Guía del principiante para el comercio cuantitativo En este artículo voy a presentarle algunos de los conceptos básicos que acompañan a un sistema de comercio cuantitativo de extremo a extremo. Esperamos que este post sirva a dos audiencias. La primera será las personas que tratan de obtener un empleo en un fondo como un comerciante cuantitativo. El segundo será los individuos que desean intentar y fijar su propio negocio de negociación algorítmico al por menor. El comercio cuantitativo es un área extremadamente sofisticada de finanzas cuantitativas. Puede tomar una cantidad significativa de tiempo para obtener el conocimiento necesario para pasar una entrevista o construir sus propias estrategias comerciales. No sólo eso, sino que requiere una amplia experiencia en la programación, al menos en un lenguaje como MATLAB, R o Python. Sin embargo, a medida que aumenta la frecuencia de negociación de la estrategia, los aspectos tecnológicos se vuelven mucho más relevantes. Por lo tanto, estar familiarizado con C / C será de suma importancia. Un sistema de comercio cuantitativo consta de cuatro componentes principales: Identificación de la Estrategia - Encontrar una estrategia, explotar una ventaja y decidir sobre la frecuencia de negociación Estrategia Backtesting - Obtención de datos, análisis del desempeño de la estrategia y eliminación de sesgos Sistema de ejecución - Vinculación a un corretaje, automatización del comercio y minimización Costos de transacción Gestión de Riesgos - Asignación de capital óptima, tamaño de la apuesta / criterio de Kelly y la psicología comercial Bien comience por echar un vistazo a cómo identificar una estrategia comercial. Identificación de la estrategia Todos los procesos de negociación cuantitativa comienzan con un período inicial de investigación. Este proceso de investigación abarca la búsqueda de una estrategia, ver si la estrategia encaja en una cartera de otras estrategias que puede ejecutar, la obtención de cualquier información necesaria para probar la estrategia y tratar de optimizar la estrategia para mayores retornos y / o menor riesgo. Debe tener en cuenta sus propios requisitos de capital si ejecuta la estrategia como un comerciante minorista y cómo los costos de transacción afectarán a la estrategia. Contrariamente a la creencia popular es en realidad bastante sencillo encontrar estrategias rentables a través de diversas fuentes públicas. Los académicos publican periódicamente los resultados comerciales teóricos (aunque en su mayor parte son brutos de los costos de transacción). Los blogs cuantitativos de finanzas discutirán las estrategias en detalle. Las revistas comerciales describirán algunas de las estrategias empleadas por los fondos. Usted puede preguntarse por qué las personas y las empresas están dispuestos a discutir sus estrategias rentables, sobre todo cuando saben que otros apiñando el comercio puede detener la estrategia de trabajar a largo plazo. La razón radica en el hecho de que no suelen discutir los parámetros exactos y los métodos de ajuste que han llevado a cabo. Estas optimizaciones son la clave para convertir una estrategia relativamente mediocre en una muy rentable. De hecho, una de las mejores maneras de crear sus propias estrategias únicas es encontrar métodos similares y luego llevar a cabo su propio procedimiento de optimización. Aquí hay una pequeña lista de lugares para comenzar a buscar ideas de estrategia: Muchas de las estrategias que verá caerán en las categorías de reversión media y seguimiento de tendencias / impulso. Una estrategia de inversión de media es aquella que intenta explotar el hecho de que existe una media a largo plazo en una serie de precios (como el diferencial entre dos activos correlacionados) y que las desviaciones a corto plazo de esta media eventualmente revertirán. Una estrategia de impulso intenta explotar tanto la psicología de los inversionistas como la estructura de los fondos grandes al atraer un paseo en una tendencia del mercado, que puede obtener ímpetu en una dirección y seguir la tendencia hasta que se invierte. Otro aspecto enormemente importante del comercio cuantitativo es la frecuencia de la estrategia comercial. Bajo frecuencia de negociación (LFT) generalmente se refiere a cualquier estrategia que tiene activos más largo que un día de negociación. Correspondientemente, el comercio de alta frecuencia (HFT) generalmente se refiere a una estrategia que mantiene activos intradía. El comercio de frecuencia ultra-alta (UHFT) se refiere a estrategias que tienen activos en el orden de segundos y milisegundos. Como un practicante de venta al por menor HFT y UHFT son ciertamente posibles, pero sólo con un conocimiento detallado de la pila de tecnología de negociación y la dinámica del libro de pedidos. No discutiremos estos aspectos en gran medida en este artículo introductorio. Una vez que se ha identificado una estrategia o un conjunto de estrategias, ahora es necesario probar la rentabilidad de los datos históricos. Ese es el dominio del backtesting. Estrategia Backtesting El objetivo del backtesting es proporcionar evidencia de que la estrategia identificada a través del proceso anterior es rentable cuando se aplica tanto a datos históricos como fuera de la muestra. Esto establece la expectativa de cómo la estrategia se llevará a cabo en el mundo real. Sin embargo, backtesting no es una garantía de éxito, por varias razones. Es quizás el área más sutil del comercio cuantitativo, ya que conlleva numerosos sesgos, que deben ser cuidadosamente considerados y eliminados en la medida de lo posible. Discutiremos los tipos comunes de sesgo, incluyendo el sesgo prospectivo. El sesgo de supervivencia y el sesgo de optimización (también conocido como sesgo de snooping de datos). Otras áreas de importancia dentro de backtesting incluyen la disponibilidad y limpieza de datos históricos, teniendo en cuenta los costos de transacción realistas y decidir sobre una sólida plataforma de backtesting. Discuta los costos de transacción más adelante en la sección de Sistemas de Ejecución a continuación. Una vez que se ha identificado una estrategia, es necesario obtener los datos históricos a través de los cuales realizar pruebas y, quizás, refinamiento. Hay un número significativo de proveedores de datos en todas las clases de activos. Sus costos generalmente varían con la calidad, profundidad y oportunidad de los datos. El punto de partida tradicional para comenzar comerciantes cuantitativamente (al menos en el nivel minorista) es utilizar el conjunto de datos gratuito de Yahoo Finance. No voy a pensar demasiado en los proveedores aquí, más bien me gustaría concentrarme en los problemas generales cuando se trata de conjuntos de datos históricos. Las principales preocupaciones con los datos históricos incluyen la precisión / limpieza, el sesgo de supervivencia y el ajuste para las acciones corporativas, tales como dividendos y divisiones de stock: Exactitud se refiere a la calidad general de los datos - si contiene errores. Los errores a veces pueden ser fáciles de identificar, como con un filtro de espiga. Que seleccionará picos incorrectos en datos de series de tiempo y corregirá para ellos. En otras ocasiones pueden ser muy difíciles de detectar. A menudo es necesario tener dos o más proveedores y, a continuación, comprobar todos sus datos entre sí. El sesgo de supervivencia es a menudo una característica de los conjuntos de datos gratuitos o baratos. Un conjunto de datos con sesgo de supervivencia significa que no contiene activos que ya no son comerciales. En el caso de las acciones, esto significa acciones enajenadas / quebradas. Este sesgo significa que cualquier estrategia de negociación de valores probada en un conjunto de datos de este tipo probablemente funcionará mejor que en el mundo real ya que los ganadores históricos ya han sido preseleccionados. Las acciones corporativas incluyen actividades logísticas llevadas a cabo por la empresa que suelen provocar un cambio de paso en el precio bruto, que no debe ser incluido en el cálculo de las devoluciones del precio. Los ajustes por dividendos y divisiones de acciones son los culpables comunes. En cada una de estas acciones es necesario realizar un proceso conocido como ajuste posterior. Uno debe tener mucho cuidado de no confundir una división de acciones con un verdadero ajuste de devoluciones. Muchos comerciantes han sido atrapados por una acción corporativa Para llevar a cabo un procedimiento de backtest es necesario utilizar una plataforma de software. Usted tiene la opción entre software de backtest dedicado, como Tradestation, una plataforma numérica como Excel o MATLAB o una implementación personalizada completa en un lenguaje de programación como Python o C. No me quedaré demasiado en Tradestation (o similar), Excel o MATLAB, ya que creo en la creación de una pila de tecnología completa en la casa (por las razones descritas a continuación). Uno de los beneficios de hacerlo es que el software de backtest y el sistema de ejecución pueden estar estrechamente integrados, incluso con estrategias estadísticas muy avanzadas. Para las estrategias HFT en particular, es esencial utilizar una implementación personalizada. Cuando backtesting un sistema uno debe ser capaz de cuantificar qué tan bien está realizando. La métrica estándar de la industria para las estrategias cuantitativas es la reducción máxima y la relación de Sharpe. La desgravación máxima caracteriza la mayor caída de pico a vaciado en la curva de patrimonio de la cuenta durante un período de tiempo particular (generalmente anual). Esto se cita más a menudo como un porcentaje. Las estrategias LFT tienden a tener mayores tiradas que las estrategias HFT, debido a una serie de factores estadísticos. Un backtest histórico demostrará el máximo drenaje pasado, que es una buena guía para el funcionamiento futuro de la reducción de la estrategia. La segunda medición es la relación de Sharpe, que se define heurísticamente como la media de los rendimientos excedentes divididos por la desviación estándar de esos rendimientos excedentes. Aquí, el exceso de retornos se refiere al retorno de la estrategia por encima de un punto de referencia predeterminado. Como el SP500 o un bono del Tesoro a tres meses. Tenga en cuenta que la rentabilidad anualizada no es una medida utilizada normalmente, ya que no tiene en cuenta la volatilidad de la estrategia (a diferencia del Índice de Sharpe). Una vez que una estrategia ha sido backtested y se considera que está libre de sesgos (en la medida de lo posible), con un buen Sharpe y reducir las reducciones, es el momento de construir un sistema de ejecución. Sistemas de Ejecución Un sistema de ejecución es el medio por el cual la lista de operaciones generadas por la estrategia son enviadas y ejecutadas por el corredor. A pesar de que la generación comercial puede ser semiautomática o totalmente automatizada, el mecanismo de ejecución puede ser manual, semi-manual (es decir, un clic) o totalmente automatizado. Para las estrategias LFT, las técnicas manuales y semi-manuales son comunes. Para las estrategias de HFT es necesario crear un mecanismo de ejecución totalmente automatizado, que a menudo estará estrechamente vinculado con el generador de comercio (debido a la interdependencia de la estrategia y la tecnología). Las consideraciones clave al crear un sistema de ejecución son la interfaz con la correduría. Minimización de los costos de transacción (incluyendo la comisión, el deslizamiento y la propagación) y la divergencia del desempeño del sistema en vivo con el desempeño backtestado. Hay muchas formas de interactuar con una correduría. Que van desde llamar a su agente en el teléfono a través de una totalmente automatizada de alto rendimiento de la interfaz de programación de aplicaciones (API). Idealmente, desea automatizar la ejecución de sus operaciones, tanto como sea posible. Esto le libera para concentrarse en la investigación adicional, así como le permiten ejecutar múltiples estrategias o incluso estrategias de mayor frecuencia (de hecho, HFT es esencialmente imposible sin la ejecución automatizada). El software común de backtesting descrito anteriormente, como MATLAB, Excel y Tradestation, son buenos para estrategias de menor frecuencia y más sencillas. Sin embargo, será necesario construir un sistema de ejecución interno escrito en un lenguaje de alto rendimiento como C para hacer cualquier HFT real. Como una anécdota, en el fondo que solía ser empleado en, tuvimos un bucle de 10 minutos de comercio donde se descarga nuevos datos de mercado cada 10 minutos y luego ejecutar operaciones basadas en esa información en el mismo marco de tiempo. Esto estaba utilizando una escritura optimizada de Python. Para cualquier cosa que se aproxima a los datos de frecuencia minuto o segunda, creo que C / C sería más ideal. En un fondo más grande no es a menudo el dominio del comerciante del quant para optimizar la ejecución. Sin embargo, en las tiendas más pequeñas o las empresas de HFT, los comerciantes son los ejecutores y por lo que un nivel de competencia mucho más amplio es a menudo deseable. Tener esto en mente si desea ser empleado de un fondo. Sus habilidades de programación serán tan importantes, si no más, que sus estadísticas y talentos de econometría Otra cuestión importante que cae bajo la bandera de la ejecución es la minimización de costos de transacción. Generalmente hay tres componentes a los costos de transacción: Las comisiones (o impuestos), que son los cargos cobrados por la correduría, el intercambio y el deslizamiento de la SEC (o un organismo regulador gubernamental similar), que es la diferencia entre lo que usted pensó que su pedido fuera Llenado en comparación con lo que realmente se llenó en el spread, que es la diferencia entre el precio de oferta / demanda de la seguridad que se negocian. Tenga en cuenta que el diferencial no es constante y depende de la liquidez actual (es decir, disponibilidad de órdenes de compra / venta) en el mercado. Los costos de transacción pueden hacer la diferencia entre una estrategia extremadamente rentable con una buena relación de Sharpe y una estrategia extremadamente poco rentable con una proporción terrible de Sharpe. Puede ser un desafío para predecir correctamente los costos de transacción de un backtest. Dependiendo de la frecuencia de la estrategia, necesitará tener acceso a los datos históricos de intercambio, los cuales incluirán datos de tick para los precios de oferta / solicitud. Equipos enteros de quants se dedican a la optimización de la ejecución en los fondos más grandes, por estas razones. Considere el escenario en el que un fondo necesita descargar una cantidad sustancial de operaciones (de las cuales las razones para hacerlo son muchas y variadas). Al depositar tantas acciones en el mercado, deprimirán rápidamente el precio y no podrán obtener una ejecución óptima. De ahí que los algoritmos que gotean pedidos de alimentación en el mercado existen, aunque entonces el fondo corre el riesgo de deslizamiento. Además, otras estrategias se aprovechan de estas necesidades y pueden explotar las ineficiencias. Este es el dominio del arbitraje de la estructura del fondo. El último problema importante para los sistemas de ejecución se refiere a la divergencia del desempeño de la estrategia con el rendimiento respaldado. Esto puede suceder por varias razones. Ya hemos discutido el sesgo prospectivo y el sesgo de optimización en profundidad, al considerar los backtests. Sin embargo, algunas estrategias no facilitan la comprobación de estos sesgos antes de la implementación. Esto ocurre en HFT más predominantemente. Puede haber bugs en el sistema de ejecución, así como la estrategia de comercio en sí que no se muestran en un backtest pero DO mostrar en el comercio en vivo. El mercado puede haber estado sujeto a un cambio de régimen posterior al despliegue de su estrategia. Los nuevos entornos regulatorios, el cambio del sentimiento de los inversionistas y los fenómenos macroeconómicos pueden conducir a divergencias en el comportamiento del mercado y, por lo tanto, en la rentabilidad de su estrategia. Gestión de Riesgos La última pieza del rompecabezas de negociación cuantitativa es el proceso de gestión de riesgos. El riesgo incluye todos los sesgos anteriores que hemos discutido. Incluye el riesgo de la tecnología, tales como servidores co-ubicados en el intercambio de repente el desarrollo de un mal funcionamiento del disco duro. Incluye riesgo de corretaje, como el corredor que se quiebra (no tan loco como parece, dado el reciente susto con MF Global). En resumen, cubre casi todo lo que podría interferir con la aplicación de comercio, de los cuales hay muchas fuentes. Los libros enteros se dedican a la gestión del riesgo para las estrategias cuantitativas así que no intentaré aclarar sobre todas las posibles fuentes de riesgo aquí. La gestión de riesgos también abarca lo que se conoce como asignación óptima de capital. Que es una rama de la teoría de la cartera. Este es el medio por el cual el capital se asigna a un conjunto de estrategias diferentes ya los oficios dentro de esas estrategias. Es un área compleja y se basa en algunas matemáticas no triviales. El estándar de la industria por el cual la asignación óptima del capital y el apalancamiento de las estrategias se relacionan se llama el criterio de Kelly. Puesto que esto es un artículo introductorio, no voy a detenerme en su cálculo. El criterio de Kelly hace algunas suposiciones acerca de la naturaleza estadística de los retornos, que a menudo no son verdad en los mercados financieros, por lo que los comerciantes son a menudo conservadores en lo que respecta a la implementación. Otro componente clave de la gestión de riesgos es el trato con el propio perfil psicológico. Hay muchos prejuicios cognitivos que pueden arrastrarse a la negociación. Aunque esto es sin duda menos problemático con el comercio algorítmico si la estrategia se deja solo Un sesgo común es el de la aversión a la pérdida donde una posición perdedora no se cerrará debido al dolor de tener que realizar una pérdida. Del mismo modo, los beneficios pueden ser tomados demasiado pronto porque el miedo de perder un beneficio ya ganado puede ser demasiado grande. Otro sesgo común se conoce como sesgo de recency. Esto se manifiesta cuando los comerciantes ponen demasiado énfasis en los acontecimientos recientes y no en el largo plazo. Luego, por supuesto, hay el clásico par de prejuicios emocionales - el miedo y la codicia. Éstos a menudo pueden conducir a sub o sobre-apalancamiento, lo que puede provocar la explosión (es decir, la partida de equidad de la cuenta a cero o peor) o beneficios reducidos. Resumen Como puede verse, el comercio cuantitativo es un área de finanzas cuantitativas extremadamente compleja, aunque muy interesante. Literalmente he rayado la superficie del tema en este artículo y ya está recibiendo bastante largo Se han escrito libros enteros y documentos sobre cuestiones que sólo he dado una oración o dos hacia. Por esa razón, antes de solicitar puestos de trabajo cuantitativos de comercio de fondos, es necesario llevar a cabo una cantidad significativa de estudio de base. Por lo menos necesitarás un amplio fondo en estadísticas y econometría, con mucha experiencia en la implementación, a través de un lenguaje de programación como MATLAB, Python o R. Para estrategias más sofisticadas en el extremo de mayor frecuencia, tu conjunto de habilidades es probable Para incluir la modificación del kernel de Linux, C / C, programación de ensamblaje y optimización de latencia de red. Si usted está interesado en tratar de crear sus propias estrategias de negociación algorítmica, mi primera sugerencia sería ser bueno en la programación. Mi preferencia es construir tanto de la captura de datos, la estrategia backtester y el sistema de ejecución por ti mismo como sea posible. Si su propio capital está en la línea, no dormir mejor por la noche sabiendo que ha probado completamente su sistema y son conscientes de sus peligros y problemas particulares Outsourcing esto a un proveedor, mientras que potencialmente ahorrar tiempo en el corto plazo, podría ser extremadamente Caro en el largo plazo. Como cualquier persona que presta atención al mercado, el SampP500 está abajo nueve días en una fila. Tuve varias personas me escriben sobre esto. Estuve hablando con un amigo comercial durante el fin de semana sobre esto. Nueve días abajo parece malo. Coloquemos esto en un contexto más amplio. Hasta dónde hemos bajado en esos nueve días? Sólo 3.07. Ahora que me hizo pensar es 3,07 en nueve días que mal Mi reciente investigación ha sido sobre la volatilidad Exchange Traded Products. Mi foco ha estado en los oficios largos usando VXX y XIV. Aunque VXX tiene una tendencia bajista muy fuerte, no soy un fan de desarrollar estrategias cortas en él debido al riesgo al alza enorme. Escribí sobre XIV aquí y expresé algunos de los peligros de negociar estos ETFs. Yo estaba en una reciente charla de los comerciantes del noroeste y analistas técnicos del grupo donde presentaron una estrategia de VXX con algunos números de devolución y retiro enorme. El comercio esto sería muy difícil. Esto me hizo pensar. Si tuviera una estrategia como esta, cómo podría domar los números? A través de los años, he visto varias ideas acerca de cómo hacer esto, pero nunca miré en él. Buscando en la web se pueden encontrar diversas estrategias de la ETF de la volatilidad con vueltas muy altas y altas reducciones. He encontrado uno que parecía interesante y tenía un montón de potencial para la optimización y mejora. Entonces, optimizé el infierno fuera de él buscando una variación con más de 100 CAGR. Encontré uno, pero nunca lo cambiaría porque me sobre ajusté los datos. Necesitaba algo para trabajar. En este corto video de cinco minutos responderé a las siguientes preguntas: Estoy interesado en saber un poco más sobre su propio comercio. Qué tipos de estrategias está negociando? Por qué no maneja fuera de dinero? Cuáles son los libros de comercio que recomienda? Tiene una negociación o AmiBroker u otra pregunta que usted quiere que yo responda? Si es así, agregue a los comentarios a continuación o rellene el formar. Good Quant Trading, 7 de septiembre de 2016 Un lector envió este interesante enlace sobre Up / Down Capture. La gran parte de este artículo es algo que he intuitivamente conocido sobre mis estrategias comerciales, pero nunca trató de cuantificar. Este fue el golpe que necesitaba para investigar este concepto. Cuando el SPY sube en promedio cuánto gana mi estrategia Cuando el SPY se mueve hacia abajo cuánto pierde mi estrategia Me divertí creando una hoja de cálculo interactiva donde puedes cambiar los números y ver los resultados de tu propia estrategia. Esta es una de las mejores hojas de cálculo que he hecho para el sitio. Para aquellos en mi lista de notificación de nuevo blog, envié la oportunidad de unirse a mí en un webinar de una hora donde la gente podría pedirme cualquier cosa sobre el comercio. Tuve un montón de diversión respondiendo un montón de grandes preguntas. Vea la parte inferior de la publicación para obtener enlaces para descargar los archivos mp3 de los webinars. Algunas preguntas, respondí son: Qué tipos de estrategias que está negociando Cuánto tiempo un período de bajo rendimiento que tolerar Cómo sabemos que tenemos un sistema robusto Walkforward vs Monte Carlo vs SPR vs otros Por qué no manejar fuera de dinero Soy yo Confundido que usted don8217t prefiere la tendencia comercial que sigue o los sistemas / las estrategias basados momentum. Puede explicar por qué? Cómo llegar a la idea subyacente para una nueva estrategia comercial y muchas preguntas más grandes La información y el análisis de este sitio se proporciona sólo con fines informativos. Nada en este documento debe interpretarse como un asesoramiento de inversión personalizado. Bajo ninguna circunstancia esta información representa una recomendación para comprar, vender o mantener ningún valor. Ninguna de la información de este sitio está garantizada para ser correcta, y cualquier cosa escrita aquí debe ser objeto de verificación independiente. Usted, y usted solo, es el único responsable de cualquier decisión de inversión que tome. Las ideas y estrategias nunca deben utilizarse sin antes evaluar su propia situación personal y financiera, o sin consultar a un profesional financiero. Puedo tener posiciones para mí o clientes en los valores o industrias mencionados aquí. Existe un grado muy alto de riesgo involucrado en la negociación de valores. El uso de cualquier información en este sitio es bajo su propio riesgo. Mis pensamientos y opiniones también cambiarán de vez en cuando a medida que aprenda y acumule más conocimiento. Después de trabajar con Cesar mi rendimiento comercial pasó de ser impredecible y apenas rentable a consistentemente rentable. No hay manera de ser gestión profesional de dinero hoy si no fuera por el asesoramiento profesional y la ayuda de Cesar Álvarez. - Mark Angil, RBD Adaptive, LLC. He conocido Cesar por 8 años y él es mi primer y principal recurso para la investigación de mercados financieros, el desarrollo de la estrategia cuantificada y la codificación. Rob Davenport - LCA Capital, LLC. Finalmente, me di cuenta de que la mayoría de los modelos que presentaron fueron diseñados por Cesar. Su trabajo es esclarecedor, informativo y muy fácil de entender, y eso es muy refrescante ver en el mundo Quant. Estrategias cuantitativas - son para usted Las estrategias de inversión cuantitativa se han convertido en herramientas muy complejas con la llegada de las computadoras modernas, pero las raíces de las estrategias se remontan a más de 70 años. Por lo general son dirigidos por equipos altamente educados y utilizan modelos patentados para aumentar su capacidad de superar el mercado. Incluso hay programas disponibles que son plug-and-play para aquellos que buscan simplicidad. Los modelos Quant siempre funcionan bien cuando se prueban de nuevo, pero sus aplicaciones actuales y la tasa de éxito son discutibles. Aunque parecen funcionar bien en los mercados alcistas. Cuando los mercados se estropean, las estrategias cuantitativas están sujetas a los mismos riesgos que cualquier otra estrategia. La Historia Uno de los padres fundadores del estudio de la teoría cuantitativa aplicada a las finanzas fue Robert Merton. Sólo se puede imaginar lo difícil y lento que fue el proceso antes del uso de las computadoras. Otras teorías en finanzas también evolucionaron a partir de algunos de los primeros estudios cuantitativos, incluyendo la base de la diversificación de la cartera basada en la teoría de la cartera moderna. El uso de la financiación cuantitativa y el cálculo llevó a muchas otras herramientas comunes, incluyendo uno de los más famosos, la opción Black-Scholes fórmula de fijación de precios, que no sólo ayuda a los inversores opciones de precios y desarrollar estrategias, sino que ayuda a mantener los mercados en jaque con liquidez. Cuando se aplica directamente a la gestión de cartera. El objetivo es como cualquier otra estrategia de inversión. Para agregar valor, alfa o exceso de devoluciones. Quants, como se llaman los desarrolladores, componen modelos matemáticos complejos para detectar oportunidades de inversión. Hay tantos modelos por ahí como quants que los desarrollan, y todos dicen ser los mejores. Uno de los puntos más vendidos de una estrategia de inversión cuantitativa es que el modelo, y en última instancia la computadora, hace que la decisión real de compra / venta no sea un ser humano. Esto tiende a eliminar cualquier respuesta emocional que una persona puede experimentar al comprar o vender inversiones. Las estrategias de Quant son ahora aceptadas en la comunidad de inversión y administradas por fondos mutuos, hedge funds e inversores institucionales. Por lo general, van por el nombre de generadores alfa. O alfa gens. Detrás de la cortina Al igual que en El mago de Oz, alguien está detrás de la cortina de conducción del proceso. Como con cualquier modelo, su solamente tan bueno como el ser humano que desarrolla el programa. Aunque no existe un requisito específico para convertirse en un cuantí, la mayoría de las empresas que ejecutan modelos cuantitativos combinan las habilidades de los analistas de inversiones, los estadísticos y los programadores que codifican el proceso en los ordenadores. Debido a la compleja naturaleza de los modelos matemáticos y estadísticos, es común ver credenciales como títulos de posgrado y doctorados en finanzas, economía, matemáticas e ingeniería. Históricamente, estos miembros del equipo trabajaban en las oficinas secundarias. Pero a medida que los modelos cuantitativos se hicieron más comunes, la oficina se está moviendo a la oficina. Beneficios de las estrategias cuantitativas Mientras que la tasa de éxito global es discutible, la razón por la cual algunas estrategias cuantitativas funcionan es que se basan en la disciplina. Si el modelo es correcto, la disciplina mantiene la estrategia trabajando con computadoras de velocidad de rayo para explotar ineficiencias en los mercados basadas en datos cuantitativos. Los propios modelos pueden basarse en tan pocas relaciones como P / E. La deuda a la equidad y el crecimiento de los beneficios, o utilizar miles de insumos trabajando juntos al mismo tiempo. Las estrategias exitosas pueden captar las tendencias en sus primeras etapas, ya que los ordenadores constantemente ejecutan escenarios para localizar ineficiencias antes de que otros lo hagan. Los modelos son capaces de analizar un grupo muy grande de inversiones simultáneamente, donde el analista tradicional puede estar viendo sólo unos pocos a la vez. El proceso de selección puede calificar el universo por niveles de grado como 1-5 o A-F dependiendo del modelo. Esto hace que el proceso de comercio real muy sencillo invirtiendo en las inversiones altamente calificados y la venta de los de baja calificación. Los modelos de Quant también abren variaciones de estrategias como largas, cortas y largas / cortas. Los fondos exitosos cuantitativos mantienen un buen ojo en el control de riesgos debido a la naturaleza de sus modelos. La mayoría de las estrategias comienzan con un universo o un punto de referencia y utilizan ponderaciones sectoriales e industriales en sus modelos. Esto permite a los fondos controlar la diversificación hasta cierto punto sin comprometer el modelo en sí. Los fondos Quant generalmente se ejecutan en una base de costos más bajos porque no necesitan tantos analistas tradicionales y administradores de cartera para ejecutarlos. Desventajas de las estrategias cuantitativas Hay razones por las que muchos inversores no aceptan plenamente el concepto de dejar que una caja negra ejecute sus inversiones. Para todos los fondos exitosos por ahí, al igual que muchos parecen ser infructuosos. Desafortunadamente para la reputación de los quants, cuando fallan, fallan grande. Long-Term Capital Management fue uno de los fondos de cobertura cuantitativa más famosos, ya que fue dirigido por algunos de los líderes académicos más respetados y dos economistas ganadores del Premio Nobel, Myron S. Scholes y Robert C. Merton. Durante la década de 1990, su equipo generó rendimientos por encima de la media y atrajo capital de todo tipo de inversionistas. Eran famosos no sólo por explotar las ineficiencias, sino también por el fácil acceso al capital para crear enormes apuestas apalancadas en las direcciones del mercado. La naturaleza disciplinada de su estrategia realmente creó la debilidad que llevó a su colapso. La Administración de Capital a Largo Plazo fue liquidada y disuelta a principios de 2000. Sus modelos no incluían la posibilidad de que el gobierno ruso pudiera incumplir una parte de su propia deuda. Este evento desencadenó eventos y una reacción en cadena aumentada por el estrago causado por el apalancamiento. LTCM estaba tan involucrado en otras operaciones de inversión que su colapso afectó a los mercados mundiales, desencadenando eventos dramáticos. A la larga, la Reserva Federal intervino para ayudar, y otros bancos y fondos de inversión apoyaron a LTCM para evitar cualquier daño adicional. Esta es una de las razones por las cuales los fondos pueden fallar, ya que se basan en hechos históricos que pueden no incluir eventos futuros. Mientras que un equipo fuerte de los factores estará constantemente agregando nuevos aspectos a los modelos para predecir eventos futuros, es imposible predecir el futuro cada vez. Los fondos Quant también pueden quedar abrumados cuando la economía y los mercados están experimentando una volatilidad superior a la media. Las señales de compra y venta pueden llegar tan rápido que la alta facturación puede crear comisiones altas y eventos imponibles. Los fondos Quant también pueden representar un peligro cuando se comercializan como a prueba de oso o se basan en estrategias cortas. Predicción de recesiones. El uso de derivados y la combinación de apalancamiento puede ser peligroso. Un giro equivocado puede llevar a implosiones, que a menudo hacen la noticia. La línea de fondo Las estrategias de inversión cuantitativas han evolucionado desde las cajas negras de la oficina principal hasta las herramientas de inversión convencionales. Están diseñados para utilizar las mejores mentes en el negocio y las computadoras más rápidas tanto para explotar las ineficiencias y el uso de apalancamiento para hacer apuestas en el mercado. Pueden ser muy exitosos si los modelos han incluido todas las entradas correctas y son lo suficientemente ágiles para predecir eventos anormales del mercado. Por otro lado, mientras los fondos cuantitativos son rigurosamente probados hasta que funcionan, su debilidad es que se basan en datos históricos para su éxito. Mientras que la inversión de estilo cuantitativo tiene su lugar en el mercado, es importante ser consciente de sus deficiencias y riesgos. Ser coherente con las estrategias de diversificación. Es una buena idea tratar estrategias cuantitativas como un estilo inversor y combinarlo con estrategias tradicionales para lograr una diversificación adecuada.
No comments:
Post a Comment