Архитектура системы алгоритмической торговли

Здесь приведен перевод статьи www.quantinsti.com/blog/algorithmic-trading-system-architecture/

 

Алгоритмическая автоматизированная торговля или алгоритмическая торговля в течение нескольких последних лет находится в центре внимания торгового мира. Доля объемов, относящихся к этой форме торговли, растет все это время. В результате, она стала высоко конкурентным рынком, в значительной степени зависящим от технологий. Далее, базовая архитектура претерпела значительные изменения за последнее десятилетие и этот процесс продолжается. Сегодня необходимо внедрять технологические новшества для того, чтобы конкурировать в мире алгоритмической торговли, что делает его местом большой концентрации достижений в области компьютерных и сетевых технологий.

Традиционная архитектура

Любая торговая система — концептуально — это не более, чем вычислительный блок, который взаимодействует с

( Читать дальше )

Небольшая статья с ресурса http://www.talaikis.com/ о построении простой стратегии, использующую наивный байесовский классификатор при создании процесса возврата к среднему. Весь код в статье приведен на языке Python.

Это достаточно большая область исследований, но расскажем все очень кратко. Мы попытаемся найти взаимоотношение между  временными сериями  (в данном случае возьмем в качестве сигнала взаимный фонд XLF из финансового сектора, сдвинутый по времени на 1 день назад), а нашей целью будет фьючерс S&P500 в форме CFD. Будем входить в длинную позицию по этой бумаге при нулевой вероятности приращения. Логически нулевая вероятность ни о чем не говорит, другими словами, будем покупать возврат к среднему.

1. Получение данных

Y = read_mongo(dbase, "S&P5001440")
X = read_mongo(dbase, syms[s]).shift()

#готовим набор данных
res = pd.concat([X.CLOSE, Y.CLOSE], axis=1, join_axes=[X.index]).pct_change().dropna()
res.columns = ['X', 'Y']

( Читать дальше )

Часто вижу как люди изобретают велосипеды в Excel, хотя все уже давно написано. Сам по себе Excel для анализа данных на мой взгляд не удобен.

Хочу поделится с вами базой с огромной коллекцией примеров анализа рыночной информации в Excel.
Корреляции, хеджирование, шорт интерес, моделирование портфеля, Монте Карло, бонды, опционы и еще много много всего.


www.gummy-stuff.org/Excel/

                                                               
Не нравятся нейронные сети? Вы просто не умеете их готовить. Рецепт. 
                                                                                                                                                                Silentium est aurum

                                                                Молчи, пока ты не в состоянии сказать нечто такое, что полезнее твоего молчания.                                                                                                                                                                                         (кто-то умный сказал)

( Читать дальше )

Продолжаю копать в сторону машинного обучения и применения R для количественного анализа в трейдинге.

Мои статьи про R, машинное обучение, количественный анализ

В этом посте я расскажу о применении модели ARIMA-GARCH для прогнозирования курса рубля на R. 
Нашел полезную серию статей на тему анализа временных рядов на R. Использовал эту статью.

Немного общей информации из википедии:

ARIMA (англ. autoregressive integrated moving average, иногда модель Бокса — Дженкинса, методология Бокса — Дженкинса) — интегрированная модель авторегрессии — скользящего среднего — модель и методология анализа временных рядов. Является расширением моделей ARMA для нестационарных временных рядов, которые можно сделать стационарными взятием разностей некоторого порядка от исходного временного ряда (так называемые интегрированные или разностно-стационарные временные ряды). Модель ARIMA(p,d,q) означает, что разности временного ряда порядка d подчиняются модели ARMA(p, q).

( Читать дальше )

Ошибки входа и выхода из позиций – обычное дело при торговле на фондовом рынке. Ошибка входа приводят к стопам и фиксации убытков, ошибки выхода «съедают» накопленную прибыль.

Существует несколько методов снижения отрицательно эффекта от этих ошибок.

Математик будет преодолевать эти ошибки поиском экстремумов на графике цены. Для этого ему придется задать описывающую изменение цены функцию и, применяя математические методы, определять значения максимума и минимума графика.

 Однако такой подход сложно применить для нестационарных процессов, а изменение цены актива является именно таким.

Другие подходы стремятся следовать за трендом, снижая среднюю цену входа. Их главный недостаток — быстрое нарастание инвестированного капитала для снижения средней цены входа.

Мы предлагаем способ автоматической адаптации к текущей волатильности на фондовом рынке на базе метода Хука-Дживса. Это позволит не только следовать за трендом, но и извлекать прибыль на боковике.

( Читать дальше )

В последнее время изучаю R и машинное обучение. 

Мои статьи про R, машинное обучение, количественный анализ

В этом посте я расскажу о том, как применить машинное обучение для поиска закономерностей и прогнозирования.

Использовал эту статью: Применение машинного обучения в трейдинге

Начнем с проверки того, работают ли тренды и как влияет день недели на направление движения цены. И если работают, насколько они смещают вероятность в нашу сторону. Применим для этого наивный байесовский классификатор. 

Теорема Байеса в теории вероятностей, как теорема Пифагора в геометрии.

Байесовская вероятность — это интерпретация понятия вероятности, используемая в байесовской теории. Вероятность определяется как степень уверенности в истинности суждения. Для определения степени уверенности в истинности суждения при получении новой информации в байесовской теории используется теорема Байеса. 

( Читать дальше )

Если кому-то интересно, мои статьи на тему R, машинное обучение, количественный анализ:

1. Мои шаги в сторону машинного обучения на R и немного про Si, Brent
2. Расчет ожидаемого количества убыточных сделок подряд на R
3. Применение логарифмов для расчетов со сложным процентом
4. Построение модели для парной торговли акциями Google и Apple на R
5. Анализ Brent с использованием языка R
6. Количественный анализ графика нефти с применением R (продолжение)
7. Гистограммы доходностей разных активов
8. Применение наивного байесовского классификатора на R для поиска закономерностей и прогнозирования

В следующей статье расскажу про наивный байесовский классификатор и нейронные сети в трейдинге. 

http://www.opalesque.tv/hedge-fund-videos/ted-seides/1

So You Want to Start a Hedge Fund? Lessons from 120 early stage hedge fund investments, 40 manager seedsMay 05 2016 1 CommentTed Seides began his professional career at the Yale Endowment working under David Swensen, and transitioned his early experience in hedge fund investments into the foundation of Protégé Partners. The fund of funds launched in 2002 with the explicit mandate to invest in small managers and startups, and allocated to 120 early stage hedge funds over the last 14 years, including 40 seed investments.

Ted recently published a book entitled, So You Want to Start a Hedge Fund: Lessons for Managers and Allocators, in which he provides a road ...more

Курс корпоративных финансов MBA будет полезен тем, кто готовится к сдаче CFA.

Курс содержит следующие топики:

1. Investment Decisions and the Fundamentals of Value.
2. Financial Statements and Cash Flow (5 parts)
3. Discounted Cash Flow Valuation (6 parts)
4. Investment Decision Rules (5 parts)
5. Making Capital Investment Decisions (2 parts)
6. Valuation of Bonds (4 parts)
7. Stock Valuation (3 parts)
8. Lessons from Capital Market History (3 parts)
9. Risk and Return (3 parts)
10. CAPM (3 parts)
11. Risk and Capital Budgeting (3 parts)
12. Capital Budgeting Analysis (3 parts)

( Читать дальше )