List Of Kvantitative Trading Strategier

Top Quantitative Hedge Funds Nye Hedge Funds blir etablert på daglig basis (og ofte synes det, shuttered like raskt). Imidlertid er det flere prominente Quant Hedge Funds som har hatt en betydelig track record, og mens lang levetid ikke er garanti for fremtidig oppholdskraft, anses disse selskapene som ledere i Quant Hedge Fund-plassen: DE Shaw Quantitative Management Associates To Sigma Renaissance Technologies AlphaSimplex Gruppe Capula AQR Capital PanAgora Acadian Asset Management Denne listen er ikke på noen måte uttømmende. For eksempel har mange multi-strategi hedgefond, mens de ikke vanligvis er kjent som Quant Hedge Funds, betydelige kvantitative strategier som de kjører som en del av plattformen deres. Overvei Highbridge Capital Management, en 29B diversifisert investeringsplattform bestående av hedgefond, tradisjonelle investeringsstyringsprodukter og kreditt - og aksjeinvesteringer med langsiktige holdingsperioder. Blant andre strategier tilbyr Highbridge Convertible Bond Arbitrage og Statistical Arbitrage Funds, som vanligvis anses som mer kvantitative strategier enn noen av deres andre produkttilbud, som inkluderer kreditt og globale makroinvesteringer. Vær også oppmerksom på at andre selskaper enn Hedge Funds driver kvantitative handelsstrategier. Mange store banker gjør, via proprietære handelsavdelinger. Men med implementeringen av Volcker-regelen. bankene er begrenset i de typer investeringsaktivitetene de kan engasjere seg i. Som et resultat har mange kvant trading strategier flyttet og sannsynligvis vil fortsette å bevege seg fra interne handelsdisker i bankene til banker forvaltningsarbeiderarmer. (MERK: All informasjon er hentet fra selskapets nettsider, med mindre annet er angitt.) Grunnlagt: 1988 Basert: New York City AnsatteSize: 1.100 tilnærmet 26 milliarder kroner i investeringskapital (per 1. mars 2012) Beskrivelse: Firmaet har en betydelig tilstedeværelse hos mange av verdens8217s kapitalmarkeder, investerer i et bredt spekter av selskaper og finansielle instrumenter innenfor både de store industrialiserte landene og en rekke fremvoksende markeder. Dens aktiviteter spenner fra distribusjon av investeringsstrategier basert på enten matematiske modeller eller menneskelig kompetanse til kjøp av eksisterende selskaper og finansiering eller utvikling av nye. Strategier: Firm8217s kvantitative strategier er for det meste basert på: bruk av matematiske teknikker for å identifisere profittmuligheter som oppstår fra subtile anomalier som påvirker prisene på ulike verdipapirer ved bruk av proprietære modeller designet for å måle og kontrollere ulike former for risiko bruk av kvantitative teknikker for å minimere transaksjonskostnadene knyttet til kjøp og salg av verdipapirer og utnyttelse av proprietær optimaliseringsteknologi for å konstruere dynamisk utviklende investeringsporteføljer basert på disse gevinstmulighetene, risikofaktorene og transaksjonskostnadene. I løpet av å identifisere profittmuligheter analyserer D. E. Shaw-gruppen en enorm mengde data knyttet til titusenvis av finansielle instrumenter, sammen med ulike faktorer som ikke er knyttet til et slikt instrument. Data er hentet fra mange land over hele verden, og dekker et bredt spekter av aktivaklasser. Når denne analyseprosessen gir en ny modell, vurderer firmaet å være av forutsigbar verdi, blir det kvalifisert for distribusjon innenfor en eller flere handelsstrategier, i noen tilfeller sammen med et dusin eller flere andre modeller som involverer noen av de samme finansielle instrumenter, men som oppstår fra ulike markedsmisforhold. Firmagruppens optimaliseringsteknologi firm8217 er utformet med sikte på å maksimere forventet avkastning samtidig som man kontrollerer den samlede risikoen knyttet til en portefølje som i noen tilfeller kan omfatte samtidige stillinger i flere tusen verdipapirer. I stedet for å vurdere hver transaksjon i isolasjon, er firm8217s porteføljeoptimaliseringsprogramvare utformet for å ta hensyn til komplekse sammenhenger mellom et stort sett av finansielle instrumenter som kan variere over en rekke ulike aktivaklasser. I mange tilfeller er firm8217s optimaliseringsalgoritmer i stand til å forbedre risikoreduserte avkastninger, ikke bare gjennom konvensjonell diversifisering, men ved å etablere motsetningsrisiko mot ulike risikofaktorer på porteføljenivå. Porteføljer gjenopprettes ofte på en mer eller mindre kontinuerlig basis, med en jevn strøm av handler som utføres for å utnytte nye potensielle gevinstmuligheter og for å håndtere ulike former for dynamisk varierende risiko. Tidsfølsomme handelsbeslutninger gjøres ofte svært raskt ved å bruke sanntidsdata hentet fra ulike kilder over hele verdens8217s finansmarkeder. Firmaet handler på nesten 24 timers basis, og utfører vanligvis titusenvis av transaksjoner per dag. Stiftet: 1975 Basert: Newark, NJ AnsatteSize: 36 investeringsansatte (pluss ekstra kontormedarbeidere) ca 83 milliarder i forvaltningskapital (AUM) per 1. mars 2012 Beskrivelse: Vi ser investeringspotensialet i små, men utbredte mispricings av verdipapirer. Aktive strategier kan spille en nøkkelrolle i å møte investeringsmålene. Eiendomsprisene avviker av og til fra verdier som er underforstått av underliggende grunnleggende, og aktiv styring kan forbedre avkastningen ved å posisjonere en portefølje for å tjene på en eventuell retur til grunnleggende. Disse avvikene fra virkelige verdier skaper muligheter som våre prosesser er utformet for å identifisere og utnytte. Fordi disse er mønstre som vedvarer over tid, i stedet for flyktige trender, er vi sikre på at våre prosesser kan fortsette å overgå langt på lang sikt. Vår bottom-up-tilnærming kombinerer prinsippene for verdsettelsesteori og atferdsfinansiering med kompetanse og vurdering av våre investeringsfagfolk. Teammedlemmer som har gjennomsnittlig 20 års investeringserfaring og har ulike perspektiver, blant annet universitetsprofessorer, ingeniører, fysikere og økonomer, har jobbet jevnt sammen gjennom et bredt spekter av markedsforhold. Vår proprietære optimaliseringsprosess genererer diversifiserte porteføljer på tvers av et stort antall aksjer. Og ved å begrense risikoer som størrelsen, sektorindustrien og avviket fra referansepunktet, mens vi fokuserer vekk på likviditet og transaksjonskostnader, tror vi at vi kan målrette alfa-generasjonen mer effektivt. QMA8217s investeringsstrategi er fornuftig og lyd-men ikke statisk. Gjennom pågående forskning fortsetter vi å finne måter å forbedre den adaptive naturen til våre investeringsprosesser. Strategier: Kvantitativ Kjerne Egenkapital Verdi Egenkapital Indeksering Asset Allocation Strukturert Equity Grunnlagt: 2001 Basert: New York (Hong Kong, Houston og London satellittkontorer) AnsatteSize: Omtrent 300 (anslått) flere milliarder dollar (mai 2012) Beskrivelse: Vi har lykkes Disse strategiene, som uttrykkes på tvers av ulike markeder og aktivaklasser, er basert på statistiske modeller utviklet ved hjelp av streng matematisk analyse og bransjens innsikt i Two Sigma8217s store og erfarne team. Utvikling av disse strategiene krever store beregningsmessige ressurser for å kunne identifisere, kvantifisere og handle på markedsmuligheter med nært overvåking av risikoeksponeringen. Teknologi er en integrert del av handelsstrategiene, bedriftens funksjoner og livet generelt på Two Sigma. For oss er teknologien et profitt senter, ikke bare et kostnadselement, og det fortsetter å være en drivkraft bak vår organisasjonsstruktur. Hver dag jobber vi i små lag for å utvikle og forbedre analytiske og måleverktøy for finansmarkedene, og vi oppfordrer til å samarbeide en struktur som virker sjelden på finansområdet. Faktisk har mange observert at vi ser og føler meg som et programvarefirma. Grunnlagt: 1982 Basert på: Long Island, New York, London AnsatteSize: 27515 milliarder Beskrivelse: Renaissance Technologies LLC er et investeringsforvaltningsselskap dedikert til å produsere overlegen avkastning for sine kunder og ansatte ved å følge matematiske og statistiske metoder. Grunnlagt: na Basert på: Cambridge, MA AnsatteSize: 28na Beskrivelse: AlphaSimplex spesialiserer seg på avkastningsstrategier som gjennomføres primært med futures og terminkontrakter. Ved hjelp av ledende kvantitative teknikker gir vår unike tilnærming til å investere tilpasningsevne og kontekstuell beslutningsprosess som regel forbundet med grunnleggende ledere, men innenfor et rent kvantitativt risikokontrollert rammeverk. Hver av selskapets investeringsstrategier er basert på en flermodell tilnærming til porteføljestyring som søker å generere alfa med større konsistens, og som letter regelmessig tillegg av nyutviklede modeller. Strategier: Kvantitativ global makro er en multimodell kvantitativ global makrostrategi som bygger på et variert sett med faktorer på mange forskjellige markeder. Komponentmodellene som utgjør produktet har blitt utviklet over en rekke år og et mangfoldig sett av markedsmiljøer. For et gitt markedsmiljø er det minst en eller to komponentmodeller designet for å generere alfa for det bestemte miljøet. Lederen bruker avanserte statistiske teknikker til dynamisk vekting av komponentmodellene for å mest effektivt utnytte dagens markedsforhold. Global Tactical Asset Allocation er en ekstremt kapital-effektiv overlegg eller 8220portable alpha8221-strategi, hvis mål er å legge til en inkrementell 1 eller 2 prosentpoeng avkastning til en eksisterende portefølje uten å øke den eksisterende porteføljens volatilitet med mer enn 1 eller 2 prosentpoeng årlig. Strategien kan også styres på høyere risikonivåer for å generere høyere avkastning. LASER og GLOBAL ALTERNATIVER bruker futures og fremover til å kopiere eksponeringer til et diversifisert sett av de vanligste likviditetsrisikopremiene som kjører sikringsfondets avkastning. Denne strategien gir lignende fordelingsfordeler som et sikringsfond, og passer godt for store institusjonelle investorer som ellers ikke kan finne tilstrekkelig kapasitet blant hedgefondsforvaltere som en likviditetsbuffer med en ellers mindre likvide portefølje og for mindre investorer som ville ellers ikke ha tilgang til diversifiseringsfordelene ved hedgefond på grunn av minimumsinvesteringskrav. Grunnlagt: 2005 Basert: London (Greenwich, CT og Tokyo) AnsatteSize: Under 509B (2011) Beskrivelse: Capula Investment Management LLP er et globalt spesialforetak for fast inntekt. Firmaet forvalter strategier for rentepåvirkning i absolutt avkastning og forbedrede renteprodukter, sammen med et hekkrisikohekkeprodukt. Capula Investment Management LLP fokuserer på å utvikle innovative investeringsstrategier som har liten sammenheng med tradisjonelle aksje - og rentemarkeder. Det som skiller Capula er dets makrofokus, sterk handelsdisiplin og kortsiktig orientering i stedet for en middels langsiktig investeringsstil. Bedriftsforståelsen om likviditetsrisiko og halerisiko har hjulpet den til å trives gjennom alle stadier av investeringssyklusen, inkludert perioder med ekstrem markedsforstyrrelse. Capula GRV-fondet er fokusert på renter og makrohandel. Fondet engasjerer seg i relative verdi - og konvergensstrategier som søker å utnytte prisavvik i statsobligasjon, renteswap og store valutahandlede derivatmarkeder og benytter et defensivt makrooverlegg. Investeringstemaer er primært drevet av alfa-generasjon og er ment å være nøytrale til retningsbestemte bevegelser i store kapitalmarkeder. Capula Tail Risk Fund investerer i en rekke instrumenter primært i G7-markeder. Det retter seg mot overlegen avkastning i tider med likviditet og systemiske kriser, samtidig som man reduserer ulemper under normale markedsforhold. Begge midlene styres aktivt i proprietær handelsstil. Grunnlagt: 1998 Basert: Greenwich, CT AnsatteSize: 19044B (slutten av 2011) Beskrivelse: AQR Capital Management er et investeringsforvaltningsfirma som jobber med en disiplinert, multi-aktiv global forskningsprosess. AQRs investeringsprodukter leveres gjennom et begrenset sett med kollektiv investeringskjøretøy og separate kontoer som benytter hele eller en del av AQR8217s investeringsstrategier. Disse investeringsproduktene spenner fra aggressive markedss nøytral hedgefond med høy volatilitet til referanse-drevne tradisjonelle produkter med lav volatilitet. Investeringsbeslutninger gjøres ved hjelp av en rekke globale asset allocation, arbitrage - og sikkerhetsseleksjonsmodeller, og implementeres ved hjelp av proprietære handels - og risikostyringssystemer. AQR mener at en systematisk og disiplinert prosess er viktig for å oppnå langsiktig suksess innen investering og risikostyring. I tillegg må modellene være basert på solide økonomiske prinsipper, ikke bare bygget for å passe fortiden, og må inneholde så mye sunn fornuft som de gjør statistisk ildkraft. Grunnlagt: 1989 Basert: Boston, MA AnsatteSize: 50-20022.3B (slutten av 2011) Beskrivelse: PanAgora er en kvantitativ-basert investeringsstyrings finansinstitusjon som benytter både bottom-up aksjekursstrategier, samt multi-alpha top-down makro strategier. Vi søker å levere investeringsløsninger ved hjelp av sofistikerte kvantitative teknikker som inneholder grunnleggende innsikt og store mengder markedsinformasjon. Mens PanAgoras investeringsstrategier er svært systematiske, blir prosessene som implementeres innenfor disse strategiene, bygget og overvåket av talentfulle fagfolk med betydelig og mangfoldig investeringserfaring. Innovativ forskning spiller en sentral rolle i vår investeringsfilosofi og prosess, og er en viktig del av våre firmaers evne til å levere attraktive investeringsløsninger. Investeringsgrupper er organisert i en Equity Strategies-gruppe og en Multi Asset Strategies-gruppe. De fleste investeringsteammedlemmene er engasjert i originalforskning ved hjelp av grunnleggende intuisjon, markedsunderretning, moderne økonomi og vitenskapelige metoder. PanAgoras investeringsstrategier er basert på disse hovedprinsippene: Kapitalmarkedene er ikke helt effektive og representerer derfor attraktive investeringsmuligheter for disiplinerte investorer. Innovativ forskning som blander kreativitet med moderne økonomisk teori og statistiske teknikker (kunst og vitenskap) er grunnlaget for en vellykket investeringsprosess. En systematisk tilnærming til investering som kombinerer intuitiv, grunnleggende tenkning med kvantitative teknikker, vil trolig generere vedvarende og attraktiv risikojustert avkastning. Oppmerksomhet mot risiko og effektiv implementering kan bevare og ofte forbedre resultatene. Klart definerte mål, gjennomsiktighet og tilgang til talentfulle investeringsprofessorer bidrar til å oppnå kundetilfredshet. Grunnlagt: 1987 Basert: Boston (Singapore og London) AnsatteSize: 200-50048B (33112) Beskrivelse: Acadian har en streng og strukturert investeringsprosess. Vi kvantifiserer de fleste aspekter av vår investeringsprosess, inkludert meravkastningen vi tror at hver sikkerhet i vårt investeringsunivers vil generere over en bestemt horisont, og risikoen vi forventer en bestemt portefølje å oppleve i forhold til referanseporteføljen. Målet med dette notatet er å forklare hvorfor vi mener at en kvantitativ tilnærming er fornuftig, og hvilke fordeler og ulemper er en slik tilnærming i forhold til mer tradisjonelle tilnærminger. Vi tror at kvantitative teknikker er verktøy. De er måter å anvende tradisjonelle tilnærminger til å ta investeringsbeslutninger på en disiplinert og systematisk måte. Dermed er vår tilnærming til investering ikke i strid med en tradisjonell tilnærming. Vi bruker de samme verktøyene som mange tradisjonelle porteføljeforvaltere bruker, men prøver å søke dem på en veldig systematisk og disiplinert måte, og unngår følelser og glidelser i gjennomføringen. Acadian spesialiserer seg på aktive globale og internasjonale egenkapitalstrategier, ved hjelp av sofistikerte analytiske modeller for aktiv aksjeutvelgelse samt peer-gruppe (land, region og industri) verdivurdering. Vi tilbyr også renteinntekter i fremvoksende markeder. Vår proprietære database dekker over 40.000 verdipapirer på mer enn 60 markeder over hele verden. Acadian8217s omfattende forskningskapasiteter brukes til å utvikle tilpassede strategier for investeringsadministrasjon til våre kunder. Kvantitativ handel 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 hundrevis av 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, dermed 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 handelsfolk utvikler modeller som er midlertidig lønnsomme for markedstilstanden som de ble utviklet for, men de svikter til slutt når markedsforholdene endres. Veilederens guide til kvantitativ handel I denne artikkelen skal jeg introdusere deg noen av de grunnleggende konseptene som følger med en end-to-end kvantitative 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 om handelsfrekvens Strategi Backtesting - Oppnå data, analyser strategisk ytelse og fjerne biaser 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 optimaliseringene 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 kjøresystemet 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, utveksling og SEC (eller lignende offentlig myndighet) 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. The Kelly criterion makes some assumptions about the statistical nature of returns, which do not often hold true in financial markets, so traders are often conservative when it comes to the implementation. Another key component of risk management is in dealing with ones own psychological profile. There are many cognitive biases that can creep in to trading. Although this is admittedly less problematic with algorithmic trading if the strategy is left alone A common bias is that of loss aversion where a losing position will not be closed out due to the pain of having to realise a loss. Similarly, profits can be taken too early because the fear of losing an already gained profit can be too great. Another common bias is known as recency bias . This manifests itself when traders put too much emphasis on recent events and not on the longer term. Then of course there are the classic pair of emotional biases - fear and greed. Disse kan ofte føre til under - eller overbelastning, noe som kan føre til oppblåsing (dvs. kontoenes egenkapitaloverskrift til null eller verre) eller redusert fortjeneste. As can be seen, quantitative trading is an extremely complex, albeit very interesting, area of quantitative finance. I have literally scratched the surface of the topic in this article and it is already getting rather long Whole books and papers have been written about issues which I have only given a sentence or two towards. For that reason, before applying for quantitative fund trading jobs, it is necessary to carry out a significant amount of groundwork study. At the very least you will need an extensive background in statistics and econometrics, with a lot of experience in implementation, via a programming language such as MATLAB, Python or R. For more sophisticated strategies at the higher frequency end, your skill set is likely to include Linux kernel modification, CC, assembly programming and network latency optimisation. If you are interested in trying to create your own algorithmic trading strategies, my first suggestion would be to get good at programming. My preference is to build as much of the data grabber, strategy backtester and execution system by yourself as possible. If your own capital is on the line, wouldnt you sleep better at night knowing that you have fully tested your system and are aware of its pitfalls and particular issues Outsourcing this to a vendor, while potentially saving time in the short term, could be extremely expensive in the long-term. Just Getting Started with Quantitative TradingLets start with the basics then I039ll get into the strategies: Quantitative investing is an approach for implementing investment strategies in an automated (or semi-automated) way. This approach lends itself well to (1) using large or unique data sets . (2) refining them into explanatory information, and (3) deploying them as trades via technology. At its core, every quant investor is looking for an edge , so I039ll explain how each element is used to capture edge. The best quants employ the scientific method they come up with a hypothesis based on a real-world observation, then they test it. Most people equate quantitative investing with advanced PhDs and high-level cutting edge math. Advanced math is often not the core driver of edge many of the most profitable quant strategies are actually very straightforward to understand. The key to coming up with a winning hypothesis is to understand the most profitable themes in finance, then to come up with a process for sourcing and expressing those themes. Some examples of highly profitable themes: G overnments create a multitude of opportunities for pure gamification. They are motivated by politics rather than profit, and there are numerous agencies and national regimes that create messy, contradicting rules. Quants look to reverse-engineer these rule structures and pinpoint inefficiencies within a system and across systems so they can capitalize on them. Governments tend to be slower to respond than profit-motivated actors, so the inefficiencies they create can persist for a long time (often indefinitely). For these reasons they are a profitable source of low-hanging fruit for quants: (a) Classic R egulatory Arbitrage . Financial actors often scour the rule systems of regulators in an effort to find inefficiencies. One example: the electricity regulators have a reputation for being so incompetent that their complex rules and regulations provide electricity traders with innumerable opportunities. As Bloomberg put it, quotFERC (the electricity regulator) builds markets with so many bells and whistles and buttons and valves that some of the buttons end up having no function but to dispense money. If you can find those buttons, what you do is just keep pressing them until the FERC notices and gets mad at you. 1 quot (b) Cross-Border Regulatory Arbitrage. Example: U. S. regulators require companies to report quarterly financials. Companies listed on the Taiwanese exchange are required to report monthly sales. Quants can take the monthly sales for semi-conductor companies listed in Taiwan2 and use deploy those signals ahead of investors waiting on the quarterly information in the U. S. They can also use the information to create better estimates for index performance and trade options or ETFs more effectively. (c) Inter-Agency Regulatory A rbitrage. This is when quants use the fact that rules have a tendency to conflict across different regulators within the same system. Example: The implementation of the new Dodd-Frank legislation (which hedge fund titan John Paulson artfully referred to as quotgobbledygook3 quot) has been a field day for quant investors who are decoding the rules. One aspect of the law states that banks amp thrift institutions that are FDIC-insured must report 039Call Data039, which requires disclosures of earnings, among other things. Many of these banks are now inadvertently reporting earnings via FDIC reports ahead of their quarterly 10-Q reports, providing an opportunity to take advantage of this timing discrepancy. Exchange rules. Much like governments, exchanges come up with specific trading rules that can be gamed: (a) Time Zone Arbitrage. 4 An arbitrage existed (now illegal) whereby some international mutual funds could be gamed due to differences in time zones. Per the rules, all mutual funds had their prices set end of day at 4pm EST, when U. S. exchanges closed. The problem was that for some international mutual funds, their markets had already closed prior to 4pm EST, which meant that investors could see the closing prices before the actual close. They would then simply algorithmically buy funds that they knew would be priced higher than the price being paid. (b) Flash Pricing. Several quantitative approaches often cited in discussions of high frequency trading are actually based on exploiting exchange rules. Quants use quotflash pricing5 quot to get a sneak peek on large order flow and then trade microseconds ahead of other participants to step in the middle. (c) Rebate Arbitrage. This is a tactic that uses an exchange rule that seeks to reward market participants that provide liquidity to the exchange versus those that remove liquidity. Several high frequency approaches seek to take advantage of this 039money button039 by placing trades that neutralize the market impact of their bets while maximizing their free rebates. Market participant rules. In addition to the inefficiencies created by governments and exchanges, market participants have their own rules to trade against, whether it be institutions with their own unique protocols or individuals with behavioral biases. Examples: (a) Algorithmic pattern recognition. One significant area of market innovation of late has been in pattern recognition. Back in the simpler days, if a big institutional order came in to a brokerage house, the broker would likely need to shop the order around to multiple other brokers to fill up the big trade. If broker Mike at Morgan Stanley called broker George at Goldman Sachs, George might be able to intuit that a big order was happening and keep some shares for himself while selling some of the others to Mike to fill his order. Brokers would track volume moves and the information at hand to quotRead the Tape6 quot to try and take advantage of big directional moves in a stock due to these block purchases. Nowadays, all institutional trading is done via electronic algorithm, where orders are routed in staggered patterns to multiple exchanges as well as different brokers, dark pools, and crossing networks in effort to fill them in the most effective, secretive way possible. Instead of reading the tape, modern quantitative funds now work on the other side and try to quotbreak the codequot. In other words, they seek to recognize and isolate custom trade execution patterns in an effort to trade against them. (b) ETF Rule Trading. When a stock is being added to an index, the ETFs representing that index often MUST buy that stock as well. By understanding the rules of index additionssubtractions, hedge funds can trade ahead of the forced buying and capitalize on those rules. (c) Prospectus A rbitrage. Many mutual funds amp hedge funds have their own investing rules. For example, many mutual funds arbitrarily set rules for themselves that they cannot own a stock under 5. Others must only invest in stocks that meet their specific quotgrowthquot or quotvaluequot characteristics. For a savvy quant investor, they can use textual analysis to scan for these types of rules across prospectuses, source the publicly available information on mutual fund holdings (via 13F filings), determine which funds hold assets close to their stated thresholds, and trade against those constraints. (d) Behavioral biases. Many retail investors have well-established psychological biases. For example, retail investors have a tendency to cut winning positions add to losing positions due to a loss-aversion bias. Quants can identify general behavioral biases among certain classes of investors, isolate which stocks express those biases and are favored by the class of investors, then trade against the irrational behavior as a source of return. Other Pure Informational Advantages. Some funds focus on finding unique data sources to extract an edge. A very interesting WSJ article7 shared that: Some funds use satellite imagery to determine whether crops are growing at the expected rate in order to estimate commodity supplies amp prices. Others use satellite imagery to gauge whether parking lots are full or empty at specific retailers as a way to anticipate sales. Others measure the shadows cast from buildings to estimate the rate of new construction in major cities. Listen fortsetter. There are an innumerable number of clever ways to find better, faster information rather than wait for the quarterly amp annual reports to come out. 2. Refining Data. All of the above thus far describes different types of trades and data sets that can be used to extract an edge. Often the uniqueness of the data alone is enough to confer an obvious advantage, but additional edge can be extracted using the best techniques to scrub amp refine the information. This is often where the PhD-level mathematics can provide an edge. Monte Carlo simulation, machine-learning algorithms, refinements to traditional regression analysis or other means can contribute to higher predictive values for a given date set. Deep Math Applications. The inefficiencies amp data sets above are intuitive to understand and do not fundamentally require advanced math applications. That being said, there are strategies that are only explained with advanced math. Emc2 is not a fundamentally intuitive concept, but it has been used to explain a vast array of knowledge that didn039t exist prior to its discovery. The same discoveries can be unearthed in finance (though no one would broadly disseminate them as long as they are effective.) An example of a financial field where advanced math is almost mandatory is o ptions. Options (and derivative securities in general) have more complex mathematical underpinnings than traditional stocks. As opposed to stocks that move primarily in relation to the health of the company and the broader economy, the value of options are are also affected by (i) the passage of time, (ii) the volatility of the underlying security, (iii) the movements of the broader market, (iv) the volatility of the broader market, and other key factors. All of the factors change non-linearly with the movement of the others, so the higher-order moments of each variable can have a meaningful impact on value of the option. Add these complications to the fact that the options market has its own unique opportunities for trading amp rule gamification and you suddenly have a very intense math problem. Sometimes there is no simple underpinning to solving these inefficiencies and it comes down to building the best mathematical mousetrap to assess differences in price vs. value. 3. Deployment methods The last main category of edge can be found through deployment methods. If a fund can find amp refine data on par with other quant funds they can still lose if they are slower to deploy their algorithms and trades. Additionally, there is valuable information released every day that can move the markets (from company specific information to economic indicators), and those who can process that information and trade on it faster can win. The reality here is that there is such a diversity of profitable quant strategies that deployment is one of the hardest edges to maintain. High-frequency trading (HFT) has become a veritable arms-race to zero latency (ie: trading at speeds approaching zero microseconds.) That being said, there can be winners in an arms-race and there have been firms that have benefited from highly profitable advancements: Microwaves. For HFT firms, fiberoptics are a painfully slow way to communicate. The problem is that the speed of light is somewhat hampered down by all that bouncing around inside the optic cable, and it slows the information down. To solve for this, firms now use microwave transmitters8. which can communicate directly from point A to point B via a less convoluted route. The result is a transmission time that is up to 50 faster, which saves precious microseconds. Another way to trade faster with an exchange is to 039co-locate039 or to purchase a server directly on site with an exchange. HFT firms pay top dollar not only to co-locate servers but also for the front-row seats which cut down the physical distance by multiple centimeters (or maybe even meters). Better algorithms. Beyond the hardware considerations, HFT firms are constantly looking for faster ways to process their algorithms and shave off processing time. This is done via a combination of software (and hardware) advancements that eliminate every microsecond possible. I hope that was helpful Looking forward to any comments or feel free to email: nathan (at) clarityspring There is no data to answer this question. Here are quantitative and algorithmic strategies I had heard about or seen in use. Kalman filters hidden markov models topological manifold learning non-linear kernel regression techniques APT type factor models monte carlo options pricing techniques continuous time APT factor models with latent variables spectral techniques for doing bag of words extraction of factors from natural language corpus for generating forcings for stochastic partial differential models of asset dynamics pairs tradingmean regression statistical arbitrage strategies automatic graphical model construction (structural inference over dynamic Bayesian networks) reinforcement learning based pairs trading strategies jair. orgmedia1336l. information theory based investment strategies see en. wikipedia. orgwikiGam. J. L. Kelly, Jr. quotA New Interpretation of Information Rate, quot Bell System Technical Journal . Vol. 35, July 1956, pp. 917-26 Sparse over complete basis function methods for feature extraction applications 039information geometry039 a field on the border between information theory, probability theory and differential geometry still very new anything that can be used to model or extract features from a time series Most of the returns are not generated by creating fundamentally new algorithms, but by applying existing algorithms in novel ways to new data sets. For instance, the market might be efficient with respect to most algorithms with respect to price. I would say the market is efficient with respect to a given algorithm and property of the market if you are unable to use knowledge about statistical relations extracted with a given algorithm to generate returns which exceed the cost of capital, after transaction costs. So you might be unable to predict price movements with the above strategies, because there are so many firms already doing that. However the market might be inefficient with respect to a given algorithm and say volatility instead of price. How do you make money on thatquot If you are clever you can profit from statistical predictability in nearly any property of the market. For instance, if I take an RSS feed of news reports about stocks and use bag of words techniques for factor extractions and use these factors to predict the price volatility of a stock. Say I knew that there are an abnormally high volume of news reports about a company. This may indicate that the volitility (variance) of the security039s price will be abnormally high for a few days (you would back test to determine a relationship). You know the security price is likely to move, but you do not know what direction it will move in. So you buy a butterfly option. See: en. wikipedia. orgwikiBut. Long 1 call with a strike price of (X a) Short 2 calls with a strike price of X Long 1 call with a strike price of (X a) Using novel combinations of derivatives you can take advantage of your ability to forecast even extremely esoteric statistical properties of the market. More complex and profitable trading strategies use relationships between multiple assets. Novel (and preferably non-public) data is also important. The best returns will be generated by strategies that use data which no one else has. For instance, there was a group of people that took public data from NASA039s Landsat satellite and used it to predict US corn and soy bean production. During the cold war mathematical models were developed that allowed the US to predict Soviet crop yields using satellite data better than the Soviets could predict crop yield from the ground. These models were used to predict soy bean and corn production in the US by this company. Using this public data and algorithms the company was able to predict aggregate US crop production more accurately than the USDA. This data was used to front run price movements from USDA crop yield reports. The company was purchased by a hedge fund that specialized in trading soy bean and corn futures. They can generate high rates of return on their capital, because they have information no one else has. Quantitative methods in investment can be used to 1gt Give a model which enables you to better estimate latent variables from data 2gt Give a model which allows predictions of how the market will respond to changes in underlying variables (such as interest rate or change in oil prices) 3gt Create a model about how prices and volatility responds to eventsnews reports Quantative methods generally fall into 3 categories: 1gt Decision making (ex. order generation) 2gt Modeling (predictive, generative) 3gt Asset Allocation (allocating capital between investment strategies or assets) 4gt improving estimates of latent variables used in other models, by incorporating new sources of data or extracting information from existing sources in an improved manner Kelly Criterion and Mean Variance Portfolio Theory fall into category 3 Neural networks, rule based trading strategies, decision trees, adaptive learning, SVMs for signal generation fall into category 1 CAPMAPT, Black Scholes fall into catego ry 2 An example of category 4, which be using implied volatility, historical volatility and extracted corporate events to estimate volatility of an assets price over a given time horizon. Historical volatility will lag actual volatility, so incorporating multiple sources of data (or higher frequency data) can yield improvements over using historical volatility. Traditionally, a quotquantquot uses methods from statistics, Ito calculus, monte carlo methods and partial differential equations. These methods from applied mathematics are limited and and largely have become commoditized. quotQuantitativequot strategies in the past 10 years have moved away from these methods and now incorporate a wider range of academic disciplines, especially machine learning. 23.8k Views middot View Upvotes middot Not for Reproduction May be my reply is not regarding the discussion. but Haven039t you thought that in case of the opening of the profile and the selection of exchange you should observe to the principles I mean improving the abilities of dealing, as well as the advancing of trading methods A very experienced trader can produce his personal indicators or even trade automates Anyway, all these bases on one basic thing that we all, without exception, have to exploit: on the trading platform You can read the reviews or try the most popular platforms by yourself. I would propose to check them for free and test by this address: 378 Views middot Not for Reproduction