Simple Quant Trading Strategier

Beginner39s guide til kvantitativ handel I denne artikkelen skal jeg introdusere deg til noen av de grunnleggende konseptene som følger med en end-to-end kvantitativ handelssystem. Dette innlegget vil forhåpentligvis tjene to publikum. Den første vil være enkeltpersoner som prøver å skaffe seg en jobb hos et fond som en kvantitativ handelsmann. Den andre vil være personer som ønsker å forsøke å sette opp sin egen algoritmiske handelsvirksomhet. Kvantitativ handel er et ekstremt sofistikert område med kvantfinansiering. Det kan ta betydelig tid å få den nødvendige kunnskapen til å passere et intervju eller konstruere egne handelsstrategier. Ikke bare det, men det krever omfattende programmeringskompetanse, i det minste på et språk som MATLAB, R eller Python. Men ettersom handelsfrekvensen i strategien øker, blir de teknologiske aspektene mye mer relevante. Det er derfor av avgjørende betydning å være kjent med CC. Et kvantitativt handelssystem består av fire hovedkomponenter: Strategi Identifikasjon - Finne en strategi, utnytte en kant og avgjøre handelsfrekvens Strategi Backtesting - Innhenting av data, analyse av strategiytelse og fjerning av forstyrrelser Execution System - Kobling til megling, automatisering av handel og minimering transaksjonskostnader Risikostyring - Optimal kapitalallokering, innsatsstørrelseKjelkriterium og handelspsykologi Nå bør du begynne å se på hvordan du identifiserer en handelsstrategi. Strategi Identifikasjon Alle kvantitative handelsprosesser begynner med en første undersøkelsesperiode. Denne forskningsprosessen omfatter å finne en strategi for å se om strategien passer inn i en portefølje av andre strategier du kan kjøre, oppnå data som er nødvendige for å teste strategien og forsøke å optimalisere strategien for høyere avkastning og lavere risiko. Du må faktor i dine egne kapitalkrav hvis du kjører strategien som en detaljhandler og hvordan eventuelle transaksjonskostnader vil påvirke strategien. I motsetning til populær tro er det faktisk ganske greit å finne lønnsomme strategier gjennom ulike offentlige kilder. Akademikere publiserer regelmessig teoretiske handelsresultater (om enn det meste brutto transaksjonskostnader). Kvantitative finansblogger vil diskutere strategier i detalj. Handelsjournaler vil skissere noen av strategiene som brukes av midler. Du kan spørsmålet hvorfor enkeltpersoner og firmaer er opptatt av å diskutere deres lønnsomme strategier, spesielt når de vet at andre som trenger handel, kan stoppe strategien fra å jobbe på sikt. Årsaken er at de ikke ofte vil diskutere de nøyaktige parametrene og innstillingsmetodene de har utført. Disse optimeringene er nøkkelen til å gjøre en relativt middelmådig strategi til en svært lønnsom. Faktisk er en av de beste måtene å lage dine egne unike strategier, å finne lignende metoder og deretter utføre din egen optimaliseringsprosedyre. Her er en liten liste over steder å begynne å lete etter strategiideer: Mange av strategiene du vil se på, kommer til å falle inn i kategoriene av gjennomsnittlig reversering og trend-etterfølgende moment. En gjennombruddsstrategi er en som forsøker å utnytte det faktum at et langsiktig gjennomsnitt på en prisserie (for eksempel spredningen mellom to korrelerte eiendeler) eksisterer, og at kortsiktige avvik fra dette gjennomsnittet til slutt vil komme tilbake. En momentumstrategi forsøker å utnytte både investorpsykologi og stor fondstruktur ved å ha en tur på en markedstendens, som kan samle fart i en retning, og følge trenden til den reverserer. Et annet enormt viktig aspekt ved kvantitativ handel er hyppigheten av handelsstrategien. Lavfrekvent handel (LFT) refererer generelt til enhver strategi som har eiendeler lenger enn en handelsdag. Tilsvarende refererer høyfrekvent handel (HFT) generelt til en strategi som har eiendeler i dag. Ultrahøyfrekvenshandel (UHFT) refererer til strategier som holder eiendeler i rekkefølgen av sekunder og millisekunder. Som en detaljhandler er HFT og UHFT sikkert mulig, men bare med detaljert kunnskap om handelssteknologi stabelen og ordrebokdynamikken. Vi vil ikke diskutere disse aspektene i stor grad i denne innledende artikkelen. Når en strategi eller et sett av strategier er blitt identifisert, må det nå testes for lønnsomhet på historiske data. Det er domenet til backtesting. Strategi Backtesting Målet med backtesting er å gi bevis på at strategien identifisert via den ovennevnte prosessen er lønnsom når den brukes på både historiske og utestengede data. Dette setter forventningen om hvordan strategien vil utføre i den virkelige verden. Imidlertid er backtesting ikke en garanti for suksess, av ulike årsaker. Det er kanskje det mest subtile området med kvantitativ handel siden det innebærer en rekke forstyrrelser, som må vurderes og elimineres så mye som mulig. Vi vil diskutere de vanlige typene av forstyrrelser, inkludert forutgående forspenning. overlevelsesforstyrrelser og optimaliseringsforstyrrelser (også kjent som data-snooping bias). Andre områder av betydning innen backtesting inkluderer tilgjengelighet og renslighet av historiske data, factoring i realistiske transaksjonskostnader og avgjørelse om en robust backtesting-plattform. Tenk godt om transaksjonskostnadene ytterligere i delen Execution Systems nedenfor. Når en strategi er identifisert, er det nødvendig å skaffe seg de historiske dataene gjennom hvilke å ​​utføre testing og, kanskje, raffinement. Det er et betydelig antall datalagere på tvers av alle aktivaklasser. Deres kostnader er generelt i samsvar med kvaliteten, dybden og aktualiteten til dataene. Det tradisjonelle utgangspunktet for begynnende kvanthandlere (minst på detaljnivå) er å bruke det frie datasettet fra Yahoo Finance. Jeg vil ikke bo på leverandører for mye her, men jeg vil helst konsentrere meg om de generelle problemene når det gjelder historiske datasett. De viktigste bekymringene med historiske data inkluderer nøyaktighet, overlevelsesforstyrrelser og justering for bedriftsaksjoner som utbytte og aksjesplittelser. Nøyaktigheten gjelder dataens generelle kvalitet - om den inneholder feil. Feil kan noen ganger være lett å identifisere, for eksempel med et spikefilter. som vil plukke ut feil pigger i tidsseriedata og korrigere for dem. Andre ganger kan de være svært vanskelig å få øye på. Det er ofte nødvendig å ha to eller flere leverandører og deretter sjekke alle dataene sine mot hverandre. Overlevelsesforstyrrelser er ofte en funksjon av gratis eller billige datasett. Et datasett med overlevelsesforstyrrelser betyr at det ikke inneholder eiendeler som ikke lenger handler. For aksjer betyr dette delistedbankrupt aksjer. Denne bias betyr at enhver aksjehandelsstrategi som er testet på et datasett, sannsynligvis vil fungere bedre enn i den virkelige verden som de historiske vinnerne allerede er forhåndsvalgt. Virksomhetsaksjoner omfatter logistiske aktiviteter utført av selskapet som vanligvis medfører en trinnfunksjon endring i råprisen, som ikke skal inkluderes i beregningen av prisavkastningen. Justeringer for utbytte og aksjeklover er de vanlige synderne. En prosess kjent som tilbakestilling er nødvendig for å bli utført ved hver av disse handlingene. Man må være veldig forsiktig for ikke å forvirre en aksjesplitt med en ekte avkastningsjustering. Mange næringsdrivende har blitt fanget ut av en bedriftsaksjon For å kunne utføre en backtest-prosedyre, er det nødvendig å bruke en programvareplattform. Du har valget mellom dedikert backtest-programvare, for eksempel Tradestation, en numerisk plattform som Excel eller MATLAB eller en full tilpasset implementering i et programmeringsspråk som Python eller C. Jeg vil ikke bo for mye på Tradestation (eller lignende), Excel eller MATLAB, som jeg tror på å skape en full innebygd teknologi-stabell (av årsaker som er skissert nedenfor). En av fordelene ved å gjøre det er at backtestprogramvaren og eksekveringssystemet kan være tett integrert, selv med ekstremt avanserte statistiske strategier. For spesielt HFT-strategier er det viktig å bruke en tilpasset implementering. Ved backtesting av et system må man kunne kvantifisere hvor godt det utfører. Bransjestandardene for kvantitative strategier er maksimal drawdown og Sharpe Ratio. Maksimal drawdown karakteriserer den største topp-til-gjennom-dråpen i konto egenkapitalkurven over en bestemt tidsperiode (vanligvis årlig). Dette er oftest sitert som en prosentandel. LFT strategier vil ha en tendens til å ha større drawdowns enn HFT strategier, på grunn av en rekke statistiske faktorer. En historisk backtest viser den siste maksimale drawdownen, noe som er en god guide til strategiens fremtidige drawdown-ytelse. Den andre måling er Sharpe-forholdet, som er heuristisk definert som gjennomsnittet av meravkastningen dividert med standardavviket for disse meravkastningene. Her refererer meravkastning til strategiens avkastning over et forhåndsbestemt referanseindeks. slik som SP500 eller en 3-måneders statsskatt. Merk at årlig avkastning ikke er et mål som vanligvis benyttes, da det ikke tar hensyn til strategiens volatilitet (i motsetning til Sharpe-forholdet). Når en strategi er blitt testet og anses å være fri for biases (så mye som det er mulig), med en god Sharpe og minimerte drawdowns, er det på tide å bygge et eksekveringssystem. Eksekveringssystemer Et eksekveringssystem er det middel som gjør at listen over transaksjoner generert av strategien sendes og utføres av megleren. Til tross for at handelsgenerasjonen kan være halv - eller til og med fullt automatisert, kan utførelsesmekanismen være manuell, semi-manuell (dvs. ett klikk) eller fullt automatisert. For LFT-strategier er manuelle og semi-manuelle teknikker vanlige. For HFT-strategier er det nødvendig å skape en fullautomatisk utførelsesmekanisme, som ofte vil være tett kombinert med handelsgeneratoren (på grunn av sammenheng mellom strategi og teknologi). Nøkkelhensynene ved opprettelse av et kjøresystem er grensesnittet til megling. minimering av transaksjonskostnader (inkludert provisjon, slipp og spredning) og divergens av ytelsen til live-systemet fra tilbakeprøvd ytelse. Det er mange måter å grensesnitt til en megling. De spenner fra å ringe opp megleren på telefonen helt til et fullt automatisert applikasjonsprogrammeringsgrensesnitt (API) med høy ytelse. Ideelt sett vil du automatisere utførelsen av handler så mye som mulig. Dette frigjør deg for å konsentrere seg om ytterligere forskning, samt tillate deg å kjøre flere strategier eller til og med strategier med høyere frekvens (faktisk er HFT i det vesentlige umulig uten automatisk utførelse). Den vanlige backtestingsprogrammet som er skissert ovenfor, som MATLAB, Excel og Tradestation, er bra for lavere frekvens, enklere strategier. Imidlertid vil det være nødvendig å konstruere et internt kjøringssystem skrevet i et høypresterende språk som C for å gjøre noen ekte HFT. Som en anekdote, i fondet jeg pleide å være ansatt hos, hadde vi en 10 minutters handelsløkke hvor vi ville laste ned nye markedsdata hvert 10. minutt og deretter utføre handler basert på denne informasjonen i samme tidsramme. Dette brukte et optimert Python-skript. For noe som nærmer seg mini - eller andrefrekvensdata, tror jeg at CC ville være mer ideell. I et større fond er det ofte ikke domenet til quant trader for å optimalisere utførelsen. Men i mindre butikker eller HFT-firmaer, er handelsfolk BE eksekutorene, og så er en mye bredere ferdighet ofte ønskelig. Vær oppmerksom på om du ønsker å være ansatt i et fond. Programmeringsevnen din vil være like viktig, om ikke mer, enn statistikken din og økonometriske talenter. Et annet stort problem som faller under banneret til utførelse, er at transaksjonskostnadsminimering. Det er generelt tre komponenter til transaksjonskostnader: Provisjoner (eller skatt), som er gebyrene som belastes av megling, bytte og SEC (eller lignende statlig tilsynsorgan) slippage, som er forskjellen mellom hva du tenkte at bestillingen din skulle være fylt på versus hva det faktisk var fylt på spredning, som er forskjellen mellom budprisen på sikkerheten som handles. Vær oppmerksom på at spredningen ikke er konstant og er avhengig av den nåværende likviditeten (dvs. tilgjengeligheten av kjøpsordre) i markedet. Transaksjonskostnader kan gjøre forskjellen mellom en ekstremt lønnsom strategi med et godt Sharpe-forhold og en ekstremt ulønnsom strategi med et forferdelig Sharpe-forhold. Det kan være en utfordring å korrekt forutsi transaksjonskostnader fra en backtest. Avhengig av frekvensen av strategien, trenger du tilgang til historiske utvekslingsdata, som vil inneholde kryssdata for budsjettpriser. Hele teamet av quants er dedikert til optimalisering av gjennomføring i de større fondene, av disse årsakene. Tenk på scenariet der et fond må avlaste en betydelig mengde handler (hvorav grunnene til å gjøre det er mange og varierte). Ved å dumpe så mange aksjer på markedet, vil de raskt redusere prisen og kan ikke få optimal utførelse. Derfor eksisterer algoritmer som drikker foderordrer på markedet, selv om fondet løper risikoen for glidning. Videre utfordrer andre strategier disse nødvendighetene og kan utnytte ineffektiviteten. Dette er domenet i fondsstrukturarbitrage. Det endelige hovedproblemet for eksekveringssystemer gjelder divergens av strategiytelse fra tilbakeprøvd ytelse. Dette kan skje av flere grunner. Weve har allerede diskutert fremtidsforstyrrelser og optimaliseringskonsekvenser i dybden, når vi vurderer backtests. Noen strategier gjør det imidlertid ikke enkelt å teste for disse biases før distribusjon. Dette skjer i HFT mest overveiende. Det kan være feil i kjøringssystemet, så vel som handelsstrategien selv som ikke vises på en backtest, men viser seg i live trading. Markedet kan ha vært gjenstand for en regimeendring etter utplasseringen av strategien din. Nye reguleringsmiljøer, endring av investorens følelser og makroøkonomiske fenomener kan alle føre til avvik i hvordan markedet oppfører seg og dermed lønnsomheten i strategien din. Risikostyring Det endelige stykket til det kvantitative handelsspillet er prosessen med risikostyring. Risiko inkluderer alle de tidligere forutsetningene vi har diskutert. Det inkluderer teknologi risiko, for eksempel servere samlokalisert på utveksling plutselig utvikle en feil på harddisken. Det inkluderer meglerisiko, slik som megleren blir konkurs (ikke så gal som det høres, gitt den siste skremme med MF Global). Kort sagt dekker det nesten alt som muligens kunne forstyrre handelsimplementasjonen, hvorav det er mange kilder. Hele bøkene er viet til risikostyring for kvantitative strategier, så jeg vil ikke forsøke å belyse alle mulige risikokilder her. Risikostyring omfatter også det som kalles optimal kapitalallokering. som er en gren av portefølje teori. Dette er måten som kapital er allokert til et sett av forskjellige strategier og til handler innenfor disse strategiene. Det er et komplekst område og er avhengig av noen ikke-trivial matematikk. Industristandarden med hvilken optimal kapitalfordeling og innflytelse av strategiene er relatert kalles Kelly-kriteriet. Siden dette er en innledende artikkel, vil jeg ikke bo på beregningen. Kelly-kriteriet gir noen antagelser om den statistiske karakteren av avkastningen, som ikke ofte holder fast i finansmarkedet, slik at handelsmenn ofte er konservative når det gjelder implementeringen. En annen viktig del av risikostyringen er å håndtere en egen psykologisk profil. Det er mange kognitive forstyrrelser som kan krype inn i handel. Selv om dette er riktignok mindre problematisk med algoritmisk handel hvis strategien er igjen. En felles bias er at tap aversjon hvor en tapende stilling ikke vil bli stengt ut på grunn av smerten ved å måtte innse et tap. På samme måte kan fortjeneste bli tatt for tidlig fordi frykten for å miste en allerede oppnådd fortjeneste kan være for stor. En annen vanlig bias er kjent som nyhetsforspenning. Dette manifesterer seg når handelsmenn legger for mye vekt på nylige hendelser og ikke på lengre sikt. Så er det selvfølgelig det klassiske paret av følelsesmessige forstyrrelser - frykt og grådighet. Disse kan ofte føre til under - eller overbelastning, noe som kan føre til oppblåsing (dvs. kontoenes egenkapitaloverskrift til null eller verre) eller redusert fortjeneste. Som det kan ses, er kvantitativ handel et ekstremt komplekst, men svært interessant, område med kvantitativ finans. Jeg har bokstavelig talt klargjort overflaten av emnet i denne artikkelen, og det blir allerede ganske lenge. Hele bøker og papirer er skrevet om problemer som jeg bare har gitt en setning eller to mot. Av den grunn er det nødvendig å utføre en betydelig mengde grunnarbeidstudie før søknad om kvantitative fondhandelsjobber. I det minste vil du trenge en omfattende bakgrunn i statistikk og økonometri, med stor erfaring i implementering, via et programmeringsspråk som MATLAB, Python eller R. For mer sofistikerte strategier ved høyere frekvensenden er ditt ferdighetssett sannsynlig å inkludere Linux kjerne modifikasjon, CC, montering programmering og nettverk latens optimalisering. Hvis du er interessert i å prøve å lage dine egne algoritmiske handelsstrategier, vil mitt første forslag være å bli god til programmering. Min preferanse er å bygge så mye av data grabber, strategi backtester og kjøresystem av deg selv som mulig. Hvis din egen hovedstad er på linjen, ville du ikke sove bedre om natten og vite at du har testet systemet fullt ut og er klar over fallgruvene og bestemte problemstillinger. Outsourcing dette til en leverandør, mens potensielt spare tid på kort sikt, kan være ekstremt dyrt på lang sikt. Bare Komme i gang med kvantitativ TradingQuantitative Trading Hva er kvantitativ handel Kvantitativ handel består av handelsstrategier basert på kvantitativ analyse. som er avhengige av matematiske beregninger og nummerkrepping for å identifisere handelsmuligheter. Som kvantitativ handel er generelt brukt av finansinstitusjoner og hedgefond. Transaksjonene er vanligvis store i størrelse og kan innebære kjøp og salg av hundre tusen aksjer og andre verdipapirer. Imidlertid blir kvantitativ handel mer vanlig brukt av individuelle investorer. BREAKING DOWN Kvantitativ handel Pris og volum er to av de vanligste datainngangene som brukes i kvantitativ analyse som hovedinngangene til matematiske modeller. Kvantitative handelsmetoder inkluderer høyfrekvent handel. algoritmisk handel og statistisk arbitrage. Disse teknikkene er hurtigbrann og har vanligvis kortsiktige investeringshorisonter. Mange kvantitative handelsfolk er mer kjent med kvantitative verktøy, for eksempel bevegelige gjennomsnitt og oscillatorer. Forstå kvantitativ handel Kvantitative handelsfolk utnytter moderne teknologi, matematikk og tilgjengeligheten av omfattende databaser for å gjøre rasjonelle handelsbeslutninger. Kvantitative handelsfolk tar en handelsteknikk og lager en modell av det ved hjelp av matematikk, og deretter utvikler de et dataprogram som bruker modellen til historiske markedsdata. Modellen blir deretter testet og optimalisert. Dersom gunstige resultater oppnås, implementeres systemet i sanntidsmarkeder med reell kapital. Måten kvantitative handelsmodeller fungerer best kan beskrives ved hjelp av en analogi. Tenk på en værmelding der meteorologen regner med en 90 sjanse for regn mens solen skinner. Meteorologen oppnår denne motstridende konklusjonen ved å samle og analysere klimadata fra sensorer over hele området. En datastyrt kvantitativ analyse avslører spesifikke mønstre i dataene. Når disse mønstrene blir sammenlignet med de samme mønstrene som er avslørt i historiske klima data (backtesting), og 90 av 100 ganger resultatet er regn, kan meteorologen trekke konklusjonen med tillit, derved 90-prognosen. Kvantitative handelsfolk bruker samme prosess til finansmarkedet for å foreta handelsbeslutninger. Fordeler og ulemper med kvantitativ handel Målet med handel er å beregne den optimale sannsynligheten for å utføre en lønnsom handel. En typisk handelsmann kan effektivt overvåke, analysere og foreta handelsbeslutninger på et begrenset antall verdipapirer før mengden av innkommende data overstyrer beslutningsprosessen. Bruken av kvantitative trading teknikker belyser denne grensen ved hjelp av datamaskiner for å automatisere overvåking, analyse og handelsbeslutninger. Overvinne følelser er en av de mest gjennomgripende problemene med handel. Det er frykt eller grådighet, når handel, følelser tjener bare å kvele rasjonell tenkning, som vanligvis fører til tap. Datamaskiner og matematikk har ikke følelser, så kvantitativ handel eliminerer dette problemet. Kvantitativ handel har problemer. Finansmarkedene er noen av de mest dynamiske enhetene som eksisterer. Derfor må kvantitative handelsmodeller være like dynamiske for å være konsekvent vellykket. Mange kvantitative handelsmenn utvikler modeller som er midlertidig lønnsomme for markedstilstanden som de ble utviklet for, men i siste instans mislykkes det når markedsforholdene endres. Reklame av en tidlig versjon av bokmeldingen Dette er en velskrevet bok for spesialisten, matematikeren, og noen med en empirisk tilnærming til markedene. Jeg vil absolutt anbefale det til begynnelsessystemhandleren, begynnelsen av en svart bokhandel, eller noen som er interessert i å handle med en strukturert matematisk strategi. sitat Anne-Marie Baiynd, forfatter The Trading Book Quote En av de grunnleggende prinsippene for handel er at enkelte hendelser forårsaker forutsigbare prisreaksjoner. I mange tilfeller reagerer relaterte markeder på samme måte. Stefan og Richard Hollos har skrevet en ekstremt klar bok om hvordan man identifiserer og fortjener disse trekkene. Selv om dette ikke kommer til å gi oss det perfekte systemet, gir det oss verktøy og forståelse for at enhver seriøs handelsmann burde ha. Det vil få deg til å se på markeder annerledes. Det er en rask lesing og jeg anbefaler det. sitat Perry Kaufman, forfatter New Trading Systems and Methods Tilbake til Abrazol Simple Trading Strategies That Work Listepris: 29.95 Format: ebook Kindlepdf, 177 sider ISBN: print 9781887187206, ebook 97818871877039 Publiseringsdato: Sep 2011 Tror du at det er mønstre i den finansielle Markeder som kan utnyttes av Hva hvis du kunne se mønstre på finansmarkedene at mindre enn 1 av 1000-dagers handelsmenn var klar over Ill, aldri glemme første gang jeg (Richard) mistet betydelige penger i handel. Det var tidlig i 2010, og jeg kjøpte TLT etter at det hadde tatt en betydelig oppgang. Etter at jeg kjøpte den, begynte den å avta nesten daglig for neste måned. Når smerten var mer enn jeg kunne bære, solgte jeg den, låsing i det som var for meg var et stort tap. Å ha på seg, ikke lenge etter at jeg solgte den, reverserte TLT kurs og begynte å stige. Hvorfor kjøpte jeg TLT da jeg gjorde det? Det var på grunn av bestemte ting jeg så i diagrammene, og noen makroøkonomiske hensyn jeg hadde i tankene mine. Jeg var veldig feil. Vår bakgrunn er fysikk, og fysikere liker å forstå hva som foregår under hetten når de ser på et system som utvikler seg. For ting som aksjemarkedet og obligasjoner, ser økonomien ut til å være et utgangspunkt. Men dette er ofte bare sant i det lange løp, og som Keynes sa, i det lange løp var alle døde. For å hindre at TLT-fiaskoen skjer igjen, bestemte vi oss for å svare på spørsmålet: Er det en systematisk måte å tjene på de finansielle markedene ved hjelp av en algoritme, slik at datamaskinen forteller oss når du skal kjøpe og selge. Det vil i det minste lindre noe av den følelsesmessige byrden, og kanskje til og med produsere profitt også. Dette er vår motivasjon, fjern følelser og skjønn fra handel, samtidig som det er lønnsomt. Tilnærmingen vi har tatt i denne søken er et søk etter mønstre. For fleksibilitet og anvendelighet ønsket vi å holde våre forutsetninger til et minimum: Det er enkle modeller som kan brukes til å beskrive oppførselen til finansmarkedene. Modellene har statistiske mønstre knyttet til dem som kan utnyttes. Mønstrene kan endres over tid, men det er handelsstrategier som kan tilpasse seg endringene. Enkle handelsstrategier Det arbeidet er ikke for alle. Her er 5 grunner til at du kan bestemme deg for ikke å kjøpe denne boken: Du tror ikke det er mønstre i finansmarkedene som kan brukes til å handle profittabelt. Du liker ikke å tenke kvantitativt, og du vet ikke noe om programmering (programmering er nyttig for å gå utover de enkleste strategiene). Du vil fortsette å miste penger som de fleste andre handelsmenn. Du er glad for å løpe med flokken og gjøre hva alle andre gjør. Du tror bare de store bankene kan tjene penger på handel. Her er hva Perry Kaufman, forfatter av New Trading Systems and Methods har sagt om en tidligere versjon av Simple Trading Strategies That Work: En av de grunnleggende handelsprinsippene er at enkelte hendelser forårsaker forutsigbare prisreaksjoner. I mange tilfeller reagerer relaterte markeder på samme måte. Stefan og Richard Hollos har skrevet en ekstremt klar bok om hvordan man identifiserer og fortjener disse trekkene. Selv om dette ikke kommer til å gi oss det perfekte systemet, gir det oss verktøy og forståelse for at enhver seriøs handelsmann burde ha. Det vil få deg til å se på markeder annerledes. Det er en rask lesing og jeg anbefaler det. I denne 177-siders boken avslører vi: Den enkle strategien som førte til denne fortjenesten plottet (rødt er fortjeneste, blå er prisen): De to grunnleggende handelsstrategiene, hvorav en er vellykket hver dag. En positiv forventningsstrategi hvis eneste antagelse er at det er en bias (trend). Enten det er opp eller ned, betyr det ingenting. To forskjellige måter å modellere en bytteforspenning på (en trendendringsretning). Hvordan bruke korrelasjon for å forbedre enkle strategier. En intuitiv forklaring på Markov-modellene. Simple Trading Strategies At Work er ikke bare teori. Vi tester kjøre den på 4 ETFer. Det er 24 figurer og 6 tabeller, som viser resultatene av strategiene, og sammenligner dem. I motsetning til andre strategier du kanskje har lest om, krever strategiene som er avslørt i denne eBoken ikke store mengder historisk data, og kan implementeres på en hvilken som helst skala. De sier at for å løse et vanskelig problem, noen ganger er alt du trenger, en endring i perspektivet. Denne eBok gir en oversikt over økonomiske data du ikke finner noe annet sted, og enkle strategier basert på denne visningen for å komme deg i riktig retning. Du kan få denne eBok nå på Amazon som en Kindle eBok. Du kan også få denne eBoken umiddelbart som en pdf fra Gumroad. Om forfatterne: Stefan Hollos og J. Richard Hollos er fysikere ved trening, og liker å finne mønstre og informasjon i data. De er forfatterne av sannsynlighetsproblemer og løsninger. Kombineringsproblemer og løsninger. The Coin Toss: Sannsynligheter og mønstre. og Bet Smart: The Kelly System for Gambling og Investering. og er brødre og samarbeidspartnere på Exstrom Laboratories LLC i Longmont, Colorado. Nettstedet for deres kvantitative finansrelaterte arbeid er QuantWolf. De er interessert i alt relatert til beregning av sannsynligheter (odds). Innholdsfortegnelse Ansvarsfraskrivelse Forord Del I Strategier Kapittel 1 Introduksjon Kapittel 2 Binær tilfeldig prosess Kapittel 3 BSP og BOP-strategi Kapittel 4 BSP-amp BOP-strategi Eksempler Kapittel 5 BSP-XY og BOP-XY Strategi Kapittel 6 BSP-XY amp BOP-XY Eksempler Kapittel 7 XY-strategisk bytte Kapittel 8 XY-bytteeksempler Kapittel 9 Pris Markov Modell Kapittel 10 Pris Markov Model Eksempler Kapittel 11 Prisforsterker Volum Markov Modell Kapittel 12 Prisforsterkning Volume Markov Eksempler Kapittel 13 Konklusjon 13.1 Eksempel Sammendrag 13.2 Periodens Utgaver Kapittel 14 Går Ytterligere Del II Modeller Kapittel 15 Enkeltmønstermodell 15.1 Tilfeldige variabler 15.2 Veddemål på modellen 15.2.1 Kjente bias 15.2.2 Ukjent Bias BSP Strategi Majoritetsregelstrategi Kapittel 16 2-Myntmodell 16.1 Veddemål på en måte å unngå prosedyre 16.2 Veddemål på en gjennomsnittsprosess 16.3 Generell analyse av tomyntmodellen Kapittel 17 3-Myntmodell Tillegg En gjennomgang av diskret sannsynlighet Tillegg B Cayley-Hamilton-setningen Send kommentarer til: Rich ard Hollos (richardATexstrom DOT com) Copyright 2011-2014 av Exstrom Laboratories LLCA Enkel Dag Trading Strategy Arbeide med handelsfolk rundt om i verden I8217ve la merke til et vanlig tema. Daghandlere gjør handel altfor komplisert De plotter dusinvis av indikatorer på deres handelsskjermer og mislykkes da i å inngå handler med tillit. I denne artikkelen vil du lære å ha tillit til dine handelsbeslutninger ved å bruke en enkel dagshandelsstrategi som bare er avhengig av to indikatorer. Hva er de beste markedene for denne handelsstrategien Denne strategien er en enkel trend som følger strategi som skal fungere i ethvert marked, men som en daghandler foretrekker jeg å handle med futures. På Rockwell Trading handler vi denne strategien live i våre Live Trading-rom på følgende markeder: E-mini SampP E-mini Dow E-mini SampP MidCap FX Euro 30-årige T-obligasjoner Slik setter du opp kartleggingsprogramvaren Når du velger en tidsramme, foretrekker vi tick diagrammer for denne strategien. Hvis du ikke er kjent med tick-diagrammer, fullfører en kryssboks etter et bestemt antall handler, i stedet for en tidsramme som en 5 eller 15 minutters bar. Som et eksempel bruker jeg et 4500 tick diagram for E-mini SampP. Dette betyr at en bar eller et stearinlys er plottet hver 4.500 handler. En bar kan ta 2 til 5 minutter å fullføre, men den faktiske tiden det tar å fullføre, gjør virkelig ikke noe. Alt som teller er hvor mange handler som er utført i markedet. Fordelen med å bruke tippediagrammer er at antall stenger vil øke og redusere avhengig av volatilitet. Når markedene beveger seg og det er flere handler, vil du ha flere barer. Hvis markedene er stille vil du ha færre barer. Eksempelvis vil en innstilling på 4500 handler for E-mini SampP produsere mellom 7 og 10 barer i løpet av 17 timer over natten (16:30 EST og 9:30 EST) siden E-mini SampP ikke er handles aktivt i løpet av denne tiden. I de to første timene med aktiv handel (mellom kl. 9.30 og 11.30 EST) kan du imidlertid forvente mellom 16 og 24 barer, avhengig av dagens handelsaktivitet. Tick-diagrammer fjerner tidsfaktoren fra diagrammer og legger til volum og volatilitet i barene dine. Gi det et forsøk, og you8217ll finner sannsynligvis at tick-diagrammer er en enklere måte å se intradagbevegelser i markedene du handler. Merk . Vi oppdaterer kryssinnstillinger for markedene vi følger 2-3 ganger per år, siden volatiliteten i markedene kan endres. Det neste trinnet er å legge til den populære MACD-indikatoren i diagrammet. Bare bruk standardinnstillingene: 26 for det langsomme glidende gjennomsnittet 12 for det raskt bevegelige gjennomsnittet og 9 for det bevegelige gjennomsnittet for MACD 8211 8220signal line8221 Jeg bruker MACD til å identifisere retningen til markedet, men jeg bruker den med En liten vri: Markedet er i en uptrend hvis MACD er over sin signallinje og over nulllinjen. Markedet er i en downtrend hvis MACD er under signallinjen og under nulllinjen. Kartleggingsprogramvaren lar meg fargelegge barene basert på bestemte kriterier, og derfor farger jeg barene i en opptrinn (i henhold til definisjonen ovenfor) grønt og stolpene i en nedtrend rød. For å unngå å bli whipsawed i et sidelengs marked og å bare få sterke trender, legger vi til en andre indikator: Bollinger Bands. Vi bruker følgende innstillinger: 12 for glidende gjennomsnitt 2 for standardavviket Du finner intraday trading muligheter hele dagen lang 8212 med TradingMarkets Live Screener med sanntids oppdateringer på 20 populære pris - og tekniske indikatorer 8230 Klikk her for å lære hvordan. Vi bruker Bollinger Bands for å bestemme vårt inngangssignal: Skriv inn LONG med en stoppordre til verdien av Upper Bollinger Band hvis markedet er i en opptrend (se definisjon ovenfor). Hvis du ikke er fylt, må du justere stoppordren din for å gjenspeile Upper Bollinger Band-verdien så lenge vi forblir i en uptrend. Skriv inn SHORT med en stoppordre til verdien av Lower Bollinger Band hvis markedet er i en downtrend (se definisjonen ovenfor). Hvis du ikke er fylt, må du justere stoppordre for å reflektere Lower Bollinger Band så lenge vi forblir i en downtrend. Ved å bruke stoppordrer vil vi bare bli utløst hvis prisen skyver gjennom Bollinger Band, som kan signalere en videreføring av trenden. Du vil se at disse enkle reglene gir deg mulighet til å fange en sterk trend, og at bruken av Bollinger Bands vil hjelpe deg med å unngå mange 8220false signaler8221. I vår enkle handelsstrategi bruker vi volatilitetsbaserte utganger. Målet vårt er å imøtekomme ulike markedsforhold ved å bruke større stopp og overskuddsmål i et volatilt marked, mens vi bruker mindre stopp og overskuddsmål i et rolig marked. Vi måler volatiliteten til et marked ved hjelp av gjennomsnittlig daglig rekkevidde (ADR). For å beregne ADR måler vi avstanden mellom Daily High og Daily Low. og bygge et gjennomsnitt over de siste syv dagene: I diagrammet nedenfor kan du se at det daglige området 25. mars 2009 i e-mini SampP var 36 poeng. Du beregner bare dette området i løpet av de siste 7 dagene og får gjennomsnittlig daglig rekkevidde (ADR). Vi bruker denne ADR til å beregne vårt stopptap og fortjeneste mål: Stop Loss ADR 0.10 Profit Target ADR 0.15 Som du ser, bruker vi 10 av gjennomsnittlig daglig rekkevidde som et stopp og 15 av ADR som et fortjenestemål. Jeg anbefaler på det sterkeste å bruke et overskuddsmål for å ta fortjeneste og komme seg ut av en handel før den blir mot deg. I tillegg til vår fortjeneste mål og stoppe tap, vil vi stenge en handel hvis en bar fullfører og vi ser en MACD crossover. Hvis vi er lange og MACD krysser tilbake under signallinjen, eller kort og MACD krysser tilbake over signallinjen, vil vi lukke handelen for å gå ut av en posisjon dersom trenden reverserer. Denne strategien er en Simple Day Trading Strategy that8217s lett å forstå og utføre. Test det ut, og du vil bli overrasket over hvor robust det er. Når du er kjent med de grunnleggende reglene, bør du vurdere å inkorporere dine personlige handelspreferanser som å skalere inn og ut av en stilling, ved hjelp av bakstopp eller andre filtre du er komfortabel med. Alt det beste i din handel.