Quantitative Trading Strategien Blog

Quant Strategien haben sich zu sehr komplexen Tools mit dem Aufkommen der modernen Computer entwickelt, aber die Strategien Wurzeln gehen zurück über 70 Jahre. Sie werden typischerweise von hochgebildeten Teams geleitet und verwenden proprietäre Modelle, um ihre Fähigkeit, den Markt zu schlagen, zu erhöhen. Es gibt sogar off-the-shelf-Programme, die Plug-and-Play für diejenigen, die Einfachheit suchen. Quant Modelle arbeiten immer gut, wenn zurück getestet, aber ihre tatsächlichen Anwendungen und Erfolgsquote sind umstritten. Während sie scheinen, gut in den Stiermärkten zu arbeiten. Wenn Märkte haywire gehen, Quant-Strategien unterliegen den gleichen Risiken wie jede andere Strategie. Die Geschichte Einer der Gründerväter der Studie der quantitativen Theorie für die Finanzierung angewendet wurde Robert Merton. Sie können sich nur vorstellen, wie schwierig und zeitaufwendig der Prozess vor dem Einsatz von Computern war. Weitere Theorien in der Finanzwirtschaft entwickelten sich auch aus einigen der ersten quantitativen Studien, einschließlich der Grundlage der Portfolio-Diversifizierung auf der Grundlage der modernen Portfolio-Theorie. Die Verwendung von quantitativen Finanzen und Kalkül führte zu vielen anderen gemeinsamen Instrumenten, darunter eine der berühmtesten, die Black-Scholes-Optionspreiskalkulation, die nicht nur Investorenpreisoptionen hilft und Strategien entwickelt, sondern dazu beiträgt, die Märkte mit der Liquidität in Einklang zu bringen. Bei Anwendung direkt auf Portfolio-Management. Das Ziel ist wie jede andere Anlagestrategie. Um Mehrwert, Alpha-oder Überschussrenditen hinzuzufügen. Quants, wie die Entwickler genannt werden, komponieren komplexe mathematische Modelle, um Investitionsmöglichkeiten zu erkennen. Es gibt so viele Modelle gibt als Quants, die sie zu entwickeln, und alle behaupten, die besten zu sein. Eines von einem Quant Investment Strategies Best-Selling-Punkte ist, dass das Modell, und letztlich der Computer, die tatsächliche Kauf verkaufen Entscheidung, nicht ein Mensch. Dies neigt dazu, jede emotionale Reaktion zu entfernen, die eine Person beim Kauf oder Verkauf von Investitionen erleben kann. Quant-Strategien sind jetzt in der Investment-Community akzeptiert und von Investmentfonds, Hedgefonds und institutionellen Investoren. Sie gehen in der Regel durch den Namen Alpha-Generatoren. Oder Alpha-Gens. Hinter dem Vorhang Genau wie in The Wizard of Oz ist jemand hinter dem Vorhang, der den Prozess fährt. Wie bei jedem Modell ist es nur so gut wie der Mensch, der das Programm entwickelt. Während es keine spezifische Anforderung für das Werden ein Quant gibt, kombinieren die meisten Firmen, die Quant-Modelle laufen, die Fähigkeiten der Investitionsanalysten, der Statistiker und der Programmierer, die den Prozess in den Computern kodieren. Aufgrund der Komplexität der mathematischen und statistischen Modelle, ihre gemeinsame, um Anmeldeinformationen wie Absolventen und Doktoranden in Finanzen, Wirtschaft, Mathematik und Ingenieurwesen zu sehen. Historisch gesehen haben diese Teammitglieder in den Backoffices gearbeitet. Aber als Quant-Modelle mehr alltäglich wurde, zieht das Back-Office zum Front Office. Vorteile von Quant Strategien Während die Gesamt-Erfolgsquote diskutabel ist, ist der Grund, warum einige Quant-Strategien funktionieren, dass sie auf Disziplin basieren. Wenn das Modell richtig ist, hält die Disziplin die Strategie, die mit Blitzgeschwindigkeitscomputern arbeitet, um Ineffizienzen in den Märkten zu nutzen, die auf quantitativen Daten basieren. Die Modelle selbst können auf so wenig wie ein paar Verhältnisse wie P E. Schulden auf Eigenkapital und Gewinnwachstum basieren, oder verwenden Tausende von Inputs zusammen, die zur gleichen Zeit. Erfolgreiche Strategien können sich auf Trends in ihren frühen Stadien, wie die Computer ständig laufen Szenarien, um Ineffizienzen zu lokalisieren, bevor andere tun. Die Modelle sind in der Lage, eine sehr große Gruppe von Investitionen gleichzeitig zu analysieren, wobei der traditionelle Analytiker kann nur auf wenige zu einem Zeitpunkt zu suchen. Der Screening-Prozess kann das Universum durch Grade Ebenen wie 1-5 oder A-F abhängig von dem Modell. Dies macht den eigentlichen Handelsprozess sehr einfach durch Investitionen in die hoch bewerteten Investitionen und den Verkauf der niedrigen bewertet. Quant-Modelle eröffnen auch Variationen von Strategien wie lang, kurz und lang kurz. Erfolgreiche Quant Fonds halten ein scharfes Auge auf Risikokontrolle wegen der Natur ihrer Modelle. Die meisten Strategien beginnen mit einem Universum oder Benchmark und verwenden Sektor und Industrie Gewichtungen in ihren Modellen. Dies ermöglicht es den Fonds, die Diversifizierung bis zu einem gewissen Grad zu kontrollieren, ohne das Modell selbst zu beeinträchtigen. Quant-Fonds in der Regel auf einer niedrigeren Kosten-Basis laufen, weil sie nicht brauchen, wie viele traditionelle Analysten und Portfolio-Manager, um sie auszuführen. Nachteile von Quant Strategien Es gibt Gründe, warum so viele Investoren nicht vollständig das Konzept der Vermietung einer Black Box laufen ihre Investitionen umfassen. Für alle erfolgreichen quant Geld da draußen, so viele scheinen erfolglos zu sein. Leider für die Quants Reputation, wenn sie scheitern, scheitern sie große Zeit. Das langfristige Kapitalmanagement war eines der bekanntesten quantitativen Hedgefonds, wie es von einigen der am meisten respektierten akademischen Führer und zwei Nobel-Gedächtnis-prämierten Wirtschaftswissenschaftlern Myron S. Scholes und Robert C. Merton geleitet wurde. In den 90er Jahren erzielte ihr Team überdurchschnittliche Renditen und lockte Kapital von allen Arten von Investoren an. Sie waren berühmt dafür, nicht nur Ineffizienzen auszunutzen, sondern mit leichtem Zugang zu Kapital, um enorme Leveraged-Wetten auf Marktrichtungen zu schaffen. Die disziplinierte Natur ihrer Strategie schuf tatsächlich die Schwäche, die zu ihrem Zusammenbruch führte. Das langfristige Kapitalmanagement wurde Anfang 2000 liquidiert und aufgelöst. Seine Modelle beinhalteten nicht die Möglichkeit, dass die russische Regierung ihre eigenen Schulden in Verzug setzen könnte. Dieses Ereignis verursachte Ereignisse und eine Kettenreaktion, die durch Hebel-verursachte Verwüstung vergrößert wurde. LTCM war so stark mit anderen Investitionsvorhaben beteiligt, dass sein Zusammenbruch die Weltmärkte beeinträchtigte und dramatische Ereignisse auslöste. Auf lange Sicht trat die Federal Reserve in Hilfe zu helfen, und andere Banken und Investmentfonds unterstützt LTCM, um weitere Schäden zu verhindern. Dies ist einer der Gründe, die Quant-Fonds scheitern können, da sie auf historischen Ereignissen basieren, die möglicherweise keine zukünftigen Ereignisse enthalten. Während ein starkes Quantum-Team ständig neue Aspekte der Modelle hinzufügen wird, um zukünftige Ereignisse vorherzusagen, ist es unmöglich, die Zukunft jedes Mal vorherzusagen. Quant Geldmittel können auch überwältigt werden, wenn die Wirtschaft und die Märkte eine überdurchschnittliche Volatilität erfahren. Die Kauf - und Verkaufs-Signale können so schnell kommen, dass der hohe Umsatz hohe Provisionen und steuerpflichtige Ereignisse hervorbringen kann. Quant-Fonds können auch eine Gefahr darstellen, wenn sie als bear-proof vermarktet werden oder auf kurzen Strategien basieren. Vorhersagen Abschwünge. Der Einsatz von Derivaten und die Kombination von Hebelwirkung kann gefährlich sein. Eine falsche Umdrehung kann zu Implosionen führen, die häufig die Nachrichten bilden. Die Bottom Line Quantitative Anlagestrategien haben sich von Backoffice-Blackboxen zu Mainstream-Investitionstools entwickelt. Sie sind entworfen, um die besten Köpfe im Geschäft und die schnellsten Computer zu nutzen, um beide Ineffizienzen auszunutzen und Hebelwirkung verwenden, um Marktwetten zu machen. Sie können sehr erfolgreich sein, wenn die Modelle alle richtigen Eingaben enthalten und sind flink genug, um abnorme Marktereignisse vorherzusagen. Auf der Kehrseite, während Quant-Fonds rigoros zurück getestet werden, bis sie funktionieren, ist ihre Schwäche, dass sie auf historischen Daten für ihren Erfolg beruhen. Während Quant-Stil-Investitionen hat seinen Platz auf dem Markt, ist es wichtig, sich seiner Mängel und Risiken bewusst sein. Im Einklang mit Diversifizierungsstrategien. Ist es eine gute Idee, quant Strategien als Investing-Stil zu behandeln und kombinieren sie mit traditionellen Strategien, um eine richtige Diversifizierung zu erreichen. Quantitative Trading Viel wurde über die Post-Earnings Ankündigung Drift (PEAD) - Strategie geschrieben (siehe zum Beispiel mein Buch) Aber weniger wurde über Vorankündigung Ankündigung Strategien geschrieben. Das hat sich zuletzt mit der Veröffentlichung von zwei Beiträgen geändert. Genau wie bei PEAD nutzen diese Vorankündigungsstrategien keine tatsächlichen Ergebniszahlen oder sogar Schätzungen. Sie basieren vollständig auf Ankündigungstermine (erwartete oder tatsächliche) und vielleicht neue Preisbewegung. Der erste, von So und Wang 2014, schlägt vor, verschiedene einfache Mittel Reversion-Strategien für US-Aktien, die in Positionen auf dem Markt zu schließen schließen kurz vor einer erwarteten Ankündigung. Hier ist meine Paraphrase einer solchen Strategien: 1) Angenommen, t ist das erwartete Ergebnis Ankündigung Datum für eine Aktie im Russell 3000 Index. 2) Berechnen Sie die Vorankündigungsrückkehr vom Tag t-4 zu t-2 (nur Zählungstage). 3) Subtrahieren Sie eine Marktindex-Rendite über die gleiche Rückblickperiode von der Vorankündigung zurück, und rufen Sie diese marktorientierte return PAR. 4) Wählen Sie die 18 Aktien mit dem besten PAR und kurz sie (mit gleichen Dollars) auf dem Markt in der Nähe von t-1, liquidieren am Markt schließen von t1. Wählen Sie die 18 Aktien mit den schlechtesten PAR, und das Gegenteil tun. Hedge jede Netto-Exposure mit einem Markt-Index ETF oder Zukunft. Ich habe diese Strategie unter Verwendung von Wall Street Horizon (WSH) s erwartete Einkommen Daten Daten getestet, die Anwendung auf Aktien in der Russell 3000 Index und Hedging mit IWV. Ich erhielt einen CAGR von 9.1 und ein Sharpe Verhältnis von 1 von 2011 08 03-2016 09 30. Die Eigenkapitalkurve wird unten angezeigt. Beachten Sie, dass WSH-Daten anstelle von Yahoo Finance, Compustat oder sogar Thomson Reuters I B E S-Ertragsdaten verwendet wurden, da nur WSH-Daten punktuell sind. WSH hat am Tag vor der Ankündigung das erwartete Einnahmenankündigungsdatum erfasst, genauso wie bei einem Live-Handel. Wir haben das tatsächliche Ankündigungsdatum nicht wie in den meisten anderen Datenquellen erfasst verwendet, da wir nicht sicher sein konnten, ob ein Unternehmen das erwartete Ankündigungsdatum an demselben Datum geändert hat. Die tatsächliche Ankündigung Datum kann nur mit Sicherheit nach der Tat bekannt sein, und daher ist nicht Punkt-in-Zeit. Wenn wir den gleichen Backtest mit den historischen Ertragsdaten von Yahoo Finances laufen würden, wäre der CAGR auf 6,8 gesunken und das Sharpe-Ratio sank auf 0,8. Die Vorstellung, dass Unternehmen ihre erwarteten Ankündigungstermine ändern, führt uns zur zweiten Strategie, die von Ekaterina Kramarenko von Deltixs Quantitative Research Team erstellt wurde. In ihrer Arbeit "Automated Trading Strategy", die die Ertragsbewegungen von Wall Street Horizon verwendet, beschreibt sie die folgende Strategie, die ausdrücklich solche Veränderungen als Trading-Signal nutzt: 1) Am Markt vor der Ertragsansage, Die nächsten Tage offen, berechnet deltaD, die die letzte Änderung des erwarteten Ankündigungsdatums für die kommende Ankündigung ist, gemessen in Kalendertagen. DeltaD gt 0, wenn das Unternehmen das Ansagedatum später verschoben hat, und deltaD lt 0, wenn das Unternehmen das Ansagedatum früher verschoben hat. 2) Auch am gleichen Markt zu schließen, berechnen deltaU, die die Anzahl der Kalendertage seit der letzten Änderung des erwarteten Ankündigung Datum ist. 3) Wenn deltaD lt 0 und deltaU lt 45, kaufen die Aktie am Markt zu schließen und liquidieren am nächsten Tag Markt offen. Wenn deltaD gt 0 und deltaU gt 45, das Gegenteil tun. Die Intuition hinter dieser Strategie ist, dass, wenn ein Unternehmen eine erwartete Ankündigung früher verschieben, vor allem, wenn dies geschieht in der Nähe des erwarteten Datum, das ist ein Hinweis auf eine gute Nachricht, und umgekehrt. Kramarenko fand einen CAGR von 14,95 und eine Sharpe-Ratio von 2,08 durch Anwendung dieser Strategie auf SPX-Aktien von 2006 1 3 - 2015 9 2. Um dieses Ergebnis zu reproduzieren, muss man sicherstellen, dass die Kapitalzuteilung auf der folgenden Formel basiert : Angenommen, die gesamte Kaufkraft ist M, und die Anzahl der Handelssignale am Markt schließt n, dann ist die Handelsgröße pro Aktie M 5, wenn n lt 5, und ist M n, wenn n gt 5. Ich habe diese Strategie aus getestet 2011 8 3-2016 9 30 auf einem festen SPX-Universum auf 2011 7 5 und erhielt CAGR17.6 und Sharpe Ratio von 0,6. Backtesting dieses auf Russell 3000 Indexuniversum der Aktien lieferte bessere Resultate, mit CAGR17 und Sharpe ratio1.9. Hier passe ich die Handelsgröße je Aktie auf M 30 an, wenn n lt30 und auf M n wenn n gt 30, da die Gesamtzahl der Aktien in Russell 3000 etwa 6 mal größer ist als die von SPX. Die Eigenkapitalkurve wird nachfolgend dargestellt: Interessanterweise verbessert eine marktneutrale Version dieser Strategie (mit IWV zur Absicherung jeglicher Nettoexposition) nicht das Sharpe-Verhältnis, sondern das CAGR deutlich. Wissen . Ich danke Michael Raines an der Wall Street Horizon für die Bereitstellung der historischen Punkt-in-Zeit erwarteten Verdienstdaten Daten für diese Forschung. Darüber hinaus danke ich Stuart Farr und Ekaterina Kramarenko bei Deltix für die Bereitstellung einer Kopie ihrer Zeitung und erkläre mir die Nuancen ihrer Strategie. Meine bevorstehende Workshop 14. und 21. Januar: Algorithmische Optionen Strategien Dieser Online-Kurs unterscheidet sich von den meisten anderen Optionen Workshops an anderer Stelle angeboten. Es umfasst die Backtesting-Optionen für Intraday-Optionen und Portfoliooptionsstrategien. Ich schrieb in einem früheren Artikel darüber, warum sollten wir backtest sogar End-of-Day (tägliche) Strategien mit Intraday-Quote-Daten. Andernfalls kann die Leistung solcher Strategien aufgeblasen werden. Hier ist ein weiteres brillantes Beispiel, dass ich vor kurzem kam. Betrachten wir die Öl-Futures ETF USO und seine böse Zwilling, die Inverse Öl-Futures ETF DNO. In der Theorie, wenn USO hat eine tägliche Rendite von x, hat DNO eine tägliche Rendite von - x. In der Praxis, wenn wir die täglichen Renditen von DNO gegen die USO aus 2010 9 27-2016 9 9, mit den üblichen konsolidierten End-of-Day-Daten, die Sie auf Yahoo Finance oder einem anderen Anbieter finden, Ist die Steigung tatsächlich -1 (bis zu einem Standardfehler von 0,004), es gibt viele Tage mit einer signifikanten Abweichung von der Geraden. Der Händler in uns wird sofort denken, Arbitrage-Chancen In der Tat, wenn wir Backtest eine einfache mittlere Reversion-Strategie auf diesem Paar - nur kaufen gleichen Dollar-Betrag von USO und DNO, wenn die Summe ihrer täglichen Renditen ist weniger als 40 bps am Markt zu schließen, halten Ein Tag, und umgekehrt - finden wir eine Strategie mit einem anständigen Sharpe Verhältnis von 1 auch nach Abzug von 5 bps pro Seite als Transaktionskosten. Jedoch, wenn wir Backtest diese Strategie wieder mit BBO-Daten am Markt zu schließen, wobei darauf, die Hälfte der Bid-Ask-Spread als Transaktionskosten zu subtrahieren, finden wir diese Equity-Kurve: Wir können sehen Dass das Problem nicht nur darin besteht, dass wir an praktisch jedem Handel Geld verlieren, sondern dass es selten einen Handel ausgelöst hat. Wenn die täglichen EOD-Daten darauf hindeuten, dass ein Handel ausgelöst werden sollte, gibt die 1-minütige BBO-Daten an, dass es tatsächlich keine Abweichung vom Mittelwert gab. (By the way, die oben genannten Renditen wurden berechnet, bevor wir sogar die Anleihekosten gelegentlich kurzschließen diese ETFs abziehen. Die Rabattsatz für USO ist etwa 1 pro Jahr auf Interactive Brokers, aber ein steiler 5.6 für DNO.) Falls Sie dies denken Problem ist eigenartig zu USO vs DNO, können Sie versuchen, TBT vs UBT als auch. Übrigens haben wir gerade eine goldene Regel der Finanzmärkte verifiziert: Eine offensichtliche Abweichung vom effizienten Markt ist erlaubt, wenn niemand auf die Arbitrage-Chance profitabel handeln kann. Anmerkung: Nach Angaben von etf hat der Emittent von DNO bis zum 22. März 2016 bis zur Einreichung neuer Unterlagen bei der SEC vorläufig Kreationen für diesen Fonds suspendiert. Diese Maßnahme könnte zu ungewöhnlichen oder überhöhten Prämien führen8212 zu einer Erhöhung des Marktpreises des Fonds gegenüber dem beizulegenden Zeitwert. Rücknahmen sind nicht betroffen. Handel mit Obachtüberprüfung iNAV gegen Preis. Für eine Erläuterung der Schaffung von ETF-Einheiten, siehe meinen Artikel Dinge, die Sie nicht über ETFs und ETNs wissen wollen. Industrie-Update Quantiacs erst vor kurzem als CTA registriert und betreibt einen Markt für Handelsalgorithmen, die jeder beitragen kann. Sie veröffentlichten auch einen pädagogischen Blog-Post für Python - und Matlab-Rückenden: quantiacs Blog Intro-to-Algorithmic-Trading-mit-Heikin-Ashi. aspx Ich werde Moderation einer Podiumsdiskussion über Wie können Fonds nicht-traditionelle Datenquellen nutzen, um Investitionen zu treiben Rückkehr bei Quant World Canada in Toronto, 10. November 2016. Kommende Workshops Oktober 22 und 29, Samstags, Quantitative Momentum Strategies Online-Workshops. Momentum-Strategien sind für diejenigen, die von Schwanz Veranstaltungen profitieren wollen. Ich werde die grundlegenden Gründe für die Existenz von Momentum in verschiedenen Märkten sowie spezifische Impulsstrategien diskutieren, die Positionen von Stunden bis Tage halten. Ein hoher Regisseur bei einer Großbank schrieb mir: 8230Danke wieder für die Momentum Strategies Schulung in dieser Woche . Es war sehr vorteilhaft. Ich fand Ihre Erklärungen der Konzepte sehr klar und die Beispiele gut entwickelt. Ich mag die rigorose Ansatz, den Sie nehmen, um die Bewertung der Strategie.8221 Freitag, 17. Juni 2016 Jeder liebt Handel oder Investitionen in ETPs. ETP ist das Akronym für börsengehandelte Produkte, die sowohl Exchange Traded Funds (ETF) als auch Exchange Traded Notes (ETN) umfassen. Sie scheinen einfach, transparent, leicht zu verstehen. Aber es gibt ein paar Feinheiten, die Sie vielleicht nicht kennen. 1) Die beliebteste ETN ist VXX, der Volatilitätsindex ETF. Im Gegensatz zu ETF ist ETN tatsächlich eine unbesicherte Anleihe des Emittenten. Dies bedeutet, dass der Preis der ETN nicht nur von den zugrunde liegenden Vermögenswerten oder dem Index abhängt. Es könnte von der Kreditwürdigkeit des Emittenten abhängen. Jetzt wird VXX von Barclays herausgegeben. Sie können denken, dass Barclays eine große Bank ist, zu groß, um zu scheitern, und Sie können Recht haben. Dennoch verspricht niemand, dass seine Bonität wird nie herabgestuft werden. Der Handel der VX-Zukunft hat jedoch dieses Problem nicht. 2) Der ETP-Emittent soll zusammen mit den berechtigten Teilnehmern (den Market Maker, die den Emittenten auffordern, mehr ETP-Aktien auszugeben oder diese Aktien für die zugrunde liegenden Vermögenswerte oder Barmittel zurückzugeben) den gesamten Marktwert der ETP-Aktien halten Die den NAV der zugrunde liegenden Vermögenswerte genau verfolgen. Allerdings gab es eine bemerkenswerte Instanz, wenn der Emittent absichtlich nicht tun, was zu großen Verlusten für einige Investoren. Das war, als der Emittent von TVIX, der gehebelten ETN, der 2x die täglichen Renditen von VXX verfolgt, die Erstellung neuer TVIX-Aktien vorübergehend am 22. Februar 2012 beendet hat (siehe sixfigureinvesting 2015 10 how-tvix-work). Diese Emittentin ist die Credit Suisse, die feststellen konnte, dass die Transaktionskosten für den Ausgleich dieses hochvolatilen ETN zu hoch wurden. Aufgrund dieser Unterbrechung verwandelte sich TVIX in einen geschlossenen Fonds (vorübergehend), und sein NIW wich deutlich von seinem Marktwert ab. TVIX wurde an einem Prämien von 90 bezogen auf den zugrunde liegenden Index gehandelt. Mit anderen Worten, Investoren, die TVIX an der Börse bis Ende März gekauft hatten, bezahlten 90 mehr als sie hätten, wenn sie den VIX-Index stattdessen kaufen könnten. Gleich darauf kündigte die Credit Suisse an, die Schaffung von TVIX-Aktien wieder aufzunehmen. Der Marktpreis von TVIX sank sofort auf seinen NIW pro Aktie, was für die Investoren, die kurz vor der Wiederaufnahme gekauft haben, enorme Verluste verursacht. 3) Sie können mit der Tatsache vertraut sein, dass ein ehrgeiziges ETF nur die täglichen Renditen des zugrunde liegenden Index, nicht seine langfristige Rendite verfolgen soll. Aber Sie sind vielleicht weniger vertraut mit der Tatsache, dass es auch nicht soll, um die Intraday-Rendite des Indexes zu verfolgen (obwohl es meistens tatsächlich tut, dank der vielen Arbitrageurs.) Fall in Punkt: während der Mai 2010 Flash Crash , Viele inverse Hebel ETFs erlebt einen Rückgang des Preises, wie der Markt nach unten stürzte. Als inverse ETFs dachten viele Anleger, dass sie im Preis steigen und als Absicherung gegen Marktrückgänge handeln sollten. Beispielsweise wies dieser Kommentarbrief an die SEC darauf hin, dass DOG, die inverse ETF, die den Index -1x Dow 30 verfolgt, mehr als 60 von seinem Wert am Anfang (14:40 Uhr ET) des Flash-Crashs abnahm. Dies liegt daran, dass verschiedene Market Maker einschließlich der autorisierten Teilnehmer für DOG werent machen Märkte zu diesem Zeitpunkt. Aber ein ebenso wichtiger Punkt zu beachten ist, dass am Ende des Handelstages DOG zurückkehrte 3.2, fast genau -1x die Rückkehr von DIA (die ETF, die den Dow 30 verfolgt). So funktionierte es wie angekündigt. Lesson learned: Wir arent sollen inverse ETFs für die Intraday - oder langfristige Absicherung nutzen 4) Der NIW (nicht NIW je Aktie) einer ETF muss sich nicht wie der Marktwert der zugrunde liegenden Vermögenswerte ändern. Zum Beispiel schrieb derselbe Kommentarbrief, den ich oben zitierte, dass GLD, die Gold-ETF, im Preis um 24 vom 1. März bis zum 31. Dezember 2013 zurückging und den gleichen 24 Tropfen Spot-Goldpreis verfolgte. Allerdings sank ihr NIW 52. Warum die autorisierten Teilnehmer viele GLD-Aktien zurücknahmen, so dass die ausstehenden Aktien der GLD von 416 Millionen auf 266 Millionen sinken. Ist das ein Problem überhaupt nicht. Ein Anleger in dieser ETF sorgt nur, dass sie die gleiche Rückkehr als Punktgold erfahren hat und nicht, wieviel Vermögen die ETF hielt. Der Autor dieses Kommentarbriefes schrieb seltsam, dass Anleger, die an dem Goldmarkt teilnehmen möchten, die GLD nicht kaufen würden, wenn sie wüssten, dass ein Preisrückgang in Gold doppelt so viel zugrunde liegenden Anlagenrückgang für die GLD führen könnte. Das ist, glaube ich, Unsinn. Industry Update Alex Boykov entwickelte die WFAToolbox 8211 Walk-Forward Analysis Toolbox für MATLAB, die den Prozess der Verwendung eines sich bewegenden Fensters automatisiert, um Parameter zu optimieren und Trades nur im Out-of-Sample-Zeitraum einzugeben. Er hat auch eine eigenständige Anwendung von MATLAB kompiliert, die jedem Benutzer (mit MATLAB oder nicht) ermöglicht, Zitate im CSV-Format von Google Finance für den weiteren Import in andere Programme und für das Arbeiten in Excel hochzuladen. Sie können es hier herunterladen: wfatoolbox epchan. AI Maschine Lerntechniken sind am nützlichsten, wenn jemand gibt uns neumodische technische oder grundlegende Indikatoren, und wir havent noch entwickelt die Intuition, wie sie zu benutzen. AI Techniken können Wege vorschlagen, um sie in Ihre Trading-Strategie zu integrieren, und beschleunigen Sie Ihr Verständnis für diese Indikatoren. Natürlich können diese Techniken manchmal auch unerwartete Strategien in vertrauten Märkten vorschlagen. Mein Kurs deckt die grundlegenden KI-Techniken nützlich für einen Händler, mit Schwerpunkt auf die vielen Möglichkeiten, um Überbeanspruchungen zu vermeiden. Jeder weiß, dass die Volatilität von der Messfrequenz abhängt: Die Standardabweichung von 5-Minuten-Renditen unterscheidet sich von der täglichen Rendite. Um genau zu sein, wenn z der Logarithmus ist, dann ist die Volatilität, die in Intervallen von abgetastet wird, wobei Var bedeutet, die Varianz über viele Abtastzeitpunkte zu nehmen. Wenn die Preise wirklich einem geometrischen Zufallspfad folgen, dann wird Var () 8801Var ((z (t) - z (t)) 8733 und die Volatilität einfach mit der Quadratwurzel des Abtastintervalls skaliert Tägliche Rendite, müssen wir die tägliche Volatilität von 8730252 zu multiplizieren, um die annualisierte Volatilität zu erhalten. Händler wissen auch, dass die Preise nicht wirklich folgen einem geometrischen zufälligen Spaziergang. Wenn Preise sind Mittelwert wiederherzustellen, werden wir feststellen, dass sie nicht wandern weg von ihrer ursprünglichen Im allgemeinen können wir schreiben, wo H der Hurst-Exponent genannt wird, und es ist gleich 0,5 für einen wahren geometrischen Zufallsweg, wird aber kleiner sein als Wenn wir die Volatilität einer durchschnittlich rückläufigen Kursreihe annualisieren, wird sie am Ende eine niedrigere annualisierte Volatilität aufweisen als die einer geometrischen zufälligen Wanderung, auch wenn beide genau das haben Gleiche Volatilität gemessen bei, sagen wir, 5-Minuten-Bars. Das Gegenteil ist wahr für eine Trend-Preis-Serie. Zum Beispiel, wenn wir dies auf AUDCAD, eine offensichtlich mean-reverting Zeitreihe versuchen, erhalten wir H0.43. Alle der oben genannten sind bekannt für viele Händler, und sind in der Tat in meinem Buch diskutiert. Interessanter ist jedoch, dass sich der Hurst-Exponent selbst in gewissem Maßstab verändern kann und diese Veränderung manchmal eine Verschiebung von einer mittleren Reversion zu einem Impulsregime oder umgekehrt signalisiert. Um dies zu sehen, können Plot-Volatilität (oder mehr bequem, Varianz) als Funktion von. Dies wird oft als Begriffsstruktur der (realisierten) Volatilität bezeichnet. Beginnen Sie mit dem vertrauten SPY. Können wir die Intraday-Renditen mit Mittelpreisen von 1 Minuten bis 210 Minuten (17 Stunden) berechnen und das Protokoll (Var ()) gegen log () darstellen. Der Sitz, unten gezeigt, ist ausgezeichnet. (Klicken Sie zum Vergrößern auf die Abbildung). Die Steigung, geteilt durch 2, ist der Hurst-Exponent, der sich als 0.4941770.003 ergibt, was sehr geringfügig zurücksetzt. Aber wenn wir das gleiche für tägliche Rückkehr von SPY, für Intervalle von 1 Tag bis zu 28 (256) Tage tun, finden wir, dass H jetzt 0.4691770.007 ist, was bedeutend bedeutet, zurückzukehren. Schlussfolgerung: Mittelwerte Reversionsstrategien auf SPY sollten besser als intraday funktionieren. Wir können die gleiche Analyse für USO (die WTI Rohöl-Futures ETF) zu tun. Der intraday H ist 0,5151770.001, was ein signifikantes Trendverhalten anzeigt. Die tägliche H ist 0,561770,02, noch signifikanter Trend. Also Impulsstrategien sollten für Rohöl-Futures zu jeder angemessenen Zeit Skalen arbeiten. Wir können jetzt zu GLD, die Gold-ETF. Intraday H0.5051770.002, die etwas trends ist. Aber täglich H0.4691770.007: signifikant bedeutete Rückkehr Momentum Strategien auf Gold kann intraday arbeiten, aber mittlere Reversion-Strategien sicherlich besser funktionieren über mehrere Tage. Wo findet der Übergang statt? Wir können die Begriffsstruktur genau untersuchen: Wir können sehen, dass die Volatilitäten von rund 16-32 Tagen von der Geraden, die von den Intraday-Frequenzen extrapoliert wird, abweichen. Das ist, wo wir vom Momentum zu Mittel Reversionsstrategien wechseln sollten. Eine Seite Anmerkung von Interesse: wenn wir die Varianz der Renditen über Perioden berechnen, die zwei Handelstage überspannen und sie als Funktion von log () darstellen. Sollte die Stunden enthalten, wenn der Markt geschlossen wurde. Es stellt sich heraus, dass die Antwort ja, aber nicht vollständig ist. Um das obige Diagramm zu schaffen, bei dem die täglichen Abweichungen zunächst auf die gleiche Gerade wie die Intraday-Varianzen fallen, müssen wir 1 Handelstag als äquivalent zu 10 Handelsstunden zählen. Nicht 6.5 (für die US-Aktien ETF-Märkte), und nicht 24. Die genaue Anzahl der äquivalenten Handelszeiten, natürlich, variiert über verschiedene Instrumente. Nick über bei mintegration. eu diskutiert die neuen Intraday-Datenbanken bei Quandl und Kerf. Factorwave (Euan Sinclairs Schaffung) begann ein neues Forum: slack. factorwave. Es hat einige sehr aktive und eingehende Diskussionen über viele Handels-und Investitionsthemen. Prof. Matthew Lyle an der Kellogg School of Management hat ein neues Papier, dass die Grundlagen zu Varianz Risikoprämien bezieht: papers. ssrn sol3 papers. cfmabstractid2696183. Es gibt viel mehr Reverse-Strategien als nur Paare Handel bedeuten. Finden Sie heraus, wie Sie in der derzeitigen niedrigen Volatilität Umwelt vorteilhaft für diese Art von Strategien gedeihen. Vorhersage Volatilität ist ein sehr altes Thema. Jeder Finanzstudent hat gelernt, das GARCH-Modell für das zu verwenden. Aber wie die meisten Dinge, die wir in der Schule gelernt haben, müssen wir nicht unbedingt erwarten, dass sie in der Praxis nützlich sind oder gut out-of-sample arbeiten. (Wann war das letzte Mal benötigen Sie, um Kalkül in Ihrem Job verwenden) Aber aus Neugier, habe ich eine schnelle Untersuchung ihrer Macht auf die Vorhersage der Volatilität der SPY täglichen Nah-zu-nahen Renditen. Ich schätzte die Parameter eines GARCH-Modells auf Trainingsdaten vom 21. Dezember 2005 bis 5. Dezember 2011 mit Matlabs Econometric Toolbox und testete, wie oft das Vorzeichen der vorhergesagten 1-tägigen Veränderung der Volatilität mit der Realität auf dem Testset von Dezember übereinstimmt 6, 2011 bis zum 25. November 2015. (Eine Tagesänderung der realisierten Volatilität ist definiert als die Änderung des absoluten Wertes der 1-Tagesrendite.) Eine angenehme Überraschung: Die Vereinbarung ist 58 der Tage. Wenn dies die Richtigkeit für die Vorhersage des Vorzeichens der SPY-Rückkehr selbst wäre, sollten wir uns darauf vorbereiten, in Luxus zurückzuziehen. Volatilität ist einfacher zu prognostizieren als signierte Rückkehr, wie jeder Finanz-Student auch gelernt wurde. Aber was gut ist eine gute Volatilität Vorhersage, die nützlich sein, um Optionen Trader, die implizite Volatilitäten statt direktionale Renditen handeln kann Die Antwort ist ja, realisierte Volatilität Vorhersage ist nützlich für implizite Volatilität Vorhersage, aber nicht in der Art, wie Sie erwarten würden. Wenn GARCH uns mitteilt, dass die realisierte Volatilität morgen zunehmen wird, würden die meisten von uns instinktiv ausgehen und uns einige Optionen kaufen (d. H. Implizite Volatilität). Im Falle von SPY, würden wir wahrscheinlich kaufen einige VXX. Aber das wäre ein schrecklicher Fehler. Denken Sie daran, dass die Volatilität, die wir vorhergesagt haben, eine unsignierte Rendite ist: Eine Prognose der erhöhten Volatilität kann einen sehr bullischen Tag morgen bedeuten. Eine hohe positive Rückkehr in SPY wird in der Regel von einem steilen Rückgang der VXX begleitet. Mit anderen Worten, eine Erhöhung der realisierten Volatilität ist in der Regel von einer Abnahme der impliziten Volatilität begleitet. Aber was wirklich merkwürdig ist, ist, dass diese Antikorrelation zwischen der Änderung der realisierten Volatilität und der Änderung der impliziten Volatilität auch bei negativer Rendite gilt (57 der Tage mit negativen Renditen). Eine sehr negative Rückkehr in SPY ist in der Regel in der Regel durch eine Erhöhung der impliziten Volatilität oder VXX, induziert positive Korrelation begleitet. Aber im Durchschnitt ist eine Zunahme der realisierten Volatilität aufgrund negativer Renditen noch von einer Abnahme der impliziten Volatilität begleitet. Das Ergebnis aller dieser ist, dass, wenn Sie vorhersagen, die Volatilität der SPY wird morgen zunehmen, sollten Sie VXX statt kurz. Quantiacs startete gerade einen Handelssystemwettbewerb mit garantierten Investitionen von 2,25 M für die besten drei Handelssysteme. (Quantiacs hilft Quants, sich für ihre Handelsalgorithmen zu engagieren und hilft Investoren dabei, das richtige Handelssystem zu finden.) Ein neues Buch namens Momo Traders - Tipps, Tricks und Strategien von Ten Top Traders bietet umfangreiche Interviews mit zehn Top-Day - und Swing-Händlern, die Aktien finden Dass sich bewegen und Kapital aus diesem Momentum. Ein weiteres neues Buch namens Algorithmic und High-Frequency Trading von 3 mathematischen Finanzprofessoren beschreibt die anspruchsvollen mathematischen Werkzeuge, die auf Hochfrequenzhandel und optimale Ausführung angewendet werden. Ja, hier ist ein Zahnstein erforderlich. Meine bevorstehende Workshop Januar 27-28: Algorithmische Optionen Strategien Dies ist ein neuer Online-Kurs, der anders ist als die meisten anderen Optionen Workshops angeboten anderswo. Es wird darlegen, wie man intraday Optionsstrategien und Portfoliooptionsstrategien backtest. 7. - 11. März: Statistisches Arbitrage, quantitatives Momentum und Künstliche Intelligenz für Händler. Diese Kurse sind intensive Trainingseinheiten in London für eine volle Woche statt. Ich muss normalerweise für eine Stunde entlang der Themse gehen, um nach jeder Tagklasse zu rejuvenate. Die AI-Kurs ist neu, und zu meinem Erstaunen, einige der verbesserten Techniken tatsächlich funktionieren. Mein bevorstehendes Gespräch Ich spreche am QuantCon 2016 am 9. April in New York. Das Thema wird die Besonderheiten der Volatilität. Ich wies auf eine Besonderheit oben, aber es gibt andere. QTS Partners, L. P. hat eine Netto-Rendite von 1,56 im Oktober (YTD: 11,50). Details verfügbar für qualifizierte berechtigte Personen gemäß der Definition in CFTC Regel 4.7. Von Lukasz Wojtow Mechanische Händler stoppen nie auf der Suche nach dem nächsten Marktrand. Nicht nur, um bessere Ergebnisse zu erzielen, sondern auch mehr als ein System zu haben. Die besten Handelsergebnisse können mit mehreren nicht korrelierten Systemen erzielt werden, die gleichzeitig gehandelt werden. Leider verwenden die meisten Händler ähnliche Markt-Ineffizienz: einige Händler spezialisieren sich auf Trendfolgen, einige in mittlerer Reversion und so weiter. Das ist, weil zu lernen, eine Art von Rand zu nutzen ist hart genug, beherrschen alle von ihnen 8211 unmöglich. Es wäre vorteilhaft, eine Software zu haben, die viele nicht verwandte Systeme erzeugt. Vor kurzem habe ich Genotick veröffentlicht - eine Open-Source-Software, die eine Gruppe von Handelssystemen erstellen und verwalten kann. Im Kern von Genoticks liegt eine Epiphanie: Wenn es möglich ist, jede Software mit nur wenigen Assembler-Anweisungen zu erstellen, sollte es möglich sein, beliebige Handelssysteme mit einer Handvoll ähnlicher einfacher Anweisungen zu erstellen. Diese einfachen und aussagekräftigen Anweisungen werden im Zusammenspiel extrem mächtig. Richtige Instruktionen in der richtigen Reihenfolge können beliebige mechanische Systeme erzeugen: Trendfolgen, Mittelwerten oder sogar auf Basis fundamentaler Daten. Die Antriebsmaschine hinter Genoticks Macht ist ein genetischer Algorithmus. Derzeitige Implementierung ist ziemlich einfach, aber mit einigen zusätzlichen Macken. Zum Beispiel, wenn eines der Systeme ist wirklich schlecht 8211 es bleibt in der Bevölkerung, aber seine Vorhersagen sind umgekehrt. Ein weiterer Trick wird verwendet, um zu erkennen, voreingenommen Handelssysteme: ein System kann entfernt werden, wenn es nicht gespiegelt Vorhersage auf gespiegelte Daten. So zum Beispiel muss die Position auf GBP USD gegenüber der auf USD GBP liegen. Genotick unterstützt auch den optionalen Elitismus (wo die besten Systeme immer in der Bevölkerung bleiben, während andere aufgrund des Alters zurückgezogen werden), Schutz für neue Systeme (um zu vermeiden, dass Systeme, die noch keine Chance haben, sich selbst zu beweisen) zu erben Von den Eltern. Diese Optionen bieten dem Anwender viel Raum für Experimente. Wenn Genotick zum ersten Mal ausgeführt wird, gibt es keine Systeme. Sie werden am Anfang mit zufällig ausgewählten Anweisungen erstellt. Dann übernimmt ein genetischer Algorithmus: jedes System wird ausgeführt, um seine Vorhersage auf historische Daten zu überprüfen. Systeme, die richtig prognostiziert Gewichtszunahme für zukünftige Vorhersagen, Systeme, die falsch 8211 Gewicht zu verlieren. Allmählich, Tag für Tag wächst die Bevölkerung der Systeme. Schlechte Systeme werden entfernt und gute Systeme züchten. Die Vorhersage für jeden Tag wird berechnet, indem Prognosen aller zur Zeit verfügbaren Systeme hinzugefügt werden. Genotick nicht iterieren über die gleichen historischen Daten mehr als einmal 8211 Trainingsprozess sieht genau so, als wäre es im realen Leben durchgeführt: ein Tag zu einer Zeit. In der Tat gibt es keine separate 8220training8221 Phase, Programm lernt ein wenig, wie jeden Tag vergeht. Interessanterweise überprüft Genotick nicht auf Gründe hinter hergestellten Systemen. Da jedes System aus zufälligen Anweisungen erstellt wird, ist es möglich (und tatsächlich sehr wahrscheinlich), dass einige Systeme lächerliche Logik verwenden. Zum Beispiel ist es möglich, dass ein System ein 8220Buy8221 Signal geben wird, wenn Volumen vor 42 Tagen positiv war. Ein anderes System kann jedes Mal kurz gehen, wenn die dritte Ziffer in Yesterdays High die gleiche Ziffer in der heutigen Open ist. Natürlich würden solche Systeme nie in der realen Welt überleben und auch sie würden nicht lange in Genoticks Bevölkerung überleben. Da jedes System-Anfangsgewicht null ist, gewinnen sie niemals ein signifikantes Gewicht und verderben daher keine kumulative Vorhersage, die durch das Programm gegeben wird. Es mag ein wenig albern, um solche Systeme in erster Linie erlauben, aber es ermöglicht es Genotick, Algorithmen, die frei von Händlern glaubt, falsche Meinungen und persönliche Einschränkungen zu testen. Die traurige Tatsache ist, der Markt kümmert sich nicht um das System, das Sie verwenden und wie viel Schweiß und Tränen Sie in sie setzen. Der Markt wird tun, was er tun will 8211 keine Fragen gefragt, keine Gefangenen. Markt nicht sogar interessiert, wenn Sie jede Art von Intelligenz verwenden, künstlich oder nicht. Und so, die einzige Begründung hinter jedem Handelssystem sollte sehr einfach: 8220Does it work8221. Nicht mehr, nicht weniger. Dies ist die einzige Metrik, die Genotick zum Messen von Systemen verwendet. Jedes Programm läuft ein wenig anders. Untenstehend ist eine mögliche Wertentwicklung dargestellt. Jahre gezeigt sind 2007 bis 2015 mit einer tatsächlichen Ausbildung ab 2000. Es gibt nichts besonderes über das Jahr 2007, erinnern 8211 Genotick lernt, wie es geht. Allerdings fühlte ich seine wichtig zu sehen, wie es während der Finanzkrise durchgeführt. Die gehandelten Märkte waren: USD CHF, USD JPY, 10 Jahre US Bond Yield, SPX, EUR USD, GBP USD und Gold. (In einigen Fällen testete ich das System auf einem Marktindex wie SPX anstelle eines Instruments, das den Index wie SPY verfolgt, aber der Unterschied sollte kleiner sein.) Alle Märkte wurden gespiegelt, um das Entfernen von voreingenommenen Systemen zu ermöglichen. Einige wichtige Zahlen: CAGR: 9,88 Maxim Drawdown: -21,6 Längster Drawdown: 287 Handelstage Profitable Tage: 53,3 CALMAR Ratio: 0,644 Sharpe Ratio: 1,06 Durchschnittlicher Jahresgewinn: 24,1 Verlorenes Jahr: 2013 (-12) (Klicken Sie auf die kumulierten Renditen im Chart Cumulative Returns () seit 2007 Diese Zahlen stellen nur 8220directional edge8221 dar, die von der Software angeboten werden. Es gab keine Stop-Losses, keine Hebelwirkung und keine Positionsbestimmung, was die Ergebnisse des realen Lebens erheblich verbessern könnte. Die Performance geht davon aus, dass am Ende eines jeden Tages die Positionen neu ausgeglichen werden, so dass jedes Instrument mit dem gleichen Dollarkurs beginnt. (D. h. dies ist ein konstantes ausgeglichenes Portfolio.) Künstliche Intelligenz ist ein heißes Thema. Selbstfahrende Autos, die besser fahren als ein durchschnittlicher Mensch und Schachalgorithmen, die einen durchschnittlichen Spieler schlagen, sind Tatsachen. Der Unterschied ist, dass mit AI für den Handel ist vollkommen legal und Gegner können nie wissen. Im Gegensatz zu Schach und Fahren, gibt es eine Menge Zufälligkeit auf den Finanzmärkten und es kann uns länger dauern, zu bemerken, wenn AI beginnt zu gewinnen. Beste Hedge-Fonds können immer noch von Menschen ausgeführt werden, aber wenn eine Handelsmethode ist wirklich überlegen, wird AI es auch herausfinden. Im Moment ist Genotick eher ein Proof-of-Concept als eine Produktion. Es ist sehr begrenzt in der Usability, es nicht verzeihen Fehler und sein bestes zu fragen, bevor Sie es für echten Handel. Sie benötigen Java 7, um es auszuführen. Seine getestet auf Linux und Windows 10. Beispiel historische Daten enthalten ist. Alle mögliche Fragen oder Anmerkungen werden begrüßt. Ich bin ein großer Fan von Optionen Trader und Autor Euan Sinclair für eine lange Zeit gewesen. Ich habe sein hochlesbares und einflussreiches Buch Option Trading in meiner eigenen Arbeit zitiert, und es ist immer in Reichweite von meinem Schreibtisch. Sein neuestes Buch Volatility Trading ist ein weiteres Muss. Ich lief ihn in der Chicago Trading Show vor ein paar Monaten, wo er ein Panelist auf Volatilität Handel war, und er gnädig vereinbart, von mir interviewt werden. Was ist Ihr pädagogischer Hintergrund, und wie haben Sie Ihre Trading-Karriere Ich habe ein Ph. D. In der theoretischen Physik, den Übergang von der Quanten zur klassischen Mechanik. Ich hatte immer beabsichtigt, ein Professor zu werden, aber die Idee wurde weniger ansprechend, sobald ich sah, was sie den ganzen Tag taten. Zu diesem Zeitpunkt Nick Leeson machte Nachrichten durch Sprengung Barings Bank und ich dachte, ich könnte das tun. Ich meine, Handelsderivate, die keine Bank sprengen (obwohl ich das wohl auch schaffen konnte). Empfiehlst du einen neuen Absolvent mit einem ähnlichen pädagogischen Hintergrund, wie Ihre, zum der Finanzierung oder des Handels als eine Karriere heute zu verfolgen, glaube ich nicht, dass ich für einige Gründe würde. Die Welt der Derivate und Handel im Allgemeinen ist jetzt so viel mehr sichtbar als es war und es gibt jetzt viel bessere Möglichkeiten zur Vorbereitung. Als ich anfing, wurden Physik-Ph. D.s nur angeheuert, weil sie klug waren und numerate und konnten Sachen auf ihren Selbst abholen. Meine erste Handelsfirma hatte kein Trainingsprogramm. You just had to figure stuff out on your own. Now there are many good MFE courses or you could do a financial economics Ph. D. Further, it would very much depend on exactly what kind of physics had been studied. I did a lot of classical mechanics which is really geometry. This kind of pure theory isnt nearly as useful as a background heavy with stats or simulation. I think I could still make the transition, but it is no longer close to the ideal background. You have been a well-known options trader with a long track record: what do you think is the biggest obstacle to success for a retail options trader Trading costs. Most option trading ideas are still built on the Black-Scholes-Merton framework and the idea of dynamic hedging (albeit heavily modified). Most pro firms have stat arb like execution methods to reduce the effective bid-ask they pay in the underlying. They also pay practically no ticket charges and probably get rebates. Even then, their average profit per option trade is very small and has been steadily decreasing. Further, a lot of positional option trading relies on a large universe of possible trades to consider. This means a trader needs good scanning software to find trades, and a decent risk system because she will tend to have hundreds of positions on at one time. This is all expensive as well. Retail traders cant play this game at all. They have to look for situations that require little or no rebalancing and that can be limited to a much smaller universe. I would recommend the VIX complex or equity earnings events. As an options trader, do you tend to short or long volatility I am short about 95 of the time, but about 35 of my profits come from the long trades. Do you find it possible to fully automate options trading in the same way as that stocks, futures, and FX trading have been automated I see no reason why not. You have recently started a new website called FactorWave. Can you tell us about it What prompted the transition of your focus from options to stocks FactorWave is a set of stock and portfolio tools that do analysis in terms of factors such as value, size, quality and momentum. There is a lot of research by both academics and investors that shows that these (and other) factors can give market beating returns and lower volatility. Ive been interested in stocks for a long time. Most of my option experience has been with stock options and some of my best research was on how these factors affected volatility trading returns. Also, equity markets are a great place to build wealth over the long term. They are a far more suitable vehicle for retirement planning than options I actually think the distinction between trading and investing is fairly meaningless. The only difference seems to be the time scale and this is very dependent on the person involved as well, with long-term meaning anything form months to inter-generational. All Ive ever done as a trader is to look for meaningful edges and I found a lot of these in options. But Ive never found anything as persistent as the stock factors. There is over a hundred years of statistical evidence, studies in many countries and economic and behavioral reasons for their existence. They present some of the best edges I have ever found. That should be appealing to any trader or investor. Thank you These are really valuable insights. Most time series techniques such as the ADF test for stationarity, Johansen test for cointegration, or ARIMA model for returns prediction, assume that our data points are collected at regular intervals. In traders parlance, it assumes bar data with fixed bar length. It is easy to see that this mundane requirement immediately presents a problem even if we were just to analyze daily bars: how are we do deal with weekends and holidays You can see that the statistics of return bars over weekdays can differ significantly from those over weekends and holidays. Here is a table of comparison for SPY daily returns from 2005 05 04-2015 04 09: SPY daily returns Mean Returns (bps) Mean Absolute Returns (bps) Kurtosis (3 is 8220normal8221) Though the absolute magnitude of the returns over a weekday is similar to that over a weekend, the mean returns are much more positive on the weekdays. Note also that the kurtosis of returns is almost doubled on the weekends. (Much higher tail risks on weekends with much less expected returns: why would anyone hold a position over weekends) So if we run any sort of time series analysis on daily data, we are force-fitting a model on data with heterogeneous statistics that wont work well. The problem is, of course, much worse if we attempt time series analysis on intraday bars. Not only are we faced with the weekend gap, in the case of stocks or ETFs we are faced with the overnight gap as well. Here is a table of comparison for AUDCAD 15-min returns vs weekend returns from 2009 01 01-2015 06 16: AUDCAD 15-min returns Mean Returns (bps) Mean Absolute Returns (bps) Kurtosis (3 is 8220normal8221) In this case, every important statistic is different (and it is noteworthy that kurtosis is actually lower on the weekends here, illustrating the mean-reverting character of this time series.) So how should we predict intraday returns with data that has weekend gaps (The same solution should apply to overnight gaps for stocks, and so omitted in the following discussion.) Lets consider several proposals: 1) Just delete the weekend returns, or set them as NaN in Matlab, or missing values NA in R. This wont work because the first few bars of a week isnt properly predicted by the last few bars of the previous week. We shouldnt use any linear model built with daily or intraday data to predict the returns of the first few bars of a week, whether or not that model contains data with weekend gaps. As for how many bars constitute the first few bars, it depends on the lookback of the model. (Notice I emphasize linear model here because some nonlinear models can deal with large jumps during the weekends appropriately.) 2) Just pretend the weekend returns are no different from the daily or intraday returns when building training the time series model, but do not use the model for predicting weekend returns. D. h. do not hold positions over the weekends. This has been the default, and perhaps simplest (naive) way of handling this issue for many traders, and it isnt too bad. The predictions for the first few bars in a week will again be suspect, as in 1), so one may want to refrain from trading then. The model built this way isnt the best possible one, but then we dont have to be purists. 3) Use only the most recent period without a gap to train the model. So for an intraday FX model, we would be using the bars in the previous week, sans the weekends, to train the model. Do not use the model for predicting weekend returns nor the first few bars of a week. This sounds fine, except that there is usually not enough data in just a week to build a robust model, and the resulting model typically suffers from severe data snooping bias. You might think that it should be possible to concatenate data from multiple gapless periods to form a larger training set. This concatenation does not mean just piecing together multiple weeks time series into one long time series - that would be equivalent to 2) and wrong. Concatenation just means that we maximize the total log likelihood of a model over multiple independent time series, which in theory can be done without much fuss since log likelihood (i. e. log probability) of independent data are additive. But in practice, most pre-packaged time series model programs do not have this facility. (Do add a comment if anyone knows of such a package in Matlab, R, or Python) Instead of modifying the guts of a likelihood-maximization routine of a time series fitting package, we will examine a short cut in the next proposal. 4) Rather than using a pre-packaged time series model with maximum likelihood estimation, just use an equivalent multiple linear regression (LR) model. Then just fit the training data with this LR model with all the data in the training set except the weekend bars, and use it for predicting all future bars except the weekend bars and the first few bars of a week. This conversion of a time series model into a LR model is fairly easy for an autoregressive model AR(p), but may not be possible for an autoregressive moving average model ARMA(p, q). This is because the latter involves a moving average of the residuals, creating a dependency which I dont know how to incorporate into a LR. But I have found that AR(p) model, due to its simplicity, often works better out-of-sample than ARMA models anyway. It is of course, very easy to just omit certain data points from a LR fit, as each data point is presumed independent. Here is a plot of the out-of-sample cumulative returns of one such AR model built for predicting 15-minute returns of NOKSEK, assuming midpoint executions and no transaction costs (click to enlarge.)