Identifizieren der Treiber der Handelsstrategie Performance - Der Aufbau einer Gewinnstrategie, wie die, die in den hier beschriebenen E-Mini-Futures-SP500 ist nur die halbe Herausforderung: sie für die Strategie Architekten bleibt, um ein Verständnis der Quellen der Strategie alpha, und Gefahr zu gewinnen. Das bedeutet, die Identifizierung der Faktoren, die Strategie Leistung fahren und im Idealfall ein Modell, so dass ihre relative Bedeutung ausgewertet werden können. Eine fortgeschrittenere Schritt ist der Bau einer Meta-Modell, das Strategie, Performance vorherzusagen und gab Empfehlungen, ob die Strategie über die kommenden Zeitraums gehandelt werden. Strategy Entwicklung Case Study Werfen wir einen Blick auf, wie dies in der Praxis funktioniert. Unsere Fallstudie nutzt die folgenden Daytrading Strategie im E-Mini-Futures. Die Gesamtleistung der Strategie ist recht gut. Durchschnittliche monatliche PNL über den Zeitraum von April bis Oktober 2015 fast 8.000 $ pro Kontrakt, nach Abzug von Gebühren, mit einer Standardabweichung von nur $ 5.500. Das entspricht einer Sharpe Ratio in der Region von 5,0. Auf einem anständigen Ausführungsplattform sollte die Strategie auf rund 10-15 Verträgen skalieren, mit einer jährlichen PNL von rund $ 1,0 bis $ 1,5 Millionen. Blick in die Performance stärker wir feststellen, dass die Gewinnrate (56%) und Gewinnfaktor (1,43) typisch für eine profitable Strategie der Mittelfrequenz, der Handel mit rund 20-mal pro Sitzung (in diesem Fall von 9.30 bis 16.00 Uhr EST) sind . Ein weiteres attraktives Merkmal der Strategie, das Risikoprofil ist die Max Adverse Execution, die Inanspruchnahme der Einzelgewerke erlebt (und nicht der realisierte Verlust). In der Tabelle unten sehen wir, dass die MAE steigt stetig, ohne große Ausreißer, zu einem Maximum von nur etwa $ 1.000 pro Vertrag. Eine Sorge ist, dass der Durchschnittsfach PL ist eher klein $ 20, etwas mehr als 1,5 Zecken. Strategien, die mit Limit-Orders betreten und verlassen und haben kleine durchschnittliche Gewerbe sind in der Regel stark von der Füllrate dh der Anteil der Limit-Orders, die gefüllt sind. Wenn die Füllrate zu niedrig ist, wird die Strategie mit zu vielen verpassten Trades am Eingang oder den Ausgang oder beides gelassen werden. Dies dürfte Strategie Performance in erheblichem Maße schädigen, vielleicht sehen, zum Beispiel meine Post auf High Frequency Trading-Strategien. Die Füllrate hängt von der Anzahl der Limit-Orders an der extrem hohen oder niedrigen der Bar, wie die extreme Trefferquote bekannt gebucht. In diesem Fall wird die Strategie wurde speziell entwickelt, um in einem extremen Trefferquote von nur 10%, was bedeutet, dass im Durchschnitt nur etwa ein Handelsvolumen in zehn an der hohen oder niedrigen der Stange auftritt bedienen. Folglich ist die Strategie nicht sehr Fill-Rate abhängig und sollte zufriedenstellend sogar auf einem Einzelhandelsplattform wie Tradestation oder Interactive Brokers auszuführen. Die Fahrer von Strategy Entwicklung So weit, ist es gut. Aber, bevor wir die Strategie in der Produktion, können versuchen, einige der wichtigsten Faktoren, die die Leistung bestimmen, zu verstehen. Hoffentlich Weise werden wir besser in der Lage sein, zu beurteilen, wie profitabel die Strategie ist wahrscheinlich die Marktbedingungen zu entwickeln. In der Tat haben wir bereits einen potenziellen Key-Performance-Treiber identifiziert: die extreme Trefferquote (erforderlich Füllrate) und festgestellt, dass es nicht ein wichtiges Anliegen in diesem Fall. In Fällen, in denen der Extremtrefferrate steigt auf etwa 20% oder mehr ist jedoch das Füllverhältnis wahrscheinlich ein wichtiger Faktor bei der Bestimmung des Erfolgs der Strategie werden. Es wäre sehr ratsam, um die Umsetzung einer solchen Strategie auf einer Retail-Plattform versuchen können. Welche anderen Faktoren könnten Strategie Leistung auswirken? Der richtige Ansatz ist hier, die wissenschaftliche Methode anwenden: entwickeln einige Theorien über die Fahrer von Leistung und sehen, ob wir Beweise, um sie zu unterstützen finden. Für diese Fallstudie, könnten wir vermuten, daß, da die Strategie ein - und austritt mit Limit-Orders, sollte er Eigenschaften eines Mean-Reversion-Strategie, die dazu neigen, es besser zu machen, wenn der Markt seitwärts bewegt und eher noch schlimmer in einem stark Trendmarkt aufweisen. Eine andere Hypothese ist, dass, wie die meisten Day-Trading und Hochfrequenz-Strategien wird diese Strategie bessere Ergebnisse während der Perioden der höheren Volatilität der Märkte zu produzieren. Empirisch haben HFT Unternehmen produziert immer höhere Gewinne bei volatilen Marktbedingungen 2008 war ein hervorragendes Jahr für viele von ihnen, zum Beispiel. Im Großen und Zeiten, in denen der Markt rund whipsawing schaffen zusätzliche Chancen für Strategien, die auf temporäre Fehlbewertungen auszunutzen suchen. Wir werden versuchen, dieses allgemeine Verständnis kurz qualifizieren. Denn jetzt können versuchen, einige Hinweise darauf, dass die Hypothesen, die wir formuliert haben, unterstützt möglicherweise zu sammeln. Ich werde einen sehr einfachen Ansatz, dies zu übernehmen, mit der linearen Regressionsanalyse. Seine möglich, viel anspruchsvoller Analyse zu tun mit nichtlineare Methoden, einschließlich der Techniken des maschinellen Lernens. In unserem Regressionsmodell die abhängige Variable wird die tägliche Strategie und Rendite darstellen. In der ersten Iteration, lässt Nutzungsmaßnahmen der Marktrenditen, Handelsvolumen und Marktvolatilität als unabhängige Variablen. Die erste Überraschung ist die Größe des (bereinigt) R-Quadrat bei 28%, so weit das typische 5% bis 10% - Niveau in den meisten solchen Regressionsmodelle erreicht, wenn sie Handelssysteme angewandt überschreitet. Mit anderen Worten, hat dieses Modell eine sehr gute Arbeit machen einen großen Anteil an der Veränderung der Strategie zurückkehrt. Beachten Sie, dass die Renditen in der zugrunde liegenden Index SP50o keine Rolle (der Koeffizient ist statistisch nicht signifikant) zu spielen. Wir könnten dies erwarten: Modell ist eine Handelsstrategie, die nicht speziell entwickelt wurde, Richtungs zu sein und hat etwa äquivalente Leistungseigenschaften sowohl auf der Long - und Short-Seite, wie Sie aus dem Leistungsbericht zu sehen. Jetzt für die nächste Überraschung: das Zeichen des Volatilitätskoeffizienten. Unsere Ex-ante-Hypothese ist, dass die Strategie würden von höheren Ebenen der Marktvolatilität zu profitieren. In der Tat scheint das Gegenteil der Fall zu sein (aufgrund der negativen Koeffizienten). Wie kann das sein? Auf weitere Überlegungen, ist der Grund, warum die meisten HFT Strategien neigen dazu, von höherer Marktvolatilität profitieren, dass sie Momentum-Strategien sind. Ein Momentum-Strategie in der Regel ein - und austritt mit Market Orders und erfordert daher eine große Marktbewegung, um den Luftwiderstand des Geld-Briefspanne überwunden (vorausgesetzt, es die Marktrichtung korrekt nennt!). Diese Strategie dagegen ist eine Rückkehr zum Mittelwert-Strategie, da Ein - / Ausgänge sind mit Limit-Orders ausgeführt. Die Strategie will der SP500 Index zum Durchschnitt eine große Bewegung, die in der gleichen Richtung weiter wird weh tun, nicht helfen, diese Strategie. Beachten dagegen, daß der Koeffizient für den Volumenfaktor positiv und statistisch signifikant. Auch dies macht Sinn: wie jeder, der die E-Mini-Futures gehandelt hat über Nacht kann Ihnen sagen, neigt der Markt zu großen Bewegungen zu machen, wenn Volumen ist leicht, einfach weil es einfacher ist, zu stoßen. Umgekehrt ist bei einem schweren Handelstages gibt es bei denen mit erheblichen Widerstand gegen eine Bewegung in irgendeiner Richtung. Mit anderen Worten, ist der Markt eher seitwärts handeln an den Tagen, wenn das Handelsvolumen hoch ist, und das ist gut für unsere Strategie. Die letzte Überraschung und vielleicht die größte von allen, ist, dass die Strategie alpha scheint negativ (und statistisch signifikante) zu sein! Wie kann das sein? Was die Regressionsanalyse scheint uns zu sagen, ist, dass die strategys Leistung wird im Wesentlichen durch zwei zugrunde liegenden Faktoren, Volumen und Volatilität bestimmt. Lets graben sich in dieser ein wenig tiefer mit einem anderen Regression, diesmal über die aktuelle Strategie Tage Rückkehr zum vorherigen Tagen Volumen, Volatilität und Marktrendite. In diesem Regressionsmodell die Strategie alpha effektiv Null und statistisch nicht signifikant, wie es der Fall für die zurückgeblieben Volumen. Die Strategie Renditen beziehen sich umgekehrt proportional zum Stand Tagen Marktrendite, die wiederum scheint sinnvoll für eine Mean-Reversion-Strategie zu machen: unser Modell geht davon aus, dass in der Zwischenzeit wird der Markt der vorherigen Tage Gewinn oder Verlust umzukehren. Der Koeffizient für die zurückgeblieben Volatilitätsfaktor ist wieder einmal negativ und statistisch signifikant. Auch dies macht Sinn: Volatilität tendenziell stark autokorreliert werden, so dass, wenn die Strategie Leistung ist abhängig von Marktschwankungen während der aktuellen Sitzung, wahrscheinlich, um die Abhängigkeit von Volatilität im Stand Tage-Sitzung auch zeigen, ist es. So in der Zusammenfassung, können wir vorläufig schließen: Diese Strategie hat kein Marktrichtungsvorhersagekraft: vielmehr ist es ein reines, mean-Umkehr-Strategie, um Geld durch Wetten auf eine Umkehr in der vorherigen Sessions Marktrichtung zu machen sucht. Es wird zu tun in Zeiten besser, wenn das Handelsvolumen ist hoch, und wenn die Marktvolatilität ist gering. Abschluss Jetzt, da wir ein gewisses Verständnis davon, wo die Strategie, Performance kommt von, wo gehen wir von hier aus? Die nächsten Schritte könnten einige oder alle der folgenden enthalten: (i) Eine anspruchsvollere ökonometrischen Modells bringen in weitere Verzögerungen der erklärenden Variablen und damit für Interaktionseffekte zwischen ihnen. (ii) die Einführung zusätzlicher exogener Variablen, die Vorhersagekraft haben können. Je nach Art der Strategie, könnten mögliche Kandidaten verwandte Aktienindizes und Futures-Kontrakte umfassen. (iii) Die Konstruktion eines Vorhersagemodells und Meta-Strategie, die ermöglichen würden, uns bewerten die Wahrscheinlichkeit künftige Wertentwicklung der Strategie, und die dann dazu verwendet werden könnte, um Positionsgröße zu bestimmen. Techniken des maschinellen Lernens kann oft hilfreich in dieser Inhalte. Ich will ein Beispiel für den letzteren Ansatz in meinem nächsten Beitrag zu geben.
No comments:
Post a Comment