Quantitative Handelsstrategien Bücher

Anfänger39s Leitfaden zum quantitativen Handel In diesem Artikel werde ich Ihnen einige der grundlegenden Konzepte vorstellen, die ein End-to-End-quantitatives Handelssystem begleiten. Dieser Beitrag wird hoffentlich zwei Zuschauern bedienen. Die ersten werden Einzelpersonen versuchen, einen Job an einem Fonds als quantitative Trader zu erhalten. Die zweite werden Einzelpersonen sein, die versuchen wollen, ihre eigenen Einzelhandels-algorithmischen Handelsgeschäfte einzurichten. Der quantitative Handel ist ein äußerst anspruchsvolles Gebiet der Quantfinanzierung. Es kann eine beträchtliche Zeit in Anspruch nehmen, um das notwendige Wissen zu gewinnen, um ein Interview zu bestehen oder eigene Trading-Strategien zu konstruieren. Nicht nur das, sondern es erfordert umfangreiche Programmierkenntnisse, zumindest in einer Sprache wie MATLAB, R oder Python. Doch da die Handelshäufigkeit der Strategie zunimmt, werden die technologischen Aspekte viel wichtiger. So vertraut mit CC wird von größter Bedeutung sein. Ein quantitatives Handelssystem besteht aus vier Hauptkomponenten: Strategieidentifizierung - Strategie finden, einen Vorteil ausschöpfen und sich auf die Handelsfrequenz konzentrieren Strategie Backtesting - Daten erwerben, Strategie-Performance analysieren und Biases beseitigen Execution System - Verknüpfung mit einem Brokerage, Automatisierung des Handels und Minimierung Transaktionskosten Risikomanagement - Optimale Kapitalallokation, Wette GrößeKelly Kriterium und Handelspsychologie Beginnen wir mit einem Blick auf die Identifizierung einer Handelsstrategie. Strategieidentifikation Alle quantitativen Handelsprozesse beginnen mit einer anfänglichen Forschungsphase. Dieser Forschungsprozess umfasst die Suche nach einer Strategie, ob die Strategie in ein Portfolio von anderen Strategien, die Sie laufen können, passt, um alle Daten zu erhalten, die notwendig sind, um die Strategie zu testen und zu versuchen, die Strategie für höhere Renditen und ein geringeres Risiko zu optimieren. Sie müssen Ihre Eigenkapitalanforderungen berücksichtigen, wenn Sie die Strategie als Einzelhändler betreiben und wie sich die Transaktionskosten auf die Strategie auswirken werden. Im Gegensatz zum populären Glauben ist es eigentlich ganz einfach, profitable Strategien durch verschiedene öffentliche Quellen zu finden. Die Akademiker veröffentlichen regelmäßig die theoretischen Handelsergebnisse (wenn auch meist die Transaktionskosten). Quantitative Finanz-Blogs diskutieren Strategien im Detail. Fachzeitschriften werden einige der von den Fonds eingesetzten Strategien skizzieren. Sie könnten fragen, warum Einzelpersonen und Firmen sind scharf, ihre rentablen Strategien zu diskutieren, vor allem, wenn sie wissen, dass andere Gedränge der Handel kann die Strategie von der Arbeit auf lange Sicht zu stoppen. Der Grund liegt in der Tatsache, dass sie nicht oft die genauen Parameter und Tuning-Methoden, die sie durchgeführt haben, diskutieren. Diese Optimierungen sind der Schlüssel, um eine relativ mittelmäßige Strategie zu einem sehr profitablen zu machen. In der Tat ist eine der besten Möglichkeiten, um Ihre eigenen einzigartigen Strategien zu schaffen, ähnliche Methoden zu finden und dann führen Sie Ihre eigene Optimierung Verfahren. Hier ist eine kleine Liste von Orten, um auf der Suche nach Strategie-Ideen zu beginnen: Viele der Strategien, die Sie betrachten werden, fallen in die Kategorien von Mittel-Reversion und Trend-Followmomentum. Eine Mittelrückkehrstrategie ist eine, die versucht, die Tatsache auszuschöpfen, dass ein langfristiger Mittelwert für eine Preisreihe (wie die Verteilung zwischen zwei korrelierten Vermögenswerten) besteht und dass kurzfristige Abweichungen von diesem Mittelwert schließlich zurückgehen werden. Eine Impulsstrategie versucht, sowohl die Investorenpsychologie als auch die Großfondsstruktur zu nutzen, indem sie eine Fahrt auf einen Markttrend einnimmt, der in einer Richtung Impulse sammeln und dem Trend folgen kann, bis er sich umkehrt. Ein weiterer wichtiger Aspekt des quantitativen Handels ist die Häufigkeit der Handelsstrategie. Niederfrequenzhandel (LFT) bezieht sich allgemein auf jede Strategie, die Vermögenswerte hält, die länger als ein Handelstag sind. Entsprechend bezieht sich der Hochfrequenzhandel (HFT) im Allgemeinen auf eine Strategie, die Vermögenswerte intraday hält. Ultra-High-Frequenz-Handel (UHFT) bezieht sich auf Strategien, die Vermögenswerte in der Größenordnung von Sekunden und Millisekunden halten. Als Einzelhandels-Praktiker HFT und UHFT sind sicherlich möglich, aber nur mit detaillierten Kenntnissen der Trading-Technologie Stack und Orderbuch Dynamik. Wir werden diese Aspekte in diesem Einführungsartikel in keiner Weise besprechen. Sobald eine Strategie oder eine Reihe von Strategien identifiziert wurde, muss sie nun auf die Profitabilität auf historischen Daten getestet werden. Das ist die Domäne der Backtesting. Strategie Backtesting Das Ziel der Backtesting ist es, den Nachweis zu erbringen, dass die Strategie, die über den oben genannten Prozess identifiziert wurde, rentabel ist, wenn sie sowohl auf historische als auch auf out-of-sample-Daten angewendet wird. Dies setzt die Erwartung, wie die Strategie in der realen Welt durchführen wird. Allerdings ist das Backtesting aus Sicherheitsgründen keine Garantie für den Erfolg. Es ist vielleicht der subtilste Bereich des quantitativen Handels, da er zahlreiche Vorurteile mit sich bringt, die sorgfältig betrachtet und so weit wie möglich beseitigt werden müssen. Wir diskutieren die gemeinsamen Arten von Bias einschließlich Look-Ahead Bias. Überlebens-Bias und Optimierung Bias (auch bekannt als Data-Snooping Bias). Weitere wichtige Bereiche im Backtesting sind die Verfügbarkeit und Sauberkeit der historischen Daten, das Factoring in realistischen Transaktionskosten und die Entscheidung über eine robuste Backtesting-Plattform. Besprechen Sie die Transaktionskosten weiter unten im Abschnitt Sicherheitssysteme. Sobald eine Strategie identifiziert wurde, ist es notwendig, die historischen Daten zu erhalten, durch die die Durchführung von Tests und eventuell Verfeinerung durchgeführt werden soll. Es gibt eine beträchtliche Anzahl von Datenanbietern über alle Assetklassen hinweg. Ihre Kosten im Allgemeinen skalieren mit der Qualität, Tiefe und Rechtzeitigkeit der Daten. Der traditionelle Ausgangspunkt für den Beginn der Quant Trader (zumindest auf der Retail-Ebene) ist die Nutzung der freien Datensatz von Yahoo Finance. Ich werde hier nicht zu viel zu viel zu Hause sein, vielmehr möchte ich mich auf die allgemeinen Fragen konzentrieren, wenn es um historische Datensätze geht. Zu den Hauptanliegen der historischen Daten gehören die Genauigkeitsgleichheit, die Überlebensvorsorge und die Anpassung an Unternehmensaktionen wie Dividenden und Aktiensplits: Die Genauigkeit bezieht sich auf die Gesamtqualität der Daten - ob es Fehler gibt. Fehler können manchmal leicht zu identifizieren, wie mit einem Spike-Filter. Die falsche Spikes in Zeitreihen-Daten auswählen und für sie korrigieren werden. Zu anderen Zeiten können sie sehr schwer zu erkennen sein. Es ist oft notwendig, zwei oder mehr Anbieter zu haben und dann alle ihre Daten gegeneinander zu überprüfen. Überlebensstörung ist oft ein Merkmal von freien oder billigen Datasets. Ein Datensatz mit Überlebensvorgabe bedeutet, dass es keine Vermögenswerte enthält, die nicht mehr handeln. Im Falle von Aktien bedeutet dies, Diese Bias bedeutet, dass jede Aktienhandelsstrategie, die auf einem solchen Datensatz getestet wird, wahrscheinlich besser als in der realen Welt ist, da die historischen Gewinner bereits vorgewählt wurden. Bei den Kapitalmaßnahmen handelt es sich um logistische Aktivitäten des Unternehmens, die in der Regel eine stufenförmige Änderung des Rohpreises verursachen, die nicht in die Berechnung der Renditen des Preises einbezogen werden sollte. Anpassungen für Dividenden und Aktiensplits sind die üblichen Täter. Ein Prozeß, der als Rückenverstellung bekannt ist, ist notwendig, um bei jeder dieser Aktionen durchgeführt zu werden. Man muss sehr vorsichtig sein, einen Aktiensplit nicht mit einer echten Renditeanpassung zu verwechseln. Viele Händler wurden von einer Unternehmensaktion erwischt. Um ein Backtest-Verfahren durchführen zu können, ist es notwendig, eine Softwareplattform zu nutzen. Sie haben die Wahl zwischen dedizierter Backtest-Software wie Tradestation, einer numerischen Plattform wie Excel oder MATLAB oder einer kompletten benutzerdefinierten Implementierung in einer Programmiersprache wie Python oder C. Ich werde nicht zu viel auf Tradestation (oder ähnlich), Excel oder MATLAB, wie ich glaube an die Schaffung eines kompletten Inhouse-Technologie-Stack (aus Gründen unten skizziert). Einer der Vorteile davon ist, dass das Backtest-Software - und Ausführungssystem auch bei extrem fortgeschrittenen statistischen Strategien eng integriert werden kann. Für HFT-Strategien ist es insbesondere wichtig, eine benutzerdefinierte Implementierung zu nutzen. Beim Backtesting eines Systems muss man in der Lage sein zu quantifizieren, wie gut es funktioniert. Die branchenüblichen Metriken für quantitative Strategien sind der maximale Drawdown und das Sharpe Ratio. Der maximale Drawdown charakterisiert den größten Peak-to-Trog-Drop in der Konto-Equity-Kurve über einen bestimmten Zeitraum (in der Regel jährlich). Dies wird am häufigsten als Prozentsatz angegeben. LFT-Strategien neigen dazu, größere Drawdowns als HFT-Strategien, aufgrund einer Reihe von statistischen Faktoren haben. Ein historischer Backtest zeigt den bisherigen maximalen Drawdown, was ein guter Leitfaden für die zukünftige Drawdown-Performance der Strategie ist. Die zweite Messung ist die Sharpe Ratio, die heuristisch definiert ist als der Durchschnitt der Überschussrenditen dividiert durch die Standardabweichung dieser Überschussrenditen. Hier bezieht sich die Überschussrendite auf die Rendite der Strategie über einem vorgegebenen Benchmark. Wie die SP500 oder eine 3-Monats-Treasury Bill. Beachten Sie, dass die annualisierte Rendite nicht eine Maßnahme ist, die in der Regel verwendet wird, da sie die Volatilität der Strategie nicht berücksichtigt (im Gegensatz zum Sharpe Ratio). Sobald eine Strategie rückwirkend ist und als frei von Vorurteilen (in so viel wie möglich) gilt, mit einem guten Sharpe und minimierten Drawdowns ist es Zeit, ein Ausführungssystem zu bauen. Ausführungssysteme Ein Ausführungssystem ist das Mittel, mit dem die von der Strategie erzeugte Liste der Trades vom Makler gesendet und ausgeführt wird. Trotz der Tatsache, dass die Handelserzeugung halb - oder sogar vollautomatisch sein kann, kann der Ausführungsmechanismus manuell, halb manuell (d. H. Ein Klick) oder vollautomatisch sein. Für LFT-Strategien sind manuelle und halb-manuelle Techniken üblich. Für HFT-Strategien ist es notwendig, einen vollautomatischen Ausführungsmechanismus zu schaffen, der oft mit dem Handelsgenerator (aufgrund der gegenseitigen Abhängigkeit von Strategie und Technologie) eng verbunden ist. Die wichtigsten Überlegungen bei der Erstellung eines Ausführungssystems sind die Schnittstelle zum Brokerage. Minimierung der Transaktionskosten (inklusive Provision, Schlupf und Spreizung) und Divergenz der Performance des Live-Systems durch rückwirkende Performance. Es gibt viele Möglichkeiten, um eine Vermittlung zu vermitteln. Sie reichen vom Aufruf Ihres Brokers am Telefon bis hin zu einer vollautomatischen Hochleistungs-Programmierschnittstelle (API). Idealerweise möchten Sie die Ausführung Ihrer Trades so weit wie möglich automatisieren. Dies befreit Sie, um sich auf weitere Forschung zu konzentrieren, sowie ermöglichen es Ihnen, mehrere Strategien oder sogar Strategien der höheren Frequenz laufen (in der Tat ist HFT im Wesentlichen unmöglich ohne automatisierte Ausführung). Die oben beschriebene gemeinsame Backtesting-Software wie MATLAB, Excel und Tradestation sind für niedrigere Frequenz, einfachere Strategien gut. Allerdings wird es notwendig sein, ein hauseigenes Ausführungssystem zu erstellen, das in einer Hochleistungssprache wie C geschrieben ist, um echte HFT zu machen. Als Anekdote, in dem Fonds, in dem ich beschäftigt war, hatten wir eine 10-minütige Trading-Schleife, wo wir neue Marktdaten alle 10 Minuten herunterladen und dann Trades auf der Grundlage dieser Informationen im gleichen Zeitrahmen ausführen würden. Dies war mit einem optimierten Python-Skript. Für irgendetwas, das sich auf Minuten - oder Zweit-Frequenz-Daten nähert, glaube ich, dass CC idealer wäre. In einem größeren Fonds ist es oft nicht die Domäne des Quant-Traders, die Ausführung zu optimieren. Doch in kleineren Geschäften oder HFT-Firmen sind die Händler die Vollstrecker und so ein viel breiteres Skillset ist oft wünschenswert. Denken Sie daran, wenn Sie von einem Fonds beschäftigt werden möchten. Ihre Programmierkenntnisse werden so wichtig sein, wenn nicht mehr, als Ihre Statistiken und Ökonometrie-Talente Ein weiteres wichtiges Thema, das unter den Banner der Ausführung fällt, ist das der Transaktionskostenminimierung. Es gibt in der Regel drei Komponenten für Transaktionskosten: Provisionen (oder Steuern), die die Gebühren sind, die durch die Vermittlung, die Börse und die SEC (oder eine ähnliche Regierungsbehörde) rutschen, was ist der Unterschied zwischen dem, was Sie beabsichtigt, Ihre Bestellung zu sein Gefüllt im Vergleich zu dem, was es tatsächlich gefüllt war bei der Ausbreitung, was ist der Unterschied zwischen dem bidask Preis der Sicherheit gehandelt. Beachten Sie, dass der Spread NICHT konstant ist und von der aktuellen Liquidität (d. H. Verfügbarkeit von Buysell-Aufträgen) auf dem Markt abhängig ist. Transaktionskosten können den Unterschied zwischen einer äußerst profitablen Strategie mit einer guten Sharpe-Ratio und einer äußerst unrentablen Strategie mit einem schrecklichen Sharpe-Verhältnis machen. Es kann eine Herausforderung sein, die Transaktionskosten von einem Backtest korrekt vorherzusagen. Abhängig von der Häufigkeit der Strategie benötigen Sie Zugriff auf historische Austauschdaten, die Tick-Daten für Bidask-Preise enthalten. Ganze Teams von Quants sind der Optimierung der Ausführung in den größeren Fonds gewidmet, aus diesen Gründen. Betrachten Sie das Szenario, in dem ein Fonds eine erhebliche Menge an Trades auslösen muss (von denen die Gründe dafür vielfältig sind). Durch das Dumping so viele Aktien auf den Markt, werden sie schnell drücken Sie den Preis und kann nicht optimale Ausführung erhalten. Daher existieren Algorithmen, die Futteraufträge auf den Markt abtropfen, obwohl der Fonds das Risiko des Schlupfes ausführt. Darüber hinaus beherrschen andere Strategien diese Notwendigkeiten und können die Ineffizienzen ausnutzen. Dies ist die Domäne der Fondsstruktur Arbitrage. Das letzte Hauptproblem für Ausführungssysteme betrifft die Divergenz der Strategieleistung aus der Rückversicherung. Dies kann aus einer Reihe von Gründen passieren. Weve bereits diskutiert Look-Ahead Bias und Optimierung Bias in der Tiefe, bei der Betrachtung Backtests. Allerdings machen einige Strategien es nicht leicht, diese Vorurteile vor dem Einsatz zu testen. Dies geschieht in HFT am überwiegendsten. Es gibt möglicherweise Fehler im Ausführungssystem sowie die Handelsstrategie selbst, die nicht auf einem Backtest auftauchen, aber DO im Live-Handel auftauchen. Der Markt kann unter Umständen einer Regimewechsel nach dem Einsatz Ihrer Strategie unterzogen worden sein. Neue regulatorische Umgebungen, veränderte Investorenstimmung und makroökonomische Phänomene können alle zu Divergenzen führen, wie sich der Markt verhält und damit die Profitabilität Ihrer Strategie. Risikomanagement Das letzte Stück zum quantitativen Trading Puzzle ist der Prozess des Risikomanagements. Das Risiko beinhaltet alle bisherigen Vorurteile, die wir besprochen haben. Es umfasst Technologierisiken, wie z. B. Server, die sich an der Börse befinden und plötzlich eine Festplattenfehlfunktion entwickeln. Es schließt das Vermittlungsrisiko ein, wie der Makler in Konkurs wird (nicht so verrückt wie es klingt, angesichts der jüngsten Angst mit MF Global). Kurz gesagt deckt es fast alles ab, was die Handelsimplementierung beeinträchtigen könnte, von der es viele Quellen gibt. Ganze Bücher sind dem Risikomanagement für quantitative Strategien gewidmet, so dass ich nicht versuchen werde, auf alle möglichen Gefahrenquellen zu klären. Das Risikomanagement umfasst auch die so genannte optimale Kapitalallokation. Das ist ein Zweig der Portfolio-Theorie. Dies ist das Mittel, mit dem das Kapital auf eine Reihe von verschiedenen Strategien und auf die Trades innerhalb dieser Strategien verteilt wird. Es ist ein komplexes Gebiet und beruht auf einer nicht-trivialen Mathematik. Der Industriestandard, durch den die optimale Kapitalallokation und die Hebelwirkung der Strategien verwandt werden, heißt das Kelly-Kriterium. Da dies ein einleitender Artikel ist, werde ich nicht auf seine Berechnung verzichten. Das Kelly-Kriterium macht einige Annahmen über die statistische Natur der Renditen, die in den Finanzmärkten nicht oft zutreffen, so dass die Händler oftmals konservativ sind, wenn es um die Umsetzung geht. Ein weiterer wichtiger Bestandteil des Risikomanagements liegt im Umgang mit einem eigenen psychologischen Profil. Es gibt viele kognitive Vorurteile, die zum Handel kriechen können. Obwohl dies zwar bei algorithmischem Handel weniger problematisch ist, wenn die Strategie allein gelassen wird, ist eine gemeinsame Vorspannung diejenige der Verlustaversion, bei der eine Verlustposition aufgrund des Schmerzes, einen Verlust zu realisieren, nicht geschlossen wird. Ebenso können Gewinne zu früh genommen werden, weil die Angst, einen bereits gewonnenen Gewinn zu verlieren, zu groß sein kann. Eine andere gemeinsame Vorspannung wird als Wiederholungsvorspannung bezeichnet. Dies manifestiert sich, wenn die Händler zu viel Wert auf die jüngsten Ereignisse und nicht auf längere Sicht setzen. Dann gibt es natürlich das klassische Paar emotionaler Vorurteile - Angst und Gier. Diese können oft zu einer Unter - oder Überhebelung führen, was zu einem Blow-up führen kann (d. h. das Konto-Equity-Kurs auf Null oder schlechter) oder reduzierte Gewinne. Wie man sehen kann, ist der quantitative Handel ein äußerst komplexer, wenn auch sehr interessanter Bereich der quantitativen Finanzierung. Ich habe buchstäblich die Oberfläche des Themas in diesem Artikel gekratzt und es wird schon ziemlich lange Ganze Bücher und Papiere wurden über Fragen geschrieben, denen ich nur einen Satz oder zwei in Richtung gegeben habe. Aus diesem Grund ist es vor der Beantragung von quantitativen Fondshandelsaufgaben notwendig, eine beträchtliche Menge an Grundlagenstudien durchzuführen. Zumindest benötigen Sie einen umfangreichen Hintergrund in der Statistik und Ökonometrie, mit viel Erfahrung in der Implementierung, über eine Programmiersprache wie MATLAB, Python oder R. Für anspruchsvollere Strategien am höheren Frequenzende ist Ihr Skill-Set wahrscheinlich Um Linux-Kernel-Modifikation, CC, Assembly-Programmierung und Netzwerk-Latenz-Optimierung. Wenn Sie daran interessiert sind, Ihre eigenen algorithmischen Handelsstrategien zu erstellen, wäre mein erster Vorschlag, bei der Programmierung gut zu werden. Meine Vorliebe ist es, so viel von der Daten-Grabber, Strategie-Backtester und Ausführung System von sich selbst wie möglich zu bauen. Wenn Ihr eigenes Kapital auf der Linie ist, würden Sie nicht besser schlafen in der Nacht wissen, dass Sie Ihr System vollständig getestet haben und sich seiner Fallstricke und bestimmten Fragen bewusst sind Outsourcing dieses zu einem Verkäufer, während potenziell Zeit sparen in der kurzfristigen, könnte extrem sein Teuer in der langfristigen Just Getting Started mit quantitativen TradingQuantitative Trading Was ist Quantitative Trading Quantitative Handel besteht aus Trading-Strategien auf der Grundlage der quantitativen Analyse. Die sich auf mathematische Berechnungen und Zahlenknirschen verlassen, um Handelsmöglichkeiten zu identifizieren. Da der quantitative Handel in der Regel von Finanzinstituten und Hedgefonds genutzt wird. Die Transaktionen sind in der Regel groß und können den Kauf und Verkauf von Hunderten von Tausenden von Aktien und anderen Wertpapieren beinhalten. Allerdings wird der quantitative Handel immer häufiger von einzelnen Investoren genutzt. BREAKING DOWN Quantitative Trading Preis und Volumen sind zwei der häufigsten Dateneingaben, die in der quantitativen Analyse als Haupteingaben für mathematische Modelle verwendet werden. Quantitative Handelstechniken umfassen Hochfrequenzhandel. Algorithmischer Handel und statistischer Arbitrage. Diese Techniken sind schnell-Feuer und haben in der Regel kurzfristige Anlagehorizonte. Viele quantitative Händler sind mit quantitativen Werkzeugen vertraut, wie z. B. gleitende Mittelwerte und Oszillatoren. Verständnis von quantitativen Trading Quantitative Trader nutzen die moderne Technologie, Mathematik und die Verfügbarkeit umfangreicher Datenbanken für rationale Handelsentscheidungen. Quantitative Händler nehmen eine Trading-Technik und erstellen ein Modell davon mit Mathematik, und dann entwickeln sie ein Computer-Programm, das das Modell auf historische Marktdaten anwendet. Das Modell wird dann zurückversetzt und optimiert. Wenn günstige Ergebnisse erzielt werden, wird das System dann in Echtzeitmärkten mit echtem Kapital umgesetzt. Die Art und Weise, wie quantitative Handelsmodelle funktionieren, lässt sich am besten mit einer Analogie beschreiben. Betrachten Sie einen Wetterbericht, in dem der Meteorologe eine 90 Chance des Regens prognostiziert, während die Sonne scheint. Der Meteorologe leitet diese kontraintuitive Schlussfolgerung durch das Sammeln und Analysieren von Klimadaten von Sensoren im gesamten Gebiet ab. Eine computergestützte quantitative Analyse zeigt spezifische Muster in den Daten. Wenn diese Muster mit den gleichen Mustern verglichen werden, die in historischen Klimadaten (Backtesting) und 90 von 100 Mal das Ergebnis regen, dann kann der Meteorologe die Schlussfolgerung mit Vertrauen, daher die 90 Prognose ziehen. Quantitative Händler wenden diesen Prozess auf den Finanzmarkt an, um Handelsentscheidungen zu treffen. Vor - und Nachteile des quantitativen Handels Das Ziel des Handels ist es, die optimale Wahrscheinlichkeit eines rentablen Handels zu berechnen. Ein typischer Trader kann die Entscheidungen über eine begrenzte Anzahl von Wertpapieren effektiv überwachen, analysieren und handeln, bevor die Menge der eingehenden Daten den Entscheidungsprozess überwältigt. Die Verwendung von quantitativen Handelstechniken beleuchtet diese Grenze durch die Verwendung von Computern zur Automatisierung der Monitoring-, Analyse - und Handelsentscheidungen. Überwindung von Emotionen ist eines der allgegenwärtigsten Probleme mit dem Handel. Sei es Angst oder Gier, beim Trading dient Emotionen nur dazu, das rationale Denken zu ersticken, was in der Regel zu Verlusten führt. Computer und Mathematik besitzen keine Emotionen, so dass der quantitative Handel dieses Problem beseitigt. Der quantitative Handel hat seine Probleme. Finanzmärkte sind einige der dynamischsten Einheiten, die existieren. Daher müssen quantitative Handelsmodelle so dynamisch sein, dass sie konsequent erfolgreich sind. Viele quantitative Händler entwickeln Modelle, die vorübergehend für die Marktbedingung rentabel sind, für die sie entwickelt wurden, aber sie scheitern letztlich, wenn sich die Marktbedingungen ändern. Dieses Buch behandelt ausgewählte praktische Anwendungen und aktuelle Entwicklungen in den Bereichen quantitative Finanzmodellierung in Derivatinstrumenten, einige von Die aus den Autoren kommen 39 eigene Forschung und Praxis. Es steht aus der Sicht von Finanzingenieuren oder Praktikern, und als solches legt es mehr Wert auf die praktischen Anwendungen der Finanzmathematik im realen Markt als die Mathematik selbst mit präzisen (und langwierigen) technischen Bedingungen. Es versucht, ökonomische Einsichten mit Mathematik und Modellierung zu kombinieren, um dem Leser zu helfen, Intuitionen zu entwickeln. Unter den Modellierungen und den numerischen Techniken, die vorgestellt werden, sind die praktischen Anwendungen der Martingale Theorien, wie Martingale Modell Fabrik und Martingale Resampling und Interpolation. Darüber hinaus adressiert das Buch die Kontrahenten-Kreditrisikomodellierung, die Preisgestaltung und die Arbitraging-Strategien aus der Perspektive einer Front Office-Funktionalität und einer Erlöszentrale (und nicht nur einer Risikomanagement-Funktionalität), die relativ jüngsten Entwicklungen sind und zunehmend an Bedeutung gewinnen. Es diskutiert auch verschiedene Handelsstrukturierungsstrategien und berührt einige populäre creditIRFX Hybridprodukte wie PRDC, TARN, Snowballs, Snowbears, CCDS und Kreditlöscher. Während der primäre Geltungsbereich dieses Buches der festverzinsliche Markt ist (mit weiterer Fokussierung auf den Zinsmarkt), gelten viele der angebotenen Methoden auch für andere Finanzmärkte wie Kredit-, Aktien-, Devisen - und Rohstoffmärkte. Inhalt: Theorie und Anwendungen der Derivat-Modellierung: Einführung in die Kontrahenten-KreditrisikenMartingale-Arbitrage-Preisgestaltung im RealmarktDie BlackScholes-Framework - und - ErweiterungenMartingale-Resampling und InterpolationIntroduktion zum Zinstermin StrukturmodellierungDas HealthJarrowMorton FrameworkDas ZinsmarktmodellCredit Risk Modeling und Pricing Zinsmarkt-Fundamentaldaten und proprietäre Handelsstrategien : Einfache ZinssatzprodukteYield Curve ModelingTwo-Factor Risiko ModellDer Heilige Gral Zwei-Faktor Zinssatz ArbitrageYield Zerlegung ModelInflation Linked Instruments ModelingInterest Rate Proprietary Trading Strategies Leserschaft: Fortgeschrittene Leser, die arbeiten oder interessieren sich für den festverzinslichen Markt. Schlüsselwörter: CVACredit Bewertung AnpassungCounterparty CreditBGM ModelHJM ModelRS ModelMartingaleDerivatives ModelingMartingale ResamplingOrthogonal Exponential SplineStat ArbNonexploding Bushy TreeNBTPRDCTARNSnowballSnowbearCCDSCredit ExtinguisherReviews: Dieser Stand der Technik betont verschiedene zeitgenössische Themen in festverzinslichen Derivaten aus der Perspektive eines Praktikers. Die Kombination von Martingale-Technologie mit dem Fachwissen des Fachmanns trägt praktisch zum Erfolg des Buches bei. Für diejenigen, die rechtzeitige Berichterstattung direkt aus den Schützengräben wünschen, ist dieses Buch ein Muss. Peter Carr, PhD Direktor der Masters in Math Finance Programm Courant Institute, NYU Es ist ganz offensichtlich, dass die Autoren haben erhebliche praktische Erfahrung in anspruchsvolle quantitative Analyse und Derivate-Modellierung. Dieser reale Weltfokus hat zu einem Text geführt, der nicht nur klare Präsentationen über Modellierung, Preisgestaltung und Absicherung von Derivatprodukten liefert, sondern auch fortgeschrittenere Materialien liefert, die in der Regel nur in Forschungspublikationen zu finden sind. Dieses Buch hat innovative Ideen, state of the art Anwendungen und enthält eine Fülle von wertvollen Informationen, die Interesse Akademiker, angewandte quantitative Derivate Modellierer und Händler. Peter Ritchken Kenneth Walter Haber Professor Abteilung für Banken und Finanzen, Weatherhead School of Management, Fall Western Reserve University Geschrieben von zwei erfahrenen Produktion Quants, enthält dieses Buch eine Fülle von praktischen Methoden und nützliche Einblicke, die erprobt wurden. Bei der Bewältigung neuer Aufgaben sorgen sich die meisten Quants um Best Practice. Zusammen mit Fachveröffentlichungen, etc., ist dieses Buch ein Muss, um das Urteil zu kalibrieren. Derzeit ein Dutzend ausgewählte Mathe-Finanzen Bücher, die wirklich auf einem Regal sein sollten Alan Brace University of Technology Sydney School of Finance und Economics Key Features: Umfasst verschiedene erweiterte Zinsmodelle, wie die HJM-Framework, Markovian HJM-Modelle (Multi - Faktor-RS-Modell) und BGM-Modelle sowie Kontrahenten-Kreditprämienmodelle. Es berührt auch einige Kreditmodelle wie das Copula-Modell, das Faktormodell und ein riskantes Marktmodell für KreditspreadsAdressen verschiedene praktische Anwendungen der Modellierung, wie z. B. Martingale-Arbitrage-Modellierung unter realen Marktsituationen (z. B. das richtige risikofreie Interesse Rate, überarbeitete Put-Call-Parität, sperrbare Derivate und Absicherung in Anwesenheit der Volatilität Skew und Lächeln, sowie kurze Diskussionen über die sekundäre Modellkalibrierung für die Handhabung der nicht abgesicherten Variablen, Modelle für die Preisgestaltung und Modelle für die Absicherung) Präsentationen praktisch Numerische Algorithmen für die Modellimplementierung, wie z. B. Martingale Interpolation und Resampling zur Erzwingung diskreter Martingale Beziehungen in situ in numerischen Prozeduren, Modellierung der Volatilität Skew und eine nonxploding bushy Baum (NBT) Technik für die effiziente Lösung von nicht-markovischen Modellen, wie die Multi-Faktor-BGM-Marktmodell, unter dem Rückwärts-Induktions-FrameworkInitroduziert die Grundlagen des Zinsmarktes, einschließlich verschiedener Renditekurvenmodellierung, wie das bekannte Orthogonal Exponential Spline (OES) - Modell, sowie proprietäre Handelsstrategien, stat arb im Besonderen Yi Tang (Morgan Stanley amp Co. Inc. USA) Bin Li (Ping Capital Management, Ltd. USA) Yi Tang ist derzeit bei Morgan Stanley amp Co. Inc. als Leiter der CVA Strategies Group. Zuvor war er General Manager und Leiter der Abteilung Quantitative Analytics von Shinsei Securities, die für die Derivatmodellierung in IR, FX, Equity, Credit, Commodity sowie IRFX, IREquity und anderen Hybriden verantwortlich ist. Er arbeitete auch bei Goldman, Sachs amp Co. Inc. als Leiter der CVA Strategies Group in FICC und bei Bear, Stearns amp Co. Inc. als Managing DirectorPrincipal in der FAST-Abteilung und dem Leiter einer Quant-Gruppe verantwortlich für Teil Von IR-Derivaten Modellierung und Teil der IRCredit Hybrid-Derivate-Modellierung. Bevor er auf das Gebiet der quantitativen Finanzierung wechselte, arbeitete er als Adjunct Assistant Professor und ein Postdoc-Forscher in Physics bei UCLA. Yi ist ein eingeladener Redner bei mehreren Konferenzen auf Quantitative Finance. Er erhielt seinen Doktortitel in Physik von der University of California in Los Angeles (UCLA) im Jahr 1992. Bin Li ist derzeit der Chief Operating Officer von Ping Capital Management, ein globaler Makro-Hedge-Fonds in New York. Davor war Bin Präsident und CIO von Entropy Partners, LLC. Zuvor war Bin Chairman und CEO von Tradetrek Inc. und Mitbegründerin AAStocks International (aastocks), einer Finanz-Website-Firma in Hongkong. Von 1993 bis 1998 diente Bin in verschiedenen Rollen, darunter Vizepräsident der Quantitative Analysis Group bei Merrill Lynch und Executive Director von Global Quantitative Trading Strategies bei UBS. Bin ist ein international bekannter Forscher und Praktiker in der Finanzbranche und war ein eingeladener Referent bei vielen Konferenzenworkshops zu Quantitative Finance. Bin erhielt seinen Doktortitel in Physik von der New York University im Jahr 1992.