Sistema De Comercio De Kurtosis

Pospuse en un poste anterior que las colas gordas son una de las razones principales por las cuales la tendencia sigue las obras. El concepto subyacente se puede resumir de la siguiente manera: tendencia a raíz de intentos de capturar grandes movimientos de precios (tendencias a. k.a.). Dado que las distribuciones de precios son leptocúrticas (es decir, exhiben colas de grasa) tendencias largas se producen en frecuencia anormal, proporcionando mayores fuentes de alfa para los seguidores de tendencia. Después del artículo, un lector del blog (Alex) me envió amablemente un documento de investigación tratando de identificar qué momentos de una distribución (media / desviación, varianza, sesgo, kurtosis) afectan los retornos de una estrategia de seguimiento de tendencias. Esta es una lectura interesante (10 páginas, no demasiado matemáticamente desafiante) que le animo a leer: Haga clic para descargar el papel Resumen del documento Los autores están más interesados ​​en las monedas y con el fin de liberarse de la limitación de datos históricos, que generan artificial Datos de precios para simular diferentes tipos de distribuciones de precios variando los diferentes momentos subyacentes. A continuación, aplican un sistema de seguimiento de tendencia promedio móvil triple estándar a las diferentes series temporales generadas y miden la ganancia bruta anualizada para la simulación (más de 5.000 días de cotización) para cada tipo de distribución. El otro parámetro medido es la Frecuencia de Negociación, a partir de la cual derivan la característica de autocorrelación de los datos subyacentes (aplicando la lógica de que un sistema de seguimiento de tendencias entrará y saldrá más frecuentemente en un entorno de inversión media y viceversa) . Conclusiones Al aplicar un cierto análisis de regresión a los diversos resultados observados, los autores llegan a la ecuación que predice el retorno del sistema de tendencias siguiente: TMA Resultado 38.88Stdev (1 8211 6.77TFrq 0.0392Skew 8211 0.010Kurtosis Drift (65.65 324.600Drift) Error de estimación estándar de 0.3 Las interpretaciones son que: La volatilidad del mercado (38.88 Stdev) determina el potencial de ganancia (o pérdida) de la estrategia de tendencia siguiente. Esta relación es directa, por lo que si la volatilidad del mercado se duplica, también lo hace el resultado esperado de la TMA. En consecuencia, ya no es sorprendente que los modelos de tendencias tienden a mostrar los mejores resultados en los principales bloques de divisas con alta volatilidad del mercado. Un Tfreq alto tendrá un impacto negativo en el rendimiento del modelo de tendencia. Skew mejorará el rendimiento, mientras que lo contrario es cierto para kurtosis. La deriva aumentará el valor de la ecuación y, por tanto, contribuirá positivamente al resultado del modelo TMA. Por lo tanto, parece que la kurtosis (la fuente de las colas de grasa) realmente tiene un efecto negativo en un modelo de tendencia siguiente (en contra de lo anterior) y de una manera relativamente grande: El camino de la moneda (auto-correlación / frecuencia de negociación) El factor más importante en la determinación del desempeño (91). El impacto de la curtosis (68) y la deriva (56) también es significativo. La asimetría es menos significativa, pero todavía explica la variación por sí sola. La volatilidad no tiene importancia alguna (0,4). Esto podría inicialmente ser una sorpresa, pero como se ilustra en la ecuación, es una variable de multiplicación y por lo tanto no genera por sí misma rentabilidad del modelo de tendencia (o pérdida cuando la característica de la trayectoria es desfavorable). Comentarios La teoría matemática no es mi juego más fuerte (a pesar de estudiar más de 10 horas de matemáticas por semana en mi mejor momento) y definitivamente estoy pensando en obtener algún entrenamiento de actualización en eso. Pero hay algunos puntos que me molestan en ese trabajo de investigación. Para los lectores más informados: 8220Por favor, escuche y me diga dónde podría estar equivocado: Datos Simulados Esto tiende a hacerme un poco escéptico de los resultados, especialmente con los supuestos de la teoría de mercados aleatorios y de mercados eficientes (EMH). Después de leer Taleb y sobre todo Mandelbrot (realmente disfruté leyendo El (mis) comportamiento de Mercados con su debunking de la EMH y la explicación alternativa de los mercados financieros), he sido convertido al lado oscuro de la fuerza: No estoy seguro de que realmente Saber cómo modelizar los datos teóricamente y esta simulación aleatoria podría faltar características específicas de datos de precios (concedido, la verificación empírica de los autores parece confirmar las suposiciones 8230). Medida de autocorrelación por proxy La autocorrelación de los datos subyacentes se deriva en realidad de la frecuencia de negociación del propio sistema de comercio. Esto no suena bien. Mientras que parece intuitivo que cuanto más una tendencia después de la estrategia negocia dentro y hacia fuera menos rentable, no estoy seguro que esto necesariamente y direclty implica la auto-correlación en los datos subyacentes. Sólo un modelo probado Probando el desempeño de seguir las tendencias usando un solo modelo podría no ser tan representativo. En cualquier caso, el hallazgo de que la kurtosis tiene un efecto negativo sobre la tendencia después de los retornos parece contradecir mi opinión sobre el comportamiento de la kurtosis. Anterior. De acuerdo con los puntos anteriores, tomaremos los hallazgos del paper8217 con una pizca de sal 8211, pero podría ser una herramienta útil para determinar cuándo o no utilizar la estrategia de seguimiento de tendencias (midiendo las características de la distribución de precios). Si la negociación con estos regímenes de mercado de identificación es un enfoque válido y robusto es una pregunta diferente 8230 84 meses, 1 semana atrás creo que 8220tener you8221 ahora y ver lo que está diciendo. Para mí, una de las características principales de seguir las tendencias es que es una estrategia que reduce sus pérdidas cortas y permite que sus ganadores corran. Desde ese punto de vista solamente (es decir, ignorando la parte 8220 de la tendencia que sigue, si se quiere), una alta curtosis asegurará que los ganadores grandes o muy grandes ocurran a una frecuencia mayor a la normal (8221) . Mirando este argumento solamente, las entradas aleatorias con SL pero ningún TP deben proporcionar rentabilidades rentables. Tenga en cuenta que no he verificado que la teoría haciendo una investigación analítica adecuada, pero esto suena lógico para mí (y parece confirmado por los propios seguidores de tendencia). Sin embargo, esto hace una gran suposición: que las pérdidas que podrían resultar de whipsawing en una tendencia siguiendo el sistema no superan las ganancias de aventurarse en las colas de grasa. Y creo que este es el punto que usted está tratando de hacer con la importancia de la dirección de movimientos volátiles: si tienden a moverse hacia adelante y hacia atrás a niveles muy altos, esto tendrá un efecto perjudicial para el sistema de rendimiento del TF. Tal vez, un cálculo adicional de la dimensión de Hurst coeficiente / fractal en la serie temporal ayudaría a cuantificar el whipsawing Feliz de continuar la discusión (y escuchar si usted piensa que no tiene sentido), ya que ayuda a perfeccionar mi comprensión. 84 meses, 1 semana atrás Alex 8211 Por ejemplo, dos estructuras de volatilidad son la agrupación y la media-reversión. Esto conduce a dos estados de volatilidad, altos y bajos, que podrían ser incorporados en una estrategia, en oposición a una estrategia que negocia la volatilidad como estado singular. Sin embargo, la estructura no siempre es rentable. Jez 8211 Sí. Eso es correcto. Los estados no direccionales tienden a superar las tendencias que a menudo pueden conducir a la ruina. Las paradas son una función de la estrategia, no del mercado. Cortar sus pérdidas cortas es un gran dicho, pero creo que no tiene ningún significado real. It8217s manera demasiado general. Realizar una simulación con entradas aleatorias es un gran ejercicio. Utilice una parada, ejecute 10.000 simulaciones de aproximadamente 300 operaciones al azar. Realícelos en datos reales y datos simulados. Con los datos simulados, puede alterar la deriva y la volatilidad. Hay dirección y hay volatilidad. El primer paso es cuantificarlos. Paso 2 es determinar si hay una relación entre ellos. La correlación es un buen lugar para comenzar, pero sólo mide la dependencia lineal. No olvide que la correlación no es causal. Además, si la relación es no lineal, la correlación no lo capturará. El comercio es estadística y análisis de series de tiempo. I8217m sorprendió cuántos libros 8220trading8221 no cubren estos temas relevantes. 30 meses, 1 semana atrás Creo que skewness es la fuente de grasa colas, mientras que kurtosis es el peakiness alrededor del modo. Si asumimos que el modo no es un retorno muy alto (ve o negativo), entonces mayor kurtosis significa mayor número de retornos que no son tendencias y por lo tanto kurtosis más alto shold de forma intuitiva deprimir los retornos de un sistema de seguimiento de tendencia. Sin embargo, creo que una kurtosis más alta es lo que usted necesita para un sistema de reversión para mostrar un mejor rendimiento. Rsaquo Actualiza la página para ver tu comentario. (Si su comentario requiere moderación se agregará pronto.) Comprender RIESGO: Desviación Estándar, Inclinar, ampamp Kurtosis explicado 27 de junio de 2005 Hablamos constantemente de ello en este boletín y constantemente lo escuchamos. Qué es . RIESGO. No, no el juego de mesa. Sino el peligro de pérdida inherente a cualquier tipo de inversión. La estrategia clásica de inversión nos dice que los retornos que recibimos de una inversión son la compensación que recibimos por asumir el riesgo de esa inversión. Pero, ¿qué tan bien entendemos el concepto y cómo afectará los dólares, el euro o el yen que hemos invertido? Poniendo las medidas estadísticas de riesgo a veces difíciles de entender en cantidades reales en dólares relevantes para su inversión en un sistema comercial o administrado Futuros es esencial. Una vez que un inversor obtiene una mejor comprensión del riesgo y puede responder a preguntas como la anterior, sus posibilidades de éxito a largo plazo se han mejorado dramáticamente. ¿Por qué necesita saber cuál es el riesgo en términos de dólares? Por alguna razón, la mayoría de los inversionistas entran en una inversión mirando porcentajes, pero empiezan a buscar cantidades de dólares cuando y si las cosas se ponen difíciles. No puedo decirle cuántas veces he visto a un inversionista entrar en un sistema comercial diciendo que puede manejar una reducción de 25, pero pierde confianza en el enfoque una vez que pierde 25,000 en una inversión de 100,000. Para los matemáticamente desafiados: 25 de 100K 25K. Su mismo riesgo, sin embargo la gente tiende a quotdollarizequot en el lado negativo, sintiendo el dolor de -25K mucho más de -25. Entonces, ¿cómo conseguimos una manija en cómo es grande el oscilación del dólar en nuestra cuenta será El primer paso es mirar esa pieza omnipresente de la estadística: desviación estándar. Los libros han sido escritos tratando de explicar la desviación estándar, pero bien tomar una grieta en una definición corta y concisa aquí. Una de las maneras más fáciles de pensar en la desviación estándar es como una especie de medida ampliada de un promedio. Todos entendemos promedios: El hombre promedio es 59quot, una temperatura media de 65 grados, un promedio de rendimiento mensual de 1,3, y así sucesivamente. Pero a pesar de que el hombre medio es hombre, a menudo vemos a 62 y 54 hombres. De hecho, el promedio significa aproximadamente que la mitad de los hombres será más corto que 59quot y la mitad será más alto. Sin embargo, rara vez, si es que vemos a hombres de 7 hombres altos, y la rareza de ver a un hombre de 7 o 4 es el comienzo de la desviación estándar de comprensión. La desviación estándar nos indica cuán raro o frecuente sería un avistamiento de un hombre. Si reclutamos a una azafata - que ve a miles de personas todos los días en aeropuertos, hoteles y en el avión - para mantener un registro de la altura de cada persona que encuentra cada día, entonces trazó los resultados en un gráfico, Siendo el eje la altura y el eje y el número de veces que se ha visto cada altura, se obtendría el siguiente gráfico. En nuestro ejemplo habría habido muchos avistamientos de hombres de gran altura, muchos avistamientos (pero un poco menos) de hombres más altos y más cortos que la media, muchos avistamientos (pero de nuevo inferiores) de hombres 2 más cortos y 2 más altos , Y así sucesivamente hasta llegar a un punto (1 pie más alto o más corto, por ejemplo) donde hay significativamente menos avistamientos de personas que mucho más alto o que más corto que la altura promedio de los hombres. Este nivel en el que el número de observaciones comienza a disminuir significativamente es lo que nos indica la desviación estándar. Para nuestro ejemplo, la desviación estándar de la altura de los hombres es 3q. Eso nos dice que la gran mayoría de los hombres será 3quot más alto o más corto que el promedio (59quot). De hecho, en una distribución normal, que es sólo un nombre de fantasía para la curva en forma de campana arriba, la matemática funciona para decirnos que: 65 de todos los hombres estadounidenses tendrá entre 56 y 60 en altura. 95 de todos los hombres americanos tendrán entre 53 y 63 centímetros de altura. 99.7 de todos los hombres americanos estarán entre 50quot y 66quot en altura. Las implicaciones de la estadística de desviación estándar para las inversiones y la medición del riesgo deberían ser ahora obvias. Si conocemos la rentabilidad media y la desviación estándar de los rendimientos de una inversión en particular, podemos ver dónde caerá 99,7 de los rendimientos. Muchos inversionistas por lo tanto se sienten cómodos mirando la desviación estándar de los retornos para medir cuánto riesgo está en una inversión. Tomemos como ejemplo el sistema de comercio de Compass. Compass tiene una rentabilidad mensual promedio de 3.87 sobre una inversión inicial de 30.000, y una desviación estándar de los retornos mensuales de 15.33. Utilizando estos datos, podemos calcular que 65 de los rendimientos mensuales deben estar entre -3,569 y 5,625. También podemos calcular que la desviación estándar diaria de los retornos es de 3,43, o 1,028 lo que significa que 65 días de su cuenta debe oscilar de una manera u otra en alrededor de 1.000, y más de 99 días no oscilará a menos de -3.000. En su forma más simple, este concepto de quotdolarizar el riesgo basado en la desviación estándar tiene sus méritos. Por ejemplo, podemos ver en la tabla a continuación que R-Mesa con una desviación estándar mensual de alrededor de 6.500, verá oscilaciones mensuales casi tres veces mayor que Eclipse eRL, a pesar de ambos utilizando una base de capital de 30.000. Grandes cambios no son necesariamente una mala cosa, ya que pueden ser oscilaciones positivas - pero los inversores deben ser conscientes de que podrían ser oscilaciones negativas. R-Mesa sorprendió a muchos inversores el mes pasado cuando perdió más de 8.000 por contrato de tamaño completo el mes pasado -, pero una investigación sobre la desviación estándar de los sistemas de los rendimientos mensuales nos dice que la pérdida fue bastante normal - cayendo alrededor de 1,5 desviaciones estándar por debajo del promedio mensual de retorno . Ziad Chahal, el desarrollador siempre diligente de Brix, Tzar y otros sistemas, muestra el siguiente gráfico en su sitio web explicando cómo diferentes desviaciones estándar diarias se traducen en posibles números de reducción. Problemas con la desviación estándar: Existe una falla muy grande en el uso de la desviación estándar como base para medir el riesgo de inversión. Las probabilidades de desviación estándar (es decir, 65 de observaciones deben ser xx o superiores, 99 deben ser inferiores a yy) suponer que los datos se distribuyen de forma quotnormallyquot, lo que significa que hay un número igual de observaciones por encima y por debajo de la media y que el número de observación Disminuye a un ritmo cada vez mayor más lejos de la media que obtiene. El problema es que no todo (y especialmente las inversiones financieras) se distribuye normalmente. Tomemos el choque del lunes negro de octubre de 1987 como ejemplo. Si hubiese calculado una desviación estándar de los rendimientos diarios usando los 10 años de datos antes del 18 de octubre de 1987, habría concluido, entre otras cosas, que había una probabilidad de uno en un billón de que el índice Caer por más de 6 el lunes siguiente (o cualquier día futuro, para el caso). Bueno, el SampP 500 cayó más de 20 en una sola sesión el próximo lunes, y una semana después cayó otro 8.3 probando de una vez por todas que el mercado de valores no sigue una distribución normal. Debido a que la desviación estándar puede enmascarar el riesgo de eventos extremos como el Lunes Negro, los estadísticos usan otras dos medidas llamadas sesgo y curtosis para ver los retornos de inversión. Cada una de estas medidas nos indica la diferencia entre la distribución que se está viendo (los rendimientos de la inversión) es de una distribución normal. Cuanto más difiere de una distribución normal, menor será la importancia de la estadística de desviación estándar. El sesgo nos dice si los retornos de la inversión se desplazan de una manera u otra de la media. Una distribución normal tiene un sesgo de 0. Una inclinación positiva es una buena cosa en la inversión, ya que nos dice que hay un mayor número de retornos superiores a la media que hay rendimientos inferiores a la media. Por supuesto, si theres un promedio negativo donde algunos meses perdidos muy grandes tiran abajo de la media de un manojo de meses positivos pequeños, un sesgo positivo no pudo ayudarle. En contraste, se puede ver en la tabla a continuación que dos sistemas tienen inclinaciones negativas. Esto no significa que son malos sistemas, sino que nos dice que tienen más meses por debajo del promedio mensual de lo que hacen por encima del promedio mensual. Si el promedio mensual sigue siendo positivo, sin embargo, éste es generalmente apenas un caso de un sistema que tiene algunos meses muy grandes que ganan y muchos meses que ganan muy pequeños que están debajo de su ganancia mensual media. Kurtosis nos dice si hay o no evidencia de valores extremos que ocurren con mayor frecuencia de lo que cabría esperar de una distribución normal. Una distribución normal tiene una curtosis de 0. Una gran lectura positiva de la curtosis nos dice que hay más ocurrencias de eventos atípicos de lo que cabría esperar de una distribución normal. Volviendo a nuestro ejemplo, si nos subimos a un avión con un equipo de baloncesto a bordo, nuestra gráfica de alturas mostraría un número anormalmente grande de lecturas de varias desviaciones estándar fuera del promedio. En el mundo inversor, a menudo etiquetamos los retornos con una curtosis positiva como que tienen colas de quotfat - refiriéndose a los quottailsquot o al final de las curvas en el gráfico de curva de campana. Las colas de FAT son molestas para los inversionistas, ya que son creadas por acontecimientos atípicos como el -21 día abajo en las acciones de Estados Unidos en octubre de 1987. Pero una lectura de kurtosis positiva no es necesariamente una mala cosa, ya que puede ser provocada por un anormalmente alto Número de meses positivos muy grandes. Compass, por ejemplo, tiene una de las lecturas de kurtosis más altas en la tabla a continuación. Sin embargo, los sistemas de la brújula tenían un mes que ganaba 73 en julio de 2002 que era tres veces más grande que cualquier otro mes que ganaba. Si usted toma ese mes fuera de sus declaraciones, la lectura de kurtosis es realmente -1.05. Así que antes de involucrarse con el próximo fondo de cobertura, el sistema de comercio, o el programa de CTA mdash asegúrese de mirar la desviación estándar, sesgo y curtosis para obtener una mejor sensación de los riesgos involucrados. Por lo menos, usted sabrá qué tipo de oscilaciones que esperar en un día, mes o año mdash y con un poco de trabajo extra que usted puede saber si esperar o no más retornos superiores a la media y si puede haber algún extremo Valores en el horizonte. DIVULGACIÓN IMPORTANTE DE RIESGO Feature Week Revisión: Los sistemas capitalizan cuando el rally crudo hace que las acciones se hundan. Gráfico de la semana Semana de la característica En revisión: Los sistemas capitalizan mientras que el rally crudo hace que las poblaciones se hundan. Chart of the WeekSmartQuant es una compañía de software financiero que desarrolla una infraestructura de trading de extremo a extremo para fondos de cobertura cuantitativos y grupos de comercio institucionales. OpenQuant y su próxima generación, OpenQuant2014. SmartQuants producto insignia actual, es una Algorithmic y Automated Trading System (ATS) plataforma de desarrollo. OpenQuant cuenta con un IDE (Integrated Development Environment) que proporciona quants y traders con una estrategia de fuerza industrial de investigación, desarrollo, depuración, backtesting, simulación, optimización y automatización. QuantDesk es una solución completa de extremo a extremo para un fondo cuántico de cualquier tamaño. Incluye OpenQuant IDE. QuantRouter (servidor de ejecución de algoritmo con replicación de alimentación, consolidación, agregación y enrutamiento de órdenes inteligentes), QuantBase (servidor de datos de mercado con captura de datos en tiempo real y gestión centralizada de datos históricos), QuantTrader (motor de despliegue de producción para estrategias de negociación automatizadas desarrolladas con OpenQuant) . Una aplicación de servidor que complementa el QuantDesk para permitir una gestión eficiente de la arquitectura comercial distribuida de SmartQuants. QuantWeb es una versión en nube de QuantDesk con front-end de navegador web. Regístrese y obtenga una cuenta demo gratuita de QuantWeb. La principal diferencia entre el estilo de negociación cuantitativo y el discrecional es la naturaleza sistemática del enfoque cuántico. Mientras que los comerciantes discrecionales son como artistas, los quants tienden a ejecutar un complejo proceso de producción, y por lo tanto necesitan una infraestructura de fuerza industrial sin la cual no pueden mantener el grado necesario de disciplina sistemática. Desafortunadamente, ser una start-up no exime uno de esta regla. Pero afortunadamente, uno realmente no necesita construir toda la fábrica desde cero. El uso de la infraestructura de comercio inteligente SmartQuant permite a los gerentes emergentes centrarse en su objetivo principal, que es el desarrollo de estrategias de inversión, a la vez que se benefician de un marco confiable para implementarlos y desplegarlos en el mercado. Claro, todavía pasamos mucho tiempo experimentando, probando y probando diferentes estrategias. Tener un buen entorno de desarrollo no necesariamente le permite saltarse ese paso. La ventaja real de un marco bien diseñado consiste en reducir al mínimo el tiempo entre la prueba y la producción y en la naturaleza escalable de la infraestructura, que puede crecer con la empresa, desde la gestión de un pequeño capital inicial hasta niveles verdaderamente institucionales. Con un sistema como este, los gerentes emergentes pueden sentirse en un terreno de juego nivelado mientras que negocian en el mismo mercado que competidores mucho más grandes, y pueden realizar plenamente las ventajas inherentes de ser ágil y adaptable. Arthur M. Berd Fundador y CEO de General Quantitative, LLC Copyright 1997-2016 SmartQuant Ltd