Una introducción a la algorítmica: Básico de Estrategias Avanzadas (Wiley Trading) Autor. Fecha: 04 Dec 2011 Visitas: 2011 ISBN: 0470689544 538 páginas PDF 1 negociar MB algorítmico se está convirtiendo en el elemento vital de la industria - es más barato, más rápido y más fácil de controlar que el comercio estándar y que le permite comprobar la validez de pensar en el mercado, la ejecución de complejos matemáticas en tiempo real. Ya no estamos limitados por el ancho de banda humano, pero la industria es reservado con pocos dispuestos a compartir los secretos de su éxito. Una introducción a la algorítmica es una guía de introducción a esta área muy popular. Se inicia con la desmitificación de este complejo tema y ofrecer a los lectores el conocimiento específico de la negociación algorítmica y utilizable. En él se esbozan los algoritmos de negociación actuales, los conceptos básicos de su diseño, lo que son, cómo funcionan, cómo se utilizan, sus fortalezas, sus debilidades, donde la industria es ahora y hacia dónde se dirige. Luego, el libro cuenta con una sección que describe la opción de la acción para el comercio en el NASDAQ y la Bolsa de Nueva York, análisis y métricas utilizadas para optimizar los resultados comerciales - y para el lector más aventurero, una sección sobre cómo diseñar algoritmos de negociación. Por último, los autores demuestran una selección de algoritmos detallados propietaria y nunca antes visto dirigidos exclusivamente para su uso por los comerciantes individuales para comercializar sus propias cuentas. Estos algoritmos se han desarrollado y utilizado por los autores y se publica aquí por primera vez. Este es un libro ideal para el lector interesado en la comprensión y el aprovechamiento del potencial de los sistemas de negociación algorítmica, y va acompañado de un CD-ROM que proporciona un tiempo rápido de manos en la ruta a explorar el poder de negociación algorítmica de acciones de NASDAQ y NYSE comerciales. Copyright Responsabilidad: Este sitio no almacena ningún archivo en su servidor. Sólo índice y el enlace al contenido proporcionado por otros sitios. Por favor, póngase en contacto con los proveedores de contenido para eliminar el contenido de los derechos de autor en su caso y envíenos un correo electrónico, así eliminar los enlaces o contenidos relevantes immediately. Machine Aprendizaje aplicado a bienes Estrategias Mundial Quant último. poner en práctica estrategias de negociación avanzada utilizando análisis de series temporales. aprendizaje automático y la estadística bayesiana con la R de código abierto y lenguajes de programación Python, para obtener resultados directos, que pueden aplicarse en la rentabilidad de su estrategia. Estoy seguro de que usted ha notado la sobresaturación de tutoriales para principiantes de Python y estadísticas / referencias de aprendizaje automático disponibles en Internet. Algunos tutoriales en realidad le indican cómo aplicarlas a sus estrategias de negociación algorítmica de una forma de extremo a extremo. Hay cientos de libros de texto, artículos de investigación, blogs y mensajes en el foro de análisis de series temporales, la econometría, aprendizaje automático y la estadística bayesiana. Casi todos ellos concentrarse en la teoría. ¿Qué pasa con la aplicación práctica ¿Cómo se utiliza este método para su estrategia en realidad ¿Cómo programar hasta esa fórmula en el software que he escrito avanzada algorítmica para resolver estos problemas. Proporciona aplicación real de análisis de series temporales, aprendizaje automático estadístico y la estadística bayesiana, para producir directamente las estrategias comerciales rentables con el software de código abierto de libre acceso. Estas contento con la programación básica, pero desea aplicar sus habilidades Para más avanzada Quant Trading Si usted ha leído mi libro anterior, El éxito de algorítmica. usted ha tenido la oportunidad de aprender algunas habilidades básicas de Python y aplicarlos a las estrategias comerciales simples. Sin embargo, usted ha crecido más allá de las estrategias simples y quieren comenzar a mejorar su rentabilidad y la introducción de algunas técnicas de gestión de riesgos sólida, profesionales a su cartera. En Avanzada algorítmica tomamos una visión detallada de algunas de las bibliotecas de finanzas cuantitativas más populares tanto para Python y R, incluyendo pandas. scikit-learn. statsmodels. series de tiempo . rugarch y pronosticar entre muchos otros. Vamos a utilizar estas bibliotecas para mirar a una gran cantidad de métodos en los campos de la estadística bayesiana, análisis de series de tiempo y el aprendizaje de máquina, el uso de estos métodos directamente en la investigación estrategia de negociación. Aplicamos estas bibliotecas en un escenario de backtesting y la gestión del riesgo vectorizado de extremo a extremo. lo que le permite ranura de forma sencilla en que su infraestructura de comercio actual. No hay necesidad de costosas Off-The-Shelf Quant Software Es posible que haya pasado un montón de dinero comprando algunas herramientas sofisticadas de pruebas retrospectivas en el pasado y en última instancia, los encontró difícil de usar y no relevantes para su estilo de negociación cuant. Avanzada algorítmica hace uso de software completamente libre de código abierto, incluyendo bibliotecas de Python y R, que tienen debidamente informados, comunidades de acogida detrás de ellos. Más importante aún, aplicamos estas bibliotecas directamente a los problemas comerciales cuant mundo real, tales como la generación de alfa y la gestión del riesgo de la cartera. Pero no tengo un doctorado en Estadística. Mientras que el aprendizaje de máquina, análisis de series temporales y la estadística bayesiana son temas cuantitativos, sino que también contienen una gran cantidad de métodos intuitivos, muchos de los cuales se pueden explicar sin recurrir a las matemáticas avanzadas. En Avanzada algorítmica que hemos proporcionado no sólo la teoría para ayudarle a entender lo que estás implementar (y mejorar usted mismo), sino también detalla paso a paso tutoriales que tienen las ecuaciones y directamente aplicables a las verdaderas estrategias de codificación. Por lo tanto, si usted es la codificación mucho más cómoda que con las matemáticas, se puede seguir fácilmente los fragmentos y empezar a trabajar para mejorar la rentabilidad de su estrategia. Sobre el autor Así whos detrás de esto Hola Mi nombre es Mike Salas-Moore y Im el hombre detrás QuantStart y el paquete avanzada algorítmica. Desde que trabaja como desarrollador de comercio cuantitativa en un fondo de cobertura que he sido un apasionado de la investigación de intercambio cuantitativo y aplicación. Empecé la comunidad QuantStart y escribí avanzada algorítmica para exponer la práctica de cuantos al por menor a los métodos utilizados en los fondos de cobertura cuantitativos y empresas de gestión de activos. ¿Qué temas están incluidos en el libro de series temporales Análisis Youll recibir una guía completa a los principiantes análisis de series temporales, incluyendo activos devuelve características, la correlación serial, el ruido blanco y los modelos de paseo aleatorio. Modelos de series temporales Ill proporcionan una discusión a fondo de autorregresivo de media móvil (ARMA) y modelos condicional autorregresiva Heterocedástico (ARCH) utilizando el entorno estadístico R. Cointegradas Serie vez vamos a continuar el debate sobre series de tiempo cointegradas del éxito de algorítmica y considerar la prueba de Johansen, aplicándolo a las estrategias de ETFs. Usted encontrará una discusión en profundidad sobre los modelos de espacio de estado, tales como el filtro de Kalman y el modelo de Markov ocultas, tal como se aplica a negociación cuantitativa. Alta frecuencia de datos Youll consigue una introducción a negociación en las frecuencias más altas y una mirada en profundidad a la microestructura del mercado en los mercados de acciones y de divisas. Así descubrir exactamente lo que es el aprendizaje automático estadístico, incluyendo el aprendizaje supervisado y no supervisado, y cómo pueden ayudarnos a producir estrategias comerciales sistemáticas rentables. El Bias-Varianza de relaciones de intercambio Ill hablar de uno de los conceptos más importantes en el aprendizaje de la máquina, es decir, el sesgo y la varianza disyuntiva y cómo podemos reducir al mínimo sus efectos mediante la validación cruzada. Ill discutir uno de los más versátiles familes modelo ML, a saber, el árbol de decisión, Random Bosque y modelos de árbol, y mejore la forma en que podemos aplicar para predecir el rendimiento de los activos. Así discutir la familia de vectores de soporte clasificadores, incluyendo la máquina de vectores soporte, y cómo podemos aplicarlo a la serie de datos financieros. Procesamiento del Lenguaje Natural Bueno discutir el análisis de sentimientos y de cómo podemos construir estrategias de negociación de datos en lenguaje natural utilizando la agrupación y la similitud del coseno. Ill explicar cómo se pueden aplicar las técnicas de aprendizaje sin supervisión, tales como PCA, K-means clustering y NMF a grandes conjuntos de datos con el fin de que sean más fáciles de analizar. Ill proporcionar una introducción completa a la inferencia bayesiana en la probabilidad y la razón por la que nos dará una gran ventaja en la aplicación de los modelos más avanzados. La cadena de Markov Monte Carlo Youll aprender acerca de MCMC, incluyendo muestreo de Gibbs y Metropolis-Hastings, el algoritmo principal para el muestreo de la estadística bayesiana, utilizando el software PyMC3. Así definir y discutir redes bayesianas, un tipo de modelo probabilístico gráfica. Así aplicar Bayes Nets a nuestra cartera. Ill proporcionar una introducción a esta nueva, pero excitante zona de las estadísticas de comercio y en la que aplicamos métodos bayesianos a los datos econométricos. ¿Qué habilidades técnicas va a aprender R: análisis de series temporales Usted será introducido a R, que es uno de los entornos de investigación más utilizados en los fondos de cobertura cuantitativos y gestores de activos. Haremos uso de muchas bibliotecas que incluyen series de tiempo. rugarch y el pronóstico. Vamos a utilizar R y Python para estimar el rendimiento de nuestra estrategia con el tiempo que nos permite producir curvas estrategia de desintegración. Esto ayudará a determinar si una estrategia necesita ser retirado o es todavía viable y rentable. Vamos a profundizar en las características avanzadas de scikit-learn. Pitones biblioteca ML, incluidos los parámetros de optimización, la validación cruzada, paralelización, y producir modelos predictivos sofisticados. Cómo crear backtests vectorizados eficientes para la investigación preliminar, con la transacción realista cuesta supuestos. el uso de R y pandas, sin la necesidad de implementar un sistema completo orientado a eventos. Vamos a introducir PyMC3. el kit de herramientas flexibles de modelado bayesiano y la cadena de Markov Monte Carlo toma de muestras para ayudar a llevar a cabo la inferencia bayesiana eficaz para nuestras estrategias de infraestructura y de gestión de riesgos comerciales. Vamos a continuar nuestra discusión de gestión de riesgos de los libros anteriores y mirar a la detección de régimen y volatilidad estocástica como un medio para ayudar a determinar nuestro nivel de riesgo y la asignación de carteras. Lo Trading y Estrategias de Gestión de Riesgos ¿Usted Implementar Vamos a mirar un modelo de series de tiempo lineal basado en el modelo ARIMAGARCH en una serie de acciones diferentes índices bursátiles y ver cómo cambia el rendimiento de la estrategia a través del tiempo. Filtros de Kalman para pares de comercio Vamos a aplicar el filtro de Kalman bayesiano para series de tiempo cointegradas para estimar de forma dinámica la relación de cobertura entre dos pares, la mejora de una estimación estática de una ratio de cobertura tradicional. HFT oferta y demanda Predicción Spread Vamos a utilizar métodos de series de tiempo y avanzados de aprendizaje automático para pronosticar el spread en los datos de divisas de alta frecuencia con el fin de determinar los mejores períodos para la ejecución de las operaciones. Vamos a utilizar modelos de volatilidad estocástica para pronosticar la volatilidad con el fin de producir un modelo de detección de régimen, que nos ayudará a identificar periodos de mayor y menor riesgo. Rendimientos de los activos de pronóstico utilizando ML Nos van a utilizar numerosas técnicas de aprendizaje automático para pronosticar la dirección de activos y el nivel, tanto en los mercados de acciones y de divisas, mediante la regresión contra otros factores. Vamos a utilizar las SVM y otros métodos de LD para construir un generador de señal de análisis de opiniones sobre la base de datos de medios sociales y los datos del blog, aplicándolo a las acciones líquidas y ETF. El libro está disponible actualmente para Rough Cut Pre-Orden de Liberación ¿Qué corte preliminar significar Por primera vez por O'Reilly Media, el concepto de Rough Cut significa que se puede pre-ordenar el libro en la actualidad para el 20 de descuento en el precio total liberación y recibir la corriente parcialmente terminado cortado del libro en su forma actual (250 páginas). Además usted podrá acceder a actualizaciones en el libro como las escribo. Una vez completado el álbum recibirá una copia digital completa. Si se opta por el paquete de código fuente que recibirá nuevo código Python R y como está escrito también. Cuando se dará a conocer el libro La versión final completa de avanzada algorítmica será lanzado a finales de 2016. Im Actualmente sigue escribiendo algunos de los materiales, así como la R y código Python. Al pre-ordenar el corte en bruto interminables tener acceso a las actualizaciones a medida que aparecen y el libro completo después de la liberación. ¿Por qué estás liberando un primer corte utilicé el método de corte basto con mis otros libros C para Finanzas Cuantitativas y exitosa algorítmica. Era inmensamente útil para mí y el público del libro. Muchas personas hicieron sugerencias al leer el primer corte que se hizo en la versión final. He tenido una gran cantidad de correo electrónico que usted me pide que ponga avanzada algorítmica en una forma de corte en bruto de manera que se pueden hacer sugerencias para el material para la versión final. ¿Es necesario ser un programador El libro se supone que tiene conocimientos básicos de programación. Debe comprender ramificaciones, bucles y los conceptos básicos de la orientación a objetos. Sin embargo, la mayor parte del libro está escrito para ser tan auto-contenida como sea posible y el código es fácil de seguir. Preguntas ¿Dónde se puede aprender más acerca de mí me han escrito más de ciento cincuenta puestos en QuantStart que cubren el comercio cuantitativo, quant carreras, el desarrollo cuantitativo, la ciencia de datos y aprendizaje automático. Usted puede leer a través de los archivos para aprender más sobre mi metodología y estrategias de negociación. ¿Qué pasa si usted no está contento con el libro Aunque creo que se encuentra avanzada algorítmica muy útil en su educación comercial cuantitativa, también creo que si usted no está 100 satisfecho con el libro por cualquier motivo puede devolverlo sin preguntas para una reembolso completo. Va a obtener una copia impresa del libro No. En esta etapa el libro sólo está disponible en formato PDF de Adobe, mientras que el propio código se proporciona como un archivo zip de R completamente funcional y scripts de Python, si usted compra la opción Book Software. ¿Qué paquete debería comprar Esto depende principalmente de su presupuesto. El libro completo con código fuente extra es el mejor si quieres profundizar en el código inmediatamente, pero el libro en sí contiene una gran cantidad de fragmentos de código que ayudarán a su proceso de negociación cuant. ¿Puedo ser contactado por supuesto, si usted todavía tiene preguntas después de leer esta página, por favor ponerse en contacto y voy a hacer todo lo posible para ofrecerle una respuesta necesaria. Sin embargo, por favor, eche un vistazo a la lista de artículos. que puede también le ayudará. Va a necesitar un grado en matemáticas La mayor parte del libro requiere una comprensión de cálculo, álgebra lineal y la probabilidad. Sin embargo, muchos de los métodos son intuitivos y el código se puede seguir sin recurrir a las matemáticas avanzadas. Seleccione su Preferido Pre-Order Rough Cut paquete el libro por 39 49 El libro en formato PDF Guardar 10 sobre el precio total de 49 SOFTWARE RESERVA DE 79 99 El libro en formato PDF Guardar 20 sobre el precio total de 99 R y Python completa fuente codean Introducción a la algorítmica: básico a Avanzado Estrategias el interés en el comercio algorítmico está creciendo masivamente 8211 it8217s más barato, más rápido y mejor de controlar que el comercio estándar, que le permite 8216pre-think8217 el mercado, la ejecución de matemáticas complejas en tiempo real y tomar la requiere decisiones basadas en la estrategia definida. Ya no estamos limitados por 8216bandwidth8217 humano. El costo por sí solo (estimado en 6 centavos de dólar por acción, manual de 1 centavo por acción) algorítmica es un conductor suficiente para alimentar el crecimiento de la industria. Según la firma consultora, Aite Group LLC, empresas de comercio de alta frecuencia representan por sí solos el 73 de todo el volumen de operaciones con acciones de los Estados Unidos, a pesar de sólo representa aproximadamente el 2 del total de firmas que operan en los mercados de Estados Unidos. comercio algorítmico se está convirtiendo en el elemento vital de la industria. Pero es una industria secreta con pocos dispuestos a compartir los secretos de su éxito. El libro comienza con una guía paso a paso para el comercio algorítmico, desmitificar este tema complejo y ofrecer a los lectores con un conocimiento específico de la negociación algorítmica y utilizable. Proporciona información de fondo que lleva a un trabajo más avanzado exponiendo los algoritmos de negociación actuales, los conceptos básicos de su diseño, lo que son, cómo funcionan, cómo se utilizan, sus fortalezas, sus debilidades, dónde estamos y hacia dónde vamos . Luego, el libro pasa a demostrar una selección de algoritmos detallados incluyendo su aplicación en los mercados. Usando algoritmos reales que se han utilizado en los lectores de intercambio en vivo tienen acceso a la funcionalidad de las operaciones en tiempo real y se pueden utilizar los algoritmos nunca antes vistas a intercambiar sus propias cuentas. Los mercados son sistemas adaptativos complejos que exhiben un comportamiento impredecible. A medida que los mercados evolucionan diseñadores de algoritmos necesitan estar constantemente al tanto de cualquier cambio que pueda afectar a su trabajo, por lo que para el lector más aventureros también hay una sección sobre cómo diseñar algoritmos de negociación. Todos los ejemplos y algoritmos se demuestran en Excel en el CD ROM adjunto, incluyendo ejemplos de algoritmos reales que se han utilizado en el comercio directo. Declaración de la Misión viii PARTE I INTRODUCCIÓN A COTIZACIÓN ALGORITMOS Prefacio a la Parte I 3 2 Todo sobre el comercio Algoritmos usted siempre quiso saber. 9 3 Algos definidos y explicados 11 4 ¿Quién utiliza y proporciona Algos 13 5 ¿Por qué han convertido en algo corriente tan rápidamente 17 6 En la actualidad populares Algos 19 7 Una opinión de perspectiva Desde un Tier 1 Compañía 25 8 Cómo utilizar Algos para los comerciantes 29 9 Cómo optimizar comerciante individual Algos 33 10 El futuro ndash ¿a dónde vamos desde aquí 37 PARTE II EL Leshik-Cralle COMERCIO MÉTODOS Prefacio a la Parte II 41 11 Nuestra nomenclatura 49 12 Matemáticas Toolkit 53 13 Statistics Toolbox 61 14 datos ndash Símbolo, Fecha, Hora, Volumen, precio 67 15 Excel Mini Seminario 69 16 gráficos de Excel: cómo leerlos y cómo construirlos 75 17 Nuestra Metrics ndash Algometrics 81 18 archivo Clusters de la personalidad 85 19 Selección de una cohorte de Invertir a corto plazo 89 20 de la generación de perfiles 91 21 estilísticos Propiedades de las Los mercados de renta variable 93 22 97 23 volatilidad devoluciones ndash Teoría 101 24 Los puntos de referencia y los resultados medición 103 25 Nuestros algoritmos de negociación que se indica ndash El ALPHA ALGO Estrategias 1. 107 ALPHA-1 (DIFF) 107 1a. La alfa-1 Algo Expresado en Excel función del lenguaje 109 2. alfa-2 (EMA PLUS) V1 y V2 110 3. ALPHA-3 (La Leshik-Cralle Oscilador) 112 4. ALPHA-4 (de alta frecuencia en tiempo real Matrix) 112 5. ALPHA-5 (Firedawn) 113 6. ALPHA-6 (Hipoteca general) 113 7. El LC adaptativa Protección capital Parar 114 26 Parámetros y cómo establecerlos 115 27 Análisis Técnico (TA) 117 28 Heurística, AI, artificial Redes neuronales y Otras pistas de reflexión 125 29 ¿Cómo se diseña un comercio Alfa Algo 127 30 a partir de la hipótesis del mercado eficiente de teoría de la perspectiva 133 31 el camino hacia el caos (o la ciencia no lineal) 139 32 Complejidad Economía 143 33 Corretajes de 147 plataformas de gestión 34 Orden y de Ejecución sistemas de orden 149 Vendedores 35 de alimentación de datos y en tiempo real, histórico 151 36 Conectividad 153 37 Hardware Ejemplos Especificación 155 38 breves Philosophical DIGRESIÓN 157 39 Fuentes de información 159 Apéndice A lsquoThe Listrsquo de Algo usuarios y proveedores 165 Apéndice B Nuestra industria clasificación del sector Definiciones 179 Apéndice C de la lista 183 Apéndice D de la Detalles de instantáneas 185 CD de archivos de lista 243 Edward Leshik ha pasado los últimos 12 años el comercio de su propia cuenta y la investigación de la microeconomía de los mercados NASDAQ y la Bolsa de Nueva York. Anteriormente, fue director general de una empresa de electrónica, el suministro de punto de venta electrónica de los principales minoristas como Sears y Sunoco en Canadá y Afines cervecerías en el Reino Unido, donde adquirió una experiencia considerable de la electrónica y fue el primero en automatizar una línea de montaje usando la electrónica en el REINO UNIDO. Su principal formación académica es en matemáticas y física y tiene un gran interés en las teorías de la universalidad y la complejidad en su aplicación a los mercados. Actualmente está desarrollando un sistema de comercio algorítmico totalmente automatizado con su co-autor Jane Cralle. Jane Cralle comenzó su carrera en la corredora de valores en Paine Webber, y más tarde pasó 22 años en el vinculador Capital Management Inc. gestión de las cuentas de individuos de alto patrimonio. Ella tiene un amplio conocimiento de los mercados y es un operador experto y de los inversores - su amplia experiencia es muy valiosa medir la carrera 8216long de la evolución del mercado. Actualmente se está investigando y desarrollando un sistema de comercio algorítmico automatizado con Edward, y su especialidad de análisis de agrupamiento de los componentes del índice SampP es un trabajo en progreso fondo de una propuesta de libro titulado Las acciones y sus personalidades. Jane vive en Louisville con su marido, Rick Kremer, y sus tres hijos, Sarah, Morgan y Jack. An introducción a la algorítmica: Básico Para Estrategias Avanzadas (Wiley Trading) El interés en el comercio algorítmico está creciendo de forma masiva es más barato, más rápido y mejor para controlar que el comercio estándar, que le permite pre-piensa que el mercado, la ejecución de matemáticas complejas en tiempo real y tomar las decisiones sobre la base de la estrategia definida. Ya no estamos limitados por el ancho de banda humano. El costo por sí solo (estimado en 6 centavos de dólar por acción, manual de 1 centavo por acción) algorítmica es un conductor suficiente para alimentar el crecimiento de la industria. Según la firma consultora, Aite Group LLC, empresas de comercio de alta frecuencia representan por sí solos el 73 de todo el volumen de operaciones con acciones de los Estados Unidos, a pesar de sólo representa aproximadamente el 2 del total de firmas que operan en los mercados de Estados Unidos. comercio algorítmico se está convirtiendo en el elemento vital de la industria. Pero es una industria secreta con pocos dispuestos a compartir los secretos de su éxito. El libro comienza con una guía paso a paso para el comercio algorítmico, desmitificar este tema complejo y ofrecer a los lectores con un conocimiento específico de la negociación algorítmica y utilizable. Proporciona información de fondo que lleva a un trabajo más avanzado exponiendo los algoritmos de negociación actuales, los conceptos básicos de su diseño, lo que son, cómo funcionan, cómo se utilizan, sus fortalezas, sus debilidades, dónde estamos y hacia dónde vamos . Luego, el libro pasa a demostrar una selección de algoritmos detallados incluyendo su aplicación en los mercados. Usando algoritmos reales que se han utilizado en los lectores de intercambio en vivo tienen acceso a la funcionalidad de las operaciones en tiempo real y se pueden utilizar los algoritmos nunca antes vistas a intercambiar sus propias cuentas. Los mercados son sistemas adaptativos complejos que exhiben un comportamiento impredecible. A medida que los mercados evolucionan diseñadores de algoritmos necesitan estar constantemente al tanto de cualquier cambio que pueda afectar a su trabajo, por lo que para el lector más aventureros también hay una sección sobre cómo diseñar algoritmos de negociación. Todos los ejemplos y algoritmos se demuestran en Excel en el CD ROM adjunto, incluyendo ejemplos reales de algoritmos que se han utilizado en vivo trading. Machine Aprendizaje aplicado a bienes Estrategias Mundial Quant último. poner en práctica estrategias de negociación avanzada utilizando análisis de series temporales. aprendizaje automático y la estadística bayesiana con la R de código abierto y lenguajes de programación Python, para obtener resultados directos, que pueden aplicarse en la rentabilidad de su estrategia. Estoy seguro de que usted ha notado la sobresaturación de tutoriales para principiantes de Python y estadísticas / referencias de aprendizaje automático disponibles en Internet. Algunos tutoriales en realidad le indican cómo aplicarlas a sus estrategias de negociación algorítmica de una forma de extremo a extremo. Hay cientos de libros de texto, artículos de investigación, blogs y mensajes en el foro de análisis de series temporales, la econometría, aprendizaje automático y la estadística bayesiana. Casi todos ellos concentrarse en la teoría. ¿Qué pasa con la aplicación práctica ¿Cómo se utiliza este método para su estrategia en realidad ¿Cómo programar hasta esa fórmula en el software que he escrito avanzada algorítmica para resolver estos problemas. Proporciona aplicación real de análisis de series temporales, aprendizaje automático estadístico y la estadística bayesiana, para producir directamente las estrategias comerciales rentables con el software de código abierto de libre acceso. Estas contento con la programación básica, pero desea aplicar sus habilidades Para más avanzada Quant Trading Si usted ha leído mi libro anterior, El éxito de algorítmica. usted ha tenido la oportunidad de aprender algunas habilidades básicas de Python y aplicarlos a las estrategias comerciales simples. Sin embargo, usted ha crecido más allá de las estrategias simples y quieren comenzar a mejorar su rentabilidad y la introducción de algunas técnicas de gestión de riesgos sólida, profesionales a su cartera. En Avanzada algorítmica tomamos una visión detallada de algunas de las bibliotecas de finanzas cuantitativas más populares tanto para Python y R, incluyendo pandas. scikit-learn. statsmodels. series de tiempo . rugarch y pronosticar entre muchos otros. Vamos a utilizar estas bibliotecas para mirar a una gran cantidad de métodos en los campos de la estadística bayesiana, análisis de series de tiempo y el aprendizaje de máquina, el uso de estos métodos directamente en la investigación estrategia de negociación. Aplicamos estas bibliotecas en un escenario de backtesting y la gestión del riesgo vectorizado de extremo a extremo. lo que le permite ranura de forma sencilla en que su infraestructura de comercio actual. No hay necesidad de costosas Off-The-Shelf Quant Software Es posible que haya pasado un montón de dinero comprando algunas herramientas sofisticadas de pruebas retrospectivas en el pasado y en última instancia, los encontró difícil de usar y no relevantes para su estilo de negociación cuant. Avanzada algorítmica hace uso de software completamente libre de código abierto, incluyendo bibliotecas de Python y R, que tienen debidamente informados, comunidades de acogida detrás de ellos. Más importante aún, aplicamos estas bibliotecas directamente a los problemas comerciales cuant mundo real, tales como la generación de alfa y la gestión del riesgo de la cartera. Pero no tengo un doctorado en Estadística. Mientras que el aprendizaje de máquina, análisis de series temporales y la estadística bayesiana son temas cuantitativos, sino que también contienen una gran cantidad de métodos intuitivos, muchos de los cuales se pueden explicar sin recurrir a las matemáticas avanzadas. En Avanzada algorítmica que hemos proporcionado no sólo la teoría para ayudarle a entender lo que estás implementar (y mejorar usted mismo), sino también detalla paso a paso tutoriales que tienen las ecuaciones y directamente aplicables a las verdaderas estrategias de codificación. Por lo tanto, si usted es la codificación mucho más cómoda que con las matemáticas, se puede seguir fácilmente los fragmentos y empezar a trabajar para mejorar la rentabilidad de su estrategia. Sobre el autor Así whos detrás de esto Hola Mi nombre es Mike Salas-Moore y Im el hombre detrás QuantStart y el paquete avanzada algorítmica. Desde que trabaja como desarrollador de comercio cuantitativa en un fondo de cobertura que he sido un apasionado de la investigación de intercambio cuantitativo y aplicación. Empecé la comunidad QuantStart y escribí avanzada algorítmica para exponer la práctica de cuantos al por menor a los métodos utilizados en los fondos de cobertura cuantitativos y empresas de gestión de activos. ¿Qué temas están incluidos en el libro de series temporales Análisis Youll recibir una guía completa a los principiantes análisis de series temporales, incluyendo activos devuelve características, la correlación serial, el ruido blanco y los modelos de paseo aleatorio. Modelos de series temporales Ill proporcionan una discusión a fondo de autorregresivo de media móvil (ARMA) y modelos condicional autorregresiva Heterocedástico (ARCH) utilizando el entorno estadístico R. Cointegradas Serie vez vamos a continuar el debate sobre series de tiempo cointegradas del éxito de algorítmica y considerar la prueba de Johansen, aplicándolo a las estrategias de ETFs. Usted encontrará una discusión en profundidad sobre los modelos de espacio de estado, tales como el filtro de Kalman y el modelo de Markov ocultas, tal como se aplica a negociación cuantitativa. Alta frecuencia de datos Youll consigue una introducción a negociación en las frecuencias más altas y una mirada en profundidad a la microestructura del mercado en los mercados de acciones y de divisas. Así descubrir exactamente lo que es el aprendizaje automático estadístico, incluyendo el aprendizaje supervisado y no supervisado, y cómo pueden ayudarnos a producir estrategias comerciales sistemáticas rentables. El Bias-Varianza de relaciones de intercambio Ill hablar de uno de los conceptos más importantes en el aprendizaje de la máquina, es decir, el sesgo y la varianza disyuntiva y cómo podemos reducir al mínimo sus efectos mediante la validación cruzada. Ill discutir uno de los más versátiles familes modelo ML, a saber, el árbol de decisión, Random Bosque y modelos de árbol, y mejore la forma en que podemos aplicar para predecir el rendimiento de los activos. Así discutir la familia de vectores de soporte clasificadores, incluyendo la máquina de vectores soporte, y cómo podemos aplicarlo a la serie de datos financieros. Procesamiento del Lenguaje Natural Bueno discutir el análisis de sentimientos y de cómo podemos construir estrategias de negociación de datos en lenguaje natural utilizando la agrupación y la similitud del coseno. Ill explicar cómo se pueden aplicar las técnicas de aprendizaje sin supervisión, tales como PCA, K-means clustering y NMF a grandes conjuntos de datos con el fin de que sean más fáciles de analizar. Ill proporcionar una introducción completa a la inferencia bayesiana en la probabilidad y la razón por la que nos dará una gran ventaja en la aplicación de los modelos más avanzados. La cadena de Markov Monte Carlo Youll aprender acerca de MCMC, incluyendo muestreo de Gibbs y Metropolis-Hastings, el algoritmo principal para el muestreo de la estadística bayesiana, utilizando el software PyMC3. Así definir y discutir redes bayesianas, un tipo de modelo probabilístico gráfica. Así aplicar Bayes Nets a nuestra cartera. Ill proporcionar una introducción a esta nueva, pero excitante zona de las estadísticas de comercio y en la que aplicamos métodos bayesianos a los datos econométricos. ¿Qué habilidades técnicas va a aprender R: análisis de series temporales Usted será introducido a R, que es uno de los entornos de investigación más utilizados en los fondos de cobertura cuantitativos y gestores de activos. Haremos uso de muchas bibliotecas que incluyen series de tiempo. rugarch y el pronóstico. Vamos a utilizar R y Python para estimar el rendimiento de nuestra estrategia con el tiempo que nos permite producir curvas estrategia de desintegración. Esto ayudará a determinar si una estrategia necesita ser retirado o es todavía viable y rentable. Vamos a profundizar en las características avanzadas de scikit-learn. Pitones biblioteca ML, incluidos los parámetros de optimización, la validación cruzada, paralelización, y producir modelos predictivos sofisticados. Cómo crear backtests vectorizados eficientes para la investigación preliminar, con la transacción realista cuesta supuestos. el uso de R y pandas, sin la necesidad de implementar un sistema completo orientado a eventos. Vamos a introducir PyMC3. el kit de herramientas flexibles de modelado bayesiano y la cadena de Markov Monte Carlo toma de muestras para ayudar a llevar a cabo la inferencia bayesiana eficaz para nuestras estrategias de infraestructura y de gestión de riesgos comerciales. Vamos a continuar nuestra discusión de gestión de riesgos de los libros anteriores y mirar a la detección de régimen y volatilidad estocástica como un medio para ayudar a determinar nuestro nivel de riesgo y la asignación de carteras. Lo Trading y Estrategias de Gestión de Riesgos ¿Usted Implementar Vamos a mirar un modelo de series de tiempo lineal basado en el modelo ARIMAGARCH en una serie de acciones diferentes índices bursátiles y ver cómo cambia el rendimiento de la estrategia a través del tiempo. Filtros de Kalman para pares de comercio Vamos a aplicar el filtro de Kalman bayesiano para series de tiempo cointegradas para estimar de forma dinámica la relación de cobertura entre dos pares, la mejora de una estimación estática de una ratio de cobertura tradicional. HFT oferta y demanda Predicción Spread Vamos a utilizar métodos de series de tiempo y avanzados de aprendizaje automático para pronosticar el spread en los datos de divisas de alta frecuencia con el fin de determinar los mejores períodos para la ejecución de las operaciones. Vamos a utilizar modelos de volatilidad estocástica para pronosticar la volatilidad con el fin de producir un modelo de detección de régimen, que nos ayudará a identificar periodos de mayor y menor riesgo. Rendimientos de los activos de pronóstico utilizando ML Nos van a utilizar numerosas técnicas de aprendizaje automático para pronosticar la dirección de activos y el nivel, tanto en los mercados de acciones y de divisas, mediante la regresión contra otros factores.
No comments:
Post a Comment