Guia do principiante para negociação quantitativa Neste artigo, vou apresentá-lo a alguns dos conceitos básicos que acompanham um sistema de negociação quantitativa de ponta a ponta. Esta postagem espero que sirva dois públicos. O primeiro será indivíduos tentando obter um emprego em um fundo como um comerciante quantitativo. O segundo será indivíduos que desejam tentar configurar seu próprio negócio de negociação algorítmica de varejo. Negociação quantitativa é uma área extremamente sofisticada de financiamento quantitativo. Pode levar uma quantidade significativa de tempo para obter o conhecimento necessário para passar uma entrevista ou construir suas próprias estratégias de negociação. Não só isso, mas exige uma vasta experiência em programação, pelo menos em uma linguagem como MATLAB, R ou Python. No entanto, à medida que a frequência comercial da estratégia aumenta, os aspectos tecnológicos tornam-se muito mais relevantes. Assim, familiarizar-se com CC será de suma importância. Um sistema de comércio quantitativo consiste em quatro componentes principais: Identificação de Estratégia - Encontrar uma estratégia, explorar uma vantagem e decidir sobre a frequência de negociação. Teste de Estratégia - Obtenção de dados, análise de desempenho da estratégia e remoção de viés. Sistema de Execução - Vinculação a uma corretora, automatizando a negociação e minimizando Custos de transação Gerenciamento de risco - Alocação de capital ótima, tamanho de aposta Critério e psicologia comercial Bem, comece por dar uma olhada em como identificar uma estratégia de negociação. Identificação da Estratégia Todos os processos de negociação quantitativos começam com um período inicial de pesquisa. Este processo de pesquisa abrange a busca de uma estratégia, considerando se a estratégia se enquadra em um portfólio de outras estratégias que você pode estar executando, obtendo todos os dados necessários para testar a estratégia e tentar otimizar a estratégia para maiores retornos e / ou menor risco. Você precisará avaliar seus próprios requisitos de capital se estiver executando a estratégia como um comerciante de varejo e como qualquer custo de transação afetará a estratégia. Contrariamente à crença popular, é realmente bastante direto encontrar estratégias lucrativas através de várias fontes públicas. Os acadêmicos publicam periódicamente resultados teóricos de negociação (embora na maior parte brutos dos custos de transação). Os blogs quantitativos de finanças discutirão as estratégias em detalhes. As revistas comerciais descreverão algumas das estratégias empregadas pelos fundos. Você pode questionar por que indivíduos e empresas estão interessados em discutir suas estratégias rentáveis, especialmente quando sabem que outros que estão aglomerando o comércio podem impedir a estratégia de trabalhar no longo prazo. O motivo reside no fato de que eles geralmente não discutem os parâmetros exatos e os métodos de ajuste que realizaram. Essas otimizações são a chave para transformar uma estratégia relativamente medíocre em uma empresa altamente lucrativa. Na verdade, uma das melhores maneiras de criar suas próprias estratégias únicas é encontrar métodos semelhantes e, em seguida, realizar seu próprio procedimento de otimização. Aqui está uma pequena lista de lugares para começar a procurar idéias de estratégia: muitas das estratégias que você olhará cairão nas categorias de reversão média e tendência-seguimento. Uma estratégia de reversão média é aquela que tenta explorar o fato de que existe uma média de longo prazo em uma série de preços (como o spread entre dois ativos correlacionados) e que os desvios de curto prazo dessa média eventualmente reverterão. Uma estratégia de impulso tenta explorar a psicologia dos investidores e a grande estrutura do fundo, engajando uma tendência de mercado, que pode aumentar o impulso em uma direção e seguir a tendência até reverter. Outro aspecto extremamente importante da negociação quantitativa é a freqüência da estratégia de negociação. A negociação de baixa freqüência (LFT) geralmente se refere a qualquer estratégia que detenha ativos por mais que um dia de negociação. Correspondentemente, a negociação de alta freqüência (HFT) geralmente se refere a uma estratégia que mantém ativos intraday. Ultra-high frequency trading (UHFT) refere-se a estratégias que possuem ativos na ordem de segundos e milissegundos. Como um profissional de varejo HFT e UHFT são certamente possíveis, mas apenas com conhecimento detalhado da pilha de tecnologia comercial e da dinâmica do livro de pedidos. Não discutiremos esses aspectos em grande medida neste artigo introdutório. Uma vez que uma estratégia, ou conjunto de estratégias, foi identificado, agora precisa ser testado quanto à rentabilidade em dados históricos. Esse é o domínio do backtesting. Estratégia Backtesting O objetivo do backtesting é fornecer evidências de que a estratégia identificada através do processo acima é rentável quando aplicado a dados históricos e fora da amostra. Isso define a expectativa de como a estratégia será realizada no mundo real. No entanto, o backtesting NÃO é uma garantia de sucesso, por vários motivos. É talvez a área mais sutil de negociação quantitativa, uma vez que implica numerosos preconceitos, que devem ser cuidadosamente considerados e eliminados o máximo possível. Discutiremos os tipos comuns de viés, incluindo viés avançado. Viés de sobrevivência e viés de otimização (também conhecido como viés de snooping de dados). Outras áreas de importância no backtesting incluem disponibilidade e limpeza de dados históricos, com base em custos de transação realistas e decisão sobre uma plataforma robusta de backtesting. Bem, discuta os custos de transação ainda mais na seção Sistemas de Execução abaixo. Uma vez que uma estratégia foi identificada, é necessário obter os dados históricos através dos quais realizar testes e, talvez, refinamento. Há um número significativo de fornecedores de dados em todas as classes de ativos. Os seus custos geralmente variam com a qualidade, a profundidade e a pontualidade dos dados. O ponto de partida tradicional para os comerciantes quantos iniciais (pelo menos no nível de varejo) é usar o conjunto de dados gratuitos da Yahoo Finance. Não me preocuparia muito com os prestadores, e gostaria de me concentrar nas questões gerais ao lidar com conjuntos de dados históricos. As principais preocupações com os dados históricos incluem limpeza de precisão, viés de sobrevivência e ajuste para ações corporativas, como dividendos e divisões de estoque: a precisão pertence à qualidade geral dos dados - quer contenha algum erro. Os erros às vezes podem ser fáceis de identificar, como, por exemplo, com um filtro de espiga. Que irá escolher picos incorretos em dados da série temporal e correto para eles. Em outras ocasiões, eles podem ser muito difíceis de detectar. Muitas vezes é necessário ter dois ou mais provedores e, em seguida, verificar todos os seus dados uns contra os outros. O viés de sobrevivência é muitas vezes uma característica de conjuntos de dados gratuitos ou baratos. Um conjunto de dados com viés de sobrevivência significa que ele não contém ativos que não estão mais negociando. No caso de ações, isso significa que os estoques são cancelados. Este viés significa que qualquer estratégia de negociação de estoque testada em tal conjunto de dados provavelmente funcionará melhor do que no mundo real, já que os vencedores históricos já foram pré-selecionados. As ações corporativas incluem atividades logísticas realizadas pela empresa que geralmente causam uma mudança de função gradual no preço bruto, que não deve ser incluído no cálculo dos retornos do preço. Ajustes para dividendos e divisões de estoque são os culpados comuns. Um processo conhecido como ajuste de volta é necessário ser realizado em cada uma dessas ações. É preciso ter muito cuidado para não confundir uma divisão de estoque com um verdadeiro ajuste de retorno. Muitos comerciantes foram apanhados por uma ação corporativa. Para realizar um procedimento de backtest, é necessário usar uma plataforma de software. Você tem a escolha entre o software de backtest dedicado, como o Tradestation, uma plataforma numérica como o Excel ou MATLAB ou uma implementação personalizada completa em uma linguagem de programação, como Python ou C. Não demorarei muito em Tradestation (ou similar), Excel ou MATLAB, como acredito na criação de uma pilha de tecnologia interna completa (por razões descritas abaixo). Um dos benefícios de o fazer é que o software de backtest e o sistema de execução podem ser bem integrados, mesmo com estratégias estatísticas extremamente avançadas. Para as estratégias HFT em particular, é essencial usar uma implementação personalizada. Quando testar um sistema, é preciso quantificar o desempenho. As métricas padrão da indústria para estratégias quantitativas são a redução máxima e a Ratio Sharpe. O drawdown máximo caracteriza a maior queda de ponto-a-ponto na curva de equidade da conta em um determinado período de tempo (geralmente anual). Isso geralmente é citado como uma porcentagem. As estratégias LFT tendem a ter maiores disparidades do que as estratégias HFT, devido a uma série de fatores estatísticos. Um backtest histórico mostrará a retirada máxima do passado, que é um bom guia para o futuro desempenho de redução da estratégia. A segunda medida é a Razão de Sharpe, que é definida heuristicamente como a média dos retornos em excesso divididos pelo desvio padrão desses retornos em excesso. Aqui, os retornos em excesso referem-se ao retorno da estratégia acima de um benchmark pré-determinado. Como o SP500 ou um Bill do Tesouro de 3 meses. Observe que o retorno anualizado não é uma medida usualmente utilizada, pois não leva em consideração a volatilidade da estratégia (ao contrário do Razão Sharpe). Uma vez que uma estratégia foi testada novamente e é considerada livre de preconceitos (na medida em que é possível), com um bom Sharpe e reduções minimizadas, é hora de criar um sistema de execução. Sistemas de execução Um sistema de execução é o meio pelo qual a lista de negócios gerados pela estratégia é enviada e executada pelo corretor. Apesar do fato de que a geração de comércio pode ser semi - ou mesmo totalmente automatizada, o mecanismo de execução pode ser manual, semi-manual (ou seja, um clique) ou totalmente automatizado. Para estratégias LFT, as técnicas manuais e semi-manuais são comuns. Para as estratégias HFT, é necessário criar um mecanismo de execução totalmente automatizado, que muitas vezes será fortemente acoplado ao gerador comercial (devido à interdependência da estratégia e da tecnologia). As principais considerações ao criar um sistema de execução são a interface para a corretora. Minimização dos custos de transação (incluindo comissão, deslizamento e propagação) e divergência de desempenho do sistema ao vivo com o desempenho testado. Há muitas maneiras de se conectar a uma corretora. Eles variam de chamar seu corretor no telefone diretamente para uma interface de programação de aplicativos (API) de alto desempenho totalmente automatizada. O ideal é que você automatize a execução de seus negócios o máximo possível. Isso o liberta para se concentrar em novas pesquisas, além de permitir que você execute múltiplas estratégias ou mesmo estratégias de maior freqüência (de fato, HFT é essencialmente impossível sem execução automática). O software de backtesting comum descrito acima, como MATLAB, Excel e Tradestation são bons para estratégias mais baixas e mais simples. No entanto, será necessário construir um sistema de execução interno escrito em uma linguagem de alto desempenho, como C, para fazer qualquer HFT real. Como uma anedota, no fundo em que costumava trabalhar, tivemos um loop de negociação de 10 minutos em que íamos baixar novos dados de mercado a cada 10 minutos e, em seguida, executamos trades com base nessas informações no mesmo período. Isso estava usando um script otimizado em Python. Para qualquer coisa que se aproxime de dados de minuto ou de segunda frequência, acredito que o CC seria mais ideal. Em um fundo maior, muitas vezes não é o domínio do comerciante quant para otimizar a execução. No entanto, em lojas menores ou empresas HFT, os comerciantes são os executores e, portanto, um conjunto de habilidades muito mais amplo é muitas vezes desejável. Tenha em mente se você deseja ser empregado por um fundo. Suas habilidades de programação serão tão importantes, se não mais, do que suas estatísticas e talentos de econometria. Outra questão importante que se enquadra no banner de execução é a redução de custos de transação. Em geral, existem três componentes para os custos de transação: as comissões (ou taxas), que são as taxas cobradas pela corretora, a troca e o escrow SEC (ou órgão regulador governamental similar), que é a diferença entre o que você pretende que seu pedido seja Preenchido em relação ao que foi preenchido na propagação, que é a diferença entre o preço bidask da segurança negociada. Observe que o spread NÃO é constante e depende da liquidez atual (ou seja, disponibilidade de ordens de compra) no mercado. Os custos de transação podem fazer a diferença entre uma estratégia extremamente rentável com uma boa relação Sharpe e uma estratégia extremamente rentável com uma relação Sharpe terrível. Pode ser um desafio prever corretamente os custos de transação de um backtest. Dependendo da frequência da estratégia, você precisará de acesso a dados de troca histórica, que incluirão dados de marca para os preços da bidask. Equipes inteiras de quants dedicam-se a otimizar a execução nos fundos maiores, por estas razões. Considere o cenário em que um fundo precisa descarregar uma quantidade substancial de negócios (dos quais os motivos para isso são muitos e variados). Ao despejar tantas ações no mercado, elas comprimem rapidamente o preço e não podem obter uma execução ótima. Daí existem algoritmos que gotejam pedidos de alimentação no mercado, embora o fundo corra o risco de derrapagem. Além disso, outras estratégias adotam essas necessidades e podem explorar as ineficiências. Este é o domínio da arbitragem da estrutura do fundo. A principal questão importante para os sistemas de execução diz respeito à divergência de desempenho da estratégia com o desempenho testado. Isso pode acontecer por vários motivos. Já discutimos o viés avançado e o viés de otimização em profundidade, quando consideramos backtests. No entanto, algumas estratégias não facilitam a verificação desses preconceitos antes da implantação. Isso ocorre em HFT mais predominantemente. Pode haver erros no sistema de execução, bem como a própria estratégia de negociação que não aparecem em um backtest, mas DO show up live trading. O mercado pode estar sujeito a uma mudança de regime posterior à implantação de sua estratégia. Novos ambientes regulatórios, mudança do sentimento dos investidores e fenômenos macroeconômicos podem levar a divergências quanto ao comportamento do mercado e, assim, a rentabilidade da sua estratégia. Gerenciamento de Riscos A peça final para o enigma de negociação quantitativa é o processo de gerenciamento de riscos. O risco inclui todos os vies anteriores que discutimos. Inclui o risco de tecnologia, como servidores co-localizados no intercâmbio de repente, desenvolvendo um mau funcionamento do disco rígido. Inclui o risco de corretagem, como o corretor se quebrando (não tão louco quanto parece, dado o susto recente com o MF Global). Em suma, abrange quase tudo o que poderia interferir com a implementação da negociação, da qual existem muitas fontes. Livros inteiros são dedicados ao gerenciamento de riscos para estratégias quantitativas, por isso não tentarei elucidar todas as possíveis fontes de risco aqui. O gerenciamento de riscos também abrange o que é conhecido como alocação de capital ótima. Que é um ramo da teoria do portfólio. Este é o meio pelo qual o capital é alocado para um conjunto de estratégias diferentes e para os negócios dentro dessas estratégias. É uma área complexa e depende de algumas matemáticas não triviais. O padrão da indústria pelo qual a alocação ótima de capital e a alavancagem das estratégias estão relacionadas é chamado de critério Kelly. Uma vez que este é um artigo introdutório, não vou ocupar o seu cálculo. O critério de Kelly faz alguns pressupostos sobre a natureza estatística dos retornos, que geralmente não são válidos nos mercados financeiros, então os comerciantes são geralmente conservadores quando se trata da implementação. Outro componente chave do gerenciamento de riscos é lidar com o próprio perfil psicológico. Existem muitos viés cognitivos que podem se aproximar da negociação. Embora isso seja certamente menos problemático com o comércio algorítmico se a estratégia for deixada sozinha. Um viés comum é o da aversão à perda em que uma posição perdedora não será encerrada devido à dor de ter que perceber uma perda. Da mesma forma, os lucros podem ser adotados muito cedo porque o medo de perder um lucro já obtido pode ser muito grande. Outro viés comum é conhecido como viés de recência. Isso se manifesta quando os comerciantes colocam muita ênfase nos eventos recentes e não no longo prazo. Então, é claro, há o par clássico de viés emocionais - medo e ganância. Estes podem, muitas vezes, levar a alavancagem insuficiente ou excessiva, o que pode causar explosão (ou seja, o patrimônio da conta em zero ou pior) ou lucros reduzidos. Como pode ser visto, o comércio quantitativo é uma área extremamente complexa, embora muito interessante, de financiamento quantitativo. Eu literalmente arranhei a superfície do tópico neste artigo e já está ficando bastante longo. Livros e documentos inteiros foram escritos sobre questões que eu apenas dediquei uma ou duas sentenças. Por esse motivo, antes de se candidatar a empregos quantitativos em bolsa de fundos, é necessário realizar uma quantidade significativa de estudo de base. No mínimo, você precisará de um extenso conhecimento em estatística e econometria, com muita experiência em implementação, através de uma linguagem de programação como MATLAB, Python ou R. Para estratégias mais sofisticadas no final da freqüência mais alta, seu conjunto de habilidades é provável Para incluir modificação do kernel do Linux, CC, programação de montagem e otimização de latência de rede. Se você está interessado em tentar criar suas próprias estratégias de negociação algorítmicas, minha primeira sugestão seria melhorar a programação. A minha preferência é criar tanto quanto possível o captador de dados, o backtester de estratégia e o sistema de execução. Se o seu próprio capital estiver na linha, você não dormiria melhor à noite, sabendo que você testou completamente o seu sistema e está ciente de suas armadilhas e questões específicas. Terceirizando isso a um fornecedor, enquanto potencialmente economizando tempo no curto prazo, poderia ser extremamente Caro a longo prazo. 24 de fevereiro de 2017 5:00 da manhã 0 comentários Exibições: 7760 Os papéis de comerciantes quantitativos dentro de grandes fundos quantitativos são muitas vezes percebidos como sendo uma das posições mais prestigiosas e lucrativas na paisagem de emprego de finanças quantitativas. As carreiras de negociação em um fundo 8220parent8221 são muitas vezes vistas como um trampolim para eventualmente permitir que um forme seu próprio fundo, com uma alocação inicial de capital do empregador principal e uma lista de investidores iniciais para embarcar. A concorrência para posições de negociação quantitativa é intensa e, portanto, é necessário um investimento significativo de tempo e esforço para obter uma carreira na negociação quantitativa. Neste artigo, descreverei os caminhos de carreira comuns, as rotas no campo, os antecedentes necessários e um plano de auto-estudo para ajudar os comerciantes de varejo e futuros profissionais a adquirir habilidades em negociação quantitativa. Definir Expectativas Antes de aprofundar as listas de livros didáticos e outros recursos, tentarei estabelecer algumas expectativas sobre o que o papel envolve. A pesquisa comercial quantitativa está muito mais alinhada com o teste de hipóteses científicas e o rigor acadêmico do que a percepção 8220usual8221 dos comerciantes dos bancos de investimento e da bravata associada. Há poucas (ou inexistentes) insumos discricionários na realização de negociação quantitativa, pois os processos são quase universalmente automatizados. O método científico e o teste de hipóteses são processos altamente valorizados dentro da comunidade financeira cuantitativa e, como tal, qualquer pessoa que deseje entrar no campo precisará ter sido treinada em metodologia científica. Isso muitas vezes, mas não exclusivamente, significa treinamento para um nível de pesquisa de doutorado 8211, geralmente através da obtenção de um Mestre de Doutorado ou pós-graduação em um campo quantitativo. Embora se possa entrar em negociação quantitativa a nível profissional através de meios alternativos, não é comum. As habilidades exigidas por um sofisticado pesquisador de negociação quantitativa são diversas. Um extenso conhecimento em matemática. Testes de probabilidade e estatística fornecem a base quantitativa sobre a qual construir. A compreensão dos componentes da negociação quantitativa é essencial, incluindo previsão, geração de sinal, backtesting, limpeza de dados, gerenciamento de portfólio e métodos de execução. É necessário um conhecimento mais avançado para a análise de séries temporais, a aprendizagem da aprendizagem estatística (incluindo métodos não-lineares), a otimização e a microestrutura do intercâmbio. Juntamente com isso, é um bom conhecimento da programação, incluindo como levar modelos acadêmicos e implementá-los rapidamente. Este é um aprendizado significativo e não deve ser introduzido de forma leve. Muitas vezes, é dito que leva 5-10 anos para aprender material suficiente para ser consistentemente rentável na negociação quantitativa em uma empresa profissional. No entanto, as recompensas são significativas. É um ambiente altamente intelectual com um grupo de pares muito inteligente. Isso proporcionará desafios contínuos a um ritmo acelerado. É extremamente bem remunerado e oferece muitas opções de carreira, incluindo a capacidade de se tornar empresário, iniciando seu próprio fundo depois de demonstrar um histórico de longo prazo. Antecedentes necessários É comum considerar uma carreira em finanças quantitativas (e, finalmente, pesquisas quantitativas), enquanto estuda em uma licenciatura em numeração ou em um doutorado técnico especializado. No entanto, o seguinte conselho é aplicável para aqueles que desejam transição para uma carreira de trading de quantos, embora com a ressalva que levará um pouco mais e envolverá uma rede extensa e muito auto-estudo. No nível mais básico, a pesquisa profissional de negociação quantitativa requer uma sólida compreensão da matemática e teste de hipóteses estatísticas. Os suspeitos habituais de cálculos multivariados, álgebra linear e teoria de probabilidade são todos necessários. Uma boa nota de classe em um curso de graduação de matemática ou física de uma escola bem considerada geralmente irá fornecer-lhe o fundo necessário. Se você não tem antecedentes em matemática ou física, eu sugiro que você deve seguir um curso de graduação de uma escola superior em um desses campos. Você estará competindo com pessoas que possuem tal conhecimento e, portanto, será altamente desafiador ganhar posição em um fundo sem credenciais acadêmicas definitivas. Além de ter uma sólida compreensão matemática, é necessário ser adepto da implementação de modelos, através da programação de computadores. As escolhas comuns de linguagens de modelagem atualmente incluem R. O idioma estatístico de código aberto Python. Com suas extensas bibliotecas de análise de dados ou MatLab. Ganhar familiaridade extensa com um desses pacotes é um pré-requisito necessário para se tornar um comerciante quantitativo. Se você tem um amplo histórico em programação de computadores, você pode querer considerar a entrada em um fundo através da rota do Desenvolvedor Quantitativo. A principal habilidade final necessária para os pesquisadores de negociação quantitativa é a de poder interpretar objetivamente novas pesquisas e depois implementá-la rapidamente. Esta é uma habilidade aprendida através do treinamento de doutorado e uma das razões pelas quais os candidatos de doutorado das melhores escolas são frequentemente os primeiros a serem escolhidos para posições de negociação quantitativas. Ganhar um doutorado em uma das seguintes áreas (particularmente aprendizado em máquina ou otimização) é um bom caminho para um fundo de quantos sofisticado. Negociação quantitativa introdutória A negociação quantitativa explodiu em popularidade tanto no espaço de fundo profissional quanto no nível de varejo. É, é claro, o tema principal deste site. I8217ve escreveu alguns artigos sobre como começar a negociação algorítmica quantitativa introdutória. O seguinte fornecerá uma breve visão geral do campo: para uma introdução mais profunda, você deve pegar os seguintes textos pelo gerente de fundos de hedge Ernie Chan, que inclui detalhes de implementação significativos nas estratégias comerciais de quant. Eles são lançados no sofisticado investidor varejista, mas as metodologias de negociação e as técnicas de gerenciamento de riscos são sólidas e são transferidas para o espaço profissional do fundo: se você deseja obter mais informações sobre os detalhes de implementação das estratégias de comércio de quantias (particularmente no nível de varejo) Dê uma olhada nos artigos de comércio de quantias neste site. Análise da série EconometricsTime Fundamentalmente, a maioria das negociações quantitativas é sobre análise de séries temporais. Isso inclui predominantemente a série de preços dos ativos em função do tempo, mas pode incluir séries derivadas de alguma forma. Assim, a análise de séries temporais é um tópico essencial para o pesquisador de pesquisa quantitativo. I8217ve escrito sobre como começar no artigo sobre os 10 principais recursos essenciais para aprender econometria financeira. Esse artigo inclui guias básicos de probabilidade e programação inicial em R, que discutiremos mais detalhadamente na segunda parte desta série de artigos. Os três textos fundamentais que eu recomendo iniciar na análise de econometria e de séries temporais são: Se você deseja ler mais sobre cada livro e como ele pode ajudá-lo, sugiro que analise meu artigo sobre recursos de econometria. Recentemente, encontrei um recurso fantástico chamado OTexts. Que fornece livros didáticos de acesso aberto. O seguinte livro é especialmente útil para a previsão: Previsão: Princípios e Prática por Hyndman e Athanasopoulos 8211 Este livro gratuito é uma excelente maneira de começar a aprender sobre a previsão estatística através do ambiente de programação R. Abrange técnicas de regressão simples, multivariada, suavização exponencial e ARIMA, bem como modelos de previsão mais avançados. O livro é originalmente lançado em graus de negócios, mas é suficientemente técnico para ser interessante para começar quants. Com o básico das séries temporais abaixo do seu cinto, o próximo passo é começar a estudar técnicas de aprendizado de técnicas estatísticas, que são o atual estado da arte8221 dentro das finanças quantitativas. Aprendizado estadístico intermediário da metodologia A pesquisa comercial quantitativa moderna baseia-se em extensas técnicas de aprendizagem estatística. Até recentemente, o único lugar para aprender as técnicas aplicadas às finanças quantitativas foi na literatura. Felizmente existem livros didáticos bem estabelecidos que colmam o fosso entre a teoria e a prática. É o próximo seguimento lógico da econometria e das técnicas de previsão de séries temporais, embora haja uma sobreposição significativa nas duas áreas. A maneira recomendada de começar a compreender o aprendizado da aprendizagem estatística é estudar os dois livros seguintes (com autores sobrepostos): Uma Introdução à Aprendizagem Estatística: com Aplicações em R por James, et al 8211 Este texto fornece uma ótima introdução às modernas técnicas de aprendizagem estatística. Destina-se ao praticante, ao invés do estatístico acadêmico, por isso será útil para aqueles que vêm de um plano de fundo financeiro com uma experiência mínima de aprendizado de máquina. Faz uso de R para todos os seus exemplos e, como tal, é fácil de implementar. Recomenda-se ler isso antes de ler o livro seguinte abaixo. Os Elementos da Aprendizagem Estatística: Mineração de Dados, Inferência e Previsão por Hastie, et al 8211 Conhecida carinhosamente como 8220ESL8221 dentro da comunidade estatística, este livro é um seguimento fantástico para o recentemente divulgado 8220ISL8221 acima. Ele vai muito mais fundo na teoria e proporcionará uma base sólida na aprendizagem estatística. Você também pode baixar uma cópia gratuita para o livro do site do autor8217s (statweb. stanford. edu) Um conjunto de cursos de web particularmente útil (e gratuito) no Machine LearningAI é fornecido por Coursera: Aprendizado de máquinas por Andrew Ng 8211 Este curso abrange os conceitos básicos Dos métodos que mencionei brevemente acima. Ele recebeu o grande elogio de pessoas que participaram. Provavelmente, é melhor observado como um companheiro para ler ISL ou ESL acima. Redes Neurais para Aprendizado de Máquinas por Geoffrey Hinton 8211 Este curso se concentra principalmente em Redes neurais, que têm uma longa história de associação com financiamento quantitativo. Se você deseja se concentrar especificamente nesta área, então este curso vale a pena examinar, em conjunto com um livro de texto sólido sobre a área. Próximas etapas No próximo artigo Na série, estaremos considerando os tópicos de aprendizado automático não-linear, otimização matemática, microestrutura de mercado, teoria de portfólio e programação de computadores 8211 Todas as áreas de estudo necessárias para um potencial pesquisador quantitativo de negócios. 8212 Por Michael Halls-Moore da QuantStart Build Rentable Trading Systems
No comments:
Post a Comment