MatlabTrading Esta publicação é sobre como é importante usar diferentes tipos de métodos de otimização, como algoritmos genéticos e paralelização para obter resultados mais rápidos. Otimização de Algoritmos Genéticos Apesar do fato de que o princípio do algoritmo genético (evolutivo) é muito bem explicado nos webinars de MathWorks, no entanto, ele é usado apenas para otimizar a escolha de um grupo de estratégia de um conjunto. Este é um bom exemplo do uso desses algoritmos, no entanto, acontece que há uma necessidade de configurar muitas variáveis com intervalos significativos para uma estratégia, você não passa por uma iteração e a paralelização de processos. Os cálculos podem levar vários dias . Certamente, existem estratégias na fase final de otimização. Quando quase certamente sabemos que a estratégia de negociação é bem sucedida, podemos aguardar vários dias também ou alugar todo o cluster - o resultado pode valer a pena. No entanto, se precisarmos estimar os resultados de uma estratégia volumosa e decidir se vale a pena gastar o tempo, os algoritmos genéticos podem ser perfeitamente adequados. Nós fornecemos a possibilidade de usar três métodos para otimizar a estratégia em WFAToolbox: Método linear 8211 é um modo usual de classificação em que você verá todos os resultados intermediários (sub-ótimos). Ele fornece a máxima precisão. Método paralelo 8211, todos os kernels da sua CPU serão usados. Não permite ver resultados intermediários, mas acelera significativamente a operação. Ele fornece a máxima precisão durante o aumento da velocidade computacional. Método genético 8211 usa o algoritmo de otimização evolutiva. Permite ver valores sub-óptimos, mas dá o resultado próximo ao melhor. Não é um método muito preciso, mas é suficientemente preciso para a execução inicial da estratégia. Muito rápido. Muitas vezes, nos perguntam se o WFAToolbox - Walk-Forward Analysis Toolbox para MATLAB tem a capacidade de usar a GPU em cálculos. Infelizmente, o GPU não é adequado para todas as tarefas e seu uso é muito específico. Para usá-lo, você precisa ajustar a lógica e o código de cada estratégia para o teste de núcleos gráficos. Infelizmente, devido a tal não-universalidade do método, não se pode usar o GPU no WFAToolbox. Continuando a Parte 2 da discussão de problemas e soluções no teste e análise da estratégia de negociação algorítmica no MATLAB, convido você a ler esta publicação sobre o problema da indisponibilidade da visualização dos processos em soluções de software modernas para testar sistemas de negociação. Visualização do processo de teste Na minha experiência de trabalho, muitas vezes analisei outras plataformas populares para testes de estratégia comercial. Como a TradeStation. MetaStock. Multicartas etc e sempre fiquei surpreso com a pouca atenção dada à visualização do processo de teste. O que é que, quando não vemos os resultados dos valores intermediários, sub-ótimos de parâmetros otimizados, muitas vezes jogamos fora o ouro junto com a sujeira. O assunto é devido a uma amostragem excessivamente ampla, a estratégia ajusta os parâmetros da maneira como queremos ver uma estratégia perfeita que falha na vida real ou veja uma ou duas promoções, que supostamente são as melhores porque foi selecionado dados de intervalo de tempo onde a A melhor estratégia de negociação seria buy-and-hold, mas por que outras estratégias são necessárias para a visualização do processo de teste de estratégia de negociação em MATLAB (proposto no webinar). Como resultado, sem ver resultados intermediários, precisamos que ceifa187 altere os parâmetros para tentar Para obter melhores dados ou assisti-lo em algum 3D ou 4D (a cor é a 4ª dimensão), conforme proposto nos webinars. A análise de valores nos espaços N-dimensional pode definitivamente ser uma alternativa, mas tem várias limitações: o que acontece se houver mais de 4 dimensões. Quando você vê quais sinais e a que freqüência aparecem na faixa de preço, você tem quase todos os Representação visual necessária de sua estratégia: a freqüência das transações, sua rentabilidade (curva de renda), a precisão da abertura, a semelhança com outros valores sub-ótimos, etc., que não pode ser dito sobre o desempenho no espaço N-dimensional, onde todas as informações úteis É, de fato, que o valor ótimo não é apenas um, mas existe toda uma gama de valores subóptimos em uma ou mais áreas. Ao otimizar uma estratégia na WFAToolbox 8211 Walk-Forward Analysis Toolbox para MATLAB174. Como um novo valor ótimo é encontrado, os sinais de estratégia de negociação no período em amostra e fora da amostra aparecem imediatamente no gráfico, para que você sempre possa controlar o intervalo de opções que você deve atribuir e também pode pausar a otimização Sem esperar o fim do teste, pois fica claro que algo deu errado ou tudo está bem. Hola, meu nome é Igor Volkov. Eu tenho desenvolvido estratégias de negociação algorítmicas desde 2006 e trabalhei em diversos fundos de hedge. Neste artigo, gostaria de discutir as dificuldades surgidas no caminho do desenvolvedor de estratégias de negociação MATLAB durante testes e análises, bem como oferecer soluções possíveis. Eu tenho usado o MATLAB para testar estratégias de algoritmos desde 2007 e cheguei à conclusão de que esta não é apenas a ferramenta de pesquisa mais conveniente, mas também a mais poderosa porque possibilita a utilização de modelos complexos estatísticos e econométricos, redes neurais, Aprendizado de máquina, filtros digitais, lógica difusa, etc., adicionando caixa de ferramentas. A linguagem MATLAB é bastante simples e bem documentada, então mesmo um não programador (como eu) pode dominá-la. Como tudo começou. Foi 2008 (se não me enganei) quando o primeiro webinar de negociação algorítmica em MATLAB com Ali Kazaam foi lançado, abrangendo o tema de otimização de estratégias simples baseadas em indicadores técnicos, etc., apesar de um código bastante 8220chaotic8221, as ferramentas eram interessantes O suficiente para usar. Eles serviram como ponto de partida para pesquisa e aprimoramento de um modelo de teste e análise que permitiria usar todo o poder das caixas de ferramentas e a liberdade das ações MATLAB durante a criação de suas próprias estratégias comerciais, ao mesmo tempo que permitiria controlar o processo De testes e os dados obtidos e sua análise subsequente escolheriam o portfólio efetivo de sistemas de negociação robustos. Posteriormente, os webinars Mathworks foram atualizados todos os anos e introduziram gradualmente elementos cada vez mais interessantes. Assim, o primeiro webinar em negociação de pares (arbitragem estatística) usando a Econometric Toolbox foi realizado em 2010, embora a caixa de ferramentas de testes e análises permaneceu a mesma. Em 2013, surgiu o Trading Toolbox da Mathworks, que permitiu conectar MATLAB a diferentes corretores para a execução de suas aplicações. Embora houvesse soluções automáticas para a execução das transações, a partir desse ponto, o MATLAB poderia ser considerado um sistema para desenvolver estratégias de negociação com um ciclo completo: desde o carregamento de dados até a execução de estratégias de negociação automatizadas. Por que todo o Algotrader deve reinventar a roda No entanto, a Mathworks não ofereceu uma solução completa para testar e analisar as estratégias. Os códigos que você poderia sair dos webinars eram os únicos elementos de um teste completo do sistema, e era necessário modificá-los. , Personalize-os e adicione-os à GUI para facilidade de uso. Foi muito demorado, colocando uma questão: seja qual for a estratégia, deve passar pelo mesmo processo de testes e análises, o que permitiria classificar-se como estável e útil 8211, então por que cada algotrader reinventar a roda e escrever Seu próprio código para estratégias de teste adequadas em MATLAB. Assim, a decisão foi tomada para criar um produto que permitisse realizar todo o processo associado ao teste e análise de estratégias de negociação algorítmicas usando uma interface simples e fácil de usar. Em primeiro lugar, gostaria de responder as seguintes perguntas: O que aconteceu com o blog. Jev Kuznetsov já não é o dono. O blog foi comprado pelo nosso amigo Jev Kuznetsov, que se mudou para o seu outro blog com o blog com o blog. Ele concluiu que Python é melhor que o MATLAB para negociação, o que eu considerava falso. MATLAB continua a ser um dos melhores softwares do mundo para fins de negociação algorítmica IMHO (tenho alguns fatos sobre isso, porém para discussão futura). 2. Nós mudamos a marca. A partir deste momento, o blog será chamado MatlabTrading, o que é muito mais compreensível em relação aos tópicos que irá incluir. Além disso, o nome do domínio foi alterado para matlabtrading em vez do matlab-trading. blogspot inicial. Embora o domínio antigo ainda esteja funcionando redirecionando do nome de domínio primário. O que acontecerá com o blog 1. Mais publicações e artigos Esperamos trazer a vida a este blog postando conteúdos relevantes uma ou duas vezes por semana. Nos primeiros meses, publicaremos principalmente os artigos e vídeos que já temos para tornar mais fácil para os nossos queridos leitores pesquisar informações sobre um recurso e se cruzar sobre eles. Então temos planos para escrever posts sobre aspectos práticos da negociação algorítmica no MATLAB. Como criar estratégias modernas de negociação automática, tais como: negociação de pares de arbitragem estatística significa reversão estratégias de negociação neutras de mercado baseadas em co-integração bollinger bandas filtro kalman etc para commodities, ações e Forex. Tendência de estratégias seguidas com Jurik Moving Average e outros filtros digitais sofisticados Estratégias de previsão com aprendizado de máquina (Support Vector Machines) e outros métodos Criando estratégias de negociação robustas usando o teste visual avançado de gerenciamento de dinheiro para reinvestir seu capital (ciência sobre como obter 1M de 10K Em um ano com o máximo, mas o risco estimado e as recompensas de suor). Talvez, depois de ler isso, você pensou que este seria um outro artigo burro para aqueles caras pobres que procuram como se tornar rico através da negociação no forex e tudo isso. Bem, isso é totalmente falso Estamos trabalhando em MATLAB, e a maioria de nós é cientistas e especialistas nesse aspecto, então tudo é sério. 2. Mais interatividade ficarei feliz se possamos todos nos relacionarmos com comentários em postagens. Assine nossas novidades para receber alertas sobre as últimas postagens e eventos. Mais tarde, temos planos de fazer webinars do Google Hangouts. Não perca, clique no botão Siga no canto superior direito para se juntar à nossa comunidade. O que você gostaria de ler em nossas postagens de blog Que tópicos você pode sugerir Por favor, escreva aqui nos comentários. Na minha publicação anterior, cheguei à conclusão de que a negociação de pares fechados para perto não é tão lucrativa hoje quanto antes. Um leitor apontou que poderia ser que a natureza reversa dos spreads acabasse de mudar para prazos mais curtos . Eu compartilhei a mesma idéia, então eu decidi testar essa hipótese. Desta vez, apenas um par é testado: 100 SPY vs -80 IWM. O Backtest é executado em dados de barra de 30 segundos de 11.2011 a 12.2012. As regras são simples e semelhantes à estratégia que testei na última publicação: se o retorno da barra do par exceder 1 no z-score, troque a barra seguinte. O resultado parece muito bonito: considero que isso é uma prova suficiente de que ainda existe uma grande inversão média na escala de 30 segundos. Se você acha que este gráfico é muito bom para ser verdade, isso infelizmente é o caso. Não foram considerados custos de transação ou spread de oferta e solicitação. Na verdade, eu duvidaria que houvesse algum lucro depois de subtrair todos os custos de negociação. Ainda assim, este tipo de gráficos é a cenoura pendurada na minha frente, mantendo-me em pé. Boas notícias de todos, de acordo com os meus cálculos (que eu sinceramente espero que sejam incorretas), o comércio de pares clássicos está morto. Algumas pessoas estariam totalmente em desacordo, mas aqui é o que eu encontrei: vamos tomar uma estratégia hipotética que funciona em uma cesta de etfs: SPY, XLY, XLE, XLF, XLI, XLB, XLK, IWM, QQQ, DIA A partir destes etfs 90 unique Podem ser feitos pares. Cada par é construído como um spread neutro para o mercado. Regras de estratégia: em cada dia, para cada par, calcule o z-score com base no desvio padrão de 25 dias. Se o limite de gt de z-score, fique curto, feche o próximo dia. Se o limite de z-score lt for longo, feche o próximo dia. Para manter tudo simples, o cálculo é feito sem gerenciamento de capital (um pode ter até 90 pares em portfólio Em cada dia). Os custos de transação também não são considerados. Simplificando, esta estratégia rastreia a natureza do dia de um dia reverter a natureza dos spreads de mercado neutro. Aqui estão os resultados simulados para vários limiares: Não importa qual limite seja usado, a estratégia é altamente rentável em 2008, muito boa até 2009 e completamente inútil desde o início de 2010. Esta não é a primeira vez que me deparo com essa mudança na reversão média Comportamento em etfs. Não importa o que tentei, não tive sorte em encontrar uma estratégia de negociação de pares que funcionasse em ETFs em 2010. Minha conclusão é que esses tipos de modelos simples de stat-arb simplesmente não cortaram mais. Enquanto eu gosto de onde esta questão é Indo, eu sugeriria torná-lo um pouco mais concreto. Que partes do processo de backtesting você gostaria de aprender. Isso pode variar em qualquer lugar, apenas estimando um retorno normal, onde a carteira retorna de sua estratégia já está sendo dada para implementar uma regra de formação de portfólio completa algorítmica. Ndash Constantin 30 de dezembro 14 às 21:06 Para ser sincero, não sei muito sobre o teste. Foi-me dito que eu terei que testar novas estratégias ou melhorar a corrente durante o meu estágio. Então, eu gostaria de saber um pouco mais sobre o assunto antes de começar. Quais são as diferentes partes disso. Ndash Maxime 30 de dezembro 14 às 21:31 A idéia geral Para os títulos de capital, um backtest simples geralmente consistirá em duas etapas: Computação do retorno do portfólio resultante da sua regra de formação de portfólio (ou estratégia de negociação) Ajuste de risco de retornos de portfólio usando um Modelo de preços de ativos O Passo 2 é simplesmente uma regressão e computacionalmente muito simples em Matlab. O que é mais complicado é a implementação do passo 1, o que exigirá que você fique muito confortável em Matlab, e existem maneiras diferentes de fazer isso. Se você sabe como fazer uma regressão OLS em Matlab, o que você deve focar é todo tipo de manipulação de matriz. Implementação em Matlab Formação de carteiras e computação de retorno Para dar-lhe um exemplo de como uma estratégia de negociação primitiva poderia ser implementada em Matlab, podemos assumir dados de retorno mensais e um período de retenção uniforme de um mês em n ativos em mais de k períodos, onde i in e k dentro . Supondo que não há alterações na composição do seu universo de ações, sua matriz de retorno X é de dimensões k vezes n. X começar x ampères ampères ampères ampères ampères x ampères ampères ampères vdots amp ddds amp vdots x ampères ampères ampères x ampères ampères vdots amp ddots amp vdots amp ddots amp vdots x ampères ampères ampères ampères x amp x fim Onde retorna São calculados como x frac -1. Supondo que seu critério de seleção seja algum tipo de característica de estoque que esteja disponível na freqüência mensal, você também terá uma matriz de características C. Você então pode escrever um algoritmo que identifique as entradas em C que atendam seu critério de seleção (por exemplo, exceder um determinado limite ) E substitua as entradas correspondentes (onde i e t são iguais) de uma matriz de indicador I (que foi inicializada como uma matriz zero usando a função zeros) com as. Você pode então multiplicar as entradas de I pela da matriz de retorno X para obter uma matriz R que indique os retornos resultantes de suas participações. Você pode então calcular a média das entradas não-zero para cada linha de R para obter seu vetor de retornos de portfólio. Ajuste de risco e identificação de retornos anormais Na etapa 2, você compara esse vetor com os retornos normais obtidos a partir da estimativa de regressão de um modelo de precificação de ativos, como o modelo Fama-French. Ao subtrair o vetor de retorno normal do seu vetor de retornos de portfólio, você determina se sua estratégia de negociação resultou em um retorno anormal positivo, que é o que você pretende. Recomendações Se você é novo na Matlab, eu pessoalmente sugiro que você se familiarize com ela o suficiente para implementar esta estratégia simplista antes de relaxar alguns dos pressupostos simplificadores (como o período de espera uniforme e a periodicidade) e proceder a implementações mais sofisticadas. Novamente, o que gostaria de enfatizar é que isso exige que você fique muito confortável com o Matlab e, especialmente, com as diferentes maneiras de manipular as matrizes, o que pode levar algum tempo. Se você não precisa usar o Matlab para o seu estágio e gostaria de obter resultados rapidamente, você poderia fazer o primeiro passo no Excel, o que é tedioso, mas não exige o investimento inicial (que vale a pena) que você precisa fazer para o Matlab. Para se familiarizar com o Matlab, tenho certeza que você já descobriu a documentação extremamente boa que vem com ele. Isso, para mim, é o recurso mais valioso e provavelmente mais útil do que qualquer outro recurso financeiro específico (com o qual eu esperaria até que você esteja familiarizado com o próprio Matlab). Tudo o que é necessário para determinar o retorno normal é uma regressão OLS e uma compreensão rudimentar dos modelos de precificação de ativos. Respondido 30 de dezembro às 22:20
No comments:
Post a Comment