Math Handels

Zur Verteidigung der einem quantitativen Ansatz für die Finanzmärkte Ich habe das Gefühl, dass es einige feine, aber verbreiten Missverständnis über datengesteuerte Forschung an den Finanzmärkten und ich diesen Artikel zu nehmen: suchendes Alpha Not Even Wrong: Warum Daten Abgebaut Marktvorhersagen sind schlimmer als nutzlos von Justice Litle (auch im erscheine auf seiner Website: Mercenary Trader) als Ausgangspunkt für die Diskussion. Der Artikel selbst ist als rant gegen diesen Artikel auf Yahoo Finance geboren: Warum langweilig Bullish. das schließt eine 89% ige Chance bullish Wirkung auf die SP auf der Grundlage einer Stichprobe von 18 früheren Fällen, wo wir hatten ähnliche niedrige vol wie jetzt. Nun lassen Sie mich deutlich sagen, dass die Yahoo Artikel ist nicht zu verteidigen für eine Reihe von Gründen, meiner Meinung nach (um nur einige zu nennen: viel zu geringen Stichprobengröße, keine Robustheitsanalyse, keine Erwähnung der Zahlen von Versuchen, die ausgeführt wurden), so dass in diesem Ich stimme Herrn Litle. Doch Herr Litle geht darüber hinaus und erklärt, warum die Aktienmärkte momentan nicht langweilig werden: Das Potenzial Flugbahn der Aktienmärkte wird direkt von der Flugbahn der Schulden - und Währungsmärkte (die das Gegenteil von langweilig jetzt) ​​beeinflusst. [] Ruhe vor dem Sturm langweilig, vielleicht. Plain alten langweiligen langweilig? Ach nein. [] und schließlich bewegt sich seine Kritiker zum Data Mining auf den Finanzmärkten im Allgemeinen: Die Märkte sind alles andere als einfach. In der Tat sind sie sehr komplex. Als solche sind Vorhersagen basierend auf Data Mining eines einzigen historischen Variable oder einzelne handverlesene Muster Beobachtung fast immer schlimmer als nutzlos, weil sie eine Kernzusammenfluss von Faktoren zu ignorieren. [] Wenn es um die Vorhersage von zukünftigen Ausgaben von komplexen Systemen, praktisch jede Art von einer Variablen statistische Denken kommt, sind fehlerhaft. [] Der einzige Weg, um zu vermeiden, sich von falschen Daten oder oberflächliche Denken getäuscht ist es, reale Ellenbogen Fett in wirklich zu verstehen, was treibt Märkte und warum setzen ... und wenn Sie haben, dass das Verständnis müssen Sie Rosinen oder Datenmine, weil Sie etwas besseres haben nicht: Die Fähigkeit, ein Zusammenfluss von Schlüsselfaktoren, die in der vorliegenden bewerten, wie Auswirkungen auf wichtige Marktbeziehungen im Hier und Jetzt. Jetzt, während ich damit einverstanden, dass die Finanzmärkte sind sehr komplex und dass seine sehr einfach zu täuschen, ich glaube, dass diese Aussagen über Data-Mining sind ein bisschen zu allgemein. Die Verwendung eines einzigen historischen Variable oder unter Berücksichtigung des Einflusses von mehreren Faktoren ab, sagt absolut nichts an sich, wie gut eine Vorhersage ist (und mit Vorhersage Ich beziehe mich auf jede Art von statistischen Schlussfolgerungen über die Zukunft). Im allgemeinen in der Lage sein, eine Vorhersage mit irgendeiner Wert eins hat, um bestimmte Merkmale (Variablen), die in einer bestimmten Weise kombiniert etwas Aussagekraft über zukünftige Ereignisse zu identifizieren sein. Dies gilt für jeden Bereich und für jeden Vorhersageverfahren, sei es AI oder menschlichen Vernunft. Der schwierige Teil ist natürlich die Suche nach diesen Funktionen und deren Kombination. Mit Blick auf die Dinge auf diese Weise, ist der Autor des Artikels Yahoo gerade behaupten, dass (eine bestimmte Definition) Low-Level von Volatilität hat eine gewisse Aussagekraft über zukünftige Erträge. Was Herr Litle reagiert ist, dass die Geldpolitik, Verschuldung und Devisenmärkten statt besser Funktionen zu bedienen, auf der Grundlage seiner Erfahrung und Sicht auf die Welt. Ist das wirklich so anders als man es richtig macht Data Mining? Die große Frage ist, ob das Verständnis der Ursachen von bestimmten Marktdynamik ist ein Schlüsselfaktor bei der Bereitstellung vorhersagbaren zu einem gewissen Grad (beachten Sie die Anführungszeichen in das Verständnis). Ich glaube, dass dies der Fall sein, nicht. Um eine parallel mit der Welt der Physik zu machen, Physiker sicherlich Dont immer verstehen, warum bestimmte Dinge folgen einem bestimmten Gesetz. Vielmehr beobachten sie ein bestimmtes Verhalten und sie versuchen, es zu beschreiben. Wenn auf dem Weg, sie irgendeine Art von Erklärung dafür ist, desto besser können. Aber es wird immer ein zusätzlicher sein, warum die eine Antwort erfordert (warum Äpfel auf den Boden fallen - & gt;? Schwerkraft - & gt; warum die Schwerkraft vorhanden - & gt;? Relativitäts - & gt; usw.). Natürlich ist ein Hauptunterschied mit Physik ist, dass die Finanzmärkte nicht vollständig durch Gleichungen beschrieben, wobei die Ergebnisse der komplexen Wechselwirkungen von Milliarden von Menschen. Aus praktischer Sicht bedeutet dies, dass mit einer datengetriebenen Ansatz müssen wir viel mehr Aufmerksamkeit in der Entwicklung eines Rahmens, um die tatsächliche Vorhersagekraft von jedem Modell, das auch kaum für immer arbeiten zu bewerten setzen. Aber ähnliche Schwierigkeiten gelten für jede Art von diskretionären Trading. Die gleiche Tatsache, dass es so viele Faktoren im Spiel (und damit so viel Lärm) macht es schwierig für unser Gehirn, um die Situation objektiv zu analysieren, und sicherlich die vielen kognitiven Verzerrungen, die uns betreffen nicht Hilfe. So ist unser Verständnis der Ursachen von Marktbewegungen kann nicht wirklich so weit gehen. Z. B. könnten wir verstehen, dass eine gewisse Ineffizienz, weil einige Institutionen, die unter einigen Einschränkungen vorhanden ist, aber wir werden nicht wissen, wie lange diese Beschränkungen werden an Ort und Stelle oder zu bleiben, als einige Wettbewerber auf dieser Ineffizienz holen reduzieren unsere Gewinnspanne oder sogar Ursache für die Märkte verhalten sich eine völlig unvorhersehbare Weise. Damit möchte ich nicht sagen, dass mit gewissen Ermessensspielraum ist sinnlos, sondern bin nur versuchen, argumentieren, dass es ein Ort, sowohl für den Handel und ich sehe keinen Dualismus hier. Pure (richtig gemacht) datengetriebenen Forschung und reinen Makro / Ermessens Forschung führen zu zwei verschiedene Sätze von Chancen, die sich auch überlappen können in einigen Situationen. Wahrscheinlich können diskretionären Handel stärker auf die sich verändernden Marktdynamik sein, während eine datengetriebene Ansatz könnte seine Stärke in der Übertragbarkeit der Maßnahmen auf verschiedenen Märkten und in wie quantifizierbare es ist. Und in jedem Fall Ich glaube fest daran, dass jeder datengesteuerte Auswertung ist nur so gut wie der Gedanke, wir in sie setzen, und ebenso jede Art von diskretionären Handel kann nur aus der Verwendung irgendeiner quantitative Analyse profitieren. Um auf einem letzten Punkt von Herrn Litle gebracht Kommentar: Doch wir etwa Null Zeit auf Data Mining, die kein Interesse an Aussagen wie in den letzten X Jahren hat der SP diese X Prozent der Zeit. Warum dieser Gegensatz? Denn Märkte sind eine komplexe Meer von wirbelnden und ineinandergreifenden Variablen, und es ist die historische Treiber und qualitative Ursache-Wirkungsbeziehungen sind, was haben bleibenden Wert. Es ist nicht die Ausgabe einer Tabelle, die das Muster-basierte Rosinenpickerei fehlt Einblick, was schuf die Ergebnisse, aber die qualitativen Verhältnisse wirklich zurechenbaren gemeinsamen Verursachung der verschiedenen Ergebnisse auf einer Fall-zu-Fall-Basis, mit einem sehr großen Angelegenheiten nicken, um Geschichte und Kontext. Ich bin damit einverstanden, dass das, was zählt, ist in der Tat finden einige Beziehungen, die wirkliche Aussagekraft über die Zukunft haben. Aber, wie man diese Beziehungen findet, ist eine komplexe Angelegenheit, und man muss sich in die Besonderheiten des Einzelfalls zu graben, um herauszufinden, ob die Analyse hat einen gewissen Wert, da im Allgemeinen die Ausgabe einer Tabelle kann als gut oder so schlecht, wie jegliche qualitative Beziehungen sein man kann denken, zu halten. Sortieren Matching-Algorithmen In der heutigen Märkten durch Hochfrequenz algos dominiert, Raum für Gewinne für Nicht-HF (und noch wichtiger, nicht-HF bewusst) Jungs, wird im Allgemeinen reduziert. Die proportionale Auswirkung auf die Leistung der HF dürfte größer sein, je kleiner ist der Durchschnittswert der Handel und die kürzere Ihren Haltedauer. Nach meiner Erfahrung dieses nicht haben jedoch notwendig, der Fall sein: einfach ausgedrückt, wie in jedem Unternehmen, auf die sie die Konkurrenz und in diesem Fall eine Möglichkeit, es zu tun ist, um mehr Aufmerksamkeit zu schenken und die Verbesserung der Ausführung Seite Ihres Handels anzupassen . Das ist nicht immer leicht machbar (siehe Timestamp Betrug durch Zerohedge berichtet), aber es gibt einige niedrig hängenden Früchte, die in einem ersten Schritt ausgewählt werden können. Wenn diese Aussage kann Art von vagen für Sie klingen, ich habe ein Beispiel aus meiner Erfahrung, die es unterstützt, und dass ich denke, das könnte nützlich für andere sein (während hoffentlich nicht auf meine Strategien zu viel Einfluss mit). Während alle meine Modelle sind voll automatisiert, ich immer noch gerne auf Märkten und insbesondere bei Bestellung Bücher aussehen, wenn meine Befehle werden ausgeführt. Etwas, das ich bemerkte, schon vor einiger Zeit, als Handels 30y US-Bond-Futures, war, dass, wann immer mein Limit-Orders ausgeführt wurden, war ich sofort mit einem Verlust. Was dies bedeutet ist besser durch ein Beispiel erläutert. Sagen, dass wir auf ein Orderbuch, das so ausgesehen: und dass meine Verkaufslimit Bestellung wurde in diesen 750 134,6 enthalten. Immer, wenn ich hingerichtet wurde, die Mitte-Preis würde dann sofort gegen mich zu bewegen, und das Buch würde dann in etwa so aussehen: Im Grunde, was geschah, war, dass meine Bestellung war immer einer der letzten, die ausgeführt werden, so dass die einfache Tatsache, dass es wurde gefüllt bedeutete, dass es keine Angebote mehr (Angebote) auf meiner Ebene, und der beste Geld - und Brief würde nach oben ( down) einen Tick. Eine schnelle Untersuchung über die CME Website ergab, dass die Ursache dafür war die Art der Order Matching algo durch den Austausch verwendet. ein First In, First Out (FIFO) algo. Was ist ein Matching-Algorithmus? Ein Matching-Algorithmus ist eine Technik, um abgestimmte Mengen zuzuweisen, verwendet werden, wenn ein Angreifer um Spiele mit einem oder mehreren Ruhe Bestellungen. Algorithmen gelten sowohl geradezu und implizite Matching. In Rajeev Ranjans Website Sie eine vertiefte Einführung in die Bestell-Matching-Algorithmen (wie auch andere Ressourcen auf HFT / algo-Handel) zu finden. Im obigen Beispiel wurde mein Handelsmodell angewiesen, die Limit-Order nur dann, wenn der Preis war nahe genug, um meinen gewünschten Niveau, das mich immer machte einer der letzten, die Warteschlange und damit eine der letzten zu füllenden beitreten zu schicken, nach in den FIFO-Paradigma. In der Praxis, was das bedeutete, war, dass ich immer in den schlimmsten möglichen Szenarien durchgeführt, das heißt, wenn der Preis würde in die andere Richtung meiner Bestellung weiter, und zur gleichen Zeit war ich noch nie in den besten Szenarien ausgeführt wird, ist, dass wenn der Preis würde mein Niveau zu berühren und dann umzukehren zurück zu meinen Gunsten. Wie Sie sich vorstellen können, eine einfache Abhilfe für mich war, meine Limitaufträge zu senden (wenn unter FIFO pass algos) so früh wie möglich, aber im Allgemeinen, kann diese Beobachtung verschiedene Dinge für verschiedene Menschen vor. Für Day-Trader, die nicht in einer automatisierten Weise handeln, die unter FIFO Matching-Algorithmen könnte bedeuten häufig zunehmende diejenigen Maximum Adverse Ausführung durch einen Tick (was eine ganze Menge sein kann, je nachdem, was man tut), es sei denn man ist in der Lage zu spielen um es herum. Ähnlich wie in diesem Fall, es gibt auch andere Situationen, wenn die Order Matching algo in Gebrauch ist und handelt Ausführung im Allgemeinen kann ebenso wichtig wie die Strategien / Handels Ideen selbst zu werden. Ein weiteres Beispiel für eine gute Nutzung von Order Matching-Algorithmen könnte sein, dass von einem Händler, der unter einer Pro-Rata-Matching-Algorithmus. typisch für Eurodollar (IR) Futures. Wenn Sie wirklich wollen, eine Füllung aus X viel, könnte man einfach eine Ordnung, die etwas größer als X mit dem zusätzlichen Betrag durch diktiert, wie aggressiv Sie wollen / müssen, um zu sein und einmal gefüllt versuchen, um die restlichen Partien abzubrechen (Haftungsausschluss ist: der Natürlich indem Sie diese aktiv zu riskieren, der in alle Lose gefüllt, so einfach nicht mein Wort für dies ist eine gute Übung, und tun es auf eigene Gefahr). Selbstverständlich unter Beachtung der Matching-Algorithmus ist nur die Spitze des Eisbergs der Hochfrequenz-Welt. aber ich würde denken, dass in einigen Situationen ihre leichte Kratzer zu tun, und eine, die direkt hinzufügen könnte einen gewissen Wert. Zum Abschluss dieses Post, lassen Sie mich klar sagen, dass für Sie, wie gut unsere Markt Simulator ist, handelt der Ausführung kann nicht immer im Voraus modelliert werden. Dies bedeutet nicht, dass wir aufgeben, Simulationen so realistisch (und etwas konservativ) wie möglich, zB zu machen im Hinblick auf die Fills und Schlupf (heres ein schöner Posten auf, was ein Verrutschen von Prof. Tucker Balch). Vielmehr sollten wir nur daran erinnern, dass es keinen wirklichen Ersatz für eine persönliche erster Hand Beobachtung und Interaktion mit der Welt. Alles in allem sollte es nicht wirklich überraschend, dass einfache Beobachtung ist ein mächtiges Werkzeug, wobei der erste Schritt der wissenschaftlichen Methode. Feature Auswahl Handelsalgorithmen In letzter Zeit habe ich für einen systematischeren Weg, um mit Überanpassung gesucht und in meiner Suche fand ich es sinnvoll, einige Techniken aus dem Bereich Machine Learning leihen. Wenn man darüber nachdenkt, ist ein Handelsalgorithmus nur eine Form von AI, die Preise Serie angewendet. Diese Aussage, wenn auch möglicherweise auf der Hand, sind wir in der Lage, eine Reihe von Techniken des maschinellen Lernens, um unsere Handelsstrategien Design-Anwendung. Ausbau, was hier (und hier) diskutiert, es scheint intuitiv, dass die mehr Funktionen in einem Modell, desto mehr generell das Modell könnte vorbehaltlich Überanpassung sein. Dieses Problem ist als die Bias-Varianz Kompromiss bekannt und wird üblicherweise durch das Diagramm rechts zusammengefasst. Da die Komplexität steigt, die Leistung in der Trainingsmenge erhöht, während Vorhersageleistung verschlechtert Was vielleicht weniger intuitiv ist, dass die Besonderheiten im Zusammenhang mit der Dynamik verwendet werden, um vorherzusagen, spielen eine wichtige Rolle bei der Bestimmung, ob wir Überanpassung Vergangenheitsdaten. so dass das Fehlerverhalten in dem Graphen gezeigt ist nur eine Generalisierung. Etwas besonders interessant ist, dass die Verwendung der gleichen Funktion (zB in unserer Anwendung einen Indikator, ein Take-Profit oder Stop-Loss-Mechanismus, etc.) könnten nicht dazu führen könnte oder Überanpassung entsprechend der Dynamik wir versuchen zu passen. Der Grund dafür ist, dass einige Phänomene (oder manchmal auch Varianten des gleichen Phänomens) einfach kippe von einigen Merkmalen beschrieben werden. Als ein Beispiel vorstellen, dass Sie versuchen, die zukünftige Verkäufe eines Sportwear Shop in Australien prognostizieren sind. Eine gute Funktion zu benutzen könnte die Zeit des Jahres, als (sagen wir) Aussies sind besonders daran interessiert, in Wassersport und so Frühling und Sommer sind in der Regel die besten Verkäufe für das Jahr zeigen. Nun stellen Sie versuchen, die Zukunft einen Umsatz von einer ähnlichen Sportwear Shop irgendwo in den USA befindet, prognostiziert. Es könnte sein, dass US-Bürger nicht über eine Präferenz für eine bestimmte Jahreszeit, wie im Sommer sind sie üben Wassersport und im Winter Ski fahren sie gehen. In diesem neuen Szenario, ist ein Modell mit der Jahreszeit als Feature eher wegen der unterschiedlichen zugrundeliegenden Dynamik führen zu einer overfitted Modell. Zurück zu Finanzmärkte könnte ein Beispiel dafür sein, wie ein Stop-Loss-Mechanismus dazu neigt, werden (im Allgemeinen und nach meiner Erfahrung) eine gute Funktion für Trendfolgestrategien, aber nicht für Mean-Reversion-Strategien (und umgekehrt für die angestrebte Gewinnspanne Warenwert). Eine mögliche Erklärung dafür könnte sein, dass Trends werden auch durch das Fehlen von großen negativen Entwicklungen beschrieben, aber ihre Vollauszug kann nicht im Voraus bekannt sein (aber das ist nur mich versuchen, meine empirische Befunde zu rationalisieren). Also, wie Sie wissen, welche Funktionen gute Kandidaten sind? Zum Glück für uns, es gibt eine ganze Reihe von Techniken, die in der Machine Learning Feld Merkmalsauswahl arbeiten entwickelt. Ich empfehle, die folgende 2003 Papier für einen Überblick über die Methoden: Eine Einführung in die variable und Merkmalsauswahl von Isabelle Guyon. Jeder Text, der Machine Learning sollten auch einige der Techniken, wie es funktioniert die außergewöhnliche Stanfords Machine Learning-Klasse in Coursera Jede andere Leser-Empfehlung (oder Kommentar) ist natürlich sehr willkommen. Getrimmt Leistungsschätzer Dies ist eine kurze Follow-up auf meinem vorherigen Post auf Quantile Normalisierung. Anstatt sie zu entfernen Sie einfach die obere X-Quantil der Renditen / Handel bei der Optimierung einer strategys Parameter Raum, hat meine bisherigen Ansatz bestand darin, die oben und unten X Quantile zu entfernen, so wirkungsvoll mit einem robusten getrimmt Schätzer der Leistung statt der Schätzer sich. Die Vorteile sind symmetrisch zu den in der früheren Post erwähnt, solange Ihr Backtest ermöglicht die realistische Modellierung der Trades Ausführung zB wenn Sie mit Stop-Orders und Handels Bars (im Gegensatz zu Daten ankreuzen), möchten Sie wahrscheinlich, einen Betrag von Schlupf in gewisser Weise proportional zur Größe der Bar (Spezifikation erforderlich, da eine konservative Modellierung von Limit-Orders ist leichter zu erreichen) hinzufügen . Trimmen die schlimmsten Erträge ist insbesondere nützlich im Falle von Strategien, die einzige große Verluste (wie Mean-Reversion-Strategien in irgendeiner Form in der Regel), während Trimmen der besten Renditen ist nützlicher für Strategien mit großen positiven Tagen (zB Trendfolge-Strategien) . Zwei (von vielen) möglichen Varianten sind: - Um Autokorrelationen eines strategys Renditen zu erhalten, man entscheiden könnte, um Blöcke von Geschäften / Tag (dem, was man bei der Bootstrapping-Blöcke von Geschäften / Tagen tut in ähnlicher Weise) zu entfernen, statt der einzelnen Gewerke / Tagen. - Um Die Anzahl der Proben in unseren Ergebnissen anstelle von Entfernen der oberen zu erhalten (am schlechtesten) Tagen, man sie mit den mittleren / medianen positive (verlieren) Tagen ersetzen könnte. Etwas anderes zu beachten ist, dass, wenn Ihre Leistung Maßnahme nutzt Standardabweichung (als Fall für die Sharpe Ratio), Beschneiden der Schwänze der Rückkehr von seiner Berechnung wird wahrscheinlich in einer Überschätzung der Leistung führen. Schließlich ist hier der Matlab-Code: ----------- normalise_excess_pnl = 1; normalisation_quantile = 0,98; wenn normalise_excess_pnl best_daily_pnl = Quantil (pnl_daily, normalisation_quantile); worst_daily_pnl = Quantil (pnl_daily, 1-normalisation_quantile); pnl_daily (pnl_daily & gt; = best_daily_pnl) = []; Underfitting, Fehlbedienung und das Verständnis Alphas Treiber Während Überanpassung ist sicherlich eine Herausforderung, fallen für das entgegengesetzte Extrem ist auch eine Möglichkeit. Berichterstattung Teil einem Interview von William Echkardt von Futures-Magazin (was ich empfehlen würde, um in vollem Umfang von hier zu lesen): Ich kann ein wenig mehr über Überanpassung zu sprechen, wenn nicht meine persönliche proprietäre Techniken. Vor allem Ich mag das [Begriff] Überanpassung statt Kurvenanpassung, weil Kurvenanpassung ist ein Begriff aus nicht-linearen Regressionsanalyse. Es ist, wo Sie eine Menge von Daten, und Sie sind der Montage der Datenpunkte in einem gewissen Kurve. Nun, Sie nicht tun, dass mit Futures. Technisch gibt es keine Kurvenanpassung Sie hier; der Begriff nicht gilt. Aber was Sie tun können, können Sie over-Passform. Der Grund Ich mag den Begriff Über fit statt Kurvenanpassung ist, dass über-Passform zeigt, dass Sie kann auch unter-fit. Die Menschen, die nicht optimieren unter-Montage. Underfitting und Fehlbedienung Wenn wir mit einer unzureichenden Zahl von Freiheitsgraden, so dass unser System tut zwischen einigen wichtigen Veränderungen auf den Märkten Verhalten zu unterscheiden sind, dann ist das, was wir tun, ist underfitting. Ein triviales Beispiel underfitting könnte den Kauf eines Zufalls Lager aus dem Aktienuniversum an einem beliebigen Punkt in der Zeit und halten es für eine zufällige Zeitdauer. Eine andere Möglichkeit ist, dass wir nicht die richtigen Variablen (oder wir die richtigen Variablen haben, aber wir sind mit ihnen in einem schlechten Weg) nennen wir diese Fehlbedienung. Stellen Sie sich ein Modell auf italienischen BTP, die auf Rohölpreise sieht und völlig ignoriert die Ausbreitung mit deutschen Anleihen (nun, es könnte sogar einige verwertbare Beziehung zwischen BTP und Rohöl sein, nur versuchen, einen Punkt zu machen). Es ist klar, was macht eine variable richtige für ein bestimmtes Modell und eine gegebene Vermögens ist höchst fraglich. Ähnlich wie für die Überanpassung sagte: Ich denke, wir können einfach in absoluten Zahlen erkennen, ob ein Modell fehlerhaft ist mit underfitting oder Fehlbedienung (mit Ausnahme der sehr offensichtliche Fälle) nicht. Vielmehr Ich mag, um im Hinblick auf die mögliche Existenz eines besseren Modellen Spezifikation, die wir ignorieren, zB Vernunft es könnte ein Schlüsselfaktor, der unser Modell ist besonders empfindlich gegenüber, und dass wir nicht erfassen, zu sein (entweder im Hinblick auf die spezifischen Anlage wir das Modell gelten für oder in Bezug auf die Märkte aktuelle Dynamik). Oder es könnte sein, dass wir mit einigen Variablen, die nur in die reale Faktor verknüpft sind, aber nicht die tatsächliche alpha Treiber. Techniken zur Durchführung dieser Art der Analyse gehören PCA und Faktorenanalyse. sondern nach dem, was man genau macht viele andere quantitative Techniken angewendet werden kann (auf Portfolioebene, so etwas wie Markt Clustering von David Varadi präsentiert scheint vielversprechend). Natürlich (und leider), müssen wir bedenken, dass je mehr wir betreiben diese Art der a posteriori Analyse, desto eher sind wir zu einem Extrem (underfitting / Fehlbedienung) zum anderen zu gehen (Überanpassung). Fat tails und sich verändernden Marktdynamik In einem anderen Teil der oben erwähnten Interview, Herr Echkardt strikt betrifft die Anzahl der Freiheitsgrade, um die Anzahl der Trades im Backtest, mit dem Argument, dass man mehr Trades als wegen der fat tails der Märkte zurückkehrt in einer Gauß-Welt erwarten muss. Während Ich stimme dem qualitative Beziehung zwischen Freiheitsgraden und Anzahl der Trades, ich bin nicht sicher, ich stimme mit der strengen quantitative Beziehung zwischen den beiden Variablen. Der Grund dafür ist zweifach: 1) Es ist nicht immer möglich, genau zu quantifizieren, die tatsächliche Anzahl der Freiheitsgrade verwendet wird oder wie viel Rückblickend sind wir gießen in unserer Modellierung (wie in meinem vorherigen Post diskutiert); 2) Ich denke, dass Fett-tails ist nur ein Teil der Geschichte. Ein weiterer großer Teil ist die fortlaufenden Veränderungen, die Märkte zu gehen Trog (unter der Form der Heteroskedastizität aber nicht nur). Stellen Sie sich vor, ein Modell über 2 Jahre von Daten zu testen, und das, weil das Modell ist eine relativ hochfrequente Modell (und so eine sehr hohe Anzahl von Trades) Sie denken, Sie bewacht werden Sie sich selbst von Überanpassung. Was Sie vielleicht zu ignorieren ist, dass mit dem Modell über eine relativ kurze Zeitfenster geprüft, könnten Sie es nicht gegen die unterschiedlichen Marktbedingungen getestet haben. Es könnte gut sein, dass vor 2,5 Jahre Märkte waren etwas anders und das Modell war nutzlos, was bedeutet, dass, sobald Märkte wieder ändern werden Sie Ihr Rand zu verlieren. Ein Beispiel könnte ein Modell, das unwissentlich nutzt einige Marktverhalten der Fed auf Eis über einen so langen Zeitraum geboren werden. Dies ist eine andere Form der Überanpassung, wenn Sie wollen, aber eine, die für die, indem Sie einfach Blick auf die Anzahl der Trades gegen die Anzahl der Modelle, Parameter kann nicht berücksichtigt werden. Weil dieser, Id immer gerne jede neue Strategie für so viel historische Daten wie möglich zu testen. In Bezug auf diese, ich bin teilweise im Widerspruch mit Dr. Chan, der besagt, dass er selten testet Strategien mit Daten, die älter als 2007 (lesen Sie mehr hier: die Pseudo-Wissenschaft der Hypothesentests). Alle anderen Dinge gleich sind, finde ich, eine Strategie, die auch für eine lange Zeit gearbeitet, um mit größerer Wahrscheinlichkeit in naher Zukunft als eine Strategie, die auch über eine kurze Geschichte arbeitete (die nicht funktionieren zu bedeuten, dass etwas, das erst seit kurzem arbeiten kippe weiterarbeiten). Aber auch wenn Sie etwas, das erst vor kurzem arbeiten, mit einem Blick an, wie verhielt es sich, wenn es nicht wirklich durchführen kann sicherlich bieten einige interessante Einblicke besonders wenn Sie nicht auf das, was der Fahrer hinter dem alpha wirklich sicher sind, begonnen haben. Alphas Treiber Dies führt mich zu dem letzten Punkt vor dem Abschluss dieses langen Post: haben wir wirklich zu verstehen, was unser Modell tut und welche Art von Ineffizienz Wir nutzen? Persönlich denke ich, dass das Verständnis der zugrunde liegenden Treiber unseres alpha ist sicherlich ein großes Plus, da können Sie direkt das Verhalten des Haupttreiber, die wiederum einige praktische Einblicke in schwierigen Zeiten geben könnte überwachen. Dies ist jedoch nicht immer aus der Quant-Fonds denke während der 07-08 Kernschmelze: sie waren voll und ganz der Fahrer hinter ihren Aktien Stat Arb-Strategien, aber sie bekam noch im Auftragsströme und Zwangsliquidationen gefangen. Ein weiteres Beispiel könnte auch das Blow-up von LTCM zu sein. Moral der Geschichte ist, dass es konnte immer eine zusätzliche Ebene der Komplexität nicht berücksichtigt sein, damit (teilweise) das Verständnis unserer Alphas-Treiber bieten möglicherweise eine zusätzliche Kopf. Obwohl also nett ich nicht halten es für notwendig, die reale Fahrer verstehen, hinter unserem alpha vorgesehen, dass unsere statistische Analyse gibt uns genug Vertrauen, um unsere Strategie handeln. Schwagers Market Wizards Serie präsentiert Unterstützer beider Seiten, unter dem Namen DE Shaw und Jaffray Woodriff. Ensemble Methoden mit Jaffray Woodriff: Sie können mehr über ihre Ansichten in William Huas Beitrag in Adaptive Trader lesen. oder haben einen Blick auf diese QUSMAs Beitrag für eine tiefer gehende Beispiel Woodriffs Ansatz: Handeln der Jaffray Woodriff Thing (Kinda)