Algorithmische Trading Strategien Mit Matlab Beispiele

Algorithmischer Handel Algorithmischer Handel ist eine Handelsstrategie, die rechnerische Algorithmen verwendet, um Handelsentscheidungen zu fahren, in der Regel auf elektronischen Finanzmärkten. Angewendet in Buy-Side und Sell-Side-Institutionen, algorithmischen Handel bildet die Grundlage der Hochfrequenz-Handel. FOREX-Handel und damit verbundene Risiko - und Ausführungsanalytik. Builder und Benutzer von algorithmischen Handelsanwendungen müssen sich entwickeln, backtest. Und setzen mathematische Modelle ein, die Marktbewegungen erkennen und ausnutzen. Ein effektiver Workflow beinhaltet: Entwicklung von Handelsstrategien mit technischer Zeitreihe. Maschinelles lernen. Und nichtlineare Zeitreihenmethoden Anwendung von Parallel - und GPU-Computern für zeitsparendes Backtesting und Parameterkennung Berechnung von Gewinn und Verlust und Durchführung von Risikoanalyse Durchführung von Ausführungsanalytik, wie z. B. Marktaktualisierung. Transaktionskostenanalyse Und Eisberg-Erkennung Einbindung von Strategien und Analysen in Produktionshandelsumgebungen Wählen Sie Ihre LandAlgorithmischen Handelsstrategien mit MATLAB Beispiele Das traditionelle Paradigma der Anwendung nichtlinearer maschineller Lerntechniken auf algorithmische Handelsstrategien erleidet in der Regel eine massive Datenschnüffelvorspannung. Auf der anderen Seite haben sich lineare Techniken, die durch eingehende Domänenkenntnisse inspiriert und eingeschränkt wurden, als wertvoll erwiesen. Diese Präsentation beschreibt die Anwendung des Kalman-Filters, eine quintessentiell lineare Technik, auf zwei verschiedene Arten des algorithmischen Handels. Produkt-Fokus Wählen Sie Ihr LandSome Beispiel Trading-Systeme: Intro zu Algorithmic Trading mit Heikin-Ashi Trendfolgende und mittlere Reversion Trading Strategien Code in MATLAB und Python Rohöl und Erdgas konzentrierte Handelsstrategien in diesem Webinar erklärt: Quantitative Handelsstrategien können jede umsetzbare Markteinsicht zu machen In eine quantitative (Mathematik) basierte Handelsausführung. Obwohl es schwer zu emulieren ist, kann sogar die Intuition von Veteranenhändlern generell in eine rein automatisierte quantitative Strategie hineingeworfen werden. Diese Systeme können auf einer beliebigen Kombination von technischer Analyse, Fundamentalanalyse, Newsevents und Stimmungsanalyse basieren, um nur einige zu nennen. In Bezug auf eine tatsächliche Aufschlüsselung der algorithmischen Handel, check out Investopedias Post. (Haftungsausschluss: Ich arbeite bei Quantiacs) Sobald Sie bereit sind, Geld als Quant zu verdienen, können Sie sich dem neuesten Quantiacs automatisierten Handelswettbewerb anschließen, mit insgesamt 2.250.000 an Investitionen: Können Sie mit den besten Quants konkurrieren 2.1k Views middot View Upvotes Middot Nicht zur Reproduktion Mehr Antworten Unten. Verwandte Fragen Was sind einige gute Trading-Algorithmen Welche sind die besten algorithmischen Trading-Strategien Kann ich einen Algorithmus-Trading auf der Grundlage einer Trendstrategie zu bauen und verwenden Sie es zu handeln Forex für zehn Jahre zum Beispiel Was ist der schnellste Weg, um algorithmische Trading-Strategien, die Arbeit zu schaffen Sind alternative Handelsstrategien, und was sind einige Beispiele Wo finde ich Beispiele oder Simulationen für aktive Handelsstrategien Was ist die Zukunftsperspektive von Algo Trader Ist Algorithmus Handel über Algorithmen Ausführung Gibt es keine Signalidentifikation oder komplizierte Handelsstrategien Was ist ein praktisches Beispiel Des algorithmischen Handels Do MNCs folgen es Ist jedes indische Unternehmen Was sind einige Beispiele, was automatisierte Trading-Algorithmen tatsächlich tun Was sind die besten Forex Trading Tipps Wird Zerodha stehlen meine erfolgreiche algorithmische Trading-Strategien auf ihrer Plattform und verkaufen sie an Hedge-Fonds Wie können Privatanleger In Indien führen algorithmische Handelsstrategien Gibt es irgendeine Etage für die minimale Investition, die gemacht werden kann Was sind die Voraussetzungen, um mit dem Handel in Sensex beginnen, seien Sie vorsichtig, nicht zu konvergieren, was wir konventionell betrachten, um systematische quantitative Handel und algorithmischen Handel zu sein. Im industriellen Sprachgebrauch bezieht sich der algorithmische Handel öfter auf die Verwendung von Ausführungsalgorithmen, die eine punktweise übergeordnete Reihenfolge in einen Satz von Kinderaufträgen aufteilen, die sich über ein Intervall verteilen und versuchen, einen Benchmark zu treffen, z. B. VWAP oder Minimierung von Schlupf. Mit Recht ist es jetzt ziemlich üblich, Alpha-Vorhersagen in einen Algorithmus zu integrieren, und in ähnlicher Weise kann man generische Algorithmen (z. B. Bellman-Ford) oder Ausführungsalgorithmen in quantitativen Handelsstrategien einsetzen. Vielleicht ist es eindeutig, dass die Unterschiede zwischen den beiden auf eine Arbeitssuche beschränkt sind: Die Verantwortlichkeiten unterscheiden sich zwischen einem quantitativen Handelsteam an einem Hedgefonds und einem algorithmischen Trading-Desk bei einem Broker-Händler. Dennoch, für die Zwecke der Klarheit zu meiner Antwort, werde ich die beiden unterscheiden. Eine einfache algorithmische Handelsstrategie zu verstehen ist eine naive TWAP-Strategie, die einfach eine große Elternordnung in kleinere, gleichgroße Kinderaufträge verteilt, die gleichmäßig über das Zeitintervall verteilt sind, das empirisch (und theoretisch unter bestimmten Annahmen des Preisbildungsprozesses) Die Marktwirkung zu verringern. Für systematische quantitative Strategien, in einem längeren Horizont, sind viele von ihnen immer noch von Faktormodellen oder Mittel-Varianz-Optimierung motiviert. In der ersteren drückt eine Grundstrategie die zukünftigen Renditen eines Vermögenswertes als eine lineare Kombination von historischen Faktoren und normal verteilten Lärm aus. Gemeinsame Aktienfaktoren sind Marktrenditen, Marktkapitalisierung, Book-to-Market-Verhältnis und Impuls. Für feste Einkommen werden häufig Begriffs - und Ausfallrisikofaktoren verwendet. Die Faktorbelastungen oder konstanten Koeffizienten der Faktoren werden mit kleinsten Quadraten über ein Fenster der historischen Daten gelöst - dieser Teil wird fast immer von einem Computer durchgeführt, also algorithmisch. Als Nebennote: Dieses Modell steht auch vor der populären Idee einer marktneutralen Strategie, die von vielen Hedgefonds geübt wird, mit dem Glauben an ein starkes Mittelrückkehrverhalten in den verbleibenden Zeitreihen. In der allgemeinen Form der Mittelwert-Varianz-Optimierung, drückt man Ihr Portfolio erwartete Renditen, Varianz und Einschränkungen als Funktionen von Positionsgrößen in jeder Sicherheit in Ihrem Portfolio. Dies ist ein archetypisches Problem für die Methode der Lagrange-Multiplikatoren, und es gibt reife numerische Bibliotheken, die es sehr schnell auf einer CPU lösen. Dies ist eine elegante und flexible Formulierung: In der Tat können Sie eine Vielzahl von interessanten Zwängen in den Gewichten ausdrücken, sei es nur lange, Hebelwirkung, Gamma-gewichtete oder Beta-Neutralität, quadratische Transaktionskosten - diese Sonderfälle motivieren ihre algorithmischen Implementierungen in Ein lang-kurzer Aktienfonds, beta neutraler Fonds, 13030 Fonds und so weiter. Als weiteres Beispiel zielen die Volatilitäts-Arbitrage-Strategien darauf ab, den Unterschied zwischen der impliziten Volatilität und der prognostizierten realisierten Volatilität zu erfassen. Auf der unteren Ebene können solche Strategien Gittermodelle und Monte-Carlo-Simulationen einsetzen, die numerisch gelöst werden müssen, wodurch die Praxis dieser Strategien im Wesentlichen auf eine gewisse algorithmische Implementierung beschränkt wird. Fortschritte in der GPGPU-Verarbeitung und im Parallel-Computing-Framework ermöglichen interessante Verfolgungen des systematischen Handels in diesem Raum. 2.7k Ansichten middot View Upvotes middot Nicht für Reproduktion Algorithmic Trading ist ein Prozess zu kaufen oder verkaufen eine Sicherheit auf der Grundlage einiger vordefinierten Satz von Regeln, die auf historische Daten zurückgesetzt sind. Diese Regeln können auf Technische Analyse, Charts, Indikatoren oder sogar Stock Fundamentaldaten basieren. Zum Beispiel, nehmen Sie an, Sie haben einen Handelsplan, dass Sie einen bestimmten Bestand kaufen würden, wenn er in Rot für 5 aufeinanderfolgende Tage schließt. Sie können diese Regel in Algorithmic Trading-System zu formulieren und sogar zu automatisieren, so dass Bestell-Bestellung automatisch platziert wird, wenn Ihre Bedingung erfüllt ist. Sie können sogar Ihre Stoploss-, Ziel - und Positionsgröße im Algorithmus definieren, die Ihr Trading-Leben einfacher machen würde. Schauen Sie sich die unten Link, die eine Reihe von Algorithmischen Trading-Strategien auf Excel und Amibroker basiert: Auch verweisen Sie auf diesen Artikel, um Ihre eigenen Algorithmischen Handelssystem von Grund auf neu zu entwickeln: 361 Aufrufe middot View Upvotes middot Nicht für die Reproduktion Heres eine schöne schreiben auf verschiedene Arten von algorithmischen Handelsstrategien. Algorithmische Handelsstrategien, Paradigmen und Modellierungsideen, wenn Sie an einer Beispielstrategie interessiert sind, finden Sie einige der Blog-Links unter Momentum Based Strategies für Low und High Frequency Trading EXCEL MODELL EPAT Final Project von Jacques Joubert Statistische Arbitrage Strategie in R Predictive Modellierung in R für Algorithmische Trading Hoffnung das hilft. Lassen Sie mich wissen, wenn Sie weitere Fragen haben 30 Aufrufe middot Nicht für Reproduktion Huck Zou. Studierte an der Universität von Illinois Klasse von 2017 Hier sind einige klassische Strategien. Rotationsstrategien Lang ein paar beste Performer und kurz ein paar schlechteste Performer in einer Branche. Durchschnittliche Übergänge überschreiten. 160 Aufrufe middot Nicht für ReproduktionMatlabTrading Dieser Beitrag ist, wie wichtig es ist, verschiedene Arten von Optimierungsmethoden wie genetische Algorithmen und Parallelisierung zu verwenden, um Ergebnisse schneller zu erhalten. Genetische Algorithmen Optimierung Trotz der Tatsache, dass das genetische (evolutionäre) Algorithmusprinzip in den MathWorks-Webinaren sehr gut erklärt wird, wird es in den Beispielen jedoch nur zur Optimierung der Wahl einer Strategiegruppe aus einem Satz verwendet. Dies ist ein gutes Beispiel für die Verwendung dieser Algorithmen, aber es passiert, dass es notwendig ist, viele Variablen mit signifikanten Intervallen für eine Strategie zu setzen, man bekommt nicht mit einer Iteration und die Parallelisierung von Prozessen 8211 Berechnungen können mehrere Tage dauern . Sicherlich gibt es Strategien in der Endphase der Optimierung. Wenn wir fast sicher wissen, dass die Handelsstrategie erfolgreich ist, können wir auch auf mehrere Tage warten oder den ganzen Cluster mieten - das Ergebnis könnte es sich lohnen. Allerdings, wenn wir die Ergebnisse einer sperrigen Strategie abschätzen müssen und entscheiden, ob es sich lohnt, die Zeit zu verbringen, dann können genetische Algorithmen perfekt geeignet sein. Wir bieten die Möglichkeit, drei Methoden zur Optimierung der Strategie in WFAToolbox zu verwenden: Linear Methode 8211 Es ist eine übliche Art der Sortierung, in der Sie alle Zwischenergebnisse (suboptimal) sehen werden. Es gibt maximale Genauigkeit. Parallelmethode 8211 werden alle Kernel deiner CPU verwendet. Es ist nicht möglich, Zwischenergebnisse zu sehen, sondern beschleunigt den Betrieb erheblich. Es gibt maximale Genauigkeit während der Erhöhung der Berechnungsgeschwindigkeit. Genetische Methode 8211 verwendet sie den evolutionären Optimierungsalgorithmus. Es erlaubt, suboptimale Werte zu sehen, gibt aber das Ergebnis nahe am besten. Es ist nicht eine sehr genaue Methode, aber es ist genau genug für den anfänglichen Ablauf der Strategie. Sehr schnell. Wir werden oft gefragt, ob die WFAToolbox - Walk-Forward Analysis Toolbox für MATLAB die Möglichkeit hat, die GPU in Berechnungen zu verwenden. Leider ist GPU nicht für alle Aufgaben geeignet und seine Verwendung ist sehr spezifisch. Um es zu benutzen, müssen Sie die Logik und den Code jeder Strategie für Grafikkerne testen. Leider kann man aufgrund dieser Nicht-Universalität der Methode keine GPU in WFAToolbox verwenden. Fortsetzung Teil 2 der Diskussion über Probleme und Lösungen in der Prüfung und Analyse der algorithmischen Handelsstrategie in MATLAB, lade ich Sie zu diesem Beitrag über Problem der Nichtverfügbarkeit der Visualisierung der Prozesse in modernen Software-Lösungen für die Prüfung Handelssysteme zu lesen. Visualisierung des Testprozesses In meiner Berufserfahrung habe ich oft andere populäre Plattformen für den Handelstrategie-Test analysiert. Wie zB TradeStation. MetaStock Multicharts etc. und ich war immer überrascht, wie wenig Aufmerksamkeit auf die Visualisierung des Testprozesses gelegt wurde. Die Sache ist, dass, wenn wir nicht sehen, die Ergebnisse der Zwischen-, sub-optimale Werte der optimierten Parameter, wir oft wegwerfen Gold zusammen mit dem Schmutz. Die Sache ist wegen einer übermäßig breiten Probenahme, die Strategie passt die Parameter so an, wie wir entweder eine perfekte Strategie sehen, die im wirklichen Leben ausfällt oder ein oder zwei Deals, die angeblich das Beste sind, weil es so Zeitintervalldaten ausgewählt wurde, wo die Best-Trading-Strategie wäre Kauf-und-Hold, aber warum sind dann andere Strategien notwendig für die Visualisierung von Trading-Strategie-Test-Prozess in MATLAB (vorgeschlagen in Webinar) Als Ergebnis, ohne zu sehen Zwischenergebnisse, müssen wir 171blindly187 ändern die Parameter zu versuchen Um die besseren Daten zu bekommen oder in etwas 3D oder 4D zu sehen (Farbe ist die 4. Dimension), wie in Webinaren vorgeschlagen. Die Analyse von Werten in den N-dimensionalen Räumen kann definitiv eine Alternative sein, hat aber mehrere Einschränkungen: Was ist, wenn es mehr als 4 Dimensionen gibt Wenn du siehst, welche Signale und bei welcher Häufigkeit sie im Preisbereich erscheinen, hast du fast alle Notwendige visuelle Darstellung Ihrer Strategie: die Häufigkeit der Transaktionen, ihre Profitabilität (Einkommenskurve), die Genauigkeit der Eröffnung, die Ähnlichkeit mit anderen suboptimalen Werten usw., die nicht über die Leistung im N-dimensionalen Raum gesagt werden können, wo alle nützlichen Informationen sind Ist in der Tat, dass der optimale Wert nicht nur eine ist, sondern es gibt eine ganze Reihe von suboptimalen Werten in einem oder mehreren Bereichen. Bei der Optimierung einer Strategie in WFAToolbox 8211 Walk-Forward Analysis Toolbox für MATLAB174. Als ein neuer optimaler Wert gefunden wird, erscheinen die Trading-Strategie in der Periode in-sample und out-of-sample sofort auf dem Diagramm, so können Sie immer steuern, welche Palette von Optionen, die Sie zuweisen sollten, und auch Sie können die Optimierung pausieren Ohne auf das Ende des Tests zu warten, da es klar wird, dass etwas schief gelaufen ist oder alles in Ordnung ist. Hello, mein Name ist Igor Volkov. Ich entwickle seit 2006 algorithmische Handelsstrategien und habe in mehreren Hedgefonds gearbeitet. In diesem Artikel möchte ich Schwierigkeiten diskutieren, die auf dem Weg von MATLAB Trading Strategies Entwickler während der Prüfung und Analyse, sowie um mögliche Lösungen bieten. Ich habe MATLAB zum Testen von Algorithmusstrategien seit 2007 verwendet und bin zu dem Schluss gekommen, dass dies nicht nur das bequemste Forschungsinstrument ist, sondern auch das mächtigste, weil es möglich ist, komplexe statistische und ökonometrische Modelle, neuronale Netze, Maschinelles Lernen, digitale Filter, Fuzzy-Logik, etc. durch Hinzufügen von Toolbox. Die MATLAB-Sprache ist ganz einfach und gut dokumentiert, so dass auch ein Nicht-Programmierer (wie ich) es beherrschen kann. Wie alles begann. Es war 2008 (wenn ich mich nicht irre), als das erste Webinar zum algorithmischen Handel in MATLAB mit Ali Kazaam veröffentlicht wurde und das Thema der Optimierung einfacher Strategien auf der Grundlage von technischen Indikatoren usw. trotz eines eher 8220chaotic8221-Codes enthielt, waren Werkzeuge interessant Genug zu bedienen. Sie dienten als Ausgangspunkt für die Erforschung und Verbesserung eines Test - und Analysemodells, das es erlaubte, die gesamte Macht der Toolboxen und die Freiheit von MATLAB-Aktionen bei der Erstellung eigener Handelsstrategien zu nutzen, gleichzeitig würde es möglich sein, den Prozess zu kontrollieren Des Tests und der erhaltenen Daten und deren nachfolgende Analyse würde ein effektives Portfolio von robusten Handelssystemen wählen. Anschließend wurden Mathworks Webinare jedes Jahr aktualisiert und allmählich mehr und mehr interessante Elemente eingeführt. So wurde im Jahr 2010 das erste Webinar zum Paarhandel (statistische Arbitrage) mit der Econometric Toolbox abgehalten, obwohl die Toolbox von Test und Analyse gleich geblieben ist. Im Jahr 2013 erschien Trading Toolbox von Mathworks, die MATLAB an verschiedene Broker für die Ausführung ihrer Anwendungen anschließen konnte. Obwohl es für die Durchführung der Transaktionen automatische Lösungen gab, könnte MATLAB ab diesem Zeitpunkt als System zur Entwicklung von Handelsstrategien mit einem vollen Zyklus betrachtet werden: von der Datenbelastung bis zur Ausführung automatisierter Handelsstrategien. Warum sollte jeder Algotrader das Rad neu erfinden Allerdings hat Mathworks keine komplette Lösung für die Prüfung und Analyse der Strategien angeboten 8211 Die Codes, die man aus Webinaren herausholen konnte, waren die einzigen Elemente eines vollständigen Systemtests, und es war notwendig, sie zu modifizieren , Passen sie an und fügen sie der GUI für Benutzerfreundlichkeit hinzu. Es war sehr zeitaufwendig und stellte damit eine Frage: Was auch immer die Strategie war, es muss durch denselben Prozess der Prüfung und Analyse gehen, was es erlauben würde, als stabil und nutzbar zu sein 8211 also warum sollte jeder Algotrader das Rad neu erfinden und schreiben Seine eigenen Code für richtige Teststrategien in MATLAB So wurde die Entscheidung getroffen, um ein Produkt zu schaffen, das es erlauben würde, den gesamten Prozess mit dem Testen und Analysieren von algorithmischen Handelsstrategien mit einer einfachen und benutzerfreundlichen Schnittstelle verbunden zu machen. Zuerst möchte ich die folgenden Fragen beantworten: Was ist mit dem Blog passiert 1. Jev Kuznetsov ist nicht mehr Eigentümer. Der Blog wurde von unserem Freund Jev Kuznetsov gekauft, der zu seinem anderen Blog gezogen hat. Er kam zu dem Schluss, dass Python besser ist als MATLAB für den Handel, was ich für falsch hielt. MATLAB bleibt eine der besten Software in der Welt für algorithmische Handelszwecke IMHO (ich habe einige Fakten darüber aber für zukünftige Diskussion). 2. Wir haben die Marke geändert Von diesem Moment wird das Blog MatlabTrading genannt, was viel besser verständlich ist in Bezug auf die Themen, die es beinhalten wird. Darüber hinaus wurde der Domain-Name in matlabtrading statt der ursprünglichen matlab-trading. blogspot geändert. Obwohl die alte Domain immer noch aus dem primären Domänennamen umgeleitet wird. Was wird mit dem Blog passieren 1. Weitere Beiträge und Artikel Wir hoffen, das Leben in diesem Blog zu bringen, indem wir relevante Inhalte einmal oder zweimal pro Woche veröffentlichen. In den ersten paar Monaten werden wir vor allem jene Artikel und Videos veröffentlichen, die wir bereits für unsere lieben Leser leichter machen müssen, nach Informationen über eine Ressource zu suchen und sie auf sie zu vernetzen. Dann haben wir Pläne, Beiträge über praktische Aspekte des algorithmischen Handels in MATLAB zu schreiben. So erstellen Sie moderne automatische Handelsstrategien wie: Statistische Arbitrage-Paare Handel bedeuten Reversion Markt neutrale Handelsstrategien auf der Grundlage von Kointegration bollinger Bands kalman Filter etc für Rohstoffe, Aktien und Forex. Trend nach Strategien mit Jurik Moving Average und anderen anspruchsvollen digitalen Filtern Prognose Strategien mit maschinellem Lernen (Support Vector Machines) und andere Methoden Erstellen von robusten Trading-Strategien mit visuellen Walk-Forward-Test Geld-Management für die Reinvestition Ihres Kapitals (Wissenschaft auf, wie man 1M von 10K zu bekommen In einem Jahr mit maximalem, aber geschätztem Risiko und Schweiß belohnt). Vielleicht nach dem Lesen dieses youve dachte, das wird ein weiterer dummer Artikel für die armen Jungs suchen, wie man reich wird durch den Handel auf Forex und all das. Nun, das ist total falsch Wir arbeiten in MATLAB, und die Mehrheit von uns sind Wissenschaftler und Experten in diesem Aspekt, so ist alles ernst. 2. Mehr Interaktivität Ich werde mich freuen, wenn wir uns alle durch Kommentare in Beiträgen beziehen können. Abonnieren Sie unsere News, um über die neuesten Beiträge und Veranstaltungen informiert zu werden. Später haben wir Pläne, Google Hangouts Webinare zu machen. Verpassen Sie es nicht, klicken Sie auf Follow-Taste an der oberen rechten Ecke, um unsere Community zu verbinden. Was möchten Sie in unseren Blogposts lesen? Welche Themen können Sie vorschlagen Bitte schreiben Sie hier in Kommentare. In meinem früheren Post kam ich zu dem Schluss, dass der nahezu enge Paarhandel heute nicht so rentabel ist, wie es früher vor 2010 war. Ein Leser wies darauf hin, dass es sein könnte, dass die mittlere, wiederkehrende Art der Spreads nur in kürzere Zeitskalen verschoben wurde . Ich habe zufällig die gleiche Idee zu teilen, also habe ich beschlossen, diese Hypothese zu testen. Dieses Mal wird nur ein Paar getestet: 100 SPY vs -80 IWM. Backtest wird auf 30-Sekunden-Bar-Daten von 11.2011 bis 12.2012 durchgeführt. Die Regeln sind einfach und ähnlich wie die Strategie, die ich in der letzten Post getestet habe: Wenn die Bar-Rückkehr des Paares 1 auf z-Score übersteigt, handeln Sie die nächste Leiste. Das Ergebnis sieht sehr hübsch aus: Ich würde das als genug Beweis dafür betrachten, dass es in der 30-Sekunden-Skala noch viel Mittelwert gibt. Wenn du denkst, dass dieses Diagramm zu gut ist, um wahr zu sein, das ist leider der Fall. Es wurden keine Transaktionskosten oder Bid-Ask-Spread berücksichtigt. Tatsächlich würde ich bezweifeln, dass es je nach dem Abzug aller Handelskosten einen Gewinn geben würde. Dennoch ist diese Art von Charts die Karotte, die vor meiner Nase baumelt und mich dabei hält. Schlechte Nachrichten alle, nach meinen Berechnungen (die ich aufrichtig hoffe, sind falsch) die klassischen Paare Handel ist tot. Manche Leute würden nicht einverstanden sein, aber hier ist was ich gefunden habe: Lass uns eine hypothetische Strategie nehmen, die auf einem Korb von etfs arbeitet: SPY, XLY, XLE, XLF, XLI, XLB, XLK, IWM, QQQ, DIA Von diesen etfs 90 einzigartig Paare können gemacht werden. Jedes Paar ist marktneutral aufgebaut. Strategie Regeln: An jedem Tag, für jedes Paar, berechnen z-Score basierend auf 25-Tage-Standardabweichung. Wenn z-Score gt Schwelle, gehen Sie kurz, schließen Sie den nächsten Tag Wenn z-Score lt-Schwellenwert lange gehen, schließen Sie den nächsten Tag Um es ganz einfach zu halten, wird die Berechnung ohne Kapitalmanagement durchgeführt (man kann bis zu 90 Paare im Portfolio haben An jedem Tag). Transaktionskosten werden auch nicht berücksichtigt. Um es einfach auszudrücken, verfolgt diese Strategie eintägiges Mittel, um die Natur der marktneutralen Spreads zurückzuziehen. Hier sind die Ergebnisse für mehrere Schwellen simuliert: Egal, welche Schwelle verwendet wird, die Strategie ist sehr profitabel im Jahr 2008, ziemlich gut throuh 2009 und völlig wertlos ab Anfang 2010. Dies ist nicht das erste Mal, dass ich über diese Veränderung in Mittelwert zurückkehrte Verhalten in etfs. Egal, was ich versuchte, ich hatte kein Glück bei der Suche nach einer Paar-Handelsstrategie, die auf ETFs nach 2010 arbeiten würde. Meine Schlussfolgerung ist, dass diese Typen von einfachen Stat-Arb-Modellen einfach nicht mehr schneiden.