Quantitative Trading Strategien Ebook

Quantitative Trading Strategies Melden Sie sich an, um Ihre Bibliothek zu speichern Nutzen Sie die Macht der quantitativen Techniken, um ein erfolgreiches Trading-Programm zu schaffen Lars Kestner Quantitative Trading Strategies nimmt Leser durch die Entwicklungs-und Evaluierungsstadien der heutigen beliebtesten und marktüblichen technischen Handelsstrategien. Dieses analytische Buch, das jede subjektive Entscheidung im Handelsprozess quantifiziert, wertet die Arbeit bekannter Quants von John Henry bis Monroe Trout aus und führt 12 völlig neue Handelsstrategien ein. Es debunks zahlreiche populäre Missverständnisse, und ist sicher, waves8212and change minds8212in der Welt der technischen Analyse und Handel. Publishing Details Verlag: McGraw-Hill Education Herausgeber: McGraw-Hill Erscheinungsdatum: 2003 Serie: Irwin Trader39s Edge Verfügbar in: SingaporeQuantitative Trading Melden Sie sich an, um Ihre Bibliothek zu speichern Während institutionelle Händler weiterhin quantitative (oder algorithmische) Trading zu implementieren, haben viele unabhängige Händler Gefragt, ob sie immer noch herausfordern mächtige Industrie-Profis auf ihrem eigenen Spiel Die Antwort ist ja, und in Quantitative Trading. Dr. Ernest Chan, ein angesehener unabhängiger Händler und Berater, wird Ihnen zeigen, wie. Ob youre ein unabhängiger Einzelhändler, der schaut, um Ihr eigenes quantitatives Handelsgeschäft zu beginnen oder eine Person, die anstrebt, als ein quantitativer Händler bei einem großen Finanzinstitut zu arbeiten, enthält diese praktische Anleitung die Informationen, die Sie benötigen, um erfolgreich zu sein. Publishing Details Verlag: Wiley Veröffentlichungsjahr: 2009 Serie: Wiley Trading Erhältlich in: USA, Singapur, Kanada, Indien Kindle Book OverDrive Adobe PDF eBook herunterladen 17,2 MB Adobe EPUB eBook 2,7 MB Ernie Chan (Autor), Ernest P. Chan, PhD, ist ein quantitativer Händler und Berater, der Klienten berät, wie man automatisierte statistische Handelsstrategien implementiert. Er arbeitete als quantitativer Forscher und Trader in verschiedenen Investmentbanken, darunter Morgan Stanl. Machine Learning angewendet Real World Quant Strategies Endlich. Implementieren fortgeschrittene Handelsstrategien mit Zeitreihenanalyse. Maschinelles Lernen und Bayessche Statistik mit den Open-Source-R - und Python-Programmiersprachen für direkte, umsetzbare Ergebnisse Ihrer Strategie-Rentabilität. Im sicheres youve beachtet die übersättigung der Anfänger-Python-Tutorials und statsmachine Lernenreferenzen, die auf dem Internet vorhanden sind. Nur wenige Tutorials tatsächlich Ihnen sagen, wie man sie auf Ihre algorithmischen Handelsstrategien in einer End-to-End-Mode anzuwenden. Es gibt Hunderte von Lehrbüchern, Forschungsarbeiten, Blogs und Forenbeiträgen zur Zeitreihenanalyse, Ökonometrie, maschinelles Lernen und Bayessche Statistik. Fast alle von ihnen konzentrieren sich auf die Theorie. Was ist mit der praktischen Umsetzung Wie verwenden Sie diese Methode für Ihre Strategie Wie programmieren Sie diese Formel in Software Ive geschrieben Advanced Algorithmic Trading, um diese Probleme zu lösen. Es bietet eine reale Anwendung der Zeitreihenanalyse, des statistischen maschinellen Lernens und der Bayes'schen Statistik, um direkt profitabel handelnde Strategien mit frei verfügbarer Open-Source-Software zu produzieren. Youre glücklich mit Basic-Programmierung, sondern wollen Ihre Fähigkeiten anwenden, um mehr Fortgeschrittene Quant Trading Wenn youve mein Buch lesen, erfolgreiche Algorithmic Trading. Haben Sie eine Chance gehabt, einige grundlegende Python-Fähigkeiten zu lernen und sie auf einfache Handelsstrategien anwenden. Allerdings haben Sie über einfache Strategien gewachsen und wollen beginnen, Ihre Rentabilität zu verbessern und einige robuste, professionelle Risikomanagement-Techniken, um Ihr Portfolio einzuführen. Im fortgeschrittenen algorithmischen Handel nehmen wir einen genaueren Blick auf einige der populärsten Quant-Finanzbibliotheken für Python und R, einschließlich Pandas. Scikit-lernen. Statsmodels QSTrader. Zeitfolgen . Rugarch und Prognose unter vielen anderen. Wir werden diese Bibliotheken nutzen, um eine Vielzahl von Methoden in den Bereichen Bayes'sche Statistik, Zeitreihenanalyse und maschinelles Lernen zu betrachten und diese Methoden direkt in der Strategienforschung zu verwenden. Wir wenden diese Tools in einem End-to-End-Backtesting - und Risikomanagement-Szenario an. Mit Hilfe der R - und der QSTrader-Bibliotheken, sodass Sie diese problemlos in Ihre aktuelle Handelsinfrastruktur einbinden können. Keine Notwendigkeit für teure Off-The-Shelf Quant Software Sie können eine Menge Geld ausgegeben haben einige anspruchsvolle Backtesting-Tools in der Vergangenheit und letztlich fand sie schwer zu bedienen und nicht relevant für Ihre Art von quant trading. Advanced Algorithmic Trading nutzt vollständig freie Open-Source-Software, einschließlich Python - und R-Bibliotheken, die sachkundige und freundliche Communities hinter sich haben. Noch wichtiger ist, dass wir diese Bibliotheken direkt auf echte Handelsprobleme wie Alpha-Generierung und Portfolio-Risikomanagement anwenden. Aber ich habe nicht ein PhD in den Statistiken. Während das maschinelle Lernen, die Zeitreihenanalyse und die Bayes'sche Statistik quantitative Themen sind, enthalten sie auch eine Fülle von intuitiven Methoden, von denen viele ohne Rückgriff auf fortgeschrittene Mathematik erklärt werden können. In Advanced Algorithmic Trading haben wir nicht nur die Theorie, um Ihnen zu verstehen, was youre Umsetzung (und verbessern Sie es selbst), sondern auch detaillierte Schritt-für-Schritt-Codierung Tutorials, die die Gleichungen zu nehmen und direkt anwenden, um echte Strategien. So, wenn youre viel bequemer Kodierung als mit Mathematik, können Sie leicht folgen Sie den Snippets und beginnen Sie arbeiten, um Ihre Strategie Rentabilität zu verbessern. Über den Autor Also, die hinter diesem Hallo Mein Name ist Mike Halls-Moore und Im der Kerl hinter QuantStart und die Advanced Algorithmic Trading-Paket. Seitdem ich als quantitativer Trading-Entwickler in einem Hedgefonds arbeite, bin ich begeistert von der quantitativen Handelsforschung und - umsetzung. Ich begann die QuantStart-Community und schrieb Advanced Algorithmic Trading, um praktizierende Retail-Quants den Methoden der quantitativen Hedgefonds und Asset Management-Firmen auszusetzen. Welche Themen sind im Buch enthalten Zeitreihenanalyse Youll erhalten eine komplette Anfänger-Anleitung zur Zeitreihenanalyse, einschließlich Asset Returns Eigenschaften, serielle Korrelation, die weißen Rauschen und zufällige Walk-Modelle. Zeitreihenmodelle Ill liefern eine gründliche Diskussion der Autoregressive Moving Average (ARMA) und Autoregressive Conditional Heteroskedastic (ARCH) Modelle unter Verwendung der R statistischen Umgebung. Cointegrierte Zeitreihen Wir werden die Diskussion über kointegrierte Zeitreihen von Successful Algorithmic Trading fortsetzen und den Johansen-Test betrachten und ihn auf ETF-Strategien anwenden. State-Space-Modelle und Kalman-Filter Youll finden eine eingehende Diskussion darüber, wie der Kalman-Filter verwendet werden kann, um dynamische Hedging-Verhältnisse zwischen Paaren von ETF-Vermögenswerte, mit frei verfügbaren Python-Tools zu erstellen. Hidden Markov Modelle Youll eine Einführung in Hidden Markov Modelle und wie sie auf Finanzdaten für die Zwecke der Regime-Erkennung angewendet werden können. Nun entdecken Sie genau, was statistische Maschinelles Lernen ist, einschließlich überwachtes und unüberwachtes Lernen, und wie sie uns helfen können, profitable systematische Handelsstrategien zu produzieren. Wir verwenden zunächst die bekannte Technik der linearen Regression sowohl im bayesischen als auch im klassischen Sinne als ein Mittel, um fortgeschrittene maschinelle Lernkonzepte zu unterrichten. Der Bias-Variance Tradeoff Ich spreche von einem der wichtigsten Konzepte des Maschinellen Lernens, nämlich dem Bias-Varianz-Trade-Off, und wie wir seine Effekte durch Cross-Validierung minimieren können. Ich bespreche eines der vielseitigsten ML-Modellfamilien, nämlich die Entscheidungsbaum-, Random-Wald - und Boosted-Tree-Modelle, und wie wir sie anwenden können, um Asset-Returns vorherzusagen. Gut besprechen Sie die Familie der Support Vector Classifiers, einschließlich der Support Vector Machine, und wie können wir es auf finanzielle Daten-Serie. Ill erklären, wie Sie unbeaufsichtigte Lerntechniken wie K-Means Clustering auf finanzielle OHLCV-Bar-Daten anwenden können, um Kerzen in Regimes zu gruppieren. Natürliche Sprachverarbeitung Gut besprechen, wie man maschinelle Lernmethoden auf eine große natürliche Sprache Dokument corpus und Prognose Kategorien auf unsichtbare Test-Daten, als Vorläufer auf Stimmung-basierte Modelle. Ill bieten eine vollständige Einführung in Bayesian Wahrscheinlichkeit Modelle, einschließlich einer detaillierten Blick auf Schlußfolgerung, die die Grundlage für komplexere Modelle im gesamten Buch bildet. Markov-Chain Monte Carlo Youll lernt mehr über MCMC, insbesondere den Metropolis-Hastings-Algorithmus, der eine der Haupttechniken für die Probenahme in der Bayesschen Statistik ist, und zwar mit Hilfe der PyMC3-Software. Bayessche Stochastische Volatilität Schauen Sie sich stochastische Volatilitätsmodelle unter einem Bayesschen Rahmen an und verwenden Sie diese, um Perioden großer Marktvolatilität für das Risikomanagement zu identifizieren. Welche technischen Fertigkeiten werden Sie lernen? R: Zeitreihenanalyse Sie werden in R eingeführt, einer der am häufigsten genutzten Forschungsumgebungen in quantitativen Hedgefonds und Vermögensverwaltern. Wir nutzen viele Bibliotheken einschließlich Zeitschriften. Rugarch und Prognose. Wir werden R und Python verwenden, um unsere Strategie-Performance im Laufe der Zeit abzuschätzen, so dass wir Strategieabklingkurven erzeugen können. Dies wird dazu beitragen, festzustellen, ob eine Strategie im Ruhestand oder noch lebensfähig und rentabel sein muss. Wir werden tiefer in die erweiterten Funktionen von scikit-lernen. Pythons ML-Bibliothek, einschließlich der Parameter-Optimierung, Cross-Validierung, Parallelisierung und produzieren anspruchsvolle Vorhersagemodelle. Erstellung effizienter vektorisierter und ereignisgesteuerter Backtests für Voruntersuchungen mit realistischen Transaktionskostenannahmen und Positionsbearbeitung mit R und der beliebten QSTrader-Bibliothek. Wir stellen PyMC3 vor. Die flexible Bayes'sche Modellierung oder Probabilistic Programming Toolkit und Markov Chain Monte Carlo Sampler, die uns helfen, effektive Bayesian Schlußfolgerung über die finanziellen Zeitreihen-Daten. Wir werden unsere Risikomanagement-Diskussion aus früheren Büchern fortsetzen und auf Regimeerkennung und stochastische Volatilität als Bestimmungsmerkmal für unsere aktuelle Risikostufe und Portfolioverteilung blicken. Welche Trading - und Risikomanagementstrategien werden Sie implementieren? Monthly Rebalance Portfolios Wir werden unser Backtesting-Framework mit langfristigen, monatlich ausgeglichenen ETF-Portfolios auf verschiedenen Finanzmärkten einführen und unsere Ergebnisse mit einer Benchmark vergleichen. Wir betrachten eine lineare Zeitreihentechnik auf Basis des ARIMAGARCH-Modells auf einer Reihe von Aktienindexindizes und sehen, wie sich die Performance der Strategie im Laufe der Zeit ändert. Kalman-Filter für den Paarenhandel Wir werden den Bayesschen Kalman-Filter auf kointegrierte Zeitreihen anwenden, um das Hedging-Verhältnis zwischen den Asset-Paaren dynamisch zu schätzen, wodurch eine statische Schätzung eines herkömmlichen Hedge-Verhältnisses verbessert wird. Wir werden stochastische Volatilitätsmodelle verwenden, um die Volatilität zu schätzen, um ein Regime-Erkennungsmodell zu erzeugen, das uns hilft, Zeiten mit höherem und niedrigerem Risiko zu identifizieren. Asset Returns Forecasting mit ML Wir verwenden zahlreiche maschinelle Lernmethoden wie zufällige Wälder, um die Vermögensrichtung und - niveau zu prognostizieren, indem sie sich gegen andere transformierte Merkmale zurückziehen. Wir werden Sentimentanalyse-Kreditorendaten verwenden, um einen sentimentbasierten Handelssignalgenerator zu erzeugen, der ihn auf einen Satz von SampP500-Aktien über verschiedene Marktsektoren anwendet. Das Buch ist zurzeit für Rough Cut verfügbar Pre-Order Release Was bedeutet Rohschnitt Pioneered von OReilly Media, das Konzept von Rough Cut bedeutet, dass Sie das Buch heute für 20 aus dem kompletten Release-Preis vorbestellen können und erhalten die aktuelle teilweise beendet Schnitt des Buches, wie es steht (430 Seiten). Darüber hinaus können Sie auf Updates für das Buch zugreifen, wie ich sie schreibe. Sobald das Buch fertig ist, erhalten Sie eine vollständige digitale Kopie. Wenn Sie für das Quellcode-Paket entscheiden, erhalten Sie neue R - und Python-Code, wie es auch geschrieben wird. Wann wird das Buch veröffentlicht werden Die endgültige Vollversion von Advanced Algorithmic Trading wird Anfang 2017 veröffentlicht werden. Im derzeit noch schriftlich einige der das Material, sowie die R-und Python-Code. Durch Vorbestellung der groben Schnitt youll gewinnen Zugang zu Updates, wie sie erscheinen und das vollständige Buch nach der Freigabe. Warum sind Sie freigeben einen groben Schnitt Ich benutzte die raue Schnitt Ansatz mit meinen anderen Büchern C Für quantitative Finanzen und erfolgreiche Algorithmic Trading. Es war sehr nützlich für mich und das Publikum des Buches. Viele Leute machten Vorschläge beim Lesen des groben Schnittes, der es in die abschließende Freigabe machte. Ive hatte eine riesige Anzahl von Ihnen E-Mail mich fragen, um Advanced Algorithmic Trading in eine grobe Schnittform, so dass Vorschläge für Material für die endgültige Version gemacht werden können. Müssen Sie ein Programmierer werden Das Buch geht davon aus, dass Sie grundlegende Programmierkenntnisse haben. Sie sollten Verzweigung, Looping und die Grundlagen der Objektorientierung verstehen. Allerdings ist die Mehrheit des Buches geschrieben, um so eigenständig wie möglich zu sein und der Code ist einfach zu folgen. Fragen Wo können Sie mehr über mich lernen Ich habe fast 200 Beiträge auf QuantStart für Quant-Trading, Quant-Karriere, Quant-Entwicklung, Daten-Wissenschaft und Maschine Lernen geschrieben. Sie können die Archive lesen, um mehr über meine Methoden und Strategien zu lernen. Was, wenn Sie nicht mit dem Buch glücklich sind Während ich denke, finden Sie Advanced Algorithmic Trading sehr nützlich in Ihrer quantitativen Trading Ausbildung, glaube ich auch, dass, wenn Sie nicht 100 mit dem Buch aus irgendeinem Grund zufrieden sind, können Sie es zurückgeben keine Fragen für ein gefragt komplette Rückerstattung. Das Buch ist nur im Adobe PDF-Format verfügbar, während der Code selbst als Zip-Datei von voll funktionsfähigen R - und Python-Skripten zur Verfügung steht, wenn Sie die Option Book Software erwerben. Welches Paket sollten Sie kaufen Dies hängt meistens von Ihrem Budget. Das Buch mit vollem zusätzlichen Quellcode ist das Beste, wenn Sie in den Code sofort graben wollen, aber das Buch selbst enthält eine riesige Menge an Code-Snippets, die Ihren quantitativen Handel unterstützen wird. Kann ich kontaktiert werden Natürlich Wenn Sie nach dem Lesen dieser Seite noch Fragen haben, setzen Sie sich bitte mit mir in Verbindung und ich werde mein Bestes tun, um Ihnen eine Antwort zu geben. Bitte beachten Sie jedoch die Artikelliste. Die Ihnen auch helfen können. Brauchen Sie einen Abschluss in Mathematik Die Mehrheit des Buches erfordert ein Verständnis von Kalkül, lineare Algebra und Wahrscheinlichkeit. Allerdings sind viele der Methoden intuitiv und der Code kann ohne Rückgriff auf fortgeschrittene Mathematik verfolgt werden. Wählen Sie Ihre bevorzugte Vorbestellung Rough Cut-Paket Das Buch für 39 49 Das Buch im PDF-Format