Estratégia de negociação pca

estratégia de negociação Pca
Obter através da App Store Leia esta publicação em nosso aplicativo!
Como usar o PCA para negociação.
Alguém pode me dar algumas dicas de como abordar o uso do PCA para negociação? Em particular, parece-me, a PCA é útil para selecionar um subconjunto de uma carteira de ações (ou outros) em vez de negociar todas as ações. Mas eu me pergunto se ele também pode agregar valor ao negociar um estoque único? O PCA pode ser de alguma forma aplicado a outros insumos que possam afetar o preço das ações - talvez os indicadores técnicos?
20 variáveis ​​exógenas debilmente estacionárias. Então você pode usar o PCA para obter apenas 3.
4 variáveis ​​ortogonais para simplificar seu modelo sem perder muita informação (talvez primeiro 3).
4 componentes principais explicam mais de 90% dos 10.
20 variáveis ​​originais & # 39; variância total). Por exemplo, os comerciantes técnicos muitas vezes usam muito t. a. indicadores, como MACD, RSI, estocásticos e assim por diante: é provável que o primeiro componente principal desses indicadores explique mais de 95% de todos os indicadores & # 39; variância. & ndash; Lisa Ann 2 de maio de 13 às 9:54.
Para responder suas perguntas, temos que dar uma olhada no que faz.
O PCA é matematicamente definido como uma transformação linear ortogonal que transforma os dados em um novo sistema de coordenadas, de modo que os vetores de notícias são ortogonais e explicam a parte principal da variância do primeiro conjunto.
Tomou uma matriz N x M como entrada, N representa a repetição diferencial da experiência e M os resultados de uma sonda particular. Isso lhe dará instruções (ou componentes principais) que explicam a variância do seu conjunto de dados.
Então, tudo depende do que você insere no seu PCA. Eu uso o PCA para olhar a correlação do mercado, então insisto nos preços de M em N vezes. Você pode inserir diferentes medidas (gregos, futuros) de um único estoque para dar uma olhada em sua dinâmica. Meu uso dará a correlação de um preço das ações com o mercado, conhecido como beta, o outro uso dará correlação entre diferentes indicadores técnicos de uma ação. E bem, acho que você pode obter alguns resultados interessantes com diferentes indicadores em relação a ações diferentes.
Não se esqueça do pré-processamento. Como você pode ver aqui: Sincronização de dados há alguns problemas complicados com os dados do mercado.
Também depende do que você faz com seus resultados. Você pode usar algum critério para remover componentes com pouca variação para reduzir a dimensão do seu conjunto de dados. Este é o "objetivo" habitual da PCA. Dá-lhe um número reduzido de ações para construir um portfólio, para estimar as curvas de lucro / risco. Mas você também pode fazer um tratamento pós-tratamento mais complexo. Aqui: th-if. uj. edu. pl/acta/vol36/pdf/v36p2767.pdf você pode ver um uso de PCA combinado com a matriz de matriz aleatória para remover o ruído do mercado.
O PCA é uma ferramenta, uma ferramenta muito poderosa, mas apenas uma ferramenta. Seus resultados dependerão de como você o usa. O risco é usá-lo demais. Você sabe o que eles disseram, se você tem um martelo, todos os problemas parecem um prego.
Como expliquei nesta publicação, o PCA é um método de redução de dimensão.
Não há como usá-lo para determinar os valores intrínsecos de um estoque e, portanto, não é usado diretamente para negociação.

QuantStatRisk.
. Tudo sobre dados e estratégias.
Quarta-feira, 28 de dezembro de 2018.
Par-Trading: Usando o PCA para constituir Pares de títulos.
# Coloque a biblioteca.
# Leia um arquivo. csv chamado "test2.csv" em R.
# E construção do spread S = y-hedgeratio * x.
#beta representando o primeiro coeficiente do modelo é o hedgeratio.
# O Teste é realizado a um nível de 5%
se (resCADF $ p. value & lt; 0.05)
gato ("A propagação provavelmente significa" reverter \ n ")
gato ("O spread não significa" reverter \ n ")
# Backtest a estratégia de negociação dupla e otimizar seus parâmetros.
# Modelo de regressão linear simples na trituração.
# determina a propagação.
gato ("Spread Mean:", spreadMean, "\ n")
gato ("Spead Standard Deviation:", spreadStdDev, "\ n")
# Buy Spread quando o valor cai abaixo de 2 desvios-padrão.
# e shorts se espalham quando seu valor sobe acima de 2 desvios padrão.
# zcore tem desvio padrão = 1.
gato ("a proporção de sharpe no conjunto de treinamento é:", sharpeTrainset, "\ n")
gato ("a proporção de sharpe no conjunto de teste é:", sharpeTestset, "\ n")
2 comentários:
Tks por compartilhar isso. Curiosamente, estou no processo de usar o PCA para um projeto de dados anlaysis que eu tenho no trabalho. Coisa boa!

MatlabTrading.
Blog para MATLAB & # 174; usuários interessados ​​em estratégias de negociação algorítmica, backtesting, negociação de pares, arbitragem estatística, etc.
Segunda-feira, 3 de dezembro de 2018.
Usando PCA para negociação de spread.
No entanto, existe um método matemático denominado Análise de componentes principais que pode ser facilmente usado para criar spreads estáveis ​​(= negociáveis?). Toda a álgebra linear é felizmente escondida dentro da função princomp, mas se você quiser entender como a PCA realmente funciona, dê uma olhada nesse tutorial. Os dados transformados podem ser descritos como: 1-st componente: 'portfólio de volatilidade máxima', que geralmente é altamente correlacionado com o mercado. Componente 2-nd: portfólio "neutro do mercado", com variação máxima. 3-d e outros componentes têm graus de variação decrescentes. Observe que, por design, a PCA produz componentes ortogonais, o que significa que todas as carteiras não estão correlacionadas entre si. Portanto, a segunda e outras carteiras são neutras no mercado.
8 comentários:
Um (melhor) comerciante humano é flexível o suficiente para mudar sua visão quando os fatos mudam. Um modelo não pode fazer isso porque assume que a análise PCA (ou qualquer tipo de análise) é 100% correta.
É verdade, mas um comerciante é um ser humano e, como tal, está exposto a mudanças de opinião, mesmo que os fatos realmente não mudem. Isso ocorre porque associações, sentimentos, conclusões erradas e assim por diante estão envolvidas na decisão. para deixar isso curto: não há almoço grátis. Cada conceito vem a um custo. A flexibilidade não é gratuita.
z-score, bollinger, rsi, basta escolher um :). O único que é importante é que a propagação é inversa.
Jev, você comparou essa abordagem com a cointegração? Por exemplo. johansen na carteira multi-ativos? Os spreads baseados em PCA são mais estáveis? No artigo você se concentra no 3º e 4º PC, por que não o 2º?
Você pode explicar como os componentes PCA 3 e 4 se relacionam com os pares de segurança reais neste exemplo?
Esta é uma ideia muito interessante. Talvez seja uma maneira de encontrar não-correlacionado "composto" classes de ativos para trocas comerciais diferentes do "padrão" (ações, commodities, títulos, etc.).
A inversão média é a melhor maneira de trocar esses spreads? Se sim, por quê? Eu tentei RSI OB / OS em componentes PCA de 4 ETFs do país do petróleo e os componentes não parecem ser extremamente significativos reverter, pelo menos não de curto prazo (ou seja, eu tive que usar RSI (10+) em vez de um RSI de curto prazo (2 )).
Desculpe-me, mas o enrugamento em pares requer ativos negociáveis ​​correlacionados.
WFAToolbox - Walk-Forward Analysis Toolbox.
Complemento MATLAB para desenvolver estratégias de negociação algorítmica em MATLAB da maneira fácil.

MatlabTrading.
Blog para MATLAB & # 174; usuários interessados ​​em estratégias de negociação algorítmica, backtesting, negociação de pares, arbitragem estatística, etc.
Domingo, 30 de dezembro de 2018.
Os pares são mortos?
A partir destes etfs 90 pares únicos podem ser feitos. Cada par é construído como um spread neutro no mercado.
Em cada dia, para cada par, calcule o z-score com base no desvio padrão de 25 dias.
Se z-score & gt; limiar, vá curto, fechar o próximo dia.
Se z-score & lt; O limite vai longo, fechado no próximo dia.
Aqui estão os resultados simulados para vários limiares:
Esta não é a primeira vez que encontrei essa mudança no comportamento de reversão média em etfs. Não importa o que tentei, não tive sorte em encontrar uma estratégia de negociação de pares que funcione em ETFs em 2018. Minha conclusão é que esses tipos de modelos simples de stat-arb simplesmente não o cortaram mais.
Pca - como isso realmente funciona.
Tomemos SPY e IWM, que estão altamente correlacionados. Se os retornos diários de IWM forem plotados em relação aos retornos diários de SPY, o relacionamento é altamente linear (veja o gráfico à esquerda).
O segundo vetor é neste caso -0,78 SPY + 0,62 IWM que produz um spread neutro do mercado. Claro que o mesmo resultado seria alcançado usando o beta de IWM.
A coisa divertida sobre a PCA é que é útil na construção de spreads de três e mais pernas. O procedimento é exatamente o mesmo acima, mas a transformação é feita em um espaço dimensional maior.
Segunda-feira, 3 de dezembro de 2018.
Usando PCA para negociação de spread.
No entanto, existe um método matemático denominado Análise de componentes principais que pode ser facilmente usado para criar spreads estáveis ​​(= negociáveis?). Toda a álgebra linear é felizmente escondida dentro da função princomp, mas se você quiser entender como a PCA realmente funciona, dê uma olhada nesse tutorial. Os dados transformados podem ser descritos como: 1-st componente: 'portfólio de volatilidade máxima', que geralmente é altamente correlacionado com o mercado. Componente 2-nd: portfólio "neutro do mercado", com variação máxima. 3-d e outros componentes têm graus de variação decrescentes. Observe que, por design, a PCA produz componentes ortogonais, o que significa que todas as carteiras não estão correlacionadas entre si. Portanto, a segunda e outras carteiras são neutras no mercado.
Quinta-feira, 27 de setembro de 2018.
Gap estratégia com dados intraday.
5ct que parece muito razoável.
Isso me leva a uma conclusão que eu já estava ciente de: as cotações de abertura do Yahoo não são adequadas para testes de estratégia.
Quinta-feira, 20 de setembro de 2018.
Estratégia Gap revisitada.
Trocar apenas lacunas maiores do que 0,1% Digite no aberto (abreviação de abertura para cima e longo para intervalo de Down). O alvo de lucro é definido no fechamento do dia anterior. Se o objetivo de lucro não foi alcançado durante o dia, saia em fechar. Desta vez, corrigi os dados de dividendos.
Um caso mais realista é incluir o custo de transação de cerca de 0,03%, o que é aproximadamente 3 c para SPY. 1ct é comissão do IB, outros dois são necessários para cruzar o spread de oferta e solicitação.
Quarta-feira, 19 de setembro de 2018.
SPY abertura lacunas.
Desta vez eu examinei o assunto de uma maneira ligeiramente diferente: procurando a correlação entre a mudança do dia a dia do SPY (anterior fechar-para-abrir) e a mudança diária (open-to-close) da próxima sessão de negociação.
Abaixo está um gráfico das mudanças percentuais diárias cumulativas de SPY por aproximadamente 3 anos de dados. A linha azul é a mudança durante a noite e a linha verde a mudança da sessão do dia. É imediatamente claro que a sessão do dia é mais volátil e a sessão noturna. . Além disso, nada de especial neste gráfico.
Segunda feira, 26 de março de 2018.
Custo escondido do XIV.
Imagine que trocaria um portfólio de longo VXX, XIV longo e ambas as pernas possuindo o mesmo capital, reequilibrando ao fechar. Nesse caso, os retornos diários de VXX e XIV devem cancelar-se mutuamente, e o pnl cumulativo deve ser plano. Mas na realidade, uma longa posição de volatilidade usando VXX curto supera um longo XIV em cerca de 7% ao ano. Corrigindo o custo de empréstimo do VXX, que é cerca de 2,5%, ainda existe uma diferença de aproximadamente 5% !.
Conclusão: jogar baixa volatilidade usando XIV custará cerca de -0,028% por dia, em relação a uma posição VXX curta (custo emprestado não incluído).
Sexta-feira, 24 de fevereiro de 2018.
Adicione a funcionalidade do banco de dados ao Matlab com o SQLite.
Uma solução vem na forma SQLite, um mecanismo de banco de dados sem servidor que armazena todo o banco de dados em um único arquivo. É amplamente utilizado em qualquer coisa, desde telefones celulares até mainframes e funciona em quase tudo.
Há bastante tempo escrevi uma publicação no uso do SQLite no Matlab. Como ainda sou um usuário feliz, tempo para uma atualização e uma demo.
Instalação: você só precisa baixar e descompactar os arquivos aqui: mksqlite. berlios. de/mksqlite_eng. html.
(nota: provavelmente você precisará compilar a partir da fonte em um sistema de 64 bits).
WFAToolbox - Walk-Forward Analysis Toolbox.
Complemento MATLAB para desenvolver estratégias de negociação algorítmica em MATLAB da maneira fácil.

Investidores Alpha Point.
Arbitragem estatística | Gestão de portfólio | Quant Finance.
Estratégias de negociação.
Lista de fundos negociados em bolsa.
Um fundo negociado em bolsa (& # 8220; ETF & # 8221;) é uma segurança negociável que geralmente rastreia um índice ou um recurso de ativos. Sendo negociado como um estoque regular e tipicamente com maior liquidez e taxas mais baixas que os fundos mútuos, é uma opção de investimento muito popular.
O ETF possui uma ótima lista dos ETFs disponíveis no mercado, agrupados por 1) classe de ativos (por exemplo, commodities, renda fixa, etc.), 2) estilo de investimento (por exemplo, curto-limite, pequeno limite, etc.), 3) setor (REIT, utilitários, etc.), 4) região e muitas outras categorias. Ele também fornece uma lista dos ETFs que acompanham índices principais (por exemplo, S & amp; P 500, Russel 3000, etc.).
Esta é definitivamente uma lista que vale a pena verificar: etf / channels.
Estratégias de negociação 101.
Gerar alfa é apenas uma das três pernas necessárias para uma estratégia comercial completa. Os alfas gerados precisam ser misturados com o modelo de risco e as estimativas de custo de transação no otimizador, a fim de chegar às ordens correspondentes que precisam ser colocadas. Uma ilustração desse processo é apresentada abaixo:
Para os custos de transação, normalmente os investidores realizam o seguinte cálculo:
Custos de transação = Taxas de comércio + Procura de lances - Custo de spread = x bp + Projeção de propagação / 2.
onde x são as taxas de troca impostas pelo corretor.
O modelo de risco refere-se à matriz de variância-covariância dos retornos de estoque. Alphas refere-se à mistura de um número de alfas padronizado, e. variações de impulso, variações médias de reversão, negociação de pares, etc.
O otimizador em seguida, executando as seguintes operações (otimização multi-objetivo):
Maximizar a exposição alfa Minimizar os custos de transação Minimizar o risco.
Outros objetivos e restrições são tipicamente incluídos: neutralização da exposição ao beta (para estratégias neutras do mercado) e definição de limites para o tamanho do comércio, tamanho da posição, exposição da indústria, exposição do país, etc. Estamos planejando adentrar mais no processo de otimização em futuras postagens.
Reversão média usando curvas de regressão linear.
Apresentamos o conceito de reversão média em uma publicação anterior, neste artigo apresentaremos uma versão ajustada da reversão média que utiliza curvas de regressão linear em vez de médias móveis.
A média móvel é um indicador de atraso, de modo que, essencialmente, as curvas de regressão linear podem potencialmente proporcionar um melhor ajuste dos dados disponíveis. É útil comparar os resultados de ambos os métodos, no entanto, # 8211; O mesmo se aplica a todas as versões ajustadas testadas, faria sentido comparar primeiro a versão base.
A curva de regressão linear é essencialmente um pacote de numerosas linhas, mas as extremidades das linhas estão ocultas (limites superiores e inferiores), enquanto o ponto médio é mostrado apenas e está conectado, respectivamente, a outros pontos médios em toda a série temporal.
Implementação de back-test da reversão média em estoques S & P500 usando curvas de regressão linear:
Estimar a Curva de Regressão Linear por janela de visualização Em cada dia, compare o preço de fechamento com o valor médio estimado; Se o preço de fechamento for maior do que o desvio médio + n *, feche e feche quando você atravessa a média ou em um momento pré-determinado. Se o preço de fechamento for menor do que a média & # 8211; n * desvio vai longo e fechado quando você atravessa a média ou em um tempo pré-determinado.
Estratégia de Momento Ajustado.
Esta é uma estratégia de impulso ligeiramente modificada que envolve a normalização dos retornos de estoque usando uma métrica de risco. Neste exemplo, nos referiremos ao uso de níveis de VIX para o ajuste de retorno de retorno. Outras métricas de risco também podem ser usadas, como Value at Risk (VaR). O conceito é semelhante, ajustamos os retornos usando um indicador de risco antes de classificar o universo de ações com base nos retornos.
O VIX é o ticker do índice de volatilidade do CBOE, que é uma medida popular da volatilidade implícita das opções de ações S & amp; P 500.
Calcule os retornos diários dos estoques S & amp; P500 Calcule os retornos médios por janela de aparência (por exemplo, 3-12 meses) Rode os cálculos de retorno médio um dia ao mesmo tempo Divida os retornos médios pelos níveis VIX de cada dia de negociação Classifique ações por retornos ajustados - selecione os principais itens n e inferior n Acompanha os retornos dos n melhores e inferiores para o seu período de espera (por exemplo, 1-mo). Estimue seus retornos históricos e volatilidade e compare-os a um benchmark - neste caso índice S & P500.
A divisão de retornos pelos níveis VIX pode não produzir valores significativos em uma escala absoluta, mas em uma escala relativa e para ordenar os estoques, ele fornece informações úteis. Mais especificamente, rebaixa o impacto de altos retornos em dias muito voláteis e melhora os altos retornos nos dias de negociação com menor volatilidade. O conceito é semelhante se estiver usando outros indicadores de risco como mencionado anteriormente.
Estratégia Momentum usando PCA.
Estimar os principais componentes (em R usar estatísticas da biblioteca e função princomp). Regressar cada estoque contra os principais componentes principais mais significativos. Use os resíduos para obter um escore z ou qualquer outra métrica normalizada para cada estoque. Defina um limite para o escore z para selecionar estoques para troca (gatilho de negociação). Selecione os pesos com base em z-score.
Volatilidade Carry Trade.
Volatility Carry Trade é uma estratégia de negociação de futuros e # 8211; a primeira estratégia de não ações apresentada neste blog até agora.
Estratégia sobre futuros, conceitos-chave: backwardation / contango A volatilidade neutra da Vega possui uma estratégia de negociação (ou seja, proteção contra a volatilidade). Dois contratos de futuros diferentes são negociados: ST e LT; Futuros circulantes no S & amp; P 500 VIX Index ST é o futuro a curto prazo e LT é o futuro a longo prazo Se ST / LT & gt; 1 então em atraso, então compre ST e venda LT If ST / LT & lt; 1 então faça um carry trade: venda ST e compre LT.
Termos fundamentais explicados abaixo:
Atraso: o contrato de futuros está sendo negociado abaixo do preço spot esperado.
Contango: contrato de futuros está negociando acima do preço spot esperado.
Vega neutro: posição que não é sensível às flutuações de volatilidade.
Compre no GAP.
Comprar no GAP é uma estratégia bastante direta que requer a estimativa de mínimos do passado anterior e a comparação da abertura de cada dia ao longo de um período de tempo para eles. Baseia-se na reversão média e é uma estratégia intradiária, uma vez que as posições devem ser fechadas no dia em que foram abertas.
A estratégia sugere a compra dos 100 estoques fora do S & amp; P500 que têm os dias anteriores mais baixos, até o preço de abertura atual. Cálculos necessários:
Calcule o dia anterior perto do dia atual aberto Calcule o fechamento para fechar retornos e desvios padrão Calcule o retorno aberto para fechar para cada dia Verifique se o retorno acima é inferior ao desvio padrão de 90 dias de fechamento.
Construindo Estratégias de Negociação Sistemática & # 8211; Parte I.
Esta série de postagens é dar uma visão geral sobre a construção de estratégias quantitativas. Este post não é sobre os detalhes intrincados sobre como construir uma infra-estrutura para simular tais estratégias ou como implementar tecnicamente, mas deve servir como um guia para todos aqueles que aspiram a construir portfólios quantitativos.
Toda estratégia começa com uma idéia. Ao contrário de uma avaliação qualitativa (por exemplo, o estoque da Apple vai aumentar no próximo mês) que envolve a pesquisa de um analista sobre principalmente seguindo alguns estoques, uma estratégia quantitativa está mais envolvida e precisa se inscrever no seguindo as regras.
Deve ser uma regra geral que pode ser aplicada a um amplo conjunto de ações (o que chamamos, Universo). A estratégia não deve sofrer de viés direto. Em palavras simples, significa que você não pode usar dados futuros para prever dados futuros. A estratégia pode, no entanto, usar todos os dados até então, para prever direções futuras. Um deve ser capaz de expressar a regra em uma forma matemática. O resultado da regra deve ser um conjunto de valores em dólares que podem ser atribuídos a cada estoque no Universo.
Digamos que temos uma idéia simples de que os estoques que surgiram recentemente cairão e vice-versa. Esse padrão de comportamento é o que é popularmente chamado de anomalia de reversão média. Deixe-nos como nós quantificamos & # 8221; esta ideia.
Quantificação da idéia.
Existem maneiras diferentes de como podemos quantificar & # 8221; esta ideia. Não há uma maneira tão correta na construção de uma idéia. A maior parte envolve tentativa e erro, e para ver como diferentes fatores afetam uma idéia.
Comecemos com a idéia de reversão média. Uma maneira de afirmá-lo matematicamente está abaixo.
Montante investido para estoque I e dia D (peso [i, d]) = & # 8211; Devolução de 5 dias do estoque I no dia D; para todas as ações do Top 500 por volume (devoluções5 [i, d]).
Nesta expressão, quantificamos & # 8220; retornos recentes & # 8221; como os últimos 5 dias retornam. O universo é o top 500 ações negociadas em volume nos mercados de ações dos EUA.
Uma preocupação imediata com esta estratégia é que observamos, a soma do dólar investido não será igual ao nosso valor nocional que planejamos investir. Então, para normalizar o nocional, podemos fazer a seguinte operação.
peso [i, d] = (peso [i, d] * valor nocional) / (soma absoluta de todo o peso [i, d])
É isso! Esta é a versão mundial do Olá de uma estratégia quantitativa. Vamos ver como ele funciona.
Seguindo, olhemos maneiras de melhorar a idéia e torná-la mais comercializável!
Estratégia de reversão média.
A reversão média nas ações refere-se ao pressuposto de que um estoque tende a se deslocar sobre seu preço histórico ao longo do tempo. Como resultado, é preciso estimar o preço médio histórico de uma ação ao longo de um período de tempo e depois verificar como ela diverge dela em diferentes momentos.
Implementação de back-test da reversão média em ações S & amp; P500:
Calcule uma média móvel e desvio de rolamento sobre os preços históricos das ações Em cada dia, compare o preço de fechamento com a média histórica; Se o preço de fechamento for maior do que o desvio médio + n *, feche e feche quando você atravessa a média ou em um momento pré-determinado. Se o preço de fechamento for menor do que a média & # 8211; n * desvio vai longo e fechado quando você atravessa a média ou em um tempo pré-determinado.
Por padrão e se nenhum tempo pré-determinado for usado, todos os rendimentos produzidos devem ser positivos se, em qualquer momento, o estoque cruzasse sua média histórica (especialmente se usando um grande conjunto de dados de preços históricos, o que provavelmente aconteceu em algum momento) . Também pode fazer sentido definir um gatilho de fechamento com base no tempo também (por exemplo, período de 12 meses ou mais com base na avaliação pessoal se o estoque não tiver sido revertido enquanto isso). Como sempre, também pode ser uma boa idéia definir um limite com base nas perdas & # 8211; ou seja, não permita que as perdas excedam n%, o que pode ser novamente determinado com base em uma avaliação pessoal. As restrições podem ser modeladas no back-testing para ver qual será o impacto no alfa gerado.
Momentum Trading.
Momentum in equity refere-se à compra de ações que tiveram altos retornos no passado (normalmente nos últimos 3-12 meses) e à venda daqueles que tiveram rendimentos pobres ao longo do mesmo período de tempo. É uma tendência empiricamente observada para o aumento dos preços aumentar ainda mais e baixar os preços para cair mais. Os sinais baseados em um alto de 52 semanas foram usados ​​pelos analistas em recomendações de compra e venda.
Implementação posterior do impulso sobre estoques S & amp; P500:
Calcule os rendimentos diários dos estoques S & amp; P500 Calcule os retornos médios por janela de retrocesso (por exemplo, 3-12 meses) Rode os cálculos de retorno médio um dia de cada vez Classifique ações por retornos e # 8211; selecione os principais inventários n e inferior n Acompanha os retornos dos n melhores e inferiores para o seu período de espera (por exemplo, 1-mo) Estime seus retornos e volatilidade históricos e compare-os com uma referência e # 8211; neste caso índice S & amp; P500. Existe persistência nos retornos?
Tópicos.
Blogroll.
Os autores do nosso blog:
Gchirbas Exchange-Traded Funds List gwiegele Atribuição de ativos: Black & # 8211; Litterman ramsundarg Métodos de diferenças finitas e # 8211; Código de Matlab ueddarktom.
Siga-nos no Twitter:
Comércio, QuantStrat, R e muito mais.
Análise Quantitativa, Gestão de Riscos, Modelagem, Algo-Trading, Blockchain for Finance.
Arbitragem estatística | Gestão de portfólio | Quant Finance.
Arbitragem estatística | Gestão de portfólio | Quant Finance.
Arbitragem estatística | Gestão de portfólio | Quant Finance.