Texte, die ich empfehle, um in der Ökonometrie und Zeitreihenanalyse zu beginnen, sind: Wenn Sie mehr über jedes Buch lesen und wie es Ihnen helfen kann, schlage ich vor, einen Blick an meinem Artikel auf ökonometrischen Betriebsmitteln zu nehmen. Kürzlich stieß ich auf eine fantastische Ressource namens OTexts. Die offene Lehrbücher bietet. Das folgende Buch ist besonders nützlich für die Prognose: Prognose: Grundsätze und Praxis von Hyndman und Athanasopoulos 8211 Dieses kostenlose Buch ist ein ausgezeichneter Weg, um das Lernen über die statistische Prognose über die R-Programmierumgebung zu beginnen. Es umfasst einfache und multivariate Regression, exponentielle Glättung und ARIMA-Techniken sowie erweiterte Prognosemodelle. Das Buch ist ursprünglich auf Business-Commerce-Grad, aber ist ausreichend technisch, um von Interesse für Anfang Quants werden. Mit den Grundlagen der Zeitreihen unter Ihrem Gürtel ist der nächste Schritt zu beginnen Studium der statistischen maschinellen Lerntechniken, die die aktuellen 8220state der art8221 innerhalb quantitative Finanzen sind. Intermediate Statistical Machine Learning Die moderne quantitative Handelsforschung beruht auf umfangreichen statistischen Lerntechniken. Bis vor kurzem war der einzige Ort, um solche Techniken, wie auf quantitative Finanzen angewendet zu lernen, in der Literatur. Zum Glück gibt es bereits etablierte Lehrbücher, die die Kluft zwischen Theorie und Praxis überbrücken. Es ist das nächste logische Follow-on aus Ökonometrie und Zeitreihen-Prognose-Techniken, obwohl es erhebliche Überschneidungen in den beiden Bereichen. Der empfohlene Weg, um das Verständnis des statistischen Maschinenlernens zu beginnen, besteht darin, die folgenden zwei Bücher (mit überlappenden Autoren) zu untersuchen: Eine Einführung in das statistische Lernen: mit Anwendungen in R von James, et al. 8211 Dieser Text bietet eine großartige Einführung in moderne statistische Lerntechniken. Es richtet sich an den Praktiker, anstatt den akademischen Statistiker, so wird von Nutzen für diejenigen, die aus einem finanziellen Hintergrund mit minimalem Maschinelles Lernerfahrung. Es nutzt R für alle seine Beispiele und als solche ist einfach zu implementieren. Es wird empfohlen, dies vor dem Lesen des nachfolgenden Buches zu lesen. Die Elemente des statistischen Lernens: Data Mining, Inference und Prediction von Hastie, et al 8211 Liebevoll bekannt als 8220ESL8221 innerhalb der statistischen Gemeinschaft, ist dieses Buch eine fantastische Folge der kürzlich veröffentlichten 8220ISL8221 oben. Es geht viel tiefer in die Theorie und wird eine solide Grundlage in der statistischen Lernen. Sie können auch eine kostenlose Kopie des Buches von der author8217s Website (statweb. stanford. edu) herunterladen. Ein besonders nützlicher (und kostenloser) Satz von Web-Kursen auf Machine Learning AI werden von Coursera bereitgestellt: Machine Learning von Andrew Ng 8211 Dieser Kurs umfasst die Grundlagen der Methoden habe ich kurz oben erwähnt. Es hat ein hohes Lob von Personen, die teilgenommen haben. Es ist wahrscheinlich am besten beobachtet als ein Begleiter zu lesen ISL oder ESL gegeben oben. Neuronale Netze für Machine Learning von Geoffrey Hinton 8211 Dieser Kurs konzentriert sich in erster Linie Auf neuronale Netze, die eine lange Geschichte der Assoziation mit quantitativen Finanzen haben. Wenn Sie sich speziell auf diesen Bereich konzentrieren wollen, dann ist dieser Kurs einen Blick wert, in Verbindung mit einem soliden Lehrbuch auf dem Gebiet Artikel in der Serie werden wir über die Themen der nicht-linearen maschinellen Lernens, mathematische Optimierung, Austausch Markt Mikrostruktur, Portfolio-Theorie und Computer-Programmierung 8211 alle notwendigen Bereiche der Studie für eine potenzielle quantitative Trading-Forscher. 8212 Von Michael Halls-Moore von QuantStart Build Profitable Handelssysteme