Un artículo para comprender los secretos del trading algorítmico, predecir riesgos y rendimientos.

El comercio algorítmico ha ganado popularidad en los últimos años. De hecho, según las estadísticas, la industria de los hedge fund cuantitativos gestionó más de 1 billón de dólares en activos en 2018, casi el doble que hace 10 años.

En la era de la digitalización y el aprendizaje automático, la comunidad inversora está cada vez más interesada en formas de cuantificar el proceso de inversión. Cada vez más empresas tradicionales de gestión de inversiones están contratando científicos de datos y especialistas en aprendizaje automático con la esperanza de mejorar los rendimientos con un enfoque científico riguroso para invertir.

En esta serie de artículos, lo guiaré a través de los secretos de funcionamiento interno poco conocidos de la industria del comercio algorítmico.

Origen

Las ideas de inversión cuantitativa no son nuevas, probablemente se originaron en los escritos de Harry Markowitz. En su artículo seminal "Selección de cartera", publicado en el Journal of Finance en 1952, Markowitz introdujo la idea de aplicar modelos matemáticos para resolver asignaciones de cartera óptimas.

Desde entonces, han surgido muchos algoritmos avanzados debido al crecimiento explosivo de la tecnología en las últimas dos décadas. A medida que aumenta el poder de cómputo, más y más matemáticos e informáticos se involucran en empresas científicas, desarrollando modelos más complejos cada día.

Para comprender el comercio algorítmico, quizás el mejor punto de partida sea la naturaleza del problema que resuelve: aumentar los rendimientos y reducir el riesgo.

Aunque discutiremos estos dos conceptos en detalle en artículos posteriores, hay un punto en el que el núcleo del problema siempre ha sido la optimización.Desde un punto de vista matemático, ¡el comercio algorítmico debe basarse en la ciencia!

Todo el proceso de inversión cuantitativa está sujeto al principio de optimización, si lo piensas bien, ¿es esto cierto para cualquier empresa?

El quid del problema es cómo predecir los rendimientos y los riesgos.

Esto es lo que hacen los comerciantes e investigadores cuantitativos: pronosticar rendimientos y riesgos. La forma de cuantificación se adapta a las condiciones locales, pero el propósito es el mismo.

Predecir riesgos y beneficios

LBank Blue Shell lanzará MATIC a las 20:00 el 27 de mayo: Según el anuncio oficial, LBank Blue Shell (LBank.me) lanzará MATIC (Polygon) a las 20:00 el 27 de mayo y, al mismo tiempo, lanzará transacciones de red. y transacciones abiertas de USDT Los depósitos estarán disponibles a las 16:00 el 27 de mayo y los retiros estarán disponibles a las 16:00 el 29 de mayo. Según los datos, MaticNetwork ahora pasa a llamarse Polygon. MaticNetwork es una plataforma de escalabilidad de segunda capa que permite transacciones fuera de la cadena rápidas, simples y seguras, no solo para transacciones de pago, sino también para contratos inteligentes fuera de la cadena generalizados. [2021/5/27 22:49:27]

¿Cómo hacen los comerciantes e investigadores sus pronósticos? Hay muchas formas, una es analizar estadísticamente los precios de los activos financieros y la otra es analizar conjuntos de datos alternativos.

Un ejemplo bien conocido de un conjunto de datos alternativo son las imágenes satelitales del estacionamiento de un gran minorista. Si hay muchos autos estacionados en el estacionamiento y una gran cantidad de personas compran, ¡las ganancias de la empresa serán aún mayores!

El ejemplo anterior cae dentro de la categoría de Comportamiento del Consumidor, y hay muchos otros. La industria de datos alternativos ha florecido durante la última década, con casi la mitad de todas las firmas de fondos de cobertura confiando en dichos datos para sus inversiones al momento de escribir este artículo.

El principal impulsor del crecimiento de la industria de datos alternativos es que permite a los administradores de fondos predecir los rendimientos futuros mejor que el consenso del mercado.

Los buenos datos son solo una de varias otras fortalezas en las que confían los administradores de dinero para aumentar las ganancias.

Desafíos

En la práctica, predecir riesgos y beneficios es una tarea desafiante porque la cantidad de datos adquiridos es muy grande y los datos son muy complicados.

Además, si una persona puede predecir rendimientos con cierta precisión y comerciar en función de sus predicciones, la precisión de sus predicciones disminuirá con el tiempo.

De hecho, si alguien predice que una cierta acción aumentará de valor cuando ocurra un determinado evento, la estrategia comercial es comprar la acción cada vez que ocurra tal evento y venderla de nuevo al mercado después de ganar dinero.

Una consecuencia de esta estrategia es que, al comprar acciones, aumenta el precio de las acciones, paga más para recomprarlas y, por lo tanto, obtiene menos ganancias de las que teóricamente merece.

Si la persona solo compra una pequeña porción de las acciones, entonces no aumentará el precio de las acciones. En la jerga financiera, no tiene influencia en el mercado. Entonces, si va a negociar según su pronóstico, tiene que lograr un equilibrio entre el bajo impacto y comprar la mayor cantidad de acciones posible para obtener ganancias.

Continuemos con este ejemplo y supongamos que otros participantes del mercado también tienen buenas previsiones para la acción. Estos otros participantes del mercado terminan comprando las acciones también, y su influencia acumulada en el mercado termina empujando las acciones al alza, reduciendo las mayores ganancias que el comerciante habría obtenido.

Este es un factor clave en el comercio cuantitativo, las estrategias tienden a tener rendimientos decrecientes durante largos períodos de tiempo, por lo que los comerciantes deben recalibrar sus estrategias y aplicar otras nuevas.

Carrera a cero

Otra ventaja es una mejor infraestructura técnica. Si una empresa puede comerciar más rápido que otras en el mercado, obtendrá mejores rendimientos que los competidores que comercian con la misma información.

Esto ha llevado al desarrollo de la negociación de alta frecuencia, que se caracteriza por altas velocidades de procesamiento y ejecución, altas tasas de rotación (cambios rápidos en las posiciones de un activo) y altas tasas de transacción de órdenes (las órdenes enviadas al mercado rara vez encuentran una contraparte). ). Este tipo particular de comercio se basa en gran medida en datos financieros de alta frecuencia y herramientas de comercio electrónico.

Con la llegada del comercio de alta frecuencia, siempre habrá máquinas comerciales más rápidas, primero a través de la optimización del código y luego a través de otros métodos, desde ejecutar modelos en GPU (tarjetas gráficas) en lugar de CPU hasta arreglos de puertas programables (FPGA, un circuito integrado). que puede ser configurado por un programador) para ejecutarlo.

Otra forma en que las instituciones financieras, principalmente los fondos de cobertura cuantitativos, buscan obtener una ventaja de velocidad es aumentando la velocidad de comunicación entre los servidores y los diferentes lugares de negociación.

Un ejemplo famoso es el cable de fibra óptica que une la Bolsa Mercantil de Chicago con el NASDAQ de Nueva Jersey, que se completó en 2010 con un costo total de $300 millones. El cable permite que la información viaje 800 millas en 6,5 milisegundos, lo que equivale a una velocidad de 125 000 millas por segundo.

Para dar cabida a los comerciantes que desean operar más rápido, diferentes lugares de negociación han creado espacios de ubicación conjunta donde los diferentes participantes del mercado pueden colocar sus servidores de negociación cerca del motor de coincidencia.

Otros tipos de negociación algorítmica

Hay muchos otros tipos de estrategias comerciales algorítmicas, que cubriremos en artículos posteriores. Para dar algunos ejemplos:

Creación de mercado: haga que el precio de la orden de compra con límite sea continuamente más bajo que la orden de compra con límite más alto actual (precio de oferta más bajo), haga que la orden de venta con precio límite sea más alta que la orden de venta con límite más alto actual (precio de venta más alto), a partir de la diferencia de precio entre el precio de oferta y el precio de venta Beneficio (la diferencia entre el precio de venta más alto y el precio de oferta más bajo).

· Arbitraje estadístico: arbitraje de precios utilizando desviaciones de las relaciones estadísticas normales.

· Arbitraje de eventos: Arbitraje sobre eventos tales como fusiones y adquisiciones, aprobaciones de registro y fallos judiciales que afectan el precio de las acciones de una empresa.

· Arbitraje: Arbitraje aprovechando la diferencia de precios de algunos valores en múltiples mercados. Por ejemplo, si una acción tiene un precio de $100 en una bolsa, tiene un precio de $101 en otra bolsa. Compre una acción en el primer intercambio, véndala en el segundo y obtenga $ 1 en ganancias sin correr ningún riesgo.

· Negociación de contraprestación: se refiere a la creación de una cartera larga-corta que consta de dos valores (comprando un valor y vendiendo el otro en corto) que son sustitutos similares (como acciones en la misma industria), invirtiendo las ganancias de las diferencias de precios en sus valores relativos.

· Ejecución: Comprar o vender una gran cantidad de un valor determinado a un precio determinado. Su estrategia es dividir un pedido grande en pedidos pequeños y enviarlos al mercado. Por ejemplo, VWAP (precio promedio ponderado por volumen), el algoritmo VWAP busca un precio promedio ponderado por volumen cuyo precio de ejecución es igual a un período de tiempo determinado, y TWAP significa precio promedio ponderado en el tiempo.

Conclusión

Este artículo presenta las ideas principales detrás del comercio algorítmico, analiza las principales motivaciones detrás de su desarrollo, objetivos, desafíos y presenta brevemente las formas más populares de comercio.

Enlace original:

https://medium.com/the-capital/a-brief-introduction-to-algorithmic-trading-3b35ff012d72

Traductor: Aslan

Tags：

SOL