Trading Strategi For Feilprising

Maskinlæring og automatisert handel Den store korte (jeg liker det) Søker handelsstrategier med lønnsomme backtests - OPPDATERING Jeg har hatt noen veldig interessante samtaler siden jeg tilbød min ikke-offentlig intraday trading rammeverk i bytte for informasjon om lønnsomme strategier, noe som er grunnen til at jeg ønsker å utvide denne innledningsvis tidsbegrensede samtalen ubestemt. Legg merke til at jeg ikke ser etter strategidéer. Jeg har mange av dem selv. Utfordringen ligger ikke i å komme opp med en idé, men i å velge den rette og teste den gjennom til helt enden, når du enten vet at den fungerer eller at den ikke gjør det. Den kritiske faktoren her er tid. Så det jeg egentlig handler om, er den tiden jeg har investert i utviklingen av en solid solid intraday trading rammeverk mot den tiden du har investert i å utvikle en lønnsom handelsstrategi. Det kan være en aksje, ETF, fremtid eller opsjonsstrategi. Alle diskusjoner og informasjonsutveksling vil bli holdt fortrolige. Jeg er selvfølgelig åpen for å bare diskutere ideer, men vær så snill og ikke forvent at jeg skal teste dem for deg og ikke klage hvis jeg implementerer dem uten å be om godkjenning. Ring for forslag Søk trading strategier med lønnsomme backtests Frem til 15. juni. Jeg godtar forslag til lovende handelsstrategier på aksjer, valutaer og stockbond commodity indices. Strategien må være lønnsom i backtesting og ha et årlig skarphet på minst 1,0. 1. juli vil de to mest lovende strategiene velges, og forfatterne kan velge ett av følgende alternativer: 1) Få en full og gratis kopi av det forbedrede, ikke-offentlige handelsramme basert på R som jeg har utviklet og brukt siden 2012 og at forfatterne kan bruke for å handle live strategier med Interactive Brokers. (Den forenklede offentlige versjonen kan lastes ned her) 2) Skriv inn en samarbeidsavtale der jeg vil forplikte seg til å implementere sin strategi for R og papirhandel i maksimalt tre måneder. Alle individuelle handler vil bli delt med forfatterne når de kommer. I tillegg vil R-koden som er spesifikk for strategien (ikke koden til handelsrammen) bli overlevert til strategiforfatterne. Hva skal du sende inn: En skriftlig beskrivelse av strategien pluss en liste over handler pluss returtidserier av backtest eller eksekverbar Roctavepython-kode som direkte beregner backtest return-timeseries, sammen med det fulle datasettet for priser som brukes i backtestet. Send til min e-post tilgjengelig i Kontakt-delen Oppdatering av den rene R Intraday Trading Framework Endelig fant jeg deg tid til å gjøre dette. På overtid. Rammen kjører nå med de nyeste (unix) versjonene av IB TWSGW (versjon 9493 og høyere). Dette innebar i seg selv en delvis omskrivning av flere funksjoner fra den store, men nå litt utdaterte IBrokers R-pakken av Jeff Ryan. Også standardkonfigurasjonen for trading EURUSD har blitt oppdatert slik at det nå er et stykke kake for å kjøre eksempeldummy-strategien. Bare klone git repo til din lokale maskin. githubcensixINTRADAY-PartAB og følg README. Noe om maskinvare Jeg er fortsatt en fan av å eie mitt eget metall. Det er sikkert å gjøre ting med konfigurerbare maskinbilder i skyen, fordi du ikke trenger å gå gjennom bryet med å administrere din egen maskinvare, men det er ikke noe problem for store organisasjoner der hundrevis av tusenvis av brukere må holdes glade for minimal kostnad. Så er skyen ikke bare en løsning på et problem for folk som må klare skalaen, men prøver samtidig å selge på den løsningen til den enkelte joe der ute, som, vi møter det, trenger ikke virkelig det. Uansett, som jeg sa, er jeg fan av å eie mitt eget metall. Billig maskinvare uten hylle kan få deg langt hvis du tar deg tid til å konfigurere det riktig. Et 16-64 GB RAM-skrivebord med en eller to GPUer vil ganske mye gjøre alt du trenger. Det ser ut som at backtesting strategier bruker mye mer databehandling ressurser enn faktisk live trading, og derfor kan du i dag sette opp og drive en intradag strategi fra en anstendig bærbar PC med tillit, mens for backtesting og forskning du virkelig vil ha RAM CPU GPU monster ovenfor eller en liten liten supercomputerkluster av din egen, som jeg nylig har beskrevet her. Pure R Intraday trading framwork Full nedlasting tilgjengelig Jeg har laget INTRADAY-PartA. tar. gz og INTRADAY-PartB. tgz tilgjengelig for nedlasting. censixdownloads. html Finne forhold mellom eiendeler som kan brukes til statistisk arbitrage I stedet for å fokusere på å forutsi prisretning og prisvolatilitet med ikke-lineære modeller utledet med maskinlæringsmetoder, ville et alternativ være å prøve å oppdage utnyttbare prisforhold mellom eiendeler i samme klasse og reagerer (handel) når feilprising skjer, med andre ord, gjør statistisk arbitrage. På en måte er dette på en eller annen måte enklere enn å forsøke å prognostisere priser, siden det eneste man må gjøre er å finne et relativt stabilt, lineært eller ikke-lineært forhold mellom en gruppe på minst to eiendeler og anta at fra tidspunktet for dens deteksjon, vil dette forholdet fortsette for en stund inn i fremtiden. Handel under denne forutsetningen er da veldig mye en reaktiv prosess som utløses av prisbevegelser som divergerer vesentlig fra det modellerte forholdet. Tradisjonell Parhandel og handel med assetts i et VECM (Vector Error Correction Model) forhold er gode eksempler for Statarb ved hjelp av lineære modeller. Så hvorfor ikke bruke et enkelt enkeltlags neuralt nettverk eller til og med en RBM for å oppdage et ikke-lineært prissamarbeid mellom to ikke-samordnede eiendeler, og hvis denne oppdagelsesprosessen er vellykket, handler den på samme måte som et klassisk par. Ting blir enda mer interessante når grupper med mer enn bare to eiendeler vurderes. Dette ville da være den ikke-lineære ekvivalenten til en VECM. Funksjonsvalg Bredde vs. Dybde Lets si at vi har et univariant timeseries predicitionsmål som enten kan være av type regresjon eller klassifisering, og vi må bestemme hvilke inngangsfunksjoner som skal velges. Mer konkret har vi et stort univers av timeseries som vi kan bruke som innganger, og vi vil gjerne vite hvor mange vi skal velge (bredde) og også hvor langt tilbake i tid vil vi se etter hver (dybde). Det er et todimensjonalt mellomrom av valg, avgrenset av de følgende fire ekstreme tilfellene, under antagelsen om at vi har totalt N-serier, og vi kan høyst se etter K timesteps: (1) velg bare en serie og lookback en timestep, (2) velg bare en serie og lookback K timesteps, (3) velg N-serien og lookback en timestep, (4) velg N-serien og lookback K timesteps. Det optimale valget vil sannsynligvis ikke være noen av disse, siden (1) og (2) ikke inneholder nok forutsigbar informasjon, og (3) og spesielt (4) vil heller ikke være mulige på grunn av databehandlingskrav eller inneholde for mye tilfeldig støy. Den foreslåtte måten å nærme seg dette på, er å starte lite på (1), se hvilken ytelse du får, og øk størrelsen på innspillingsområdet, enten bredde eller dybdevis, til du har oppnådd tilfredsstillende prediksjonsytelse eller til du har blitt oppbrukt din databehandling ressurser og må enten forlate hele tilnærmingen :( eller kjøpe en ny (gård av) skrivebordet (er) :) Bruke Stacked Autoencoders og Begrensede Boltzmann Maskiner i R 12 februar 2014 Stacked Autoencoders (SA) og Begrenset Boltzmann Maskiner RBMer) er svært kraftige modeller for uopplæret læring. Dessverre, når det er skrevet, ser det ut som om det ikke finnes noen direkte R-implementeringer, noe som er overraskende siden begge modelltyper har eksistert en stund, og R har implementeringer for mange andre maskinlæremodelltyper. Som en løsning kan SAs implementeres ved hjelp av en av flere nevrale nettverkspakker av R ganske raskt (nnet, AMORE) og RBM, vel, noen må skrive en god R-implementering for dem. Men gitt at trening både modelltyper krever mange beregningsmessige ressurser, vil vi også ha en implementering som kan gjøre bruk av GPUer. Så for øyeblikket er den enkleste løsningen vi synes å ha, å bruke Theano. Den kan bruke GPUer, og den gir implementeringer av stablede (denoising) autoencoders og RBMs. I tillegg er PythonTheano-koden for flere andre eksotiske Boltzmann-maskinvarianter også flytende rundt nettet. Vi kan bruke rPython til å kalle disse Python-funksjonene fra R, men utfordringen er dataene. Å få store datasett frem og tilbake mellom R og Python uten å bruke ASCII serialisering som rPython implementerer (for sakte) må løses. En minst like kraftig implementering av autoenkodere som støtter GPU-bruk er tilgjengelig via Torch7-rammen (demo). Men, Torch7-funksjoner kalles ved hjelp av lua og ringer dem innfra R i stedet vil kreve noe arbeid på C-nivå. Konklusjon: Bruk Theano (Python) eller Torch7 (lua) for å trene modeller med GPU-støtte og skriv trenede modeller til filen. I R importerer du den utdannede modellen fra filen og bruker den til forutsigelse. Oppdater 25 april 2014: Følgende fin løsning Ring Python fra R gjennom Rcpp bør bringe oss ett skritt nærmere å bruke Theano direkte fra R. Hvilke frekvenser som skal handle. 13 januar 2014 Når du prøver å finne utnyttbare markedsmønstre som man kan handle som detaljhandel, er et av de første spørsmålene: Hvilke handelsfrekvenser som skal se på Månedlig Ukentlig Daglig eller intradag hvor som helst mellom 5 sekunder til 1 time Med begrenset tid tilgjengelig for utfører forskning på alle disse tidsskalaene, blir dette et viktig spørsmål å svare på. Jeg og andre har observert at det synes å være et enkelt forhold mellom handelsfrekvens og mengde innsats som trengs for å finne en lønnsom strategi som er rent kvantitativ og har akseptabel risiko. Kort sagt: Jo lavere (tregere) frekvensen du vil handle på, jo smartere din lønnsomme strategi må være. tradefreqvssmartnessAt et eksempel kan man se på (veldig) høyfrekvente enden av spekteret, der markedsføringsstrategier basert på veldig enkel matematikk kan være svært lønnsomme, hvis du klarer å være nær nok til markedssenteret. Å ta et stort hopp i det daglige frekvensområdet, blir mye vanskeligere å finne kvantitative strategier som er lønnsomme samtidig som de bygger på ganske enkel matematikk. Handel i ukentlige og månedlige intervaller, bare ved hjelp av enkle kvantitative metoder eller tekniske indikatorer er en veldig god oppskrift på katastrofe. Så, forutsatt et øyeblikk at dette forholdet er sant og også vurderer at vi kan og vil bruke sofistikerte maskinlæringsteknikker i våre handelsstrategier, kan vi starte med et ukentlig frekvensvindu og arbeide mot høyere frekvenser. Ukentlig handel trenger ikke å bli automatisert i det hele tatt, og kan gjøres fra ethvert nettbasert meglergrensesnitt. Vi kunne utvikle en pose med strategier, ved hjelp av allment tilgjengelige historiske data i kombinasjon med vår favoritt læring algoritme for å finne tradeable markedsmønstre og deretter utføre strategien manuelt. På denne måten bør all innsats gå i å finne og finjustere den kvantitative strategien, og svært liten tankegang må settes inn i handelsutførelsen. Handelsautomatiseringsinnsats: 0. Strategi smarthet kreves: 100 Daglig handel bør automatiseres, med mindre du virkelig kan dedikere en fast del av dagen til å overvåke markedene og gjennomføre handler. Integrering av maskinlæringsalgoritmer med automatisert daglig handel er ikke en trivial oppgave, men det kan gjøres. Handelsautomatiseringsinnsats: 20, Strategismarthet kreves: 80 På intraday-tidsrammer, alt fra minutter og sekunder til under sekunder, vil innsatsen du må gjøre for å automatisere handlerne ligge hvor som helst i området mellom 20 og 90. Heldigvis er mindre tidsskala blir dummere strategien din kan være, men dum er selvsagt et relativt konsept her. Trade automation innsats: 80, Strategi smarthet kreves: 20 Hvilke funksjoner å bruke. Håndlaget vs. lært 10 desember 2013 På et tidspunkt i utformingen av et (maskin) læringssystem vil du uunngåelig spørre deg selv hvilke funksjoner som skal mate inn i modellen. Det er minst to alternativer. Den første er å bruke håndlagde funksjoner. Dette alternativet gir deg vanligvis gode resultater hvis funksjonene er utformet godt (det er selvfølgelig en tautologi, siden du bare ville kalle dem godt designet hvis de ga deg gode resultater.). Utforming av håndlagde funksjoner krever ekspertvitenskap om feltet som læringssystemet skal brukes, dvs. lydklassifisering, bildegjenkjenning eller i vår handel. Problemet her er at du kanskje ikke har noen av den ekspertkunnskapen (enda), og det vil være svært vanskelig å komme forbi eller ta mye tid eller mest sannsynlig begge deler. Så alternativet er å lære funksjonene fra dataene, eller med andre ord, bruk uovervåket læring for å skaffe dem. Et krav her er at du virkelig trenger mye data. Mye mer av det enn du trenger for håndlagde funksjoner, men da må det ikke merkes. Fordelen er imidlertid tydelig. Du trenger ikke virkelig å være ekspert på det spesifikke feltet du designer systemet for, dvs. handel og økonomi. Så mens du fortsatt trenger å finne ut hvilken del av de lærte funksjonene som er best for læringssystemet, er det også noe du måtte gjøre med de håndlagde funksjonene. Mitt forslag: Prøv å designe noen håndlagde funksjoner selv. Hvis de ikke opptrer, og du har gode grunner til å tro at det er mulig å få bedre resultater enn de du får, bruker du uansett læringsmetoder for å lære funksjoner. Du kan til og med lage et hybrid system som bruker designede og lært funksjoner sammen. Hvorfor bruker jeg Open Source-verktøy for å bygge handelsapplikasjoner 19. november 2013 Da jeg først begynte å se på å gjøre min egen automatiserte handel, hadde jeg tre krav til settet av verktøy som jeg ønsket å bruke. 1) De bør koste så lite som mulig for å få meg i gang, selv om det betydde at jeg måtte gjøre mye programmering og tilpasninger selv (det ville koste tid) 2) Det burde være et fellesskap av likesinnede mennesker der ute bruker disse samme verktøyene for en tilsvarende hensikt. 3) Verktøyene skal tillate meg å gå så dypt inn i systemets inngrep som det er nødvendig, selv om jeg i begynnelsen var mer å oppdage det grunnleggende. Jeg ville ikke finne meg selv i en situasjon der to år nedover linjen jeg måtte bytte til et annet sett med verktøy, bare fordi de jeg hadde startet med, ikke tillot meg å gjøre det jeg ville ha på grunn av problemer med lukkede kilder og restriktiv lisensiering. Som et resultat kom jeg for å velge R som valgfritt språk for å utvikle trading algortihms, og jeg begynte å bruke Interactive Brokers siden de gir en API for grensesnitt med deres meglersystem. Mens det er mange gode handelsverktøy som kobler til IB Trader Workstation, og noen kan brukes til automatisert handel, tilbyr ingen av disse samme kraft, fleksibilitet og fellesskapsstøtte som R-prosjektet har. I tillegg har R virkelig et fantastisk lager med gratis og svært adavanced statistikk og maskin læring pakker, noe som er viktig hvis du vil opprette handelsalgoritmer. Copyright Copy Censix 2013 - 2015 Hvordan velge aksjer for Day Trading Day trading er en bestemt trading teknikk hvor en næringsdrivende kjøper andor selger et finansielt instrument flere ganger i løpet av en dag, for å utnytte liten volatilitet i eiendomsprisene. Mens private investorer kan praktisere denne investeringsstrategien. Det er oftest et institusjonelt fenomen, da en finansinstitusjon kan yte stor innflytelse på sine transaksjoner for å øke lønnsomheten. Så mange meglerhandel tillater handel på nettet, kan daghandel utføres fra nesten hvor som helst, med bare noen få nødvendige verktøy og ressurser. Dagskurs er imidlertid en svært risikabel investeringsstrategi. Høy likviditet og volatilitet Likviditet, i finansmarkeder. refererer til den relative lettheten som sikring er oppnådd, samt i hvilken grad sikkerhetsprisen påvirkes av sin handel. Varebeholdninger som er mer likvide, blir lettere om dagen, og likvide aksjer har en tendens til å være mer diskontert enn andre aksjer, og er derfor billigere. I tillegg er egenkapitalen som tilbys av selskaper med høyere markedskapitaliseringer ofte mer likvide enn selskaper med lavere markedskapsler, da det er lettere å finne kjøpere og selgere for den aktuelle aksjen. Aksjer som viser mer volatilitet gir seg til dagens handelsstrategier, så vel. For eksempel kan en aksje være volatil hvis dens utstedende selskap opplever mer varians i kontantstrømmene. Mens markeder vil forutse disse forandringene for det meste, når eksproprierende omstendigheter oppstår, kan daghandlere utnytte eiendomsavregning, for eksempel den pågående eurokrisen. Usikker på markedet skaper en ideell dag handelssituasjon. Handelsvolum og handelsvolumindeks (TVI) Volumet av aksjemarkedet er et mål på hvor mange ganger det er kjøpt og solgt i en gitt tidsperiode. Denne tidsperioden er oftest innen en handelsdag. Mer volum indikerer interesse for en aksje, om interessen er positiv eller negativ. Ofte er en økning i volumet som handles på lager, et tegn på prisbevegelser som er i ferd med å synge. Daghandlere bruker ofte Volume Volume Index (TVI) for å avgjøre om de skal kjøpe inn i en aksje, som måler mengden penger som strømmer inn og ut av en eiendel. Finansielle tjenester Finansielle tjenester selskaper gir gode dag-trading aksjer. Bank of America, for eksempel, er en av de mest omsatte aksjene per aksje handlet per handel økt. BoA er en førsteklasses kandidat for dagshandel, til tross for at banksystemet blir sett med økende skepsis, da industrien har demonstrert systemisk spekulativ aktivitet som kulminerer i JP Morgans 2 milliarder derivat gaffe. I tillegg er handelsvolumet Bank of Americas høyt, noe som gjør det til en relativt flytende aksje. Av samme grunner, Wells Fargo. JP Morgan Amp Chase, Citigroup og Morgan Stanley gjør for svært populære daghandel aksjer. Alle har høye handelsvolumer og usikre industrielle forhold. Sosiale medier Den sosiale medieindustrien har også vært et attraktivt mål for dagens handel, nylig. Den massive tilstrømningen av online media selskaper, som LinkedIn og Facebook, har blitt fulgt av et høyt handelsvolum for sine aksjer. Videre raser debatten over disse selskapenees evne til å forvandle sine omfattende brukerbaser til en bærekraftig inntektsstrøm. Mens aksjekursene teoretisk representerer de diskonterte kontantstrømmene i sine utstedende selskaper, tar de siste verdivurderingene også hensyn til selskapets inntjeningspotensial. Således argumenterer noen analytikere for at dette har resultert i høyere aksjeverdier enn det grunnleggende antyder. Uansett fortsetter sosiale medier å være en populær dag handelsaktie gruppe. The Bottom Line Day trading, mens en svært risikabel investeringsstrategi, er også svært vanlig og svært lukrativ. Variabler som den relative likviditeten, volatiliteten, handelsvolumet og de variable industrielle forholdene, er alle medvirkende faktorer for å bestemme hvilke aksjer som er best for dagens handel. Den totale dollarverdien av alle selskapets utestående aksjer. Markedsverdien beregnes ved å multiplisere. Frexit kort for quotFrench exitquot er en fransk spinoff av begrepet Brexit, som dukket opp da Storbritannia stemte til. En ordre som er plassert hos en megler som kombinerer funksjonene til stoppordre med grensene. En stoppordre vil. En finansieringsrunde hvor investorer kjøper aksjer fra et selskap til lavere verdsettelse enn verdsettelsen plassert på. En økonomisk teori om total utgifter i økonomien og dens effekter på produksjon og inflasjon. Keynesian økonomi ble utviklet. En beholdning av en eiendel i en portefølje. En porteføljeinvestering er laget med forventning om å tjene en avkastning på den. This. Futures Markets - Del 4: Hva er en Futures Contract Futures Trading Short Course I motsetning til en aksje, som representerer egenkapital i et selskap og kan holdes i lang tid, hvis ikke ubestemt, futures kontrakter har endelige liv. De brukes primært til sikring av råvaresvingninger, eller for å utnytte prisbevegelser, snarere enn for kjøp eller salg av den faktiske kontantervaren. Ordet quotcontractquot brukes fordi en futureskontrakt krever levering av varen i en oppgitt måned i fremtiden, med mindre kontrakten er likvidert før den utløper. Kjøperen av terminkontrakten (partiet med en lang stilling) godtar en fast kjøpesum for å kjøpe den underliggende varen (hvete, gull eller regninger, for eksempel) fra selgeren ved kontraktens utløp. Selgeren av futures kontrakten (partiet med kort stilling) er enig i å selge den underliggende varen til kjøperen ved utløpet til fast salgspris. Etter hvert som tiden går, endres kontraktsprisen i forhold til den faste prisen som handelen ble påbegynt. Dette skaper fortjeneste eller tap for næringsdrivende. I de fleste tilfeller skjer levering aldri. I stedet kjøper både kjøper og selger, uavhengig av hverandre, vanligvis sine lange og korte stillinger før kontrakten utløper, kjøperen selger futures og selger kjøper futures. Arbitrageurs i futures markedene ser konstant på forholdet mellom kontanter og futures for å utnytte slike mispricing. Hvis for eksempel en arbitrage innså at gull futures i en bestemt måned var overpriced i forhold til kontantgullmarkedet og renten, ville han umiddelbart selge de kontraktene som visste at han kunne låse et risikofri gevinst. Traders på gulvet på børsen vil legge merke til den tunge salgsaktiviteten og reagere ved raskt å presse ned terminsprisen, og dermed bringe den tilbake på linje med kontantmarkedet. Av denne grunn er slike muligheter sjeldne og flyktige. De fleste arbitrage-strategiene utføres av forhandlere fra store forhandlerfirmaer. De overvåker prisene i kontanter og futures markeder fra quotupstairsquot hvor de har elektroniske skjermer og direkte telefonlinjer for å legge ordrer på utvekslingsgulvet.