Estratégia de negociação modelo alpha

Estratégia de negociação modelo Alpha
Otimizando estratégias de negociação sem superação.
20 de novembro de 2017 1:36 da manhã.
Otimizar os parâmetros de uma estratégia de negociação via backtesting tem um grande problema: geralmente não existem tradições históricas suficientes para alcançar significância estatística. Quaisquer que sejam os parâmetros ótimos encontrados, provavelmente, sofrerão um viés de bisbilhoto de dados, e pode não haver nada ótimo sobre eles no período fora da amostra. É por isso que a otimização de parâmetros das estratégias de negociação muitas vezes não agrega valor.
Por outro lado, otimizar os parâmetros de um modelo de séries temporais (como um máximo de probabilidade para um modelo autoregressivo ou GARCH) é mais robusto, uma vez que os dados de entrada são preços, não trades e temos muitos preços. Felizmente, verifica-se que existem maneiras inteligentes de tirar proveito da facilidade de otimização de modelos de séries temporais para otimizar parâmetros de uma estratégia de negociação.
Uma maneira elegante de otimizar uma estratégia comercial é utilizar os métodos de teoria de controle otimista estocástica - elegante, isto é, se você é matematicamente sofisticado e capaz de resolver analiticamente a equação Hamilton-Jacobi-Bellman (HJB) (veja Cartea et al. ) Mesmo assim, isso só funcionará quando a série temporal subjacente for bem conhecida, como o processo contínuo de Ornstein-Uhlenbeck (OU) que está subjacente a todas as séries de preços de reversão.
Esse processo de OU é perfeitamente representado por uma equação diferencial estocástica. Além disso, as equações HJB normalmente podem ser resolvidas exatamente se a função objetivo for de forma simples, como uma função linear. Se a sua série de preços passa a ser claramente representada por um processo de OU, e seu objetivo é a maximização de lucro que passa a ser uma função linear da série de preços, então a teoria de controle otimista estocástica lhe dará a estratégia de negociação analiticamente ótima: com entrada exata e limites de saída dados como funções dos parâmetros do processo de OU.
Não há mais necessidade de encontrar tais limiares ideais por tentativa e erro durante um tedioso processo de backtest, um processo que convida a superação de um número esparso de negócios. Como indicamos acima, os parâmetros do processo de OU podem ser adequadamente ajustados aos preços e, de fato, existe uma solução analítica de máxima verossimilhança para este ajuste, dado em Leung et. al.
Mas e se você quiser algo mais sofisticado do que o processo de OU para modelar sua série de preços ou exigir uma função objetiva mais sofisticada? E se, por exemplo, você quiser incluir um modelo GARCH para lidar com a volatilidade variável no tempo e otimizar a proporção Sharpe em vez disso? Em muitos desses casos, não há representação como uma equação diferencial estocástica contínua e, portanto, não há equação HJB a ser resolvida. Felizmente, ainda há uma maneira de otimizar sem superação.
Em muitos problemas de otimização, quando uma solução analítica ótima não existe, muitas vezes se voltam para simulações. Exemplos de tais métodos incluem o recozimento simulado e a cadeia de Markov Monte Carlo (MCMC). Aqui, devemos fazer o mesmo: se não pudéssemos encontrar uma solução analítica para a nossa estratégia de negociação ideal, mas poderia adequar-se bastante bem a uma série de preços subjacente a um modelo de série de tempo discreto padrão, como o ARMA, podemos simplesmente simular muitas instâncias de as séries de preços subjacentes.
Devolveremos nossa estratégia de negociação em cada instância da série de preços simulados e encontraremos os melhores parâmetros de negociação que mais freqüentemente geram a maior proporção de Sharpe. Esse processo é muito mais robusto do que aplicar um backtest às séries em tempo real, porque há apenas uma série de preços reais, mas podemos simular como muitas séries de preços (todos seguindo o mesmo processo ARMA) como queremos. Isso significa que podemos simular tantos negócios quanto queremos e obter parâmetros de negociação ótimos com uma precisão tão alta quanto quisermos. Isso é quase tão bom como uma solução analítica. (Veja o diagrama de fluxo abaixo que ilustra este procedimento.)
Aqui está um exemplo um tanto trivial desse procedimento. Queremos encontrar uma estratégia ótima que negocie AUDCAD em uma base horária. Primeiro, ajustamos um modelo AR (1) + GARCH (1,1) aos dados usando os índices intermediários do registro. O ajuste máximo de verossimilhança é feito usando uma janela de mudança de um ano de preços históricos, e o modelo é reposicionado a cada mês. Usamos a caixa de ferramentas Econometria do MATLAB para este ajuste. Uma vez que a seqüência dos modelos mensais é encontrada, podemos usá-los para prever ambos os índices do meio do registro no final das barras horárias, bem como a variância esperada dos retornos do log. Assim, uma estratégia de negociação simples pode ser testada: se o retorno de log esperado na próxima barra for superior a K vezes a volatilidade esperada (raiz quadrada de variância) do log retorna, compre AUDCAD e segure para uma barra e vice-versa para shorts . Mas qual é o K ideal?
Seguindo o procedimento descrito acima, cada vez que instalamos um novo modelo AR (1) + GARCH (1, 1), usamos isso para simular os preços do registro para o valor do mês seguinte de barras horárias. Na verdade, simulamos isso 1000 vezes, gerando 1.000 séries temporais, cada uma com o mesmo número de barras horárias em um mês. Então, nós simplesmente iteramos através de todo o valor razoável de K e lembramos quais K geram a maior razão de Sharpe para cada série de tempo simulada. Nós escolhemos o K que, na maioria das vezes, resulta na melhor relação Sharpe entre as 1.000 séries temporais simuladas (ou seja, escolhemos o modo de distribuição de Ks ótimos em toda a série simulada). Esta é a sequência de Ks (um por cada mês) que usamos para o nosso backtest final. Abaixo está uma distribuição de amostra de Ks ideal para um mês específico e a distribuição correspondente de razões de Sharpe:
Curiosamente, o modo do K ideal é 0 para qualquer mês. Isso certamente faz uma estratégia de negociação simples: apenas compre sempre que o retorno de log esperado seja positivo e vice-versa para shorts. O CAGR é cerca de 4,5% assumindo custos de transação zero e execuções de preço médio. Aqui está a curva de retorno acumulada:
Você pode exclamar: "Isso não pode ser otimizado, porque eu sou capaz de trocar barras AUDCAD por hora com retornos muito melhores e relação Sharpe!" Claro, o melhor neste caso significa apenas o melhor dentro de um certo universo de estratégias e assumindo um modelo subjacente de séries de preços AR (1) + GARCH (1, 1). Nosso universo de estratégias é bastante simplista: apenas compre ou venda com base no fato de o retorno esperado exceder um múltiplo da volatilidade esperada. Mas este procedimento pode ser estendido para qualquer modelo de série de preços que você assumir e qualquer universo de estratégias que você possa encontrar. Em todos os casos, reduz consideravelmente a chance de superação.
P. S .: Nós inventamos este procedimento para nosso próprio uso alguns meses atrás, emprestando idéias semelhantes da pesquisa computacional do Dr. Ng em sistemas de física de matéria condensada (veja Ng et al aqui ou aqui). Mas, mais tarde, descobrimos que um procedimento semelhante já foi descrito em um artigo de Carr et al.
Este artigo é apenas para membros PRO!
Acesse este artigo e 15.000 artigos PRO exclusivos de US $ 200 / m.
Interessado em atualizar para o PRO?
Reserve um compromisso com um Gerente de Contas PRO para ver se o PRO é ideal para você.

Quant Strategies - São para você?
As estratégias quantitativas de investimento evoluíram para ferramentas muito complexas com o advento dos computadores modernos, mas as raízes das estratégias remontam aos 70 anos. Geralmente são executados por equipes altamente educadas e usam modelos proprietários para aumentar sua capacidade de vencer o mercado. Existem até programas disponíveis que são plug-and-play para quem procura simplicidade. Quant modelos sempre funcionam bem quando testados, mas suas aplicações reais e taxa de sucesso são discutíveis. Embora pareçam funcionar bem nos mercados de touro, quando os mercados se afastam, as estratégias de quant estão sujeitas aos mesmos riscos que qualquer outra estratégia.
[As estratégias quantitativas de investimento tornaram-se extremamente populares entre os comerciantes do dia, mas elas não são as únicas estratégias que os comerciantes usam para obter lucro consistente. O Curso de Tradutor de Torneios de Dia da Invastopedia descreve uma estratégia comprovada que inclui seis tipos de negócios, juntamente com estratégias de gerenciamento de risco. Com mais de cinco horas de vídeo sob demanda, exercícios e conteúdo interativo, você ganhará as habilidades necessárias para negociar qualquer segurança em qualquer mercado.]
Um dos pais fundadores do estudo da teoria quantitativa aplicada ao financiamento foi Robert Merton. Você só pode imaginar o quão difícil e demorado o processo foi antes do uso de computadores. Outras teorias em finanças também evoluíram a partir de alguns dos primeiros estudos quantitativos, incluindo a base da diversificação do portfólio com base na moderna teoria da carteira. O uso de financiamento e cálculo quantitativo levou a muitas outras ferramentas comuns, incluindo uma das mais famosas, a fórmula de preços de opções Black-Scholes, que não só ajuda as opções de preços dos investidores e desenvolve estratégias, mas também ajuda a manter os mercados em risco com liquidez.
Quando aplicado diretamente ao gerenciamento de portfólio, o objetivo é como qualquer outra estratégia de investimento: agregar valor, alfa ou excesso de retorno. Quants, como os desenvolvedores são chamados, compor modelos matemáticos complexos para detectar oportunidades de investimento. Existem tantos modelos por aí como quants que os desenvolvem, e todos afirmam ser os melhores. Um dos pontos mais vendidos da estratégia de investimento de quant é que o modelo e, finalmente, o computador, fazem a decisão de compra / venda real, não um humano. Isso tende a remover qualquer resposta emocional que uma pessoa possa experimentar ao comprar ou vender investimentos.
As estratégias Quant são agora aceitas na comunidade de investimentos e administradas por fundos mútuos, hedge funds e investidores institucionais. Eles geralmente passam pelo nome de geradores alfa, ou alfa gens.
Assim como no "The Wizard of Oz", alguém está atrás da cortina que conduz o processo. Tal como acontece com qualquer modelo, é tão bom quanto o humano que desenvolve o programa. Embora não exista um requisito específico para se tornar um quant, a maioria das empresas que executam quant modelos combinam as habilidades de analistas de investimentos, estatísticos e programadores que codificam o processo nos computadores. Devido à natureza complexa dos modelos matemáticos e estatísticos, é comum ver credenciais como pós-graduação e doutorado em finanças, economia, matemática e engenharia.
Historicamente, esses membros da equipe trabalharam nos back-office, mas, à medida que os modelos quant tornam-se mais comuns, o back office está se movendo para o front office.
Benefícios de Quant Strategies.
Embora a taxa de sucesso global seja discutível, o motivo de algumas estratégias de quant é funcionar é que elas são baseadas em disciplina. Se o modelo for certo, a disciplina mantém a estratégia trabalhando com computadores com velocidade relâmpada para explorar ineficiências nos mercados com base em dados quantitativos. Os próprios modelos podem basear-se em apenas alguns ratios como P / E, dívida para patrimônio e crescimento de ganhos, ou usar milhares de insumos trabalhando juntos ao mesmo tempo.
Estratégias bem-sucedidas podem adotar as tendências em seus estágios iniciais, pois os computadores constantemente correm cenários para localizar ineficiências antes que outros o façam. Os modelos são capazes de analisar simultaneamente um grande grupo de investimentos, onde o analista tradicional pode estar olhando apenas alguns por vez. O processo de triagem pode avaliar o universo por níveis como 1-5 ou A-F, dependendo do modelo. Isso torna o processo de negociação real muito direto, investindo nos investimentos altamente cotados e vendendo os mais baixos.
Os modelos Quant também abrem variações de estratégias como longas, curtas e longas / curtas. Os fundos cuidadosos bem sucedidos mantêm um olho no controle de risco devido à natureza de seus modelos. A maioria das estratégias começa com um universo ou benchmark e usa as ponderações setoriais e industriais em seus modelos. Isso permite que os fundos controlem a diversificação até certo ponto sem comprometer o próprio modelo. Os fundos Quant geralmente funcionam com base em custos mais baixos porque não precisam de tantos analistas tradicionais e gerentes de portfólio para executá-los.
Desvantagens de Quant Strategies.
Há razões pelas quais tantos investidores não aceitam completamente o conceito de deixar uma caixa preta executar seus investimentos. Para todos os fundos bem sucedidos da quantia lá fora, apenas muitos parecem ser infrutíferos. Infelizmente para a reputação dos quants, quando eles falham, eles falham em grande momento.
O Gerenciamento de Capital de Longo Prazo foi um dos mais famosos fundos hedge quant, já que foi dirigido por alguns dos líderes acadêmicos mais respeitados e dois economistas vencedores do Prêmio Nobel, Myron S. Scholes e Robert C. Merton. Durante a década de 1990, sua equipe gerou retornos acima da média e atraiu capital de todos os tipos de investidores. Eles eram famosos por não só explorarem ineficiências, mas usando fácil acesso ao capital para criar apostas alavancadas enormes nas direções do mercado.
A natureza disciplinada de sua estratégia realmente criou a fraqueza que levou ao seu colapso. A Administração de Capital de Longo Prazo foi liquidada e dissolvida no início de 2000. Os modelos não incluíram a possibilidade de o governo russo estar inadimplente em algumas das suas próprias dívidas. Este evento desencadeou eventos e uma reação em cadeia ampliada por estragos criados por alavancagem. LTCM estava tão fortemente envolvido com outras operações de investimento que seu colapso afetou os mercados mundiais, provocando eventos dramáticos. A longo prazo, o Federal Reserve entrou para ajudar, e outros bancos e fundos de investimento apoiaram o LTCM para evitar mais danos. Esta é uma das razões pelas quais os fundos quantitativos podem falhar, pois eles são baseados em eventos históricos que podem não incluir eventos futuros.
Enquanto uma equipe de quantos forte estará constantemente adicionando novos aspectos aos modelos para prever eventos futuros, é impossível prever o futuro sempre. Quant fundos também podem se surpreender quando a economia e os mercados estão passando por uma volatilidade maior do que a média. Os sinais de compra e venda podem vir tão rapidamente que o alto volume de negócios pode gerar altas comissões e eventos tributáveis. Os fundos Quant também podem representar um perigo quando são comercializados como resistentes ao incômodo ou baseados em estratégias curtas. Prever as desacelerações, usar derivadas e combinar alavancagem pode ser perigoso. Uma vez errada pode levar a implosões, que muitas vezes fazem as novidades.
As estratégias quantitativas de investimento evoluíram de caixas pretas de back office para ferramentas de investimento convencionais. Eles são projetados para utilizar as melhores mentes no negócio e os computadores mais rápidos, tanto para explorar ineficiências quanto para utilizar a alavancagem para fazer apostas no mercado. Eles podem ter muito sucesso se os modelos incluíram todas as entradas certas e são ágeis o suficiente para prever eventos anormais do mercado. Por outro lado, enquanto os fundos quantitativos são rigorosamente testados até que eles funcionam, sua fraqueza é que eles dependem de dados históricos para o seu sucesso. Embora o investimento em estilo de quantum tenha seu lugar no mercado, é importante estar atento às suas deficiências e riscos. Para ser consistente com as estratégias de diversificação, é uma boa idéia tratar estratégias quantitativas como um estilo de investimento e combiná-lo com estratégias tradicionais para alcançar uma diversificação adequada.

Alfa.
O que é 'Alpha'
Alpha é usado em finanças como uma medida de desempenho. Alpha, muitas vezes considerado o retorno ativo de um investimento, mede o desempenho de um investimento contra um índice de mercado ou benchmark que é considerado representar o movimento do mercado como um todo. O excesso de retorno de um investimento relativo ao retorno de um índice de referência é o alfa do investimento.
Alpha é usado para fundos de investimento e todos os tipos de investimentos. Muitas vezes é representado como um único número (como 3 ou -5), mas isso se refere a uma porcentagem que mede como o portfólio ou o fundo realizou em comparação com o índice de referência (ou seja, 3% melhor ou 5% pior).
Alpha é usado frequentemente em conjunto com beta, que mede a volatilidade ou o risco. Alpha também é frequentemente referido como "retorno excessivo" ou "taxa de retorno anormal".
A análise mais aprofundada do alfa também pode incluir o "alfa de Jensen". O alfa de Jensen leva em consideração a teoria do mercado do modelo de precificação de ativos de capital (CAPM) e inclui um componente ajustado ao risco em seu cálculo.
BREAKING 'Alpha'
Alpha é uma das cinco razões de risco técnico. Os outros são beta, desvio padrão, R-quadrado e a relação Sharpe. Estas são todas as medidas estatísticas utilizadas na teoria da carteira moderna (MPT). Todos esses indicadores destinam-se a ajudar os investidores a determinar o perfil risco-retorno de um investimento.
Os gerentes de portfólio procuram gerar alfa em carteiras diversificadas com diversificação destinada a eliminar o risco não sistemático. Como o alfa representa o desempenho de um portfólio em relação a um benchmark, muitas vezes é considerado como representando o valor que um gerente de portfólio adiciona ou resta do retorno de um fundo. Em outras palavras, alfa é o retorno de um investimento que não é resultado do movimento geral no mercado maior. Como tal, um alfa de zero indicaria que a carteira ou fundo está rastreando perfeitamente com o índice de referência e que o gerente não adicionou ou perdeu qualquer valor.
O conceito de alfa tornou-se mais popular com o advento dos fundos inteligentes do índice beta vinculados a índices como o S & amp; P 500 e o Wilshire 5000. Esses fundos tentam melhorar o desempenho de um portfólio que acompanha um subconjunto específico do mercado.
Apesar da considerável conveniência de alfa em um portfólio, muitos benchmarks de índice conseguem superar os gerentes de ativos na grande maioria do tempo. Devido em parte a uma crescente falta de fé no aconselhamento financeiro tradicional provocado por essa tendência, mais e mais investidores estão mudando para assessores passivos on-line de baixo custo (geralmente chamados de robo-assessores) que investem exclusivamente ou quase exclusivamente o capital dos clientes fundos de rastreamento de índice, pensando que, se não conseguem superar o mercado, eles também podem se juntar a ele.
Além disso, porque a maioria dos conselheiros financeiros "tradicionais" cobram uma taxa, quando administramos um portfólio e redes um alfa de zero, ele realmente representa uma ligeira perda líquida para o investidor. Por exemplo, suponha que Jim, um consultor financeiro, cobra 1% do valor de um portfólio para seus serviços e que, durante um período de 12 meses, Jim conseguiu produzir um alfa de 0,75 para o portfólio de um de seus clientes, Frank. Enquanto Jim realmente ajudou a performance do portfólio de Frank, a taxa que Jim cobra é superior ao alfa que ele gerou, então o portfólio de Frank experimentou uma perda líquida. Para os investidores, o exemplo destaca a importância de considerar taxas em conjunto com retornos de desempenho e alfa.
Procurando Alfa de Investimento.
Todo o universo de investimentos oferece uma ampla gama de valores mobiliários, produtos de investimento e opções de consultoria para investidores a serem considerados. Os diferentes ciclos de mercado também influenciam o alfa de investimentos em diferentes classes de ativos. É por isso que as métricas de retorno de risco são importantes para considerar em conjunto com o alfa.
Isto é ilustrado nos dois exemplos a seguir para um ETF de renda fixa e um ETF de ações:
O iShares Convertible Bond ETF (ICVT) é um investimento de renda fixa com baixo risco. Ele rastreia um índice personalizado chamado Bloomberg Barclays U. S. Convertible Cash Pay Bond & gt; Índice de US $ 250MM.
A ICVT apresentou um desvio padrão anual relativamente baixo de 4,72%. No acumulado do ano a partir de 15 de novembro, o seu retorno é de 13,17%. No acumulado do ano, o Blogregberg Barclays U. S. Aggregate Index tem um retorno de 3,06%. Portanto, o alfa para ICVT é de 10,11% em comparação com o Bloomberg Barclays U. S. Aggregate Index e oferece risco relativamente baixo com um desvio padrão de 4,72%.
O Fundo de Crescimento de Dividendos da Wisdom Tree (DGRW) é um investimento de capital com maior risco de mercado que busca investir em ações de crescimento de dividendos. Suas participações acompanham um índice personalizado chamado Índice de Crescimento de Dividendos de Qualidade da WisdomTree US.
Tem um desvio padrão anualizado de três anos de 10,58%, superior ao ICVT. O retorno do ano até o dia de 15 de novembro de 2017 é de 18,24%, o que é superior ao S & P 500 a 14,67%, portanto, possui um alfa de 3,57% em relação ao S & amp; P 500.
O exemplo acima ilustra o sucesso de dois gestores de fundos na geração de alfa. Evidências no entanto, mostra que as taxas dos gestores ativos de atingir alfa em fundos e portfólios em todo o universo de investimentos nem sempre são bem-sucedidas. As estatísticas mostram que, nos últimos dez anos, 83% dos fundos ativos nos EUA não conseguem igualar os padrões de referência escolhidos. Os especialistas atribuem essa tendência a muitas causas, incluindo:
A crescente experiência de consultores financeiros Avanços em tecnologia financeira e software que os assessores têm à sua disposição Aumentando a oportunidade de investidores potenciais se envolverem no mercado devido ao crescimento da internet Uma proporção reduzida de investidores assumindo riscos em suas carteiras e The crescente quantidade de dinheiro sendo investido em busca de alfa.
Considerações Alpha.
Embora o alfa tenha sido chamado de "santo graal" de investir e, como tal, recebe muita atenção de investidores e conselheiros, existem algumas considerações importantes que se deve levar em consideração ao usar alfa.
1. Um cálculo básico do alfa subtrai o retorno total de um investimento de um benchmark comparável em sua categoria de ativos. Este cálculo alfa é usado principalmente apenas em comparação com um benchmark de categoria de ativos comparável, conforme observado nos exemplos acima. Portanto, não mede o desempenho superior de um ETF de ações em comparação com um benchmark de renda fixa. Este alfa também é melhor usado quando se compara o desempenho de investimentos de ativos similares. Assim, o alfa da equidade ETF DGRW não é relativamente comparável ao alfa da ETF ICVT de renda fixa.
2. Algumas referências a alfa podem se referir a uma técnica mais avançada. O alfa de Jensen leva em consideração a teoria do CAPM e as medidas ajustadas ao risco, utilizando a taxa de risco livre e beta.
Ao usar um cálculo alfa gerado, é importante entender os cálculos envolvidos. Alpha pode ser calculado usando vários benchmarks de índice diferentes dentro de uma classe de ativos. Em alguns casos, pode não haver um índice preexistente adequado, caso em que os conselheiros podem usar algoritmos e outros modelos para simular um índice para fins de cálculo comparativo.
O Alpha também pode se referir à taxa de retorno anormal em uma segurança ou portfólio que exceda o que seria previsto por um modelo de equilíbrio como o CAPM. Neste caso, um modelo de CAPM pode ter como objetivo estimar os retornos para os investidores em vários pontos ao longo de uma fronteira eficiente. A análise CAPM pode estimar que uma carteira deve ganhar 10% com base no perfil de risco da carteira. Se o portfólio realmente ganhar 15%, o alfa da carteira seria 5, ou 5% acima do previsto no modelo CAPM.

Estratégia de negociação modelo Alpha
Os gráficos foram úteis em 2017 e como eles podem ajudar em 2018?
01/04/18 • Chris Ciovacco.
vfc 2017 Wrap-Up.
01/04/18 • Cory Cook.
Rvrs 5 Perguntas para a erva em branco na pontuação do reverso do mercado.
01/04/18 • James Picerno.
Clf Investors pode bloquear em 6% Rendimento com Cleveland-Cliffs 2020 Bonds.
01/04/18 • Jeremy LaKosh.
mhld Maiden Holdings: uma oportunidade de arbitragem nas ações preferenciais.
01/04/18 • Arbitrage Trader.
idv Quais os fatores de equivalência ganhos em 2017?
01/03/18 • Henry Cobbe, CFA.
mub Puerto Rico: os hits apenas continuam chegando.
01/03/18 • Jake Zamansky.
Ano Novo NAPS - Top Stocks para 2018 e os benefícios da ignorância.
O que os investidores podem aprender com os quarterbacks.
01/03/18 • Jeff Miller.
Aif High-Income, Portfolio de Capital Sustentável Publica 10,2% de Renda e 21,4% de Retorno Total para 2017.
01/03/18 • Banqueiro à esquerda.
Tesouros dos EUA: Problemas com a Curva.
e, final, quadro de classificação de ativos de 2017.
01/03/18 • Jeff Malec.
dxj Uma maneira inesperada de se beneficiar das taxas de juros crescentes dos EUA.
evep Dezembro publica o maior declínio na qualidade de crédito corporativo mundial.
01/03/18 • Donald van Deventer.
Criptografia de moeda: você deve incluí-los em sua carteira?
01/03/18 • Joseph Leh Miew Ngu.
Como ter sucesso no planejamento financeiro Realmente tentando: Financial Advisors & # 39; Sumário diário.
01/03/18 • SA Para FAs.
Aapl Nick's Picks 2017 Review: batendo o mercado mais uma vez.
01/03/18 • Nicholas Ward.
Os números de aposentadoria são Hokum.
01/03/18 • Roger Nusbaum.
vtv Quanto de um valor é o valor?
01/03/18 • Ryan Weichman, CFA.
dgro Dividend Investing For Retirement.
01/03/18 • Colorado Wealth Management Fund.
aapl Batendo o mercado com um sistema quantitativo simples.
01/03/18 • Andres Cardenal, CFA.
Dps Dr Pepper Snapple & # 39; s Stockbacks: um registro de geração de valor.
01/03/18 • Dr. Andrew Wood.
akao ROTY Edition 1 Volume 67: Iniciando janeiro em uma nota forte.
01/03/18 • Jonathan Faison.
aapl The Quants estão aqui: um olhar sobre estratégias alternativas para 2018.
01/03/18 • Mercado SA.
US $ 30 Trillion In Boomer Economia precisa de proteção: o próximo mercado Meltdown trará ações judiciais.
01/03/18 • Ronald Surz.
Tendência tática, quarto trimestre de 2017.
01/03/18 • David Kotok.
A carteira de ativos financeiros globais de 2018.
01/03/18 • Cullen Roche.
regen Regeneron Regrets: Por que nossa carteira de Risco Superior apresentou desempenho insuficiente.
01/03/18 • David Pinsen.
Análise do portfólio de meio ano H2 2017.
01/03/18 • Investing Sidekick.
espião tecnicamente falando: revisitando as 10 regras do Bob Farrell.
01/03/18 • Lance Roberts.
dsi Integração da ESG em sua estratégia de investimento multi-fator.
01/03/18 • FTSE Russell.
eem Momentum Portfolio January Update.
01/03/18 • Investimentos da Scott.
aapl The R. I.P. Portfolio: Q4 2017 Update.
01/03/18 • WG Investment Research.
Vídeo: Quants! A Teoria do Valor Universal.
01/03/18 • Brian M. Nelson, CFA.
aks 2017 - Outro bom ano para nossas carteiras, o portfólio principal subiu 55,98%
O que os Buy-and-Holders realmente acreditam.
Aapl Carteira de renda de meio milhão de dólares - um ano novo com os mesmos ideais.
01/02/18 • O portfólio de valores.
Tmf Desempenho Simulado de Fundos de Encargos Alavancados Desde 1962.
01/02/18 • Jonathan Cooper.
adm Green Dot Portfolio: atualização de dezembro de 2017.
01/02/18 • Green Dot Investor.
O retorno médio não existe!
01/02/18 • Jeroen Blokland.
O superávit surpreendente de uma estratégia de valor inclinado em 2017.
lrcx 2017 Portfolio Performance Review - A Tale of 2 Halves.
01/02/18 • Benjamin Rowles.
Aapl 2017 Relatório da YTD sobre uma experiência de negociação simulada com uma conta de intermediários interativos de US $ 1 milhão.
01/02/18 • Toma Hentea.
Hig High Yield Bond Outlook para 2018 - Mais uma vez, apenas ganhe o rendimento.
01/02/18 • Downtown Investment Advisory.
dia A próxima parada do Money Train: Risk Village.
01/02/18 • Reel Ken.
Relações voo P / E por país.
Uma Iniciação pioneira para a temporada de ganhos - Terceiro trimestre de 2017.
01/02/18 • Julien Messias.
Interromper o seu novo mercado regularmente agendado: Financial Advisors & # 39; Sumário diário.
01/02/18 • SA Para FAs.
espião A Stock Market 1º em 90 anos.
espião Encontrando o ciclo de negócios.
Abt Formação da Vitória Atualização do portfólio longo / curto - Final do ano 2017.
01/02/18 • Paul Franke.
Procurando por negócios ruins e ações ruins.
01/02/18 • Sven Carlin.
Mmp O que são sementes cruas e por que elas são importantes para MLPs?
Resultados finais da Agnc 10% High-Yield Portfolio 2017 (BDC e mREIT), alocação 50/50.
01/02/18 • Investidor de alto rendimento.
bt Meu portfólio do FMI: sólido 2017 e está pronto para vencer o S & amp; p este ano.
01/02/18 • Ian Bezek.
vxx Por que a diversificação pode voltar ao estilo.
01/02/18 • Invesco US.
aapl Como oferecer mais valor aos seus clientes em 2018.
01/02/18 • David Pinsen.
Atualização da Ivy Portfolio 2018.
01/02/18 • Investimentos da Scott.
Peyuf Top Investments Para 2018.
01/02/18 • Kevin Graham.
ge My Stock Picks For 2018.
01/02/18 • Erik Conley.
Comportamento humano e o pânico de 1907.
01/02/18 • John Huber.
Amzn Year In Review 2017 e meus 2 nomes favoritos para 2018.
01/02/18 • Coragem & amp; Conviction Investing.
Amzn Project $ 1M: 2017 Review e 2018 Outlook.
espião S & amp; P 500 Valuation - New Year & # 39; s Update.
01/02/18 • Fred Piard.
Por que é tão difícil alcançar o investimento & # 39; Home Runs & # 39; s
Escolha a versão do seu ano novo a partir daqui.
Os Sistemas de Saúde Comunitária da CIR 2019 fornecem oportunidades de retorno convincentes.
01/01/18 • Jeremy LaKosh.
Lfeq ​​NDRCMG & # 39; s Market Pulse: respondendo à Market Health and Momentum.
ch Visão geral do país: Chile.
01/01/18 • John Monahan.
Aal Transports Weekly Snapshot - Year-End Review.
01/01/18 • James Sands.
Vídeo: preço versus valor, qual é a diferença?
01/01/18 • Brian M. Nelson, CFA.
Adbe Lean Carteira de crescimento de longo prazo - atualização de fim de ano de 2017.
01/01/18 • James Sands.
brk. b O tráfego de contêineres da América do Norte superior continua forte até novembro de 2017.
01/01/18 • James Sands.
Algn Bulletproof Investing Performance: Semana 5.
01/01/18 • David Pinsen.
bp Big Oil Portfolio - Comemore o ano novo com 15% de crescimento em 4 meses.

Alpha Trading Labs - High-Frequency Trading, Online.
... terão acesso à infra-estrutura de pesquisa e comercialização de latência e baixa performance disponíveis hoje. A plataforma de negociação algorítmica totalmente integrada da Alpha Trading Labs permite pesquisar, codificar, testar, analisar e executar suas estratégias usando dados de mercado de nanosegundos, simuladores poderosos e infra-estrutura de baixa latência. Construído por especialistas da indústria com experiência quantitativa significativa e HFT, você competirá ao mesmo nível que as empresas comerciais profissionais.
... sua estratégia em Python em nossa plataforma de pesquisa e simulação baseada na web. O Feature Markup Generator fornece uma análise fácil de sinais versus marcas para encontrar fatores preditivos. A geração automatizada de modelo templado permite que você desenvolva multidões de modelos comerciais com base em um conjunto de critérios. O editor de modelos on-line permite que você crie suas próprias estratégias, verifique imediatamente o seu código para erros e converta seu código em linguagem de máquina de alto desempenho para simulação e teste de retorno. Escolha entre vários conjuntos de dados, defina quadros de tempo de alta resolução e parâmetros de ajuste para aproveitar as oportunidades de arbitragem apenas possíveis em prazos menores.
... sua estratégia contra dados de mercado de alta resolução usando o simulador profissional de Alpha Trading Labs que simula adequadamente dinâmicas que ocorrem em uma base de alta freqüência. Analise seus resultados de teste de volta, personalize sua visualização por símbolo, parâmetro ou desempenho. Salve várias versões do seu código para otimizar os resultados dos testes. Nossa equipe de especialistas da indústria pode fornecer informações para melhorar o desempenho da estratégia e ajudá-lo a entender a microestrutura do mercado.
... com outros usuários para testar suas estratégias em um ambiente simulado. Ganhe prêmios e direitos de se gabar. Envie estratégias pendentes para nossa equipe comercial para revisão, financiamento e execução. Se for selecionado, implementaremos sua estratégia ao vivo no próprio ambiente HFT da Alpha Trading Labs - uma capacidade anteriormente reservada para comerciantes profissionais.
As melhores estratégias são elegíveis para alocações de capital pela Alpha Trading Labs. Se suas estratégias forem escolhidas para uma alocação, você receberá uma parcela significativa de seus lucros líquidos das estratégias. O melhor de tudo é que você possui o IP. Suas idéias, suas estratégias, nossa plataforma e nossa capital.
... terão acesso à infra-estrutura de pesquisa e comercialização de latência e baixa performance disponíveis hoje. A plataforma de negociação algorítmica totalmente integrada da Alpha Trading Labs permite pesquisar, codificar, testar, analisar e executar suas estratégias usando dados de mercado de nanosegundos, simuladores poderosos e infra-estrutura de baixa latência. Built by industry experts with significant quantitative trading and HFT experience, you will compete at the same level as professional trading firms.
…your strategy in Python on our web-based research and simulation platform. Feature Markup Generator provides you easy analysis of signals versus markups for finding predictive factors. Automated templated model generation allows you to devise multitudes of trading models based on a set of criteria. Online model editor allows you to create your own strategies, immediately check your code for errors, and convert your code into high performance machine language for simulation and backtesting. Choose from multiple data sets, set high-resolution time frames and tweak parameters to take advantage of arbitrage opportunities only possible in smaller timeframes.
…your strategy against high-resolution market data using Alpha Trading Labs’ professional-grade simulator which appropriately simulates dynamics that occur on a high-frequency basis. Analyze your back test results, customize your view by symbol, parameter or performance. Save multiple versions of your code to optimize test results. Our team of industry experts can provide insight to improve strategy performance and help you understand market microstructure.
… with other users to test your strategies in a simulated environment. Win prizes and bragging rights. Submit outstanding strategies to our trading team for review, funding, and execution. If selected, we will deploy your strategy live within Alpha Trading Labs’ own HFT environment – a capability formerly reserved for professional traders.
The best strategies are eligible for capital allocations by Alpha Trading Labs. If your strategies are chosen for an allocation, you receive a significant share of your strategies net profits. Best of all, you own the IP. Your ideas, your strategies, our platform, and our capital.
Alpha Trading Labs is out to democratize high-frequency trading and monetize intellectual capital by providing its community a low latency technology platform previously not available to non-professionals. We are a group of smart, motivated people with diverse backgrounds at tech startups and on Wall Street, in high-frequency trading, and in hedge funds.
The material on this website is provided for informational purposes only and does not constitute an offer to sell, a solicitation to buy, or a recommendation or endorsement for any security or strategy, nor does it constitute an offer to provide investment advisory or other services by Alpha Trading Labs. Além disso, o conteúdo do site não oferece nenhuma opinião em relação à adequação de qualquer garantia ou qualquer investimento específico.
Alpha Trading Labs makes no guarantees as to accuracy or completeness of the views expressed in the website. Os pontos de vista estão sujeitos a alterações e podem ter se tornado pouco confiáveis ​​por vários motivos, incluindo mudanças nas condições do mercado ou nas circunstâncias econômicas. Todos os investimentos envolvem risco - incluindo perda de principal. Você deve consultar um profissional de investimentos antes de tomar decisões de investimento.