Señales Comerciales Cuantitativas

El comercio cuantitativo El comercio cuantitativo consiste en estrategias comerciales basadas en análisis cuantitativo. Que se basan en cálculos matemáticos y crujidos numéricos para identificar oportunidades comerciales. Como el comercio cuantitativo es generalmente utilizado por las instituciones financieras y los fondos de cobertura. Las transacciones suelen ser grandes en tamaño y puede implicar la compra y venta de cientos de miles de acciones y otros valores. Sin embargo, el comercio cuantitativo es cada vez más comúnmente utilizado por los inversores individuales. DESCANSO Cuantitativo El precio y el volumen son dos de los insumos de datos más comunes utilizados en el análisis cuantitativo como los principales insumos de los modelos matemáticos. Las técnicas de comercio cuantitativas incluyen el comercio de alta frecuencia. Trading algorítmico y arbitraje estadístico. Estas técnicas son rápidas y típicamente tienen horizontes de inversión a corto plazo. Muchos comerciantes cuantitativos están más familiarizados con las herramientas cuantitativas, como los promedios móviles y los osciladores. Comprensión del comercio cuantitativo Los comerciantes cuantitativos aprovechan la tecnología moderna, las matemáticas y la disponibilidad de bases de datos completas para tomar decisiones comerciales racionales. Los comerciantes cuantitativos toman una técnica comercial y crean un modelo de la misma utilizando matemáticas, y luego desarrollan un programa informático que aplica el modelo a los datos históricos del mercado. A continuación, el modelo se prueba de nuevo y se optimiza. Si se logran resultados favorables, el sistema se implementa en mercados en tiempo real con capital real. La forma en que la función de los modelos de comercio cuantitativos puede describirse mejor utilizando una analogía. Considere un informe meteorológico en el que el meteorólogo pronostica una probabilidad de 90 de lluvia mientras el sol brilla. El meteorólogo obtiene esta conclusión contraintuitiva recolectando y analizando los datos climáticos de los sensores en toda la zona. Un análisis cuantitativo computarizado revela patrones específicos en los datos. Cuando estos patrones se comparan con los mismos patrones revelados en los datos climáticos históricos (backtesting), y 90 de cada 100 veces el resultado es lluvia, entonces el meteorólogo puede sacar la conclusión con confianza, de ahí el pronóstico 90. Los comerciantes cuantitativos aplican este mismo proceso al mercado financiero para tomar decisiones comerciales. Ventajas y desventajas de la negociación cuantitativa El objetivo de la negociación es calcular la probabilidad óptima de ejecutar un comercio rentable. Un comerciante típico puede efectivamente monitorear, analizar y tomar decisiones comerciales sobre un número limitado de valores antes de que la cantidad de datos entrantes sobrecoge el proceso de toma de decisiones. El uso de técnicas comerciales cuantitativas ilumina este límite utilizando computadoras para automatizar las decisiones de monitoreo, análisis y negociación. Superar la emoción es uno de los problemas más generalizados con el comercio. Sea el miedo o la avaricia, cuando el comercio, la emoción sirve sólo para ahogar el pensamiento racional, que por lo general conduce a las pérdidas. Las computadoras y las matemáticas no poseen emociones, por lo que el comercio cuantitativo elimina este problema. El comercio cuantitativo tiene sus problemas. Los mercados financieros son algunas de las entidades más dinámicas que existen. Por lo tanto, los modelos comerciales cuantitativos deben ser tan dinámicos para tener éxito consistente. Muchos comerciantes cuantitativos desarrollan modelos que son temporalmente rentables para la condición de mercado para la cual fueron desarrollados, pero fallan en última instancia cuando cambian las condiciones de mercado. Hay un número de indicadores y modelos matemáticos que son ampliamente aceptados y utilizados por algún software comercial (incluso MetaStock) , Como MAMA, transformación de Hilbert, transformación de Fisher (como sustitutos de FFT), discrimina Homodyne, onda de Sine de Hilbert, línea de tendencia inmediata etc. inventado por Juan Ehler. Pero eso es todo. Nunca he oído hablar de nadie más que John Ehler que estudia en esta área. ¿Crees que vale la pena aprender el procesamiento de señales digitales? Después de todo, cada transacción es una señal y las gráficas de barras son algo filtradas de estas señales. ¿Tiene sentido pedir 15 de febrero a las 20:46 Wavelets son sólo una forma de descomposición de la base. Las wavelets, en particular, se descomponen tanto en frecuencia como en tiempo y, por lo tanto, son más útiles que las descomposiciones basadas en fourier u otras de pura frecuencia. Hay otras descomposiciones tiempo-freq (por ejemplo, el HHT) que deben ser exploradas también. La descomposición de una serie de precios es útil para comprender el movimiento primario dentro de una serie. En general con una descomposición, la señal original es la suma de sus componentes de base (potencialmente con algún multiplicador de escala). Los componentes van desde la frecuencia más baja (una línea recta a través de la muestra) hasta la frecuencia más alta, una curva que oscila con una frecuencia máxima aproximándose a N / 2. ¿Cómo esto es útil destruir una serie que determina el componente principal del movimiento en la serie Determinación de los pivotes El desnucleamiento se logra recomponiendo la serie sumando los componentes de la descomposición, menos los últimos componentes de la frecuencia más alta. Esta serie rebajada (o filtrada), si se escoge bien, a menudo da una opinión sobre el proceso de precio básico. Asumiendo que la continuación en la misma dirección, se puede utilizar para extropolar durante un corto período hacia delante. A medida que las señales de tiempo varían en tiempo real, se puede ver cómo cambia el proceso de precios desnonado (o filtrado) para determinar si un movimiento de precios en una dirección diferente es significativo o simplemente ruido. Una de las claves, sin embargo, es determinar cuántos niveles de la descomposición para recomponer en cualquier situación dada. Demasiados niveles (baja frecuencia) significarán que la serie de precios recompuestos responde muy lentamente a los eventos. Demasiados niveles (freq alta) significará para la respuesta rápida, pero. Tal vez demasiado ruido en algunos regímenes de precios. Dado que el mercado cambia entre los movimientos laterales y los movimientos de impulso, un proceso de filtrado necesita ajustarse al régimen, haciéndose más o menos sensible a los movimientos en la proyección de una curva. Hay muchas maneras de evaluar esto, tales como mirar la potencia de la serie filtrada frente a la potencia de la serie de precios brutos, apuntando a una determinada dependiendo del régimen. Asumiendo que uno ha empleado con éxito wavelet u otras descomposiciones para producir una señal lisa, adecuadamente reactiva, puede tomar la derivada y usarla para detectar mínimos y máximos a medida que avanza la serie de precios. Se necesita una base que tenga un buen comportamiento en el punto extremo de modo que la pendiente de la curva en el punto final se proyecte en una dirección apropiada. La base necesita proporcionar resultados consistentes en el punto final como las garrapatas timeseries y no ser sesgado de posición. Desafortunadamente, no soy consciente de ninguna base de wavelet que evite los problemas anteriores. Hay algunas otras bases que se pueden elegir que hacen mejor. Conclusión Si desea perseguir Wavelets y construir reglas comerciales alrededor de ellos, espere hacer un montón de investigación. También puede encontrar que aunque el concepto es bueno, tendrá que explorar otras bases de descomposición para obtener el comportamiento deseado. No utilizo descomposiciones para las decisiones comerciales, pero las he encontrado útiles para determinar el régimen de mercado y otras medidas de retroceso. Es necesario investigar cómo diferenciar métodos de interpolación versus métodos de extrapolación. Su fácil de construir un modelo que repite el pasado (casi cualquier esquema de interpolación hará el truco). El problema es que ese modelo suele carecer de valor cuando se trata de extrapolar el futuro. Cuando oiga / vea los ciclos de la palabra, una bandera roja debe estar subiendo. Dig en la aplicación de Fourier Integral, Fourier Series, Transformada de Fourier, etc, y youll encontrar que con suficientes frecuencias puede representar cualquier serie de tiempo lo suficientemente bien que la mayoría de los comerciantes al por menor se puede convencer de que funciona. El problema es que no tiene poder predictivo alguno. La razón por la cual los métodos de Fourier son útiles en la ingeniería / DSP es porque esa señal (voltaje, corriente, temperatura, lo que sea) típicamente se repite en el circuito / máquina donde se generó. Como resultado, la interpolación se relaciona con la extrapolación. En caso de que esté usando R, heres algún código hacky para probar: He encontrado John Ehlers Fisher Transform bastante útil como un indicador en el comercio de futuros sobre todo en Heikin-Ashi cartas de tick. Confío en ella para mi estrategia, pero no creo que sea lo suficientemente confiable como para basar un sistema automatizado por sí solo, porque no ha demostrado ser confiable durante días agitados, pero puede ser muy útil en días de tendencia como hoy. (Id ser feliz de publicar un gráfico para ilustrar, pero no tengo la reputación necesaria) respondió Mar 22 13 a las 20: 47Modelo una estrategia de comercio cuantitativo en R interactivo a ritmo personal de 10 horas de curso en R para principiantes R es ampliamente utilizado por los analistas Y los comerciantes de todo el mundo para desarrollar estrategias de negociación cuantitativa que se puede ejecutar manualmente o mediante el programa de comercio. Este es un curso introductorio para principiantes en R para familiarizarse con una estrategia comercial y la experiencia de la codificación de un indicador técnico en R. Usted aprenderá términos técnicos asociados con una estrategia de negociación, trabajar con data. tables en R, y manipular los datos de entrada a Crear señales comerciales y columnas de ganancias y pérdidas. También aprenderá sobre la optimización de parámetros para poder maximizar los beneficios. Este curso es para todos aquellos que tienen un interés en el comercio algorítmico y quieren empezar No se requiere conocimiento previo Obtener una visión de la estrategia Estrategia video de discusión ¿Qué aprenderás de este curso Este es un curso introductorio para principiantes en R, familiarizarse Con una experiencia de la estrategia de negociación de la codificación de un indicador técnico en R aprender términos técnicos asociados con una estrategia de comercio de trabajo con los datos. tables en R manipular los datos de entrada para crear señales de comercio y las pérdidas y ganancias aprender sobre la optimización de parámetros para poder maximizar Los beneficios Aumentar sus habilidades mediante la participación en un curso extenso Después de completar este curso gratuito los participantes lograrán los conocimientos y habilidades antes mencionados, pero con el fin de adquirir conocimientos prácticos profundos y conocimientos se puede unir a nuestro Programa Ejecutivo en Algorithmic Trading (EPAT). Es un programa de 4 meses (100 horas de contacto). También proporcionamos a nuestros participantes acceso a diversas herramientas y pruebas de datos de mercado con fines de proyecto.