Quantitative Optionen Strategien

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 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, macht die tatsächliche buysell Entscheidung, nicht ein Mensch. Dies neigt dazu, jede emotionale Reaktion, die eine Person beim Kauf oder Verkauf von Investitionen erleben kann, zu entfernen. Quant-Strategien sind jetzt in der Investment-Community akzeptiert und von Investmentfonds, Hedgefonds und institutionellen Investoren. Sie gehen typischerweise unter dem 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 so wenig wie ein paar Verhältnisse wie PE basieren. Schulden zu Eigenkapital und Gewinnwachstum, oder verwenden Sie Tausende von Inputs zusammenarbeiten 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 Long, Short und Longshort. 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. Es ist eine gute Idee, quant Strategien als Investing-Stil zu behandeln und kombinieren sie mit traditionellen Strategien, um eine ordnungsgemäße Diversifizierung zu erreichen. Kategorie Archiv: Trading-Strategie Ich stieß auf diese Video-Serie über das Wochenende, ein Option Trader diskutiert, wie er tauscht Credit Spreads (vor allem sieht Für mittlere Reversion). Die meisten von Ihnen werden vertraut mit Bollinger-Bands als eine gemeinsame durchschnittliche Reversion-Strategie, im Wesentlichen nehmen Sie den gleitenden Durchschnitt und bewegenden Standardabweichung der Aktie. Sie zeichnen dann auf Ihrem Diagramm den gleitenden Durchschnitt und ein oberes und unteres Band (gleitender Durchschnitt - nstandard Abweichungen) auf. Es wird davon ausgegangen, dass der Preis auf den gleitenden Durchschnitt zurückgehen wird daher jeder Preis zu den Bands zu bewegen ist ein guter Einstiegspunkt. Ein gemeinsames Problem bei dieser Strategie ist, dass der gleitende Durchschnitt ein LAGGING-Indikator ist und oft sehr langsam ist, um die Kursbewegungen zu verfolgen, wenn ein langer Rückblickzeitraum verwendet wird. Video 1 präsentiert eine Technik namens 8220lineare Regression Kurven8221 etwa 10 Minuten in. Lineare Regression Kurven Ziel, das Problem der gleitenden Durchschnitt zu lösen ist langsam, um den Preis verfolgen. Linear Regression Curve vs Einfache Moving Average Sehen Sie, wie eng die blaue lineare Regressionskurve folgt dem engen Preis, es8217s deutlich schneller zu identifizieren Turns auf dem Markt, wo die einfachen gleitenden Durchschnitt hat erhebliche Tracking-Fehler. Das MSE könnte genommen werden, um die Dichtigkeit zu quantifizieren. Wie man die lineare Regressionskurve berechnet: In diesem Beispiel haben Sie 100 Schlusskurse für Ihren bestimmten Bestand. Bar 1 ist der älteste Preis, Bar 100 ist der jüngste Preis. Wir verwenden eine 20-Tage-Regression. 1. Nehmen Sie die Preise 1-20 und ziehen Sie die Linie der besten Passform durch sie. 2. Am Ende Ihrer besten Fit Linie (so Bar 20), ziehen Sie einen kleinen Kreis 3. Nehmen Sie die Preise 2-21 und ziehen Sie die Linie der besten Passform Durch sie 4. Am Ende deiner besten Linie (so Bar 21) einen kleinen Kreis zeichnen 5. Wiederholen Sie bis zu Balken 100 6. Verbinden Sie alle Ihre kleinen Kreise, dies ist Ihre 8216lineare Regressionskurve8217 So in einer Nußschale, die Sie gerade anschließen Enden einer rollenden linearen Regression. Dieser Beitrag untersucht, ob die bekannte Phrase 8220 je höher das Risiko, desto höher ist die Belohnung8221 für die FTSE 100 Bestandteile. Zahlreiche Modelle haben versucht, Risiko-Belohnungs-Metriken zu erfassen, das bekannteste ist das Capital Allocation Pricing Model (CAPM). CAPM versucht, die Rendite einer Investition zu quantifizieren, die ein Anleger erhalten muss, um das Risiko, das sie eingegangen sind, angemessen zu kompensieren. Der nachstehende Code berechnet die Standard-Standardabweichung der Renditen, 8216das Risiko8217, für die FTSE 100-Bestandteile. Anschließend werden die Bestände in Quartile nach dieser Risikometrik gegliedert, die Gruppen werden täglich aktualisiert. Quartil 1 ist der niedrigste Volatilitätsbestand, Quartil 2 der höchste. Für jeden Quartil wird ein gleich gewichteter (amt) Index angelegt. Gemäß der obigen Theorie sollte Q4 (high vol) die höchsten kumulativen Renditen erzeugen. Bei Verwendung eines 1-monatigen Rückblicks für die stdev-Berechnung gibt es einen deutlichen Gewinnerindex, den niedrigsten Index (schwarz). Interessanterweise ist der zweitbeste Index der höchste vol Index (blau). Die obige Grafik wird mit arithmetischen Renditen berechnet. Bei einem längeren Lookback von 250 Tagen, einem Handelsjahr, ist der höchste Vol-Index der beste Performer und der niedrigste vol Index der schlechteste Performer. Für einen kurzfristigen Rückblick (30 Tage) war der niedrige Vol-Index der beste Performer. Für langfristige Rückblicke (250 Tage) war der Hochleistungsindex der beste Performer. Eine mögliche Erklärung (nicht getestet) ist, dass bei einem kurzen Rückblick die Volatilitätsrisikometrik empfindlicher auf Bewegungen im Bestand ist Und folglich auf einem Nachrichtenanmerkungseinkommen hat der Vorrat eine höhere Wahrscheinlichkeit des Bewegens von it8217s gegenwärtigem Index in einen höheren vol Index. Vielleicht ist es nicht vernünftig anzunehmen, daß der hohe Vol-Index nur die Aktien enthält, die vor kurzem eine vorläufige Volatilität hatten und sich in einer Periode der Konsolidierung oder einer mittleren Reversion befinden. Oder um es für kurze Rückblicke anders auszudrücken, enthält der hohe Vol-Index die Bestände, die permanent hochvolumig sind, während für lange Rückblicke alle temporären Vol-Abweichungen geglättet werden. Unten sind die gleichen Diagramme wie oben, aber für geometrische Rückgaben.